Unidad1 Aproximacionnumericayerrores

Métodos numéricos
Unidad 1. Aproximación numérica y errores
Programa de la asignatura:
Métodos numéricos
U1 Aproximación numérica y errores
Ciencias de la Salud Biológicas y Ambientales | Ingeniería en Biotecnología

U1 Métodos numéricos
Aproximación numérica y errores
Índice
Presentación de la unidad ......................................................................................................... 2

Propósitos de la unidad ............................................................................................................. 3
Competencia específica ............................................................................................................ 4
1.1. Introducción ........................................................................................................................ 4
1.1.1 Problemas fundamentales................................................................................................ 4
1.1.2. Precisión y exactitud ...................................................................................................... 9
1.1.3. Cifras significativas ....................................................................................................... 16
1.2. Errores .............................................................................................................................. 21
1.2.1. Definiciones .................................................................................................................. 21
1.2.2. Tipos de errores ............................................................................................................ 21
1.2.3. Reglas de redondeo ...................................................................................................... 24
1.3. Precisión y exactitud ........................................................................................................ 27
1.3.1. Método de aproximaciones sucesivas ......................................................................... 27
1.3.2. Estabilidad y convergencia............................................................................................ 29
1.3.3. Método iterativo: Polinomio de Taylor .......................................................................... 31
Actividades .............................................................................................................................. 35
Autorreflexiones....................................................................................................................... 35
Cierre de la unidad .................................................................................................................. 35
Para saber más ....................................................................................................................... 37
Fuentes de consulta ................................................................................................................ 38
Universidad Abierta y a Distancia de México 1

Presentación de la unidad
Los métodos numéricos proporcionan técnicas con las cuales es posible encontrar
soluciones a modelos matemáticos que representan a una gran variedad de sistemas
físicos o fisicoquímicos dentro de las áreas de las ciencias e Ingeniería.
Asimismo, y debido a las limitantes que presentan los métodos analíticos para resolver
problemas matemáticos no lineales cuya solución suele ser muy complicada, es que los
métodos basados en aproximaciones numéricas son una alternativa la mayor de las
veces más certera que los primeros para encontrar soluciones a dichos problemas.
Es bien sabido que los métodos numéricos, al ser programados e implementados en

equipos de cómputo se convierten en una herramienta poderosa para la solución de
problemas del mundo real. También es bien conocido que, pueden llegar a demandar una
importante cantidad de operaciones y ser costosos desde el punto de vista computacional.
Las dos vertientes de interés pueden llevarnos a requerir una revisión profunda de los
métodos numéricos, previamente a su programación en algún lenguaje conocido. Por lo
anterior, este curso es intento para despertar en ti el interés sobre los métodos numéricos
partiendo de la idea de que este tipo de matemáticas es más cercano a los problemas de
las ciencias e ingeniería.
Con el advenimiento de las computadoras y el desarrollo de software cada vez más

optimizado y diverso, los métodos numéricos se han convertido en una herramienta de
gran versatilidad que te permitirá acceder a conocimientos de clave dentro de tu carrera.
Este curso se apoya en algoritmos que serán desarrollados en entornos de cálculo y
programación como: Excel, Matlab y/o Mathcad.
La primera unidad comienza con la definición, evaluación y análisis de los diferentes tipos
de error, concepto muy necesario para el posterior análisis de los algoritmos y métodos
numéricos implementados para la solución de problemas de la ingeniería.
Finalmente, no me queda más que invitarte a disfrutar del curso y experimentar con ésta
área del conocimiento científico.

Propósitos de la unidad
El estudio de esta unidad te permitirá:
 Identificar los conceptos de precisión y exactitud y la diferencia entre ellos.

 Identificar el concepto de cifra significativa en la representación de valores
numéricos.
 Definir y evaluar errores por redondeo y truncamiento en el cálculo numérico.
 Programar algoritmos para el cálculo del error.
 Definir los conceptos de aproximaciones sucesivas a la solución exacta.
 Analizar la estabilidad y convergencia de un método numérico para encontrar
soluciones a problemas.
 Programar algoritmos iterativos para la aproximación numérica a funciones a
través de polinomios.

Competencia específica
Analizar el concepto de error en la evaluación de resultados numéricos

en modelos matemáticos, a través de los métodos de aproximaciones
sucesivas, métodos iterativos y de estabilidad para determinar criterios de
exactitud y precisión.
1.1. Introducción
Debido a que los problemas reales de ingeniería no siempre pueden resolverse por
métodos analíticos, los métodos numéricos resultan ser una alternativa en una importante
cantidad de casos. A lo largo de esta unidad se usarán los métodos numéricos para
formular, resolver y analizar problemas matemáticos, que representan a un sistema físico
o diversos sistemas de ingeniería a través de modelos.
Cuando un método numérico se implementa como solución de un problema es posible

aproximarse a su solución exacta. Pero, ¿cuánto es que nos aproximamos? ¿la solución
aproximada es menor a la tolerancia permitida? tú mismo podrás responder estas y otras
preguntas al término de esta unidad. En esta primera unidad se llevarán a cabo
implementaciones a soluciones numéricas como el famoso método de Euler, a problemas
clásicos de la ingeniería. Se discutirán los conceptos de precisión y exactitud entre otros
tópicos igualmente importantes.
1.1.1 Problemas fundamentales
De manera general, en las áreas de la economía, medicina, química, física se modela el

comportamiento de fenómenos como: el interés producido por una inversión, la

propagación de enfermedades, el crecimiento de una población de bacterias, el

decaimiento radioactivo, la tasa de flujo a través de un tubo, entre otras.
La expresión matemática resultante de alguno de estos modelos puede ser desde una
simple expresión algebraica hasta un complicado sistema de ecuaciones diferenciales.
Por ejemplo, si buscáramos determinar la cantidad de sal en un suero fisiológico de 333 𝑔,

cuya concentración es del 0.9%, entonces se usará una fórmula que expresa la relación
entre la concentración de una disolución, el soluto y el disolvente. Y está dada por,
masa de soluto
concentración = × 100,
masa de disolución
despejando la masa del soluto,
𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 × 𝑚𝑎𝑠𝑎 𝑑𝑒 𝑑𝑖𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛

𝑚𝑎𝑠𝑎 𝑑𝑒 𝑠𝑜𝑙𝑢𝑡𝑜 = ,
100
0.9 × 333
= = 2.997.
100
Por lo tanto, la cantidad de sal presente en el suero es de 2.997 𝑔. Debido a su forma

algebraica sencilla, la solución analítica o exacta se obtiene con facilidad.
Incrementemos ahora la dificultad al problema, (Zill, D., 2009). Analicemos el tanque

mezclador de la siguiente figura con una solución salina o salmuera de 300 𝑙𝑖𝑡𝑟𝑜𝑠. Sobre
esta solución es inyectada otra salmuera a una velocidad de 3 𝑙𝑖𝑡𝑟𝑜𝑠/𝑚𝑖𝑛, quedando con
una concentración de 2 𝑘𝑖𝑙𝑜𝑠/𝑙𝑖𝑡𝑟𝑜. Una vez que la solución se ha mezclado bien, se
extrae a la misma velocidad de la solución de entrada.
Si la razón de cambio de la cantidad de sal presente en el tanque está dada por,
𝑑𝑥 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎

=( )−( ).
𝑑𝑡 𝑑𝑒 𝑙𝑎 𝑠𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑠𝑎𝑙
Nos interesa determinar la cantidad de sal en el tanque en cualquier tiempo 𝑡.

