UNIDAD DIDÁCTICA 4

ALGEBRA MATRICIAL Y SISTEMAS DE ECUACIONES

ALGEBRAICAS

4.1. Eliminación Gaussiana

4.1.1.Eliminación de Gauss y de Gauss – Jordan

4.1.2. Regla de Cramer

4.2. Método iterativo lineal

4.3. Método de Jacobi

4.3. Método de Gauss - Seidel

4.1. ELIMINACIÓN GAUSSIANA

NOTACIONES

 SISTEMAS DE ECUACIONES LINEALES (SEL)

Un SEL de m ecuaciones con n variables está dado por

a11 x1 + a12 x 2 + ⋯ + a1n x n = b1

a21 x1 + a22 x 2 + ⋯ + a2n x n = b2
⋮
am1 x1 + am2 x 2 + ⋯ + amn x n = bm
 FORMA MATRICIAL
a11 a12 ⋯ a1n x1 b1
a21 a22 ⋯ a2n x 2 b2
[ ⋮ ⋮ ⋱ ⋮ ] [ ⋮ ] = [ ⋮ ]  AX = B
am1 am2 ⋯ amn x n bm

 SOLUCIONES de un SEL. Una SOLUCION de un SEL es una sucesión de números

s1, s2,…,sn que es solución de cada una de las ecuaciones del sistema
Estas se pueden encontrar mediante:

Método Directo Método Iterativo

1. Metodo de eliminación de Gauss 1. Método de Jacobi
y Gauss-Jordan
2. Método de Gauss-Seidel
2. Método de Cramer

NUMERO DE SOLUCIONES DE UN SEL. Dado un SEL con n variables, sólo se cumple

una de las siguientes afirmaciones:

1. El sistema tiene exactamente una solución

2. El sistema tiene infinidad de soluciones
3. El sistema no tiene solución

Nota. Se dice que el SEL es consistente si ocurre 1) ó 2). Es inconsistente en 3)

OPERACIONES QUE CONDUCEN A SEL EQUIVALENTES

Se dice que dos SEL son equivalentes si tienen el mismo conjunto solución.

OPERACIONES en las ecuaciones de un SEL. Cada una de las siguientes operaciones,

cuando se aplican a las ecuaciones de un SEL, produce un sistema equivalente.

1. Intercambio de dos ecuaciones

2. Multiplicación de una ecuación por una constante no nula
3. Suma de un múltiplo de una ecuación a otra
4.1.1. ELIMINACION DE GAUSS Y DE GAUSS-JORDAN

MATRIZ AUMENTADA DE UN SEL. Si en el SEL

a11 x1 + a12 x 2 + ⋯ + a1n x n = b1

a21 x1 + a22 x 2 + ⋯ + a2n x n = b2
⋮
am1 x1 + am2 x 2 + ⋯ + amn x n = bm

Manteniendo en su lugar, escribimos los coeficientes y las constantes y eliminamos el

resto de los símbolos, resulta

a11 a12 ⋯ a1n ⋮ b1

a a22 ⋯ a2n ⋮ b2 Esta se llama MATRIZ
[ 21 ]
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ AUMENTADA DEL SISTEMA
am1 am2 ⋯ amn ⋮ bm

En estas condiciones, las operaciones en las ecuaciones del SEL se representan como

Operaciones elementales en los renglones (OER) de la matriz aumentada del SEL.

OPERACIONES ELEMENTALES EN LOS RENGLONES (OER) DE LA MATRIZ

AUMENTADA (MA)

Cada una de las siguientes operaciones, cuando se aplican a los renglones de una
MA, produce una MA equivalente

1. Intercambio de dos renglones

2. Multiplicación de un renglón por una constante no nula

3. Suma de un múltiplo de un renglón a otro renglón

a) METODO DE ELIMINACION DE GAUSS (MEG)

SEL MATRIZ
aument
dado

FER SEL SOLU

equiva CION
l
b) METODO DE ELIMINACION DE GAUSS-JORDAN (MEGJ)

SEL MATRIZ
aument
dado

FERR SEL SOLU

equiva CION
l

SITUACIÓN PROBLEMA 1. Emplear la eliminación de Gauss para resolver

3𝑥1 − 0.1𝑥2 − 0.2𝑥3 = 7.85

0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3
0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4
Efectuar los cálculos con 6 cifras significativas

ANÁLISIS DE LA SITUACIÓN. Vamos a encontrar una FEE, forma escalonada en las

ecuaciones

3𝑥1 − 0.1𝑥2 − 0.2𝑥3 = 7.85 E1

0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3 E2 
0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4 E3

