Metodos Numericos Métodos Iterativos para Sistemas de Ecuaciones Algebraicas Lineales.pdf
-
Upload
oscar-fernando-chevarria-meza -
Category
Documents
-
view
54 -
download
2
Transcript of Metodos Numericos Métodos Iterativos para Sistemas de Ecuaciones Algebraicas Lineales.pdf
-
INSTITUTO TECNOLGICO DE COSTA RICAESCUELA DE INGENIERA ELECTRNICA
LICENCIATURA EN INGENIERA ELECTRNICA
CM-3201 MTODOS NUMRICOSProfesor: Ing. Marvin Hernndez
GAUSS-SEIDEL, JACOBI, RELAJACIN YCONVERGENCIA
-
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 estnafectados 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 dimensionesdel 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 realicemtodos de eliminacin exactos. Esa estrategia minimiza el error de redondeo y evita problemascomo el de la divisin entre cero. Los algoritmos basados en la descomposicin LU son losmtodos que se eligen debido a su eficiencia y flexibilidad.
La tabla 1 ofrece un resumen de las ventajas y desventajas en la solucin de ecuacionesalgebraicas lineales simultneas. Dos mtodos (el grfico y la regla de Cramer) estn limitados apocas ecuaciones(< 3), de modo que tienen escasa utilidad para resolver problemas prcticos. Sinembargo, dichas tcnicas son herramientas didcticas tiles para entender el comportamiento delos sistemas lineales en general.
Aunque los mtodos de eliminacin tienen gran utilidad, el uso de toda la matriz de loscoeficientes puede ser limitante cuando se trate con sistemas dispersos muy grandes. Esto sedebe a que gran parte de la memoria de la computadora se dedicara a guardar ceros que notienen significado. Para sistemas bandeados, hay tcnicas para realizar mtodos de eliminacinsin tener que guardar todos los coeficientes de la matriz.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 2
MTODO ESTABILIDAD PRECISINRANGO DE
APLICACINCOMPLEJIDAD DE
LA PROGRAMACIN COMENTARIOSGRFICO --- Pobre Limitado --- Puede tomar ms
tiempo que el mtodo numrico
Regla de Cramer --- Afectado por errores de redondeo
Limitado --- Excesiva complejidad de clculo para ms de tres ecuaciones
Eliminacin de Gauss (con pivoteo parcial)
--- Afectado por errores de redondeo
General Moderada
Descomposicin LU --- Afectado por errores de redondeo
General Moderada Mtodo de eliminacin preferido; permite el clculo de la matriz
inversaGauss_Seidel Puede no converger si
no es diagonalmente dominante
EXCELENTE Apropiado solo para sistemas
diagonalmente dominantes
FCIL
TABLA No. 1: Comparacin de las caractersticas de diversos mtodos alternativos para encontrar soluciones de ecuaciones algebraicas lineales simultneas
-
La tcnica aproximada por conocer como mtodo de Gauss-Seidel, difiere de las tcnicasexactas porque emplea un esquema iterativo para obtener, progresivamente, estimaciones mscercanas a la solucin. El efecto del error de redondeo es un punto discutible en el mtodo deGauss-Seidel, ya que se pueden continuar las iteraciones hasta que se obtenga la precisindeseada. Adems, se pueden desarrollar versiones del mtodo de Gauss-Seidel para utilizar demanera eficiente los requerimientos de almacenaje en computadora con sistemas dispersos. Enconsecuencia, la tcnica de Gauss-Seidel es til para grandes sistemas de ecuaciones, donde losrequerimientos 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 pequeaya que el tiempo requerido para lograr una precisin suficiente excede al de las tcnicas directascomo el mtodo de eliminacin Gaussiana. Sin embargo, para sistemas grandes con un granporcentaje de ceros, estas tcnicas son suficientes en trminos de almacenamiento en lacomputadora 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 CienciasSociales y la Economa. Estos mtodos son tiles en la prediccin del clima, donde el volumende variables amerita el uso de extensas matrices.
