Aritmética Finita y Algoritmos
Apuntes de teoría
César Menéndez Fernández
13 de septiembre de 2021
Contenidos de la presentación
Índice
1. Introducción A.N. 1
1.1. Problemas típicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Aritmética finita 6
2.1. Representación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3. Algoritmos 10
4. Bibliografía 12
1. Introducción A.N.
Análisis Numérico
El análisis numérico, cálculo numérico o métodos numéricos es la rama de las matemáticas encargada de diseñar
algoritmos para realizar cálculos matemáticos que resuelven modelos matemáticos correspondientes a problemas del
mundo real.
Su expansión está asociada al desarrollo de los ordenadores, que realizan extremadamente rápido operaciones mate-
máticas simples trabajando con valores representados de forma binaria con cifras limitadas.
Estudia la teoría de los métodos constructivos del análisis matemático y el álgebra.
• Analiza los principios matemáticos que motivan los métodos (convergencia, acotación de los errores, etc.).
• Construye algoritmos específicos para cada problema, discute su efectividad y suministra las herramientas
adecuadas para su tratamiento con el ordenador.
Permite obtener la solución numérica aproximada de un problema después de un número finito de operaciones
aritméticas elementales.
El problema matemático debe estar “bien planteado”: existe solución y es única
1.1. Problemas típicos
Análisis Numérico
Ecuaciones no lineales
Sistemas lineales y no lineales, autovalores
Interpolación, aproximación y ajuste de datos
Derivación e integración numérica
1
Ecuaciones diferenciales ordinarias (EDO) y sistemas de ecuaciones diferenciales ordinarias (SEDO)
Ecuaciones en derivadas parciales (EDP) y sistemas de ecuaciones en derivadas parciales (SEDP)
Optimización
etc.
Tipo de problema
En una mina se intersectan dos galerías, de anchuras A1 y A2 respectivamente, con un ángulo α. Obtener la máxima
longitud L de una viga de espesor E para pasar el cruce.
A1 L1 L ×E
β
L2
γ α
A2
L (β) = A1 −E cos β
sin β + A2 −E cos γ
sin γ
γ =π−α−β
Ecuación: dL(β)
dβ = 0
Tipo de problema
En ingeniería estructural se deben calcular las tensiones en las barras y reacciones en los apoyos, lo que conduce a un
sistema de ecuaciones.
C
① δ
γ
F1
F3
②
α β③
H1 F2
V1 V2
P P
( FH = 0 FV = 0
① −F1 cos α + F3 cos β − C cos δ = 0
② F1 cos α + F2 + H2 + = 0
③ −F2 − F3 cos β = 0
(
① −F1 sin α − F3 sin β − C sin δ = 0
② F1 sin α + V2 = 0
③ F3 sin β + V 3 = 0
Tipo de problema
Para calcular la constante de semidesintegración del Yodo-131 se toma una muestra y se anota la muestra sin desintegrar
a lo largo del tiempo.
t(h) 0 1 2 4 8 16 32 64 128 256
muestra( %) 100 96.63 92.89 85.70 75.06 55.88 31.53 9.91 1.01 0.98
2
N (t) ≈ y (t)
Tipo de problema
Un ingeniero en estructuras necesita determinar la fuerza neta ejercida por un viento no uniforme que sopla sobre la
superficie de un rascacielos.
perfil de viento
F = S
P (v) dS
Tipo de problema
Un misil de masa m (en vacío) y µkg de combustible se mueve a una velocidad de v m/s. Los gases de propulsión se
expulsan a um/s. El movimiento vertical, suponiendo que la altura alcanzada sea pequeña para considerar constante la
gravedad g y el coeficinte de resistencia k, puede modelarse con el sistema de ecuaciones diferenciales
dµ
m dv
dt − u dt = −mg − kv 2
dµ √
dt = D µ
Tipo de problema
El comportamiento del transbordador espacial en la reentrada en la atmósfera puede modelarse mediante un sistema
de ecuaciones en derivadas parciales.
