G15_Sonia Espitia_Ej1A

November 2, 2020

Métodos Numéricos.
Unidad 2 - Tarea 3.
Sistema de Ecuaciones Lineales, Regresión lineal e Interpolación.
Ejercicio 1. Sistema de Ecuaciones Lineales. Literal A.
Por: Sonia Espitia.
Planteamiento del problema.
Dado el siguiente Sistema de Ecuaciones Lineales (SEL):

41−2−3 = 18

−1 + 42−3−4 = 18

−2 + 43−4−5 = 4

−3 + 44−5−6 = 4

−4 + 45−6−7 = 26

−5 + 46−7−8 = 16

−6 + 47−8 = 10

−7 + 48 = 32

Desarrollar un programa en lenguaje Python empleando la herramienta Jupyter Notebook para:

• Determinar si tiene, o no, solución. ¿Si la tiene, es única? Realice una breve explicación
basándoseen la teoría revisada.
• Resolver el SEL por cada uno de los siguientes métodos, realizando una descripción detallada
decómo elaboró el algoritmo:
• Gauss – Seidel
– Jacobi ∗
S.O.R.
• Debe establecer los criterios de convergencia en cada método. Itere la soluciónhasta que ésta
converja a una tolerancia de ‖‖10−6, donde ‖‖ es una norma matricial para la matriz (escoja la
que considere más adecuada). Valide que el vector es solución del SEL (mediante la operación
=).
• Realizar una gráfica de la forma como va convergiendo la solución (Número deiteraciones vs
norma del error). Realice una breve explicación, sustentándose en la teoría revisada, acerca de

1
 los resultados. ¿Cuál considera que es el mejor método para el SEL seleccionado en particular?
¿por qué?
• En el método SOR deberá escoger un parámetro de relajación adecuado y justificarsu
selección.
• Realizar un vídeo donde explique la forma como fue desarrollado el ejercicio 1seleccionado.
La realización del vídeo puede ser con la cámara del celular, cámara del pc u otra alternativa
que se le facilite. El estudiante debe aparecer en la grabación de frente y mostrar a la cámara
su documento de identificación, ocultando el número de este (En la imagen se debe ver
claramente el nombre y apellidos del estudiante). Deberá compartir el enlace del vídeo a
YouTube, u otra plataforma de vídeos, y adjuntar el enlace debajo de la solución del ejercicio
en el documento final a entregar.
El vídeo no debe superar los 5 minutos de duración.
Solución.
Al contruir nuestra matriz a partir del sistema de ecuaciones, nos debemos plantear la siguiente inquietud:
¿Puede el vector b ser expresado como una combinación lineal de las columnas de la matriz A?
Pues puede suceder que:
• Los coeficientes de esta combinación lineal están dados por las componentes del vector
solución x.
– Puede o no tener solución.
∗ Puede no ser única.
Debido a lo anterior, puede darse que la matriz construida, presente un estado de
“Singularidad” o de “No Singularidad”. Para efectos de la solución por medio de metodos
numericos del SEL dado, en caso de que la matriz presente un es estado de “Singularidad”,
no procederiamos a invertir tiempo en el desarrollo de un algoritmo que resultaria
infructuoso.
Singularidad y No Singularidad.
No singularidad: La matriz presenta una única solución.
Singularidad: La matriz no tiene solución, o sus soluciones son infinitas.
Verificando dos o más de las siguientes condiciones sabremos si nuestra matriz es singular:

1) A No tiene inversa. No existe una matriz M tal que AM = MA = I

2) det(A) = 0

3)Rango(A) < n : Elrangodeunamatrizeselmximonmerodefilasocolumnaslinealmenteindependi

4) Az = 0 para cualquier vector z0 Información en

este “Markdown”, basada en:

Henao, C. A. (15 de 10 de 2020). Tercera Webconferencia. Sistema de ecuaciones

lineales,Regresión lineal e Interpolación. Obtenido de ECBTI/Occidente/Red curso Métodos Numéricos.

2
 UNAD: https://www.youtube.com/watch?v=TkrfiIB2r_A A. Determinando la Singularidad o No
Singularidad de la matriz:
En esta ocasión verificaremos si nuestra matriz tiene su inversa y además hallaremos el determinante de la
matriz. Para esto estaremos usando la libreria “numpy” y con sus funciones “linalg.inv()” y “linalg.det()”,
hallaremos la inversa y el determinante de A, respectivamente.

