Mtodos Numricos

La ciencia y la tecnologa describen los fenmenos reales mediante modelos

matemticos. El estudio de estos modelos permite un conocimiento ms profundo del
fenmeno, as como de su evolucin futura. La matemtica aplicada es la rama de las
matemticas que se dedica a buscar y aplicar las herramientas ms adecuadas a los
problemas basados en estos modelos. Desafortunadamente, no siempre es posible aplicar
mtodos analticos clsicos por diferentes razones:
No se adecan al modelo concreto.
Su aplicacin resulta excesivamente compleja.
La solucin formal es tan complicada que hace imposible cualquier interpretacin
posterior.
Simplemente no existen mtodos analticos capaces de proporcionar soluciones al
problema.

En estos casos son tiles las tcnicas numricas, que mediante una labor de clculo ms
o menos intensa, conducen a soluciones aproximadas que son siempre numrica. El
importante esfuerzo de clculo que implica la mayora de estos mtodos hace que su uso
est ntimamente ligado al empleo de computadores. De hecho, sin el desarrollo que se ha
producido en el campo de la informtica resultara difcilmente imaginable el nivel actual
de utilizacin de las tcnicas numricas en mbitos cada da ms diversos.

Mtodo De Newton-Raphson
El mtodo de Newton-Raphson es un mtodo abierto, en el sentido de que no est
garantizada su convergencia global. La nica manera de alcanzar la convergencia es
seleccionar un valor inicial lo suficientemente cercano a la raz buscada. As, se ha de
comenzar la iteracin con un valor razonablemente cercano al cero (denominado punto de
arranque o valor supuesto). La relativa cercana del punto inicial a la raz depende mucho
de la naturaleza de la propia funcin; si sta presenta mltiples puntos de inflexin o
pendientes grandes en el entorno de la raz, entonces las probabilidades de que el algoritmo
diverja aumentan, lo cual exige seleccionar un valor puesto cercano a la raz. Una vez que
se ha hecho esto, el mtodo linealiza la funcin por la recta tangente en ese valor supuesto.
La abscisa en el origen de dicha recta ser, segn el mtodo, una mejor aproximacin de la
raz que el valor anterior. Se realizarn sucesivas iteraciones hasta que el mtodo haya
convergido lo suficiente.

Sea f: [a, b] -> R funcin derivable definida en el intervalo real [a, b]. Empezamos
con un valor inicial x0 y definimos para cada nmero natural x n + 1 = x n f ( x n ) f (x n
) . {\displaystyle x_{n+1}=x_{n}-{\frac {f(x_{n})}{f'(x_{n})}}.}
Donde f ' denota la derivada de f. Ntese que el mtodo descrito es de aplicacin exclusiva
para funciones de una sola variable con forma analtica o implcita conocible. Existen
variantes del mtodo aplicables a sistemas discretos que permiten estimar las races de la
tendencia, as como algoritmos que extienden el mtodo de Newton a sistemas
multivariables, sistemas de ecuaciones, etctera.
 Mtodos De Raphson Modificado
La dificultad del mtodo de Newton Raphson mejorado en el comportamiento de
una funcin con races mltiples obliga a considerar una modificacin del mtodo discutido
por Ralston. Como primero se desean encontrar las races de una funcin f(x). Definimos
una funcin nueva U(x), dada por:

Se observa que la funcin U(x) tiene las mismas races que f(x), entonces U(x) se
vuelve cero en cualquier punto que f(x) es cero.
Suponiendo ahora que f(x) tiene una raz mltiple en x = c de multicidad r. Esto podra
ocurrir, por ejemplo, si f(x) contiene un factor (x-c) . Entonces, podra fcilmente
demostrarse que U(x) tiene una raz en x = c de multicidad r, o una raz simple. Puesto que
el mtodo de Newton Raphson es efectivo para races simples, podemos aplicar el mtodo
de Newton para resolver U(x) en lugar de f(x). De esta manera, la ecuacin recursiva de
este mtodo queda:

Derivando la funcin auxiliar U(x), dada por ( 3-11),queda:

Esto puede producir convergencia en alguno de los arreglos y divergencia en

el otro.es posible saber de antemano si la primera o la segunda forma convergirn para el
caso de sistemas de dos ecuaciones, pero cuando 3 <= n las posibilidades son varias (n!) y
es imposible conocer cul de estos arreglos tiene viabilidad de convergencia, por lo cual la
eleccin se convierte en un proceso aleatorio. Esta aleatoriedad es la mayor desventaja de
este mtodo.
Para una ecuacin polinmica de grado n, se tienen n races (entre complejas y
reales).
 Se dice que hay una raz doble, cuando 2 trminos de la ecuacin son
iguales a cero a un valor de x.
Se dice que hay una raz triple, cuando 3 trminos de la ecuacin son iguales a
cero a un valor de x.
Cuando la cantidad de races es impar, la funcin cruza al eje; cuando la
cantidad es par, no lo cruza. Una raz mltiple corresponde a un punto donde
una funcin es tangencial al eje x, y varios valores de x hacen que f(x) sea
cero.

