ANÁLISIS

NUMÉRICO

UNIDAD 1

José Guadalupe Espejel

Paniagua
CONOCIMIENTO PREVIO

Graficar la respuesta en función de la ecuación.

1.1 ORIGEN Y EVOLUCION DEL ANALISIS NUMERICO

Debido a la estrecha relación existente entre las diferentes

ramas de la Ciencia (y en particular de las Matematicas), no es
fácil determinar donde acaba una y empieza otra.
Por ello la extensión exacta del Análisis Numérico no es conocida. De
hecho, el concepto de Análisis Numérico no fue creado hasta 1947
en que se fundo el Instituto de Análisis Numérico en la Universidad
de California.

Sin embargo, el nombre parece estar asociado a aquellos temas que

requieran un procesamientos de datos. Como la extensión de estos
temas es considerable (puede ir, por ejemplo, desde la interpretación
de datos médicos hasta la reserva automática de plazas de avión o
gestión de una biblioteca), nos limitaremos a ciertos aspectos
matemáticos de la idea
Al principio, la mayor parte del trabajo que se efectuaba en el campo
de las Matemáticas, inspirado por cuestiones y problemas concretos,
se basaba en métodos constructivos para determinar la solución
(predicciones sobre eclipses, aparición de un cometa, etc...).

El punto culminante de la utilización de los algoritmos esta en Euler

(1707–1783), que en los 70 volúmenes que comprenden sus trabajos
incluye gran numero de algoritmos y formulas. Los algoritmos infinitos
que presenta, aparecen, normalmente, como desarrollos en serie.
 1.2. RAZONES DE SU APLICACIÓN.

1. Los métodos numéricos son herramientas muy poderosas

para la solución de problemas. Son capaces de manipular
sistemas de ecuaciones grandes, manejar no linealidades y
resolver geometrías complicadas, comunes en la práctica de
la ingeniería y, a menudo, imposibles de resolver en forma
analítica. Por lo tanto, aumentan la habilidad de quien los
estudia para resolver problemas.
Podríamos decir que si desde la antigüedad hasta 1945 la
velocidad de calculo se había multiplicado por 10 mediante
rudimentarios artefactos (como el ábaco), desde entonces hasta
ahora se ha multiplicado por un millón o mas. Esto supone que 1
hora de trabajo de ordenador equivale a 200 anos de trabajo de
una persona, lo que permite realizar tareas inalcanzables en
otros tiempos.

Esto no significa que todos los algoritmos puedan ser tratados

por un ordenador, pues algunos exigen mas de 100 anos de
trabajo del ordenador actual mas potente para poder ser
llevados a cabo
1.3. CONCEPTOS DE EXACTITUD, PRECISIÓN Y ERROR.

En seguida, se estudia uno de los dos errores numéricos más comunes:

errores de redondeo. Los errores de redondeo se deben a que la
computadora tan sólo representa cantidades con un número finito de
dígitos.

Los errores de truncamiento representan la diferencia entre una

formulación matemática exacta de un problema y su aproximación
obtenida por un método numérico.

Por último, se analizan los errores que no están relacionados

directamente con el método numérico en sí. Éstos son equivocaciones,
errores de formulación o del modelo, y la incertidumbre en la
obtención de los datos, entre otros.
El concepto de cifras o dígitos significativos se ha desarrollado
para designar formalmente la confiabilidad de un valor numérico.
Las cifras significativas de un número son aquellas que pueden
utilizarse en forma confiable. Se trata del número de dígitos que se
ofrecen con certeza, más uno estimado.

Aunque, por lo común, determinar las cifras significativas de un número

es un procedimiento sencillo, en algunos casos genera cierta confusión.

Por ejemplo, los ceros no siempre son cifras significativas, ya que pueden
usarse sólo para ubicar el punto decimal: los números 0.00001845,
0.0001845 y 0.001845 tienen cuatro cifras significativas.
Asimismo, cuando se incluye ceros en números muy grandes, no queda claro
cuántos son significativos.

