Escolar Documentos
Profissional Documentos
Cultura Documentos
Métodos Iterativos de Jacobi e Gauss‐Seidel
para resolução de sistemas de equações lineares Ax=b
Para resolver um sistema , os métodos iterativos partem de uma solução inicial
e constroem uma sucessão de aproximações , ,…, ,… converge
para a solução exacta x do sistema
lim →∞ ou lim →∞ 0
Para implementar os métodos iterativos é necessária uma fórmula que permita obter
cada solução a partir da anterior: → . Para construir a fórmula iterativa, o
sistema é convertido num sistema equivalente do tipo
x + c
obtendo a fórmula iterativa
, 1, 2, …,
onde G é a matriz iteração e c um vector.
O método iterativo é repetido até que o vector esteja suficientemente próximo da
solução exacta x. Para interromper o processo, necessitamos de estabelecer pelo menos
um critério de paragem:
9 ( tolerância absoluta)
( parar se a diferença de duas aproximações consecutivas, para alguma norma, é
menor que a tolerância dada )
9 (tolerância relativa)
(parar se a diferença relativa de duas aproximações consecutivas, para alguma
norma, é menor que a tolerância dada )
9 (majorante do erro)
9 (pelo vector resíduo)
( parar se a norma do vector resíduo é menor que uma tolerância dada)
9 Impondo um número máximo de iterações,
Após a paragem do método, obtém‐se a solução aproximada da solução exacta do
sistema Ax=b, com a tolerância desejada.
Gladys Castillo, 2010
2
Resumo dos métodos Iterativos de Jacobi e Gauss‐Seidel
Forma Matricial
Jacobi Gauss‐Seidel
2º. Construir fórmula iterativa:
, 1, 2, …,
G ‐ matriz iteração , c ‐ vector
GJ = ‐ D‐1 ( L + U ) GGS = ‐ ( D + L )‐1 U
cJ = D‐1 b cGS = ( D + L )‐1 b
x(k) = ‐D‐1 [L+U] x(k-1) + D‐1 b x(k)= ‐(D+L)‐1 U x(k-1) + (D+L)‐1 b ⇔
x(k) = ‐ D‐1 [L x(k) + U x(k-1) ] + D‐1 b
Forma Algébrica
Cálculo das componentes xi da aproximação x(k) , k=1,2,…, i=1,2,…,n
i −1
1 n
1 n
x(k )
i = (bi − ∑a ij x ( k −1)
j ) x (k )
i = (bi − ∑ aij x j − ∑ aij x (jk −1) )
(k )
Critérios de Convergência
(CS) 2. ||G|| < 1 para alguma norma
(CNS) 3. ℘(G) <1 , ℘(G) = max i |λi(G)| – raio espectral da matriz G
λi – valores próprios de G, i=1,2,…,n
(CS) ‐ condição suficiente , (CNS) – condição necessária e suficiente
Gladys Castillo, 2010
3
Exemplo
Considere o sistema
⎧5 x1 + 2 x2 + 2 x3 = 15
⎪
⎨2 x1 + 3x2 + 6 x3 = 26
⎪ x + 3 x + x = 10
⎩ 1 2 3
Efectue três iterações dos métodos de Jacobi e de Gauss‐Seidel partindo da
aproximação 0, 0,0 . Se necessário, reescreva o sistema por forma a poder
garantir a convergência de ambos os métodos para a solução exacta.
Para começar, devemos provar a convergência dos métodos iterativos verificando a
condição suficiente nº 1:
(note que esta verificação é imediata pois depende apenas dos elementos da matriz A do sistema)
CS 1: Se a matriz dos coeficientes A for estritamente diagonal dominante (SDD) por linhas,
então os métodos iterativos de Jacobi e Gauss‐Seidel geram uma sucessão convergente
para a solução única do sistema Ax=b, para qualquer escolha da solução inicial .
Para o sistema dado a matriz A não é estritamente diagonal dominante por linhas.
5 2 2
2 3 6
1 3 1
1
No caso de não se verificar a CS 1 devemos então verificar a CS 2 baseada no cálculo de uma norma para a matriz de iteração G (se não for indicada
uma norma, utilizar a norma do máximo). Se a condição CS 2 também não se verifica então devemos utilizar a CNS 3 para provar a convergência, pois é
a única conclusiva. Para isto precisamos calcular todos os valores próprios da matriz de iteração G, o que representa uma prova muito mais custosa.
