¡Excelente!

Vamos a desarrollar la teoría de cada uno de estos puntos con sus respectivos
análisis, ejemplos y, donde sea pertinente, ejercicios resueltos.

1. Cifras Significativas

Concepto:

Las cifras significativas de un número son los dígitos que se conocen con certeza más un
dígito incierto. Indican la precisión de una medición o el resultado de un cálculo.

Reglas para identificar cifras significativas:

1. Todos los dígitos diferentes de cero son significativos. (Ej: 123.45 tiene 5 cifras
significativas)
2. Los ceros entre dígitos diferentes de cero son significativos. (Ej: 102.03 tiene 5 cifras
significativas)
3. Los ceros a la izquierda del primer dígito diferente de cero no son significativos. (Ej:
0.0012 tiene 2 cifras significativas)
4. Para números mayores que uno, los ceros a la derecha de la coma decimal son
significativos. (Ej: 1.20 tiene 3 cifras significativas)
5. Para números mayores que uno sin coma decimal, los ceros al final pueden o no ser
significativos. Para evitar ambigüedad, se suele usar notación científica. (Ej: 1200 podría
tener 2, 3 o 4 cifras significativas. En notación científica: 1.2×103 tiene 2, 1.20×103 tiene
3, 1.200×103 tiene 4)

Ejemplo:

El número 27.050 tiene 5 cifras significativas.

 '2', '7', '0', '5', '0' son los dígitos.

 Los dígitos '2', '7', '5' son no nulos y por lo tanto significativos.
 El '0' entre '7' y '5' es significativo.
 El '0' al final después de la coma decimal es significativo.

El número 0.00308 tiene 3 cifras significativas ('3', '0', '8'). Los ceros a la izquierda no
cuentan.

Aplicación:

Las cifras significativas son cruciales en la presentación de resultados experimentales y

numéricos para reflejar la precisión de los datos. Al realizar operaciones con números
aproximados, el resultado no debe tener más cifras significativas que el número con la
menor cantidad de ellas.
 Análisis:

El uso correcto de las cifras significativas ayuda a evitar la presentación de resultados con
una precisión que no está justificada por los datos de entrada. Ignorar las reglas de cifras
significativas puede llevar a interpretaciones erróneas sobre la exactitud de una medición o
un cálculo.

2. Redondeo

Concepto:

El redondeo es el proceso de reducir el número de dígitos en un número, manteniendo un

valor similar. El dígito que se omite se utiliza para decidir si el último dígito retenido debe
aumentarse o no.

Reglas de redondeo comunes:

1. Si el primer dígito descartado es menor que 5, el último dígito retenido se mantiene igual.
2. Si el primer dígito descartado es mayor que 5, el último dígito retenido se incrementa en 1.
3. Si el primer dígito descartado es 5, hay varias convenciones:
o Redondear al número par más cercano (a veces llamado "round half to even").
o Siempre redondear hacia arriba.

Ejemplo:

Redondear 3.14159 a 4 cifras significativas:

 El quinto dígito es '5', así que redondeamos el cuarto dígito ('1') hacia arriba, obteniendo
3.142.

Redondear 1.234 a 3 cifras significativas:

 El cuarto dígito es '4', así que el tercer dígito ('3') se mantiene igual, obteniendo 1.23.

Redondear 2.75 a una cifra decimal (usando la regla de redondear al par más cercano):

 El dígito a redondear es '7'. El siguiente es '5'. El dígito anterior ('7') es impar, por lo que
redondeamos hacia arriba a 2.8.
 Si tuviéramos 2.65, redondearíamos a 2.6 (ya que '6' es par).

Aplicación:

El redondeo es necesario para presentar resultados con un número adecuado de cifras

significativas y para simplificar números sin perder demasiada precisión.
 Análisis:

El redondeo introduce un error, conocido como error de redondeo. Es importante ser

consistente con las reglas de redondeo utilizadas para evitar la acumulación de errores
sistemáticos.

3. Tipos de Errores

Concepto:

En cálculo numérico, un error es la diferencia entre el valor verdadero y el valor

aproximado obtenido.

Tipos principales de errores:

1. Error Absoluto: Es el valor absoluto de la diferencia entre el valor verdadero (V) y el valor
aproximado (Va):

Ea=∣V−Va∣

2. Error Relativo: Es el error absoluto dividido por el valor verdadero (si el valor verdadero no
es cero):

Er=VV−Va

A menudo se expresa en porcentaje multiplicándolo por 100%.

