Catedra Metodos Numericos 2013 Unsch 08

CATEDRA 0
8
Facultad de Ingeniera de Minas, Geologa y Civil
Departamento acadmico de ingeniera de minas y civil
METODOS
NUMERICOS
Ingeniera Civil
1
ING. CRISTIAN CASTRO P.
Capitulo VI
Sistema de Ecuaciones
Algebraicas Lineales
Mtodos Iterativos
2
ING. CRISTIAN CASTRO
P.
1.5 . MTODOS ITERATIVOS DE SOLUCIN

Debemos resaltar que lo mtodos vistos hasta la
actualidad para solucionar sistemas de ecuaciones
algebraicas
lineales
son
muy
caros
computacionalmente.
Estos mtodos exigen una memoria de mquina
proporcional al cuadrado del orden de la matriz de
coeficiente A.
De igual manera se producen grandes errores de
redondeo como consecuencia del nmero de
operaciones.
3

Debemos mencionar que en estos mtodos necesitan
tener una aproximacin inicial de la solucin y no
esperamos tener una solucin exacta aun cuando
todas las operaciones se realicen utilizando una
aritmtica exacta. Pero podemos decir que en muchos
casos son mas efectivos que los mtodos directos por
requerir mucho menos esfuerzo computacional y sus
errores se reducen, esto es cierta cuando la matriz es
dispersa es decir cuando la matriz tienen un alto
porcentaje de elementos nulos
4

Estos mtodos en mencin son ms efectivos que los
vistos anteriormente y han permitido solucionar sistemas
de hasta 1000 ecuaciones y variables a un ms, sistemas
que se presentan en la solucin numrica de ecuaciones
diferenciales parciales (EDP).
Supongamos que tenemos el sistema
Ax = b
(1)
Luego podemos escribir como:
Ax b = 0
(2)
Que es una ecuacin vectorial que se puede escribir as:
f (x) = 0
(3)
5

El propsito es buscar una matriz B y su vector C de tal
forma que la ecuacin vectorial es la siguiente:
x=Bx+C
(4)
Sea un arreglo de la ecuacin (1) ie que la solucin de una
ecuacin sea tambin solucin de la otra ecuacin, luego
se propone lo siguiente:
Primero: Proponer un vector inicial x(0) como la primera
aproximacin al vector solucin x
Segundo: calcular la sucesin de vectores que son
soluciones aproximadas
x (1) , x ( 2 ) , x (3) , x ( 4) ,....., x vector solucin
6

Usando:
( R 1)
Bx
(R)
C , R 0,1,2,.....
Donde:
(R)
x , x ,......, x
R
1
R
2
R
n

Observacin:
1. Para que la sucesin de soluciones converja a x
vector solucin es necesario que x mj , 1 j n se
aproxime al vector x , 1 j n decir x x , 1 j n sean
menores que un valor pequeo fijado previamente
y que se mantengan menores para todos los
vectores siguientes de la iteracin. Es decir:
j
m
j
lim x mj x j , 1 j n
2 La forma como llegar a la ecuacin x = Bx + C se

define al algoritmo y su convergencia.
8

. Sea dada el sistema
a11 a12
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
Con a11 0, a22 0, a33 0

a13
b1 a12
x1
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

Una vez que es determinada la ecuacin (6) se
propone un vector inicial x(0) que puede ser x(0) =
0 cero o algn otro vector que sea aproximado
al vector solucin x.
Para determinar la sucesin buscada de solucin
iterativo tenemos dos formas:
Mtodo de Jacobi (Desplazamiento simultaneo)
Mtodo de Gauss Seidel (Desplazamiento
sucesivo)
11

1.5.1. MTODO DE DESPLAZAMIENTO SIMULTNEO DE
x
JACOBI
x x
Si
es
el
vector
de
aproximacin
a
la
x
solucin x despus de R iteraciones, entonces,

tendremos la siguiente aproximacin
R
(R)
x R 1
1
R
R
(b1 a12 x 2 a13 x 3 )
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
Fenmeno que se puede generalizar para n ecuaciones
n
1
R1
R
xi bi ai j x j , i 1,2,.....,n
aii
j 1
j i
13