2
O determinante de A é igual a 61 pelo que o sistema tem solução única 1, 2, 3 .
Gladys Castillo, 2010
4
Métodos de Jacobi e Gauss‐Seidel na forma matricial
Dada a aproximação inicial 0 0 0 , o objectivo é calcular três aproximações
da solução exacta utilizando os métodos iterativos de Jacobi e Gauss‐Seidel.
O primeiro passo é decompor a matriz como uma soma de três matrizes, D, L e U
= D + L + U
onde
9 D é a matriz diagonal formada pelos elementos da diagonal principal de A
9 L é a matriz triangular inferior formada pelos elementos de A que estão abaixo
da diagonal principal
9 U é a matriz triangular superior formada pelos elementos de A que estão acima
da diagonal principal
D L U
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
A seguir, dada a solução inicial 0, 0,0 , constrói‐se a fórmula iterativa
, 1, 2, …,
Para o método de Jacobi a matriz de iteração G e o vector c podem ser calculados pelas
fórmulas
‐1 ‐1
G= GJ = ‐ D ( L + U ) e c = c J = D b
Então, de
0 0
0 15
0 0 , 0 , 10
0 26
0 0
obtém‐se
0 3
0 ,
0
Gladys Castillo, 2010
5
que conduz ao processo iterativo,
2 2
0 3
5 5 10
1 1
0 3 , 1, 2, …,
3 3 13
1 1
0 3
3 2
Pela fórmula iterativa podemos então calcular três aproximações para k=1, 2, 3 a partir
de 0 0 0 .
Para 1
x(0) x(1)
0 3 3
0
0 0 =
0
0
Para 2 x(1) x(2)
0 3 3
0 =
0
Para 3 x(2) x(3)
0 3
0 =
0
Como resultado obtemos a aproximação 1.9778 2.8000 3.9111 da solução
exacta do sistema Ax = b.
Para o método de Gauss‐Seidel a matriz de iteração G e o vector c podem ser calculados
pelas fórmulas
‐1 ‐1
G = GGS = ‐ (D+L) U e c = c GS = (D+L) b
Para poder construir a fórmula iterativa de Gauss‐Seidel necesitamos determinar a
matriz inversa de (D+L)
D L U
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
Gladys Castillo, 2010
6
Gladys Castillo, 2010
7
Para 3
x(2) x(3)
0 3
1.2000 0.9844
0 2.2111 = 2.0626
2.8278 2.9739
0
Como resultado obtemos a aproximação 0.9844 2.0626 2.9739 da solução
exacta do sistema Ax = b.
Métodos de Jacobi e Gauss‐Seidel na forma algébrica.
Considere‐se o sistema linear Ax = b
Assumindo que ≠ 0 ∀ 1,2, … , , o primeiro passo na implementação dos
métodos de Jacobi e Gauss Seidel consiste no isolamento do vector x no lado esquerdo
mediante a separação pela diagonal.
A partir de aqui podemos construir as fórmulas iterativas para Jacobi e Gauss‐Seidel na
forma algébrica.
Gladys Castillo, 2010
8
Método de Jacobi
para k=1,2, …,
(k) (k-1) (k-1)
∀ j ≠ i – usar os valores
calculados na
(k) (k-1) (k-1) (k-1) iteração anterior
Método de Gauss‐Seidel:
para k=1,2, …,
(k) (k-1) (k-1)
Em cada iteração k do método Jacobi, para o cálculo da componente , usam‐se
todas as componentes , ,…, , ,…, calculadas na iteração
anterior. O método de Gauss‐Seidel difere do Jacobi, em que em cada iteração são
utilizados todos os valores da aproximação que foram acabados de calcular na
mesma iteração. Ou seja, no cálculo de cada componente no método de Gauss‐
Seidel, usam‐se os valores , ,…, previamente calculados na mesma
iteração e os valores , ,…, calculados na iteração anterior.
Desta forma, o método de Gauss‐Seidel, em cada iteração usa dados mais actualizados
que o método de Jacobi. Isto não significa que necessariamente o método de Gauss‐
Seidel converge sempre mais rapidamente.
Gladys Castillo, 2010
9
Exemplo (continuação)
Considere o sistema
⎧5 x1 + 2 x2 + 2 x3 = 15
⎪
⎨2 x1 + 3x2 + 6 x3 = 26
⎪ x + 3 x + x = 10
⎩ 1 2 3
Efectue três iterações dos métodos de Jacobi e de Gauss‐Seidel partindo da
aproximação 0 0 0 . Se necessário, reescreva o sistema por forma a poder
garantir a convergência de ambos os métodos para a solução exacta.
