Resolvendo sistema possível e indeterminado na prática
Quando você resolve um sistema linear e percebe que uma linha inteira de equações simplesmente desaparece no método de Gauss, isso não é erro. É um sistema possível e indeterminado. A coisa toda significa que as equações não são independentes e, portanto, o sistema tem infinitas soluções. Nada mais nada menos. A definição formal é simples: um sistema é possível e indeterminado quando a matriz dos coeficientes e a matriz ampliada têm o mesmo posto, mas esse posto é menor que o número de incógnitas. Na prática, isso se traduz em variáveis livres que você precisa parametrizar.
O que é sistema possivel e indeterminado
Vamos direto. Você tem um sistema como este: 2x + y - z = 4
x - y + 2z = 1
3x + 0y + z = 5
Aplicando Gauss, a terceira linha se torna tudo-zero. O posto da matriz dos coeficientes é 2, o posto da matriz ampliada também é 2, e o número de incógnitas é 3. Como 2 = 2 < 3, o sistema é possível e indeterminado. A solução geral fica expressa em função de um parâmetro livre, geralmente representado por z = ou t. No exemplo acima, depois de reduzir, chegamos a algo como x = 1 + e y = 2 - 3, onde é qualquer número real. Cada valor de gera uma tripla (x, y, z) que satisfaz todas as equações original. Verificação rápida: para = 0, temos (1, 2, 0). Para = 1, temos (2, -1, 1). Ambas as soluções funcionam. Isso se repete para qualquer .
Um detalhe que todo mundo erra: não confunda sistema possível e indeterminado com sistema impossível. No impossível, o posto da matriz ampliada é maior que o posto da matriz dos coeficientes — aparece uma linha do tipo 0 = k, onde k 0. No SPI, a linha que sobra é 0 = 0, que é sempre verdadeira. A diferença é mínima na aparência mas crítica na interpretação.
Como identificar e resolver passo a passo
O método padrão é a redução por Gauss ou escalonamento. Você transforma a matriz ampliada em forma escalonada e analisa os postos. Se os postos forem iguais e menores que o número de incógnitas, resolva o sistema expressando as variáveis pivotais em função das livres. Na hora de resolver, a variável que não corresponde a um pivô é a sua variável livre. Atribua um parâmetro a ela — , t, , o que for mais confortável — e resolva as demais por substituição retroativa. O resultado é um conjunto infinito de soluções parametrizado.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Uma armadilha comum: quando há mais de uma variável livre. Se o posto é 2 e são 4 incógnitas, você terá duas variáveis livres e a solução dependerá de dois parâmetros. Não tente forçar uma única resposta numérica. Aceite que a solução é uma família. Outro ponto: em sistemas homogêneos (todas as constantes iguais a zero), o sistema sempre é possível pois (0, 0, ..., 0) é sempre solução. Ele será indeterminado exatamente quando o posto for menor que o número de incógnitas, gerando infinitas soluções não-triviais além da solução nula.
Já me deparei com um problema prático onde a redução por Gauss pura ia bem até encontrar valores numericamente instáveis. Tinha um sistema 4x4 com coeficientes próximos de zeros em posições estratégicas. A forma escalonada clássica dava pivôs da ordem de 10¹, o que parecia certo mas gerava resultados numericalmente instáveis quando calculados com precisão finita. A solução foi aplicar eliminação com pivoteamento parcial, trocando linhas para garantir que o maior pivô disponível estivesse na posição de cálculo. Isso estabilizou a redução e os postos ficaram claros: posto 3 para matriz dos coeficientes e posto 3 para a ampliada, com 4 incógnitas. SPI confirmado, variável livre identificada corretamente. Sem pivoteamento, o resultado numérico era inútil.
Insights que não estão nos livros
O primeiro insight contraintuitivo: muitos estudantes acham que encontrar uma linha de zeros significa erro de cálculo. Não significa. Significa dependência linear entre as equações originais. A linha de zeros é informação, não falha. O segundo: a parametrização não é única. Você pode escolher qualquer variável livre, desde que seja uma que não tenha pivô. Diferentes escolhas geram formas algébricas diferentes da mesma família de soluções. Ambas estão corretas. O que importa é que cada valor do parâmetro produza uma solução válida para o sistema original.
Um limitação importante do método de Gauss tradicional: em contextos numéricos com float de precisão dupla, sistemas mal condicionados podem dar postos aparentes incorretos. Uma linha que deveria ser zero pode aparecer com valores na casa de 10¹. Nesses casos, use uma tolerância numérica — algo como |valor| < 10¹ — para decidir quando tratar algo como zero. Sem essa tolerância, você pode classificar erroneamente um SPI como impossível ou inconsistente. Se o sistema for muito grande e esparsa, Gauss puro se torna caro. Nesse cenário, métodos iterativos como Gauss-Seidel ou até decomposições especiais (como LU com sparse storage) são mais eficientes, embora a detecção de indeterminação fique menos direta. Para sistemas grandes com chance de SPI, uma análise prévia do posto via decomposição SVD é mais confiável, ainda que mais lenta.
Na prática de aula ou prova, o mais comum é encontrar SPI com uma variável livre. Treine a identificação rápida de postos e a parametrização. O resto é cálculo mecânico.
