Você está na página 1de 90

CCI-22

Matemtica Computacional l

Carlos Alberto Alonso Sanches Juliana de Melo Bezerra

CCI-22

3) ) Razes de Sistemas Lineares

Eliminao d El de Gauss, G Gauss-Jordan, G d Decomposio LU, Gauss-Jacobi, Gauss-Seidel

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Mtodos de resoluo
Para a resoluo de um sistema linear de equaes, h dois grupos de mtodos:
Mtodos diretos: a soluo obtida atravs da aplicao de um nmero finito de operaes aritmticas
Regra de Cramer Eliminao de Gauss e de Gauss-Jordan Decomposio LU

Mtodos iterativos: a soluo obtida atravs de uma sequncia de aproximaes sucessivas sucessivas, at se alcanar uma resposta que satisfaa a preciso exigida g
Gauss-Jacobi Gauss-Seidel

Sistemas m de Equaes q Lineares


Forma geral:
a11x1 + a12 x2 + ... + a1n xn = b1 a21x1 + a22 x2 + ... + a2n xn = b2 M an1x1 + an 2 x2 + ... + ann xn = bn

onde: aij j so os coeficientes xi so as incgnitas bi so os termos independentes p n a ordem do sistema

Forma matricial:
Ax = b
a11 a12 a a onde: A = 21 22 M M an1 an 2 L a1n L a2n O M L ann

x1 x x = 2 M xn

b1 b b = 2 M bn

Exemplo mp
Forma geral:
2x1 + 4x2 5x3 = 5 4x1 + 1x2 5x3 = 2 2x1 + 4x2 + 5x3 = 1

Forma F matricial: t i i l

2 4 5 x1 5 4 1 5.x = 2 2 2 4 5 x3 1

Clculo das f foras em m uma m trelia


Um exemplo:
1 2 4 5 6 3 F1 5 F2 4 7 8 9 10 7 6 11 12 13 14 9 F3 8 15 16 17 10

F1, , F2 e F3 so dadas

3 2

Condies de equilbrio:
Na juno 2:
Fx = f 45 45 + f4 + f =0 1 cos 5 cos 1 4 2 4 3 1 4 2 4 3 a a Fx = a f 1+f 4 + af 5 =0 1f 3 af 5 =0 Fy = a f

Na N juno jun 3:
2 +f 6 = 0 Fx = f 1+f 3 = 0 Fy = F

Idem para demais junes

Gerar um sistema de ordem 17

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Regra g de Cramer m
A aplicao p da regra g de Cramer, , em um sistema de ordem n, exige o clculo de quantos determinantes?
n para os numeradores e 1 para o denominador

Tempo mp de processamento p m
Seja m o tempo gasto para realizar uma multiplicao Seja detn o nmero de multiplicaes presentes no clculo do determinante de uma matriz de ordem n Podemos P d m s calcular l l o tempo t mp T gasto st apenas p n s com m multiplicaes, no caso de 17 equaes:
T = m.18.det m. 8.det17 T = m.18.(17 + 17.det16) T = m.18.(17 + 17.(16 + 16.det15)) T = m.18.(17 1 (1 + 17.(16 1 (16 + 16.(15 16 (15 + 15.det 15 d 14))) T = m.18.(17 + 17.(16 + 16.(15 + 15.(14 + 14.(... (3 + 3.(2)...)))))

Lembrando:

Tempo mp de processamento p m
T = m.18.(17 m. 8.( 7 + 17.(16 7.( 6 + 16.(15 6.( 5 + 15.(...(3 5.(...( + 3.(2)...))))) .( )...))))) T = m.( 2 . 3 . 4 . 5 + 3 . 4 . 5 + 4 . 5 + 5 : + + . . . . .... .... .... .... + + + + : 16 . 17 . 18 + 17 . 18 ) . . . . 17 17 17 17 . . . . 18 18 18 18

T = m.18!.(1 + (1/2!) + (1/3!) + ... + (1/16!)) T m . 9,6 . 1015

Tempo mp de processamento p m
Q Quantidade de multiplicaes: p 9,6 , . 1015 Utilizando um supercomputador atual:
1011 multiplicaes l i li por segundo d Tempo gasto: 9,6 . 104 s 1 dia

Se o sistema fosse de ordem 20, exigiria cerca de 28 anos de processamento nesse mesmo computador! Um algoritmo bem mais eficiente o Mtodo da Eliminao de Gauss, que gasta tempo O(n3)

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Mtodo da Eliminao m de Gauss


Objetivo: Objet vo
Transformao do sistema linear a ser resolvido em um sistema linear triangular

Operaes vlidas:
Troca da ordem das linhas Troca da ordem das colunas (com exceo dos termos independentes) Multiplicao de uma equao por um nmero real no nulo Substituio de uma equao por uma combinao linear entre ela mesma e outra equao

Sistemas m lineares triangulares g


Triangular inferior:
a11 0 a 21 a22 A = a31 a32 M M an1 an 2 0 K 0 K a33 K an 3 K M O 0 0 0 M ann

Triangular superior:
a11 a12 0 a 22 A= 0 0 M M 0 0 a13 K a1n a23 K a2n a33 K a3n M O M 0 K ann

Resoluo de um m sistema m triangular g


Exemplo:
3x1 4x2 x2 5x3 + x3 4x3 x4 2x4 0 = 1 = 3 = 2

5x4 2x4

Passos P d resoluo: da l
2 x4 = = 1 2
x2 + x3 2x4 = 1 x2 + 2 2 1 = 1 x2 = 1
4x3 5x4 = 3 x3 = 2 4x3 5 1 = 3

3x1 + 4x2 5x3 + x4 = 10 3x1 + 4 ( 1) 5 2 + 1 = 10 x1 = 1

Passos
Considere a matriz aumentada [Ab]:
a11 a12 K a1n b1 a a K a b 21 22 2n 2 [Ab] = M M O M M a a a a b n1 n 2 n 3 nn n
Substituir a linha L2 pela combinao linear: a L2 m21 L1, onde m21 = 21 a11 Se a11 = 0, 0 trocar L1 com Lk, onde ak1 0 Linha L1 Linha L2 Linha Ln

