Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de ingeniería
Por otro lado, se encuentran las ecuaciones diferenciales lineales en las que se
debe multiplicar por el factor de integración y luego resolver la integral de forma
analítica. Es crucial tener claro que en las ecuaciones diferenciales parciales se
debe hacer un cambio de variable que permita la resolución de la ecuación.
Para programar los métodos numéricos con Python se deben tener en cuenta
las condiciones de frontera. A continuación se procede a usar varios paquetes
que funcionan como complementos en la programación de las ecuaciones
diferenciales como lo son NumPy, SymPy y SciPy. Para esto se utiliza el
código “sympy.pdsolve” el cual solo ayuda para solucionar ecuaciones de
primer orden.
¿Y para casos más avanzados?
Cuando se requiere solucionar casos más avanzados, se puede hacer una
separación inicial de variables y ahí hacer uso del código para mayor
simplicidad.
También se pueden explorar otras funciones y códigos que permitan resolver
ecuaciones con métodos numéricos avanzados de Python. Todo esto ayuda a
facilitar y reducir una cantidad de pasos que incluyen álgebra, integrar y derivar
de acuerdo a lo que implique el problema.
Es importante recalcar que el paquete de SymPy permite resolver ecuaciones
diferenciales de primer orden, colocando las condiciones iniciales del problema
y el código “sympy.pdsolve”. Además, a las ecuaciones diferenciales ordinarias
se le puede graficar el campo de dirección con el código “campo_dir” y las
soluciones de la ED ordinaria.
Otro método utilizado en la solución de ecuaciones diferenciales es utilizando el
método Laplace que ofrece la transformada a cierto tipo de ED. Ya para
resolverlo mediante métodos numéricos en Python se utiliza SymPy y el código
“sympy_eq (nombre ED)”. De forma sucesiva se puede ver la importancia que
va tomando la programación en Python para facilitar la resolución de
ecuaciones diferenciales.
NumPy
numpy es un poderoso módulo de Python para cálculo científico con arreglos
de datos
multidimensionales. Brinda a Python de una gran funcionalidad y es
ampliamente usado
por la comunidad científica. Recientemente ha contribuido a la generación de la
primera imagen de un agujero negro y también en la detección de ondas
gravitacionales.