You are on page 1of 32

INSTITUTO TECNOLGICO DE COSTA RICA

ESCUELA DE INGENIERA ELECTRNICA


LICENCIATURA EN INGENIERA ELECTRNICA
CM-3201 MTODOS NUMRICOS
Profesor: Ing. Marvin Hernndez

GAUSS-SEIDEL, JACOBI, RELAJACIN


Y CONVERGENCIA

I Semestre 2004

Mtodos Iterativos para Sistemas de Ecuaciones Algebraicas Lineales


Introduccin
Los mtodos numricos se dividen en dos categoras generales: mtodos exactos y aproximados.
Los primeros, como su nombre lo indica, buscan dar resultados exactos. No obstante, como estn
afectados por errores de redondeo, algunas veces dan resultados imprecisos. La magnitud del
error de redondeo vara en cada sistema y depende de varios factores, tales como las dimensiones
del sistema, su condicin y el hecho de s la matriz de coeficientes es dispersa o densa. Adems,
la precisin de la computadora afectar el error de redondeo.
Se recomienda una estrategia de pivoteo en todo programa de computadora que realice
mtodos de eliminacin exactos. Esa estrategia minimiza el error de redondeo y evita problemas
como el de la divisin entre cero. Los algoritmos basados en la descomposicin LU son los
mtodos que se eligen debido a su eficiencia y flexibilidad.
La tabla 1 ofrece un resumen de las ventajas y desventajas en la solucin de ecuaciones
algebraicas lineales simultneas. Dos mtodos (el grfico y la regla de Cramer) estn limitados a
pocas ecuaciones(< 3), de modo que tienen escasa utilidad para resolver problemas prcticos. Sin
embargo, dichas tcnicas son herramientas didcticas tiles para entender el comportamiento de
los sistemas lineales en general.
TABLA No. 1:

Comparacin de las caractersticas de diversos mtodos alternativos para encontrar soluciones de ecuaciones algebraicas
lineales simultneas

MTODO
GRFICO

RANGO DE
APLICACIN
Limitado

COMPLEJIDAD DE
LA PROGRAMACIN
---

Afectado por errores


de redondeo

Limitado

---

---

Afectado por errores


de redondeo

General

Moderada

---

Afectado por errores


de redondeo

General

Moderada

Puede no converger si
no es diagonalmente
dominante

EXCELENTE

Apropiado solo para


sistemas
diagonalmente
dominantes

FCIL

ESTABILIDAD
---

PRECISIN
Pobre

Regla de Cramer

---

Eliminacin de Gauss
(con pivoteo parcial)
Descomposicin LU

Gauss_Seidel

COMENTARIOS
Puede tomar ms
tiempo que el mtodo
numrico
Excesiva complejidad
de clculo para ms
de tres ecuaciones

Mtodo de eliminacin
preferido; permite el
clculo de la matriz
inversa

Aunque los mtodos de eliminacin tienen gran utilidad, el uso de toda la matriz de los
coeficientes puede ser limitante cuando se trate con sistemas dispersos muy grandes. Esto se
debe a que gran parte de la memoria de la computadora se dedicara a guardar ceros que no
tienen significado. Para sistemas bandeados, hay tcnicas para realizar mtodos de eliminacin
sin tener que guardar todos los coeficientes de la matriz.
La tcnica aproximada por conocer como mtodo de Gauss-Seidel, difiere de las tcnicas
exactas porque emplea un esquema iterativo para obtener, progresivamente, estimaciones ms

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

cercanas a la solucin. El efecto del error de redondeo es un punto discutible en el mtodo de


Gauss-Seidel, ya que se pueden continuar las iteraciones hasta que se obtenga la precisin
deseada. Adems, se pueden desarrollar versiones del mtodo de Gauss-Seidel para utilizar de
manera eficiente los requerimientos de almacenaje en computadora con sistemas dispersos. En
consecuencia, la tcnica de Gauss-Seidel es til para grandes sistemas de ecuaciones, donde los
requerimientos de almacenaje podran llevar a problemas significativos con las tcnicas exactas

Aplicaciones
Las tcnicas iterativas se emplean rara vez para resolver sistemas lineales de dimensin pequea
ya que el tiempo requerido para lograr una precisin suficiente excede al de las tcnicas directas
como el mtodo de eliminacin Gaussiana. Sin embargo, para sistemas grandes con un gran
porcentaje de ceros, estas tcnicas son suficientes en trminos de almacenamiento en la
computadora y del tiempo requerido.
Los mtodos de este tipo surgen frecuentemente en los sistemas con ecuaciones diferenciales,
donde encontraramos aplicaciones en todas las ramas de la ingeniera, as como en las Ciencias
Sociales y la Economa. Estos mtodos son tiles en la prediccin del clima, donde el volumen
de variables amerita el uso de extensas matrices.

