SisLin 26.01.21

PAULO S.
MOT TA P I R E S
N
FR
M É TO DOS COMPU TAC I O NA I S
EM ENGENH A R I A
-U
CA
Notas de Aula 02 - versão 0.2
Resolução Numérica de S istemas Lineares

-D
P
M
PS
Departamento de Engenharia de Computação e Automação

Universidade Federal do Rio Grande do Norte
Natal-RN
1
Sistemas de Equações Lineares

Um sistema com n equações lineares e n incógnitas pode ser escrito na forma
N
a1,1 x1 + a1,2 x2 + · · · + a1,n xn = b1
a2,1 x1 + a2,2 x2 + · · · + a2,n xn = b2
FR
.. .. .. .. ..
. . . . .
an,1 x1 + an,2 x2 + · · · + an,n xn = bn
ou na forma matricial
-U
Ax = b
onde  
a1,1 a1,2 · · · a1,n
 2,1 a2,2 · · · a2,n 
a 
A = [ai,j ] =  .
 .. .. .. 
 .. CA. . . 

an,1 an,2 · · · an,n
com as constantes aij ∈ R e i, j = 1, 2, · · · n
   
x1 b1
x  b 
 2  2
x= e b=
-D
 ..   .. 
 
. .
xn bn
Nas expressões anteriores, A ∈ Rn×n é a matriz dos coeficientes, quadrada e n × n indica n linhas e n co-
de ordem n, x ∈ Rn×1 é o vetor das incógnitas e b ∈ Rn×1 é o vetor dos termos lunas; n × 1 indica n linhas
independentes. e 1 (uma) coluna
P
Resolver um sistema linear é obter o valor do vetor x que torna verdadeira a

igualdade Ax = b.
M
Os métodos numéricos para a resolução de sistemas lineares são classificados

métodos diretos e métodos iterativos, conforme mostrado na figura. Os mé-
todos iterativos são classificados em estacionários e não-estacionários. Essa
PS
classificação é apresentada figura.
versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.u fr n.b r

2
MÉTODOS
DIRETOS
N
FR
Ax = b
ESTACIONÁRIOS
-U
MÉTODOS
ITERATIVOS
NÃO-
ESTACIONÁRIOS
Métodos Diretos CA
Os métodos diretos permitem obter a solução, , de um sistema linear através
da realização de um número finito de operações sobre o sistema. Dentre esses
métodos, destacam-se o método de resolução de sistemas triangulares, o método
de Gauss e o método da decomposição LU.
Resolução de Sistemas Triangulares
-D
Uma matriz An×n é chamada de triangular superior quando ai,j = 0, i > j.

Por exemplo, no caso de uma matriz 5 × 5, Matriz triangular superior
× × × × ×
 

 × × × ×
× × ×
 
P

0× ×
 

×
M
Observe que os elementos abaixo da diagonal principal, identificada por ×,

são todos iguais a zero.
PS
versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

3
Se ocorrer ai,j = 0, i < j, a matriz A é chamada de triangular inferior. Por

exemplo, para uma matriz 5 × 5 ´ Matriz triangular inferior
N
×
 
× × 0

FR
 
× × ×
 

× × × ×
 

× × × × ×
Observe que os elementos acima da diagonal principal, identificada por ×, são
-U
todos iguais a zero.
EXEMPLO 1 A partir de uma matriz A, formada por elementos aleatórios,

obtemos uma matriz triangular superior que chamamos de TriangSuperior e
uma matriz triangular inferior que chamamos de TriangInferior.
CA
julia> using LinearAlgebra
julia> A = rand(5,5)
5×5 Array{Float64,2}:
0.0854099 0.591763 0.968067 0.939262 0.6537
0.513124 0.632162 0.185676 0.426872 0.848257
0.117107 0.442025 0.519766 0.636109 0.603543
-D
0.299027 0.725445 0.958911 0.278553 0.0250067

0.901021 0.13495 0.371225 0.428031 0.997735
julia> TriangSuperior = UpperTriangular(A)
5×5 LinearAlgebra.UpperTriangular{Float64,Array{Float64,2}}:
0.0854099 0.591763 0.968067 0.939262 0.6537
⋅ 0.632162 0.185676 0.426872 0.848257
⋅ ⋅ 0.519766 0.636109 0.603543
P
⋅ ⋅ ⋅ 0.278553 0.0250067
⋅ ⋅ ⋅ ⋅ 0.997735
julia> TriangInferior = LowerTriangular(A)
M
5×5 LinearAlgebra.LowerTriangular{Float64,Array{Float64,2}}:
0.0854099 ⋅ ⋅ ⋅ ⋅
0.513124 0.632162 ⋅ ⋅ ⋅
0.117107 0.442025 0.519766 ⋅ ⋅
PS
0.299027 0.725445 0.958911 0.278553 ⋅

0.901021 0.13495 0.371225 0.428031 0.997735
Observe que, apesar de não serem mostrados, os valores acima da diagonal

