You are on page 1of 23

UNIVERSIDAD FERMIN TORO VICERREPTORADO ACADEMICO FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA ELECTRICA

Anlisis Numrico

Integrante: Jos P. Arteaga F. 15.176.866

JULIO, 2011

Eliminacin gaussiana bsica Ilustraremos el mtodo de Gauss aplicando el procedimiento a un sistema de cuatro ecuaciones con cuatro incgnitas:

En el primer paso, multiplicamos la primera ecuacin por segunda, despus multiplicamos la primera ecuacin por tercera y finalmente multiplicamos la primera ecuacin por

y la restamos a la y la restamos a la y la restamos

a la cuarta. Los nmeros 2, y -1 son los multiplicadores del primer paso del proceso de eliminacin. El nmero 6 es el elemento pivote de este primer paso y la primera fila, que no sufre modificacin alguna, se denomina fila pivote. El sistema en estos momentos tiene el siguiente aspecto:

En el siguiente paso del proceso, la segunda fila se emplea como fila pivote y -4 como elemento pivote. Aplicamos del nuevo el proceso: multiplicamos la segunda fila por fila por ocasin 3 y y la restamos de la tercera y despus multiplicamos la segunda y la restamos a la cuarta. Los multiplicadores son en esta y el sistema de ecuaciones se reduce a:

El ltimo paso consiste en multiplicar la tercera ecuacin por cuarta. El sistema resultante resulta ser:

y restarla a la

El sistema resultante es triangular superior y equivalente al sistema original (las soluciones de ambos sistemas coinciden). Sin embargo, este sistema es fcilmente resoluble aplicando el algoritmo de sustitucin regresiva explicado en el apartado. La solucin del sistema de ecuaciones resulta ser:

Si colocamos los multiplicadores utilizados al transformar el sistema en una matriz triangular inferior unitaria (L) ocupando cada uno de ellos la posicin del cero que contribuy a producir, obtenemos la siguiente matriz:

Por otra parte, la matriz triangular superior (U) formada por los coeficientes resultantes tras aplicar el algoritmo de Gauss, es:

Estas dos matrices nos dan la factorizacin LU de la matriz inicial de coeficientes, A, expresada por la ecuacin:

El siguiente algoritmo es un pseudocdigo para llevar a la prctica el proceso bsico de eliminacin gaussiana que acabamos de describir. En este algoritmo se supone que todos los elementos pivote son distintos de cero.

Implementacin del algoritmo de eliminacin gaussiana.

Mtodo de Gauss-Jordan Como hemos visto, el mtodo de Gauss transforma la matriz de coeficientes en una matriz triangular superior. El mtodo de Gauss-Jordan contina el proceso de transformacin hasta obtener una matriz diagonal unitaria (aij=0 para cualquier). Veamos el mtodo de Gauss-Jordan siguiendo con el ejemplo empleado en el apartado anterior. Aplicando el mtodo de Gauss habamos llegado a la siguiente ecuacin:

Ahora seguiremos un procedimiento similar al empleado en el mtodo de Gauss. Tomaremos como pivote el elemento a44=-3; multiplicamos la cuarta ecuacin por y la restamos a la primera:

Realizamos la misma operacin con la segunda y tercera fila, obteniendo:

Ahora tomamos como pivote el elemento a33=2, multiplicamos la tercera ecuacin por y la restamos a la primera:

Repetimos la operacin con la segunda fila:

Finalmente, tomamos como pivote a22=-4, multiplicamos la segunda ecuacin por y la sumamos a la primera:

El sistema de ecuaciones anterior es, como hemos visto, fcil de resolver.

DESCOMPOSICION "LU" El mtodo de descomposicin LU para la solucin de sistemas de ecuaciones lineales debe su nombre a que se basa en la descomposicin de la matriz original de coeficientes (A) en el producto de dos matrices (L y U). Esto es:

Donde: L - Matriz triangular inferior U - Matriz triangular superior con todos los elementos de la diagonal principal iguales a 1. De lo anterior, para matrices de 3x3 se escribe:

Si efectuamos la multiplicacin de L y U, igualando los elementos de ese producto con los de la matriz A correspondientes, se obtiene:

De aqu que los elementos de L y U son, en este caso:

Si el sistema de ecuaciones original se escribe como: A x = b lo cual resulta lo mismo escribir: L U X = b Definiendo a: U X = Y podemos escribir: L Y = b Resolviendo para Y, encontramos:

El algoritmo de solucin, una vez conocidas L, U y b, consiste en encontrar primeramente los valores de "Y" por sustitucin progresiva sobre "L Y = b". En segundo lugar se resuelve "U x = y " por sustitucin regresiva para encontrar los valores de "x", obteniendo:

La determinacin de los elementos de las matrices L y U se realizan eficientemente aplicando una forma modificada del mtodo de eliminacin de Gauss.

