UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE INGENIERA CIVIL

TRABAJO ENCARGADO

CURSO :

Introduccin en Tcnicas de Elementos Finitos

DOCENTE :

Lic. Nstor Javier Faras Morcillo

ALUMNOS :

Becerra Vilchez

Crdova Reyes Julio Csar

Crisanto Flores Rosa

Lara Lpez Janses Lenonn

Pintado Montalbn Johan

CICLO : II- 2013

PIURA- PERU

2013
INTRODUCCION

En el presente trabajo se hace mencin a los mtodos de resolucin de ecuaciones

lineales por Mtodos directos e Indirectos los cuales se detallan y adems presentan
ejemplos prcticos para su mayor entendimiento, es asi como los estudiantes afianzas sus
conocimientos ayudados por la metodologa impartida por el docente del curso en clase.

Por otro lado esto nos brinda una oportunidad para su mejor entendimiento y a la vez
impulsar al alumno a la investigacin y a desarrollar la capacidad de ser autodidacta.
MTODO DE GAUSS - JORDAN

El mtodo de Jordan, o ms comnmente mtodo de Gauss Jordan, es una continuacin

del mtodo de Gauss para resolver sistemas de n ecuaciones lineales con n incgnitas.

Si con Gauss se obtena una matriz triangular, con este mtodo se obtiene una matriz
diagonal.

Un poco de historia:

Este mtodo lleva el nombre del topgrafo alemn Wilhelm Jordan que lo utiliz por
primera vez en 1873 en su libro Handbuch der Vermessungskunde (manual de geodesia).
l lo utiliz para resolver problemas de mnimos cuadrados que necesitaba para sus
trabajos geodsicos.

En la primera (1873) y segunda edicin (1879) de su libro, simplemente dio las frmulas
de su mtodo, en la tercera (1888) aparece la tcnica por completo, pero es en la cuarta
edicin (1895), cuando aparece el algoritmo explcito.

Parece que este mtodo fue descubierto tambin, de manera independiente y en la

misma poca, por I. Clasen, un sacerdote que viva en Luxemburgo.

Desgraciadamente este mtodo ha sido ampliamente atribuido (errneamente) a un gran

matemtico francs, Marie Ennemond Camille Jordan (1838 1922), que tambin trabaj
con matrices.

Mtodo de Gauss Jordan:

Consiste en transformar un sistema lineal de ecuaciones en otro equivalente, de forma

que ste ltimo tenga una nica incgnita en cada ecuacin.

Los pasos a seguir para obtener este sistema equivalente son los siguientes:

1. Se escoge como primera ecuacin la que tenga como coeficiente de x 1 1. En caso

que no fuera posible se hace con y o z (o con cualquier otra incgnita), cambiando el
orden de las incgnitas.

2. Con la primera ecuacin reducimos (eliminamos) la incgnita x de las restantes

ecuaciones utilizando los criterios de equivalencia.

3. Usando la segunda ecuacin, reducimos la incgnita y en las restantes ecuaciones

(excepto la primera).
4. Seguimos con este procedimiento hasta tener en la ltima ecuacin una sola incgnita.

Hasta aqu el mtodo de Gauss.

5. Ahora con esta ecuacin reducimos la ltima incgnita de las dems ecuaciones. As en
la penltima ecuacin nos tiene que quedar una sola incgnita (la penltima) tambin.

6. Con esta penltima incgnita reducimos las incgnitas de las restantes ecuaciones
(excepto de la ltima).

7. Seguimos con este procedimiento hasta tener en cada ecuacin una nica incgnita.

8. Resolvemos cada una de las ecuaciones.

EJEMPLOS:

1) Resolver el siguiente sistema de ecuaciones lineales mediante el mtodo de Gauss-

Jordan.

Solucin.
a) Escribimos la matriz aumentada del sistema.