3. Error de Truncamiento: Ocurre cuando se aproxima un proceso matemático infinito con

uno finito. Por ejemplo, al truncar una serie de Taylor.
4. Error de Redondeo: Ocurre debido al proceso de redondeo de números durante los cálculos.

Ejemplo:

Supongamos que el valor verdadero de π es 3.14159265... y lo aproximamos como 3.14.

 Error Absoluto: ∣3.14159265...−3.14∣=0.00159265...

 Error Relativo: 3.14159265...3.14159265...−3.14≈0.0005076... (o aproximadamente
0.05076%)

Consideremos la serie de Taylor para ex: ex=1+x+2!x2+3!x3+...

Si aproximamos e1 usando los primeros tres términos: e1≈1+1+2!12=2.5.

El valor verdadero de e1≈2.71828.

El error de truncamiento es ∣2.71828−2.5∣=0.21828.

 Aplicación:

El análisis de errores es fundamental para evaluar la calidad de las soluciones numéricas.

Permite determinar la precisión de los resultados y comprender las fuentes de inexactitud.

Análisis:

El error absoluto da una idea de la magnitud de la diferencia, mientras que el error relativo
es útil para comparar la precisión entre diferentes valores o problemas. Los errores de
truncamiento son inherentes al método numérico utilizado, mientras que los errores de
redondeo dependen de la representación numérica y las operaciones realizadas.

4. Propagación de los Errores en las Operaciones Aritméticas

Cuando se realizan operaciones aritméticas con números que ya contienen errores, estos
errores se propagan al resultado.

Sean x e y dos números con errores Δx y Δy, respectivamente. Sus valores verdaderos son
xˉ=x+Δx y yˉ=y+Δy.

 Suma y Resta:

xˉ±yˉ=(x±y)+(Δx±Δy)

El error en la suma/resta es la suma/resta de los errores individuales: Δ(x±y)=Δx±Δy.

El error absoluto del resultado está acotado por ∣Δx∣+∣Δy∣.

 Multiplicación:

xˉ⋅yˉ=(x+Δx)(y+Δy)=xy+xΔy+yΔx+ΔxΔy

Si los errores son pequeños, ΔxΔy≈0, entonces:

xˉ⋅yˉ≈xy+xΔy+yΔx

El error absoluto es aproximadamente ∣xΔy+yΔx∣.

El error relativo es aproximadamente:

xyxˉyˉ−xy≈xyxΔy+yΔx=yΔy+xΔx

Es decir, el error relativo en la multiplicación es aproximadamente la suma de los errores

relativos de los factores.

 División:
 yˉxˉ=y+Δyx+Δx=y(1+yΔy)x(1+xΔx)≈yx(1+xΔx)(1−yΔy)≈yx(1+xΔx−yΔy)

El error relativo es aproximadamente:

yxyˉxˉ−yx≈xΔx−yΔy

El error relativo en la división es aproximadamente la diferencia de los errores relativos.

Ejemplo:

Sean x=2±0.1 y y=3±0.2.

 Suma: x+y=5±(0.1+0.2)=5±0.3
 Multiplicación: x⋅y≈6±(2⋅0.2+3⋅0.1)=6±(0.4+0.3)=6±0.7. Error relativo aproximado: 20.1
+30.2=0.05+0.0667=0.1167. Valor aproximado del error absoluto: 6×0.1167=0.7002,
consistente con lo anterior.

Aplicación:

Comprender la propagación de errores es vital para evaluar la fiabilidad de los resultados de

cálculos numéricos que involucran datos experimentales o resultados de aproximaciones
previas.

Análisis:

La propagación de errores muestra cómo la incertidumbre en los datos de entrada afecta la

incertidumbre del resultado. Algunas operaciones (como la resta de números casi iguales)
pueden amplificar los errores relativos.

5. Fundamentación y Aplicación Matemática del Método de Newton-Raphson

Fundamentación Matemática:

El método de Newton-Raphson es un algoritmo iterativo para encontrar aproximaciones de

las raíces (o ceros) de una función real de variable real. Se basa en la idea de aproximar la
función f(x) cerca de una raíz por su recta tangente.

