Universidad Católica del Norte

Departamento de Matemáticas

Métodos Numéricos
Profs: Juan Carlos Egaña y Jorge Rojo

1 Sistemas de Ecuaciones Lineales

1.1 Introducción
Consideremos un sistema de n ecuaciones con n incógnitas de la forma:

Ax = b; (1)
donde A = (aij )n n es la matriz de coe…cientes, x = (x1 ; x2 ; :::; xn )T es
el vector de las incógnitas y b = (b1 ; b2 ; :::; bn )T es el vector del lado
derecho.

Observación: La ecuación (1) también se puede escribir:

X
n
aij xj = bj ; i = 1; 2; :::; n
j=1
o
9
a11 x1 + a12 x2 + + a1n xn = b1 >
>
>
a21 x1 + a22 x2 + + a2n xn = b2 =
.. ..
. . >
>
>
an1 x1 + an2 x2 + + ann xn = bn ;

Es sabido que los sistemas de ecuaciones lineales pueden tener o no solu-

ción. Además, si tienen solución, éstas pueden ser únicas o in…nitas. Nosotros
estaremos interesados en aquellos sistemas lineales que tengan una única
solución. En este caso, existen métodos directos y métodos indirectos (o
iterativos) para determinar dicha solución.

Dentro de los métodos directos uno de los más conocidos es el Método de

Cramer:

1
Ejemplo:

Consideremos el sistema de 2 2:

3x + y = 9
2x + 3y = 13
3 1
La matriz de coe…cientes es A = , el vector del lado derecho es
2 3
9 x
b= y el vector de incógnitas es x = .
13 y

El método de Cramer calcula la solución como:

9 1 3 9
13 3 9 3 13 1 2 13 3 13 2 9
x= = = 2; y= = =3
3 1 3 3 2 1 3 1 3 3 1 2
2 3 2 3

Sin embargo, el valor del método de Cramer es sólo teórico, puesto que desde
el punto de vista numérico es muy poco e…ciente. En efecto, este método,
para calcular cada componente del vector de incógnita necesita el cálculo de
dos determinantes de n n. Considerando que un determinante de orden
n requiere de n! n 1 operaciones en el computador, el costo total de este
método es de (n + 1) n! 1 operaciones. Luego, si tenemos un computador
que haga unas 106 operaciones por segundo, se tiene que el sistema lineal
de orden "n" se resolverá en

n tiempo computacional
5 3; 6 milisegundos
10 6 minutos 39 segundos
20 32; 4 millones de años
Ante esta di…cultad, cuando el orden del sistema lineal es muy grande, existen
otras alternativas de métodos directos más e…cientes tales como el Método
de Gauss-Jordan o Eliminación Gaussiana, Descomposición LU, etc. Sin
embargo, en algunos casos también son poco e…cientes. Por tanto, una alter-
nativa son los Métodos Indirectos o Iterativos, los cuales pueden calcular la
solución en un número de pasos que no depende del orden del sistema.

2
1.2 Métodos iterativos
De…nición: Una norma de una matriz An n de n n es una función, que
denotamos por kAk, tal que cumple con las siguientes condiciones:

(i) kAk > 0; 8A ; y kAk = 0 si y solo si A = 0

(2i) k Ak = j j kAk ; 8 2 R, 8 A

(3i) kA + Bk 6 kAk + kBk ; 8 A y B

(4i) kABk 6 kAk kBk ; 8 A y B

Observación: De acuerdo a la de…nición anterior, tenemos las siguientes

normas de matrices:
X
n
kAk1 = max jaij j, máxima suma columna
16j6n
i=1
Xn
kAk1 = max jaij j, máxima suma …la
16i6n
j=1
" # 12
X
n X
n
kAk2 = a2ij
i=1 j=1

