Conte´
udo
1 Introdu¸c˜ao
2 Conceitos fundamentais
3 Sistemas de Equa¸c˜oes Lineares
4 Resolu¸c˜ao de Sistemas Triangulares
5 M´etodos Diretos
6 M´etodos Iterativos
Introdu¸c˜ao
Sistema de Equa¸c˜
oes Lineares
Uma equa¸c˜ao ´e dita linear se cada termo cont´em n˜ao mais que uma vari´avel e cada vari´avel aparece na primeira potˆencia
Um sistema de equa¸c˜oes lineares ´e um conjunto finito de equa¸c˜oes lineares nas mesmas vari´aveis
Um sistema com m equa¸c˜oes e n inc´ognitas ´e como a11x1+ a12x2+ · · · + a1nxn= b1 a21x1+ a22x2+ · · · + a2nxn= b2 .. . am1x1+ am2x2+ · · · + amnxn= bm onde aij∈ R s˜ao os coeficientes
bi∈ R s˜ao chamadas constantes
xj ∈ R s˜ao as vari´aveis do problema
a11x1+ a12x2+ · · · + a1nxn= b1 a21x1+ a22x2+ · · · + a2nxn= b2 .. . am1x1+ am2x2+ · · · + amnxn= bm
pode ser escrito em nota¸c˜ao matricial como Ax = b ou
a11 a12 . . . a1n a21 a22 . . . a2n .. . ... ... ... am1 am2 . . . amn x1 x2 .. . xn = b1 b2 .. . bm
Importˆ
ancia da resolu¸c˜
ao de sistemas de equa¸c˜
oes lineares
Sistemas de equa¸c˜oes lineares aparecem em diferentes problemas:
An´alise de estruturas
Modelagem de circuitos el´etricos Rea¸c˜oes qu´ımicas (equilibrar equa¸c˜oes) Programa¸c˜ao linear e n˜ao-linear
Aprendizagem de m´aquina (regress˜ao/classifica¸c˜ao) Circuitos el´etricos
M´etodos num´ericos
Um conjunto de vetores x1, x2, . . . , xn´e dito ser Linearmente
Independente (LI) se
c1x1+ c2x2+ · · · + cnxn= 0
somente se c1 = c2 = · · · = cn = 0
Caso contr´ario, diz-se que o conjunto de vetores ´e Linearmente Dependente (LD) Exemplo: Os vetores x1= 2 −3 4 , x2= 1 0 3 e x3= 3 −3 7 s˜ao LD, pois x3= x1+ x2⇒ x1+ x2− x3= 0, ou seja, c1 = 1, c2= 1 e c3 = −1.
Posto de uma Matriz
Posto de uma matriz A ∈ Rm×n ´e definido como o n´umero m´aximo de vetores linhas (ou de vetores colunas) linearmente independentes de A.
O n´umero de colunas LI de uma matriz ´e igual ao n´umero de linhas LI dessa matriz Exemplo: Seja A = 1 3 0 1 5 4 2 0 6 7 2 1
Nota-se que as linhas 1 e 2 da matriz A s˜ao LI, e a linha3 = linha1 +
Determinante ´e uma fun¸c˜ao matricial que associa a cada matriz quadrada de ordem n um escalar. Exemplos:
ordem n = 1 det(A) = det [a11] = a11 ordem n = 3 det(A) = det a11 a12 a13 a21 a22 a23 a31 a32 a33 = a11a22a33+ a12a23a31+ a13a21a32 − a13a22a31− a23a32a11− a33a21a12
Singularidade e Inversa de uma Matriz
Singularidade de Matriz
Uma matriz A com det(A) = 0 ´e dita singular. Quando det(A) 6= 0 ent˜ao A ´e dita n˜ao-singular.
Sendo a matriz quadrada A ∈ Rn×n n˜ao singular, a sua inversa ´e representada por A−1 e ´e definida de forma que
AA−1 = A−1A = I onde I ´e a matriz identidade de ordem n Exemplo: Sejam A = 1 1 2 3 A−1 = 3 −1 −2 1 Verifica-se que AA−1 = A−1A = I = 1 0 0 1
Seja um sistema Ax = b, com uma matriz quadrada A ∈ Rn×n, tem-se as
seguintes possibilidades quanto ao vetor solu¸c˜ao x:
Caso 1: Solu¸c˜ao ´unica (consistente e determinado) Caso 2: Infinitas solu¸c˜oes (consistente e indeterminado) Caso 3: Nenhuma solu¸c˜ao (inconsistente)
Caso 1: Ax = b tem solu¸c˜
ao ´
unica
x1+ x2= 3 x1− x2 = −1 ou 1 1 1 −1 x1 x2 = 3 −1 ⇒ x = 1 2x1+ x2 = 1 2x1+ 2x2= 2 ou 1 1 2 2 x1 x2 = 1 2 ⇒ x = 1 − θ θ
Caso 3: Ax = b n˜
ao tem solu¸c˜
oes
x1+ x2 = 1 x1+ x2 = 4 ou 1 1 1 1 x1 x2 = 1 4 ⇒ @x tal que Ax = bSeja A uma matriz quadrada n × n. As seguintes afirma¸c˜oes s˜ao equivalentes:
A−1 existe;
A ´unica solu¸c˜ao do sistema homogˆeneo Ay = 0; ´e y ser o vetor nulo; Posto da matriz A ´e n;
det(A) 6= 0;
dado qualquer vetor b, existe exatamente um vetor x tal que Ax = b.
