TEMA 1 MÉTODOS

NUMÉRICOS
ERRORES

1. INTRODUCCION
2. METODOS NUMERICOS
3. ARITMETICA DEL COMPUTADOR
4. FUENTES DE ERRORES
5. ANALISIS DEL ERROR
6. EL DESARROLLO DE LA SERIE DE
TAYLOR
1. INTRODUCCIÓN.
La mayor parte de las matemáticas estudiadas hasta ahora se han dedicado a
desarrollar métodos que nos proporcionen la solución exacta de un problema.
Por ejemplo, calcular la solución de una ecuación del tipo f(x)=0 realizando
operaciones elementales sobre la misma para conseguir despejar la incógnita x.
𝑏
O bien, calcular el valor de una integral definida ∫𝑎 𝑓(𝑥)𝑑𝑥 calculando una
primitiva de f(x) y luego aplicando la Fórmula de Barrow.
Desgraciadamente, en la gran mayoría de los casos que se presentan en la
práctica, estos métodos no son de aplicación. Ello puede deberse a que el
método para calcular la solución exacta sea muy complicado, a que no se
conozca un método adecuado, o incluso a que no exista un método que nos
permita, mediante cálculos elementales, encontrar la solución.
En estos casos es necesario recurrir a métodos numéricos, denominados así
porque, usualmente, consisten en realizar una sucesión más o menos larga de
operaciones numéricas (normalmente mediante la ayuda de un ordenador), al
cabo de las cuales encontramos un valor numérico que, si bien no es la solución
exacta del problema, se le parece mucho, es decir, aproxima la solución buscada
con una precisión razonablemente buena.
Para describir un proceso o fenómeno generamos un MODELO (definimos
cantidades medibles y las relaciones que hay entre ellas). La relación se expresa
en forma de ecuación. La solución puede obtenerse en forma analítica (fórmula)
o mediante métodos aproximados.
2. METODOS NUMERICOS.
Podemos decir que un método numérico de resolución de un determinado
problema es “un conjunto de reglas que permite la obtención de un resultado
mediante un número finito de operaciones elementales, que se aproxima de
alguna manera a la solución del problema en cuestión”. Suelen proporcionar
soluciones tan próximas como se quiera (sólo en teoría puesto que al realizar
los cálculos se cometen errores debido a que los ordenadores tienen una
precisión limitada) a la solución exacta, pero en general no se obtiene esta.

Este hecho se pone de manifiesto, cuando se define los Métodos Numéricos

como “el estudio de los métodos y procedimientos usados para obtener
soluciones aproximadas a problemas matemáticos”.

Por lo dicho antes, dos serían los objetivos esenciales de esta disciplina:
1) Dado un problema matemático, encontrar algoritmos, a veces llamados
métodos numéricos, que bajo ciertas condiciones permiten obtener una
solución aproximada del problema propuesto
2) Analizar las condiciones bajo las cuales la solución del algoritmo es próxima
a la verdadera, estimando los errores en la solución aproximada. Se trata
pues de encontrar métodos aproximados para resolver todo tipo de
problemas matemáticos y analizar los errores producidos en estas
aproximaciones.
Se trata pues de encontrar métodos aproximados para resolver todo tipo de
problemas matemáticos y analizar los errores producidos en estas
aproximaciones.
Cualquier procedimiento numérico debe considerar el control de errores para
medir cómo afectan al resultado. Es muy importante que en cada problema
numérico hagamos un seguimiento de los errores cometidos con el fin de poder
estimar el grado de aproximación de la solución que proporciona.

CONSTRUCCION DE LOS METODOS.

El objetivo principal de esta disciplina es la construcción y aplicación de
métodos numéricos fiables y eficientes para resolver un determinado problema
matemático.

Ideas básicas para la construcción de métodos.

