Cap. 2.- Matrizes e Sistemas Lineares 2.1. Definição
Representações Matriz retangular A, m x n (eme por ene)
linha = rows coluna = columns 2.2. Tipos Matriz linha Matriz coluna Matriz quadrada de ordem n Matriz unitária Matriz diagonal
Matriz é um conjunto organizado de números dispostos em linhas e colunas. A=
[
a11 a12 ⋯ a1n a21 a2n ⋮ ⋮ am1 am2 ⋯ amn]
A ou [ A] ou A ou ∥A∥aij é o elemento da matriz localizado na linha i e na coluna j
A = aij para i = 1m e j = 1 n
m = 1 n = 1
m = n
Os elementos da diagonal principal são: aij para i = j
Os elementos da diagonal secundária são: aij para i + j = n + 1 m = n = 1
Os elementos são: aij=0 para i≠ j
A=
[
1 2 3]
A=[
12 3]
A=[
1 2 34 5 6 7 8 9]
[
1 5 9]
[
3 5 7]
A=[
3]
A=[
1 0 00 5 0 0 0 9]
2.2. Tipos(cont.) Matriz identidade Matriz triangular superior (U) (“upper”) Matriz triangular inferior (L) (“lower”) Matriz nula Matriz oposta A = -B Matriz idêntica A = B Matriz cheia Matriz esparsa Matriz de banda Matriz tridiagonal
É a matriz diagonal onde: aij=1 para i= j
aij=0 para i≠ j
Os elementos abaixo da diagonal principal são nulos.
Os elementos acima da diagonal principal são nulos.
Todos os elementos são nulos: aij=0 V i e j
A é oposta de B se: aij= −bij V i e j
A é idêntica a B se: aij= bij V i e j
São matrizes com a maior parte dos elementos não nulos. São matrizes com a maior parte dos elementos nulos
São matrizes quadradas esparsas cuja diagonal principal e algumas diagonais paralelas a principal são compostas de elementos não nulos.
[
1 1 0 0 1 2 2 0 0 2 3 3 0 0 3 4]
U =[
1 2 30 8 5 0 0 2]
L=[
2 0 03 5 0 1 2 1]
I3=[
1 0 0 0 1 0 0 0 1]
N =[
0 0 0 0]
L=[
2 0 03 5 0 1 2 1]
L=[
2 0 03 5 0 1 2 1]
A=[
1 −3 7
2]
B=[
−1 3 −7 −
2]
[
a b c d]
=[
1 2 5 7]
a=1 ;b=2 ;c=5 ; d =72.3. Operações Adição C = A + B Propriedades Subtração C = A - B Multiplicação por um número k C = k B Propriedades
Obs: a e b podem ser
números complexos
Multiplicação
C = A.B
Definição indicial
Obs: matrizes
quadradas devem ter a mesma ordem para poderem ser multiplicadas
As matrizes são do mesmo tamanho m x n.
cij=aijbij V i e j A + B = B + A comutativa A + (B + C) = (A + B) +C associativa A + 0 = A A+(-A) = 0 C = A - B = A + (-B) cij=k bij V i e j a (b A) = (a b) A a (A + B) = a A + a B (a +b) A = a A + b A 1.A = A A = (aij) m× p B = (bjk) p×n C = cik m×n onde cik = ai1 b1k ai2 b2k ai3 b3k aip bpk cik =
∑
j=1 p aijbjk[
1 2 1 3]
[
4 7 5 8]
=[
5 9 6 11]
[
2 3 0 1]
[
7 2 5 3]
=[
9 5 5 4]
[
4 7 2 3 0 5]
−[
7 1 3 2 7 0]
=[
−3 6 −1 1 −7 5]
3[
2 3 1 −4]
=[
6 9 3 −12]
2[
2 3 5]
4[
11 −2]
=[
8 10 2]
2.3. Operações (cont.) Multiplicação C = A.B Definição esquemática Wikipédia, 2009 Propriedades Matriz Transposta At Propriedades Matriz simétrica Matriz anti-simétrica cik =
∑
j=1 p aijbjkA.B ≠ B.A não é comutativa
A.B = 0 ≠ > A = 0 ou B = 0
(A.B).C = A.(B.C) associativa
(A+B).C = A.C+B.C distributiva a direita
C.(A+B) = C.A+C.B distributiva a esquerda
(k.A).B = A.(k.B) = k.(A.B) k = constante real ou imaginária
A.In = Im.A = A A é uma matriz m x n
At = (b
ji) , tipo m x n, é a matriz transposta de A = (aij), tipo n x m onde,
bji = aij V i e j
(A+B)t = At + Bt (kA)t = kAt (A.B)t = Bt.At
É a matriz quadrada cuja transposta é igual a matriz original:
At = A ou seja, a
ij = aji V i e j
É a matriz quadrada cuja transposta é igual a oposta da matriz original:
At = -A ou seja, a ij = -aji V i e j ai1 ai2 ai3 … aip ⋅ b1k b2k b3k ... bpk → cik
i−ésimalinha de A k−ésima coluna de B elemento ik de C
[
1 1 2 2 3 1]
.[
4 0 5]
=[
14 13]
2 x 3 3 x 1 2 x 1 A.B=[
