Sunteți pe pagina 1din 23

4

SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES


UNIVERSIDADE FEDERAL DO PAMPA

CAPÍTULO

SOLUÇÃO NUMÉRICA DE SISTEMAS DE


EQUAÇÕES ALGÉBRICAS LINEARES

4.1 – Introdução Num determinado circuito eléctrico, as correntes i1 , i2 e i3


passam através das impedâncias z 1 , z 2 e z 3 são dadas por:

i1 + i 2 + i3 = 0

 z1i1 − z 2 i 2 = e1 − e 2
z i − z i = e − e
 21 3 3 2 3

Se z 1 = 10 , z 2 = 8 , z 3 = 3 , e1 − e 2 = 65 e e2 − e3 = 120

a) Calcule os valores das correntes i1 , i2 e i3 por um método direto e


estável.

No capítulo 3 tratamos de determinar o valor de x satisfaz uma única


equação, f ( x ) = 0 . Nesta seção temos por objetivo determinar
x1 , x 2 ,..., x n que satisfazem simultaneamente um conjunto de
equações:

f1 ( x1, x2 ,…, xn ) = 0 = b1
f2 ( x1, x2 ,…, xn ) = 0 = b2
(4.1)

fn ( x1, x2 ,…, xn ) = 0 = bn

Tais sistemas podem ser lineares ou não lineares. Nesta seção


trataremos das equações algébricas lineares que tem a forma geral:

67
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

a11 x1 + a12 x2 + a13 x3 + ⋯ + a1 j x j + … + a1n xn = b1



a 21 x1 + a 22 x2 + a 23 x3 + ⋯ + a 2 j x j + … + a 2 n xn = b2 (4.2)

 ⋮
a x + a x + a x + ⋯ + a x + … + a x = b
 n1 1 n 2 2 n3 3 nj j nn n n

onde os a ’s são coeficientes constantes, os b ’s são constantes e n é o


número de equações.

Notação matricial:
O sistema de equações (4.2) pode ser escrito de forma compacta:

Ax = b (4.3)

Onde,

a 11 a 12 a 13 ⋯ a 1n 
a a 22 a 23 ⋯ a 2n 
A =  21 (4.4)
 ⋮ ⋱ 
 
a n1 a n 2 a n3 ⋯ a nn 

 x1 
 x 
 
x =  2 (4.5)
 ⋮ 
 x n 

 b1 
b 
 
b =  2 (4.6)
 ⋮ 
bn 

x ∈ ℜ n é o vetor de incógnitas (solução do sistema), A ∈ ℜ n×n é a matriz dos


coeficientes e b ∈ ℜ n é o termo independente.
Os métodos que serão estudados neste capítulo tratam de resolver
sistemas lineares de n equações a n incógnitas. Caso existam mais incógnitas do
que equações, o método não funcionará, ou seja, ele não permite resolver
sistemas com grau de liberdade maior ou igual a 1. Já os sistemas com mais
equações do que incógnitas podem ser resolvidos, desde que não hajam
contradições que o tornem um sistema impossível (SI). Neste estudo, vamos nos
concentrar em sistemas lineares do tipo n x n, onde o número de equações é
igual ao número de incógnitas.

68
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Há algumas formas especiais de matrizes quadradas que são importantes


e devem ser observadas. Uma matriz simétrica é aquela em que a ij = a ji para
todos os i ’s e j ‘s. Por exemplo, a matriz simétrica 3× 3 :

5 1 2
[A] = 1 3 7 
 2 7 8 

Uma matriz diagonal é uma matriz quadrada cujos elementos fora da


diagonal principal são iguais à zero, como na matriz abaixo:

a11 0 0 0 
0 a 0 0 
A=
22

0 0 a 33 0 
 
0 0 0 a 44 

Uma matriz triangular superior é uma matriz em que todos os elementos


abaixo da diagonal principal são zero, como na matriz a seguir:

a 11 a 12 a 13 a 14 
0 a a 23 a 24 
A= 
22

0 0 a 33 a 34 
 
0 0 0 a 44 

Uma matriz triangular inferior é uma matriz em que todos os elementos


acima da diagonal principal são zero, como na matriz a seguir:

a 11 0 0 0 
a a 22 0 0 
A=
21

a 31 a 32 a 33 0 
 
a 41 a 42 a 43 a 44 

Uma matriz de banda tem todos os elementos iguais a zero, com a


possível exceção de uma faixa centrada na diagonal principal:

a 11 a 12 0 0 
a a 22 a 23 0 
A=
21

0 a 32 a 33 a 34 
 
0 0 a 43 a 44 

Essa matriz possui largura da banda 3 e tem nome especial – matriz tri
diagonal. Vamos fazer uma análise geométrica da solução de alguns sistemas
lineares:

69
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

x + y = 2
Ex1:  Se o det ≠ 0 o sistema possui solução única
x − y = 0

x + y = 2
Ex2:  O sistema não possui solução
2 x + 2 y = 2

x + y = 2
Ex3:  O sistema possui infinitas soluções
2 x + 2 y = 4

70
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Os métodos numéricos desenvolvidos para a solução de sistemas de


equações algébricas lineares são de dois tipos: métodos diretos e métodos
indiretos. No caso dos métodos diretos é realizado um número fixo de operações
ao final das quais se obtém o resultado. Os métodos indiretos são construídos
com procedimentos iterativos onde a solução é obtida após um número variável
de iterações, estando este número associado ao critério de convergência
estabelecido a priori. Em ambos os casos existem vantagens e desvantagens.
Nas próximas seções serão apresentados alguns destes métodos.

4.2 – Métodos
Diretos

4.2.1 – Eliminação
Gaussiana

Conhecendo as operações matriciais elementares estudadas no curso de


álgebra linear vamos introduzir os métodos computacionais para solução de
sistemas de equações lineares. Operações realizadas sobre linhas (colunas) de
uma matriz A. São de três tipos:

I) Troca de duas linhas (colunas);


II) Multiplicação de uma linha (coluna) por um escalar k ≠ 0 ;
III) Substituir uma linha (coluna) pela sua adição a um múltiplo não
nulo de outra linha (coluna).

O método de Gauss ou eliminação gaussiana consiste na operação de um


sistema de equações lineares por meio dessas operações elementares até que seja

71
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

obtido um sistema equivalente na forma escalonada. Em sistemas consistentes, a


forma escalonada pode, então, ser facilmente resolvida por solução descendente.
Em sistemas dependentes uma solução poderá ser encontrada por meio da
atribuição de valores às variáveis livres.
A denominação do método é uma homenagem ao matemático alemão
Carl Friedrich Gauss. Referências sobre esse método já existiam em antigos
textos indianos e chineses, de cerca de 2000 anos atrás. Entretanto, os europeus
o desconheciam até que Gauss o utilizou enquanto trabalhava num sistema de
equações que buscava determinar por aproximação a órbita do asteroide Ceres.
Essa aproximação foi feita através do método dos quadrados mínimos, método
também atribuído a Gauss. Gauss trabalhava num sistema de 17 equações a 17
incógnitas, dimensão impraticável para solução manual. Na pesquisa por um
método, chegou a esse processo de eliminação.
Em outras palavras neste método o problema Ax = b é reduzido a um
sistema equivalente:

Ux=d (4.7)

onde U é uma matriz triangular superior, sendo este problema facilmente


resolvido por uma substituição de trás para frente (backward sweep).
Obviamente além de o sistema ter número de incógnitas e equações iguais, para
ser resolvido pelos métodos a serem estudados a matriz dos coeficientes precisa
ser diferente de zero (Sistema possível e determinado A ∈ ℜ n×n e A ≠ 0 ).
Para a obtenção do sistema (4.7) a partir do sistema original Ax = b , são
realizadas as manipulações que serão descritas a seguir.
Reescrevendo o sistema original com um total de n equações e
n incógnitas:

a11(1) x1 + a12(1) x2 + a13(1) x3 + ⋯ + a1(1j) x j + … + a1(1n) xn = b1(1)


