DCC008 - Cálculo Numérico
|
|
- Júlio de Sá Vasques
- 5 Há anos
- Visualizações:
Transcrição
1 DCC008 - Cálculo Numérico Resolução de Sistemas de Equações Lineares Bernardo Martins Rocha Departamento de Ciência da Computação Universidade Federal de Juiz de Fora bernardomartinsrocha@ice.ufjf.br
2 Conteúdo Introdução Conceitos fundamentais Métodos diretos Sistemas triangulares Eliminação de Gauss Estratégias de Pivoteamento Decomposição LU Decomposição Cholesky e LDL T Usos da decomposição Métodos iterativos Introdução Métodos Iterativos Estacionários Método de Jacobi Método de Gauss-Seidel Análise de Convergência Método SOR 2 / 165
3 Introdução Iremos estudar agora métodos computacionais para resolver um sistema de equações lineares da forma: a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2.. a m1 x 1 + a m2 x a mn x n = b m onde a ij R, b i R, x j R, i = 1,..., m, j = 1,..., n Chamamos a ij de coecientes, b i são constantes dadas e x j são as variáveis ou incógnitas do problema. 3 / 165
4 Introdução Exemplos de aplicações Em uma vasta gama de problemas de ciências e engenharias a solução de um sistema de equações lineares é necessária. Podemos enumerar diversas áreas e problemas típicos, tais como: Solução de equações diferenciais Solução de EDPs através do método dos elementos nitos, diferenças nitas ou volumes nitos. Solução de EDOs Programação linear Análise de estruturas Sistemas de equações não-lineares Outros métodos numéricos Interpolação, mínimos quadrados, etc. Circuitos elétricos 4 / 165
5 Introdução Tensões em circuito elétrico Calcular as tensões dos nós do circuito elétrico da gura abaixo: Modelagem do problema: Lei de Kirchho: a soma das correntes que passam em cada nó do circuito é nula. Lei de Ohm: a corrente do nó j para o nó k é dada pela equação I jk = V j V k R jk 5 / 165
6 Introdução Tensões em circuito elétrico Nó 1: I A1 + I 21 + I 31 + I 41 = 0 0 V V 2 V V 3 V V 4 V 1 2 = 0 2V 1 + V 2 V 1 + V 3 2 V V 4 2 V 1 2 = 0 4V 1 + 2V 2 + V 3 2V 1 + 2V 4 = 0 6V 1 + 2V 2 + V 3 + V 4 = 0 Nó 2: 3V 1 4V 2 + V 3 = V 1 V 2 V 3 V 4 Nó 3: 3V 1 + 2V 2 13V 2 + 6V 4 = 254 Nó 4: V 1 + 2V 3 3V 4 = 0 6 / 165
7 Introdução Tensões em circuito elétrico V 1 V 2 V 3 V 4 = Usando algum método que iremos estudar, encontramos a solução deste sistema V = ou seja V 1 = 25.7V, V 2 = 31.75V, V 3 = 49.6V e V 4 = 41.6V. 7 / 165
8 Introdução Estruturas Exemplo 1, Capítulo 3, Página, 105, Livro da Ruggiero. Determinar as forças que atuam nesta treliça. Junção 2: Fx = αf 1 + f 4 + αf 5 = 0 Fy = αf 1 f 3 αf 5 = 0 Procedendo de forma análoga para todas as junções obtem-se um sistema linear de 17 equações e 17 variáveis (f 1,..., f 17 ). 8 / 165
9 Conceitos fundamentais Antes de estudar os métodos para solução deste tipo de problema, vamos rever alguns conceitos fundamentais de Álgebra Linear necessários para o desenvolvimento e análise dos métodos. Matrizes Uma matriz é um conjunto de elementos (números reais ou complexos) dispostos de forma retangular. O tamanho ou dimensão é denido pelo seu número de linhas e colunas. Uma matriz com m linhas e n colunas é dita ser m n (m por n) e se m = n, então dizemos que a matriz é quadrada. a 11 a a 1n a 21 a a 2n A = a m1 a m2... a mn Um elemento a ij da matriz é referenciado por 2 índices: o primeiro indica a linha e o segundo a coluna. 9 / 165
10 Conceitos fundamentais Matrizes especiais Matriz coluna e matriz linha Matriz linha: 1 n [ a11 a a 1n ] Matriz nula: Matriz diagonal: Matriz identidade: a ij = 0, d ij = 0, Matriz coluna: n 1 i, j i j a 11 a 21.. a n1 e ij = 1, e ij = 0, i = j i j 10 / 165
11 Conceitos fundamentais Matrizes especiais Matriz triangular inferior: acima da diagonal principal é nula b b ij = 0, i < j, Exemplo: B = b 21 b 22 0 b 31 b 32 b 33 Matriz triangular superior: abaixo da diagonal principal é nula c ij = 0, i > j, Exemplo: C = c 11 c 12 c 13 0 c 22 c c 33 Matriz simétrica: m ij = m ji, i, j 11 / 165
12 Conceitos fundamentais Operações matriciais Transposição A transposta de uma matriz A, denotada por A T, é uma matriz obtida trocando-se as suas linhas pelas colunas. Exemplo: A = , AT = Adição e Subtração Sejam A e B matrizes m n. Então a matriz C é m n e seus elementos são dados por c ij = a ij + b ij, i, j 12 / 165
13 Conceitos fundamentais Operações matriciais Multiplicação por escalar Seja A uma matriz m n e seja k R um escalar qualquer. Então B = ka é tal que b ij = k a ij, i, j Multiplicação matriz-vetor Seja A uma matriz m n e x um vetor n 1, então a multiplicação de A por x é n v = Ax v i = a ij x j, j=1 i = 1, 2,..., m Exemplo [ 1 2 ] = / 165
14 Conceitos fundamentais Operações matriciais Multiplicação matriz-matriz Seja A uma matriz m p e B uma matriz p n. O resultado da multiplicação AB é uma matriz C de tamanho m n. c ij = p a ik b kj, i = 1,..., m, j = 1,..., n k=1 Exemplo: A = [ ], B = C = AB = [ ] 14 / 165
15 Conceitos fundamentais Operações matriciais Produto Interno e Produto Externo O produto interno ou escalar entre dois vetores x e y, ambos de tamanho n resulta em um valor escalar k dado por k = x T y = x 1 y 1 + x 2 y x n y n = n x i y i i=1 O produto externo entre x(m 1) e y(n 1) resulta em uma matriz M de tamanho m n dada por m ij = x i y j, i = 1,..., m, j = 1,..., n Exemplo: x = 5 1 2, y = 1 3 4, x T y = 10, xy T = M = / 165
16 Conceitos fundamentais Operações matriciais Determinante Seja A uma matriz quadrada de ordem n. Então A possui um número associado chamado de determinante, o qual pode ser calculado pela seguinte fórmula: det(a) = a 11 det(m 11 ) a 12 det(m 12 )+...+( 1) n+1 a 1n det(m 1n ) onde M ij é a matriz resultante da remoção da linha i e da coluna j da matriz A. Em particular [ ] a11 a A = [a 11 ] det(a) = a 11, A = 12 det(a) = a a 21 a 11 a 22 a 12 a A = a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 det(a) = a 11 (a 22 a 33 a 32 a 23 ) a 12 (a 21 a 33 a 31 a 23 ) + a 13 (a 21 a 32 a 31 a 22 ) 16 / 165
17 Conceitos fundamentais Operações matriciais Denição (Matriz singular) Uma matriz com det(a) = 0 é dita singular. Por outro lado quando det(a) 0 dizemos que a matriz é não-singular. Denição (Vetores Linearmente Independentes) Um conjunto de vetores x 1, x 2,..., x k é dito ser linearmente independente (LI) se c 1 x 1 + c 2 x c k x k = 0 somente se c 1 = c 2 =... = c k = 0. Caso contrário, isto é, quando c 1, c 2,..., c k não são todos nulos, dizemos que o conjunto de vetores é linearmente dependente (LD). 17 / 165
18 Conceitos fundamentais Operações matriciais Denição (Posto) O posto (ou rank) de uma matriz A de tamanho m n é denido como o número máximo de vetores linhas (ou de vetores colunas) linearmente independentes de A. Escrevemos posto(a) = r e temos que r min (m, n). Denição (Inversa) A inversa de uma matriz A quadrada n n é representada por A 1 e denida de tal forma que AA 1 = A 1 A = I onde I é a matriz identidade de ordem n. A = [ ] [ 3, A 1 = ] 18 / 165
19 Sistemas Lineares Um sistema de equações lineares consiste em um conjunto de m equações polinomiais com n variáveis x i de grau um, isto é a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2. a m1 x 1 + a m2 x a mn x n = b m o qual pode ser escrito da seguinte forma matricial Ax = b onde a 11 a a 1n x 1 b 1 a 21 a a 2n A = , x = x 2.., b = b 2... a m1 a m2... a mn x n. b m onde A é a matriz dos coecientes, b é o vetor dos termos independentes e x é o vetor solução procurado. 19 / 165
20 Classicação de Sistemas Número de Soluções Vamos considerar apenas sistemas cujas matrizes dos coecientes são quadradas, isto é, onde A R n n. Iremos tratar do caso onde A não é uma matriz quadrada e m > n mais adiante, quando estudarmos mínimos quadrados. Para o sistema Ax = b, temos as seguintes possibilidades quanto ao número de soluções: (a) uma única solução (b) innitas soluções (c) sem solução Vamos analisar cada caso em mais detalhes através de alguns exemplos de sistemas de equações lineares / 165
21 Classicação de Sistemas Caso (a) Única solução x 1 + x 2 = 3 x 1 x 2 = 1 [ ] [ ] 1 1 x1 = 1 1 x 2 [ ] 3 1 x = [ ] / 165
22 Classicação de Sistemas Caso (b) Innitas Soluções x 1 + x 2 = 1 2x 1 + 2x 2 = 2 [ ] [ ] 1 1 x1 = 2 2 x 2 [ ] 1 2 x = [ ] 1 θ θ x + y = 1 2x + 2y = / 165
23 Classicação de Sistemas Caso (c) Sem Solução x 1 + x 2 = 1 x 1 + x 2 = 4 x tal que Ax = b 8 6 x + y = 1 x + y = / 165
24 Existência e unicidade da solução A equação Ax = b possui uma única solução se e somente se a matriz A for não-singular. O Teorema a seguir, caracteriza a não-singularidade da matriz A. Teorema Seja A uma matriz quadrada n n. As seguintes armações são equivalentes: a) A 1 existe b) Não existe y não-zero tal que Ay = 0. Ou seja, a única solução do sistema homogêneo é y = 0. c) posto(a) = n d) det(a) 0 e) Dado qualquer vetor b, existe exatamente um vetor x tal que Ax = b (ou x = A 1 b). Prova Livro texto de Álgebra Linear. 24 / 165
