Sistema de equações lineares

Caracterização

 Um sistema de m equações a n variáveis é é

chamado sistema de equações lineares. Ele
tem a forma genérica seguinte:
a11 x1  a12 x2  ....  a1n xn  b1
a21 x1  a22 x2  ....  a2 n xn  b2
............................................
am1 x1  am 2 x2  ....  amn xn  bm
 Solução

 Um conjunto de n valores (x1, ..., xn)

verificando as equações do sistema é uma
solução do sistema.
 Um sistema cujo os valores dos coeficientes
bn são iguais a 0 é um sistema homogêneo:
a11 x1  a12 x2  ....  a1n xn  0
a21 x1  a22 x2  ....  a2 n xn  0
............................................
am1 x1  am 2 x2  ....  amn xn  0
 Caracterização matricial

 O sistema pode ser escrita sobre a forma de

um produto de matrizes:
onde as matrizes são definidas por:
 Combinação linear

 A combinação linear de equações é a soma

dessas equações multiplicado por
coeficientes reais:
 1eq1+2eq2+...+neqn onde ii{1,...,n} é
uma combinação linear de eq1, eq2, ..., eqn.
 Em relação com as variáveis envolvidas nas
equações, uma equação linear, combinação
linear entre as outras equações não introduz
novas relações entre as variáveis.
 Sistemas equivalentes

 Num sistema de equações lineares independentes,

se uma equação é trocada por uma combinação
linear dela mesma e outras equações do sistema, o
novo sistema é equivalente o primeiro. Os dois
sistemas têm a mesma solução.
eq1 1.eq1   2 .eq2  ...   n eqn , 1  0
eq eq
 2  2
 
... ...
eqn eqn
 Sistemas equivalentes

 Num sistema, se uma equação é combinação

linear das outras, ele é equivalente ao sistema
sem essa equação:
 2 .eq2  ...   n eqn eq2
eq eq
 2  3
 
... ...
eqn eqn
 Equações e variáveis

 Um sistema de m equações a n variaveis:

 Tem uma solução unica se ele pode ser reduzido
a um sistema de n equações independentes a n
variáveis.
 Tem uma infinidade de soluções, se ele é
equivalente a um sistema de m’ equações
independentes com m’<n
 Determinante

 Um determinante é um número associado a um

matriz quadrada (mesmo número de linha e coluna).
 A definição do determinação envolve a noção de
permutação. O determinante de uma matriz A (aij é
o coeficiente da i-ésima linha e j-ésima coluna) é,
onde n são elementos distintos de (1,...,n) e k é o
número de permutações para passar de (1,...,n) para
(1,..., n): n! k

A   (1) a11 a2 2 ...an n

 Calculo do determinante,
caso 2x2 e 3x3
 O calculo do determinante 2x2:
a11 a12
 a11a22  a21a12
a21 a22
 O calculo do determinante 3x3 é feito da forma
seguinte:

 Det A= = a11a22 a33  a21a32 a13  a31a12 a23

 a31a22 a13  a11a32 a23  a21a12 a33
 Determinante, caso nxn

 O desenvolvimento de Laplace permite o calculo do

determinante da forma seguinte:
a11 a12 ... a1n
a21 a22 ... a2 n j  n j n
  aij  ij  a ji  ji ,  ij  (1)i  j akp ,k i , p  j
... ... ... ... j 1 j 1

an1 an 2 ... ann

Onde ij é o determinante da submatriz obtido de A retidando-se a
i-ésima linha e j-ésima coluna e multiplicado por (-1)i+j. O
número i pode ser qualquer número de {1,...,n}. Esse princípio
funciona para qualquer linha ou coluna.
 Determinante, caso nxn

 O calculo do determinante pode ser implementado

com um procedimento recursivo. O calculo de um
determinante nxn é determinado a partir de
determinantes (n-1)x(n-1).
 O preço do cálculo de um determinante é elevado.
Considerando a formula da definição, são necessárias
n!(n-1)+(n!-1) ou seja n!n-1 operações para um
determinante de dimensão n: (n!-1) somas de n!(n-1)
produtos, sem considerar os elementos anexos
necessários (posição de memoria, sinal, etc).
 Determinante, um algoritmo

 O calculo é feito usando os coeficientes da primeira

linha.
Determinante(m) // m: matriz
se dim(m)=2 resultado=m[0][0].m[1][1]-m[1][0].m[0][1]
se dim(m)=1 resultado=m[0][0]
Se dim(m)>2 resultado=0
i de 1 a dim(m) construír a submatriz de m sem a primeira
linha e a i-ésima coluna (subm)
resultado=resultado+(-1)i.m[0][i].Determinante(subm)
 Determinante e sistema

 Se um sistema de n equações lineares a n

variáveis tem um determinante diferente de
0: det A0, as equações do sistema são
independentes.
 Nesse caso, o sistema tem uma solução
única. Em caracterização matricial, essa
solução escreve-se:
     b
x   A 1

onde A-1 é a matriz inversa da matriz A.

