Documente Academic
Documente Profesional
Documente Cultură
8
Facultad de Ingeniera de Minas, Geologa y Civil
Departamento acadmico de ingeniera de minas y civil
METODOS
NUMERICOS
Ingeniera Civil
1
Capitulo VI
Sistema de Ecuaciones
Algebraicas Lineales
Mtodos Iterativos
2
ING. CRISTIAN CASTRO
P.
( R 1)
Bx
(R)
C , R 0,1,2,.....
Donde:
(R)
x , x ,......, x
R
1
R
2
R
n
m
j
lim x mj x j , 1 j n
a 21 a 22
a
31 a32
a13
a 23
a33
x1 b1
x 2 b2
x b
3 3
1
2
3
De 1 tenemos que:
a 23
b2 a 21
x2
x1
x3
a 22 a 22
a 22
b3 a 31
a 32
x3
x1
x2
a 33 a 33
a 33
x2
x3
a11 a11
a11
(5)
0
x1
a 21
x2
x a 22
3 a 31
a
33
x
a12
a11
0
a 32
a 33
Bx
a13
a11
a 23
a 22
b1
x1 a11
b2
x2
x a 22
3 b3
a
33
(6)
10
x x
Si
es
el
vector
de
aproximacin
a
la
x
(R)
x R 1
1
R
R
x1 R 1 a11
R 1 1
R
R
x2
(b2 a 21 x1 a 23 x 3 )
R 1 a 22
x
3 1
R
R
(
b
a
x
a
x
3
31 1
32 2 )
a
33
12
n
1
R1
R
xi bi ai j x j , i 1,2,.....,n
aii
j 1
j i
13
x R 1
x iR 1
x1R 1 a11
R 1 1
x2
(b2 a 21 x1R 1 a 23 x 3R )
R 1 a 22
x3 1
R 1
R 1
(
b
a
x
a
x
)
3
31
1
32
2
a
33
n
i 1
1
R
R 1
b
a
x
a
x
i j
i ij
, 1 i n
a ii
j i 1
j 1
I
j i
14
Solucin:
x1
x2
x3
x4
x1
0 x1
0 x1
x2
4x2
x2
0x2
0 x3
x3
4 x3
x3
0x4
0x4
x4
4x4
1
1
1
1
x2 1
4 4
0
0 x1 1 / 4
1 x 1 x 3 x 1 0 1 / 4
0 1/ 4
0 x 2 1 / 4
4 4
4 x 2 1 / 4
1 x2 x4 x3 0 1 / 4
1/ 4
0 1 / 4 x3
4 4
4 x 4 0
0 x 4 1 / 4
0 1/ 4
1 x3
4 4
x
B
x
C
15
x 0,0,0,0
0
Mtodo de Jacobi
Para determinar x(1) reemplazamos x(0) en el sistema dado
ie
16
x12
x31
x14
x2 1
x1
4 4
0 0 1
x2
4 4 4
1 0 0
x3
4 4 4
1 0
x4
4 4
4
1
T
1 1 1 1
(1)
4
x , , ,
1
4 4 4 4
4
1
4
17
Determinando x(2)
x
2
1
x 22
x 32
x 42
1 1 5
1
2
3
x1 1
1 x2 0
4 4 16
4
1 6
6
1
1 1
3
1 4 1 x 2
T
5 5 5 5
4 4
16
4
( 2)
4 4
x
, , ,
1
1 1
1 6
6
16 16 16 16
3
x3
1 1
4
4 4
4 4
16
1 1
1 5
5
3
x4
1
4 4
4 6
16
18
R
1
R
2
R
3
x 4R
0.0000
0.0000
0.0000
0.0000
0.2500
0.2500
0.2500
0.2500
0.3125
0.3750
0.3750
0.3125
0.3438
0.4219
0.3555
0.4414
0.3604
0.4492
0.3223
0.4524
0.3631
0.4537
0.3634
0.4542
0.3635
0.4544
10
0.3636
0.4545
0.4545
0.3636
19
x R 1
1
R
R
R
R 1
b
a
x
a
x
a
x
1
12
13 3
14 4
x1
a
R 1 11
x2 1
R 1
b2 a 21 x1R 1 a 23 x 312 x 4R
x 3 a 22
x R 1 1
4
b3 a 31 x1R 1 a 32 x 3R 1
a 33
20
(1)
1
1
x 12
x 31
x 14
1
b4 a 41 x1R 1 a 42 x 2R 1 a 43 x 3R 1
a 44
1
(1 (0) 0)
x11
4
1
(1 1(1 / 4) 1(0))
x 12
4
1
(1 1(1 / 4) 1(5 / 16)) x 31
4
1
(1 0 0 25 / 14) x 14
4
4
5
1 5 25 89
1
16
x , , ,
25