(1) (1) (1)
a21 x1 + a22 x2 + a23 x3 + ⋯ + a2(1j) x j + … + a2(1n) xn = b2(1) (4.8)

an(11) x1 + an(12) x2 + an(13) x3 + ⋯ + anj(1) x j + … + ann
(1)
xn = bn(1)

onde, o índice (1) representa os coeficientes com seus valores iniciais. Com as
manipulações a serem realizadas os valores dos coeficientes serão alterados e
estes índices assumirão então outros valores (2), (3),…,conforme o número de
operações realizadas. Definindo os multiplicadores:

ai(11)
mi1 = , i = 2, 3, … , n (4.9)
a11(1)

72
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

multiplicando a primeira equação por mi1 e subtraindo a equação resultante da


equação i correspondente, elimina-se o coeficiente de x1 , i.e. ai1 . Este
procedimento é realizado para todas as equações i = 2, 3,…, n , ou seja,

aij( 2 ) = aij(1) − mi1a1(1j) , i = 2, 3,… , n e j = 2, 3,… n (4.10)


bi(2 ) = bi(1) − mi1b1(1) , i = 2, 3, … , n (4.11)
e
ai(12 ) = 0, i = 2, 3, … , n (4.12)

O sistema (4.8) passa então a ser escrito como

a11(1) x1 + a12(1) x2 + a13(1) x3 + ⋯ + a1(1j) x j + … + a1(1n) xn = b1(1)


(2 ) (2 )
0 + a22 x2 + a23 x3 + ⋯ + a2(2j) x j + … + a2(2n) xn = b2(2 )
(2 ) (2 )
0 + a32 x2 + a33 x3 + ⋯ + a3(2j ) x j + … + a3(2n) xn = b3(2 ) (4.13)

0 + an 2 x2 + an3 x3 + ⋯ + anj(2 ) x j + … + ann
(2 ) (2 ) (2 )
xn = bn(2 )

Observe que a primeira equação não foi modificada com relação à


primeira equação do sistema original (4.8). Após este passo continuamos o
processo de eliminação com o multiplicador:

ai(22 )
mi 2 = (2 ) , i = 3, …, n (4.14)
a22

Agora a segunda equação é multiplicada por mi 2 e subtraindo a equação


resultante da equação i correspondente, elimina-se o coeficiente de x2 , i.e. ai 2 .
Este procedimento é realizado para todas as equações i = 3, 4,…, n , de forma que:

aij(3) = aij( 2 ) − mi 2 a2( 2j) , i = 3, 4, … , n e j = 3, 4, … , n


(4.15)

bi(3) = bi(2 ) − mi 2b2(2 ) , i = 3, 4,…, n (4.16)

ai(23 ) = 0, i = 3, 4, … , n (4.17)

O sistema (4.13) passa então a ser escrito na forma equivalente

73
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

a11(1) x1 + a12(1) x2 + a13(1) x3 + ⋯ + a1(1j) x j + … + a1(1n) xn = b1(1)


(2 ) (2 )
0 + a22 x2 + a23 x3 + ⋯ + a2(2j) x j + … + a2(2n) xn = b2(2 )
(3 )
0 + 0 + a33 x3 + ⋯ + a3(3j) x j + … + a3(3n) xn = b3(3)
(3 )
0 + 0 + a43 x3 + ⋯ + a4(3j) x j + … + a4(3n) xn = b4(3) (4.18)
(3 )
0 + 0 + a53 x3 + ⋯ + a5(3j) x j + … + a5(3n) xn = b5(3)

(3 ) (3 ) (3 )
0 + 0 + an 3 x3 + ⋯ + anj x j + ⋯ + ann xn = bn(3)

O processo aqui descrito é então continuado até que se obtenha o sistema de


equações algébricas lineares na forma dada pela Eq. (4.7), ou seja,

a11(1) x1 + a12(1) x2 + a13(1) x3 + … + a1(1n) xn = b1(1)


(2 ) (2 )
0 + a22 x2 + a23 x3 + … + a2( 2n) xn = b2( 2 )
(3 )
0 + 0 + a33 x3 + ⋯ + a3(3n) xn = b3(3) (4.19)

0 + 0 + 0 + ⋯ + an(n−−11,n)−1 xn−1 + an(n−−11,n) xn = bn(n−1−1)
(n )
0 + 0 + 0 + ⋯ + ann xn = bn( n )

