You are on page 1of 28

1 Métodos Diretos para resolução de sistemas de equações lineares 1

Cálculo Numérico
Prof. J. A. Salvador - DM-UFSCar

Métodos de Resolução de Sistemas de Equações

1. Exemplo: Considere o sistema de equações lineares

 x1 + 2x2 + RA = 4

2x1 + x2 + 3x3 = 5

3x3 + x2 = −1

em que RA corresponde ao último algarismo de seu registro acadêmico.
Será que ele é um sistema possı́vel e consistente (tem pelo menos uma solução?
Ele é determinado? Possui uma única solução?
Ele é indeterminado? (admite mais de uma solução?)
Ele é impossı́vel ou inconsistente? (não admite solução?)
Como resolvê-lo?
Que método aplicar? (Exato ou iterativo?)
Posso provar as condições exigidas para aplicação do método com sucesso?

• Métodos Diretos: Sistema triangular inferior; Sistema triangular superior; Eli-
minação de Gauss; Eliminação de Gauss com pivotamento parcial; Eliminação
de Gauss com pivotamento total; LU; etc.
• Métodos Iterativos: Jacobi-Richardson; Gauss-Seidel

1 Métodos Diretos para resolução de sistemas de
equações lineares

Os métodos diretos teoricamente nos dão a solução exata de um sistema de equações
lineares em um número finito de passos. Na prática, as soluções estarão contami-
nadas pelos erros de arredondamento envolvidos na aritmética usada. Por meio de
uma sequência de operações elementares os métodos diretos permitem transformar
um sistema linear em outro sistema linear mais fácil de resolver e que terá a mesma
solução que o sistema original.

1 Métodos Diretos para resolução de sistemas de equações lineares 2

1.1 Sistema triangular inferior

2. Exemplo:


 x1 = 0

0.6x1 + x2 = −7

0.2x1 + x2 − 3x3 = −5

Podemos resolvê-lo fazendo as respectivas substituições de x1 na segunda equação
e, de x1 e x2 na terceira equação, obtendo a solução x = (0, −7, −26)T

• Algorı́tmo: Elabore um algoritmo para a resolução de um sistema linear trian-
gular inferior.
• Programação: Faça um programa do método na linguagem que tiver mais afi-
nidade e aplique para resolver um problema de encontrar a solução numérica
de um sistema triangular inferior.

1.2 Sistema triangular superior

3. Exemplo:


 5x1 + 2x2 + x3 = 0

0.2x2 + 3.4x2 = −7

13x3 = −5

Neste caso, resolvemos o sistema linear triangular superior fazendo as respectivas
substituições de trás-para-frente, substituimos x3 na segunda equação e, de x2 e x3
na primeira equação, obtendo a solução x = (0, 1, −2)T

• Algorı́tmo: Elabore um algoritmo para a resolução de um sistema linear trian-
gular superior;
• Programação: Faça um programa do método na linguagem que tiver mais afi-
nidade e aplique para resolver um problema de encontrar a solução numérica
de um sistema triangular superior.

1.3 Método de Eliminação de Gauss

O Método de Eliminação de Gauss, com pivotamento sobre os elementos da diagonal
da matriz dos coeficientes do sistema A, consiste em transformar o sistema dado, por
meio de operações elementares sobre as linhas, em um sistema equivalente triangular

acoplamos o vetor coluna b dos termos independentes juntamente com a matriz A do sistema. como pivô. tomando. para que este também sofra simultâneamente todas as operações elementares de pivotamento. e é possı́vel aplicar o Método de Eliminação de Gauss. Quantas operações são realizadas na aplicação do Método de Eliminação de Gauss? Para um sistema linear de ordem n fazemos n − i divisões para obter os multi- a plicadores mij = aijii para fazer a operação elementar de substituir a linha i por Li ← Li − mij Lj resultando num total de (n − i)(n − i + 1) multiplicações e (n − i)(n − i + 1) subtrações. O pivô é utilizado para serar os outros elementos da respectiva coluna. det(A) = 2RA − 12 6= 0 para RA 6= 12 temos que o sistema possui uma úmica solução. Acrescentando as operações aritméticas de substi- tuição regressiva n − i multiplicações e n − i − 1 adições. x2 = 2 − 52 RA e x1 = 7 − 6RA. Aı́ fazemos a susbstituição regressiva. Quando ocorrer do elemento da diagonal que seria usado como pivô ser nulo. temos que −3 x3 = − 12 + 16 RA. os elementos diferentes de zero da diagonal da matriz do sistema. isto é. Consideramos a matriz aumentada A|b do sistema Ax = b. em cada passo. Considerando a matriz ampliada do sistema   1 2 0 4 − RA  2 1 3 5  L2 ← L2 − 2L1   0 1 3 −1   1 2 0 4 − RA  0 −3 3 −3 + 2RA  L3 ← L3 + 31 L2   0 1 3 −1   1 2 0 4 − RA  0 −3 3 −3 + 2RA    0 0 4 −2 + 23 RA assim. obtemos o número total de operações: Divisões e/ou multiplicações: (n − i) + (n − i)(n − i + 1) = (n − i)(n − i + 2) e n − i Adições e/ou subtrações: (n − i)(n − i + 1) e n − i − 1 . temos  2 1 3  tem   0 1 3 determinante não nulo. de forma a obter no final destas operações um sistema triangular superior equivalente ao sistema dado inicialmente.   1 2 RA 4. Com a matrix dos coeficientes do sistema do Exemplo 1. fazemos a operação elementar de troca de linhas.1 Métodos Diretos para resolução de sistemas de equações lineares 3 superior.

