5 - Resoluo de Sistemas Lineares:

5.1 - Introduo:

Neste captulo estudaremos mtodos numricos para a resoluo de sistemas lineares nxn . Estes
mtodos podem ser divididos em dois grupos:
i)
Mtodos Diretos: so aqueles que, a menos de erros de arredondamento ou truncamento,
fornecem a soluo exata do sistema linear, caso ela exista, aps um nmero finito de operaes;
ii)
Mtodos Iterativos: so aqueles que geram, a partir de uma aproximao inicial, uma
sequncia de solues aproximadas, que sob certas condies converge para a soluo, caso ela exista.
Para este captulo sero indispensveis alguns conceitos da lgebra Linear.
Um sistema linear S com n equaes e n variveis (ou incgnitas) com n 1 escrito usualmente na
forma:
11 x 1
x
21 1
S:

n1 x 1

12 x 2

1n x n

22 x 2

2n x n

n2 x 2

nn x n

onde ij : 1 i n e 1 j n so os coeficientes, x j : 1 j n so as variveis ou incgnitas e i : 1 i n

so as constantes.
A resoluo de um sistema linear consiste em calcular os valores de x j : 1 j n , caso eles existam,
que satisfaam as m equaes simultaneamente.
Usando notao matricial, o sistema linear S pode ser assim representado:
Ax b ,

onde:
11

21
A

n1

12
22
n2

1n

2n
M nxn ( R)

nn

a matriz dos coeficientes,

x1

x M nx1 ( R )

xn
1

 o vetor das variveis, e

1

2
B M nx1 ( R )


n

o vetor constante.
Da lgebra Linear sabemos que um sistema linear pode ser:
i)

Incompatvel (ou impossvel): quando no possui nenhuma soluo;

ii)

Compatvel e determinado (ou possvel e determinado): quando possui uma nica soluo;

iii)
Compatvel e indeterminado (ou possvel e indeterminado): quando possui mais do que uma
soluo, na verdade, infinitas solues.
Chamaremos de x o vetor soluo e de x , uma soluo aproximada do sistema linear S.
A resoluo de sistemas lineares um problema que surge em diversas reas, por isto, tornou-se
bastante importante, principalmente, depois do surgimento dos computadores. Como exemplo, consideremos
o problema de determinar as componentes horizontal e vertical das foras que atuam nas junes da trelia
abaixo:

Para isto, temos de determinar as 17 foras desconhecidas que atuam nesta trelia. As componentes
da trelia so supostamente presas nas junes por pinos, sem frico. Um teorema da mecnica elementar
nos diz que, como o nmero de junes j est relacionado ao nmero de componentes m por 2 j 3 m , a
trelia estaticamente determinante, isto significa que as foras componentes so determinadas
completamente pelas condies de equilbrio esttico nos ns.
Sejam

Fx

Fy

as

componentes

horizontal

vertical,

respectivamente.

Fazendo

sen(45o ) cos(45o ) e supondo pequenos deslocamentos, as condies de equilbrio so:

Fx f1 f 4 f 5 0
juno b
,

Fy f1 f 3 f 5 0

Fx f 2 f 6 0
juno c
,

f 3 10 0

 Fx f 4 f 8 0
juno d
,

f7 0

Fx f 5 f 6 f 9 f10 0
juno e
,

f 5 f 7 f 9 15 0

Fx f 8 f 9 f12 f13 0
juno f
,

f 9 f11 f13 0

Fx f10 f14 0
juno g
,

f11 0

Fx f12 f16 0
juno h
,

Fy f15 f16 0

Fx f13 f14 f17 0

juno i
,

juno j

f13 f15 10 0

f16 f17 0 .

Portanto, para obter as componentes pedidas preciso resolver esse sistema linear, que tem 17
variveis, f1 , f 2 , , e f17 e 17 equaes. Sua formulao matricial :
Ax b ,

onde:

0
0 0 0
0
0 0
0
0
0 0 1 0 0 0

0
0 0 0
0
0 0
0
0
0 1 0 0 0 0
0 1 0 0
0
1 0 0
0
0 0 0
0
0 0
0
0

0 1 0
0
0 0 0
0
0 0 0
0
0 0
0
0
0
0
0 0 1 0
0 0 1
0
0 0 0
0
0 0
0
0

0 0 0
0
0 1 0
0
0 0 0
0
0 0
0
0
0
0
0 0 0 1 0 0 1 0 0
0
0 0
0
0

0 0 0 0 1 0 0 0 0
0
0 0
0
0
0

0 0 0
0
0 0 1 0 0 1 0 0
0
0 ,
A 0
0
0 0 0
0
0 0 0 0 1 0 0 0
0
0

0 0 0
0
0 0 0
0 1 0 0
0
1 0
0
0
0
0
0 0 0
0
0 0 0
0
0 1 0
0
0 0
0
0

0 0 0
0
0 0 0
0
0 0 1 0
0 0 0
0
0
0 0 0
0
0 0 0
0
0 0 0
0
0 1 0

0 0 0
0
0 0 0
0
0 0 0 1 0
0
1
0
0
0 0 0
0
0 0 0
0
0 0 0 0 1
0
0

0 0 0
0
0 0 0
0
0 0 0
0
0 0 1
0

b 0 0 0 10 0 0 0 15 0 0 0 0 0 0 0 10 0 ,
T

x f1

f2

f3

f4

f5

f6

f7

f8

f9

f10

f11

f12

f13

f14

f15

f16

f17 .
T

5.2 - Mtodos Diretos:

Pertencem a esta classe todos os mtodos estudados no primeiro e no segundo graus, dentre os quais
a regra de Cramer, que aplicado resoluo de um sistema nxn necessita do clculo de ( n 1)
determinantes de ordem n. Assim, o nmero total de operaes efetuadas ser ( n 1) n! ( n 1)
multiplicaes, mais um nmero semelhante de adies. Logo, para resolvermos o nosso exemplo anterior
sobre a trelia, este mtodo completamente invivel, pois se utilizarmos um computador que efetue cerca de
cem milhes de operaes por segundo, levaria aproximadamente 2 105 anos para efetuar as operaes
necessrias.
Devemos observar tambm que no caso de sistemas lineares nxn , com uma nica soluo, o vetor x
dado por:

x A 1 b ,
no entanto, calcular explicitamente a matriz A 1 e em seguida efetuar o produto A 1 b desaconselhvel,
uma vez que o nmero de operaes envolvidas grande, o que torna este processo no competitivo com os
mtodos que estudaremos a seguir.

Estes so os principais motivos que nos levam estudar mtodos mais eficientes, pois, em geral os
problemas prticos exigem a resoluo de sistemas lineares de grande porte, isto , que envolvem um grande
nmero de equaes e variveis.
Para as prximas sees deste captulo consideraremos que det(A) 0 .