1.5.2. MTODO GAUSS SEIDEL DESPLAZAMIENTO
SUCESIVO
Este mtodo se diferencia del anterior en que los valores
que se van calculando en la (R + 1) sima iteracin se
usan para calcular los valores restantes de esa misma
interaccin ie
1
x R 1
x iR 1
(b1 a12 x 2R a12 x 3R )
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

Ejemplo: 4 x
1
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

Valor Inicial
Cuando no tenemos una aproximacin inicial del vector
solucin, se usa como vector inicial el vector cero, ie
x 0,0,0,0
0
Mtodo de Jacobi
Para determinar x(1) reemplazamos x(0) en el sistema dado
ie
16

Para determinar x(1) reemplazamos x(0) en el sistema dado
ie
1
1
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

Mtodo de Gauss Seidel
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

Determinacin del
x
(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
Cuando se detendr el proceso iterativo

Rpta: Si la sucesin converge a la solucin x caso
esperado que los componentes de x(R) converjan a sus
elementos
22

ALGORITMO DE LOS MTODOS DE JACOBI GAUSS
SEIDEL
Para solucionar el sistema de Ax = b
Datos: Nmero de ecuaciones N
La matriz de coeficientes A
El vector de trminos independientes b
El vector inicial x
El nmero de iteracin MATIZ
El valor de Eps. y M = 0 para usar Jacobi y M 0 para usar Gauss
Seidel obtenemos la solucin aproximada x y el nmero de
iteraciones K o el mensaje No se alcanz la convergencia
23

Paso1: Arreglar la matriz aumentada de manera que la matriz
coeficiente quede lo ms cercano posible a la diagonal dominante
Paso2: Hace K = 1
Paso3: Mientras K Maxit repetir los pasos 4 a 18
Paso4: Si M = 0 ir al paso 5 de otro modo hacer x = x
Paso5: Hacer I = 1
Paso6: Mientras I N repetir los pasos 7 al 14
Paso7: Hacer suma = 0
Paso8: Hacer J = 1
Paso9: Mientras J N, repetir los pasos 10 a 12
Paso10: Si J = I ir al paso 12
24

Paso11: Hacer suma = suma + A(IJ) * x(J)
Paso12: Hacer J = J + 1
Paso13: Si M = 0 hacer
x(J) = -(b(J) - suma)/A(JJ)
de otro modo hacer
x(I) = (b(J) suma)/A(JJ)
Paso14: Hacer I = J + 1
25

Paso15: Si |x x| Eps. Ir al paso 19
de otro modo hacer
Paso16: Si M = 0, hacer x = x
Paso17: Hacer K = K + 1
Paso18: Imprimir mensaje No se alcanz la convergencia,
el vector x, MAXIT
Paso19:
Imprimir el mensaje Vector Solucin, x, K y
el mensaje iteraciones terminada
26

Ejemplo:
Resolver el siguiente sistema con el mtodo de Gauss
Seidel con E = 10-2 aplicando a |xK+1 xK|
x1 3x2 5x3 2x4 10

x1 9x2 8x3 4x4 15
x2
x4 2
2x1 x2 x3 x4 3
27
Resolviendo: x1 de (1) x2 de (2) x3 de (4) y x4 de (3)
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

Si x0 = (0, 0, 0, 0)T : determinamos:
K
0
K
1
x
0
K
2
x
0
K
3
x
0
K
4
x
0
1 10.0000 2.7778 14.222 0.7778

2 67.9889 18.172 121.2 20.17
3 631.1
170.2 1108.0 168.71
|x
K 1
x |
0
K
17.62
159.0
1439.05
29

EL proceso diverge: Luego podemos arreglar las
ecuaciones para despejar los diferentes xi y, que
despejadas sean distintas, para aplicar el teorema se debe
tener solo en cuenta una aproximacin pues caso contrario
son raros en donde se encontrara tales sistemas
x 2 x3 x 4 3
x1
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
Los valores | x x |, | x x |, ...... , | x x absolutos

|
sean todos menores de nmero pequeo E
cuyo valor ser dado
K 1
1
K
1
K 1
2
K
2
K 1
n
K
n
Si el nmero de iteraciones ha excedido un

