CÁLCULO NUMÉRICO

AULA 3

Prof.ª Fernanda Fonseca

 CONVERSA INICIAL

Nesta aula, estudaremos diferentes métodos para resolução de sistemas

de equações lineares e não lineares que permitem ainda estimar as soluções
segundo um critério de precisão previamente estabelecido. O uso de recursos
computacionais propicia a ampla aplicação dos métodos de resolução de
sistemas de equações na solução de problemas da engenharia, possibilitando
também o desenvolvimento de simuladores numéricos para processos
complexos de diversos setores da economia mundial.

TEMA 1 – SISTEMAS DE EQUAÇÕES

Sistemas de equações são constituídos por um conjunto de equações que

possuem a mesma solução (Jarletti, 2018). Esses sistemas podem ser lineares
ou não lineares, de acordo com as características das equações que os
compõem.
Um sistema linear é composto por equações que representam retas ou
planos, cuja solução indica o ponto de intersecção entre esses elementos. Veja
o caso da Figura 1, em que se tem três planos (plano α, plano β e plano γ) que
se interceptam no ponto A. As coordenadas desse ponto A compõem a solução
do sistema de equações lineares, composto pelas equações características de
cada um desses planos.

Figura 1 – Intersecção entre três planos

2
 No caso de sistemas de equações não lineares, as equações representam
superfícies curvas, esferas, cilíndricas, paraboloides, hiperboloides, entre outras.
Mas, da mesma forma que nos sistemas de equações lineares, a solução do
sistema de equações não lineares indica o ponto de intersecção entre esses
elementos. Veja o caso da Figura 2, em que se tem três superfícies não lineares
(superfície α, superfície β e superfície γ) que se interceptam no ponto A. As
coordenadas desse ponto A compõem a solução do sistema de equações não
lineares, composto pelas equações características de cada uma dessas
superfícies.

Figura 2 – Intersecção entre três superfícies não lineares

De forma geral, os sistemas de equações são utilizados em diversas áreas

da ciência e da engenharia.

1.1 Sistemas de equações lineares

Retas e planos podem ser representados por equações cujos expoentes

das variáveis envolvidas são iguais a 1. Veja que a equação 1 é uma equação
linear com 𝑛𝑛 variáveis.
𝑎𝑎1 𝑥𝑥1 + 𝑎𝑎2 𝑥𝑥2 + 𝑎𝑎3 𝑥𝑥3 + ⋯ + 𝑎𝑎𝑛𝑛 𝑥𝑥𝑛𝑛 = 𝑏𝑏 (1).
Um conjunto finito de equações lineares compõe um sistema de equações
lineares, cujas variáveis são denominadas incógnitas. A solução do sistema é
uma sequência de valores que, ao serem substituídos no lugar das respectivas

3
 incógnitas, tornam todas as equações do sistema verdadeiras (Anton; Busby,
2006). Veja, por exemplo, o sistema de equações lineares a seguir:
𝑥𝑥1 + 𝑥𝑥2 + 2𝑥𝑥3 = 9 1
�2𝑥𝑥1 + 4𝑥𝑥2 − 3𝑥𝑥3 = 1 ⇒ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆çã𝑜𝑜: 𝑋𝑋 = �2�.
3𝑥𝑥1 + 6𝑥𝑥2 − 5𝑥𝑥3 = 0 3
Substituindo os valores da solução nas equações que compõem o
sistema, veja que as operações são verdadeiras:
𝑥𝑥1 = 1
𝑥𝑥2 = 2;
𝑥𝑥3 = 3
(1) + (2) + 2(3) = 9
2(1) + 4(2) − 3(3) = 1.
3(1) + 6(2) − 5(3) = 0
Mas, para determinar a solução do sistema linear, precisamos adotar um
método de resolução. Veja que um sistema de equações lineares pode ser
representado em notação matricial 𝐴𝐴 ∙ 𝑋𝑋 = 𝐵𝐵, na qual a matriz A é formada pelos
coeficientes das variáveis, a matriz X representa o vetor cujas variáveis são as
componentes e a matriz B representa o vetor composto pelos termos
independentes (as constantes):
𝑎𝑎11 𝑥𝑥1 + 𝑎𝑎12 𝑥𝑥2 + 𝑎𝑎13 𝑥𝑥3 = 𝑏𝑏1 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑥𝑥1 𝑏𝑏1
�𝑎𝑎21 𝑥𝑥1 + 𝑎𝑎22 𝑥𝑥2 + 𝑎𝑎23 𝑥𝑥3 = 𝑏𝑏2 ⇒ �𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � �𝑥𝑥2 � = �𝑏𝑏2 � (2).
𝑎𝑎31 𝑥𝑥1 + 𝑎𝑎32 𝑥𝑥2 + 𝑎𝑎33 𝑥𝑥3 = 𝑏𝑏3 𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑥𝑥3 𝑏𝑏3
Sistemas podem ser originados de dados experimentais, que acabam
carregando imprecisões de medição. Nesses casos, é necessário verificar se
esses pequenos desvios acarretam grandes erros na solução do sistema. Veja
o caso dos dois sistemas a seguir, como exemplos:
5,00𝑥𝑥1 + 3,00𝑥𝑥2 = 15 0
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝐼𝐼: � ⇒ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆çã𝑜𝑜 𝑋𝑋 = � �;
5,01𝑥𝑥1 + 3,00𝑥𝑥2 = 15 5
5,00𝑥𝑥1 + 3,00𝑥𝑥2 = 15 3
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝐼𝐼𝐼𝐼: � ⇒ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆çã𝑜𝑜 𝑋𝑋 = � �.
5,00𝑥𝑥1 + 3,01𝑥𝑥2 = 15 2
Há uma pequena variação nos coeficientes determinados com base em
dados experimentais, mas que geram um enorme erro no valor da solução do
sistema. Esses sistemas são ditos malcondicionados. Segundo Jarletti (2018),
para verificarmos se um sistema de equações é malcondicionado, devemos
verificar o valor do determinante normalizado da matriz de coeficientes do
sistema (equação 3). Se o resultado desse determinando for muito menor que 1,
trata-se de um sistema malcondicionado:
det 𝐴𝐴
det(𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 𝐴𝐴) = (3),
𝛼𝛼1 ∙𝛼𝛼2 ∙𝛼𝛼3 ∙…∙𝛼𝛼𝑛𝑛

4
 em que 𝛼𝛼𝑖𝑖 = �(𝑎𝑎𝑖𝑖1 )2 + (𝑎𝑎𝑖𝑖2 )2 + ⋯ + (𝑎𝑎𝑖𝑖𝑖𝑖 )2 para valores de 𝑖𝑖 = 1, 2, 3, … , 𝑛𝑛.
No caso dos sistemas em análise, veja o sistema I.
5,00𝑥𝑥1 + 3,00𝑥𝑥2 = 15
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝐼𝐼: �
5,01𝑥𝑥1 + 3,00𝑥𝑥2 = 15

(5, 00) + (3, 00 )

2 2
=α1 = 5, 830952

(5, 01) + (3, 00 )

2 2
=α2 = 5, 839529

5, 00 3, 00
det A =   = −0, 03
5, 01 3, 00
Logo,
−0, 03
det (NormA ) =
(5, 830952) (5, 839529)
det (NormA ) = −0, 000881

Mesmo em módulo, 0,000881 << 1, o que já prevê que esse sistema de

equações é malcondicionado. Veja que o sistema II cai em uma condição
parecida. Para o sistema II, o determinante normalizado da matriz 𝐴𝐴 é
0,001469 << 1, o que já prevê que esse sistema de equações também é
malcondicionado.

TEMA 2 – MÉTODOS DIRETOS

Para a resolução de um sistema de equações lineares, de acordo com

Jarletti (2018), os métodos diretos atuam sobre as matrizes permitindo a
determinação da solução do sistema com implementação de um número finito
de passos previamente conhecidos.

2.1 Regra de Cramer

A regra de Cramer permite determinar o valor das incógnitas pela razão

entre o determinando de uma matriz 𝐴𝐴𝑖𝑖 – dada pela matriz dos coeficientes com
os valores da coluna i substituídos pelos elementos da matriz 𝐵𝐵 – e o
determinante da matriz 𝐴𝐴 dos coeficientes das variáveis das equações do
sistema. Nesse caso, a aplicação da regra de Cramer para resolução de
sistemas de equações lineares deve satisfazer algumas condições (Anton;
Busby, 2006):

5
 • O determinante da matriz 𝐴𝐴 dos coeficientes deve ser diferente de zero
para que haja apenas uma única solução.
• A matriz 𝐴𝐴 dos coeficientes deve ser uma matriz quadrada.