Passo 1: anular os coeficientes de x1 nas linhas L2 a Ln


Conhecido como piv

Passo i, 1 < i < n: anular os coeficientes de xi nas linhas Li+1 a Ln

Continuar analogamente para linhas Lj , 2 < j n

Se Lk no existir, ento o sistema no tem soluo

Exemplo mp 1
2x1 + 3x2 x3 = 5 2x1 3x2 + x3 = 1 4x1 + 4x2 3x3 = 3
2 3 1 5 [Ab] = 4 4 3 3 2 3 1 1
L2 = [0 2 1 7 ]
L3 = [2 L3 = [0 6 2 6]

a21 L2 = L2 m21 L1 , m21 = =2 a11


a31 L3 = L3 m31 L1 , m31 = =1 a11

L2 = [4 4 3 3] 2 [2 3 1 5]
3 1 1] 1 [2 1 5]

2 3 1 5 [Ab] = 0 2 1 7 0 6 2 6

Exemplo mp 1
[Ab] = 0
a32 L3 = L3 m32 L2 , m32 = =3 a22
L3 = [0 0 5 15]

2 1 7 0 6 2 6

L3 = [0 6 2 6] 3 [0 2 1 7]

2 3 1 5 [Ab] = 0 2 1 7 0 0 5 15

5x3 = 15 x3 = 3 2x2 x3 = 7 2x2 3 = 7 x2 = 2 2x + 3 x x = 5 2x +6 3 = 5 2x = 2 x = 1 2 3 1 1 1 1

Algoritmo g m
Sistema linear Ax = b de ordem n:
EliminaodeGauss { para k=1 at n-1 p para i=k+1 at n { m = aik/akk // akk 0 aik = 0 para j=k+1 j k+1 at n aij = aij m.akj bi = bi m.bk } xn = bn/ann para k=n-1 at 1 { s = 0 para j=k+1 at n s = s + akj.xj xk = (bk s)/akk }

Eliminao

Sistema triangular

Complexidade de tempo: O(n3)

Exemplo mp 2
27 x1 + 110 x2 3x3 = 134 22x1 + 2x2 + 14 x3 = 38
4 52 57 1 [Ab] = 27 110 3 134 22 2 14 38

Nos clculos a seguir, consideraremos F(10,3,-5,5):


L2 = [0 2 1400 1410 ] L2 = L2 m21 L1 = [27 110 3 134] (27 / 1) [1 4 52 57 ]

L3 = [0 86 1130 1210 ]

L3 = L3 m31 L1 = [22 2 14 38] (22 / 1) [1 4 52 57 ]

4 52 57 1 [Ab] = 0 2 1400 1410 0 86 1130 1210

Exemplo mp 2
[Ab] = 0 2 1400 1410 0 86 1130 1210
L3 = [0 0 61300 61800] L3 = L3 m32 L2 = [0 86 1130 1210 ] ( 86 / 2) [0 2 1400 1410 ]

Apenas 3 algarismos so representados x3 = -61800/(-61300) = 1,01

52 57 1 4 [Ab] = 0 2 1400 1410 0 0 61300 61800


No entanto, a soluo exata : x1 = 1 x2 = 1 x3 = 1

x2 = [-1410 [ 1410 (-1400) ( 1400)1,01]/2 1 01]/2 = 0 0,0 0 x1 = [57 - 521,01 - 40,0]/1 = 4,5

Pivoteamentos m parcial e completo p mp


Pivs pequenos geram multiplicadores grandes, que aumentam os erros de arredondamento... Uma simples alterao no mtodo de Gauss escolher como piv i o elemento l de d maior i mdulo d l :
em cada coluna (pivoteamento parcial) dentre todos os elementos possveis no processo de eliminao (pivoteamento completo): exige um maior esforo computacional

Voltemos a resolver o exemplo anterior com preciso de 3 casas decimais, mas com pivoteamento parcial:

4 52 57 1 27 110 3 134 22 2 14 38

27 110 3 134 1 4 52 57 22 2 14 38

Exemplo mp 2 com mp pivoteamento m parcial p


L2 = [0 0,07 52,1 52] L3 = L3 m31 L1 = [22 2 14 38] (22 / 27) [27 110 3 134] L3 = [0 87,6 16.5 71]
110 3 134 27 0 0 , 07 52 , 1 52 0 87,6 16,5 71
7 110 3 134 27 0 87,6 16,5 71 0 0,07 52,1 52

L3 = [0 0 52,1 52,1]

L3 = L3 m32 L2 = [0 0,07 52,1 52] (0,07 / 87,6) [0 87,6 16,5 71]


3 134 27 110 0 87 , 6 16 , 5 71 0 0 52,1 52,1

x3 = 52,1/52,1 = 1 x2 = [-71-16,5 [ 71 16 51]/(-87,6) 1]/( 87 6) = 0,999 0 999 x1 = [134 (-3)1 1100,999]/27 = 1,00

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Mtodo de GaussGauss-Jordan
Consiste em efetuar operaes p sobre as equaes do sistema com a finalidade de transform-lo em um sistema diagonal g equivalente, isto , so nulos todos os coeficientes aik, quando q ik
a11 0 0 a 22 A= 0 0 M M 0 0 0 0 a33 M 0 K K L O K 0 0 0 K ann

Exemplo mp
5x1 + 2x2 + 3x3 = 2 2x1 + 3x2 + 2x3 = 4
1 2 3

1 5 1 1 5 2 3 2 [Ab] = 2 3 2 4

Pivoteamento

5 2 3 2 1 5 1 1 2 3 2 4

L3 = L3 m31 L1 = [2 3 2 4] (2 / 5) [5 2 3 2] L3 = [0 2,2 0,8 3,2]


3 1 5 2 [Ab] = , , , 0 4 6 0 4 0 6 0 2,2 0,8 3,2

L2 = [0 4,6 0,4 0,6]

L2 = L2 m21 L1 = [1 5 1 1] (1 / 5) [5 2 3 2]

Exemplo mp
[Ab] = 0
L3 = [0 0 0,609 2,913]
4,6 0,4 0,6 0 2,2 0,8 3,2

L3 = L3 m32 L2 = [0 2,2 0,8 3,2] (2,2 / 4,6) [0 4,6 0,4 0,6]

3 1 5 2 [Ab] = 0 4 , 6 0 , 4 0 , 6 0 0 0,609 2,913

L2 = L2 m23 L3 = [0 4,6 0,4 0,6] (0,4 / 0,609) [0 0 0,609 2,913] L2 = [0 4,6 0 1,313]

Exemplo mp
[Ab] = 0
0 4,6 0 1,313 0,609 2,913 0

L1 = [5 0 3 1,571]

L1 = [5 2 3 1] (2 / 4,6) [0 4,6 0 1,313]