𝟏
𝐄𝟏 𝑥1 − 0.033333𝑥2 − 0.066666𝑥3 = 2.61666
𝟑

 E2 0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3

E3 0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4

𝑥1 − 0.033333𝑥2 − 0.066666𝑥3 = 2.61666

 −𝟎. 𝟏𝐄𝟏 + 𝐄𝟐 7.00333𝑥2 − 0.293333𝑥3 = −19.5616

−𝟎. 𝟑𝐄𝟏 + 𝐄𝟑 −0.190000𝑥2 + 10.0199𝑥3 = 70.6150

𝑥1 − 0.033333𝑥2 − 0.066666𝑥3 = 2.61666

1
 E 𝑥2 − 0.041885𝑥3 = −2.79318
7.00333 2
−0.190000𝑥2 + 10.0199𝑥3 = 70.6150
 𝑥1 − 0.033333𝑥2 − 0.066666𝑥3 = 2.61666

 𝑥2 − 0.041885𝑥3 = −2.79318

0.190000E2 + E3 10.0119𝑥3 = 70.0843

𝑥1 − 0.033333𝑥2 − 0.066666𝑥3 = 2.61666

 𝑥2 − 0.041885𝑥3 = −2.79318
1
E 𝑥3 = 7.00010
10.0119 3

Se obtiene una FEE Forma escalonada en las ecuaciones

Reemplazando 𝑥3 = 7.00010 en la segunda ecuación para obtener 𝑥2 = −2.49998

Reemplazando estos en la primera ecuación, resulta 𝑥1 = 2.99999

AMPLIACIÓN DEL ANÁLISIS. Aprovechando el material calculado vamos a utilizar el

método de Gauss-Jordan para resolver el SEL dado. A partir de

𝑥1 − 0.033333𝑥2 − 0.066666𝑥3 = 2.61666

 𝑥2 − 0.041885𝑥3 = −2.79318

𝑥3 = 7.00010

Se obtiene

0.066666E3 + E1 𝑥1 − 0.033333𝑥2 = 3.08333

 0.041885E3 + E2 𝑥2 = −2.49998

𝑥3 = 7.00010

0.033333E2 + E1 𝑥1 = 2.99999

 𝑥2 = −2.49998

𝑥3 = 7.00010

Se obtiene una FEER Forma escalonada en las ecuaciones reducida, de donde resulta la
misma solución 𝑥1 = 2.99999, 𝑥2 = −2.49998 , 𝑥3 = 7.00010
SITUACIÓN PROBLEMA 2. Emplear la eliminación de Gauss-Jordan para resolver el
sistema
3𝑥1 − 0.1𝑥2 − 0.2𝑥3 = 7.85
0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3
0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4
Efectuar los cálculos con 6 cifras significativas

ANÁLISIS DE LA SITUACIÓN. Vamos a encontrar una FERR, forma escalonada

reducida en los renglones a partir de la MATRIZ AUMENTADA del Sistema de
Ecuaciones Lineales

3 −0.1 −0.2 ⋮ 7.85 R1

[0.1 7 −0.3 ⋮ −19.3] R2
0.3 −02 10 ⋮ 71.40 R3

Se realizan operaciones elementales en los renglones

1
1 −0.033333 −0.066666 ⋮ 2.61666 3 R1
 [0.1 7 −0.3 ⋮ −19.3 ] R2
0.3 −02 10 ⋮ 71.40 R3

1 −0.033333 −0.066666 ⋮ 2.61666

 [0 7.00333 −0.293333 ⋮ −19.5616 ] −0.1R1 + R2
0 −0.190000 10.0199 ⋮ 70.6150 −0,3R1 + R3

1 −0.033333 −0.066666 ⋮ 2.61666 1

 [0 1 −0.041885 ⋮ −2.79318 ] 7.00333 R2
0 −0.190000 10.0199 ⋮ 70.6150

1 −0.033333 −0.066666 ⋮ 2.61666

 [0 1 −0.041885 ⋮ −2.79318 ]
0 0 10.0119 ⋮ 70.0843 0.190000R2 + R3

1 −0.033333 −0.066666 ⋮ 2.61666

 [0 1 −0.041885 ⋮ −2.79318 ] 1  FER
0 0 1 ⋮ 7.00010 10.0119 R3

1 −0.033333 0 ⋮ 3.08333 0.066666R3 + R1

 [0 1 0 ⋮ −2.49998] 0.041885R3 + R2
0 0 1 ⋮ 7.00010

1 0 0 ⋮ 2.99999 0.033333R2 + R1
 [0 1 0 ⋮ −2.49998 ]  FERR
0 0 1 ⋮ 7.00010
Esta matriz está en su FERR y es equivalente a la matriz aumentada del SEL original. De
ella se puede leer directamente la solución del SEL, esto es 𝑥1 = 2.99999, 𝑥2 =
−2.49998 , 𝑥3 = 7.00010

Esta actividad muestra el algoritmo conocido como Eliminación de Gauss - Jordan

4.1.2. REGLA DE CRAMER

PROPIEDAD. Si AX = B es un sistema de n ecuaciones con n variables tal que

det(A)  0, entonces el sistema tiene solución única dada por:
det(A1) det(A2) det(Ai ) det(An )
x1 = , x2 = , .. , x i = ,.. , x n =
detA detA detA detA

en donde Aj es la matriz que se obtiene de reemplazar los elementos de la j-ésima

columna de A por los elementos de la matriz B.

