Tema 2

Preliminares de cálculo numérico

Dra. Neus Garrido

Máster en Ingenierı́a Matemática y Computación

Escuela Superior en Ingenierı́a y Tecnologı́a

Métodos Numéricos Aplicados I PER 3362 1 / 30

Contenido

1 Introducción

2 Definiciones de error

3 Error de redondeo

4 Error de truncamiento
Desarrollo en serie de Taylor
Diferencias finitas

Métodos Numéricos Aplicados I PER 3362 2 / 30

 1

Introducción

Métodos Numéricos Aplicados I PER 3362 3 / 30

Introducción

Solución
Analítica

PROBLEMA Modelización
FÍSICO matemática

Solución
Numérica

Interpretación del resultado

Métodos Numéricos Aplicados I PER 3362 4 / 30

Introducción

PRELIMINARES DE CÁLCULO NUMÉRICO

DEFINICIÓN DE ERRORES ERRORES DE REDONDEO ERRORES D E TRUNCAMIENTO

Debidos a la precisión finita de la Debidos al uso de aproximaciones

computación matemáticas

Numérico Iterativo Errores de

Cifras Diferencias
redondeo en Taylor
significativas finitas
Matlab

Objetivos
○ Clasificar los diferentes tipos de errores
○ Conocer los errores de redondeo
○ Identificar los errores de truncamiento
○ Obtener el error de truncamiento a partir de la serie de Taylor

Métodos Numéricos Aplicados I PER 3362 5 / 30

 2

Definiciones de error

Métodos Numéricos Aplicados I PER 3362 6 / 30

Definiciones de error

Error
Discrepancia existente entre un valor verdadero y una aproximación. Los errores se
dividen en dos grandes grupos:
Errores de redondeo: cometidos cuando disponemos de un número finito de sı́mbolos
para representar un resultado
Errores de truncamiento: originados por utilizar un método numérico en lugar de un
procedimiento matemático exacto

Ejemplo 1. Error de redondeo Vs error de truncamiento

Números irracionales en Matlab:
>> format long
>> sqrt(2)
ans =
1.414213562373095
La solución aproximada utilizando el método iterativo de Newton a la raı́z de
f (x) = x − e−x
es x ≈ 0.568.
¿Qué tipo de error encontramos en cada caso?
Métodos Numéricos Aplicados I PER 3362 7 / 30
Definiciones de error
Error conocida la solución analı́tica

La magnitud del error permite discernir si se ha realizado una aproximación

adecuada o no
Conocida la solución analı́tica, y, el error numérico y el error porcentual permiten
estimar la bondad de la aproximación a la solución de un problema

Definición 1 (Error numérico)

Sean y e ŷ las soluciones verdadera y aproximada, respectivamente. Se define el error
numérico  como
 = |y − ŷ| .

Definición 2 (Error porcentual)

Se define el error porcentual r como
 
|y − ŷ| 
r [ %] = 100 = 100   .
|y| y

Métodos Numéricos Aplicados I PER 3362 8 / 30

Definiciones de error
Error conocida la solución analı́tica

Ejemplo 2. sin(x) ≈ x para valores pequeños de x

π
Consideremos x = 8
√ √
π

2− 2
Solución analı́tica: y = sin 8
= 2
π
Solución aproximada: ŷ = 8
Por tanto, el error numérico es
p √ 
 2− 2 π
 
 = |y − ŷ| =  −  = 0.010016,
 2 8

mientras que el error porcentual toma el valor:

 
   
  0.010016 
r = 100   = 100  √ √  = 2.617306 %.
y  2− 2 
2

Métodos Numéricos Aplicados I PER 3362 9 / 30

Definiciones de error
Error cuando la solución analı́tica es desconocida

Cuando no conocemos la solución analı́tica y, es posible estimar el error a partir de

la diferencia entre dos aproximaciones a la solución consecutivas (generalmente se
da en métodos iterativos)

Definición 3 (Error iterativo)

