Escolar Documentos
Profissional Documentos
Cultura Documentos
Matemtica Computacional l
CCI-22
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
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
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
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
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
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
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
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
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
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]
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
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
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
L3 = [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 ]
x2 = [-1410 [ 1410 (-1400) ( 1400)1,01]/2 1 01]/2 = 0 0,0 0 x1 = [57 - 521,01 - 40,0]/1 = 4,5
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
L3 = [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
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
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]
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] |
-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
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)
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
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
(1 )
6 0,00063 = 0 , 058
=x
(1 )
Arredondamento aqui
( 2)
(1 )
1,0 = 1,0
= b Ax
( 2)
0,0 = 0 , 0
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
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)
Em sistemas bem condicionados, bastam dois refinamentos: (3), ..., (n) sero prximos do psilon da mquina
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
Resduos pequenos p q
Resoluo de A = r(1):
(1 )
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
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
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||
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
Exemplo mp
Analisar o sistema linear abaixo:
1,2969 0,8648 x1 0,8642 0,2161 0,1441 x = 0,1440 2
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
onde M( 0 )
(1 ) a32
0 0 1 = m 1 0 21 m31 0 1
onde d M (1 )
0 0 1 0 = 1 0 0 m32 1
Portanto:
0 0 1
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
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
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
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
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
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
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
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
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
Mtodo de GaussGauss-Jacobi
iterao calculada iterao anterior
an2 / ann
b1 / a11 b / a g = 2 22 M b / a n nn
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
7 / 10 g = 8 / 5 6 / 10
= 0,05
( 0)
escolha arbitrria
|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
(2 )
x (3)
a
j=1 ji
ij
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
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
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
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
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)
|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
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
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)
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
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...
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
Erros de arredondamento
Diretos: ocorrem a cada etapa e acumulam-se Iterativos: somente os erros da ltima etapa afetam a soluo