.000100 1. O método de Gauss-Jordam usa a i-ésima equação para eliminar não somente xi das equações Li+1 .00 1. . Li+2 .0001x1 + 1. Considere agora o sistema linear ( 0.000.n+1(i) xi = (i) ai. Considerando a matriz ampliada do sistema e aplicando diretamente a Eliminação de Gauss " # 0. ≈ 33 operações.000100 1. mas também das equações L1 .00 2. para um valor grande de n temos que a quantidade de operações aumenta proporcionalmente a n3 . um total de 28 operações.i n3 n n3 n2 exigindo 3 + n2 − 2 divisões e multiplicações e 3 − 2 adições e multiplicações.00 −10000 −10000 assim. Obs.00 Usando o Método de Eliminação de Gauss com três digitos significativos em todas as operações temos como solução x1 = 0 e x2 = 1. temos que x1 = 0. portanto.00 1. L2 . i=1 i = 2 e i=1 i2 = 6 obtemos o número total de divisões e/ou multiplicações: 2n3 +3n2 −5n n3 Pn Pn i=1 (n − i)(n − i + 2) + i=1 (n − i) = 6 + n(n+1) 2 = 3 + n2 − n 3 e o número total de adições e/ou subtrações: n3 −n n3 −n n2 −n n3 n2 Pn + ni=1 (n − i − 1) = 5n P i=1 (n − i)(n − i + 1) = 3 3 + 2 = 3 + 2 − 6 Deste modo.00. o sistema tem uma única solução. Ln como feito no Método de eliminação de Gauss.00 1. det(A) é não nulo.1 Métodos Diretos para resolução de sistemas de equações lineares 4 Usando as somas Pn Pn n(n+1) Pn n(n+1)(2n+1) i=1 1 = n. . obtemos a solução diretamente ai. .00 1. . .00x1 + 1.99990 6= 0. De fato.00 1.00x2 = 1. .00 " # 0.00 L2 ← L2 + 0. ou seja.00x2 = 2. . det(A) = −0. Li−1 transformando a Matriz do sistema numa matriz diagonal através de operações elementares sobre a matriz ampliada do sis- tema e aı́.00 0. Num sistem 3 × 3 teremos 17 multiplicações e 11 adições. .000 e x2 = 1. Propagação dos erros de arredondamento 5.0001 L1 1. ou seja. Obs.

0. De fato.0 1.6 1. Assim.0 21.19L1 3. o pivô deve ser o elemento de maior valor absoluto da coluna considerada. No sistema anterior.94.99990. det(A) é não nulo. a solução deste sistema é x1 = 1. No método de Eliminação de Gauss.1 Métodos Diretos para resolução de sistemas de equações lineares 5 Entretanto.50x2 = 5.50 Usando o Método de Eliminação de Gauss com dois digitos significativos em todas as operações temos como solução x1 = 1.5 . o sistema tem uma única solução. L1 ≈ L2 + 0. fazendo o pivotamento parcial teremos como solução x1 = 1. 3. ele pode ser escrito como x=x+ E se multiplicarmos por um número s teremos s x = s x + s e o erro será s . Considerando a matriz ampliada do sistema e aplicando diretamente a Eliminação de Gauss " # 16.00 e x2 = 1. 5.00 3. Para isso. este erro poderá ser muito maior do que o original.5 3 Aproximamos o multiplicador 16 = 0. Considere o sistema linear ( 16x1 + 5. A propagação dos erros de arredondamento ocorre principalmente quando multipli- camos um número muito grande por outro que já contém um erro de arredonda- mento. basta trocarmos as linhas das equações do sistema caso necessário. Este pro- cedimento é chamado de Método de Eliminação de Gauss com Pivotamento parcial. se x tem um erro de arredondamento .5 5.1875 ≈ 0.0 2. 6. portanto. De fato.0 21. " # 16.00x2 = 21.19 que também usamos no cálculo do termo independente.00x1 + 2. efetuamos vários produtos com os multiplica- dores ( (k) aij k) mij = (k) aii o que nos indica que é conveniente que sejam todos menores do que 1 em módulo. ou seja.00 que é mais próxima da solução atual.0 L2 ← L2 + 16. se s for muito grande. 5.00 e x2 = 0. det(A) = 73 6= 0.0010 e x2 = 0.

9375 ≈ 0. = 16.7 16. Neste caso.4 Método da decomposição LU O Método de Decomposição LU utilizado no cálculo da solução de um sistema linear (ou de uma matriz inversa) consiste em transformarmos a matriz A no produto de duas matrizes triangulares.0. Como det(A) = 2RA − 12 6= 0 e os determinantes das submatrizes são 6= 0 temos h i det( 1 ) = 1 6= 0 " # 1 2 det( ) = −3 6= 0 2 1 . Quando usamos o Método de Decomposição LU no cálculo da solução de um sistema linear (ou da matriz inversa).94 21−4. • Programação: Faça um programa dos métodos na linguagem que tiver mais afinidade e aplique para resolver um problema de encontrar a solução numérica de um sistema de equações lineares.0 e x2 = 1. transformamos a matriz A no produto de duas matrizes triangulares. inferior e superior respectivamente. = 16 = 1. Exemplo.0. Neste caso. 7.6 = 0. • Algorı́tmo: Elabore um algoritmo para a resolução de um sistema de equações lineares pelos métodos de eliminação. ou seja a matriz cujas entradas são 1 hij = i+j−1 e não utilizarmos o pivotamento parcial poderá levar a uma solução completamente errada.0×0. Entretanto.1 Métodos Diretos para resolução de sistemas de equações lineares 6 1. Verifique! 1. Quando é possı́vel determinar a solução pelo Método da Decomposição LU? No caso do exemplo 1 é possivel? Neste caso determine-a.94 e 21−5. uma inferior e outra superior respectivamente. teremos três sistemas de equações lineares para serem resolvidos e consequentemente dois sistemas de equações triangulares inferiores e superiores em cada um deles.3 x1 = 16. Se um sistema possui a Matriz de Hilbert como a matriz de coeficientes. teremos três sistemas de equações lineares para serem resolvidos e consequen- temente dois sistemas de equações triangulares: inferior e superior em cada um deles.5 x2 = 1. a solução deste sistema é x1 = 1.

8. Assim. det(A1 ) = 5 6= 0. 2. 3. . e assim sucessivamente vamos calculando intercaladamente os cálculos da linha de U e da coluna da L. −7. a primeira linha de U fazemos Uj1 = L1j 11 .       1 2 RA 1 0 0 1 2 RA  2 1 3  =  L21 1 0  *  0 U22 U23        0 1 3 L31 L32 1 0 0 U33 Na decomposição da matriz A no produto de uma matriz triangular inferior L com todos elementos da diagonal iguais a 1 por uma matriz triangular superior cuja primeira linha da matriz U é exatamente igual a primeira linha da matriz A do sistema. aj1 Para calcular a primeira coluna de L fazemos Lj1 = u11 . calcula-se a segunda linha de U e em seguida a segunda coluna de L. −26)T . • Programação: Faça um programa do método LU na linguagem que tiver mais afinidade e aplique para resolver um problema de encontrar a solução numérica de um sistema de equações lineares. Resolvendo Ly = b obtemos y = (0. 1. para j = 2. Resolvendo U x = y. Verifique que é possı́vel e calcule a solução do sistema linear   5x1 + 2x2 = x3 = 0  3x1 + x2 + 4x3 = −7  x1 + x2 + 3x3 = −5  pelo Método da decomposição LU . • Algorı́tmo: Elabore um algoritmo para a resolução de um sistema de equações lineares pelo método da decomposição LU . 3 e como L11 = 1 temos Uj1 = Aj1 para todo j = 1. ou seja. a primeira linha de U coincide com a primeria linha de A. −2)T . obtemos x = (0. logo A satisfaz as condições do método. a De fato. 3. det(A2 ) = −1 6= 0. para j = 2.1 Métodos Diretos para resolução de sistemas de equações lineares 7 Podemos decompor a matriz A do sistema como LU . Observamos inicialmente que a matriz dos coe- ficientes A satisfaz det(A) =.

