TEORÍA DE

ERRORES

CAPÍTULO 1 Errores y Series de Taylor

 Representación de números en el
computador

∞
𝑥 𝑖 𝑥 2 𝑥 3
𝑒𝑥 = ෍ = 1 + 𝑥 + + + ⋯.
𝑖! 2! 3!
𝑖=0

• Error de modelado: Depende de la afinidad del modelo

con la situación real que se quiere representar. Por
ejemplo: al calcular un momento de inercia suponer
toda la masa concentrada en un punto.
• Error experimental (medición): Al representar
mediante un modelo matemático una situación
física es necesario usar valores medidos con error
o representados de forma imperfecta.
• Error por fallos: Los errores no sistemáticos
(ocasionales) que cometen los humanos. Por
ejemplo: lectura errónea de un valor, escritura
errónea de un dato.
• Error propagado: Es el error en los pasos
sucesivos de un proceso debido a un error previo,
es adicional a los otros errores; es similar a los
errores en las condiciones iniciales.
 Representación de números en el
computador
Sistemas de Punto Fijo.
Se representa cada número mediante el
formato:
+
𝑑1 𝑑2 … 𝑑𝑘 . 𝑑𝑘+1 𝑑𝑘+2 … . 𝑑𝑛
−
Cada dígito se representa en el sistema de
numeración de base  propio del dispositivo
de cálculo (normalmente binario).
El punto de fracción y la cantidad de dígitos
en la parte fraccionaria son fijos.
Sistemas de Punto Flotante (spf):
Se representa cada número mediante el formato:

+
. 𝑑1 𝑑2 … 𝑑𝑘 × 𝛽𝑒
−
⚫ Cada dígito se representa en el sistema de numeración de base  propio
del dispositivo de cálculo (normalmente binario).
⚫ La parte fraccionaria se denomina mantisa, es de longitud fija. El
exponente también se representa como un número en el sistema de base
, también de longitud fija.
⚫  = base del sistema (usualmente 2, 8, 10, 16).
⚫ p = número de dígitos significativos, es decir la precisión.
⚫ e = exponente entero que varía entre emín y emáx
⚫ Se suele representar el spf mediante la notación
F(, p, emin , emax)
– La mayoría de los spf son normalizados, lo que
significa que para representar un número siempre se
ajusta el exponente para que d1 sea distinto de cero
(d1 ≠ 0).

– El número cero se representa como un caso especial

donde todos los dígitos y el exponente se hacen cero.

– Debido a que la cantidad de dígitos en la mantisa es

fija, el total de números que se pueden representar es
finito.
 – El epsilon del spf es la diferencia más pequeña entre dos valores
que se puede identificar en el sistema y determina la
“sensibilidad” del spf. Su cálculo se estandariza tomando el
menor número del spf que, cuando se suma al uno (1) de punto
flotante, produce un resultado diferente de uno.

– Por ejemplo en el sistema F(2, 2, -2, 3) es fácil ver que el epsilon

vale ½, que es un valor bastante grande comparado con el
menor número diferente de cero que se puede representar.

1
3 =
2
16

0 1 1 3 1 3 1 3 2 3 4 6
8 4 8 2 4 2
 Errores: Absoluto y Relativo
• Hay dos formas de expresar el tamaño del error en los
resultados de un cálculo, el Error Absoluto y el Error
Relativo.
– Error absoluto. Sea x0 una aproximación del valor exacto x,
entonces:
error absoluto: e = e (x) = |x − x0|
– Se trata de una medida cuantitativa del error, mide exactamente lo
que dista la aproximación x0 del valor exacto x.
– Error relativo. Sea x0 una aproximación del valor exacto x,
entonces:
error relativo: e = e(x) = e / |x|
– Se trata de una medida cualitativa del error, mide lo proporcionada
que es la aproximación x0 en relación con la magnitud del valor
exacto x.
• Error absoluto y cifras decimales exactas.
– Sea x0 una aproximación del valor exacto x. Se dice que x0
aproxima a x con p cifras decimales exactas cuando
e ≤ 0.5 × 10-p
– Esto no quiere decir que las p primeras cifras decimales de x y x0
necesariamente coincidan: 1.9999 aproxima a 2 con sus tres cifras
decimales exactas.

