Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introduo
Forma matricial
O sistema mostrado acima (Eq. 1) pode ser tambm representado na forma matricial, isto :
Ax = b
onde o primeiro ndice de um elemento aij indica a sua linha e o segundo ndice a sua coluna.
soluo, ou indeterminado, quando admite mais de uma soluo (na verdade, infinitas
solues).
x + y = 5
determinado (1 soluo). Ex.: x = 4; y = 1
x y = 3
possvel
x = 25; y = 0
4 x + 2 y = 100
sistemas indeterminado (mltiplas solues). Ex.: x = 24; y = 2
8 x + 4 y = 200
etc...
x + y = 9
impossvel. Ex.: x = ?, y = ?
x + y = 5
Decomposio LU
Decomposio de doolittle
Decomposio de Croutt
Decomposio de Choleski
Decomposio de Banachiewicz
Eliminao de Gauss
Mtodo de Choleski
Eliminao de Gauss-Jordan
Teorema da decomposio LU
A1 = [ a11 ]
a a12
A 2 = 11
a21 a22
A prova do enunciado acima pode ser feita por induo matemtica. Assim, se n = 1, tem-se:
Considerando que l11 = 1, obtm-se que u11 = a11. Logo, verifica-se o teorema proposto para
ordem n = 1. Assumindo que o teorema seja verificado para todas as matrizes de ordem n
1 que obedeam ao enunciado acima, pode-se escrever que:
A n 1 = Ln 1U n 1
A n1 C
An =
R ann
Lembrando que o determinante de uma matriz triangular dado pelo produto dos
elementos da diagonal principal, conclui-se que detLn-1 = 1. Como o determinante de um
produto de matrizes igual ao produto dos determinantes das matrizes, pode-se escrever
que:
Portanto, uma vez satisfeita a hiptese, conclui-se que Un-1 no singular e, assim, pode ser
obtida a sua inversa.
5
Definindo-se que:
S = R (U n 1 ) 1
W = (Ln 1 ) 1 C
bnn = ann S.W
Ln 1 0 U n 1 W
An =
S 1 0 bnn
A primeira das duas matrizes direita da igualdade uma matriz triangular inferior com
elementos unitrios na diagonal principal e a segunda uma matriz triangular superior.
Logo, tem-se que:
A n = Ln U n
Portanto, conclui-se a prova do teorema, uma vez que a decomposio existe para ordem 1
e tambm existir para ordem 2 ou para qualquer ordem acima.
Mtodos de decomposio
L.U.x = b
Considerando que:
U.x = y
resulta que:
L.y = b
j 1
a jk l ji uik
u jk = i =1
( j = 2, n; k > j, n)
l jj
l11 = a11
j 1
l jj = a jj l 2jk ( j = 2, n)
k =1
j 1
aij lik l jk
lij = k =1
(i = j + 1, n)
l jj
d11 = a11
i 1
dii = aii lik2 d kk (i = 2, n)
k =1
j 1
aij lik l jk d kk
lij = k =1
(i = j + 1, n)
d jj
Eliminao de Gauss
6 x1 + 3 x2 + 6 x3 = 30 6 3 6 x1 30
2 x1 + 3x2 + 3x3 = 17 2 3 3 x2 = 17
x + 2 x + 2 x = 11
1 2 3 1 2 2 x3 11
6 3 6 x1 30 1 1 2 1 x1 5
2 3 3 x = 17 1 .L 2 3 3 x = 17
2 6
1 2
1 2 2 x3 11
1 2 2 x3 11
Busca-se agora zerar todos os elementos da primeira coluna da matriz, com exceo ao
elemento da diagonal principal. Para isso, so realizadas as seguintes operaes:
1 1 2 1 x1 5 1 1 2 1 x1 5
2 3 3 x = 17 L = L 2.L 0 2 1 x = 7
2 2 2 1 2
1 2 2 x3 11 L3 = L3 1.L1
0 3 2 1 x3 6
Nesta etapa repetem-se as operaes acima a partir da segunda linha do sistema. Portanto,
toda a segunda linha deve ser primeiramente dividida por 2, que o valor do elemento na
diagonal principal correspondente:
1 1 2 1 x1 5 1 1 2 1 x1 5
0 2 1 x = 7 L = 1 L
0 1 1 2 x2 = 7 2
2 2
2
2
0 3 2 1 x3 6
0 3 2 1 x3 6
1 1 2 1 x1 5 1 1 2 1 x1 5
0 1 1 2 x = 7 2 L = L 3 .L
0 1 1 2 x2 = 7 2
2 3 3
2
2
0 3 2 1 x3 6
0 0 1 4 x3 3 4
1 1 2 1 x1 5 1 1 2 1 x1 5
0 1 1 2 x = 7 2 1 .L 0 1 1 2 x = 7 2
2 14
3 2
0 0 1 4 x3 3 4 1 x3 3
0 0
x3 = 3
7 3
x2 = =2
2 2
x1 = 5 1 3 = 1
onde pi so os divisores (pivs) utilizados em cada uma das n linhas do sistema de equaes.
Portanto, no exemplo acima temos:
n
1
det A = pi = 6.2. = 3
i =1 4
Observe que se o elemento da diagonal principal (piv) de uma das linhas da matriz de
coeficientes for zero, o procedimento de diviso dos elementos da linha correspondente
10
pelo seu piv no pode ser realizado. Neste caso, o sistema poder no ter soluo. No
entanto, em muitos problemas de Engenharia o sistema de equaes governante tal que
nunca apresentar um elemento nulo na diagonal principal durante a fase de eliminao.
