Tema 1

21 de Julio de 2014
FUNDAMENTOS
DE LA
TEORÍA DE
ERRORES
Departamento de Matemática Aplicada
Facultad de Ingeniería
Universidad Central de Venezuela
Cálculo Numérico José Luis Quintero 1
Puntos a tratar
1. Los métodos numéricos
2. Fuentes básicas de errores
3. Definiciones importantes
4. Estimación de la propagación de errores
5. Error de una suma
6. Error de una diferencia
7. Sumatorias y series elementales
8. Algoritmo de Horner
9. Evaluación de funciones analíticas
10. Condicionamiento
Métodos numéricos
Son técnicas mediante las

cuales es posible formular
problemas matemáticos de tal
forma que puedan resolverse
usando operaciones aritméticas.

Puntos a tratar
Fuentes básicas de errores
• Planteamiento del problema (errores del
problema)
• Presencia de procesos infinitos en análisis
matemático (error residual)
• Parámetros numéricos (error inicial)
• Sistema de numeración (error por
redondeo)
• Operaciones con números aproximados
(errores de operación)
• Representación en punto flotante (errores
punto flotante)
Puntos a tratar
Error absoluto y error relativo
El error absoluto en xɶ denotado ∆x, es la

diferencia entre el valor exacto x y el
valor aproximado xɶ .
El error relativo en xɶ es ∆x / x . El error

relativo es más significativo que el error
absoluto, ya que carece de unidad.

Redondeo y truncamiento
El error por redondeo es aquel originado

por las limitaciones que toda
herramienta de cálculo posee al no
poder representar las cantidades con
todas sus cifras.
El error por truncamiento se produce al

reducir a un número finito de
operaciones un proceso matemático
que es infinito.
Cota y decimales correctos
La cota o estimación de un error es

cualquier número no menor que el error.
−t
Si ∆x ≤ 0.5 × 10 , se dice que xɶ tiene t
decimales correctos. También se dice
que xɶ está correctamente redondeado
a t decimales.

Épsilon de la máquina, realmin y realmax
Utilice las variables especiales
eps, realmin y realmax
para calcular el épsilon de la máquina,

el número más pequeño que la máquina
distingue de cero y la mayor magnitud
representada respectivamente.

El épsilon de la máquina es el número de

máquina positivo más pequeño de doble
precisión ε = 2 tal que 1 + ε ≠ 1
−52


−52
realmin es el número de máquina positivo

más pequeño de doble precisión dado por
µ=2 −1022
que la máquina distingue de
cero


−52
realmin es el número de máquina positivo

más pequeño de doble precisión dado por
µ=2 −1022
que la máquina distingue de
cero
realmax es el número de máquina más

grande dado por β ≈ 21024 que puede ser
representado con exactitud
Underflow y overflow
Si un número x ∈ R es tal que x < µ, se

produce un underflow y el computador
considera que x es cero

Underflow y overflow
Si un número x ∈ R es tal que x < µ, se

produce un underflow y el computador
considera que x es cero
Si un número x ∈ R es tal que x > β, se

produce un overflow y se detienen los
cálculos

Puntos a tratar
Estimación de la propagación de errores
y = f(x1 ,..., xn )
n
n ∑ ∂f
∂xi ∆xi
∆y ≈ ∑i=1
∂f
∂xi ∆xi , δy ≈ i=1
f(x1 ,..., xn )

Error absoluto en una suma

n n
y= ∑x
i=1
i
= x1 + ... + xn ; ∆y ≈ ∑ ∆x
i=1
i
Error relativo en un producto
n n
n ∑ ∏x j
∆xi n
∏ ∑δ
i =1 j=1,j≠i
y= xi = x1 × ... × xn ; δy ≈ n
= xi
i =1
∏i =1
xi i =1

Error relativo en un cociente
x1
y=
x2
+
∆x1 x1 ∆x2
x1
x2 x2
δy ≈ = (δx1 + δx2 ) = δx1 + δx2
2 x2
x1 x1
x2 x2
Error relativo en una potencia
m xm−1 ∆x
y = x ; δy ≈ m
m
= mδx
x
Puntos a tratar
Error de una suma
El error absoluto de una suma de varios números

aproximados no excede de la suma de los errores
absolutos de los números.
Ejemplo.
x1 = 2.10, x2 = 3.05, s = 5.15
xɶ 1 = 2.00, xɶ 2 = 3.00, sɶ = 5.00
∆x1 = 0.10, ∆x2 = 0.05, ∆s = 0.15
∆s = 0.15 = ∆x1 + ∆x2

