Sistemas Lineares e Inversão de Matrizes
Sistemas Lineares e Inversão de Matrizes
Sistemas Lineares e Inversão de Matrizes
Douglas Rodrigues
1
Sistemas Lineares e Inversão de Matrizes
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = bm
2
Sistemas Lineares e Inversão de Matrizes
4
Sistemas Lineares e Inversão de Matrizes
5
Sistemas Lineares e Inversão de Matrizes
6
Sistemas Lineares e Inversão de Matrizes
7
Sistemas Lineares e Inversão de Matrizes
Definições
8
Sistemas Lineares e Inversão de Matrizes
9
Sistemas Lineares e Inversão de Matrizes
10
Sistemas Lineares e Inversão de Matrizes
11
Sistemas Lineares e Inversão de Matrizes
12
Sistemas Lineares e Inversão de Matrizes
Observações
13
Sistemas Lineares e Inversão de Matrizes
14
Sistemas Lineares e Inversão de Matrizes
Exemplo: Considere
(
x1 + x2 = 2
P:
x1 − x2 = 0
Na forma matricial,
! !
1 1 2 ′ 1 1 2
P= P = → matriz triangular superior.
1 −1 0 0 −2 −2
15
Sistemas Lineares e Inversão de Matrizes
16
Sistemas Triangulares
Sistemas Triangulares
17
Sistema Triangular Inferior
a11 x1 = b1
a21 x1 + a22 x2
= b2
.. .
. = ..
an1 x1 + an2 x2 + · · · + ann xn = bn
18
Sistema Triangular Inferior
Pi−1
bi − j=1 aij xj
xi = , i = 1, 2, . . . , n.
aii
19
Sistema Triangular Inferior
1 0 0 y1 9
0 1 0 y2 = 1
1 1
2 2 1 y3 7
20
Sistema Triangular Inferior
y1 = 9
y2 = 1
1 1
y1 + y2 + y3 = 7 ⇒ y3 = 2
2 2
Portanto,
9
y ∗ = 1
2
21
Sistema Triangular Superior
a11 x1 + a12 x2 + . . . + a1n xn = b1
a22 x2 + . . . + a2n xn
= b2
.. .
. = ..
ann xn = bn
22
Sistema Triangular Superior
Pn
bi − j=i+1 aij xj
xi = , i = n − 1, . . . , 1.
aii
23
Sistema Triangular Superior
2 1 3 x1 9
0 −1 1 x2 = 1
0 0 1 x3 2
24
Sistema Triangular Superior
x3 = 2
−x2 + x3 = 1 ⇒ x2 = 1
2x1 + x2 + 3x3 = 9 ⇒ x1 = 1
Portanto,
1
y ∗ = 1
2
25
Métodos Diretos
Método de Gauss Jordan
26
Método de Gauss Jordan
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = bm
27
Método de Gauss Jordan
em que
(1)
aij = aij ,
(1)
bi = bi ,
em que i, j = 1, 2, . . . , n.
28
Método de Gauss Jordan
Passo 1:
(1)
Por hipótese tem-se que a11 ̸= 0, pois det(A(1) ) ̸= 0.
Eliminar a incógnita x1 da 2a , 3a , . . ., na equações (isto é, zerar os
elementos da primeira coluna abaixo da diagonal principal). Isso é
feito da seguinte forma:
(1)
a21
Subtrair da 2a equação a 1a equação multiplicada por m21 = (1) .
a11
(1)
a31
Subtrair da 3a equação a 1a equação multiplicada por m31 = (1) .
a11
(1)
an1
Subtrair da na equação a 1a equação multiplicada por mn1 = (1) .
a11
29
Método de Gauss Jordan
30
Método de Gauss Jordan
em que,
(1)
ai1
mi1 = (1)
, i = 2, 3, . . . , n
a11
31
Método de Gauss Jordan
Passo 2:
(2)
Por hipótese tem-se que a22 ̸= 0, pois det(A(2) ) ̸= 0.
Eliminar a incógnita x2 da 1a , 3a , 4a , . . ., na equações (isto é, zerar
os elementos da segunda coluna acima e abaixo da diagonal
principal). Para isso:
(2)
a12
Subtrair da 1a equação a 2a equação multiplicada por m12 = (2) .
a22
(2)
a32
Subtrair da 3a equação a 2a equação multiplicada por m32 = (2) .
a22
(2)
a42
Subtrair da 4a equação a 2a equação multiplicada por m42 = (2) .
a22
(2)
an2
Subtrair da na equação a 2a equação multiplicada por mn2 = (2) .
a22
32
Método de Gauss Jordan
(1) (3) (3) (3)
a11 0 a13 ··· a1n b1
(2) (2) (2) (2)
0 a22 a23 ··· a2n b2
(3) (3) (3)
A(3) =
0 0 a33 ··· a3n b3
.. .. .. .. ..
