Escolar Documentos
Profissional Documentos
Cultura Documentos
A resolução de sistemas lineares é um problema que surge nas mais diversas áreas. Os
métodos de solução de sistemas de equações lineares podem ser divididos em dois grupos .
O primeiro é o grupo dos métodos exatos ou diretos, nos quais o resultado se obtém após um
número finito e determinado de operações aritméticas. O segundo grupo reúne os métodos
aproximados de solução fundamentados em algoritmos iterativos.
Uma equação é linear se cada termo contém somente uma variável e cada variável aparece na
primeira potência. A um conjunto de equações lineares se dá o nome de sistema equações
lineares.
........................................................................
2.1 –MÉTODO DE GAUSS- JORDAN: o método de Gauss-Jordan exige que a matriz dos
coeficientes das variáveis devem ser transformada em matriz identidade.
2x1 + x2 + 3x3 = 8
Exemplo 1: Dado o sistema 4x1 + 2x2 + 2x3 = 4 , resolver pelo método de Gauss-Jordan.
Solução
4 2 2 4 4 2 2 4 L2 -4L1 0 0 -4 -12
0 -4 0 -20 ¼ L2 0 1 0 -5
0 1 0 -5 0 1 0 .5
0 0 1 3 0 0 1 3
x1 + 0x2 + 0x3 = 2
0x1 + 0x2 + x3 = 3
3x1 + 2 x2 - 5x3 = 8
Exemplo 2: Dado o sistema 2x1 - 4x2 - 2x3 = - 4 , resolver pelo método de Gauss-Jordan.
x1 - 2x2 - 3x3 = -4
2.2- FATORAÇÃO LU: Seja o sistema linear Ax = b.O processo de fatoração para resolução deste
sistema consiste em decompor a matriz A dos coeficientes em um produto de dois ou mais
fatores e, em seguida, resolver uma seqüência s]de sistemas lineares que nos conduzirá “a
solução do sistema linear original. Por exemplo, se pudermos realizar a fatoração: A = CD, o
sistema linear Ax = b pode ser escrito:
(CD)x = b
A vantagem dos processosde fatoração é que podemos resolver qualquer sistema linear que
tenha A como matriz dos coeficientes. Se o vetor b for alterado, a resolução do novo sistema
linear será quase que imediata.
3x1 + 2 x2 + 4x3 = 1 3 2 4
x1 + x2 + 2x3 = 2 A= 1 1 2
Etapa1:⁽⁰⁾
Então,
L1 ⃪ L1 3 2 4
(1)
L2 ⃪
L2 -.m21L1 e A = 0 1/3 2/3
L3 ⃪
L3.- m31L1 0 1/3 -10/3
Uma vez que os elementos a21(1) e a31(1) são nulos, podemos guardar os os multiplicadores
nestas posições, então:
3 2 4
A(1) = 1/3 1/3 2/3
4/3 1/3 -10/3
Etapa 2:
Pivô: a22(1) = 1/3 Multiplicadores: m21 = a32(1) = 1/3 = 1
a22(1) 1/3
Teremos:
L1 ⃪ L1 3 2 4
L2 ⃪
L2. e A (1) = 1/3 1/3 2/3
L3 ⃪
L3 -.m32L2 4/3 1 -4
Os fatores L e U são:
1 0 0 3 2 4
L= 1/3 1 0 e U= 0 1/3 2/3
4/3 1 1 0 0 -4
Resolvendo L(Ux) = b:
i) Ly =b
y1 = 1
1/3y1 + y2 = 2
4/3y1 + y2 + y3 = 3
Y = ( 1 5/3 0)T
ii) Ux = y:
3x1 + 2x2 + 4x3 = 1
Ux = y → 1/3x2 +2/3x3 = 5/3
-4x3 = 0
X = (-3 5 0)T.
2.3.9 Métodos Iterativos para a Solução de Sistemas Lineares
x( 2)=C x( 1)+g=ϕ ( x( 1) )
⋮
Observação
(o ) (1) (2) (k)
Se a sequência de aproximação x , x , x , ......, x é tal que
(k )
lim x =α ⇒ α =C α + g
k →∞ , então α é a solução do sistema A x=b .
Teste de Parada
Como em todos os processos iterativos, necessita-se de um critério para a
parada do processo.
Desta forma, dada uma precisão ε , o vetor x(k) será escolhido como solução
aproximada da solução exata, se Δ( k )< ε , ou dependendo da escolha, Δ(Rk )< ε .
