>

MODELAGEM MATEMÁTICA

Aula 05: SISTEMAS DE EQUAÇÕES LINEARES – MÉTODOS

ITERATIVOS

Apresentação
Na aula passada, começamos a tratar do estudo de sistemas de equações lineares algébricas (SELA), com base nos
métodos diretos. Como vimos, tais sistemas são muito úteis em tarefas diversas, como a análise de circuitos elétricos
(Engenharia Elétrica), do comportamento variante no tempo de sistemas de comunicações sem fio (Engenharia de
Telecomunicações), de sistemas mecânicos (Engenharia Mecânica) e da distribuição de forças em estruturas (Engenharia
Civil), dentre outros.

No entanto, nem sempre é possível determinar de forma direta a solução de tais sistemas. Desta forma, faz-se necessário
o emprego de métodos que permitem, via repetição de procedimentos, a identificação da solução ou, ao menos, de
valores aproximados à solução do problema. Tais métodos são os denominados métodos iterativos, bastante utilizados
na resolução de sistemas de equações lineares.

Assim, o objetivo desta aula é continuar os estudos de sistemas de equações lineares, mas agora com foco nos métodos
iterativos. Em primeiro lugar, você aprenderá o método de Gauss-Jacobi. Em seguida, você estudará o método Gauss-
Seidel. Ao final, você será capaz de aplicar os métodos estudados, por meio da implementação computacional de
programas em Python.

Objetivos
Identificar os principais métodos iterativos de resolução de sistemas de equações lineares: Gauss-Jacobi e Gauss-
Seidel.

Aplicar os métodos estudados com suporte da linguagem de programação Python.

 Método de Gauss - Jacobi
Conforme descrito em Moura (2017), os métodos iterativos não apresentam uma solução exata de SELA, mas aproximações
da solução, obtidas a partir do emprego de iterações sucessivas. Tal procedimento é conseguido a partir da avaliação das
expressões que constituem o SELA. Sua principal vantagem em relação aos métodos diretos (que estudamos na aula passada)
é simplicidade no processo de resolução, pois existem sistemas que não apresentam uma solução exata – em especial, os
provenientes de aproximações do mundo físico.

 
Tais expressões são obtidas a partir do isolamento de cada uma das variáveis, obtidas a partir de cada uma das equações do
SELA. Depois disso, com base em valores previamente atribuídos às variáveis, são realizadas diversas iterações para avaliação
dos novos valores obtidos, até que o critério de convergência seja alcançado.

 
O primeiro dos métodos que estudaremos na aula de hoje é o denominado Método de Gauss-Jacobi. Vamos considerar o
sistema linear apresentado a seguir:

a11  x1   +  a12 x2   +  a13 x3   +  . . .   +  a1n xn =  b1

a21  x1   +  a22 x2   +  a23 x3   +  . . .   +  a2n xn =  b2

a31  x1   +  a32 x2   +  a33 x3   +  . . .   +  a3n xn =  b3

an1  x1   +  an2 x2   +  an3 x3   +  . . .   +  ann xn =  bn

Dadas as expressões que vimos, você pode isolar as incógnitas em cada equação. Desta forma, obtemos as seguintes
expressões:

1
x1   =   (b1   −  a12 x2  −  a13 x3  −  . . .   −  a1n xn  )
a11

1
x2   =   (b2   −  a21 x1  −  a23 x3  −  . . .   −  a2n xn  )
a22

1
x3   =   (b3   −  a31 x1  −  a32 x2  −  . . .   −  a3n xn  )
a33

                                  . . .
1
xn   =   (bn   −  an1 x1  −  an2 x2  −  . . .   −  an−1.n xn−1  )
ann

Agora, basta você apresentar uma estimativa ou aproximação inicial para cada uma das variáveis acima para obter a solução.
Ou seja, você deve escolher um conjunto de valores {x1 (0) , x2 (0) , x3 (0) , . . . , xn (0) } para iniciar a solução do SELA, com
emprego do método de Gauss-Jacobi.