Para este mtodo en particular son necesarios los siguientes parmetros:

1) Xi
2) F(Xi)
3) F(Xi)
4) F(Xi)

Ya que este mtodo est significativamente relacionado con el mtodo de Newton

Raphson, cuando la derivada tiende a cero, tiene problema con la convergencia.
Cuando se tiene existencia de races mltiples, tanto el mtodo de Newton-Raphson como
el de la secante convergen linealmente.
 Mtodo de Horner
Hay polinomios cuya evaluacin puede ser complicada. El mtodo de Horner sirve
para evaluar un polinomio de forma anidada, esto es un paso previo para localizar los ceros
de un polinomio con mtodos como el de Newton-Raphson. Este mtodo requiere solo de n
multiplicaciones y n sumas para evaluar un polinomio de grado n.
El teorema de Horner es el siguiente:

Sea: P(x) = an x + a(n-1) x^(n-1) + + a1 x + a

Si: zn = an y zk = ak + z(k+1) x,
Para k =n-1, n-2, . , 1, 0 entonces; z = P(x)

Adems, si: Q(x) = zn x^(n-1) + z(n-1) x^(n-2) + + z2 x + z1

Entonces: P(x) = (x - x) Q(x) + z

Ejemplo:
Evaluar: P(x) = 2x - 3 x + 3x 4 en x = -2

Aplicamos la frmula del teorema:

zk = ak + z(k+1) x
z4 = 2
z3 = 0 + 2 (-2) = -4
z2 = -3 + (-4) (-2) = 5
z1 = 3 + 5 (-2) = -7

Finalmente como: z = P(x)

P(-2) = z = -4 + (-7)(-2) = 10

Adems del teorema nos dice que: P(x) = (x+2) (2x - 4 x + 5x 7) + 10

Lo anterior se puede hacer mediante la tabla siguiente:

...coef ...coef .coef......coef..Trmino
.. de x.. de x... de x..... de x . constante
x=-2 ..a4 = 2... a3=0 ... a2=-3 . a1=3 .. a=-4
z4x=-4 .. z3x=8 .. z2x=-10 .. z1x=14
.----------------------------------
z4 = 2z3 = -4.z2 = 5.z1 = -7.z = 10

Colocas primero la lnea de los coeficientes, empezando esta lnea con x en la tercera
lnea colocas el valor de z4, y a partir de ah obtienes los valores de la segunda lnea, una
vez que los tengas, efectas la suma y terminas de rellenar la tercera lnea.
 Mtodo de Mller
Recurdese que el mtodo de la secante obtiene races estimando una proyeccin de
una lnea recta en el eje de las x a travs de dos valores de la funcin.
El mtodo de Mller toma un punto de vista similar, pero proyecta una parbola a travs de
tres puntos.
El mtodo consiste en obtener los coeficientes de tres puntos de la parbola. Estos
coeficientes pueden ser sustituidos en la frmula cuadrtica para obtener el punto donde la
parbola intercepta el eje x; es decir, la raz estimada .x|x|

Mtodo Para Races Irracionales

En lgebra, el teorema de la raz racional o la prueba de la raz racional indica una
restriccin en las soluciones racionales (o races) de la ecuacin polinmica con
coeficientes enteros:
{\displaystyle a_{n}x^{n}+a_{n-1}x^{n-1}+\cdots +a_{0}=0\,\!}

Si a0 y an son diferentes de cero, entonces cada solucin racional x, cuando est

escrita como fraccin irreducible x = p/q, satisface;

p es un factor del trmino constante a0, y

q es un factor del coeficiente del trmino an.
p y q son coprimos:
As, una lista de las posibles races racionales de la ecuacin se puede derivar usando la
frmula {\displaystyle x=\pm {\frac {p}{q}}}.

El teorema de la raz racional es un caso especial (para un solo factor lineal)

del lema de Gauss en la factorizacin de polinomios. El teorema de la raz entera es un caso
especial del teorema de la raz racional si el coeficiente principal an = 1.

Mtodo Para Races Complejas

Este mtodo es usado para polinomios, y los polinomios tienen la curiosidad de que
pueden obtener races complejas. Un nmero complejo es aquel que posee dos nmeros: el
primero pertenece a los nmeros reales y otro a los imaginarios. Para la divisin de
nmeros complejos es necesario multiplicar las dos partes sea arriba y abajo por su
conjugado

(a1+b1i)/(a2+b2i)=(a1+b1i)(a2-b2i)/(a2+b2i)(a2-b2i)

Se puede usar el mtodo de Newton-Raphson el cual ya fue explicado con

anterioridad para encontrar su error utilizamos el mdulo el cual es obtenido por la
siguiente formula;
|a+ib|=((a)+(b)).