4
principal da matriz TriangSuperior e os valores abaixo da diagonal principal

da matriz TriangInferior são iguais a zero.
N
Se A é triangular superior, o sistema linear Ax = b é chamado de sistema
linear triangular superior. Se A for triangular inferior, o sistema é chamado de
sistema linear triangular inferior. Nessas Not a s d e Au l a , iremos analisar
FR
apenas os sistemas lineares triangulares superiores. A extensão dessa análise
para os sistemas lineares triangulares inferiores é direta.
Vamos considerar, então, sistemas lineares da forma :
a1,1 x1 + a1,2 x2 + a1,3 x3 + · · · + a1,n−1 xn−1 + a1,n xn = b1
-U
a2,2 x2 + a2,3 x3 + · · · + a2,n−1 xn−1 + a2,n xn = b2
a3,3 x3 + · · · + a3,n−1 xn−1 + a3,n xn = b3
.. .. ..
. . .
an−1,n−1 xn−1 + an−1,n xn = bn − 1
an,n xn = bn
CA
O sistema triangular superior pode ser resolvido usando as equações
bn
xn =
an,n
-D
bn−1 − an−1,n xn
x n −1 =
an−1,n−1
..
.
b2 − a2,3 x3 − · · · − a2,n−1 xn−1 − a2,n xn
x2 =
a2,2
P
b1 − a1,2 x2 − a1,3 x3 − · · · − a1,n−1 xn−1 − a1,n xn

x1 =
a1,1
M
É importante observar que os elementos da diagonal principal da matriz dos

coeficientes do sistema linear não podem ser iguais a zero e que a solução do
PS
sistema triangular superior é obtida na ordem reversa dos índices das incógnitas.
Primeiro, calcula-se o valor de xn , depois o valor de xn−1 até, finalmente, calcular
o de x1 . Esse procedimento é chamado de substituição reversa.

5
As equações anteriores podem ser escritas de forma mais compacta

bn
N
xn =
an,n
n
br − ∑ ar,j ∗ x j
FR
j =r +1
xr = r = n − 1, n − 2, . . . , 1
ar,r
No caso de um sistema triangular inferior, a solução é obtida na ordem direta
dos índices das incógnitas. O procedimento é chamado de substituição direta.
-U
EXEMPLO 2 Resolver o sistema triangular superior
4x1 − x2 + 2x3 + 2x4 − x5 = 4

− 2x2 + 6x3 + 2x4 + 7x5 = 0
x3 − x4 − 2x5 = 3
− 2x4
CA − x5
3x5
= 10
= 6
Solução:
-D
6
x5 = =2
3
10 + x5 10 + 2
x4 = = = −6
−2 −2
x3 = 3 + 2x5 + x4 = 3 + 2(2) − 6 = 1
−7x5 − 2x4 − 6x3 −7(2) − 2(−6) − 6(1)
x2 = = =4
P
−2 −2
4 + x5 − 2x4 − 2x3 + x2 4 − 2 − 2(−6) − 2(1) + 4
x1 = = =5
M
4 4
Então,    
x1 5
 x2   4 
PS
   
 x3  =  1 
   
 x 4   − 6
   
x5 2

6
Para esse sistema, a matriz dos coeficientes e a matriz dos termos indepen-
dentes são dadas por
RN
 
4 −1 2 2 −1  
4
 
0 −2 6 2 7   
0
  
   
0 0 1 − 1 − 2
 
A= b = 3
  
UF
   
0 0 0 −2 −1
   
  10
   
0 0 0 0 3 6
julia> A=UpperTriangular([4 -1 2 2 -1; 0 -2 6 2 7; 0 0 1 -1 -2; 0 0 0 -2 -1; 0 0 0 0 3])

5×5 LinearAlgebra.UpperTriangular{Int64,Array{Int64,2}}:
-
4 -1 2 2 -1
⋅ -2 6 2 7
⋅ ⋅ 1 -1 -2
⋅ ⋅ ⋅ -2 -1
⋅ ⋅ ⋅ ⋅ 3
julia> b = [4, 0, 3, 10, 6]
A
DC
5-element Array{Int64,1}:
4
0
3
10
6
julia> A \ b
-
5-element Array{Float64,1}:
5.0
4.0
1.0
MP
-6.0
2.0
Há grande possibilidade de se cometer erros de digitação entrando com a

matriz A e o vetor b na forma apresentada, principalmente quando A e b forem
PS
de dimensões elevadas.
Uma maneira mais adequada é, então, digitar os elementos de A e de b em
arquivos ASCII. Dessa maneira, os erros de digitação são minimizados e os
arquivos podem ser reutilizados em uma outras oportunidades.

7
julia> using DelimitedFiles

julia> A = reshape(readdlm("matrizA.txt"),:,5)
N
4.0 -1.0 2.0 2.0 -1.0
0.0 -2.0 6.0 2.0 7.0
0.0 0.0 1.0 -1.0 -2.0
FR
0.0 0.0 0.0 -2.0 -1.0
0.0 0.0 0.0 0.0 3.0
julia> b = reshape(readdlm("vetorb.txt"),:,1)
4.0
-U
0.0
3.0
10.0
6.0
julia> A \ b
5.0
4.0
1.0
CA
-6.0
2.0
Método de Gauss
-D
O método de Gauss é, também, conhecido como método da eliminação

gaussiana. O processo começa com a construção de uma matriz aumentada,
[A|b], criada a partir da inserção do vetor b em uma nova coluna da matriz A,
como mostrado:
 
a1,1 a1,2 · · · a1,n b1
P
 
 2,1 a2,2 · · · a2,n
a b2 
[A | b] ,  .
M
 
 . .. .. .. .. 
 . . . . .

