4.6. Análisis Numérico y Científico (NSA)

4.6. Análisis Numérico y Científico (NSA)

Esta área cubre el diseño, análisis e implementación de algoritmos para el cálculo numérico, incluyendo aritmética de punto flotante, sistemas lineales, aproximación, integración, ecuaciones diferenciales, optimización y computación de alto rendimiento.

Tabla 4.6: Lista de KUs del área de Análisis Numérico y Científico.

4.6.1. NSA/Análisis de Error y Aritmética de Punto Flotante  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Fuentes de error numérico, aritmética de punto flotante IEEE 754, redondeo, cancelación y análisis de error hacia adelante y hacia atrás.
Temas:
Core

  • Representación de punto flotante IEEE 754: épsilon de la máquina, desbordamiento, subdesbordamiento y modos de redondeo
  • Errores de redondeo, cancelación catastrófica y pérdida de significancia
  • Análisis de error hacia adelante y hacia atrás; número de condición de un problema
  • Estabilidad numérica: algoritmos estables vs. inestables; análisis de error hacia atrás de Wilkinson
  • Propagación del error en operaciones aritméticas y evaluación de funciones

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar el estándar de punto flotante IEEE 754 e identificar las fuentes de errores de redondeo y cancelación [Familiarizarse]
  2. Estimar el número de condición de un problema y predecir la precisión de un resultado numérico [Usar]
  3. Analizar un algoritmo en cuanto a su estabilidad numérica utilizando cotas de error hacia adelante y hacia atrás [Evaluar]

4.6.2. NSA/Búsqueda de Raíces de Ecuaciones No Lineales  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Métodos iterativos para aproximar raíces de ecuaciones no lineales de una variable, su análisis de convergencia y su extensión a sistemas de ecuaciones no lineales.
Temas:
Core

  • Método de bisección: acotamiento del intervalo, criterio de parada y cota del error
  • Iteración de punto fijo y condiciones suficientes de convergencia
  • Método de Newton-Raphson: derivación, convergencia cuadrática y casos de falla
  • Método de la secante como alternativa al método de Newton sin derivada explícita
  • Orden de convergencia y comparación de la eficiencia entre métodos iterativos
  • Extensión del método de Newton a sistemas de ecuaciones no lineales mediante la matriz Jacobiana

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Comparar las hipótesis y garantías de convergencia de los métodos de bisección, punto fijo, Newton-Raphson y secante [Familiarizarse]
  2. Implementar el método de Newton-Raphson y el método de la secante para aproximar raíces de una función no lineal [Usar]
  3. Analizar el orden de convergencia de un método iterativo dado y justificar la elección de método según el costo computacional y la disponibilidad de la derivada [Evaluar]

4.6.3. NSA/álgebra Lineal Numérica  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Algoritmos para resolver sistemas lineales, problemas de mínimos cuadrados, problemas de valores propios y factorizaciones matriciales, con atención a la estabilidad y complejidad.
Temas:
Core

  • Eliminación gaussiana con pivoteo parcial, factorización LU y análisis de complejidad
  • Factorización QR mediante Householder y Gram-Schmidt; problemas de mínimos cuadrados
  • Algoritmos para valores propios: iteración por potencias, algoritmo QR y método de Lanczos
  • Descomposición en valores singulares: cálculo, truncamiento y aplicaciones (PCA, pseudoinversa)
  • Métodos iterativos para sistemas grandes dispersos: CG, GMRES y precondicionamiento

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Comparar solucionadores directos e iterativos y seleccionar el método apropiado para una estructura de matriz dada [Familiarizarse]
  2. Aplicar factorización QR y SVD para resolver problemas de mínimos cuadrados y calcular aproximaciones de bajo rango [Usar]
  3. Analizar la estabilidad numérica y el costo computacional de algoritmos para valores propios [Evaluar]

4.6.4. NSA/Teoría de Aproximación e Interpolación  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Interpolación polinomial y por splines, mejor aproximación, polinomios de Chebyshev y aproximación racional.
Temas:
Core

  • Interpolación polinomial: Lagrange, diferencias divididas de Newton y fenómeno de Runge
  • Interpolación por splines: splines cúbicos, B-splines y métodos de funciones polinómicas a trozos
  • Mejor aproximación en espacios normados: Chebyshev (minimax) y mínimos cuadrados
  • Polinomios de Chebyshev: propiedades, ortogonalidad y convergencia espectral
  • Aproximación trigonométrica y transformada rápida de Fourier (FFT)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar el fenómeno de Runge y justificar la elección de nodos de Chebyshev para mitigarlo [Familiarizarse]
  2. Construir interpolantes por splines cúbicos y de Chebyshev para datos dados y estimar el error de interpolación [Usar]
  3. Aplicar la FFT para calcular eficientemente aproximaciones trigonométricas de una función muestreada [Evaluar]

4.6.5. NSA/Integración Numérica y Cuadratura  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Reglas de cuadratura, integración adaptativa, cuadratura gaussiana e integración multidimensional.
Temas:
Core

