Mtodos Numricos: Resumen y ejemplos

Tema 6: Resolucin aproximada de sistemas de

ecuaciones lineales
Francisco Palacios
Escuela Politcnica Superior de Ingeniera de Manresa
Universidad Politcnica de Catalua
Abril 2009, versin 1.5

Contenido

1. Mtodo iterativo para sistemas lineales

2. Mtodo de Jacobi y de Gauss-Seidel

3. Normas vectoriales y matriciales

4. Convergencia del mtodo iterativo lineal

1 Mtodo iterativo para sistemas lineales

1.1 Notaciones
En este tema, usamos letra negrita para matrices y vectores.
Sistema de n ecuaciones con n incgnitas.


a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2
.. .. .. ..

. . . .


an1 x1 + an2 x2 + + ann xn = bn

Forma matricial.
Ax = b

a11 a12 a1n x1 b1
a21 a22 a2n x2 b2

.. .. .. .. .. = ..
. . . . . .
an1 an2 xn ann bn

Gauss
Mtodos directos = Despejan x1 , x2 , . . . , xn .
Cramer

1
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 2

Mtodo iterativo = A partir de una aproximacin inicial x(0) , genera

una sucesin de vectores que tiende a la solucin del sistema.
(0) (1) (j)
x1 x1 x1 1
j
x(0) = ... , x(1) = ... , . . . , x(j) = ... = ...
(0) (1) (j) n
xn xn xn

Nota. Observa que usamos superndices para indicar el nmero de iteracin

(7)
y subndices para indicar la componente del vector, as x3 es la tercera
componente del vector x(7) obtenido en la fase 7.

Ejemplo 1.1 Mtodo de Jacobi.

Consideramos el sistema de ecuaciones lineales

10x1 + x2 + x3 = 12
x + 5x2 + x3 = 7
1
x1 + x2 + 20x3 = 1

Despejamos x1 en la primera ecuacin, x2 en la segunda y x3 en la tercera

x1 = 1.2 0.1x2 0.1x3
x2 = 1.4 0.2x1 0.2x3

x3 = 0.05 0.05x1 0.05x2

y establecemos la siguiente frmula de recurrencia.

(j+1) (j) (j)

x1 = 1.2 0.1x2 0.1x3
(j+1) (j) (j)
x2 = 1.4 0.2x1 0.2x3

(j+1) (j) (j)
x3 = 0.05 0.05x1 0.05x2

Matricialmente, resulta
(j+1) (j)
x1 0 0.1 0.1 x1 1.2
(j+1)
x2 = 0.2 0 0.2 x(j)
2
+ 1.4 .
(j+1) 0.05 0.05 0 (j) 0.05
x3 x3

Si partimos del vector

0
x(0) = 0 ,
0
obtenemos

0 0.1 0.1 0 1.2 1.2
x(1) = 0.2 0 0.2 0 + 1.4 = 1.4 ,
0.05 0.05 0 0 0.05 0.05
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 3

0 0.1 0.1 1.2 1.2 1. 055
x(2) = 0.2 0 0.2 1.4 + 1.4 = 1. 15 ,
0.05 0.05 0 0.05 0.05 0.0 8

0 0.1 0.1 1. 055 1.2 1. 093
x(3) = 0.2 0 0.2 1. 15 + 1.4 = 1. 205 ,
0.05 0.05 0 0.0 8 0.05 0.0 6025

0 0.1 0.1 1. 093 1.2 1. 08552 5
x(4) = 0.2 0 0.2 1. 205 + 1.4 = 1. 19345 ,
0.05 0.05 0 0.0 6025 0.05 0.0 649

1. 08714 5 1. 08680 738
(5)
x = 1. 19587 5 , (6)
x = 1. 19536 075 ,
0.0 63948 75 0.0 64151

1. 08687 903 1. 08686 397
x(7) = 1. 19546 872 , x(8) = 1. 19544 587 .
0.06 41084 0 0.06 411738
Vemos que los sucesivos vectores convergen a un vector que, con 4 decimales,
sera
1.0869
= 1.1954 .