De forma genérica, o procedimento adotado para a obtenção do sistema


(4.19) a partir do sistema (4.8), consiste no uso de multiplicadores

aik(k )
mik = , k = 1, 2,… , n − 1, i = k + 1, k + 2,… , n (4.20)
akk(k )

de forma que os novos coeficientes calculados no passo k sejam

aij(k +1) = aij(k ) − mik akj(k ) , k = 1, 2,…, n −1, i = k + 1, k + 2,…, n e j = k + 1, k + 2,…, n (4.21)

bi(k +1) = bi(k ) − mik bk(k ) , k = 1, 2, … , n − 1, i = k + 1, k + 2, … , n (4.22)

sendo nulos então os coeficientes

aik(k +1) = 0, k = 1, 2,…, n − 1, i = k + 1, k + 2,…, n (4.23)

Para a obtenção do sistema (4.19) são aplicadas, portanto, as Eqs. (4.20)


a (4.23), sendo operadas no passo k , as linhas k + 1, k + 2,…, n , com
k = 1, 2,…, n − 1 .
O coeficiente akk(k ) é denominado pivo, e segundo a definição dos
multiplicadores dada de forma genérica pela Eq. (4.20), é necessário que

(k )
akk ≠0 (4.21)

74
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

No início de cada passo k de eliminação de coeficientes, quando a linha


k é mantida fixa, é feita uma troca de posição de equações, de forma que fique
um termo diferente de zero na posição do pivot.
A solução do sistema (4.19) é muito simples, sendo feita uma simples
substituição de trás para frente (backward sweep). Começando da última
equação escrevemos

b (n )
xn = n(n ) (4.22)
ann

Conhecendo xn podemos calcular então xn −1 usando a penúltima


equação do sistema (4.19),

bn(n−−11) − an(n−−11,n) xn
xn −1 = (4.23)
an(n−−11, n) −1

Este passo é então continuado até que todas as incógnitas sejam


determinadas. De forma genérica escreve-se

1  (l ) n 
xl =
all(l )
bl − ∑ a ( ) x , l = n, n − 1, n − 2, … ,1
lj
l
j
(4.24)
 j =l +1 

Vamos agora ao algoritmo para o método de eliminação gaussiana:

75
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Vamos agora ao algoritmo para a substituição regressiva:

A implementação computacional do método de eliminação gaussiana é


relativamente simples, e fornece o resultado após um número fixo de operações.
Porém, a qualidade do resultado pode ser comprometida pelos erros de
arredondamento que são acumulados a cada operação.
Visando minimizar a propagação de erros de arredondamento podem ser
usadas as técnicas de pivoteamento parcial ou de pivoteamento completo, que
serão sucintamente descritas a seguir.

Exemplo: Resolva o sistema linear pelo Método de Eliminação de Gauss.

76
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

 x1 − x 2 + 2 x 3 = 2

2 x1 + x 2 − x 3 = 1
− 2 x − 5 x + 3x = 3
 1 2 3

4.2.2 - Fatoração L.U

Considere um sistema linear Ax = b onde A é uma matriz quadrada e invertível;


Suponha que é possível obter uma Fatoração LU de forma que LU = A ;
L seja quadrada, da mesma ordem de A e triangular inferior, invertível;
U seja quadrada, da mesma ordem de A e triangular superior, invertível;
Assim, LUx = b . Fazendo Ux = y temos que Ly = b ;
Logo resolver o sistema Ax = b é equivalente a resolver o sistema Uz = y ;
z=U-1y=U-1L-1b=(LU)-1b = A-1b=x.

Dados o sistema linear e a fatoração da matriz , temos:

Seja . A solução do sistema linear pode ser obtida da resolução dos sistemas
lineares triangulares:
i)
ii)
Exemplo: Resolver o sistema linear usando a fatoração :

Resolvendo :

77
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

i)

ii)

4.3 – Métodos
Iterativos

Para sistemas com um grande número de equações o uso de métodos


diretos implica em um número extremamente elevado de operações a serem
realizadas. Neste caso os métodos iterativos são melhores, e em alguns casos são
os únicos que poderão ser usados na prática.
É comum também que a matriz seja esparsa, ou seja, com um grande número de
coeficientes nulos, e muitas vezes podendo ser representada de forma simples.
Neste caso os métodos iterativos são superiores por utilizarem apenas os
coeficientes diferentes de zero, enquanto que ao se utilizar métodos diretos a
maioria dos coeficientes nulos seriam trocados por valores diferentes de zero.
Por exemplo, em um sistema linear 2x2 usando como estimativa inicial ( x10 , x20 )
o próximo passo é encontrar ( x , x ) até
1
1
1
2 a convergência e um determinado
critério de parada como representa a Figura 4.0.