En este caso, la solución analítica o exacta de la ecuación diferencial no puede
obtenerse por simples manipulaciones algebraicas. Por ello, vamos a desarrollar
una solución numérica que se aproxime a la solución exacta.

Figura 1. Tanque de mezcla.
Primero se determina la tasa de entrada de sal como,
𝑡𝑎𝑠𝑎 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑘𝑖𝑙𝑜𝑠 𝑙𝑖𝑡𝑟𝑜

=( )( ) = (2 ) (3 ) = 6 𝑘𝑖𝑙𝑜𝑠/𝑚𝑖𝑛,
𝑑𝑒 𝑙𝑎 𝑠𝑎𝑙 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑏𝑜𝑚𝑏𝑒𝑜 𝑙𝑖𝑡𝑟𝑜 𝑚𝑖𝑛
y la tasa de salida de sal como,
𝑡𝑎𝑠𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑥 𝑘𝑖𝑙𝑜𝑠 𝑙𝑖𝑡𝑟𝑜 𝑥

=( )( ) = (300 𝑙𝑖𝑡𝑟𝑜 ) (3 𝑚𝑖𝑛 ) = 100 𝑘𝑖𝑙𝑜𝑠/𝑚𝑖𝑛.
𝑑𝑒 𝑙𝑎 𝑠𝑎𝑙 𝑠𝑎𝑙𝑖𝑛𝑎 𝑏𝑜𝑚𝑏𝑒𝑜
Sustituyendo en la ecuación diferencial se obtiene,
𝑑𝑥 𝑥
=6−( ).
𝑑𝑡 100
La razón de cambio de la cantidad de sal presente en el tanque con respecto al tiempo

(Chapra, S., 2010), se puede aproximar mediante

𝑑𝑥 ∆𝑥 𝑥(𝑡𝑖+1 ) − 𝑥(𝑡𝑖 )
≅ =
𝑑𝑡 ∆𝑡 𝑡𝑖+1 − 𝑡𝑖
donde ∆𝑥 y ∆𝑡 son diferencias en la cantidad de sal y en el tiempo, respectivamente.

Reescribiendo la ecuación diferencial nos queda,
𝑥(𝑡𝑖+1 ) − 𝑥(𝑡𝑖 ) 𝑥(𝑡𝑖 )

=6−( )
𝑡𝑖+1 − 𝑡𝑖 100
despejando,
𝑥(𝑡𝑖 )
𝑥(𝑡𝑖+1 ) = 𝑥(𝑡𝑖 ) + [6 − ( )] (𝑡𝑖+1 − 𝑡𝑖 )
100
Como se observa, la ecuación diferencial se ha transformado en una ecuación que puede

utilizarse para determinar algebraicamente la cantidad de sal en el tiempo 𝑡𝑖+1, usando la
pendiente y los valores anteriores de 𝑥 y 𝑡. Esta aproximación se conoce como método de
Euler. Y al cambio ∆x = t i+1 − t i se le llama tamaño del paso.
Ejemplo 01:
Supongamos un gran tanque mezclador con una cantidad inicial de 50 𝑘𝑖𝑙𝑜𝑠 de sal
disuelta en los 300 𝑙𝑖𝑡𝑟𝑜𝑠 de salmuera. ¿Qué cantidad de sal habrá en el tanque después
de 10 ℎ𝑜𝑟𝑎𝑠?
Solución
Con ayuda de Mathcad y una explicación cuya liga viene en la sección Para saber más…
se implementó la solución numérica y se graficó la cantidad de sal 𝑥(𝑡) presente en el
tanque mezclador con respecto del tiempo 𝑡. El código fuente puedes encontrarlo en la
carpeta de actividades.
Si consideramos que, en 𝑡(0) se cuenta con una cantidad inicial de 50 𝑘𝑖𝑙𝑜𝑠, entonces
se determinará 𝑥(𝑡) cada ∆𝑡 = 50 𝑚𝑖𝑛, durante 600 𝑚𝑖𝑛.

Figura 2. Solución numérica de la cantidad de sal presente en el tanque en función del tiempo.
De la gráfica anterior es posible observar el incremento de sal presente en el tanque con

respecto al tiempo. Por lo tanto, después de 10 ℎ𝑟𝑠 se determinó numéricamente que la
cantidad de sal es de 599.731 𝑘𝑖𝑙𝑜𝑠 en el tanque mezclador.
Para obtener un resultado numérico más preciso, se deberá reducir el tamaño de paso
∆𝑡. Lo anterior significa incrementar el número de operaciones. En la siguiente Tabla se
muestra la solución exacta 𝑥 y soluciones aproximadas 𝑥𝑎 usando tamaños de paso de
∆𝑡 = 1,5,10.
Solución Δt=1 Δt=5 Δt=10

t Exacta 𝑥 𝑥𝑎 𝑥𝑎 𝑥𝑎
50 266.4 267.2 253.4 239.1

100 397.7 396.6 392.5 386.9

150 477.3 477 475.7 474.2
200 525.6 525.6 525.6 525.7
300 572.6 572.8 573.3 574.1
400 589.9 590 590.4 591
Tabla 1. Resultados numéricos 𝑥𝑎 comparados con la solución exacta 𝑥. Si ∆𝑡 → 0, entonces
𝑥𝑎 → 𝑥.
Por lo anterior, es posible concluir que a mayor exactitud, mayor costo computacional.
Pero, ¿qué significan precisión y exactitud?
1.1.2. Precisión y exactitud
La exactitud se refiere a qué tan cercano está el valor calculado del valor exacto. En
estadística se relaciona con el sesgo de una estimación. Cuanto menor es el sesgo más
exacta es la estimación. La precisión se refiere a qué tan cercanos o dispersos se
encuentran entre si el conjunto de valores calculados o medidos.
En las siguientes figuras se ilustran los conceptos de exactitud y precisión en estadística
Figura 3. La exactitud se refiere a la distancia entre el valor exacto 𝑥 y el valor aproximado 𝑥𝑎 ,

mientras que la precisión depende de la dispersión 𝜎 de los valores calculados.
Ahora se ilustra la diferencia entre precisión y exactitud.

Figura 4. Supongamos que la solución exacta está centrada en el origen del sistema de
coordenadas. En el inciso (a) los datos de medición son exactos y más precisos que en (b). En
(c) las mediciones no son exactas pero más precisas que (b).
Para ejemplificar estos conceptos, analicemos un cultivo, donde la relación carbono-

nitrógeno es el parámetro más importante en la producción de biomasa de la levadura
𝑃𝑖𝑐ℎ𝑖𝑎 𝑜𝑛𝑦𝑐ℎ𝑖𝑠 en fermentación líquida. En una secuencia experimental se evaluaron 8
tratamientos. Los resultados de producción de biomasa y concentración de células de la
levadura son los siguientes:
Figura 5. Análisis de los resultados experimentales en la producción de biomasa en una

levadura.