1 2 3 5]
.[
4 6 7 8]
=[
18 22 47 58]
B.A=[
4 6 7 8]
.[
1 2 3 5]
=[
22 38 31 54]
[
1 0 1 0]
.[
0 0 1 1]
=[
0 0 0 0]
Bt. At =[
3 4 3 4]
.[
2 1 4 3]
=[
22 15 22 15]
=A.B t A.B=[
2 4 1 3]
.[
3 3 4 4]
=[
22 22 15 15]
A=[
1 2 2 3]
A=[
0 1 −1 0]
B=[
1 5 74 3 2 9 6 8]
Bt=[
1 4 95 3 6 7 2 8]
A=[
2 34 1 0 6]
At=[
2 4 0 3 1 6]
2.4. Determinantes Definição Menor complementar do elemento ai1 da matriz M Matriz quadrada de ordem 2 Menor Complementar Determinante 2x2 Regra gráfica Matriz quadrada de ordem 3 Menor Complementar
Seja uma matriz quadrada M=(aij), de ordem n, chamamos determinante
de M, simbolizado por:
a um número calculado por:
a) Para n=1 então M=(a11) e det M = a11
b) Para n ≥ 2 então det M =
∑
i=1 n
(−1)i +1ai1Di1 onde,
Di1 é o determinante da matriz que se obtém de M, suprimindo-se a linha i e a coluna 1. det M =
∣
a11 a12 a13 ... a1n a21 a22 a23 ... a2n : : : : : an1 an2 an3 ... ann∣
det M =a11a22−a21a12 D11=∣
: : : a22∣
D21=∣
: a12 : :∣
det M =∣
a11 a12 a13 a21 a22 a23 a31 a32 a33∣
=(−1)1+1a11D11+(−1)2 +1a21D21+(−1)3 +1a31D31 det M =∣
a11 a12 a21 a22∣
=(−1) 1+1a 11D11+(−1) 2+1a 21D21 D11=∣
: : : : a22 a23 : a32 a33∣
D21=∣
: a12 a13 : : : : a32 a33∣
D31=∣
: a12 a13 : a22 a23 : : :∣
2.4. Determinantes (cont.)
Determinante 3x3
Regra de Sarrus (regra gráfica)
Pierre Frédéric Sarrus 1798-1861 Matriz quadrada de ordem n>3
Determinante nxn Propriedades
Definindo Cofator do elemento aij de uma matriz quadrada de ordem n, por Aij=(−1)i+ jDij det M =
∑
i=1 n ai1Ai1 det Mt = det MSe uma linha ou coluna da matriz M é constituída de elementos nulos, então det M = 0
Se multiplicarmos uma linha ou coluna da matriz M por um número k, gerando uma nova matriz N, então det N = k det M
Se duas linhas ou colunas na matriz M forem iguais ou proporcionais, então det M = 0
Numa matriz triangular superior ou inferior, temos det M =a11a22a33... ann
det M =a11(a22a33−a32a23)−a21(a12a33−a32a13)+a31(a12a23−a22a13) det M =(a11a22a33+a12a23a31+a13a21a32)−(a13a22a31+a11a23a32+a12a21a33)
2.5. Matrizes inversíveis Matriz Inversa (A-1) Obs: Matriz de Cofatores (A') Matriz Adjunta (Ᾱ) Teorema Gabriel Cramer 1704-1752
Matriz inversa A-1 da matriz quadrada A, de ordem n, é definida por A.A−1
= A−1
. A=In
Se existir inversa, então a matriz A é dita inversível ou não singular; Se não existe inversa, então a matriz A é chamada de singular; Se a matriz A é inversível, então a sua inversa é única.
É a matriz composta pelos cofatores de cada elemento da matriz A.
A '=( Aij)
É a transposta da matriz de cofatores da matriz A. ̄
A=( A' )t
Se A é uma matriz quadrada de ordem n, tal que, D = det A ≠ 0, então a inversa de A é, A−1 = 1 D A pois, A A=A A=D In D A−1 = A D A A−1 = A A D In= A A D A−1 = A D A−1 A = A A D In= A A
2.6. Matrizes em Planilhas e no SciLab
2.7. Resolução de Sistemas Lineares 2.7.1. Representação Notação usual Notação indicial Notação matricial Matriz de coeficientes Matriz de termos independentes Matriz de incógnitas 2.7.2. Solução Se D = det A ≠ 0 Método de Cramer a11x1a12x2a1nxn=b1 Sn= a21x1a22x2a2nxn=b2 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ an1x1an2x2annxn=bn Sn=
∑
j=1 n aijxj=bi i = 1..n A.X =B A=[
a11 a12 ⋯ a1n a21 a22 ⋯ a2n ⋮ ⋮ ⋮ ⋮ an1 an2 ⋯ ann]
B=[
b1 b2 ⋮ bn]
X =[
x1 x2 ⋮ xn]
A.X =B A−1. A.X = A−1. B A−1. A= A−1. B In. X = A−1. B X =D1 A . B2.7.3. Classificação Exemplo Sistema linear 2x2 a11x1a12x2=b1 a21x1a22x2=b2 Uma equação inconsistente! Uma equação redundante! Um sistema linear homogêneo sempre admite a solução trivial!
