Introdução aos Métodos
Numéricos
Instituto de Computação UFF
Departamento de Ciência da Computação
Conteúdo
● Erros e Aproximações Numéricas
● Sistemas de Equações Lineares. Métodos diretos
● Interpolação
● Ajuste de Curvas
● Zeros de Função
● Sistemas de Equações Lineares. Métodos Iterativos
● Integração Numérica
Conteúdo
Sistemas de equações
lineares
“Pronto, fiz os cálculos e achei ! ...Mas como sei se é a solução?“
Sistemas de equações
lineares
Exemplo de Wilson
Substitua o vetor solução por
(
10 7 8 7 7 5 6 5 8 6 10 9 7 5 9 10)
⃗x=(
32 23 33 31)
⃗xT=(9,2;−12,6 ; 4,5 ;−1,1)Sistemas de equações
lineares
Exemplo de Wilson
Substitua o vetor solução por
Resultado:
(
10 7 8 7 7 5 6 5 8 6 10 9 7 5 9 10)
⃗x=(
32 23 33 31)
⃗xT=(9,2;−12,6 ; 4,5 ;−1,1) ⃗bT =(32,1 ;22,9;33,1 ;30,9)Sistemas de equações
lineares
Exemplo de Wilson
Parece que estamos perto da solução...
A
(
9,2 −12,6 4,5 −1,1)
=(
32,1 22,9 33,1 30,9)
;⃗b=(
32 23 33 31)
Sistemas de equações
lineares
Exemplo de Wilson
Substitua o vetor solução por
(
10 7 8 7 7 5 6 5 8 6 10 9 7 5 9 10)
⃗x=(
32 23 33 31)
⃗xT=(1,82;−0,36 ;1,35 ;0,79)Sistemas de equações
lineares
Exemplo de Wilson
Substitua o vetor solução por
Resultado:
(
10 7 8 7 7 5 6 5 8 6 10 9 7 5 9 10)
⃗x=(
32 23 33 31)
⃗xT=(1,82;−0,36 ;1,35 ;0,79) ⃗bT =(32,01 ;22,99;33,01;30,99)Sistemas de equações
lineares
Exemplo de Wilson
Realmente parecia que estávamos perto da
solução?
A(
1,82 −0,36 1,35 0,79)
=(
32,01 22,99 33,01 30,99)
;⃗b=(
32 23 33 31)
Sistemas de equações
lineares
Exemplo de Wilson
Repare...
A(
1,82 −0,36 1,35 0,79)
=(
32,01 22,99 33,01 30,99)
; A(
9,2 −12,6 4,5 −1,1)
=(
32,1 22,9 33,1 30,9)
;⃗b=(
32 23 33 31)
Sistemas de equações
lineares
Exemplo de Wilson
Solução:
(
10 7 8 7 7 5 6 5 8 6 10 9 7 5 9 10)
⃗x=(
32 23 33 31)
⃗xT=(1;1;1 ;1)Sistemas de equações
lineares
●
A técnica de substituir na equação pode nos
Sistemas de equações
lineares
●
A técnica de substituir na equação pode nos
enganar
Sistemas de equações
lineares
Este sistema é mal-condicionado, portanto:
●
Pequenas variações nos parâmetros do problema
(neste caso o vetor constante) gera uma mudança
muito maior na solução
Sistemas de equações
lineares
Este sistema é mal-condicionado, portanto:
●
Pequenas variações nos parâmetros do problema
(neste caso o vetor constante) gera uma mudança
muito maior na solução
●
Cada vetor dado é a solução exata para o vetor
Sistemas de equações
lineares
O exemplo de Wilson é ilustrativo da sensibilidade
que sistemas de equações podem ter quanto à
precisão de suas componentes. Pequenas
variações daquelas podem gerar grandes
variações no vetor solução.
Sistemas de equações
lineares
Mas há casos patológicos!
Matrizes de Hilbert
hij= 1
Sistemas de equações
lineares
Matrizes de Hilbert
H =(
1 1/2 1/2 1/3)
H =(
1 1/2 1/3 1/2 1/3 1/ 4 1/3 1/4 1/5)
H =(
1 1/2 1/3 1/ 4 1/2 1/3 1/ 4 1/5 1/3 1/ 4 1/5 1/6 1/4 1/5 1/6 1/7)
Sistemas de equações
lineares
Seja um sistema da forma
H matriz de Hilbert.
As componentes da solução são sempre inteiros.
H ⃗x=
(
1 1 1 ⋮ 1)
Sistemas de equações
lineares
Seja um sistema da forma
H matriz de Hilbert.
As componentes da solução são sempre inteiros. Isto pode ser demonstrado pela regra de Cramer!
