MTODOS LINEAR

INTRODUO

NUMRICOS

PARA

LGEBRA

O objetivo, desse trabalho, apresentar alguns dos mais usuais mtodos numricos para resolver sistemas lineares. A forma de apresentao, atravs de uma linguagem orientada ao uso de hipertexto, tem duplo objetivo: o pimeiro, permitir aos alunos que possam estudar sozinhos e/ou resolver seus problemas de forma independente; o segundo, trabalhar com os atuais alunos da disciplina de Mtodos Numricos de 1996, do curso de Engenharia de Computao da PUC-Rio. Esses alunos receberam o texto j digitado por mim e fizeram, comigo, o restante de todo o trabalho. A organizao do trabalho foi feita em duas partes integradas e complementares: um tutorial sobre a parte conceitual com exemplos e uma parte que contm algumas rotinas que podem ser usadas sem dificuldades para que se resolvam sistemas lineares. Os algortmos escolhidos para implementao foram: dois mtodos diretos: Eliminao de Gauss e Fatorao de Crout; e trs mtodos iterativos: Jacobi, Gauss-Seidel e Sobrerelaxao.

Index
1. Complementos de lgebra linear 2. Mtodos Diretos para Soluo de Sistemas Lineares 3.Mtodos Iterativos

1 - COMPLEMENTOS DE LGEBRA LINEAR

Uma das mais usadas estruturas algbricas sem dvida a matriz. Sua utilizao nas mais variadas formulaes matemticas permite a simplificao no s da parte terica, mas tambm das prprias aplicaes. A resoluo de Sistemas Lineares est nesse caso. Na definio e resoluo desses sistemas, a forma matricial est sempre presente, seja na esquematizao dos mtodos diretos, seja no estudo da convergncia dos mtodos iterativos. Vamos, portanto, rever alguns pontos fundamentais sobre matrizes, necessrios neste captulo.

1.1 - Definies Iniciais

Vejamos, inicialmente, algumas notaes importantes usadas daqui em diante: X X : vetor de n componentes reais; : vetor de n componentes complexas; : matriz real de n linhas e m colunas; : matriz complexa de n linhas e m colunas; I : matriz identidade; : matriz inversa de A; 0 : matriz nula; A = (aij), i n, j m: matriz de n linhas e m colunas, cujos elementos so aij. = I;

1.2 - lgebra Matricial

Dadas duas matrizes A e B podemos definir operaes de adio e multiplicao da , ento: seguinte forma: sejam A e B matrizes de

A=

B=

C=A+B=

isto : cij = aij + bij, i

n, j

m.

Claro, para se realizar a adio de matrizes, preciso que ambas tenham a mesma dimenso. Exemplo 1.1

A=

B=

C=A+B=

A multiplicao, ao contrrio da adio, no presume as mesmas dimenses para as duas matrizes.

Por definio, temos: C = A x B ; Cij = isto , o nico que se exige que o nmero de colunas da matriz A seja igual ao nmero de linhas de B, para que todas as parcelas (aik . bkj ) estejam definidas. Exemplo 1.2 Sejam A e B do exemplo anterior

C=AxB=

1.3 - Sistemas Lineares

Um sistema linear a reunio de equaes algbricas lineares, que devem ser resolvidas simultaneamente, isto , deve haver uma soluo nica que satisfaa a todas as equaes ao mesmo tempo.

Exemplo 1.3
{ x + y + z = 3 y + z = 5 x + y = 3

Esse um sistema de trs equaes e trs incgnitas, cuja soluo x = -2, y = 5 e z = 0, isto , esses valores satisfazem as trs equaes simultaneamente. A soluo de um sistema , portanto, a soluo comum a todas as equaes. H certas operaes entre as equaes de um sistema que preservam a soluo original. Por exemplo, se somarmos duas linhas completas e colocarmos essa nova equao no lugar de uma das que foram somadas, continuamos com a soluo original. Exemplo 1.4 No exemplo anterior somando a 1a equao com a 3a, colocando o resultado no lugar da 3a equao, teremos um sistema cuja soluo a mesma do sistema anterior:
{ x + y + z = 3 y + z = 5 2x + 2y + z = 6

Exemplo 2.1 Multiplicando a 2a equao do mesmo sistema teramos:

x + { x + y + z = 3 2y + 2z = 10 y = 3

que continua tendo a soluo anterior. Essas operaes so exemplos das chamadas operaes elementares. Cada uma delas pode ser representada pela multiplicao de uma matriz, chamada matriz elementar, pela matriz do sistema. Assim, nos nossos exemplos anteriores o resultado da adio das duas equaes seria obtida se multiplicssemos a matriz A do sistema dado, pela matriz elementar

P1 =

, pois P1.A =

P2 =

, pois P2.A =

e vemos que P1.A representa a matriz do sistema do exemplo 1.4 e P2.A representa a matriz do exemplo 2.1.

De um modo geral as matrizes elementares so obtidas da matriz identidade, mudandose um dos seus elementos. As operaes definidas com uso de matrizes elementares so a base da definio dos chamados mtodos de eliminao, pois permitem transformar um dado sistema em outro mais simples de se resolver.

1.4 - Estudo Matricial de Sistemas Lineares

1.4.1 - Introduo
O estudo da resoluo de um sistema linear pode ser grandemente facilitado se lhe aplicarmos os nossos conhecimentos sobre matrizes. Neste pargrafo, faremos exatamente isso. Usaremos os conceitos dados para determinar a resoluo de um sistema linear em geral.

1.4.2 - Forma Matricial de um Sistema Linear

Seja o sistema dado:
(1.1) { 3x + 2y + z = 6 x + 3y + z = 5 2x + 2y + 3z = 7

Ento, sua representao matricial ser AX = B, onde:

A=

;X=

;B=

e sua soluo, x= y = z = 1 ; X = (1 1 1)t. De agora em diante, todo estudo feito com sistema linear ser com a sua forma matricial. Veremos, adiante um modo muito simples de se determinar a soluo de um sistema chamado mtodo de eliminao de Gauss.

2. MTODOS DIRETOS PARA SOLUO DE SISTEMAS LINEARES

Vamos, nesse pargrafo, examinar os mais usuais mdotos diretos para soluo numrica de sistemas lineares. Esses mtodos so conhecidos como mtodos de eliminao e mtodos de fatorao.

