Métodos de Solución de

Ecuaciones Lineales
Métodos Iterativos
Eduardo Carrillo Zambrano
Métodos Iterativos
Ventajas :
üLos métodos iterativos permiten al usuario el
control de errores de redondeo.
- métodos de eliminación , tales como eliminación de Gauss y
la descomposición LU son propensos a la propagación de los
errores de redondeo.
ü
üComputacionalmente más eficiente para matrices
grandes.
ü
üAplicación a matrices dispersas no es problema
Método de Jacobi

Procedimiento Básico

vAlgebraicamente resolver cada ecuación lineal para

xi
v
vSuponga una vector solución inicial

vUtilice error absoluto relativo aproximado

después de cada iteración para comprobar si el error
está dentro de un margen de tolerancia establecido
con antelación.
Método de Jacobi
Los métodos iterativos se utilizan para sistemas de un
gran número de ecuaciones con un alto porcentaje de
elementos cero.

Un método de solución de

[ A] nxn [ x] nx1 = [ b] nx1

Comienza con una aproximación x (0) y genera la sucesión de
vectores
{x (k) } k = 0 .. 
Método de Jacobi

El sistema Ax = b se escribe de la forma

x = Tx + c
Donde T es una matriz fija y c un vector.
La sucesión de vectores se genera calculando

x (k+1) = T x (k) + c
Método de Jacobi
Demostración:
Escribimos la matriz del sistema como
 a11 a12  a1m 
a a22  a2 m 
A =  21
   
 
an1 an 2  anm 
a11 0  0   0 0  0 0 − a12  − a1m 
0 a22  0  − a21 0  0 0 0  − a 
= − − 2 m 
            
     
0 0  anm  − an1 − a n 2  0  0 0  0 

A = D - L -
U
Método de Jacobi

A x= b
(D – L – U )x= b
D x = (L + U )x+ b
x = D -1 (L + U )x+ D -1b
(k+ 1)
x = D (L + U )x + D b
-1 (k) -1
k = 1, 2,...
(k+ 1)
x = Tj x (k)
+ cj Métodos iterativos
Método de Jacobi

Un set de n ecuaciones con n incógnitas:

* Si los elementos de la
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1 diagonal son diferentes
de cero.
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2 ØReescribir cada ecuación
. . en función de las
.
.
.
.
incógnitas
correspondientes.
an1 x1 + an 2 x2 + an 3 x3 + ... + ann xn = bn * Despejar de la primera
ecuación ( x 1 )
La segunda ecuación (x 2 )
Método de Jacobi
Reescribiendo cada
ecuación:
b − a x − a x  − a1n xn Desde la ecuación 1
x1 = 1 12 2 13 3
a11

b 2 − a 21x1 − a 23 x 3  − a 2 n x n Desde la ecuación 2

x2 =
a 22
  
Desde la ecuación n-
b n −1 − a n −1,1x1 − a n −1, 2 x 2  − a n −1,n − 2 x n − 2 − a n −1,n x n 1
x n −1 =
a n −1,n −1
b n − a n1x1 − a n 2 x 2 −  − a n ,n −1x n −1
xn = Desde la ecuación n
a nn
Método de Jacobi

Forma general de cada ecuación:

n n

b1 − ∑ a1 j x j b n −1 − ∑a
j=1
n −1, j xj
j =1
j≠ n −1
x1 =
j ≠1 x n −1 =
a11 a n −1,n −1
n
bn − ∑ anj x j
n
b2 − ∑ a2 j x j
j =1 j =1
j ≠2 j≠n
x2 = xn =
a22 ann
Método de Jacobi
Se resuelve la i-ésima ecuación para xi:

n
 aij x j  bi
xi = ∑  −  +
j =1  aii  aii
j ≠i

Siempre que aii  0

∑ (− a x ) + b
n
(k )
ij j i
j =1
j ≠i
xi( k +1) =
aii
 Método de Jacobi
Despejar las incógnitas

Asumir un valor inicial para [X(k) ]

 x10 
 0 Use las ecuaciones
 x2  reescritas en función de
  x i.
 0 
 x n -1 
 x0 
 n
Método de Jacobi
Cáalculo del Error absoluto relativo aproximado

xinuevo − xianterior
∈a i
= nuevo
×100
xi
Entonces ¿ Cuándo se ha hallado la respuesta
correcta?
[max ∈ ] ≤∈
a i s