Se suelen tener en cuenta los siguientes aspectos/pasos:
1) Sustituir el problema inicial por un algoritmo de cálculo, que contiene un
parámetro n.
2) Probar la convergencia del algoritmo, es decir asegurar que las
aproximaciones, xn, a la solución, x, son tan próximas como se desee;
estimando la rapidez o velocidad de convergencia.
 3) Procurar la estabilidad del algoritmo, que significa, hablando
coloquialmente, que pequeñas modificaciones en los datos no ocasionen
fuertes cambios en el resultado final; o, de otra forma, si los cálculos no se
efectúan con exactitud (debido a los redondeos) no obstante se tiene
convergencia a la solución.
4) Realizar el organigrama y/o el programa del algoritmo en cuestión en un
adecuado lenguaje de programación.
3. ARITMETICA DEL COMPUTADOR.
La aritmética de las calculadoras u ordenadores es distinta de la tradicional que
se utiliza en cursos de cálculo o álgebra. En la aritmética tradicional se pueden
manejar números con infinitas cifras decimales que no se repiten, como por
ejemplo al representar √3. Esto es lo que se denomina aritmética exacta. Sin
embargo, en los ordenadores o calculadoras, los números que se pueden
representar y los resultados que se obtienen en las distintas operaciones solo
pueden tener un número finito de dígitos.
Notación Científica. La notación científica consiste en representar un
número utilizando potencias de base diez : a10n , siendo a un número entero o
con coma decimal mayor o igual que 1 y menor que 10, y n un número entero
que se denomina exponente u orden de magnitud. Con esta notación resulta
muy cómodo representar números muy grandes en los que aparecerá una
potencia de diez de exponente positivo, o números muy pequeños con una
potencia de diez de exponente negativo.
Por ejemplo:
0 0000747=7.47⨯10-5=7.47E-5
31.4159265=3.14159265⨯10=3.14159265E+1
97000000000=9.7⨯109=9.7E+9
La notación decimal en punto flotante normalizada consiste en representar
cualquier número en la forma:
 0.d1d2…dk10n, 1d19, 0di9; i=2,3,…,k
Representación de números en el ordenador. Los ordenadores
usan una representación binaria en coma flotante normalizada para los
números reales. Esto significa que lo que almacena el ordenador no es una
cantidad numérica x, sino una aproximación binaria:
xq2n
El número q es la mantisa y el número n es el exponente.
Precisión de un ordenador. Como se ha dicho anteriormente, las
máquinas no pueden guardar tantos dígitos como se quiera de una determinada
cantidad. Por esto tampoco se pueden almacenar cantidades tan grandes o tan
pequeñas como se quiera. La precisión del ordenador viene determinada por el
menor y mayor valor con los que puede trabajar. Si el resultado de una
operación es menor que el menor valor que puede representar el resultado se
hace igual a cero (underflow) y si es mayor que el mayor valor que puede
representar el resultado es una parada de los cálculos (overflow).
 Dígitos significativos. Los dígitos significativos de un número, son
aquellos que pueden ser empleados en forma fiable para describir una cantidad.
Es importante establecer que los ceros, no son siempre dígitos significativos, ya
que pueden emplearse para ubicar el punto decimal, por ejemplo:
a) 0.00001845
b) 0.0001845
c) 0.001845
d) 0.0000180
Los apartados a, b y c, tienen cuatro dígitos significativos, donde el número 1 es
el primer dígito significativo (dígito significativo principal o dígito más
significativo), el 8 es el segundo dígito significativo, el 4 es el tercer dígito
significativo y el 5 es el cuarto. El apartado d tiene tres dígitos significativos: 1,
8 y 0.
Por otro lado, el número 45300 puede tener 3, 4 ó 5 dígitos significativos,
dependiendo los ceros que se conocen con exactitud. Podemos representar esta
cantidad utilizando la notación científica normalizada:
a) 0.453⨯105, tres dígitos significativos.
b) 0.4530⨯105, cuatro dígitos significativos.
c) 0.45300⨯105, cinco dígitos significativos.
Definición: Si 𝑝̂ es un valor aproximado de un valor exacto p, se dice de
aproxima a p hasta el tº dígito significativo si:
|𝑝 − 𝑝̂ |
≤ 5 × 10−𝑡
|𝑝|
Al desarrollar métodos numéricos utilizando un software matemático es
importante que quede clara la diferencia entre dígitos significativos y cifras
decimales de una cantidad que no tienen por qué coincidir.
Incertidumbre en los datos. Los datos de los problemas que se
presentan en la realidad contienen incertidumbre o error. Este tipo de error se
conoce como ruido y afectará a la exactitud de cualquier cálculo numérico que
se base en dichos datos. No podemos mejorar la precisión de los cálculos si
realizamos operaciones con datos afectados por ruido. Así, si empezamos con
datos que contienen d cifras significativas, el resultado de un cálculo con ellos
debería mostrarse con d cifras significativas; p.ej., supongamos que los datos p1
= 4.152 y p2 = 0.07931 tienen ambos una precisión de cuatro cifras, entonces
sería tentador indicar todas las cifras que aparecen en la pantalla de una
calculadora al hacer, digamos su suma: p1 + p2 = 4.23131. Esto no es correcto,
no deberíamos obtener conclusiones que tengan más cifras significativas que
los datos de partida. Así el resultado obtenido de la suma será p1 + p2 = 4.231.
4. FUENTES DE ERRORES.
En aproximaciones en ingeniería se introducen errores (entendidos aquí como
diferencia entre el valor calculado y el valor real) de diferentes fuentes:

 En la formulación del problema matemático

 En la aproximación de la geometría
  En los datos físicos
 Errores del método numérico de aproximación
Los errores en los datos físicos o iniciales, por ejemplo, si son resultado de una
medida con algún instrumento.
En los métodos numéricos manejaremos dos clases de errores:

Errores de redondeo, debidos al hecho de que el ordenador maneja solo un

número finito de cifras significativas o dígitos.
El número que, de hecho, se guarda en la memoria del ordenador puede haber
sufrido el redondeo de su última cifra; en consecuencia, y puesto que el
ordenador trabaja con números que tienen una cantidad limitada de dígitos, los
errores de redondeo se introducen y propagan a través de operaciones
sucesivas.
El redondeo se puede hacer de dos formas distintas.
a) Truncado: Cuando no se modifica o altera el último dígito que no se descarta.
b) Redondeo (simétrico): Si el primer dígito que se va a descartar es menor que
5 no se modifica el anterior, mientras que si es mayor o igual que 5, el último
dígito no descartado aumenta en una unidad.
Por ejemplo, consideremos el número real : p 22/7=3.14285714285142857…
La representación en coma flotante normalizada con redondeo a seis cifras
significativas, tiene los dos resultados siguientes:
fltrun(p)= 0.314285⨯101 ; flred(p)= 0.314286⨯101
En las aplicaciones de ingeniería, en general, se utiliza el redondeo simétrico ya
que el redondeo por truncado supone una pérdida de información.

Errores de truncamiento o discretización, que provienen de sustituir un

problema continuo por otro discreto, por ejemplo, una serie por una suma finita,
una derivada por un cociente incremental, o una integral definida por una suma
de un número finito de términos, etc.
Por ejemplo, podríamos reemplazar la serie de Taylor

2 𝑥4 𝑥6 𝑥8 𝑥 2𝑛
𝑒 𝑥 = 1 + 𝑥2 + + + + ⋯+ +⋯
2! 3! 4! 𝑛!
𝑥4 𝑥6 𝑥8
por los cinco primeros términos 1 + 𝑥 2 + + + a la hora de calcular la
2! 3! 4!
1 1
2 2
integral ∫0 𝑒 𝑥 𝑑𝑥 numéricamente. Sabiendo que ∫0 𝑒 𝑥 𝑑𝑥 = 0.544987104184 = p,
2 2

vamos a determinar la precisión de la aproximación obtenida al reemplazar el

2
integrando 𝑓(𝑥) = 𝑒 𝑥 por los 5 primeros términos de su desarrollo en serie de
Taylor. Integrando término a término este polinomio, obtenemos
1
2
𝑥4 𝑥6 𝑥8 𝑥3 𝑥5 𝑥7 𝑥 9 1/2
∫ (1 + 𝑥 2 + + + ) 𝑑𝑥 = (𝑥 + + + + )
2! 3! 4! 3 5(2!) 7(3!) 9(4!) 0
0
 1 1 1 1 1 2109491
= + + + + = = 0.544986720817 = 𝑝̂
2 24 320 5376 110592 3870120
Puesto que los valores de p y 𝑝̂ coinciden hasta la 5ª cifra decimal diremos que
el error cometido al sustituir p por 𝑝̂ es menor que 10-5.