0.0641
La solucin del sistema, con 8 decimales, es

1. 08686 66
= 1. 19544 984 .
0.06 41158 2

Observa que el mtodo descrito puede escribirse en la forma

x(j+1) = M x(j) + c,

donde

0 0.1 0.1 1.2
M = 0.2 0 0.2 , c = 1.4 .
0.05 0.05 0 0.05

1.2 Mtodo iterativo lineal

Objetivo
Partimos de un sistema de n ecuaciones con n incgnitas

Ax = b

con solucin .
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 4

Queremos obtener una expresin de punto jo equivalente

x = Mx + c

para construir una frmula de recurrencia

x(j+1) = M x(j) + c

que origine una sucesin convergente a la solucin

j
x(0) , x(1) , . . . , x(j) , . . . .

Construccin del mtodo

1. Tomamos N matriz cuadrada de orden n fcilmente invertible.

2. Expresamos A = N P.

Entonces, resulta el sistema equivalente

x = M x + c,

con
P = N A,
M = N1 P,

c = N1 b.
Demostracin. Partimos de
Ax = b,
sustituimos A = N P
(N P) x = b,
resulta
Nx Px = b,
Nx = Px + b,
x = N1 (Px + b) ,
x=N 1 1
| {z P} x+ |N{z b} .
M c

Mtodo iterativo (correspondiente a la matriz N)

x(0) = vector inicial
x(j+1) = M x(j) +c

donde

N matriz que dene el mtodo,

P = N A,

M = N1 P,

c = N1 b.
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 5

Ejemplo 1.2 Dado el sistema

x1 + 2x2 + 30x3 = 1
2x1 + 10x2 + x3 = 2

20x1 + x2 + x3 = 3

(a) Plantea el mtodo iterativo para

0 0 30
N = 0 10 0 .
20 0 0

(b) Aproxima la solucin con 4 decimales a partir de x(0) = ~0.

Forma matricial del sistema

1 2 30 x1 1
2 10 1 x2 = 2 .
20 1 1 x3 3
| {z } | {z }
A b

(a) Planteamiento del mtodo.

Calculamos P.

0 0 30 1 2 30 1 2 0
P = N A = 0 10 0 2 10 1 = 2 0 1 .
20 0 0 20 1 1 0 1 1

Calculamos N1 usando el mtodo de Gauss-Jordan, empezamos con (N|I3 ) .

0 0 30 1 0 0 a a
20 0 0 0 0 1
0 10 0 0 1 0 Cambio =
1 y3
0 10 0 0 1 0

20 0 0 0 0 1 0 0 30 1 0 0

dividiendo la primera la por 20, la segunda por 10 y la tercera por 30,

resulta:
1 0 0 0 0 1/20
0 1 0 0 1/10 0 = I3 |N1 .
0 0 1 1/30 0 0
Obtenemos
0 0 0.0 5
N1 = 0 0. 1 0 .
0.033333 0 0
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 6

Calculamos M.

0 0 0.0 5 1 2 0
M = N1 P = 0 0. 1 0 2 0 1
0.033333 0 0 0 1 1

0 0.0 5 0.0 5
M= 0. 2 0 0. 1 .
0.0 33333 0.0 66666 0
Calculamos c.

0 0 0.0 5 1 0. 15
c = N1 b = 0 0. 1 0 2 = 0. 2 .
0.033333 0 0 3 0.0 33333
Frmula de recurrencia.
(j+1) (j)
x1 0 0.0 5 0.0 5 x1 0. 15
(j+1)
x2 = 0. 2 0 0. 1 x(j)
2
+ 0. 2 .
(j+1) 0.0 33333 0.0 66666 0 (j) 0.0 33333
x3 x3

(b) Iteraciones.
Partimos del vector

0
x(0) = 0 ,
0
obtenemos
0. 15
x(1) = 0. 2 ,
0.0 33333

0 0.0 5 0.0 5 0. 15 0. 15
x(2) = 0. 2 0 0. 1 0. 2 + 0. 2
0.0 33333 0.0 66666 0 0.0 33333 0.0 33333

0.13833 3
= 0.16666 7 ,
0.015000

0 0.0 5 0.0 5 0. 13833 3 0. 15
x(3) = 0. 2 0 0. 1 0. 16666 7 + 0. 2
0.0 33333 0.0 66666 0 0.015000 0.0 33333

0.14091 7
= 0.17083 3 ,
0.017610
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 7

0 0.0 5 0.0 5 0. 14091 7 0. 15
x(4) = 0. 2 0 0. 1 0. 17083 3 + 0. 2
0.0 33333 0.0 66666 0 0.017610 0.0 33333