Com isso, como resultado da primeira iteração, obtém-se o conjunto de valores {x1 (1) , x2 (1) , x3 (1) , . . . , xn (1) }, de tal
maneira que:

(1) 1 (0) (0) (0)

x1   =   (b1   −  a12 x2  −  a13 x3  −  . . .   −  a1n xn  )
a11

(1) 1 (0) (0) (0)

x2   =   (b2   −  a21 x1  −  a23 x3  −  . . .   −  a2n xn  )
a22

(1) 1 (0) (0) (0)

x3   =   (b3   −  a31 x1  −  a32 x2  −  . . .   −  a3n xn  )
a33

                                  . . .
(1) 1 (0) (0) (0)
xn   =   (bn   −  an1 x1  −  an2 x2  −  . . .   −  an−1.n x n−1  )
ann
 E assim devemos proceder sucessivamente. Por exemplo, o conjunto de valores obtido na k-ésima iteração (ou seja, {
x1
(k)
, x2
(k)
, x3
(k)
, . . . , xn
(k)
}) é expresso a partir dos valores obtidos na iteração anterior (k-1). Veja, a seguir, como ficam
os cálculos nesta etapa da resolução:

(k) 1 (k−1) (k−1) (k)

x1   =   (b1   −  a12 x2  −  a13 x3  −  . . .   −  a1n xn  )
a11

(k) 1 (k−1) (k−1) (k−1)

x2   =   (b2   −  a21 x1  −  a23 x3  −  . . .   −  a2n xn  )
a22

(k) 1 (k−1) (k−1) (k−1)

x3   =   (b3   −  a31 x1  −  a32 x2  −  . . .   −  a3n xn  )
a33

                                  . . .
(k) 1 (k−1) (k−1) (k−1)
xn   =   (bn   −  an1 x1  −  an2 x2  −  . . .   −  an−1.n x n−1  )
ann

Atenção! Aqui existe uma

videoaula, acesso pelo conteúdo online

Assim, imaginamos que você já tenha entendido a ideia principal do Método de Gauss-Jacobi. Neste método, cada coordenada
do vetor correspondente à nova aproximação é calculada a partir da respectiva equação do sistema, utilizando-se as demais
coordenadas do vetor aproximação da iteração anterior.

Por fim, é importante destacar que o processo é finalizado ao se atingir uma precisão preestabelecida, calculada a partir do
valor máximo de desvio para as incógnitas entre iterações sucessivas – exatamente como fizemos no caso do método de
Gauss-Jacobi. De igual modo, também pode ser finalizado ao se atingir um número máximo preestabelecido de iterações, com
vantagens semelhantes.

 
No entanto, você pode estar se perguntando: quando é que chegamos ao final destes cálculos? Simples: o processo é
finalizado ao se atingir uma precisão preestabelecida, calculada a partir do valor máximo de desvio para as incógnitas entre
iterações sucessivas.

Atenção! Aqui existe uma

videoaula, acesso pelo conteúdo online

Comentário

De modo alternativo, pode-se interromper o processo ao se atingir um número máximo preestabelecido de iterações. Essa última
estratégia de finalização do processo traz como vantagem a facilidade em determinar o tempo máximo de processamento
numérico em um computador para cálculo da solução.

O algoritmo que representa a operação descrita anteriormente é dado por:

/* Dados de Entrada: vetor de estimativa inicial – x, número de variáveis –
n;vetor de coeficientes – A; vetor de termos independentes – b, número
máximo de iterações – L, tolerância de erro na aproximação - tol*/
/* Resultado: vetor solução – x*/
Início
i←0
diff ← 100000
Enquanto (i < L e diff>tol) faça
y←x
Para i de 1 até n faça
soma ← 0
Para j de 1 até n faça
Se ( )      j ≠ i
aij xj
Então soma ← soma + aii

Fim-Se
bi
xi← aii
  −  soma

Fim-Para
diff ← |x1 - y1|
Para i de 2 até n faça
Se (|xi – yi| >diff)
Entãodiff ← |xi – yi|
Fim-Se
Fim-Para
i←i+1
Fim-Enquanto
Fim-GaussJacobi
 Como exemplo de aplicação, considere as matrizes A e b conforme descrito em Moura (2017):

2 −3 1 0
⎡ ⎤ ⎡ ⎤

A  =  ⎢ −1 1 −5 ⎥;  b =   ⎢ −3 ⎥
⎣ ⎦ ⎣ ⎦
3 2 −1 −1

Assim, a título de ilustração, considere-se como palpite inicial os valores de x(1) = x(2) = x(3) = 1, com uma tolerância de erro na
aproximação no valor de 0, 001 ou inferior. De acordo com o emprego previsto da técnica iterativa de Gauss-Jacobi para
resolução de SELA, tem-se que:

b(1) − A(1,2) × (2) − A(1,3) × (3) 0 − (−3) .(1) − 1.1 3−1

x (1)  =     =   =   =  1
A(1,1) 2 2

b(2) − A(2,1) × (1) − A(2,3) × (3) (−3) − (−1).(1) − (−5).1 3
x (2)  =     =   =   =  3
A(2,2) 1 1

b(3) − A(3,1) × (1) − A(3,2) × (2) −1 − (3).(1) − (2).1 −6
x (3)  =     =   =   =  6 
A(3,3) −1 −1

