Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e...

61
U NIVERSIDADE F EDERAL DO PARANÁ D EPARTAMENTO DE M ATEMÁTICA Análise de Erro da Transformação de Householder Generalizada Autor: F EDOR P ISNITCHENKO Orientadores: J IN Y UN Y UAN R ICARDO B ILOTI Dissertação apresentada ao pro- grama de Pós-Graduação em Matemática Aplicada, da Uni- versidade Federal do Paraná, como parte dos pré-requisitos para obtenção do título de Mestre em Matemática Aplicada. Março de 2004 Este trabalho contou com apoio financeiro da CAPES.

Transcript of Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e...

Page 1: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

UNIVERSIDADE FEDERAL DO PARANÁDEPARTAMENTO DE MATEMÁTICA

Análise de Erro da Transformação deHouseholder Generalizada

Autor: FEDOR PISNITCHENKO

Orientadores: JIN YUN YUAN

RICARDO BILOTI

Dissertação apresentada ao pro-grama de Pós-Graduação emMatemática Aplicada, da Uni-versidade Federal do Paraná,como parte dos pré-requisitos paraobtenção do título de Mestre emMatemática Aplicada.

Março de 2004

�Este trabalho contou com apoio financeiro da CAPES.

Page 2: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Agradecimentos

Meu sinceros agradecimentos ao meu orientador professor Jin Yun Yuan e ao meuco-orientador professor Ricardo Biloti.

i

Page 3: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Resumo

A transformação de Householder generalizada foi introduzida por LaBudde em 1963.A utilidade dessa transformação é poder reduzir uma matriz arbitrária a uma forma tridi-agonal semelhante. Sua forma otimizada, chamada de transformação de Householdergeneralizada ótima, introduzida por Golub, Yuan, Biloti e Ramos, minimiza o número decondição da transformação e possibilita a implementação do algoritmo de tridiagonaliza-ção.

Nessa dissertação apresentamos a análise de erro da transformação de Householdergeneralizada ótima e do processo da tridiagonalização.

ii

Page 4: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Abstract

The generalized Householder transformation, estabilished by LaBudde in 1963, isemployed to reduce every given matrix to a similar tridiagonal matrix. Golub, Yuan, Bilotiand Ramos determined the optimal generalized Householder transformation concerningits condition number and proposed a tridiagonalization algorithm.

In this work we develop the error analysis for the otimal generalized Householdertransformation and the associated tridiagonalization process.

iii

Page 5: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Sumário

Agradecimentos i

Resumo ii

Abstract iii

1 Introdução 1

2 Análise de erro 42.1 Sistemas numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.1.1 Sistema numérico de ponto flutuante . . . . . . . . . . . . . . . . 42.1.2 Aritmética de ponto flutuante . . . . . . . . . . . . . . . . . . . . 5

2.2 Erro direto e erro reverso . . . . . . . . . . . . . . . . . . . . . . . . . . 72.3 Cancelamento catastrófico . . . . . . . . . . . . . . . . . . . . . . . . . 82.4 Produto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.4.1 Acumulação do produto interno . . . . . . . . . . . . . . . . . . 122.4.2 Multiplicação matricial . . . . . . . . . . . . . . . . . . . . . . . 122.4.3 Notação em Análise de Erro . . . . . . . . . . . . . . . . . . . . 14

2.5 Transformação de Householder . . . . . . . . . . . . . . . . . . . . . . . 162.5.1 Tridiagonalização . . . . . . . . . . . . . . . . . . . . . . . . . . 172.5.2 Análise de erro da transformação de Householder . . . . . . . . . 19

3 Análise de erro da transformação de Householder generalizada 243.1 Transformação de Householder generalizada . . . . . . . . . . . . . . . . 243.2 Tridiagonalização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273.3 Alguns resultados teóricos . . . . . . . . . . . . . . . . . . . . . . . . . 293.4 Análise de erro da transformação de Householder generalizada . . . . . . 31

4 Conclusão 42

A Padrão IEEE-754 44A.1 Objetivos e especificações . . . . . . . . . . . . . . . . . . . . . . . . . 44A.2 Definições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45A.3 Formatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

iv

Page 6: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

A.4 Conjunto de Valores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47A.5 Formato simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48A.6 Formato duplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48A.7 Formato estendido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48A.8 Combinação de formatos . . . . . . . . . . . . . . . . . . . . . . . . . . 48A.9 Arredondamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49A.10 Operações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

B Normas 51B.1 Normas vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51B.2 Algumas propriedades das normas vetoriais . . . . . . . . . . . . . . . . 52B.3 Normas matriciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52B.4 Algumas propriedades das normas matriciais . . . . . . . . . . . . . . . 53

Referências 53

v

Page 7: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Capítulo 1

Introdução

Os erros em cálculos computacionais matemáticos ocorrem por várias razões:

� a descrição do problema matemático é incorreta, em particular, os dados iniciais

com erros (por exemplo, de medição);

� os métodos usados para resolução do problema não são precisos, por exemplo, para

obter o resultado exato de algum problema é preciso realizar um número infinito ou

não aceitável de operações aritméticas, por isso, em vez da solução exata o método

obtém a solução aproximada;

� durante a entrada dos dados, operações aritméticas e saída dos dados ocorrem erros

de arredondamento.

O erro de arredondamento depende de vários parâmetros: a representação dos números na

máquina; tipo de aritmética implementada; como é realizado o próprio arredondamento,

etc. Dependendo do computador, o erro para o mesmo procedimento aritmético pode ser

maior ou menor (para maiores detalhes ver [1]).

O primeiro estudo completo sobre o efeito do erro de arredondamento nos algoritmos

numéricos foi feito pelo Wilkinson nos livros Rounding Errors in Algebraic Processes

[15] e The Algebraic Eigenvalue Problem [16], publicados em 1963 e 1965, respectiva-

mente, e que se tornaram os livros clássicos da Análise Numérica e principalmente da

Análise de Erro.

Recentemente, em 2002, foi publicado a segunda edição do livro de Nicholas Higham,

Accurancy and Stability of Numerical Algorithms [5], onde é dado um tratamento mod-

erno ao comportamento dos algoritmos numéricos em aritmética computacional.

1

Page 8: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

2

O objetivo desta dissertação é realizar análise de erro da transformação de House-

holder generalizada ótima e do algoritmo de tridiagonalização introduzidos por Golub,

Yuan, Biloti e Ramos em [4].

Análise de erro em problema de autovalores

O problema de autovalores é um dos assuntos mais importantes no cálculo matricial.

Apesar de teoricamente não ser complexo, numericamente encontram-se muitas dificul-

dades para resolvê-lo. Existem muitas maneiras de calcular autovalores de uma matriz.

Um dos procedimentos mais utilizados é aplicar uma seqüência de transformações simi-

lares (por exemplo, eliminação de Gauss, rotações de Givens ou transformação de House-

holder) para reduzir a matriz dada a uma matriz de Hesseneberg superior, para qual os

autovalores são determinados mais facilmente, por meio de métodos iterativos (por exem-

plo, o método QR).

Em um caso especial, quando a matriz é simétrica, a transformação de Householder

pode ser utilizada para tridiagonalizar a matriz. A vantagem desse método está em sua

boa estabilidade numérica, que é uma das importantes propriedades da transformação de

Householder mostrada por Wilkinson [16]. Além de transformação de Householder a

tridiagonalização de uma matriz simétrica pode ser feita utilizando método de Lanczos e

rotação de Givens entre outros.

Em 1963, LaBudde [12] introduziu uma nova transformação, que essencialmente é

uma generalização da transformação de Householder, e que possibilita reduzir qualquer

matriz real ou complexa a uma forma tridiagonal semelhante. Mas a desvantagem dessa

transformação é que, a menos de um caso particular, quando a transformação é reduzida

a transformação de Householder, ela não possui as propriedades de simetria e ortogonali-

dade.

Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-

trais, os autovalores e valores singulares da transformação de Householder generalizada e

introduziram a transformação de Householder generalizada ótima. Utilizando essa trans-

formação, propuseram um algoritmo de tridiagonalização.

Plano de apresentação da dissertação

No Capítulo 2 expomos a base teórica para Análise de Erro. Primeiramente, introduz-

imos o conceito de sistema de ponto flutuante e definimos a aritmética utilizada. Depois

Page 9: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

3

discutimos os conceitos de erro direto e erro reverso. A seguir apresentamos os erros das

importantes operações da Análise Numérica e alguns lemas que facilitam a manipulação

das expressões do erro. Terminamos o capítulo com a análise de erro da transformação

de Householder. A finalidade dessa análise é, em primeiro lugar, apresentar uma análise

relativamente simples e bem conhecida utilizando o conteúdo teórico exposto anterior-

mente, e, em segundo lugar, obter os resultados explícitos para depois compará-los com

caso generalizado.

No Capítulo 3 definimos a transformação de Householder generalizada. Expomos os

algoritmos introduzidos por Golub, Yuan, Biloti e Ramos e realizamos a análise de erro

desses algoritmos.

Concluímos com comparações entre os erros da transformação de Housholder gener-

alizada ótima e da transformação de Householder (obtido no Capitulo 2).

No Apêndice A falamos sobre o padrão IEEE-754, o qual especifica o sistema binário

de ponto flutuante tomado como padrão para computadores a partir de 1985. No Apêndice

B definimos as normas vetoriais e matriciais e expomos algumas propriedades importantes

de normas utilizadas nos Capítulos 2 e 3.

Page 10: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Capítulo 2

Análise de erro

2.1 Sistemas numéricos

No computador cada número é armazenado numa posição de memória de tamanho

fixo. Uma questão importante do projeto da arquitetura de um computador é como serão

utilizados os dígitos usados para representar os números que compõe os sistemas numéri-

cos.

Existem dois sistemas numéricos que são usados nos computadores digitais, o sistema

de ponto fixo e o sistema de ponto flutuante. Cada um destes sistemas requer seu próprio

conceito de aritmética computacional. No nosso estudo trabalharemos apenas com a arit-

mética de ponto flutuante, que é a usada de fato para realizar cálculos científicos.

2.1.1 Sistema numérico de ponto flutuante

O sistema numérico de ponto flutuante, denotado por�

, é caracterizado pelos seguintes

parâmetros:

� base de máquina � ,

� precisão � e

� extensão exponencial ��������� �������� .

Um elemento de�

é representado na forma

��������� ��� �"! , (2.1)

4

Page 11: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

5

onde a mantissa � é um número inteiro satisfazendo � � � !���� . Na memória do

computador o número é representado como mostra a figura abaixo, onde � representa o

sinal.

� � �

Para garantir unicidade de representação para cada ��� �assumimos que �� � ! ��

se � �� � . A faixa dos números de ponto flutuante não nulos em�

está contida em� � ������� ���� � � ������� ��� � �"!��! .Uma outra maneira para representar um elemento de

�é

��� � ���"$# �&% #('

�' %*)+)+),% #

!� !�- � �/. # #0' .,.,. # ! � ��� ,

onde cada digito# � satisfaz �� # � � �1� , e para números normalizados

# �� � .Preferimos a representação mais concisa (2.1), com a qual é mais simples de trabalhar.

Agora vamos ver como são feitas as operações aritméticas com números de ponto

flutuante.

2.1.2 Aritmética de ponto flutuante

Definição 2.1. Seja 2&354 o conjunto de todos os números da forma (2.1) sem restrição

no expoente � . Se 6 � 4 então 798 � 6 � denota um elemento de 2 mais próximo a 6 e a

transformação 6;:< 7=8 � 6 � é chamada de arredondamento.