Sean ŷk e ŷk+1 las aproximaciones numéricas en las iteraciones k y k + 1,
respectivamente. Se define el error iterativo como

k = |ŷk+1 − ŷk | ,

que en su versión porcentual podemos utilizar

k
k,r [ %] = 100 .
|ŷk+1 |

Métodos Numéricos Aplicados I PER 3362 10 / 30

Definiciones de error
Error cuando la solución analı́tica es desconocida

Ejemplo 3. Función exponencial

La función exponencial se puede expresar a partir del desarrollo de McLaurin como:
+∞
x2 x3 x4 X xk
ex ≈ 1 + x + + + + ··· =
2 6 24 k!
k=0
k = 0: e0.5 ≈ 1
k = 1: ex ≈ 1 + x ⇒ e0.5 ≈ 1 + 0.5 = 1.5
x x2 0.52
k = 2: e ≈ 1 + x + 2
⇒ e0.5 ≈ 1.5 + 2
≈ 1.625
x x2 x3 0.5 0.53
k = 3: e ≈ 1 + x + 2
+ 6
⇒ e ≈ 1.625 + 6
≈ 1.6458
x x2 x3 x4 0.5 0.54
k = 4: e ≈ 1 + x + 2
+ 6
+ 24
⇒ e ≈ 1.6458 + 24
≈ 1.6484
x x2 x3 x4 x5 0.5 0.55
k = 5: e ≈ 1 + x + 2
+ 6
+ 24
+ 120
⇒ e ≈ 1.6484 + 120
≈ 1.6487

Métodos Numéricos Aplicados I PER 3362 11 / 30

Definiciones de error
Error cuando la solución analı́tica es desconocida

Ejemplo 3. Función exponencial

La sucesión de errores iterativos es:
 
 1.5 − 1 
e0,r = 100 ·   = 33.33 %
1.5 
 
 1.625 − 1.5 
e1,r = 100 ·   = 7.6923 %
1.625 
 
 1.6458 − 1.625 
e2,r = 100 ·   = 1.2658 %
1.6458 
 
 1.6484 − 1.6458 
e3,r = 100 ·   = 0.1577 %
1.6484 
 
 1.6487 − 1.6484 
e4,r = 100 ·   = 0.0181 %
1.6487 

Con k = 4, el error iterativo ek,r ya es menor que 0.05 %.

Métodos Numéricos Aplicados I PER 3362 12 / 30

 3

Error de redondeo

Métodos Numéricos Aplicados I PER 3362 13 / 30

Error de redondeo
Cifras significativas

Se origina por no disponer de precisión infinita para la representación de magnitudes

Se van acumulando en las operaciones: cuantas más operaciones, mayor error de
redondeo

Cifras significativas
Cantidad de cifras que coinciden con la medida de la magnitud correspondiente. Pueden
cambiar su interpretación en función de la magnitud que estemos tratando de representar.

¿Cuántas cifras significativas vamos a utilizar para representar un número?

¿Cómo podemos representar un número en función de las cifras significativas?

Número Cifras significativas Caracterı́stica

132.15000 5 Número decimal superior a 1
0.002350 3 Número decimal inferior a 1
3 · 108 2 Notación cientı́fica
2.350 · 103 4 Notación cientı́fica
Tabla: Ejemplos de cifras significativas

Métodos Numéricos Aplicados I PER 3362 14 / 30

Error de redondeo
Error de redondeo en Matlab

Matlab almacena de forma interna las variables numéricas con formato double (32
cifras significativas)
Se puede utilizar un mayor número de cifras significativas con digits(d), donde d
determina el número de cifras significativas sobre las que trabajar
Cifras almacenadas por Matlab 6= Cifras que muestra Matlab por pantalla (format)

Ejemplo 4. Representación de π en Matlab

format short, format long, ...

vpa
digits
Debido al uso de las cifras significativas, estamos cometiendo un error de redondeo
cuando representamos el número π en forma decimal.

Métodos Numéricos Aplicados I PER 3362 15 / 30

 4

Error de truncamiento

Métodos Numéricos Aplicados I PER 3362 16 / 30

Error de truncamiento

Tiene un origen puramente matemático

Aparece por utilizar una aproximación en lugar de un procedimiento exacto
La formulación matemática que se utiliza ampliamente para expresar funciones de
manera aproximada se basa en desarrollos en serie de Taylor

Ejemplo 5.
La función f (x) = ex está definida para cualquier x ∈ R mediante
+∞
x2 x3 x4 X 1 k
ex = 1 + x + + + + ··· = x .
2 6 24 k!
k=0

Si decimos que
20
X 1 k
e3 = 3
k!
k=0

estamos cometiendo un error de truncamiento que coincide con la suma de los infinitos
términos que hemos eliminado.