Debemos llevar a dicha matriz a su forma escalonada reducida mediante operaciones

elementales en los renglones de la matriz, para sto, escribiremos la matriz y a
continuacin una flecha. Encima de esta flecha indicaremos la(s) operacin(es) que
estamos efectuando para que el lector pueda seguir el desarrollo.
c) Interpretacin del resultado. La ltima matriz escalonada reducida indica que:
La solucin del sistema es:

2)Resolver el siguiente sistema de ecuaciones:

METODO DE CHOLESKY

Se trata de un mtodo de descomposicin LU en el caso en que la matriz A sea simtrica y

definida positiva.

La factorizacin de A en la forma LU es posible y muy sencilla ya que toma la forma LL t

donde L es triangular inferior.

Los clculos se reducen, ya que ahora vasta estimar n(n+1) elementos (los l1,10 ), en lugar
de los n2 elementos de una factorizacin nominal (los l1,1 tales que i < j y los u1,1 tales que
i j) . El numero de calculo es prcticamente la mitad.

DEDUCCION DE FORMULAS

1. Si se tiene un sistema de la forma AX=b donde la matriz es simtrica y su

determinante mayor que cero.
2. Se aplica EL METODO DE CHOLESKY que es la factorizacin de A en la forma LU que
toma la forma LLt .
3. Para poder factorizar la matriz L debe ser triangular superior.
4. Una vez hallado la matriz L se resolver el sistema LC=B donde se encontrara la
matriz columna C.
5. Luego con la matriz transpuesta Lt se resuelve el sistema LtX= C de donde nos dara
el resultado de las X.

DEDUCCION
-AX = B

-Factoriza A

Primera fila por columnas (1,2,3,4,5)

 Segunda fila
por columnas(2,3,4,5)
 Tercera fila por columnas (3,4,5)

Cuarta fila por columna (4,5)

Quinta fila por columna 5

Formulas de la deduccin de este algoritmo para un sistema de n ecuaciones

-Luego resolver el sistema Lc=B
-Luego resolver el sistema LTX = C1

Ejemplos:

Resolver el siguiente sistema de ecuaciones lineales usando el mtodo de Cholesky

 6 15 55 100
A = 15 55 225 y C= 150
55 225 979 100

Solucin:

En el mtodo de Cholesky el primer paso es encontrar la matriz L usando las frmulas

i 1
a ki l ij l kj
k 1
l kk a kk l kj2
j 1
l ki y
l ii j 1

La primera ecuacin se usa para elementos fuera de la diagonal y la segunda para

elementos en la diagonal principal.

Entonces.

a 21 15
l11 a11 6 = 2.4495 l 21 = 6.1237
l11 2.4495

a 31 55
l 21 = 22.454 Ya sabemos que l12 = 0
l11 2.4495

l 22 a 22 l 21
2
55 6.1237 2 = 4.1833

a 32 l 21l 31 55 (6.1237)(22.454)
l 32 = 20.916
l 22 4.1833
De igual forma l13 = l23 = 0 y

l 33 a33 (l 31
2
l 32
2
) 979 (22.454 2 20.916 2 ) = 6.1106

La matriz L es igual a

2.4495 0 0

L 6.1237 4.1833 0
22.454 20.916 6.1106

En el mtodo de Cholesky U = LT

2.4495 6.1237 22.454

U 0 4.1833 20.916
0 0 6.1106

El siguiente paso es encontrar el vector D de la misma manera que en el mtodo de

descomposicin de LU

i 1
ci lij d j
j 1
di
lii

c1 100 c2 l 21d1 150 (6.1237)(40.8246)

d1 =40.8246 d2 =-23.9045
l11 2.4495 l 22 4.1833
 c3 (l31d1 l32 d 2 ) 100 ((22.454)(40.8246) (20.916)(23.9045)
d3 =-51.826
l33 6.1106

Finalmente se calcula el vector de incgnitas comenzando por la ltima x.

n
di u
j i 1
ij xj
xi
u ii

d3 d 2 u 23 x3
x3 =-8.481 x2 = [-23.9045-(20.916)(-8.481)]/4.1833 =
u 33 u 22
36.690

d1 (u12 x2 u13 x3 )
x1 = [40.8246 ((6.1237)(36.69)+(22.454)(-8.481))]/2.4495 = 2.685
u11

El resultado se puede comprobar multiplicando A por X y el resultado debe ser igual a C.

