Relatorio Lista 06

Lista de Exercı́cios Computacional 6
Pedro Ivo da Cruz - 13013915

3 de agosto de 2015
1 Introdução
Nesse relatório estão relatados os testes e resultados obtidos na execução da
sexta lista de exercı́cios computacionais, na ordem em que foram apresentados.
O exercı́cio 1 e 2 encontram-se, respectivamente, nos scripts do Matlab Ex1.m
e Ex2.m.
2 Resultados e Discussão
Primeiramente foi implementada uma função que realiza a aproximação
da função f (x) = x−1 através de uma combinação linear das funções exp(x),
sin(x) e Γ(x), que é uma função do Matlab que pode ser acessada com o
comando gamma.
Portanto, queremos encontrar um vetor a, contendo os coeficientes a0 , a1
e a2 de forma que a função
y 0 = a0 exp(x) + a1 sin(x) + a2 Γ(x) (1)

aproxime-se de y = f (x). Pode-se representar esse problema como um
problema dos mı́nimos quadrados na forma matricial. Seja x, um vetor
contendo N valores de x no intervalo analisado, e X uma matriz na seguinte
forma:
 
sin(x0 ) exp(x0 ) Γ(x0 )
 sin(x1 ) exp(x1 ) Γ(x1 ) 
X=
 
.. .. .. 
 . . . 
sin(xN −1 ) exp(xN −1 ) Γ(xN −1 )
Podemos então definir o problema dos mı́nimos quadrados como a solução
para o vetor a que minimiza y − Xa, onde y = [f (x0 ) f (x1 ) · · · f (xN −1 )].
Em outras palavras, basta encontrar a que minimize:
1
ky − Xak2
Diversos métodos podem ser utilizados para encontrar o vetor a que
minimiza a função acima. O método escolhido nesse exercı́cio foi o método
baseado na decomposição por valores singulares (SVD, do inglês singular
value decomposition). O algoritmo é como se segue [1]:
Algorithm 1 Mı́nimos quadrados pela SVD

Calcule a SVD reduzida de X
Calcule o vetor v = UT y
Calcule a inversa da matriz S
Calcule o vetor w = S−1 v
Calcule a = Vw
Como resultado, obteve-se o seguinte vetor:
a = [0.0108 − 0.1076 1.2847]T

A curva original e a curva aproximada podem ser vistas na figura 1. Pode-
se notar que ficaram bastante próximas. Para observar melhor a diferença
entre as duas curvas, foi realizada uma ampliação em um trecho da curva,
como pode ser observado na figura 2.
A precisão obtida na aproximação pode ser avaliada de diversas formas.
Uma delas é através da norma L2 do erro, ou seja, da diferença entre os
pontos obtidos através do cálculo de y = f (x) e dos pontos obtidos através do
cálculo de y0 = Xa. Assim, podemos calcular essa norma a partir da equação
2.
v
uN −1
uX
L2 = t (yk − yk0 )2 (2)
k=0
Uma segunda forma, é através do erro quadrático médio. Esse erro é

calculado a partir da média do quadrado da diferença entre os pontos de y e
y0 . A equação fica, portanto:
PN −1
(yk − yk0 )2
e = k=0 (3)
N
Os valores obtidos para cada um, foram L2 = 0, 0023 e e = 4, 6919 × 10−7 .
Esses valores representam bem precisão da aproximação pelo método dos
mı́nimos quadrados, sendo bem pequenos, como era o esperado tendo em
vista a aproximação observada na figura 1.
2
Figura 1: Aproximação de f (x).
Figura 2: Ampliação em um trecho especı́fico das curvas.
3
No segundo exercı́cio, aproximou-se a função cos4t por um polinômio de
grau n − 1, tomando m pontos entre o intervalo 0 e 1. Tomou-se m = 50 e
n = 12.
Como no exercı́cio anterior, esse é também um problema de mı́nimos
quadrados na forma:
kb − Axk2
onde:
b = [cos(t0 ) cos(t1 ) · · · cos(tm−1 )]

 
1 t0 t20 ··· tn−1
0
1 t1 t21 ··· tn−1
1

A =  ..
 