Justificacin
Una forma de entender el uso de los mtodos numricos y su utilidad es precisamentecomparndolos con los mtodos directos, esta comparacin se realiza en trminos de operacionesrealizadas, tales como sumas, restas, divisiones y multiplicaciones. Por tanto el entendimiento deesto conlleva a su uso prctico. Las siguientes tablas muestran las diferencias en clculo de losmtodos directos de Gauss y Gauss-Jordan.
Tabla 2: Total de operaciones en el mtodo de Eliminacin de Gauss
NMultiplicaciones/Divisiones
3/3 23 nnn Sumas / restas
6/532 23 nnn 3 17 11
10 430 375
50 44150 42875
100 343300 338250
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 3
-
Tabla 3: Total de operaciones en el mtodo de Eliminacin de Gauss-Jordan
nMultiplicaciones/Divisiones
2/2 23 nnn Sumas / restas
2/3 nn 3 21 12
10 895 495
50 64975 62475
100 509950 499950
Tabla 4: Operaciones por iteracin en los mtodos Iterativos
n
Multiplicaciones-Divisiones
12 2 n*por iteracin
Sumas / restas
1nn
*por iteracin
3 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.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 4
-
Marco Conceptual
Antes de considerar los mtodos iterativos para resolver sistemas lineales, es necesario encontrarun mtodo para medir cuantitativamente la distancia entre vectores, para poder determinarcuando 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 vectorcolumna de dimensin n con componentes reales, esta definicin en notacin matemtica seescribe como:
x =
xn
xxx
.
.
.321
y la norma de x seria || x || = 2/11
2 n
i ix
Esta definicin de norma es til cuando se quiere saber la magnitud de las componentes de unvector. Pero cuando esta se aplica a los mtodos numricos es mejor utilizar el concepto denorma infinita, la cual es til como criterio de paro para una aproximacin. Esta se define comosigue:
ixnix 1max
Una tcnica iterativa para resolver un sistema lineal Ax = b de n x n empieza con unaaproximacin inicial x(k) a la solucin x, y genera una sucesin de vectores { x(k)}k = 0 hasta que selogre 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) lasucesin 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 mtodoiterativo del punto fijo. Dado esta similitud, posteriormente se analizar la convergencia de estemtodo.
Como se mencion anteriormente estos mtodos se aplican en los sistemas con gran cantidad deceros, a la matriz resultante se le conoce como matriz esparcida.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 5
-
Considere el circuito de la figura 1 como ejemplo de este tipo de matriz.
FIGURA 1: Circuito elctrico con solucin de matriz esparcida
0470150120742000230003382
*156001031
vfvevdvcvbvfvevdvcvbvfvevdvcvbvfvevdvcvb
Vvfvevdvcvb
Convirtindolo a la forma matricial se obtiene lo que se denomina una matriz esparcida.
470150121742002310033826001031
f
e
d
c
b
fedcb
vvvvv
vvvvv
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 6
a b c
d
e d f
-
Mtodos Iterativos
Estos son mtodos para los cuales se da una aproximacin al sistema de ecuaciones lineales y seobtiene una solucin para este sistema.
A diferencia de los mtodos directos, los mtodos iterativos podran no producir una solucinsatisfactoria, 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 condicinnecesaria pero no suficiente. Un sistema de ecuaciones se considera Diagonal Dominantecuando se cumple
n
ijj
jiii aa1
,, (2)
Es decir, Una condicin suficiente para que se tenga una solucin es que el valor absolutode los coeficientes de la diagonal en cualquier ecuacin debe ser mayor que la suma delvalor absoluto de los otros coeficientes en esa ecuacin.
Mtodo de Jacobi
Es un mtodo de sustitucin simultneo, denominado desplazamiento simultneo, el cual tien suorigen en mtodo iterativo de Punto Fijo. En el mtodo de Jacobi el orden de operacin de lasecuaciones es irrelevante dado que el mtodo las trata en forma independiente, de all su nombrecomo mtodo de desplazamiento simultneos, no obstante, se debe mantener la diagonaldominante en el sistema.
