Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Yerson Rodríguez
Introducción
Al momento de aplicar las matemáticas a situaciones del mundo real nos encontramos a menudo con
problemas que no pueden ser resueltos analíticamente o de manera exacta y cuya solución debe ser
abordada con ayuda de algún procedimiento o método numérico. Un ejemplo de tales problemas
surge cuando se quiere hallar las raices de un polinomio de la forma
x 5 + 11x 4 − 21x 3 − 10 x 2 − 21x − 5 = 0
donde se trata de hallar los ceros de un polinomio de grado 5 y, como sabemos, sólo se conocen
métodos algebraicos para encontrar raíces de ecuaciones polinómicas de grado menor o igual que 4.
1. Los métodos numéricos son herramientas muy poderosas para la solución de problemas. Son
capaces de manejar sistemas de ecuaciones grandes, no linealidades y geometrías
complicadas, comunes en la práctica de la ingeniería y, a menudo, imposibles de resolver
analíticamente.
2. Disponibilidad de software de uso comercial que contiene métodos numéricos. El uso inteligente
de estos programas depende del conocimiento de la teoría básica en la que se basan estos
métodos y, por supuesto, del conocimiento de los computadores y sistemas operativos.
3. Si se tiene conocimiento de métodos numéricos y se es un adepto de la programación de
computadores, entonces tiene la capacidad de diseñar sus propios programas para resolver los
problemas, sin tener que comprar un software costoso.
4. Los métodos numéricos son un medio para reforzar la comprensión de las matemáticas, ya que
una de sus funciones es convertir las matemáticas superiores a operaciones aritméticas
básicas, porque profundizan en temas que de otro modo resultarían poco claros. Esta
alternativa aumenta la capacidad de comprensión y entendimiento en la materia.
Aritmética Finita
Siendo los computadores la herramienta básica en los métodos numéricos es conveniente indicar
cómo son los números del computador y cómo se simula su aritmética.
La mayoría de los computadores usan sólo un subconjunto finito, relativamente pequeño, de los
números reales para representar a “todos” los números reales; este conjunto, que sólo contiene
números racionales y que se describen más adelante, es llamado conjunto de números de punto
flotante o conjunto de números de máquina en punto flotante o simplemente conjunto de punto
flotante. Cada número del computador se representa mediante un número finito de dígitos (aritmética
finita), según se indica a continuación:
Un número del computador o de punto flotante, distinto de cero, se describe matemáticamente en la
forma
σ × (.a1a2 ...at ) β × β
e
Forma en la cual los símbolos que allí aparecen, tienen el siguiente significado:
σ = +1 o σ = −1 es el signo del número.
β es un entero que denota la base del sistema numérico usado. Por lo general β = 2 (sistema binario),
.β = 8 (sistema octal) o β = 16 (sistema hexadecimal).
ai , i = 1,2,..., t , es un entero con 0 ≤ a1 ≤ β − 1 . Los enteros 0,1,...β-1 son llamados dígitos en la base β. En
lo sucesivo se asume que a1 ≠ 0, en cuyo caso el número se dice que está en forma normalizada.
a1 a2 a
(.a1a2 ...at ) β denota la suma + + ... + tt y es la mantisa o fracción del número de punto flotante.
β1 β 2 β
El entero t indica el número de dígitos en la base β que se usan para representar el número de punto
flotante, y es llamado de precisión. Por lo general t =6 o t =7 con β =10 (precisión sencilla), t =14 o t
=15 con β =10 (doble precisión). En algunos computadores se pueden hacer representaciones en
precisión sencilla, doble precisión o precisión mayor.
e es un entero llamado el exponente, y es tal que L ≤ e ≤ U para ciertos enteros L y U; es común
encontrar L=-U o L=-U±1. Un caso frecuente es L=-63 y U=64, para un total de 128 posibles
exponentes.
Aritmética Finita
Los errores asociados con los cálculos y medidas se pueden caracterizar observando su exactitud y
precisión. La exactitud se refiere a qué tan cercano está el valor calculado o medido con el valor
verdadero. La precisión se refiere a qué tan cercano está un valor individual medido o calculado con
respecto a los otros.
(A): Impreciso e
Inexacto
(B): Preciso e
Inexacto
(C): Impreciso y
Exacto
(D): Preciso y
(A) (B) (C) (D) Exacto
Los errores de redondeo pueden darse por el redondeo o por el truncamiento de valores.
