Notas de C´ alculo Num´ erico

Resoluc¸ ˜ ao de Sistemas Lineares
1
Prof. Valent´ın Mendoza
Universidade Federal de Vic¸osa
Outubro 2013.
1
Coment´ arios, cr´ıticas e sugest ˜ oes podem ser encaminhadas ao email valentin@ufv.br. Seremos gratos
a quem comunicar os erros de qualquer natureza encontrados no texto.
1 Resoluc¸ ˜ ao Num´ erica de Sistemas Lineares
1.1 Introduc¸ ˜ ao
Nesta sec¸ ˜ ao estudaremos t´ ecnicas para resolver sistemas lineares:
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
x
1
+ a
n2
x
n2
+ ... + a
nn
x
n
= b
n
(1)
Estes sistemas podem ser escritos na forma
Ax = b (2)
em que A = (a
i j
) ´ e uma matriz n × n e b ´ e um vetor coluna n × 1. Por ´ algebra linear
sabemos que se Det(A) 0 ent˜ ao o sistema tem soluc¸ ˜ ao ´ unica. Al´ em disso, podemos
resolvˆ e-lo usando a reduc¸ ˜ ao de Gauss (ou eliminac¸ ˜ ao Gaussiana), isto ´ e, convertendo o
sistema a um triangular superior.
Aqui estudaremos dois m´ etodos comos quais podemos resolver umoumais sistemas
de equac¸ ˜ oes lineares: O M´ etodo da Decomposic¸ ˜ ao LU e o M´ etodo de Gauss-Seidel.
1.2 Preliminares
Existem dois tipos de sistemas lineares que s˜ ao f´ aceis de resolver: Os sistemas triangu-
lares Inferiores e os sistemas triangulares Superiores.
Usaremos a letra L (de lower=inferior em inglˆ es) para uma matriz triangular inferior
e U (de upper=superior em inglˆ es) para uma matriz triangular superior.
1.2.1 Sistemas Triangulares Inferiores
S˜ ao aqueles sistemas Lx = b na qual todos os termos que est˜ ao acima da diagonal de
L = (l
i j
) s˜ ao 0:
l
11
x
1
= b
1
l
21
x
1
+l
22
x
2
= b
2
.
.
.
.
.
.
.
.
.
=
.
.
.
l
n1
x
1
+l
n2
x
2
· · · +l
nn
x
n
= b
n
(3)
2
Exemplo 1.1. Resolva o sistema
3x
1
= 1
x
1
+5x
2
= 1
2x
1
−x
2
+2x
3
= 3
(4)
Soluc¸ ˜ ao:
Observe que da primeira equac¸ ˜ ao x
1
=
1
3
. Substituindo na segunda equac¸ ˜ ao
x
2
= (1 − x
1
)/5 = (1 −
1
3
)/5 =
2
15
.
Agora, na terceira equac¸ ˜ ao
x
3
= (3 − 2x
1
+ x
2
)/2 = (4 −
2
3
+
2
15
)/2 =
52
15
.
Do Exemplo 1.1, podemos fazer a seguinte observac¸ ˜ ao.
Observac¸˜ ao 1.1. A soluc¸ ˜ ao geral de um sistema triangular inferior como (3), ´ e dada
pelas f ´ ormulas:
x
1
=
b
1
l
11
, e x
i
=
b
i


i−1
j=1
l
i j
x
j
l
ii
, para todo i = 2, ..., n (5)
1.2.2 Sistemas Triangulares Superiores
S˜ ao aqueles sistemas Ux = b na qual todos os termos que est˜ ao abaixo da diagonal de
U = (u
i j
) s˜ ao 0:
u
11
x
1
+u
12
x
2
. . . +u
1n
x
n
= b
1
+u
22
x
2
. . . +u
2n
x
n
= b
2
.
.
.
.
.
. =
.
.
.
u
nn
x
n
= b
n
(6)
Exemplo 1.2. Resolva o sistema
2x
1
+3x
2
−3x
3
= 4
4x
2
−x
3
= −3
2x
3
= 3
(7)
3
Soluc¸ ˜ ao:
Observe que da terceira equac¸ ˜ ao x
3
=
3
2
. Substituindo na segunda equac¸ ˜ ao
x
2
= (−3 + x
3
)/4 = (−3 +
3
2
)/4 = −
3
8
.
Agora, isolando x
1
na primeira equac¸ ˜ ao
x
1
= (4 + 3x
3
− 3x
2
)/2 = (4 +
9
2
+
9
8
)/2 =
59
16
.
Do Exemplo 1.2, podemos fazer a seguinte observac¸ ˜ ao.
Observac¸˜ ao 1.2. A soluc¸ ˜ ao geral de um sistema triangular superior como (6), ´ e dada
pelas f ´ ormulas:
x
n
=
b
n
u
nn
, e x
i
=
b
i


