EduardoProfe666 / Matematica-Numerica-Google-Colab

🐱💻 Proyecto de MN que contiene jupyter notebooks con implementaciones de los algoritmos más importantes

Proyecto de MN en Google Colaboratory

Warning

El proyecto aún se encuentra en fase de desarrollo por lo que pueden existir errores y código incompleto

Proyecto que contiene una serie de jupyter notebooks con documentación sobre los diferentes algoritmos a utilizar en la asignatura, su implementación en python, y una sección para insertar los datos y obtener los resultados de cada algoritmo.

La forma de uso sugerida es a través de Google Colaboratory, servicio en línea para la ejecución de código python de manera sencilla, rápida y segura, y sin la necesidad de instalar nada, en cualquier plataforma: Windows, Linux, MacOs, Android y IOs.

También se puede emplear de forma local mediante Jupyter Lab.

Directorio de enlaces de los notebooks a Google Colab

Note

El directorio se encuentra ordenado por capítulos según el libro de texto de MN

• Cap 1: Teoría de Errores
  • Medidas del Error
  • Cifras significativas
  • Cifras decimales
  • Cifras exactas
• Cap 2: Raíces de Ecuaciones Algebraicas
  • Separación de raíces
    • Método Gráfico
    • Teorema de Bolzano-Cauchy
    • Regla de Descartes
    • Fórmula de Lagrange
  • Resolución de ecuaciones algebraicas
    • Método de Bisección
    • Método de Regula Falsi (Falsa Posición)
    • Método de Newton-Raphson
    • Método de Secantes
• Cap 3: Sistemas de Ecuaciones Lineales y Matrices
  • Convertir matriz a la forma X = MX + C
  • Matriz con diagonal predominante
  • Método de Jacobi
  • Método de Gauss-Seidel
• Cap 4: Aproximación de Funciones
  • Método de LaGrange
  • Método de Newton
• Cap 5: Integración Numérica
  • Método de los Trapecios
  • Método de Simpson
• Cap 6: Optimización Numérica
  • Sin restricciones
    • Búsqueda Secuencial Uniforme
    • Búsqueda Secuencial Acelerada
  • Con restricciones
    • Bisección
    • Sección de Oro
• Cap 7: Ecuaciones Diferenciales Ordinarias
  • Método de Euler
  • Método de Runge-Kutta 2 (RK2)
  • Método de Runge-Kutta 4 (RK4)
• Extras:
  • Playground
  • Playground para graficar
  • Calculadora de Límites
  • Calculadora de Derivadas
  • Calculadora de Integrales
• Documentación de bibliotecas usadas:
  • Matrices (Arrays) en NumPy
  • Funciones en NumPy
  • Funciones en SymPy
  • Graficar en SymPy
  • Graficar en MatPlotLib

Modo de Uso

Acceder a los notebooks en Google Colab

Para poder acceder a los notebooks en Colab se puede realizar:

• Explorando los archivos en el repositorio:

  

  [!NOTE] Una vez dentro del archivo .ipynb deseado, pruebe a cambiar el enlace de github.com/... a githubtocolab.com/...

• Utilizando el directorio de enlaces que se encuentra en este Readme

Entorno de Desarrollo de Google Colab

Tips:

• Para la navegación organizada dentro del archivo se puede emplear el índice proporcionado por la página
• Para poder empezar a ejecutar el notebook se debe conectar a un entorno de ejecución de Google Colab
• Cambiar los datos de entrada en las secciones de inserción de datos para poder obtener los resultados deseados
• Para ejecutar el nuevo código, ir a la pestaña Entorno de ejecución y seleccionar la opción Reiniciar y ejecutar todo, aceptando todas las ventanas emergentes
• Para poder ver los resultados dirigirse a la sección de salida de datos

Versión de Escritorio (Google Chrome)

Versión Móvil (Google Chrome)

Acceder a los notebooks mediante Jupyter Lab

Para poder acceder a los notebooks en Jupyter Lab se deben realizar los siguientes pasos (Windows):

• Descargar e instalar python 3

• Descargar los notebooks de Github

• Abrir la consola del sistema (cmd) en la localización de los notebooks (shift+click derecho -> Abrir ventana de comandos aquí)

• Instalar las dependencias necesarias mediante pip install (Ej: pip install numpy), o usando el archivo requeriments.txt incluido en este repositorio

• Lanzar sistema mediante el comando jupyter lab

Entorno de Desarrollo de Jupyter Lab

Tutorial de Jupyter Lab

Bibliotecas Empleadas:

• numpy~=1.26.0
• matplotlib~=3.8.0
• scipy~=1.11.2
• sympy~=1.12
• jupyterlab~=4.0.6
• pandas~=2.1.1