Ejemplo 1.1 Supongamos t = 5 y usemos las reglas de redondeo y cortado para encontrar el
representante de punto flotante decimal en cada uno de los siguientes casos:
Errores - Definiciones
Los errores numéricos se generan con el uso de aproximaciones para representar las operaciones y
cantidades matemáticas. Éstos incluyen errores de truncamiento que resultan de representar
aproximadamente un procedimiento matemático exacto, y los errores de redondeo que se producen
cuando los números tienen un límite de cifras significativas que se usan para representar números
exactos. Para los dos tipos de errores, la relación entre el resultado exacto o verdadero y el
aproximado está dado por:
Donde Et se usa para denotar el valor exacto del error. El subindice t se usa para denotar que se trata
del error “verdadero”
Un defecto en esta definición es que no toma en consideración el orden de magnitud del valor que se
está probando. Una manera de medir las magnitudes de las cantidades que se está evaluando es
normalizar el error respecto al valor verdadero, como en:
Errores
Ejemplo 1.2 Supóngase que se tiene que medir la longitud de un puente y de un remache,
obteniéndose 9999 y 9 cm, respectivamente. Si los valores verdaderos son 10000 y 10 cm, calcúlese
a) el error verdadero y b) el error relativo porcentual verdadero de cada caso.
Solución
Et = 10000 cm – 9999 cm = 1 cm
Y para el remache es de
Et = 10 cm – 9 cm = 1 cm
1
εt = 100% = 0.01%
10000
Y para el remache es de
1
εt = 100% = 10%
10
Errores - Definiciones
En el ejemplo 1.2 se utilizó el valor verdadero. Sin embargo, en las situaciones reales es a veces
dificil contar con tal información. Para los métodos numéricos, el valor verdadero sólo se conocerá
cuando se hablan de funciones que se pueden resolver analíticamente. Por lo general este será el
caso cuando se estudia el comportamiento teórico de una técnica en particular. Sin embargo, en
aplicaciones reales obviamente no se conoce la respuesta verdadera a priori. En estos casos,
normalizar el error es una alternativa, usando la mejor estimación posible del valor verdadero; esto es,
para la aproximación misma como en
Error aproximado
εa = 100% (04)
Valor aproximado
Ciertos métodos numéricos usan un método iterativo para calcular resultados. En tales métodos se
hace una aproximación con base a la aproximación anterior. Este proceso se repite varias veces o de
forma iterativa para calcular en forma sucesiva más y mejores aproximaciones. En tales casos el error
se calcula con la diferencia entre la aproximación previa y la actual. En este caso el error relativo
porcentual está dado por:
Errores - Definiciones
Los signos de las ecuaciones (2) hasta la (5) pueden ser positivos o negativos. A menudo, cuando se
realizan cálculos, puedo no importar mucho el signo del error, sino más bien que su valor absoluto
porcentual sea menor que una tolerancia porcentual prefijada εs. Por lo tanto, con frecuencia es útil
emplear un valor absoluto de las ecuaciones (2) a la (5). En tales casos, los cálculos se repiten hasta
que:
| εa | < εs (06)
Si se cumple la relación anterior, entonces se considera que el resultado obtenido está dentro del
nivel aceptable fijado previamente εs.
Errores
Ejemplo 1.3 En matemáticas a menudo se puede representar las funciones mediante una serie
infinita. Por ejemplo la función exponencial se puede calcular usando:
x 2 x3 xn
ex = 1 + x + + +L+
2 3! n!
Empezando con el primer término ex=1 y agregando un término a la vez, estímese el valor de e0.5.
Después que se agregue cada término, calcule los errores relativos porcentuales reales y
aproximados, usando las ecuaciones (3) y (5), respectivamente. El valor real de e0.5 = 1.648721....
Agregue términos hasta que el valor absoluto del error aproximado εa sea menor al criterio
preestablecido εs que cumpla tres cifras significativas.