H ⃗x=
(
1 1 1 ⋮ 1)
Sistemas de equações
lineares
Um pouquinho de matemática...
Normas
Norma é uma “ampliação“ do conceito de módulo
É uma maneira de medir propriedades de objetos
matemáticos complexos como vetores, matrizes e
funções.
Normas
Norma (módulo) de um vetor
É uma maneira de medir o “comprimento“ de um
vetor
Normas
Norma (módulo) de um vetor
É uma maneira de medir o “comprimento“ de um
vetor
Normas
Norma de um vetor
Nos interessa da norma três propriedades:
Normas
Norma de um vetor
Nos interessa da norma três propriedades:
●
É sempre positiva
Normas
Norma de um vetor
Nos interessa da norma três propriedades:
●
É sempre positiva
●
Só é nula se o vetor for nulo
●
Se o vetor for multiplicado por um valor, a norma
será a norma do vetor multiplicado pelo valor em
módulo
Normas
vetor de dimensão n
Esta é a Norma Euclidiana
‖v‖2=
√
v1v1+v2v2+v3v3+⋯+vnvn=√
∑
i=1 n
vi vi
Normas
vetor de dimensão n
Esta é a Norma 1 ou Norma Manhattan
‖⃗v‖1=
|
v1|
+|
v2|
+|
v3|
+⋯+|
vn|
=∑
i=1 n
|
vi|
Normas
vetor de dimensão n
Esta é a Norma do Máximo
‖⃗v‖max=maxi
[
|
v1|
,|
v2|
,|
v3|
,⋯,|
vn|
]
;i=1,⋯, n ⃗vNormas
Um exemplo:
⃗vT=(−2,3,1) ‖v‖2=√
(−2)×(−2)+3×3+1×1=√
14≈3,741657 ‖⃗v‖1=|−2|+|3|+|1|=6 ‖⃗v‖max=maxi[
|−2|,|3|,|1|]
=3Normas
Um exemplo:
São todas medidas do vetor mas não dão a
mesma medida. São maneiras diferentes de
⃗vT=(−2,3,1)
‖v‖2=
√
(−2)×(−2)+3×3+1×1=√
14≈3,741657‖⃗v‖1=|−2|+|3|+|1|=6
Normas
A matriz n x n
São a Norma de Fröbenius, a Norma 1 e a Norma
do Máximo para matrizes
‖A‖2=
√
(
∑
i=1 n∑
j=1 n aij2)
‖A‖1=max1≤ j≤n∑
i=1 n|
aij|
‖A‖max=max1≤i≤n∑
j=1 n
Sistemas de equações
lineares
Sistemas de equações
lineares
O número de condicionamento de uma matriz A é
dado por
É fácil de ver que o número de condição da matriz
identidade é 1.
Sistemas de equações
lineares
O número de condicionamento de uma matriz A é
dado por
É fácil de ver que o número de condição da matriz
identidade é 1.
Não é difícil de demonstrar que o número de
condição é sempre maior ou igual a 1
Sistemas de equações
lineares
Uma matriz é tão mais bem condicionada
quanto o seu número de condição for mais
próximo de 1.
Sistemas de equações
lineares
Sistemas de equações
lineares
Vimos que o número de condição para o exemplo
de Wilson é 4488 e para os casos de matrizes de
Hilbert 3x3 é 748 e a 4x4 maior que 28375.
Sistemas de equações
lineares
Vimos que o número de condição para o exemplo
de Wilson é 4488 e para os casos de matrizes de
Hilbert 3x3 é 748 e a 4x4 maior que 28375.
As matrizes de Hilbert com aproximação de três
casas decimais já apresentam soluções distantes
da solução com números racionais
Sistemas de equações
lineares
Vimos que o número de condição para o exemplo
de Wilson é 4488 e para os casos de matrizes de
Hilbert 3x3 é 748 e a 4x4 maior que 28375.
As matrizes de Hilbert com aproximação de três
casas decimais já apresentam soluções distantes
da solução com números racionais
Na grande maioria das vezes não calculamos
diretamente o número de condição
Sistemas de equações
lineares
Observemos o método de Eliminação gaussiana:
● Se um pivô for bem menor que o(s) elemento(s)
eliminado(s), teremos ruído numérico afetando todos os cálculos subsequentes.
Sistemas de equações
lineares
Observemos o método de Eliminação gaussiana:
● Se um pivô for bem menor que o(s) elemento(s)
eliminado(s), teremos ruído numérico afetando todos os cálculos subsequentes.