5.2.1 - Resoluo de sistemas lineares triangulares:

Seja o sistema linear triangular superior nxn :

11 x 1 12 x 2 1n x n 1

22 x 2 2n x n 2

,
T:

nn x n n

da ltima equao de T temos:

xn

n
,
n

e assim x n1 pode ser obtido da penltima equao:

x n 1

n 1 ( n 1) n x n
( n 1)( n 1)

e assim sucessivamente obtm-se x n2 , x n3 , , x 2 e finalmente x 1 :

x1

1 12 x 2 13 x 3 1n x n
.
11

Mais genericamente obtemos:

xn

i
xi

n
,
n

j i 1

ii

ij

xj
, para i n 1, , 1 .

Assim, dado um sistema linear triangular superior nxn com elementos da diagonal no nulos (isto ,
possvel, pois estamos assumindo que det(A) 0 ), as variveis x n , x n1 , , x 2 , x1 podem ser obtidas pelo
seguinte algoritmo resumido:

x n n nn
Para k ( n 1), , 1
5

s0
Para j ( k 1), , n
s s kj x j

x k ( k s) kk .
Analgamente, se T um sistema triangular inferiror, x1 , x 2 , , x n so facilmente calculados pelas
seguintes frmulas:

x1

1
,
1

i 1

xi

i ij x j
j1

ii

, para i 2, , n .

Assim, dado um sistema linear triangular superior nxn com elementos da diagonal no nulos (isto ,
possvel, pois estamos assumindo que det(A) 0 ), as variveis x n , x n1 , , x 2 , x1 podem ser obtidas pelo
seguinte algoritmo resumido:

x1 1 11
Para k 2, , n
s0
Para j 1, , k 1
s s kj x j

x k ( k s) kk .

5.2.2 - Mtodo da Eliminao de Gauss:

O mtodo da Eliminao de Gauss consiste em transformar o sistema linear original em um sistema

linear equivalente com a matriz dos coeficientes triangular superior, pois este tipo de sistema de fcil
resoluo. Para isto, da lgebra Linear sabemos que o mtodo pode aplicar convenientemente um nmero
finito de vezes sobre as linhas do sistema inicial Ax b as seguintes operaes elementares:
(I)

Permutar duas das equaes;

(II)

Multiplicar uma das equaes por um nmero real 0;

(III)

Somar a uma das equaes outra equao multiplicada por um nmero real.

~
~
Ao final, obteremos um novo sistema Ax b equivalente ao sistema inicial Ax b .
Veremos a seguir como o mtodo da Eliminao de Gauss usa estas operaes para triangularizar a
matriz A.
A eliminao efetuada por colunas e chamaremos de etapa k do processo a fase em que se elimina a
varivel x k das equaes (ou linhas) k 1, k 2, , n .
6

Usaremos a notao ijk para denotar o coeficiente da linha i e coluna j (ou seja, da i-sima equao
que acompanha a j-sima varivel do sistema) no final da k-sima etapa, bem como ik ser o i-simo
elemento do vetor constante no final da etapa k.
Etapa 1: Considerando que det(A) 0 , sempre possvel rescrever o sistema linear de forma que o
coeficiente da linha 1 e coluna 1 seja diferente de zero, usando apenas a operao elementar (I). Seja ento:
0
11
0

A 0 | b 0 21

0
n1

0
12

022
0n 2

10n 10

02 n 02

0nn 0n

a matriz formada pelos coeficientes da matriz A e do vetor b, com as linhas j reordenadas de forma que
0
11
0.
A eliminao da varivel x 1 das equaes i 2, , n feita subtraindo-se da equao i a primeira
equao multiplicada pelo fator multiplicador:
0i1
m i1 0 , para i 2, , n .
11
0
O elemento 11
recebe o nome de piv da primeira etapa.

Ao final desta etapa teremos a matriz:

111

0
1
1
A |b

112
122
1n 2

11n 11

12 n 12

1nn 1n

onde:
11 j 10j para j 1, , n ;

11 10 ;
1ij 0ij mi1 10j para i 2, , n e j 1, , n ;

1i 0i mi110 para i 2, , n .

Etapa 2: Ao final da etapa 1 teremos pelo menos um elemento 1i2 0 , para i 2, , n , pois caso
contrrio teramos det(A) 0 , mas det(A) 0 por hiptese. Ento sempre possvel rescrever a matriz

 111

0
1
1
A |b

11n 11

12 n 12
,

1nn 1n

112
122
1n 2

sem alterar a posio da linha 1, de forma que o piv da segunda etapa, 122 , seja no nulo.
Os multiplicadores desta etapa so:
mi2

1i 2
, para i 3, , n .
122

A eliminao da varivel x 2 das equaes i 3, , n feita subtraindo-se da equao i a primeira

equao multiplicada pelo fator multiplicador m i2 .
Ao final desta etapa teremos a matriz:
2
11

0
2
2
A |b

2
12

222
0

2
13
12n 12

223 22 n 22
233 23n 23

2n 3 2nn 2n

onde:
2ij 1ij para i 1, 2 e j i, i 1, , n ;

2i 1i para i 1, 2 ;
2ij 1ij mi 2 12 j para i 3, , n e j 2, , n ;

2i 1i mi 2 12 para i 3, , n .

Assim, seguimos este raciocnio at a etapa ( n 1) .

Etapa (n-1): Ao final da etapa ( n 2) teremos pelo menos um elemento in(n21) 0 , para

i n 1, n , pois caso contrrio teramos det(A) 0 , mas det(A) 0 por hiptese. Ento sempre possvel
rescrever a matriz

A n2 | b n2

n2
n2
n2
11
12
13
1n(n21)

n2
n2
n2
0 22 23 2 ( n 1)
n2

0 33
3n(n21)

n2

( n 1)( n 1)

0
0
0 0 nn ( n21)

1nn 2 1n 2

2n n 2 2n 2
3nn 2 3n 2

(nn21) n

nnn 2 nn 2
8

sem alterar a posio das linhas 1, 2, , ( n 2) de forma que o piv da etapa ( n 1) , (nn21)( n 1) , seja no
nulo.
O nico multiplicador desta etapa :
m n ( n 1)

nn ( n21)
(nn21)( n 1)

A eliminao da varivel x n1 da n-sima equao feita subtraindo-se da n-sima equao a equao

( n 1) multiplicada pelo fator multiplicador m n ( n 1) .
Ao final desta etapa teremos a matriz:

A n 1 | b n 1

n 1
11

n 1
12
n 1
22

n 1
13
1nn1 1n 1

n 1
23
2n n1 2n 1
n 1
33
3nn1 3n 1

0 0 nnn1 nn 1

onde:
ijn1 ijn2 para i 1, 2, , n 1 e j i, i 1, , n ;

in1 in2 para i 1, 2, , n 1 ;

nnj1 nnj2 m n ( n1) (nn21) j para j n 1, n ;

nn1 nn2 m n( n1) nn12 .

Assim o sistema linear A n1 x b n1 triangular superior e equivalente ao sistema inicial Ax b .