Existˆ
encia e Unicidade da Solu¸c˜
ao
Exemplo 1: Comente sobre a solu¸c˜ao do sistema linear:
x1+ x2 = 3
x1− x2 = −1
Solu¸c˜ao: Como det(A) = −2 6= 0 ent˜ao existe solu¸c˜ao e ela ´e ´unica. Exemplo 2: Descreva sobre a solu¸c˜ao do sistema linear:
x1+ x2 = 1
2x1+ 2x2= 2
Solu¸c˜ao: Como det(A) = 0 ent˜ao o sistema n˜ao tem solu¸c˜ao ou a solu¸c˜ao n˜ao ´e ´unica
Exemplo 3: Informe sobre a solu¸c˜ao do sistema linear:
x1+ x2 = 1
x1+ x2 = 4
Solu¸c˜ao: como det(A) = 0 ent˜ao o sistema n˜ao tem solu¸c˜ao ou a solu¸c˜ao n˜ao ´e ´unica
Ser˜ao estudados m´etodos num´ericos para encontrar a solu¸c˜ao do sistema de equa¸c˜oes lineares Ax = b
Considera-se aqui que A ´e uma matriz quadrada e n˜ao-singular Os m´etodos que ser˜ao apresentados podem ser divididos em
M´etodos diretos
Fornecem a solu¸c˜ao exata do problema, a menos de erros de arredondamento, ap´os um n´umero finito de opera¸c˜oes M´etodos iterativos
Geram uma sequˆencia de vetores a partir de uma aproxima¸c˜ao inicial e, sob certas condi¸c˜oes, essa sequˆencia converge para a solu¸c˜ao do problema
M´etodos num´ericos diretos
Sistemas triangulares Elimina¸c˜ao Gaussiana Decomposi¸c˜ao LU
Decomposi¸c˜ao de Cholesky
M´etodos num´ericos iterativos
M´etodo de Jacobi M´etodo de Gauss-Seidel
Resolu¸c˜ao de sistemas triangulares
Sistema triangular inferior
Considere um sistema triangular inferior de ordem n dado por l11 0 0 . . . 0 l21 l22 0 . . . 0 .. . . .. ln1 ln2 ln3 . . . lnn x1 x2 .. . xn = b1 b2 .. . bn
A solu¸c˜ao deste sistema ´e feita atrav´es de um procedimento chamado de substitui¸c˜ao (ou substitui¸c˜oes sucessivas):
l11x1 = b1 ⇒ x1= b1 l11 l21x1+ l22x2 = b2 ⇒ x2= b2− l21x1 l22 . . . ln1x1+ ln2x2+ . . . + lnnxn = bn ⇒ xn= bn− ln1x1− ln2x2− . . . − lnn−1xn−1 lnn
De forma geral para Lx = b temos xi = bi− i −1 X j =1 lijxj , lii i = 1, . . . , n Exemplo 2 0 0 0 3 5 0 0 1 −6 8 0 −1 4 −3 9 x1 x2 x3 x4 = 4 1 48 0 Solu¸c˜ao 2x1 = 4 ⇒ x1= 2 3x1+ 5x2 = 1 ⇒ x2= 1−65 = −1 x1− 6x2+ 8x3 = 48 ⇒ x3=48−2−68 = 5 −x1+ 4x2− 3x3+ 9x4 = 0 ⇒ x4= 2+4+159 = 219
Algoritmo - Solu¸c˜
ao de um sistema triangular inferior
xi = bi− i −1 X j =1 lijxj , lii i = 1, . . . , n Entrada: L ∈ Rn×n, b ∈ Rn Sa´ıda: x ∈ Rn 1 x(1) = b(1) / L(1,1); 2 Para i=2, ..., n fa¸ca 3 s = b(i);4 Para j=1, ..., i-1 fa¸ca 5 s = s - L(i,j) * x(j); 6 x(i) = s/L(i,i);
O algoritmo an´alogo para o caso de um sistema triangular superior Ux = b ´
e chamado de retro-substitui¸c˜ao (ou substitui¸c˜oes retroativas). u11 u12 u13 . . . u1n 0 u22 u23 . . . u2n .. . . .. 0 0 0 . . . unn x1 x2 .. . xn = b1 b2 .. . bn e assim temos unnxn = bn ⇒ xn= bn unn un−1n−1xn−1+ un−1nxn = bn−1 ⇒ xn−1= bn−1− un−1nxn un−1n−1 . . . u11x1+ u12x2+ . . . + u1nxn = b1 ⇒ x1= bn− u12x1− u13x3− . . . − u1nxn u11
Sistema triangular superior
De forma geral para Ux = b temos
xi = bi− n X j =i +1 uijxj , uii i = n, . . . , 1 Exemplo 2 4 −2 0 1 1 0 0 4 x1 x2 x3 = 2 4 8 Solu¸c˜ao 4x3 = 8 ⇒ x3 = 2 x2+ x3 = 4 ⇒ x2 = 2 2x1+ 4x2− 2x3 = 2 ⇒ x1 = 2−8+42 = −22 = −1
xi = bi− n X j =i +1 uijxj , uii i = n, . . . , 1 Dados: U ∈ Rn×n, b ∈ Rn Sa´ıda: x ∈ Rn 1 x(n) = b(n)/U(n,n); 2 Para i=n-1, ..., 1 fa¸ca 3 s = b(i);
4 Para j=i+1, ..., n fa¸ca 5 s = s - U(i,j) * x(j); 6 x(i) = s/U(i,i);
O primeiro m´etodo direto que iremos estudar ´e o m´etodo de Elimina¸c˜ao Gaussiana.
A ideia fundamental do m´etodo ´e transformar a matriz A em uma matriz triangular superior introduzindo zeros abaixo da diagonal principal, primeiro na coluna 1, depois na coluna 2 e assim por diante.
x x x x x x x x x x x x x x x x → x x x x 0 x x x 0 x x x 0 x x x → x x x x 0 x x x 0 0 x x 0 0 x x → x x x x 0 x x x 0 0 x x 0 0 0 x
Por fim, usa-se a retro-substitui¸c˜ao para obter a solu¸c˜ao do sistema triangular superior obtido ao final dessa etapa de elimina¸c˜ao.
M´
etodo de Elimina¸c˜
ao Gaussiana
Na Elimina¸c˜ao Gaussiana, as opera¸c˜oes efetuadas para se obter a matriz triangular superior s˜ao tais que a matriz triangular obtida possui a mesma solu¸c˜ao que o sistema original.
Sistema equivalente
Dois sistemas de equa¸c˜oes lineares s˜ao equivalentes quando possuem o mesmo vetor solu¸c˜ao.
Um sistema pode ser transformado em um outro sistema equivalente utilizando as seguintes opera¸c˜oes elementares:
trocar a ordem de duas equa¸c˜oes
multiplicar uma equa¸c˜ao por uma constante n˜ao-nula somar um m´ultiplo de uma equa¸c˜ao `a outra
Exemplo
3x1+ 5x2= 9
6x1+ 7x2= 4
Podemos subtrair da linha 2 um m´ultiplo da linha 1, isto ´e
L02= L2− 2L1
Efetuando esta opera¸c˜ao obtemos o sistema equivalente 3x1+ 5x2 = 9 −3x2 = −14 7 6 5 4 3 2 1 0 1 1 0 1 2 3 4 5 6 7 7 6 5 4 3 2 1 0 1 1 2 3 4 5 6
M´
etodo de Elimina¸c˜
ao Gaussiana
Vamos primeiro estudar um exemplo simples para posteriormente generalizar a ideia. Exemplo Seja o sistema x1+ x3= 0 x1+ x2= 1 2x1+ 3x2+ x3= 1 1 0 1 1 1 0 2 3 1 x1 x2 x3 = 0 1 1 Solu¸c˜ao
Como podemos eliminar os coeficientes abaixo da diagonal principal na primeira coluna? L02= L2− L1 L03= L3− 2L1 1 0 1 0 0 1 −1 1 0 3 −1 1
Exemplo - (cont.)
