Método de Gauss – Seidel.

El método de Gauss – Seidel es un método de aproximaciones sucesivas, el cual,

como todos los métodos iterativos, se basa en la aplicación de una fórmula de recurrencia.
Supongamos que tenemos un sistema de ecuaciones como sigue:
A1,1 x1 + A1, 2 x2 + ... + A1, n xn = B1
A2,1 x1 + A2, 2 x2 + ... + A2, n xn = B2

An ,1 x1 + An , 2 x2 + ... + An , n xn = Bn
y deseamos conocer los valores de xi con i = 1, 2, 3,...,n. Entonces despejamos x1 de la
primera ecuación, x2 de la segunda y así sucesivamente:
B1 − A12 x2 −...− A1n xn
x1 =
A11
B2 − A21 x1 −...− A2 n xn
x2 =
A22 (1)
M
Bn − An1 x1 −...− Ann −1 xn −1
xn =
Ann
y como en todos los métodos iterativos estudiados en el capitulo anterior, se requiere una
aproximación inicial, consideremos como aproximación inicial el vector:
 x1( 0) 
 ( 0) 
r x
x ( 0) = 2 
 M 
 ( 0) 
 xn 
que al sustituir en la expresión para x1 nos da una mejor aproximación de x1.
B1 − A12 x2( 0) −...− A1n xn( 0)
x1(1) =
A11
Ahora podemos sustituir la aproximación inicial en la igualdad para x2, y así obtener una
mejor aproximación de ella.
B2 − A21 x1( 0) −...− A2 n xn( 0)
x (1)
2 =
A22
 Pero conocemos previamente una mejor aproximación de x1,esta es x1(1) y puede
utilizarse en la expresión para x2,, es decir que x2 se aproxima mejor por:
B2 − A21 x1(1) −...− A2 n xn( 0)
x2(1) =
A22
En este momento ya contamos con aproximaciones para x1 y x2, mejores que las
aproximaciones iníciales y que pueden ser usadas para estimar una mejor aproximación de
x3.. Y así sucesivamente construimos el vector:
 x1(1) 
 (1) 
r x 
x (1) = 2 
 M 
 x (1) 
 n 
vector que usaremos para construir una mejor aproximación a la solución. Por lo que las
expresiones de recurrencia quedan como sigue:
B1 − A12 x2( k ) −...− A1n xn( k )
x1( k +1) =
A11
B2 − A21 x1( k +1) −...− A2 n xn( k )
x2( k +1) =
A22 (2)
M
Bn − An1 x1( k +1) −...− Ann −1 xn( −k 1+1)
xn( k +1) =
Ann
Ahora surge la siguiente pregunta: ¿Hasta cuándo iteramos?
Al igual que en los métodos vistos en la unidad dos, detenemos el proceso de
iteración cuando la diferencia absoluta entre dos aproximaciones consecutivas sea menor a
un valor previamente fijado, pero ahora debemos considerar todas y cada una de las
componentes del vector que aproxima a la solución. Matemáticamente esto se escribe así:
r r r
x ( k +1) − x ( k ) 〈 ε (3)
r
donde ε , es el vector cuyos elementos son todos iguales a ε, es decir que la componente i-
ésima del vector que aproxima a la solución debe satisfacer:
xi( k +1) − xi( k ) 〈 ε

O bien:
 { }
máx xi( k +1) − xi( k ) 〈ε para i = 1, 2, 3, ..., n.

• Si la matriz asociada es diagonalmente dominante se garantiza que el método de

Gauss – Seidel converge, pero cuando no lo es, no existe garantía de la divergencia
del método.
EJEMPLO:
Utilizando el método de Gauss - Seidel resolver con un error menor a 0.0001 el
siguiente sistema de ecuaciones:
12 x1 + 3x2 − 5 x3 = 1
3x1 − 8 x2 − 3x3 = 1
5 x1 + 4 x2 − 12 x3 = 3
Solución:
• Primero, verifiquemos si cumple el criterio de convergencia.
 12 3 −5 
 3 −8 − 3 

 5 4 − 12

Para el renglón 1: |3| + |-5| < |12|

El renglón 2: |3| + |-3| < |-8|
Renglón 3: |5| + |4| < |-12|

Por lo que cumple con el criterio de convergencia.

Despejamos a x1 de la primera ecuación; x2 de la segunda y x3 de la tercera:

B1 − A12 x2 − A13 x3 1 − 3x2 + 5x3
x1 = =
A11 12
B2 − A21 x1 − A23 x3 1 − 3x1 + 3x3
x2 = =
A22 8
B3 − A31 x1 − A32 x2 3 − 5x1 − 4 x2
x3 = =
A33 −12
por lo que las expresiones de recurrencia son:
1 − 3x2( k ) + 5 x3(k )
x1( k +1) =
12
( k +1)
1 − 3x1 + 3 x3( k )
x2( k +1) =
8
3 − 5 x1 − 4 x2( k +1)
( k +1)
x3( k +1) =
− 12
Sea ahora
  0
r ( 0)  
x =  0
 0
 
r
calculamos los valores de cada componente de x (1) esto es:
1 − 3 x2( 0) + 5 x3(0 ) 1 − 3(0) + 5(0) 1
x1(1) = = = = 0.0833
12 12 12
1 − 3 x1(1) + 3x3( 0) 1 − 3(0.0833) + 3(0)
x2(1) = = = -0.0938
8 8
3 − 5 x1(1) − 4 x2(1) 3 − 5(0.0833) − 4(−0.09375)
x3(1) = = = -0.2465
− 12 − 12
Por lo tanto la primera aproximación a la solución es el vector
 0.0833 
r (1)  
x =  - 0.0937  .
 - 0.2465 
 
El error de esta aproximación esta dado por:
{ }
e = máx xi( k +1) − xi( k ) = x3(1) − x3( 0) = − 0.2465 − 0.0 = 0.2465

Con estos valores calculamos ahora la segunda aproximación:

1 − 3 x2(1) + 5 x3(1) 1 − 3(−0.0937) + 5(−0.2465)
x ( 2)
1 = = = 0.0041
12 12
1 − 3 x1( 2 ) + 3 x3(1) 1 − 3(0.0833) + 3(0)
x2( 2) = = = -0.0310
8 8
3 − 5 x1( 2) − 4 x2( 2) 3 − 5(0.0833) − 4(−0.0937)
x3( 2) = = = -0.2586
− 12 − 12
La segunda aproximación a la solución es el vector
 0.0041 
r ( 2)  
x =  - 0.0310  .
 - 0.2586 
 

Ahora el error de esta aproximación es:

{ }
e = máx xi( k +1) − xi( k ) = x1( 2) − x1(1) = 0.0041 − 0.0833 = 0.0792
 La tercera iteración se calcula con este vector, a continuación se muestra una tabla
con las iteraciones necesarias para obtener una aproximación a la solución con un error
menor a .0001:

k 0 1 2 3 4 5 6 7
x1k 0 0.0833 0.0040 -0.0167 -0.0199 -0.0208 -0.0209 -0.0209
x2k 0 -0.0938 -0.0310 -0.0342 -0.0318 -0.0319 -0.0318 -0.0318
x3k 0 -0.2465 -0.2586 -0.2684 -0.2689 -0.2693 -0.2693 -0.2693
e 0.2465 0.0792 0.0207 0.0032 0.0008 0.0001 < 0.0001

Una buena aproximación a la solución es:

x1 = -0.0209, x2 = -0.0319, x3 = -0.2693