Sistema determinado det A ≠ 0 solução única
Sistema indeterminado det A = 0 múltiplas soluções
Sistema incompatível sem solução
Sistema homogêneo B=(0) Solução trivial X=(0) x1 x2 x1 x2 x1 x2 x1 x2
2.7.3. Classificação (cont.) Sistema triangular Exemplo Obs 2.7.4. Operações com Sistemas Lineares Obs 2.7.5. Aplicações
Admite um método de solução simplificado.
O sistema triangular superior é resolvido por substituição retroativa.
A.X =B
[
3 4 −5 1 0 1 1 −2 0 0 4 −5 0 0 0 2]
.[
x1 x2 x3 x4]
=[
−10 −1 3 2]
x4=2 /2=1 4x3−5⋅1=3⇒ x3=2 x22−2⋅1=−1⇒ x2=−1 3x14⋅−1−5⋅21=−10 ⇒ x1=1 Xt=[
1 −1 2 1]
O sistema triangular inferior é resolvido por substituição progressiva. Realizando as seguintes operações sobre as linhas de um sistema linear obtém-se uma sistema linear equivalente ao primeiro, ou seja, um novo sistema que possui a mesma solução:
• Trocar a posição de duas equações do sistema;
• Multiplicar uma equação do sistema por uma constante não nula;
• Adicionar duas equações do sistema.
A troca de colunas na matriz de coeficientes somente altera a ordem dos termos na matriz solução X.
• Elétrica e Eletrônica • Economia • Engenharia Civil • Engenharia Térmica • Engenharia Aeronáutica • Engenharia de Estruturas • Otimização • Computação Gráfica
F1 F2 F2 F3 F3 F1 F2 F2 F3 F3 W3 W2 P1 W1 P2 P3 K1 K2 K3 K1 K2 K3 m1 m2 m3 x1 x2 x3 P1 P2 P3 x=0 2.7.5. Aplicações (cont.)
Força de uma mola K é a constante da mola Força devido ao Peso Próprio g é aceleração da gravidade A matriz de coeficientes K é chamada de matriz de rigidez do sistema e é simétrica. O sistema homogêneo P=0 é usado em análise de vibrações naturais.
Modelo de um sistema mecânico
2a Lei de Newton no equilíbrio
∑
F ext=0Diagrama de corpo livre
Massa 1:
∑
Fx=2F1−P1−2F2−W1 Massa 2:∑
Fx=2F2−P2−2F3−W2 Massa 3:∑
Fx=2F3−P3−W3 F1=K1x1 F2=K2x2−x1 F3=K3x3−x2 W1=m1g W2=m2g W3=m3gO sistema de equações lineares que modelam o problema é: 2 K1K2x1−2K2x2=P1m1g −2K2x12 K2K3x2−2K3x3=P2m2g −2K3x22K3X3=P3m3g 2
[
K1K2 −K2 0 −K2 K2K3 −K3 0 −K3 K3][
x1 x2 x3]
=[
P1 P2 P3]
[
m1g m2g m3g]
2 K X =P W● para P = 0 o sistema está em equilíbrio devido ao peso próprio;
● para uma dada carga P os deslocamentos X são únicos;
2.7.5. Aplicações (cont.) Ponte de Wheatstone Ao longo de qualquer circuito envolvendo a fonte. Nós do circuito = pontos A, B, C e D na figura Nó D Nó B Circuito ADC Circuito ABC Circuito ADBC Usar substituição progressiva! Instrumentação:
Uma Ponte de Wheatstone (ao lado) é um circuito elétrico usado para medição de sinais de vários tipos de sensores (de termistores a células de carga). O medidor de tensão, de resistência Rg, fica entre os terminais D e
B da ponte. A fonte fornece uma força eletromotriz E ao circuito. Vamos mostrar que para uma condição de equilíbrio na ponte, temos:
Ig=0 ⇒ R4
R3 =R1
R2 As leis que regem o fenômeno físico são:
Lei de Ohm V =R.I
Lei de Kirchhoff
∑
Inó=0O sistema de equações lineares que modelam o sistema é: I1−I2−Ig=0 I3−I4Ig=0 R1I1R2I2=E R3I3R4I4=E R1I1R3I3RgIg=E Na notação matricial:
[
1 −1 0 0 −1 0 0 1 −1 1 R1 R2 0 0 0 0 0 R3 R4 0 R1 0 R3 0 Rg]
[
I1 I2 I3 I4 Ig]
=[
0 0 E E E]
ou seja, A X =BResolvendo o sistema para Ig = 0 , obtemos,
R4 R3
=R1 R2
2.7.6. Métodos Numéricos de Solução de Sistemas Lineares Métodos Diretos Exemplos de métodos diretos Métodos Indiretos Exemplos de métodos indiretos (SOR = successive over relaxation) 2.7.6.1.. Métodos Diretos
A solução é encontrada por métodos algébricos com um número fixos de operações. A solução é exata.
