Aplicaciones Numéricas en

Investigación de Operaciones
2

Prof. Gonzalo Müller

gmullerb@mail.com
Postgrado de Investigación de Operaciones
Facultad de Ingeniería
Universidad Central de Venezuela
Clase anterior

Pautas de curso.

Matlab

Ambiente de trabajo Matlab

Funciones Matemáticas

Variables

Definición de nombre

Asignación

Arreglos

acceder a un elemento o submatriz específica

Operadores Aritméticos

por elemento entre matrices: .*, ./, .^
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 2
Clase anterior

Definición de Funciones

Encabezado

Cuerpo

Variable de Retorno

Nombre del archivo y de función deben coincidir.

; se coloca al final de una instrucción para evitar la
presentación en pantalla del resultado.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 3

Bits y Bytes
El computador solo es capaz de almacenar un
conjunto de 0s y 1s.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 4

Bits y Bytes
El computador sólo es capaz de almacenar un
conjunto de 0s y 1s.

Bit: es la localidad de almacenamiento más pequeña.

Físicamente constituye un elemento biestable que
esta encendido o apagado.

Es capaz de almacenar un 1 ó un 0.
Bit Almacena
Apagado 0
Encendido 1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 5

Bits y Bytes

Aislado sirve de poco por lo que se trabaja en
forma conjunta.
Ejemplo: 2 bits puede representar 4 situaciones:

Bit 1 Bit 2 Almacena

00
01
10
11
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 6
Bits y Bytes
Ejemplo: 3 bits puede representar 8 situaciones:

Bit 1 Bit 2 Bit 3 Almacena

000
001
010
011
100
101
110
111
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 7
Bits y Bytes

Byte: es un conjunto de 8 bits.

En los computadores la localidad de menor tamaño
es un byte.

Tamaño: 8 bits Localidad

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 8

Sistemas de Numeración

El computador sólo es capaz de almacenar un
conjunto de 0s y 1s, por lo tanto si se desea almacenar
un valor como 524 es necesario realizar la conversión
a 0s y 1s, lo que lleva a utilizar diferentes sistemas de
numeración.

Sistema Binario.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 9

Sistemas de Numeración

Sistema numeración Decimal.

Alfabeto: 0 1 2 3 4 5 6 7 8 9

Cardinalidad del alfabeto: 10

Cada dígito tiene un valor relativo según la posición
que ocupa.
Ejemplo:
Posición 2 1 0
Digito 8 7 6

8 x 102 + 7 x 101 + 6 x 100 = 876

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 10
Sistemas de Numeración

Sistema numeración Binario.

Alfabeto: 0 1

Cardinalidad del alfabeto: 2

Cada dígito tiene un valor relativo según la posición
que ocupa.

Notación : NÚMERO2

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 11

Sistemas de Numeración
Ejemplo: Obtener la representación decimal de 1012:

Posición 2 1 0
Digito 1 0 1

1 x 22 + 0 x 21 + 1 x 20 = 5

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 12

Sistemas de Numeración

En general, para obtener la representación decimal de
un número:

Dígitos −1
NÚMERO = ∑ Dígito k * Base k

k =0

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 13

Números

Representación de los números:

Punto fijo.

Punto flotante.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 14

Números

Punto Fijo.

Se especifica una cantidad de fija de dígitos antes y
después del punto decimal.

12.345 0 1 2 3 4 5 0 0

n1 n2
punto decimal

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 15

Números

Punto flotante: el punto decimal no esta fijo.

punto decimal

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 16

Números

Punto flotante: el punto decimal no esta fijo.

punto decimal

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 17

Números

Se rige según la norma IEEE 754.

La forma como es almacenado un número real
estaba basado en la notación científica:

5.67x1056
5.67 → mantisa
56 → exponente

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 18

Números

Mantisa normalizada

0.1 ≤ Mantisa normalizada < 1

0.567x1057
0.567 → mantisa normalizada
57→ exponente

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 19

Números

Solo sería necesario almacenar:
567
57

Existe un ahorro en memoria:
0
.
x
10

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 20

Números

En general:
Exponente Mantisa

s n bits m bits

La Mantisa es un número binario.

