Análisis de errores

Al realizar cálculos mediante algoritmos más o menos complejos, es inevitable cometer

errores. Estos errores pueden ser de tres tipos:

Errores en los datos de entrada: Este tipo de error viene causado por los errores al realizar
mediciones de magnitudes físicas.

Errores de redondeo: En este caso, el error aparece al operar con representaciones numéricas
finitas. Se puede solucionar utilizando más decimales, pero esto conlleva utilizar más memoria
(recursos).

Errores de truncamiento (o discretización): Este tipo de error se refiere al error que se comete
al utilizar un algoritmo determinado. Esto quiere decir que si se refina la discretización o se
cambia el algoritmo, puede disminuir. Refinar la discretización generalmente lleva a realizar
más cuentas lo que equivale a incrementar el error de redondeo y el tiempo de cálculo.

El primer tipo de error no es analizable matemáticamente dado que está sujeto al avance
tecnológico de los aparatos de medida. El segundo y el tercer tipo de errores se pueden
cuantificar de una forma aproximada utilizando expresiones adecuadas.

Error absoluto.
Es la diferencia entre el valor de la medida y el valor tomado como exacto.
Puede ser positivo o negativo, según si la medida es superior al valor real o
inferior (la resta sale positiva o negativa). Tiene unidades, las mismas que
las de la medida.

El error absoluto de una medida no nos informa por sí solo de la bondad

de la misma. Es evidente, que no es igual de grave tener un error absoluto
de 1 cm al medir la longitud de una carretera que al medir la longitud de
un folio.

El error absoluto es el valor absoluto de la diferencia entre el valor exacto

y el valor aproximado. Hay autores que definen el error absoluto como la
diferencia entre el valor aproximado y el valor exacto, donde la diferencia
únicamente está en el signo ya que no se toma como valor absoluto. Sin
embargo, podríamos tomar como fórmula general la siguiente expresión:
Cuando el valor exacto no es conocido, por ejemplo, en cualquier medida
física, se habla de cota del error absoluto, que será un valor superior al
error absoluto que asegure que el error cometido nunca excederá a ese
valor. Si llamamos c a la cota del error absoluto de un número, se cumplirá:

2.- Error relativo.

El error relativo es el cometido en la estimación del valor de un número, es

el valor absoluto del cociente entre su error absoluto y el valor exacto. El
error relativo da idea de la precisión de una medida, y se suele manejar en
forma de porcentaje (%).

Muchas veces conocemos el error absoluto (Ea), pero es imposible conocer

el valor exacto (A), en cuyo caso, para hallar el error relativo (Er)
dividimos el error absoluto entre el valor aproximado o considerado como
exacto.

También puede hablarse de cota del error relativo, que si la representamos

como β, se cumplirá:

A – A´) / A ≤ β
3.- Error porcentual.
El error porcentual es fácil de definir, es el resultado de multiplicar el
error relativo por 100.

ERP = ER X 100

4.- Error de redondeo.

A continuación se analizarán brevemente algunas consecuencias de utilizar
el sistema binario y una longitud de palabra finita.

Como no es posible guardar un numero binario de longitud infinita o un

numero de mas dígitos de los que posee la mantisa de la computadora que
se esta empleando, se almacena sólo un numero finito de estos dígitos; como
consecuencia, se comete automáticamente un pequeño error, conocido
como error de redondeo, que al repetirse muchas veces puede llegar a ser
considerable.
Ya que la mayor parte de las computadoras tienen entre 7 y 14 cifras
significativas, los errores de redondeo parecerían no ser muy importantes.
Sin embargo, hay dos razones del porqué pueden resultar críticos en
algunos métodos numéricos:

Ciertos métodos requieren cantidades extremadamente grandes para

obtener una respuesta. Además, estos cálculos a menudo dependen
entre si. Esto es, los cálculos posteriores son dependientes de los
anteriores. En consecuencia, aunque un error de redondeo individual
puede ser muy pequeño, el efecto de acumulación en el transcurso de
la gran cantidad de cálculos puede ser significativo.

El efecto del redondeo puede ser exagerado cuando se llevan a cabo

operaciones algebraicas que emplean números muy pequeños y muy
grandes al mismo tiempo. Ya que en este caso se presenta en muchos
métodos numéricos, el error de redondeo puede resultar de mucha
importancia.

5.- Error de truncamiento.

Cuando una expresión matemática se remplaza por una fórmula más
simple, se introduce un error, conocido como error de truncamiento.

Los errores de truncamiento son aquellos que resultan al usar una

aproximación en lugar de un procedimiento matemático exacto. Estos tipos
de errores son evaluados con una formulación matemática: la serie de
Taylor.

Taylor es una formulación para predecir el valor de la función en Xi+1 en

términos de la función y de sus derivadas en una vecindad del punto Xi.
Siendo el término final:

Rn= ((ƒ(n+1) (ξ))/(n+1)!)hn+1

En general, la expansión en serie de Taylor de n-ésimo orden es exacta
par aun polinomio de n-ésimo orden. Para otras funciones continuas
diferenciables, como las exponenciales o senoidales, no se obtiene una
estimación exacta mediante un número finito de términos. Cada una de
los términos adicionales contribuye al mejoramiento de la aproximación,
aunque sea un poco.
Propagación de errores
Ir a la navegaciónIr a la búsqueda
En Estadística, la propagación de errores (o propagación de incertidumbre) es el
efecto de variables de incertidumbre (o errores) en la incertidumbre de una función
matemática basada en ellos. Cuando las variables son los valores de mediciones
experimentales tienen incertidumbre debido a la medición de limitaciones (por ejemplo,
instrumento de precisión), que se propagan a la combinación de variables en la función;
La incertidumbre es normalmente definida por el error absoluto. La incertidumbre también
puede ser definida por el error relativo Δx/x, que usualmente es escrito como un
porcentaje.

Más comúnmente, el error en una cantidad, , está dado por la desviación

estándar, . La desviación estándar es la raíz cuadrada positiva de la varianza, .

El valor de una cantidad y su error son, a menudo, expresados como . Si

la distribución de probabilidad estadística de la variable es conocida o puede ser asumida,
es posible derivar el intervalo de confianza para describir la región dentro de la cual el
valor verdadero de la variable puede ser encontrado. Por ejemplo, el intervalo de confianza
de 68% de una variable perteneciente a una distribución normal es ± una desviación
estándar del valor, esto es, existe un 68% de probabilidad que el valor verdadero se

encuentre en la región . Si las variables están correlacionadas, entonces

la covarianza debe ser tomada en cuenta.