5. ANALISIS DEL ERROR.

Convergencia. Un algoritmo es un procedimiento que describe de forma
precisa una sucesión finita de operaciones elementales que deben ser ejecutadas
en un orden especificado para resolver un problema o para obtener una
aproximación a dicha solución a partir de unos datos de entrada. Los algoritmos
implementan los métodos numéricos para la resolución de problemas. Estos
métodos pueden ser:

Iterativos: Si el método va generando una sucesión que, en determinadas

condiciones, converge a la solución exacta del problema, es decir, si el algoritmo
es reiterativo, en el sentido de que hay pasos de él que se repiten un número
arbitrario de veces hasta que se cumpla cierto criterio de parada.
Directos: Si no son iterativos.

Se entiende que un método numérico iterativo converge si la sucesión formada

por las aproximaciones obtenidas en cada iteración {xn}n∈N converge a lo que será
la solución de nuestro problema.
Cuanto menor sea el número de iteraciones necesarias para obtener la solución
del problema con una tolerancia fijada de antemano, mayor será la velocidad de
convergencia del método.
Se dice que un método numérico iterativo diverge si los resultados obtenidos en
cada iteración se van alejando cada vez más de la solución exacta.
Por este motivo, al implementar un método numérico mediante el
correspondiente algoritmo suele ser una buena técnica que el criterio de parada
contemple un número máximo de iteraciones a realizar.

La estabilidad. Un algoritmo es estable cuando un error “pequeño” en las

condiciones iniciales produce desviaciones “pequeñas” en el resultado. En caso
contrario, el algoritmo se dice inestable.

Error absoluto y error relativo. En la práctica del cálculo numérico es

importante tener en cuenta que las soluciones calculadas no son soluciones
matemáticas exactas en la mayoría de los casos. La precisión de una solución
numérica puede verse disminuida por diversos factores, y la comprensión de
estas dificultades es importante para desarrollar o a construir algoritmos
numéricos adecuados.
La diferencia (en valor absoluto) entre el valor exacto x y el valor obtenido en un
cálculo xi, determina el error absoluto cometido:
 𝐸𝑎 (𝑥) = |𝑥 – 𝑥𝑖 | (en las mismas unidades que los datos).

Otra representación del error cometido viene dada por el error relativo , que se
define como el cociente:
|𝑥−𝑥𝑖 |
𝐸𝑟 (𝑥) = |𝑥|
, 𝑠𝑖 𝑥 ≠ 0 (sin unidades).

Si multiplicamos por 100, obtendremos el error relativo porcentual que da idea

del porcentaje de error en la medida. Gráficamente:

El error absoluto no es más que la distancia entre el valor exacto y el valor

aproximado, mientras que el error relativo mide el error entendido como una
porción del valor exacto.
Ejemplo. Supongamos que se tiene que medir la longitud de un puente y de un
remache, obteniéndose 9999cm y 9cm, respectivamente. Si los valores
verdaderos son 10000cm y 10cm, calcula en cada caso: Los errores absolutos y
los errores relativos.
Puente
𝐸𝑎 (𝑥) = |𝑥 − 𝑥𝑖 | = |10000 − 9999| = 1𝑐𝑚,
|𝑥 − 𝑥𝑖 | |10000 − 9999|
𝐸𝑟 (𝑥) = = = 0.0001
|𝑥| |10000|
Remache
𝐸𝑎 (𝑥) = |10 − 9| = 1𝑐𝑚,
|10 − 9|
𝐸𝑟 (𝑥) = = 0.1
|10|
Cuando se implementa un método numérico mediante un algoritmo iterativo,
en general, no se conoce el valor exacto. En este caso, en cada etapa de iteración
se utiliza lo que se puede denominar como “error absoluto aproximado” y
“error relativo aproximado” que se pueden definir de la siguiente forma:
𝑒𝑎 (𝑥) = |𝑥𝑖 – 𝑥𝑖−1 |
|𝑥𝑖 − 𝑥𝑖−1 |
𝑒𝑟 (𝑥) = , 𝑠𝑖 𝑥 ≠ 0
|𝑥𝑖 |

donde xi es el valor aproximado de la solución exacta del problema que resulta

en la iteración i y xi-1 en la iteración anterior. Gráficamente:

En métodos numéricos suele establecerse una tolerancia porcentual como

criterio de parada. En cada iteración se calculará el “error relativo aproximado”
que se comparará con la tolerancia establecida de forma que el proceso iterativo
finaliza cunado eat, siendo t la tolerancia fijada de antemano. Cuanto menor
sea la tolerancia mayor será la precisión del método, aunque esto evidentemente
supone un mayor número de iteraciones.