No caso do sistema representado em notação matricial pela equação 2,

teremos a regra de Cramer dada por
𝑏𝑏1 𝑎𝑎12 𝑎𝑎13
�𝑏𝑏2 𝑎𝑎22 𝑎𝑎23 �
det 𝐴𝐴1 𝑏𝑏3 𝑎𝑎32 𝑎𝑎33
𝑥𝑥1 =
det 𝐴𝐴
= 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 ;
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33
𝑎𝑎11 𝑏𝑏1 𝑎𝑎13
�𝑎𝑎21 𝑏𝑏2 𝑎𝑎23 �
det 𝐴𝐴2 𝑎𝑎31 𝑏𝑏3 𝑎𝑎33
𝑥𝑥2 =
det 𝐴𝐴
= 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 ;
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33
𝑎𝑎11 𝑎𝑎12 𝑏𝑏1
�𝑎𝑎21 𝑎𝑎22 𝑏𝑏2 �
det 𝐴𝐴3 𝑎𝑎31 𝑎𝑎32 𝑏𝑏3
𝑥𝑥3 =
det 𝐴𝐴
= 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 .
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 �
𝑎𝑎31 𝑎𝑎32 𝑎𝑎33

De forma mais geral, podemos definir que, pela regra de Cramer, as

incógnitas são determinadas pela equação 4, cujo número de operações para
um sistema com n equações é da ordem 𝑛𝑛!, ou seja, n fatorial. Por esse motivo,
segundo Jarletti (2018), esse método é indicado apenas para sistemas com
poucas equações e incógnitas.
det 𝐴𝐴𝑖𝑖
𝑥𝑥𝑖𝑖 = (4)
det 𝐴𝐴
Exemplo 1: utilizando a regra de Cramer, qual é a solução para o
seguinte sistema de equações lineares?
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
�𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9
Resolução: reescrevemos o sistema linear em notação matricial,
conforme a equação 2.
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 1 1 1 𝑥𝑥1 1
�𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4 ⇒ �1 2 �
4 2�𝑥𝑥 � = �4�
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 1 3 9 3 𝑥𝑥 9
Nessa notação, a matriz 𝐴𝐴 dos coeficientes das variáveis das equações é
dada por
1 1 1
𝐴𝐴 = �1 2 4�.
1 3 9
E a matriz 𝐵𝐵 das constantes das equações é dada por
6
 1
𝐵𝐵 = �4�.
9
Calculando o determinando da matriz 𝐴𝐴, tem-se
1 1 1
det 𝐴𝐴 = �1 2 4� = 2.
1 3 9
Determinam-se as matrizes 𝐴𝐴𝑖𝑖 , substituindo a coluna 𝑖𝑖 pelos elementos
da matriz 𝐵𝐵, para 𝑖𝑖 = 1, 2, 3.
1 1 1 1 1 1 1 1 1
𝐴𝐴1 = �4 2 4� 𝐴𝐴2 = �1 4 4� 𝐴𝐴3 = �1 2 4�
9 3 9 1 9 9 1 3 9
Calculando o determinando das matrizes 𝐴𝐴𝑖𝑖 , tem-se:
1 1 1
det 𝐴𝐴1 = �4 2 4� = 0;
9 3 9
1 1 1
det 𝐴𝐴2 = �1 4 4� = 0;
1 9 9
1 1 1
det 𝐴𝐴3 = �1 2 4� = 2.
1 3 9
Nesse caso, as incógnitas podem ser determinadas pela equação 4:
det 𝐴𝐴1 0
𝑥𝑥1 = = = 0;
det 𝐴𝐴 2
det 𝐴𝐴2 0
𝑥𝑥2 = = = 0;
det 𝐴𝐴 2
det 𝐴𝐴3 2
𝑥𝑥3 = = = 1.
det 𝐴𝐴 2
0
Logo, a solução do sistema de equações lineares é dada por 𝑋𝑋 = �0�.
1

2.2 Eliminação de Gauss

Esse método consiste em operações com a matriz aumentada [𝐴𝐴|𝐵𝐵] –

matriz 𝐴𝐴 dos coeficientes, que inclui uma coluna a mais, com os elementos da
matriz 𝐵𝐵 das constantes –, de maneira que possamos reduzir a matriz A dos
coeficientes a uma matriz triangular superior. Uma matriz triangular superior é
uma matriz que possui elementos não nulos (diferentes de zero) somente na
diagonal principal e acima dela.

7
 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 [𝐴𝐴|𝐵𝐵]
𝑎𝑎11 𝑥𝑥1 + 𝑎𝑎12 𝑥𝑥2 + 𝑎𝑎13 𝑥𝑥3 = 𝑏𝑏1
𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑏𝑏1
� 21 𝑥𝑥1 + 𝑎𝑎22 𝑥𝑥2 + 𝑎𝑎23 𝑥𝑥3 = 𝑏𝑏2 ⇒
𝑎𝑎
�𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 � 𝑏𝑏2 �
𝑎𝑎31 𝑥𝑥1 + 𝑎𝑎32 𝑥𝑥2 + 𝑎𝑎33 𝑥𝑥3 = 𝑏𝑏3 𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 𝑏𝑏3
É permitida a realização das seguintes operações elementares com as
linhas da matriz aumentada (Anton; Busby, 2006; Jarletti, 2018):

• multiplicar toda uma linha por uma constante não nula;

• trocar duas linhas de posição;
• somar um múltiplo de uma linha a uma outra linha da matriz.

Esse método permite reescrever a matriz aumentada de maneira que

todos os elementos abaixo da diagonal principal da matriz A dos coeficientes
sejam nulos. Nesse caso, buscaremos reescrever a matriz de acordo com as
seguintes propriedades (Anton; Busby, 2006):

• O primeiro elemento não nulo da linha deve ser 1, e é chamado pivô.

• Se existem linhas cujos elementos são todos nulos, aquelas devem ser
agrupadas na base da matriz.
• O pivô da linha inferior deve sempre ficar mais à direita do que o pivô da
linha superior.
• Cada coluna que contém um pivô tem zeros nos elementos abaixo dele.

Quando a matriz é então reescrita no formato reduzido, é possível

determinar o valor das incógnitas convertendo novamente o sistema ao formato
de equações, resolvendo da última para a primeira.
Exemplo 2: utilizando o método do escalonamento de Gauss, qual é a
solução para este sistema de equações lineares?
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
�𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9
Resolução: reescrevendo o sistema linear como uma matriz aumentada:
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 1 1 1 1
�𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4 ⇒ �1 2 4� 4�.
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 1 3 9 9
Aplicando as equações elementares nas linhas, buscaremos determinar
os pivôs e zerar os elementos subsequentes a esses pivôs. Veja que o primeiro
elemento não nulo da primeira linha é 1, já caracterizando um pivô.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 1 2 4� 4�
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 9 9
8
 Para zerar os elementos abaixo dele da segunda e terceira linhas,
faremos as seguintes operações com todos os elementos da linha:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3.
Dessa maneira, teremos
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 1 2 4� 4� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 0 1 3� 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 9 9 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 8 8
Veja que todos os elementos abaixo do pivô já são nulos. Nesse caso,
buscamos um novo pivô na linha abaixo. Como o primeiro elemento não nulo na
linha 2 é 1, este já caracteriza um pivô:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 8 8
Para zerar o elemento abaixo dele na terceira linha, faremos a seguinte
operação com todos os elementos da linha:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: (−2) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 8 8 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 2 2
Veja que todos os elementos abaixo do pivô já são nulos. Nesse caso,
buscamos um novo pivô na linha abaixo. Como o primeiro elemento não nulo na
linha 3 não é igual a 1, teremos de multiplicar essa linha por um número que o
1
transforme em 1. Nesse caso, multiplicaremos a linha por .
2
1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3;
2

𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 � 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 2 2 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1
Como não há elementos abaixo do novo pivô da linha 3 e todos os
elementos abaixo dos pivôs das outras linhas, 1 e 2, já são nulos, reescrevemos
novamente o sistema de equações.
1 1 1 1 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
�0 1 3� 3� ⇒ � 𝑥𝑥2 + 3𝑥𝑥3 = 3
0 0 1 1 𝑥𝑥3 = 1
Resolvendo o sistema com base nas equações (de baixo para cima), tem-
se
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒çã𝑜𝑜 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠: 𝑥𝑥3 = 1 ;

𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒çã𝑜𝑜 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠: 𝑥𝑥2 + 3𝑥𝑥3 = 3 ⇒ 𝑥𝑥2 + 3(1) = 3 ⇒ 𝑥𝑥2 = 0 ;

9
 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒çã𝑜𝑜 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠: 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 ⇒ 𝑥𝑥1 + (0) + (1) = 1 ⇒
𝑥𝑥1 = 0 .
0
Logo, a solução desse sistema de equações lineares é dada por 𝑋𝑋 = �0�.
1

2.3 Método de Gauss-Jordan

O método de Gauss-Jordan consiste na continuidade do método de

eliminação de Gauss visando zerar os elementos da matriz abaixo e acima do
pivô. Esse método permite reduzir a matriz 𝐴𝐴 dos coeficientes a uma matriz
identidade, possibilitando identificar os valores das incógnitas diretamente.
Entretanto, esse é um método que exige mais operações do que o método de
eliminação de Gauss, sendo cerca de 50% mais longo. Contudo, todo o processo
exige menos memória do computador para sua implementação (Jarletti, 2018).
Exemplo 3: utilizando o método de Gauss-Jordan, qual é a solução para
o sistema de equações lineares a seguir?
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
�𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9
Resolução: reescrevemos o sistema linear como uma matriz aumentada
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 1 1 1 1
𝑥𝑥
� 1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4 ⇒ �1 2 4� 4�.
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 1 3 9 9
Aplicando as equações elementares nas linhas, buscaremos determinar
os pivôs e zerar os elementos abaixo desses pivôs. Veja que o primeiro elemento
não nulo da primeira linha é 1, já caracterizando um pivô.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 1 2 4� 4�
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 9 9
Para zerar os elementos, abaixo dele, da segunda e da terceira linhas,
faremos as seguintes operações com todos os elementos da linha:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3.
Dessa maneira, teremos
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝑛𝑛ℎ𝑎𝑎 2: � 1 2 �
4 4 � ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 0 1 3� 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 9 9 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 8 8

10
 Veja que todos os elementos abaixo do pivô já são nulos. Nesse caso,
buscamos um novo pivô na linha abaixo. Como o primeiro elemento não nulo na
linha 2 é 1, este já caracteriza um pivô.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3�
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 8 8
Para zerar o elemento, abaixo dele, da terceira linha, faremos a seguinte
operação com todos os elementos da linha:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: (−2) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 8 8 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 2 2
Veja que todos os elementos abaixo do pivô já são nulos. Nesse caso,
buscamos um novo pivô na linha abaixo. Como o primeiro elemento não nulo na
linha 3 não é igual a 1, teremos de multiplicar essa linha por um número que o
1
transforme em 1. Nesse caso, multiplicaremos a linha por .
2
1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3;
2

𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3� 3� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 � 3�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 2 2 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1
Até esse ponto, o processo é exatamente igual ao método de
escalonamento de Gauss. Entretanto, como não há elementos abaixo do novo
pivô da linha 3 e todos os elementos abaixo dos pivôs das outras linhas, 1 e 2,
já são nulos, reiniciaremos o processo de operações elementares por linha
buscando zerar os elementos acima dos pivôs. Para zerar o elemento acima do
pivô da terceira linha, faremos a seguinte operação com todos os elementos das
linhas 1 e 2:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: (−3) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 � 3� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 0 � 0�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1
Veja que todos os elementos acima desse pivô já são nulos. Nesse caso,
retornamos ao pivô da linha acima (linha 2).
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 0� 0�
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1

11
 Para zerar o elemento acima do pivô da segunda linha, faremos a seguinte
operação com todos os elementos da linha 1:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 0 0 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 0 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 0� 0� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 0� 0�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 1
Vemos que os elementos acima e abaixo dos pivôs já são nulos. Em vista
disso, reescrevemos novamente o sistema de equações:
1 0 0 0 𝑥𝑥1 = 0
�0 1 0� 0� ⇒ �𝑥𝑥2 = 0.
0 0 1 1 𝑥𝑥3 = 1
0
Logo, a solução desse sistema de equações lineares é dada por 𝑋𝑋 = �0�.
1

2.4 Determinando a matriz inversa

Uma matriz 𝐴𝐴 quadrada que possui uma matriz 𝐴𝐴−1 para a qual o produto
matricial entre elas resulta em uma matriz identidade 𝐼𝐼 (equação 5) é dita
invertível. Nesse caso, a matriz 𝐴𝐴−1 é denominada matriz inversa da matriz 𝐴𝐴.
𝐴𝐴 ∙ 𝐴𝐴−1 = 𝐴𝐴−1 ∙ 𝐴𝐴 = 𝐼𝐼 (5)
Para determinar essa matriz inversa 𝐴𝐴−1 , podemos utilizar as operações
elementares com as linhas da matriz conjugada [𝐴𝐴|𝐼𝐼], convertendo essa relação
em uma nova matriz conjugada dada por [𝐼𝐼|𝐴𝐴−1 ].
Exemplo 4: determine a matriz inversa 𝐴𝐴−1 da matriz 𝐴𝐴 a seguir:
1 1 1
𝐴𝐴 = �1 −1 4�.
1 3 6
Resolução: reescrevemos a matriz A como uma conjugação [𝐴𝐴|𝐼𝐼]:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �1 −1 4� 0 1 0�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 6 0 0 1
Utilizando as operações elementares por linhas, buscaremos converter a
matriz 𝐴𝐴 em uma matriz identidade 𝐼𝐼, transformando, simultaneamente, a matriz
identidade inicial na matriz inversa 𝐴𝐴−1 . Veja que o primeiro elemento não nulo
da primeira linha é 1, caracterizando o pivô da linha 1.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 1 −1 4� 0 1 0�
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 6 0 0 1

12
 Para zerar os elementos abaixo daquele pivô, realizamos as seguintes
operações com todos os elementos das linhas 1 e 2:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3.
Dessa maneira, teremos
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 1 −1 4� 0 1 0� ⇒ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � 0 −2 3� −1 1 0�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 1 3 6 0 0 1 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 5 −1 0 1
Como todos os elementos abaixo do pivô da primeira linha já são nulos,
buscaremos um novo pivô na segunda linha.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 −2 3� −1 1 0�
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 5 −1 0 1
Veja que o primeiro elemento não nulo da segunda linha não é 1; por isso,
multiplicaremos a linha 2 por um número que transforme esse elemento em 1.
1
Nesse caso, multiplicaremos a linha 2 por − :
2
1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �− � ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2;
2

𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 −2 3� −1 1 0� ⇒
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 5 −1 0 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 1 1
− �2� �2 − �2 0�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 5 −1 0 1
Após a definição do pivô da segunda linha, utilizaremos as operações
elementares por linha para zerar os elementos abaixo desse novo pivô. Para
isso, realizaremos a seguinte operação com a linha 3:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: (−2) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3;
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 1 1
− �2� �2 − �2 0� ⇒
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 2 5 −1 0 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 1 1
− �2� �2 − �2 0�.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 8 −2 1 1
Para determinar o pivô da linha 3, como o primeiro elemento não nulo não
é 1, teremos de multiplicar a linha toda por um número que transforme esse
1
elemento em 1. Nesse caso, multiplicaremos a linha 3 por :
8
1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: � � ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3;
8

13
 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1 1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 3 1
− �2� �2 1
− �2 0� ⇒
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 8 −2 1 1
1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1
1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 − 3�2� �2 − �2 0 �.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 − 1�4 1�8 1�
8
Após a definição do pivô da terceira linha, utilizaremos as operações
elementares por linha para zerar os elementos acima desse novo pivô. Para isso,
realizaremos as seguintes operações com as linhas 1 e 2:
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1;
3
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: � � ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2.
2