xn ]T . x2 . . para a solução exata x = [x1 . . utilizando para isto. em que cada solução obtida depende da solução anterior pela aplicação do mesmo procedimento. . j = 1. Definimos a Norma de um vetor do R como uma aplicação de um espaço vetorial V em R. . 2.. x(k) e espera-se que seja convergente para a solução x isto é. métodos iterativos. . 3. . . .k :V →R que a cada vetor x ∈ Rn associa um número real k x k∈ R satisfazendo as seguintes propriedades: . k. . .2 Métodos iterativos 8 2 Métodos iterativos Podemos resolver um sistema de equações lineares Ax = b. 2. 2. x(2) . i. x(1) . . Para construir um método iterativo para resolução de sistemas de equações lineares. a partir de uma solução aproximada inicial x(0) = [x1 . . x(k) → x Para o entendimento dos métodos iterativos e da análise da convergência. . . Esta forma equivalente será detalhada no Método iterativo de Jacobi-Richardson conforme segue.1 Método de Jacobi-Richardson De uma maneira geral. temos obtemos a matrix H = (hij ). obtida a forma equivalente x = Hx + g. . x2 . . 3. os quais consistem em determinar uma sequência de soluções aproximadas. determina-se uma sequência de vetores x(0) . (0) (0) (0) (0) Assim. do sistema Ax = b. escrevemos o sistema de equações lineares Ax = b na forma equivalente x = Hx + g. x(k+1) = Hx(k) + g Neste caso. ij = 1. . . determinamos a sequência de soluções aproximadas considerando o processo iterativo: x(1) = Hx(0) + g x(2) = Hx(1) + g . a partir de uma solução aproximada inicial x(0) . x3 . x3 . . . vamos apresentar algumas definições e resultados sobre norma de vetores e de matrizes. . xn ]T . n chamada de matriz iterativa e o vetor g = (gi ). n.

∀α ∈ R. k A k. (k) (k) (k) (k) Dizemos que uma sequência de vetores x(k) = [x1 . x3 . x3 . x2 . Exemplo de normas no Rn . p k x k2 = x21 + x22 + · · · + x2n A norma 2 de um vetor x representa a distância euclidiana do ponto x a origem. c) k x + y k ≤ k x k + k y k. ||xk −xk−1 || ||xk || < Exemplo: Considere a matriz ampliada de uma sistema linear   10 −1 2 0 6    −1 11 −1 3 25     2 −1 10 −1 −11    0 3 −1 8 15 . |xn |} A norma de uma matriz satisfaz as mesmas propriedades da norma de um vetor. ∀x. Seja A uma matriz quadrada n × n temos:. a) k A k∞ = max1≤i≤n |aij | : norma linha. . e o problema é quando parar? que critério utilizar? Processo de parada para métodos iterativos: O processo de parada para um método iterativo é decidido quando o erro relativo é menor do que uma tolerancia  dada. . ∀x ∈ V . . . b) k A k1 = max1≤j≤n |aij | : norma coluna. |x2 |.2 Métodos iterativos 9 a) k x k ≥ 0. . qP n 2 c) k A kE = i. xn ]T ∈ Rn se k xk − x k → 0 quando k→∞ Quando estamos utilizando um método iterativo a a partir de uma solução inicial obtemos uma sequência de vetores. . . .j=1 aij : norma euclidiana. b) k αx k = |α| k x k . Norma induzida: Uma norma de matriz á dita induzida por uma norma de vetor se ela é definida como k Ax k. = maxx6=0 k x k. . ∀x ∈ V e k x k = 0 ⇐⇒ x = 0. x2 . xn ]T ∈ Rn con- verge para um vetor x = [x1 . . y ∈ V . k x k1 = |x1 | + |x2 | + · · · + |xn | k x k∞ = max{|x1 |. . .

−1. −1.0023. Tomando as normas consistentes e usando ||AB|| ≤ ||A||||B|| temos que ||(I − A)k e(0) || ≤ ||I − A)||k ||e(0) || e como ||I − A)k < 1 .0004.9989]T e E8 = 0.6. se x(k) → x temos que o erro cometido ao pararmos na k-ésima iteração pode ser escrito como e(k) = x − x(k) e x − x(k) = (I − A)(x − x(k−1) e(k) = (I − A)e(k−1) e(k−1) = (I − A)e(k−2) =⇒ e(k) = (I − A)2 e(k−2) . para qualquer norma consistente. 1.028686 x(6) = [1.9681. . −0.050493.9739]T e E4 = 0.9998.1000.0050442 < 10−2 x(8) = [1.0006]T e E9 = 0. 1. −0.8852]T e E2 = |x(1) | = 0. 1. 1.9990. 2.013553 x(7) = [0.0114.8750]T e E1 = 1 obtemos: |x(2) −x(1 | x(2) = [1.0006. e(k) = (I − A)k e0) em que e(0) é o erro inicial.9945.0152.0004.16420 x(4) = [1. 0.2727.9326. −0. −1. 0. 1. 1. Dado um sistema linear Ax = b.9981.9998]T e E10 = 0.2 Métodos iterativos 10 Partindo de uma aproximação inicial da solução x(0) = [0.0103.0473.0011058 x(10) = [1. −1. 0] obtemos x(1) = [0. 0. 0. 0.9922.000466 < 10−3 9.9944]T e E6 = 0.1309]T e E3 = 0. 1.0032.080360 x(5) = [0. 1. Convergência de métodos iterativos Fato: Um método iterativo para o sistema linear Ax = b converge se ||I − A|| < 1. 1.0020. 0.57684 x(3) = [0.0023515 x(9) = [0.0001. 2. podemos escrevê-lo na forma x = (I − A)x + b Assim. 1. Assim. 2. 2. −0.0214]T e E5 = 0.0036]T e E7 = 0.9987.053. −0. 0. −1.9537. a solução x de Ax = b é a mesma solução de x = (I − A)x + b.9998.9890.8052..7159.9997. 2.

