Primeira Unidade Numerico

Material sujeito a correções
ÍNDICE
1 ERROS NAS APROXIMAÇÕES NUMÉRICAS.....................................2

1.1 Erros Absolutos ................................................................................................ 3
1.2 Erros Relativos ................................................................................................. 4
1.3 Erro de Arredondamento................................................................................... 5
1.4 Ordem decimal de um algarismo: ...................................................................... 5
1.5 Algarismos significativos corretos....................................................................... 5
1.6 Cálculo dos erros absoluto e relativo:................................................................. 6
1.7 Erro de Truncamento ........................................................................................ 9
1.8 Seqüências – Convergências.............................................................................. 9
1.9 Propagação de erros ....................................................................................... 10
2 MATRIZES .....................................................................................12
2.1 Propriedades dos Determinantes ..................................................................... 15
2.2 Menor Complementar ..................................................................................... 16
2.3 Complemento Algébrico de um elemento (COFATOR) ....................................... 16
2.4 Matriz Adjunta ................................................................................................ 17
2.5 Matriz Inversa ................................................................................................ 17
2.6 Cálculo do Determinante ................................................................................. 22
3 VALORES E VETORES CARACTERÍSTICOS ....................................24
4 SISTEMAS DE EQUAÇÕES LINEARES ............................................26
4.1 Métodos Diretos ou de Eliminação ................................................................... 26
4.1.1 Método de Gauss ..................................................................................... 26
4.1.2 Método de Gauss-Jordan .......................................................................... 31
4.1.3 Condensação Pivotal ................................................................................ 34
4.1.4 Refinamento da Solução ........................................................................... 37
4.1.5 Inversão de Matrizes ................................................................................ 40
5 SISTEMAS DE EQUAÇÕES LINEARES ............................................42
5.1 Métodos Iterativos .......................................................................................... 42
5.2 Método de Jacobi............................................................................................ 43
5.3 Método de Gauss-Siedel .................................................................................. 45
5.4 Estudo da Convergência.................................................................................. 46
6 Decomposição LU..........................................................................47
6.1 Teorema LU ................................................................................................... 47
6.2 Esquema prático para a decomposição LU........................................................ 49
Prof. José Augusto Lucas Matos Página 1 de 55

1 ERROS NAS APROXIMAÇÕES NUMÉRICAS
Causas:
• Divisões Inexatas;
• Números Irracionais;
• Abandono de Casas Decimais e
• Etc.
Este último aspecto é de particular interesse no caso de computadores digitais.
O processo de solução de um problema físico, através de métodos numéricos, pode ser

representado como se segue:
Figura 1
Nas fases de modelagem e resolução podem ocorrer erros.
Ex.: Erro na fase de modelagem:
A variação no comprimento de uma barra de metal sujeita a certa variação de temperatura

é dado por:
(
∆l = l 0 α .t + β .t 2 )
onde:
∆l → var iação do comprimento
l0 → comprimento inicial
t → temperatura
α e β → coeficientes de dilatação de cada material.
Exemplo: Calcular a variação no comprimento de uma barra sujeita a 10º C de variação e

que tenha:
l 0 = 1m
α = 0 ,001253 
 exp erimentais
β = 0 ,000068
Logo,
( )
∆l = 1. 0 ,001253.10 + 0 ,000068.10 2 = 0 ,019330
Os valores de α e β foram obtidos experimentalmente com precisão de 10-6.

Logo:
0,001252 < α < 0,001254
0,000067 < β < 0,000069
Então:
(
∆l > 1. 0,001252.10 + 0,000067.10 2)
∆l < 1.(0 ,001254.10 + 0,000069.10 ) 2
Logo:
0,019220 < ∆l < 0,019440
ou
∆l = 0 ,0193 ± 10−4
Então vemos que uma imprecisão na sexta casa decimal de α e β, implicou uma imprecisão
na quarta casa decimal de ∆l.
A precisão do resultado não é só função do modelo matemático, mas também dos dados
de entrada.
1.1 Erros Absolutos

Quando se substitui um valor a por outro aproximado a’ (a’≠
≠a), define-se como erro
absoluto:
∆ = a − a'
Normalmente como não conhecemos o valor de a, o erro absoluto é indeterminado.
Trabalhamos então com a cota superior ε do erro absoluto, isto é:
ε≥∆
Assim, podemos dizer que:
a'− a ≤ ε ou a' - ε ≤ a ≤ a'+ε
e que a’ é valor aproximado de a com erro absoluto não superior a ε.
Ex.: Se a = 3.876,373 e só desejamos a parte inteira a’, o erro absoluto é:
∆a = a' − a = 0 ,373 ( 3.876 − 3.876 ,373 )

1.2 Erros Relativos

Chama-se erro relativo cometido sobre um valor a, quando este é aproximado por a’ ao
quociente positivo:
∆
δ=
a
Como normalmente o valor de a não é conhecido, e é próximo de a’, costuma-se calcular

também uma cota superior para o erro relativo tal que:
ε
δ≤
a'
Onde ε é uma adequada cota superior de erro absoluto.
A substituição de a por a’ no denominador é justificável se:
a ≅ a'
que é o caso normalmente encontrado na prática.
“Erro relativo tem por objetivo dar uma idéia ao grau de uma influência do erro, no valor
desejado”.
O erro absoluto não traduz nada, se não soubermos a ordem de grandeza do valor
calculado.
Ex.:
a = 3876,373
b = 1,373
Como vemos, o efeito da aproximação de b é muito maior do que de a.
Considerando o erro relativo, teremos uma melhor visão deste efeito.
0,373
δa = < 10 − 4
Para a: 3876,376
0 ,373
δb = < 2.10 − 1
Para b: 1,373

1.3 Erro de Arredondamento

Diz-se que um valor foi arredondado na posição de ordem n, se todos os algarismos
significativos de ordem n + 1 em diante forem abandonados de forma que o algarismos de
ordem n é aumentado de uma unidade, se e somente se, o de ordem n+1 for superior a n.
O arredondamento é feito, por exemplo, em computadores digitais que trabalham com um

número “d” fixo de algarismos significativos.
Se por exemplo d = 5 e tivermos com um valor igual a: 2,73589 (algarismos significativos).
A diferença entre estes valores é o erro de Arredondamento.
Estes erros podem se propagar cumulativamente, podendo afetar o resultado final.
1.4 Ordem decimal de um algarismo:

Diz-se que a ordem decimal de um algarismo significativo ai de um número a é m, se o
resultado quando substituímos ai por 1 e todos os outros algarismos significativos por
zeros, é 10n.
Ex.: No número 2,718278, a ordem decimal do algarismo significativo de ordem 6 é -5,

pois:
0 ,000010
= 10− 5
1
Quando um número está representado na forma normalizada, a ordem decimal do

algarismo significativo de ordem i é (–i + t).
Forma Normalizada de um número é a sua representação:
0, a1, a2, a3,...ad . 10t
Onde d é o número de algarismos significativos e ai, i = (1, 2, ...,d) são os algarismos.
1.5 Algarismos significativos corretos

Diz-se que um algarismo significativo de ordem “n” (an) de uma aproximação a’ de um
número a, é algarismo significativo correto, se o erro absoluto de a’ for inferior a 0,5.10m,
onde m é a ordem decimal desse algarismo.
Com esta definição é possível afirmar que se o número a e sua aproximação a’ tem
algarismos significativos coincidindo a partir da esquerda até o de ordem i, então o número
de algarismos significativos corretos é pelo menos (i – 1).
De fato, com a ordem decimal do algarismo significativo de ordem i é –i + t, então, com

essa coincidência, o erro absoluto deve ser menor que 10-i+t (t se refere a forma
normalizada) e por isso menor do que 0,5.10-i+t-1, como exemplo temos as aproximações
2,5 e 2,4 de 2,0.

Para ambas existe coincidência até o algarismo significativo de ordem 1, no entanto só a

segunda aproximação tem um algarismo correto.
Ex.:
1,9999 e 2,05
2
(0,666....)
A aproximação 0,668543 de 3 . O algarismo 8 da aproximação não é correto pois:
0,668543 – 0,666 = 0,00187633 > 0,5.10-3
O número 0,668543 só possui dois algarismos significativos corretos.
Ex.: Seja o número a = 0,000045045. Por um processo numérico foi determinado para o
mesmo valor a’ = 0,000045270.
Aplicando a definição concluímos que a’ só tem dois algarismos significativos corretos.
Passando para a forma normalizada vem,
a = 0,45045.10-4 e a’ = 0,45270.10-4
1.6 Cálculo dos erros absoluto e relativo:
Absoluto:
∆ = a − a' = 0,000000225 = 0,00225.10. −4
∆ < 0,5.10 − 2 .10 − 4
Relativo:
0,00225.10 −4
δ = −4
< 0,5.10 − 2
0,45045.10
Se considerarmos o erro absoluto, da ordem de 10-6, podemos ter uma idéia errônea do
número de algarismos significativos. No entanto, com a apreciação do erro relativo,
podemos perceber porque sua precisão não vai além dos dois primeiros algarismos
significativos.
Teorema
Se o erro relativo da aproximação a’ de a for maior que 0,5x10-s, então a’ tem pelo menos
“s” algarismos significativos corretos.
Demonstração
Seja a =µ.10t, onde µ é a mantissa da forma normalizada de a.

Suponhamos que o algarismo significativo a’s correspondente a as na aproximação a’ não é
correto.

Devemos ter então pela fórmula (A)
a' − a = ∆ > 0 ,5 x10 − s + t
Como
a = µ x10t < 10t , devemos ter:
a'− a
δ = > 0,5 x10 − t
a o que por hipótese é absurdo.
Então o algarismo significativo a’s é correto e, portanto, todos os de ordem inferior.
C.Q.D.
Regras a serem observadas:
1. Fixar o número “d” de algarismos significativos para o cálculo.