25 Existência e unicidade da solução De fato, para os exemplos anteriores, temos Caso (a) ([ ]) 1 1 det = 1 1 = 2 0 OK, solução única 1 1 Caso (b) det ([ ]) 1 1 = 2 2 = Caso (c) det ([ ]) 1 1 = 1 1 = / 165
26 Métodos para solução de sistemas lineares Iremos estudar agora diversos métodos numéricos para a solução de sistemas de equações lineares. Vamos considerar que A é quadrada e não-singular. Os métodos de solução de sistemas lineares geralmente envolvem a conversão de um sistema quadrado em um sistema triangular que possui a mesma solução que o original. Inicialmente, vamos estudar como resolver sistemas lineares triangulares inferiores e superiores. 26 / 165
27 Sistema triangular inferior Considere um sistema triangular inferior de ordem n dado por l x 1 b 1 l 21 l x = b 2... l n1 l n2 l n3... l nn x n b n A solução deste sistema é feita através de um procedimento chamado de substituição (ou substituições sucessivas): l 11 x 1 = b 1 x 1 = b 1 l 11 l 21 x 1 + l 22 x 2 = b 2 x 2 = b 2 l 21 x 1 l 22. l n1 x 1 + l n2 x l nnx n = b n x n = bn l n1x 1 l n2 x 2... l nn 1 x n 1 l nn 27 / 165
28 Sistema triangular inferior De forma geral para Lx = b temos / i 1 x i = b i l ij x j j=1 l ii i = 1,..., n Exemplo x x x 3 = x Solução 2x 1 = 4 x 1 = 2 3x 1 + 5x 2 = 1 x 2 = = 1 x 1 6x 2 + 8x 3 = 48 x 3 = = 5 x 1 + 4x 2 3x 3 + 9x 4 = 0 x 4 = = / 165
29 Sistema triangular inferior Algoritmo entrada: L R n n, b R n saída: x R n x(1) = b(1) / L(1,1); para i=2,..., n faça s = b(i); para j=1,..., i-1 faça s = s - L(i,j) * x(j); m-para x(i) = s/l(i,i); m-para 29 / 165
30 Sistema triangular superior O algoritmo análogo para o caso de um sistema triangular superior Ux = b é chamado de retro-substituição (ou substituições retroativas). u 11 u 12 u u 1n x 1 b 1 e assim temos 0 u 22 u u 2n u nn u nnx n = b n x n = bn u nn x 2.. x n = b 2... u n 1n 1 x n 1 + u n 1n x n = b n 1 x n 1 = b n 1 u n 1n x n u n 1n 1. u 11 x 1 + u 12 x u 1n x n = b 1 x 1 = bn u 12x 1 u 13 x 3... u 1n x n u 11 b n 30 / 165
31 Sistema triangular superior De forma geral para Ux = b temos / n x i = b i u ij x j u ii i = n,..., 1 j=i+1 Exemplo x x 2 = x 3 8 Solução 4x 3 = 8 x 3 = 2 x 2 + x 3 = 4 x 2 = 2 2x 1 + 4x 2 2x 3 = 2 x 1 = = 2 2 = 1 31 / 165
32 Sistema triangular superior Algoritmo entrada: U R n n, b R n saída: x R n x(n) = b(n)/u(n,n); para i=n-1,..., 1 faça s = b(i); para j=i+1,..., n faça s = s - U(i,j) * x(j); m-para x(i) = s/u(i,i); m-para 32 / 165
33 Complexidade Computacional Muitas vezes precisamos medir o custo de execução de um algoritmo. Para isso usualmente denimos uma função de complexidade que pode ser uma medida do tempo para o algoritmo resolver um problema cuja instância de entrada tem tamanho n (ou medir por exemplo o quanto de memória seria necessário para execução). A complexidade de um algoritmo para solução de um sistema linear de ordem n é medida através do número de operações aritméticas como adição, multiplicação e divisão. Lembrando que n i = i=1 n(n + 1) 2 33 / 165
34 Complexidade Computacional Substituição: Divisão: n n n 1 Adição: (i 1) = i = i=2 Multiplicação: i=1 n(n 1) 2 n n 1 (i 1) = i = i=2 i=1 n(n 1) 2 No total o algoritmo de substituição para sistemas triangulares inferiores realiza n + n(n 1) 2 + n(n 1) 2 = n + n 2 n = n 2 operações de ponto utuante. 34 / 165
35 Complexidade Computacional Retro-substituição: Divisão: n Adição: n 1 (n i) = n(n 1) i=1 Multiplicação: n(n 1) 2 n 1 (n i) = n(n 1) i=1 = n(n 1) 2 n(n 1) 2 No total o algoritmo de retro-substituição para sistemas triangulares superiores realiza = n(n 1) 2 n + n(n 1) 2 + n(n 1) 2 = n + n 2 n = n 2 operações de ponto utuante. 35 / 165
36 Métodos para solução de sistemas lineares Existem dois tipos de métodos para a solução de sistemas de equações lineares: Métodos diretos Os métodos diretos são aqueles que conduzem à solução exata após um número nito de passos a menos de erros de arredondamento introduzidos pela máquina. Métodos iterativos São aqueles que se baseiam na construção de sequências de aproximações. Em um método iterativo, a cada passo, os valores calculados anteriormente são usados para melhorar a aproximação. É claro que o método só será útil se a sequência de aproximações construídas convergir para uma solução aproximada do sistema. 36 / 165
37 Eliminação de Gauss O primeiro método direto que iremos estudar é o método da eliminação de Gauss. A idéia fundamental do método é transformar a matriz A em uma matriz triangular superior introduzindo zeros abaixo da diagonal principal, primeiro na coluna 1, depois na coluna 2 e assim por diante. x x x x x x x x x x x x x x x x x x x x x x x x 0 x x x 0 x x x 0 x x x 0 0 x x 0 x x x 0 0 x x x x x x 0 x x x 0 0 x x x Por m, usa-se a retro-substituição para obter a solução do sistema triangular superior obtido ao nal dessa etapa de eliminação. 37 / 165
38 Eliminação de Gauss Na eliminação de Gauss, as operações efetuadas para se obter a matriz triangular superior são tais que a matriz triangular obtida possui a mesma solução que o sistema original. Denição (Sistema equivalente) Dois sistemas de equações lineares são equivalentes quando possuem o mesmo vetor solução. Um sistema pode ser transformado em um outro sistema equivalente utilizando as seguintes operações elementares: trocar a ordem de duas equações multiplicar uma equação por uma constante não-nula somar um múltiplo de uma equação à outra 38 / 165
39 Eliminação de Gauss Exemplo 3x 1 + 5x 2 = 9 6x 1 + 7x 2 = 4 Podemos subtrair da linha 2 um múltiplo da linha 1, isto é L 2 = L 2 2L 1 Efetuando esta operação obtemos o sistema equivalente 3x 1 + 5x 2 = 9 3x 2 = / 165
40 Eliminação de Gauss Vamos primeiro estudar um exemplo simples para posteriormente generalizar a idéia. Exemplo Seja o sistema Solução x 1 + x 3 = 0 x 1 + x 2 = 1 2x 1 + 3x 2 + x 3 = x x 2 = x 3 1 Como podemos eliminar os coecientes abaixo da diagonal principal na primeira coluna? L 2 = L 2 L 1 L 3 = L 3 2L / 165
41 Eliminação de Gauss Exemplo - (cont.) Precisamos agora de eliminar os coecientes abaixo da diagonal na segunda coluna (a 32 ). Como? L 3 = L 3 3L Agora podemos usar a retro-substituição para encontrar facilmente a solução deste sistema: 2x 3 = 2 x 3 = 1 x 2 x 3 = 1 x 2 = 1 + x 3 = 1 1 = 0 x 1 + x 3 = 0 x 1 = x 3 = 1 Encontramos assim a solução: x T = [ ] 41 / 165
42 Conteúdo Aula passada Conceitos fundamentais Sistemas triangulares Eliminação de Gauss Aula de hoje Eliminação de Gauss Estratégias de Pivoteamento Decomposição LU 42 / 165
43 Revisitando a Eliminação de Gauss Resolver o seguinte sistema x x 2 = x 3 9 Passo 1 m 21 = a 21 a 11 = 4/2 = 2 L 2 = L 2 2L 1 m 31 = a 31 a 11 = 2/2 = 1 L 3 = L 3 + L / 165
44 Revisitando a Eliminação de Gauss Passo m 32 = a 32 a 22 = 8/ 8 = 1 L 3 = L 3 + L Próxima etapa: resolver o sistema triangular superior obtido usando o algoritmo de retro-substituição. 44 / 165
45 Eliminação de Gauss De forma geral a 11 a 12 a a 1n b 1 a 21 a 22 a a 2n b a n1 a n2 a n3... a nn b n Passo 1 (k=1): eliminamos os elementos abaixo da diagonal principal na primeira coluna. Suponha que a Então: m 21 = a 21 /a 11 m 31 = a 31 /a 11. m n1 = a n1 /a 11 ou seja m i1 = a i1 /a 11, i = 2 : n Notação: i = 2 : n i = 2, 3,..., n 45 / 165
46 Eliminação de Gauss Agora, multiplicamos a 1 a equação por m i1 e subtraimos da i-ésima equação, isto é Para i = 2 : n a (1) ij = a (0) ij m i1 a (0) 1j b (1) i = b (0) i m i1 b (0) 1, j = 1 : n Observe que não alteramos a primeira linha, pois i = 2 : n, logo esta permanece inalterada: a (1) 1j = a(0) 1j = a 1j, b (1) 1 = b (0) 1 = b 1 Após essa etapa zeramos todos os elementos abaixo da diagonal principal na 1 a coluna. a 11 a 12 a a 1n b 1 0 a 1 22 a a 1 2n b a 1 32 a a 1 3n b a 1 n2 a 1 n3... a 1 nn b 1 n 46 / 165
47 Eliminação de Gauss Passo 2 (k=2): consiste em introduzir zeros abaixo da diagonal principal na 2 a coluna. Suponha a Denimos m i2 = a i2 /a 22, i = 3 : n e assim para i = 3 : n a (2) ij = a (1) ij m i2 a (1) 2j b (2) i = b (1) i m i2 b (2) 1, j = 2 : n o que resulta em a 11 a 12 a a 1n b 1 0 a 1 22 a a 1 2n b a a 2 3n b a 2 n3... a 2 nn b 2 n 47 / 165
48 Eliminação de Gauss Passo 3, Passo 4,... Passo k: Considerando a kk 0, temos m ik = a ik /a kk, i = k + 1 : n e assim fazemos para i = k + 1 : n a (k) ij b (k) i = a (k 1) ij = b (k 1) i m ik a (k 1) kj m ik b (k 1) k, j = k : n Observe novamente que não alteramos as linhas de 1 a k. 48 / 165