 
an,1 an,2 · · · an,n bn
PS
O método da eliminação gaussiana consiste na aplicação de uma sequência

de operações, chamadas de operações elementares, sobre as linhas da matriz
aumentada com o objetivo de transformá-la em um sistema triangular superior.
versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.u fr n.b r

8
Estas operações são :
N
1. Trocar a posição de duas linhas;
2. Multiplicar uma linha por uma constante diferente de zero, e
FR
3. Adicionar um múltiplo de uma linha a outra linha. Os valores numéricos uti-
    lizados nas multiplicações
1 1 1 1 1 1 1 1 1 1 das linhas são chamados de
   
2 4 8 16 9  L2 ←−2L1 + L2
0 2 6 14 7  multiplicadores de Gauss
=⇒ 
  
-U
  
3 9 27 81 36  L3 ←−3L1 + L3 0 6 24 78 33
   
4 16 64 256 100 L4 ←−4L1 + L4 0 12 60 252 96


1 1 1 1 1


CA 

1 1 1 1 1


0 2 6 14 7  0 1 3 7/2 
7
=⇒ 
   
  
0 6 24 78 33  0 0 1 6 2 
  L3 ←−3L2 + L3  
0 12 60 252 96 L4 ←−6L2 + L4 0 0 −2 −14 −9/2
-D
   
1 1 1 1 1 1 1 1 1 1
   
0 1 3 7/2 
7 0 1 3 77/2 
=⇒ 
P
   
  
0 0 1 6 2  0 0 1 6 2 
   
0 0 −2 −14 −9/2 L4 ←2L3 + L4 0 0 0 −2 −1/2
M
O sistema, então, pode ser resolvido por substituição reversa.

PS

9
Método da Decomposição LU
O método da decomposição LU também é conhecido como o método da
N
fatoração LU. O objetivo do método é decompor,ou fatorar, a matriz dos coefi-
cientes, A, em um produto entre duas matrizes. Uma delas, L, é uma matriz
triangular inferior, com todos os elementos da diagonal principal iguais a 1.
FR
A outra, U, é uma matriz triangular superior com os elementos da diagonal
principal diferentes de zero. A matriz A, então, passa a ser escrita na forma:
A = LU
-U
julia> A = [1 1 1; 4 3 -1; 3 5 3]
3×3 Array{Int64,2}:
1 1 1
4 3 -1
3 5 3
julia> L, U = lu(A)
CA
LinearAlgebra.LU{Float64,Array{Float64,2}}
L factor:
1.0 0.0 0.0
0.75 1.0 0.0
0.25 0.0909091 1.0
-D
U factor:
4.0 3.0 -1.0
0.0 2.75 3.75
0.0 0.0 0.909091
Além de ser utilizado para fatorar a matriz A, o método LU pode ser utilizado
P
para resolver sistemas lineares da forma

M
Ax = b
Se A = LU, podemos escrever o sistema linear Ax = b como
PS
LUx = b

10
Definindo o vetor y como
N
y = Ux
podemos obter y resolvendo
FR
Ly = b
Em seguida, com o valor de y conhecido, podemos obter a solução desejada,
x, resolvendo
-U
Ux = y
A equação para y é resolvida por substituição direta enquanto a equação
para x, é resolvida por substituição reversa.
Alguns métodos podem ser utilizados para a obtenção das matrizes L e U:
1. O método da decomposição de Doolittle, que considera os elementos da
diagonal principal da matriz L iguais a 1;
CA
2. A utilização do método de triangularização de Gauss para obter a matriz U
e gerar a matriz L considerando seus elementos da diagonal principal iguais
a 1 e os multiplicadores de Gauss, com sinais trocados, como os elementos
-D
abaixo da diagonal principal,

3. O método da decomposição de Crout, que considera os elementos da diagonal
principal da matriz U iguais a 1.
EXEMPLO 3 Resolver o sistema linear
P
x1 + x2 + x3 = 1
4x1 + 3x2 − x3 = 6
M
3x1 + 5x2 + 3x3 = 4

usando o método da decomposição de Doolittle. Temos:
    
1 1 1 1 0 0 u1,1 u1,2 u1,3
PS
A = 4 3 −1 = l2,1 1 0  0 u2,2 u2,3 

    
3 5 3 l3,1 l3,2 1 0 0 u3,3
| {z }| {z }
L U

11
Multiplicando a matriz L pela matriz U, obtemos
N
   
1 1 1 u11 u1,2 u1,3
4 3 −1 = l2,1 u1,1 l2,1 u1,2 + u2,2 l2,1 u1,3 + u2,3
   

FR
3 5 3 l3,1 u1,1 l3,1 u1,2 + l3,2 u2,2 l3,1 u1,3 + l3,2 u2,3 + u3,3
| {z }
LU
Igualando os valores da matriz A com os valores da matriz LU, temos um

sistema de 9 equações com 9 incógnitas,
-U
u1,1 = u1,2 = u1,3 = 1
l2,1 u1,1 = 4, l2,1 u1,2 + u2,2 = 3, l2,1 u1,3 + u2,3 = −1
l3,1 u1,1 = 3, l3,1 u1,2 + l3,2 u2,2 = 5,
CA l3,1 u1,3 + l3,2 u2,3 + u3,3 = 3
Resolvendo o sistema, obtemos,
   
