Cap 2 Sistemas Lineares 2 PDF

124111
1
MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
CAMPUS PATO BRANCO
Coordenação do Curso das Engenharias de Eletro Mecânica, Elétrica e Produção Civil
Prof .Jorge Roberto Grobe 11/09/2014 14:12:28 Calculo Numérico
CAPITULO 2
2.0 SISTEMAS DE EQUAÇÕES LINEARES
BOLDRINI ( 1980, p.29), na natureza existem varias transformações e o ser humano
necessita garantir sua sobrevivência para melhorar sua existência e dominar processos de
mudanças. Um dos métodos encontrados para descrever esta transformação foi de procurar o
que permanece constante durante a mudança:
Exemplo, a descrição da transformação, onde hidrogênio (H 2) reage com o oxigeno (O 2) para
produzir água (H2O). Quanto de hidrogênio e de oxigênio precisamos ? Esta mudança pode
ser descrita do seguinte modo:x moléculas de H2 reagem com y moléculas de O2
produzindo z moléculas de H2O:
xH2 + y O2 → zH2O
Os átomos não são modificados, o numero de átomos de cada elemento no inicio da reação
deve ser igual ao numero de átomos desse mesmo elemento, no final da reação. Então pode
ser escrito em forma de um sistema linear , aonde as variáveis são x, y e z. Podese descobrir
quais são os números x, y e z que satisfazem simultaneamente estas equações.
Segundo BARROSO (1987, p.17), através da resolução numérica de um sistema linear S n
de n equações e n variáveis podese aplicar em calculo de estruturas, redes elétricas e solução
de equações diferenciais, entre outras.
Um sistema linear Sn de n equações com n incógnitas:
a11 x 1a 12 x 2...a1n x n =b 1
a x a x ...a 2n x n =b 2
S n= 21 1 22 2
..............
an1 x 1an2 x 2...a nn x n=b n
Sob a forma matricial Sn pode ser escrito como Ax=b, onde A é uma matriz aumentada
quadrada de ordem n, b e x são matrizes n por 1 , e a ij é chamado de coeficiente da variável
xj e os bj são chamados de termos independentes. A matriz A é chamada matriz dos
coeficientes e a matriz aumentada ou matriz completa do sistema.
[ ]
a11 a 12 ... a1n b 1
a a ... a 2n b 2
B= 21 22 = [A:b]1
.........
a n1 a n2 ... a nn b n
1Concatenção de matrizes
224222
2
CAMPUS PATO BRANCO
Os números x 1 , x 2 , . .. , x n constituem uma solução do sistema linear e as equações
transformam em igualdades numéricas. Com esta solução , podese escrever na forma de
matriz coluna:
[]
T
x1
x
X= 2
...
xn
Os sistemas lineares podem ser classificados quanto ao numero de soluções em