mximo dado
Detener el proceso una vez que | x x | E
K 1
31

Cmo asegurar la convergencia si existe?
El proceso de Jacobi y Gauss Seidel convergern si en la
matriz de coeficiente cada elemento de la diagonal
principal es mayor que la suma de los valores absolutos de
todos los dems elementos de la misma fila o columna
(matriz diagonal dominante) e
| a ii |
| 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.
En trminos de producto punto
33
1.6. CONVERGENCIA
Ejemplo: sea
determinar su norma
Debemos tener en consideracin que el campo de los

nmeros reales R tiene el defecto de que un
polinomio de grado n con coeficientes reales no
necesariamente tiene n ceros reales
ejemplo
34
1.6. CONVERGENCIA
,
,
Su conjugado, norma, o modulo, se le define:
El campo de los complejos ya no tiene la anomala de los reales, es

mas tenemos el teorema fundamental del algebra, que establece
que todo polinomio no constante con coeficientes complejos
tiene al menos un cero en el plano complejo.
La afirmacin anterior permite afirmar que todo polinomio de
grado n se puede descomponer como un producto de n factores
lineales.
35
1.6. CONVERGENCIA
,
,
1.6.2. ESPACIO VECTORIAL Cn

El espacio vectorial Cn, esta compuesto de todos
los
vectores en donde los
, Si al vector complejo x es
multiplicado por
tambin complejo el resultado es otro vector
complejo as:
, En consecuencia Cn, es un espacio vectorial sobre el cambo de
escalares C. En consecuencia en este espacio Cn. El producto
interno se define
36
1.6. CONVERGENCIA
.
,
1.6.3. NORMA DE VECTORES

Una norma en Rn es una funcin de || || de Rn en R que verifica
las propiedades
37
1.6. CONVERGENCIA
La norma Euclidiana se define:
Podemos observar que,
Consideremos A una matriz con elementos complejos, y A* denota

su conjugada transpuesta es decir
en particular, si x es
una matriz de nx1 (o vector columna), entonces
, es una
matriz de 1xn o vector fila,
38
1.6. CONVERGENCIA
En general podemos definir norma de un vector x
Como casos particulares tenemos la norma Euclidiana cuando p=2
39
1.6. CONVERGENCIA
Mximo valor absoluto
Estas propiedades son familiares en relacin a la norma Euclidiana

o longitud de un vector.
La norma de una matriz cuadrada, A , puede ser definida en
forma consistente con la definicin de norma de un vector:
40
1.6. CONVERGENCIA
La norma llamado generalmente norma infinito
Ejemplo: Dado el vector

Euclidiana infinito
determinar sus normas
41
1.6. CONVERGENCIA
1.6.4. DISTANCIA EN ENTRE VECTORES
Dado dos vectores en Rn,

,
entre x e y se definen :
distancia I2 y ,
, 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
Consecuentemente las normas que consideramos son:
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
1.7. MTODOS DEL DESCENSO MS RPIDO DEL GRADIENTE

CONJUGADO
En esta oportunidad reflexionaremos sobre algunos

mtodos especiales para resolver sistemas de ecuaciones
lineales.
En donde la matriz A es de orden nxn simtrica y definida
positiva, en otras palabras,
,y
debemos
recordar que el producto escalar de dos vectores X ,Y de
componentes reales es:
53

CONJUGADO
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

CONJUGADO
Recordemos que si A es simtrica y definida positiva,

entonces el problema de resolver Ax=b es equivalente
al problema .
Veamos por que esta afirmacin es cierta; primero
veamos como se comporta q(x) a lo largo de un rayo
unidimensional. Para lo cual consideremos x+tv en
donde x y v son vectores y t un escalar grficamente
tv
tenemos
x
x+ tv
55

CONJUGADO
Mediante un calculo directo tenemos que para todo

escalar t :
(*)
56

CONJUGADO
Como A es simtrica es decir AT =A, entonces en la

ecuacin (*) el coeficiente de t2, es positivo, de esta
manera la funcin cuadrtica
sobre el rayo
unidimensional tiene un mnimo y no un mximo.
Calculando la derivada de la ecuacin (*) con respecto
a t.
57

CONJUGADO
Cuando la derivada es cero, existe un mnimo de q a lo

largo del rayo unidimensional en este caso el valor de
t es:
,
en consecuencia usando este valor podemos
determinar el mnimo de q sobre el rayo
unidimensional
(**)
58