El Exponente es un número entero sin signo.

La Base es 2, no 10:
(-1)Signo x 1.Mantisa x 2 Exponente – Bias

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 21

Números

Real de 4 bytes, Precisión Sencilla:
Exponente Mantisa

s 8 bits 23 bits

En el exponente se puede almacenar:

0 … 255 (1 … 254)

6 cifras significativas.

16777216 puntos en el rango.
(-1)Signo x 1.Mantisa x 2 Exponente – 127

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 22

Números

El mayor número que se puede representar:
1.11111111...12 x 2 127
3.4028234663852886 x 10 38

En número más pequeño que se puede representar:
1.17549435 x 10 -38

La separación entre un número y otro:
1.1920929 x 10 -7

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 23

Números

Real de 8 bytes , Precisión Doble:
Exponente Mantisa

s 11 bits 52 bits

En el exponente se puede almacenar:

0 … 2047(1 … 2046)

15 cifras significativas.

9007199254740992 puntos en el rango.
(-1)Signo x 1.Mantisa x 2 Exponente – 1023
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 24
Números

El mayor número que se puede representar:
1.11111111...12 x 2 1023
1.7976931348623158 x 10 308

En número más pequeño que se puede representar:
2.2250738585072014 x 10 -308

La separación entre un número y otro:
2.2204460492503131 x 10 -16

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 25

Números
Real de 4 Byte
1.1920929 x 10-7
1.17549435 x 10-38
-∞ ∞
0
-3.4028234663852886 x 10 38 3.4028234663852886 x 10 38
Dos número consecutivos de subconjunto finito

Real de 8 Byte
2.2204460492503131 x 10-16
2.2250738585072014 x 10-308
-∞ ∞
0
-1.7976931348623158 x 10 308 1.7976931348623158 x 10 308
Dos número consecutivos de subconjunto finito

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 26

Números

Un número que no puede ser representado se
redondea, esto quiere decir:

0.d1 d2 d3 … dt Si 0 ≤ dt+1 ≤ 4
n=
0.d1 d2 d3 … dt + 10-t Si dt+1 ≥ 5

0.d1 d2 d3 … dt Si dt+1 = 0
n=
0.d1 d2 d3 … dt + 2-t Si dt+1 = 1
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 27
Números
n = 0.d1 d2 d3 … dt dt+1 dt+2 dt+3 dt+4 dt+5

información perdida

t=5
1.234567 Son iguales
1.234568 1.23457

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 28

Limitaciones computacionales

El conjunto de número que se puede representar en el
computador es finito.

Esto ocasiona problemas:

Al ingresar los datos de entrada.

Al representar resultados intermedios resultados
de las operaciones matemáticas.

Aunque los datos de entrada pertenezcan al
conjunto de números, el resultado de las operaciones
puede no pertenecer.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 29

Limitaciones computacionales
Ejemplo:
a = 7.35e+210
b = 9.01e+201
c = a*b

who lista las variables definidas

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 30

Limitaciones computacionales
Ejemplo:
a = 7.35e+210
b = 9.01e+201
c = a*b Overflow Error: Número más
grande de lo que puede ser
representado

who lista las variables definidas

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 31

Limitaciones computacionales
Ejemplo:
a = 7.35e-210
b = 9.01e-201
c = a*b

whos lista las variables definidas, sus tipos y sus tamaños

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 32

Limitaciones computacionales
Ejemplo:
a = 7.35e-210
b = 9.01e-201
c = a*b Underflow Error: Número más
pequeño de lo que puede ser
representado

whos lista las variables definidas, sus tipos y sus tamaños

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 33

Limitaciones computacionales
Ejemplo:
c = 0.5 – 0.1 – 0.1 - 0.1 – 0.1 – 0.1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 34

Limitaciones computacionales
Ejemplo:
c = 0.5 – 0.1 – 0.1 - 0.1 – 0.1 – 0.1
Debería ser 0!