Anteriormente já tínhamos analisado que para garantir a convergência dos métodos
iterativos precisamos de reescrever o sistema por forma a que a matriz A seja
estritamente diagonal dominante por linhas
⎧5 x1 + 2 x 2 + 2 x3 = 15
⎪
⎨ x1 + 3 x 2 + x3 = 10
⎪2 x + 3 x + 6 x = 26
⎩ 1 2 3
O primeiro passo na implementação dos métodos de Jacobi e Gauss Seidel consiste no
isolamento do vector x no lado esquerdo mediante a separação pela diagonal.
⎧ 1
⎪ x1 = 5 (15 − 2 x 2 − 2 x3 )
⎪
⎪ 1
⎨ x 2 = (10 − x1 − x3 )
⎪ 3
⎪ 1
⎪ x3 = 6 ( 26 − 2 x1 − 3x 2 )
⎩
Gladys Castillo, 2010
10
Método de Jacobi
Uma vez isoladas as componentes do vector x, podemos construir a fórmula iterativa de
Jacobi na forma algébrica
⎧ (k ) 1 ( k −1) ( k −1)
⎪ x1 = 5 (15 − 2 x2 − 2 x3 )
⎪
⎪ (k ) 1 ( k −1) ( k −1)
⎨ x2 = (10 − x1 − x3 ) , k = 1,2 , ... ,
⎪ 3
⎪ (k ) 1 ( k −1) ( k −1)
⎪ x3 = 6 ( 26 − 2 x1 − 3x2 )
⎩
Observe que esta fórmula iterativa é equivalente à fórmula na forma matricial
construída anteriormente.
Efectuando algumas transformações algébricas obtém‐se:
⎧ (k ) 2 2
⎪ x1 = − x2( k −1) − x3( k −1) + 3
5 5
⎪
⎪ 1 1 10
⇔ ⎨ x2( k ) = − x1( k −1) − x3( k −1) + , k = 1,2,...,
⎪ 3 3 3
⎪ (k ) 1 ( k −1) 1 ( k −1) 13
⎪ x3 = − 3 x1 − 2 x2 +
⎩ 3
x(k) = G x(k‐1) + c
2 2
0 3
5 5 10
1 1
0 3 , 1, 2, …,
3 3 13
1 1
0 3
3 2
Gladys Castillo, 2010
11
Pela fórmula iterativa podemos então calcular três aproximações para k= 1, 2, …, a
partir de 0 0 0 .
⎧ (k ) 1 ( k −1) ( k −1)
⎪ x1 = 5 (15 − 2 x2 − 2 x3 )
⎪
⎪ (k ) 1 ( k −1) ( k −1)
⎨ x2 = (10 − x1 − x3 ) , k = 1,2 , ...,
⎪ 3
⎪ (k ) 1 ( k −1) ( k −1)
⎪ x3 = 6 ( 26 − 2 x1 − 3 x2 )
⎩
Para 1
⎧ (1) 1 1 15
⎪ x1 = 5 (15 − 2 x2 − 2 x3 ) = 5 (15 − 2 × 0 − 2 × 0) = 5 = 3.0000
(0) (0)
⎪
⎪ (1) 1 1 10
⎨ x2 = (10 − x1 − x3 ) == (10 − 0 − 0) = = 3.3333
(0) ( 0)
⎪ 3 3 3
⎪ (1) 1 1 26 13
⎪ x3 = 6 ( 26 − 2 x1 − 3x2 ) = 6 ( 26 − 2 × 0 − 3 × 0) = 6 = 3 = 4.3333
( 0) (0)
Para 2
⎧ ( 2) 1 1
⎪ x1 = 5 (15 − 2 x2 − 2 x3 ) = 5 (15 − 2 × 3.3333 − 2 × 4.3333) = −0.0067
(1) (1)
⎪
⎪ ( 2) 1 1
⎨ x2 = (10 − x1 − x3 ) == (10 − 3.0000 − 4.3333) = 0.8889
(1) (1)
⎪ 3 3
⎪ ( 2) 1 1
⎪ x3 = 6 ( 26 − 2 x1 − 3x2 ) = 6 ( 26 − 2 × 3.0000 − 3 × 3.3333) = 1.6667
(1) (1)
Para 3
⎧ ( 3) 1 1
⎪ x1 = 5 (15 − 2 x2 − 2 x3 ) = 5 (15 − 2 × 0.8889 − 2 × 1.6667) = 1.9778
( 2) ( 2)
⎪
⎪ ( 3) 1 1
⎨ x2 = (10 − x1 − x3 ) == (10 − (−0.0067) − 1.6667) = 2.8000
( 2) ( 2)
⎪ 3 3
⎪ ( 3) 1 1
⎪ x3 = 6 ( 26 − 2 x1 − 3x2 ) = 6 ( 26 − 2 × (−0.0067) − 3 × 0.8889) = 3.9111
( 2) ( 2)
⎩
Como resultado obtemos a aproximação 1.9778 2.8000 3.9111 da solução
exacta do sistema Ax = b.
