Métodos Numéricos 1

Métodos Numéricos 1
CAP-INPE
Haroldo Fraga de Campos Velho

E-mail: haroldo@lac.inpe.br
Web-page: www.lac.inpe.br/~haroldo
Curso de Métodos Numéricos 1 / CAP-INPE, 2013

MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES
 MOTIVAÇÃO:
 Dada a equação diferencial:
 Realizando a discretização sobre a grade (malha)

Zi=0 0,2 0,4 0,6 0,8 1,0
i=0 1 2 3 4 5
Matrizes e sistemas de equações
 Com discretização descrita e o operador de diferença

finita:
 Atenção:
 Da discretização da equação diferencial, obtém-se o

sistema de equações:
0
0
 Escrevendo o sistema na forma matricial:

4.1 – Propriedade das matrizes
 Seja a matriz A:
 Menor: Se a i-ésima linha e a j-ésima coluna de uma

matriz (n×n) são eliminadas, a matriz resultante é de
ordem (n-1)×(n-1). O determiante da sub-matriz (n-
1) ×(n-1) é denominado o menor Mij da matriz.
 Cofator:
 Mij é o menor (complementar) do elemento aij.

4.2 – ELIMINAÇÃO GAUSSIAN
 No sistema: Ax = b
 Se a matriz A for do tipo triangular superior (inferior)
a solução é obtida por substituição regressiva
(progressiva):
 ALG-4.1
 Teorema 4.7: Dado o sistema linear Ax = b e

suponha que o sistema esteja sujeito as seguintes
tipos de operações:
(1) Multiplicação de uma equação do sistema por

uma constante não nula,
(2) Adição de um múltiplo de uma equação por
outra equação,
(3) Intercambiar duas equações.
 A seqüência de operações produz um novo sistema:
 Os dois sistemas são equivalentes, isto é, possuem a

mesma solução.
 A estratégia da eliminação gaussiana consiste em

transformar o sistema Ax = b num sistema
equivalente:
 No qual a matriz é matriz triangular (superior ou

inferior), via transf0rmações elementeares.
4.2 – ELIMINAÇÃO GAUSSIANA
 Seqüência de passos.
 Passo-1: Dividir a 1a. Equação (L1) por a11.
 Passo-2: Eliminar a variável x1 de todas as equações
 Passo-3: Dividir a linha L2 por a22 ((a11) (1)=0).

 Passo-4: Repetir passo 2 e 3 até k = n.
 Passo-5: Utilizar o algorítmo de substituição
regressiva para resolver o sistema resultante.
SISTEMAS TRI-DIAGONAIS
SISTEMAS TRI-DIAGONAIS
 Onde na eliminação acima tem-se:
 Conduz a solução:
4.3 – ESTRATÉGIA DO PIVOTAMENTO
 Pivotamento total:
 Pivotamento parcial:
 PIVOTAMENTO TOTAL. Calculam-se os fatores:
 Onde apq (=α) é o elemento pivô e a linha-p é

chamada de linha pivotal.
 A seguinte estratégia é adotada:
 Para a matriz A(1), citada no item-2, a q-ésima

coluna é composta de zeros. Elimana-se a coluna-q
e a linha-p e obtem-se a matriz .
 (3) Toda a operação é repetida para M(1), isto é,

determina-se o elemento pivô de M(1) e redazemos
os passos (1) e (2) para M(1).
 Assim, gera-se a seqüência de matrizes: M(2), …, M(n--
1)
.
 PIVOTAMENTO PARCIAL:
 1o. Pivô: Escolhe-se o elemento de maior valor
absoluto na 1a. coluna
 2o. Pivô: Escolhe-se o elemento de maior valor

absoluto na 2a. coluna resultante
 Didadicamente, dir-se-ia que faríamos uma mudança
entra a 1a. linha e a linha pivotal do 1o. pivô, e assim
sucessivamente.
 Na prática, isto não fazemos a troca de linhas.
 Cria-se um vetor que irá mapear onde as trocas
foram efeutadas.
 Assim, se SUB(i) indica tal vetor, no início tem-se
 Se detectarmos que as equações 3 e 7 devem ser
trocadas, então:
4.4 – DECOMPOSIÇÃO “LU”
 Toda a matriz quadrada admite uma fatorização

triangular do tipo
 Onde L é matriz triangular inferior (Lower) e U é

matriz triangular superior (Upper).
 Problema: há um número infinito de matrizes L e U.
 Uma maneira de se obter sistematicamente esta

fatorização é fixar a diagonal da matriz U (ou L)
como sendo composta de 1’s.
 Assim, obtém-se:
 Demais linhas e colunas de L e U:

 Como se demonstram as fórmulas anteriores?