3
Mecánica estructural
Mecánica de fluidos
Transmisión de calor
etc.
Tipo de problema
Petrobras utilizó optimización para realizar el dimensionamiento inicial de la plataforma P-55 (mayor plataforma
semisumergible en operación construida en Brasil ) para encontrar las dimensiones del casco de la plataforma que minimicen
el movimiento vertical de la misma y cumplan con varias restricciones de proyecto, como de movimiento, de construcción
y de ensamblaje.
Optimización
multiobjetivo
Simulación
Los métodos numéricos permiten resolver modelos que simulan problemas físicos del mundo real.
Mundo real: Trayectoria de un proyectil
• Depende de las características del proyectil, condiciones climatológicas, impulso inicial, etc.
• Velocidad inicial, masa, coeficiente de rozamiento, ...
P
Modelo real: Fext = ma (1ª ley de Newton)
• Simplificaciones: efectos atmosféricos (lluvia, contaminación, vientos), fuerzas de Coriolis (giro terrestre), roza-
miento proporcinal a la velocidad, ...
• Errores del modelo debido al desconocimiento de los datos físicos (inexactitudes de las medidas o imposibilidad)
d2 →
−
r (t) →
− d→
−
r (t)
Modelo matemático: m 2
= −m g − b
dt dt
• Método numérico de resolución: predictor-corrector (errores del método).
4
• Dispositivo de cálculo: ordenador (errores de representación y propagados).
Predicciones: ¿se ajustan a los resultados esperados?
• Estudio de otros métodos de resolución.
• Modificar las hipótesis iniciales.
No se requieren una solución exacta, sirve una «próxima» que depende del problema.
Es importante «acotar» el error entre la solución exacta y la obtenida.
1.2. Clasificación
Análisis Numérico
Dependiendo del espacio de la solución:
Dimensión Finita (Numéricos):
Sistemas lineales, no lineales y autovalores
Integración definida
Derivación puntual
etc.
Dimensión Infinita (Funcionales):
Aproximación de funciones,
Ajuste de datos,
Ecuaciones diferenciales,
etc.
Dependiendo del planteamiento:
Dada la relación y = f (x) donde f : E → F es un operador cualquiera, x ∈ E e y ∈ F , con {E, F } espacios vectoriales.
En ingeniería de sistemas {x, y, f } representan la entrada, la salida y el sistema respectivamente.
Directo: dados {x, f }, hallar y.
• Se intenta determinar la salida de un sistema dado ante una entrada conocida.
• Ejemplo: calculo de una integral definida.
Inverso: dados {y, f }, hallar x.
• Se busca la entrada que genera una salida conocida en un sistema dado.
• Ejemplo: resolución de ecuaciones no lineales.
Identificación: dados {x, y} hallar f .
• Se buscan las leyes que gobiernan el sistema a partir del conocimiento de ciertas relaciones entre la entrada y
la salida; en general, solo se conoce un numero finito de pares entrada-salida.
• Ejemplo: interpolación y aproximación de funciones.
1.3. Interés
Resolución numérica vs analítica
1. No existe solución analítica o no es calculable
Integrales que no tienen primitiva pero definen un área
2
1
xx dx
Ecuaciones polinómicas de grado superior a 4 y no reducibles
etc.
2. La solución analítica es tediosa o inadecuada
5
Sistemas de orden elevado (>10)
Ajustes con muchos puntos o multidimensionales
etc
3. La expresión analítica “falla” al aplicarla en un ordenador o calculadora
Propagación de errores y condicionamiento del problema.
2. Aritmética finita
2.1. Representación
Códigos Numéricos
Se denomina base de numeración el conjunto de símbolos distintos que nos permiten representar cualquier número.
• El nombre de la base es el cardinal del conjunto de los símbolos.
base 2 formada por {0,1}, base 10 por {0,1,2,...,9}
Se denomina sistema de numeración al conjunto de reglas y convenios que para una base dada permiten repre-
sentar cualquier número de una forma inequívoca mediante los símbolos de la base.