Dizemos que 7=8 � 6 � produz resultado overflow se >?7=8 � 6 � >A@CBEDGFIH�> � >KJ �L� �/Me

underflow se �/N1>?7=8 � 6 � >(NOBQPSR9H�> � >0J(� �� �Q� �TM.

O resultado a seguir mostra que todo número real 6 tal que BQPSR9H�> � >0J �Q� �TM NU> 6$>�NBEDVF9H�> � >�J �W� �TMpode ser aproximado por um elemento de

�com erro relativo menor

que X� �Y � �"! . (2.2)

A quantidade

Xé chamada de unidade de arredondamento.

Teorema 2.1. Seja 6 � 4 tal que BZP[RIH�> � >0J �E� �/M NL> 6$>\N]BQDGFIH�> � >0J �Q� �TMentão7=8 � 6 � � 6 � � %_^ � , > ^ >" X . (2.3)

Page 12: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

6

Demonstração. Podemos assumir, sem perda de generalidade, que 6 @ � . Representando6 da seguinte maneira 6 ��� � � � �"! , com � ! �� � � ! � � ,vemos que 6 está entre dois números do ponto flutuante � ��� � � � �"! e � ' ��� � � ���"! ,onde � � � , ou seja, 798 � 6 � � � ou 7=8 � 6 � � � ' . Logo> 798 � 6 � � 6$> > � ' � � >Y > � � � > � � � �"!Y � � �"!Y .Portanto > ^ > � ����

7=8 � 6 � � 66 ���� ' � � �"!

� � � ���"! �Y � �"! �X .

O Teorema 2.1 afirma que 7=8 � 6 � é igual a 6 vezes um fator muito próximo de � . A

representação � %L^ para esse fator é uma escolha comum, mas não é a única, como

mostrado no teorema a seguir.

Teorema 2.2. Seja 6 � 4 tal que BZP[RIH�> � >0J �E� �/M NL> 6$>\N]BQDGFIH�> � >0J �Q� �TMentão798 � 6 � � 6� %O^ , > ^ >" X .

Demonstração. Seja 6 definido como no Teorema 2.1, relembrando que � *798 � 6 � � 'e � � � ! �� temos > ^ > � ����

6 � 7=8 � 6 �7=8 � 6 � ���� ' � ���"!

� � � � �"! �Y � �"! �X

Definição 2.2. Sejam 6 , � � �dois números de ponto flutuante e “ op ” qualquer uma das

quatro operações aritméticas ( % , � , � , � ). Então o resultado computacional de � 6 op � �é dado pelo seguinte modelo7=8 � 6 op � � � � 6 op � � � � %_^ � , > ^ >" X . (2.4)

Esse modelo diz que o valor obtido de � 6 op � � pela máquina é tão bom quanto

arredondar a resposta exata1, ou seja, o erro relativo é menor ou igual a unidade de

1Existem algumas máquinas cujas operações aditivas do ponto flutuante satisfazem outro modelo arit-mético dado por ��� ������������������������ ��!��"�� onde # ��# , # "!#%$'& (ver Higham (1996, pág. 48-50)).

Page 13: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

7

arredondamento

X. Também consideraremos o mesmo resultado para operação raiz quadrada7=8 ��� 6 � � � 6 � � %O^ � , > ^ >" X . (2.5)

O padrão IEEE-754 (Apêndice A), seguido pela maioria dos processadores modernos

da familia x86 (ver [9]), satisfaz esse modelo aritmético, inclusive para extração de raiz

quadrada. Mais detalhes sobre padrão IEEE-754 e aritmética do ponto flutuante são dados

em [8],[2] e [13].

Usando Teorema 2.2 podemos escrever (2.4) e (2.5) de outra maneira7=8 � 6 op � � � � 6 op � �� � %_^ � , > ^ >" X, (2.6)

e 7=8 � � 6 � � � 6� � %_^ � , > ^ >" X . (2.7)

2.2 Erro direto e erro reverso

Suponhamos que �� é a aproximação de � � 7 � 6 � na aritmética de ponto flutuante,

onde 7 é uma função real com variáveis reais. Formularemos a seguinte pergunta: como

deveremos avaliar a “qualidade” da aproximação de �� ? A resposta mais evidente é avaliar

o erro absoluto ( > � � �� > ) ou erro relativo ( > � � �� >��I> � > ) da solução �� . Mas também existe

uma outra possibilidade. Em vez de concentrar-se no erro de �� , podemos procurar � 6 tal

que

���� 7 � 6 % � 6 � . (2.8)

Em geral, podem existir muitos valores �/6 satisfazendo (2.8), então devemos procurar o

menor deles.

Chamamos > � 6$> (ou BQPSR >�� 6$> ) de erro reverso (backward error) e > � � �� > de erro

direto (forward error).

�GG

erro direto

����������������6

� 00

� ������

((6 % �/6��erro reverso

OO

�-- ��

Page 14: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

8

O algoritmo para calcular ��� 7 � 6 � chama-se reversamente estável (backward stable)

se, para todo 6 , o erro reverso do resultado �� é pequeno, ou seja, se �� � 7 � 6 % � 6 � para

algum � 6 pequeno (a definição de “pequeno” depende do contexto). E, analogamente, o

algoritmo chama-se estável (forward stable), quando o erro direto é pequeno.

2.3 Cancelamento catastrófico

Cancelamento catastrófico é um fenômeno de perda de dígitos significativos que ocorre

quando números pequenos são obtidos pela subtração de números grandes. Como exem-

plo calcularemos a menor raiz da equação �' �5��� � � % � , com base � � � � e a precisão

da mantissa � � � . Temos� � ��� � � � ��� � ' ���Y ,

de onde� ��� � � � ������� .

Agora � ������� � � . ��� Y ��� ��. . . , arredondando a mantissa para precisão � � � temos

�� ��� � � � . ��� � � . � � .Substituindo o valor de �� obtido na equação original� . � � ' � ��� �� � . � � % � � � � .�� �����vemos que o resultado está longe de � . Para melhorar a aproximação �� basta evitar a

subtração

� ��� � � � ������� � � � � � � ������� � � � � % � ������� �� � % � �������

� �� � % � �������

.Realizando os cálculos a partir dessa expressão temos

� � % � ���������1��� � . � , ���� � . � � � . ��� � ��� Y ��� . .S. ,portanto

�� � � . ��� � ��� � .Substituindo novamente o valor de �� obtido na equação original� . ��� � ��� � ' � ��� �� � . ��� � ��� � % � ��� . � � Y�Y ��� � � ���

Page 15: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

9

vemos que �� � � . � � � ��� � está muito próximo a raiz exata.

Nas próximas seções calcularemos o erro cometido em operações comuns em Álgebra

Linear Numérica, que serão úteis pata a análise que se segue.

2.4 Produto interno

Consideremos o produto interno � � � 6�� � , onde 6 , � � 4 � , calculado pelo seguinte

algoritmo

Algoritmo 2.1. Produto Interno entre 6 e �

1. � � �2. Para

� � � J��2.1. � � � % 6�� � �

Denotemos a p-ésima soma �� �� 6 � � � por � � e seja � � � � 798 � � � � . Então � � � 6 � � � %^ � com > ^ > Xe para � � Y J�� ,

� � � � 7=8 � � � � �� % 6 � � � � � � � � � �� % 6 � � � � � %_^ � � � � � %� � � , > ^ � > , > � > X .Ou seja, � � ' é dado por

� � ' � � � � % 6 ' � ' � � %_^ ' �� � � %� ' �

� 6 � � � %O^ � � � %� ' � % 6 ' � ' � � %_^ ' � � � %�

' � .A próxima soma, � ��� , é dada por

� ��� � � � � ' % 6�� � � � � %_^ � �� � � %� � �� � 6 � � � %O^ � � � %� ' � % 6 ' � ' � � %O^ ' � � � %�

' � % 6�� � � � � %� � �� 6 � � � %O^ � ��

�� ' � � %� � � % 6 ' � ' � � %O^ ' � ���� ' � � %� � � % 6�� � � � � %_^ � � � � %� � � .

Prosseguindo dessa forma, obtemos a expressão de � � �� ��� � 6 � � � %_^ � ��

�� ' � � %� � � % 6 ' � ' � � %O^ ' � ���� ' � � %� � � % .,. . % 6 � � � � � %_^ � � � � %� � � ,

Page 16: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

10

O resultado computacional de produto interno, usando a última expressão, pode ser

representado na seguinte forma7=8 � 6 � � � � � ��� ����� 6 � � � � � %�� � �

onde � � %�� � � � � � %O^ � � �� � �� � %�

� � (2.9)

com � � . O próximo Lema mostra como essa expressão pode ser simplificada.

Definição 2.3. Seja � J H+6 � 4 J(�� 6 X N � M < 4 uma função real dada por� � 6 � � 6 X��� 6 X . (2.10)

Definimos � � 6 como uma quantidade numérica tal que>�� � 6 > �� � 6 � . (2.11)

Lema 2.3. Se > ^ � >" X, � ��� � para � � J � , e �

X N � , temos que���� � � %O^ � ��� � � � % � � � .

Observação: � e � definidos por (2.10) e (2.11), respectivamente, serão usados em

todos os cálculos futuros que envolvem produto interno.

Demonstração. Se � é positivo para todo , ou seja���� � � %_^ � � � � �

���� � � %]^ � � ,

então �����

���� � � %_^ � � � � � �

������

�����

��� � � %O^ � � � �

����� � � % X � � � � .Assim como � % 6 �� � para 6 � � , temos que � � % X � � N � ��� . Expandindo � ��� em serie

de Taylor e lembrando que �X N � , obtemos� � % X � � � � N �

X % � � X � 'Y�� % � � X � �� � % .,.,.N �

X " � % �XY % � � XY�� ' % � � XY�� � % .,. . -

� �X �� � � X � Y . (2.12)

Page 17: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

11

Agora, voltando à hipótese "� � � � para � � J � , e notando que podemos escrever

���� � � %_^ � � � � � � � �� � � %O^ � � ����� � � %O^ � � � ,

onde � %�� � � , HG8 .,. . 8 � M�� H � . .,. � � M � H � .,. . � M e HG8 .,.,. 8 � M�� H � .,.,. � � M � � ,temos �����

� � �� � � %]^ � � ������ � � %_^ � � � � ������

������ � % X � �� � � X � � �]�

�����.

Usando relação � ��� X � � � � ��� � X � e (2.12) tem-se�����

���� � � %_^ � � � � � �

����� ������ � % X � �� ��� � X � � �

������

�����

� � � % X � � � � %� X� ��� � X ������

�����

� � X � � � � � X � Y �� %� X ���� � X������

������ � %� � X � � � X ' � Y� ��� � X � Y � � � � � X �

�����

�����

� � %� � X� � � � ' %� � X % � � X ' � Y�����

������ � %� � X��� � � ' %� � X

�����

������ � %� � X� � � � %� � X

������ �

X� � �

X .Ou seja, >�� � � > � > � ��� � � %O^ � � � � �]� >"�� � � � .