Justificacin
Una forma de entender el uso de los mtodos numricos y su utilidad es precisamente
comparndolos con los mtodos directos, esta comparacin se realiza en trminos de operaciones
realizadas, tales como sumas, restas, divisiones y multiplicaciones. Por tanto el entendimiento de
esto conlleva a su uso prctico. Las siguientes tablas muestran las diferencias en clculo de los
mtodos directos de Gauss y Gauss-Jordan.
Tabla 2: Total de operaciones en el mtodo de Eliminacin de Gauss

Multiplicaciones/Divisiones

3n 2 n / 3

Sumas / restas

2n

3n 2 5n / 6

17

11

10

430

375

50

44150

42875

100

343300

338250

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

Tabla 3: Total de operaciones en el mtodo de Eliminacin de Gauss-Jordan


Multiplicaciones/Divisiones

2n 2 n / 2

Sumas / restas

n /2

21

12

10

895

495

50

64975

62475

100

509950

499950

Tabla 4: Operaciones por iteracin en los mtodos Iterativos


Multiplicaciones-Divisiones

2n

Sumas / restas

n n 1

*por iteracin

*por iteracin

17

12

10

199

90

50

4999

2450

100

19999

9900

De la Tabla 4 podemos notar que n 50 los mtodos iterativos empezaran a ser ms efectivos
que los mtodos directos. Ntese, tambin que los clculos en esta tabla corresponden a una
iteracin por tanto para que el mtodo sea efectivo, dos aspectos deben ser tomados en
consideracin
1. La precisin requerida de los resultados
2. De la aproximacin inicial que se escoja.

Marco Conceptual
Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

Antes de considerar los mtodos iterativos para resolver sistemas lineales, es necesario encontrar
un mtodo para medir cuantitativamente la distancia entre vectores, para poder determinar
cuando la sucesin de vectores que resulta al usar una tcnica iterativa converge a la solucin.
Norma vectorial: esta se define como la suma de las magnitudes de los componentes de un vector
columna de dimensin n con componentes reales, esta definicin en notacin matemtica se
escribe como:

x1
x 2

x3
.
.

x=

y la norma de x seria || x || =

i 1

xi2

1/ 2

xn

Esta definicin de norma es til cuando se quiere saber la magnitud de las componentes de un
vector. Pero cuando esta se aplica a los mtodos numricos es mejor utilizar el concepto de
norma infinita, la cual es til como criterio de paro para una aproximacin. Esta se define como
sigue:
x max
x
1in i

Una tcnica iterativa para resolver un sistema lineal Ax = b de n x n empieza con una
aproximacin inicial x(k) a la solucin x, y genera una sucesin de vectores { x(k)}k = 0 hasta que se
logre la aproximacin requerida, que en trminos de vectores se expresa como, { x(k)}k = .
La mayora de estas tcnicas iterativas involucran un proceso que convierte el sistema
Ax = b en un sistema equivalente de la forma x = Tx + b. Seleccionado un vector inicial x (0) la
sucesin de vectores de solucin aproximada se genera calculando.
x(k) = T x(k - 1) + c

(1)

*el factor k solamente se utiliza para denotar el conteo de las iteraciones

Cabe destacar la similitud de esta ecuacin con la x = g(x), que se utilizaba para el mtodo
iterativo del punto fijo. Dado esta similitud, posteriormente se analizar la convergencia de este
mtodo.
Como se mencion anteriormente estos mtodos se aplican en los sistemas con gran cantidad de
ceros, a la matriz resultante se le conoce como matriz esparcida.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

Considere el circuito de la figura 1 como ejemplo de este tipo de matriz.

FIGURA 1: Circuito elctrico con solucin de matriz esparcida

31vb 10vc 0vd 0ve 6vf


2vb 8vc 3vd 3ve 0vf
0vb vc 3vd 2ve 0vf
0vb 2vc 4vd 7ve vf
12vb 0vc 15vd 0ve 47vf

15 *V
0
0
0
0

Convirtindolo a la forma matricial se obtiene lo que se denomina una matriz esparcida.

vb
31
2

vc
10
8

vd
0
3

ve
0
3

vf
6
0

vd
ve

v f

0
0
12

1
2
0

3
4
15

2
7
0

0
1

47

v
b
vc

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

Mtodos Iterativos
Estos son mtodos para los cuales se da una aproximacin al sistema de ecuaciones lineales y se
obtiene una solucin para este sistema.
A diferencia de los mtodos directos, los mtodos iterativos podran no producir una solucin
satisfactoria, an cuando el determinante de los coeficientes de la matriz no sea cero.
Entonces, para que estas tcnicas funcionen se deben tener ciertas condiciones.

El conjunto de ecuaciones debe tener una diagonal dominante. Esta es una condicin
necesaria pero no suficiente. Un sistema de ecuaciones se considera Diagonal Dominante
cuando se cumple
n

ai ,i ai , j

(2)

j 1
j i

Es decir, Una condicin suficiente para que se tenga una solucin es que el valor absoluto
de los coeficientes de la diagonal en cualquier ecuacin debe ser mayor que la suma del
valor absoluto de los otros coeficientes en esa ecuacin.