2.1 - Mtodo de Eliminao de Gauss

Dado um sistema linear qualquer da forma:
(2.1) a11.x1 + a12.x2 + . . . + a1n.xn = b1 a21.x1 + a22.x2 + . . . + a2n.xn = b2 . . . . . . an1.x1 + an2.x2 + . . . + ann.xn = bn

o mtodo de Gauss consiste em fazer operaes entre linhas deste sistema at chegarmos a um novo sistema (que ter a mesma soluo que o inicial) com a forma triangular:
a'11.x1 + (2.2) a'12.x2 + a'22.x2 + . . . . . . + a'1n.xn = b'1 . . . + a'2n.xn = b'2 . . . a'nn.xn = b'n

Claro que a determinao da soluo de (1.3) bvia e direta: o valor de x(n) j est determinado na ltima equao. O valor de x(n-1) ser determinado na penltima, substituindo-se o valor de x(n); o valor de x(n-2) ser obtido na penltima linha com os valores j determinados de x(n) e x(n-1) , e assim por diante at determinamos x(1). Ento, desde que se consiga levar o sistema (1.2) na forma (1.3) sem alterar suas solues, o nosso problema est resolvido. Vejamos, ento, como fazer esta transformao. Usaremos um exemplo para tornar o processo mais claro. Consideremos outra vez o sistema (1.1). Os passos a executar so: 1. considerar a 1a linha como base para a eliminao ; 2. zerar todos os coeficientes da 1a coluna abaixo da a11; 3. zerar todos os coeficientes abaixo da diagonal principal; para isso vamos fazer: 3.1. calcular o elemento mi1= - (ai1 / a11) , 1 i n;

3.2. vamos somar 2a equao a 1a , multiplicada pelo coeficiente m21, e colocar o resultado na 2a linha. Isto tambm no altera a soluo do sistema; repetir para as equaes abaixo, usando mi1 na i-sima equao; 3.3. calcular o elemento m12= - (a'i2/ a'22) ; 3.4. repetir o passo 3.2 com as demais equaes.

Para representar todas as mudanas vamos formar uma matriz com duas partes: a 1a ser a matriz dos coeficientes e a 2a ser o vetor dos termos independentes:

B=

(esta matriz se chama matriz aumentada).

Todos os passos indicados sero realizados sobre B, e assim economizamos tempo e simplificamos a notao: Passo 1: Com m21 = - 1/3 zeramos o elemento da posio (2,1):

Passo 2: Com m31 = - 2/3 zeramos o elemento da posio (3,1):

Passo 3: Com m32 = - (a'32/ a'22)= -2/7 zeramos o elemento da posio (3,2):

A matriz final ser:

B' =

Ento x3 = (45/21)/(45/21) = 1.

Voltando penltima linha B', teremos: (7/3) x2 + (2/3) x3 = 3 e como x3 = 1; (7/3) x2 + (2/3) = 3 ; x2 = 1. Da 1a linha vem: 3x1+ 2x2 + x3 = 6 e como x2 = x3 = 1: 3x1+ 2 + 1 = 6 ; x1= 1.

A soluo final dada pelo vetor X= (1 1 1)t.

2.2 - Mtodo de Eliminao de Gauss-Jordan

Este mtodo uma complementao ao mtodo de Gauss. Ele transforma o sistema dado em um outro diagonal, isto , onde todos os elementos fora da diagonal so nulos. O mtodo de Gauss exigia apenas que se chegasse forma triangular. Veremos com o exemplo anterior como funciona o mtodo de Gauss-Jordan. Como vimos o sistema (1.1) tem a matriz aumentada:

B= Ento procuraremos chegar a outra matriz, com os passos do mtodo anterior, com a forma diagonal:

B=

, que ser associada a um sistema da forma:

Isto quer dizer que se conseguirmos chegar da matriz B matriz B', a soluo do sistema imediata. Podemos, ainda, dividindo cada linha pelo elemento da diagonal, chegar matriz identidade. Por exemplo:

a)

b)

c)

d)

e)

f) Observaes: (1) Eliminamos de uma s vez o 1o e 3o elemento da 2a coluna, fazendo: - 1a linha nova = 1a linha antiga - 2/3 da 2a linha; - 3a linha nova = 3a linha antiga - 2/3 da 3a linha; (2) Eliminamos o 1o e o 2o elemento da 1acoluna, fazendo: - 1a linha nova = 1a linha antiga - 3/21 da 3a linha; - 2a linha nova = 2a linha antiga - 2/7 da 3a linha. Assim o sistema resultante ser: x1 = 1; x2 = 1; x3 = 1 ou seja , temos diretamente a soluo exata do sistema.

2.3 - Mtodo de Gauss-Jordan na Inverso de Matrizes

Uma anlise rpida do mtodo de eliminao de Gauss nos mostra que, ao invs de resolvermos um sistema completo da forma (1.1), resolvemos, na realidade, um sistema triangular da forma (1.3). Isso quer dizer que, a partir do sistema dado, geramos outro, que conserva suas solues originais. De um modo mais formal, podemos dizer que samos de um sistema geral (2.3) AX = B e chegamos a outro sistema (2.4) A' X = B' cuja matriz A' triangular, mas as solues so as mesmas que do sistema (1.1). Naturalmente a passagem de uma forma outra no pode ser arbitrria. Para termos a garantia de que as razes so preservadas s permitimos operaes elementares sobre as linhas do sistema. Cada uma dessas operaes, como veremos abaixo, equivale

10

multiplicao da matriz do sistema por uma matriz elementar. Assim, a cada transformao fica definida uma certa matriz Gi e temos: (2.5) A1 = G1.A, A1 = G2.G1 A, . . ., A1 = Gk . . . G2.G1.A Quando, para um certo k, Ak for triangular, teremos: (2.6) A' = Ak . Naturalmente, se modificamos um dos membros do sistema, tambm deveremos modifcar o outro, isto : Gk . . . G2.G1.A.X = Gk . . . G2 G1.A.B (2.7) A'.X = B' A' = Gk. . . G2.G1.A B' = Gk. . . G2.G1.B No caso do mtodo de Gauss-Jordan, essas multiplicaes so extendidas de modo a se formar no fim do processo a matriz identidade ou seja: Gm . . .G2.G1.A.X = Gm . . .G2.G1.B (2.10) Gm . . .G2.G1.A = I Gm . . .G2.G1.B = B'', m > k I.X = X = B'' Este resultado o que nos permite utilizar o mtodo de eliminao para inverter matrizes: A.X = B Gm . . .G2.G1.X = I.X = X = B'' = Gm . . .G2.G1.B e, j que I.X = X = B'' e X = , verificamos que se fizermos o produto Gm . . .G2.G1 teremos, na realidade, calculado a matriz . Assim, criamos um algoritmo que calcula : Seja a mariz aumentada (2.11) A1 = ( A | I ) Vamos multiplicar A1 por G1 ,G2 , . . ., Gm Ento: Gm . . .G2.G1.( A| I )

11

= (Gm . . .G2.G1.A | Gm . . .G2.G1.I ) = ( I | Gm . . .G2.G1 = ) fica automaticamente determinado.

e claro, o produto Gm . . .G2G1 = Exemplo 1.6

Seja A =

Vamos calcular a sua inversa. Ento:

Ento:

= 1/4.

Observao: algumas vezes todas as tentativas que fazemos para levar a matriz A na matriz identidade so infrutferas. Acontece que a inversa de A pode no existir. Para evitar isso, basta verificar se det(A) diferente de 0. Por exemplo, a matriz

A=

pela eliminao de Gauss-Jordan levada em

A=

12

Como se pode verificar impossvel obter do lado esquerdo a matriz identidade; mas det(A)=0 e A no tem inversa.

