UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA ACADÉMICO PROFESIONAL DE MATEMÁTICAS

ANÁLISIS NUMÉRICO I

PRÁCTICA N° 5 – SEMANA 8
DOCENTE:
 LEÓN NAVARRO RONALD WISTON
ALUMNO:
 CASTRO VALQUI CRISTHIAN MANUEL

2023
1. Demostrar que, si 𝐴 es diagonalmente dominante, entonces el método de Gauss-Seidel
genera una sucesión de vectores convergente a la única solución del sistema 𝐴𝑥 = 𝑏, para
cualquier vector inicial.

Para demostrar que el método de Gauss-Seidel genera una sucesión de vectores convergente a la
única solución del sistema 𝐴𝑥 = 𝑏, si 𝐴 es diagonalmente dominante, consideremos lo siguiente:
El método de Gauss-Seidel se define mediante la siguiente iteración:
Para 𝑘 = 1,2,3, …
Para 𝑖 = 1, 2, … , 𝑛

𝑏𝑖 − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗𝑘 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗𝑘−1 , 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

𝑥𝑖𝑘+1 =
𝐴𝑖𝑖

Donde 𝑥𝑖𝑘 denota el i-ésimo componente del vector solución en la iteración 𝑘.

Supongamos que 𝐴 es diagonalmente dominante, lo que significa que para cada fila 𝑖, el valor
absoluto del elemento de la diagonal 𝐴𝑖𝑖 es mayor o igual que la suma de los valores absolutos
de los demás elementos de esa fila.
Demostraremos que la secuencia de vectores generada por el método de Gauss-Seidel converge
a la única solución del sistema 𝐴𝑥 = 𝑏.
Sea 𝑥 ∗ el vector solución del sistema 𝐴𝑥 = 𝑏. Queremos demostrar que la sucesión de vectores
𝑥 𝑘 generados por el método de Gauss-Seidel converge a 𝑥 ∗ .

Sea 𝑒 𝑘 = 𝑥 𝑘 – 𝑥 ∗ , que representa el error en la iteración 𝑘.

Aplicamos la iteración del método de Gauss-Seidel al vector 𝑥 ∗ :

𝑏𝑖 − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗 , 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)
𝑥∗ =
𝐴𝑖𝑖
Restamos 𝑥 ∗ de ambos lados de la ecuación:

𝑘+1
𝑏𝑖 − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗𝑘 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗𝑘−1 , 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)
𝑒 = − 𝑥∗
𝐴𝑖𝑖
Expresamos 𝑒 𝑘+1 en términos del error anterior:

𝑏𝑖 − ∑(𝐴𝑖𝑗 ∗ (𝑥𝑗 + 𝑒𝑗𝑘 ), 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ (𝑥𝑗 + 𝑒𝑗𝑘−1 ), 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

𝑒 𝑘+1 = − 𝑥∗
𝐴𝑖𝑖
Expandimos los términos y reorganizamos:
𝑏𝑖 − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑥𝑗 , 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)
𝑒 𝑘+1 = − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘−1, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛) − 𝑥 ∗
𝐴𝑖𝑖

Simplificamos:

𝑒 𝑘+1 = 𝑒 𝑘 − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘−1 , 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

Consideremos el error máximo absoluto en la iteración k:

|𝑒𝑖𝑘+1 | = |𝑒𝑖𝑘 − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘 , 𝑗 = 1 𝑡𝑜 𝑖 − 1) − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘−1 , 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)|

Usando la propiedad de diagonalmente dominante, podemos acotar los términos de la suma:

|𝑒𝑖𝑘+1 | ≤ |𝑒𝑖𝑘 − ∑(𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘 , 𝑗 = 1 𝑡𝑜 𝑖 − 1)| + ∑(|𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘−1 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛) ≤ |𝑒𝑖𝑘 | + ∑(|𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘−1 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

Debido a la propiedad de diagonalmente dominante, podemos acotar la suma de los términos de

la última desigualdad:

|𝑒𝑖𝑘+1 | ≤ |𝑒𝑖𝑘 | + ∑(|𝐴𝑖𝑗 ∗ 𝑒𝑗𝑘−1 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

≤ |𝑒𝑖𝑘 | + ∑(|𝐴𝑖𝑗 | ∗ |𝑒𝑗𝑘−1 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

≤ |𝑒𝑖𝑘 | + ∑(|𝐴𝑖𝑗 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛) ∗ ∑(|𝑒𝑗𝑘−1 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛)

≤ |𝑒𝑖𝑘 | + ∑(|𝐴𝑖𝑗 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛) ∗ |𝑒 𝑘−1 |𝑚𝑎𝑥

Donde |𝑒 𝑘−1 |𝑚𝑎𝑥 denota el máximo error absoluto en la iteración 𝑘 − 1.

