Análisis numérico

El análisis numérico o cálculo numérico es la rama de las matemáticas encargada de

diseñar algoritmos para, a través de números y reglas matemáticas simples, simular
procesos matemáticos más complejos aplicados a procesos del mundo real.
El análisis numérico cobra especial importancia con la llegada de los ordenadores.
Los ordenadores son útiles para cálculos matemáticos extremadamente complejos, pero
en última instancia operan con números binarios y operaciones matemáticas simples.
Desde este punto de vista, el análisis numérico proporcionará todo
el andamiaje necesario para llevar a cabo todos aquellos procedimientos matemáticos
susceptibles de expresarse algorítmicamente, basándose en algoritmos que permitan su
simulación o cálculo en procesos más sencillos empleando números.
Definido el error, junto con el error admisible, pasamos al concepto de estabilidad de los
algoritmos. Muchas de las operaciones matemáticas pueden llevarse adelante a través
de la generación de una serie de números que a su vez alimentan de nuevo el algoritmo
(feedback). Esto proporciona un poder de cálculo y refinamiento importantísimo a la
máquina que a medida que va completando un ciclo va llegando a la solución. El
problema ocurre en determinar hasta cuándo deberá continuar con el ciclo, o si nos
estamos alejando de la solución del problema.
Finalmente, otro concepto paralelo al análisis numérico es el de la representación, tanto
de los números como de otros conceptos matemáticos como los vectores, polinomios,
etc. Por ejemplo, para la representación en ordenadores de números reales, se emplea
el concepto de coma flotante que dista mucho del empleado por la matemática
convencional.
En general, estos métodos se aplican cuando se necesita un valor numérico como
solución a un problema matemático, y los procedimientos "exactos" o "analíticos"
(manipulaciones algebraicas, teoría de ecuaciones diferenciales, métodos
de integración, etc.) son incapaces de dar una respuesta. Debido a ello, son
procedimientos de uso frecuente por físicos e ingenieros, y cuyo desarrollo se ha visto
favorecido por la necesidad de éstos de obtener soluciones, aunque la precisión no sea
completa. Debe recordarse que la física experimental, por ejemplo, nunca arroja valores
exactos sino intervalos que engloban la gran mayoría de resultados experimentales
obtenidos, ya que no es habitual que dos medidas del mismo fenómeno arrojen valores
exactamente iguales.

Índice
[ocultar]

 1Problemas

o 1.1Clasificación atendiendo a su naturaleza o motivación

 2Áreas de estudio

o 2.1Cálculo de los valores de una función

o 2.2Resolución de ecuaciones y sistemas de ecuaciones

 o 2.3Descomposición espectral y en valores singulares

o 2.4Optimización

o 2.5Evaluación de integrales

o 2.6Ecuaciones diferenciales

 3Fuentes de error y su impacto

 4Otros temas de análisis numérico

 5Referencias

 6Enlaces externos

o 6.1En español

o 6.2En inglés

Problemas[editar]
Los problemas de esta disciplina se pueden dividir en dos grupos fundamentales:

 Problemas de dimensión finita: aquellos cuya respuesta son un conjunto finito

de números, como las ecuaciones algebraicas, los determinantes, los problemas
de valores propios, etc.

 Problemas de dimensión infinita: problemas en cuya solución o planteamiento

intervienen elementos descritos por una cantidad infinita de números, como
integración y derivación numéricas, cálculo de ecuaciones
diferenciales, interpolación, etc.
Clasificación atendiendo a su naturaleza o motivación[editar]
Asimismo, existe una subclasificación de estos dos grandes apartados en tres
categorías de problemas, atendiendo a su naturaleza o motivación para el empleo del
cálculo numérico:

 Problemas de tal complejidad que no poseen solución analítica.

 Problemas en los cuales existe una solución analítica, pero ésta, por
complejidad u otros motivos, no puede explotarse de forma sencilla en la práctica.

 Problemas para los cuales existen métodos sencillos pero que, para elementos
que se emplean en la práctica, requieren una cantidad de cálculos excesiva; mayor
que la necesaria para un método numérico.

