En la Clase 14 vimos métodos de un paso básicos (Euler y Euler mejorado). Ahora avanzamos a métodos de mayor orden, en particular la familia Runge-Kutta, que ofrecen precisión significativamente superior sin aumentar drásticamente el número de evaluaciones de la función $f\left(t,y\right)$.

Los métodos de mayor orden para la resolución de ecuaciones diferenciales ordinarias (EDO) se desarrollaron para mejorar la precisión de las soluciones aproximadas, reduciendo los errores inherentes a los métodos de primer orden, como el método de Euler. Estos métodos son fundamentales cuando se requiere una mayor exactitud sin necesidad de reducir excesivamente el tamaño de los pasos de integración, lo cual podría ser computacionalmente costoso.

El método de Runge-Kutta de segundo orden, también conocido como el método de Heun o el método de "promedio de pendientes", es una mejora del método de Euler. En este método, se realiza una predicción de la solución utilizando el método de Euler y luego se corrige esta predicción calculando una segunda pendiente, que es una estimación de la pendiente en el punto medio del intervalo. Esta corrección mejora la precisión del método de Euler al usar una aproximación más precisa para la pendiente en cada paso, y el error en este método disminuye de manera cuadrática con el tamaño del paso, es decir, el error es proporcional a (h^2), lo que lo convierte en un método de segundo orden. El método de Runge-Kutta de segundo orden es útil cuando se necesita una mejora en la precisión con respecto a los métodos más simples sin un aumento significativo en los cálculos.

Por otro lado, el método de Runge–Kutta de cuarto orden es uno de los métodos más populares y efectivos para resolver EDOs numéricamente debido a su excelente precisión y eficiencia. Este método utiliza un proceso más complejo, calculando cuatro evaluaciones de la función en cada paso para obtener una mejor aproximación de la derivada en el intervalo. A partir de estas evaluaciones, el método de cuarto orden calcula una combinación ponderada de las pendientes en diferentes puntos dentro del intervalo, lo que permite obtener una aproximación más precisa de la solución. El error en el método de Runge-Kutta de cuarto orden disminuye de manera proporcional a $\left(h^4\right)$, lo que lo convierte en un método de cuarto orden y, por lo tanto, mucho más preciso que los métodos de menor orden como Euler o Heun, incluso con tamaños de paso relativamente grandes.

15.1 Métodos de mayor orden

Los métodos Runge-Kutta (RK) son métodos de un paso explícitos de la forma general:

donde los $k_i$ son etapas intermedias:

$k_i=f\left(t_k+c_{i}h,y_k+h{\sum }_{j=1}^{i-1}{a}_{ij}{k}_j\right),\hspace{1em}i=1,\dots ,s$

Los coeficientes se organizan en el butcher tableau:

c | A

| $b^T$

El orden de precisión $p$ se determina por las condiciones de orden de Butcher (matching de los términos de Taylor hasta $h^p$).

15.1.1 Método de Runge–Kutta de segundo orden

Una familia de métodos RK de orden 2 tiene s = 2 etapas. El más conocido es el método de Heun o RK2 clásico (que coincide con Euler mejorado en su forma predictor-corrector):

0 | 0 0

1 | 1 0

| 1/2 1/2

$\Rightarrow k_1=f\left(t_k,y_k\right)k_2=f\left(t_k+h,y_k+h{k}_1\right)y_{k+1}=y_k+\frac{h}{2}\left(k_1+k_2\right)$

Análisis de error: Error local de truncamiento LTE = $O\left(h^3\right)$ Error global $GTE=O\left(h^2\right)$ (orden de precisión 2).

Teorema: Si f es Lipschitz en y y suficientemente suave (C^3), el método converge con orden 2.

Figura 1

Butcher tableau y etapas del método Runge-Kutta de segundo orden (Heun).

