Documente Academic
Documente Profesional
Documente Cultură
Calculo Numerico
Prof. J. A. Salvador - DM-UFSCar
2. Exemplo:
x1 = 0
0.6x1 + x2 = 7
0.2x1 + x2 3x3 = 5
3. Exemplo:
5x1 + 2x2 + x3 = 0
0.2x2 + 3.4x2 = 7
13x3 = 5
0 1 3
determinante nao nulo, det(A) = 2RA 12 6= 0 para RA 6= 12 temos que o sistema
possui uma umica solucao, e e possvel aplicar o Metodo de Eliminacao de Gauss.
Considerando a matriz ampliada do sistema
1 2 0 4 RA
2 1 3 5 L2 L2 2L1
0 1 3 1
1 2 0 4 RA
0 3 3 3 + 2RA L3 L3 + 31 L2
0 1 3 1
1 2 0 4 RA
0 3 3 3 + 2RA
0 0 4 2 + 23 RA
assim, temos que
3
x3 = 12 + 16 RA, x2 = 2
52 RA e x1 = 7 6RA,
Quantas operacoes sao realizadas na aplicacao do Metodo de Eliminacao de Gauss?
Para um sistema linear de ordem n fazemos n i divisoes para obter os multi-
a
plicadores mij = aijii para fazer a operacao elementar de substituir a linha i por
Li Li mij Lj resultando num total de (n i)(n i + 1) multiplicacoes e
(n i)(n i + 1) subtracoes. Acrescentando as operacoes aritmeticas de substi-
tuicao regressiva n i multiplicacoes e n i 1 adicoes, obtemos o numero total
de operacoes:
Divisoes e/ou multiplicacoes: (n i) + (n i)(n i + 1) = (n i)(n i + 2) e n i
Adicoes e/ou subtracoes: (n i)(n i + 1) e n i 1
1 Metodos Diretos para resolucao de sistemas de equacoes lineares 4
Usando as somas
Pn Pn n(n+1) Pn n(n+1)(2n+1)
i=1 1 = n, i=1 i = 2
e i=1 i2 = 6
n3 n n3 n2
exigindo 3
+ n2 2
divisoes e multiplicacoes e 3
2
adicoes e multiplicacoes.
Obs. Propagacao dos erros de arredondamento
o que nos indica que e conveniente que sejam todos menores do que 1 em modulo, ou
seja, o pivo deve ser o elemento de maior valor absoluto da coluna considerada. Para
isso, basta trocarmos as linhas das equacoes do sistema caso necessario. Este pro-
cedimento e chamado de Metodo de Eliminacao de Gauss com Pivotamento
parcial.
No sistema anterior, fazendo o pivotamento parcial teremos como solucao x1 = 1.00
e x2 = 1.00 que e mais proxima da solucao atual.
1.5
x2 = 1.6
= 0.9375 0.94 e
215.00.94 214.7 16.3
x1 = 16.
= 16.
= 16
= 1.0.
Entretanto, a solucao deste sistema e x1 = 1.0 e x2 = 1.0.
1
hij =
i+j1
2 Metodos iterativos
a) k x k 0, x V e k x k = 0 x = 0;
b) k x k = || k x k , R, x V ;
c) k x + y k k x k + k y k, x, y V .
Exemplo de normas no Rn .
p
k x k2 = x21 + x22 + + x2n
A norma 2 de um vetor x representa a distancia euclidiana do ponto x a origem.
k x k1 = |x1 | + |x2 | + + |xn |
k x k = max{|x1 |, |x2 |, . . . , |xn |}
A norma de uma matriz satisfaz as mesmas propriedades da norma de um vetor.
Norma induzida: Uma norma de matriz a dita induzida por uma norma de vetor
se ela e definida como
k Ax k.
k A k. = maxx6=0
k x k.
k xk x k 0 quando k
e(k) = x x(k)
e x x(k) = (I A)(x x(k1)
e(k) = (I A)e(k1)
e(k1) = (I A)e(k2) = e(k) = (I A)2 e(k2)
..
.
e(k) = (I A)k e0)
e como
||I A)k < 1
2 Metodos iterativos 11
|a12 | + |a13 | = |2| + |1| < |10| = |a11 |
|a21 | + |a23 | = |1| + |1| < |5| = |a22 |
|a13 | + |a23 | = |2| + |3| < |10| = |a33 |
x1 + 0.200x2 + 0.100x3 = 0.700
0.2x1 + x2 + 0.2x3 = 1.6
0.2x1 + 0.3x2 + x3 = 0.6
|a12 | + |a13 | = |0.2| + |0.1| = 0.3 < 1
|a21 | + |a23 | = |0.2| + |0.2| = 0.4 < 1
|a31 | + |a32 | = |0.2| + |0.3| = 0.5 < 1
P3
e, max1i3 j=1,j6=i |aij | = 0.5 < 1.
