Análisis Numérico

Resumen: Esta lección establece el puente fundamental entre el cálculo teórico y la computación numérica práctica. Revisa teoremas esenciales del cálculo utilizados para estimar errores—como el Teorema de Taylor y el Teorema del Valor Medio—antes de pasar a las limitaciones de la aritmética de computadora. Los estudiantes aprenderán a cuantificar errores, identificar causas de pérdida de precisión (como la cancelación de dígitos significativos) y evaluar la eficiencia de algoritmos usando notación Big Oh.

Resultados de aprendizaje:

• Aplicar el Teorema del Valor Intermedio y el Teorema de Rolle para probar la existencia y unicidad de soluciones.
• Construir polinomios de Taylor y utilizar sus términos de resto para establecer límites rigurosos de error en aproximaciones numéricas.
• Diferenciar entre aritmética de redondeo y truncamiento y calcular errores absolutos y relativos en sistemas de punto flotante.

Resumen: Esta lección explora técnicas numéricas para encontrar los ceros de una función f(x) = 0, un problema fundamental en computación científica. Cubre una progresión de métodos que va desde el robusto pero lento método de Bisección hasta el rápidamente convergente método de Newton y sus variantes (Secante, Posición Falsa). Además, aborda temas avanzados como el análisis de errores para convergencia iterativa, técnicas para manejar raíces múltiples y algoritmos especializados para polinomios como los métodos de Müller y Horner.

Resultados de aprendizaje:

• Aplicar los métodos de Bisección, Punto Fijo, Newton, Secante y Posición Falsa para aproximar raíces.
• Analizar el orden de convergencia y los límites de error para diversos métodos iterativos.
• Utilizar los métodos de Aitken \Delta^2 y Steffensen para acelerar la convergencia de secuencias lineales.

Resumen: Esta lección explora los métodos de aproximar funciones continuas utilizando polinomios algebraicos. Comenzando con la base teórica del Teorema de Aproximación de Weierstrass, el contenido avanza a través de las formas Lagrange y Newton de interpolación, el método iterativo de Neville y los polinomios de Hermite. La lección concluye con la interpolación por splines cúbicos y curvas paramétricas, demostrando cómo los polinomios por partes evitan los problemas de oscilación propios de los polinomios globales de alto grado en aplicaciones prácticas como el ajuste de curvas.

Resultados de aprendizaje:

• Enunciar y explicar el Teorema de Aproximación de Weierstrass y sus implicaciones para la aproximación de funciones.
• Construir polinomios interpolantes Lagrange, Newton con diferencias divididas y Hermite para conjuntos de datos dados.
• Aplicar el Método de Neville para generar iterativamente aproximaciones polinómicas.

Resumen: Esta lección cubre la aproximación numérica de derivadas e integrales, esencial para resolver problemas matemáticos donde las soluciones analíticas son difíciles o imposibles de obtener. Los estudiantes explorarán la diferenciación de alta precisión mediante fórmulas de tres puntos y extrapolación de Richardson, progresarán a técnicas de integración de Newton-Cotes (regla del trapecio y regla de Simpson) y dominarán métodos avanzados de cuadratura, incluyendo Romberg, cuadratura adaptativa y cuadratura gaussiana. El alcance concluye con el tratamiento numérico de integrales dobles e integrales impropias.

Resultados de aprendizaje:

• Derivar y aplicar fórmulas de diferenciación numérica (de tres puntos) y estimar errores.
• Implementar la extrapolación de Richardson para aumentar el orden de precisión de aproximaciones numéricas.
• Aplicar reglas de integración numérica compuestas y cuadratura adaptativa para manejar variaciones complejas de funciones.

Resumen: Esta lección trata la aproximación numérica de soluciones a problemas de valor inicial (PVI). Comienza con los fundamentos teóricos de bien planteamiento y la condición de Lipschitz, luego avanza desde métodos elementales como el de Euler hasta técnicas avanzadas incluyendo Runge-Kutta, métodos multilineales, extrapolación y análisis de estabilidad. Finalmente, aborda escenarios especializados que involucran sistemas de ecuaciones diferenciales y los desafíos únicos planteados por ecuaciones rígidas.

Resultados de aprendizaje:

• Determinar si un PVI está bien planteado usando la condición de Lipschitz y los teoremas de existencia-unicidad.
• Implementar y analizar el error de métodos de un paso (Euler, Taylor, Runge-Kutta) y métodos multilineales (Adams-Bashforth, Adams-Moulton).
• Aplicar técnicas adaptativas (Runge-Kutta-Fehlberg, tamaño de paso variable) y extrapolación para resolver EDOs dentro de tolerancias de error específicas.

Resumen: Esta lección cubre los enfoques algorítmicos sistemáticos para resolver sistemas de ecuaciones lineales, pasando desde eliminación gaussiana básica hasta técnicas avanzadas de factorización matricial. Los estudiantes explorarán estrategias para mantener la estabilidad numérica mediante pivoteo, analizarán propiedades algebraicas de matrices (inversión, determinantes) e implementarán factorizaciones especializadas (LU, LDL^t, Cholesky y Crout) para cálculos eficientes en contextos de ingeniería y científicos.

Resultados de aprendizaje:

• Realizar eliminación gaussiana con sustitución hacia atrás y evaluar su complejidad operacional.
• Implementar estrategias de pivoteo parcial y pivoteo parcial escalonado para minimizar errores de redondeo.
• Calcular inversas y determinantes matriciales usando operaciones fila y cofactores.