5 9
Ejemplo: Considremos la siguiente matriz de 2 2: A = ,
2 1
entonces

kAk1 = max f(5 + 2) ; (9 + 1)g = 10

16j62

kAk1 = max f5 + 9; 2 + 1g = 17
16i6n

" # 21 " # 12
X
2 X
2 X
2
kAk2 = a2ij = a2i1 + a2i2
i=1 j=1 i=1
1 1 p
= [(a211 + a212 ) + (a221 + a222 )] 2 = [(25 + 81) + (4 + 1)] 2 = 111

3
1.3 Método de Jacobi
Consideremos el sistema lineal:
9
a11 x1 + a12 x2 + + a12 xn = b1 >
>
>
=
a21 x1 + a22 x2 + + a2n xn = b2
.. ;
. >
>
>
an1 x1 + an2 x2 + + ann xn = bn ;

donde 2 3
a11 a12 a12
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7 es la matriz de coe…cientes,
4 . . . . 5
an1 an2 ann
2 3 2 3
b1 x1
6 b2 7 6 x2 7
6 7 6 7
b=6 .. 7 es el vector del lado derecho y x = 6 .. 7 es el vector de
4 . 5 4 . 5
bn xn
las incógnitas.

Entonces, despejando las incognitas xi ; i = 1; 2; :::; n; tenemos

b1 a12 a13 a1n
x1 = x2 x3 ::: xn
a11 a11 a11 a11
b2 a21 a23 a2n
x2 = x1 x3 ::: xn
a22 a22 a22 a11
..
.
..
.
bn an1 an2 an;n 1
xn = x1 x2 ::: xn 1
ann ann ann ann

El método de Jacobi consiste en generar una sucesión de vectores x(k)

que converjan al vector solución x, partiendo con una aproximación arbi-
traria, llamado vector inicial x(0) , y luego sustituir arbitrariamente en los
segundos miembros del sistema anterior para obtener una nueva aproxi-
mación x(1) . Las sustituciones continuan sucesivamente en forma similar

4
para obtener la sucesión x(k) . En otras palabras, para k = 0; 1; 2; :::;
hacer
(k+1) b1 Pn a
ij (k)
x1 = xj
a11 j=1 a11
j6=1
(k+1) b2 P n a2j (k)
x2 = xj
a22 j=1 a22
j6=2
..
.
..
.
(k+1) bn Pn a
nj (k)
xn = xj
ann a
j=1 nn
j6=n

o resumidamente, para k = 0; 1; :::, las componentes del vector solución x(k)

que genera el método de Jacobi se pueden escribir como:

(k+1) bi X
n
aij (k)
xi = xj ; i = 1; 2; :::; n (2)
aii j=1
aii
j6=i

Ejemplo: Sea Ax = b un sistema de 4 4 de la forma :

9
10x1 x2 + 2x3 = 6 >
>
=
x1 + 11x2 x3 + 3x4 = 25
(3)
2x1 x2 + 10x3 x4 = 11 >
>
;
3x2 x3 + 8x4 = 15

Podemos veri…car que este sistema tiene la única solución x = (1; 2; 1; 1)T ,
la cual llamaremos solución exacta. Por tanto, para veri…car la efectividad del
método de Jacobi, partiremos con un vector inicial (en adelante le llamaremos
"chute inicial") x(0) = (0; 0; 0; 0)T . En efecto, despejando las incognitas
xi ; i = 1; 2; 3; 4, transformamos el sistema inicial a la forma:

5
 3 1 1
x1 = + x2 x3
5 10 5
25 1 1 3
x2 = + x1 + x3 x4
11 11 11 11
11 1 1 1
x3 = x1 + x2 x4
10 5 10 10
15 3 1
x4 = x2 + x3
8 8 8
O en forma matricial x = T x + c, donde
2 1 1
3 2 3
3
0 10 5
0 5
6 1 0 1 3 7 6 25 7
T =6 4
11
1 1
11
1
11 7 y c = 6
5 4
11
11
7
5
5 10
0 10 10
3 1 15
0 8 8
0 8

