Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Preliminares Matemáticos
1.1 Vectores
Definición: El espacio euclideo n-dimensional, denotado por Rn , es el producto cartesiano de n
conjuntos R:
Rn = |R × R ×
{z· · · × R} .
n−veces
Podemos escribir estas n-tuplas de números reales como un vector fila, de orden 1 × n, o un vector
columna, de orden n × 1:
x1
x2
x = [x1 x2 · · · xn ], x = . .
..
xn
Dos operaciones importantes de vectores en Rn son la suma y multiplicación por un escalar:
donde, u, v ∈ Rn y λ es un escalar en R.
Gráficamente a multiplicación por un escalar amplifica la magnitud del vector si λ > 1, cambia el
sentido si λ < 0 y contrae la magnitud del vector si 0 < λ < 1:
1
Teorı́a de Error
IECD 214 - Análisis Numérico
y y y
λu
u
u u λu
x x x
λu
2. u + 0 = u.
3. λ(u + v) = λu + λv.
4. (λ + δ)u = λu + δu.
5. u + (−u) = 0.
6. u + (v + w) = (u + v) + w.
Definición: Se llama norma p de un vector ⃗v = (v1 , v2 , . . . , vn ) ∈ Rn a:
n
!1/p
X
∥v∥p = |vi |p .
i=1
Diremos que un vector es unitario cuando su norma es igual a 1. Los vectores de la base can onica
tienen norma 1.
√
Ejemplo: Determine el valor de α de manera tal que el vector ⃗u = (α + 2, 11) tenga norma euclidea
igual a 6.
⃗u • ⃗v = ux · vx + uy · vy .
⃗ ∈ R2 y λ ∈ R. Entonces:
Propiedades del Producto Punto: Sean ⃗u, ⃗v , w
2
Teorı́a de Error
IECD 214 - Análisis Numérico
1. ⃗u • ⃗v = ⃗v • ⃗u.
2. (λ⃗u) • ⃗v = λ(⃗v • ⃗u).
3. (⃗u + ⃗v ) • w
⃗ = (⃗u • w)
⃗ + (⃗v • w).
⃗
4. ∥ ⃗u ∥2 = ⃗u • ⃗u.
Consideremos dos vectores ⃗u, ⃗v ∈ R2 con puntos iniciales en el origen. Definimos el ángulo más
pequeño de los ángulos formados por estos dos vectores.
⃗u − ⃗v
⃗u
θ ⃗v
Tracemos el vector ⃗u − ⃗v y apliquemos el Teorema del Coseno con el triángulo que se forma:
∥⃗u − ⃗v ∥2 = ∥⃗u∥2 + ∥⃗v ∥2 − 2 ∥⃗u∥ ∥⃗v ∥ cos(θ).
Usando la propiedad 4. del producto punto, escribimos el lado izquierdo como sigue:
∥ ⃗u − ⃗v ∥2 = (⃗u − ⃗v ) • (⃗u − ⃗v )
= (⃗u • ⃗u) − (⃗u • ⃗v ) − (⃗v • ⃗u) + (⃗v • ⃗v )
= ∥ ⃗u ∥2 − 2⃗u • ⃗v + ∥ ⃗v ∥2
Entonces, tenemos que:
2
∥2 = 2 2
∥ ⃗u
∥
− 2(⃗u • ⃗v ) +
∥⃗v ∥⃗u
∥ ∥⃗v∥
+ − 2 ∥⃗u∥ ∥⃗v ∥ cos(θ)
− 2(⃗u • ⃗v ) = −2 ∥⃗u∥ ∥⃗v ∥ cos(θ)
⃗u • ⃗v = ∥⃗u∥ ∥⃗v ∥ cos(θ)
A partir de este análisis, tenemos el siguiente resultado:
Ejemplo: Determine los valores de a ∈ R de manera que los vectores ⃗v = (a2 , 2a) y ⃗u = (a, −1) sean
ortogonales.
3
Teorı́a de Error
IECD 214 - Análisis Numérico
aij
Fila Columna
Una matriz de m filas y n columnas se dice de orden m × n.
Observación: A menos que especifiquemos lo contrario, el campo por defecto que consideraremos
en este curso será K = R.
λA = (λaij )m,n
i,j=1 .
4. Producto entre matrices: Dadas dos matrices Am×n y Br×s , si n = r, definimos la multipli-
cación AB como la matriz resultante de multiplicar cada fila de A con todas las columnas de B
4
Teorı́a de Error
IECD 214 - Análisis Numérico
n
X
donde cij = aik bkj .
k=1
Observaciones:
1. A partir de las operaciones 1. y 2., podemos definir la resta de matrices como: A−B = A+(−1)B.
2. No confundir la multiplicación de matrices con el producto de Hadamard.
Propiedades: Sean A, B, C ∈ Mm×n (K), y α, β ∈ K escalares cualesquiera, las siguientes propiedades
se satisfacen:
• La suma es conmutativa A + B = B + A y asociativa (A + B) + C = A + (B + C).
