Teorı́a de Error

IECD 214 - Análisis Numérico

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

Por lo tanto, los elementos de Rn son n-tuplas de números reales.

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:

Suma de Vectores Multiplicación por un escalar

   
u1 + v1 λu1
 u2 + v2   λu2 
u+v = λu =  . 
   
..
 .. 

 . 
un + vn λun

donde, u, v ∈ Rn y λ es un escalar en R.

La suma de vectores u + v en R2 , gráficamente representa la diagonal del paralelogramo formado

por los vectores u, v:
y
u+v
v

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

λ>1 λ<0 0<λ<1

Propiedades: Consideremos u, v, w ∈ Rn y λ ∈ R un escalar. Entonces,

1. u + v = v + u.

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

Observación: La norma euclidea o norma 2, es:

q
∥⃗v ∥ = (x21 + x22 + . . . + x2n ).

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.

1.1.1 Producto Punto de Vectores

Consideremos los vectores ⃗u, ⃗v ∈ Rn . Definimos el producto punto ⃗u • ⃗v por:
n
X
⃗u • ⃗v = ui · vi .
i=1

Observación: El producto punto NO es un vector, es un número real.

Cuando ⃗v = (vx , vy ), ⃗u = (ux , uy ) ∈ R2 , el producto punto ⃗u • ⃗v es:

⃗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:

Teorema: Si θ es el ángulo entre los vectores ⃗u y ⃗v no nulos, entonces:

⃗u • ⃗v = ∥⃗u∥ · ∥⃗v ∥ · cos(θ).
El teorema anterior es muy útil porque nos permite hallar el ángulo entre dos vectores si conocemos
los componentes de los vectores. Sólo debemos despejar el cos(θ):
⃗u • ⃗v
cos(θ) = .
∥ ⃗u ∥ · ∥ ⃗v ∥
¿Qué podemos decir respecto al producto interno de dos vectores ortogonales?

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

1.2 Matrices y Propiedades Básicas

Una matriz puede ser vista como un arreglo rectangular de elementos en donde cada elemento es
indexado por el número de fija y columna en la que se encuentra dicho elemento.

Definición: Una matriz A sobre un campo K es un arreglo rectangular de la forma

 
a11 a12 · · · a1n
 a21 a22 · · · a2n  Filas
A =  ..

.. .. .. 
 . . . . 
am1 am2 · · · amn
Columnas
donde aij ∈ K (elemento de la fila i y columna j) para todo i = 1, . . . , m y j = 1, . . . , n.

Notación: Muchas veces denotamos las matrices como: A = (aij )m,n

i,j=1 . Los subı́ndices de los
elementos o entradas de la matriz identifican:

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.

1.2.1 Operaciones entre matrices

Consideraremos dos matrices Am×n = (aij )m,n r,s
i,j,=1 , Br×s = (bij )i,j,=1 y un escalar λ ∈ K. Una vez
definidas las matrices como objetos matemáticos, la idea es definir operaciones entre ellas.

1. Suma entre matrices: si m = r y n = s, definimos la suma entre Am×n y Bm×n como

A + B = (aij + bij )m,n

i,j=1 .

2. Multiplicación por un escalar: definimos la multiplicación entre Am×n y el escalar λ como

λA = (λaij )m,n
i,j=1 .

3. Combinación lineal: una combinación lineal de una familia de N matrices de orden m × n

{Ak | 1 ≤ k ≤ N } se define como la matriz
N
X
α k Ak ,
k=1

para algunos escalares α1 , α2 , . . . , αN .

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

Am×n · Bn×s = (cij )m,n

i,j=1 ,

4
 Teorı́a de Error
IECD 214 - Análisis Numérico

n
X
donde cij = aik bkj .
k=1

La matriz resultante de la multiplicación Am×n Bn×s es una matriz C de orden m × s.

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

En general, la multiplicación de matrices no es conmutativa AB ̸= BA y AB = 0 ⇏ A = 0 o B = 0

5
 Teorı́a de Error
IECD 214 - Análisis Numérico

1.2.2 Matriz Inversa

Definición: Sean A, B ∈ Mn (K). Se dice que B es la matriz inversa de A si y sólo si:

AB = BA = In .

Cuando existe la matriz inversa de A ∈ Mn (K), se dirá que A es regular, invertible o no singular.

Notación: Si A es regular, denotaremos por A−1 a la matriz inversa de A.

Teorema: Sean A y B matrices cuadradas de orden n. Si A y B son invertibles, entonces

(AB)−1 = B −1 A−1 .