Mtodo de Jacobi

Es un mtodo iterativo - Mtodo en el que progresivamente va calculando

aproximaciones a la solucin de un problema. En Matemticas, en un mtodo iterativo se
repite un mismo proceso de mejora sobre una solucin aproximada: se espera que lo
obtenido sea una solucin ms aproximada que la inicial. El proceso se repite sobre esta
nueva solucin hasta que el resultado ms reciente satisfaga ciertos requisitos. A
diferencia de los mtodos directos, en los cuales se debe terminar el proceso para tener la
respuesta, en los mtodos iterativos se puede suspender el proceso al trmino de una
iteracin y se obtiene una aproximacin a la solucin.

El mtodo Jacobi es el mtodo iterativo para resolver sistemas de ecuaciones lineales ms

simple y se aplica solo a sistemas cuadrados, es decir a sistemas con tantas incgnitas
como ecuaciones.

En anlisis numrico de este mtodo es iterativo, usado para resolver sistemas de

ecuaciones lineales del tipo . El algoritmo toma su nombre del matemtico
alemn Carl Gustav Jakob Jacobi. El mtodo de Jacobi consiste en usar frmulas como
iteracin de punto fijo.

La sucesin se construye descomponiendo la matriz del sistema en la forma siguiente:

Dnde:
, es una matriz diagonal.
, es una matriz triangular inferior.
, es una matriz triangular superior.

Partiendo de , podemos reescribir dicha ecuacin como:

Luego:

Si aii 0 para cada i. Por la regla iterativa, la definicin del Mtodo de Jacobi puede ser
expresado de la forma:

Donde es el contador de iteracin, Finalmente tenemos:

Al calcular xi(k+1) se necesitan todos los elementos en x(k), excepto el que tenga el mismo i.
Por eso, al contrario que en el mtodo Gauss-Seidel, no se puede sobre
escribir xi(k) con xi(k+1), ya que su valor ser necesario para el resto de los clculos. Esta es la
diferencia ms significativa entre los mtodos de Jacobi y Gauss-Seidel. La cantidad
mnima de almacenamiento es de dos vectores de dimensin n, y ser necesario realizar
un copiado explcito.

Supngase que se tiene un sistema 3 x 3. Si los elementos de la diagonal no son todos

cero, la primera ecuacin se puede resolver para x1, la segunda para x2 y la tercera para x3,
para obtener:

En general, para un sistema de ecuaciones lineales de n ecuaciones con n incgnitas, el

Mtodo de Jacobi para encontrar un valor k de una variable x es el siguiente:

El procedimiento consiste en asignar unos valores iniciales a las variables, usualmente se

escoge "0" por simplicidad, de manera que para generar la siguiente iteracin se
sustituyen los valores obtenidos en la ecuacin siguiente, con lo que se obtiene:

En la siguiente seccin se ilustra cmo la convergencia de ste mtodo est dada por:
Convergencia en Jacobi

Uno de los principales problemas de los mtodos iterativos es la garanta de que el

mtodo va a converger, es decir, va a producir una sucesin de aproximaciones cada vez
efectivamente ms prximas a la solucin.

En el caso del mtodo de Jacobi no existe una condicin exacta para la convergencia. Lo
mejor es una condicin que garantiza la convergencia, pero en caso de no cumplirse
puede o no haberla es la siguiente:

Si la matriz de coecientes original del sistema de ecuaciones es diagonalmente

dominante, el mtodo de Jacobi seguro converge.