78
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Figura 4.0 – Representação da convergência dos métodos iterativos

4.3.1 – Método
de Gauss-Jacobi

Considere novamente o problema

Ax = b (4.36)

onde o objetivo é obter o vetor de incógnitas

 x1 
x 
 
x =  2 (4.37)
⋮
 xn 

Cada equação do sistema (4.36) é dada por

ai1 x1 + ai 2 x2 + ⋯ + aii xi + ⋯ + ai , n −1 xn −1 + ain xn = bi , i = 1, 2,… , n (4.38)

ou seja,

i −1 n

∑a
j =1
ij x j + aii xi + ∑a
j =i +1
ij x j = bi , i = 1, 2,…, n (4.39)

Da Eq. (4.39) obtém-se então

 
1  n

xi =  i ∑ ij j , i = 1, 2,…, n
b − a x (4.40)
aii  j =1 
 j ≠i 
Podemos representar na forma matricial: Suponha um sistema linear com
incógnitas x1 , ..., xn da seguinte forma:

 a11. x1 + a12 . x2 + ⋯ + a1n . xn = b1


a .x + a .x + ⋯ + a .x = b
 21 1 22 2 2n n 2

 ⋮ ⋮ ⋮ ⋮
an1. x1 + an 2 . x2 + ⋯ + ann . xn = bn

Suponha também que todos os termos aii sejam diferentes de zero (i = 1,


... , n). Se não for o caso, isso às vezes pode ser resolvido com uma troca na
ordem das equações. Então a solução desse sistema satisfaz as seguintes
equações:

79
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

 1
 x1 = {b1 − a12 . x 2 − ⋯ − a1n . x n }
a11

 1
 x2 = {b2 − a 21 . x1 − ⋯ − a 2 n . x n }
 a 22
 ⋮ ⋮ ⋮ ⋮

 1
 x n = a {bn − a n 1 . x1 − ⋯ − a n −1 n . x n −1 }
 nn

O Método de Jacobi consiste em estimar os valores iniciais para x1(0),


x2(0), ..., xn(0), substituir esses valores no lado direito das equações e obter daí
novos valores x1(1), x2(1), ..., xn(1). Em seguida, repetimos o processo e colocamos
esses novos valores nas equações para obter x1(2), x2(2), ..., xn(2), etc. Desta forma
temos:

 ( k +1) 1
 x1 =
a11
{
b1 − a12 . x (2 k ) − ⋯ − a1 n . x (n k ) }

 ( k +1) 1
 x2 = {
b2 − a 21 . x 1( k ) − ⋯ − a 2 n . x (n k ) }
 a 22
 ⋮ ⋮ ⋮ ⋮

 ( k +1) 1
 xn =
a nn
{
bn − a n 1 . x 1( k ) − ⋯ − a n −1n . x (n −k1) }

Considerando que as equações no sistema (4.36) estejam ordenadas de


forma que os coeficientes na diagonal sejam não nulos, aii ≠ 0 , um procedimento
iterativo é construído usando a Eq. (4.40) conforme descrito no seguinte
algoritmo:

80
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Vamos agora ao algoritmo do método de Gauss Jacobi:

1) Escolha uma estimativa inicial x 0 e faça o contador de iterações


k = 0;

2) Calcule uma nova estimativa para as incógnitas com a Eq. (4.40),

 
1  n
k
xik +1 =  i ∑ ij j , i = 1, 2,…, n
b − a x (4.41)
aii  j =1 
 j ≠i 

3) Verifique se o critério de parada estabelecido a priori foi satisfeito.