[2]: import numpy as np #Importamos la librería numpy. import

matplotlib.pyplot as plt #Importamos la librería para
graficar.

#Definimos la matriz a partir del sistema de ecuaciones dado.

A = np.array([[4,-1,-1,0,0,0,0,0],
[-1,4,-1,-1,0,0,0,0],
[0,-1,4,-1,-1,0,0,0],
[0,0,-1,4,-1,-1,0,0],
[0,0,0,-1,4,-1,-1,0],
[0,0,0,0,-1,4,-1,-1],
[0,0,0,0,0,-1,4,-1],
[0,0,0,0,0,0,-1,4]])

b = np.array([18,18,4,4,26,16,10,32]) #Definimos el vector

solución.

inv = np.linalg.inv(A) #En la variable inv guardamos la inversa

de A,␣ ,→usando np.linalg.inv(). det = np.linalg.det(A) #En la
variable det guardamos el determinante de A,␣ ,→usando
np.linalg.det().
solu = np.linalg.solve(A,b) #Solución dada por
numpy. bl = len(b) #Identificamos el tamaño del
vector b.

for i in range(bl): # Recorremos las filas de la matriz.

di = np.sum(A[i][:i])# Sumamos lo que esta en la matriz, antes de␣
,→la diagonal. Los dos puntos

# evitan que se toque la diagonal.

ds = np.sum(A[i][i+1:]) # Sumamos lo que esta en la matriz,
depues de␣ ,→la diagonal. sumd = di + ds # Sumamos el resultado
de las sumas anteriores.
dm = np.sum(A[i][i]) # Sumamos la diagonal.
if dm > sumd: # Comparamos si la suma de la diagonal es␣
,→mayor o menor de la suma del

# resto de la matriz.

dmy = "Su matriz es diagonalmente dominante."

else:

3
 dmy = "Su matriz no es diagonalmente dominante."

,→

,→

1) Su matriz es diagonalmente dominante.

2) Inversa de A:
[[2.73890164e-01 9.55606561e-02 1.08352460e-01 6.39590214e-02
5.19229693e-02 3.53803952e-02 2.56395902e-02 1.52549964e-02]
[7.50153950e-02 3.00061580e-01 1.25230924e-01 1.25846722e-01
7.80943850e-02 6.12998936e-02 4.12584672e-02 2.56395902e-02]
[2.05452612e-02 8.21810446e-02 3.08178917e-01 1.29989363e-01
1.29597492e-01 8.02216873e-02 6.12998936e-02 3.53803952e-02]
[5.62615462e-03 2.25046185e-02 8.43923193e-02 3.09438504e-01
1.30857079e-01 1.29597492e-01 7.80943850e-02 5.19229693e-02]
[1.53949505e-03 6.15798018e-03 2.30924257e-02 8.46722275e-02
3.09438504e-01 1.29989363e-01 1.25846722e-01 6.39590214e-02]
[4.19862285e-04 1.67944914e-03 6.29793428e-03 2.30924257e-02
8.43923193e-02 3.08178917e-01 1.25230924e-01 1.08352460e-01]
[1.11963276e-04 4.47853104e-04 1.67944914e-03 6.15798018e-03
2.25046185e-02 8.21810446e-02 3.00061580e-01 9.55606561e-02]
[2.79908190e-05 1.11963276e-04 4.19862285e-04 1.53949505e-03
5.62615462e-03 2.05452612e-02 7.50153950e-02 2.73890164e-01]]

3) Determinante de A:
35726.000000000015

4
RESULTADO: La matriz no es singular. Puede proceder con su algoritmo
de solución.

Solución dada por Numpy, como referencia: [10. 12. 10. 10. 14. 12.
8. 10.] B. Resolver el SEL.
B.1. Gauss-Seidel

,→

,→

,→

,→

,→

,→

,→

,→

,→

,→

,→

,→

5
 ,→

,→

,→

Iteración Solución
Error
________________________________________________________________________
________
______________________________

