- ES Español (Latinoamérica)

- EN English

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.
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:
- Explicar el estándar de punto flotante IEEE 754 e identificar las fuentes de errores de redondeo y cancelación [Familiarizarse]
- Estimar el número de condición de un problema y predecir la precisión de un resultado numérico [Usar]
- 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:
- Comparar las hipótesis y garantías de convergencia de los métodos de bisección, punto fijo, Newton-Raphson y secante [Familiarizarse]
- Implementar el método de Newton-Raphson y el método de la secante para aproximar raíces de una función no lineal [Usar]
- 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:
- Comparar solucionadores directos e iterativos y seleccionar el método apropiado para una estructura de matriz dada [Familiarizarse]
- Aplicar factorización QR y SVD para resolver problemas de mínimos cuadrados y calcular aproximaciones de bajo rango [Usar]
- 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:
- Explicar el fenómeno de Runge y justificar la elección de nodos de Chebyshev para mitigarlo [Familiarizarse]
- Construir interpolantes por splines cúbicos y de Chebyshev para datos dados y estimar el error de interpolación [Usar]
- 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:
- Derivar la fórmula de error para la regla compuesta de Simpson e identificar su orden de precisión [Familiarizarse]
- Seleccionar y aplicar una regla de cuadratura apropiada (Gaussiana, adaptativa) según la regularidad del integrando [Usar]
- 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:
- Comparar solucionadores de EDOs explícitos e implícitos y explicar su estabilidad relativa para problemas rígidos [Familiarizarse]
- Implementar un método de Runge-Kutta con control de paso adaptativo y aplicarlo a un sistema de EDOs [Usar]
- 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:
- Derivar la formulación débil de un PVE elíptico y mostrar su equivalencia con la forma fuerte [Familiarizarse]
- Ensamblar la matriz de rigidez global y el vector de carga para una discretización lineal por elementos finitos [Usar]
- 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:
- Explicar las garantías de convergencia del descenso por gradiente para funciones convexas suaves [Familiarizarse]
- Aplicar los métodos de Newton y cuasi-Newton a problemas de optimización sin restricciones [Usar]
- 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:
- Explicar la ley de Amdahl e identificar los cuellos de botella que limitan la aceleración paralela en un algoritmo dado [Familiarizarse]
- Implementar una rutina paralela de álgebra lineal usando MPI o OpenMP y medir la eficiencia paralela [Usar]
NonCore:
- Aplicar diferenciación automática para calcular gradientes de funciones científicas complejas con fines de optimización [Evaluar]