METODOS NUMÉRICOS V.

CONTRERAS TITO

MÉTODOS NUMÉRICOS
Profesor: Vladimiro Contreras Tito

INTRODUCCIÓN
El análisis numérico trata de diseñar métodos para aproximar de una manera eficiente las
soluciones de problemas expresados matemáticamente.

Los métodos numéricos surgen de la necesidad de métodos alternativos de solución de

problemas matemáticos. Pero ¿qué obliga a desarrollar esos métodos alternativos de solución?
Primero no todos los problemas matemáticos que se presentan son susceptibles de abordarse
2 2
mediante métodos analíticos. Por ejemplo, el calcular: 1
e x dx ; segundo, no siempre se
dispone del tiempo – paciencia suficiente para buscar hasta encontrar una solución analítica –
elegante. Por ello los métodos numéricos son apreciados como valiosa herramienta en las
fases tempranas de una investigación.

Así, el objetivo de estudio del análisis numérico es la construcción y valoración de métodos

numéricos de solución de problemas que tienen como resultado un valor numérico. El método
numérico es la regla que mejora la aproximación; pero, ¿qué tan buena es esa regla? El
análisis numérico no solo construye la regla, sino que además analiza que tan buena es.

FUENTES DE ERROR
Como se trabaja con datos experimentales surgen las siguientes fuentes de error:
a) Las que surgen de los datos iniciales, debido a la imperfección de las mediciones.
b) La naturaleza infinita de los números reales y la posibilidad de trabajarlos solo en forma
finita, ya sea por la capacidad de la calculadora o computadora.
c) Todo proceso numérico debe ser un proceso finito, a pesar de que se usa concepto
matemático infinito como el concepto de límite o de una serie infinita como el concepto de
límite o de una serie infinitivo. Luego este proceso infinito se corta o se trunca lo que da
lugar a un error conocido como error de truncamiento o error del método.

APROXIMACIONES Y ERRORES DE REDONDEO

Cifras significativas
El concepto de cifras significativas o dígitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numérico. Las cifras significativas de un número
son aquellas que pueden utilizarse en forma confiable. Se trata del número de dígitos que se
ofrecen con certeza, más uno estimado.

Por ejemplo en el velocímetro de la figura, el auto viaja a 48,8 km/h aproximadamente.

Se muestra en la lectura hasta 3 cifras significativas para el velocímetro, los dos dígitos
seguros son 48. Por convención al dígito estimado se le da el valor de la mitad de la escala

1
METODOS NUMÉRICOS V.CONTRERAS TITO

menor de división en el instrumento de medición. Así la lectura del velocímetro consistirá de las
3 cifras significativas: 48,5.

En el odómetro se tiene 7 cifras significativas, 6 seguras y una estimada, la escala es 0,1

87324.45

Ejemplo
1. Los números:
 1234,45 tiene 6 cifras significativas
 1002,5 tiene 5 cifras significativas
 0,000456 tiene 3 cifras significativas
 300,00 tiene 5 cifras significativas
NOTA: Es mucho más fácil contar y encontrar las cifras significativas si el número está escrita
en notación científica.

2. ¿Cuántas cifras significativas tienen el número: 45300?

Puede tener tres, cuatro o cinco dígitos significativos, dependiendo de si los ceros se
conocen o no con exactitud. La incertidumbre se puede eliminar utilizando la notación
4 4 4
científica, donde 4.53 x 10 , 4.530 x 10 , 4,5300 x 10 muestran respectivamente que
el número tiene tres, cuatro y cinco cifras significativas. Los números 0,00452 ;
0,000452 ; 0,0000452 tienen tres cifras significativas

EXACTITUD Y PRECISIÓN
La exactitud, se refiere a qué tan cercano está el valor calculado medido del valor verdadero.
La precisión se refiere a qué tan cercano se encuentran unos de otros, diversos valores
calculados o medidos.

La inexactitud (o sesgo) se define como una desviación sistemática del valor verdadero.
La imprecisión (o incertidumbre) se refiere a la magnitud en la dispersión.

