Академический Документы
Профессиональный Документы
Культура Документы
19
TEMA 3
POLINOMIOS INTERPOLANTES Y AJUSTE DE CURVAS
3.1. INTERPOLACIN
En el subcampo matemtico del anlisis numrico, se denomina interpolacin a la
construccin de nuevos puntos partiendo del conocimiento de un conjunto discreto
de puntos.
En ingeniera y algunas ciencias es frecuente disponer de un cierto nmero de
puntos obtenidos por muestreo o a partir de un experimento y pretender construir
una funcin que los ajuste.
Otro problema estrechamente ligado con el de la interpolacin es la aproximacin
de una funcin complicada por una ms simple. Si tenemos una funcin cuyo
clculo resulta costoso, podemos partir de un cierto nmero de sus valores e
interpolar dichos datos construyendo una funcin ms simple. En general, por
supuesto, no obtendremos los mismos valores evaluando la funcin obtenida que
si evalusemos la funcin original, si bien dependiendo de las caractersticas del
problema y del mtodo de interpolacin usado la ganancia en eficiencia puede
compensar el error cometido.
En todo caso, se trata de, a partir de n parejas de puntos (xk,yk), obtener una
funcin f que verifique
f ( x k ) = y k , k = 1, K , n
a la que se denomina funcin interpolante de dichos puntos. A los puntos xk se les
llama nodos. Algunas formas de interpolacin que se utilizan con frecuencia son la
interpolacin polinmica, la interpolacin lineal (la cual es un caso particular de la
anterior), la interpolacin por medio de spline o la interpolacin polinmica de
Hermite.
3.1.1. Interpolacin polinmica de Lagrange:
En anlisis numrico, el polinomio de Lagrange, llamado as en honor a JosephLouis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la
forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto
ms tarde por Leonhard Euler en 1783.
Dado que existe un nico polinomio interpolador para un determinado conjunto de
puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de
Lagrange. Un nombre ms conciso es interpolacin polinmica en la forma de
Lagrange.
Dada un conjunto de n + 1 puntos:
20
( x0 , f ( x0 )), L , ( x n , f ( x n ))
donde todos los xi se asumen distintos, el polinomio interpolador en la forma de
Lagrange es la combinacin lineal:
P ( x) :=
f ( x j )L j ( x) = y0 L0 ( x) + L + yn Ln ( x)
j =0
L j ( x) :=
( x x j 1 ) ( x x j +1 )
x xi
( x x0 ) ( x x1 )
( x xn )
=
L
L
( x j x0 ) ( x j x1 ) ( x j x j 1 ) ( x j x j +1 ) ( x j x n )
i =0,i j x j xi
n
Desventajas de su uso
Debido a que el polinomio interpolador de Lagrange ajusta a todos los puntos que
le son especificados, en situaciones con una gran cantidad de datos se obtiene un
polinomio de grado muy alto, lo cual normalmente resulta imprctico. Es por esta
razn que en la prctica no es comn utilizar este mtodo, sino que se prefiere
ajustar los datos lo mejor posible, utilizando un polinomio de menor grado, incluso
si este polinomio no pasa por ninguno de los puntos que le son especificados
(pero ajusta en forma aproximada siguiendo algn criterio de optimalidad).
Otro problema del polinomio interpolador de Lagrange es lo que se conoce como
overfitting (trmino ingls, algunas veces castellanizado a sobre fiteo): a medida
que crece el grado del polinomio interpolador, se percibe una creciente variacin
entre puntos de control consecutivos, lo que produce que la aproximacin entre
dos puntos continuos sea muy distinta a la que uno esperara.
A pesar de estos problemas, el polinomio interpolador de Lagrange es muy simple
de implemetar y tiene inters terico ms que prctico por su sencillez.
Ejemplo:
Construya los polinomios interpolantes de Lagrange para la funcin f(x) = sen(x)
en los puntos x0 = -1.5, x1 = 0.75, x2 = 0, x3 = 0.75, x4 = 1.5 , evale en x = 1.
Solucin:
x0 = -1.5
f(x0) = 0.99749
x1 = 0.75
f(x1) = 0.68164
x2 = 0
f(x2) = 0
x3 = 0.75
f(x3) = 0.68164
x4 = 1.5
f(x4) = 0.99749
Con cinco puntos, el polinomio interpolador tendr, como mximo, grado cuatro
(es decir, la mxima potencia ser cuatro), al igual que cada componente de la
base polinmica.
