Sei sulla pagina 1di 15

1

Sistemas de Equações Lineares.

Revisão de Conceitos Básicos.

1. Sistemas de Equações Lineares

O objectivo deste documento será apresentar de uma forma resumida os principais

conceitos de Álgebra Linear que estão relacionados com o problema da resolução de

sistemas lineares cuja forma geral é

onde

x , x

1

2

,

,

a x



11

a 21

x

1

a

n

1

x

1

1

+ a x

12

2

+ a x

22

2

+ a x

n

2

2

+

+

+

L

L

L

x

n

são incógnitas,

segundos membros.

+

+

+

a x

1

n

a x

2

n

a x

nn

a

11

, a

n

n

n

12

=

=

M

=

,

b

b

b

,

1

2

n

a

nn

são os coeficientes e

b

1

, b ,

2

,

b

n

os

Este sistema pode ser escrito sob a forma matricial A x = b

a

a

11 a

21 a

M

a n

1

a

A =


12

22

n

2

L

L

O

L

a

a

a

1 n

2 n

M

nn




,

x

x



M

x n

⎢ = ⎢


x

2

1

,

b

b

2

M

= ⎢

1

b

b n

.

A é a matriz dos coeficientes, x o vector das incógnitas e b o vector dos termos

independentes

Um sistema de equações lineares com n equações e n incógnitas tem solução única se

e só se qualquer das duas condições equivalentes for válida:

1)

A

1 existir (a matriz inversa existir) ;

2)

det A 0 (A é não singular)

Gladys Castillo, 2009

2

2. Cálculo de determinantes

(det(A) ou |A|, A – matriz quadrada de nxn)

Para matrizes de 2 x 2

ou |A|, A – matriz quadrada de nxn) Para matrizes de 2 x 2 Para matrizes

Para matrizes de 3 x 3

de nxn) Para matrizes de 2 x 2 Para matrizes de 3 x 3 Exemplos: 1.

Exemplos:

1. Calcular determinante de A =

2

1

det(A) = 2 x 4

- 3 x 1 = 5

2. Calcular determinante de

A =

2

1

⎢ − 1

3

4

.

2

1

3

1

1

5

2

2

1

1

1

1

=

(2

× × + ×−× +−×− × −−× × − ×−×− − × × =−

1

5)

(1

1

3)

(

1

2

1)

(

1

1

1)

(5

1

2)

(2

3

1)

6

1

3

5

em Matlab:

a função det( ) determina o determinante de uma matriz dada

>> A= [2 >> det(A) ans =

-6

-2

1;

-1

1

1; -1

3

5];

Gladys Castillo, 2009

3

3. Menores principais de uma matriz

Definição: Dada uma matriz quadrada A de ordem n, chamamos menores principais

aos determinantes |A k |, onde A k são submatrizes quadradas de A de ordem 1,…, n-1

As submatrizes são definidas da seguinte forma:

A 1 - matriz formada pelo elemento a 11 de A (uma matriz de 1x1)

A 2 - matriz formada pelas primeiras 2 linhas e primeiras 2 colunas de A

(o

canto superior esquerdo 2x2 de A)

A 3 - matriz formada pelas primeiras 3 linhas e primeiras 3 colunas de A

(o

canto superior esquerdo 3x3 de A)

A n-1 - matriz formada pelas n-1 linhas e n-1 colunas de A

Exemplo:

Calcular menores principais de

A =

A

1

=

2

= 2,

A = 2
A
=
2

2

1

2

1

4. Matriz Inversa

= −

2

2

2

⎢ − 1

1

=

0

2

1

3

1

1

5

Definição: Dada uma matriz quadrada A de ordem n, chamamos de inversa de A a

uma matriz B tal que A.B = B.A = I, onde I é a matriz identidade de ordem n.

Escreveremos A -1 para a matriz inversa de A.

Cálculo da inversa para matrizes de 2 x 2

1. Calcular determinante da matriz

2. Dividir todos os elementos da matriz pelo determinante, se possível,

simplificar

3. Trocar de sinal os elementos da diagonal principal

4. Trocar de lugar os elementos da diagonal secundária

Gladys Castillo, 2009

Exemplo 1:

Seja A =

Assim,

A.A -1 =

1

0

0

1

2

1

e

4

3

4

.

det(A) = 8 -3 = 5 . Então A -1 =

A -1 .A=

1

0

0

1

.