0.14057 8
= 0.17005 6 ,
0.017247

0 0.0 5 0.0 5 0. 14057 8 0. 15
x(5) = 0. 2 0 0. 1 0. 17005 6 + 0. 2
0.0 33333 0.0 66666 0 0.017247 0.0 33333

0.14063 5
= 0.170160 ,
0.017310

0 0.0 5 0.0 5 0.14063 5 0. 15
x(6) = 0. 2 0 0. 1 0.170160 + 0. 2
0.0 33333 0.0 66666 0 0.017310 0.0 33333

0.14062 7
= 0.17014 2 .
0.017301

El vector de error estimado en la iteracin 6 es

0.00000 8
e(6) = x(6) x(5) = 0.0000 18 .

0.00000 9

Tomamos como solucin

0.1406
= 0.1701 .

0.0173

La solucin del sistema, con 8 decimales, es

0.14062 765
= 0.17014 419 .
0.0173027 8

El vector de error es

0.6 5 106
e(6) = x(6) = 0. 219 105 .
0.178 105
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 8

2 Mtodo de Jacobi y de Gauss-Seidel

Dada una matriz cuadrada A, denimos

LA matriz con la parte subdiagonal de A (low).

DA matriz con la parte diagonal de A (diagonal).
UA matriz con la parte sobrediagonal de A (upper).

Se cumple
A = LA +DA +UA .
Si A es de orden 3,
a11 a12 a13
A = a21 a22 a23
a31 a32 a33
resulta

0 0 0 a11 0 0 0 a12 a13
LA = a21 0 0 , DA = 0 a22 0 , UA = 0 0 a23 .
a31 a32 0 0 0 a33 0 0 0

Mtodo de Jacobi Tomamos N = DA .

Mtodo de Gauss-Seidel Tomamos N = LA +DA .

Ejemplo 2.1 Consideramos el sistema de ecuaciones lineales

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

x1 x2 + 10x3 = 61

(a) Formula el mtodo de Jacobi.

(b) Haz 4 iteraciones a partir del vector inicial x(0) = ~0.
(c) Calcula el vector de error estimado e(4) = x(4) x(3)
(d) Calcula la solucin del sistema y el vector de error e(4) = x(4) .

(a) Construccin del mtodo.

Forma matricial del sistema

10 1 1 x1 12
1 10 1 x2 = 1 .
1 1 10 x3 61
| {z } | {z }
A b
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 9

Matriz que dene el mtodo iterativo

10 0 0
N = DA = 0 10 0 .
0 0 10

Matriz P

10 0 0 10 1 1 0 1 1
P = N A = 0 10 0 1 10 1 = 1 0 1 .
0 0 10 1 1 10 1 1 0

Inversa de N
0.1 0 0
N1 = 0 0.1 0 .
0 0 0.1
Matrices M y c

0.1 0 0 0 1 1 0 0. 1 0.1
M = N1 P = 0 0.1 0 1 0 1 = 0.1 0 0.1 ,
0 0 0.1 1 1 0 0.1 0.1 0

0.1 0 0 12 1. 2
c = N1 b = 0 0.1 0 1 = 0. 1 .
0 0 0.1 61 6. 1
Mtodo iterativo.
(j+1) (j)
x1 0 0. 1 0.1 x1 1. 2
(j+1)
x2 = 0.1 0 0.1 x(j)
2
+ 0. 1 .
(j+1) 0.1 0.1 0 (j) 6. 1
x3 x3

(b) Clculo de las iteraciones.

Partimos del vector
0
x(0) = 0 ,
0
obtenemos

0 0. 1 0.1 0 1. 2 1. 2
x(1) = 0.1 0 0.1 0 + 0. 1 = 0. 1 ,
0.1 0.1 0 0 6. 1 6. 1

0 0. 1 0.1 1. 2 1. 2 0. 6
x(2) = 0.1 0 0.1 0. 1 + 0. 1 = 0. 39 ,
0.1 0.1 0 6. 1 6. 1 5. 97
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 10

0 0. 1 0.1 0. 6 1. 2 0. 564
x(3) = 0.1 0 0.1 0. 39 + 0. 1 = 0. 437 ,
0.1 0.1 0 5. 97 6. 1 6. 079

0 0. 1 0.1 0. 564 1. 2 0. 5484
(4)
x = 0.1 0 0.1 0. 437 + 0. 1 = 0. 4515 .
0.1 0.1 0 6. 079 6. 1 6. 0873
(c) Error estimado.