Despejando las incognitas xi ; i = 1; 2; :::; n; y usando como chute inicial el

vector nulo x(0) = (0; 0; 0; 0)T , tenemos

(1) 3 1 (0) 1 (0)

x1 = + x2 x = 0:6000
5 10 5 3
(1) 25 1 (0) 1 (0) 3 (0)
x2 = + x1 + x3 x = 2:2727
11 11 11 11 4
(1) 11 1 (0) 1 (0) 1 (0)
x3 = x1 + x2 + x4 = 1:1000
10 5 10 10
(1) 15 3 (0) 1 (0)
x4 = x + x3 = 1:8750
8 8 2 8
T
(k) (k) (k) (k)
Algunas iteraciones x(k) = x1 ; x2 ; x3 ; x4 que genera el Método de
Jacobi, según las fórmulas (2) con k = 1; 2; : : : 10, se muestran en la siguiente
Tabla:

6
 k 0 1 2 3 10

(k)
x1 0:0 0:6000 1:0473 0:9326 1:0001
(k)
x2 0:0 2:2727 1:7159 2:0530 1:9998
(k)
x3 0:0 1:1000 0:8052 1:0493 0:9998
(k)
x4 0:0 1:8750 0:8852 1:1305 0:9998

Notemos que podemos generar una sucesión in…nita de vectores x(k) , los
cuales se "acercan" a la solución exacta. Entre más grande es el valor de
k, mejor es la aproximación. Sin embargo, podemos veri…car con el ejemplo
anterior que en 10 iteraciones podemos conseguir una aproximación de la
solución exacta bastante buena. Los métodos iterativos, y en particular el
método de Jacobi, no se detienen mientras no se tenga un control sobre ello.
Entonces, como criterio de parada, podemos usar el hecho que si la sucesión
de vectores x(k) converge a la solución exacta, implica (indirectamente) que
el vector x(k) queda cada vez más cerca del siguiente vector x(k+1) cuando k
tiende a in…nito (k ! 1), es decir, la distancia (norma) entre los vectores
x(k) y x(k+1) es cada vez más pequeña. Luego, como criterio de parada,
podemos usar la relación:

x(k+1) x(k) 1
< T OL;
kx(k+1) k1
donde T OL es un número real arbitrario "muy pequeño" (tanto como se
desee la precisión de la aproximación). En el ejemplo anterior, si queremos
una aproximación de tres cifras decimales, podemos escoger T OL = 10 3 ,
entonces

x(10) x(9) 1 8:0 10 4

3
= < 10
kx(10) k1 1:9998

Observación: El método de Jacobi puede escribirse matricialmente. En

efecto, la matriz de coe…cientes se puede descomoponer como sigue:

7
 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7=
4 . . . . 5
an1 an2 ann
2 3 2 3 2 3
a11 0 0 0 0 0 a12 a1n
6 0 a22 0 7 6 .. .. 7 6 .. .. .. 7
6 7 6 a21 . . 7 6 . . . 7
=6 .. .. . . . .. 7 6 .. .. .. .. 7 6 .. .. .. 7
4 . . . 5 4 . . . . 5 4 . . . an 1;n
5
0 0 an an1 an;n 1 0 0 0
| {z } | {z } | {z }
D L U
(4)

Así tenemos que el sitema Ax = b se puede escribir de la forma:

(D L U ) x = b;
entonces, distribuyendo y despejando, tenemos

Dx = (L + U ) x + b:
1
Ahora, si suponemos que la matriz D existe, es decir, si aii 6= 0; 8i=
1; 2; :::; n, entonces

1
x=D (L + U ) x + D 1 b
1
Si T = D (L + U ) y c = D 1 b, la ecuación matricial anterior queda:

x = Tx + c

Luego, la forma matricial del método de Jacobi queda, para k = 1; 2; :::

x(k+1) = T x(k) + c;
donde x(k+1) es el vector de los vectores que deberían converger a la solución
exacta. La matriz T = D 1 (L + U ) es llamada la matriz de iteración
del método de Jacobi y en lo sucesivo denotaremos la matriz iteración por
TJ = D 1 (L + U ) y cJ = D 1 b.