Seja o sistema Ax b , com A: nxn , x: nx1, b: nx1 . Supondo que o elemento que est na linha k e
coluna k diferente de zero no incio da etapa k, temos o seguinte algoritmo resumido para transformar o
sistema linear original em um sistema linear equivalente com a matriz dos coeficientes triangular superior.
Para k 1, , ( n 1)
Para i ( k 1), , n

m ik
kk
ik 0
Para j ( k 1), , n
ij ij m kj

i i m k
9

O algoritmo acima efetua (4n 3 3n 2 7n) 6 operaes, e para resolver o sistema triangular
superior, o nmero de operaes efetuadas n 2 , totalizando assim (4n 3 9n 2 7n) 6 operaes.
De agora em diante, para facilitar a notao e a compreenso usaremos a notao l i para indicar o
vetor linha formado pelos coeficientes da linha i da matriz A k | b k .
Exemplo: Resolver o sistema linear:
3x 1 2 x 2 4 x 3 1

x1 x 2 2x 3 2 .
4 x 3x 2 x 3
2
3
1

Etapa 1: Eliminar x 1 das equaes 2 e 3.

0
11

A 0 | b 0 021
0
31

0
12

022
032

0
13
10 3 2 4 1

023 02 1 1 2 2 .
033 03 4 3 2 3

0
Piv: 11
3;

021 1
m

21
0
3

11
multiplicadores da etapa 1:
;
0
m 31 31 4
0

3
11

l 2 l 2 m21l1 ;
l 3 l 3 m31l1 ;
Assim obtemos a matriz:
111

A 1 | b 1 121
1
31

112
122
132

113 11 3 2
4
1

1
1
23 2 0 1 3 2 3 5 3 .
133 13 0 1 3 22 3 5 3

Etapa 2: Eliminar x 2 da equao 3:

Piv: 122

1
;
3

1
13
multiplicador da etapa 2: m 32 132
1;
1
3

22

l 3 l 3 m32 l 2 ;
Assim obtemos a matriz:
10

2
11

A 2 | b 2 221
2
31

2
12

222
232

2
13
12 3 2
4 1

2
2
23 2 0 1 3 2 3 5 3 .
233 23 0 0 8 0

Assim, resolver o sistema Ax b , dado inicialmente, e equivalente a resolver o sistema A 2 x b 2 :

3x 1 2 x 2 4 x 3 1

1
2
5
x2 x3 ,

3
3
3

8
x

0
3

3

que um sistema triangular superior, e sendo assim de fcil resoluo. Sua soluo x 5 .

0

A seguir apresentamos um algoritmo em Portugus Estruturado para a resoluo de um sistema linear

Ax b , com A: nxn , x: nx1, b: nx1 , supondo que o elemento que est na linha k e coluna k diferente de
zero no incio da etapa k.
ALGORITMO GAUSS;
INCIO
{Declarao DE variveis}
INTEIRO: N, ETAPA, I, J;
REAL: PIVO, SOMA;
MATRIZ: A[1..N,1..N], B[1..N], X[1..N];
{Entrada DE dados}
LEIA (N);
PARA I DE 1 AT N PASSO 1 FAA
PARA J DE 1 AT N PASSO 1 FAA
LEIA( A I, J );
FIMPARA;
LEIA ( BI );
FIMPARA;
{Eliminao}
PARA ETAPA DE 1 AT (N-1) PASSO 1 FAA
PARA I DE (ETAPA+1) AT N PASSO 1 FAA
PIVO : AETAPA, ETAPA ;
M : AI, ETAPA ;

PARA J DE ETAPA AT N PASSO 1 FAA

M
A I ,J A I ,J
* A ETAPA ,J ;
PIVO
FIMPARA;
M
BI BI
* BETAPA ;
PIVO
FIMPARA;
FIMPARA;
11

{Resoluo do sistema triangular}

X N BN A N , N ;
PARA I DE (N-1) AT 1 PASSO 1 FAA
SOMA:=0;
PARA J DE (I+1) AT N PASSO 1 FAA
SOMA : SOMA AI, J XJ ;
FIMPARA;
XI : (BI SOMA) AI, I ;
FIMPARA.
{Sada DE dados}
PARA I DE 1 AT N PASSO 1 FAA
PARA J DE 1 AT N PASSO 1 FAA
mostre( A I, J );
FIMPARA;
mostre ( BI );
FIMPARA;
PARA I DE 1 AT N PASSO 1 FAA
mostre ( X I );
FIMPARA;
FIM.
Observao: O mtodo da eliminao de Gauss requer o clculo dos multiplicadores:
ikk1
m ik k 1 , para i ( k 1), , n
kk

em cada etapa k do processo. Agora, se o piv for nulo temos problemas, e tambm, se o piv for muito
pequeno dar origem a multiplicadores bem maiores que a capacidade da mquina, originando uma ampliao
dos erros de arredondamento e/ou truncamento. Para contornar este problema existe um procedimento,
denominado estratgia de pivotamento parcial, que consiste em:
i)
No inicio da etapa k da fase de eliminao, escolher para piv o elemento de maior mdulo
entre os coeficientes:

ikk1 para i k, k 1, , n ;
ii)

Trocar as linhas k e i se necessrio.

Existe outro procedimento, denominado estratgia de pivotamento total, que devido ao grande
nmero de operaes que envolve pouco utilizado, e por isto no ser aqui abordado.
Exemplo: Suponha que ao final da etapa 1 temos a seguinte matriz:

3 2 1 1 5

0 1 0 3 6
1
1
A |b
.
0 3 5 7 7

0 2 4 0 15
12

Etapa 2: Eliminar x 2 das equaes 3 e 4.

Piv: max 1j2 132 3 piv 3 trocar as linhas 2 e 3;
j 2, 3, 4

assim, obtemos a matriz:

3 2 1 1 5

0 3 5 7 7 ,
1
1
A |b
0 1 0 3 6

0 2 4 0 15
1

m 32 3
multiplicadores da etapa 2:
;
2
m 42
3

l 3 l 3 m32 l 2 ;
l 4 l 4 m42 l 2 ;
e assim prosseguimos com o processo de eliminao.
Observao: A escolha do maior elemento em mdulo entre os candidatos piv faz com que os
multiplicadores, em mdulo, estejam entre zero e um, o que evita a ampliao dos erros de arredondamento
e/ou truncamento.