1
x(1k+1 )= (b 1−a12 x (k2 )−a13 x (k3 )−.. .. .. . .. .−a1n x (kn ) )
a11
1
x(2k+1 )= (b2 −a 21 x(1k)−a 23 x(3k )−. .. . .. .. . .−a2 n x(nk ))
a22
⋮
1
x(nk+1 )= (b n−an 1 x (1k )−an 2 x(2k)−. .. .. . .. ..−ann−1 x(n−1
k)
)
ann
⋮
[ ]
g= b2 / a22
b n /a nn
(o )
Dado uma aproximação inicial x , o Método de Gauss-Jacobi consiste
em obter uma seqüência x(o ) , x(1) , x(2) , ......, x(k) , por meio da relação
recursiva:
x(k+1)=C x(k) +g
Observe que o processo iterativo utiliza somente estimativas da iteração
anterior.
10 x1 +2 x 2 +x 3 =7
x 1 +5 x2 +x 3=−8
2 x 1 +3 x 2 +10 x 3 =6
[ ] []
0 7
10 10
10
C = −1 0 −1 g= − 8
5 5
5
−2 −3
0 6/ 10
10 10
−2 −1
[ ][ ][ ]
0 7
10 10
0,7 10
1 −1 −1
x = 0 −1,6 + −8
5 5
0,6 5
−2 −3
0 6/ 10
10 10
0 , 96
[ ]
x 1= −1 ,86
0 , 94
( 1)
Cálculo de Δ R :
( 0)
|x(1)
1 −x 1 |=|0,7−0,96|=0 ,26
( 0)
|x(1)
2 −x 2 |=|−1, 86−1,6|=0, 26
( 0)
|x(1)
3 −x 3 |=|0,6−0,94|=0 ,34
0 , 34 0 ,34
Δ(R1)= =
( 1) 1, 86
=0 ,1828
max|x i |
i=1,3
Para k=1:
0 , 978
( 2)
[ ] ( 2) 0 ,12
x = −1 , 98 ⇒ Δ R =
0 , 966
1 , 98
=0 , 0606>ε
Para k=2:
0 , 9994
( 2)
[ ]
x = −1 , 9888 ⇒ Δ(R3)=
0 , 99984
0 ,0324
1, 9888
=0 , 0163<ε
0 ,9994
[ ]
x̄= −1,9888
0 ,9984 é solução com erro menor que 0,05.
Teorema
¿ j≠k ¿¿¿ ¿¿ ¿ ¿¿
n |akk|
α =max α k <1 (k )
Se k =1 , n , então o método G-J gera uma seqüência { x } convergente
para a solução do sistema dado, independentemente da escolha da aproximação inicial
(0)
x .
Observe que esta é uma condição suficiente, se for satisfeita o método converge,
entretanto se não for satisfeita nada se pode afirmar.
Exemplo 1:
( 2+1 )
α 1= =0,3<1
10
10 2 1
A= 1
2 [ 5
3
1
10 ] α 2=
α 3=
( 1+1 )
5
( 2+3 )
=0,4<1
=0,2<1
10
Exemplo 2:
x 1 +x 2=3
x 1−3 x 2 =−3
1
α 1= =1
1
1
α 2=
3
As condições de convergência do teorema não são satisfeitas, entretanto o
Método de Gauss-Jacobi gera uma seqüência convergente para a solução exata
T
x= [3 2 3
2]
. Se as condições de suficiência não são satisfeitas, não significa que o
método não possa convergir.
Exemplo 3:
x 1 +3 x 2 +x 3=−2
5 x1 +2 x 2 +2 x 3 =3
0 x 1 +6 x 2 +8 x 3 =−6
( 3+1 )
α1= =4> 1
1
1 3 1
A= 5
0[ 2
6
2
8 ] α 2=
α3=
(5+ 2)
2
( 0+ 6)
=3,5>1
=0 , 75<1
8
α 3=
]( 1+1)
3
( 0+6 )
=0 , 66<1
=0 ,75< 1
8
As condições passam a ser satisfeitas e a convergência é garantida para
qualquer vetor inicial. Este tipo de procedimento nem sempre é possível.