• En los sistemas de numeración actuales una misma cifra o símbolo representa valores distintos en función del
lugar que ocupa.
• El símbolo 7 en el número 777(10) adopta respectivamente los valores 7 × 102 , 7 × 101 , 7×100 al ocupar los
lugares denominados centenas, decenas o unidades.
Los árabes intrudujeron el sistema de numeración con notación posicional en base 10
Representación numérica
Sistema de numeración decimal
• Enteros: 777 = 7 × 102 + 7 × 101 + 7×100
• Reales (decimales): notación decimal o exponencial
◦ decimal: 123.45 = 1 × 102 + 2 × 101 + 3 × 100 + 4 × 10−1 + 5 × 10−2
◦ exponencial: 123.45 = 1.2345 × 102 = 12345 × 10−2 = 0.12345 × 103
Forma exponencial normalizada (con mantisa m, base b y exponente e) x = m × be con b−1 ≤ m < b0
La representación fl (x) de un valor x en el ordenador puede tener errores debido a la limitación de almacenamiento
(N cifras o dígitos).
Existen dos técnicas para reducir un número a N dígitos:
• Truncamiento: Se almacenan los N dígitos de mayor peso y se pierde el resto (obsoleto)
• Redondeo: Se suma media unidad al dígito N -simo y se trunca (defecto).
• Ejemplo:
(6cifras) Truncamiento Redondeo
√
√ 2 = 1.41421356 . . . 1.41421 1.41421
5 = 2.23606798 . . . 2.23606 2.23607
Almacenamiento (representación) de valores reales:
• Punto fijo: Los dígitos de almacenamiento se reparten entre la parte entera y la parte decimal (obsoleto).
◦ Ejemplo: 8 dígitos con 3 decimales (con redondeo)
fl (123.456) = 00123 456
fl (123.457)
= 00123 457
fl 123.4565, 123.45749̄ = 00123 457
fl (12345.6) = 12345 600
fl (1.23456) = 00001 235
6
• Punto flotante: Se representa de forma normalizada, repartiéndose los dígitos para el exponente y la mantisa .
◦ Ejemplo: 8 dígitos con 2 de exponente (con redondeo)
0.123456·103
fl(123.456) = 123456 03
0.123457·103
fl(123.457) = 123457 03
0.123457·103
fl( 123.4565, 123.45749̄ ) = 123457 03
0.123456·105
fl(12345.6) = 123456 05
0.123456·101
fl(1.23456) = 123456 01
◦ Normalmente se hace un cambio de escala en el exponente para incluir exponentes negativos, convirtiendo
el intervalo [0,99] en [-49,50] (restando 99/2)
La aplicación fl : R → R no es biyectiva
Base binaria
Similar al sistema decimal, pero en base 2.
• 136(10) = 1000 1000(2) = 1 × 23 + 1 × 27
Debido al gran número de cifras necesarias para escribir un número en binario, se obvia utilizando los sistemas octal
y hexadecimal.
Los números en los ordenadores se representan con 16, 32, 64, 128, ... bits (cifra binaria).
El primer bit se usa para indicar el signo.
Las características específicas vienen definidas en Representación binaria: IEEE 754, donde se especifica la represen-
tación de valores inusuales, tales como cero, NaN e Inf.
Definiciones
El rango de una representación es el intervalo de valores que puede representar, esto es, desde el mínimo hasta el
máximo.
Ejemplo con 8 dígitos
• Enteros: 00000000 - 99999999
• Punto fijo (3 decimales): 00000.001 - 99999.999
• Punto flot.(6 decimales): 0.100000 -49 - 0.999999 50
Un valor r aproxima a otro x con n dígitos significativos (cifras) si n es el natural más grande tal que x−r ≤ 5×10−n
x
Ejemplo con 8 dígitos
• Enteros: las 8 cifras son significativas
• Punto fijo (3 decimales): varía entre 0 y 8
fl (0.0005) = 0.001 → 0.0005−0.001 = 1 ≤ 5 × 10−0
0.0005
fl (12345.678) = 12345.678 → 0 = 0 ≤ 5 × 10−8
12345.678
7
• Punto flot.(6 decimales): 6
5−6
fl (12345.678) = 0.123457 × 105 → −0.122×10
0.123457×10 = 0.99 × 10
−6
≤ 5 × 10−6
5
Se denomina precisión de una representación a la exactitud que se obtendría si todas las cifras calculadas fueran
significativas.
