SciPy: dejar de escribir el algoritmo
Si el algoritmo tiene nombre —bisección, Simpson, Runge-Kutta, Gradiente conjugado— ya está escrito, probado y con los casos raros resueltos. Escribirlo otra vez no es rigor: es riesgo. Este capítulo mide cuándo la biblioteca gana de verdad y cuándo el bucle propio sigue siendo mejor.
En una línea
Sección titulada «En una línea»SciPy no es más rápido por magia: trae el algoritmo correcto y sus condiciones de borde. La parte que no trae es la comprobación contra un caso cerrado, y esa sigue siendo tuya.
Raíces: brentq
Sección titulada «Raíces: brentq»El capítulo de tuberías resolvía Colebrook iterando la fórmula sobre sí misma. Se puede seguir haciendo, pero entonces hay que demostrar que la iteración converge. brentq no lo necesita: sólo pide una función continua y un intervalo con cambio de signo.
from scipy import optimize
def residuo(f): rugosidad = eps_D / 3.7 + 2.51 / (Re * math.sqrt(f)) return 1 / math.sqrt(f) + 2 * math.log10(rugosidad)
f = optimize.brentq(residuo, 1e-4, 0.5, xtol=1e-15)| Método | f |
Coste |
|---|---|---|
| Punto fijo (capítulo de tuberías) | 0.018134909113 | 8 iteraciones |
| Bisección a mano | 0.018134909113 | 49 iteraciones |
brentq |
0.018134909113 | 15 evaluaciones |
python mediciones/05-08-scipy.py
Las tres llegan al mismo número con diferencia de 4.3·10⁻¹⁵. Y aquí está la lección incómoda: la biblioteca no siempre gana. Para esta ecuación, el punto fijo converge en 8 iteraciones, la mitad que brentq. Lo que brentq compra no es velocidad: es no tener que demostrar que la iteración converge, y funcionar igual si mañana la ecuación cambia y deja de ser una contracción.
Cuadratura: quad
Sección titulada «Cuadratura: quad»from scipy import integrate
volumen, error = integrate.quad(hidrograma, 0, 4.0)| Integral | quad |
Cerrada | Error relativo |
|---|---|---|---|
| Volumen del hidrograma (m³) | 1 440 000.0 | 1 440 000.0 | 0 |
| Flecha en el centro (mm) | 1.607143 | 1.607143 | 1.3·10⁻¹⁶ |
python mediciones/05-08-scipy.py
La flecha es el caso interesante, porque tiene una trampa que el integrador no puede detectar. La ecuación de la elástica es EI·y'' = M(x), y la solución es una doble integral con dos condiciones de borde:
y(L/2) = ∫₀^(L/2) (L/2 − s)·M(s)/EI ds − (L/2)/L · ∫₀^L (L − s)·M(s)/EI dsEl segundo término es el giro del apoyo. Sin él, la doble integral da 0.964286 mm en vez de 1.607143: un 40 % menos, sin error, sin aviso y con toda la pinta de un resultado.
Ecuaciones diferenciales: solve_ivp
Sección titulada «Ecuaciones diferenciales: solve_ivp»sol = integrate.solve_ivp(recesion, (0, 60), [8.0], rtol=1e-10, atol=1e-12)| Magnitud | Valor |
|---|---|
h(60 días) con solve_ivp |
0.053904 m |
Analítica h₀·e^(−t/τ) |
0.053904 m |
| Error máximo en los 61 puntos | 1.2·10⁻¹⁰ m |
| Evaluaciones de la derivada | 818 |
python mediciones/05-08-scipy.py
Con rtol=1e-10 el método de Runge-Kutta adaptativo reproduce la exponencial a diez decimales. Con el rtol por defecto (1e-3) el error sería del orden del milímetro: suficiente para un gráfico, insuficiente para un balance. La tolerancia es parte del resultado, igual que el Δt de Muskingum.
