Académique Documents
Professionnel Documents
Culture Documents
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:
11
21
A
n1
12
22
n2
1n
2n
M nxn ( R)
nn
o vetor constante.
Da lgebra Linear sabemos que um sistema linear pode ser:
i)
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
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
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
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 .
22 x 2 2n x n 2
,
T:
nn x n n
xn
n
,
n
n 1 ( n 1) n x n
( n 1)( n 1)
x1
1 12 x 2 13 x 3 1n x n
.
11
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 .
(II)
(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.
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
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 .
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 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 ;
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
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
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
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
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)
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
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.
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
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
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
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
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
0 1
2 0 ,
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
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)
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
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 ,
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.
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
coluna k:
( 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
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
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.
1 1 0
2
Exemplo: Resolver o sistema linear Ax b onde A 1 2 1 e b 1 :
0 1 3
5
22
detA 2 1 0 e
detA 3 detA 2 0 ,
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 .
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)
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
24
onde:
11
21
A
n1
12
22
n2
1n
2n
M nxn ( R)
nn
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
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,
v 0 e v 0 se e somente se v 0 ,
ii)
iii)
v w v w (desigualdade triangular).
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
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
j1
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 .
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
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
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 ) .
28
lim e ( k 1) lim x x ( k 1) 0 .
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.
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
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
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
x ( k 1) Cx ( k ) g
para k 0, 1, , isto :
1
( k 1)
x
11
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
O processo iterativo :
1
2
1
7
( k 1)
1
1
1
8
( k 1)
,
8 x 1( k ) x (3k ) x 1( k ) 0x (2k ) x (3k )
x2
5
5
5
5
10
10
10
10
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
31
x 1(1) x 1( 0) 0.7
d (r1)
d (1)
1.6
1 .
(1)
1.6
max x i
1i 3
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
x 1( 2) x 1(1) 0.26
d (r 2)
d ( 2)
0.34
0.1828 .
( 2)
1.86
max x i
1i 3
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
x 1(3) x 1( 2) 0.018
d (r3)
d ( 3)
0.12
0.0606 .
( 3)
1.98
max x i
1i 3
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
x 1( 4) x 1(3) 0.0214
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
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:
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
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
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)
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
O processo iterativo :
1
1
1
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
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
6
6
e assim:
d (r1)
d (1)
max x
1 i 3
(1)
i
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
6
6
x 1( 2 ) x 1(1) 0.025
e assim:
d (r2 )
d (2)
max x
1 i 3
(2)
i
0.20
01951
.
.
1025
.
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
6
6
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
37
10x 1 2 x 2 x 3 7
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