2. Se os dados iniciais têm mais que “d” algarismos significativos, arredondá-los na
posição do algarismo de ordem d; caso contrário preencher as posições restantes
com zero
3. As operações de adição e subtração deverão ser realizadas sempre com dois
números de cada vez. Antes de iniciá-la arredondar o número de menor valor
absoluto, de modo que a mais baixa ordem decimal deste último possa ser a mesma
do outro.
4. Efetuar as operações de multiplicação normalmente e arredondar o produto de
forma que ele passe a ter “d” algarismos significativos.
5. Efetuar as operações de divisão até que o quociente tenha “d” algarismos
significativos.
6. Potenciações com expoentes inteiros deverão ser realizadas como multiplicações de
números, dois a dois.
7. Valores irracionais como “π”, e valores de funções elementares como, “sen x”, “cos
x”, “ex”, etc., usados como dados, deverão ser tomados com “d” algarismos
corretos.
8. Potenciações com expoentes não inteiros deverão ser realizadas por meio de
logaritmos com “d” algarismos significativos.
2 + 1,5367 x 0 ,00337 − ( 0 ,201 )3

EX.: Calcular o valor de: 22 ,32 + π , retendo 3 algarismos
significativos.
As operações na ordem em que devem ser efetuadas são:
0,2013

• multiplicamos inicialmente 0,201x0,201 = 0,040401, arredondamos o resultado para

0,0404
• multiplicamos agora 0,0404x0,201 = 0,0081204, arredondamos para 0,00812
1,5367x0,00337
• arredondamos inicialmente os fatores para: 1,54 e 0,00337

• efetuamos: 1,54x0,00337 = 0,0051898
• arredondamos o resultado para: 0,00519
• extraindo a raiz quadrada vem: 1,41
2 + 1 ,5367 x 0 ,00337
• arredondar o produto na ordem decimal -2 : (1,5367x0,00337 = 0,0051)
0,01
• adicionar: 1,41 + 0,01 = 1,42
2 + 1 ,5367 x 0 ,00337 − 0 ,2013
• arredondar a potência na ordem decimal -2:
0,01
• efetuar a subtração:
1,42 – 0,01 = 1,41
22,32
• - achar o logaritmo decimal de 2,00
Log10 2 = 0,301
• - multiplicá-lo pelo expoente
0,301x2,32 = 0,69832
• - arredondar o resultado para 3 algarismos significativos.
0,698
• encontrar o número que tem este valor por logaritmo decimal.
5,00
• - arredondando para 3 algarismos significativos, vem:
3,14
π + 22,32
• somando diretamente, vem:
5,00 + 3,14 = 8,14
Cálculo final
1 ,41
= 0 ,173
8 ,14
1.7 Erro de Truncamento
São erros provenientes da utilização de processo que deveriam ser infinitos ou muito
grandes para a determinação de um valor, e que, por razões práticas, são truncados.
Em outras palavras, erro de truncamento de um processo infinito é o erro absoluto do

resultado obtido com um número finito de operações.
1.8 Seqüências – Convergências
Uma seqüência de números reais nada mais é do que um conjunto finito ou infinito de
valores ordenados, x1, x2, x3,..., xn, representado por {xn}, onde xn é chamado termo
geral.
Dizemos que a seqüência é infinita se contiver um número infinito de elementos. Neste

caso podemos dizer que ela converge ou não para um limite, de acordo com a definição.
Definição:
Uma seqüência infinita de números {xn} converge para um valor x, se:
Lim xn − x = 0
n→ ∞
E nesse caso x é o limite da seqüência.
Quando a seqüência é truncada em xn, o erro de truncamento é dado por:
en = xn − x

Ex.:
1
A seqüência {xn} com
xn =
n converge para o limite “0” porque:
1
Lim = −0 =0
n→ ∞ n
Exemplo:
Dado x = 0,15, calcular o valor de ex.

Empregando um processo numérico que consiste em substituir a função ex por um
polinômio.
Usando a seqüência:
x x2 x3
e ≈1+ x + + ....
2! 3!
Limitando até 4 termos, temos:
e 0 ,15 ≈ 1 + 0 ,15 +
(0 ,15)2 + (0 ,15)3 = 1,1618125
2 6
Sabendo-se que
e 0 ,15 = 1 ,161834243 ± 0 ,5 x10 −4
, isto é, os algarismos até a 8ª casa
decimal são exatos, e comparando este valor com o calculado pelo processo numérico,
verificamos que apenas 5 algarismos significativos são exatos.
Neste caso temos o erro
1,1618342435 − 1,1618125000 = 0,0000217435

Escrevemos então:
 (0 ,15 ) (0 ,15) 
2 3
0 ,15 
−  1 + 0 ,15 +
Erro de truncamento =
e
2!
+
3!  ≤ 0 ,0000217435
 
Que representamos por:
e 0 ,15 = 1,16181 ± 0 ,00003
1.9 Propagação de erros
Exemplos de como os erros vistos podem influenciar o desenvolvimento de um cálculo.
Supondo-se que as operações abaixo sejam processadas em uma máquina com 4 dígitos
significativos e fazendo-se:
x1 = 0,3491x104 e x2 = 0,002345x100

Temos:
(x2 + x1) – x1 = (0,002345x100 + 0,3491x104) – 0,3491x104 = 0,3491x104 – 0,3491x104

(4 dígitos) = 0,000
x2 + (x1 – x1) = 0,002345x100 + (0,3491x104 – 0,3491x104) = 0,002345 + 0,000 =

0,002345
Os dois resultados são diferentes quando não deveriam ser. A causa foi o arredondamento
feito na adição (x1 + x2) cujo resultado tem 8 dígitos e a máquina apenas 4.

2 MATRIZES
Definimos como matriz de ordem mxn, ao conjunto de números aij (i = 1, 2,...,m), (j = 1,

2, ...,n) dispostos em m linhas e n colunas.
Ex.:
 a11 a12 ... a1n 
a a2 n 
 21 a22 ...
 ...... ....... ...... ......
 
am 1 am 2 ..... amn 
Os elementos aij podem ser números, funções ou mesmo matrizes.
Quando m = n temos uma matriz quadrada.
Quando n = 1 temos uma matriz coluna:
 a11   a1 
a  a 
 21  ou  2 
 ....   ... 
   
a m 1  a m 
Quando m = 1, temos uma matriz linha:
[a11 , a12 , a13 ...a1n ]

[a1 , a2 , a3 ,..., an ]
Definições
• Uma matriz é um conjunto de números, função ou matrizes.
• Um determinante é uma representação simbólica de um polinômio perfeitamente

definido.
• Matriz Diagonal é aquela em que aij ≠ 0, para i = j.
a11 0 0 
0 a 22 0 
 
 0 0 a 33 

• Matriz Unitária é uma matriz quadrada, na qual todos os elementos são nulos exceto
os da diagonal principal que são todos iguais a 1. A matriz unitária de ordem n é
representada por In.
1 0 .... 0 
0 1 .... 0 
 
In =  ..... .... .... .....
 
0 0 ..... 1 
• Matriz Triangular é a matriz na qual aiJ = 0 para i < j (triangular inferior) ou aiJ = 0
para i > j (triangular superior).
Ex.:
 a11 0 .... 0 
a a 22 .... 0 
 12  (triangular inferior )
 .... .... .... .... 
 
 a n1 a n 2 .... a nn 
a11 a12 .... a1n 

0 a .... a 2 n 
 22  (triangular superior )
 ..... .... .... .... 
 
0 0 0 a nn 
• Matriz Simétrica é toda matriz quadrada onde aiJ = aJi. Os elementos são iguais
simetricamente à diagonal principal.
A = AT
• Matriz Anti-simétrica é toda matriz em que se tem aij = -aji.
A = -AT
• Matriz Transposta de uma matriz A de ordem mxn é a matriz At de ordem nxm,

obtida permutando-se as linhas pelas colunas.
• Matriz Zero é aquela em que todos os seus elementos são nulos.

Igualdade de Matrizes
Duas matrizes A = (aij) e B = (bij) de ordem mxm, são iguais se e somente se aij = bij.
Adição
Tendo-se as matrizes A = (aij) e B = (bij) de ordem mxn, a adição de A com B será:
C = A + B = (aij + bij) = (cij)

Ex.:
5 4 7 8  3 7 8 5  8 11 15 13
 3 2 1 6 +  0 0 1 2  =  3 2 2 8 
     
Subtração
C = A – B = (aij - bij) = (cij)
Ex.:
5 4 7 8  3 7 7 5   2 − 3 0 3 
 3 2 1 6 − 0 0 1 2 =  3 2 0 4 
    
Produto de uma Matriz por um número
Se A = (aij) é uma matriz mxn e c um número, temos:
 c .a11 ... c .a1n 

 .... .... .... 
c.A = A.c = B = 
c .a m 1 .... c .a mn 
As seguintes leis são válidas:
A + ( B + C ) = ( A + B ) + C associatividade
( a + b ).A = aA + bA
 distributividade
c( A + B ) = cA + cB 
A+ B = B + A comutatividade

2.1 Propriedades dos Determinantes

1- Um determinante não se altera quando se trocam as linhas pelas colunas e vice-versa.
2- Trocando-se as posições de duas linhas ou colunas, o determinante fica multiplicado por

(-1).
3- Transpondo-se uma linha ou uma coluna para a primeira posição, o determinante fica
multiplicado por (-1)k-1 onde k representa a ordem da linha ou coluna transposta.
4- Transpondo-se um elemento para a primeira posição, o determinante fica multiplicado

por (-1)k+m onde k representa a ordem da coluna e m a ordem da linha que se cruzam
no elemento transposto.
5- O determinante é nulo se todos os elementos de uma linha ou uma coluna são nulos.
6- O determinante é nulo se os elementos de duas linhas ou colunas são iguais entre si.
7- Se os elementos de uma linha ou coluna são multiplicados por um número, o

determinante fica, também, multiplicado por este número.
8- O determinante não se altera se somarmos aos elementos de uma linha ou coluna os

respectivos elementos de outra linha ou coluna multiplicados por um número.
Consideremos um determinante ∆ e suponhamos que o elemento a transpor seja amk.
Passando a m-ésima linha para a primeira posição e designando ∆’ o novo determinante,

temos:
∆' = (− 1)
m −1
.∆
Passando a k-ésima coluna para a primeira posição, no determinante ∆’ e designando por

∆’’ o novo determinante, temos:
∆'' = (− 1)
k −1
∆'
.∆
Substituindo o valor de ∆’ vem:
∆'' = ( −1 )k −1 .( −1 )m −1 .∆ = ( −1 )k + m − 2 .∆ , e como (-1)-2 = 1, vem :
∆'' = (− 1)
k +m
.∆
Toda matriz que tem duas linhas ou colunas iguais tem determinante nulo.
Trocando-se a posição destas linhas ou colunas o seu valor deveria trocar de sinal.

