INSTITUTO TECNOLGICO DE COSTA RICA

ESCUELA DE INGENIERA ELECTRNICA

LICENCIATURA EN INGENIERA ELECTRNICA


CM-3201 MTODOS NUMRICOS
Profesor: Ing. Marvin Hernndez






GAUSS-SEIDEL, JACOBI, RELAJACIN Y
CONVERGENCIA



















Jacobi, Gauss-Seidel, Relajacin Pagina de 33
2
Mtodos Iterativos para Sistemas de Ecuaciones Algebraicas Lineales
I ntroduccin
Los mtodos numricos se dividen en dos categoras generales: mtodos exactos y aproximados.
Los primeros, como su nombre lo indica, buscan dar resultados exactos. No obstante, como estn
afectados por errores de redondeo, algunas veces dan resultados imprecisos. La magnitud del
error de redondeo vara en cada sistema y depende de varios factores, tales como las dimensiones
del sistema, su condicin y el hecho de s la matriz de coeficientes es dispersa o densa. Adems,
la precisin de la computadora afectar el error de redondeo.

Se recomienda una estrategia de pivoteo en todo programa de computadora que realice
mtodos de eliminacin exactos. Esa estrategia minimiza el error de redondeo y evita problemas
como el de la divisin entre cero. Los algoritmos basados en la descomposicin LU son los
mtodos que se eligen debido a su eficiencia y flexibilidad.

La tabla 1 ofrece un resumen de las ventajas y desventajas en la solucin de ecuaciones
algebraicas lineales simultneas. Dos mtodos (el grfico y la regla de Cramer) estn limitados a
pocas ecuaciones(< 3), de modo que tienen escasa utilidad para resolver problemas prcticos. Sin
embargo, dichas tcnicas son herramientas didcticas tiles para entender el comportamiento de
los sistemas lineales en general.


Aunque los mtodos de eliminacin tienen gran utilidad, el uso de toda la matriz de los
coeficientes puede ser limitante cuando se trate con sistemas dispersos muy grandes. Esto se
debe a que gran parte de la memoria de la computadora se dedicara a guardar ceros que no
tienen significado. Para sistemas bandeados, hay tcnicas para realizar mtodos de eliminacin
sin tener que guardar todos los coeficientes de la matriz.

La tcnica aproximada por conocer como mtodo de Gauss-Seidel, difiere de las tcnicas
exactas porque emplea un esquema iterativo para obtener, progresivamente, estimaciones ms
MTODO ESTABILIDAD PRECISIN
RANGO DE
APLICACIN
COMPLEJIDAD DE
LA PROGRAMACIN COMENTARIOS
GRFICO --- Pobre Limitado --- Puede tomar ms
tiempo que el mtodo
numrico
Regla de Cramer --- Afectado por errores
de redondeo
Limitado --- Excesiva complejidad
de clculo para ms
de tres ecuaciones
Eliminacin de Gauss
(con pivoteo parcial)
--- Afectado por errores
de redondeo
General Moderada
Descomposicin LU --- Afectado por errores
de redondeo
General Moderada Mtodo de eliminacin
preferido; permite el
clculo de la matriz
inversa
Gauss_Seidel Puede no converger si
no es diagonalmente
dominante
EXCELENTE Apropiado solo para
sistemas
diagonalmente
dominantes
FCIL
TABLA No. 1: Comparacin de las caractersticas de diversos mtodos alternativos para encontrar soluciones de ecuaciones algebraicas
lineales simultneas


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
3
cercanas a la solucin. El efecto del error de redondeo es un punto discutible en el mtodo de
Gauss-Seidel, ya que se pueden continuar las iteraciones hasta que se obtenga la precisin
deseada. Adems, se pueden desarrollar versiones del mtodo de Gauss-Seidel para utilizar de
manera eficiente los requerimientos de almacenaje en computadora con sistemas dispersos. En
consecuencia, la tcnica de Gauss-Seidel es til para grandes sistemas de ecuaciones, donde los
requerimientos de almacenaje podran llevar a problemas significativos con las tcnicas exactas


Aplicaciones
Las tcnicas iterativas se emplean rara vez para resolver sistemas lineales de dimensin pequea
ya que el tiempo requerido para lograr una precisin suficiente excede al de las tcnicas directas
como el mtodo de eliminacin Gaussiana. Sin embargo, para sistemas grandes con un gran
porcentaje de ceros, estas tcnicas son suficientes en trminos de almacenamiento en la
computadora y del tiempo requerido.
Los mtodos de este tipo surgen frecuentemente en los sistemas con ecuaciones diferenciales,
donde encontraramos aplicaciones en todas las ramas de la ingeniera, as como en las Ciencias
Sociales y la Economa. Estos mtodos son tiles en la prediccin del clima, donde el volumen
de variables amerita el uso de extensas matrices.
J ustificacin
Una forma de entender el uso de los mtodos numricos y su utilidad es precisamente
comparndolos con los mtodos directos, esta comparacin se realiza en trminos de operaciones
realizadas, tales como sumas, restas, divisiones y multiplicaciones. Por tanto el entendimiento de
esto conlleva a su uso prctico. Las siguientes tablas muestran las diferencias en clculo de los
mtodos directos de Gauss y Gauss-Jordan.
Tabla 2: Total de operaciones en el mtodo de Eliminacin de Gauss
N
Multiplicaciones/Divisiones
( ) 3 / 3
2 3
n n n +
Sumas / restas
( ) 6 / 5 3 2
2 3
n n n +
3 17 11
10 430 375
50 44150 42875
100 343300 338250




Jacobi, Gauss-Seidel, Relajacin Pagina de 33
4


Tabla 3: Total de operaciones en el mtodo de Eliminacin de Gauss-Jordan
n
Multiplicaciones/Divisiones
( ) 2 / 2
2 3
n n n +
Sumas / restas
( ) 2 /
3
n n
3 21 12
10 895 495
50 64975 62475
100 509950 499950

Tabla 4: Operaciones por iteracin en los mtodos Iterativos
n
Multiplicaciones-Divisiones
( ) 1 2
2
n
*por iteracin
Sumas / restas
( ) ( ) 1 n n
*por iteracin
3 17 12
10 199 90
50 4999 2450
100 19999 9900

De la Tabla 4 podemos notar que n > 50 los mtodos iterativos empezaran a ser ms efectivos
que los mtodos directos. Ntese, tambin que los clculos en esta tabla corresponden a una
iteracin por tanto para que el mtodo sea efectivo, dos aspectos deben ser tomados en
consideracin
1. La precisin requerida de los resultados
2. De la aproximacin inicial que se escoja.



