METODOS ITERATIVOS PARA ECUACIONES

LINEALES

INTRODUCCION

Un método iterativo es un método que progresivamente va calculando

aproximaciones a la solución de un problema. En matemáticas, en un método
iterativo se repite un mismo proceso de mejora sobre una solución aproximada: se
espera que lo obtenido sea una solución más aproximada que la inicial. El proceso
se repite sobre esta nueva solución hasta que el resultado más reciente satisfaga
ciertos requisitos. A diferencia de los métodos directos, en los cuales se debe
terminar el proceso para tener la respuesta, en los métodos iterativos se puede
suspender el proceso al término de una iteración y se obtiene una aproximación a
la solución.
PRELIMINARES

Definición de Vector. Un vector de n componentes se define como un conjunto

ordenado de n números escritos de la siguiente manera:

Al vector (1.1) se le llama vector fila y se le llama vector columna al siguiente

arreglo:

Definición de matriz. Sean m; n enteros positivos. Una matriz A de tamaño m x n

es un arreglo rectangular de m · n números dispuestos en m filas y n columnas de
la siguiente forma:

Axiomas. Sea un espacio vectorial real V que contiene dos operaciones binarias
llamadas suma y multiplicación se pueden numerar los siguientes axiomas:
Tipos de matrices

Matriz cuadrada. Esta matriz se caracteriza por tener igual cantidad de filas y de
columnas. Es un matriz de orden nxn o simplemente de orden n

Una matriz A de orden n es de la forma:

𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛
𝐴=( )
⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛

Matriz diagonal. Una matriz cuadrada A=(aij)nxn es una matriz diagonal si aij = 0 ∀
i ≠j; es decir, si todos sus elementos son nulos a excepción de por lo menos un
elemento de la diagonal principal. Se denota de la siguiente manera:

𝑑1 0 0 0
0 𝑑2 0 0
( )
0 0 ⋱ 0
0 0 0 𝑑𝑛

En caso de que d1=d2=d3=…=dn, esta matriz se convierte en matriz escalar.

Matriz identidad. Es una matriz escalar cuyos elemento no nulos son iguales a uno

1 0 0 0
0 1 0 0
( )
0 0 ⋱ 0
0 0 0 1

Matriz triangular superior. Una matriz cuadrada A=(aij)nxn es triangular superior si

aij=0 ∀ i>j; esto es, cuando todos los elementos que se encuentran por debajo de
la diagonal principal son ceros.
 𝑎11 𝑎12 … 𝑎1𝑛
0 𝑎22 … 𝑎2𝑛
( )
0 0 ⋱ ⋮
0 0 0 𝑎𝑛𝑛

Matriz triangular inferior. Una matriz cuadrada A=(aij)nxn es triangular superior si

aij=0 ∀ i<j; esto es, cuando todos los elementos que se encuentran por encima de
la diagonal principal son ceros.

𝑎11 0 0 0
𝑎21 𝑎22 0 0
( )
⋮ ⋮ ⋱ 0
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛

Matriz simétrica. Una matriz cuadrada A=(aij)nxn es triangular superior si aij=aji ∀ i ,

j ; esto es, cuando todos los elementos dispuestos simétricamente a la diagonal
principal son iguales.

−1 0 3
( 0 2 7)
3 7 5

Matriz anti simétrica. Una matriz cuadrada A=(aij)nxn es triangular superior si aij=-
aji ∀ i , j ; esto es, cuando todos los elementos dispuestos simétricamente a la
diagonal principal son de signos opuestos.

0 4 3
(−4 0 −7)
−3 7 0
MÉTODOS ITERATIVOS

Dado el sistema de ecuaciones lineales representado por

AX=B

Donde A es una matriz de nxn y B un vector de n componentes, el problema de

encontrar un vector X que satisfaga la ecuación lo atacaremos por medio de
métodos iterativos.