Por ejemplo, el número 45300 puede tener tres, cuatro o cinco dígitos
significativos, dependiendo de si los ceros se conocen o no con exactitud.
El concepto de cifras significativas tiene dos implicaciones
importantes en el estudio de los métodos numéricos.

1. Los métodos numéricos dan resultados aproximados. Por lo tanto,

se deben desarrollar criterios para especificar qué tan confiables son
dichos resultados. Una manera de hacerlo es en términos de cifras
significativas. Por ejemplo, es posible afirmar que la aproximación es
aceptable siempre y cuando sea correcta con cuatro cifras
significativas.
2. Aunque ciertas cantidades tales como π, e, o 7 representan
cantidades específicas, no se pueden expresar exactamente con un
número finito de dígitos.

Por ejemplo, π = 3.141592653589793238462643...

hasta el infinito. Como las computadoras retienen sólo un número

finito de cifras significativas, tales números jamás se podrán
representar con exactitud. A la omisión del resto de cifras
significativas se le conoce como error de redondeo.
La exactitud se refiere a qué
tan cercano está el valor
calculado o medido del valor
verdadero.

La precisión se refiere a qué tan

cercanos se encuentran, unos
de otros, diversos valores
calculados o medidos.
La inexactitud (conocida también como sesgo) se define como una
desviación sistemática del valor verdadero.

Por lo tanto, aunque los disparos en la figura 3.2c están más juntos
que los de la figura 3.2a, los dos casos son igualmente inexactos, ya
que ambos se centran en la esquina superior izquierda del blanco

La imprecisión (también llamada incertidumbre), por otro lado, se

refiere a la magnitud en la dispersión de los disparos.

Por consiguiente, aunque las figuras 3.2b y 3.2d son igualmente

exactas (esto es, igualmente centradas respecto al blanco), la última
es más precisa, pues los disparos están agrupados en forma más
compacta.
Los errores numéricos surgen del uso de aproximaciones para
representar operaciones y cantidades matemáticas exactas. Éstas
incluyen los errores de truncamiento que resultan del empleo de
aproximaciones como un procedimiento matemático exacto, y los
errores de redondeo que se producen cuando se usan números que
tienen un límite de cifras significativas para representar números
exactos.

Valor verdadero = Valor aproximado + error (3.1)

Reordenando la ecuación (3.1) se encuentra que el error numérico es

igual a la diferencia entre el valor verdadero y el valor aproximado, es
decir
 𝐸𝑡 = 𝑉𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 (3.2)

donde Et se usa para denotar el valor exacto del error. El subíndice t

indica que se trata del error “verdadero” (true)

Una desventaja en esta definición es que no toma en consideración el

orden de la magnitud del valor que se estima. Por ejemplo, un error
de un centímetro es mucho más significativo si se está midiendo un
remache en lugar de un puente.

Una manera de tomar en cuenta las magnitudes de las cantidades que

se evalúan consiste en normalizar el error respecto al valor
verdadero, es decir
En los métodos numéricos, el valor verdadero sólo se conocerá
cuando se tengan funciones que se resuelvan analíticamente. Éste
comúnmente será el caso cuando se estudie el comportamiento
teórico de una técnica específica para sistemas simples.

Sin embargo, en muchas aplicaciones reales, no se conoce a priori

la respuesta verdadera. Entonces en dichos casos, una alternativa es
normalizar el error, usando la mejor estimación posible al valor
verdadero; es decir, para la aproximación misma, como en donde el
subíndice a significa que el error está normalizado a un valor
aproximado.
Uno de los retos que enfrentan los métodos numéricos es el de
determinar estimaciones del error en ausencia del conocimiento de
los valores verdaderos.

