3.1.1.

Cifras significativas
La noción intuitiva de cifras significativas de un número está directamente
relacionada con la precisión de los instrumentos o procesos que lo generan. El
número de cifras significativas de un número x corresponde al número de cifras en
la mantisa de su representación en notación científica. Ya que 0.00123 =1.23x10 -3,
decimos que 0.00123 tiene tres Cifras significativas.
El número 3210 =3.210x103 posee cuatro cifras significativas. Note que, en
el ejemplo anterior, hemos mantenido el 0 de las unidades. Si el origen del número
no garantizara el valor de sus unidades, entonces deberíamos escribir
directamente 3.21010 lo que indicaría que contamos con sólo tres cifras
significativas
Sean xv y xc los valores verdadero y calculado de una cierta cantidad, con x v  xc .
Decimos que xc aproxima a xv con t cifras significativas si t es el mayor entero no
negativo para el cual

Para el caso xv = xc, xc aproxima v x con las cifras significativas propias.

Ejemplo: El número 3.1416 aproxima a 3.1415926 en 6 cifras significativas, ya
que:

Como se observa, no es necesario que coincidan los dígitos de las cifras

significativas.

Ejercicio 1 Calcular el número de cifras significativas con que 9.99 aproxima a 10.
Ejercicio 2 Calcular el número de cifras significativas con que 1005 aproxima a
1000
3.1.2. Exactitud y precisión
Los errores asociados con los cálculos y medidas se pueden caracterizar
observando su precisión y exactitud.
La precisión es el grado de concordancia dentro de un grupo de mediciones o
instrumentos. Ya que el número de cifras significativas que representa una
cantidad o la extensión en las lecturas repetidas de un instrumento que mide
alguna propiedad física. La precisión se Programación y compone de dos
características: conformidad y el número de cifras significativas con las cuales se
puede realizar la medición.
La exactitud se refiere al grado de aproximación o conformidad al valor real de la
cantidad medida. Estos conceptos se pueden ilustrar gráficamente usando una
analogía con un buen tirador al blanco. Los agujeros en el centro del tiro al blanco
de cada esquema de la figura siguiente se pueden imaginar como las predicciones
en una técnica numérica, mientras que el centro del blanco de cada esquema
representa la verdad.
La inexactitud (conocida también como sesgo) se define como un alejamiento
sistemático de la verdad. Por lo tanto, aunque las balas en la figura c están más
juntas que las de la figura a, los dos casos son igualmente inexactos ya que
ambos se centran en la esquina superior izquierda del blanco. La precisión, por el
otro lado se refiere a la magnitud del esparcimiento de las balas. Por lo tanto,
aunque las figuras b y d son igualmente exactas (esto es, igualmente centradas
respecto al blanco), la última es más precisa ya que las balas están en un grupo
más compacto.

Aumenta la exactitud

Aumenta la precisión

Figura 1.1: Un ejemplo de un buen tirador ilustra el concepto de exactitud y precisión. a) Inexacto e
impreciso; b) exacto e impreciso; e) inexacto y preciso; d) exacto y preciso.

Llamamos incertidumbre o imprecisión a la falta de precisión, y sesgo o

inexactitud, a la falta sistemática de exactitud, ya sea por debajo o bien por arriba
de la cantidad exacta. El manejo de la incertidumbre o imprecisión puede
realizarse mediante distribuciones de probabilidad, en tanto que el manejo de la
inexactitud, mediante rangos o intervalos.
Ejemplo Supongamos que un profesor debe iniciar siempre sus clases a las 7:00
am. Si existe incertidumbre, podría iniciar con una distribución normal con media
de 7:05 y desviación estándar de 1 minuto, lo cual indica que el 99.7% de las
veces iniciaría en el intervalo [7:02, 7:08]. Por otro lado, si existe (solamente)
sesgo, entonces empezaría sistemáticamente (por ejemplo) a las 7:07.
3.1.3. Definición de error y tipos de error.
Error.
Es la discrepancia que existe entre la magnitud verdadera y la magnitud obtenida.
Si p * es una aproximación a p , el error se define como E  p  p *
Sin embargo, para facilitar el manejo y el análisis se emplea el error absoluto
definido como
EA p  p*
y el error relativo como , ER  si p  0 y cómo por ciento de error a
ERP  (ER)100
Error aproximado

Problema: Suponga que el valor para un cálculo debería ser

P  0.10x102 Pero se obtuvo el resultado P*  0.08x102 , entonces

Error por redondeo.

Este error es el resultado de representar aproximadamente números exactos. Es
decir, se debe a la omisión de algunas de las cifras significativas de algún valor
específico. Un ejemplo de donde sucede se da en las computadoras o
calculadoras, que solo guardan un número finito de cifras significativas, cuyo
máximo de dígitos o de cifras significativas son de 8 a 14 lo cual obliga a
redondear el valor real. Los errores de redondeo se deben a que las
computadoras solo guardan un número finito de cifras significativas durante un
cálculo. Las computadoras realizan esta función de maneras diferentes. Por
ejemplo, si solo se guardan siete cifras significativas, la computadora puede
almacenar y usar  como  = 3.141592, omitiendo los términos restantes y
generando un error de redondeo.
Ciertos métodos requieren cantidades extremadamente grandes para obtener una
respuesta. Además, estos cálculos a menudo dependen entre sí. Este es, los
cálculos posteriores son 114 dependientes de los anteriores.
En consecuencia, aunque un error de redondeo individual puede ser muy
pequeño, el efecto de acumulación en el transcurso de la gran cantidad de
cálculos puede ser significativo.
En el redondeo se conservan las cifras significativas y el resto se descarta.
Ultimo digito retenido Primer digito descartado

7.5 4 8 37 6 1 2

Digito retenido Dígitos descartados

El último dígito retenido se aumenta en uno si el primer dígito descartado es  5 ,

si no fuera así, el dígito conserva su valor.
La importancia de las cifras significativas de los cálculos algebraicos.
Determínese la diferencia de dos números grandes: 32981108.1234 y
32981107.9989. Enseguida, repítase los cálculos, pero incrementándose el
minuendo en in 0.001%. Solución:

32981108.1234
-- 32981107.9989
0.1245
Ahora incrementando el minuendo en un 0.001 % se obtiene el número 32 981
437.934 5 y la diferencia es:

32981437.9345
-32981107.9989
329.3356
Que es considerable diferente de la primera. De aquí que una modificación en el
minuendo, aparentemente insignificante, provoca una gran diferencia en el
resultado.
Error numérico total.
El error numérico total es la suma de los errores de truncamiento y de redondeo.
Éste es el medio para poder lograr minimizar los errores debido a redondeo y esto
se logra incrementando el número de cifras significativas. Los errores por
truncamiento pueden ser disminuidos cuando los errores por redondeo se
incrementan. Para poder disminuir un componente del error numérico total, se
debe incrementar otro valor.
3.1.4. Propagación del error
Causas de errores graves en computación
Existen muchas causas de errores en la ejecución de un programa de cómputo.
Para esto, vamos a pensar en una computadora imaginaria que trabaja con
números en el sistema decimal, en forma tal que tiene una mantisa de cuatro
dígitos decimales, y una característica de dos dígitos decimales, el primero de los
cuales es usado para el signo. Sumados estos seis al bit empleado para el signo
del número, se tendrá una palabra de siete bits. Los números que se van a
guardar deben normalizarse primero en la siguiente forma.
3.0 0.3000x101
7956000 0.7956x107
-0.0000025211= -0.2521x10-5

Empleando esta computadora imaginaria, podemos estudiar algunos de los

errores más serios que se cometen en su empleo.
Suma de números muy distintos en magnitud.
Vamos a suponer que se trata de sumar 0.002 a 600 en la computadora decimal
imaginaria.
0.002 0.2000x10-2
600 0.6000x103

Estos números normalizados no pueden sumarse directamente y, por tanto, la

computadora debe normalizarlos antes de efectuar la suma
0.000002x10
+0.600000x10
0.600002x103

Como sólo puede manejar solo cuatro dígitos, los últimos dos son eliminados y la
respuesta es: 0.6000x103
o bien 600
Por el resultado, la suma nunca se realizó.
La propagación de errores.
Una vez que se sabe cómo se produce los errores en un programa de cómputo,
podría pensarse en tratar de determinar el error cometido en cada paso, y conocer
de esa manera el error total en la respuesta final.
Suma
Se espera que al sumar a y b, se obtenga el valor correcto de c = a + b ; no
obstante, se tiene en general un valor de c incorrecto debido a la longitud finita de
palabra que se emplea.
Error = (a+b) – (a+b)
Resta
El error de propagación ocasionado por valores inexactos iniciales a* y b* pueden
darse de manera similar que, en la adición, con un simple cambio de signo.
Multiplicación
Si se multiplica los números a* y b* se obtiene
(a* x b*)= (a+a)x(b*+b)= (a x b) + (a x b) + (b x a) + (a x b)
Si a y b son suficientemente pequeños, puede considerarse que su producto es
muy pequeño en comparación con otros términos, y por tanto, eliminar el ultimo
termino. Se obtiene entonces el error del resultado final
(a* x b*) – (a x b)  (a x b) + (b x a)
Errores de truncamiento.
Los errores de truncamiento son aquellos que resultan al usar una sucesión finita
o infinita de pasos en el cual se realizan cálculos para producir un resultado
exacto, se trunca prematuramente después de un cierto número de pasos.
Truncar la siguiente cifra hasta centésimos, o hasta que sean dos las cifras
significativas:
√7  2.645751311 √7  2.64
Como podemos ver, en este tipo de error, lo que se hace es omitir algunas de las
cifras de una cantidad, debido a que esta contiene muchos decimales, entonces
se trunca o corta el número, por lo que también cae en un error
La serie de Taylor
La serie de Taylor da una formulación para predecir el valor de la función en X i+1
en términos de la función y de sus derivadas en una vecindad al punto.
Cada elemento de la serie de Taylor corresponde a la enésima derivada de la
función f evaluada en el punto a, entre la factorial de n(n!), y todo ello, multiplicado
por x-a elevado a la potencia n.
En términos formales o matemáticos, la serie de Taylor tiene la siguiente forma:
 Para entender mejor la serie de Taylor, debemos tener en cuenta que a es un
punto de una recta tangente a la función f. Dicha recta puede, a su vez,
expresarse como una función lineal que tiene como pendiente la misma pendiente
de la función f en el punto a.
Otro aspecto a tener en cuenta es que f es una función derivable n veces en el
punto a. Si n es el infinito, se trata de una función infinitamente diferenciable.
En un caso particular, cuando a=0, la serie también es llamada serie de McLaurin.
Ejemplos de series de Taylor

Algunos ejemplos de variaciones de series de Taylor son:

 Función exponencial:

 Funciones trigonométricas:

Serie de Maclaurin
Los métodos iterativos obtienen la solución como resultado de una serie de
aproximaciones generadas sucesivamente a partir de una “aproximación inicial a
la solución”.
Problema La función exponencial se puede calcular usando:
Mientras más términos se le agreguen a la serie, la aproximación se acercara más
y más al valor de x . La ecuación anterior se le llama serie de Maclaurin.
Empezando con el primer término, e x = 1, y agregando un término a la vez,
estímese el valor
de e 0.5

Después que se agregue cada terminó, calcúlense los ERP y |a|. Nótese que el
valor real de
e 0.5 =1.648721271

agréguense términos hasta que |a|<s contempla tres cifras significativas.

Solución
 s = (0.5 x 10 2 – 3 ) % = 0.05 %
Por lo tanto, se agregarán términos a la serie hasta que  a ser menos que este
nivel.

Términos Resultado ER ERP |a|

1 1 0.3934693 39.3 -
2 1.5 0.090204 9.02 33.3
3 1.625 0.0143877 1.44 7,69
4 1.645833333 0.0017516 0.175 1.27
5 1.648437500 0.0001721 0.0172 0.158
6 1.648697917 1.416E-05 0.00142 0.0158

3.2.1. Método gráfico

Es método simple para obtener una aproximación a la raíz de la ecuación f(x) = 0,
consiste en graficar y observar en donde cruza el eje x. Este punto, que
representa el valor de x para el cual f(x) = 0, proporciona una aproximación inicial
de la raíz.
Ejemplo: Empléese gráficas para obtener una raíz aproximada de la siguiente
función:
F(x) = e-x -x x= 0.2 a 1.1
Solución. Usando Matlab
>> x=-0.2:0.1:1.1;
>> y=(exp(-x))-x;
>> plot(x,y)
>> grid on

Ejemplo: Grafíquese el siguiente vector

>> x=[o:2:18];
>> y=[o o.33 4.13 6.29 6.85 11.19 13.19 12.96 16.33 18.17];
>> plot(x,y)
Títulos, etiquetas.
plot(x,y)
title(‘Experimento de laboratorio 1’)
xlabel(‘Tiempo, seg’)
ylabel(‘Distancia, pies’)
grid on
Ejemplo: Grafíquese la siguiente función f(x) x2 con x = -5 hasta x = 5
>> x=-5:0.1:5;
>> y=x.2;
>> plot (x,y)

3.2.2. Métodos cerrados. Bisección. Regla Falsa. Otros métodos

Método del intervalo

Cuando para encontrar la solución a una ecuación, digamos f(x) = 0 partimos de

un intervalo a b,  dentro del cual sabemos que se encuentra la solución, y paso a
paso reducimos dicho intervalo hasta obtener an, bn tal que bn – an para  0
como la tolerancia, decimos que hemos utilizado un método de intervalo o método
cerrado.
A estas técnicas se les llama métodos que usan intervalos porque se necesitan de
dos valores iníciales para la raíz. Como su nombre lo indica, estos valores deben
encerrar o estar uno de cada lado de la raíz. Los métodos particulares descritos
sobre este punto emplean diferentes estrategias para reducir sistemáticamente el
tamaño del intervalo y así converger a la respuesta correcta. Además de la utilidad
de los métodos gráficos para determinar valores iníciales, también son útiles para
visualizar las propiedades de las funciones y el comportamiento de los métodos
numéricos.
Bisección Es un método de búsqueda incremental se aprovechan de esta
característica para localizar un intervalo donde la función cambie de signo.
El método de bisección conocido también como de corte binario, de partición en
dos intervalos iguales o método Bolzano, es un método de búsqueda incremental
en el que el intervalo se divide siempre en dos.
Criterio de convergencia. Si el intervalo original es de tamaño a y el criterio de
convergencia aplicado al valor absoluto de la diferencia de dos x r consecutivas es
, entonces se requerirán n iteraciones, donde n se calcula con la igualdad de la
expresión la ecuación próxima que nos quedaría ya despejando el valor de n seria:
n= lna ln()/In(2)
Se puede saber de antemano cuantas iteraciones se requieren. O bien se puede
utilizar el siguiente criterio de convergencia lE al  
Algoritmo
Paso 1: Elija los valores iníciales inferior x 1 y xu de forma tal que la función cambie
de signo sobre el intervalo. Esto se puede verificar asegurándose de que:
f x1 f xu   0 Entonces hay al menos una raíz entre x1 y xu , después
f (x1) f (xu) 0 Entonces, no tiene raíz entre x 1 y xu , cambiar el intervalo y la
primera aproximación a la raíz X, se determinan como:
Xr = X1+XU/2
Al final de esto seria solo realizar las siguientes evaluaciones para determinar en
que subintervalos cae la raíz
a) f x1fxr   0 ; Entonces la raíz se encuentra dentro del subintervalos
inferior o izquierdo. Por lo tanto, tome x u  xr y continué en el paso y
así terminamos el calculo.

Regla Falsa
Aunque el método de bisección es una técnica perfectamente válida para
determinar raíces, su enfoque es relativamente ineficiente. Una alternativa
mejorada es la de del método de la regla falsa (falsa posición) está basada en una
idea para aproximarse en forma más eficiente a la raíz. Un defecto del método de
bisección es que al dividir el intervalo x 1 a xu en mitades iguales, no se toma en
consideración la magnitud de f(x1) y de f(xu).
Otros métodos
Condición de Lipschitz Definición. Condición de Lipschitz. Una función f(x)
definida en el intervalo [a,b] se dice que satisface una condición de Lipschitz, si
existe una constante L > 0 tal que:

Para cualquier par de números x1 x2 a,b. la función simplemente la podemos

poner ya como: K/g(x1,x2 )
Donde K es una constante y el valor de g  x1, x2 se pueda hacer arbitrariamente
pequeño para x1, x2 a,b  , no puede satisfacer una condición de Lipschitz

Figura1.2 Se nos muestra las condiciones que tiene que cumplir para la condición
de Lipschitz
3.2.3. Métodos abiertos. Iteración de punto fijo. Método de la secante.
Newton Raphson
Iteración de punto fijo
El método de aproximaciones sucesivas, método iterativo y también conocido
como método de punto fijo, es uno de los métodos más sencillos e ilustra (a
diferencia del método de bisección) el caso cuando no se tiene garantía de
obtener la solución. Por tal motivo, el tema central aquí es el concepto de
convergencia de una sucesión de aproximaciones.
Definición. (Velocidad de convergencia). Sea xnn=1 una sucesión de
aproximaciones que convergen a s, de forma que nlim
→∞
X n  s . Si la sucesión de
errores nn=1 (donde n  xn - s ) satisface.

Para alguno números fijos, K, entonces  es el orden de convergencia para xn, y

K es la constante asintótica o factor de convergencia. En base a la definición
anterior, destacamos los casos para cuándo  1 y   2 que corresponden a
convergencia lineal, y convergencia cuadrática respectivamente.