Computaci N Ci Ntifica PDF

Comp. Cientı́fica Fuentes Errores Estabilidad/Precisión Núm. Coma Flotante Prec.
Maquina Overflow/Underflow
COMPUTACION CIENTIFICA
Contenido 4
Modelación numérica con Aplic. en Ing. Hidráulica y Ambiental
Yarko Niño
Departmento de Ingenierı́a Civil

Universidad de Chile
Agosto, 2012
Comp. Cientı́fica Fuentes Errores Estabilidad/Precisión Núm. Coma Flotante Prec. Maquina Overflow/Underflow
”Diseño y análisis de algoritmos para resolver

numéricamente problemas matemáticos en ciencia e
ingenierı́a.”

ingenierı́a.”
También se le conoce como Análisis Numérico.


ingenierı́a.”
También se le conoce como Análisis Numérico.
Sus principales objetivos son la simulación de fenómenos fı́sicos y

el diseño de prototipos o productos.
FUENTES DE ERRORES
FUENTES DE ERRORES
ANTES DE CALCULAR
Modelamiento matemático, (qué ecuaciones?).
Mediciones de parámetros.
Cálculos previos.
FUENTES DE ERRORES
ANTES DE CALCULAR
Cálculos previos.
DURANTE EL CALCULO:
Errores de truncación o discretización.
Errores de redondeo.
FUENTES DE ERRORES
ANTES DE CALCULAR
Cálculos previos.
DURANTE EL CALCULO:
Calidad del resultado final depende de todas estas fuentes de errores.

FUENTES DE ERRORES
ANTES DE CALCULAR
Cálculos previos.
DURANTE EL CALCULO:

Errores en los datos de entrada pueden ser amplificados durante el cálculo.
FUENTES DE ERRORES
ANTES DE CALCULAR
Cálculos previos.
DURANTE EL CALCULO:

Errores en los datos de entrada pueden ser amplificados durante el cálculo.
Perturbaciones durante el cálculo pueden ser amplificados por ciertos
algoritmos numéricos.
FUENTES DE ERRORES
EJEMPLO: Superficie de la Tierra
Calcular la superficie de la Tierra asumiendo que es una esfera,
A = 4πr2
FUENTES DE ERRORES
A = 4πr2
Fuentes de errores:
Tierra no es exactamente esférica.

FUENTES DE ERRORES
A = 4πr2
Fuentes de errores:

Valor del radio basado en mediciones externas.
FUENTES DE ERRORES
A = 4πr2
Fuentes de errores:

Valor para π deber ser truncado.
FUENTES DE ERRORES
A = 4πr2
Fuentes de errores:

Valor para π deber ser truncado.
Cómputos en calculadora o PC deben ser redondeados.
ERROR DE ENTRADA Y COMPUTACIONAL

PROBLEMA:
Dada una entrada x, calcule el valor de la función f : R → R.

PROBLEMA:
Sin embargo, muchas veces la verdadera entrada x es aproximada por

una entrada x̂ y la función f es aproximada por una función fˆ, de tal
forma que el error total es,
h i
fˆ(x̂) − f (x) = fˆ(x̂) − f (x̂) + [f (x̂) − f (x)]
= [error computacional] + [error propagado de entrada]

PROBLEMA:
Sin embargo, muchas veces la verdadera entrada x es aproximada por

una entrada x̂ y la función f es aproximada por una función fˆ, de tal
forma que el error total es,
h i
fˆ(x̂) − f (x) = fˆ(x̂) − f (x̂) + [f (x̂) − f (x)]
= [error computacional] + [error propagado de entrada]
Algoritmo afecta solo error computacional.

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

producido por un algoritmo que usa aritmética exacta.

Por ejemplo, truncar una serie infinita para aproximar una función.

Error de Redondeo: Diferencia entre resultados producidos por el mismo

algoritmo usando aritmética exacta y aritmética con limitada precisión.


