1.6- MÉTODOS ITERATIVOS DE SOLUÇÃO DE …arbalbo/Iniciacao_Cientifica/sistemaslineares/... ·...
Transcript of 1.6- MÉTODOS ITERATIVOS DE SOLUÇÃO DE …arbalbo/Iniciacao_Cientifica/sistemaslineares/... ·...
25
1.6- MÉTODOS ITERATIVOS DE SOLUÇÃO DE SISTEMAS LINEARES
PRÉ-REQUISITOS PARA MÉTODOS ITERATIVOS 1.6.1- NORMAS DE VETORES
Definição 1.6.1- Chama-se norma de um vetor x, x , qualquer função definida num
espaço vetorial E, com valores em R, satisfazendo as seguintes condições: N1) x ≥ 0 e x = 0 se e somente se x = 0. N2) xλλλλ = �λ � x para todo escalarλ. N3) yx ++++ ≤ yx ++++ (desigualdade triangular).
Como exemplos de normas no Rn de uso frequente temos:
a) E
x = xii
n2
1=� , b)
∞∞∞∞x = max
i n1≤ ≤� xi� , c)
1x =
i
n
=�
1
� xi
Vamos mostrar que E
x = X II
N2
1=� é uma norma bem definida no Rn, isto é, vamos
mostrar que as condições N1, N2, N3 estão satisfeitas. (A prova de que b) e c) definem normas no Rn fica a cargo do leitor).
Assim:
N1) E
x = xii
n2
1=� ≥ 0 (evidente)
E
x = xii
n2
1=� = 0 ⇔ xi
i
n2
1=� = 0 ⇔ xi = 0, ∀ ⇔ =i x θ
N2) Exλλλλ = λ2 2
1
xii
n
=� = λ2 2
1
xii
n
=� = �λ � xi
i
n2
1=� = �λ �
Ex
26
N3) x y x yE i i+ = + =�2 2( ) (x1+y1)2 + (x2 + y2)2+...+ (xn + yn)2 =
= x x y y x x y y x x y yn n n n12
1 1 12
22
2 2 22 2 22 2 2+ + + + + + + + + =�
= xii
n2
1=� + 2 x yi i
i
n
=�
1
+ yii
n2
1=� = ∗
Usando desigualdade de Schwartz:
x yi ii
n
=�
1
≤ xii
n2
1=� yi
i
n2
1=� ; temos:
∗ ≤ xii
n2
1=� + 2 xi
i
n2
1=� yi
i
n2
1=� + yi
i
n2
1=�
= x x y y x yE E E E E E
2 2 22+ + = +( )
Portanto: x y x yE E E
+ ≤ +2 2( )
Extraindo-se a raiz quadrada de ambos os membros, temos que
x y x yE E E
+ ≤ +
Logo, x E = xii
n2
1=� é uma boa definição de norma.
Exemplo de cálculo de norma.
Seja x =
−
−
�
�
������
�
�
������
1103420
x E = ( ) ( )− + + + + − =1 10 3 4 20 5262 2 2 2 2 x ∞ = max ( − − =1 10 3 4 20, , , , ) 20
x 1 = − + + + + − =1 10 3 4 20 38
27
Definição 1.6.2 Duas normas • •a be são ditas equivalentes se existem constantes k e k’ tais que
k x x k x x Ea b a≤ ≤ ∀ ∈' , . Como exemplos de normas equivalentes, temos:
a) x x n x∞ ∞≤ ≤1 b) x x n xE∞ ∞≤ ≤
c)1
1nx x n xE i≤ ≤
Vamos verificar que x x n x∞ ∞≤ ≤1 ; a verificação das demais fica a cargo do
leitor. Temos: x ∞ = max
i n1≤ ≤� xi� = max { x1 , x2 ,�, xn } =
= x x x x x xk k ii
k
ii k
n
ii
n
≤ + + = = ==
−
= + =� � �
1
1
1 11
= x1 + x2 +�+ xn { }≤ + + +x x xk k k� =
= n x n max x n xk i n i= =≤ ≤ ∞1
.