L1 = [5 0 3 1,571] (3 / 0,609) [0 0 0,609 2,913] L1 = [5 0 0 12,78]
A soluo :
x1 = -2,556 x2 = -0,2854 0 54 x3 = 4,783

0 12,78 5 0 [Ab] = , , 0 4 6 0 1 313 0 0 0,609 2,913

Outra aplicao p
Uma variao do mtodo de Gauss-Jordan pode ser utilizada para se encontrar a inversa de uma matriz A q quadrada de ordem n Basta transformar a matriz A na correspondente matriz identidade, identidade aplicando essas mesmas operaes em uma matriz identidade de ordem n

[A|I] |

Gauss-Jordan Gauss Jordan

-1 [I|A | ]

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Refinamento f m p por resduos


Se x(1) for encontrado como soluo do sistema Ax = b, ento o erro dessa soluo x x(1) Multiplicando esse erro por A A:
A(x - x(1)) = b Ax(1) = r(1)
resduo

O resduo pode ser utilizado para se encontrar uma soluo melhorada x(2):
x(2) = x(1) + (1), onde (1) um vetor de correo Ax(2) = b A(x(1) + (1)) = b A(1) = b - Ax(1) = r(1) (1) encontrado resolvendo-se resolvendo se o sistema A = r(1)

Esses clculos permitem um processo de refinamento fi t d da soluo l d do sistema i t A Ax = b

Exemplo mp
Considere o sistema abaixo, que ser resolvido em uma mquina que trabalha com apenas dois dgitos decimais significativos :
3,0x1 + 2,5x2 = 5,5 16x1 + 5,0x2 = 21

Atravs do mtodo de Gauss, podemos encontrar a soluo abaixo:


x
(1 )

1,0 = 0 , 94

Clculo do resduo:
r
(1 )

= b Ax

(1 )

0,30 = 0 , 15

No est N t bom...

Exemplo mp
Clculo do vetor de correo (1):
16 5,0 1(1) 0,30 3,0 2,5 (1) = 0,15 2

Vetor de correo: Soluo melhorada: Novo resduo:


r
( 2)

(1 )

6 0,00063 = 0 , 058
=x
(1 )

Arredondamento aqui

( 2)

(1 )

1,0 = 1,0

= b Ax

( 2)

0,0 = 0 , 0

(2) ) Portanto, x( Portanto soluo exata

Melhor aproximao p m
Dado um sistema Ax = b, sejam y e z duas aproximaes d soluo da l exata t x. Como C saber b qual l delas d l melhor? lh ? A estratgia mais lgica parece ser comparar os respectivos resduos: o menor seria da melhor soluo Infelizmente, isso nem sempre verdade... Exemplo E l na mesma s mquina i de d 2 dgitos d it s d decimais: i is
0,24x1 + 0,36x2 + 0,12x3 = 0,84 0,12x1 + 0,16x2 + 0,24x3 = 0,52 0,15x + 0,21x + 0,25x = 0,64 1 2 3
25 y= 14 1 3 z= 4 0 0,00 ry = 0,00 0,08 0,12 rz = 0,24 0,25 3 x= 4 1

Concluso: nem sempre p a aproximao p de menor resduo a mais exata Se a busca p por resduos menores no garante g melhores solues, como saber se o processo de refinamento por resduos funciona?

Condicionamento m de problemas p m
Um problema dito mal condicionado se pequenas alteraes nos dados de entrada (A ou b) ocasionam grandes erros no resultado final Exemplo em outra mquina de 3 dgitos decimais:
0,961x + 0,844y = 0,119 0,481x + 0,422y = 0,060
Soluo: x=1,00 e y=-0,998

Suponha que os valores desse sistema sejam obtidos experimentalmente, e por isso os termos independentes possam variar de 0,001: 0 001:
0,961x + 0,844y = 0,120 0,481x + 0,422y = 0,060
Valor l perturbado b d

Soluo: x=0,00 e y=0,142

Erro na entrada: (|0,119-0,120|/|0,119|) 0,8% Erro no resultado: (|-0,998-0,142|/|-0,998|) 114%

Em problemas mal condicionados, alta preciso nos clculos no significa quase nada, pois os resultados obtidos no so confiveis...

Interpretao p geomtrica g m
Considere os seguintes g sistemas:
x + 3y = 11 (a) 1,5x + 4,501y = 16,503 (b)
(a) x + 3y = 11 1,5x + 4,501y = 16,500 (c)

Soluo: x=2 e y=3


y

Soluo: x=10,28 e y=0,24

(a) (b) ( ) (c)

Uma m mtrica m de condicionamento m


Em mquinas com grande preciso, geralmente no faz sentido refinar os resultados... No entanto, , empiricamente mp m , os refinamentos f m ajudam j ma identificar o condicionamento de um sistema linear:
Se as correes (1), (2), ..., (n) forem grandes, ento o

sistema ser mal condicionado

Em sistemas bem condicionados, bastam dois refinamentos: (3), ..., (n) sero prximos do psilon da mquina

Importante: p nesse processo p de verificao, , o vetor b no pode ser nulo


Caso contrrio, mesmo em um sistema mal condicionado, a soluo exata ser nula, com correes tambm nulas...

Exemplo mp
Considere o sistema abaixo em F(10,5,-98,100):
2,4759x1 + 1,6235x2 + 4,6231x3 = 0,064700 1,4725x1 + 0,95890x2 1,3253x3 = 1,0473 2,6951x + 2,8965x 1,4794x = 0,67890 1 2 3

1,8406 x (1 ) = 2 , 0717 0,24419

Primeiro refinamento em F(10,10, F(10 10 -98 98,100): 100):


r(1) = b Ax(1) 0,0647 0,064821801 0,00012180 = 1,0473 1,047355377 = 0,000055377 0,6789 0,678823304 0,000076696

Resduos pequenos p q

Resoluo de A = r(1):

(1 )

0,0000042282 0,000025110 = 0,000057765

Correes relativamente pequenas

Soluo melhorada x(2) = x(1) + (1):


x (2 ) 1,8405 = 2 , 0717 0,24419

Outra m mtrica de condicionamento m


Mostraremos agora outra maneira de identificar o mal condicionamento de um sistema linear no Ax = b di i d i li singular i l A Vamos supor que os dados esto sujeitos a certas perturbaes, b e analisaremos li seus efeitos f i na soluo l Inicialmente, seja b + b uma perturbao no vetor de

termos independentes i d d

Desse modo, a soluo tambm ser perturbada, ou seja, teremos A(x A( + x) ) = b + b Desejamos encontrar uma relao entre x e b, pois, conhecendo h d o tamanho h da d perturbao b b, b poderemos d estimar x, e verificar ento se o sistema ou no mal condicionado Para isso, teremos que rever o conceito de normas