Aplicando o Lema 2.3 à (2.9) obtemos o erro reverso para o cálculo do produto interno

pelo algoritmo 2.17=8 � 6 � � � � 6 � � � % ��� � � � % 6 ' � ' � � % � � � � % 6�� � � � � % � � � ��� � % .,.,. % 6 � � � � � % � � Y � .(2.13)

Definindo > 6$> como um vetor cujos elementos são > 6�� > , ou seja,

> 6$> � ����> 6 >> 6 ' >

...> 6 �9>������ ,

a representação mais concisa do erro reverso é dada por7=8 � 6 � � � � � 6 % � 6 � � ��� 6 � � � % � � ��� >�� 6$>" � � � � > 6$> � > � � > �� � � � > � > . (2.14)

Page 18: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

12

O majorante para o erro direto segue imediatamente de (2.14):> 7=8 � 6 � � � � 6 � � > � � � � ���� > 6 � � � > � � � � � > 6$> � > � > (2.15)

Note que se > 6 � � >�� > 6$> � > � > , então nada garante que o erro relativo em 7=8 � 6 � � � seja

pequeno.

Para simplificar a análise envolvendo erro relativo, quando 6 � � �� � usaremos o

seguinte resultado.

Lema 2.4. Se 6 � �W�� � e �X

� , então7=8 � 6 � � � � 6 � � " � % � � � > 6$> � > � >> 6 � � > - (2.16)

Demonstração. A demonstração é imediata, segue da equação (2.15) e Lema anterior.

2.4.1 Acumulação do produto interno

Existem computadores com possibilidade de acumular produto interno usando o dobro

da precisão nos cálculos intermediários. Ou seja, se 6 e � são dois vetores cujos elementos

são números de ponto flutuante e o tamanho de mantissa é � , então o produto possui a

mantissa deY � � � ou de

Y � dígitos, portanto pode ser represado exatamente com mantissa

deY � dígitos. Nessa situação o acumulo computacional do produto interno tem um erro

relativo muito bom, isto é, 7=8 � 6�� � � � 6�� � � � %_^ � onde > ^ > � X.2

Uma outra possibilidade para reduzir o erro é implementar um outro tipo do so-

matório, onde o erro não depende da dimensão do vetor. Para maiores detalhes ver [11],

§4.2.2 ou [6].

2.4.2 Multiplicação matricial

Sejam � � 4 ��� � , 6 � 4 � e � � �K6 . O vetor � pode ser representado como �produtos internos, � � ��� � � 6 , � � J � , onde � � � é a -ésima linha de � . Usando (2.14)

temos

�� � � 7=8 � � � � 6 � � � � � % � � � � � 6 , >�� � � >"�� � � � > � � > .2Quando não especificarmos a forma como o cálculo do produto interno é feito, consideraremos que o

produto interno é acumulado pelo Algoritmo 2.1 com erro dado por (2.15).

Page 19: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

13

Com isso o erro reverso é dado por

���� � � % � � � 6 , >�� �Q>"�� � � � > �Q> (2.17)

e um majorante para o erro direto é> � � �� >"�� � � � > �Q>S> 6$> . (2.18)

O erro normalizado segue diretamente da definição de norma (Apêndice B, Sessões

B.3 e B.4). Por exemplo, na norma- � e �� � � �� � � �� � � � � � � � � 6 � � , � � � , � ,

e para normaY � � � �� � ' �� � � � � � ����� 6 � ' �� posto � � � � � � � � � � ' � 6 � ' . (2.19)

De fato,� � � �� � ' �� ���� > � � � �� � > '� � ' �� � � � � ��

�� � > � � � J � >[> 6$> �'� � '

�� � � � � ���� � � � � � J � � ' � 6 � ' �

'� � '�� � � � � 6 � ' � ��

�� � � � � � J � � ' �'� � '

� � � � � � 6 � ' � ���� �

�� � � � ���\�

'�� � ' � � � � � � 6 � ' � � ����� posto � � � � � � � � 6 � ' � � � '

Agora consideremos a multiplicação matricial: � � ��� , onde � � 4 � � � e � �4 � � � . A � -ésima coluna de � é dada por � � � ��� � , onde � � � � � J ���\� e � � � � � J ���\� . De

(2.14),

� � � � � � % � �� � � � , > � � � >"�� � � � > �Q> .

Dai temos o majorante para erro direto> � � �� >" � � � � > �Q>S>�� > � � � 4 � � �, � � 4 � � � � .

O majorante normalizado para norma- � , � e�

correspondente a� � � �� � � �� � � � � � � � � � � � , � � � , � ,� .

e para norma-Y

a� � � �� � ' �� � � � � � ����� � � ' �� posto � � � � � � � � � � ' � � � ' .

Page 20: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

14

2.4.3 Notação em Análise de Erro

Em análises mais complexas baseados no Lema 2.3 é necessário manipular os termos� % � � � e � � � � . O lema a seguir simplifica algumas das combinações mais usadas.

Lema 2.5. Seja >�� � � > � � � � � � X � � � � � X � para qualquer inteiro positivo�

. As

seguintes relações são satisfeitas

(i) � � % � � � � � � % � � �� � � � % � � � % �� ,(ii)

� � % � � � �� � % � � �� � ��� � % � � � % �0 � �,� % � � � % Y �� � @ �,

(iii) � � � � % X �� � � % � � ,(iv) � � � � �� � � � ,(v) � � � � % � � �\� % � � � � � � �\� �� � � % �\� .

Demonstração. � � é conseqüência direta de ��� � , pois� � % � � � � � � % � � �� � � � % � � � % � � �� % � � � � � �� onde, por hipótese>�� � � % � � �� % � � � � � �� > �� � � � % � � �\� % � � � � � � �\� .Para provar � � , � � � e ��� � basta aplicar a definição:

� � � � % X �� X��� � X % X � � � % � � X � � X '��� � X � � % � � X��� � � % � � X � � � � % � � , � � � � � � X��� � X � X� � � X � � � � �

e

� � � � % � � �\� % � � � � � � �\� �� X� � � X % � X��� � X % � � X '� ��� � X � � ��� � X �

�� X � � � � X � % � X � ��� � X � % � � X '� ��� � X � � ��� � X �

� � � % �\� X � � � X '� � � � % �\� X % � � X ' � � % �\� X��� � � % �\� X � � � � % �\� .

Page 21: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

15

Para provar � � , observemos primeiro que� � % � � � �� � % � � �� � � � % � � � � � � �0 � % � � �� .Portanto ����

� � � � � � �� � % � � �� ���� � � � � � %

� � � � �� %� � � � � � � � % �\� X � Y � � X '� � � Y � X � � � � � X � .

Se � �, � � % ��� X � Y � � X '� � � Y � X � � � � � X � � � % �\� X��� � � % �\� X � � � � % �\� ,

senão, � � % �\� X � Y � � X '� ��� Y � X � � � � � X � � � % �\� X � Y � � X '��� � Y � % � � X % Y � � X ' � � % Y �\� X��� � � % Y �\� X � � � � % Y ��� .

O próximo lema mostra como majorar o efeito de perturbação no produto matricial.

Lema 2.6. Seja �

� % ���� � 4 � � � . Se para uma norma consistente tem-se

� ��� � � ^ � � � � � para todo � , então�����

������ � � % ���

� � � �����

� ����� � ������ � %_^ � � � � ���

����

� � .Demonstração. Procederemos por indução em � . Para � � � a condição evidentemente

é satisfeita. Suponhamos que a hipótese vale para � � �, então

�����

��� ����� � � % ���

� � � ��� ����

� ����� ������ � � ��� % ��� ��� � ���

��� � � % ���

� � � � ��� ��� ����

� ����� �

� ��� � ����� ��� �� � �� % ���

� � � �����

� ����� % � ��� ��� � ����� ��� �� � �� % ���

� � ����� � ���

��� � %O^ � � � � ��� ��

����

� � %O^ ��� � � ��� � ����� ��� �� � �� % ���

� � ����� .

Page 22: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

16

Notando que��� � �

��� � � � % ���

� � ��� ��� � �

��� � � � % ���

� � � � �� �� � � ��� % ��� � ���� �

���� e

aplicando hipótese de indução temos

^ ��� � � ��� � ����� ��� �� � �� % ���

� � ����� ^ ��� � ������ � %O^ � � ��� ��

����

� � .E finalmente obtemos

�����

��� ����� � � % ���

� � � ��� ����

� ����� � ��� ����� � %O^ � � �]� ��� ��

����

� � .O próximo lema é uma variação do Lema 2.6, com uma demonstração análoga, uti-

lizando o fato de que���� � � �

�� ' � � ��� para quaisquer matrizes � e � .

Lema 2.7. Seja �

� % ���� � 4 � � � . Se para uma norma consistente tem-se

� � �

� ��� ^ � � � � � ' para todo � , então�����

������ � � % � �

� � � �����

� ����� � � ������ � %_^ � � � � ���

����

� � ' .Como exemplo, vamos agora fazer análise de erro da transformação de Householder.

Nessa análise utilizaremos a maioria dos resultados teóricos expostos acima.

2.5 Transformação de Householder

Uma matriz� � 4 � � � da forma

� ��� � Y� � � � � � (2.20)

é chamada de transformação de Householder e possui as propriedades de simetria e ortog-

onalidade. Quando um vetor 6 é multiplicado por�

, sua imagem é refletida no hiperplano

span H � M�� . A transformação de Householder é muito usada para zerar elementos de um

vetor. Em particular, dado um 6 � 4 � não nulo, é simples encontrar um vetor � em (2.20)

tal que� 6 é um múltiplo de � � � � � � � .,. . � � � � . Note que aplicando

�a um vetor 6

tem-se� 6 � 6 � " Y � � 6� � � - � , (2.21)

Page 23: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

17

ou seja, para que� 6 pertença a span H � M , devemos ter � � span H+6 , � M . Colocando� � 6 % � � obtemos � � � � � 6�� 6 % � 6 ,� � 6 � 6�� 6 % Y � 6 % � ' ,

e substituindo em (2.21)

� 6 �� ��� Y 6��I6 % � 6 6 � 6 % Y � 6 % � '�� 6 � Y � � ��6� � � � .

Para que o coeficiente de 6 seja nulo, � deve ser igual a � � 6 � ' . Ou seja, se � �6 � � 6 � ' � , então� 6 ��� � 6 � ' � . Para garantir a estabilidade numérica queremos que� � � ' � � 6 � ' , logo escolhemos � � sign � 6 � � 6 � ' .

Usando as observações acima podemos construir um algoritmo para determinar a ma-

triz� � � � � � � � , com � � Y � � � � , tal que

� 6 ��� � , onde 6 � 4 � é um vetor

arbitrário.

Algoritmo 2.2. Transformação de Householder

1. � � 62. � � �3. Para � � J �

3.1. � ��� % 6 '�4. � � sign � 6 � � �5. � � � % �6. � � � � � 6 � % � �

2.5.1 Tridiagonalização

Podemos usar as transformações de Householder para reduzir uma matriz simétrica

qualquer a uma matriz tridiagonal semelhante. De fato, seja � � 4 � � � uma matriz

simétrica e� � 4 � � �� � � � �� , a transformação de Householder tal que,

� � � Y J � � � � �� � � �� ,

Page 24: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

18

onde � � �� � � � � � � .,.,. � � � � � 4 � �� . Se

� �" � �� � - ,

então

� � � �" � �� � - " � � � � � � Y J � �

� � Y J � � � � � � Y J � � Y J�� � - " � �� � -�" � � � � � � Y J � � � � � � Y J � � � � � � � Y J � � Y J � � � - ,

sendo�

e � matrizes simétricas, � � � � � Y J � � � � � � � � � Y J � � � � ��� � � �� e

� � � �

������� � � � .,.,. �� �...� ��� � ����

�������� ,

onde ��� � ���� � � � � Y J � � Y J � � � . Agora definindo� ' � 4 � � �

' � � � � ' por

� ' � � � ���� � � J � � Y � �� ' � � � ' ,

� � �' � � � � � � .,. . � � � � � 4 � �

', e

� ' �" � ' �� � ' -

obtemos

� ' � � � � ' �

��������

� � � � �� '�' � � . .,. �� ' � . .,. �� � '� �...

