EXPOSICIÓN DE MÉTODOS NUMÉRICOS

OBJETIVO: Los estudiantes investigarán y expondrán sobre los siguientes métodos

numéricos, explicando su fundamento, aplicación y ejemplos prácticos.

MÉTODOS NUMÉRICOS
“Un método numérico es una serie de pasos (procedimiento) que se plantean para obtener
una solución aproximada de un problema. Para lograr este objetivo, se utilizan cálculos
puramente aritméticos y lógicos.” -Octubre 29, 2020-
Una cadena de operaciones matemáticas utilizadas para encontrar una solución numérica
aproximada a un problema determinado.

DERIVACIÓN NUMÉRICA
1. FUNDAMENTOS TEÓRICOS DE LA DERIVACIÓN
NUMÉRICA
La derivación numérica es un método para calcular la derivada de una función utilizando
valores discretos en lugar de una expresión analítica. Se basa en aproximaciones de
diferencias finitas y es útil cuando la función no tiene una fórmula explícita o es compleja
de derivar analíticamente.
COMPARACION CON LA DERIVACION ANALITICA
La derivación analítica proporciona resultados exactos, pero puede ser compleja o
imposible de aplicar a datos discretos o funciones desconocidas. La derivación numérica,
aunque aproximada, permite obtener derivadas cuando sólo se tienen datos tabulados o
experimentales.

Característica Derivación Analítica Derivación Numérica

Requiere fórmula explícita Sí No
Precisión Exacta Aproximada
Aplicación en datos discretos No Sí
Costo computacional Bajo Medio/Alto

Errores de aproximación y propagación

Los errores en la derivación numérica provienen de dos fuentes principales:

Errores de Truncamiento
Se originan por la aproximación de la derivada mediante diferencias finitas. Su magnitud
depende del tamaño de donde un muy grande introduce imprecisión y uno muy pequeño
puede amplificar errores de redondeo.
Ejemplo:
 En la fórmula de diferencias centradas, el error es del orden de lo que indica que
disminuye cuadráticamente conforme se reduce.
Errores de Redondeo
Surgen debido a la representación finita de los números en los sistemas computacionales.
Con un demasiado pequeño, los errores de redondeo pueden afectar significativamente el
resultado final.

Propagación de Errores
Cuando la derivada numérica se calcula en varias etapas (por ejemplo, en derivadas de
orden superior), los errores pueden acumularse y afectar la precisión del resultado.

2. FÓRMULAS DE DIFERENCIAS FINITAS

La derivación numérica es una técnica de análisis numérico para calcular una aproximación
a la derivada de una función en un punto utilizando los valores y propiedades de esta.
Para minimizar los errores se estima que el promedio de las diferencias hacia adelante y
hacia atrás entrega la mejor aproximación numérica.
Por definición la derivada de una función f(x) es:

f′(x)=limh→0
f ( x+ h )−f ( x )
h
Las aproximaciones numéricas que podamos hacer (para h > 0) serán:

 Diferencias finitas hacia adelante

f′(x0)≈
f ( x 0 +h ) −f ( x 0 )
h❑

f”(x0)≈
[ f ( x+ 2 h )−2 f ( x +h ) + f ( x ) ]
2
h
 f ( x 0+ h )−f ( x 0 )
h
 Diferencias finitas hacia atrás

f′(x0)≈
f ( x 0 )−f ( x 0−h )
h

f'’(x0)≈
[ f ( x )−2 f ( x−h )+ f ( x−2 h ) ]
2
h

 Diferencias finitas centradas

f′(x0)≈
f ( x 0 +h ) −f ( x 0−h )
2h

f'’(x0)≈
f ( x 0 +h ) −2 f ( x 0 ) +f ( x 0−h )
2
h

 Análisis de error para cada método

La derivada de la función f en un punto x está definida por el límite

f′(x)=limh→0
f ( x+ h )−f ( x )
h
Si h tiene un valor fijado no nulo, en lugar de aproximarse a cero, el
término de la derecha se convierte en:

f ( x+ h )−f ( x ) ∆ h [ f ] ( x )
❑ =
h h
Por lo tanto, la diferencia posterior dividida por h aproxima a la
derivada cuando h es pequeño. El error de esta aproximación puede
derivarse del teorema de Taylor. Asumiendo que f es continuamente
diferenciable, el error es:

∆h [ f ] ( x ) '
−f ( x ) =O ( h )( h→ 0 )
h
La misma fórmula es válida en la diferencia anterior:
 ∇h [ f ] ( x ) '
−f ( x )=O ( h )
h

Sin embargo, la diferencia central lleva a una aproximación más

ajustada. Su error es proporcional al cuadrado del espaciado (si f es dos
veces continuamente diferenciable).

