SISTEMAS DE EQUAÇÕES LINEARES

1.EQUAÇÃO LINEAR

É toda equação do tipo a1 x1 + a2 x2 + ...... + an xn = b , onde a1 , a2 , a3

,........., an e b ∈ ℜ, e x1 , x2 , ... , xn são as incógnitas.

A n-upla ( b1 , b2 , ... bn ) é solução , em ℜn ,da equação linear

a1 x1 + a2 x2 + ...... + an xn = b , se, e somente se a1b1 + a2b2 + ...... + an bn = b

2.SISTEMA LINEAR DE m EQUAÇÕES E n INCÓGNITAS

É todo sistema do tipo :

 a11x1 + a12x2 + .....+ a1,n xn = b1


 a21x1 + a22x2 + .....+ a2,n xn = b2
 a x + a x + .....+ a x = b
 31 1 32 2 3, n n 3
S: .
.

.
 a x + a x + .....+ a x = b
 m1 1 m 2 2 m, n n m

n
ou simplesmente: S : ∑ai, j x j = bi ( i = 1 , 2 , ... , m )
j =1

Sob a forma matricial S pode ser expresso por : A.x = b

Onde a matriz A dos coeficientes é uma matriz de mxn e as
matrizes x e b são matrizes colunas de ordens nx1 e
mx1,respectivamente. Essas matrizes estão representadas
abaixo:

1
  a11 a12 a13 a1n 
.....  x1   b1 
a a22 a23 ..... a2n  x  b 
 21   2  2
 .   .   . 
     
A= .  x= .  e b= . 
 .   .   . 
     
 .   .   . 
am1 am 2 
am3 ..... amn   xn  bm 

Observações :

1. Uma n-upla de números reais ( c1 , c2 , ... cn ) é solução do

sistema linear S se, e somente se, for solução de cada equação
linear do sistema.

2. Se b1 = b2 = . . . = bm = 0 , então S denomina-se sistema linear

homogêneo.

3. Se m = n , então S n é um sistema linear de ordem n, denominado

sistema quadrado.

Observações :

4. Uma n-upla de números reais ( c1 , c2 , ... cn ) é solução do

sistema linear S se, e somente se, for solução de cada equação
linear do sistema.
5. Se b1 = b2 = . . . = bm = 0, então S denomina-se sistema linear
homogêneo.
6. Se m = n , então S n é um sistema linear de ordem n.

3. COMPATIBILIDADE DOS SISTEMAS LINEARES

Dado um sistema linear S com m equações e n incógnitas

podemos ter :

1. S não admite solução  S é incompatível (ou inconsistente)

2
 y
6
5
4
3
2
1
0 x
0 1 2 3 4 5

2. S admite apenas uma solução  S é compatível e determinado

ou possível e determinado.
y
4

0 x
0 1 2 3 4

3. S admite mais de uma solução  S é compatível e

indeterminado ou possível e indeterminado.

Exemplos:
1. O sistema linear de ordem 4:
 x1 = 3
 x2 = 5

S4 : 
 x3 = −1

 x4 = 2

é compatível e determinado (solução única), pois apresenta como

solução (3, 5 , -1 ,2).

3
2. Seja
 a11x1 + a12 x2 + ..... + a1, n xn = b1

 a21x1 + a22 x2 + ..... + a2, n xn = b2
 a x + a x + ..... + a x = b
 31 1 32 2 3, n n 3

S: 
 a x + a x + ........+ a x = b
 i1 1 i 2 2 in n i


 am1 x1 + am 2 x2 + ..... + am, n xn = bm

Se tivermos todos os coeficientes da i-ésima linha nulos e bi não

nulo, então S é inconsistente, incompatível ou impossível.

3. Todo sistema linear homogêneo é compatível , pois admite

sempre (0 , 0 , ... , 0) como solução.

4. Dado o sistema :

x + 2y - 3z = 6
S3 2x - y + 4z = 2
: 4x + 3y - 2z = 14

Isolando x na primeira equação linear do sistema acima temos:

x = 6 – 2y + 3z. Substituindo esse valor de x na segunda equação
linear resulta:

12 – 4y + 6z – y + 4z = 2
10z – 5y = -10
2z – y = -2  y = 2z + 2

Substituindo o valor de y na equação x = 6 – 2y + 3z obtemos :

x = 6 - 4z – 4 + 3z  x = 2 - z

 2−z 
Desta forma a solução do sistema é dada por: X = 2 + 2 z 
 

 z  
Portanto, o conjunto solução de Sn é dado por:

4
 X= { ( 2 – z , 2z + 2 , z ) / z ∈ ℜ}T

Ou seja, S3 é um sistema compatível e indeterminado ou sistema

possível e indeterminado SPI, pois admite infinitas soluções.
4.SISTEMAS TRIANGULARES

Seja S n um sistema linear de n equações e n incógnitas sob a

forma matricial , podemos escrever S n : A.x = b , onde A = [ aij ] é tal
que aij = 0 para i > j , i , j = 1 , 2 , ... , n

a11 x1
0 +a12 x2 +a13 x3 +a14 x4 +.......... .... +
a1n xn = b1
 +a22 x2 +a23 x3 +a24 x4 +.......... ..... +a2 n xn = b2
0 +0 a33 x3 +a34 x4 + .......... ...... +a3n xn = b3
 +
S n : . +. +0 +a44 x4 +.......... ....... +a4 n xn = b4
. +. +0 +0 +.......... ........ + .
 +. +. +. +.......... ......... + .
. +0 +0 +
0 +.......... ......... +
ann xn = bn
0


Este sistema é chamado de sistema triangular superior ,

enquanto que o sistema em que aij = 0 ∀ i > j denomina-se sistema
triangular inferior, ou seja :

a11 x1
a x +0 +0 +0 +0 +....... +0
b
=1
 21 1 +a22 x2 +0 +0 +0 +........ +0 =b2
a31 x1 a32 x2 a33 x3 +0 b3
+ + +0 +........ +0 =

Sn: a41 x1 +a42 x2 +a43 x3 +a44 x4 +0 +........ +0 =b4

.
+. +. +. +. +......... +. =.
 +. +. +. +. + ......... +. =.