Error de una suma
Si todos los números (no nulos) vienen afectados

del mismo signo, la cota del error relativo de su
suma no excede del de la máxima cota del
error relativo de cualquiera de ellos.
Ejemplo.
x1 = 2.10, x2 = 3.05, s = 5.15, xɶ 1 = 2.00, xɶ 2 = 3.00, sɶ = 5.00

∆x1 = 0.10, ∆x2 = 0.05, ∆s = 0.15, δs = ∆s
s
= 0.15
5.15
≈ 0.0291
∆x1 ∆x2
δx1 = x1
= 0.10
2.10
≈ 0.0476, δx2 = x2
= 0.05
3.05
≈ 0.0164
δs < δ = max(0.0476,0.0164) = 0.0476

Puntos a tratar
Error de una diferencia
El error absoluto de una diferencia no excede a la

suma de las cotas de los errores absolutos del
minuendo y sustraendo.
Si los números aproximados son números

prácticamente iguales y tienen errores absolutos
pequeños, su suma exacta es pequeña. La cota del
error relativo en este caso puede ser muy grande
aun cuando los errores relativos del minuendo y el
sustraendo permanezcan pequeños. Esto conduce
a una pérdida de exactitud. Esto se denomina
cancelación catastrófica.
Puntos a tratar
Sumatorias
n(n + 1) n(n + 1)(2n + 1)

n n
∑i=1
i=
2 ∑
i=1
i =
2
2
 n(n + 1) 
n
∑i=1
i =
3
 2 

n
n
∑i=1
i =
4
30
(n + 1)(6n3 + 9n2 + n − 1)

Tabla de series elementales

Puntos a tratar
Evaluación de polinomios
Suponga un polinomio de grado n
P(x) = anxn + an−1xn−1 + ... + a1x + a0
con coeficientes reales

ak (k = 0,1,...,n),
y se quiere calcular el valor :
P(k)(ξ) (k = 0,1,...,n)

Evaluación directa:
n adiciones
n(n+1)
2
multiplicaciones
n(n+3)
2
operaciones
Algoritmo de Horner:
n adiciones
n multiplicaciones
2n operaciones

Evaluación directa:
n(n + 1)(n + 5)
6
Algoritmo de Horner:
n(3n + 1)
2
Diferencia:
n(n − 1)(n − 2)
6

Gráfico de una función
x=linspace(0,10,300);
y=x.*(x+1).*(x+5)/6;
z=x.*(3*x+1)/2;
plot(x,y,'r.',x,z,'g.'), grid on
xlabel('Grado del polinomio')
ylabel ('Número de operaciones')
legend('Evaluación tradicional','Algoritmo de Horner')

Gráfico de dos funciones en un mismo sistema
300
Evaluación tradicional
Algoritmo de Horner
Número de operaciones 250
200
150
100
50
0
0 1 2 3 4 5 6 7 8 9 10
Grado del polinomio

Gráfico de diferencia de número de operaciones
x=linspace(0,10,300);
y=x.*(x-1).*(x-2)/6;
plot(x,y,'b.')
xlabel('Grado del polinomio')
ylabel ('Número de operaciones')
title('Diferencia Tradicional-Horner')
Diferencia Tradicional-Horner
120
100
80
Número de operaciones
60
40
20
-20
0 1 2 3 4 5 6 7 8 9 10
Grado del polinomio