2.4 - Fatorao de A
Observamos que no caso do mtodo de Gauss, podemos transformar uma dada matriz A em outra A', triangular superior. Vamos agora, explicitar o que acontece com as matrizes Gi definidas anteriormente, obter um novo mtodo direto, chamado mtodo compacto de Banachievicz ou Doolittle. Ele representa a fatorao da matriz A no produto L.U onde L triangular inferior e U triangular superior, isto , A = L.U. Vejamos como isso funciona. Consideremos o produto, G = Gm . . .G2.G1 , onde cada Gi triangular inferior da forma:

Gi= Ento, o produto G dessas matrizes tambm ser triangular inferior com diagonal de elementos 1. Alm disso, desde que existe inversa : (pois det Gi = 1) tambm existir a

Observando-se a forma das matrizes

13

podemos escrever que tambm triangular inferior, com elementos 1 na diagonal. Assim, aps a triangularizao de A, teremos: Gm . . .G2.G1.A = A' , ou seja, G.A = A', e A = .A'.

de L e A' de U, teremos decomposto a matriz A em um produto de Logo, chamando duas matrizes L e U, respectivamente triangular inferior e superior. Esse mtodo usa o fato de que possvel determinar duas matrizes L e U tais que seu produto seja A e determinar essas matrizes diretamente. Se X a soluo do sistema A.X = B , ento desde que A = L.U, temos: L.U.X = B. Escrevendo: U.X = Y e L.Y = B, vemos que reduzimos a soluo do sistema original na soluo de dois subsistemas interligados, ambos com matrizes triangulares o que facilita sua soluo. Consideremos, ento, as matrizes L e U na sua forma geral:

L=

U=

Ento, a igualdade L.U = A, feita diretamente nos dar o valor dos l's e dos u's , de acordo com os produtos: (2.12)

(2.13) (2.14)

(2.15)

14

(2.16)

(2.17) e assim, sucessivamente vamos determinando os l's e u's que definem L e U. Observao: as condies u11diferente de 0, . . . , unn diferente de 0, so equivalentes exigncia det (Ak) diferente de 0, onde Ak, k = 1, . . ., n, so as sucessivas matrizes obtidas de A ao longo da diagonal: A11 = (a11); etc. Exemplo 1.7

A=

L=

eU=

Ento:

L=

eU=

2.5 - Mtodo de Crout

Da mesma forma que fatoramos A em um produto L.U, fixando os elementos lii = 1, podemos escrever A = L.U onde, agora fixamos os elementos uii = 1, fazendo com sejam calculados no processo. Essa fatorao recebe o nome de mtodo de Crout e sua utilizao a adaptao, para esse caso, do mtodo anterior. No exemplo 1.7 a aplicao do mtodo de Crout daria:

15

L=

eU=

e a obteno dos lij e uij se d de forma anloga.

2.6 - Fatorao de Matrizes Reais Simtricas e Positivo-Definidas

Em certos casos, a fatorao da matriz A apresenta vantagens. Por exemplo, se A for real, simtrica e positivo-definida a fatorao bastante facilitada e conhecida como mtodo de Cholesky. Se A positivo-definida, ento:

(A.X , X) = qualquer que seja X , X diferente de 0 (estamos trabalhando com A real). Uma das caractersticas dessas matrizes que todos os determinantes de ordens desde 1 a n definidos sobre sua diagonal so positivos:

Essas matrizes, quando so reais e simtricas, admitem uma fatorao mais simples, da forma A = L Lt que utiliza apenas a matriz triangular L. O procedimento de obteno dos elementos (lij) de L o mesmo dos mtodos anteriores, levando-se em considerao o fato de que U = Lt. Nesse caso podemos definir o algoritmo: a) Podemos garantir que L11 real pois, desde que A positivo-definida, temos que a11 > 0. O mesmo acontece com as demais razes que ocorrem nos passos abaixo:

b)

16

c)

2.7 - Concluso
Apresentamos os mtodos diretos, e estes, aps um certo nmero de operaes fornecem a soluo exata de um sistema, pelo menos teoricamente. Isto porque, quando fazemos muitas divises e multiplicaes, introduzimos erros de arredondamento produzidos pelo computador. Por isso, os mtodos diretos s so indicados para o caso em que temos um sistema pequeno, de modo que, em sua soluo tenhamos de fazer um nmero reduzido de operaes; seno a soluo que vamos obter muitas vezes se afasta da soluo real. Para os sistemas maiores, esse efeito diminui com outros mtodos que garantem em certos casos, qualquer preciso desejada. Estes mtodos so chamados mtodos iterativos, onde usamos uma aproximao inicial da soluo e a melhoramos quantas vezes sejam necessrias para chegarmos a uma preciso satisfatria.

2.8 - Exerccios Propostos

1) Seja Mostre que T um operador de contrao.

(mtrica em R)

2) Inverta a matriz

com o mtodo de Gauss-Jordan.

3) Mostre que o algoritmo Xn+1 = Xn ( 2.I - A.Xn ) permite aproximar a inversa de uma matriz (nxn). 4) Construa uma matriz M(4x4) real redutvel . Em seguida resolva o sistema MX = Y reduzindo-o a dois subsistemas. Obs : Yt = (1,1,1,1) 5) Considere o seguinte sistema: 5x + y = 13500 x + 5y -(3/2)z + w = 11250 x + y + 5z = 12000

17

(1/2)x - y + w = 4250 a) Utilizando determinante, verifique se o sistema tem soluo. Se existe, ache-a por eliminao Gaussiana. b) O sistema acima pode ser escrito da forma A.X = Y . Utilizando a inversa de A resolva-o. 6) Sem realizar a decomposio, mostre que possvel decompor M, abaixo, no produto Ut.U ( U triangular superior) e, em seguida determine a matriz U.

7) Resolva o sistema AX = B, onde A e B so dados abaixo, usando o fato de que A redutvel.

8) Inverta a matriz A, usando a partio indicada:

9) Usando a fatorao de A em L.U , resolva o sistema AX = B b) Determine a inversa de A c) Defina a matriz M = Mi.Mi-1 ..... M2.M1 que leva a matriz A em sua inversa (so matrizes elementares)

18

3. MTODOS ITERATIVOS PARA SISTEMAS LINEARES 3.1 Soluo Iterativa

At agora procuramos resolver um sistema linear obtendo a soluo exata (pelo menos teoricamente), combinando suas linhas. H, entretanto, algumas dificuldades quando devemos calcular a soluo de um sistema de grandes propores. O grande volume de operaes de multiplicao e de divises agrega, a cada passo, erros de truncamento que, somados ao longo do processo, podem nos levar a solues absolutamente falsas. Assim sendo, a grande simplicidade de tais mtodos perde-se na possibilidade do acmulo incontrolvel de erros. A maneira de se superar essa dificuldade definir novas famlias de mtodos, agora iterativos, semelhana do que feito na determinao de razes de uma funo algbrica f(x), isto , na soluo de f(x) = 0. Vamos, pois, generalizar o procedimento usado nesse caso, passando de uma funo algbrica a uma equao matricial F(X) = 0 da forma (3.1) F(X) = A X - B onde A uma matriz (n x n) , X e B vetores de n componentes. Da mesma forma usada para a soluo da equao f(x) = 0, transformamos a equao (3.1) na forma iterativa (3.2) onde H chamada matriz de iterao do mtodo definido e X o vetor soluo. Ento, resolver iterativamente um sistema linear significa buscar um vetor X tal que aplicado equao (3.2), defina uma identidade. Isto , estamos procurando um vetor X que seja, ao mesmo tempo, raiz de F e ponto fixo de . Vamos, inicialmente, definir alguns mtodos iterativos, e posteriormente verificar, suas condies de convergncia.