Precisamos agora de eliminar os coeficientes abaixo da diagonal na segunda coluna (a32). Como?
L003 = L03− 3L02 1 0 1 0 0 1 −1 1 0 0 2 −2
Agora podemos usar a retro-substitui¸c˜ao para encontrar facilmente a solu¸c˜ao deste sistema:
2x3= −2 ⇒ x3= −1
x2− x3= 1 ⇒ x2= 1 + x3 = 1 − 1 = 0
x1+ x3= 0 ⇒ x1= −x3 = 1
Encontramos assim a solu¸c˜ao: xT = 1 0 −1
Mais um exemplo para ajudar a entender o m´etodo de Elimina¸c˜ao Gaussiana 2 1 1 4 −6 0 −2 7 2 x1 x2 x3 = 5 −2 9 Passo 1: m21 = aa2111 = 4/2 = 2 ⇒ L02 = L2− 2L1 (1) m31 = aa3111 = −2/2 = − ⇒ L03 = L3+ L1 (2) 2 1 1 5 0 −8 −2 −12 0 8 3 14
2 1 1 5 0 −8 −2 −12 0 8 3 14 m32= aa3222 = 8/ − 8 = −1 ⇒ L003 = L 0 3+ L 0 2 2 1 1 5 0 −8 −2 −12 0 0 1 2
Pr´oxima etapa: resolver o sistema triangular superior obtido usando o algoritmo de retro-substitui¸c˜ao.
M´
etodo de Elimina¸c˜
ao Gaussiana
a11 a12 a13 . . . a1n b1 a21 a22 a23 . . . a2n b2 .. . ... ... . .. ... ... an1 an2 an3 . . . ann bn Passo 1 (k=1): eliminamos os elementos abaixo da diagonal principal na primeira coluna. Suponha que a116= 0. Ent˜ao:
m21 = a21/a11 m31 = a31/a11 .. . mn1 = an1/a11 mi 1 = ai 1/a11, i = 2 : n
Para i = 2 : n a(1)ij = a(0)ij − mi 1 a(0)1j
b(1)i = bi(0)− mi 1 b1(0), j = 1 : n Observe que n˜ao alteramos a primeira linha, pois i = 2 : n, logo esta permanece inalterada:
a(1)1j = a(0)1j = a1j, b1(1)= b (0) 1 = b1
Ap´os essa etapa zeramos todos os elementos abaixo da diagonal principal na 1a coluna. a11 a12 a13 . . . a1n b1 0 a1 22 a 1 23 . . . a 1 2n b 1 2 0 a132 a133 . . . a13n b13 .. . ... ... . .. ... ... 0 a1 n2 a1n3 . . . a1nn b1n
Passo 2 (k=2): consiste em introduzir zeros abaixo da diagonal principal na 2a coluna. Suponha a226= 0. Definimos
mi 2= ai 2/a22, i = 3 : n e assim para i = 3 : n a(2)ij = a(1)ij − mi 2 a(1)2j b(2)i = b(1)i − mi 2 b1(2), j = 2 : n o que resulta em a11 a12 a13 . . . a1n b1 0 a122 a123 . . . a12n b12 0 0 a233 . . . a23n b23 .. . ... ... . .. ... ... 0 0 a2n3 . . . a2nn b2n
Passo 3, Passo 4, ...
Passo k: Considerando akk 6= 0, temos
mik = aik/akk, i = k + 1 : n
e assim fazemos
para i = k + 1 : n a(k)ij = a(k−1)ij − mik a(k−1)kj
b(k)i = bi(k−1)− mik b(k−1)k , j = k : n
Observe novamente que n˜ao alteramos as linhas de 1 a k.
No processo de Elimina¸c˜ao os elementos a11, a (1) 22, a (2) 33, . . ., a (k−1) kk que
aparecem na diagonal da matriz A s˜ao chamados de pivˆos.
Se os pivˆos n˜ao se anulam, isto ´e, se akk 6= 0, k = 1 : n, durante o
processo, ent˜ao a elimina¸c˜ao procede com sucesso e por fim chegamos ao seguinte sistema triangular superior
a11 a12 a13 . . . a1n−1 a1n b1 0 a122 a123 . . . a2n−11 a12n b21 0 0 a233 . . . a3n−12 a23n b32 .. . ... ... . .. ... ... 0 0 0 . . . 0 an−1nn bn−1n
Dados: matriz A ∈ Rn×n, vetor b ∈ Rn Sa´ıda: vetor solu¸c˜ao x ∈ Rn
1 Para k = 1 : n − 1 fa¸ca 2 Para i = k + 1 : n fa¸ca 3 m = A(i,k) / A(k,k); 4 Para j = k + 1 : n fa¸ca
5 A(i,j) = A(i,j) - m * A(k,j); 6 b(i) = b(i) - m * b(k);
7 x = retroSubstituicao(A,b); 8 retorna x;
M´
etodo de Elimina¸c˜
ao Gaussiana
Mas, e se na etapa k da Elimina¸c˜ao Gaussiana, o pivˆo for zero? Isso significa que akk = 0, e assim, ter´ıamos
mik =
aik
akk
⇒ divis˜ao por zero!
Nesse caso, se um pivˆo for zero, o processo de elimina¸c˜ao tem que parar, ou temporariamente ou permanentemente.
O sistema pode ou n˜ao ser singular.
Se o sistema for singular, i.e, det(A) = 0, e portanto como vimos o sistema n˜ao possui uma ´unica solu¸c˜ao.
Veremos agora um caso que a matriz n˜ao ´e singular e podemos resolver esse problema.
Vamos ilustrar a ideia do pivoteamento atrav´es de um exemplo. Considere a seguinte matriz. A = 1 1 1 2 2 5 4 6 8
Vamos proceder com a Elimina¸c˜ao Gaussiana.
m21= 2, a2j1 = a02j− 2 a01j m31= 4, a3j1 = a03j− 4 a01j, j = 1 : 3 Ent˜ao obtemos 1 1 1 0 0 3 0 2 4
Estrat´
egia de Pivoteamento
No pr´oximo passo, o pivˆo ´e a22 e usamos ele para calcular m32.
Entretanto m32= a32 a22 = 2 0 Divis˜ao por zero! E agora, o que podemos fazer?
Podemos realizar uma opera¸c˜ao elementar de troca de linhas. Como vimos este tipo de opera¸c˜ao quando realizado em um sistema, n˜ao altera a solu¸c˜ao. Sendo assim, vamos trocar as linhas 2 e 3.
