03 Sistemas de Equações Lineares

Sistemas de equações
Métodos Numéricos e Estatı́sticos

Parte I-Métodos Numéricos
Luı́sa Morgado
Lic. Eng. Biomédica e Bioengenharia-2009/2010
Luı́sa Morgado Sistemas de equações

Sistemas de equações lineares

Muitos problemas da Fı́sica, Matemática, Engenharia, Biologia, economia e outras
ciências, conduzem a sistemas de equações lineares da forma

 a11 x1 + a12 x2 + . . . + a1n xn = b1
 a21 x1 + a22 x2 + . . . + a2n xn = b2


..
 .



an1 x1 + an2 x2 + . . . + ann xn = bn
Estes podem ser escritos na forma matricial
a11 a12 ··· a1n x1 b1

    
 a21 a22 ··· a2n  x2   b2 
.. .. .. .. = .. ,
    
 .. 
 . . . .  .   . 
an1 an2 ··· ann xn bn
| {z }| {z } | {z }
A x b
A → matriz dos coeficientes

i.e, na forma Ax = b, x → matriz das incógnitas .
b → matriz dos termos independentes

Para os resolver:
Métodos directos: Metodo de eliminação de Gauss, regra de
Cramer, entre outros.
Metodos iterativos: Método de Jacobi e método de
Gauss-Seidel, entre outros.
O método de eliminação de Gauss pode conduzir a soluções
erróneas devido aos erro de arredondamento e sua propagação.

Exemplo
O sistema de equações lineares

0.003000x1 + 59.14x2 = 59.17
5.291x1 − 6.130x2 = 47.78
tem como solução exacta x1 = 10.0 e x2 = 1.0.

Suponhamos que o resolvemos, pelo método de eliminação de Gauss, num
computador que usa um sistema F (10, 4, −10, 10).
5.291
Através da operação elementar OL : L2 ← L2 − 0.003000 L1 , transformamos o sistema
num outro equivalente

0.003000x1 + 59.14x2 = 59.17 −→ 0.003000x1 + 59.14x2 = 59.17
5.291x1 − 6.130x2 = 47.78 OL −104300x2 = −104400
que tem como solução
−0.1044 × 106 59.17 − (59.14 × 1.001)

x2 = = 1.00096 ≈ 1.001 e x1 = = −10.0
−0.1043 × 106 0.003000
|1.0−1.001|
ou seja, um pequeno erro em x2 : rx2 = 1.0
= 0.001 (0.1%) resultou num
|10.0−(−10.0)|
grande erro em x1 : rx1 = 10.0
= 2 (200%)

No entanto de tivessemos trocado a ordem das equações:

5.291x1 − 6.130x2 = 47.78 −→ 5.291x1 − 6.130x2 = 47.78
0.003000
0.003000x1 + 59.14x2 = 59.17 L2 − 5.291
L1 59.14x2 = 59.14
que tem como solução x1 = 10.0 e x2 = 1.0.

Pesquisa de pivot
Parcial: No passo k do método de eliminação de Gauss, escolhe-se para

elemento pivot o elemento de maior valor absoluto na coluna k. Em linguagem
grosseira, vamos considerar candidatos a elementos pivot todos os que estiverem
abaixo do actual elemento pivot. Escolhe-se o maior em valor absoluto e
trocam-se as equações. Foi o que se fez no exemplo anterior.
Total: Consideramos como candidatos a elementos pivot todos os que estiverem
abaixo e à direita do actual elemento pivot. Escolhe-se, de entre eles, o maior
em valor absoluto. No exemplo anterior, esta técnica conduziria ao sistema

59.14x1 + 0.003000x2 = 59.17
−6.130x1 + 5.291x1 = 47.78
Nota: A pesquisa total de pivot é a técnica que permite uma maior redução dos erros
de arredondamento. Contudo, requer um maior tempo computacional, não sendo por
isso a mais utilizada.