8
1.4 Método de Gauss-Seidel
Este método es una variación del método de Jacobi con el …n de acelerar su
convergencia a la solución exacta. La idea es utilizar los valores actualizados
en cada reemplazo. Esto es, para cada k = 0; 1; 2; :::

(k+1) b1 a12 (k) a1n (k)

x1 = x xn
a11 a11 2 a11
(k)
(k+1) b2 a21 (k+1) a23 (k) a2n
x2 = x x
a22 a22 1 a22 3 a22
..
.
..
.
(k+1) bn an1 (k+1) an2 (k+1) an;n 1 (k+1)
xn = x x x
ann ann 1 ann 2 ann n 1
O en forma resumida, para k = 0; 1; 2; :::, las componentes del vector solución
x(k) que genera el método de Gauss Seidel se pueden escribir como:

(k+1) bi X
i 1
aij (k+1) Xn
aij (k)
xi = x x (5)
aii j=1
aii j j=i+1
aii j

Como en el método de Jacobi, el control de parada del método de Gauss-

Seidel viene dado por:

x(k+1) x(k) 1
< T OL;
kx(k+1) k1

Ejemplo: Consideremos el sistema del ejemplo anterior, es decir,

9
10x1 x2 + 2x3 = 6 >
>
=
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11 >
>
;
3x2 x3 + 8x4 = 15

Usando las fórmulas de (5) del método de Gauss-Seidel para calcular las
componentes del vector x(k) , tenemos

9
 (k+1) 3 1 (k) 1 (k)
x1 = + x x
5 10 2 5 3

(k+1) 25 1 (k+1) 1 (k) 3 (k)

x2 = + x + x x
11 11 1 11 3 11 4

(k+1) 11 1 (k+1) 1 (k+1) 1 (k)

x3 = x + x x
10 5 1 10 2 10 4

(k+1) 15 3 (k+1) 1 (k+1)

x4 = x + x
8 8 2 8 3

Si comenzamos con el mismo chute inicial x(0) = (0; 0; 0; 0)T , y generamos

cinco iteraciones, obtenemos:

k 0 1 2 3 4 5

(k)
x1 0:0 0:6000 1:030 1:0065 1:0009 1:0001
(k)
x2 0:0 2:3272 2:037 2:0036 2:0003 2:0000
(k)
x3 0:0 0:9873 1:014 1:0025 1:0003 1:0000
(k)
x4 0:0 0:8789 0:9844 0:9983 0:9999 1:0000
Claramente, si T OL = 4 10 4 , tenemos

x(5) x(4) 0:0008

1
= =4 10 4 ;
kx(5) k1 2:000

es decir, x(5) es la aproximación de la solución exacta x = (1; 2; 1; 1)T

con la exactitud deseada. Si la comparamos con la solución aproximada que
arroja el método de Jacobi, podemos observar que el método de Gauss-Seidel
alcanza una mejor exactitud en la quinta iteración, es decir, en la mitad de
iteraciones que lo hace el método de Jacobi.

Observación: Si descomponemos la matriz de coe…cientes A como en el

método de Jacobi, es decir, A = D L U , donde D; L y U están de…nidas
como en (4),entonces el sistema Ax = b puede escribirse como:

(D L U ) x = b;

10
distribuyendo

Dx Lx Ux = b

o, equivalentemente, factorizando y despejando, obtenemos

(D L) x = U x + b (6)

Si suponemos que las entradas diagonales de la matriz A son todas distintas

de cero, es decir, aii 6= 0; 8 i = 1; :::; n, entonces existe existe la inversa de
la matriz (D L). Luego, premultiplicando la ecuación matricial (6) por la
matriz (D L) 1 , obtenemos
1 1 1
(D L) (D L) x = (D L) U x + (D L) b

o, lo que es mismo,
1 1
x = (D L) U x + (D L) b

1 1
Ahora, si denotamos TG S = (D L) U y cG S = (D L) b, la
ecuación anyterior queda

x = TG Sx + cG S

Luego, la forma matricial del método de Gauss-Seidel queda, para k = 1; 2; :::

x(k+1) = TG Sx
(k)
+ cG S:

1.5 Criterios de convergencia

Si bien los ejemplos dados anteriormente muestran que los métodos de Jacobi
y Gauss-Seidel convergen a la única solución x = (1; 2; 1; 1)T del sistema lin-
eal (3), no signi…ca que estos métodos iterativos sean siempre convergente.