49 Eliminação de Gauss No processo de eliminação os elementos a 11, a (1) 22, a(2) 33,..., a(k 1) kk que aparecem na diagonal da matriz A são chamados de pivôs. Se os pivôs não se anulam, isto é, se a kk 0, k = 1 : n, durante o processo, então a eliminação procede com sucesso e por m chegamos ao seguinte sistema triangular superior a 11 a 12 a a 1n 1 a 1n b 1 0 a 1 22 a a 1 2n 1 a 1 2n b a a 2 3n 1 a 2 3n b a n 1 nn b n 1 n Em seguida resolvemos esse sistema usando retro substituição. 49 / 165
50 Eliminação de Gauss Algoritmo entrada: matriz A R n n, vetor b R n saída: vetor solução x R n para k = 1 : n 1 faça para i = k + 1 : n faça m = A(i,k) / A(k,k); para j = k + 1 : n faça A(i,j) = A(i,j) - m * A(k,j); m-para b(i) = b(i) - m * b(k); m-para m-para x = retrosubstituicao(a,b); retorna x; 50 / 165
51 Eliminação de Gauss Complexidade Computacional Novamente vamos contabilizar o número de operações aritméticas de ponto utuante que são realizadas pelo algoritmo. Para contar o número de operações realizadas na eliminação de Gauss, vamos dividir o processo nas seguintes etapas: (1) A U: o processo de transformar a matriz A em uma matriz triangular superior U (2) b g: modicações no vetor b (3) Resolver Ux = g usando retro-substituição Já vimos que o número de operações deste algoritmo é n 2 No que segue iremos usar n i = i=1 n(n + 1) 2 n i 2 = i=1 n(n + 1)(2n + 1) 6 51 / 165
52 Eliminação de Gauss Complexidade Computacional (1) A U Divisões ( n 1 n ) n 1 1 = (n k) k=1 i=k+1 k=1 n 1 = n(n 1) k = n(n 1) = n(n 1) 2 k=1 n(n 1) 2 52 / 165
53 Eliminação de Gauss Complexidade Computacional (1) A U Adições n 1 n k=1 i=k+1 n j=k+1 Multiplicações ( n 1 n ) 1 = (n k) k=1 i=k+1 n 1 = (n k)(n k) k=1 n 1 = (n 2 2kn + k 2 ) k=1 = n 2 (n 1) 2n n(n 1) 2 + (n 1)(n 1+1)(2n 2+1) 6 n(n 1)(2n 1) = 6 n(n 1)(2n 1) 6 53 / 165
54 Eliminação de Gauss Complexidade Computacional (2) b g Adições Multiplicações ( n 1 n ) n 1 1 = (n k) k=1 i=k+1 k=1 n 1 = n(n 1) k = n(n 1) = n(n 1) 2 n(n 1) 2 k=1 n(n 1) 2 54 / 165
55 Eliminação de Gauss Complexidade Computacional (Total) Em cada etapa temos (1) 2 3 n3 n2 2 n 6 (2) n 2 n Assim nas etapas (1) e (2) temos um total de 2 3 n3 + n n. Considerando que na etapa de retro-substituição (3) temos n 2 operações, no total o algoritmo de eliminação de Gauss realiza um total de 2n n2 2 7n 6 } {{ } eliminação + }{{} n 2 = 2n n2 2 7n 6 retro-substituição 55 / 165
56 Eliminação de Gauss Para um valor de n muito grande, o algoritmo realiza aproximadamente 2 3 n3 operações de ponto utuante. Exemplo Se um sistema linear tem tamanho n = 100, então: resolver o sistema triangular: = operações eliminação de gauss: operações Ou seja, nesse exemplo, a eliminação de Gauss é 68 mais lenta que a solução de um sistema triangular!!! 56 / 165
57 Eliminação de Gauss Mas, e se na etapa k da eliminação de Gauss, o pivô for zero? Isso signica que a kk = 0, e assim, teríamos m ik = a ik a kk divisão por zero! Nesse caso, se um pivô for zero, o processo de eliminação tem que parar, ou temporariamente ou permanentemente. O sistema pode ou não ser singular. Se o sistema for singular, i.e, det(a) = 0, e portanto como vimos o sistema não possui uma única solução. Veremos agora um caso que a matriz não é singular e podemos resolver esse problema. 57 / 165
58 Estratégia de Pivoteamento Vamos ilustrar a idéia do pivoteamento através de um exemplo. Considere a seguinte matriz A = Vamos proceder com a eliminação de Gauss. m 21 = 2, a 1 2j = a 0 2j 2 a 0 1j m 31 = 4, a 1 3j = a 0 3j 4 a 0 1j, j = 1 : 3 Então obtemos / 165
59 Estratégia de Pivoteamento No próximo passo, o pivô é a 22 e usamos ele para calcular m 32. Entretanto m 32 = a 32 a 22 = 2 0 Divisão por zero! E agora, o que podemos fazer? Podemos realizar uma operação elementar de troca de linhas. Como vimos este tipo de operação quando realizado em um sistema, não altera a solução. Sendo assim, vamos trocar as linhas 2 e E assim chegamos a um sistema triangular superior, cuja solução pode ser obtida usando a retro-substituição. 59 / 165
60 Estratégia de Pivoteamento A estratégia de pivoteamento é importante pois: evita a propagação de erros numéricos nos fornece meios de evitar problemas durante a eliminação de Gauss quando o pivô a kk no passo k é igual a zero e precisamos calcular o multiplicador m ik = a ik a kk Assim, através da troca de linhas, podemos encontrar uma linha de tal forma que o novo pivô é não-zero, permitindo que a eliminação de Gauss continue até obter uma matriz triangular superior. Temos duas possibilidades: pivoteamento parcial pivoteamento total 60 / 165
61 Pivoteamento Parcial No pivoteamento parcial, em cada passo k, o pivô é escolhido como o maior elemento em módulo abaixo de a kk (inclusive), isto é Encontrar r tal que: a rk = max a ik, k i n Feita a escolha do pivô, trocamos as linhas r e k e o algoritmo procede. Isso evita a propagação de erros numéricos, pois: O pivoteamento parcial garante que m ik 1 Se a kk for muito pequeno, consequentemente m ik será muito grande. Dessa forma, após a multiplicação por m ik podemos ampliar erros de arredondamento envolvidos no processo. Também evitamos o erro que pode ser causado quando somamos um número pequeno com um número grande. 61 / 165
62 Pivoteamento Parcial Exemplo Aplique a eliminação de Gauss com pivoteamento parcial no seguinte sistema: A cada passo k: encontrar o pivô do passo k se necessário, trocar as linhas calcular multiplicador m ik para i = k + 1 : n, calcular a (k) ij b (k) i = a (k 1) ij = b (k 1) i m ik a (k 1) kj m ik b (k 1) k, j = k : n 62 / 165
63 Pivoteamento Parcial Exemplo - (cont.) Passo 1 Escolha do pivô: max {2, 4, 2} = 4. Trocar as linhas 1 e m 21 = 2/4 = 1/2 a 1 2j = a 0 2j 1 2 a0 1j m 31 = 2/4 = 1/2 a 1 3j = a 0 3j a0 1j, j = 1 : / 165
64 Pivoteamento Parcial Exemplo - (cont.) Passo 2 Escolha do pivô: max { 1 2, 3 2 } = 3 2. Trocar as linhas 2 e m 32 = = 1 3 a 2 3j = a 1 3j a1 2j, j = 2 : / 165
65 Pivoteamento Parcial Exemplo - (cont.) Retro-substituição x 3 = 8 3 x 3 = x = 14 x 2 = 2 4x 1 + 9(2) 3(2) = 8 x 1 = 1 Portanto a solução é x T = [ 1, 2, 2]. 65 / 165
66 Pivoteamento Parcial Exemplo (efeitos numéricos) Considere o seguinte sistema: [ ] [ x1 x 2 ] = [ 1 2 ] Usando um sistema de ponto utuante F (10, 3, 10, 10) (sistema decimal com 3 dígitos na mantissa), com arredondamento, encontre a solução do sistema usando eliminação de Gauss sem pivoteamento. Solução Temos que m 21 = = L 2 = L L 1 66 / 165
67 Pivoteamento Parcial Solução (efeitos numéricos) - Cont. [ Note que ( ) foi obtido como = = e de forma análoga para ( ), temos = (arredondando) = = = = (arredondando) = ] 67 / 165
68 Pivoteamento Parcial Solução (efeitos numéricos) - Cont. Por m, aplicando a retrosubstituição obtemos uma solução errada, devido aos erros de aritmética em ponto utuante cometidos em ( ) e ( ) durante a soma/subtração de números muito pequenos com números muito grandes. A solução exata é dada por Solução obtida x T = [ 0 1 ] Solução exata x T = [ ] 68 / 165
69 Pivoteamento Parcial Se durante o processo de eliminação com pivoteamento parcial no passo k não houver nenhuma entrada não-zero abaixo de a kk na coluna k, como no exemplo abaixo (depois do passo 1): x x x x x 0 0 x x x 0 0 x x x 0 0 x x x 0 0 x x x então: podemos seguir para o próximo passo e completar a eliminação entretanto a matriz triangular superior U resultante do processo possui um zero na diagonal principal, o que implica que det U = 0 U é singular A é singular 69 / 165
70 Pivoteamento Parcial Algoritmo para k = 1 : n 1 faça w = A(k,k) ; para j = k : n faça se A(j,k) > w então w = A(j,k) ; r = j; m-se m-para trocalinhas(k,r); para i = k + 1 : n faça m = A(i,k) / A(k,k); para j = k + 1 : n faça A(i,j) = A(i,j) - m*a(k,j) ; m-para b(i) = b(i) - m*b(k) ; m-para m-para 70 / 165
71 Pivoteamento Total Na estratégia de pivoteamento total, o elemento escolhido como pivô é o maior elemento em módulo que ainda atua no processo de eliminação, isto é: Encontrar r e s tais que: a rs = max a ij, k i, j n Feita a escolha do pivô é preciso trocar as linhas k e r e as colunas k e s. Observe que a troca de colunas afeta a ordem das incógnitas do vetor x. Em geral o pivoteamento parcial é satisfatório, e o pivoteamento total não é muito usado devido ao alto esforço computacional requerido na busca pelo maior elemento em módulo no resto da matriz. 71 / 165
72 Estratégias de Pivoteamento Pivoteamento Parcial Pivoteamento Total maior elemento em valor absoluto maior elemento em valor absoluto 72 / 165