 Determinante e matriz inversa

 Se o determinante de uma matriz é não nulo,

a matriz inversa pode ser calculada.
 a11 ... a1n   11 ...  n1 
  1 1  
A   ... ... ...  , A   ... ... ... 
a  A 
 n1 ... ann  
 1n ...  nn 

Onde ij é o determinante da matriz formada a

partir da matriz A retirando a i-ésima linha e
j-ésima coluna.
 Formula de Cramer

 Pela formula de Cramer, se o determinante do sistema é não

nulo, o valor solução da variável xi é dado pela formula
seguinte: a ... a b a ... a
11 1i 1 1 1i 1 1n

1 a21 ... a2i 1 b2 a2i 1 ... a2 n

xi 
det A ... ... ... ... ... ... ...
an1 ... ani 1 bn ani 1 ... ann
 O numerator da fração é o determinante da matriz formada
da matriz A do sistema onde a coluna dos coeficientes de xi
são subsituídos pelos termos constantes bi.
 Exemplo
0 3 1
2 x1  3x2  x3  0 3 1 4

 x1  x2  4 x3  3
1 8 1 46
x1  
64 64
 x  8x  x  1
 1 2 3
2 0 1
1 3 4
1 1 1 10
x2  
64 64
2 3 1
2 3 0
det  1 1 4  2  8  12  3  64  1  64 1 1 3
1 8 1 1 8 1 62
x3  
64 64
 Custo da formula de Cramer

 Para resolver um sistema de n equações a n

variáveis, pela formula de Cramer precisam
ser calculados n+1 determinante de ordem n
(n linhas, n colunas).
 O custo da resolução desse sistema é de:
(n!n-1)(n+1) operações.
Para 10 variaveis: 399167989
 Eliminação Gaussiana

 A eliminação Gaussiana usa a propriedade de

equivalência de sistema para eliminar
progressivamente as variáveis ate chegar a
uma equação de uma variável.
a11 x1  a12 x2  ....  a1n xn  b1
 a22 x2  ....  a2 n xn  b2


............................................
 ann xn  bn
 Sistema triangular

 No novo sistema, podemos determinar:

bn bn 1  an 1n xn 1 n
xn  , xn 1  ,......, xi  (bi   aij x j )
ann an 1n 1 aii j i 1

 O sistema é chamado sistema triangular e a

matriz associada é uma matriz triangular. Se
fala também de triangular superior ou
inferior para caracterizar a posição dos
coeficientes não nulos.
 Eliminação Gaussiana e
determinante
 O determinante de um sistema triangular é o
produto dos termos da diagonal.
a11 a12 ... a1n
0 a22 ... a2 n
 a11a22 ...ann
... 0 ... ...
0 ... 0 ann

 Em um determinante, adicionar os termos (ou os

termos multiplicado por um fator) de qualquer linha
(resp. coluna) a qualquer outra linha (resp. coluna)
não muda o valor do determinante.
 Método

 Escolhe uma das equações (i-ésima) com o

coeficiente (ai1) de x1 não nulo. Esse coeficiente é
chamado de pivot (ou pivot de Gauss).
 Adicionar a cada uma das equações restantes (j,
ji), a primeira equação multiplicada por: -aj1/ai1
 Aplicar de novo o algoritmo com o sub-sistema de
n-1 variáveis ate chegar a uma equação de uma
variável.
 Exemplo
2 x1  3 x2  x3  0
 x1  x2  4 x3  3
2 x1  3 x2  x3  0 
x 
46
x1  8 x2  x3  1  1 64
5 7 
x2  x3  3  10
2 x1  3x2  x3  0 2 2  x2  
 64
5 7 128 62  62
x2  x3  3 x3   x3  64
10 5 
2 2
19 1
 x2  x3  1
2 2
 Matriz