Cuando A es no singular (su determinante es distinto de cero), los métodos

descritos aquí pueden adaptarse para dar algoritmos para calcular
aproximadamente A-1 , la inversa de A.

El método más conocido y estudiado para la solución de esta ecuación viene a ser
el método sistemático de la eliminación de Gauss. La eliminación gaussiana
consiste en factorizar la matriz A=LU en una matriz L triangular inferior y una matriz
U triangular superior. Sin embargo cuando los sistemas lineales son de orden muy
grande las matrices son en general dispersas (cuando muy pocos de los elementos
no son ceros).

La clase de métodos que nos interesan aquí se obtienen separando la matriz A en

dos partes como sigue:

A=M - N

Donde M y N son matrices de dimensiones nxn

Definimos una sucesión de vectores X(m) por medio de las ecuaciones

M X(m+1) = N X(m) , m = 0,1,2,3…

Donde X(0) debe especificarse inicialmente.

Los ejemplos más comunes de separación son

 El método de Jacobi
 El método de Gauss – Seidel
 El método de relajación

Ventajas y desventajas:

Un elemento en contra que tienen los métodos iterativos sobre los métodos directos
es que calculan aproximaciones a la solución. Los métodos iterativos se usan
cuando no se conoce un método para obtener la solución en forma exacta. También
se utilizan cuando el método para determinar la solución exacta requiere mucho
tiempo de cálculo, cuando una respuesta aproximada es adecuada, y cuando el
número de iteraciones es relativamente reducido.

METODO DE JACOBI

Sea 𝐴𝑥̅ = 𝑏̅ un sistema de ecuaciones lineales donde todos los elementos

diagonales de la matriz A son diferentes de cero: 𝑎𝑖𝑖 ≠ 0 , (𝑖 = 1, … , 𝑛) .Si dividimos
la i-ésima ecuaciones del sistema lineal antes mencionado, por 𝑎𝑖𝑖 (𝑖 = 1, … , 𝑛), y
después trasladamos todas las incógnitas, excepto 𝑥𝑖 a la derecha, se obtiene un
sistema equivalente:

𝑥̅ = 𝐵𝑥̅ + 𝑑̅

𝑏𝑖⁄ −𝑎𝑖𝑗 ⁄𝑎𝑖𝑖 , 𝑗 ≠ 𝑖

Donde 𝑑𝑖 = 𝑎𝑖𝑖 y 𝐵={
0 ,𝑗 = 𝑖

Las iteraciones del método de Jacobi están definidas de la siguiente forma:

𝑛
(𝑘) (𝑘−1)
𝑥𝑖 = ∑ 𝑏𝑖𝑗 𝑥𝑗 + 𝑑𝑖
𝑗=1

(0)
Donde 𝑥𝑖 son arbitrarias (𝑖 = 1, … , 𝑛 ; 𝑘 = 1,2, … )

El método de Jacobi se puede expresar en forma matricial en términos de las

matrices L, D y U, definidas por:

0 0 0 0 0 𝑎12 … 𝑎1𝑛
𝑎21 0 0 0 0 0 … 𝑎2𝑛
𝐿=( ); 𝑈 = ( );
⋮ ⋮ ⋱ 0 0 0 ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 … 0 0 0 0 0
𝑎11 0 … 0
0 𝑎22 … 0
𝐷=( )
0 0 ⋱ ⋮
0 0 0 𝑎𝑛𝑛
Es evidente que 𝐴 = 𝐿 + 𝐷 + 𝑈

La forma vectorial de las iteraciones de Jacobi es:

𝑀𝑥̅ (𝑘) = 𝑁𝑥̅ (𝑘−1) + 𝑏̅

O lo que es igual
 𝑥̅ (𝑘) = 𝐵𝑥̅ (𝑘−1) + 𝑑̅

Dónde: 𝐴 = 𝑀 − 𝑁 , 𝑀 = 𝐷 , 𝑁 = −(𝐿 + 𝑈)

