UNIDAD 1 CLASE 2

TEORIA DE LOS ERRORES

EXACTITUD Y PRECISIÓN

Los errores en cálculos y medidas se pueden

caracterizar con respecto a su exactitud y su
precisión.

EXACTITUD: se refiere a qué tan cercano está el

valor calculado o medido del valor verdadero.

PRESICIÓN: se refiere a qué tan cercanos se

encuentran, unos de otros, diversos valores
calculados o medidos.
INEXACTITUD: (conocida también como sesgo) se
define como una desviación sistemática del valor
verdadero.

IMPRECISIÓN: (también llamada incertidumbre), por

otro lado, se refiere a la magnitud en la dispersión.
Los métodos numéricos deben ser:

Suficientemente exactos o sin sesgo para

satisfacer los requisitos de un problema particular
de ingeniería.

Suficientemente precisos para ser adecuados en

el diseño de la ingeniería.
ERROR ABSOLUTO, ERROR RELATIVO Y ERROR %

ERROR ABSOLUTO: (EA) = I p* - p I

Donde: p* es una aproximación de p

ERROR RELATIVO: (ER) = ( I p* - p I ) / p , Si p ≠ 0

ERROR RELATIVO %: (ERP) = ER * 100

En los métodos numéricos, el valor verdadero sólo se
conocerá cuando se tengan funciones que se
resuelvan analíticamente.
En muchas aplicaciones reales, no se conoce a priori
la respuesta verdadera. Entonces en dichos casos,
una alternativa es normalizar el error, usando la mejor
estimación posible al valor verdadero.

a significa que el error está normalizado a un valor aproximado

Definición:
Se dice que el número p* aproxima a p con t dígitos
significativos si t es el entero más grande no negativo,
para el cual se cumple.
I p* - p I / p < 5 * 10 - t
Supóngase, por ejemplo, el número 10. Para que p*
aproxime a 10 con dos cifras significativas, usando la
definición, p* debe cumplir con:
 I p* - 10 I / 10 < 5 * 10 – 2

- 5 * 10 – 2 < I p* - 10 I / 10 < 5 * 10 – 2

10 - 5 * 10 – 1 < p* < 5 * 10 – 1 + 10

9,5 < p* < 10,5

Esto es cualquier valor de p* en el

intervalo (9.5 , 10.5) cumple la condición.
A menudo, cuando se realizan cálculos, no importa
mucho el signo del error, sino más bien que su valor
absoluto porcentual sea menor que una tolerancia
porcentual prefijada ∈s.
Se emplea el valor absoluto de las ecuaciones, hasta
que se cumpla:

Es conveniente también relacionar estos errores con el

número de cifras significativas en la aproximación.
Es posible demostrar (Scarborough, 1966) que si el
siguiente criterio se cumple, se tendrá la seguridad que el
resultado es correcto en al menos n cifras significativas.
Los errores de cuantificación serán proporcionales a la
magnitud del número que será representado.
Para normalizar los números de punto flotante, esta
proporcionalidad se expresa:

• Para los casos en que se emplea el corte o

truncamiento:

• Para los casos en que se emplea el redondeo:

Se le denomina épsilon de la máquina, el cual se
calcula como:

b: es el número base y t es el número de dígitos

significativos en la mantisa

Entre aplicaciones prácticas en los métodos numéricos:

Operación de probar si dos números son iguales.

Ocurre cuando se prueba la convergencia de
cantidades, así como en los mecanismos para detener
procesos iterativos.
Es recomendable probar si su diferencia es menor que
una pequeña tolerancia aceptable

El épsilon de la máquina, además, se emplea al formular

criterios de paro o de convergencia. Esto asegura que
los programas sean portátiles, es decir, que no sean
dependientes de la computadora sobre la cual se hayan
implementado
Se debe reconocer que aún hay casos donde el error
de redondeo resulta crítico.

Existe por esto la especificación de precisión

extendida.