Como exemplo usamos a diferença relativa das incógnitas em duas
iterações sucessivas

xik +1 − xik
< ε , i = 1, 2,…, n com xik ≠ 0 (4.42)
xik

onde ε é um número relativamente pequeno, por exemplo 10 −5 .


Caso o critério de parada não esteja satisfeito faça k = k + 1 e volte
ao passo 2.

Como o método de Gauss-Jacobi pode não convergir, é necessário que


no algoritmo seja incluída a parada do mesmo caso um número máximo de
iterações definido a priori seja atingido.

Exemplo: Dado o sistema de equações lineares abaixo, determine a sua solução


de acordo com o método de Jacobi, considerando uma tolerância ε ≤ 10-2.

 2 . x1 − x 2 = 1

 x1 − 2 . x 2 = − 3

A solução analítica é x1=4/3 e x2=7/3. De acordo com Jacobi, temos que:

 ( k +1) 1
 x1 = . (1 + x2( k ) )
2

 x ( k +1) = 1 ( 3 + x1( k ) )
 2 2

Tomando uma solução inicial arbitrária x1=0 e x2=0, teremos a seguinte


tabela de resultados:

81
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Tabela 1 – Representação do processo iterativo de Gauss-Jordan

K x1 x2 E(x1) E(x2)
0 0 0
1 0,5 1,5 0,5 1,5
2 1,25 1,75 0,75 0,25
3 1,375 2,125 0,125 0,375
4 1,5625 2,1875 0,1875 0,0625
5 1,59375 2,28125 0,03125 0,09375
6 1,640625 2,296875 0,046875 0,015625
7 1,648438 2,320313 0,007813 0,023438
8 1,660156 2,324219 0,011719 0,003906
9 1,662109 2,330078 0,001953 0,005859

Portanto, o resultado aproximado para a tolerância solicitada é x1=1,66 e


x2=2,33. Outro método para realizar o teste de parada seria realizar k iterações.

Exemplo: Resolva o seguinte sistema linear usando o Método de Gauss-Jacobi.


3 x1 − 0,1x 2 − 0,2 x3 = 7,85

0,1x1 + 7 x 2 − 0,3x 3 = −19,3
0,3 x − 0,2 x + 10 x = 71,4
 1 2 3

4.3.2 – Método
de Gauss-Seidel

No método de Gauss-Jacobi é utilizada a estimativa anterior x k para o


cálculo da nova estimativa x k +1 . No método de Gauss-Seidel ao se calcular a
nova estimativa para a incógnita xik +1 , i = 1, 2,… , n , são usadas as novas
estimativas xlk + 1 , l = 1, 2,…, i − 1 , já calculadas, e as estimativas anteriores
xlk , l = i + 1, i + 2… , n , para as incógnitas ainda não calculadas. Partindo da Eq.
(4.42) escrevemos:

1  i −1 n
k
xik +1 = k +1
bi − ∑ aij x j − ∑ aij x j , i = 1, 2,…, n (4.43)
aii  j =1 j = i +1 

82
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

 1
 x1
( k + 1)
=
a11
{b1 − a12 . x (2 k ) − ⋯ − a1 n . x n( k ) }

 ( k +1) 1
 x2 = {
b2 − a 21 . x 1( k +1) − ⋯ − a 2 n . x n( k ) }
 a 22
 ⋮ ⋮ ⋮ ⋮

 ( k +1) 1
x
 n =
a nn
{ bn − a n 1 . x 1( k +1) − ⋯ − a n −1 n . x n( k−1+1) }

O algoritmo apresentado na seção anterior pode ser utilizado fazendo a


troca da Eq. (4.41) pela Eq. (4.43). Conforme descrito no algoritmo apresentado
na seção 4.3.1, o procedimento iterativo é continuado até que o critério:

M ik +1 − M ik
< ε , i = 2, 3,…, N − 1, M ik ≠ 0 (4.44)
M ik

seja satisfeito.