Pérdida de cifras significativas. Consideremos los números

p=3.1415926536 y q=3.1415957341, que son casi iguales y están ambos
expresados con una precisión de 11 cifras significativas. Si calculamos su
diferencia p - q = -0.0000030805 vemos que, como las seis primeras cifras de p
y de q coinciden, su diferencia p - q sólo contiene cinco cifras decimales; este
fenómeno se conoce como pérdida de cifras significativas o cancelación, y hay
que tener cierto cuidado con él porque puede producir sin que nos demos
cuenta, una reducción en la precisión de la respuesta final calculada.

Ejemplo. Vamos a comparar los resultados de calcular f(500) y g(500) usando

seis cifras significativas con redondeo, siendo
𝑥
𝑓(𝑥) = 𝑥(√𝑥 + 1 − √𝑥) 𝑦 𝑔(𝑥) =
√𝑥 + 1 + √𝑥
Con la primera función:
 𝑓(500) = 500(√500 + 1 − √500) = 500(22. 3830 − 22.3607) = 500 ∙ 0.0223 = 11.1500

Con la segunda:
500 500 500
𝑔(500) = = = = 11.1748
√500 + 1 + √500 22. 3830 + 22. 3607 44. 7437

Sin embargo, g(x) es algebraicamente equivalente a f(x). En efecto:

2 2
𝑥(√𝑥 + 1 − √𝑥)(√𝑥 + 1 + √𝑥) 𝑥 ((√𝑥 + 1) − (√𝑥) ) 𝑥
𝑓(𝑥) = = =
(√𝑥 + 1 + √𝑥) √𝑥 + 1 + √𝑥 √𝑥 + 1 + √𝑥

La respuesta g(500) = 11.1748 tiene un error menor, y es la que obtendríamos

redondeando la respuesta exacta 11.174755300747198... a seis cifras
significativas.

6. EL DESARROLLO DE LA SERIE DE TAYLOR.

Por su utilidad en el resto de la asignatura, vamos a recordar brevemente las
fórmulas de Taylor para funciones reales de una o varias variables.

Teorema:
Si f: [a, b] → R continua y derivable hasta el orden n + 1, entonces para cualquier
x0 ∈ (a, b):
𝑓(𝑥) = 𝑃𝑛 (𝑥) + 𝑅𝑛 (𝑥)

Donde
𝑛
𝑓 (𝑘) (𝑥𝑜 )
𝑃𝑛 (𝑥) = ∑ (𝑥 − 𝑥0 )𝑘
𝑘!
𝑘=0

𝑓 ′ (𝑥𝑜 ) 𝑓 ′′ (𝑥𝑜 ) 𝑓 ′′′ (𝑥𝑜 ) 𝑓 (𝑛) (𝑥𝑜 )

𝑃𝑛 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2 + (𝑥 − 𝑥0 )3 + ⋯ + (𝑥 − 𝑥0 )𝑛
1! 2! 3! 𝑛!
es el polinomio de Taylor de grado n para f en x0, y

𝑓 (𝑛+1) (𝜉𝑥 )
𝑅𝑛 (𝑥) = (𝑥 − 𝑥0 )(𝑛+1)
(𝑛 + 1)!

donde ξx es un punto entre x0 y x, y Rn(x) es el resto n-ésimo de Taylor de f en x0.