...� � � � � �'�

� �������� ,

onde � � �' � � ' ��� � ���� � Y J � � � � Y J � � � � � ' . Continuando dessa forma, obtemos a

matriz tridiagonal � dada por

� � � � �' )+)+) � � � )+)+) � � �

'(2.22)

onde� � �

" � � �� � � - � � . .,. � � Y , (2.23)

e� � são a transformações de Householder.

Page 25: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

19

2.5.2 Análise de erro da transformação de Householder

Lema 2.8. Seja 6 � 4 � . Então �� e � � obtidos pelo Algoritmo 2.2 satisfazem

�� � � � � % � � Y � % � , � � � � � � � % � � � % Y �� � '�� � � � '�� � .E se para � � 4 � , ��� � � � � � Y � � � � � , então �� satisfaz

���� � � % � � � � , � � � � � � � � � � ' � � � � � % Y � � . (2.24)

Demonstração. Seguindo os passos do Algoritmo 2.2, primeiramente, calculamos pro-

duto interno �� � 798 � 6 � 6 � � 6 ' � � % � � � � � % 6 '' � � % � � � � % .,. . % 6 '� � � % � � Y � � 6 � 6 � � %� � � � . Depois extraímos a raiz, obtendo 7=8 � � 6 � ' � � � 7=8 � 6 � 6 � � � %*^ � , onde > ^ > N X.

Para facilitar as contas consideremos � � %_^ � � � % � � � � � ' � 6 � ' � � � % � � � % � � � 6 � ' , e

portanto temos �� � � � � % � � � % � � .Conseqüentemente,

�� � 7=8 " �6 �� % �� - � � � %O^ � '� � %O^ � � 6 � � � % � � � % � � % � � � % � � � �� � � %O^ � '� 6 � % � � � � % � � � % Y � � � � � % � � Y � % � .

Agora, nomeando � � �� � �=� � � � � � , temos7=8 � � � � 7=8 � �� � �9� � � � � � � � � � %O^ � � � %_^ ' � �� � � 798 � � � � � � , > ^ > , > ^ ' >" X .De onde segue que798 � � � � � � % � � Y � � � % � � Y � % � � � % � � � % Y � ' � � � � � � � % � � �!

� � � % � � � � % � Y � � � � � � � % � � � ,com >�� ��>" � � � � > ��> . Ou seja, 7=8 � � � � � �9��� � � � % � �

e > � � > � >�� � � � % � Y � � � � � � % � � � % � � � � � ��>�� � � � % � Y � > � � � � ��> % � � � � > � � � � >[>���> % � � � � % � Y � � � � � > � � � � >S>���>�� � � � % � Y � > � � � � >S>���> .

Page 26: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

20

Conseqüentemente

���� 798 � � � �� � � � � � �=��� � � � � � � % � � , > � � > X > � � �� > ,onde> � � � % � � >"&>�� � > % > � � > �� � � � % � Y � > � � � � >[> �0> % X >�� � �� >

�� � � � % � Y � > � � � � >S>���> % X > �0> % X > � �9��� � � � > % X � � � � % � Y � > � � � � >S>���>�� � � � % � � � > � � � � >S>���> % X > �0> .

Usando (2.19), o erro na norma 2 é dado por� � � � % � � � ' �� � � � % � � � � posto � � � � � � � � � � � � ' � � � ' % X � � � '� � � � � % � � � � � � � � � ' � � � ' % X � � � ' � � � � � � � % Y � % X � � � � ' .Portanto �� � � � % � � , onde

� � � � ' � � � � � % Y � � � � � ' , lembrando que� � � � � � ' � Y

.

Agora, queremos descobrir � � tal que �� � � � % � � � � . De onde � � � � � � � � � � � e,

conseqüentemente,� � � � � � � � � � ' � � � � � ' � � � � ' �� � � � � % Y � � .

O Lema 2.8 mostra o erro direto ( � � ) e o erro reverso ( � � ) da aplicação da transfor-

mação de Householder, obtida pelo Algoritmo 2.2, a um vetor � � 4 � qualquer.

Agora vamos analisar o erro direto e o erro reverso do processo da tridiagonalização.

Lema 2.9. Considere a seqüencia de transformações

� ��� � � � � � � � ,

onde � � � � 4 � � � e� � é uma matriz da forma (2.23). Então

�� ��� � � � )+)+) � � � % � � � � )+)+) � � , � � � ��� �� � Y � � � % � � � � � � ��� . (2.25)

Demonstração. Seja � ��� � � � .,.,. � � . Então a � -ésima coluna de � ��� é dada por� ��� �� � � . .,. � � � . Pelo Lema 2.8 temos

� � ��� �� � � � % � � � � )+)+) � � % � � � � � ,

onde cada � � � , para � � J � , satisfaz� � � � � � � � � � � � � � � � � � % Y � � , com � � Y

,�

.

Pelo Lema 2.6, obtemos� � ��� �

� � � )+)+) � � � � % � �� � ,

Page 27: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

21

com � � � � � ' ������

���� � ��� � � �

��� � � � % � � � � � � � ��

� � � �� ����� '

�����

���� � � � % � � � � � ��

�� � ������ ' � � � � '

� � � % � � � � � % Y � � � � � ��� ��

�� � � � � ' � � � � ' .Dado que

� � � � ' � � � � � ' � � para todo , então� � � � � ' � � � % � � � � � % Y � � � � � ��� � � � � ' .

Pelo Lema 2.5, � � % � � � � � % Y � � � � � � �� � � � � � % Y � � � . Portanto,� � � � � ' �� � � � � � % Y � � � � � � � ' .Conseqüentemente, �� ��� � � � )+)+) � � � % � �

� � , onde� � ����� �� � � � � � % Y � � � � � ��� .

Voltando a � ��� , temos � ��� � � ��� � )+)+) � � e

�� ��� � � �� ��� % � � ��� � � )+)+) � � .Se � � � ��� � � � é � -ésima linha de � � ��� e � � � ��� � � � é � -ésima linha da matriz �� ��� então� � � � ��� � � � � ' �� � � � � � % Y � � � � � � � ��� � � � � ' ,de onde � � � ��� ��� � � � � � � � % Y � � � � �� ��� ��� .Agora

�� ��� � � � � )+)+) � � � % � �� � % � � ��� � � )+)+) � �

� � � )+)+) � � � % � �� % � � )+)+) � � � � � ��� � � )+)+) � � ,

ou seja, � � � � �� % � � )+)+) � � � � � ��� . Mas� � � ��� � � �

���� % ��

� � � � ' � � � ��� ��� � � � ����� % � � � ��� ��� ,

Page 28: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

22

de onde, lembrando que �� ��� � � � )+)+) � � � % � �� � ,� � � ��� � � �

���� % � � � � � � % Y � � � � �� ��� ���

� � ����� % � � � � � � % Y � � � � � � ��� % � � �

���� �

� Y � � � � � � % Y � � � % � � � � � � � % Y � � � � ' � � � ���

�� � Y � � � % � � � � � � ��� .Lema 2.10. Seja � ��� definida como no lema anterior, então� �� ��� � � ��� ��� �� � Y � � � % � � � � � � ��� . (2.26)

Demonstração. Como no Lema anterior seja � ��� � � � )+)+) � � . Então

� � ��� �� � � � % � � � � )+)+) � � % � � � � � ,

onde cada � � � , para � � J � , satisfaz� � � � � � � � � � � � � � � � � � % Y � � , com � � Y

,�

. Dado que� � � � ' � � � � � ' � � para todo , então, usando Lema 2.6,� � � ��� � � � ��� � � '

�����

���� � � � % � � � � � ��

� � ������ ' � � � � '

�� � � � � � % Y � � � � � � � ' .De onde � �� ��� � � ��� ��� �� � � � � � % Y � � � � � ��� .

Voltando a � ��� , temos � ��� � � ��� � )+)+) � � e

�� ��� � �� ��� � � % � � � )+)+) � � � % � � � � .Portanto � �� ��� � � ��� � � �� ��� ��� �����

���� � � � � � � % � � � � � � � � ��

�� � � � � � ����� �

% � �� ��� � � ��� ��� ���� � � � ���

� � � � � � % Y � � � � �� ��� ��� % � � � � � � % Y � � � � � ��� .

Page 29: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

23

Usando expressão �� ��� � � � )+)+) � � � % � �� � obtida no Lema anterior, onde� � �

���� �� � � � � � % Y � � � � � ��� ,

temos� �� ��� � � ��� � �� � � � � � % Y � � � � � � ��� % � � ����� � % � � � � � � % Y � � � � � ���

�� � Y � � � % � � � � � � ��� .Observamos que o erro reverso e o erro direto fornecidos pelos Lemas 2.9 e 2.10,

respectivamente, possuem a mesma majoração, e no � � � Y � -ésimo passo, quando � � ��se torna matriz tridiagonal, são dados por� �� � �� � � � �� ��� �� � Y � � ' % ��� � � � � � � � ��� ,� � � ��� � � Y � � ' % ��� � � � � � � � ��� . (2.27)

Page 30: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Capítulo 3

Análise de erro da transformação deHouseholder generalizada

Nesse capítulo faremos a análise de erro direto e reverso da transformação de House-

holder generalizada ótima e do algoritmo de tridiagonalização usando essa transformação.

Na primeira sessão definimos a transformação de Householder generalizada e o algo-

ritmo da transformação de Householder generalizada ótima introduzido por Golub, Yuan,

Biloti e Ramos em [4]. Na segunda seção expomos o algoritmo de tridiagonalização. E

na terceira realizaremos a análise de erro direto e reverso.

3.1 Transformação de Householder generalizada

Em seu artigo [12] publicado em 1963, LaBudde estabeleceu um algoritmo para re-

duzir uma matriz arbitrária a uma matriz tridiagonal semelhante através da transformação

definida por� ��� % ��� � � , (3.1)

cuja inversa é dada por� �� � � % � � � � , (3.2)

onde � % �� � � � � � � . (3.3)

Tomando � � � � � Y � � � � e � ��� pode ser facilmente visto que a transformação de

Householder generalizada se reduz a transformação de Householder.

24

Page 31: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

25

Um estudo detalhado sobre transformação de Householder generalizada e suas pro-

priedades foi feito por Golub, Yuan, Biloti e Ramos em 2002 [4]. A seguir expomos um

breve resumo desse trabalho omitindo as demonstrações.

Teorema 3.1. Seja�

transformação de Householder generalizada com � e � linearmente

independentes. Então os valores singulares de�

são � , � e � ' , satisfazendo � � � �� ' @ � para ���� � ����� , onde

� � � % � � � � % �Y � ' � � � '' � � � '' % ��' � � � '' � � � '' � � % ��� � � % �

��' � � � '' � � � '' �

e

� � � % ��� � � % �Y � ' � � � '' � � � '' � ��' � � � '' � � � '' � � % ��� � � % �

��' � � � '' � � � '' �

Esse teorema garante que a normaY

da transformação de Householder generalizada é

sempre maior ou igual a � .Teorema 3.2. Seja � � � �� � , então o número de condição na norma

Yda transformação

de Householder generalizada�

atinge o seu mínimo quando � � � '����� .