Figura 6. Análisis de los resultados experimentales en concentración de células en una

levadura.
Se determina como valor exacto el promedio de las mediciones de biomasa 𝜇 = 5.38 y la

precisión está dada por la desviación de las mediciones de biomasa con 𝜎 = 0.824 y de
concentración 𝜎 = 1.566 × 108. Como se observa, se tiene una mayor dispersión de los
datos en el caso de la concentración de células que en producción de biomasa. Es decir,
los datos relacionados a la producción de biomasa son más precisos.
La imprecisión también se llama incertidumbre ∆𝑥 y se caracteriza con el parámetro de

dispersión o desviación estándar 𝜎. La incertidumbre o resolución de un instrumento es
igual a la mitad de su unidad de medición, (Burden, R., 2001). Y la incertidumbre
porcentual es el cociente entre la incertidumbre y el valor central de la medición. Estos
conceptos son necesarios cuando se requiere hacer medidas. Sin embargo, es común
que al medir tengamos incluso que operar aritméticamente con estas medidas, por que
ciertos errores suelen propagarse.
La propagación de la incertidumbre surge cuando operamos sobre un conjunto de

mediciones con una incertidumbre asociada ∆𝑥. Esta se debe, como ya se dijo, a la
resolución del instrumento o al tamaño del paso en el cálculo numérico.

Sean 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 un conjunto de mediciones con una incertidumbre asociada

∆𝑥0 , … , ∆𝑥𝑛 a cada dato. La incertidumbre que se genera, de la suma o resta de estos
datos, 𝑥 = 𝑥0 ± 𝑥1 ± 𝑥2 ± ⋯ ± 𝑥𝑛 , es la suma de sus incertidumbres individuales, como,
(Chapra, S., 2010),
∆𝑥 = ∆𝑥0 + ⋯ + ∆𝑥𝑛 .
Mientras que el producto o cociente de estos datos 𝑥 = 𝑥0 × 𝑥1 × 𝑥2 × … × 𝑥𝑛 genera una

incertidumbre total, dada por,
∆𝑥 ∆𝑥 ∆𝑥
∆𝑥 = |𝑥| (|𝑥 0| + |𝑥 1| + ⋯ + |𝑥 𝑛|).
0 1 𝑛
A continuación se ejemplifica el concepto de incertidumbre y propagación de la

incertidumbre.
Ejemplo 02:
El volumen de un líquido fue medido 𝑛 = 5 veces, con un recipiente graduado cuya

1
incertidumbre es de ∆𝑥 = 𝑚𝑙. Las lecturas arrojadas fueron 𝑥 = {34,33,34,34,35}.
2
(a) ¿Cuál es el valor aproximado de la medición?

(b) ¿Cuál es la dispersión de los datos?
(c) ¿Cuál es el intervalo de confianza de la medición?
Solución
(a) El valor aproximado de los datos es obtenido por,
𝑛
1 34 + 33 + 34 + 34 + 35
𝑥̅ = ∑ 𝑥𝑖 = = 34𝑚𝑙
𝑛 5
𝑖=1
(b) La dispersión de los datos es,
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ ) 0 + 1 + 0 + 0 + 1 √2
𝜎= √ =√ = = 0.632
𝑛 5 √5
(c) Como la incertidumbre de las mediciones es la misma para los 𝑛 datos, entonces
la propagación de la incertidumbre es,
∆𝑥 = (0.5)(𝑛) = (0.5)(5) = 2.5

y por tanto el intervalo de confianza de la medición está dado por,
𝑣𝑜𝑙𝑢𝑚𝑒𝑛 = 𝑥̅ + (∆𝑥) = 34 ± 2.5 = [31.5,36.5]
Si usamos la definición de la incertidumbre porcentual, entonces,
2.5
𝑣𝑜𝑙𝑢𝑚𝑒𝑛 = 34.0 ± 100% = 34 ± 7.353%
34
El error en la medición es inversamente proporcional al número de veces 𝒏 que se

repita la medida. Esto es, el error 𝒆 disminuye conforme 𝒏 aumenta.
Es importante tener en cuenta, los siguientes criterios para determinar la precisión y

exactitud en el momento de tomar las mediciones con el mismo sensor:
A. Repetitividad. Es la variación de las mediciones hechas por un solo evaluador.

B. Reproducibilidad. Es la variación en promedio de las mediciones hechas por varios
evaluadores.
Esto es, el error no sólo depende del cálculo numérico sino de factores tales como la
correcta calibración del instrumento de medición, la adecuada forma de tomar las lecturas
y el ambiente en el momento de la medición. La compresión de estos factores puede
ayudarnos a diseñar algoritmos adecuados para el análisis numérico.
Para cuantificar el error se definen (Iriarte, R., 2003), el error absoluto 𝑒𝑎 de la

aproximación como,
𝑒𝑎 = |𝑥 − 𝑥𝑎 |,
donde se toma el valor absoluto de la diferencia porque no importa saber si la

aproximación es mayor o menor al valor exacto.
El error relativo 𝑒𝑟 definido como, (Iriarte, R., .2003),
|𝑥 − 𝑥𝑎 |
𝑒𝑟 =
|𝑥|
para 𝑥 ≠ 0. A diferencia del 𝑒𝑎 , el 𝑒𝑟 es adimensional. Lo anterior permite comparar los

errores numéricos aunque se hayan aplicado a diferentes problemas.
Y el porcentaje de error relativo 𝑒𝑝𝑟 como, (Iriarte, R., .2003),

|𝑥−𝑥𝑎 |
𝑒𝑝𝑟 = |𝑥|
× 100.
Todas estas definiciones y conceptos serán ejemplificados mediante el siguiente caso de

estudio de la biotecnología propuesto por Zill, D., 2009.
Ejemplo 03:
Cierto cultivo tiene un número inicial 𝑃0 = 100 de bacterias, después de un tiempo 𝑡 se
observa que la tasa de crecimiento de ciertas poblaciones de bacterias es proporcional a
la población presente en el tiempo 𝑡. Si se conoce la cantidad de población presente en
algún momento inicial arbitrario 𝑡0 , entonces la población futura está dada por,
𝑑𝑃
= 𝑘𝑃
𝑑𝑡
donde 𝑘 es la constante de crecimiento o decamiento.
La solución analítica es,
2 −1)
𝑃(𝑡) = 𝑒0.1(𝑡
y la numérica es expresada como,
𝑃𝑖+1 = 𝑃𝑖 + 0.2𝑘𝑡𝑖 𝑃𝑖
donde 𝑡0 = 1 y 𝑃0 = 100. Determinar el error absoluto y relativo, entre la solución analítica

y numérica para cada ∆𝑡 = 0.1, al determinar el crecimiento poblacional 𝑃.
Solución
Se implementaron las funciones analíticas y numéricas de crecimiento poblacional 𝑃(𝑡) y
𝑃𝑖+1 . Y después evaluamos el error absoluto y el error relativo entre la solución analítica y
exacta.

Figura 7. Implementación en Mathcad del crecimiento poblacional. La curva continúa es la

solución analítica, mientras que la discontinúa es la solución numérica.
A continuación se muestran los valores numéricos generados en un archivo *.txt.