Recomendados para:
• Sistemas lineares pequenos (n<=1000).
• Matriz de coeficientes do tipo matriz cheia, onde a maioria dos
elementos são não nulos (aij ≠ 0).
• Método da Eliminação de Gauss
• Método da Eliminação de Gauss-Jordan
• Método da Inversão da Matriz de Coeficientes
• Método da Decomposição LU
A solução é encontrada por tentativa e erro, através de um processo iterativo. Uma solução é assumida e substituída no sistema de equações para o cálculo do erro. Este erro é usado para melhorar a estimativa. O procedimento é repetido até que o erro calculado seja menor que um valor pré-definido. A solução final é aproximada.
Recomendados para:
• Sistemas lineares grandes (n>1000).
• Matriz de coeficientes do tipo matriz esparsa , onde a maioria dos
elementos são nulos (aij =0).
• Método de Iteração de Jacobi
• Método de Iteração de Gauss-Siedel
• Método da Relaxação
• Método da Super-Relaxação Sucessiva (SOR)
[
c11 c12 ⋯ c1n c1 c21 c22 ⋯ c2n c2 ⋮ ⋮ ⋮ ⋮ ⋮ cn1 ⋯ ⋯ cnn cn]
2.7.6.11. Método de Gauss Método da Eliminação de Gauss Método da Triangularização de GaussCarl Friedrich Gauss 1777-1855 Fórmula generalizada de transformação: mijk −1 =−cij k−1 ck−1jj para i = k+1 .. n para j = k Li k =mij k−1 Lj k−1 +Li k−1 para i = k+1 .. n para j = k k = índice de iteração; i = índice da linha; j = índice da coluna. Obs.: nenhum elemento da diagonal principal pode ser nulo.
É um método direto de solução de sistemas lineares.
Consiste em transformar um sistema de equações lineares em um outro sistema triangular superior, equivalente ao primeiro, e de solução direta por substituição retroativa.
[
a11 a12 ⋯ a1n b1 a21 a22 ⋯ a2n b2 ⋮ ⋮ ⋮ ⋮ ⋮ an1 ⋯ ⋯ ann bn]
→[
1 c12 ⋯ c1n d1 0 1 ⋯ c2n d2 ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 1 dn]
Etapas:1) Escrever a matriz aumentada C0= [A : B]
2) Pivotamento
• Escolher o pivô (elemento da diagonal principal) c011
• Encontrar os multiplicadores para eliminar os termos c021 e c031 m210 =−c210 /c110 m310 =−c310 /c110
3) Transformar as linhas L para obter a nova matriz aumentada C1
L11 =L10 L12=m021L10L20 L13 =m310 L 1 0 L30
4) Repetir as operações de pivotamento e transformação para o novo pivô até chegar a última linha da matriz aumentada.
L12 =L11 L22
=L21
m321 =−c321 /c221 L32=m321 L21+ L31
2.7.6.1.1. Método de Gauss (cont.) Exemplo A X = B C0 = [A : B] L1 2 = -2*[ 2 3 -1 : 5] + [ 4 4 -3 : 3 ] = [ 0 -2 -1 : -7] Matriz triangular superior Solução por substituição retroativa Solução Final Sistema de ordem 3 2x13x2−x3=5 4x14x2−3x3=3 2x1−3x2x3=−1 C0=
[
2 3 −1 ⋮ 5 4 4 −3 ⋮ 3 2 −3 1 ⋮ −1]
L11=L 1 0 m021=−c 21 0 /c 11 0=−2 L 2 1=m 21 0 L 1 0+L 2 0 m310 =−c310 /c110 =−1 L31 =m310 L 1 0 +L30 C1=[
2 3 −1 ⋮ 5 0 −2 −1 ⋮ −7 0 −6 2 ⋮ −6]
L12 =L11 L22=L 2 1 m132=−c321 /c122=−3 L32=m321 L21+L31 C2 =[
2 3 −1 ⋮ 5 0 −2 −1 ⋮ −7 0 0 5 ⋮ 15]
5x3=15 −2x2−x3=−7 2x13x2−x3=5 X =[
12 3]
ou Xt =[
1 2 3]
2.7.6.1.1. Método de Gauss (cont.) Exemplo Matriz triangular superior Solução por substituição retroativa Sistema de ordem 4 C0=
[
3 2 0 1 ⋮ 3 9 8 −3 4 ⋮ 6 −6 4 −8 0 ⋮ −16 3 −8 3 −4 ⋮ 18]