4 12 64 256
64
89
256
21
Observacin:
La sucesin de vectores x (1) , x ( 2) , x (3) ,...., x ( R ) ,.... converge o se
aleja del vector solucin x x , x , x ,....., x
T
25
26
x4 2
2x1 x2 x3 x4 3
27
x 1 3 x 2 5 x 3 2 x 4 10
x1 8 x 3 4 x 4 15
x2
9
9
9
9
x 3 2 x1 2 x 2 x 3 x 4 3
x4
x2
2
28
K
0
K
1
x
0
K
2
x
0
K
3
x
0
K
4
x
0
|x
K 1
x |
0
K
17.62
159.0
1439.05
29
2
2
2 2
x1 8 x 3 4 x 4 15
x2
9
9
9
9
x1 3x 2 2 x 4 10
x3
5
5
5
5
x4
x2
2
x x1
K
1
x x2
K
2
Caso contrario se
alejan
x xn
K
n
30
K
1
K 1
2
K
2
K 1
n
K
n
31
| a
j 1
j j
ij
1 i n
y
| a ii |
a
i 1
i j
ij
1 j n
32
1.6. CONVERGENCIA
,
. 1.6. CONVERGENCIA
1.6.1. LONGITUD DE UN VECTOR
Supongamos x un vector en R2, su longitud denotado
por |x| es definido como un nmero positivo o cero.
33
1.6. CONVERGENCIA
Ejemplo: sea
determinar su norma
1.6. CONVERGENCIA
,
,
1.6. CONVERGENCIA
,
,
36
1.6. CONVERGENCIA
.
,
37
1.6. CONVERGENCIA
La norma Euclidiana se define:
Podemos observar que,
38
1.6. CONVERGENCIA
39
1.6. CONVERGENCIA
Mximo valor absoluto
1.6. CONVERGENCIA
La norma llamado generalmente norma infinito
41
1.6. CONVERGENCIA
1.6.4. DISTANCIA EN ENTRE VECTORES
, la
42
1.6. CONVERGENCIA
Ejemplo: Dado el sistema:
3.3330x1+ 1.5920x2 10.333x3 =15.913
2.2220x1+ 16.710x2 +9.6120x3 =28.544
1.5611x1+ 5.1791x2 +1.6852x3 =8.4254
Consideremos la solucin inicial,
,
usamos eliminacin de Gauss con Pivoteo parcial
usando aritmtica de cinco cifras con redondeo,
obtenemos la siguiente solucin:
43
1.6. CONVERGENCIA
Las dos medidas de la exactitud de aproximacin de
a x son:
44
1.6. CONVERGENCIA
Observamos que las componentes y son buenas
aproximaciones a x2 y a x3, y la primera componente es
una aproximacin muy pobre en trminos de distancias
de ambas normas.
Pues el trmino de distancia en Rn , es utilizada para
definir el limite de una sucesin de vectores.
Diremos que una sucesin de vectores
converge
a x con respecto a la norma ||*|| si dado
cualquier
existe un entero
tal que:
45
1.6. CONVERGENCIA
Ejemplo. Dada
la sucesin
definida:
Tenemos que,
Es as que para cualquier posemos encontrar un
numero entero de tal manera que para todos los
nmeros
46
1.6. CONVERGENCIA
son menores que lo que nos afirma esto es que la
sucesin
converge a
con respecto a la norma .
Los siguientes trminos son equivalentes:
La sucesin de vectores
, converge a x con respecto a
alguna norma.