11
Por tanto, es necesario determinar criterios que nos aseguren apriori con-
vergencia de tal manera de generar una sucesión que asegure se "acerque"
in…nitamente a la solución exacta. De lo contrario, será un trabajo en vano.
De…nición: Una matriz A = (aij )n n se dice estrictamente diagonal
dominante si sus entradas cumplen cada una de las siguientes condiciones:
X
n
jaii j > jaij j ; i = 1; 2; :::; n (7)
j=1
j6=i

Ejemplo: Dada la matriz A de 3 3

0 1
3 0 1
A=@ 1 2 0 A;
1 1 3

se veri…can:

P
n=3
ja11 j = 3 > jaij j = ja12 j + ja13 j = j0j + j 1j = 1
j=1
j6=1

P
3
ja22 j = 2 > ja2j j = ja21 j + ja23 j = j 1j + j0j = 1
j=1
j6=2

P
3
ja33 j = 3 > ja3j j = ja31 j + ja32 j = j1j + j 1j = 2
j=1
j6=3
Entonces la matriz A es estrictamente diagonal dominante (E.D.D).

Ahora si consideramos la matriz B de 3 3 dada por:

0 1
1 0 3
B= @ 0 1 1 A;
2 1 3

se puede veri…car que:

12
 P
3
jb11 j = 1 < jaij j = ja12 j + ja13 j = j0 + 3j = 3
j=1
j6=1

Por tanto, como falla una de las condiciones dadas por (7), podemos decir
que la matriz B no es E.D.D.

El siguiente teorema no estrega una condición su…ciente para determinar si

los métodos de Jacobi y Gauss-Seidel son convergentes.
Teorema: (Diagonal dominancia) Sea dado el sistema de ecuaciones lin-
eales:

Ax = b:

Si la matriz de coe…cientes A es estrictamente diagonal dominante, entonces

los métodos de Jacobi y Gauss-Seide son convergentes para cualquier chute
inicial x(0) :

De…nición: Sea A = (aij )n n una matriz de orden n n. El radio

espectral de A es el número real, que denotamos por (A), de…nido por:

(A) = max fj i j tal que i es un autovalor de Ag

16i6n

2 3
Ejemplo: La matriz A = tiene dos autovalores: 1 = 4 y
0 4
2 = 2. Entonces el radio espectral de A es igual a 4. En efecto,

(A) = max fj i j tal que i es un autovalor de Ag

16i62
= max fj 1 j ; j 2 jg = max fj 4j ; j2jg = 4

Teorema: Si k k es cualquier norma de matrices, entonces siempre se

cumple:

(A) 6 kAk , para toda matriz A de n n:

Ejemplos:

13
1. Dado el sistema
9
3x1 x3 = 1 =
x1 + 2x2 = 0
;
x1 x2 + 3x3 = 1
Los métodos de0Jacobi1y G-S son convergentes para cualquier chute
(0)
x1
B C
inicial x(0) = @ x(0)
2 A. En efecto, la matriz de coe…ciente es A =
(0)
x
0 13
3 0 1
@ 1 2 0 A y vimos en un ejemplo anterior que esta matriz es
1 1 3
E.D.D, entonces por el teorema anterior los métodos de Jacobo y G-S
son convergentes para cualquier chute inicial.

