Baixe o app para aproveitar ainda mais
Prévia do material em texto
CÁLCULO NUMÉRICO AULA 3 Prof.ª Fernanda Fonseca 2 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 3 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. 𝑎𝑎1𝑥𝑥1 + 𝑎𝑎2𝑥𝑥2 + 𝑎𝑎3𝑥𝑥3 + ⋯+ 𝑎𝑎𝑛𝑛𝑥𝑥𝑛𝑛 = 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 4 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 2𝑥𝑥1 + 4𝑥𝑥2 − 3𝑥𝑥3 = 1 3𝑥𝑥1 + 6𝑥𝑥2 − 5𝑥𝑥3 = 0 ⇒ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆çã𝑆𝑆:𝑋𝑋 = � 1 2 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): � 𝑎𝑎11𝑥𝑥1 + 𝑎𝑎12𝑥𝑥2 + 𝑎𝑎13𝑥𝑥3 = 𝑏𝑏1 𝑎𝑎21𝑥𝑥1 + 𝑎𝑎22𝑥𝑥2 + 𝑎𝑎23𝑥𝑥3 = 𝑏𝑏2 𝑎𝑎31𝑥𝑥1 + 𝑎𝑎32𝑥𝑥2 + 𝑎𝑎33𝑥𝑥3 = 𝑏𝑏3 ⇒ � 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 � � 𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 � = � 𝑏𝑏1 𝑏𝑏2 𝑏𝑏3 � (2). 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: 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑎𝑎 𝐼𝐼: �5,00𝑥𝑥1 + 3,00𝑥𝑥2 = 15 5,01𝑥𝑥1 + 3,00𝑥𝑥2 = 15 ⇒ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆çã𝑆𝑆 𝑋𝑋 = �05�; 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑎𝑎 𝐼𝐼𝐼𝐼: �5,00𝑥𝑥1 + 3,00𝑥𝑥2 = 15 5,00𝑥𝑥1 + 3,01𝑥𝑥2 = 15 ⇒ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆çã𝑆𝑆 𝑋𝑋 = �32�. 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(𝑁𝑁𝑆𝑆𝑁𝑁𝑆𝑆 𝐴𝐴) = det𝐴𝐴 𝛼𝛼1∙𝛼𝛼2∙𝛼𝛼3∙…∙𝛼𝛼𝑛𝑛 (3), 5 em que 𝛼𝛼𝑖𝑖 = �(𝑎𝑎𝑖𝑖1)2 + (𝑎𝑎𝑖𝑖2)2 + ⋯+ (𝑎𝑎𝑖𝑖𝑛𝑛)2 para valores de 𝑆𝑆 = 1, 2, 3, … ,𝑛𝑛. No caso dos sistemas em análise, veja o sistema I. 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑎𝑎 𝐼𝐼: �5,00𝑥𝑥1 + 3,00𝑥𝑥2 = 15 5,01𝑥𝑥1 + 3,00𝑥𝑥2 = 15 ( ) ( ) ( ) ( ) 2 2 1 2 2 2 5,00 3,00 5,830952 5,01 3,00 5,839529 5,00 3,00 det A 0,03 5,01 3,00 α = + = α = + = = = − Logo, ( ) ( ) ( ) ( ) 0,03det 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): 6 • 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 𝑥𝑥1 = det𝐴𝐴1 det𝐴𝐴 = � 𝑏𝑏1 𝑎𝑎12 𝑎𝑎13 𝑏𝑏2 𝑎𝑎22 𝑎𝑎23 𝑏𝑏3 𝑎𝑎32 𝑎𝑎33 � � 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 � ; 𝑥𝑥2 = det𝐴𝐴2 det𝐴𝐴 = � 𝑎𝑎11 𝑏𝑏1 𝑎𝑎13 𝑎𝑎21 𝑏𝑏2 𝑎𝑎23 𝑎𝑎31 𝑏𝑏3 𝑎𝑎33 � � 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 � ; 𝑥𝑥3 = det𝐴𝐴3 det𝐴𝐴 = � 𝑎𝑎11 𝑎𝑎12 𝑏𝑏1 𝑎𝑎21 𝑎𝑎22 𝑏𝑏2 𝑎𝑎31 𝑎𝑎32 𝑏𝑏3 � � 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. 𝑥𝑥𝑖𝑖 = det𝐴𝐴𝑖𝑖 det𝐴𝐴 (4) 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 𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4 𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ � 1 1 1 1 2 4 1 3 9 � � 𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 � = � 1 4 9 � Nessa notação, a matriz 𝐴𝐴 dos coeficientes das variáveis das equações é dada por 𝐴𝐴 = � 1 1 1 1 2 4 1 3 9 �. E a matriz 𝐵𝐵 das constantes das equações é dada por 7 𝐵𝐵 = � 1 4 9 �. Calculando o determinando da matriz 𝐴𝐴, tem-se det𝐴𝐴 = � 1 1 1 1 2 4 1 3 9 � = 2. Determinam-se as matrizes 𝐴𝐴𝑖𝑖, substituindo a coluna 𝑆𝑆 pelos elementos da matriz 𝐵𝐵, para 𝑆𝑆 = 1, 2, 3. 𝐴𝐴1 = � 1 1 1 4 2 4 9 3 9 � 𝐴𝐴2 = � 1 1 1 1 4 4 1 9 9 � 𝐴𝐴3 = � 1 1 1 1 2 4 1 3 9 � Calculando o determinando das matrizes 𝐴𝐴𝑖𝑖, tem-se: det𝐴𝐴1 = � 1 1 1 4 2 4 9 3 9 � = 0; det𝐴𝐴2 = � 1 1 1 1 4 4 1 9 9 � = 0; det𝐴𝐴3 = � 1 1 1 1 2 4 1 3 9 � = 2. Nesse caso, as incógnitas podem ser determinadas pela equação 4: 𝑥𝑥1 = det𝐴𝐴1 det𝐴𝐴 = 0 2 = 0; 𝑥𝑥2 = det𝐴𝐴2 det𝐴𝐴 = 0 2 = 0; 𝑥𝑥3 = det𝐴𝐴3 det𝐴𝐴 = 2 2 = 1. Logo, a solução do sistema de equações lineares é dada por 𝑋𝑋 = � 0 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. 