Otras Propiedades: Sea A ∈ Mn (K) (matriz cuadrada de orden n) regular, tenemos que:

1. (AT )−1 = (A−1 )T .

2. (A−1 )−1 = A.

Definición: Una matriz A ∈ Mn (K) regular, se dirá ortogonal si A−1 = AT .

 
cos(θ) − sin(θ)
Ejemplo: Las matrices de rotación: R = , son ortogonales. Sea v ∈ R2 un vector
sin(θ) cos(θ)
columna. El vector Rv es el obtenido luego de rotar v en sentido antihorario θ grados.

1.2.3 Determinante de una matriz

Definición: El determinante es una aplicación det(·) : Mn×n −→ R definida como
n
X
det(A) = (−1)i+j aij det(Mij ),
j=1

para cualquier i, donde Mij es la submatriz (n − 1) × (n − 1) de A resultante de eliminar la fila i y

columna j de A.

Ejemplo: Determine una expresión para los determinantes de las matrices 2 × 2 y 3 × 3.

Ejemplo: Calcule el determinante de la matriz:

 
1 1 3 0
1 0 5 1
A= −1
.
1 2 2
2 0 −1 −2

6
 Teorı́a de Error
IECD 214 - Análisis Numérico

Propiedades: para A y B un par de matrices cuadradas del mismo orden,

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.

3. Si A ∈ Mn (K), det(λA) = λn det(A).

4. Si A∗ es la matriz resultante de intercambiar dos filas (o columnas de A), entonces

det(A) = −det(A∗ ).
Qn
5. Si A es una matriz triangular, entonces det(A) = i=1 aii .

6. det(A) = det(AT ).

7. det(AB) = det(A)det(B). Más aún, det(AN ) = (det(A))N .

1
8. det(A−1 ) = .
det(A)
Definición: Diremos que dos matrices A y B son equivalentes si existen matrices elementales {Ek }pk
tales que
B = Ep Ep−1 · · · E1 A.
Para volver desde B hacia A basta aplicar las transformaciones elementales recı́procas.

1.3 Normas de matrices

Si ∥ · ∥ es una norma de vectores, la norma de matrices inducida por ella, viene dada por:

∥Ax∥
∥A∥ = sup = sup ∥Ax∥.
x̸=0 ∥x∥ ∥x∥=1

Entonces, cuatro normas importantes de matrices son:

n
X
1. ∥A∥1 = max |aij |.
1≤j≤n
i=1
p
2. ∥A∥2 = λmax (AT A).
n
X
3. ∥A∥∞ = max |aij |.
1≤i≤n
j=1
v
u n 2
uX
4. Norma de Frobenius: ∥A∥F = t aij .
i,j=1

Ejemplo: Considere la matriz  

1 0 −7
A= 0 2 2
−1 −1 0
Calcule todas las normas de la matriz A, sabiendo que ρ(AT A) = {0.5054, 5.2530, 54.2416}.

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 ,

• Truncamiento: Cortar los dı́gitos dk+1 dk+2 · · ·

f l(y) = (0.d1 d2 d3 · · · dk ) × 10n

• Redondeo: Añadir 5 × 10n−(k+1) y luego truncar:

f l(y) = (0.δ1 δ2 δ3 · · · δk ) × 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.

Solución: El número π tiene una expresión decimal normalizada de la forma:

y = 0.314159265 · · · × 101

(a) La expresión en punto flotante usando truncamiento de 5 dı́gitos es:

f l(y) = 0.31415 × 101 .

(b) La expresión en punto flotante usando redondeo de 5 dı́gitos es:

f l(y) = (0.314159265 × 101 ) + (5 × 101−(5+1) )

= (0.314159265 + 0.000005) × 101
= 0.31416 × 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

Error Absoluto: EA = |p∗ − p|.

|p∗ − p|
Error Relativo: ER = , con p ̸= 0.
|p|
donde p∗ es una aproximación de p.

Ejemplo:

p = 1.50 × 101 p = 1.50 × 10−4

p∗ = 1.51 × 101 p∗ = 1.51 × 10−4
EA = 0.01 × 101 EA = 0.01 × 10−4
ER = 0.0016 ER = 0.0016
Obs: Como medida de precisión el error absoluto puede ser enganõso, mientras que el error relativo
puede ser más significativo.

2.2 Error Relativo para la Representación Punto Flotante.

Calculemos una cota para el error relativo que se comente cuando se realiza una representación en punto
flotante con truncamiento y con redondeo. Para esto, consideremos y = (0.d1 d2 d3 · · · dk dk+1 · · · ) ×
cdot10n .