Note que quando � � � �� � temos ��� � � � '����� , pois � � � X � � ��� .

Agora suponhamos que a matriz dada � tem a seguinte forma

� �"�� � �6 � � �� - .

Para transformar � em uma matriz tridiagonal semelhante, a transformação de House-

holder generalizada deve satisfazer as seguintes condições:� � % � � � � � 6 � � � ,e � � % � � � � � ��� � ' � .

Pelo Teorema 3.2, a opção ótima de � e � , em relação ao número de condição na normaY, é ��� � � � '��� � . Denotamos a transformação de Householder generalizada com opção

ótima de � como a transformação de Householder generalizada ótima e temos o seguinte

resultado.

Page 32: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

26

Teorema 3.3. Dados os vetores 6 e � tais que 6 � 6 � � @&� , então a transformação de

Householder generalizada ótima é dada por����������� ����������

� � 6 � � � ,����� � � ' � ,� � � sign � � � sign � 6 � � ��� ���� � 6 � � ,� ' � � sign � 6 � sign � 6�� � � � � ���� 6 � � ,

� � � � � �6 � � % sign � 6 � � � � 6 � 6 � � .Observação 3.1. Pelo Teorema 3.3, � � �C�� � implica em opção ótima � � � � � '� � �que leva a 6 � 6�� � @ � .

Utilizando a observação acima obtemos o seguinte lema.

Lema 3.4. Dados 6 e � , � � ��� � sempre que 6 � 6 � � N � .Teorema 3.5. Dados os vetores 6 e � tais que 6 � 6�� � N&� , então a transformação de

Householder generalizada ótima é dada por�������������� �������������

� � 6 � � � ,��� � � � ' � ,� � sign � � � sign � 6�� � � > 6 � � > % � > 6 � � > ' % > 6 � >S> 6 � � >> � > ,

� ' � � sign � 6 � sign � 6 � � � > � � 6�� � � >> 6 � � > % � > 6 � � > ' % > 6 � >[> 6 � � > ,��� � � � sign � 6�� � �� > 6 � � > ' % > 6 � >S> 6 � � > .

Dos Teoremas 3.3 e 3.5 segue o algoritmo da transformação de Householder general-

izada ótima.

Algoritmo 3.1. Transformação de Householder generalizada ótima e sua Inversa

1. Dados 6 e � tais que � 6 � � � 6 � �� � ;2. Se � 6 � � � 6 � @ �

então� � � sign � � � sign � 6 � � ��� ���� � 6 � � ,

Page 33: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

27

� ' � � sign � 6 � sign � 6 � � � � � ���� 6 � � ,

��� � � � � 6 � � % sign � 6 � � � � 6 � 6 � � � �� ;senão� � sign � � � sign � 6�� � ��� � � � � � � � �

� ��� � � ��� � � ��� � � � �

�� � � ,

� ' � � sign � 6 � sign � 6 � � � �� � � � � � �

� �� �

� � � � �� �

�� � � ��� � � ��� � � � � ,��� � � � sign � 6�� � � � � > 6 � � > ' % > 6 � >S> 6 � � > � �� ;

3. ��� 6 � � � e � ��� � � ' � ;4.� � � % ��� � � e

� �� � � % � � � � ;

3.2 Tridiagonalização

No capítulo anterior (Seção 2.5.1) mostramos como pode ser feita a tridiagonalização

de uma matriz simétrica aplicando as transformações de Householder. No caso das trans-

formações de Householder generalizadas podemos tridiagonalizar uma matriz qualquer,

aplicando procedimento similar.

Seja � � 4 � � � . Definimos a seguinte seqüencia de matrizes

� ��� � � � � � � ��� , (3.4)

onde � � � ,� � �

" � � �� � � - ,� ��� �

" � � �� � ��� - (3.5)

e� � , � ��� � 4 � � � � � � � � � são matrizes de Householder generalizadas ótimas definidas

na seção anterior. LaBudde [12] mostrou que após � � Y passos obtemos uma matriz

tridiagonal semelhante à matriz � .

De fato, suponhamos

� � �

���� � �

�...� �� )+)+) 6 � � � � � �

������ , (3.6)

Page 34: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

28

onde ��� � � � �� � � � � % � J � � � % � J � � . Sejam

� � e� ��� tais que

� � 6 � � � e� ��� ��� � ' � , então

� ��� � � � � � � ��� �

���� � �

�...� ' � � � )+)+) � � � � ��� � � � �� ���

������ (3.7)

e de (3.1) e (3.2) segue que

� � � � � � � �� ��� � � � � � � � % � � � � � � � � � � % � � � � � � � � � � % � � � � � � � � � � � � � � . (3.8)

Logo após � � Y passos a matriz � � �� é uma matriz tridiagonal.

Pelo fato da transformação de Householder generalizada não funcionar quando 6 � ���� ou 6 � � � , (ver Algoritmo 3.1) é introduzida uma correção do Break-Down [4], para

evitar essa situação.

Algoritmo 3.2. Tridiagonalização pela transformação de Householder generalizada

ótima

1. Para � � J � � Y1.1. 6 � � � % � J � � � , ��� � � � % � J � � ;1.2. Seja � 3 H % � � . .,. � � M o conjunto de índices para quais é satisfeita a

condição 6 � �L�� � , trocando as colunas e � � H % � � . .,. � � M , e linhas e � ;

1.3. Se � é vazio, então chama Algoritmo 3.3 e redefina � como em 1.2;

1.4. Seja � seja o índice tal que> � � � � � ) � � � � � > � � � 6 � ��� H�> � � ��� � ) � � ���\� > M��1.5. Trocar colunas % � e � , e linhas % � e � ;

1.6. Chamar Algoritmo 3.1;

1.7. � � � � % � J � � % � J�� � � � ,

� � � � % � J � � % � J � � � ,� � � � � ;

Page 35: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

29

1.8. Para k=i+1:n� � � � � ,� � � ��� % � � � � ;Para j=i+1:n

� � � � ��� � � � � ���\� % � �� % � � � ;

1.9. � � % � � � � � ,� � � % � � � � '

,

� � � % Y J � � � � � % Y J�� � � � � .Algoritmo 3.3. Correção do Break-Down

1. Achar � tal que � ��� � � �� � , � �� � e � �� � , onde � � � � % � J � ���\� e��� � � ��� % � J � � ;

2. Escolher � grande suficiente de tal forma que � � % 6�� � � � � � �� � , 6 % ��� �� �e � � � � �� � ;

3. � � J � � % � � � � � J � � % � � % � � � J � ���\� ,� � % � � $J � � � � � % � � $J � � � � � � ��� J � � ;

4. 6 � � � % � J�� � � , ��� � � � % � J�� � .3.3 Alguns resultados teóricos

Expomos a seguir alguns resultados envolvendo produto interno que serão usados nos

cálculos posteriores.

Observação: Consideraremos �

X � para qualquer coeficiente de erro � encontrado

a partir dessa seção.

Lema 3.6. Sejam 6 , � vetores de 4 � e 6�� � @*� o produto interno obtido pelo Algoritmo

2.1. Se � � � 6 � � então

� � � 7=8 � � � � � � � % � � � % � > 6$> � > � >6 � � � . (3.9)

Demonstração. Usando (2.5) podemos escrever798 � � 6 � � � � � � %O^ � � 798 � 6 � � � , > ^ >" X .

Page 36: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

30

De (2.16) obtemos

� 798 � 6 � � � � 6 � � " � % � � � > 6$> � > � >6 � � - .Conseqüentemente> � � � � >>?��> � > 7=8 � � 6 � � � � � 6 � � >� 6 � � �

����� � � %_^ � � % � � � > 6$> � > � >6 � � � � ����� � � % X � " � % � � � � > 6$> � > � >6 � � - � � > 6$> �$> � >6 � � � � � � � % X % X � � � � ��� � � % � � > 6$> � > � >6 � � .

Lema 3.7. Sejam 6 , � vetores de 4 � e 6�� � @ � calculado pelo Algoritmo 2.1 Se � � � � � ,

então� � � 7=8 � � � � � � � % � � � � % � � � � % � �! � , (3.10)

onde � � � � ������ �

� ��.

Demonstração. Aplicando modelo (2.6), � � pode ser escrito como

� � � 798 " �6 � � - � �7=8 � 6 � � � �� � %O^ � , > ^ >" X .Interpretando 7=8 � 6 � � � pela equação (2.13) obtemos

� � � �6 � � � % � � � , > � � >"�� � � % � � > � > .Logo, > � � � �+>> �+> �

��� � � � � ��� � � � � � ������ � � � ��� � > 6 � � > ����� �6 � � � � % � � � �� � �/� � �6 � � �����

������� � � � �� � �� % � � � �� � �

�����

Lembrando que, por hipótese, 6 � � @]� , temos������ � � � �� � �� % � � � �� � �

����� � � � % � � � � � � � � �� � �� � � � � % � � � � � � � � �� � � � � � � � % � �� � � � � � % � � .

Page 37: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

31

Agora,� � � � % � ���� � � � � % � � ��� � � � � � � � ���� �

� � � � � � � � � � � � � % � � X��� � � % � � � � % � � X � � % � � � � % � � X��� � � % � � � � % � � X� � � � � % � � � � % � � � ,ou seja, > � � � �+>> �+> �� � � � % � � � � % � � � .

Note que o Lema 2.5 também é válido para índices reais, portanto usando a relação� � � no Lema 3.6 podemos escrever a equação (3.9) na seguinte forma798 � � 6 � � � � � 6 � � � � % � � � � % � � , (3.11)

onde � � � � ������ �

� ��.

3.4 Análise de erro da transformação de Householder gen-eralizada

Nessa seção faremos a análise de erro da transformação de Householder generalizada

ótima. As demonstrações por extenso serão feitas apenas para�

, pois os resultados obti-

dos se aplicam também a� �� . De fato, no caso quando � 6 � � � 6 � @ � , � e

� �� são

simplesmente iguais, e quando � 6�� � � 6 � N � a diferença está apenas no sinal dos coefi-

cientes � e � ( ��� � � ) o que não afeta a análise.

Primeiramente, analisaremos o erro quando � 6�� � � 6 � @ � .Lema 3.8. Sejam 6 , � � 4 � vetores tais que � 6 � � � 6 � @ � . Então os coeficientes � � ,� � ' , � � e � � e os vetores �� e � � , obtidos pelo Algoritmo 3.1, são dados por

� � � � � � % � � � � % � � , (3.12)

� � ' � � ' � � % � � � � % � � , (3.13)

� ��� � � � � � � % � � � � % � � � � % � �� � , (3.14)

���� � � � % � � � � % � � , (3.15)

� � � �9� � % � � � � % � � , (3.16)

onde � � � � ������ �

� ��.

Page 38: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

32

Demonstração. As relações (3.12) e (3.13) são imediatas, basta notar que7=8 " � 6 � 6 � � - � � � %O^ � � 6 � 6 � � � % � � � , > ^ >" X, >�� � > �� � � % Y � .

e aplicar equação 3.11.