CONJUGADO
Lo que quiere decir esto es que al pasar q(x) de x a

,
siempre hay una reduccin en el valor de q(x), a
menos que v sea ortogonal al residuo es decir
Si x no es una solucin del sistema Ax=b entonces
existen una diversidad de vectores que satisfacen
Por lo tanto
entonces x no minimiza q(x) y por lo contrario
si Ax=b no existe ningn rayo unidimensional que salga de x
sobre el cual q(x) tome un valor menor a q(x), en consecuencia
una x con las caractersticas es un mnimo para q(x).
59

CONJUGADO
Debemos manifestar que la reflexin anterior sugiere la

existencia de los mtodos iterativos para resolver Ax=b,
luego entonces procedemos de manera natural por
minimizar q(x) a lo largo de una sucesin de rayos. Es
decir el algoritmo dispondr de un proceso de:
En seguida nos preocupa determinar la direccin de
bsqueda adecuada
Nuestro algoritmo ser
60

CONJUGADO
En donde
Debemos decir que una diversidad de mtodos

iterativos tienen la forma general:
61

CONJUGADO
Para valores particulares del escalar tK, y los valores de

, entonces tk, mide la distancia que nos
vK, si
movemos de xK, para hasta la obtencin de xk+1, ver la
siguiente figura.
62

CONJUGADO
MTODO DEL DESCENSO MS RPIDO

Este mtodo se le considera dentro del grupo de
mtodos iterativos que usan el algoritmo anterior,
considera que vK, debera ser el gradiente negativo
de q(x) en x(k), resultando que este gradiente apunta
en la direccin del residuo
Es decir tenemos:
63

CONJUGADO
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

CONJUGADO
Debemos destacar al programar este algoritmo no es

necesario conservar los vectores de la sucesin , lo mismo
ocurre con , de manera el algoritmo seria:
input x, A, b, M
output 0, x)
for k=0,1,2,, M-1 do
Debemos destacar que este
mtodo generalmente no se
,
aplica a este tipo de
.
problemas como consecuencia
)
output k, x
de su lentitud
end
65

CONJUGADO
MTODO DEL GRADIENTE CONJUGADO

Otro mtodo considerado dentro del algoritmo analizado
anterior es el mtodo del gradiente conjugado de Hestenes y
Stiefel, el cual es aplicado a sistemas de la forma Ax=b, en
donde A es considerada simtrica y definida positiva.
En este mtodo las direcciones vK , son elegidas de una en
una en el proceso iterativo y forman un sistema A-ortogonal,
los residuos
forman un sistema ortogonal es
decir,
66

CONJUGADO

Debemos decir que este mtodo es preferible que el
mtodo de eliminacin Gaussiana simple cuando la matriz
A es muy grande y rala.
Este mtodo en su inicio fue muy sorprendente e
importante pero despus de dos dcadas las cosas ya no
fue as como consecuencia que se descubri que la
terminacin finita no era asequible en la prctica.
67

CONJUGADO

Pues la terminacin finita era indeseable para un mtodo
directo, sin embargo posteriormente cuando se le
considero como un mtodo iterativo las cosas fue
diferente, pues en estos mtodos no es necesario obtener
una solucin absoluta despus de n pasos lo que se
espera es obtener una respuesta satisfactoria.
68

CONJUGADO
La ejecucin del algoritmo en una computadora precisa de un lugar
de almacenamiento para cuatro vectores
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:
0bsevemos que cuanto w=1, tenemos de Gauss-Seidel, cuanto

0<w<1 el procedimiento se llama mtodo de subrelajacin y se usa
para obtener convergencia cuando el mtodo de Gauss-Seidel no
converge.
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
La solucin del sistema dado es (3,4,-5)t , usaremos w=1.25 para el

mtodo de SOR con un valor inicial de (1,1,1)t, para k=1
Tenemos
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
---
---
Afectado por errores

de redondeo
Limitado
---
---

de redondeo
General
Moderada
Regla de Cramer
Eliminacin de Gauss
(con pivoteo paracial)
Descomposicin LU
Gauss_Seidel
---

de redondeo
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
Comparacin de Mtodos Directos e Iterativos a partir de la cantidad de

operaciones matemticas
76
Aplicaciones
Rara vez para resolver sistemas lineales de dimensin pequea.