Definição 1.6.3:
Dada uma seqüência de vetores x(k) ∈ E e uma norma sobre E, dizemos que a seqüência { x(k)} converge para x ∈ E se 0)( →−xx k , quando k → ∞.
1.6.2- Norma de matrizes.
O conjunto das matrizes (nxn), com as operações de soma de matrizes e produto de um escalar por uma matriz forma um espaço vetorial E de dimensão n2.
Podemos então falar em norma de uma matriz A ∈ E.
Algumas normas de matrizes:
a) A max aj n ij
j
n
∞ ≤ ≤ == �
1 1
(norma linha)
b) A max aj n ij
j
n
1 1 1
=≤ ≤ =
� (norma coluna)
28
c) A aE iji j
n
==� 2
1,
(norma euclidiana)
A verificação de que a) b) e c) acima são normas bem definidas no espaço vetorial das matrizes nxn, fica a cargo do leitor.
Exemplo de cálculo de normas: Seja:
A=3 2 16 3 41 2 1
−
−
�
�
���
�
�
���
A ∞ = + + =6 3 4 13
A 1 3 6 1 10= + + − =
A E = ( 9 + 4 + 1 + 36 + 9 + 16 + 1 + 4 + 1)½ = 9
São válidas as seguintes desigualdades:
a) 1n
A A n AE∞ ∞≤ ≤
b) 1
1 1nA A n AE≤ ≤
c) A n A∞ ≤ 1 d) A n A1 ≤ ∞
Verificação a cargo do leitor. Para as normas de matrizes • • •∞ , ,1 E , vale:
AB A B≤ • para quaisquer matrizes A e B. (Prove).
Definição 1.6.4: Normas subordinadas.
Dada uma norma de vetor no Rn, podemos definir uma norma de matrizes, que será dita subordinada a ela, por:
A Axx
==
sup1
A norma de matriz assim definida pode ser interpretada como sendo o comprimento
do maior vetor no conjunto imagem {Ax} da esfera unitária { x/ x = 1} pela transformação x → Ax.
29
Definição 1.6.5: Normas consistentes.
Dada uma norma no Rn e uma norma de matrizes dizemos que elas são consistentes
se, para qualquer x, xAAx ≤
Observação: Notemos que ∃ x0 ∈E tal que 0xAAxo ≤ . Nestas condições:
A = min k tal que xkAx ≤ .
Se uma norma de matrizes é subordinada a uma norma do Rn elas são consistentes. (Prove). 1.7- Sistemas lineares - Métodos Iterativos.
Um método é dito iterativo quando fornece uma seqüência de aproximante da solução, cada um dos quais obtidos dos anteriores pela repetição do mesmo tipo de processo.
Um método iterativo é dito estacionário se cada aproximante é obtido do anterior sempre pelo mesmo processo.
Quando os processos variam de passo para passo mas se repetem ciclicamente de s em s passos ele é dito s-cíclico.
Agrupando-se os s passos de cada ciclo num único passo composto, obtemos um método estacionário.
Notação:
Em todo esse capítulo usaremos as seguintes definições e notações: Sendo Ax=b um sistema linear, denotaremos sua solução por x e sua solução
aproximada por x . e = x - x será dito erro r = b - A x será dito resíduo
Resulta: Ae = r. De fato:
Ae = A(x - x ) = Ax - A x = b - A x = r
isto é, o erro é solução do sistema onde os termos conhecidos foram substituído pelos resíduos.
30
1.7.1- Método de Jacobi-Richardson
Seja resolver o sistema linear Ax = b. Definimos L, D e R por:
Lij = �
≤�
ji,0ji,a ij ; dij =
�
≠=
ji,0ji,a ij ; rij =
�
≥
ji,0ji,a ij
Podemos então escrever:
A = L + D + R .
