Solución de Sistemas Lineales usando la Inversa de una Matriz
Contenido del curso
Gen Ko
Juan R. Vergara M.
Julián Cárdenas
Cesar Augusto Morales Godoy
Gen Ko
Josue Noha Valdivia
Cesar Arturo Castanon Acuna
Josue Noha Valdivia
Wilson Fernando Antury Torres
Felipe Cortés
María José Medina
Juan Ignacio Echenique Olsina
Sebastián Andrade
Claudio Caniullan Calfin
Juan Cruz Stakys
Felipe Andrés González Quintero
Sara Yaneth Contreras Elías
Gian franco baltazar mamani
Felipe Andrés González Quintero
Daniel Montes
Jhon Freddy Tavera Blandon
Mauro Benito Montoya Arenas
Noel Berrios
Daniel Andrés Bermúdez Pérez
Jhon Jairo Ramos Buritica
Rodrigo Ramirez Chaguala
Joel Eduardo Gaspar
Mauricio Gomez
Joel Eduardo Gaspar
William Wilfredo Moran Torres
Juan David Benavides Muñoz
Mario Alexander Vargas Celis
Juan José Mamani Tarqui
Andrés Esteban Rodríguez Jiménez
Ricardo Posada
En terminos un poco mas generales, funciona como un simple despeje :D
👍🥇
Gracias!! todos los ejemplos ilustrados siempre ayudan un montón
La verdad es que este instructor es muy bueno, explica super claro, me hubiera encantado ver algebra linear con python en la u. Recomendaría este instructor (si él sabe) para el curso de probabilidad y estadística con python, que diferencia de pedagogía. 😀👍🏼
Si, es muy bueno. No se enrrolla con sus explicaciones :D
Solución de un sistema linear de ecuaciones Podemos usar la matriz inversa para solucionar un sistema linear de ecuaciones: Ax=b A_inversa A x = A_inversa b I x = A_inversa b x = A_inversa b #el orden es muy importante
Nota: Para aproximar resultados cercanos a cero como cero usamos: np.set_pritnoptions(supress=0)
El orden si afecta el resultado! ⭐ .
Exacto, por eso digo que el orden es muy importante
Donde b es resultado, a es matriz y x vector mutiplicador
Aplicación de la inversa de una matriz para resolver un sistema de ecuaciones lineales
Para resolver un sistema de ecuaciones lineales utilizamos ecuaciones matriciales. Un ejemplo, siendo:
import numpy as np # La siguiente linea de codigo nos sirve para que redonde a 0 cuando un numero # esta muy proximo a este y no nos es demasiado util manejar tantos decimales. np.set_printoptions(suppress=True) A = np.array([[3,1],[2,1]]) b = np.array([[1],[1]]) # Ahora para despejar x multiplico la inversa de A a la izquierda de ambos lados # de la ecuacion. Quedandonos de la siguiente manera: # A*x = b ==> inv_A*A*x = inv_A*b ==> I*x = inv_A*b ==> x = inv_A*b inv_A = np.linalg.inv(A) # Ahora x es igual a: x = inv_A.dot(b)
Como se sabe que la solucion es x = inversa.dot(b) y no es x = b.dot(inversa). Ya que la multiplicar matrices no es conmutativo como se hace para saber cual debe multiplicar a cual?
Lo que ocurre es que en la ecuación Ax=b debemos MULTIPLICAR POR LA IZQUIERDA en ambos lados de la igualdad por la MATRIZ INVERSA DE A, ya que si multiplicamos por la derecha en ambos lados de la igualdad AxA*=bA* la expresión de la derecha no garantiza que se "despeje" x. En la literatura se le suele llamar producto por la derecha o la izquierda.
y = 2x+1 y=3x-2
2x+1 = 3x-2 x = 3 y = 7
Bien .
Las operaciones son: Ax = b => x = A^-1b
Asi es.
De forma completa sería: Ax = b A^-1Ax=A^-1b Como A^-1A = Identidad Ix = A^-1b x = A^-1b
La inversa de una matriz puede ser utilizada para resolver un sistema de ecuaciones lineales de la forma Ax = b, donde Aes una matriz conocida de coeficientes, xes un vector de incógnitas y bes un vector conocido de términos independientes.
Para resolver el sistema, primero debemos asegurarnos de que la matriz Ano es singular, es decir, que tiene una matriz inversa. Si Ano es singular, podemos multiplicar ambos lados de la ecuación por la matriz inversa de Apara obtener:
import numpy as np # Definir la matriz de coeficientes A y el vector de términos independientes b A = np.array([[2, 1, 1], [4, -6, 0], [-2, 7, 2]]) b = np.array([5, -2, 9]) # Calcular la matriz inversa de A A_inv = np.linalg.inv(A) # Resolver el sistema de ecuaciones lineales x = np.dot(A_inv, b) print(x)
La función np.set_printoptions(suppress=True) es una función de NumPy que cambia las opciones de impresión para las matrices de NumPy. Específicamente, establece la opción de impresión para suprimir el uso de la notación científica al imprimir números de punto flotante en matrices.
no entiendo, explica todo el proceso de solución de un sistema de ecuaciones aplicando la inversa de una matriz pero al final de la clase indica que no lo podemos usar. ¿?