Jacobi, Gauss-Seidel, Relajacin Pagina de 33
5
Marco Conceptual
Antes de considerar los mtodos iterativos para resolver sistemas lineales, es necesario encontrar
un mtodo para medir cuantitativamente la distancia entre vectores, para poder determinar
cuando la sucesin de vectores que resulta al usar una tcnica iterativa converge a la solucin.
Norma vectorial: esta se define como la suma de las magnitudes de los componentes de un vector
columna de dimensin n con componentes reales, esta definicin en notacin matemtica se
escribe como:
x =
(
(
(
(
(
(
(
(
(

xn
x
x
x
.
.
.
3
2
1
y la norma de x seria || x || =
( )
2 / 1
1
2

=
n
i
i
x

Esta definicin de norma es til cuando se quiere saber la magnitud de las componentes de un
vector. Pero cuando esta se aplica a los mtodos numricos es mejor utilizar el concepto de
norma infinita, la cual es til como criterio de paro para una aproximacin. Esta se define como
sigue:
i
x
n i
x
<= <=
=

1
max
Una tcnica iterativa para resolver un sistema lineal Ax = b de n x n empieza con una
aproximacin inicial x
(k)
a la solucin x, y genera una sucesin de vectores { x
(k)
}
k = 0
hasta que
se logre la aproximacin requerida, que en trminos de vectores se expresa como, { x
(k)
}
k =
.
La mayora de estas tcnicas iterativas involucran un proceso que convierte el sistema
Ax =b en un sistema equivalente de la forma x =Tx +b. Seleccionado un vector inicial x
(0)
la
sucesin de vectores de solucin aproximada se genera calculando.
x
(k)
=T x
(k - 1)
+c (1) *
*el factor k solamente se utiliza para denotar el conteo de las iteraciones
Cabe destacar la similitud de esta ecuacin con la x = g(x), que se utilizaba para el mtodo
iterativo del punto fijo. Dado esta similitud, posteriormente se analizar la convergencia de este
mtodo.
Como se mencion anteriormente estos mtodos se aplican en los sistemas con gran cantidad de
ceros, a la matriz resultante se le conoce como matriz esparcida.


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
6
Considere el circuito de la figura 1 como ejemplo de este tipo de matriz.
FIGURA 1: Circuito elctrico con solucin de matriz esparcida

0 47 0 15 0 12
0 7 4 2 0
0 0 2 3 0
0 0 3 3 8 2
* 15 6 0 0 10 31
= + + + +
= + + +
= + + +
= + + +
= + +
vf ve vd vc vb
vf ve vd vc vb
vf ve vd vc vb
vf ve vd vc vb
V vf ve vd vc vb


Convirtindolo a la forma matricial se obtiene lo que se denomina una matriz esparcida.


(
(
(
(
(
(
(
(

47 0 15 0 12
1 7 4 2 0
0 2 3 1 0
0 3 3 8 2
6 0 0 10 31
f
e
d
c
b
f e d c b
v
v
v
v
v
v v v v v

a
b
c
d
e
d
f


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
7
Mtodos I terativos
Estos son mtodos para los cuales se da una aproximacin al sistema de ecuaciones lineales y se
obtiene una solucin para este sistema.
A diferencia de los mtodos directos, los mtodos iterativos podran no producir una solucin
satisfactoria, an cuando el determinante de los coeficientes de la matriz no sea cero.
Entonces, para que estas tcnicas funcionen se deben tener ciertas condiciones.
El conjunto de ecuaciones debe tener una diagonal dominante. Esta es una condicin
necesaria pero no suficiente. Un sistema de ecuaciones se considera Diagonal Dominante
cuando se cumple

=
=
>
n
i j
j
j i i i
a a
1
, ,
(2)
Es decir, Una condicin suficiente para que se tenga una solucin es que el valor absoluto
de los coeficientes de la diagonal en cualquier ecuacin debe ser mayor que la suma del
valor absoluto de los otros coeficientes en esa ecuacin.
Mtodo de J acobi
Es un mtodo de sustitucin simultneo, denominado desplazamiento simultneo, el cual tien su
origen en mtodo iterativo de Punto Fijo. En el mtodo de Jacobi el orden de operacin de las
ecuaciones es irrelevante dado que el mtodo las trata en forma independiente, de all su nombre
como mtodo de desplazamiento simultneos, no obstante, se debe mantener la diagonal
dominante en el sistema.
Este mtodo se puede ilustrar usando las siguientes ecuaciones.
1 3 13 2 12 1 11
b x a x a x a = + +

2 3 23 2 22 1 21
b x a x a x a = + +
3 3 33 2 32 1 31
b x a x a x a = + + (3)
El mtodo comienza despejando las ecuaciones anteriores (3) para x
1
, x
2
y x
3
respectivamente e
introduciendo el ndice k que indicar el nmero de iteraciones, entonces,
11
) (
3 13
) (
2 12 1
) 1 (
1
a
x a x a b
x
k k
k

=
+



Jacobi, Gauss-Seidel, Relajacin Pagina de 33
8
22
) (
3 23
) (
1 21 2
) 1 (
2
a
x a x a b
x
k k
k

=
+

33
) (
2 32
) (
1 31 3
) 1 (
3
a
x a x a b
x
k k
k

=
+
(4)
Adems se requiere de un vector inicial x
k
= (x
1
(k)
, x
2
(k)
, x
3
(k)
) el cual representa la primera
aproximacin de la solucin del sistema, con lo que se produce x
k+1
.
El proceso se contina hasta que | x
k+1
x
k
| <= e
a.
La generalizacin de esta ecuacin se escribe de la siguiente forma:

|
|
|
.
|

\
|
=

=
=
+ ) (
1
, i
ii
1) (k
i
- b
a
1

k
j
n
i j
j
j i
x a x (5)
Al mtodo de Jacobi se le conoce tambin como el mtodo de los desplazamientos simultneos,
dado que el orden en que las ecuaciones son examinadas es indiferente.