No caso de certas matrizes, o método de eliminação de Gauss tem

um comportamento estável, não sendo assim necessário recorrer à
técnica de pesquisa de pivot.
Uma matriz An×n diz-se Pnestritamente diagonal dominante

por linhas sse |aii | > |a |, i = 1, 2, . . . , n;
j = 1 ij
Pj 6= i
por colunas sse |ajj >| n |a |, j = 1, 2, . . . , n;
i = 1 ij
i 6= j
Exemplo
 
4 2 0
A matriz A =  −2 3 1  não é estritamente diagonal dominante por linhas
1 0 2
pois |3| = | − 2| + |1|.
Mas é estritamente diagonal dominante por colunas uma vez que |4| > | − 2| + |1|,
|3| > |2| + |0| e |2| > |1| + |0|.

Normas vectoriais e matriciais

Uma norma em Rn é uma função real, denotada por k · k, satis-
fazendo
1 kxk ≥ 0, ∀x ∈ Rn ;
2 kxk = 0 ⇔ x = 0;
3 kαxk = |α|kxk, ∀α ∈ R, ∀x ∈ Rn ;
4 kx + y k ≤ kxk + ky k, ∀x, y ∈ Rn .
As normas vectoriais mais usadas em Rn são as seguintes
kxk∞ = max {|xi |}

1≤i≤n
n
X
kxk1 = |xi |
i=1
n
!1
X 2
kxk2 = |xi |2
i=1

Exemplo
T
Sendo x = −1 2 0 ,
kxk∞ = max {|xi |} = max {|−1| , |2| , |0|} = 2

1≤i≤3
3
X
kxk1 = |xi | = |−1| + |2| + |0| = 3
i=1
n
!1
X 2 1 √
2
= |−1|2 + |2|2 + |0|2 = 5.
2
kxk2 = |xi |
i=1

Uma norma de matriz é uma função real definida no conjunto das

matrizes quadradas reais, k · k : Rn × Rn → R, satisfazendo
1 kAk ≥ 0, ∀A;
2 kAk = 0 ⇔ A = 0;
3 kαAk = |α|kAk, ∀α ∈ R, ∀A;
4 kA + Bk ≤ kAk + kBk, ∀A, B;
5 kABk ≤ kAkkBk, ∀A, B.
As normas matriciais mais usadas são as seguintes
 
n
X
kAk∞ = max  aij  ;

1≤i≤n
j=1
n
!
X
kAk1 = max aij ;
1≤j≤n
i=1
1
2
kAk2 = ρ AAT ;
onde ρ AAT é o raio espectral da matriz AAT .


O raio espectral de uma matriz quadrada A denota-se por ρ (A)

e é definido por
ρ (A) = maxk |λk | , onde λk é valor próprio de A.
Exemplo
Consideremos a seguinte matriz:
 
1 2 −1
A= 0 3 −1 
5 −1 −1
P3 
i =1 |a1j | = 1 + 2 + 1 = 4
Pj=1


3
i =2 j=1 |a2j | = 3 + 1 = 4 =⇒ ||A||∞ = 7
P3 
i =3 j=1 |a3j | = 5 + 1 + 1 = 7

P3 
j =1 |ai1 | = 1 + 5 = 6
Pi=1
3

j =2 i=1 |ai2 | = 2 + 3 + 1 = 6 =⇒ ||A||1 = 6
P3
i=1 |ai3 | = 3

j =3

Erro absoluto e erro relativo
Seja x ∈ Rn um vector e x̄ uma aproximação de x.

ex̄ = x − x̄, é chamado de erro de x̄ (um vector);
4x̄ = kex̄ k = kx − x̄k, é o erro absoluto de x̄;
ex̄ kx−x̄k
krx̄ k = kxk = kxk é o erro relativo de x̄.
Quando se pretende resolver um sistema Ax = b, muitas das vezes os dados (A e b)

são arredondados. Para avaliarmos até que ponto a solução do sistema é sensı́vel à
propagação de erros de arredondamento, vamos supor que o sistema original é
substituı́do por um outro Āx = b̄, no qual Ā e b̄ são aproximações (perturbações) de
A e b, respectivamente.
Um sistema linear diz-se bem condicionado se a pequenas perturbações nos dados

linear corresponderem pequenas perturbações na solução. Caso contrário, o sistema
diz-se mal condicionado.

Exemplo
Consideremos o sistema

1.0001x1 + 2x2 = 3.0001
x1 + 2x2 = 3
cuja solução é x1 = 1.0 e x2 = 1.0.