No es que el proceso sea erróneo, sino que es ineficiente al momento de hacer cálculos más grandes
muy claro
buena aclaracion
Solo me queda la duda, ¿por qué en las primeras clases declaraba un vector de la siguiente manera?: vector = np.array([1,2])
Pero ahora lo hace de la siguiente: vector = np.array([[1],[2]])
el primero es un vector "fila" y el segundo es un vector "columna"
Muchas gracias! Solo una cosa más...Eso hace alguna diferencia matemáticamente o solo es por algo del lenguaje?
Si configuras como False obtienes este resultado [[1.11022302e-16] [1.00000000e+00]] pero si es True [[0.] [1.]] PORQUE?
Para efectos practicos puedes decir que son los mismos valores: 1.11022302e-16 tiene exponente -16, sería como tener 0.000000000000000111022 valor que puedes aproximar a 0 perfectamente
Ahora para el valor: 1.00000000e+00 tiene exponente 0 sería como multiplicar por 10^0 = 1 es decir 1.00000000*1 nuevamente para efectos practicos puedes aproximar 1 sin problemas
¡Excelente! Resolver sistemas de ecuaciones lineales usando la inversa de una matriz es una técnica clásica del álgebra lineal cuando el sistema se puede representar como:
AX=BAX = B
Donde:
✅ Paso a Paso para Resolver AX=BAX = B con la Inversa
📌 1. Verifica que AA sea cuadrada y no singular (determinante ≠ 0)
📌 2. Calcula la inversa de A: A−1A^{-1}
📌 3. Multiplica ambos lados por A−1A^{-1}:
A−1AX=A−1B⇒IX=A−1B⇒X=A−1BA^{-1}AX = A^{-1}B \Rightarrow IX = A^{-1}B \Rightarrow X = A^{-1}B
🔢 Ejemplo Práctico en Python
Supongamos el siguiente sistema:
{2x+y=55x+3y=13\begin{cases} 2x + y = 5 \\ 5x + 3y = 13 \end{cases}
Representamos el sistema:
import numpy as np
# Matriz de coeficientes A A = np.array([[2, 1], [5, 3]])
# Vector de resultados B B = np.array([[5], [13]])
# Verificamos si A tiene inversa if np.linalg.det(A) != 0: A_inv = np.linalg.inv(A) X = A_inv @ B print("Solución del sistema (x, y):") print(X) else: print("La matriz A es singular. No tiene inversa.")
📌 Resultado
El código te devuelve el valor de xx y yy como solución del sistema.
⚠️ Consideraciones
np.linalg.solve(A, B).🔄 Alternativa más eficiente:
X = np.linalg.solve(A, B) # Resuelve directamente sin calcular la inversa
<u>DATO:</u>
En una matriz cuadrada de orden 2x2 la matriz inversa se hablla cambiando los elemntos de la diagonal principal y invirtiendo los signos de la diagonal secundaria SIWMPE CUMPLE
Aplicación de la inversa de una matriz para resolver un sistema de ecuaciones lineales
Ahora que hemos aprendido a calcular la inversa de una matriz, podemos utilizar este conocimiento para resolver sistemas de ecuaciones lineales.
Supongamos que tenemos $3x + y = 1$ y $2x + y = 1$.
!Untitled
Después de traducir estas ecuaciones a formato matricial, podemos proceder a resolverlas utilizando programación.
import numpy as np # Config para quitar decimales en los resultados para leerlos mejor np.set_printoptions(suppress=True) # Definimos la matriz de coeficientes A A = np.array([[3, 1], [2, 1]]) # Definimos el vector columna b b = np.array([[1], [1]]) # Calculamos la inversa de la matriz A A_inv = np.linalg.inv(A) print("Matriz Inversa de A:") print(A_inv) # Calculamos la solución del sistema de ecuaciones Ax = b x = A_inv.dot(b) print("Solución del Sistema de Ecuaciones (x):") print(x) # Verificamos la solución calculada check = A.dot(x) print("Verificación de la Solución (A * x):") print(check)
Este algoritmo nos permite resolver sistemas de ecuaciones lineales de manera eficiente utilizando el cálculo matricial. Sin embargo, es esencial traducir correctamente las ecuaciones al formato matricial y asegurarnos de que el sistema sea compatible y no singular para obtener resultados precisos.
Con este enfoque, podemos abordar una amplia gama de problemas de álgebra lineal y resolverlos de manera confiable mediante programación.
Redondear matriz
#para redondear a cero lo números muy cercanos
a cero (que tan cercanos ?)
usamos np.set_printoptions(suppress = True)
ejemplo:
np.set_printoptions(suppress = True) A = np.array([[1,0.00000005],[1,6]]) print(A)
[[1. 0.00000005] [1. 6. ]]
NO REDONDEA MUCHO JEJE, HAY PONERLE VARIOS CEROS MAS PARA QUE LO HAGA