La más común es la doble precisión, en la cual se

duplica el número de palabras utilizado para guardar
números de punto flotante.

En las computadoras comerciales se utilizan formatos

que permiten 24 bits para ser usados por la mantisa.

La precisión extendida no debería utilizarse en forma

generalizada.
Consideraciones

• Por lo general interesa el error absoluto y no el

relativo, pero cuando el valor exacto de una
cantidad es “muy pequeño” o “muy grande”,
el error absoluto puede ser engañoso,
mientras que los errores relativos son más
significativos
Causas de errores graves en computación

a) Suma de números muy distintos en

magnitud
b) Resta de números casi iguales
c) Overflow y Underflow
d) Multiplicación y división
a) Suma de números muy distintos en magnitud

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 corre a la izquierda un número de lugares
igual a la diferencia de los exponentes [1 – (–1) = 2],
así,
–1 1
0.4381 · 10 → 0.004381 · 10

Ahora se suman los números,

1
0.1557 · 101
0.004381 · 101
0.160081 · 10

1
y el resultado es cortado a 0.1600 · 10 .

Ejercicio: sumar 0.002 a 600 en la computadora decimal imaginaria.

b) Resta de números casi iguales

La resta se realiza en forma idéntica a la suma, con la excepción del signo del
sustraendo, que es negativo.

Por ejemplo, suponga que hacemos la resta 36.41 menos 26.86.

Esto es,

2
0.3641 · 10
2
–0.2686 · 10
2
0.0955 · 10

Aquí el resultado no está normalizado y se debe correr el decimal un lugar a la

1
derecha para obtener 0.9550 · 10 = 9.550.
Es posible obtener resultados más dramáticos todavía, cuando las cantidades estén
muy cercanas, como por ejemplo,
3
0.7642 · 103
–0.7641 · 103
0.0001 · 10

que podría convertirse en

0
0.1000 · 10 = 0.1000

Así, en este caso, se agregan tres ceros no significativos, lo cual introduce un error
sustancial de cálculo debido a que las manipulaciones siguientes actúan como si
los ceros fueran significativos.

La pérdida significativa durante la resta de números casi iguales es una de las

principales fuentes de errores de redondeo en los métodos numéricos
Es posible obtener resultados más dramáticos todavía, cuando las
cantidades estén muy cercanas, como por ejemplo,

3
0.7642 · 10
3
–0.7641 · 10
3
0.0001 · 10

que podría convertirse en

0
0.1000 · 10 = 0.1000
c) Multiplicación y la división:
Los exponentes se suman y la mantisa se multiplica.

Debido a que la multiplicación de dos mantisas de n dígitos da como resultado

2*n dígitos

Muchas computadoras ofrecen resultados intermedios en un registro de doble

longitud.
3 –1 2
Por ejemplo, 0.1363 · 10 × 0.6423 · 10 = 0.08754549 · 10

el resultado es normalizado,

2 1
0.08754549 · 10 → 0.8754549 · 10
1
y cortando resulta 0.8754 · 10
c) Overflow y Underflow

Con frecuencia una operación aritmética con dos números válidos

da como resultado un número tan grande o tan pequeño que la
computadora no puede representarlo; la consecuencia es que se
produce un overflow o un underflow, respectivamente.

Otro caso de overflow puede ocurrir en la división; por

ejemplo
c) Overflow y Underflow

Con frecuencia una operación aritmética con dos números válidos

da como resultado un número tan grande o tan pequeño que la
computadora no puede representarlo; la consecuencia es que se
produce un overflow o un underflow, respectivamente.
El underflow puede aparecer en la multiplicación o división, las
computadoras casi nunca envían mensaje de underflow.

Por ejemplo:

Como el exponente –10 está excedido en un dígito, no puede

guardarse en la computadora y este resultado se expresa
como valor cero.

Dicho error expresado como error relativo es muy pequeño, y

a menudo no es serio.