0. 5484 0. 564 0.0 156
e(4) = x(4) x(3)
= 0. 4515 0. 437 = 0.0 145 .
6. 0873 6. 079 0.00 83
(d) Resolvemos el sistema por Cramer.

10 1 1 12 1 1

= 1 10 1 = 968, 1 = 1 10 1 = 528,
1 1 10 61 1 10

10 12 1 10 1 12


2 = 1 1
1 = 440, 3 = 1 10 1 = 5896.
1 61 10 1 1 61
La solucin del sistema es

528/968
= 440/968 ,
5896/968
si aproximamos con 6 decimales, obtenemos

0. 54545 5
= 0. 45454 5 .
6. 090909
El vector de error es

0. 54545 5 0. 5484 0.00 2945
e(4) = x(4) = 0. 45454 5 0. 4515 = 0.00 3045 .
6. 090909 6. 0873 0.00 3609
Ejemplo 2.2 Consideramos el sistema de ecuaciones lineales

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

x1 x2 + 10x3 = 61
(a) Formula el mtodo de Gauss-Seidel.
(b) Haz 4 iteraciones a partir del vector inicial x(0) = ~0.
(c) Calcula el vector de error estimado e(4) = x(4) x(3)
(d) Calcula el vector de error e(4) = x(4) .
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 11

(a) Construccin del mtodo.

Matriz que dene el mtodo iterativo

10 0 0
N = LA + DA = 1 10 0 .
1 1 10
Matriz P

10 0 0 10 1 1 0 1 1
P = N A = 1 10 0 1 10 1 = 0 0 1 .
1 1 10 1 1 10 0 0 0
Inversa de N
1
10 0 0 0. 1 0 0
N1 = 1
100
1
10 0 = 0.0 1 0. 1 0 .
11 1 1
1000 100 10 0.0 11 0.0 1 0. 1
Matrices M y c

0. 1 0 0 0 1 1 0 0. 1 0. 1
M = N1 P = 0.0 1 0. 1 0 0 0 1 = 0 0.0 1 0. 11 ,
0.0 11 0.0 1 0. 1 0 0 0 0 0.0 11 0.0 21

0. 1 0 0 12 1. 2
c=N b=1 0.0 1 0. 1 0 1 = 0. 22 .
0.0 11 0.0 1 0. 1 61 5. 958
Mtodo iterativo
(j+1) (j)
x1 0 0. 1 0. 1 x1 1. 2
(j+1)
x2 = 0 0.0 1 0. 11 x2(j) + 0. 22 .
(j+1) 0 0.0 11 0.0 21 (j) 5. 958
x3 x3

(b) Clculo de las iteraciones.

Partimos del vector
0
x(0) = 0 ,
0
obtenemos

0 0. 1 0. 1 0 1. 2 1. 2
x(1) = 0 0.0 1 0. 11 0 + 0. 22 = 0. 22 ,
0 0.0 11 0.0 21 0 5. 958 5. 958
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 12

0 0. 1 0. 1 1. 2 1. 2 0. 6262
x(2) = 0 0.0 1 0. 11 0. 22 + 0. 22 = 0. 43318 ,
0 0.0 11 0.0 21 5. 958 5. 958 6. 0807

0 0. 1 0. 1 0. 6262 1. 2 0. 54861 2
x(3) = 0 0.0 1 0. 11 0. 43318 + 0. 22 = 0. 45320 9 ,
0 0.0 11 0.0 21 6. 0807 5. 958 6. 09046

0 0. 1 0. 1 0. 54861 2 1. 2 0. 54563 3
x(4) = 0 0.0 1 0. 11 0. 45320 9 + 0. 22 = 0. 45448 3 .
0 0.0 11 0.0 21 6. 09046 5. 958 6. 09088
(c) Error estimado.

