FLAVIA MESCKO FERNANDES VELOCIDADE DE CONVERGÊNCIA DE MÉTODOS DE OTIMIZAÇÃO IRRESTRITA
|
|
- Nicholas Castelo Belo
- 8 Há anos
- Visualizações:
Transcrição
1 FLAVIA MESCKO FERNANDES VELOCIDADE DE CONVERGÊNCIA DE MÉTODOS DE OTIMIZAÇÃO IRRESTRITA CURITIBA DEZEMBRO, 2010
2 FLAVIA MESCKO FERNANDES VELOCIDADE DE CONVERGÊNCIA DE MÉTODOS DE OTIMIZAÇÃO IRRESTRITA Monografia apresentada como requisito parcial à obtenção do grau de Licenciado em Matemática, pelo Departamento de Matemática, Setor de Ciências exatas, Universidade Federal do Paraná. Orientador: Ademir Alves Ribeiro Co-Orientadora: Elizabeth Wegner Karas CURITIBA DEZEMBRO, 2010
3 Termo de Aprovação FLAVIA MESCKO FERNANDES VELOCIDADE DE CONVERGÊNCIA DE MÉTODOS DE OTIMIZAÇÃO IRRESTRITA Monografia apresentada como requisito parcial à obtenção do grau de Licenciado em Matemática, pelo Departamento de Matemática, Setor de Ciências exatas, Universidade Federal do Paraná, pela seguinte banca examinadora: Prof Dr. Ademir Alves Ribeiro Universidade Federal do Paraná Prof a. Dra. Lucelina Batista dos Santos Universidade Federal do Paraná Curitiba, Dezembro de 2010
4 Dedicatória A Deus, Pelo dom da vida. ii
5 Agradecimentos Agradeço primeiramente ao Senhor Jesus Cristo por mais uma importante etapa concluída. Agradeço também a minha família, pelo apoio e dedicação. Meus amigos do curso, pelo companheirismo e boas horas de estudo. Agradeço aos meus professores pelos conhecimentos que me transmitiram, ao professor Paulo Henrique e à professora Elizabeth que me orientaram e auxiliaram em pesquisas no decorrer do curso. E agradeço especialmente ao professor Ademir, que com dedicação me orientou e me ajudou na conclusão deste trabalho, pelo exemplo e lições que contribuiram para minha formação profissional. iii
6 Sumário Lista de Figuras vi Resumo viii 1 INTRODUÇÃO ESTUDO DE SEQUÊNCIAS Convergência de Sequências Número de Ouro Velocidade de Convergência MÉTODO DE CAUCHY Algoritmo de Cauchy Algoritmo Convergência Global Velocidade de Convergência MÉTODO DE NEWTON Método de Newton para Resolução de Equações Método de Newton para Otimização Irrestrita iv
7 4.3 Algoritmo Convergência MÉTODO DA SEÇÃO ÁUREA Busca Unidimensional Método da Seção Áurea - Busca exata Algoritmo Convergência do Método da Seção Áurea Velocidade de Convergência CONCLUSÃO Referências v
8 Lista de Figuras Figura 1 Termos da sequência (x k ) na reta Figura 2 Termos da Sequência (x k ) Figura 3 Passos do Algoritmo de Cauchy Figura 4 Passos do Algoritmo de Cauchy Figura 5 Uma iteração do Método de Newton para equações Figura 6 Uma iteração do Método de Newton Figura 7 Busca unidimensional exata Figura 8 Funções Unimodais Figura 9 Seção áurea Figura 10 Intervalo dividido em três partes iguais vi
9 Figura 11 Partição do intervalo [a, b] Figura 12 Partição do intervalo [a, b] Figura 13 Análise da primeira etapa do algoritmo Figura 14 Análise do item (i) do teorema Figura 15 Todos os intervalos [a k, b k ] contém o minimizador da função quadrática. 39 vii
10 Resumo Um conceito importante em Análise Matemática é o de convergência de uma sequência. Neste trabalho aprofundamos este estudo, analisando também a velocidade com que uma sequência converge. Concentramos nosso estudo em três velocidades de convergência: linear, superlinear e quadrática. Para isto consideramos uma nova sequência: a sequência de erros definida pela diferença entre cada termo e o limite da sequência. Note que a sequência converge se e somente se a sequência de erros tende a zero. A motivação deste trabalho é a análise da convergência de métodos de otimização, visto que para fins práticos é fundamental que os algoritmos tenham uma convergência rápida. Discutimos alguns métodos clássicos para otimização irrestrita. O método de Cauchy que faz a cada iteração uma busca unidirecional na direção de máxima descida, ou seja, na direção oposta ao gradiente, tem convergência linear. O método de Newton, por outro lado, minimiza, em cada iteração, a aproximação quadrática da função objetivo. Provamos que, se o ponto inicial estiver próximo de um minimizador, a sequência gerada por este método converge superlinearmente. Além disso, se a Hessiana da função a ser minimizada for Lipschitz, então a convergência do método de Newton é quadrática. Nos métodos de busca unidirecional, precisamos minimizar uma função a partir de um certo ponto, segundo uma direção dada, que é a direção de busca. Este problema é equivalente a minimizar uma função real de uma variável, que pode ser resolvido por vários métodos. Um deles é o Método da Seção Áurea, que faz a minimização exata desta função. Apresentamos neste trabalho um estudo da convergência deste método, provando que é linear e cuja taxa é o número de ouro. Palavras-chave: Velocidade de Convergência, Método de Cauchy, Método de Newton, Método da Seção Áurea. viii
11 1 1 INTRODUÇÃO Em otimização a solução de um problema de minimizar uma função é obtida por meio de um processo iterativo. Consideramos um ponto inicial x 0, obtemos um ponto melhor x 1, isto é, que diminui o valor da função objetivo e repetimos o processo gerando uma sequência na qual a função objetivo decresce. Basicamente temos três aspectos concernentes aos métodos de otimização. O primeiro consiste na criação do algoritmo propriamente dito, que deve levar em conta a estrutura do problema e as propriedades satisfeitas pelas soluções, entre outras coisas. O segundo aspecto se refere as sequências geradas pelo algoritmo, onde a principal questão é se tais sequências realmente convergem para uma solução do problema. O terceiro ponto a ser considerado é a velocidade com que a sequência converge para uma solução, para fins práticos, não basta que esta seja convergente é preciso que uma aproximação do limite possa ser obtida em um tempo razoável. Deste modo, bons algoritmos são os que geram sequências que convergem rapidamente para uma solução. Uma forma geral de construir um algoritmo consiste em escolher, a partir de cada ponto obtido, uma direção para dar o próximo passo. A direção escolhida no Algoritmo de Cauchy é a oposta ao grandiente, pois esta é a de maior decrescimento da função. Já o algoritmo de Newton minimiza, em cada iteração, a aproximação quadrática da função objetivo. Quando a direção de busca já é dada e precisamos minimizar uma função a partir de um certo ponto, segundo esta direção, recaimos em um problema de minimizar uma função real de apenas uma variável. Um dos métodos que podem ser usados para resolver este problema é o Método da Seção Áurea, que faz a minimização exata desta função.
12 2 Este trabalho se organiza da seguinte forma: inicialmente são apresentados alguns conceitos de Análise que serão utilizados nos próximos capítulos. É feita uma revisão sobre convergência de sequências e velocidade de convergência. O segundo e terceiro capítulos apresentam os algoritmos de Cauchy e de Newton, além da análise da velocidade de convergência destes métodos. Encerrando o trabalho com um estudo sobre o Método da Seção Áurea, abordado no quarto capítulo, bem como a análise das etapas deste algoritmo e sua velocidade de convergência, algumas das demonstrações apresentadas neste capítulo não foram encontradas nas principais literaturas, portanto este estudo ocorreu de forma independente.