. +an 2 x2 +an3 x3 +an 4 x4 +an5 x5 +.......... +ann xn =bn
an1x1


Observe que se aij ≠ 0 os sistema triangulares são compatíveis

e determinados (solução única), e podem ser facilmente resolvidos
por substituições retroativas ou progressivas.

5
 No sistema triangular superior, por exemplo, podemos calcular
bn
facilmente o valor de xn , como sendo, xn
ann = ( ann ≠ 0). Usando
substituições retroativas calculamos os demais xi
(i = 1 , 2 , ... , n-1).
Neste caso o sistema linear S n é compatível e determinado.

No entanto, se tivermos algum elemento nulo na diagonal

principal, então :
n
0 xi = bi − ∑aij x j e desta forma temos dois casos a considerar :
j =i +1

n
i) se bi − ∑aij x j = 0 , então o sistema triangular Sn é compatível e
j =i +1

indeterminado, ou seja, admite infinitas soluções.

n
ii) Se bi − ∑aij x j ≠ 0 , então o sistema triangular superior Sn é
j =i +1

inconsistente, isto é , não admite solução, pois não existe

n
nenhum valor para 0 xi = bi − ∑aij x j ≠ 0
j =i +1

5.TRANSFORMAÇÕES ELEMENTARES

Dado um sistema linear S n denomina-se transformações elementares as

seguintes operações realizadas nas equações lineares de S n .

i) Permutações de duas quaisquer equações do sistema S n ;

ii) Multiplicar uma equação linear de S n por um número real não nulo ;

iii) Substituir os elementos de uma equação linear de S n , pela soma destes

com os elementos correspondentes de outra equação linear de S n ,
previamente multiplicados por um número real não nulo.

6.SISTEMAS EQUIVALENTES

Dados dois sistema lineares S1 e S 2 , dizemos que S 2 é

equivalente a S1 ,o que se denota por S 2 ~ S1 , se , e somente se ,
for possível transformar S1 em S 2 por meio de um número finito de
operações elementares.

7.SISTEMAS ESCALONADOS

6
 É todo sistema do tipo :

a1r1 xr1
 a x a1n xn =b1
+ a1r2 xr2 + 1r3 r3 + .
. +
+ a2r2 xr2 + a2 r3 xr3 + . a x
+2n n =b2
.
+ 0 + . + . + . =.

S n : . + 0 + . + . + . =.
. + 0 +a x
krk rk
+akrk +1 xr
k +1
+akn xn =bk
 + 0 + 0 + 0 +0 xrk +1 =0
.



onde a1r1 ≠ 0 , a2r2 ≠ 0 , . . . , akrk ≠ 0 e 1 ≤ r1 < r2 < r3 < . . . < rk ≤ n

Observações :

i) se bk +1 = 0 , então a equação linear 0 xk +1 = bk +1 deverá ser

suprimida
ii) num sistema escalonado, o número de zeros inicial, a partir da
2ª equação é maior do que na precedente.

Os métodos numéricos para a resolução de sistemas lineares

dividem-se em dois grupos :

i) Métodos diretos
ii) Métodos indiretos

8. MÉTODOS DIRETOS

São os métodos que determinam a solução de um sistema

linear através de um número finito de operações.

1º Método de Gauss – Métodos da Eliminação de Gauss

O método de Gauss consiste em transformar o sistema linear

dado em um sistema equivalente em que a matriz dos coeficientes

7
seja uma matriz triangular superior , pois os sistemas triangulares
são de fácil resolução.

Consideramos um sistema triangular superior de ordem n , isto

é , com n equações lineares a n incógnitas dado por :
a11 x1
0 +a12 x2 +a13 x3 +a14 x4 +.......... .... +
a1n xn = b1
 +a22 x2 +a23 x3 +a24 x4 +.......... ..... +a2 n xn = b2
0 +0 a33 x3 +a34 x4 + .......... ...... +a3n xn = b3
 +
S n : . +. +0 +a44 x4 +.......... ....... +a4 n xn = b4
. +. +0 +0 +.......... ........ + .
 +. +. +. +.......... ......... + .
. +0 +0 +
0 +.......... ......... +
ann xn = bn
0


bn
da última equação temos que xn = (an,n ≠ 0)
an,n

Substituindo xn na penúltima equação encontramos o valor de

xn −1 , ou seja :

b −a x
xn −1 = n −1 n −1 n
an −1, n −1

E assim sucessivamente , até chegarmos no valor de x1, ou

seja:
b1 − a12 x2 − a13 x3 − a14 x4 − ......... a1, n xn
x1 =
a1,1

Donde obtemos a seguinte fórmula :

n
bi − ∑ai, j x j
j =i +1
xi = (i =1,2,3....., n)
ai,i

8
ALGORÍTMO PARA O MÉTODO GAUSS

Consideremos um sistema linear Sn de ordem n , sob a forma

matricial
S n : A.x = b , onde :

 x1   b1 
 a11 a12 a13 .............. a1n  x  b 
a   2   2
a22 a23 ................ a2n  b3 
 21   x3 
A =  a31 a32 a33 ................. a3n  x =   e b =  . 
  .  
    . 
am1 am 2 am3 .................. amn  .   
x   
 n bm 

Vamos aplicar as operações elementares na matriz formada

pelos coeficientes das incógnitas e dos termos independentes do
sistema.