Logo:
∆ = -∆
∆
2∆
∆=0
∆=0
2.2 Menor Complementar
Chama-se de menor complementar do elemento aij (Mij), ao determinante de ordem n – 1

extraído de [A], pela supressão da linha e da coluna em que está situado o elemento aij.
 a11 a12 a13 

A = a21 a22 a23 

a31 a32 a33 
Ex.:
O menor complementar de a32 é:
a11 a13
M 32 =
a21 a23
2.3 Complemento Algébrico de um elemento (COFATOR)
Dado o determinante
 a11 a12 ... a1n 
a a2 n 
 21 a22 ...
 ...... ....... ...... ......
 
 an1 an 2 ..... ann 
Aj i
Chama-se complemento algébrico ao elemento a i j e representa-se por ao
determinante obtida pela expressão:
Aij = (− 1) + M ij
i+ j
Consideremos a matriz quadrada:
 a11 a12 ... a1n 

a a22 ... a2 n 
 21 
[A] =  ...... ....... ...... ......
 
 an1 an 2 ..... ann 

2.4 Matriz Adjunta
Definimos como matriz adjunta de [A] e representamos por , a matriz cujo elemento
[A ]
'
aij = A ji A ji
genérico é onde representa o complemento algébrico do elemento aij do
determinante associado da matriz [A].
Nestas condições, a matriz adjunta de [A] será:
 A11 A21 ... An1 

A A ... An 2 
[A' ] =  12 22 
 ...... ....... ...... ......
 
 A1n A2 n ..... Ann 
Como podemos observar, a matriz adjunta pode ser obtida, em outras palavras, a partir da
matriz transposta ([At]), construindo-se uma nova matriz, onde os elementos são os
correspondentes complementos algébricos dos elementos do determinante |At|.
Ex.:
Achar a matriz adjunta de:
[A] = 
a11 a12 

a21 a22 
[A ] = aa
t 11 a21 
a22 
 12
Logo a adjunta de A será:
[A' ] = 
a22 − a12 
 − a21 a11 
2.5 Matriz Inversa

Teorema: Para qualquer matriz quadrada A, temos:
[A] [A−1 ] = [A−1 ][ A] = [I ] Equação (1)
Onde (I) é a matriz unitária.
Definimos como matriz inversa [A] e representamos por [A-1], a matriz tal que seja
satisfeita a expressão (1) .

Para obtermos [A-1], comecemos por calcular [A].[A’]. Considerando os teorema de Laplace
e Cauchy, resulta:
 a11 a12 ... a1n   A11 A21 ... An1   A 0 ... 0 

a  
a22 ... a2 n   A12 A22 ... A2 n   0 A ... 0 
 21   
 ...... ....... ...... ...... x  ...... ....... ...... ...... =  ...... ....... ...... ......
     
 an1 an 2 ..... ann   A1n A2 n ..... Ann   0 0 ..... A 
Pelo que obtivemos, vamos em seguida efetuar o produto:
[A].[ A' ] = AI
Supondo que
A ≠ φ , temos:
 A11 A21 An1 

 ....
 a11 a12 a1n   A A A  1 0 0
....

a a22 a2 n   A12 A22 An 2   0 1 .... 0 
 21 ....
x A A A = 
 ....    .... ... ... ....
  .... .... .... ....   
ann an 2 ann   A1n A2 n Ann   0 0 .... 1 
 .... 
 A A A 
Desta ultima igualdade concluímos que:
 A11 A21 An1 

 A ....
A A 
 
 A12 A22 An 2 
[A-1] =  A A
....
A  ou [A ]. [AA' ]
−1
 .... .... .... .... 

A A2 n Ann 
 1n .... 
 A A A 
Ex.:
Achar a matriz inversa de:
[A] = 
a11 a12 

a21 a22 
A
Cálculo de
A = a11 .a22 − a12 .a21

Cálculo de [At]
[A ] = aa
t 11 a21 
a22  (poderia ser a transposta da adjunta)
 12
Cálculo de [A’]
[A' ] = 
a22 − a12 
 − a21 a11 
Obtenção de [A-1]
1  a − a12 
[A ] = a
−1
. 22
a11 
11a22 − a 21a12  − a 21
A matriz inversa desempenha importante papel na resolução de sistemas de equações

lineares.
Seja o sistema:
a11 .x1 + a12 x2 + ..... + a1n xn = b1

a21 x1 + a22 x2 + ..... + a2 n xn = b2

 ..... ........ ...... ...... ...... ......
an1 x1 + an 2 x2 + ...... + ann xn = bn
Sob forma de produto matricial:
[A][ X ] = [b]
[A ][A][X ] = [A ][b]
−1 −1
Donde:
[X ] = [A−1 ][b]

Ex.:
Resolver o sistema:
x+ y+z=6
2x − y + z = 3
x + 2y − z = 2
Sob forma matricial temos:
1 1 1   x   6
 2 - 1 1   y  =  3
    
1 2 - 1  z   2
Resultando:
−1
 x  1 1 1  6
 y  = 2 - 1 1  3
     
 z  1 2 - 1  2
Cálculo do Determinante (|A|) de A:
1 1 1 1 1
2 - 1 1 2 - 1 = 1 + 1 + 4 − ( −1 ) − 2 − ( −2 ) = 7 , log o A = 7
1 2 -1 1 2
Cálculo da transposta:
1 2 1 
At = 1 - 1 2 
[ ] 
1 1 - 1
Cálculo da adjunta:
− 1 3 2
[A' ] =  3 - 2 1 
 5 - 1 - 3 

Cálculo da Inversa:
− 1 3 2
1
[A ]
−1
=  3 -2 1 
7
 5 - 1 - 3
Donde a solução do sistema será:
 x  − 1 3 2  6
 y  =  3 - 2 1  .  3
1
  7   
 z   5 - 1 - 3  2
Ou seja:
 x  1
 y  =  2
   
 z   3

2.6 Cálculo do Determinante
A solução pelo teorema de Laplace torna-se inconveniente no cálculo do determinante de

ordem superior a quarta devido ao grande número de operações envolvidas no processo.
Para contornarmos esta dificuldade usamos um processo que utiliza a 8ª propriedade

anteriormente citada, que permite a redução sucessiva da matriz a uma matriz triangular,
através de operações elementares.
Seja:
 a11 a12 a13 

A = a21 a22 a23 
a31 a32 a33 
a 21 a 31 a
Multiplicando-se os elementos da 1ª linha por
, ,....., n1 , e subtraindo estes resultados
a11 a11 a11
dos elementos das linhas 2, 3, 4, ......., n, resulta:
a11 a12 ... ... a1n 

0 a (1 )
... ... a ( 1 ) 2 n 
 22

A= 0 a (1 )
32 ... ... a 3 n 
(1)
 
 ... ... ... ... ... 
 0 a (1)
n2 ... ... a ( 1 ) nn 
Onde:
Primeira coluna abaixo do elemento pivô,

(1) a a
a21 = a21 − a11 21 ,.........., an( 11 ) = an1 − a11 n1
a11 a11
Demais elementos das linhas,
(1) a21 a
a22 = a22 − a12 ,.........., a2( 1n ) = a2 n − a1n 21
a11 a11
(1) a31 a
a32 = a32 − a12 ,.........., a3( 1n ) = a3 n − a1n 21
a11 a11
.......................................................................