Ou, aplicando o criterio das colunas, vemos que
2 Metodos iterativos 12
|a21 | + |a31 | = |0.2| + |0.2| = 0.4 < 1
|a12 | + |a32 | = |0.2| + |0.3| = 0.5 < 1
|a13 | + |a23 | = |0.1| + |0.2| = 0.3 < 1
max1j3 3i=1,i6=j |aij | = 0.5 < 1 o que nos garante a convergencia do metodo de
P
Jacobi-Richardson.
Aplicando as iteracoes sucessivas em
k+1
k k
x1 = 0.2x2 0.100x3 + 0.700
xk+1
2 = 0.2xk1 0.2xk3 1.6
k+1
x3 = 0.2xk1 0.3xk2 + 0.6
Podemos elaborar uma tabela contendo os numeros das iteracoes e os respectivas
aproximacoes da solucao:
Tabela: Numero de iteracoes (n) e solucoes aproximadas
n 0 1 2 3 4
x1 0.7 0.96 0.978 0.9994 0.9979
x2 1.6 1.86 1.98 1.9888 1.9996
x3 0.6 0.94 0.966 0.9984 0.9968
em que
H = (L + I)1 U
e a matriz de iteracao e
g = (L + I)1 b .
Observe que multiplicando ambos os membros da equacao anterior por L+I obtemos
(L + I)x(k+1) = U x(k) + b
4x + y + z = 6
x + 6y + z = 8
2x + y + 8z = 11
un+2 + un+1 + un = n
y1 = a11 x1 + a12 x2 + a13 x3 + + a11 xn
y 2 = a y 1 + a x 2 + a x 3 + + a x n
21 22 23 21
.
..
yn = an1 y1 + an2 y2 + an3 y3 + + an,n1 yn1
n
X
= |a1j | ||x|| = 1 ||x||
j=2
2 Metodos iterativos 16
Pn
em que 1 = j=2 |a1j |.
Portanto, temos que
|y1 | 1 ||x||
E,
n
X n
X
|y2 | = |a21 y1 + a2j xj | |a21 | |y1 | + |a2j | |xj |
j=3 j=3
n
X n
X
|a21 | 1 ||x|| + |a2j | maxj |xj | |a21 | 1 ||x|| + |a2j | ||x||
j=3 j=3
n
X
|a21 | |a2j | ||x|| = 2 ||x||
= 1 +
j=3
Pn
em que 2 = |a21 | 1 + j=3 |a2j |.
Assim, temos que
|yi | i ||x||inf ty
em que as constantes
i1
X n
X
i = |aij | j + |aij |.
j=1 j=i+1
E, se
= max1in i < 1 a sequ?ncia xk gerada pelo metodo iterativo de Gauss-Seidel
converge.
E,
||Bx|| = ||y|| = max1n |yi | max1n i ||x||
|y1 | 1 ||x||
No metodo de Gauss-Seidel
(L + I)x(k+1) = U x(k) + b
e, podemos calcular
x(k+1) = Lx(k+1) + U x(k) + b
1 1 3
5
b= 4
3
2 2 5
x = 9y 9z
9
y = 13 x + 43
z = 13 x 31 y + 1
a) Metodo de Jacobi-Richardson
2 2 5
x = 9y 9z
9
y = 13 x + 43
z = 13 x 31 y + 1
Na forma matricial
5
x 0 29 29 x 9
1 4
y = 3 0 0 y + 3
1 1
z 3
3 0 z 1
0
(0)
Dado uma aproximacao inicial x = 0
0
temos
59 0.55556
x(1) = 43 = 1.3333
1 1
|x(1) x(0) |
E1 = |x(1) |
= 1 > 10(2)
Entao calculamos
2 Metodos iterativos 18
5
x(2) 0 29 2
9
x(1) 9
(2) 1 (1) 4
y = 3 0 0 y + 3
1
z (2) 3
31 0 z (1) 1
(2)
x 0 29 2
9
5
9
5
9
1
0 43 + 34
(2)
y = 3 0
1
z (2) 3
31 0 1 1
x(2) 0.55556 0.55556 0.62963
(2)
y = 1.3333 + 1.3333 = 1.51849
z (2) 1 1 0.37038
E2 = 0.39195 > 101
0.81069
Da mesma forma, obtemos: x3 = 1.54318 com E3 = 0.11446 > 101
1.54318
0.83539
x4 = 1.60353 com E4 = 0.051974 < 101 portanto, a solucao aproximada
0.21538
com < 101 e x4 .
a) Metodo de Gauss-Seidel
Dado o sistema Ax = b por
9x + 2y + 2z = 5
x + 3y =4
x + y + 3z = 3
Vemos que a matriz dos coeficientes e diagonalmente dominante e agora vamos testar
o criterio de Sassenfeld:
|a12 |+|a13 |
1 =
|a11|
= |2|+|2|
|9|
= 49 < 1
|a21 |1 +|a23 |
2 = |a22 |
= |1|+|0|
|3|
= 13 < 1
|a21 |1 +|a31 |
= |1|+|1|
3 = = 23 < 1
|a33 | |3|
2
Assim, max1i3 i = 3
< 1 o metodo de Gauss-Seidel converge.