L= a31
⋮
an1
[
a 21 0
a32 0
⋮ ⋮
0 ⋯
⋯
⋱
an 2 ⋯ a nn−1
0
0
⋮
0
][
D= 0
0
⋮
0
d 22
0
⋮
0
0 ⋯ 0
d 33 ⋯ 0
⋮ ⋱ ⋮
⋯ 0 d nn
][ 0 0
U= 0 0
⋮ ⋮
0 0
a23 ⋯ a2n
0 ⋯
⋯ 0
⋮
⋮ ⋱ a n−1 n
0
]
( L+ D+U ) x=b
L x+ D x+U x=b
D x=b−(L+U )x
D x( k+1)=b−( L+U )x (k )
(k+1 ) (k)
x =D−1 b−D−1 ( L+U ) x
5 x1 + x2 +x 3=5
3 x1 +4 x 2 +x 3 =6
3 x1 +3 x 2 +6 x3 =0
O processo iterativo é dado por:
1
x(1k +1)= (5−x (2k )−x(3k ) )
5
( k +1) 1 ( k +1 ) (k )
x 2 = (6−3x 1 −x 3 )
4
1
x(3k +1)= (0−3 x(1k +1)−3 x (2k+1 ))
6
o T
Para k=0 e x =[ 0,0,0 ]
1
1
x = 0 ,75
[ ]
−0 , 875
( 1)
Cálculo de Δ R :
( 1) ( 0)
|x 1 −x 1 |=|1,0−0|=1,0
|x(21)−x(20)|=|0 ,75−0,0|=0 , 75
|x(31)−x(30)|=|−0 , 875−0|=0 , 875
( 1)
max Δ i
( 1) i=1,3 1,0
ΔR = =
=1,0>ε
max |x i | 1,0
( 1)
i=1,3
1 T
Para k=1 e x =[1,0, 0,75, −0,875] :
1 ,025
( 2)
[ ]
x = 0 ,95
−0, 9875
( 2) ( 1)
|x 1 −x 1 |=|1 ,025−1,0|=0, 025
( 2) ( 1)
|x 2 −x 2 |=|0 ,95−0 ,75|=0,20
|x(32)−x(31)|=|−0, 9875−(−0, 875 )|=0, 1125
( 2)
max Δi
0,20
Δ(R2)= i=1,3 ( 2) = =0, 1957>ε
max|x i | 1, 025
i=1,3
2 T
Para k=2 e x =[1,0025, 0,95, −0,9875 ] :
1 , 0075
( 3)
x = 0 , 9912
−0 ,9993[ ]
|x(13)−x(12)|=|1 , 075−1, 025|=0 , 0175
( 3) ( 2)
|x 2 −x 2 |=|0 , 9912−0 , 95|=0 , 0412
|x(33)−x(32)|=|−0 , 9993−(−0 ,9875 )|=0 ,0118
max Δ(i 3)
0 , 0412
Δ(R3)= i=1,3 (3 ) = =0 , 0408<ε
max |x i | 1, 0075
i=1,3
1,0075
[ ]
x̄= 0, 9912
−0 ,9993 é solução com erro menor que 0,05.
⋮
0
d 22
0
⋮
0
0 ⋯ 0
d 33 ⋯ 0
⋮ ⋱ ⋮
⋯ 0 d nn
][ 0 0
U= 0 0
⋮ ⋮
0 0
a23 ⋯ a2n
0 ⋯
⋯ 0
⋮
⋮ ⋱ a n−1 n
0
]
L x+ D x+U x=b
D x=b−(L+U )x
x= D−1 b−D−1 L x−D−1 U x
3 3
x=[ ]T
A solução exata é dada por: 2 2 .
Esse processo iterativo até à convergência pode ser interpretado geométricamente num
grafico com a componente x 1 na abscissa e a componente x 2 na ordenada.
8
x2
7 x1+x2=3
3
(1,2) (3,2)
2
(4/3,5/3)
1 (1,4/3)
x1-3x2=-3
0
(0,0) (0,3) x1
-1
-2
-5 -4 -3 -2 -1 0 1 2 3 4 5
(o ) (1) (2)
Observação 1: Verifica-se pelo gráfico acima que a seqüência x , x , x
3 3
(k) x=[ ]T
, ......, x está convergindo para a solução exata 2 2 .
Observação 2: A sequência gerado pelo Método de Gauss-Seidel depende fortemente
da posição das equações. Esta observação pode ser melhor entendida modificando a
ordem das equações do exemplo anterior.
8
x2
7
(-3,6) ......(6,15)
6
5 x1+x2=3
3
x1-3x2= -3
2
0 x
(0,0) x1
(0,-3)
-1
-2
-5 -4 -3 -2 -1 0 1 2 3 4 5
¿ j≠k ¿¿¿ ¿¿ ¿ ¿¿
n |akk|
α=max α k <1 (k )
Se k =1 , n , então o método Gauss-Seidel gera uma seqüência { x }
convergente para a solução do sistema dado, independentemente da escolha da
(0)
aproximação inicial x .