Este error es debido a la representación de números reales en

computadores, que tienen limitada precisión.



Error Computational = Error de Truncación + Error de Redondeo.




Error Computational = Error de Truncación + Error de Redondeo.
Generalmente, uno de los dos domina!

EJEMPLO: Aproximación por Diferencias Finitas
f 00 (x)h2
f (x + h) = f (x) + f 0 (x)h + + ...
2
f 00 (x)h2
f (x + h) = f (x) + f 0 (x)h + + ...
2
Aproximación de primer orden:
f (x + h) − f (x)
f 0 (x) ≈ + O(h2 )
h
f 00 (x)h2
f (x + h) = f (x) + f 0 (x)h + + ...
2
f (x + h) − f (x)
f 0 (x) ≈ + O(h2 )
h
Error de truncación acotado por: M h/2, donde M ≥ |f 00 (t)| para t cerca de x.

f 00 (x)h2
f (x + h) = f (x) + f 0 (x)h + + ...
2
f (x + h) − f (x)
f 0 (x) ≈ + O(h2 )
h
Error de redondeo acotado por 2/h, donde error en la evaluación de la función

es acotado por .
f 00 (x)h2
f (x + h) = f (x) + f 0 (x)h + + ...
2
f (x + h) − f (x)
f 0 (x) ≈ + O(h2 )
h
Error de redondeo acotado por 2/h, donde error en la evaluación de la función

es acotado por .
Error de redondeo aumenta cuando h disminuye. Por otro lado, error de

truncación aumenta cuando h aumenta.
SENSIBILIDAD
SENSIBILIDAD
Problema no es sensible o es bien condicionado, si cambios en los datos

de entrada producen diferencias en los resultados del mismo orden de
magnitud.
SENSIBILIDAD

magnitud.
Problema es sensible o es mal condicionado, si cambios en los datos de
entrada producen diferencias muy grandes en los resultados.
SENSIBILIDAD

magnitud.
Número de condicionamiento (conditioning number ):
|cambio relativo en la solucion|

cond =
|cambio relativo en los datos de entrada|
|[f (x̂) − f (x)] /f (x)|
=
|[x̂ − x] /x|
SENSIBILIDAD

magnitud.
Número de condicionamiento (conditioning number ):
|cambio relativo en la solucion|

cond =
|cambio relativo en los datos de entrada|
|[f (x̂) − f (x)] /f (x)|
=
|[x̂ − x] /x|
Problema es mal condicionado si:
cond 1
EJEMPLO: EVALUACION DE UNA FUNCION

PROBLEMA: Evaluar f para datos de entrada aproximados

x + ∆x.

x + ∆x.
Entonces el error absoluto puede ser aproximado como,
f (x + ∆x) − f (x) ≈ f 0 (x)∆x


x + ∆x.
f (x + ∆x) − f (x) ≈ f 0 (x)∆x
y el error relativo es
f (x + ∆x) − f (x) f 0 (x)∆x

≈
f (x) f (x)

x + ∆x.
f (x + ∆x) − f (x) ≈ f 0 (x)∆x
y el error relativo es
f (x + ∆x) − f (x) f 0 (x)∆x

≈
f (x) f (x)
0
f (x)∆x/f (x) xf 0 (x)

cond ≈ =
∆x/x f (x)
El valor de cond depende de la forma de la función f y del valor x.
EJEMPLO: FUNCION MAL CONDICIONADA

SEA: f (x) = tan x y f 0 (x) = sec2 (x) = 1 + tan2 (x).

