Vous êtes sur la page 1sur 7

F13.

1 Análisis Numérico L2 1

El objetivo del calculo es la comprensión, no los números

R.W. Hamming

1. Errores
Tener presente que existen dos tipos de errores que casi siempre se manifiestan en los
cálculos mediante las computadoras:

(a) El error de truncamiento

(b) El error de redondeo

El primer tipo de error, a es debido a las aproximaciones utilizadas en la formula matemática


del modelo y el error de redondeo (b) está asociado al número limitado de dı́gitos con que
se representan los números en la computadora.
Hay dos formas de definir el error

Definición 1 Sea x un número real y x̃ su aproximación o resultado del computo. El


error absoluto en la aproximación x ≈ x̃ se define como |x̃ − x|. El error relativo se define
como:
|x̃ − x|
δ=
x
.
Decimos que que la aproximación x̃ tiene k dı́gitos decimales significativos si el error
relativo es < 5 × 10−k−1 .
Ejemplo:
Si consideramos x=0.00347 redondeado a x̃ = 0.0035 y y=30.158 redondeado a ỹ=30.16
En cada caso, cuales son el número de dı́gitos significativos, errores absolutos y realativos?
Caso 1: x̃ = 0,35 × 10−2 tiene 2 dı́gitos significativos, error absoluto 0,3 × 104 y error
relativo 0,865 × 10−2
Caso 2: ỹ = 0,3016 × 102 , tiene 4 dı́gitos significativos, error absoluto 0,2 × 10−2 , error
relativos 0,66 × 10−4

Claramente el error relativo es mas informativo.

1.1. Error de truncamiento


El error de truncacamiento ocurre cuando cierto proceso infinito se aproxima con
proceso finito

1.1.1. Sucesiones y series

Sucesion Conjunto ordenado de números

a1 , a2 , a3 , . . .

Serie
a1 + a2 + a3 + . . .
F13.1 Análisis Numérico L2 2

Los terminos pueden tener diferentes signos


Convergencia y divergencia

Definición 1. Se dice que la sucesión (ai )∞


i=0 converge a b si existe un número N → 0
tal que para todo n > N tiene lugar

| ai − b |< 

, donde  es un número positivo. Si la sucesión no converge se dice que diverge

e−n → 0 cuando n → ∞, converge rápidamente


n
n+2 → 1 cuando n → ∞, convergencia lenta

Definición 2 Considerando la sucesión (ai )∞


i=0 , definiendo la suma parcial como

N
X
SN = ai
i=1

se dice la serie ∞
P
i ai converge si la secuencia P
de las sumas parciales SN tiende a cierto
número b cuando N → ∞. Entonces se escribe ∞ i=0 ai = b
Ejemplos de series mas comunes

x x2 x3 X xk
e =1+x+ + + ... = (1)
2! 3! k!
k=o


x3 x5 X x2k+1
sin(x) = x − + − ... = (−1)k (2)
3! 5! (2k + 1)!
k=o


x2 x3 X xk
ln(1 + x) = x − + − ... = (−1)k−1 , (−1 < x ≤ 1) (3)
2 3 k
k=1

En cada caso la serie representa la función dada y converge en cierto intervalo

1.1.2. Series de Taylor

Muchas de las operaciones numéricas básicas (diferenciación, integración, interpo-


lación, raices de ecuaciones, etc.) se basan en la aproximación de funciones analı́ticas f (x)
en cierto punto x por medio de polinomios o funciones mas sencillas.

h 0 h2 hm (m)
f (x) = f (a) + f (a) + f 00 (a) + . . . + f (a) + . . . (4)
1 2! m!
donde h = x − a
En la practica es obligado truncar la serie luego de cierto término, es decir

h 0 h2 hN (N )
f (x) = f (a) + f (a) + f 00 (a) + . . . + f (a) + 0(hN +1 ) (5)
1 2! N!
F13.1 Análisis Numérico L2 3

El error global se puede expresar como,

hN +1
0(hN +1 ) = f (N +1) (a + ξh) , 0≤ξ≤1 (6)
(N + 1)!
Ejemplo
Consideremos la expansión de Taylor

x2 xn
ex = 1 + x + + ... + + ..
2! n!
Si esta formula se usa para calcular f = e0,1 obtenemos:

(0,1)2 (0,1)3
f = 1 + 0,1 + + + .. (7)
2! 3!
Si truncamos la serie a 5 terminos
(0,1)2 (0,1)3 (0,1)4
f ≈ 1 + 0,1 + + + = f ∗ = 1,10517083
2! 3! 4!
El error de truncación ET
(0,1)5 (0,1)6
ET = f ∗ − f = − − − ...
5! 6!
En este caso concreto es facil de estimar el error de truncación
(0,1)5 0,1 (0,1)2 (0,1)3
 
|ET | = 1+ + + + ..
5! 6 6×7 6×7×8
(0,1)5 (0,1)2 (0,1)3
 
= ≤ 1 + 0, 1 + + + ..
5! 1×2 1×2×3
(0,1)5 0,1 0,00001
= ≤ e ≈ × 1,10517083 ≈ 10−7
5! 120

Notar que el error hallado es aproximadamente igual que el siguiente termino de


truncado, es decir
(0,1)5
= 0,8 × 10−7
5!
El teorema (4) permite estimar el valor de la función en los puntos cercanos a la
variable independiente conociendo los valores de la función f(x) y sus derivadas en el
mismo punto.
Ejemplo 1: La tabla 1 muestra los valores estimados de la función f (x) = cos(x)
mediante la serie de Taylor limitandose a 4 términos.

Cuadro 1: Aproximación de la función cos(x)

- Valor estimado valor exacto Error Error estimado mediante (??)


cos( π6 + 12
π
) 0.710897 0.707106 0.003790 0.000169
cos( 3 − π3 )
π
0.966990 1.000000 0.033010 0.025050
F13.1 Análisis Numérico L2 4

1.1.3. Error de redondeo

1.2. Representación de números en la computadora

Como se representan los números en la computadora?

Los datos se encuentran en dos tipos básicos

* Números
- Enteros (1,-7,0,26)
- Reales/Punto flotante(4/5, 3.14,-25.63)
* Letras
- Caracteres (g,#,/);simbolos tipográficos
- Lógicos (TRUE,FALSE)

Representación de datos en C/C++ y F90

Tipo en C/C++ y F90/95 bits Rango


char/CHARACTER 8 -128 a 127
int/INTEGER(2) 16 -32768 a 32767
int/long int/INTEGER(4) 32 -2147483648 a 2147483647
float/REAL(4) 32 3,4e−38 a3,4e+38
double/REAL(8) 64 1,7e−308 a1,7e+308

Conversión de números entre diferentes bases


Expresión general de un número en base q
n
X ı́nf
X
an an−1 . . . a0 .b1 b2 . . . = ak q k + bk q k
k=0 k=1

Ejemplo
(628,7932)10 = (100111010,1100101)2

1.3. Tipos de datos numéricos con punto flotante


Se utilizan para representar magnitudes fı́sicas que tienen caracter continua (tem-
peratura, velocidad, etc)

Se usa para representar números que tienen parte fraccional.

Las computadoras digitales representan a los puntos flotantes como valores discretos,
No como valores continuos.

Debido a la naturaleza finita de las maquinas, el número con punto flotante no siem-
pre pueden ser representados exactamente. En la figura 1 se presenta esquemática-
mente la representacion de los números con punto flotante

De la figura se aprecia que:


F13.1 Análisis Numérico L2 5

- Overflow - número demasiado grande para presentar


- Underflow - número demasiado pequepara presentar
- Redondeo - debido a la insufeciente precisión

El formato para los números reales difiere del software y hardware. En el formato
normalizado y notación cientı́, el número real con coma flotante se representa
En base 10
x = ±.d1 d2 d3 d4 . . . × 10n
donde d1 6= 0 Análogamente en base 2