0 [4.5 5.625 2.40625 1.6015625 6.90039062 5.72509766

3.93127441 8.9828186 ] 25.55308296405685

6
1 [ 6.5078125 7.12890625 4.90771484 5.38330078 10.25991821
9.79350281
7.194080359.79852009] 15.255810364042349

2 [ 7.50915527 8.95004272 7.14831543 7.80043411 12.69700432 11.42240119

7.80523032 9.95130758] 9.16038375004805

7
3 [ 8.52458954 10.36833477 8.7164433 9.2089622 13.60914843
11.84142158
7.948182299.98704557] 5.02849115047126

4 [ 9.27119452 11.29915 9.52931516 9.74497129 13.88364379 11.95471791

7.98544087 9.99636022] 2.3858220741822853

8
5 [ 9.70711629 11.74535069 9.84349144 9.92046329 13.96515552
11.98673915
7.995774849.99894371] 0.9480803213719773

6 [ 9.89721053 11.91529132 9.95022753 9.97553055 13.98951114

11.99605742 7.99875028 9.99968757] 0.3321713069466053

9
7 [ 9.96637971 11.97303445 9.98451903 9.9925219 13.9968324
11.99881756
7.999626289.99990657] 0.10866237393271182

8 [ 9.98938837 11.99160733 9.99524041 9.99772259 13.99904161

11.99964362 7.99988755 9.99997189] 0.03430857018835112

10
9 [ 9.99671193 11.99741873 9.99854573 9.99930774 13.99970973
11.99989229
7.999966049.99999151] 0.010633266724898111

10 [ 9.99899112 11.99921115 9.99955715 9.99978979 13.99991203

11.9999674
7.999989739.99999743] 0.00326311483026117

11
11 [ 9.99969208 11.99975976 9.99986539 9.99993621 13.99997333
11.99999012
7.999996899.99999922] 0.0009960339281756337

12 [ 9.99990629 11.99992697 9.99995913 9.99998065 13.99999191

11.99999701 7.99999906 9.99999976] 0.0003031438381943367

12
13 [ 9.99997152 11.99997782 9.9999876 9.99999413 13.99999755
11.99999909
7.999999719.99999993] 9.211468688111646e-05

14 [ 9.99999136 11.99999327 9.99999624 9.99999822 13.99999926

11.99999972 7.99999991 9.99999998] 2.796580258898677e-05

13
15 [ 9.99999738 11.99999796 9.99999886 9.99999946 13.99999977
11.99999992
7.999999979.99999999] 8.486244246065648e-06

16 [ 9.9999992 11.99999938 9.99999965 9.99999984 13.99999993

11.99999997 7.99999999 10. ] 2.5744706628444908e-06

14
17 [ 9.99999976 11.99999981 9.99999989 9.99999995 13.99999998
11.99999999
8. 10. ] 7.809019504918783e-07

B.2. Jacobi

,→

,→

,→

,→

15
 ,→

,→

,→

,→

,→

,→

,→

,→

,→

,→

,→

,→

Iteración Solución

16
Error
________________________________________________________________________
________
______________________________
1 [4.5 0. 0. 0. 0. 0. 0. 0. ]
4.5

2 [4.5 5.625 0. 0. 0. 0. 0. 0. ]
5.625

17
3 [4.5 5.625 2.40625 0. 0. 0. 0. 0. ]
2.40625

4 [4.5 5.625 2.40625 1.6015625 0. 0. 0.

0. ] 1.6015625

18
5 [4.5 5.625 2.40625 1.6015625 6.90039062 0.
0. 0. ] 6.900390625

6 [4.5 5.625 2.40625 1.60156256.90039062 5.72509766

0. 0. ] 5.72509765625

19
7 [4.5 5.625 2.40625 1.6015625 6.90039062 5.72509766
3.93127441 0. ]
3.9312744140625

8 [4.5 5.625 2.40625 1.6015625 6.90039062 5.72509766

3.93127441 8.9828186 ]
8.982818603515625

20
9 [6.5078125 5.625 2.40625 1.6015625 6.90039062 5.72509766
3.93127441 8.9828186 ] 2.0078125