Consideremos a matriz :

 a11 a12 a13 .......... .... a1n b1 

a a22 a23 .......... ...... a2n b2 
 21
[ A : b] =  a31 a32 a33 .......... ....... a3n b3 
 
 
am1 am 2 am3 .......... ........ amn bn 

essa matriz denomina-se matriz aumentada do sistema Sn.

O método de Gauss tem por objetivo transformar essa matriz

aumentada em uma matriz triangular superior equivalente do tipo :
a1,1 a1,2 a1,3 .......... ..... a1, n b1 
 
 0 a2,2 a2,3 .......... ....... a2, n b2 
 0 0 a3,3 .......... ......... a3, n b3 
 
 . . . . 
 0 0 0 0 an, n bn 


9
 Para isso devemos proceder do seguinte modo:

i) “zerar” todos os elementos da primeira coluna abaixo de a11,

supondo que a1,1 ≠ 0 . Para isso devemos encontrar os
multiplicadores , desses elementos , que são :
a2,1 a3,1 an,1
m2,1 = m3,1 = .................... mn,1 =
a1,1 a1,1 a1,1

O elemento a1,1 ≠ 0 denomina-se pivô e a 1ª linha da matriz

aumentada denomina-se linha pivotal.

ii) multiplicar todos os elementos da primeira linha da matriz

aumentada pelos multiplicadores e somar as demais linhas
dessa matriz. Ou seja :

m2,1.L1 + L2
−

m3,1.L1 + L3
−
.
.
.
mn,1.L1 + Ln
−

Vamos obter após essa etapa a seguinte matriz :

a1,1 a1,2 a1,3 ............ a1, n 
 , 
 0 a 2,2 a , 2,3 .............. a , 2, n 
 0 a ,3,2 a ,3,3 ................. a ,3, n 
 
 . . . . . 
 0 a n, 2
,
a , n,3 .................. a, n, n 


iii) repetir o processo agora para “zerar” todos os elementos

abaixo do elemento a,2,2 ( supondo que a,2,2 ≠ 0 ). Encontrar os
a3,2 an, 2
novos multiplicadores m3,2 = ............., mn,2 =
a,2,2 a , 2,2
iv) repetimos esse procedimento até que todos os elementos
abaixo da diagonal principal da matriz aumentada sejam nulos.

10
EXERCÍCIOS.

1. Resolver pelo método de Gauss

2x1 + 3x2 - x3 = 5
4x1 + 4x2 - 3x3 = 3
2x1 - 3x2 + x3 = -1

Linhas A B ∑ multiplicadores Op. Elementares

L1 2 3 -1 5 9
L2 4 4 -3 3 8
m2,1 = 4 = 2
2
L3 2 -3 1 -1 -1
m3,1 = 2 = 1
2
L4 2 3 -1 5 9 L4 = L1
L5 0 -2 -1 -7 -10 L5 = (−2) L1 + L2
L6 0 -6 2 -6 -10 L6 = ( −1) L1 + L2
m6,2 = 6 = 3
2
L7 2 3 -1 5 9 L7 = L4
L8 0 -2 -1 -7 -10 L8 = L5
L9 0 0 5 15 20 L5 = ( −3) L5 + L6

Observando a tabela acima, concluímos que o sistema equivalente

ao sistema dado é: :
2 x1 + 3 x3 − x3 = 5

S3 :  2 x2 + x3 = 7
 5 x3 = 15


Da ultima equação podemos determinar o valor de x3 como sendo:

15
x3 = ∴ x3 = 3 .
Por substituições retroativas pode- se encontrar o valor
5
de x2 e x1 como sendo: x2 = 2 e x1 = 1
1 
Logo a solução do sistema S3 é dada por X = 2 ou ainda
 

3
X = [1 2 3]T

11
 Exercícios.
Resolva os sistemas lineares dados a seguir pelo método de
Eliminação de Gauss
 4 x1 − x2 + x3 = 8  4 x1 + x2 + 2 x3 = 9
 
1.  2 x1 + 5 x2 + 2 x3 = 3 2.  2 x1 + 4 x2 − x3 = − 5
 x + 2x + 4x = 1 1  x + x − 3x = − 9
1 2 3 1 2 3
 3
 x1 − x2 + 3 x3 = 2  1 2 x2 + 3x3 = 1
2 x −
 
3. 3 x1 − 3 x2 + x3 = −1 4.  − x1 + 2 x3 = 3
x + x = 3  9
1 2  4 x1 + x2 + 5 x3 = 1
 2