compatível, quando tem solução e incompatível não tem solução. Os sistemas compatíveis
podem ser determinados ( uma solução) ou indeterminados ( varias soluçøes).
2.1 EXERCÍCIOS
1) T2 WXMAXIMA BASTCHELET( 1978, p.500), qual dos sistemas de equações tem: 1)
uma única solução;2) um numero infinito de soluções: 3) somente a solução trivial; 4) não
tem solução?
a) A+3B=0 b) 5L3u=7 c)8m6n=4 d)12r +10s=7
2AB=0 L+u=1 4m3n=2 18r+15s=6
e) 28p +16q =0 f) x+y4=0
21p+12q=0 xy+5=0
2) Resolva o sistema de equações, escrevendo a matriz ampliada, associada ao novo sistema:
resposta:{ x=1; y=2 e z=5}
2xy+3z=11
4x3y+2z=0
x+y+z=6
3x+y+z=4
* vai no editor e salva em uma pasta scilab e salva como extensão sistemas.sce
SOLUÇÃO 1 : SCILAB COMANDO : linsolve
A=[ 2 1 3;4 3 2;1 1 1; 3 1 1]
b=[11;0;6;4]
X=linsolve(A,b)
SOLUÇÃO 2 : SCILAB COMANDO : RREF
324333
3
CAMPUS PATO BRANCO
disp('comando RREF ')
disp('matriz ampliada do sistema')
Ab=[A,b]
disp('forma escada ')
X2=rref(Ab)
SOLUÇÃO 3 : WXMÁXIMA
COMANDOS: EQUAÇÕES/SISTEMAS LINEARES /NUMERO DE EQUAÇÕES/ DIGITAR
AS VARIÁVEIS
(%i1) linsolve([2*xy+3*z=11, 4*x3*y+2*z=0, x+y+z=6, 3*x+y+z=4], [x,y,z]);Dependent
equations eliminated: (4)(%o1) [x=1,y=2,z=5]
* aqui é possível ver quando o sistema é possível e indeterminado, uma solução e impossível.
3) T2 WXMAXIMA KOLMANN( 1998, p.26), considere o seguinte sistema linear:
2x+ w=7
3x+2y+3z=2
2x+3y4z=2.
x+3z=5
a) encontre a matriz dos coeficientes
b) escreva o sistema linear em forma matricial
c)encontre a matriz aumentada do sistema
d) resolva o sistema linear e a ache a solução se possível.
Resposta : w=84 x=45,5 y=49 z=13,5
4) T2 WXMAXIMA BOLDRINI ( 1980, p.51), resolva os sistemas lineares:
a) x1+2x2x3+3x4=1 b) x+y+z=4 c) x +y+z=4 d) x2y+3z=0
2x+5y2z=3 2x+5y2z=3 2x+5y+6z=0
x+7y7z=5
5) BARROSO(1987, p.37), determinar o vetor solução dos sistemas lineares através do
método de Eliminação de Gauss;
2x13x2x3−x4=6,9
−x1 x2−4x3x4=−6,6
a) solução exata do sistema
x1 x2x3x4=10,2
4x1−5x2x3−2x4=−12,3
424444
4
CAMPUS PATO BRANCO
[ ]
−1 1 −4 1 −6,6
2 3 1 −1 6,9
pivo:1 operações: 2L1+L2 ; 1*L1+L3 ; 4L1+ L4
1 1 1 1 10,2
4 −5 1 −2 −12,3
[ ]
−1 1 −4 1 −6,6
0 5 −7 1 −6,3
permutando L2 e L4
0 2 −3 2 3,6
0 −1 −15 2 −38,7
[ ]
−1 1 −4 1 −6,6
0 −1 −15 2 −38,7
pivo: 1 operações: 2L2+L3 ; 5*L2+L4
0 2 −3 2 3,6
0 5 −7 1 −6,3
[ ]
−1 1 −4 1 −6,6
0 −1 −15 2 −38,7
pivo : 33 2,4848*L3+ L4
0 0 −33 6 −73,8
0 0 −82 11 −199,8
[ ]
−1 1 −4 1 −6,6
0 −1 −15 2 −38,7
0 0 −33 6 −73,8
0 0 0 −3,9088 −16,4218
x4=4,2012 x3=3,0002 x2=2,0994 x1=0,8998
SOLUÇAO NO WXMAXIMA PELO COMANDO TRIANGULARIZE
INFORMA A MATRIZ MATRIZ AMPLIADA DO SISTEMA.
(%i4) Matrix([2,3,1,1,6.9],[1,1,4,1,6.6],[1,1,1,1,10.2],[4,5,1,2,12.3])
LINHA DE COMANDO: triangularize(%i4);
(%o9)matrix([20,30,10,10,69],[0,2200,200,0,5220],[0,0,6000,16500,87300 [0,0,0,
322500,1750500])
*a matriz fica tela em forma de matriz escalonada ou triangularizada.
* para resolver este sistema linear utilizando o comando TRIANGULARIZE , neste caso
precisase de uma calculadora.
524555
5
CAMPUS PATO BRANCO
4x13x22x3 x4=10
x12x23x34x4=5
b)
x1−x2−x3−x4=−1
x1x2x3 x4=3
6) T2 WXMAXIMA BOLDRINI ( 1980, p.50), foram estudados 3 tipos de alimentos. Fixada
a mesma quantidade ( 1g) determinouse que:
i) o alimento I tem 1 unidade de vitamina A, 3 de unidades de vitamina B e 4 unidades de
vitamina C.
ii) o alimento II tem 2 unidade de vitamina A, 3 de unidades de vitamina B e 5 unidades de
vitamina C.
iii) o alimento III tem 3 unidades de vitamina A, 3 de unidades de vitamina C e não contem
vitamina B.
Se são necessárias 11 unidades de vitamina A, 9 de vitamina B e 20 de vitamina C.
a) encontre todas as possiveis quantidades dos alimentos I,II e III, que fornecem a quantidade
de vitaminas desejada.
b) se o alimento I custa $0,60 por grama e os outros dois custam $0,10, existe uma solução