Este mtodo se puede ilustrar usando las siguientes ecuaciones.
1313212111 bxaxaxa
2323222121 bxaxaxa
3333232131 bxaxaxa (3)
El mtodo comienza despejando las ecuaciones anteriores (3) para x1, x2 y x3 respectivamente eintroduciendo el ndice k que indicar el nmero de iteraciones, entonces,
11
)(313
)(2121)1(
1 axaxabx
kkk
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 7
-
22
)(323
)(1212)1(
2 axaxabx
kkk
33
)(232
)(1313)1(
3 axaxabx
kkk (4)
Adems se requiere de un vector inicial xk = (x1 (k), x2 (k), x3 (k)) el cual representa la primeraaproximacin de la solucin del sistema, con lo que se produce xk+1.
El proceso se contina hasta que | xk+1 xk |
-
33
23213133 a
xaxabx
Para la primera iteracin el valor de X1, X2 y X3 a sustituir en cada una se asumir como cero.Entonces para X1,
41176,2917
030250017
32500
1
1
321
11
31321211
x
x
xxx
axaxabx
para X2,
52381,921
020520021
25200
2
2
312
22
32312122
x
x
xxx
axaxab
x
para X3,
36364,122
05053022
5530
3
3
213
33
23213133
x
x
xxx
axaxabx
Entonces en la primera iteracin
36364,152381,941176,29
3
2
1
xxx
Para calcular los nuevos valores de la segunda iteracin se utilizarn los resultados de X1, X2 yX3 obtenidos en la primera iteracin. Entonces para X1,
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 9
-
77285,3017
36364,1352381,9250017
32500
1
1
321
11
31321211
x
x
xxx
axaxab
x
para X2,
65648,1621
36364,1241176,29520021
25200
2
2
312
22
32312122
x
x
xxx
axaxab
x
para X3,
21263,1022
52381,9541176,2953022
5530
3
3
213
33
23213133
x
x
xxx
axaxabx
Por tanto en la segunda iteracin
21263,1065648,1677285,30
3
2
1
xxx
Una vez obtenidos estos resultados se deben calcular el error aproximado porcentual para cadauno, para ello se utilizar la siguiente frmula:
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 10
%100 nuevor
anteriorr
nuevor
a xxx
-
Para X2,
Para X3,
Dado que en dos de las incgnitas el error aproximado porcentual es mayor a un 5% se debehacer una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevosvalores de X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas seanmenores que el 5%. El resultado de estas iteraciones se presenta en la Tabla 5.
Tabla 5: Resultados de las iteraciones por el mtodo de Jacobidel ejemplo 1 (ejercicio 11.8 pp. 321)
Iteracin x1 x2 X3 a x1 a x2 a x30 0,00000 0,00000 0,00000
1 29,41176 9,52381 1,36364
2 30,77285 16,65648 10,21263 4,423% 42,822% 86,648%
3 33,17358 17,82331 12,14303 7,237% 6,547% 15,897%
4 33,65151 18,57876 12,95384 1,420% 4,066% 6,259%
5 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 erroraproximado porcentual menor en las tres incgnitas hasta la quinta iteracin. Por lo tanto losresultados aproximados que cumplen con la condicin establecida son:
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 11
%5%423,4
%10077285,30
41176,2977285,30
%100
1
1
1
111
ax
ax
nuevo
anteriornuevo
ax xxx
%5%822,42
%10065648,16
52381,965648,16
%100
2
2
2
222
ax
ax
nuevo
anteriornuevo
ax xxx
%5%648,86
%10021263,10
36364,121263,10
%100
3
3
3
333
ax
ax
nuevo
anteriornuevo
ax xxx
-
23415,13
76977,18
88347,33
3
2
1
x
x
x
Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemosque:
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:
0,88%%10030
27,88513-30 Error
0,10%%100200
198,27957-200 Error
0,03%%100500
498,77703-500 Error
EC3
EC2
EC1
De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacinmuy buena de los valores verdaderos.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 12
-
Mtodo de Gauss-Seidel
Este mtodo en general converge ms rpidamente que el mtodo de Jacobi, sin embargopresenta las mismas debilidades del mtodo de Jacobi.