2. El criterio de convergencia de la diagonal dominancia, es sólo una condi-

ción su…ciente y no necesaria. En otra palabras, si la matriz de coe…-
cientes no es E.D.D. no se puede asegurar nada, es decir, los métodos
de Jacobi y G-S podrían ser convergentes o no. Por ejemplo, si consid-
eramos el sistema
9
3x1 x3 = 1 =
x1 x2 = 0 ;
;
x1 + x2 + 2x3 = 1
0 1
3 0 1
tenemos que la matriz de coe…cientes es A = @ 1 1 0 A. Note-
3 1 2
mos que:
P
3
ja11 j = 3 > jaij j = 0 + j 1j = 1
j=1
j6=1

P
3
ja22 j = 1 = jaij j = 1 + 0 = 1,
j=1
j6=2

es decir, la matriz A no es E.D.D. Con los criterios que tenemos,

no podemos asegurar si los métodos iterativos de Jacobi y G-S son
convergentes o no.

14
Teorema: Dado el sitema de ecuaciones lineales

Ax = b (8)
y sea el esquema iterativo

x(k+1) = T x(k) + c, k = 0; 1; 2; ::: (9)

donde T es la matriz de iteración de Jacobi o Gauss-Seidel. Entonces el
esquema iterativo (8) genera una sucesión convergente a la solución exacta
x del sistema (9)

si y solo si
el radio espectral de la matriz de coe…cientes es menor que uno, es decir,

(T ) < 1:

Ejemplo: Consideremos el ejemplo anterior, donde la matriz de coe…cientes

es
0 1
3 0 1
A=@ 1 1 0 A
3 1 2

En el ejemplo anterior, vimos que esta matriz no es E.D.D. por lo que no

pudimos decidir si los métodos de Jacobi y G-S son convergentes o no. Para
aplicar el último criterio al método de Gauss.Seidel, es necesario conocer la
matriz de iteración TG S por lo que, primero, determinamos las matrices
D, L y U
0 1 0 1 0 1
3 0 0 0 0 0 0 0 1
D=@ 0 1 0 A;L = @ 1 0 0 A;U = @ 0 0 0 A
0 0 2 3 1 0 0 0 0

Recordemos que:
1
TG S = (D L) U
Primero calculamos la matriz D L y su inversa:

15
 0 1
1
0 1 0 0 C
3 0 0 B 3
B 1 C
D L=@ 1 1 0 A ; (D L) 1
=B
B 1 0 C
C:
@ 3
3 1 2 2 1 1 A
3 2 2
Entonces

1
TG S = (D L) U
0 1
1
B 0 0 C 0 1
B 3 C 0 0 1
1
= B
B 1 0 CC
@ 0 0 0 A
@ 3
2 1 1 A 0 0 0
3 2 2
0 1
1
B 0 0 3 C
B 1 C
= B
B 0 0
C
@ 3 C
2 A
0 0
3
Para conocer el radio espectral (TG S ) es necesario conocer los autovalores
de TG S , esto es, calcular las raíces del polinomio característico p ( ) dado
por:

16
 p ( ) = jTG S Ij

1
0
3
1
= 0
3
2
0 0
3
1
3 1 0 1
= 2 +
0 3 0 0
3
2
=
3
2 2 3
=
3

2 2
= =0
3
Entonces tenemos que los autovalores de la matriz TG S son:
2
1 = 0; 2 = 0; 3 =
3
Esto implica que el radio espectral de TG S es:
2
(TG S) = 0; 6
3
Por tanto, dado que (TG S ) < 1, el método de Gauss-Seidel converge para
cualquier chute inicial x(0) .
Un análisis similar se puede hacer para estudiar la convergencia del método
de Jacobi, es decir, determinar el radio espectral de la matriz de iteración
TJ = D 1 (L + U ). En efecto, notemos que
0 1 1
3
0 0
D 1=@ 0 1 0 A
0 0 12

17
Entonces

1
TJ = D (L + U )
0 1
10 1
0 0
3
0 0 1
= @ 0 1 0 A @ 1 0 0 A
0 0 12 3 1 0
0 1
0 0 13
= @ 1 0 0 A
3 1
2 2
0

Para conocer el radio espectral (TJ ) calculamos el polinomio característico

p ( ) dado por:

1
0 3
p ( ) = jTJ Ij = 1 0
3 1
2 2

0 1 1 1
= 1 + 3 1
2 3 2 2

2 1 1 3
= +
3 2 2
3 1 1
=
6 2
3 1 1
= =0
2 6
o equivalentemente
3
p( ) = 6 +3 +1=0

Entonces el radio espectral de TJ es

18
 (TJ ) = max fj 1 j ; j 2 j ; j 3 jg

= max f0:762 89; 0:762 89; 0:286 37g

= 0:762 89
y así, según el criterio anterior, como el radio espectral es menor que 1, el
método de Jacobi converge para cualquier chute inicial x(0) .