8 � 𝑎𝑎11𝑥𝑥1 + 𝑎𝑎12𝑥𝑥2 + 𝑎𝑎13𝑥𝑥3 = 𝑏𝑏1 𝑎𝑎21𝑥𝑥1 + 𝑎𝑎22𝑥𝑥2 + 𝑎𝑎23𝑥𝑥3 = 𝑏𝑏2 𝑎𝑎31𝑥𝑥1 + 𝑎𝑎32𝑥𝑥2 + 𝑎𝑎33𝑥𝑥3 = 𝑏𝑏3 ⇒ 𝑀𝑀𝑎𝑎𝑆𝑆𝑁𝑁𝑆𝑆𝑀𝑀 𝑎𝑎𝑆𝑆𝑆𝑆𝑆𝑆𝑛𝑛𝑆𝑆𝑎𝑎𝑎𝑎𝑎𝑎 [𝐴𝐴|𝐵𝐵] � 𝑎𝑎11 𝑎𝑎12 𝑎𝑎13 𝑎𝑎21 𝑎𝑎22 𝑎𝑎23 𝑎𝑎31 𝑎𝑎32 𝑎𝑎33 � 𝑏𝑏1 𝑏𝑏2 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 𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4 𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ � 1 1 1 1 2 4 1 3 9 � 1 4 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. 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 2 4 1 3 9 � 1 4 9 � 9 Para zerar os elementos abaixo dele da segunda e terceira linhas, faremos as seguintes operações com todos os elementos da linha: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3. Dessa maneira, teremos 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 2 4 1 3 9 � 1 4 9 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 2 8 � 1 3 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: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 2 8 � 1 3 8 �. Para zerar o elemento abaixo dele na terceira linha, faremos a seguinte operação com todos os elementos da linha: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: (−2) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 2 8 � 1 3 8 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 2 � 1 3 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 transforme em 1. Nesse caso, multiplicaremos a linha por 1 2 . 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: 1 2 ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 2 � 1 3 2 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 1 � 1 3 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 0 1 3 0 0 1 � 1 3 1 � ⇒ � 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 𝑥𝑥2 + 3𝑥𝑥3 = 3 𝑥𝑥3 = 1 Resolvendo o sistema com base nas equações (de baixo para cima), tem- se 𝑇𝑇𝑆𝑆𝑁𝑁𝑇𝑇𝑆𝑆𝑆𝑆𝑁𝑁𝑎𝑎 𝑆𝑆𝑒𝑒𝑆𝑆𝑎𝑎çã𝑆𝑆 𝑎𝑎𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑎𝑎: 𝑥𝑥3 = 1 ; 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑎𝑎 𝑆𝑆𝑒𝑒𝑆𝑆𝑎𝑎çã𝑆𝑆 𝑎𝑎𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑎𝑎: 𝑥𝑥2 + 3𝑥𝑥3 = 3 ⇒ 𝑥𝑥2 + 3(1) = 3 ⇒ 𝑥𝑥2 = 0 ; 10 𝑃𝑃𝑁𝑁𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑁𝑁𝑎𝑎 𝑆𝑆𝑒𝑒𝑆𝑆𝑎𝑎çã𝑆𝑆 𝑎𝑎𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑎𝑎: 𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 ⇒ 𝑥𝑥1 + (0) + (1) = 1 ⇒ 𝑥𝑥1 = 0 . Logo, a solução desse sistema de equações lineares é dada por 𝑋𝑋 = � 0 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 𝑥𝑥1 + 2𝑥𝑥2 + 4𝑥𝑥3 = 4 𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ � 1 1 1 1 2 4 1 3 9 � 1 4 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. 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 2 4 1 3 9 � 1 4 9 � Para zerar os elementos, abaixo dele, da segunda e da terceira linhas, faremos as seguintes operações com todos os elementos da linha: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3. Dessa maneira, teremos 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 2 4 1 3 9 � 1 4 9 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 10 1 3 0 2 8 � 1 3 8 �. 11 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. 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 2 8 � 1 3 8 � Para zerar o elemento, abaixo dele, da terceira linha, faremos a seguinte operação com todos os elementos da linha: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: (−2) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 2 8 � 1 3 8 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 2 � 1 3 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 transforme em 1. Nesse caso, multiplicaremos a linha por 1 2 . 