Entonces,

xf (x) x 1 + tan2 (x)
0
cond ≈
=
f (x) tan(x)

Entonces,

xf (x) x 1 + tan2 (x)
0
cond ≈
=
f (x) tan(x)

1
cond ≈ x + tan(x)
tan(x)
Entonces, para x = π/2, cond → ∞

Entonces,

xf (x) x 1 + tan2 (x)
0
cond ≈
=
f (x) tan(x)

1
cond ≈ x + tan(x)
tan(x)
Por ejemplo,
tan(1, 57079) ≈ 1, 58058 · 105
tan(1, 57078) ≈ 6, 12490 · 104
Entonces,

xf (x) x 1 + tan2 (x)
0
cond ≈
=
f (x) tan(x)

1
cond ≈ x + tan(x)
tan(x)
Por ejemplo,
tan(1, 57079) ≈ 1, 58058 · 105
tan(1, 57078) ≈ 6, 12490 · 104
Entonces, para x = 1, 57079, cond = 2, 48275 · 105
ESTABILIDAD
ESTABILIDAD
Estabilidad de un algoritmo es análoga a la sensibilidad de un problema.

ESTABILIDAD
Un algoritmo es estable si su resultado es relativamente insensible a

perturbaciones durante el cálculo.
ESTABILIDAD
Un algoritmo es estable si su resultado es relativamente insensible a

perturbaciones durante el cálculo.
Para un algoritmo estable, el error computacional no es peor que el error

en los datos de entrada.
PRECISION
PRECISION
Precisión expresa la proximidad de la solución computada a la verdadera
solución del problema.
PRECISION
Estabilidad ; Precisión.
PRECISION
Precisión depende de la estabilidad del algoritmo y de la sensibilidad del

problema.
PRECISION

problema.
Falta de precisión puede deberse a:

usar un algoritmo estable para resolver un problema mal
condicionado, o
a resolver un problema bien condicionado con un algoritmo
inestable.
PRECISION

problema.
Falta de precisión puede deberse a:

usar un algoritmo estable para resolver un problema mal
condicionado, o
a resolver un problema bien condicionado con un algoritmo
inestable.
Precisión requiere aplicar un algoritmo estable a un problema bien

condicionado.
NUMEROS DE COMA FLOTANTE


Sistema de números de coma flotante representado por cuatro números
enteros:
β base o radix
p precisión
[L, U ] rango de exponentes

enteros:
β base o radix
p precisión
Número x representado como:

d1 d2 dp−1
x = ± d0 + + 2 + . . . + p−1 β E
β β β

enteros:
β base o radix
p precisión
Número x representado como:

d1 d2 dp−1
x = ± d0 + + 2 + . . . + p−1 β E
β β β
con 0 ≤ di ≤ β − 1, i = 0, . . . , p − 1, y L≤E≤U
d0 d1 . . . dp−1 es la mantissa.
d1 d2 . . . dp−1 es la fracción.
E es el exponente.
Gran mayorı́a de computadores usan sistema binario (β = 2), pero con

distintos parámetros:
Sistema β p L U
IEEE SP 2 24 -126 127
IEEE DP 2 53 -1022 1023
Cray 2 48 -16383 16384
Calculadora HP 10 12 -499 499
Gran mayorı́a de computadores usan sistema binario (β = 2), pero con

distintos parámetros:
Sistema β p L U
IEEE SP 2 24 -126 127
IEEE DP 2 53 -1022 1023
Cray 2 48 -16383 16384
Calculadora HP 10 12 -499 499
IEEE es el estándar actual implementado en la mayorı́a de computadores

personales y servidores.
NORMALIZACION
NORMALIZACION
Un sistema de números de coma flotante es normalizado si el primer

dı́gito d0 es cero sólo si el número representado es 0.
NORMALIZACION

En un sistema normalizado la mantissa m de un número distinto de cero

siempre satisface
1≤m≤β
NORMALIZACION

En un sistema normalizado la mantissa m de un número distinto de cero

siempre satisface
1≤m≤β
Ventajas de normalización:
representación de cada número es única.
no es necesario utilizar dı́gitos para representar ceros al comienzo
del número.
PROPIEDADES DE SISTEMAS DE COMA FLOTANTE


Un sistema de números de coma flotante es discreto y finito.