Se finalizan las iteraciones cuando el máximo Error

absoluto relativo aproximado es menor que la
tolerancia especificada para todas las incógnitas.
Método de Jacobi : Ejercicio
1
Ejercicio :
La velocidad ascendente de un cohete se da en tres
momentos diferentes
Tabla 1 Velocidad vs.
Tiempo
Tiempo , t ( s ) Velocidad v ( m/s )
5 106,8
8 177,2
12 279,2

Los datos de velocidad son

aproximados por el polinomio:
v( t ) = a1t 2 + a2t + a3 , 5 ≤ t ≤ 12.
Método de Jacobi : Ejercicio
1
 t12 t1 1  a 1   v1 
Planteando la matriz, se tiene:  2 
t 2 t 2 1 a 2  =  v 2 
 t 32 t 3 1 a 3   v 3 


Formando la matriz, con el  25 5 1  a 1  106,8 

sistema de ecuaciones  64 8 1 a  = 177,2 
   2  
144 12 1 a 3  279,2

 a1  1 
Asumiendo los valores iniciales para  a  =  2
el vector solución:  2  
 a3  5
Método de Jacobi : Ejercicio
1

Reescribiendo las
ecuaciones: 106,8 − 5a2 − a3
a1 =
25
 25 5 1  a 1  106,8 
 64 8 1 a  = 177,2  177,2 − 64a1 − a3
   2   a2 =
144 12 1 a 3  279,2 8

279,2 − 144a1 − 12a2

a3 =
1
Método de Jacobi : Ejercicio
1
Aplicar los valores iniciales y resolver
para ai

106,8 − 5(2) − (5)

 a1  1  a1 = = 3,6720
 a  =  2 25
 2  
 a3  5 177,2 − 64(1) − ( 5)
a2 = = 13,525
Valores 8
iniciales
279,2 − 144(1) − 12( 2 )
a3 = = 111,2
1
Método de Jacobi : Ejercicio
1
Hallar el Error absoluto relativo
aproximado
Al final de la primera
xinew − xiold iteración:
∈a i = new
×100
xi
 a1   3,672 
3,672 − 1 a  = 13,525
∈a 1 = x100 = 72,76%  2  
3,672  a3   111,2 

13,525 − 2
∈a 2 = x100 = 85,21%
13,525 El máximo error
absoluto relativo
aproximado es 95 , 5 %
111,2 − 5
∈a 3 = x100 = 95,5%
111,2
Método de Jacobi : Ejercicio
1
Iteración #2
Usando
Los valores hallados para ai
 a1   3,672  son:
a  = 13,525
 2   106,8 − 5(13,525) − 111,2
 a3   111,2  a1 = = −2,881
25
De la iteración #1
177,2 − 64( 3,672 ) − 111,2
a2 = = −21,126
8

279,2 − 144( 3,672 ) − 12(13,525)

a3 = = −411,868
1
Método de Jacobi : Ejercicio
1
Iteración #2
Hallar el Error absoluto relativo
aproximado
Al final de la Segunda
− 2,881 − 3,672 iteración:
∈a 1 = x100 = 227,46%
− 2,881
 a1   − 2,881 
a  =  − 21,126 
∈a 2 =
− 21,126 − 13,525
x100 = 55,78%
 2  
− 21,126  a3  − 411,868

− 411,868 − 111,2
∈a 3 = x100 = 126,99% El máximo error
− 411,868
absoluto relativo
aproximado es 227 , 46
%
Método de Jacobi : Ejercicio
1
Realizando mas iteraciones obtenemos:
Iteration a 1 a2 a3
∈a 1 % ∈a 2 % ∈a 3 %
1 3,672 72,77 −13,525 85,21 111,200 95,50
2 -2,881 227,46 -21,126 164,02 -411,868 127,00
3 24,972 111,54 96,682 121,85 947,576 143,47
4 -52,967 147,15 -296,072 132,65 -4476,93 121,17
5 242,564 121,84 1005,506 129,45 11459,36 139,07
6 -655,204 137,02 -3350,78 130,01 -46716,0 124,53