• Propagación del error absoluto.

– Normalmente, en un proceso numérico se parte de una
aproximación x0 de un valor exacto x con idea de aplicar una cierta
función f para aproximar el valor f(x) mediante f(x0). En este
proceso, el error absoluto e(x) se propaga a través de cada cálculo
según:
e(f (x)) = |f (x) − f (x0)|  |f '(x)|  |e(x)|  |f '(x)||x − x0|
• Error relativo y dígitos significativos.
– Sea x0 una aproximación del valor exacto x. Se dice
que x0 tiene p dígitos significativos respecto del valor
exacto x cuando
e ≤ 0.5 × 10-p

– En las mediciones científicas es usualmente el error

relativo el que resulta relevante. La información
acerca del error absoluto es poco útil si no se conoce
la magnitud de la cantidad que se está midiendo. Por
ejemplo, un error de sólo un metro al medir la
distancia entre dos ciudades es asombroso, sin
embargo es inaceptable si medimos la altura de una
persona.
• Pérdida de dígitos significativos.

– Los errores de redondeo son muy difíciles de controlar,

pero se pueden controlar los errores de pérdida de
dígitos significativos que ocurren en los cálculos por
restar dos números de punto flotante cercanos entre sí.
– Siempre que se deba ajustar el punto de fracción para
normalizar un resultado, se añaden ceros en el lado
derecho. Estos ceros carecen de sentido y no
representan una exactitud adicional.
– Por ejemplo:
x-x = .3721478693
x-y = .3720230572
x-y =.0001248121
• Pérdida de dígitos significativos.
– Se debe evitar la sustracción de cantidades casi iguales. Para
esto el programador debe tomar las precauciones para que este
caso no suceda inadvertidamente en los cálculos.
– Por ejemplo:
y  x2 + 1 −1

implica una cancelación por sustracción y pérdida de dígitos

significativos para valores de x pequeños. ¿Cómo se evita este
problema?
– Para los valores de x pequeños podemos representar la función
mediante:
 x +1 +1
2 2
x
y = x + 1 − 1
2 =
 x +1 +1
2
x2 +1 +1
 
que no implica pérdida de dígitos significativos.
• Cálculos estables e inestables.
– Otro tema de frecuente aparición en el análisis numérico es la
distinción entre los procesos numéricos que son estables y los que
no lo son. Un concepto muy relacionado es el de problema bien
condicionado o mal condicionado.

– Un proceso numérico es inestable cuando los pequeños errores

que se producen en alguna de sus etapas se agrandan en etapas
posteriores y degradan la calidad de los resultados.

– Un problema está mal condicionado si pequeños cambios en los

datos de entrada pueden dar lugar a grandes cambios en las
respuestas.
 ORDEN DE CONVERGENCIA Y CONCEPTOS
BÁSICOS

• Sucesiones y convergencia.
– Muchos de los métodos numéricos generan sucesiones
(de números reales o de vectores) que convergen a la
solución del problema al que se aplican. Por ejemplo, el
método de Newton para el cálculo de las raíces de una
ecuación, genera una sucesión de números xn que, bajo
condiciones bien definidas, convergerá a la solución a
tal que f(a)=0.
– Es deseable conocer además de la convergencia de la
sucesión, la velocidad a la que lo hace, pues esto
permite decidir entre los diferentes métodos numéricos
aplicables a un problema particular.
– El concepto de orden de convergencia es una forma de
medir la velocidad a la que converge una sucesión.
• Orden de convergencia.
– Lineal. Sea xn una sucesión de números reales que tiende a un
límite x*, entonces el orden de convergencia de la sucesión hacia
su límite es lineal si existe una constante c < 1 y una entero N tales
que
|xn+1 – x*| ≤ c |xn – x*| , para n ≥ N.
– Cuadrática. La convergencia es al menos cuadrática si hay una
constante C y un entero N tales que
|xn+1 – x*| ≤ C |xn – x*|2 , para n ≥ N.
– Cúbica y mayor. En general si hay dos constantes C y a y un
entero N tales que
|xn+1 – x*| ≤ C |xn – x*|a , para n ≥ N.
se dice que el orden de convergencia es al menos a
 Aproximaciones
• Los métodos numéricos constituyen procedimientos alternativos
provechosos para resolver problemas matemáticos para los cuales
se dificulta la utilización de métodos analíticos tradicionales y,
ocasionalmente, son la única opción posible de solución.
• Son técnicas mediante las cuales un modelo matemático es
resuelto usando solamente operaciones aritméticas, … tediosos
cálculos aritméticos.
• Son técnicas sistemáticas cuyos resultados son aproximaciones del
verdadero valor que asume la variable de interés; la repetición
consistente de la técnica, a lo cual se le denomina iteraciones, es lo
que permite acercarse cada vez más al valor buscado.
Aproximaciones
 Aproximación numérica