Figura 8. Los resultados se encuentran listados para 1) el tiempo, 2) la solución aproximada 𝑃𝑖 ,

3) la solución exacta, 4) el error absoluto y 5) el error relativo.
La gráfica muestra el crecimiento poblacional en el tiempo. Como se observa, para un

tamaño de paso ∆𝑡 = 0.1 la exactitud es de decimas para tiempos pequeños y de decenas
para tiempos grandes. Esto nos lleva a definir la exactitud en términos de cifras
significativas.
1.1.3. Cifras significativas
Otro de los conceptos básicos en la representación aproximada de los números es el de

cifras significativas. Las cifras significativas de un número son aquellas que pueden
utilizarse en forma confiable, es decir, se trata de dígitos que se ofrecen con certeza.
Por definición (Mathews, J., 2004), se dice que un número 𝑥𝑎 se aproxima a 𝑥 con 𝑑
cifras significativas, si 𝑑 es el mayor entero no negativo para el cual, se cumple que:
|𝑥−𝑥𝑎 | 10−𝑑
|𝑥𝑎 |
< 2
.

Para ejemplificar este concepto realicemos el siguiente caso.
Ejemplo 04:
Determinar el número de cifras significativas 𝑑 con las cuales los siguientes números
aproximados 𝑥𝑎 se acercan a los valores exactos 𝑥.
𝑥 𝑥𝑎
3.141592 3.14
1000000 999996
0.00001 0.000009
Solución:
10−𝑑
Si evaluamos para 𝑑 = 0,1, … 8 en una hoja de Excel podemos obtener los valores
2
numéricos de la siguiente Tabla.
10−𝑑
𝑑
2
0 0.5
1 0.0 5
2 0.005
3 0.0005
4 0.00005
5 0.000005
6 0.0000005
7 0.00000005
8 0.000000005
Cálculo del número 𝑑 en Excel.
Ahora, en una segunda Tabla se muestran los resultados de calcular los errores absolutos
y relativos entre los valores numéricos 𝑥𝑎 y 𝑥 y se comparan con la condición para
determinar el número de cifras 𝑑 con las cuales se aproximan entre ellos.

Cifras
𝑥 𝑥𝑎 𝑒𝑎 𝑒𝑟
significativas 𝑑
3.141592 3.14 0.001592 0.000506749 2
1000000 999 96 4 0.000004 5
0.00001 0.000009 0.000003 0.25 0
Entre más cifras significativas se usen, mayor será la exactitud de la medición. Y

entre más lecturas se realicen en un experimento dado, mayor será la precisión de
nuestros datos.
Ahora consideremos los números 𝑝 = 3.1415957341 y 𝑞 = 3.1415926536 expresados con

una precisión de 11 cifras decimales y 6 cifras iguales. Si evaluamos su diferencia,
𝑝 − 𝑞 = −0.0000030805
esta contiene sólo 5 cifras decimales iguales. Esto se conoce como pérdida de cifras
significativas o cancelación.
Ejemplo 05:
Determinar el área de intercambio térmico que se necesita para que un intercambiador
𝐽𝑜𝑢𝑙𝑒𝑠
de calor, con capacidad térmica de 𝑐 = 3810 𝐾𝑔
°𝐶, enfríe 6.9 𝑘𝑔/𝑠𝑒𝑔 de una solución
de alcohol etílico desde 65.6°𝐶 hasta 39.4°𝐶, utilizando 6.3 𝐾𝑔 de agua por segundo a
10°𝐶 hasta 36.2°𝐶.
Figura 9. Proceso de intercambio de calor entre dos fluidos que están a diferentes temperaturas
y separados por una pared sólida. Fuente electrónica:
http://es.scribd.com/doc/41949346/Problemas-de-Transferencia-de-Calor-Intercambiadores

Solución
Se requiere determinar el área de intercambio térmico, para esto usamos la expresión de

transferencia de calor 𝑞, dada por,
𝑞 = 𝑈 × 𝐴 × 𝐿𝑀𝑇𝐷,
donde 𝑈 es el coeficiente global de transferencia de calor y LMTD es la diferencia de

temperatura media logarítmica. Despejando el área 𝐴,
𝑞
𝐴= ,
𝑈 × 𝐿𝑀𝑇𝐷
donde,
𝑞 = 𝑚 × 𝑐 × ∆𝑇𝐶
y
∆𝑇2 − ∆𝑇1
𝐿𝑀𝑇𝐷 = ∆𝑇
.
𝑙𝑛 (∆𝑇2 )
1
A continuación se muestra la implementación en Mathcad.
Figura 10. Implementación en Mathcad de las funciones de transferencia de calor 𝑞 y diferencia

de temperatura media logarítmica.

Si el valor exacto del Área es,

𝐴 = 66.07037547,
entonces el error relativo porcentual que se comete en los cálculos es del 4%. Esto es,
nos acercamos a la solución exacta con 𝑑 = 3 cifras significativas. Además, si tuviéramos
la incertidumbre asociada a los parámetros de entrada, entonces se podría hacer un
análisis del error de propagación en las operaciones debidas a la multiplicación, división,
sumas y restas de los valores numéricos.
Análisis de error de los resultados.
Se te pide dirigirte a la actividad 1 e identificar los parámetros físicos que caracterizan un

intercambiador de calor así como la función algebraica que lo modela. En las actividades
2 y 3 se busca identificar qué tipo de error se tiene en el cálculo del coeficiente global de
transferencia de calor.
Hasta ahora, hemos aprendido que los errores en cálculos y medidas se pueden
caracterizar con respecto a su exactitud y su precisión. Los errores de redondeo y el uso
de cifras significativas se usan para expresar nuestra confianza en un resultado numérico.
Si las desviaciones de la solución son grandes, habrá que formular un nuevo modelo.
Pero si los valores numéricos están agrupados en un intervalo muy cerca de la predicción
entonces las desviaciones se consideran insignificantes y el modelo parecerá adecuado.
El tema estudiado es muy útil para la comprensión de conceptos relacionados a la

exactitud, precisión, incertidumbre y propagación de error. Se te recomienda llevar a cabo
los ejercicios de la actividad 1. También deberás revisar la teoría la distribución normal o
de Gauss, esto con el fin de alcanzar un mayor entendimiento de todos los conceptos
requeridos más adelante en el curso.