ERROR DEL CÁLCULO

Definición. Sea X el número real exacto y X* una aproximación de X entonces se define:

ΔX
El error absoluto como: ΔX =| X - X* | y el error relativo como: ε x = ; x0
| X|
El error absoluto no es más que la distancia entre el valor exacto y el valor aproximado;
mientras que el error relativo mide el error entendido como una porción del valor exacto.

El conocer el error relativo nos permite indicar la medida de cercanía dentro de la misma
presentación de la cantidad aproximada, usando la idea de los dígitos significativos o cifras
exactas.

Ejemplos
Hallemos los errores absoluto y relativo en los siguientes casos:
1. Sean x = 3,141592 y x* = 3,14 el valor aproximado, entonces

2
METODOS NUMÉRICOS V.CONTRERAS TITO

ΔX =| X - X* |= 0,001592
Δx 0,001592
εx = = = 0,000507
|x| 3,141592
No hay mucha diferencia entre  x y  x ; cualquiera de los dos se puede usar para
determinar la precisión de x*.

2. Sean y = 1000000 , y* = 999996 entonces

Δy =| y - y* |= 4
Δy 4
εy = = = 0,000004
|y| 1000000
En este caso  y >  y ; luego y* será posiblemente considerado como una buena
aproximación a y.

3. Sean z = 0,000012 y z* = 0,000009 entonces

Δz =| z - z* |= 0,000003
Δz
εz = = 0,25
|z|
En este caso observemos que z es del orden de magnitud de 10-6 y  z<  z . Notemos que
 z en términos de porcentaje, es de un 25%, por lo que z* se considera como una mala
aproximación a z.
Observemos que conforme |x| se aleja de 1 (creciendo o decreciendo), el error relativo  x
va siendo un indicador de la precisión de la aproximación mejor que el error absoluto  x.

En la representación de punto flotante se prefiere trabajar con el error relativo ya que este
está directamente relacionado con la mantisa.

DEFINICIÓN. Se dice que el número aproximado x* se aproxima a x con k dígitos

significativos, si k es el entero más grande no negativo, para el cual:
| x  x* |
x   0,5 x 10-k 1  5 x 10-k
| x|
Ejemplo
Halle el valor de x* que aproxime a 1000000 con 6 cifras significativas.
Solución
Usando la última definición, x* debe cumplir con
|1000000  x*|
 5 x 10-6
|1000000 |

de donde 999995  x*  1000005 . Esto es, cualquier valor de x * en el intervalo

[999995 ,1000005] aproxima a 1000000 con 6 cifras significativas.

Del ejemplo anterior:

1. Si = 3,141592 y x* = 3,14 entonces  x = 0,000507 = 5,07 x 10-4 < 5 x 10-3. Por tanto,
x* es una aproximación a x con 3 cifras significativas.
2. Si y = 1000000 y y*=999996 entonces  y = 4 x 10 < 5 x 10 . Por tanto, y* es una
-6 -6

aproximación a y con 6 cifras significativas.

3
METODOS NUMÉRICOS V.CONTRERAS TITO

3. Si z = 0,000012 y z*=0,000009, entonces  z = 0,25 < 0,5 x 10

-1+1
. Por tanto z* es una
aproximación a z con 1 cifras significativo.

El concepto de cifras significativas o dígitos significativos se ha desarrollado para designar

formalmente la confiabilidad de un valor numérico.

Nota: Cuando se manejan cantidades “muy grandes” o “muy pequeñas” el error absoluto
puede ser engañoso, mientras que el error relativo es más significativo en esos casos.

ERROR DE REDONDEO

Los errores de redondeo se originan debido a que la computadora emplea un número

determinado de cifras significativas durante un cálculo. Los números tales como ; 2 pueden
ser expresados con un número de cifras significativas. Por tanto no se pueden ser
representados exactamente por la computadora. Como las computadoras usan una
representación en base 2, no pueden representar exactamente algunos números en base 10.
Esta discrepancia por la omisión de cifras significativas se llama ERROR DE REDONDEO.

REPRESENTACIÓN DE NÚMEROS EN LA COMPUTADORA

La unidad fundamental mediante la cual se representa la información se llama “palabra”. Esta
es una entidad que consiste en una cadena de dígitos binarios o bits.