2| = 0.00x2 + 1.2x3 = −1.00  1. vemos que  ∗ ∗  |a12 | + |a13 | = |0. aplicando o critério das colunas.00x1 + 3. Exemplo: Considere o sistema linear   10. Assim.0  Usando o Método de Jacobi-Richardson com  < 10−2 Solução: Testamos inicialmente a condição de convergência pelo critério das linhas ¯ para garantir a existência da solução do sistema.2x1 + 0. pois ||ek || ≤ ||x − x(k) || → 0 Fato: Um método iterativo converge se e somente se o maxni=1 |λi | < 1.5 < 1 P3 e. Também podemos dividir as equações pelo elemento da diagonal principal.00x1 + 2. em que |λi | são os autovalores da matriz I − A.2 Métodos iterativos 11 a convergência do método é garantida.100x3 = 0.700  0.2| + |0.00x3 = 6. Ou.00x2 + 1.3x2 + x3 = 0.2x1 + x2 + 0.3 < 1  |a∗21 | + |a∗23 | = |0.4 < 1   ∗ |a31 | + |a∗32 | = |0.00x3 = 7. ao aplicamos o critério das linhas.6  0.   |a12 | + |a13 | = |2| + |1| < |10| = |a11 |  |a21 | + |a23 | = |1| + |1| < |5| = |a22 |  |a13 | + |a23 | = |2| + |3| < |10| = |a33 |  Isto nos garante a convergência pelo Método de Jacobi-Richardson.200x2 + 0. obtemos o sistema de iteração fica   x1 + 0.00x2 + 10.6  Aı́. já que a matriz do sistema é diagonalmente dominante.00x1 + 5.3| = 0.1| = 0.2| + |0. max1≤i≤3 j=1.2| + |0.5 < 1.00x3 = −8. vemos que .0  2.j6=i |a∗ij | = 0.

0016]T ||x(4) − x(3) ||∞ 0.061 > 10−2 ||x ||∞ 1.3 < 1 max1≤j≤3 3i=1.183 > 10−2 ||x(1) ||∞ 1.86 −1.26.9979 e x2 = −1.0178. pois x(1) − x(0) = [0.6   k+1 x3 = −0.12.9888 x(4) − x(3) = [−0. −0. 0.0214.100x3 + 0.2xk3 − 1.2xk1 − 0.0015.9978.6 0.98 −1.9979 x2 −1.700  xk+1 2 = −0.0108.6 −1. ]T ||x(3) − x(2) ||∞ 0.26.34]T ||x(1) − x(0) ||∞ 0. 0.i6=j |a∗ij | = 0.2x2 − 0. −0. 0.96 0.12 E2 = (2) = ≈ 0.6 Podemos elaborar uma tabela contendo os números das iterações e os respectivas aproximações da solução: Tabela: Número de iterações (n) e soluções aproximadas n 0 1 2 3 4 x1 0. Aplicando as iterações sucessivas em  k+1 k k  x1 = −0.2| + |0.1| + |0.0324 E3 = (3) = ≈ .0054 < 10−2 ||x ||∞ 1. −0.2| = 0.94 0.966 0.9994 0.978 0.0108 E4 = (4) = ≈ 0.9996 e x3 = 0.9996 .98 x(3) − x(2) = [0.026]T ||x(2) − x(1) ||∞ 0.9968 O sistema tem como solução x1 = 0.5 < 1 o que nos garante a convergência do método de P Jacobi-Richardson.9996 x3 0.2| + |0.7 0.2 Métodos iterativos 12  ∗ ∗  |a21 | + |a31 | = |0.016291 > 10−2 ||x ||∞ 1.5 < 1   ∗ |a13 | + |a∗23 | = |0.9984 0.4 < 1  |a∗12 | + |a∗32 | = |0.01108.3xk2 + 0. 0.032400.34 E1 = = ≈ 0.86 x(2) − x(1) = [0.2xk1 − 0.2| = 0.9888 −1. 0.3| = 0.

• Programação: Faça um programa dos métodos na linguagem que tiver mais afinidade e aplique para resolver um problema de encontrar a solução numérica de um sistema de equações lineares pelo método de Jacobi-richardson.2 Métodos iterativos 13 • Algorı́tmo: Elabore um algoritmo para a resolução de um sistema de equações lineares pelo método de Jacobi-richardson. .

. 10. Assim.. De fato.2 Métodos iterativos 14 2.. Exemplo: Dado o sistema:   4x + y + z = 6  x + 6y + z = 8  2x + y + 8z = 11  a) Verificar a convergência usando o critério de Sassenfeld. .. (L + I)x = −U x + b∗ e x = −(L + I)U x + (L + I)(−1) b∗ ou seja x = Hx + g fazendo x(k+1) = −(L + I)−1 U x(k) + (L + I)−1 b∗ em que H = −(L + I)−1 U é a matriz de iteração e g = (L + I)−1 b∗ .2 Método de Gauss-Seidel O método de Gauss-Seidel é um método iterativo de deslocamentos sucessivos. podemos calcular x(k+1) = −Lx(k+1) + U x(k) + b∗ sem a necessidade de calcular a inversa de L + I. xi−2 . podemos rescrevê-lo na forma x = (L + I + U )x + b∗ E a solução x de Ax = b é a mesma solução de x = (L + I + U )x + b∗ . Observemos que o Método de Gauss-Seidel difere do método de Jacobi-Richardson (k) por utilizar em cada passo de xi os valores mais recentes das demais componentes (k) (k) xi−1 . dado um sistema linear Ax = b. Observe que multiplicando ambos os membros da equação anterior por L+I obtemos (L + I)x(k+1) = U x(k) + b∗ e assim.