Algoritmo de Horner completo
inicio
leer (n,(ai : 0 ≤ i ≤ n), ξ)
desde k = 0 hasta (n − 1) hacer
desde j = (n − 1) hasta k hacer
aj ← aj + ξaj+1
fin_desde
dj ← aj ∗ factorial(j)
fin_desde
dn ← an ∗ factorial(n)
escribir (di : 0 ≤ i ≤ n)
fin
Puntos a tratar
Evaluación de funciones reales analíticas
Una función real f(x) se denomina analítica en

un punto ξ si en la vecindad x − ξ < R de este
punto puede desarrollarse en series de
potencias (serie de Taylor).
En muchos casos, desarrollar una función en

serie de Taylor resulta muy conveniente para
calcular los valores de la función, en otros
casos basta con racionalizar (radicales),
aplicar propiedades (logaritmos) o transformar
en expresiones equivalentes (expresiones
trigonométricas).
EJEMPLO.
Sean las funciones

x
f(x) = x( x + 1 − x) , g(x) =
x +1 + x
Halle f(500) y g(500) y compare con el valor
exacto 11.174755300747198…

SOLUCIÓN.
f(500) = 500( 501 − 500)

≈ 500(22.3830 − 22.3607) = 11.15
500
g(500) =
501 + 500
500 500
≈ =
22.3830 + 22.3607 44.7437
= 11.1748

La segunda función es algebraicamente

equivalente a f(x), como muestra el siguiente
cálculo
x( x + 1 − x)( x + 1 + x)
f(x) =
( x + 1 + x)

x ( x + 1) − ( x)
2 2
x
=   = .
x +1 + x x +1 + x
La respuesta
g(500) = 11.1748
tiene un error absoluto menor.
Ejercicio computacional
Considere la función
1 − cos(x)
f(x) =
x2
1. Obtenga su gráfica.
2. Verifique que f(x → 0) = 12 , analítica y
gráficamente.
3. Verifique las siguientes expresiones
equivalentes para f(x):
sen2(x) 2sen2( 2x )
f(x) = 2 y f(x) =
x (1 + cos(x)) x2

4. Obtenga una expresión equivalente para

f(x) a partir del siguiente polinomio de
Taylor de la función cos(x), alrededor de
x=0
∞
∑
2i 2 4 6 8
x x x x x
cos(x) = (−1)i =1− + − + − ...
(2i)! 2! 4! 6! 8!
i=0

5. Evalúe las dos expresiones disponibles para

f en los valores
x = 2−1, 2−2 , 2−4 , 2−8 , 2−16.
6. Guarde el código (programa 1) con el

nombre de taylor.m para evaluar las
expresiones.

Programa 1
clc
x=1/2;
for i=1:10
term=0.5;
sum=0;
n=0;
while (abs(term)+sum)>sum
sum=sum+term;
n=n+1;
term=term*(-1)*x*x/((2*n+1)*(2*n+2));
end
fun=(1-cos(x))/(x.*x);
fun2=((sin(x))^2/(1+cos(x)))/(x.*x);
fun3=2*(sin(x/2))^2/(x.*x);
fprintf(' n=%1.0f',n)
fprintf(' i=%1.0f',i)
fprintf(' taylor=%1.28f ',sum)
fprintf(' funcion=%1.28f ',fun)
fprintf(' funcion2=%1.28f ',fun2)
fprintf(' funcion3=%1.28f\n',fun3)
x=x.^2;
end

7. Justifique los resultados obtenidos

mencionando la existencia de dificultades
numéricas presentes en las fórmulas (si las
hubiera) para el rango de valores
considerados (cancelación catastrófica,
división por cero, etc).
8. Concluya cuál de estas expresiones resulta

más estable numéricamente.

Puntos a tratar
Condición y condicionamiento
Las palabras condición y condicionamiento se

usan de manera informal para indicar cuán
sensible es la solución de un problema
respecto de pequeños cambios relativos en los
datos de entrada.
Un problema está mal condicionado si

pequeños cambios en los datos pueden dar
lugar a grandes cambios en las respuestas.
Para ciertos tipos de problemas se puede
definir un número de condición. Si el número es
grande significa que se tiene un problema mal
condicionado.
Número de condición para la evaluación de funciones
Error absoluto (EA):

EAimagenes = K.EApreimagenes
f(x + h) − f(x) ≈ f '(x) h
Error relativo (ER):
ERimagenes = K.ERpreimagenes
f(x + h) − f(x) xf '(x) h
≈
f(x) f(x) x

Ejemplo
x=linspace(-1,1,3000);
y=exp(x);
z=abs(x);
plot(x,y,'r.',x,z,'g.'), grid on
xlabel('Preimagenes')
ylabel ('Imagenes')
legend('Condición absoluta','Condición relativa')
title('Funciones de condicionamiento para y = exp(x)')