● E assim, o vetor obtido pelo algoritmo poderá estar
Sistemas de equações
lineares
Observemos o método de Eliminação gaussiana:
● Se um pivô for bem menor que o(s) elemento(s)
eliminado(s), teremos ruído numérico afetando todos os cálculos subsequentes.
● E assim, o vetor obtido pelo algoritmo poderá estar
distante do vetor solução
Sistemas de equações
lineares
Primeiro passo:
Como verificar se o vetor obtido é próximo da solução do sistema?
Sistemas de equações
lineares
Método dos Resíduos Seja o sistema
do qual obtemos uma solução aproximada devido à instabilidade numérica da eliminação gaussiana
A ⃗x=⃗b
⃗
Sistemas de equações
lineares
Método dos Resíduos
Então podemos escrever
que substituída na equação original resulta em
A
(
x⃗1+ ⃗z1)
=⃗b ⇒ A ⃗x1+A ⃗z1=⃗b ⇒ A ⃗z1=⃗b− A ⃗x1 ⃗x= ⃗x1+ ⃗z1Sistemas de equações
lineares
Método dos Resíduos
Observe que podemos calcular . Definindo teremos
Definindo o resíduo como ficaremos com
A ⃗z1=⃗b− ⃗b1 ⃗ b1= A ⃗x1 ⃗b− A ⃗x1 ⃗ r1=⃗b− ⃗b1 A ⃗z1= ⃗r1
Sistemas de equações
lineares
Sistemas de equações
lineares
Parece que nossos problemas foram resolvidos...
Só que não...
Sistemas de equações
lineares
Parece que nossos problemas foram resolvidos...
Só que não...
Pelos mesmos motivos que não conseguimos a
solução exata, não conseguiremos o valor de
mas uma aproximação que chamaremos de
O que nos resta?
⃗
z1
Sistemas de equações
lineares
Parece que nossos problemas foram resolvidos...
Só que não...
Pelos mesmos motivos que não conseguimos a
solução exata, não conseguiremos o valor de
mas uma aproximação que chamaremos de
O que nos resta?
Começar tudo de novo...
⃗
z1
Sistemas de equações
lineares
Podemos escrever
que substituída na equação original resulta em
onde é o segundo resíduo. Teremos o sistema
A
(
x⃗2+ ⃗z2)
=⃗b⇒ A ⃗x2+ A ⃗z2=⃗b ⇒ A ⃗z2=⃗b− A ⃗x2= ⃗r2 ⃗x2= ⃗x1+ ⃗˚z1 e ⃗x= ⃗x2+ ⃗z2
⃗
Sistemas de equações
lineares
O qual, de novo, não me dá o resultado correto mas uma aproximação …⃗˚z2
Sistemas de equações
lineares
O qual, de novo, não me dá o resultado correto mas uma aproximação …
Espero que esteja ficando claro que obteremos, de fato, as sequências
Esperamos que, se tudo estiver bem, teremos a cada passo valores melhores da solução e valores menores para a norma de
⃗˚z2
{
x⃗1, x⃗2, x⃗3,⋯, ⃗xi}
e{
⃗˚z1, ⃗˚z2, ⃗˚z3,⋯, ⃗˚zi}
Sistemas de equações
lineares
Se os valores em módulo do vetor de correção
diminuirem consistentemente, podemos dizer que o sistema é bem-condicionado e que a solução obtida é confiável
Sistemas de equações
lineares
Se os valores em módulo do vetor de correção
diminuirem consistentemente, podemos dizer que o sistema é bem-condicionado e que a solução obtida é confiável
Obs: No mundo real sempre haverá uma situação de mal-condicionamento a medida que chegamos perto do limite de precisão da máquina
Sistemas de equações
lineares
Observe que o método dos resíduos tem um problema: Temos que resolver uma sequência de SEL
Aparentemente o custo é alto...
Sistemas de equações
lineares
Observe que o método dos resíduos tem um problema: Temos que resolver uma sequência de SEL
Aparentemente o custo é alto... Só que não...
Sistemas de equações
lineares
Apresentaremos um outro assunto mas retornaremos ao Método dos Resíduos em breve...
Sistemas de equações
lineares
Fatoração LU
Aqui abordaremos resolver um sistema
supondo ser possível fazer a seguinte fatoração onde L e U são
A ⃗x=⃗b
Sistemas de equações
lineares
Matrizes L e U
podemos demonstrar que se A tem det(A) ≠ 0 então tal fatoração sempre é possível, embora permutações de linhas possam ser necessárias
L=
(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln−1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
U =(
u11 u12 u13 u14 ⋯ u1, n−1 u1, n 0 u22 u23 u24 ⋯ u2, n−1 u2, n 0 0 u33 u34 ⋯ u3, n−1 u3, n 0 0 0 u44 ⋯ u4, n−1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un , n)
Sistemas de equações
lineares
Um dos que primeiro estudaram a fatoração LU foi Alan Turing, considerado um dos pais da computação. Ele
apresenta a fatoração LU num artigo onde são
analizados os erros gerados no processo de eliminação gaussiana.