La sucesin de vectores
, converge a x con respecto a
todas las normas.
El
,
la componente i-sima de x, para cada i
=1,2,..,n sucesin
de vectores , converge a x con
respecto a alguna norma.
47
1.6. CONVERGENCIA
1.6.5. NORMAS MATRICIALES
Una norma matricial en el espacio de matricial nxn es una
funcin de variable real
que verifica las siguientes
condiciones para todas las matrices A y B de dimensin
nxn y todos los nmeros reales
48
1.6. CONVERGENCIA
NORMA MATRICIAL MXIMO O SUBORDINADA
Es la norma , vectorial en Rn, la cual se le define sobre
el conjunto de todas las matrices de orden nxn as
49
1.6. CONVERGENCIA
Cuando n=2 su interpretacin grfica es:
3
1
Ax
1
x
-1
x1
-2
-1
x1
-1
-1
-3
50
1.6. CONVERGENCIA
Norma de una matriz
1
x
2
AX
-1
1
x
1
x1
-2
-1
-1
x1
-1
-2
51
1.6. CONVERGENCIA
Ejemplo: dada la matriz
Determinar
Solucin
52
53
Propiedades
1.
2.
3.
4.
Observemos que la propiedad 1 se refiere al orden de los
elementos, 2, y 3 indican que se pueden invertir.
54
55
(*)
56
57
(**)
58
59
60
En donde
61
62
63
Es decir tenemos:
input x(0), A, b, M
output 0, x(0)
for k=0,1,2,, M-1 do
.
output k+1, x(k+1)
end
64
66
67
68
69
Mtodo de SOR
MTODO DE RELAJACIN DE SOR
Este mtodo es muy similar al mtodo de Jacobi y Gauss-Seidel se
diferencia por usar una escala para reducir el error de aproximacin,
es una metodologa mas reciente, para determinar X(k) lo realiza con
el modelo:
70
Mtodo de SOR
Cuando 1<w
se le llama mtodo de sobrerrelajacin,
generalmente se le conoce como el metodo de SOR acrnimo del
ingles Successive Over Relaxation (Sobre relajacin sucesiva) se
utilizan para resolver sistemas lineales que aparecen en la
resolucin de ciertas ecuaciones en derivadas parciales.
Para determinar la forma matricial del mtodo de SOR rescribimos
la relacin anterior de la siguiente manera:
71
Mtodo de SOR
Ejemplo
72
Mtodo de SOR
Cuadro en 7 iteraciones
k
6.312500
2.6223145
3.133027
2.9570512
3.0037211
2.9963276
3.00004
3.5195313
3.9585266
4.0102646
4.0074838
4.0029250
4.0009262
4.00026
-6.6501465 -4.6004238
-5.0966863
-4.9734897
-5.0057135
-4.998282
-5.0004
73
Mtodos
Iterativos
Jacobi, Gauss Seidel, Relajacin
Jacobi, Gauss-Seidel,...
74
Introduccin
TABLA No. 1: Comparacin de las caractersticas de diversos mtodos alternativos para encontrar soluciones de ecuaciones algebraicas
lineales simultneas
MTODO
ESTABILIDAD
PRECISIN
RANGO DE
APLICACIN
GRFICO
---
Pobre
Limitado
---
---
Limitado
---
---
General
Moderada
Regla de Cramer
Eliminacin de Gauss
(con pivoteo paracial)
Descomposicin LU
Gauss_Seidel
Jacobi, Gauss-Seidel,...
---
Puede no converger si
no es diagonalmente
dominante
EXCELENTE
General
Apropiado solo para
sistemas
diagonalmente
dominantes
COMPLEJIDAD DE
LA PROGRAMACIN
Moderada
COMENTARIOS
Puede tomar ms
tiempo que el mtodo
numrico
Escesiva complejidad
de clculo para ms
de tres ecuaciones
Mtodo de eliminacin
preferido; permite el
clculo de la matriz
inversa
FCIL
75
Jacobi, Gauss-Seidel,...
76
Aplicaciones
Jacobi, Gauss-Seidel,...