19

3.2 - Mtodos de Jacobi e Gauss-Seidel

A forma mais simples de se determinar a matriz H, a partir do sistema Ax = b a seguinte: Seja A a matriz do sistema, da forma

A=

(3.3)

Vamos supor que A foi reordenada de modo que todos os seus elementos da diagonal sejam no-nulos: . Vamos ento tirar o valor de cada xi na i-sima equao (i = 1, 2, . . ., n). Como assumimos que aii no nulo, podemos escrever:

Se considerarmos o lado esquerdo do sistema como os elementos de um novo passo de iterao (k+1) e os elementos do lado direito como elementos do passo anterior (k), teremos:

e ento: representam os dois vetores que aproximam a soluo do sistema, respectivamente na iterao k+1 e k. K um vetor constante da forma K = ( b1 / a11 b2 / a22 . . . bn / ann) e

20

J a matriz que define o processo iterativo. Neste caso, esse processo o chamado Mtodo Iterativo de Jacobi e, por isso, a matriz J chamada de Matriz de Iterao de Jacobi e tem a forma

J= Exemplo 3.1 Vamos resolver o sistema : 2.x1 + x2 = 5 x1+ 2.x2 = 4

(3.5)

Tiramos inicialmente o valor de x1 na primeira equao e de x2 na segunda equao:

x1 = (5/2) - (1/2) x2 { (3.6) x2 = 2 - (1/2) x1 x1= 0.x1 - (1/2).x2 + 5 ou {

x2 = - (1/2).x1

+ 0.x2 + 2

Assim escrevemos o sistema na forma matricial X = J X + C , onde:

X=

,J=

,C=

Agora faamos o seguinte: 1. Chamamos de e as aproximaes iniciais (arbitrrias, como vamos ver posteriormente) das componentes de X, ou seja, definimos um vetor :

2. Aplicamos

do lado direito do sistema (3.6) obtendo um novo valor para x1 e x2. = = 0; assim obtemos os valores:

Digamos que escolhemos

21

3. Usamos estes valores

novamente no sistema (3.6) obtendo os valores:

4. O prximo passo ser:

5. Para os demais:

etc... Como vemos, o valor das componentes de X(i) vo se aproximando da soluo exata, x1 = 2 e x2 = 1, na medida em que vamos calculando novas iteraes. Como j dissemos anteriormente, esse mtodo chamado Mtodo Iterativo de Jacobi e a matriz J a sua matriz de iterao. Podemos, entretanto, introduzir uma variao na escolha dos ndices (k) e (k+1), caracterizando um novo processo iterativo. Com o intuito de aproveitar os valores j encontrados em em passo da iterao, faremos a seguinte modificao no mtodo de Jacobi: vemos que ao calcularmos o valor x2(1) na primeira iterao, dispomos do valor x1(1) que j foi calculado antes e que, assim, poder ser usado no lugar de x1(0). Analogamente, no cculo de x3(3) temos os valores de x1(2) e x2(2) que podero ser usados. E assim por diante. Com esta modificao introduzida, temos o Mtodo Iterativo de Gauss-Seidel. Ento, para qualquer iterao o sistema (3.4) ficar:

Nesse caso a matriz de iterao ser obtida substituindo-se diretamente os valores que vo sendo calculados, isto , depois do clculo de x1(1) substituimos esse valor na avaliao de x2(1); em seguida, na avaliao de x3(1) j podemos usar esses valores que j foram atualizados, x1(1) e x2(1). Assim, vamos atualizando os valores obtidos,

22

durante o prprio passo da iterao. Isso significa que no damos um passo completo com os valores (k) do passo anterior, como no Mtodo de Jacobi e sim, vamos usando as modificaes feitas imediatamente. Deste modo, temos:

Vejamos, com um exemplo simples, a forma da matriz desse mtodo iterativo. Exemplo 3.2 Para o sistema : 2.x1 + x2 = 5 x1 + 2.x2 = 4 separamos as variveis x1 e x2 da seguinte forma: x1 = 5/2 - 1/2.x2 x2 = 2 - 1/2.x1 escolhemos os ndices da iterao k e k+1:

Ento, a matriz de Gauss-Seidel (R1) obtida desse sistema, observando-se que devemos ter :

23

3.3 - Estudo da Convergncia dos Mtodos de Jacobi e Gauss-Seidel

Como vimos, mtodos iterativos tm a forma X = H X + K onde H uma matriz (n x n) eK n um vetor. A partir de uma aproximao inicial x(0), fazemos as iteraes:

e, de modo geral,

Fica fcil verificar que esta sequncia ir convergir se , (com a norma definida no problema dado), pois, neste caso, a k - sima aproximao vai estar to prxima do valor exato do vetor X quanto se queira. Caso contrrio diverge. Da mesma forma que no problema f(x) = 0, precisamos de condies gerais de convergncia para a aplicao desses mtodos iterativos a sistemas lineares. Mas, como estamos tratando com matrizes, essas condies tornam-se mais complexas. Vejamos, inicialmente, como se comporta a propagao do erro nesses casos. Seja U soluo exata do sistema dado. Ento, por definio, U = HU + K. Assim, o erro no passo k ser dado por:

onde,

o erro inicial.

Fica, portanto, claro que o acmulo de erro em cada passo, cresce com a potncia da matriz de iterao H, isto , se cometemos um erro inicial , o erro final, na k-sima iterao ser de esperar que o erro ser maior que . Assim, se tender a zero medida que k cresce, podemos diminua. Caso contrrio certamente vamos ter resultados poder

desastrosos, pois no nos aproximaremos nunca do valor exato de U, j que , para todo k.

Vamos examinar a condio necessria para que . Um dos resultados da lgebra Linear* nos diz que essa condio se verifica se e somente se todos os autovalores de H forem, em mdulo, menores que um. Resta-nos, ento definir esses novos elementos, isto , os autovalores de uma dada matriz.

24

Definio 3.1 Dada uma matriz A, dizemos que o escalar seu autovalor, se existir um vetor x diferente de 0, tal que . Nesse caso dizemos que x autovetor de A associado a . Obsevao: Quando possvel diagonalizar uma matriz, os elementos que vo aparecer na diagonal da nova matriz sero exatamente seus autovalores. A determinao desses ; nmeros feita a partir da prpria definio. Seja ento: (3.8) um novo sistema linear homogneo, obtido do antigo, e que mantm suas solues originais. Sabemos que um sistema homogneo s tem soluo no trivial x diferente de 0, quando o determinante da matriz do sistema for nulo. No nosso caso a matriz do . sistema Ento a equao det = 0 (3.9)

representa um polinmio e as suas razes so os autovalores de A. Definio 3.2 Dizemos que duas matrizes A e B so similares, se existe uma matriz M, inversvel, tal que . Quando isso acontece, dizemos que M define uma transformao de similaridade. Nesse caso, as matrizes similares tm os mesmos autovalores, isto , a similaridade preserva autovalores de uma matriz. Exemplo 3.3

Calcular os autovalores de A =

Voltemos nossa matriz H, supondo que ela possui todos seus autovalores distintos (quando houver autovalores de multiplicidade maior que um, o estudo se torna um

25

pouco mais complexo). Ento, sabemos que existe uma tranformao de similaridade que leva a matriz H na sua forma diagonal M, isto : , M a matriz diagonal onde Ento: Assim se , teremos tambm . Mas desde que: (autovalores de H).

