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.
Para grandes cantidades se usa la combinación de estos dígitos básicos; con la posición
o valor de posición se especifica su magnitud.
Representación entera.
concebir cómo los enteros se representan en la computadora. 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 1para
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,
m · be
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.
La representación de punto flotante permite que tanto fracciones como números
muy grandes se expresen en la computadora. Sin embargo, hay algunas desventajas. Por
ejemplo, los números de punto flotante requieren más espacio y más tiempo de procesado
que los números enteros. Más importante aun es que su uso introduce una fuente
de error debido a que la mantisa conserva sólo un número finito de cifras significativas.
Por lo tanto, se introduce un error de redondeo.
se presentan diversos aspectos de la representación de punto flotante,
que son importantes respecto de los errores de redondeo en las computadoras.
1. El rango de cantidades que pueden representarse es limitado. Como en el caso de
los enteros, hay números grandes positivos y negativos que no pueden representarse.
Intentar emplear números fuera del rango aceptable dará como resultado el
llamado error de desbordamiento (overflow). Sin embargo, además de las grandes
cantidades, la representación de punto flotante tiene la limitación adicional de que
números muy pequeños no pueden representarse.
2Existe sólo un número finito de cantidades que puede representarse dentro de un
rango. Así, el grado de precisión es limitado. Es evidente que los números irracionales
no pueden representarse de manera exacta. Además, los números racionales que
no concuerdan exactamente con uno de los valores en el conjunto tampoco pueden
ser representados en forma precisa. A los errores ocasionados por la aproximación en ambos casos se les
conoce como errores de cuantificación. La aproximación real
se realiza por dos caminos: cortando o redondeando.

3. El intervalo entre los números, x, aumenta conforme los números crecen en magnitud.
Ésta es la característica, por supuesto, que permite que la representación de
punto flotante conserve los dígitos significativos. Sin embargo, también quiere decir
que los errores de cuantificación sean proporcionales a la magnitud del número que
será representado.
Precisión extendida. Aquí se debe observar que, aunque los errores de redondeo
llegan a ser importantes en contextos tales como pruebas de convergencia, el número de
dígitos significativos que tiene la mayoría de las computadoras permite que muchos
cálculos de ingeniería se realicen con una precisión más que aceptable.
3.4.2 Manipulación aritmética de números en la computadora
Junto con las limitaciones del sistema numérico de una computadora, las manipulaciones
aritméticas que se usan con tales números también pueden dar como resultado errores
de redondeo. En la siguiente sección se ilustrará primero cómo afectan las operaciones
aritméticas comunes a los errores de redondeo. De este modo, investigaremos varias
manipulaciones que son especialmente propensas a errores de redondeo.
Operaciones aritméticas comunes.
Cuando se suman dos números de punto flotante, el número de la mantisa con el
exponente menor se modifica de tal forma que los exponentes sean los mismos. Esto
tiene el efecto de alinear los puntos decimales.
Por ejemplo, suponga que se quiere sumar
0.1557 · 101 + 0.4381 · 10–1. El decimal de la mantisa del segundo número se recorre a
la izquierda un número de lugares igual a la diferencia de los exponentes [1 – (–1) = 2],
así,

y el resultado es cortado a 0.1600 · 101.

La resta se realiza en forma idéntica a la suma, con la excepción del signo del sustraendo,
que es negativo.
La multiplicación y la división resultan un poco más sencillos que la suma y la
resta. Los exponentes se suman y la mantisa se multiplica.

Cálculos grandes. Ciertos métodos requieren un número extremadamente grande

de manipulaciones aritméticas para llegar a los resultados finales. Además, dichos cálculos
a menudo son interdependientes; es decir, los cálculos son dependientes de
los resultados previos. En consecuencia, aunque el error de redondeo individual sea
pequeño, el efecto acumulativo durante el proceso de muchos cálculos puede ser relevante.
En muchos
casos, los errores en grandes cálculos alternan el signo de manera aleatoria y, entonces,
con frecuencia se cancelan. Sin embargo, hay también algunos casos donde tales errores
no se cancelan pero, en efecto, llevan a resultados finales dudosos. En las siguientes
secciones se mostrará cómo puede ocurrir esto.
Suma de un número grande y uno pequeño. Suponga que se desea sumar un número
pequeño, 0.0010, con un número grande, 4 000, utilizando una computadora hipotética
con una mantisa de 4 dígitos y un exponente de 1 dígito. Modificamos el número
pequeño para que su exponente sea igual al del grande,

Cancelación por resta. Se refiere al redondeo inducido cuando se restan dos números
de punto flotante casi iguales.
Un caso común donde esto ocurre es en la determinación de las raíces de una ecuación
cuadrática o parábola utilizando la fórmula cuadrática,
Dispersión. La dispersión ocurre generalmente cuando los términos individuales en
la sumatoria son más grandes que la sumatoria misma.
Productos internos. De las secciones anteriores debe quedar claro que, algunas series
infinitas son particularmente propensas a errores por redondeo. Por fortuna, el cálculo
de series no es una de las operaciones más comunes en métodos numéricos. Una manipulación
más frecuente es el cálculo de productos internos, esto es,

Esta operación es muy común, en particular en la solución de ecuaciones simultáneas

lineales algebraicas. Tales sumatorias son propensas a errores por redondeo. En consecuencia,
a menudo es deseable calcular tales sumas con precisión extendida.