10 [6.5078125 7.12890625 2.40625 1.6015625 6.90039062 5.72509766

3.93127441 8.9828186 ] 1.50390625

21
11 [6.5078125 7.12890625 4.90771484 1.6015625 6.90039062 5.72509766
3.93127441 8.9828186 ] 2.50146484375

12 [6.5078125 7.12890625 4.90771484 5.38330078 6.90039062 5.72509766

3.93127441 8.9828186 ] 3.78173828125

22
13 [ 6.5078125 7.12890625 4.90771484 5.38330078 10.25991821
5.72509766
3.93127441 8.9828186 ]
3.359527587890625

23
14 [ 6.5078125 7.12890625 4.90771484 5.38330078 10.25991821
9.79350281
3.93127441 8.9828186 ]
4.0684051513671875

15 [ 6.5078125 7.12890625 4.90771484 5.38330078 10.25991821

9.79350281
7.19408035 8.9828186 ]
3.262805938720703

24
16 [ 6.5078125 7.12890625 4.90771484 5.38330078 10.25991821
9.79350281
7.19408035 9.79852009]
0.8157014846801758

17 [ 7.50915527 7.12890625 4.90771484 5.38330078 10.25991821

9.79350281
7.19408035 9.79852009]

25
1.0013427734375

18 [ 7.50915527 8.95004272 4.90771484 5.38330078 10.25991821

9.79350281
7.19408035 9.79852009]
1.821136474609375

26
19 [ 7.50915527 8.95004272 7.14831543 5.38330078 10.25991821
9.79350281
7.19408035 9.79852009]
2.2406005859375

20 [ 7.50915527 8.95004272 7.14831543 7.80043411 10.25991821

9.79350281
7.19408035 9.79852009]
2.417133331298828

27
21 [ 7.50915527 8.95004272 7.14831543 7.80043411 12.69700432
9.79350281
7.19408035 9.79852009]
2.4370861053466797

22 [ 7.50915527 8.95004272 7.14831543 7.80043411 12.69700432

11.42240119
7.19408035 9.79852009]

28
1.6288983821868896

23 [ 7.50915527 8.95004272 7.14831543 7.80043411 12.69700432

11.42240119
7.80523032 9.79852009]
0.6111499667167664

29
24 [ 7.50915527 8.95004272 7.14831543 7.80043411 12.69700432
11.42240119
7.80523032 9.95130758]
0.1527874916791916

25 [ 8.52458954 8.95004272 7.14831543 7.80043411 12.69700432

11.42240119
7.80523032 9.95130758]
1.0154342651367188

30
26 [ 8.52458954 10.36833477 7.14831543 7.80043411 12.69700432
11.42240119
7.80523032 9.95130758]
1.4182920455932617

27 [ 8.52458954 10.36833477 8.7164433 7.80043411 12.69700432

11.42240119
7.80523032 9.95130758]

31
1.5681278705596924

28 [ 8.52458954 10.36833477 8.7164433 9.2089622 12.69700432

11.42240119
7.80523032 9.95130758]
1.4085280895233154

32
29 [ 8.52458954 10.36833477 8.7164433 9.2089622 13.60914843
11.42240119
7.80523032 9.95130758]
0.9121441096067429

30 [ 8.52458954 10.36833477 8.7164433 9.2089622 13.60914843

11.84142158
7.80523032 9.95130758]
0.4190203920006752

33
31 [ 8.52458954 10.36833477 8.7164433 9.2089622 13.60914843
11.84142158
7.94818229 9.95130758]
0.1429519709199667

32 [ 8.52458954 10.36833477 8.7164433 9.2089622 13.60914843

11.84142158
7.94818229 9.98704557]

34
0.035737992729991674

33 [ 9.27119452 10.36833477 8.7164433 9.2089622 13.60914843

11.84142158
7.94818229 9.98704557]
0.7466049790382385

35
34 [ 9.27119452 11.29915 8.7164433 9.2089622 13.60914843
11.84142158
7.94818229 9.98704557]
0.9308152347803116

35 [ 9.27119452 11.29915 9.52931516 9.2089622 13.60914843

11.84142158
7.94818229 9.98704557]
0.8128718584775925

36
36 [ 9.27119452 11.29915 9.52931516 9.74497129 13.60914843
11.84142158
7.94818229 9.98704557]
0.5360090900212526

