Mudanças entre as edições de "Map0151"

Edição das 16h49min de 13 de março de 2013 (ver código-fonte) Patonelli (disc | contribs) (→‎Números de máquina) ← Edição anterior		Edição das 16h58min de 13 de março de 2013 (ver código-fonte) Patonelli (disc | contribs) (→‎Aritmética de números em pontos flutuantes) Edição posterior →
Linha 113:		Linha 113:
	:<math> \alpha \otimes \beta = \operatorname{rd}( \operatorname{rd}(\alpha) \times \operatorname{rd}(\beta))</math>		:<math> \alpha \otimes \beta = \operatorname{rd}( \operatorname{rd}(\alpha) \times \operatorname{rd}(\beta))</math>
	Estas operações deixam de ser associativas.		Estas operações deixam de ser associativas.
		+
		+	=== Aproximações usando polinômios de Taylor ===

---

Edição das 16h58min de 13 de março de 2013

Conteúdo  [ocultar]  1 Números no Computador 1.1 Representação de números inteiros numa base 1.2 Representação de números fracionários e decimais numa base 1.3 Uma função para colocar um número decimal na forma binária 1.4 Representação em ponto flutuante 1.5 Números de máquina 1.6 Aritmética de números em pontos flutuantes 2 Aproximações usando polinômios de Taylor

Números no Computador

Muitos dos algoritmos de cálculo numérico, por uma questão prática, deverão ser executados numa máquina real. Nestas máquinas, no entanto, a capacidade de memória para representação dos números é finita. Vários números reais (infinitos, de fato) terão a mesma representação no computador (ou calculadora), daí originando-se os erros de arredondamentos. Vamos ver qual é a técnica usada atualmente para diminuir os erros de arredondamentos.

Representação de números inteiros numa base

Seja $\beta > 1$ um número natural. Então podemos representar qualquer número inteiro $k$ como a soma

$$k= \text{sgn}(k)*a_0\beta^0 + \cdots + a_s \beta^s$$ onde cada algarismo $a_j$ representa um número natural entre $0$ e $\beta -1$. Só $a_s$ é diferente de zero. Esta representação é única. A representação de $k$ na base $\beta$ é $$k=\pm [a_s\dots a_0]_{\beta}$$ Deixando o sinal de $k$ de fora, para simplificar. Podemos calcular os algarismos do número daddo na base $\beta$ aplicando repetidas vezes o algoritmo da divisão. Escrevendo $$k = a_0 + \beta(a_1 +\beta( a_2 + \cdots +\beta a_s)\cdots ))$$ vemos que $a_0$ é o resto da divisão $k//\beta$, $a_1$ é o resto da divisão $(k-a_0)//\beta$ e assim por diante.

Exemplo: $39 = [100111]_2$

Representação de números fracionários e decimais numa base

Seja novamente $\beta > 1$ um número natural.

Se $x \in (0,1)$ então

$$x= \frac{b_1}{\beta} + \cdots + \frac{b_k}{\beta^k} + \cdots$$ Diremos que $x=[0.b_1 b_2\dots]_{\beta}$ é a representação fracionária na base $\beta$ de $x$. Quando não houver dúvidas de que base se trata, omite-se a base da notação!

Exemplo: $0.9= [0.1110011001100...]_2$

Uma função para colocar um número decimal na forma binária

In[1]:

# -*- coding: utf-8 -*- """ Spyder Editor """ def binario(a):     # da a representacao binaria do numero a     ParteInteira = int(a)     ParteDecimal = a-int(a)     # representacao binaria da parte inteira     # a lista seguinte guarda os dígitos da parte inteira     ListaDigitos=[]     while (ParteInteira > 0):         ListaDigitos.append(ParteInteira%2)         ParteInteira=ParteInteira//2     # lista dos digitos depois da virgula     ListaResto=[]     k=1     while ((ParteDecimal!=0)&(k<50)):         ListaResto.append(int(2*ParteDecimal))         ParteDecimal=2*ParteDecimal - int(2*ParteDecimal)         k=k+1     # produz a string de representacao:             i=len(ListaDigitos)-1     p1=""     while (i>=0):         p1=p1+str(ListaDigitos[i])         i=i-1     # Depois disso p1 tem a parte inteira     l=0     p2=""     while (l<len(ListaResto)):         p2=p2+str(ListaResto[l])         l=l+1         return p1+"."+p2     print (binario(21.75))