Exemplo: Calcular o determinante da matriz a seguir:
1 2 4
A =  5 2 6

 2 1 3
a 21
Multiplicando a 1ª linha por a11 e subtraindo os resultados das multiplicações de todos os
elementos dos elementos respectivos da 2ª linha vem:
 5 10 20 1 2 4
= = 5 ⇒  5 2 6  , .então l 2 − l1 ⇒  0 − 8 − 14 etc...
  
a21 5 (1 )
a11 1
 2 1 3   2 1 3 
a31
Multiplicando a 1ª linha por e subtraindo os resultados dos respectivos elementos da 3ª
a11
linha vem:
 1 2 4  1 2 4 
 0 −8 − 14 = 0 − 8 − 14
 
   
( 2 − 2 ) ( 1 − 4 ) ( 3 − 8 ) 0 − 3 − 5 
1 2 4 
a32 − 3 3 
Multiplicando a 2ª linha por
= = ⇒ 0 − 3 − 5 ,25
a22 − 8 8
0 − 3 − 5 
Subtraindo-se esta segunda linha obtida da terceira linha, teremos:
1 2 4  1 2 4 
0 −8 −4  = 0 − 8 − 14 
   
0 (( −3 ) − ( −3 )) (( −5 ) − ( 5 ,25 )) 0 0 0 ,25
Logo:
∆ = 1 x( −8 ) x 0 ,25 = −2

3 VALORES E VETORES CARACTERÍSTICOS
Equações homogêneas do tipo:
a11 x1 + a12 x2 + ........... + a1n xn = λx1


a21 x1 + a22 x2 + ........... + a2 n xn = λ x2
AX = 0 = 
 ............................................................
an1 x1 + an 2 x2 + ........... + ann xn = λ xn
São frequentemente encontradas em certos tipos de problemas físicos, onde

λ é um
parâmetro indeterminado.
Representando matricialmente teremos:
AX = λ [ X ]
que tem solução não trivial se o determinante
( a11 − λ ) a12 .................a1n

a21 ( a12 − λ )................ a 2n
∆ − λI = =0
...................................................
an1 an2 ( ann − λ )
que conduz à equação polinomial de grau n em

λ:
λn + C1λn −1 + C 2λn − 2 + .......... ... + C n = 0
que é conhecida como equação característica da matriz.
Os valores de
λ
que satisfazem a equação característica da matriz (raízes da equação) A
são os valores característicos de A.
λ
Dos valores de , obtemos os valores dos vetores
X
, (conjuntos de soluções), que são
denominados Vetores Característicos de A.
Exemplo: Determinar os valores e vetores próprios do sistema:
10 x1 + 2x2 + x 3 = λ x1
2 x1 + 10x 2 + x 3 = λx2
2 x1 + x 2 + 10x 3 = λ x3

Teremos:
( 10 − λ ) 2 1
1 = (10 − λ ) − 7(10 − λ ) + 6 = 0
3
∆= 2 ( 10 − λ )
2 1 ( 10 − λ )
− 3 λ1 = 13
 
10 − λ =  1 ⇒ λ 2 = 9
 2 λ = 8
  3
 - 3x1 + 2x2 + x3 = 0

Para
λ1 = 13  2x1 - 3x2 + x3 = 0
 2x + x - 3x = 0
 1 2 3
Fazendo
x3 = 1 teremos x1(1) = 1, x2(1) = 1 e x3(1) = 1
 x1 + 2x 2 + x 3 = 0

λ2 = 9  2x1 + x 2 + x 3 = 0
Para
 2x + x + x = 0
 1 2 3
1 1
Fazendo
x3 = 1 teremos x1( 2 ) = − , x 2( 2 ) = − e x3( 2 ) = 1
3 3
 2x1 + 2 x 2 + x3 = 0

Para
λ3 = 8  2x1 + 2 x 2 + x3 = 0
 2x + x + 2x = 0
 1 2 3
3
Fazendo
x3 = 1 x ( 3 ) = − , x 2( 3 ) = 1 e x 3( 3 ) = 1
teremos 1 2

4 SISTEMAS DE EQUAÇÕES LINEARES
O estudo é limitado aos sistemas não homogêneos de “n” equações a “n” incógnitas.
4.1 Métodos Diretos ou de Eliminação
São métodos que determinam a solução de um sistema de equações lineares com um
número finito de operações. Eles atuam diretamente sobre as equações.
4.1.1 Método de Gauss

Consiste em transformar a matriz dos coeficientes das incógnitas em uma matriz triangular
superior, a partir de uma matriz estendida (adicionando-se o vetor independente como
última coluna), através de operações elementares.
(1) (1)
x1 + a12 x2 + a13 x3 + ........................... + a1(1( n) − 1) xn − 1 + a1(1n) xn = b1(1)
( 2)
x2 + a23 x3 + ........................... + a2( 2( n) − 1) xn − 1 + a2( 2n) xn = b2( 2 )
........................................................................................................
xn − 1 + a((nn−−11))n xn = bn( n−−11)
xn = bn( n )
onde os índices superiores dos coeficientes correspondem ao número de modificações

efetuadas em cada elemento.
Neste caso, a solução do sistema é imediata, mediante a substituição regressiva.
Formando a matriz estendida, justapondo-se o vetor independente, teremos:
a11 a12 ..............a1n b1 

 
 a 21 a 22 ..............a 2 n b2 
Aε =
 ......................................... 
 
a n1 a n 2 ..............a nn bn 
Começamos as transformações anulando os elementos da coluna 1 abaixo do elemento

a11
, ao qual chamaremos de elemento Pivô.
Gauss prevê dois passos:
l1 l1(1)
1. Dividir pelo elemento pivô, o que nos dará uma nova linha e
2. Para anular o elemento

a 21 é bastante somar l1 a l1( 1 ) pré-multiplicada por
− a21 .
De um modo geral para se anular o elemento

a i 1 ( i = 2...........n ) , executamos a operação
vetorial:

l i( 1 ) = l i − a i 1l1( 1 ) com (i = 2......... n) ,
que zera todos os demais elementos da coluna 1 abaixo do elemento pivô.
Desenvolvida para os elementos de todas as linhas equivale a:
 j = 1 ,.........,n + 1
a ij( 1 ) = a ij − a ij a2( 1j ) para 
 i = 2 ,.........., n ,
Aε
Ao fim da 1ª eliminação, a matriz está transformada em:
1 a12 (1)
..............a1(1n) b1(1) 
 
(1)
0 a22 ..............a2(1n) b (1) 2 
Aε =  
......................................... 
0 a (1) ..............a (1) b (1) 
 n2 nn n 
(1)
A segunda eliminação consiste em anular os elementos da segunda coluna, abaixo de
a 22 ,
denominado pivô desta eliminação.
(1) (2)
1. Dividimos
l 2 pelo pivô, obtendo
l 2 ;
(1) (1) (2) (1)
2. Para anular o elemento
a 32 somamos
l 3 a
l 2 pré-multiplicada por
a 32
De um modo geral para se anular o elemento

a i(21 ) ( i = 3...........n ) , executamos a
operação vetorial:
l i( 2 ) = l i(1) − a i(21) l 2( 3 ) com (i = 3.........n)
,
que se desenvolvida para os elementos de todas as linhas equivale a:
 j = 2 ,.........,n + 1
a ij( 2 ) = a ij( 1 ) − ai(21 )a 2( 1j ) para 
 i = 3 ,.........., n ,
Podemos agora generalizar os procedimentos da 1ª e 2ª eliminação para uma eliminação

C k( k − 1 ) ( k −1 )
a kk
genérica “K” que consiste em anular os elementos de abaixo de
(denominado pivô da k-ésima eliminação.

Fazemos inicialmente a divisão:
l k( k − 1 )
l k( K ) = ( k −1 ) ,
a kk
que desenvolvida elemento a elemento de

l k( k ) , equivale a:
( k −1 )
(k ) akj  k = 1 ,............, n
akj = ( k −1 )
......
akk  j = k ,............, n + 1 .
Se ‘k’ for menor ‘n’, fazemos as operações vetoriais:
l ik = li( k − 1) − a ik( k − 1) lk( k ) com i = k + 1,........., n
Que desenvolvida elemento a elemento, é:
 k = 1 ,.........,n − 1
(k ) ( k − 1) ( k − 1) ( k ) 
a ij =a ij −a ik a kj para  j = k,.........,n + 1
 i = k + 1,.........,n

Exemplo:
2 x1 + 2 x2 + x3 + x4 = 7
x1 - 2 x2 + 2 x3 − x4 = 1
3 x1 + 2 x2 − 3 x3 − 2 x4 = 4
4 x1 + 3 x2 + 2 x3 + x4 = 12
Obtendo a matriz entendida, vem:
l1 2 2 1 1 7
l2 1 − 1 2 − 1 1 
 
l3 3 2 − 3 − 2 4 
 
l4 4 3 2 1 12

1ª Eliminação:
 l1(1) = l1 / 2
 (1)  1 1 0,5 0,5 3,5 
l2 = l 2 − 1l1(1)  0 −2 1,5 − 1,5 − 2,5 (1.l1(1) ) = 1 1 0,5 0,5 3,5
 (1) 
l3 = l 3 − 3l1(1)  0 −1 − 4,5 − 3,5 − 6,5
 (1)  
= l 2 − 4l1(1)  0 −1 0 -1 −2 
 l4
2ª eliminação:
  1 1 0,5 0,53,5 
 ( 2 ) (1 ) 
l2 = l2 /(−2)  0 1 − 0,75 0,75 1,25 
 ( 2 ) (1 )
l3 = l3 − (−1)l 2
( 2)
 0 0 − 3,25 − 2,75 − 5,25 (−1)(l2( 2) ) = 0 − 1 0,75 − 0,75 − 1,25
l ( 2) = l (1) − (−1)l ( 2)  
4 4 2  0 0 − 0,75 − 0,25 − 0,75
3ª eliminação:
  1 1 0,5 0,5 3,5 
 
  0 1 − 0,75 0,75 1,25 
 (3) (2)
l3 = l3 /(−3,25)  0 0 1 − 0,5238 1 
l (3) = l (2) − (−0,75)l (3)  
4 4 3  0 0 0 − 0,1907 0  (−0,75)(l3(3) ) = 0 0 − 0,75 0,3586 − 0,75
  1 1 0,5 0,5 3,5 

 
  0 1 − 0,75 0,75 1,25 

  0 0 1 − 0,5238 1 
l (4) = l ( 3) /(−0,1907)  
4 4  0 0 0 1 0 
O sistema então ficará:
x1 + x 2 + 0,5 x 3 + 0,5 x4 = 3,5

x 2 − 0,75 x 3 + 0,75 x4 = 1,25
x 3 − 0,5238 x4 = 1
x4 = 0
Que substituindo regressivamente teremos:
x4 = 0
x3 = (0,5238)0 + 1 = 1
x2 = 1,25 + (0,75)1 − (0,75)0 = 2
x1 = 3,5 − 2 − 0,5 x1 − 0,5 x 0 = 1
É importante observar que nenhum dos elementos que servem de pivô numa eliminação ‘k’

pode ser igual a zero. Se isto ocorrer devemos trocar de posição as (n-k+1) linhas abaixo
lk
de (inclusive), de modo que tais elementos não sejam nulos.
É óbvio que isto não altera a solução do sistema, porque apenas trocaremos duas equações
de posição.
Quando este procedimento não for possível porque todos os elementos abaixo do pivô são
nulos, i sistema é singular.

