Universidad Autnoma de Yucatn

Facultad de Ingeniera Qumica

Mtodos Numricos
Profesor: Daniel Mena Romero

Proyecto

Eduardo Briseo Contreras

Fecha de entrega: Jueves 16 de mayo de 2013

Proyecto de mtodos numricos

A continuacin nos enfrentaremos a un problema cotidiano en las empresas
manufactureras, esperemos el ejemplo sea de gran ayuda para explicar los
mtodos para resolver sistemas de ecuaciones lineales.
Ejercicio
Bikey inc. Quiere fabricar un nuevo tipo de zapato deportivo, poco costoso, e
investiga el mercado de la demanda. Encuentra que si un par de zapatos nuevos
cuesta $20 en un rea de ingreso familiar promedio de $20000, y que si su
competidor, Triceps Inc, vende cada par de zapatos a $20, vendera 660 pares.
Por otro lado, si el precio fuera igual y Triceps bajara su precio a $10 el par,
entonces, vendera 1130 pares en un rea de $30000 de ingreso. Por ltimo, si el
precio de los zapatos fuera $15 el par, y la competencia se queda en $20 el par,
se venderan 1010 pares en un rea de $25ooo de ingreso. Determina la funcin
demanda, suponiendo que depende linealmente de sus variables.
Funcin de la demanda: D=aP + bI + cC
Planteamiento del problema
Con los datos anteriores obtenemos un sistema de ecuaciones lineales.

Solucin del problema de forma analtica

Existen varios mtodos posibles para resolverla, en este caso empezares por una
eliminacin de gauss-jordan, esta resolucin es de forma analtica y se hace
manual.
[

] f1 (1/20), f2 (1/10), f3 (1/5)

] f2 2f1, f3 - 3f1 [

] f3 (1/3) [

] f1 - f2, f3 - 2f2

] f2 + f3, f1 - 2f3

] f2 (1/1000) [

Donde a= -20, b= 0.05 y c= 3

Con la funcin de demanda tenemos como resultado

D= -20P + 0.05I + 3C
Como pudimos observar la solucin a mano no fue tan complicada, cosa que no
sucede muy seguido, ya que la solucin manual de sistemas de ecuaciones suele
ser por lo general muy tediosos.
De igual manera existen otros tipos de mtodos como los iterativos, en este
mtodo se busca aproximar la solucin de un sistema recurriendo a iteraciones
que comienzan con un clculo inicial. Si las iteraciones sucesivas se acercan a la
solucin, podemos decir que la iteracin diverge, si pasa lo contrario, entonces no
diverge y el mtodo no aplica para este sistema de ecuaciones.

Mtodos iterativos
La ventaja de los mtodos iterativos radica en la solucin mediante un software,
en este caso el Excel, se calcula hasta obtener el error deseado. Los dos mtodos
iterativos son Jacobi y Gauss-Seidel
Mtodo de Jacobi
El mtodo de jacobi se aplica a sistemas de ecuaciones cuadrados y por lo
general se utiliza un error del 0.1% (Por ser un mtodo ms tardado, me gustara
empezar las iteraciones con Gauss-Seidel para hallar la combinacin de
ecuaciones que sea adecuada para la solucin del problema)

Mtodo de Gauss-Seidel
El mtodo de Gauss-Seidel es muy parecido al de Jacobi con la nica diferencia
que en cada iteracin se sustituyen los valores de la ecuacin con el resultado del
anterior a esa iteracin. Funciona realmente como una versin acelerado del
mtodo anterior.

1)
Sistema de ecuaciones
X1

X2
20
20
15

X3
20000
30000
25000

B
20
10
20

660
1130
1010

Donde
A=(660-(20000b + 20c))/20
B=(1130-(20a + 10c))/30000
C=(1010-(15 + 25000b))/20
Iteracin
x1

x2
x3
33 0.015666667 965.6666667
948.333333
3.0146667 3006.5833333
24.9166667
3.6899167 4580.5833333
923.666667
3.6154167 5161.5208333
1579.10417
3.3721042 5348.9583333
2009.85417
3.1474167 5391.1614583
2276.74479
2.9835573 5386.5052083
2435.94792
2.8758698 5371.2981771
2528.42839
2.8091471 5357.2552083
2581.10807
2.7693464 5347.0139974

Podemos observar que la matriz no converge. Cambiando filas obtenemos una

nueva combinacin.