(3.10) e o limite acima tende a zero se somente se .

Logo, se os autovalores de H (que so os mesmos de M, pois elas so matrizes similares) tm mdulos menores do que um, a matriz vai tender a zero. assim, o erro Definio 3.3 Sejam (i autovalores de uma matriz A tal que . Ento , chamado raio espectral de A. Podemos, ento, apresentar o seguinte teorema sobre condies necessrias e suficientes para a convergncia de um processo iterativo para a soluo de sistemas lineares. Teorema 3.1 O mtodo iterativo inicial X0, se e somente se Exemplo 3.4 converge soluo U, qualquer que seja o vetor . vai tender matriz nula e

Sendo a matriz A =

, as matrizes de iterao sero:

Logo a iterao de Jabobi converge e a de Gauss-Seidel diverge.

26

3.4 - Obteno Geral de Mtodos Iterativos

Vamos ver, agora, como explicar, matematicamente, a obteno dos mtodos de Jacobi e Gauss-Seidel. Em seguida, apresentamos outro mtodo iterativo, a Sobre-Relaxao. Consideremos, novamente, o problema AX = B ou, equivalentemente: F (X) = B - A X, F (X) = 0 Sabemos que para resolv-lo iterativamente devemos definir uma funo de iterao tal que:

tenha como ponto fixo a soluo U do problema considerado. Voltado ao pargrafo anterior, vemos que o mtodo de Jacobi pode ser obtido do sistema (3.4.a), onde a matriz J ou matriz iterao de Jacobi tem a forma (3.5). Vejamos agora, como interpretar matricialmente esse resultado. Consideremos o sistema dado reescrito da seguinte forma, sendo A desdobrada como segue: A= D - E - F, (D - E - F) X = B (3.11) onde: * D a matriz diagonal formada pelos elementos diagonais de A; * E a matriz triangular estritamente inferior, formada pelos simtricos dos elementos da parte triangular inferior de A; * F a matriz triangular estritamente superior, formada pelos simtricos dos elementos da parte triangular superior de A. Ento, podemos separar em duas partes a equao (3.11), obtendo: D X = (E + F) X + B ou, supondo que existe o inverso de cada elemento de D: (3.12) Comparando essa ltima expresso (3.12) com a (3.4.a) vemos que se considerarmos a iterao (3.13) ambas representam o mesmo processo. Isso quer dizer que a matriz de Jacobi tem a forma:

27

ou, se fizermos

(3.13-a)

Da mesma forma podemos definir a matriz do mtodo de Gauss-Seidel. Basta que a partir de (3.12), consideremos a caracterstica fundamental desse mtodo, isto , os elementos j calculados em um passo so imediatamente aproveitados no prximo passo. Olhando o sistema (3.7) podemos verificar que isso representado pela iterao: (3.14) ou seja, usando L e U e reescrevendo temos:

o que fornece:

(3.15)

desde que, (I - L) certamente inversvel (verifique que essa matriz triangular inferior com diagonal formada de elementos iguais a 1 e, assim det(I - L) = 1 e ela tem inversa). Assim, a matriz de iterao do mtodo de Gauss-Seidel dada por: (3.16)

3.4.1 - Algoritmo de Sobre-Relaxao

Vejamos agora como podemos obter um mtodo que generaliza o mtodo de GaussSeidel. Consideremos a equao: (3.17) onde ( um parmetro usado para que se possa tentar obter convergncia mais rpida que o mtodo de Gauss-Seidel. Observando-se a equao (3.18), vemos que ela apresenta como soluo as prprias solues do sistema original A X = B, isto , H(X) = 0 e F(X) = 0 tm as mesmas razes. Assim se escrevermos

estaremos definindo um processo iterativo que pode nos levar s razes de F. Da mesma forma que anteriormente, separamos A em trs matrizes independentes:

Considerando agora, iteraes do tipo realizadas pelo algoritmo de Gauss-Seidel, podemos obter:

28

isto :

ou seja: (3.19) pois (como voc pode verificar) a matriz tem inversa.

A equao (3.19) fornece assim, a expresso da matriz da Sobre-Relaxao: (3.20) fcil verificar que se tivermos Seidel. Exemplo 3.5 Aplique a Sobre-Relaxao a um sistema de trs equaes e trs incgnitas. Naturalmente, para usar na prtica a Sobre-Relaxao, no necessrio a definio matricial de . Podemos fazer diretamente: , essa matriz se reduz a R1, a matriz de Gauss-

Para:

,teremos:

e sucessivamente continuamos o clculo para k = 1, 2, . . .

29

3.4.2 - Convergncia da Sobre-Relaxao

Consideramos a iterao: definida sobre o problema AX = B. J vimos que, sendo U soluo desse problema, podemos ter certeza de que:

e o erro cometido na k-sima iterao ser dado por:

Assim, como j foi visto, a convergncia desse processo se dar quando a potncia k de H tender a zero, medida que k cresce infinitamente. J vimos tambm que esse fato se d quando os autovalores de H tm mdulo menor que 1. Vejamos ento, como se comportam os autovalores da matriz de iterao da sobre-relaxao, (3.21) J vimos anteriormente que, o determinante de uma matriz igual ao produto de seus autovalores. Para , esse resultado fornece:

mas,

(3.22)

pois triangular inferior, com elementos diagonais iguais a 1. O mesmo obtido acontece com sua inversa, (verifique!). O valor de facilmente, se verificarmos que essa matriz triangular superior, com elementos diagonais todos iguais a . Assim: (3.23) De (3.22) e (3.23) temos que: Chamamos de o raio espectral de , podemos escrever por definio que:

Assim:

Para garantirmos a convergncia de um processo iterativo definido com a matriz H, j vimos que necessrio e suficiente que: .

30

Logo, a sobre - relaxao converge se .

, pois nesse caso:

Podemos resumir esse resultado no seguinte teorema: Teorema 3.2 . Existem famlias muito O mtodo da Sobre-Relaxao converge sempre que importantes de matrizes para as quais, por condies de convergncia w deve assumir valores, apenas entre 1 e 2. Por isso o processo chamado de Sobre-Relaxao. Exemplo 3.6 Para o sistema (3.1), a soluo com uso da sobre - relaxao, seria:

Considerando-se, por exemplo, w = 1,05, teremos:

e assim sucessivamente. O valor de w deve ser escolhido de forma a diminuir o erro e algumas vezes isso pode ser facilmente feito. Vide P. Albrecht [1], pg. 105, 112 e 113.

3.5 - MTODOS BLOCO ITERATIVOS

Suponhamos que seja particionada em blocos da forma:

(3.24)

onde , so quadradas e regulares com aplicarmos os mtodos iterativos apresentados no item anterior, ao sistema

. Se

31

chegamos a novos mtodos iterativos que tm a forma:

, onde

(3.25)

O ndice B indica uma certa partio em blocos da matriz, usada quando temos particular interesse nesta partio. : matrizes bloco triangular estritamente inferiores; : matrizes bloco triangular estritamente superiores; chegamos s frmulas Bloco Jacobi, Bloco Gauss-Seidel e da Bloco Sobre-Relaxao, que sero apresentadas em seguida. Em cada passo k preciso resolver n sistemas lineares por mtodos diretos, pois a inverso de Db no se reduz mais a uma simples diviso, como ocorria nos mtodos no blocos. Em geral aconselhvel calcular as inversas antes do incio da iterao, para facilitar a resoluo dos n sistemas em cada passo. Entretanto, se so tridiagonais, prefere-se a resoluo sucessiva pela eliminao de Gauss. Esse caso especial frequente no tratamento da equaes diferencias parciais: os chamados mtodos linha (line-methods), so exemplos tpicos para a combinao da iterao bloco com a eliminao de Gauss.

