Métodos numéricos
3. Aproximaciones y errores de redondeo
Chapra, Canale, Victor Sánchez Urrutia
Universidad Tecnológica de Panamá
Errores
Para muchos problemas ingenieriles no se pueden
obtener soluciones analíticas.
Los métodos numéricos proporcionan resultados
aproximados, resultados que son cercanos a la solución
analítica.
No podemos calcular los errores asociados con los
métodos numéricos:
Rara vez los datos son exactos, así que probablemente
hay errores en la información de entrada.
Los algoritmos usados también pueden introducir
errores como redondeos inevitables.
La información de salida tendrá errores debido a ambas
fuentes. ¿Cómo podemos tener confianza en los
resultados aproximados?
La pregunta es ¿cuánto error está presente en
nuestros cálculos y es tolerable?
Definiciones
Exactitud ¿qué tan cercano está el valor calculado al real?
Precisión se refiere a que tan cercanos, entre ellos, están
los valores calculados o medidos. También
llamada reproducibilidad.
Inexactitud (o sesgo) es una desviación sistemática del valor
real.
Imprecisión o incertidumbre representa la magnitud de la
desviación.
Cifras significativas
El número de cifras significativas da una indicación de la
precisión.
Las cifras significativas son la cantidad de dígitos que
pueden ser usados con confianza: la cantidad de dígitos
conocidos con certeza + un dígito estimado.
53, 800 ¿Cuantas cifras significativas?
Cifras significativas
El número de cifras significativas da una indicación de la
precisión.
Las cifras significativas son la cantidad de dígitos que
pueden ser usados con confianza: la cantidad de dígitos
conocidos con certeza + un dígito estimado.
53, 800 ¿Cuantas cifras significativas?
5.38 × 104
Cifras significativas
El número de cifras significativas da una indicación de la
precisión.
Las cifras significativas son la cantidad de dígitos que
pueden ser usados con confianza: la cantidad de dígitos
conocidos con certeza + un dígito estimado.
53, 800 ¿Cuantas cifras significativas?
5.38 × 104 3
4
5.380 × 10
Cifras significativas
El número de cifras significativas da una indicación de la
precisión.
Las cifras significativas son la cantidad de dígitos que
pueden ser usados con confianza: la cantidad de dígitos
conocidos con certeza + un dígito estimado.
53, 800 ¿Cuantas cifras significativas?
5.38 × 104 3
4
5.380 × 10 4
4
5.3800 × 10
Cifras significativas
El número de cifras significativas da una indicación de la
precisión.
Las cifras significativas son la cantidad de dígitos que
pueden ser usados con confianza: la cantidad de dígitos
conocidos con certeza + un dígito estimado.
53, 800 ¿Cuantas cifras significativas?
5.38 × 104 3
4
5.380 × 10 4
4
5.3800 × 10 5
El mismo problema con los ceros ocurre cuando son usados
después del punto decimal:
0.00001753
Definiciones de errores
Valor Verdadero = Aproximación + Error
Et = Valor Verdadero − Aproximación
error verdadero
Error relativo verdadero =
valor verdadero
error verdadero
Error relativo verdadero porcentual t = ×100 %
valor verdadero
Errores aproximados
En métodos numéricos el error verdadero solo se puede
conocer cuando tenemos resultados analíticos. En
problemas reales esto no se da.
El error aproximado:
Error aproximado
a = × 100 %
Aproximación
En el caso de algoritmos iterativos:
aproximación actual − aproximación previa
a = × 100 %
aproximación actual
Se usa el valor absoluto.
La idea en los algoritmos iterativos es refinar la solución
hasta que el error sea menor a un error aceptable:
a ≤ s
Cifras significativas y error
Se puede probar que si el error s está relacionado al
número de cifras significativas n:
s = (0.5 × 102−n ) %
Errores de redondeo
√
Los números como π , e o 2 no pueden ser
representados por un número finito de cifras
significativas.
Algunos números exactos en base-10 no pueden ser
representados de forma exacta en números binarios
(base-2).
Las cantidades fraccionales son representadas en las
computadoras usando números de punto flotante:
[Link]
Representación de enteros, notación posicional
Representación de enteros en la computadora
Un bit es guardado para el signo y el resto de la
“palabra” guarda el valor.
