Skip to main content

Librería para resolver sistemas de ecuaciones lineales y no lineales.

Reason this release was yanked:

fimport

Project description

BR23021UNO

Autor: [Joyser Leonel Barrera Romero]
Versión: 1.0.0
Descripción: Librería para resolver sistemas de ecuaciones lineales y no lineales utilizando métodos numéricos. Permite resolver ecuaciones usando los siguientes métodos : Eliminación de Gauss, Gauss-Jordan, Regla de Crammer,Descomposición LU, Jacobi, Gauss-Seidel y Bisección.

Instalación

Para instalar la librería, usa el siguiente comando en tu terminal:

pip install BR23021UNO 

Dependencias

Para que la librería funcione correctamente, asegúrate de instalar las siguiente dependencia:

pip install numpy 

Ejemplos de uso

biseccion:

            #import math
            # Definir la función que queremos evaluar
            funcion = lambda x: x**4 + 0.5*(x**3) - 2*x - 5
            #Llamar a la funcion
            raiz, iteraciones = biseccion(funcion,100,0)

            # Mostrar el resultado con 6 cifras significativas
            print(f"Raiz de funcion por biseccion es igual a {raiz:.6f}, encontrada en un total de {iteraciones} iteraciones.")

            #Salida esperada: 
            #Raiz de funcion por biseccion es igual a 50.000000, encontrada en un total de 0 iteraciones.

crammer:

            # Matriz de coeficientes (A) y vector de términos independientes (b)
            A = [
                [2, 1, 3],
                [3, -2, -1],
                [1, 3, 2]
            ]

            b = [1, 0, 5]

            # Resolver el sistema Ax = b usando la regla de Cramer
            solucion = cramer(A, b)

            print(f"Solución del sistema: {solucion}")

            #Resultado esperado : Solución del sistema: [ 1.  2. -1.]

descomposicion_lu:

            # Definir la matriz de coeficientes (A) y el vector de términos independientes (b)
A = np.array([
    [25, 5, 1],
    [64,  8, 1],
    [144,  12, 1]
], dtype=float)

b = np.array([106.8, 177.2, 279.2], dtype=float)

# Resolver el sistema Ax = b usando la descomposición LU
solucion = lu_solve(A, b)

print("Solución del sistema:", solucion)
 ##Resultado esperado: Solución del sistema: [ 0.29047619 19.69047619  1.08571429]

eliminacion_gauss

    # Definir la matriz de coeficientes A y el vector de términos independientes b
    A = np.array([
    [2, 3, 1],
    [1, 1, 2],
    [1, -1, -1]
    ], dtype=float)

    b = np.array([0, 1, -1], dtype=float)

    # Resolver el sistema Ax = b usando el método de eliminación de Gauss
    solution = gauss_elimination(A, b)

    print(f"Solución del sistema: {solution}")
    ##Salida esperada: Solución del sistema: [-0.33333333 -0.          0.66666667]

gauss_jordan

    # Definir la matriz de coeficientes del sistema Ax = b
    coefficients = [
        [1, 1, -1],
        [1, -2, 3],
        [2, -1, 3]
    ]

    # Definir el vector de términos independientes
    ind_terms = [2, 0, 3]

    # Resolver el sistema mediante el método de Gauss-Jordan
    solution = gauss_jordan(coefficients, ind_terms)

    # Mostrar la solución del sistema
    print("Solución del sistema:", solution)
    #Resultado esperado: Solución del sistema: [1. 2. 1.]

gauss_seidel

    #Definir la matriz
    A = np.array([
        [9, 2, -1],
        [7, 8, 5],
        [3, 4, -10]
    ], dtype=float)

    b = np.array([-2, 3, 6], dtype=float)

    # Resolver el sistema usando el método de Gauss-Seidel
    solution = gauss_seidel(A, b)

    # Mostrar la solución encontrada
    print("La solución aproximada del sistema es:", solution)

    #Resultado esperado: La solución aproximada del sistema es: [-0.48501362  1.01226158 -0.34059946]

jacobi

    #Definimos la matriz
    A = np.array([
        [2, -1, 1],
        [1, 2, -1],
        [1, 1, 1]
    ], dtype=float)

    b = np.array([7, 6, 12], dtype=float)

    # Resolver el sistema Ax = b usando el método de Jacobi
    solution = jacobi(A, b)

    # Mostrar la solución aproximada 
    print("La solución aproximada del sistema es:", solution)

    #Solucion esperada: La solución aproximada del sistema es: [3. 4. 5.]

Contacto

Email: br23021@ues.edu.sv
GitHub: (https://github.com/JoyserB/BR23021UNO)
Universidad de El Salvador

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

BR23021UNO-1.3.0.tar.gz (2.7 kB view details)

Uploaded Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

BR23021UNO-1.3.0-py3-none-any.whl (2.6 kB view details)

Uploaded Python 3

File details

Details for the file BR23021UNO-1.3.0.tar.gz.

File metadata

  • Download URL: BR23021UNO-1.3.0.tar.gz
  • Upload date:
  • Size: 2.7 kB
  • Tags: Source
  • Uploaded using Trusted Publishing? No
  • Uploaded via: twine/6.1.0 CPython/3.11.9

File hashes

Hashes for BR23021UNO-1.3.0.tar.gz
Algorithm Hash digest
SHA256 89748a71dfb8c3e47c867a42cc3aa2b75f7a2d778d4b0eb0044b39bead571641
MD5 e1103d3aed7787f04a72305da6b5beb1
BLAKE2b-256 15bb01bee36beeaf73eb243f578ca8f86c36f2c339ac63731ab6b02a4219630e

See more details on using hashes here.

File details

Details for the file BR23021UNO-1.3.0-py3-none-any.whl.

File metadata

  • Download URL: BR23021UNO-1.3.0-py3-none-any.whl
  • Upload date:
  • Size: 2.6 kB
  • Tags: Python 3
  • Uploaded using Trusted Publishing? No
  • Uploaded via: twine/6.1.0 CPython/3.11.9

File hashes

Hashes for BR23021UNO-1.3.0-py3-none-any.whl
Algorithm Hash digest
SHA256 d7a730091aeb2729d02b5fe1f33dcf3b81f5d2fe1dd5fe5392e0bf467f2b312d
MD5 b71364aa8b5a1c7b37c534b466dba327
BLAKE2b-256 e5c76a9226f7fa15598417aa3a5ed0e1fb807807886f495a157cf3026bfcabb2

See more details on using hashes here.

Supported by

AWS Cloud computing and Security Sponsor Datadog Monitoring Depot Continuous Integration Fastly CDN Google Download Analytics Pingdom Monitoring Sentry Error logging StatusPage Status page