NÚMEROS BINARIOS
Forma desarrollada de 1563 en la base 10 (decimal) es: 1563 = 1 x 103 + 5 x 102 + 6 x 10 + 3
y en la base 2 es: 1563 = 110000110112

FRACCIONES BINARIAS
Un número decimal R  0, d1d2 d3 ... se puede expresar en la base binaria como sigue:
R  d1  21  d2  22  d3  23  ...
Para hallar los valores de d i procederemos de la siguiente manera: Multiplicando a R por 2 se
1 2
tiene 2R  d1  d2  2  d3  2  ...
La parte entera de 2R es d1 , esto es, ent (2R)  d1 y su parte fraccionaria es
d2  2  d3  2  ... . esto es, frac(2R)  F1  d2  21  d3  22  ... . En forma similar
1 2

obtenemos:
d k  ent (2 Fk 1 )
Fk  frac(2 Fk 1 )
Ejemplo
Represente (0,7)10 en la base binaria.

Solución
R = 0,7 = d1x2-1 + d2x2-2 + ...
2R = d1 + d2x2-1 + d3x2-2 + ...
2R = 1,4  d1 = ent (1,4) = 1
2F1 = 0,8  d2 = ent (0,8) = 0
2F2 = 1,6  d3 = ent (1,6) = 1
2F3 = 1,2  d4 = ent (1,2) = 1
2F4 = 0,4  d5 = ent (0,4) = 0
F1 = frac (1,4) = 0,4
F2 = frac (0,8) = 0,8
F3 = frac (1,6) = 0,6
F4 = frac (1,2) = 0,2
F5 = frac (0,4) = 0,4

4
METODOS NUMÉRICOS V.CONTRERAS TITO

2F5 = 0,8  d6 = ent (0,8) = 0 F6 = frac (0,8) = 0,8

(0,7)10 = 0,10110011001100…

(0,7)10 = 0,10110 (2)

REPRESENTACION ENTERA

Ahora que se ha revisado como los números de base 10 se representa en forma binaria, es
fácil concebir cómo los enteros se representan en la computadora. El método más sencillo se
denomina “método de magnitud con signo” y empieza el 1er. bit de una palabra para indicar el
signo con un 0 para positivo y un 1 para el negativo. Los bits sobrantes se usan para guardar
el número. Por ejemplo, el valor entero –173 puede guardarse en la memoria de una
computadora de 16 bits como se muestra:

(173)10 = (10101101)2

1 0 0 0 0 0 0 0 1 0 1 0 1 1 0 1

Signo Número

RANGO DE ENTEROS

Determine el rango de enteros de base 10 que pueda representarse en una computadora de 16

bits.

Solución
De los 16 bits, se tiene el 1er. bit para el signo. Los 15 bits restantes pueden contener los
números binarios de 0 a 111111111111111.
El límite superior se convierte en un entero decimal, así:
1 x 214 + 1 x 213 + ... + 1x 2 + 1 = 32767 (215 – 1 = 32767)

así en una computadora de 16 bits una palabra puede guardar en memoria un entero decimal
en el rango de –32767 a 32767. Además debido a que el cero está ya definido como
0000000000000000, seria redundante usar el número 1000000000000000 para definir “menos
cero”. Por lo tanto es usualmente empleado para representar un número negativo adicional.
Por lo tanto el rango es:
–32768 a 32767.

REPRESENTACIÓN DEL PUNTO FLOTANTE

Las cantidades fraccionarias generalmente se representan en la computadora usando la forma

del punto flotante. Con este método, el número se expresa como una parte fraccionaria,
llamada MANTISA o SIGNIFICANDO, y una parte entera, denominada EXPONENTE ó
CARACTERÍSTICA, esto es:
m.be
donde m = mantisa, b = la base del sistema de numeración y e = exponente.

Por ejemplo, el número 156,78 se representa como 0,15678 x 103 en un sistema de base 10 de
punto flotante.
3
El número de punto flotante de x se representa por fl(x). así fl(156,78) = 0,15678 x 10 .