77
Convergencia
Este criterio tambin se aplica a las ecuaciones lineales que se resuelven con el
mtodo de Gauss-Seidel. Por tanto, al aplicar este criterio sobre las ecuaciones de
Gauss-Seidel y evaluando con respecto a cada una de las incgnitas, obtenemos la
a 21
a12
expresin siguiente:
1
1
a 22
a11
Esto es, el elemento diagonal debe ser mayor que el elemento fuera de la diagonal
para cada regln de ecuaciones. La generalizacin
del criterio anterior para un
n
sistema de n ecuaciones es:
aii ai , j
j 1
j i
Jacobi, Gauss-Seidel,...
78
Convergencia (2)
Divergencia Seidel
70
Divergencia Jacobi
X1
X2
0.00
0.00
26.00
-11.00
39.00
20.78
1.44
36.67
-17.33
-9.23
36.91
-32.19
64.04
34.12
-14.32
67.27
-53.50
-28.50
59.68
-76.39
60
50
40
30
20
X2
Divergencia Seidel
X1
X2
0.00
0.00
26.00
0.00
26.00
20.78
1.44
20.78
1.44
-9.23
36.91
-9.23
36.91
34.12
-14.32
34.12
-14.32
-28.50
59.68
-28.50
59.68
61.95
-47.21
61.95
-47.21
-68.70
107.19
-68.70
107.19
120.01
-115.83 120.01
-115.83 -152.57
10
0
-20
-10
-10
10
20
30
40
50
60
70
-20
-30
-40
X1
Divergencia Jacobi
80
u : 11x1 13 x2 286
v : 11x1 9 x2 99
Jacobi, Gauss-Seidel,...
60
40
20
X2
0
-60
-40
-20
-20
20
40
60
80
-40
-60
-80
-100
X1
79
Convergencia Seidel
v : 11x1 9 x2 99
16
14
12
10
X2
Convergencia (3)
u : 11x1 13 x2 286
8
6
4
Jacobi, Gauss-Seidel,...
Convergencia Jacobi
X1
X2
0.00
0.00
9.00
22.00
27.00
14.38
20.77
-0.85
8.31
4.43
12.62
14.97
21.25
11.32
18.26
4.02
12.29
6.55
14.36
11.60
18.49
9.85
17.06
6.35
14.20
7.56
15.19
9.99
17.17
9.15
16.48
7.47
15.11
8.05
0
0
10
X1
15
20
25
Convergencia Jacobi
25
20
15
X2
Convergencia Seidel
X1
X2
0.00
0.00
9.00
0.00
9.00
14.38
20.77
14.38
20.77
4.43
12.62
4.43
12.62
11.32
18.26
11.32
18.26
6.55
14.36
6.55
14.36
9.85
17.06
9.85
17.06
7.56
15.19
7.56
15.19
9.15
16.48
9.15
16.48
8.05
15.59
8.05
15.59
8.81
10
0
0
10
15
20
25
30
-5
X1
80
Mtodo de Jacobi
Jacobi, Gauss-Seidel,...
81
Mtodo de Jacobi
Este mtodo se puede ilustrar usando las siguientes ecuaciones:
Jacobi, Gauss-Seidel,...
(1)
82
x1
( k 1)
x2
x3
( k 1)
( k 1)
b1 a12 x 2
a13 x3
a11
b2 a 21 x1 a 23 x3
a 22
(k )
b3 a31 x1 a32 x2
a33
(k )
(k )
(k )
(2)
Jacobi, Gauss-Seidel,...
83
84
Ejemplo 1:
x3
Jacobi, Gauss-Seidel,...
para
encontrar
b 2 a 21 x 1 a 23 x 3
x2
a 22
b 3 a 31 x 1 a 32 x 2
a 33
85
a11
x2
500 2 0 3 0
x1
17
x1 29,41176
a22
200 5 0 2 0
x2
21
x2 9,52381
b3 a31 x1 a32 x2
x3
a33
30 5 0 5 0
x3
22
x3 1,36364
Jacobi, Gauss-Seidel,...
86
b1 a12 x2 a13 x3
a11
x2
x3
b2 a21 x1 a23 x3
a22
b3 a31 x1 a32 x2
a33
30 5 29,41176 5 9,52381
22
x3 10,21263
x3
Jacobi, Gauss-Seidel,...
