# Sistemas de equações lineares e método de Gauss

Escrever sistemas como AX = B, eliminar por Gauss, classificar pela característica e resolver um sistema 3x3.

Página: https://resumos.rgo.pt/cadeiras/alga/sistemas-lineares/

Um sistema de equações lineares é o problema mais concreto da cadeira: várias equações do primeiro grau nas mesmas incógnitas, para resolver em simultâneo. O método de Gauss resolve qualquer sistema destes de forma mecânica, e a leitura correta do resultado final diz-te se há uma solução, infinitas ou nenhuma.

## Do sistema à matriz

Um sistema de $m$ equações a $n$ incógnitas escreve-se como

$$
\begin{cases} a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n = b_1 \\ a_{21}x_1 + a_{22}x_2 + \dots + a_{2n}x_n = b_2 \\ \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \dots + a_{mn}x_n = b_m \end{cases}
$$

e condensa-se na forma matricial $AX = B$, onde $A$ é a **matriz dos coeficientes** ($m \times n$), $X$ é a coluna das incógnitas e $B$ é a coluna dos termos independentes. Para trabalhar, juntamos as duas na **matriz ampliada** $[A \mid B]$, que é onde o método de Gauss atua.

Exemplo com três equações e três incógnitas:

$$
\begin{cases} x + y + z = 6 \\ 2x - y + z = 3 \\ x + 2y - z = 2 \end{cases} \qquad [A \mid B] = \begin{bmatrix} 1 & 1 & 1 & \mid & 6 \\ 2 & -1 & 1 & \mid & 3 \\ 1 & 2 & -1 & \mid & 2 \end{bmatrix}.
$$

Resolver o sistema é encontrar todos os $(x, y, z)$ que satisfazem as três equações ao mesmo tempo.

## O método de Gauss

A ideia é transformar a matriz ampliada noutra equivalente (com as mesmas soluções) mas em **escada de linhas**: cada linha não nula começa com um 1 (o **pivô**), cada pivô está à direita do pivô da linha anterior e as linhas nulas ficam em baixo. Só podes usar três **operações elementares**, porque são as únicas que preservam o conjunto das soluções:

1.  trocar duas linhas;
2.  multiplicar uma linha por um escalar não nulo;
3.  somar a uma linha um múltiplo de outra linha.

Vamos eliminar no exemplo. Subtraímos o dobro da linha 1 à linha 2 e a linha 1 à linha 3:

$$
\begin{bmatrix} 1 & 1 & 1 & \mid & 6 \\ 0 & -3 & -1 & \mid & -9 \\ 0 & 1 & -2 & \mid & -4 \end{bmatrix}.
$$

Trocamos as linhas 2 e 3 para ter um pivô mais simples e eliminamos por baixo:

$$
\begin{bmatrix} 1 & 1 & 1 & \mid & 6 \\ 0 & 1 & -2 & \mid & -4 \\ 0 & 0 & -7 & \mid & -21 \end{bmatrix}.
$$

A última linha diz $-7z = -21$, logo $z = 3$. Subindo: $y - 2 \cdot 3 = -4$, logo $y = 2$; e $x + 2 + 3 = 6$, logo $x = 1$. A solução é $(x, y, z) = (1, 2, 3)$, que podes confirmar por substituição direta nas três equações originais.

Escolhe bem o pivô

Antes de eliminar uma coluna, vê se há uma troca de linhas que ponha um $1$ ou um $-1$ no lugar do pivô. Evitas frações desde o início e a conta fica muito mais curta. Só não podes trazer uma linha nula para cima nem multiplicar por zero.

## Característica e classificação

A **característica** de uma matriz, $\operatorname{car}(A)$, é o número de linhas não nulas da sua forma em escada, ou seja, o número de pivôs. Para classificar um sistema, compara-se a característica da matriz dos coeficientes com a da matriz ampliada:

*   se $\operatorname{car}(A) = \operatorname{car}([A \mid B]) = n$ (número de incógnitas), o sistema é **possível e determinado**: tem exatamente uma solução;
*   se $\operatorname{car}(A) = \operatorname{car}([A \mid B]) < n$, o sistema é **possível e indeterminado**: tem infinitas soluções, com $n - \operatorname{car}(A)$ variáveis livres;
*   se $\operatorname{car}(A) < \operatorname{car}([A \mid B])$, o sistema é **impossível**: não tem solução.