4.1.2 Método de Gauss-Jordan
Se transformarmos a matriz do sistema em uma matriz identidade, a solução do sistema se

apresentará espontaneamente no novo vetor ‘b’ (dos temos independentes).
x1 ... ... ... = b1( n )

x2 ... ... = b2( n )
... ... ... ...
xn = bn( n )
O método consiste em modificas as eliminações do método de Gauss, para anular em cada

eliminação ‘k’, elementos abaixo e acima do elemento pivô (elemento da diagonal
principal).
Com um procedimento inteiramente análogo ao que nos levou às expressões anteriores (no
método de Gauss),temos para o método de Gauss-Jordan:
Fazemos inicialmente a divisão:
l k( k − 1 )
l k( K ) = ( k −1 ) ,
a kk
lk(k )
que desenvolvida elemento a elemento de , equivale a:
akj( k − 1 )  k = 1,............, n
a kj( k ) = ( k −1 )
......
akk  j = k ,............, n + 1 .
Se “k” for menor “n”, fazemos as operações vetoriais:
 i = 1 ,........., n
l ik = l i( k − 1 ) − aik( k − 1 )l k( k ) com 
com i ≠ k
Que desenvolvida elemento a elemento, é:

 k = i,.........,n − 1
 j = k,.........,n + 1

a ij( k ) = a ij( k − 1 ) − aik( k − 1 )a kj( k ) para 
 i = k + 1,.........,n
 j ≠ k

Exemplo: Usemos o mesmo exercício anterior:
2 x1 + 2 x 2 + x 3 + x4 = 7
x1 - 2 x2 + 2 x3 − x4 = 1
3 x1 + 2 x 2 − 3 x3 − 2 x4 = 4
4 x1 + 3 x2 + 2 x3 + x4 = 12
Obtendo a matriz entendida, vem:
2 2 1 1 7
1 − 1 2 − 1 1 
 
3 2 − 3 − 2 4 
 
4 3 2 1 12
1ª Eliminação:
→  l1
(1)
= l1 / 2  1 1 0,5 0, 5 3,5 
 (1) 
l2 = l 2 − (1)l (1)
1  0 −2 1,5 − 1,5 − 2,5
 (1)
l3 = l 3 − ( 3)l1(1)  0 −1 − 4,5 − 3,5 − 6,5
 (1)  
= l 2 − (4)l1(1)  0 −1 0 -1 −2 
 l4
2ª Eliminação:
 l1( 2 ) = l1(1) − l 2( 2 )  1 0 1,25 0,25 2,25 

 
→  l 2( 2 ) =l (1)
2 /( −2)
 0 1 − 0,75 0,75 1,25 
 ( 2)
l3 = l 3(1) − ( −1)l 2( 2 )  0 0 − 5,25 − 2,75 − 5,25
 ( 2)  
= l4(1) − ( −1)l 2( 2 )  0 0 − 0,75 − 0,25 − 0,75
 l4
3ª Eliminação:
 l1( 3 ) = l1( 2 ) − (1,25)l 3( 3 )  1 0 0 − 0,9047 1 

 ( 3) ( 2) ( 3)  
l2 =l 2 − ( −0,75)l 3  0 1 0 1,1428 2 

→  l 3( 3 ) =l ( 2)
3 /( −5,25)  0 0 1 0,5238 1 
 ( 3)  
= l4( 2 ) − ( −0,75)l 3( 3 )  0 0 0 1,1428 0 
 l4

4ª Eliminação:
 l1( 4 ) = l1( 3 ) − ( −0,9047)l4( 4 ) 1 0 0 0 1
 ( 4)
l2 = l 2( 3 ) − (1,1428)l 4( 4 )  0 1 0 0 2
 ( 4) 
l3 = l 3( 3 ) − (0,5238)l4( 4 )  0 0 1 0 1
 
→ l ( 4) = l4( 3 ) / 0,1428 0 0 0 1 0
4
Logo:
x1 = 1
x2 = 2
x3 = 1
x4 = 0
Valem as mesmas observações feitas para o método anterior, referentes à troca das linhas
caso o pivô na k-ésima eliminação for zero e se esta troca não for possível o sistema é
singular.

4.1.3 Condensação Pivotal
Os métodos de eliminação são exatos exceto pelos erros de arredondamento que podem
conduzir a soluções errôneas.
Este efeito pode ser diminuído e mesmo evitado mediante a condensação pivotal.
Para isto, rearrumamos as equações, colocando na linha da posição do pivô a linha abaixo
da linha do pivô com o maior elemento absoluto na coluna do pivô.
A condensação pivotal tem por finalidade:
1. Minimizar o erro de arredondamento;
2. Evitar a divisão por zero e
3. Testar a singularidade do sistema.
Exemplo: Resolver o sistema
x1 + 3 x2 + 40 x3 = 38
36 x1 + 106 x2 + 7 x3 = −63
25 x1 + 5 x2 + 12 x3 = 32
Sabendo-se que a solução é (1;-1 e 1) e resolvendo sem a condensação pivotal vem:
1 3 40 38 
 36 106 7 − 63
 
 25 5 12 32 
1ª Eliminação:
 l1( 1 ) = l1 / 1 1 3 40 38 
 ( 1 ) (1) 
 l 2 = l2 − 36l1 0 − 2 − 1433 − 1431
 (1 )
 l 3 = l3 − 25l1 0 − 70 − 988 − 918 
(1)
2ª Eliminação:
 1 3 40 38 
 (2) 1 
 l 2 = l2 /( −2 ) 0 1 716 ,5 715 ,5 
 (2) 1 ( 2 ) 0 0 − 51153988 − 51003
 l 3 = l3 − ( −70 )l 2  

3ª Eliminação:
 1 3 40 38 
 0 1 716 ,5 715 ,5 
  
 (3) 2 0 0 1 0 ,99706 
3l = l 3 /( − 51153
Donde:
 x3 = 0 ,99706

 x2 = 715 ,5 − 716 ,5 x 0 ,99706 = 1,07785
 x = 38 − 40 x 0 ,99706 − 3 x1,07785 = −5 ,11595
 1
Fazendo a condensação pivotal:
 36 106 7 − 63
1 3 40 38 

 25 5 12 32 
1ª eliminação
 l1( 1 ) = l1 / 36 1 2 ,94444 0 ,19444 − 1,75 

 ( 1 ) (1 )  
 l 2 = l2 − l1 0 − 0 ,05556 − 39 ,80556 − 39 ,75
 (1 )
 l 3 = l3 − 25l1 0 − 68 ,611 7 ,139 75 ,75 
(1 )
2ª Eliminação:
 1 2 ,94444 0 ,194444 − 1 ,75 

 
 l2 ⇔ l 3 0 − 68 ,11 7 ,139 75 ,75 
 0 − 0 ,05556 − 39 ,80556 − 39 ,75 

3ª Eliminação:
 1 2 ,9444 0 ,194444 − 1,75 

 2 
1
 l 2 = l 2 /( −68 ,611 ) 0 1 − 0 ,10405 − 1,10405 
 2 2 − 39 ,81134 − 39 ,81134
 l 3 = l 3 − ( −0 ,05556 )l2 0 0
1
l3
Dividindo por (-39,81134), vem:
 1 3 40 38 
 2 1  
 l 2 = l 2 /( −68 ,611 ) 0 1 − 0 ,10405 − 1 ,10405
 2 1
 l 3 = l 3 /( −39 ,81134 )0 0 1 1 

Donde:
 x3 = 1

 x2 = −1 ,10405 + 0 ,10405 = −1
 x = −1,75 + 2 ,94444 − 0 ,19444 = 1
 1
Que é uma solução mais adequada que a anterior.

