Métodos Numéricos

Solución de Sistemas de
Ecuaciones Lineales mediante
Métodos Iterativos

1
 Metodos de Solución Iterativos
 Empezar con una aproximación inicial para el
vector solución (x0)
 Actualizar en cada iteración el vector x usando
el sistema Ax=b
 Cada iteración involucra el producto matriz-
vector.
 Si A es esparcida este producto es realizado
eficientemente.

2
 Procedimiento de solución Iterativa
 Escribir el sistema Ax=b en una forma
equivalente x=Tx+c
 Empezando con x0, genere una secuencia de
aproximaciones {xk} iterativamente por
xk+1=Txk+c
 Representación de T y c dependen del tipo de
método usado.
 Pero para cada método T y c son obtenidas a
partir de A y b.

3
 Convergencia
 Cuando k, la secuencia {xk} converge a un
vector solución bajo algunas condiciones en la
Matriz T.
 Esto impone condiciones diferentes en la matriz
A para diferentes métodos.
 Para la misma matriz A, un método puede
converger mientras que otro puede divergir.
 Por lo tanto para cada método la relación entre
A y T deben ser encontradas para decidir la
convergencia.

4
 Diferentes metodos Iterativos
 Iteración de Jacobi
 Iteración de Gauss-Seidel
 Successive Over Relaxation (S.O.R)
 SOR es un método usado para acelerar la
convergencia.
 La iteración de Gauss-Seidel es un caso especial del
método SOR.

5
Iteración de Jacobi

6
 Método de Jacobi. Forma Matricial

· Descomponiendo A = D - L - U. -U=triu(A)-D

-U
D =
-L

-L=tril(A)-D D=diag(diag(A))

7
 xk+1=Txk+c - iteración por el método de
Jacobi
Se puede escribir como A=D-L-U (No es una
factorización)

Ax=b  (D-L-U)x=b Dxk+1 = (L+U)xk+b

xk+1=D-1(L+U)xk+D-1b
T=D-1(L+U)
Dxk+1 c=D-1b
8
 iteración Gauss-Seidel (GS)

Use lo último
al actualizar

9
 x(k+1)=Tx(k)+c iteración de Gauss-Seidel

Ax=b  (D-L-U)x=b

(D-L)xk+1 =Uxk+b
Dxk+1

xk+1=(D-L)-1Uxk+(D-L)-1b
Tgs=(D-L)-1U
cgs=(D-L)-1b
10
 Comparación
 İteración de Gauss-Seidel converge más
rápidamente que la iteración de Jacobi desde
que este usa la última actualización.
 Pero existen algunos casos que la iteración de
Jacobi converge pero Gauss-Seidel no.
 El método de sobre relajación sucesiva es
usada para acelerar la convergencia del
método de Gauss-Seidel.

11
 Metodo Sobre Relajación Sucesiva
(SOR)
Escribiendo en términos del factor de relajacion :

Donde el último término es la estimación de Gauss-

Seidel
1<<2 Sobre-relajación (convergencia rápida)
0<<1 Sub-relajación (convergencia más lenta)
Existe un valor óptimo para 
Encontrarlo por prueba y error
12
x(k+1)=Tx(k)+c iteración para SOR

Dxk+1=(1-)Dxk+b+Lxk+1+Uxk
(D- L)xk+1=[(1-)D+U]xk+b
T=(D- L)-1[(1-)D+U]
c= (D- L)-1b

13
 Norma de un vector
La norma de un vector debe satisfacer estas
condiciones:

Las normas Vectoriales pueden ser definidas de

diferentes formas en tanto que la definición de
norma sea satisfecha.
14
 Normas de vectores
Comunmente usadas
norma Suma o norma ℓ1

norma Euclideana ó norma ℓ2

norma Máxima o norma ℓ

15
Norma de una matriz
La norma de una matriz debe
satisfacer estas condiciones:

Importante identidad

16
Normas de matrices mas usadas
Norma Máxima suma_columna o norma ℓ1

Norma Espectral o norma ℓ2

Norma Maxima suma_fila o norma ℓ

17
 Ejemplo
 Calcule las normas ℓ1 y ℓ de la matriz

17

13
15

16 19 10

18
Convergencia de los métodos iterativos

Define el vector solución como

Define el vector error como

Substituye esto en

19
 Convergencia de los Métodos Iterativos

iteración potencia

El método iterativo convergería para cualquier vector

inicial arbitrario si la siguiente condición es satisfecha

Condición de Convergencia

20
 Condición de Convergencia

Expresar T en terminos de matriz modal P y 

: Matriz Diagonal con valores propios de T en la diagonal

21
 Condición Suficiente para convergencia
Si la magnitud de todos los valores propios de la
Matriz de iteración T es menor que 1 entonces la
iteración es convergente
condición suficiente para convergencia

Los valores propios son mas operativos de calcular

que la norma de una matriz

22
Convergencia de la iteración de Jacobi
T=D-1(L+U)

23
 Convergencia de la iteración de Jacobi
Evaluar la norma infinita (suma máxima fila) de T

Matriz Diagonal
estrictamente
Dominante
Si A es una matriz con diagonal estrictamente
dominante, entonces la iteración de Jacobi
converge para cualquier valor inicial
24
 Criterio de convergencia 1
Sea el sistema A*x=b, Si la matriz A presenta
diagonal estrictamente dominante, entonces
los métodos de Jacobi y Gauss-Seidel seran
Convergente a partir de cualquier vector
Inicial.
De no cumplir esta condición no pedemos afirmar
nada acerca de la convergencia.