13 3 2 ESTUDO DE SEQUÊNCIAS Neste capítulo apresentamos algumas definições básicas e alguns resultados de Análise relevantes para este trabalho. As principais referências deste capítulo são (LIMA, 1981b; RIBEIRO; KARAS, 2010). 2.1 Convergência de Sequências Uma sequência em IR n é uma aplicação k IN x k IR n, definida no conjunto IN dos números naturais. Denotaremos uma sequência por (x k ) k IN, ou simplesmente por (x k ). Por conveniência, consideramos que IN = {0, 1, 2, 3,...}. Definição 2.1 Diz-se que o ponto a IR n é o limite da sequência (x k ) quando, para todo ε > 0 dado, é possível obter k 0 IN tal que k k 0 x k a < ε. Neste caso, também dizemos que a sequência (x k ) converge para a e indicamos este fato por x k a ou lim k x k = a. Vemos da definição anterior que o ponto a IR n é o limite da sequência (x k ) se para cada ε > 0, o conjunto IN 1 = {k IN x k a ε} é finito, ou seja, fora da bola B(a, ε) só poderão estar, no máximo, os termos x 1,..., x k 0. Uma subsequência de (x k ) é a restrição desta sequência a um subconjunto infinito IN = {k 1 < k 2 <... < k i <...} IN. Equivalentemente, uma subsequência
14 4 de (x k ) é uma sequência do tipo (x k ) k IN ou (x k i ) i IN, onde (k i ) i IN é uma sequência crescente de inteiros positivos. Note que k i i, para todo i IN. Teorema 2.2 Se uma sequência (x k ) converge para um limite a, então toda subsequência (x k i ) também converge para a. Demonstração. Dado ε > 0 existe um k 0 tal que para todo k > k 0 tem-se x k a < ε. Como os índices da subsequência formam um subconjunto infinito, existe entre eles um k i0 k 0. Então para k i k i0 temos k i k 0. Logo x k i a < ε. O limite de uma subsequência (x k ) k IN é chamado valor de aderência ou ponto de acumulação da sequência (x k ). Exemplo 2.3 Considere a sequência x k = ( 1) k + 1 k + 1. Sabemos que x k tem dois pontos de acumulação, os valores, 1 e 1, portanto não é convergente. Veja a figura a seguir. Figura 1: Termos da sequência (x k ) na reta. Exemplo 2.4 Considere uma sequência (x k ) IR. Se x k a > 0 então existe k 0 IN tal que, para k k 0 tem-se x k a 2. De fato, para ε = a 2, existe k 0 tal que, k k 0 temos x k a < a 2. Então, a 2 < xk a < a 2 a 2 < xk < 3a 2 Assim temos que, x k a. (Conforme ilustração na Figura 2). 2
15 5 Figura 2: Termos da Sequência (x k ) Definição 2.5 Uma sequência (x k ) IR n é limitada, quando o conjunto formado pelos seus elementos é limitado, ou seja, quando existe um número real M > 0 tal que x k M para todo k IN. Definição 2.6 Seja (x k ) IR uma sequência limitada. Definimos o limite inferior da sequência (x k ) como seu menor ponto de acumulação e denotamos por lim inf x k. Analogamente definimos o limite superior da sequência como seu maior ponto de acumulação e denotamos por lim sup x k. Exemplo Sendo a sequência x k = ( 1) k + 1 k + 1, temos lim inf xk = 1 e lim sup x k = E a sequência (x k ) = (1, 2, 3, 1, 2, 3,...), temos lim inf x k = 1 e lim sup x k = 3. A seguir enunciaremos alguns resultados importantes da análise de convergênia de sequências. As demonstrações não apresentadas aqui podem ser encontradas em (LIMA, 1981a, 1981b). Teorema 2.8 Toda sequência convergente é limitada. Demonstração. Digamos que x k a. Para ε = 1, existe um k 0 tal que k k 0 x k a 1 Veja que x k = x k a + a x k a + a 1 + a
16 6 Desta forma, a partir do índice k 0, a sequência é certamente limitada por 1 + a. Para englobarmos todos os termos da sequência, basta considerar M = max{ x 1, x 2,..., x k 0, 1 + a }. Assim, x k M para todo k IN. Teorema 2.9 Toda sequência (x k ) IR monótona limitada é convergente. Demonstração. Seja (x 1 x 2 x 3... x k...) uma sequência não decrescente limitada. Os outros casos são análogos. Como (x k ) é limitada, o conjunto X = {x 1, x 2, x 3,..., x k,...} possui supremo. Digamos sup X = a. Dado qualquer ε > 0, temos a ε < a. Pela propriedade do supremo, existe algum k 0 IN tal que a ε < x k. Como x k a para todo k IN, vemos que k k 0 a ε < x k a < a + ε, donde segue que x k a Teorema 2.10 Uma sequência limitada em IR n é convergente se, e somente se, possui um único ponto de acumulação. Teorema 2.11 (Bolzano-Weierstrass) Toda sequência limitada em IR n possui uma subsequência convergente. Teorema 2.12 Seja (x k ) IR uma sequência monótona que possui uma subsequência convergente, digamos x k IN a. Então x k a. Exemplo 2.13 Seja (x k ) IR definida por x 0 = 1 e x k+1 = 1 + x k. Temos x k = Afirmamos que x k 1 ϕ, onde 1 ϕ = é o inverso do número de ouro.
17 7 De fato, podemos provar por indução finita que esta sequência é crescente e limitada, com 1 x k 2. Então, pelo Teorema 2.9, (x k ) converge, digamos x k x. De acordo com o Teorema 2.2, a subsequência (x k+1 ) também converge para o mesmo limite, isto é, x k+1 x. Então (x k+1 x k ) 0. O que resulta em x 1 + x = 0 (x) 2 x 1 = 0 Portanto a sequência converge para x = Número de Ouro O Número de Ouro é um número irracional misterioso e enigmático que nos surge numa infinidade de elementos da natureza na forma de uma razão, sendo considerada por muitos como uma oferta de Deus ao mundo. A designação adoptada para este número ϕ 0, 618, é a inicial do nome de Fídias que foi escultor e arquiteto encarregado da construção do Pártenon, em Atenas. A história deste enigmático número perde-se na antiguidade. Esta razão ou secção áurea aparece em muitas estátuas da antiguidade que apresentavam uma especial harmonia estética. A excelência dos desenhos de Leonardo Da Vinci ( ), como a Monalisa e o Homem Vitruviano revelam os seus conhecimentos matemáticos bem como a utilização da razão áurea como garantia de uma perfeição, beleza e harmonia únicas.
18 8 2.3 Velocidade de Convergência No contexto de otimização existe outro aspecto importante a ser analisado em uma sequência: a velocidade de convergência. Considere, por exemplo sequências x k = 1 k + 5, yk = 1 3 k, wk = 1 2 k2 e z k = 1 2 2k Vemos que todas elas convergem para 0, mas não com a mesma rapidez, conforme sugere a tabela abaixo. k x k y k w k , , , , z k , Diante disto é conveniente estabelecer uma maneira de medir a velocidade de sequências convergentes. Considere então uma sequência (x k ) IR n convergente para x IR n. Assim, e k = x k x 0. O que faremos é avaliar como o erro tende a 0. Observação: Ao longo deste trabalho utilizaremos a notação x para indicar a norma euclidiana de um vetor em IR n. Definição 2.14 Dizemos que a sequência (x k ) IR n converge linearmente para x IR n quando existe uma constante r [0, 1) e um número k 0 IN, tais que x k+1 x x k x r (2.1) para todo k k 0 É importante ressaltar que a condição (2.1) implica que x k x, pois x k0+p x r p x k 0 x, para todo p IN e r [0, 1).
19 9 Exemplos: A sequência x k = 1 k + 5 De fato, temos converge para 0, mas não linearmente. x k+1 x k = k + 5 k A sequência y k = 1 converge linearmente para 0, pois 3k y k+1 y k = 1 3. As sequências w k = 1 2 k2 e z k = 1 2 2k também convergem linearmente para 0. Vejamos agora uma forma mais veloz de convergência. Definição 2.15 A sequência (x k ) IR n converge superlinearmente para x IR n quando x k+1 x x k x 0. (2.2) Veja que a condição (2.2) também implica que x k x. Note que: y k não converge superlinearmente. A sequência w k = 1 converge superlinearmente para 0. 2 k2 De fato, temos w k+1 = 2k2 = 1 0. w k 2 (k+1)2 22k+1 z k também converge superlinearmente para 0.
20 10 Outra forma de convergência, ainda mais rápida é dada abaixo. Definição 2.16 Suponha que x k x. A convergência é dita quadrática quando existe uma constante M > 0, tal que x k+1 x M. (2.3) x k x 2 Note que: É importante observar que apenas a condição (2.3) não implica que x k x. z k = 1 2 2k converge quadraticamente para 0, pois, z k+1 z k = 1 2 2k+1 ( 1 2 2k As demais não convergem quadraticamente. 22k 21 ) 2 = = 2 0 = k Por exemplo, note que w k = 1 2 k2 não converge quadraticamente, pois, ) 2 w k+1 w k = (2k2 = 22k2 2 2 (k+1)2 2 = 2k2. k2 +2k+1 22k+1 Logo não existe M > 0, tal que wk+1 w k 2 M.
21 11 3 MÉTODO DE CAUCHY Vamos agora discutir um dos métodos para resolver o problema de minimizar uma função em IR n. Algumas referências para este assunto são (MOTA, 2005; RIBEIRO; KARAS, 2010). 3.1 Algoritmo de Cauchy Um dos métodos mais conhecidos para minimizar uma função é o método clássico do gradiente, também chamado método de Cauchy. Neste método, a direção de busca em cada iteração é o oposto do vetor gradiente da função objetivo no ponto corrente. A justificativa desta escolha se baseia no fato de que, dentre as direções ao longo das quais f decresce, a direção oposta ao gradiente é a de decrescimento mais acentuado. De fato, se d = f(x) e v IR n é tal que v = d, então calculando a derivada direcional de f em x na direção do vetor d, temos f(x) d = f(x) T d = f(x) 2 = f(x) f(x) Usando que f(x) = f(x) e a desigualdade Cauchy-Schwarz, temos: Portanto, f(x) f(x) = f(x) v f(x) T v = f(x) v. f(x) d f(x) v. Concluímos que a direção oposta ao gradiente é a de maior decrescimento da função.
22 Algoritmo O Algoritmo de Cauchy faz uso da busca exata, que consiste em encontrar o minimizador da função a partir de um ponto x e uma direção d. Algoritmo 3.1 Algoritmo de Cauchy Dado: x 0 IR n k = 0 REPITA enquanto f(x k ) 0 Defina d k = f(x k ) Obtenha t k > 0 tal que f(x k + t k d k ) < f(x k ) Faça x k+1 = x k + t k d k k = k + 1 A Figura 3 mostra 4 iterações do Algoritmo de Cauchy com a busca exata aplicado para minimizar uma função quadrática, onde as curvas de níveis desta função são elipses. Figura 3: Passos do Algoritmo de Cauchy
23 13 A Figura 3 sugere duas propriedades do algoritmo. Uma delas é o fato de duas direções consecutivas serem ortogonais. De fato, definindo ϕ(t) = f(x k + td k ), temos (d k+1 ) T d k = f(x k+1 ) T d k = f(x k + t k d k ) T d k = ϕ (t k ) = 0. A outra propriedade se refere à convergência, que será discutida na próxima seção. 3.3 Convergência Global Teorema 3.2 O Algoritmo de Cauchy, com o tamanho do passo t k calculado pela busca exata, é globalmente convergente, isto é, para qualquer sequência (x k ) gerada pelo algoritmo, qualquer ponto de acumulação x é estacionário. Sejam (x k ) uma sequência gerada pelo algoritmo e x um ponto de acumulação de (x k ), digamos x k IN x. Suponha por absurdo que x não seja estacionário, isto é, f( x) 0. Assim d = ( x) é uma direção de descida o que garante a existência de t > 0, tal que f( x + t d) < f( x). Considere h : IR n IR dada por h(x) = f(x) f(x t f(x)). Como h é contínua, pois f é diferenciável, temos que h(x k ) IN h( x). Chamamos h( x) = δ > 0. Logo temos que: h(x k ) δ. Assim, para todo k IN, suficientemente grande temos que h(x k ) δ 2, como vimos no Exemplo 2.4. Deste modo, como t k foi obtido pela busca exata, podemos concluir que f(x k+1 ) = f(x k + t k d k ) f(x k + td k ) f(x k ) δ 2. Logo, f(x k ) f(x k+1 ) δ 2 (3.1) para todo k IN, suficientemente grande. Por outro lado pela continuidade de f, temos f(x k ) IN f( x). Como a sequência (f(x k )) k IN é monótona decrescente pois temos que f(x k+1 ) < f(x k ), o Teorema 2.12 garante que f(x k ) f( x), contradizendo (3.1).