Sistemas de equações
lineares
Fatoração
Você consegue achar a fatoração aplicando o que você sabe sobre multiplicação de matrizes.
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
Sistemas de equações
lineares
Fatoração
Se você multiplicar a primeira linha de L por cada coluna de U você obterá
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
Sistemas de equações
lineares
Fatoração
Se agora, sabendo a primeira linha de U, multiplicar as linhas de L pela primeira coluna de U você obterá
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
Sistemas de equações
lineares
Obtemos
u1 j=a1 j; j=1, n e li1= ai 1
Sistemas de equações
lineares
Fatoração
Multipliquemos a segunda linha de L pelas colunas de U
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
Sistemas de equações
lineares
Obtemos
Sistemas de equações
lineares
Obtemos
Observe que neste cálculo não usamos os valores da
primeira linha de A. É como se eles não mais existissem.
Sistemas de equações
lineares
Fatoração
Multipliquemos linhas de L pela segunda coluna de U
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
a =l u +l u ; a =l u +l u ;⋯; a =l u +l uSistemas de equações
lineares
Obtemos
li2=ai 2−li 1u12
Sistemas de equações
lineares
Obtemos
Aqui não usamos os valores da primeira linha de A nem da primeira coluna de A. Eles não são mais necessários.
li2=ai 2−li 1u12
Sistemas de equações
lineares
Fatoração
Multipliquemos a terceira linha de L pelas colunas de U
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
a =l u +l u +u ;a =l u +l u +u ;⋯; a =l u +l u +uSistemas de equações
lineares
Obtemos u3 j=a3 j−l31u1 j−l32u2 j=a3 j−∑
k =1 2 l3 kukj; j=3, nSistemas de equações
lineares
Obtemos
E aqui não necessitamos das duas primeiras linhas de A nem das duas primeiras colunas.
u3 j=a3 j−l31u1 j−l32u2 j=a3 j−
∑
k =1
2
Sistemas de equações
lineares
Fatoração
Multipliquemos linhas de L pela terceira coluna de U
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
a43=l41u13+l42u23+l43u33;⋯; an 3=ln 1u13+ln 2u23+ln 3u33Sistemas de equações
lineares
Obtemos
Novamente não faremos referência as duas primeiras linhas de A e às duas primeiras colunas.
li3=ai3−li 1u13−li 2u23 u33 = 1 u33
[
ai 3−∑
k =1 2 lik uk 3]
;i=4, nSistemas de equações
lineares
Sistemas de equações
lineares
O algoritmo está começando a ficar nítido...
e para i=2 até n
u1 j=a1 j; j=1, n u =a −
∑
i−1 l u ; j>1 l = 1[
a −∑
j−1 l u]
;i> jPensando como
computeiro...
Pense bem...
Nós humanos necessitamos de organizar um pouco o mundo. Mas os computadores já nascem ordenados.
Pensando como
computeiro...
Pense bem...
Nós humanos necessitamos de organizar um pouco o mundo. Mas os computadores já nascem ordenados. Eles não necessitam organizar a fatoração em duas matrizes separadas pois o algoritmo não invade os dados de forma errada, a não ser que o programador falhe.
Pensando como
computeiro
Observe que não necessitamos de guardar no no computador
computador a fatoração em duas matrizes separadas a fatoração em duas matrizes separadas
O algoritmo que se segue aproveita o espaço que não armazena mais valores necessários à fatoração
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)
=(
1 0 0 0 ⋯ 0 0 l21 1 0 0 ⋯ 0 0 l31 l32 1 0 ⋯ 0 0 l41 l42 l43 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ln−1,1 ln −1,2 ln−1,3 ln−1,4 ⋯ 1 0 ln ,1 ln ,2 ln ,3 ln ,4 ⋯ ln ,n−1 1)
(
u11 u12 u13 u14 ⋯ u1,n−1 u1, n 0 u22 u23 u24 ⋯ u2,n−1 u2, n 0 0 u33 u34 ⋯ u3,n−1 u3, n 0 0 0 u44 ⋯ u4,n −1 u4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ un−1, n−1 un−1,n 0 0 0 0 ⋯ 0 un ,n)
Sistemas de equações
lineares
Algoritmo:
Também é uma algoritmo ingênuo
Para i=1 até n
Para j←1 até i−1 s←aij Para k=1, j−1 s← s−aik akj aij←s/ajj Para j←1 até n s←aij
Para k=1 até i−1 s← s−aik akj aij←s
Sistemas de equações
lineares
Mas e a resolução do sistema? Observe que
o que nos deixa com dois SEL
A ⃗x=⃗b ⇒(LU )⃗x=⃗b ⇒ L ⃗y=⃗b onde U ⃗x=⃗y
L ⃗y=⃗b U ⃗x=⃗y
Sistemas de equações
lineares
Mas os sistemas são triangulares e de custo baixo O(n2)
Sistemas de equações
lineares
Mas os sistemas são triangulares e de custo baixo O(n2)
Sistemas de equações
lineares
Mas os sistemas são triangulares e de custo baixo O(n2)
E quanto custa a fatoração? O(n3)!