2 Métodos iterativos 15 b) Resolver pelo Método de Gauss-Seidel (com 3 iterações a partir do vetor nulo). 11. . Queremos calcular a ||Bx||∞ . podemos escrever n X n X n X |y1 | = | a1j xj | ≤ |a1j | |xj | ≤ | |a1j | maxj |xj | j=2 j=2 j=2 n X = |a1j | ||x||∞ = β1 ||x||∞ j=2 . u4 e u5 resolvendo a equação de diferenças un+2 + un+1 + un = n com as condições de contorno u1 = 0 e u6 = 1 Critérios de Convergência A matriz dos coeficientes do sistema linear deve ser estritamente diagonalmente dominante.    yn = a∗n1 y1 + a∗n2 y2 + a∗n3 y3 + · · · + a∗n.n−1 yn−1  Assim. Demonstração identica a do Método de Jacobi-Richardson usando o erro relativo. Como ||Bx||∞ = ||y∞ || com ||y∞ || = max1≤i≤n |yi | temos que o vetor y é obtido do vetor x a partir de    y1 = a∗11 x1 + a∗12 x2 + a∗13 x3 + · · · + a∗11 xn   y 2 = a∗ y 1 + a∗ x 2 + a∗ x 3 + · · · + a∗ x n  21 22 23 21  . Observe que se a matriz de iteração do método de Gauss-seidel B = −(L + I −1 )U tiver norma menor do que 1 o método converge. −(L + I)−1 U = B. Consideramos y = Bx y = −(L + I −1 ) U x (L + I)y = U x y = −Ly − U x Lembremos que ||Bx|| ≤ k||x|| com k < 1 temos uma condição suficiente para garantir a convergência. u3 . Critério de Sassenfeld Escrevemos a matrix de iteração do Método de Gauss-Seidel.. Exemplo: Calcular u2 .

Escrevendo a matrix de iteração. Assim. se β = max1≤i≤n βi < 1 a sequ?ncia xk gerada pelo método iterativo de Gauss-Seidel converge. temos que |y1 | ≤ β1 ||x||∞ E. −(L + I)U .2 Métodos iterativos 16 Pn em que β1 = j=2 |a1j |. n X n X |y2 | = |a∗21 y1 + a2j xj | ≤ |a∗21 | |y1 | + |a2j | |xj | j=3 j=3 n X n X ≤ |a∗21 | β1 ||x||∞ + |a∗2j | maxj |xj | ≤ |a∗21 | β1 ||x||∞ + |a∗2j | ||x||∞ j=3 j=3 n X |a∗21 | |a∗2j | ||x||∞ = β2 ||x||∞  = β1 + j=3 Pn em que β2 = |a∗21 | β1 + j=3 |a∗2j |. temos que |yi | ≤ βi ||x||inf ty em que as constantes i−1 X n X βi = |a∗ij | βj + |a∗ij |. j=1 j=i+1 E. podemos calcular x(k+1) = −Lx(k+1) + U x(k) + b∗ sem necessidade de calcular a inversa de L + I. E. ||Bx||∞ = ||y||∞ = max1≤n |yi | ≤ max1≤n βi ||x||∞ Portanto. temos que |y1 | ≤ β1 ||x||∞ No método de Gauss-Seidel (L + I)x(k+1) = U x(k) + b∗ e. Portanto.

Critério das linhas 12. Exemplo: Dado o sistema   9x + 2y + 2z = −5  x + 3y =4  −x + y + 3z = 3  Calcule a solução testando os critérios de convergência e resolva utilizando os métodos de Jacobi-Richardson e de Gauss-Seidel   9 2 2 A= 1 3 0    −1 1 3   −5 b= 4    3  2 2 5  x = −9y − 9z −  9 y = − 13 x + 43  z = 13 x − 31 y + 1  a) Método de Jacobi-Richardson  2 2 5  x = −9y − 9z −  9 y = − 13 x + 43  z = 13 x − 31 y + 1  Na forma matricial       5  x 0 − 29 29 x −9    1    4   y  =  −3 0 0  y + 3  1 1 z 3 −3 0 z 1   0 (0) Dado uma aproximação inicial x =  0    0 temos    − 59 −0.2 Métodos iterativos 17 1.3333      1 1 |x(1) −x(0) | E1 = |x(1) | = 1 > 10(−2) Então calculamos .55556 x(1) =  43  =  1.

51849         z (2) 1 1 0. a) Método de Gauss-Seidel Dado o sistema Ax = b por   9x + 2y + 2z = −5  x + 3y =4  −x + y + 3z = 3  Vemos que a matriz dos coeficientes é diagonalmente dominante e agora vamos testar o critèrio de Sassenfeld:  |a12 |+|a13 |  β1 =   |a11| = |2|+|2| |9| = 49 < 1 |a21 |β1 +|a23 | β2 = |a22 | = |1|+|0| |3| = 13 < 1 |a21 |β1 +|a31 | = |−1|+|1|   β3 = = 23 < 1  |a33 | |3| 2 Assim.81069 Da mesma forma.11446 > 10−1   1.54318   −0.3333  +  1. 0]T temos . Escrevendo o sistema   x  (1) = − 29 y (0) − 29 z (0) − 5 9 y (1) = − 13 x(1) + 43  = 13 x(1) − 13 y (1) + 1  (1) z Começando também com a aproximação inicial x(0) = [0.37038 E2 = 0.051974 < 10−1 portanto. a solução aproximada   0.21538 com  < 10−1 é x4 .39195 > 10−1   −0.83539 x4 =  1.55556 −0. 0.55556 −0.54318  com E3 = 0.3333  =  1. max1≤i≤3 βi = 3 < 1 o método de Gauss-Seidel converge. obtemos: x3 =  1.2 Métodos iterativos 18       5  x(2) 0 − 29 2 9 x(1) −9  (2)   1   (1)   4   y =  −3 0 0  y + 3  1 z (2) 3 − 31 0 z (1) 1  (2)        x 0 − 29 2 9 5 9 − 5 9  1 0   43  +  34   (2)   y =  −3 0     1 z (2) 3 − 31 0 1 1         x(2) −0.62963  (2)  y  =  1.60353  com E4 = 0.