Quando isto ocorre, diz-se que a matriz de coeficientes uma matriz positiva definida.
Assim, o mtodo de Gauss produz a soluo de um sistema linear de equaes desde que a
matriz de coeficientes seja regular e linhas do sistema possam ser permutadas quando aii =
0.
6 x1 + 3 x2 + 6 x3 = 30 6 3 6 x1 30
2 x1 + 1x2 + 3x3 = 17 2 1 3 x2 = 17
x + 2 x + 2 x = 11
1 2 3 1 2 2 x3 11
6 3 6 x1 30 1 1 2 1 x1 5
2 1 3 x = 17
.L1 2 1 3 x2 = 17
1
2 6
1 2 2 x3 11
1 2 2 x3 11
Busca-se agora zerar todos os elementos da primeira coluna da matriz, com exceo ao
elemento da diagonal principal. Para isso, so realizadas as seguintes operaes:
1 1 2 1 x1 5 1 1 2 1 x1 5
2 1 3 x = 17 L = L 2.L 0 0 1 x = 7
2 2 2 1 2
1 2 2 x3 11 L3 = L3 1.L1
0 3 2 1 x3 6
1 1 2 1 x1 5 1 1 2 1 x1 5
0 0 1 x = 7 L 0 3 2 1 x = 6
2 23 2
0 3 2 1 x3 6 0 0 1 x3 7
Agora possvel definir o 2 piv com um valor no nulo, permitindo a diviso de toda a
segunda linha do sistema pelo valor correspondente:
11
1 1 2 1 x1 5 1 1 2 1 x1 5
0 3 2 1 x = 6 1 L
0 1 2 3 x2 = 4
2 32
2
0 0 1 x3 7 1 x3 7
0 0
x3 = 7
2 2
x2 = 4 7. =
3 3
1 2 5
x1 = 5 7 =
2 3 3
O sinal negativo se deve ao fato de ter havido uma troca de linhas. Lembre que cada troca
de linhas implica a troca de sinal do determinante. Portanto, a matriz decomposta no
mais positiva definida, mas a decomposio ainda pode ser realizada mediante trocas
adequadas de linhas.
6 x1 + 3 x2 + 6 x3 = 30 6 3 6 x1 30
2 x1 + 1x2 + 3 x3 = 17 2 1 3 x2 = 17
x + 1 2 x + 2 x = 11
1 2 3 1 1 2 2 x3 11
6 3 6 x1 30 1 1 2 1 x1 5
2 1 3 x = 17
.L1 2 1 3 x2 = 17
1
2 6
1 1 2 2 x3 11
1 1 2 2 x3 11
1 1 2 1 x1 5 1 1 2 1 x1 5
2 1 3 x = 17 L = L 2.L 0 0 1 x = 7
2 2 2 1 2
1 1 2 2 x3 11 L3 = L3 1.L1
0 0 1 x3 6
12
Observe que o elemento da diagonal principal da segunda linha nulo, necessitando de uma
troca linhas para obter-se um piv no nulo. Entretanto, a terceira a terceira linha apresenta
tambm um elemento nulo na segunda coluna, o que torna sem efeito o procedimento de
troca de linhas. Assim, conclui-se que no possvel obter uma soluo para o sistema, j
que a matriz de coeficientes do sistema singular (det A = 0).
x1 + a12
1
x2 + ... + a11n xn = b11
sendo:
a10j b10
a =
1
1j ( j = 2, n) ; b11 =
a110 a110
A incgnita x1 pode ser agora eliminada das demais linhas do sistema, obtendo-se um novo
sistema de (n-1) equaes:
a122 x2 + a23
1
x3 + ... + a12 n xn = b21
1
a32 x2 + a33
1
x3 + ... + a31n xn = b31
a x + a x + ... + a x = bn1
1
n2 2
1
n3 3
1
nn n
sendo:
akjk 1 bkk 1
a =
k
k 1
; bkk = ( j = k + 1, n)
akkk 1
kj
akk
aijk = aijk 1 aikk 1akjk ; bik = bik 1 aikk 1bkk (i, j = k + 1, n)
13
Depois que o procedimento acima tenha sido aplicado (n-1) vezes, o sistema de equaes
original reduzido seguinte equao:
n 1
ann xn = bnn 1
bnn 1
xn = n 1
ann
Desta forma, ao obter-se a soluo para xn, as incgnitas restantes do sistema podem ser
resolvidas por retrossubstituio:
n
xk = bkk a
j = k +1
k
kj xj
A forma mais simples de se obter a inversa de uma matriz quadrada de ordem nxn consiste
em resolver n sistemas de equaes da seguinte maneira:
1 0 0
0 1 0
c1 = 0 ; c 2 = 0 ; c n =
0
0 0 1
os n sistemas de equaes so dados por A.x1 = c1, A.x2 = c2, ..., A.xn = cn. Estes sistemas
tambm podem ser representados por A(x1, x2, ..., xn) = (c1, c2, ..., cn) = I. Ao pr-multiplicar
ambos os lados da igualdade por A-1, obtm-se (x1, x2, ..., xn) = A-1. Desta forma, os vetores
xn constituem as colunas de A-1. Uma forma mais conveniente de tratar o problema
empregar uma matriz de coeficientes expandida, incluindo a matriz identidade I, isto :
14
Tcnicas de pivotamento
A troca de linhas (ou colunas) de um sistema de equaes se faz necessria quando algum
dos pivs nulo. Assim, uma operao de troca de linhas realizada na forma Lk Lp com p
> k, onde o elemento apk satisfaz a condio apk 0. Da mesma forma, a fim de eliminar erros
de preciso, operaes de mudana de linha tambm devem ser realizadas quando pivs
no so exatamente iguais a zero. Nas tcnicas de pivotamento descritas abaixo, as linhas do
sistema vo sendo definidas pela ordem dos pivs.