SITUACIÓN PROBLEMA 3. Emplear la Regla de Cramer para resolver el sistema

0.3𝑥1 + 0.52𝑥2 + 𝑥3 = −0.01

0.5𝑥1 + 𝑥2 + 1.9𝑥3 = 0.67
0.1𝑥1 + 0.3𝑥2 + 0.5𝑥3 = −0.44

ANÁLISIS DE LA SITUACIÓN. Vamos a calcular el determinante de la matriz de

coeficientes

0.3 0.52 1
1 1.9 0.55 1.9 0.5 1
detA = |0.5 1 1.9| = 0.3 | | – 0.52 | |+1| |
0.3 0.5 0.1 0.5 0.1 0.3
0.1 0.3 0.5
= 0.3(-0.07) – 0-52(0.06) + 1(0.05 ) = – 0.022

Como el det(A)  0, entonces el SEL tiene única solución dada por:

−0.01 0.52 1
| 0.67 1 1.9 |
−0.44 0.3 0.5 0.03278
x1 = = = – 14.9
detA −0.0022

0.3 −0.01 1
|0.5 0.67 1.9|
0.1 −0.44 0.5 0.0649
x2 = = = – 29.5
detA −0.0022

0.3 0.52 −0.01

|0.5 1 0.67 |
0.1 0.3 −0.44 −0.04356
x3 = = = 19.8
detA −0.0022

La solución del SEL es: 𝑥1 = −14.9, 𝑥2 = −29.5 , 𝑥3 = 19.8

4.2 MÉTODO ITERATIVO LINEAL

INICIO
Contamos con un SEL de n ecuaciones con n incógnitas AX = b con solución α
OBJETIVO
Encontrar una expresión de punto fijo equivalente X = MX+ c
Para construir una fórmula de recurrencia Xk+1 = MXk + c
k→∞
Que origine una sucesión convergente a la solución X 0 , X1 , X 2 , … . , X k → α
Construcción del Método
1. Elegimos una matriz cuadrada N de orden n que sea fácilmente invertible.
2. Descomponemos la matriz A = N − P.
3. Sustituyendo en el SEL, resulta (N – P)X = b
Distribuyendo NX – PX = b
Reordenando NX = PX + b
-1
Multiplicando por N N (NX) = N-1 (PX) + N-1 b
-1

O bien X = (N-1 P)X + N-1 b

Se obtiene X = MX + c , con M = N -1P , c = N-1 b
Es La Fórmula Del Método iterativo correspondiente a la matriz N
4. El modelo iterativo se escribe en forma recursiva

Donde
𝟎 = 𝐯𝐞𝐜𝐭𝐨𝐫 𝐢𝐧𝐢𝐜𝐢𝐚𝐥 N = matriz que define el MÉTODO
{ 𝐗 𝐤+𝟏
𝐗 = 𝐌𝐗𝐤 + 𝐜 P=N–A
M = N-1 P
c = N-1 b

CASOS PARTICULARES

Dada una matriz cuadrada A, se definen:

 L = matriz con la parte subdiagonal de A
 D = matriz con la parte diagonal de A (diagonal principal).
 U = matriz con la parte sobrediagonal de A

La matriz A puede descomponerse en A=L+D+U

Definiendo una matriz N se determina un Método iterativo

MÉTODO DE JACOBI. Considera N=D

MÉTODO DE GAUSS-SEIDEL. Considera N=L+D
4.3 MÉTODO DE JACOBI

Si bien los métodos directos dan la solución exacta no siempre se pueden aplicar. Para
ver la razón consideremos las fuentes de error. El error inherente, de momento lo
podemos despreciar. El error de redondeo esencialmente depende del número de
cálculos. Mientras mayor sea el número de ecuaciones, se requieren más operaciones y
por lo tanto existirá más error de redondeo. En pocas palabras, si el número de
ecuaciones es grande el error de redondeo puede crecer tanto, que puede invalidar la
solución. En la práctica no es raro usar cientos o a un miles de ecuaciones, por esta
razón, se crearon los métodos iterativos. Estos son esencialmente inmunes al redondeo.

El método Jacobi es un método iterativo

a11 x1 + a12 x 2 + ⋯ + a1n x n = b1
para resolver sistemas de ecuaciones
lineales más simple y se aplica sólo a a21 x1 + a22 x 2 + ⋯ + a2n x n = b2
sistemas cuadrados, es decir a sistemas
con tantas incógnitas como ecuaciones ⋮
an1 x1 + an2 x 2 + ⋯ + ann x n = bn

Método de Jacobi

Dado un SEL compatible de 4x4 de la forma

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + 𝑎14 𝑥4 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + 𝑎24 𝑥4 = 𝑏2

𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 + 𝑎34 𝑥4 = 𝑏3

𝑎41 𝑥1 + 𝑎42 𝑥2 + 𝑎43 𝑥3 + 𝑎44 𝑥4 = 𝑏4

Las fórmulas recursivas para calcular el valor aproximado de las incógnitas se

hallan despejando las variables situadas en la diagonal principal de cada una de
las ecuaciones que conforman el sistema, de la siguiente forma:
𝟏
𝒙𝒌+𝟏
𝟏 = [𝒃𝟏 − (𝒂𝟏𝟐 𝒙𝒌𝟐 + 𝒂𝟏𝟑 𝒙𝒌𝟑 + 𝒂𝟏𝟒𝒙𝒌𝟒 )]
𝒂𝟏𝟏

𝟏
𝒙𝒌+𝟏 = [𝒃 − (𝒂𝟐𝟏𝒙𝒌𝟏 + 𝒂𝟐𝟑𝒙𝒌𝟑 + 𝒂𝟐𝟒𝒙𝒌𝟒 )]
𝟐
𝒂𝟐𝟐 𝟐

𝟏
𝒙𝒌+𝟏 = [𝒃 − (𝒂𝟑𝟏𝒙𝒌𝟏 + 𝒂𝟑𝟐𝒙𝒌𝟐 + 𝒂𝟑𝟒𝒙𝒌𝟒 )]
𝟑
𝒂𝟑𝟑 𝟑

𝟏
𝒙𝒌+𝟏 = [𝒃 − (𝒂𝟒𝟏𝒙𝒌𝟏 + 𝒂𝟒𝟐𝒙𝒌𝟐 + 𝒂𝟒𝟑𝒙𝒌𝟑 )]
𝟒
𝒂𝟒𝟒 𝟒
Criterio de convergencia del Método de Jacobi

El método de Jacobi es susceptible de los efectos del pivoteo. En consecuencia,

su criterio de convergencia lo conforman los criterios de la diagonal dominante,
mismo que posee dos condiciones:

1. Condición necesaria: Que el elemento ubicado en la diagonal principal de

cada ecuación sea mayor en valor absoluto que el resto de los elementos de la
misma ecuación. |𝒂𝒊𝒊 | > |𝒂𝒊𝒋| (CN)
2. Condición suficiente: Que el elemento ubicado en la diagonal principal de
cada ecuación sea mayor en valor absoluto que la suma del resto de los
elementos de la misma ecuación. |𝒂𝒊𝒊 | > ∑|𝒂𝒊𝒋| (CS)

FORMA MATRICIAL DEL MÉTODO DE JACOBI

Para proponer un método iterativo el sistema AX = b se debe expresar en la forma

X = G(X) con el mismo fundamento descrito en el Método de Punto fijo para resolver
ecuaciones lineales.

Dado el SEL de nxn AX = b

La matriz A se puede descomponer en suma de tres matrices A=L+D+U

D es una matriz diagonal que contiene a los elemento de la diagonal principal de A

L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A

U es una matriz triangular superior con ceros en la diagonal principal y los otros
elementos iguales a los elementos respectivos de la matriz A

a11 a12 ⋯ a1n 0 0 ⋯ 0 a11 0 ⋯ 0 0 a12 ⋯ a1n

a21 a22 ⋯ a2n a21 0 ⋯ 0 0 a22 ⋯ 0 ⋯ a2n
[ ⋮ ⋮ ⋱ ⋮ ]=[ ⋮ ]+[ ] + [0 0 ]
⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
an1 an2 ⋯ ann an1 an2 ⋯ 0 0 0 ⋯ ann 0 0 ⋯ 0

Esto es A = L + D + U

Sustituyendo A = L + D + U en AX = b, resulta (L + D + U)X = b

Distribuyendo y ordenando DX + (L + U)X = b

En la relación DX = b – (L + U)X

Se multiplica por la inversa de D por la izquierda: D-1 (DX) = D-1 b – D-1 (L + U)X

Sabiendo que D-1 D = I , se escribe X = D-1 b – D-1 (L + U)X

Asumiendo la relación X = G(X) similar al Método de Punto fijo, se deduce una relación
de recurrencia, dada por:

𝐗𝐤+𝟏 = 𝐃−𝟏𝐛 − 𝐃−𝟏 (𝐋 + 𝐔)𝐗𝐤

𝐗𝐤+𝟏 = 𝐌𝐗𝐤 + 𝐜 con M = – D—1(L+U), c = D-1 b
1
Sabiendo que D−1 = [ ] , para todo i = 1, 2, … ,n , entonces la matriz de soluciones
aii
iterativas 𝐗𝐤+𝟏 es:

𝑏1 a12 a1n
0 ⋯
𝑥1𝑘+1 𝑎11 a11 a11𝑥1𝑘
𝑏2 a21 a2n
𝑥2𝑘+1 0 ⋯ 𝑘
= 𝑎22 – a22 a22 𝑥2
⋮ ⋮ ⋮ ⋮ ⋮
⋱ ⋮
[𝑥𝑛𝑘+1 ] 𝑏𝑛 an1 an2 [𝑥 𝑘 ]
[𝑎𝑛𝑛 ] [ann ann ⋯ 0] 𝑛

Nótese que x0 es el vector inicial y a partir de este vector se obtienen sucesivamente los
vectores x1 , x2 , x3 , …etc

𝐧
𝟏
𝐱𝐤+𝟏 = (𝐛 − ∑ 𝐚𝐢𝐣 𝐱𝐤𝐣 )
𝐢
𝐚𝐢𝐢 𝐢 Fórmula Iterativa de Jacobi
𝐣=𝟏
Donde j  i, i = 1, 2, … , n,
k = 0, 1, 2, …

Criterio de parada

El criterio de parada comúnmente usado por los métodos iterativos, consiste en

medir cuan próximo esta xk+1 de xk . Para ello,
1) Calculamos el error absoluto Mk+1 = max |𝑥𝑖𝑘+1 − 𝑥𝑖𝑘 | ,  i = 1, 2, ..., n
2) Se observan los 𝑥𝑖𝑘+1 y se elige el max|𝑥𝑖𝑘+1 |
Mk+1
3) Dada una precisión , se calcula el error relativo MRk+1 = ,1in
max|xk+1
i |

y se compara con , es decir MRk+1 < 𝜀

4) Si esto se cumple, se para el proceso iterativo y aquel 𝑥𝑖𝑘+1 que verifica esta
relación se toma como solución aproximada del SEL en estudio
SITUACIÓN PROBLEMA 4. Resolver el siguiente sistema utilizando el Método de Jacobi
10𝑥1 + 2𝑥2 + 𝑥3 = 7
𝑥1 + 5𝑥2 + 𝑥3 = −8
2𝑥1 + 3𝑥2 + 10𝑥3 = 6
0.7
Considerar al vector inicial x = [−1.6] y una tolerancia del error   0.05
0

0.6

ANÁLISIS DE LA SITUACIÓN. Vamos a calcular las sucesivas soluciones aproximadas

por el proceso recursivo de Jacobi
1
 Despejando x1 de la primera ecuación: x1 = (7 − 2x 2 − x 3 )
10
1
 Despejando x2 de la segunda ecuación: x2 = (−8 − x1 − x 3 )
5
1
 Despejando x3 de la tercera ecuación: x3 = (6 − 2x1 − 3x 2 )
10

El Sistema iterativo de Jacobi, parte de:

1
x1 = (7 − 2x 2 − x 3 )
10

1
x2 = (−8 − x1 − x 3 )
5

1
x3 = (6 − 2x1 − 3x 2 )
10

Generando las Fórmulas iterativas, escribiendo cada una como ecuación recursiva

1
x1k+1 = (7 − 2x k2 − x k3 )
10

1
x k+1
2 = (−8 − x1k − x k3 )
5

1
x k+1
3 = (6 − 2x1k − 3x k2 )
10

Cálculo de las iteraciones

0.7
Para k = 0, se tiene x0 = [−1.6], sustituyendo en las fórmulas, resulta
0.6

1 1
x11 = (7 − 2x 02 − x 03 ) = (7 − 2(−1.6) − 0.6) = 0.96
10 10

Error |𝑥11 − 𝑥10 | = |0.96 − 0.7| = 0.26

1 1
x12 =
5
(−8 − x 01 − x 03 ) = 5 (−8 − 0.7 − 0.6) = –1.86

Error |𝑥21 − 𝑥20 | = |−1.86 + 1.6| = 0.26

 1 1
x13 =
10
(6 − 2x 01 − 3x 02) = 10 (6 − 2(0.7) − 3(−1.6)) = 0.94 ,

Error |𝑥31 − 𝑥30 | = |0.94 − 0.6| = 0.34

Mk+1
Sabiendo que: Mk+1 = max |𝑥𝑖𝑘+1 − 𝑥𝑖𝑘 | , MRk+1 = <𝜖
max|xk+1
i |

0.34
Se tiene M1 = 0.34, con lo que M1R = = 0.1828 > . Por lo que, la solución X 1 no es
1.86

aceptable

0.96
Para k = 1, se tiene x1 = [−1.86], sustituyendo en las fórmulas, resulta
0.94

1 1
x12 = (7 − 2x12 − x13 ) = (7 − 2(−1.86) − 0.94) = 0.978
10 10

Error |𝑥12 − 𝑥11 | = |0.978 − 0.96| = 0.018

1 1
x 22 =
5
(−8 − x 11 − x 13 ) = 5 (−8 − 0.96 − 0.94) = –1.98

Error |𝑥22 − 𝑥21 | = |−1.98 + 1.86| = 0.12

1 1
x 23 =
10
(6 − 2x 11 − 3x 12 ) = 10 (6 − 2(0.96) − 3(−1.86)) = 0.966

Error |𝑥32 − 𝑥31 | = |0.966 − 0.94| = 0.026

0.12
Se tiene M2 = 0.12, con lo que M1R = = 0.0606 > .
1.98

Para k = 2 y los anteriores resultados se presentan en la siguiente Tabla

k 𝒙𝒌𝟏 𝒙𝒌𝟐 𝒙𝒌𝟑 𝒙𝒌+𝟏

𝟏 𝒙𝒌+𝟏
𝟐 𝒙𝒌+𝟏
𝟑 𝑴𝒌+𝟏
𝑹
0 0.7 -1.6 0.6 0.98 -1.86 0.94 0.1828 > 
1 0.96 -1,86 0.94 0.978 -1.98 0.966 0.0606 > 
2 0.978 -1.98 0.966 0.9994 -1.9888 0.9984 0.0163 < 