1.2. Errores
El concepto de error surge de la necesidad de medir la diferencia entre lo medido y lo real.

Surge también como consecuencia del manejo de instrumentos que miden diversas
magnitudes físicas, dentro de las áreas de la ingeniería. El concepto de error ha sido
redefinido de acuerdo con la magnitud a medir y se ha generado toda una teoría sobre su
propagación. Al mismo tiempo, se ha clasificado al error en una gama importante de
múltiples significados o acepciones con el fin de precisar el origen del error cometido
dentro de una medición o dentro de un cálculo numérico. A lo largo de esta sección, se
revisarán los conceptos de error por redondeo así como con sus reglas, también se
estudiará el concepto de cifra significativa dentro del análisis numérico.
1.2.1. Definiciones
Los errores numéricos surgen al llevar a cabo aproximaciones en las operaciones y en las
cantidades matemáticas exactas. En el mundo real existen números como 𝜋, 𝑒 o √2 con
los cuales operamos de manera análitica para la solución de problemas matemáticos. Sin
embargo, esto no sucede en el mundo digital, donde cada número representable tiene
sólo un número finito, fijo de cifras decimales. Para esto, se hace uso del redondeo o
truncamiento de los valores numéricos exactos. Para estos tipos de error, existe una
relación entre los valores aproximados y el valor exacto como, (Burden, R., 2001),
𝑣𝑎𝑙𝑜𝑟 𝑒𝑥𝑎𝑐𝑡𝑜 = 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 + 𝑒𝑟𝑟𝑜𝑟,

despejando el error,
𝑒𝑟𝑟𝑜𝑟 = 𝑣𝑎𝑙𝑜𝑟 𝑒𝑥𝑎𝑐𝑡𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜.
Esta definición posee algunas desventajas: no toma en cuenta el orden de magnitud de

las cantidades comparadas, no permite una comparación de error entre métodos. Por ello,
usaremos las definiciones de error absoluto, error relativo y error relativo porcentual, que
no tienen estos problemas.
1.2.2. Tipos de errores
En esta sección evaluaremos y analizaremos los errores que de acuerdo a su origen, se

clasifican en:
 Errores inherentes
 Errores por truncamiento

 Errores por redondeo
Los errores inherentes son propios de los equipos de medición o bien por errores
humanos en la lectura de los datos.
El error de truncamiento se presenta cuando se usan números irracionales como 𝜋, 𝑒 o

√2 que no se pueden expresar exactamente con un número finito de dígitos. Esto es, para
𝜋 = 3.141592653589793238462643 …
se toma un número determinado de cifras significativas y se truncan las demás. En el

caso de series infinitas, como, (Iriarte, R., 2003),
∞
1
𝑒=∑
𝑘!
𝑘=0
sólo se usa un número finito de términos para determinar 𝑒 y el resto se trunca.
Ejemplo 06.
Sea 𝑒 un número irracional (a) Determinar el valor de 𝑒 usando desde el primero hasta el
cuarto término 𝑛 de la serie. Si 𝑒 = 2.71828 es expresado con 5 cifras decimales como
valor exacto, (b) calcular el error absoluto y relativo entre el valor exacto 𝑒 y las sucesivas
aproximaciones.
Solución
Primero se redefine la expresión anterior para un número finito 𝑛 de términos como,
1
𝑒𝑛 = ∑𝑛𝑘=0 𝑘!, 𝑛 = 1,2, . .4.
esta suma se implementa en Mathcad como se muestra en la siguiente figura.

Figura 11. Implementación en Mathcad de la serie de Taylor para el cálculo del número 𝑒.
Conforme aumentamos el número de términos 𝑛 en la serie, disminuye el error entre el valor
exacto y el aproximado.
El error de truncamiento también de genera cuando una expresión matemática es

reemplazada por una fórmula más simple. Por ejemplo, el error que se produce por
reemplazar la serie de Taylor, (Iriarte, R., 2003),
2 𝑥4 𝑥6 𝑥8 𝑥 2𝑛
𝑒 𝑥 = 1 + 𝑥2 + + + + ⋯ + +⋯
2! 3! 4! 𝑛!
por los primeros 5 términos,

2 𝑥4 𝑥6 𝑥8
𝑒 𝑥 = 1 + 𝑥2 + + +
2! 3! 4!
El error de redondeo se produce por el uso de un número limitado de cifras significativas,

en el momento de representar números reales o realizar operaciones.

1.2.3. Reglas de redondeo
Sea 𝑥 un número, (Mathews, J., 2004),

𝑥 ≈ ∓𝑞 × 2𝑛
donde 𝑞 se llama mantisa con 1⁄2 ≤ 𝑞 < 1 y 𝑛 es el exponente.
Si ahora se define un número 𝑥 de máquina decimal con 𝑘 dígitos como, (Mathews, J.,
2004),
𝑥 ≈ ∓0. 𝑑1 𝑑2 … 𝑑𝑘 × 10𝑛
para cada 𝑖 = 1,2, … , 𝑘. Entonces para 𝑑𝑘+1 ≥ 5, sumamos 1 a 𝑑𝑘 , es decir, redondeamos

hacia arriba. De otra manera simplemente truncamos y redondeamos hacia abajo.
Ejemplo 07:
El número 𝜋 = 3.13159265 … escrito en forma normalizada es,
𝜋 = 3.14159265 … × 101
con truncamiento a cinco cifras significativas es,
𝜋 = 3.1415
mientras que el redondeo a cinco cifras es,
𝜋 = 3.1416
Se puede verificar que el error de redondeo es menor o igual que el de

truncamiento. Una forma de reducir el error consiste en reducir el número de cálculos u
operaciones aritméticas que pueden producir errores.
Ejemplo 08:
En un intercambiador de calor con flujos en contracorriente, el agua entra a 20°𝐶 y sale a

40°𝐶, mientras que el aceite entra a 90°𝐶 y sale a 77°𝐶. Donde 𝐶𝑎𝑔𝑢𝑎 = 5 𝐾𝑐𝑎𝑙/°𝐶𝑚𝑖𝑛 y
𝐶𝑎𝑐𝑒𝑖𝑡𝑒 = 7.736 𝐾𝑐𝑎𝑙/°𝐶𝑚𝑖𝑛. Determinar la eficiencia 𝜀 del intercambiador.
Solución

El cálculo de la eficiencia está determinado por el número de unidades de transferencia

(NTU) así como de los caudales mínimo y máximo de los fluidos. A continuación se
muestran los resultados del cálculo numérico.
Figura 12. Cálculo de la eficiencia de un intercambiador.
La eficiencia del intercambiador es de 𝜀 = 0.28502486. Si redondeamos a 2 cifras

significativas tenemos 𝜀 = 0.3, con un error relativo de 0.0149. Lo que significa un error
porcentual del 1%. En el caso de truncamiento de cifras significativas, los resultados se
muestran en la siguiente figura.

Figura 13. Análisis de error por truncamiento del cálculo de la eficiencia.
En la gráfica anterior se muestra como decrece el error conforme usamos más cifras
significativas en los cálculos numéricos. Ahora dirígete a la actividad 2, donde analizarás
el error entre los valores teóricos y experimentales que caracterizan un intercambiador de
calor. Implementa tus cálculos usando el software de tu preferencia.
Como te has dado cuenta, el análisis de error es indispensable durante la operación

aritmética. Esto es, de acuerdo al comportamiento de una curva de error se podrá
determinar la eficiencia del método de solución a través de la estabilidad y convergencia
del método numérico.
También se habló de la existencia de errores como el de redondeo y de truncamiento que

son inherentes en el cálculo digital, debido a la representación finita de cantidades

numéricas, y que a partir de un margen de error será posible determinar la tolerancia de la

solución con al menos 𝑛 cifras significativas.
De manera general, cuando hablamos de error nos referimos a imprecisión e inexactitud