Para mostrar relação (3.14), em primeiro lugar, vamos escrever � � na seguinte forma:

� ��� � 7=8 " � 6 � � % sign � 6 � � � � 6 � 6 � � � �� -� � � � � %_^ � � � %O^ ' � � 7=8 � 6 � � � % sign � 6 � � � 7=8 � � 6 � 6 � � ��� � �� ,

onde > ^ > , > ^ ' >" X. Usando equações (2.13), (2.16) e Lema 3.6 temos� � %_^ � � � %O^ ' � 7=8 � 6 � � � � 6 � � " � % � � � % Y > 6$> � > � >> 6 � � > - ,

e � � %O^ � � � %O^ ' � 7=8 � � 6 � 6 � � � � � 6 � 6 � � " � % � � � % � > 6$> � > � >> 6 � � > - .Assim como � 6 � � � e � sign � 6 � � � � 6 � 6 � � � possuem o mesmo sinal, temos

� ��� � " " � % � � � % � > 6$> �$> � >> 6 � � > - � 6 � � % sign � 6 � � � � 6 � 6 � � � - �� .Repetindo os passos da demonstração do Lema 3.7 obtemos

� ��� � � � % � � � � % � � � � % � �! � .Por fim, como sign � 6 � � � sign � � � , tem-se

�� � � 6 � � � � � � %_^ � � � 6 � � � � � % � � � � % � � � � %_^ �� � � � % � � � � % � � , > ^ >" X .O mesmo vale para � .

O próximo resultado descreve o erro relacionado à aplicação da transformação de

Householder generalizada a um vetor.

Lema 3.9. Sejam � � 4 � e ��� �� � � � % � � � � � � � � % � X ��� � � � . Então

���� 7=8 � � % � � �� � � � � � � � � � � % � � � � ,� � � � � � � � � % � � � % Y�Y � % � � � � � � ' , � � Y,� . (3.17)

onde � � , �� e � � são dados pelo Lema anterior.

Page 39: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

33

Demonstração. A demonstração é análoga a que foi feita na segunda parte do Lema 2.8.

Definindo � � � � �� � � � � � � e usando Lema 2.5 temos

�� � � � %O^ � � � %O^ ' � � � % � � � � % � � � � % � �� � � � % � � � � % � � ' � X ��� � � � % � � � �� � � % � � � � � % � � � % � � % � � � � X ��� � � � % � � � � , >�� �9> �� � � � > �9> .

Ou seja,

�� � ��� � � � % � � ,

onde > � � > � > ��� � � � � % � � � � � % � � � % � � % � � ��� � � � � % � � � > � � � � > ��� � � >S> �9> % � � � � � % � � � % � � % � � � > ��� � � �9>% � � � � � � � � � % � � � % � � % � � � > ��� � � >[> �9> � � � � � % Y � � % � � % � � � > ��� � � >[> �9> .

Usando (2.19) e o fato de que posto � ��� � � � � � , o erro na norma 2 é dado por� � � � ' �� � � � � % Y � � % � � % � � � � ��� � � � ' � � � '�� � � � � % Y � � % � � % � � � � � � � ' % � � � � � ' .

Pelo Teorema 3.1 o maior valor singular � da transformação de Householder gen-

eralizada é maior ou igual a � , quando � �� � � � � . Assim como a transformação de

Householder generalizada ótima satisfaz essa hipótese,� � � ' � � � � . Portanto� � � � ' Y � � � � � % Y � � % � � % � � � � � � ' � � � '

�� � � � % � � � % � � � % Y � � � � ' � � � ' .Voltando à expressão de � temos

���� 7=8 � � % �� � � � � � � � � � � � %O^ � � � % � �

onde� � � � ' � ^ � � � � � %O^ � � � 'X � �

�� ' % � � � � % � � � % � � � % Y � � � � ' � � � '% X � � � � % � � � % � � � % Y � � � � ' � � � '

� X % � � � � % � � � % � � � % Y � % X � � � � % � � � % � � � % Y � � � � � ' � � � ' � � � � % � � � % � � � % Y � � � � � ' � � � ' .

Page 40: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

34

Agora, queremos achar � � tal que �� � � � % � � � � . Então tomando � � � � � � � � � � �tem-se

� � � ��� � � � � � ' � � � � � ' � � � � ' �� � � � % � � � % � � � % Y � � � � � 'Assim como

� � � �� , o resultado do Lema se aplica também a � � � � �� � � � , ou

seja,

���� � � �� % � � �� � � � , � � � �� � � �� � � � % � � � % � � � % Y � � � � �� � ' , (3.18)

onde � � Y,�

.

O próximo passo é analisar o erro no processo de tridiagonalização.

Lema 3.10. Considere a seqüencia de transformações

� ��� � � � � � � ��� , (3.19)

onde � � � � 4 � � � ,

� � �" � � �� � � - ,

� ��� �" � � �� � ��� - (3.20)

e� � , � ��� � 4 � � � � � � � � � são transformações de Householder generalizadas ótimas com� 6�� � � 6 � @ � . Então

�� ��� � � � )+)+) � � � % � � � � �� )+)+) � ��� , (3.21)

onde � � � ��� �� ��� � Y ��� � � % � �

� % Y � ��

�� � � % � � � ����� ��

� �� ' � � � � �e

�' � � � � é número de condição de

� � .

Demonstração. Seja � ��� � � � .,.,. � � . Então � -ésima coluna de � ��� é dada por� ��� �� � � . .,. � � � . Pelo Lema 3.9 temos

� � ��� �� � � � % � � � � )+)+) � � % � � � � � ,

onde cada � � � , para � � J � , satisfaz� � � � � � � � � � � � � � � � � � % � � � % � � � � %Y � � � � � � ' , com � � Y

,�

. Dado que� � � � ' � � , tem-se

� � � � ' � � � � � ' para todo e

usando Lema 2.6 obtemos

� � ��� �� � � )+)+) � � � � % � ��

� � ,

Page 41: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

35

com� � ��� � ' �

�����

���� � ����� � � � ��

�� � � � % � � � � � � � ���� � � �

� ����� '

���� � � ��� � ' ����� �� �� � � � % � � � � � ��

�� � ������ ' � � � � '

� ���� � � % � � � � � % � � � % � � � � % Y � � � � �

���� � � ��� � ' ��

�� � � � � ' � � � � ' .Aplicando o Lema 2.5 a � ��� � � % � � � � � % � � � % � � � � % Y � � � temos

���� � � % � � � � � % � � � % � � � � % Y � � � � % � � ��

� � � � � % � � � % � � � � % Y �

� � % � � � ���� � � % � �

� % � � ��

�� � � % Y � � .

Para facilitar a leitura consideremos

� � � ���� � � % � �

� % Y � ��

�� � � % Y � � .Então, � � ��

� � ' �� � � � ���� � � ���

� ' � � � � ' � � � � '� � � � � ��

�� � ' � � � � � �� � '

,

onde,

�' � � � � é número de condição de

� � . Conseqüentemente �� ��� � � � )+)+) � � � %� �� � , onde � � �

���� �� � � � � � ��� ��

� � ' � � � � .Voltando a � ��� , temos que � ��� � � ��� � �� )+)+) � ��� e

�� ��� � � �� ��� % � � ��� � � �� )+)+) � ��� .Se � � � ��� � � � é � -ésima linha da matriz � � ��� e � � � ��� � � � é � -ésima linha da matriz �� ��� ,então � � � � ��� � � � � ' �� � � � ��

� � ' � � � � � � � � ��� � � � � ' ,

Page 42: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

36

de onde � � � ��� ��� �� � � � � �� ��� ��� ���� � ' � � � � .

Agora

�� ��� � � � � )+)+) � � � % � �� � % � � ��� � � �� )+)+) � ���

� � � )+)+) � � � % � �� % � � �� )+)+) � ��� � � � ��� � � �� )+)+) � ��� ,

ou seja, � � � � �� % � � �� .,.,. � ��� � � � ��� . Utilizando o fato de que� � � �� .,.,. � ��� � � � ��� ��� � � � �� � ' .,.,. � � ��� � ' � � � � ��� ���

temos � � � ��� � � ����� % ��

�� � � ���� ' � � � ��� ��� .

Lembrando agora que �� ��� � � � )+)+) � � � % � �� � , tem-se

� � � ��� � � ����� % ��

�� � � ���� ' � � � � � � �� ��� ��� ��

�� � ' � � � �

� � ����� � � % � � � � ��

�� � ' � � � �'� % � � � � � � ��� ��

�� �� ' � � � �'

� � � � � � ��� ��� �� ' � � � � � � % � � � � ��

� � ' � � � �' % ��

�� �� ' � � � �

� � Y � � � � ��� ���� �� ' � � � � � .

Lema 3.11. Seja � ��� definida no lema anterior, então� �� ��� � � ��� ��� �� � � � � � ��� ��� � ' � � � � � Y % � � � � ��

�� � ' � � � �

, (3.22)

onde

�' � � � � é número de condição de

� � e

� � � ���� � � % � �

� % � � ��

�� � � % Y � � .

Page 43: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

37

Demonstração. Como no Lema anterior seja � ��� � � � )+)+) � � . Então � -ésima coluna

de � ��� é dada por � ��� �� � � .,. . � � � . Pelo Lema 3.9 temos

� � ��� �� � � � % � � � � )+)+) � � % � � � � � ,

onde cada � � � , para � � J � , satisfaz� � � � � � � � � � � � � �� � � � � % � � � % � � � � % Y � � � � � � ' ,para � � Y

,�

. Pelo fato de que� � � � ' � � , tem-se

� � � � ' � � � � � ' para todo � � J � .

Usando Lema 2.6 obtemos� � � ��� � � � ��� � � ' ������� ���� � � � % � � � � � � � ��

�� � � �� ����� '

� ��� � � % � � � � � % � � � % � � � � % Y � � � � �

���� � � � � ' � � � � ' .

Como já foi mostrado no lema anterior,� � � ��� � � � ��� � � ' �� � � � ���� � � � � ' � �

� � ' .Daí � �� ��� � � ��� ��� �� � � � ��

�� � � � � ' � � ���Agora seja

�� ��� � �� ��� � � �� )+)+) � ��� � . De

�� ��� � �� ��� � � �� % � � �� � )+)+) � � ��� % � � ��� � ,temos � �� ��� � �

� ��� ��� � �� ��� ��� �����

���� � � ��� � � � �% � � ��� � � � � � ��

�� � ��� � � � ����� ��� � � � ��

�� � � ���� ' � �� ��� ��� .

Substituindo a expressão de �� ��� obtida no lema anterior temos� �� ��� � �� ��� ��� �� � � � � � � ��� % � � �

���� � ��

� � ' � � � � ,

Page 44: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

38

onde � � ����� �� � � � � � ��� ��

� � ' � � � � .Por outro lado � �

� ��� � � ��� ��� � � �� ��� � � ��� � � � �� )+)+) � ��� � ��� � � � � ��

� � � � � ' � � �����

�� � � ��� � '� � � � � � � ��� ��

�� � ' � � � � .Portanto, � �� ��� � � ��� ��� � �� ��� � �

� ��� ��� % � �� ��� � � ��� ���

� � � � ���� �� ' � � � � � Y � � ��� % � � �

���� �

� � � � � � ��� ���� �� ' � � � � � Y % � � � � ��

�� �� ' � � � �

Os Lemas 3.10 e 3.11 mostram o erro reverso e o erro direto da tridiagonalização no� � % � � -ésimo passo, respectivamente.