El vector solución, generado por el Método de Jacobi, aceptado por la tolerancia es:

x1 = 0.9994 , x2 = -1.9888, x3 = 0.9984

SITUACIÓN PROBLEMA 5. Resolver el siguiente sistema utilizando el Método de Jacobi
en forma matricial
10𝑥1 + 2𝑥2 + 𝑥3 = 7
𝑥1 + 5𝑥2 + 𝑥3 = −8
2𝑥1 + 3𝑥2 + 10𝑥3 = 6
0.7
Considerar al vector inicial x0 = [−1.6] y una tolerancia del error   0.05
0.6

ANÁLISIS DE LA SITUACIÓN. Vamos a calcular las sucesivas soluciones aproximadas

por el proceso recursivo de Jacobi en forma matricial

Se aplicara 𝐗𝐤+𝟏 = 𝐃−𝟏 𝐛 − 𝐃−𝟏 (𝐋 + 𝐔)𝐗𝐤

10 2 1 0 0 0 10 0 0 0 2 1 7
Donde A = [ 1 5 1 ], L = [1 0 0], D = [ 0 5 0 ], U = [0 0 1], b = [−8]
2 3 10 2 3 0 0 0 10 0 0 0 6
1 7 1 1
0 0 0
10 10 0 2 1 5 10
1 −8 1 1
Luego D-1 = 0 5
0 , D-1 b =
5
, L+U = [1 0 1], D-1(L+U) = 5 0
5
1 4 2 3 0 1 3
[0 0
10] [5] [5 10
0]

La fórmula iterativa es:

7 1 1
0
𝑥1𝑘+1 10 5 10 𝑥1𝑘
−8 1 1
𝐗𝐤+𝟏 = 𝐃−𝟏 𝐛 − 𝐃−𝟏(𝐋 + 𝐔)𝐗𝐤  [𝑥2𝑘+1 ] = 5
– 5
0
5
[𝑥2𝑘 ]
𝑥3𝑘+1 4 1 3
0 ] 𝑥3
𝑘
[5] [5 10

Calculo de las iteraciones

0.7
Para k = 0, se toma X0 = [−1.6], entonces
0.6
7 1 1
0
𝑥11 10 5 10 0.7 0.7 −0.26 0.96
−8 1 1
[𝑥21 ] = 5
– 5
0
5
[−1.6] = [−1.6] – [ 0.26 ] = [−1.86]
𝑥31 4 1 3 0.6 0.6 −0.34 0.94
[5] [5 0]
10

|𝑥11 − 𝑥10 | = |0.96 − 0.7| = 0.26 Max |𝑥𝑖1 − 𝑥𝑖0| = 0.34

Errores |𝑥21 − 𝑥20 | = |−1.86 + 1.6| = 0.26 Max |𝑥𝑖1 | = 1,86
0.34
|𝑥31 − 𝑥30 | = |0.94 − 0.6| = 0.34 M1R = = 0.1828 > 
1.86
 0.96
1
Para k = 1, se toma X = [−1.86], entonces
0.94
7 1 1
0
𝑥12 10 5 10 0.96 0.7 −0.278 0.978
−8 1 1
[𝑥22 ] = 5
– 5
0
5
[−1.86] = [−1.6] – [ 0.38 ] = [−1.98]
𝑥32 4 1 3 0.94 0.6 −0.366 0.966
[5] [5 0]
10

|𝑥12 − 𝑥11 | = |0.978 − 0.96| = 0.018 Max |𝑥𝑖2 − 𝑥𝑖1 | = 0.12

Errores |𝑥22 − 𝑥21 | = |−1.98 + 1.86| = 0.12 Max |𝑥𝑖2 | = 1,98
0.12
|𝑥32 − 𝑥31 | = |0.966 − 0.94| = 0.026 MR2 = = 0.0606 > 
1.98

0.978
Para k = 2, se toma X2 = [−1.98], entonces
0.966
7 1 1
0
𝑥13 10 5 10 0.978 0.7 −0.2994 0.9994
−8 1 1
[𝑥23 ] = 5
– 5
0
5
[−1.98] = [−1.6] – [ 0.3888 ] = [−1.9888]
𝑥33 4 1 3 0.966 0.6 −0.3984 0.9984
[5] [5 0]
10

|𝑥13 − 𝑥12 | = |0.9994 − 0.978| = 0.0214 Max |𝑥𝑖3 − 𝑥𝑖2 | = 0.0324

Errores |𝑥23 − 𝑥22 | = |−1.9888 + 1.98| = 0.0088 Max |𝑥𝑖3 | = 1,98
0.0324
|𝑥33 − 𝑥32 | = |0.9984 − 0.966| = 0.0324 MR3 = = 0.01636 < 
1.98