1 1 1 0 0 3 0 2 4 ⇒ 1 1 1 0 2 4 0 0 3
E assim chegamos a um sistema triangular superior, cuja solu¸c˜ao pode ser obtida usando a retro-substitui¸c˜ao.
A estrat´egia de pivoteamento ´e importante pois:
evita a propaga¸c˜ao de erros num´ericos
nos fornece meios de evitar problemas durante a Elimina¸c˜ao Gaussiana quando o pivˆo akk no passo k ´e igual a zero e precisamos calcular o
multiplicador
mik =
aik
akk
Assim, atrav´es da troca de linhas, podemos encontrar uma linha de tal forma que o novo pivˆo ´e n˜ao-zero, permitindo que a Elimina¸c˜ao Gaussiana continue at´e obter uma matriz triangular superior.
No pivoteamento parcial, em cada passo k, o pivˆo ´e escolhido como o maior elemento em m´odulo abaixo de akk (inclusive), isto ´e
Encontrar r tal que: |ark| = max |aik|, k ≤ i ≤ n
Feita a escolha do pivˆo, trocamos as linhas r e k e o algoritmo procede.
Pivoteamento Parcial
Exemplo
Aplique a Elimina¸c˜ao Gaussiana com pivoteamento parcial no seguinte sistema: 2 4 −2 2 4 9 −3 8 −2 −3 7 10 A cada passo k:
encontrar o pivˆo do passo k se necess´ario, trocar as linhas calcular o multiplicador mik
para i = k + 1 : n, calcular
a(k)ij = aij(k−1)− mik a(k−1)kj
(k) (k−1) (k−1)
Exemplo - (cont.)
Passo 1
Escolha do pivˆo: max {2, 4, 2} = 4. Trocar as linhas 1 e 2.
2 4 −2 2 4 9 −3 8 −2 −3 7 10 ⇒ 4 9 −3 8 2 4 −2 2 −2 −3 7 10 m21= 2/4 = 1/2 ⇒ a12j = a02j −12a 0 1j m31= −2/4 = −1/2⇒ a13j = a03j +12a 0 1j, j = 1 : 3 4 9 −3 8 0 −12 −12 −2 0 32 112 14
Pivoteamento Parcial
Exemplo - (cont.)
Passo 2
Escolha do pivˆo: max {12,32} = 3
2. Trocar as linhas 2 e 3. 4 9 −3 8 0 −12 −12 −2 0 32 112 14 ⇒ 4 9 −3 8 0 32 112 14 0 −1 2 − 1 2 −2 m32= −1223 = −13 ⇒ a23j = a13j+13a 1 2j, j = 2 : 3 4 9 −3 8 0 32 112 14 0 0 43 83
Exemplo - (cont.) Retro-substitui¸c˜ao 4 9 −3 8 0 32 112 14 0 0 43 83 4 3x3 = 8 3 ⇒ x3 = 2 3 2x2 + 2 11 2 = 14 ⇒ x2 = 2 4x1 + 9(2) − 3(2) = 8 ⇒ x1 = −1 Portanto a solu¸c˜ao ´e xT= [−1, 2, 2].
Pivoteamento Parcial
Exemplo (efeitos num´ericos)
Considere o seguinte sistema:
0.0001 1 1 1 x1 x2 = 1 2
Usando um sistema de ponto flutuante F (10, 3, −10, 10) (sistema decimal com 3 d´ıgitos na mantissa), com arredondamento, encontre a solu¸c˜ao do sistema usando Elimina¸c˜ao Gaussiana sem pivoteamento.
Solu¸c˜ao Temos que m21= 1 0.0001 = 10000 ⇒ L 0 2= L2− 10000L1
Solu¸c˜ao (efeitos num´ericos) - Cont.
0.0001 1 1
0 −10000∗ −10000∗∗
Note que (∗) foi obtido como
1 − 10000 × 1 = 0.00001 × 105− 0.10000 × 105
= 0.09999 × 105
= (arredondando) = 0.100 × 105
e de forma an´aloga para (∗∗), temos
2 − 10000 × 1 = 0.00001 × 105− 0.10000 × 105 = 0.09998 × 105
= (arredondando) = 0.100 × 105
Pivoteamento Parcial
Solu¸c˜ao (efeitos num´ericos) - Cont.
Por fim, aplicando a retrosubstitui¸c˜ao obtemos uma solu¸c˜ao errada, devido aos erros de aritm´etica em ponto flutuante cometidos em (∗) e (∗∗) durante a soma/subtra¸c˜ao de n´umeros muito pequenos com n´umeros muito grandes.
Solu¸c˜ao obtida → xT = 0 1
A solu¸c˜ao exata ´e dada por
Solu¸c˜ao exata → xT =
M´etodo Direto: Decomposi¸c˜ao LU
Decomposi¸c˜
ao LU
Uma matriz quadrada pode ser escrita como o produto de duas matrizes L e U, onde
L ´e uma matriz triangular inferior unit´aria (com elementos da diagonal principal igual a 1)
U ´e uma matriz triangular superior Ou seja, a matriz pode ser escrita como
A = LU
Dessa forma para resolver o sistema linear Ax = b usamos A em sua forma decomposta, isto ´e
Ax = b ⇒ LUx = b
Ent˜ao definimos
Assim para resolver L Ux |{z} y = b fazemos Ly = b ⇒ Ux = y isto ´e, temos os seguintes passos:
1 Como L ´e triangular inferior podemos resolver Ly = b facilmente
usando o algoritmo de substitui¸c˜ao. Assim encontramos o vetor y.
2 Em seguida substitu´ımos y no sistema Ux = y. Como U ´e uma
matriz triangular superior, podemos resolver este sistema usando o algoritmo da retro-substitui¸c˜ao para encontrar a solu¸c˜ao x.
Vamos ver agora em que condi¸c˜oes podemos decompor uma matriz A na forma LU.
Decomposi¸c˜
ao LU
Condi¸c˜ao sobre a matriz A para a existˆencia de L e U
Sejam A = (aij) uma matriz quadrada de ordem n e Ak o menor principal,
constitu´ıdo das k primeiras linhas e k primeiras colunas de A. Assumimos que det(Ak) 6= 0 para k = 1, 2, . . . , n − 1. Ent˜ao existe:
uma ´unica matriz triangular inferior L = (lij) com lii = 1, i = 1 : n
uma ´unica matriz triangular superior U = (uij)
Podemos obter as matrizes L e U aplicando a defini¸c˜ao de produto e igualdade de matrizes, ou seja, impondo que A seja igual a LU, onde L ´e triangular inferior unit´aria e U triangular superior. Ent˜ao
LU = 1 0 0 . . . 0 l21 1 0 . . . 0 l31 l32 1 . . . 0 .. . ... . .. 1 0 ln1 ln2 ln3 . . . 1 u11 u12 u13 . . . u1n 0 u22 u23 . . . u2n 0 0 u33 . . . u3n .. . ... ... . .. ... 0 0 0 0 unn
Vamos obter os elementos de L e U da seguinte forma: 1a linha de U
1a coluna de L 2a linha de U 2a coluna de L ...