• La matriz nula es el elemento neutro de la suma: A + 0 = 0 + A = A.
• La matriz −A es el inverso aditivo de A: A + (−A) = (−A) + A = 0.
• La multiplicación por un escalar es distributiva: α(A + B) = αA + αB.
• (AT )T = A.
• (αA + βB)T = αAT + βB T .
Propiedades de la multiplicación entre matrices: Sean A, B, C tres matrices, y λ un escalar
cualquiera, las siguientes propiedades se satisfacen (siempre que el orden de las matrices sea consistente
con la operación):
• El producto entre matrices es asociativo (AB)C = A(BC).
• La matriz identidad de orden n es el elemento neutro de la multiplicación, es decir, An×n I =
IAn×n = A
• Distributiva a izquierda: (A + B)C = AC + BC y a derecha: C(A + B) = CA + CB.
• λ(AB) = (λA)B = A(λB).
• 0A = 0 = A0.
• Aej proporciona la j-ésima columna de A y el producto eTi A proporciona la i-ésima fila de A
• (AB)T = B T AT
• Si Γ = diag([λ1 , . . . , λm ]) es una matriz
diagonal de orden m × m, entonces el resultado de
λ1 a1·
multiplicar Γ por Am×n será la matriz ... donde ai· corresponde al vector fila i-ésima de
λm am·
A.
λ1 0 · · · 0 a11 a12 · · · a1n λ1 a11 λ1 a12 · · · λ1 a1n
0 λ2 · · · 0 a21 a22 · · · a2n λ2 a21 λ2 a22 · · · λ2 a2n
ΓA = . .. = .. .. .
.. . . .. .. .. .. .. ..
.. . . . . . . . . . . .
0 0 · · · λm am1 am2 · · · amn λm am1 λm am2 · · · λm amn
5
Teorı́a de Error
IECD 214 - Análisis Numérico
AB = BA = In .
Cuando existe la matriz inversa de A ∈ Mn (K), se dirá que A es regular, invertible o no singular.
(AB)−1 = B −1 A−1 .
Otras Propiedades: Sea A ∈ Mn (K) (matriz cuadrada de orden n) regular, tenemos que:
2. (A−1 )−1 = A.
6
Teorı́a de Error
IECD 214 - Análisis Numérico
1. det(I) = 1.
2. Si dos columnas de A son idénticas (o dos filas) entonces det(A) = 0 (Ver menores de orden
2 × 2). Más aún, si una fila es múltiplo de otra fila de A, se tiene el mismo resultado.
det(A) = −det(A∗ ).
Qn
5. Si A es una matriz triangular, entonces det(A) = i=1 aii .
6. det(A) = det(AT ).
∥Ax∥
∥A∥ = sup = sup ∥Ax∥.
x̸=0 ∥x∥ ∥x∥=1
7
Teorı́a de Error
IECD 214 - Análisis Numérico
2 Algoritmos y Computación
2.1 Errores de Redondeo
El error de redondeo se origina porque la aritmética realizada en el computador involucra números
con un número finito de dı́gitos.
Para explicar los problemas que puedan surgir en la manipulación de números de máquina decimal,
supondremos que estos se representan en forma normalizada de punto flotante:
±(0.d1 d2 d3 · · · dk ) × 10n ,
con 1 ≤ d1 ≤ 9, 0 ≤ di ≤ 9, para i = 2, · · · , k.
Cualquier número real que esté dentro del rango numérico del computador se le puede asociar una
representación de punto flotante, que denotaremos por f l(y). Hay dos formas de llevar esto a cabo,
supongamos que
y = (0.d1 d2 d3 · · · dk dk+1 · · · ) × 10n ,
Esto es quivalente a que cuando dk+1 ≥ 5 sumamos 1 a dk para obtener f l(y), esto se conoce como
redondeo por encima. Si dk+1 < 5 simplemente truncamos, es decir, δi = di para i = 1, · · · , k,
esto se conoce como redondeo por debajo.
Ejemplo:
1. Determine la expresión punto flotante de 5 dı́gitos del núnero irracional π por truncamiento y
redondeo.
y = 0.314159265 · · · × 101
Dos medidas útiles dde cualquier error que se comete al aproximar un número son el error absoluto y
el error relativo:
8
Teorı́a de Error
IECD 214 - Análisis Numérico
Ejemplo:
como d1 ̸= 0 entonces el mı́nimo valor del denominador es 0.1 y el numerador está acotado por
1, obteniéndose:
y − f l(y) 1
≤ × 10−k = 10−k+1 .