Tiempo requerido mayor para lograr la precisin
Suficientemente exacta excedera las tcnicas directas
Utilidad para la resolucin de los sistemas de ecuaciones diferenciales

en aplicaciones de:
Todas las ramas de ingeniera
Ciencias Sociales
Economa
Estos mtodos son tiles en la prediccin del clima, donde el volumen

de variables amerita el uso de extensas matrices.
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
En otras palabras, el valor absoluto de las pendientes en la ecuacin, deben ser

a11 a12
22 a 21 la convergencia.
menor que la unidad para aasegurar
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
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
Resultado de las iteraciones

utilizando las ecuaciones sin
ordenar
u : 11x1 13 x2 286
v : 11x1 9 x2 99
60
40
20
X2
0
-60
-40
-20
-20
20
40
60
80
-40
-60
-80
-100
X1
79
Convergencia Seidel
Resultado de las iteraciones

utilizando previamente el criterio
de diagonal dominante
v : 11x1 9 x2 99
16
14
12
10
X2
Convergencia (3)
u : 11x1 13 x2 286
8
6
4
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
81
Mtodo de Jacobi
Este mtodo se puede ilustrar usando las siguientes ecuaciones:
a11 x1 a12 x2 a13 x3 b1

a21 x1 a22 x2 a23 x3 b2
a31 x1 a32 x2 a33 x3 b3
(1)
82
Mtodo de Jacobi... (2)

El mtodo comienza resolviendo la ec. 1 para x1, x2 y x3 e
introduciendo el ndice k que se utilizara para indicar el nmero de
iteraciones, se obtiene:
(k )
(k )
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)
83
Mtodo de Jacobi... (3)

Adems se requiere de un vector inicial
xi = (x1 (k), x2 (k), x3 (k))
el cual representa la primera aproximacin de la solucin del
sistema, con lo que se produce x k+1.
Este vector si no se conoce se puede asumir como:
x0 = (0 (0), 0 (0), 0 (0))
Con estos valores y las frmulas de las ecuaciones (2) se van
calculando los nuevos valores de xi
El proceso se continua hasta que | xi+1 xi| ea.
84
Mtodo de Jacobi (4)
Ejemplo 1:
Resolver el siguiente sistema de tres ecuaciones por el Mtodo de

Jacobi, para un a = 5% :
17 X1 2 X2 3 X3= 500
-5 X1 + 21 X2 2 X3= 200
-5 X1 5 X2+ 22 X3= 30
Las siguientes frmulas las utilizamos

X1, X2 y X3 en cada una de las iteraciones
b 1 a 12 x 2 a 13 x 3
x1
a 11
x3
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
Mtodo de Jacobi (5)

Para la primera iteracin el valor de X1, X2 y X3 a sustituir en cada
una se asumir como cero.
Aplicandob(2)
se obtiene:
b2 a21 x1 a23 x3
1 a12 x2 a13 x3
x1
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
86
Mtodo de Jacobi (6)
Para la segunda iteracin el valor de X1, X2 y X3 sern los calculados

anteriormente.
Aplicando (2) se obtiene:

x1
b1 a12 x2 a13 x3
a11
x2
500 2 9,52381 3 1,36364

17
x1 30,77285
x1
x3
b2 a21 x1 a23 x3
a22
200 5 29,41176 2 1,36364

21
x2 16,65648
x2
b3 a31 x1 a32 x2
a33
30 5 29,41176 5 9,52381
22
x3 10,21263
x3
87
Mtodo de Jacobi (7)
Una vez obtenidos estos resultados se debe calcular el error

aproximado porcentual para cada uno de los resultados, para ello
utilizamos la siguiente frmula:
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%
Dado que no se cumple con el a se debe continuar iterando.