 2 x1 = 3  1
 3 9  x1 − 2 x2 + x3 = 4
 x1 + x2 = 
 2 2  2 x1 − x2 − x3 + x4 = 5
6.  7. 
 − 3x2 + 1 x3 = − 6,6  x1 + x2 = 2
 2  1
 2 x − 2 x + x + x = 0,8  x1 − x2 + x3 + x4 = 5
 1 2 3 4  2

 x1 + x2 + x4 = 2  x1 + x2 + x4 = 2
2 x + x − x + x = 1  2x + x − x + x = 1
 1 2 3 4  1 2 3 4
8.  9. 
4 x1 − x2 − x3 + 2 x4 = 0  − x1 + 2 x2 + 3x3 − x4 = 4
3x1 − x2 − x3 + 2 x4 = −3  3x1 − x2 − x3 + 2 x4 = − 3

12
 1 1 1
4 5 x1 + x2 + x3 = 9
6 2,333x1 + 15920 x2 − 10,333x3 = 15913

1 1 1 
10.  x1 + x2 + x3 = 8 11. 2,222 x1 + 16,71x2 + 9,612 x3 = 28,544
3 4 5 1,5611x + 5,1791x + 1,6852 x = 8,4254
1  1 2 3
 2 x1 + x2 + 2 x3 = 8

 1 1 1 1
 x1 + x 2 + x3 + x4 =
2 3 4 6  2 x1 + x2 − x3 + x4 − 3x3 = 7
  x + 2x − x + x = 2
1 x + 1 x + 1 x + 1 x = 1  1 3 4 5
2 1 3 2 4 3 5 4 7
12.  13.  − 2 x2 − x3 + x4 − x5 = − 5
1 1 1
 x1 + x2 + x3 + x4 = 1 1
 3x + x − 4 x + 5 x = 6
3 4 5 6 8  1 2 3 5
1 1 1 1 1  x1 − x2 − x3 − x4 + x5 = 3
 x1 + x2 + x3 + x4 =
4 5 6 7 9

Método de Gauss-Jordan

Consiste em utilizar as operações elementares sobre as

equações do sistema linear dado até que se obtenha um sistema
diagonal equivalente, ou seja, até que se obtenha um sistema
equivalente ao sistema dado, onde a matriz A é uma matriz
diagonal, isto é, a matriz A é tal que os seus elementos ai, j são
todos nulos para todo i ≠ j e unitários para todo i = j .
Exemplo.
Resolver pelo método de Gauss-Jordan o sistema dado a seguir:

 x1 + x2 + 2 x3 = 4

 2 x1 − x2 − x3 = 0
x − x − x = −1
1 2 3
L A B ∑ multiplicador Op. Elem.
L1 1 1 2 4 8
L2 2 -1 -1 0 0 m2,1 = 2 = 2
1

13
L3 1 -1 -1 -1 -2 m2,1 = 1 = 1
1
L4 1 1 2 4 8 L4 = L1
L5 0 -3 -5 -8 -16 L5 =(-2) L1 + L2
L6 0 -2 -3 -5 -10 L6 =(-2) L1 + L3
L7 1 1 2 4 8 m 7, 2 = 1 = 1 L7 = L4
1
L8
0 -1 - 5 3 - 8 3 -16 3 L8 = 1 L5
3
L9 0 -2 -3 -5 -10 m9,2 = 2 = 2 L9 = L6
1
L10 1 4 8 L10 =(1) L8 + L7
1 0 3 3 3
L11
0 -1 - 53 - 83 -16 3
L11 = L8

L12 1 1 2 L12 =(-2) L8 + L9

0 0 3 3 3
L13 1 4 8
1 0 m1 3,3 = 1 = 1 L13 = L10
3 3 3 3 3
L14
0 -1 - 5 3 - 83 -16 3 m1 4,3 = 5 =
3
5
3
L14 = L11

L15 0 0 1 1 2 L15 =3 L12

L16 1 0 0 1 2 L16 = − 1 L15 + L13
3
L17 0 -1 0 -1 -2 L17 = 5 L15 + L14
3
L18 0 0 1 1 2 L18 = L15
L19 1 0 0 1 2 L19 = L16
L 20 0 1 0 1 2 L 20 =- L17
L21 0 0 1 1 2 L21 = L18

Observando o quadro acima temos que o sistema equivalente

ao sistema dado é:

 x1 = 1
 1
 x2 = 1 cuja solução é X = 1

 x =1 1
 

 3

Exercícios.

14
Resolva pelo método de Gauss-Jordan os exercícios propostos no
método de Eliminação de Gauss.

O exemplo a seguir mostra os efeitos do arredondamento na

fase de eliminação, pelo método de Gauss, de substituições
retroativas.

Resolver pelo método de Gauss retendo , durante os cálculos

duas casas decimais.

8,7 x1 + 3,0 x2 + 9,3x3 + 11,0 x4 = 16,4

24,5 x − 8,8 x + 11,5 x − 45,1x = −40,7
 1 2 3 4
S4 : 
52,3 x1 − 84,0 x2 − 23,5 x3 + 11,4 x4 = −80,8
21,0 x1 − 81,0 x2 − 13,2 x3 + 21,5 x4 = −106,3

Após aplicarmos o método de Eliminação de Gauss, o sistema

equivalente que se obtém é dado por:

8,7 x1 + 3,0 x2 + 9,3 x3 + 11,0 x4 = 16,4

 − 17,26 x2 − 14,73 x3 − 76,12 x4 = − 95,95

S4 : 
 7,66 x3 + 395,16 x4 = 387 ,70

 − 1662 ,97 x4 = − 1663,81

cuja solução é: X = [ 0,97 1,98 − 0,97 1,00 ]T

Uma medida para avaliar a precisão dos cálculos é o resíduo,

que é dado por : r = b − A. X
Isto é:
 16 ,4   8,7 3,0 9,3 11,0   0,97 
 − 49 ,7  24 ,5 −8,8 11,5 − 45 ,1  1,98 
r =  − . 
 −80 ,8  52 ,3 −84 ,0 − 23 ,5 11,4  − 0,97 
    
−106 ,3 21,0 −81,0 −13 ,2 21,5   1,00 

 0,042 
 0,214 
r = 
 0,594 
 
− 0,594 

15
REFINAMENTO DE SOLUÇÕES

Quando se opera com números exatos, não se cometem erros

de arredondamento no decorrer dos cálculos e as transformações
elementares , juntamente com as substituições (retroativas ou
progressivas) produzem resultados exatos. Entretanto , na maioria
das vezes , tem-se que se contentar com cálculos aproximados e, ai,
cometem-se erros arredondamento que podem se propagar,
chegando mesmo a comprometer os resultados. Daí o uso de
técnicas especiais para minimizar a propagação de tais erros de
arredondamento. Uma das técnicas é a que descrevemos a seguir:
Seja X (0) a solução aproximada para o sistema A.x = b .
Então , a solução melhorada X (1) é obtida como sendo :
X (1) = X (0) + ϑ(0) , onde ϑ(0) é a parcela de correção.
Logo:
A. X (1) = b
Então, tem-se:

A.( X (0) +ϑ(0) ) =b

ou ainda
ou seja A.ϑ(0) = b − A. X (0) ⇒ A.ϑ(0) = r (0)
A. X (0) + A.ϑ(0) = b
pois r = b − A. X e A.ϑ(0) = r (0) → r (0) = b − A. X (0) ∴ X (1) = X (0) +ϑ(0)

Assim , para se obter a parcela de correção ϑ(0) basta que se

resolva o sistema linear A.ϑ(0) = r (0) , onde A é a matriz dos
coeficientes das incógnitas do sistema A.x = b e r (0) é o resíduo
produzido pela solução aproximada X (0) .
A nova aproximação será dada por:
X (1) = X (0) + ϑ(0) ⇒ r (1) = b − A. X (1)

Caso se queira uma melhor aproximação, resolve-se, agora o

sistema : A.ϑ(1) = r (1) , onde ϑ(1) é a parcela de correção para X (1) e
r (1) é o resíduo produzido por X (1) .

O processo de repete até obtermos a precisão desejada.

16
SISTEMAS BEM OU MAL CONDICIONADOS

Consideramos o sistema linear A.x = b . Um sistema linear se diz

bem/mal condicionado quando pequenas mudanças nos coeficientes
da matriz ( A ou b ) acarretam pequenas/grandes mudanças na
solução.

Por exemplo :

Consideramos o sistema linear :

x + x = 3
S2 :  1 2
 x1 − x2 = 1

é fácil perceber que esse sistema tem como solução x1 = 2 e x1 = 1

Assim X (0) = [ 2 1]T .

Um modo de se detectar o mal condicionamento de um

sistema linear é através do determinante normalizado da matriz dos
coeficientes do sistema dado, se o determinante normalizado for
sensivelmente menor que a unidade, o sistema será mal
condicionado.

Se A é uma matriz de ordem n , seu determinante normalizado

denotado por det( NormA ) é dado por :

det( A)
det( NormA ) =
α1.α2 ....... αn
onde αi = (ai1 ) 2 +(ai,2 ) 2 +.......( ai, n ) 2 , i =1,2,3,..... n

Calculando o determinante da matriz dos coeficientes do

sistema acima temos:
1 1
det( A) = = −2
1 −1

−2
e α1 = 2 e α2 = 2 . Assim det( NormA ) = = −1 < 1
2. 2

17
 Agora se modificarmos esse sistema para :

x + x = 3
S2 :  1 2
 x1 − x2 = 1,001

teremos como solução x1 = 2,0005 e x2 = 0.9995 .

Cuja solução é X (1) = [ 2,0005 0,9995]T

Assim sendo pode-se dizer que esse sistema é bem condicionado.

Consideremos agora o seguinte sistema linear :

 x1 + 1,0 0x2 1= 2,0 0 1

S2 : 
 0,9 9x1 9+ x2 = 1,9 9 9
Esse sistema apresenta como solução exata x1 = 1 e x1 = 1.
Portanto, o conjunto solução do sistema é X (0) = [1 1]T .

No entanto se alterarmos essa solução para x1 = 2,0 e x2 = 0.001

temos que X (1) = [ 2,0 0,001]T

Uma maneira de avaliarmos a precisão dessa nova solução é

calcularmos o resíduo que essa nova solução produz.

Como resíduo ( r ) é dado por r = b − A. X , temos que:

2,001   1,0 1,001   2,0 
r =  − .
1,999  0,999 1  
 0,001 

Portanto :

2,001  2,001001  − 0,000001 

r = − = 
1,999   1,999   0 

18
Examinando r , X (1) = [ 2,0 0,001 ]T poderia ser considerada uma boa
aproximação para a solução X do sistema , o que , de fato , não se
verifica.
Equações como as do sistema :
 x1 + 1,0 0x2 1= 2,0 0 1
S2 :  são mal condicionadas
 0,9 9x1 9+ x2 = 1,9 9 9
Pois, calculando-se o determinante normalizado do sistema acima
obtemos:
1 1,001 α1 = 1 + (1,001 ) 2 =1,414921
det( A) =
0,999 1
= 0,000001 e
α2 = (0,999 ) 2 +1 =1,413507

0,000001
Finalmente det( NormA ) = = 5.10 −7
1,414921 .1,413507

podemos observar que o det( NormA ) é sensivelmente menor que 1.

