Autovalores do Laplaciano - Departamento de Matemática - UFMG
Autovalores do Laplaciano - Departamento de Matemática - UFMG Autovalores do Laplaciano - Departamento de Matemática - UFMG
Rodney Josué Biezuner 99 Estes são os autovalores da matriz de iteração de Jacobi para a matriz de discretização obtida a partir da fórmula de cinco pontos (observe que elas possuem os mesmos autovetores; no entanto R possui autovalores nulos). Segue que o máximo autovalor ocorre quando k = l = 1, logo ρ (R) = cos π n . O argumento para a fórmula de três pontos é análogo. Para o quadrado unitário temos ρ (R) = cos (π∆x) . (4.37) Vemos em particular que ρ (R) → 1 quando ∆x → 0, de modo que a velocidade de convergência do método de Jacobi vai ficando cada vez menor para malhas mais refinadas. Podemos dizer mais usando a expansão da função cosseno em torno da origem se ∆x é pequeno podemos aproximar cos x = 1 − 1 2 x2 + O x 4 ; cos (π∆x) ≈ 1 − π2 2 ∆x2 , de modo que ρ (R) → 1 quadraticamente quando ∆x → 0. Em outras palavras, para uma malha duas vezes mais refinada (isto é, ∆x reduzido pela metade), o método de Jacobi é cerca de quatro vezes mais vagaroso em média (consulte novamente a tabela no final da seção anterior). A tabela abaixo mostra os valores do raio espectral para alguns valores de ∆x: ∆x 0.1 0.05 0.025 ρ (R) 0.9511 0.9877 0.9969 Para ∆x = 0.025 (correspondente a uma matriz de tamanho n = 39 × 39 = 1521), temos R∞ (R) = − log 10 (0.9969) = 0.0013484, de modo que para reduzir o erro pelo fator de uma casa decimal precisamos de iterações. m = log 10 0.1 log 10 ρ (R) 1 = − log10 ρ (R) = 1 ≈ 742 0.00135 4.3.2 Convergência do Método de Gauss-Seidel 4.11 Teorema. Se A é uma matriz irredutível, diagonalmente dominante tal que |aii| > n |aij| para pelo menos alguma linha i, então o método de Gauss-Seidel converge. Prova. Sejam D a parte diagonal, −L a parte triangular inferior estrita e −U a parte triangular superior estrita da matriz A, e seja R = (D − L) −1 U a matriz de iteração do método de Gauss-Seidel para A. Escrevemos R = (D − L) −1 U = D I − D −1 L −1 U ou j=1 j=i R = I − D −1 L −1 D −1 U. (4.38)
Rodney Josué Biezuner 100 Suponha por absurdo que exista um autovalor λ de R tal que |λ| 1; como na demonstração do Teorema 4.9, temos Agora, observando que det I − λ −1 R = det I − λ −1 −1 −1 −1 I − D L D U = 0. det I − D −1 L = 1 porque I − D−1L é uma matriz triangular inferior com apenas 1’s na diagonal principal, escrevemos 0 = det I − λ −1 −1 −1 −1 I − D L D U = det I − D −1 L det I − λ −1 −1 −1 −1 I − D L D U I −1 = det − D L I − λ −1 −1 −1 −1 I − D L D U Por outro lado, = det I − D −1 L − λ −1 D −1 U . D −1 A = I − D −1 L − D −1 U é irredutível, diagonalmente dominante e estritamente dominante nas linhas onde A é porque −1 D A ij = 1 se i = j, aij se i = j. aii Logo, a matriz I − D −1 L − λ −1 D −1 U também satisfaz estas propriedades, pois I, −D −1 L e −D −1 U são respectivamente a parte diagonal, a parte triangular inferior estrita e a parte triangular superior estrita da matriz D −1 A, e multiplicar a parte triangular inferior estrita pelo número λ −1 cujo módulo é menor que ou igual a 1 não alterará a dominância diagonal (na verdade só tende a melhorá-la) nem acrescentará zeros à matriz. A Proposição 3.16 implica então que I − D −1 L − λ −1 D −1 U é invertível, um absurdo. Usando o Teorema 4.11, concluímos que o método de Gauss-Seidel converge para as matrizes de discretização obtidas através dos esquemas de diferenças finitas do Capítulo 2. Para analizar a velocidade de convergência do método de Gauss-Seidel, vamos obter os raios espectrais para as matrizes de discretização obtidas a partir da fórmula de três pontos unidimensional e a partir da fórmula de cinco pontos bidimensional. 4.12 Teorema. Seja A a matriz de discretização obtida a partir da fórmula de três pontos unidimensional ou a partir da fórmula de cinco pontos bidimensional com ∆x = ∆y. Seja R = (D − L) −1 U a matriz de iteração do método de Gauss-Seidel. Então 2 π ρ (R) = cos . (4.39) n Prova. Para obter o raio espectral da matriz de iteração R, queremos encontrar os autovalores µ de R: ou seja, Ru = (D − L) −1 Uu = µu, Uu = µ (D − L) u (um problema de autovalor generalizado). No caso da matriz de discretização da fórmula de cinco pontos, isso significa encontrar µ tal que Para os autovalores não-nulos, podemos fazer a substituição ui,j+1 + ui+1,j = µ (4ui,j − ui,j−1 − ui−1,j) . (4.40) ui,j = µ i+j 2 vi,j (4.41)
- Page 49 and 50: Rodney Josué Biezuner 48 = Ukl (
- Page 51 and 52: Rodney Josué Biezuner 50 A primeir
- Page 53 and 54: Rodney Josué Biezuner 52 2.5 Lema.