4

5

1

5

3

5

2

5

.

Cálculo da inversa para matrizes de 3 x 3

baseado no cálculo da matriz adjunta

1

A =

1

|

A

|

(

Adj A

(

))

Note que por esta fórmula da inversa podemos constatar que uma matriz só pode ser invertível se o seu determinante é diferente de zero

Exemplo 2: Calcular a inversa de

A =

2

⎢ − 1

1

2

1

3

1

1

5

Para calcular a inversa, primeiro calculamos o determinante

2 1

1

2

1

− =

1

10

3

− +

2

1

− −

10

6

− =−

6

1

3

5

Depois calculamos cada um dos elementos da matriz adjunta:

Adj ( A ) =

A

A

M

A

A

21

22

11

12

A a

1

n

2

n

L

L

O

L

A

A

n 1

n

a

M

nn

2

A matriz adjunta é a transposta da matriz que se obtém substituindo cada termo A i,j pelo determinante da matriz resultante de retirar a A a linha i e a coluna j (isso é, o determinante menor) multiplicado por (1) i+j (alternando os sinais).

Gladys Castillo, 2009

5

Os elementos de Adj(A) são:

5 Os elementos de Adj(A) são: Ass im obtemo s a matriz inversa de A, −

Ass im obtemo s a matriz inversa de A,

1

A =−

1

6

2

⎢ − 2

4

13

11

4

3

3

0

Pod emos com provar que A.A -1 = I

esta é re almente a

matriz in versa de

A verifica ndo que

I esta é re almente a matriz in versa de A verifica ndo que Cál culo

Cál culo da in versa para

matrizes de n x n

(mé todo base ado na re dução de ele mentares c om linhas)

A à mat riz identid ade atrav és de op erações

Ide ia

base: s e uma ma triz

A

po de ser re duzida à

matriz ide ntidade, p or uma

seq uência de

operações

elementa res com li nhas, entã o A é inve rtível e a

matriz

inve rsa de A é

obtida a

partir da m atriz iden tidade, apli cando-se a

mesma se quência

de operações com linhas.

Na prática, op eramos si multaneame nte com a s matrizes A e I, atr avés de op erações

ele mentares,

até chegar mos à matr iz I na pos ição corre spondente a matriz A . Assim,

a m atriz obtid a no lugar correspon dente à ma triz I será a inversa de A.

G ladys Castillo , 2009

6

Operações Elementares sobre as linhas de uma matriz

Podemos efectuar três tipos de operações elementares:

L i L j : permuta das i-ésima linha e j-ésima linhas (L i L j )

Ex.:

L 2 L 3

⎣ − 3 4

1

4

1

0

⎢ − 3

4

1

1

0

4

L i kL i : multiplicação da i-ésima linha por um escalar não nulo k ( L i kL i )

Ex.:

L 2 -3L 2

⎣ − 3 4

1

4

1

0

⎣ − 3 4

⎢ − 12

1

0

3

(L i L i +kL j ): substituição da i-ésima linha pela i-ésima linha mais k vezes a j- ésima linha. (L i L i +kL j )

Ex.:

L 3 L 3 + 2 L 1

⎣ − 3 4

⎤ ⎥ − 1

1

4

0

⎣ − 1

1

4

1

4

0

Definição: se A e B são duas matrizes de mxn, dizemos que B é equivalente a A (B

A) se B for obtida de A através de um número finito de operações elementares

sobre as linhas de A.

Gladys Castillo, 2009

Exemplo 3: Determinar a inversa de A =

7

2100

1

0111

0

11

0

3

10

.

Colocamos A junto com a matriz identidade e aplicamos as operações com linhas,

para reduzir a parte esquerda (que corresponde à matriz A) à matriz identidade,

não esquecendo de efectuar cada operação também na parte direita.