Ejemplo 1 (Ejercicio 11.8 Pg. 321)
Resolver el siguiente sistema de tres ecuaciones por el Mtodo de Jacobi:
17 X
1
2 X
2
3 X
3
= 500
-5 X
1
+ 21 X
2
2 X
3
= 200
-5 X
1
5 X
2
+ 22 X
3
= 30
Resuelva este problema para un c
a
= 5%
Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
Las siguientes frmulas las utilizamos para encontrar X
1
, X
2
y X
3
en cada una de las iteraciones.

11
3 13 2 12 1
1
a
x a x a b
x

=
22
3 23 1 21 2
2
a
x a x a b
x

=
(
(
(

(
(
(

30
200
500
22 5 5
2 21 5
3 2 17
3
2
1
x
x
x


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
9
33
2 32 1 31 3
3
a
x a x a b
x

=
Para la primera iteracin el valor de X
1
, X
2
y X
3
a sustituir en cada una se asumir como cero.
Entonces para X
1
,
( ) ( )
( ) ( )
41176 , 29
17
0 3 0 2 500
17
3 2 500
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

para X
2
,
( ) ( )
( ) ( )
52381 , 9
21
0 2 0 5 200
21
2 5 200
2
2
3 1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x x
x
a
x a x a b
x

para X
3
,

( ) ( )
( ) ( )
36364 , 1
22
0 5 0 5 30
22
5 5 30
3
3
2 1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x x
x
a
x a x a b
x

Entonces en la primera iteracin
36364 , 1
52381 , 9
41176 , 29
3
2
1
=
=
=
x
x
x

Para calcular los nuevos valores de la segunda iteracin se utilizarn los resultados de X
1
, X
2
y
X
3
obtenidos en la primera iteracin. Entonces para X
1
,


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
10
( ) ( )
( ) ( )
77285 , 30
17
36364 , 1 3 52381 , 9 2 500
17
3 2 500
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

para X
2
,
( ) ( )
( ) ( )
65648 , 16
21
36364 , 1 2 41176 , 29 5 200
21
2 5 200
2
2
3 1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x x
x
a
x a x a b
x

para X
3
,

( ) ( )
( ) ( )
21263 , 10
22
52381 , 9 5 41176 , 29 5 30
22
5 5 30
3
3
2 1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x x
x
a
x a x a b
x

Por tanto en la segunda iteracin
21263 , 10
65648 , 16
77285 , 30
3
2
1
=
=
=
x
x
x

Una vez obtenidos estos resultados se deben calcular el error aproximado porcentual para cada
uno, para ello se utilizar la siguiente frmula:
% 100

=
nuevo
r
anterior
r
nuevo
r
a
x
x x
c


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
11
Para X
2
,
Para X
3
,
Dado que en dos de las incgnitas el error aproximado porcentual es mayor a un 5% se debe
hacer una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos
valores de X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean
menores que el 5%. El resultado de estas iteraciones se presenta en la Tabla 5.
Tabla 5: Resultados de las iteraciones por el mtodo de Jacobi
del ejemplo 1 (ejercicio 11.8 pp. 321)
Iteracin x
1
x
2
X
3

c
a
x
1
c
a
x
2
c
a
x
3

0 0,00000 0,00000 0,00000
1 29,41176 9,52381 1,36364
2 30,77285 16,65648 10,21263 4,423% 42,822% 86,648%
3 33,17358 17,82331 12,14303 7,237% 6,547% 15,897%
4 33,65151 18,57876 12,95384 1,420% 4,066% 6,259%
5 33,88347 18,76977 13,23415 0,685% 1,018% 2,118%
% 5 % 423 , 4
% 100
77285 , 30
41176 , 29 77285 , 30
% 100
1
1
1
1 1
1
< =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c
% 5 % 822 , 42
% 100
65648 , 16
52381 , 9 65648 , 16
% 100
2
2
2
2 2
2
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c
% 5 % 648 , 86
% 100
21263 , 10
36364 , 1 21263 , 10
% 100
3
3
3
3 3
3
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
12
Se resaltan los datos donde los errores obtenidos son menores que 5%, se logra un error
aproximado porcentual menor en las tres incgnitas hasta la quinta iteracin. Por lo tanto los
resultados aproximados que cumplen con la condicin establecida son:
23415 , 13
76977 , 18
88347 , 33
3
2
1
=
=
=
x
x
x

Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
17 *(33,88347) 2 *(18,76977) 3 *(13,23415)

= 498,77703
-5 *(33,88347) + 21 *(18,76977)

2 *(13,23415) = 198,27957
-5 *(33,88347) 5 *(18,76977)

+ 22 *(13,23415) = 27,88513
Al calcular los porcentajes de error de estos resultados se obtiene lo siguiente:
0,88% % 100
30
27,88513 - 30
Error
0,10% % 100
200
198,27957 - 200
Error
0,03% % 100
500
498,77703 - 500
Error
EC3
EC2
EC1
= =
= =
= =

De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacin
muy buena de los valores verdaderos.