Se perturbarmos o lado direito:

1.0001x1 + 2x2 = 3.0003
x1 + 2x2 = 3
Este último sistema tem como solução x1 = 3.0 e x2 = 0.0.
Calculemos o erro de b̄ e o consequente erro na solução, usando, por exemplo, a
norma k · k∞ .
T
eb̄ = b − b̄ = −0.0002 0.0
T
ex = −2 1
donde
keb̄ k 0.0002
krb̄ k = = = 0.000067 ≈ 0.007%
kbk 3.0001
kex̄ k 2
krx̄ k = = = 2 ≈ 200%
kxk 1

Seja A uma matriz quadrada não singular. Define-se número de

condição de A por
cond(A) = kAk A−1 .

Pode mostrar-se que
para qualquer norma induzida,

cond(A) ≥ 1, ( );
embora dependa da norma utilizada
1
kr k ≤ krx̄ k ≤ cond(A) krb̄ k .
cond(A) b̄
Nota: No caso de um sistema ser mal condicionado, a pesquisa de pivot não melhora
grandemente os resultados, já que o mau condicionamento resulta sempre em
instabilidade numérica.

Métodos iterativos
Recordemos que para equações do tipo f (x) = 0, obtiveram-se métodos iterativos do

ponto fixo xk+1 = g (xk ), k = 0, 1, 2, . . . depois de se reescrever a equação na forma
x = g (x).
No caso de um sistema de equações linear Ax = b, vamos reescrever o sistema numa
outra forma equivalente
Ax = b ⇔ x = Cx + d ,
| {z }
M(x)
onde C é uma matriz apropriada e d um vector.

Tal como no método do ponto fixo para a resolução de uma equação
f (x) = 0 ⇔ x = g (x), diferentes funções g geravam métodos (sucessões de
aproximações diferentes), também no caso da resolução de um sistema de equações,
diferentes escolhas da função M conduzirão
a métodos diferentes.

(0) (0) (0)
Dada uma aproximação inicial x0 = x1 x2 · · · xn , o método iterativo
associado a G será
x k+1 = Cx k + d, k = 0, 1, 2, . . .

Seja x ∗ a solução de Ax = b e x (k) a aproximação de ordem k

dada pelo método iterativo. A
e (k) = x ∗ − x (k)
chamamos erro da iteração k. O método iterativo
x (k) = Mx (k−1) + c
diz-se convergente sse lim e (k) = 0. Caso contrário diz-se diver-

k
gente.

O método iterativo converge qualquer que seja a aproximação

inicial x (0) , se e só se
lim M k = 0.
k
Dem.: Sendo x ∗ a solução exacta do sistema e xk a aproximação de ordem k:
x (k) = Mx (k−1) + c e x ∗ = Mx ∗ + c
Então

e (k) = x ∗ − x (k) = M x ∗ − x (k−1) = Me (k−1)

= M 2 x ∗ − x (k−2) = M k x ∗ − x (0) = M k e (0) , k = 1, 2, . . . .
Fazendo k → ∞, obtém-se lim e (k) = 0, ou seja, o método converge qualquer que seja
k
a aproximação inicial x (0) .
O método iterativo converge para qualquer x (0) se e só se ρ(M) < 1.

Se ||M|| < 1 então o método iterativo converge qualquer que seja a a proximação
inicial x (0) , e tem-se
||x ∗ − x (n) || ≤ ||M||n ||x ∗ − x (0) ||
||M||n
||x ∗ − x (n) || ≤ ||x (1) − x (0) ||
1 − ||M||
Dem.: É fácil concluir que ||e (k) || ≤ ||M||k ||e (0) ||, k = 1, 2, . . .
Como ||M|| < 1, então lim ||e (k) || = 0, o que prova a convergência do método
k→+∞
iterativo.
Para provar a segunda fórmula de majoração do erro, fazemos:
m
X m
X
x (m) − x (n) = x (j) − x (j−1) ⇒ ||x (m) − x (n) || ≤ ||x (j) − x (j−1) ||.
j=n+1 j=n+1
Por outro lado x (j) − x (j−1) = M (j−1) ||x (1) − x (0) ||, donde
   
m
X m−n−1
X
(m) (n) j−1  (1) (0) n j
||x −x || ≤  ||M|| ||x −x || = ||M||  ||M|| ||x (1) − x (0) ||
j=n+1 j=0
 
∞
X ||M||n
≤ ||M||n  ||M||j  ||x (1) − x (0) || = ||x (1) − x (0) |
j=0
1 − ||M||
Fazendo m → +∞ obtemos o pretendido.