 Pode-se verificar que são válidas para matrizes 3×3
ou 4×4 (etc) e após usa-se indução finita.
 O importante é obter-se alternadamente as colunas
de L e as linhas de U.
 Obtemdo-se as matrizes L e U, chega-se a solução
do sistema.
 SOLUÇÃO DO SISTEMA LINEAR

 Dado o sistema e a decomposição:
 Em seguida:
 INVERSÃO DE MATRIZES
 Lembrando que operações com hipermatrizes são
“identicas” ao caso escalar, isto é:
 INVERSÃO DE MATRIZES
 Então:
 Por definição de inversa:

4.4 – PIVOTAMENTO COM DECOMPOSIÇÃO “LU”
 O pivotamento é um pouco mais difícil do que na

eliminação gaussiana.
 Não manipulação conjunta do vetor das constantes.
 Assim, um registro deve ser feito das alterações
efetuadas na formação de L e U.
 Exemplo:
Conservando um registro da
linha num vetor O(1) = [1 2 3]
 O vetor O(1) representa o rodenamento original.

 A primeira coluna da matriz L é: [0 1 3]T
 É preciso trocar as linhar 3 e 1.
 Para guardar o rastro da operação muda-se o
primeiro e o terceiro elemento de O(2): [3 2 1]
 Trocando as linhas de
L e computando a 1a.
linha de U (notação
compacta)
 Cáculo da 2a. coluna de L: [0 0 2]T

 É preciso trocar as linhas 2 e 3.
 Deste modo: O(3): [3 1 2].
 Fazendo a troca linhas de linhas e computando a 2a.
Inha de U:
 Completando a redução:
 Assim, para resolver o sistema Ax = b, com:

b = [5 -1 -2]T .
 Os elementos do vetor b devem ser rearranjados de
acordo com o registro.
 Ou seja a solução é:
4.5 – ERRO E RESÍDUO – NORMAS
 Se é uma solução aproximada do sistema Ax = b,

então o erro é a diferença:
 O erro, é claro, não é conhecido. Porém sempre é

possível cacular o resíduo:
 Se r=0, é evidente que é solução exata e o erro

deve, nest ecaso, é zero.
 É necessário ter uma medida da magnitude do erro.

 Valor basoluto é um modo conveniente de se medir
magnitude para escalares (reais ou complexos).
 Assim, pode-se intuir que a função valor absoluto
poderia, de algum modo, nos ajudar a estimar a
magnitude de vetores (o vetor erro, por exemplo).
 De fato, uma medida muito usada para estimar a
magnitude de um vetor é o número:
 Assumindo que a solução calculada (aproximada)

 para Ax = b é sabido ter uma precisão de 6
dígitos. Isto significa que:
 Para a maioria dos casos, a avaliação da magnitude de

vetores é feita por uma norma. Uma norma é definida
de forma a manter algumas propriedades do valor
absoluto.
 DEFINIÇÃO:
 Uma norma associa um vetor n-dimensional a, a um
número real , chamado norma do vetor a, que
satifaz as seguintes propriedades:
 A primeira propriedade assegura que todos os

vetores tem magnitude (comprimento) positivo.
 A 3a. propriedade é conhecida como desigualdade

do triangulo (a soma de dois lados de um triângulo
nunca é menor do que o terceiro lado).
 EXEMPLOS DE NORMA
 Norma Euclidiana
 Norma do valor máximo (ou norma do máximo):
 Norma-1:
 Norma-p com pesos:
 Onde p é algum número entre 1 e ∞ e os números

w1, …, wn são quantidades positivas fixas.
 NORMA MATRICIAL
 Uma vez escolhida uma norma para vetores, estimar a
magnitude de uma matriz A (n×n) é feita
comparando-se a magnitude de (Ax) com x. Mais
precisamente, define-se a norma de A como:
 Onde o máximo é tomado sobre todos os vetores x

não nulos.
 Se a solução calculada difere da solução exata:
 Deste modo:
 Tomando a norma na última expressão acima:

 Tomando a norma:
 Assim,
 Mas: Ax = b , então
 Portanto:
 Lembrando:
 Do slide anterior: o erro relativo da solução calculada

é majorado pelo desvio relativo do vetor de
coeficientes multiplicado por um fator.
 Número de condicionamento:
 Ainda falta uma questão.

