0.1.

ERRORES EN MÉTODOS NUMÉRICOS 3

0.1 Errores en métodos numéricos

0.1.1 Exactitud y presición
Exactitud: indica la cercanı́a del valor medido o calculado del valor verdadero. Inexactitud
o sesgo: Desviación sistemática del valor verdadero. Precisión: Indica que tan cercanos son
los valores medidos o calculados entre sı́. Imprecisión o incertidumbre: que tan dispersos
están los datos entre sı́ (Fig. 32. R0).

0.1.2 Definiciones de error

Los errores pueden se de redondeo que tienen que ver con las cifras significativas de los
nı́umeros usados, medidos o calculados para representar un valor exacto, y de truncamiento
que resultan de la aplicación de aproximaciones como modelos matemáticos.
Error, error verdadero o error absoluto:

Et = Valor verdadero Valor aproximado.

Error relativo fraccional verdadero (por 100% será porcentual):

Et
✏t = .
Valor verdadero
En métodos numéricos, el valor verdadero no siempre se conoce, entonces es adecuado
normalizar el error a la mejor estimación del posible valor verdadero.
Ea
✏a = .
Valor aproximado
En el caso, por ejemplo, de los métodos iterativos, el error relativo se calcuları́a en
términos de los valores aproximados en cada paso de la iteración.
aproximación actual aproximación anterior
✏a = .
aproximación actual

0.1.3 Representación de números en la computadora

Sistemas numéricos: convención para representar cantidades. Ejemplo; Sistema decimal
(base 10) {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}, sistema binario (base 2) {0, 1}, sistema hexadecimal
(base 16){0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, F }. La representación de un número en deter-
minada base se calcula como (Fig 3.3 R0):

(an an 1 ...a0 , a 1 a 2 ...a k )b = an ⇥bn +an 1 ⇥b

n 1
+...+a0 ⇥b0 +a 1 ⇥b
1
+a 2 ⇥b
2
+...+a k ⇥b
k

Los números enteros se representan como (método de magnitud con signo): primera
casilla para el signo, asignando 0 para positivo y 1 para negativo. El resto de las posiciones
se usa para guardar el número.
Representación del punto-flotante: Las cantidades fraccionarias se representan de la
siguiente manera: una parte fraccionaria que se llama mantisa o significando y una parte
entera que se llama exponente o caracterı́stica.
La representación de punto-flotante debe ser normalizada con el fin de conservar las
cifras significativas, de tal forma que 1/b  m < 1. Para estos números se introduce error
4

Table 1: Representación de 173 en una computadora de 16 bits

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

Table 2: Representación de punto-flotante; m ⇥ be

signo exponente con signo mantisa

de redondeo debido a que la mantisa contiene un número finito de cifras significativas.

Intentar representar un número muy grande pro fuera del rango aceptable de la mantisa
produce un error de desbordamiento (overflow). Por otro lado, números muy pequeños
están limitados de acuerdo a la normaliación de la mantisa y produce un error de underflow.
Limitar la representación de un número, es decir, mantener solo cierto número de
cifras significativa, se puede hacer por corte o redondeo. En el primer caso, se entiende
que cualquier cantidad dentro de un intervalo x se guardará como una cantidad en el
extremo inferior del intervalo. Por otro lado, en el segundo caso, la cantidad se guarda
como el número más cercano permitido.
El intervalo x aumenta conforme lo hace la magnitud del número, esto permite con-
servar más cifras significativas pero aumenta el error de cuantificación. La normalización
de la representación de punto-flotante se establece entonces como: para aproximación por
corte: | x/x|  ✏m , y para aproximación por redondeo | x/x|  ✏m /2. El término ✏m se
conoce como el épsilon de la máquina y se calcula como:

✏ m = b1 t ,

donde b es la base y t el número de dı́gitos significativos en la mantisa. El épsilon de

la máquina se emplea para formular criterios de paro o de convergencia. También se
interpreta como la diferencia entre 1 y el menor número mayor que 1 pero distinguible.
Para un número real R, el intervalo entre el número y el siguiente es: ✏m ⇥ R.
El error de redondeo puede reducirse usando precisión extendida para la representación
de punto flotante. La más común es la de precisión doble, en la que se duplica el número
de palabras o posiciones utilizado para guardar el número.

Opraciones aritméticas
La manipulación de varios números punto-flotante produce que errores de redondeo. Al
sumar dos nı́meros:

0.1557 ⇥ 101 + 0.4381 ⇥ 10 1

= 0.160081 ⇥ 101 ! 0.1600 ⇥ 101 ,

donde por redondeo se han eliminado las últimas dos cifras del resultado. Para el caso de
la resta, la situación puede ser más delicada si se consideran números muy cercanos:

0.7642 ⇥ 103 + 0.7641 ⇥ 103 = 0.0001 ⇥ 103 ! 0.1000 ⇥ 100 .