1481  = 13 x(1) − 13 y (1) + 1 = 31 × 0.5679 − 59 − 95 = −0.46227 − 31 × 1.5679 com E1 = |X (1) | = 1. .4874 = 0.1481 − 92 × 1. • Programação: Faça um programa dos métodos na linguagem que tiver mais afinidade e aplique para resolver um problema de encontrar a solução numérica de um sistema de equações lineares pelo método de Gauss-Seidel.35010  (2) z |X (2) −X (2) | 1.81874 Asssim sucessivamente.55556 + 43 = 1.46227 y (2) = − 13 x(2) + 43 = − 13 × (−0. ( Conferir as contas!) • Algorı́tmo: Elabore um algoritmo para a resolução de um sistema de equações lineares pelo método de Gauss-Seidel.4874  = 31 x(2) − 31 y (2) + 1 = 13 × −0.5679  (1) z |X (1) −X (0) | 1.5679 =1   x  (2) = − 29 y (1) − 29 z (1) − 59 = − 29 × 1.1481 + 1 = 1.2178 com E2 = |X (2) | = 1.4874 + 1 = 0.2 Métodos iterativos 19   x  (1) = − 29 y (0) − 92 z (0) − 59 = − 95 = 0.55556 y (1) = − 13 x(1) + 43 = − 13 × 0.46227) + 43 = 1.55556 − 13 × 1.

. . n são funções reais não lineares contı́nuas e diferenciáveis. .    . . podemos começar a procura (0) (0) de uma solução aproximada a partir de uma solução inicial (x1 . f2 (x1 . x2 ) = 0 Para encontrar uma aproximação para o vetor solução x̄ = (x̄1 . . fn (x1 . um primeiro passo é escrever o sistema na forma: ( x1 = f (x1 . . . x2 ) x2 = g(x1 . . . . . .  fn (x1 . . x̄2 ) de F (x) = F (x1 . . xn ) = [f1 (x1 . . F (x1 . xn ). .3 Sistemas não lineares 20 3 Sistemas não lineares Seja F : Rn → Rn uma função vetorial contı́nua e diferenciável. xn ) = 0  . . xn )] em que fi : Rn → R. i = 1. . . . . . . x2 ) = = f2 (x1 . Determinar a raı́z x̄ = (x̄1 . x̄2 . x2 . x2 ) sen(x1 ) + x2 F (x1 .. x̄n ) de F (x) consiste em resolver o sistema não linear    f1 (x1 . x2 ) = 0 em que " # " # f1 (x1 . x2 . ou seja. 2. . . . x2 . x2 ) = 0 f2 (x1 . xn ) = 0   f2 (x1 . . xn ). x̄2 ). x2 . . x2 ) Se x̄ = (x̄1 . . xn ) = 0  Exemplo: Determinar a solução do sistema de equações ( sen(x1 ) + x2 = 0 x21 + x22 − 1 = 0 equivale a determinar o vetor solução x̄ = (x̄1 . x2 .1 Método iterativo linear para sistemas não lineares Considerando inicialmente um sistema de 2 equações não lineares e duas incógnitas ( f1 (x1 . . x2 . . . . x̄2 ) é uma solução do sistema não linear. x2 ) x21 + x22 − 1 3. x2 . . . . . . . x2 ) e iniciar o . .

x2 ) | + | ∂f (x ∂x2 1 .9)(1.1x1 x22 + 0.5 = 0.2(0.2x21 + 0.1) + 0.9)(1.2(0.719 < 1 Assim.4| + |0.1) e supomos que ele esteja numa vizinhança V da solução.96 (1) x2 = 0. x̄2 ).1x2 | + |0.5 = 0 Para encontrar uma aproximação para o vetor solução x̄ = (x̄1 .6 = 0 g(x1 . fazendo as iterações obtemos X (1) = (x(1) .2(1.9) + 0. y (1) ) ( (1) x1 = 0.76 < 1 | ∂g(x 1 .2x1 + 0. No caso de funções de duas variáveis poderı́amos plotar seus os gráficos e verificar a região em que elas se interceptam.x2 ) ∂x1 | + | ∂g(x 1 . x2 ) = (0.x2 ) | ∂x1 | + | ∂x2 | ≤ k2 < 1 Para obtermos uma solução com um determinada precisão  devemos calcular o erro relativo para todas as componentes do vetor solução. c) As relações | ∂f (x ∂x1 1 .6 x2 = 0.4x1 + 0. Exemplo: ( f (x1 .2(0.6 = 0.9.4(0.1)2 + 0. escrevemos o sistema na forma: ( x1 = 0.2x1 x2 − x1 + 0.9)(1. x2 ) e g(x1 .1(0. x2 ) e suas derivadas parciais de primeira ordem são contı́nuas numa vizinhança V da raı́z (x̄1 .1(1.5 (0) (0) Consideramos uma aproximação inicial X (0) = (x1 . x2 ) = 0.4x1 | + |0.2) = 0.1x1 x22 − x2 + 0.2x1 x2 | = 0.3 Sistemas não lineares 21 processo iterativo fazendo: ( (k+1) (k) (k) x1 = f (x1 .x2 ) ∂g(x1 . b) As funções de iteração f (x1 .x2 ) | + | ∂f (x ∂x2 1 . 1.9) = 0.1) + |0.4x1 + 0.x2 ) |= = |0. x̄2 ).4 + 0.x2 ) ∂x2 |= 2 2 = |0.9689 .2(0.9)2 + 0.4(0. x2 ) pertence a uma vizinhança V da raı́z (x̄1 . x2 ) A convergência do método iterativo é linear e só ocorre se: (0) (0) a) Uma aproximação inicial (x1 .2x1 | = 0. x̄2 ). x2 ) = 0.2x2 | + |0.9) + 0.2x1 x2 + 0.1) + 0.x2 ) | ≤ k1 < 1 ∂g(x1 . Verificamos que numa vizinhança V da solução as derivadas parciais de f e g são contı́nuas e | ∂f (x ∂x1 1 . x2 ) (k+1) (k) (k) x2 = g(x1 .

97921) + 0.3 Sistemas não lineares 22 Calculo do Erro E1 usando a norma do máximo (∞) temos: |X (1) − X (0) | 0.1(0. x2 ) = 0 f2 (x1 . x̄2 ) tal que F (x̄) = F (x̄1 .9703) + 0.97832 (3) x2 = 0.5 = 0.96 − 0. ( (3) x1 = 0.9703)(0.96 (1) (0) |x2 − x2 | 0. x2 ) para a solução x̄ = (x̄1 .9703)(0.4(0.9689 Cálculo de X (2) = (x(2) .9703)2 + 0. .9 = > 10−2 |X(2)| 0.2 Método de Newton Considerando inicialmente um sistema de 2 equações não lineares e duas incógnitas ( f1 (x1 . y (2) ) ( (2) x1 = 0.131100 (1) = = 0.4(0.9689 − 1.98116 Calculo do Erro E3 : |X (3) − X (2) | ≈ 0.6 = 0.97921 Calculo do Erro E2 : |X (2) − X (1) | 0. x2 ) = f2 (x1 . 0.2(0. podemos considerar a solução aproximada (0.5 = 0.96)(0. x̄2 ) = 0 em que " # f1 (x1 .9703) + 0.96)2 + 0.13531 > 10−2 |X | 0. x2 ) = 0 e queremos encontrar o vetor solução vetor solução x̄ = (x̄1 .2(0.6 = 0.9689 o processo deve ser continuado até que todas as aproximações tenham erro menor do que a tolerancia.9689) + 0.2(0.97832.97035 (2) x2 = 0.97921)2 + 0.007 < 10−2 |X (3) | Assim.9689)2 + 0. x2 ) F (x1 . x2 ) (0) (0) Seja uma aproximação inicial x(0) = (x1 .1 (1) = > 10−2 |x2 | 0.1(0.9703)(0.98116) 3.2(0. x̄2 ) .