Solución:
Una norma es una función del valor real que proporciona una medida del tamaño o “longitud” de las
entidades matemáticas multicomponentes tales como vectores y matrices.
||A|| ≥ 0
||A|| = 0 ⇒ A = 0
||kA|| = k ||A|| Siendo k un escalar (08)
||A+B|| ≤ ||A|| + ||B|| Desigualdad Triangular
||AB|| ≤ ||A|| ||B|| Desigualdad Triangular
Para los vectores, se suelen utilizar varias definiciones de norma que cumplen con las leyes
anteriormente mencionadas. Se tiene:
∑x
p
X p =p i Norma p (09)
i=1
n
Suma de Magnitudes (10)
X 1 = ∑ xi
i=1
∑x
2
Xe= i
Norma Euclidiana (11)
i=1
X ∞
= max xi Norma de Máxima Magnitud (12)
1≤i≤n
n n
Xe= ∑ ∑x
i=1 j=1
2
i, j
Norma Euclidiana (13)
n
X ∞
= max ∑ xi, j Suma columna máxima (14)
1≤i≤n
j=1
n
X 1 = max ∑ xi, j Suma fila máxima (15)
1≤ j≤n
i=1
En los vectores, las normas del tipo p se utilizan principalmente para los valores de p=1, 2 o igual al
∞. Para p=1, la norma es equivalente a la suma de los valores absolutos, calculados bien sea sobre
las filas, o bien sea sobre las columnas, para p=2, se obtiene de nuevo la norma euclidiana, mientras
que para p= ∞, el valor obtenido es el máximo del valor absoluto.
En constraste con los vectores, la norma 2 y la norma euclidiana para una matriz no son lo mismo.
Mientras que la norma euclidana ||X||e puede ser facilmente determinada por la ecuación (13), la
norma 2 de una matriz ||X||2 no se calcula con rapidez. Algunas veces tiene una utilidad especial
debido a que ninguna otra norma es más pequeña que esta norma. Por tanto, proporciona la medida
más “cerrada” del “tamaño” de una matriz, pero es también la más dificil de calcular. Esta norma
también se llama norma espectral. Desde el punto de vista práctico, es la norma p=1 ó p=∞ la que
suele utilizarse ya que implica mucho menos cálculos que la norma euclidiana.
Si una matriz es una matriz diagonal, todas las normas p han de tener el mismo valor.
Solución:
A e = 25 + 81 + 4 + 1 = 111 = 10.53
B e = 0.01 + 0 + 0.04 + 0.01 = 0.06 = 0.2449
C e = 0.04 + 0.01 + 0.01 + 0 = 0.06 = 0.2449
A ∞
= max{14;3} = 14 A 1 = max{7;10} = 10
B ∞ = max{0.1;0.3} = 0.3 B 1 = max{0.3;0.1} = 0.3
C ∞ = max{0.3;0.1} = 0.3 C 1 = max{0.3;0.1} = 0.3
Los errores de truncamiento son aquellos que resultan al usar una aproximación en lugar de un
procedimiento matemático exacto.
El teorema de Taylor y su fórmula asociada, las series de Taylor, tienen un gran valor para el estudio
de los métodos numéricos. En esencia, la serie de Taylor provee un medio para predecir el valor de
una función en un punto en términos del valor de la función y sus derivadas en otro punto. En
particular, el teorema establece que cualquier función suave puede ser aproximada con un polinomio.
Un buen camino para obtener más conocimiento de la serie de Taylor se obtendrá mediante su
construcción término por término. Por ejemplo, el primer término de la serie es:
f ( xi +1 ) ≅ f ( xi ) (16)
Esta aproximación, conocida como aproximación de orden cero, indica que el valor de f en el nuevo
punto es el mismo que el valor en el punto anterior.
La ecuación anterior (16) da una estimación perfecta si la función que va a aproximar es una
constante. Sin embargo, si la función se cambia en todo el intervalo, entonces se requieren los
términos adicionales de las series de Taylor para obtener una mejor aproximación
La aproximación de primer orden se obtiene sumando otro término al anterior para obtener:
f ( xi +1 ) ≅ f ( xi ) + f ′( xi )( xi +1 − xi ) (17)
Aunque la ecuación (17) puede predecir un cambio, sólo es exacta para una línea recta o es de
tendencia lineal. Por lo tanto, se le agrega a la serie un término de segundo orden para obtener algo
de curvatura, así la función pudiera exhibir la forma:
f ′′( xi )
f ( xi +1 ) ≅ f ( xi ) + f ′( xi )( xi +1 − xi ) + ( xi +1 − xi ) 2 (18)
2!