L11=L 1 0 m210=−c 21 0 /c 11 0=−3 L 2 1=m 21 0 L 1 0+L 2 0 m310 =−c310 /c110 = 2 L31 =m310 L 1 0 +L30 m410 =−c041/c110=−1 L41=m410 L10+L40 C1=[
3 2 0 1 ⋮ 3 0 2 −3 1 ⋮ −3 0 8 −8 2 ⋮ 10 0 −10 3 −5 ⋮ 15]
L12=L 1 1 L22 =L12 m321=−c321 /c122=−4 L32=m321 L21+L31 m42 1 =−c42 1 /c22 1 = 5 L4 2 =m42 1 L2 1 +L4 1 C2=[
3 2 0 1 ⋮ 3 0 2 −3 1 ⋮ −3 0 0 4 −2 ⋮ 2 0 0 −12 0 ⋮ 0]
L13 =L12 L23 =L22 L33=L32 m43 0 =−c43 2 /c33 2 = 3 L4 3 =m43 2 L3 2 +L4 2 C3=[
3 2 0 1 ⋮ 3 0 2 −3 1 ⋮ −3 0 0 4 −2 ⋮ 2 0 0 0 −6 ⋮ 6]
X =[
2 −1 0 −1]
ou Xt=[
2 −1 0 −1]
Obs.: n = 4 exige 76 operações aritméticas n = 5 exige 145 operações aritméticas
Exercício: Obter uma equação para calcular o número de operações aritméticas necessárias para a solução de um sistema linear de ordem n pelo método de eliminação de Gauss.
2.7.6.1.1. Método de Gauss (cont.) No SciLab: function x = GaussElim(n,a,b) // Matriz aumentada c = [a b]; // Triangularização da matriz // aumentada for k=1:n-1 for i=k+1:n mik=c(i,k)/c(k,k); c(i,k) = 0; for j = k+1:n+1 c(i,j)=c(i,j)-mik*c(k,j); end end end // Substituição retroativa x=zeros(n,1); x(n)=c(n,n+1)/c(n,n); for i=n-1:-1:1 soma = 0; for j=i+1:n
soma = soma +c(i,j)*x(j); end
x(i)=(c(i,n+1)-soma)/c(i,i); end
endfunction
Algorítimo de Triangularização de Gauss para Sistema Lineares Entradas:
Ordem do sistema linear n
Matriz de coeficientes a[n,n]
Matriz de termos independentes b[n,1]
Saída:
Matriz de incógnitas x[n,1]
Início
// Definir os termos da matriz aumentada c[n,n+1]= a[n,n]:b[n,1];
// Triangularização da Matriz aumentada Para k=1 até n-1 faça
início
Para i=k+1 até n faça início
mik=c(i,k)/c(k,k); c(i,k) = 0;
Para j = k+1 até n+1 faça início c(i,j)=c(i,j)-mik*c(k,j); fim; fim; fim; // Substituição retroativa x(n)=c(n,n+1)/c(n,n); Para i=n-1 até 1 faça início
soma = 0;
Para j=i+1 até n faça início
soma = soma +c(i,j)*x(j); fim;
x(i)=(c(i,n+1)-soma)/c(i,i); fim;
Mostre a matriz x[n,1]; fim.
2.7.6.1.2. Método de Decomposição LU A matriz U é única! Método de solução lij=1 se i= j lij=0 se i j uij=0 se i j Decomposição usando a igualdade LU = A Forma indicial Obs: na fórmula de uij j-1<i significa ignorar os termos do somatório onde k≥i Substituição progressiva Substituição retroativa Solução AX =B A=
[
21 3 −10 2 0 3 −1]
X =[
x1 x2 x3]
B=[
34 2]
A=LU LUX =B LY =B UX =Y LY =B Y UX =Y X Xt =[
1 1 1]
u11=a11 u12=a12 u13=a13 l21u11=a21 ⇒ l21=a21/u11 l21u12+u22=a22 ⇒ u22=a22−l21u12 l21u13+u23=a23 ⇒ u23=a23−l21u13 l31u11=a31 ⇒ l31=a31/u11 l31u12+l32u22=a32 ⇒ l32=(a32−l31u12)/u22 l31u13+l32u23+u33=a33 ⇒ u33=a33−l31u13−l32u23 para i⩽ j uij=aij se j=1 e uij=aij−∑
k=1 j−1< i likukj se j> 1 para i> j lij= aij ujj se j=1 e lij=(aij−∑
k=1 j−1 likukj) /ujj se j> 1 LY =B L=[
11/2 01 00 0 −2 1]
Y =[
y1 y2 y3]
B=[
43 2]
UX =Y U =[
0 −3/2 5/22 3 −1 0 0 4]
X =[
x1 x2 x3]
Y =[
41 4]
A= LU L=[
1 0 0 l21 1 0 l31 l32 1]
U =[
u11 u12 u13 0 u22 u23 0 0 u33]
A=[
a11 a12 a13 a21 a22 a23 a31 a32 a33]
2.7.6.1.2. Método de Decomposição LU (cont.) Rotina de Decomposição LU em código do SciLab
Obs: O programa para o cálculo dos uij ignora os termos de k≥i
automaticamente, pois estes ainda são nulos até o seu cálculo.