1 0 0 1 1 1
L = 4 1 0 U = 0 −1 −5 
   
3 −2 1 0 0 −10
-D
Então, usando a equação Ly = b,

    
1 0 0 y1 1
4 1 0y2  = 6
    
3 −2 1 y3 4
P
obtemos    
y1 1
M
y
 2  2
=
   
y3 5
e, usando a equação Ux = y,
PS
    
1 1 1 x1 1
0 −1 −5 x2  = 2
    
0 0 −10 x3 5
versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.uf rn. br

12
obtemos a solução do sistema linear é x1 = 1, x2 = 1/2 e x3 = −1/2,
N
   
x1 1
 x2  =  1/2 
   
x3 −1/2
FR
EXEMPLO 4 Outra maneira de obter as matrizes L e U
Para obter a matriz U, usamos o processo da triangularização de Gauss.
-U
Depois, consideramos os elementos da diagonal principal da matriz L iguais a
1 e usamos os multiplicadores de Gauss, com sinais trocados, como elementos
abaixo da diagonal principal.
Assim,    
1 1 1 1 1 1
   
4 3 −1 L2 ← L1 −4L1 =⇒ 0 −1 −5
 
3 5 3 L3 ← L3 −3L1
CA

0 2 0

   
1 1 1 1 1 1
-D
   
0 −1 −5
  =⇒ 
0 −1 −5 

0 2 0 L3 ← L3 +2L2 0 0 −10
Os multiplicadores de Gauss são, na ordem em que foram utilizados, −4, −3, +2

que, com os sinais trocados, gera a matriz L. A matriz U é obtida no processo
P
de triangularização da matriz A.
M
   
1 0 0 1 1 1
L = 4 1 0 U = 0 −1 −5 
   
3 −2 1 0 0 −10
PS

13
EXEMPLO 5 Resolver o sistema linear
N
x1 + x2 + x3 = 1
4x1 + 3x2 − x3 = 6
3x1 + 5x2 + 3x3 = 4
FR
usando método da decomposição de Crout.
Temos:
    
1 1 1 l1,1 0 0 1 u1,2 u1,3
-U
A = 4 3 −1 = l2,1 l2,2 0  0 1 u2,3 
    
3 5 3 l3,1 l3,2 l3,3 0 0 1
| {z }| {z }
L U
Multiplicando a matriz L pela matriz U, obtemos CA

   
1 1 1 l11 l1,1 u1,2 l1,1 u1,3
4 3 −1 = l2,1 l2,1 u1,2 + l2,2 l2,1 u1,3 + l2,2 u2,3 
   
3 5 3 l3,1 l3,1 u1,2 + l3,2 l3,1 u1,3 + l3,2 u2,3 + l3,3
| {z }
LU
-D
Igualando os valores da matriz A com os valores da matriz LU, temos um

sistema de 9 equações com 9 incógnitas,
l1,1 = l1,1 u1,2 = l1,1 u1,3 = 1
l2,1 = 4, l2,1 u1,2 + l2,2 = 3, l2,1 u1,3 + l2,2 u2,3 = −1

P
l3,1 = 3, l3,1 u1,2 + l3,2 = 5, l3,1 u1,3 + l3,2 u2,3 + l3,3 = 3

M
Resolvendo o sistema, obtemos,

   
1 0 0 1 1 1
PS
L = 4 −1 0  U = 0 1 5
   
3 2 −10 0 0 1
A equação Ly = b é utilizada para obter o valor de y,

14
    
1 0 0 y1 1
N
4 −1 0 y2  = 6
    
3 2 −2 y3 4
Resolvendo a equação matricial anterior, temos
FR
   
y1 1
y2  =  −2 
   
y3 −1/2
-U
Conhecido o valor de y, equação Ux = y é é utilizada para obter a solução x,
    
1 1 1 x1 1
0 1 1x2  =  −2 
    
0 0 1 x3 −1/2 CA
A solução do sistema x1 = 1, x2 = 1/2 e x3 = −1/2, que pode ser escrita na
forma    
x1 1
 x2  =  1/2 
   
x3 −1/2
-D
Observe que, apesar das matrizes U e L serem diferentes, a solução do sistema

é, obviamente, a mesma.
Norma Vetor
A norma de vetor para um vetor coluna x ∈ Rn , x = { x1 , x2 , x3 , · · · , xn } T ,
escrita como é uma função de Rn → R que satisfaz as propriedades:
P
1. kxk ≥ 0, x ∈ Rn ; kxk = 0 ↔ x = 0
M
2. kx + yk ≤ kxk + kyk, x, y ∈ Rn
3. kαxk = |α|kxk; α ∈ R, x ∈ Rn
PS
A função norma l p ou norma de um vetor x ∈ Rn é definida por