de la soluciones. Y hasta ahora hemos cuantificado el error a partir del conocimiento de la
solución exacta y la solución aproximada. Sin embargo, en la vida real, no siempre se
conoce 𝑎 𝑝𝑟𝑖𝑜𝑟𝑖 la solución verdadera. Para ello se han usado los métodos iterativos
donde el error se calcula como la diferencia entre la aproximación previa y la actual como,
(Chapra, S., 2010),
𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖ó𝑛 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝑒= 100%
𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑢𝑎𝑙
En la siguiente sección del curso estudiaremos tópicos como estabilidad y convergencia,

métodos iterativos y aproximaciones sucesivas a la solución. Se te recomienda resolver
los ejercicios de la actividad 2 de la primera unidad.
1.3. Precisión y exactitud
Los métodos iterativos se clasifican en métodos de aproximaciones sucesivas y

métodos de paso a paso (Iriarte, R., 2003). Los métodos de aproximaciones sucesivas
𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 parten de una solución aproximada inicial 𝑥0 que mediante una fórmula de
recurrencia se va aproximando a la solución exacta 𝑥, mientras que los métodos de paso
a paso se aproximan a una solución compuesta por una sucesión de números y no de un
solo valor. A lo largo de esta sección implementarás métodos de aproximaciones
sucesivas y algoritmos iterativos que se aproximen al valor numérico o función deseada.
1.3.1. Método de aproximaciones sucesivas
La mayoría de los métodos numéricos son procesos cíclicos o iterativos y se basan en las
denominadas fórmulas de recurrencia. Por ejemplo, se pueden determinar los valores del
número 𝑒 usando la fórmula de recurrencia (Burden, R., 2001).
1
𝑒𝑘 = 𝑒𝑘−1 +
𝑘!
para 𝑘 = 1,2,3. Notemos que 𝑒𝑘 es la 𝑘 − é𝑠𝑖𝑚𝑎 aproximación del número 𝑒 y que además
está en función del valor anterior 𝑒𝑘−1. Para esto es necesario un valor inicial dado, como
por ejemplo 𝑒0 = 1, para generar las siguientes aproximaciones a la solución.

A continuación mostramos un ejemplo.
Figura 14. Implementación en Mathcad del algoritmo recursivo. Se observa que

conforme aumenta el número de iteraciones el error en el cálculo de 𝑒 disminuye.
Figura 15. Calculo de error como la diferencia entre la aproximación previa y la actual.

Los métodos iterativos no siempre proporcionan soluciones 𝑥𝑎 aceptables, esto es, en

algunas ocasiones el error aumenta conforme aumenta el número de iteraciones. Por ello,
es necesario analizar la convergencia y estabilidad del sistema.
1.3.2. Estabilidad y convergencia
Se dice que el método numérico converge a la solución, si para todo ∈> 0 existe un
entero 𝑚, tal que para todo entero 𝑛 > 𝑚, se cumple que
|𝑥 − 𝑥𝑛 | <∈.
Para evaluar la convergencia de un método de aproximaciones sucesivas se evalúa la

diferencia en valor absoluto de las últimas aproximaciones. Esto es, si sucede que
|𝑥𝑛 − 𝑥𝑛−1 | < |𝑥𝑛−1 − 𝑥𝑛−2 |
entonces el método converge.
Un sistema se dice estable si para pequeños cambios en los datos de entrada hay
pequeños cambios en los valores de salida.
Cuando usamos el método de aproximaciones sucesivas, la estabilidad de un método

también se determina por el comportamiento de la curva de error absoluto 𝑒𝑎 . Esto es,
si al aumentar el número de iteraciones 𝑛 el error 𝑒𝑎 se incrementa de forma lineal
entonces se tiene un método estable. Pero si el crecimiento es exponencial, entonces el
método es inestable (Mathews, J., 2004).
Ejemplo 09:
Se digitalizó una sección de riñón de ratón donde se observa la corteza renal. La imagen
se muestra a continuación.

Figura 16. Imagen 𝑓(𝑥, 𝑦) de riñón de ratón vista con un objetivo de microscopio de 2.5X en
campo brillante, luz transmitida y 𝐴𝑛 = 0.16. Imagen tomada en el Laboratorio de Óptica de la
UPT.
Representar la función imagen 𝑓(𝑥, 𝑦) en términos de una serie de funciones

sin(𝑛𝑥)sin(𝑛𝑦) como, (Zill, D., 2009),
𝑁 𝐿
𝑓𝑅𝑒𝑐𝑜𝑛𝑠𝑡𝑟𝑢𝑖𝑑𝑎 (x, y) = ∑ ∑ Anℓ sen(nx)sen(ly)

n=0 l=0
= 𝐴0,0 𝑠𝑒𝑛(0𝑥)𝑠𝑒𝑛(0𝑦) + 𝐴0,1 𝑠𝑒𝑛(0𝑥)𝑠𝑒𝑛(1𝑦) + ⋯ + 𝐴0,𝑙 𝑠𝑒𝑛(0𝑥)𝑠𝑒𝑛(𝑙𝑦) +
+𝐴1,0 𝑠𝑒𝑛(1𝑥)𝑠𝑒𝑛(0𝑦) + 𝐴2,0 𝑠𝑒𝑛(0𝑥)𝑠𝑒𝑛(2𝑦) + ⋯ + 𝐴𝑛,𝑙 𝑠𝑒𝑛(𝑛𝑥)𝑠𝑒𝑛(𝑙𝑦) + ⋯
donde 𝐴𝑛,𝑙 son los 𝑁 × 𝐿 coeficientes.
Solución
Los coeficientes 𝐴𝑛,𝑙 son calculados como, (Zill, D., 2009),
𝑋 𝑌
A𝑛,𝑙 = ∑ ∑ f(x, y) sen(nx)sen(ly)

x=0 y=0

donde 𝑓(𝑥, 𝑦) es la imagen original, 𝑓𝑅𝑒𝑐𝑜𝑛𝑠𝑡𝑟𝑢𝑖𝑑𝑎 (x, y) es la imagen reconstruida o

recuperada. Los resultados de reconstrucción usando el método de aproximaciones
sucesivas se muestran a continuación.
Figura 17. Reconstrucción de la función imagen 𝑓(𝑥, 𝑦) usando (a) 100 coeficientes, (b) 60, (c) 40 y (d) 20.
Una forma de evaluar el método de aproximaciones sucesivas para la reconstrucción de

imágenes es comparando la imagen exacta con la imagen aproximada.
Figura 18. Error de reconstrucción entre la imagen exacta y la imagen aproximada. Conforme
aumentamos el número de coeficientes el error decrece. Lo anterior nos indica que el método de
aproximaciones sucesivas implementado es convergente.
1.3.3. Método iterativo: Polinomio de Taylor
Un método para expresar funciones de forma aproximada a través de polinomios es

mediante la serie de Taylor. Es decir, con la serie de Taylor es posible predecir el
valor de una función y sus derivadas en un punto.