Dessa maneira, teremos

1 0 0
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: 1 1 1
1 1
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: �0 1 − 3�2� �2 − �2 0 � ⇒
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: 0 0 1 − 1�4 1�8 1�8
5� − 1�8 − 1�8⎤
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: ⎡1 1 0 4
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: ⎢0 1 0 � 1�8 − 5�16 3�16 ⎥.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: ⎢0 0 1 ⎥
⎣ − 1�4 1�
8
1�
8 ⎦
Após todos os elementos sobre o pivô da terceira linha serem nulos,
retornamos ao pivô da segunda linha, para zerar o elemento acima dele.
5� − 1�8 − 1�8⎤
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: ⎡1 1 0 4
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: ⎢0 1 1
0� �8 − 5�16 3� ⎥
16 ⎥
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: ⎢0 0 1 − 1� 1� 1�
⎣ 4 8 8 ⎦
Para isso, utilizamos a operação elementar por linha na linha 1, dada por
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2 + 𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1;
5� − 1�8 − 1�8⎤
𝐿𝐿𝐿𝐿𝑛𝑛ℎ𝑎𝑎 1: ⎡1 1 0 4
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: ⎢0 1 0� 1�8 − 5�16 3�16 ⎥ ⇒
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: ⎢0 0 1 − 1� 1� 1�
⎥
⎣ 4 8 8 ⎦
9� 3� 5
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 1: ⎡1 0 0 8 16 − �16⎤
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 2: ⎢0 1 0� 1�8 − 5�16 3�16 ⎥.
𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑎𝑎 3: ⎢0 0 1 − 1� 1� 1�
⎥
⎣ 4 8 8 ⎦
Veja que não há mais elementos a serem zerados na matriz, tendo a
matriz 𝐴𝐴 sido transformada em uma matriz identidade 𝐼𝐼. Logo, a matriz inversa
𝐴𝐴−1 é dada por

14
 9� 3� − 5�16⎤
⎡1 0 0 8 16
[𝐼𝐼|𝐴𝐴 ] = ⎢0
−1
1 1
0� �8 5
− �16 3� ⎥ ⇒
⎢0 16 ⎥
0 1 − 1� 1� 1�
⎣ 4 8 8 ⎦
9 3� − 5�16⎤
⎡ �8 16
𝐴𝐴−1 = ⎢ 1�8 5
− �16 3� ⎥ .
⎢ 16 ⎥
1 1� 1�
⎣− �4 8 8 ⎦

2.5 Fatoração LU ou decomposição LU

O método da fatoração LU ou decomposição LU consiste na resolução de

um sistema de equações lineares escrito no seu formato matricial, fatorando-se
a matriz A dos coeficientes em duas matrizes triangulares, uma inferior (matriz
L, do inglês low, que significa baixo) e outra superior (matriz U, do inglês up, que
significa em cima), ambas de mesma dimensão 𝑛𝑛 × 𝑛𝑛 da matriz A, conforme a
equação 6.
𝐴𝐴 ∙ 𝑋𝑋 = 𝐵𝐵 ⇒ [𝐿𝐿 ∙ 𝑈𝑈] ∙ 𝑋𝑋 = 𝐵𝐵 (6)
Nesse método, exige-se a resolução de dois sistemas matriciais (equação
7) que surgem da equação 6, mas que são mais simples e mais fáceis que o
sistema original. Um deles é dado pela substituição do produto matricial 𝑈𝑈 ∙ 𝑋𝑋 =
𝑌𝑌, gerando uma nova matriz 𝑌𝑌. Essa matriz 𝑌𝑌, por sua vez, permite reduzir o
sistema a um produto matricial dado por 𝐿𝐿 ∙ 𝑌𝑌 = 𝐵𝐵, que possibilita a determinação
da solução do sistema linear original.
𝐿𝐿 ∙ 𝑌𝑌 = 𝐵𝐵
� (7)
𝑈𝑈 ∙ 𝑋𝑋 = 𝑌𝑌
A composição da matriz U é dada por escalonamento de Gauss, já a
matriz L é dada pelos fatores que multiplicam a linha do pivô em cada etapa:

• adota-se o inverso do multiplicador da linha para criação do pivô;

• adota-se o valor oposto dos multiplicadores da linha do pivô quando se
busca anular os elementos abaixo do pivô.

Para compreender melhor isso, veja os exemplos.

Exemplo 5: utilizando a fatoração LU, qual é a solução para o sistema
de equações lineares a seguir?
𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
�𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9

15
 Resolução: primeiramente, escreve-se o sistema de equações no
formato matricial 𝐴𝐴 ∙ 𝑋𝑋 = 𝐵𝐵:
1 1 1   x1  1 
    
1 2 4 x2  = 4 ,
1 3 9   x3  9 

em que
1 1 1 
 
A = 1 2 4
1 3 9 
 x1 
 
X =  x2  .
 x3 
1 
 
B = 4
9 

O método consiste em fatorar a matriz A em um produto de matrizes L e

U:
𝐿𝐿𝐿𝐿 ∙ 𝑋𝑋 = 𝐵𝐵,
em que 𝑈𝑈 ∙ 𝑋𝑋 = 𝑌𝑌 e 𝐿𝐿 ∙ 𝑌𝑌 = 𝐵𝐵. Vamos iniciar então o processo de fatoração da
matriz A para determinar as matrizes L e U. A matriz U é determinada pelo
escalonamento de Gauss.
Matriz A ⇒ Matriz U Matriz L
Linha 1: 1 1 1  Linha 1: ? 0 0
   
Linha 2: 1 2 4 Linha 2: ? ? 0
Linha 3: 1 3 9  Linha 3: ? ? ? 

Para determinar o pivô da linha 1, devemos proceder da seguinte forma:

Na Matriz A a Linha 1=1 ⋅ Linha 1 ⇒ Matriz L recebe o inverso de 1

Matriz A ⇒ Matriz U Matriz L

1 
Linha 1:  1 1 1 Linha 1:  1 0 0
pivô

 
Linha 2:  1 2 4 Linha 2:  ? ? 0
   
Linha 3:  1 3 9 Linha 3:  ? ? ? 
   
Depois, zeramos os elementos abaixo do pivô:

16
 Linha 2= - 1 ⋅ Linha 1+Linha 2
⇒ Matriz L recebe o oposto dos multiplicadores
Linha 3=-1 ⋅ Linha 1+Linha 3

Matriz A ⇒ Matriz U Matriz L

Linha 1:  1 1 1
pivô
Linha 1:  1 0 0
   
Linha 2:  0 1 3 Linha 2:  +1 ? 0
 
Linha 3:  0 2 8 Linha 3:  +1 ? ? 
 
Para determinar o pivô da linha 2, executa-se a seguinte operação:
Linha 2=1 ⋅ Linha 2 ⇒ Matriz L recebe o inverso do multiplicador

Matriz A ⇒ Matriz U Matriz L

Linha 1: 1 1 1 Linha 1: 1 0 0
 pivô   
Linha 2: 0 1 3 Linha 2: 1 1 0
  1
Linha 3: 0 2 8 Linha 3: 1 ? ? 
   

Em seguida, zerando o elemento abaixo do pivô:

Linha 3=-2 ⋅ Linha 2+Linha 3 ⇒ Matriz L recebe o oposto do multiplicador

Matriz A ⇒ Matriz U Matriz L

Linha 1: 1 1 1 Linha 1: 1 0 0
 pivô   
Linha 2: 0 1 3 Linha 2: 1 1 0
 
Linha 3: 0 0 2 Linha 3: 1 +2 ? 
 
Para determinar o pivô da Linha 3, devemos agir do seguinte modo:
1
Linha 3= ⋅ Linha 3 ⇒ Matriz L recebe o inverso do multiplicador
2

Matriz A ⇒ Matriz U Matriz L

Linha 1: 1 1 1  Linha 1: 1 0 0
   
Linha 2: 0 1 3  Linha 2: 1 1 0
Linha 3: 0 0 pivô 
1  Linha 3: 1 2 2 

Veja que, agora, conhecemos a matriz U e a matriz L:
1 1 1
 
U = 0 1 3
0 0 1
.
1 0 0
 
L = 1 1 0
1 2 2 

17
 O nosso próximo passo é determinar a matriz Y, resolvendo o sistema
dado por 𝐿𝐿 ∙ 𝑌𝑌 = 𝐵𝐵.
1 0 0  y1  1 
    
1 1 0 y2  = 4
1 2 2   y3  9 

y1 = 1  1
  
y1 + y2 = 4 ⇒ y2 = 3  ⇒ Y = 3
y1 + 2y2 + 2y3 =9 ⇒ y3 =1 1

Resolvendo o sistema 𝑈𝑈 ∙ 𝑋𝑋 = 𝑌𝑌, encontramos a solução do sistema de

equações original.
1 1 1  x1  1
    
0 1 3 x2  = 3
0 0 1  x3  1

x1 + x2 + x3 =1 ⇒ x1 =0 0
  
x2 + 3x3 =3 ⇒ x2 =0  ⇒ X =0
x3 = 1  1 

0
Logo, a solução desse sistema de equações lineares é dada por 𝑋𝑋 = �0�.
1

TEMA 3 – MÉTODOS INDIRETOS

Para Jarletti (2018), os métodos indiretos usados para resolução de

sistemas de equações lineares consistem na transformação do sistema em uma
relação de operações dadas por 𝑋𝑋 = 𝜓𝜓(𝑋𝑋) realizada repetidas vezes (iterações),
com base em uma estimativa inicial até que a solução atenda ao critério de
parada predefinido. Entretanto, esses métodos não podem ser implementados
em todos os sistemas de equações lineares, pois exigem que alguns critérios
sejam atendidos.