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: 1 2 ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 2 � 1 3 2 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 1 � 1 3 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: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: (−3) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 3 0 0 1 � 1 3 1 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 0 0 1 0 0 0 1 � 0 0 1 �. Veja que todos os elementos acima desse pivô já são nulos. Nesse caso, retornamos ao pivô da linha acima (linha 2). 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 0 0 1 0 0 0 1 � 0 0 1 � 12 Para zerar o elemento acima do pivô da segunda linha, faremos a seguinte operação com todos os elementos da linha 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 0 0 1 0 0 0 1 � 0 0 1 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 0 0 0 1 0 0 0 1 � 0 0 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 1 0 0 0 1 � 0 0 1 � ⇒ � 𝑥𝑥1 = 0 𝑥𝑥2 = 0 𝑥𝑥3 = 1 . Logo, a solução desse sistema de equações lineares é dada por 𝑋𝑋 = � 0 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: 𝐴𝐴 = � 1 1 1 1 −1 4 1 3 6 �. Resolução: reescrevemos a matriz A como uma conjugação [𝐴𝐴|𝐼𝐼]: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 −1 4 1 3 6 � 1 0 0 0 1 0 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. 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 −1 4 1 3 6 � 1 0 0 0 1 0 0 0 1 � 13 Para zerar os elementos abaixo daquele pivô, realizamos as seguintes operações com todos os elementos das linhas 1 e 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3. Dessa maneira, teremos 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 1 −1 4 1 3 6 � 1 0 0 0 1 0 0 0 1 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 −2 3 0 2 5 � 1 0 0 −1 1 0 −1 0 1 �. Como todos os elementos abaixo do pivô da primeira linha já são nulos, buscaremos um novo pivô na segunda linha. 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 −2 3 0 2 5 � 1 0 0 −1 1 0 −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. Nesse caso, multiplicaremos a linha 2 por −1 2 : 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: �− 1 2 � ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 −2 3 0 2 5 � 1 0 0 −1 1 0 −1 0 1 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 − 3 2� 0 2 5 � 1 0 0 1 2� − 1 2� 0 −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: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: (−2) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 − 3 2� 0 2 5 � 1 0 0 1 2� − 1 2� 0 −1 0 1 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 − 3 2� 0 0 8 � 1 0 0 1 2� − 1 2� 0 −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 elemento em 1. Nesse caso, multiplicaremos a linha 3 por 1 8 : 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: �1 8 � ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3; 14 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 −3 2� 0 0 8 � 1 0 0 1 2� − 1 2� 0 −2 1 1 � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 − 3 2� 0 0 1 � 1 0 0 1 2� − 1 2� 0 − 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: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: �3 2 � ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2. Dessa maneira, teremos 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: � 1 1 1 0 1 − 3 2� 0 0 1 � 1 0 0 1 2� − 1 2� 0 − 1 4� 1 8� 1 8� � ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: ⎣ ⎢ ⎢ ⎡1 1 0 0 1 0 0 0 1 � 5 4� −1 8� − 1 8� 1 8� − 5 16� 3 16� − 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. 