n
j=i+1
u
i j
x
j
u
ii
, para todo i = 1, ..., n − 1. (8)
1.3 M´ etodo Direto: Decomposic¸ ˜ ao LU
Quando resolvemos v´ arios sistemas lineares
Ax = b
1
, Ax = b
2
, ..., Ax = b
p
, (9)
por eliminac¸ ˜ ao Gaussiana, em que todos os sistemas tem a mesma matriz A, teremos que
repetir o m´ etodo da eliminac¸ ˜ ao para cada vetor coluna b. Isto traz como consequˆ encia o
uso de uma grande quantidade de mem´ oria para armazenar os dados de cada sistema.
Uma maneira de evitar esse consumo de mem´ oria ´ e utilizando o M´ etodo da De-
composic¸ ˜ ao LU, que ´ e mais eficiente pois permite calcular a decomposic¸ ˜ ao sem usar os
vetores coluna b.
Antes de descrever o m´ etodo, apresentaremos um exemplo.
Exemplo 1.3. Resolva o sistema
_
¸
¸
¸
¸
_
2 0
−3 3
_
¸
¸
¸
¸
_
_
¸
¸
¸
¸
_
3 −4
0 −6
_
¸
¸
¸
¸
_
_
¸
¸
¸
¸
_
x
1
x
2
_
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
_
5
−3
_
¸
¸
¸
¸
_
(10)
Soluc¸ ˜ ao:
Repare que o sistema se pode escrever na forma Ax = b, em que A = LU, sendo L
4
uma matriz triangular inferior e U uma matriz triangular superior.
L =
_
¸
¸
¸
¸
_
2 0
−3 3
_
¸
¸
¸
¸
_
, U =
_
¸
¸
¸
¸
_
3 −4
0 −6
_
¸
¸
¸
¸
_
, b =
_
¸
¸
¸
¸
_
5
−3
_
¸
¸
¸
¸
_
(11)
Fazendo
_
¸
¸
¸
¸
_
y
1
y
2
_
¸
¸
¸
¸
_
:= Ux, concluimos que encontraremos a soluc¸ ˜ ao do sistema se
resolvemos os dois sistemas:
_
¸
¸
¸
¸
_
2 0
−3 3
_
¸
¸
¸
¸
_
_
¸
¸
¸
¸
_
y
1
y
2
_
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
_
5
−3
_
¸
¸
¸
¸
_
, e
_
¸
¸
¸
¸
_
3 −4
0 −6
_
¸
¸
¸
¸
_
_
¸
¸
¸
¸
_
x
1
x
2
_
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
_
y
1
y
2
_
¸
¸
¸
¸
_
(12)
O primeiro sistema tem soluc¸ ˜ ao y
1
=
5
3
e y
2
= (−3 + 3y
1
)/3 = (−3 + 5)/3 =
2
3
. Tendo
estes valores, podemos encontrar os valores de x
1
e x
2
no segundo sistema. Assim,
−6x
2
= y
2
=
2
3
ent˜ ao x
2
= −
1
9
, e x
1
= (y
1
+ 4x
2
)/3 = (
5
3