5
METODOS NUMÉRICOS V.CONTRERAS TITO

En general para hallar fl(x) para una aritmética de t dígitos se siguen los siguientes pasos:
1. Si x no está en el conjunto de números que se pueden representar en una máquina dada
1
(esto es un conjunto finito), se le representa en la forma: a 10 en donde | a | 10
b
y la
representación decimal de | a | está dada por:
| a | 0, 1  2 ...t t 1... tal que 0  i  9 , i  2,3,... , 1  0
2. Se elige a fl(x) como:
 0, 1  2 ... t si  t 1  4
a*  
0, 1  2 ... t  10 si  t 1  5
t

Por lo tanto fl(x) = signo (x) a * 10

e

Resumiendo un número de punto flotante de t dígitos en base b tiene la forma:

x   (0, d1d 2 ...dt )b . be
MANTISA
Tal número de puntos flotantes se dice normalizado en el caso:
d1  0 y 0  di  b ; i  2,..., t
Ejemplo

Si t = 4 dígitos significativos entonces:

fl(0,029411765 ...) = 0,2941 x 10-1
fl(3,13161) = 0,3132 x 10+1
fl(-1,97631) = -0,1976 x 101
La consecuencia de la normalización es que el valor absoluto de m queda limitado. Esto es:
1
 m 1
b
1
donde b es la base. Por ejemplo, para un sistema de base 10, m estaría entre y 1; y
10
para un sistema de base 2, entre 0,5 y 1.

CONJUNTO HIPOTÉTICO DE NÚMEROS CON PUNTO FLOTANTE

Ejemplo
Determine un conjunto hipotético de números con punto flotante para una máquina que guarda
información usando palabras de 7 bits. Emplee el 1er. bit para el signo del número, los
siguientes 3 para el signo y la magnitud del exponente y los últimos tres para la magnitud de la
mantisa.
Solución
El número positivo más pequeño posible se representa como:
21 2° 2-1 2-2 2-3
0 1 1 1 1 0 0

Signo signo magnitud magnitud

del Nº del del de la
exponente exponente mantisa

La magnitud del exponente es:  e  1 2  1 2  3 y su signo es negativo. Así, el número

1 0

positivo más pequeño posible en este sistema es:

0111100  (1 2-1 +0  2-2 +0  2-3 )  2-3 = 0,0625 en el sistema de base 10.

6
METODOS NUMÉRICOS V.CONTRERAS TITO

Observación: Aunque es posible tomar una mantisa más pequeña (por ejemplo, 000, 001, 010,
011) se emplea el valor 100 debido al límite impuesto por la normalización.
1
Sabemos que:  m  1......( )
2
el mínimo m es:
(0,5)10= (0,100)2
Los siguientes números más grandes se desarrollan incrementando la mantisa como sigue:
0111101 = (1 x 2-1 + 0 x 2-2 + 1 x 2-3) x 2-3 = (0,078125)10
-1 -2 -3 -3
0111110 = (1 x 2 + 1 x 2 + 0 x 2 ) x 2 = (0,093750)10
-1 -2 -3 -3
0111111 = (1 x 2 + 1 x 2 + 1 x 2 ) x 2 = (0,109375)10
notemos que las equivalencias de base 10 se esparcen de manera uniforme en un intervalo de
0,015625.
El número máximo es:
0011111 = (1 x 2-1 + 1 x 2-2 + 1x 2-3) x 23 = (7)10

Observación
El número (0,08320)10 en la base 2 está representado por 0111101, en efecto:
0, 08320  0,16640  0,33280  0, 66560  0,33120  0, 66240  0,32480 
2 2 2 2 2 2 2
0,16640 0,33280 0, 66560 1,33120 0, 66240 1,32480 0, 64960

(0,08320)10 =(0,0001010)2=0,101x2-3. Luego la representación en una máquina que guarda

información usando 7 bits es: 0111101. Por lo tanto el número 0,08320 se identifica como si
fuera 0,078125. Esto es un error de redondeo.