5.2.3 - Mtodo da Decomposio LU:

Dado o sistema linear:

Ax b

o mtodo da decomposio LU para resoluo deste sistema consiste em decompor a matriz A dos
coeficientes em duas matrizes triangulares, L, triangular inferior com diagonal unitria, e U, triangular
superior, e em seguida resolvemos dois sistemas lineares que nos conduzir soluo do sistema linear
original. Por exemplo, se pudermos realizar a fatorao:

A LU ,
o sistema linear Ax b pode ser escrito:

LUx b ,
e assim, se:

y Ux ,
13

ento resolver o sistema linear:

Ax b ,
equivalente a resolver o sistema linear:

Ly b ,
e em seguida, o sistema linear:

Ux y .
A vantagem deste processo que se resolvermos um sistema linear que tenha A como matriz dos
coeficientes, se o vetor b for alterado, a resoluo do novo sistema linear ser quase que imediata.
O mtodo da decomposio LU est embasado no seguinte teorema.
Teorema: Seja A uma matriz quadrada de ordem n, A k o menor principal de ordem k, isto , uma
sub-matriz de A constituda pelas k primeiras linhas e colunas. Assumindo que det(A k ) 0 para

k 1, 2, , n 1 , existe uma nica matriz triangular inferior L l ij , com l11 l 22 l nn 1 , e uma

nica matriz triangular superior

U u ij , ambas de ordem n, tal que LU A . Alm disso,

det(A) u11 u 22 u nn .
Demonstrao:
Para provar este teorema usaremos induo sobre n.
Para n 1 , temos que:

11 1 u11
unicamente, e det(A) u11 .
Vamos assumir que o teorema verdadeiro para n k 1 .
Para n k partimos A em sub-matrizes:
A k 1
A
y

a kk

onde y uma linha de k 1 componentes e x uma coluna de k 1 componentes.

Escrevemos:
L k 1
L
m

0
U k 1
, U
1
0

p
.
u kk

Ento:
14

 L k 1 U k 1
LU
mU k 1

L k 1 p
.
mp u kk

Agora, pela hiptese de induo, L k1 e U k1 so unicamente determinadas e L k 1 U k 1 A k 1 . Alm

disso, L k1 e U k1 no so singulares, pois caso contrrio A k1 tambm seria, contradizendo a hiptese.
Assim LU A equivalente a L k1 p x , mU k1 y e mp u kk a kk , ou seja, p Lk11 x , m yU k11 e
u kk a kk mp . Ento p, m e u kk so determinados unicamente nesta ordem, e assim, L e U so
determinados unicamente. Finalmente:
det(A) det( L) det( U) 1 det U k 1 u kk u11 u 22 u ( k 1)( k 1) u kk ,

completando a demonstrao deste teorema.

5.2.3.1 - Decomposio da matriz A em LU:

Desde que assumimos que det(A) 0 , pelo teorema anterior sabemos que possvel a decomposio
A LU , ou seja:
1

l 21
l 31

l
n1

l 32

l n 2 l n ( n 1)

0 u 11

0 0
0

0
1 0

u 12
u 22
0

u 13 u 1n 11

u 23 u 2 n 21
u 33 u 3n 31



0 u nn n1

12

13

22

23

32

33

n2

n3

1n

2n
3n

nn

e assim:
Primeira linha de U:

1 u11 11 u11 11 ,
1 u12 12 u12 12 ,

1 u1n 1n u1n 1n ;
Primera coluna de L:

l 21 u11 21 l 21

21
,
u11

l 31 u11 31 l 31

31
,
u11
15

l n1 u11 n1 l n1

n1
;
u11

Segunda linha de U:

l 21 u12 u 22 22 u 22 22 l 21 u12 ,
l 21 u13 u 23 23 u 23 23 l 21 u13 ,

l 21 u1n u 2 n 2 n u 2 n 2 n l 21 u1n ;
Segunda coluna de L:

l 31 u12 l 32 u 22 32 l 32

32 l 31 u12
,
u 22

l 41 u12 l 42 u 22 42 l 42

42 l 41 u12
,
u 22

l n1 u12 l n 2 u 22 n 2 l n 2

n 2 l n1 u12
;
u 22

Terceira linha de U:

l 31 u13 l 32 u 23 u 33 33 u 33 33 l 31 u13 l 32 u 23 ,

l 31 u14 l 32 u 24 u 34 34 u 34 34 l 31 u14 l 32 u 24 ,

l 31 u1n l 32 u 2 n u 3n 3n u 3n 3n l 31 u1n l 32 u 2 n ;
Terceira coluna de L:

l 41 u13 l 42 u 23 l 43 u 33 43 l 43

43 l 41 u13 l 42 u 23
,
u 33

l 51 u13 l 52 u 23 l 53 u 33 53 l 53

53 l 51 u13 l 52 u 23
,
u 33

16

l n1 u13 l n 2 u 23 l n 3 u 33 n 3 l n 3

n 3 l n1 u13 l n 2 u 23
;
u 33

e assim sucessivamente calculando a quarta linha de U, quarta coluna de L, quinta linha de U, quinta coluna
de L, at a n-sima linha e n-sima coluna, e obtendo-se assim as seguintes frmulas gerais:
i 1

l ik u kj para i j

ij
ij

k 1
.

j1

l ij ij l ik u kj u jj para i j

k 1

Estas frmulas gerais podem ser descritas pelo seguinte algoritmo resumido.
Para i 1, 2, , n
Para j 1, 2, , n
Se i j
ento

s : 0
Se i 1
ento

Para k 1, 2, , i 1
s : s l ik u kj

u ij ij s
seno

s : 0
Se j 1
ento

Para k 1, 2, , j 1
s : s l ik u kj

l ij ij s u jj

Devido proximidade do algoritmo acima com o mesmo em Portugus Estruturado, deixamos esta
verso por conta do leitor.
2 1 3
9

Exemplo: Resolver o sistema linear Ax b onde A 0 1 1 e b 1 :

1 0 3
7

Para que A satisfaa as condies da decomposio LU devemos ter detA 1 0 e detA 2 0 .

Temos:
detA 1 2 2 0 e det A 2

0 1

2 0 ,

logo A satisfaz tais condies.

Vamos ento calcular L e U, de acordo com as frmulas anteriores:
17

u11 11 u11 2 ,
u12 12 u12 1,

u13 13 u13 3 ,
l 21

21
l 21 0 ,
u11

l 31

31
1
l 31 ,
u11
2

u 22 22 l 21 u12 u 22 1 ,
u 23 23 l 21 u13 u 23 1 ,
l 32

32 l 31 u12
1
l 32 ,
u 22
2

u 33 33 l 31 u13 l 32 u 23 u 33 1 .
Assim:
1

L 0
1
2

0
2 1 3

1 0 e U 0 1 1 .

1 1
0 0 1

2
0

Agora devemos resolver dois sistemas lineares triangulares, Ly b e Ux y .

i)

Resoluo do sistema linear Ly b :

Temos:
1

0
1
2

0 y 1 9

1 0 y 2 1 ,
1 1 y 7
3
2
0

logo:

y1 9 ,
y 2 1,
1
1
y1 y 2 y 3 7 y 3 2 .
2
2
18

Portanto:
9

y 1 .

2

i)

Resoluo do sistema linear Ux y :

Temos:
2 1 3 x 1 9

0 1 1 x 2 1 ,

0 0 1 x 3 2

logo:

x3 2 ,
x 2 x 3 1 x 2 1,
2x1 x 2 3x 3 9 x1 1 .
Portanto:
1

x 1 .