73 Decomposição LU Uma matriz quadrada pode ser escrita como o produto de duas matrizes L e U, onde L é uma matriz triangular inferior unitária (com elementos da diagonal principal igual a 1) U é uma matriz triangular superior Ou seja, a matriz pode ser escrita como A = LU Dessa forma para resolver o sistema linear Ax = b usamos A em sua forma decomposta, isto é Ax = b LUx = b Então denimos Ux = y 73 / 165
74 Decomposição LU Assim para resolver fazemos L }{{} Ux = b y Ly = b Ux = y isto é, temos os seguintes passos: 1. Como L é triangular inferior podemos resolver Ly = b facilmente usando o algoritmo de substituição. Assim encontramos o vetor y. 2. Em seguida substituimos y no sistema Ux = y. Como U é uma matriz triangular superior, podemos resolver este sistema usando o algoritmo da retro-substituição para encontrar a solução x. Vamos ver agora em que condições podemos decompor uma matriz A na forma LU. 74 / 165
75 Decomposição LU Teorema (LU) Sejam A = (a ij ) uma matriz quadrada de ordem n e A k o menor principal, constituído das k primeiras linhas e k primeiras colunas de A. Assumimos que det(a k ) 0 para k = 1, 2,..., n 1. Então existe: uma única matriz triangular inferior L = (l ij ) com l ii = 1, i = 1 : n uma única matriz triangular superior U = (u ij ) tal que A = LU. Além disso, det(a) = u 11 u u nn. Prova (Neide, Página 123) Usa indução matemática. 75 / 165
76 Decomposição LU Prova (i) Para n = 1 temos a 11 = 1 a 11 = 1 u 11 u 11 = a 11, l 11 = 1 e ainda det(a) = u 11. (ii) Assumimos que o teorema é verdadeiro para n = k 1, ou seja, que toda matriz de ordem (k 1) é decomponível no produto LU. (iii) Vamos mostrar que podemos decompor A para n = k. Seja A de ordem k, escrita da forma [ ] Ak 1 r A = s Por hipótese de indução temos que a kk (1) A k 1 = L k 1 U k 1 (2) 76 / 165
77 Decomposição LU Prova (cont.) Usando (2) temos A = LU L = [ ] [ ] Lk 1 0 Uk 1 p, U = m 1 0 u kk onde m, p e u kk são desconhecidos. Efetuando o produto temos [ ] Lk 1 U LU = k 1 L k 1 p (3) mu k 1 mp + u kk Comparando (1) e (3) [ ] [ ] Ak 1 r Lk 1 U A = = k 1 L k 1 p s a kk mu k 1 mp + u kk 77 / 165
78 Decomposição LU Prova (cont.) Assim A k 1 = L k 1 U k 1 r = L k 1 p s = mu k 1 mp + u kk = a kk Observe que pela hip. de indução L k 1 e U k 1 são unicamente determinadas e ainda, L k 1 e U k 1 não são singulares, caso contrário A k 1 também seria, contrariando a hipótese 78 / 165
79 Decomposição LU Prova (cont.) Portanto r = L k 1 p p = L 1 k 1 r s = mu k 1 m = su 1 k 1 mp + u kk = a kk u kk = a kk mp Ou seja, m, p e u kk são determinados unicamente nesta ordem e, portanto, L e U são determinados unicamente. Finalmente det(a) = det(l)det(u) = 1 det(u) = u 11 u u nn 79 / 165
80 Decomposição LU Obtenção das matrizes L e U Podemos obter as matrizes L e U aplicando a denição de produto e igualdade de matrizes, ou seja, impondo que A seja igual a LU, onde L é triangular inferior unitária e U triangular superior. Então u 11 u 12 u u 1n l u 22 u u 2n LU = l 31 l u u 3n l n1 l n2 l n u nn Vamos obter os elementos de L e U da seguinte forma: 1 a linha de U 1 a coluna de L 2 a linha de U 2 a coluna de L / 165
81 Decomposição LU Obtenção das matrizes L e U 1 a linha de U a 11 = 1 u 11 u 11 = a 11 a 12 = 1 u 12 u 12 = a a 1n = 1 u 1n u 1n = a 1n 1 a coluna de L a 21 = l 21 u 11 l 21 = a 21 u 11 a 31 = l 31 u 11 l 31 = a 31 u a n1 = l n1 u 11 l n1 = a n1 u / 165
82 Decomposição LU Obtenção das matrizes L e U 2 a linha de U a 22 = l 21 u u 22 u 22 = a 22 l 21 u 12 a 23 = l 21 u u 23 u 23 = a 23 l 21 u a coluna de L a 2n = l 21 u 1n + 1 u 2n u 2n = a 2n l 21 u 1n a 32 = l 31 u 12 + l 32 u 22 l 32 = a 32 l 31 u 12 u 22 a 42 = l 41 u 12 + l 42 u 22 l 42 = a 42 l 41 u 1 u a n2 = l n1 u 12 + l n2 u 22 l n2 = a n2 l n1 u 12 u / 165
83 Decomposição LU Obtenção das matrizes L e U De forma geral temos i 1 u ij = a ij l ik u kj, k=1 i j ( ) j 1 l ij = a ij l ik u kj /u jj, i > j k=1 83 / 165
84 Decomposição LU Obtenção das matrizes L e U para i = 1 : n faça para j = i : n faça u ij = a ij i 1 k=1 l ik u kj ; m-para para j = i + 1 : n faça ( l ij = a ij / ) j 1 k=1 l ik u kj u jj ; m-para m-para Observação: na prática as matrizes L e U nunca são criadas e alocadas explicitamente. O que fazemos é sobrescrever as entradas da matriz original A com as entradas de L e U. 84 / 165
85 Decomposição LU Via eliminação de Gauss O método da eliminação de Gauss pode ser interpretado como um método para obtenção das matrizes L e U. No processo da EG no passo 1, eliminamos as entradas abaixo de a 11 na coluna 1 da matriz fazendo Para i = 2 : n m i1 = a i1 a 11 a 1 ij = a 0 ij m i1 a 0 1j b 1 i = b 0 i m i1 b 0 1, j = 1 : n essa operação é equivalente a multiplicar (A b) 0 por uma matriz M 1, para obter (A b) 1, onde m M 1 = m m n / 165
86 Decomposição LU Assim a 11 a a 1n b 1 m a 21 a a 2n b 2 M 1 (A b) 0 = m a 31 a a 3n b m n a n1 a n2... a nn b n a 11 a a 1n b 1 0 a a 1 2n b 1 2 = 0 a a 1 3n b 1 3 = (A b) a 1 n2... a 1 nn b 1 n 86 / 165
87 Decomposição LU No passo seguinte temos (A b) 2 = M 2 (A b) a 11 a a 1n b a a 1 2n b 1 2 M 2 (A b) 1 = 0 m a a 1 3n b m n a 1 n2... a 1 nn b 1 n a 11 a a 1n b 1 0 a a 1 2n b 1 2 = a 2 3n b 2 3 = (A b) a 2 nn b 2 n 87 / 165
88 Decomposição LU Procedemos dessa forma, até que por m temos (A b) (n 1) = M n 1 (A b) (n 2) Deste modo temos =... = M n 1 M n 2... M 2 M }{{ 1 (A b) (0) } M A (n 1) = MA = U onde U é a matriz triangular superior da decomposição LU. Como M é um produto de matrizes não-singulares, M é inversível, isto é, Portanto M = M n 1 M n 2... M 2 M 1 M 1 = M 1 1 M M 1 n 2 M 1 n 1 MA = U A = M}{{ 1 } U L 88 / 165
89 Decomposição LU MA = U A = } M{{ 1 } U L onde m M 1 = L = m 31 m m n1 m n2 m n é a matriz triangular inferior da decomposição LU. 89 / 165
90 Decomposição LU Exemplo 1 Decomponha a matriz A dada abaixo nos fatores L e U, usando a eliminação de Gauss A = Solução do Exemplo A = = }{{}}{{} L U 90 / 165
91 Decomposição LU Exemplo 2 Resolva o seguinte sistema linear: x x 2 = x 3 0 Solução do Exemplo A = LU = , x = / 165
92 Decomposição LU Cálculo do Determinante Veremos como utilizar a decomposição A = LU para calcular o determinante da matriz. det(a) = det(l)det(u) O determinante de uma matriz triangular é dado pelo produto dos elementos da diagonal principal, isto é Portanto det(l) = 1 det(u) = u 11 u 22 u u nn det(a) = det(l) det(u) = 1 det(u) = u 11 u 22 u u nn 92 / 165
93 Decomposição LU Cálculo do Determinante Exemplo 2 Para o exemplo anterior, temos A = Portanto o determinante é det(a) = 1 ( 1) 2 = 2 93 / 165
94 Decomposição LU com Pivoteamento Parcial Vamos estudar agora o uso de pivoteamento parcial para a decomposição LU. Para denir o que signica, de forma matricial, a troca de duas linhas de uma matriz, iremos apresentar o conceito de matrizes de permutação. Uma matriz de permutação é uma matriz obtida a partir da matriz identidade através de uma reordenação de suas linhas, isto é P = Portanto se P é uma matriz de permutação e A uma matriz qualquer, então PA é uma versão da matriz A com as linhas permutadas AP é uma versão da matriz A com as colunas permutadas 94 / 165
95 Decomposição LU com Pivoteamento Parcial Na prática (implementação) uma matriz de permutação P de dimensão n n nunca é armazenada explicitamente. É muito mais eciente representar P por um vetor p de valores inteiros de tamanho n. Uma forma de implementar isso é fazer com que p[k] seja o índice da coluna que tem apenas um "1"na k-ésima linah de P. Para o exemplo anterior p = [3 2 1] Para aplicar a estratégia de pivoteamento parcial nos exercícios, basta trocar efetivamente as linhas da matriz. Vejamos um exemplo. 95 / 165
96 Decomposição LU com Pivoteamento Parcial Para resolver Ax = b, segue-se o procedimento: Calcular P, L e U tal que PA = LU Atualizar vetor b = Pb Resolver Ly = b Resolver Ux = y Dicas para calcular L e U via eliminação de Gauss com pivoteamento: se trocar linhas, atualizar o vetor p; guardar os multiplicadores da eliminação de Gauss na posição que foi zerada, ao invés de colocar os zeros. 96 / 165
97 Decomposição LU com Pivoteamento Parcial Exemplo 3 Resolver o sistema linear abaixo usando a decomposição LU com pivoteamento parcial x x 2 = x 3 2 Solução do Exemplo L = , U = , p = [ ] x T = [ ] 97 / 165
98 Decomposição LU com Pivoteamento Parcial Solução do Exemplo 3 - Passo a passo Etapa , p = [ ] Troca as linhas 1 e 3 e atualiza vetor p , p = [ ] Elimina e guarda os multiplicadores nas suas posições (em azul): /4 2 11/4, p = [ ] 3/4 4 13/4 98 / 165
99 Decomposição LU com Pivoteamento Parcial Solução do Exemplo 3 - Passo a passo Etapa /4 2 11/4, p = [ ] 3/4 4 13/4 Troca as linhas 2 e 3 e atualiza vetor p /4 4 13/4, p = [ ] 1/4 2 11/4 Elimina e guarda os multiplicadores nas suas posições (em azul): /4 4 13/4, p = [ ] 1/4 1/2 35/8 99 / 165