Decomposi¸c˜
ao LU
Obten¸c˜ao das matrizes L e U
1a linha de U a11= 1 u11⇒ u11= a11 a12= 1 u12⇒ u12= a12 . . . a1n= 1 u1n ⇒ u1n = a1n 1a coluna de L a21= l21u11⇒ l21= au2111 a31= l31u11⇒ l31= au3111 . . . an1= ln1 u11⇒ ln1= aun111
2a linha de U a22= l21u12+ 1 u22⇒ u22= a22− l21u12 a23= l21u13+ 1 u23⇒ u23= a23− l21u13 . . . a2n= l21u1n+ 1 u2n ⇒ u2n = a2n− l21u1n 2a coluna de L a32= l31u12+ l32u22⇒ l32= a32− l31u12 u22 a42= l41u12+ l42u22⇒ l42= a42− l41u1 u22 . . . an2= ln1u12+ ln2u22⇒ ln2= an2− ln1u12 u22
Algoritmo para Obten¸c˜
ao das matrizes L e U
uij = aij − i −1 X k=1 lik ukj, i ≤ j lij = aij − j −1 X k=1 lik ukj ! , ujj, i > j 1 Para i = 1 : n fa¸ca 2 Para j = i : n fa¸ca 3 uij = aij −Pi −1k=1lik ukj ; 4 Para j = i + 1 : n fa¸ca 5 lij = aij −Pj −1k=1lik ukj , ujj ;Gaussiana
Exemplo: Seja a matriz A dada por
A = 2 1 1 4 −6 0 −2 7 2 Passo 1 m21 = aa2111 = 4/2 = 2 ⇒ L02= L2− 2L1 m31 = aa3111 = −2/2 = −1 ⇒ L03 = L3+ L1 A0 = 2 1 1 0 −8 −2 0 8 3
Passo 2 A0 = 2 1 1 0 −8 −2 0 8 3 m32= aa3222 = 8/ − 8 = −1 ⇒ L003 = L 0 3+ L 0 2
As matrizes L e U s˜ao dadas por
A00= 2 1 1 0 −8 −2 0 0 1 = U; L = 1 0 0 m21 1 0 m31 m32 1 = 1 0 0 2 1 0 −1 −1 1
Matriz U resulta diretamente do m´etodo de Elimina¸c˜ao Gaussiana Matriz L ´e formada pelos multiplicadores mij calculados ao longo do
Gaussiana com pivoteamento
Seja P uma matriz de permuta¸c˜ao que corresponde a matriz identidade, ent˜ao temos
PA = A
Logo, determinando a decomposi¸c˜ao LU de A, temos PA = LU
Utilizando o m´etodo de Elimina¸c˜ao Gaussiana para determinar as matrizes L e U, pode ser que a matriz P resultante n˜ao seja mais a matriz identidade.
Pois, o pivoteamento (troca de linhas durante o processo de
Elimina¸c˜ao Gaussiana) afeta tamb´em a troca de linhas das matrizes L e P.
Exemplo: Considere as seguintes matrizes A e P: A = 1 1 1 2 2 5 4 6 8 P = 1 0 0 0 1 0 0 0 1
ou seja, PA = A. Vamos proceder com a Elimina¸c˜ao Gaussiana aplicado na matriz A. m21= 2, L02 = L2− m21L1 m31= 4, L03 = L3− m31L1 Ent˜ao obtemos: A = 1 1 1 0 0 3 0 2 4
m32=
a32
a22
= 2 0 =?
Podemos realizar uma opera¸c˜ao elementar de troca de linhas. Como vimos este tipo de opera¸c˜ao quando realizado em um sistema, n˜ao altera a solu¸c˜ao. Sendo assim, vamos trocar as linhas 2 e 3.
1 1 1 0 0 3 0 2 4 ⇒ 1 1 1 0 2 4 0 0 3
A troca das linhas 2 e 3 realizada acima implica tamb´em a troca das mesmas linhas na matriz P
No final do processo, temos PA = LU, tais que
U = 1 1 1 0 2 4 0 0 3 L = 1 0 0 4 1 0 2 0 1 P = 1 0 0 0 0 1 0 1 0
Matriz Sim´etrica
Uma matriz real A quadrada de ordem n ´e sim´etrica se possui as mesmas entradas acima e abaixo da diagonal principal, isto ´e, se
aij = aji, ∀ i , j
Portanto A = AT.
Matriz Positiva Definida
Uma matriz A quadrada de ordem n ´e positiva definida, se e somente se
det(Ak) > 0, k = 1, 2, . . . , n
onde Ak ´e a matriz menor principal de ordem k (a matriz k × k formada
pelas k primeiras linhas e pelas k primeiras colunas).
A decomposi¸c˜ao de Cholesky ´e um caso especial da fatora¸c˜ao LU aplicada para matrizes sim´etricas e positiva definida
Esta decomposi¸c˜ao pode ser obtida a partir de
A = GGT onde G ´e uma matriz triangular inferior tal que
A = a11 a12 . . . a1n a21 a22 . . . a2n . . . . . . . .. ... an1 an2 . . . ann = g11 0 . . . 0 g21 g22 . . . 0 . . . . . . . .. 0 gn1 gn2 . . . gnn g11 g21 . . . gn1 0 g22 . . . g2n . . . . . . . .. ... 0 0 . . . gnn
Pelo produto e igualdade de matrizes podemos obter os elementos de G. Elementos da diagonal principal:
a11= g112 a22= g212 + g222 .. . ann = gn12 + gn22 + . . . + gnn2 de forma geral gii = v u u taii − i −1 X k=1 g2 ik , i = 1 : n
Para os elementos fora da diagonal principal, temos a21= g21g11 a31= g31g11 .. . an1 = gn1g11 a32= g31g21+ g32g22 a42= g41g21+ g42g22 .. . an2 = gn1g21+ gn2g22 de forma geral gij= aij− j −1 X k=1 gikgjk gjj , i = j + 1 : n, j = 1 : n
Podemos usar a decomposi¸c˜ao de Cholesky para encontrar a solu¸c˜ao de Ax = b da seguinte forma: 1 Determinar a decomposi¸c˜ao A = GGT ent˜ao G GTx | {z } y = b
2 Resolver Gy = b, usando substitui¸c˜ao 3 Resolver GTx = y, retro-substitui¸c˜ao
Decomposi¸c˜
ao de Cholesky
Exemplo Considere a matriz A = 4 −2 2 −2 10 −7 2 −7 30 a) Verificar se A satisfaz as condi¸c˜oes da decomposi¸c˜ao de Cholesky
b) Decompor A em GGT
c) Calcular o determinante
d) Resolver o sistema Ax = b com b = 8 11 −31
a) A ´e sim´etrica e positiva definida
det(A1) = 4, det(A2) = 36, det(A3) = 900
b) A decomposi¸c˜ao ´e A = 2 0 0 −1 3 0 1 −2 5 | {z } G 2 −1 1 0 3 −2 0 0 5 | {z } GT c) det(A) = (2 · 3 · 5)2 = 302 = 900 d) x = 3 1 −1
O sistema de equa¸c˜oes lineares Ax = b pode ser resolvido por um processo que gera a partir de um vetor inicial x(0) uma sequˆencia de vetores x(1), x(2), x(3), . . . que deve convergir para a solu¸c˜ao. Existem muitos m´etodos iterativos para a solu¸c˜ao de sistemas lineares, entretanto s´o iremos estudar os chamados m´etodos iterativos estacion´arios.