87
a
ax1
xr
nuevo
xr
xr
anterior
nuevo
30,77285 29,41176
100%
30,77285
ax1 4,423% 5%
100%
ax 2
16,65648 9,52381
100%
16,65648
ax 2 42,822% 5%
ax 3
10,21263 1,36364
100%
10,21263
ax 3 86,648% 5%
88
0,00000
0,00000
0,00000
29,41176
9,52381
1,36364
30,77285
16,65648
10,21263
4,423%
42,822%
86,648%
33,17358
17,82331
12,14303
7,237%
6,547%
15,897%
33,65151
18,57876
12,95384
1,420%
4,066%
6,259%
33,88347
18,76977
13,23415
0,685%
1,018%
2,118%
Se resaltan los datos donde los errores obtenidos son menores que 5%, se
logra un error aproximado porcentual menor en las tres incgnitas hasta
la quinta iteracin.
Jacobi, Gauss-Seidel,...
89
2 *(18,76977) 3 *(13,23415)
= 498,77703
+ 21 *(18,76977) 2 *(13,23415) = 198,27957
5 *(18,76977) + 22 *(13,23415) = 27,88513
Jacobi, Gauss-Seidel,...
ErrorEC2
200 - 198,27957
100% 0,10%
200
ErrorEC3
30 - 27,88513
100% 0,88%
30
90
Mtodo Gauss-Seidel
Jacobi, Gauss-Seidel,...
91
Mtodo Gauss-Seidel
92
b1 a12 x2 a13 x3
(k 1)
x1
a11
(k )
x2
(k 1)
( k 1)
1
b2 a21 x
a22
a23 x3
(k )
x3
( k 1)
(k )
(k 1)
1
b3 a31 x
a32 x2
(k 1)
a33
93
Ejemplo 2:
b 1 a 12 x 2 a 13 x 3
x1
a 11
x3
Jacobi, Gauss-Seidel,...
para
encontrar
b 2 a 21 x 1 a 23 x 3
x2
a 22
b 3 a 31 x 1 a 32 x 2
a 33
94
x1
2
a22
a11
500 2 0 3 0
17
x1 29,41176
x1
x3
200 5 29,41176 2 0
21
x2 16,52661
x2
b3 a31x1 a32 x2
a33
30 5 29,41176 5 16,52661
x3
22
x3 11,80418
Jacobi, Gauss-Seidel,...
95
96
b3 a31 x1 a32 x2
x3
a33
30 5 33,43916 5 18,60972
22
x3 13,19293
x3
Jacobi, Gauss-Seidel,...
xr
nuevo
xr
xr
nuevo
anterior
100 %
97
Una vez aplicado el clculo de error se determina que los valores son
superiores a la premisa inicial (a = 5%), determinndose que se
deben continuar las iteraciones hasta que se cumpla el criterio.
Iteracin
0
x1
x2
x3
a x1
a x2
a x3
0,00000
29,41176 16,52661
11,80418
1,445%
11,194%
10,526%
1,320%
1,257%
Se resaltan los datos donde los errores obtenidos son menores que
5%, se logra un error aproximado porcentual menor en las tres
incgnitas en la tercera iteracin
Jacobi, Gauss-Seidel,...
98
500
ErrorEC2
200 - 199,66404
100% 0,17%
200
ErrorEC3
30 - 30
100% 0,00%
30
Los resultados obtenidos son una aproximacin muy buena de los valores
Jacobi,verdaderos.
Gauss-Seidel,...
99
Jacobi, Gauss-Seidel,...
100
xi
xi
( xi
xi
xi
Jacobi, Gauss-Seidel,...
nuevo
xi
nuevo
(1 ) xi
anterior
02
101
b1 a12 x2 a13 x3
(k 1)
x1
a11
(k )
x2
(k 1)
( k 1)
b2 a21 x1
a22
a23 x3
(k )
x3
( k 1)
(k )
(k 1)
b3 a31 x1
a32 x2
(k 1)
a33
103
+ 12 X3
1 X2 1 X3
+ 8 X2
= 45
= 80
=-2
2
6
x3 45
8
Jacobi, Gauss-Seidel,...