4
9
)/3 =
11
27
.
Observac¸˜ ao 1.3. O Exemplo (1.3) mostra que se por acaso podemos decompor a
matriz A como produto de duas matrizes triangulares A = LU (em que L triangular
inferior e U triangular superior), ent˜ ao a resoluc¸ ˜ ao do sistema Ax = b se reduz a
resoluc¸ ˜ ao de dois sistemas:
_
¸
¸
_
¸
¸
_
Ly = b que ´ e triangular inferior, e
Ux = y que ´ e triangular superior.
(13)
Isto ser´ a o objetivo da decomposic¸ ˜ ao LU.
Assim, a pergunta natural ´ e: Quando uma matriz Apode ser decomposta como produto
de duas matrizes LU, em que L ´ e triangular inferior e U ´ e triangular superior? ou, toda
matriz A tem decomposic¸ ˜ ao LU?
Para responder estas quest ˜ oes, precisamos da seguinte definic¸ ˜ ao.
Definic¸ ˜ ao 1.1. Denomina-se menores principais de ordem k de uma matriz A = (a
i j
), com
i, j = 1, · · · , n a:

k
= Det(A
k
) (14)
em que A
k
= (a
i j
), com i, j = 1, · · · , k, ´ e formada pelas k primeiras linhas e k primeiras
colunas de A.
5
Exemplo 1.4. Encontre os menores principais da matriz:
A =
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 −2 3
−2 3 −5
−2 2 4
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(15)
Soluc¸ ˜ ao:
Pela definic¸ ˜ ao ∆
1
= Det(a
11
) = 1, ∆
2
= Det
_
¸
¸
¸
¸
_
1 −2
−2 3
_
¸
¸
¸
¸
_
= −1.
O Teorema abaixo fornece condic¸ ˜ oes para a existˆ encia de uma decomposic¸ ˜ ao LU.
Teorema 1.1. Considere A = (a
i, j
), i, j = 1, · · · , n. Se os menores principais ∆
k
s˜ ao distintos de
0, para k = 1, · · · , n −1, ent˜ ao A se decomp˜ oe, de maneira ´ unica, no produto LU em que L = (l
i j
)
´ e uma matriz triangular inferior com l
ii
= 1, i = 1, · · · , n e U = (u
i j
) ´ e uma matriz triangular
superior.
Demonstrac¸˜ ao. Provaremos o Teorema por induc¸ ˜ ao. Se n = 1, ´ e claro que A =
(a
11
) pode ser decomposta, escrevendo A = LU = (1)(a
ii
).
Suponha que, se A ´ e de ordem k − 1, ent˜ ao pode ser decomposta na forma
A
k−1
= L
k−1
U
k−1
em que L
k−1
´ e triangular inferior e U
k−1
´ e triangular superior.
Devemos provar que existe uma decomposic¸ ˜ ao para matrizes de ordem k. Seja
A de ordem k, ent˜ ao escrevemos
A =
_
¸
¸
¸
¸
_
A
k−1
s
r a
kk
_
¸
¸
¸
¸
_
(16)
emque r ´ e umvetor linha e s ´ e umvetor coluna. Dado que A
k−1
´ e uma matriz de
ordem k −1 que, pela hip´ otese, pode ser decomposta na forma A
k−1
= L
k−1
U
k−1
.
Defina as matrizes
L =
_
¸
¸
¸
¸
_
L
k−1
0
rU
−1
k−1
1
_
¸
¸
¸
¸
_
, e U =
_
¸
¸
¸
¸
_
U
k−1
L
−1
k−1
s
0 a
kk
− rU
−1
k−1
L
−1
k−1
s
_
¸
¸
¸
¸
_
(17)
Note que L ´ e triangular inferior e U ´ e triangular superior. Al´ em disso:
LU =
_
¸
¸
¸
¸
_
L
k−1
0
rU
−1
k−1
1
_
¸
¸
¸
¸
_
_
¸
¸
¸
¸
_
U
k−1
L
−1
k−1
s
0 a
kk
− rU
−1
k−1
L
−1
k−1
s
_
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
_
L
k−1
U
k−1
s
r a
kk
_
¸
¸
¸
¸
_
= A (18)
Por tanto A se decomp˜ oe como um produto LU em que L e U s˜ ao dadas pelas
f ´ ormulas (17).
6
Observac¸˜ ao 1.4. Da prova do Teorema (1.1) podemos concluir que:
(a) Se a matriz ´ e de ordemn×n, ´ e suficiente verificar que os menores determinantes
at´ e a ordem n − 1 s˜ ao distintos do 0.
(b) A condic¸ ˜ ao que usaremos para a matriz L ´ e que l
ii
= 1, ∀i = 1, · · · , n.