Ejemplo con 8 dígitos:
√
se ha obtenido que 2 (1.414213562 . . .) ≃ 1.41421256
El resultado tiene una precisión de 9 cifras pero sólo 6 son significativas.
√
= 7 · 10−7
2−1.41421256
√
2
La unidad de redondeo (δ) de un ordenador es el menor número positivo en punto flotante tal que fl(1 + δ) > 1
Ejemplo trabajando en punto flotante con 8 dígitos, 6 decimales y redondeo.
= 0.100000 · 101
fl(1)
→ δ = 5 · 10−7
fl(1 + δ) = 0.100001 · 101
Se denomina exactitud de un proceso, método, fórmula o cálculo a la bondad con que el resultado obtenido representa
el valor real que queríamos calcular.
Ejemplo, la regla de integración
b
f (x) dx = b−a f (a) + 4f a+b
a 6 2 + f (b) es exacta para P2 (x)
2.2. Errores
Tipos de errores
Errores en la toma/entrada de datos.
• Limitaciones de las medidas.
• Errores de medida o trascripción.
• etc.
Errores en el método de resolución.
• Reducción de dimensión infinita a finita.
• Truncamiento de una serie.
• etc.
Errores en la implementación en el ordenador.
• Errores de programación (signos, valores, índices, etc.)
• Errores debidos a la aritmética finita.
Aritmética finita
El error ϵx es la diferencia entre el valor real x y el valor aproximado x̃.
ϵx = x − x̃
El error absoluto Ex es el valor absoluto del error.
Ex = |x − x̃|
El error relativo εx es el cociente entre el error y el valor real, si bien se toma habitualmente en valor absoluto .
εx = x−x̃ ⇝ εx = x−x̃
x x
El error relativo de representación con k dígitos de un valor no nulo x en base b viene acotado por 1/2b1−k para por
las aproximaciones con redondeo (y por b1−k con truncamiento).
Sea ◦ la operación matemática elemental (+, −, ×, ÷) y • la misma operación realizada por el ordenador.
8
Sea x̃ la representación en el ordenador del valor x , ϵx el error y εx el error relativo:
x = x̃ + ϵx = x̃ 1 + εx + ε2x ≃ x̃ (1 + εx )
El error de la operación elemental se calcula mediante
x ◦ y − f l (x ◦ y) = x ◦ y − x̃ • ỹ = (x ◦ y − x̃ ◦ ỹ) + (x̃ ◦ ỹ − x̃ • ỹ)
• El término (x ◦ y − x̃ ◦ ỹ) determina el error propagado.
• El término (x̃ ◦ ỹ − x̃ • ỹ) determina el error de representación.
• Ejemplo (punto flotante con 8 dígitos, 6 decimales y redondeo).
fl 0.123456 · 103 + fl 0.123456 · 100 = fl 0.123579 456 · 103 = 0.123579
fl 0.123456 · 103 × fl 0.123456 · 100 = fl 0.0152413 83936 · 103 = 0.152414 · 102
Error propagado en las operaciones elementales
Operación Err. absoluto Err. relativo
xεx + yεy
+ ϵx + ϵy
x+y
xεx − yεy
− ϵx − ϵy
x−y
× yϵx + xϵy + ϵx ϵy εx + εy + εx εy
ϵx − ϵy xy εx − εy
÷
y − ϵy 1 − εy
Conclusiones: se debe evitar restar valores muy próximos y dividir entre valores muy pequeños.
