Quanto aos métodos iterativos para solução de sistemas lineares, podemos afirmar que:
  • Convergem apenas se a matriz dos coeficientes é estritamente diagonal dominante.
  • São particularmente úteis quando a matriz dos coeficientes é esparsa;
  • Convergem sempre que houver solução para o sistema linear;
  • Produzem soluções exatas;
  • Convergem apenas se a matriz dos coeficientes for bem condicionada;

Passo 1

O enunciado pede que avaliemos a veracidade das cinco afirmações sobre métodos iterativos para resolver sistemas lineares. As afirmações são (copiadas tal como foram dadas):
  1. Convergem apenas se a matriz dos coeficientes é estritamente diagonal dominante.
  2. São particularmente úteis quando a matriz dos coeficientes é esparsa.
  3. Convergem sempre que houver solução para o sistema linear.
  4. Produzem soluções exatas.
  5. Convergem apenas se a matriz dos coeficientes for bem condicionada.
O que é pedido: dizer quais dessas afirmações são verdadeiras e quais são falsas. Não há dados numéricos adicionais; trata-se de avaliar propriedades teóricas dos métodos iterativos.

Passo 2

Entender o critério de convergência geral dos métodos iterativos (a peça central da explicação).
  • Um método iterativo linear escreve a iteração na forma de ponto fixo
x^{(k+1)} = M x^{(k)} + c,
onde M é a chamada matriz de iteração (depende do método escolhido, por exemplo Jacobi, Gauss–Seidel, SOR, etc.) e c é um vetor. Essa é a forma padrão de qualquer iteração linear.
  • Teorema-chave (condição necessária e suficiente para convergência): a iteração converge para a solução do sistema para qualquer chute inicial x^{(0)} se, e somente se,
\rho(M) < 1,
onde \rho(M) é o raio espectral de M, isto é, o máximo dos módulos dos autovalores de M.
  • Definição do raio espectral: \rho(M)=\max\{|\lambda|:\lambda\\ \text{é autovalor de }M\}.é
  • Intuição: se \rho(M)<1, potências de M tendem a zero ( M^k\to 0) e a série geométrica convergente garante que a iteração aproxima a solução; se \rho(M)\ge 1 a iteração geralmente diverge ou não se estabiliza.
Vou usar isso sempre: convergência ⇔ \rho(M)<1. Agora mostro como isso se relaciona com cada afirmação.

Passo 3

Analisando a afirmação 1: “Convergem apenas se a matriz dos coeficientes é estritamente diagonal dominante.”
  • Primeiro explico o que é estrita dominância diagonal por linhas: uma matriz A=(a_{ij}) é estritamente diagonal dominante por linhas se, para todo i,
|a_{ii}| > \sum_{j\ne i} |a_{ij}|.
  • Por que algumas pessoas pensam assim: para métodos simples como Jacobi e Gauss–Seidel existe um teorema clássico que diz que se A é estritamente diagonal dominante por linhas então tanto Jacobi quanto Gauss–Seidel convergem. Ou seja, a dominância diagonal é uma condição suficiente para convergência desses métodos.
  • Mas atenção importante (o ponto crítico): “apenas se” significa condição necessária. A dominância diagonal é SUFICIENTE, mas não NECESSÁRIA. Existem muitas matrizes que não são estritamente diagonalmente dominantes e, mesmo assim, métodos iterativos (p.ex. Gauss–Seidel ou métodos de Krylov) convergem.
  • Exemplo/construção ilustrativa (contraexemplo de necessidade): considere uma matriz simétrica definida positiva que não seja estritamente diagonal dominante em todas as linhas; por exemplo
A=\begin{pmatrix}1 & 1\\[4pt] 1 & 1{,}5\end{pmatrix}.
Aqui a primeira linha tem |a_{11}| = 1 e \sum_{j\ne1}|a_{1j}|=1, logo não é estritamente dominante na primeira linha. Ainda assim A é simétrica definida positiva (os menores principais são positivos) e sabe-se que Gauss–Seidel converge para qualquer sistema com A simétrica definida positiva. Portanto não é verdade que a convergência só ocorre quando há dominância estrita.
  • Conclusão sobre a afirmação 1: falsa. (Dominância estrita é uma condição útil e simples de verificar que garante convergência para certos métodos, mas não é a única situação em que os métodos convergem.)]

Passo 4

Analisando a afirmação 2: “São particularmente úteis quando a matriz dos coeficientes é esparsa.”
  • O que é matriz esparsa: matriz com a grande maioria dos elementos iguais a zero. Em problemas grandes (p.ex. discretizações de PDEs, malhas em engenharia) as matrizes têm O(n) entradas não nulas em vez de O(n^2).
  • Por que métodos iterativos são úteis para esparsidade:
    • Cada iteração normalmente exige apenas produtos matriz-vetor A v. Se A for esparsa, esse produto custa proporcional ao número de entradas não nulas (nnz), que pode ser muito menor que n^2.
    • Métodos diretos (LU, eliminação de Gauss) tendem a gerar preenchimento (“fill-in”) e a exigir memória e tempo grandes para matrizes muito grandes e esparsas; já os iterativos evitam esse preenchimento e só acessam as entradas não nulas.
    • Métodos de Krylov (CG, GMRES, BiCGSTAB, etc.) são projetados para grandes sistemas esparsos e possuem ótimo custo por iteração e por armazenamento.
  • Conclusão sobre a afirmação 2: verdadeira. Iterativos são particularmente indicados para matrizes esparsas.

