Análisis numérico

Ir a la navegaciónIr a la búsqueda
El análisis numérico o cálculo numérico es la rama de
las matemáticas encargada de diseñar algoritmos para simular aproximaciones de
solución a problemas en análisis matemático. Se distingue del cómputo
simbólico en que no manipula expresiones algebraicas, sino números.
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 estos 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.

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 Richmond-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. En 2 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, este ha sido incluso motivo
de rechazo para su publicación (4 y5). Este tipo de error también ha permeado la regulación
legal financiera de algunos países3 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 solo 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.

Otros temas de análisis numérico[editar]

 error de aproximación, error absoluto y error relativo

 orden de convergencia
 redondeo
 sistema de numeración
 truncamiento
Referencias[editar]

1. ↑ Forsythe, George E. (1 de enero de 1970). «Pitfalls in Computation, or why a Math Book isn't

Enough». The American Mathematical Monthly 77 (9): 931-956. doi:10.2307/2318109. Consultado
el 2 de marzo de 2016.
2. ↑ Saltar a:a b Goldberg, David (1 de marzo de 1991). «What Every Computer Scientist Should Know
About Floating-point Arithmetic». ACM Comput. Surv. 23 (1): 5-48. ISSN 0360-
0300. doi:10.1145/103162.103163. Consultado el 2 de marzo de 2016.
3. ↑ Saltar a:a b Panchekha, Pavel; Sanchez-Stern, Alex; Wilcox, James R.; Tatlock, Zachary (1 de
enero de 2015). «Automatically Improving Accuracy for Floating Point
Expressions». Proceedings of the 36th ACM SIGPLAN Conference on Programming Language
Design and Implementation. PLDI 2015 (ACM): 1-
11. ISBN 9781450334686. doi:10.1145/2737924.2737959. Consultado el 2 de marzo de 2016.
4. ↑ Altman, Micah; Gill, Jeff; McDonald, Michael P. (15 de febrero de 2004). Numerical Issues in
Statistical Computing for the Social Scientist (en inglés). John Wiley & Sons. ISBN 9780471475743.
Consultado el 2 de marzo de 2016.
5. ↑ Altman, Micah; McDonald, Michael P. (1 de agosto de 2003). «Replication with Attention to
Numerical Accuracy». Political Analysis (en inglés) 11 (3): 302-307. ISSN 1047-
1987. doi:10.1093/pan/mpg016. Consultado el 2 de marzo de 2016.
6. ↑ McCullough, B. D.; Vinod, H. D. (1 de enero de 1999). «The Numerical Reliability of
Econometric Software». Journal of Economic Literature 37 (2): 633-665. Consultado el 2 de
marzo de 2016.
7. ↑ McCullough, B. D. (2000). «Is it safe to assume that software is accurate?». International
Journal of Forecasting 16 (3): 349-357.
8. ↑ «Computer Arithmetic Tragedies page of Kees Vuik». ta.twi.tudelft.nl. Consultado el 2 de
marzo de 2016.