Observación:

1. Recordemos que en un teorema anterior se tiene que:

(A) 6 kAk ;

para toda matriz A de n n y cualquier norma de matrices. En

particular, este resultado es válido para la norma in…nito, es decir,

(A) 6 kAk1 : (10)

Para la matriz iteración del ejemplo anterior, podemos calcular fácil-

mente la norma in…nito de TG S . En efecto,

1 1 2
kTG S k1 = max ; ;
3 3 3
2
= 0; 6
3
Luego, si aplicamos la desigualdad (10), tenemos

2
(TG S) < kTG S k1 = < 1:
3
Por tanto, con tan sólo calcular la norma kTG S k1 podemos asegurar
que el método de G-S converge, sin necesidad de calcular el radio
espectral (TG S ).

19
 2. Haga un análisis similar para la matriz TJ .

3. La observación 1. nos indica que si queremos estudiar la convergencia

de los métodos de Jacobi y Gauss-Seidel, podemos aplicar los criterios
en orden de complejidad de los cálculos. Esto es, analzamos primero si
la matriz de coe…cientes es E.D.D.. Si lo fuera, los métodos convergen.
Si no, calculamos la norma de la matriz de iteración T . Si ésta es menor
que 1, entonces aplicamos la desigualdad (10) y el método iterativo
será convergente. Si la norma in…nito de la matriz de iteración no es
estrictamente menor que 1, será necesario calcular el radio espectral de
T . Este último criterio es una condición necesaria y su…ciente, es decir,
si el radio espectral es estrictamente menor que 1, el método iterativo
será convergente. En caso que el radio espectral es mayor o igual a 1,
el método iterativo no convergerá.

4. La convergencia de los métodos de Jacobi y G-S son independientes,

es decir, un método puede converger y el otro no, o ambos converger o
diverger.

1.6 Criterio de Sassenfeld para el método de Gauss-

Seidel
El siguiente criterio es aplicable sólo al método de Gauss-Seidel. Considere-
mos el sistema lineal

Ax = b;
donde
2 3
a11 a12 a12
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7:
4 . . . . 5
an1 an2 ann
De…nimos los números j, con j = 2; 3; :::; n de la siguiente forma:

ja12 j + ja13 j + ja14 j + ::: + ja1n j

1 =
ja11 j

20
y para j = 2; 3; :::; n

jaj1 j 1 + jaj2 j 2 + ::: + jaj;j 1 j j 1 + jaj;j+1 j + ::: + jajn j

j =
jajj j

Ejemplo: Si n = 3, entonces

ja12 j + ja13 j
1 = ;
ja11 j
ja21 j + ja23 j
1
2 =
ja22 j
y

ja31 j 1+ ja32 j 2
3 =
ja33 j

Ahora, si n = 4, tenemos

ja12 j + ja13 j + ja14 j

1 = ;
ja11 j
ja21 j 1 + ja23 j + ja24 j
2 = ;
ja22 j
ja31 j 1 + ja32 j 2 + ja34 j
3 =
ja33 j
y

ja41 j 1 + ja42 j 2 + ja44 j 3

4 =
ja44 j

El siguiente teorema nos entrega una condición su…ciente para la conver-

gencia del método de Gauss-Seidel.

Teorema: (Criterio de Sassenfeld) Sea = max j. Si < 1, entonces

16j6n
el método de Gauss-Seidel es convergente a la única solución. Además, entre
más pequeño es el valor de más rápida es la convergencia.