24 Velocidade de Convergência Os resultados mais importantes sobre a velocidade de convergência do algoritmo de Cauchy são revelados quando a função objetivo é quadrática. Vamos então considerar f(x) = 1 2 xt Ax + b T x + c com A IR n n definida positiva, b IR n e c IR. Assim f é convexa e tem um único minimizador x, que é global e satisfaz f( x) = A x + b. Mostraremos agora que, usando a norma euclidiana, a sequência gerada pelo método de Cauchy com busca exata converge linearmente para x, com taxa de convergência 1 λ 1 λ n. De fato, Primeiramente note que o passo ótimo é dado por t k = (dk ) T d k (d k ) T Ad k. d dt f(xk + td k ) = f(x k + td k )d k = [A(x k + td k ) + b] T d k = [Ax k + b + Atd k ] T d k = [ f(x k ) + tad k ] T d k = f(x k ) T d k + t(d k ) T Ad k Como t k é o passo ótimo temos: f(x k ) T d k + t(d k ) T Ad k = 0. Então, t k = f(xk )d k (d k ) T Ad k = (dk ) T d k (d k ) T Ad k.
25 15 No que segue, para facilitar a notação, sem perda de generalidade, vamos supor que x = 0 e f( x) = 0, isto é, f(x) = 1 2 xt Ax. Lema 3.3 Dado x IR n, x 0, considere d = Ax. Então, d T d d T Ad xt Ax x T A 2 x. Demonstração. Temos x T Ax = d T A 1 d e x T A 2 x = d T d. De fato, d T A 1 d = ( Ax) T A 1 ( Ax) = (x T )A T A 1 ( Ax) = x T Ax; d T d = ( Ax) T ( Ax) = (x T )A T ( Ax) = x T A 2 x. Portanto, d T d x T A 2 x d T Ad x T Ax = (d T d) 2 (d T Ad)(d T A 1 d) (3.2) Como A > 0, pela decomposição de Choleski, existe G IR n n tal que A = GG T. Fazendo u = G T d e v = G 1 d, temos que: u T v = (G T d) T (G 1 d) = d T GG 1 d = d T d; u T u = (G T d) T (G T d) = d T GG T d = d T Ad; v T v = (G 1 d) T (G 1 d) = d T (G 1 ) T G 1 d = d T A 1 d. Pela desigualdade de Cauchy-Schwarz, temos (d T d) 2 (d T Ad)(d T A 1 d) = (ut v) 2 (u T u)(v T v) Podemos concluir da equação (3.2) que: completando a prova. d T d x T A 2 x d T Ad x T Ax = u, v 2 u, u v, v = u, v 2 u 2 v , (3.3)
26 16 Antes de enunciarmos o Teorema da Velocidade de Convergência do Algoritmo de Cauchy, vamos apresentar um resultado importante de matrizes simétricas, cuja demonstração pode ser encontrada em (LEON, 1999). Lema 3.4 Se A IR n n é uma matriz simétrica com λ 1 e λ n sendo o menor e o maior autovalor, respectivamente, então λ 1 x 2 x T Ax λ n x 2, para todo x IR n. Teorema 3.5 Considere a função quadrática f(x) = 1 2 xt Ax e a sequência (x k ) gerada pelo Algoritmo 3.1, com busca exata. Se γ = então x k+1 γ x k, para todo k IN. 1 λ 1 λ n, Demonstração. Como d k = f(x k ) = Ax k, temos: x k+1 2 = (x k + t k d k ) T (x k + t k d k ) = (x k ) T x k + (x k ) T t k d k + (d k ) T t k x k + (d k ) T t 2 kd k = x k 2 + 2t k (x k ) T d k + (t k ) 2 (d k ) T d k = x k 2 + 2t k (x k ) T ( Ax k ) + (t k ) 2 ( Ax k ) T ( Ax k ) = x k 2 2t k (x k ) T Ax k + (t k ) 2 (x k ) T A 2 x k Pelo Lema 3.3 temos que: (d k ) T d k (d k ) T Ad k (xk ) T A 2 x k (x k ) T Ax k.
27 17 Como t k = (dk ) T d k > 0, temos (d k ) T Adk Assim, (t k ) 2 (x k ) T A 2 x k = t k (d k ) T d k (d k ) T Ad k (xk ) T A 2 x k t k (x k ) T Ax k. x k+1 2 = x k 2 2t k (x k ) T Ax k + (t k ) 2 (x k ) T A 2 x k x k 2 t k (x k ) T Ax k. anterior obtemos Caso x k = 0 não há nada a fazer. Suponha então que x k 0. Da relação x k+1 2 x k 2 xk 2 t k (x k ) T Ax k x k 2 = 1 t k(x k ) T Ax k x k 2 = 1 (dk ) T d k (d k ) T Ad k (xk ) T Ax k (x k ) T x k.(3.4) Pelo Lema 3.4 temos (d k ) T d k (d k ) T Ad k 1 λ n e (x k ) T Ax k (x k ) T x k λ 1. Substituindo isto em (3.4), segue que ( ) x k λ 1. x k λ n De acordo com a Definição 2.14, concluímos que a velocidade de convergência da sequência gerada pelo Algoritmo de Cauchy é linear, com taxa 1 λ 1. λ n
28 18 O Teorema 3.5 tem uma interpretação geométrica interessante. As curvas de nível de f são elipsóides cuja excentricidade depende da diferença entre o maior e o menor autovalor de A. Se λ 1 λ n então as curvas de nível são quase esferas e a convergência ocorre de forma mais veloz. Entretanto, se λ 1 << λ n os elipsóides ficam muito excêntricos e a convergência se dá de forma lenta. Veja ilustração na Figura 4. Figura 4: Passos do Algoritmo de Cauchy
29 19 4 MÉTODO DE NEWTON O método de Newton é uma das ferramentas mais importantes em otimização. Tanto o algoritmo básico quanto suas variantes são muito utilizados para minimização. Neste trabalho estudaremos o Método de Newton puro. Para isso utilizaremos as seguintes referências (FRIEDLANDER, ; IZMAILOV; SOLODOV, 2007; RIBEIRO; KARAS, 2010). 4.1 Método de Newton para Resolução de Equações Considere F : IR n (normalmente não linear) IR n de classe C 1 e o problema de resolver o sistema F (x) = 0. Como na maioria das vezes não conseguimos resolvê-lo de forma direta, os processos iterativos constituem a forma mais eficiente de lidar com tais situações. A idéia é aproximar F por seu polinômio de Taylor de primeira ordem. Dada uma estimativa x, considere o sistema linear F ( x) + J F ( x)(x x) = 0, (4.1) onde J F representa a matriz jacobiana de F. Caso J F ( x) seja inversível, o sistema (4.1) pode ser resolvido, fornecendo x = x (J F ( x)) 1 F ( x).
30 20 Isto corresponde a uma iteração do método de Newton para resolução de equações (veja a Figura 5). Figura 5: Uma iteração do Método de Newton para equações 4.2 Método de Newton para Otimização Irrestrita Agora consideremos o problema de minimização irrestrita minf(x) e x IR n (4.2) onde f : IR n IR é uma função de classe C 2. Os pontos estacionários deste problema são caracterizados pela equação f(x) = 0. Vamos então aplicar a relação (4.1) para F : IR n IR n dada por F (x) = f(x). Seja x k IR n uma aproximação de um ponto estacionário x do problema (4.2). A aproximação seguinte x k+1 é computada como solução do sistema de equações lineares f(x k ) + 2 f(x k )(x x k ) = 0 (4.3) em relação a x IR n. Supondo que 2 f(x k ) seja não-singular para todo k, obtemos o esquema iterativo seguinte: x k+1 = x k ( 2 f(x k )) 1 f(x k ), k = 0, 1,... (4.4)
31 Algoritmo Com base na relação (4.4) podemos agora formalizar o método de Newton para minimizar a função f. Basicamente, temos três variantes do algoritmo. Uma delas é o método puro, onde não fazemos busca unidirecional e aceitamos o passo completo (t k = 1 para todo k IN). As outras duas fazem uso de busca (exata ou Armijo), que podem ser encontradas em (RIBEIRO; KARAS, 2010). Algoritmo 4.1 Newton Dado: x 0 IR n k = 0 REPITA enquanto f(x k ) 0 Defina d k = ( f(x k )) 1 f(x k ) Determine o tamanho do passo t k > 0 Faça x k+1 = x k + t k d k k = k + 1 O Algoritmo de Newton pode não estar bem definido, caso a matriz Hessiana 2 f(x k ) seja singular. Além disso mesmo que o passo d k seja calculado, esta direção pode não ser de descida. Entretanto, se 2 f(x k ) é definida positiva, então o passo d k está bem definido e é uma direção de descida. O passo de Newton também pode ser obtido por uma abordagem diferente da que foi exposta acima. Para isso considere a aproximação de Taylor de segunda ordem de f, dada por p(x) = f(x k ) + f(x k ) T (x x k ) (x xk ) T 2 f(x k )(x x k ) Com o objetivo de minimizar p, fazemos f(x k ) + 2 f(x k )(x x k ) = p(x) = 0,
32 22 obtendo exatamente o passo d k do Algoritmo de Newton. (Veja a Figura 6). Esta última abordagem sugere que se o Método de Newton for aplicado em uma função quadrática, então basta uma iteração para resolver o problema. De fato, considere a quadrática f(x) = 1 2 xt Ax + b T x + c. Dado x 0 IR n, obtemos: d 0 = ( 2 f(x 0 )) 1 f(x 0 ) = A 1 (Ax 0 + b) = x 0 A 1 b. Portanto, o minimizador x é obtido em um só passo, pois x 1 = x 0 + d 0 = A 1 b = x. Figura 6: Uma iteração do Método de Newton 4.4 Convergência A direção de Newton pode não ser de descida, assim, não garantimos convergência global quando o problema a ser resolvido envolver uma função arbitrária. No entanto, para uma classe de funções convexas, podemos tirar conclusões positivas.