3.1 Método de Gauss-Jacobi

O método de Gauss-Jacobi consiste em isolar as incógnitas no sistema

de equações em cada uma das equações lineares. Entretanto, para implementar
esse método, deve-se verificar se o critério das linhas é satisfeito. Esse critério
estabelece que o módulo do coeficiente da variável a ser isolada na equação

18
 seja maior ou igual à soma dos coeficientes das outras variáveis da equação,
conforme a equação 8. Veja que, para aplicar essa condição, precisamos
analisar o sistema de equações lineares no seu formato matricial (equação 2).
𝑛𝑛

|𝑎𝑎𝑖𝑖𝑖𝑖 | ≥ ��𝑎𝑎𝑖𝑖𝑖𝑖 � (8)

𝑗𝑗=1
𝑗𝑗≠𝑖𝑖

Ao isolar em cada equação uma das variáveis (equação 9), constitui-se

um sistema de equações iterativas que serão implementadas sobre os valores
da última solução encontrada.
(𝑘𝑘)
(𝑘𝑘) (𝑘𝑘)
𝑏𝑏𝑖𝑖 − ∑𝑛𝑛𝑖𝑖=1,𝑗𝑗≠𝑖𝑖 𝑎𝑎𝑖𝑖𝑖𝑖 ∙ 𝑥𝑥𝑗𝑗
(𝑘𝑘−1)
𝑥𝑥𝑖𝑖 = 𝜑𝜑𝑖𝑖 �𝑋𝑋 �⇒ 𝑥𝑥𝑖𝑖 = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 = 1, 2, 3, … (9)
𝑎𝑎𝑖𝑖𝑖𝑖
Esse método também exige que um critério de parada seja estipulado
para se garantir a precisão da solução estimada por essa metodologia iterativa.
Veja os exemplos.
Exemplo 6: utilizando o método de Gauss-Jacobi, qual é a solução para
o sistema de equações lineares a seguir, com precisão de 𝜖𝜖 ≤ 10−2 ?
2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
𝑥𝑥
� 1 + 4𝑥𝑥2 + 2𝑥𝑥3 = 2
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9
Resolução: iniciamos a resolução verificando o critério da linha e isolando
uma das variáveis em cada equação do sistema:
1−𝑥𝑥2 −𝑥𝑥3
2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 ⇒ 𝑥𝑥1 = .
2

Verificação do critério: |2| = |1| + |1| → 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟;

2−𝑥𝑥1 −2𝑥𝑥3
𝑥𝑥1 + 4𝑥𝑥2 + 2𝑥𝑥3 = 2 ⇒ 𝑥𝑥2 = .
4

Verificação do critério: |4| > |1| + |2| → 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟;

9−𝑥𝑥1 −3𝑥𝑥2
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ 𝑥𝑥3 = .
9

Verificação do critério: |9| > |1| + |3| → 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟.

Nesse caso, adotaremos o sistema de equações a seguir, para resolução
do sistema.
1 − 𝑥𝑥2 (𝑘𝑘−1) − 𝑥𝑥3 (𝑘𝑘−1)
⎧ 𝑥𝑥1 (𝑘𝑘) =
⎪ 2
⎪ (𝑘𝑘−1)
(𝑘𝑘)
2 − 𝑥𝑥1 − 2𝑥𝑥3 (𝑘𝑘−1)
𝑥𝑥 =
⎨ 2 4
⎪
⎪ (𝑘𝑘) 9 − 𝑥𝑥1
(𝑘𝑘−1)
− 3𝑥𝑥2 (𝑘𝑘−1)
𝑥𝑥
⎩ 3 =
9

19
 0 𝑥𝑥1 (0) = 0
Adotamos como ponto de partida 𝑋𝑋 (0) = �0�, para o qual �𝑥𝑥2 (0) = 0. Na
0 𝑥𝑥3 (0) = 0
primeira iteração (𝑘𝑘 = 1), teremos:
(1) 1−𝑥𝑥 (0) −𝑥𝑥 (0)
2 3 (1) 1−0−0
⎧ 𝑥𝑥1 = 2 ⎧ 𝑥𝑥1 = 2
⎪ ⎪
2−𝑥𝑥1 (0) −2𝑥𝑥3 (0) 2−0−2(0)
𝑥𝑥2 (1) = ⇒ 𝑥𝑥2 (1) = .
4
⎨ 4 ⎨
⎪ (1) 9−𝑥𝑥 1
(0) −3𝑥𝑥 (0)
2 ⎪𝑥𝑥 (1) = 9−0−3(0)
⎩𝑥𝑥3 = 9
⎩ 3 9

Logo,
𝑥𝑥1 (1) = 0,5 0,5
(1) (1)
�𝑥𝑥2 = 0,5 ⇒ 𝑋𝑋 = �0,5�.
𝑥𝑥3 (1) = 1 1
O critério de parada deve ser verificado em relação a todas as variáveis.
Todas as variáveis devem atender ao critério de parada.
(1) (0) −2
⎧𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 − 𝑥𝑥1 � ⇒ |0,5 − 0| = 0,5 > 10 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎪ (1) (0)
𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 − 𝑥𝑥2 � ⇒ |0,5 − 0| = 0,5 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎨
⎪ 𝜖𝜖 = �𝑥𝑥 (1) − 𝑥𝑥 (0) � ⇒ |1 − 0| = 1 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎩ 𝑥𝑥3 3 3

Nesse caso, faremos uma nova iteração (𝑘𝑘 = 2).

1 − 𝑥𝑥2 (1) − 𝑥𝑥3 (1) 1 − (0,5) − (1)
⎧ 𝑥𝑥1 (2) = ⎧ 𝑥𝑥1 (2) =
⎪ 2 ⎪ 2
⎪
2 − 𝑥𝑥1 − 2𝑥𝑥3 (1)
(1) 2 − (0,5) − 2(1)
𝑥𝑥2 (2) = ⇒ 𝑥𝑥2 (2) =
⎨ 4 ⎨ 4
⎪ (1)
⎪ (2) 9 − 𝑥𝑥1 − 3𝑥𝑥2
(1) ⎪ (2) 9 − (0,5) − 3(0,5)
𝑥𝑥 = ⎩𝑥𝑥3 =
⎩ 3 9 9
Logo,
𝑥𝑥1 (2) = −0,25 −0,25
� 𝑥𝑥2 (2) = −0,125 ⇒ 𝑋𝑋 (2) = � −0,125 �.
𝑥𝑥3 (2) = 0,777778 0,777778
Verificamos então o critério de parada.
(2) (1)
⎧ 𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 − 𝑥𝑥1 � ⇒ |−0,25 − 0,5| = 0,75 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎪ (2) (1)
𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 − 𝑥𝑥2 � ⇒ |−0,125 − 0,5| = 0,625 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎨
⎪ (2) (1) −2
⎩𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 − 𝑥𝑥3 � ⇒ |0,777778 − 1| = 0,222222 > 10 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑟𝑟𝑎𝑎𝑎𝑎𝑎𝑎)
Até que o critério de parada seja atendido em todas as variáveis, devemos
continuar o processo iterativo. Nesse caso, teremos que realizar 13 iterações
(Tabela 1).