x2 ). x2 ) para a solução x̄ = (x̄1 . x2 ) +   ∂x1 (x1 − x1 ) + ∂x2 (x2 − x2 ) = 0  (0) (0) (0) (0)  (0) (0) ∂f2 (x1 .x2 ) (0) f2 (x1 . x2 ) (1) = (1) (1) (x2 − x2 ) −f2 (x1 .x2 )  ∂x1 ∂x2 obtemos o sistema " (0) # " (0) (0) # (0) (0) (x1 − x1 ) −f1 (x1 . x2 ))  (0) (0) (0) (0)  ∂f1 (x1 . x2 )  (0) (0) ∂f2 (x1 .x2 ) (0) f2 (x1 . x2 ) e f2 (x1 . x2 ).x2 ) (0) (0) ∂f2 (x1 . x̄2 ) . x2 ) + (x1 − x1 ) + (x2 − x2 ) = 0  ∂x1 ∂x2 (1) (1) A solução deste sistema linear nos dá uma nova aproximação x(1) = (x1 .x2 ) (0) (0) (0) ∂x1 ∂x2 (x 1 − x 1 ) −f (x 1 1 .x2 )  (0) = (0) (0) (x2 − x2 ) −f2 (x1 . x2 ) = f2 (x1 . x2 ) J(x1 . x2 ) e assim sucessivamente. x2 ) diferenciáveis numa região D ⊂ R2 . f2 (x1 . podemos expandı́- las em uma Série de Taylor em torno do ponto x(0) até a derivada de primeira ordem temos  (0) (0) (0) (0) (0) (0) ∂f1 (x1 .x2 ) (0)  f1 (x1 . . x2 ) em torno de (x1 . x2 ) =  (0) (0) ∂f2 (x1 . x2 ) = f1 (x1 .x2 ) (0) ∂f1 (x1 . x2 ) obtemos um novo sistema " (1) # " (1) (1) # (1) (1) (x1 − x1 ) −f1 (x1 . x2 ) (2) (2) que resolvido nos dá nova aproximação (x1 . x2 ) Resolvendo o sistema linear obtido. Escrevendo o sistema na forma matricial temos  (0) (0) (0) (0) " # " # ∂f1 (x1 . (1) (1) Desenvolvendo novamente as funções f1 (x1 . x2 ) +   ∂x1 (x1 − x1 ) + 1 ∂x 2 (x2 − x2 )  (0) (0) (0) (0)  (0) (0) ∂f2 (x1 .x2 ) ∂f1 (x1 .x2 ) (0) ∂f2 (x1 .x2 ) ∂f1 (x1 . x2 ) J(x1 . x2 ) + (x1 − x1 ) + (x2 − x2 )  ∂x1 ∂x2 e igualando a zero a aproximação linear das funções obtemos um sistema linear:  (0) (0) (0) (0) (0) (0) ∂f1 (x1 . x2 ) = (f1 (x1 .x2 ) (0) ∂f (x1 . obtemos uma nova solução aproximada x(1) = (1) (1) (x1 .x2 ) (0)  f1 (x1 .x2 ) (0) (0) ∂x1 ∂x2 J(x1 .3 Sistemas não lineares 23 Sendo f1 (x1 .x2 ) (0) ∂f2 (x1 .x2 ) (0) (0) ∂f2 (x1 . x2 ) (0) = (0) (0) (x2 − x2 ) −f2 (x1 . x2 ) ∂x1 ∂x2 Escrevendo a matriz Jacobiana de F (x1 . x2 ) e f2 (x1 .

x2 ) (0) ∂f1 (x1 . x2 ) + (x1 − x1 ) + (x2 − x2 )  ∂x1 ∂x2 e igualando a zero temos o sistema linear:  (0) (0) (0) (0) (0) (0) ∂f1 (x1 . x2 ) = f 1 (x 1 . podemos expandı́- las em uma Série de Taylor em torno do ponto x(0) até a derivada de primeira ordem temos  (0) (0) (0) (0) (0) (0) ∂f1 (x1 .3 Sistemas não lineares 24 O critério de parada é usando uma tolerância  é dada por: (i+1) (i) (i+1) (i) |x1 − x1 | |x2 − x2 | (i+1) < e (i+1) < |x1 | |x2 | Considerando inicialmente um sistema de 2 equações não lineares e duas incógnitas ( f1 (x1 . x2 ). x̄2 ) . x̄2 ) . x̄2 ) = 0 em que " # f1 (x1 . f2 (x1 . Escrevendo o sistema na forma matricial temos  (0) (0) (0) (0) " # " # ∂f1 (x1 . x2 ) e f2 (x1 .x2 ) (0) (0) ∂f2 (x1 . x2 ) = 0 e queremos encontrar o vetor solução x̄ = (x̄1 . x2 ) ∂x1 ∂x2 Escrevendo a matriz Jacobiana de F (x1 . x2 )) .x2 ) (0) ∂f1 (x1 .x2 ) (0)  f1 (x1 . x2 )  (0) (0) ∂f2 (x1 . x2 ) = 0 f2 (x1 .x2 ) (0) (0) (0) ∂x1 ∂x2 (x 1 − x 1 ) −f 1 (x 1 .x2 ) (0)    f 1 (x 1 . x̄2 ) tal que F (x̄) = F (x̄1 .x2 )  (0) = (0) (0) (x2 − x2 ) −f2 (x1 .x2 ) (0) ∂f2 (x1 . x2 ) = f2 (x1 . x2 ) +   ∂x1 (x1 − x1 ) + ∂x2 (x2 − x2 ) = 0  (0) (0) (0) (0)  (0) (0) ∂f2 (x1 . x2 ) diferenciáveis numa região D ⊂ R2 . x2 ) = f2 (x1 . x2 ) = (f1 (x1 .x2 ) (0) f2 (x1 . x2 ) (0) (0) Seja uma aproximação inicial x(0) = (x1 .x2 ) ∂f1 (x1 .x2 ) (0) f2 (x1 . Sendo f1 (x1 . x2 ) + ∂x1 (x 1 − x 1 ) + ∂x2 (x2 − x2 )  (0) (0) (0) (0)  (0) (0) ∂f2 (x1 . x2 ) para a solução x̄ = (x̄1 . x2 ) para a solução x̄ = (x̄1 .x2 ) (0) ∂f2 (x1 . x2 ) + (x1 − x1 ) + (x2 − x2 ) = 0  ∂x1 ∂x2 (1) (1) A solução deste sistema linear nos dá uma nova aproximação x(1) = (x1 . x2 ) F (x1 .