Pivotamento parcial a escolha dos pivs feita na seguinte ordem: define-se o 1 piv
como o elemento de maior valor absoluto da coluna 1; define-se o 2 piv como o elemento
de maior valor absoluto entre os elementos da coluna 2 abaixo do elemento da diagonal
principal (inclusive o prprio elemento da diagonal principal); procede-se da mesma forma
at que todos os pivs sejam definidos.
0 0 0 0 (x) x x x x
0 0 0 x (x) x x x x
0 0 x x (x) x x x x
0 x x x (x) x x x x
x x x x (x) x x x x
x x x x (x) x x x x
x x x x (x) x x x x
x x x x (x) x x x x
x x x x (x) x x x x
x x x x (x) x x x 0
x x x x (x) x x 0 0
x x x x (x) x 0 0 0
x x x x (x) 0 0 0 0
Observe abaixo que as linhas de uma matriz organizada em banda apresentam a mesma
posio, mas as colunas da matriz original transformam-se em diagonais na formao em
banda.
16
(x) x x x x
(x) x x x x
(x) x x x x
(x) x x x x
(x) x x x x
(x) x x x x
(x)
x x x x
(x) x x x x
(x) x x x x
(x) x x x 0
(x) x x 0 0
(x) x 0 0 0
(x) 0 0 0 0
Soluo frontal
K13 K K F
K12 13 K K14 13 F1 13
K K K
K11 K 33 31 K 33
32 0
K 34 1
33
K 3
33
K K 23 K K 22 23
K K K 23 K 23
21 K 33 31 32 0 K 24 K 34 2 F2 F3
K 33 K 33 = K 33
K 31 K 32 K 33 K 34 3 F3
K
K 42 43
K K K 44 43
K K 4 F4 43
K F
K 41 43 K K 31 K 32 0
K 33 34 K 33 3
33 33
Observe que o sistema continua simtrico, excetuando-se a linha e a coluna 3. Ainda assim,
possvel armazenar toda a informao do sistema apenas na matriz triangular superior,
17
K13 K F
K12 13 K K F1 13
K K
K11 K 33 31 K 32 K13 K14 13 K K 34 1 K 3
33 33 33
K K 23 K
K 22
K 23
K 23 K 24
K 23 F K 23 F
21 K 33 31 K 33 32 K 33 34 2 = 2 K 33 3
K K
K 31 K 32 K 33 K 34 3 F3
K K 0 K 44 43
K K 4 F4 43
K F
K 41 43 K K 31 K 42 43 K K 32 K 33 34 K 33 3
33 33
Na prtica, basta no zerar os termos simtricos da coluna 3.
O resultado final :
K11''' 0 0 0 1 F1'''
' ' '
2 = F2
'
K 21 K 22 0 K 24
K 31 K 32 K 33 K 34 3 F3
'' '' ''
K 41 0 0 K 44 4 F4
18
o que equivale eliminao de Gauss feita fora de ordem, o que pode ser verificado com
uma troca de linhas e da ordem das incgnitas do sistema:
K 33 K 32 K 34 K 31 3 F3
0 ' '
2 = F2
' '
K 22 K 24 K 21
0 0 K ''
44
''
K 41 4 F4''
0 0 0 K11''' 1 F1'''
No mtodo de Choleski, o uso da tcnica do vetor perfil introduzido a partir das seguintes
alteraes:
i 1 i 1
sii = aii ski2 sii = aii ski2
k =1 k =p (i )
i 1 i 1
aij ski skj aij ski skj
sij = k =1
sij = k =m
( j > i)
sii sii
Mtodo de Choleski
A = STS
Logo, o produto da coluna j da matriz S pela linha i da matriz ST deve fornecer aij com j i, j
que se considera apenas a matriz triangular superior:
i
aij = ski skj ( j i)
k =1
19
s11 = a11
a1 j
s1 j = ( j > 1)
a11
Para uma linha i qualquer, obtm-se primeiramente o elemento da diagonal principal desta
linha impondo que j = i, ou seja:
i i 1 i 1
aii = ski2 = sii2 + ski2 sii = aii ski2
k =1 k =1 k =1
i 1
aij ski skj
aij = sii sij + ski skj sij = k =1
( j > i)
k =1 sii
A operao de substituio frente para obteno de y pode ser expressa pelas seguintes
expresses:
b1
y1 =
s11
i 1
bi ski yk
yi = k =1
(i > 1)
sii
yn
xn =
snn
n
yi s ik xk
xi = k = i +1
(i < n )
sii
20
O mtodo de Gauss-Jordan bastante utilizado para calcular a inversa de uma matriz Anxn,
pois atravs de operaes elementares transforma-se a matriz em uma matriz identidade.
Entretanto, necessrio armazenar o vetor de termos independentes e manipul-lo ao
longo dos procedimentos de inverso. Alm disso, ao resolver um sistema de equaes
lineares, o mtodo aproximadamente trs vezes mais lento do que os mtodos mais
rpidos. Por outro lado, o processo de clculo altamente estvel, principalmente quando a
tcnica de pivotamento total empregada.