Resumen: Esta lección cubre la transición de métodos directos a métodos iterativos para resolver grandes sistemas de ecuaciones lineales. Se centra en medir magnitudes de vectores y matrices mediante normas, determinar criterios de convergencia mediante el radio espectral y implementar algoritmos iterativos fundamentales como Jacobi, Gauss-Seidel y el método de Relajación Sucesiva (SOR). Además, aborda la estabilidad numérica mediante refinamiento iterativo, límites de error y el altamente eficiente método del Gradiente Conjugado mejorado por precondicionamiento.

Resultados de aprendizaje:

• Calcular normas de vectores y matrices (l_2 y l_\infty) y determinar el radio espectral de una matriz para evaluar la convergencia.
• Implementar y comparar las técnicas iterativas de Jacobi, Gauss-Seidel y SOR para resolver A\mathbf{x} = \mathbf{b}.
• Estimar límites de error usando números de condición y aplicar refinamiento iterativo para mejorar la precisión de soluciones aproximadas.

Resumen: Esta lección explora métodos para aproximar funciones y conjuntos de datos cuando representaciones exactas son inaccesibles o computacionalmente impracticables. Nos enfocamos en minimizar errores mediante el Mínimos Cuadrados Discretos, aprovechando la eficiencia de los Polinomios Ortogonales y de Chebyshev, y extendiendo estas técnicas a Aproximaciones Racionales y Trigonométricas, culminando en el algoritmo de alto rendimiento Transformada Rápida de Fourier (FFT).

Resultados de aprendizaje:

• Construir y resolver ecuaciones normales para aproximaciones lineales y polinómicas de mínimos cuadrados discretos.
• Generar bases de polinomios ortogonales mediante el proceso de Gram-Schmidt para evitar sistemas mal condicionados.
• Aplicar polinomios de Chebyshev para minimizar el error máximo de interpolación y realizar economización polinómica.

Resumen: Esta lección se centra en técnicas numéricas para aproximar valores propios, alejándose de las raíces simbólicas de polinomios característicos que a menudo son computacionalmente costosas o imposibles de hallar para matrices grandes. Los estudiantes aprenderán a localizar valores propios usando el Teorema de los Círculos de Geršgorin, aplicar técnicas iterativas como el Método de Potencia y el Método de Potencia Inversa para valores dominantes y específicos, y utilizar transformaciones estructurales (Método de Householder y Algoritmo QR) y Descomposición de Valores Singulares (SVD) para un análisis matricial integral.

Resultados de aprendizaje:

• Localizar valores propios dentro del plano complejo usando el Teorema de los Círculos de Geršgorin.
• Implementar el Método de Potencia y el Método de Potencia Inversa con aceleración de Aitken para encontrar valores propios dominantes y desplazados.
• Reducir matrices simétricas a forma tridiagonal mediante el Método de Householder y hallar todos los valores propios mediante el Algoritmo QR.

Resumen: Esta lección cubre la transición de la búsqueda de raíces en una variable a la resolución de sistemas de ecuaciones no lineales, donde el objetivo principal es encontrar un vector \mathbf{x} tal que \mathbf{F}(\mathbf{x}) = \mathbf{0}. Exploramos la iteración de punto fijo para varias variables, el método de Newton basado en el Jacobiano, métodos cuasi-Newton eficientes (especialmente Broyden), y técnicas robustas como el Método del Descenso más Pronunciado y Homotopía/Continuación para encontrar aproximaciones iniciales o manejar sistemas donde los métodos estándar fallan.

Resultados de aprendizaje:

• Definir y aplicar la iteración de punto fijo para funciones de varias variables y determinar criterios de convergencia usando el Teorema 10.6.
• Construir la matriz Jacobiana para un sistema no lineal e implementar el método de Newton para lograr convergencia cuadrática.
• Ejecutar el método de Broyden usando la fórmula de Sherman-Morrison para actualizar eficientemente la inversa del Jacobiano.

Resumen: Esta lección cubre la solución numérica de problemas de valor de frontera de segundo orden (PVB), donde las condiciones se imponen en puntos diferentes, a diferencia de los problemas de valor inicial. Los estudiantes aprenderán a transformar PVB en sistemas resolubles usando los métodos de Disparo Lineal y No Lineal, aproximaciones discretas mediante métodos de diferencias finitas y técnicas variacionales a través del Método de Rayleigh-Ritz. Estos métodos son esenciales para resolver problemas reales en ingeniería estructural (deflexión de vigas) y física (potencial electrostático).

Resultados de aprendizaje:

• Aplicar el Teorema 11.1 para determinar la existencia y unicidad de soluciones en problemas de valor de frontera.
• Convertir un PVB de segundo orden en un par de problemas de valor inicial (PVI) usando el Método de Disparo Lineal.
• Implementar el método de Newton para resolver iterativamente problemas de disparo no lineal.

Resumen: Esta lección cubre la aproximación numérica de soluciones a las tres clases principales de ecuaciones diferenciales parciales (EDP): elípticas, parabólicas e hiperbólicas. Usando el método de diferencias finitas, los estudiantes aprenderán a discretizar dominios continuos en mallas y transformar operadores diferenciales en sistemas algebraicos de ecuaciones. Las áreas clave de enfoque incluyen la estabilidad de métodos dependientes del tiempo (diferencia hacia adelante frente a Crank-Nicolson) y la solución iterativa de sistemas estacionarios (Poisson y Laplace).

Resultados de aprendizaje:

• Discretizar dominios espaciales y temporales usando mallas de diferencias finitas para diversos tipos de EDP.
• Aplicar métodos de diferencia hacia adelante, hacia atrás y Crank-Nicolson para resolver ecuaciones de calor parabólicas, evaluando restricciones de estabilidad.
• Construir y resolver sistemas lineales derivados de ecuaciones elípticas (Poisson/Laplace) y ecuaciones de onda hiperbólicas.