37 [ 9.27119452 11.29915 9.52931516 9.74497129 13.88364379

11.84142158
7.94818229 9.98704557]

37
0.27449536323547363

38 [ 9.27119452 11.29915 9.52931516 9.74497129 13.88364379

11.95471791
7.94818229 9.98704557]
0.113296331721358

38
39 [ 9.27119452 11.29915 9.52931516 9.74497129 13.88364379
11.95471791
7.98544087 9.98704557]
0.03725858111283742

40 [ 9.27119452 11.29915 9.52931516 9.74497129 13.88364379

11.95471791
7.98544087 9.99636022]
0.009314645278209355

39
41 [ 9.70711629 11.29915 9.52931516 9.74497129 13.88364379
11.95471791
7.98544087 9.99636022]
0.435921773314476

42 [ 9.70711629 11.74535069 9.52931516 9.74497129 13.88364379

11.95471791
7.98544087 9.99636022]

40
0.4462006804533303

43 [ 9.70711629 11.74535069 9.84349144 9.74497129 13.88364379

11.95471791
7.98544087 9.99636022]
0.31417628342751414

41
44 [ 9.70711629 11.74535069 9.84349144 9.92046329 13.88364379
11.95471791
7.98544087 9.99636022]
0.17549199459608644

45 [ 9.70711629 11.74535069 9.84349144 9.92046329 13.96515552

11.95471791
7.98544087 9.99636022]
0.08151172685757047

42
46 [ 9.70711629 11.74535069 9.84349144 9.92046329 13.96515552
11.98673915
7.98544087 9.99636022]
0.03202123831215431

47 [ 9.70711629 11.74535069 9.84349144 9.92046329 13.96515552

11.98673915
7.99577484 9.99636022]

43
0.010333970897590916

48 [ 9.70711629 11.74535069 9.84349144 9.92046329 13.96515552

11.98673915
7.99577484 9.99894371]
0.002583492724397729

44
49 [ 9.89721053 11.74535069 9.84349144 9.92046329 13.96515552
11.98673915
7.99577484 9.99894371]
0.1900942409702111

50 [ 9.89721053 11.91529132 9.84349144 9.92046329 13.96515552

11.98673915
7.99577484 9.99894371]
0.16994062974845292

45
51 [ 9.89721053 11.91529132 9.95022753 9.92046329 13.96515552
11.98673915
7.99577484 9.99894371]
0.10673608780052746

52 [ 9.89721053 11.91529132 9.95022753 9.97553055 13.96515552

11.98673915
7.99577484 9.99894371]

46
0.05506726324256306

53 [ 9.89721053 11.91529132 9.95022753 9.97553055 13.98951114

11.98673915
7.99577484 9.99894371]
0.02435561811307707

47
54 [ 9.89721053 11.91529132 9.95022753 9.97553055 13.98951114
11.99605742
7.99577484 9.99894371]
0.009318270433766429

55 [ 9.89721053 11.91529132 9.95022753 9.97553055 13.98951114

11.99605742
7.99875028 9.99894371]
0.0029754407895410395

48
56 [ 9.89721053 11.91529132 9.95022753 9.97553055 13.98951114
11.99605742
7.99875028 9.99968757]
0.0007438601973852599

57 [ 9.96637971 11.91529132 9.95022753 9.97553055 13.98951114

11.99605742
7.99875028 9.99968757]

49
0.0691691793872451

58 [ 9.96637971 11.97303445 9.95022753 9.97553055 13.98951114

11.99605742
7.99875028 9.99968757]
0.0577431326075839

50
59 [ 9.96637971 11.97303445 9.98451903 9.97553055 13.98951114
11.99605742
7.99875028 9.99968757]
0.03429150349080601

60 [ 9.96637971 11.97303445 9.98451903 9.9925219 13.98951114

11.99605742
7.99875028 9.99968757]
0.016991348009412377

51
61 [ 9.96637971 11.97303445 9.98451903 9.9925219 13.9968324
11.99605742
7.99875028 9.99968757]
0.007321264808179961

62 [ 9.96637971 11.97303445 9.98451903 9.9925219 13.9968324

11.99881756
7.99875028 9.99968757]