custando exatamente $1,00?
7) T2 WXMAXIMA BOLDRINI ( 1980, p.54), necessitase adubar um terreno
acrescentando a cada 10m2 140 g de nitrato 190 g de fosfato e 205 g de potássio. Dispõese de
4 qualidades de adubo com as seguintes características:
i) cada kg do adubo I custa $5 e contem 10 g de nitrato, 10 g de fosfato e 100 g de potássio.
ii) cada kg do adubo II custa $ 6 e contem 10 g de nitrato, 100 g de fosfato e 30 g de potássio.
iii) cada kg do adubo III custa $ 5 e contem 50 g de nitrato, 20 g de fosfato e 20 g de potássio
iv) cada kg do adubo IV custa $ 15 e contem 20 g de nitrato, 40 g de fosfato e 35 g de
potássio .Quanto de cada adubo devemos misturar para conseguir o efeito desejado se estamos
dispostos a gastar $ 54 para cada 10 m2 com adubação?
624666
6
CAMPUS PATO BRANCO
8) BOLDRINI ( 1980, p.54)Faça o balanceamento das reações:
a) N2O2→NO2+O2 ( decomposição térmica do N2O5)
b)HF + SiO2 →SiF4+H2O ( dissolução do vidro em HF)
SOLUÇÃO :
xHF + ySiO2 →zSiF4+tH2O
equações do balanceamento da reação química
H: x =2t
F: x=4z
Si: y =z
O: 2y =t
SOLUÇÃO 1:WXMÁXIMA
(%i2) algsys([x=2*t, x=4*z, y=z, 2*y=t], [x,y,z,t]);
(%o2) [[x=%r1,y=%r1/4, z=%r1/4,t=%r1/2]]
%r( variável livre que pode ser atribuida como w
t=w/2 z=w/4 y=w/4 x=w
SOLUÇÃO 2 : SCILAB
A=[1 0 0 2;1 0 4 0;0 1 1 0; 0 2 0 1]
b=[0;0;0;0]
X8=linsolve(A,b)
* encontra apenas solução nula
disp('comando RREF ')
disp('matriz ampliada do sistema')
Ab8=[A8,b8]
disp('forma escada ')
X81=rref(Ab8)
[ ]
1 0 0 −2 0
0 1 0 −0,5 0
0 0 1 −0,5 0
0 0 0 0 0
* a partir desta matriz na forma escada tem que resolver a mão este sistema linear.
724777
7
CAMPUS PATO BRANCO
c)T2 WXMAXIMA (NH4)2CO3 →NH3+H2O+CO2
9) KOLMANN( 1998, p.56) uma editora publica um bestseller em potencial com tres
encadernações diferentes: capa mole, capa dura e encadernação de luxo. Cada exemplar de
capa mole necessita de 1 minuto para costura e de 2 minutos para a cola. Cada exemplar de
capa dura necessita de 2 minutos para costura e de 4 minutos para a cola. Cada exemplar com
encadernação de luxo necessita de 3 minutos para a costura e de 5 minutos para a cola. Se o
local onde são feitas as costuras fica disponível 6 horas por dia e o local onde se cola fica
disponível 11 horas por dia, quantos livros de cada tipo devem ser feitos por dia de modo que
os locais de trabalho sejam plenamente utilizados?
10)KOLMANN( 1998, p.56)Um fabricante de móveis produz cadeiras, mesinhas de centro e
mesas de jantar. Cada cadeira leva 10 minutos para ser lixada, 6 minutos para ser tingida e 12
minutos para ser envernizada. Cada mesinha de centro leva 12 minutos para ser lixada, 8
minutos para ser tingida e 12 minutos para ser envernizada. Cada mesa de jantar leva 15
minutos para ser lixada, 12 minutos para ser tingida e 18 minutos para ser envernizada. A
bancada para lixar fica disponível 16 horas por semana, a bancada para tingir, 11 horas por
semana , e a bancada para envernizar, 18 horas por semana. Quantos móveis devem ser
fabricados (por semana) de cada tipo para que as bancadas sejam plenamente utilizadas?
2.2 ESTRATÉGIAS DE PIVOTAMENTO
2.2.1 PiVOTAÇÃO COMPLETA
“A pivotação completa é uma estratégia recomendada para sistemas onde a precisão é
essencial e a quantidade de tempo de execução exigida pode ser justificada”. BURDEN
(2003, p.319)
Em sistema linear escolhe o elemento de maior módulo e não pertencente à coluna dos termos
independentes. Quando ocorre um pivo nulo devese efetuar uma troca de linhas para escolher
um pivo não nulo. Outra maneira de se evitar o pivo nulo é usar o método da pivotação
completa. Esta pivotação minimiza a ampliação dos erros de arredondamento durante as
eliminação, sendo recomendado na resolução de sistemas lineares de maior porte.
BARROSO(1987, p.40).
824888
8
CAMPUS PATO BRANCO
EXERCICIOS