Se observa que el mtodo de descomposicin LU opera slo sobre la matriz de coeficientes, sin modificar el vector de excitacin (en este caso b), por lo que resulta superior al mtodo de eliminacin gausiana. Ejemplo: Resolver el siguiente sistema de ecuaciones, factorizando la matriz en LU:

= Las matrices de factores L y U de A son:

L=

U=

El primer paso es resolver la ecuacin L Y = b por sustitucin progresiva para obtener los elementos del vector auxiliar Y:

Mtodos de solucin a sistemas de ecuaciones lineales Sustitucin El mtodo de sustitucin consiste en despejar en una de las ecuaciones cualquier incgnita, preferiblemente la que tenga menor coeficiente, para, a continuacin, sustituirla en otra ecuacin por su valor. En caso de sistemas con ms de dos incgnitas, la seleccionada debe ser sustituida por su valor equivalente en todas las ecuaciones excepto en la que la hemos despejado. En ese instante, tendremos un sistema con una ecuacin y una incgnita menos que el inicial, en el que podemos seguir aplicando este mtodo reiteradamente. Por ejemplo, supongamos que queremos resolver por sustitucin este sistema:

En la primera ecuacin, seleccionamos la incgnita por ser la de menor coeficiente y que posiblemente nos facilite ms las operaciones, y la despejamos, obteniendo la siguiente ecuacin.

El siguiente paso ser sustituir cada ocurrencia de la incgnita en la otra ecuacin, para as obtener una ecuacin donde la nica incgnita sea la .

Al resolver la ecuacin obtenemos el resultado , y si ahora sustituimos esta incgnita por su valor en alguna de las ecuaciones originales obtendremos , con lo que el sistema queda ya resuelto. Igualacin El mtodo de igualacin se puede entender como un caso particular del mtodo de sustitucin en el que se despeja la misma incgnita en dos ecuaciones y a continuacin se igualan entre s la parte derecha de ambas ecuaciones. Tomando el mismo sistema utilizado como ejemplo para el mtodo de sustitucin, si despejamos la incgnita en ambas ecuaciones nos queda de la siguiente manera:

Como se puede observar, ambas ecuaciones comparten la misma parte izquierda, por lo que podemos afirmar que las partes derechas tambin son iguales entre s.

Una vez obtenido el valor de la incgnita , se substituye su valor en una de las ecuaciones originales, y se obtiene el valor de la . La forma ms fcil de tener el mtodo de sustitucin es realizando un cambio para despejar x despus de averiguar el valor de la y. Reduccin Este mtodo suele emplearse mayoritariamente en los sistemas lineales, siendo pocos los casos en que se utiliza para resolver sistemas no lineales. El procedimiento, diseado para sistemas con dos ecuaciones e incgnitas, consiste en transformar una de las ecuaciones (generalmente, mediante productos), de

manera que obtengamos dos ecuaciones en la que una misma incgnita aparezca con el mismo coeficiente y distinto signo. A continuacin, se suman ambas ecuaciones producindose as la reduccin o cancelacin de dicha incgnita, obteniendo as una ecuacin con una sola incgnita, donde el mtodo de resolucin es simple. Por ejemplo, en el sistema:

No tenemos ms que multiplicar la primera ecuacin por incgnita . Al multiplicar, dicha ecuacin nos queda as:

para poder cancelar la

Si sumamos esta ecuacin a la segunda del sistema original, obtenemos una nueva ecuacin donde la incgnita ha sido reducida y que, en este caso, nos da directamente el valor de la incgnita :

El siguiente paso consiste nicamente en sustituir el valor de la incgnita en cualquiera de las ecuaciones donde aparecan ambas incgnitas, y obtener as que el valor de es igual a:

Mtodo grfico Consiste en construir la grfica de cada una de las ecuaciones del sistema. El mtodo (manualmente aplicado) solo resulta eficiente en el plano cartesiano, es decir para un espacio de dimensin 2. El proceso de resolucin de un sistema de ecuaciones mediante el mtodo grfico se resuelve en los siguientes pasos: 1. Se despeja la incgnita (y) en ambas ecuaciones. 2. Se construye para cada una de las dos ecuaciones de primer grado obteniendo la tabla de valores correspondientes.