El mtodo de Jacobi siempre converge si la matriz A es estrictamente diagonal

dominante y puede converger incluso si esta condicin no se satisface.
Para verificar la convergencia del mtodo se calcula el radio espectral ():

Es la condicin necesaria y suficiente para la convergencia, siendo R = L + U . No es

necesario que los elementos de la diagonal en la matriz sean mayores (en magnitud)
que los otros elementos (la matriz es diagonalmente dominante), pero en el caso de
serlo, la matriz converge.

Para determinar si el mtodo de Jacobi converge hacia una solucin. Se evalan las
siguientes condiciones de convergencia (Nota: las siguientes van en un orden de modo
que si se cumple una de las condiciones, comenzando por la primera por supuesto, la
evaluacin de las siguientes no es necesario realizarlas):

1. La matriz sea estrictamente dominante diagonalmente por filas (E.D.D. por filas),
es decir, para todo i desde 1 hasta n que es el tamao de la matriz A:

Es decir, el elemento de la diagonal correspondiente a la fila i debe ser mayor a la

suma de los elementos de esa fila i.
 2. A partir de la siguiente identidad:

Donde D corresponde a la matriz formada por los elementos de la diagonal de A

(D=diag.(a11, a22, ..., ann)), -L corresponde a la matriz triangular inferior obtenida de
la parte triangular estrictamente inferior de A, y -U corresponde a la matriz
triangular superior obtenida de la parte triangular estrictamente superior de A, se
puede deducir la frmula vectorial de este mtodo:

, k = 1, 2, ...

De donde BJ (conocida como la matriz de iteracin de Jacobi) es D-1(L+U). Para que

el mtodo de Jacobi converja hacia una solucin,

, para una norma matricial inducida.

3. (BJ), que corresponde al mximo de los valores absolutos de las races de la

ecuacin caracterstica de la matriz BJ (det(BJ - I)) es menor que

Orden conveniente para Jacovi

En ciertas ocasiones al aplicar Jacobi la matriz no es diagonalmente dominante y por tanto

no existir garanta de convergencia. Sin embargo, en algunos casos ser posible
reordenar las incgnitas en otra manera de forma que la nueva matriz de coecientes sea
diagonalmente dominante.

Esto se puede detectar revisando todos los posibles ordenamientos de las incgnitas y ver
cmo es la matriz resultante. Claro que esto conlleva un bueno nmero de pruebas pues
el nmero posible de ordenamientos en n variables es (n 1)! pero cuando n es reducido
es sencillo

Ejm:

Indique cual es el orden conveniente para aplicar Jacobi al sistema:

Con el orden y x z el sistema y su matriz de coecientes quedan:

La matriz de coecientes es diagonalmente dominante.

Hallando el error

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

Para el facilitamiento del clculo de ejercicios por este mtodo se puede trabajar
con el siguiente cuadro de resultados.

Ejercicios aplicando el mtodo de Jacovi

1. Con el mtodo de Jacobi aproxima la solucin del siguiente sistema de ecuaciones
lineales, con 5 iteraciones y determina la cantidad de cifras significativas exactas
de la quinta iteracin. Utiliza como iteracin inicial .

Nota: Para los clculos utiliza hasta 4 cifras despus del punto decimal.

Solucin

Primeramente notamos que la matriz de coeficientes del sistema s es

diagonalmente dominante. Por lo tanto, podemos emplear la frmula recursiva
del mtodo de Jacobi, obteniendo:

Para la primera iteracin consideraremos , de donde:

Para la segunda iteracin utilizamos los valores de la primera iteracin:

Similarmente para las otras tres iteraciones resulta la tabla de aproximaciones:

Los errores relativos para cada variable son:

De esta forma se puede asegurar que la aproximacin para , y en la quinta

iteracin slo tienen dos cifra significativa exacta.

2.- Teniendo en cuenta

 Resolverlo por el mtodo de jacobi para un

Despejamos cada variable de acuerdo con el orden de fila

Asumiendo q :

En la primera iteracin reemplazamos los valores en cada incgnita.