Exemplo:De acordo com Gauss Seidel,considerando o mesmo exemplo temos


que:

 ( k +1) 1
 x 1 = . (1 + x 2( k ) )
2

 x ( k + 1) = 1 ( 3 + x1( k +1) )
 2 2

Tomando uma solução inicial arbitrária x1=0 e x2=0, teremos a seguinte


tabela de resultados:

Tabela 2 – Representação do processo iterativo usando método de Gauss-Seidel

K x1 x2 E(x1) E(x2)
0 0 0
1 0,5 1,75 0,5 1,75
2 1,375 2,1875 0,875 0,4375
3 1,59375 2,296875 0,21875 0,109375
4 1,648438 2,324219 0,054688 0,027344
5 1,662109 2,331055 0,013672 0,006836
6 1,665527 2,332764 0,003418 0,001709

83
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Exemplo: Resolva o seguinte sistema linear usando o Método de Gauss-Seidel.


3 x1 − 0,1x 2 − 0,2 x3 = 7,85

0,1x1 + 7 x 2 − 0,3x 3 = −19,3
0,3 x − 0,2 x + 10 x = 71,4
 1 2 3

Estudo da convergência do método de Gauss-Seidel

Voltando à Eq. (4.40) que descreve de forma genérica o método de


Gauss-Seidel, este converge com o uso de qualquer estimativa inicial x 0 quando
ocorre a dominância da diagonal, i.e.

n
aii ≥ ∑ aij , i = 1, 2, …, n (4.45)
j =1
j ≠i

e para pelo menos uma linha

n
aii > ∑ aij (4.46)
j =1
j ≠i

Esta é uma condição suficiente e não uma condição necessária,


implicando, portanto, no fato de que convergência pode ser observada mesmo
que não se tenha a dominância da diagonal.

4.3.3 – Método das


Sobre-Relaxações
Sucessivas (SOR:
Successive Over
Relaxation)

A técnica de sobre-relaxação pode ser usada na tentativa de acelerar


qualquer método iterativo. Conforme representado na Fig. 4.1, o atirador tem
uma chance maior de acertar um alvo em movimento se tentar antecipar a
trajetória do mesmo, atirando, portanto, um pouco à frente da posição observada
no momento do disparo.

84
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

Lançador

Atirador

Figura 4.1 – Um atirador aumenta as chances de acertar o alvo se levar em consideração a


trajetória do mesmo.

Vamos aplicar esta técnica à solução de um sistema de equações algébricas


lineares com o método de Gauss-Seidel. Ao final de cada iteração do método de
Gauss-Seidel é feita uma correção da estimativa obtida buscando uma aceleração
da convergência do método.
A correção é feita usando

+1
xikSOR = ω xikGS+1 + (1 − ω )xikSOR (4.47)

onde ω > 0 é o parâmetro de relaxação.


Para que ocorra convergência, ω tem que ser menor que 2. Para
1 < ω < 2 tem-se uma sobre-relaxação e para 0 < ω < 1 tem-se uma sub-relaxação.
Com ω = 1 volta-se ao método de Gauss-Seidel.
Em alguns casos é possível obter analiticamente o valor de ω ótimo,
ωopt , para o qual o número de iterações é mínimo. No entanto, na maioria das
vezes é feita uma busca de uma aproximação para ωopt empregando
experimentação numérica. O valor obtido pode então ser aplicado em outros
problemas semelhantes.

4.4 - Exercícios

4.4.2 – Uma fábrica de tintas pretende utilizar as sobras de tinta de 4 diferentes


tonalidades de tinta verde para criar uma tonalidade de verde mais popular. Uma
unidade de medida ( u .m . ) da nova tinta será composta por, x1 u .m . de tinta
tipo 1, x 2 u .m . de tinta tipo 2, x 3 u .m . de tinta tipo 3 e x 4 u .m . de tinta tipo
4. Cada u .m . de tinta nova é composta por 4 pigmentos que estão relacionados
pelo seguinte sistema de equações lineares:

85
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

80 x1 + 30 x 3 + 10 x 4 = 40
 80 x 2 + 10 x3 + 10 x 4 = 27


16 x1 + 20 x 2 + 60 x 3 + 72 x 4 = 31
4 x1 + 8x4 = 2

Os coeficientes da matriz representam a porcentagem de pigmento em cada uma


das 4 diferentes tonalidades de tinta verde, por exemplo, a tinta com a nova
tonalidade deverá conter 31% de pigmento 3, sabendo que a tinta tipo 1 contém
16%, a tinta tipo 2 20%, a tinta tipo 3 60% e a tinta tipo 4 contém 72% do
mesmo pigmento.

a) Analisando apenas as condições suficientes de convergência, verifique se o


método de Gauss-Seidel converge, quando aplicado a este sistema.
b) Resolva o sistema de equações usando o método iterativo de Gauss-Seidel,
utilizando para aproximação inicial o ponto (0 ,5;0 , 2 ;0 , 2 ;0 ) e utilizando com
T

critério de parada ε = 0.25 ou n máx = 2 .