Mtodo Para Ajustes E Interpolacin

En numerosos fenmenos de la naturaleza observamos una cierta regularidad en la
forma de producirse, esto nos permite sacar conclusiones de la marcha de un fenmeno en
situaciones que no hemos medido directamente. La Interpolacin consiste en hallar un dato
dentro de un intervalo en el que conocemos los valores en los extremos. La
Extrapolacin consiste en hallar un dato fuera del intervalo conocido, pero debe tenerse en
cuenta que est prximo a uno de sus extremos, pues en otro caso no es muy fiable el
resultado obtenido.

INTERPOLACION: LINEAL Y CUADRATICA.

El problema general de la interpolacin se nos presenta cuando nos dan una funcin
de la cual solo conocemos una serie de puntos de la misma:
(xo, yo), (x1, y1),........., (xn, yn)
Y se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta funcin.

Interpolacin. Eleccin de la interpolacin ms adecuada.

Consideremos una funcin de la cual solo conocemos una serie de puntos de la
misma:
(xo, yo), (x1, y1), .............., (xn, yn)
Deseamos encontrar la expresin analtica de dicha funcin para poder estudiarla en otros
puntos.
Ahora bien, por n+1 puntos pasan infinitas funciones, con cul de ellas nos
quedamos? Lo ms lgico es recurrir a la ms sencilla. La familia de funciones ms
sencillas es la de los polinomios, por tanto buscaremos el polinomio de menor grado que
pase por los n+1 puntos dados.
La funcin polinmica de menor grado que pasa por los puntos es en principio de grado n:
y= anxn+............+a1x+ao
Y se obtiene resolviendo el sistema de n+1 ecuaciones con n+1 incgnitas (sistema
que tiene solucin nica ya que el determinante de la matriz de los coeficientes es de
Vandermonde y por lo tanto distinto de cero)
Se le llama polinomio interpolador correspondiente a esos puntos. Una vez obtenida
su expresin dando valores en l se pueden encontrar nuevos puntos de la funcin. Los
resultados obtenidos son naturalmente estimaciones aproximadas.
La interpolacin se dir lineal cuando slo se tomen dos puntos y cuadrtica cuando se
tomen tres.
La interpolacin lineal es un caso particular de la Interpolacin general de Newton.
Con el polinomio de interpolacin de Newton se logra aproximar un valor de la
funcin(x) en un valor desconocido de x. El caso particular, para que una interpolacin sea
lineal es en el que se utiliza un polinomio de interpolacin de grado 1, y se denota de la
siguiente manera:

Como dijimos, cuando las variaciones de la funcin son proporcionales (o casi

proporcionales) a los de la variable independiente se puede admitir que dicha funcin es
lineal y usar para estimar los valores la interpolacin lineal.
Sean dos puntos (xo, yo), (x1, y1), la interpolacin lineal consiste en hallar una
estimacin del valor y, para un valor x tal que x0<x<x1. Teniendo en cuenta que la
ecuacin de la recta que pasa por esos dos puntos es:
obtenemos la frmula de la interpolacin lineal:
 Interpolacin lineal de una variable independiente.
Es igual que hacer integrales cerradas.
En una tabla se representan algunos valores de la funcin, pero no todos, en
ocasiones nos interesa el valor de la funcin para un valor de la variable independiente
distinto de los que figuran en la tabla, en este caso podemos tomar el ms prximo al
buscado, o aproximarnos un poco ms por interpolacin, la interpolacin casi siempre nos
dar un pequeo error respecto al valor de la funcin verdadero, pero siempre ser menor
que tomar el valor ms prximo de los que figuran en la tabla, veamos como se calcula al
valor de la funcin para un valor de la variable independiente que se encuentre entre dos
valores de la tabla por interpolacin lineal.
INTERPOLACIN CUADRTICA. (Lagrange)
Cuando el polinomio que conviene es de 2 grado la interpolacin recibe el nombre
de cuadrtica. El polinomio interpolador es nico, luego como se encuentre da igual., sin
embargo, a veces los clculos son muy laboriosos y es preferible utilizar un mtodo que
otro. A la vista de los datos se decide.
Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios
interpoladores de grado n Para el caso de un polinomio de 2 grado que pasa por los puntos
(x0, y0 ), (x1, y1), (x2, y2):

El error en la interpolacin lineal resulta de aproximar una curva con una lnea recta.
Estrategias:
Disminuir el tamao del intervalo.
Introducir alguna curvatura en la lnea que conecta los puntos.
Si tres puntos de los datos estn disponibles, esto puede realizarse con un polinomio
de segundo grado (parbola).