El mtodo de Gauss-Siedel supone que una mejor aproximacin a la solucin se obtienesustituyendo los valores parciales obtenidos, lo cual se puede comprobar en la prctica.
Utilizando las ecuaciones vistas en (3)
1313212111 bxaxaxa
2323222121 bxaxaxa
3333232131 bxaxaxa (3)
Y despejando para x1, x2 y x3 de las ecuaciones (6) y adicionando los valores ya obtenidos, estase puede expresar como:
11
)(313
)(2121)1(
1 axaxabx
kkk
22
)(323
)1(1212)1(
2 axaxabx
kkk
33
)1(232
)1(1313)1(
3 axaxabx
kkk
(7)
Comparando las ecuaciones (4) y (7) se observa que el valor de x1 no se asume sino se calculacon los valores asumidos de x2 y x3.
Posteriormente el valor de x1 obtenido y x3 asumido, se usan para calcular x2. Finalmente elnuevo valor de x3 es el resultado de los valores calculados x1 y x2.
La ecuacin iterativa de este mtodo nos lleva a:
)1(
1,
)(1
1,i
ii
(k)i - - b a
1 kjn
ijji
kj
i
jji xaxax (8)
Ejemplo 2 (Ejercicio 11.7 Pg. 320)
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 13
-
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:
Las siguientes frmulas las utilizamos para encontrar X1, X2 y X3 en cada una de las iteraciones.
11
31321211 a
xaxabx
22
32312122 a
xaxabx
33
23213133 a
xaxabx
Para calcular el primer valor de X1, se asumirn X2 y X3 con valores cero. Entonces para X1,
41176,2917
030250017
32500
1
1
321
11
31321211
x
x
xxx
axaxabx
para calcular el valor de X2, se utilizar el valor encontrado de X1 y el valor de X3 se asumircomo cero.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 14
30200500
225522153217
3
2
1
xxx
-
52661,1621
0241176,29520021
25200
2
2
312
22
32312122
x
x
xxx
axaxab
x
para calcular el valor de X3, se utilizar el valor encontrado de X1 y X2 en los pasos anteriores.
80418,1122
52661,16541176,2953022
5530
3
3
213
33
23213133
x
x
xxx
axaxabx
Entonces en la primera iteracin
Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los calculados anteriormente. Entonces para X1,
43916,3317
80418,11352661,16250017
32500
1
1
321
11
31321211
x
x
xxx
axaxab
x
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 15
80418,11
52661,16
41176,29
3
2
1
x
x
x
-
para X2 se utiliza el valor de X3 de la primera iteracin y el de X1 de la segunda iteracin,
60972,1821
80418,11243916,33520021
25200
2
2
312
22
32312122
x
x
xxx
axaxab
x
para X3 se utiliza el valor de X1 y X2 calculados en la segunda iteracin,
19293,1322
60972,18543916,3353022
5530
3
3
213
33
23213133
x
x
xxx
axaxabx
Entonces en la segunda iteracin
19293,13
60972,18
43916,33
3
2
1
x
x
x
Una vez obtenidos estos resultados, se debe calcular el error aproximado porcentual para cadauno de los resultados, para ello utilizamos la siguiente frmula:
Para X1,
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 16
%100 nuevor
anteriorr
nuevor
a xxx
%5%04,12
%10043916,33
41176,2943916,33
%100
1
1
1
111
ax
ax
nuevo
anteriornuevo
ax xxx
-
Para X2,
Para X3,
Dado que en las tres incgnitas el error aproximado porcentual es mayor a un 5% se debe haceruna nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos valores deX obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean menoresque 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_Seideldel ejemplo 2 (ejercicio 11.7 pp. 320)
Iteracin x1 x2 x3 a x1 a x2 a x30 0,00000
1 29,41176 16,52661 11,80418
2 33,43916 18,60972 13,19293 12,044% 11,194% 10,526%
3 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 erroraproximado porcentual menor en las tres incgnitas en la tercera iteracin. Por lo tanto losresultados aproximados que cumplen con la condicin establecida son:
36091,13
85869,18
92931,33
3
2
1
x
x
x
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 17
%5%194,11
%10060972,18
52661,1660972,18
%100
2
2
2
222
ax
ax
nuevo
anteriornuevo
ax xxx
%5%526,10
%10019293,13
80418,1119293,13
%100
3
3
3
333
ax
ax
nuevo
anteriornuevo
ax xxx
-
Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemosque:
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:
0,00%%10030
30-30 Error
0,17%%100200
199,66404-200 Error
0,20%%100500
498,99813-500 Error
EC3
EC2
EC1
De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacinmuy buena de los valores verdaderos.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 18
-
Convergencia
El mtodo Gauss-Seidel, al igual que la tcnica de iteracin de punto fijo, puede tambinpresentar dos problemas fundamentales: 1. en algunas ocasiones no es convergente. 2. Cuandoconverge, con frecuencia lo hace en forma muy lenta.