y 0.1
2. Redondeo: Si dk+1 < 5, f l(y) = (0.d1 d2 · · · dk )×10n , este es el mismo caso que en truncamiento.
Si dk+1 ≥ 5 entonces
f l(y) = (0.d1 d2 · · · dk ) × 10n + 5 · 10n−k−1
el error relativo es:
|y − f l(y)| |((0.d1 d2 d3 · · · dk dk+1 · · · ) × 10n ) − (0.d1 d2 d3 · · · dk ) × 10n − 5 · 10n−k−1 |
=
|y| |(0.d1 d2 d3 · · · dk dk+1 · · · ) × 10n |
|0.dk+1 dk+2 ... − 0.5| × 10n−k
=
|(0.d1 d2 d3 · · · dk dk+1 · · · )| × 10n
0.dk+1 dk+2 ... − 0.5
= × 10−k ,
(0.d1 d2 d3 · · · dk dk+1 · · · )
9
Teorı́a de Error
IECD 214 - Análisis Numérico
como d1 ̸= 0 entonces el mı́nimo valor del denominador es 0.1 y el numerador está acotado por
0.5, obteniéndose:
y − f l(y)
≤ 0.5 × 10−k+1 .
y
1. Supongamos que p∗ aproxima a 1000 al menos con 4 cifras significativas. Diga a qué intervalo
debe pertenecer p∗ .
Solución:
p∗ − 1000
< 5 × 10−4 ⇒ −0.5 < |p∗ − 1000| < 0.5
1000
⇒ 1000 − 0.5 < p∗ < 1000 + 0.5
⇒ 999.5 < p∗ < 1000.5
Esta aritmética consiste en realizar una aritmética exacta en las representaciones de punto flotante
de x e y y luego convertir el resultado en una representación punto flotante con finitos dı́gitos.
5
Ejemplo: Suponga que x = 7 e y = 13 . Use truncamientode 5 dı́gitos para calcular: x ⊕ y, x ⊖ y, x ⊗
y, x ⊘ y.
10
Teorı́a de Error
IECD 214 - Análisis Numérico
22
El valor real es x + y = 21 , ası́ tenemos:
22
EA = − 0.10476 × 101 = 0.19 × 10−4 .
21
0.19 × 10−4
ER = 22 = 0.18 × 10−4 .
21
Ejemplo: Evalúe f (x) = x3 − 6.1x2 + 3.2x + 1.5 en x = 4.71 usando aritmética de 3 dı́gitos.
Calculamos las evaluaciones haciendo una opoeración por separado, esto es, x2 = 4.71 ∗ 4.71 =
22.1841, redondeado a 3 cifras es 22.2. Para calcular x3 redondeado a 3 dı́gitos hacemos x3 = x2 ∗ x =
22.2 ∗ 4.71 = 104.562 redondeado a 3 cifras es 105. Los valores los colocamos en la siguiente tabla.
x x2 x3 6.1x2 3.2x
Exacta 4.71 22.1841 104.487111 135.32301 15.072
Truncado a 3 dı́gitos 4.71 22.1 104 134 15.0
Redondeo a 3 dı́gitos 4.71 22.2 105 135 15.1
La evaluación exacta es:
−14.263899 + 13.5
ER = ≈ 0.05
−14.263899
y por redondeo es
−14.263899 + 13.4
ER = ≈ 0.06
−14.263899
11
Teorı́a de Error
IECD 214 - Análisis Numérico
Una forma de “arreglar” los términos para reducir el error cometido, es escribir f (x) de manera
anidada, esto es,
Usando truncamiento a 3 dı́gitos con esta aritmética, tenemos que f (4.71) ≈ −14.2 cuyo error rela-
tivo es ER ≈ 0.0045 y por redondeo a 3 dı́gitos tenemos: f (4.71) ≈ −14.3 y error relativo ER ≈ 0.0025.
Ejercicio:
1. Muestre que la tecnica de aritmética anidada aplicada al polinomio del ejemplo, puede ser
aplicada a la evaluación de:
2. Use aritmética de redondeo a 3 dı́gitos para evaluar g(1.53) donde g(x) está dado como en el
item anterior. (Suponga que e1.53 = 4.62 y el hecho que enx = (ex )n ).
3. Vuelva hacer los cálculos del item anterior pero ahora usando la aritmética anidada.
Los pseudo-códigos son una descripción compacta e informal de un algoritmo, que se pueden codi-
ficar usando diversos lenguajes de programación.
• La estabilidad: está relacionada con la influencia que tienen en los resultados finales la acumu-
lación de errores que se producen al realizar las diferentes operaciones elementales que consti-
tuyen el algoritmo. Formalmente, la estabilidad de un algoritmo se estudia por medio del análisis
del error.
12
Teorı́a de Error
IECD 214 - Análisis Numérico
Crecimiento de Error
450
400
350
300
250
Error
200
150
100
50
0
0 20 40 60 80 100
Iteración
Observación: Un algoritmo que muestre un crecimiento lineal de error se dirá estable y el algo-
ritmo con crecimiento de error exponencial, se dirá inestable.
El condicionamiento es una propiedad del problema mismo y se refiere a cómo cambia la solución
cuando los datos contienen algún ruido o son perturbados.
Definición: Un problema se llama mal condicionado cuando pequeños cambios en los datos dan lu-
gar a grandes cambios en las respuestas, o lo que es lo mismo, un error relativo pequeño en los datos
producen errores relativos grandes en la solución.
cuya solución es x1 = 3, x2 = 0.
13