Métodos Numéricos Aplicados I PER 3362 17 / 30

Contenidos

1 Introducción

2 Definiciones de error

3 Error de redondeo

4 Error de truncamiento
Desarrollo en serie de Taylor
Diferencias finitas

Métodos Numéricos Aplicados I PER 3362 18 / 30

Error de truncamiento
Desarrollo en serie de Taylor

Teorema de Taylor
Sea la función f y sus primeras n + 1 derivadas continuas en un intervalo que contiene a
los puntos a y x. Entonces, el valor de la función f en x viene dada por

f (x) = Pn (x) + Rn (x),

donde Pn (x) es el polinomio de Taylor de grado n, definido como

f 00 (a) f (n) (a)
Pn (x) = f (a) + f 0 (a)(x − a) + (x − a)2 + · · · + (x − a)n
2 n!
y Rn (x) se denomina residuo, y viene dado por

f (n+1) (ξ)
Rn (x) = (x − a)n+1 , ξ ∈ (a, x).
(n + 1)!

Desarrollo de Taylor
Desarrollo polinómico de una función f (x) alrededor de un punto a
Permite aproximar cualquier función f ∈ C n ([a, b]) por un polinomio de grado n
El desarrollo es una serie infinita: al tomar solo los n primeros términos del desarrollo
se comete un error de truncamiento.
Métodos Numéricos Aplicados I PER 3362 19 / 30
Error de truncamiento
Desarrollo en serie de Taylor

Ejemplo 6. Aproximación de orden uno de la derivada de f (x)

Utilizando el desarrollo de Taylor de la función f (x) en el punto x0 con un polinomio de
grado 1, P1 (x), resulta:
f (x) ≈ f (x0 ) + f 0 (x0 )(x − x0 ).
Tomando x = x1 :
f (x1 ) ≈ f (x0 ) + f 0 (x0 )(x1 − x0 ),
podemos aproximar f 0 (x0 ) como

f (x1 ) − f (x0 )
f 0 (x0 ) ≈ .
x1 − x0
Estamos cometiendo un error de truncamiento de orden 1:
f 00 (ξ)
f (x1 ) = P1 (x1 ) + R1 (x1 ) = f (x0 ) + f 0 (x0 )(x1 − x0 ) + (x1 − x0 )2
2!
f (x1 ) − f (x0 ) R1 (x1 ) f (x1 ) − f (x0 ) f 00 (ξ)
⇒ f 0 (x0 ) = + = + (x1 − x0 )
x1 − x0 x1 − x0 x1 − x0 2!
por lo que decimos que la aproximación de la derivada es de orden 1.

Métodos Numéricos Aplicados I PER 3362 20 / 30

Error de truncamiento
Desarrollo en serie de Taylor

Ejemplo 7. Determina los polinomios de Taylor de órdenes 1, 2, 4 y 6 de la función

f (x) = sin(x) en a = π2

f (x) = sin(x), f 0 (x) = cos(x), f 00 (x) = − sin(x), f 000 (x) = − cos(x), . . .

π π π π π
f = 1, f 0 = 0, f 00 = −1, f 000 = 0, f (iv) = 1, . . .
2 2 2 2 2
Entonces:
π π π
P1 (x) = f + f0 x− =1
2 2 2
00 π
π π π f (2)  π 2 1 π 2
P2 (x) = f + f0 x− + x− =1− x−
2 2 2 2! 2 2 2
1 π 2 1  π 4
P4 (x) = 1 − x− + x−
2 2 4! 2
1 π 2 1  π 4 1  π 6
P6 (x) = 1 − x− + x− − x−
2 2 4! 2 6! 2

Métodos Numéricos Aplicados I PER 3362 21 / 30

Error de truncamiento
Desarrollo en serie de Taylor

Ejemplo 7. Determina los polinomios de Taylor de órdenes 1, 2, 4 y 6 de la función

f (x) = sin(x) en a = π2

00 π
π π π f (2)  π 2 f (n) ( π2 )  π n
f (x) ≈ f + f0 x− + x− + ··· + x−
2 2 2 2! 2 n! 2

Métodos Numéricos Aplicados I PER 3362 22 / 30

Contenidos

1 Introducción

2 Definiciones de error

3 Error de redondeo

4 Error de truncamiento
Desarrollo en serie de Taylor
Diferencias finitas

Métodos Numéricos Aplicados I PER 3362 23 / 30

Error de truncamiento
Diferencias finitas

Discretización de un intervalo [a, b]

Discretización de la variable independiente en n + 1 puntos en un intervalo [a, b]:

xi = a + ih, i = 0, 1, . . . , n,
𝑥𝑖 𝑥𝑖+1
donde h se le denomina paso, y viene dado por la distancia entre dos puntos discretizados
consecutivos, definido por 𝑎 𝑥b − a 𝑥𝑖 𝑥𝑖+1
h= .
n
𝑥𝑖−1 𝑥𝑖 𝑎 𝑥
𝑥𝑖 𝑥𝑖+1 𝑎 𝑥 𝑥𝑖−1 𝑥𝑖
𝑎 𝑥 𝑎 𝑥
𝑥𝑖−1 𝑥𝑖 𝑥𝑖+1
𝑥𝑖−1 𝑥𝑖
𝑥𝑖−1 𝑥𝑖 𝑥𝑖+1
𝑎 𝑥