Logo o sistema dado é mal condicionado.

Cálculo do Determinante

De modo análogo ao que foi feito com sistemas , pode-se definir

operações elementares para matrizes e também definir matrizes
equivalentes A e B , quando B puder ser obtida de A por
transformações elementares nas linhas ou colunas. Pode-se provar
que se A e B são equivalentes então det A = det B .

Como nas matrizes triangulares e diagonais o determinante é o

produto dos elementos diagonais, usa-se para o cálculo de
determinantes, o método de Gauss ou o método de Gauss-Jordan.

Exemplos:

1) Dada a matriz :

19
 2 3 − 1 2 3 − 1 2 3 − 1
A = 4 4 − 3 ⇒ 0 − 2 − 1 ⇒ 0 − 2 − 1
     
2 − 3 1  0 − 6 2  0 0 5 

A matriz equivalente acima foi obtida pelo método de Eliminação de

Gauss. Sendo
2 3 −1
B = 0 −2 −1 temos que det( B ) = 2.( −2). 5 = −20
 

0 0 5

2) A matriz
1 2 
1 1 2 1 1 2   1
A = 1 −1 −1 ⇒ 0
  −3 − 5 ⇒ 0 −3 − 5
     1 
1 −1 −1 0 −2 − 3 0 0
3 
m2,1 = −2
m3,1 = −1
2
m3,2 = −
3

é transformado por Gauss em :

1 1 2 
 1 
B = 0 −3 − 5 temos que det( B ) = 1.( −3).  = −1
 1  3
0 0
3 

MÉTODOS ITERATIVOS
Definição: Um método é chamado iterativo quando fornece uma
seqüência de aproximações da solução, cada uma obtida das
anteriores , pela aplicação do mesmo tipo de processo , sendo dada
uma aproximação inicial X (0).

20
Podemos transformar o sistema linear dado A . X = b , num sistema
equivalente da forma

X=F.X+d

onde F é uma matriz n x n e X e d são matrizes colunas n x 1

AX = b ⇔ AX + IX = b + IX ⇔ AX + IX – b = IX ∴ X = (A+I) X – b,
pois IX = X. Fazendo A+I = F e -b = d temos :

X= F . X + d
(0)
Partindo-se da aproximação inicial X = [ x 1( 0 ) , x (20) , ... , x (n0 ) ]T ,
obtém-se :
1ª aproximação : X (1) = F . X
(0)
+d
2ª aproximação : X (2) = F . X
(1)
+d

(k)
k-ésima aproximação : X = F . X (k-1) + d
(k+1)
k+1 aproximação : X = F . X (k) + d
(k) (k-1)
Seja : | X - X | = máx { | x i( k ) - x i( k −1) |}
↓ 1≤ i ≤ n
(distância entre X (k-1) e X (k)
Se lim | X (k) - X (k-1) | = 0 , então as aproximações X
(1)
,X (2)
, ... X
(k)
,
k→∞ convergem para a solução X do sistema.
MÉTODO DE GAUSS-JACOBI.

Dado o sistema :

 a1 1x1 + a1 2x2 + .........+ a1n xn = b1

 a x + a x + .........+ a x = b
 2 11 2 2 2 2n n 2
 a3 1x1 + a3 2x2 + .........+ a3n xn = b3

Sn :  .
.

.
 a x + a x + .........+ a x = b
 n1 1 n2 2 nn n n

21
Explicitando, no sistema anterior, x1 na primeira equação, x2 na
segunda equação e assim sucessivamente até xn na n-ésima
equação do sistema acima, obtemos:
b − ( a12 x2 + a13 x3 +.......... .... + a1n xn )
x1 = 1
a11
b − ( a21 x1 + a23 x3 +.......... .... + a2 n xn )
x2 = 2
a22
.
.
.
.
bk − ( ak1x1 + ak 2 x2 +..... + ak , k −1xk −1 + ak , k +1xk +1 +......... + akn xn )
xk =
ak , k
.
.
bn − ( an1x1 + an 2 x2 +..... +.......... .......... .......... ...... + an, n −1xn −1 )
xn =
an , n

Devemos observar que ai , i ≠ 0 , ∀i , caso isso não ocorra devemos

reagrupar as equações do sistema dado de tal modo a se obter essa
condição.