20
 Tabela 1 – As iterações para atendimento do critério de parada

Erro de Erro de Erro de

k x1 x2 x3
x1 x2 x3
0 0 0 0 - - -
1 0,5 0,5 1 0,5 0,5 1
2 -0,25 -0,125 0,777778 0,75 0,625 0,222222
3 0,173611 0,173611 1,069444 0,423611 0,298611 0,291667
- -
4 0,922840 0,295139 0,251736 0,146605
0,121528 0,078125
5 0,077643 0,068962 1,039545 0,199171 0,147087 0,116705
- -
6 0,968386 0,131896 0,108145 0,071159
0,054253 0,039183
7 0,035399 0,029371 1,019089 0,089652 0,068554 0,050704
- -
8 0,986277 0,059629 0,047765 0,032813
0,024230 0,018394
9 0,016059 0,012919 1,008824 0,040289 0,031313 0,022547
- -
10 0,993909 0,026930 0,021346 0,014914
0,010871 0,008427
11 0,007259 0,005763 1,004017 0,018130 0,014190 0,010107
- -
12 0,997272 0,012149 0,009586 0,006744
0,004890 0,003823
13 0,003275 0,002586 1,001818 0,008165 0,006409 0,004545
Veja que, na décima terceira iteração (𝑘𝑘 = 13), chegamos à solução:
0,003275
(13)
𝑋𝑋 = �0,002586�, na qual o critério de parada é atendido.
1,001818
(13) (12) −2
⎧𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 − 𝑥𝑥1 � ⇒ |0,003275 − (−0,004890)| = 0,008165 < 10 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
(13) (12)
𝜖𝜖𝑥𝑥 = �𝑥𝑥2 − 𝑥𝑥2 � ⇒ |0,002586 − (−0,003823)| = 0,006409 < 10−2 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎨ 2 (13) (12) −2
⎩ 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 − 𝑥𝑥3 � ⇒ |1,001818 − 0,997272| = 0,004545 < 10 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎)
0,003275
Logo, assume-se que a solução do sistema é 𝑋𝑋 = �0,002586�.
1,001818

3.2 Método de Gauss-Seidel

O método de Gauss-Seidel é muito semelhante ao método de Gauss-

Jacobi, pois também consiste em isolar as incógnitas no sistema de equações
em cada uma das equações lineares, verificando se o critério das linhas é
satisfeito. Esse critério estabelece que o módulo do coeficiente da variável a ser
isolada na equação deve ser maior ou igual à soma dos coeficientes das outras
variáveis da equação, conforme a equação 8.
Ao se isolar em cada equação uma das variáveis (equação 9), constitui-
se um sistema de equações iterativas que serão implementadas sobre os valores

21
 da última variável encontrada. É nesse ponto que o método de Gauss-Seidel
difere do método de Gauss-Jacobi, que utiliza o valor das variáveis da última
solução encontrada. É por essa distinção que o método de Gauss-Seidel permite
uma convergência mais rápida com o valor da solução do sistema que o outro
método. Esse método também exige que um critério de parada seja estipulado
para se garantir a precisão da solução por ele estimada.
Exemplo 7: utilizando o método de Gauss-Seidel, qual é a solução para
o sistema de equações lineares a seguir, com precisão de 𝜖𝜖 ≤ 10−2 ?
2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1
�𝑥𝑥1 + 4𝑥𝑥2 + 2𝑥𝑥3 = 2
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9
Resolução: iniciamos a resolução verificando o critério da linha e isolando
uma das variáveis em cada equação do sistema.
1 − 𝑥𝑥2 − 𝑥𝑥3
2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 ⇒ 𝑥𝑥1 =
2
Verificação do critério: |2| = |1| + |1| → 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟;
2−𝑥𝑥1 −2𝑥𝑥3
𝑥𝑥1 + 4𝑥𝑥2 + 2𝑥𝑥3 = 2 ⇒ 𝑥𝑥2 = .
4

Verificação do critério: |4| > |1| + |2| → 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟;

9−𝑥𝑥1 −3𝑥𝑥2
𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ 𝑥𝑥3 = .
9

Verificação do critério: |9| > |1| + |3| → 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟.

Nesse caso, adotaremos o sistema de equações a seguir, para resolução
do sistema.
1 − 𝑥𝑥2 (𝑘𝑘−1) − 𝑥𝑥3 (𝑘𝑘−1)
⎧ 𝑥𝑥1 (𝑘𝑘) =
⎪ 2
⎪ (𝑘𝑘−1)
(𝑘𝑘)
2 − 𝑥𝑥1 − 2𝑥𝑥3 (𝑘𝑘−1)
𝑥𝑥 =
⎨ 2 4
⎪
⎪ (𝑘𝑘) 9 − 𝑥𝑥1
(𝑘𝑘−1)
− 3𝑥𝑥2 (𝑘𝑘−1)
⎩𝑥𝑥3 = 9
0 𝑥𝑥1 (0) = 0
Adotamos como ponto de partida 𝑋𝑋 (0) = �0�, no qual �𝑥𝑥2 (0) = 0. Na
0 𝑥𝑥3 (0) = 0
primeira iteração (𝑘𝑘 = 1), teremos:
1−𝑥𝑥2 (0) −𝑥𝑥3 (0) 1−0−0
𝑥𝑥1 (1) = ⇒ 𝑥𝑥1 (1) = ⇒ 𝑥𝑥1 (1) = 0,5.
2 2
(1)
Para o cálculo da próxima incógnita 𝑥𝑥2 , já utilizaremos esse último valor
(1)
de 𝑥𝑥1 calculado.

22
 (1)
2 − 𝑥𝑥1 (1) − 2𝑥𝑥3 (0) 2 − 0,5 − 2(0)
𝑥𝑥2 = ⇒ 𝑥𝑥2 (1) = ⇒ 𝑥𝑥2 (1) = 0,375
4 4
(1)
Para o cálculo da próxima incógnita 𝑥𝑥3 , já utilizaremos os dois últimos
(1)
valores de 𝑥𝑥1 e 𝑥𝑥2 (1) calculados.
9 − 𝑥𝑥1 (1) − 3𝑥𝑥2 (1) 9 − 0,5 − 3(0,375)
𝑥𝑥3 (1) = ⇒ 𝑥𝑥3 (1) = ⇒ 𝑥𝑥3 (1) = 0,819444
9 9
Logo,
𝑥𝑥1 (1) = 0,5 0,5
� 𝑥𝑥2 (1) = 0,375 ⇒ 𝑋𝑋 (1) = � 0,375 �.
𝑥𝑥3 (1) = 0,819444 0,819444
O critério de parada deve ser verificado em relação a todas as variáveis.
Todas as variáveis devem atender ao critério de parada.
(1) (0)
⎧ 𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 − 𝑥𝑥1 � ⇒ |0,5 − 0| = 0,5 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎪ (1) (0)
𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 − 𝑥𝑥2 � ⇒ |0,375 − 0| = 0,375 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎨
⎪𝜖𝜖 = �𝑥𝑥 (1) − 𝑥𝑥 (0) � ⇒ |0,819444 − 0| = 0,819444 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑)
⎩ 𝑥𝑥3 3 3

Nesse caso, faremos uma nova iteração (𝑘𝑘 = 2).

1 − 𝑥𝑥2 (1) − 𝑥𝑥3 (1) 1 − (0,5) − (0,819444)
⎧ 𝑥𝑥1 (2) = ⎧ 𝑥𝑥1 (2) =
⎪ 2 ⎪ 2
⎪
2 − 𝑥𝑥1 − 2𝑥𝑥3 (1)
(2) 2 − (−0,097222) − 2(0,819444)
𝑥𝑥2 (2) = ⇒ 𝑥𝑥2 (2) =
⎨ 4 ⎨ 4
⎪ (2)
⎪ (2) 9 − 𝑥𝑥1 − 3𝑥𝑥2
(2) ⎪ (2) 9 − (−0,097222) − 3(0,114583)
𝑥𝑥 = ⎩ 𝑥𝑥3 =
⎩ 3 9 9
𝑥𝑥1 (2) = −0,097222
⇒ � 𝑥𝑥2 (2) = 0,114583
𝑥𝑥3 (2) = 0,972608
Logo,
−0,097222
𝑋𝑋 (2) = � 0,114583 �.
0,972608
Verificamos então o critério de parada:
(2) (1)
⎧ 𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 − 𝑥𝑥1 � ⇒ |−0,097222 − 0,5| = 0,597222 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎪ (2) (1)
𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 − 𝑥𝑥2 � ⇒ |0,114583 − 0,375| = 0,260417 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑖𝑖𝑜𝑜 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎨
⎪𝜖𝜖 = �𝑥𝑥 (2) − 𝑥𝑥 (1) � ⇒ |0,972608 − 0,819444| = 0,153164 > 10−2 (𝑛𝑛ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎩ 𝑥𝑥3 3 3

Até que o critério de parada seja atendido em todas as variáveis, devemos

continuar o processo iterativo. Nesse caso, teremos que realizar cinco iterações.