3. Se representan grficamente ambas rectas en los ejes coordenados. 4. En este ltimo paso hay tres posibilidades: 1. Si ambas rectas se cortan, las coordenadas del punto de corte son los nicos valores de las incgnitas (x,y). "Sistema compatible determinado". 2. Si ambas rectas son coincidentes, el sistema tiene infinitas soluciones que son las respectivas coordenadas de todos los puntos de esa recta en la que coinciden ambas. Sistema compatible indeterminado. 3. Si ambas rectas son paralelas, el sistema no tiene solucin.

Mtodo de Gauss La eliminacin de Gauss-Jordan, ms conocida como mtodo de Gauss, es un mtodo aplicable nicamente a los sistemas lineales de ecuaciones, y consistente en triangular la matriz aumentada del sistema mediante transformaciones elementales, hasta obtener ecuaciones de una sola incgnita, cuyo valor ser igual al coeficiente situado en la misma fila de la matriz. Este procedimiento es similar al anterior de reduccin, pero ejecutado de manera reiterada y siguiendo un cierto orden algortmico. El Mtodo de Gauss consiste en convertir un sistema normal de 3 ecuaciones con 3 incgnitas en uno escalonado, en la que la primera ecuacin tiene 3 incgnitas, la segunda ecuacin tiene 2 incgnitas, y la tercera ecuacin tiene 1 incgnita. De esta forma ser fcil a partir de la ltima ecuacin y subiendo, calcular el valor de las tres incgnitas. En primer lugar, reducimos la incgnita , sumando a la segunda fila, la primera

multiplicada por , y a la tercera, la primera fila. La matriz queda as:

El siguiente paso consiste en eliminar la incgnita en la primera y tercera fila, para lo cual les sumamos la segunda multiplicada por y por , respectivamente.

Por ltimo, eliminamos la

, tanto de la primera como de la segunda fila, y por , respectivamente:

sumndoles la tercera multiplicada por

Llegados a este punto podemos resolver directamente las ecuaciones que se nos plantean:

O, si lo preferimos, podemos multiplicar las tres filas de la matriz por: , y respectivamente, y obtener as automticamente los valores de las incgnitas en la ltima columna.

Pongamos un ejemplo del clculo de un sistema de ecuaciones por el mtodo de Gauss: Se renen 30 personas entre hombres, mujeres y nios. Se sabe que entre los hombres y el triple de mujeres exceden en 20 el doble de los nios. Tambin se sabe que entre hombres y mujeres se duplican al nmero de nios. Plantear y resolver el sistema de ecuaciones.

Se renen 30 personas entre hombres, mujeres y nios:

Se sabe que entre los hombres y el triple de mujeres exceden en 20 el doble de los nios:

Tambin se sabe que entre hombres y mujeres se duplican al nmero de nios:

Agrupando las tres ecuaciones tenemos el sistema, que ordenado resulta:

Aplicamos Gauss, restando la primera ecuacin a las dos siguientes:

En este caso en la tercera ecuacin se ha eliminado la y, por lo que no es necesario hacer ms operaciones. Por lo tanto obtenemos que z = 10 de la tercera ecuacin:

Sustituyendo z en la segunda ecuacin obtenemos que y = 10:

Sustituyendo z y en la primera ecuacin obtenemos x = 10.