2)
X1

X2
20
20
15

X3
30000
20000
25000

B
10
20
20

1130
660
1010

Donde
A=(1130-(30000b +10c))/20
B=(660-(20a + 20b))/20000
C=(1010-(15a + 25000b))/20
Iteracin
x1

x2

x3

56.5
-406.75
366.3125
1380.875
3047.58594
6072.98047
11761.417
22578.9395
43223.2545
82664.3294
158042.162
302115.535
577498.905
1103874.79
2110008.19
4033168.85
7709170.42
14735618.6
28166237.2
53838029.7

-0.0235
997
-0.5572500
1052.1250000
-1.3854375
1507.5625000
-2.8554375
2584.1406250
-5.5987266
4763.2187500
-10.8031992
8999.7636719
-20.7281807
17139.6630859
-39.6856025
32723.2985840
-75.9135531
62525.0004883
-145.1563299
119497.6653137
-277.5068275
228402.4127350
-530.4849476
436570.0333595
-1014.0359381
834471.2440720
-1938.3130292
1595035.6976504
-3705.0108926
3048807.9695451
-7081.9438237
5827603.6390061
-13536.7410550 11139099.0067769
-25874.6845860 21291692.2980605
-49457.8965280 40697743.2375272
-94535.7399107 77791203.1334998
102908065 180699.2349328 148693045.5665320
196702386 345395.3986825 284217509.2661420

Podemos observar que la matriz tampoco converge, intentemos con otra

combinacin.

3)
X1

X2
15
20
20

X3
25000
30000
20000

B
20
10
20

Donde
A=(1010-(25000b + 20c))/15
B=(1130-(20a + 10c))/30000
C=(660-(20a + 20000b))/20

Iteracin
x1
x2
x3
67.3333333
-0.007222222
599.8888889
720.481481
0.3180247
435.4567901
1043.31687
0.5880590
488.2578875
1563.77549
0.9174310
679.3444597
-2367.511
1.3895592
1010.9518197
3596.53439
2.0983723
1531.1620707
-5471.5033
3.1749482
2329.5551226
8330.32045
4.8146953
3548.6251922
-12688.659
7.3138976
5407.7614061
19332.8446
11.1236426
8242.2019937
29461.6736
16.9313818
12563.2918736
44902.6921
25.7850308
19150.6613202
-68441.933
39.2820683
29192.8647862
-104326.6
59.8577785
44501.8216406
159031.393
91.2246548
67839.7382176
242426.742
139.0422488
103417.4934996
369559.739
211.9383284
157654.4109339
323.0655932
240336.5020420

1010
1130
660

563369.095
858823.991
-1309233.6

492.4748269
750.7326768

366382.1644493
558533.9206032

Podemos observar que tampoco converge, intentemos con otra combinacin.

4)
X1

X2
20
15
20

X3

20000
25000
30000

20
20
10

Donde
A=(660-(20000b + 20c))/20
B=(1010-(15a + 20c))/25000
C=(1130-(20a + 30000b))/10

Iteracin
x1
33
-989.8
-2394.56
-6066.912
15570.8224
40107.5725
103418.916
266756.416
688138.264
1775220.18
4579671.35
-11814584
30479182.8

x2

x3
0.0206
-0.1674800
-0.5988960
-1.6784992

1002.2
2595.0400000
6698.8080000
17282.3216000

-4.4429638

44583.5363200

-11.5618856

115013.8016640

-29.9192917

296708.7072128

-77.2727164

765443.9804186

-199.4318260

1974685.0057989

-514.5754967

5094279.8498868

-1327.5806680
-3424.9673429

13142197.7103596
33904183.1133317

-8835.7964284

87465867.8260862

660
1010
1130

Podemos observar que tampoco converge. Intentemos con otra combinacin.

