Gladys Castillo, 2009
Sistemas de Equações Lineares.
Revisão de Conceitos Básicos
.
1.
Sistemas de Equações Lineares
O objectivo deste documento será apresentar de uma forma resumida os principais conceitos de Álgebra Linear que estão relacionados com o problema da resolução de sistemas lineares cuja forma geral é
⎪ ⎪ ⎩ ⎪ ⎪ ⎨ ⎧
= +
+ +
= +
+ +
= +
+ +
n n nn n
n
n n
n n
b x a x
a x a
b x a x
a x a
b x a x
a x a
L
M L
L
2 2 1 1
2 2
2 22 1 21
1 1
2 12 1 11
onde x1,x2,...,xn são incógnitas, a11,a12,...,ann são os coeficientes e b1,b2,...,bn os
segundos membros.
Este sistema pode ser escrito sob a forma matricial A x = b
⎥ ⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢ ⎢
⎣ ⎡
= ⎥
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢ ⎢
⎣ ⎡
= ⎥
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢ ⎢
⎣ ⎡
=
n n
nn n
n
n n
b b b
x x x
a a
a
a a
a
a a
a
M M
L M O M
L L
2 1
2 1
2 1
2 22
21
1 12
11
,
, x b
A .
A é a matriz dos coeficientes, x o vector das incógnitas e b o vector dos termos independentes
Um sistema de equações lineares com n equações e n incógnitas tem solução única se e só se qualquer das duas condições equivalentes for válida:
1) 1
2. Cálculo de determinantes
(det(A) ou |A|, A – matriz quadrada de nxn)
Para matrizes de 2 x 2
Para matrizes de 3 x 3
Exemplos:
1. Calcular determinante de A = 2 3
1 4
⎡ ⎣
⎢ ⎤
⎦ ⎥. det(A) = 2 x 4 - 3 x 1 = 5
2. Calcular determinante de
5 3 1
1 1 1
1 2 2
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
A
6 ) 1 3 2 ( ) 2 1 5 ( ) 1 1 1 ( ) 1 2 1 ( ) 3 1 1 ( ) 5 1 2 ( 5 3 1
1 1 1
1 2 2
− = × × − − × − × − × × − − × − × − + × − × + × × = −
− −
em Matlab: a função det( ) determina o determinante de uma matriz dada
>> A= [2 -2 1; -1 1 1; -1 3 5]; >> det(A)
Gladys Castillo, 2009
3. Menores principais de uma matriz
Definição: Dada uma matriz quadrada A de ordem n, chamamos menores principais aos determinantes |Ak |, onde Ak são submatrizes quadradas de A de ordem 1,…, n-1
As submatrizes são definidas da seguinte forma:
• A1 - matriz formada pelo elemento a11 de A (uma matriz de 1x1)
• A2 - matriz formada pelas primeiras 2 linhas e primeiras 2 colunas de A
(o canto superior esquerdo 2x2 de A)
• A3 - matriz formada pelas primeiras 3 linhas e primeiras 3 colunas de A
(o canto superior esquerdo 3x3 de A) • ...
• An-1 - matriz formada pelas n-1 linhas e n-1 colunas de A
Exemplo: Calcular menores principais de
5 3 1
1 1 1
1 2 2
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
A
0 2 2 1 1
2 2
, 2
2 2
1 − = − =
− = =
= A
A
4.
Matriz Inversa
Definição: Dada uma matriz quadrada A de ordem n, chamamos de inversa de A a uma matriz B tal que A.B = B.A = I, onde I é a matriz identidade de ordem n. Escreveremos A-1 para a matriz inversa de A.
Cálculo da inversa para matrizes de 2 x 2
1. Calcular determinante da matriz
2. Dividir todos os elementos da matriz pelo determinante, se possível, simplificar
Exemplo 1: Seja A = 2 3
1 4
⎡ ⎣
⎢ ⎤
⎦
⎥. det(A) = 8 -3 = 5 . Então A-1=
4 5
3 5 1 5
2 5
−
− ⎡
⎣ ⎢ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥ ⎥ ⎥
.
Assim, A.A-1=
⎥ ⎦ ⎤ ⎢ ⎣ ⎡
1 0
0 1
e A-1.A=
⎥ ⎦ ⎤ ⎢ ⎣ ⎡
1 0
0 1
.