Tenemos el vector:
Para la segunda iteracin reemplazamos los valores anteriores hallados.

Para la segunda iteracin

Tenemos el vector:

Y as sucesivamente realizamos iteraciones hasta 5. A continuacin se presenta una tabla

con sus respectivos valores:
El Metodo de Gauss-Seidel

El mtodo de Gauss-Seidel es muy semejante al mtodo de Jacobi. Mientras que en el de

Jacobi se utiliza el valor de las incognitas para determinar una nueva aproximacion, en el
de Gauss-Seidel se va utilizando los valores de las incognitas recien calculados en la misma
iteracion, y no en la siguiente. Por ejemplo, en el metodo de Jacobi se obtiene en el
primer calculo xi+1, pero este valor de x no se utiliza sino hasta la siguiente iteracion. En
el metodo de Gauss-Seidel en lugar de eso se utiliza de xi+1 en lugar de xi en forma
inmediata para calcular el valor de yi+1 de igual manera procede con las siguientes
variables; siempre se utilizan lasvariables recien calculadas.

Mtodo de Gauss-Seidel

Este mtodo se basa en la aproximacin iterativa propuesta por Seidel en 1874

(Academia de Ciencias de Munich). Para la aplicacin al problema del flujo de potencia, las
ecuaciones de nodo y condiciones de contorno se combinan, para el nodo k:

De donde se puede expresar la tensin Vk como:

La ecuacin anterior es el corazn del algoritmo iterativo. La iteracin comienza

con una estimacin de las magnitudes y ngulos de todas las barras del sistema, y se van
recalculando las tensiones utilizando los mejores valores disponibles. Esto es, para calcular
la tensin Vk se utilizan los V1...k-1 ya actualizados, y los Vk...n del paso anterior. El
mtodo tiene una convergencia extremadamente lenta pero segura (excepto para
problemas mal condicionados, o sin convergencia posible.

El mtodo de Gauss-Seidel es un refinamiento del mtodo de Jacobi que

generalmente (pero no siempre) converge ms rpido. El ltimo valor de cada variable es
sustituido en cada paso en el proceso iterativo. El mtodo de Gauss-Seidel, es un mtodo
iterativo y por lo mismo, resulta ser un mtodo bastante eficiente. A continuacin se
presenta un sistema de ecuaciones:
 De la ecuacin 1 se despeja x1 , de la ecuacin 2 despeja x 2 , , de la ecuacin n
se despeja x n . Resolviendo lo anterior se obtiene el siguiente conjunto de ecuaciones:

Este ltimo conjunto de ecuaciones son las que forman las frmulas iterativas. Para
x ,, xn
comenzar el proceso iterativo, le se le asigna el valor de cero a las variables 2 ;
esto dar un primer valor para x1 . Ms precisamente, se tiene que:

A continuacin, se sustituye este valor de x 2 en la ecuacin 2, y las variables x3 ,..., xn

siguen teniendo el valor de cero. Esto nos da el siguiente valor para x 2 :

Estos ltimos valores de x1 y x 2 , se sustituyen en la ecuacin 3, mientras que

x4 ,..., xn siguen teniendo el valor de cero; y as sucesivamente hasta llegar a la ltima
ecuacin. Todo este paso, darn una lista de primeros valores para las incgnitas, la cual
conforma el primer paso en el proceso iterativo. Digamos que se tiene:

Se repite el proceso, pero ahora sustituyendo estos ltimos datos en vez de ceros
como al inicio, se obtendr una segunda lista de valores para cada una de las incgnitas.
Por lo tanto ahora se tiene:

En este momento, se puede calcular los errores aproximados relativos, respecto a

cada una de las incgnitas. As, se tiene la lista de errores como sigue:

El proceso se vuelve a repetir hasta que:

donde s es una cota suficiente prefijada.

Criterio de Convergencia para el mtodo de Gauss-Seidel

 El mtodo de Gauss-Seidel surgio como una modificacin del mtodo de Jacobi
que acelera la convergencia de ste.