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: ⎣ ⎢ ⎢ ⎡1 1 0 0 1 0 0 0 1 � 5 4� − 1 8� − 1 8� 1 8� −5 16� 3 16� − 1 4� 1 8� 1 8� ⎦ ⎥ ⎥ ⎤ Para isso, utilizamos a operação elementar por linha na linha 1, dada por 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: (−1) ∙ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2 + 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1; 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: ⎣ ⎢ ⎢ ⎡1 1 0 0 1 0 0 0 1 � 5 4� −1 8� − 1 8� 1 8� − 5 16� 3 16� − 1 4� 1 8� 1 8� ⎦ ⎥ ⎥ ⎤ ⇒ 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 1: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 2: 𝐿𝐿𝑆𝑆𝑛𝑛ℎ𝑎𝑎 3: ⎣ ⎢ ⎢ ⎡1 0 0 0 1 0 0 0 1 � 9 8� 3 16� − 5 16� 1 8� − 5 16� 3 16� − 1 4� 1 8� 1 8� ⎦ ⎥ ⎥ ⎤ . Veja quenão 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 15 [𝐼𝐼|𝐴𝐴−1] = ⎣ ⎢ ⎢ ⎡1 0 0 0 1 0 0 0 1 � 9 8� 3 16� −5 16� 1 8� −5 16� 3 16� − 1 4� 1 8� 1 8� ⎦ ⎥ ⎥ ⎤ ⇒ 𝐴𝐴−1 = ⎣ ⎢ ⎢ ⎡ 9 8� 3 16� −5 16� 1 8� −5 16� 3 16� − 1 4� 1 8� 1 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 𝑈𝑈 ∙ 𝑋𝑋 = 𝑌𝑌 (7) 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 16 Resolução: primeiramente, escreve-se o sistema de equações no formato matricial 𝐴𝐴 ∙ 𝑋𝑋 = 𝐵𝐵: 1 2 3 1 1 1 x 1 1 2 4 x 4 1 3 9 x 9 = , em que 1 2 3 1 1 1 A 1 2 4 1 3 9 x X x x 1 B 4 9 = = = . O método consiste em fatorar a matriz A em um produto de matrizes L e U: 𝐿𝐿𝑈𝑈 ∙ 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: pivô Na Matriz A a Linha 1= Linha 1 Matriz L recebe o inverso de 1 Matriz LMatriz A Matriz U 1 0 0Linha 1: 1 1 Linha 1: Linha 2: 1 2 4 Linha 1 2: ? ? 0 Linha 3: 1 3 9 Linha 3: ? ? 1 1 ? ⋅ ⇒ ⇒ Depois, zeramos os elementos abaixo do pivô: 17 pivô Linha 2= Linha 1+Linha 2 Matriz L recebe o oposto dos multiplicadores Linha 3= Linha 1+Linha 3 Matriz A Matriz U Matriz L Linha 1: 1 1 Linha 1: Linha 2: 0 1 3 Linha 2: Linha 3: 0 2 8 Linha 3 1 1 - -1 ⋅ ⇒ ⋅ ⇒ 1 0 0 ? 0 : ? ? 1 1 + + Para determinar o pivô da linha 2, executa-se a seguinte operação: pivô Linha 2= Linha 2 Matriz L recebe o inverso do multiplicador Matriz A Matriz U Matriz L 1 1 1 1 0 0Linha 1: Linha 1: 1Linha 2: 0 3 Linha 2: 1 0 Lin 3 1 ha 3: 0 2 8 Linha : 1 ? ? 1 1 ⋅ ⇒ ⇒ Em seguida, zerando o elemento abaixo do pivô: Para determinar o pivô da Linha 3, devemos agir do seguinte modo: pivô Linha 3= Linha 3 Matriz L recebe o inverso do multiplicador 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: Linha 3: 1 20 1 2 10 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 = = . pivô Linha 3= Linha 2+Linha 3 Matriz L recebe o oposto do multiplicador Matriz A Matriz U Matriz L 1 1 1Linha 1: Linha 1: 1 0 0 Linha 2: 0 3 Lin 2 L - ha 2: 1 1 0 inha 3: 0 0 2 Linha 3: 1 ?2 1 ⋅ ⇒ ⇒ + 18 O nosso próximo passo é determinar a matriz Y, resolvendo o sistema dado por 𝐿𝐿 ∙ 𝑌𝑌 = 𝐵𝐵. 1 2 3 1 1 2 2 1 2 3 3 1 0 0 y 1 1 1 0 y 4 1 2 2 y 9 y 1 1 y y 4 y 3 Y 3 y 2y 2y 9 y 1 1 = = + = ⇒ = ⇒ = + + = ⇒ = Resolvendo o sistema 𝑈𝑈 ∙ 𝑋𝑋 = 𝑌𝑌, encontramos a solução do sistema de equações original. 1 2 3 1 2 3 1 2 3 2 3 1 1 1 x 1 0 1 3 x 3 0 0 1 x 1 x x x 1 x 0 0 x 3x 3 x 0 X 0 x 1 1 = + + = ⇒ = + = ⇒ = ⇒ = = Logo, a solução desse sistema de equações lineares é dada por 𝑋𝑋 = � 0 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 19 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). |𝑎𝑎𝑖𝑖𝑖𝑖| ≥��𝑎𝑎𝑖𝑖𝑖𝑖� 𝑛𝑛 𝑖𝑖=1 𝑖𝑖≠𝑖𝑖 (8) 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. 