4.4.3 – Resolva os sistemas usando (i) o método de eliminação de Gauss


(escalonamento); (ii) método de Gauss-Jacobi; (iii) método de Gauss-Seidel.
Para os casos (i) e (ii) a precisão deve ser inferior a 0,02.

a)
3x1 + 2x2 + 4x3 = 1
x1 + x2 + 2x3 = 2
4x1 + 3x2 – 2x3 = 3

b)
3x1 – 4x2 + x3 = 9
x1 + 2x2 + 2x3 = 3
4x1– 3x3 = -2

c)
10x1 + 2x2 + x3 = 7
x1 + 5x2 + x3 = -8
2x1 + 3x2 + 10x3 = 6.

d)
5x1 + x2 + x3 = 5
3x1 + 4x2 + x3 = 6
3x1+ 3x2 + 6x3 = 0.

e)
x1 + x2 = 3
x1 – 3x2 = -3.

f)
2x1 + 2x2 + x3 + x4 = 7
x1 – x2 + 2x3 – x4 = 1
3x1 + 2x2 – 3x3 – 2x4 = 4

86
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

4x1 + 3x2 + 2x3 + x4 = 12.

g) Programe os métodos de eliminação gaussiana, Algoritmo de Gauss-Seidel e


Gauss-Jacobi e então verifique se as respostas que encontrou nas questões acima
estão corretas.

4.4.4 – Resolva o Sistema linear tipo banda triangular usando o algoritmo de


Thomas,

4.4.5 – Implemente na linguagem de programação que preferir o algoritmo de


Thomas e use-o para encontrar a Solução do sistema de banda tridiagonal a
seguir:

4.4.6 – Um engenheiro de Produção supervisiona a produção de quatro tipos de


computadores. Existem quatro espécies de recursos necessários à produção:
mão-de-obra, metais, plásticos e componentes eletrônicos. As quantidades destes
recursos, necessárias para produzir cada computador são:

Considere um consumo diário de 504 h de mão-de-obra, 1970 Kg de metais, 970


Kg de plásticos e 601 componentes.

a) Use um método direto e estável para calcular o número de computadores


(número inteiro) de cada tipo produzidos por dia.
b) Use o método iterativo de Gauss-Seidel, tomando como aproximação inicial
x(1) =(9, 10, 12, 10). Apresente apenas os cálculos relativos às duas primeiras
iterações, indicando uma estimativa do erro relativo.

87
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

c) Comente os resultados obtidos, analisando as condições suficientes de


convergência.

4.4.7 – Considere a figura representando um sistema de 4 molas ligadas em série


sujeito a uma força F de 2000 Kg. Em uma situação de equilíbrio, as equações
força-balanço deduzidas definem inter-relações entre as molas:

em que k1 = 150, k2 = 50, k3 = 75 e k4 = 225 são as constantes das molas


(kg/s2).
a) Perceba na figura acima que entre as molas existem chapas metálicas onde
estas se apoiam. Cada uma das chapas inicialmente está na posição sob a
posição x1 , x 2 , x 3 e x 4 respectivamente. Determine usando o algoritmo de
Thomas o deslocamento resultante de cada uma das chapas em relação a
posição inicial.

4.4.8 – Para cada um dos sistemas lineares a seguir, analise a existência ou não
de solução, bem como a unicidade da solução. Se o sistema for possível e
determinado, aplique um dos métodos de solução de sistemas lineares estudados
neste capítulo para resolvê-lo.

88
SOLUÇÃO NUMÉRICA DE SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES
UNIVERSIDADE FEDERAL DO PAMPA

89