Veja que, depois da 1a iteração, os novos valores de teste são x(1) = 1, x(2) = 3 e x(3) = 6. Como a maior diferença (5, para a
variável x(3)) excede a tolerância especificada, você precisa realizar uma nova iteração. Veja só como fica esta segunda rodada:

b(1) − A(1,2) × (2) − A(1,3) × (3) 0 − (−3) .(3) − 1.6 3
x (1)  =     =   =   =  1, 5
A(1,1) 2 2

b(2) − A(2,1) × (1) − A(2,3) × (3) (−3) − (−1).(1) − (−5).6 28
x (2)  =     =   =   =  28
A(2,2) 1 1

b(3) − A(3,1) × (1) − A(3,2) × (2) −1 − (3).1 − (2).3 −10

x (3)  =     =   =   =  10
A(3,3) −1 −1

Após a 2a iteração, temos que os novos valores de teste são x(1) = 1,5, x(2) = 28 e x(3) = 10. Como a maior diferença (25, para a
variável x(2)) também excede a tolerância especificada, você precisa realizar uma terceira iteração e, assim, sucessivamente.

Comentário

Creio que agora você tenha entendido como funciona o método de Gauss-Jacobi. Este é o método iterativo básico para resolução
de sistemas de equações lineares. No entanto, não é o de convergência mais rápida. Existem alternativas que, com sutis
diferenças, permitem determinar mais rapidamente a solução de um sistema de equações lineares. Dentre estes, destaca-se o
método de Gauss-Seidel, que veremos na próxima seção desta aula.
 Método de Gauss-Seidel
De modo semelhante ao exposto na seção anterior, tem-se que a resolução de um SELA por meio do Método de Gauss-Seidel
considera, em princípio, um sistema linear como o descrito a seguir:

a11  x1   +  a12 x2   +  a13 x3   +  . . .   +  a1n xn =  b1

a21  x1   +  a22 x2   +  a23 x3   +  . . .   +  a2n xn =  b2

a31  x1   +  a32 x2   +  a33 x3   +  . . .   +  a3n xn =  b3

an1  x1   +  an2 x2   +  an3 x3   +  . . .   +  ann xn =  bn

Tal qual feito para o método de Gauss-Jacobi, nós podemos isolar as incógnitas em cada uma das equações:

1
x1   =   (b1   −  a12 x2  −  a13 x3  −  . . .   −  a1n xn  )
a11

1
x2   =   (b2   −  a21 x1  −  a23 x3  −  . . .   −  a2n xn  )
a22

1
x3   =   (b3   −  a31 x1  −  a32 x2  −  . . .   −  a3n xn  )
a33

                                  . . .
1
xn   =   (bn   −  an1 x1  −  an2 x2  −  . . .   −  an−1.n xn−1  )
ann

Ainda de acordo com o que fizemos no método anterior, você deve estipular uma estimativa inicial para cada uma das
incógnitas destacadas nas equações que acabamos de ver – ou seja, um conjunto de valores {x1(0), x2(0), x3(0), ..., xn(0)} para
iniciar a solução do SELA.

 
No entanto, conforme destacado em Moura (2017), a partir daqui nós temos a diferença em relação ao método anterior. Aqui,
no Método de Gauss-Seidel, cada coordenada do vetor correspondente à nova aproximação é calculada a partir da respectiva
equação do sistema, utilizando-se as coordenadas do vetor aproximação da iteração anterior, quando essas ainda não foram
calculadas na iteração corrente, e as coordenadas do vetor aproximação da iteração corrente, no caso contrário.