𝑥𝑥𝑖𝑖 (𝑘𝑘) = 𝜑𝜑𝑖𝑖�𝑋𝑋(𝑘𝑘−1)� ⇒ 𝑥𝑥𝑖𝑖 (𝑘𝑘) = 𝑏𝑏𝑖𝑖 − ∑ 𝑎𝑎𝑖𝑖𝑖𝑖 ∙ 𝑥𝑥𝑖𝑖 (𝑘𝑘)𝑛𝑛 𝑖𝑖=1,𝑖𝑖≠𝑖𝑖 𝑎𝑎𝑖𝑖𝑖𝑖 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎 𝑆𝑆 = 1, 2, 3, … (9) 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 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: 2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 ⇒ 𝑥𝑥1 = 1−𝑥𝑥2−𝑥𝑥3 2 . Verificação do critério: |2| = |1| + |1| → 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆; 𝑥𝑥1 + 4𝑥𝑥2 + 2𝑥𝑥3 = 2 ⇒ 𝑥𝑥2 = 2−𝑥𝑥1−2𝑥𝑥3 4 . Verificação do critério: |4| > |1| + |2| → 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆; 𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ 𝑥𝑥3 = 9−𝑥𝑥1−3𝑥𝑥2 9 . Verificação do critério: |9| > |1| + |3| → 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆. Nesse caso, adotaremos o sistema de equações a seguir, para resolução do sistema. ⎩ ⎪⎪ ⎨ ⎪⎪ ⎧ 𝑥𝑥1(𝑘𝑘) = 1 − 𝑥𝑥2(𝑘𝑘−1) − 𝑥𝑥3(𝑘𝑘−1) 2 𝑥𝑥2(𝑘𝑘)= 2 − 𝑥𝑥1(𝑘𝑘−1) − 2𝑥𝑥3(𝑘𝑘−1) 4 𝑥𝑥3(𝑘𝑘) = 9 − 𝑥𝑥1(𝑘𝑘−1) − 3𝑥𝑥2(𝑘𝑘−1) 9 20 Adotamos como ponto de partida 𝑋𝑋(0) = � 0 0 0 �, para o qual � 𝑥𝑥1(0) = 0 𝑥𝑥2(0) = 0 𝑥𝑥3(0) = 0 . Na primeira iteração (𝑘𝑘 = 1), teremos: ⎩ ⎪ ⎨ ⎪ ⎧ 𝑥𝑥1(1) = 1−𝑥𝑥2(0)−𝑥𝑥3(0) 2 𝑥𝑥2(1) = 2−𝑥𝑥1(0)−2𝑥𝑥3(0) 4 𝑥𝑥3(1) = 9−𝑥𝑥1(0)−3𝑥𝑥2(0) 9 ⇒ ⎩ ⎪ ⎨ ⎪ ⎧ 𝑥𝑥1(1) = 1−0−0 2 𝑥𝑥2(1) = 2−0−2(0) 4 𝑥𝑥3(1) = 9−0−3(0) 9 . Logo, � 𝑥𝑥1(1) = 0,5 𝑥𝑥2(1) = 0,5 𝑥𝑥3(1) = 1 ⇒ 𝑋𝑋(1) = � 0,5 0,5 1 �. O critério de parada deve ser verificado em relação a todas as variáveis. Todas as variáveis devem atender ao critério de parada. ⎩ ⎪ ⎨ ⎪ ⎧𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 (1) − 𝑥𝑥1 (0)� ⇒ |0,5 − 0| = 0,5 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 (1) − 𝑥𝑥2 (0)� ⇒ |0,5 − 0| = 0,5 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 (1) − 𝑥𝑥3 (0)� ⇒ |1 − 0| = 1 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) Nesse caso, faremos uma nova iteração (𝑘𝑘 = 2). ⎩ ⎪⎪ ⎨ ⎪⎪ ⎧ 𝑥𝑥1(2) = 1 − 𝑥𝑥2(1) − 𝑥𝑥3(1) 2 𝑥𝑥2(2) = 2 − 𝑥𝑥1(1) − 2𝑥𝑥3(1) 4 𝑥𝑥3(2) = 9 − 𝑥𝑥1(1) − 3𝑥𝑥2(1) 9 ⇒ ⎩ ⎪ ⎨ ⎪ ⎧ 𝑥𝑥1(2) = 1 − (0,5) − (1) 2 𝑥𝑥2(2) = 2 − (0,5) − 2(1) 4 𝑥𝑥3(2) = 9 − (0,5) − 3(0,5) 9 Logo, � 𝑥𝑥1(2) = −0,25 𝑥𝑥2(2) = −0,125 𝑥𝑥3(2) = 0,777778 ⇒ 𝑋𝑋(2) = � −0,25 −0,125 0,777778 �. Verificamos então o critério de parada. ⎩ ⎪ ⎨ ⎪ ⎧ 𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 (2) − 𝑥𝑥1 (1)� ⇒ |−0,25 − 0,5| = 0,75 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 (2) − 𝑥𝑥2 (1)� ⇒ |−0,125 − 0,5| = 0,625 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 (2) − 𝑥𝑥3 (1)� ⇒ |0,777778 − 1| = 0,222222 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 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). 21 Tabela 1 – As iterações para atendimento do critério de parada k x1 x2 x3 Erro de x1 Erro de x2 Erro de 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 - 0,121528 - 0,078125 0,922840 0,295139 0,251736 0,146605 5 0,077643 0,068962 1,039545 0,199171 0,147087 0,116705 6 - 0,054253 - 0,039183 0,968386 0,131896 0,108145 0,071159 7 0,035399 0,029371 1,019089 0,089652 0,068554 0,050704 8 - 0,024230 - 0,018394 0,986277 0,059629 0,047765 0,032813 9 0,016059 0,012919 1,008824 0,040289 0,031313 0,022547 10 - 0,010871 - 0,008427 0,993909 0,026930 0,021346 0,014914 11 0,007259 0,005763 1,004017 0,018130 0,014190 0,010107 12 - 0,004890 - 0,003823 