» n ó1 / p
∑ | xi | p
î
kxk p = | x1 | p + | x2 | p + · · · + | x n | p =
i =1

15
Assim, para p = 1, temos a norma l1 ,

n
N
k(x)k1 = | x1 | + | x2 | + · · · + | xn | = ∑ xi
i =1
para p = 2, temos a norma l2 ou norma Euclidiana,
FR
» n ó1 / 2
∑ | x i |2
î
kxk2 = | x1 |2 + | x2 |2 + · · · + | x n |2 =
i =1
e para p = ∞, temos a norma l∞ , norma infinito ou norma máxima
-U
kxk∞ = max | xi |
1≤ i ≤ n
EXEMPLO 6 Calcular as normas p = 1, 2, 3, ∞ para o vetor
x = {1, 2, −3, 4}
CA
Solução
Usando a expressão
» n ó1 / p
∑ | xi | p
î
kxk p = | x1 | p + | x2 | p + · · · + | x n | p =
i =1
-D
temos, para p = 1,
k(x)k1 = | x1 | + | x2 | + | x3 | + | x4 | = |1| + |2| + | − 3| + |4| = 1 + 2 + 3 + 4 = 10
para p = 2,
» » √
P
kxk2 = | x1 |2 + | x2 |2 + | x3 |2 + | x4 |2 = |1|2 + |2|2 + | − 3|2 + |4|2 = 1 + 4 + 9 + 16 = 5.4772
para p = 3,
M
kxk3 = [| x1 |3 + | x2 |3 + | x3 |3 + | x4 |3 ](1/3) = [|1|3 + |2|3 + | − 3|3 + |4|3 ](1/3) = [1 + 8 + 27 + 64](1/3) = 4.6416
e, para p = ∞,
PS
kxk∞ = max | xi | = max | xi | = max[| x1 |, | x2 |, | x3 |, | x4 |] = max[|1|, |2|, | − 3|, |4|] = 4

1≤ i ≤ n 1≤ i ≤4
Os resultados obtidos são apresentados na tabela

16
Norma kxk p Valor
N
p = 1, l1 kxk1 10
p = 2, l2 kxk2 5.4772
FR
p = 3, l3 kxk3 4.6416
p = ∞, l∞ kxk ∞ 4
julia> x = [1 2 -3 4]
-U
1 2 -3 4
julia> norm(x, 1)
10.0
julia> norm(x, 2)
5.477225575051661
julia> norm(x, 3)
4.641588833612778
julia> norm(x, Inf)
4.0
CA
Norma de Matriz
A norma de matriz para uma matriz A ∈ Rn×n , escrita como k Ak, é uma
função de Rn×n → R que satisfaz as propriedades:
-D
1. k Ak ≥ 0, A ∈ Rn×n ; k Ak = 0 ↔ A = 0
2. k A + Bk ≤ k Ak + k Bk, A, B ∈ Rn×n
3. kαAk = |α|k Ak; α ∈ R, A ∈ Rn×n

P
A norma p de uma matriz é definida por

n n
M
∑ ∑ |ai,j | p
î ó
k Ak p =
i =1 j =1
As normas mais utilizadas são aquelas para as quais p = 1, que é a soma do

PS
valor absoluto de todos os elementos de A,

n n
k A k1 = ∑ ∑ |ai,j |
i =1 j =1

17
p = ∞, que é o valor absoluto máximo entre todos os n2 elementos de A,
k Ak∞ = max | ai,j |
N
0≤i,j≤0
e p = 2, ou norma de Frobenius,
FR
Ã
n n
k A k2 = k A k F = ∑ ∑ |ai,j |2
i =1 j =1
A definição da norma p de uma matriz pode ser generalizada para matrizes
-U
ordem m × n.
EXEMPLO 7 Calcular as normas p = 1, 2, ∞ para a matriz
 
3 −6 2
 2 5 1
 
−3 2 2
Solução
CA
Usando a expressão,
n n
∑ ∑ |ai,j | p
î ó
k Ak p =
i =1 j =1
-D
parap = 1, temos
n n
k A k1 = ∑ ∑ |ai,j | = ||3| + | −{z6| + |2}| + ||2| + |{z5| + |1}| + || − 3| +{z|2| + |2}| = 11 + 8 + 7 = 26
i =1 j =1
i =1 i =2 i =3
Para p = 2, temos
P
Ã
n n s
k A k2 = k A k F = ∑ ∑ |ai,j |2 = |3|2 + | − 6|2 + |2|2 + |2|2 + |5|2 + |1|2 + | − 3|2 + |2|2 + |2|2
M
i =1 j =1
| {z } | {z } | {z }
i =1 i =2 i =3
√
= 9| + 36 + 4 + 4 + 25 + 1 + 9 + 4 + 4 = 49 + 30 + 17 = 9.7979
{z } | {z } | {z }
i =1 i =2 i =3
PS
Para p = ∞, temos
k Ak∞ = max | ai,j | = max [|3|, | − 6|, |2|, |2|, |5|, |1|, | − 3|, |2|, |2|] = max [3, 6, 2, 3, 5, 1, 3, 2, 2] = 6
0≤i,j≤0 0≤i,j≤0 0≤i,j≤0

