Professional Documents
Culture Documents
I Semestre 2004
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
---
Limitado
---
---
General
Moderada
---
General
Moderada
Puede no converger si
no es diagonalmente
dominante
EXCELENTE
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
Pagina de 32
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
Pagina de 32
2n 2 n / 2
Sumas / restas
n /2
21
12
10
895
495
50
64975
62475
100
509950
499950
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)
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.
Pagina de 32
15 *V
0
0
0
0
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
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
(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
( 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)
2 X2 3 X3 = 500
-5 X1
+ 21 X2 2 X3 = 200
-5 X1
5 X2 + 22 X3 = 30
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,
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
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,
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
Una vez obtenidos estos resultados se deben calcular el error aproximado porcentual para cada
uno, para ello se utilizar la siguiente frmula:
nuevo
anterior
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
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)
-5 *(33,88347)
-5 *(33,88347)
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.
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
(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)
Pagina de 32
12
2 X2 3 X3 = 500
-5 X1
+ 21 X2 2 X3 = 200
-5 X1
5 X2 + 22 X3 = 30
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
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.
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
b1 a12 x 2 a13 x3
a11
x1
500 2 x 2 3 x3
17
x1
x1 33,43916
Pagina de 32
14
b2 a 21 x1 a 23 x3
a 22
x2
200 5 x1 2 x3
21
x2
x 2 18,60972
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
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%
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
Pagina de 32
16
Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
17 *(33,92931)
-5 *(33,92931)
-5 *(33,92931)
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.
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
Pagina de 32
18
a xj = bi ,i = 1, 2, , n
ij
j 1
(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
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
aii
i 1
n
(k )
b
a
x
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) +
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
+ 12 X3 = 80
4 X1
1 X2 1 X3 = - 2
6 X1
+ 8 X2
= 45
6
x3
45
8
Verificando el criterio de convergencia mediante la siguiente ecuacin:
n
ai ,i ai , j
j 1
j i
Pagina de 32
20
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
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
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
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
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.
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
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
x3
nuevo
7,50951
nuevo
(1 ) x3
anterior
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%.
Pagina de 32
24
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)
-5 *(2,37827)
-5 *(2,37827)
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.
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.
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
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%
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
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.
Pagina de 32
29
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:
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
Iterativo de Jacobi
Pagina de 32
31
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)
(disponible
(disponible
(disponible
Pagina de 32
en
en
en
32