Repare que a hip´ otese l
ii
= 1, ∀i = 1, ..., n, simplifica os c´ alculos para encontrar os
coeficientes das matrizes L e U. Quando fazemos est´ a hip´ otese, o m´ etodo ´ e chamado
M´ etodo de Doolittle. Mas se poderiam considerar outras hip´ oteses. Por exemplo,
outros dois m´ etodos de decomposic¸ ˜ ao s˜ ao:
(i) M´ etodo de Crout : Quando u
ii
= 1, ∀i = 1, ..., n, e
(ii) M´ etodo de Choleski: Quando u
ii
= l
ii
, ∀i = 1, ..., n.
Exemplo 1.5. Resolva o sistema linear
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 −3 1
2 −8 8
−6 3 −15
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
x
1
x
2
x
3
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
4
−2
9
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(19)
Soluc¸ ˜ ao:
Os menores principais s˜ ao ∆
1
= 1 e ∆
2
= −2. Como ambos s˜ ao distintos do 0, existe
a decomposic¸ ˜ ao.
Encontraremos a decomposic¸ ˜ ao LU de A. Sejam
L =
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 0 0
l
21
1 0
l
31
l
32
1
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
, U =
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
u
11
u
12
u
13
0 u
22
u
23
0 0 u
33
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(20)
Da equac¸ ˜ ao A = LU, obtemos
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 −3 1
2 −8 8
−6 3 −15
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 0 0
l
21
1 0
l
31
l
32
1
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
u
11
u
12
u
13
0 u
22
u
23
0 0 u
33
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(21)
Encontraremos a primeira linha de U multiplicando a primeira linha de L por U:
1.u
11
= 1, 1.u
12
= −3, e 1.u
13
= 1, ent˜ ao u
11
= 1, u
12
= −3, u
13
= 1. (22)
Agora encontramos a primeira coluna de L multiplicando L pela primeira coluna de
7
U:
l
21
u
11
= 2, l
31
u
11
= −6 ent˜ ao l
21
= 2, l
31
= −6. (23)
Agora passamos a segunda linha de U. Esta ´ e determinada multiplicando a segunda
linha de L por U:
l
21
u
12
+ u
22
= −8, l
21
u
13
+ u
23
= 8, ent˜ ao u
22
= −2, u
23
= 6. (24)
Agora toca a segunda coluna de L que ´ e encontrada multiplicando L pela segunda
coluna de U:
l
31
u
12
+ l
32
u
22
= 3, ent˜ ao l
32
=
15
2
(25)
Por ´ ultimo, determinamos a terceira linha de U multiplicando a terceira linha de L:
l
31
u
13
+ l
32
u
23
+ u
33
= −15, ent˜ ao u
33
= −54. (26)
Fazendo y =
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
y
1
y
2
y
3
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
:= Ux, obtemos dois sistemas lineares que devemser resolvidos:
Ly = b, e Ux = y, ou
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 0 0
2 1 0
−6
15
2
1
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
y
1
y
2
y
3
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
4
−2
9
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
e
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 −3 1
0 −2 6
0 0 −54
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
x
1
x
2
x
3
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
y
1
y
2
y
3
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(27)
Do primeiro sistema y
1
= 4, y
2
= (−2 − 2y
1
) = −10, e y
3
= (9 + 6y
1

