CLASE 3

1,/ Diferenciacin numrica.

2,/Integracin numrica.

3,/Interpolacin y aproximacin polinomial.

4,/Ajustes de curvas.
DIFERENCIACIN NUMRICA
La serie de Taylor nos muestra la aproximacin del valor de una funcin a partir
de una aproximacin geomtrica, consideremos que:
En una primera aproximacin podemos decir que:
Sin embargo podemos decir que podremos calcular para X(i+1), el valor de f(x(i+1)),
con la ayuda de la pendiente y la distancia que tiene desde x(i)
Si agregamos de forma generalizada trminos y consideramos que:
Tenemos que:
Con el residuo calculado como:
DIFERENCIACIN NUMRICA
Despejando f tenemos:
Reduciendo trminos, nos queda:
Estas son las diferencias divididas y h es constante.
DIFERENCIACIN NUMRICA
Una forma de obtener la aproximacin de la segunda derivada es la siguiente
Y considerando la serie de taylor para f(x+h) y f(x-h)
Nos da dos opciones para obtener la derivada
(*)
DIFERENCIACIN NUMRICA
Con lo cual nos da origen a las 3 derivas calculadas posibles
central
Derecha o
adelante
Izquierda o
atrs
DIFERENCIACIN NUMRICA
Ahora para las segundas derivadas tenemos que, consideramos f(x+2h) y f(x-2h) :
Eliminado f con (*)
Diferencias central
Diferencia: Derecha o
adelante
Diferencia: Izquierda o
atrs
DIFERENCIACIN NUMRICA
Y que sucede si h no es constante????.......habr que usar el
polinomio de Lagrange para resolver
Polinomio de lagrange
con
Si n es 1 se tiene:
Si n es 2 se tiene:
Y ahora a derivar:
Mtodo de lagrange
DIFERENCIACIN NUMRICA
Finalmente:
DIFERENCIACIN NUMRICA
Aplicacin a derivadas parciales:
INTEGRACIN NUMRICA
Formulas de integracin de newton-cortes

Son los tipos de integracin mas comunes y se basan en la
estrategia de reemplazar una funcin complicada por un
polinomio de aproximacin fcil.
En las formas cerradas, se
conoce los valores limites (+) y
en las abiertas no (++)
(+)
(++)
INTEGRACIN NUMRICA
Regla del trapecio, corresponde al caso :
Si consideramos que una lnea recta se puede representar por:
La integral resulta ser:
Integrando tenemos que:
INTEGRACIN NUMRICA
demostracin
Error es
Es un valor perteneciente al
intervalo, obsrvese que si no hay
segunda derivada, el error en nulo
INTEGRACIN NUMRICA
Regla del trapecio, ejemplo :
INTEGRACIN NUMRICA
Regla del trapecio compuesta.
INTEGRACIN NUMRICA
Regla del trapecio compuesta.
INTEGRACIN NUMRICA
ejemplo
INTEGRACIN NUMRICA
Regla se simpson
Hay varias formas de aplicar la regla se simpson, esta consiste en realizar
una aproximacin mediante un polinomio de lagrange (con distinto orden),
entonces:
Y para n =2, tenemos la regla se simpson 1/3, ya que:
INTEGRACIN NUMRICA
Regla se simpson
Simpson 1/3 Simpson 3/8
Luego de integrar se logra:
Pero para este caso el intervalo esta dado por:
Finalmente queda:
Y el erros es:

INTEGRACIN NUMRICA
Regla se simpson ejemplo
INTEGRACIN NUMRICA
Regla del simpson 1/3 compuesta.
INTEGRACIN NUMRICA
Regla del simpson 1/3 compuesta. Ejemplo:
INTEGRACIN NUMRICA
Regla del simpson 3/8
Finalmente las formas cerradas de los mtodos newton cortes dependern del
grado del polinomio de ajuste y de los segmentos usados
INTEGRACIN NUMRICA
Integracin en segmentos desiguales:
Para integrales impropias resolver con un numero pequeo o con un numero
grande, dependiendo si el limite es 0 o infinito
INTEGRACIN NUMRICA
INTERPOLACIN Y APROXIMACIN POLINOMIAL





Objetivo: Estimar valores intermedios entre valores conocidos. El mtodo ms comn para
responder a este propsito es utilizar interpolacin polinomial.

Para + puntos, existe un nico polinomio de grado o menor que pasa a travs de todos
los puntos.