 O processo pode ser aplicado com matrizes. Nesse caso, se

considera a matriz aumentada com as constantes da matriz do
sistema:

 a11 a12 ... a1n b1 

 
  a21 a22 ... a2 n b2 
[A ] 
 ... ... ... ... ... 
 
 an1 aentre
E as combinações lineares n2 ... ann bsão
as equações n  feitas entre
as linhas de coeficientes.
 Exemplo com matriz
 2 3 1 0 
 
 1 1 4 3   
 1 8 1 1  2 3 1 0 
   
  0 5 7
2 3 1 0  3 
 2 2 
  
0 5 7 128 62 
3  0 0 
 2 2   10 5 
 19 1 
 0   1 
 2 2 
 Exercício

 x1  3x2  5 x3  2 x4  10
 x  9 x  8 x  4 x  15
 1 2 3 4

 
Solução:
Solução:x1=-1,
 x2 x4 2 x2=0,
x2=0,
x1=-1,
x3=1
x3=1 ee
x4=2
2 x1  x2  x3  x4  3
x4=2
 Custo da eliminação Gaussiana

 Para eliminar o primeiro termo das n-1

equações de um sistema a n equação,
precisamos de n-1 divisões, (n-1)(n+1)
multiplicações e (n-1)(n+1) adições: 2n 2+n-3.
Para eliminar osi ntermos ate a ultima equação
precisamos de  2i 2  i  3 operações, da ordem
de 2n3/2. i 2

 A resolução do sistema triangular necessita:

n divisões, n(n-1)/2 multiplicações e n(n-1)/2
adições.
 Velocidade da resolução

 Uma das razões de escolher uma algoritmo

no lugar de um outro é em geral baseado
sobre a relação entre velocidade e precisão.
 No caso da resolução de sistemas lineares, a
formula de Cramer precisa de muito mais
operações que a eliminação Gaussiana.
 Estratégia de pivoteamento

 Resolução do sistema seguinte usando

sucessivamente 0.004 e 0.423 como pivot e
calculando usando somente 4 algarismos
significativos:
0.004 x1  15.73 x2  15.77
0.423 x1  24.72 x2  20.49
 A solução do sistema e (10,1). Com 0.004
como pivot achamos (12.5,0.9994) e com
0.423 achamos (10,1).
 Estratégia de pivoteamento

 No caso geral, para diminuir os erros de

arredondamento, é preferível usar como
pivot o maior coeficiente em valor absoluto
da variável a eliminar nas equações do
sistema.
pivot ( xi )  max( aij )
j 1..n
 Eliminação Gaussiana,
algoritmo
 n: numero de variáveis, m: matriz aumentada
 Eliminacao_gauss(n, m)
 para i de 1 a n
 para j de i a n, procure o coeficiente maior em valor
absolute: linha max
 troca a linha max com a linha i de m

 para j de i+1 a n, para k de i a n+1, subtrai m[j][i]/m[i]

[i] de m[j][k]
 Soluções particulares

 Certas situações precisam de determinar as

soluções de sistemas onde somente os termos
constantes (bi) mudam:
 solução de: a11 x1  a12 x2  ....  a1n xn  b1

............................................
a x  a x  ....  a x  b
 n1 1 n 2 2 nn n n

a11 x1  a12 x2  ....  a1n xn  b '1

 e solução de: 
............................................
a x  a x  ....  a x  b '
 n1 1 n 2 2 nn n n
 Soluções particulares

 Nesses casos, é mais eficiente de triangular o

sistema uma vez e resolve-lo com os
diversos valores dos termos constantes (b i).
Nesse caso uma segunda matriz é necessária
para calcular os termos constantes do sistema
triangular em fonções dos coeficientes de
origem.
 Soluções particulares

 Nesse caso, a matriz coluna dos termos constantes é

considerada como o produto da matriz identidade como essa
matriz coluna. As transformações operadas pela
triangularização serão aplicadas à matriz identidade e não à
matriz coluna dos termos constantes.

 a11 ... a1n   x1   1 0 0  b1 

     
 ... ... ...   ...    0 1 0  ... 
a ... a   x   0 0 1  b 
 n1 nn   n    n 
 Matriz Inversa

 Se o processo de transformação do sistema

continua ate obter um sistema cuja matriz é a
matriz identidade, a matriz de transformação
dos termos constantes é a matriz inversa da
matriz do sistema inicial:
 1 0 0   x1   b1 
   1  
 0 1 0 ...
   A ...
 