O sistema acima pode ser colocado na forma : X=F.x+d

Bastando para isso considerar :

x1 b1
a11

X= x2 d= b2
a 22
 
xn bn
a nn

22
 0 a12 a13 ... a1n
- - -
a11 a11 a11

F= a 21 a 23 ... a2n
- - -
a 22 0 a 22 a 22

a n1 an 2 an3 ...
- - -
a nn a nn a nn 0

O método de Gauss-Jacobí consiste em :

i) escolher uma aproximação X (0) (aleatória)
ii) gerar aproximações sucessivas de X (k) a partir da iteração

(k+1) (k)
X =F. X +d k = 0,1.2...

iii) continuar a gerar aproximações até que um dos critérios de

parada, dado a seguir seja satisfeito:
max xi ( k ) − xi ( k +1)
1≤i ≤n
a) ≤∈
max xi ( k +1)

b) K> Itmax, onde Itmax é o número máximo de iterações fixado

inicialmente.
Critério de Convergência para o Método de Gauss-Jacobi.
Critério das Linhas:
Dado um sistema linear na forma matricial escrito como A.x = b e seja
n
∑ akj
j =1
. Se α = maxα k < 1 , então o Método de Gauss- Jacobi irá gerar
j ≠k
αk =
ak , k

{ }
uma seqüência xi (k ) convergente para a solução do sistema dado,
independentemente da escolha da aproximação inicial X (0) .

23
Observação: Podem existir casos em que o Critério das Linhas não
seja satisfeito. Nesses casos de vemos tentar uma permutação de
linhas e/ou colunas de forma a obtermos uma disposição para a qual
a matriz dos coeficientes satisfaça o critério das linhas. No entanto,
nem sempre é possível obter tal disposição o que nos mostra que o
Critério das Linhas é apenas uma condição suficiente para a
convergência dos sistemas lineares.
Exemplo.

 1 0x1 + 2 x2 + x3 = 7

Resolver o sistema linear:  x1 + 5 x2 + x3 = − 8
 2 x + 3x + 1 0x = 6
 1 2 3
0,7
a) pelo Método de Gauss-Jacobi com X (0) = −1,6 e ε = 0,05 .
0,6

b) verifique a convergência do sistema acima pelo método das

linhas.

Exercícios
Nos sistemas lineares abaixo
a) verifique a convergência pelo método das linhas;
b) resolva (se possível) o sistema pelo método de Gauss-Jacobi,
considerando X (0) = [0 0 0 0]T e ε <10 −2
 x1 − 0,25 x2 − 0,25 x3 = 0
− 0,25 x + x2 − 0,25 x4 = 0
 1
1. 
− 0,25 x1 + x3 − 0,25 x4 = 0,25

 − 0,25 x2 + x4 = 0,25

4 x1 + x2 + x3 + x4 = 7
2 x − 8 x2 + x3 − x4 = −6
 1
2. 
+ 2 x2 − 5 x3 + = −1
 x1 x4

 x1 + x2 + x3 − 4 x4 = −1

24
  5 x1 − x2 + 2 x3 − x4 = 5
 x + 9 x2 − 3 x3 + 4 x4 = 26
 1
3. 
3 x2 − 7 x3 + 2 x4 = −7


− 2 x1 + 2 x2 − 3 x3 + 10 x4 = 33

10 x1 + 4 x2 − x3 + 3 x4 = 2
 − 8 x2 − 2 x3 + x4 − 3 x5 = 5


4.  2 x1 − 4 x2 + 7 x3 = 13
− x + 2 x2 − 3 x3 − 10 x4 + 2 x5 = 4
 1
 2 x1
 − x2 − x3 + x4 − 7 x5 = 7

sendo X ( 0) = [ 0 0 0 0 0]T e ε <10 −2

 4 x1 − x2 − x4 = 0
− x + 4 x2 − x3 − x5 = 5
 1
 − x2 + 4 x3 − x6 = 0
5. 
− x1 + 4 x4 − x5 = 6
 − x2 − x4 + 4 x5 − x6 = −2

 − x3 − x5 + 4 x6 = 6

X ( 0) = [ 0 0 0 0 0 0]T e ε <10 −2

 4 x1 + x2 + x3 + x5 = 6
− x − 3 x + x3 + x4 = 6
 1 2
 2x
6.  1 + x2 + 5 x3 − x4 − x5 = 6
− x − x − x3 + 4 x4 = 6
 1 2

 2 x2 − x3 + x4 + 4 x5 = 6

sendo X (0) = [ 0 0 0 0 0]T e ε <10 −2

MÉTODO DE GAUSS-SEIDEL
Da mesma forma que no método de Gauss-Jacobi, no método
de Gauss-Seidel o sistema linear A.x = b é escrito na forma
equivalente X= FX + d por separação da diagonal. Da mesma forma
O processo iterativo de Gauss-Seidel consiste em, sendo X (0)
uma aproximação inicial, calcular X (1) , X (2) , X (3) , ....., X (k ) através
das equações de iterações dadas por:

25
 ( k +1) 1
 x1 = .(b1 − a1,2 x2(k ) − a1,3 x3(k ) − .................. − a1,n xn ( k ) )
a1,1

 ( k +1) 1
 x2 = .(b2 − a2,1x1( k +1) − a2,3 x3(k ) − .................. − a2,n xn ( k ) )
 a 2,2
 (k +1) 1
 x3 = .(b3 − a3,1x1(k +1) − a3,2 x2( k +1) − a3,4 x4( k ) .................. − a3, n xn (k ) )
 a3,3

.
.