 Como (ou quando) o resíduo pode ser usado como
uma estimativa do erro?
 Voltando a relação entre o erro e o resíduo:
 Tem-se que:
 Então:
 Ou ainda:
 Porém, Ax = b:
 Portanto:
 A relação acima tem muitos significados.

 O erro relativo na solução aproximada é:
 Se cond(A) ≈ 1, o erro e o resíduo são sempre da

mesma ordem de magnitude.
 Se cond(A) for um número grande o sistema é dito
mal condicionado.
 O conceito de cond(A) ser um “número grande ” é
(ou está) ligado a precisão usada.
 Exemplo:
 Considerando a matriz do sistema:
 Tomando a norma:
4.5 – ANÁLISE REGRESSIVA E MELHORAMENTO
 Da equação do erro no sistema:
 A última expressão é um sistema linear.

 Se é uma solução aproximada de Ae = r, tem-se
 Agora teremos um novo sistema:
 Se o sistema é bem condicionado, a seqüência
 Deverá convergir para zero.

 Mas, se cond(A) é grande, a seqúência acima podem
não diminuir, indicando mal-condicionamento.
 ALG. 4-5: melhoramento iterativo

1. Uma vez calculada uma solução aproximada
2. Calcule:
3. Calcule a solução de:
4. Se: pare!
5. Tome como solução:

6. Caso contrário, fixe:
7. Repita o procedimento.
4.7 – DETERMINANTES
 Determinante é um número associado a toda matriz

quadrada A e denotado por det(A).
 Definição:
 onde a soma é tomada em todas as n! permutações

p de grau n, σp é 1 ou -1 dependendo se p é par ou
ímpar.
 Para n = 1:
 Para n = 2:
 Para n = 3: soma de 6 produtos.

 Para n = 10: soma de mais de 3 milhões de produtos.
 PROPRIEDADES:
 Teorema 4.10: Se A é uma matriz n×n, então A é
inverssível sse det(A) ≠ 0.
 Propriedade-1: Se A é uma matriz triangular superior
(inferior), então:
 Isto é: o determinante é o produto da diagonal

principal.
 Propriedade-2: Se P é uma matriz de permutação

n×n:
 com alguma permutação p, então:

 Propriedade-3: Se A e B são matrizes n×n:
 Propriedade-4: Se A é matriz n×n e x, b são vetores,

tais que Ax = b então:
 Regra de Cramer!
 Propriedade-5: Se A = PLU:
 onde k é número de troca de linhas durante o

processo de eliminação.
 Propriedade-6: expansão de um determinante pelos

menores:
 Propriedade-6: Exemplo
4.8 – O PROBLEMA DO AUTO-VALOR
 Dizemos que um número λ (λ ε C) é um auto-valor

da matriz A se satisfizer a equação matricial
 para algum vetor não-nulo x.

 O vetor x é chamado de auto-vetor da matriz A
associado ao auto-valor λ.
 A equação (4.60) pode ser escrita como:
 A equação (4.61) tem sempre solução. Se:
 só existe a solução trivial (x = 0). Se:
 O sistema terá infinitas soluções.

 Observações:
 A observação-2 mostra que os auto-vetores são um

conjunto infinito de vetores.
 PROPRIEDADES:
1. Matriz identidade tem somente um auto-valor = 1.
2. Matriz nula tem somente o zero como auto-valor.
3. Se A for uma matriz triangular superior (inferior) os

auto-valores de A são os elementos da diagonal
principal.
 Uma ilustração do porque os autovalores podem ser

de interesse. Seja a seqüência:
 z pode ser escrito como a soma de auto-vetores:

 Desta forma:
 Ordenando os λi:
 Portanto:
 Pois:
 MÉTODO DA POTÊNCIA
 As considerações anteriores são a base para o
método da potênica.
 Tomando a razão:
 MÉTODO DA POTÊNCIA
 A razão anterior pode ser escrita como:
 Se u = Amz e se a matriz A for simétrica, a razão

acima torna-se (quociente de Rayleigh):
 MÉTODO DA POTÊNCIA (exemplo)


m 0 1 2 3 4 5
Amz 1 5 13 41 121 365

2 4 14 40 122 364
3 3 3 3 3 3
z(m) 1 1,0 1,00 1,000 1,000 1,000

2 0.8 1,08 0,976 1,008 0,997
3 0.6 0,23 0,073 0,025 0,008

 Tomando: u = i1
 Tomando: u = i2
 MÉTODO DA POTÊNCIA INVERSA

 O método da potência pode apresentar uma
convergência muito lenta.
 Um maneira de acelerar é com o uso do método da
potência inversa.
 Se p é uma aproximação para λ1 (p ~ λ1):

 É claro que se p ≈ λ1, (λ1 - p)-1 será um número
grande (em valor absoluto) e irá dominar os demais
auto-valores.
 Agora, tomando a seqüência:
 Vai convergir mais rápido para o auto-vetor x1.


