Objetivos e Tópicos Principais

Objetivos
 Estudar técnicas de resolução numérica de sistemas
Computação Científica II de equações lineares algébricas, que surgem nas
(EEL7031) mais diversas áreas do conhecimento científico.

Tópicos principais
 Introdução.
 Sistemas triangulares
Resolução de Sistemas de Equações Lineares
 Eliminação Gaussiana
(Métodos Diretos)  Pivoteamento
 Decomposição LU
 Conclusões
1 2

Introdução Introdução – Exemplo de Aplicação

Aspectos Gerais
Componentes de força em treliça
 Sistemas de equações são usados para representar problemas físicos ∑ F = −αf − f + αf + f = 0
x 5 6 9 10
que envolvem a interação de várias propriedades. Junção  
∑ F = αf + f + αf − 15 = 0 
5
y 5 7 9
 As variáveis no sistema representam as propriedades sob estudo e as
equações descrevem a interação entre elas. ∑ F = − f − αf + f + αf = 0
x 8 9 12 13
Junção  
∑ F = −αf − f − αf = 0
6
 Em geral, é mais fácil de estudar sistemas em que todas as equações y 9  11 13

são lineares. ∑ F = −αf + f + αf = 0

 Junção ∑
x 1 4 5  F = − f + f = 0
Junção  x 10

14 Sistema Linear :
 Freqüentemente, o número de equações é igual ao número de ∑ F = −αf − f − αf = 0 
2
∑ F = f = 0
7
y 1 3 5
y 11  - 17 equações
variáveis e somente nestes casos é que existe solução única para o
sistema. onde : α = sin( 45 ) = cos(45 )
0 0
∑ F = − f + αf = 0 - 17 variáveis :
x 12 16
Junção  
 Embora muitos problemas físicos não possam ser representados por ∑ F = − f + f = 0
x 2 6 ∑
8
Fy = − f
15− α f = 0 16( f1 , f 2 ,… , f17 )
Junção  
sistemas de equações lineares, em diversos casos são obtidos ∑ F = f − 10 = 0 
3
y 3 ∑ F = −αf − f + f = 0
resultados relevantes quando se utiliza uma representação Junção 
x 13 14

17

aproximada por sistemas lineares. ∑ F = − f + f = 0

x 4 8
9
∑ F = αf + f − f = 0 
y 13 15 10
Junção  
∑ F = − f = 0 Junção {∑ F = −αf − f = 0}
4
 Muitas vezes, é necessário apenas uma representação aproximada y 7 
10 x 16 17
que forneça informações qualitativas a respeito do sistema físico. 3 4
 Introdução Introdução

Representação geral de sistemas lineares
Classificação quanto ao número de soluções
 Um sistema linear com m equações e n variáveis é escrito usualmente  Compatível:
na forma:
 Determinado – existe solução única (não-singular) det( A) ≠ 0
a11 x1 + a12 x2 + … + a1n xn = b1  aij − coeficientes 1 ≤ i ≤ m, 1 ≤ j ≤ n
a x + a x + … + a x = b   Indeterminado – existem infinitas soluções (singular)
 21 1 22 2 2n n 2  ∴ x j − variáveis j = 1,2,⋯ , n
   Incompatível:
 ⋮ ⋮ ⋮ ⋮  bi − constantes i − 1,2,⋯ , m  Não apresenta solução
am1 x1 + am 2 x2 + … + amn xn = bm 
 O sistema pode ser escrito na seguinte notação matricial:
Exemplo
     x1 + x2 = 0 0 
A x b

 a11 a12 ⋯ a1n   x1   b1  A − matriz de coeficientes   Solução x* =  

a      ∴  x1 − x2 = 0 0 
 21 a22 ⋯ a2 n  •  x2  =  b2  x − vetor de variáveis
 ⋮ ⋮ ⋱ ⋮  ⋮  ⋮ b − vetor de constantes
      Sistema compatível, homogêneo e determinado
am1 am1 ⋯ amn   xm  bm  5 6

Introdução Introdução

Outros exemplos
Outros exemplos (Cont.)
 Sistema com solução única  Sistema com nenhuma solução
2 x1 + x2 = 3  1
  Solução x* =   2 x1 + x2 = 3 
 x1 − 3x2 = −2 1  
4 x1 + 2 x2 = 2
det( A) ≠ 0
 Sistema com infinitas soluções 2 1
det( A) = det =0
2 x1 + x2 = 3  2 1 4 2
  det( A) = det =0
4 x1 + 2 x2 = 6 4 2

α  Sistema incompatível – retas paralelas

Solução x* = 
3 − 2α , ∀α ∈ ℜ
 

Sistema indeterminado – retas coincidentes 7 8

 Sistemas Triangulares Sistemas Triangulares

Sistema triangular superior
Sistema triangular inferior
a11 x1 + a12 x2 + a13 x3 + … + a1,n −1 xn −1 + a1n xn = b1  a11 x1 = b1 
    ∴
 a22 x2 + a23 x3 + … + a2,n −1 xn −1 + a2 n xn = b2  aij = 0, se j < i a21 x1 + a22 x2 = b2 