δ h[ f ] ( x ) '
−f ( x )=O ( h2 )
h

3. DERIVADAS DE ORDEN SUPERIOR

Se entiende por derivadas de orden superior a la segunda derivada de la función, es decir, se
tiene una función f(x) a la cual se le calcula su derivada f'(x) (primera derivada) y esta se
deriva nuevamente para obtener f»'(x), es decir, es la derivada de la función derivada.
Aproximaciones de segunda derivada

La segunda derivada de una función f(x) puede aproximarse numéricamente de varias

maneras. Estas aproximaciones son especialmente útiles cuando no es posible obtener una
expresión analítica para la derivada.

El orden de las derivadas se denota:

Derivada de segundo orden

Derivada de tercer orden

Derivada de cuarto orden

las siguientes derivadas de mayor orden, no utilizamos el apóstrofe para denotar el orden,
se utiliza:

Precisión y Estabilidad

La precisión y estabilidad son consideraciones cruciales al trabajar con derivadas

numéricas:

1. Error de truncamiento:
a. Las aproximaciones tienen errores que dependen de h
b. Para diferencias centradas de segundo orden: error ∝ h²
c. Para diferencias adelantadas/atrasadas: error ∝ h
2. Error de redondeo:
a. Aumenta cuando h disminuye debido a la resta de números casi iguales
b. Existe un balance óptimo entre error de truncamiento y redondeo
3. Estabilidad numérica:
a. Las derivadas de orden superior son más sensibles a errores
b. Las perturbaciones pequeñas pueden amplificarse significativamente
c. Para la n-ésima derivada, el factor de condicionamiento crece como 1/h^n
4. Técnicas para mejorar la estabilidad:
a. Uso de diferencias finitas de orden superior
b. Técnicas de regularización
c. Métodos adaptativos que ajustan h automáticamente

4. APLICACIONES PRÁCTICAS
 Resolución de ecuaciones diferenciales
Las ecuaciones diferenciales involucran derivadas de una función, y cuando estas no tienen
solución analítica (es decir, no se pueden resolver con métodos algebraicos), se recurre a
derivadas numéricas para aproximar las soluciones.
1. Transformación de la ecuación diferencial En lugar de trabajar con derivadas
exactas, se reemplazan estas por su aproximación numérica utilizando fórmulas de
diferencias finitas:
Por ejemplo, si tienes y′(x)=f(x,y)y'(x) = f(x, y), la derivada y′(x)y'(x) puede aproximarse
usando diferencias finitas hacia adelante:
 y (x +h)− y (x )
y ´ (x )≈
h
2. Discretización del problema Se discretiza el dominio continuo en pasos pequeños
(h) y se calculan valores aproximados de la función en puntos específicos (x 0 , x 1 , x 2 , ...)

 Problemas de optimización (mejorar)

La derivación numérica es una herramienta poderosa en problemas de optimización porque
nos permite calcular las derivadas de funciones complejas o discretas. Estas derivadas son
esenciales para encontrar máximos y mínimos de funciones, lo que es el corazón de la
optimización.
Identificación de extremos de funciones
En problemas de optimización, queremos encontrar los puntos donde una función alcanza
sus valores máximos o mínimos. Para ello, necesitamos saber dónde la derivada de la
función es cero (f′(x)=0f'(x) = 0) o donde cambia de signo.
 Ejemplo: Si una empresa quiere maximizar sus beneficios, debe encontrar el punto
donde la derivada de su función de beneficios con respecto a la producción es cero.
Esto se hace buscando el máximo de esa función.
Gradiente y métodos de descenso
En optimización multivariable, se usa el gradiente, que es un vector de derivadas parciales.
Los métodos de descenso utilizan el gradiente para encontrar la dirección en la que se debe
mover para alcanzar un mínimo.
 Método de gradiente descendente:
o Calcula la derivada (gradiente) de la función.

o Mueve el punto en la dirección opuesta al gradiente para minimizar la

función.
o Itera hasta que se alcanza un mínimo (o máximo).

Algoritmos de optimización
 Método de Newton: Utiliza la derivada y la segunda derivada (curvatura) para
encontrar más rápidamente los puntos extremos.
xn+1=xn−f′(xn)f′′(xn)x_{n+1} = x_n - \frac{f'(x_n)}{f''(x_n)}
  Optimización lineal y no lineal: Los algoritmos numéricos que usan derivadas
numéricas son vitales para resolver problemas en estos campos.
Derivación numérica en datos discretos
En muchos casos, solo tenemos datos discretos (por ejemplo, de experimentos). La
derivación numérica nos permite:
 Aproximar la derivada: Utilizando diferencias finitas para encontrar tasas de
cambio.
 Aplicar optimización: A datos experimentales para encontrar condiciones óptimas.