 Na verdade, não é realizado o cálculo da matriz inversa.
 Lembrando (p ≈ λ1):
 Uma vez obtida a fatorização PLU da matriz (A - pI),

obtém-se z(m) a partir de z(m-1).
4.8 – AUTO-VALOR E No. DE CONDICIONAMENTO
 Número de condionamento:
 Estimativa para cond(A):

4.8 – AUTO-VALOR

 Na verdade, não é realizado o cálculo da matriz inversa.
 Lembrando (p ≈ λ1):
 Uma vez obtida a fatorização PLU da matriz (A - pI),

obtém-se z(m) a partir de z(m-1).
REVISANDO O MÉTODO DA POTÊNCIA
 Como antes:
 Deste modo:
 Ou ainda:
 Tomando o limite:
 Agora o quociente: (Am+1z)/(Amz)

 Realizando o produto interno e tomando o limite:
 Definindo: z(m) = Amz, tem-se:

 Exemplo:
1. Escolhe-se: z = [ 1 1 1]T
2. Calcula-se a seqüência: A0z, A1z, A2z, …
3. Fazer: z(m) = Amz
4. Calcule as razões:
 Determinando o segundo auto-valor:
 Definindo:
 Com a definição de diferença-λ de Bmz, tem-se:
 Portanto:
DETERMINANDO 2o. AUTO-VALOR
 OUTRO MÉTODO
 Observe o produto:
 Da equação acima:
AUTO-VALOR: SIMILARIDADE
 O fato de que nem toda a matriz tem um conjunto

completo de auto-vetores é uma indicação das
complicações da teoria de auto-valores.
 Ou seja, nem toda a matriz quadrada admite a
seguinte decomposição:
 Para alguma matriz diagonal Λ: AY = YΛ.

 A decomposição acima é chamada “decomposição
espectral” (Λ contem o espectro da matriz A).
 A decomposição espectral existe sse as colunas da

matriz Y consistirem dos auto-vetores de A.
 Uma matrzi Y é inverssível ssse suas colunas formam
uma base para os vetores n-dimensionais.
 Duas matrizes são similares se:
 Para alguma matriz (inverssível) C.

 Matrizes similares tem os mesmos auto-valores e auto-
vetores.
 Matrizes similares: mesmos auto-valores e auto-

vetores.
 De fato, se (B - λI)x = 0, para algum vetor x ≠ 0 e A
= CBC-1, então Cx é também não-nulo: AC = CB.
 Desta forma:
 Ou seja, para cada auto-valor/auto-vetor (λ, x) da

matriz B corresponde ao par auto-valor/auto-vetor (λ,
Cx) da matriz A.
 OBS: Se a matriz A tiver n auto-valores distintos,

então os auto-vetores associados são linearmente
independentes.
 Transformação de similaridade:
 Se a matriz A está na forma de matriz companheira

 Transformação de similaridade:
AUTO-VALORES E EQUAÇÕES DIFERENCAIS
 Sistema de equações diferenciais:

 Como resolver?
 Se:
 Como resolver?
 Se:
 E se An×n com n > 2?

 Como resolver?
 Se An×n com n > 2: tem a solução da exponencial de

matriz.
 Ou pode-se fazer uso da solução de autovalores.
 Relação de similaridade:
 Substituindo na equação acima:

 Onde a nova variável é:

 O sistema de equações diferenciais anterior é

desacoplado:
 Visto que:
 Solução do sistema desacoplado:
 Deste modo:
INTERPOLAÇÃO: SPLINE CÚBICO
 Interpolação com polinômio de Lagrange:

INTERPOLAÇÃO: SPLINE
 Definição: Dada uma função f(x) definida em [a, b] e um

conjunto de pontos a = x0 < x1 < … < xn = b, um
interpolante de spline-cúbico S para f(x) é uma função que
satisfaz:
n S(x) é um polinômio cúbico, denotado por Sj(x) no
intervalo [xj, xj+1] para j = 0, 1, …, n-1.
n S(xj) = f(xj) em j = 0, 1, …, n.
n Sj+1(xj) = Sj(xj+1) em j = 0, 1, …, n-2.
n S’j+1(xj+1) = S’j(xj+1) em j = 0, 1, …, n-2.
n S'’j+1(xj+1) = S'’j(xj+1) em j = 0, 1, …, n-2.
6. Uma das seguintes condições de contorno deve ser

satisfeita:
a) S’’(x0) = S’’(xn) = 0 (condição natural ou livre).
b) S’(x0) = f’(x0) e S’(xn) = f’(xn) (condição artificial ou de
“engaste”).
 Assim, a função Sj(x) é dada por:
 Claramente (condição-2):
 Se a condição (3) é aplicada:
 Definindo:
 Tem-se:
 De forma análoga:
 Outra relação é obtida aplicando a condição-4:

 Definindo: cn = S’’(xn)/2 e aplicando condição-5:
 Resolvendo a equação acima para dj e substitutindo

na equação para aj+1 e bj+1:
 Resolvendo para bj (no último para de equações):
 E então com a redução de índice para bj:

 Substituindo as 2 últimas expressões para bj+1:
 Que é um sistema de equações algébricas para cj,

cuja a matriz do sistema é tri-diagonal.
 Para completar o sistema é preciso aplicar as
condições de contorno.
 SPLINE CÚBICA NATURAL:
 E o sistema tri-diagonal Ax = b está completo!
 Onde:


 SPLINE CÚBICA ENGASTADA:



Métodos Numéricos 1

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Métodos Numéricos 1

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Numéricos 1

Haroldo Fraga de Campos Velho

Curso de Métodos Numéricos 1 / CAP-INPE, 2013

 Realizando a discretização sobre a grade (malha)

 Com discretização descrita e o operador de diferença

 Da discretização da equação diferencial, obtém-se o

 Escrevendo o sistema na forma matricial:

 Menor: Se a i-ésima linha e a j-ésima coluna de uma

 Mij é o menor (complementar) do elemento aij.

 Teorema 4.7: Dado o sistema linear Ax = b e

(1) Multiplicação de uma equação do sistema por

 A seqüência de operações produz um novo sistema:

 Os dois sistemas são equivalentes, isto é, possuem a

 A estratégia da eliminação gaussiana consiste em

 No qual a matriz é matriz triangular (superior ou

 Passo-3: Dividir a linha L2 por a22 ((a11) (1)=0).

 Onde na eliminação acima tem-se:

 PIVOTAMENTO TOTAL. Calculam-se os fatores:

 Onde apq (=α) é o elemento pivô e a linha-p é

 Para a matriz A(1), citada no item-2, a q-ésima

 (3) Toda a operação é repetida para M(1), isto é,

 2o. Pivô: Escolhe-se o elemento de maior valor

 Toda a matriz quadrada admite uma fatorização

 Onde L é matriz triangular inferior (Lower) e U é

 Uma maneira de se obter sistematicamente esta

 Demais linhas e colunas de L e U:

 Como se demonstram as fórmulas anteriores?

 SOLUÇÃO DO SISTEMA LINEAR

 Por definição de inversa:

 O pivotamento é um pouco mais difícil do que na

 O vetor O(1) representa o rodenamento original.

 Cáculo da 2a. coluna de L: [0 0 2]T

 Assim, para resolver o sistema Ax = b, com:

 Se é uma solução aproximada do sistema Ax = b,

 O erro, é claro, não é conhecido. Porém sempre é

 Se r=0, é evidente que é solução exata e o erro

 É necessário ter uma medida da magnitude do erro.

 Assumindo que a solução calculada (aproximada)

 Para a maioria dos casos, a avaliação da magnitude de

 A primeira propriedade assegura que todos os

 A 3a. propriedade é conhecida como desigualdade

 Norma do valor máximo (ou norma do máximo):

 Onde p é algum número entre 1 e ∞ e os números

 Onde o máximo é tomado sobre todos os vetores x

 Se a solução calculada difere da solução exata:

 Tomando a norma na última expressão acima:

 Do slide anterior: o erro relativo da solução calculada

 Ainda falta uma questão.

 Voltando a relação entre o erro e o resíduo:

 A relação acima tem muitos significados.

 Se cond(A) ≈ 1, o erro e o resíduo são sempre da

 Considerando a matriz do sistema:

 Da equação do erro no sistema:

 A última expressão é um sistema linear.

 Agora teremos um novo sistema:

 Se o sistema é bem condicionado, a seqüência

 Deverá convergir para zero.

 ALG. 4-5: melhoramento iterativo

5. Tome como solução:

 Determinante é um número associado a toda matriz

 onde a soma é tomada em todas as n! permutações

 Para n = 3: soma de 6 produtos.