2
2 1 3
9
1

Logo a soluo do sistema linear Ax b onde A 0 1 1 e b 1 x 1 .

1 0 3
7
2

Observe que det(A) u11 u 22 u 33 2 .

5.2.4 - Processo de Cholesky:

Dado o sistema linear:

Ax b

o processo de Cholesky para resoluo deste sistema consiste em decompor a matriz A dos coeficientes no
produto de duas matrizes, G e G T (transposta de G), onde G uma matriz triangular inferior, e em seguida
resolvemos dois sistemas lineares que nos conduzir soluo do sistema linear original. Por exemplo, se
pudermos realizar a fatorao:

19

A GG T ,
o sistema linear Ax b pode ser escrito:

GG x b ,
T

e assim, se:

y GTx ,
ento resolver o sistema linear:
Ax b ,

equivalente a resolver o sistema linear:

Gy b ,
e em seguida, o sistema linear:

GTx y .
A vantagem deste processo que se resolvermos um sistema linear que tenha A como matriz dos
coeficientes, se o vetor b for alterado, a resoluo do novo sistema linear ser quase que imediata.
O processo de Cholesky est embasado no seguinte teorema.
Teorema: Seja A uma matriz simtrica quadrada de ordem n, A k o menor principal de ordem k, isto
, uma sub-matriz de A constituda pelas k primeiras linhas e colunas. Se A positiva definida, isto ,
det(A k ) 0 para k 1, 2, , n , ento A pode ser decomposta unicamente em GG T , onde G uma matriz
quadrada triangular inferior de ordem n com elementos diagonais positivos, e G T denota a transposta de G.
A demonstrao deste teorema pode ser construda por induo sobre n, como no teorema da
decomposio LU.

5.2.4.1 - Decomposio da matriz A em GG T :

Desde A seja uma matriz simtrica quadrada de ordem n positiva definida possvel decompor A em
GG , ou seja:
T

11 12

21 22
31 32

n1 n 2

0 g 11 g 21 g 31 g n1
13 1n g 11 0

0 0 g 22 g 32 g n 2
23 2 n g 21 g 22 0

0
33 3n g 31 g 32 g 33
0 g 33 g n 3

n 3 nn g n1 g n 2 g n ( n 1) g nn 0 0 g nn
e assim obtemos os coeficientes da matriz G da seguinte forma, fazendo-se o clculo por colunas:
20

i)

coluna 1:
11 g 11 0

21 g 21 g 22
31 g 31 g 32

g
n1 n1 g n 2

g 33

g n ( n 1)

2
0 g 11 g 11

0 0 g 21g 11
0 g 31g 11 ,

0
g nn 0 g n1g 11

e assim obtemos:

g11 11
.

g
,
para
i

2
,

,
n
i1
11
i1
ii)

coluna 2:
21 g 11 0

22 g 21 g 22
32 g 31 g 32

g
n 2 n1 g n 2

g 33

g n ( n 1)

0 g 21
g 11g 21

2
2
0 g 22 g 21 g 22
0 g 31g 21 g 32 g 22 ,

g nn 0 g n1g 21 g n 2 g 22

e assim obtemos:
2
2
2

g 21 g 22 22 g 22 22 g 21
,

g
g

g
g

g
g
g
,
para
i

3
,

,
n

i 2 22
i2
i2
i2
i1 21
22
i1 21

observando que os elementos g i1 para j esto calculados.

iii)

coluna k:

Para obter os elementos da coluna k da matriz G, g kk , para k 3, , n , usamos a seguinte

g

( k 1) k

g nk
equao matricial:

21

 k1

k2 g
k 3 11

g 21
g
31
kk
( k 1) k

g n1

nk

g 22

g 32

g 33

g n2

g n ( n 1)

g k1

g
0 k2
g
0 k3

,
g
0 kk
0
g nn

e assim obtemos as frmulas gerais:

k 1
2
2
2
g

g 2kj
k1

k2
kk
kk
kk
kk
j1

k 1

g i1g k1 g i 2 g k 2 g ik g kk ik g ik ik g ij g kj g kk , para i k 1, , n
j1

observando que os elementos g ik para i 1, , k 1 j esto calculados.

Estas frmulas gerais podem ser descritas pelo seguinte algoritmo resumido.
Para k 1, 2, , n
s : 0
Se k 1
ento

Para j 1, 2, , k 1
s : s g 2kj

g kk kk s

Se k n
ento

Para i k 1, , n
s : 0
Se k 1
ento

Para j 1, 2, , k 1
s : s g ijg kj

g ik ik s g kk

Devido proximidade do algoritmo acima com o mesmo em Portugus Estruturado, deixamos esta
verso por conta do leitor.

Observe ainda que detA det GG T det G 2 g11 g 22 g nn .

2

1 1 0
2

Exemplo: Resolver o sistema linear Ax b onde A 1 2 1 e b 1 :

0 1 3
5
22

A matriz A simtrica, portanto falta verificarmos se positiva definida.

Temos:
detA 1 1 0 ,

detA 2 1 0 e
detA 3 detA 2 0 ,

logo A positiva definida e assim A pode ser decomposta em GG T .

Vamos ento calcular a matriz triangular inferior G.
g11 11 g11 1 ,

g 21

21
g 21 1 ,
g11

g 31

31
g 31 0 ,
g11

g 22 22 g 221 g 22 1 ,

g 32

32 g 31g 21
g 32 1 ,
g 22

g 33 33 g 231 g 232 g 33 2 .
Logo:
1 0

G 1 1

0 1

0,

portanto:
1 1 0 1 0

A 1 2 1 1 1

0 1 3 0 1

0 1 1

0 0 1

2 0 0

1 .

Agora devemos resolver dois sistemas lineares triangulares, Gy b e G T x y .

i)

Resoluo do sistema linear Gy b :

Temos:
23

1 0

1 1

0 1

0 y 1 2

0 y 2 1 ,

2 y 3 5

logo:

y1 2 ,

y1 y 2 1 y 2 1 ,
y2 2 y3 5 y3 2 2 .

Portanto:
2

y 1 .

2 2

i)

Resoluo do sistema linear G T x y :

Temos:
1 1

0 1

0 0

0 x1 2

1 x 2 1 ,

2 x3 2 2

logo:
2x 3 2 2 x 3 2 ,

x 2 x 3 1 x 2 1 ,
x1 x 2 2 x1 1 .
Portanto:
1

x 1 .

2

1 1 0
2
1

Logo a soluo do sistema linear Ax b onde A 1 2 1 e b 1 x 1 .

0 1 3
5
2

Observe que det(A) g11 g 22 g 33 2 .

2

24

5.3 - Mtodos Iterativos:

A idia geral dos mtodos iterativos a seguinte.