De manera similar, se puede agregar términos adicionales para desarrollar la expansión completa de
la serie de Taylor.
f ′′( xi )
f ( xi +1 ) = f ( xi ) + f ′( xi )( xi +1 − xi ) + ( xi +1 − xi ) 2 +
2! (19)
f (3) ( xi ) f ( n ) ( xi )
( xi +1 − xi ) 3 + L + ( xi +1 − xi ) n + Rn
3! n!
f ( n +1) (ξ )
Rn = ( xi +1 − xi ) n +1 (20)
(n + 1)!
f ′′( xi ) 2 f ( 3) ( xi ) 3 f ( n ) ( xi ) n
f ( xi +1 ) = f ( xi ) + f ′( xi )h + h + h +L+ h + Rn (21)
2! 3! n!
Donde el término residual es ahora:
f ( n +1) (ξ ) n +1
Rn = h (22)
(n + 1)!
Ejemplo 1.5 Úsese términos en la serie de Taylor de cero al cuarto orden para aproximar la función
Desde xi=0 con h=1. Esto es, predecir el valor de la función en xi+1=1
Solución
Los términos adicionales mejoran aún más la aproximación. En efecto la inclusión de la tercera y la
cuarta derivada da como resultado exactamente la misma ecuación del principio con:
Supóngase que se tiene la función f(x) que es dependiente de una sola variable independiente x.
Considere que xa es una aproximación de x. Por lo tanto se podría evaluar el efecto de la discrepancia
entre x y xa en el valor de la función. Esto es, se podría estimar:
∆f ( xa ) = f ( x) − f ( xa )
El problema para evaluar ∆f(xa) es que f(x) es desconocida porque x es desconocida. Podemos
superar esta dificultad si xa es cercana a x y f(xa) es continua y diferenciable. Si estas condiciones se
cumplen, la serie de Taylor se puede emplear para calcular f(x) cerca de f(xa), como en:
f ′′( xa )
f ( x) = f ( xa ) + f ′( xa )( x − xa ) + ( x − xa ) 2 + L
2
f ( x) − f ( xa ) ≅ f ′( xa )( x − xa ) ó ∆f ( xa ) ≅ f ′( xa ) ( x − xa ) (23)
La ecuación (23) proporciona la capacidad de aproximar el error de f(x) dando la derivada de una
función y una estimación del error en la variable independiente.
Ejemplo 1.6 Dado el valor de xa=2.5 con un error de ∆xa=0.01, estimar el error resultante en la
función f(x)=x3
Solución
El enfoque anterior puede ser generalizado para funciones que son dependientes de más de una
variable. Esto se realiza con una versión multivariable de la serie de Taylor. Por ejemplo, si se tiene
una función de dos variables independientes u y v, la serie de Taylor se puede escribir como:
∂f ∂f
f (ui +1 , vi +1 ) = f (ui , vi ) + (ui +1 − ui ) + (vi +1 − vi )
∂u ∂v
1 ∂2 f ∂2 f
+ 2 (ui +1 − ui ) + 2
2
(ui +1 − ui )(vi +1 − vi )
2! ∂u ∂u∂v (24)
∂2 f
+ (vi +1 − vi ) 2 + L
∂v 2
Si todos los segundos términos y los demás de orden superior no se consideran, la ecuación (24)
puede resolverse como:
∂f ∂f
∆f (ua , va ) = ∆u a + ∆v a
∂u ∂v
∂f ~ ∂f ~ ∂f ~
∆f ( ~
x1 , ~
x2 , K , ~
xn ) ≅ ∆x1 + ∆x 2 + L + ∆x n (25)
∂x1 ∂x2 ∂xn
Fa=50Kg/m ∆Fa=2Kg/m
La=30m ∆La=0.1m
Ea=1.5x108 Kg/m2 ∆Ea=0.01x108 Kg/m2
Ia=0.06m4 ∆Ia=0.0006m4
Solución
Bibliografía
Chapra, S. y R. Canale, Numerical Methods for Engineers. 2nd Ed. McGraw-Hill Publishing
Company, New York, 1988
Ledanois, Jean-Marie y otros, Métodos Numéricos Aplicados en Ingeniería. 1ra Ed. McGraw-Hill
Publishing Company, Caracas, 2000
Nakamura, Shoichiro, Métodos Numéricos Aplicados con Software. 1ra Ed. Prentice Hall, México,
1992
Scarborough, J. B., Numerical Mathematical Analysis, 6a. Ed., Johns Hopkins Press, Baltimore, MD,
1966
Unidad I P-22