¿Qué ocurrirá si pusiéramos a un computador con una mantisa de 4 cifras, como la que
 1 1 1
acabamos de describir, que realiza la operación    ?
 10 5  6
 1 1
Primero sumemos   
 10 5 

1
 0,1   0,1101 x 23  0, 01101x 2 2
10
1
0, 2   0,1101 x 22  0,1101x 2 2
5
3
0,3  1, 00111x 22
10
2
El computador debe decir como almacenar 1,001112 x 2 supongamos que se redondea
1
como 0,1010 x 2
3
 0,3   0,1010 x 21  0,1010 x 2 1
10
1
0,1667   0,1011 x 22  0, 01011x 2 1
6
7
0,11111x 21
15

7
METODOS NUMÉRICOS V.CONTRERAS TITO

1
El computador debe decidir como almacenar 0,11111 x 2 supongamos que se redondea
7
como 0,1000 x 2 . Luego
0
 0,1000 2 x 20
15
El error en el cálculo efectuado por el computador es :
7
 0,1000 2  0, 466667  0,50000  0, 033333
15
100%
el porcentaje  0, 033333 x  7,14%
 7 /15

NÚMEROS DEL COMPUTADOR EN COMA FLOTANTE

Los computadores disponen de un modo entero y de un modo en coma flotante para

representar números.
Los computadores que usan 32 cifras binarias para representar n° reales con precisión simple,
reserva 8 cifras para el exponente y 24 para la mantisa (incluyendo los signos): eso les
permite representar , a parte del cero , N° reales de magnitud comprendida en el rango que va
desde 2,938736 x 10
39
hasta 1,701412 x10
38
(o sea desde 2128 hasta 2127 ) con 6 cifras
23
decimales de precisión numérica ( pues 2  1, 2 x107 ).

ARITMÉTICA DEL PUNTO FLOTANTE

En el caso en que b = 10 se encuentra que el error relativo admite la siguiente cota:
fl  x   x 5 x10 
 t 1
1 
  5 x10t 1 10   m  1
x m  10 
1
 5 x 10t 10 
m
Y si denotamos como:
fl  x   x
  x 1     fl  x 
x
Éste último resultado no permite definir fl  x  como la función:
fl : R  A
x fl  x   x 1   
donde   5 x10t y A es el conjunto de número que se pueden representar en una máquina
dada:
Se puede definir operaciones sustitutas como:
x  * y   x  y 1  1 
x * y   x y 1   2 
x /* y  x / y 1   3 
donde cada  i  5 x10t i  1, 2,3....
Ejemplos:

Si t = 8 dígitos con

8
METODOS NUMÉRICOS V.CONTRERAS TITO

a  0, 63381158 x 104 halle : a  *  b  *c 

b  0, 73688329 x 102  a  *b   *c
c  0, 73687711 x 102 abc

Solución:
Aquí los  i son iguales a cero:

b  *c  0, 73688329 x 102  *  0, 73687711 x 102 

 6,18 x104

a  *  b  *c   0, 63381158 x104  6,18 x104

 0, 68138116 x 103

a  *b  0, 63381158 x 104  0, 73688329 x 102

 0, 73688392 x102

 a  *b   *c  0, 73688392 x 102  * 0, 73687711 x 102 

 0, 68 x105 x102  0, 681 x103
a  b  c  0,68138116 x103

Uno de los ejemplos más comunes de la propagación de errores es en el fenómeno conocido

como pérdida de cifras significativas. Este tipo de situaciones se da cuando algún cálculo
numérico envuelve:
i) La división de un resultado con dígitos finitos entre uno de magnitud pequeña.
ii) La resta de números casi iguales.
* *
Sean r1 , r2 y su números de puntos flotantes r1 , r2 , luego las restas de estos;
r1*  r2*   r1  1*    r2   2*   r1  r2  1*   2*  , y por lo tanto el error relativo
final será:
r1*  r2*   r1  r2   r1  r2   1*   2*    r1  r2   *
  2* 
 
1

r1  r2 r1  r2 r1  r2

cantidad que puede ser grande pues el denominador es pequeño.