Normas m de vetores
Dado um vetor x do espao p vetorial E, , chama-se norma de x (denotada por ||x||) qualquer funo definida em E com valores em R que satisfaz as seguintes condies:
||x|| 0 ||x|| = 0 se e somente se x for o vetor nulo ||x|| = ||.||x||, para todo escalar ||x+y|| ||x|| + ||y||, onde y E

Exemplos de normas de vetores em E = Rn:


||x|| = mxi |xi| ||x||1 = i|xi| ||x||E = (ixi2)1/2

Normas m de matrizes m
p vetorial E de matrizes Dada uma matriz A do espao quadradas de ordem n, chama-se norma de A (denotada por ||A||) qualquer funo definida em E com valores em R que satisfaz ti f as seguintes i t condies: di
||A|| 0 ||A|| || || = 0 se e somente se A for a matriz nula l ||A|| = ||.||A||, para todo escalar ||A+B|| || || || ||A|| || + || ||B||, || onde B E

Exemplos de normas de matrizes, onde A = (aij):


Norma linha: ||A|| = mxi j|aij| Norma coluna: ||A||1 = mxj i|aij| Norma euclidiana: ||A||E = (i,jaij2)1/2

Usando normas m
Desenvolvendo a equao A(x + x) = b + b :
Ax + Ax = b + b Como Ax = b, ento Ax = b
1 b Desde D d que A no singular, i l ento t x = A-1

Se uma norma de matriz e uma norma de vetor esto relacionadas de tal modo que satisfaa a desigualdade ||Ax|| ||A||.||x||, para qualquer vetor x de ordem n, ento dizemos d zemos que as duas normas so cons consistentes stentes Usando normas consistentes:
||x|| ||A-1||.|| || ||b|| De Ax = b, tambm temos ||b|| ||A||.||x||

Multiplicando as inequaes membro a membro:


||x||.||b|| ||A||.||A-1||.||b||.||x||

Nmero m de condio
||x||.||b|| ||A||.||A-1||.||b||.||x|| ||x||/||x|| ||A||.||A-1||.||b||/||b|| ||x||/||x|| || || || cond(A).|| ( ) ||b||/||b|| || || || Observaes:
Nmero de condio de A: cond(A) = ||A||.||A-1|| ||A.A-1|| = ||I|| = 1 ||b||/||b|| uma medida do erro relativo em b O erro em ||x||/||x|| depender de cond(A), que maior ou igual a 1 Se cond(A) for grande, ento pequenas perturbaes relativas em b produziro grandes perturbaes relativas em x, e o t ma Ax = b ser r mal ma condicionado c n c na sistema Geralmente, sistemas com cond(A) 104 so considerados mal condicionados

Outro caso possvel p


Consideremos agora outro caso possvel: o vetor b conhecido exatamente, exatamente mas ocorre uma perturbao na matriz A. Teremos, portanto, (A + A)(x + x) = b Desenvolvendo:
(x + x) = (A + A)-1b Equao (*) (A + A) )-1b - A-1b Como x = A-1b, temos: x = ( x = [(A + A)-1 - A-1]b Seja B = A + A: B-1 A-1 = (A-1A)B-1 A-1(BB-1) = A-1(A B)B-1 1 - A-1 1)b = [A-1 1(A B)B-1 1]b = [A-1 1(A (A + A))(A + A)-1 1]b x = (B-1 x = -A-1A(A + A)-1b 1A(x + x) Utilizando a equao ( (*): ): x = -A A-1

Aplicando normas consistentes em ambos os membros:


1||.|| ||x|| || ||A-1 || ||A||.||(x A|| ||( + x)|| )||

||x|| /||(x + x)|| cond(A).||A||/||A||: semelhante ao anterior

Exemplo mp
Analisar o sistema linear abaixo:
1,2969 0,8648 x1 0,8642 0,2161 0,1441 x = 0,1440 2

Atravs de Gauss-Jordan, podemos calcular A-1:


0,1441 0,8648 A = 10 0 , 2161 1 , 2969
1 8

Usando a norma linha, que consistente:


||A|| = 2,1617 ||A-1|| = 1,5130.108 1|| 3,3.10 cond(A) = ||A||.||A ||A-1 3 3 108 Concluso: sistema mal condicionado

Alguns g comentrios m
Um sistema mal condicionado se for excessivamente sensvel l a perturbaes t b em seus dados d d d de entrada t d A soluo de um sistema mal condicionado, mesmo calculada com grande preciso, pode ser pouco exata Geralmente, essa situao pode ser detectada quando:
no processo de refinamento refinamento, as correes permanecem grandes o nmero de condio da matriz A for muito maior que a unidade

Importante:
Resduos pequenos no garantem a qualidade de uma soluo A prec preciso so da mqu mquina na influi nf u no condicionamento cond c onamento do sistema s stema H sistemas lineares em que o processo de refinamento converge para uma soluo, mas a matriz A tem um nmero de condio grande rande (por exemplo exemplo, da ordem de 102 ou 103). ) Nestes casos, o sistema est prximo de ser mal condicionado, ou seja, a soluo encontrada pode no ser confivel...

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Outra f forma m de ver...


Consideremos o sistema de 3 equaes Ax = b:
a11 A= a21 a31 a22 a32 a12 a13 (0) a23 = A a33
x1 x= x 2 x3
b1 b= b 2 b3

Aps p a primeira p fase da eliminao de Gauss:


A(1 )
(1 ) a11 = 0 0 (1 ) a12 (1 ) a22 (1 ) a13 (1 ) a23 = M( 0 ) .A( 0 ) , (1 ) a33

onde M( 0 )

(1 ) a32

0 0 1 = m 1 0 21 m31 0 1

Aps a segunda fase da eliminao de Gauss:


A(2 )
(2 ) a11 = 0 0 (2 ) a12 (2 ) a22 0 (2 ) a13 (2 ) (1 ) (1 ) = M . A , a23 (2 ) a33

onde d M (1 )

0 0 1 0 = 1 0 0 m32 1

Outra f forma m de ver...