0. 54563 3 0. 54861 2 0.00 2979
e(4) = x(4) x(3)
= 0. 45448 3 0. 45320 9 = 0.00 1274 .
6. 09088 6. 09046 0.000 42

(d) El vector de error es

0. 54545 5 0. 54563 3 0.000 178
e(4) = x(4) = 0. 45454 5 0. 45448 3 = 0.0000 62 .
6. 090909 6. 09088 0.0000 29

3 Normas vectoriales y matriciales

3.1 Norma vectorial
Una norma sobre Rn es una aplicacin x kxk que hace corresponder un
nmero real no negativo a cada vector x. Dados x, y Rn , R, las
propiedades que denen las normas son las siguientes.

1. kxk 0.

2. kxk = 0 si y slo si x = ~0.

3. kxk = || kxk .

4. kx + yk kxk + kyk .

3.2 Algunas normas vectoriales

Sea el vector
x1
x2

x = .. .
.
xn
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 13

Norma 1
kxk1 = |x1 | + |x2 | + + |xn | .
Norma 2 (norma eucldea)
q
kxk2 = x21 + x22 + + x2n .

Norma de innito
kxk = max |xi | .
i
Podemos entender que cada norma nos proporciona una manera de medir
la longitud de los vectores. Nosotros utilizaremos kxk .

Ejemplo 3.1 Dado el vector

1
0
x=
3 ,
2

calcula kxk1 , kxk2 y kxk .

kxk1 = |1| + |0| + |3| + |2| = 6,

kxk2 = 1 + 9 + 4 = 14,
kxk = {|1| , |0| , |3| , |2|} = 3.

3.3 Sucesin vectorial convergente

Consideremos el sistema de n ecuaciones con n incgnitas

Ax = b

con solucin
1
2

= .. ,
.
n

y sea x(j) una sucesin de vectores
(0) (1) (j)
x1 x1 x1
.. (1) .. ..
x(0) = . ,x = . , . . . , x(j) = . .
(0) (1) (j)
xn xn xn
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 14

La sucesin de errores es

e(0) = x(0) , e(1) = x(1) , . . . , e(j) = x(j) .

Denicin La sucesin x(j) converge a si, para alguna norma1 , se
cumple
lim x(j) = 0.
j

Con la norma de innito, resulta

(j)
lim maxi i xi = 0.
j

Ejemplo 3.2 Norma de errores.

Supongamos la solucin
1
= 2 .
3
Si la primera aproximacin es

0.9
x(1) = 2.1 ,
3.2

obtenemos

1 0.9 0. 1
e(1) = x(1) = 2 2.1 = 0. 1 .
3 3.2 0. 2
(1)
e = max{0.1, 0.1, 0.2} = 0.2.

Supongamos que la segunda aproximacin es

0.99
x(2) = 2.01 ,
3.02

entonces

1 0.99 0. 01
e(2) = x(2) = 2 2.01 = 0. 01 ,
3 3.02 0. 02
(2)
e = max{0.01, 0.01, 0.02} = 0.02.

1
Puede demostrarse que si se cumple para una norma, entonces se cumple para todas.
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 15

3.4 Norma matricial compatible

3.4.1 Norma de innito de una matriz
Consideremos una matriz de p las y n columnas

m11 m12 m1n
m21 m22 m2n

M = . .. .. ..
.. . . .
mp1 mp2 mpn

la norma de innito de la matriz es

kMk = max {|mi1 | + |mi2 | + + |min |} .

i=1..p

Con mayor claridad, para calcular kMk procedemos como sigue:

1. Calculamos las sumas de valores absolutos de las las

s1 = |m11 | + |m12 | + + |m1n | ,

s2 = |m21 | + |m22 | + + |m2n | ,
.. .. .. ..
. = . . .
sp = |mp1 | + |mp2 | + + |mpn | .

2. Calculamos el mximo de los valores si

kMk = max{s1 , s2 , . . . , sp }.
i

Ejemplo 3.3 Calcula kMk para la matriz

1 1 2
M= 1 0 2 .
3 1 1

Calculamos las sumas de las

la 1 s1 = |1| + |1| + |2| = 4,
la 2 s2 = |1| + |0| + |2| = 3,
la 3 s3 = |3| + |1| + |1| = 5.