El método Heun mejora el método de Euler al tomar en cuenta la pendiente en dos puntos (el punto actual y el punto predicho), lo que lo hace más preciso. Este método tiene un orden de precisión de $O\left(h^2\right)$, lo que significa que el error disminuye más rápidamente con $h$en comparación con el método de Euler, que tiene un error de $O\left(h\right)$.

Figura 2

Comparación gráfica: Euler (O(h)), Euler mejorado/RK2 (O(h²)) vs solución exacta.

El método de Euler es un método de primer orden, lo que significa que su error de truncamiento es proporcional a $h$, es decir, $O\left(h\right)$. Este método aproxima la solución mediante una recta tangente a la curva en cada punto, lo que generalmente resulta en una aproximación bastante burda. En la gráfica, la curva obtenida con el método de Euler se aleja rápidamente de la solución exacta a medida que aumenta el paso $h$. Cuanto mayor es el valor de $h$, mayor es la desviación del método respecto a la solución exacta.

15.1.2 Método de Runge–Kutta de cuarto orden

El método clásico de Runge-Kutta de orden 4 (RK4) es el más usado de la familia (s = 4 etapas).

0 | 0 0 0 0

1/2 | 1/2 0 0 0

1/2 | 0 1/2 0 0

1 | 0 0 1 0

| 1/6 1/3 1/3 1/6

$\Rightarrow k_1=f\left(t_k,y_k\right)k_2=f\left(t_k+h/2,y_k+\left(h/2\right)k_1\right)k_3=f\left(t_k+h/2,y_k+\left(h/2\right)k_2\right)k_4=f\left(t_k+h,y_k+h{k}_3\right)y_{k+1}=y_k+\frac{h}{6}\left(k_1+2k_2+2k_3+k_4\right)$

Análisis de error: Error local LTE = $O\left(h^5\right)$ Error global $GTE=O\left(h^4\right)$ (orden de precisión 4).

Teorema: Si f ∈ $C^5$en el dominio, RK4 converge con orden 4. Es el método de orden más alto con solo 4 evaluaciones por paso.

Figura 3

Butcher tableau clásico de Runge-Kutta de orden 4.

El método Runge-Kutta de cuarto orden (RK4) es uno de los más precisos para resolver ecuaciones diferenciales de primer orden, ya que tiene un error de truncamiento de orden $O\left(h^5\right)$, lo que significa que su precisión mejora rápidamente con un pequeño aumento en el número de pasos $n$. Es ampliamente utilizado debido a su eficiencia y exactitud, ya que utiliza varias evaluaciones de la función por paso para obtener una solución precisa sin ser excesivamente costoso en términos de cálculos.

Figura 4

Etapas intermedias k1, k2, k3, k4 en RK4 y combinación ponderada.

15.1.3 Comparación de métodos para EDO

Elección:

• Euler para prototipos rápidos o cuando h ya es pequeño.
• RK2 para balance costo/precisión.
• RK4 para máxima precisión con razonable costo computacional.

Esta clase será más extensa y reflexiva, ya que sirve como cierre y proyección hacia aplicaciones reales. Exploraremos el concepto fundamental, los métodos numéricos básicos más utilizados, aplicaciones relevantes en ingeniería y ciencias (incluyendo ciberseguridad), y finalmente una integración de todos los contenidos vistos, con recomendaciones para tu proyección académica y profesional.

Las ecuaciones diferenciales parciales (EDP) son un tipo de ecuación que involucra derivadas parciales de una o más funciones desconocidas con respecto a varias variables independientes. A diferencia de las ecuaciones diferenciales ordinarias (EDO), que involucran derivadas respecto a una sola variable independiente, las EDP modelan fenómenos más complejos en los cuales las soluciones dependen de múltiples variables.

Para resolver EDPs, especialmente en casos donde no es posible obtener una solución exacta, se recurren a métodos numéricos. Los métodos de diferencias finitas para EDP son una de las técnicas más utilizadas. Estos métodos consisten en aproximar las derivadas parciales de una función utilizando diferencias entre valores de la función en una malla de puntos discretos.