1. Truncamiento: Cortando en k-dı́gitos decimales:

f l(y) = (0.d1 d2 d3 · · · dk ) · 10n ,

el error relativo es:

|y − f l(y)| |((0.d1 d2 d3 · · · dk dk+1 · · · ) × 10n ) − (0.d1 d2 d3 · · · dk ) × 10n |
=
|y| |(0.d1 d2 d3 · · · dk dk+1 · · · ) × 10n |
|0.dk+1 dk+2 ...| × 10n−k
=
|(0.d1 d2 d3 · · · dk dk+1 · · · )| × 10n
0.dk+1 dk+2 ...
= × 10−k ,
(0.d1 d2 d3 · · · dk dk+1 · · · )

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

Definición: Un número p∗ aproxima a p con t dı́gitos significativos si t es el entero no negativo más

grande para el cual:
|p∗ − p|
< 5 × 10−t .
|p|
Ejemplos:

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

2.3 Aritmética con Finitos Dı́gitos

Sean x, y ∈ R y f l(x), f l(y) sus representaciones en punto flotante y que ⊕, ⊖, ⊗, ⊘ representan la
suma, resta, multiplicación y división de la máquina, respectivamente. Asumiremos aritméticas con
finitos dı́gitos dadas por:

x ⊕ y = f l(f l(x) + f l(y)), x ⊗ y = f l(f l(x) × f l(y)),

x ⊖ y = f l(f l(x) − f l(y)) x ⊘ y = f l(f l(x) ÷ f l(y)).

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.

Solución: Note que

5 1
x= = 0.714285 y= = 0.3,
7 3
implica que,
f l(x) = 0.71428 × 100 f l(y) = 0.33333 × 100 .
Entonces,

x ⊕ y = f l(f l(x) + f l(y)) = f l(0.71428 × 100 + 0.33333 × 100 )

= f l(1.04761 × 100 )
= 0.10476 × 101 .

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

Ejercicio: Complete la siguiente tabla:

Operación Resultado Valor real Error Absoluto Error Relativo

x⊕y 0.10476 × 101 22/21 0.19 × 10−4 0.18 × 10−4
x⊖y
x⊗y
x⊘y

2.4 Aritmética Anidada

La perdida de precisión debido a los errores de redonde puede ser reducido ”arreglando” los cálculos,
como se muestra en el siguiente ejemplo.

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:

f (4.71) = 104.487111 − 135.32301 + 15.072 + 1.5 = −14.263899.

La evaluación usando truncamiento a 3 dı́gitos es:

f (4.71) = 104 − 134 + 15.0 + 1.5 = −13.5.

La evaluación usando redondeo a 3 dı́gitos es:

f (4.71) = 105 − 135 + 15.1 + 1.5 = −13.4.

El error relativo por truncamiento 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,

f (x) = x3 − 6.1x2 + 3.2x + 1.5 = ((x − 6.1)x + 3.2)x + 1.5.

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:

g(x) = 1.01e4x − 4.6e3x − 3.11e2x + 12.2ex − 1.99.

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.

4. Compare las aproximaciones obtenidas en el item 2. y el 3. con el valor exacto de g(1.53) =

−7.61.

2.5 Algoritmos y Convergencia

Definición: Un algoritmo es una conjunto finito y ordenado de operaciones lógicas y aritméticas, las
cuales al aplicarse a un problema computacional asociado a un conjunto de datos, llamados entrada,
produce una solución al problema. Esta solución es otro conjunto de datos que llamaremos salida.

Los pseudo-códigos son una descripción compacta e informal de un algoritmo, que se pueden codi-
ficar usando diversos lenguajes de programación.

Do propiedades deseables para cualquier algoritmo son:

• La eficiencia: es la cantidad de trabajo computacional requerido durante su ejecución (requer-

imiento de memoria, tiempo de cómputo, estimación de error, etc.)

• 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.

Definición: Supongamos que En representa la magnitud de un error cometido después de n opera-

ciones y C es una constante independiente de n.

• Si En ≈ CnE0 , decimos que el error es de crecimiento lineal.

• Si En ≈ C n E0 , decimos que el error es de crecimiento exponencial, C > 1.

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.

Ejemplo: Consideremos el siguiente sistema:


x1 + 2x2 = 3,
2x1 + 3.999x2 = 5.999.

La solución exacta de este sistema es x1 = x2 = 1.

Si sumamos un ruido de 0.001 a 5.999, tenemos el sistema:

x1 + 2x2 = 3,
2x1 + 3.999x2 = 6,

cuya solución es x1 = 3, x2 = 0.

13