Note – El error relativo no decrece a una tasa

significativa.
La solución no esta convergiendo a la
 a 1  0.29048
solución real de: a  =  19.690 
 2  
a 3   1.0857 
Método de Jacobi
¿ Cuál es el
Error?
Aunque se esta haciendo lo correcto, la respuesta
No esta convergiendo a la respuesta Correcta.
Este ejemplo ilustra una desventaja de los métodos
Iterativos: No todos los sistemas de ecuaciones
convergen.
¿ Existe una solución?
Una clase de sistemas de ecuaciones siempre converge:
una matriz diagonalmente dominante .
Una matriz [A] es Diagonalmente dominante si:
n n
aii ≥ ∑ aij Para todo ‘i’ y aii > ∑ aij Por lo menos un ‘i’
j =1 j =1
j ≠i j ≠i
Método de Jacobi

Diagonalmente dominante: los coeficientes de la

diagonal deben ser al menos igual a la suma de los
coeficientes de cada fila y al menos una fila con un
coeficiente mayor a la suma de los otros
coeficientes de la fila.
n n
aii ≥ ∑ aij Para todo ‘i’ y aii > ∑ aij Por lo menos un ‘i’
j =1 j =1
j ≠i j ≠i

Se llama Matriz
estrictamente dominante
Método de Jacobi : Ejercicio
2
Ejercicio :
Dado el siguiente sistema de
ecuaciones:

12 x1 + 3 x2 - 5 x3 = 1 Coeficientes de la
matriz:
x1 + 5 x2 + 3x3 = 28 12 3 − 5
3x1 + 7 x2 + 13x3 = 76 [ A] =  1 5 3 
 3 7 13 
Con Valores
iniciales: Convergerá la solución
 x1  1 usando el método de Jacobi?
 x  = 0
 2  
 x3  1
Método de Jacobi : Ejercicio
2
Se chequea si la matriz es diagonalmente
dominante.
a11 = 12 ⇒ 12 ≥ a12 + a13 = 3 + − 5 = 8
12 3 − 5
[ A] =  1 5 3  a22 = 5 ⇒ 5 ≥ a21 + a23 = 1 + 3 = 4
 3 7 13 
a33 = 13 ⇒ 13 ≥ a31 + a32 = 3 + 7 = 10

Todas las desigualdades se cumplen y al menos una fila

es estrictamente mayor.
Por lo tanto : La solución debe converger
usando el método de Jacobi
Método de Jacobi : Ejercicio
2
Reescribiendo cada Valores
ecuación: iniciales:
12 3 − 5  x1   1   x1  1
 1 5 3   x  = 28  x  = 0 
   2    2  
 3 7 13   x 3  76  x3  1

1 − 3x 2 + 5 x3 1 − 3( 0 ) + 5(1)
x1 = x1 = = 0,5
12 12

28 − x1 − 3 x3 28 − (1) − 3(1)
x2 = x2 = = 4,8
5 5

76 − 3 x1 − 7 x 2 76 − 3(1) − 7( 0)
x3 = x3 = = 5,615
13 13
Método de Jacobi : Ejercicio
2
El error absoluto relativo
aproximado
0,5 − 1
∈a 1 = ×100 = 100%
0,5

4,8 − 0
∈a 2
= ×100 = 100%
4,8

5,615 − 1
∈a 3 = ×100 = 82,19%
5,615
El máximo error absoluto
relativo aproximado después
de la primera iteración es
100 % .
Método de Jacobi : Ejercicio
2
Iteración #1
 x1   0,5 
 x  =  4,8 
 2  
 x3  5,615

Sustituyendo los valores de [X(1) ]

dentro de las ecuaciones: Iteración #2

1 − 3( 4,8) + 5( 5,615)
x1 = = 1,223  x1  1,223
12
 x  = 2,131
28 − ( 0,5) − 3( 5,615)  2  
x2 = = 2,131  x3  3,146
5

76 − 3( 0,5) − 7( 4,8)
x3 = = 3,146
13
Método de Jacobi : Ejercicio
2
Iteración #2 error absoluto relativo aproximado
1,223 − 0,5
∈a 1 = ×100 = 59,12%
1,223
2,131 − 4,8
∈a 2
= ×100 = 125,25%
2,131
3,146 − 5,615
∈a 3 = ×100 = 78,48%
3,146

El máximo error absoluto relativo es de 125,25%.