Errores de truncamiento
Chapra 102
LA SERIE DE TAYLOR
El teorema de Taylor (véase cuadro 4.1) y su fórmula, la serie de Taylor, es de gran valor
en el estudio de los métodos numéricos. En esencia, la serie de Taylor proporciona un
medio para predecir el valor de una función en un punto en términos del valor de la
función y sus derivadas en otro punto. En particular, el teorema establece que cualquier
función suave puede aproximarse por un polinomio.
Con frecuencia es conveniente simplificar la serie de Taylor definiendo un tamaño
de paso o incremento h = xi+1 – xi y expresando

En general, la expansión de la serie de Taylor de n-ésimo orden será exacta para un

polinomio de n-ésimo orden. Para otras funciones continuas y diferenciables, como las
exponenciales y las senoidales, no se obtiene una estimación exacta con un número finito
de términos. Cada uno de los términos adicionales contribuye, aunque sea con poco,
al mejoramiento de la aproximación.

Ejemplo:
Chapra 104

Uso de la serie de Taylor para estimar los errores de truncamiento

Aunque la serie de Taylor es extremadamente útil en la estimación de
errores de truncamiento a lo largo de este libro, puede que aún no esté
muy claro cómo la expansión puede aplicarse en estos momentos a los
métodos numéricos. En realidad, esto ya se hizo en el ejemplo del paracaidista. Recuérdese que el objetivo de los ejemplos l.
1 y l. 2 fue el de
predecir la velocidad en función del tiempo. Esto es, se deseaba determinar
u (t) . Como se especificó en la ecuación (3. 12), u (t) se puede expandir
en la serie de Taylor como:

MN… 87

ERRORES POR EQUIVOCACIÓN,

DE PLANTEAMIENTO E INCERTIDUMBRE
EN LOS DATOS
Errores por equivocación
Las equivocaciones ocurren a cualquier nivel del proceso de modelación
matemática y pueden contribuir con todas las otras componentes del
error. Se pueden evitar únicamente con el conocimiento de los principios
fundamentales y con el cuidado sobre la aproximación y diseño de la solución
a un problema
Errores de formulación
Los errores de formulación o de modelamiento degeneran en lo que se
podría considerar como un modelo matemático incompleto. Un ejemplo
de un error de formulación imperceptible es el hecho de que la segunda
ley de Newton no explica los efectos relativísticos. Esto no desvirtúa la
validez de la solución del ejemplo 1.1 ya que estos errores son rnínimos
en las escalas de tiempo y espacio de la caída del paracaidista.

3.7.3 Incertidumbre en los datos

Algunas veces se introducen errores en un an3lisis debido a la incertidumbre
de los datos físicos sobre los que se basa el modelo.
y bajas entonces se trata de una cuestión de precisión.
Los errores de medición se pueden cuantificar sumando los datos con
una o más estadisticas bien conocidas, que generan tanta información como
sea posible, observando las características específicas de los datos. Estas
estadísticas descriptivas a menudo son seleccionadas para presentar 1)
la posición del centro de distribución de los datos y 2) el grado de esparcimiento
de los datos. Comot ales dan una medida dlea desviación e imprecisión,
respectivamente.

- Estabilidad de Método En el subcampo matemático del análisis numérico, la estabilidad numérica es una propiedad de los
algoritmos numéricos. Describe cómo los errores en los datos de entrada se propagan a través del algoritmo. En un método
estable, los errores debidos a las aproximaciones se atenúan a medida que la computación procede. En un método
inestable, cualquier error en el procesamiento se magnifica conforme el cálculo procede. Métodos inestables generan
rápidamente basura y son inútiles para el procesamiento numérico.
Algunas veces un sólo cálculo puede ser logrado de varias maneras, que pueden ser algebraicamente idénticas en términos
de números reales o complejos, pero que en la práctica producen resultados diferentes según varían los niveles de
estabilidad numérica. Una de las tareas comunes del análisis numérico es tratar de seleccionar algoritmos robustos: esto es,
que tienen una buena estabilidad numérica en un amplio intervalo (range) de situaciones.