Escolar Documentos
Profissional Documentos
Cultura Documentos
Métodos iterativos são geralmente mais eficientes do que métodos diretos (tais
como inversão de matrizes, regra de Cramer, eliminação de Gauss e decomposição
LU) para a solução de grandes sistemas de equações (tipicamente com mais de
1.000 equações). Estes métodos são particularmente eficientes se a matriz do
sistema tiver muitos zeros (ou seja, se a matriz for esparsa), o que acontece com
frequência em aplicações em engenharia.
Método de Gauss-Jacobi
da forma:
O processo iterativo se inicia com os valores iniciais x1(0), x2(0), …, xn(0) que, quando
substituídos no sistema acima, produzem os resultados:
Método de Gauss-Seidel
4𝑥1 − 6𝑥2 = 5
7𝑥1 − 2𝑥2 = 1
não tem dominância da diagonal porque, na primeira linha, o valor absoluto |4| é
menor do que o valor absoluto | 6| e, na segunda linha, o valor absoluto | 2| é
menor do que o valor absoluto |7|.
7𝑥1 − 2𝑥2 = 1
4𝑥1 − 6𝑥2 = 5
Exemplos
a)
4𝑥1 − 6𝑥2 = 5
7𝑥1 − 2𝑥2 = 1
b)
7𝑥1 − 2𝑥2 = 1
4𝑥1 − 6𝑥2 = 5
Solução:
𝑏1 − 𝑎12 𝑥2 (0) 5
𝑥1 (1) = = = 1.2500
𝑎11 4
(2)
𝑏2 − 𝑎21 𝑥1 (2) 1 − 7 7.0625
𝑥2 = = = 24.2187
𝑎22 −2
(3)
𝑏2 − 𝑎21 𝑥1 (3) 1 − 7 37.5780
𝑥2 = = = 131.0230
𝑎22 −2
(1)
𝑏1 − 𝑎12 𝑥2 (0) 1
𝑥1 = = = 0.1429
𝑎11 7
(2)
𝑏1 − 𝑎12 𝑥2 (1) 1 − (−2) (−0.7381)
𝑥1 = = = −0.0680
𝑎11 7
𝑏2 − 𝑎21 𝑥1 (2) 5 − 4 (−0.0680)
𝑥2 (2) = = = −0.8787
𝑎22 −6
(3)
𝑏2 − 𝑎21 𝑥1 (3) 5 − 4 (−0.1082)
𝑥2 = = = −0.7612
𝑎22 −6
O processo iterativo parece estar convergindo para a solução correta, que é dada
por x1 = 0.1282, x2 =
0.9118. A convergência torna-se mais clara se
prosseguirmos com mais algumas iterações:
(4)
𝑏1 − 𝑎12 𝑥2 (3) 1 − (−2) (−0.7612)
𝑥1 = = = −0.0746
𝑎11 7
(5)
𝑏2 − 𝑎21 𝑥1 (5) 5 − 4 (−0.1095)
𝑥2 = = = −0.9063
𝑎22 −6
(6)
𝑏2 − 𝑎21 𝑥1 (6) 5 − 4 (−0.1161)
𝑥2 = = = −0.9107
𝑎22 −6
Embora os dois casos acima representem o mesmo sistema de equaçõoes, pode ser
verificado que a matriz do sistema na parte a) não tem dominância da diagonal,
enquanto a matriz na parte b) tem. Assim, o fato de que o processo iterativo de
Gauss-Seidel diverge na parte a) e converge na parte b) é esperado.
Definição da Wikipedia:
O método
Ax b
𝑞1 , 𝑞2 , … , 𝑞𝑛
que formam a base de Kn. Desta forma, o vetor xn Kn can be written as xn = Qnyn
with yn x Rn, onde Qn é uma matriz m n formada pelos vetores q1, …, qn.
̃ n tal
O processo de Arnoldi também produz uma matriz superior de Hessenberg 𝐇
que
̃𝑛
𝐀𝐐𝑛 = 𝐐𝑛+1 𝐇
A definição de uma matriz superior de Hessenberg é que é uma matriz quadrada
m m tal que os coeficientes 𝑎𝑖𝑗 =0 para todos os termos i, j tais que 𝑖 > 𝑗 + 1.
̃ 𝑛 𝐲𝑛 − 𝛽𝐞1 ‖
‖𝐀𝐱 𝑛 − 𝐛‖ = ‖𝐇
onde
𝑒1 = (1, 0,0, … , 0)
𝛽 = ‖𝐛 − 𝐀𝐱 0 ‖
̃ 𝑛 𝐲𝑛 − 𝛽𝐞1
𝐫𝑛 = 𝐇
Para cada iteração, um produto matriz-vetor Aqn precisa ser computado. Isto
requer cerca de 2m2 operações matemáticas para matrizes densas de dimensão m,
mas o custo pode ser reduzido para O(m) se as matrizes forem esparsas. Além do
produto matriz-vetor, outras O(n m) operações precisam ser computadas na
última iteração.