Jacobi, Gauss-Seidel, Relajacin Pagina de 33
13
Mtodo de Gauss-Seidel
Este mtodo en general converge ms rpidamente que el mtodo de Jacobi, sin embargo
presenta las mismas debilidades del mtodo de Jacobi.
El mtodo de Gauss-Siedel supone que una mejor aproximacin a la solucin se obtiene
sustituyendo los valores parciales obtenidos, lo cual se puede comprobar en la prctica.
Utilizando las ecuaciones vistas en (3)
1 3 13 2 12 1 11
b x a x a x a = + +

2 3 23 2 22 1 21
b x a x a x a = + +
3 3 33 2 32 1 31
b x a x a x a = + + (3)
Y despejando para x
1
, x
2
y x
3
de las ecuaciones (6) y adicionando los valores ya obtenidos, esta
se puede expresar como:
11
) (
3 13
) (
2 12 1
) 1 (
1
a
x a x a b
x
k k
k

=
+

22
) (
3 23
) 1 (
1 21 2
) 1 (
2
a
x a x a b
x
k k
k

=
+
+

33
) 1 (
2 32
) 1 (
1 31 3
) 1 (
3
a
x a x a b
x
k k
k
+ +
+

= (7)

Comparando las ecuaciones (4) y (7) se observa que el valor de x
1
no se asume sino se calcula
con los valores asumidos de x
2
y x
3
.
Posteriormente el valor de x
1
obtenido y x
3
asumido, se usan para calcular x
2
. Finalmente el
nuevo valor de x
3
es el resultado de los valores calculados x
1
y x
2
.

La ecuacin iterativa de este mtodo nos lleva a:


|
|
.
|

\
|
=

+ =

=

) 1 (
1
,
) (
1
1
, i
ii
(k)
i
- - b
a
1

k
j
n
i j
j i
k
j
i
j
j i
x a x a x (8)






Jacobi, Gauss-Seidel, Relajacin Pagina de 33
14
Ejemplo 2 (Ejercicio 11.7 Pg. 320)
Resolver el siguiente sistema de tres ecuaciones por el Mtodo de Gauss-Seidel:
17 X
1
2 X
2
3 X
3
= 500
-5 X
1
+ 21 X
2
2 X
3
= 200
-5 X
1
5 X
2
+ 22 X
3
= 30
Resuelva este problema para un c
a
= 5%
Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
Las siguientes frmulas las utilizamos para encontrar X
1
, X
2
y X
3
en cada una de las iteraciones.

11
3 13 2 12 1
1
a
x a x a b
x

=
22
3 23 1 21 2
2
a
x a x a b
x

=
33
2 32 1 31 3
3
a
x a x a b
x

=
Para calcular el primer valor de X
1
, se asumirn X
2
y X
3
con valores cero. Entonces para X
1
,
( ) ( )
( ) ( )
41176 , 29
17
0 3 0 2 500
17
3 2 500
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x


para calcular el valor de X
2
, se utilizar el valor encontrado de X
1
y el valor de X
3
se asumir
como cero.

(
(
(

30
200
500
22 5 5
2 21 5
3 2 17
3
2
1
x
x
x


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
15

( ) ( )
( ) ( )
52661 , 16
21
0 2 41176 , 29 5 200
21
2 5 200
2
2
3 1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x x
x
a
x a x a b
x

para calcular el valor de X
3
, se utilizar el valor encontrado de X
1
y X
2
en los pasos anteriores.
( ) ( )
( ) ( )
80418 , 11
22
52661 , 16 5 41176 , 29 5 30
22
5 5 30
3
3
2 1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x x
x
a
x a x a b
x

Entonces en la primera iteracin
Para la segunda iteracin, en el clculo de X
1
el valor de X
2
y X
3
sern los calculados
anteriormente. Entonces para X
1
,
( ) ( )
( ) ( )
43916 , 33
17
80418 , 11 3 52661 , 16 2 500
17
3 2 500
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

80418 , 11
52661 , 16
41176 , 29
3
2
1
=
=
=
x
x
x


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
16
para X
2
se utiliza el valor de X
3
de la primera iteracin y el de X
1
de la segunda iteracin,
( ) ( )
( ) ( )
60972 , 18
21
80418 , 11 2 43916 , 33 5 200
21
2 5 200
2
2
3 1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x x
x
a
x a x a b
x

para X
3
se utiliza el valor de X
1
y X
2
calculados en la segunda iteracin,
( ) ( )
( ) ( )
19293 , 13
22
60972 , 18 5 43916 , 33 5 30
22
5 5 30
3
3
2 1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x x
x
a
x a x a b
x

Entonces en la segunda iteracin
19293 , 13
60972 , 18
43916 , 33
3
2
1
=
=
=
x
x
x

Una vez obtenidos estos resultados, se debe calcular el error aproximado porcentual para cada
uno de los resultados, para ello utilizamos la siguiente frmula:
Para X
1
,

% 100

=
nuevo
r
anterior
r
nuevo
r
a
x
x x
c
% 5 % 04 , 12
% 100
43916 , 33
41176 , 29 43916 , 33
% 100
1
1
1
1 1
1
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
17
Para X
2
,
Para X
3
,

Dado que en las tres incgnitas el error aproximado porcentual es mayor a un 5% se debe hacer
una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos valores de
X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean menores
que el 5%.
El resultado de estas iteraciones siguiendo el mismo procedimiento, se presenta en la tabla 6
Tabla 6: Resultados de las iteraciones por el mtodo de Gauss_Seidel
del ejemplo 2 (ejercicio 11.7 pp. 320)
Iteracin x
1
x
2
x
3

c
a
x
1
c
a
x
2
c
a
x
3

0 0,00000
1 29,41176 16,52661 11,80418
2 33,43916 18,60972 13,19293 12,044% 11,194% 10,526%
3 33,92931 18,85869 13,36091 1,445% 1,320% 1,257%
Se resaltan los datos donde los errores obtenidos son menores que 5%, se logra un error
aproximado porcentual menor en las tres incgnitas en la tercera iteracin. Por lo tanto los
resultados aproximados que cumplen con la condicin establecida son:
36091 , 13
85869 , 18
92931 , 33
3
2
1
=
=
=
x
x
x

% 5 % 194 , 11
% 100
60972 , 18
52661 , 16 60972 , 18
% 100
2
2
2
2 2
2
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c
% 5 % 526 , 10
% 100
19293 , 13
80418 , 11 19293 , 13
% 100
3
3
3
3 3
3
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
18
Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
17 *(33,92931) 2 *(18,85869) 3 *(13,36091)

= 498,99813
-5 *(33,92931) + 21 *(18,85869)

2 *(13,36091) = 199,66404
-5 *(33,92931) 5 *(18,85869)

+ 22 *(13,36091) = 30,00000
Al calcular los porcentajes de error de estos resultados se obtiene lo siguiente:
0,00% % 100
30
30 - 30
Error
0,17% % 100
200
199,66404 - 200
Error
0,20% % 100
500
498,99813 - 500
Error
EC3
EC2
EC1
= =
= =
= =

De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacin
muy buena de los valores verdaderos.