33 23 Lema 4.2 Suponha que 2 f( x) > 0. Então existem constantes δ > 0 e M > 0 tais que 2 f(x) > 0 e ( 2 f(x)) 1 M, para todo x B( x, δ). Demonstração. Seja λ > 0 o menor autovalor de 2 f( x). Pela continuidade de 2 f, dado ε = λ 2 existe δ > 0 tal que 2 f(x) 2 f( x) λ 2, (4.5) para todo x B( x, δ). Assim, dado d IR n, com d = 1, temos que d T 2 f(x)d = d T 2 f( x)d + d T [ 2 f(x) 2 f( x)]d (4.6) Note que, usando o Lema 3.4 temos que d T 2 f(x)d λ. Usando a desigualdade de Cauchy-Schwarz temos que, d T [ 2 f(x) 2 f( x)]d d 2 f(x) 2 f( x) d λ 2. Assim, da relação (4.6) concluímos que d T 2 f(x)d λ λ 2 = λ 2, provando que 2 f(x) é definida positiva para todo x B( x, δ). Para provar a outra afirmação, considere x B( x, δ). Vamos denotar A = 2 f( x) e B = 2 f(x). Usando novamente o Lema 3.4, agora aplicado em A 2, obtemos Ad 2 = Ad, Ad = (Ad) T Ad = d T A t Ad = d T A 2 d λ 2 d T d = λ 2 d 2 para todo d IR n. Portanto, usando a relação (4.5), concluímos que Bd = Ad + (B A)d Ad (B A)d λ d λ 2 d = λ 2 d.
34 24 Considere agora y IR n, com y = 1. Aplicando a relação acima para d = B 1 y, concluímos que 1 = y = BB 1 y λ 2 B 1 y. Mas B 1 B 1 x = sup x 0 x = sup x 0 B 1 x x 2 λ. Pela desigualdade acima, definindo M = 2, segue que λ completando a demonstração. ( 2 f(x)) 1 = B 1 M, Lema 4.3 Sejam U IR n aberto convexo e β = sup 2 f(x) 2 f(y). Então x,y U para todo x, y U. f(x) f(y) 2 f(y)(x y) β x y, Demonstração. Fixando y U, considere h(x) = f(x) 2 f(y)x. Assim, J h (x) = 2 f(x) 2 f(y) β para todo x U. Usando a Desigualdade do Valor Médio, obtemos f(x) f(y) 2 f(y)(x y) = h(x) h(y) β x y, completando a demonstração. Lema 4.4 Sejam U IR n aberto e convexo. Se 2 f é Lipschitz com constante L, então para todo x, y U. f(x) f(y) 2 f(y)(x y) L x y 2,
35 25 Demonstração. Fixados x, y U, defina β = L x y e h : IR n IR n dada por h(z) = f(z) 2 f(y)z. Assim, para todo z [x, y], como 2 f é Lipschitz temos J h (z) = 2 f(z) 2 f(y) L z y L x y = β. Usando a Desigualdade do Valor Médio, obtemos f(x) f(y) 2 f(y)(x y) = h(x) h(y) β x y = L x y 2, completando a demonstração. Teorema 4.5 Seja f : IR n IR de classe C 2. Suponha que x IR n seja um minimizador local de f,com 2 f( x) definida positiva. Então existe δ > 0 tal que se x 0 B( x, δ), o Algoritmo de Newton, aplicado com t k = 1 para todo k IN, gera uma sequência (x k ) tal que: (i) 2 f(x k ) é definida positiva, para todo k IN; (ii) (x k ) converge superlinearmente para x; (iii) Se 2 f é Lipschitz, então a convergência é quadrática. Demonstração. Sejam δ 1 e M as constantes definidas no Lema 4.2 e U 1 = B( x, δ 1 ). Assim, se x k U 1, o passo de Newton está bem definido e, como f( x) = 0, vale x k+1 x = ( 2 f(x k )) 1 ( f( x) f(x k ) 2 f(x k )( x x k )). (4.7) Pela continuidade de 2 f, para ε = 1 4M, existe δ 2 > 0 tal que 2 f(x) 2 f(x) 1 4M, para todo x B(x, δ 2 ). Se y B(x, δ 2 ), vale 2 f(y) 2 f(x) 1 4M,
36 26 Então 2 f(x) 2 f(y) = 2 f(x) 2 f(x) + 2 f(x) 2 f(y) 2 f(x) 2 f(x) + 2 f(y) + 2 f(x) 1 4M + 1 4M = 1 2M Portanto sup 2 f(x) 2 f(y) < 1 x,y U 2M, onde U = B(x, δ) e δ = min{δ 1, δ 2 }. Pelos Lemas 4.2 e 4.3, concluímos que x k+1 x ( 2 f(x k )) 1 f( x) f(x k ) 2 f(x k )( x x k ) Mβ x k x. Portanto x k+1 x 1 2 xk x. Isto prova que a sequência (x k ) está bem definida, que x k U, para todo k IN e que x k x, donde segue (i). Vejamos que a convergência é superlinear. Dado ε > 0, considere δ 0 < δ tal que sup 2 f(x) 2 f(y) < ε x,y U M, onde U 0 = B( x, δ 0 ). Tome k 0 IN tal que x k U 0, para todo k k 0. Aplicando novamente os Lemas 4.2 e 4.3 na relação (4.7), obtemos provando assim (ii). para obter x k+1 x ε x k x, Finalmente, se 2 f é Lipschitz, podemos usar os Lemas 4.2 e 4.4 em (4.7) completando a demonstração. x k+1 x ML x k x 2,
37 27 5 MÉTODO DA SEÇÃO ÁUREA Neste capítulo apresentamos a análise do Algoritmo da Seção Áurea e da sua velocidade de convergência. A referência (NOCEDAL; WRIGHT, 1999; RIBEIRO; KARAS, 2010) serão utilizadas para este estudo. 5.1 Busca Unidimensional Dada f : IR n IR, e um ponto x IR n e uma direção de descida d IR n, queremos encontrar t > 0 tal que f( x + td) < f( x). Figura 7: Busca unidimensional exata
38 28 Mais precisamente, temos que resolver o problema minimizar ϕ(t) = f( x + td) sujeito a t > 0. Este problema é, em geral, difícil de se resolver de forma exata. Entretanto, para certas funções especiais, existem algoritmos para resolvê-lo. Por isto, vamos agora definir função unimodal, para a qual existem algoritmos para minimizá-la. Em seguida veremos o algoritmo da seção áurea, que encontra um ponto próximo de um minimizador com a precisão que se queira. (Conforme ilustrado na Figura 7). 5.2 Método da Seção Áurea - Busca exata Ao aplicarmos o Método da Seção Áurea em funções unimodais obtemos resultados satisfatórios, por isso definiremos a seguir este tipo de função. Definição 5.1 Uma função contínua ϕ : [0, ) IR é dita unimodal quando admite um conjunto de minimizadores [t 1, t 2 ], é estritamente decrescente em [0, t 1 ] e estritamente crescente em [t 2, ). Veja os exemplos de funções unimodais a seguir e note que o intervalo de minimizadores [t 1, t 2 ] pode ser degenerado, como ilustrado no segundo gráfico. x 1 x 2 x 1 =x 2 Figura 8: Funções Unimodais
39 29 Para facilitar a descrição do algoritmo, vamos considerar a Figura 9. a u v b Figura 9: Seção áurea Descrição do Algoritmo Suponha que o minimizador de ϕ pertence ao intervalo [a, b] i) Considere a < u < v < b em [0, ) ii) Se ϕ(u) < ϕ(v) então o trecho (v, b] não pode conter o minimizador e pode ser descartado. iii) Se ϕ(u) ϕ(v) então o trecho [a, u) pode ser descartado. iv) Particione o intervalo que ficou e repita o processo. Agora vamos analisar como o intervalo [a, b] deve ser particionado. A obtenção deste intervalo, que deve conter um minimizador de ϕ será tratada adiante. A estratégia mais natural é dividir o intervalo em três partes iguais, ou seja, definir u = a (b a) e v = a + 2 (b a). 3 Desta forma descartamos 1 do intervalo a cada iteração, conforme ilustrado na 3 Figura 10. Além disso, se o intervalo descartado for o (v, b], temos como novo intervalo [a +, b + ], onde a + = a e b + = v, mas não podemos utilizar o antigo ponto u, calculado
40 30 na iteração anterior, o que é uma desvantagem. a u v b a + u + v + b + Figura 10: Intervalo dividido em três partes iguais Uma outra estratégia é escolher u e v que dividem o segmento [a, b] na razão áurea, de acordo com a definição dada seguir. Definição 5.2 Um ponto c divide o segmento [a, b] na razão áurea quando a razão entre o maior segmento e o segmento todo é igual à razão entre o menor e o maior dos 5 1 segmentos. Tal razão é conhecida como o número de ouro e vale Desta forma, temos que u e v devem satisfazer b u b a = u a b u e v a b a = b v v a (5.1) Considerando θ 1 e θ 2 tais que Substituindo u em (5.1) temos: u = a + θ 1 (b a) e v = a + θ 2 (b a) (5.2) b (a + θ 1 (b a)) b a = a + θ 1(b a) a b (a + θ 1 (b a)) Desta forma, obtemos: (b a)(1 θ 1 ) b a = θ 1 (b a) (1 θ 1 )(b a) 1 θ 1 = θ 1 1 θ 1 (5.3)
41 31 Analogamente se substituirmos v em (5.1) obtemos: θ 2 = 1 θ 2 θ 2 (5.4) Como u, v [a, b], encontramos θ 1 = relações (5.3) e (5.4) temos: 0, 382 e θ 2 = , 618. Das (1 θ 1 ) 2 = θ 1 (5.5) E, ainda (θ 2 ) 2 = 1 θ 2 (5.6) Se α = 1 θ 1. Da relação (5.5), α 2 = 1 α. Então por (5.6), temos que α = θ 2. Assim apresentamos outras duas relações importantes: (θ 2 ) 2 = θ 1 e θ 1 + θ 2 = 1 (5.7) Uma das vantagens da divisão na razão áurea em relação à divisão em três partes iguais é que descartamos mais de 38% do intervalo ao invés de 33, 33%. Outra vantagem, é que podemos aproveitar o ponto u ou v após termos descartado o intevalo [v, b] ou [a, u] na iteração anterior. Indicamos por [a +, b + ] o novo intervalo que será particionado pelos ponto u + e v +. Conforme veremos no próximo resultado, o ponto v é aproveitado na próxima etapa e passa a ser u + quando descartamos [a, u). Assim, o valor da função ϕ(v) é aproveitado para a próxima etapa.