Número máximo de números normalizados de coma flotante:
2(β − 1)β p−1 (U − L + 1) + 1


2(β − 1)β p−1 (U − L + 1) + 1
Menor número posible de representar:
underflow level = U F L = β L

2(β − 1)β p−1 (U − L + 1) + 1
Mayor número posible de representar:
overflow level = OF L = β U +1 1 − β −p


2(β − 1)β p−1 (U − L + 1) + 1
Mayor número posible de representar:
overflow level = OF L = β U +1 1 − β −p

No todos los números reales son representales en un sistema de números

de coma flotante. Los que lo son, son conocidos como números de
máquina (machine numbers).
EJEMPLO: UFL Y OFL

EJEMPLO: UFL Y OFL
Asuma sistema de números de coma flotante con β = 2, p = 3, L = −1,

y U = 1, entonces:
U F L = β L = 0.5
OF L = β U +1 1 − β −p = 3.5

N M AX = 2(β − 1)β p−1 (U − L + 1) + 1 = 25

EJEMPLO: UFL Y OFL
Asuma sistema de números de coma flotante con β = 2, p = 3, L = −1,

y U = 1, entonces:
U F L = β L = 0.5
OF L = β U +1 1 − β −p = 3.5

N M AX = 2(β − 1)β p−1 (U − L + 1) + 1 = 25
Sistemas de números de coma flotante son discretos con espaciamiento

desigual.
REGLAS DE REDONDEO
REGLAS DE REDONDEO
Si un número real no es exactamente representable, entonces deber ser

aproximado por un número cercano.
REGLAS DE REDONDEO

Proceso de aproximación ⇒ redondeo.

REGLAS DE REDONDEO

Las dos reglas de redondeo más comunes son:
Truncar (chop): cortar expansión en base-β después de p − 1

dı́gitos. También se llama redondeo hacia el cero.
REGLAS DE REDONDEO

Las dos reglas de redondeo más comunes son:
Truncar (chop): cortar expansión en base-β después de p − 1

dı́gitos. También se llama redondeo hacia el cero.
Rendondear a más próximo (round to nearest): la representación
fl(x) es el número más cercano a x. Se usa un número de coma
flotante cuyo último dı́gito es par en caso de empate (round to
even).
REDONDEO Y TRUNCACION
EJEMPLO:
Número Truncar Redondear

1,649 1,6 1,6
1,650 1,6 1,6
1,651 1,6 1,7
1,699 1,6 1,7
EJEMPLO:

1,649 1,6 1,6
1,650 1,6 1,6
1,651 1,6 1,7
1,699 1,6 1,7
Redondeo es más preciso que truncación, por lo que es el método

estándar en el sistema IEEE (Institute of Electrical and Electronics
Engineers).
EJEMPLO:

1,649 1,6 1,6
1,650 1,6 1,6
1,651 1,6 1,7
1,699 1,6 1,7
Redondeo es más preciso que truncación, por lo que es el método

estándar en el sistema IEEE (Institute of Electrical and Electronics
Engineers).
NOTA: Más detalles acerca del sistema IEEE en:

http://en.wikipedia.org/wiki/IEEE 754-2008
PRECISION DE LA MAQUINA
Precisión de la máquina (machine precision, o machine epsilon), mach ,

representa la precisión de un sistema de números de coma flotante.

Truncación: mach = β 1−p
Redondeo: mach = 12 β 1−p


Definición alternativa: Menor número , tal que
(1 + ) > 1

(1 + ) > 1
El máximo error relativo para representar un número x es,

fl(x) − x
≤ mach
x

(1 + ) > 1
El máximo error relativo para representar un número x es,

fl(x) − x
≤ mach
Floating point: fl(x) x
Para sistema de números de coma flotante con β = 2, p = 3, L = −1, y

U = 1, entonces:
mach = 0, 25 para truncación.

mach = 0, 125 para redondeo.
Para sistema de números de coma flotante con β = 2, p = 3, L = −1, y