Ejemplo
Sea la función f  x   x  1  x . Trabajando con seis cifras significativas
calcule f (100) .
Solución
Note que 100  10 y 101  10,0499 con seis cifras significativa
Ahora calculemos f 100   101  100  0, 499000 x10 . El valor exacto a
1

seis cifras significativas de f 100   0, 498756 x10 . Observemos que se esta

1

perdiendo 3 cifras en el cómputo. Esto se ha originado debido a que estamos

restando cantidades similares. En este caso podemos evitar restar cantidades
similares escribiendo f ( x) (racionalizado) como

9
METODOS NUMÉRICOS V.CONTRERAS TITO

1
f ( x) 
x 1  x
Podemos ahora calcular f (100) mediante
1 1
  0, 498756 x101
10, 0000  10.0499 20, 0499
que es correcto a seis cifras significativas.

Ejemplo
1 2 123 1
Halle las raíces de la ecuación x  x 0
3 4 6
Trabajando con una aritmética de t = 4 dígitos.
Sabemos que sus raíces exactas son:
x1  92, 24457963 , x2  5, 42037285 x103

Solución
1 2 123 1
x  x   0  0,3333x 2  0,3075 x102 x  0,1667  0
3 4 6

b  b 2  4ac
x
2a

b 2  4ac   0,3075 x 102   4  0,3333 0,1667 

2

 0,9456 x 103  4  0,5556 x 101 

 0,9456 x103  0, 2222 x 100
 0,9454 x 103
b 2  4ac  0,3075 x102
0,3075 x 102  0,3075 x 102
x1* 
0, 6666
0, 615 x 102
x1*   0,9226 x 102
0, 6666

x2*  0 , este resultado se aproxima al x2 (raíz exacta). Esto ocurre, pues b  b2  4ac .
Una forma de evitar el problema de restar estos dos números casi iguales, consiste en
racionalizar el numerador:
b  b2  4ac b  b2  4ac 2c
x2  . 
2a b  b  4ac b  b 2  4ac
2

2  0,1667  0,3334
 x2    0,5421 x102
0,3075 x10  0,3075 x10
2 2
0, 615 x10 2

ERROR DE TRUNCAMIENTO

10
METODOS NUMÉRICOS V.CONTRERAS TITO

La noción de error de truncamiento se refiere normalmente a los errores que se producen

cuando una expresión matemática complicada se “reemplaza” por una función más simple.
Esta terminología se originó en la sustitución de una función por uno de sus polinomios de
Taylor.

Por ejemplo podríamos reemplazar la serie de Taylor

x 4 x 6 x8
ex  1  x2     ..........
2

2! 3! 4!
x 4 x 6 x8
por los 5 primeros términos 1  x   
2

2! 3! 4!
Ejemplo
1/ 2
 e x dx  0,544987104184  P . Determine la precisión de la aproximación
2
Sabiendo que
0

f  x   ex
2
obtenida al reemplazar el integrado por serie de Taylor truncada

x 4 x 6 x8
P8  x   1  x 2    .
2! 3! 4!
Solución

1/ 2  x 4 x 6 x8 
      dx  0,544986720817  P *
2
 1 x
0
 2! 3! 4! 
P  P*
 7, 033193944 x 107  5 x10 k  k  6
P

La aproximación P* coincide con el valor exacto P en 6 cifras significativas (consideremos en

P* como las 6 cifras a 0,544987 ).

FÓRMULA DE TAYLOR

Teorema
Supongamos que la (n +1) – ésima deriva de la función f existe en algún intervalo que
contiene a los puntos a y b . Entonces
f n a f 
n 1
f  b   f  a   f '  a  b  a   ....  b  a   z b  a  ................(*)
n 1

n

n!  n  1!
Para algún z entre a y b .