42 32 Lema 5.3 Na seção áurea, se [a, u) é descartado então u + = v. Demonstração. Como [a, u] foi descartado então a + = u e b + = b. Logo, temos que: u + = a + + θ 1 (b + a + ) = u + θ 1 (b u) = a + θ 1 (b a) + θ 1 (b (a + θ 1 (b a))) = a + (2θ 1 (θ 1 ) 2 )(b a) Note que, da relação (5.7), temos (θ 1 ) 2 = 3θ 1 1. Então, u + = a + (2θ 1 3θ 1 + 1)(b a) = a + (1 θ 1 )(b a) = a + θ 2 (b a) = v A Figura 11 ilustra o Lema 5.3. a u v b a + u + v + b + Figura 11: Partição do intervalo [a, b]
43 33 Lema 5.4 Na seção áurea, se (v, b] é descartado então v + = u. Demonstração. Como (v, b] é descartado então a + = a e b + = v. Usando (5.2) e a relação (5.6) obtemos: v + = a + + θ 2 (b + a + ) = a + θ 2 (v a) = a + θ 2 (a + θ 2 (b a) a) = a + θ 2 2 (b a) = a + θ 1 (b a) = u A Figura 12 a ilustra o Lema 5.4. a u v b a + u + v + b + Figura 12: Partição do intervalo [a, b] Apresentamos agora o algoritmo da seção áurea, que tem duas fases. Na primeira, obtemos um intervalo [a, b] que contém um minimizador de ϕ. A idéia desta etapa é considerar um intervalo inicial [0, 2ρ], com ρ > 0, e ampliá-lo, deslocando para a direita, até que um crescimento de ϕ seja detectado. Na segunda fase, o intervalo [a, b] é reduzido, por meio do descarte de subintervalos, até que reste um intervalo de tamanho suficiente para que uma precisão ε seja alcançada.
44 Algoritmo Algoritmo 5.5 Seção Áurea Dados ρ > 0; ε > 0 Fase 1: Obtenção do intervalo [a, b] a 0 = 0, s 0 = ρ e b 0 = 2ρ k = 0 REPITA enquanto ϕ(b k ) < ϕ(s k ) a = a k e b = b k a k+1 = s k, s k+1 = b k e b k+1 = 2b k k = k + 1 Fase 2: Obtenção de t [a, b] a 0 = a, b 0 = b u 0 = a 0 + θ 1 (b 0 a 0 ), v 0 = a 0 + θ 2 (b 0 a 0 ) k = 0 REPITA enquanto b k a k > ε Defina t = u k + v k 2 SE ϕ(u k ) < ϕ(v k ) a k+1 = a k, b k+1 = v k, u k+1 = a k+1 + θ 1 (b k+1 a k+1 ) SENÃO a k+1 = u k, b k+1 = b k, u k+1 = a k+1 + θ 2 (b k+1 a k+1 ) k = k + 1 Mas o algoritmo realmente funciona? Na primeira fase, após um número finito de etapas é possível encontrar um intervalo [a, b] que contém pelo menos um minimizador? Este é um resultado que será demonstrado no teorema a seguir.
45 35 Teorema 5.6 O Algoritmo da Seção Áurea, na primeira fase, encontra um intervalo [a, b] que contém pelo menos um minimizador da função em um número finito de iterações. Demonstração. Vejamos inicialmente que o loop da primeira fase é finito. Suponha por absurdo que ϕ(b k ) < ϕ(s k ), para todo k IN. Então s k, pois s k+1 = b k = 2b k 1 = 2s k. Assim, existe k IN tal que s k t 1. Como ϕ é unimodal, ela é não decrescente em [t 1, ). Logo ϕ(b k ) ϕ(s k ), uma contradição. Portanto, a Fase 1 do algoritmo termina em um certo k IN. Resta ver que o intervalo obtido de fato contém um minimizador de ϕ. Temos dois casos a considerar. (i) Caso s k < t 1, temos b k > t 2, pois do contrário teríamos ϕ(b k ) < ϕ(s k ). Veja o primeiro gráfico na Figura 13. Assim, [t 1, t 2 ] [s k, b k ] [a k, b k ]. (ii) Caso s k t 1, afirmamos que a k < t 1 (veja o segundo gráfico na Figura 13). De fato, note que a k = { 0, se k = 0 s k 1, caso contrário. Se fosse s k 1 t 1, teríamos ϕ(b k 1 ) ϕ(s k 1 ) e a Fase 1 teria terminado na iteração k 1 ao invés da iteração k. Temos então a k < t 1 s k < b k, o que implica que t 1 [a k, b k ].
46 36 Figura 13: Análise da primeira etapa do algoritmo A seguir enuciaremos o teorema que analisa se na segunda fase do algoritmo ao descartar um dos intervalos aquele que sobrou contém um minimizador. Teorema 5.7 Seja ϕ uma função unimodal. (i) Se ϕ(v) ϕ(u) e o intervalo [a, u) é descartado, então o intervalo que sobrou [u, b] contém pelo menos um minimizador. (ii) Se ϕ(v) > ϕ(u) e o intervalo (v, b] é descartado, então o intervalo que sobrou [a, v] contém pelo menos um minimizador. Demonstração. Considere [t 1, t 2 ] o intervalo de minimizadores da Definição 5.1. (i) Suponha por absurdo que não existe minimizador em (u, b], portanto, existe um mínimo t [a, u). Note que t 2 < u pois do contrário teríamos t 2 > b e assim [u, b] [t, t 2 ] [t 1, t 2 ], o que é uma contradição, pois estamos supondo que não existe minimizador em (u, b]. Veja ilustração na Figura 14. Como ϕ é unimodal, ou seja, é estritamente crescente em [t 2, ), temos que t 2 < u < v, implica em ϕ(u) < ϕ(v), o que contradiz a hipótese.
47 37 (ii) Suponha por absurdo que não exista minimizador no intervalo [a, v], portanto existe um mínimo t (v, b]. Note que t 1 > v pois do contrário teríamos t 1 < a e assim [a, v] [t 1, t ] [t 1, t 2 ], o que é uma contradição, pois estamos supondo que não existe minimizador em [a, v]. Como ϕ é unimodal, ou seja, é estritamente decrescente em [0, t 1 ], temos que u < v < t 1, implica em ϕ(u) > ϕ(v), o que contradiz a hipótese. Figura 14: Análise do item (i) do teorema Convergência do Método da Seção Áurea Antes de analisarmos a convergência do método, iremos enunciar um teorema auxiliar que prova a convergência do tamanho do intervalo [a k, b k ] obtido na primeira etapa que contém o minimizador da função. Teorema 5.8 Seja [a k, b k ] o intervalo obtido pelo algoritmo da seção áurea, então b k a k 0. Demonstração. Seja r k o tamanho do intervalo [a k, b k ], ou seja, r k = b k a k. Como o Método da Seção Áurea descarta mais de 38% do intervalo [a 0, b 0 ], ou seja, descarta θ 1 = , temos que b 1 a 1 = r 1 = r 0 θ 1 r 0 = r 0 θ 2. Repetindo o 2 processo com o intervalo de cada iteração, temos: b 2 a 2 = r 2 = r 0 θ 2 θ 1 (r 0 θ 2 ) = r 0 θ 2 (1 θ 1 ) = r 0 (θ 2 ) 2 b k a k = r 0 (θ 2 ) k
48 38 Como r 0 > 0 é uma constante e θ 2 (0, 1), Concluímos, assim que b k a k 0. lim r 0(θ 2 ) k = r 0 lim (θ 2 ) k = 0. k k E as sequências (a k ), (u k ), (v k ) e (b k ) convergem? Como as sequências (a k ) e (b k ) são monótonas, limitadas inferiormentes por a 0 e superiormente por b 0, de acordo com o Teorema 2.9 estas sequências convergem. O próximo teorema estabelece a convergência para um minimizador de ϕ. Teorema 5.9 Seja ϕ uma função unimodal conforme a Definição 5.1. Então as sequências (a k ), (u k ), (v k ) e (b k ) convergem para um minimizador de ϕ em [t 1, t 2 ]. Demonstração. Como (a k ) é não decrescente e limitada temos a k a. Além disso, (b k ) é não crescente e limitada. Então b k b. Sabemos pelo Teorema 5.8 que a k b k 0, mas a k b k a b. Logo, a = b = t. Como a k u k v k b k, o teorema do confronto garante que u k t e v k t. Devemos agora provar que t é um minimizador de ϕ. Seja r k um minimizador de ϕ em [a k, b k ]. Então, pelo Teorema do Confronto temos que r k t. Como (r k ) é uma sequência de minimizadores da função ϕ que pertencem ao conjunto [t 1, t 2 ] e ainda, r k t, temos que t é ponto de acumulação de [t 1, t 2 ]. Mas [t 1, t 2 ] é fechado, logo t [t 1, t 2 ]. Agora vejamos um caso particular de função unimodal. Considere que a função ϕ seja quadrática, ou seja, tenha apenas um minimizador t, assim t 1 = t 2 = t. Como sugere a Figura 15, provaremos que o minimizador da função objetivo pertence a todo intervalo [a k, b k ].