2

0

1

1

1

0

0

0

1

1

0 0

1

0

0

0

0

1

0

0

1

0

1

0

0

1

0

2

1

1

1

0

0

1

0

1

0

1

1

3

1

2

1

4

2

4

3

1

1

0

0

0

0

1

0

0

0

1

0

0 1

1

2

0

1

1

1

1

2

1

2

1

0

0

1

0

0

0

0

1

0

0

1

0

2

1

1

1

⎯⎯⎯→

L

1

L

2

1

2

0

1

0

0

0

1

⎯⎯⎯⎯→

L

3

=

L

3

L

2

0

1

1

0

0

1

0

1

0

0

0

1

0

0 0

0

0

0

1

⎯⎯⎯⎯⎯→

L

L

L

1

2

3

=

=

=

L

L

L

1

2

3

+

+

2.

4.

3.

L

L

L

4

4

4

1

0

0

0

1

2

0

1

0

0

1

0

1

3

1

1

1

0

0

1

0

0

1

0

0

1

2

3

4

0

0

0

1

1

0

0

0

0

1

0

0

1

0

1

0

0

0

1

1

2

2

0 1

3

5

4

1

3

6

5

1

⎯⎯⎯⎯⎯→

2.

L

2

=

L

2

L

4

=

L

4

+

L

1

L

1

0

0

1

0

3

6

4

1

0

0

0

1

⎯⎯⎯⎯⎯→

L

2

2

L

2.

3

L

L

+

L

4

4

L

L L

=

L

3

1

=

L

L

3 =−

=

1

3

3

2

4

3

1

Finalmente, obtemos a identidade à esquerda e a inversa de A à direita.

Como resultado obtemos:

A -1 =

3

1

4

5

3

6

5

1

3

6

4

1

2

4

3

1

.

em Matlab:

a função inv( ) determina a inversa de uma matriz dada

>> A= [2 1 0 0; 1 0 -1 1; 0 1 1 1; -1 0 0 3]; >> inv(A) ans =

3

-3

-3

2

-5

6

6

-4

4

-5

-4

3

1

-1

-1

1

Gladys Castillo, 2009

8

5. Aplicação da matriz inversa à resolução de sistemas de equações lineares

Consideramos o seguinte sistema de equações lineares

2

x

x

x

1

1

1

+

+

2

x

2

3

x

2

x

2

+

+

+

x

x

3

3

5

x

3

=

=

1

0

=−

4

que podemos escrever sob a forma matricial Ax = b

A =

2

⎢ − 1

1

2

1

3

1

1

5

,

x

x ⎤ ⎥ ⎥

⎥ ⎦

1

= x

⎢ ⎣ x

2

3

,

⎣ ⎢

1

4 ⎥ ⎦

b = − 2

A inversa da matriz A foi calculada antes

1

A =−

1

6

2

4

2

13

11

4

3

3

0

Multiplicando ambos os lados da equação pela matriz inversa, temos:

1

6

2

4

2

1

0

⎢ ⎣ 0

13

11

4

3 ⎤ ⎡ 2

3

1

⎢ ⎣ − 1

0

0 0 ⎤ ⎡ x

3 ⎥ ⎦


1

1

0

0

1

x =−

2

⎦ ⎣ ⎢ x

2 1 ⎤ ⎡ x x ⎥ ⎥ =−

1

3

⎥ ⎢

5 ⎥ ⎦ ⎣ ⎢ x

1

1

2

3

⎥ ⎦

1

6

2


13

1

6

⎢ ⎣

4 11

2

4

3

3

0

⎦ ⎥

2

4

2

⎣ ⎢

1


4 ⎦ ⎥

2

A solução do sistema de equações é:

x 1 = 2,

13

11

4

3 ⎤ ⎡ ⎢ ⎢

3

1

⎢ ⎣ − 4 ⎥ ⎦

2

0

x

x

⎢ ⎣ x

2

3 ⎥ ⎦

1

=

2


⎦ ⎥

1

⎢ ⎣ −

1

x 2 = 1 e x 3 = -1.

Assim, se a matriz A não é singular (a matriz admite inversa) então a solução única deste sistema pode ser determinada multiplicando ambos os membros da equação pela inversa: A x = b A -1 A x = A -1 b x = A -1 b. Mas embora correcto do ponto de vista teórico, pode na prática não ser factível devido à instabilidade numérica e dificuldade computacional no cálculo da inversa.