Sea xn una aproximación actual de la raíz. La ecuación de la recta tangente a la gráfica de

f(x) en el punto (xn,f(xn)) es:

y−f(xn)=f′(xn)(x−xn)

La siguiente aproximación de la raíz, xn+1, se encuentra donde esta recta tangente cruza el
eje x (es decir, cuando y=0).

0−f(xn)=f′(xn)(xn+1−xn)
 Despejando xn+1:

xn+1=xn−f′(xn)f(xn)

Esta es la fórmula de iteración del método de Newton-Raphson.

Aplicación Matemática:

El método se utiliza para encontrar las raíces de ecuaciones no lineales que son difíciles o
imposibles de resolver analíticamente.

Ejemplo:

Encontrar una raíz de la ecuación f(x)=x2−5=0.

La derivada es f′(x)=2x.

La fórmula de iteración es:

xn+1=xn−2xnxn2−5=2xn2xn2−(xn2−5)=2xnxn2+5=21(xn+xn5)

Comenzando con una aproximación inicial x0=2:

 x1=21(2+25)=21(2+2.5)=2.25
 x2=21(2.25+2.255)=21(2.25+2.2222...)≈2.2361
 x3=21(2.2361+2.23615)≈2.236067977...

La raíz verdadera de x2−5=0 es 5≈2.236067977...

Análisis:

 Convergencia: Si la aproximación inicial x0 está suficientemente cerca de la raíz y si f′(x)

no es cero en la vecindad de la raíz, el método de Newton-Raphson generalmente converge
cuadráticamente (la cantidad de cifras significativas aproximadamente se duplica en cada
iteración).
 Limitaciones:
o Requiere el cálculo de la derivada f′(x).
o Si la aproximación inicial está lejos de la raíz, o si f′(x) es cero cerca de la raíz, el método
puede no converger o converger lentamente.
o Puede haber problemas con puntos estacionarios (f′(x)=0) o cuando la función tiene
múltiples raíces cercanas.

6. Cómo Aproximar Soluciones a una Ecuación, Análisis de los Errores

Para aproximar soluciones a una ecuación de la forma f(x)=0, se utilizan métodos iterativos
que generan una secuencia de aproximaciones que se espera que converjan a la raíz.
 Métodos comunes:

 Bisección: Requiere un intervalo [a,b] donde f(a) y f(b) tengan signos opuestos. Se divide
el intervalo a la mitad y se selecciona el subintervalo donde el signo de la función cambia.
Es un método robusto pero de convergencia lineal (lenta).
 Falsa Posición (Regula Falsi): Similar a la bisección, pero en lugar de dividir el intervalo
por la mitad, se utiliza la línea secante que une los puntos (a,f(a)) y (b,f(b)) para encontrar
el siguiente punto de prueba.
 Iteración de Punto Fijo: Se reescribe la ecuación f(x)=0 en la forma x=g(x). Se comienza
con una aproximación inicial x0 y se itera usando xn+1=g(xn). La convergencia depende de
la función g(x) y la elección de x0.
 Método de Newton-Raphson: Ya descrito anteriormente, es un método eficiente si
converge.

Análisis de los Errores:

En los métodos iterativos, el error en la n-ésima iteración se puede definir como en=∣r−xn∣,
donde r es la raíz verdadera y xn es la n-ésima aproximación.

 Método de Bisección: El error se reduce a la mitad en cada iteración. Si el intervalo inicial

tiene longitud L0=b−a, después de n iteraciones, la longitud del intervalo que contiene la
raíz es Ln=2nL0. El error absoluto está acotado por 2Ln.

proporcional al cuadrado del error en la iteración n: ∣en+1∣≈C∣en∣2, lo que indica una

 Método de Newton-Raphson: Bajo ciertas condiciones, el error en la iteración n+1 es

Iteración de Punto Fijo: Si ∣g′(x)∣<1 en un intervalo que contiene la raíz y la aproximación

convergencia cuadrática.

inicial, entonces la iteración converge. El error suele disminuir linealmente.

Ejemplo (Bisección):

Encontrar una raíz de $f(x) = x^2 -

 x −5 2 x n−( x n−5 ) x n +5 1
2 2 2 2

x n+1=x n − n =
2 xn 2 xn
=
(
= x n+
2 xn 2
5
xn )