AULA 6

Sistemas de
equaes lineares
Tipos de mtodos
Diretos:
Iterativos:
Obtm-se a soluo exacta (se
no se realizassen
arredondamentos) em um
nmero finito de passos
Gera-se uma sucesso de
solues aproxima-das que
converge para a soluo do
sistema.
Mtodos diretos e sua eficincia
Cramer
Nmero de operaes
O(n
4
)
Investir : O(4n
3
/3)
O(n
3
/3) Gauss
X=A
-1
B
Exemplo
9
-2
5
2
3
0
3
-2
2
-1
1
-1
f
1

f
2

f
3

Exemplo
m
2
= 3/2 = 1,5 f
2
:= f
2
- m
2
f
1

m
3
= 0/2 = 0 f
3
:= f
3
- m
3
f
1

Exemplo
2
0
0
3
-6,5
2
-1
2,5
-1
9
-15,5
5
f
1

f
2

f
3

m
3
= 2/-6.5 f
3
= f
3
- m
3
f
2

Processo direto
Piv
Processo direto
Piv
Processo inverso
a
22
x
2
+ ... + a
2n
x
n
= b
2

a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= b
1

a
nn
x
n
= b
n

Algoritmo de Gauss
Formar a matriz ampliada C
Escalonar a matriz C (Processo
Direto)
Achar as incgnitas(Processo
Inverso)
Deseja resolver o sistema
determinado AX = B, onde A de
ordem n x n
Exemplo
Que tempo demoraria para resolver um
sistema de 30 equaes lineares um
computador que realiza 1 000 000 de
produtos por segundo se utilizar:
o mtodo do Cramer e calcula os
determinantes como menores?
o mtodo do Gauss?
Soluo :
Mediante o mtodo do Cramer:
31 determinantes de ordem 30
3130
29
313029
28
313043
2
31! produtos
= 8.222838654 10
33

= 8,22 10
27
segundos
= 2,28 10
24
horas
= 2,61 10
20
anos
= 2,61 10
14
milhes de anos
Soluo :
Mediante o mtodo de Gauss:
3
3
1
n
produtos
3
3
1
30 =
= 9000 produtos
= 0,009 segundos
produtos
Sumario
Mtodo do Jacobi
Mtodo do Gauss Seidel

Objetivo
Caracterizar os mtodos de
Jacobi e de Gauss Seidel

Objetivos
Determinar se um sistema
tem indcios de mau
condicionamento
PROBLEMA
a
11
x
1
+a
12
x
2
++a
1n
x
n
=b
1
a
21
x
1
+a
22
x
2
++a
2n
x
n
= b
2
a
n1
x
1
+an
12
x
2
++a
nn
x
n
=b
n




Resolver :
com erro menor que E
MTODOS ITERATIVOS
Jacobi

Gauss Seidel
MTODOS ITERATIVOS:
Seja AX = B
com n equaciones lineales
quadrado e com soluo nica
Define-se o processo iterativo :
X
(k+1)
= MX
(k)
+ C k=0,1,
X
(0)
: aproximao inicial



ISOLANDO
METODO DE JACOBI
(
(
(
(
(
(
(
(
(
(
(

- - -
- - - - - -
- - - - - -
- - - - - -
- - -
- - -
=
0
0
0
2 1
22
2
22
21
11
1
11
12
nn
n
nn
n
n
n
a
a
a
a
a
a
a
a
a
a
a
a
M
e
ERRO
em a k-sima aproximao
X: soluo exacta
X
(k)
: soluo em a reiterao k
ERRO
em a k-sima aproximao
Trabajadores
(11)
QUE SE ESCRIVE
O TAMBEM
e
i
(k)
=x
i
-x
i
(k)

ERRO ABSOLUTO em a
k-sima aproximao
FATOR DE CONVERGENCIA
Seja o sistema X=MX+C
o: factor de convergencia
m
ij
: elemento ij da matriz M
CONDIES DE CONVERGENCIA
(TEOREMA)
independentemente de X
(0)
Uma condio suficiente
convirja para a soluo do
para que o mtodo de Jacobi
sistema X=MX+C,
que o <1
CONDIES DE CONVERGENCIA
CONDIES DE CONVERGENCIA
(TEOREMA)
Seja o sistema cuadrado
Uma condio suficiente para que o
Mtodo de Jacobi seja convergente,
AX=B.
A tenha diagonal isto

Ia
ii
I> Ia
i1
I+ Ia
i2
I+ Ia
ij
I Ia
in
I
Se X
(k)
y X
(k-1)
so dois aproximaes
sucessivas do mtodo de Jacobi
aplicado a um sistema X=MX+C e
o<1 o fator de convergncia de M,
ento se cumpre