15y
2
2
) = 108. Por
fim, com os valores dos y
i
, encontramos a soluc¸ ˜ ao:
x
3
= −
108
54
= −2, x
2
= (y
2
− 6x
3
)/(−2) = −1, e x
1
= (y
1
+ 3x
2
− x
3
) = 3.
Observac¸˜ ao 1.5. Podemos generalizar as f ´ ormulas do exemplo anterior:
u
i j
= a
i j

i−1

k=1
l
ik
u
kj
, para i, j = 1, ..., n, i ≤ j. (28)
comec¸ando com i = 1, e
l
i j
=
a
i j


j−1
k=1
l
ik
u
kj
u
j j
, para i, j = 1, ..., n, i ≥ j. (29)
comec¸ando com j = 1.
8
1.4 M´ etodo Iterativo: O m´ etodo de Gauss-Seidel
Assim como nos m´ etodos de resoluc¸ ˜ ao de equac¸ ˜ oes n˜ ao lineares usavamos m´ etodos
iterativos para encontrar uma soluc¸ ˜ ao aproximada, nesta sec¸ ˜ ao apresentaremos um
m´ etodo iterativo para resolver sistemas lineares. Este m´ etodo ´ e chamado M´ etodo de Gauss-
Seidel e permite determinar uma soluc¸ ˜ ao aproximada de um sistema linear.
A ideia central por traz dos m´ etodos iterativos ´ e escrever o problema na forma
x = φ(x), (30)
e ent˜ ao determinar aproximac¸ ˜ oes da soluc¸˜ ao utilizando a sequˆ encia x
(k+1)
= φ(x
(k)
), a
partir de uma aproximac¸ ˜ ao inicial x
(0)
. Se a sequˆ encia {x
(k)
} ´ e convergente, ent˜ ao conver-
gir´ a para a soluc¸ ˜ ao procurada. Aqui seguiremos esta mesma ideia aplicada a sistemas
lineares.
Apresentaremos o m´ etodo com um exemplo.
Exemplo 1.6. Encontre uma soluc¸ ˜ ao aproximada do sistema linear:
6x
1
−x
2
−x
3
= 3
6x
1
+9x
2
+x
3
= 40
−3x
1
+x
2
+12x
3
= 50
(31)
Soluc¸ ˜ ao:
Seja x = (x
1
, x
2
, x
3
)
t
. Note que o sistema se pode escrever
x
1

x
2
6

x
3
6
=
1
2
2x
1
3
+x
2
+
x
3
9
=
40
9

x
1
4
+
x
2
12
+x
3
=
25
6
(32)
no qual os coeficientes da diagonal s˜ ao todos iguais a 1. Dessa forma
x
1
=
1
2
+
x
2
6
+
x
3
6
x
2
= −
2x
1
3
+
40
9

x
3
9
x
3
=
x
1
4

x
2
12
+
25
6
, (33)
Assim, podemos utilizar o m´ etodo iterativo
x
(k+1)
1
=
1
2
+
x
(k)
2
6
+
x
(k)
3
6
x
(k+1)
2
= −
2x
(k)
1
3
+
40
9

x
(k)
3
9
x
(k+1)
3
=
x
(k)
1
4

x
(k)
2
12
+
25
6
, (34)
emque estamos utilizando os ´ındices na parte superior. Suponha que a aproximac¸ ˜ ao
inicial, para k = 0, ´ e x
(0)
= (x
(0)
0
, x
(0)
1
, x
(0)
3
)
t
= (0, 0, 0)
t
. Cada aproximac¸ ˜ ao ´ e um vetor
9
coluna. Da primeira equac¸ ˜ ao:
x
(1)
1
=
1
2
+
x
(0)
2
6
+
x
(0)
3
6
=
1
2
+
0
6
+
0
6
=
1
2
. (35)
O ponto central: se j ´ a temos uma aproximac¸ ˜ ao x
(1)
1
de x
1
, podemos utiliz´ a-la para
determinar a aproximac¸ ˜ ao x
(1)
2
de x
2
, substituindo x
(0)
1
por x
(1)
1
na segunda equac¸ ˜ ao
de (34):
x
(1)
2
= −
2x
(1)
1
3
+
40
9

x
(0)
3
9
= −
2(1/2)
3
+
40
9

0
9
=
37
9
= 4.11111 (36)
Seguindo esta ideia, podemos substituir x
(0)
1
por x
(1)
1
e x
(0)
2
por x
(1)
2
na terceira equac¸ ˜ ao
de (34):
x
(1)
3
=
x
(1)
1
4

x
(1)
2
12
+
25
6
=
(1/2)
4

(37/9)
12
+
25
6
= 3.94907. (37)
Logo, o processo iterativo, na iterac¸ ˜ ao k, pode ser modificado ao seguinte:
x
(k+1)
1
=
1
2
+
x
(k)
2
6
+
x
(k)
3
6
x
(k+1)
2
= −
2x
(k+1)
1
3
+
40
9

x
(k)
3
9
x
(k+1)
3
=
x
(k+1)
1
4

x
(k+1)
2
12
+
25
6
Se k = 1 ent˜ ao
x
(2)
1
=
1
2
+
x
(1)
2
6
+
x
(1)
3
6
=
1
2
+
4.11111
6
+
3.94907
6
= 1.84336
x
(2)
2
= −
2x
(2)
1
3
+
40
9