Tabela 2 – As iterações para atendimento do critério de parada

23
 K x1 x2 x3 Erro de x1 Erro de x2 Erro de x3
0 0 0 0 - - -
1 0,5 0,375 0,819444 0,5 0,375 0,819444
2 -0,097222 0,114583 0,972608 0,597222 0,260417 0,153164
3 -0,043596 0,024595 0,996646 0,053627 0,089988 0,024038
4 -0,010620 0,004332 0,999736 0,032975 0,020263 0,003090
5 -0,002034 0,000641 1,000012 0,008586 0,003692 0,000277
Veja que, na quinta iteração (𝑘𝑘 = 5), chegamos à solução 𝑋𝑋 (5) =
−0,002034
� 0,000641 �, na qual o critério de parada é atendido.
1,000012
(5) (4) −2
⎧𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 − 𝑥𝑥1 � ⇒ |−0,002034 − (−0,010620)| = 0,008586 < 10 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎪ (5) (4)
𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 − 𝑥𝑥2 � ⇒ |0,000641 − (0,004332)| = 0,003692 < 10−2 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎨
⎪ 𝜖𝜖 = �𝑥𝑥 (5) − 𝑥𝑥 (4) � ⇒ |1,000012 − 0,999736| = 0,000277 < 10−2 (𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
⎩ 𝑥𝑥3 3 3

−0,002034
Logo, assume-se que a solução do sistema é 𝑋𝑋 = � 0,000641 �.
1,000012

TEMA 4 – SISTEMAS DE EQUAÇÕES NÃO LINEARES

Quando um sistema de equações não é formado por equações lineares,

ou seja, as equações que caracterizam esse tipo de sistema possuem incógnitas
com expoentes diferentes de 1 ou outros tipos de função. Da mesma forma que
os sistemas lineares, os sistemas de equações não lineares podem ser
resolvidos por métodos numéricos iterativos, atendendo a um critério de parada.
Vamos agora conhecer alguns desses métodos.

4.1 Método de Newton

O método de Newton é um dos mais empregados na resolução de

sistemas de equações não lineares. Esse método consiste no uso de operações
matriciais, que exigem a determinação de uma matriz jacobiana (equação 10)
(Jarletti, 2018).
𝜕𝜕𝑓𝑓 (𝑥𝑥) 𝜕𝜕𝑓𝑓1 (𝑥𝑥) 𝜕𝜕𝑓𝑓1 (𝑥𝑥)
⎡ 1 …⎤
⎢ 𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥2 𝜕𝜕𝑥𝑥3 ⎥
⎢ 𝜕𝜕𝑓𝑓2 (𝑥𝑥) 𝜕𝜕𝑓𝑓2 (𝑥𝑥) 𝜕𝜕𝑓𝑓2 (𝑥𝑥) ⎥
𝐽𝐽(𝑋𝑋) = ⎢ 𝜕𝜕𝑥𝑥1 …⎥ (10)
𝜕𝜕𝑥𝑥2 𝜕𝜕𝑥𝑥3
⎢ ⎥
⎢𝜕𝜕𝑓𝑓3 (𝑥𝑥)1 𝜕𝜕𝑓𝑓3 (𝑥𝑥) 𝜕𝜕𝑓𝑓3 (𝑥𝑥) ⎥
⎢ 𝜕𝜕𝑥𝑥1 𝜕𝜕𝑥𝑥2 𝜕𝜕𝑥𝑥3 ⋯⎥
⎣ ⋮ ⋮ ⋮ ⎦

24
 A solução do sistema surge da resolução do sistema matricial dado pela
equação 11.
𝐽𝐽�𝑋𝑋 (𝑘𝑘−1) � ∙ 𝑆𝑆 (𝑘𝑘−1) = −𝐹𝐹(𝑋𝑋 (𝑘𝑘−1) )
� (11)
𝑋𝑋 (𝑘𝑘) = 𝑋𝑋 (𝑘𝑘−1) + 𝑆𝑆 (𝑘𝑘−1)
𝑥𝑥1
𝑥𝑥
Esse processo é repetido até que se encontre uma solução 𝑋𝑋 (𝑘𝑘) = �𝑥𝑥2 �
3
⋮
que satisfaça o critério de parada predefinido. Vamos observar o exemplo para
que esse processo iterativo seja mais bem compreendido.
Exemplo 8: ao se analisar o movimento de uma partícula de poeira
gerada pela passagem de um veículo, um engenheiro chega à seguinte relação
entre as coordenadas de posição 𝑥𝑥1 e 𝑥𝑥2 que descrevem sua trajetória em um
plano:
𝑥𝑥1 + 𝑥𝑥2 − 3 = 0
� 2 .
𝑥𝑥1 + 𝑥𝑥22 − 5 = 0
O analista precisa que a solução do sistema de equações tenha uma
0
precisão de 𝜖𝜖 ≤ 10−2 e adota como atribuição inicial 𝑋𝑋 (0) = � �.
0
Resolução: adotando o método de Newton, o engenheiro segue os
passos descritos no esquema da Figura 3.

Figura 3 – Roteiro do método de Newton

1º PASSO: Calculam-se as
matrizes 𝐹𝐹 𝑋𝑋 (𝑘𝑘−1) e a
matriz jacobiana
J 𝑋𝑋 (𝑘𝑘−1) para iteração
𝑘𝑘.

4º PASSO: Verifica-se se o 2º PASSO: Calcula-se a matriz

critério de parada é
𝑆𝑆 𝑋𝑋 (𝑘𝑘−1) pela equação
satisfeito.
Caso o critério de parada J 𝑋𝑋 (𝑘𝑘−1) � 𝑆𝑆 𝑋𝑋 𝑘𝑘−1
não seja satisfeito, reinicia- = −𝐹𝐹 𝑋𝑋 𝑘𝑘−1
se o processo iterativo e
voltamos para o 1º PASSO. (equação 11).

3º PASSO: Estima-se a
solução 𝑋𝑋 (𝑘𝑘) pela
equação
𝑋𝑋 (𝑘𝑘) = 𝑋𝑋 (𝑘𝑘−1) + 𝑆𝑆 (𝑘𝑘−1)
(equação 11).

25
 Considere que
𝑥𝑥1 + 𝑥𝑥2 − 3 = 0 𝑓𝑓 (𝑥𝑥 , 𝑥𝑥 ) = 𝑥𝑥1 + 𝑥𝑥2 − 3
� 2 2 ⇒� 1 1 2 .
𝑥𝑥1 + 𝑥𝑥2 − 5 = 0 𝑓𝑓2 (𝑥𝑥1 , 𝑥𝑥2 ) = 𝑥𝑥12 + 𝑥𝑥22 − 5
Seguindo o roteiro do engenheiro, para a primeira iteração (𝑘𝑘 = 1)
começaremos determinando a matriz 𝐹𝐹�𝑋𝑋 (0) � e a matriz jacobiana 𝐽𝐽�𝑋𝑋 (0) �:
0  x1 = 0
  ⇒ x = 1.
(0 )
X=
 1  2
Logo,
 f1 ( x1, x 2 ) 
(
F X(k −1) =  ) 
f2 ( x1, x 2 ) 
 x + x2 − 3 
( )
F X(k −1) =  21 
x1 + x 2 − 5 
2

 0 + 1− 3   −2 
F= (
X(0)  2 ) X(0)
 ⇒ F=   ( )
( 0 ) + (1) − 5 
2
 −4 

A matriz jacobiana será

 ∂f1 ( x1, x 2 ) ∂f1 ( x1, x 2 ) 
 
∂x1 ∂x 2
(
J X(k −1) ) =  
∂f2 ( x1, x 2 ) 
 2 ( 1 2)
∂f x , x

 ∂x1 ∂x 2 
 1 1 
( )
J X(k −1) =  
2x1 2x 2 
 1 1   1 1
( (0 )
J X= ) 
(0 )
 ⇒ J X=   ( )
 ( )
2 0 2 ( )
1 0 2 

Já conhecendo as duas matrizes, podemos então determinar a matriz 𝑆𝑆 (0) ,

utilizando a equação 11.