Observamos que el término ∑(|𝐴𝑖𝑗 |, 𝑗 = 𝑖 + 1 𝑡𝑜 𝑛) ∗ |𝑒 𝑘−1 |𝑚𝑎𝑥 es constante para cada i y se

denota como 𝐶𝑖 .
Entonces, tenemos:

|𝑒𝑖𝑘+1 | ≤ |𝑒𝑖𝑘 | + 𝐶𝑖 ∗ |𝑒 𝑘−1 |𝑚𝑎𝑥

Podemos demostrar por inducción que |𝑒𝑖𝑘 | ≤ (|𝑒𝑖1 | + 𝐶𝑖 ∗ |𝑒 0 |𝑚𝑎𝑥 ) ∗ (1 + 𝐶𝑖 )𝑘−1 .

Como |𝑒𝑖𝑘 | ≤ (|𝑒𝑖1 | + 𝐶𝑖 ∗ |𝑒 0 |𝑚𝑎𝑥 ) ∗ (1 + 𝐶𝑖 )𝑘−1 → 0 cuando 𝑘 tiende a infinito, esto implica
que la sucesión de vectores 𝑥 𝑘 converge a 𝑥 ∗ .
Por lo tanto, hemos demostrado que si 𝐴 es diagonalmente dominante, entonces el método de
Gauss-Seidel genera una sucesión de vectores convergente a la única solución del sistema 𝐴𝑥 =
𝑏, para cualquier vector inicial.

2. Demostrar que, si 𝐴 es una matriz estrictamente diagonalmente dominante por filas,

entonces el método de Jacobi converge.

𝑇𝐽 = (𝐿 + 𝑈)𝐷 −1
−𝐴 , 𝑠𝑖 𝑖 ≠ 𝑗
[𝐿 + 𝑈]𝑖𝑗 = { 𝑖𝑗
0, 𝑠𝑖 𝑖 = 𝑗
0, 𝑠𝑖 𝑖 ≠ 𝑗
[𝐷 −1 ]𝑖𝑗 = {
𝐴−1
𝑖𝑖 , 𝑠𝑖 𝑖 = 𝑗
𝑛

[𝑇𝑗 ]𝑖𝑝 = ∑[𝐿 + 𝑈]𝑖ℎ [𝐷 −1 ]ℎ𝑝

ℎ=1

= [𝐷 −1 ]𝑖𝑝 [𝐷−1 ]𝑝𝑝 (𝑝𝑢𝑒𝑠 𝑖 ≠ 𝑝 𝑙𝑜 𝑎𝑛𝑢𝑙𝑎).

Entonces,
−𝐴𝑖𝑝 /𝐴𝑖𝑖 , 𝑠𝑖 𝑖 ≠ 𝑝
[𝑇𝐽 ]𝑖𝑝 = {
0, 𝑠𝑖 𝑖 = 𝑝
𝑛 𝑛
∑𝑛𝑝=1|−𝐴ℎ𝑝 |
‖𝑇𝐽 ‖∞ = 𝑚𝑎𝑥 ∑ |[𝑇𝐽 ]𝑖𝑝 | = ∑ |[𝑇𝐽 ]ℎ𝑝 | =
|𝐴ℎℎ |
𝑝=1 𝑝=1
< 1. (𝑝𝑢𝑒𝑠 𝑒𝑠 𝑒𝑠𝑡𝑟𝑖𝑐𝑡𝑎𝑚𝑒𝑛𝑡𝑒 𝑑𝑖𝑎. 𝑑𝑜𝑚. )
Entonces,

𝜌(𝑇𝐽 ) ≤ ‖𝑇𝐽 ‖∞ < 1.

ES DECIR, 𝜌(𝑇𝐽 ) < 1. Por tanto, el método converge.

3. El sistema lineal:
2x1 − x2 + x3 = −1
{ 1 + 2x2 + 2x3 = 4
2x
−x1 − x2 + 2x3 = −5
tiene solución (1, 2, −1)𝑡 .
√5
a) Demostrar que: 𝜌(𝑇𝐽 ) = > 1.
2

√5
Para demostrar que 𝜌(𝑇𝐽 ) = 2
> 1, donde 𝑇𝐽 es la matriz de iteración de Jacobi para el
sistema lineal dado, debemos encontrar el radio espectral de 𝑇𝐽 .

La matriz de iteración de Jacobi, 𝑇𝐽 , se obtiene dividiendo cada elemento de la matriz de

coeficientes A por el elemento correspondiente en la diagonal de 𝐴 y cambiando el signo. La
matriz 𝑇𝐽 se define como:

𝑇𝐽 = −𝐷 −1 ∗ (𝐿 + 𝑈)

Donde 𝐷 es una matriz diagonal formada por los elementos diagonales de 𝐴, 𝐿 es una matriz
triangular inferior formada por los elementos por debajo de la diagonal de 𝐴, y 𝑈 es una matriz
triangular superior formada por los elementos por encima de la diagonal de 𝐴.