𝐵 = 𝑀−1 𝑁 = −𝐷−1 (𝐿 + 𝑈) , 𝑑̅ = 𝐷−1 𝑏̅

Ejemplo: Resuelva el sistema de ecuaciones lineales siguientes:

2𝑥1 + 𝑥2 = 11

5𝑥1 + 7𝑥2 = 13

Con
1
𝑥 (0) = ( )
1
Solucion:

Hallamos las matrices L, D y U

0 0 2 0 0 1
𝐿=( ) ,𝐷 = ( ) ,𝑈 = ( )
5 0 0 7 0 0
Determinamos 𝐵 = −𝐷−1 (𝐿 + 𝑈)

1/2 0 0 0 0 −1 0 −0.5
𝐵=( ) {( ).( )} = ( )
0 1/7 −5 0 0 0 −0.714 0

Determinamos 𝑑̅

1/2 0 11 5.5
𝑑̅ = {( ) . ( )} = ( )
0 1/7 13 1.857

Calculados B y 𝑑 . Estimamos X como:

𝑥 (1) = 𝐵𝑥 (0) + 𝑑̅

0 −0.5 1 5.5 5.0

𝑥 (1) = ( ).( ) + ( )=( )
−0.714 0 1 1.857 1.143
Este proceso se repetirá hasta que converja según la tolerancia indicada, podemos
observar que luego de 25 iteraciones la solución matricial al sistema es:

7.111
𝑥 =( )
−3.222
Veamos el código de programación del método Jacobi en el programa MATLAB
METODO DE GAUSS - SEIDEL

Consideremos ahora otro método iterativo que a veces converge más rápido que el
de Jacobi. Suponemos nuevamente que los elementos diagonales de la matriz A
son diferentes de cero 𝑎𝑖𝑖 ≠ 0 , (𝑖 = 1, … , 𝑛) y escribimos el sistema de ecuaciones
lineales

𝐴𝑥̅ = 𝑏̅

En la forma anteriormente vista, que es la que se muestra a continuación:

𝑥̅ = 𝐵𝑥̅ + 𝑑̅

𝑏𝑖⁄ −𝑎𝑖𝑗 ⁄𝑎𝑖𝑖 , 𝑗 ≠ 𝑖

Donde 𝑑𝑖 = 𝑎𝑖𝑖 y 𝐵={
0 ,𝑗 = 𝑖

Definimos las iteraciones por la fórmula:

𝑖−1 𝑛
(𝑘) (𝑘) (𝑘−1)
𝑥𝑖 = ∑ 𝑏𝑖𝑗 𝑥𝑗 + ∑ 𝑏𝑖𝑗 𝑥𝑗 + 𝑑𝑖 , (𝑖 = 1, … , 𝑛 ; 𝑘 = 1,2, … )
𝑗=1 𝑗=𝑖+1
A diferencia del método de Jacobi para obtener la i-ésima componente de la k-ésima
aproximación en el método de Gauss – Seidel se utilizan inmediatamente todas las
(𝑘)
componentes 𝑥𝑗 ya obtenidos con (j<i).

Expresando nuevamente la matriz A como

𝐴=𝐿+𝐷+𝑈

Con las matrices L, D y U definidas en el subtítulo anterior, las iteraciones de Gauss

– Seidel aceptan la forma vectorial:

𝑀𝑥̅ (𝑘) = 𝑁𝑥̅ (𝑘−1) + 𝑏̅

O lo que es igual

𝑥̅ (𝑘) = 𝐵𝑥̅ (𝑘−1) + 𝑑̅

Dónde: 𝑀 = 𝐷 + 𝐿 , 𝑁 = −𝑈

𝐵 = 𝑀−1 𝑁 = −(𝐷 + 𝐿)−1 𝑈 , 𝑑̅ = (𝐷 + 𝐿)−1 𝑏̅