Cálculo da inversa para matrizes de 3 x 3
baseado no cálculo da matriz adjunta
|
|
(
(
))
1
1A
Adj
A
=
−
A
Note que por esta fórmula da inversa podemos constatar que uma matriz só pode ser invertível se o seu determinante é diferente de zero
Exemplo 2: Calcular a inversa de
5 3 1
1 1 1
1 2 2
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
A
Para calcular a inversa, primeiro calculamos o determinante
10 3 2 1 10 6 6 5
3 1
1 1 1
1 2 2
− = − − − + − = −
− −
Depois calculamos cada um dos elementos da matriz adjunta:
⎥ ⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢ ⎢
⎣ ⎡
=
nn n
n
n n
a a
A
A A
A
A A
A
A Adj
L M O M
L L
2 1
2 22
12
1 21
11
)
(
Os
Ass
Pod
A.A
Cálc
(mé elem Ide seq inve de o
Na elem a m
elementos
sim obtemo
emos comp
A-1 = I
culo da inv
étodo base mentares c eia base: s uência de ersa de A é operações c
prática, op mentares, a atriz obtid
de Adj(A)
s a matriz
provar que
versa para
eado na re com linhas)
se uma ma operações é obtida a p com linhas.
peramos sim até chegarm da no lugar
são:
inversa de
⎢ ⎢ ⎢
⎣ ⎡ − =
−
6 1
1
A
e esta é re
a matrizes
edução de
atriz A po elementar partir da m
multaneame mos à matr correspond
A,
− −2 4
1 1 4
13 2
ealmente a
s de n x n
A à matr
de ser re res com lin matriz ident
ente com as riz I na pos dente à mat
⎥ ⎥ ⎥
⎦ ⎤ − −
0 3 3
a matriz in
riz identid
duzida à m nhas, então tidade, apli
s matrizes sição corres
triz I será
G
versa de A
dade atrav
matriz ide o A é inve icando-se a
A e I, atra spondente a inversa d
Gladys Castillo
A verifican
vés de ope
ntidade, p ertível e a a mesma se
avés de ope a matriz A de A.
o, 2009
ndo que
erações
or uma matriz equência
Operações Elementares sobre as linhas de uma matriz
Podemos efectuar três tipos de operações elementares:
Li ↔ Lj : permuta das i-ésima linha e j-ésima linhas (Li ↔ Lj)
Ex.: L2↔L3
1 0
4 1
3 4
− − ⎡
⎣ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥ ⎥ →
1 0
3 4
4 1
− − ⎡
⎣ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥ ⎥
Li → kLi : multiplicação da i-ésima linha por um escalar não nulo k ( Li → kLi )
Ex.: L2→-3L2
1 0
4 1
3 4
− − ⎡
⎣ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥
⎥ →
1 0
12 3
3 4
− − ⎡
⎣ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥ ⎥
(Li→ Li+kLj): substituição da i-ésima linha pela i-ésima linha mais k vezes a
j-ésima linha. (Li→ Li+kLj)
Ex.: L3 →L3 + 2 L1
1 0
4 1
3 4
− − ⎡
⎣ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥
⎥ →
1 0
4 1
1 4
− − ⎡
⎣ ⎢ ⎢ ⎢
⎤
⎦ ⎥ ⎥ ⎥
Gladys Castillo, 2009 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − − − ⎯ ⎯ ⎯ ⎯ → ⎯ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − − − − ⎯ ⎯ ⎯ ⎯ → ⎯ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − ⎯ ⎯ ⎯ → ⎯ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − ⎯ ⎯ ⎯ ⎯ → ⎯ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − ⎯ ⎯ → ⎯ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − + = − = + = − = − = + = − = − = + = − = ↔ 1 1 1 1 3 4 5 4 4 6 6 5 2 3 3 3 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 0 1 2 1 0 2 2 1 0 1 1 1 1 0 0 0 3 1 0 0 4 0 1 0 2 0 0 1 1 0 1 0 0 1 2 1 0 0 2 1 0 0 1 0 4 1 0 0 3 1 0 0 2 2 1 0 1 1 0 1 1 0 1 0 0 1 0 0 0 0 2 1 0 0 1 0 4 1 0 0 1 1 1 0 2 2 1 0 1 1 0 1 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 3 0 0 1 1 1 1 0 0 0 1 2 1 1 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 3 0 0 1 1 1 1 0 1 1 0 1 0 0 1 2 4 . 3 3 3 4 . 4 2 2 4 . 2 1 1 3 4 4 3 3 3 . 2 2 2 3 1 1 2 3 3 1 4 4 1 . 2 2 2 2 1 L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L
>> A= [2 1 0 0; 1 0 -1 1; 0 1 1 1; -1 0 0 3]; >> inv(A)
ans =
3 -3 -3 2 -5 6 6 -4 4 -5 -4 3 1 -1 -1 1
Exemplo 3: Determinar a inversa de A =
2 1 0 0
1 0 1 1
0 1 1 1
1 0 0 3
− − ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ .
Colocamos A junto com a matriz identidade e aplicamos as operações com linhas, para reduzir a parte esquerda (que corresponde à matriz A) à matriz identidade, não esquecendo de efectuar cada operação também na parte direita.
Finalmente, obtemos a identidade à esquerda e a inversa de A à direita.
Como resultado obtemos: A-1=
⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − − − 1 1 1 1 3 4 5 4 4 6 6 5 2 3 3 3 .
5.
Aplicação da matriz inversa à resolução de sistemas de
equações lineares
Consideramos o seguinte sistema de equações lineares
⎪ ⎩ ⎪ ⎨ ⎧ − = + + − = + + − = + − 4 5 3 0 1 2 2 3 2 1 3 2 1 3 2 1 x x x x x x x x x
que podemos escrever sob a forma matricial Ax = b
⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − = 4 2 1 , , 5 3 1 1 1 1 1 2 2 3 2 1 b x A x x x
A inversa da matriz A foi calculada antes
⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − = − 0 4 2 3 1 1 4 3 13 2 6 1 1 A
Multiplicando ambos os lados da equação pela matriz inversa, temos:
⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − 4 2 1 0 4 2 3 1 1 4 3 13 2 6 1 5 3 1 1 1 1 1 2 2 0 4 2 3 1 1 4 3 13 2 6 1 3 2 1 x x x ⇔ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ 4 2 1 0 4 2 3 1 1 4 3 13 2 6 1 1 0 0 0 1 0 0 0 1 3 2 1 x x x ⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ 1 1 2 3 2 1 x x x
A solução do sistema de equações é: x1 = 2, x2 = 1 e x3 = -1.
Gladys Castillo, 2009 Em Matlab:
Determinar a solução de um sistema de equações lineares Ax = b com A não singular (det(A) ≠ 0 ⇔ a matriz admite inversa)
1º. Introduza a matriz A
» A=[2 -2 1; -1 1 1; -1 3 5 ] A =
2 -2 1 -1 1 1 -1 3 5
2º. Introduza o vector coluna dos temos independentes b
» b=[1 -2 -4] ' ← não esquecer que é o vector coluna, ou seja, transposto
b = 1 -2 -4
3º. Resolva o sistema de equações lineares Ax = b >> x=A\b
x = 2 1 -1
4º. Verifique que x é a solução do sistema Ax = b » A*x
>> A= [1 0 1; 0 1 0; 1 2 1]; >> eig(A)
ans = 2 0 1
6. Valores próprios de uma matriz
Definição: Os valores próprios de uma matriz A são as raízes (reais ou complexas) da equação p(λ) = det(A -λI) = 0, chamada equação característica de A.
Exemplo: Determinar os valores próprios de
1 2 1
0 1 0
1 0 1
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡ = A
Os valores próprios de A são as três soluções da equação característica:
p(λ) = det(A -λI) = (
1
−
λ
)(
−
λ
)(2
−
λ
) = 0
⇒
λ
1= 0,
λ
2= 1,
λ
3= 2.
em Matlab: a função eig( ) determina os valores próprios de uma matriz
7.
Raio espectral de uma matriz
Gladys Castillo, 2009 5
3 1
1 1 1
1 2 2
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
A
5 3 1
1 1 1
1 2 2
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
A
(
5,3,9)
9max =
=
∞
A
(
4,6,7)
7 max1 = =
A Exemplo: Determinar o raio espectral de
1 2 1
0 1 0
1 0 1
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡ = A
No exercício anterior calculamos os valores próprios de A, as três soluções da equação característica
p(λ) = det(A -λI) = (1 −λ)(−λ)(2 −λ) = 0 ⇒λ1 = 0, λ2 = 1, λ3 = 2. Assim, o raio espectral de A é igual a 2, pois ρ(A) = max { | λi | } = 2
i= 1, 2, 3
8.
Normas de uma matriz
Definição: Seja A uma matriz n×n. Então
⎟⎟
⎠ ⎞ ⎜⎜
⎝ ⎛
=
∑
= ≤ ≤ ∞
n j
ij n
i a
1 1
max
A - norma infinito 1
(máximo das somas por linhas dos valores absolutos dos elementos)
⎟
⎠ ⎞ ⎜
⎝ ⎛
=
∑
= ≤ ≤
n i
ij n
j a
1 1
1 max
A - norma absoluta
(máximo das somas por colunas dos valores absolutos dos elementos)
Exemplo: Determinar a norma infinito e a norma absoluta de .