Puede utilizarse un procedimiento simple para determinar los valores de los coeficientes.

Sustituyendo las ecuaciones anteriores, y evaluando en x = x1:

Sustituyendo nuevamente, y ahora evaluando en x = x2:

POLINOMIOS DE INTERPOLACIN: DIFERENCIAS
DIVIDIDAS DE NEWTON Y DE LAGRANGE.

Existencia de polinomio de interpolacin

El problema de la interpolacin tiene propiamente tres cuestiones:

Saber si tiene solucin o no.

En caso de tenerla, dicha solucin es nica o existen varias?

Y finalmente mtodos de clculo lo ms eficientes posibles.

A este respecto en interpolacin polinmica tenemos el siguiente resultado:

Teorema 1. Supongamos conocido el valor de una funcin f(x) en un conjunto de puntos

distintos dos a dos x0, x1, . . . , xn. Entonces, existe un nico polinomio P(x) 2 <n[x] (esto
es, polinomios de grado menor o igual que n) que interpola a la funcin en esos puntos, es
decir, P(xi) = f(xi) con i = 0, . . . , n.

La prueba ms directa (con el coste de unos leves conocimientos de algebra) consiste en

plantear el sistema lineal de ecuaciones (ahora las incgnitas son los coeficientes del
polinomio P buscado) y darse cuenta de que es un sistema compatible determinado al tener
matriz de coeficientes de tipo Van der Monde (con los xi distintos dos a dos) y por tanto
invertible.
Otra forma inmediata de ver la unicidad de solucin al problema consiste en imaginar la
existencia de dos polinomios P y Q de grado n satisfaciendo la tesis del teorema.
Entonces:

P Q es otro polinomio de grado n con n + 1 ceros, y eso conduce inevitablemente a que P

Q _ 0.
Completamos este razonamiento con dos respuestas (en las siguientes secciones) de
existencia de solucin, ambas constructivas.
 Interpolacin de Lagrange.
Este mtodo es el ms explcito para probar existencia de solucin ya que la construye.

Sin embargo, su utilidad se reduce a eso: a dar una respuesta formal y razonada, pues no es
eficiente en trminos de clculo (requiere muchas operaciones y tiene limitaciones tcnicas
que despus nombraremos).

Para calcular el polinomio interpolador P(x) asociado a una tabla de datos (xi, fi) con i
= 0, . . . , n podemos plantearnos una simplificacin previa: qu ocurre si construimos
polinomios li(x) de grado n que valgan 1 en el nodo xi y 0 en el resto?

li(xk) = _ik = _ 1 si i = k, 0 si i 6= k.

Es inmediato que con esto se resuelve el problema original, tomando la suma de esa n + 1
polinomios de grado n (con coeficientes adecuados):

P(x) = Pn k=0 fk lk(x).

Es posible encontrar tales li(x)? Si damos el polinomio facto izado para que tenga en cada
nodo xj (con j 6= i) una raz, el candidato es:
(x x0)(x x1) . . . (x xi1)(x xi+1) . . . (x xn) = n Yj=0 j6=I (x xj).

Polinomios de interpolacin con diferencias divididas de Newton.

Cualquier polinomio de <n[x] se puede expresar en forma nica como una combinacin
lineal de los monomios {1, x, x2, . . . , xn}, pues son evidentemente sistema generador y
adems linealmente independientes (luego forman una base del espacio vectorial), la ms
simple de hecho, la base canonca.

Esta base, que es adecuada para algunas manipulaciones inmediatas de polinomios como
nombrbamos en la seccin anterior (derivacin e integracin por ejemplo), no es, sin
embargo, la ms adecuada para construir en principio el polinomio interpolador.

Vimos que resultaba til incluir los propios nodos del problema en los polinomios a
construir, de modo que en este pargrafo adoptamos una solucin intermedia:

Expresaremos el polinomio P(x) que interpola a las abscisas x0, x1, . . . , xn, como una
combinacin lineal del siguiente conjunto de polinomios { 0(x), 1(x), . . . , n(x)} siendo:

0(x) = 1,
1(x) = (x x0),
2(x) = (x x0)(x x1),
3(x) = (x x0)(x x1)(x x2),
n(x) = (x x0)(x x1)(x x2) (x xn1)
Este conjunto es otra base del espacio de <n[x] por tener n + 1 elementos linealmente
independientes (obsrvese que con este mtodo cada problema requiere una base distinta,
en funcin de los nodos xi que nos dan, y que el clculo de cada sirve para el siguiente.)