No exemplo, ambas as características valem 3, igual ao número de incógnitas: sistema possível e determinado, como a solução única confirmou.

Dois casos pequenos para fixar a leitura. O sistema $x + y = 1$ com $2x + 2y = 2$ tem ampliada $\begin{bmatrix} 1 & 1 & \mid & 1 \\ 0 & 0 & \mid & 0 \end{bmatrix}$: característica 1 de ambos os lados, uma variável livre, infinitas soluções da forma $(1 - t, t)$. Já $x + y = 1$ com $x + y = 2$ dá $\begin{bmatrix} 1 & 1 & \mid & 1 \\ 0 & 0 & \mid & 1 \end{bmatrix}$: a segunda linha lê-se $0 = 1$, impossível. Uma linha $[0 \;\; 0 \;\; \dots \;\; 0 \mid b]$ com $b \neq 0$ é sempre o sinal de impossibilidade.

Um sistema com $B = 0$ diz-se **homogéneo**. Nunca é impossível, porque $(0, 0, \dots, 0)$ resolve-o sempre (a **solução trivial**). Tem outras soluções além da trivial exatamente quando $\operatorname{car}(A) < n$. Em particular, um sistema homogéneo com mais incógnitas do que equações tem sempre soluções não triviais.

## Sistemas com um parâmetro

Quando os coeficientes dependem de um parâmetro, a classificação muda com ele. Considera

$$
\begin{cases} x + ky = 1 \\ kx + y = 1 \end{cases}
$$

com $k \in \mathbb{R}$. O determinante da matriz dos coeficientes é $1 \cdot 1 - k \cdot k = 1 - k^2$, que se anula exatamente para $k = 1$ e $k = -1$.

*   Se $k \neq 1$ e $k \neq -1$, o determinante é não nulo: sistema possível e determinado, com solução única dada por Cramer.
*   Se $k = 1$, as duas equações são $x + y = 1$: a segunda repete a primeira. Sistema possível e indeterminado, com soluções $(1 - t, t)$.
*   Se $k = -1$, as equações são $x - y = 1$ e $-x + y = 1$. Somando-as obténs $0 = 2$: sistema impossível.

A estratégia geral é esta: calcula o determinante em função do parâmetro, resolve os casos duvidosos um a um e só no fim declara cada classificação.

## Verificar com um programa

O programa seguinte aplica eliminação de Gauss com pivotagem parcial ao exemplo desta página e imprime a solução. Corre-o e confirma que obténs $(1, 2, 3)$; depois muda os coeficientes para um dos teus exercícios e compara com a tua resolução à mão.

```python
def gauss(a, b):
    n = len(a)
    m = [row[:] + [val] for row, val in zip(a, b)]
    for col in range(n):
        piv = max(range(col, n), key=lambda r: abs(m[r][col]))
        m[col], m[piv] = m[piv], m[col]
        assert m[col][col] != 0, "sistema sem solucao unica"
        for row in range(n):
            if row != col and m[row][col] != 0:
                f = m[row][col] / m[col][col]
                for k in range(col, n + 1):
                    m[row][k] -= f * m[col][k]
    return [m[i][n] / m[i][i] for i in range(n)]

a = [[1, 1, 1], [2, -1, 1], [1, 2, -1]]
b = [6, 3, 2]
print([round(v, 9) for v in gauss(a, b)])
```

## O que costuma correr mal

*   Fazer operações que não são elementares, como multiplicar duas linhas entre si ou somar a coluna dos termos independentes a uma coluna de coeficientes.
*   Esquecer a coluna $B$ durante a eliminação, ou aplicá-la só a algumas linhas. Leva-a sempre contigo até ao fim.
*   Declarar um sistema impossível por veres zeros à esquerda sem olhar para a última coluna: $[0 \;\; 0 \mid 0]$ é uma equação redundante, só $[0 \;\; 0 \mid b \neq 0]$ é contradição.
*   Contar mal as variáveis livres: são $n - \operatorname{car}(A)$, não o número de zeros que vês na matriz.