.. .. 
. . . 
n−1
1 tm−1 t2m−1 · · · tm−1
x = [x0 x1 · · · xn−1 ]
Então, queremos encontrar x de forma que o polinômio p(x) = x0 + x1 t +
x2 t + · · · + xn−1 tn−1 se aproxime de cos4t no intervalo especificado.
2
Isso foi realizado utilizando cada um dos métodos listados nas tabelas 1 e
2. Todos os algoritmos foram retirados de [1].
Tabela 1: Valores de x para diferentes algoritmos.
QR Gram-Schmidt QR Householder QR Matlab

1.000000037432764 1.000000038120628 1.000000038120649
-0.000011989629155 -0.000012132617641 -0.000012132618749
-7.999532970243421 -7.999528596528828 -7.999528596507283
-0.007084981326523 -0.007137816442012 -0.007137816651315
10.722272663536634 10.722601994468480 10.722601995619179
-0.256356927894345 -0.257549353635391 -0.257549357461694
-4.949293169638787 -4.946643821469162 -4.946643813509281
-1.369639868595579 -1.373303854047630 -1.373303864464207
3.240265077540104 3.243340056393067 3.243340064720305
-1.143958412522872 -1.145391635187915 -1.145391638902598
0.109696884164504 0.109981464260603 0.109981464969184
4
Tabela 2: Valores de x para diferentes algoritmos.
A\b SVD
1.000000038120646 1.000000038120649
-0.000012132619016 -0.000012132618753
-7.999528596499550 -7.999528596507290
-0.007137816735015 -0.007137816650734
10.722601996091159 10.722601995615021
-0.257549359027896 -0.257549357445934
-4.946643810282960 -4.946643813545237
-1.373303868640563 -1.373303864413253
3.243340068026309 3.243340064676297
-1.145391640365183 -1.145391638881354
0.109981465246268 0.109981464964788
Como se pode observar, apesar de os valores de x serem muito próximos um

do outro, ainda assim são diferentes quando apresentados com uma precisão
de 15 dı́gitos decimais.
Essas diferenças se dão por conta da obtenção de x através de diferentes
métodos numéricos. Mesmo quando são obtidos através de decomposição QR,
a decomposição QR pode ser obtida através do método de Gram-Schmidt ou
através do método da Triangularização de Householder, acarretando, portanto,
em diferentes valores de x entre esses métodos.
3 Conclusão
Nesse relatório discutiu-se o desempenho do método dos mı́nimos quadra-
dos para a aproximação de funções e o desempenho dos diferentes métodos
para a obtenção da sua solução.
Primeiramente analisou-se a precisão da aproximação através da norma
L2 do erro (diferença entre os pontos da função original e os pontos da função
aproximada) e do erro quadrático médio. Para o caso da função f (x) = x−1 ,
aproximando-a pela combinação linear indicada em 1, obteve-se uma norma
baixa e um erro quadrático baixo, indicando que os pontos obtidos pela curva
aproximada ficaram bem próximos dos pontos originais.
Em seguida, testou-se a diferença entre os coeficientes obtidos através
da aproximação de uma função seno por um polinômio de grau 11. Como
mostrado, para diferentes métodos de obtenção da solução dos mı́nimos
5
quadrados, obteve-se coeficientes diferentes, apesar de essa diferença só se
apresentar em torno da décima quinta casa decimal, devido às diferenças
numéricas dos algoritmos.
Referências
[1] Trefethen, L., and Bau, D. Numerical Linear Algebra. Society for
Industrial and Applied Mathematics, 1997.

Relatorio Lista 06

Enviado por

Direitos autorais:

Formatos disponíveis

Relatorio Lista 06

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relatorio Lista 06

Enviado por

Direitos autorais:

Formatos disponíveis

Lista de Exercı́cios Computacional 6

Pedro Ivo da Cruz - 13013915

y 0 = a0 exp(x) + a1 sin(x) + a2 Γ(x) (1)

Algorithm 1 Mı́nimos quadrados pela SVD

Como resultado, obteve-se o seguinte vetor:

a = [0.0108 − 0.1076 1.2847]T

Uma segunda forma, é através do erro quadrático médio. Esse erro é

Figura 2: Ampliação em um trecho especı́fico das curvas.

b = [cos(t0 ) cos(t1 ) · · · cos(tm−1 )]

Tabela 1: Valores de x para diferentes algoritmos.

QR Gram-Schmidt QR Householder QR Matlab

Como se pode observar, apesar de os valores de x serem muito próximos um

Você também pode gostar