Critérios de paragem
||x (k) − x (k−1) || ≤ δ

||x (k) − x (k−1) ||
≤ δ.
||x (k) ||
Atendendo a que

x (k) − x ∗ = M x (k−1) − x ∗ + c,
isto é
(k) (k−1)
e ≤ ||M|| e , k = 1, 2, . . .
facilmente se conclui que a ordem dum método deste tipo é 1.

Método de Jacobi
Consideremos o sistema linear Ax = b e A escrita na forma A = D − L − U, onde

 0 a12 ... a1n 
a11 0 ... 0 0 0 ... 0
   
 0 .
a22 0 ...   a21 0 0 ... 
 
 . 
; U = −  0 0 a23 .
     
D =
 . ; L = −  . . 
.   . .   .
.

 0 ... . 0   . . 0 
 .

.

. . an−1n

0 ... 0 ann a1n ... a1n−1 0
0 ... 0 0
Então
−1 −1
Ax = b ⇐⇒ (D − L − U)x = b ⇐⇒ Dx = (L + U)x = b ⇐⇒ x = D (L + U)x + D b
isto é
(k) −1 (k−1) −1
x =D (L + U) x +D b,
| {z }
M
M é a matriz de iteração.
Nota: Para que o método iterativo seja aplicável, temos que ter aii 6= 0, ∀i. Se ∃i tal que aii = 0, temos que
efectuar troca de linhas de forma a que esta situação deixe de se verificar;

Exemplo
Consideremos o sistema cuja solução exacta sabemos ser x = (1, 1, 1).

 10x1 + x2 + x3 = 12
x1 − 5x2 + 3x3 = −2
x1 + x2 + 3x3 = 5

e x (0) = (0, 0, 0) (na prática é costume tomar-se esta aproximação inicial).

    
10 1 1 x1 12
 1 −5 2  x2  =  −2 
1 1 3 x3 5
| {z }| {z } | {z }
A x b
     
10 0 0 0 0 0 0 −1 −1
D= 0 −5 0 ; L =  −1 0 0 ; U= 0 0 −2 
0 0 3 −1 −1 0 0 0 0
 1 1   12 
0 − 10 − 10 10
−1 1 2  e d = D −1 b =  2
M=D (L + U) =  5
0 5 5

− 31 − 31 0 5
3

O esquema iterativo do método de Jacobi escreve-se:

1 1
 
 0 − 10 − 10  x1(k−1)
  
12

 1 2   (k−1)  10
x (k) = 
 5 0  x
2 + 2
5

 1 5 
(k−1) 5
1 
x3 3
− − 0
3 3
12 2 5
x (1) =

10 , 5 , 3
149 98 17
x (2) =

,
150 75 15 ,
..
.

Seja A ∈ Mn (R) não singular com aii 6= 0, i = 1, . . . , n e b ∈ Rn e

A = D − L − U, onde D = matriz diagonal, L = matriz triangular
inferior e U = matriz triangular superior.
1 Se D −1 (L + U) ≤ 1, então para ∀x (0) ∈ Rn , o método

iterativo de Jacobi gera uma sucessão vectorial que

converge para a solução única de Ax = b.
2 O método iterativo de Jacobi gera uma sucessão vectorial
convergente para a solução única de Ax = b, ∀x (0) se e só
se ρ D −1 (L + U) < 1.
Se A é estritamente diagonal dominante por linhas (ou por col-

unas) então o método iterativo de Jacobi gera uma sucessão
de aproximações que converge para a solução única do sistema
Ax = b qualquer que seja a aproximação inicial x (0) .