Critério de Sassenfeld
|a 12|+|a13|+|a14|+. .. .. . .+|a1 n|
β 1=
|a11|
e para j=2,3,.............n :
β=max β j
Define-se j=1, n .
Se β<1 , então o Método de Gauss-Seidel gera uma sequência convergente para a
solução do sistema, qualquer que seja o vetor inicial. Além disso, quanto menor for o
valor de β mais rápida é a convergência.
Exemplo: Verificar as condições de convergência do Método de Gauss-Seidel no
sistema abaixo:
2 x 1 +x 2 +3 x 3 =3
−x 2 + x 3=1
x 1 + 3 x 3 =3
a) Critério de Linhas
1+3
α 1= =2>1
2 não satisfaz.
b) Critério de Sassenfeld
1+3
β 1= =2>1
2 não satisfaz.
b) Critério de Sassenfeld
1
β 1= =0 . 33<1
3 satisfaz.
1
1⋅
3
β 2= =0. 33<1
1 satisfaz.
1 1
3⋅ +1⋅
3 3 4
β 3= = <1
2 6 satisfaz.
2 x 1 + x 2 =3
x 1 + x 2=4
Critério de Linhas
1
α 1=
2
α 2=1 Não satisfaz
Critério de Sassenfeld
1
β 1=
2
1
1×
2 1
β 2= =
1 2 Satisfaz
Teorema
n n
Seja b ∈ ℜ e A=( M−N ) ∈ ℜ é não singular. Se M é não-singular e
−1
satisfaça ρ( M N )<1 , então o processo iterativo
−1
o raio espectral de M N
M x (k +1)=N x( k ) +b
−1
definido por converge para x= A b para qualquer vetor
(0)
x .
ρ( M −1 N )=max {|λ|: λ ∈ λ (M −1 N ) }
M =D
N =−( L+U )
Para o Método de Gauss-Seildel:
( L+ D+U ) x=b
L x+ D x+U x=b
L x+ D x=b−U x
( L+ D) x( k +1)=b−U x (k )
M =( L+D)
N =−U
Métodos Iterativos:
Norma de vetores
A norma de vetores em R
n
é uma função || . || := R
n
→ R que satisfaz
1. x≠0→‖x‖>0
2. ‖α x‖=|α|‖x‖
3. ‖x+y‖≤‖x‖+‖y‖
Embora existem uma infinidade de normas, as mais utilizadas na prática são:
‖x‖1 =∑ |x i|
Norma 1: i
2
Norma 2:
‖x‖ 2=
√∑ xi
i
Norma
∞ : ‖x‖∞=maxi|x i|
Normas de matrizes
A norma de uma matriz é definida de forma análogo a norma de vetores. A norma de
mxn
é uma função || . || : R → R que satisfaz:
m×n
uma matriz em R
1. Α≠0⇒‖Α‖>0
2. ‖α Α‖=|α|‖Α‖
3. ‖Α+B‖≤‖Α‖+‖B‖
Propriedade Adicional
‖ΑB‖≤‖Α‖‖B‖
Sempre que o produto A .B é definido.
OBS: Uma norma de vetor || . ||v é consistente com uma norma de matriz || . ||M se :
‖Α x‖≤‖Α‖‖x‖
cond ( Α )=‖Α−1‖‖Α‖
Das relações anteriores pode-se chegar a:
‖δx b‖ ‖δx Α‖
||x|| ‖x +δx Α‖
cond ( Α )≥ e cond ( Α )≥
‖δb‖ ‖δΑ‖
||b|| ‖Α‖
Estas relações mostram que, se a mudança relativa é muito grande para uma pequena
perturbação em A ou b , nós sabemos que A é mal condicionada.
Propriedades:
Observação 1: O cond ( A ) pode ser uma medida mais eficaz para a verificação da
singularidade de uma matriz, que o determinante. Como exemplo, seja uma matriz
diagonal de ordem 100×100 , com todos elementos igual a 0,1. O determinante da
−100
matriz é 10 , que é um número pequeno e pode ser arredondado para zero em
computadores digitais. Já a número de condição da matriz é igual a 1.
Α x=b
ΡΑ x=Ρb
A matriz A é pré-multiplicada por uma matriz P de pré-condicionamento, com o
objetivo de que a nova matriz PA tenha uma redução do raio espectral o quê implica na
redução do condicionamento.
Matriz não-singular
Matriz singular
Matriz próxima da
singularidade
Exemplo
Α x=b
A matriz A é armazenada em uma máquina com unidade de arrendondamento u .