El vector solución, generado por el Método de Jacobi, con tolerancia   0.05 es:

x1 = 0.9994 , x2 = -1.9888, x3 = 0.9984

4.4. MÉTODO DE GAUSS - SEIDEL

Este método es una versión acelerada de Jacobi. En el cual es necesario contar con un
vector aproximado completo para proceder a la sustitución en las ecuaciones de
recurrencia y obtener una nueva aproximación.

En el método de Gauss-Seidel se propone ir sustituyendo los nuevos valores de la

aproximación siguiente conforme se vayan obteniendo sin esperar a tener un vector
completo. De esta forma se acelera la convergencia

Método de Gaus-Seidel

Dado un SEL compatible de 4x4 de la forma

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + 𝑎14 𝑥4 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + 𝑎24 𝑥4 = 𝑏2

𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 + 𝑎34 𝑥4 = 𝑏3

𝑎41 𝑥1 + 𝑎42 𝑥2 + 𝑎43 𝑥3 + 𝑎44 𝑥4 = 𝑏4

Las fórmulas recursivas para calcular el valor aproximado de las incógnitas se

hallan despejando las variables situadas en la diagonal principal de cada una de
las ecuaciones que conforman el sistema, con las siguientes variantes respecto
del Método de Jacobi, de la siguiente forma:
𝟏
𝒙𝒌+𝟏
𝟏 = [𝒃𝟏 − (𝒂𝟏𝟐 𝒙𝒌𝟐 + 𝒂𝟏𝟑 𝒙𝒌𝟑 + 𝒂𝟏𝟒𝒙𝒌𝟒 )]
𝒂𝟏𝟏

𝟏
𝒙𝒌+𝟏 = [𝒃 − (𝒂𝟐𝟏𝒙𝒌+𝟏 + 𝒂𝟐𝟑 𝒙𝒌𝟑 + 𝒂𝟐𝟒 𝒙𝒌𝟒 )]
𝟐
𝒂𝟐𝟐 𝟐 𝟏

𝟏
𝒙𝒌+𝟏 = [𝒃 − (𝒂𝟑𝟏 𝒙𝒌+𝟏 + 𝒂𝟑𝟐𝒙𝒌+𝟏 + 𝒂𝟑𝟒𝒙𝒌𝟒 )]
𝟑
𝒂𝟑𝟑 𝟑 𝟏 𝟐

𝟏
𝒙𝒌+𝟏 = [𝒃 − (𝒂𝟒𝟏𝒙𝒌+𝟏 + 𝒂𝟒𝟐𝒙𝒌+𝟏 + 𝒂𝟒𝟑 𝒙𝒌+𝟏
𝟑 )]
𝟒
𝒂𝟒𝟒 𝟒 𝟏 𝟐

Criterio de convergencia del Método de Gauss-Seidel

El criterio de convergencia del método de Gauss-Seidel corresponde totalmente a

de la diagonal dominante cuyas condiciones se expresan en las ecuaciones (CN)
y (CS).
FORMA MATRICIAL DEL MÉTODO DE GAUSS-SEIDEL

Dado el SEL de nxn AX = b

La matriz A se puede descomponer en suma de tres matrices A=L+D+U

D es una matriz diagonal que contiene a los elemento de la diagonal principal de A

L es una matriz triangular inferior con ceros en la diagonal principal y los otros elementos
iguales a los elementos respectivos de la matriz A

U es una matriz triangular superior con ceros en la diagonal principal y los otros
elementos iguales a los elementos respectivos de la matriz A

El objetivo es encontrar una expresión de punto fijo equivalente, X = G(X), de la forma

X = MX + c

Para construir una fórmula de recurrencia Xk+1 = MXk + c , que origine una sucesión
k→∞
convergente a la solución : X 0 , X1 , X 2 , … . , X k → α

Para el Método de Jacobi, se dedujo que M = – D-1(L + U) y c = D-1 b, con lo que

𝐗𝐤+𝟏 = 𝐃−𝟏 𝐛 − 𝐃−𝟏(𝐋 + 𝐔)𝐗𝐤

Para el Método de Gauss-Seidel se tiene: M = – (L + D)-1U y c = (L + D)-1 b

Sustituyendo en Xk+1 = MXk + c permite deducir

Fórmula de recurrencia de
𝐗𝐤+𝟏 = (𝐋 + 𝐃)−𝟏 𝐛 − (𝐋 + 𝐃)−𝟏 𝐔𝐗𝐤 Gauss-Seidel en forma
matricial