Escrevendo o sistema
x
(1)
= 29 y (0) 29 z (0) 5
9
y (1) = 13 x(1) + 43
= 13 x(1) 13 y (1) + 1
(1)
z
x
(1)
= 29 y (0) 92 z (0) 59 = 95 = 0.55556
y (1) = 13 x(1) + 43 = 13 0.55556 + 43 = 1.1481
= 13 x(1) 13 y (1) + 1 = 31 0.55556 13 1.1481 + 1 = 1.5679
(1)
z
|X (1) X (0) | 1.5679
com E1 = |X (1) |
= 1.5679
=1
x
(2)
= 29 y (1) 29 z (1) 59 = 29 1.1481 92 1.5679 59 95 = 0.46227
y (2) = 13 x(2) + 43 = 13 (0.46227) + 43 = 1.4874
= 31 x(2) 31 y (2) + 1 = 13 0.46227 31 1.4874 + 1 = 0.35010
(2)
z
" # " #
f1 (x1 , x2 ) sen(x1 ) + x2
F (x1 , x2 ) = =
f2 (x1 , x2 ) x21 + x22 1
Para obtermos uma solucao com um determinada precisao devemos calcular o erro
relativo para todas as componentes do vetor solucao.
Exemplo: (
f (x1 , x2 ) = 0.2x1 + 0.2x1 x2 x1 + 0.6 = 0
g(x1 , x2 ) = 0.4x1 + 0.1x1 x22 x2 + 0.5 = 0
(0) (0)
Consideramos uma aproximacao inicial X (0) = (x1 , x2 ) = (0.9, 1.1) e supomos
que ele esteja numa vizinhanca V da solucao. No caso de funcoes de duas variaveis
poderamos plotar seus os graficos e verificar a regiao em que elas se interceptam.
Verificamos que numa vizinhanca V da solucao as derivadas parciais de f e g sao
contnuas e
| f (x
x1
1 ,x2 )
| + | f (x
x2
1 ,x2 )
|=
= |0.4x1 | + |0.2x2 | + |0.2x1 | = 0.4(0.9) + 0.2(1.1) + 0.2(0.9) = 0.76 < 1
| g(x 1 ,x2 )
x1
| + | g(x 1 ,x2 )
x2
|=
2 2
= |0.4| + |0.1x2 | + |0.2x1 x2 | = 0.4 + 0.1(1.1) + |0.2(0.9)(1.2) = 0.719 < 1
Calculo do Erro E2 :
(1) (0)
|x2 x2 | 0.9689 1.1
(1)
= > 102
|x2 | 0.9689
o processo deve ser continuado ate que todas as aproximacoes tenham erro menor
do que a tolerancia.
( (3)
x1 = 0.2(0.9703)2 + 0.2(0.9703)(0.97921) + 0.6 = 0.97832
(3)
x2 = 0.4(0.9703) + 0.1(0.9703)(0.97921)2 + 0.5 = 0.98116
Calculo do Erro E3 :
|X (3) X (2) |
0.007 < 102
|X (3) |
e queremos encontrar o vetor solucao vetor solucao x = (x1 , x2 ) tal que F (x) =
F (x1 , x2 ) = 0 em que " #
f1 (x1 , x2 )
F (x1 , x2 ) =
f2 (x1 , x2 )
(0) (0)
Seja uma aproximacao inicial x(0) = (x1 , x2 ) para a solucao x = (x1 , x2 ) .
3 Sistemas nao lineares 23
(1) (1)
A solucao deste sistema linear nos da uma nova aproximacao x(1) = (x1 , x2 ) para
a solucao x = (x1 , x2 ) .