0,997272 0,012149 0,009586 0,006744 13 0,003275 0,002586 1,001818 0,008165 0,006409 0,004545 Veja que, na décima terceira iteração (𝑘𝑘 = 13), chegamos à solução: 𝑋𝑋(13) = � 0,003275 0,002586 1,001818 �, na qual o critério de parada é atendido. ⎩ ⎨ ⎧𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 (13) − 𝑥𝑥1 (12)� ⇒ |0,003275 − (−0,004890)| = 0,008165 < 10−2 (𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 (13) − 𝑥𝑥2 (12)� ⇒ |0,002586 − (−0,003823)| = 0,006409 < 10−2 (𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 (13) − 𝑥𝑥3 (12)� ⇒ |1,001818 − 0,997272| = 0,004545 < 10−2 (𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) Logo, assume-se que a solução do sistema é 𝑋𝑋 = � 0,003275 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 22 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. 2𝑥𝑥1 + 𝑥𝑥2 + 𝑥𝑥3 = 1 ⇒ 𝑥𝑥1 = 1 − 𝑥𝑥2 − 𝑥𝑥3 2 Verificação do critério: |2| = |1| + |1| → 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆; 𝑥𝑥1 + 4𝑥𝑥2 + 2𝑥𝑥3 = 2 ⇒ 𝑥𝑥2 = 2−𝑥𝑥1−2𝑥𝑥3 4 . Verificação do critério: |4| > |1| + |2| → 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆; 𝑥𝑥1 + 3𝑥𝑥2 + 9𝑥𝑥3 = 9 ⇒ 𝑥𝑥3 = 9−𝑥𝑥1−3𝑥𝑥2 9 . Verificação do critério: |9| > |1| + |3| → 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆. Nesse caso, adotaremos o sistema de equações a seguir, para resolução do sistema. ⎩ ⎪⎪ ⎨ ⎪⎪ ⎧ 𝑥𝑥1(𝑘𝑘) = 1 − 𝑥𝑥2(𝑘𝑘−1) − 𝑥𝑥3(𝑘𝑘−1) 2 𝑥𝑥2(𝑘𝑘) = 2 − 𝑥𝑥1(𝑘𝑘−1) − 2𝑥𝑥3(𝑘𝑘−1) 4 𝑥𝑥3(𝑘𝑘) = 9 − 𝑥𝑥1(𝑘𝑘−1) − 3𝑥𝑥2(𝑘𝑘−1) 9 Adotamos como ponto de partida 𝑋𝑋(0) = � 0 0 0 �, no qual � 𝑥𝑥1(0) = 0 𝑥𝑥2(0) = 0 𝑥𝑥3(0) = 0 . Na primeira iteração (𝑘𝑘 = 1), teremos: 𝑥𝑥1(1) = 1−𝑥𝑥2(0)−𝑥𝑥3(0) 2 ⇒ 𝑥𝑥1(1) = 1−0−0 2 ⇒ 𝑥𝑥1(1) = 0,5. Para o cálculo da próxima incógnita 𝑥𝑥2 (1), já utilizaremos esse último valor de 𝑥𝑥1 (1) calculado. 23 𝑥𝑥2(1) = 2 − 𝑥𝑥1(1) − 2𝑥𝑥3(0) 4 ⇒ 𝑥𝑥2(1) = 2 − 0,5 − 2(0) 4 ⇒ 𝑥𝑥2(1) = 0,375 Para o cálculo da próxima incógnita 𝑥𝑥3 (1), já utilizaremos os dois últimos valores de 𝑥𝑥1 (1) e 𝑥𝑥2(1) calculados. 𝑥𝑥3(1) = 9 − 𝑥𝑥1(1) − 3𝑥𝑥2(1) 9 ⇒ 𝑥𝑥3(1) = 9 − 0,5 − 3(0,375) 9 ⇒ 𝑥𝑥3(1) = 0,819444 Logo, � 𝑥𝑥1(1) = 0,5 𝑥𝑥2(1) = 0,375 𝑥𝑥3(1) = 0,819444 ⇒ 𝑋𝑋(1) = � 0,5 0,375 0,819444 �. O critério de parada deve ser verificado em relação a todas as variáveis. Todas as variáveis devem atender ao critério de parada. ⎩ ⎪ ⎨ ⎪ ⎧ 𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 (1) − 𝑥𝑥1 (0)� ⇒ |0,5 − 0| = 0,5 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 (1) − 𝑥𝑥2 (0)� ⇒ |0,375 − 0| = 0,375 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 (1) − 𝑥𝑥3 (0)� ⇒ |0,819444 − 0| = 0,819444 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) Nesse caso, faremos uma nova iteração (𝑘𝑘 = 2). ⎩ ⎪⎪ ⎨ ⎪⎪ ⎧ 𝑥𝑥1(2) = 1 − 𝑥𝑥2(1) − 𝑥𝑥3(1) 2 𝑥𝑥2(2) = 2 − 𝑥𝑥1(2) − 2𝑥𝑥3(1) 4 𝑥𝑥3(2) = 9 − 𝑥𝑥1(2) − 3𝑥𝑥2(2) 9 ⇒ ⎩ ⎪ ⎨ ⎪ ⎧ 𝑥𝑥1(2) = 1 − (0,5) − (0,819444) 2 𝑥𝑥2(2) = 2 − (−0,097222) − 2(0,819444)4 𝑥𝑥3(2) = 9 − (−0,097222) − 3(0,114583) 9 ⇒ � 𝑥𝑥1(2) = −0,097222 𝑥𝑥2(2) = 0,114583 𝑥𝑥3(2) = 0,972608 Logo, 𝑋𝑋(2) = � −0,097222 0,114583 0,972608 �. Verificamos então o critério de parada: ⎩ ⎪ ⎨ ⎪ ⎧ 𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 (2) − 𝑥𝑥1 (1)� ⇒ |−0,097222 − 0,5| = 0,597222 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 (2) − 𝑥𝑥2 (1)� ⇒ |0,114583 − 0,375| = 0,260417 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 (2) − 𝑥𝑥3 (1)� ⇒ |0,972608 − 0,819444| = 0,153164 > 10−2 (𝑛𝑛ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 