Mtodo de Jacobi
Es un mtodo de sustitucin simultneo, denominado desplazamiento simultneo, el cual tien su
origen en mtodo iterativo de Punto Fijo. En el mtodo de Jacobi el orden de operacin de las
ecuaciones es irrelevante dado que el mtodo las trata en forma independiente, de all su nombre
como mtodo de desplazamiento simultneos, no obstante, se debe mantener la diagonal
dominante en el sistema.
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

(3)

El mtodo comienza despejando las ecuaciones anteriores (3) para x1, x2 y x3 respectivamente e
introduciendo el ndice k que indicar el nmero de iteraciones, entonces,

x1

( k 1)

x2

Jacobi, Gauss-Seidel, Relajacin

( k 1)

a13 x3

(k )

b a x a 23 x3
2 21 1
a 22

(k )

b1 a12 x2

(k )

a11
(k )

Pagina de 32

x3

( k 1)

(k )

b3 a31 x1 a32 x 2
a33

(k )

(4)

Adems se requiere de un vector inicial x k = (x1 (k), x2 (k), x3 (k)) el cual representa la primera
aproximacin de la solucin del sistema, con lo que se produce xk+1.
El proceso se contina hasta que | xk+1 xk | <= ea.
La generalizacin de esta ecuacin se escribe de la siguiente forma:

xi

(k 1)

1
(k )

b i - ai , j x j
a ii
j 1

j i

(5)

Al mtodo de Jacobi se le conoce tambin como el mtodo de los desplazamientos simultneos,


dado que el orden en que las ecuaciones son examinadas es indiferente.

Ejemplo 1 (Ejercicio 11.8 Pg. 321)


Resolver el siguiente sistema de tres ecuaciones por el Mtodo de Jacobi:
17 X1

2 X2 3 X3 = 500

-5 X1

+ 21 X2 2 X3 = 200

-5 X1

5 X2 + 22 X3 = 30

Resuelva este problema para un a = 5%


Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
17 2 3 x1
500
5 21 2 x 200

5 5 22 x3
30
Las siguientes frmulas las utilizamos para encontrar X1, X2 y X3 en cada una de las iteraciones.
x1

b1 a12 x 2 a13 x3
a11

x2

b2 a 21 x1 a 23 x3
a 22

x3

b3 a31 x1 a32 x 2
a33

Para la primera iteracin el valor de X 1, X2 y X3 a sustituir en cada una se asumir como cero.
Entonces para X1,

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

x1

b1 a12 x2 a13 x3
a11

500 2 x2 3 x3
17
500 2 0 3 0
x1
17
x1 29,41176
x1

para X2,
x2

b2 a 21 x1 a 23 x3
a 22

200 5 x1 2 x3
21
200 5 0 2 0
x2
21
x 2 9,52381
x2

para X3,
x3

b3 a 31 x1 a 32 x 2
a33

x3

30 5 x1 5 x 2
22

x3

30 5 0 5 0
22

x3 1,36364

Entonces en la primera iteracin


x1 29,41176
x 2 9,52381
x3 1,36364

Para calcular los nuevos valores de la segunda iteracin se utilizarn los resultados de X 1, X2 y
X3 obtenidos en la primera iteracin. Entonces para X1,
x1

b1 a12 x 2 a13 x3
a11

500 2 x 2 3 x3
17
500 2 9,52381 3 1,36364
x1
17
x1 30,77285
x1

para X2,

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

x2

b2 a 21 x1 a 23 x3
a 22

200 5 x1 2 x3
21
200 5 29,41176 2 1,36364
x2
21
x 2 16,65648
x2

para X3,
x3

b3 a 31 x1 a 32 x 2
a 33

x3

30 5 x1 5 x 2
22

x3

30 5 29,41176 5 9,52381
22

x3 10,21263

Por tanto en la segunda iteracin


x1 30,77285
x 2 16,65648
x3 10,21263

Una vez obtenidos estos resultados se deben calcular el error aproximado porcentual para cada
uno, para ello se utilizar la siguiente frmula:
nuevo

anterior

xrx1 nuevo xr x1 anterior


100
100
%%
nuevo
nuevo
xr x1

aax1
ax1

30,77285 29,41176
100%
30,77285

ax1 4,423% 5%

Para X2,
ax 2
ax 2

x2

nuevo

x2

x2

anterior

100%

nuevo

16,65648 9,52381
100%
16,65648

ax 2 42,822% 5%

Para X3,

ax 3
ax 3

x3

nuevo

x3

x3

anterior

nuevo

100%

10,21263 1,36364
100%
10,21263

Jacobi, Gauss-Seidel, Relajacin

ax 3 86,648% 5%

Pagina de 32

10

Dado que en dos de las incgnitas el error aproximado porcentual es mayor a un 5% se debe
hacer una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos
valores de X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean
menores que el 5%. El resultado de estas iteraciones se presenta en la Tabla 5.
Tabla 5: Resultados de las iteraciones por el mtodo de Jacobi
del ejemplo 1 (ejercicio 11.8 pp. 321)
Iteracin

x1

x2

X3

a x1

a x2

a x3

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. Por lo tanto los
resultados aproximados que cumplen con la condicin establecida son:
x1 33,88347
x 2 18,76977
x 3 13,23415

Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
17 *(33,88347)

2 *(18,76977) 3 *(13,23415) = 498,77703

-5 *(33,88347)

+ 21 *(18,76977) 2 *(13,23415) = 198,27957

-5 *(33,88347)

5 *(18,76977) + 22 *(13,23415) = 27,88513

Al calcular los porcentajes de error de estos resultados se obtiene lo siguiente:


ErrorEC1

500 - 498,77703
100% 0,03%
500

ErrorEC2

200 - 198,27957
100% 0,10%
200

ErrorEC3

30 - 27,88513
100% 0,88%
30

De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacin
muy buena de los valores verdaderos.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

11

Mtodo de Gauss-Seidel
Este mtodo en general converge ms rpidamente que el mtodo de Jacobi, sin embargo
presenta las mismas debilidades del mtodo de Jacobi.
El mtodo de Gauss-Siedel supone que una mejor aproximacin a la solucin se obtiene
sustituyendo los valores parciales obtenidos, lo cual se puede comprobar en la prctica.
Utilizando las ecuaciones vistas en (3)
a11 x1 a12 x2 a13 x3 b1
a21 x1 a22 x2 a23 x3 b2

a31 x1 a32 x2 a33 x3 b3

(3)

Y despejando para x1, x2 y x3 de las ecuaciones (6) y adicionando los valores ya obtenidos, esta
se puede expresar como:

x1

x2

x3

( k 1)

( k 1)

( k 1)

b1 a12 x2

(k )

a13 x3

(k )

a11
b2 a 21 x1

( k 1)

a 23 x3

(k )

a 22
b3 a31 x1

( k 1)

a32 x2

( k 1)

(7)

a33

Comparando las ecuaciones (4) y (7) se observa que el valor de x 1 no se asume sino se calcula
con los valores asumidos de x2 y x3.
Posteriormente el valor de x1 obtenido y x3 asumido, se usan para calcular x 2. Finalmente el
nuevo valor de x3 es el resultado de los valores calculados x1 y x2.
La ecuacin iterativa de este mtodo nos lleva a:
xi

(k)

1
a ii

i 1

b i - ai , j x j ( k )
j 1

j i 1

i, j

xj

( k 1)

(8)

Ejemplo 2 (Ejercicio 11.7 Pg. 320)

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

12

Resolver el siguiente sistema de tres ecuaciones por el Mtodo de Gauss-Seidel:


17 X1

2 X2 3 X3 = 500

-5 X1

+ 21 X2 2 X3 = 200

-5 X1

5 X2 + 22 X3 = 30

Resuelva este problema para un a = 5%


Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
17 2 3 x1
500
5 21 2 x 200

5 5 22 x3
30
Las siguientes frmulas las utilizamos para encontrar X1, X2 y X3 en cada una de las iteraciones.
x1

b1 a12 x 2 a13 x3
a11

x2

b2 a 21 x1 a 23 x3
a 22

x3

b3 a31 x1 a32 x 2
a33

Para calcular el primer valor de X1, se asumirn X2 y X3 con valores cero. Entonces para X1,
x1

b1 a12 x2 a13 x3
a11

500 2 x2 3 x3
17

500 2 0 3 0
x1
17
x1 29,41176
x1

para calcular el valor de X2, se utilizar el valor encontrado de X1 y el valor de X3 se asumir


como cero.
x2

b2 a 21 x1 a 23 x 3
a 22

x2

200 5 x1 2 x3
21

x2

200 5 29,41176 2 0
21

x 2 16,52661

para calcular el valor de X3, se utilizar el valor encontrado de X1 y X2 en los pasos anteriores.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

13

x3

b3 a31 x1 a32 x 2
a33

x3

30 5 x1 5 x 2
22

x3

30 5 29,41176 5 16,52661
22

x3 11,80418

Entonces en la primera iteracin


x1 29,41176
x 2 16,52661
x3 11,80418

Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los calculados


anteriormente. Entonces para X1,
x1

b1 a12 x 2 a13 x3
a11

x1

500 2 x 2 3 x3
17

x1

500 2 16,52661 3 11,80418


17

x1 33,43916

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

14

para X2 se utiliza el valor de X3 de la primera iteracin y el de X1 de la segunda iteracin,


x2

b2 a 21 x1 a 23 x3
a 22

x2

200 5 x1 2 x3
21

x2

200 5 33,43916 2 11,80418


21

x 2 18,60972

para X3 se utiliza el valor de X1 y X2 calculados en la segunda iteracin,


x3

b3 a31 x1 a 32 x 2
a 33

x3

30 5 x1 5 x 2
22

x3

30 5 33,43916 5 18,60972
22

x3 13,19293

Entonces en la segunda iteracin


x1 33,43916
x 2 18,60972
x3 13,19293

Una vez obtenidos estos resultados, se debe calcular el error aproximado porcentual para cada
uno de los resultados, para ello utilizamos la siguiente frmula:

xr

nuevo

xr

xr

anterior

100%

nuevo

Para X1,
ax1
ax1

x1

nuevo

x1

x1

anterior

nuevo

100%

33,43916 29,41176
100%
33,43916

ax1 12,04% 5%

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

15

Para X2,
ax 2
ax 2

x2

nuevo

x2

x2

anterior

100%

nuevo

18,60972 16,52661
100%
18,60972

ax 2 11,194% 5%

Para X3,

ax 3
ax 3

x3

nuevo

x3

x3

anterior

100%

nuevo

13,19293 11,80418
100%
13,19293

ax 3 10,526% 5%

Dado que en las tres incgnitas el error aproximado porcentual es mayor a un 5% se debe hacer
una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos valores de
X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean menores
que el 5%.
El resultado de estas iteraciones siguiendo el mismo procedimiento, se presenta en la tabla 6
Tabla 6: Resultados de las iteraciones por el mtodo de Gauss_Seidel
del ejemplo 2 (ejercicio 11.7 pp. 320)
Iteracin

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%

11,194%

10,526%

33,92931

18,85869

13,36091

1,445%

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. Por lo tanto los
resultados aproximados que cumplen con la condicin establecida son:
x1 33,92931
x 2 18,85869
x3 13,36091

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

16

Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
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

Al calcular los porcentajes de error de estos resultados se obtiene lo siguiente:


ErrorEC1

500 - 498,99813
100% 0,20%
500

ErrorEC2

200 - 199,66404
100% 0,17%
200

ErrorEC3

30 - 30
100% 0,00%
30

De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacin
muy buena de los valores verdaderos.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

17

Convergencia
El mtodo Gauss-Seidel, al igual que la tcnica de iteracin de punto fijo, puede tambin
presentar dos problemas fundamentales: 1. en algunas ocasiones no es convergente. 2. Cuando
converge, con frecuencia lo hace en forma muy lenta.
El criterio de convergencia se puede desarrollar al recordar que las condiciones suficientes para
la convergencia de dos ecuaciones no lineales u(x, y) y v(x, y), son:
u
v

1
x
x

, y consecuentemente

u
v

1
y
y

En consecuencia, si el valor absoluto de g(x) <1, entonces los errores disminuyen con cada
iteracin. Si el valor absoluto de g(x) > 1, los errores crecen. Tambin se debe tener en cuenta
que si la derivada es positiva, los errores sern positivos; por otra parte si la derivada es
negativa, entonces los errores oscilaran.
Este criterio de convergencia se aplica tambin 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 expresin siguiente:
a 21
1 , e igualmente
a 22

a12
1
a11

En otras palabras, el valor absoluto de las pendientes en la ecuacin, deben ser menor que la
unidad para asegurar la convergencia. Adicionalmente podemos reformular la ecuacin anterior
de la siguiente forma:
a 22 a 21

, e igualmente

a11 a12

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 sistema de n ecuaciones, es
directa y puede ser expresada como:
n

a ii a i , j
j 1

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

18

Mtodo Gauss Seidel con relajacin


El mtodo de Gauss-Seidel con relajacin es muy similar al mtodo de
Gauss-Siedel excepto que este usa un factor de escala para reducir el error de aproximacin.
Considrese el siguiente conjunto de ecuaciones
n

a xj = bi ,i = 1, 2, , n
ij

j 1

Por el mtodo de Gauss-Seidel, de (8).


xi

(k)

1
a ii

i 1

b i - ai , j x j ( k )

j 1

j i 1

i, j

xj

( k 1)

Debe notarse que para cada clculo de xi, de las variables con ndice menor que i tienen el ndice
k, mientras que las variables con ndice mayor que i tienen el ndice (k-1). La ecuacin para el
mtodo de relajacin se basa en la siguiente relacin:
xi(k )
xi( k ) = xi( k 1)

1
a
ii

xi( k 1) +

(x -x
(k )
i

( k 1)
i

i 1
n

(k )
b

a
x

aij x (jk 1) xi( k 1)


i ij j

j 1
j i 1

i 1
n
1

(k )
( k 1)
( k 1)
bi aij x j aij x j xi es justo la diferencia entre
El trmino entre llaves
aii

j 1
j i 1

las variables de la previa y presente iteracin segn el mtodo de Gauss-Siedel

aii

i 1
n

(k )
b

a
x

aij x (jk 1) xi( k 1)

i ij j

j 1
j i 1

= [x
(k )
i

xi( k 1) ]Gauss-Seidel

Esta diferencia es esencialmente el error que se aproxima a cero para esta iteracin.
El mtodo de relajacin obtiene un nuevo valor estimado multiplicando esta diferencia por un
factor de escala y sumndolo al valor previo. La ecuacin puede ser escrita de la siguiente
forma:
xi( k ) = (1 ) xi( k 1) +

Jacobi, Gauss-Seidel, Relajacin

aii

i 1

j 1

j i 1

(k )
( k 1)
bi aij x j aij x j

Pagina de 32

19

Este mtodo permite mejorar la convergencia ya que despus de que se calcula cada nuevo valor
de x, este se modifica mediante un promedio ponderado de los resultados anterior y actual.

xi

nuevo

xi

nuevo

(1 ) xi

anterior

donde es un factor ponderado que tiene un valor entre 0 y 2.