18
Os resultados obtidos são apresentados na tabela
N
Norma k Ak p Valor
FR
p = 1, l1 k A k1 26
p = 2, l2 k A k2 = k A k F 9.7979
p = ∞, l∞ k Ak∞ 6
-U
julia> A = [3 -6 2; 2 5 1; -3 2 2]
3 -6 2
2 5 1
-3 2 2 CA
julia> norm(A, 1)
26.0
julia> norm(A,2)
9.797958971132712
julia> norm(A, Inf)
6.0
-D
Métodos Iterativos
São métodos que, a partir de uma aproximação inicial para a solução do
sistema linear, permitem calcular uma sequência de aproximações para os valo-
res de x até que uma precisão pré-estabelecida seja alcançada. A sequência de
P
aproximações para a solução do sistema é interrompida quando a aproximação

calculada atinge a precisão desejada considerando como métrica uma das nor-
M
mas de vetor. A sequência também pode ser interrompida estabelecendo-se um

número máximo de iterações. Os dois critérios, precisão e número de iterações,
podem ser usados ao mesmo tempo.
Fica evidente que, para os métodos iterativos, a solução depende da precisão
PS
desejada ou do número de iterações estabelecido e, portanto, varia caso a caso.

Analisaremos os métodos iterativos de Jacobi e de Gauss-Seidel. Vamos
considerar os sistemas lineares do tipo

19
a1,1 x1 + a1,2 x2 + · · · + a1,n xn = b1
N
a2,1 x1 + a2,2 x2 + · · · + a2,n xn = b2
.. .. .. .. ..
. . . . .
an,1 x1 + an,2 x2 + · · · + an,n xn = bn
FR
Método de Jacobi
O método de Jacobi, ou método de Gauss-Jacobi consiste na geração de
aproximações sucessivas, a partir de uma solução inicial, para o vetor solução x
a partir das equações :
-U
(k +1) 1 (k) (k) (k) b1
x1 = − (a1,2 x2 + a1,3 x3 + · · · + a1,n xn ) +
a1,1 a1,1
(k +1) 1 (k) (k) b2
x2 = − (a2,1 x1 + a2,3 x3 + · · · + a2,n xn (k)) +
a2,2 a2,2
............................................................
(k +1)
xn = −
1 (k) (k)
CA (k)
(an,1 x1 + an,2 x2 + · · · + an,n−1 xn−1 ) +
bn
an,n an,n
onde k é o número da iteração, k = 1, 2, . . . , n. Estamos considerando que os

elementos da diagonal da matriz dos coeficientes, ai,i para i = 1, 2, . . . , n não
-D
são nulos. Se ocorrer esta situação, as equações devem ser reorganizadas.

As equações anteriores podem ser escritas na forma
n
1 î
bi − ∑ ai,j x j
(k +1) (k)
ó
xi =
ai,i j =1
j 6 =i
P
Por essa expressão, podemos verificamos que a aproximação (k + 1) depende

apenas da aproximação obtida no passo anterior, (k). Observe que a notações
M
(k + 1) e (k) indicam o valor da iteração e não uma potência.

EXEMPLO 8 Utilize o método iterativo de Jacobi para resolver o sistema
linear
PS
4.00x1 + 0.24x2 − 0.08x3 = 8.00

0.09x1 + 3.00x2 − 0.15x3 = 9.00
0.04x1 − 0.08x2 + 4.00x3 = 20.00

20
com aproximação inicial x(0) =[ 0 0 0 ] e número de iterações igual a 3.

Solução
N
Escrevendo o sistema linear na forma de Jacobi, temos
FR
(k +1) (k) (k)
x1 = [8.00 − 0.24x2 + 0.08x3 ]
4.00
(k +1) 1 (k) (k)
x2 = [9.00 − 0.09x1 + 0.15x3 ]
3.00
(k +1) 1 (k) (k)
x3 = [20.00 − 0.04x1 + 0.08x2 ]
-U
4.00
Processo iterativo:
Os valores iniciais foram dados
(0) (0) (0)
x1 = x2 = x3 = 0, (k = 0)
Daí,
CA

(1) 1 (0) (0) 8.00 − 0.24(0) + 0.08(0)
x1 = [8.00 − 0.24x2 + 0.08x3 ] = = 2.00


4.00 4.00





1 9.00 − 0.09(0) + 0.15(0)

k = 0 x2(1) = (0) (0)
[9.00 − 0.09x1 + 0.15x3 ] = = 3.00
-D


 3.00 3.00
x(1) = 1 [20.00 − 0.04x(0) + 0.08x(0) ] = 20.00 − 0.04(0) + 0.08(0) = 5.00



 3 1 2
4.00 4.00
Observe que, nessa iteração, foram gerados três novos valores como aproxi-
mações para a solução do sistema linear
P
(1) (1) (1)

x1 = 2.00, x2 = 3.00, x3 = 5.00
M
Esses novos valores são utilizados na nova iteração:


(2) 1 (1) (1) 8.00 − 0.24(3.00) + 0.08(5.00)
x1 = [8.00 − 0.24x2 + 0.08x3 ] = = 1.92


4.00 4.00




PS

1 9.00 − 0.09(2.00) + 0.15(5)

k = 1 x2(2) = (1) (1)
[9.00 − 0.09x1 + 0.15x3 ] = = 3.19


 3.00 3.00
x(2) = 1 [20.00 − 0.04x(1) + 0.08x(1) ] = 20.00 − 0.04(2.00) + 0.08(3.00) = 5.04