4.1.4 Refinamento da Solução
É obvio que mesmo com a condensação pivotal, pode persistir algum erro devido aos
arredondamentos.
Podemos, então, fazer um refinamento da solução.
Seja o vetor abaixo a solução obtida:
x ( 0 ) = ( x1( 0 ) , x2( 0 ) ,..........., x1( n ) , )
e a solução exata seja:
x = x( 0 ) + E ( 0 )
onde a
E ( 0 ) é o vetor correção as solução.
Portanto devemos ter:
a11 ( x1( 0 ) + E10 ) + a12 ( x 2( 0 ) + E 2( 0 ) ) + ................. + a1n ( xn( 0 ) + E n( 0 ) ) = b1

a21 ( x1( 0 ) + E10 ) + a22 ( x2( 0 ) + E 2( 0 ) ) + ................. + a2 n ( xn( 0 ) + E n( 0 ) ) = b2
.................................................................................................
an1 ( x1( 0 ) + E10 ) + a n 2 ( x2( 0 ) + E 2( 0 ) ) + ................. + ann ( xn( 0 ) + E n( 0 ) ) = bn
Equações 1
Se substituirmos o valor de
x ( 0 ) no sistema original, teremos:
a11 x1( 0 ) + a12 x2( 0 ) + ................. + a1n xn( 0 ) = b1( 0 )

a21 x1( 0 ) + a22 x2( 0 ) + ................. + a2 n xn( 0 ) = b2( 0 )
.................................................................
an1 x1( 0 ) + an 2 x2( 0 ) + ................. + ann xn( 0 ) = bn( 0 )
Equações 2

Subtraindo as equações 2 das equações 1 e definindo

β ( 0 ) = b − b( 0 ) , vem:
a11 E1( 0 ) + a12 E2( 0 ) + ................. + a1n En( 0 ) = β 1( 0 )

a21 E1( 0 ) + a22 E 2( 0 ) + ................. + a2 n E n( 0 ) = β 2( 0 )
..................................................................
an1 E1( 0 ) + an 2 E 2( 0 ) + ................. + ann En( 0 ) ) = β n( 0 )
x E( 0 )
Resolvendo este último sistema, encontramos um vetor , aproximação de , e
podemos ter:
x = x( 0 ) + x( 1 )
até que tenhamos valores que satisfaçam o erro requerido.
Exemplo: Fazer o refinamento do problema anterior resolvido sem condensação pivotal e se

tivéssemos encontrado raízes (-5,1195; 1,07785 e 0,99706):
Calculamos o vetor residual

β (0):
b1( 0 ) = 1( −5 ,11595 ) + 3( 1,07785 ) + 40( 0 ,99706 ) = 38

b2( 0 ) = 36( −5 ,11595 ) + 106( 1 ,07785 ) + 7( 0 ,99706 ) = −62 ,94268
b3( 0 ) = 25( −5 ,11595 ) + 5( 1,07785 ) + 12( 0 ,99706 ) = −110 ,54478
Então:
β 1( 0 ) = b1 − b1( 0 ) = 38 − 38 = 0
β 2( 0 ) = b2 − b2( 0 ) = −63 − ( −62 ,94268 ) = −0 ,05732
β 3( 0 ) = b3 − b3( 0 ) = 32 − ( −110 ,54478 ) = 142 ,54478
(0)
O vetor
E será obtido pela resolução do sistema:
E1( 0 ) + 3 E 2( 0 ) + 40 E 3( 0 ) = 0
36 E1( 0 ) + 106 E 2( 0 ) + 7 E 3( 0 ) = −0 ,05732
25 E1( 0 ) + 5 E 2( 0 ) + 12 E 3( 0 ) = 142 ,54478
Trocando-se as 1ª pela 2ª linhas (condensação pivotal), vem:
 36 106 7 − 0 ,05732 
1 3 40 0 
 
 25 5 12 142 ,54478

l11 = l1 / 36  1 2 ,94444 70 ,19444 − 0 ,00159 

1 3 40 0 
 
 25 5 12 142 ,54478
1ª eliminação:
1 2 ,94444 70 ,19444 − 0 ,00159 
0 − 0 ,05556 − 39 ,80556 − 0 ,00159 
 
0 68 ,111 − 7 ,139 − 142 ,58453
Fazendo a condensação pivotal, vem:
1 2 ,94444 70 ,19444 − 0 ,00159 

0 68 ,111 − 7 ,139 − 142 ,58453

0 − 0 ,05556 − 39 ,80556 − 0 ,00159 
2ª eliminação:
1 2 ,94444 70 ,19444 − 0 ,00159

0 1 − 0 ,10481 − 2 ,09341

0 0 − 39 ,79974 − 0 ,11785 
1 2 ,94444 70 ,19444 − 0 ,00159

0 1 − 010981 − 2 ,09341

l 3( 4 ) = l 3( 3 ) / 39 ,79974 0 0 1 0 ,00296 
 x3( 1 ) = 0 ,00296

(1 )
 x2 = −2 ,09341 + 0 ,10981( 0 ,00296 ) = −2 ,09308
 (1 )
 x1 = −0 ,00159 − ( 70 ,19444( 0 ,00296 )) − 2 ,94444( −2 ,09308 ) = 5 ,95359
Logo a solução aproximada é:
 x1 = −5 ,11595 + 5 ,95359 = 0 ,83764


 x 2 = 1 ,07785 − 2 ,09308 = −1 ,01523
 x = 0 ,99706 + 0 ,00296 = 1 ,00002
 3

4.1.5 Inversão de Matrizes

A(mxn)
Um algoritmo de execução extremamente simples para inverter uma matriz pode
ser obtido por uma adaptação do método de Gauss-Jordan.
Seja a matriz 3x3:
 a11 a12 a13 

A = a21 a22 a23 
 
a31 a32 a33 
A ≠0
Onde e a sua inversa (B) é:
 b11 b12 b13 

B = b21 b22 b23 
b31 b32 b33 
Chamemos os 3 vetores coluna da matriz inversa de

b1 , b2 e b3 . Por definição de inversa
teremos:
 a11 a12 a13   b11 b12 b13  1 0 0

A = a21 a22 a23  x b21 b22 b23  = 0 1 0
a31 a32 a33  b31 b32 b33  0 0 1
Quando consideramos a formação da primeira coluna da matriz identidade pela

multiplicação de
A x b1 , podemos dizer que:
 a11 a12 a13   b11  1

A = a21 a22 a23  x b21  = 0
a31 a32 a33  b31  0
Logo, para determinar a primeira coluna

b1 , da matriz inversa, basta resolver o sistema:
A x b1 = e1 , onde e1 = (1 0 0 )
t
b2 b3
O que valeu para a primeira coluna vale para as outras duas. Assim para obter e ,
resolvemos os sistemas:
A x b2 = e2 , onde e2 = (0 1 0)t
A x b3 = e3 , onde e3 = (0 0 1)t
Os três sistemas podem ser resolvidos pelo método de Gauss-Jordan.
Como eles têm a mesma matriz (A), poderemos resolvê-los simultaneamente, pois as
eliminações feitas em A, seriam exatamente as mesmas se as resoluções fossem feitas
separadamente. As únicas modificações estarão nos termos independentes das incógnitas,

o que contornamos trabalhando com uma matriz estendida (3x6).
 a11 a12 a13 1 0 0

∆E = a21 a22 a23 0 1 0
a31 a32 a33 0 0 1
∆E
Fazemos então as eliminações de Gauss-Jordan na matriz , ao fim das quais o vetor
b1 b2 b3
solução aparecerá na 4ª coluna, na 5ª e na 6ª.
Exemplo: Seja a matriz a inverter (já acrescida da matriz identidade):
l1  1 3 1 1 0 0
l 2  2 4 3 0 1 0
l 3  − 1 1 0 0 0 1
1ª Eliminação:
l1( 1 ) = l1 / 1 1 3 1 1 0 0
l 2( 1 ) = l 2 − 2l1( 1 ) 0 − 2 1 − 2 1 0

l 3( 1 ) = l 3 − ( −1 )l1( 1 ) 0 4 1 1 0 1
2ª Eliminação:
l1( 2 ) = l1( 1 ) − 3l 2( 2 ) 1 0 2 ,5 − 2 1 ,5 0
l 2( 2 ) = l 2( 1 ) /( −2 ) 0 1 − 0 ,5 1 − 0 ,5 0
 
l 3( 2 ) = l 3( 1 ) − 4l 2( 2 ) 0 0 3 −3 2 1
3ª Eliminação:
l1( 3 ) = l1( 2 ) − 2 ,5l 3( 3 ) 1 0 0 0 ,5 − 0 ,16666 − 0 ,83333

l 2( 3 ) = l 2( 2 ) − ( −0 ,5 )l 3( 3 ) 0 1 0 1 − 0 ,16666 0 ,16666 
 
l 3( 3 ) = l 3( 2 ) / 3 0 0 1 − 1 0.66666 0 ,33333 
Logo a matriz inversa é:
0 ,5 − 0 ,16666 − 0 ,83333
 1 − 0 ,16666 0 ,16666 
  . È óbvia a generalização do processo.
 − 1 0 ,66666 0 ,33333 

5 SISTEMAS DE EQUAÇÕES LINEARES
O estudo é limitado aos sistemas não homogêneos de “n” equações a “n” incógnitas.
5.1 Métodos Iterativos

AX = b
Métodos Iterativos consistem em se escrever o sistema sob a forma:
x = F ( x) + d
F d ∈ Rn
Onde é uma matriz (m x n) e d é um vetor ( ).
x (0)
Deste modo, partindo de uma aproximação inicial , fazemos as iterações:
1a x (1) = F ( x ( 0 ) + d
2 a x ( 2 ) = F ( x (1) + d
...................................
e de um modo geral, se fizermos, ‘K’ iterações, obteremos a solução aproximada na

iteração ‘k+1’, pela fórmula de recorrência:
x ( k + 1) = F ( x ( k ) ) + d
Se:
(k )
Lim x −x =0
k →∞
→∞
x (k ) x
diremos que a seqüência de aproximações converge para . Caso contrário, diremos
que a seqüência diverge.