88
Mtodo de Jacobi (8)
Siguiendo el mismo procedimiento, se obtiene el siguiente cuadro de

resultados:
Iteracin
x
x
x
x
x
x
1
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.
89
Mtodo de Jacobi (9)
Si sustituimos estos valores en las ecuaciones originales para verificar los

resultados se obtiene:
17 *(33,88347)
-5 *(33,88347)
-5 *(33,88347)
2 *(18,76977) 3 *(13,23415)
= 498,77703
+ 21 *(18,76977) 2 *(13,23415) = 198,27957
5 *(18,76977) + 22 *(13,23415) = 27,88513
Al calcular los porcentajes de error de estos resultados se obtiene:

500 - 498,77703
ErrorEC1
100% 0,03%
500
ErrorEC2
200 - 198,27957
100% 0,10%
200
ErrorEC3
30 - 27,88513
100% 0,88%
30
90
Mtodo Gauss-Seidel
91
Mtodo Gauss-Seidel
Este mtodo en general converge mas rpidamente que el mtodo de

Jacobi.
Supone que una mejor aproximacin a la solucin, se obtiene

sustituyendo los valores parciales calculados, en lugar de asumir una
aproximacin inicial.
Utilizando las ecuaciones de (1):
a11 x1 a12 x2 a13 x3 b1

a21 x1 a22 x2 a23 x3 b2
a31 x1 a32 x2 a33 x3 b3

92
Mtodo Gauss-Seidel (2)
Y despejando para x1, x2 y x3 y adicionando los valores ya obtenidos,

esta se puede expresar como:
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
El valor de x1 se calcula con los valores asumidos de x2 y x3.

Posteriormente el valor de x1 obtenido y x3 asumido, se usan para
calcular x2. Y finalmente el nuevo valor de x3 sale de los valores
calculados x1 y x2.
93
Mtodo de Gauss Seidel (3)
Ejemplo 2:
Resolver el siguiente sistema de tres ecuaciones por el Mtodo de

Gauss Seidel, para un a = 5% :
17 X1 2 X2 3 X3= 500
-5 X1 + 21 X2 2 X3= 200
-5 X1 5 X2+ 22 X3= 30
Las siguientes frmulas las utilizamos

X1, X2 y X3 en cada una de las iteraciones
b 1 a 12 x 2 a 13 x 3
x1
a 11
x3
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
El valor de x1 se calcula con los valores asumidos de x2 y x3 que en principio

es cero. Posteriormente el valor de x1 obtenido y x3 asumido (0), se usan
para calcular x2. Y finalmente el nuevo valor de x3 sale de los valores
b2 a21x1 a23x3
b1 x1 ay12xx22. a13 x3
calculados
x
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
95
Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los

b a 12 x 2 a 13 x 3
calculados anteriormente.
Entonces para X1:
x1 1
a 11
500 2 16 , 52661 3 11 , 80418
x1
17
x 1 33 , 43916
Para X2 se utiliza el valor de X3 de la primera iteracin y el de X1 de la

b a 21 x 1 a 23 x 3
segunda iteracin:
x2 2
a 22
200 5 33 , 43916 2 11 , 80418

x2
21
x 2 18 , 60972
96

Para X3 se utiliza el valor de X1 y X2 calculados en la segunda iteracin:
b3 a31 x1 a32 x2
x3
a33
30 5 33,43916 5 18,60972
22
x3 13,19293
x3
Una vez obtenidos estos resultados,

se debe calcular el error aproximado
porcentual para cada uno de los
resultados, con la frmula:
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
33,43916 18,60972 13,19293 12,044%
33,92931 18,85869 13,36091
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
98

17 *(33,92931) 2 *(18,85869) 3 *(13,36091) = 498,99813
-5 *(33,92931) + 21*(18,85869) 2 *(13,36091) = 199,66404
-5 *(33,92931) 5 *(18,85869) +22 *(13,36091) = 30,00000
500 - 498,99813 resultados se obtiene:

Al calcular los porcentajes
Error de
error de estos
100% 0,20%
EC1
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
Metodo Gauss-Seidel con

Relajacin
100
Mtodo Gauss-Seidel con relajacin
El mtodo de Gauss-Seidel con Relajacin es muy similar a al mtodo de

Gauss-Seidel, la diferencia es que usa un factor de escala para reducir el
error de aproximacin.
(k )
( k 1)
(k )
( k 1)
xi
xi
( xi
xi
Este mtodo obtiene un nuevo valor estimado haciendo una ponderacin

entre el valor previo y el calculado utilizando un factor de ponderacin
xi
nuevo
xi
nuevo
(1 ) xi
anterior
02
101
Mtodo Gauss-Seidel con relajacin (2)