• Se entiende por aproximación numérica X* una cifra

que representa a un número cuyo valor exacto es X.
En la medida en que la cifra X* se acerca más al
valor exacto X, será una mejor aproximación de ese
número
• Ejemplos:
– 3.1416 es una aproximación numérica de ,
– 2.7183 es una aproximación numérica de e,
– 1.4142 es una aproximación numérica de 2, y
– 0.333333 es una aproximación numérica de 1/3.
 Convergencia y estabilidad
• Se entiende por convergencia de un método numérico la garantía de
que, al realizar un “buen número” de iteraciones, las aproximaciones
obtenidas terminan por acercarse cada vez más al verdadero valor
buscado.
• En la medida en la que un método numérico requiera de un menor
número de iteraciones que otro, para acercarse al valor deseado, se
dice que tiene una mayor rapidez de convergencia.
• Se entiende por estabilidad de un método numérico el nivel de garantía
de convergencia, y es que algunos métodos numéricos no siempre
convergen y, por el contrario, divergen; esto es, se alejan cada vez más
del resultado deseado.
• En la medida en la que un método numérico, ante una muy amplia gama
de posibilidades de modelado matemático, es más seguro que converja
que otro, se dice que tiene una mayor estabilidad.
• Es común encontrar métodos que convergen rápidamente, pero que son
muy inestables y, en contraparte, modelos muy estables, pero de lenta
convergencia.
 Serie de Taylor

• La serie de Taylor es, sin duda, el fundamento

matemático más importante para comprender, manejar y
formular métodos numéricos que se basan en la
aproximación de funciones por medio de polinomios.

• Aunque a veces no sea muy evidente, la mayoría de los

métodos numéricos se basan en la aproximación de
funciones por medio de polinomios.
 Serie de Taylor
• La expansión de Taylor de una función, es una serie infinita de
potencias que representa, de manera exacta, el comportamiento de la
función en la vecindad de un punto dado.

• Si se ignoran todos los términos de la serie de Taylor, excepto unos

cuantos, se obtiene un polinomio que aproxima a la función verdadera.

• El error del método numérico depende de la precisión con la que el

polinomio aproxima a a la función verdadera.
• Los errores por truncamiento se evalúan a través de la comparación
del desarrollo polinomial de la solución numérica, con la serie de
Taylor, de la solución exacta.
 Fórmulas de Taylor y Mac Laurin

A la expresión:

Y a la expresión:
• Ejemplos: Los desarrollos en serie de Taylor de e-x y de sen x, en la
vecindad de x = 1, son respectivamente:

-x -1 -1 h2 -1 h3 -1 h4 -1
e = e - he + e - e + e - ...
2! 3! 4!
h2 h3 h4
sen(x) = sen(1) + h  cos(1) − sen(1) − cos(1) + sen(1) + ...
2! 3! 4!
El desarrollo en serie de Taylor de una función alrededor de x = 0 recibe el
nombre de serie de Maclaurin; por ejemplo: ex, cos x, y ln(x+1)
x x2 x3 x4
e =1+x+ + + + ...
2! 3! 4!
x2 x4 x6 x8
cos(x) = 1 − + − + − ...
2! 4! 6! 8!
x2 x3 x4
ln(x + 1) = x + + + + ...
2 3 4
• Ejemplo. Aproximar la función f(X) = cos X en 30, conociendo los valores
de la función y el de sus derivadas para 0 y considerando los primeros
siete términos de la expansión en serie de Taylor. No olvidemos trabajar
en radianes:
Xi = 0 = 0 ; Xi+1 = 30 = /6 ; h = Xi+1 - Xi =  /6 - 0 =  /6

f(X) = f(Xi) + f'(Xi)h + f''(Xi)h2/2! + f'''(Xi)h3/3! + fiv(Xi)h4/4! + fv(Xi)h5/5! + fvi(Xi)h6/6!

f(X) = cos X f(0) = cos 0 = 1

f'(X) = - sen X f'(0) = - sen 0 = 0
f''(X) = - cos X f''(0) = - cos 0 = - 1
f'''(X) = sen X f'''(0) = sen 0 = 0
fiv(X) = cos X fiv(0) = cos 0 = 1
fv(X) = - sen X fv(0) = - sen 0 = 0
fvi(X) = - cos X fvi(0) = - cos 0 = - 1
• Son los errores que resultan al usar una
aproximación en lugar de un procedimiento
matemático exacto. Por ejemplo cuando se
aproxima la derivada de una función por sus
incrementos.
𝑑𝑣 ∆𝑣 𝑣𝑡𝑖+1 −𝑣𝑡𝑖
≅ = .
𝑑𝑡 ∆𝑡 𝑡𝑖+1 . −𝑡𝑖

• Una herramienta usualmente usada para

aproximar funciones son las Series de Taylor.
Queremos calcular el error de truncamiento al aproximar la
velocidad de un objeto por la aproximación:
𝑑𝑣 ∆𝑣 𝑣𝑡𝑖+1 −𝑣𝑡𝑖
≅ =
𝑑𝑡 ∆𝑡 𝑡𝑖+1 . −𝑡𝑖

𝑣 𝑡 𝑠𝑒 𝑝𝑢𝑒𝑑𝑒 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑟 𝑝𝑜𝑟 𝑢𝑛 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑑𝑒 𝑇𝑎𝑦𝑙𝑜𝑟

𝑑𝑒 𝑙𝑎 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑚𝑎𝑛𝑒𝑟𝑎:

Truncando la serie después del término con la primera

derivada
La primera parte de la expresión es la usada para aproximar la
velocidad, la segunda expresa el error en dicha aproximación.
Dado que:
𝑣 ′′ ξ
𝑅1 (x)= (𝑡𝑖+1 − 𝑡𝑖 )2 .
2!

Tenemos:
 EJERCICIOS
PROBLEMA:

1. Encuentre un valor aproximado para

sen(35º) utilizando un polinomio de Taylor
de grado 3 y estime el error.
SOLUCIÓN:

Al igual que cuando utilizamos la recta tangente para

efectuar aproximaciones, queremos aproximar a la
función 𝑠𝑒𝑛(𝑥) en el valor de 35º, para lo cual debemos
conocer a 𝑓 y sus derivadas en un punto 𝑥𝑜 cercano a
éste el cual es 𝑥𝑜 = 𝜋/6 (30º expresados en radianes),
es decir:
𝑎) 𝑓 𝑥 = 𝑠𝑒𝑛 𝑥

𝜋
𝑏) 𝑥𝑜 = 0° en radianes
6
 Bibliografía
• R.L. Burden y J.D. Faires: Análisis Numérico.
International Thomson Editores (1998). (Libro texto del
curso)

• C.F. Gerald y P.O. Wheatley: Análisis Numérico con

aplicaciones. Pearson Educación (2000).

• D. Kincaid y W. Cheney: Análisis numérico. Addison-

Wesley Iberoamericana (1994).

• S. Nakamura: Análisis Numérico y Visualización Gráfica

con Matlab.