Por ejemplo, ciertos métodos numéricos usan un método iterativo

para calcular los resultados. En tales métodos se hace una
aproximación considerando la aproximación anterior. Este proceso
se efectúa varias veces, o de forma iterativa, para calcular en forma
sucesiva, esperando cada vez mejores aproximaciones.
Es conveniente también relacionar estos errores con el número
de cifras significativas en la aproximación. Es posible demostrar
(Scarborough, 1966) que si el siguiente criterio se cumple, se
tendrá la seguridad que el resultado es correcto en al menos n
cifras significativas.
ERRORES DE REDONDEO

Como se mencionó antes, los errores de redondeo se

originan debido a que la computadora emplea un número
determinado de cifras significativas durante un cálculo. Los
números tales como π, e o 7 no pueden expresarse con un
número fijo de cifras significativas. Por lo tanto, no pueden
ser representados exactamente por la computadora.

Además, debido a que las computadoras usan una

representación en base 2, no pueden representar
exactamente algunos números en base 10. Esta discrepancia
por la omisión de cifras significativas se llama error de
redondeo.
Numéricamente los errores de redondeo se
relacionan de manera directa con la forma en que
se guardan los números en la memoria de la
computadora. La unidad fundamental mediante la
cual se representa la información se llama palabra.

Ésta es una entidad que consiste en una cadena de

dígitos binarios o bits (binary digits). Por lo común,
los números son guardados en una o más palabras.
Sistemas numéricos.

Sistemas numéricos. Un sistema numérico es simplemente una

convención para representar cantidades. Debido a que se tienen
10 dedos en las manos y 10 dedos en los pies, el sistema de
numeración que nos es muy familiar es el decimal o de base 10.

Una base es el número que se usa como referencia para

construir un sistema. El sistema de base 10 utiliza 10 dígitos (0,
1, 2, 3, 4, 5, 6, 7, 8, 9) para representar números. Tales dígitos
son satisfactorios por sí mismos para contar de 0 a 9.
La figura 3.3a ofrece una representación de cómo se formula
un número en el sistema de base 10. Este tipo de
representación se llama notación posicional.
Del mismo modo que con el sistema decimal, las cantidades
pueden representarse usando la notación posicional. Por
ejemplo, el número binario 11 es equivalente a (𝟏𝒙𝟐𝟏 ) +
(𝟏𝒙𝟐𝟎 ) = 2 + 1 = 3 en el sistema decimal. En la figura 3.3b se
ilustra un ejemplo más complejo.
Representación entera.

El método más sencillo se denomina método de magnitud

con signo y emplea el primer bit de una palabra para indicar
el signo: con un 0 para positivo y un 1 para el negativo.

Los bits sobrantes se usan para guardar el número. Por

ejemplo, el valor entero –173 puede guardarse en la
memoria de una computadora de 16 bits como se muestra en
la figura 3.4.
Representación del punto-flotante.

Las cantidades fraccionarias generalmente se representan en

la computadora usando la forma de punto flotante. Con este
método, el número se expresa como una parte fraccionaria,
llamada mantisa o significando, y una parte entera,
denominada exponente o característica, esto es,
donde m = la mantisa, b = la base del sistema numérico que
se va a utilizar y e = el exponente.
Por ejemplo, el número 156.78 se representa como 0.15678 ×
103 en un sistema de base 10 de punto flotante.

En 1a figura 3.5 se muestra una forma en que el número de

punto flotante se guarda en una palabra.
El primer bit se reserva para el signo; la siguiente serie de
bits, para el exponente con signo; y los últimos bits, para la
mantisa.
Entonces, 1/34 = 0.029411765… se guardaría como 0.0294 ×
l0°

para eliminar el cero multiplicando la mantisa por 10 y

dimismuyendo el exponente en 1, para quedar
0.2941 × 10–1.

Así, se conserva una cifra significativa adicional al guardar el

número.
La consecuencia de la normalización es que el valor absoluto de
m queda limitado. Esto es,

1
---- ≤ m < 1 (3.8)
b
donde b = la base. Por ejemplo, para un sistema de base 10, m
estaría entre 0.1 y 1; y para un sistema de base 2, entre 0.5 y 1.