Gladys Castillo, 2009

Em Matlab

:

9

Determinar a solução de um sistema de equações lineares Ax = b com A não singular (det(A) 0 a matriz admite inversa)

1º. Introduza a matriz A

»

A=[2 -2 1; A =

-1 1 1;

-1 3 5 ]

 

2

-2

1

-1

1

1

-1

3

5

2º. Introduza o vector coluna dos temos independentes b

» b=[1

b =

1

-2

-4

-2

-4] '

não esquecer que é o vector coluna, ou seja, transposto

3º. Resolva o sistema de equações lineares Ax = b >> x=A\b

x =

2

1

-1

4º. Verifique que x é a solução do sistema Ax = b

» A*x

ans =

1

-2

-4

Gladys Castillo, 2009

10

6. Valores próprios de uma matriz

Definição: Os valores próprios de uma matriz A são as raízes (reais ou complexas)

da equação p(λ) = det(A -λI) = 0, chamada equação característica de A.

⎡ 1 0 1 ⎤ ⎢ ⎥ Exemplo: Determinar os valores próprios de A =
⎡ 1
0
1 ⎤
Exemplo: Determinar os valores próprios de
A =
0
1
0
1
2
1

Os valores próprios de A são as três soluções da equação característica:

p(λ) = det(A -λI) = (1 λ)(λ)(2 λ) = 0

⇒ λ 1 = 0, λ 2 = 1, λ 3 = 2.

em Matlab:

a função eig( ) determina os valores próprios de uma matriz

>> A= [1 0 1; 0 1 0; 1 2 1]; >> eig(A) ans =

2

0

1

7. Raio espectral de uma matriz

Definição: O raio espectral de uma matriz A é o máximo dos valores próprios, em

valor absoluto, i.e., ρ(A) = max { | λ i |, λ i - valor próprio de A, i=1, …, n}

Gladys Castillo, 2009

Exemplo:

11

Determinar o raio espectral de

1

0

A =


0 1

1 2

1


0

1

No exercício anterior calculamos os valores próprios de A, as três soluções da equação característica

p(λ) = det(A -λI) = (1 λ)(λ)(2 λ) = 0

⇒ λ 1 = 0, λ 2 = 1, λ 3 = 2.

Assim, o raio espectral de A é igual a 2,

pois ρ(A) = max { | λ i | }

i= 1, 2, 3

=

2

8. Normas de uma matriz

Definição: Seja A uma matriz n × n . Então

n A = max ⎜ ⎛ ⎞ ∑ a ⎟ - norma infinito 1 ⎜
n
A = max
⎜ ⎛ ⎞
a
- norma infinito 1
ij
1 ≤≤ i n
j = 1
(máximo das somas por linhas dos valores absolutos dos elementos)
n
A = max ⎜
a
- norma absoluta
ij
1
1 ≤≤ j n
i = 1

(máximo das somas por colunas dos valores absolutos dos elementos)

Exemplo: Determinar a norma infinito e a norma absoluta de

A =

2

⎢ − 1

1

2

1

3

A =

2

⎢ − 1

1

2

1

3

1

5

1

-2 |

|

2 |

+ |

+ |

1

|

=

5

1

|

-1 |

+ |

|

+ |

1

|

=

3

-1 |

3

|

+ |

|

+ |

5

|

=

9

A
A

= max(5,3,9) = 9

1

5

1

.

Somando por colunas os valores absolutos dos elementos obtemos a norma absoluta

Coluna 1:

|

2 |

+ |

-1 |

+ | -1

 

|

=

4

Coluna 2:

Coluna 3:

| -2 | |

1

|

+ |

+ |

1

1

|

|

+ |

+ |

5

3

|

|

=

=

6

7

Coluna 2: Coluna 3: | -2 | | 1 | + | + | 1 1

A

| + | + | 5 3 | | = = 6 7 A 1 =

1 =

max(4,6,7)

=

7

1 Esta norma é também conhecido como norma de máximo

Gladys Castillo, 2009

em Matlab:

12

a função norm( ) determina a norma de uma matriz

>> A=[2 -2 1;-1 1 1; -1 3 5]

>> norm(A, inf) ans =

9

>> norm(A, 1) ans =

7

(se norma infinito)

(se norma absoluta)

10. Número de condição de uma matriz

Definição: Seja A uma matriz n × n . Então, o número de condição de uma matriz A

relativamente à norma || . || é definido pelo valor:

cond (A) = || A || || A -1 ||

Exemplo: Determinar o número de condição de

A =

norma infinito e à norma absoluta.