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
19

Convergencia
El mtodo Gauss-Seidel, al igual que la tcnica de iteracin de punto fijo, puede tambin
presentar dos problemas fundamentales: 1. en algunas ocasiones no es convergente. 2. Cuando
converge, con frecuencia lo hace en forma muy lenta.
El criterio de convergencia se puede desarrollar al recordar que las condiciones suficientes para
la convergencia de dos ecuaciones no lineales u(x, y) y v(x, y), son:
1 <
c
c
+
c
c
x
v
x
u
, y consecuentemente 1 <
c
c
+
c
c
y
v
y
u

En consecuencia, si el valor absoluto de g(x) <1, entonces los errores disminuyen con cada
iteracin. Si el valor absoluto de g(x) > 1, los errores crecen. Tambin se debe tener en cuenta
que si la derivada es positiva, los errores sern positivos; por otra parte si la derivada es
negativa, entonces los errores oscilaran.
Este criterio de convergencia se aplica tambin a las ecuaciones lineales que se resuelven con el
mtodo de Gauss-Seidel. Por tanto, al aplicar este criterio sobre las ecuaciones de Gauss-Seidel y
evaluando con respecto a cada una de las incgnitas, obtenemos la expresin siguiente:
1
22
21
<
a
a
, e igualmente 1
11
12
<
a
a

En otras palabras, el valor absoluto de las pendientes en la ecuacin, deben ser menor que la
unidad para asegurar la convergencia. Adicionalmente podemos reformular la ecuacin anterior
de la siguiente forma:
21 22
a a > , e igualmente
12 11
a a >
Esto es, el elemento diagonal debe ser mayor que el elemento fuera de la diagonal para cada
regln de ecuaciones. La generalizacin del criterio anterior para un sistema de n ecuaciones, es
directa y puede ser expresada como:

=
>
n
j
j i ii
a a
1
,



Jacobi, Gauss-Seidel, Relajacin Pagina de 33
20

Mtodo Gauss Seidel con relajacin
El mtodo de Gauss-Seidel con relajacin es muy similar al mtodo de
Gauss-Siedel excepto que este usa un factor de escala para reducir el error de aproximacin.
Considrese el siguiente conjunto de ecuaciones

=
n
j
ij
a
1
x
j
= b
i
, i = 1, 2, ., n
Por el mtodo de Gauss-Seidel, de (8).

|
|
.
|

\
|
=

+ =

=

) 1 (
1
,
) (
1
1
, i
ii
(k)
i
- - b
a
1

k
j
n
i j
j i
k
j
i
j
j i
x a x a x
Debe notarse que para cada clculo de x
i
, de las variables con ndice menor que i tienen el ndice
k, mientras que las variables con ndice mayor que i tienen el ndice (k-1). La ecuacin para el
mtodo de relajacin se basa en la siguiente relacin:
) (k
i
x =
) 1 ( k
i
x + (
) (k
i
x -
) 1 ( k
i
x )

) (k
i
x =
) 1 ( k
i
x +

+ =

=

) 1 (
1
) 1 (
1
1
) (
1
k
i
n
i j
k
j ij
i
j
k
j ij i
ii
x x a x a b
a

El trmino entre llaves

+ =

=

) 1 (
1
) 1 (
1
1
) (
1
k
i
n
i j
k
j ij
i
j
k
j ij i
ii
x x a x a b
a
es justo la diferencia entre las
variables de la previa y presente iteracin segn el mtodo de Gauss-Siedel

+ =

=

) 1 (
1
) 1 (
1
1
) (
1
k
i
n
i j
k
j ij
i
j
k
j ij i
ii
x x a x a b
a
= [
) (k
i
x
) 1 ( k
i
x ]
Gauss-Seidel
Esta diferencia es esencialmente el error que se aproxima a cero para esta iteracin.
El mtodo de relajacin obtiene un nuevo valor estimado multiplicando esta diferencia por un
factor de escala y sumndolo al valor previo. La ecuacin puede ser escrita de la siguiente
forma:
) (k
i
x = (1 )
) 1 ( k
i
x +
(

+ =

=
n
i j
k
j ij
i
j
k
j ij i
ii
x a x a b
a
1
) 1 (
1
1
) (

Jacobi, Gauss-Seidel, Relajacin Pagina de 33
21
Este mtodo permite mejorar la convergencia ya que despus de que se calcula cada nuevo valor
de x, este se modifica mediante un promedio ponderado de los resultados anterior y actual.
anterior
i
nuevo
i
nuevo
i
x x x + = ) 1 (
donde es un factor ponderado que tiene un valor entre 0 y 2.
Si =1 el resultado no se modifica y la ecuacin se transforma en la ecuacin para
Gauss-Siedel, cuando < 1 el mtodo es conocido como sub-relajacin el cual se emplea para
hacer que un sistema no convergente converja o apresure la convergencia al amortiguar las
oscilaciones.
Cuando > 1 es conocido como sobre-relajacin, se utiliza cuando la convergencia se mueve
en la direccin correcta hacia la solucin verdadera, pero con una velocidad demasiado lenta.
Por lo tanto se pretende que con la ponderacin mejore la aproximacin al llevarla ms cerca de
la verdadera.
La eleccin de se especifica de forma emprica, generalmente este mtodo no se utiliza para la
solucin de un solo sistema de ecuaciones. Es ms usual cuando un sistema en estudio se debe
resolver de manera repetitiva, una buena seleccin de ayudar a mejorar significativamente la
eficiencia del mtodo.