Gladys Castillo, 2010
12
Método de Gauss‐Seidel
Uma vez isoladas as componentes do vector x, podemos construir a fórmula iterativa de
Gauss‐Seidel na forma algébrica
⎧ (k ) 1 ( k −1) ( k −1)
⎪ x1 = 5 (15 − 2 x2 − 2 x3 )
⎪
⎪ (k ) 1 ( k −1)
⎨ x2 = (10 − x1 − x3 ) , k = 1, 2 , ...,
(k )
⎪ 3
⎪ (k ) 1
⎪ x3 = 6 ( 26 − 2 x1 − 3 x2 )
(k ) (k )
⎩
Esta fórmula iterativa é diferente da fórmula de Jacobi unicamente porque em cada iteração
são utilizados todos os valores já calculados na presente aproximação . Observe‐se que no
cálculo da primeira componente são utilizados os valores e calculados na
iteração anterior 1. Porém, para calcular a componente é utilizado o valor acabado
de calcular em vez do anterior , pois já temos um valor mais actualizado desta
componente. Como ainda não temos calculado utilizamos o valor calculado na
anterior iteração. Finalmente, quando calculamos o valor de podemos utilizar os valores de
todas as restantes componentes e acabados de calcular na mesma iteração.
Para 1
⎧ (1) 1 1 15
⎪ x1 = 5 (15 − 2 x2 − 2 x3 ) = 5 (15 − 2 × 0 − 2 × 0) = 5 = 3.0000
(0) (0)
⎪
⎪ (1) 1 1
⎨ x2 = (10 − x1 − x3 ) == (10 − 3.0000 − 0) = 2.3333
(1) ( 0)
⎪ 3 3
⎪ (1) 1 1
⎪ x3 = 6 ( 26 − 2 x1 − 3x2 ) = 6 ( 26 − 2 × 3.0000 − 3 × 2.3333) = 2.1667
(1) (1)
⎩
Para 2
⎧ ( 2) 1 1
⎪ x1 = 5 (15 − 2 x2 − 2 x3 ) = 5 (15 − 2 × 2.3333 − 2 × 2.1667) = 1.2000
(1) (1)
⎪
⎪ ( 2) 1 1
⎨ x2 = (10 − x1 − x3 ) == (10 − 1.2000 − 2.1667) = 2.2111
( 2) (1)
⎪ 3 3
⎪ ( 2) 1 1
⎪ x3 = 6 ( 26 − 2 x1 − 3x2 ) = 6 ( 26 − 2 × 1.2000 − 3 × 2.2111) = 2.8278
( 2) ( 2)
⎩
Para 3
⎧ ( 3) 1 1
⎪ x1 = 5 (15 − 2 x 2 − 2 x3 ) = 5 (15 − 2 × 2.2111 − 2 × 2.8278) = 0.9844
( 2) ( 2)
⎪
⎪ ( 3) 1 1
⎨ x 2 = (10 − x1 − x3 ) == (10 − 0.9844 − 2.8278) = 2.0626
( 3) ( 2)
⎪ 3 3
⎪ ( 3) 1 1
⎪ x3 = 6 ( 26 − 2 x1 − 3x 2 ) = 6 ( 26 − 2 × 0.9844 − 3 × 2.0626) = 2.9739
( 3) ( 3)
Gladys Castillo, 2010
13
max |r | 9.8222
, ,
Para o método de Gauss‐Seidel
O vector resíduo associado à aproximação 0.9844 2.0626 2.9739
r(3) = b ‐ A x(3)
15 5 2 2 0.9844 0.0048
26 2 3 6 2.0626 0
10 1 3 1 2.9739 0.14611
Calculando a norma do máximo obtém‐se
max |r | 0.14611
, ,
Comparando as normas do vector resíduo podemos concluir que a melhor aproximação
ao finalizar três iterações é a obtida pelo método de Gauss‐Seidel.