x
(1)
3
9
= −
2(1.84336)
3
+
40
9

3.94907
9
= 2.77675
x
(2)
3
=
x
(2)
1
4

x
(2)
2
12
+
25
6
=
1.84336
4

2.77675
12
+
25
6
= 4.39611.
Para k = 2 obtemos x
(3)
1
= 1.69547, x
(3)
2
= 2.82567 e x
(3)
3
= 4.35506.
10
1.4.1 O Caso Geral
Tendo como base o Exemplo (1.6), escreveremos as f ´ ormulas para o caso geral. Considere
um sistema de equac¸ ˜ oes lineares:
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
x
1
+ a
n2
x
n2
+ ... + a
nn
x
n
= b
n
(38)
que pode ser escrito na forma Ax = b, em que A = (a
i j
), b = (b
i
). Suponha a
ii
0 para
todo i = 1, ..., n, ent˜ ao podemos dividir cada equac¸ ˜ ao pelo correspondente elemento da
diagonal. Ent˜ ao os sistema converte-se a:
x
1
+ a

12
x
2
+ ... + a

1n
x
n
= b

1
a

21
x
1
+ x
2
+ ... + a

2n
x
n
= b

2
.
.
.
a

n1
x
1
+ a

n2
x
n2
+ ... + x
n
= b

n
(39)
em que a

i j
=
a
i j
a
ii
para todo i, j = 1, ..., n e b

i
=
b
i
a
ii
, para todo i = 1, ..., n. O sistema
anterior pode-se escrever na forma A

x = b

, em que A

= (a

i j
). Esta matriz A

pode ser
decomposta na forma
A

= L

+ I + R

(40)
em que L

= (l

i j
) ´ e uma matriz triangular inferior com os elementos da diagonal iguais a
0, I ´ e a matriz identidade e R

= (r

i j
) ´ e uma matriz triangular superior com os elementos
da diagonal iguais a 0. Ou seja,
l

i j
=
_
¸
¸
_
¸
¸
_
a
i j
a
ii
sei > j
0 se i ≤ j
e r

i j
=
_
¸
¸
_
¸
¸
_
a
i j
a
ii
sei < j
0 se i ≥ j
(41)
O Sistema Ax = b ´ e agora dado por
(L

+ I + R

)x = b

(42)
que ´ e equivalente ` a equac¸ ˜ ao (L

+ I)x = −R

x + b

.
Definic¸ ˜ ao 1.2. O m´ etodo de Gauss-Seidel ´ e dado pelo processo iterativo:
(L

+ I)x
(k+1)
= −R

x
(k)
+ b

(43)
com condic¸ ˜ ao inicial x
(0)
= (x
(0)
1
, x
(0)
2
, x
(0)
3
)
t
. Cada aproximac¸ ˜ ao x
(k)
´ e um vetor coluna.
11
Acostuma-se escrevˆ e-lo na forma
x
(k+1)
= −L

x
(k+1)
− R

x
(k)
+ b

(44)
para expressar o fato que podemos aproveitar as aproximac¸ ˜ oes x
(k+1)
1
, x
(k+1)
2
, ..., x
(k+1)
i−1
para calcular a seguinte aproximac¸ ˜ ao x
(k+1)
i
, para i = 2, ..., n.
1.4.2 Crit´ erios de Convergˆ encia
S´ o falta fornecer condic¸ ˜ oes sobre as quais a sequˆ encia x
(k)
converge para a soluc¸ ˜ ao do
sistema linear Ax = b. Dois crit´ erios s˜ ao os mais utilizados.
O m´ etodo de Gauss-Seidel converge se um dos dois crit´ erios for satisfeito:
(a) O crit´ erio das linhas, isto ´ e, se
max
1≤i≤n

i
} < 1 (45)
em que
β
i
=

ji
|a

i j
| =
i−1

j=1
|a

i j
| +
n

j=i+1
|a

i j
|, ∀i = 1, ..., n (46)
´ e a soma de todos os termos da linha i da matriz A

, exceto o termo da diagonal.
(b) O crit´ erio de Sassenfeld, isto ´ e, se
max
1≤i≤n