La función es también igual a

∞
𝑓 (𝑘) (𝑥𝑜 )
𝑓(𝑥) = ∑ (𝑥 − 𝑥0 )𝑘
𝑘!
𝑘=0

Ejemplo.
Obtener el desarrollo de la serie de Taylor para f(x)=lnx en x0=1 y obtener el
ln(1.1) en cuatro decimales con un error menor a 0.00005.
Obtenemos las derivadas de la función:
1 ′′ 1 1∙2 1∙2∙3 (𝑛)
(−1)𝑛−1 (𝑛 − 1)!
𝑓 ′ (𝑥) = ; 𝑓 (𝑥) = − 2 ; 𝑓 ′′′ (𝑥) = 3 ; 𝑓 𝑖𝑣 (𝑥) = − , … , 𝑓 (𝑥) =
𝑥 𝑥 𝑥 𝑥4 𝑥𝑛

1 1 1∙2 1∙2∙3
𝑓(1) = ln(1) = 0; 𝑓 ′ (1) = = 1; 𝑓 ′′ (1) = − 2 = −1!; 𝑓 ′′′ (1) = = 2!; 𝑓 𝑖𝑣 (1) = − = 3!, … ,
1 1 1 14
(−1)𝑛−1 (𝑛 − 1)!
𝑓 (𝑛) (1) = = (−1)𝑛−1 (𝑛 − 1)!
1𝑛
Así
(𝑥 − 1) ∙ 1 (𝑥 − 1)2 ∙ 1! (𝑥 − 1)3 ∙ 2! (𝑥 − 1)𝑛 ∙ (−1)𝑛−1 (𝑛 − 1)!
𝑙𝑛𝑥 ≈ − + − ⋯+
1! 2! 3! 𝑛!
(𝑥 − 1) ∙ 1 (𝑥 − 1)2 ∙ 1! (𝑥 − 1)3 ∙ 2! (𝑥 − 1)𝑛 ∙ (−1)𝑛−1 (𝑛 − 1)!
𝑙𝑛𝑥 ≈ − + − ⋯+
1! 2 ∙ 1! 3 ∙ 2! 𝑛 ∙ (𝑛 − 1)!
(𝑥 − 1) (𝑥 − 1)2 (𝑥 − 1)3 (𝑥 − 1)𝑛 ∙ (−1)𝑛−1
𝑙𝑛𝑥 ≈ 𝑙𝑛1 + − + − ⋯+
1 2 3 𝑛
O
∞
(𝑥 − 1)𝑘 ∙ (−1)𝑘−1
𝑙𝑛𝑥 = ∑
𝑘
𝑘=0

(𝑥−1)𝑛 ∙(−1)𝑛−1 (𝑥−1)𝑛

Al considerar |𝑅𝑛 (𝑥)| < | |=| |, se tendría
𝑛 𝑛

(1.1 − 1)𝑛 (0.1)𝑛

|𝑅𝑛 (1.1)| < | |=
𝑛 𝑛
(0.1)3
Si n=3, se tiene 3
= 0.0033 > 0.00005

(0.1)4
Si n=4, se tiene 4
= 0.000025 < 0.00005

Por tanto, se tiene

(1.1 − 1) (1.1 − 1)2 (1.1 − 1)3
𝑙𝑛𝑥 ≈ 𝑙𝑛1 + − − = 0.09533
1 2 3
Que es el valor aproximado de ln(1.1).
EJERCICIOS.
1) Si un determinado cálculo produce como resultado 1.2345×1012 siendo el
valor exacto esperado 1.2331 × 1012. Calcula: El error absoluto y relativo.
2) Se tiene un rectángulo cuyos lados han sido medidos aproximadamente en:
l = 3 metros h = 2 metros ¿Cuál es el error permisible con que deben ser
medidos l y h, si se desea obtener el área del rectángulo con un error no
mayor al 5 %?
3) Sean:
𝑒𝑥 − 1 − 𝑥 1 𝑥 𝑥2
𝑓(𝑥) = 𝑦 𝑃(𝑥) = + +
𝑥2 2 6 24
Calcular f(0.01) y P(0.01) con 6 cifras significativas. Teniendo en cuenta que
P(x) es el polinomio de grado 2 de f(x), ¿cuál de los dos resultados es más
correcto?
4) Sean p1 = 1.414 y p2 = 0.09125, que están dados con 4 cifras significativas.
Hallar el resultado más adecuado para p1 + p2 y p1·p2.
5) La pérdida de cifras significativas se puede evitar reordenando los cálculos.
Hallar en el siguiente caso una forma equivalente que evite la pérdida de
cifras significativas para valores grandes de x:
√𝑥 2 + 1 − 𝑥
6) Calcular √1.1 en cuatro decimales con un error de 0.00005 expandiendo
mediante la serie de Taylor la función 𝑓(𝑥) = √𝑥 en x0=1.