Como conhecemos a solução exacta do sistema Ax = b, 1 2 3 , podemos ainda
calcular o erro absoluto cometido em cada aproximação.
e(3) = x ‐ x(3)
1 1.9778 0.9778
Jacobi 2 2.8000 0.8000 ⇒ max , , |e | 0.9778
3 3.9111 0.9111
1 0.9844 0.0156
Gauss‐Seidel 2 2.0626 0.0626 ⇒ max , , |e | 0.0626
3 2.9739 0.0261
Gladys Castillo, 2010
14
Implementação em MatLab
Para a implementação dos métodos iterativos de Jacobi e Gauss‐Seidel em MatLab
podem ser utilizados comandos de MatLab que permitem resolver o problema na forma
matricial ou utilizar duas rotinas, jacobi.m e gseid.m, que foram criadas e
disponibilizadas no pacote de rotinas da disciplina de Métodos Numéricos.
Para jacobi.m e
Entradas:
gseid.m
9 A (n x n) ‐ matriz dos coeficientes (não singular)
9 b (n x 1) ‐ vector dos termos independentes
9 xa (n x 1) ‐ vector aproximação inicial
9 delta ‐ tolerância de convergência do critério de paragem
o ( tolerância absoluta)
ou (tolerância relativa)
(é usada a norma máxima ‐ inf)
9 maxit ‐ máximo de iterações
Saída:
9 x (n x 1) ‐ vector aproximação da solução de Ax=b
No caso de ser definido outro critério de paragem, por exemplo, o critério pela norma
do resíduo, é preciso introduzir alterações no código destas rotinas, substituindo a
validação do critério implementado (tolerância absoluta ou relativa)
errox=norm(x'-xa,inf);
errorelx=errox/norm(x,inf);
if (errox < delta) | (errorelx < delta)
disp(' ');
disp('Gauss-Seidel converge com a tolerância desejada');
break;
end
pelo critério da norma do vector resíduo
if (norm(b-A*x',inf) < delta)
disp(' ');
disp('Gauss-Seidel converge com a tolerância desejada');
break;
end
Resolução do exemplo utilizando as rotinas jacobi.m e gseid.m
format long;
A=[5 2 2; 1 3 1; 2 3 6]
b=[15 10 26]'
X0=[0 0 0]' % solução inicial
delta = 0 % evita que pare pelo critério da tolerância absoluta
%e/ou relativa a não ser que encontre a solução exacta
maxit = 3 % número máximo de iterações
xJ =jacobi(A,b,X0, delta, maxit)
xGS =gseid(A,b,X0, delta, maxit)
norm_rJ=norm(b-A*xJ,inf) % norma infinito do vector resíduo
norm_rGS=norm(b-A*xGS,inf)
Gladys Castillo, 2010
15
Resolução do exemplo utilizando os comandos do MatLab para resolver os métodos de
Jacobi e Gauss‐Seidel pela forma matricial
format short;
% Dados de entrada
A=[5 2 2; 1 3 1; 2 3 6]
b=[15 10 26]'
x0=[0 0 0]' % solução inicial
% Metodo de Jacobi
D=diag(diag(A)) % matriz com elementos da diagonal de A
C =A-D % A= D + L + U -> C = L + U = A - D
Gj=-inv(D) * C % matriz de iteração de Jacobi
cj= inv(D) * b
x1 = Gj * x0 + cj
x2 = Gj * x1 + cj
x3 = Gj * x2 + cj
display (['Após k=', num2str(maxit),' iterações a solução
aproximada pelo método de Jacobi é'])
x=x3
% Metodo de Gauss-Seidel
L =[0 0 0; 1 0 0; 2 3 0]
U =[0 2 2; 0 0 1; 0 0 0]
C = inv(D+L) % C é a inversa de (D+L)
Ggs= - C * U % matriz de iteração de Gauss-Seidel
cgs= C * b
x1 = Ggs * x0 + cgs
x2 = Ggs * x1 + cgs
x3 = Ggs * x2 + cgs
display (['Após k=', num2str(maxit),' iterações a solução
aproximada pelo método de Gauss-Seidel é'])
x=x3
disp('Norma do resíduo Jacobi');
norm_rJ=norm(b-A*xJ,inf)
disp('Norma do resíduo Gauss-Seidel');
norm_rGS=norm(b-A*xGS,inf)
Gladys Castillo, 2010
16
Propostas de exercícios.