- Page 55 and 56: Rodney Josué Biezuner 54 donde Com
- Page 57 and 58: Rodney Josué Biezuner 56 isso impl
- Page 59 and 60: Rodney Josué Biezuner 58 enquanto
- Page 61 and 62: Rodney Josué Biezuner 60 + ∆x 5
- Page 63 and 64: Rodney Josué Biezuner 62 mesmo ana
- Page 65 and 66: Rodney Josué Biezuner 64 Para escr
- Page 67 and 68: Rodney Josué Biezuner 66 (xi, yj
- Page 69 and 70: Rodney Josué Biezuner 68 8. Mostre
- Page 71 and 72: Rodney Josué Biezuner 70 A norma l
- Page 73 and 74: Rodney Josué Biezuner 72 De fato,
- Page 75 and 76: Rodney Josué Biezuner 74 Além dis
- Page 77 and 78: Rodney Josué Biezuner 76 de uma ma
- Page 79 and 80: Rodney Josué Biezuner 78 donde n |
- Page 81 and 82: Rodney Josué Biezuner 80 3.10 Teor
- Page 83 and 84: Rodney Josué Biezuner 82 Da defini
- Page 85 and 86: Rodney Josué Biezuner 84 3.6.1 Esq
- Page 87 and 88: Capítulo 4 Métodos Iterativos par
- Page 89 and 90: Rodney Josué Biezuner 88 4.1.2 Mé
- Page 91 and 92: Rodney Josué Biezuner 90 ou seja,
- Page 93 and 94: Rodney Josué Biezuner 92 4.2.1 Con
- Page 95 and 96: Rodney Josué Biezuner 94 para t su
- Page 97 and 98: Rodney Josué Biezuner 96 4.7 Corol
- Page 99: Rodney Josué Biezuner 98 Por outro
- Page 103 and 104: Rodney Josué Biezuner 102 ou Se λ
- Page 105 and 106: Rodney Josué Biezuner 104 Para o c
- Page 107 and 108: Rodney Josué Biezuner 106 Reciproc
- Page 109 and 110: Rodney Josué Biezuner 108 Temos ω
- Page 111 and 112: Rodney Josué Biezuner 110 se ∆x
- Page 113 and 114: Rodney Josué Biezuner 112 A escolh
- Page 115 and 116: Rodney Josué Biezuner 114 a conver
- Page 117 and 118: Rodney Josué Biezuner 116 ou e k+1
- Page 119 and 120: Rodney Josué Biezuner 118 4.31 Cor
- Page 121 and 122: Capítulo 5 Métodos Multigrid 5.1
- Page 123 and 124: Rodney Josué Biezuner 122 6.1 Prop
- Page 125 and 126: Rodney Josué Biezuner 124 é chama
- Page 127 and 128: Rodney Josué Biezuner 126 como vé
- Page 129 and 130: Rodney Josué Biezuner 128 No caso
- Page 131 and 132: Rodney Josué Biezuner 130 Prova. C
- Page 133 and 134: Rodney Josué Biezuner 132 onde é
- Page 135 and 136: Rodney Josué Biezuner 134 7.3 Coro
- Page 137 and 138: Rodney Josué Biezuner 136 Como seg
- Page 139 and 140: Rodney Josué Biezuner 138 Prova. O
- Page 141 and 142: Capítulo 8 Métodos Numéricos par
- Page 143 and 144: Rodney Josué Biezuner 142 o maior
- Page 145 and 146: Rodney Josué Biezuner 144 com q1
- Page 147 and 148: Rodney Josué Biezuner 146 e depois
- Page 149 and 150: Rodney Josué Biezuner 148 8.3.2 Im
Rodney Josué Biezuner 99<br />
Estes são os autovalores da matriz <strong>de</strong> iteração <strong>de</strong> Jacobi para a matriz <strong>de</strong> discretização obtida a partir da<br />
fórmula <strong>de</strong> cinco pontos (observe que elas possuem os mesmos autovetores; no entanto R possui autovalores<br />