1 3 4 x1 1
2 8 6 x = 2 Ax = y
2
3 5 15 x3 5
1 3 4 1
2 8 6 2 A y
3 5 15 5
Operando agora sobre a matriz aumentada para a obteno de uma matriz diagonal:
1 3 4 1 1 3 4 1
2 8 6 2 L2 = L2 + 2.L1 0 2 2 4
3 5 15 5 3 5 15 5
1 3 4 1 1 3 4 1
0 2 2 4 L3 = L3 3.L1 0 2 2 4
3 5 15 5 0 4 3 2
21
1 3 4 1 3 1 0 7 7
L1 = L1 + .L2
0 2 2 4 2 0 2 2 4
0 4 3 2 L3 = L3 2.L2 0 0 1 6
1 0 7 7 1 0 0 35
L1 = L1 + 7.L3
0 2 2 4 0 2 0 8
L2 = L2 + 2.L3
0 0 1 6 0 0 1 6
x1 = 35
x2 = 4
x3 = 6
1 3 4 1 0 0
2 8 6 0 1 0 A I
3 5 15 0 0 1
1 3 4 1 0 0 1 3 4 1 0 0
2 8 6 0 1 0 L2 = L2 + 2.L1 0 2 2 2 1 0
3 5 15 0 0 1 3 5 15 0 0 1
1 3 4 1 0 0 1 3 4 1 0 0
0 2 2 2 1 0 L3 = L3 3.L1 0 2 2 2 1 0
3 5 15 0 0 1 0 4 3 3 0 1
3
L1 = L1 + .L2
1 3 4 1 0 0 2 1 0 7 4 1,5 0
0 2 2 2 1 0 L3 = L3 2.L2 0 1 1 1 0, 5 0
0 4 3 3 0 1 1 0 0 1 7 2 1
L2 = L2
2
Portanto, a inversa de A :
22
45 12,5 7
A 1 = 6 1,5 1
7 2 1
A -1 A I = A -1 A A -1I = I A -1
Sistemas de equaes lineares podem tambm ser resolvidos de forma iterativa, onde
necessrio adotar um critrio de convergncia para indicar quando o processo iterativo
finalizado. Geralmente adota-se a norma da diferena entre duas solues consecutivas e
um nmero mximo de iteraes no caso da soluo no convergir. Os mtodos indiretos
so indicados para sistemas de grande porte (dimenso n grande) onde a porcentagem do
nmero de elementos nulos da matriz de coeficientes alta (sistemas esparsos). Nos
mtodos diretos, o processo de soluo por eliminao no preserva a esparsidade do
sistema, ou seja, muitos elementos nulos podem tornar-se no nulos. Por outro lado, os
mtodos indiretos tm a propriedade de manter a esparsidade.
S2 =
1
a22
(a 21 S1 + a23 + a24 + + a2 n )
S3 =
1
a33
( a31 S1 + a32 S2 + a34 + + a3n )
Sn =
1
ann
(a n1 S1 + an 2 S 2 + + an n 1 S n 1 )
o mtodo de Gauss-Seidel produz uma sequncia de resultados xr convergente para a
soluo do sistema ao longo dos passos iterativos (r), qualquer que seja a
aproximao inicial x0 empregada, quando S1 < 1, S2 < 1, ... , Sn < 1.
Mtodo de Jacobi
akk
1 4 0 1 x1 2
0 0 1 2 x2 3
= Ax = y
2 0 0 1 x3 1
1 2 0 1 0 x4 3 2
11 a1 j 2 > 1
a >
j =1
( j i )
n
a >
22 j
2 0 1 x1 1
0 a2 j 4 > 1 + 1
1
4 1 x2 2
0
=1
( j i )
=
1 2 0 0 x3 3 2
1 a >
n
0 1 2 x4 3 33 a3 j 1 > 1 2
0 j =1
( j i )
n
a44 > a4 j 2 > 1
j =1
( j i )
k 1 n
yk aki xi( r 1) aki xi( r 1)
Usando a equao xk( r ) = i =1 i = k +1
, obtm-se as seguintes frmulas de
akk
recorrncia:
1 x4r 1
x1r =
2
2 x1r 1 + x4r 1
x2r =
4
3 1 r 1
x3r = .x1
2 2
3 + x3r 1
x4r =
2
x11 = 0, 5
x12 = 0,5
x31 = 1, 5
x14 = 1,5
1 + 1,5
x12 = = 1, 25
2
2 0, 5 1,5
x22 = = 1, 0
4
25
3 1
x32 = .0,5 = 1, 25
2 2
3 + 1,5
x42 = = 0, 75
2
Na 11 iterao, obtm-se:
x111 = 1, 000488282
2 = 1, 000000
x11
x311 = 1, 000488281
4 = 0,9995117185
x11
Na 12 iterao obtm-se uma soluo com erro absoluto x12 x11 < 10 3 . A soluo exata
x = (1, -1, 1, -1).
Mtodo de Gauss-Seidel
akk
Assim, obtm-se:
k 1 n
yk aki xi( r ) aki xi( r 1)
xk( r ) = i =1 i = k +1
akk
4 2 0 0 x1 4
2
8 2 0 x2 0
= Ax = y
0 2 8 2 x3 0
0 0 2 4 x4 0
4 2 x2r 1
x1r =
4
2 x1r 2 x3r 1
x2r =
8
2 x2r 2 x4r 1
x3r =
8
2 x3r
x4r =
4
x11 = 1
1
x12 =
4
27
1
x31 =
16
1
x14 =
32
1 1
x12 = 4 + 2. = 1,12
4 4
1 1
x22 = 2.1,12 2. = 0, 296
8 16
1 1
x32 = 2.0, 296 + 2. = 0, 0818
8 32
1
x42 = ( 2.0, 0818 ) = 0, 0409
4
x1 = 1,155
x2 = 0,311
x3 = 0, 089
x4 = 0, 044
1 T
f (x) = x Ax b T x + c
2
3 2 2
A= b= c=0
2 6 8
x f (x)
1
f ( x )
f ( x ) = x2
f ( x )
xn
29
O gradiente de f(x), para um dado ponto x, aponta sempre na direo de aumento mais
acentuado da funo f(x), como mostra a figura a seguir para o exemplo apresentado acima.