Si una función 𝑓(𝑥) posee derivadas continuas hasta orden 𝑛 en el punto 𝑥 = 0, con 𝑛 ≥
1, se buscará un polinomio 𝑃(𝑥) que coincida con 𝑓(𝑥) y con sus 𝑛 primeras derivadas en
𝑥 = 0. Para ello, el polinomio deberá de ser al menos de 𝑛 − é𝑠𝑖𝑚𝑜 grado como
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + ⋯ + 𝑎𝑛 𝑥 𝑛
donde 𝑎𝑖 , 𝑖 = 0,1, . . 𝑛 son los coeficientes del polinomio.
Después de derivar y evaluar la función en el punto 𝑥 = 𝑎, la ecuación queda como,

(Iriarte, R., .2003),
(𝑥−𝑎)𝑘
𝑃(𝑥) = ∑𝑛𝑘=0 𝑘!
𝑓 𝑘 (𝑎).
Esta es la expresión del polinomio de Taylor de grado 𝑛 generado por 𝑓(𝑥) en el punto 𝑎.
Ejemplo 10:
Determinar el polinomio de Taylor de grado 𝑛 de la función 𝑓(𝑥) = 𝑒 𝑥 en el punto 𝑥 = 0.
Solución:
El polinomio de Taylor 𝑃(𝑥) de grado 𝑛 para una función 𝑓(𝑥) está dado por la expresión,
(Burden, R., 2001),
𝑛
𝑓 𝑘 (0) 𝑘
𝑃(𝑥) = ∑ 𝑥
𝑘!
𝑘=0
′ (0)𝑥
𝑓 ′′ (0) 2 𝑓 𝑛 (0) 𝑛
= 𝑓(0) + 𝑓 + 𝑥 + ⋯+ 𝑥
2! 𝑛!
y dado que la derivada 𝑛 − é𝑠𝑖𝑚𝑎 de la función es,
𝑓(𝑥) = 𝑒 𝑥
𝑓 ′(𝑥) = 𝑒 𝑥
𝑓 𝑛 (𝑥) = 𝑒 𝑥
entonces,
1 0 𝑒0 1 𝑒0 2 𝑒0
𝑝(𝑥) = 𝑥 + 𝑥 + 𝑥 + ⋯ + 𝑥𝑛
0! 1! 2! 𝑛!
1 1 𝑥𝑘
𝑃(𝑥) = 1 + 𝑥 + 2! 𝑥 2 + ⋯ + 𝑛! 𝑥 𝑛 = ∑𝑛𝑘=0 𝑘! ,
en donde cada derivada de la función 𝑓(𝑥) ha sido evaluada en 𝑥 = 0.

Ahora vamos a evaluar la eficiencia del método para aproximarse a una función solución.
La comparación se hará con una expresión analítica.
Ejemplo 11:
Analicemos nuevamente el gran tanque mezclador, cuya ecuación diferencial para

determinar la cantidad de sal en el tanque en cualquier tiempo 𝑡 es,
𝑑𝑥 𝑥
=6−( ),
𝑑𝑡 100
o bien,
𝑑𝑥 𝑥
𝑑𝑡
+ (100) = 6.
Solución:
La ecuación diferencial anterior, requiere de un factor integrante para volverla exacta. El

𝑡
factor integrante es 𝑒 −100 , al multiplicar a la ecuación por este factor, separar variables e
integrar, resulta
𝑡
𝑥(𝑡) = 600 − 550𝑒 −100
Si usamos la serie,
𝑛
−𝑡
(−𝑡)𝑘
𝑒 =∑
𝑘!
𝑘=0
entonces tendremos aproximaciones a la solución conforme aumentamos el número de

datos en la serie como,
𝑛
(−𝑡⁄100)𝑘
𝑓(𝑡) = 600 − 500 ∑
𝑘!
𝑘=0
La evaluación de la función 𝑒 −𝑡 y sus aproximaciones usando 𝑛 términos se muestran en

el siguiente esquema.

Figura 19. Las curvas discontinuas son sucesivas aproximaciones a la función continúa 𝑥(𝑡)
usando 𝑛 = 0,1, . . ,4 términos. Como se observa, el método converge rápidamente a la curva
solución.
La función 𝑥(𝑡) es la curva continúa, mientras que las funciones 𝑓(𝑡), curvas discontinúas,
y son las aproximaciones sucesivas. Cuando usamos 𝑛 = 0 términos, tenemos una recta
constante, pero conforme 𝑛 se incrementa, la función 𝑓(𝑡) se aproxima a 𝑥(𝑡).
Como te has dado cuenta, los métodos de aproximaciones sucesivas y la representación

de funciones usando funciones trigonométricas o polinomios son frecuentemente usadas
en la solución de diversos problemas de ingeniería. Por tanto, siempre es necesario un
análisis de convergencia del método empleado.

Actividades
La elaboración de las actividades estará guiada por tu docente en línea, mismo

que te indicará, a través de la Planeación didáctica del docente en línea, la dinámica
que tú y tus compañeros (as) llevarán a cabo, así como los envíos que tendrán que
realizar.
Para el envío de tus trabajos usarás la siguiente nomenclatura: BEDI_U1_A1_XXYZ,

donde BEDI corresponde a las siglas de la asignatura, U1 es la unidad de
conocimiento, A1 es el número de actividad, el cual debes sustituir considerando la
actividad que se realices, XX son las primeras letras de tu nombre, Y la primera letra
de tu apellido paterno y Z la primera letra de tu apellido materno.
Autorreflexiones
Para la parte de autorreflexiones debes responder las Preguntas de Autorreflexión

indicadas por tu docente en línea y enviar tu archivo. Cabe recordar que esta actividad
tiene una ponderación del 10% de tu evaluación.
Para el envío de tu autorreflexión utiliza la siguiente nomenclatura:

BEDI_U1_ATR _XXYZ, donde BEDI corresponde a las siglas de la asignatura, U1 es
la unidad de conocimiento, XX son las primeras letras de tu nombre, y la primera letra
de tu apellido paterno y Z la primera letra de tu apellido materno
Cierre de la unidad
A lo largo de esta unidad has podido adentrarte en los conceptos de incertidumbre,

exactitud, error relativo, error absoluto, cifra significativa y precisión. Un tema que resulta
interesante es el de análisis de error y su propagación. Como se mencionó, los errores
numéricos surgen al llevar a cabo aproximaciones en las operaciones, por lo que se ha
hecho una clasificación en esta unidad del tipo de errores que podemos encontrar.
También se han resuelto algunos problemas con la idea de cuantificar algunos de estos
parámetros. Se ha revisado el método de aproximaciones sucesivas y los conceptos de
estabilidad asociado al comportamiento de una curva, asimismo se ha comentado la

convergencia de una serie, tal como la serie de Taylor. A continuación se muestra la

relación entre los conceptos estudiados a lo largo de la Unidad.
Figura 20. Esquema de los conceptos y métodos numéricos estudiados.
Hasta ahora hemos estudiado métodos de solución numérica y análisis de error. Con
estas herramientas podrás abordar adecuadamente problemas de la biotecnología como
fue el caso de los intercambiadores de calor, los cultivos de levadura o el crecimiento
bacterial.
En la siguiente Unidad implementaremos técnicas de solución de ecuaciones algebraicas

de la forma 𝑓(𝑥) = 0. Los métodos numéricos y gráficos te permitirán abordar con éxito
una gran variedad de problemas de la ciencia y la ingeniería.