REGRESIN POR MNIMOS CUADRADOS: LINEAL Y

CUADRTICA
En el marco del anlisis estadstico multidimensional interesa, en gran medida, descubrir la
interdependencia o la relacin existente entre dos o ms de las caractersticas analizadas.
La dependencia entre dos (o ms) variables puede ser tal que se base en una relacin
funcional (matemtica) exacta, como la existente entre la velocidad y la distancia recorrida
por un mvil; o puede ser estadstica. La dependencia estadstica es un tipo de relacin
entre variables tal que conocidos los valores de la (las) variable (variables) independiente(s)
no puede determinarse con exactitud el valor de la variable dependiente, aunque si se puede
llegar a determinar un cierto comportamiento (global) de la misma. (Ej. la relacin
existente entre el peso y la estatura de los individuos de una poblacin es una relacin
estadstica) .
Pues bien, el anlisis de la dependencia estadstica admite dos planteamientos (aunque
ntimamente relacionados):
El estudio del grado de dependencia existente entre las variables que queda recogido en la
teora de la correlacin.
La determinacin de la estructura de dependencia que mejor exprese la relacin, lo que es
analizado a travs de la regresin.
Una vez determinada la estructura de esta dependencia la finalidad ltima de la regresin es
llegar a poder asignar el valor que toma la variable Y en un individuo del que conocemos
que toma un determinado valor para la variable X (para las variablesX1, X2,..., Xn ).
En el caso bidimensional, dadas dos variables X e Y con una distribucin conjunta de
frecuencias ( xi, yj ,nij ), llamaremos regresin de Y sobre X ( Y/X) a una funcin que
explique la variable Y para cada valor de X, y llamaremos regresin de X sobre Y (X/Y) a
una funcin que nos explique la variable X para cada valor de Y.(Hay que llamar la
atencin, como se ver ms adelante, que estas dos funciones, en general, no tienen por qu
coincidir).
 Mtodo De Cuadrados Mnimos Regresin Lineal.
Hemos enfatizado sobre la importancia de las representaciones grficas y hemos
visto la utilidad de las versiones linealidades de los grficos (X, Y) junto a las distintas
maneras de llevar a cabo la liberalizacin. A menudo nos confrontamos con situaciones en
las que existe o suponemos que existe una relacin lineal entre las variables Xe Y.
Surge de modo natural la pregunta: cul es la relacin analtica que mejor se ajusta
a nuestros datos? El mtodo de cuadrados mnimos es un procedimiento general que nos
permite responder esta pregunta. Cuando la relacin entre las variables X e Yes lineal, el
mtodo de ajuste por cuadrados mnimos se denomina tambin mtodo de regresin lineal.
Observamos o suponemos una tendencia lineal entre las variables y nos
preguntamos sobre cul es la mejor recta:
y(x) = a x + b
Que representa este caso de inters. Es til definir la funcin:

Que es una medida de la desviacin total de los valores observados yi respecto de

los predichos por el modelo lineal a x + b. Los mejores valores de la pendiente a y la
ordenada al origen b son aquellos que minimizan esta desviacin total, o sea, son los
valores que remplazados en la Ec.(1) minimizan la funcin 2. Ec.(2). Los
parmetros a y b pueden obtenerse usando tcnicas matemticas que hacen uso del clculo
diferencial. Aplicando estas tcnicas, el problema de minimizacin se reduce al de resolver
el par de ecuaciones:
 Actualmente, la mayora de los programas de anlisis de datos y planillas de
clculo, realizan el proceso de minimizacin en forma automtica y dan los resultados de
los mejores valores de a y b, o sea los valores indicados por las ecuaciones.

Grfico de datos asociados a un modelo lineal. La cantidad yi - y(xi) representa la

desviacin de cada observacin de yi respecto del valor predicho por el modelo y(x).

El criterio de mnimos cuadrados remplaza el juicio personal de quien mire los

grficos y defina cul es la mejor recta. En los programas como Excel, se realiza usando la
herramienta regresin lineal o ajuste lineal. Los resultados se aplican en el caso lineal
cuando todos los datos de la variable dependiente tienen la misma incertidumbre absoluta y
la incertidumbre de la variable independiente se considera despreciable.

REGRESIN MNIMO-CUADRTICA
Consiste en explicar una de las variables en funcin de la otra a travs de un
determinado tipo de funcin (lineal, parablica, exponencial, etc.), de forma que la funcin
de regresin se obtiene ajustando las observaciones a la funcin elegida, mediante el
mtodo de Mnimos-Cuadrados (M.C.O.).
Elegido el tipo de funcin de regresin concreta se obtendr minimizando la
expresin:
(yj - (xi ) ) 2. nij en el caso de la regresin de Y/X
(xi - (yj ) ) 2. nij en el caso de la regresin de X/Y

Puede probarse que es equivalente ajustar por mnimos cuadrados la totalidad de las
observaciones (toda la nube de puntos) que realizar el ajuste de los puntos obtenidos por la
regresin de la media; de forma que la regresin mnimo-cuadrtica viene ser, en cierto
modo, la consecucin de una expresin analtica operativa para la regresin en sentido
estricto.