Seja o sistema linear:
Ax b ,

onde:
11

21
A

n1

12
22
n2

1n

2n
M nxn ( R)

nn

a matriz dos coeficientes,

x1

x M nx1 ( R )

xn

o vetor das variveis, e

1

2
B M nx1 ( R )


n

o vetor constante, como no tpico 5.2.

Este sistema convertido, de alguma forma, (veremos duas, a de Gauss-Jacobi e a de Gauss-Seidel),
num sistema equivalente do tipo:

x Cx g ,
onde C uma matriz nxn e g um vetor nx1. Ento proposto o esquema iterativo, partindo do vetor x ( 0) ,
uma aproximao inicial dada ou encontrada por algum outro processo:
x (1) Cx ( 0) g ,

a primeira aproximao,
x ( 2) Cx (1) g ,
25

a segunda aproximao, e assim sucessivamente. De modo geral, a aproximao x ( k 1) calculada pela

frmula:

x ( k 1) Cx ( k ) g para k 0, 1, .
importante observar que se a sequncia de aproximaes, x ( 0) , x (1) , x ( 2) , , x ( k ) , tal que

lim x ( k ) x (isto , limite da sequncia x ( k ) com k tendendo para infinito x ), ento x Cx g , ou seja,

x a soluo do sistema linear Ax b .

5.3.1 - Algumas definies preliminares:

Definio: Dado um espao vetorial V e um vetor v V , chama-se norma de v e denota-se por v ,
qualquer funo definida neste espao vetorial V, com valores em R, satisfazendo:
i)

v 0 e v 0 se e somente se v 0 ,

ii)

v v para todo escalar ,

iii)

v w v w (desigualdade triangular).

Como exemplo de normas de vetores no espao vetorial R n , de uso frequente temos:

x

max x i ,

2
i

i 1

1 i n

e
n

x 1 xi .
i 1

10
Exemplo: Seja x 3 R 5 , temos:

20

( 1) 2 102 32 4 2 ( 20) 2 526 ,

max( 1 , 10 , 3 , 4 , 20 ) 20 ,

e
26

x 1 1 10 3 4 20 38 .

Como exemplo de normas de matrizes no espao vetorial M mxn ( R) (espao vetorial das matrizes com
m linhas e n colunas com coeficientes reais), de uso frequente temos:
n

max a ij , a norma linha,

1 i n

j1

A 1 max a ij , a norma coluna,

1 j n

i 1

2
ij

, a norma euclidiana.

i , j1

3 2 1

Exemplo: Seja A 6 3 4 M 3x 3 ( R) :

1 2 1
A

6 3 4 13 ,

A 1 3 6 1 10 ,
e

9 4 1 36 9 16 1 4 1 9 .

Definio: Duas normas

sobre um espao vetorial V so ditas equivalentes se existem

constantes k 1 e k 2 tais que:

k1 v a v

k2 v

para todo v V .
As normas x E , x , e x 1 no espao vetorial R n so normas equivalentes.
As normas A , A 1 , e A

no espao vetorial M mxn ( R) so normas equivalentes.

Definio: Dadas uma norma no espao vetorial R n e uma norma no espao vetorial M mxn ( R) ,
dizemos que elas so consistentes se, para qualquer x R n :

Ax A x .

27

Definio: Dados um espao vetorial V, uma sequncia s( k ) V , e uma norma sobre V, dizemos que
a sequncia s( k ) converge para s se lim s( k ) s 0.
k

5.3.2 - Critrio Geral de Convergncia:

Suponhamos que o sistema linear Ax b tenha sido transformado no sistema equivalente
x Cx g , e consideremos o processo iterativo:
x ( k 1) Cx ( k ) g .

Se a sequncia x ( k ) converge para x ento x coincide com a soluo x de Ax b . De fato,

passando-se ao limite ambos os lados de x ( k 1) Cx ( k ) g obtm-se:
x Cx g ,

isto , x satisfaz x Cx g .
Pela hiptese de equivalncia x tambm soluo de Ax b .
Subtraindo-se x ( k 1) Cx ( k ) g membro a membro de x Cx g , obtemos:

x x ( k 1) C x x ( k ) ,
isto ,

e ( k 1) Ce ( k ) ,
onde e ( r ) x x ( r ) o erro aps a aproximao (ou iterao) r.
Por aplicaes sucessivas da expresso e ( k 1) Ce ( k ) obtemos:

e ( k 1) C k 1e ( 0) ,
onde e ( 0) o erro inicial.
Tomando-se normas consistentes de matrizes e vetores temos que:

Ck 1 e( 0) Ck 1 e( 0) C

k 1

e( 0 ) .

Portanto:

e( k 1) C

k 1

e( 0 ) .

Desta desigualdade vemos que se C 1 teremos que:

28

lim e ( k 1) lim x x ( k 1) 0 .

Assim, demonstramos o critrio geral de convergncia.

Critrio Geral de Convergncia: Se uma norma qualquer de matrizes a condio C 1
suficiente para a convergncia do processo iterativo:
x ( k 1) Cx ( k ) g .

Observao: O que deduzimos acima foi um critrio suficiente de convergncia, isto significa que se
este critrio for satisfeito temos garantida a convergncia do processo iterativo, porm se este critrio no for
satisfeito no podemos afirmar que o processo iterativo no convergir.

5.3.3 - Critrio de Parada:

Como, em geral, no conhecemos o valor de x, soluo do sistema linear Ax b , o processo
iterativo repetido at que o vetor x ( k 1) esteja suficientemente prximo do vetor x ( k ) .
Medimos a distncia entre x ( k 1) e x ( k ) por d ( k 1) max x (i k 1) x (i k ) .
1 i n

Assim, dada uma preciso desejada , o vetor x ( k 1) ser escolhido como soluo aproximada x da
soluo exata x do sistema linear Ax b , se, d ( k 1) . Este teste conhecido como teste do erro absoluto.
Outro critrio de parada o teste do erro relativo:
d

( k 1)
r

d ( k 1)
max x (i k 1)

1 i n

Computacionalmente usa-se tambm como critrio de parada um nmero mximo de iteraes.

5.3.4 - Mtodo Iterativo de Gauss-Jacobi:

O mtodo de Gauss-Jacobi transforma o sistema linear Ax b no sistema linear equivalente
x Cx g da seguinte forma. Seja o sistema linear Ax b dado originalmente:
11x1 12 x 2 1n x n 1
x x x
21 1
22 2
2n n
2
,
S:

n1x1 n2 x 2 nn x n n

e consideremos que suas linhas j foram reordenadas, se necessrio, de forma que ii 0 para i 1, 2, , n
(isto possvel pois estamos supondo que det(A) 0 ). De S obtemos:
29

x 1 1 12 x 2 13 x 3 1n x n
11

1
x2
2 21 x 1 23 x 3 2 n x n .