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 35

Limitaciones computacionales
Ejemplo:
c = 0.5 – 0.1 – 0.1 - 0.1 – 0.1 – 0.1
Debería ser 0!
La representación binaria de 0.1
0.000110011001100110011001100110011...
Requiere un número infinito de dígitos por lo tanto
el computador trabaja con un aproximación de 0.1.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 36

Errores

Establecer la certeza de los resultados obtenidos.

Básicamente dos factores afectan ésta certeza:

errores de redondeo

errores de aproximación.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 37

Errores

Errores de redondeo:

Debido a la representación de valores con el
conjunto finito de números que maneja el
computador.

Omnipresente

Siempre existirá una incertidumbre en el último
digito decimal obtenido

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 38

Errores

Errores de truncamiento:

Error obtenido como resultado de la discretización
de un problema real.

Método que obtiene soluciones aproximadas per se
para un problema real.

Esta diferencia entre la solución aproximada y la real
se conoce como error de truncamiento.
Ejemplo: el calculo de una integral definida.

No se debe confundir con el truncamiento que se
produce en el redondeo.
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 39
Errores

Estos errores se propagan a medida que se realizan
operaciones

Errores pequeños al comienzo se propagan y se
convierte errores muy grandes a medida que se
realizan operaciones

error error error ...

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 40

Errores

Recomendación:

Utilizar la precisión adecuada que garantice la
cantidad de dígitos que requiere el problema.

De igual manera se debe tener cuidado al presentar
los resultados colocar la cantidad adecuada de
decimales, ya que se pueden establecer conclusiones
erradas.

Inevitablemente siempre habrá un error presente

sin importar cuantas precauciones se tomen

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 41

Errores

En líneas generales siempre :

Se expresará un resultado con una precisión igual o
menor a la menor de las precisiones de los números
utilizados. #.###
#.##
#.##

Sin la precisión obtenida en el resultado es menor

que la precisión de los números utilizados el
resultado es exacto.
#.###
#.# Exacto!
#.##

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 42

Números en Matlab

Matlab representa los números de las 2 maneras:

Punto Fijo.

Punto Flotante.
Para construir una constante en punto flotante:
MeN
Mx10N

M: Punto Fijo MEN

N: Entero con o sin signo

9.88426x10-45→ 9.88426E-45 ó 9.88426e-45

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 43
Números en Matlab

Mantisa:

0 ≤ M < 10

Contiene p dígitos conoce precisión.

Exponente:

min ≤ N ≤ max

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 44

Números en Matlab

Generalmente Matlab presenta la información con 7
cifras significativas, punto fijo:

3 dígitos antes del punto decimal.

4 dígitos después del punto decimal.
###.####

En caso de que se superen los 3 dígitos lo presenta
con punto flotante con:

4 dígitos después del punto decimal.
#.####e###
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 45
Números en Matlab

Se puede llamar a la función format para cambiar la
presentación de la información
format tipo

short 3y4
long 3 y 14
short e 1 y 4 + exponente
long e 1 y 14 + exponente
bank *y2
+ +, – y 0

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 46

Gráficas

Matlab permite graficar curvas y superficies en 2D y
3D.
Las principales funciones para graficar son:

plot

plot3

surf

mesh

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 47

Gráficas de Líneas

plot: Realiza graficas de curvas en 2D.
Se puede emplear de diferentes maneras:
1.
plot(Y)

produce un gráfico de líneas tal que:

x índice del elemento de Y

y elemento de Y

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 48

Gráficas de Líneas
2.
plot(X,Y)

produce un gráfico de líneas tal que:

x elemento de X
y elemento de Y

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 49

Gráficas de Líneas
3.
plot(X1,Y1, X2, Y2,..., XN, YN)

produce N gráficos de líneas en una misma imagen tal

que:
x elemento de X1
y elemento de Y1
...
x elemento de XN
y elemento de YN
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 50
Gráficas de Líneas
4.
plot3(X1,Y1,Z1,..., XN, YN, ZN)
produce N gráficos de líneas 3D en una misma
imagen tal que:
x elemento de X1
y elemento de Y1
z elemento de Z1
...
x elemento de XN
y elemento de YN
z elemento de ZN
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 51
Gráficas de Líneas