//Rotina de Decomposição LU para Sistema Lineares //entrada Ordem do sistema linear n // Matriz de coeficientes a[n,n] // Matriz de termos independentes b[n,1] //saída Matriz de incógnitas x[n,1] function x = DecoLU(n,a,b)
// Decomposição de A em L(matriz triangular inferior) e U(matriz triangular superior) // LU=A
l = zeros(n,n); // zerar matrizes L e U u = zeros(n,n);
for i=1:n // diagonal de L igual a 1 l(i,i)=1;
end
j=1; // cálculo dos elementos de L e U para j=1 for i=1:n if i<=j then u(i,j)=a(i,j); else l(i,j)=a(i,j)/u(j,j); end end
for i=1:n // cálculo dos elementos de L e U para j>1 for j=2:n SumLU=0; for k=1:j-1 SumLU=SumLU+l(i,k)*u(k,j); end if i<=j then u(i,j)=a(i,j)-SumLU; else l(i,j)=(a(i,j)-SumLU)/u(j,j); end end end
// Substituição progressiva LY=B y=zeros(n,1);
y(1)=b(1); for i=2:n SumLY=0; for j=1:i-1
SumLY = SumLY + l(i,j)*y(j); end
y(i)=b(i)-SumLY; end
// Substituição retroativa UX=Y x=zeros(n,1);
x(n)=y(n)/u(n,n); for i=n-1:-1:1 SumUX = 0; for j=i+1:n
SumUX = SumUX +u(i,j)*x(j); end
x(i)=(y(i)-SumUX)/u(i,i); end
endfunction
2.7.6.2. Métodos Indiretos (Iterativos) Exemplo: AX =B AX −B=0 AX IX −B= IX X = AI X −B 2.7.6.2.1. Método de Jacobi
Carl Gustav Jakob Jacobi 1804-1851 Obs: aii ≠ 0 V i Senão é necessário reagrupar as equações do sistema original.
Os métodos iterativos consistem em transformar o sistema de equações lineares original para uma outra forma que permita obter novas estimativas de valores do vetor de incógnitas X a partir de uma estimativa anterior de valores do vetor X.
A X =B
para
X =F X D
A partir de uma aproximação inicial:
X0 t=[x 1 0 x 2 0 x 3 0 ... x n 0 ]
obtemos a nova estimativa ,
X1=F X0D
e repete-se até que,
máx∣xi k 1 −xi k ∣≤ ou kM
onde, ε = tolerância na solução
M = número máximo de iterações Seja o sistema de equações lineares (LES),
a11x1a12x2a13x3...a1nxn=b1 a21x1a22x2a23x3...a2nxn=b2
...
an1x1an2x2an3x3...annxn=bn explicita-se as incógnitas x da seguinte forma:
x1=b1−a12x2a13x3...a1nxn a11 x2=b2−a21x1a23x3...a2nxn a22 ... xn=bn−an1x1an2x2...an n−1xn −1 ann
2.7.6.2.1. Método de Jacobi (cont.)
Método do Resíduo Ri(k)
É mais atual!
O método iterativo de Jacobi consiste em: a) Partindo-se de uma aproximação inicial
X0=x 1 0, x 2 0, x 3 0,, x n 0t
b) Calcula-se a sequência de aproximações X1,X2, X3, ..., Xk utilizando as equações: x1 k1 = 1 a11b1−a12x2 k −a13x3 k −a14x4 k −−a1nxn k x2 k1 = 1 a22b2−a21x1 k −a23x3 k −a2x4 k −−a2nxn k x3k1 = 1 a33b3−a31x1 k −a32x2k−a34x4k−−a3nxnk xnk1=a1 nn bn−an1x1k−an2x2k−−an n −1 xn −1k
c) Continuar a gerar aproximações até que uma das seguintes condições for satisfeita: máx∣xik 1−xik∣≤ ou kM onde, ε = tolerância
M = número máximo de iterações
xik1 =xik Ri k aii i=1..n Rik =bi−
∑
j =1 n aijxjk i=1..n2.7.6.2.2. Método de Gauss-Siedel Método do Resíduo Ri(k) É mais atual! Seja o sistema: A X = B
O método iterativo de Gauss-Siedel consiste em: a) Partindo-se de uma aproximação inicial
X0=x10, x02, x30, , xn0t b) Calcula-se a sequência de aproximações
X1,X2, X3, ..., Xk utilizando as equações: x1k1 = 1 a11b1−a12x2 k −a13x3k −a14x4k −−a1nxnk x2k1 = 1 a22b2−a21x1 k 1 −a23x3k −a2x4k −−a2nxnk x3k1 = 1 a33b3−a31x1 k 1 −a32x2k1 −a34x4k −−a3nxnk xn k1 = 1 ann bn−an1x1 k1 −an2x2 k1 −−ann−1xn−1 k 1
c) Continuar a gerar aproximações até que uma das seguintes condições for satisfeita: máx∣xik 1−xik∣≤ ou kM onde, ε = tolerância
M = número máximo de iterações
xik1 =xik Ri k aii i=1..n Rik =bi−
∑
j =1 i −1 aijxjk1 −∑
j =i n aijxjk i=1..nK X1 E1 X2 E2 Teste 0 0,000 0,000 1 0,500 0,500 1,500 1,500 não 2 1,250 0,750 1,250 0,250 não 3 1,125 0,125 0,875 0,375 não 4 0,938 0,188 0,938 0,063 não 5 0,969 0,031 1,031 0,094 não 6 1,016 0,047 1,016 0,016 não 7 1,008 0,008 0,992 0,023 não 8 0,996 0,012 0,996 0,004 não 9 0,998 0,002 1,002 0,006 convergiu 1 2 3 4 5 6 7 8 9 0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 Convergência de x1 - Jacobi x1k +1 =(1+ x2k )/2 x2k +1 =(3− x1k )/2 2 x1−x2=1 x1+2 x2=3 2.7.6.2.3. Super-relaxação Sucessiva (SOR) SOR = successive over-relaxation Método do Resíduo Ri(k) w< 1 sub-relaxado w> 1 super-relaxado Exemplo Método de Jacobi
Alteração do método de Gauss-Siedel para acelerar a convergência.