11) BARROSO(1987, p.37 ,determinar o vetor solução dos sistemas lineares através do
método da Pivotação Completa: * 4 CASAS APÓS A VIRGULA COM
ARREDONDAMENTO
2x13x2x3−x4=6,9
−x1 x2−4x3x4=−6,6
a)
x1 x2x3x4=10,2
4x1−5x2x3−2x4=−12,3
SOLUÇAO:
2 3 1 -1 6,9
-1 1 -4 1 -6,6
1 1 1 1 10,2
4 -5 1 -2 -12,3
PASSO 1:
M1=0,2 M2=0,2 M3=0,6
M1*L4+L3 M2*L4+L2 M3*L4+L1
4,4 1,6 -2,2 -0,48
-0,2 -3,8 0,6 -9,06
1,8 1,2 0,6 7,74
4 -5 1 -2 -12,3
PASSO 2:
M4=O,O455 M5=0,4091
M4*L1+L2 M5*L1+L2
4,4 1,6 -2,2 -0,48
-3,7272 0,4999 -9,0818
0,5454 1,5 7,9364
4 -5 1 -2 -12,3
PASSO 3:
M6=0,1463
M7*L2+L3
4,4 1,6 -2,2 -0,48
-3,7272 0,4999 -9,0818
1,5731 6,6077
4 -5 -2 -12,3
924999
9
CAMPUS PATO BRANCO
[ ]
0,9002
2,1
VETOR SOLUÇAO: X =
3
4,2004
4x13x22x3 x4=10
x12x23x34x4=5
b)
x1−x2−x3−x4=−1
x1x2x3 x4=3
4 3 2 1 10
0 1,25 2,5 3,75 2,5
0 -1,75 -1,5 -1,25 -3,5
0 0,25 0,5 0,75 0,5
Pivo: 4
4 3 2 1 10
0 1,25 2,5 3,75 2,5
0 -1,3333 -0,6667 0 -2,6667
0 0 0 0 0
Pivo:3,75 Pivo: 0,6667
SOLUÇÃO 1: fazendo x4=0 x3=0 x2=2 x=1
* quando x4=0 variavel livre , resolver L2 e L3 o sistema linear 2x2
SOLUÇÃO 2 ; fazendo x2=0 , (calculase o x3 pela linha L3) x3=4 x4 =2 x1=1
SOLUÇÃO 3: fazendo x3=0 ( calculase x2 pela linha L3) x2=2 e x1=1
SOLUÇÃO 4 ; usando o WXMAXIMA : x1=1 x2=K x3= 42k x4=k2 ( k =variavel
livre)
12) VCN PIVOTAÇÃO COMPLETA BOLDRINI ( 1980, p.54), necessitase adubar um
terreno acrescentando a cada 10m2 140 g de nitrato 190 g de fosfato e 205 g de potássio.
Dispõese de 4 qualidades de adubo com as seguintes características:
i) cada kg do adubo I custa $5 e contem 10 g de nitrato, 10 g de fosfato e 100 g de potássio.
ii) cada kg do adubo II custa $ 6 e contem 10 g de nitrato, 100 g de fosfato e 30 g de potássio.
iii) cada kg do adubo III custa $ 5 e contem 50 g de nitrato, 20 g de fosfato e 20 g de potássio
iv) cada kg do adubo IV custa $ 15 e contem 20 g de nitrato, 40 g de fosfato e 35 g de
potássio .Quanto de cada adubo devemos misturar para conseguir o efeito desejado se estamos
dispostos a gastar $ 54 para cada 10 m2 com adubação?
1024101010
10
CAMPUS PATO BRANCO
2.2 FATORIZAÇÅO LU
Para KOLMAN (1999, p.443), uma matriz é decomposta como um produto de uma
matriz triangular inferior com uma matriz triangular superior.
Esta decomposição leva o algoritmo para resolver um sistema linear Ax=b.
A popularidade deste método faz com que forneça uma maneira mais barata de resolver
um sistema linear quando se faz uma mudança no vetor b de Ax=b.
A decomposição para resolver o sistema linear , onde U e´ a matriz triangular superior e
L e´ uma matriz triangular inferior.
A matriz U e´ resolvida sem colocar a matriz aumentada [ U: b], e possuem todos os
elementos diagonais diferentes de zero.
A solução é obtida de baixo para cima. Para a construção da matriz L, colocase na
diagonal principal iguais a 1.
Colocar na primeira coluna L1 , respectiva os multiplicadores com sinal trocado e assim
por diante.
Suponha que uma matriz A n x n pode ser escrita com um produto de uma matriz
triangular inferior L com uma matriz triangular superior U, ou seja : A=LU.
Entåo dizse que A tem uma fatorização LU ou decomposição LU. Substituindo A=LU,
no sistema Ax=b, escrevese (LU)x=b. Fazendo Ux=z , então essa equação matricial fica
escrita Lz=b.
Segundo BURDEN (2003, p.339341), esta fatoração e´ chamada de método de Doolitle e
requer que valores iguais a 1 estejam na diagonal de L.
O método de Crout requer valores iguais a 1 estejam na diagonal de U. Então as matrizes
L e U podem ser escritas:
Para LAY (1999, p.125) , existem matrizes unidades triangulares inferiores E1...Ep
tais que:
(Ep...E1) A= U A=(Ep^-1...E3^-1.E2^-1.E1-¹)U=LU
ALGORITMO DA FATORIZAÇÃO LU DOOLITLE
1124111111
11
CAMPUS PATO BRANCO
Os elementos da matriz L são osij e os de U são os uij .
u1k  a1k k  1,  , n
j 1
u jk  a jk    ji u ik k  j,  , n ; j  2
i 1
a j1
 j1  j  2,  , n
u11
1  k 1