Ejemplo para la resta ([Link]. 8 díg., 6 dec. y redondeo)
x=π y = 227 x − y = −1.264 . . . · 10−3
fl () 3.14159 3.14286 −1.27 · 10−3
ϵ ≃ 0.266 · 10−5 ≃ 0.715 · 10−5 ≃ 0.552 · 10−5
ε ≃ 0.847 · 10−6 ≃ 0.910 · 10−6 ≃ 0.436 · 10−2
Ejemplo para la división ([Link]. 8 díg., 6 dec. y redondeo)
x
x = 227
1
y = 3000 y = 9.428 . . . · 103
fl () 3.14286 3.33333 · 10−3 9.42859 · 103
ϵ ≃ 0.286 · 10−5 ≃ 0.333 · 10−10 ≃ 0.186 · 10−1
ε ≃ 0.910 · 10−6 ≃ 0.100 · 10−7 ≃ 0.197 · 10−5
Error propagado en las funciones
• Depende de la función y = f (→
−
x ) = f (x0 , x1 , · · · , xn ).
• Error ϵf
ϵf = y − ỹ = f (→
−
x ) − fl (f (x̃))
n
!
∂f
fl (f (x̃)) = fl (f (x0 + ϵ0 , x1 + ϵ1 , · · · , xn + ϵ1 )) = fl f (→
−
X
x)+ ϵk + · · ·
∂xk
k=0
n
X ∂f
y − ỹ ≃ ϵk + · · ·
∂xk
k=0
• Ejemplo con f (x) = loga x.
y = loga x = f (a, x)
∂f ∂f − loga x 1
ϵf = y − ỹ ≃ ϵa + ϵx = ϵa + ϵx
∂a ∂x a ln a x ln a
Si x → 0 ⇒ ϵf >> 1
9
Aritmética finita
Para facilitar el seguimiento de la propagación del error, también se organizan los cálculos mediante árboles de
propagación de errores.
Otra técnica es mediante la aritmética de intervalo simple, técnica basada en trabajar con todo el intervalo en que
se encuentran los diferentes valores aproximados, obteniéndose finalmente el intervalo que contiene a la solución.
Hasta ahora se han visto métodos de acotación de errores basados en la mayoración de los errores locales en cada
etapa, lo cual conduce muchas veces a cotas de error excesivamente grandes y que hacen incierto el resultado.
Sin embargo, esta forma de proceder es demasiado pesimista ya que, en general, en el transcurso de un cálculo los
errores se van compensando.
La única manera de abordar el tema de la propagación de errores es mediante el estudio estadístico.
Se supone para ello que el error relativo en cada dato es una variable aleatoria unidimensional con una determinada
función de densidad (en general normal o uniforme).
El error después de n operaciones (sumas, productos) se obtendrá a partir de la función de densidad de la variable
aleatoria n-dimensional suma o producto de las correspondientes variables aleatorias unidimensionales.
3. Algoritmos
Algoritmos
Algoritmo: procedimiento que describe sin ninguna ambigüedad una sucesión de pasos a realizar en un orden espe-
cífico.
• No numéricos:
◦ Ejemplo: ordenación alfabética de listas de alumnos
• Numéricos: Conjunto de instrucciones para efectuar operaciones matemáticas con números que conducen al
valor o valores solución de un problema dado.
◦ Ejemplo: Cálculo del m.c.d.(algoritmo de Euclides):
1. Finitos: asociados al Álgebra.
2. Infinitos: genera una sucesión infinita pero numerable de operaciones; asociados al Análisis.
Caracterización de los algoritmos numéricos infinitos
Condiciones de convergencia
Acotación del error cometido tras un numero finito de pasos
Eficiencia (nº de operaciones, uso de memoria, etc.)
Velocidad de convergencia
∞
1 kx
X xk
Ejemplo: ex = lı́m 1 + k = (exponencial)
k→∞ k!
k=0
Sucesión de aproximaciones a la solución:
( n
)
1 nx
X xk
an = 1 + n y bn =
k!
k=0
Condiciones de convergencia
La serie {bn } tiene convergencia uniforme con x ∈ R
¿Qué sucesión es más rápida?