100 Decomposição LU com Pivoteamento Parcial Solução do Exemplo 3 - Passo a passo Resultado /4 4 13/4, p = [ ] 1/4 1/2 35/8 Decomposição PA = LU: P = 1 0 0, A = L = 3/4 1 0, U = /4 1/4 1/ /8 100 / 165
101 Decomposição LU com Pivoteamento Parcial Solução do Exemplo 3 Para resolver P Ax = P b LUx = P b, dene-se Ux = y e então: 1. Resolva Ly = P b 2. Resolva Ux = y Procedendo desta forma, chega-se em L = , U = , p = [ ] x T = [ ] 101 / 165
102 Conteúdo Aula passada Eliminação de Gauss Estratégias de Pivoteamento Decomposição LU Aula de hoje Decomposição de Cholesky Decomposição LDL T Cálculo da Matriz Inversa Sistema com Matriz Singular 102 / 165
103 Revisitando algumas denições Denição (Matriz Simétrica) Uma matriz real A R n n é simétrica se possui as mesmas entradas acima e abaixo da diagonal principal, isto é, se a ij = a ji, i, j Portanto A = A T. Tais matrizes satisfazem a seguinte relação x T Ay = y T Ax, x, y R n Denição (Matriz Positiva Denida) Se a matriz A é simétrica, então é dita ser positiva denida se x T Ax > 0, x / 165
104 Revisitando algumas denições Matriz Positiva Denida: de imediato verica-se que se A é não singular, caso contrário haveria um x diferente de zero tal que Ax = 0. Além disso, escolhendo vetores escritos na forma x T = [ x 1 x 2... x k ] podemos vericar que todas as matrizes menores principais (A k ) são positivas denidas, portanto não singular (det(a k ) 0) e consequentemente podemos decompor A na forma A = LU. Na prática muitas matrizes que surgem em aplicações de engenharias e ciências são simétricas e positiva denidas, devido a leis físicas que estão por trás da origem dessas matrizes. 104 / 165
105 Testes para matrizes positivas denidas 1. Critério de Sylvester: uma matriz A R n n é positiva denida, se e somente se det(a k ) > 0, k = 1, 2,..., n onde A k é a matriz menor principal de ordem k (a matriz k k formada pelas k primeiras linhas e pelas k primeiras colunas). 2. Se realizarmos a eliminação de Gauss sem troca de linha ou coluna na matriz A, podemos dizer que A é positiva denida, se e somente se, todos os pivôs forem positivos. Exemplo Verique se as seguintes matrizes são positivas denidas: A = 1 3 0, B = 4 3 0, K = / 165
106 Decomposição de Cholesky Quando a matriz do sistema linear é simétrica, podemos simplicar os cálculos da decomposição LU levando em conta a simetria da matriz. Essa é a idéia do método de Cholesky. Se A é simétrica positiva denida, pelo critério de Sylvester temos que det(a k ) > 0 portanto, todos os menores principais são não singulares e consequentemente (Teorema LU), a matriz pode ser escrita como A = LU. Se A é simétrica, então A = A T. Logo LU = A = A T = (LU) T = U T L T 106 / 165
107 Decomposição de Cholesky Assim Temos que LU = U T L T L 1 LU = L 1 U T L T U = L 1 U T L T U(L T ) 1 = L 1 U T L T (L T ) 1 U(L T ) 1 = L 1 U T U(L T ) 1 }{{} triangular superior = L 1 U T }{{} triangular inferior Portanto, essa igualdade só pode ser uma matriz diagonal! Seja D = U(L T ) 1 (ou D = L 1 U T ) 107 / 165
108 Decomposição de Cholesky Seja D = U(L T ) 1 (ou D = L 1 U T ) então DL T = U (ou U T = LD) Sendo assim temos que A = LDL T = U T DU (4) E assim o determinante pode ser calculado como det(a) = det(l)det(d)det(l T ) = 1 (d 11 d d nn ) 1 = d 11 d d nn 108 / 165
109 Decomposição de Cholesky Assim de (4), como todos d ii > 0, podemos escrever onde A = LDL T = L(D) 1/2 (D) 1/2 L T = GG T G = L(D) 1/2 G T = (D) 1/2 L T A decomposição de Cholesky é um caso especial da fatoração LU aplicada para matrizes simétricas e positiva denida (SPD) e sua decomposição pode ser obtida a partir de A = GG T onde G é uma matriz triangular inferior tal que a 11 a a 1n g g 11 g g n1 a 21 a a 2n g A = = 21 g g g 2n a n1 a n2... a nn g n1 g n2... g nn g nn 109 / 165
110 Decomposição de Cholesky Pelo produto e igualdade de matrizes podemos obter os elementos de G. Elementos da diagonal principal: a 11 = g 2 11 a 22 = g g a nn = g 2 n1 + g 2 n g 2 nn de forma geral i 1 g ii = aii gik 2, i = 1 : n (5) k=1 110 / 165
111 Decomposição de Cholesky Para os elementos fora da diagonal principal, temos de forma geral g ij = j 1 a 21 = g 21 g 11 a 31 = g 31 g 11. a n1 = g n1 g 11 a 32 = g 31 g 21 + g 32 g 22 a 42 = g 41 g 21 + g 42 g 22. a ij g ik g jk k=1 a n2 = g n1 g 21 + g n2 g 22 g jj, i = j + 1 : n, j = 1 : n (6) 111 / 165
112 Decomposição de Cholesky Algoritmo Observando as equações (5) e (6), vemos que podemos calcular os elementos de G da seguinte forma: a cada passo j: calcula-se termo da diagonal principal g jj calcula-se termos da coluna j abaixo da diagonal principal isto é g ij com i = j + 1 : n para j = 1 : n faça j 1 g jj = ajj gjk 2 ; k=1 para i = j + 1 : n faça ( ) j 1 g ij = a ij g ik g jk /g jj ; m-para m-para k=1 112 / 165
113 Decomposição de Cholesky Observações: Se A é SPD, então a aplicação do método de Cholesky requer menos operações de ponto utuante do que a decomposição LU. Como A é positiva denida, isto garante que só teremos raízes quadradas de números positivos, isto é, os termos a jj j 1 k=1 g2 jk são sempre maiores do que zero. Exemplo do caso 2 2 Caso o algoritmo falhe, podemos concluir que A não é simétrica e positiva denida. Determinante det(a) = det(g)det(g T ) = det(g) 2 = (g 11 g g nn ) / 165
114 Decomposição de Cholesky Podemos usar a decomposição de Cholesky para encontrar a solução de Ax = b da seguinte forma: 1. Determinar a decomposição então A = GG T G } G{{ T x} = b y 2. Resolver Gy = b, usando substituição 3. Resolver G T x = y, retro-substituição 114 / 165
115 Decomposição de Cholesky Exemplo Considere a matriz A = a) Vericar se A satisfaz as condições da decomposição de Cholesky b) Decompor A em GG T c) Calcular o determinante 8 d) Resolver o sistema Ax = b com b = / 165
116 Decomposição de Cholesky Solução do Exemplo a) A é simétrica e positiva denida det(a 1 ) = 4, det(a 2 ) = 36, det(a 3 ) = 900 b) A decomposição é A = } 1 2 {{ 5 0 }} 0 {{ 5 } G G T c) det(a) = (2 3 5) 2 = 30 2 = d) x = / 165
117 Decomposição de Cholesky Podemos usar as fórmulas (5) e (6) para calcular os elementos da matriz G da decomposição, mas também podemos proceder de outra forma. Idéia: Decompor A = LU via eliminação de Gauss Como U = DL T, calcular D E assim calcular G = LD 1/2 Exemplo A partir da decomposição LU da matriz A do exemplo anterior, obtenha G A = = }{{}}{{} L U 117 / 165
118 Decomposição de Cholesky Exercício Mostrar que, se o sistema linear Ax = b, onde A é não singular, é transformado no sistema linear equivalente A T Ax = A T b então esse último sistema linear pode sempre ser resolvido pelo método de Cholesky (isto é B = A T A satisfaz as condições para a aplicação do método). Aplicar a técnica anterior para encontrar a solução do seguinte sistema linear: x 1 x 2 x 3 4 = / 165
119 Decomposição de Cholesky Exercício Dicas: Mostre que B satisfaz as condições da decomposição de Cholesky Irá precisar de usar x = x x x2 n x 2 = x x x 2 n = x T x 119 / 165
120 Decomposição LDL T Como vimos anteriormente também podemos decompor A na forma A = LDL T, onde L é uma matriz triangular inferior unitária e D é uma matriz diagonal. De forma análoga ao que zemos para a decomposição de Cholesky, podemos determinar os elementos da decomposição da seguinte forma: j 1 d jj = a jj ljk 2 d kk, l ij = k=1 j 1 a ij l ik d kk l jk k=1 j = 1 : n d jj j = 1 : n 1, i = j + 1 : n 120 / 165
121 Decomposição LDL T Solução de sistema linear A solução do sistema linear Ax = b é dada por Ax = b LD }{{} L T x = b y L Dy = b }{{} w e assim temos os seguintes passos para a solução do sistema: 1. Lw = b 2. Dy = w 3. L T x = y Cálculo do determinante det(a) = det(l)det(d)det(l T ) = 1 det(d) 1 = d 11 d d nn 121 / 165
122 Decomposição LDL T Algoritmo para j = 1 : n faça j 1 d jj = ajj ljk 2 d kk ; k=1 para i = j + 1 : n faça ( ) j 1 l ij = a ij l ik d kk l jk /d jj ; m-para m-para k=1 122 / 165
123 Decomposição LDL T Algoritmo det = 1 ; para j = 1 : n faça soma = 0 ; para k = 1 : j 1 faça soma = soma + A(j,k)*A(j,k)*A(k,k) ; m-para A(j,j) = A(j,j) - soma ; r = 1 / A(j,j) ; det = det * A(j,j) ; para i = j + 1 : n faça soma = 0 ; para k = 1 : j 1 faça soma = soma + A(i,k)*A(k,k)*A(j,k) ; m-para A(i,j) = (A(i,j) - soma) * r ; m-para m-para 123 / 165
124 Cálculo da Matriz Inversa Iremos descrever como calcular a matriz inversa através da decomposição LU. Sejam A uma matriz de dimensão n, não singular (det(a 0) e A 1 a matriz inversa de A. Vamos escrever a matriz inversa como: A 1 = v 1 v 2... v n Seja ainda e j a coluna j da matriz identidade. Por exemplo, e 2 = [ ], e n = [ ]. Resolvendo o seguinte sistema linear Av 1 = e 1 encontramos a primeira coluna v 1 da matriz inversa de A. Repetindo o procedimento para cada coluna temos Av j = e j, j = 1 : n (7) 124 / 165