 
Com isso, como resultado da primeira iteração, obtém-se o conjunto de valores {x1 (1) , x2 (1) , x3 (1) , . . . , xn (1) } tal que:

(1) 1 (0) (0) (0)

x1   =   (b1   −  a12 x2  −  a13 x3  −  . . .   −  a1n xn  )
a11

(1) 1 (1) (0) (0)

x2   =   (b2   −  a21 x1  −  a23 x3  −  . . .   −  a2n xn  )
a22

(1) 1 (1) (1) (0)

x3   =   (b3   −  a31 x1  −  a32 x2  −  . . .   −  a3n xn  )
a33

                                  . . .
(1) 1 (1) (1) (1)
xn   =   (bn   −  an1 x1  −  an2 x2  −  . . .   −  an−1.n x n−1  )
ann
 Veja que na segunda equação nós utilizamos o novo valor de x1  (ou seja,  x1 (1) , e não x1 (0) , como aconteceu no método de
Gauss-Jacobi. De igual modo, na terceira equação, além do novo valor de x1 , nós utilizamos x2 (1) no lugar de x2 (0) . Assim,
seguimos até a última equação, que naturalmente utiliza todas as novas estimativas para as variáveis anteriormente
calculadas.

 
Desta forma, podemos ver o caso geral a partir das expressões das equações na k-ésima iteração - {
{x1 (k), x2 (k), x3 (k), . . . , xn (k) }). Veja, a seguir, como ficam os cálculos nesta etapa da resolução:

(k) 1 (k−1) (k−1) (k)

x1   =   (b1   −  a12 x2  −  a13 x3  −  . . .   −  a1n xn  )
a11

(k) 1 (k) (k−1) (k−1)

x2   =   (b2   −  a21 x1  −  a23 x3  −  . . .   −  a2n xn  )
a22

(k) 1 (k) (k) (k−1)

x3   =   (b3   −  a31 x1  −  a32 x2  −  . . .   −  a3n xn  )
a33

                                  . . .
(k) 1 (k) (k) (k)
xn   =   (bn   −  an1 x1  −  an2 x2  −  . . .   −  an−1.n x n−1  )
ann

Uma dúvida relevante que você pode se fazer é: será que sempre dá certo o emprego deste método? Infelizmente, não.
Conforme destacado em Moura (2017), a iteração do método de Gauss-Seidel convergirá se, no determinante característico,
cada termo da diagonal principal for maior (em valor absoluto) do que a soma dos valores absolutos de todos os outros termos
n
na mesma linha ou coluna. Isto é, teremos garantido a convergência se |aii | > ∑
j=1,j≠i
|aji | e
n
|aii | > ∑ |aji |,  i  =  1, 2, . . . , n
j=1,j≠i

O algoritmo que representa a operação descrita anteriormente é dado por:

/* Dados de Entrada: vetor de estimativa inicial – x, número de variáveis –
n;vetor de coeficientes – A; vetor de termos independentes – b, número
máximo de iterações – L, tolerância de erro na aproximação - tol*/
/* Resultado: vetor solução – x*/
Início
i←0
diff ← 100000
Enquanto (i < L e diff>tol) faça
y←x
Para i de 1 até n faça
soma_antes← 0
Para j de i+1 até n faça
soma_antes← soma _antes+ aij yj
Fim-Para
soma_depois← 0
Para j de 1 até i faça
soma_depois← soma _depois+ aij xj
Fim-Para
soma ← soma_antes + soma _depois + aii xi
bi − soma

aii

xi←
Fim-Para
diff ← |x1 - y1|
Para i de 2 até n faça
Se (|xi – yi| >diff)
Entãodiff ← |xi – yi|
Fim-Se
Fim-Para
i←i+1
Fim-Enquanto
Fim-GaussSeidel
 Considere novamente as matrizes A e b, conforme descrito a seguir:

2 −3 1 0
⎡ ⎤ ⎡ ⎤

A  =  ⎢ −1 1 −5 ⎥;  b =   ⎢ −3 ⎥
⎣ ⎦ ⎣ ⎦
3 2 −1 −1

Assim, a título de ilustração, considere-se como palpite inicial os valores de x(1) = x(2) = x(3) = 1, com uma tolerância de erro na
aproximação no valor de 0, 001 ou inferior. De acordo com o emprego previsto da técnica iterativa de Gauss-Jacobi para
resolução de SELA, tem-se que:

b(1) − A(1,2) × (2) − A(1,3) × (3) 0 − (−3) .(1) − 1.1 3−1

x (1)  =     =   =   =  1
A(1,1) 2 2

b(2) − A(2,1) × (1) − A(2,3) × (3) (−3) − (−1).(1) − (−5).1 3
x (2)  =     =   =   =  3
A(2,2) 1 1