Si =1 el resultado no se modifica y la ecuacin se transforma en la ecuacin para
Gauss-Siedel, cuando < 1 el mtodo es conocido como sub-relajacin el cual se emplea para
hacer que un sistema no convergente converja o apresure la convergencia al amortiguar las
oscilaciones.
Cuando > 1 es conocido como sobre-relajacin, se utiliza cuando la convergencia se mueve
en la direccin correcta hacia la solucin verdadera, pero con una velocidad demasiado lenta.
Por lo tanto se pretende que con la ponderacin mejore la aproximacin al llevarla ms cerca de
la verdadera.
La eleccin de se especifica de forma emprica, generalmente este mtodo no se utiliza para la
solucin de un solo sistema de ecuaciones. Es ms usual cuando un sistema en estudio se debe
resolver de manera repetitiva, una buena seleccin de ayudar a mejorar significativamente la
eficiencia del mtodo.

Ejemplo 3 (Ejercicio 11.9 Pg. 321)


Emplee el mtodo de Gauss-Seidel con relajacin para resolver (=0.90 y a = 5%):
-5 X1

+ 12 X3 = 80

4 X1

1 X2 1 X3 = - 2

6 X1

+ 8 X2

= 45

Si es necesario reordene las ecuaciones para que el sistema converja:


Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
12 x1
5
80
4 1 1 x 2

6
x3
45
8
Verificando el criterio de convergencia mediante la siguiente ecuacin:
n

ai ,i ai , j
j 1
j i

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

20

Resolviendo esta ecuacin para un sistema de 3 x 3 obtenemos lo siguiente:


a11 a12 a13
a 22 a 21 a 23
a 33 a31 a32

Convergencia: 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

4 1 1 x1
2

x 2 45
5
80
12 x3

8 6
12 5

Por lo tanto se puede asegurar la convergencia con este arreglo.


Las siguientes frmulas las utilizamos para encontrar X1, X2 y X3 en cada una de las iteraciones.
x1

b1 a12 x 2 a13 x3
a11

x2

b2 a 21 x1 a 23 x3
a 22

x3

b3 a31 x1 a32 x 2
a33

xi

nuevo

xi

nuevo

(1 ) xi

anterior

Para calcular el primer valor de X1, se asumirn X2 y X3 con valores cero. Entonces para X1,
x1

b1 a12 x 2 a13 x3
a11

2 1 x 2 1 x3
4
2 1 0 1 0
x1
4
x1 0,50000
x1

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

21

para calcular el valor de X2, se utilizar solamente el valor encontrado de X 1, dado que a23 es
cero.
b2 a 21 x1 a 23 x3
a 22

x2

45 6 x1
8
45 6 (0,50000)
x2
8
x 2 6,00000
x2

para calcular el valor de X3, se utilizar solamente el valor encontrado de X 1, dado que a32 es
cero.
x3

b3 a31 x1 a 32 x 2
a33

80 5 x1
12
80 5 ( 0,50000)
x3
12
x3 6,45833
x3

Entonces en la primera iteracin


x1 0,50000
x 2 6,00000
x3 6,45833

Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los calculados en la


primera iteracin, seguidamente se le aplicar la ponderacin con el factor . Entonces para X1,
x1

b1 a12 x 2 a13 x3
a11

2 1 x 2 1 x3
4
2 1 6,0000 1 6,45833
x1
4
x1 2,61458
x1

aplicando la ponderacin

x1

nuevo

x1

x1

nuevo

0,9 2,61458 (1 0,9) (0,50000)

x1

nuevo

2,30313

nuevo

(1 ) x1

anterior

para X2 se utiliza solamente el valor de X1 de la segunda iteracin, dado que a23 es cero.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