Ejemplo
Funciones de condicionamiento para y = exp(x)

3
Condición absoluta
Condición relativa
2.5
2
Imagenes
1.5
0.5
0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Preimagenes

Norma de una matriz
A 1
= max
1≤ j≤n
∑ aij
i =1
n
A ∞
= max
1≤ i ≤ n
∑ aij
j=1
n n
A e
= ∑∑a
i =1 j=1
2
ij

Número de condición de una matriz
Error absoluto (EA):

EAsolución ≤ K.EAladoderecho
x − xɶ ≤ A −1 b − bɶ
Error relativo (ER):

ERsolución ≤ K.ERladoderecho
x−x ɶ b − ɶ
b
≤ A A −1
x b

 1 1.01 −1 10000 −10100

A=  ⇒A = 
0.99 1   − 9900 10000 
κ(A) = A A −1 = 2 × 20000 = 40000

 1 1.01  x1  2.01  x1  1

0.99  x  =   ⇒ = 
 1   2  1.99 x2  1
 1 1.01  x1  2  x1   −200

0.99  x  =   ⇒ x  =  
 1   2  2  2  200 

Pensamiento de hoy
“La confianza en si mismo

es el primer secreto del
éxito”.
Emerson

Tema 1

Cargado por

Información del documento

Descripción original:

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

Tema 1

Cargado por

Copyright:

Formatos disponibles

21 de Julio de 2014

Son técnicas mediante las

Cálculo Numérico José Luis Quintero 3

El error absoluto en xɶ denotado ∆x, es la

El error relativo en xɶ es ∆x / x . El error

Cálculo Numérico José Luis Quintero 7

El error por redondeo es aquel originado

El error por truncamiento se produce al

La cota o estimación de un error es

Cálculo Numérico José Luis Quintero 9

Utilice las variables especiales

eps, realmin y realmax

para calcular el épsilon de la máquina,

Cálculo Numérico José Luis Quintero 10

El épsilon de la máquina es el número de

Cálculo Numérico José Luis Quintero 11

El épsilon de la máquina es el número de

realmin es el número de máquina positivo

Cálculo Numérico José Luis Quintero 12

El épsilon de la máquina es el número de

realmin es el número de máquina positivo

realmax es el número de máquina más

Si un número x ∈ R es tal que x < µ, se

Cálculo Numérico José Luis Quintero 14

Si un número x ∈ R es tal que x < µ, se

Si un número x ∈ R es tal que x > β, se

Cálculo Numérico José Luis Quintero 15

Cálculo Numérico José Luis Quintero 17

Error absoluto en una suma

Error relativo en un producto

Cálculo Numérico José Luis Quintero 18

Error relativo en una potencia

El error absoluto de una suma de varios números

Cálculo Numérico José Luis Quintero 21

Si todos los números (no nulos) vienen afectados

x1 = 2.10, x2 = 3.05, s = 5.15, xɶ 1 = 2.00, xɶ 2 = 3.00, sɶ = 5.00

Cálculo Numérico José Luis Quintero 22

El error absoluto de una diferencia no excede a la

Si los números aproximados son números

n(n + 1) n(n + 1)(2n + 1)

Cálculo Numérico José Luis Quintero 26

Cálculo Numérico José Luis Quintero 27

Suponga un polinomio de grado n

P(x) = anxn + an−1xn−1 + ... + a1x + a0

con coeficientes reales

Cálculo Numérico José Luis Quintero 29

Cálculo Numérico José Luis Quintero 30

Cálculo Numérico José Luis Quintero 31

Cálculo Numérico José Luis Quintero 32

Cálculo Numérico José Luis Quintero 33

Cálculo Numérico José Luis Quintero 34

Una función real f(x) se denomina analítica en

En muchos casos, desarrollar una función en

Sean las funciones

Cálculo Numérico José Luis Quintero 38

f(500) = 500( 501 − 500)

Cálculo Numérico José Luis Quintero 39

La segunda función es algebraicamente

Cálculo Numérico José Luis Quintero 41

4. Obtenga una expresión equivalente para

Cálculo Numérico José Luis Quintero 42

5. Evalúe las dos expresiones disponibles para