11
METODOS NUMÉRICOS V.CONTRERAS TITO

Si reemplazamos b por x en (*) se obtiene la fórmula de Taylor de grado n con residuo

alrededor de x  a

f  x  
n
f
k
a f
n 1
 z  x  a n1
 x  a   
k

k 0 k!  n  1!
donde z es algún número entre a y x .

n
f k a
Así el término Pn  x     x  a  es llamado el POLINOMIO DE TAYLOR de
k

k 0 k!
grado n para la función f  x alrededor del punto a y al término

Rn  x  
 z  x  a n1 se llama residuo de grado n (ó error de truncamiento)
f  n 1
 
 n  1!
asociado con Pn  x  . Cuando n   , Rn  x   0 es decir, lim Rn  x   0 para algún valor
n 
particular fijo de x . Luego la función
n
f
k
a
f  x   lim  Pn  x   Rn  x   lim Pn  x   lim   x  a
k

n n n  k!
k 0

f  x  

f
k
a
 x  a
k

k 0 k!

es la SERIE DE TAYLOR de la función f en x  a .

Ejemplo

a) Calcule el polinomio de Taylor de 3er grado alrededor de x = 0 para la función

f  x  1 x .
b) Use el polinomio de (a) para aproximar 1,1 y encontrar la corta de error.

Solución
f ( x)  1  x  f (0)  1
1/ 2

1
1  x 
1/ 2
f ' ( x)  f ' (0)  1/ 2
2
1
f ' ' ( x)   1  x 
3 / 2
f ' ' (0)  1/ 4
4
3
f ' ' ' ( x)  1  x 
5 / 2
f '''
(0)  1/ 4
8
15
f IV ( x)   1  x 
7 / 2

16
f ' ' (0) 2 f ' ' ' (0) 3
P3  x   f  0   f '  0  x  x  x
2! 3!

12
METODOS NUMÉRICOS V.CONTRERAS TITO

1 1 1 3 1
P3  x   1  x  . x 2  . x3
2 4 2! 8 3!
1 1 1
P3  x   1  x  x 2  x3
2 8 16
es el polinomio de Taylor de 3er grado alrededor de a = 0.
1 1 1
1,1  f  0,1  p  0,1  1   0,1   0,1   0,1  1, 0488125
2 3
b).
2 8 16
La cota del error es:
15
1  z 
7 / 2

R3  0,1 
f
4
 2
 0,1  16  0,1
4 4

4! 4!

15 15
 0,1 zmax 1  z 0,1  1 
7/ 2
 
4 4

18 24  0 ; 0,1 16 24 

 3,90625 x106

Podemos ahora graficar los polinomios de: grados uno p1 ( x) (p1), grado dos p2 ( x) (p2) y
grado tres p3 ( x) (p3) y la función f en el mismo sistema de coordenadas con las siguientes
instrucciones en MATLAB:
x=linspace(-1,2,200);
» p1=1+0.5.*x;
» p2=p1-x.^2./8;
» p3=p2+x.^3./16;
» f=(1+x).^(0.5);
» plot(x,p1,'r',x,p2,'g',x,p3,'b',x,f,'c')
» xlabel('X');ylabel('Y');
» title('funcion f(x)=sqrt(x+1) con sus polinomios de Taylor de grado uno,dos y tres')
» text(1.1,1.6,'p1');
» text(1.8,1.5,'p2');
» text(1.2,1.6,'p3');
» text(1.7,1.6,'f');

13
METODOS NUMÉRICOS V.CONTRERAS TITO

funcion f(x)=sqrt(x+1) con sus polinomios de Taylor de grado uno,dos y tres

2

1.8

1.6 p1 p3 f
p2
1.4

1.2

1
Y

0.8

0.6

0.4

0.2

0
-1 -0.5 0 0.5 1 1.5 2
X

CONVERGENCIA DE SUCESIONES
Definición Una sucesión  n n1 de números converge a  si, y solo si para cualquier  0,
existe un N    tal que n     siempre que n  N
Una sucesión  n n1 converge a  si y solo si lim  n   .
n 
Ejemplo
1
1. Se tiene que la sucesión   converge a 0
 n n 1

n 1/n
1 1
2 ½
3 1/3
4 ¼

1
Observemos que cuando n crece , se aproxima a cero (aproximación lenta).
n
 1 
2. Sea la sucesión  2 
 n n1
n 1/n2
1 1
2 ¼
3 1/9
4 1/16