104
ai ,i ai , j
j 1
j i
Jacobi, Gauss-Seidel,...
105
4 1 1 x1 2
6
x 45
8
2
5
12 x3 80
4 1 1
8 6
12 5
Jacobi, Gauss-Seidel,...
106
b1 a12 x2 a13 x3
a11
2 1 0 1 0
4
x1 0,50000
x1
x2
b2 a21 x1 a23 x3
a22
45 6 (0,50000)
x2
8
x2 6,00000
x3
b3 a31 x1 a32 x2
a33
80 5 (0,50000)
12
x3 6,45833
x3
107
b1 a12 x2 a13 x3
a11
2 1 6,0000 1 6,45833
x1
4
x1 2,61458
x2
b2 a21 x1 a23 x3
a22
45 6 (2,30313)
x2
8
x2 3,89766
x3
b3 a31 x1 a32 x2
a33
80 5 (2,30313)
12
x3 7,62630
x3
Jacobi, Gauss-Seidel,...
nuevo
x1
nuevo
nuevo
2,30313
x1
x1
x1
nuevo
(1 ) x1
anterior
x2
nuevo
x2
nuevo
4,10789
x3
nuevo
x3
nuevo
7,50951
108
a x2
a x3
7,50951
121,71%
46,06%
14,00%
3,85719
7,64879
3,81%
6,50%
1,82%
3,84289
7,65673
0,67%
0,37%
0,10%
Iteracin
x1
x2
x3
0,00000
0,00000
0,00000
-0,50000
6,00000
6,45833
2,30313
4,10789
2,39423
2,37827
Se resaltan los datos donde los errores obtenidos son menores que
5%, se logra un error aproximado porcentual menor en las tres
incgnitas en la cuarta iteracin
Jacobi, Gauss-Seidel,...
109
1 *(3,84289)
1 *(7,65673)
= -1,98655
6 *(2,37827)
+ 8 *(3,84289)
+ 0 *(7,65673)
= 45,01271
-5 *(2,37827)
+ 0 *(3,84289)
+ 12 *(7,65673)
= 79,98941
Jacobi, Gauss-Seidel,...
110
Comparacin de Mtodos
Jacobi, Gauss-Seidel,...
111
2 1
x1 124
1 2 1 x 4
1 2 x3 14
Jacobi, Gauss-Seidel,...
112
b a x a x
x1 1 12 2 13 3
a11
Jacobi...
(2)
b a x a x
x2
a
Iteracin
X1
xr
21 1
x3
23 3
a22
nuevo
x2
xr
xr
b3 a31x1 a32 x2
a33
anterior
100 %
nuevo
x3
a x1
a x2
a x3
0,00000
0,00000
0,00000
62,00000
2,00000
7,00000
63,00000
36,50000
8,00000
1,587%
94,521%
12,500%
80,25000
37,50000
25,25000
21,495%
2,667%
68,317%
80,75000
54,75000
25,75000
0,619%
31,507%
1,942%
89,37500
55,25000
34,37500
9,650%
0,905%
25,091%
89,62500
63,87500
34,62500
0,279%
13,503%
0,722%
93,93750
64,12500
38,93750
4,591%
0,390%
11,075%
94,06250
68,43750
39,06250
0,133%
6,301%
0,320%
96,21875
68,56250
41,21875
2,241%
0,182%
5,231%
10
96,28125
70,71875
41,28125
0,065%
3,049%
0,151%
Jacobi, Gauss-Seidel,...
113
Gauss-Seidel... (3)
x1
b1 a12 x2 a13x3
a11
x2
Iteracin
x1
xr
b2 a21x1 a23x3
a22
nuevo
xr
xr
x2
x3
b3 a31x1 a32 x2
a33
anterior
100 %
nuevo
x3
a x1
a x2
a x3
0,00000
62,00000
33,00000
23,50000
78,50000
53,00000
33,50000
21,019%
37,736%
29,851%
88,50000
63,00000
38,50000
11,299%
15,873%
12,987%
93,50000
68,00000
41,00000
5,348%
7,353%
6,098%
96,00000
70,50000
42,25000
2,604%
3,546%
2,959%
Jacobi, Gauss-Seidel,...