O custo computacional total da resolução do SEL é o mesmo que a eliminação gaussiana
Sistemas de equações
lineares
Mas os sistemas são triangulares e de custo baixo O(n2)
E quanto custa a fatoração? O(n3)!
O custo computacional total da resolução do SEL é o mesmo que a eliminação gaussiana
Sistemas de equações
lineares
Sistemas de equações
lineares
Seja o sistema(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
⃗x=(
4 9 −1 12)
Sistemas de equações
lineares
Seja o sistema
que é conhecido nosso...
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
⃗x=(
4 9 −1 12)
Sistemas de equações
lineares
Fatoremos a matriz
multiplicando os valores das matrizes. Primeira linha de L pelas colunas de U
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 l21 1 0 0 l31 l32 1 0 l41 l42 l43 1)
(
u11 u12 u13 u14 0 u22 u23 u24 0 0 u33 u34 0 0 0 u44)
Sistemas de equações
lineares
Multiplicando as linhas de L pela primeira coluna de U. Os valores da segunda coluna da matriz L serão
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 l21 1 0 0 l31 l32 1 0 l41 l42 l43 1)(
2 4 −1 1 0 u22 u23 u24 0 0 u33 u34 0 0 0 u44)
Sistemas de equações
lineares
Multiplicando a segunda linha de L pelas colunas de U. Os valores da segunda linha da matriz U serão
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 l32 1 0 1 l42 l43 1)
(
2 4 −1 1 0 u22 u23 u24 0 0 u33 u34 0 0 0 u44)
Sistemas de equações
lineares
Multiplicando as linhas de L pela segunda coluna de U. Os valores da segunda coluna da matriz L serão
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 l32 1 0 1 l42 l43 1)(
2 4 −1 1 0 9 4 4 0 0 u33 u34 0 0 0 u44)
Sistemas de equações
lineares
Multiplicando a terceira linha de L pelas colunas de U. Os valores da terceira linha da matriz U serão
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 l43 1)
(
2 4 −1 1 0 9 4 4 0 0 u33 u34 0 0 0 u44)
Sistemas de equações
lineares
Multiplicando as linhas de L pela terceira coluna de U. Os valores da terceira coluna da matriz L serão
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 l43 1)(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 u44)
Sistemas de equações
lineares
Multiplicando a quarta linha de L pelas colunas de U. Os valores da quarta linha da matriz U serão
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 19/90 1)
(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 u44)
Sistemas de equações
lineares
Matriz fatorada
Observe a matriz final da eliminação gaussiana. Ela é idêntica à matriz U obtida. Se você olhar os valores dos m's da eliminação gaussiana, irá encontrá-los com os sinais trocados na matriz L.
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 19/90 1)(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 76/75)
Sistemas de equações
lineares
Matriz fatorada
Observe a matriz final da eliminação gaussiana. Ela é idêntica à matriz U obtida. Se você olhar os valores dos m's da eliminação gaussiana, irá encontrá-los com os sinais trocados na matriz L. Não é coincidência...