7071 . (1) (1) Desenvolvendo as funções f1 (x1 .x2 )  ∂x1 ∂x2 temos " # " # (0) (0) (0) (0) (0) (x1 − x1 ) −f1 (x1 .2250 (1) (0) |x2 − x2 | 0. x2 ) J(x1 . x2 ) (0) = (0) (0) (x2 − x2 ) −f2 (x1 .2. x̄2 ) Considerando uma aproximação inicial (1. x2 ) e assim sucessivamente. dada por: (i+1) (i) (i+1) (i) |x1 − x1 | |x2 − x2 | (i+1) < e (i+1) < |x1 | |x2 | Exemplo: Considere o sistema de 2 equações não lineares e duas incógnitas ( x2 + y 2 = 2 x2 − y 2 = 1 e queremos encontrar o vetor solução x̄ = (x̄1 .7 − fx gy −fy gx = 0.01 > 10−3 |x2 | 0.7071 − 0. x2 ) obtemos um novo sistema " (1) # " (1) (1) # (1) (1) (x1 − x1 ) −f1 (x1 .2250 (1) gfx −f gy x2 = 0.x2 ) (0) (0) ∂x1 ∂x2 J(x1 .02 > 10−3 |x1 | 1. x2 ) Resolvendo o sistema linear obtido obtemos uma nova solução aproximada x(1) = (1) (1) (x1 .x2 ) (0) (0) ∂f2 (x1 .2 − fx gy −fy gx = 1. x2 ) =  (0) (0) ∂f2 (x1 . x2 ) em torno de (x1 . x2 ) (1) = (1) (1) (x2 − x2 ) −f2 (x1 . x2 ) J(x1 . O critério de parada é usando uma tolerancia  para cada uma das componentes do vetor solução aproximada. 0.x2 ) ∂f1 (x1 .7 (1) = ≈ 0.2 (1) = ≈ 0.3 Sistemas não lineares 25  (0) (0) (0) (0)  ∂f1 (x1 .2250 − 1. x2 ) (2) (2) que resolvido nos dá nova aproximação (x1 .7) temos f gy −gfy ( (1) x1 = 1. x2 ) e f2 (x1 . neste caso.7071 Calculo do Erro E1 : (1) (0) |x1 − x1 | 1. x2 ).

2 4. encontre dois erros e indicando a pagina e escrevendo corretamente os fatos ou resultados.1) Calcule as normas (norma linha. norma coluna.1 M =  3. 2) Resolva os seguintes sistemas lineares Ax = b utilizandos todos os métodos possı́veis (Eliminação de Gauss.1 −0. 4 Problemas 0) O texto sobre sistemas de equações tem alguns erros de digitação ou de cálculo. • Programação: Faça um programa dos métodos na linguagem que tiver mais afinidade e aplique para resolver um problema de encontrar a solução numérica de um sistema de equações não lineares pelo método de Newton.7 −0.1 −6. .223 (2) = ≈ 0. • Algorı́tmo: Elabore um algoritmo para a resolução de um sistema de equações não ineares pelo método de Newton. eliminação de Gauss com pivotamento par- cial. decomposição LU . justificando se podem ou não ser aplicados.2253 (2) x2 = 0.8    3.0001 < 10−3 |x2 | 0. Gauss-Seidel).4 Problemas 26 ( (2) x1 = 1.7070 Calculo do Erro E2 : (2) (1) |x1 − x1 | 1.2253 − 1.7071 (2) = =≈ 0.2253 (2) (1) |x2 − x2 | 0.6 1. Confira e dentre eles. 1) Considere a matriz   2.1 1.7070 − 0.5 4. eliminação de Gauss com pivotamento total. norma euclidiana) de M: 1.7070 o processo deve ser continuado até que todas as aproximações tenham erro menor do que a tolerância.0002 < 10−3 |x1 | 1.2) Verifique se M é singular. Jacobi- Richardson.

1) ( 2x3 − y = 1 x2 − y = 1 3.2) Caso possı́vel.4 Problemas 27 2.1) É possı́vel aplicar o Método de Gauss-Seidel com convergência asse- gurada? Justifique.2)     1 4 1 7 A =  1 6 −1  e b =  13      2 −1 2 5 2.1)     8 −6 2 28 A =  −4 11 −7  e b =  −40      4 −7 6 33 2.2) ( 2x3 − y = 1 x2 − y = 1 4) Considere as correntes i1 .3)     4 1 1 3 A= 1 4 1  e b= 0      1 1 5 −4 2.4)     10 2 1 14 A= 1 5 1  e b =  11      2 3 10 8 3) Resolva os sistemas não lineares pelo Método de Newton com erro relativo  < 10−2 3. i2 e i3 relacionadas pelo sistema linear obtido apli- cando a Lei de Kirchoff (a soma das diferenças de potencial em qualquer circuito fechado é zero) a um circuito com resistências e baterias dado por   6i1 + 10(i1 − i2 ) + 4(i1 − i3 ) − 26 = 0  5i2 + 5i2 + 5(i2 − i3 ) + 10(i2 − i1 ) = 0  11i3 + 4(i3 − i1 ) + 5(i3 − i2 ) − 7 =0  4. 4. obtenha a solução com erro relativo  < 10−2 Estude as referências básicas da disciplina .

4 Problemas 28 Obs. Um software online para trabalhar com matrizes é o matrix se encontra em https://matrixcalc.org/it/ .