3.5.1 - Iterao Bloco Jacobi

Com: , obtemos: (3.26) Definio 3.3 A matriz chamada matriz bloco de Jacobi.

32

Exemplo 3.7

(3.27) separando os subsistemas, como se eles fossem independentes, chegamos a:

e resolvendo-se cada um desses subsistemas, isoladamente, tem-se:

Esta a iterao:

com

Exemplo 3.8 Verifiquemos a convergncia do mtodo bloco iterativo de Jacobi do sistema

cuja matriz bloco :

33

(3.28) Ento:

(3.29) . Ento, para esse sistema, a partio em blocos indicada favoreceu a convergncia, isto , o mtodo bloco de Jacobi deve convergir mais rpido que o mtodo simples.

3.5.2 - Iterao Bloco Gauss-Seidel

Com: (3.30) (3.31) Definio 3.4 A matriz chamada matriz bloco de Gauss-Seidel. , obtemos:

3.5.3 - Bloco Sobre-Relaxao

Com: (3.32) (3.33) Definio 3.5 A matriz Relaxao. Como vantagem da iterao bloco citamos: chamada matriz bloco da Sobre, obtemos:

34

1. So aplicveis quando o sistema grande demais para ser armazenado na memria do computador. 2. Em certos casos converge mais rapidamente do que os mtodos de iterao simples.

3.6 - Teoremas de Comparao e Condies Suficientes para Convergncia

Geralmente, no possvel afirmar, a priori, qual dos mtodos iterativos apresentados o melhor. No entanto, em alguns casos especiais possvel estabelecerem-se critrios de comparao entre os mtodos e condies suficientes para a convergncia, que so de aplicao relativamente simples e facilitam a deciso prvia pelo melhor mtodo . Assim sendo, sero examinados a seguir os seguintes casos particulares: (a) A matriz J ( de Jacobi, de bloco ou no) associada matriz A no-negativa: J 0. (b) A matriz A do sistema de diagonal estritamente dominante ou de diagonal dominante e irredutvel. (c) A matriz A hermitiana.

3.6.1 - Matrizes de Jacobi No-Negativas

Seja J = L + U 0 a matriz de Jacobi associada matriz A do sistema Ax = B; ento, podemos comparar a convergncia dos mtodos de Jacobi e Gauss-Seidel pelo seguinte teorema de Stein e Rosenberg: Teorema 3.3 Sejam J, R1 (n,n) as matrizes ( blocos ou no) de Jacobi e Gauss-Seidel respectivamente, com : J = L+U 0 , U0 , L0 Ento, se: (a) (J) 1, tem-se (R1) (J) (b) (J) =1, tem-se (R1) = (J) (c) (J) 1, tem-se (R1) (J) Assim, sob as hipteses deste teorema, ambos os mtodos de Jacobi e Gauss-Seidel convergem ou divergem. Se convergem, o mtodo de Gauss-Seidel converge assintoticamente mais rpido do que o mtodo de Jacobi.

35

Limitamos a demonstrao ao caso em que J iredutvel: Seja =(R1). Se =0, ento, (J) < 1 e (J) = (L + U) > (L) = 0 pois U 0. Assim, (a) satisfeita e pode-se, agora, considerar > 0. Como (I - L)-1 = I + L + .... + Ln-1 0 e U 0, tem-se: R1 = (I - L)-1 U 0 Ento, existe (vide Teorema 4.21) um y n tal que y 0 e R1y = y, donde: Uy = (I - L)y e, sendo 0: (U + L)y = y; (-1 U + L)y = y Como J suposta irredutvel e no-negativa, (U + L) e (-1 U + L) so irredutveis e nonegativas. Se fosse para z 0, w 0: (U + L)z = kz, k > ou ( -1 U + L)w = w, > 1, ento z > 0, w > 0 e z y, w y logo: (U + L) = , ( -1 U + L) = 1 - se 0 < < 1 : = (U + L) < (U + L) = (U + L) = (J) < ( -1U + L) = 1, - se = 1 : = (U + L ) = (J) = 1, - se > 1 : = (U + L) > (U + L) = (J) > (J) > > (-1 U + L ) = 1 Usando a teoria das matrizes no-negativas pode-se tambm tirar concluses sobre a vantagem da partio em blocos, atravs do seguinte teorema de Fiedler-Ptk: Teorema 3.4 Seja J = L + U 0 e R1b = (I - L -B)-1 (U - B), R1 = (I - L )-1 U , onde B (n,n) uma matriz tal que : U - B 0 , B 0 , B 0 ; R1b 0; R1b 0. Ento, se 0 < (J) < 1, tem-se (R1b) < (R1). Demonstrao: Se k = (R1b) e = (R1), ento existe um vetor x 0, x 0, tal que R1bx=kx , ou seja : (U - B)x = ( I - L - B ) kx, [k-1 (U - B) + (L + B)] x = x. Ento, analogamente demonstrao anterior, tem-se:

36

[k-1 (U - B) + (L + B)] = 1; (-1 U + l) = 1 Como 0 < < (J) < 1 tem-se: 1 = (-1 U + L) = (-1 (U - B) + L + -1 B) >> (-1 (U - B) + L + B) Ento: (k-1(U - B) + ( L + B)) > (-1(U - B) + L + B), donde se conclui que: k < Por este teorema v-se que uma partio em blocos de A apropriada para acelerar a convergncia assinttica da iterao de Gauss-Seidel, se U B U, UB U. Teorema 3.5 Sejam J, R( (n, n) as matrizes (blocos ou no) de Jacobi e da sobre- relaxao. Se J irredutvel, J = L + U 0 e (J) < 1, ento: (a) R( converge para todo 0 < 1 (b) (R(1) < (R(2) < 1, se 0 < 1 < 2 1 Demonstrao: (= B(-1 C( com B( = 1/ (I - L); C( = 1/ (U + (1 -)I). Seja 0 < 1 e S = B( - C(= I - J, ento C( 0 e B( e S so regulares com B-1( 0, S-1 0. Logo, com B-1( C(= R( obtem-se: (R() =[ (S-1C()] / [1 + (S-1 C()] < 1, o que prova (a). S-1 = I + J + J2 + ... irredutvel, pois J irredutvel. Logo, para 0 < < 1, S-1C( tambm irredutvel pois C(= (cij) 0 e cij 0. Alm disso, se 0 < 1 < 2 1, tem-se S-1 C(1 S-1 C(2 com C(1 > C(2 . Ento: ( S-1 C(1 ) > (S -1 C(2) e, portanto, (b) fica provado. O Teorema anterior apresenta uma classe de matrizes para as quais a sub-ralaxao ( < 1 ) no aconselhvel.