2

⎢ − 1

1

2

1

3

1

5

1

relativamente à

Para poder calcular o número de condição precisamos de calcular a matriz inversa.

A matriz inversa de esta matriz foi já calculada anteriormente e é:

1

A =−

1

6

2

4

2

a) usando à norma infinito 2

cond(A) = || A || || A -1 ||

13

11

4

3

⎥ ⎦

3

0

⎡ −

⎢ ⎣ 0.33

0.33

0.67

= 9 x 3 27

2.17

1,83

0.67

0.5

⎥ ⎦

0.5

0

2 Esta norma também é conhecida como norma de máximo

Gladys Castillo, 2009

13

b) usando à norma absoluta

cond (A) = || A || 1 || A -1 || 1

7 x 4.6667 32.7

em Matlab:

a função cond( ) determina o número de condição de uma matriz

>> A=[2 -2 1;-1 1 1; -1 3 5]

>> cond(A, inf) ans =

(se norma infinito)

27

>> cond(A, 1) ans =

(se norma absoluta)

32.6667

11. Sistemas bem e mal condicionados

Definição: Seja um sistema de equações lineares com n equações e n incógnitas sob

a forma a matricial Ax=b. Então:

o sistema é bem condicionado, se pequenas alterações nos coeficientes da

matriz A e/ou componentes do vector dos termos independentes b, provocam

apenas pequenas mudanças na solução do sistema.

o sistema é mal condicionado, se pequenas alterações nos coeficientes da

matriz A e/ou componentes do vector dos termos independentes b, provocam

grandes mudanças na solução do sistema).

O número de condição da matriz A do sistema linear é uma medida que nos permite

concluir sobre o bom ou mal condicionamento do sistema linear que tem a matriz A

como matriz de coeficientes.

Um sistema é mal condicionado se o número de condição da matriz A é elevado

(cond(A) >> 1, i.e. cond(A) é um número muito superior a 1)

Gladys Castillo, 2009

14

Um sistema é bem condicionado se o número de condição da matriz A é pequeno

(cond(A) 1)

Exemplo: Diga, justificando, se o seguinte sistema de equações lineares


2

x

x

x

1

1

1

+

+

2

x

2

+

2 2

x

2

+

x

x

3 5

x

2

+

x

3

3

3

=

=

1

0

=− 4

é bem ou mal condicionado relativamente à norma infinito.

Solução:

1. Calcular matriz inversa de A

⎢ − 1

A = − 1

2

2

2

3

1

2

5

1

A =

4

1

3

13

11

4

6

5

2

2. Determinar a norma infinito de A e de A -1

|| A || =

9

|| A -1 ||

=

23

3. Determinar número de condição de A usando a norma infinito

cond (A) = || A || || A -1 ||

=

9 x 23 = 207

Como cond(A) = 207 então o sistema de equações é mal condicionado. Neste caso,

pequenas perturbações nos elementos da matriz A e/ou nos elementos do vector dos

termos independentes b podem originar grandes alterações na solução do sistema.

Alguns exemplos e figuras aqui usadas foram extraídos das seguintes fontes:

1. Cálculo de determinantes

on-line em http://www.terra.es/personal2/jpb00000/tdeterminantes.htm site: Matemáticas aplicadas a las ciencias sociales, 2º curso de bachillerato de humanidades y ciencias sociales, página mantida por Juan del Pozo Baselga

2. Cálculo da matriz inversa

Exemplo 2, pag 4:

Gladys Castillo, 2009

15

on-line em http://www.terra.es/personal2/jpb00000/tmatrizinversa.htm

site: Matemáticas aplicadas a las ciencias sociales, 2º curso de bachillerato de humanidades y ciencias sociales, página mantida por Juan del Pozo Baselga

Exemplo 3, pag 7:

apontamentos Aula3: Inversão de Matrizes, Centro Universitário La Salle, disciplina:

Algebra Linear – Ciência da Computação, Professoras: Daniela e Patrícia (publicado on-line

3. Valores e vectores próprios on-line em: http://www.isa.utl.pt/dm/mat1_bio/vvp_t.pdf apontamentos do Prof. Jorge Orestes Cerdeira, Inst. Sup. Agronomia, 2005

Gladys Castillo, 2009