Passo 5

Analisando a afirmação 3: “Convergem sempre que houver solução para o sistema linear.”
  • Ter solução (existência) do sistema Ax=b não implica nada automático sobre o raio espectral da matriz de iteração M. Convergência depende de \rho(M), que depende da decomposição escolhida (p.ex. Jacobi, Gauss–Seidel, SOR) e das propriedades de A, não apenas da existência de solução.
  • Contraexemplo conceitual simples: podemos ter um sistema com solução única (matriz A invertível), mas escolher uma iteração cujo M tem \rho(M)\ge1. Nesse caso, a iteração diverge apesar do sistema ter solução única. Por exemplo, se a diagonal de A for muito pequena comparada aos termos fora da diagonal, a iteração de Jacobi pode ter \|D^{-1}(L+U)\|\ge1 e não convergir.
  • Portanto a existência de solução não garante convergência de um método iterativo específico.
  • Conclusão sobre a afirmação 3: falsa.

Passo 6

Analisando a afirmação 4: “Produzem soluções exatas.”
  • Em geral, métodos iterativos produzem aproximações sucessivas x^{(k)} que tendem à solução verdadeira quando convergem. Na prática usamos um critério de parada (resíduo \|Ax^{(k)}-b\| pequeno, ou diferença entre iterações pequena) e aceitamos uma aproximação dentro de tolerância.
  • Observação técnica importante (caveat): alguns métodos de Krylov (por exemplo Conjugate Gradient para matrizes simétricas definidas positivas) têm a propriedade teórica de atingir a solução exata em, no máximo, \,n iterações em aritmética exata (onde n é a dimensão do sistema), porque eles constroem subespaços de Krylov e a solução é alcançada em um subespaço de dimensão finita. Porém:
    • Isso é em aritmética exata (sem erros de arredondamento). Na prática, devido a erros numéricos de ponto flutuante, eles raramente retornam a solução exata em n passos e, mesmo que retornassem, isso pode ser impraticável para n grande.
    • A grande maioria dos usos dos métodos iterativos visa aproximar a solução com custo menor do que um método direto, não obter “exatidão” no sentido de números exatos.
  • Conclusão sobre a afirmação 4: em sentido geral é falsa (produzem aproximações). A afirmação seria enganosa sem o contexto do caso teórico especial; portanto consideramos a afirmação como falsa.

Passo 7

Analisando a afirmação 5: “Convergem apenas se a matriz dos coeficientes for bem condicionada.”
  • O condicionamento (número de condição \kappa(A)=\|A\|\|A^{-1}\| para alguma norma) mede sensibilidade da solução a perturbacões nos dados; um \kappa(A) grande indica que pequenas perturbações em b ou erros de arredondamento podem causar grandes variações em x.
  • Relação com métodos iterativos:
    • O condicionamento afeta tipicamente a velocidade de convergência e a precisão alcançável: sistemas mal condicionados tendem a causar convergência mais lenta e maior sensibilidade a ruído/erros numéricos.
    • Contudo, mal condicionamento não impede necessariamente convergência: dependendo do método e das propriedades da matriz de iteração M, pode-se ter \rho(M)<1 mesmo com A mal condicionada. Em suma, condicionamento influencia o desempenho (taxa de convergência e estabilidade numérica), mas não é uma condição necessária para convergência.
    • Além disso, técnicas de pré-condicionamento são precisamente usadas para melhorar o condicionamento efetivo visto pelo método iterativo e acelerar a convergência.
  • Conclusão sobre a afirmação 5: falsa. A matriz não precisa ser “bem condicionada” para que exista convergência; porém bom condicionamento (ou pré-condicionamento) geralmente torna a convergência muito mais prática.

Passo 8

Resumo rápido e motivacional (pra você lembrar na hora da prova):
  • Regra prática: verifique o raio espectral da matriz de iteração ou use condições suficientes conhecidas (dominância diagonal, simetria definida positiva, propriedades de M) para garantir convergência.
  • Lembre que métodos iterativos são sua arma quando A é grande e esparsa; eles dão aproximações sucessivas e você controla a precisão com critério de parada.
  • Não confunda condições suficientes com necessárias: “apenas se” é quase sempre armadilha em questões teóricas.

Resposta

(1) Falso
(2) Verdadeiro
(3) Falso
(4) Falso
(5) Falso

Exercícios relacionados