Algumas perguntas importantes s˜ao:
Como construir a sequˆencia {x(0), x(1), x(2), . . .}?
x(k)→ x∗?
Quais s˜ao as condi¸c˜oes para convergˆencia? Como saber se x(k) est´a pr´oximo de x∗?
Crit´erio de parada?
Um m´etodo iterativo escrito na forma
x(k+1)= Bx(k)+ c
´
e dito estacion´ario quando a matriz B for fixa durante o processo iterativo.
Veremos como construir a matriz B para cada um dos m´etodos que iremos estudar: Jacobi e Gauss-Seidel.
Antes, ´e preciso rever alguns conceitos como norma de vetores e matrizes, os quais ser˜ao importantes no desenvolvimento do crit´erio de parada e na an´alise de convergˆencia dos m´etodos.
Para discutir o erro envolvido nas aproxima¸c˜oes ´e preciso associar a cada vetor e matriz um valor escalar n˜ao negativo que de alguma forma mede sua magnitude. As normas para vetores mais comuns s˜ao:
Norma euclideana (ou norma L2)
||x||2 = (x12+ x22+ . . . + xn2)1/2
Norma infinito (ou norma do m´aximo)
||x||∞= max 1≤i ≤n|xi|
Normas vetoriais devem satisfazer `as seguintes propriedades:
1 ||x|| > 0 se x 6= 0, ||x|| = 0 se x = 0 2 ||αx|| = |α|||x||, onde α ´e um escalar 3 ||x + y|| ≤ ||x|| + ||y||
Normas de Matrizes
Normas de matrizes tem que satisfazer a propriedades similares:
1 ||A|| > 0 se A 6= 0, ||A|| = 0 se A = 0 2 ||αA|| = |α|||A||, onde α ´e um escalar 3 ||A + B|| ≤ ||A|| + ||B||
4 ||AB|| ≤ ||A|| ||B|| 5 ||Ax|| ≤ ||A|| ||x||
Iremos fazer uso em diversos momentos da seguinte norma matricial
||A||∞= max 1≤i ≤n n X j =1 |aij| Exemplo A = 4 6 −3 4 ⇒ ||A||∞= max{10, 7} = 10
A distˆancia entre dois vetores x e y pode ser calculada como ||x − y||2 ou ||x − y||∞
Iremos usar a norma infinito nos algoritmos que iremos descrever. Seja x(k+1)e x(k) duas aproxima¸c˜oes para o vetor solu¸c˜ao x∗de um sistema de equa¸c˜oes lineares. Crit´erio de parada
||x(k+1)− x(k)|| ∞ ||x(k+1)|| ∞ = max |x (k+1) i − x (k) i | max |xi(k+1)| < ε onde ε ´e a precis˜ao desejada (Ex: 10−3).
Na pr´atica tamb´em adotamos um n´umero m´aximo de itera¸c˜oes para evitar que o programa execute indefinidamente, caso o m´etodo n˜ao convirja para um
determinado problema.
k < kmax
Vamos ilustrar a ideia do m´etodo de Jacobi atrav´es de um exemplo. a11x1+ a12x2+ a13x3 = b1
a21x1+ a22x2+ a23x3 = b2
a31x1+ a32x2+ a33x3 = b3
o qual pode ser escrito como
x1= (b1− a12x2− a13x3)/a11
x2= (b2− a21x1− a23x3)/a22
x3= (b3− a31x1− a32x2)/a33
A partir de uma aproxima¸c˜ao inicial
x(0)= x1(0) x2(0) x3(0)
M´
etodo de Jacobi
Calculamos uma nova aproxima¸c˜ao x(1) atrav´es de x1(1)=b1− a12x2(0)− a13x3(0) /a11 x2(1)= b2− a21x1(0)− a23x3(0) /a22 x3(1)=b3− a31x (0) 1 − a32x (0) 2 /a33
Ap´os obter x(1), calculamos x(2) substituindo x(1) no lugar de x(0) na express˜ao anterior e assim procedemos at´e que o crit´erio de parada seja satisfeito.
Para um sistema de n equa¸c˜oes e n inc´ognitas, a cada passo k, temos:
1 Para i = 1 : n fa¸ca 2 xi(k+1) = bi − i −1 X j =1 aijx (k) j − n X j =i +1 aijx (k) j , aii ;
Exemplo
Resolver o seguinte sistema:
4x1+ 0.24x2− 0.08x3 = 8
0.09x1+ 3x2− 0.15x3 = 9
0.04x1− 0.08x2+ 4x3 = 20
usando o m´etodo de Jacobi com vetor inicial x(0) = 0.