Coeficientesderegresin.
Se llama coeficiente de regresin a la pendiente de la recta de regresin:
en la regresin Y/X : b = Sxy / Sx2
en la regresin X/Y b' = Sxy / Sy2
El signo de ambos coincidir con el de la covarianza, indicndonos la tendencia (directa o
inversa a la covariacin).Es interesante hacer notar que b.b'= r2

Bondad Del Ajuste (Varianza Residual, Varianza De La Regresin Y

Coeficiente De Determinacin)
Por bondad del ajuste hay que entender el grado de acoplamiento que existe entre
los datos originales y los valores tericos que se obtienen de la regresin. Obviamente
cuanto mejor sea el ajuste, ms til ser la regresin a la pretensin de obtener los valores
de la variable regresando a partir de la informacin sobre la variable regresar.
Obtener indicadores de esta bondad de ajuste es fundamental a la hora de optar por
una regresin de un determinado tipo u otro.
Puesto que la media de los residuos se anula, el primer indicador de la bondad del
ajuste (no puede ser el error medio) ser el error cuadrtico medio, o varianza del residuo,
o varianza residual:
Considerando la regresin Y/X:

Que ser una cantidad mayor o igual que cero.De forma que cuanto ms baja sea
mejor ser el grado de ajuste. Si la varianza residual vale cero el ajuste ser perfecto (ya
que no existir ningn error ).
Del hecho de que yi=y*i+ei ,y de que las variables y* e estn correlacionadas se tiene que:

Donde S2y* es la llamada varianza de la regresin y supone la varianza de la variable

regresin:

Igualdad fundamental anterior de la que se deduce que la varianza total de la

variable y puede descomponerse en dos partes una parte explicada por la regresin( la
varianza de la regresin) y otra parte no explicada (la varianza residual).
Considerando que la varianza nos mide la dispersin de los datos este hecho hay
que entenderlo como que la dispersin total inicial queda, en parte explicada por la
regresin y en parte no. Cuanto mayor sea la proporcin de varianza explicada (y menor la
no explicada) tanto mejor ser el ajuste y tanto ms til la regresin.
 A la proporcin de varianza explicada por la regresin se le llama coeficiente de
determinacin ( en nuestro caso lineal):

Que evidentemente estar siempre comprendido entre 0 y 1 y, en consecuencia, da

cuenta del tanto por uno explicado por la regresin.
Una consecuencia importante en la prctica es que la varianza residual ser
obviamente:
Es sencillo probar que en el caso lineal que nos ocupa el coeficiente de
determinacin coincide con el cuadrado del coeficiente de correlacin:
R2 = r2
Con lo cual la varianza residual y la varianza debida a la regresin pueden
calcularse a partir del coeficiente de correlacin:

Regresin Mnimo Cuadrtica No-Lineal

La regresin mnimo-cuadrtica puede plantearse de forma que la funcin de ajuste
se busca no sea una funcin lineal. El planteamiento general sera similar, aunque
obviamente habra que minimizar el cuadrado de los residuos entre los datos originales y
los valores tericos obtenibles a travs de la funcin no-lineal considerada.

Regresin parablica.
Desarrollaremos someramente la regresin Y/X y debe quedar claro que la regresin
X/Y resultara anloga.
Supongamos para simplificar que los datos no estn agrupados por frecuencias.
En tal caso, obtener la funcin parablica y* = a 0+a1x+a2 x2 se llevar a cabo
determinado los valores de los tres parmetros a0,a1,a2 que minimicen :
(a0,a1,a2)=(yi- (a0+a1x+a2 x2)) 2
Igualando a cero las tres derivadas parciales se obtendr las ecuaciones normales,
que convenientemente manipuladas acaban siendo:
 Sistema de ecuaciones del que se pueden despejar los valores de los coeficientes de
regresin.

APLICACIONES.
En el subcampo matemtico del anlisis numrico, un spline es una curva
diferenciable definida en porciones mediante polinomios.
En los problemas de interpolacin, se utiliza a menudo la interpolacin mediante
splines porque da lugar a resultados similares requiriendo solamente el uso de polinomios
de bajo grado, evitando as las oscilaciones, indeseables en la mayora de las aplicaciones,
encontradas al interpolar mediante polinomios de grado elevado.
Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas.
La simplicidad de la representacin y la facilidad de cmputo de los splines los hacen
populares para la representacin de curvas en informtica, particularmente en el terreno de
los grficos por ordenado.