(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 19/90 1)(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 76/75)
Sistemas de equações
lineares
Resolvendo o sistema(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
⃗x=(
4 9 −1 12)
Sistemas de equações
lineares
Resolvendo o sistema(
2 4 −1 1 −4 1 6 2 6 3 3 1 2 6 2 4)
=(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 19/90 1)(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 76/75)
Sistemas de equações
lineares
Na fatoração LU o sistema original é transformado em dois sistemas
ou seja, resolveremos primeiro
A ⃗x=⃗b ⇒ LU ⃗x=⃗b ⇒ L ⃗y=⃗b e U ⃗x=⃗y
(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 19/90 1)
⃗y=(
4 9 −1 12)
Sistemas de equações
lineares
Calculemos cada valor do vetor y como abaixo
(
1 0 0 0 −2 1 0 0 3 −1 1 0 1 2/9 19/90 1)
⃗y=(
4 9 −1 12)
y1=4 ;−2 y1+ y2=9⇒−2×4+ y2=9 ⇒ y2=17 3 y1− y2+ y3=−1⇒ 3×4−17+ y3=−1⇒ y3=4Sistemas de equações
lineares
O vetor solução da primeira equação será
que é o vetor constante no final da eliminação gaussiana. ⃗y=
(
4 17 4 152/45)
Sistemas de equações
lineares
O segundo sistema será
que é equivalente a fazer a retrosubstituição na eliminação gaussiana. Ou seja
(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 76/45)
⃗x=(
4 17 4 152/ 45)
U ⃗x=⃗ySistemas de equações
lineares
O segundo sistema será
(
2 4 −1 1 0 9 4 4 0 0 10 2 0 0 0 76/45)
⃗x=(
4 17 4 152/ 45)
x4= 76 45 156 45 =2 10 x3+2 x4=4 ⇒ 10 x3+2×2=4 ⇒ x3= 4−4 10 =0 9 x2+4 x3+4 x4=17⇒ 9 x2=17−4×0−4×2⇒ x2=9 9 =1 U ⃗x=⃗ySistemas de equações
lineares
O vetor solução do problema será
⃗x=
(
−11 0 2
)
Sistemas de equações
lineares
Vimos que há uma equivalência entre a resolução por fatoração LU e eliminação gaussiana.
Sistemas de equações
lineares
Vimos que há uma equivalência entre a resolução por fatoração LU e eliminação gaussiana.
No entanto, a fatoração LU é um pouco menos sensível à instabilidade numérica em relação à eliminação
Sistemas de equações
lineares
Vimos que há uma equivalência entre a resolução por fatoração LU e eliminação gaussiana.
No entanto, a fatoração LU é um pouco menos sensível à instabilidade numérica em relação à eliminação
gaussiana.
Além disso, a fatoração LU diminui o custo computacional de alguns problemas.
Sistemas de equações
lineares
Sistemas de equações
lineares
N
o método dos resíduos temos que resolver uma sequência de SELSe fizermos eliminação gaussiana em todos os sistemas o custo será alto. No caso, aproximadamente n3 vezes
k.
Sistemas de equações
lineares
No entanto, se fizermos por fatoração LU, o
primeiro sistema terá custo O(n
3) mas os demais
sistemas o custo será de aproximadamente n
2vezes k.
Sistemas de equações
lineares
Um outro problema: Inversão de matrizes Se det(A) é não nulo, então se
diremos que B é a matriz inversa de A.
Sistemas de equações
lineares
Um outro problema: Inversão de matrizes Se det(A) é não nulo, então se
diremos que B é a matriz inversa de A.
Observe que este é um sistema de equações cuja a incógnita não é um vetor mas uma matriz
Sistemas de equações
lineares
Vamos ao velho truque:
Resolveremos este problema por multiplicação de matrizes...
Sistemas de equações
lineares
O sistema abaixo
pode ser escrito como
AB=I
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)(
b11 b12 b13 b14 ⋯ b1, n−1 b1 n b21 b22 b23 b24 ⋯ b2,n−1 b2 n b31 b32 b33 b34 ⋯ b3,n−1 b3 n b41 b42 b43 b44 ⋯ b4,n−1 b4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ bn −1,1 bn−1,2 bn−1,3 bn−1,4 ⋯ bn−1,n −1 bn−1,n bn ,1 bn ,2 bn ,3 bn ,4 ⋯ bn ,n −1 lnn)
=(
1 0 0 0 ⋯ 0 0 0 1 0 0 ⋯ 0 0 0 0 1 0 ⋯ 0 0 0 0 0 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ 1 0 0 0 0 0 ⋯ 0 1)
Sistemas de equações
lineares
Mas este sistema pode ser entendido como a matriz A multiplicada por cada coluna de B resultando em cada coluna de I
(
a11 a12 a13 a14 ⋯ a1,n −1 ann a21 a22 a23 a24 ⋯ a2,n −1 a2,n a31 a32 a33 a34 ⋯ a3,n −1 a3,n a41 a42 a43 a44 ⋯ a4, n−1 a4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ an −1,1 an−1,2 an −1,3 an−1,4 ⋯ an−1,n−1 an −1,n an ,1 an ,2 an ,3 an ,4 ⋯ an ,n−1 an ,n)(
b11 b12 b13 b14 ⋯ b1, n−1 b1 n b21 b22 b23 b24 ⋯ b2,n−1 b2 n b31 b32 b33 b34 ⋯ b3,n−1 b3 n b41 b42 b43 b44 ⋯ b4,n−1 b4, n ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ bn −1,1 bn−1,2 bn−1,3 bn−1,4 ⋯ bn−1,n −1 bn−1,n bn ,1 bn ,2 bn ,3 bn ,4 ⋯ bn ,n −1 lnn)
=(
1 0 0 0 ⋯ 0 0 0 1 0 0 ⋯ 0 0 0 0 1 0 ⋯ 0 0 0 0 0 1 ⋯ 0 0 ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ 0 0 0 0 ⋯ 1 0 0 0 0 0 ⋯ 0 1)
Sistemas de equações
lineares
Ou seja,
onde são as k-ésimas colunas de B e I.