Para saber más
Para saber más se recomiendan las siguientes fuentes de información electrónica de

video:
1. Diferencia entre exactitud y precisión

Para reforzar los conceptos de precisión y exactitud.
2. Cifras significativas
Para reforzar los conceptos de cifras significativas.
3. Aproximaciones de números decimales, errores y notación científicamp4

Para reforzar los conceptos de error absoluto, relativo, error por redondeo y truncamiento.
4. Aproximaciones sucesivas o punto fijo

Para reforzar los conceptos de aproximaciones sucesivas a la solución y un análisis de
error.
5. Series de Taylor (Maclaurin) Parte 1

Para reforzar el aprendizaje del método de polinomio de Taylor
6. Crear funciones, ecuaciones y graficar

Para reforzar el aprendizaje de Mathcad
7. 2 Creación de funciones en MATLAB

Para reforzar el aprendizaje de Matlab

Fuentes de consulta
Chapra S. (2010). Métodos Numéricos para ingenieros. México: Mc GrawHill. (Capítulo 1:

Modelos matemáticos y solución de problemas de ingeniería, Sección 1).
Este texto es muy recomendable, sobre todo para la aplicación de los métodos numéricos
en problemas de las ciencias e ingeniería. Los problemas que se realizan en esta unidad
tienen un grado importante de complejidad, por lo que este texto se recomienda para esta
parte del curso. Se asume que reproducirás los problemas en el cuaderno de notas y
llevarás tu propio registro de los problemas realizados.
Iriarte, R. (2003). Métodos Numéricos. México, D. F: Trillas. (Capítulo 1: Aproximación

numérica, Sección 3)
Este texto cuenta con una explicación muy concisa y directa de los temas expuestos. Se
recomienda para consulta rápida. Requiere de habilidades en cálculo y algebra básica.
Mathews, J., Fink K. (2004). Métodos Numéricos con MATLAB. España: Prentice Hall.
(Capítulo 1: Preliminares)
Este es un libro muy adecuado si tienes acceso a un entorno de desarrollo como Matlab,
aunque no necesariamente el uso de este texto requiera estrictamente tener que
programar en este lenguaje. La teoría es muy formal en este libro, lo que garantiza la
exactitud de los métodos estudiados.
Burden, R., Douglas J., (2001). Análisis Numérico. México: CENGAGE Learning..
(Capítulo 1: Preliminares matemáticos)
En este libro encontrarás un análisis formal de los conceptos estudiados así como
pseudocódigo de los métodos numéricos estudiados para ser implementados en el
entorno de programación de tu preferencia.
Dennis G. Zill, (2009). Ecuaciones Diferenciales. Tercera Edición. MacGraw Hill.

(Capítulo 1: Introducción a las ecuaciones diferenciales)
Es un texto sobre matemáticas avanzadas para ingeniería. En él encontrarás un
compendio de proyectos de ciencia e ingeniería.

Unidad1 Aproximacionnumericayerrores

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

Unidad1 Aproximacionnumericayerrores

Cargado por

Copyright:

Formatos disponibles

Métodos numéricos

Unidad 1. Aproximación numérica y errores

U1 Aproximación numérica y errores

Ciencias de la Salud Biológicas y Ambientales | Ingeniería en Biotecnología

Presentación de la unidad ......................................................................................................... 2

Universidad Abierta y a Distancia de México 1

Es bien sabido que los métodos numéricos, al ser programados e implementados en

Con el advenimiento de las computadoras y el desarrollo de software cada vez más

Universidad Abierta y a Distancia de México 2

El estudio de esta unidad te permitirá:

 Identificar los conceptos de precisión y exactitud y la diferencia entre ellos.

Universidad Abierta y a Distancia de México 3

Analizar el concepto de error en la evaluación de resultados numéricos

Cuando un método numérico se implementa como solución de un problema es posible

1.1.1 Problemas fundamentales

De manera general, en las áreas de la economía, medicina, química, física se modela el

Universidad Abierta y a Distancia de México 4

propagación de enfermedades, el crecimiento de una población de bacterias, el

Por ejemplo, si buscáramos determinar la cantidad de sal en un suero fisiológico de 333 𝑔,

despejando la masa del soluto,

𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 × 𝑚𝑎𝑠𝑎 𝑑𝑒 𝑑𝑖𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛

Por lo tanto, la cantidad de sal presente en el suero es de 2.997 𝑔. Debido a su forma

Incrementemos ahora la dificultad al problema, (Zill, D., 2009). Analicemos el tanque

Si la razón de cambio de la cantidad de sal presente en el tanque está dada por,

𝑑𝑥 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎

Nos interesa determinar la cantidad de sal en el tanque en cualquier tiempo 𝑡.

Universidad Abierta y a Distancia de México 5

Figura 1. Tanque de mezcla.

Primero se determina la tasa de entrada de sal como,

𝑡𝑎𝑠𝑎 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑘𝑖𝑙𝑜𝑠 𝑙𝑖𝑡𝑟𝑜

y la tasa de salida de sal como,

𝑡𝑎𝑠𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑥 𝑘𝑖𝑙𝑜𝑠 𝑙𝑖𝑡𝑟𝑜 𝑥

Sustituyendo en la ecuación diferencial se obtiene,

La razón de cambio de la cantidad de sal presente en el tanque con respecto al tiempo

Universidad Abierta y a Distancia de México 6

donde ∆𝑥 y ∆𝑡 son diferencias en la cantidad de sal y en el tiempo, respectivamente.

𝑥(𝑡𝑖+1 ) − 𝑥(𝑡𝑖 ) 𝑥(𝑡𝑖 )

Como se observa, la ecuación diferencial se ha transformado en una ecuación que puede

Universidad Abierta y a Distancia de México 7

De la gráfica anterior es posible observar el incremento de sal presente en el tanque con

Solución Δt=1 Δt=5 Δt=10

Universidad Abierta y a Distancia de México 8

100 397.7 396.6 392.5 386.9

1.1.2. Precisión y exactitud

En las siguientes figuras se ilustran los conceptos de exactitud y precisión en estadística

Figura 3. La exactitud se refiere a la distancia entre el valor exacto 𝑥 y el valor aproximado 𝑥𝑎 ,

Ahora se ilustra la diferencia entre precisión y exactitud.

Universidad Abierta y a Distancia de México 9

Para ejemplificar estos conceptos, analicemos un cultivo, donde la relación carbono-

Figura 5. Análisis de los resultados experimentales en la producción de biomasa en una

Universidad Abierta y a Distancia de México 10

Figura 6. Análisis de los resultados experimentales en concentración de células en una

Se determina como valor exacto el promedio de las mediciones de biomasa 𝜇 = 5.38 y la

La imprecisión también se llama incertidumbre ∆𝑥 y se caracteriza con el parámetro de

La propagación de la incertidumbre surge cuando operamos sobre un conjunto de

Universidad Abierta y a Distancia de México 11

Sean 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 un conjunto de mediciones con una incertidumbre asociada

Mientras que el producto o cociente de estos datos 𝑥 = 𝑥0 × 𝑥1 × 𝑥2 × … × 𝑥𝑛 genera una

A continuación se ejemplifica el concepto de incertidumbre y propagación de la

El volumen de un líquido fue medido 𝑛 = 5 veces, con un recipiente graduado cuya

(a) ¿Cuál es el valor aproximado de la medición?

(a) El valor aproximado de los datos es obtenido por,

(b) La dispersión de los datos es,