El criterio de convergencia se puede desarrollar al recordar que las condiciones suficientes parala convergencia de dos ecuaciones no lineales u(x, y) y v(x, y), son:
1
xv
xu
, y consecuentemente 1
yv
yu
En consecuencia, si el valor absoluto de g(x) 1, los errores crecen. Tambin se debe tener en cuentaque si la derivada es positiva, los errores sern positivos; por otra parte si la derivada esnegativa, entonces los errores oscilaran.
Este criterio de convergencia se aplica tambin a las ecuaciones lineales que se resuelven con elmtodo de Gauss-Seidel. Por tanto, al aplicar este criterio sobre las ecuaciones de Gauss-Seidel yevaluando con respecto a cada una de las incgnitas, obtenemos la expresin siguiente:
122
21 aa
, e igualmente 111
12 aa
En otras palabras, el valor absoluto de las pendientes en la ecuacin, deben ser menor que launidad para asegurar la convergencia. Adicionalmente podemos reformular la ecuacin anteriorde la siguiente forma:
2122 aa , e igualmente 1211 aa
Esto es, el elemento diagonal debe ser mayor que el elemento fuera de la diagonal para cadaregln de ecuaciones. La generalizacin del criterio anterior para un sistema de n ecuaciones, esdirecta y puede ser expresada como:
n
jjiii aa
1,
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 19
-
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
jija
1xj = bi , i = 1, 2, , n
Por el mtodo de Gauss-Seidel, de (8).
)1(
1,
)(1
1,i
ii
(k)i - - b a
1 kjn
ijji
kj
i
jji xaxax
Debe notarse que para cada clculo de xi, de las variables con ndice menor que i tienen el ndicek, mientras que las variables con ndice mayor que i tienen el ndice (k-1). La ecuacin para elmtodo de relajacin se basa en la siguiente relacin:
)(kix = )1( kix + ( )(kix - )1( kix )
)(kix = )1( kix +
)1(
1
)1(1
1
)(1 ki
n
ij
kjij
i
j
kjiji
ii
xxaxaba
El trmino entre llaves
)1(
1
)1(1
1
)(1 ki
n
ij
kjij
i
j
kjiji
ii
xxaxaba es justo la diferencia entre las
variables de la previa y presente iteracin segn el mtodo de Gauss-Siedel
)1(
1
)1(1
1
)(1 ki
n
ij
kjij
i
j
kjiji
ii
xxaxaba
= [ )(kix )1( kix ]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:
)(kix = (1 )
)1( kix +
n
ij
kjij
i
j
kjiji
ii
xaxaba 1
)1(1
1
)(
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.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 20
-
anteriori
nuevoi
nuevoi xxx )1(
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 lasolucin de un solo sistema de ecuaciones. Es ms usual cuando un sistema en estudio se deberesolver de manera repetitiva, una buena seleccin de ayudar a mejorar significativamente laeficiencia 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:
Verificando el criterio de convergencia mediante la siguiente ecuacin:
n
ijj
jiii aa1
,,
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 21
452
80
86114
125
3
2
1
xxx
-
Resolviendo esta ecuacin para un sistema de 3 x 3 obtenemos lo siguiente:
323133
232122
131211
aaa
aaa
aaa
Convergencia: Esto quiere decir que el elemento diagonal debe ser mayor al elemento fuera dela diagonal para cada fila. Por tanto reorganizamos el sistema de la siguiente forma
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.