49 39 Figura 15: Todos os intervalos [a k, b k ] contém o minimizador da função quadrática. Teorema 5.10 Seja t o minimizador da função quadrática, então t [a k, b k ], para todo k. Demonstração. Suponha que na primeira iteração do Método da Seção Áurea, [a 0, u 0 ) foi descartado. (O outro caso é análogo) Pelo lema 5.3 temos que a 1 = u 0 e b 1 = b 0. Assim, t [a 1, b 1 ] [a 0, b 0 ]. Aplicando o algoritmo sucessivamente, temos que t [a n, b n ] [a n 1, b n 1 ] [a 0, b 0 ]. Assim temos que t [a k, b k ] para todo k IN. Teorema 5.11 Seja (t k ) a sequência definida por t k minimizador da função quadrática. Então t k t. = u k + v k 2 = a k + b k 2 e t o Demonstração. De acordo com o Teorema 5.10 temos que b k a k 0. E pelo Teorema 5.10 temos que t [a k, b k ], para todo k. Como (t k ) [a k, b k ], concluímos que t k converge para o minimizador t.
50 Velocidade de Convergência Provaremos que a velocidade de convergência da sequência b k é linear com taxa de convergência igual ao número de ouro. Suponha que o intervalo (v k, b k ] foi descartado. Assim temos que a k+1 = a k, v k+1 = u k e b k+1 = v k. Teorema 5.12 As sequências (a k ) e (b k ) geradas pelo Algoritmo da Seção Áurea tem convergência linear e a taxa de convergência é θ 2, ou seja, b k+1 t θ 2 b k t para todo k IN. Demonstração. Para simplificar a notação vamos suprimir o indice k. função g : [a, v] IR, onde g(t) = v k t, temos que: b k t Considere a g (t) = ( 1)(b t) (a + θ 2(b a) t)( 1) (b t) 2 = b + t + a + θ 2(b a) t (b t) 2 = (b a)( 1 + θ 2) (b t) 2 = θ 1(b a) (b t) 2 < 0 para todo t [a, v]. Como g é negativa, então g é decrescente. Portanto para todo t [a, v]. g(t) g(a) = v a b a = a + θ 2(b a) a b a Em particular para t [a, v], temos que: = θ 2, b k+1 t b k t = v k t b k t = g(t) θ 2 Portanto a sequência (b k ) gerada pelo algoritmo tem convergência linear e a taxa de convergência o número de ouro. O outro caso é análogo.
51 41 6 CONCLUSÃO Neste trabalho, utilizamos alguns conceitos de Análise para introduzir o estudo de velocidade de convergência das sequências geradas pelos algoritmos clássicos de otimização irrestrita. Concentramos nosso estudo em três velocidades de convergência: linear, superlinear e quadrática. Como para fins práticos é fundamental que os algoritmos tenham uma convergência rápida, discutimos alguns métodos clássicos para otimização irrestrita. O método de Cauchy que faz a cada iteração uma busca unidirecional na direção de maior decrescimento da função, ou seja, na direção oposta ao gradiente. A sequência gerada por este algoritmo tem convergência global e a velocidade de convergência linear. Se a função objetivo for de classe C 2 e o ponto inicial estiver próximo de um minimizador, o método de Newton gera uma sequência que converge superlinearmente. Caso a Hessiana da função a ser minimizada seja Lipschitz, então a convergência do método de Newton é quadrática. Concluindo assim, que o Algoritmo de Newton encontra o minimizador mais rapidamente que o Algoritmo de Cauchy. Nos métodos de busca unidimensional, precisamos minimizar uma função a partir de um certo ponto, segundo uma direção dada, que é a direção de busca. Este problema é equivalente a minimizar uma função real de uma variável, um dos métodos que podem ser usados para resolver este problema é o Método da Seção Áurea, que faz a minimização exata desta função. Analisamos as etapas deste algoritmo, ou seja, se na primeira fase o algoritmo encontra o intervalo com pelo menos um minimizador, o que de fato ocorre, além de que ao descartar intervalos em cada iteração do algoritmo, o
52 42 intervalo que sobrou contém pelo menos um minimizador. Mostramos que o algoritmo realmente converge para um minimizador. E finalmente, demonstramos que a sequência (a k ) ou (b k ) gerada pelo algoritmo converge linearmente, com taxa o número de ouro. Realizamos o estudo deste capítulo com base nas literaturas já citadas ao longo do trabalho, mas os resultados demonstrados obtemos com um estudo independente.
53 43 Referências FRIEDLANDER, A. Elementos de Programação Não-Linear. [S.l.]: Unicamp. IZMAILOV, A.; SOLODOV, M. Otimização: Métodos Computacionais. Rio de Janeiro: IMPA, LEON, S. J. Álgebra Linear com Aplicações. Rio de Janeiro: [s.n.], LIMA, E. L. Curso de Análise, v 1. Rio de Janeiro, Brasil: IMPA, LIMA, E. L. Curso de Análise, v 2. Rio de Janeiro, Brasil: IMPA, MOTA, A. M. Convergência de Algoritmos para Programação Não-linear. Brasil, NOCEDAL, J.; WRIGHT, S. J. Numerical Optimization. [S.l.]: Springer-Verlag, (Springer Series in Operations Research). RIBEIRO, A. A.; KARAS, E. W. Um Curso de Otimização. [S.l.: s.n.], 2010.
Exercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia mais36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase
36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase Problema 1 Turbo, o caracol, está participando de uma corrida Nos últimos 1000 mm, Turbo, que está a 1 mm por hora, se motiva e
Leia maisEquações Diferenciais Ordinárias
Capítulo 8 Equações Diferenciais Ordinárias Vários modelos utilizados nas ciências naturais e exatas envolvem equações diferenciais. Essas equações descrevem a relação entre uma função, o seu argumento
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisUniversidade Federal de São Carlos Departamento de Matemática 083020 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/04/2008
Universidade Federal de São Carlos Departamento de Matemática 08300 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/0/008 1. (0 pts.) Considere o sistema de ponto flutuante normalizado
Leia maisLista 1 para a P2. Operações com subespaços
Lista 1 para a P2 Observação 1: Estes exercícios são um complemento àqueles apresentados no livro. Eles foram elaborados com o objetivo de oferecer aos alunos exercícios de cunho mais teórico. Nós sugerimos
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisUm estudo sobre funções contínuas que não são diferenciáveis em nenhum ponto
Um estudo sobre funções contínuas que não são diferenciáveis em nenhum ponto Maria Angélica Araújo Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação
Leia maisExp e Log. Roberto Imbuzeiro Oliveira. 21 de Fevereiro de 2014. 1 O que vamos ver 1. 2 Fatos preliminares sobre espaços métricos 2
Funções contínuas, equações diferenciais ordinárias, Exp e Log Roberto Imbuzeiro Oliveira 21 de Fevereiro de 214 Conteúdo 1 O que vamos ver 1 2 Fatos preliminares sobre espaços métricos 2 3 Existência
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maispor séries de potências
Seção 23: Resolução de equações diferenciais por séries de potências Até este ponto, quando resolvemos equações diferenciais ordinárias, nosso objetivo foi sempre encontrar as soluções expressas por meio
Leia maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia mais1 Propriedades das Funções Contínuas 2
Propriedades das Funções Contínuas Prof. Doherty Andrade 2005 Sumário 1 Propriedades das Funções Contínuas 2 2 Continuidade 2 3 Propriedades 3 4 Continuidade Uniforme 9 5 Exercício 10 1 1 PROPRIEDADES
Leia maisProva de Admissão para o Mestrado em Matemática IME-USP - 23.11.2007
Prova de Admissão para o Mestrado em Matemática IME-USP - 23.11.2007 A Nome: RG: Assinatura: Instruções A duração da prova é de duas horas. Assinale as alternativas corretas na folha de respostas que está
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) II Métodos numéricos para encontrar raízes (zeros) de funções reais. Objetivos:
Leia maisSOCIEDADE BRASILEIRA DE MATEMÁTICA MESTRADO PROFISSIONAL EM REDE NACIONAL PROFMAT
SOCIEDADE BRASILEIRA DE MATEMÁTICA MESTRADO PROFISSIONAL EM REDE NACIONAL PROFMAT GABARITO da 3 a Avaliação Nacional de Aritmética - MA14-21/12/2013 Questão 1. (pontuação: 2) (1,0) a) Enuncie e demonstre
Leia maisQUESTÕES COMENTADAS E RESOLVIDAS
LENIMAR NUNES DE ANDRADE INTRODUÇÃO À ÁLGEBRA: QUESTÕES COMENTADAS E RESOLVIDAS 1 a edição ISBN 978-85-917238-0-5 João Pessoa Edição do Autor 2014 Prefácio Este texto foi elaborado para a disciplina Introdução
Leia maisExercícios 1. Determinar x de modo que a matriz
setor 08 080509 080509-SP Aula 35 MATRIZ INVERSA Uma matriz quadrada A de ordem n diz-se invertível, ou não singular, se, e somente se, existir uma matriz que indicamos por A, tal que: A A = A A = I n
Leia maisNotas sobre a Fórmula de Taylor e o estudo de extremos
Notas sobre a Fórmula de Taylor e o estudo de etremos O Teorema de Taylor estabelece que sob certas condições) uma função pode ser aproimada na proimidade de algum ponto dado) por um polinómio, de modo
Leia maisChapter 2. 2.1 Noções Preliminares
Chapter 2 Seqüências de Números Reais Na Análise os conceitos e resultados mais importantes se referem a limites, direto ou indiretamente. Daí, num primeiro momento, estudaremos os limites de seqüências
Leia maisEquações Diferenciais Ordinárias
Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +
Leia mais1 Propagação de Onda Livre ao Longo de um Guia de Ondas Estreito.