22

1
n n1 x 1 n 2 x 2 n ( n 1) x n 1
x n
nn

Desta forma, temos x Cx g , onde:

21
22

n1

nn

12

11

13
23

11

1( n 1)

22

2 ( n 1)

11

2 n

22

1n

11
22

n 2

nn

n 3

nn

n ( n 1)

nn

e
1

11

22 .
g

nn

O mtodo de Gauss-Jacobi consiste em dado x ( 0) , uma aproximao inicial, obter x (1) , , x ( k ) ,

atravs da relao recursiva:

x ( k 1) Cx ( k ) g
para k 0, 1, , isto :

1
( k 1)
x

1 12 x (2k ) 13 x (3k ) 1n x (nk )

1

11

x (2k 1) 1 2 21 x 1( k ) 23 x (3k ) 2 n x (nk )

.

22

( k 1)
1
(k)

n n1 x 1 n 2 x (2k ) n ( n 1) x (nk)1
x n
nn

30

x (0)

10x 1 2 x 2 x 3 7

Exemplo: Resolva o sistema linear x 1 5x 2 x 3 8 pelo mtodo de Gauss-Jacobi com

2 x 3x 10x 6
2
3
1
0

0 e 0.05 .
0

O processo iterativo :
1
2
1
7
( k 1)

7 2 x (2k ) x (3k ) 0x 1( k ) x (2k ) x (3k )

x1
10
10
10
10

1
1
1
8
( k 1)
,
8 x 1( k ) x (3k ) x 1( k ) 0x (2k ) x (3k )
x2
5
5
5
5

x (3k 1) 1 6 2 x 1( k ) 3x (3k ) 2 x 1( k ) 3 x (2k ) 0x (3k ) 6

10
10
10
10

ou na forma matricial x ( k 1) Cx ( k ) g com:

C 15

1
5

10
0
3
10

1
10
1
5
0

7
10
g 8 5 .

6
10
Assim para k 0 temos:
2 (0) 1 ( 0) 7
(1)
x 1 10 x 2 10 x 3 10 0.2 0 0.1 0 0.7 0.7

1 (0) 1 (0) 8
(1)
x 2 x 1 x 3 0.2 0 0.2 0 1.6 1.6 ,
5
5
5

2
3
(
1
)
(
0
)
(
0
)
x x x 6 0.2 0 0.3 0 0.6 0.6
1
2
3
10
10
10

ou

(1)

Cx

(0)

0.7

g 1.6 .
0.6

Vamos verificar se o critrio de parada est satisfeito.

31

x 1(1) x 1( 0) 0.7

x (21) x (20) 1.6 d (1) max x i(1) x i( 0) 1.6 ,

1i 3
x 3(1) x 3( 0) 6
e assim:

d (r1)

d (1)
1.6

1 .
(1)
1.6
max x i
1i 3

Portanto o critrio de parada no est satisfeito, e o processo iterativo deve continuar.

Continuando o processo iterativo, para k 1 temos:
2 (1) 1 (1) 7
( 2)
x 1 10 x 2 10 x 3 10 0.2 (1.6) 0.1 0.6 0.7 0.96

1 (1) 1 (1) 8
( 2)
x 2 x 1 x 3 0.2 0.7 0.2 0.6 1.6 1.86 ,
5
5
5

2
3
x ( 2) x (1) x (1) 6 0.2 0.7 0.3 (1.6) 0.6 0.94
1
2
3
10
10
10

ou

( 2)

Cx

(1)

0.96

g 1.86 .
0.94

Vamos verificar se o critrio de parada est satisfeito.

x 1( 2) x 1(1) 0.26

x (22) x (21) 0.26 d ( 2) max x i( 2) x i(1) 0.34 ,

1i 3
x 3( 2) x 3(1) 0.34
e assim:

d (r 2)

d ( 2)
0.34

0.1828 .
( 2)
1.86
max x i
1i 3

Portanto o critrio de parada no est satisfeito, e o processo iterativo deve continuar.

Continuando o processo iterativo, para k 2 temos:

32

2 ( 2) 1 ( 2) 7
( 3)
x 1 10 x 2 10 x 3 10 0.978

1 ( 2) 1 ( 2) 8
( 3)
x 2 x 1 x 3 1.98 ,
5
5
5

2
3
(
3
)
(
2
)
(
2
)
x x x 6 0.966
1
2
3
10
10
10

ou

( 3)

Cx

( 2)

0.978

g 1.98 .
0.966

Vamos verificar se o critrio de parada est satisfeito.

x 1(3) x 1( 2) 0.018

x (23) x (22) 0.12 d (3) max x i(3) x i( 2) 0.12 ,

1i 3
x 3(3) x 3( 2) 0.026
e assim:

d (r3)

d ( 3)
0.12

0.0606 .
( 3)
1.98
max x i
1i 3

Portanto o critrio de parada no est satisfeito, e o processo iterativo deve continuar.

Continuando o processo iterativo, para k 3 temos:
2 ( 3) 1 ( 3) 7
( 4)
x 1 10 x 2 10 x 3 10 0.9994

1 ( 3) 1 ( 3) 8
( 4)
x 2 x 1 x 3 1.9888 ,
5
5
5

2
3
x ( 4 ) x (3) x (3) 6 0.9984
1
2
3
10
10
10

ou

( 4)

Cx

( 3)

0.9994

g 1.9888 .
0.9984

Vamos verificar se o critrio de parada est satisfeito.

x 1( 4) x 1(3) 0.0214

x (24) x (23) 0.0088 d ( 4) max x i(4 ) x i(3) 0.0324 ,

1i 3
x 3( 4) x 3(3) 0.0324
33

e assim:
d (r 4)

d ( 4)
0.0324

0.0163 .
( 4)
1.9888
max x i
1i 3

Portanto o critrio de parada est satisfeito, e a soluo x do sistema linear acima, com erro inferior a
0.05, obtida pelo mtodo de Gauss-Jacobi :

xx

( 4)

0.9994

1.9888 .
0.9984

Seja o sistema linear Ax b e sua forma equivalente x Cx g . Obtemos a soluo de Ax b (ou

equivalentemente de x Cx g ) com a preciso requerida , partir de uma aproximao inicial x 0 dada,
pelo seguinte algoritmo resumido:
Para k 0, 1, 2,

x ( k 1) Cx ( k ) g ,
d ( k 1) max x (i k 1) x (i k )
d (r k 1)

1 i n
( k 1)

d
max x i( k 1)
1i n

Se d

( k 1)
r

ento x x k 1 e FIM.

Observe que agora estamos trabalhando com vetores e matrizes! O respectivo algoritmo em
Portugus Estruturado fica a cargo do leitor.
5.3.5 - Mtodo Iterativo de Gauss-Seidel:

Da mesma forma que no mtodo de Gauss-Jacobi, o mtodo de Gauss-Seidel transforma o sistema

linear Ax b no sistema linear equivalente x Cx g da seguinte forma. Seja o sistema linear Ax b
dado originalmente:
11x1 12 x 2 1n x n 1
x x x
21 1
22 2
2n n
2
,
S:

n1x1 n2 x 2 nn x n n

e consideremos que suas linhas j foram reordenadas, se necessrio, de forma que ii 0 para i 1, 2, , n
(isto possvel pois estamos supondo que det(A) 0 ). De S obtemos:

34

x 1 1 12 x 2 13 x 3 1n x n
11

1
x2
2 21 x 1 23 x 3 2 n x n .