 jk   a jk    ji u ik 
u kk  i 1 
j  k  1,  , n ; k  2
fonte: http://MetodosNumericoseEstatisticos/MNEaula04.ppt
2.3 EXERCICIOS
x 1 x 23x 4=4
2x 1x 2− x 3x 4=1
EXEMPLO: BURDEN( 2003, p.340), seja o sistema linear
3x 1−x 2 −x 32x 4 =−3
−x 12x 23x 3−x 4=4
[ ] [ ]
1 1 0 3 1 0 0 0
0 −1 −1 −5 2 1 0 0
U= L=
0 0 3 13 3 4 1 0
0 0 0 −13 −1 −3 0 1
RESPOSTA: [ 3;1;0;2]T
13) KOLMANN (1999, p.448) , resolver o sistema linear Ax=b pela fatoraçåo LU:
a) A=[ 2 3 4;4 5 10;4 8 2] b=[6;16;2] b) A=[ 2 8 0;2 2 3;1 2 7] b=[18;3;12]
c) T2 VCN A=[ 3 1 2;12 10 6; 15 13 12] b=[15;82;5] * escreve a forma fatorada LU, e
a solução do sistema pode ser Gauss.
d) A=[ 8 12 4;6 5 7;2 1 6] b=[36;11;16] L=[4 0 0; 3 2 0;1 1 1] U=[ 2 3 1;0 2 5;0 0 2]
14) T2 VCN E SCILAB Considere o sistema linear e resolva pela fatoração LU:
1224121212
12
CAMPUS PATO BRANCO
6x12x24x3+4x4=2
3x13x26x3+x4=4
12x1+8x2+21x38x4=8
6x1 10x37x4=43
APLICAÇÕES NA FERRAMENTA MATEMATICA WXMAXIMA
• (%i10) matrix([3,2], [1,6]);
• (%o10) matrix([3,2],[1,6])
• (%i11) lu_factor (%o10);
• (%o11) [matrix([3,2],[1/3,16/3]),[1,2],generalring]
• (%i12) get_lu_factors(%o11);
• (%o12) [matrix([1,0],[0,1]),matrix([1,0],[1/3,1]),matrix([3,2],[0,16/3])]
APLICAÇÕES NA FERRAMENTA MATEMATICA SCILAB
>> A=[ 3 2;1 6]
>> [L,U,P]= lu(A) *P=matriz permutação
2.4 FATORAÇAO DE CHOLESKY OU DECOMPOSIÇAO DE CHOLESKY
Em BURDEN (2003, p.349), o método de Cholesky, que requer que lii =uii para cada i. A
matriz definida positiva é chamada definida positiva simétrica.
Em PERESSINI (1988), a fatoração LLT resolve um sistema linear Ax=b onde U= L T é uma
matriz triangular superior com os elementos da diagonal positivos, A matriz L na fatorizaçao
de Cholesky da matriz definida positiva pode ser calculada pela seguinte matriz equação
A=LLT.
[ ][ ]
l 11 .... l 11 l 21 ... l n1
l 21 l 22 .... ... l 22 ... l n2 =A=L*LT
.... ........
l n1 l n2 ... l nn l nn
Para resolver o sistema Ax=b fazse:
Lz=b e LTy=z
Condição para uma matriz ser definida positiva de tamanho n xn:
1324131313
13
CAMPUS PATO BRANCO
 a) aii>0 para cada i=1,2,...,n
 b) xTAx>0 para todo vetor ndimensional.
 c)determinante matrizes condutoras ou submatrizes são positivas.
 d) na eliminação de Gauss sem intercambio de linhas todos os pivôs positivos.
Matriz nxn A e chamada de estritamente em diagonal quando
n
∣aii∣∑ j=1∣aij∣
j≠1
é valido para cada i=1,2,...,n BURDEN (2003, p.).
ALGORITMO DE CHOLESKY
11  a11
j 1
 jj  a jj   2ji k  2,  , n
i 1
a j1
 j1  j  2,  , n
11
1  k 1