Toda análise acima foi feita supondo que � 6�� � � 6 � @ � (primeira parte do Algoritmo

3.1). Agora vamos realizar a mesma análise para o caso quando � 6 � � � 6 � N � .Lema 3.12. Sejam 6 , � � 4 � vetores tais que � 6 � � � 6 � N � . Então os coeficientes � � ,� � ' , � � e � � e os vetores �� e � � , obtidos pelo Algoritmo 3.1, são dados por

� � � � � � % � � � � % � � , (3.23)

� � ' � � ' � � % � � � Y � % � � � � % � �! � , (3.24)

� � � � � � � � � � % � � � Y � % � � � % � � % � � , (3.25)

���� � � � % � � � � % � � , (3.26)

� � � �9� � % � � � Y � % � � � % � � % � , (3.27)

onde � � � � ������ �

� ��.

Page 45: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

39

Demonstração. A demonstração é feita utilizando as relações do Lema 2.5 e Lema 3.6.

Para demonstrar (3.23) e (3.24) primeiro vamos analisar � > 6 � � > ' % > 6 � >[> 6 � � > . Uti-

lizando o Lema 2.5 e a equação (3.11) temos7=8 � � > 6 � � > ' % > 6 � >S> 6 � � > �� � � %O^ � � > 6 � � > ' � � % � � � � % � � ' % > 6 � >S> 6 � � > � � % � � � � % � �� � � %O^ � � � � % � � � � % � � ' � > 6 � � > ' % > 6 � >[> 6 � � > �� � � % � � � � % � � � > 6 � � > ' % > 6 � >S> 6 � � > .

Por outro lado,7=8 � � > 6 � � > ' % > 6 � >S> 6 � � > �� � � %O^ � � > 6 � � > ' � � % � � � % � � � ' % > 6 � >S> 6 � � > � � % � � � % � � �� � � %O^ � � � � % � � � % � � � ' � > 6 � � > ' % > 6 � >[> 6 � � > �� � � % � � � % � � � � > 6 � � > ' % > 6 � >S> 6 � � > .

Agora o primeiro resultado utilizamos para calcular � � ,� � � � � % � � � � % � � � .

Com segundo resultado é simples calcular a inversa, como já foi mostrado no Lema 3.7,7=8 � � > 6 � � > ' % > 6 � >[> 6 � � > �� �� � � � % � � � % � � � � > 6 � � > ' % > 6 � >S> 6 � � > � ��� � � % � � � � % � � � � % � �! � � > 6 � � > ' % > 6 � >[> 6 � � > �� .

De onde obtemos � � ' ,� � ' � � � � % � � � Y � % � � � % � � % � � � ' ,

e os coeficientes � � e� �� ��� � � � � � � % � � � � % � � � � % � �! � .

Os vetores �� e � � são calculados do mesmo modo do Lema 3.8.

As demonstrações dos três lemas a seguir são iguais aos Lemas 3.9, 3.10 e 3.11,

respectivamente.

Page 46: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

40

Lema 3.13. Sejam � � 4 � e ��� �� � � � % � � � � � � � � % � X ��� � � � . Então

���� 7=8 � � % � � �� � � � � � � � � � � % � � � � ,� � � � � �� � � � � � % � � % � � % ��� � � � � ' , � � Y,� . (3.28)

onde � � , �� e � � são dados pelo lema anterior.

O resultado do Lema se aplica também a ��� � � �� � � � , ou seja,

���� � � �� % � � �� � � � , � � � �� � � �� � � � � � % � � % � � % ��� � � � �� � ' , (3.29)

onde � � Y,�

.

Lema 3.14. Considere a seqüencia de transformações

� ��� � � � � � � ��� , (3.30)

onde � � � � 4 � � � ,

� � �" � � �� � � - ,

� ��� �" � � �� � ��� - (3.31)

e� � , � ��� � 4 � � � � � � � � � são transformações de Householder generalizadas ótimas com� 6 � � � 6 � N � . Então

�� ��� � � � )+)+) � � � % � � � � �� )+)+) � ��� (3.32)

onde � � � ��� �� � Y � � � � ��� ���� � ' � � � � � ,

�' � � � � é número de condição de

� � e

� � � � � ���� � � % �

� % � ��

�� � � % ��� � .Lema 3.15. Seja � ��� definida no lema anterior, então� �� ��� � � ��� ��� �� � � � � � ��� ��

� � ' � � � � � Y % � � � � ���� � ' � � � �

, (3.33)

onde

�' � � � � é número de condição de

� � e

� � � � � ���� � � % �

� % � ��

�� � � % ��� � .

Page 47: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

41

Observação: É razoável supor que � � � � � ��� � ' � � � � � , logo o erro dos Lemas 3.11

3.15 pode ser dado por� �� ��� � � ��� ��� � � � � � � � ��� ��� � ' � � � � ,

onde � é dado em cada um dos Lemas.

Os Lemas 3.14 e 3.15 mostram o erro reverso e o erro direto da tridiagonalização no� � % � � -ésimo passo, respectivamente.

Page 48: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Capítulo 4

Conclusão

Apresentamos no Capítulo 3 a análise de erro do algoritmo da tridiagonalização pelas

transformações de Householder generalizadas ótimas. No caso particular da matriz �ser simétrica, a transformação de Householder generalizada ótima é reduzida a trans-

formação de Housholder e, conseqüentemente, os erros da tridiagonalização devem ser

iguais para os dois algoritmos descritos em Seções 2.4.1 e 3.2. De fato, lembrando que

se � é simétrica então

�' � � � � � � , � � � � , para todo � � J � , e os coeficientes

� , � ' ,� , � e os vetores � , � são obtidos pelo Algoritmo 3.1 para o caso quando � 6 � � � 6 � @ � ,o erro reverso e o erro direto pela transformação de Householder generalizada ótima são

dados pelas Lemas 3.10 e 3.11:� � � ��� �� � Y � � ' % � � � � ����� � � � ��� ,� �� ��� � � ��� ��� �� � Y � � ' % � � � � ����� � � � ��� ,

enquanto os erros reverso e direto da tridiagonalização pelas transformações de House-

holder são dados pelos Lemas 2.9 e 2.10:� � � ��� �� � Y � � ' % ��� � � � � � � � � ��� ,� �� � �� � � � �� ��� �� � Y � � ' % ��� � � � � � � � � ��� .Como podemos ver a diferença entre os dois resultados, dada devido a diferença nas im-

plementações dos Algoritmos 2.2 e 3.1, é desprezível quando � é razoavelmente grande.

Para o caso de matriz � ter todos os elementos com o mesmo sinal (essa possibilidade

não é única), o erro reverso é dado pelo Lema 3.10 e o erro direto é dado pelo Lema 3.11,

com� � � � � Y � .

42

Page 49: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

43

No caso geral o erro reverso e o erro direto são estimados pelos Lemas 3.14 e 3.15,

respectivamente, com� � � � � Y � .

Comparando os dois erros, reverso e direto, vemos que o erro reverso depende de� ��' � � � � � , enquanto o erro direto de � �

�' � � � � . Ou seja, se as matrizes

� � forem mal

condicionadas, o erro reverso é muito pior que o erro direto.

Nesse trabalho não realizamos os testes numéricos por causa da dificuldade de imple-

mentação. Para poder avaliar o erro trabalhando com precisão dupla, dada uma matriz �qualquer, precisaríamos saber qual seria a matriz tridiagonal exata obtida pelo Algoritmo

3.2, sem os erros numéricos. Uma solução seria implementar os Algoritmos 3.1 e 3.2

em duas precisões diferentes, com condição de que a mantissa de uma precisão fosse o

dobro da outra, por exemplo precisão dupla e precisão dupla estendida. Então, a matriz

tridiagonal resultante, calculada na precisão dupla estendida, seria igual a matriz tridiago-

nal exata arredondada para precisão dupla (Seção 2.3.1). Mas nos computadores pessoais

(baseados nos processadores com arquitetura x86) a mantissa da precisão dupla possui

53 bits e a mantissa da precisão dupla estendida apenas 64 bits, o que torna inviável essa

comparação. Existem supercomputadores nos quais a precisão dupla estendida possui a

mantissa com 105 bits. Mas atualmente não temos acesso a nenhuma dessas máquinas.

Page 50: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Apêndice A

Padrão IEEE-754

Quando se quer falar de um sistema de ponto flutuante ou, quando se quer caracterizá-

lo, é necessário especificar: a base numérica do sistema; o número de dígitos da mantissa;

o intervalo de abrangência do expoente da base e como é feita a representação destes

números; como é feito o tratamento de underflow e overflow; como são efetuados as op-

erações aritméticas e os tipos de arredondamentos disponíveis e utilizados nas operações,

pois isto influenciará a análise e quantificação dos erros que cálculos efetuados neste sis-

tema terão.

A.1 Objetivos e especificações

Em 1985 o IEEE (Institute of Electral and Eletronics Engineers) publicou o padrão

754 [8], que define a aritmética binária de ponto flutuante e como tratar os casos especiais

que ocorrem durante a resolução de um determinado cálculo ou problema.

O padrão IEEE-754 especifica:

1. formato do número de ponto flutuante estendido e simples;

2. operações de adição, subtração, multiplicação, divisão, raiz quadrada, resto e oper-

ações de comparação;

3. conversão entre inteiros e formatos de ponto flutuante;

4. conversão entre diferentes formatos de ponto flutuante;

5. conversão entre números em ponto flutuante simples e strings decimais;

44

Page 51: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

45

6. exceções em ponto flutuante e suas manipulações, incluindo "não-número"(NaNs).

A.2 Definições

� "Biased"expoente: a soma de uma constante (bias) ao expoente, de forma que o

expoente não seja nunca negativo, facilitando a representação. É uma mudança de

escala. Ex: Cray.

� Número binário em ponto flutuante: um cadeia de bits é caracterizado por três

componentes. São eles um sinal, um expoente sinalizado, uma mantissa. O valor

numérico, se existir, é o produto sinalizado da mantissa e da base binária elevado à

potência do expoente. Neste padrão nem sempre é possível distinguir um cadeia de

bits do número que ela representa.

� Número desnormalizado: um número não nulo em ponto flutuante cujo expoente

tem um valor reservado, usualmente o formato mínimo e cujo o primeiro bit da

mantissa é zero. É útil para representar números menores do que o menor número

de máquina do padrão normalizado.

� Destino: a posição do resultado de uma operação binária ou unária. O destino

pode ser explicitamente especificado pelo usuário ou implicitamente suprido pelo

sistema (por exemplo, resultados intermediários em sub-expressões ou argumentos

de procedimentos). Algumas linguagens colocam os resultados intermediários de

cálculos em destinos fora do controle do usuário. Este padrão define o resultado de

uma operação em termos do formato do destino e dos valores dos operandos.

� Expoente: o número 2 é elevado a este componente do número binário de ponto

flutuante. Ocasionalmente, o expoente é chamado de "expoente sinalizado"ou "un-

biased expoente".

� Fração: o campo da mantissa que fica do lado direito do ponto binário implícito.

� Modo: uma variável que um usuário pode marcar, salvar e restaurar para controle

de execução de uma operação aritmética subseqüente. O modo "default"é aquele

que está ativo no programa, a menos que uma declaração contrária explícita seja

incluída no programa ou em suas especificações. O seguinte modo deve ser imple-

mentado: arredondamento, para controlar a direção dos erros de arredondamento.

Page 52: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

46

Em certas implementações, a precisão do arredondamento pode ser necessária, para

encurtar a precisão do resultado. O implementador pode, se quiser, implementar os

seguintes modos: "traps"habilitados/desabilitados, para o tratamento de exceções.