 3 1 2
4.00 4.00
21
Novamente, foram gerados três novos valores como aproximações para a solu-
ção do sistema linear
N
(1) (1) (1)
x1 = 1.92, x2 = 3.19, x3 = 5.04
Procedemos da mesma maneira para as outras iterações. Os resultados
FR
obtidos são apresentados na tabela
(k) (k) (k)
k x1 x2 x3
0 0.00 0.00 0.00
-U
1 2.00 3.00 5.00
2 1.9200 3.1900 5.0400
3 1.9094 3.1944 5.0446
Após três iterações, o resultado final é a solução aproximada do sistema

linear dado
CA
(3) (3) (0)
x1 = 1.9094 x2 = 3.1944 x3 = 5.0446, (k = 3)
Observe que não consideramos os valores das aproximações iniciais como

uma iteração efetiva.
-D
julia> using IterativeSolvers

julia> A = [4.00 0.24 -0.08; 0.09 3.00 -0.15; 0.04 -0.08 4.00]
4.0 0.24 -0.08
0.09 3.0 -0.15
0.04 -0.08 4.0
P
julia> b = [8.00; 9.00; 20.00]

M
8.0
9.0
20.0
julia> x = IterativeSolvers.jacobi(A, b)
PS
1.9091982811005435
3.194964416842787
5.044807305525545

22
A figura apresenta um fluxograma descrevendo o método de Jacobi.
N
(0) (0) (0) (0) APROXIMAÇÕES
x1 x2 x3 xn
··· INICIAIS
FR
n CÁLCULO DE
bi − ∑ ai,j x(k)
(k+1)
î ó
1
xi =
-U
ai,i j NOVOS
j =1
j 6 =i VALORES
ai,i 6= 0
N
CA
CONVERGE ?
S
-D
(k) (k) (k) (k)

x1 x2 x3 ··· xn SOLUÇÕES
P
M
PS

23
Método de Gauss-Seidel
O método de Gauss-Seidel é uma modificação do método de Jacobi como
N
objetivo de acelerar o processo de convergência. Neste método, o valor recém-
calculado para cada variável já é utilizado no cálculo do valor da próxima
variável.
FR
A equação utilizada para realizar as iterações é :
i −1 n
1 î
bi − ∑ ai,j x j − ∑ ai,j x(k)
(k +1) (k +1)
ó
xi = j
ai,i
-U
j =1 j = i +1
Na equação de iteração de Gauss-Seidel, a expressão
i −1
∑ ai,j x j
(k +1)
j =1
CA
indica que os valores na iteração atual, iteração (k + 1), é utilizado imediata-
mente. A expressão
n
∑
(k)
ai,j x j
-D
j = i +1
utiliza os valores da iteração anterior, iteração(k).

Vamos resolver, pelo método de Gauss-Seidel, o mesmo sistema linear do
Exemplo 8.
EXEMPLO 9 Utilize o método iterativo de Gauss-Seidel para resolver o
P
sistema linear
M
4.00x1 + 0.24x2 − 0.08x3 = 8.00

0.09x1 + 3.00x2 − 0.15x3 = 9.00
0.04x1 − 0.08x2 + 4.00x3 = 20.00
PS
com aproximação inicial x(0) =[ 0 0 0 ] e número de iterações igual a 3.

Solução
Escrevendo o sistema linear na forma

24
(k +1) 1 (k) (k)
N
x1 = [8.00 − 0.24x2 + 0.08x3 ]
4.00
(k +1) 1 (k) (k)
x2 = [9.00 − 0.09x1 + 0.15x3 ]
3.00
FR
(k +1) 1 (k) (k)
x3 = [20.00 − 0.04x1 + 0.08x2 ]
4.00
Processo iterativo
Os valores iniciais foram dados
-U
(0) (0) (0)
x1 = x2 = x3 = 0, (k = 0)
Daí,

(1) 1 (0) (0) 8.00 − 0.24(0) + 0.08(0)
x1 = [8.00 − 0.24x2 + 0.08x3 ] = = 2.00


4.00 4.00

 CA



1 9.00 − 0.09(2.00) + 0.15(0)

k = 0 x2(1) = (0) (0)
[9.00 − 0.09x1 + 0.15x3 ] = = 3.1942


 3.00 3.00
20.00 − 0.04(2.0) + 0.08(3.1942)

 1
x3(1) = (0) (0)

 [20.00 − 0.04x1 + 0.08x2 ] = = 5.0446
4.00 4.00
Observe que, nessa iteração, os valores que foram gerados foram imediata-
-D
mente utilizados. Daí,

(1) (1) (1)
x1 = 2.00, x2 = 3.1942, x3 = 5.0446
Os valores calculados são utilizados na nova iteração:


(2) 1 (1) (1) 8.00 − 0.24(2.00) + 0.08(5.0446)
P
x1 = [8.00 − 0.24x2 + 0.08x3 ] = = 1.9243



4.00 4.00





1 9.00 − 0.09(1.9243) + 0.15(5.0446)

k = 1 x2(2) = (1) (1)
M
[9.00 − 0.09x1 + 0.15x3 ] = = 3.1942



 3.00 3.1942
20.00 − 0.04(1.9243) + 0.08(3.1942)

 1
x3(2) = (1) (1)