~
a ij=a ij ( 1+ε ij ) [ ε ij ]≤u
~
Α= Α+ Ε onde e ij=a ij ε ij
Para qualquer norma:
‖Ε‖≤‖Α‖U
Se o algoritmo de solução for numericamente estável:
‖~x−x‖
≤ cond ( Α ) u
‖~x‖
Condicionamento de Matrizes de Redes Elétricas
Análise Nodal
A equação matricial de desempenho de uma rede linear na formulação nodal é dada
por:
I =YE
onde I – é o vetor das injeções nodais de corrente
E – vetor das tensões nodais em relação ao nó de referência.
Y – matriz de admitância nodal
Em sistemas de potência geralmente o nó de referência é o nó terra, sendo os demais
nós as barras do sistema:
IBarra = YBarra ZBarra
Na sua forma inversa tem-se:
EBarra = YBarra-1 IBarra
YBarra → esparsa
ZBarra → Cheia
YBarra-1 → ZBarra
Na ausência de acoplamento mútuo, a matriz YBarra é montada com grande facilidade.
Υ ii=∑ y ik
Elementos diagonais K
1 2
E
I1 1 - j2
EQUIVALENTE NORTON
~
-j4
V
1 2 – j4 I= I =YV
R
4 3
I4 -J4 E
I3 -J4
1
J1/2 -J
10
Ι1 2− j2 −1+ j 2 0 Ε1
[ ][ ][ ]
−1
−J 4 E −1+ j2 3− j 10 −2+ j 4 0 Ε2
=
−I 3 0 −2+ j 4 3− j 7,1 −1+ j 3 Ε3
−I 4 −1 0 −1+ j3 2− j2,5 Ε4
1
11
3
Ya Yc
Ya+Yb −Ya −Yb
YBarra =
[ −Ya Ya+Yc −Yc
−Ya −Yc Yb+Yc
Matriz é singular (colunas combinação linear)
]
Mau condicionamento: admitância fraca entre a rede e o nó de referência
Bom condicionamento: forte conexão com o nó de referência.
Ι n=Υ n1 Ε1 +Υ n2 Ε 2 +. .. .. . .. .. . Υ nn Ε n
Com Ε 1 de referência
Ι 1 −Υ 11 Ε1 =Υ 12 Ε 2 +. .. .. . ..+Υ 1 n Εn
Ι 2 −Υ 21 Ε1 =Υ 22 Ε2 +.. .. . .. .. .+Υ nn Εn
Ι n−Υ n1 Ε1 =Υ n 2 Ε2 +. . .. .. . .. ..+Υ nn Εn
r ( 1 )=b− Α x( 1)
b=Α x
(1 ) ( 1)
Α⋅( x−x ) =r
y( 1)=x−x ( 1 )
Chega-se a um novo sistema linear:
(1) (1 )
Α y =r
Resolvendo-se esse sistema, uma correção da variável é obtida:
x(2)=x(1)+ y (1)
Esse processo pode ser repetido até que se chegue a convergência.
Observações:
Entre com A e
b em dupla
Corrija a Solução:
k =k +1
Α11 Α 12 . .. . Α 1m
(
Α= Α21
Αm 1
Α 22 . .. .
Α m 2 .. . .
Α 2m
Α mm
)
Α ii são blocos diagonais quadrados de ordem ni
n=n1 +n 2 +. .. .. . .. . nm
A maneira mais simples é realizar através de computação recursiva:
I 0
Α=
( Α¿ 1 Α−
11
1
I ) ¿¿
Explicitando.
1. A primeira linha de blocos de U é a primeira linha de blocos de A.
2. A primeira coluna de blocos de L excluindo o bloco identidade diagonal é Α ¿ 1 Α−1
11
.
−1
3. Os blocos restantes da decomposição são obtidos por Α **− Α¿ 1 Α 11 Α1∗¿ ¿
(
Α= L21 I
Lm 1 Lm 2 I )( 0
0
U 22 U 2m
U mm )
nn=n (1 )+. . .. .. . n(m) → n (i ) dim ensão de cada bloco.
ux=0
Para K=1 a m−1
lx=ux +1
ux =lx+n ( K )−1
if ( A [ lx :ux , lx:ux ] é singular ) erro
−1
A [ ux +1: nn , lx :ux ] = A [ ux+1:nn , lx :ux ]∗ A [ lx:ux , lx :ux ]
A [ ux +1: nn , ux +1 :nn ] = A [ ux+1:nn , ux +1: nn ] −
− A [ ux+1 :nn , lx :ux ]∗A [ lx :ux ,ux +1 :nn ]
Fim K