A ⃗b1= ⃗I1 A ⃗b2= ⃗I2 A ⃗b3= ⃗I3 ⋮ A ⃗bn= ⃗In bk e Ik
Sistemas de equações
lineares
● Inverter uma matriz corresponde a resolvermos n
Sistemas de equações
lineares
● Inverter uma matriz corresponde a resolvermos n
sistemas de equações lineares
● O números de operações necessárias para inverter uma
matriz usando fatoração LU é de aproximadamente 4n3 /3, quatro vezes mais que a eliminação gaussiana
Sistemas de equações
lineares
● Inverter uma matriz corresponde a resolvermos n
sistemas de equações lineares
● O números de operações necessárias para inverter uma
matriz usando fatoração LU é de aproximadamente 4n3 /3, quatro vezes mais que a eliminação gaussiana
ou a fatoração LU.
● O algoritmo de Gauss-Jordan para inversão de matrizes
Sistemas de equações
lineares
Ou seja, em geral não é uma boa ideia resolver um
sistema invertendo a matriz associada ao sistema pois o custo e quatro vezes maior que por eliminação ou
Sistemas de equações
lineares
Ou seja, em geral não é uma boa ideia resolver um
sistema invertendo a matriz associada ao sistema pois o custo e quatro vezes maior que por eliminação ou
fatoração LU.
O maior número de operações também gerará mais ruído numérico.
Sistemas de equações
lineares
Ou seja, em geral não é uma boa ideia resolver um
sistema invertendo a matriz associada ao sistema pois o custo e quatro vezes maior que por eliminação ou
fatoração LU.
O maior número de operações também gerará mais ruído numérico.
Sistemas de equações
lineares
Mas continuamos com a instabilidade numérica da eliminação gaussiana e da fatoração LU
Sistemas de equações
lineares
Mas continuamos com a instabilidade numérica da eliminação gaussiana e da fatoração LU
Sistemas de equações
lineares
Mas continuamos com a instabilidade numérica da eliminação gaussiana e da fatoração LU
Há como evitar? Não...
Sistemas de equações
lineares
Pivotamento parcial e total
São procedimentos que podem diminuir o ruído numérico nos métodos vistos
Sistemas de equações
lineares
Pivotamento parcial e total
São procedimentos que podem diminuir o ruído numérico nos métodos vistos
Sistemas de equações
lineares
Pivotamento parcial
● Começando pela primeira coluna, ache o maior
elemento em módulo desta coluna
● Troque a linha na qual está este valor como a primeira
linha
Sistemas de equações
lineares
Pivotamento parcial
● Ache o maior elemento em módulo da segunda coluna
abaixo da primeira linha
● Troque a linha na qual está este valor como a segunda
linha
Sistemas de equações
lineares
Pivotamento parcial
● Ache o maior elemento em módulo da terceira coluna
abaixo da segunda linha
● Troque a linha na qual está este valor como a terceira
linha
Sistemas de equações
lineares
Pivotamento parcial
Sistemas de equações
lineares
Pivotamento parcial
Faça o equivalente para as demais colunas Qual é a ideia por trás disto?
Sistemas de equações
lineares
Pivotamento parcial
A maior fonte de ruído numérico é a divisão pelo pivô pois se o pivô for menor que o termo a ser eliminado teremos potencialmente um elevado ruído numérico
Sistemas de equações
lineares
Pivotamento parcial
A maior fonte de ruído numérico é a divisão pelo pivô pois se o pivô for menor que o termo a ser eliminado teremos potencialmente um elevado ruído numérico
Ao escolhermos o maior maior em módulo da coluna a ser eliminada, reduzimos o ruído numérico
Sistemas de equações
lineares
Pivotamento parcial
A maior fonte de ruído numérico é a divisão pelo pivô pois se o pivô for menor que o termo a ser eliminado teremos potencialmente um elevado ruído numérico
Ao escolhermos o maior maior em módulo da coluna a ser eliminada, reduzimos o ruído numérico
Sistemas de equações
lineares
Pivotamento parcial
O custo computacional é basicamente o custo da busca do maior elemento em módulo.