52
0.0027601414487783416

63 [ 9.96637971 11.97303445 9.98451903 9.9925219 13.9968324

11.99881756
7.99962628 9.99968757]
0.0008760004115409004

53
64 [ 9.96637971 11.97303445 9.98451903 9.9925219 13.9968324
11.99881756
7.99962628 9.99990657]
0.0002190001028843369

65 [ 9.98938837 11.97303445 9.98451903 9.9925219 13.9968324

11.99881756
7.99962628 9.99990657]
0.023008659024597478

54
66 [ 9.98938837 11.99160733 9.98451903 9.9925219 13.9968324
11.99881756
7.99962628 9.99990657]
0.018572877631203966

67 [ 9.98938837 11.99160733 9.99524041 9.9925219 13.9968324

11.99881756
7.99962628 9.99990657]

55
0.010721372612199076

68 [ 9.98938837 11.99160733 9.99524041 9.99772259 13.9968324

11.99881756
7.99962628 9.99990657]
0.0052006947172884566

56
69 [ 9.98938837 11.99160733 9.99524041 9.99772259 13.99904161
11.99881756
7.99962628 9.99990657]
0.0022092091444001483

70 [ 9.98938837 11.99160733 9.99524041 9.99772259 13.99904161

11.99964362
7.99962628 9.99990657]
0.0008260524147036818

57
71 [ 9.98938837 11.99160733 9.99524041 9.99772259 13.99904161
11.99964362
7.99988755 9.99990657]
0.0002612631293974488

72 [ 9.98938837 11.99160733 9.99524041 9.99772259 13.99904161

11.99964362
7.99988755 9.99997189]

58
6.531578235069446e-05

73 [ 9.99671193 11.99160733 9.99524041 9.99772259 13.99904161

11.99964362
7.99988755 9.99997189]
0.00732356256085076

59
74 [ 9.99671193 11.99741873 9.99524041 9.99772259 13.99904161
11.99964362
7.99988755 9.99997189]
0.005811407472585017

75 [ 9.99671193 11.99741873 9.99854573 9.99772259 13.99904161

11.99964362
7.99988755 9.99997189]
0.0033053278335692937

60
76 [ 9.99671193 11.99741873 9.99854573 9.99930774 13.99904161
11.99964362
7.99988755 9.99997189]
0.0015851473481696132

77 [ 9.99671193 11.99741873 9.99854573 9.99930774 13.99970973

11.99964362
7.99988755 9.99997189]

61
0.0006681157230694623

78 [ 9.99671193 11.99741873 9.99854573 9.99930774 13.99970973

11.99989229
7.99988755 9.99997189]
0.0002486736587048455

62
79 [ 9.99671193 11.99741873 9.99854573 9.99930774 13.99970973
11.99989229
7.99996604 9.99997189]
7.84973602634409e-05

80 [ 9.99671193 11.99741873 9.99854573 9.99930774 13.99970973

11.99989229
7.99996604 9.99999151]
1.9624340065860224e-05

63
81 [ 9.99899112 11.99741873 9.99854573 9.99930774 13.99970973
11.99989229
7.99996604 9.99999151]
0.002279183826539466

82 [ 9.99899112 11.99921115 9.99854573 9.99930774 13.99970973

11.99989229
7.99996604 9.99999151]

64
0.0017924147520673728

83 [ 9.99899112 11.99921115 9.99955715 9.99930774 13.99970973

11.99989229
7.99996604 9.99999151]
0.0010114194558248357

65
84 [ 9.99899112 11.99921115 9.99955715 9.99978979 13.99970973
11.99989229
7.99996604 9.99999151]
0.0004820522093993418

85 [ 9.99899112 11.99921115 9.99955715 9.99978979 13.99991203

11.99989229
7.99996604 9.99999151]
0.0002023058070932393

66
86 [ 9.99899112 11.99921115 9.99955715 9.99978979 13.99991203
11.9999674
7.99996604 9.99999151]
7.510687685652329e-05

87 [ 9.99899112 11.99921115 9.99955715 9.99978979 13.99991203

11.9999674
7.99998973 9.99999151]