𝑥
Métodos Numéricos 𝑖−1
Aplicados I 𝑥𝑖 𝑥𝑖+1 PER 3362 24 / 30
Error de truncamiento
Diferencias finitas

Diferencias finitas
Aproximaciones que se realizan de las derivadas de las funciones
Tienen su origen en el desarrollo en serie de Taylor

Ejemplo 8. Diferencia finita progresiva

A partir del desarrollo en serie de Taylor de orden 1:
f (xi+1 ) − f (xi )
f (xi+1 ) = f (xi ) + f 0 (xi )(xi+1 − xi ) + R1 ⇔ f 0 (xi ) ≈
xi+1 − xi
Si los nodos están equiespaciados:
f (xi+1 ) − f (xi )
f 0 (xi ) ≈
h

Métodos Numéricos Aplicados I PER 3362 25 / 30

Error de truncamiento
Diferencias finitas

Diferencias finitas para aproximar f 0 (x)

Diferencia finita progresiva:
f (xi+1 ) − f (xi )
f 0 (xi ) ≈
xi+1 − xi
Diferencia finita regresiva:
f (xi ) − f (xi−1 )
f 0 (xi ) ≈
xi − xi−1
Diferencia finita central:
f 0 (xi ) ≈
f (xi+1 ) − f (xi ) f (xi+1 ) − f (xi )
= , f 0 (xi ) = + O(h)
h h
f (xi ) − f (xi−1 ) f (xi ) − f (xi−1 )
= , f 0 (xi ) = + O(h)
h h
f (xi+1 ) − f (xi−1 ) f (xi+1 ) − f (xi−1 )
=
xi+1 − xi−1 2h
f (xi+1 ) − f (xi−1 )
f 0 (xi ) = + O(h2 )
2h

Métodos Numéricos Aplicados I PER 3362 26 / 30

Error de truncamiento
Diferencias finitas

Diferencias finitas para aproximar f 00 (x)

Diferencia finita progresiva:
f (x + 2h) − 2f (x + h) + f (x) f (x + 2h) − 2f (x + h) + f (x)
f 00 (x) = + O(h) ≈
h2 h2
Diferencia finita regresiva:
f (x) − 2f (x − h) + f (x − 2h) f (x) − 2f (x − h) + f (x − 2h)
f 00 (x) = + O(h) ≈
h2 h2
Diferencia finita central:
f (x + h) − 2f (x) + f (x − h) f (x + h) − 2f (x) + f (x − h)
f 00 (x) = + O(h2 ) ≈
h2 h2

Métodos Numéricos Aplicados I PER 3362 27 / 30

Error de truncamiento
Diferencias finitas

Ejemplo 9. Discretiza la EDO y 00 (x) − y 0 (x) + 2y(x) − x2 = 0, x ∈ [a, b],

utilizando diferencias finitas de orden 2
b−a
Definimos el tamaño de paso h = n
para discretizar la variable independiente:
xi = a + ih, i = 0, 1, 2, . . . , n.
Por tanto, tendremos:
y(xi ) ≈ yi , i = 0, 1, . . . , n.
Utilizando diferencias finitas centrales:
y(xi+1 ) − 2y(xi ) + y(xi−1 ) yi+1 − 2yi + yi−1
y 00 (xi ) ≈ ⇒ y 00 (xi ) =
h2 h2
y(xi+1 ) − y(xi−1 ) yi+1 − yi−1
y 0 (xi ) ≈ ⇒ y 0 (xi ) =
2h 2h
La EDO discretizada es:
yi+1 − 2yi + yi−1 yi+1 − yi−1
y 00 (xi ) − y 0 (xi ) + 2y(xi ) − x2i = 0 ⇒ − + 2yi − x2i = 0
h2 2h
   
h h
⇔ 1− yi+1 + (2h2 − 2)yi + 1 + yi−1 − h2 x2i = 0
2 2
Métodos Numéricos Aplicados I PER 3362 28 / 30
Para finalizar...

i Lecciones magistrales
L Material complementario: A fondo
Œ Bibliografı́a recomendada

...Y por supuesto:

TEST DE APRENDIZAJE!!

Métodos Numéricos Aplicados I PER 3362 29 / 30

Métodos Numéricos Aplicados I PER 3362 30 / 30