Sistemas dispersos: spsolve
Sección titulada «Sistemas dispersos: spsolve»Un Laplaciano de diferencias finitas en 1D —el mismo esqueleto del capítulo de flujo de geotecnia— es una matriz tridiagonal. Guardarla entera es tirar memoria:
| Incógnitas | Densa | Dispersa (spsolve) |
|---|---|---|
| 1 000 | 0.11 s | 0.34 ms |
| 2 000 | 0.41 s | 0.60 ms |
| 20 000 | pediría 3.2 GB | 7.0 ms |
| —— densidad —— | 100 % | 0.0150 % (59 998 de 400 millones) |
python mediciones/05-08-scipy.py
A 20 000 incógnitas la versión densa no es lenta: es imposible en un portátil. La dispersa resuelve en 7 ms con un residuo de 1.5·10⁻⁸.
La regla práctica: si más del 90 % de la matriz es cero, no la guardes. Y la comprobación: la solución dispersa y la densa coinciden a 5.8·10⁻¹⁰ en el mismo sistema.
Estadística: scipy.stats
Sección titulada «Estadística: scipy.stats»Ajustar una Gumbel a mano son unas doscientas líneas de verosimilitud, derivadas y optimización. Con SciPy:
mu, alpha = stats.gumbel_r.fit(muestra)| Parámetro | Generado | Recuperado | Error |
|---|---|---|---|
μ |
60.0 | 60.40 | 0.67 % |
α |
12.0 | 10.97 | 8.55 % |
| Tiempo de escritura | — | tres líneas | — |
python mediciones/05-08-scipy.py
El error del 8.55 % en α no es de SciPy: es el error de muestreo de 200 datos. La biblioteca devuelve el estimador correcto de un parámetro que la muestra no determina mejor.
La trampa
Sección titulada «La trampa»Cuándo no aplica
Sección titulada «Cuándo no aplica»- Matrices pequeñas (menos de ~100 incógnitas): la densa es más rápida y más simple.
- Funciones discontinuas:
quadnecesitapointsen los saltos o devuelve un valor con error grande y silencioso. - EDO rígidas: RK45 se arrastra; hay que cambiar de método, no de tolerancia.
- Cuando el algoritmo es el objeto de estudio: si el capítulo trata de entender la bisección, se escribe la bisección. SciPy es para producir un número, no para aprender cómo se produce.
Ejercicio
Sección titulada «Ejercicio»Calcula la flecha en el extremo de una viga en voladizo con carga puntual P = 10 kN, L = 3 m, EI = 2.1·10⁸ N·m², integrando la elástica con quad, y compárala con PL³/(3EI).
Solución
from scipy import integrate
P, L, EI = 10_000.0, 3.0, 2.1e8
def momento(s): """Momento flector a distancia s del empotramiento: M = P·(L − s).""" return P * (L - s)
flecha, _ = integrate.quad(lambda s: (L - s) * momento(s) / EI, 0, L)exacta = P * L**3 / (3 * EI)print(f"quad: {flecha * 1000:.6f} mm")print(f"PL³/3EI: {exacta * 1000:.6f} mm")print(f"error relativo: {abs(flecha - exacta) / exacta:.1e}")quad = 0.428571 mm y PL³/3EI = 0.428571 mm: error 2.5·10⁻¹⁶.
En el voladizo no hace falta el término del giro, porque el empotramiento tiene giro cero: la condición de borde ya está dentro de la integral. Compara con la viga biapoyada del capítulo: allí el giro del apoyo no es cero y hay que restarlo. La misma fórmula, dos condiciones de borde distintas, y una de las dos se olvida.
Referencias
Sección titulada «Referencias»- Documentación de SciPy:
optimize.brentq,integrate.quad,integrate.solve_ivp,sparse.linalg.spsolve,stats. - Press, W. H. et al. Numerical Recipes, 3ª ed., Cambridge University Press, 2007.
- Verificación:
mediciones/05-08-scipy.py.
Capítulos relacionados
Sección titulada «Capítulos relacionados»- 06 · Vectorizar con numpy: el paso anterior, cuando el bucle sigue siendo tuyo.
- 07 · Cachés: qué hacer cuando el cálculo no se puede delegar y hay que repetirlo.