22

1
n n1 x 1 n 2 x 2 n ( n 1) x n 1
x n
nn

Desta forma, temos x Cx g , onde:

21
22

n1

nn

12

11

13
23

11

1( n 1)

22

2 ( n 1)

11
22

n 2

nn

n 3

nn

n ( n 1)

nn

11

2 n

22

1n

e
1

11

22 .
g

nn

O mtodo de Gauss-Seidel consiste em dado x ( 0) , uma aproximao inicial, obter x (1) , , x ( k ) ,

atravs da relao recursiva:
1

x 1( k 1)
1 12 x (2k ) 13 x (3k ) 1n x (nk )

11

x (2k 1)
2 21 x 1( k 1) 23 x (3k ) 2 n x (nk )

22
1
( k 1)

3 31 x 1( k 1) 32 x (2k 1) 34 x (4k ) 2 n x (nk )

x 3
33

1
x (nk 1)
n n1 x 1( k 1) n 2 x (2k 1) n ( n 1) x (nk11)

nn

para k 0, 1, .
Portanto no processo iterativo de Gauss-Seidel, no momento de se calcular x (jk 1) usamos todos os
valores x1( k 1) , , x (jk11) que j foram calculados e os valores x (jk1) , , x (nk ) restantes.

35

x ( 0)

5x 1 x 2 x 3 5

Exemplo: Resolva o sistema linear 3x 1 4 x 2 x 3 6 pelo mtodo de Gauss-Seidel com

3x 3x 6x 0
2
3
1
0

0 e 0.05 .

0

O processo iterativo :
1
1
1

x 1( k 1) 5 x (2k ) x (3k ) 1 x (2k ) x (3k )

5
5
5
( k 1) 1
6 3 ( k 1) 1 ( k )
( k 1)
(k)
6 3x 1
x 3 x1
x3 ,
x2
4
4 4
4

1
3
3
(
k

1
)
(
k

1
)
(
k
)
(
k

1
)
x 3
0 3x 1 3x 3 0 x 1
x (2k 1)

6
6
6

Assim para k 0 temos:

1
1

x 1(1) 1 x (20) x (30) 1 0.2 0 0.2 0 1

5
5
(1) 6 3 (1) 1 ( 0)
. 0.75 1 0.25 0 0.75 ,
x 2 x 1 x 3 15
4 4
4

x (31) 0 3 x 1(1) 3 x (21) 0.5 1 0.5 0.75 0.875

6
6

Vamos verificar se o critrio de parada est satisfeito.

x 1(1) x 1( 0) 1

x (21) x (20) 0.75 d (1) max x i(1) x i( 0) 1 ,

1 i 3
x (31) x (30) 0.875

e assim:

d (r1)

d (1)
max x
1 i 3

(1)
i

1
1 .
1

Portanto o critrio de parada no est satisfeito, e o processo iterativo deve continuar.

Continuando o processo iterativo, para k 1 temos:
1 (1) 1 (1)

(2)
.
x 1 1 5 x 2 5 x 3 1 0.2 0.75 0.2 ( 0.875) 1025
( 2 ) 6 3 ( 2 ) 1 (1)
. 0.75 1025
.
0.25 ( 0.875) 0.95
x 2 x 1 x 3 15
4 4
4

x (32 ) 0 3 x 1( 2 ) 3 x (22 ) 0.5 1025

.
0.5 0.95 0.9875

6
6

Vamos verificar se o critrio de parada est satisfeito.

36

x 1( 2 ) x 1(1) 0.025

x (22 ) x (21) 0.20 d ( 2 ) max x (i 2 ) x (i 1) 0.20 ,

1 i 3

x (32 ) x (31) 01125

.

e assim:

d (r2 )

d (2)
max x
1 i 3

(2)
i

0.20
01951
.
.
1025
.

Portanto o critrio de parada no est satisfeito, e o processo iterativo deve continuar.

Continuando o processo iterativo, para k 2 temos:
1
1

x 1( 3) 1 x (22 ) x (32 ) 1 0.2 0.95 0.2 ( 0.9875) 10075

.

5
5
( 3) 6 3 ( 3) 1 ( 2 )
. 0.75 10075
.
0.25 ( 0.9875) 0.9912
x 2 x 1 x 3 15
4
4
4

3
3

x (33) 0 x 1( 3) x (23) 0.5 10075

.
0.5 0.9912 0.9993

6
6

Vamos verificar se o critrio de parada est satisfeito.

x 1( 3) x 1( 2 ) 0.0175

x (23) x (22 ) 0.0412 d ( 3) max x i(3) x i( 2 ) 0.0412 ,

1 i 3
x (33) x (32 ) 0.0118

e assim:
d

( 3)
r

d ( 3)
max x
1 i 3

( 3)
i

0.0412
0.0409 .
10075
.

Portanto o critrio de parada est satisfeito, e a soluo x do sistema linear acima, com erro inferior a
0.05, obtida pelo mtodo de Gauss-Seidel :

xx

( 3)

.
10075

0.9912 .

0.9993

O algoritmo resumido deste mtodo o mesmo do Gauss-Jacobi. A diferena que para a

programao do algoritmo de Gauss-Jacobi necessitamos de pelo menos duas variveis do tipo vetor para
guardar os valores das aproximaes enquanto que na deste mtodo possvel a utilizao de apenas uma
varivel para este fim.

37

10x 1 2 x 2 x 3 7

Considere novamente o sistema linear x 1 5x 2 x 3 8 resolvido anteriormente pelo mtodo

2 x 3x 10x 6
2
3
1
de Gauss-Jacobi. Para resolv-lo pelo mtodo de Gauss-Seidel o processo iterativo :

1
2 (k) 1 (k) 7

( k 1)
(k)
(k)
x

2
x

x2 x3
1
2
3

10
10
10
10

1
1 ( k 1) 1 ( k ) 8
( k 1)
( k 1)
(k)
.
x 2 8 x1 x 3 x1 x 3

5
5
5
5

x ( k 1) 1 6 2x ( k 1) 3x ( k 1) 2 x ( k 1) 3 x ( k 1) 6
1
3
1
2
3
10
10
10
10

0
0.7
0.9498

(1)
( 2)
Escolhendo com x 0 obtemos x 1.74 e x 1.98636 e desta forma temos
0
0.982
1.005948

(1)
( 2)
d r 1 e d r 0.124 enquanto que na resoluo pelo mtodo de Gauss-Jacobi obtivemos d (r1) 1 e
d (r2) 0.1828 .
(0)

38