Áreas de estudio[editar]
El análisis numérico se divide en diferentes disciplinas de acuerdo con el problema que
resolver.
Cálculo de los valores de una función[editar]
Uno de los problemas más sencillos es la evaluación de una función en un punto dado.
Para polinomios, uno de los métodos más utilizados es el algoritmo de Horner, ya que
reduce el número de operaciones a realizar. En general, es importante estimar y
controlar los errores de redondeo que se producen por el uso de la aritmética de punto
flotante.
La extrapolación es muy similar a la interpolación, excepto que ahora queremos
encontrar el valor de la función desconocida en un punto que no está comprendido entre
los puntos dados.
La regresión es también similar, pero tiene en cuenta que los datos son imprecisos.
Dados algunos puntos, y una medida del valor de la función en los mismos (con un error
debido a la medición), queremos determinar la función desconocida. El método de
los mínimos cuadrados es una forma popular de conseguirlo.
Resolución de ecuaciones y sistemas de ecuaciones [editar]
Otro problema fundamental es calcular la solución de una ecuación o sistema de
ecuaciones dado. Se distinguen dos casos dependiendo de si la ecuación o sistema de
ecuaciones es o no lineal. Por ejemplo, la ecuación es lineal mientras que la ecuación
de segundo grado no lo es.
Mucho esfuerzo se ha puesto en el desarrollo de métodos para la resolución
de sistemas de ecuaciones lineales. Métodos directos, i.e., métodos que utilizan
alguna factorización de la matriz son el método de eliminación de Gauss,
la descomposición LU, la descomposición de Cholesky para matrices simétricas (o
hermíticas) definidas positivas, y la descomposición QR. Métodos iterativos como
el método de Jacobi, el método de Gauss-Seidel, el método de las aproximaciones
sucesivas y el método del gradiente conjugado se utilizan frecuentemente para grandes
sistemas.
En la resolución numérica de ecuaciones no lineales algunos de los métodos más
conocidos son los métodos de bisección, de la secante y de la falsa posición. Si la
función es además derivable y la derivada se conoce, el método de Newton es muy
utilizado. Este método es un método de iteración de punto fijo. La linealización es otra
técnica para resolver ecuaciones no lineales.
Las ecuaciones algebraicas polinomiales poseen una gran cantidad de métodos
numéricos para enumerar :

 Método de Gräeffe (o método de Lobachevsky o de Lobachevsky-Dandelin-

Gräeffe o del cuadrado de las raíces)

 Método de Laguerre

 Método de Bairstow (o método de Lin-Bairstow)

 Método de Bernoulli
 Método de Horner

 Método de Householder

 Método de Newton-Raphson especializado para polinomios

 Método de Richmond especializado para polinomios

 Método modificado de Richmond

 Método de Newton-Horner

 Método de Richomnd-Horner

 Método de Birge-Biète

 Método de Jenkins-Traub
Descomposición espectral y en valores singulares[editar]
Bastantes problemas importantes pueden ser expresados en términos
de descomposición espectral (el cálculo de los vectores y valores propios de una matriz)
o de descomposición en valores singulares. Por ejemplo, el análisis de componentes
principales utiliza la descomposición en vectores y valores propios.
Optimización[editar]
Artículo principal: Optimización (matemática)

Los problemas de optimización buscan el punto para el cual una función dada alcanza
su máximo o mínimo. A menudo, el punto también satisface cierta restricción.
Ejemplos de, problemas de optimización son la programación lineal en que tanto la
función objetivo como las restricciones son lineales. Un método famoso de
programación lineal es el método simplex.
El método de los multiplicadores de Lagrange puede usarse para reducir los problemas
de optimización con restricciones a problemas sin restricciones.
Evaluación de integrales[editar]
Artículo principal: Integración numérica

La integración numérica, también conocida como cuadratura numérica, busca calcular el

valor de una integral definida. Métodos populares utilizan alguna de las fórmulas
de Newton–Cotes (como la regla del rectángulo o la regla de Simpson) o de cuadratura
gaussiana. Estos métodos se basan en una estrategia de "divide y vencerás", dividiendo
el intervalo de integración en subintervalos y calculando la integral como la suma de las
integrales en cada subintervalo, pudiéndose mejorar posteriormente el valor de la
integral obtenido mediante el método de Romberg. Para el cálculo de integrales
múltiples estos métodos requieren demasiado esfuerzo computacional, siendo útil
el método de Monte Carlo.
Ecuaciones diferenciales[editar]
El análisis numérico también puede calcular soluciones aproximadas de ecuaciones
diferenciales, bien ecuaciones diferenciales ordinarias, bien ecuaciones en derivadas
parciales. Los métodos utilizados suelen basarse en discretizar la ecuación
correspondiente. Es útil ver la derivación numérica.
Para la resolución de ecuaciones diferenciales ordinarias los métodos más utilizados
son el método de Euler y los métodos de Runge-Kutta.
Las ecuaciones en derivadas parciales se resuelven primero discretizando la ecuación,
llevándola a un subespacio de dimensión finita. Esto puede hacerse mediante
un método de los elementos finitos.