∴   aij = 0, se j > i
a33 x3 + … + a3,n −1 xn −1 + a3n xn = b3  para i, j = 1,2,⋯ , n ⋮ ⋮ ⋮ 
  a x + a x + a x + … + a = bn −1  para i, j = 1,2,⋯ , n
⋮ ⋮ ⋮ n −1, n −1 xn −1
   n −1,1 1 n −1, 2 2 n −1, 3 3

 an −1,n −1 xn −1 + an −1,n xn = bn −1   an1 x1 + an 2 x2 + an 3 x3 + … + a1,n −1 xn −1 + a1n xn = bn 
 
 an ,n xn = bn 
 Algoritmo de solução
 Algoritmo de solução
 x1 = b1 / a11 
 xn = bn / ann    Substituição
  Substituição   k −1   progressiva
 k  k ∑ kj j  kk
  n   x =  b − a ⋅ x  / a , para k = 2,3⋯ , n
 xk =  bk − ∑ akj ⋅ x j  / akk , para k = n − 1,⋯ ,2,1
  retroativa ou  ou direta
inversa   j =1  
  j = k +1   9 10

Sistemas Triangulares Sistemas Triangulares

Exemplo 1:
Exemplo 2:
 x4 = 2 / 2 → x4 = 1 
 x4 = 2 / 2 → x4 = 1   
3x1 + 4 x2 − 5 x3 + x4 = −10  3 + 5 (1 )  3x1 + 4 x2 − 5 x3 + x4 = −10  x3 = 3 + 5(1) → x3 = 2 
  x3 = → x3 = 2   
x2 + x3 − 2 x4 = −1   x3 − 2 x4 = 0 
4
  4    
       2 3
0 x + x − 2 x 4 = 0 → 0 x 2 = −2 + 2 (1) 
4 x3 − 5 x4 = 3  x
 2 = − 1 − 1( 2 ) + 2(1) → x = −1  4 x3 − 5 x4 = 3   
 2  0 x2 = 0 → x2 = λ
 2 x4 = 2   − 10 − 4(−1) + 5(2) − 1(1)   2 x4 = 2   
 x1 = → x1 = 1  − 4λ − 1
 3   x1 = (− 4λ + 5(2) − (1) − 10 ) / 3 = 3 
 Portanto, a solução é:  Portanto:
1 − (1 + 4λ ) / 3
− 1 Sistema  λ  Sistema
x* =   determinado x=  indeterminado
2  2 
   
1 11  1  12
 Sistemas Triangulares Sistemas Lineares Equivalentes

Exemplo 3:
Teorema:
 x4 = 2 / 2 → x4 = 1   Seja Ax = b um sistema linear. Aplicando-se sobre as equações
3x1 + 4 x2 − 5 x3 + x4 = −10  
 3 + 5 (1) deste sistema uma seqüência de operações, escolhidas entre:
 x3 − 2 x4 = −1   x3 = → x3 = 2 
   4   intercambiar a posição de duas equações;
 4 x3 − 5 x4 = 3  0 x2 + x3 − 2 x4 = −1 → 0 x2 = −1 − 2 + 2(1)
 multiplicar uma equação por uma constante não-nula;
 2 x4 = 2   
 0 x2 = −1   Adicionar um múltiplo de uma equação a uma outra equação;
~ ~
obtém-se um novo sistema A x = b equivalente ao sistema Ax = b

Sistema incompatível
Sistemas Lineares Equivalentes

~ ~
 Dois sistemas lineares, Ax = b e A x = b , são equivalentes se
qualquer solução de um é também solução do outro.

13 14

Eliminação Gaussiana Eliminação Gaussiana

Aspectos gerais
Procedimento geral (Cont.)
 Consiste em transformar convenientemente o sistema linear original,  Forme a matriz aumentada
por meio de operações elementares, num sistema triangular superior a11( 0 ) a12( 0 ) ⋯ a1(n0 ) b1( 0 ) 
equivalente, o qual se resolve facilmente por substituição retroativa.  (0) 
[A ]
(0) (0)
a a ⋯ a b2( 0 ) 
(0)
, b(0) =  21 22 2n

Procedimento geral  ⋮ ⋮ ⋱ ⋮ ⋮ 
 (0) 
 Considere o sistema linear constituído por n equações: an1 an( 02) (0)
⋯ ann bn( 0 ) 
 Estágio 1: Eliminar os elementos abaixo de a11 ≠ 0 como segue:
(0)
 A
  x  b
E1: a11 x1 + a12 x2 + … + a1n xn = b1  E1(1) = E1( 0 ) a11(1)
E a x + a x + … + a x = b   a11 a12 ⋯ a1n   x1   b1  a12(1) ⋯ a1(n1) b1(1) 
 2: 21 1 22 2 2 a       
 21 a22 ⋯ a2 n  •  x2  = b2 
(1)
=E (0)
− m21 E (0)

[A ]
(1)

2n n
 E 0 a22 ⋯ a2(1n) b2(1) 
=
2 2 1 (1)
⋮ ⋮ ⋮ ⋮ , b (1)
   ⋮ ⋮ ⋱ ⋮  ⋮  ⋮ ⋮  ⋮ ⋮ ⋱ ⋮ ⋮ 
E n: an1 x1 + an 2 x2 + … + ann xn = bn         
an1 an1 ⋯ ann   xn  bn  En(1) = En( 0 ) − mn1 E1( 0 )  0 an(12) ⋯ ann
(1)
bn(1) 