10
¿Cuál es el error del término n-simo?
nx
εan = ex − 1 + n1
n n+1
X xk (ξx )
εbn = ex − = , ξx ∈ (0, x)
k! (n + 1)!
k=0
¿Qué algoritmo de cálculo de bn es más eficiente?
x 2 3
xn
• Algoritmo 1: 1 + 1! + x2! + x3! + . . . + n!
bn = 1
k
bn = bn + xk! k = 1, 2, . . . , n
Xn
Operaciones: {+1, ×k − 1, ÷1,ˆ1}
k=1
• Algoritmo 2: 1 + x1 1 + x2 1 + x3 . . . 1 + x
n
bn = nx + 1
bn = bn xk + 1 k = n − 1, n − 2, . . . , 1
Xn
Operaciones: {+1, ×1, ÷1,ˆ0}
k=1
Estabilidad
Estabilidad del problema o condicionamiento:
1. Valora la sensibilidad de la solución a cambios pequeños en los parámetros del problema.
2. Un problema está bien condicionado cuando pequeñas variaciones de los datos dan lugar a pequeñas variaciones
en los resultados.
3. Un problema mal condicionado (ill-conditioned) deberá ser reformulado porque sino cualquier algoritmo obten-
drá soluciones alejadas de la exacta.
4. La resolución numérica requiere problemas bien condicionadas, ya que tanto su representación como la aritmé-
tica del ordenador perturban los datos.
10
Y
• Ejemplo: raíces del polinomio P10 (x) = (x − k) al añadirle 1 milésima al término de grado 9.
k=1
◦ Inicial: P10 (x) = x10 − 55x9 + 1320x + . . . + 3628800
8
◦ Modificado: P̃10 (x) = x10 − 55.001x9 + 1320x8 + . . . + 3628800
◦ Raíces: {1., 1.999, 3.002, 3.948} {5.138 ± 0.5930i, 7.232 ± 1.583i, 10.16 ± 1.1489i}
∂P10 10−3 x9
◦ Estudio del error: ϵP10 ≃ ϵa9 = 10−3 x9 → εP10 =
∂a9 P10 (x)
Estabilidad del algoritmo o numérica:
1. Valora los efectos acumulativos de los errores numéricos.
2. Un algoritmo es estable cuando un error inicial se propaga decreciendo o creciendo linealmente con las itera-
ciones, y es inestable cuando el crecimiento es exponencial.
11
3. Un mismo algoritmo puede ser estable para un problema e inestable para otro.
• Ejemplo: Cálculo de las raíces de una ecuación de segundo grado P2 (x) = ax2 + bx + c trabajando con
aritmética de 5 cifras significativas.
Polinomios de verificación:
P0 (x) = x2 + x − 2 = 0 (raíces {−2, 1}).
P1 (x) = x2 − 100.001 + 1 = 0 (raíces {0.001, 1000});
√
− b ± b2 − 4ac
a) Alg.1: x1,2 =
√ 2a
P0 (x) : √b2 − 4ac ≃ 3 → x1,2 = {−2, 1}
P1 (x) : b2 − 4ac ≃ 1000 → x1,2 = {0, 1000}
√
− b − sgn (b) b2 − 4ac c
b) Alg.2: x1 = , x2 =
√2a ax 1
P0 (x) : −b − sgn (b) √X ≃ −4 → x1,2 = {−2, 1}
P1 (x) : −b − sgn (b) X ≃ 2000 → x1,2 = {0.001, 1000}
4. Asimismo para un mismo problema puede haber algoritmos estables e inestables.
• Ejemplo: Calcular la sucesión an = 31n trabajando con aritmética de 5 cifras significativas.