Solu¸c˜ao do Exemplo
k 0 1 2 3
x1 0 2 1.92 1.91
x2 0 3 3.19 3.1944
x3 0 5 5.04 5.0446
M´
etodo de Jacobi
Solu¸c˜ao do Exemplo F´ormula de itera¸c˜ao x1(k+1)= 2 − 0.06x2(k)+ 0.02x3(k) x2(k+1)= 3 − 0.03x1(k)+ 0.05x3(k) x3(k+1)= 5 − 0.01x1(k)+ 0.02x2(k) Passo 1 → x(0) = 0 x1(1) = 2 − 0.06x2(0)+ 0.02x3(0) = 2 x2(1) = 3 − 0.03x1(0)+ 0.05x3(0) = 3 x3(1) = 5 − 0.01x1(0)+ 0.02x2(0) = 5Solu¸c˜ao do Exemplo Passo 2 → (x(1))T =2 3 5 x1(2) = 2 − 0.06(3) + 0.02(5) = 2 − 0.08 = 1.92 x2(2) = 3 − 0.03(2) + 0.05(5) = 3 + 0.19 = 3.19 x3(2) = 5 − 0.01(2) + 0.02(3) = 5 + 0.04 = 5.04 Passo 3 → (x(2))T =1.92 3.19 5.04 x1(3)= 2 − 0.06(3.19) + 0.02(5.04) = 1.91 x2(3)= 3 − 0.03(1.92) + 0.05(5.04) = 3.1944 x3(3)= 5 − 0.01(1.92) + 0.02(3.19) = 5.0446 Erro: ||x(3)− x(2)||∞= max{0.01, 0.0044, 0.0046} = 0.01
Convergˆ
encia do m´
etodo de Jacobi
Para estudar a convergˆencia do m´etodo, vamos primeiro escrevˆe-lo na seguinte forma:
x(k+1) = Bx(k)+ c Para isso, vamos dividir a matriz A como
A = L |{z} triangular inferior + D |{z} diagonal + U |{z} triangular superior
isto ´e, para uma matriz 3 × 3 temos
a11 a12 a13 a21 a22 a23 a31 a32 a33 = 0 0 0 a21 0 0 a31 a32 0 + a11 0 0 0 a22 0 0 0 a33 + 0 a12 a13 0 0 a23 0 0 0
Sendo assim o m´etodo de Jacobi pode ser escrito como: Ax = b ⇒ (L + D + U)x = b ⇒ Dx = b − (L + U)x e assim Dx(k+1) = b − (L + U)x(k) x(k+1) = −D−1(L + U)x(k)+ D−1b x(k+1) = BJx(k)+ c
onde para o m´etodo de Jacobi
BJ = −D−1(L + U)
c = D−1b
Convergˆ
encia do m´
etodo de Jacobi
M´etodo iterativo
x(k+1)= Bx(k)+ c Matriz de itera¸c˜ao B do m´etodo Jacobi
BJ = −D−1(L + U)
Haver´a convergˆencia do m´etodo se
||B||∞< 1
Vamos analisar agora crit´erios espec´ıficos para atender ao crit´erio geral dado acima para o m´etodo de Jacobi.
Crit´erio das Linhas Seja Ax = b e seja αk = n X j =1,i 6=j aij aii , para k = 1 : n. Se α = max{αk} < 1, ent˜ao o m´etodo de Jacobi converge
independentemente da aproxima¸c˜ao inicial x(0).
Exemplo
Verificar se a matriz A abaixo satisfaz o crit´erio das linhas. 4 0.24 −0.08 0.09 3 −0.15 0.04 −0.08 4 , α1= 0.24 4 + −0.08 4 = 0.06 + 0.02 = 0.08 α2= 0.093 + −0.153 = 0.03 + 0.05 = 0.08 α3= 0.04 4 + −0.08 4 = 0.01 + 0.02 = 0.03 α = max{α1, α2, α3} = 0.08 < 1
Convergˆ
encia do m´
etodo de Jacobi
Uma matriz A ´e estritamente diagonalmente dominante se
n
X
j =1, j 6=i
|aij| < |aii|, i = 1 : n
Matrizes estritamente diagonalmente dominante satisfazem o crit´erio das linhas
M´etodo de Jacobi converge para matrizes estritamente diagonalmente dominante.
Exemplo de matriz estritamente diagonalmente dominante
A = 10 2 1 1 5 1 2 3 10 |a12| + |a13| = |2| + |1| < |10| = |a11| |a21| + |a23| = |1| + |1| < |5| = |a22| |a31| + |a32| = |2| + |3| < |10| = |a33|
Exemplo
Resolva o sistema utilizando o m´etodo de Jacobi. 10 2 1 1 5 1 2 3 10 x1 x2 x3 = 7 −8 6 Solu¸c˜ao do Exemplo
Crit´erio das linhas:
α1 = (|a12| + |a13|)/|10| = 0.2 + 0.1 = 0.3 < 1
α2 = (|a21| + |a23|)/|5| = 0.2 + 0.2 = 0.4 < 1
α3 = (|a31| + |a32|)/|10| = 0.2 + 0.3 = 0.5 < 1
Logo α = α3 = 0.5 < 1 e portanto o m´etodo de Jacobi converge.
Solu¸c˜ao do Exemplo
Ou ent˜ao basta verificar que a matriz A ´e estritamente diagonalmente dominante.
F´ormula de itera¸c˜ao:
x1(k+1) = 0.7 − 0.2x2(k)− 0.1x3(k) x2(k+1) = −1.6 − 0.2x1(k)− 0.2x3(k) x3(k+1) = 0.6 − 0.2x1(k)− 0.3x2(k)
Assim temos as seguintes itera¸c˜oes para o vetor inicial x(0) = 0
k 1 2 3 4 5
x1 0.7 0.96 0.978 0.9994 0.9979
x2 -1.6 -1.86 -1.98 -1.9888 -1.9996
M´etodo Iterativo: Gauss-Seidel
M´
etodo de Gauss-Seidel
Observe no exemplo anterior, que o m´etodo de Jacobi, n˜ao usa os valores atualizados de x(k) at´e completar por inteiro a itera¸c˜ao do passo k.
O m´etodo de Gauss-Seidel pode ser visto como uma modifica¸c˜ao do m´etodo de Jacobi. Nele usaremos a mesma forma de iterar que o m´etodo de Jacobi, entretanto vamos aproveitar os c´alculos j´a
atualizados, de outras componentes, para atualizar a componente que est´a sendo calculada.
Dessa forma o valor de x1(k+1) ser´a usado para calcular x2(k+1), os valores de x1(k+1) e x2(k+1) ser˜ao usados para calcular x3(k+1), e assim por diante.
Para um sistema 3 × 3 temos o seguinte esquema: x1(k+1) = b1− a12x2(k)− a13x3(k) /a11 x2(k+1) = b2− a21x1(k+1)− a23x3(k) /a22 x3(k+1) = b3− a31x1(k+1)− a32x2(k+1) /a33
No caso geral temos
1 Para i = 1 : n fa¸ca 2 xi(k+1)= bi − i −1 X j =1 aijxj(k+1)− n X j =i +1 aijxj(k) , aii ;
M´
etodo de Gauss-Seidel
Exemplo
Resolver o seguinte sistema:
4x1+ 0.24x2− 0.08x3= 8
0.09x1+ 3x2− 0.15x3= 9
0.04x1− 0.08x2+ 4x3= 20
usando o m´etodo de Gauss-Seidel com vetor inicial x(0)= 0.