5.2 Método de Jacobi

F
O método de Jacobi consiste na escolha da seguinte matriz :
1
x1(1) = (b1 − a12 x 2( 0 ) − a13 x 3( 0 ) − ............... − a1n x n( 0 ) )
a11
1
x 2(1) = (b2 − a 21 x1( 0 ) − a 23 x 3( 0 ) − ............... − a 2 n x n( 0 ) )
a 22
......................................................................
1
x n(1) = (bn − a n1 x1( 0 ) − a n 2 x 2( 0 ) − ............... − a1( n − 1) x n( 0−)1 )
a nn
Exemplo: Seja o sistema:
 2 x1 − x2 = 1, cuja solução é x1 = 1 e x 2 = 1

 x1 + 2 x2 = 3
Solução:
Transformando de acordo com a disposição anterior, teremos:
1
x1 = (1 + x2 )
2
1
x2 = ( 3 − x1 )
2
Fazendo
x1 = x 2 = 0 , teremos:
1ª Iteração:
1
x1(1) = (1 + 0) = 0,5
2
1
x2(1) = ( 3 − 0) = 1,5
2
2ª Iteração:
1
x1( 2 ) = (1 + 1,5) = 1,25
2
1
x2( 2 ) = ( 3 − 0,5) = 1,25
2

3ª Iteração:
1
x1( 3 ) = (1 + 1,25) = 1,125
2
1
x2( 3 ) = ( 3 − 1,25) = 0,825
2
4ª Iteração:
1
x1( 4 ) = (1 + 0,825) = 0,9125
2
1
x2( 4 ) = ( 3 − 1,125) = 0,9375
2

5.3 Método de Gauss-Siedel

É análogo ao método de Jacobi, com uma alteração esperada, em função da seguinte
modificação:
x 2(1) x1(1)
Quando na 1ª iteração calculamos , já dispomos do valor de que
pode, portanto, ser usado.
Analogamente, podemos proceder assim para as demais iterações.
k +1
Teremos então na 1ª iteração e genericamente até a -ésima:
1
x1( k + 1) = (b1 − a12 x2( k ) − a13 x3( k ) − ............... − a1n xn( k ) )
a11
1
x2( k + 1) = (b2 − a21 x1( k + 1) − a23 x3( k ) − ............... − a2 n xn( k ) )
a22
............................................................................................
1
xn( k + 1) = (bn − an1 x1( k + 1) − an 2 x2( k + 1) − ............... − a1( n − 1) xn( k−)1 )
ann
Exemplo:
Seja o mesmo sistema anteriormente visto pelo método de Jacobi:
 2 x1 − x2 = 1

 x1 + 2 x2 = 3
Onde:
1
x1 = (1 + x2 )
2
1
x2 = ( 3 − x1 )
2
1ª Iteração:
1
x1( 1 ) = ( 1 + 0 ) = 0 ,5
2
1
x2( 1 ) = ( 3 − 0 ,5 ) = 1 ,25
2

2ª Iteração:
1
x1( 2 ) = (1 + 1,25) = 1,125
2
1
x2( 2 ) = ( 3 − 1,125) = 0,973
2
3ª Iteração:
1
x1( 3 ) = (1 + 0,9375) = 0,9690
2
1
x2( 3 ) = ( 3 − 0,9690) = 1,0160
2
4ª Iteração:
1
x1( 4 ) = (1 + 1,0160) = 1,008
2
1
x2( 4 ) = ( 3 − 1,008) = 0,996
2
5.4 Estudo da Convergência
Os métodos iterativos convergem sejam quais forem os valores iniciais adotados, desde
aij
que em cada uma das equações a soma dos valores absolutos dos seja menor que 1.
n aij
∑a < 1 para ( i = 1,2,........n)
j =1 ii
j≠i
ou:
n
∑ aij < a11 para ( i = 1,2,........n )
j =1
j≠i
Exemplo:
10 x1 + 2 x2 + x3 = 9
2 x1 + 20 x2 − 2 x3 = 44
− 2 x1 + 3 x2 + 10 x3 = 22

6 Decomposição LU
Inicialmente veremos em que condições podemos decompor uma matriz quadrada A = (aij)
no produto de uma matriz triangular inferior por uma matriz triangular superior.
6.1 Teorema LU
Seja A = (aij) um matriz quadrada de ordem n, e Ak o menor principal, constituído das k

primeiras linhas e k primeiras colunas de A assumimos que det (Ak) ≠ 0 para k = 1, 2,..., n
–1. Então existe uma única matriz triangular superior U = (uij) tal que LU = A. Além disso,
det (A) = u11u12...umn.
Prova
Para provar este teorema usaremos a indução sobre n.
1. Se n = 1, temos que: a11 = 1. a11 = 1.u11 unicamente, e assim A = LU, onde L =

1 e U = u11. Além disso, det (A) = u11.
2. Assumimos que o teorema é verdadeiro para n = k – 1, ou seja, que toda matriz de

ordem k – 1 é decomponível no produto LU nas condições do teorema.
3. Devemos mostrar que a decomposição pode ser feita para uma matriz de ordem n
= k, seja, então, A uma matriz de k. Partimos esta matriz em sub-matrizes da
 Ak −1 r 
forma: A =  st a kk  , onde r e s são vetores coluna, ambos com k

– 1 elementos.
Note que a matriz Ak – 1 é de ordem n k – 1 e satisfaz as hipóteses do teorema. Portanto

Ak −1 = Lk −1U k −1
pela hipótese de indução esta pode ser decomposta na forma
Utilizando as matrizes Lk-1 e Uk-1, formamos:
 Lk −1 0 U k −1 p 
L =  m t 1 ; U=  0 ukk 

Onde m e p são vetores coluna, ambos com k – 1 componentes (mt é a transposta de m).
m, p e ukk são desconhecidos. Assim, impondo que a matriz A seja decomponível em LU

vamos tentar determiná-los.

Efetuando o produto LU, segue que:
 Lk −1 0 U k −1 p   Lk −1U k −1 Lk −1 p 
LU =  t
L =  m t 1 * U=  0 
ukk  ⇒ m p + ukk 
t
  m U k −1
Estudemos agora a equação LU=A, isto é:
 Lk −1U k −1 Lk −1 p   Ak −1 r 
 m tU =
 k −1 m t p + ukk   s t a kk 
Da igualdade acima concluímos que:

Lk − 1U k − 1 Ak − 1
= ;
Lk − 1 p r
= ;
t
m U k −1 st
= ;
m t p + ukk a kk
= .
Observe que a primeira equação é válida para a hipótese de indução e, portanto Lk-1 e Uk-1
são univocamente determinadas. Além disso, nem Lk-1 e nem Uk-1 são singulares (ou Ak-1
também seria singular, contrariando a hipótese). Assim de:
Lk −1 p r ⇒ p = L−1 k −1 r ;
=
m t U k −1 st ⇒ m t = s t U − 1 k −1
=
m t p + ukk a kk ⇒ ukk = a kk − m t p
=
Portanto p, m e ukk são determinados univocamente.

Finalmente,
Det(A) = det(L).det(U)
Det(A) = 1.det(Uk-1).Ukk
Det(A) = u1.u2....uk-1.ukk, Completando a prova.

6.2 Esquema prático para a decomposição LU
Observe que teoricamente, para obtermos as matrizes L e U, devemos calcular as

inversões de Lk-1 e Uk-1. Entretanto, na prática podemos calcular L e U simplesmente
aplicando a definição de produto e de igualdade de matrizes, isto é, impondo que LU = A.
Seja então,
1 0 0 ... 0  u11 u12 u13 ... u13  α 11 α 12 α 13 ... α 1n 
l 0  0  α
 21 1 0 ...
 u22 u23 ... u23   21 α 22 α 23 ... α 2 n 
 l 31 l 32 1 . :  0 0 u33 ... u33  α 31 α 32 α 33 ... α 3n 
  *   =  
 : . .. 0  : .. :   : : : : : 
 l n1 l n2 ... l n( n−1) 1  0 ... ... 0 unn  α n1 α n2 α n3 ... α nn 

Para obtermos os elementos da matriz L e da matriz U devemos calcular os elementos das

linhas de U e os elementos das colunas de L. Isto pode ser feito efetuando o produto de L
por U.
1. Produto da 1ª linha de L pelas colunas de U igualadas aos elementos da 1ª coluna

de A
1.u11 + 0.0 + ...+ 0.0 = a11
1.u11 = a11 ⇒ u11 = a11
1.u12 = a12 ⇒ u12 = a12
..... ..... .... .... ....

1. u1n = a1n ⇒ u1n = a1n
Generalizando,
u1j = a1j, j = 1, 2, ...,n
2. Produto de todas as linhas de L (da 2ª até nª), pela 1ª coluna de U igualada com os
elementos da 1ª coluna de A (abaixo da diagonal principal):
a 21
l 21 u11 = a 21 ⇒ l 21 =
u11
a 31
l 31 u11 = a 31 ⇒ l 31 =
u11
... ... ... ...
a n1
l n1 u11 = a n1 ⇒ l n1 =
u11

Generalizando,
a i1
l i1 = , i = 2,..., n
u11
3. Produto da 2ª linha de L por todas as colunas de U (da 2ª até nª), igualadas aos
elementos de 2ª linha de A (da diagonal principal em diante)
l 21 u12 + 1.u22 + 0 * 0 + ... + 0 * 0 = a 22

l 21 u12 + u22 = a 22 ⇒ u22 = a 22 − l 21 u12
l 21 u13 + u23 = a 23 ⇒ u23 = a 23 − l 21 u13
... ... ... ...
l 21 u1n + u2 n = a 2 n ⇒ u2 n = a 2 n − l 21 u1n
Generalizando,
u2 j = a 2 j − l 21 u1 j , j = 3,...n
4. O produto de todas as linhas de L (da 3ª até a nª) pela 2ª coluna de U igualando

aos elementos da 2ª coluna de A (dada diagonal principal em diante):
a 32 − l 31U 12
l 31U 12 + l 32U 22 = a 32 ⇒ l 32 =
U 22
a 42 − l 41U 12
l 41U 12 + l 42U 22 = a 42 ⇒ l 42 =
U 22
a n 2 − l n1U 12
l n1U 12 + l n 2U 22 = a n 2 ⇒ l n 2 =
U 22
a i 2 − l i 2U 12
li2 = , i = 3,..., n
U 22
Se continuarmos calculando a 3ª linha de U, 3ª coluna de L, 4ª linha de U, 4ª coluna de L,

etc..., teremos de fórmulas gerais:

 i −1
 uij = a ij − ∑ l ik ukj , i≤ j
 k =1
 i −1

 a ij − ∑ l ik ukj
 l ij = k =1
, i> j
 u jj
Aplicação à solução de problemas
Seja o sistema Ax = b de ordem n, onde A satisfaz as condições da decomposição LU.