Resumindo:
A = A(0) A(1) = M(0).A(0) = M(0).A A(2) = M(1).A A(1) = M(1).M M(0).A A A = (M(1).M(0))-1.A(2) A=( (M(0))-1.(M ( (1))-1.A(2)

fcil comprovar que:

Portanto:

0 1 m (M( 0 ) )1(M(1) )1 = 1 21 m31 m32


(2 ) a12 (2 ) a22 0 (2 ) a13 (2 ) a23 = L.U (2 ) a33

0 0 1

(2 ) 0 0 a11 1 A = m21 1 0 0 m31 m32 1 0

Decomposio mp LU
A comprovao anterior pode ser generalizada em um teorema:
0 0 1 m 0 21 1 A = L.U = m31 m32 1 M M M mn1 mn2 mn3 K 0 u11 u12 u13 0 u K 0 u23 22 2 K 0 0 0 u33 O 0 M M M K 1 0 0 0 K u1n K u2n K u3n O M K unn

Dada uma matriz quadrada de ordem n, seja Ak a matriz constituda d d das primeiras k l linhas h e colunas l de d A. Suponha que det(Ak) 0, 0 k n-1. Ento:

Existe uma nica matriz triangular inferior L=(mij), ) com mii = 1, 1 1 i n. Os demais so os multiplicadores da Eliminao de Gauss Existe uma nica matriz triangular superior U=(uij j), tais que L.U = A det(A) = u11.u22. ... .unn

Decomposio mp LU
Portanto, dados o sistema linear Ax = b e a d decomposio si ( (ou f fatorao) t ) LU d da matriz t i A A, t temos: s: Chamando Ux = y, y o sistema original passa a ser Ly = b, b ou seja, surgem dois sistemas triangulares , fcil verificar que q y = L-1.b o vetor b Por outro lado, acumulando as operaes da Eliminao de Gauss Por exemplo, no caso de um sistema com 3 equaes: Vantagem da decomposio A = L.U: L U: uma vez calculadas as matrizes L e U (em tempo cbico), resolvemos mais p m (em ( m tempo mp quadrtico) q ) outros sistemas m rapidamente com a mesma matriz A. Isso til, por exemplo, no refinamento por resduos
Como L = (M(0))-1.(M(1))-1, ento L-1 = M(1).M(0) Portanto, y = M(1).M(0).b Ax = b (L.U)x = b

Exemplo mp
3x1 + 2x2 + 4x3 = 1 x1 + x2 + 2x3 = 2
multiplicadores

4x1 + 3x2 + 2x3 = 3


3 2 4 A= 1 1 2 4 3 2
4 3 2 0 1 / 3 2 / 3 0 1 / 3 10 / 3

2 4 3 1 / 3 1 / 3 2 / 3 4 / 3 1 / 3 10 / 3

2 4 3 1 / 3 1 / 3 2 / 3 4 / 3 1 4

1 0 0 L= 1 / 3 1 0 4 / 3 1 1

4 3 2 U= 0 1 / 3 2 / 3 0 0 4

Tempo cbico

Exemplo mp
3x1 + 2x2 + 4x3 = 1 x1 + x2 + 2x3 = 2

4x1 + 3x2 2x3 = 3

1 0 0 L= 1 / 3 1 0 4 / 3 1 1

4 3 2 U= 0 1 / 3 2 / 3 0 0 4
1 5 / 3 y= 0

Ax = b L =b Ly
y1 = 1

LUx = b L

1 / 3y1 + y2 = 2 4 / 3y1 + y2 + y3 = 3
1 / 3 x2 + 2 / 3 x3 = 5 / 3 4x3 = 0 3x1 + 2x2 + 4x3 = 1

Ux = y

3 x= 5 0

Tempo quadrtico d i

Outra aplicao p
A decomposio p LU tambm til no clculo da matriz inversa Resolver o sistema s stema AX = B, onde A, X e B so matrizes de ordem n, o mesmo que resolver n sistemas s st mas Ax = b, , onde on x e b so vetores tor s de tamanho n A inversa A-1 da matriz A pode ser encontrada atravs da resoluo do sistema AX = I, I onde I a matriz identidade Nesse caso, basta realizar uma nica vez a decomposio LU da matriz A A, e depois utiliz-la na resoluo de n sistemas

Decomposio mp LU com m pivoteamento p m


possvel incorporar as estratgias de pivoteamento parcial i l ou completo l t d decomposio i LU Uma matriz quadrada P de ordem n uma matriz de permutao se for obtida da correspondente matriz identidade atravs de permutaes em suas linhas ou colunas As eventuais permutaes de linhas ou colunas na matriz A(k), obtida em um passo intermedirio da Eliminao de Gauss, podem ser realizadas atravs da multiplicao por uma matriz de permutao Exemplo: E l
3 1 4 A(k ) = 1 5 9 2 6 5

0 1 0 3 1 4 1 5 9 .1 5 9 = 2 6 5 P.A(k ) = 0 0 1 1 0 0 2 6 5 3 1 4

Exemplo mp com m pivoteamento p m parcial p


3x1 4x2 + x3 = 9 x1 + 2x2 + 2x3 = 3 4x1 3x3 = 2

A( 0 )

3 4 1 1 2 2 = 4 0 3

P( 0 )

0 0 1 = 0 1 0 1 0 0

A'( 0) = P( 0) .A( 0)

4 0 3 = 1 2 2 3 4 1

0 3 4 1 0 0 (1 ) A(1 ) = 1 4 2 11 4 / / P = 0 0 1 3 / 4 4 13 / 4 0 1 0

A'(1 )

0 3 4 / / = P(1 ) .A(1 ) = 3 4 4 13 4 1 / 4 2 11 / 4

Exemplo mp com m pivoteamento p m parcial p


0 3 4 A(2) = 3 4 4 13 4 / / 5 / 8 1 / 4 1 / 2 35 3 0 0 4 0 1 U= 0 4 13 / 4 L= 3 / 4 1 0 0 0 35 / 8 1 / 4 1 / 2 1 L.U L U = A = P.A, P A onde d P = P(1).P P(0):

0 0 1 3 4 1 4 0 3 . 1 2 2 = 3 4 1 A' = P.A = 1 0 0 0 1 0 4 0 3 1 2 2
Ax = b PAx = Pb LUx = Pb

Exemplo mp com m pivoteamento p m parcial p


3x1 4x2 + x3 = 9 x1 + 2x2 + 2x3 = 3 4x1 3x3 = 2

0 0 1 L= 3 / 4 1 0 1 / 4 1 / 2 1

3 4 0 U= 0 4 13 / 4 0 0 35 / 8

Ax = b Ly = Pb

LUx = Pb
2 y= 21 / 2 35 / 4

0 0 y1 0 0 1 9 1 3 / 4 . y = 1 0 0. 3 1 0 2 0 1 0 1 / 4 1 / 2 1 y3 2

Ux = y

3 x1 2 4 0 0 4 13 / 4 .x = 21 / 2 2 0 0 35 / 8 x3 35 / 4

1 x= 1 2

Algoritmo g m
Decomposio LU com pivoteamento parcial em um sistema de ordem n Sada: matriz D = L+U-I e matriz de permutao P
LUPivotParcial { D = A P = I // matriz de ordem n // identidade id id d d de ordem d n

para j=1 at n-1 { q = j max = |djj| para k=j+1 at n { se | |dkj| > max ento { max = |dkj| q = k } \\ continua...