15 ∴ mk1 = ak( 01) / a11( 0) , k = 2,3,⋯ , n (0)

O elemento a11 é dito pivô do estágio 1 16
 Eliminação Gaussiana Eliminação Gaussiana

Procedimento geral (Cont.)
Exemplo
 Estágio 2: Eliminar os elementos abaixo de a22 ≠ 0 como segue:
(1)
 Resolver o sistema linear abaixo por eliminação Gaussiana:

a11( 2 ) 3x1 + 2 x2 + 4 x3 = 1  3 2 4 1
E1( 2 ) = E1(1) = E1( 0 ) a12( 2 ) ⋯ a1(n2 ) b1( 2 )   
E2( 2 ) = E2(1)

 0 a ( 2)
⋯ a ( 2)
b2( 2 ) 
  x1 + x2 + 2 x3 = 2  [
A , b = 1 1 2
(0) (0)
] 2
22 2n
4 x + 3 x − 2 x = 3
⋮
[A ( 2)
,b ( 2)
] = 0 0 ⋯ a ( 2)
3n b3( 2 )   1 2 3  4 3 − 2 3
 
 ⋮ ⋮ ⋱ ⋮ ⋮ 
(0)
 Estágio 1: pivô:a11 = 3 ; multiplicadores: m21 = a21
( 0)
/ a11( 0) = 1/ 3
En( 2 ) = En(1) − mn 2 E2(1)
 0 0 ⋯ a ( 2)
bn( 2 ) 
 nn m31 = a31
(0)
/ a11( 0 ) = 4 / 3
∴ mk 2 = ak(12) / a22(1) , k = 3,⋯ , n (1)
O elemento a22 é dito pivô do estágio 2 E1(1) = E1( 0 ) 3 2 4 1 
 Estágios subseqüentes: E (1)
2 =E (0)
2 −m E21 1
(0) [A (1)
]
, b (1) = 0 1 / 3 2 / 3 5 / 3
 O procedimento descrito é aplicado subseqüentemente para as E (1)
=E (0)
−m E (0) 0 1 / 3 − 22 / 3 5 / 3
3 3 31 1
colunas i = 3,… , n − 1 usando-se mki = aki( i −1) / aii( i −1) e
Ek( i ) = Ek(i −1) − mki Ei( i −1) ; k > i 17 18

Eliminação Gaussiana Eliminação Gaussiana

Exemplo (Cont.)
Algoritmo Para k = 1,2,⋯ , n − 1
1/ 3
= 1 / 3; multiplicador: m32 = a / a =
(1) (1)
 Estágio 2: pivô: a22
(1)
32 11  Seja o sistema linear: Para i = k + 1,⋯ , n
1/ 3
E1( 2 ) = E1(1) = E1( 0 ) 3 2 4 1  Ax = b, A : n × n, m = aik / akk
E2( 2 ) = E2(1) [ ]
A( 2 ) , b ( 2 ) = 0 1 / 3 2 / 3 5 / 3 x : n ×1 e b : n ×1 aik = 0
E ( 2)
=E (1)
− m32 E (1)
0 0 −8 0   Supor que: Para j = k + 1,⋯ , n
3 3 2

 Substituição retroativa: a ij = aij − m ⋅ akj

 x3 = 0  akk ≠ 0, k = 1,2,⋯ , n − 1
 
bi = bi − m ⋅ bk
3x1 + 2 x2 + 4 x3 = 1 
  (1 / 3) x2 = 5 / 3 ⇒ x2 = 5  xn = bn / ann
0 x1 + (1 / 3) x2 + (2 / 3) x3 = 5 / 3 3x + 2(5) = 0 ⇒ x = −3
0 x + 0 x − 8 x = 0   1 1  Para l = n − 1,⋯ ,2,1
 1 2 3 
− 3  n 
xl =  bl − ∑ alj ⋅ x j  / all
x =  5 
*
 j =l +1 
 0  19 20
Eliminação Gaussiana Eliminação Gaussiana

Quantidade de operações aritméticas
Estratégias de Pivoteamento
 O número de operações aritméticos do método de eliminação  Evitar pivôs nulos pois inviabilizam a resolução do sistema
Gausssina depende do tamanho n do sistema, como segue:
 Evitar pivôs de valor próximo de zero:
n3 n n 3 n 2 5n
Multiplicações/divisões : + n 2 − Adições/subtrações : + −  geram multiplicadores de valor elevado;
3 3 3 2 6
 amplificam os erros de arredondamento.
 Para n grande o número total de cada classe de operações acima é
3
aproximadamente n / 3 , ou seja, O( n 3 ).
Exemplo
 Portanto, o número de operações e o tempo computacional aumentam
0.0002 x1 + 2 x2 = 5 0.2 ⋅10 −3 0.2 ⋅101 0.5 ⋅101 
3
com n em proporção aproximada a n / 3 , com mostra a tabela abaixo:   [A (0)
]
,b ( 0 ) =  
2 x1 + 2 x2 = 6  0.2 ⋅10 0.2 ⋅101 0.6 ⋅101 
1