22

x2

b2 a 21 x1 a 23 x3
a 22

45 6 x1
8
45 6 ( 2,30313)
x2
8
x 2 3,89766
x2

aplicando la ponderacin
nuevo

x2

x1

nuevo

0,9 3,89766 (1 0,9) (6,00000)

x1

nuevo

4,10789

x2

nuevo

(1 ) x 2

anterior

para X3 se utiliza solamente el valor de X1 calculado en la segunda iteracin, dado que a32 es
cero.
x3

b3 a31 x1 a32 x 2
a33

80 5 x1
12
80 5 (2,30313)
x3
12
x3 7,62630
x3

aplicando la ponderacin

x3

nuevo

x3

x3

nuevo

0,9 7,62630 (1 0,9) (6,45833)

x3

nuevo

7,50951

nuevo

(1 ) x3

anterior

Entonces en la segunda iteracin


x1 2,30313
x 2 4,10789
x3 7,50951

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

23

Una vez obtenidos estos resultados, se debe calcular el error aproximado porcentual para cada
uno de los resultados, para ello utilizamos la siguiente frmula:

xr

nuevo

xr

xr

anterior

100%

nuevo

Para X1,
ax1
ax1

x1

nuevo

x1

x1

anterior

100%

nuevo

2,30313 ( 0,50000)
100%
2,30313

ax1 121,71% 5%
Para X2,
ax 2
ax 2

x2

nuevo

anterior

x2

x2

nuevo

100%

4,10789 6,00000
100%
4,10789

ax 2 46,06% 5%
Para X3,

ax 3
ax 3

x3

nuevo

x3

x3

nuevo

anterior

100%

7,50951 6,45833
100%
7,50951

ax 3 14,00% 5%
Dado que en las tres incgnitas el error aproximado porcentual es mayor a un 5% se debe hacer
una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos valores de
X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean menores
que el 5%.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

24

El resultado de estas iteraciones siguiendo el mismo procedimiento, se presenta en la Tabla 7.


Tabla 7: Resultados de las iteraciones por el mtodo de Gauss_Seidel con Relajacin
con un =0.9 del ejemplo 3 (ejercicio 11.9 pp. 321)
Iteracin

x1

x2

x3

a x1

a x2

a x3

0,00000

0,00000

0,00000

-0,50000

6,00000

6,45833

2,30313

4,10789

7,50951

121,71%

46,06%

14,00%

2,39423

3,85719

7,64879

3,81%

6,50%

1,82%

2,37827

3,84289

7,65673

0,67%

0,37%

0,10%

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. Por lo tanto los
resultados aproximados que cumplen con la condicin establecida son:
x1 2,37827
x 2 3,84289
x3 7,65673

Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
17 *(2,37827)

2 *(3,84289) 3 *(7,65673) = -1,98655

-5 *(2,37827)

+ 21 *(3,84289) 2 *(7,65673) = 45,01271

-5 *(2,37827)

5 *(3,84289) + 22 *(7,65673) = 79,98941

Al calcular los porcentajes de error de estos resultados se obtiene lo siguiente:


- 2 - (-1,98655)
100% 0,67%
-2
45 - 45,01271

100% 0,03%
45
80 - 79,98941

100% 0,01%
80

ErrorEC1
ErrorEC2
ErrorEC3

De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacin
muy buena de los valores verdaderos.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

25

Si graficamos la convergencia de los datos por el mtodo de Gauss-Seidel sencillo y el que posee
relajacin se puede observar lo siguiente:

Como se puede ver el mtodo con relajacin amortigua las oscilaciones en los resultados hacia la
convergencia.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

26

Ejercicios adicionales
Siguiendo los mismos procedimientos se resolvieron las ecuaciones del ejercicio 11.1 de la
pgina 320 por el mtodo de Jacobi, el de Gauss-Seidel y el de Gauss-Seidel con relajacin, con
el fin de poder comparar los tres mtodos. Se busca un error aproximado menor o igual al 5%.
Sistema tridiagonal del ejercicio 11.1
2 X1

1 X2

= 124

-1 X1

+ 2 X2 1 X3 = 4
1 X2 + 2 X3 = 14

Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:


2 1
x1
124
1 2 1 x 4

14
1 2 x3
A continuacin se presentan los resultados obtenidos utilizando Excel.

Ejemplo 4
Por el Mtodo de Jacobi
Frmulas:

x1

b1 a12 x2 a13 x3
a11

x2
a

b2 a21 x1 a23 x3
a22
xr

nuevo

xr

xr

x3

b3 a31 x1 a32 x2
a33

anterior

nuevo

100%

Resultados obtenidos:
Iteracin

X1

x2

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
96,21875

68,43750
68,56250

39,06250
41,21875

0,133%

6,301%

0,320%

2,241%

0,182%

5,231%

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

27

10

96,28125

70,71875

41,28125

0,065%

3,049%

0,151%

En amarillo se resaltan los resultados que indican un error aproximado menor o igual al 5%, esto
es oscilante, hasta la dcima iteracin se consigue un error aproximado en las tres incgnitas que
satisfaga el criterio de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
x1 96,28125
x 2 70,71875
x3 41,28125

Ejemplo 5
Por el Mtodo de Gauss-Seidel
Frmulas:

x1

b1 a12 x2 a13 x3
a11

x2
a

b2 a21 x1 a23 x3
a22
xr

nuevo

xr

xr

x3

b3 a31 x1 a32 x2
a33

anterior

nuevo

100%

Resultados obtenidos:
Iteracin

x1

x2

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%

En amarillo se resaltan los resultados que indican un error aproximado menor o igual al 5%, se
consigue en la quinta iteracin un error aproximado en las tres incgnitas que satisfaga el criterio
de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
x1 96,00000
x 2 70,50000
x3 42,25000

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

28

Como se puede observar el resultado se obtuvo en la mitad de las iteraciones que se requirieron
con el mtodo de Jacobi.