Escolha do piv

Algoritmo g m (continuao) ( )
LUPivotParcial { // continuao se q j ento { para k=1 k 1 at n { t = djk Troca das linhas q e j djk = dqk dqk = t } trocar linhas q e j em P se |djj| = 0 ento parar (A singular) seno { r = 1/djj para i=j+1 at n { m = dij.r dij = m Eliminao para k=j+1 at n dik = dik m.djk } }

} return D, P

Complexidade de tempo: O(n3)

MatLab
No MatLab 7.8 (2009), os nmeros reais so armazenados em 64 bit (preciso bits ( i d dupla l d da IEEE) IEEE), ou seja, j possuem 16 dgitos d it decimais d i i A\b
Vetor coluna com a soluo do sistema linear Ax = b

inv(A)
Inversa da matriz A

[L,U] = lu(A)
Matrizes L e U recebem a decomposio LU da matriz A, usando pivoteamento p parcial, i l onde nd L acumula m l a permutao p m t

[L,U,P] = lu(A)
Idem, retornando tambm a matriz de permutao P tal que P.A = L.U

linsolve(A,b)
Vetor coluna com a soluo de Ax = b, usando LU com pivoteamento parcial

cond(A,x)
Nmero de condio da matriz A (x =1: norma coluna ; x = Inf: norma linha)

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Mtodos iterativos
Como foi inicialmente comentado, os mtodos iterativos para resoluo de sistemas lineares consistem em encontrar uma sequncia de aproximaes sucessivas Dada uma estimativa inicial x(0), calcula-se a sequncia x(1), x(2), x(3) ..., at que determinado critrio de parada seja j satisfeito ti f it O sistema Ax = b transformado em x(k) = Cx(k-1) + g, k 0 onde k>0, d C uma matriz i e g um vetor Possveis critrios de parada:
mximo erro absoluto ou relativo nmero de iteraes

Principais mtodos: Gauss-Jacobi e Gauss-Seidel

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Mtodo de GaussGauss-Jacobi
Considere o sistema linear em sua forma inicial:
a11x1 + a12x2 + ... + a1n xn = b1 a21x1 + a22x2 + ... + a2n xn = b2 M M O M M an1x1 + an2x2 + ... + ann xn = bn

Isolando a i-sima incgnita na i-sima equao:


x1 = (b1 - a12 x2 - ... - a1n xn)/a11 x2 = (b2 - a21 x1 - ... - a2n xn)/a22 ... xn = (bn - an1 x1 - ... - an,n-1 xn-1)/ann

Mtodo de GaussGauss-Jacobi
iterao calculada iterao anterior

Dessa forma, seja x(k) = Cx(k-1) + g, onde k>1:


0 a / a C = 21 22 M an1 / ann a12 / a11 0 M a1n / a11 L a2n / a22 O M L 0 L

an2 / ann

b1 / a11 b / a g = 2 22 M b / a n nn

Exemplos de critrios de parada:


Erro absoluto: d(k) = max|xi(k) xi(k-1)| < Erro E relativo: l dr(k) = d(k)/(max|x /( | i(k)|) <

Exemplo mp
10x1 + 2x2 + x3 = 7 x1 + 5x2 + x3 = 8
2 / 10 1 / 10 0 C= 1 / 5 0 1 / 5 0 1 / 5 3 / 10

2x1 + 3x2 + 10x3 = 6


0,7 = 1,6 = g 0,6

7 / 10 g = 8 / 5 6 / 10

= 0,05

( 0)

escolha arbitrria

0,96 x(1 ) = Cx( 0 ) + g = 1 , 86 0,94

|x1(1) x1(0)| = 0,26 | , |x2(1) x2(0)| = 0,26 |x3(1) x3(0)| = 0,34 dr(1) = 0,34/(max |xi(1)|) = 0,1828 >

Exemplo mp
2 / 10 1 / 10 0 C= 1 / 5 0 1 / 5 0 1 / 5 3 / 10

7 / 10 8/5 g= 6 / 10

0,96 1,86 x (1 ) = 0,94

(2 )

0,978 = Cx(1 ) + g = 1 , 98 0,966

dr(2) = 0,12/1,98 = 0,0606 >

x (3)

0,9994 = Cx(2) + g = 1 9888 , 0,9984

dr(3) = 0,0324/1,9888 = 0,0163 <

Critrio das linhas


Em um m mtodo m iterativo, , a convergncia g para p a soluo exata no garantida: preciso que o sistema m satisfaa f alguns g requisitos q H uma condio suficiente para a convergncia d Mtodo do Mt d de Gauss Gauss-Jacobi, Jac bi conhecido c nhecid c como m o critrio das linhas :

a
j=1 ji

ij

< aii , para i = 1, 2,..., n

Exemplos mp
Considere o exemplo anterior:
10x1 + 2x2 + x3 = 7 x1 + 5x2 + x3 = 8
2+1 < 10 1+1 < 5 2+3 < 10 Garantia de convergncia i

2x1 + 3x2 + 10x3 = 6

Considere o exemplo abaixo:


x1 3x2 = 3 x1 + x2 = 3
1=1 1<3 No h garantia de convergncia

N No entanto, t t o mtodo t d d de G Gauss-Jacobi J bi converge neste t sistema i t para a soluo exata x1 = x2 = 3/2. Verifique! Isso mostra q que o critrio das linhas suficiente, mas no necessrio

Demonstrao m
Sejam:
x* = [x1, x2, ..., xn]T: a soluo exata de Ax = b x(k) = [x(k)1, x(k)2, ..., x(k)n]T: a k-sima aproximao de x* e(k) = x(k) x*: erro na k-sima aproximao