67
2.3682804230595877e-05

88 [ 9.99899112 11.99921115 9.99955715 9.99978979 13.99991203

11.9999674
7.99998973 9.99999743]
5.920701056538746e-06

68
89 [ 9.99969208 11.99921115 9.99955715 9.99978979 13.99991203
11.9999674
7.99998973 9.99999743]
0.0007009585519721639

90 [ 9.99969208 11.99975976 9.99955715 9.99978979 13.99991203

11.9999674
7.99998973 9.99999743]
0.0005486075543004176

69
91 [ 9.99969208 11.99975976 9.99986539 9.99978979 13.99991203
11.9999674
7.99998973 9.99999743]
0.0003082413926982497

92 [ 9.99969208 11.99975976 9.99986539 9.99993621 13.99991203

11.9999674
7.99998973 9.99999743]

70
0.0001464135191611149

93 [ 9.99969208 11.99975976 9.99986539 9.99993621 13.99997333

11.9999674
7.99998973 9.99999743]
6.130080006094829e-05

71
94 [ 9.99969208 11.99975976 9.99986539 9.99993621 13.99997333
11.99999012
7.99998973 9.99999743]
2.2726076334578238e-05

95 [ 9.99969208 11.99975976 9.99986539 9.99993621 13.99997333

11.99999012
7.99999689 9.99999743]
7.161694347779246e-06

72
96 [ 9.99969208 11.99975976 9.99986539 9.99993621 13.99997333
11.99999012
7.99999689 9.99999922]
1.7904235871668561e-06

97 [ 9.99990629 11.99975976 9.99986539 9.99993621 13.99997333

11.99999012
7.99999689 9.99999922]

73
0.000214212236750555

98 [ 9.99990629 11.99992697 9.99986539 9.99993621 13.99997333

11.99999012
7.99999689 9.99999922]
0.00016721678715470034

74
99 [ 9.99990629 11.99992697 9.99995913 9.99993621 13.99997333
11.99999012
7.99999689 9.99999922]
9.373277659463497e-05

100 [ 9.99990629 11.99992697 9.99995913 9.99998065 13.99997333

11.99999012
7.99999689 9.99999922]
4.443991324976082e-05

75
101 [ 9.99990629 11.99992697 9.99995913 9.99998065 13.99999191
11.99999012
7.99999689 9.99999922]
1.858192098325162e-05

102 [ 9.99990629 11.99992697 9.99995913 9.99998065 13.99999191

11.99999701
7.99999689 9.99999922]

76
6.8835097302155646e-06

103 [ 9.99990629 11.99992697 9.99995913 9.99998065 13.99999191

11.99999701
7.99999906 9.99999922]
2.168483328901516e-06

77
 104 [ 9.99990629 11.99992697 9.99995913 9.99998065 13.99999191
11.99999701
7.99999906 9.99999976]
5.421208317812898e-07

B.3. Método de relajación SOR.

xnuevoi = xnuevoi + (1 − )xanteriori

[5]: print(" SOLUCIÓN POR S.O.R.")

print("")
print("Iteración Solución Error")
print("_________________________________________________________
") print("")

W = 1.1 #Parametro de relajación

ran = 10
for k in range(ran): #Inicio búcle for, para cada iteración k,
dentro del␣ ,→rango del limite de iteraciones N.
for i in range(len(b)): #Inicio búcle for, para i en el rango
dado por␣ ,→el tamaño del vector solución b.
x[i]=(b[i]-np.sum(A[i][:i]*x[:i])-
np.sum(A[i][i+1:]*x[i+1:]))/ ,→A[i][i] # Mismo despeje por Gauss-
Seidel.

78
 old = x
x = W*x + (1-W)*old # Aplicamos el método de
relajación ea = abs((x-old)/x)*100 # Se calcula
el error.
print(k,x,ea)
SOLUCIÓN POR S.O.R.

Iteración Solución Error

_________________________________________________________

0 [ 9.99999993 11.99999994 9.99999997 9.99999998 13.99999999 12.