No scilab:
Exemplo
Exercı́cio 37 dos problemas propostos:
D=[2 0;0 3];L=[0 0;-1 0];U=[0 -0.5;0 0];b=[2.5;0.5];
M=inv(D)*(L+U);B=inv(D)*b;x0=[5/4;-1/4];it=0;tol=1;
while tol>5*10^(-2), xi=M*x0+B;it=it+1;printf(’it=%d\n’,it);
Ab=abs(x0-xi);// abs(A) devolve a matriz cujas entradas s~
ao o módulo das
entradas de A
tol=max(Ab); //max(A) devolve a maior entrada da matriz A
x0=xi;
printf(’xi=%0.8f\n’,xi), end

Método de Gauss-Seidel
Consideremos novamente o sistema linear Ax = b onde , tal como

anteriormente, A = D − L − U. Então
Ax = b ⇐⇒ x = (D − L)−1 Ux + (D − L)−1 b,
obtendo-se o esquema iterativo
x (k) = (D − L)−1 U x (k−1) + (D − L)−1 b

| {z } | {z }
M c
o que é equivalente a
−1
Dx (k) = Lx (k) +Ux (k−1) +b ⇔ x (k) = D
| {z Lx (k)} + |D −1 Ux
{z
(k−1) −1
} +D b
novo velho

Exemplo
Retomemos o exemplo do sistema

 10x1 + x2 + x3 = 12
x1 − 5x2 + 3x3 = −2 .
x1 + x2 + 3x3 = 5

Se o reescrevermos na forma iterativa de Gauss-Seidel, temos:

 6 
1 1
   
1 0 0  (k)
  (m−1)

1 x1  0 − − x1  5
10 10

2
  
 − 1 0   (k)
=
  2  (m−1)  
+

 , m = 1, 2, . . .
 5  x2   0 0  x2   5 
 1 1  (k) 
5
 (m−1)  5
x3 x3

1 0 0 0
3 3 3

6 16 79
Com x (0) = (0, 0, 0) vem x (1) = , , ...
5 25 75

No scilab:
Exemplo
D=[2 0;0 3];L=[0 0;-1 0];U=[0 -0.5;0 0];b=[2.5;0.5];
M=inv(D-L)*U;B=inv(D-L)*b;x0=[5/4;-1/4];it=0;tol=1;
while tol>5*10^(-2), xi=M*x0+B;it=it+1;printf(’it=%d\n’,it);
Ab=abs(x0-xi);
tol=max(Ab);
x0=xi;

Se não usarmos matrizes para resolver iterativamente o sistema dos exemplos

anteriores, começamos por escrever a i-ésima equação em ordem à i-ésima incógnita:
  1
 10x1 + x2 + x3 = 12  x1 = 10
(12 − x2 − x3 )
1
x1 − 5x2 + 3x3 = −2 ⇔ x = (2 + x1 + 3x3 ) ,
 2 5
1
x1 + x2 + 3x3 = 5 (5 − x1 − x2 )

x3 = 3
Método de Jacobi: No lado esquerdo da equações substitui-se xi por xik e no lado

direito, xi é substituı́do por xik−1 , obtendo-se o esquema iterativo

(k) 1 (k−1) (k−1)
 x = 12 − x2 − x3
 1 10


(k) 1 (k−1) (k−1)
x2 = 5
2 + x1 + 3x3 , k = 1, 2, . . . ;

 x (k) = 1 (k−1) (k−1)

5 − x1 − x2

3 3
Método de Gauss-Seidel No lado esquerdo da equações substitui-se xi por xik e no

lado direito, xi é substituı́do pelas aproximações mais recentes:

(k) 1 (k−1) (k−1)
 x = 12 − x2 − x3
 1 10


(k) 1 (k) (k−1)
x2 = 5
2 + x1 + 3x3 , k = 1, 2, . . . .

 x (k) = 1 (k) (k)

5 − x1 − x2

3 3

Seja A ∈ Mn (R) não singular com aii 6= 0, i = 1, . . . , n e b ∈ Rn .

A = D − L − U, onde D = matriz diagonal, L = matriz triangular
inferior e U = matriz triangular superior..
1 Se (I − D −1 L)−1 D −1 U ≤ 1, então para ∀x (0) ∈ Rn , o

método de Gauss-Seidel gera uma sucessão vectorial que

converge para a solução única de Ax = b.
2 O método de Gauss-Seidel gera uma sucessão vectorial
(0)
−1 −1 −1
única de Ax = b, ∀x se e só
convergente para a solução
se ρ (I − D L) D U < 1.
Se A é estritamente diagonal dominante por linhas (ou por colu-

nas) então o método de Gauss-Seidel gera uma sucessão de aprox-
imações que converge para a solução única do sistema Ax = b
qualquer que seja a aproximação inicial x (0) .