La base polinmica es:
L0 ( x) =
( x x1 ) ( x x 2 ) ( x x3 ) ( x x 4 )
( x0 x1 ) ( x0 x 2 ) ( x0 x3 ) ( x0 x 4 )
( x + 3 / 4)
( x 0)
( x 3 / 4)
( x 3 / 2)
(3 / 2 + 3 / 4) (3 / 2 0) (3 / 2 3 / 4) (3 / 2 3 / 2)
32 4 16 3 2 2 1
x x
x + x
243
81
27
9
L1 ( x) =
=
( x x 0 ) ( x x 2 ) ( x x3 ) ( x x 4 )
( x1 x0 ) ( x1 x2 ) ( x1 x3 ) ( x1 x4 )
( x + 3 / 2)
( x 0)
( x 3 / 4)
( x 3 / 2)
(3 / 4 + 3 / 2) (3 / 4 0) (3 / 4 3 / 4) (3 / 4 3 / 2)
L2 ( x ) =
128 4 32 3 32 2 8
x +
x +
x x
243
81
27
9
( x x0 ) ( x x1 ) ( x x3 ) ( x x4 )
( x 2 x0 ) ( x2 x1 ) ( x2 x3 ) ( x 2 x4 )
( x + 3 / 2) ( x + 3 / 4) ( x 3 / 4) ( x 3 / 2)
( 0 + 3 / 2) ( 0 + 3 / 4) ( 0 3 / 4) ( 0 3 / 2)
64 4 20 2
x
x +1
81
9
L3 ( x) =
=
( x x0 ) ( x x1 ) ( x x 2 ) ( x x 4 )
( x3 x0 ) ( x3 x1 ) ( x3 x 2 ) ( x3 x 4 )
( x + 3 / 2) ( x + 3 / 4)
( x 0)
( x 3 / 2)
(3 / 4 + 3 / 2) (3 / 4 + 3 / 4) (3 / 4 0) (3 / 4 3 / 2)
L4 ( x ) =
128 4 32 3 32 2 8
x
x +
x + x
243
81
27
9
( x x0 ) ( x x1 ) ( x x 2 ) ( x x3 )
( x 4 x0 ) ( x4 x1 ) ( x4 x 2 ) ( x 4 x3 )
21
( x + 3 / 2) ( x + 3 / 4)
( x 0)
( x 3 / 4)
(3 / 2 + 3 / 2) (3 / 2 + 3 / 4) (3 / 2 0) (3 / 2 3 / 4)
32 4 16 3 2 2 1
x + x
x x
243
81
27
9
22
P( x) = f ( x0 ) L0 ( x) + f ( x1 ) L1 ( x) + f ( x2 ) L2 ( x) + f ( x3 ) L3 ( x) + f ( x4 ) L4 ( x)
32 4 16 3 2 2 1
128 4 32 3 32 2 8
= 0.99749
x x
x + x 0.68164
x +
x +
x x
81
27
9
81
27
9
243
243
128 4 32 3 32 2 8
32 4 16 3 2 2 1
+ 0.68164
x
x +
x + x + 0.99749
x + x
x x
81
27
9
81
27
9
243
243
= 0.14451x 3 + 0.99014 x
P(x)
f(x)
p p*
100 =
p
0.84147 0.84564
100 0.496%
0.84147
23
Pn ( x) = a0 + a1 ( x x0 ) + a 2 ( x x0 )( x x1 ) + L + a n ( x x0 )( x x1 ) L( x x n1 ) (1)
m
i 1
i =1
j =0
Pn ( x ) = a 0 + ai ( ( x x j ))
Estos coeficientes se calculan mediante diferencias divididas, cuya expresin
general esta dada por:
f [ xi , K , xi + j +1 ] =
f [ xi +1 ,K , xi + j +1 ] f [ xi , K, xi + j ]
xi + j +1 xi
a0 = f [ x0 ] , a1 = f [ x0 , x1 ], K , ai = f [ x0 , x1 , K, xi ]
Con esta notacin, podemos reexpresar la ecuacin (1) como:
Pn ( x) = f [ x0 ] + f [ x0 , x1 ]( x x0 ) + f [ x0 , x1 , x2 ]( x x0 )( x x1 ) + L +
f [ x0 , x1 , x2 ,L, x n ]( x x0 )( x x1 ) L ( x xn1 )
A esta ecuacin se le conoce con el nombre de frmula de diferencias divididas
interpolantes de Newton
Ejemplo:
x +1
es
determinando
Segundas diferencias
divididas
Primeras diferencias
divididas
f (x )
x0
f ( x0 )
f [ x0 , x1 ] =
f ( x1 ) f ( x0 )
x1 x0
x1
f ( x1 )
f [ x1 , x2 ] =
f ( x 2 ) f ( x1 )
x 2 x1
x2
f ( x2 )
f (x )
Primeras diferencias
divididas
f [ x0 , x1 ] =
e3/ 2 e
1/ 2 0
f [ x0 , x1 , x2 ] =
Segundas diferencias
divididas
3/ 2
2e 2 2e 3 / 2 2e 3 / 2 + 2e
1 0
= 2(e 2 2e 3 / 2 + e)
f [ x0 , x1 , x 2 ] =
= 2(e 3 / 2 e)
1
2
f [ x1 , x2 ] f [ x0 , x1 ]
x 2 x0
e 2 e3/ 2
1 1/ 2
2
= 2(e e 3 / 2 )
f [ x1 , x 2 ] =