8. 10. ] [0.00000000e+00 0.00000000e+00 0.00000000e+00
0.00000000e+00
0.00000000e+00 0.00000000e+00 1.11022302e-14 0.00000000e+00]
1 [ 9.99999998 11.99999998 9.99999999 10. 14. 12. 8. 10. ] [0.
0. 0. 0. 0. 0. 0. 0.]
2 [ 9.99999999 11.99999999 10. 10. 14. 12.
8. 10. ] [0.00000000e+00 0.00000000e+00 0.00000000e+00
0.00000000e+00
0.00000000e+00 0.00000000e+00 1.11022302e-14
0.00000000e+00] 3 [10. 12. 10. 10. 14. 12. 8. 10.]
[0. 0. 0. 0. 0. 0. 0. 0.]
4 [10. 12. 10. 10. 14. 12. 8. 10.] [0. 0. 0. 0. 0. 0. 0. 0.]
5 [10. 12. 10. 10. 14. 12. 8. 10.] [0. 0. 0. 0. 0. 0. 0. 0.]
6 [10. 12. 10. 10. 14. 12. 8. 10.] [0.00000000e+00 1.48029737e-14
0.00000000e+00 0.00000000e+00
0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00]
7 [10. 12. 10. 10. 14. 12. 8. 10.] [0.00000000e+00 0.00000000e+00
0.00000000e+00 0.00000000e+00
0.00000000e+00 0.00000000e+00 1.11022302e-14 0.00000000e+00]
8 [10. 12. 10. 10. 14. 12. 8. 10.] [0.00000000e+00 0.00000000e+00
0.00000000e+00 0.00000000e+00
0.00000000e+00 0.00000000e+00 1.11022302e-14
0.00000000e+00] 9 [10. 12. 10. 10. 14. 12. 8. 10.]
[0. 0. 0. 0. 0. 0. 0. 0.]
Conclusiones.
1. Hemos establecido los criterios mínimos de convergencia para proceder con la resolución del SEL, de
lo contrario, seria infructuoso proceder con una solución que no garantizaría un punto de
convergencia. Los métodos usados fueron:
• Se determinó si la matriz era diagonalmente dominante, de lo contrario la aplicabilidad de los
métodos numéricos para este tipo de SEL, sería inviable.
– Se determinó si la matriz tenia inversa. Escogimos esta primera característica dentro de las
4 que plantean la convergencia de un SEL.
∗ Se identificó el determinante de la matriz y se pudo establecer que era mayor de 0. En
caso contrario, el SEL no tendría solución, o el número de soluciones sería infinito.

79
 2. La evolución que muestran las gráficas en cada uno de los métodos (GaussSeidel,
Jacobí y SOR), evidencian el grado de aproximación a la solución en virtud del
número de iteraciones Vs. el margen de error. Se puede concluir que Usando el
método Gauss-Seidel obtenemos una solución en un menor número de iteraciones
con respecto al método de Jacobí, y aún una aproximación mayor en la solución.
También cabe resaltar que aplicando un peso de relajación (SOR), a la fórmula de
Gauss-Seidel, aceleramos la respuesta de solución, que en nuestro caso se dio a la
primera iteración, habiendo escogido un parámetro de relajación de 1.1,
entendiendo que, en 1 obtendríamos el mismo valor de la fórmula de Gauss-Seidel
sin aplicar relajación. Haber escogido un parámetro de relajación menor a 1,
hubiera significado que el SEL no converge, lo cual no es nuestro caso. Se escoge
1.1, pues, aunque la respuesta obtenida en Gauss-Seidel no tardo mucho, solo 17
iteraciones, queríamos evidenciar si se podría conseguir en menor tiempo, lo cual
resulto cierto.
3. Podemos concluir que el mejor método aplicable a este SEL, es Gauss-Seidel, con
la opción de en determinado momento, si se identifica una respuesta muy
demorada, aplicarle a la misma formula la variable de relajación.

Bibliografía
Alvarez, C. (15 de 10 de 2020). UNAD 3aWenconf SEL Interpolacion Regresion. Obtenido de YouTube
Canal: https://www.youtube.com/watch?v=TkrfiIB2r_A
Canale, R. P. y P. Canale, R. (2007). Métodos numéricos para ingenieros (5a. ed.). México D.F, Mexico:
McGraw-Hill Interamericana. (pp. 233 – 244, 305 – 317). Obtenido de
https://elibronet.bibliotecavirtual.unad.edu.co/es/lc/unad/titulos/73710

80