11
31321211 a
xaxabx
22
32312122 a
xaxabx
33
23213133 a
xaxabx
anteriori
nuevoi
nuevoi xxx )1(
Para calcular el primer valor de X1, se asumirn X2 y X3 con valores cero. Entonces para X1,
50000,04
010124
112
1
1
321
11
31321211
x
x
xxx
axaxab
x
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 22
8045
2
12586
114
3
2
1
xxx
512
68
114
-
para calcular el valor de X2, se utilizar solamente el valor encontrado de X1, dado que a23 escero.
00000,68
)50000,0(6458645
2
2
12
22
32312122
x
x
xx
axaxabx
para calcular el valor de X3, se utilizar solamente el valor encontrado de X1, dado que a32 escero.
45833,612
)50000,0(58012
580
3
3
13
33
23213133
x
x
xx
axaxabx
Entonces en la primera iteracin
Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los calculados en laprimera iteracin, seguidamente se le aplicar la ponderacin con el factor . Entonces para X1,
61458,24
45833,610000,6124
112
1
1
321
11
31321211
x
x
xxx
axaxab
x
aplicando la ponderacin
30313,2
)50000,0()9,01(61458,29,0
)1(
1
1
111
nuevo
nuevo
anteriornuevonuevo
x
x
xxx
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 23
45833,600000,650000,0
3
2
1
xxx
-
para X2 se utiliza solamente el valor de X1 de la segunda iteracin, dado que a23 es cero.
89766,38
)30313,2(6458645
2
2
12
22
32312122
x
x
xx
axaxabx
aplicando la ponderacin
10789,4
)00000,6()9,01(89766,39,0
)1(
1
1
222
nuevo
nuevo
anteriornuevonuevo
x
x
xxx
para X3 se utiliza solamente el valor de X1 calculado en la segunda iteracin, dado que a32 escero.
62630,712
)30313,2(58012
580
3
3
13
33
23213133
x
x
xx
axaxabx
aplicando la ponderacin
50951,7
)45833,6()9,01(62630,79,0
)1(
3
3
333
nuevo
nuevo
anteriornuevonuevo
x
x
xxx
Entonces en la segunda iteracin
50951,710789,430313,2
3
2
1
xxx
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 24
-
Una vez obtenidos estos resultados, se debe calcular el error aproximado porcentual para cadauno de los resultados, para ello utilizamos la siguiente frmula:
Para X1,
Para X2,
Para X3,
Dado que en las tres incgnitas el error aproximado porcentual es mayor a un 5% se debe haceruna nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos valores deX obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean menoresque el 5%.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 25
%100 nuevor
anteriorr
nuevor
a xxx
%5%71,121
%10030313,2
)50000,0(30313,2
%100
1
1
1
111
ax
ax
nuevo
anteriornuevo
ax xxx
%5%06,46
%10010789,4
00000,610789,4
%100
2
2
2
222
ax
ax
nuevo
anteriornuevo
ax xxx
%5%00,14
%10050951,7
45833,650951,7
%100
3
3
3
333
ax
ax
nuevo
anteriornuevo
ax xxx
-
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 Relajacincon un =0.9 del ejemplo 3 (ejercicio 11.9 pp. 321)
Iteracin x1 x2 x3 a x1 a x2 a x30 0,00000 0,00000 0,00000
1 -0,50000 6,00000 6,45833
2 2,30313 4,10789 7,50951 121,71% 46,06% 14,00%
3 2,39423 3,85719 7,64879 3,81% 6,50% 1,82%
4 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 erroraproximado porcentual menor en las tres incgnitas en la cuarta iteracin. Por lo tanto losresultados aproximados que cumplen con la condicin establecida son:
65673,784289,337827,2
3
2
1
xxx
Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemosque:
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:
0,01%%10080
79,98941-80 Error
0,03%%10045
45,01271-45 Error
0,67%%1002-
(-1,98655)-2- Error
EC3
EC2
EC1
De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacinmuy buena de los valores verdaderos.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 26
-
Si graficamos la convergencia de los datos por el mtodo de Gauss-Seidel sencillo y el que poseerelajacin se puede observar lo siguiente:
Como se puede ver el mtodo con relajacin amortigua las oscilaciones en los resultados hacia laconvergencia.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 27
-
Ejercicios adicionalesSiguiendo los mismos procedimientos se resolvieron las ecuaciones del ejercicio 11.1 de lapgina 320 por el mtodo de Jacobi, el de Gauss-Seidel y el de Gauss-Seidel con relajacin, conel 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:
A continuacin se presentan los resultados obtenidos utilizando Excel.