125 Cálculo da Matriz Inversa Agora basta usar algum dos métodos que vimos para resolver os sistemas lineares da equação (7). 1. Decomposição LU LUv j = e j, j = 1 : n Basta fatorar a matriz na forma LU uma única vez, e com os fatores resolver os seguintes sistemas Ly j = e j Uv j = y j 2. Se a matriz for SPD, podemos usar decomposição de Cholesky GG T v j = e j (1) Gy j = e j, (2) G T v j = y j 125 / 165
126 Cálculo da Matriz Inversa 3. Eliminação de Gauss. Montar [ A I ] e efetuar a eliminação de Gauss de uma vez só. Assim obtemos [ U T ] onde T é uma matriz triangular inferior. Em seguida dado que temos U triangular superior, basta resolver a seguinte sequência de sistemas Uv j = t j onde t j é a coluna j da matriz T. 126 / 165
127 Cálculo da Matriz Inversa Exemplo Calcular a inversa da seguinte matriz A = Assim temos Efetuando a eliminação de Gauss obtemos /4 3/2 3/ /5 3/5 1/ / 165
128 Cálculo da Matriz Inversa Exemplo Agora basta resolver /4 3/2 v 1 = 3/ /5 3/ /4 3/ / /4 3/ /5 0 v 2 = 1 1/5 0 v 3 = / 165
129 Conteúdo Aula passada Decomposição de Cholesky Decomposição LDL T Cálculo da Matriz Inversa Aula de hoje Métodos Iterativos Método de Jacobi Método de Gauss-Seidel Método SOR 129 / 165
130 Métodos Iterativos O sistema de equações lineares Ax = b pode ser resolvido por um processo que gera a partir de um vetor inicial x (0) uma sequência de vetores x (1), x (2), x (3),... que deve convergir para a solução. Existem muitos métodos iterativos para a solução de sistemas lineares, entretanto só iremos estudar os chamados métodos iterativos estacionários. Algumas perguntas importantes são: Como construir a sequência {x (0), x (1), x (2),...}? x (k) x? Quais são as condições para convergência? Como saber se x (k) está próximo de x? Critério de parada? 130 / 165
131 Métodos Iterativos Um método iterativo escrito na forma x (k+1) = Bx (k) + c (8) é dito estacionário quando a matriz B for xa durante o processo iterativo. Veremos como construir a matriz B para cada um dos métodos que iremos estudar: Jacobi, Gauss-Seidel e Sobre-relaxação (SOR). Antes, é preciso rever alguns conceitos como norma de vetores e matrizes, os quais serão importantes no desenvolvimento do critério de parada e na análise de convergência dos métodos. 131 / 165
132 Normas de Vetores e Matrizes Para discutir o erro envolvido nas aproximações é preciso associar a cada vetor e matriz um valor escalar não negativo que de alguma forma mede sua magnitude. As normas para vetores mais comuns são: Norma euclideana (ou norma L 2 ) x 2 = (x x x 2 n) 1/2 Norma innito (ou norma do máximo) x = max 1 i n x i Normas vetoriais devem satisfazer às seguintes propriedades: 1. x > 0 se x 0, x = 0 se x = 0 2. αx = α x, onde α é um escalar 3. x + y x + y 132 / 165
133 Normas de Vetores e Matrizes Normas de matrizes tem que satisfazer a propridades similares: 1. A > 0 se A 0, A = 0 se A = 0 2. αa = α A, onde α é um escalar 3. A + B A + B 4. AB A B 5. Ax A x Iremos fazer uso em diversos momentos da seguinte norma matricial n A = max a ij 1 i n j=1 Exemplo A = [ 4 ] A = max{10, 7} = / 165
134 Critério de Parada A distância entre dois vetores x e y pode ser calculada como x y 2 ou x y Iremos usar a norma innito nos algoritmos que iremos descrever. Seja x (k+1) e x (k) duas aproximações para o vetor solução x de um sistema de equações lineares. Critério de parada x (k+1) x (k) x (k+1) = max x(k+1) i onde ε é a precisão desejada (Ex: 10 3 ). x (k) i max x (k+1) i < ε Na prática também adotamos um número máximo de iterações para evitar que o programa execute indenidamente, caso o método não convirja para um determinado problema. k < k max 134 / 165
135 Método de Jacobi Vamos ilustrar a idéia do método de Jacobi através de um exemplo. Seja o seguinte sistema: o qual pode ser escrito como a 11 x 1 + a 12 x 2 + a 13 x 3 = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 = b 2 a 31 x 1 + a 32 x 2 + a 33 x 3 = b 3 x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 A partir de uma aproximação inicial x (0) x (0) 1 = x (0) 2 x (0) / 165
Resolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Introdução 2 Alguns Conceitos de Álgebra Linear 3 Sistemas Lineares 4 Métodos Computacionais 5 Sistemas Triangulares 6 Revisão Introdução Introdução Introdução
Leia maisResolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Aula Anterior 2 Decomposição LU 3 Decomposição LU com Pivotamento 4 Revisão Aula Anterior Aula Anterior Aula Anterior Aula Anterior Eliminação de Gauss Transforma
Leia maisResolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Aula Anterior 2 3 Revisão Aula Anterior Aula Anterior Aula Anterior Aula Anterior Decomposição LU A matriz de coeficientes é decomposta em L e U L é uma matriz
Leia maisAlgoritmos Numéricos 2 a edição
Algoritmos Numéricos 2 a edição Capítulo 2: Sistemas lineares c 2009 FFCf 2 2.1 Conceitos fundamentais 2.2 Sistemas triangulares 2.3 Eliminação de Gauss 2.4 Decomposição LU Capítulo 2: Sistemas lineares
Leia maisSISTEMAS LINEARES PROF. EDÉZIO
SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x
Leia maisSistemas Lineares. Métodos Iterativos Estacionários
-58 Sistemas Lineares Estacionários Lucia Catabriga e Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo -
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisSistemas Lineares Métodos Diretos
Sistemas Lineares Métodos Diretos Andrea M. P. Valli, Lucia Catabriga avalli@inf.ufes.br, luciac@inf.ufes.br March 19, 2018 Andrea M. P. Valli, Lucia Catabriga (UFES) DI-PPGI/UFES March 19, 2018 1 / 34
Leia maisConsideremos um sistema linear de n equações lineares e n incógnitas, do tipo:
58 3. Resolução de Sistemas Lineares MÉTODOS DIRETOS: são métodos que determinam a solução de um sistema linear com um número finito de operações. Entre os métodos diretos (Eliminação de Gauss, Eliminação
Leia maisResolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 27 de fevereiro de 2015 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Leia maisResolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 27 de agosto de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Leia maisAgenda do Dia Aula 14 (19/10/15) Sistemas Lineares: Introdução Classificação
Agenda do Dia Aula 14 (19/10/15) Sistemas Lineares: Introdução Classificação Sistemas Lineares Sistemas lineares são sistemas de equações com m equações e n incógnitas formados por equações lineares. Um
Leia maisMétodos Numéricos - Notas de Aula
Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 Introdução Sistemas Lineares Sistemas lineares são sistemas de equações com m equações e n incógnitas formados por equações lineares,
Leia maisResolução de Sistemas de Equações Lineares
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Resolução de Sistemas de Equações
Leia mais2. Sistemas lineares
2. Sistemas lineares 2.1 Conceitos fundamentais. 2.2 Sistemas triangulares. 2.3 Eliminação de Gauss. 2.4 Decomposição LU. 2.5 Decomposição de Cholesky. 2.6 Decomposição espectral. 2.7 Uso da decomposição.
Leia maisUma equação linear com n variáveis tem a seguinte forma:
Edgard Jamhour Uma equação linear com n variáveis tem a seguinte forma: a 1 x 1 + a 2 x 2 +... + a n x n = b onde a 1, a 2,..., a n e b são constantes reais. Um sistema de equações lineares é um conjunto
Leia maisINTRODUÇÃO AOS MÉTODOS NUMÉRICOS. Solução de Sistemas Lineares
INTRODUÇÃO AOS MÉTODOS NUMÉRICOS Solução de Sistemas Lineares Introdução Uma variedade de problemas de engenharia pode ser resolvido através da análise linear; entre eles podemos citar: determinação do
Leia maisSolução de sistemas de equações lineares
Cálculo Numérico Solução de sistemas de equações lineares Prof Daniel G Alfaro Vigo dgalfaro@dccufrjbr Departamento de Ciência da Computação IM UFRJ Parte I Métodos diretos Motivação: Circuito elétrico
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Leia maisModelagem Computacional. Parte 6 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 6 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 6 e 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisSistemas Lineares - Eliminação de Gauss
1-28 Sistemas Lineares - Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-28
Leia maisDisciplina: Cálculo Numérico IPRJ/UERJ. Sílvia Mara da Costa Campos Victer. Aula 6 - Solução de Sistema de Equações Algébricas
Disciplina: Cálculo Numérico IPRJ/UERJ Sílvia Mara da Costa Campos Victer Aula 6 - Solução de Sistema de Equações Algébricas Métodos diretos: 1- Eliminação de Gauss com substituição recuada 2- Decomposição
Leia maisMétodos Numéricos. Turma CI-202-X. Josiney de Souza.