± ± .d1 d2 d3 d4 . . . × 2n

donde d1 siempre es 1.
Eligiendo adecuadamente n se hace que d1 6= 0

- El número de dı́gitos en la mantisa especifica la precisión

- El número de dı́gitos en el exponente determina el rango

La mantisa es d1 d2 d3 d4 . . . y n el exponente, que es número entero


Ejemplo,
El número fraccionario 0.110 = 0.00011001100110011001100...2 = 1.11001100110011x2−4
En una computadora particular la mantisa se representa mediante un número finito
de d’gitos

x̃ = ±.d1 d2 d3 d4 . . . dk−1 dˆk × 2n

En el punto flotante de precisión simple, el primer bit se usa para el signo de la


mantisa, los siguientes 7 bits para el exponente y los restantes 24 bits para la mantisa.
De tal manera se puede representar los números en el intervalo

2−127 ≈ 10−38 ≤ |x| ≤ 2127 ≈ 1038

y permite representar con precisión del orden 7 dı́gitos decimales

Mediante el punto flotante de precisión doble (aritmética de 64 bits),para exponente


se utiliza 10 dı́gitos y los restantes 53 para la mantisa.

2−1023 ≈ 10−308 ≤ |x| ≤ 21023 ≈ 10308

En este caso se puede representar los números con precisión de aproximadamente 15


dı́gitos decimales.

Ejemplo Dado los números reales a=0.031415, b=0.32644, c=0.31482

Calcular
a+b×c
M=
b−c
F13.1 Análisis Numérico L2 6

usando punto flotante con mantisa de 3 dı́gitos; identificar el error de redondeo en cada
etapa de cálculo y el efecto total del error de redondeo.
La representación de los números con precisión de 3 dı́gitos::

a = 0,31415 × 10−1 ≈ 0,314̂ × 10−1 ER=-0.00001

b = 0,32644 × 100 ≈ 0,326̂ × 100 :→ ER = −0,0004

c = 0,31482 = 0,31482 × 100 ≈ 0,315 :→ ER=0.00018

X = b̃ × c̃ = b × c = 0,10269 ≈ 0,103̂ × 100 → ER = 0,00031


Y = b − c = 0,011 = 0,11 × 10−1 :→ ER=0
Z = a + X = 0,134 × 100 ER=0
Z
M= = 12,1818181 = 0,122̂ × 102 :→ ER=0.018
Y
En general, si se representa en forma x = q 2n al número real, y mediante q ∗ al número
de máquina cercano a q, entonces

|q − q ∗ | = 2−p−1

El error relativo
x − f l(x)
| | ≤ 2−p−1 = δ
x
En consecuencia se tiene que

f l(x) = x(1 + δ), |δ| ≤ 2−p−1

para la máquina que usa p dı́gitos binarios para la representación de la mantisa. El número
 = 2−p−1 que encierra el error relativo en la conversión de los número relaes en números
de máquina, se llama unidad de error de redondeo para cierta computadora. Tambien
se le conoce como el  de la máquina. El epsilon de la maquina
El epsilon de la máquina - intervalo entre 1 y el siguiente mayor número mayor positivo
tal que 1.0+ =1.0
Significa, la representación en la computadora: xc = x(1 + x ) donde x es el valor real
o actual
En cualquier operación, por ejemplo multiplicación de 2 números

a(1 + a ) = b(1 + b ) ∗ c(1 + c )


de aqui
a = b + c
el resultado puedes ser mayor o menor que el error individual.
En el caso de sustracción a = b − c

b c
a = b − c
a a
Estrategias de minimización de errores
F13.1 Análisis Numérico L2 7

Usar tipo de mayor precisión

Agrupamiento

Desarrollo de Taylor

Rescritura de la ecuación ara evitar restas

Teorema 1 Sean x0 , x1 , . . . , xn números de máquina positivos en la computadora con .


Entonces el error relativo de redondeo de la suma
n
X
xk
k=0

es como maximo (1 + )n − 1 ≈ n

Teorema 2 (Teorema acerca de la perdida de precisión) Si x y y son números de


máquina binarios positivos normalizados tal que x > y, y
y
2−q ≤ 1 − ≤ 2−p
x
entonces en la substracción x − y se van a perder como maximo q y como mı́nimo p dı́gitos
binarios significativos