Sistemas de equações
lineares
Seja o vetor de n elementos
● Afirmarmos que o primeiro elemento é o maior em módulo e o
guardamos numa variável M, valor provisoriamente de máximo e em IM a linha deste máximo provisório.
Sistemas de equações
lineares
Seja o vetor de n elementos
● Afirmarmos que o primeiro elemento é o maior em módulo e o
guardamos numa variável M, valor provisoriamente de máximo e em IM a linha deste máximo provisório.
● Se M < |v
2| , façamos M=|v2| e IM = 2. Caso não, avançamos para o
próximo elemento
Sistemas de equações
lineares
Seja o vetor de n elementos
● Afirmarmos que o primeiro elemento é o maior em módulo e o
guardamos numa variável M, valor provisoriamente de máximo e em IM a linha deste máximo provisório.
● Se M < |v
2| , façamos M=|v2| e IM = 2. Caso não, avançamos para o
próximo elemento
● Se M < |v
3|, faremos M=|v3|e IM = 3. Caso não, avançamos para o
próximo elemento.
Sistemas de equações
lineares
Seja o vetor de n elementos
● Afirmarmos que o primeiro elemento é o maior em módulo e o
guardamos numa variável M, valor provisoriamente de máximo e em IM a linha deste máximo provisório.
● Se M < |v
2| , façamos M=|v2| e IM = 2. Caso não, avançamos para o
próximo elemento
● Se M < |v
3|, faremos M=|v3|e IM = 3. Caso não, avançamos para o
próximo elemento.
● Faremos isto até o último elemento
Sistemas de equações
lineares
Façamos um exemplo para esclarecer a questão de acharmos o maior elemento de um vetor.
Dado o vetor ⃗v=
(
1 3 −4 2 8)
Sistemas de equações
lineares
● M = 1, IM = 1 ● M <|3|, portanto M = 3, IM = 2 ● M < |-4|, portanto M = 4, IM = 3 ● M > |2| ● M < |8|, portanto M = 8, IM = 5 ⃗v=(
1 3 −4 2 8)
Sistemas de equações
lineares
● M = 1, IM = 1 ● M <|3|, portanto M = 3, IM = 2 ● M < |-4|, portanto M = 4, IM = 3 ● M > |2|● M < |8|, portanto M = 8, IM = 5. Obtivemos a posição do valor
⃗v=
(
1 3 −4 2 8)
Sistemas de equações
lineares
O exemplo que será apresentado é ilustrativo da técnica mas é, claramente, desnecessário (sob o ponto de vista numérico) fazer pivotamento deste sistema.
Sistemas de equações
lineares
Comecemos com o sistema
Observe que o maior valor em módulo da primeira coluna está na segunda linha. Troquemos
(
4 1 −2 1 6 2 1 2 3 −1 9 −1 1 4 2 −3)
⃗x=(
49/12 47/6 21/4 35/12)
Sistemas de equações
lineares
Primeiro pivotamento Façamos a eliminação(
6 2 1 2 4 1 −2 1 3 −1 9 −1 1 4 2 −3)
⃗x=(
47/6 49/12 21/4 35/12)
Sistemas de equações
lineares
Primeiro pivotamento que resulta em(
6 2 1 2 4 1 −2 1 3 −1 9 −1 1 4 2 −3)
⃗x=(
47/6 49/12 21/4 35/12)
m21=−a21/a11=−4 /6=−2/3 m31=−a31/a11=−3/6=−1/2 m41=−a41/a11=−1/6Sistemas de equações
lineares
Primeiro pivotamento
O maior valor em módulo da segunda coluna abaixo da primeira linha está na quarta linha
(
6 2 1 2 0 −1/3 −8/3 −1/3 0 −2 17/2 −2 0 11/3 11/6 −10/3)
⃗x=(
47/6 −41/36 4 /3 29/18)
Sistemas de equações
lineares
Segundo pivotamento Façamos a eliminação(
6 2 1 2 0 11/3 11/6 −10/3 0 −2 17/2 −2 0 −1/3 −8/3 −1/3)
⃗x=(
47/6 29/18 4 /3 −41/36)
Sistemas de equações
lineares
Segundo pivotamento que resulta em(
6 2 1 2 0 11/3 11/6 −10/3 0 −2 17/2 −2 0 −1/3 −8/3 −1/3)
⃗x=(
47/6 29/18 4 /3 −41/36)
m32=− −2 11/3=6/11 m42=−−1/3 11/3 =1/11Sistemas de equações
lineares
Segundo pivotamento
Observe que o maior valor em módulo da terceira
coluna abaixo da segunda linha está na posição correta.