Este es un error mayor al obtenido en la iteración
#1.
¿ Esto es un problema?
Método de Jacobi : Ejercicio
2
Seguir Iterando se obtiene:

Iterati a1 a2 a3
on
1 0,500 100∈ a 1%
,00 4,800 ∈
100,00
a 2 % 5,615 82∈ a 3%
,19
2 1,223 59,12 2,131 125,27 3,146 78,48
3 0,862 41,96 3,468 38,55 4,417 28,76
4 1,057 18,46 2,778 24,84 3,780 16,84
5 0,964 9,62 3,121 10,99 4,107 7,95
6 1,014 4,96 2,943 6,03 3,943 4,14
11 0,999 0,15 3,002 0,19 4,002 0,14

La solución  x1  0.999 Esta cerca de la  x1  1 

obtenida es:  x2  = 3.002  x  =  3
solución exacta  2  
 x3  4.002 de:  x3  4
Método de Jacobi : Ejercicio
3
Dado el sistema de
ecuaciones:
Reescribiendo las
3 x1 + 7 x2 + 13 x3 = 76 ecuaciones:
76 − 7 x2 − 13 x3
x1 + 5 x2 + 3 x3 = 28 x1 =
3
12 x1 + 3 x2 − 5 x3 = 1 28 − x1 − 3 x3
x2 =
Valores iniciales: 5
 x1  1 1 − 12 x1 − 3 x 2
 x  = 0  x3 =
 2   −5
 x3  1
Método de Jacobi : Ejercicio
3
Llegando hasta la sexta iteración tenemos:

Iteratio a 1 A2 a3
n ∈a 1 % ∈a 2 % ∈a 3 %
1 21,000 95,24 4,800 100,00 2,200 54,55
2 4,600 356,5 0,080 5900,0 53,080 95,86
3 -204,867 102,25 -27,168 100,29 10,888 387,51
4 41,544 593,13 40,041 167,85 -508,181 102,14
5 2134,022 98,05 302,200 86,75 123,530 511,38
6 -1215,096 275,6 -495,322 161,01 5302,773 97,67

Los valores no convergen.

Esto significa que No se puede usar el método de
Jacobi?
Método de Jacobi : Ejercicio
3
El método de Jacobi puede usarse aun:

 3 7 13 
La matriz no es
diagonalmente dominante [ A] =  1 5 3 
12 3 − 5
12 3 − 5 Pero este mismo set de
[ A] =  1 5 3  ecuaciones se uso en el
ejemplo # 2, el cual Converge.
 3 7 13 

Si el sistema de ecuaciones no es diagonalmente

dominante, se debe chequear si un arreglo de la
matriz se puede formar una matriz diagonalmente
dominante.
Método de Jacobi : Ejercicio
3
No todos los sistemas de ecuaciones pueden ser
arreglados para obtener una matriz diagonalmente
dominante.
Observe el siguiente set de ecuaciones:
x1 + x 2 + x3 = 3
2 x1 + 3 x 2 + 4 x3 = 9
x1 + 7 x 2 + x3 = 9

¿Qué ecuación (s) evita que este conjunto de

ecuaciones tener una matriz diagonal dominante?
Método de Gauss Seidel
En el método de Jacobi se calcula xk+1 con las componentes
xk. El método de Gauss-Seidel sugiere una mejora, como
para i > 1 ya se calcularon x1k+1 , …., xi-1 k+1 , se utilizan para
calcular xik+1
En el paso k+1 se utilizan las xi ya calculadas.