Na medida em que o gradiente nulo no ponto de mnimo da funo f(x), possvel
tambm minimizar f(x) fazendo f(x) = 0.
1 T 1
f (x) = A x + Ax b
2 2
f ( x ) = Ax b
A funo quadrtica f(x) correspondente ao exemplo mostrado acima pode ser interpretada
geometricamente como um paraboloide disposto no espao. Quando A positivo-definida,
tem-se a superfcie (a) da figura abaixo. Por outro lado, se A no apresenta esta
propriedade, vrias outras formas so possveis. Por exemplo, A poderia ser negativo-
definida, produzindo uma superfcie oposta superfcie com A positivo-definida (figura b
abaixo). A matriz A poderia ser singular, indicando que a soluo do sistema no nica.
Neste caso, o conjunto de solues uma linha (hiperplano) com valor f(x) constante (figura
c). Se A no enquadra-se em nenhum dos casos acima, a soluo x um ponto de sela
(saddle point) e mtodos como gradientes conjugados provavelmente iro falhar em
convergir (figura d).
30
No Mtodo de Mximo Descenso inicia-se com uma estimativa inicial x(0) para a soluo do
sistema de equaes Ax = b e busca-se o ponto de mnimo da funo quadrtica f(x) atravs
de deslocamentos sucessivos sobre a superfcie representada por f(x). Este processo de
passos sucessivos continua at que uma estimativa x(i) esteja prxima o suficiente da soluo
exata x. Em cada passo de deslocamento escolhida a direo na qual a funo f(x) decresce
mais rapidamente na posio atual x(i). Esta direo corresponde direo oposta a f(x(i)), a
qual determinada por:
f ( x ( i ) ) = b Ax ( i )
Em um dado passo i, o erro da estimativa atual x(i) definido como sendo e(i) = x(i) x e o
resduo correspondente dado por r(i) = b Ax(i). Logo, conclui-se que r(i) = Ae(i) e, alm
disso, r(i) = f(x(i)). Ou seja, o resduo indica a direo do mximo descenso.
x ( i ) = x ( i 1) + r( i 1)
onde x(i-1) uma estimativa da soluo exata no passo iterativo i-1, r(i-1) o vetor resduo
correspondente e um escalar que define o tamanho do passo a ser tomado para a
obteno da prxima estimativa x(i). A determinao de se d a partir de um procedimento
denominado busca em linha (line search), no qual minimiza a funo f(x) ao longo de
uma linha. A minimizao de f(x) ocorre quando a derivada direcional df(x(i))/d igual a
zero. Sendo df(x(i))/d = f(x(i))Tr(i-1), pode-se concluir, consequentemente, que f(x(i)) e r(i-1)
so ortogonais.
( b Ax )
T
r(Ti )r(i 1) = 0 (i ) r(i 1) = 0
( b Ax ) b A ( x ( i 1) + r( i 1) ) r( i 1) = 0
T T
(i ) r( i 1) = 0
b A ( x ( i 1) + r( i 1) ) r( i 1) = 0 ( b Ax ) r( i 1) ( Ar( i 1) ) r( i 1) = 0
T T T
( i 1)
r(Ti 1)r(i 1)
( b Ax(i1) ) r(i1) = ( Ar(i 1) ) r(i 1) =
T T
r(Ti 1) Ar(i 1)
r( i ) = b Ax ( i )
r(Ti )r( i )
(i ) =
r(Ti ) Ar(i )
x ( i +1) = x ( i ) + ( i )r( i )
O processo iterativo acima continua at que se obtenha a convergncia para x(i+1), ou seja,
x(i+1) x(i). Na figura abaixo mostrado um exemplo de aplicao do mtodo de mximo
32
descenso para o problema proposto inicialmente com uma estimativa inicial x(0) = [-2, -2]T.
Observa-se que o caminho seguido at a convergncia descreve um avano em zigue-zague,
uma vez que o gradiente avaliado na posio atual x(i) sempre ortogonal ao gradiente
avaliado na posio anterior x(i-1).