Pivô : a11( 0) = 0.2 ⋅10 −3 , multiplicador : m21 = a21
(0)
/ a11( 0 ) = 0.1⋅105 Não satisfaz a
equação 2
0.2 ⋅10 −3
0.2 ⋅10 0.5 ⋅10  0.0
[A ]
1 1
(1)
,b (1) =   x* =  
 0 − 0.2 ⋅105 − 0.5 ⋅105  2.5
21 22

Eliminação Gaussiana Eliminação Gaussiana

Estratégias de Pivoteamento Parcial
Exemplo (Cont.) 0.0002 x1 + 2 x2 = 5
SL. original :  
 Escolher para pivô, no início do estágio k, o elemento de maior
2 x1 + 2 x2 = 6 
módulo entre os coeficientes aikk −1 , i = k , k + 1,… , n  Estágio 1:
 Trocar as linhas k e i, caso necessário:
0.2 ⋅101 0.2 ⋅101 0.6 ⋅101 

Exemplo [A (1)
]
,b (1) =  
 0 0.19998 ⋅101 0.49995 ⋅101 
0.0002 x1 + 2 x2 = 5 0.2 ⋅10 −3 0.2 ⋅101 0.5 ⋅101 
  ,b ( 0 ) = [A (0)
] 1
2 x1 + 2 x2 = 6   0.2 ⋅10 0.2 ⋅10 0.6 ⋅10 
1 1
2 x1 + 2 x2 = 6 
 Matriz aumentada a partir da troca das linhas 1 e 2 SL. triangular equivalente :  
Maior módulo 0 x1 + 1.9998 x2 = 4.9995
da coluna 1
 0.2 ⋅101 0.2 ⋅101 0.6 ⋅101 
[A (0)
]
,b ( 0 ) =  −3  O uso do pivoteamento parcial faz com que
0.2 ⋅10 0.2 ⋅101 0.5 ⋅101  Solução correta os multiplicadores, em módulo, estejam no
0.5 intervalo [0,1], evitando a ampliação dos
Pivô : a11( 0 ) = 0.2 ⋅101 , x* =   erros de arredondamento.
2.5
multiplicador : m21 = a21
(0)
/ a11( 0) = 0.1 ⋅10 −3 23 24
 Eliminação Gaussiana Fatoração LU

Estratégias de Pivoteamento Completo
Aspectos gerais
 Escolher para pivô, no início do estágio k, o elemento de maior  Consiste em decompor um SL em dois sistemas lineares triangulares
módulo entre todos os coeficientes que ainda atuam no processo de cujas soluções podem ser obtidas, respectivamente, por processos de
eliminação. Pivô = max aij( k −1) substituições progressiva (forward) e retroativa (backward).
∀i,j ≥ k
 Realizar as trocas de linhas e colunas necessárias
Procedimento geral

Exemplo  Seja o sistema linear Ax = b
 Determinar, para a matriz aumentada apresentada abaixo, o pivô do  Decompor A = LU onde:
estágio k = 2 e realize as trocas de linhas e colunas necessárias.
L: matriz triangular inferior com diagonal unitária;
3 2 1 −1 5  3 − 1 1 2 5 U: matriz triangular superior.
0 1 0 7 − 5 − 3 6 
3 7  [A ] = 
[ ] 0  Resolver Ax = LUx = b em duas etapas:
(1)
A(1) , b (1) =  , b (1) pivot .
0 3 0 1 7 Etapa 1: supondo Ux = y , resolver Ly = b
0 − 3 − 5 7 6   
  0 0 4 2 15 Etapa 2: resolver Ux = y
0 2 4 0 15
pivô = a34 = 7 Realizar a eliminação p/
A fatoração LU é largamente aplicada em resoluções repetitivas, ou seja,
o estágio 2 e repetir o
permutar linhas 3 e 2 permutar colunas 4 e 2 25 para sistemas lineares com a mesma matriz A e diferentes vetores b. 26
processo p/ o estágio 3.

Fatoração LU Fatoração LU

Cálculo dos fatores LU por eliminação gaussiana
Cálculo dos fatores LU (cont.)
 Estágio 2: pivô= a22 ≠ 0 , multiplicadores: m32 = a32 / a22
(1) (1) (1)
 Considere o sistema:
a11 x1 + a12 x2 + a13 x3 = b1  a11( 0 ) a12( 0 ) a13( 0 ) 
   (0) (0)  a11(1) a12(1) a13(1)  a1( 2j ) = a1(1j) , p/ j = 1,2,3
a21 x1 + a22 x2 + a13 x3 = b2  A( 0 ) = a21 (0)
a22 a23   (1) 
a x + a x + a x = b  a31
(0) (0)
a32 (0) 
a33 A(1) = 0 (1)
a22 a23  a2( 2j) = a2(1j) , p/ j = 2,3
 31 1 32 2 33 3 3    0 (1) (1) 
 a 32 a33  a32 j = a3(1j) − m32 ⋅ a12 j , p/ j = 2,3
 Estágio 1: pivô= a11 ≠ 0, multiplicadores: m21 = a21 / a11 ; m31 = a31 / a11
(0) (0) (0) (0) (0)