Con lo que hemos obtenido el resultado del sistema:

Regla de Cramer La regla de Cramer da una solucin para sistemas compatibles determinados en trminos de determinantes y adjuntos dada por:

Donde Aj es la matriz resultante de remplazar la j-sima columna de A por el vector columna b. Para un sistema de dos ecuaciones y dos incgnitas:

La regla de Cramer da la siguiente solucin:

Algoritmos numricos La eliminacin de Gauss-Jordan es un algoritmo numrico usado para una gran cantidad de casos especficos, aunque posterioremnte se han desarrollado algoritmos alternativos mucho ms eficientes. La mayora de estos algoritmos mejorados tienen una complejidad computacional de O(n) (donde n es el nmero de ecuaciones del sistema). Algunos de los mtodos ms usados son:

Para los problemas de la forma Ax = b, donde A es una matriz de Toeplitz simtrica, se puede utilizar la recursin de Levinson o alguno de los mtodos derivados de este. Un mtodo derivado de la recursin de Levinson es la recursin de Schur, que es ampliamente usado en el campo del procesamiento digital de seales. Para los problemas de la forma Ax = b, donde A es una matriz singular o casi singular, la matriz A se descompone en el producto de tres matrices en un proceso llamado descomposicin de valores singulares.

Cuando consideramos ecuaciones lineales cuyas soluciones son nmeros racionales, reales o complejos o ms generalmente un cuerpo , la solucin puede encontrarse mediante Regla de Cramer. Para sistemas de muchas ecuaciones la regla de Cramer puede ser computacionalmente ms costosa y suelen usarse otros mtodos ms "econmicos" en nmero de operaciones como

la eliminacin de Gauss-Jordan y la descomposicin de Cholesky. Existen tambin mtodos indirectos (basados en iteraciones) como el mtodo de Gauss-Seidel. Si el cuerpo es infinito (como es el caso de los nmeros reales o complejos), entonces solo puede darse una de las tres siguientes situaciones:

el sistema no tiene solucin (en dicho caso decimos que el sistema est sobredeterminado o que es incompatible) el sistema tiene una nica solucin (el sistema es compatible determinado) el sistema tiene un nmero infinito de soluciones (el sistema es compatible indeterminado).

Solucin de sistemas lineales en un anillo Factorizacin de Cholesky Una matriz A simtrica y positiva definida puede ser factorizada de manera eficiente por medio de una matriz triangular inferior y una matriz triangular superior. Para una matriz no singular la descomposicin LU nos lleva a considerar una descomposicin de tal tipo A = LU; dadas las condiciones de A, simtrica y definida positiva, no es necesario hacer pivoteo, por lo que sta factorizacin se hace eficientemente y en un nmero de operaciones la mitad de LU tomando la forma , donde L (la cual podemos "verla" como la raz cuadrada de A) es una matriz triangular inferior donde los elementos de la diagonal son positivos. Para resolver un sistema lineal Ax = b con A simtrica definida positiva y dada su factorizacin de Cholesky , primero debemos resolver Ly = b y entonces resolver para lograr x.

Una variante de la factorizacin de Cholesky es de la forma , donde R es una matriz triangular superior, en algunas aplicaciones se desea ver la matriz en esa forma y no de otra. Para encontrar la factorizacin , bastara ver la forma de L y observar las ecuaciones que el producto derecho nos conduce al igualar elementos:

As obtendramos que:

a11 = l112 a21 = l21l11 a22=l212 + l222 a32=l31l21+l32l22 y de manera general, para l32=(a32-l31l21)/l22, etc. y :

Ahora bien, ya que Aes simtrica y definida positiva, podemos asegurar que los elementos sobre la diagonal de L son positivos y los restantes elementos reales desde luego. Una de las aplicaciones de la factorizacin de Cholesky es resolver las ecuaciones normales de un problema de cuadrados mnimos, esas ecuaciones son: , en la que es simtrica y definida positiva.

Factorizacin QR de una matriz Si aplicamos el mtodo de Gram {Schmidt a las columnas de una matriz obtenemos A = QR, donde Q tiene columnas ortogonales y R es triangular superior con unos en la diagonal. La Factorizacin QR no normalizada: Sea A una matriz m n con rango r. Entonces A puede escribirse como A = Q0R0 donde Q0 es una matriz cuyas columnas son ortogonales (de ellas, r son distintas de cero y el resto son nulas). Dichas columnas generan el espacio columna de A. R0 es una matriz triangular superior de orden n con diagonal unidad. La Factorizacin QR normalizada: Sea A una matriz con rango r. Entonces A puede escribirse como A = QR donde Q es una matriz cuyas columnas son orto normales (es decir, Q x Q = I). Dichas columnas generan el espacio columna de A. R es una matriz trapezoidal superior y rango r. Si adems las columnas de A son linealmente independientes, entonces la factorizacin QR normalizada de A es nica si exigimos que los elementos de la diagonal de R sean positivos.