x ( i +1) = x ( i ) + ( i )d ( i )
onde d(i) um vetor representando a direo de busca atual, a qual deve ser ortogonal ao
erro e(i+1) da nova estimativa x(i+1). A partir desta condio, obtm-se (i) da seguinte forma:
dT(i )e(i )
T
d e
( i ) ( i +1) =0 d T
(i ) (e (i) + (i )d ( i ) ) = 0 (i ) =
d(Ti )d( i )
v1T Av 2 = 0
Partindo da condio em que e(i+1) A-ortogonal em relao a d(i) (ver figura abaixo),
possvel obter uma expresso para a determinao de (i) da seguinte forma:
dT(i ) Ae(i )
d Ae ( i +1) = 0
T
(i) d A ( e(i ) + ( i )d (i ) ) = 0
T
(i) (i ) =
d(Ti ) Ad(i )
33
dT(i )r(i )
(i ) =
d(Ti ) Ad(i )
u iT Ad ( j )
ij = (i > j )
d T(j ) Ad ( j )
O mtodo dos gradientes conjugados obtido a partir do mtodo das direes conjugadas,
considerando que as direes de busca so determinadas pela conjugao dos resduos, isto
, ui = r(i). Neste caso, o processo de A-ortogonalizao por Gram-Schmidt torna-se simples,
uma vez que r(i+1) j A-ortogonal em relao a todos os vetores de busca, com exceo a
d(i). Assim, o escalar ij redefinido como i,i-1 = (i), sendo expresso da seguinte forma:
r(Ti )r( i )
(i ) =
r(Ti 1)r( i 1)
r(Ti )r( i )
(i ) =
d(Ti ) Ad(i )
x ( i +1) = x ( i ) + ( i )d ( i )
r( i +1) = r( i ) ( i ) Ad ( i )
Precondicionamento
Dada uma matriz B simtrica, possvel representar o produto Bx, onde x um vetor
qualquer no espao n-dimensional, atravs da seguinte composio:
Bx = Bv j = j v j ( j = 1, n )
sendo vj os autovetores de B e j os seus respectivos autovalores. Como B simtrica, os
autovetores so linearmente independentes. Quando B positivo-definida, todos os seus
autovalores so positivos. Ao aplicar-se sucessivamente o produto Bx, obtm-se:
B i x = B i v j = ij v j ( j = 1, n )
Assim, se o mdulo de todos os autovalores j for menor do que 1, observa-se que Bix ir
convergir para zero. Por outro lado, quando algum dos autovalores maior do que 1, o vetor
x tender a valores infinitos. A fim de avaliar as condies de convergncia de uma matriz B
qualquer, define-se o raio espectral (B) como:
( B ) = max i
onde i so os autovalores de B.
35
max
C (A) =
min
sendo max e min os autovalores mximo e mnimo de A. Quanto maior for C(A), mais mal
condicionada a matriz de coeficientes A e, portanto, mais lenta a convergncia.
M 1Ax = M 1b
M = diag ( A )
A formulao empregada para a soluo de sistemas de equaes lineares pelo mtodo dos
gradientes conjugados precondicionado dada abaixo:
r(0) = b Ax (0)
d (0) = M 1r(0)
r(Ti ) M 1r(i )
(i ) =
d(Ti ) Ad(i )
x ( i +1) = x ( i ) + ( i )d ( i )
r( i +1) = r( i ) ( i ) Ad ( i )
Condicionamento de matrizes
cuja soluo exata xT = {3, 4,1} . Considerando as aproximaes x1T = {25; 14; 1} e
xT2 = {3; 4;0} , observa-se que os resduos ficam definidos por:
Portanto, embora o resduo r1 seja menor do que o resduo r2, a soluo aproximada x1 no
apresenta sequer um dgito exato em relao soluo exata. Assim, nem sempre a soluo
de menor resduo a aproximao mais exata.
Um problema dito mal condicionado quando pequenas perturbaes nos dados de entrada
ocasionam grandes erros nos resultados finais. Considerando o sistema abaixo:
37
cuja soluo exata xT = {1, 00; 1,00} . Ao considerar uma pequena perturbao em um dos
elementos do termo independente e preciso de 3 dgitos significativos, obtm-se que:
Portanto, obtm-se uma variao de 20% no resultado a partir de uma variao de 0,1% em
um dos dados de entrada.
Medida de condicionamento
onde k = ak21 + ak22 + ak23 + + akn2 com k = 1,...,n. Define-se o determinante normalizado
de A como sendo:
det A
NORM A = n
k =1
k
x x = A -1. ( b b ) A -1 . ( b b )
Ento, tem-se:
x x ( b b )
A -1 .
x x
39
1 A
b A.x
x b
x x ( b b )
A . A -1 .
x b
onde:
x x
erro relativo: valor relativo da variao provocada pela alterao no sistema (b
x
por b);
( b b )
valor relativo perturbao gerada no sistema.
b
COND ( A ) = A . A -1
Portanto, quanto maior for o valor COND(A), mais sensvel a perturbaes ser o sistema de
equaes.
a) Norma euclidiana
n
= x
v 2
Vetores: x E i
i =1
n n
= a
m 2
Matrizes: A E ij
i =1 j =1
b) Norma do mximo
= mx xi
v
Vetores: x max i =1, n
Matrizes:
n
= mx aij
m
- Mximo das colunas: A mxj 1 j n
i =1
40
n
= mx aij
m
- Mximo das linhas: A mxi 1 i n
j =1
c) Norma da soma
n
= xi
v
Vetores: x sum
i =1
41
JACOBI - soluo de sistemas de equaes lineares usando o mtodo iterativo de Jacobi, sem
troca de linhas.
http://www.dma.uem.br/kit/paginas/proced_numericos/mgausspivot.html
42
APNDICE
Matrizes
1 2 3
Exemplo matriz quadrada simtrica de ordem 3: 2 4 5
3 5 6
0 2 3
Exemplo matriz quadrada antissimtrica de ordem 3: 2 0 5
3 5 0
Matriz zero ou matricial nula aquela cujos elementos aij so todos nulos.
Define-se como matriz diagonal aquela matriz quadrada em que so nulos todos os
elementos com exceo feita aos elementos da diagonal principal, ou seja, aij = 0 para i j,
com i = 1,2,...,n e j = 1,2,...,n. No caso particular de aij = 1 para i = j e aij = 0 para i j, a matriz
chamada de matriz identidade ou unitria.