 Novos coeficientes:  Operações equivalentes a representação matricial abaixo

a1(1j) = a1( 0j ) , p/ j = 1,2,3 aij(1) = aij( 0 ) − mi1 ⋅ aij( 0 ) , p/ i = 2,3 e j = 1,2,3 1 0 0 a11(1) a12(1) a13(1)  a11( 2 ) a12( 2 ) a13( 2 ) 
  (1)   ( 2) 
 Operações equivalentes a representação matricial abaixo A( 2 ) = M ⋅ A = 0
(1) (1)
1 0 ⋅  0 (1)
a22 a23 = 0
( 2)
a22 a23 
 1 0 0 a11( 0 ) a12( 0 ) a13( 0 )  a11(1) a12(1) a13(1)  0 − m32 1  0 (1)
a32 (1) 
a33 
  0 0 ( 2) 
a33 
 (0) (0)   (1) 
A(1) = M ( 0 ) ⋅ A( 0 ) = − m21 1 0 ⋅ a21 (0)
a22 a23 = 0
(1)
a22 a23 
 Portanto:
− m31 0 1 a31
(0) (0)
a32 (0) 
a33 
  0
(1)
a32 a (1) 
27 33  A( 2 ) = M (1) ⋅ A(1) = M (1) ⋅ M ( 0 ) ⋅ A( 0 ) ∴ A( 2 ) é triangular superior 28
Fatoração LU Fatoração LU

Análise do resultado A( 2 ) = M (1) ⋅ A(1) = M (1) ⋅ M ( 0 ) ⋅ A( 0 )
Portanto:
 Lembrando que A( 0 ) = A , pode-se escrever
 1 0 0 a11( 2 ) a12( 2 ) a13( 2 ) 
A( 2 ) = M (1) ⋅ M ( 0 ) ⋅ A (
A = M (1) ⋅ M ( 0 ) )
−1
⋅ A( 2 )
A= M ( ) ⋅ (M )
( 0 ) −1 (1) −1
⋅ A( 2 ) = m21

0 ⋅  0 ( 2) 
 = LU
( 2)
1 a22 a23
 Portanto:
m31 1  0 ( 2) 
(
A = M (0) ) ⋅ (M )
−1 (1) −1
⋅ A( 2 )
m32 0 a33 

 Considerando que:  onde:

 1 0 0
 1 0 0 L= M ( ) ⋅ (M )
( 0 ) ( −1) (1) −1
= m21 1 0
(M ) (0) −1
= m21 1 0  1 0 0 m31 m32 1
m31 0 1 (M ) ⋅ (M )
( 0 ) ( −1) (1) −1
= m21 1 0
m31 m32 1 a11( 2 ) a12( 2 ) a13( 2 ) 
1 0 0  ( 2) 
U = A( 2 ) = 0 ( 2)
(M ) (1) −1
= 0 1 0
 0
a22 a23
( 2) 

 0 a33 
0 m32 1 29 30

Fatoração LU Fatoração LU

Exemplo
Exemplo (cont.)
 Resolva o sistema linear abaixo usando a fatoração LU  Estágio 2: (1)
pivô : a22 = 1/ 3
3x1 + 2 x2 + 4 x3 = 1   3 2 4 3 2 4 
 
= 1 1 2 
= 0 1 / 3 2 / 3 
1/ 3
 x1+ x2 + 2 x3 = 2 multiplicador : m32 = a32 = =1
(0) (1) (1) (1)
A A / a22
4 x + 3x + 2 x = 3 1/ 3
 1 2 3  4 3 2 0 1 / 3 − 10 / 3
 Estágio 1: pivô : a11
(0)
= 3 multiplicadores : m21 = a21
(0)
/ a11( 0 ) = 1 / 3;  Portanto: a1( 2j ) = a1(1j) , p/ j = 1,2,3
m31 = a (0)
/a(0)
= 4/3
31 11
a2( 2j) = a2(1j) , p/ j = 2,3
 Portanto:
a32 j = a3(1j) − m32 ⋅ a12 j , p/ j = 2,3
a1(1j) = a1( 0j ) , p/ j = 1,2,3 aij(1) = aij( 0 ) − mi1 ⋅ a1( 0j ) , p/ i = 2,3 e j = 1,2,3
1 0 0 3 2 4  3 2 4 
 1 0 0   3 2 4  3 2 4 
A ( 2)
=M (1)
⋅A (1)     
= 0 1 0 ⋅ 0 1 / 3 2 / 3  = 0 1 / 3 2 / 3
A(1) = M ( 0 ) ⋅ A( 0 )   
=  − 1 / 3 1 0 ⋅ 1 1 2 = 0 1 / 3 2 / 3 
 
0 − 1 1 0 1 / 3 − 10 / 3 0 0 − 4 
− 4 / 3 0 1 4 3 2 0 1 / 3 − 10 / 3 31 32
Fatoração LU Fatoração LU