1 I-projeto do campus Programa Sobre Mecânica dos Fluidos Módulos Sobre Ondas em Fluidos T. R. Akylas & C. C. Mei CAPÍTULO SEIS ONDAS DISPERSIVAS FORÇADAS AO LONGO DE UM CANAL ESTREITO As ondas de gravidade
Leia maisKarine Nayara F. Valle. Métodos Numéricos de Euler e Runge-Kutta
Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Professor Orientador: Alberto Berly Sarmiento Vera Belo Horizonte 2012 Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Monografia
Leia maisTeorema de Taylor. Prof. Doherty Andrade. 1 Fórmula de Taylor com Resto de Lagrange. 2 Exemplos 2. 3 Exercícios 3. 4 A Fórmula de Taylor 4
Teorema de Taylor Prof. Doherty Andrade Sumário 1 Fórmula de Taylor com Resto de Lagrange 1 2 Exemplos 2 3 Exercícios 3 4 A Fórmula de Taylor 4 5 Observação 5 1 Fórmula de Taylor com Resto de Lagrange
Leia maisSingularidades de Funções de Variáveis Complexas
Singularidades de Funções de Variáveis Complexas AULA 11 META: Introduzir o conceito de singularidades de funções de variáveis complexas. OBJETIVOS: Ao fim da aula os alunos deverão ser capazes de: Definir
Leia maisMaterial Teórico - Módulo de Divisibilidade. MDC e MMC - Parte 1. Sexto Ano. Prof. Angelo Papa Neto
Material Teórico - Módulo de Divisibilidade MDC e MMC - Parte 1 Sexto Ano Prof. Angelo Papa Neto 1 Máximo divisor comum Nesta aula, definiremos e estudaremos métodos para calcular o máximo divisor comum
Leia maisCurvas de nível homotópicas a um ponto
Curvas de nível homotópicas a um ponto Praciano-Pereira, T Sobral Matemática 6 de agosto de 2011 tarcisio@member.ams.org pré-prints da Sobral Matemática no. 2011.03 Editor Tarcisio Praciano-Pereira, tarcisio@member.ams.org
Leia maisAula 9 Plano tangente, diferencial e gradiente
MÓDULO 1 AULA 9 Aula 9 Plano tangente, diferencial e gradiente Objetivos Aprender o conceito de plano tangente ao gráfico de uma função diferenciável de duas variáveis. Conhecer a notação clássica para
Leia maisMatemática para Engenharia
Matemática para Engenharia Profa. Grace S. Deaecto Faculdade de Engenharia Mecânica / UNICAMP 13083-860, Campinas, SP, Brasil. grace@fem.unicamp.br Segundo Semestre de 2013 Profa. Grace S. Deaecto ES401
Leia maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisIntrodução ao estudo de equações diferenciais
Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações
Leia maisO Teorema da Função Inversa e da Função Implícita
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência c Publicação eletrônica do KIT http://www.dma.uem.br/kit O Teorema da Função Inversa
Leia maisAV1 - MA 12-2012. (b) Se o comprador preferir efetuar o pagamento à vista, qual deverá ser o valor desse pagamento único? 1 1, 02 1 1 0, 788 1 0, 980
Questão 1. Uma venda imobiliária envolve o pagamento de 12 prestações mensais iguais a R$ 10.000,00, a primeira no ato da venda, acrescidas de uma parcela final de R$ 100.000,00, 12 meses após a venda.
Leia maisMÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIAS
MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIS Como vimos no módulo 1, para que nós possamos extrair dos dados estatísticos de que dispomos a correta análise e interpretação, o primeiro passo deverá ser a correta
Leia maisUnidade II - Sistemas de Equações Lineares
Unidade II - Sistemas de Equações Lineares 1- Situando a Temática Discutiremos agora um dos mais importantes temas da matemática: Sistemas de Equações Lineares Trata-se de um tema que tem aplicações dentro
Leia mais1) Eficiência e Equilíbrio Walrasiano: Uma Empresa
1) Eficiência e Equilíbrio Walrasiano: Uma Empresa Suponha que há dois consumidores, Roberto e Tomás, dois bens abóbora (bem 1) e bananas (bem ), e uma empresa. Suponha que a empresa 1 transforme 1 abóbora
Leia maisRetas e Planos. Equação Paramétrica da Reta no Espaço
Retas e lanos Equações de Retas Equação aramétrica da Reta no Espaço Considere o espaço ambiente como o espaço tridimensional Um vetor v = (a, b, c) determina uma direção no espaço Dado um ponto 0 = (x
Leia maisTexto 07 - Sistemas de Partículas. A figura ao lado mostra uma bola lançada por um malabarista, descrevendo uma trajetória parabólica.
Texto 07 - Sistemas de Partículas Um ponto especial A figura ao lado mostra uma bola lançada por um malabarista, descrevendo uma trajetória parabólica. Porém objetos que apresentam uma geometria, diferenciada,
Leia maisCapítulo 7. Topologia Digital. 7.1 Conexidade
Capítulo 7 Topologia Digital A Topologia Digital estuda a aplicação das noções definidas em Topologia sobre imagens binárias. Neste capítulo vamos introduzir algumas noções básicas de Topologia Digital,
Leia maisESPAÇOS MUNIDOS DE PRODUTO INTERNO
ESPAÇOS MUNIDOS DE PRODUTO INTERNO Angelo Fernando Fiori 1 Bruna Larissa Cecco 2 Grazielli Vassoler 3 Resumo: O presente trabalho apresenta um estudo sobre os espaços vetoriais munidos de produto interno.
Leia mais6 SINGULARIDADES E RESÍDUOS
6 SINGULARIDADES E RESÍDUOS Quando uma função f (z) não é diferenciável num complexo z 0 ; diremos que z 0 é uma singularidade de f (z) ; z 0 dir-se-á uma singularidade isolada de f (z) se, contudo, f
Leia mais9. Derivadas de ordem superior
9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de
Leia maisPotenciação no Conjunto dos Números Inteiros - Z
Rua Oto de Alencar nº 5-9, Maracanã/RJ - tel. 04-98/4-98 Potenciação no Conjunto dos Números Inteiros - Z Podemos epressar o produto de quatro fatores iguais a.... por meio de uma potência de base e epoente
Leia maisUm jogo de preencher casas
Um jogo de preencher casas 12 de Janeiro de 2015 Resumo Objetivos principais da aula de hoje: resolver um jogo com a ajuda de problemas de divisibilidade. Descrevemos nestas notas um jogo que estudamos
Leia maisE A D - S I S T E M A S L I N E A R E S INTRODUÇÃO
E A D - S I S T E M A S L I N E A R E S INTRODUÇÃO Dizemos que uma equação é linear, ou de primeiro grau, em certa incógnita, se o maior expoente desta variável for igual a um. Ela será quadrática, ou
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia maisUniversidade Federal do Rio Grande do Norte. Centro De Ciências Exatas e da Terra. Departamento de Física Teórica e Experimental
Universidade Federal do Rio Grande do Norte Centro De Ciências Exatas e da Terra Departamento de Física Teórica e Experimental Programa de Educação Tutorial Curso de Nivelamento: Pré-Cálculo PET DE FÍSICA:
Leia maisCurvas em coordenadas polares
1 Curvas em coordenadas polares As coordenadas polares nos dão uma maneira alternativa de localizar pontos no plano e são especialmente adequadas para expressar certas situações, como veremos a seguir.
Leia maisExercícios resolvidos P2
Exercícios resolvidos P Questão 1 Dena as funções seno hiperbólico e cosseno hiperbólico, respectivamente, por sinh(t) = et e t e cosh(t) = et + e t. (1) 1. Verique que estas funções satisfazem a seguinte
Leia maisMaterial Teórico - Aplicações das Técnicas Desenvolvidas. Exercícios e Tópicos Relacionados a Combinatória. Segundo Ano do Ensino Médio
Material Teórico - Aplicações das Técnicas Desenvolvidas Exercícios e Tópicos Relacionados a Combinatória Segundo Ano do Ensino Médio Prof Cícero Thiago Bernardino Magalhães Prof Antonio Caminha Muniz
Leia mais4. Tangentes e normais; orientabilidade
4. TANGENTES E NORMAIS; ORIENTABILIDADE 91 4. Tangentes e normais; orientabilidade Uma maneira natural de estudar uma superfície S consiste em considerar curvas γ cujas imagens estão contidas em S. Se
Leia maisNotas Para um Curso de Cálculo. Daniel V. Tausk
Notas Para um Curso de Cálculo Avançado Daniel V. Tausk Sumário Capítulo 1. Diferenciação... 1 1.1. Notação em Cálculo Diferencial... 1 1.2. Funções Diferenciáveis... 8 Exercícios para o Capítulo 1...
Leia maisTestedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado
Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro
Leia maisPropriedades das Funções Deriváveis. Prof. Doherty Andrade
Propriedades das Funções Deriváveis Prof Doerty Andrade 2005 Sumário Funções Deriváveis 2 Introdução 2 2 Propriedades 3 3 Teste da derivada segunda para máimos e mínimos 7 2 Formas indeterminadas 8 2 Introdução
Leia maisFACULDADE DE CIÊNCIA E TECNOLOGIA. Cursos de Engenharia. Prof. Álvaro Fernandes Serafim
FACULDADE DE CIÊNCIA E TECNOLOGIA Cursos de Engenharia Prof. Álvaro Fernandes Serafim Última atualização: //7. Esta apostila de Álgebra Linear foi elaborada pela Professora Ilka Rebouças Freire. A formatação
Leia maisA Torre de Hanói e o Princípio da Indução Matemática
A Torre de Hanói e o Princípio da Indução Matemática I. O jogo A Torre de Hanói consiste de uma base com três pinos e um certo número n de discos de diâmetros diferentes, colocados um sobre o outro em
Leia maisCálculo em Computadores - 2007 - trajectórias 1. Trajectórias Planas. 1 Trajectórias. 4.3 exercícios... 6. 4 Coordenadas polares 5
Cálculo em Computadores - 2007 - trajectórias Trajectórias Planas Índice Trajectórias. exercícios............................................... 2 2 Velocidade, pontos regulares e singulares 2 2. exercícios...............................................
Leia maisAlém do Modelo de Bohr
Além do Modelo de Bor Como conseqüência do princípio de incerteza de Heisenberg, o conceito de órbita não pode ser mantido numa descrição quântica do átomo. O que podemos calcular é apenas a probabilidade
Leia maisφ(x,y,y',y'',y''',..., d n y/dx n ) = 0 (1) Esta equação é de n-ésima ordem e tem somente uma variável independente, x.