El mtodo de Gauss-Seidel recorta sustancialmente el nmero de iteraciones a

realizar para obtener una cierta precisin en la solucin. Evidentemente los criterios de
convergencia son similares a los de Jacobi.

Este criterio no solo se aplica a las ecuaciones lineales que se resuelven con el
mtodo de Gauss-Seidel sino tambin para el mtodo iterativo del punto fijo y el mtodo
de jacobi. 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:

a21 a12
1 1
a22 a11

El valor absoluto de las pendientes en la ecuacin, deben ser menor que la unidad
para asegurar la convergencia.

a22 a21 a11 a12

Es decir, 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
n ecuaciones es:
aii ai , j
j 1
j i

El mtodo de Gauss-Seidel est basado en el concepto de punto fijo, es decir ( xi =

gi (x), i = 1.. n), para resolver sistemas de ecuaciones lineales.

Para garantizar la convergencia se debe de cumplir que el sistema tenga una

diagonal dominante, es decir que se cumpla la desigualdad siguiente, si se cambi el
orden de las ecuaciones esta puede divergir.

n
aii aij
i1
ji
EJEMPLO 2

Resolver el siguiente sistema de tres ecuaciones por el Mtodo de Gauss-Seidel:

17 X1 2 X2 3 X3 = 500
-5 X1 + 21 X2 2 X3 = 200
-5 X1 5 X2 + 22 X3 = 30
Resuelva este problema para un a = 5%
Si lo pasamos al formato de una matriz y su vector de resultados, obtenemos lo siguiente:

17 2 3 x1 500
5 21 2 x 200
2
5 5 22
x3 30
Las siguientes frmulas las utilizamos para encontrar X 1, X2 y X3 en cada una de las
iteraciones.
b1 a12 x2 a13 x3
x1
a11

b2 a 21 x1 a 23 x3
x2
a 22

b3 a31 x1 a32 x2
x3
a33

Para calcular el primer valor de X1, se asumirn X2 y X3 con valores cero. Entonces para X1,
b1 a12 x2 a13x3
x1
a11
500 2 x2 3 x3
x1
17
500 2 0 3 0
x1
17
x1 29,41176
para calcular el valor de X2, se utilizar el valor encontrado de X1 y el valor de X3 se
asumir como cero.
b2 a 21 x1 a 23 x3
x2
a 22
200 5 x1 2 x3
x2
21
200 5 29,41176 2 0
x2
21
x 2 16,52661

para calcular el valor de X3, se utilizar el valor encontrado de X1 y X2 en los pasos

anteriores.
b3 a31 x1 a32 x 2
x3
a33
30 5 x1 5 x 2
x3
22
30 5 29,41176 5 16,52661
x3
22
x3 11,80418

Entonces en la primera iteracin

x1 29,41176
x 2 16,52661
x3 11,80418

Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los calculados

anteriormente. Entonces para X1,
b1 a12 x 2 a13 x3
x1
a11
500 2 x 2 3 x3
x1
17
500 2 16,52661 3 11,80418
x1
17
x1 33,43916

para X2 se utiliza el valor de X3 de la primera iteracin y el de X1 de la segunda iteracin,

 b2 a 21 x1 a 23 x3
x2
a 22
200 5 x1 2 x3
x2
21
200 5 33,43916 2 11,80418
x2
21
x 2 18,60972

para X3 se utiliza el valor de X1 y X2 calculados en la segunda iteracin,

b3 a31 x1 a32 x 2
x3
a33
30 5 x1 5 x 2
x3
22
30 5 33,43916 5 18,60972
x3
22
x3 13,19293