114
x1
b1 a12 x 2 a13 x3
a11
xi
nuevo
xi
nuevo
x2
b2 a 21 x1 a 23 x3
a 22
(1 ) xi
anterior
x3
xr
nuevo
b3 a31 x1 a32 x 2
a33
xr
xr
anterior
100 %
nuevo
= 1,20
Iteracin
x1
x2
x3
a x1
a x2
a x3
0,00000
0,00000
0,00000
62,00000
33,00000
23,50000
81,80000
58,98000
39,08800
24,205%
44,049%
39,879%
93,42800
70,11360
42,65056
12,446%
15,879%
8,353%
97,78256
72,63715
43,45218
4,453%
3,474%
1,845%
Jacobi, Gauss-Seidel,...
115
Comparacin de Mtodos(5)
Haciendo un resumen de los resultados obtenidos en la siguiente tabla:
Valores
Incgnita
verdaderos
Valores aproximados
Errores verdaderos
Iteraciones
Jacobi
Seidel
C/Relaj
Jacobi
Seidel
C/Relaj
X1
98,5
10
96,281
96,000
97,783
2,25%
2,54%
0,73%
X2
73,0
70,719
70,500
72,637
3,13%
3,42%
0,50%
X3
43,5
41,281
42,250
43,452
5,10%
2,87%
0,11%
116
Comparacin de Mtodos(6)
Jacobi, Gauss-Seidel,...
117
Comparacin de Mtodos(7)
Se observa que para las tres incgnitas con mtodo de Jacobi
los resultados son ms oscilantes y convergen de forma ms
lenta.
Por el Mtodo de Gauss-Seidel se da una convergencia
relativamente rpida.
Si al Mtodo de Gauss-Seidel le aplicamos relajacin la
convergencia es mucho ms rpida hacia los valores
verdaderos.
Jacobi, Gauss-Seidel,...
118
Algoritmos
Jacobi, Gauss-Seidel,...
119
Algoritmos
Jacobi, Gauss-Seidel,...
120
Algoritmo Jacobi
For k=1,2,
For i=1,2,, n
xi=0
For j=1,2,,i-1,i+1,,n
End xi xi aij X kj 1
End xi (bi xi ) / aii
End
xk x
1
(k)
xi
a ii
Jacobi, Gauss-Seidel,...
( k 1)
b i - ai , j x j
j i
121
Algoritmo Gauss-Seidel
For k=1,2,
For i=1,2,, n
sum=0
For j=1,2,,i-1,
k
sum
sum
a
X
ij
j
End
For j=i+1,,n
End
sum sum aij X kj 1
End
End
k
k 1
bi aij x j aij x j
j 1
j i 1
k
xi
aii
Jacobi, Gauss-Seidel,...
122
k
sum
sum
a
X
ij
j
End
For j=i+1,,n
Endsum sum a X k 1
ij
j
End
k
End xi (bi sum) / aii
k
k 1
k 1
xi xi ( xik xi )
x
k
i
Jacobi, Gauss-Seidel,...
i 1
bi aij x aij x
aii
j 1
j i 1
k
j
k 1
j
1 X i
123
Sntesis
Los mtodos iterativos son ptimos para grandes sistemas y
son mejor aprovechados cuando se tienen matrices esparcidas.
Estos mtodos iterativos estn basados en el concepto de punto
fijo, es decir ( xi = gi (x), i = 1.. n), para resolver sistemas de
ecuaciones lineales.
Para garantizar la convergencia se debe de cumplir que el
sistema tenga una diagonal dominante, es decir que se cumpla
la desigualdad siguiente, si se cambio el orden de las
ecuaciones esta puede divergir
n
a ii a ij
i 1
j i
Jacobi, Gauss-Seidel,...
124
Sntesis
125
Desplazamiento
simultneo
Primera iteracin
Segunda iteracin
Gauss-Seidel
Jacobi, Gauss-Seidel,...
Iterativo de Jacobi
Muchas Gracias
127