3.6.2 - Matrizes de Diagonal Dominante

Definio 3.6 Uma matriz A= (aij) (n,n) dita de diagonal dominante se : (a) | aij | | aij | = r ij i= 1,2,. . .,n ( j ( i ) e (b) Existe, pelo menos, um k tal que : |ak k| > r kj A dita de diagonal estritamente dominante se :

37

| aij | > | a ij | i= 1,2,. . .,n ( j ( i ) Teorema 3.6 Seja A (n,n): (a) de diagonal estritamente dominante ou , (b) de diagonal dominante e irredutvel. Ento, tanto o mtodo (no bloco) de Jacobi como o de Gauss-Seidel convergem. Demonstrao: Para o caso (a), usando-se o Teorema de Gershgorin e para o caso (b) usando-se o Teorema j apresentado tem-se: ( | J | ) < 1. Ento, segue: (J) ( | J | ) < 1 o que prova a convergncia do mtodo de Jacobi. Sendo L triangular inferior, obtem-se de R1 = (I - L)-1U : | R1 | = | (I + L+. . . +Ln-1) U | (I + |L| + . . .+|L|n- 1) |U| (I - | L| )-1 | U|= R1 Como R*1 a matriz de Gauss-Seidel, associada matriz de Jacobi | J | , segue do teorema de Stein-Rosenberg e dos teoremas j apresentados: (R1) (|R1|) (R* i ) ( | J | ) < 1 Como P= || J || L = mx. 1/|aii| . |aij| <1 no caso das matrizes de diagonal estritamente dominante, obtem-se a seguinte estimativa de erro da iterao de Jacobi, sendo ui as componentes da soluo exata: mx | xi (k+1) - ui | __P__ mx = | xi (k+1) - xi (k) | i 1- P i Esta estimativa vale tambm no caso da iterao de Gauss-Seidel, se A de diagonal estritamente dominante e P = R1L .

3.6.3 - Matrizes Hermitianas

Seja A (n,n) hermitiniana, positiva e definida e tal que A = B - C - C* onde B positiva definida. Neste caso, pode-se demonstrar que a condio 0 < < 2 necessria para a convergncia da sobre-relaxao tambm suficiente: Teorema 3.7 (Ostrowski) Sob as hipteses anteriores, a iterao: x (k + 1) = (B - C)-1 (C* + (1 - )B)x(k) + (B - C)-1 b converge para todo , com 0 < < 2.

38

Demonstrao: Seja S = (B - C)-1 (C* + (1 - )B ). Deve-se demonstrar que: ( S)<1. Como : det (S - I) = det (B - C)-1 . det (C* + (1 - )B - (B - C)), ento todos os autovalores de S so razes de det (C* + (1 - )B - (B - C)) = 0. Seja x 0 um vetor tal que: [B - C]x = [C* + (1 - )B]x Multiplicando por 2/ e somando (A - B + C + C*) = 0 expresso entre colchetes obtem-se: (2/ - 1) + (A + C* -C )]x = [ B (2/ - 1) - A + (C* - C)]x Como (C* - C)* = - (C*- C) fcil provar que (x T(C*- C)x imaginrio puro para qualquer x0. Como: (x T Ax= a ; (xTBx = b ; (xT (C*-C)x = ic, obtem-se : [(2/w-1)b + a + ic] = [(2/w-1)b - a + ic] Ento, se 0<W | | = |(2/w -1)b + ic - a| / |(2/w-1)b + ic + a | < 1 , pois (2/w-1) > 0, a>0 , b>0 Como a sobre-relao (bloco ou no) um caso particular da iterao obtem-se o seguinte Corolrio : Corolrio 3.1 Seja A hermitiana e positiva definida. Ento, a sobre-relaxao (bloco ou no) converge para todo 0 < w < 2. Pela multiplicao por A* sempre se pode reduzir o sistema Ax=B, det A0, a um problema com uma matriz hermitiana e positiva definida. Entretanto, este procedimento no aconselhvel porque, em geral, piora consideravelmente o condicionamento do sistema. Um caso especial das matrizes hermitianas e positivas definidas so as matrizes de Stieltjes. Definio 3.7 Uma matriz A= (aij) (n,n) chamada matriz de Stieltjes se A simtrica, positiva definida e se aij 0 para todo ij.

39

Para essas matrizes pode-se decidir quando a iterao bloco de Gauss-Seidel converge assintoticamente mais rpido do que a iterao no bloco: Teorema 3.8 Seja A uma matriz irredutvel de Stieltjes. Se existe uma patio de A em blocos tal que, pelo menos uma das matrizes Aii contenha elementos no nulos fora da diagonal, ento o mtodo bloco de Gauss-Seidel converge assintoticamente mais rpido do que o mtodo no bloco. A demonstrao baseada no Teorema j apresentado e no fato de que a inversa de uma matriz irredutvel de Stieltjes positiva.

3.7 - Sobre-relaxao para Sistemas Consistentemente Ordenados

O teorema de Stein-Rosenberg possibilita comparao da convergncia assinttica do mtodo de Jacobi com a do mtodo de Gauss-Seidel, no caso de matrizes no-negativas. Neste pargrafo, o objetivo comparar a convergncia assinttica do mtodo de Jacobi, com o da sobre-relaxao, estabelecendo uma relao entre os autovalores das matrizes Je Obtem-se, assim, uma possibilidade de estudar o efeito causado pela reordenao na matriz A convergncia assinttica da sobre-relaxao e de determinar o valor timo do parmetro w.

3.7.1 - Relao entre os Autovalores de J e Rw

Sob quais hipteses sobre J existe uma relao entre os autovalores de ? Seja autovalor de , w no nulo. Ento: . Dividindo por sendo q e r nmeros naturais, segue :

Com

, obtem-se:

40

Portanto, se os autovalores de

so independentes de a ento, , so autovalores de L + U.

Definio 3.8 A matriz J chamada consistentemente (r, q) - ordenada se os autovalores de so independentes de a. Chamaremos um sistema Ax = B consistentemente ordenado se a matriz de Jacobi de A for consistentemente ordenada. Reciprocamente seja autovalor de J = L +U e J consistentemente (r, q) ordenada. Ento, segue-se de :

que :

para qualquer a

no nulo, especialmente para

Ento, Se J. Se vemos que tambm so autovalores de

satisfaz

segue:

Portanto,

autovalor de

Teorema 3.9 Seja J consistentemente (r, q) - ordenada. Seja definido por : no nulo, um autovalor de e

Ento, um autovalor da matriz de Jacobi J. Reciprocamente, se e se satisfaz equao acima, ento autovalor de . Teorema 3.10

um autovalor de J

Seja J consistentemente (r,q) - ordenada. Se autovalor de J, ento , tambm o sero.

41

Corolrio 3.2 Seja o sistema Ax = B consistentemente (r,q) - ordenado; ento, ambas as iteraes (bloco ou no) de Jacobi e Gauss-Seidel convergem ou divergem .Se convergem, ento :

Observa-se que esse corolrio fornece, sob hipteses diferentes, um resultado mais preciso do que o Teorema de Stein-Rosenbgerg. Do Teorema acima segue que a convergncia assinttica da sobre-relaxao a mesma para todas as (r,q) - ordenaes (se existirem) de um sistema Ax = B. Antes, porm, de se estudar a influncia de ordenao do sistema Ax = B em , deve-se estudar quais as matrizes que so consistentemente ordenadas.