Entonces
kMk = max{4, 3, 5} = 5.
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 16

3.4.2 Propiedades de k k
Sean M y N matrices reales, R y supongamos que, en cada caso, las
matrices tienen las dimensiones adecuadas para que las operaciones puedan
realizarse. Se cumplen las siguientes propiedades:
1. kMk 0.
2. kMk = 0 si y slo si M es una matriz nula.
3. k Mk = || k Mk .
4. kM + Nk kMk + kNk .
5. kM Nk kMk kNk .
Las propiedades 1-4, son las mismas que las de las normas vectoriales. La
propiedad 5, es aplicable cuando x es un vector columna, entonces resulta

kM xk kMk kxk .

Ejemplo 3.4 Para la matriz M y el vector x

1 1 2 1
M= 1 0 2
, x = 1 ,
3 1 1 1
verica que se cumple la propiedad
kM xk kMk kxk .

Calculamos kMk y kxk

kMk = max{4, 3, 5} = 5,
kxk = max{1, 1, 1} = 1.
El vector M x es

1 1 2 1 2
Mx = 1 0 2 1 = 3 ,
3 1 1 1 1
obtenemos
2

kM xk =

3 = 3.

1

Vemos que se cumple

kM xk = 3
kM xk kMk kxk .
kMk kxk = 5
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 17

4 Convergencia del mtodo iterativo

4.1 Teorema de convergencia
Teorema 4.1 Sea

Ax = b sistema de n ecuaciones lineales con n incgnitas.

1
2

= . solucin del sistema.
.
.
n

N matriz cuadrada de orden n (fcilmente invertible).

P = N A.

M = N1 P.

c = N1 b.

x(j+1) = M x(j) +c.

Entonces,

1. La solucin cumple
= M + c.

2. El error e(j) = x(j) verica

e(j+1) = Me(j) .

3. La norma del error e(j) = x(j) , cumple
(j+1)
e kMk e(j) .

4. Si e(0) = x(0) es el error inicial, tenemos

(j)
e (kMk )j e(0) .

5. Si kMk < 1, la sucesin de vectores x(0) , x(1) , . . . , x(j) , generados

por el mtodo iterativo

x(j+1) = M x(j) +c

converge a la solucin para cualquier vector inicial x(0) .

Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 18

Demostracin.
(1)
A = b
(N P) = b
N P = b
N = P + b
= N1 (P + b)
1 1
| {z P} + |N{z b}
=N
M c

(2)

e(j+1) = x(j+1)
= (M + c) M x(j) +c

= M M x(j) = M x(j) = Me(j) .

(3) Por la propiedad 5 de la norma de innito

(j+1)
e = M e(j)
kMk e(j) .

(4) Aplicamos reiteradamente la propiedad (3)

(1)
e kMk e(0)

(2) (1) (0)
e kMk e (kMk )2 e

(3) (2) (0)
e kMk e (kMk )3 e

y, en general, (j)
e (kMk )j e(0) .

(5) Tenemos, (j)
e (kMk )j e(0)

si kMk < 1, entonces
(j)
(kMk )j 0,
por lo tanto

x(j) = e(j) (kMk )j e(0) (j)
0.

Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 19

4.2 Cotas prcticas de error

Consideremos el error estimado
e(j) = x(j) x(j1) ,

las cotas prcticas de error, nos permiten acotar el error
e(j) = x(j)
a partir del error estimado.

Proposicin 4.1 El error estimado cumple

(j+1) (j)

e kMk e .

Demostracin.
e(j+1) = x

(j+1)
x(j)

= M x(j) +c M x(j1) +c

= Mx(j) M x(j1) = M x(j) x(j1) = M
e(j) .

Aplicando la Propiedad 5 de las normas matriciales, resulta

(j+1) (j)

e = M
e (j)
kMk e .

Teorema 4.2 (cota de un paso) Si kMk < 1, se cumple la siguiente

relacin entre el error e(j) y el error estimado
e(j)
(j) kMk
e
e(j) .
1 kMk

Demostracin.
(j)
e = x(j) = x(j+1) + x(j+1) x(j)

(j+1)
x(j+1) + x(j+1) x(j) = e(j+1) +
e

(j)
kMk e(j) + kMk
e
obtenemos
(j) (j)
e kMk e(j) kMk
e
(j) (j)
(1 kMk ) e kMk
e
Si kMk < 1, el factor (1 kMk ) es positivo, por lo tanto
(j)
(j) kMk e
e

.
1 kMk
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 20

Teorema 4.3 (cota de j pasos) Si kMk < 1, se cumple la siguiente

relacin entre el error e(j) y el error estimado inicial
e(1) = x(1) x(0)