Queremos garantir que limk e(k)i = 0, 1in Sabemos que:


x*1 = (b1 - (a12x*2 + a13x*3 + ... + a1nx*n))/a11 x(k)1 = (b1 - (a12x(k-1)2 + a13x(k-1)3 + ... + a1nx(k-1)n)/a11

Calculando e(k)1 = x(k)1 x*1, temos:


e(k)1 = -(a12e(k-1)2 + a13e(k-1)3 + ... + a1ne(k-1)n)/a11

Analogamente:
e(k)2 = -(a21e(k-1)1 + a23e(k-1)3 + ... + a2ne(k-1)n)/a22 e(k)n = -(an1e(k-1)1 + an2e(k-1)2 + ... + an(n-1)e(k-1)n-1)/ann

Demonstrao m (continuao) ( )
Sejam:
E(k) = mx1in{|e(k)i|} i = (|ai1| + ... + |ai(i-1)| + |ai(i+1)| + ... + |ain|)/|aii|, 1in Quando o critrio das linhas satisfeito, i < 1

Quando k, x(k)x* equivalente a E(k)0 Demonstraremos que E(k) .E(k-1), onde = mx1in{i} Para 1 i n:

Portanto, E(k) .E(k-1) Consequentemente, E(k)/E(k-1) Como <1, ento E(k)0 quando k: h convergncia!

e(k)i = -(ai1e(k-1)1 + ... + ai(i-1)e(k-1)i-1 + ai(i+1)e(k-1)i+1 + ... + aine(k-1)n)/aii (k 1) | + ... + |a (k 1) | + |a (k 1) | + ... + |e | (k)i| (| (|ai1|.|e | | (k-1) | i(i-1)|.|e | | (k-1) | i(i+1)|.|e | | (k-1) 1 i-1 i+1 |ain|.|e(k-1)n|)/|aii| | |e(k)i| (| (|ai1| + ... + | |ai(i-1)| + | |ai(i+1)| + ... + | |ain|) |).E(k-1)/|a | ii| |e(k)i| i.E(k-1)

Mais um m exemplo mp
Considere o sistema a seguir:
5x1 + 2x2 + 2x3 = 3 6x2 + 8x3 = 6 x1 + 3x2 + x3 = 2
3+1 > 1 5+2 > 2 6<8 No h garantia d convergncia de i

No entanto, uma permutao entre as duas primeiras linhas garante a convergncia:

5x1 + 2x2 + 2x3 = 3 x1 + 3x2 + x3 = 2 6x2 + 8x3 = 6

2 2<5 2+2 1+1 < 3 6<8

Garantia de convergncia

Quando o critrio das linhas no for satisfeito, convm tentar uma permutao de linhas e/ou colunas

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Mtodo de GaussGauss-Seidel
Jacobi, Analogamente ao Mtodo de Gauss Gauss-Jacobi calcula-se x(k) = Cx(k-1) + g:
0 a / a C = 21 22 M an1 / ann a12 / a11 0 an2 / ann M L a1n / a11 L a2n / a22 O M 0 L

b1 / a11 b / a g = 2 22 M bn / ann

No entanto, utiliza-se no clculo de xi(k ) :


( k 1 ) valores da iterao anterior: xi(+k11) ,..., xn

x1(k ) , ,..., , xi(k1) valores calculados na mesma iterao:

Exemplo mp
5x1 + x2 + x3 = 5 3x1 + 3x2 + 6x3 = 0
0,2 0,2 0 C = 0,75 0 0,25 0,5 0,5 0

3x1 + 4x2 + x3 = 6

= 0,05

x( 0 )

0 = 0 0

1 g = 1,5 0

Processo iterativo:
( k 1) ( k 1 ) x1(k ) = 1 0,2x2 0,2x3 (k ) ( k 1 ) x2 = 1,5 0,75x1(k ) 0,25x3 (k ) (k ) x3 = 0,5x1(k ) 0,5x2

Exemplo mp
( k 1) ( k 1) x1(k ) = 1 0,2x2 0,2x3 (k ) ( k 1) x2 = 1,5 0,75x1(k ) 0,25x3 (k ) (k ) x3 = 0,5x1(k ) 0,5x2

Primeira iterao:
x1(1 ) = 1 0 0 = 1
(1 ) x2 = 1,5 0,75.1 0 = 0,75 (1 ) x3 = 0,5.1 0,5.0,75 = 0,875

1 x (1 ) = 0 75 , 0,875

|x1(1) x1(0)| = 1 | |x2(1) x2(0)| = 0,75 |x3(1) x3(0)| = 0,875 dr(1) = 1/(max ( |xi(1)|) )=1>

Exemplo mp
( k 1) ( k 1) x1(k ) = 1 0,2x2 0,2x3 (k ) ( k 1 ) x2 = 1,5 0,75x1(k ) 0,25x3 (k ) (k ) x3 = 0,5x1(k ) 0,5x2

Segunda iterao:
x1(2 ) = 1 0,2.0,75 0,2.( 0,875) = 1,025
(2 ) x2 = 1,5 0,75.1,025 0,25.( 0,875) = 0,95 (2 ) x3 = 0,5.1,025 0,5.0,95 = 0,9875

x(2 )

1,025 = 0 95 , 0,9875

|x1(2) x1(1)| = 0 0,025 025 |x2(2) x2(1)| = 0,20 |x3(2) x3(1)| = 0,1125 dr(2) = 0,2/(max ( |xi(2)|) ) = 0,1951 >

Exemplo mp
( k 1) ( k 1) x1(k ) = 1 0,2x2 0,2x3 (k ) ( k 1) x2 = 1,5 0,75x1(k ) 0,25x3 (k ) (k ) x3 = 0,5x1(k ) 0,5x2

Terceira iterao:
x1(3) = 1 0,2.0,95 0,2.( 0,9875) = 1,0075
(3) x2 = 1,5 0,75.1,0075 0,25.( 0,9875) = 0,9912 (3) x3 = 0,5.1,0075 0,5.0,9912 = 0,9993

x(3)

1,0075 = 0 9912 , 0,9993

|x1(3) x1(2)| = 0,0175 | 0 0175 |x2(3) x2(2)| = 0,0412 |x3(3) x3(2)| = 0,0118
dr(3) = 0,0412/(max |xi(3)|) = 0,0409 <