Somando por colunas os valores absolutos dos elementos obtemos a norma absoluta
1 Esta norma é também conhecido como norma de máximo ← | 2 | + | -2 | + | 1 | = 5
← | -1 | + | 1 | + | 1 | = 3
← | -1 | + | 3 | + | 5 | = 9
Coluna 1: | 2 | + | -1 | + | -1 | = 4 Coluna 2: | -2 | + | 1 | + | 3 | = 6
>> A=[2 -2 1;-1 1 1; -1 3 5]
>> norm(A, inf) (se norma infinito) ans =
9
>> norm(A, 1) (se norma absoluta) ans =
7
5 3 1
1 1 1
1 2 2
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
A
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− −
≈ ⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− − −
=
−
0 .67 0 33 . 0
5 . 0 1,83 67
. 0
5 . 0 17 . 2 33 . 0
0 4 2
3 1 1 4
3 13 2 6 1
1
A
em Matlab: a função norm( ) determina a norma de uma matriz
10.
Número de condição de uma matriz
Definição: Seja A uma matriz n×n. Então, o número de condição de uma matriz A
relativamente à norma || . || é definido pelo valor:
cond (A) = || A || || A-1||
Exemplo: Determinar o número de condição de relativamente à norma infinito e à norma absoluta.
Para poder calcular o número de condição precisamos de calcular a matriz inversa. A matriz inversa de esta matriz foi já calculada anteriormente e é:
a) usando à norma infinito2
cond(A) = || A ||∞ || A-1||∞ = 9 x 3 ≈ 27
Gladys Castillo, 2009
>> A=[2 -2 1;-1 1 1; -1 3 5]
>> cond(A, inf) (se norma infinito) ans =
27
>> cond(A, 1) (se norma absoluta) ans =
32.6667
b) usando à norma absoluta
cond (A) = || A ||1 || A-1||1 ≈ 7 x 4.6667 ≈ 32.7
em Matlab: a função cond( ) determina o número de condição de uma matriz
11.
Sistemas bem e mal condicionados
Definição: Seja um sistema de equações lineares com n equações e n incógnitas sob a forma a matricial Ax=b. Então:
o sistema é bem condicionado, se pequenas alterações nos coeficientes da
matriz A e/ou componentes do vector dos termos independentes b, provocam apenas pequenas mudanças na solução do sistema.
o sistema é mal condicionado, se pequenas alterações nos coeficientes da
matriz A e/ou componentes do vector dos termos independentes b, provocam grandes mudanças na solução do sistema).
O número de condição da matriz A do sistema linear é uma medida que nos permite concluir sobre o bom ou mal condicionamento do sistema linear que tem a matriz A como matriz de coeficientes.
Um sistema é mal condicionado se o número de condição da matriz A é elevado
⎥ ⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− − =
−
2 4 1
5 1 1 3
6 13 4
1
A ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢ ⎢
⎣ ⎡
− −
− =
5 3 1
2 2 1
1 2 2 A
Um sistema é bem condicionado se o número de condição da matriz A é pequeno
(cond(A) ≈ 1)
Exemplo: Diga, justificando, se o seguinte sistema de equações lineares
⎪ ⎩ ⎪ ⎨ ⎧
− = + + −
= + +
−
= +
−
4 5
3
0 2 2
1 2
2
3 2 1
3 2
1
3 2 1
x x x
x x
x
x x
x
é bem ou mal condicionado relativamente à norma infinito. Solução:
1. Calcular matriz inversa de A
2. Determinar a norma infinito de A e de A-1
|| A ||∞ = 9 || A-1||∞ = 23
3. Determinar número de condição de A usando a norma infinito
cond (A) = || A ||∞ || A-1||∞ = 9 x 23 = 207
Como cond(A) = 207 então o sistema de equações é mal condicionado. Neste caso, pequenas perturbações nos elementos da matriz A e/ou nos elementos do vector dos termos independentes b podem originar grandes alterações na solução do sistema.
Alguns exemplos e figuras aqui usadas foram extraídos das seguintes fontes:
1. Cálculo de determinantes
on-line em http://www.terra.es/personal2/jpb00000/tdeterminantes.htm
site: Matemáticas aplicadas a las ciencias sociales, 2º curso de bachillerato de humanidades y ciencias sociales, página mantida por Juan del Pozo Baselga
2. Cálculo da matriz inversa
Gladys Castillo, 2009
on-line em http://www.terra.es/personal2/jpb00000/tmatrizinversa.htm
site: Matemáticas aplicadas a las ciencias sociales, 2º curso de bachillerato de humanidades y ciencias sociales, página mantida por Juan del Pozo Baselga
• Exemplo 3, pag 7:
apontamentos Aula3: Inversão de Matrizes, Centro Universitário La Salle, disciplina: Algebra Linear – Ciência da Computação, Professoras: Daniela e Patrícia (publicado on-line
3. Valores e vectores próprios
on-line em: http://www.isa.utl.pt/dm/mat1_bio/vvp_t.pdf