Es posible establecer colores y estilos diferentes a los
por defecto.

Luego de cada curva se indica el estilo y color.

plot(X1,Y1,‘estilocolor1’,
...,XN,YN,‘estilocolorN’)

Estilo y color es una combinación de:

color+estilo+marcador

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 52

Gráficas de Líneas

colores, estilos y marcadores:
color estilo marcador
c cyan - + +
m mangenta -- o o
y amarillo : x x
r rojo -. * *
g verde s
b azul d
w blanco ^
k negro >
<
p
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 53
Gráficas 3D

En graficas 3D, la superficie se levanta sobre una
malla de puntos en plano X-Y:

X-Y

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 54

Gráficas 3D

En graficas 3D, la superficie se levanta sobre una
malla de puntos en plano X-Y:

X-Y

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 55

Gráficas 3D

En graficas 3D, la superficie se levanta sobre una
malla de puntos en plano X-Y:

X-Y

20

15

10

X-Y 0
4
2 4
0 2
0
-2 -2
-4 -4

X-Y-Z

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 56

Gráficas 3D

meshgrid: define la malla de puntos.

Dados el rango de X y de Y en 2 vectores

Construye dos matrices, una con filas iguales para X
y otra con columnas iguales para Y que define la
malla.
[XS,YS] = meshgrid(X, Y)
X1 Xn Y1 Y1

X1 Xn
Yn Yn
XS YS
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 57
Gráficas 3D

meshgrid: define la malla de puntos.

Dados el rango de X y de Y en 2 vectores

Construye dos matrices, una con filas iguales para X
y otra con columnas iguales para Y que define la
malla.
[XS,YS] = meshgrid(X, Y)
X1 Xn Y1 Y1

X1 Xn
Yn Yn
XS Grid YS
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 58
Gráficas 3D

mesh: Realiza graficas 3D como una malla de líneas
que definen la superficie.

mesh(X,Y,Z)

surf: Realiza graficas 3D como una malla de

cuadriláteros coloreados que definen la superficie.

surf(X,Y,Z)

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 59

Gráficas

En general para graficar en 2D y en 3D, es necesario:
1. Definir el dominio de la función

Se define el vector (2D) o las matrices (3D) con los
valores del domino en orden.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 60

Gráficas

En general para graficar en 2D y en 3D, es necesario:
1. Definir el dominio de la función

Se define el vector (2D) o las matrices (3D) con los
valores del domino en orden.
2. Definir el rango de la función

Se define un vector (2D) o matriz (3D) con los
valores del rango en orden.

Cada elemento del vector de dominio tendrá su
correspondencia en el vector o matriz de rango.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 61

Gráficas

En general para graficar en 2D y en 3D, es necesario:
1. Definir el dominio de la función

Se define el vector (2D) o las matrices (3D) con los
valores del domino en orden.
2. Definir el rango de la función

Se define un vector (2D) o matriz (3D) con los
valores del rango en orden.