Critrio de Sassenfeld f
Sejam os seguintes valores:
1 n 1 = a1 j a11 j=2
1 i = aii
n i1 aij j + aij j=i+1 j=1

, para 1 < i n

= max {j}, } 1jn

Se < 1, ento o Mtodo de Gauss-Seidel gera uma sequncia convergente, qualquer que seja x(0)
Quanto menor for , mais rpida ser a convergncia

Exemplo mp
2x1 + x2 0,2x3 + 0,2x4 = 0,4 0,6x1 + 3x2 0,6x3 0,3x4 = 7,8 0,1x1 0,2x2 + x3 + 0,2x4 = 1,0 0,4x1 + 1,2x2 + 0,8x3 + 4x4 = 10,0

1 = (1 + 0,2 02+0 0,2)/2 2)/2 = 0 0,7 7 2 = (0,6.0,7 + 0,6 + 0,3)/3 = 0,44 3 = (0,1.0,7 + 0,2.0,44 + 0,2)/1 = 0,358 4 = (0,4.0,7 (0 4 0 7 + 1,2.0,44 1 2 0 44 + 0,8.0,358)/4 0 8 0 358)/4 = 0,2736 0 2736 = 0,7 ,7 < 1

Demonstrao m
Sejam:
x* = [x1, x2, ..., xn]T: a soluo exata de Ax = b x(k) = [x(k)1, x(k)2, ..., x(k)n]T: a k-sima aproximao de x* e(k) = x(k) x*: erro na k-sima aproximao

Queremos garantir que limk e(k)i = 0, 1in


e(k)1 = -(a12e(k-1)2 + a13e(k-1)3 + ... + a1ne(k-1)n)/a11 e(k)2 = -(a21e(k)1 + a23e(k-1)3 + ... + a2ne(k-1)n)/a22 e(k)n = -(an1e(k)1 + an2e(k)2 + ... + an(n-1)e(k)n-1)/ann

No mtodo de Gauss-Seidel, podemos constatar que:

Sejam:
E(k) = mx1in{|e(k)i|} 1 = (|a12| + |a13| + ... + |a1n|)/|a11| i = (1.|ai1| + ... + i-1.|ai(i-1)| + |ai(i+1)| + ... + |ain|)/|aii|, 1<in

Demonstrao m (continuao) ( )
Quando k, x(k)x* equivalente a E(k)0 Demonstraremos por induo no ndice i (1in) que E(k) .E(k-1), onde = mx1in{i} Base (i=1):
|e(k)1| (|a12|.|e(k-1)2| + |a13|.|e(k-1)3| + ... + |a1n|.|e(k-1)n|)/|a11| |e(k)1| [(|a12| + |a13| + ... + |a1n|)/|a11|]. mx1in{|e(k-1)i|} |e(k)1| 1.E(k-1) .E(k-1)

Hiptese (1<in): |e(k)i-1| i-1.E(k-1) .E(k-1) Passo (1<in):


|e(k)i| (|ai1|.|e(k)1| + ... + |ai(i-1)|.|e(k)i-1| + |ai(i+1)|.|e(k-1)i+1| + ... + |ain|.|e(k-1)n|)/|aii| |e(k)i| (|ai1|.1 + ... + |ai(i-1)|.i-1 + |ai(i+1)| + ... + |ain|).E(k-1)/|aii| |e(k)i| i.E(k-1) .E(k-1)

Portanto, E(k)/E(k-1) Como <1, ento E(k)0 quando k: h convergncia!

Exemplos mp
Considere o sistema abaixo, anteriormente visto:
x1 + x2 = 3 x1 3x2 = 3

1 = 1 / 1 = 1 =1

2 = (1.1) / 3 = 1 / 3

No h garantia de convergncia g

No entanto, o Mtodo de Gauss-Seidel converge neste sistema para a soluo exata x1 = x2 = 3/2 3/2. Verifique! Isso mostra que o critrio de Sassenfeld, como o critrio das linhas, suficiente, mas no necessrio

Considere outro sistema:


10x1 + x2 = 23 6x1 2x2 = 18

1 = 1 / 10 = 0,1

2 = (6.0,1) / 2 = 0,3

= 0,3 < 1

Neste caso, o critrio de Sassenfeld garante a convergncia, mas o critrio das linhas, no...

Relao entre os critrios


Se um sistema satisfaz o critrio das linhas, ento t mbm satisfar tambm s tisf o critrio it i de d Sassenfeld S ss nf ld Demonstrao:
Seja = mx1in{i} < 1, 1 onde i = (|ai1| + ... + |ai(i-1)| + |ai(i+1)| + ... + |ain|)/|aii| Vamos provar por induo em i que i i < 1, 1 1in Base (i=1):
1 = (| (|a12| + | |a13| + ... + | |a1n|) |)/|a | 11| = 1 < 1

Hiptese (1<in): i-1 i-1 < 1 Passo (1<in):


i = (1.|ai1| + ... + i-1.|ai(i-1)| + |ai(i+1)| + ... + |ain|)/|aii| i (|ai1| + ... + |ai(i-1)| + |ai(i+1)| + ... + |ain|)/|aii| = i < 1

Portanto, < 1 < 1

A volta nem sempre verdadeira...

CCICCI -22
Introduo Mtodos diretos
Regra de Cramer Eliminao de Gauss Gauss-Jordan Resduos e Condicionamento de Sistemas Decomposio LU

Mtodos iterativos
Gauss-Jacobi Gauss-Seidel Gauss Seidel

Consideraes finais

Consideraes finais f
Tanto o critrio das linhas como o critrio de Sassenfeld so condies suficientes para a convergncia, g , mas no necessrias Em sistemas esparsos (com grande nmero de coeficientes fi i t nulos), l ) o Mtodo Mt d da d Eli Eliminao i d de Gauss no apropriado, pois no preserva esta vantajosa t j qualidade. lid d N Nesses casos, convm

utilizar mtodos iterativos

Os mtodos iterativos so menos suscetveis ao acmulo de erros de arredondamento

Mtodos diretos versus iterativos


Convergncia g
Diretos: no faz sentido considerar essa questo, pois calculam a soluo p exata Iterativos: ocorre sob determinadas condies

Esparsidade da matriz de coeficientes


Diretos: alteram a estrutura da matriz Iterativos: utilizam sempre a matriz inicial

Erros de arredondamento
Diretos: ocorrem a cada etapa e acumulam-se Iterativos: somente os erros da ltima etapa afetam a soluo

Você também pode gostar