Ejemplo 4Por el Mtodo de JacobiFrmulas:
Resultados obtenidos:
Iteracin X1 x2 x3 a x1 a x2 a x30 0,00000 0,00000 0,00000
1 62,00000 2,00000 7,00000
2 63,00000 36,50000 8,00000 1,587% 94,521% 12,500%
3 80,25000 37,50000 25,25000 21,495% 2,667% 68,317%
4 80,75000 54,75000 25,75000 0,619% 31,507% 1,942%
5 89,37500 55,25000 34,37500 9,650% 0,905% 25,091%
6 89,62500 63,87500 34,62500 0,279% 13,503% 0,722%
7 93,93750 64,12500 38,93750 4,591% 0,390% 11,075%
8 94,06250 68,43750 39,06250 0,133% 6,301% 0,320%
9 96,21875 68,56250 41,21875 2,241% 0,182% 5,231%
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 28
144
124
21121
12
3
2
1
xxx
%100 nuevor
anteriorr
nuevor
a xxx
33
23213133 a
xaxabx 11
31321211 a
xaxabx 22
32312122 a
xaxabx
-
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%, estoes oscilante, hasta la dcima iteracin se consigue un error aproximado en las tres incgnitas quesatisfaga el criterio de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
28125,4171875,7028125,96
3
2
1
xxx
Ejemplo 5Por el Mtodo de Gauss-SeidelFrmulas:
Resultados obtenidos:
Iteracin x1 x2 x3 a x1 a x2 a x30 0,00000
1 62,00000 33,00000 23,50000
2 78,50000 53,00000 33,50000 21,019% 37,736% 29,851%
3 88,50000 63,00000 38,50000 11,299% 15,873% 12,987%
4 93,50000 68,00000 41,00000 5,348% 7,353% 6,098%
5 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%, seconsigue en la quinta iteracin un error aproximado en las tres incgnitas que satisfaga el criteriode paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
25000,4250000,7000000,96
3
2
1
xxx
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 29
%100 nuevor
anteriorr
nuevor
a xxx
33
23213133 a
xaxabx 11
31321211 a
xaxabx 22
32312122 a
xaxabx
-
Como se puede observar el resultado se obtuvo en la mitad de las iteraciones que se requirieroncon el mtodo de Jacobi.
Ejemplo 6Por el Mtodo de Gauss-Seidel con relajacin
Con = 1,20
Frmulas:
Resultados obtenidos:
Iteracin x1 x2 x3 a x1 a x2 a x3
0 0,00000 0,00000 0,00000
1 62,00000 33,00000 23,50000
2 81,80000 58,98000 39,08800 24,205% 44,049% 39,879%
3 93,42800 70,11360 42,65056 12,446% 15,879% 8,353%
4 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%, seconsigue en la cuarta iteracin un error aproximado en las tres incgnitas que satisfaga el criteriode paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
45218,4363715,7278256,97
3
2
1
xxx
Como se observa el resultado se obtuvo en una iteracin menos que cuando se utiliz el mtodosin relajacin.