MTODO DE GAUSS-SEIDEL PROBLEMA: Usar el mtodo de Gauss-Seidel para aproximar la solucin del sistema:

hasta que

SOLUCIN: Primero se despejan las incgnitas x1, x2 y x3 de las ecuaciones 1, 2 y 3 respectivamente. Se tiene:

Estas ltimas son el juego de frmulas iterativas que se estar utilizando. Se comienza el proceso iterativo sustituyendo los valores de x2 = x3 = 0 en la primera ecuacin, para calcular el valor de x1:

Ahora se sustituye

y x3 = 0 en la segunda ecuacin para obtener x2:

Ahora se sustituye x3:

en la tercera ecuacin para obtener

As se tiene la primera aproximacin a la solucin del sistema:

Puesto que todava no se puede calcular ningn error aproximado, se repite el proceso pero ahora con los ltimos datos obtenidos para las incgnitas: Sustituyendo Sustituyendo y y en la ecuacin 1 se obtiene en la ecuacin 2 se obtiene

finalmente, sustituyendo y en la ecuacin 3 se obtiene . Es as como se tiene la segunda lista de valores de aproximacin a la solucin del sistema:

Ahora se pueden calcular los errores absolutos para cada una de las incgnitas:

Puesto que no se ha logrado el objetivo, se debe repetir el mismo proceso con los ltimos valores obtenidos de cada una de las incgnitas. Ntese que aunque el error aproximado ya cumple con ser menor al 1%, esto se debe cumplir para los tres errores aproximados. Por lo tanto se repite el mismo proceso. Omitiendo los pasos intermedios, se obtiene:

En este caso se tienen los siguientes errores aproximados:

Se puede observar que ahora se ha cumplido el objetivo para cada uno de los errores aproximados. Por lo tanto, se concluye que la solucin aproximada es:

Importante observacin respecto al mtodo de Gauss-Seidel: Es lgico preguntarse si siempre el mtodo de Gauss-Seidel converge a la solucin del sistema de ecuaciones y tambin es lgico esperar que la respuesta es NO. Un resultado de Anlisis numrico da una condicin suficiente para la convergencia del mtodo.

Teorema: El mtodo de Gauss-Seidel converge a la solucin del sistema si se cumple la condicin de que la matriz de coeficientes del sistema sea una matriz diagonalmente dominante, es decir, si se cumple la siguiente condicin:

La condicin de ser una matriz diagonalmente dominante simplemente significa que los elementos de la diagonal son mayores (en valor absoluto) que la suma de los valores absolutos de los dems elementos del mismo rengln. Ntese que en el ejemplo anterior, la matriz s es diagonalmente dominante y por lo tanto, el mtodo de Gauss-Seidel s converge a la solucin del sistema. Sin embargo, la condicin de la matriz diagonalmente dominante, solamente es una condicin suficiente pero no necesaria, es decir, existen sistemas de ecuaciones que no cumplen con la condicin y que s convergen a la solucin y tambin existen sistemas de ecuaciones que no cumplen con la condicin y que no convergen a la solucin. Finalmente, obsrvese que aunque un sistema no cumpla con la condicin de ser diagonalmente dominante, es posible a veces, lograr que s se cumpla con esta condicin mediante un intercambio de renglones, como se ver en el siguiente ejemplo: Usar el mtodo de Gauss-Seidel para aproximar la solucin del sistema:

hasta que SOLUCIN: En este caso se puede observar que el sistema no es diagonalmente dominante, lo cual se comprueba con los siguientes clculos: Primera fila: |a11| > (|a12| + |a13|) 5 > (1.4 + 2.7) 5 > 4.1; es cierto. La condicin se cumple para la primera fila. Segunda fila: |a22| > (|a21| + |a23|) 2.5 > (0.7 + 15) 2.5 > 15.7; no es cierto.