e2
P2 ( x) = f [ x0 ] + f [ x0 , x1 ]( x x0 ) + f [ x0 , x1 , x2 ]( x x0 )( x x1 )
p p*
100 =
p
5.75460 5.79238
100 0.66%
5.75460
24
25
ACTIVIDAD No. 8
1. Usando los siguientes datos, calclese f(2) con un polinomio de interpolacin
de Lagrange de segundo orden.
x
1
4
5
6
f(x) 0.000 0000 1.386 2944 1.609 4379 1.791 7595
Sugerencia: Tome los puntos x0 = 1, x1 = 4, x3 = 6.
2. Queremos hallar el valor de la funcin f ( x) = sen( x) para x = 1 usando un
polinomio interpolador de Lagrange de grado 2.
(Tome los puntos x0 = 0, x1 = 0.75, x2 = 1.5 y compare con el ejercicio resuelto
en clase)
3. .Dados los datos:
x
1.6
2
f(x) 2
8
2.5
14
3.2
15
4
8
4.5
2
T
P
10
0.5
20
1.7
30
3.4
40
5.7
50 F
8.4 Psia
26
y = a + bx +
Donde los coeficientes a y b son que representan la pendiente y la interseccin
con el eje y respectivamente. es el error o diferencia entre el modelo y las
observaciones. As el error o residuo puede expresarse como:
= y a bx
Luego la suma de los cuadrados de dichas desviaciones estara dada por:
n
i =1
i =1
S r = 2 = ( yi a bxi ) 2
27
La obtencin de los valores de los coeficientes, tales que esta suma sea mnima
es un problema que se puede resolver recurriendo a la derivacin parcial de la
funcin en trminos de a y b e igualando a cero:
n
n
S r
= 2( yi a bxi ) ( 1) = 2 ( yi a bxi ) = 0
a i =1
i =1
n
n
yi a b xi = 0 na + xi b = yi
i =1
i =1
i =1
i =1
i =1
n
(1)
n
n
S r
= 2( yi a bxi ) ( xi ) = 2 ( yi a bxi ) xi = 0
b i =1
i =1
i =1
i =1
i =1
xi y i a x i b
xi2
n
n n 2
= 0 xi a + xi b = xi yi (2)
i =1
i =1 i =1
n
2
xi
xi a yi
n
n
2
1
=
1
=
i
i =1
i
= n xi xi
= n
n
; det( A) = n
n
n
2
2
i =1
i =1
xi xi
b xi y i
x
x
i
i
i =1
i =1
i =1
i =1
i =1
yi
xi
i =1
n
i =1
n
xi y i x i 2
a=
i =1
i =1
det( A)
i =1
i =1
i =1
i =1
2
y i xi 2 xi xi y i
n
n
n xi 2 xi
i =1
i =1
yi
n
n
xi
b=
i =1
i =1
n
xi y i
i =1
det( A)
i =1
i =1
i =1
n x i y i xi y i
n
n xi
i =1
n
xi
i =1
y x 2 x xy
a=
2
2
n x ( x )
; b=
28
n xy x y
n x ( x )
2
Otra forma de calcular los coeficientes es a partir de las medias aritmticas de las
observaciones:
x=
x
n
y=
y
n
a = y bx ; b =
xy n x y
n x2
S xy =
Sr
( yi a bxi ) 2
, Donde S r =
n2
i =1
St S r
; donde S t es el error residual asociado con la variable dependiente
St
antes de la regresin. Una presentacin alternativa es la siguiente:
r2 =
r=
(n x
n xy x y
2
)(
( x ) n y 2 ( y )
2
Criterios:
0 a 0.2 Correlacin muy dbil, despreciable
0.2 a 0.4 Correlacin dbil. baja
0.4 a 0.7 Correlacin moderada
29
6.0 10.2
4.4 5.4
xy
x2
y2
( y y ) 2
7.2
4.2
30.24
51.84
17.64
4.6133
0.1708
6.7
4.9
32.83
44.89
24.01
4.5109
0.1514
17.0
7.0
119.00
289.00
49
6.6201
0.1443
12.5
6.2
77.50
156.25
38.44
5.6986
0.2514
6.3
3.8
23.94
39.69
14.44
4.429
0.3956
23.9
7.6
181.64
571.21
57.76
8.033
0.1875
6.0
4.4
26.40
36.00
19.36
4.3676
0.001
