18.3: Usando la regla de Cramer para resolver Ax=b
- Page ID
- 114949
Dejar\(Ax=b\) ser un sistema de ecuaciones\(n\) lineales en\(n\) variables tales que\(|A| \neq 0\). El sistema cuenta con una solución única dada por:
\[x_1 = \frac{|A_1|}{|A|}, x_2 = \frac{|A_2|}{|A|}, \ldots, x_n = \frac{|A_n|}{|A|} \nonumber \]
donde\(A_i\) se obtiene la matriz reemplazando columna\(i\)\(A\) de por\(b\). La siguiente función genera\(A_i\) reemplazando la columna\(i\) th\(A\) de por\(b\):
Crea una nueva función llamada CramersRule
, que toma\(A\)\(b\) y devuelve\(x\) usando la regla de Cramer.
Nota: Use numpy
y NOT mydet
para encontrar los determinantes requeridos. mydet
es demasiado lento.
Pruebe su función CramersRule
en el siguiente sistema de ecuaciones lineales:
\[ x_1 + 2x_2 = 3 \nonumber \]
\[3x_1 + x_2 = -1 \nonumber \]
Verifique la respuesta anterior usando la función np.linalg.solve
:
Pruebe su función cramersRule
en el siguiente sistema de ecuaciones lineales y verifique la respuesta usando la función np.linalg.solve
:
\[ x_1 + 2x_2 +x_3 = 9 \nonumber \]
\[ x_1 + 3x_2 - x_3 = 4 \nonumber \]
\[ x_1 + 4x_2 - x_3 = 7 \nonumber \]
La regla de Cramer es un\(O(n!)\) algoritmo y la eliminación Gauss-Jordan (o Gaussiana) es\(O(n^3)\). ¿Qué ventajas tiene la regla de Cramer sobre la eliminación?