(j) j
e (kMk ) e(1)
1 kMk

Demostracin. Segn hemos visto en el Teorema 4.1,

(j)
e (kMk )(j1) e(1) (1)


si aplicamos la acotacin en un paso a e(1) , resulta

(1) kMk
e
e(1) . (2)
1 kMk

Combinando (1) y (2), obtenemos

(j) j
e (kMk ) e(1) .
1 kMk

Ejemplo 4.1 Consideramos el sistema de ecuaciones

20x1 x2 = 18
x1 + 20x2 = 41

(a) Formula matricialmente el sistema y calcula la solucin exacta.

(b) Formula el mtodo de Jacobi.
(c) Estudia la convergencia.
(d) Haz 4 iteraciones a partir del vector inicial x(0) = ~0, calcula una cota de
error para e(4) .
(e) Verica los resultados del apartado anterior.
(f ) Calcula el nmero de iteraciones necesario para aproximar la solucin
con 8 decimales exactos a partir de x(0) = ~0.

(a)
20 1 x1 18
=
1 20 x2 41

20 1 18 1 20 18

= = 401, = = 401, 2 = = 802
1 20 1 41 20 1 41
1 2
x1 = = 1, x2 = =2

Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 21

1
= .
2
(b) Matriz del mtodo de Jacobi

20 0
N= .
0 20

Calculamos M y c

20 0 20 1 0 1
P=NA= = ,
0 20 1 20 1 0

1 1/20 0 0.0 5 0
N = = ,
0 1/20 0 0.0 5

0.0 5 0 0 1 0 0.05
M = N1 P = = ,
0 0.0 5 1 0 0.05 0

1 0.0 5 0 18 0. 9
c=N b= = .
0 0.0 5 41 2. 05
Frmula de recurrencia.
! (j) !
(j+1)
x1 0 0.05 x1 0. 9
(j+1) = (j) +
x2 0.05 0 x2 2. 05

(c) Tenemos

kMk = max{|0.05| , |0.05|} = 0.05 < 1,

por lo tanto, la sucesin de aproximaciones x(j) convergen a para cual-
quier vector inicial x(0) .
(d) Clculo de las iteraciones

(0) 0
x = ,
0

(1) 0 0.05 0 0. 9 0. 9
x = + = ,
0.05 0 0 2. 05 2. 05

(2) 0 0.05 0. 9 0. 9 1. 0025
x = + = ,
0.05 0 2. 05 2. 05 2. 005

(3) 0 0.05 1. 0025 0. 9 1. 00025
x = + = ,
0.05 0 2. 005 2. 05 1. 99987 5

(4) 0 0.05 1. 00025 0. 9 0. 99999 375
x = + = .
0.05 0 1. 99987 5 2. 05 1. 99998 75
Francisco Palacios Tema 6: Sistemas de ecuaciones lineales. 22

Cota de error. Segn el Teorema 4.3,

(j) j
e (kMk ) e(1) .
1 kMk
La norma del error estimado inicial es

(1) (1) 0. 9
e = x x =
(0)
2. 05 = 2.05,

por lo tanto
(4) 4
e (0.05) 2.05 = 0.1 34868 42 104 . (3)
1 0.05
Esto es, podemos asegurar 4 decimales exactos en todas las componentes.
(e) El error exacto es

(4) 4
e = x(4) = 1 0. 99999 375 = 0.06 25 10
2 1. 99998 75 0.125 104

(4)
e = 0.125 104 .

Vemos que el error real es inferior a la cota de error calculada en (3).
(f ) Para acabar, veamos cuantas iteraciones necesitaramos para obtener 8
decimales exactos en todas las componentes. Partimos de
(j) j
e (kMk ) e(1)
1 kMk
que, en este caso particular, es
(j) j
e (0.05) 2.05.
0.95
Exigimos
(j) j
e (0.05) 2.05 < 0.5 108
0.95
y obtenemos
(0.05)j
2.05 0.5 108 ,
0.95

j 0.5 108 (0.95)
(0.05) ,
2.05
!
0.5 108 (0.95)
j ln (0.05) ln ,
2.05
!
0.5 108 (0.95)
ln
2.05
j = 6. 6371.
ln (0.05)
Por lo tanto, necesitamos 7 iteraciones.