nulos). Segue que o máximo autovalor ocorre quan<strong>do</strong> k = l = 1, logo<br />
ρ (R) = cos π<br />
n .<br />
O argumento para a fórmula <strong>de</strong> três pontos é análogo. <br />
Para o quadra<strong>do</strong> unitário temos<br />
ρ (R) = cos (π∆x) . (4.37)<br />
Vemos em particular que ρ (R) → 1 quan<strong>do</strong> ∆x → 0, <strong>de</strong> mo<strong>do</strong> que a velocida<strong>de</strong> <strong>de</strong> convergência <strong>do</strong> méto<strong>do</strong><br />
<strong>de</strong> Jacobi vai fican<strong>do</strong> cada vez menor para malhas mais refinadas. Po<strong>de</strong>mos dizer mais usan<strong>do</strong> a expansão<br />
da função cosseno em torno da origem<br />
se ∆x é pequeno po<strong>de</strong>mos aproximar<br />
cos x = 1 − 1<br />
2 x2 + O x 4 ;<br />
cos (π∆x) ≈ 1 − π2<br />
2 ∆x2 ,<br />
<strong>de</strong> mo<strong>do</strong> que ρ (R) → 1 quadraticamente quan<strong>do</strong> ∆x → 0. Em outras palavras, para uma malha duas vezes<br />
mais refinada (isto é, ∆x reduzi<strong>do</strong> pela meta<strong>de</strong>), o méto<strong>do</strong> <strong>de</strong> Jacobi é cerca <strong>de</strong> quatro vezes mais vagaroso<br />
em média (consulte novamente a tabela no final da seção anterior). A tabela abaixo mostra os valores <strong>do</strong><br />
raio espectral para alguns valores <strong>de</strong> ∆x:<br />
∆x 0.1 0.05 0.025<br />
ρ (R) 0.9511 0.9877 0.9969<br />
Para ∆x = 0.025 (correspon<strong>de</strong>nte a uma matriz <strong>de</strong> tamanho n = 39 × 39 = 1521), temos<br />
R∞ (R) = − log 10 (0.9969) = 0.0013484,<br />
<strong>de</strong> mo<strong>do</strong> que para reduzir o erro pelo fator <strong>de</strong> uma casa <strong>de</strong>cimal precisamos <strong>de</strong><br />
iterações.<br />
m = log 10 0.1<br />
log 10 ρ (R)<br />
1<br />
= −<br />
log10 ρ (R) =<br />
1<br />
≈ 742<br />
0.00135<br />
4.3.2 Convergência <strong>do</strong> Méto<strong>do</strong> <strong>de</strong> Gauss-Sei<strong>de</strong>l<br />
4.11 Teorema. Se A é uma matriz irredutível, diagonalmente <strong>do</strong>minante tal que |aii| > n<br />
|aij| para pelo<br />
menos alguma linha i, então o méto<strong>do</strong> <strong>de</strong> Gauss-Sei<strong>de</strong>l converge.<br />
Prova. Sejam D a parte diagonal, −L a parte triangular inferior estrita e −U a parte triangular superior<br />
estrita da matriz A, e seja R = (D − L) −1 U a matriz <strong>de</strong> iteração <strong>do</strong> méto<strong>do</strong> <strong>de</strong> Gauss-Sei<strong>de</strong>l para A.<br />
Escrevemos<br />
R = (D − L) −1 U = D I − D −1 L −1 U<br />
ou<br />
j=1<br />
j=i<br />
R = I − D −1 L −1 D −1 U. (4.38)