Cada elemento del vector de dominio tendrá su
correspondencia en el vector o matriz de rango.
3. Graficar utilizando la función adecuada.
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 62
Gráficas
Ejemplo: Realizar grafica 2D.
1

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
-3 -2 -1 0 1 2 3

1. Definir el vector de valores de x.

X = –3:0.5:3
2. Definir el vector de valores de y.
Y = sin(X)
3. Graficar.
plot(X, Y)

clf limpia la ventana de gráfica

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 63
Gráficas
Ejemplo: Realizar grafica 2D.
1

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
-3 -2 -1 0 1 2 3

1. Definir el vector de valores de x.

X = –3:0.5:3
2. Definir el vector de valores de y.
Y = sin(X)
Y1 = cos(X)
3. Graficar.
plot(X, Y, X, Y1)
plot permite colocar más de una gráfica
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 64
Gráficas
Ejemplo: Realizar grafica 3D. 2

-1

-2
4
2 4
0 2
0

1. Definir las matrices de la malla.

-2 -2
-4 -4

x = –3:0.5:3
y = –3:0.25:3
[X,Y] = meshgrid(x, y)
2. Definir el vector de valores de z.
Z = sen(X) + cos(Y)
3. Graficar.
mesh(X,Y,Z)
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 65
Gráficas
Ejemplo: Realizar grafica 3D. 2

-1

-2
4
2 4
0 2
0

1. Definir las matrices de la malla.

-2 -2
-4 -4

[X,Y] = meshgrid(–3:0.5:3, –3:0.25:3)

2. Definir el vector de valores de z.
Z = sen(X) + cos(Y)
3. Graficar.
surf(X,Y,Z)

clc limpia la ventana de comandos

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 66

Ajustando la Gráfica

axis: ajusta los ejes a un rango dado
axis([xmin xmax ymin ymax]) Ajusta eje en 2D
axis([xmin xmax ymin ymax Ajusta eje en 3D
zmin zmax])

axis auto Auto ajusta

axis equal Marcas de ejes iguales
axis square Ejes del mismo tamaño

grid: muestra u oculta malla.

grid on/off
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 67
Documentando la Gráfica

xlabel: coloca un titulo en el eje x
xlabel(‘titulo’)

ylabel: coloca un titulo en el eje y
ylabel(‘titulo’)

zlabel: coloca un titulo en el eje z
zlabel(‘titulo’)

title: coloca el titulo principal de la gráfica
title(‘titulo’)

legend: agrega una leyenda a la gráfica
legend(‘leyenda1’, ..., ‘leyendaN’)
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 68
Construir la siguiente gráfica en Matlab:

3
y = x * sen(x) - 1/x
Construir la siguiente gráfica en Matlab:

Tramo 2
Tramo 3

Tramo 1

Tramo 4

La función text permite agregar un texto a

la gráfica en un posición especifica X, Y
La trayectoria de una partícula en el espacio esta
descrita por las siguientes ecuaciones:

x=t
y = t * cos(t)
z = e0.2t

construir una gráfica en Matlab de la trayectoria

descrita por la partícula hasta un tiempo de 4π
Construir la siguiente gráfica en Matlab:

20

15

10

0
4
2 4
0 2
0
-2 -2
-4 -4

2 2
z = x +y
Construir la siguiente gráfica en Matlab:

2 2 2 2
z = sen( x + y )/ x + y
2 2
Gráficas

scatter: gráfica de conjunto de puntos en el plano X-Y.
scatter(X,Y)

hist: histograma.
hist(Y,N)
N: tamaño del grupo

stem: gráfica de errores.
stem(X,Y)
X: posición X
Y: tamaño del error
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 74
Gráficas

stairs: gráfica de errores continua.
stairs(X,Y)
X: posición X
Y: tamaño del error

bar, barh: gráfica de barras.

bar(X,Y)
X: posición X
Y: alto de la barra
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 75
Gráficas

pie: gráfica de torta.
pie(X)
X: datos

scatter3: gráfica de conjunto de puntos en el plano X-
Y-Z.
scatter3(X,Y,Z)

pie3: gráfica de torta.

pie(X)
X: datos
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 76
Gráficas Múltiples

Matlab permite presentar múltiples gráficas en una
misma imagen, esto se logra con el comando subplot.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 77

Gráficas Múltiples

subplot: divide la imagen en una matriz de imágenes
independientes y establece cual es la subventana activa
subplot(m,n,a)
m: cantidad de filas.
n: cantidad de columnas.
a: número de la subventana activa.
1 ≤ a ≤ m*n
1 2 ... n
n+1 n+2 ... ...
... ... ... m*n
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 78
Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 79

Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
...