 jk   jk   ji ki 
a 
kk  i 1 
j  k  1,  , n ; k  2
fonte: http://MetodosNumericoseEstatisticos/MNEaula04.ppt
• (%i10) matrix( [g11,0,0], [g21,g22,0], [g31,g32,g33]);
• (%o10) matrix([g11,0,0],[g21,g22,0],[g31,g32,g33])
• (%i11) transpose (%o10);
• (%o11) matrix([g11,g21,g31],[0,g22,g32],[0,0,g33])
• (%i12) (%o10).(%o11);
• (%o12) matrix([g11^2,g11*g21,g11*g31],
[g11*g21,g22^2+g21^2,g22*g32+g21*g31],
[g11*g31,g22*g32+g21*g31,g33^2+g32^2+g31^2])
1424141414
14
CAMPUS PATO BRANCO
2.5 EXERCICIOS, BURDEN (2003, p.356357)
Exemplo:
a) Mostrar que a matriz simétrica é definida positiva.
 
2 −1 0
A= −1 2 −1
0 −1 2
Dica: calcular os determinantes das submatrizes
   
b) Considere as matrizes 7 2 0 e 6 4 −3
A= 3 5 −1 B= 4 −2 0
0 5 −6 −3 0 1
verifique quais das matrizes tem estritamente dominante diagonal.
15) Determine qual das matrizes e (i) simétrica, (ii) singular, (iii) estritamente dominante em
diagonal e (iv) definida positiva.
a) A=[2 1;1 3]
b) B=[ 2 1;1 3]
c) C=[2 1 0;0 3 0; 1 0 4]
d) E=[4 2 6;3 0 7;2 1 3]
f) F=[2 1 0;1 4 2;0 2 2]
respostas: simétrica (a, b, f); singulares(e ); dominante (a, b , c, d); matriz positiva (a, f)
16) Use a fatoração de Cholesky para as seguintes matrizes:
• verifique se a matriz é simétrica
• definida positiva: determinantes das submatrizes maiores que zero.
• É possível fatorar pelo Cholesky
a1) A=[ 2 1;1 3]
a) A=[ 2 1 0;1 2 1;0 1 2]
1524151515
15
CAMPUS PATO BRANCO
b) T2 SCILAB B=[4 1 1 1 ;1 3 1 1;1 1 2 0;1 1 0 2]
c) T2 WXMAXIMA C=[4 1 1 0;1 3 1 0;1 1 5 2;0 0 2 4]
APLICAÇÕES DA FERRAMENTA MATEMATICA SCILAB
>>L =chol(A) * resultado matriz triangular superior e a matriz triangular inferior
fazer transposta: L'*L=B
APLICAÇÕES DA FERRAMENTA MATEMATICA WXMAXIMA
• (%i12) matrix( [4,3], [3,8]);
• (%o12) matrix([4,3],[3,8])
• (%i13) cholesky (%o12);
• (%o13) matrix([2,0],[3/2,sqrt(23)/2])
17) Resolva os sistemas lineares pela fatoração de Cholesky:
a) 2x1 –x2 =3
x1 +2x2 –x3=3
x2 +2x3=1
b) T2 WXMAXIMA
4x1 +x2 +x3+x4=0,65
x1 +3x2 –x3 +x4=0,05
x1 x2 +2x3 =0
x1+x2 + 2x4 =0,5
* verifique se a matriz é simétrica definida positiva
2.6 TECNICAS ITERATIVAS PARA SOLUCIONAR SISTEMAS LINEARES
Para BURDEN (2003, p.381), os métodos iterativos de Jacobi e de GaussSeidel surgiram no
final do século 18. Estas técnicas são raramente utilizadas para solucionar sistemas lineares de
pequenas dimensões. Em sistemas grandes, com uma grande porcentagem de entradas zero,
essas técnicas são eficientes em termos tanto de calculo como de armazenamento. São
sistemas que surgem na analise de circuitos e na solução numérica de problemas de valor
1624161616
16
CAMPUS PATO BRANCO
limite e equações diferenciais parciais. Esta técnica iterativa para resolver sistemas linear nxn
Ax=b começa com um aproximação inicial x(o) para a solução x e gera uma seqüência de
vetores xK para k =0 ate inf, que converge para x. O sistema Ax=b e convertido em um
sistema equivalente na forma x=Tx+c para alguma matriz T e algum vetor c fixos. Quando o
vetor inicial xo ter sido selecionado, a seqüência de vetores para aproximar a solução ‘e
gerada calculandose:
x k =Tx k−1c
para cada k=1,2,3...
EXEMPLO :
METODO ITERATIVO DE JACOBI
1) O Sistema linear Ax=b dado por
10x1 –x2 +2x3=6
x1 +11x2 –x3+3x4=25
2x1x2+10x3x4=11
3x2x3+8x4=15
solução:
 isolar cada variável x1,x2,x3,x4 e encontrar as equações e compor a matriz T com
a diagonal igual a zero.
k k−1
 x =Tx c
 Construir uma tabela para x1,x2,x3 e x4
 Usar o vetor inicial nulo.
K 0 1 2 3
x1 0 0,6 1,0473 0,9326
x2 0 2,2727 1,7159 2,053
x3 0 1,1 0,8052 1,0493
x4 0 1,8750 0,8852 1,1309
A equação Ax=b ou (DLU)x=b , é transformada em Dx=(L+U)x+b, isolando x, temse :
x=D  LU  xD b para D matriz não singular.
−1 −1
Resulta na forma matricial da técnica iterativa de Jacobi:
x =D L U xD b para k=1,2,...
k −1 −1
Critério de interrupção de Passo:
1724171717
17
CAMPUS PATO BRANCO
∥x k
−x ∥
k −1
tol ( tol=tolerância)
∥x ∥ k
Para BARROSO (1987, p.52), continuase a gerar aproximações até que um dos critérios seja
satisfeito:
max ∣x k1− x k∣tol

