Plantilla de curso
Integración y diferenciación numérica en aplicaciones (5 módulos)
Integración y diferenciación numérica con Python.
Objetivo educativo
Esta plantilla de curso transmite procedimientos centrales de integración numérica y diferenciación numérica mediante problemas concretos derivados de datos de medición y modelos funcionales. Construye competencias profesionales en la selección, implementación y evaluación de métodos numéricos, especialmente en la comparación de distintas aproximaciones y sus características de error. La plantilla combina modelado matemático con una implementación algorítmica claramente estructurada en Python, mostrando cómo los datos, las fórmulas e implementación se influyen mutuamente. Profesionalmente, debe asignarse al área de métodos numéricos, análisis orientado a datos y modelado relacionado con aplicaciones.
Enfoque en competencias
- Implementación de la regla del trapecio, regla de Simpson, cuadratura Gauss-Legendre y regla trapezoidal adaptativa para integración numérica
- Diferenciación numérica de datos discretos con diferencias adelantadas, retrocedidas y centradas
- Análisis de errores y estudios del tamaño de paso para evaluar la precisión y seleccionar métodos
- Procesamiento y evaluación de datos CSV de archivos de medición con pandas y NumPy
- Comparación de implementaciones propias con valores de referencia o funciones de biblioteca
- Visualización de tendencias de error, series de mediciones y resultados numéricos con Matplotlib
- Interpretación de resultados numéricos en contextos aplicados como distancia, energía y trabajo
Estructura de los módulos
Distancia a partir de datos del sensor: Regla trapezoidal
Este módulo introduce la integración numérica de datos de medición discretos usando la regla trapezoidal para calcular una distancia a partir de valores de velocidad.
Regla de Simpson: Energía a partir de series potencia-tiempo
Este módulo profundiza en la integración de series temporales equidistantes usando la regla de Simpson y ordena los resultados metodológicamente mediante una comparación de métodos.
Cuadratura de Gauss: Error frente a nodos
Este módulo amplía el canon del método con la cuadratura de Gauss-Legendre y se enfoca en la relación entre número de nodos y error de aproximación.
Derivada numérica: Error frente al tamaño de paso h
Este módulo trata sobre la diferenciación numérica de datos discretos y hace visibles los efectos de diferentes procedimientos de diferencia y tamaños de paso.
Regla del trapecio adaptativa: Trabajo a partir de la curva de fuerza
Este módulo introduce estrategias de refinamiento adaptativo y conecta los requisitos de precisión con el esfuerzo y el comportamiento de convergencia de la integración numérica.
Los módulos claramente estructurados crean objetivos de aprendizaje transparentes y pueden integrarse fácilmente en planes de lección existentes para análisis de datos y numerología.
Pruebe la plantilla en su propia enseñanza y adapte los módulos específicamente a su grupo y puntos focales específicos del tema.