14
METODOS NUMÉRICOS V.CONTRERAS TITO

 1 
Notemos que la sucesión  2 
converge a 0 más rápidamente que la sucesión
 n n1
1
 
 n n 1

Para analizar este tipo de problemas; es decir medir cuán rápido converge la sucesión,
lo hacemos por comparación con otras sucesiones.
Así, diremos que una sucesión  n n1 , tiene rapidez de convergencia del orden
de  n n1 donde n es otra sucesión que converge a cero tal que
n  
n  0 n  1 si se satisface: k
n

Para n suficientemente grande y k >0 una constante que no depende de n, y lo

denotaremos como:  n    o  n 

Ejemplo
 cos  n    1 
Sean  xn n   y  rn n   2  dos sucesiones. Entonces la
 n n
2
 n n
sucesión  xn n converge a cero con orden de aproximación o  rn  . Esto se deduce
inmediatamente de la relación:

cos  n 
n2
 cos  n   1 n
1
n2

Ejemplo
 sen 1/ n  
Sea la sucesión  n n   haciendo uso de la fórmula de Taylor en a  0
 1/ n n
para n  2 . Halle la rapidez de convergencia de la sucesión  n n .
Solución
Sabemos que la sucesión  n n converge a 1 en efecto:

1
sen  
Lim  n 1
n  1
n
f '' a f '''  z 
f ( x)  f (a)  f '  a  x  a    x  a   x  a
2 3

2! 3!
Como a=0 se tiene
f '''
 z x3
senx  x  x3  x  cos  z  con z  0, x
3! 3!

15
METODOS NUMÉRICOS V.CONTRERAS TITO

senx
 cos  z   1 cos z cos  z 
senx  x x  
    max
x3 3! 1 3! z 0, x  3!
2
x
1

6
n 1 1 1
Si definimos x  1/ n , entonces  donde  n  2 . Por lo tanto concluimos
n 6 n
 1 
diciendo que  n n tiene rapidez de convergencia equivalente a la de  n n  2  .
 n n
Simbólicamente
1
 n  1  o( )
n2

16
METODOS NUMÉRICOS V.CONTRERAS TITO

EJERCICIOS PROPUESTOS
1. Convierta los siguientes números dados en decimal, a binario
a). 985,34 b). 888.222 c). –0.9389 d). 0.375

2. Dados los siguientes números de máquina en una palabra de 16 bits(de los 16 bits el
primero representa el signo del número, los siguientes 7 para el signo y la magnitud del
exponente y los 8 restantes para la magnitud de la mantisa).
0 1 0 0 0 0 1 0 1 1 0 0 1 1 0 0

1 0 0 0 1 0 1 1 0 0 0 1 0 1 0 0

0 0 0 1 1 0 0 0 1 0 0 0 1 1 1 0
¿Qué decimales representa?.

3. La perdida de cifras significativas se puede evitar a veces reordenando los términos de la

función usando una identidad conocida de algebra o trigonometría. Encuentre en cada uno
de los siguientes casos una fórmula equivalente a la dada que evite la perdida de cifras
significativas.
a) Ln( x  1)  Ln( x) para x grande.
b) x  1  x para x grande.

c) cos2 ( x)  sen2 ( x) para x  .
4
1  cos( x)
d) para x   .
2

4. Resuelva las siguientes ecuaciones cuadráticas:

a) x  140.5 x  2.5  0 b). 2 x  1435.6 x  6.1  0
2 2

Empleando una aritmética de punto flotante de 4 dígitos.

5. Halle la serie de Taylor en torno a x  0 , para la función,

f ( x)  tan( x)
Emplee el polinomio de Taylor de grado 3, para estimar f (0.5) y encuentre una cota
de para el error en esta aproximación.

6. Sea la sucesión:
tan(1/ n)
n  , n  1
1/ n
Haciendo uso de la serie de Taylor de (5), halle la rapidez de convergencia de la sucesión
 n  .

n 
 n
1  cos 1
7. Sea la sucesión:
1n  , n 1

haciendo uso de la serie de Taylor, halle la rapidez de convergencia para la sucesión

 n  .
8. Demuestre que si xn  o n  entonces cx n  o n  para todo c  0

17