� NaNs: não-número. É um código de uma entidade simbólica no formato de ponto

flutuante. Sua finalidade é não interromper o cálculo em situações tais como 0/0 e

raiz de um número negativo, permitindo que a computação continue, mas indicando

que houve algum cálculo inválido. Existem dois tipos de NaNs:

a) NaNs sinalizados: indicam exceção de operação inválida, quando as oper-

ações aparecem como operandos.

b) NaNs quietos: se propagam através de quase todas as operações aritméticas,

sem sinalizar exceções.

� Resultado: é uma cadeia de bits (geralmente representando um número) que é

entregue a um destino.

� Mantissa: um componente de um número binário em ponto flutuante que consiste

de um explícito ou implícito primeiro bit à esquerda do ponto e o campo de fração

à direita.

� Deve: quando esta palavra aparecer no texto significa que o que está sendo referido

deve constar em qualquer implementação.

� Deveria: o uso desta palavra "deveria"significa que é fortemente recomendado, ou

seja, está mais de acordo com o padrão; porém a arquitetura da máquina ou out-

ros impedimentos podem tornar impraticável a implementação conforme o padrão

sugere.

� Flags de estados: uma variável que pode tomar dois estados, ligado/desligado. O

usuário pode desligar o flag, copiar, restaurar o estado anterior. Quando ligado, o

estado do flag pode conter informações adicionais do sistema, possivelmente in-

acessíveis a alguns dos usuários. As operações desse padrão podem ligar, como um

efeito colateral, alguns dos seguintes flags:

a) resultado inexato

b) underflow

Page 53: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

47

c) overflow

d) divisão por zero

e) operação inválida

� Usuário: qualquer pessoa, hardware ou programa não especificado pelo padrão, e

que tenha acesso e controle às operações do ambiente de programação especificado

neste padrão.

A.3 Formatos

Esse padrão define 4 formatos de ponto flutuante divididos em dois grupos, simples

e estendido, cuja precisão é simples e dupla. O nível de implementação deste padrão é

caracterizado pela combinação dos formatos suportados.

A.4 Conjunto de Valores

Esta seção diz respeito somente à representação dos valores numéricos representados

dentro do formato, não à codificação. Os únicos valores representáveis num determinado

formato são aqueles especificados pelos três parâmetros inteiros que seguem:

� - número de bits da mantissa (precisão),

������� - expoente máximo e

������ - expoente mínimo.

A tabela a seguir resume os parâmetros dos formatos de ponto flutuante.

ParâmetroFormato

Simples SimplesEstendido

Duplo DuplaEstendido

� Y� � � Y � � � �

������� % � Y � � % � � Y � % � � Y � � % � �� � ������� � � Y � � � Y�Y � � � Y�Y � � �� � Ybits do expoente � � ��� ��� � � �total em bits � Y � � � � � � �

Page 54: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

48

A.5 Formato simples

O formato simples é constituído de 32 bits, distribuídos como mostra a figura� � Y �� � �

A.6 Formato duplo

O formato duplo é constituído de 64 bits, como mostra a figura

� ��� � Y� � �

A.7 Formato estendido

Os formatos simples estendido e duplo estendido são codificados de acordo com as re-

strições da tabela acima. Este padrão permite na implementação codificar alguns valores

redundantemente. Esta redundância tem que ser transparente para o usuário nos seguintes

aspectos: ou a implementação codifica cada valor não nulo de uma forma única, ou in-

terpreta os valores não nulos redundantes como um mesmo valor. Uma implementação

pode também reservar alguns bits para propósitos que vão além do escopo deste padrão.

Quando esses bits reservados aparecem como operandos o resultado não é especificado.

Numa implementação não deve ser assumido que o formato simples estendido possua um

intervalo maior do que o formato duplo.

A.8 Combinação de formatos

Toda a implementação conforme este padrão deverá suportar o formato simples. Uma

implementação deveria suportar o formato estendido correspondente ao formato básico

suportado, não necessitando suportar qualquer outro formato estendido.

Page 55: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

49

A.9 Arredondamento

O arredondamento toma um número com precisão infinita e, se necessário, o modifica

para poder coloca-lo no destino, sinalizando a exceção de inexatidão. Exceto para conver-

são binário-decimal, todas as operações especificadas acima devem ser executadas como

se o primeiro resultado intermediário correto tivesse precisão infinita e intervalo ilimitado

e então o resultado é arredondado de acordo com um dos quatro modos de arredonda-

mento (arredondamento para o número mais próximo de máquina, arredondamento para% � , arredondamento para � � e arredondamento para � ).Os modos de arredondamento

afetam todas as operações aritméticas com exceção da comparação e do resto. Os modos

de arredondamento podem afetar o sinal da soma de zeros. Quando ocorre o arredonda-

mento e se está muito perto de situações de overflow e underflow essas situações podem

ser sinalizadas.

A.10 Operações

Todas as implementações que estão de acordo com este padrão devem prover oper-

ações de:

� adição, subtração, multiplicação, divisão,

� extração da raiz quadrada,

� encontrar o resto,

� passar de/para número em formato de ponto flutuante para formato inteiro,

� conversão entre diferentes formatos de ponto flutuante,

� arredondar de número em formato de ponto flutuante para inteiro,

� conversão binária–decimal,

� comparação.

É uma opção de implementação considerar a cópia sem mudança de formato como

uma operação. Exceto para conversão binária–decimal, todas as operações devem ser

Page 56: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

50

feitas considerando o primeiro resultado correto intermediário com precisão infinita e

intervalo ilimitado, e então adequar este resultado intermediário no formato do destino.

Page 57: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Apêndice B

Normas

B.1 Normas vetoriais

Uma norma vetorial em 4 � é uma função� ) � J�4 � < 4 que satisfaz as seguintes

propriedades:

1.� 6 � � � para todo 6 � 4 � , e

� 6 � � ��� 6 � � ,2.

� � 6 � � > � > � 6 � para todo � � 4 , 6 � 4 � ,

3.� 6 % � � � 6 � % � � � para todo 6 � � � 4 � .

Uma classe usual de normas vetoriais são as � -normas (ou normas de Hölder), definidas

por � 6 � � � � ���� > 6 � > �

� �, � � � .

Dentro desses normas as mais mais importantes em análise de erro são� 6 � ����� > 6 � > ,� 6 � ' � � ��

�� > 6 � >' � ' � � 6 � 6 � � ' ,� 6 ��� � BEDVF � � � � > 6 � > .

51

Page 58: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

52

B.2 Algumas propriedades das normas vetoriais

Um resultado clássico envolvendo � -normas é a desigualdade de Hölder:> 6 � � > � 6 � � � � � � , �� % �

� � � . (B.1)

Um caso especial muito importante decorrente de (B.1) é desigualdade de Cauchy-Schwartz:> 6 � � >" � 6 � ' � � � ' . (B.2)

Todas as normas em 4 � são equivalentes, isto é, se� ) � � e

� ) ��� são normas em 4 � ,

então existem constantes positivas � e � tais que

� � 6 � � � 6 ��� � � 6 � �

para todo 6 � 4 � .

Para normas � , Y e � , se 6 � 4 � , temos as seguintes relações:� 6 � ' � 6 � � � � 6 � ' , (B.3)� 6 ��� � 6 � ' � � � 6 ��� , (B.4)� 6 ��� � 6 � � � 6 ��� . (B.5)

Veja, por exemplo, [3] ou [5].

B.3 Normas matriciais

Uma norma matricial é uma função� ) � JK4 � � � < 4 que satisfaz as seguintes

propriedades:

1.��� � � para todo � � 4 � � � , e

��� � � � � � � .

2.� � � � � > � > � � � para todo � � 4 , � � 4 � � � .

3.�� % � � �

�� % � � � para todo � � � � 4 � � � .

As normas matriciais mais usadas em análise de erro são as � -normas����

�����������

�� 6 � �� 6 � � (B.6)

Page 59: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

53

e a norma de Frobenius ����� �

���� ����

�� � > � �

� > ' . (B.7)

B.4 Algumas propriedades das normas matriciais

Dizemos que a norma� ) � é consistente se para quaisquer matrizes � � 4 � � � e� � 4 � � � tem-se �

��� � ��� � � � .

A norma de Frobenius e as � -normas (especialmente � � � , Y , � ) satisfazem algumas

desigualdades importantes expostas a seguir. Seja � � 4 � � � então tem-se��� � BQDGF � � � � ��

�� > � �� > , (B.8)

����� � BQDGF � � � � �� �

> � �� > , (B.9)�

�� ' �

���� �� posto � � � � � � ' , (B.10)BQDGF���

� > � � � > ��� ' � � � BQDGF���

� > � � � > , (B.11)�� �

����� �

�� ' � � �

����

, (B.12)�� �

��� �

�� ' � � � � � . (B.13)

Ver [3] ou [5].

Page 60: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

Referências

[1] N. S. Bahvalov, N. P. Zhidkov, G. M. Kobel’kov, Chislennye metody: Uchebnoe posobie,Nauka, Moskva 1987.

[2] D. Goldberg, What Every Computer Scientist Should Know About Floating-Point Arithmetic,ACM Computing Surveys, 23(1) 5-48, 1991.

[3] G.H. Golub and C. Von Loan, Matrix Computation. 3rd Edition, The Johns Hopkins Uni-versity Press, Baltimore and London, 1996.

[4] G.H. Golub, J.Y. Yuan, R. Biloti, J.D.P. Ramos, Optimal LaBudde’s Transformation andits Applications, Technical Report, Departamento de Matemática, Universidade Federal doParaná, Brazil, 2003.

[5] N.J. Higham, Accurancy and Stability of Numerical Algorithms. 2nd Edition, Society forIndustrial and Applied Mathematics, Philadelphia, 2002.

[6] N.J. Higham, The Accuracy of Floating Point Summation, SIAM J. Sci. Comput., 14(4)783-799

[7] A.S. Householder, Unitary triangularization of a nonsymmetric matrix, J. Assoc. Comput.Mach., 5:339-342, 1958.

[8] IEEE Standard for Binary Floating-Point Arithmetic, ANSI/IEEE Standard 754-1985, Insti-tute of Electrical and Electronics Engineers, New York, 1985.

[9] Intel Corp. System Programming Guide, IA-32 Intel Architecture Software Developer’sManual, Intel Corp., Mt. Prospect, Illinois, 2001.

[10] A.H. Karp and P. Markstein, High-precision division and square root, ACM Transactions onMathematical Software, 23(4) 561-589, 1997.

[11] D.E. Knuth, The Art of Computer Programming, Volume 2, Seminumerical Algorithms, 3rdEdition, Addison-Wesley, Reading, MA, USA, 1998.

[12] C.D. LaBudde, The reduction of an arbitrary real square matrix to tridiagonal form usingsimilarity transformations, Math. Comp. 17(1963) 433-437.

[13] D. Morgan, Numerical Methods/Real-Time and Embedded Systems Programming, M&TPublishing, Inc., 1992

54

Page 61: Análise de Erro da Transformação de Householder Generalizada · Em 2003, Golub, Yuan, Biloti e Ramos em [4] estudaram as propriedades espec-trais, os autovalores e valores singulares

55

[14] F. Tisseur, Backward stability of the QR algorithm, Technical Report No 239, UMR 5585,Lyon Saint-Etienne, October 1996.

[15] J. H. Wilkinson, Rounding Errors in Algebraic Processes, Prentice-Hall, 1963.

[16] J. H. Wilkinson, The Algebraic Eigenvalue Problem, Oxford University Press, London,

1965.