Fuentes de error y su impacto[editar]

Los algoritmos de los métodos numéricos suelen implementarse por medio de
computadoras. Estas poseen algunas propiedades que causan fallas al emplearlas para
hallar la solución numérica de problemas matemáticos, entre las que se encuentran las
siguientes:1

1. Las computadoras son capaces de almacenar un número finito de dígitos, por lo

que no pueden almacenar el conjunto de los números reales en su totalidad
para realizar operaciones numéricas con estos. En cambio, cuentan con un
subconjunto de los números reales al cual se conoce como números de punto
flotante o números de máquina. Al error al que conlleva esta limitante se le
llama error de redondeo.

2. Existen problemas que involucran muchos cálculos para su solución. En

ocasiones, las soluciones son sensibles a la precisión de los cálculos
intermedios, en cuyo caso se dice que las soluciones pueden haber sido
perturbadas por los datos.

3. A mayor número de operaciones realizadas se tendrá un error de redondeo

mayor. La velocidad que proveen las computadoras para el procesamiento ha
agilizado significativamente la rapidez con la que se calculan operaciones. Sin
embargo, la propagación de errores de redondeo por los cálculos realizados por
computadoras puede derivar en la inestabilidad de los resultados arrojados por
los algoritmos programados en ellas.
Las fallas en los cálculos intermedios realizados por una computadora para arrojar un
resultado final son, con frecuencia, desconocidos para los programadores y muy difíciles
de detectar: la suma y el producto de números de punto flotante son operaciones
conmutativas, pero no son asociativas y tampoco distributivas. Al no verificar estas dos
propiedades de los números reales, el manejo de las operaciones realizadas con
números de punto flotante resulta una tarea complicada. Por otra parte, el orden de las
operaciones puede incidir en la precisión de los resultados devueltos por la máquina,
pues dos expresiones equivalentes en un sentido algebraico pueden dar resultados
distintos en el contexto de los números de máquina.
Afortunadamente, existen algunas técnicas para prevenir y atacar el error de redondeo.
En2 se discuten algunas de las implicaciones de estas estrategias para las operaciones
básicas de suma, resta, multiplicación y división. También en2 se discuten algunos
estándares de punto flotante de la IEEE y las conexiones entre el punto flotante y el
diseño de sistemas computacionales.
El mejoramiento en la precisión de los números de punto flotante sigue siendo motivo de
estudio en nuestros días. En 2015, investigadores de la Universidad de Washington
desarrollaron una herramienta computacional a la que llamaron Herbie y que "detecta
automáticamente las transformaciones necesarias para que un programa mejore su
precisión" .3 Herbie evalúa el error de una expresión de punto flotante e identifica qué
operaciones contribuyen de forma más significativa a la acumulación de errores, luego
genera alternativas para realizar estas operaciones y hace un comparativo para
finalmente determinar la expresión equivalente óptima (aquella que minimiza el error)
para corregir el programa.
El interés en asegurar cierto nivel de precisión en los resultados numéricos provistos
una computadora se debe a sus posibles repercusiones en la práctica. Por ejemplo, en
el ámbito académico se han dado casos de artículos de investigación en los que el error
de redondeo ha impedido que los resultados sean reproducibles y, en ocasiones, éste
ha sido incluso motivo de rechazo para su publicación (4 y5). Este tipo de error también
ha permeado la regulación legal financiera de algunos países 3 y distorsionado índices
del mercado bursátil.6
La limitante en la representación de números reales mediante el punto flotante también
tiene repercusiones en las gráficas generadas por medio de una computadora. Cuando
un número es menor a lo que se conoce como el épsilon de máquina, la computadora
es incapaz de representarlo. Esto puede provocar que las gráficas asociadas a valores
numéricos menores al épsilon presenten falsos comportamientos y afectar la toma de
decisiones basadas en ellas, con consecuencias insospechadas, por ejemplo, al realizar
pronósticos, área en la que la precisión juega un papel crucial. 7
Existen otros tipos de error en el contexto de los métodos numéricos que merecen igual
atención y cuidado. Errores de truncamiento y de conversión, entre otros, han dado
origen a múltiples catástrofes: la falla del misil Patriot, la explosión del cohete Ariane 5,
el hundimiento de la plataforma petrolera Sleipner son sólo algunos ejemplos de ello. 8
De ahí la importancia de reconocer estas fuentes de error para anticiparse a ellas y, en
su caso, detectarlas y corregirlas.