Interpolacin Segmentaria Lineal

Este es el caso ms sencillo. En l, vamos a interpolar una funcin f(x) de la que se
nos dan un nmero N de pares (x,f(x)) por los que tendr que pasar nuestra funcin
polinmica P(x). Esta serie de funciones nuestras van a ser lineales, esto es, con grado 1: de
la forma P(x) = ax + b.
Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un
total de (N-1) funciones, hacindolas pasar obligatoriamente por los puntos que van a
determinarlas, es decir, la funcin P(x) ser el conjunto de segmentos que unen nodos
consecutivos; es por ello que nuestra funcin ser continua en dichos puntos, pero no
derivable en general.

Interpolacin Segmentaria Cuadrtica

En este caso, los polinomios P(x) a travs de los que construimos el Spline tienen
grado 2. Esto quiere decir, que va a tener la forma P(x) = ax + bx + c
 Como en la interpolacin segmentaria lineal, vamos a tener N-1 ecuaciones (donde N
son los puntos sobre los que se define la funcin). La interpolacin cuadrtica nos va a
asegurar que la funcin que nosotros generemos a trozos con los distintos P(x) va a ser
continua, ya que para sacar las condiciones que ajusten el polinomio, vamos a determinar
como condiciones:

Que las partes de la funcin a trozos P(x) pasen por ese punto. Es decir, que las dos
Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno de
estos puntos.

Que la derivada en un punto siempre coincida para ambos "lados" de la funcin

definida a trozos que pasa por tal punto comn.
Esto sin embargo no es suficiente, y necesitamos una condicin ms. Por qu?.
Tenemos 3 incgnitas por cada P(x). En un caso sencillo con f(x) definida en tres puntos y
dos ecuaciones P(x) para aproximarla, vamos a tener seis incgnitas en total. Para resolver
esto necesitaramos seis ecuaciones, pero vamos a tener tan slo cinco: cuatro que igualan
el P(x) con el valor de f(x) en ese punto (dos por cada intervalo), y la quinta al igualar la
derivada en el punto comn a las dos P(x).
Se necesita una sexta ecuacin. Esto suele hacerse con el valor de la derivada en algn
punto, al que se fuerza uno de los P(x).

Interpolacin Segmentaria Cbica

En este caso, cada polinomio P(x) a travs del que construimos los Splines en [m,n]
tiene grado 3. Esto quiere decir, que va a tener la forma P(x) = ax + bx + cx + d
En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una nueva
condicin para cada punto comn a dos intervalos, respecto a la derivada segunda:

Que las partes de la funcin a trozos P(x) pasen por ese punto. Es decir, que las dos
Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno de
estos puntos.

Que la derivada en un punto siempre coincida para ambos "lados" de la funcin

definida a trozos que pasa por tal punto comn.

Que la derivada segunda en un punto siempre coincida para ambos "lados" de la

funcin definida a trozos que pasa por tal punto comn.
Como puede deducirse al compararlo con el caso de splines cuadrticos, ahora no nos
va a faltar una sino dos ecuaciones (condiciones) para el nmero de incgnitas que
tenemos.
La forma de solucionar esto, determina el carcter de los splines cbicos. As, podemos
usar:
 Splines cbicos naturales: La forma ms tpica. La derivada segunda de P se hace 0
para el primer y ltimo punto sobre el que est definido el conjunto de Splines, esto
son, los puntos m y n en el intervalo [m,n].

Dar los valores de la derivada segunda de m y n de forma "manual", en el conjunto

de splines definidos en el intervalo [m,n].

Hacer iguales los valores de la derivada segunda de m y n en el conjunto de splines

definidos en el intervalo [m,n]

Splines cbicos sujetos: La derivada primera de P debe tener el mismo valor que las
derivada primera de la funcin para el primer y ltimopunto sobre el que est definido el
conjunto de Splines, esto son, los puntos m y n en el intervalo [m,n].

Metodo de Interpolacion Utilizando Polinomio Lagrange

Consideremos la tabla x x0 x1 xn y y0 y1 yn donde los nodos xj son distintos.
Sabemos que existe un nico polinomio Pn(x) de grado n que interpola la tabla. Hemos
visto que podemos determinar Pn(x) resolviendo un sistema de ecuaciones.