ou k>M , M=numero maximo de iterações.
Nota: a tolerância  (Epsílon) fixa o grau de precisão das soluções.
EXERCICIOS
18) Obtenha as duas primeiras iterações do método de Jacobi para os seguintes sistemas
lineares, usando xo=0.
a)VCN 3x1x2+x3=1
3x1+6x2+2x3=0
3x1+3x2+7x3=4
b) CALC 10x1x2 =9
x1 +10x2 2x3=7
2x2 +10x3=6
19) Resolva o seguinte sistema linear :
[ ][ ][ ] [ ]
1 0 0 2 3 −1 x1 2
a) 2 1 0 0 −2 1 x2 −1
=
−1 0 1 0 0 3 x3 1
[ ]
2  −1
20) Encontre  de modo que  2 1 seja definida postiva.
−1 1 4
Resposta −23/2
[ ]
1 0 −1
21) Seja A= 0 1 1 . Encontre todos os valores de alfa para os quais :
−1 1 
a) A é singular b) A é estritamente dominante em diagonal c) A é simétrica d) A é definida
positiva
1824181818
18
CAMPUS PATO BRANCO
EXEMPLO:
METODO ITERATIVO DE GAUSSSEIDEL
1) O sistema linear dado :
10x1 –x2 +2x3=6
x1 +11x2 –x3+3x4=25
2x1x2+10x3x4=11
3x2x3+8x4=15
A forma matricial do método de GaussSeidel é:
(DL)xk=Uxk1+b
Isolando xk temse:
xk= (DL)1Uxk1+(DL)1b
Em LAY (1999),uma matriz A, nxn é chamada de estritamente dominante se o modulo de
cada elemento da diagonal principal é maior que a soma dos módulos dos outros elementos da
sua linha. A velocidade de convergência depende do quanto os elementos da diagonal
principal dominam as somas de linhas correspondentes.
Exemplo:
Mostre que o método de GaussSeidel gera uma seqüência que converge para a solução do
seguinte sistema, desde que as equações estejam devidamente arrumadas:
x13x2+x3=2
6x1+4x2+11x3=1
5x12x22x3=9
EXERCICIOS
22) VCN Resolva os sistemas lineares a e b do pelo método de GaussSeidel.
2.7 NOÇÕES DE MAL CONDICIONAMENTO
BARROSO ( 1987, p.74), para avaliar a precisão da solução x do sistema Ax=b, o
resíduo r=bA, onde x é a solução computada. Se x for uma boa aproximação para x , é
esperado que as componentes de r seja valores pequenos. Valores pequenos para as
componentes do resíduo podem não indicar que x seja uma boa aproximação para x.
1924191919
19
CAMPUS PATO BRANCO
EXEMPLOS:
1) Seja o sistema linear
x1+ 1,001x2=2,001
0,999x1+ x2=1,999
a solução exata do sistema [ 1;1]
para x =[2; 0,001] o resíduo r=[0,00001; 0]
2)x1+ 1,001x2=2
0,999x1+ x2=1,999
solução: [999;1000]
*o sistema é mal condicionado
3) Seja o sistema linear:
0,992x + 0,873y=0,119
0,481x+0,421y=0,060
solução :[1,1]T
0,992 x +0,873y=0,12 ( valor perturbado)
0,481x+0,421y=0,060
solução:[0,8154 ; 0,7891]
* não é mal condicionado
3) Uma matriz mal condicionada é a matriz de Hilbert.
1
Aij =
i j−1
Um modo de se detetar o mal condicionamento é através do determinante normalizado da
matriz dos coeficientes do sistema dado; se o determinante normalizado for sensivelmente
menor que a unidade, o sistema será mal condicionado.
Se A é uma matriz de ordem n , seu determinante normalizado, denotado por det(Norm A) é
dado por :
det  A
det  norm A= onde =  i2,1 2i ,2 2i ,n
1 2 ... n
2024202020
20
CAMPUS PATO BRANCO
NORMA MATRICIAL
23)BURDEN (2003, p.372),seja a a matriz A=[1 2 1;0 3 1;5 1 1] calcule a norma matricial.
24)Seja o sistema linear x1+2x2+3x3=1
2x1+3x2 +4x3=1
3x1+4x2+6x3=2
sendo dado X =[0 ;−7 ; 5]T solução geral e X =[−0,33 ;−7,9 ; 5,8]T solução aproximada
 ∞ e∥A X −b∥∞
calcule : ∥X − X∥
Para CLAUDIO (1989, p.7984), seja um sistema sistema linear Ax=y e os vetores
soluções x1 e x2 duas aproximações exata para x.Qual das aproximações é melhor? Uma
forma trivial seria calcular os resíduos dados por r1=yAx1 e r2=yAx2.
Exemplo:
Seja o sistema linear:
0,24x+0,36y+,12z=0,84
0,12x+0,16y+0,24z=0,52
0,15x+0,21y+0,25z=0,64
e sejam x1=[25,14,1]T e x2=[3,4,0]T
Os resíduos são :
[ 0 0 0,08] e [0,12 0,24 0,25]
A solução exata : [3,4,1]T , embora modulo r1 < modulo de r2, a solução de x2 é melhor que
x1.
Conclusão:
 Nem sempre a aproximação de menor resíduo é a melhor ou mais exata.
 Um problema é dito mal condicionado se pequenas alterações nos dados de entrada
ocasionam grandes erros no resultado final.
Quando o sistema linear é 2x2 é fácil de verificar ( construção das retas) , mas quando
aumenta o tamanho do sistema é preciso um meio de medir este condicionamento.
2124212121
21
CAMPUS PATO BRANCO
Seja o sistema linear Ax=b e o sistema linear com alguma perturbação Ax=b’ . Então a
solução Ax=b’ é x’ .Qual é a modificação em x , sabendo que y foi alterado para b’ .
Ax=y
A(xx’)=bb’
(xx’)=A1(bb’)
Aplicando a norma de vetores, indicada por uma barra e a norma de matrizes indicada por
duas barras ∥.∥∞ .
Aplicando uma propriedade de norma de matrizes:
∣x −x '∣≤∥A−1∥∣b−b '∣ (1)