Exemplo (cont.)
Fórmulas gerais (fase de fatoração)
 Fatores LU:  1 0 0  Gerar a primeira coluna de L e a primeira linha de U usando:
3 2 4 
L = 1 / 3 1 0 ⋅ U = 0 1 / 3 2 / 3 l11u11 = a11 e
l j1 =
a j1
e u1 j =
a1 j
; j = 2,3,… , n
4 / 3 1 1 0 0 − 4  u11 l11
 Solução:
 Para cada i = 2,3,… , n − 1 selecione os elementos diagonais uii e lii e
gere os demais elementos da i-ésima coluna de L e i-ésima linha de U
 y1 =1  3 x1 + 2 x2 + 4 x3 = 1  usando as equações: i −1
    lii uii = aii − ∑ lik uki
L ⋅ y = b ⇒ (1 / 3) y1+ y2 = 2 U ⋅ x = y ⇒ (1/3) x2 + (2 / 3) x3 = 5 / 3
(4 / 3) y + y + y = 3  − 4 x3 = 0  k =1
 1 2 3   
i −1 i −1
1   1 
− 3 e l ji =  a ji − ∑ l jk uki  e uij = aij − ∑ lik ukj ; j = i + 1,… , n
 1  uii  k =1  lii  k =1 
y = 5 / 3 x =  5 
n −1
 0   0   Finalmente, determinar lnnunn = ann − ∑ lnk ukn
33 k =1 34

Pivoteamento Parcial Aplicado à

Fatoração LU Fatoração LU

Fórmulas gerais (fases de substituição em LUx = b)
Matriz de permutação:
 Solução de Ly = b:  É uma matriz quadrada de ordem n obtida da matriz identidade de
ordem n, permutando-se suas linhas e/ou colunas.
b1 1  i −1 
y1 = e yi =  i ∑ lij y j ; i = 2,3,… , n
b −  Seja a matriz identidade:
1 0 0
l11 lii  j =1 
I = 0 1 0,
0 0 1
 Solução para Ux = y:
 Uma matriz de permutação das linhas 1→3, 3→2 e 2→1 é
y
xn = n 1  n  representada por:
unn
e xi =  i ∑ uij x j ; i = n − 1, n − 2,… ,1
y −
0 1 0 
uii  j =i +1 
P = 0 0 1.
1 0 0

35 36
 Pivoteamento Parcial Aplicado à Pivoteamento Parcial Aplicado à
Fatoração LU Fatoração LU

Permutação de linhas de uma matriz A
Aplicação à fatoração LU
 Pré-multiplicando-se uma matriz A por uma matriz de permutação P,  Seja o sistema Ax = b e seja L e U obtidos por eliminação
obtém-se a matriz A com as linhas permutadas, sendo esta gaussiana com pivoteamento parcial.
permutação de linhas igual a permutação de linhas efetuadas na  L e U serão fatores de A’ se e somente se A′ = P ⋅ A
matriz identidade.
 Da mesma forma, devem ser realizadas as permutações sobre o vetor

Exemplo: de constantes do sistema linear, ou seja, b′ = Pb .
 3 1 4
 Seja 0 1 0 
A = 1 5 9.  Portanto, A′x = b′ ⇔ Ax = b
P = 0 0 1, e
 Tomando-se A′ = LU , tem-se:
1 0 0 2 6 5
A′x = b′ PAx = Pb LUx = Pb
0 1 0   3 1 4  1 5 9   Finalmente, resolvem-se os sistemas triangulares:
P ⋅ A = 0 0 1 ⋅ 1 5 9  P ⋅ A = 2 6 5
3 1 4
1 0 0 2 6 5 Ly = Pb e Ux = y
37 38

Pivoteamento Parcial Aplicado à Pivoteamento Parcial Aplicado à

Fatoração LU Fatoração LU

Exemplo:
Exemplo (cont.)
 Resolva o SL abaixo por fatoração LU usando pivoteamento parcial.  Estágio 2:
3x1 − 4 x2 + x3 = 9  3 − 4 1  1 0 0 −3 
  4 0 (1)
pivô : a32 = −4
= 1 2 2  e P ( 0 ) = 0 1 0  permutar linhas 2 e 3
 x1 + 2 x2 + 2 x3 = 3  
A = 0 2 11 / 4 
(0)
A   (1)
4 x − 3 x3 = −2
 1 4 0 − 3 0 0 1 0 − 4 13 / 4 0 0 1  4 0 −3 
 Estágio 1: P ( 2) 
= 1 0 0  e A = 0 − 4 13 / 4
′ (1) 
=4 0 0 1  4 0 − 3
0 1 0 0 2 11 / 4 
(0)
pivô : a31
P (1) = 0 1 0 e A′( 0) = 1 2 2   Portanto:
permutar linhas 1 e 3 1 0 0 3 − 4 1 
pivô : a′22(1) = −4
 Portanto: pivô : a′( 0 ) = 4 4 0 −3 
4 0 −3  multiplicador :
A( 2) = 0 − 4 13 / 4 
11

′( 0 ) / a11
multiplicadores : m21 = a21 ′( 0 ) = 1 / 4; (1) 
A = 0 2 11 / 4  ′(1) / a22
m32 = a32 ′(1) = 2 /( −4) = −1 / 2
0 0 35 / 8
′( 0 ) / a11
m31 = a31 ′( 0 ) = 3 / 4 0 − 4 13 / 4 39 40
 Pivoteamento Parcial Aplicado à
Fatoração LU Técnicas para Matrizes Especiais