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 30
%100 nuevor
anteriorr
nuevor
a xxx
33
23213133 a
xaxabx 11
31321211 a
xaxabx 22
32312122 a
xaxabx
anteriori
nuevoi
nuevoi xxx )1(
-
Haciendo un resumen de los resultados obtenidos en la siguiente tabla:
Incgnita Valoresverdaderos IteracionesValores aproximados Errores verdaderos
Jacobi Seidel C/Relaj Jacobi Seidel C/RelajX1 98,5 10 96,281 96,000 97,783 2,25% 2,54% 0,73%
X2 73,0 5 70,719 70,500 72,637 3,13% 3,42% 0,50%
X3 43,5 4 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 deiteraciones 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 muchomenor que en el caso de Jacobi.
Para el caso en el que se utiliza Gauss-Seidel con relajacin se obtienen valores ms cercanos alos verdaderos con una cantidad de iteraciones menor. Sin embargo el inconveniente radica en laeleccin 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 33 31
-
En modo grfico se observa que para las tres incgnitas con mtodo de Jacobi losresultados 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 msrpida hacia los valores verdaderos.
SntesisLa tcnica aproximada por conocer como mtodo de Gauss-Seidel, difiere de las tcnicas
exactas porque emplea un esquema iterativo para obtener, progresivamente, estimaciones mscercanas a la solucin. El efecto del error de redondeo es un punto discutible en el mtodo deGauss-Seidel, ya que se pueden continuar las iteraciones hasta que se obtenga la precisindeseada. Adems, se pueden desarrollar versiones del mtodo de Gauss-Seidel para utilizar demanera eficiente los requerimientos de almacenaje en computadora con sistemas dispersos. Enconsecuencia, la tcnica de Gauss-Seidel es til para grandes sistemas de ecuaciones, donde losrequerimientos 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 vecesconverge de manera lenta a la solucin verdadera. Es confiable slo para aquellos sistemas queson diagonalmente dominantes. Sin embargo, los mtodos de relajacin contrarrestan talesdesventajas. Adems, como muchos sistemas de ecuaciones algebraicas lineales surgen desistemas fsicos que presentan dominancia diagonal, el mtodo de Gauss-Seidel tiene granutilidad para resolver problemas de ingeniera.
En resumen, varios factores sern relevantes en la eleccin de una tcnica para un problemaen particular que involucre ecuaciones algebraicas lineales. No obstante, como se mencionantes, el tamao y la densidad del sistema son factores particularmente importantes en ladeterminacin de su eleccin.
La figura 2 se emplea para resumir los algoritmos para solucionar ecuaciones algebraicas linealesy proporciona una visin general, que ser de gran ayuda para revisar y aclarar las principalesdiferencias entre los mtodos.
Figura 2: Resumen de pasos de los mtodos iterativos Jacobi,
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 32
Primera iteracin
Segunda iteracin
Gauss-Seidel Iterativo de Jacobi
anteriori
nuevoi
nuevoi xxx )1( Gauss-Seidel con relajacin
anteriori
nuevoi
nuevoi xxx )1( Gauss-Seidel con relajacin
Desplazamientosimultneo
Desplazamientosuccesivo
-
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. (disponible enhttp:/www.netlib2.cs.utk.edu/linalg/html_templates/node12.html)
The Gauss_Seidel Method, marzo 2004. (disponible enhttp:/www.netlib2.cs.utk.edu/linalg/html_templates/node14.html)
The Successive Overrelaxation Method, marzo 2004. (disponible enhttp:/www.netlib2.cs.utk.edu/linalg/html_templates/node15.html)
Jacobi, Gauss-Seidel, Relajacin Pagina de 33 33
GAUSS-SEIDEL, JACOBI, RELAJACIN Y CONVERGENCIAConvergencia
Ejemplo 4Por el Mtodo de JacobiEjemplo 5Por el Mtodo de Gauss-SeidelEjemplo 6Por el Mtodo de Gauss-Seidel con relajacin