Escrevendo o sistema na forma matricial temos
(0) (0) (0) (0)
" # " #
f1 (x1 ,x2 ) f1 (x1 ,x2 ) (0) (0) (0)
x1 x2
(x 1 x 1 ) f (x
1 1 , x2 )
(0) (0)
f2 (x1 ,x2 )
(0) (0)
f2 (x1 ,x2 )
(0) = (0) (0)
(x2 x2 ) f2 (x1 , x2 )
x1 x2
obtemos o sistema
" (0)
# " (0) (0)
#
(0) (0) (x1 x1 ) f1 (x1 , x2 )
J(x1 , x2 ) (0) = (0) (0)
(x2 x2 ) f2 (x1 , x2 )
Resolvendo o sistema linear obtido, obtemos uma nova solucao aproximada x(1) =
(1) (1)
(x1 , x2 ),
(1) (1)
Desenvolvendo novamente as funcoes f1 (x1 , x2 ) e f2 (x1 , x2 ) em torno de (x1 , x2 )
obtemos um novo sistema
" (1)
# " (1) (1)
#
(1) (1) (x1 x1 ) f1 (x1 , x2 )
J(x1 , x2 ) (1) = (1) (1)
(x2 x2 ) f2 (x1 , x2 )
(2) (2)
que resolvido nos da nova aproximacao (x1 , x2 ) e assim sucessivamente.
3 Sistemas nao lineares 24
(0) (0)
Seja uma aproximacao inicial x(0) = (x1 , x2 ) para a solucao x = (x1 , x2 ) .
Sendo f1 (x1 , x2 ) e f2 (x1 , x2 ) diferenciaveis numa regiao D R2 , podemos expand-
las em uma Serie de Taylor em torno do ponto x(0) ate a derivada de primeira ordem
temos
(0) (0) (0) (0)
(0) (0) f1 (x1 ,x2 ) (0) f1 (x1 ,x2 ) (0)
f 1 (x 1 , x2 ) = f 1 (x 1 , x2 ) + x1
(x 1 x 1 ) + x2
(x2 x2 )
(1) (1)
A solucao deste sistema linear nos da uma nova aproximacao x(1) = (x1 , x2 ) para
a solucao x = (x1 , x2 ) .
Escrevendo o sistema na forma matricial temos
(0) (0) (0) (0)
" # " #
f1 (x1 ,x2 ) f1 (x1 ,x2 ) (0) (0) (0)
x1 x2
(x 1 x 1 ) f 1 (x 1 , x2 )
(0) (0)
f2 (x1 ,x2 )
(0) (0)
f2 (x1 ,x2 )
(0) = (0) (0)
(x2 x2 ) f2 (x1 , x2 )
x1 x2
Resolvendo o sistema linear obtido obtemos uma nova solucao aproximada x(1) =
(1) (1)
(x1 , x2 ),
(1) (1)
Desenvolvendo as funcoes f1 (x1 , x2 ) e f2 (x1 , x2 ) em torno de (x1 , x2 ) obtemos um
novo sistema
" (1)
# " (1) (1)
#
(1) (1) (x1 x1 ) f1 (x1 , x2 )
J(x1 , x2 ) (1) = (1) (1)
(x2 x2 ) f2 (x1 , x2 )
(2) (2)
que resolvido nos da nova aproximacao (x1 , x2 ) e assim sucessivamente.
O criterio de parada e usando uma tolerancia para cada uma das componentes do
vetor solucao aproximada, neste caso, dada por:
f gy gfy
( (1)
x1 = 1.2 fx gy fy gx
= 1.2250
(1) gfx f gy
x2 = 0.7 fx gy fy gx
= 0.7071
Calculo do Erro E1 :
(1) (0)
|x1 x1 | 1.2250 1.2
(1)
= 0.02 > 103
|x1 | 1.2250
(1) (0)
|x2 x2 | 0.7071 0.7
(1)
= 0.01 > 103
|x2 | 0.7071
4 Problemas 26
( (2)
x1 = 1.2253
(2)
x2 = 0.7070
Calculo do Erro E2 :
(2) (1)
|x1 x1 | 1.2253 1.223
(2)
= 0.0002 < 103
|x1 | 1.2253
(2) (1)
|x2 x2 | 0.7070 0.7071
(2)
= = 0.0001 < 103
|x2 | 0.7070
o processo deve ser continuado ate que todas as aproximacoes tenham erro menor
do que a tolerancia.
4 Problemas
0) O texto sobre sistemas de equacoes tem alguns erros de digitacao ou de calculo.
Confira e dentre eles, encontre dois erros e indicando a pagina e escrevendo
corretamente os fatos ou resultados.
1) Considere a matriz
2.1 0.6 1.1
M = 3.2 4.7 0.8
2.1)
8 6 2 28
A = 4 11 7 e b = 40
4 7 6 33
2.2)
1 4 1 7
A = 1 6 1 e b = 13
2 1 2 5
2.3)
4 1 1 3
A= 1 4 1 e b= 0
1 1 5 4
2.4)
10 2 1 14
A= 1 5 1 e b = 11
2 3 10 8
3) Resolva os sistemas nao lineares pelo Metodo de Newton com erro relativo
< 102
3.1)
(
2x3 y = 1
x2 y = 1
3.2) (
2x3 y = 1
x2 y = 1