INTERPOLACIN Y APROXIMACIN POLINOMIAL
4.1 Polinomios de interpolacin con diferencias divididas de Newton

4.1.1 Interpolacin lineal
La forma ms simple de interpolacin es la de conectar dos puntos con una lnea recta.
Ejemplo 1:

Calcular logaritmo natural de 2 usando interpolacin lineal, conociendo los valores de ln (1) y
ln 6 . Repetir el procedimiento pero utilizando un intervalo ms pequeo, desde ln (1) a ln (4).
Calcular el error en ambos casos a partir del valor del ln (2) entregado por Matlab.




4.1.2 Interpolacin cuadrtica.
Para determinar los coeficientes de la ecuacin cuadrtica se procede de la siguiente manera:




i) Evaluando en =
0




ii) Reemplazando el valor de
0
en la ecuacin y evaluando en =
1






iii) Finalmente evaluando la ecuacin en =
2
y utilizando los valores de
0
y
1
se tiene
Ejemplo 2:

Utilizando los tres puntos del ejemplo 1, interpolar el valor de ln (2) por medio de un polinomio
cuadrtico. Determinar el error y comparar con valores obtenidos en ejemplo 1.


4.1.3 Forma general de los polinomios de interpolacin de Newton.

Generalizando el procedimiento para + 1 puntos y un polinomio de orden , se tiene:



Evaluando los coeficientes del polinomio
Las evaluaciones colocadas entre parntesis son
las diferencias divididas finitas
Donde las evaluaciones de la funcin entre corchetes son diferencias divididas finitas. Por
ejemplo la primera diferencia dividida finita se representa de manera general como:





La segunda diferencia dividida finita, que corresponde a la diferencia de las dos primeras
diferencias divididas finitas, se expresa de manera general como:






De manera similar, la n-sima diferencia dividida finita es:
De esta manera el polinomio de orden n en su forma general se expresa as:




Polinomio conocido como polinomio de interpolacin de newton en diferencias divididas

De manera esquemtica, el proceso recursivo para obtener las diferencias divididas finitas
corresponde a:








Observacin:
No es necesario que los datos utilizados (

, con = 0, 1, 2, , ) estn igualmente espaciados o

que los valores de la abscisa necesariamente se encuentren en orden ascendente.

Ejemplo 3: Obtener el valor de ln 2 utilizando los puntos
0
= 1,
1
= 4,
2
= 6 y
3
= 5
Ej 18.3 pag 452
4.2 Polinomios de interpolacin de Lagrange

Evita el clculo de las diferencias divididas finitas

Derivacin de la forma de Lagrange directamente del polinomio de interpolacin de Newton
para el caso de primer orden.

1
=
0
+
0

1
,
2

1
=
0
+
0

1

0

1

0

1
=
0
+
0

1

1

0
+

0

0

1

1
=
0
+

0

1

0

1
+

0

0

1

0


Agrupando trminos similares y simplificando, se llega a la formula de Lagrange,

1
=

1

0

1

0
+

0

1

0

1


Generalizando, el polinomio de interpolacin de Lagrange corresponde a:

=0

en donde:

=0

Desarrollo generalizado para un polinomio de grado 2 ( = 2). Primero ampliando para
= 0, 1, 2

2
=
0

0
+
1

1
+
2

2



Ahora ampliando para = 0, 1, 2

2
=

1

0

1

2

0

2

0
+

0

1

0

2

1

2

1
+

0

2

0

1

2

1

2


Ejercicio: Por medio del polinomio de interpolacin de Lagrange, determine la velocidad del
cuerpo a los 10 segundos de iniciado el movimiento. Los datos experimentales son:














Realice la interpolacin utilizando polinomios de grado 1, 2, 3 y 4 y grafique (por el momento no
programar de manera general. Slo calcule para este caso particular). Recordar que: a) si se tiene
+ 1 datos, entonces el grado del polinomio debe ser y b) no extrapolar.
Tiempo Velocidad (cm/s)
1 800
3 2310
5 3090
7 3940
13 4755
Observacin:

El comportamiento de los polinomios de interpolacin puede ser inesperado, por lo que es
necesario comparar y verificar resultados.

Tener presente el comportamiento de la situacin fsica que se est estudiando. Los
polinomios de orden superior tienden a descomponer la tendencia de datos.

Utilizar polinomios de bajo orden necesariamente descarta algunos datos que podran ser
significativos en el comportamiento de la situacin fsica.

N=4
N=3
N=2 N=1
4.3 Interpolacin Segmentaria (Spline)

Los polinomios orden superior tienden a generar resultados errneos, como el ejemplo
anterior.