1 0 0
Exemplo matriz identidade: 0 1 0
0 0 1
Uma matriz que contm uma nica coluna chamada de matriz coluna, sendo normalmente
designada como um vetor. Assim, basta um ndice para indicar a posio de um de seus
elementos no vetor. Um vetor com n elementos apresenta ordem n. Da mesma forma, uma
matriz contendo apenas uma linha definida como uma matriz linha ou um vetor linha.
43
v1
v
Exemplos vetor v de ordem n: v = 2 vetor linha d de ordem n: d = { d1 d2 dn }
vn
1 2 3 1 4 7
Exemplo matriz A e sua transposta: A = 4 5 6 A T = 2 5 8
7 8 9 3 6 9
I) (A + B)T = AT + BT
II) (A)T = AT : escalar qualquer
T T
III) (A ) = A
IV) (AB)T = BTAT
Dada uma matriz quadrada A de ordem n, a sua inversa A-1 aquela que satisfaz o produto
A.A-1 = I, onde I a matriz identidade. Uma matriz que no tem inversa dita singular, pois
apresenta determinante nulo. Uma matriz dita nula (ou matriz zero) quando todos os seus
elementos aij so nulos.
Para matrizes pequenas, possvel calcular a matriz inversa usando a transposta da matriz
de cofatores, tambm conhecida como matriz adjunta, da seguinte forma:
1
( Cij ) =
1
Cij = ( 1) det A i, j
i+ j
T
A 1 = adj A
det A det A
onde det A-i,-j o determinante da submatriz obtida pela excluso das linha i e da coluna j da
matriz A.
44
Para matrizes extensas obtm-se a matriz inversa de uma matriz quadrada A a partir da
transformao desta matriz em uma matriz identidade.
2 1 3
A = 4 2 2
2 5 3
2 1 3 1 0 0 1 1 2 3 21 2 0 0
1
4 2 2 0 1 0 2
.L1 4 2 2 0 1 0
2 5 3 0 0 1 2 5 3 0 0 1
1 1 2 3 21 2 0 0 1 1 2 3 21 2 0 0
4 2 2 0 1 0 L2 = L2 4.L1 0 0 4 2 1 0
2 5 3 0 0 1 2 5 3 0 0 1
1 1 2 3 21 2 0 0 1 1 2 3 21 2 0 0
0 0 4 2 1 0 L3 = L3 2.L1 0 0 4 2 1 0
2 5 3 0 0 1 0 4 0 1 0 1
1 1 2 3 21 2 0 0 1 1 2 3 21 2 0 0
0 0 4 2 1 0 L23 0 4 0 1 0 0
0 4 0 1 0 1 0 0 4 2 1 0
1 1 2 3 21 2 0 0 1 12 32 12 0 0
1
0 4 0 1 0 0 .L2 0 1 0 1 4 0 14
4
0 0 4 2 1 0 0 0 4 2 1 0
1 12 32 12 0 0 1 12 32 12 0 0
1
0 1 0 1 4 0 1 4 .L3 0 1 0 1 4 0 14
4
0 0 4 2 1 0 0 0 1 12 1 4 0
1 12 32 12 0 0 1 0 32 58 0 1 8
1
0 1 0 1 4 0 14 L1 = L1 .L2 0 1 0 1 4 0 14
2
0 0 1 12 1 4 0 0 0 1 12 1 4 0
45
1 0 32 58 0 1 8 1 0 0 1 8 3 8 1 8
3
0 1 0 1 4 0 14 L1 = L1 .L3 0 1 0 1 4 0 14
2
0 0 1 12 1 4 0 0 0 1 1 2 1 4 0
Logo:
1 8 3 8 1 8
A = 1 4
1
0 1 4
1 2 1 4 0
Uma matriz triangular aquela que possui todos os elementos acima ou abaixo da diagonal
principal iguais a zero. Quando os elementos nulos encontram-se abaixo da diagonal
principal a matriz chamada de triangular superior. No caso contrrio, a matriz dita
triangular inferior.
Quando uma matriz quadrada apresenta uma faixa em torno da diagonal principal onde se
concentram elementos com valores predominantemente diferentes de zero, fora da qual os
coeficientes so nulos, ela denominada matriz banda. A largura da banda definida pelo
nmero mximo de elementos contidos nesta faixa, o qual obtido verificando-se a
extenso da faixa em cada uma das linhas da matriz. Eventualmente, pode haver elementos
nulos dentro da banda, porm todos os elementos externos banda devem ser nulos.
Uma matriz dita ortogonal quando sua inversa coincide com sua transposta, ou seja, A-1 =
AT. Assim, tem-se que A.AT = AT.M = I.
Chama-se determinante de uma matriz quadrada soma algbrica dos produtos que se
obtm efetuando-se todas as permutaes dos segundos ndices do termo principal
(produto dos elementos da diagonal principal), fixados os primeiros ndices, e fazendo-se
preceder os produtos do sinal + ou -, conforme a permutao dos segundos ndices seja de
classe par ou classe mpar.
Diz-se que dois elementos de uma permutao formam uma inverso se esto em ordem
inversa da permutao principal. Assim, tomando abc como a permutao principal, os
elementos c e b formam uma inverso na permutao acb. Uma permutao de classe par
ou mpar, conforme apresente um nmero par ou mpar de inverses. O total de
permutaes presentes no clculo do determinante de uma matriz quadrada de ordem n
dado por n!
a a12 a a12
A = 11 det A = 11 det A = a11.a22 a12 .a21
a21 a22 a21 a22
46
Usando permutaes:
Tabela de permutaes
a11 a13
a12 a11 a12 a13
A = a21
a22 a23 det A = a21 a22 a23
a31
a32 a33 a31 a32 a33
det A = a11.a22 .a33 + a12 .a23 .a31 + a13 .a21 .a32 a13 .a22 .a31 a11 .a23 .a32 a12 .a21.a33
Usando permutaes:
Tabela de permutaes
4) Obter a soma dos termos: det A = +a11 a22 a33 + a13 a21 a32 + a12 a23 a31
-a11 a23 a32 - a12 a21 a33 - a13 a22 a31
47
Para calcular o determinante de uma matriz quadrada de ordem n qualquer pode-se utilizar
o processo de triangularizao da matriz. Assim, dada uma matriz quadrada, operaes
adequadas sobre suas linhas (ou colunas) so realizadas a fim de transform-la em uma
matriz triangular superior ou inferior.