. . . . .
(3) (3) (3)
0 0 an3 ··· ann bn
33
Método de Gauss Jordan
em que,
(2)
ai2
mi2 = (2)
, i = 3, 4, . . . , n
a22
34
Método de Gauss Jordan
(1) (n+1)
a11 0 0 ··· 0 b1
(2) (n+1)
0 a22 0 ··· 0 b2
(3) (n+1)
A(3) =
0 0 a33 ··· 0 b3
.. .. .. .. ..
. . . . .
(n) (n+1)
0 0 0 ··· ann bn
35
Método de Gauss Jordan
com
(n)
ain
min = (n)
ann
(n+1) (n)
bi = bi − min bn(n) , i = 1, . . . , n − 1
36
Método de Gauss Jordan
37
Método da Decomposição LU
38
Método da Decomposição LU
Teorema:
39
Método da Decomposição LU
Observação: As
submatrizes
correspondentes aos menores principais
2 4 −1
da matriz A = 8 1 0 são obtidas como segue:
3 1 5
40
Processo de Decomposição da Matriz A em LU
41
Processo de Decomposição da Matriz A em LU
2a linha de U:
2a coluna de L:
a32 −l31 u12
a32 = l31 u12 + l32 u22 ⇒ l32 = u22
a42 −l41 u12
a42 = l41 u12 + l42 u22 ⇒ l42 = u22
..
.
an2 −ln1 u12
an2 = ln1 u12 + ln2 u22 ⇒ ln2 = u22
43
Processo de Decomposição da Matriz A em LU
44
Aplicação da Decomposição LU na resolução de Sistemas Line-
ares
L(Ux) = b
Ly = b
Ux = y
45
Aplicação da Decomposição LU na resolução de Sistemas Line-
ares
Observações:
46
Método de Gauss Compacto
47
Construção do método
a11 x1 a12 x2 ··· a1n xn b1
a21 x1 a22 x2 ··· a2n xn b2
.. .. .. .. ..
. . . . .
an1 x1 an2 x2 ··· ann xn bn
em que ain+1 = bi , i = 1, 2, . . . , n.
48
Método de Gauss Compacto
u11 u12 ··· u1n u1,n+1
l21 u22 ··· u2n u2,n+1
.. .. .. ..
. . . .
ln1 ln2 ··· lnn un,n+1
49
Método de Gauss Compacto
50
Método de Gauss Compacto
51
Sistemas Associados
52
Método de Cholesky
53
Método de Cholesky
··· ···
a11 a12 a1n
l11
l11 l12 l1n
a21 a22 ··· a2n l21 l22 l22 ··· l2n
=
. . .. . . . .. .. .
. . . . . . .
. .
. . . . . .
an1 an2 ··· ann ln1 ln2 ··· lnn lnn
54
Método de Cholesky
2
a11 = l11
2 2
a22 = l21
+ l22
..
.
2 2 2
ann = ln1 + ln2 + · · · + lnn
55
Método de Cholesky
l11 = √a11
q
lii = aii − Pi−1 l 2 , i = 1, 2, . . . , n.
k=1 ik
56
Método de Cholesky
a21 = l21 l11
a32 = l31 l11
ai1
1a coluna . ⇒ li1 = , i = 1, 2, . . . , n
.. l11
an1 = ln1 l11
a32 = l31 l21 + l32 l22
(
a42 = l41 l21 + l42 l22
Pj−1
aij − k=1 lik ljk
2a coluna . ⇒ lij = , i = 2, 3, . . . , n
.. ljj
an2 = ln1 l21 + ln2 l22
57
Método de Cholesky
aj+1,j = lj+1,1 lj1 + lj+1,2 lj2 + · · · + lj+1,j ljj
aj+2,j = lj+2,1 lj1 + lj+2,2 lj2 + · · · + lj+2,j ljj
j-ésima coluna .
..
an,j = ln1 lj1 + ln2 lj2 + · · · + lnj ljj
58
Método de Cholesky
Ax = b (
T
Ly = b
(LL )x = b ⇒
T
LT x = y
L(L x) = b
59
Método de Cholesky
Observações:
60
Cálculo da Matriz Inversa
Cálculo da Matriz Inversa
AB = BA = I ( I é a matriz identidade)
AA−1 = A−1 A = I
61
Cálculo da Matriz Inversa
Dessa forma,
62
Cálculo da Matriz Inversa
a11 a12 ··· a1n b11 1
a21 a22 ··· a2n b21 0
. = . ⇒ Primeira coluna de A−1
.. .. .. .. . .