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 24 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 1,000012 �, na qual o critério de parada é atendido. ⎩ ⎪ ⎨ ⎪ ⎧𝜖𝜖𝑥𝑥1 = �𝑥𝑥1 (5) − 𝑥𝑥1 (4)� ⇒ |−0,002034− (−0,010620)| = 0,008586 < 10−2 (𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥2 = �𝑥𝑥2 (5) − 𝑥𝑥2 (4)� ⇒ |0,000641 − (0,004332)| = 0,003692 < 10−2 (𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) 𝜖𝜖𝑥𝑥3 = �𝑥𝑥3 (5) − 𝑥𝑥3 (4)� ⇒ |1,000012 − 0,999736| = 0,000277 < 10−2 (𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) Logo, assume-se que a solução do sistema é 𝑋𝑋 = � −0,002034 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). 𝐽𝐽(𝑋𝑋) = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ 𝜕𝜕𝑓𝑓1(𝑥𝑥) 𝜕𝜕𝑥𝑥1 𝜕𝜕𝑓𝑓1(𝑥𝑥) 𝜕𝜕𝑥𝑥2 𝜕𝜕𝑓𝑓1(𝑥𝑥) 𝜕𝜕𝑥𝑥3 … 𝜕𝜕𝑓𝑓2(𝑥𝑥) 𝜕𝜕𝑥𝑥1 𝜕𝜕𝑓𝑓2(𝑥𝑥) 𝜕𝜕𝑥𝑥2 𝜕𝜕𝑓𝑓2(𝑥𝑥) 𝜕𝜕𝑥𝑥3 … 𝜕𝜕𝑓𝑓3(𝑥𝑥)1 𝜕𝜕𝑥𝑥1 ⋮ 𝜕𝜕𝑓𝑓3(𝑥𝑥) 𝜕𝜕𝑥𝑥2 ⋮ 𝜕𝜕𝑓𝑓3(𝑥𝑥) 𝜕𝜕𝑥𝑥3 ⋮ ⋯ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ (10) 25 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)) 𝑋𝑋(𝑘𝑘) = 𝑋𝑋(𝑘𝑘−1) + 𝑆𝑆(𝑘𝑘−1) (11) Esse processo é repetido até que se encontre uma solução 𝑋𝑋(𝑘𝑘) = � 𝑥𝑥1 𝑥𝑥2 𝑥𝑥3 ⋮ � 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 𝑥𝑥12 + 𝑥𝑥22 − 5 = 0. O analista precisa que a solução do sistema de equações tenha uma precisão de 𝜖𝜖 ≤ 10−2 e adota como atribuição inicial 𝑋𝑋(0) = �00�. 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. 2º PASSO: Calcula-se a matriz 𝑆𝑆 𝑋𝑋(𝑘𝑘−1) pela equação J 𝑋𝑋(𝑘𝑘−1) � 𝑆𝑆 𝑋𝑋 𝑘𝑘−1 = −𝐹𝐹 𝑋𝑋 𝑘𝑘−1 (equação 11). 3º PASSO: Estima-se a solução 𝑋𝑋(𝑘𝑘) pela equação 𝑋𝑋(𝑘𝑘) = 𝑋𝑋(𝑘𝑘−1) + 𝑆𝑆(𝑘𝑘−1) (equação 11). 4º PASSO: Verifica-se se o critério de parada é satisfeito. Caso o critério de parada não seja satisfeito, reinicia- se o processo iterativo e voltamos para o 1º PASSO. 26 Considere que � 𝑥𝑥1 + 𝑥𝑥2 − 3 = 0 𝑥𝑥12 + 𝑥𝑥22 − 5 = 0 ⇒ � 𝑓𝑓1(𝑥𝑥1, 𝑥𝑥2) = 𝑥𝑥1 + 𝑥𝑥2 − 3 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 1 2 00 11 ( ) x X x . Logo, ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) − − = + − = + − + − − = ⇒ = −+ − 1 1 21 2 1 2 1 1 2 2 2 1 2 0 0 2 2 3 5 0 1 3 2 40 1 5 (k ) (k ) ( ) ( ) f x ,x F X f x ,x x x F X x x F X F X A matriz jacobiana será ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) − − ∂ ∂ ∂ ∂ = ∂ ∂ ∂ ∂ = = ⇒ = 1 1 2 1 1 2 1 21 2 1 2 2 1 2 1 2 1 1 2 0 0 1 1 2 2 1 1 1 1 2 0 2 1 0 2 (k ) (k ) ( ) ( ) f x ,x f x ,x x x J X f x ,x f x ,x x x J X x x J X J X Já conhecendo as duas matrizes, podemos então determinar a matriz 𝑆𝑆(0), utilizando a equação 11. ( ) ( ) ( )⋅ = − − ⋅ = − − + = 0 0 0 1 2 1 1 2 1 1 2 0 2 4 2 2 4 ( ) ( ) ( )J X S X F X s s s s s = ⇒ = + = ⇒ + = ⇒ = 2 2 1 2 1 1 2 4 2 2 2 2 0 s s s s s s Então, = 0 0 2 ( )S . Por fim, estimamos a solução do sistema não linear, pela equação 11. 27 = + = + = 1 0 0 1 1 0 0 1 2 0 3 ( ) ( ) ( ) ( ) ( ) X X S X X Sendo 𝑥𝑥1 = 0 e 𝑥𝑥2 = 3, verificamos então o critério de parada, em que: 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥1 ⇒ 𝜖𝜖1 = �𝑥𝑥1 (1) − 𝑥𝑥1 (0)� = |0 − 0| = 0 < 10−2 (𝐴𝐴𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑆𝑆𝑎𝑎 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎); 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥2 ⇒ 𝜖𝜖2 = �𝑥𝑥2 (1) − 𝑥𝑥2 (0)� = |3 − 1| = 2 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎). 