Cursos: Engenharia Agrícola, Engenharia da Produção, Matemática

Disciplina: Cálculo Numérico

Data: 9 de Agosto de 2005

Método de Eliminação de Gauss

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

Obter uma solução exata de um sistema de equações lineares da forma

AX = B , (1)
onde, A é uma matriz quadrada de ordem n, X e B são vetores coluna de ordem n x 1.
1. O método consiste em utilizar um número finito de transformações elementares e considerar
elementos da diagonal principal (não nulos) chamados pivôs.
2. Se, por exemplo, a ii ≠ 0 , a linha do pivô é mantida e os outros elementos da i-ésima coluna ficam
zerados.
3. O transformado de um elemento que não aparece na linha nem na coluna do pivô é igual a este
elemento menos o produto contradiagonal dividido pelo pivô.
4. O processo repete-se escolhendo novos pivôs (não nulos) que não figurem na linha nem na coluna
anteriores.
5. O processo termina quando já não é possível tomar novos pivôs.
6. Depois, inicia-se o processo de substituição para cima.

3. Exemplo

Resolva o seguinte sistema de equações lineares

2 x + y − 3 z = −1
− x + 3 y + 2 z = 12 (2)
3x + y − 3z = 0
Podemos escrever este sistema linear na forma matricial:


  
rpp@impa.br Professor:
  2 1 − 3  x  − 1
    
− 1 3 2   y  = 12  (3)
    
    
 3 1 − 3  z   0 

Passo 1: A Matriz Aumentada.

Define-se primeiro a matriz aumentada:
 2 1 − 3 − 1
 
A = − 1 3 2 12  (4)
 
 
 3 1 − 3 0 
As três primeiras colunas desta matriz coincidem com as colunas da matriz do sistema e a última coluna é a
dos termos da direita do sistema de equações lineares (2).

Passo 2. Processo de eliminação

a 21 1
Como a11 = 2 ≠ 0, este elemento será o nosso primeiro pivô. Define-se λ1 = = − , e calculam-se os
a11 2
outros elementos transformados da segunda linha segundo a regra 3 acima:
'
a 22 = a 22 − λ1 a12 = 3 − (− 12 ) ⋅ 1 = 7
2

'
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:

rpp@impa.br Professor: 


 "
a 33 = a 33
'
− λ3 a 23
'
= 32 − (− 17 )⋅ 12 = 11
7
(8)
"
a 34 = a 34
'
− λ3 a 24
'
= 32 − (− 17 ) ⋅ 232 = 22
7

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


Passo 3: Fase de substituição retrocedida

Temos obtido o seguinte sistema equivalente de equações lineares:

2 x + y − 3 z = −1
7
2
y + 12 z = 23
2
(10)
11
7
z= 22
7

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

e substituindo este valor na segunda equação de (10) obtemos,

23
−1
7
2
y + 12 ⋅ 2 = 23
2
, e resolvendo para y , fica y= 2
7
= 3.
2

Finalmente, substituindo estes valores, z = 2, e y = 3 , na primeira equação de (10) temos,

−1− 3 + 6
2 x + 3 − 3 ⋅ 2 = −1, e resolvendo para x, fica x= = 1.
2
+-,/.021436587:98;=<
O método de eliminação de Gauss consiste de duas fases:
• Fase de eliminação: o objetivo é empregar transformações elementares na matriz aumentada,
visando obter uma correspondente a um sistema triangular superior.
• Fase de substituição retrocedida: inicia-se resolvendo a última equação, cuja solução é substituída
na penúltima e resolve-se na penúltima variável, e assim em forma consecutiva.
>8?@BADCBEAGFHA=IKJ2L/MON/PQRADSTN2UWV
Considerando como operações elementares somas, produtos e divisões entre os
elementos da matriz aumentado o na fase de substituição retrocedida, a seguinte tabela reproduz o esforço
computacional.

Primeira Fase Segunda Fase Substituição Tempo

Operações Total Total
de eliminação de eliminação retrocedida unitário
X:Y8Z-[:\ ] ^ _ `a` db c db bdc
eafWgdh6ikjlgdm n o p aq q ordr s8tus:vav
wHx ydx z{a|:z } ~  € a‚:ƒ „…u‚:ƒaƒ
†2‡TˆŠ‰Œ‹ TŽd‘

rpp@impa.br Professor: !"#$

%&$'&%&()*
4. Decomposição LU
Definem-se duas matrizes triangulares:

• 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”.

Em nosso exemplo podemos escrever L e U e proceder à multiplicação matricial LU obtendo:

 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

O determinante do produto de duas matrizes quadradas é o produto dos determinantes

det (L) • det (U) = det ( A) (12)

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.

rpp@impa.br Professor: ’“”•–

—˜–™˜—˜š›œ
 x1 + x2 = 2
x2 = 1
o que pode ser resolvido por meio da retrosubstituição, pois o sistema é agora triangular superior. Assim, o
problema de um pivô nulo pode superar-se, isto quer dizer, processando abaixo da coluna pivotante até achar
um elemento não nulo e trocando esta linha com a linha pivotal existente. Isto vai funcionar, mas há uma
condição consideração adicional. Devido à que ocorrem problemas se um pivô é nulo, resulta razoável supor
o que pode acontecer se o pivô é pequeno em comparação com os outros elementos da matriz, e tal é, de fato,
neste caso.
Assim é melhor antes de procurar o primeiro elemento não nulo, pesquisar a coluna inteira para
determinar o elemento de módulo máximo e depois trocar as linhas, se for necessário, de modo que este
elemento converte-se no pivô. Tal processo se chama Pivotamento Parcial, constituindo um passo
fundamental na seleção de sistema de equações lineares.
Existe também um processo de Pivotamento Completo segundo o qual localizamos o elemento de
maior módulo na submatriz a ij para i, j ≥ k no sistema.

a11 x1 + a12 x 2 + ......................................... + a1n x n = b

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

4 3 10 28 Foi “trocada” p 2 e p1.

2 1 3 11 Eliminamos x1 diferentes
2 4 17 31 do elemento privotal.
O novo pivô é o maior
Ou também elemento da segunda
coluna diferente da linha
P1 0 - 0.5 -2 -3 pivotal anterior.
P2 4 3 10 28

P3 0 25 12 17

Segundo Pivô

rpp@impa.br Professor: žŸ ¡

¢£¡¤£¢£¥¦§
 P1 0 0 0.4 0.4

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.

rpp@impa.br Professor: ¨©ª«¬

­®¬¯®­®°±²