Entonces en la segunda iteracin

x1 33,43916
x 2 18,60972
x3 13,19293

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

xr
nuevo anterior
xr
a nuevo
100%
xr

x1
nuevo anterior
x1
ax1 nuevo
100%
x1

33,43916 29,41176
ax1 100%
33,43916
ax1 12,04% 5%
Para X1,
Para X2,

x2
nuevo anterior
x2
ax2 nuevo
100%
x2

18,60972 16,52661
ax2 100%
18,60972
ax2 11,194% 5%
Para X3,

x3
nuevo anterior
x3
ax3 nuevo
100%
x3

13,19293 11,80418
ax3 100%
13,19293
ax3 10,526% 5%

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 x1 x2 x3 a x1 a x2 a x3
0 0,00000
29,4117 16,5266 11,8041
1 6 1 8
33,4391 18,6097 13,1929
2 6 2 3 12,044% 11,194% 10,526%
33,9293 18,8586 13,3609
3 1 9 1 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:
x1 33,92931
x 2 18,85869
x3 13,36091

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:
500 - 498,99813
ErrorEC1 100% 0,20%
500
200 - 199,66404
ErrorEC2 100% 0,17%
200
30 - 30
ErrorEC3 100% 0,00%
30
CAPTULO 3 Gradiente conjugado con precondicionamiento

El advenimiento de las computadoras electrnicas a mediados del siglo 20

estimul el rpido desarrollo de algoritmos numricos que pudieran aplicarse a
problemas computacionales de mucha ms dificultad que los que podan
resolverse hasta ese momento. Por ese entonces Magnus Hestenes y Eduard
Stiefel utilizaban 2 tipos de algoritmos para resolver sistemas de ecuaciones
lineales, uno tena la dificultad de requerir gran costo computacional (n 3) donde n
es la cantidad de incgnitas en el problema y el otro algoritmo por su parte tena la
dificultad de requerir mucho tiempo para llegar a la solucin. Un trabajo conjunto
de estos dos cientficos en busca de perfeccionar estos algoritmos condujo al
desarrollo del mtodo Gradiente Conjugado en el ao 1952 Error! No se
encuentra el origen de la referencia..

Este mtodo es muy efectivo en la resolucin de sistemas de ecuaciones cuando

A es una matriz cuadrada, simtrica y definida-positiva.

Como se vio en el captulo anterior en el epgrafe 2.2.1, la transformacin

Q T AQ H 3.1
convierte a la matriz A en una matriz de Hessenberg superior (H) y para el, caso
de A simtrica H ser una matriz tridiagonal (T) que se expresa como

1 1

Tl 1 , la descomposicin de Cholesky de la matriz Tl
l

l l

podemos escribirla como

T Bl BlT (3.2)
con Bl matriz triangular inferior, no singular y adems bidiagonal por ser T

a1 a1 b1
b
tridiagonal, esto quedara Tl Bl Bl
T 1 ,
bl

bl al al
consecuentemente resolver el sistema w Tl z l es extremadamente simple y de

muy bajo costo.

Utilizando la aproximacin de Ritz-Galerkin para buscar el valor aproximado de x

en K l ( A, r0 ) habr que buscar z l l segn lo expresado en (2.11) , tal que

QlT AQl z l QlT r0 r0 e1 , sustituyendo en (3.2) quedar resolver Tl z l r0 e1 ,

2 2

Se puede aprovechar la simplicidad con que pueden ser resueltos estos sistemas,
lo cual depende de una modificacin en el cmputo de x Ql z l para el caso del

mtodo del gradiente conjugado, esto ser posible teniendo no solo la norma de
los residuos sino los residuos en si. Esta transformacin consiste en diagonalizar
T.Error! No se encuentra el origen de la referencia.