245 Capítulo 15 Resolução numérica de equações diferenciais Para podermos investigar exemplos de simulação que surgem na Física, Engenharia, Biomatemática etc., estudamos, neste capítulo, alguns métodos
Leia maisSistemas Lineares. Módulo 3 Unidade 10. Para início de conversa... Matemática e suas Tecnologias Matemática
Módulo 3 Unidade 10 Sistemas Lineares Para início de conversa... Diversos problemas interessantes em matemática são resolvidos utilizando sistemas lineares. A seguir, encontraremos exemplos de alguns desses
Leia maisEquações Diferenciais
Equações Diferenciais EQUAÇÕES DIFERENCIAS Em qualquer processo natural, as variáveis envolvidas e suas taxas de variação estão interligadas com uma ou outras por meio de princípios básicos científicos
Leia maisAula 6 Derivadas Direcionais e o Vetor Gradiente
Aula 6 Derivadas Direcionais e o Vetor Gradiente MA211 - Cálculo II Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade Estadual
Leia maisINSTITUTO TECNOLÓGICO
PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA
Leia maisControlabilidade e Observabilidade
IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP contr 1/18 Controlabilidade e Observabilidade Sfrag replacements R 1 R 2 + u C 1 C 2 R 3 y A tensão no capacitor C 2 não pode ser controlada pela entrada
Leia maisPARTE 2 FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL
PARTE FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL.1 Funções Vetoriais de Uma Variável Real Vamos agora tratar de um caso particular de funções vetoriais F : Dom(f R n R m, que são as funções vetoriais de uma
Leia maisFUNÇÃO DE 1º GRAU. = mx + n, sendo m e n números reais. Questão 01 Dadas as funções f de IR em IR, identifique com um X, aquelas que são do 1º grau.
FUNÇÃO DE 1º GRAU Veremos, a partir daqui algumas funções elementares, a primeira delas é a função de 1º grau, que estabelece uma relação de proporcionalidade. Podemos então, definir a função de 1º grau
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia mais4Distribuição de. freqüência
4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva
Leia maisAnálise Complexa e Equações Diferenciais 1 ō Semestre 2015/2016
Análise Complexa e Equações Diferenciais ō Semestre 205/206 ō Teste, versão A (Cursos: LEIC-A, MEAmbi, MEBiol, MEQ). Considere a função u : R 2 R dada por onde a e b são duas constantes reais. 09 de Abril
Leia maisMaterial Teórico - Módulo de Métodos sofisticados de contagem. Princípio das Casas dos Pombos. Segundo Ano do Ensino Médio
Material Teórico - Módulo de Métodos sofisticados de contagem Princípio das Casas dos Pombos Segundo Ano do Ensino Médio Prof. Cícero Thiago Bernardino Magalhães Prof. Antonio Caminha Muniz Neto Em Combinatória,
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) III Resolução de sistemas lineares por métodos numéricos. Objetivos: Veremos
Leia maisTONALIDADE X FREQUÊNICA
Som, notas e tons TONALIDADE X FREQUÊNICA O violão é um instrumento musical e o seu objetivo é fazer música. Música é a organização de sons em padrões que o cérebro humano acha agradável (ou pelo menos
Leia maisEduardo Camponogara. DAS-5103: Cálculo Numérico para Controle e Automação. Departamento de Automação e Sistemas Universidade Federal de Santa Catarina
Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-5103: Cálculo Numérico para Controle e Automação 1/48 Sumário Arredondamentos Erros 2/48 Sumário Arredondamentos
Leia maisFunção. Definição formal: Considere dois conjuntos: o conjunto X com elementos x e o conjunto Y com elementos y. Isto é:
Função Toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça corresponder a todo elemento do primeiro conjunto um único elemento do segundo, ocorre uma função. Definição formal:
Leia maisPP 301 Engenharia de Reservatórios I 11/05/2011
PP 301 Engenharia de Reservatórios I 11/05/2011 As informações abaixo têm como objetivo auxiliar o aluno quanto à organização dos tópicos principais abordados em sala e não excluem a necessidade de estudo
Leia maisMatemática Básica - 08. Função Logarítmica
Matemática Básica Função Logarítmica 08 Versão: Provisória 0. Introdução Quando calculamos as equações exponenciais, o método usado consistia em reduzirmos os dois termos da equação à mesma base, como
Leia maisSociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional. n=1
Sociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional MA Números e Funções Reais Avaliação - GABARITO 3 de abril de 203. Determine se as afirmações a seguir são verdadeiras
Leia maisFração como porcentagem. Sexto Ano do Ensino Fundamental. Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M.
Material Teórico - Módulo de FRAÇÕES COMO PORCENTAGEM E PROBABILIDADE Fração como porcentagem Sexto Ano do Ensino Fundamental Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M. Neto
Leia maisEQUAÇÕES DIFERENCIAIS
GRUPO Educação adistância Caderno de Estudos EQUAÇÕES DIFERENCIAIS Prof. Ruy Piehowiak Editora UNIASSELVI 2012 NEAD Copyright Editora UNIASSELVI 2012 Elaboração: Prof. Ruy Piehowiak Revisão, Diagramação
Leia maisXXVI Olimpíada de Matemática da Unicamp. Instituto de Matemática, Estatística e Computação Científica Universidade Estadual de Campinas
Gabarito da Prova da Primeira Fase 15 de Maio de 010 1 Questão 1 Um tanque de combustível, cuja capacidade é de 000 litros, tinha 600 litros de uma mistura homogênea formada por 5 % de álcool e 75 % de
Leia maisConceitos Fundamentais
Capítulo 1 Conceitos Fundamentais Objetivos: No final do Capítulo o aluno deve saber: 1. distinguir o uso de vetores na Física e na Matemática; 2. resolver sistema lineares pelo método de Gauss-Jordan;
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisRepresentação de números em máquinas
Capítulo 1 Representação de números em máquinas 1.1. Sistema de numeração Um sistema de numeração é formado por uma coleção de símbolos e regras para representar conjuntos de números de maneira consistente.
Leia maisResíduos Quadráticos e Fatoração: uma aplicação à criptoanálise do RSA
Resíduos Quadráticos e Fatoração: uma aplicação à criptoanálise do RSA Charles F. de Barros 20 de novembro de 2008 Resumo Faremos uma breve introdução ao conceito de resíduos quadráticos, descrevendo em
Leia maisMaterial Teórico - Módulo Elementos Básicos de Geometria Plana Parte 2. A Desigualdade Triangular. Oitavo Ano
Material Teórico - Módulo Elementos ásicos de Geometria Plana Parte 2 esigualdade Triangular Oitavo no utor: Prof. Ulisses Lima Parente Revisor: Prof. ntonio aminha M. Neto 1 desigualdade triangular Iniciamos
Leia maisMétodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo. Funções Exponenciais e Logarítmicas Progressões Matemáticas
Métodos Quantitativos Prof. Ms. Osmar Pastore e Prof. Ms. Francisco Merlo Funções Exponenciais e Logarítmicas Progressões Matemáticas Funções Exponenciais e Logarítmicas. Progressões Matemáticas Objetivos
Leia maisCódigos Reed-Solomon CAPÍTULO 9
CAPÍTULO 9 Códigos Reed-Solomon Um dos problemas na Teoria de Códigos é determinar a distância mínima de um dado código. Tratando-se de códigos cíclicos, por vezes conseguimos controlar a distância mínima
Leia maisResolução dos Exercícios sobre Derivadas
Resolução dos Eercícios sobre Derivadas Eercício Utilizando a idéia do eemplo anterior, encontre a reta tangente à curva nos pontos onde e Vamos determinar a reta tangente à curva nos pontos de abscissas
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ
Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/1/011 pelo CEPERJ 59. O cartão de crédito que João utiliza cobra 10% de juros ao mês,
Leia maisMáximos, mínimos e pontos de sela Multiplicadores de Lagrange
Máximos, mínimos e pontos de sela Multiplicadores de Lagrange Anderson Luiz B. de Souza Livro texto - Capítulo 14 - Seção 14.7 Encontrando extremos absolutos Determine o máximo e mínimo absolutos das funções
Leia maisTrabalho Computacional. A(h) = V h + 2 V π h, (1)
Unidade de Ensino de Matemática Aplicada e Análise Numérica Departamento de Matemática/Instituto Superior Técnico Matemática Computacional (Mestrado em Engenharia Física Tecnológica) 2014/2015 Trabalho
Leia maisTruques e Dicas. = 7 30 Para multiplicar fracções basta multiplicar os numeradores e os denominadores: 2 30 = 12 5
Truques e Dicas O que se segue serve para esclarecer alguma questão que possa surgir ao resolver um exercício de matemática. Espero que lhe seja útil! Cap. I Fracções. Soma e Produto de Fracções Para somar
Leia maisA B C F G H I. Apresente todas as soluções possíveis. Solução
19a Olimpíada de Matemática do Estado do Rio Grande do Norte - 008 Segunda Etapa Em 7/09/008 Prova do Nível I (6 o ou 7 o Séries) (antigas 5ª ou 6ª séries) 1 a Questão: Substitua as nove letras da figura
Leia mais0,999... OU COMO COLOCAR UM BLOCO QUADRADO EM UM BURACO REDONDO Pablo Emanuel
Nível Intermediário 0,999... OU COMO COLOCAR UM BLOCO QUADRADO EM UM BURACO REDONDO Pablo Emanuel Quando um jovem estudante de matemática começa a estudar os números reais, é difícil não sentir certo desconforto
Leia maisDistribuição de probabilidades
Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva
Leia maisFaculdade de Computação
UNIVERSIDADE FEDERAL DE UBERLÂNDIA Faculdade de Computação Disciplina : Teoria da Computação Professora : Sandra Aparecida de Amo Lista de Exercícios n o 2 Exercícios sobre Modelos de Máquinas de Turing
Leia maisExercícios Adicionais
Exercícios Adicionais Observação: Estes exercícios são um complemento àqueles apresentados no livro. Eles foram elaborados com o objetivo de oferecer aos alunos exercícios de cunho mais teórico. Nós recomendamos
Leia mais