Ejemplo 3 (Ejercicio 11.9 Pg. 321)
Emplee el mtodo de Gauss-Seidel con relajacin para resolver (=0.90 y c
a
= 5%):
-5 X
1
+ 12 X
3
= 80
4 X
1
1 X
2
1 X
3
= - 2
6 X
1
+ 8 X
2
= 45
Si es necesario reordene las ecuaciones para que el sistema converja:
Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
Verificando el criterio de convergencia mediante la siguiente ecuacin:

=
=
>
n
i j
j
j i i i
a a
1
, ,

(
(
(

(
(
(

45
2
80
8 6
1 1 4
12 5
3
2
1
x
x
x


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
22
Resolviendo esta ecuacin para un sistema de 3 x 3 obtenemos lo siguiente:
32 31 33
23 21 22
13 12 11
a a a
a a a
a a a
+ >
+ >
+ >

Convergencia: Esto quiere decir que el elemento diagonal debe ser mayor al elemento fuera de
la diagonal para cada fila. Por tanto reorganizamos el sistema de la siguiente forma



Por lo tanto se puede asegurar la convergencia con este arreglo.
Las siguientes frmulas las utilizamos para encontrar X
1
, X
2
y X
3
en cada una de las iteraciones.

11
3 13 2 12 1
1
a
x a x a b
x

=
22
3 23 1 21 2
2
a
x a x a b
x

=
33
2 32 1 31 3
3
a
x a x a b
x

=
anterior
i
nuevo
i
nuevo
i
x x x + = ) 1 (
Para calcular el primer valor de X
1
, se asumirn X
2
y X
3
con valores cero. Entonces para X
1
,
( ) ( )
( ) ( )
50000 , 0
4
0 1 0 1 2
4
1 1 2
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

(
(
(

(
(
(

80
45
2
12 5
8 6
1 1 4
3
2
1
x
x
x
5 12
6 8
1 1 4
>
>
+ >


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
23
para calcular el valor de X
2
, se utilizar solamente el valor encontrado de X
1
, dado que a
23
es
cero.

( )
( )
00000 , 6
8
) 50000 , 0 ( 6 45
8
6 45
2
2
1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x
x
a
x a x a b
x

para calcular el valor de X
3
, se utilizar solamente el valor encontrado de X
1
, dado que a
32
es
cero.
( )
( )
45833 , 6
12
) 50000 , 0 ( 5 80
12
5 80
3
3
1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x
x
a
x a x a b
x

Entonces en la primera iteracin
Para la segunda iteracin, en el clculo de X
1
el valor de X
2
y X
3
sern los calculados en la
primera iteracin, seguidamente se le aplicar la ponderacin con el factor . Entonces para X
1
,
( ) ( )
( ) ( )
61458 , 2
4
45833 , 6 1 0000 , 6 1 2
4
1 1 2
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

aplicando la ponderacin
30313 , 2
) 50000 , 0 ( ) 9 , 0 1 ( 61458 , 2 9 , 0
) 1 (
1
1
1 1 1
=
+ =
+ =
nuevo
nuevo
anterior nuevo nuevo
x
x
x x x

45833 , 6
00000 , 6
50000 , 0
3
2
1
=
=
=
x
x
x


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
24
para X
2
se utiliza solamente el valor de X
1
de la segunda iteracin, dado que a
23
es cero.
( )
( )
89766 , 3
8
) 30313 , 2 ( 6 45
8
6 45
2
2
1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x
x
a
x a x a b
x

aplicando la ponderacin
10789 , 4
) 00000 , 6 ( ) 9 , 0 1 ( 89766 , 3 9 , 0
) 1 (
1
1
2 2 2
=
+ =
+ =
nuevo
nuevo
anterior nuevo nuevo
x
x
x x x

para X
3
se utiliza solamente el valor de X
1


calculado en la segunda iteracin, dado que a
32
es
cero.
( )
( )
62630 , 7
12
) 30313 , 2 ( 5 80
12
5 80
3
3
1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x
x
a
x a x a b
x

aplicando la ponderacin
50951 , 7
) 45833 , 6 ( ) 9 , 0 1 ( 62630 , 7 9 , 0
) 1 (
3
3
3 3 3
=
+ =
+ =
nuevo
nuevo
anterior nuevo nuevo
x
x
x x x

Entonces en la segunda iteracin
50951 , 7
10789 , 4
30313 , 2
3
2
1
=
=
=
x
x
x



Jacobi, Gauss-Seidel, Relajacin Pagina de 33
25
Una vez obtenidos estos resultados, se debe calcular el error aproximado porcentual para cada
uno de los resultados, para ello utilizamos la siguiente frmula:
Para X
1
,
Para X
2
,
Para X
3
,
Dado que en las tres incgnitas el error aproximado porcentual es mayor a un 5% se debe hacer
una nueva iteracin. Se contina realizando el mismo procedimiento con los nuevos valores de
X obtenidos hasta que los errores aproximados porcentuales en las tres incgnitas sean menores
que el 5%.
% 100

=
nuevo
r
anterior
r
nuevo
r
a
x
x x
c
% 5 % 71 , 121
% 100
30313 , 2
) 50000 , 0 ( 30313 , 2
% 100
1
1
1
1 1
1
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c
% 5 % 06 , 46
% 100
10789 , 4
00000 , 6 10789 , 4
% 100
2
2
2
2 2
2
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c
% 5 % 00 , 14
% 100
50951 , 7
45833 , 6 50951 , 7
% 100
3
3
3
3 3
3
> =

