Professional Documents
Culture Documents
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
Un método de solución de
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
* 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
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
∑ (− a x ) + b
n
(k )
ij j i
j =1
j ≠i
xi( k +1) =
aii
Método de Jacobi
Despejar las incógnitas
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
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
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
− 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
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
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
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
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
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
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
− ∑ ( 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
− ∑ ( 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
− 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
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
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
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
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
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
−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
•
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
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