− ∑ ( aij x kj +1 ) − ∑ (a x kj ) + bi
i −1 n

ij
j =1 j =i +1
xik +1 = − para i = 1, 2, ...., n
aii
Excepto por esta fórmula, el algoritmo es el mismo que
el de Jacobi.
Método de Gauss Seidel

Procedimiento Básico

vAlgebraicamente resolver cada ecuación lineal para

xi
v
vSuponga una vector solución inicial
vUtilice error absoluto aproximado relativo
después de cada iteración para comprobar si el error
está dentro de un margen de tolerancia establecido
con antelación.
Método de Gauss Seidel

− ∑ ( aij x ) − ∑ (a x kj ) + bi
i −1 n
k +1
j ij
j =1 j =i +1
xik +1 = − para i = 1, 2, ...., n
aii

Para un sistema de ecuaciones:

a11 x1k +1 = − a12 x2k − a13 x3k − ... − a1n xnk + b1

a21 x1k +1 + a22 x2k +1 = − a23 x3k − ... − a2 n xnk + b2
 
an1 x1k +1 + an 2 x2k +1 + ... + ann xnk +1 = bn
Método de Gauss Seidel
Reescribiendo las ecuaciones:

− a x k
− a x k
− ... − a1n n + b1
x k
x1k +1 = 12 2 13 3
a11
k +1
k +1 − a x − a x k
− ... − a 2 n n + b2
x k
x2 = 21 1 23 3
a22
k +1 k +1
− a x − a x + ... + bn
xnk +1 = n1 1 n2 2
ann

( ) − ∑ (a )
i −1 n
− ∑ aij x k +1
j ij x kj + bi
j =1 j =i +1
xik +1 = − para i = 1, 2, ...., n
aii
Método de Gauss Seidel
Despejar las incógnitas

Asumir un valor inicial para Use las ecuaciones

[X(0) ] reescritas en función de
x i.
 x1 
0

 0
 x2  Nota : Siempre se usa el
  valor mas reciente de xi.
 0  Lo que significa que se
 x n -1  aplican los valores
calculados para los
 x0 
 n cálculos que quedan en la
iteración actual.
Método de Gauss Seidel
Calculo del Error absoluto relativo aproximado

xinuevo − xianterior
∈a i
= nuevo
×100
xi
Entonces Cuando se ha hallado la respuesta
correcta?
[max ∈ ] ≤∈
a i s

Se finalizan las iteraciones cuando el máximo Error

absoluto relativo aproximado es menor que la
tolerancia especificada para todas las incógnitas.
Método de Gauss Seidel :
Ejercicio
Ejercicio :
Dado el siguiente sistema de
ecuaciones:

12 x1 + 3 x2 - 5 x3 = 1 Coeficientes de la
matriz:
x1 + 5 x2 + 3x3 = 28 12 3 − 5
3x1 + 7 x2 + 13x3 = 76 [ A] =  1 5 3 
 3 7 13 
Con Valores
iniciales: Convergerá la solución
 x1  1 usando el método de gauss
 x  = 0 seidel?
 2  
 x3  1
Método de Gauss Seidel :
Ejercicio
Se chequea si la matriz es diagonalmente
dominante.
a11 = 12 ⇒ 12 ≥ a12 + a13 = 3 + − 5 = 8
12 3 − 5
[ A] =  1 5 3  a22 = 5 ⇒ 5 ≥ a21 + a23 = 1 + 3 = 4
 3 7 13 
a33 = 13 ⇒ 13 ≥ a31 + a32 = 3 + 7 = 10

Todas las desigualdades se cumplen y al menos una fila

es estrictamente mayor.
Por lo tanto : La solución debe converger
usando el método de Gauss Seidel .
Método de Gauss Seidel :
Ejercicio
Reescribiendo cada Valores
ecuación: iniciales:
12 3 − 5  x1   1   x1  1
 1 5 3   x  = 28  x  = 0 
   2    2  
 3 7 13   x 3  76  x3  1

1 − 3x 2 + 5 x3 1 − 3( 0 ) + 5(1)
x1 = x1 = = 0,5
12 12

28 − x1 − 3 x3 28 − ( 0,5) − 3(1)
x2 = x2 = = 4,9
5 5

76 − 3 x1 − 7 x 2 76 − 3( 0,5) − 7( 4,9)
x3 = x3 = = 3,092
13 13
Método de Gauss Seidel :
Ejercicio
El error absoluto relativo
aproximado
0,5 − 1
∈a 1 = ×100 = 100%
0,5