1. Resolver o sistema
⎧10 x1 + x 2 − x3 = 10
⎪
⎨ x1 + 10 x 2 + x3 = 12
⎪ 2 x − x + 10 x = 11
⎩ 1 2 3
pelo método de Jacobi na forma algébrica com 0 0 0 e tolerância absoluta 10 .
Calcule a norma de máximo do vector resíduo associado à aproximação encontrada.
2. Dado o sistema
⎧10 x1 + x2 + x3 = 10
⎪
⎨ x1 + 10 x2 + 8 x3 = 20
⎪ 7 x + x + 10 x = 20
⎩ 1 2 3
a) Verificar a convergência do método de Jacobi utilizando a condição suficiente nº 2 (CS2)
baseada no cálculo da norma da matriz de iteração G.
b) Partindo da aproximação inicial 0 0 0 , calcule uma aproximação
da solução do sistema dado utilizando o método de Jacobi na forma
matricial.
3. Dado o sistema
⎧4 x1 + 2 x 2 + 6 x3 = 1
⎪
⎨4 x1 − x 2 + 3x3 = 2
⎪ - x + 5 x + 3x =3
⎩ 1 2 3
a) Reescreva o sistema3 para poder garantir que os métodos de Jacobi e Gauss‐Seidel
convergem para a solução exacta do sistema Ax = b.
b) Partindo da aproximação inicial 40.9 31.2 37.5 calcule uma aproximação da
solução do sistema dado utilizando o método de Gauss‐Seidel na forma algébrica com
tolerância absoluta 10
3
A matriz A é quase diagonal dominante por linhas se se verificar que | aii |≥ ∑a
j ≠i
ij , ∀i . Neste caso os métodos
de Jacobi e Gauss‐Seidel convergem para a solução exacta mas a convergência é mais lenta
Gladys Castillo, 2010
17
4. Dado o sistema
⎧5 x1 + 2 x 2 + x3 = 7
⎪
⎨- x1 + 4 x 2 + 2 x3 = 3
⎪2 x − 3 x + 10 x = −1
⎩ 1 2 3
a) Verifique a convergência dos métodos de Jacobi e Gauss‐Seidel.
b) Partindo da aproximação inicial 1.2 1.2 0.2 aplique o métodos de Gauss‐Seidel
utilizando a forma algébrica por forma a determinar uma solução aproximada cujo vector
resíduo associado tenha norma de máximo inferior a 10‐2 .
5. Dado o sistema
⎧4 x1 + x 2 + x3 = 6
⎪
⎨ x1 + 6 x 2 + x3 = 8
⎪2 x + x + 8 x = 11
⎩ 1 2 3
a) Verifique a convergência do métodos de Jacobi utilizando a condição necessária e suficiente
(CNS nº 3) baseada no cálculo do raio espectral da matriz G de iteração.
b) Resolva pelo método de Jacobi (3 iterações) a partir da aproximação inicial
2.4, 5, 0.3 .
6. O sistema linear
1 1 2 1
2 3 2 1
1 2 1 1
pode ser resolvido pelo método iterativo
⎧ x1( k ) = 1 − x 2( k −1) − 2 x3( k −1)
⎪
⎪ (k ) 1 2 (k ) 2
⎨ x 2 = - + x1 + x3( k −1) , k = 1,2 ,3, ...
⎪ 3 3 3
⎪⎩ x3 = 1 − x1 − 2 x 2( k )
(k ) (k )
a) De que método iterativo se trata? Justifique.
b) Partindo de 0 0 0 , use o método iterativo considerado para calcular uma
aproximação da solução do sistema dado.
Soluções:
1. 1.0000 1.0001 0.9999 ; .91 10 ; 2. GJ 0.9 1; 0.86 1.06 1.55 ; 3 b)
41.1080 31.4286 37.7149 ; 4. 0.9995 0.9991 0.0002 ; .46 10 ; 5.a) ℘(GJ) =
0.4045 <1; 0.9500 1.0229 1.0547 ; 6. a) Gauss‐Seidel (em cada iteração são utilizados todos os valores já
calculados na presente aproximação … ler mais na pag 11); b) 2.0000 0.5556 2.1111
Gladys Castillo, 2010