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)�: ( ) ( ) ( ) ( ) + − = ⇒ = + − 1 1 2 2 0 3 3 0 40 3 5 ( ) ( )F X F X . A matriz jacobiana será ( ) ( ) ( ) ( ) = ⇒ = 1 11 1 1 1 2 0 2 3 0 6 ( ) ( )J X J X . Já conhecendo as duas matrizes, podemos então determinar a matriz 𝑆𝑆(1), utilizando a equação 11. ( ) ( ) ( )⋅ = − ⋅ = − + = − 1 1 1 1 2 1 1 2 1 1 0 0 6 4 0 6 4 ( ) ( ) ( )J X S X F X s s s s s ( ) = − ⇒ = − + = ⇒ + − = ⇒ = 2 2 1 2 1 1 6 4 0 666667 0 0 666667 0 0 666667 s s , s s s , s , Então, = − 1 0 666667 0 666667 ( ) , S , . Por fim, estimamos a solução do sistema não linear, pela equação 11. 28 = + = + − = 2 1 1 2 2 0 0 666667 3 0 666667 0 666667 2 333333 ( ) ( ) ( ) ( ) ( ) X X S , X , , X , Sendo 𝑥𝑥1 = 0,666667 e 𝑥𝑥2 = 2,333333, verificamos então o critério de parada, em que: 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥1 ⇒ 𝜖𝜖1 = �𝑥𝑥1 (1) − 𝑥𝑥1 (0)� = |0,666667− 0| = 0,666667 𝜖𝜖1 = 0,666667 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) ; 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥2 ⇒ 𝜖𝜖2 = �𝑥𝑥2 (1) − 𝑥𝑥2 (0)� = |2,333333 − 3| 𝜖𝜖2 = 0,666667 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎) . Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2, devemos continuar o processo iterativo. Para 𝑘𝑘 = 3, teremos: ( ) ( ) = = = − 2 2 2 0 0 888889 1 1 1 333333 4 666667 2 266667 2 266667 ( ) ( ) ( ) F X , J X , , , S , . Logo, a solução estimada será = 3 0 933333 2 066667 ( ) , X , . Sendo 𝑥𝑥1 = 0,933333 e 𝑥𝑥2 = 2,066667, verificamos então o critério de parada, em que: 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥1 ⇒ 𝜖𝜖1 = 0,266667 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎); 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥2 ⇒ 𝜖𝜖2 = 0,266667 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎). Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2, devemos continuar o processo iterativo. Para 𝑘𝑘 = 4, teremos: ( ) ( ) = = = − 3 3 3 0 0 142222 1 1 1 866667 4 133333 0 062745 0 062745 ( ) ( ) ( ) F X , J X , , , S , . Logo, a solução estimada será = 4 0 996078 2 003922 ( ) , X , . Sendo 𝑥𝑥1 = 0,990678 e 𝑥𝑥2 = 2,003922, verificamos então o critério de parada, em que: 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥1 ⇒ 𝜖𝜖1 = 0,062745 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎); 29 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥2 ⇒ 𝜖𝜖2 = 0,062745 > 10−2 (𝑁𝑁ã𝑆𝑆 𝑎𝑎𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎). Como o critério de parada não foi atendido para 𝑥𝑥1 e 𝑥𝑥2, devemos continuar o processo iterativo. Para 𝑘𝑘 = 5, teremos: ( ) ( ) = = = − 4 4 4 0 0 007874 1 1 1 992157 4 007843 0 003906 0 003906 ( ) ( ) ( ) F X , J X , , , S , . Logo, a solução estimada será = 5 0 999985 2 000015 ( ) , X , . Sendo 𝑥𝑥1 = 0,999985 e 𝑥𝑥2 = 2,000015, verificamos então o critério de parada, em que: 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥1 ⇒ 𝜖𝜖1 = 0,003906 < 10−2 (𝐴𝐴𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎); 𝑃𝑃𝑎𝑎𝑁𝑁𝑎𝑎 𝑥𝑥2 ⇒ 𝜖𝜖2 = 0,003906 < 10−2 (𝐴𝐴𝑆𝑆𝑆𝑆𝑛𝑛𝑎𝑎𝑆𝑆 𝑎𝑎𝑆𝑆 𝑇𝑇𝑁𝑁𝑆𝑆𝑆𝑆é𝑁𝑁𝑆𝑆𝑆𝑆 𝑎𝑎𝑆𝑆 𝑝𝑝𝑎𝑎𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎). Foi necessário realizar cinco iterações para que a precisão desejada para a solução estimada fosse atendida. Diante disso, o engenheiro adota como solução do sistema 𝑋𝑋 = �0,999985 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 30 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 31 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. 32 REFERÊNCIAS ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2006. JARLETTI, C. Cálculo numérico. Curitiba: InterSaberes, 2018. Conversa inicial FINALIZANDO REFERÊNCIAS
Compartilhar