Podemos obtener el polinomio interpolador de forma directa (sin resolver un

sistema de ecuaciones) expresndolo en una forma especial, conocida como la forma de
Lagrange Pn(x) = l0(x) y0 + l1(x) y1 + + ln(x) yn. Resumen y ejemplos

Tema 2: Aproximacin e Interpolacin. 12 Los polinomios lj (x) se denominan

polinomios componentes y se caracterizan por las propiedades lj (xk) = jk = 1 si j =
k, 0 si j 6= k. Es decir, el polinomio componente lj (x) vale 1 en su nodo xj y se anula en los
restantes. Como lj (x) se anula para x0, x1,...,xj1, xj+1,...,xn, y es de grado n, debe ser
de la forma lj (x) = C (x x0) (x x1)(x xj1) (x xj+1)(x xn). Para cumplir lj
(xj )=1, debe ser C = 1 (xj x0) (xj x1)(xj xj1) (xj xj+1) (xj xn) , por lo tanto lj
(x) = (x x0) (x x1)(x xj1) (x xj+1)(x xn) (xj x0) (xj x1)(xj xj1) (xj
xj+1) (xj xn) .

Metodo De Interpolacion Polinomial Por El Metodo De

Inferencias Indefinidas
El problema de la interpolacin consiste en estimar el valor de una funcin en un
punto a partir de valores conocidos en puntos cercanos. En el caso de la interpolacin
polinmica, la funcin incgnita se sustituye por un polinomio que coincide con aquella en
los puntos conocidos. Se eligen los polinomios porque son fciles de evaluar y por el hecho
fundamental de que dados n+1 puntos de abscisa distinta, (x0, y0), (x1, y1),..., (xn, yn), existe
exactamente un polinomio Pn(x) de grado no superior a n, que pasa por dichos puntos, es
decir, tal que
 Pn(xi) = yi, i=0,1,2...,n.
En la interpolacin lineal, la funcin se sustituye por la recta que pasa por dos
puntos. Tres datos se se interpolan con un polinomio de segundo grado, grficamente una
parbola que pasa por esos tres puntos.
Podramos pensar que al aumentar el grado se obtiene mejor aproximacin, pero
esto es falso en general. La coincidencia del polinomio con muchos puntos de interpolacin
se consigue a costa de grandes oscilaciones en los intervalos entre nodos o puntos de
interpolacin dados.
La aplicacin clsica de la interpolacin consiste en estimar los valores de una
funcin tabulada en puntos que no figuran en la tabla. Como ejemplo tpico de tabla
citemos la campana de Gauss o distribucin normal.

Actualmente la interpolacin se utiliza en clculo numrico para aproximar

funciones mediante otras ms sencillas, como los polinomios. Por ejemplo, para deducir
frmulas de integracin aproximada y mtodos de resolucin de ecuaciones diferenciales.

Ajustes de Curvas Por El Metodo De Lagrange

En anlisis numrico, el polinomio de Lagrange, llamado as en honor a Joseph-
Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la forma
de Lagrange. 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.
Dado un conjunto de k + 1 puntos:

Donde todos los xj se asumen distintos, el polinomio interpolador en la forma de

Lagrange es la combinacin lineal:

De bases polinmicas de Lagrange:

 La resolucin de un problema de interpolacin lleva a un problema de lgebra lineal
en el cual se debe resolver un sistema de ecuaciones. Usando una base monmica estndar
para nuestro polinomio interpolador, llegamos a la matriz de Vandermonde. Eligiendo una
base distinta, la base de Lagrange, llegamos a la forma ms simple de matriz identidad = i,
j, que puede resolverse inmediatamente.

Entre las desventajas de su uso tenemos que si se aumenta en nmero de puntos a

interpolar (o nodos) con la intencin de mejorar la aproximacin a una funcin, tambin lo
hace el grado del polinomio interpolador as obtenido, por norma general. De este modo,
aumenta la dificultad en el clculo, hacindolo poco operativo manualmente a partir del
grado 4, dado que no existen mtodos directos de resolucin de ecuaciones de grado 4,
salvo que se puedan tratar como ecuaciones bicuadradas, situacin extremadamente rara.

La tecnologa actual permite manejar polinomios de grados superiores sin grandes

problemas, a costa de un elevado consumo de tiempo de computacin. Pero, a medida que
crece el grado, mayores son las oscilaciones entre puntos consecutivos o nodos. Se podra
decir que a partir del grado 6 las oscilaciones son tal que el mtodo deja de ser vlido,
aunque no para todos los casos.

Sin embargo, pocos estudios requieren la interpolacin de tan slo 6 puntos. Se

suelen contar por decenas e incluso centenas. En estos casos, el grado de este polinomio
sera tan alto que seria inoperable. Por lo tanto, en estos casos, se recurre a otra tcnica de
interpolacin, como por ejemplo a la Interpolacin polinmica de Hermite o a los splines
cbicos.

Otra gran desventaja, respecto a otros mtodos de interpolacin, es la necesidad de

recalcular todo el polinomio si se vara el nmero de nodos.
Ingeniera en Sistemas
V Semestre
Mtodos Numricos
Inga. Valesca Samayoa

Mtodos Numricos
Diego Armando Ramrez Pineda
3190-15-1009
23/04/2017