.
.

 x ( k +1) = 1 .(b − a x ( k +1) − a x (k +1) − .................. − a ( k +1)
 n n n,1 1 n, 2 2 n, n −1xn −1 )
 a n , n

Portanto, no processo iterativo de Gauss-Seidel, no momento

de se calcular x j (k +1) usamos todos os valores x2(k +1) , x3(k +1)
, .............. , x j −1(k +1) que já foram calculados e os valores x j +1(k ) , x j +2(k )
, ........... , xn(k ) restantes.
CRITÉRIO PARA UTILIZAR O MÉTODO DE GAUSS-SEIDEL.
a) escolhe-se uma aproximação inicial X ( 0) ,

b) escreve-se as equações de iterações, isolando-se x1, x2 , x3 , ....

xn na 1º equação, 2º equação, ...... , n-ésima equação do
sistema linear dado.
c) Devem-se gerar iterações até que um dos critérios abaixo seja
satisfeito:
máx xi ( k +1 − xi ( k )
 <ε
máx xi ( k +1)

 k > Itmáx

CONVERGÊNCIA NO MÉTODO DE GAUSS-SEIDEL

Como em todo processo iterativo, precisamos de critérios que
nos forneçam garantia de convergência.
26
 Para o método de Gauss-Seidel analisaremos dois critérios,
que estabeleçam condições suficientes de convergência: o
critério de Sassenfeld e o critério das linhas.
CRITÉRIO DE SASSENFELD.
 x1 
 x 
 2 
 . 
* 
Seja X = .  a solução exata do sistema A.X = b e seja
 
 . 
 xn −1 
 x 
 n 

 x (k ) 
 1 (k ) 
 x2 
 . 
 
X (k ) =  .  a k-ésima aproximação de X *.
 . 
 (k ) 
 x n − 1 
 x (k ) 
 n 

Queremos encontrar uma condição que nos garanta que

lim ei ( k ) = 0
X ( k ) → X * quando k → ∞ , ou seja, que para i =1,2,3,......... .n
k →∞
onde ei (k ) = xi ( k ) − xi* .

Agora
 ( k +1)
e1 =−
1
a1,1
( )
. a1, 2 .e2 ( k ) + a1,3 .e3( k ) +.......... .......... + a1, n .en ( k )

 ( k +1)
e2 =−
a
1
(
. a2,1.e1( k +1) + a2,3 .e3( k ) +.......... .......... + a2, n .en ( k ) )
 2, 2
 ( k +1)
e3 =−
a
1
(
. a3,1.e1
( k +1)
+ a3, 2 .e2
( k +1) (k )
+ a3, 4 .e4 .......... .......... + a3, n .en
(k )
)
 3, 3

.
.

.

(
en ( k +1) = − 1 . an ,1.e1( k +1) + an , 2 .e2 ( k +1) +.......... .......... + an , n −1.en −1( k +1)
 an , n
)





27
 Chamemos de {
E ( k ) = máx ei ( k ) } e sejam:
n a1, j
β1 = ∑
j =2 a1,1

E para i = 2,3,......... .n temos

 i −1 n 
βi =  ∑ β j . ai , j + ∑ ai , j  ai ,i
 j =1 j =i +1 

Com isto, o critério de Sassenfeld é dado por:

n a1, j a1,2 + a1,3 +....... + a1, n
β1 = ∑ =
j =2 a1,1 a1,1

ai ,1 .β1 + ai , 2 .β2 +...... + ai ,i −1 .βi −1 + ai ,i +1 . +........ + ai , n

βi =
ai ,i

Se β <1, então o método de Gauss-Seidel gera uma seqüência

convergente para a solução exata do sistema, qualquer que seja a
escolha inicial X (0) .
Além disso, quanto menor for o valor de β, mais rápido será a
convergência da solução do sistema.
CRITÉRIO DAS LINHAS
O critério das linhas estudado no método de Gauss-Jacobi
pode ser aplicado no estudo da convergência do método de Gauss-
Seidel.
O critério das linhas diz que se α = m áx{ α k } < 1
 n 
onde αk =  ∑ ak , j 

ak , k
 j =1, j ≠ k 

então o método de Gauss-Seidel gera uma seqüência convergente.

28
 A prova da convergencia consiste em verificar que se o critério
das linhas for satisfeito, automaticamente o critério de Sassenfeld
será também satisfeito.
Devemos tambem observar que o critério de Sassenfeld pode ser
satisfeito mesmo que o critério das linhas não o seja.
Exemplo
Resolva o sistema linear abaixo pelo método iterativo de Gauss-
Seidel, verificando inicialmente a convergência pelo método de
Sassenfeld

 5x1 + x2 + x3 = 5

 3x1 + 4 x2 + x3 = 6
 3x + 3x + 6 x = 0
 1 2 3
0
considerando X ( 0)
= 0 e ε = 5.10 −3
 
0
Exercicios.

Nos sistemas lineares dados abaixo

a) Verifique a convergência do método utilizado através dos
critérios dados em aula.
b) Aplique os Métodos Iterativos de Gauss-Seidel e Gauss-Jacobi
para encontrar a solução aproximada do sistema, considerando
X ( 0) = 0

 3x1 − x2 + x3 = 1 − = 9
 10 x1

x2
1.  3x1 + 6 x2 + 2 x3 = 0 2.  − x1 + 10 x2 − 2 x3 = 7

 3x + 3x + 7 x = 4  − 2 x2 + 10 x3 = 6
 1 2 3
10 x1 + 5 x2 = 6
 5x
 1 + 10 x2 − 4 x3 = 25
3. 
− 4 x2 + 8 x3 − x4 = − 11


 − x3 + 5 x4 = − 11

29
  4 x1 + x2 − x3 + x4 = −2
 x + 4 x2 − x3 − x4 = −1
 1
4. 
− x1 − x2 + 5 x3 + x4 = 0

 x1 − x2 + x3 + 3 x4 = 1

30