La inclusión de tres ceros no significativos produce un error sustancial debido a que

cálculos futuros se considerarán como significativos.
0.1. ERRORES EN MÉTODOS NUMÉRICOS 5

En cálculos donde se requiere un número muy grande de manipulaciones aritméticas,

aunque los errores individuales sean pequenños, el resultado acumulativo de dichos errores
puede ser relevante. Por ejemplo, en el cálculo de una serie infinita.
6

0.2 Serie de Taylor

Teorema: Si una función f y sus primeras n+1 son continuas en un intervalo que contiene
a y x, entonces el valor de la función en x está dado por:

f (2) (a) f (3) (a) f (n) (a)

f (x) = f (a) + f (1) (a)(x a) + (x a)2 + (x a)3 + ... + (x a)n + Rn ,
2! 3! n!

donde f (k) denota la k-ésima derivada de la función, y

f (n+1) (⇠)
Rn = (x a)n+1 ,
(n + 1)!

con ⇠ un valor intermedio entre a y x.

La serie de Taylor permite aproximar funciones a diferentes ordenes de precisión. Ex-
aminando término a término:
Aproximación a orden cero: para dos valores xi , xi+1 .

f (xi+1 ) = f (xi ).

Aproximación a primer orden:

f (xi+1 ) = f (xi ) + f (1) (xi )(xi+1 xi ).

Continuando con el mismo procedimiento, la aproximación a orden n (definiendo un

paso o incremento h = xi+1 xi ):

f (2) (xi ) 2 f (3) (xi ) 3 f (n) (xi ) n

f (xi+1 ) = f (xi ) + f (1) (xi )h + h + h + ... + h + Rn .
2! 3! n!
Un par de inconvenientes de la serie de Taylor son; no se conoce el valor exacto de
⇠. Calcular la n-ésima derivada implica conocer la función, por tanto si ya se conoce la
función, para qué se requiere la serie de Taylor.
A pesar del dilema presentado, la serie de Taylor resulta muy útil para estimar los
errores de truncamiento, dado que se tiene control sobre el incremento h. Es decir, es
posible decidir que tan lejos de x se desea calcular la función y controlar el número de
términos. El residuo de la serie usualmente se denota Rn = O(hn+1 ). Si el error de
truncamiento es lineal O(h), y el incremento se reduce a la mitad, entonces el error también
se reduce a la mitad. Sin embargo, si el error es cuadrático O(h2 ), para un incremento
reducido a la mitad, el error se reduce a la cuarta parte. En general, el error disminuye
aumentando términos a la serie.
0.2. SERIE DE TAYLOR 7

0.2.1 Ejercicios
1. Se realizan dos medidas de longitud; el largo de un segmento de una carretera y se
obtuvo 9999cm, el largo de una puntilla y se obtuvo 9cm. Asumiendo que los valores
verdaderos son 10000cm y 10cm, respectivamente. Calcule el error verdadero o
absoluto, y el error relativo porcentual en cada caso. Compare sus respuestas.
2. Convierta los números siguientes en base 2 a números en base 10; a) 1011101, b)
101.101, c) 0.01101.
3. Calcule el valor del entero positivo más grande que se puede guardar en una com-
putadora de 16 bits. Calcule también el valor negativo más grande.
4. Para una computadora que guarda palabras de 7 bits. En la representación de punto-
flotante, considere que utiliza 3 bits para el exponente con su signo, y 3 bits para la
mantisa. Calcule el valor positivo más grande que se puede almacenar. Calcule el
valor más pequeño que se puede guardar de acuerdo a la normalización de la mantisa.
5. Escriba el seudocódigo y haga el diagrama de flujo de las estructuras: IF/THEN,
IF/THEN/ELSE, DOEXIT, DOFOR. Buscar o proponer un ejemplo sencillo de
aplicación y escribir el respectivo seudocódigo (se deberá explicar en clase).
6. Implemente en la computadora un código que sume diez mil veces la cantidad 0.00001
a la unidad. Cuál es el error relativo porcentual? (El resultado verdadero es por
supuesto 1.1).
7. Implemente el siguiente seudocódigo en la computadora para comparar dos números
que matemáticamente son identicos (se debe mostrar las tablas con los valores de
las variable):
a = cos(0.5)
DO i = 1, 20
b = sin(FLOAT(i))
y = a/b
w =y⇤b
z=a w
print ⇤, a, b, y, w, z
END DO
STOP
END

8. Use la serie de Taylor de los órdenes cero hasta cuatro para aproximar la función;
f (x) = 0.1x4 0.15x3 0.5x2 0.25x + 1.2.
Para ello, considere xi = 0 y h = 1, es decir, prediga el valor de la función en el valor
xi+1 = 1. En cada orden de aproximación, calcule el error verdadero o absoluto.
9. Repita el ejercicio anterior para la función f (x) = cos x. En este caso considere
xi = ⇡/4 y xi+1 = ⇡/3.