 Análisis de datos experimentales

La derivación numérica es muy útil en el análisis de datos experimentales porque permite
calcular tasas de cambio y derivadas a partir de datos discretos obtenidos en experimentos.
Esto es particularmente importante cuando los datos no están en una forma continua y no se
puede obtener una función matemática exacta.
Cálculo de tasas de cambio
En muchos experimentos, necesitamos saber cómo una variable cambia respecto a otra. La
derivación numérica nos permite calcular la tasa de cambio o la derivada de los datos
experimentales:
 Ejemplo: Si tienes datos de posición de un objeto en diferentes tiempos, puedes
usar la derivación numérica para calcular su velocidad (tasa de cambio de la
posición).
Ajuste de curvas
A menudo, los datos experimentales no siguen una función conocida y debemos ajustar una
curva a los datos:
 Interpolación: Usamos métodos de interpolación para ajustar un polinomio a los
datos discretos.
 Derivación: Luego, derivamos este polinomio para encontrar la tasa de cambio en
cualquier punto.

 Aplicaciones en ingeniería y física - Ejemplos

Permite analizar y modelar fenómenos complejos donde las soluciones exactas no están
disponibles.
 INGENIERIA FISICA
En ingeniería, la derivación numérica se utiliza En la física, la derivación numérica es crucial para
para resolver problemas prácticos que involucran modelar fenómenos naturales y realizar
tasas de cambio, como fuerzas, tensiones o flujos. simulaciones. Algunos ejemplos incluyen:
Algunas aplicaciones clave son:

a) Análisis estructural a) Mecánica clásica

 Se usa para calcular tensiones y  Se utiliza para calcular velocidades y
deformaciones en estructuras sometidas a aceleraciones en sistemas dinámicos.
fuerzas externas, como puentes y edificios.
Ejemplo: En un péndulo, la posición angular se
Por ejemplo: La segunda derivada del mide experimentalmente y la derivada numérica
desplazamiento en una viga nos da la curvatura, permite determinar la velocidad angular y la
que se relaciona con el momento flector en el aceleración centrípeta.
análisis estructural.

b) Dinámica de sistemas b) Electromagnetismo

 Permite analizar sistemas en movimiento,  En circuitos eléctricos y campos
como vibraciones mecánicas o maquinaria electromagnéticos, la derivación numérica
rotativa. se aplica para analizar cómo cambian las
corrientes, voltajes o campos con el
Ejemplo: Determinar la aceleración (segunda
tiempo.
derivada de la posición) de una máquina en
funcionamiento para garantizar su estabilidad. Ejemplo: En un circuito RLC, se utiliza la
derivación numérica para resolver las ecuaciones
diferenciales que describen el comportamiento del
sistema.

c) Transferencia de calor c) Simulación de sistemas físicos complejos

 En problemas de transferencia de calor, se  Muchos sistemas físicos, como el
usan derivadas numéricas para calcular movimiento de partículas bajo fuerzas
cómo cambia la temperatura en un material gravitacionales o eléctricas, requieren
a lo largo del tiempo. simulaciones que dependen de derivadas.
Ejemplo: Simular la conducción de calor en una Ejemplo: La trayectoria de un cohete se modela
placa metálica mediante ecuaciones diferenciales resolviendo las ecuaciones diferenciales que
parciales, donde las derivadas se aproximan involucran fuerza, masa y aceleración.
numéricamente.

d) Dinámica de fluidos d) Física de materiales

 En la simulación del flujo de líquidos o  En el estudio de materiales, se usa la
gases, se resuelven las ecuaciones de derivación numérica para analizar cómo
Navier-Stokes, que involucran derivadas cambian las propiedades (como la
parciales. La derivación numérica se utiliza resistencia o elasticidad) con respecto a las
para aproximarlas en sistemas complejos, condiciones externas, como la temperatura
como el diseño de aviones o turbinas. o el estrés.

2. EJEMPLOS NUMÉRICOS DESARROLLADOS

Referencias Bibliográficas
https://departamento.us.es/edan/php/asig/GRABIO/GBM/Tema4.pdf
colaboradores de Wikipedia. (2022, 17 septiembre). Diferencia finita. Wikipedia, la

Enciclopedia Libre. https://es.wikipedia.org/wiki/Diferencia_finita

colaboradores de Wikipedia. (2019, 21 octubre). Derivación numérica. Wikipedia, la

Enciclopedia Libre. https://es.wikipedia.org/wiki/Derivaci%C3%B3n_num

%C3%A9rica#:~:text=Formulaci%C3%B3n%20mediante%20diferencias

%20finitas&text=Las%20aproximaciones%20num%C3%A9ricas%20que

%20podamos,Diferencias%20hacia%20adelante:&text=La%20aproximaci

%C3%B3n%20de%20la%20derivada,Diferencias%20centrales:

https://www.cimat.mx/ciencia_para_jovenes/bachillerato/calculo_diferencial_2015/

stewart_cap4.pdf

https://entenderlasmates.blogspot.com/2017/11/aplicaciones-de-la-derivada-en-la-vida.html

Burden, R. L., & Faires, J. D. (2011).

Análisis Numérico (9ª ed.). Cengage Learning.

Chapra, S. C., & Canale, R. P. (2010).

Métodos Numéricos para Ingenieros (6ª ed.). McGraw-Hill.

https://www.khanacademy.org