−5
Nota: 13 = 0.33333 + ε con ε = 103
a) Alg.1: a0 = 1, an = 13 an−1 ≈ 0.33333an−1
n
ϵn ≃ 31n − 0.33333n = (0.33333 + ε) − 0.33333n ≃ n · 0.33333n−1 ε
lı́m ϵn = 0 el algoritmo es estable
n→∞
b) Alg.2: a0 = 1, a1 = 34 ≈ 1.3333, an = 10
3 an−1 − an−2 ≈ 3.3333an−1 − an−2
1 n
Planteando la ecuación en diferencias y calculando sus autovalores se obtiene que an = α 3 + β3n
con a0 = 1, a1 = 43 ⇒ α = 1, β = 0
−5
con a 0 = 1, a1 = 1.3333 ⇒ α = 1 + δ, β = −δ, δ = 108
n
ϵn ≃ 31n − (1 + δ) 13 − δ3n ≃ n · 0.33333n−1 δ + δ3n
lı́m ϵn = ∞ el algoritmo es inestable
n→∞
4. Bibliografía
Bibliografía
Básica
• Stoer, J. & Bulirsch, R. «introduction to numerical analysis» Springer Verlag, New York (1980)]
Desarrolla muy bien el tema de la representación de los números en el ordenador así como la propagación de
errores en algoritmos simples. Para resolver casos más realistas, inicia al lector en el tema de la aritmética de
intervalos, así como en la estimación estadística de los errores de redondeo.
• Viaño Rey, Juan M. «Lecciones de métodos numéricos 1.- Introducción general y análisis de errores» Ed.
Tórculo, Santiago, 1995 (ISBN 84-605-88967-52-7).
Sigue un esquema similar al del tema. Hace una descripción general de los métodos numéricos y sus aplicaciones,
así como los tipos de errores y sus consecuencias.
• Wilkinson,James Hardy «Rounding Errors in Algebraic Processes» Ed. Dover Pub. Inc., Nueva York, 1994
(ISBN:978-0-486-67999-0).
Análiza de forma meticulosa los errores y su propagación.
Complementaria
• Burden,Richard L. ; Faires, Douglas J.; Burden,Annette M. «Análisis Numérico 10ma Ed» Ed. Cengage Lear-
ning, México, 2016 (ISBN: 978-607-526-411-0)
Tras unos preliminares matemáticos dedica el primer capítulo a la representación numérica, sobre todo en
punto flotante, desarrollando varios ejemplos clarificadores en binario. Asimismo hace un estudio del error que
desemboca en el concepto de estabilidad de un algoritmo.
12
• Chapra,SC & Canale,RP «Métodos numéricos para ingenieros» McGraw-Hill, México.
Realiza, de forma simple y sucinta, el desarrollo de programas y su aplicación en el Análisis Numérico. En este
entorno, tras mostrar con ejemplos el uso de los diagramas de flujo, compara dos lenguajes de programación,
Fortran y Basic, de cara a su posterior uso. En el capítulo tercero se dedica al estudio del error, matizando sus
diferentes fuentes.
• Atkinson,KE «An introduction to numerical analysis» John Wiley & Sons, USA.
Tras un repaso de teoremas matemáticos básicos, dedica el resto del primer capítulo a la representación nu-
mérica, las fuentes y propagación de errores y la estabilidad. Particulariza diferentes conceptos (rango, cifras
sig¬nificativas, precisión) para diferentes computadores, considerando el caso de doble precisión. También hace
un breve estudio estadístico de la propagación del error.
• Brezinski,C «Introduction á la practique du calcul numérique» Dunod, París (1988)
Desarrolla en detalle el tema de representación de los números en el ordenador, operaciones con números de
máquina y la propagación de errores en el caso de operaciones elementales como la suma y el producto de n
números. Da nociones generales sobre el concepto de algoritmo y conciencia al lector de la diferencia que existe
entre el comportamiento teórico de un algo¬ritmo, y el comportamiento en la máquina.
• Henrici,P «Elementos de análisis numérico» Trillas, México (1972)]
En el capítulo 16 realiza un completo estudio estadístico de la propagación de errores cuando se emplea arit-
mética de punto fijo.
• Kincaid, D. & Cheney, W. «Numerical analysis» Brooks-Cole, USA (1991)
Sirve para aclarar el almacenamiento binario de los números en el ordenador, relacionando los bits empleados
para la mantisa y el exponente con el rango, la precisión, etcétera.
13