Então o sistema Ax = b pode ser escrito como:
Ax = b
Logo:
LUx = b
Fazendo
Ux = y
A solução se reduz a: Ly = b
Resolvendo o sistema anterior, encontramos y e substituindo y e m Ux = y encontramos x.

Exemplo de decomposição LU
Dado o sistema:
 2 x + 3y - z = 4

 x + 2z = 3
 3y - z = 2

Com esse sistema formamos duas matrizes
 2 3 − 1  4
1 0 2   3
A=   e B=  
0 3 − 1  2
Temos a fórmula Ax = B
Então fazemos A= L*U, Sendo:
L = Matriz Triangular inferior (lower) de diagonal unitária

U= Matriz Triangular Superior (upper)
 1 0 0  u11 u12 u13 

 l 21 1 0  0 u 22 u 23
L=   e U=  
 l 31 l 32 1  0 0 u 33
Multiplicando as matrizes L e U e igualando à matriz A, conseguimos obter todas as

incógnitas das matrizes L e U:
 1 0 0  u11 u12 u13   2 3 − 1

 l 21 1 0  0 u 22 u 23 1 0 2 
L=   * U=   = A=
 
 l 31 l 32 1  0 0 u 33 0 3 − 1

≤
# Primeira linha de L multiplicando a primeira coluna de U: (i j)
(1* u11) + (0 * 0) + (0 * 0) = a11
u11 + 0 +0= 2
u11 =2
≤
#Primeira linha de L multiplicando a segunda coluna de U: (i j)
(1* u12) + (u13 * 0) + (0 * 0) = a12
u12 + 0 +0= 3
u12 =3
≤
#Primeira linha de L multiplicando a terceira coluna de U: (i j)
1* u13) + (u23 * 0) + (u33 * 0) = a13
u13 + 0 +0= -1
u13 = -1
#Segunda linha de L multiplicando a primeira coluna de U: (i > j)
(l21 * u11) + (0 * 0) + (0* 0) = a21
2 l21 = 1
l21 = 1/2
≤
#Segunda linha de L multiplicando a segunda coluna de U: (i j)
(l21 * u12) + (u22 * 1) + (0* 0) = a22
(3 * ½) + u22 = 0
3/2 . u22 = 0
u22 = -3/2
≤
#Segunda linha de L multiplicando a terceira coluna de U: (i j)
(l21 * u13) + (1* u23) + (0 * u33) = a23
(1/2 *(-1)) + (u23 + 0) = 2
(-1/2* u23) + 0 = 2
u23 = 2 + l/2
4+1
u23 = 2
u23 = 5/2

#Terceira linha de L multiplicando a primeira coluna de U: (i > j)

(l31 * u11) + (l23* 0) + (0 * 0) = a31
(l31* 2) + 0 + 0 = 0
l31 = 0
#Terceira linha de L multiplicando a segunda coluna de U: (i > j)
(l31* u12) + (l32* u22) + 0 * 0 = a32
(0/2 * 3) + l32 - 3/2 + 0 = 3
(-3/2. l32) + 0 = 3
-3.l32 = 3*2
-3l32 = 6
l32= 6/3
l32 = 2
≤
#Terceira linha de L multiplicando a terceira coluna de U: (i j)
(l31* u13) + (l32* u23) + (1 * u33) = a32
(0/2 * 3) + 2 - 5/2 + u33 = -1
0-10/2 u33 = -1
u33 = -1+5
u33 = 4
Matriz Fatorada:
 1 0 0 2 3 −1  2 3 − 1
1 / 2 1 0  0 − 3 / 2 5 / 2 1 0 2 
L=   * U=   = A=  
 0 − 2 1 0 0 4  0 3 − 1
Voltando à fórmula Ax = B, como A = L* U obtemos LUx = B
Agora substituiremos Ux por Y e obtemos a fórmula LY = B, onde
 1 0 0 Y1   4
1 / 2 1 0    3
L=   * Y = Y2  = B =  
 0 − 2 1 Y3   2
Fazendo a multiplicação das matrizes (L e Y) e igualando à matriz B obtemos um Sistema

Triangular Inferior de diagonal unitária.

Resolvendo-o teremos:
Y1 = 4, Y2 = 1 e Y3 = 4
Como Ux = Y e os valores de U e Y já são conhecidos utilizaremos o mesmo

método utilizado para achar Y 1, Y2 , Y3 . Fazendo a multiplicação das matrizes U e X (X1,
X2, X3) e igualando à matriz Y, obtemos um SISTEMA TRIANGULAR SUPERIOR.
Resolvendo-o teremos:
2 3 −1  X1  Y1 
 0 − 3 / 2 5 / 2 X  Y 
U=   * X = 2 = Y = 2
0 0 4   X 3  Y3 
Donde:
X1 = 1 X2 = 1 X3 = 1
Tirando a Prova
Conforme a fórmula Ax = B, verificamos se os resultados obtidos X1, X2 e X3 satisfazem as

condições da mesma, para isso multiplicaremos as matrizes A e X e igualamos à matriz B.
Comparando os valores obtidos do produto AX com B, saberemos se encontramos a
solução correta.
 2 3 − 1  X1   4
1 0 2  X   3
A=   * X =  2 = B=  
0 3 − 1  X 3   2

Primeira Unidade Numerico

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Primeira Unidade Numerico

Uploaded by

Copyright:

Available Formats

Material sujeito a correções

1 ERROS NAS APROXIMAÇÕES NUMÉRICAS.....................................2

Prof. José Augusto Lucas Matos Página 1 de 55

1 ERROS NAS APROXIMAÇÕES NUMÉRICAS

Este último aspecto é de particular interesse no caso de computadores digitais.

O processo de solução de um problema físico, através de métodos numéricos, pode ser

Nas fases de modelagem e resolução podem ocorrer erros.

Ex.: Erro na fase de modelagem:

A variação no comprimento de uma barra de metal sujeita a certa variação de temperatura

Exemplo: Calcular a variação no comprimento de uma barra sujeita a 10º C de variação e

Os valores de α e β foram obtidos experimentalmente com precisão de 10-6.

1.1 Erros Absolutos

Normalmente como não conhecemos o valor de a, o erro absoluto é indeterminado.

Trabalhamos então com a cota superior ε do erro absoluto, isto é:

Assim, podemos dizer que:

a'− a ≤ ε ou a' - ε ≤ a ≤ a'+ε

e que a’ é valor aproximado de a com erro absoluto não superior a ε.

Ex.: Se a = 3.876,373 e só desejamos a parte inteira a’, o erro absoluto é:

∆a = a' − a = 0 ,373 ( 3.876 − 3.876 ,373 )

Prof. José Augusto Lucas Matos Página 3 de 55

1.2 Erros Relativos

Como normalmente o valor de a não é conhecido, e é próximo de a’, costuma-se calcular

Onde ε é uma adequada cota superior de erro absoluto.

A substituição de a por a’ no denominador é justificável se:

que é o caso normalmente encontrado na prática.

Como vemos, o efeito da aproximação de b é muito maior do que de a.

Considerando o erro relativo, teremos uma melhor visão deste efeito.

Prof. José Augusto Lucas Matos Página 4 de 55

1.3 Erro de Arredondamento

O arredondamento é feito, por exemplo, em computadores digitais que trabalham com um

Se por exemplo d = 5 e tivermos com um valor igual a: 2,73589 (algarismos significativos).

A diferença entre estes valores é o erro de Arredondamento.

Estes erros podem se propagar cumulativamente, podendo afetar o resultado final.

1.4 Ordem decimal de um algarismo:

Ex.: No número 2,718278, a ordem decimal do algarismo significativo de ordem 6 é -5,

Quando um número está representado na forma normalizada, a ordem decimal do

Forma Normalizada de um número é a sua representação:

0, a1, a2, a3,...ad . 10t

Onde d é o número de algarismos significativos e ai, i = (1, 2, ...,d) são os algarismos.

1.5 Algarismos significativos corretos

De fato, com a ordem decimal do algarismo significativo de ordem i é –i + t, então, com

Prof. José Augusto Lucas Matos Página 5 de 55

Para ambas existe coincidência até o algarismo significativo de ordem 1, no entanto só a

0,668543 – 0,666 = 0,00187633 > 0,5.10-3

O número 0,668543 só possui dois algarismos significativos corretos.

Aplicando a definição concluímos que a’ só tem dois algarismos significativos corretos.

Passando para a forma normalizada vem,

1.6 Cálculo dos erros absoluto e relativo:

Seja a =µ.10t, onde µ é a mantissa da forma normalizada de a.

Prof. José Augusto Lucas Matos Página 6 de 55

Devemos ter então pela fórmula (A)

a' − a = ∆ > 0 ,5 x10 − s + t

Então o algarismo significativo a’s é correto e, portanto, todos os de ordem inferior.

1. Fixar o número “d” de algarismos significativos para o cálculo.

2 + 1,5367 x 0 ,00337 − ( 0 ,201 )3

As operações na ordem em que devem ser efetuadas são:

Prof. José Augusto Lucas Matos Página 7 de 55

• multiplicamos inicialmente 0,201x0,201 = 0,040401, arredondamos o resultado para

• arredondamos inicialmente os fatores para: 1,54 e 0,00337

• arredondar o produto na ordem decimal -2 : (1,5367x0,00337 = 0,0051)

2 + 1 ,5367 x 0 ,00337 − 0 ,2013

• arredondar a potência na ordem decimal -2:

1,42 – 0,01 = 1,41

• - achar o logaritmo decimal de 2,00