. . . . . .
an1 an2 ··· ann bn1 0
a11 a12 ··· a1n b12 0
a21 a22 ··· a2n b22 1
. = . ⇒ Segunda coluna de A−1
.. .. .. .. . .
. . . . . .
an1 an2 ··· ann bn2 0
a11 a12 ··· a1n b1n 0
a21 a22 ··· a2n 2n 0
b
. = . ⇒ n-ésima coluna de A−1
.. .. .. .. . .
. . . . . .
an1 an2 ··· ann bnn 1 63
Cálculo da Matriz Inversa
. . .
Resumidamente, seja A−1 = [b1 ..b2 .. · · · ..bn ] a matriz inversa de A, tal que
bj é a j-ésima coluna de A−1 para j = 1, 2, . . . , n. Além disso, considere
. . .
e a j-ésima coluna da matriz identidade I , ou seja, I = [e ..e .. · · · ..e ],
j n×n 1 2 n
tal que
0
.
..
ej = 1 → j-ésima linha de e.
.
.
.
0
64
Cálculo da Matriz Inversa
. . . . . .
A[b1 ..b2 .. · · · ..bn ] = [e1 ..e2 .. · · · ..en ]
65
Cálculo da Matriz Inversa
66
Cálculo da Matriz Inversa
Método de Decomposição LU
(
Lyj = ej
j = 1, 2, . . . , n
Ubj = yj
67
Cálculo da Matriz Inversa
68
Cálculo da Matriz Inversa
(LLT )bj = ej , j = 1, 2, . . . , n
Resolve-se o sistema:
(
Lyj = ej
j = 1, 2, . . . , n
LT bj = yj
69
Métodos Iterativos
Métodos Iterativos
70
Norma de Vetores
71
Norma de Vetores
72
Métodos Iterativos
73
Método de Jacobi-Richardson (Jacobi)
.. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = bm
74
Método de Jacobi-Richardson (Jacobi)
(k)
b1 −a12 x2 −···−a1n xn(k)
(k+1)
x1
= a11
(k)
b2 −a21 x1 −···−a2n xn(k)
(k+1)
x =
2 a22
···
(k) (k)
(k+1)
bn −an1 x1 −···−ann−1 xn−1
xn = ann
75
Método de Jacobi-Richardson (Jacobi)
Critério de Convergência
O Método de Jacobi converge quando um dos critérios abaixo é
satisfeito:
76
Método de Jacobi-Richardson (Jacobi)
∥x (k+1) − x (k) ∥∞
<ϵ
∥x (k+1) ∥∞
77
Método de Jacobi-Richardson (Jacobi)
Observações:
78
Método de Gauss-Seidel
(k+1) (k+1)
Observe que quando se calcula x2 o valor de x1 já é conhecido e,
(k+1) (k+1) (k+1)
quando se calcula x3 já se sabe x2 e x1 .
79
Método de Gauss-Seidel
(k+1) (k)
Como x1 é uma melhor aproximação de x1 que x1 , pode-se utilizá-lo
(k+1) (k+1) (k+1)
no cálculo de x2 , assim como pode-se utilizar x2 e x1 no
(k+1)
cálculo de x3 .
Assim como no método de Jacobi, dado o sistema linear, o Método de
Gauss-Seidel consiste na determinação de uma sequência de aproximantes
(k) (k) (k)
de ı́ndice k, x1 , x2 , . . . , xn , com k = 1, 2, 3, . . ., a partir de valores
(0) (0) (0)
iniciais x1 , x2 , . . . , xn , com k = 1, 2, 3, . . ., através do processo
definido por:
(k) (k)
b1 −a12 x2 −a13 x3 −···−a1n xn(k)
(k+1)
x1
= a11
(k+1) (k)
b2 −a21 x1 −a23 x3 −···−a2n xn(k)
(k+1)
x =
2 a22
···
(k+1) (k+1) (k+1)
(k+1)
bn −an1 x1 −an2 x2 −···−ann−1 xn−1
xn = ann
80
Método de Gauss-Seidel
Critério de Convergência
O método de Gauss-Seidel converge quando um dos critérios é satisfeito:
81
Método de Gauss-Seidel
∥x (k+1) − x (k) ∥∞
<ϵ
∥x (k+1) ∥∞
82
Método de Gauss-Seidel
Observações:
83
Questions?
Thank you!