5)
X1

X2
20
15
20

X3

30000
25000
20000

10
20
20

1130
1010
660

Donde
A=(1130-(30000b + 10c))/20
B=(1010-(15a + 20c))/25000
C=(660-(20a + 20000b))/20

Iteracin
x1

x2

56.5
-251.75
200.275
676.6225
1039.25275
1156.63323
944.499828
400.589802
378.279169
1205.43818
1842.39755

x3
0.0065
-0.2861500
-0.5364850
-0.6609415
-0.5970069
-0.3261832
0.1116601
0.6185741

597
570.9000000
369.2100000
17.3190000
-409.2459000
-797.4500100
-1023.1599390
-986.1638721

1.0562986

-645.0194302

1.2796785

-41.2402708

1.1788307

696.5668016

Podemos observar que tampoco converge. Intentemos con la ltima combinacin.

X1

X2
20
15
20

X3
30000
25000
20000

Donde
A=(1010-(25000b + 20c))/15
B=(660-(20a + 20c))/20000

B
10
20
20

1130
1010
660

C=(1130-(20a + 30000b))/10

Iteracin
x1

x2

56.5
61.75
43.525
2.5975
-53.29475
110.377025
151.762648
-161.8966
131.488363
61.5519703

x3
0.0065
0.0273500
0.0591650
0.0945935
0.1237297

-30
-56.1000000
-69.6900000
-64.1910000
-37.4349000

0.1365741

6.8028900

0.1260153
0.0905401

58.7473710
104.3565369

0.0358078

128.6805749

-0.0256133

120.1652480

Podemos observar que tampoco convergi. Esto sucede debido a que Las
matrices deben de cumplir necesariamente el criterio de la diagonal pesada. Si no
lo cumplen, el sistema es realmente difcil que converja. El criterio dice que es
condicin necesaria que el elemento ubicado en la diagonal principal sea mayor
en valor absoluto que el resto de los elementos de la misma ecuacin. Aunque
existen excepciones donde la matriz si converge sin tener necesariamente la
diagonal principal pesada.
Demostracin
La matriz si tiene solucin ya que la resolvimos por el mtodo analtico, tambin en
Excel es posible resolverla sin mtodos iterados por medio de multiplicacin de
matrices.
Sistema de ecuaciones
X1

X2
15
20
20

X3
25000
20000
30000

B
20
20
10

1010
660
1130

Matriz inversa
0.13333333 0.11666667 0.03333333
0.0000667 -0.0000833 0.0000333
0.06666667 0.01666667 0.06666667

X=A-1B
Resultados
-20
0.05
3

Conclusin
Debido a que la matriz no poda ser acomodada con relacin al criterio de la
diagonal pesada, tuvimos que jugar un poco a ensayo y error, lo que hizo que
nuestro mtodo sea ms tardado, esto no sucede en ejemplos y ejercicios en
clase, pero es muy comn que suceda en la vida diaria.
El mtodo de Jacobi es por definicin un mtodo un poco ms tardado en
iteraciones al mtodo de Gauss-Seidel, por lo que en ocasiones es preferible
utilizar este ltimo, aunque debido a los cambios de variables es ms probable
confundirse en el segundo mtodo. Por lo tanto no es fcil decir que mtodo es el
mejor ya que depende mucho si buscas rapidez o seguridad. En lo personal
elegira el mtodo de Gauss-Seidel.
Cabe mencionar que ambos mtodos tienen sus desventajas, como en el ejercicio
realizado anteriormente donde ninguno de las combinaciones posibles convergi,
por lo que no puede ser un mtodo utilizable para cualquier sistema de
ecuaciones.
Bibliografa

Algebra lineal con aplicaciones

George Nakos, David Joyner. 1999. lgebra lineal con aplicaciones. s.l. :
International Thomson Editores, 1999.