Manu1 U2 Ea Helb

Análisis Numérico I
Unidad 2. Sistemas numéricos

Evidencia de Aprendizaje. Sistemas Numéricos.
UNIVERSIDAD ABIERTA Y A
DISTANCIA DE MEXICO
ANALISIS NUMERICO
PRESENTA: HERLINDA
LOPEZ BAEZ
PROFESORA: MARIA
VICTORIA CHAVEZ
HERNANDEZ
MATRICULA: ES1822023810
1. Contesta las siguientes preguntas sobre Sistemas de Punto Flotante

a) ¿Qué es el épsilon de la máquina ?
b) Escribe las expresiones para calcular
c) Error absoluto
d) Error relativo
e) Condicionamiento
f) Describe con detalle los conceptos de condicionamiento y estabilidad. ¿Qué
describe cada uno?
2. Escribe todos los elementos del conjunto de punto flotante así como
los valores de y ?
3. La media de una muestra de datos se define por la expresión
Y la varianza para la misma muestra se define por:
Pero una forma equivalente de calcular la varianza y que es muy útil para
calcularla para muestras grandes es la siguiente
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.

1. a) Se define como òMach como el error máximo al cual puede llegar el error
relativo y determina la exactitud de nuestro sistema de punto flotante, el cual se
calcula por:
Si utilizamos redondeo truncando posiciones: òMach  

1 p
1 1 p
Si utilizamos redondeo al dígito más próximo: òMach  
2
Alternadamente, se puede definir como el número más pequeño ò tal que

fl  1  ò  1
c) El error absoluto, se define como la diferencia entre el valor real y el valor por
redondeo al normalizarlo a un determinado sistema de punto flotante, y está dado por:
Ea  f  xˆ   f  x 
d) En cuanto al error relativo, se calcula como el cociente del error absoluto y el

valor real:
Ea f  xˆ   f  x 
Er  
f  x f  x
El cual por definición, nunca puede ser mayor al error de máquina:
f  xˆ   f  x 
 òMach
f  x
e) El número de condicionamiento, nos establece la sensibilidad que tenemos a los

cambios de los resultados de cómputo al normalizar un número a un valor de punto
flotante específico, y se calcula por la siguiente ecuación:
xf   x 

f  x
f) Como se mencionó anteriormente el número de condicionamiento nos indica la

sensibilidad de una función a los cambios de los argumentos que se proporcionan al ser
normalizada, se dice que un problema es buen condicionado si un cambio en los datos
reales es proporcional a su valor normalizado, como se observa en la ecuación previa, si
el número de condicionamiento es una constante, entonces las variaciones son
proporcionales, y debido a ello se dice adicionalmente que este sistema es estable, si por
el contrario el número de condicionamiento varía con la variable independiente, se dice
que el sistema es inestable ya que las variaciones no son proporcionales.
2. Para el cálculo de todos los elementos del conjunto utilizamos la siguiente formula:
2    1  p 1  eMax  eMin  1  1
Así que para FL 2,3, 1,2 tendríamos:
n  2  2  1 231  2  1  1  1  33
Ahora para los límites inferiores y superiores:
UFL   eMin  21  0.5
  
OFL   eMax 1 1    p  221 1  23  7 
Y tomando en cuenta esta cantidad de elementos y los limites, podemos obtener los
elementos del conjunto, con la fórmula:
=0.5+((7-0.5)/32*(A2-1))
 OFL  UFL 
numi  UFL   
  n  1  i  1
 
Tabulando los valores tenemos los siguientes valores:

3. Empezamos calculando los valores para diferentes cantidades de muestras,
suponiendo que se utiliza una normalización a punto flotante con 4 digitos significativos:
Graficando los errores relativos y trazando una tendencia para ambos cálculos de
varianza tenemos:
Por esta gráfica se observa que conforme se incrementan las muestras se decrementa el
error relativo en la version alterna a comparación de la versión tradicional.
Por lo que se deduce que el algoritmo es más eficiente conforme se incrementan las
muestras.
Referencias:
Floating-Point Numbers – Curso FMN140

fecha de consulta: 04 de diciembre de 2014
http://www.maths.lth.se/na/courses/FMN140/FMN140-05/float.pdf
1.3.1 Definición de error: error absoluto y relativo. – Tecnológico de Tuxtla Gutiérrez

https://sites.google.com/site/khriztn/1-3/1-3-1
TEMA 2. ARITMETICA FLOTANTE Y ANÁLISIS DE ERRORES - Francisco R. Villatoro

http://www.lcc.uma.es/~villa/tn/tema02.pdf

Manu1 U2 Ea Helb

Cargado por

Copyright:

Formatos disponibles

Manu1 U2 Ea Helb

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manu1 U2 Ea Helb

Cargado por

Copyright:

Formatos disponibles

Análisis Numérico I

Unidad 2. Sistemas numéricos

1. Contesta las siguientes preguntas sobre Sistemas de Punto Flotante

Y la varianza para la misma muestra se define por:

Y que se encuentra en muchos libros de estadística. Esta expresión es más

Argumenta que algoritmo es más estable y por qué.

Si utilizamos redondeo truncando posiciones: òMach  

Alternadamente, se puede definir como el número más pequeño ò tal que

d) En cuanto al error relativo, se calcula como el cociente del error absoluto y el

El cual por definición, nunca puede ser mayor al error de máquina:

e) El número de condicionamiento, nos establece la sensibilidad que tenemos a los

f) Como se mencionó anteriormente el número de condicionamiento nos indica la

Así que para FL 2,3, 1,2 tendríamos:

Ahora para los límites inferiores y superiores:

UFL   eMin  21  0.5

Tabulando los valores tenemos los siguientes valores:

Floating-Point Numbers – Curso FMN140

1.3.1 Definición de error: error absoluto y relativo. – Tecnológico de Tuxtla Gutiérrez

TEMA 2. ARITMETICA FLOTANTE Y ANÁLISIS DE ERRORES - Francisco R. Villatoro

También podría gustarte