  • Reglas de Newton-Cotes: trapezoidal, Simpson y reglas compuestas; análisis de error
  • Cuadratura adaptativa y control automático del error
  • Cuadratura gaussiana: nodos y pesos óptimos, conexión con polinomios ortogonales
  • Tratamiento numérico de integrales impropias y singulares
  • Integración de Monte Carlo y métodos cuasi-Monte Carlo para integrales de alta dimensión

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Derivar la fórmula de error para la regla compuesta de Simpson e identificar su orden de precisión [Familiarizarse]
  2. Seleccionar y aplicar una regla de cuadratura apropiada (Gaussiana, adaptativa) según la regularidad del integrando [Usar]
  3. Aplicar integración de Monte Carlo para estimar integrales de alta dimensión y cuantificar el error estadístico [Evaluar]

4.6.6. NSA/Métodos Numéricos para Ecuaciones Diferenciales  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Métodos de diferencias finitas y Runge-Kutta para EDOs, análisis de estabilidad y métodos de diferencias finitas para EDPs.
Temas:
Core

  • Métodos de Runge-Kutta: Euler, RK4 y métodos embebidos para control de error
  • Métodos lineales multipaso: Adams-Bashforth, Adams-Moulton y métodos BDF
  • Análisis de estabilidad: cero-estabilidad, regiones de estabilidad absoluta y EDOs rígidas
  • Métodos de diferencias finitas para EDPs parabólicas y elípticas: estabilidad y convergencia (teorema de equivalencia de Lax)
  • Problemas de valores en la frontera: método del disparo y discretización por diferencias finitas

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Comparar solucionadores de EDOs explícitos e implícitos y explicar su estabilidad relativa para problemas rígidos [Familiarizarse]
  2. Implementar un método de Runge-Kutta con control de paso adaptativo y aplicarlo a un sistema de EDOs [Usar]
  3. Analizar la estabilidad y convergencia de un esquema de diferencias finitas para una EDP parabólica usando el teorema de equivalencia de Lax [Evaluar]

4.6.7. NSA/Método de Elementos Finitos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Formulación variacional, métodos de Galerkin, espacios de elementos finitos, estimaciones de error y aplicaciones a EDPs elípticas.
Temas:
Core

  • Formulación débil (variacional) de problemas de valor en la frontera y espacios de Sobolev
  • Método de Galerkin: espacios de aproximación de dimensión finita y matriz de rigidez
  • Espacios de elementos finitos triangulares y cuadriláteros: elementos de Lagrange y conformidad
  • Estimaciones de error a priori: lema de Céa y cotas de error de interpolación

Non Core

  • Estimaciones de error a posteriori y refinamiento adaptativo de malla

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Derivar la formulación débil de un PVE elíptico y mostrar su equivalencia con la forma fuerte [Familiarizarse]
  2. Ensamblar la matriz de rigidez global y el vector de carga para una discretización lineal por elementos finitos [Usar]
  3. Estimar el error en \(H^1\) de una solución por elementos finitos usando el lema de Céa y la teoría de interpolación [Evaluar]

4.6.8. NSA/Algoritmos de Optimización  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Métodos de gradiente, métodos de Newton y cuasi-Newton, optimización con restricciones y algoritmos de optimización convexa.
Temas:
Core

  • Descenso por gradiente y métodos de búsqueda lineal: condiciones de Armijo-Wolfe y tasas de convergencia
  • Método de Newton y métodos cuasi-Newton (BFGS, L-BFGS)
  • Optimización con restricciones: condiciones KKT, métodos de penalización y programación cuadrática secuencial
  • Algoritmos de optimización convexa: métodos de punto interior y método de multiplicadores de dirección alterna (ADMM)
  • Descenso de gradiente estocástico (SGD), reducción de varianza y optimizador Adam

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar las garantías de convergencia del descenso por gradiente para funciones convexas suaves [Familiarizarse]
  2. Aplicar los métodos de Newton y cuasi-Newton a problemas de optimización sin restricciones [Usar]
  3. Formular un problema de optimización con restricciones como un sistema KKT y aplicar un método de punto interior [Evaluar]

4.6.9. NSA/Computación Paralela y de Alto Rendimiento  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Arquitecturas paralelas, modelos de rendimiento, algoritmos paralelos para álgebra lineal y computación con GPUs.
Temas:
Core

  • Arquitecturas paralelas: memoria compartida (OpenMP), memoria distribuida (MPI) y GPU (CUDA)
  • Modelos de rendimiento: ley de Amdahl, modelo de línea techada y complejidad de comunicación
  • Algoritmos paralelos para álgebra lineal densa y dispersa (ScaLAPACK, PETSc)
  • Descomposición de dominio y solucionadores paralelos de EDPs

Non Core

  • Diferenciación automática (modo directo y reverso) y su rol en ML científico

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Explicar la ley de Amdahl e identificar los cuellos de botella que limitan la aceleración paralela en un algoritmo dado [Familiarizarse]
  2. Implementar una rutina paralela de álgebra lineal usando MPI o OpenMP y medir la eficiencia paralela [Usar]

NonCore:

  1. Aplicar diferenciación automática para calcular gradientes de funciones científicas complejas con fines de optimización [Evaluar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono