Domina SymPy
Matemáticas Simbólicas con Python
- Técnico
- 485 páginas
- Español
Dónde conseguirlo
Precios consultados en las tiendas el 04/11/2026; pueden cambiar.
Sinopsis
Índice
- Introducción a SymPy y el álgebra simbólica
- Símbolos, números y expresiones básicas
- Operaciones algebraicas fundamentales
- Simplificación y transformación de expresiones
- Sustitución, evaluación y conversión
- Resolviendo ecuaciones
- Sistemas de ecuaciones
- Desigualdades y conjuntos
- Límites y continuidad
- Derivadas y cálculo diferencial
- Integrales y series
- Matrices y álgebra lineal
- Matemática discreta y combinatoria
- Aplicaciones en data science y computación científica
- Generación de código, rendimiento y proyecto final
Ver todos los apartados
- Introducción a SymPy y el álgebra simbólica
- Qué es el álgebra simbólica
- Ventajas frente al cálculo numérico y sus limitaciones
- Instalación y configuración de SymPy
- La consola interactiva de SymPy
- Tu primera expresión simbólica
- Símbolos, números y expresiones básicas
- Creando símbolos con symbols()
- Asunciones y propiedades de variables
- Tipos numéricos: enteros, racionales, reales y complejos
- Constantes matemáticas integradas
- Conversión entre Python nativo y SymPy
- Operaciones algebraicas fundamentales
- Suma, resta, multiplicación y división simbólicas
- Potencias y raíces
- Funciones trigonométricas y exponenciales
- Funciones logarítmicas
- Inspeccionando expresiones con args y func
- Simplificación y transformación de expresiones
- Simplificación general con simplify()
- Expansión de productos y potencias
- Factorización y descomposición polinómica
- Fracciones parciales
- Simplificación trigonométrica
- Sustitución, evaluación y conversión
- Sustitución con subs()
- Evaluación numérica con evalf()
- Precisión y representación exacta
- Comparación estructural y matemática
- Conversión de expresiones a funciones Python
- Resolviendo ecuaciones
- Diferencia entre expresiones y ecuaciones
- Resolución de ecuaciones con solve()
- Ecuaciones lineales y polinómicas
- Ecuaciones racionales y trascendentes
- Interpretación y validación de soluciones
- Sistemas de ecuaciones
- Construcción de sistemas simbólicos
- Sistemas lineales con solve()
- Resolución eficiente con linsolve()
- Sistemas no lineales
- Parámetros y condiciones de existencia
- Desigualdades y conjuntos
- Desigualdades simbólicas en SymPy
- Resolución con solveunivariateinequality()
- Desigualdades polinómicas
- Condiciones compuestas con lógica simbólica
- Intervalos y conjuntos
- Límites y continuidad
- Cálculo de límites con limit()
- Límites laterales
- Límites en el infinito
- Formas indeterminadas
- Continuidad y discontinuidades
- Derivadas y cálculo diferencial
- Derivadas con diff()
- Derivadas de orden superior
- Derivadas parciales
- Gradiente, jacobiano y hessiano
- Puntos críticos y optimización básica
- Integrales y series
- Integrales indefinidas con integrate()
- Integrales definidas
- Integrales múltiples
- Series de Taylor y Maclaurin
- Convergencia y aproximación mediante series
- Matrices y álgebra lineal
- Creación y manipulación de matrices
- Operaciones matriciales
- Determinantes, inversas y rango
- Valores y vectores propios
- Resolución matricial de sistemas lineales
- Matemática discreta y combinatoria
- Factoriales, combinaciones y permutaciones
- Coeficientes binomiales
- Primos, divisores y factorización entera
- Sucesiones y recurrencias
- Aplicaciones a problemas algorítmicos
- Aplicaciones en data science y computación científica
- Modelado simbólico de problemas físicos
- Funciones de coste y optimización
- Cálculo de gradientes para machine learning
- Análisis simbólico de datos
- Combinación de SymPy con NumPy y pandas
- Generación de código, rendimiento y proyecto final
- Generación de código con lambdify()
- Exportación a NumPy, C y otros lenguajes
- Medición de rendimiento y límites del cálculo simbólico
- Buenas prácticas, pruebas y manejo de errores
- Proyecto final: análisis simbólico de un modelo
Lee el comienzo
Del capítulo «Introducción a SymPy y el álgebra simbólica»
Si eres desarrollador y has tenido que implementar fórmulas matemáticas complejas en tus proyectos, sabes lo que ocurre: una ecuación que en papel se resuelve elegantemente se convierte en un montón de aproximaciones numéricas, errores de redondeo y código difícil de depurar. SymPy nace precisamente para evitar esa batalla.
SymPy es una biblioteca de Python de código abierto que permite realizar álgebra simbólica (o computación simbólica). En lugar de trabajar con números concretos, SymPy manipula expresiones matemáticas como objetos que pueden ser transformados, simplificados, derivados, integrados o resueltos de forma exacta, tal como lo harías con lápiz y papel, pero de manera automatizada y reproducible.
Este capítulo te dará los fundamentos que necesitas antes de avanzar en el libro. Veremos qué es exactamente el álgebra simbólica, en qué se diferencia del enfoque numérico que ya conoces (NumPy, SciPy, etc.), cómo instalar SymPy correctamente y cómo empezar a usarlo en un proyecto real. Todo desde la perspectiva de un programador que quiere integrar matemáticas potentes en su código sin convertirse en matemático profesional.
SymPy forma parte del ecosistema científico de Python junto a NumPy, SciPy, Pandas y Matplotlib. Sin embargo, ocupa un nicho distinto: mientras que las otras librerías se centran en el cálculo numérico (valores aproximados con coma flotante), SymPy trabaja con representaciones simbólicas exactas.
Esto significa que puede:
Mantener expresiones como √2 o π sin aproximarlas. Simplificar automáticamente (x + 1)² - (x² + 2x + 1) a 0. Resolver ecuaciones de forma exacta, devolviendo soluciones como x = -b/(2a) en lugar de un valor decimal. Calcular derivadas e integrales simbólicas que luego puedes evaluar numéricamente solo cuando lo necesites.
Para un desarrollador, la ventaja es enorme. En machine learning puedes derivar funciones de pérdida simbólicamente. En data science puedes simplificar expresiones antes de implementarlas en producción. En desarrollo científico puedes validar que tu implementación numérica coincide con la solución analítica exacta.
SymPy está escrito completamente en Python, no requiere compiladores externos y se integra sin problemas con el resto del ecosistema. […]