Sistemas de equações não lineares

Um sistema de n equações não lineares a n incógnitas tem a forma:

 f1 (x1 , x2 , . . . , xn ) = 0
 f2 (x1 , x2 , . . . , xn ) = 0


..



 .
fn (x1 , x2 , . . . , xn ) = 0
onde fi : Rn → R, i = 1, 2, . . . , n.
T T
Definindo x = x1 x2 · · · xn eF = f1 f2 ··· fn o sistema pode
escrever-se na forma matricial F (x) = 0.
Exemplo
O sistema não linear 
 x1 + x2 + x3 = 4
x1 x2 + x1 x3 + x2 x3 = 1
x1 x2 x3 = −6

T
pode ser escrito na forma F (x) = 0, onde x = x1 x2 ··· xn e
   
f1 (x1 , x2 , x3 ) x1 + x2 + x3 − 4
F (x) =  f2 (x1 , x2 , x3 )  =  x1 x2 + x1 x3 + x2 x3 − 1 
f3 (x1 , x2 , x3 ) x1 x2 x3 + 6

Método de newton para sistemas não lineares

Recordemos que para funções f : R → R a fórmula iterativa do
método de Newton era dada por
−1
xm+1 = xm − f 0 (xm ) f (xm ) .
No caso de funções F : Rn → Rn a generalização do método é:

−1
x (m+1) = x (m) − J x (m) F x (m) ,
onde J é a matriz Jacobiana de F :

 ∂f1 ∂f1 ∂f1
···

∂x1 ∂x2 ∂xn
∂f2 ∂f2 ∂f2

∂x1 ∂x2 ··· ∂xn

J(x) =  .
 
.. .. ..
 . . ··· . 
∂fn ∂fn ∂fn
∂x1 ∂x2 ··· ∂xn

Cálculo de x (m+1)
Dada uma aproximação x (0) , as iteradadas x (m+1) , m = 0, 1, . . . são calculadas através
do esquema iterativo
−1
x (m+1) − x (m) = − J x (m) F x (m) .
| {z }
d
Multiplicando ambos os membros por J x (m) obtemos o sistema de equações lineares

J x (m) d = −F x (m) ,
no qual d é o vector incógnita.

Uma vez obtido d, a iterada x (m+1) é dada por
x (m+1) = x (m) + d.
Se a matriz J x (m) for não singular ∀m e se x (0) estiver suficientemente próximo de

x (solução exacta), então lim x (m) = x e a convergência do método é quadrática.

m→∞

Exemplo
Consideremos o sistema não linear y

2
y − x 2 + 2x = 0.5

1.5
,
x 2 + 4y 2 = 4 1
0.5
cujas soluções correspondem aos pontos de intersecção x

-2 -1 1 2
das curvas representadas na figura ao lado. -0.5
-1
Seja,
y − x 2 + 2x − 0.5

f1 (x, y )
F (x, y ) = = .
f2 (x, y ) x 2 + 4y 2 − 4
A matriz Jacobiana de F é

−2x + 2 1
J(X ) = J(x, y ) =
2x 8y
O esquema iterativo do método de Newton escreve-se, sendo d = X (m+1) − X (m)

 2 
y (m) − x (m) + 2x (m) − 0.5
!
−2x (m) + 2 1

(m) (m)
J X d = −F X ⇔ d = − 2 2 .
2x (m) (m)

8y x (m) + 4 y (m) −4

!T
0 1
Começando com a aproximação inicial X (0) = |{z} |{z} , calculemos X (1) .
x (0) y (0)
Fazendo m = 0 no esquema iterativo:
2 !
−2x (0) + 2 y (0) − x (0) + 2x (0) − 0.5

1
d =− 2 2 .
2x (0) 8y (0) x (0) + 4 y (0) − 4

2 1 −0.5
⇔ d =− . ⇔ d1 = −0.25, d2 = 0
0 8 |{z} 0
T
d1 d2
logo
x (1) x (0)

d1
X (1) = X (0) + d ⇔ = +
y (1) y (0) d2
x (1)

0 −0.25
⇔ = +
y (1) 1 0
x (1)