Siguiendo las declaraciones y notaciones dadas para w y Bl , enunciemos el

siguiente teorema:

Teorema 3.1

Existe una matriz diagonal Dm diag (d1 , , d m ) con todos los elementos de
m

la diagonal positivos tal que se cumple lo siguiente:

Para Wm Qm Dm , tendremos

WmT Wm Dm QmT Qm Dm Dm2 m diag (1 m ) (3.3)

y 1 r0
2
2

Para T m DmTm Dm
se obtiene T m Bm m Bm con
T

1

2 1
1
3
Bm 1 , y m diag (1 ,, m ) .
2



m
1
m 1

Las columnas de W difieren de las de Q solo por un factor ya que segn lo

declarado anteriormente Wm Qm Dm con D matriz diagonal tal que

Dm diag(d1 , , d m ) m , si denotamos como wi y qi las i-simas

columnas W y Q respectivamente quedar wi d i qi , lo cual quiere decir que las

primeras l columnas de W son una base ortogonal de K l ( A, r0 ) pero no

ortonormal.

De (3.2) se deduce AQ QT , haciendo uso de sta nueva expresin y las

obtenidas anteriormente podemos formular lo siguiente:

AWm AQm Dm QmTm Dm Qm Dm Dm1 Dm1 T m Wm m1 T m Wm m1 Bm m BmT , si

definimos Ym Wm BmT , entonces

AYm Wm 1
m Bm m (3.4)

y Ym BmT Wm (3.5)

De acuerdo con la definicin de Ym y (3.4) :

YmT AYm YmT Wm m1 Bm m Bm1 m m1 Bm m diag (1 ,, m ) (3.6) ,

de aqu que quede en evidencia que los vectores columnas de Ym son A-

ortogonales. Adems

1

1
1 1
1 2
1 1
m1 B m (3.7)
2 3




1 1
m 1 m

y si Wm (w1 , w2 ,, wm ) entonces

r0
w1 q1 d1 1 r0 (3.8) .
r0 2

Evaluando sucesivamente (3.5) y (3.4) columna por columna junto con (3.3) ,

(3.6) y (3.7) obtenemos una recursin para el clculo de los valores w1 , w2 , y

y1 , y 2 , .

El propsito final es calcular x Ql z l , donde Tl z l r0 2 e1 para l 1,, m , x l

podemos calcularla teniendo los valores de w1 , w2 , y y1 , y 2 , ya que

xl Ql Dl Dl1 zl Wl z l con z l Dl1 z l . (3.9)

Entonces Tl zl Dl Tl Dl Dl1 zl Dl r0 2 1
e r0T r0 e1 . Como Tm Bm m BmT

y Bm es una matriz triangular inferior entonces para l m Tl Bl l BlT y

de este modo z l r0T r0 BlT l1 Bl1e1 y por consiguiente

xl r0T r0Wl BlT l1 Bl1e1 r0T r0Yl l1 Bl1e1 .


Los elementos l1 Bl1r0T r0 e1 estn dados por , j 1,, l l , as finalmente
j
l j
xl y j xl 1 l yl .
j 1 j l

El mtodo gradiente conjugado quedar entonces: Error! No se encuentra el

origen de la referencia.

Dada la aproximacin
x0

Calcular
r0 b Ax 0

Hacer:
w1 y1 r0

l 1

mientras
wl 0 hacer

wlT wl
l
y lT Ay l
xl xl 1 l y l
Algoritmo 3.1
wl 1 wl l Ay l
l 1 loswmtodos
Como se mencion anteriormente l 1 l 1 y l no estacionarios tambin son
l 1
conocidos como mtodos del minimizacin y esto de debe precisamente al
enfoque de optimizacin que les podemos dar.

fin
 CONCLUSIONES
- Se aprendi a utilizar los distintos mtodos mencionados para la
resolucin de sistemas de ecuaciones lineales.

- Se obtuvo una mayor visin de las maneras de resolver sistemas de

ecuaciones utilizando estos mtodos como base para la formulacin de
algn algoritmo que pueda ser utilizado en algn software

- El alumno obtuvo mayor inters en la investigacin de estos mtodos,

a debido a que simplifican de una forma extraordinaria los clculos que
se presentan en el proceso de idealizacin y modelamiento de
estructuras sometidas a esfuerzos para nuestra carrera. (calculo de
reacciones en los apoyos para estructuras isostticas e hiperestticas)