b(3) − A(3,1) × (1) − A(3,2) × (2) −1 − (3).(1) − (2).3 −10

x (3)  =     =   =   = 10
A(3,3) −1 −1

Você pode ver que, após a 1a iteração, os novos valores de teste são x(1) = 1, x(2) = 3 e x(3) = 10. Como a maior diferença (9,
para a variável x(3)) excede a tolerância especificada, faz-se necessária uma nova iteração:

b(1) − A(1,2) × (2) − A(1,3) × (3) 0 − (−3) .(3) − 1.10 −1
x (1)  =     =   =   =   − 0, 5
A(1,1) 2 2

b(2) − A(2,1) × (1) − A(2,3) × (3) (−3) − (−1).(−0,5) − (−5).10 46,5

x (2)  =     =   =   =  46, 5
A(2,2) 1 1

b(3) − A(3,1) × (1) − A(3,2) × (2) −1 − (3).(−0,5) − (2).46,5 −92,5

x (3)  =     =   =   = 92, 5 
A(3,3) −1 −1

Atenção! Aqui existe uma

videoaula, acesso pelo conteúdo online

Após realizar a 2a iteração, vemos que os novos valores de teste são x(1) = -0,5, x(2) = 46,5 e x(3) = 92,5. Como a maior
diferença (82,5, para a variável x(3)) também excede a tolerância especificada, faz-se necessária uma terceira iteração, e assim
sucessivamente.

Aplicação da linguagem Python

Vamos ver os códigos em Python destes dois métodos? Com isto, creio que você estará em condições de aplicar os
conhecimentos aprendidos em implementações computacionais que o ajudem a solucionar problemas em Engenharia.

O código, a seguir, disponível em UFRGS (2019), implementa a solução do método de Gauss-Jacobi.

 rom __future__ import division
  

import numpy as np
 

from numpy import linalg
 
 

def jacobi(A,b,x0,tol,N):
  
   

 #preliminares 
 
   

 A = A.astype(’double’)
  
   

 b = b.astype(’double’) 
 
    

x0 = x0.astype(’double’)
  
 
    

n=np.shape(A)[0]
  
   

 x = np.zeros(n)
  
   

 it = 0 
 
   

 #iteracoes
  
   

 while (it < N):
  
        

it = it+1
  
        

#iteracao de Jacobi
  
        

for i in np.arange(n):
 
            

x[i] = b[i]
  
           

for j in np.concatenate((np.arange(
0,i),np.arange(i+1,n))):
  
                

x[i] -= A[i,j]*x0[j]
  
           

 x[i] /= A[i,i]
  
       

 #tolerancia 
 
        

if (np.linalg.norm(x-x0,np.inf) < tol):
  
           

 return x
  
        

#prepara nova iteracao
 
       

 x0 = np.copy(x)
  
   

 raise NameError(’num. max. de iteracoes excedido.’)

Já quanto ao método de Gauss-Seidel, podemos utilizar a implementação disponível em UFRGS (2019). Veja a seguir:
 from __future__ import division
  

import numpy as np
  

from numpy import linalg
  
 

def gauss_seidel(A,b,x0,tol,N):
 
    

#preliminares
  
   

 A = A.astype(’double’)
  
    

b = b.astype(’double’) 
 
    

x0 = x0.astype(’double’)
 
 
    

n=np.shape(A)[0] 
 
    

x = np.copy(x0)
  
    

it = 0 
 
    

#iteracoes
  
    

while (it < N): 
 
        

it = it+1 
 
        

#iteracao de Jacobi
  
        

for i in np.arange(n):
 
            

x[i] = b[i]
  
            

for j in np.concatenate((np.arange(
0,i),np.arange(i+1,n))):
  
                

x[i] -= A[i,j]*x[j]
  
            

x[i] /= A[i,i]
  
            

print(x[i],A[i,i])
 
        

#tolerancia 
 
        

if (np.linalg.norm(x-x0,np.inf) < tol):
 
           

 return x 
 
        

#prepara nova iteracao
  
       

 x0 = np.copy(x)
 
    

raise NameError(’num. max. de iteracoes excedido.’)