Exemplo (cont.) −3 
Matriz de diagonal estritamente dominante
 1 0 0 4 0
 Fatores LU: 
L = 1/ 4 1 0  e 
U = 0 − 4 13 / 4   A matriz A, n × n, é dita ser de diagonal estritamente dominante quando:
3 / 4 −1/ 2 1  0 0 35 / 8 n

 Resolução dos sistemas triangulares: aii > ∑ aij , para i = 1,2,… , n

j =1
j ≠i
Ly = Pb
 Exemplo - Considere as matrizes:
0 0 1   9   − 2   1 0 0   y1   −2   −2  7 2 0 d1 : 7 > 2 + 0 A Matriz A é não-
Pb = 1 0 0  3  =  9  1/ 4
 1 0   y2  =  9  y = 19 / 2  A = 3 5 − 1 ∴ d : 5 > 3 + −1 simétrica e de diagonal
estritamente dominante
0 1 0 − 2  3  3 / 4 −1/ 2 1   y3   3  37 / 4 
2
0 5 − 6
d3 : − 6 > 0 + 5
 Portanto:
e
−3   x1   −2   38 / 35  6 4 − 3 A Matriz B é simétrica,
4 0
x =  −23 / 35 ∴ d1 : 6 < 4 + − 3 porém não diagonal
Ux = y  0 −4 13 / 4   x  = 19 / 2  B =  4 − 2 0  estritamente dominante
  2    74 / 35 
 0 0 35 / 8  x3  37 / 4  41 − 3 0 1  42

Técnicas para Matrizes Especiais Técnicas para Matrizes Especiais

Matriz positiva definida

Matriz de diagonal estritamente dominante
 Uma matriz A é positiva definida se for simétrica e se x t Ax > 0 para
 Uma matriz A de diagonal estritamente dominante tem uma inversa.
qualquer vetor coluna n-dimensional x ≠ 0 .
 Para uma matriz A de diagonal estritamente dominante, a eliminação
gaussiana pode ser realizada em qualquer sistema linear da forma Ax=b,

Propriedades de uma matriz positiva definida
para obter a sua solução única, sem a necessidade do intercâmbio de  Se A, n × n, é uma matriz positiva definida, então:
linhas e colunas.
 A tem inversa;
 Neste caso, a computação é estável em relação ao crescimento dos  aii > 0 para cada i = 1,2,… , n ;
erros de arredondamento.
 max1≤ k , j ≤ n akj ≤ max1≤i ≤ n aii ;
( )
 aij
2
< aii a jj para cada i ≠ j .

Nota: Alguns autores definem matriz positiva definida sem a

43 exigência de que ela seja simétrica. 44
 Técnicas para Matrizes Especiais Técnicas para Matrizes Especiais

Equivalências para uma matriz positiva definida
Fatoração de Choleski
I. A é positiva definida.  A fatoração da matriz A na forma LLt pode ser realizada pelo método
II. A eliminação gaussiana pode ser realizada com todos os elementos denominado de fatoração de Choleski, como segue:
pivôs positivos no sistema linear Ax=b.  Faça l11 = a11 e gere o restante da primeira coluna de L usando a
III. A condição anterior também assegura que a computação será estável equação
em relação ao crescimento dos erros de arredondamento. l j1 = a j1 / l11 para cada j = 2,3,… , n
IV. A matriz A pode ser fatorada na forma LLt, onde L é triangular inferior  Para cada i = 2,3,… , n − 1 determine a i-ésima coluna de L por:
com elementos da diagonal positivos.
i −11/ 2
A matriz A pode ser fatorada na forma LDLt, onde L é triangular inferior  
V. lii =  aii − ∑ lik2  i −1
com elementos da diagonal iguais a 1 e D é uma matriz diagonal com   1 
 a ji − ∑ l jk lik 
k =1
l ji =
elementos positivos. a a ⋯ a  11 12 1i 
e para cada j = i + 1, i + 2,… , n por: lii  k =1 
VI. Para cada i = 1,2,… , n , tem-se: a a22 ⋯ a2i 
det  21 >0 n −1 1/ 2
 ⋮ ⋮ ⋱ ⋮   
   Finalmente, determine: lnn =  ann − ∑ lnk2 
 ai1 ai 2 aii  45  k =1  46

Técnicas para Matrizes Especiais Técnicas para Matrizes Especiais

Fatoração LDLt
Exemplo:
 Faça d1 = a11 e l j1 = a j1 / d11 para cada j = 2,3,… , n 4 −1 1 
 
 A matriz A = − 1 4.25 2.75 é positiva definida.
 Para cada i = 2,3,… , n − 1 determine a i-ésima coluna de L como
 1 2.75 3.5 
segue:
i −1 i −1  A fatoração LDLt de A é:
1   , j = i + 1, i + 2,… , n
d i = aii − ∑ lij2 d j e l ji = a ji − ∑ l jk lik d k 
j =1 di  k =1   1 0 0 4 0 0 1 − 0.25 0.25