25
 Criterio de convergencia 2
Si la magnitud de todos los valores propios de la
Matriz de iteración T es menor que 1 entonces la
iteración es convergente. En otras palabras si el
radio espectral de la matriz de iteración T es menor
A 1, la convergencia esta asegurada, en caso
contrario habrá divergencia.

condición suficiente para convergencia

26
 Ejercicio 1: Analizar la convergencia
para Jacobi
  

27
 Ejercicio 2: Analizar la convergencia
para Jacobi
  

28
 Ejercicio 3: Analizar la convergencia
para Jacobi
  

29
 Criterios de Parada
 Ax=b
 En cualquier iteración k, el término residual es
rk=b-Axk
 Verificar la norma del término residual
||b-Axk||<TOL
 Si esto es menor que la cota del valor de
parada o tolerancia definido por el usuario

30
 Otros Criterios de Parada
 Ax=b
 En cualquier iteración k, el término de error de
sucesion es:
rk+1=xk+1-xk
 Verificar la norma del término de error de
sucesion:
||xk+1-xk||<TOL
 Si esto es menor que la cota del valor de
parada o tolerancia
31
Ejemplo 1 (Iteración de Jacobi)

Matriz Diagonal estrictamente dominante

32
 Ejemplo 1 continuación...

7+2.625−3
¿ =1.65625
‖𝑏− 𝐴 𝑥 ‖ =1.8061
2
2

4
3 7+3.875−3.175
𝑥=
1 =1.925 ‖𝑏− 𝐴 𝑥3‖2=1.0027
4
Matriz es diagonal estrictamente dominante, las iteraciones de
Jacobi son convergentes. 33
 Solucion Matricial
 

34
 Solucion Matricial
 

35
 Solucion Matricial
 

36
Ejemplo 2

La matriz no es diagonal estrictamente dominante

37
 Ejemplo 2 continuación...

El término del residual aumenta en cada iteración,

de tal forma que las iteraciones divergen.
Note que la matriz no es diagonalmente
estrictamente dominante
Cuando la matriz no tiene diagonal estrictamente
dominante, puede converger como no. 38
 Convergencia de la iteración de
Gauss-Seidel
 Iteración GS converge para cualquier vector
inicial si A es una matriz diagonal
estrictamente dominante
 Iteración GS converge para cualquier vector
inicial si A es una matriz simétrica y definida
positiva – La matriz A es definida positiva si

xTAx>0 para cualquier vector x no nulo.

39
Ejemplo1 (Iteración de Gauss-Seidel)

Matriz Diagonal estrictamente dominante

İteración de
Jacobi
40
 Ejemplo 1 continuación...

‖𝑏− 𝐴𝑥2‖2=1.8061
Iteración de Jacobi

Cuando ambos métodos de Jacobi y Gauss-

Seidel convergen, Gauss-Seidel converge más
rápido.

41
 Solucion Matricial
 

42
 Solucion Matricial
 

43
Solucion Matricial

44
 Convergencia del método SOR
 Si 0<<2, método SOR converge para
cualquier valor inicial si A es una matriz
simétrica y definida positiva.
 Si >2, método SOR diverge
 Si 0<<1, SOR método converge pera la
velocidad de convergencia es mas lenta que el
método de Gauss-Seidel.

45
 Formas Matriciales. Resumen

La solución del sistema A x = b se obtiene

mediante la siguiente expresión recursiva:

x ( k ) = Tx ( k-1 ) + c
A= D - L - U
Método T c
Jacobi D-1 (L+U) D-1 b
Gauss-Seidel ( D -L)-1 U ( D -L)-1 b

SOR (D-w L)-1 [(1-w) D + w U ] w(D-w L)-1 b

46
 Problema 1
Resolver el siguiente sistema por el método SOR,
considere ω=1.25.

Aplicamos el metodo de SOR:

47
Problema 1

48
Problema 1

k x1 x2 x3
0 0 0 0
1 0.625 2.0703125 1.2719727
2 1.1157227 2.1035767 0.9643745
3 1.003437 1.9640469 0.997671
4 0.9879054 2.0044809 1.0019825
5 1.0044239 2.0008818 0.9997799

49
 Problema 2
Sea el sistema A x = b :
 Para k=-1, es la matriz A definida positiva?

 Para que valores de k el sistema converge, al usar el

método de Gauss-Seidel?
 Hacer 03 iteraciones de Gauss-Seidel para k=-3

50
 Problema 2
A es definida positiva si:

Observese que también satisface el criterio de

Silvester

51
Problema 2

52
Problema 2

n x1 x2
0 0 0
1 3 4
2 9 6
3 12 7
4 13.5 7.5
5 14.25 7.75
6 14.625 7.875
7 14.8125 7.9375

53