El método de diferencias finitas convierte las ecuaciones diferenciales parciales en un sistema de ecuaciones algebraicas que es más fácil de resolver numéricamente. Este método es sencillo de implementar y adecuado para problemas con geometrías regulares.

El método de elementos finitos, por ejemplo, divide el dominio en "elementos" más simples y resuelve la ecuación de forma aproximada en cada uno de ellos, lo que le otorga gran flexibilidad en la resolución de problemas de ingeniería con geometrías irregulares.

Las ecuaciones diferenciales parciales tienen una amplia variedad de aplicaciones en la ingeniería y las ciencias, donde modelan fenómenos dinámicos y estáticos en sistemas multidimensionales.

Las soluciones numéricas a las EDP, obtenidas a través de métodos como las diferencias finitas, permiten a los ingenieros y científicos obtener predicciones útiles que de otra manera serían difíciles de obtener.

16.1 Concepto de ecuaciones diferenciales parciales

Una ecuación diferencial parcial (EDP) es una ecuación que relaciona una función desconocida u(x₁, x₂, …, x_d) de varias variables independientes con sus derivadas parciales respecto a esas variables.

Formulación matemática general:

$F\left(x,u,\partial u/\partial x^1,\partial u/\partial x^2,\dots ,{\partial }^{k}u/\partial x^{1k^1}\dots \partial x_d^{k_d},\dots \right)=0$

donde F es una función dada, y la ecuación involucra derivadas parciales de orden hasta k.

Clasificación principal según el tipo (para EDP lineales de segundo orden en dos variables):

Sea la EDP general de segundo orden:

$A{\partial }^{2}u/\partial x^2+B{\partial }^{2}u/\partial x\partial y+C{\partial }^{2}u/\partial y^2+términosdeordenmenor=g\left(x,y\right)$

El discriminante es $\Delta = B² - 4AC$. Entonces:

• Hiperbólica si $\Delta > 0$ (e.g., ecuación de onda: $\partial ²u/\partial t² = c² \partial ²u/\partial x², \Delta = 4c² > 0$)
• Parabólica si $\Delta = 0$ (e.g., ecuación del calor: $\partial u/\partial t = \kappa \partial ²u/\partial x², \Delta = 0$)
• Elíptica si $\Delta < 0$ (e.g., ecuación de Laplace/Poisson: $\partial ²u/\partial x² + \partial ²u/\partial y² = f(x,y), \Delta = -4 < 0$)

Condiciones de contorno y/o iniciales son esenciales para unicidad y existencia:

• Dirichlet: u especificado en la frontera
• Neumann: derivada normal especificada
• Robin (mixta): combinación lineal
• Iniciales (para evolutivas): u(t=0) y posiblemente ∂u/∂t(t=0)

Teorema de existencia y unicidad: depende del tipo y condiciones (e.g., problema bien planteado de Hadamard: existencia, unicidad y dependencia continua de datos iniciales/contorno).

16.1.1 Métodos numéricos básicos para EDP

Los métodos numéricos para EDP discretizan el dominio espacial y temporal (si es evolutiva) y transforman la ecuación continua en un sistema algebraico grande.

Métodos principales:

1. Diferencias finitas (Finite Differences)
• Discretiza derivadas parciales mediante diferencias finitas (forward, backward, centradas).
• Para ecuación del calor 1D: $\partial u/\partial t=\kappa {\partial }^{2}u/\partial x^2\to \left(u_i^{n+1}-u_i^n\right)/\Delta t=\kappa \left(u_{i-1}^n-2u_i^n+u_{i+1}^n\right)/{\left(\Delta x\right)}^2$ (explícito)
• Esquemas implícitos (Crank-Nicolson) más estables.
• Orden: $O(\Delta t + \Delta x²$) típico; Crank-Nicolson $O(\Delta t² + \Delta x²)$.
2. Elementos finitos (Finite Element Method – FEM)
• Divide el dominio en elementos (triángulos, tetraedros, etc.).
• Aproxima $u$ en cada elemento por polinomios locales (base de funciones de forma).
• Lleva a sistema $Ax = b$, donde A es matriz de rigidez (dispersa).
• Ventaja: maneja geometrías complejas y condiciones de contorno naturales.
3. Volúmenes finitos (Finite Volume Method – FVM)
• Conserva cantidades físicas (flujo, masa) en celdas.
• Ideal para problemas de conservación (e.g., ecuaciones de Navier-Stokes).
• Métodos espectrales y pseudospectrales
• Usan bases globales (Chebyshev, Fourier) para alta precisión en dominios simples.