Atividade
1. Assinale a única alternativa que apresenta a solução para o sistema de equações lineares

10*x1 -1*x2 + 2*x3 + 0*x4 = 6

-5*x1 + 11*x2 -1*x3 + 3*x4 = 25

3*x1 -1*x2 +10*x3 -1*x4 = -11

1*x1 + 3*x2 -1*x3 + 8*x4 = 15

Utilize como estimativas iniciais o vetor [1, 1, 1, 1] e o método de Gauss-Seidel:

a) x = [1.07, 2.47, -1.11, 0.68]

b) x = [-1.07, 2.47, -1.11, 0.68]
c) x = [1.07,- 2.47, -1.11, 0.68]
d) x = [1.07, 2.47, 1.11, 0.68]
e) nenhuma das alternativas anteriores.
2. Assinale a única alternativa que apresenta a quantidade de iterações necessária para encontrar solução para o sistema de
equações lineares

10*x1 -1*x2 + 2*x3 + 0*x4 = 6

-5*x1 + 11*x2 -1*x3 + 3*x4 = 25

3*x1 -1*x2 +10*x3 -1*x4 = -11

1*x1 + 3*x2 -1*x3 + 8*x4 = 15

Utilize como estimativas iniciais o vetor [1, 1, 1, 1] e o método de Gauss-Seidel:

a)12
b)22
c)10
d)17
e) nenhuma das alternativas anteriores.

3. Assinale a única alternativa que apresenta a solução para o sistema de equações lineares

10*x1 -1*x2 + 2*x3 + 0*x4 = 6

-5*x1 + 11*x2 -1*x3 + 3*x4 = 25

3*x1 -1*x2 +10*x3 -1*x4 = -11

1*x1 + 3*x2 -1*x3 + 8*x4 = 15

Utilize como estimativas iniciais o vetor [1, 1, 1, 1] e o método de Gauss-Jacobi:

a) x = [1.07, 2.47, -1.11, 0.68]

b) x = [-1.07, 2.47, -1.11, 0.68]
c) x = [1.07,- 2.47, -1.11, 0.68]
d) x = [1.07, 2.47, 1.11, 0.68]
e) nenhuma das alternativas anteriores
4. Assinale a única alternativa que apresenta a quantidade de iterações necessária para encontrar solução para o sistema de
equações lineares

10*x1 -1*x2 + 2*x3 + 0*x4 = 6

-5*x1 + 11*x2 -1*x3 + 3*x4 = 25

3*x1 -1*x2 +10*x3 -1*x4 = -11

1*x1 + 3*x2 -1*x3 + 8*x4 = 15

Utilize como estimativas iniciais o vetor [1, 1, 1, 1] e o método de Gauss-Jacobi:

a) 12
b) 35
c) 25
d) 40
e) nenhuma das alternativas anteriores.

5. Assinale a única alternativa que apresenta a solução para o sistema de equações lineares

10*x1 -1*x2 + 2*x3 + 0*x4 = 6

-5*x1 + 11*x2 -1*x3 + 3*x4 = 25

3*x1 -1*x2 +10*x3 -1*x4 = -11

1*x1 + 3*x2 -1*x3 + 8*x4 = 15

Utilize como estimativas iniciais o vetor [1, 1, 1, 1] e o método de Gauss-Jacobi:

a) x = [0.92, 0.87, -1.16, 1.29]

b) x = [-0.92, 0.87, -1.16, 1.29]
c) x = [0.92,-0.87, -1.16, 1.29]
d) x = [0.92, 0.87, 1.16, 1.29]
e) nenhuma das alternativas anteriores.

Notas

escolha

Por exemplo, utilize o compilador online disponível em: https://www.onlinegdb.com/online_python_compiler, acesso em 16 OUT
19.

Referências
 MOURA, D. F. C, Cálculo Numérico. Rio de Janeiro: SESES, 2017. 144 p.

UFRGS (colaborativo). Cálculo Numérico: Um Livro Colaborativo Versão Python. Porto Alegre: UFRGS, 2019.

Próxima aula

Os principais métodos de interpolação polinomial;

O método de Lagrange;

O método de Newton;

Os métodos estudados em Python, aplicando-os em situações-problema típicas em Engenharia.

Explore mais

Segue uma lista de sites na Internet para que você os consulte depois:

Prof. Rex Medeiros. Método de Jacobi – Resolução de Sistemas Lineares. Disponível em:
https://www.youtube.com/watch?v=ksGH52MMy4Iacesso em 24 de outubro de 2019.

Código Exato. Resolução de sistemas lineares utilizando Python. Disponível em: https://www.youtube.com/watch?
v=14N89iDBflQacesso em 24 de outubro de 2019.

Sigmoidal.Resolvendo um Sistema de Equações Lineares com Python. Disponível em: https://www.youtube.com/watch?

v=ZPmtWwZ5GuU acesso em 24 de outubro de 2019.