10.2
5.4
55.08
104.04
29.16
5.2276
0.0297
89.8
43.5
546.63
1292.92
249.81
=
= 3.1389
a=
2
2
8 1292.92 (89.8) 2
n x ( x )
n xy x y 8 546.63 89.8 43.5
b=
=
= 0.20477
2
2
8 1292.92 (89.8) 2
n x ( x )
1.3317
30
Esta ecuacin permite estimar el valor de para cualquier valor de x, por ejemplo:
Una ciudad que tiene un porcentaje de graduados a nivel superior del 28% la
mediana de ingreso para la ciudad ser:
y = 3.1389 + 0.20477 ( 28) = 8.87246
S r = ( yi a bxi ) 2 = 1.3317 , S xy =
i =1
Sr
1.3317
=
= 0.4711
n2
82
El coeficiente de correlacin:
r=
(n x
n xy x y
2
)(
( x ) n y 2 ( y )
2
r = 0.9485
Se observa que la correlacin entre los valores de las dos variables es muy fuerte.
9
8
7
6
5
Observaciones
y=a+bx
3
2
1
0
0
10
15
20
25
30
31
ACTIVIDAD No. 9
1. Los datos siguientes muestran la relacin entre la temperatura y la presin de
un fluido. Usando regresin lineal encuentre una formula que permita
determinar la presin a una temperatura de 35:
T
10
20
30
40
50
60
70
P
0.5 2.5 2.0 4.0 3.5
6.0
5.5
Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin.
Grafique e Interprete los resultados.
2. Demuestre que los datos que se indican a continuacin no se ajustan a una
lnea recta.
x
1
2
3
4
5
6
7
y
32 11.7 6.8
5
8.3
23
43
Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin.
Grafique e Interprete los resultados.
3. Se quiere resolver un problema de hiptesis relacionado con la cada del
paracaidista de la actividad No. 5, en la cual se dio el siguiente modelo
matemtico terico:
c
t
gm
donde m=98.1 Kg, g=9,8 m/s2 y el coeficiente de
m
v(t ) =
1 e
v(t ) =
c 3.75 + t
Compruebe la veracidad de esos modelos matemticos. Esto podra hacerse al
medir la velocidad real del paracaidista con valores conocidos del tiempo y
comparar estos resultados con las velocidades predichas por cada modelo.
Velocidades medidas del paracaidista en m/s
1
2
3
4
5
6
7
8
9
10
x
10 16.3 23 27.5 31 35.6 39 41.5 42.9 45
y
11
46
12
13
45.5 46
14
49
15
50
32
y = a + bx + cx 2 +
Donde los coeficientes a, b y c son lo coeficientes a determinar y es el error o
diferencia entre el modelo y las observaciones. En este caso el error o residuo
puede es:
= y a bx cx 2
Luego la suma de los cuadrados de dichas desviaciones estara dada por:
n
S r = = ( yi a bxi cxi2 ) 2
i =1
i =1
na + xi b + xi c = yi
i =1 i =1 i =1
(1)
n
n n 2 n 3
xi a + xi b + xi c = xi yi
i =1
i =1 i =1 i =1
(2)
n
n 2 n 3 n 4
xi a + xi b + xi c = xi2 yi
i =1 i =1 i =1 i =1
(3)
33
xi
n
n
i =1
n
i =1
n
i =1
n
i =1
i =1
xi xi2
xi2 xi3
a
i =1
n
3 b
xi =
i =1
n
4 c
xi
i =1
xi2
i =1
n
x
y
i i
i =1
n
2
xi y i
i =1
yi
Sr
( yi a bxi cxi2 ) 2 = ( yi y ) 2
, Donde S r =
n3
i =1
i =1
S xy =
r2 =
St S r
; donde S t es el error residual asociado con la variable dependiente
St
n
2
antes de la regresin S t = ( y y ) .