Supondo det (D) ≠0, podemos transformar o sistema original em ( L + D + R) x = b Dx = - (L + R)x + b x = - D-1 (L + R)x + D-1 b.
O processo iterativo definido por: x(k+1) = - D-1 (L + R)x(k) + D-1b é chamado de “Jacobi-Richardson”.
Por hipótese os aii ≠ 0. Podemos então dividir cada equação pelo correspondente elemento da diagonal principal, o que resulta D = I.
Assim, o processo se escreverá x(k+1) = - ( L∗ + R∗) x(K) + b∗
onde os elementos de L∗ são lij = �
�
�
≤
�=∗
ji,0
ji,a
aa
ii
ijij
os de R∗ são rij = �
�
�
≥
=∗
ji,0
ji,a
aa
ii
ijij e
os de b∗ são ii
ii a
bb =∗ , i = 1, 2, ...., n .
Ou seja, dado o sistema linear:
31
a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
..................................................................................
an1x1 + an2x2 + ... + annxn = bn
O método de Jacobi-Richardson consiste na determinação de uma sequência de aproximantes de índice K
x )k(
1 , x )k(2 , . . . , x )k(
n , k = 1, 2, 3, . . . a partir de valores iniciais
x )0(
1 , x )o(2 , . . . , x )o(
n
através do processo iterativo definido por: x )1k(
1+ = 0 - a )k(
212 x∗ - . . . - a ∗∗ + 1)k(
nn1 bx
x )1k(
2+ =- a 0x )k(
121 −∗ - . . . - a ∗∗ + 2)k(
nn1 bx . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . x )1k(
n+ = - a )k(
1ni x∗ - a ∗∗ +−− n)k(
22n b0...x .
1.7.1.1- Critério de convergência
Fazendo B = - ( L* + R*) no critério geral de convergência e escolhendo sucessivamente as normas
∞• e
1• obtemos os critérios:
a) o método de Jacobi-Ricchardson converge se:
a.1) i
max 1an
ij1j
ij �≠=
∗ (critério das linhas)
ou
a.2) j
max 1an
ji1i
ij �≠=
∗ (critério das colunas)
Observação: O processo iterativo para quando
32
( ) ε≤−
∞
+∞
+
1
)()1(
k
kk
x
xx (erro relativo)
onde ε é um número positivo previamente estabelecido. Exemplo 1.7.1:
Resolver o sistema:
�
�
�
=++−=++
=++
6x10x3x28xx5x
7xx2x10
321
321
321
pelo método de Jacobi-Richardson com x(0) = ( 0.7, -1.6, 0.6)t e ε < 10-2.
Solução:
Dividindo cada equação pelo correspondente elemento da diagonal principal obtemos:
x1 + 0. 2x2 + 0.1x3 = 0.7
0.2x1 + 2x2 + 0.2x3 = -1.7
0.2x1 + 0. 3x2 + x3 = 0.6
Temos:
i
max �≠=
n
ij1j
ija = 0.5 < 1
portanto temos o critério de convergência satisfeito.
Neste caso o critério das colunas, j
max �≠=
n
ji1i
ija = 0.5 < 1, também está satisfeito. .
Efetuando-se as iterações definidas por:
x )1k(
1+ = -0 . −)k(
2x2 7.0x1.0 )k(3 +
x )1k(
2+ = - −)k(
1x2.0 6.1x2.0 )k(3 −
x )1k(
3+ = -0 . −)k(
1x2 6.0x3.0 )k(2 +
33
a partir de x(0) = ( 0.7, -1.6, 0.6)t , resultam os seguintes valores:
K 0 1 2 3 4 X1 0.7 0.96 0.978 0.9994 0.99792 X2 -1.6 -1.86 -1.98 -1.9888 -1.99956 X3 0.6 0.94 0.966 0.9984 0.99676
Observações:
- Para ε < 10-2 temos que a solução do sistema é: X= ( 0.99 ; -1.99 ; 0.99)t; - A solução exata do sistema proposto é x = ( 1, -2, 1)t .