=1
El resultado no se modifica
Se convierte en la ecuacin de Gauss-Siedel
<1
Se conoce como subrelajacin
Para hacer que un sistema no convergente converja o apresure la
convergencia al amortiguar las oscilaciones.
>1
Se conoce como sobrerelajacin
Se usa cuando la convergencia va en la direccin correcta hacia la solucin
verdadera, pero con una velocidad demasiado lenta. Para llevarla ms cerca
de la verdadera.
La eleccin de es emprica, se utiliza para la solucin de un sistema que se debe
Jacobi,resolver
Gauss-Seidel,...
102
de manera repetitiva.
Mtodo Gauss-Seidel con relajacin(3)
Y despejando para x1 , x2 y x3, y adicionando los valores ya obtenidos,

esta se puede expresar como:
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
El valor de x1 se calcula con los valores asumidos de x2 y x3.

Posteriormente el valor de x1 obtenido y x3 asumido, se usan para
calcular x2. Y finalmente el nuevo valor de x3 sale de los valores
calculados x1 y x2.
103

Ejemplo 3:
Emplee el mtodo de Gauss-Seidel con relajacin para resolver
(=0.90 y a = 5%):
-5 X1
4 X1
6 X1
+ 12 X3
1 X2 1 X3
+ 8 X2
= 45
= 80
=-2
Si es necesario reordene las ecuaciones para que el sistema

converja.
12 x1 80
5
4 1 1 x 2
2
6
x3 45
8
104

Verificando el criterio de convergencia:
n
ai ,i ai , j
j 1
j i
Para un sistema de 3 x 3 obtenemos:
a11 a12 a13

a 22 a 21 a 23
a33 a31 a32
105

Esto quiere decir que el elemento diagonal debe ser mayor al elemento
fuera de la diagonal para cada fila. Por tanto reorganizamos el sistema
de la siguiente forma:
4 1 1 x1 2
6
x 45
8
2
5
12 x3 80
4 1 1
8 6
12 5
Por lo tanto se puede asegurar la convergencia con este arreglo.
106

x1
Para calcular el primer valor de X1, se

asumirn X2 y X3 con valores cero.
Entonces para X1,
Para calcular el valor de X2, se utilizar

solamente el valor encontrado de X1, dado
que a23 es cero.
Para calcular el valor de X3, se utilizar

solamente el valor encontrado de X1, dado
que a32 es cero.
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

Segunda iteracin:
x1
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
nuevo
x1
nuevo
0,9 2,61458 (1 0,9) (0,50000)
nuevo
2,30313
x1
x1
x1
nuevo
(1 ) x1
anterior
x2
nuevo
0,9 3,89766 (1 0,9) (6,00000)
x2
nuevo
4,10789
x3
nuevo
0,9 7,62630 (1 0,9) (6,45833)
x3
nuevo
7,50951
108
Se debe realizar el clculo de los errores y se debe continuar iterando

hasta que se cumpla la premisa inicial (a = 5%).
a x1
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
109

4 *(2,37827)
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
- 2 - (-1,98655) resultados se obtiene:

Al calcular los porcentajes
ErrorEC1 de error de estos 100
% 0,67%
-2
45 - 45,01271
ErrorEC2
100% 0,03%
45
80 - 79,98941
ErrorEC3
100% 0,01%
80
110
Comparacin de Mtodos
111
Ejercicio 11.1 (modificado)... (1)
Resolver el siguiente sistema de ecuaciones, para un error a

5 %, con los tres mtodos analizados.
2 1
x1 124
1 2 1 x 4
1 2 x3 14
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%
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%
114
Gauss-Seidel con Relajacin... (4)
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%
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%
El mtodo de Jacobi es el que utiliza una mayor cantidad de iteraciones

y que adems tiene errores mayores con respecto al valor verdadero.
Gauss-Seidel los errores son medianos, pero la cantidad de las
iteraciones en mucho menor que en el caso de Jacobi.
Gauss-Seidel con relajacin se obtienen valores ms cercanos a los
verdaderos con una cantidad de iteraciones menor. Sin embargo el
inconveniente radica en la eleccin del valor de .
116
117
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.
118
Algoritmos
119
Algoritmos
En la prctica, normalmente utilizamos computadoras

para realizar las iteraciones, es por esta razn que
necesitamos implementar algoritmos para encontrar
soluciones de sistemas n x n mediante los mtodos
anteriormente descritos.
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
( 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
xik (bi sum) / aii

i 1
n
k
k 1
bi aij x j aij x j
j 1
j i 1
k
xi
aii
122
Algoritmo Gauss-Seidel con relajacin