U = 1, entonces:
mach = 0, 25 para truncación.

mach = 0, 125 para redondeo.
Para sistema IEEE

mach = 2−24 = 10−7 para precisión simple (SP).
mach = 2−53 = 10−16 para precisión doble (DP).
En todos los sistemas prácticos de números de coma flotante,
0 < U F L < mach < OF L
Normalización causa espacio alrededor del zero,

En todos los sistemas prácticos de números de coma flotante,
0 < U F L < mach < OF L
Normalización causa espacio alrededor del zero,
Esa es la motivación para implementar sistemas subnormalizados, donde

el primer dı́gito puede ser zero sólo si el exponente E = −L. En ese caso,
NUMEROS ESPECIALES
NUMEROS ESPECIALES
En algunas situaciones el resultado de una operación es indefinido o no

representable en el sistema de número flotante, por lo que los resultados
de esas operaciones deben ser tratados de forma especial.
Inf, representa infinito y es el resultado de operaciones como 1/0.

NaN ( Not a number), por ejemplo el resultado de 0/0, 0*Inf,
Inf/Inf.
NUMEROS ESPECIALES
En algunas situaciones el resultado de una operación es indefinido o no

representable en el sistema de número flotante, por lo que los resultados
de esas operaciones deben ser tratados de forma especial.
Inf, representa infinito y es el resultado de operaciones como 1/0.

NaN ( Not a number), por ejemplo el resultado de 0/0, 0*Inf,
Inf/Inf.
El estándard IEEE especifica el resultado de operaciones que tienen Inf o

NaN como argumentos.
ARITMETICA NUMEROS ESPECIALES

Suma o resta: Traslado de mantissa puede ocasionar pérdida de

dı́gitos en argumento más pequeño.

Multiplicación: Producto de dos mantissas con p dı́gitos puede

tener hasta 2p dı́gitos que no pueden ser almacenados.


División: Cuociente de dos mantissas con p dı́gitos puede tener

más de p dı́gitos que no pueden ser almacenados. Ejemplo, 1/10 en
base 2.


División: Cuociente de dos mantissas con p dı́gitos puede tener

más de p dı́gitos que no pueden ser almacenados. Ejemplo, 1/10 en
base 2.
CONCLUSION: Resultado de operaciones aritméticas con números de

coma flotante pueden ser (muy) distintos a los resultados de las mismas
operaciones con números reales.
ARITMETICA NUMEROS DE COMA FLOTANTE
EJEMPLOS:
Tomando β = 10 y p = 6 y los números: x = 1.92403 · 102 y

y = 6.35782 · 10−1 .
Calcule:
EJEMPLOS:

y = 6.35782 · 10−1 .
Calcule:
x+y =
EJEMPLOS:

y = 6.35782 · 10−1 .
Calcule:
x + y = 192, 403 + 0, 635782 = 193, 03878

EJEMPLOS:

y = 6.35782 · 10−1 .
Calcule:
x + y = 192, 403 + 0, 635782 = 193, 03878 = 1, 93039 · 102

EJEMPLOS:

y = 6.35782 · 10−1 .
Calcule:
x + y = 192, 403 + 0, 635782 = 193, 03878 = 1, 93039 · 102

x ∗ y = 12, 2326364146 · 101 = 1, 22326 · 102
EJEMPLOS:

y = 6.35782 · 10−1 .
Calcule:
x + y = 192, 403 + 0, 635782 = 193, 03878 = 1, 93039 · 102

x ∗ y = 12, 2326364146 · 101 = 1, 22326 · 102
En ambos casos se pierden dı́gitos cuando se redondean los resultados.

Para valores más pequeños de y el efecto del redondeo serı́a peor.
OVERFLOW Y UNDERFLOW
En algunos casos el resultado de una operación puede no ser representable

porque el exponente E > U (overflow) o E < L (undeflow).

En general, underflow no es problema porque resultado puede ser

aproximado por 0.


aproximado por 0.
Overflow es más difı́cil porque no existe buena aproximación.



aproximado por 0.
Overflow es más difı́cil porque no existe buena aproximación.
En general, overflow puede causar problemas (ej. NaN), mientras que

underflow es silencioso.
EJEMPLO:
Considere la serie,
∞
X 1
n=1
n
EJEMPLO:
Considere la serie,
∞
X 1
n=1
n
Esta serie es divergente si es evaluada con aritmética con precisión

infinita, pero tiene un valor finito si es evaluada en un computador.
EJEMPLO:
Considere la serie,
∞
X 1
n=1
n
Esta serie es divergente si es evaluada con aritmética con precisión

infinita, pero tiene un valor finito si es evaluada en un computador.
Causas:
Suma es más grande que el máximo número que se puede
representar OFL (overflow).
1/n es más pequeño que UFL y no agrega nada a la suma.
1/n es demasiado pequeño en comparación al resultado parcial de la
suma, 1
n−1
X1
≤ mach
n k
k=1
REGLAS DE ARIMETICA DE NUMEROS DE COMA

FLOTANTE

FLOTANTE
En la mayorı́a de los casos resultados computados con aritmética de

sistemas de coma flotante son cercanos al redondeo de resultados
computados con números reales.

FLOTANTE

Sin embargo algunas propiedades de las operaciones con números reales

no son válidas con números de coma flotante. Por ejemplo, suma y
multiplicación son conmutativas pero no asociativas.

FLOTANTE

Sin embargo algunas propiedades de las operaciones con números reales

no son válidas con números de coma flotante. Por ejemplo, suma y
multiplicación son conmutativas pero no asociativas.
Ejemplo, si es un poco menor que mach , entonces
(1 + ) + = 1
pero
1 + ( + ) > 1
CANCELACION
CANCELACION
Resta entre dos números de similar magnitud resulta en la cancelación de

las primeras cifras significativas ⇒ resultado tiene menos cifras
significativas que los operandos.
CANCELACION

Por ejemplo:
1, 92403 · 102 − 1, 92275 · 102 = 1, 28000 · 10−1

CANCELACION

Por ejemplo:
1, 92403 · 102 − 1, 92275 · 102 = 1, 28000 · 10−1

Eliminación de cifras significativas representa una pérdida de información.
Por ejemplo, si es un poco más pequeño que mach , entonces
(1 + ) − (1 − ) = 1 − 1 = 0 6= 2
Resultado incorrecto debido a pérdida de información durante
operaciones intermedias.
CANCELACION

Por ejemplo:
1, 92403 · 102 − 1, 92275 · 102 = 1, 28000 · 10−1

Eliminación de cifras significativas representa una pérdida de información.
Por ejemplo, si es un poco más pequeño que mach , entonces
(1 + ) − (1 − ) = 1 − 1 = 0 6= 2
Resultado incorrecto debido a pérdida de información durante
operaciones intermedias.
RECETA: No calcular pequeñas diferencias como el resultado de la resta

entre dos números ”grandes”.
RUTINAS Y PAQUETES COMPUTACIONALES

Debido a las ”trampas” de la aritmética de coma flotante, en general, es

una mala idea tratar de implementar rutinas matemáticas para uso
personal.

personal.
Además, existen muchos otros ”trucos” para escribir rutinas rápidas que
están más allá del conocimiento de los ”meros mortales”.

personal.
Internet está lleno de bibliotecas matemáticas (gratuitas y comerciales)

que contienen una gran cantidad de rutinas genéricas, por ej: algebra
linear (BLAS, LAPACK, ATLAS, UMFPACK), funciones estadı́sticas
(Intel MKL, NAG), Transformada de Fourier (FFTW), etc. Netlib es un
buen lugar para buscar rutinas gratuitas.

personal.
Internet está lleno de bibliotecas matemáticas (gratuitas y comerciales)

que contienen una gran cantidad de rutinas genéricas, por ej: algebra
linear (BLAS, LAPACK, ATLAS, UMFPACK), funciones estadı́sticas
(Intel MKL, NAG), Transformada de Fourier (FFTW), etc. Netlib es un
buen lugar para buscar rutinas gratuitas.
Mejor aún, hay varios paquetes computacionales (gratuitos y comerciales)

que permiten hacer uso de esas bibliotecas en un ambiente gráfico y con
un lenguage de programación simple, por ejemplo: MATLAB, Octave, R,
Python + Numpy + SciPy, SciLab, etc.