Para el sistema dado:

2 −1 1
𝐴=[ 2 2 2]
−1 −1 2
2 0 0
𝐷 = [ 0 2 0]
0 0 2
0 0 0
𝐿=[ 2 0 0]
−1 −1 0
0 −1 1
𝑈 = [ 0 0 0]
0 0 0
Aplicando la fórmula de 𝑇𝐽 , tenemos:

𝑇𝐽 = −𝐷 −1 ∗ (𝐿 + 𝑈)
1
0 0
2 0 0 0 0 −1 1
1
=− 0 2
0 ∗ ([ 2 0 0] + [0 0 0])
1 −1 −1 0 0 0 0
[0 0 2]
1
2
0 0
0 −1 1
1
=− 0 2
0 ∗[ 2 0 0]
1 −1 −1 0
[0 0 2]
1 1 1
− −
2 2 2
= [−1 0 0]
1 1
2 2
0

Para encontrar el radio espectral 𝜌(𝑇𝐽 ), debemos calcular los valores propios de 𝑇𝐽 y encontrar
el máximo valor absoluto.

Calculando los valores propios de 𝑇𝐽 , obtenemos:

𝑑𝑒𝑡(𝑇𝐽 − 𝜆𝐼) = 0
1 1 1
− −λ −
2 2 2
| −1 0 −λ || = 0
|
1 1
[ 2 −λ ]
2
1 1 1 1 1 1 1 1 1
(− − 𝜆) (0 − 𝜆)(0 − 𝜆) + ( − 𝜆) ( − 𝜆) ( − 𝜆) − (− ) ( − 𝜆) ( − 𝜆) − (− ) ( − 𝜆) (0 − 𝜆) = 0
2 2 2 2 2 2 2 2 2

3 3 1
−𝜆3 + ( ) 𝜆2 − ( ) 𝜆 + ( ) = 0
2 2 4
1 𝑖 √3
Resolviendo esta ecuación, obtenemos tres valores propios: 𝜆1 = 1, 𝜆2 = − 2 + 2
, 𝜆3 =
1 𝑖√3
−2 − 2
.

El radio espectral 𝜌(𝑇𝐽 ) es el máximo valor absoluto de los valores propios. En este caso, el
√5
máximo valor absoluto es |𝜆_2| = 2
.

√5
Por lo tanto, hemos demostrado que 𝜌(𝑇𝐽 ) = > 1.
2
b) Demostrar que el método de Jacobi con 𝑋 (0) = 0 falla para dar una buena aproximación
después de 25 iteraciones.

Para demostrar que el método de Jacobi con 𝑋 (0) = 0 no proporciona una buena
aproximación después de 25 iteraciones para el sistema lineal dado, necesitamos realizar las
iteraciones del método y verificar el comportamiento de la aproximación obtenida.

El método de Jacobi se define mediante la siguiente fórmula de iteración:

𝑋 𝑘+1 = 𝐷 −1 ∗ (𝑏 − (𝐿 + 𝑈) ∗ 𝑋 𝑘 )

Donde 𝑋 𝑘 es la aproximación en la k-ésima iteración, D es una matriz diagonal formada por los
elementos diagonales de 𝐴, 𝐿 es una matriz triangular inferior formada por los elementos por
debajo de la diagonal de 𝐴, 𝑈 es una matriz triangular superior formada por los elementos por
encima de la diagonal de 𝐴, y 𝑏 es el vector de términos independientes.

Para el sistema dado:

2 −1 1
𝐴=[ 2 2 2]
−1 −1 2
−1
𝐵=[ 4 ]
−5
Aplicando la fórmula de iteración de Jacobi, tenemos:
1
0 0
2
1 −1 0 0 0 0 −1 1
𝑋 𝑘+1 = 0 0 ∗ ([ 4 ] − ([ 2 0 0] + [0 0 0]))
2 −5 −1 −1 0 0 0 0
1
[0 0
2]
Realizando las iteraciones, podemos calcular 𝑋 𝑘+1 hasta 𝑘 = 25:
1
2
𝑋1 = 2
5
[− 2]
3
−
4
7
𝑋2 =
2
9
[− 4]
 11
−
8
17
𝑋3 =
4
31
[− 8 ]
Continuando con las iteraciones hasta 𝑘 = 25, obtenemos:
248043
−
32768
95443
𝑋 25 =
16384
401977
−
[ 32768 ]

Comparando la solución exacta (1, 2, −1) con 𝑋 25 , podemos ver que la aproximación obtenida
es muy distante de la solución exacta.

Por lo tanto, hemos demostrado que el método de Jacobi con 𝑋 (0) = 0 no proporciona una
buena aproximación después de 25 iteraciones para el sistema lineal dado.

1
c) Demostrar que: 𝜌(𝑇𝐺𝑆 ) = 2 .

d) Use el método de Gauss-Seidel con 𝑋 (0) = 0 para aproximar la solución de un sistema lineal
con una tolerancia para el error de 10−5 en la norma 𝑙∞ .