=
ax
ax
nuevo
anterior nuevo
ax
x
x x
c
c
c


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
26
El resultado de estas iteraciones siguiendo el mismo procedimiento, se presenta en la Tabla 7.
Tabla 7: Resultados de las iteraciones por el mtodo de Gauss_Seidel con Relajacin
con un =0.9 del ejemplo 3 (ejercicio 11.9 pp. 321)
Iteracin x
1
x
2
x
3

c
a
x
1
c
a
x
2
c
a
x
3

0 0,00000 0,00000 0,00000
1 -0,50000 6,00000 6,45833
2 2,30313 4,10789 7,50951 121,71% 46,06% 14,00%
3 2,39423 3,85719 7,64879 3,81% 6,50% 1,82%
4 2,37827 3,84289 7,65673 0,67% 0,37% 0,10%
Se resaltan los datos donde los errores obtenidos son menores que 5%, se logra un error
aproximado porcentual menor en las tres incgnitas en la cuarta iteracin. Por lo tanto los
resultados aproximados que cumplen con la condicin establecida son:
65673 , 7
84289 , 3
37827 , 2
3
2
1
=
=
=
x
x
x

Si sustituimos estos valores en las ecuaciones originales para verificar los resultados obtenemos
que:
17 *(2,37827) 2 *(3,84289) 3 *(7,65673)

= -1,98655
-5 *(2,37827) + 21 *(3,84289)

2 *(7,65673) = 45,01271
-5 *(2,37827) 5 *(3,84289)

+ 22 *(7,65673) = 79,98941
Al calcular los porcentajes de error de estos resultados se obtiene lo siguiente:
0,01% % 100
80
79,98941 - 80
Error
0,03% % 100
45
45,01271 - 45
Error
0,67% % 100
2 -
(-1,98655) - 2 -
Error
EC3
EC2
EC1
= =
= =
= =

De acuerdo con estos datos se puede observar que los resultados obtenidos son una aproximacin
muy buena de los valores verdaderos.


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
27
Si graficamos la convergencia de los datos por el mtodo de Gauss-Seidel sencillo y el que posee
relajacin se puede observar lo siguiente:

Como se puede ver el mtodo con relajacin amortigua las oscilaciones en los resultados hacia la
convergencia.


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
28
Ejercicios adicionales
Siguiendo los mismos procedimientos se resolvieron las ecuaciones del ejercicio 11.1 de la
pgina 320 por el mtodo de Jacobi, el de Gauss-Seidel y el de Gauss-Seidel con relajacin, con
el fin de poder comparar los tres mtodos. Se busca un error aproximado menor o igual al 5%.
Sistema tridiagonal del ejercicio 11.1
2 X
1
1 X
2


= 124
-1 X
1
+ 2 X
2
1 X
3
= 4
1 X
2
+ 2 X
3
= 14
Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:
A continuacin se presentan los resultados obtenidos utilizando Excel.

Ejemplo 4
Por el Mtodo de J acobi
Frmulas:





Resultados obtenidos:
Iteracin X
1
x
2
x
3

c
a
x
1
c
a
x
2
c
a
x
3

0 0,00000 0,00000 0,00000
1 62,00000 2,00000 7,00000
2 63,00000 36,50000 8,00000 1,587% 94,521% 12,500%
3 80,25000 37,50000 25,25000 21,495% 2,667% 68,317%
4 80,75000 54,75000 25,75000 0,619% 31,507% 1,942%
5 89,37500 55,25000 34,37500 9,650% 0,905% 25,091%
6 89,62500 63,87500 34,62500 0,279% 13,503% 0,722%
7 93,93750 64,12500 38,93750 4,591% 0,390% 11,075%
8 94,06250 68,43750 39,06250 0,133% 6,301% 0,320%
(
(
(

(
(
(

14
4
124
2 1
1 2 1
1 2
3
2
1
x
x
x
% 100

=
nuevo
r
anterior
r
nuevo
r
a
x
x x
c
33
2 32 1 31 3
3
a
x a x a b
x

=
11
3 13 2 12 1
1
a
x a x a b
x

=
22
3 23 1 21 2
2
a
x a x a b
x

=


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
29
9 96,21875 68,56250 41,21875 2,241% 0,182% 5,231%
10 96,28125 70,71875 41,28125 0,065% 3,049% 0,151%
En amarillo se resaltan los resultados que indican un error aproximado menor o igual al 5%, esto
es oscilante, hasta la dcima iteracin se consigue un error aproximado en las tres incgnitas que
satisfaga el criterio de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
28125 , 41
71875 , 70
28125 , 96
3
2
1
=
=
=
x
x
x


Ejemplo 5
Por el Mtodo de Gauss-Seidel
Frmulas:





Resultados obtenidos:
Iteracin x
1
x
2
x
3

c
a
x
1
c
a
x
2
c
a
x
3

0 0,00000
1 62,00000 33,00000 23,50000
2 78,50000 53,00000 33,50000 21,019% 37,736% 29,851%
3 88,50000 63,00000 38,50000 11,299% 15,873% 12,987%
4 93,50000 68,00000 41,00000 5,348% 7,353% 6,098%
5 96,00000 70,50000 42,25000 2,604% 3,546% 2,959%
En amarillo se resaltan los resultados que indican un error aproximado menor o igual al 5%, se
consigue en la quinta iteracin un error aproximado en las tres incgnitas que satisfaga el criterio
de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
25000 , 42
50000 , 70
00000 , 96
3
2
1
=
=
=
x
x
x

% 100

=
nuevo
r
anterior
r
nuevo
r
a
x
x x
c
33
2 32 1 31 3
3
a
x a x a b
x

=
11
3 13 2 12 1
1
a
x a x a b
x

=
22
3 23 1 21 2
2
a
x a x a b
x

=


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
30
Como se puede observar el resultado se obtuvo en la mitad de las iteraciones que se requirieron
con el mtodo de Jacobi.