Métodos Numéricos Turma CI-202-X Josiney de Souza josineys@inf.ufpr.br Agenda do Dia Aula 15 (21/10/15) Sistemas Lineares Métodos Diretos: Regra de Cramer Método da Eliminação de Gauss (ou triangulação)
Leia maisSistemas de Equações Lineares Algébricas
Sistemas de Equações Lineares Algébricas A 11 x 1 + A 12 x 2 +... + A 1n x n = b 1 A 21 x 1 + A 22 x 2 +... + A 2n x n = b 2............... A n1 x1 + A n2 x 2 +... + A nn x n = b n A 11 A 12... A 1n x
Leia maisdecomposição de Cholesky.
Decomposição LU e Cholesky Prof Doherty Andrade - DMA-UEM Sumário 1 Introdução 1 2 Método de Eliminação de Gauss 1 3 Decomposição LU 2 4 O método de Cholesky 5 5 O Algoritmo para a decomposição Cholesky
Leia maisSistemas de equações lineares
É um dos modelos mais u3lizados para representar diversos problemas de Engenharia (cálculo estrutural, circuitos elétricos, processos químicos etc.) Conservação da carga: i 1 i 2 i 3 = 0 i 3 i 4 i 5 =
Leia maisLaboratório de Simulação Matemática. Parte 6 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 6 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 6] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisResolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 5 de fevereiro de 2014 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 04/2014 Sistemas de Equações Lineares Parte 2 FATORAÇÃO LU Cálculo Numérico 3/37 FATORAÇÃO LU Uma fatoração LU de uma dada
Leia maisVetores e Geometria Analítica
Vetores e Geometria Analítica ECT2102 Prof. Ronaldo Carlotto Batista 23 de fevereiro de 2016 AVISO O propósito fundamental destes slides é servir como um guia para as aulas. Portanto eles não devem ser
Leia maisUniversidade Federal do Espírito Santo - UFES
Universidade Federal do Espírito Santo - UFES Centro Universitário Norte do Espírito Santo - CEUNES Departamento de Matemática Aplicada - DMA Prof Isaac P Santos - 2018/1 Aula: Sistemas Lineares 1 Sistemas
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 13 04/2014 Sistemas de Equações Lineares Parte 3 MÉTODOS ITERATIVOS Cálculo Numérico 3/44 MOTIVAÇÃO Os métodos iterativos
Leia maisUniversidade Federal do Espírito Santo - UFES
Universidade Federal do Espírito Santo - UFES Centro Universitário Norte do Espírito Santo - CEUNES Departamento de Matemática Aplicada - DMA Prof. Isaac P. Santos - 2018/1 Aula: Métodos Iterativos Para
Leia maisINSTITUTO SUPERIOR TÉCNICO Licenciatura em Engenharia Física Tecnológica Licenciatura em Engenharia e Gestão Industrial Ano Lectivo: 2002/
INSTITUTO SUPERIOR TÉCNICO Licenciatura em Engenharia Física Tecnológica Licenciatura em Engenharia e Gestão Industrial Ano Lectivo: / ANÁLISE NUMÉRICA Exercícios Considere o sistema linear 6 x 5 y = a)
Leia maisNotas para o Curso de Algebra Linear Il Dayse Haime Pastore 20 de fevereiro de 2009
Notas para o Curso de Álgebra Linear Il Dayse Haime Pastore 20 de fevereiro de 2009 2 Sumário 1 Matrizes e Sistemas Lineares 5 11 Matrizes 6 12 Sistemas Lineares 11 121 Eliminação Gaussiana 12 122 Resolução
Leia maisFigura : Monitoria. Monitoria Cálculo Numérico
Monitoria Cálculo Numérico 207-02 NOME Email Dia / Horário Local Ana Sofia Nunez de Abreu nunez.asofia@gmail.com Sex. 0-2h D- Luiz Eduardo Xavier luizeduardosxavier@gmail.com Ter, 5-7h Lab Rafael Mendes
Leia maisSistemas Lineares - Decomposição LU
Sistemas Lineares - Decomposição LU Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES,
Leia maisParte 0: Normas de Vetor e Matriz
Cálculo Numérico SME0104 ICMC-USP Lista : Sistemas Lineares Métodos Diretos Parte 0: Normas de Vetor e Matriz 1. Dadas as matrizes: 3 5 7 A = 3 6 B = 1 7 1 (a) Calcule A 1, B 1 e C 1 (b) Calcule A, B e
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisSolução de Sistemas Lineares: Métodos Diretos
04 de abril de 2014 Estagiária PAE: Gabriela Reis Prof. Afonso Paiva Neto Solução de Sistemas Lineares: Métodos Diretos Decomposição LU Teorema Seja A uma matriz quadrada de ordem n, e A k o menor principal
Leia maisSistemas de equações lineares
DMPA IM UFRGS Cálculo Numérico Índice Sistema de Equações Lineares 1 Sistema de Equações Lineares 2 com pivoteamento parcial 3 Método de Jacobi Método Gauss-Seidel Sistema de Equações Lineares n equações
Leia maisCálculo Numérico, Notas de aula, c Departamento de Computação, Universidade Federal de Ouro Preto. Sistemas Lineares
Cálculo Numérico, Notas de aula, 018. c Departamento de Computação, Universidade Federal de Ouro Preto. Sistemas Lineares Marcone Jamilson Freitas Souza, Departamento de Computação, Instituto de Ciências
Leia maisSolução de Sistemas Lineares: Métodos Exatos
Capítulo 4 Solução de Sistemas Lineares: Métodos Exatos 4 Introdução Uma variedade de problemas de engenharia pode ser resolvido através da análise linear; entre eles podemos citar: determinação do potencial
Leia maisCálculo Numérico Algoritmos
Cálculo Numérico Algoritmos Valdenir de Souza Junior Abril de 2007 Sumário 1 Introdução 1 2 Raízes de Equações 1 2.1 Método da Bisseção......................... 2 2.2 Método de Newton-Raphson.....................
Leia maisRenato Martins Assunção
Análise Numérica Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 84 Equação linear Sistemas de equações lineares A equação 2x + 3y = 6 é chamada linear
Leia maisEscalonamento. Sumário. 1 Pré-requisitos. 2 Sistema Linear e forma matricial. Sadao Massago a Pré-requisitos 1
Escalonamento Sadao Massago 2011-05-05 a 2014-03-14 Sumário 1 Pré-requisitos 1 2 Sistema Linear e forma matricial 1 3 Forma escalonada 3 4 Método de eliminação de Gauss (escalonamento) 5 5 A matriz inversa
Leia maisANÁLISE NUMÉRICA. Sistemas Lineares (3) 5º P. ENG. DE COMPUTAÇÃO/TELECOMUNICAÇÃO/CONTROLE FACIT / Prof. Rodrigo Baleeiro Silva
ANÁLISE NUMÉRICA Sistemas Lineares () 5º P. ENG. DE COMPUTAÇÃO/TELECOMUNICAÇÃO/CONTROLE FACIT / Prof. Rodrigo Baleeiro Silva Decomposição LU Um matriz quadrada A pode ser escrita como o produto de duas
Leia maisSistemas de Equações Lineares
Capítulo 3 Sistemas de Equações Lineares Um sistema com n equações lineares pode ser escrito na forma : ou na forma matricial onde com a 1,1 x 1 + a 1,2 x 2 + + a x n = b 1 a 2,1 x 1 + a 2,2 x 2 + + a
Leia maisMétodos iterativos para sistemas lineares.
Métodos iterativos para sistemas lineares. Alan Costa de Souza 7 de Setembro de 2017 Alan Costa de Souza Métodos iterativos para sistemas lineares. 7 de Setembro de 2017 1 / 46 Introdução. A ideia central
Leia maisParte 1 - Matrizes e Sistemas Lineares
Parte 1 - Matrizes e Sistemas Lineares Matrizes: Uma matriz de tipo m n é uma tabela com mn elementos, denominados entradas, e formada por m linhas e n colunas. A matriz identidade de ordem 2, por exemplo,
Leia maisSME0300 Cálculo Numérico Aula 11
SME0300 Cálculo Numérico Aula 11 Maria Luísa Bambozzi de Oliveira marialuisa @ icmc. usp. br Sala: 3-241 Página: tidia-ae.usp.br 21 de setembro de 2015 Tópico Anterior Sistemas Lineares: Métodos Exatos:
Leia maisUniversidade Federal de São João Del Rei - UFSJ
Universidade Federal de São João Del Rei - UFSJ Instituída pela Lei 10.425, de 19/04/2002 - D.O.U. de 22/04/2002 Pró-Reitoria de Ensino de Graduação - PROEN Disciplina: Cálculo Numérico Ano: 2012 Prof:
Leia maisé encontrado no cruzamento da linha i com a coluna j, ou seja, o primeiro índice se refere à linha e o segundo à coluna.