Solu¸c˜ao do Exemplo
F´ormula de itera¸c˜ao (*)
x1(k+1)= 2 − 0.06x2(k)+ 0.02x3(k) x2(k+1)= 3 − 0.03x1(k+1)+ 0.05x3(k) x3(k+1)= 5 − 0.01x1(k+1)+ 0.02x2(k+1)
F´ormula de itera¸c˜ao (*) x1(k+1) = 2 − 0.06x2(k)+ 0.02x3(k) x2(k+1) = 3 − 0.03x1(k+1)+ 0.05x3(k) x3(k+1) = 5 − 0.01x1(k+1)+ 0.02x2(k+1) Passo 1 → x(0) = 0 x1(1) = 2 − 0.06(0) + 0.02(0) = 2 x2(1) = 3 − 0.03(2) + 0.05(0) = 3 − 0.06 = 2.94 x3(1) = 5 − 0.01(2) + 0.02(2.94) = 5.0388
M´
etodo de Gauss-Seidel
Solu¸c˜ao do Exemplo Passo 2 → (x(1))T =2 2.94 5.0388 x1(2)= 2 − 0.06(2.94) + 0.02(5.0388) = 1.924376 x2(2)= 3 − 0.03(1.924376) + 0.05(5.0388) = 3.194209 x3(2)= 5 − 0.01(1.924376) + 0.02(3.194209) = 5.044640 Passo 3 → (x(2))T =1.924376 3.194209 5.044640 x1(2)= 2 − 0.06(1.924376) + 0.02(5.04464) = 1.909240 x2(2)= 3 − 0.03(1.909240) + 0.05(5.04464) = 3.194955 x3(2)= 5 − 0.01(1.909240) + 0.02(3.194955) = 5.044807Para estudar a convergˆencia do m´etodo, vamos primeiro escrevˆe-lo na seguinte forma:
x(k+1) = Bx(k)+ c Para isso, vamos dividir a matriz A como
A = L |{z} triangular inferior + D |{z} diagonal + U |{z} triangular superior
isto ´e, para uma matriz 3 × 3 temos
a11 a12 a13 a21 a22 a23 a31 a32 a33 = 0 0 0 a21 0 0 a31 a32 0 + a11 0 0 0 a22 0 0 0 a33 + 0 a12 a13 0 0 a23 0 0 0
Matriz de itera¸c˜
ao do m´
etodo de Gauss-Seidel
Para o m´etodo de Gauss-Seidel temos
(L + D)x(k+1)= −Ux(k)+ b
x(k+1)= −(L + D)−1Ux(k)+ (L + D)−1b x(k+1)= BGSx(k)+ c
onde para o m´etodo de Gauss-Seidel
BGS= −(L + D) −1
U c = (L + D)−1b Ou seja, ambos os m´etodos podem ser escritos como
x(k+1)= Bx(k)+ c onde B ´e chamada de matriz de itera¸c˜ao
BJ = −D −1
(L + U) BGS= −(L + D)−1U
M´etodo iterativo
x(k+1)= Bx(k)+ c Matriz de itera¸c˜ao B do m´etodo Jacobi
BJ = −D−1(L + U)
Matriz de itera¸c˜ao B do m´etodo Gauss-Seidel
BGS = −(L + D)−1U
Haver´a convergˆencia do m´etodo se
||B||∞< 1
Vamos analisar agora crit´erios espec´ıficos para atender ao crit´erio geral dado acima para o m´etodo de Jacobi e Gauss-Seidel.
Convergˆ
encia do m´
etodo de Gauss-Seidel
O m´etodo de Gauss-Seidel converge se satisfazer o crit´erio das linhas ou Crit´erio de Sassenfeld
max
1≤i ≤nβi < 1
onde βi s˜ao calculados como
βi = i −1 X j =1 |aij| |aii| βj + n X j =i +1 |aij| |aii|
Exemplo de matriz que satisfaz o crit´erio de Sassenfeld
A = 5 1 1 3 4 1 3 3 6 β1= |0.2| + |0.2| = 0.4 β2= |0.75|(0.4) + |0.25| = 0.3 + 0.25 = 0.55 β3= |0.5|(0.4) + |0.5|(0.55) = 0.2 + 0.275 = 0.475 max βi = max{0.4, 0.55, 0.475} = 0.55 < 1
Exemplo
Resolva o sistema utilizando o m´etodo de Gauss-Seidel. 5 1 1 3 4 1 3 3 6 x1 x2 x3 = 5 6 0 Solu¸c˜ao do Exemplo
1) A matriz n˜ao ´e estritamente diagonalmente dominante. Nada podemos afirmar sobre a convergˆencia.
2) Crit´erio das linhas:
α1 = (|a12| + |a13|)/|5| = 0.2 + 0.2 = 0.4 < 1
α2 = (|a21| + |a23|)/|4| = 0.75 + 0.25 = 1
α3 = (|a31| + |a32|)/|6| = 0.5 + 0.5 = 1
Solu¸c˜ao do Exemplo
3) Crit´erio de Sassenfeld:
β1 = |0.2| + |0.2| = 0.4 β2 = |0.75|(0.4) + |0.25| = 0.3 + 0.25 = 0.55 β3 = |0.5|(0.4) + |0.5|(0.55) = 0.2 + 0.275 = 0.475 Assim max 1≤i ≤nβi = max{0.4, 0.55, 0.475} = 0.55 < 1
Portanto, como o crit´erio de Sassenfeld ´e satisfeito, podemos garantir que o processo de Gauss-Seidel converge para essa matriz.
F´ormula de itera¸c˜ao:
x1(k+1) = 1 − 0.2x2(k)− 0.2x3(k) x2(k+1) = 1.5 − 0.75x1(k+1)− 0.25x3(k) x3(k+1) = 0 − 0.5x1(k+1)− 0.5x2(k+1)
Usando x(0) = 0 como aproxima¸c˜ao inicial, temos
x1(1) = 1 − 0.2(0) − 0.2(0) = 1 x2(1) = 1.5 − 0.75(1) − 0.25(0) = 0.75 x3(1) = 0 − 0.5(1) − 0.5(0.75)
Solu¸c˜ao do Exemplo
Iterando para k = 1, 2, . . . temos
k 1 2 3 4
x1 1.0 1.025 1.0075 1.0016
x2 0.75 0.95 0.9913 0.9987
x3 -0.875 -0.9875 -0.9994 -1.0002
Podemos verificar o erro ||x(4)− x(3)|| ∞ ||x(4)|| ∞ = max{|1.0016−1.0075|,|0.9987−0.9913|,|−1.0002+0.9994|}max{|1.0016|,|0.9987|,|−1.0002|} = 0.0074 1.0016 = 0.0074 < 10 −2
Slides das aulas do Prof. Dr. Bernardo Martins Rocha, DCC-ICE-UFJF.
C´alculo Num´erico, Neide B. Franco, Pearson, 2007.