i
} < 1 (47)
em que
β
i
=
i−1

j=1
|a

i j

j
+
n

j=i+1
|a

i j
|, ∀i = 1, ..., n. (48)
1.4.3 Crit´ erio de Parada
Precisamos de um crit´ erio para decidir quando parar de realizar as iterac¸ ˜ oes no m´ etodo
de Gauss-Seidel. Ao igual que na resoluc¸ ˜ ao de equac¸ ˜ oes n˜ ao lineares, temos dois crit´ erios
de parada.
12
O m´ etodo de Gauss-Seidel para se atingimos os seguintes erros
• Erro Absoluto. Se
max
1≤i≤n
|x
(k+1)
i
− x
(k)
i
| < . (49)
ou seja, se cada componente atinge um erro absoluto menor que .
• Erro Relativo. Se
max
1≤i≤n
|x
(k+1)
i
− x
(k)
i
|
|x
(k+1)
i
|
< . (50)
ou seja, se cada componente atinge um erro relativo menor que .
Exemplo 1.7. Aplique o m´ etodo de Gauss-Seidel para resolver:
9x
1
−3x
2
+x
3
= 2
−2x
1
+5x
2
+3x
3
= −1
−x
1
2x
2
−7x
3
= 3
(51)
Considerando um erro absoluto de = 0.04.
Soluc¸ ˜ ao:
Dividindo entre os coeficientes da diagonal obtemos:
x
1

1
3
x
2
+
1
9
x
3
=
2
9

2
5
x
1
+x
2
+
3
5
x
3
= −
1
5
1
7
x
1

2
7
x
2
+x
3
= −
3
7
(52)
Repare que o m´ etodo das linhas n˜ ao ´ e satisfeito, pois os coeficientes s˜ ao:
β
1
=
1
3
+
1
9
=
4
9
, β
2
=
2
5
+
3
5
= 1 e β
3
=
1
7
+
2
7
=
3
7
(53)
e ent˜ ao max
1≤i≤n
β
i
= 1. Por tanto, o crit´ erio das linhas n˜ ao fornece informac¸ ˜ ao sob
a convergˆ encia.
Mas, o crit´ erio de Sassenfeld ´ e satisfeito pois:
β
1
=
1
3
+
1
9
=
4
9
< 1,
β
2
= (
2
5
)(
4
9
) +
3
5
=
7
9
< 1,
β
3
= (
1
7
)(
4
9
) + (
2
7
)(
7
9
) =
2
7
< 1.
13
Dessa forma, o m´ etodo de Gauss-Seidel, dado pelo processo iterativo:
x
(k+1)
1
=
2
9
+
x
(k)
2
3

x
(k)
3
9
x
(k+1)
2
= +
2x
(k+1)
1
5

1
5

3x
(k)
3
5
x
(k+1)
3
= −
x
(k+1)
1
7
+
2x
(k+1)
2
7

3
7
com condic¸ ˜ ao inicial x
(0)
= (0, 0, 0), ´ e convergente. As aproximac¸ ˜ oes est˜ ao tabeladas
abaixo.
k x
(k)
1
x
(k)
2
x
(k)
3
erro 1 erro 2 erro 3
0 0 0 0
1 0.22222 -0.11111 -0.49206
2 0.23985 0.19117 -0.40821
3 0.33130 0.17744 -0.35760 0.09145 0.01373 0.05061
4 0.32110 0.143 -0.37910 0.0102 0.03444 0.0215
Por tanto, uma soluc¸ ˜ ao aproximada ´ e (0.32110, 0.143, −0.37910).
Referˆ encias
[1] Arenales, Selma e Darezzo, Arthur: C´ alculo Num´ erico: aprendizagem com apoio de
software. S˜ ao Paulo, Thomson Learning, 2008.
[2] Bertoldi, Neide: C´ alculo Num´ erico. S˜ ao Paulo, Pearson Prentice Hall, 2006.
[3] Ruggeiro, M´ arcia e Lopes, Vera L´ ucia: C´ alculo Num´ erico: Aspectos Te´ oricos e Computa-
cionais . 2a Edic¸ ˜ ao, S˜ ao Paulo, Pearson Makron Books, 1996.
[4] Steward, James: C´ alculo . Vol. 1, Cengage Learning, S˜ ao Paulo, 2013.
14