Computaci N Ci Ntifica PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Computaci N Ci Ntifica PDF

Cargado por

Copyright:

Formatos disponibles

Comp. Cientı́fica Fuentes Errores Estabilidad/Precisión Núm. Coma Flotante Prec.

Modelación numérica con Aplic. en Ing. Hidráulica y Ambiental

Departmento de Ingenierı́a Civil

”Diseño y análisis de algoritmos para resolver

”Diseño y análisis de algoritmos para resolver

También se le conoce como Análisis Numérico.

”Diseño y análisis de algoritmos para resolver

También se le conoce como Análisis Numérico.

Sus principales objetivos son la simulación de fenómenos fı́sicos y

Calidad del resultado final depende de todas estas fuentes de errores.

Calidad del resultado final depende de todas estas fuentes de errores.

Calidad del resultado final depende de todas estas fuentes de errores.

EJEMPLO: Superficie de la Tierra

Calcular la superficie de la Tierra asumiendo que es una esfera,

EJEMPLO: Superficie de la Tierra

Calcular la superficie de la Tierra asumiendo que es una esfera,

Tierra no es exactamente esférica.

EJEMPLO: Superficie de la Tierra

Calcular la superficie de la Tierra asumiendo que es una esfera,

Tierra no es exactamente esférica.

EJEMPLO: Superficie de la Tierra

Calcular la superficie de la Tierra asumiendo que es una esfera,

Tierra no es exactamente esférica.

EJEMPLO: Superficie de la Tierra

Calcular la superficie de la Tierra asumiendo que es una esfera,

Tierra no es exactamente esférica.

ERROR DE ENTRADA Y COMPUTACIONAL

ERROR DE ENTRADA Y COMPUTACIONAL

Dada una entrada x, calcule el valor de la función f : R → R.

ERROR DE ENTRADA Y COMPUTACIONAL

Dada una entrada x, calcule el valor de la función f : R → R.

Sin embargo, muchas veces la verdadera entrada x es aproximada por

= [error computacional] + [error propagado de entrada]

ERROR DE ENTRADA Y COMPUTACIONAL

Dada una entrada x, calcule el valor de la función f : R → R.

Sin embargo, muchas veces la verdadera entrada x es aproximada por

= [error computacional] + [error propagado de entrada]

Algoritmo afecta solo error computacional.

ERROR DE TRUNCACION Y REDONDEO

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

Error de Redondeo: Diferencia entre resultados producidos por el mismo

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

Error de Redondeo: Diferencia entre resultados producidos por el mismo

Este error es debido a la representación de números reales en

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

Error de Redondeo: Diferencia entre resultados producidos por el mismo

Este error es debido a la representación de números reales en

Error Computational = Error de Truncación + Error de Redondeo.

ERROR DE TRUNCACION Y REDONDEO

Error de Truncación: Diferencia entre resultado verdadero y resultado

Error de Redondeo: Diferencia entre resultados producidos por el mismo

Este error es debido a la representación de números reales en

Error Computational = Error de Truncación + Error de Redondeo.

Generalmente, uno de los dos domina!

ERROR DE TRUNCACION Y REDONDEO

EJEMPLO: Aproximación por Diferencias Finitas

Error de redondeo acotado por 2/h, donde error en la evaluación de la función

Error de redondeo acotado por 2/h, donde error en la evaluación de la función