La condicin no se cumple para la segunda fila. |a33| > (|a31| + |a32|) 4.4 > (3.3 + 11) 4.4 > 14.3; no es cierto. La condicin no se cumple para la tercera fila. Para que el sistema sea diagonalmente dominante, la condicin debe cumplirse para todas las filas. Por lo tanto, el sistema anterior no es diagonalmente dominante. Sin embargo, al hacer el intercambio del rengln 2 por el rengln 3, se tiene el siguiente sistema:

En este caso se puede observar que el sistema s es diagonalmente dominante, lo cual se comprueba con los siguientes clculos: Primera fila: |a11| > (|a12| + |a13|) 5 > (1.4 + 2.7) 5 > 4.1; es cierto. La condicin se cumple para la primera fila. Segunda fila: |a22| > (|a21| + |a23|) 11 > (3.3 + 4.4) 11 > 7.7; es cierto. La condicin se cumple para la segunda fila. |a33| > (|a31| + |a32|) 15 > (0.7 + 2.5) 15 > 3.2; es cierto. La condicin se cumple para la tercera fila. Para que el sistema sea diagonalmente dominante, la condicin debe cumplirse para todas las filas. En este caso efectivamente la condicin se cumple para todas las filas, por lo cual el sistema anterior es diagonalmente dominante. Por lo tanto se procede a despejar x1, x2 y x3 de las ecuaciones 1, 2 y 3 respectivamente:

Se comienza el proceso iterativo sustituyendo los valores de x2 = 0 x3 = 0 en la ecuacin 1 para obtener x1:

Ahora se sustituye x1 = -18.84 y x3 = 0 en la ecuacin 2 para obtener x2:

Por lo tanto los valores obtenidos en la primera iteracin son:

Puesto que slo se tiene la primera aproximacin de la solucin del sistema, se debe seguir avanzando en el proceso iterativo. Sustituyendo x2 = -3.152 y x3 = 0.04613 en la ecuacin 1, se obtiene x1 = -19.69765; sustituyendo x1 = -19.69765 y x3 = -0.04613 en la ecuacin 2, se obtiene x2 = -3.42775; sustituyendo x1 = 19.69765 y x2 = -3.42775 en la ecuacin 3, se obtiene x3 = -0.05207. Por lo tanto, la segunda aproximacin es:

Ahora se pueden calcular los errores aproximados para cada una de las incgnitas:

Puesto que no se ha cumplido el objetivo, se debe seguir avanzando en el proceso iterativo. Se resumen los resultados de esta manera: Tercera iteracin:

Cuarta iteracin:

As, el objetivo se ha logrado hasta la cuarta iteracin y se tiene que los valores aproximados de la solucin del sistema son:

Mtodo de Jacobi En la iteracin de Jacobi, se escoge una matriz Qque es diagonal y cuyos elementos diagonales son los mismos que los de la matriz A. La matriz Q toma la forma:

y la ecuacin general (63) se puede escribir como Qx(k) = (Q-A)x(k-1) + b Si denominamos R a la matriz A-Q:

la ecuacin (65) se puede reescribir como:

Qx(k) = -Rx(k-1) + b El producto de la matriz Q por el vector columna x(k)ser un vector columna. De modo anlogo, el producto de la matriz R por el vector columna x(k-1)ser tambin un vector columna. La expresin anterior, que es una ecuacin vectorial, se puede expresar por necuaciones escalares (una para cada componente del vector). De este modo, podemos escribir, para un elemento icualquiera y teniendo en cuenta que se trata de un producto matriz-vector:

Si tenemos en cuenta que en la matriz Qtodos los elementos fuera de la diagonal son cero, en el primer miembro el nico trmino no nulo del sumatorio es el que contiene el elemento diagonal qii, que es precisamente aii. Ms an, los elementos de la diagonal de Rson cero, por lo que podemos eliminar el trmino i=jen el sumatorio del segundo miembro. De acuerdo con lo dicho, la expresin anterior se puede reescribir como:

de donde despejando xi(k) obtenemos:

que es la expresin que nos proporciona las nuevas componentes del vector x(k)en funcin de vector anterior x(k-1)en la iteracin de Jacobi.

Implementacin del mtodo de Jacobi.

El mtodo de Jacobi se basa en escribir el sistema de ecuaciones en la forma:

Partimos de una aproximacin inicial para las soluciones al sistema de ecuaciones y sustituimos estos valores en la ecuacin. De esta forma, se genera una nueva aproximacin a la solucin del sistema, que en determinadas condiciones, es mejor que la aproximacin inicial. Esta nueva aproximacin se puede sustituir de nuevo en la parte derecha de la ecuacin y as sucesivamente hasta obtener la convergencia.