Ejemplo 6
Por el Mtodo de Gauss-Seidel con relajacin
Con = 1,20
Frmulas:

x1

b1 a12 x2 a13 x3
a11

x2
xi

nuevo

b2 a21 x1 a23 x3
a22

xi

nuevo

(1 ) xi

nuevo

xr

anterior

xr

xr

x3

b3 a31 x1 a32 x2
a33

anterior

100%

nuevo

Resultados obtenidos:
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%

En amarillo se resaltan los resultados que indican un error aproximado menor o igual al 5%, se
consigue en la cuarta iteracin un error aproximado en las tres incgnitas que satisfaga el criterio
de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
x1 97,78256
x 2 72,63715
x3 43,45218

Como se observa el resultado se obtuvo en una iteracin menos que cuando se utiliz el mtodo
sin relajacin.

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

29

Haciendo un resumen de los resultados obtenidos en la siguiente tabla:


Incgnita

Valores
Iteraciones
verdaderos

Valores aproximados
Jacobi
Seidel
C/Relaj

Errores verdaderos
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%

Se puede observar entonces que el mtodo de Jacobi es el que utiliza una mayor cantidad de
iteraciones y que adems tiene errores mayores con respecto al valor verdadero.
En el caso de Seidel los errores son medianos, pero la cantidad de las iteraciones en mucho
menor que en el caso de Jacobi.
Para el caso en el que se utiliza 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 para lo cual no hay un criterio establecido, ms que la experiencia.
Observando esto grficamente en cada una de las variables:

Jacobi, Gauss-Seidel, Relajacin

Pagina de 32

30

En modo grfico 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.

Sntesis
La tcnica aproximada por conocer como mtodo de Gauss-Seidel, difiere de las tcnicas
exactas porque emplea un esquema iterativo para obtener, progresivamente, estimaciones ms
cercanas a la solucin. El efecto del error de redondeo es un punto discutible en el mtodo de
Gauss-Seidel, ya que se pueden continuar las iteraciones hasta que se obtenga la precisin
deseada. Adems, se pueden desarrollar versiones del mtodo de Gauss-Seidel para utilizar de
manera eficiente los requerimientos de almacenaje en computadora con sistemas dispersos. En
consecuencia, la tcnica de Gauss-Seidel es til para grandes sistemas de ecuaciones, donde los
requerimientos de almacenaje podran llevar a problemas significativos con las tcnicas exactas.
La desventaja del mtodo de Gauss-Seidel es que no siempre converge o algunas veces
converge de manera lenta a la solucin verdadera. Es confiable slo para aquellos sistemas que
son diagonalmente dominantes. Sin embargo, los mtodos de relajacin contrarrestan tales
desventajas. Adems, como muchos sistemas de ecuaciones algebraicas lineales surgen de
sistemas fsicos que presentan dominancia diagonal, el mtodo de Gauss-Seidel tiene gran
utilidad para resolver problemas de ingeniera.
En resumen, varios factores sern relevantes en la eleccin de una tcnica para un problema
en particular que involucre ecuaciones algebraicas lineales. No obstante, como se mencion
antes, el tamao y la densidad del sistema son factores particularmente importantes en la
determinacin de su eleccin.
La figura 2 se emplea para resumir los algoritmos para solucionar ecuaciones algebraicas lineales
y proporciona una visin general, que ser de gran ayuda para revisar y aclarar las principales
diferencias entre los mtodos.

Desplazamiento
succesivo

Desplazamiento
simultneo

Primera iteracin

Segunda iteracin

Gauss-Seidel

Gauss-Seidel con relajacin

Jacobi, Gauss-Seidel, Relajacin

Iterativo de Jacobi

xinuevo xinuevo (1 ) xianterior

Pagina de 32

31

Figura 2: Resumen de pasos de los mtodos iterativos Jacobi,


Gauss_Seidel sin y con relajacin

BIBLIOGRAFA
Steven Chapra, Raymond Canale. Mtodos numricos para ingenieros, cuarta edicin, 2003.
pp 301-313, 320-321, 344-346.
The

Jacobi
Method,
marzo
2004.
http:/www.netlib2.cs.utk.edu/linalg/html_templates/node12.html)

The

Gauss_Seidel
Method,
marzo
2004.
http:/www.netlib2.cs.utk.edu/linalg/html_templates/node14.html)

The

Successive
Overrelaxation
Method,
marzo
2004.
http:/www.netlib2.cs.utk.edu/linalg/html_templates/node15.html)

Jacobi, Gauss-Seidel, Relajacin

(disponible

(disponible

(disponible

Pagina de 32

en

en

en

32

You might also like