xik1 =xik Ri k aii i=1..n Rik =bi−
∑
j =1 i −1 aijxjk1 −∑
j =i n aijxjk i=1..n Fator de relaxação (ω) 0 < w < 2 2 x1−x2=1 x1+2 x2=3K X1 E1 X2 E2 Teste 0 0,000 0,000 1 0,500 0,500 1,250 1,250 não 2 1,125 0,625 0,938 0,313 não 3 0,969 0,156 1,016 0,078 não 4 1,008 0,039 0,996 0,020 não 5 0,998 0,010 1,001 0,005 convergiu 1 2 3 4 5 0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 Convergência de x1 - Gauss-Siedel Ômega = 0,91 K X1 R1 X2 R2 Teste 0 0,000 0,000 1 0,455 1,000 1,158 2,545 não 2 1,023 1,248 1,004 -0,339 não 3 1,004 -0,042 0,999 -0,011 não 4 1,000 -0,009 1,000 0,003 convergiu 1 2 3 4 5 -0,200 0,000 0,200 0,400 0,600 0,800 1,000 1,200 1,400 Convergência de x1 - SOR R1k =1−2x1k +x2k R2k =3−x1k +1 −2 x2k x1k +1=x1k+ω R1k/2 x2k +1=x2k+ω R2k/2 2 x1−x2=1 x1+2 x2=3 2 x1−x2=1 x1+2 x2=3 x1k +1=(1+ x2k)/2 x2k +1=(3− x1k+ 1)/2 2.7.6.2. Métodos Indiretos (cont.) Método de Gauss-Siedel Método SOR
= + + − = + − = + − 7 4 2 2 4 3 2 4 3 2 1 3 2 1 3 2 1 x x x x x x x x x A B C D E F G H 1 k X1 E1 X2 E2 X3 E3 Teste 2 0 0 0 0 3 1 FM1 FM2 FM3 FM4 FM5 FM6 FM7 4 2 5 = + + − = + − = + − 7 4 2 2 4 3 2 4 3 2 1 3 2 1 3 2 1 x x x x x x x x x = + + − = + − = + − 7 4 2 2 4 3 2 4 3 2 1 3 2 1 3 2 1 x x x x x x x x x A B C D E F G H I 1 k X1 R1 X2 R2 X3 R3 Teste 1,1 2 0 0 0 0 3 1 FM1 FM2 FM3 FM4 FM5 FM6 FM7 4 2 5 2.7.6.2.4. Métodos Indiretos - Implementação em Planilhas Método de Jacobi Exemplo Erro admitido de 1x10-2 Método de Gauss-Siedel Método SOR Omega de 1,1
(colocado numa célula fixa $I$1)
• Definir as seguintes fórmulas:
FM1 = 1/4*(3 + 2*D2 - F2) FM2 = ABS(B3 - B2) FM3 = 1/4*(2 + B2 + F2) FM4 = ABS(D3 - D2) FM5 = 1/4*(7 - B2 - 2*D2) FM6 = ABS(F3 – F2) FM7 = SE((C3>0,01) E (E3>0,01) E (G3>0,01);”convergiu”;”não”)
• Selecionar as células A2 a A3;
• Estender as definições destas células até o número de iterações
desejadas;
• Selecionar as células B3 a H3;
• Estender as definições destas células até o número de iterações
desejadas.
