Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introdução
A resolução de sistemas de equações lineares e o cálculo de determinantes são dois exemplos de
problemas fundamentais da álgebra linear que foram estudados desde longa data. Leibnitz encontrou em
1693 a fórmula para o cálculo de determinantes, e em 1750 Cramer apresentou um método para resolver
sistemas de equações lineares, conhecida desde então como a Regra de Cramer, primeira pedra na construção
da álgebra linear e da teoria das matrizes. No inicio da evolução dos computadores digitais, o cálculo
matricial recebeu a atenção merecida. John von Neumann e Alan Turing eram os pioneiros mundialmente
famosos da ciência da computação, e introduziram contribuições notáveis para o desenvolvimento da álgebra
linear computacional. Em 1947, von Neumann e Goldstein pesquisaram os efeitos dos erros de
arredondamento na resolução de equações lineares. Um ano depois, Turing iniciou um método para
decompor uma matriz num produto de uma matriz triangular inferior com uma matriz escalonada (conhecida
como decomposição LU). Hoje, a álgebra linear computacional é uma área de muito interesse. Isto é devido
ao fato que este campo está reconhecido agora como uma ferramenta absolutamente essencial em muitas das
aplicações computacionais que requerem cálculos longos e difíceis de desenvolver manualmente, como por
o exemplo: em gráficos de computador, em modelagem geométrica, em robótica, etc..
2. Objetivo
3. Exemplo
'
a 23 = a 23 − λ1 a13 = 2 − (− 12 ) ⋅ (− 3) = 1
2
(5)
'
a 24 = a 24 − λ1 a14 = 12 − (− 12 ) ⋅ (−1) = 23
2
a 31 3
De outra parte, define-se λ 2 = = , e determinam-se ou outros elementos transformados da terceira
a11 2
linha:
'
a 32 = a 32 − λ 2 a12 = 1 − 32 ⋅ 1 = − 12
'
a 33 = a 33 − λ 2 a13 = −3 − 32 ⋅ (−3) = 3
2
(6)
'
a 34 = a 34 − λ 2 a14 = 0 − 32 ⋅ (−1) = 3
2
Desta forma a nova matriz aumentada transformada após esta primeira fase de eliminação fica como
2 1 − 3 − 1
A' = 0 72 1 23
(7)
2 2
0 − 2
1 3 3
2 2
'
Para a segunda fase de eliminação Gaussiana consideramos como pivô o elemento a 22 = 7
2
≠ 0. Agora,
'
a − 12 1
definimos λ 3 = 32
1
= =− . Assim, podemos determinar os elementos transformados na terceira
a 22
7
2 7
linha:
A nova matriz aumentada fica após esta segunda fase de eliminação da forma seguinte:
2 1 − 3 − 1
A" = 0 2 2
7 1 23
(9)
2
0 0 117 7
22
que é um sistema triangular, isto é a matriz do sistema é uma matriz triangular superior, que pode ser
resolvido, facilmente, por substituição das variáveis. Da última equação de (10) temos
22
z= 7
=2,
11
7
• Matriz L ( de “ lower” ), triangular inferior cujos elementos diagonais são unidades e seus elementos
abaixo da diagonal são os coeficientes λ1, λ2, λ3 definidos no processo de eliminação de Gauss.
1 0 0
L = λ1 1 0 (11)
λ 2 λ3 1
• Matriz U ( do inglês “ upper”, superior), matriz triangular superior defini da pelo bloco das três
primeiras colunas da última matriz aumentada A”.
1 0 0 2 1 − 3 2 1 − 3
1
7 1
− 1 0 0 = −1 3 2 = A (12)
2 2 2
3 1 11
2 − 1 0
0
3 1 − 3
7 7
L U
A matriz do sistema resulta sendo o produto de duas matrizes, uma triangular inferior e outra triangular
superior.
5. Cálculo do Determinante
7 11
mas det(L) = 1, e assim det(A) = det (U) = 2. . = 11 . Isto é devido ao fato que o determinante de
2 7
qualquer matriz triangular é o produto dos elementos da diagonal, o que pode ser comprovado em forma
fácil.
6. Estratégia de Pivotamento
Um sistema de operações pode ter um zero na diagonal e ainda possuir uma solução bem definida. Por
exemplo, o sistema de equação.
x2 = 1
x1 + x2 = 2
possui um zero na diagonal, mas a solução, x1 = 1 e x2 = 2, está bem definida. O problema pode ser resolvido
reordenando as equações para obter o sistema.
a 22 x 2 + ...................................... + a 2 n x n = b2
a kk x k + ............ + a kn x n = bk
a k +1, n x k + ............ + a k +1, n x n = bk +1
a n, k x k + ............ + a n , n x n = bn
depois do qual trocam-se a linha e a coluna para que este elemento ocupe a posição pivotal. Em termos de
computação, isto resulta num alto esforço computacional e na pratica, pouco se precisa. Em geral, o mais
conveniente é o pivotamento parcial. Caso não encontrar nenhum elemento diferente de zero na coluna
pivotal, então a matriz é simgular, de modo que pode usar-se como uma prova de singularidade.
Exemplo:
p1 → 2 1 3 x 11
p2 → 4 3 10 y = 28
p3 → 2 4 17 z 31
Procura-se o elemento de módulo máximo na primeira coluna.
Primeiro Pivô
P3 0 25 12 17
Segundo Pivô
P2 4 3 10 28
P3 0 25 12 17
Agora temos a forma triangular superior. Para levar adiante a substituição retrocedida, trabalhamos
com as linhas em ordem inversa,
0.4
p 3 , p 2 , p1 : x3 = =1
0.4
Da linha p2 obtém-se.
17 − 12 x 3 5
x2 = = =2
2 .5 2 .5
Da linha p2 obtêm-se:
28 − 3 x 2 − 10 x3 28 − 6 − 10 12
x1 = = = =3
4 4 4
7. Escalonamento
A estratégia dos pivôs pode ser mudada re-escalando as equações. Por exemplo, dado o sistema de
equações seguinte:
x1 + x2 = 2 (*)
0,0001 x1 + 0,1 x2 = 1
o multiplicador é 0,0001. Mas, se multiplicamos a segunda equação por 100 000 resultará,
x1 + x2 = 2
10 x1 + 10000 x2 = 100 000
Então deveriam ser trocadas as linhas, e o multiplicador será 0,1. Assim a estratégia de pivotamento foi
alterada com o escalamento e, além disso, os cálculos realizados no processo de eliminação mudam, dando
uma acumulação distinta dos erros de arredondamento. Até o momento não existe acordo sobre a “melhor”
maneira de escalonamento de um sistema linear visando reduzir a acumulação de erros de arredondamento,
mas um método muito empregado é chamado de “equilíbrio”. Nesta técnica, as equações são escalonadas de
modo que os elementos máximos nas linhas e colunas da matriz A tenhan mais ou menos a mesma grandeza,
e em geral, escolhe-se a unidade. Um balanço do sistema (*) seria assim,
x1 + x2 = 2
0,001 x1 + x2 = 10.