Ejemplo 6
Por el Mtodo de Gauss-Seidel con relajacin
Con = 1,20
Frmulas:







Resultados obtenidos:
Iteracin x
1
x
2
x
3

c
a
x
1
c
a
x
2
c
a
x
3

0 0,00000 0,00000 0,00000
1 62,00000 33,00000 23,50000
2 81,80000 58,98000 39,08800 24,205% 44,049% 39,879%
3 93,42800 70,11360 42,65056 12,446% 15,879% 8,353%
4 97,78256 72,63715 43,45218 4,453% 3,474% 1,845%
En amarillo se resaltan los resultados que indican un error aproximado menor o igual al 5%, se
consigue en la cuarta iteracin un error aproximado en las tres incgnitas que satisfaga el criterio
de paro planteado.
Por lo tanto los resultados aproximados que cumplen con la condicin establecida son:
45218 , 43
63715 , 72
78256 , 97
3
2
1
=
=
=
x
x
x

Como se observa el resultado se obtuvo en una iteracin menos que cuando se utiliz el mtodo
sin relajacin.
% 100

=
nuevo
r
anterior
r
nuevo
r
a
x
x x
c
33
2 32 1 31 3
3
a
x a x a b
x

=
11
3 13 2 12 1
1
a
x a x a b
x

=
22
3 23 1 21 2
2
a
x a x a b
x

=
anterior
i
nuevo
i
nuevo
i
x x x + = ) 1 (


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
31
Haciendo un resumen de los resultados obtenidos en la siguiente tabla:
Incgnita
Valores
verdaderos
Iteraciones
Valores aproximados Errores verdaderos
Jacobi Seidel C/Relaj Jacobi Seidel C/Relaj
X
1
98,5 10 96,281 96,000 97,783 2,25% 2,54% 0,73%
X
2
73,0 5 70,719 70,500 72,637 3,13% 3,42% 0,50%
X
3
43,5 4 41,281 42,250 43,452 5,10% 2,87% 0,11%
Se puede observar entonces que el mtodo de Jacobi es el que utiliza una mayor cantidad de
iteraciones y que adems tiene errores mayores con respecto al valor verdadero.
En el caso de Seidel los errores son medianos, pero la cantidad de las iteraciones en mucho
menor que en el caso de Jacobi.
Para el caso en el que se utiliza Gauss-Seidel con relajacin se obtienen valores ms cercanos a
los verdaderos con una cantidad de iteraciones menor. Sin embargo el inconveniente radica en la
eleccin del valor de para lo cual no hay un criterio establecido, ms que la experiencia.
Observando esto grficamente en cada una de las variables:






















Jacobi, Gauss-Seidel, Relajacin Pagina de 33
32
En modo grfico se observa que para las tres incgnitas con mtodo de Jacobi los
resultados son ms oscilantes y convergen de forma ms lenta.
Por el Mtodo de Gauss-Seidel se da una convergencia relativamente rpida.
Si al Mtodo de Gauss-Seidel le aplicamos relajacin la convergencia es mucho ms
rpida hacia los valores verdaderos.
Sntesis
La tcnica aproximada por conocer como mtodo de Gauss-Seidel, difiere de las tcnicas
exactas porque emplea un esquema iterativo para obtener, progresivamente, estimaciones ms
cercanas a la solucin. El efecto del error de redondeo es un punto discutible en el mtodo de
Gauss-Seidel, ya que se pueden continuar las iteraciones hasta que se obtenga la precisin
deseada. Adems, se pueden desarrollar versiones del mtodo de Gauss-Seidel para utilizar de
manera eficiente los requerimientos de almacenaje en computadora con sistemas dispersos. En
consecuencia, la tcnica de Gauss-Seidel es til para grandes sistemas de ecuaciones, donde los
requerimientos de almacenaje podran llevar a problemas significativos con las tcnicas exactas.
La desventaja del mtodo de Gauss-Seidel es que no siempre converge o algunas veces
converge de manera lenta a la solucin verdadera. Es confiable slo para aquellos sistemas que
son diagonalmente dominantes. Sin embargo, los mtodos de relajacin contrarrestan tales
desventajas. Adems, como muchos sistemas de ecuaciones algebraicas lineales surgen de
sistemas fsicos que presentan dominancia diagonal, el mtodo de Gauss-Seidel tiene gran
utilidad para resolver problemas de ingeniera.
En resumen, varios factores sern relevantes en la eleccin de una tcnica para un problema
en particular que involucre ecuaciones algebraicas lineales. No obstante, como se mencion
antes, el tamao y la densidad del sistema son factores particularmente importantes en la
determinacin de su eleccin.

La figura 2 se emplea para resumir los algoritmos para solucionar ecuaciones algebraicas lineales
y proporciona una visin general, que ser de gran ayuda para revisar y aclarar las principales
diferencias entre los mtodos.

Figura 2: Resumen de pasos de los mtodos iterativos Jacobi,
Gauss_Seidel sin y con relajacin
Primera iteracin
Segunda iteracin
Gauss-Seidel Iterativo de Jacobi
anterior
i
nuevo
i
nuevo
i
x x x ) 1 ( + =
Gauss-Seidel con relajacin
anterior
i
nuevo
i
nuevo
i
x x x ) 1 ( + =
Gauss-Seidel con relajacin
Desplazamiento
simultneo
Desplazamiento
succesivo


Jacobi, Gauss-Seidel, Relajacin Pagina de 33
33



BI BLI OGRAF A
Steven Chapra, Raymond Canale. Mtodos numricos para ingenieros, cuarta edicin, 2003.
pp 301-313, 320-321, 344-346.

The Jacobi Method, marzo 2004. (disponible en
http:/www.netlib2.cs.utk.edu/linalg/html_templates/node12.html)

The Gauss_Seidel Method, marzo 2004. (disponible en
http:/www.netlib2.cs.utk.edu/linalg/html_templates/node14.html)

The Successive Overrelaxation Method, marzo 2004. (disponible en
http:/www.netlib2.cs.utk.edu/linalg/html_templates/node15.html)