 [20.00 − 0.04x1 + 0.08x2 ] = = 5.0446
4.00 4.00
PS
Novamente, foram gerados três novos valores como aproximações para a solu-
ção do sistema linear
(1) (1) (1)
x1 = 1.9243, x2 = 3.1942, x3 = 5.0446

25
Procedemos da mesma maneira para as outras iterações. Os resultados

obtidos são apresentados na tabela
N
(k) (k) (k)
k x1 x2 x3
FR
0 0.00 0.00 0.00
1 2.00 3.1942 5.0446
2 1.9243 3.1942 5.0446
3 1.9092 3.1949 5.0448
-U
julia> using IterativeSolvers
julia> A = [4.00 0.24 -0.08; 0.09 3.00 -0.15; 0.04 -0.08 4.00]
4.0 0.24 -0.08
0.09 3.0 -0.15 CA
0.04 -0.08 4.0
julia> b = [8.00; 9.00; 20.00]
8.0
9.0
20.0
-D
julia> x = IterativeSolvers.gauss_seidel(A, b)
1.9091982810999195
3.194964416843296
5.044807305525866
P
M
PS

26
N
FR
(0) (0) (0) (0) APROXIMAÇÕES
x1 x2 x3 xn
··· INICIAIS
-U
i −1 n CÁLCULO DE
bi − ∑ ai,j x(k ∑
(k +1) +1)
î
ai,j x(k)
ó
1
xi = ai,i j − CA j NOVOS
j =1 j = i +1
ai,i 6= 0 VALORES
N
-D
CONVERGE ?
S
P
(k) (k) (k) (k)

x1 x2 x3 ··· xn SOLUÇÕES
M
PS

SisLin 26.01.21

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

SisLin 26.01.21

Enviado por

Direitos autorais:

Formatos disponíveis

PAULO S.

Resolução Numérica de S istemas Lineares

Departamento de Engenharia de Computação e Automação

Sistemas de Equações Lineares

Resolver um sistema linear é obter o valor do vetor x que torna verdadeira a

Os métodos numéricos para a resolução de sistemas lineares são classificados

classificação é apresentada figura.

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.u fr n.b r

Uma matriz An×n é chamada de triangular superior quando ai,j = 0, i > j.

Observe que os elementos abaixo da diagonal principal, identificada por ×,

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

Se ocorrer ai,j = 0, i < j, a matriz A é chamada de triangular inferior. Por

EXEMPLO 1 A partir de uma matriz A, formada por elementos aleatórios,

0.299027 0.725445 0.958911 0.278553 0.0250067

0.299027 0.725445 0.958911 0.278553 ⋅

Observe que, apesar de não serem mostrados, os valores acima da diagonal

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

principal da matriz TriangSuperior e os valores abaixo da diagonal principal

b1 − a1,2 x2 − a1,3 x3 − · · · − a1,n−1 xn−1 − a1,n xn

É importante observar que os elementos da diagonal principal da matriz dos

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

As equações anteriores podem ser escritas de forma mais compacta

4x1 − x2 + 2x3 + 2x4 − x5 = 4

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

julia> A=UpperTriangular([4 -1 2 2 -1; 0 -2 6 2 7; 0 0 1 -1 -2; 0 0 0 -2 -1; 0 0 0 0 3])

Há grande possibilidade de se cometer erros de digitação entrando com a

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

julia> using DelimitedFiles

O método de Gauss é, também, conhecido como método da eliminação

O método da eliminação gaussiana consiste na aplicação de uma sequência

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.u fr n.b r

Estas operações são :

2. Multiplicar uma linha por uma constante diferente de zero, e

O sistema, então, pode ser resolvido por substituição reversa.

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

para resolver sistemas lineares da forma

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

Definindo o vetor y como

abaixo da diagonal principal,

3x1 + 5x2 + 3x3 = 4

A = 4 3 −1 = l2,1 1 0  0 u2,2 u2,3 

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

Multiplicando a matriz L pela matriz U, obtemos

Igualando os valores da matriz A com os valores da matriz LU, temos um

Então, usando a equação Ly = b,

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.uf rn. br

obtemos a solução do sistema linear é x1 = 1, x2 = 1/2 e x3 = −1/2,

Os multiplicadores de Gauss são, na ordem em que foram utilizados, −4, −3, +2

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

EXEMPLO 5 Resolver o sistema linear

Multiplicando a matriz L pela matriz U, obtemos CA

Igualando os valores da matriz A com os valores da matriz LU, temos um

l1,1 = l1,1 u1,2 = l1,1 u1,3 = 1

l2,1 = 4, l2,1 u1,2 + l2,2 = 3, l2,1 u1,3 + l2,2 u2,3 = −1

l3,1 = 3, l3,1 u1,2 + l3,2 = 5, l3,1 u1,3 + l3,2 u2,3 + l3,3 = 3

Resolvendo o sistema, obtemos,

A equação Ly = b é utilizada para obter o valor de y,

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.uf rn. br

Observe que, apesar das matrizes U e L serem diferentes, a solução do sistema

A função norma l p ou norma de um vetor x ∈ Rn é definida por

versão 0.2- documento gerado em 26/01/2021. comentários/sugestões: pmotta@dca.ufrn.br

Assim, para p = 1, temos a norma l1 ,

para p = 2, temos a norma l2 ou norma Euclidiana,