I =1
r=
St S r
St
Ejemplo:
Los datos siguientes muestran la relacin entre la distancia recorrida (m) y la
velocidad alcanzada por un cuerpo (m/s2). Usando regresin polinomial encuentre
una formula que permita determinar la velocidad a una distancia de 4.5 m:
x
v
0
1
2
2.1 7.7 13.6
3
27.2
4
40.9
5
61.1
xy
x2
x2y
x3
x4
2,1
7,7
7,7
7,7
13,6
27,2
54,4
16
27,2
81,6
244,8
27
81
40,9
163,6
16
654,4
64
256
61,1
305,5
25
1527,5
125
625
15
152,6
585,6
55
2488,8
225
979
x = 15 , y = 152.6
x 3 = 225 , x 4 = 979
xy = 585.6
34
x 2 = 55 , x 2 y = 2488.8
n
xi xi a y i
i =1
i =1
i =1
n
n
n
n
xi xi2 xi3 b = xi yi
i =1
i =1
i =1
i =1
n
n
n
2
3
4
2
xi xi xi c
xi y i
i =1
i =1
i =1
i =1
6 15 55 a 152.6
15 55 225 b = 585.6
55 225 979 c 2488.8
St = ( y y )
I =1
2
; S r = ( yi y )
i =1
( y y ) 2
( y y) 2
2,4786
0,14334
544,4444
6,6986
1,0028
314,4711
14,64
1,0816
140,0278
26,3029
0,80479
3,1211
41,6871
0,61953
239,2178
60,7929
1272,1111
0,09431
3,74637
2513,3933
S t = 2513.833 ;
S r = 3,74637
S xy =
Sr
3.74637
=
= 1.1175
n3
63
r2 =
S t S r 2513.933 3.74637
=
= 0.99851
St
2513.933
r = 0.99925
Se observa la correlacin entre los valores de dos variables es muy fuerte.
70
60
50
40
Observaciones
30
y=a+bx+cx2
20
10
0
0
35
36
ACTIVIDAD No. 10
1. Emplee la regresin por mnimos cuadrados para ajustar a una lnea recta:
x 1 2 3 4 5 6 7 8 9
y 1 1.5 2 3 4 5 8 10 13
a) Adems de la pendiente y la interseccin, calcule el error estndar de la
estimacin y el coeficiente de correlacin. Grafique los datos y la lnea recta.
Evale el ajuste.
b) Vuelva a hacer el clculo del inciso (a), pero usando regresin polinomial
para ajustar los datos a una parbola. Compare los resultados con los
obtenidos en (a)
2. Los datos siguientes representan el crecimiento bacterial en un cultivo lquido
durante cierto nmero de das.
dia
0
4
8
12
16
20
-6
cantidad x10
67 84 98 125 149 185
Encuentre la ecuacin de mejor ajuste (recta o parbola) a la tendencia de
datos. Grafique en cada caso e interprete los resultados. Pronostique la
cantidad de bacterias despus de 40 das.
3. Un objeto se suspende en un tnel de viento y se mide la fuerza para varios
niveles de velocidad del viento. A continuacin estn tabulados los resultados
v (m/s)
10
20
30
40
50
60
70
80
F (N)
25
70
380 550 610 1220 830 1450
Encuentre la ecuacin de mejor ajuste (recta o parbola) a la tendencia de
datos. Grafique en cada caso e interprete los resultados.
4. Usando regresin polinomial para ajustar a una parbola los datos del ejercicio
No 2 de la actividad No 9. Compare los resultados con los obtenidos
anteriormente.
5. Disee hojas de clculo para aplicar la regresin lineal y la polinomial. Tome
algunos de los ejercicios propuestos y vare algn o varios de los valores de y.
Anote sus observaciones con respecto al cambio de la desviacin estndar y el
coeficiente de correlacin. Ofrecer en estos casos la ecuacin de regresin
un ajuste adecuado?
APENDICE No 5
3.138938806
Presione [shift] , [STAT] , [7] , [2] para
APENDICE No 5a
APENDICE No 6
Autor: Ing. Neptali Franco
X
0
1
2
3
4
5
Y
2.1
7.7
13.6
27.2
40.9
61.1