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 80

Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
...
3. Se selecciona la siguiente subventana
subplot(m,n,a2)
...

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 81

Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
...
3. Se selecciona la siguiente subventana
subplot(m,n,a2)
4. Se realizan todas las operaciones gráficas de esa
subventana.
...
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 82
Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
...
3. Se selecciona la siguiente subventana
subplot(m,n,a2)
4. Se realizan todas las operaciones gráficas de esa
subventana.
... ...
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 83
Gráficas Múltiples

Uso de subplot: Subventana1
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
...
3. Se selecciona la siguiente subventana
subplot(m,n,a2)
4. Se realizan todas las operaciones gráficas de esa
subventana.
... ...
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 84
Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
... Subventana2
3. Se selecciona la siguiente subventana
subplot(m,n,a2)
4. Se realizan todas las operaciones gráficas de esa
subventana.
... ...
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 85
Gráficas Múltiples

Uso de subplot:
1. Se selecciona la subventana a utilizar:
subplot(m,n,a1)
2. Se realizan todas las operaciones gráficas de esa
subventana.
...
3. Se selecciona la siguiente subventana
subplot(m,n,a2)
4. Se realizan todas las operaciones gráficas de esa
subventana. más Subventanas
... ...
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 86
La trayectoria de una partícula en el espacio esta
descrita por las siguientes ecuaciones:

x=t
y = t * cos(t)
z = e0.2t

Construir una gráfica en Matlab de la trayectoria

descrita por la partícula hasta un tiempo de 4π, en el
espacio, en el plano x, en el plano y en el plano z.
Gráficas de una función

fplot: gráfica una función dada en un rango específico.
fplot(funcion,rango)

funcion: función a graficar

Texto con la función o funciones separadas por
comas Debe ser x Debe ser x
‘[funcion1(x), funcion2(x), …]’
rango: vector con lo limites del intervalo de x a
graficar.
[xmin xmax]
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 88
Gráficas de una función
Ejemplo:

X = [-3 3];
fplot(‘sin(x)’, X);
fplot(‘[sin(x), cos(x)]’, X);

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 89

Apuntador a una función

Matlab ofrece otro tipo de dato:
function_handle
Contiene toda la información para encontrar y
ejecutar una función.

Su principal utilidad es pasar como parámetros
funciones.

Un function_handle consiste del carácter arroba
seguido del nombre de la función (Sólo el nombre):
@funcion

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 90

Apuntador a una función
Ejemplo:
fplot también recibe un function_handle como
parámetro para la función.

X = [-3 3];
fplot(@sin, X);

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 91

Construir una función en Matlab para evaluar:

y = x3*sen(x) – 1/x

Utilizar la función fplot con un function_handle

para graficar la función en para valores de x entre
0.5 y 5.
Resumen

Bits y Bytes

Sistemas de Numeración

Sistema Binario de Numeración

Números:

Punto Fijo.

Punto flotante

Precisión Sencilla

Precisión Doble

Redondeo
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 93
Resumen

Limitaciones computacionales

Overflow Error

Underflow Error

Errores

de redondeo

de truncamiento(discretización de un problema real)

Números en Matlab

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 94

Resumen

Gráficas de Línea: plot, plot3

Gráficas 3D: surf, mesh, meshgrid

Ajustando la gráfica: axis, grid.

Documentando la gráfica: *label, title, legend.

Otras gráficas: scatter, hist, stem, stairs, bar, pie,
scatter3

Gráficas Múltiples: subplot

Gráfica de una función: fplot

Apuntador a función: function_handle
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 2 – GM – 95