Ministério da Educação Secretaria de Educação Profissional e Tecnológica Instituto Federal De Santa Catarina Campus São José Professora: ELENIRA OLIVEIRA VILELA COMPONENTE CURRICULAR: ALG ÁLG. LINEAR MATRIZES
Leia maisSME602 - Cálculo Numérico - - Prof. Murilo F. Tomé. Solução Numérica de Sistema Lineares A = MÉTODOS DIRETOS. x y z
SME602 - Cálculo Numérico - - Prof. Murilo F. Tomé Solução Numérica de Sistema Lineares NORMAS DE VETORES E MATRIZES 1. Dado o vetor v = (, 1, 8, 2) T, calcule v 1, v 2 e v. 2. Dada a matriz: A = 5 7 2
Leia maisIntrodução aos Métodos Numéricos. Instituto de Computação UFF
Introdução aos Métodos Numéricos Instituto de Computação UFF Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares. Métodos diretos Interpolação Ajuste de Curvas Zeros de Função Sistemas
Leia maisInterbits SuperPro Web
1 (Ita 018) Uma progressão aritmética (a 1, a,, a n) satisfaz a propriedade: para cada n, a soma da progressão é igual a n 5n Nessas condições, o determinante da matriz a1 a a a4 a5 a 6 a a a 7 8 9 a)
Leia maisMatrizes e Sistemas Lineares
MATEMÁTICA APLICADA Matrizes e Sistemas Lineares MATRIZES E SISTEMAS LINEARES. Matrizes Uma matriz de ordem mxn é uma tabela, com informações dispostas em m linhas e n colunas. Nosso interesse é em matrizes
Leia maisResolução de sistemas de equações lineares: Método de eliminação de Gauss - estratégias de pivotamento
Resolução de sistemas de equações lineares: Método de eliminação de Gauss - estratégias de pivotamento Marina Andretta ICMC-USP 28 de março de 2012 Baseado no livro Análise Numérica, de R. L. Burden e
Leia mais1 NOTAS DE AULA FFCLRP-USP - VETORES E GEOMETRIA ANALÍTICA. Professor Doutor: Jair Silvério dos Santos
FFCLRP-USP - VETORES E GEOMETRIA ANALÍTICA 1 NOTAS DE AULA Professor Doutor: Jair Silvério dos Santos (i) Matrizes Reais Uma matriz real é o seguinte arranjo de números reais : a 11 a 12 a 13 a 1m a 21
Leia maisFatoração LU André Luís M. Martinez UTFPR
Fatoração LU André Luís M. Martinez UTFPR Agosto de 2011 Sumário 1 Introdução Sumário 1 Introdução 2 Fatoração LU Sumário 1 Introdução 2 Fatoração LU 3 Método de Crout Sumário 1 Introdução 2 Fatoração
Leia maisSME300 - Cálculo Numérico - Turma Elétrica/Automação - Prof. Murilo F. Tomé. Lista 1: Solução Numérica de Sistema Lineares A = MÉTODOS DIRETOS.
SME300 - Cálculo Numérico - Turma Elétrica/Automação - Prof. Murilo F. Tomé Lista 1: Solução Numérica de Sistema Lineares NORMAS DE VETORES E MATRIZES 1. Dado o vetor v = ( 3, 1, 8, 2) T, calcule v 1,
Leia maisIntrodução aos Sistemas Lineares
Introdução aos Sistemas Lineares Profa Cynthia de O Laga Ferreira Métodos Numéricos e Computacionais I - SME005 Frequentemente, em todas as áres científicas, precisamos resolver problemas na forma Ax =
Leia maisI Lista de Álgebra Linear /02 Matrizes-Determinantes e Sistemas Prof. Iva Zuchi Siple
1 I Lista de Álgebra Linear - 2012/02 Matrizes-Determinantes e Sistemas Prof. Iva Zuchi Siple 1. Determine os valores de x e y que tornam verdadeira a igualdade ( x 2 + 5x x 2 ( 6 3 2x y 2 5y y 2 = 5 0
Leia maisDependência linear e bases
Dependência linear e bases Sadao Massago 2014 Sumário 1 Dependência linear 1 2 ases e coordenadas 3 3 Matriz mudança de base 5 Neste texto, introduziremos o que é uma base do plano ou do espaço 1 Dependência
Leia maisCurso de Matemática Aplicada - MCC03 Algebra Linear. Iniciado em 03 de Agosto de 2017 Notas de aula e trabalhos Márcio Vital de Arruda
Curso de Matemática Aplicada - MCC03 Algebra Linear Iniciado em 03 de Agosto de 2017 Notas de aula e trabalhos Márcio Vital de Arruda Versão 26 de setembro de 2017 1 Sumário 1 Sistemas de Equações Lineares
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia mais[a11 a12 a1n 7. SISTEMAS LINEARES 7.1. CONCEITO. Um sistema de equações lineares é um conjunto de equações do tipo
7. SISTEMAS LINEARES 7.1. CONCEITO Um sistema de equações lineares é um conjunto de equações do tipo a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 11 x 1 + a 12 x 2 +... + a 1n x n = b 2... a n1 x 1 + a
Leia maisIntrodução Sistemas Lineares
Introdução Sistemas Lineares Laura Goulart UESB 5 de Dezembro de 2018 Laura Goulart (UESB) Introdução Sistemas Lineares 5 de Dezembro de 2018 1 / 6 Motivação Uma variedade de problemas de engenharia pode
Leia maisUniversidade Federal do Rio Grande do Norte. Métodos Computacionais Marcelo Nogueira
Universidade Federal do Rio Grande do Norte Métodos Computacionais Marcelo Nogueira Sistemas Lineares Comuns na engenharia (calculo de estruturas, redes elétricas, solução de equações diferenciais) Forma
Leia maisÁlgebra Linear e Geometria Analítica
Álgebra Linear e Geometria Analítica Engenharia Electrotécnica Escola Superior de Tecnologia de Viseu wwwestvipvpt/paginaspessoais/lucas lucas@matestvipvpt 007/008 Álgebra Linear e Geometria Analítica
Leia maisA = Utilizando ponto flutuante com 2 algarismos significativos, 2 = 0, x (0)
MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Sistemas Lineares : Utilizando o método de eliminação de Gauss, calcule o determinante e a seguir a inversa da matriz abaixo. Efetue todos os
Leia maisResolução do efólio A
Resolução do efólio A Álgebra Linear I Código: 21002 I. Questões de escolha múltipla. Em cada questão de escolha múltipla apenas uma das armações a), b), c), d) é verdadeira. Indique-a marcando ˆ no quadrado
Leia maisResolução de sistemas de equações lineares: Método de eliminação de Gauss - estratégias de pivotamento
Resolução de sistemas de equações lineares: Método de eliminação de Gauss - estratégias de pivotamento Marina Andretta/Franklina Toledo ICMC-USP 3 de setembro de 2012 Baseado no livro Análise Numérica,
Leia maisCálculo Numérico. Resumo e Exercícios P1
Cálculo Numérico Resumo e Exercícios P1 Fórmulas e Resumo Teórico Parte 1 Aritmética de ponto flutuante Operar com o número de algarismos significativos exigido. Arredondar após cada conta. Método de escalonamento
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2015.2 21 de
Leia maisCálculo Numérico. Aula 8 Sistemas de Equações Lineares / Parte /04/2014. Prof. Guilherme Amorim*
Cálculo Numérico Aula 8 Sistemas de Equações Lineares / Parte 1 2014.1-29/04/2014 Prof. Guilherme Amorim* gbca@cin.ufpe.br * Com algumas modificações pelo Prof. Sergio Queiroz Perguntas... O que é um sistema
Leia maisProduto Misto, Determinante e Volume
15 Produto Misto, Determinante e Volume Sumário 15.1 Produto Misto e Determinante............ 2 15.2 Regra de Cramer.................... 10 15.3 Operações com matrizes............... 12 15.4 Exercícios........................
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2017.1 18 de
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia mais1, , ,
Ministério da Educação Universidade Tecnológica Federal do Paraná Câmpus Francisco Beltrão Licenciatura em Informática Fundamentos de Geometria Analítica e Álgebra Linear Profª Sheila R. Oro Este texto
Leia maisExercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA
Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA Licenciaturas em Engenharia do Ambiente e Química 2 o Semestre de 2005/2006 Capítulo III Resolução Numérica de Sistemas de Equações Normas, Erros e Condicionamento.
Leia maisSistemas de Equações Lineares
Sistemas de Equações Lineares Análise Numérica Artur M C Brito da Cruz Escola Superior de Tecnologia Instituto Politécnico de Setúbal 5/6 versão de Setembro de 7 Conteúdo Matrizes 3 Operações com Matrizes
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisSistemas de Equações Lineares Algébricas
Sistemas de Equações Lineares Algébricas A x + A x +... + A n x n b A x + A x +... + A n x n b............... A n x + A n x +... + A nn x n b n A A... A n x b A A... A n x b.................. A n A n...
Leia maisn. 1 Matrizes Cayley (1858) As matrizes surgiram para Cayley ligadas às transformações lineares do tipo:
n. Matrizes Foi um dos primeiros matemáticos a estudar matrizes, definindo a ideia de operarmos as matrizes como na Álgebra. Historicamente o estudo das Matrizes era apenas uma sombra dos Determinantes.
Leia maisALGEBRA LINEAR 1 RESUMO E EXERCÍCIOS* P1
ALGEBRA LINEAR 1 RESUMO E EXERCÍCIOS* P1 *Exercícios de provas anteriores escolhidos para você estar preparado para qualquer questão na prova. Resoluções em VETORES Um vetor é uma lista ordenada de números
Leia maisRoteiros e Exercícios - Álgebra Linear v1.0
Roteiros e Exercícios - Álgebra Linear v1.0 Robinson Alves Lemos 14 de janeiro de 2017 Introdução Este material é um roteiro/apoio para o curso de álgebra linear da engenharia civil na UNEMAT de Tangará
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo temático Sistemas de Equações Lineares. Métodos diretos Conteúdo
Leia maisNotas de Aulas de Matrizes, Determinantes e Sistemas Lineares
FATEC Notas de Aulas de Matrizes, Determinantes e Sistemas Lineares Prof Dr Ânderson Da Silva Vieira 2017 Sumário Introdução 2 1 Matrizes 3 11 Introdução 3 12 Tipos especiais de Matrizes 3 13 Operações
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 04 - sistemas lineares Antonio Oliveira Ricardo Marroquim 1 / 32 laboratório de processamento de imagens tópicos decomposições (álgebra linear) decomposição QR decomposição
Leia maisMétodo de Newton modificado
Método de Newton modificado Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de setembro de 2010 1 / 36 Método de Newton Como já vimos, o método
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Matrizes e Sistemas de Equações Lineares
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 1 Matrizes e Sistemas de Equações Lineares Geometria anaĺıtica em R 3 [1 01]
Leia maisMétodos Matemáticos II
Sumário Métodos Matemáticos II Nuno Bastos Licenciatura em Tecnologias e Design Multimédia Escola Superior de Tecnologia de Viseu Gabinete 4 nbastos@mat.estv.ipv.pt http://www.estv.ipv.pt/paginaspessoais/nbastos.
Leia maisMATRIZES. Álgebra Linear e Geometria Analítica Prof. Aline Paliga
MATRIZES Álgebra Linear e Geometria Analítica Prof. Aline Paliga INTRODUÇÃO Definição: chama-se matriz de ordem m por n a um quadro de m xn elementos dispostos em m linhas e n colunas. a a a a a a a a
Leia maisDeterminantes. Prof. Márcio Nascimento
Determinantes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2015.2 4 de fevereiro
Leia maisLaboratório de Simulação Matemática. Parte 7 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 7 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia mais