0 0 1 x  b 
  n   n
 Exemplo

2 1 00
 
 1 0 1 1 
A
0 1 1 1
 
 1 0 0 3
 3 3 3 2 
 
5 6 2 4
A 1   
 4 5 4 3 
 
 1 1 1 1 
 Erros de aproximação

 Os erros de arredondamento têm um papel

importante na solução de sistemas de
equações lineares, principalmente por conto
do grande número de calculo a ser efetuados.
 A um efeito de “condensação pivotal” no
caso da eliminação gaussiana. Cada calculo
depende dos resultados anteriores.
 Avaliação dos erros

 Uma forma de avaliar o erro é trocar as

variáveis nas equações pelos valores
determinados e comparar os resultados com
os termos constantes:

3x1  4 x2  7  x1  0.999
Sistema:  soluções: 
5 x1  2 x2  3  x1  1.002
Trocando nas equações: 3(0.999)  4(1.002)  7.005

5(0.999)  2(1.002)  2.991
 Avaliação dos erros

 Um pequeno erro sobre os resultados conduz

a considerar que os valores das variáveis
determinados são boas aproximações dos
resultados exatos.
 Existem casos nos quais não podemos
afirmar isso.
 Sistema mal condicionado

 Considerando o sistema seguinte:

 x1  x2  2

1.0001x1  x2  2.007
 Uma solução como x1=100, x2=-98 é uma
solução aceitável do ponto de vista do
critério precedente, porém ela é longe da
solução exata (70,-68).
 Sistema mal condicionado

 Um sistema de equações que pode ser satisfeito por

soluções erradas é um sistema mal condicionado.
Do ponto de vista gráfico, no
caso da dimensão 2, o sistema
é mal condicionado quando as
duas retas representando as
equações são próximas:
 Sistema mal condicionado

 Um sistema é mal condicionado quando seu

determinante é próximo de zero.
 O que significa, um determinante próximo de
zero ? Como multiplicando qualquer equação
por um fator não muda a solução do sistema,
enquanto multiplica o determinante por esse
fator, falar de um valor pequeno do
determinante não significa nada.
 Sistema mal condicionado

 Para determinar se um sistema é mal

condicionado, existem duas possibilidades:
 O determinante normalizado é próximo de 0: cada
linha é dividida por um fator de proporcionalidade,
raiz quadrada da soma dos 1
 n  2

i 
quadrados dos coeficientes da linha. k   a 2 
ij
 j 1 
 Se uma pequena mudança de um termo constante do
sistema provoca uma uma mudança importante no
resultado, o sistema é mal condicionado.
 Método iterativo de
Gauss-Seidel
 O sistema é transformado de tal forma que cada equação
pode dar o valor de uma variável (no caso que um dos aii é
nulo, o sistema pode ser reordenado para ter a condição: aii,
i={1,...,n}):
 1
 x1  (b1  a12 x2  ....  a1n xn )
 a11 x1  a12 x2  ....  a1n xn  b1 
a11

 ............................................   ............................................
a x  a x  ....  a x  b  1
 n1 1 n 2 2 nn n n
 xn  (bn  an1 x1  ....  ann 1 xn1 )
 ann
 Método iterativo de
Gauss-Seidel
 Em seguida, a cada passo e a partir de valor
iniciais de (x2, ..., xn), novos valores de
(x1, ..., xn) são calculados.
 Quando converge, esse processo pode exigir
muitas iterações para chegar a um resultado
razoável. Ele é aconselhado somente quando
o sistema é mal condicionado ou quando
muitos coeficientes do sistema são nulos
(convergência rápida)
 Método iterativo de
Gauss-Seidel
 O algoritmo pode ser parado quando:
 É atingido um número de iteração dado.
 A diferencia entre dois valores sucessivas dos xi
é menor que um valor limito: . Critério
particularmente delicado a manipular
(convergência muito lenta).
 Método iterativo de
Gauss-Seidel
 Se o método não converge, ele pode ser
aplicado mudando a ordem das equações (ou
seja mudando as equações determinando
cada xn). Existe um teorema que garante a
n convergência: Se o termo da diagonal
aii   aij , i  1,..., n principal é maior em valor absoluta que a
j 1
j i soma dos valores absolutos dos outros
n termos da linha do coeficiente e que a
aii   a ji , i  1,..., n soma dos valores absolutos dos outros
j 1
j i termos da coluna do coeficiente, a
convergência é garantida.