Una posible solucin es aplicar polinomios de orden inferior a subconjunto de datos,
asegurando la continuidad de la funcin.
tarea
Conseguir los valores de a b y c para cada intervalo:
Considerar que:
1. Los valores f(x) entre dos intervalos son iguales
2. Considerar que las derivadas entre los intervalos deben ser iguales.
3. El primer y ultimo punto debe coincidir con los valores conocidos.
4. Considere que a1 =0
5. Resuelva el sistema de ecuaciones.


Trazador cuadrtico

Puede ser cubico??

o de otro orden??


AJUSTE DE CURVAS

AJUSTE DE CURVAS
3.1 Regresin lineal = +
(Obj: Determinar coeficientes y )
Serie de n puntos registrados
experimentalmente.

1
=
1
,
1

2
=
2
,
2

3
=
3
,
3

Error o residuo entre modelo y medicin:

Cul es el criterio para un mejor ajuste?
Minimizar error:

=1

Minimizar error absoluto:

=1

Estos mtodos no garantizan una nica curva de ajuste.

Minimizar las suma de los cuadrados de los residuos:

2
=

=1

=1
=

=1


Con este mtodo se garantiza una nica curva de ajuste que minimiza

= 2

= 0

= 2

= 0

= 0

2
= 0
Sistema de ecuaciones lineales de 2x2




=

2


=
b
b
na
a
3.2.2 Cuantificacin del error en regresin lineal. Recordando:

Media
=

=1

Error o residuo respecto del valor medio.

=1


Desviacin estndar.

1

Error o residuo de la regresin:

2
=

=1

=1
=

=1



Error estndar de la aproximacin.

/
=

2

Coeficiente de determinacin

2
=

coeficiente de determinacin

Si el coeficiente de determinacin (
2
) es iguala a 1 (

= 0), entonces la lnea recta explica

el 100% de la variabilidad de la muestra.

Una regresin es aceptable si
/
<

Coeficiente de correlacin (r)
3.2 Linealizacin: Consiste en realizar transformaciones matemticas (cambio de
variable por ejemplo), en una expresin no lineal para que sea compatible con el
mtodo de regresin lineal.
Ejemplos:
1 =
2
1 = , =
2

2 =

2 = +, = ln, v = ln
3.3 Regresin Polinomial

Se tiene un polinomio de grado m de la forma:


Entonces la suma de los cuadrados del residuo corresponde a:



Minimizando el error se obtiene un sistema de ecuaciones de (m+1) x (m+1)

Reordenando el sistema de ecuaciones, se obtiene:
Este sistema de ecuaciones lineales se puede expresar matricialmente, quedando definido
de la siguiente manera:
Error estndar de la regresin:






por qu la expresin del error estndar est dividida por ( + 1)?

Ejercicio: Realizar ajuste polinomial (grado 2 y 3) para el siguiente caso.







Resp:
Grado

2 2.4786 2.3593 1.8607 -
3 2.2508 3.3995 1.2913 0.0759
Qu ajuste es mejor?
3.4 Regresin Lineal Mltiple.



Error de la regresin:
Minimizando el error de la regresin:
Ordenando matricialmente:
Generalizando para m dimensiones
Error estndar de la regresin:
3.5 Regresin no lineal

=
0
1

La relacin entre los datos y la ecuacin no lineal est dada por la siguiente expresin general:

;
0
,
1
,
2
, ,

De manera ms simple

El modelo no lineal puede se expandido en serie de Taylor en torno a los parmetros

;
0
,
1
,
2
, ,

, quedando as:


+1
=

+

0

0
+

1

1
+ +

+

Siendo la estimacin inicial y + 1 la prediccin.
,
=
,+1

,
, con = 0, 1, 2, ,



Truncado la serie de Taylor y reordenando la expresin anterior se tiene:

0

0
+

1

1
+ +

Esta expresin se puede ordenar matricialmente, quedando as definida.

1

1

2

2

=

1

0

1

1


1

0

2

1


2

0,

1,

,
+

1,

2,

,



Aplicando mnimos cuadrados (minimizar el error de la estimacin) y despejando

, se llega
a la siguiente expresin:

Pero teniendo en cuenta que

0,+1

0,

1,+1

1,

,+1

,

Entonces

0,+1

1,+1

,+1
=

0,

1,

,



El error relativo de la iteracin corresponde a

(hgalo usted mismo!)



Adicionalmente en el caso que las derivadas parciales de la funcin sean complejas de desarrollar
de manera analtica, es posible implementar la siguiente aproximacin para evaluar la derivada
parcial en