Figura 5

Esquema de diferencias finitas para ecuación del calor 1D: stencil centrado en espacio y forward en tiempo.

Figura 6

Malla de elementos finitos triangular: aproximación local por polinomios lineales.

La figura muestra una malla de elementos finitos triangulares, que es un método de aproximación numérica utilizado para resolver ecuaciones diferenciales parciales (EDP) en geometrías complejas. En esta malla, se divide el dominio de la solución en pequeños triángulos, y en cada uno de esos elementos, se aproximan las soluciones utilizando polinomios lineales.

16.1.2 Aplicaciones en ingeniería y ciencias

Las EDP son el lenguaje matemático de la física y la ingeniería:

• Ecuación del calor: difusión térmica, difusión de contaminantes, propagación de información en redes (modelos de difusión de datos o malware).
• Ecuación de onda: propagación de señales electromagnéticas, acústica, ondas sísmicas, propagación de ataques DDoS en espacio-tiempo.
• Ecuación de Laplace/Poisson: potenciales electrostáticos, flujo de calor estacionario, análisis de balance de carga en servidores seguros, optimización de rutas en redes.
• Ecuaciones de Navier-Stokes: dinámica de fluidos (simulación de ataques por inyección de tráfico).
• Ecuaciones de Schrödinger: criptografía cuántica y post-cuántica (simulación de sistemas cuánticos).
• Ecuaciones de reacción-difusión: propagación de epidemias digitales (malware, phishing), modelos SIR/SEIR adaptados a redes.

Figura 7

Simulación de propagación de malware en red usando ecuación de difusión-reacción (modelo adaptado).

Este tipo de ecuaciones es común en modelos dinámicos que describen la propagación de sustancias, señales o incluso enfermedades, y puede adaptarse para simular la expansión de malware a través de una red de computadoras o dispositivos interconectados.

El modelo se basa en una ecuación de difusión-reacción, que es una combinación de dos términos fundamentales: uno que describe cómo el malware se propaga (difusión) y otro que describe cómo el malware interactúa con el sistema o se elimina (reacción).

16.1.3 Integración de contenidos y proyección académica

Esta asignatura ha cubierto un espectro completo de métodos numéricos aplicados a computación y ciberseguridad:

1. Errores y precisión → base para toda implementación segura.
2. Ecuaciones no lineales → criptoanálisis (Coppersmith, lattices).
3. Sistemas lineales → resolución en lattices y regresión side-channel.
4. Interpolación y aproximación → reconstrucción de funciones de leakage.
5. Integración numérica → correlación en DPA/CPA, Monte Carlo para riesgos.
6. EDO → dinámica temporal de amenazas y propagación.
7. Introducción a EDP → propagación espacial-temporal, side-channel EM, modelado avanzado.

Proyección académica y profesional:

• Continúa con cursos avanzados: EDP numéricas (FEM, FVM), métodos espectrales, EDP no lineales/rígidas.
• Herramientas recomendadas: Python (SciPy, FEniCS, Dedalus), MATLAB, Julia (DifferentialEquations.jl).
• Proyectos sugeridos:
• Simulador de propagación de malware en red usando ecuación de difusión-reacción.
• Implementación de DPA con integración numérica de correlación.
• Modelado de side-channel EM usando ecuación de onda.
• Certificaciones complementarias: OSCP, CEH, o cursos especializados en criptografía numérica y ML para seguridad.