Teorema
sendo
o
(k)
=mx{Id
(k)
I}
Estimativa do erro
RESUMO
AX=B
Verificar se A tem diagonal
predominante, sina levar a
AX=B
diagonal predominante
X=MX+C
A: cuadrada e no singular
RESUMO
I. X
(k)
=MX
(k-1)
+C
II. At
Notas
Se uma matriz no tiver
diagonal predominante muitas
vezes se podem intercambiar
filas ou efetuar transformaes
elementares para obt-la.
Notas
Se uma matriz tiver
diagonal predominante os
coeficientes da diagonal
principal so diferentes
de zero e o mtodo
converge.
Uso del MN2000
Mtodo de Gauss Seidel
M=M
S
+M
I

La matriz M se
descompone como
Mtodo de Gauss Seidel
(
(
(
(
(
(

- - -
-
-
-
- - -
- - -
=
0 m m
0 0 m
0 0 0
M
2 n 1 n
21
I
Mtodo de Gauss Seidel
(
(
(
(
(
(

- - -
-
-
-
- - -
- - -
=
0 0 0
m 0 0
m m 0
M
n 2
n 1 11
S
Mtodo de Gauss Seidel
X
(k)
=M
S
X
(k-1)
+M
I
X
(k)
+C
FACTOR DE CONVERGENCIA
i
i
i
p
q
mx

=
1
|

+ =
=
n
1 i j
ij i
m q

=
=
1 i
1 j
ij i
m p
i=1,2,,n
CONDICIONES DE CONVERGENCIA
TEOREMA
cualquiera sea X
(0)
es que
Una condicin suficiente para
sistema
que el mtodo de Seidel
converja hacia la solucin del
X=MX+C,
| <1
Estimacin del error
Si X
(k)
y X
(k-1)
son dos
mtodo de Seidel aplicado a un
aproximaciones sucesivas del
sistema X=MX+C y |<1es el
factor de convergencia de M,
Teorema
Estimacin del error
entonces se cumple
) k ( ) k (
1
o
|
|
s c
siendo
o
(k)
=mx{Id
i
k
I}
RESUMEN
AX=B
Verificar si A tiene diagonal
predominante, sino llevar a
AX=B
diagonal predominante
X=MX+C
A: cuadrada y no singular
RESUMEN
X
(k)
=M
S
X
(k-1)
+ M
I
X
(k)
+ C
Hasta
E
1
) k (
s o
|
|
ALGORITMO
Sea X
(0)
: aproximacin inicial

Sea k=0
Sea
(0)
=
DO WHILE
Incrementar k
X
(k)
=M
S
X
(k-1)
+M
I
X
(k)
+C
E
1
) k (
) 1 k ( ) k ( ) k (
X X d

=
ALGORITMO
END
X
(k)
: solucin aproximada
con
) k (
i
) k (
d mx
) k (
1
E
Terminar
OBSERVE
Si AX=B tiene diagonal
predominante o<1 y |<1
Si o<1y |<1 , el de
Seidel converge con igual
o mayor rapidez
FIN
CONDICIONES DE
CONVERGENCIA
Sea
X=MX+C
X: solucin exacta
Restando
X
(k)
=MX
(k-1)
+C
X-X
(k)
=M(X-X
(k-1)
)
E
(k)
=ME
(k-1)

CONDICIONES DE
CONVERGENCIA
X-X
(k)
=M(X-X
(k-1)
)
E
(k)
=ME
(k-1)
CONDICIONES DE
CONVERGENCIA
(
(
(
(
(
(

-
-
-
(
(
(
(
(

- - -
- - - - - -
- - - - - -
- - - - - -
- - -
- - -
=
(
(
(
(
(
(

-
-
-

) 1 k (
n
) 1 k (
2
) 1 k (
1
nn 2 n 1 n
n 2 22 21
n 1 12 11
) k (
n
) k (
2
) k (
1
e
e
e
m m m
m m m
m m m
e
e
e
CONDICIONES DE
CONVERGENCIA
e
1
(k)
=m
11
e
1
(k-1)
++ m
1n
e
n
(k-1)
e
2
(k)
=m
21
e
1
(k-1)
++ m
2n
e
n
(k-1)



e
n
(k)
=m
n1
e
1
(k-1)
++ m
nn
e
n
(k-1)
CONDICIONES DE
CONVERGENCIA
e
1
(k
) m
11
e
1
(k-1)
++
e
2
(k)
m
21
e
1
(k-1)
++




e
n
(k)
m
n1
e
1
(k-1)

++
+ m
1n
e
n
(k-1)

+ m
2n
e
n
(k-1)
+ m
nn
e
n
(k-1)

CONDICIONES DE
CONVERGENCIA
e
1
(k
) (m
11
++m
1n
)
n
(k-1)

e
2
(k)
(m
21
++m
2n
)
n
(k-1)




e
n
(k)
(m
n1
++m
nn
)
n
(k-
1)

CONDICIONES DE
CONVERGENCIA
Es decir
e
i
(k) (k-1) para i=1,2,,n
por tanto
(k)
es el mayor de
los

e
i
(k)
es menor que
(k-1)
(k)

(k-1
)
CONDICIONES DE
CONVERGENCIA
(k)

(k-1
)
2

(k-2
)
k

(0
)
0<

<1

0 lm lm 0
) 0 ( k
k
) k (
k