• Definir as seguintes fórmulas:
FM1 = 1/4*(3 + 2*D2 - F2) FM2 = ABS(B3 - B2) FM3 = 1/4*(2 + B3 + F2) FM4 = ABS(D3 - D2) FM5 = 1/4*(7 - B3 - 2*D3) FM6 = ABS(F3 – F2) FM7 = SE((C3>0,01) E (E3>0,01) E (G3>0,01);”convergiu”;”não”)
• Selecionar e estender as coluna A e a linha 3, colunas B a H, do
mesmo modo anterior.
• Definir as seguintes fórmulas:
FM1 = B2+$I$1*C2/4 FM2 = 3 - 4*B2+ 2*D2 - F2 FM3 = D2+$I$1*E2/(-4) FM4 = -2 - B3 + 4*D2 - F2 FM5 = F2+$I$1*G2/4 FM6 = 7 - B3 – 2*D3 - 4*F2 FM7 = SE((C3>0,01) E (E3>0,01) E (G3>0,01);”convergiu”;”não”)
• Selecionar e estender as coluna A e a linha 3, colunas B a H, do
2.8. Problemas de Autovalor Exemplo ϖ = freqüência natural ϕ = ângulo de fase Xi = amplitude da oscilação da massa i
Seja o sistema de equações lineares:
A X = B
● Se det A ≠ 0
○ Ele admite solução única
● Se: det A = 0
○ Ele pode não admitir solução
○ Ele pode admitir um número infinito de soluções
○ Ele pode admitir ao menos a solução trivial, X = 0, se o
sistema for homogêneo, A X= 0
Para sistemas homogêneos, com det A = 0, só existe a solução trivial se os coeficientes aij forem fixos. Se alguns destes coeficientes for função de uma variável, tal como lambda (λ), existem outras soluções diferentes da trivial. Neste caso, a matriz X é chamada de autovetor e os valores de lambda são chamados de autovalores do sistema de equações lineares.
O sistema da figura acima é constituído de duas massas e duas molas idênticas. As equações diferenciais que descrevem o seu estado (posições das massas) são obtidas a partir do balanço de forças em cada massa do sistema. Do seguinte modo,
Md 2 x1 d t2 =K x2−x1−K x1=K x2−2 K x1 Md 2 x2 d t2 =−K x2−x1=K x1−K x2 As solução isoladas dos sistemas massa-mola são:
x1=X1sen t ˙ x1=X1cos t ¨ x1=−X12sen t x2=X2sen t ˙ x2=X2 cos t ¨ x2=−X22sen t K K M x x1 x2 M x1 x2 x1 x2
2.8. Problemas de Autovalor (cont.) Definição arbitrária Problema de Autovalor Equação característica Solução Numérica do Exemplo Autovalores
Substituindo as soluções nas equações diferenciais, temos, 2− X1−X2=0
−X11− X2=0 onde, lambda foi definido como,
= 2 M K Na forma matricial,
[
2− −1 −1 1−]
[
X1 X2]
=0 ou, A− I X =0Esta é a forma clássica do Problema de Autovalor.
A equação característica do problema de autovalor é obtida pela condição de múltiplas soluções, não triviais, para o sistema de equações lineares.
det A− I =0
A solução gera um polinômio da mesma ordem do número de equações do sistema e cujas raízes são os autovalores do sistema de equações lineares homogêneo.
∣
2− −1 −1 1−∣
=0 2−1−−1=0 2−31=0 Assim, 1=2,6180 2=0,38202.8. Problemas de Autovalor (cont.)
Autovetores
Significado físico
Para calcular os autovetores, usamos cada um dos autovalores, Para λ1 = 2,6180
[
−0,6180 −1 −1 −1,6180]
[
X1 X2]
=0 X2=−0,6180 X1 Para λ2 = 0,3820[
1,6180 −1 −1 0,6180]
[
X1 X2]
=0 X2=1,6180 X1 Considerando X1 = 1 , temos, X1 = 1 e X2 = -0,6180 para λ1 X1= 1 e X2 = 1,6180 para λ2● Para λ1 as massas estão se movendo em direções opostas e a
amplitude da oscilação da segunda massa é 61,8 % da amplitude de oscilação da primeira massa. A freqüência de oscilação é dada por:
1=
1K M● Para λ2 as massas estão se movendo na mesma direção e a
amplitude da oscilação da segunda massa é 161,8 % da amplitude de oscilação da primeira massa. A freqüência de oscilação é dada por:
2=
2K MMétodos de solução Solução do problema de autovalor em programas simbólicos Matlab Scilab Obs
O problema é achar os autovalores quando o polinômio gerado é de elevado grau, por exemplo, de ordem 300. Ou seja, possui 300 raízes. A solução do problema de achar os autovalores pode ser feita através dos seguintes métodos:
● Diretos – solução pela definição ou usando uma modificação da
equação característica;
● Indiretos – solução iterativa ou outro método de busca de raízes,
tais como,
○ Método da potência
○ Método do inverso da potência
○ Método do deslocamento de autovalores.
eig(A,X)
[erots,X] = spec(A)
Existem problemas de autovalor que não são lineares: [A−B ] X =0