Representação em ponto flutuante

Consideramos uma base fixa $\beta > 1$. Um número real $\alpha \in \mathbb{R}$ positivo pode ser escrito nesta base como:

$$\alpha = [a_k\cdots a_0.b_1b_2\cdots]_{\beta}$$ Isto significa que: $$\alpha = a_k\beta^k + \cdots + a_0 + \frac{b_1}{\beta} +\frac{b_2}{\beta^2} + \cdots$$ Na equação acima, colocando $\beta^{k+1}$ em evidência temos: $$\alpha = \left( \frac{a_k}{\beta} + \cdots + \frac{a_0}{\beta^{k+1}} + \frac{b_1}{\beta^{k+2}} +\frac{b_2}{\beta^{k+3}} + \cdots\right)\times \beta^{k+1}$$ ou ainda, lembrando da notação de um número numa base dada: $$\alpha = [0.a_k \cdots a_0 b_1 b_2\cdots]_{\beta} \times \beta^{k+1}$$ Esta última fórmula é importante. O número real $\alpha$ fica caracterizado por três dados:

• O número $m = [0.a_k \cdots a_0 b_1 b_2\cdots]_{\beta} \in (0,1)$ chamado de mantissa.
• O número $e = k+1$ chamado de expoente
• O sinal do número $\sigma$

Esta representação do número $\alpha$ como $\sigma m \times \beta^e$ chamaremos de representação normal em ponto flutuante na base $\beta$. Em geral a base fica clara pelo contexto!

Números de máquina

Continuamos com a base fixa ($\beta$), mas na representação normal em ponto flutuante vamos admitir apenas números com a mantissa limitada a $D$ dígitos e o expoente limitado, em módulo, por um número inteiro $M$. O conjunto

$$\mathbf{M} = \left\{ [0.d_1\cdots d_D]_{\beta}\times \beta^e: |e| \leq M \right\}$$ é um conjunto de números de máquina definido pelos números $(\beta, D, M)$. Este é um conjunto finito com $(\beta-1)(\beta^{(D-1)})(2M+1)$ elementos. Vamos agora definir a função arredondamento, que é uma função sobrejetora $\operatorname{rd}: \mathbb{R} \to \mathbf{M}$. Seja $\alpha$ um número real; se o expoente de $\alpha$ for maior que $M$ não representamos o número. Senão tomamos sua mantissa e se o dígito $b_{d+1}\geq \beta/2$ escolhemos o menor número de máquina maior que $\alpha$ para representá-lo. No caso de $b_{d+1} <\beta/2$ o representante será o maior número de máquina menor que $\alpha$.

Se denotarmos por $\underline{\alpha}$ o truncamento do número $\alpha$, isto é, o maior número de máquina menor que $\alpha$. E por $\overline{\alpha}$ o menor número de máquina maior que $\alpha$. Temos que:

$$\overline{\alpha} - \underline{\alpha} = \beta^{e-D}$$ Com isto temos uma avaliação do erro absoluto e erro relativo do arredondamento: $$|\alpha -\operatorname{rd}(\alpha)| \leq \frac{\beta^{e-D}}{2}$$ $$\frac{|\alpha -\operatorname{rd}(\alpha)|}{|\alpha|}\leq \frac{\beta^{1-D}}{2}$$

Aritmética de números em pontos flutuantes

A extensão das operações aritméticas de soma e multiplicação de números reais faz-se pelo arredondamento:

$$\alpha \oplus \beta = \operatorname{rd}( \operatorname{rd}(\alpha) + \operatorname{rd}(\beta))$$ $$\alpha \otimes \beta = \operatorname{rd}( \operatorname{rd}(\alpha) \times \operatorname{rd}(\beta))$$ Estas operações deixam de ser associativas.

Aproximações usando polinômios de Taylor