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
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
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
124
Sntesis
Para mejorar la convergencia, se usan tcnicas como:

Utilizacin de los clculos previos asumiendo que una mejor
aproximacin que el vector de condiciones iniciales. (Gauss-Siedel )
Un factor de ponderacin para reducir el error residual ( Relajacin )
La seleccin de un vector de condiciones iniciales apropiado ayuda a
reducir el nmero de iteraciones.
La seleccin de es de carcter prctico y de su eleccin se pueden
lograr tambin que el nmero total de iteraciones se reduzcan.
La finalizacin del clculo de iteraciones se logra cuando todos los
elementos de vector de residual estn debajo de la tolerancia requerida.
El mtodo de Jacobi presenta mas oscilaciones que los mtodos de
Gauss-Siedel y relajacin.
125
Resumen de los pasos de los mtodos iterativos Jacobi,

Gauss_Seidel sin y con relajacin
Desplazamiento
succesivo
Desplazamiento
simultneo
Primera iteracin
Segunda iteracin
Gauss-Seidel
Gauss-Seidel con relajacin
Iterativo de Jacobi
xinuevo xinuevo (1 ) xianterior

126
Muchas Gracias
127

Catedra Metodos Numericos 2013 Unsch 08

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Catedra Metodos Numericos 2013 Unsch 08

Încărcat de

Drepturi de autor:

Formate disponibile

CATEDRA 0

ING. CRISTIAN CASTRO P.

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

2 La forma como llegar a la ecuacin x = Bx + C se

1.5 . MTODOS ITERATIVOS DE SOLUCIN

Con a11 0, a22 0, a33 0

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

solucin x despus de R iteraciones, entonces,

(b1 a12 x 2 a13 x 3 )

1.5 . MTODOS ITERATIVOS DE SOLUCIN

Fenmeno que se puede generalizar para n ecuaciones

1.5 . MTODOS ITERATIVOS DE SOLUCIN

(b1 a12 x 2R a12 x 3R )

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

Cuando se detendr el proceso iterativo

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

x1 3x2 5x3 2x4 10

1.5 . MTODOS ITERATIVOS DE SOLUCIN

Resolviendo: x1 de (1) x2 de (2) x3 de (4) y x4 de (3)

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1 10.0000 2.7778 14.222 0.7778

1.5 . MTODOS ITERATIVOS DE SOLUCIN

1.5 . MTODOS ITERATIVOS DE SOLUCIN

Los valores | x x |, | x x |, ...... , | x x absolutos

Si el nmero de iteraciones ha excedido un

1.5 . MTODOS ITERATIVOS DE SOLUCIN

En trminos de producto punto

Debemos tener en consideracin que el campo de los

Su conjugado, norma, o modulo, se le define:

El campo de los complejos ya no tiene la anomala de los reales, es

1.6.2. ESPACIO VECTORIAL Cn

1.6.3. NORMA DE VECTORES

Consideremos A una matriz con elementos complejos, y A* denota

En general podemos definir norma de un vector x

Como casos particulares tenemos la norma Euclidiana cuando p=2

Estas propiedades son familiares en relacin a la norma Euclidiana

Ejemplo: Dado el vector

determinar sus normas

Dado dos vectores en Rn,

Consecuentemente las normas que consideramos son:

1.7. MTODOS DEL DESCENSO MS RPIDO DEL GRADIENTE

En esta oportunidad reflexionaremos sobre algunos

1.7. MTODOS DEL DESCENSO MS RPIDO DEL GRADIENTE

1.7. MTODOS DEL DESCENSO MS RPIDO DEL GRADIENTE

Recordemos que si A es simtrica y definida positiva,

1.7. MTODOS DEL DESCENSO MS RPIDO DEL GRADIENTE