Divindo por |x|:
∣x −x '∣ ∥A−1∥
≤ ∣b−b '∣
∣x∣ ∣x∣
Podese escrever :
∥x∥≤∥A−1∥∥b∥
1 ∥A∥
≤ (2)
∥x∥ ∣b∣
Multiplicando as equações (1) e (2) ambos os membros.
∣x −x '∣ −1 ∣b−b '∣
≤∥A ∥∥A∥
∣x∣ ∣b∣
valor relativo provocado pela alteração fator de valor relativo de perturbação

dos sistema linear de b para b’ ampliação feita no sistema Ax=b
A definição de condicionamento é dado por:
EXEMPLOS:
1) Uma matriz mal condicionada é a matriz de Hilbert
2224222222
22
CAMPUS PATO BRANCO
USANDO O WXMAXIMA:
(%i1) h [i, j] := 1 / (i + j 1);
1
(%o1) h := ---------
i, j i + j - 1
(%i2) genmatrix (h, 3, 3);
[ 1 1 ]
[ 1 - - ]
[ 2 3 ]
[ ]
[ 1 1 1 ]
(%o2) [ - - - ]
[ 2 3 4 ]
[ ]
[ 1 1 1 ]
[ - - - ]
[ 3 4 5 ]
fonte: http://maxima.sourceforge.net/docs/manual/pt/maxima_25.html
Função: mat_cond (M, 1)
Função: mat_cond (M, inf)
• Retorna o número condiciona da norma de ordem p da matriz m.
• Os valores permitidos para p são 1 e inf.
• Essa função utiliza a factorização linear alta para inverter a matriz m.
• Dessa forma o tempo de execução para mat_cond é proporcional ao cubo do tamanho
da matriz;
• lu_factor determina as associações baixa e alta para o número de condição de norma
infinita em tempo proporcional ao quadrado do tamanho da matriz.
• (%i6) matrix( [1,2], [5,9]);
• (%o6) matrix([1,2],[5,9])
• (%i7) mat_cond(%o6,1);
• (%o7) 154
• (%i8) mat_cond(%o6,inf);
• (%o8) 154
• a principio esta calculando a norma infinita pelas linhas
APLICAÇÕES NA FERRAMENTA MATEMATICA SCILAB
>A=[1 2; 5 9]
2324232323
23
CAMPUS PATO BRANCO
A =

1. 2.
5. 9.

>cond(A)
ans =

110.99099
EXERCICIOS
25)WXMAXIMA E SCILAB E VCN BARROSO(1987, p.79), resolver o sistema linear e
verificar se o sistema é mal condicionado:
x6y2z4t=8
3x19y4z15t=25
x4y8z12t=18
5x33y9z3t=72
REFERÊNCIAS
• KOLMAN, Bernard. Introdução à Álgebra Linear Com Aplicações. 6a edição. RJ. Editora
LTC.1999.
• BARROSO, L.C. et. al. Cálculo Numérico(com aplicações) 2.ed. SP. Editora Harbra.1987.
• BURDEN, R.L e FAIRES, J.D. Analise Numérica. Pioneira Thomson Learning. 2003.
• LAY, D. C. Algebra Linear e suas aplicações.2a edição Editora LTC.RJ. 1999.
• PERESSINI, A. L.et .al. The Mathematics of Nonlinear Programing.USA.1988.
• CLAUDIO, D.M e MARINS, J.M.Calculo Numérico Computacional.Teoria e Pratica.Editora
Atlas.SP.1989.
• LAY, David C. Álgebra Linear e suas aplicações. 2.ed. RJ: Editora LTC, 1999.
• STEINBRUCH, A; WINTERLE, P. Álgebra Linear.2.ed. SP.McGRaw-Hill.1987.
• BOLDRINI, L. J.et.al. Algebra Linear. 3a edição. SP. Editora Harbra. 1980.
• BATSCHELET, E. Introdução A Matemática para Biocentistas. SP.Editora da Universidade
de São Paulo.1978.
2424242424
24
CAMPUS PATO BRANCO
• Disponivel em MetodosNumericoseEstatisticos/MNEaula04.ppt acessado em
16/02/2009.
• Disponivel em http://maxima.sourceforge.net/docs/manual/pt/maxima_25.html,
acessado em 17/09/2009.

Cap 2 Sistemas Lineares 2 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cap 2 Sistemas Lineares 2 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

124111

Os sistemas lineares podem ser classificados quanto ao numero de soluções em

max ∣x k1− x k∣tol

∣x −x '∣≤∥A−1∥∣b−b '∣ (1)

valor relativo provocado pela alteração fator de valor relativo de perturbação

Você também pode gostar