( ) (
J X(0) ⋅ S X(0) =
−F X(0)) ( )
 1 1  s1   −2 
  ⋅ s  = − 
0 2   2   −4 
s1 + s1   2 
 = 
 2s2   4 

2s2 =4 ⇒ s2 =2

s1 + s2 = 2 ⇒ s1 + 2 = 2 ⇒ s1 = 0

0 
Então, S(0) =   . Por fim, estimamos a solução do sistema não linear,
2
pela equação 11.
26
 (1)
X
= X(0) + S(0)
(1) 0  0 
X=  + 
 1  2 
0 
X(1) =  
3 

Sendo 𝑥𝑥1 = 0 e 𝑥𝑥2 = 3, verificamos então o critério de parada, em que:

(1) (0)
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥1 ⇒ 𝜖𝜖1 = �𝑥𝑥1 − 𝑥𝑥1 � = |0 − 0| = 0 <

10−2 (𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝);

(1) (0)
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥2 ⇒ 𝜖𝜖2 = �𝑥𝑥2 − 𝑥𝑥2 � = |3 − 1| = 2 >

10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝).

Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2 , devemos
continuar o processo iterativo. Vamos fazer uma segunda iteração (𝑘𝑘 = 2) para,
daí, determinarmos a matriz 𝐹𝐹�𝑋𝑋 (1) � e a matriz jacobiana 𝐽𝐽�𝑋𝑋 (1) �:

 0+3−3  0 
= ( )
F X(1)  2 F X(1)
 ⇒=  . ( )
( 0 ) + ( 3 ) − 5 
2
4

A matriz jacobiana será

 1 1   1 1
(
X(1)
J=  ) X(1)
⇒J=  . ( )
2 ( 0 ) 2 ( 3 )  0 6 

Já conhecendo as duas matrizes, podemos então determinar a matriz 𝑆𝑆 (1) ,

utilizando a equação 11.

( ) (
J X(1) ⋅ S X(1) = )
−F X(1) ( )
 1 1  s1  0 
  ⋅ s  =− 
0 6   2  4
s1 + s1   0 
 = 
 6s2   −4 

6s2 =−4 ⇒ s2 =−0, 666667

s1 + s2 = 0 ⇒ s1 + ( −0, 666667 ) = 0 ⇒ s1 = 0, 666667

 0, 666667 
Então, S(1) =   . Por fim, estimamos a solução do sistema não
 −0, 666667 
linear, pela equação 11.

27
 ( 2)
X= X(1) + S(1)
( 2) 0   0, 666667 
X=  + 
3   −0, 666667 
0, 666667 
X(2) =  
 2, 333333 

Sendo 𝑥𝑥1 = 0,666667 e 𝑥𝑥2 = 2,333333, verificamos então o critério de

parada, em que:
(1) (0)
𝜖𝜖1 = �𝑥𝑥1 − 𝑥𝑥1 � = |0,666667 − 0| = 0,666667
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥1 ⇒ ;
𝜖𝜖1 = 0,666667 > 10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
(1) (0)
𝜖𝜖2 = �𝑥𝑥2 − 𝑥𝑥2 � = |2,333333 − 3|
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥2 ⇒ .
𝜖𝜖2 = 0,666667 > 10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)
Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2 , devemos
continuar o processo iterativo. Para 𝑘𝑘 = 3, teremos:
 0 
( )
F X(2) =  
0, 888889 
 1 1 
( )
J X(2) =  .
1, 333333 4, 666667 
 2, 266667 
S(2) =  
 −2, 266667 

0, 933333 
Logo, a solução estimada será X(3) =   . Sendo 𝑥𝑥1 = 0,933333 e
2, 066667 
𝑥𝑥2 = 2,066667, verificamos então o critério de parada, em que:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥1 ⇒ 𝜖𝜖1 = 0,266667 > 10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝);
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥2 ⇒ 𝜖𝜖2 = 0,266667 > 10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝).
Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2 , devemos
continuar o processo iterativo. Para 𝑘𝑘 = 4, teremos:
 0 
( )
F X(3) =  
0, 142222 
 1 1 
( )
J X(3) =  .
1, 866667 4, 133333 
 0, 062745 
S(3) =  
 −0, 062745 

0, 996078 
Logo, a solução estimada será X(4) =   . Sendo 𝑥𝑥1 = 0,990678 e
 2, 003922 
𝑥𝑥2 = 2,003922, verificamos então o critério de parada, em que:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥1 ⇒ 𝜖𝜖1 = 0,062745 > 10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝);

28
 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥2 ⇒ 𝜖𝜖2 = 0,062745 > 10−2 (𝑁𝑁ã𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝).
Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2 , devemos
continuar o processo iterativo. Para 𝑘𝑘 = 5, teremos:
 0 
( )
F X( 4) =  
0, 007874 
 1 1 
( )
J X( 4) =  .
1, 992157 4, 007843 
 0, 003906 
S( 4) =  
 −0, 003906 

0, 999985 
Logo, a solução estimada será X(5) =   . Sendo 𝑥𝑥1 = 0,999985 e
2, 000015 
𝑥𝑥2 = 2,000015, verificamos então o critério de parada, em que:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥1 ⇒ 𝜖𝜖1 = 0,003906 < 10−2 (𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝);
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥2 ⇒ 𝜖𝜖2 = 0,003906 < 10−2 (𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐é𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝).
Foi necessário realizar cinco iterações para que a precisão desejada para
a solução estimada fosse atendida. Diante disso, o engenheiro adota como
0,999985
solução do sistema 𝑋𝑋 = � �.
2,000015

TEMA 5 –APLICAÇÃO DOS MÉTODOS EM RESOLUÇÃO DE SISTEMAS DE

EQUAÇÕES

Os métodos de cálculo numérico estudados nesta aula visam ao uso de

recursos computacionais para determinação de soluções para sistemas de
equações lineares e não lineares decorrente da análise de situações comuns do
cotidiano e até de situações mais complexas, como no cálculo de uma
alimentação equilibrada, na análise do tráfego de veículos, na análise de
circuitos elétricos e até para controle de condições de ambientes para fabricação
industrial.
Em circuitos elétricos, a análise de circuitos grandes, por meio de teorias
da física (como as leis de Kirchhoff), pode gerar uma série de relações
matemáticas sobre as mesmas variáveis e que exigem uma solução comum,
compondo sistemas de equações que, dependendo do tamanho do circuito,
podem ser bastante grandes, tornando bastante complexo o cálculo sem uso de
recursos numéricos. Atualmente, a simulação numérica prévia para
desenvolvimento de projetos de circuitos elétricos permite analisar o

29
 funcionamento de dispositivos eletrônicos e identificar possíveis falhas,
corrigindo-as antes da concepção física do produto. E o desenvolvimento desses
simuladores exige que os métodos de cálculo numérico sejam implementados
nos algoritmos dessas simulações.
Não apenas para projeto e análise de circuitos elétricos, mas para o
planejamento de fabricação e distribuição de qualquer produto industrializado, a
análise desse produto em diferentes condições de uso é previamente testada
por meio de simulações, de forma que correções ainda possam ser realizadas
no projeto, reduzindo possíveis custos futuros de correção em maquinário,
ferramentas e evitando atrasos no processo de industrialização do produto. Um
exemplo de setor industrial que utiliza a simulação numérica é o automotivo,
analisando o comportamento de veículos em diferentes situações climáticas e
em condições adversas, como nos casos de colisão (Figura 4), em análises da
performance e do consumo de um veículo, do seu comportamento aerodinâmico,
do seu comportamento vibratório e acústico, da sua emissão de poluentes, assim
como se simulam suas condições de durabilidade, identificando possíveis pontos
de contato, de atrito e de tensão entre as partes do veículo.

Figura 4 – Simulação em terceira dimensão (3D) de uma colisão entre dois

veículos

Crédito: Italyan/Shutterstock.

Atualmente, a importância dos métodos numéricos para resolução de

sistemas de equações permeia campos diversos, desde estudos sociais

30
 complexos, análise de flutuação em investimentos econômicos até
desenvolvimentos tecnológicos e científicos avançados.

FINALIZANDO

Nesta aula, compreendemos que a resolução de sistemas de equações

lineares pode ser determinada de forma precisa, pelos métodos diretos, ou
estimada, pelos métodos indiretos, mas conforme uma precisão previamente
definida, assim como em relação aos sistemas não lineares. Essa parte do
cálculo numérico é de suma importância para o desenvolvimento de simulações
numéricas na testagem de equipamentos e produtos, assim como permite
analisar flutuações e prever situações no âmbito social e financeiro, sendo hoje
amplamente utilizada para planejamento e prevenção de problemas nos diversos
setores da economia mundial.

31
 REFERÊNCIAS

ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre:

Bookman, 2006.

JARLETTI, C. Cálculo numérico. Curitiba: InterSaberes, 2018.

32