Quanto aos elementos da diagonal principal da matriz, trs hipteses podem ocorrer:
1) O elemento igual a zero: procede-se com a operao de troca de linhas, devendo-se
multiplicar ao final o determinante da matriz por -1.
2) O elemento igual a k: nesse caso, multiplicam-se todos os elementos da linha por
1/k e o determinante da matriz por k.
3) O elemento igual a 1: nesse caso, no h nada a fazer em relao diagonal
principal.
48
2 4 6 1 2 3
1
Exemplo: det A = 5 9 8 L1 det A = 2. 5 9 8
2
7 2 1 7 2 1
1 2 3 1 2 3
L2 = L2 5.L1
det A = 2. 5 9 8 2. 0 1 7
7 2 1 L3 = L3 7.L1 0 12 20
1 2 3 1 2 3
det A = 2. 0 1 7 1.L2 2.(1). 0 1 7
0 12 20 0 12 20
1 2 3
det A = 2.(1). 0 1 7 L3 = L3 + 12.L2
0 12 20
1 2 3
det A = 2.(1). 0 1 7 det A = 2.(1).64 = 128
0 0 64
O posto (rank) de uma matriz quadrada A definido como o nmero de colunas (linhas)
linearmente independentes de A. O nmero de colunas linearmente independentes de
qualquer matriz igual ao nmero de linhas linearmente independentes dessa matriz. Em
geral, o maior posto possvel de uma matriz Amn o min(m,n). Portanto, as colunas de A so
linearmente independentes se A.c = 0, o que implica c = 0.
Exemplo:
1 2 3
A=
5 2 4
1 5 0
0
c1 2 + c2 2 = 0 c =
3 4 0 0
14
1 2 3 0
c1 + c2 + c3 = c = 11
5 2 4 0 12
Uma matriz simtrica A dita positivo definida se xT.A.x > 0 para todos os possveis vetores
x, com exceo de x = 0. Similarmente, se xT.A.x 0 para todos os possveis vetores x, com
exceo de x = 0, a matriz A dita positiva semidefinida.
3 4 5 x1
x Ax
T
A = 0 1 -6 x = x2
0 0 2 x3
Alternativamente, esta forma quadrtica pode ser representada usando uma matriz
simtrica dada por:
3 2 5 2
1
2
( A+A )= 2
T 1 3
5 2 3 2
Assim, a matriz da forma quadrtica pode sempre ser representada por uma matriz
simtrica e nica.
Uma matriz quadrada A = [aij] pode ser multiplicada n vezes por si mesma. A matriz que
resulta dessas operaes chamada potncia n da matriz, sendo representada por An.
50
Exemplo:
1 2
A=
4 3
1 2 1 2 9 8
A2 = . =
4 3 4 3 16 17
1 2 1 2 1 2 9 8 1 2 41 42
A3 = . . = . =
4 3 4 3 4 3 16 17 4 3 84 83
I) A + (B + C) = (A + B) + C
II) A+0=0+A
III) A + A = A A
IV) A+B=B+A
I) (AB)C = A(BC)
II) (A + B)C = AC + BC
III) C(A + B) = CA + CB
IV) Sendo A = [amn]: ImA = AIn = A
V) (A)B = A(B) = (AB)
VI) Se AB = 0, A ou B no necessariamente uma matriz nula.
VII) A multiplicao matricial no , em geral, comutativa.
Os elementos de uma matriz Cmp = [cij] que resulta do produto entre duas matrizes, Amn =
n
[aij] e Bnp = [bij] podem ser definidos por cij = a ik b kj .
k =1
1) Adio e subtrao duas matrizes com mesmas dimenses podem ser somadas ou
subtradas. O resultado da soma das matrizes A e B, ambas de ordem mxn, uma
matriz C dada por:
C= A+B
cij = aij + bij ( i = 1,2,...,m ) ; ( j = 1,2,...,n )
O resultado da subtrao das matrizes A e B, ambas de ordem mxn, uma matriz D
dada por:
51
D = AB
d ij = aij bij ( i = 1,2,...,m ) ; ( j = 1,2,...,m )
2) Produto de duas matrizes Seja uma matriz A de ordem mxn e uma matriz B de
ordem nxp. O produto de A por B uma matriz C que satisfaz a seguinte equao:
C = A.B
n
cij = aik .bkj ( i = 1,2,...,m ) ; ( j = 1,2,...,p )
k =1
Observe que as duas matrizes s podem ser multiplicadas se o nmero de colunas da
primeira matriz for igual ao nmero de linhas da segunda matriz.
3) Produto de uma matriz por um vetor Neste caso, o nmero de colunas da matriz
que precede o vetor deve ser igual ao nmero de elementos do vetor. O produto de
uma matriz A de ordem (mxn) por um vetor de ordem (n) descrito por:
y = A.x
n
yi = aij .x j ( i = 1,2,...,n )
j =1