3.7.2 - Uma Classe de Matrizes Consistentemente (r-q) - ordenadas

No fcil, em geral, determinar quando uma matriz J consistentemente ( r,q) ordenada ou quando existe uma ordenao consistente. H, entretanto, uma classe importante de matrizes onde essas propriedades so facilmente reconhecidas : so as matrizes fracamente cclicas. Essa propiedade verificada considerando-se matrizes regulares S(a) tais que : r e q primos entre si. Obviamente J ser consistentemente (r,q) - ordenada se existirem matrizes S(a) que satisfaam equao acima. Seja o caso especial :

onde os Ij, j=0,1,...,n-1 so as matrizes identidade. Temos, com a partio induzida por S(a):

42

Logo, J consistentemente (r,q) - ordenada se todas as sub-matrizes da matriz acima so nulas a menos das matrizes da r-sIMA diagonal inferior e da q-sIMA diagonal superior. Definio 3.9 As matrizes acima so chamadas de matrizes 2-banda. Teorema 3.11 Se J fracamente cclica de ndice p, ento existe uma matriz de permutao P tal que consistentemente (1 , p-1) - ordenada. A reordenao (P a matriz de permutao) de uma matriz A no influencia o raio espectral da matriz de Jacobi, pois se A tem a matriz de iterao de Jacobi, , ento tem a matriz de Jacobi:

Ento, O raio espectral de matriz de sobre-relaxao depende, entretanto, da ordenao de A. Por esta razo pode-se meljhorar a convergncia assintnica da sobre-relaxao pela reordenao do sistema em considerao. Ainda no existe uma teoria completa para decidir, no caso geral, qual reordenao do sistema Ax=B resulta na melhor convergncia assintnica da sobre-relaxao. Entretanto, em dois casos particulares essa deciso possvel: (a) Se simtrica, irredutvel e , ento pode-se demonstrar que a ordenao consistente, se existe, a mais indicada de todas as reordenaes da forma . (b) Se existem (r,q) - ordenaes de J com diferentes valores de (r,q) ( como, por exemplo, no caso das matrizes fracamnte cclicas) e se os autovalores de ,

43

so negativos por exemplo, se J simtrica e positiva definida), ento a (1,p-1) ordenao a melhor quanto convergncia da sobre-relaxao. Isto : Teorema 3.12 Seja J consistentemente (r,q) - ordenada com , reais e no negativos. a) Se r diferente de 1, ento b) Se r=1, ento raiz real no intervalo (1, q+1/q) da equao : onde o valor "timo" a nica e sejam o autovalores de

Observaes: -A relao (equao acima) possibilita a determinao do melhor parmetro w da sobrerelaxao, se os autovalores de J so conhecidos. -Como no caso das matrizes de Jacobi no-negativas, a melhor escolha .

3.8 - Exerccios Propostos

1) Dado o sistema A X = B mostre que o mtodo iterativo de Jacobi converge, onde

2) Dadas as seguintes matrizes :

44

a) Construa a forma cannica de Jordan de A b) Calcule c) Aplique matriz A o teorema de Gerschgorin (que localiza autovalores no plano complexo) . Calcule um autovetor v de B , d) Calcule , um autovalor qualquer de B = associado ao autovalor , que tenha norma igual a 2. 3) Limite os autovalores das matrizes A1 , A2 , A3 dadas abaixo :

4) Com o mtodo bloco da sobre-relaxao e com w = 1.1 , calcule a aproximao X1 do sistema abaixo , com a partio indicada . Escreva tambm a matriz de iterao desse mtodo. Use Xo = (0,-1,1,0)t . Verfique cuidadosamente a convergncia . Seria possvel garantir a convergncia de algum mtodo simples ?

5) Considerando-se

45

e a) Usando o mtodo da partio geral, calcule a inversa de A b) Resolva o sistema Ax = B usando a inversa calculada. 6) Dadas as seguintes matrizes abaixo :

a) Determine limites para todos os autovelores das matrizes A1 , A2 , A3 b) Determine o maior autovalor , em mdulo , da matriz A1 e o autovetor a ele associado. c) Usando o mtodo das potncias pelo menos uma vez, determine todos os autovalores de A3 d) Determine os autovetores de A2

7) Para a matriz a) Usando o mtodo de Jacobi , pelo menos uma vez , determine os autovalores de b) Sabendo-se que ele associado = 5 o maior autovalor de A1 , determine um autovetor unitrio a

c) Calcule o determinante de

46

d) Escreva a forma cannica de Jordan de A1 8) Considere as matrizes A1 e A2 abaixo. Com elas resolva os sistemas A1.x = b e A2.x = b , ( b1 e b2 tambm dados ) com os mtodos ( A1 e A2 so 60 X 60 ) : a) Eliminao de Gauss , sem pivoteamaneto b) Eliminao de Gauss , com pivoteamaneto c) Crout d) Iterao de Jacobi e) Iterao de Gauss-Seidel Para cada mtodo e cada matriz , imprima a soluo obtida e o erro absoluto (a soluo os dois sistemas Xi = 1 ) Compare os resultados.

b1 = ( 6 , 7 , 7 , .... , 7 , 7 ,7 , 6 )t; b2 = ( 7 , 7 , 7, ... , 7 ,7 ,7 , 6 ,6 )t

47

9) Verifique a convergncia do mtodo bloco de Jacobi aplicado ao sistema Ax = b dado por:

Calcule a 2a aproximao da soluo. 10) Usando w = 1,2 calcule a 2a aproximao da soluo do sistema abaixo, com a sobre-relaxao. Verifique a convergncia.

11) Dado o sitema Ax = B abaixo, aplicamos a ele o mtodo da sobre-relaxao, tambm definido abaixo:

Algoritimo: a) Determine a matriz clculos realizados) , de iterao da sobre-relaxao. (Obs. indique todos os

b) Considerando para a norma || || = e levando em conta que , verifique se para w1=1 e w2=1.04 a convergncia da sobre-relaxao se verificar. (Obs. indique todas as suposies e concluses) 12) Resolva o sistema pelo mtodo iterativo de Gauss-Seidel. Faa 4 iteraes a partir de Xo = (0,0,0,0)t.

48

13) Para o sistema AX = b, onde A e b so dados abaixo, com a partio indicada, com Xo =0 , calcule X2 com o mtodo bloco de Jacobi. Em seguida, examinando as matrizes de iterao desse mtodo bloco e do mtodo simples de Jacobi, determine o que apresenta melhor convergncia assinttica.

14) Dada a matriz

a) Determine os autovalores e autovetores da matriz A , abaixo , usando o mtodo das potncias . b) Para a mesma matriz A , resolva o sistema Ax = b com o mtodo bloco de GaussSeidel Onde b = (1,1,1,1)t. c) Verifique a convergncia do mtodo aplicado no item anterior . 15) Seja o sistema Ax = B dado por :

49

a) Com a iterao definida pela frmula:

Calcule a aproximao X(1) da soluo u do sistema. Use w = 1.08 ; X(o) = (1,1,1)t b) Se tivermos w=1, que mtodo iterativo ser definido?