Autovalores e autovetores – conceitos básicos
Definições
tem soluções nao-triviais (ou seja, soluções para as quais nem todos os valores x1,
x2, …, xn são iguais a zero), e então resolver o sistema resultante para encontrar
estas soluções.
A x= 𝜆 x
(A – 𝜆𝐈) x= 0
det (A – 𝜆𝐈) x= 0
(A – 𝜆𝑖 𝐈) 𝐱 𝑖 = 𝟎
3 2
𝐀=[ ]
1 2
Solução
3−𝜆 2
| |=0
1 2−𝜆
(3 − 𝜆) (2 − 𝜆) − 2 1 = 0
ou
𝜆2 − 5𝜆 + 4 = (𝜆 − 1) (𝜆 − 4) = 0
(3 − 𝜆1 )𝑥1 + 2𝑥2 = 0
𝑥1 + (2 − 𝜆1 )𝑥2 = 0
2𝑥1 + 2𝑥2 = 0
𝑥1 + 𝑥2 = 0
Pode se ver que as duas equações são equivalentes, ou seja, a segunda equação é a
primeira dividida por 2. A solução do sistema acima é dada por:
𝑥2 = −𝑥1
confirmando que a solução do sistema não é unica, e só pode ser encontrada se
atribuirmos um valor arbitrário para x1 . Assumindo o valor x1=1 produz o seguinte
autovetor x1
1
𝐱1 = [ ]
−1
e o autovetor normalizado:
11
𝐱̂1 = ][
√2 −1
(3 − 𝜆2 )𝑥1 + 2𝑥2 = 0
𝑥1 + (2 − 𝜆2 )𝑥2 = 0
−𝑥1 + 2𝑥2 = 0
𝑥1 − 2 𝑥2 = 0
Novamente pode se ver que as duas equações são equivalentes, ou seja, a segunda
equação é a primeira dividida por -1. A solução do sistema acima é dada por:
𝑥1 = 2𝑥2
2
𝐱2 = [ ]
1
e o autovetor normalizado:
1 2
𝐱̂ 2 = [ ]
√5 1
6. Encontre os autovalores e autovetores da matriz 3 x 3 abaixo,
3 2 2
𝐀 = [2 2 0 ]
2 0 4
Solução
3−𝜆 2 2
| 2 2−𝜆 0 |=0
2 0 4−𝜆
(3 − 𝜆) (2 − 𝜆) (4 − 𝜆) − 4 (4 − 𝜆) − 4 (2 − 𝜆) = 0
ou
2𝑥1 + (2 − 𝜆1 )𝑥2 = 0
2𝑥1 + (4 − 𝜆1 )𝑥3 = 0
2𝑥1 + 2𝑥2 = 0
2𝑥1 + 4𝑥3 = 0
A solução do sistema acima em termos de x1 produz o resultado:
𝑥2 = −𝑥1
𝑥1
𝑥3 = −
2
Assumindo o valor x1=2 produz o seguinte autovetor x1
2
𝐱1 = [−2]
−1
e o autovetor normalizado:
1 2
𝐱̂1 = [−2]
3
−1
Autovetor x2: Solução do sistema
2𝑥1 + (2 − 𝜆2 )𝑥2 = 0
2𝑥1 + (4 − 𝜆2 )𝑥3 = 0
2𝑥2 + 2𝑥3 = 0
2𝑥1 − 𝑥2 = 0
2𝑥1 + 𝑥3 = 0
1
𝐱2 = [ 2 ]
−2
e o autovetor normalizado:
1 1
𝐱̂ 2 = [ 2 ]
3
−2
2𝑥1 + (2 − 𝜆3 )𝑥2 = 0
2𝑥1 + (4 − 𝜆3 )𝑥3 = 0
2𝑥1 − 4𝑥2 = 0
2𝑥1 − 2𝑥3 = 0
𝑥1 = 𝑥3
𝑥3
𝑥2 =
2
2
𝐱 2 = [1]
2
e o autovetor normalizado:
1 2
𝐱̂ 2 = [1]
3
2
Propriedades dos Autovalores
∑ 𝜆𝑖 = ∑ 𝑎𝑖𝑖
𝑖=1 𝑖=1
∏ 𝜆𝑖 = det 𝐀
𝑖=1
1 1 1
, ,…,
𝜆1 𝜆2 𝜆𝑛
𝜆1 , 𝜆2 , … , 𝜆𝑛
Exercícios
Esquemas Iterativos para Sistemas de Equacoes Lineares
2𝑥1 − 𝑥2 + 6𝑥3 = 17
Autovalores e Autovetores
2𝜋
𝑇=
√−𝜆
i)
−15 5
𝐀=[ ]
10 −10
ii)
5 0 0
𝐀 = [−9 4 −1]
−6 2 1
autovetores do sistema.