4,9 − 0
∈a 2
= ×100 = 100%
4,9

3,092 − 1
∈a 3 = ×100 = 67.66%
3,092
El máximo error absoluto
relativo aproximado después
de la primera iteración es
100 % .
Método de Gauss Seidel :
Ejercicio
Iteración #1
 x1   0,5 
 x  =  4,9 
 2  
 x3  3,092

Sustituyendo los valores de [X(1) ]

dentro de las ecuaciones: Iteración #2

1 − 3( 4,9 ) + 5( 3,092 )
x1 = = 0,14679
12  x1  0,14679
 x  =  3,7153 
28 − ( 0,14679 ) − 3( 3,092 )  2  
x2 = = 3,7153  x3   3,8118 
5

76 − 3( 0,14679 ) − 7( 4,9)
x3 = = 3,8118
13
Método de Gauss Seidel :
Ejercicio
Iteración #2 error absoluto relativo aproximado

0,14679 − 0,5
∈a 1 = ×100 = 240,61%
0,14679
3,7153 − 4,9
∈a 2
= ×100 = 31,889%
3,7153
3,8118 − 3,092
∈a 3
= ×100 = 18,874%
3,8118
El máximo error absoluto relativo es de 240,61%.
Método de Gauss Seidel :
Ejercicio
Seguir Iterando se obtiene:

Iteratio a1 a2 a3
n1 0.50000 ∈.00
100 a 1% 4.9000 100∈ a 2 % 3.0923
.00 ∈a 3 %
67.662
2 0.14679 240.61 3.7153 31.889 3.8118 18.876
3 0.74275 80.236 3.1644 17.408 3.9708 4.0042
4 0.94675 21.546 3.0281 4.4996 3.9971 0.65772
5 0.99177 4.5391 3.0034 0.82499 4.0001 0.074383
6 0.99919 0.74307 3.0001 0.10856 4.0001 0.00101

La solución  x1  0.9992  x1  1 
 x  =  3.0001 Esta cerca de la
obtenida es:  x  =  3
 2   solución exacta  2  
 x3   4.0001 de:  x3  4
Comparando resultados
Iteration a 1 a2 a3
∈a 1 % ∈a 2 % ∈a 3 %
Jacob

1 0,500 100,00 4,800 100,00 5,615 82,19

2 1,223 59,12 2,131 125,27 3,146 78,48
3 0,862 41,96 3,468 38,55 4,417 28,76
4 1,057 18,46 2,778 24,84 3,780 16,84
i

5 0,964 9,62 3,121 10,99 4,107 7,95

6 1,014 4,96 2,943 6,03 3,943 4,14
11 0 , 999 0 , 15 3 , 002 0 , 19 4 , 002 0 , 14

Iteration a1 a2 a3
1 0.50000 100 ∈.a001 % 4.9000 100.∈00a 2 % 3.0923 ∈a 3 %
67.662
2 0.14679 240.61 3.7153 31.889 3.8118 18.876
3 0.74275 80.236 3.1644 17.408 3.9708 4.0042
4 0.94675 21.546 3.0281 4.4996 3.9971 0.65772
Seidel

5 0.99177 4.5391 3.0034 0.82499 4.0001 0.074383

Gauss

6 0 . 99919 0 . 7430 3 . 0001 0 . 10856 4 . 0001 0 . 00101

Gauss - Seidel con relajación
Recordando la formula para el método de Gauss-Seidel donde:

−1  
i −1 n
xi k +1
= − bi +
aii  ∑a ij x j
k +1
+ ∑ k
aij x j 

 j =1 j =i +1

1≤ i ≤ n

Ax = b
Directo
x = Tx + C
iterati
vo
Si decimos que:

A= N Una matriz
dominante
positiva
y
diagonalmente
definida

Y también que:

N = L + I +U
Matriz de términos
por debajo de la Matriz Idéntica Matriz de términos
por encima de la
diagonal de N diagonal de N
 Entonces tenemos que:

(L + I + U )x = T
Donde sumando x a cada lado y expandiendo la ecuación se tiene que:

x = x + (T − Lx − Ix − Ux)
 Como el método de Gauss-Seidel es un método cuya característica es el
desplazamiento sucesivo de los valores de x, la expresión expandida
resultante es la siguiente:

x k +1
(
= x + T − Lx
k k +1
− Ix − Ux
k k +1
)
Detallando detenidamente la expresión anterior se puede deducir que
la expresión que se encuentra encerrada en paréntesis seria el
equivalente a un residuo, es decir la diferencia existente entre la
solución k y la solución k+1.

k +1
x −x =r
k k
Lo expuesto anteriormente es de suma importancia ya que la
manipulación de este residuo por medio de un factor w(factor de
relajación) el cual permite que un sistema divergente se pueda
tornar convergente o un sistema cuya convergencia sea lenta se
pueda acelerar.

k +1
x − x = wr
k k

•Puede variar entre 0 y 2.

•Si 0<w<1, lo que se pretende es acelerar la

w convergencia (método de subrelajación).

•Si 1<w<2, lo que se pretende es acelerar la
convergencia(método
sucesiva o SOR).
de sobrerelajación

•
Aunque existan una variedad de corolarios en la literatura
que permitan plantear una valor de w, experimentalmente se
puede seleccionar el mejor a través de una grafica de
%Error vs w, donde se escoge el w que muestre el menor
error:

% Error

w
w óptimo
Si se reescribe la formula anterior en su forma expandida tendríamos que:

x k +1
= x + w T − Lx
k
( k +1
− Ix − Ux
k k +1
)
Por lo que finalmente formula general para el método de Gauss-Seidel con
relajación sería:

 i −1 n 
xi = x i + w bi − ∑ Lij x j − xi − ∑ U ij x j 
k +1 k k +1 k k

 j =1 j =i +1 
k +1 k +1
xi = w x i + (1 − w) x i k
1≤ i ≤ n
Ejemplo
El sistema lineal AX=b dado por:

4 x1 + 3x2 = 24
3x1 + 4 x2 − x3 = 30
− x2 + 4 x3 = − 24

Cuya solución es el vector (3,4,-5). Se le ha empleado el método

de Gauss-Seidel y SOR con w=1,25 usando un vector solución
inicial de [1,1,1].
Las ecuaciones para el método de Gauss-Seidel son:

k +1 k
x1 = − 0,75x2 + 6
k +1 k +1 k
x2 = − 0,75x1 + 0,25x2 + 7,5
k +1 k +1
x3 = 0,25x2 −6
 Las ecuaciones para el método SOR con w=1,25 son:

k +1 k k
x1 = − 0,25x1 − 0,9375x2 + 7,5
k +1 k +1 k k
x2 = − 0,9375x1 − 0,25x2 + 0,3125x3 + 9,375
k +1 k +1 k
x3 = 0,3125x2 − 0,25x3 − 7,5
En las tablas que se observaran a continuación las primeras siete
iteraciones para cada método. Para que las iteraciones tengan una muy
buena exactitud, el método de Gauss-Seidel requiere 34 iteraciones
mientras que le método de sobrerelajación con w=1,25 solo requiere 14
iteraciones.
Gauss-Seidel
0 1
Iter 2 3 4 5 6 7
X1 1 5,25000 3,14062 3,08789 3,05493 3,03433 3,02145 3,01341

X2 1 3,81250 3,88281 3,92675 3,95422 3,97138 3,98211 3,98882

X3 1 -5,0468 -5,0292 -5,0183 -5,0114 -5,0071 -5,0044 -5,0027

SOR con w=1,25

Iter 0 1
2 3 4 5 6 7
X1 1 6,31250 2,62231 3,13330 2,95705 3,00372 2,99633 3,00005

X2 1 3,51953 3,95853 4,01026 4,00748 4,00293 4,00093 4,00025

X3 1 -6,6501 -4,6004 -5,0967 -4,9735 -5,0057 -4,9983 -5,0003

Bibliografía
 Material de métodos numéricos de la
universidad del sur de florida (National
Science Foundation),
 CHAPRA, Steven C. y CANALE, Raymond P.:
Métodos Numéricos para Ingenieros. McGraw
Hill 2002.
 BURDEN, Richard L. y Faires J.: Análisis
Numérico. Séptima Edición.
 http://ocw.mit.edu/OcwWeb/Mathematics