−0.25
⇔ =
y (1) 1

No scilab:
Exemplo
function z=J(x,y), z=[3*x^2-4*x-2 -1;1 -1], endfunction;
function w=F(x,y), w=[x^3-2*x^2-2*x-y+2;x-y], endfunction;
it=0;tol=1;x0=0;y0=0;
while tol>10^(-8),
xi=[x0;y0]-inv(J(x0,y0))*F(x0,y0);it=it+1;printf(’it=%d\n’,it);
Ab=abs([x0;y0]-xi);
tol=max(Ab);
x0=xi(1,1);y0=xi(2,1);

03 Sistemas de Equações Lineares

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

03 Sistemas de Equações Lineares

Enviado por

Direitos autorais:

Formatos disponíveis

Sistemas de equações

Métodos Numéricos e Estatı́sticos

Lic. Eng. Biomédica e Bioengenharia-2009/2010

Luı́sa Morgado Sistemas de equações

Sistemas de equações lineares

a11 a12 ··· a1n x1 b1

A → matriz dos coeficientes

Luı́sa Morgado Sistemas de equações

Luı́sa Morgado Sistemas de equações

tem como solução exacta x1 = 10.0 e x2 = 1.0.

que tem como solução

−0.1044 × 106 59.17 − (59.14 × 1.001)

Luı́sa Morgado Sistemas de equações

No entanto de tivessemos trocado a ordem das equações:

que tem como solução x1 = 10.0 e x2 = 1.0.

Luı́sa Morgado Sistemas de equações

Parcial: No passo k do método de eliminação de Gauss, escolhe-se para

Luı́sa Morgado Sistemas de equações

No caso de certas matrizes, o método de eliminação de Gauss tem

Uma matriz An×n diz-se Pnestritamente diagonal dominante

Luı́sa Morgado Sistemas de equações

Normas vectoriais e matriciais

As normas vectoriais mais usadas em Rn são as seguintes

kxk∞ = max {|xi |}

Luı́sa Morgado Sistemas de equações

kxk∞ = max {|xi |} = max {|−1| , |2| , |0|} = 2

Luı́sa Morgado Sistemas de equações

Uma norma de matriz é uma função real definida no conjunto das

onde ρ AAT é o raio espectral da matriz AAT .

Luı́sa Morgado Sistemas de equações

O raio espectral de uma matriz quadrada A denota-se por ρ (A)

ρ (A) = maxk |λk | , onde λk é valor próprio de A.

Luı́sa Morgado Sistemas de equações

Erro absoluto e erro relativo

Seja x ∈ Rn um vector e x̄ uma aproximação de x.

Quando se pretende resolver um sistema Ax = b, muitas das vezes os dados (A e b)

Um sistema linear diz-se bem condicionado se a pequenas perturbações nos dados

Luı́sa Morgado Sistemas de equações

cuja solução é x1 = 1.0 e x2 = 1.0.

Luı́sa Morgado Sistemas de equações

Seja A uma matriz quadrada não singular. Define-se número de

cond(A) = kAk A−1 .

Pode mostrar-se que

para qualquer norma induzida,

Luı́sa Morgado Sistemas de equações

Recordemos que para equações do tipo f (x) = 0, obtiveram-se métodos iterativos do

onde C é uma matriz apropriada e d um vector.

Luı́sa Morgado Sistemas de equações

Seja x ∗ a solução de Ax = b e x (k) a aproximação de ordem k

chamamos erro da iteração k. O método iterativo

diz-se convergente sse lim e (k) = 0. Caso contrário diz-se diver-

Luı́sa Morgado Sistemas de equações

O método iterativo converge qualquer que seja a aproximação

Dem.: Sendo x ∗ a solução exacta do sistema e xk a aproximação de ordem k:

Luı́sa Morgado Sistemas de equações

Fazendo m → +∞ obtemos o pretendido.

||x (k) − x (k−1) || ≤ δ

facilmente se conclui que a ordem dum método deste tipo é 1.

Luı́sa Morgado Sistemas de equações

Consideremos o sistema linear Ax = b e A escrita na forma A = D − L − U, onde

efectuar troca de linhas de forma a que esta situação deixe de se verificar;

Luı́sa Morgado Sistemas de equações

e x (0) = (0, 0, 0) (na prática é costume tomar-se esta aproximação inicial).