Criterio de parada

El criterio de parada comúnmente usado por los métodos iterativos, consiste en

medir cuan próximo esta xk+1 de xk . Para ello,
1) Calculamos el error absoluto Mk+1 = max |𝑥𝑖𝑘+1 − 𝑥𝑖𝑘 | ,  i = 1, 2, ..., n
2) Se observan los 𝑥𝑖𝑘+1 y se elige el max|𝑥𝑖𝑘+1 |
Mk+1
3) Dada una precisión , se calcula el error relativo MRk+1 = ,1in
max|xk+1
i |

y se compara con , es decir MRk+1 < 𝜀

4) Si esto se cumple, se para el proceso iterativo y aquel 𝑥𝑖𝑘+1 que verifica esta
relación se toma como solución aproximada del SEL en estudio
SITUACIÓN PROBLEMA 6. Consideramos el sistema de ecuaciones lineales

10𝑥1 − 𝑥2 − 𝑥3 = 12
−𝑥1 + 10𝑥2 − 𝑥3 = 1
−𝑥1 − 𝑥2 + 10𝑥3 = −61

a) Formular el método de Gauss - Seidel

b) Realizar 3 iteraciones a partir del vector inicial x0 = 0.
c) Calcular el vector de error estimado E 3 = X3 – X2
d) Calcular la solución del sistema α y el vector de error e3 = α – X3.

ANÁLISIS DE LA SITUACIÓN. Vamos a calcular las sucesivas soluciones aproximadas

por el proceso recursivo de Gauss-Seidel en forma matricial

a) Se aplicará 𝐗𝐤+𝟏 = (𝐋 + 𝐃)−𝟏 𝐛 − (𝐋 + 𝐃)−𝟏𝐔𝐗𝐤

Para lo cual

10 −1 −1 0 0 0 10 0 0 0 −1 −1 12
A = [−1 10 −1],L = [−1 0 0], D = [ 0 10 0 ], U = [0 0 −1], b = [ 1 ]
−1 −1 10 −1 −1 0 0 0 10 0 0 0 −61
1
0 0
10 0 0 10
1 1
Luego L + D = [−1 10 0 ] , y su inversa (L+D)-1 = 0 ,
100 10
−1 −1 10 11 1 1
[1000 100 10]

1.2 0 −0.1 −0.1

(L+D)-1 b = [ 0.22 ], (L+D)-1U = [0 −0.01 −0.11 ]
−5.958 0 −0.011 −0.021

La fórmula iterativa es: 𝐗𝐤+𝟏 = (𝐋 + 𝐃)−𝟏𝐛 − (𝐋 + 𝐃)−𝟏 𝐔𝐗𝐤

𝑥1𝑘+1 1.2 0 −0.1 −0.1 𝑥1𝑘

 𝑘+1
[𝑥2 ] = [ 0.22 ] – [0 −0.01 −0.11 ] [𝑥2𝑘 ]
𝑥3𝑘+1 −5.958 0 −0.011 −0.021 𝑥3𝑘
𝑥1𝑘+1 1.2 0 0.1 0.1 𝑥1𝑘
 [𝑥2𝑘+1 ] = [ 0.22 ] + [0 0.01 0.11 ] [𝑥2𝑘 ]
𝑥3𝑘+1 −5.958 0 0.011 0.021 𝑥3𝑘
b) Calculo de las iteraciones

0
Para k = 0, se toma X0 = [0], entonces
0

𝑥11 1.2 0 0.1 0.1 0 1.2

1
[𝑥2 ] = [ 0.22 ] + [0 0.01 0.11 ] [0] = [ 0.22 ]
𝑥31 −5.958 0 0.011 0.021 0 −5.958

1.2
Para k = 1, se toma X1 = [ 0.22 ], entonces
−5.958

𝑥12 1.2 0 0.1 0.1 1.2 0.6262

[𝑥22 ] = [ 0.22 ] + [0 0.01 0.11 ] [ 0.22 ] = [−0.43318]
𝑥32 −5.958 0 0.011 0.021 −5.958 −6.0807

0.6262
Para k = 2, se toma X2 = [−0.43318], entonces
−6.0807

𝑥13 1.2 0 0.1 0.1 0.6262 0.54861

[𝑥23 ] = [ 0.22 ] + [0 0.01 0.11 ] [−0.43318] = [−0.45321]
𝑥33 −5.958 0 0.011 0.021 −6.0807 −6.09046

c) El vector de error estimado E 3 = X3 – X2

0.54861 0.6262 −0.07759
3
E = [−0.45321] − [−0.43318] = [−0.02003]
−6.09046 −6.0807 −0.00976
d) Aplicando el Método de Cramer, el SEL dado tiene como solución

0.545455
 = [−0.454545]
−6.090909

Por lo tanto, el vector de error e3 = α – X3. Viene dado por

0.545455 0.54861 −0.003155
e3 = [−0.454545] – [−0.45321] = [−0.001335]
−6.090909 −6.09046 −0.000449