En la realidad este tipo de representación no se usa en la
práctica. Se usa la notación de complemento-2.
Representación de puntos flotante
Normalización de los números de punto flotante
Suponga que tenemos que guardar el número 1/34 en
un sistema base-10:
1
= 0.029411765
34
Asuma que solo podemos guardar 4 cifras significativas:
0.0294 × 100
Si normalizamos la mantisa (quitando los ceros después
del punto decimal) podemos incluir un dígito más:
0.2941 × 10−1
Normalización de los números de punto flotante
Normalizar significa hacer que la mantisa sea:
1
≤m<1
b
Para la base-10: 0.1 ≤ m < 1
Para la base-2: 0.5 ≤ m < 1
El sistema de punto flotante permite representar un
enorme rango de valores. Sin embargo:
Ocupan más espacio que los enteros
Toman más tiempo para procesar
Los errores de redondeo introduce errores ya que la
mantisa solo puede guardar un número finito de cifras
significativas.
Corte vs redondeo
Ejemplo:
π = 3.14159265358 va a ser guardado en un sistema
base-10 con 7 cifras significativas.
Si cortamos: π = 3.141592, error t = 0.00000065
Si redondeamos: π = 3.141593, error t = 0.00000035
La mayoría de las computadoras simplemente corta y no
redondea ya que es más rápido y fácil y si el número de
cifras significativa es grande la diferencia en el error es
muy pequeña.
Algunos problemas con los números de punto
flotante
1 El rango de cantidades que se puede representar es
limitado.
2 Existe solo un numero finito de cantidades que se
pueden representar en ese rango.
3 El intervalo entre los numeros, ∆x, aumenta conforme
los números crecen en magnitud. Existe una relación
entre ∆x y x:
|∆x|
≤ε
|x|
donde ε es el épsilon de la máquina. Se calcula por:
ε = b1−t
donde t es la cantidad de bits de la mantisa. En
Scilab %eps = 21−53 = 2.220446049250313081D − 16
Algunos problemas con los números de punto
flotante
Ejemplo
Suponga que tiene una máquina que calcula solo 5 cifras
significativas:
Realice:
0.34566 × 108
+ 0.10000 × 101
=
Ejemplo
Suponga que tiene una máquina que calcula solo 5 cifras
significativas:
Realice:
0.34566 × 108
+ 0.10000 × 101
= 0.34566 × 108
Ejemplo
Suponga que tiene una máquina que calcula solo 5 cifras
significativas y quiere realizar la siguiente operación:
10000
X
a = 0.10000 × 106 + 0.10000 × 101
i=1
Ejemplo
Suponga que tiene una máquina que calcula solo 5 cifras
significativas y quiere realizar la siguiente operación:
10000
X
a = 0.10000 × 106 + 0.10000 × 101
i=1
Si empieza de izquierda a derecha:
10000
X
a = 0.10000 × 106 + 0.00000 × 106 = 0.10000 × 106
i=1
Ejemplo
Suponga que tiene una máquina que calcula solo 5 cifras
significativas y quiere realizar la siguiente operación:
10000
X
a = 0.10000 × 106 + 0.10000 × 101
i=1
Si empieza de izquierda a derecha:
10000
X
a = 0.10000 × 106 + 0.00000 × 106 = 0.10000 × 106
i=1
Si lo hago de derecha a izquierda (resolviendo primero la
sumatoria):
a = 0.10000 × 106 + 0.10000 × 105 = 0.11000 × 106
Ejemplo
Suponga que tiene una máquina que calcula solo 5 cifras
significativas y quiere realizar la siguiente operación:
10000
X
a = 0.10000 × 106 + 0.10000 × 101
i=1
Si empieza de izquierda a derecha:
10000
X
a = 0.10000 × 106 + 0.00000 × 106 = 0.10000 × 106
i=1
Si lo hago de derecha a izquierda (resolviendo primero la
sumatoria):
a = 0.10000 × 106 + 0.10000 × 105 = 0.11000 × 106
El error real sería:
0.10000 × 106 − 0.11000 × 106 0.10000 × 105
= = 0.01
0.11000 × 106 0.10000 × 106