A = LDL = − 0.25
t
1 0 0 4 0 0 1 0.75
 0.25 0.75 1 0 0 1 0 0 1 
 Finalmente, determine: n −1
d n = ann − ∑ lnj2 d j  A fatoração de Choleski de A é:
j =1
 2 0 0 2 − 0.5 0.5
t 
A = LL = − 0.5 2 0 0 2 1.5 
47  0.5 1.5 1 0 0 1  48
 Técnicas para Matrizes Especiais Técnicas para Matrizes Especiais

Resolução do sistema linear Ax=b quando A é positiva definida
Resolução do sistema linear Ax=b quando A é positiva definida
 Usando fatoração de Choleski: Ax = b ⇒ LLt x = b  Usando fatoração LDLt: Ax = b ⇒ LDLt x = b
 Define-se, então:  Lt x = y 
   Define-se, então:  DLt x = y   Ly = b 
 Ly = b     
b1  Ly = b   Dz = y 
 Assim, por substituição progressiva: y1 = e  Lt x = z 
l11  Assim, por substituição progressiva:  
1 i −1  i −1
yi = bi − ∑ lij y j ; i = 2,3,… , n y1 = b1 e yi = bi − ∑ lij y j ; i = 2,3,… , n zi = yi / d i ; i = 1,2,3,… , n
lii  j =1  j =1
 Por substituição retroativa, obtém-se:
 Por substituição retroativa, obtém-se:
1  n
yn n
xn = z n e
xn =
lnn
e xi =  yi − ∑ l ji x j ; i = n − 1, n − 2,… ,1
lii 
xi = zi − ∑l ji x j ; i = n − 1, n − 2,… ,1
j =i +1  j = i +1

Qualquer matriz simétrica para a qual a eliminação gaussiana possa ser

49 50
usada sem intercambiar linhas e colunas pode ser fatorada na forma LDLt

Técnicas para Matrizes Especiais Técnicas para Matrizes Especiais

Matrizes de banda
Matrizes de banda tridiagonais ( p = q = 2 )
 Uma matriz A, n × n, é denominada matriz de banda se existirem  Exemplo: α1 γ 1 0  0
números inteiros p e q, 1 < p, q < n, tais que aij = 0 sempre que β α γ 
 2  0
p ≤ j − i ou q ≤ i − j 2 2

A =  0 β3 α3  0
 O número p descreve o número de diagonais acima, incluindo a  
 γ n −1 
diagonal principal e o número q descreve o número de diagonais abaixo,
 0β n α n 
0
incluindo a diagonal principal.
 Pode-se fatorar a matriz como segue:
 A largura de banda da matriz w = p + q − 1 indica o número de diagonais
que podem conter elementos não-nulos.
 l1 0 0 0 1 u1 0 0 
 Exemplo: β l2 0  0 1 u  Conhecida como
7 2 0
1 p=3  2  2 0 
e forma de Crout.
3 L=0 β 3 l3 0
5 − 3 − 2 q=2  
U = 0 1 0 
A= 0  
0 4 6 − 1 w=4   un −1 
   0 0 βn ln  0 0 1 
0 0 5 8 51 52
 Técnicas para Matrizes Especiais Técnicas para Matrizes Especiais

Resolução de sistemas tridiagonal
Resolução de sistemas tridiagonal
 Fatoração na forma de Crout:  Exemplo: 2 x − x =1   2 −1 0 0 
1 2
− x + 2 x − x − 1 2 − 1 0 
l1 = α1 e u1 =
γ1  1 2 3 = 0  A= 
l1    0 − 1 2 − 1
 -x2 + 2 x3 − x4 = 0
 
γi  − x3 + 2 x4 = 1   0 0 −1 2 
li = α i - β i un −1 e u1 = ; i = 2,3,… , n − 1 e ln = α n - β n un −1
li
 O sistema Ax = LUx = b é resolvido como segue:
2 0 0 0  1 − 1 / 2 0 0  1
− 1 3 / 2 0  0 1
b1 1 0 1 − 2 / 3 0  x= 
Para Ly = b y1 = e yi = [bi − βi yi −1 ]; i = 2,3,… , n A = LU =  ⋅
1
l1 li  0 − 1 4 / 3 0  0 0 1 − 3 / 4
    
0 0 − 1 5 / 4  0 0 0 1  1
Para Ux = y xn = y n e xi = yi − ui xi +1
Em muitas aplicações as matrizes de banda são também
53 positiva definida ou de diagonal estritamente dominante. 54

Conclusões

A resolução de sistemas algébricos lineares produz solução exata se
todos os cálculos forem feitos usando aritmética exata.

O sistema linear Ax = b tem solução única se e somente se existe A−1 , o
que é equivalente a det A ≠ 0.

São empregadas técnicas de pivoteamento para minimizar os erros de
arredondamento, os quais podem dominar a solução quando são
utilizados métodos diretos.

Recomenda-se, na maioria dos casos, o uso de pivoteamento parcial,
visto que decresce o efeito dos erros de arredondamento sem adicionar
elevado esforço computacional.

O emprego da fatoração LU é vantajoso computacionalmente quando é
necessário resolver sistemas lineares com a mesma matriz de coeficientes
e diferentes vetores independentes.

Em matrizes positiva definidas podem ser utilizados esquemas de
55
fatoração mais simples tais como a fatoração de Choleski.