Asignatura: Análisis numérico I

Carrera: Licenciatura en matemáticas

Alumno: Raúl Ibáñez Couoh

Matrícula: ES172001745

Docente: Alejandro Salazar Guerrero

Unidad 2. Sistemas numéricos

Evidencia de aprendizaje. Análisis, modelación y estabilidad de errores

05/05/2019, Zihuatanejo, Guerrero, México.

Evidencia de aprendizaje. Sistemas numéricos

1. Contesta las siguientes preguntas sobre Sistemas de Punto Flotante

a) ¿Qué es el épsilon de la máquina 𝜖𝜖𝑀𝑀𝑀𝑀𝑀𝑀ℎ ?
Es el menor valor de una determinada máquina que cumple la siguiente propiedad:

1,0 + 𝜖𝜖 − 𝑚𝑚𝑚𝑚𝑚𝑚ℎ > 1,0

Escribe las expresiones para calcular

1 1−𝑝𝑝
𝜖𝜖𝑀𝑀𝑀𝑀𝑀𝑀ℎ = 𝛽𝛽
2
b) Error absoluto

𝐸𝐸𝐸𝐸𝑟𝑟𝑎𝑎𝑎𝑎𝑎𝑎 = |𝑓𝑓(𝑥𝑥) − 𝑓𝑓(𝑥𝑥�)|

c) Error relativo
𝐸𝐸𝐸𝐸𝑟𝑟𝑎𝑎𝑎𝑎𝑎𝑎
𝐸𝐸𝐸𝐸𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 =
𝑓𝑓(𝑥𝑥)
d) Condicionamiento
𝑓𝑓′(𝑥𝑥)
𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛 = |𝑥𝑥 |
𝑓𝑓(𝑥𝑥)
e) Describe con detalle los conceptos de condicionamiento y estabilidad. ¿Qué
describe cada uno?

Condicionamiento:
El condicionamiento de una función f(x) se usa para describir la sensibilidad del valor de una
función a cambios en su argumento.
𝑓𝑓′(𝑥𝑥)
𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛 = |𝑥𝑥 |
𝑓𝑓(𝑥𝑥)
Estabilidad:
La estabilidad es una medida que gira en torno al algoritmo específico con el que se trabaje.
Se dice que un algoritmo es estable si en cada paso involucrado la acumulación del error no
crece demasiado.
 2. Escribe todos los elementos del conjunto de punto flotante 𝑭𝑭𝑳𝑳<𝟐𝟐,𝟑𝟑,−𝟏𝟏,𝟐𝟐> así como
los valores de 𝑶𝑶𝑶𝑶𝑶𝑶 y 𝑼𝑼𝑼𝑼𝑼𝑼?
Elementos:

𝑈𝑈𝑈𝑈𝑈𝑈 = 0.438
𝑂𝑂𝑂𝑂𝑂𝑂 = 7
 3. La media de una muestra de datos se define por la expresión
1 𝑛𝑛
𝑥𝑥̅ = � 𝑥𝑥𝑖𝑖
𝑛𝑛 𝑖𝑖=1

Y la varianza para la misma muestra se define por:

1 𝑛𝑛
𝜎𝜎 2 = � � (𝑥𝑥𝑖𝑖 – 𝑥𝑥̅ )2 �
𝑛𝑛 − 1 𝑖𝑖=1
Pero una forma equivalente de calcular la varianza y que es muy útil para calcularla para
muestras grandes es la siguiente
2
2
1 𝑛𝑛
2
1 𝑛𝑛
𝜎𝜎 = �� 𝑥𝑥𝑖𝑖 − �� 𝑥𝑥𝑖𝑖 � �
𝑛𝑛 − 1 𝑖𝑖=1 𝑛𝑛 𝑖𝑖=1

Y que se encuentra en muchos libros de estadística. Esta expresión es más cómoda porque
se pueden recorrer los datos una sola vez en vez de dos veces como lo implican las primeras
dos expresiones (una vez para la media y otra para la varianza).
Argumenta que algoritmo es más estable y por qué.
Debido a que la materia trata de algoritmos, he retomado un problema de Herramientas y
lenguajes computacionales para poder analizar nuestro problema.

A través del Lenguaje R, establecí las siguientes líneas de código para lo que se me pedía.
x<- c(5,10,15,20,25)
n<- c(3,7,5,3,2)
Media<- c(sum(x*n)/sum(n))
print(Media)

#desviación media
DM<-c((sum(abs(x-Media)*n))/sum(n))
print(DM)

#Varianza
 s<-c((sum(x^2*n)/sum(n))-((sum(x*n)/sum(n))^2))
print(s)
y en la consola nos muestra lo siguiente:

> x<- c(5,10,15,20,25)

> n<- c(3,7,5,3,2)
> Media<- c(sum(x*n)/sum(n))
> print(Media)
[1] 13.5
>
> #desviación media
> DM<-c((sum(abs(x-Media)*n))/sum(n))
> print(DM)
[1] 5
>
> #Varianza
> s<-c((sum(x^2*n)/sum(n))-((sum(x*n)/sum(n))^
> print(s)
[1] 35.25

Concentrándonos entorno a la varianza, debemos tomar en cuenta la línea de código de la

desviación estándar.
#desviacion estandar
s<-c((sum(x^2*n)/sum(n))-((sum(x*n)/sum(n))^2))
Esta línea de código gira entorno a la expresión que es más cómoda porque se pueden recorrer
los datos una sola vez en vez de dos veces como lo implican las primeras dos expresiones
(una vez para la media y otra para la varianza).
La conclusión que tomo entorno a la pregunta es que ambos algoritmos poseen la condición
de estabilidad, sin embargo, el primero puede acarrear una mayor cantidad de errores entorno
a muestras de tamaños muy grandes.
 4. Considera la función que se mencionó en el problema 1 del problema
prototípico. Investiga al menos otras dos funciones que podrían servir para aproximar
los valores de , puede ser otra función trigonométrica o bien una función polinomial
(como un polinomio de Taylor). Una vez elegidas calcula sus valores para x=0.001,
x=0.0001, x=0.00001. Puedes apoyarte de una hoja de cálculo, ¿cómo varían los
resultados de estas dos funciones con respecto a la función original? Reporta dichos
valores, así como el error.

El polinomio de Taylor de f(x) es:

El polinomio de Taylor de f(x) es:

El polinomio de Taylor de f(x) es:
El polinomio de Taylor de f(x) es:

El polinomio de Taylor de f(x) es:

 El polinomio de Taylor de f(x) es:

Bibliografía
Benalcázar, H. (2007). Análisis númerico. Quito: Serie de matemática universitaria.
Chapra, S. C. (2007). Métodos númericos para ingenieros. México: Mc Graw Hill .
Mora, W. (2010). Introducción a los Métodos Númericos. Costa Rica : Revista digital
matemática .
Nakamura, S. (1992). Métodos númericos aplicados con Software. México: Pearson
Educación.
Sauer, T. (2013). Análisi númerico. México: Pearson.