21
Ejemplo:

9
2x1 + x2 + 3x3 = 3 =
x2 + x3 = 1
;
x1 + 3x3 = 3
La matriz de coe…cientes es:
0 1
2 1 3
A= @ 0 1 1 A:
1 0 3
Entonces, para aplicar el criterio de Sassenfeld, primero calculamos j; j=
1; 2; 3

ja12 j + ja13 j 1+3

1 = = =2
ja11 j 2
ja21 j 1 + ja23 j 0:2 + 1
2 = = =1
ja22 j j 1j
ja31 j 1+ ja32 j 2 1 2+0 1 2
3 = = =
ja33 j 3 3

2
Entonces = max 2; 1; = 2 > 1 y, por tanto, el criterio no decide. Sin
3
embargo, podemos intentar intercambios de …las y/o columnas para aplicar
el criterio. Primero, intercambiamos las …las 1 y 3

9
x1 + 3x3 = 3 =
x2 + x3 = 1
;
2x1 + x2 + 3x3 = 3
y la matriz de coe…cientes es:
0 1
1 0 3
e
A= @ 0 1 1 A:
2 1 3

22
 ja12 j + ja13 j 0+3
Calculamos 1 = = > 1 no satisface y el criterio no
ja11 j 1
decide. Sin embargo, podemos insistir en otros intercambios. Ahora, inter-
cambiamos la primera columna por la tercera:
0 1
3 0 1
b=@ 1
A 1 0 A:
3 1 2
En este caso, tenemos:

ja12 j + ja13 j 0+1 1

1 = = = < 1;
ja11 j 3 3

ja21 j + ja23 j
1 1 13 + 0 ja21 j 1 + ja23 j 1
2 = = = = <1
ja22 j 1 ja22 j 3
y
1 1
ja31 j 1 + ja32 j 2 3 3
+1 3 4 1 2
3 = = = = < 1:
ja33 j 2 3 2 3
Luego,

1 2 2
= max ; = <1
3 3 3

Por lo tanto, el Método de Gauss-Seidel converge.

Observación:

1. El criterio de la diagonal dominante no decide en ninguna de las tres

matrices de coe…cientes. En efecto, para
0 1
2 1 3
A=@ 0 1 1 A
1 0 3

tenemos

2 = ja11 j < ja12 j + ja13 j = j1j + j3j = 4:

23
 Para
0 1
1 0 3
e=@ 0
A 1 1 A
2 1 3
tenemos

1 = ja11 j < ja12 j + ja13 j = j0j + j3j = 3

y para
0 1
3 0 1
b=@ 1
A 1 0 A:
3 1 2
tenemos

2 = ja33 j < ja31 j + ja32 j = j3j + j1j = 4:

2. Veamos la importancia del criterio de Sanssenfeld en este caso. Si

calculamos la mariz de iteración TG S para A, tenemos

1
TG S = (D L) U

20 1 0 13 1 0 1
2 0 0 0 0 0 0 1 3
= 4@ 0 1 0 A @ 0 0 0 A5 @ 0 0 1 A
0 0 3 1 0 0 0 0 0
0 1 1 0 1
2 0 0 0 1 3
= @ 0 1 0 A @ 0 0 1 A
1 0 3 0 0 0
0 1 3
1
0 2 2
= @ 0 0 1 A
1 1
0 6 2

Si calculamos las normas de TG S, obtenemos

24
 2
kTG S k1 = max 0; ; 2 =2>1
3
2
kTG S k1 = max 2; 1; =2>1
3
1 1

2 1 9 1 1 2 34 2
kTG S k2 = 0 + + +0+0+1+ + = 1:943 > 1
4 4 36 4 9

Luego, no podemos aprovechar el teorema que dice

(TG S) 6 kTG Sk :

Por tanto, sino tuvieramos el teorema de Sassenfeld, estaríamos oblig-

ados, como último recurso, a calcular los autovalores de TG S , para
determinar convergencia del método de Gauss-Seidel.

25