UNIVERSIDAD TÉCNICA

“LUIS VARGAS TORRES”

FACULTAD DE INGENIERÍAS Y TECNOLOGÍAS.

ESCUELA DE INGENIERIA ELECTRICA.

ASIGNATURA: ANALISIS NUMERICO.

4TO CICLO

CONSULTA

ESTUDIANTE:

LUISE ESTUPIÑAN SANDOVAL

TEMA:
PUENTE VARLEY.

SEPTIEMBRE DEL 2016.

 Aproximación funcional e interpolación

Para describir un método de aproximación funcional, son necesarios dos

ingredientes fundamentales. En primer lugar, hay que definir el espacio de
funciones donde se elige el aproximante p(x).

Es decir, hay que elegir el tipo de aproximación. En segundo lugar, es

necesario formalizar matemáticamente el significado de “es aproximadamente
igual a”. Es decir, hay que definir el criterio de aproximación. Ambos aspectos
serán discutidos a continuación. Comentemos antes la utilidad de la
aproximación funcional.

Se utiliza en dos situaciones típicas: con la función dato f(x) conocida a

partir de su expresión analítica, o con f(x) conocida de forma discreta,
únicamente en unos puntos base xi (i = 0, . . . , n). Si se dispone de la
expresión de f(x), el objetivo es aproximarla por una función p(x) más
manejable y computable, que habitualmente nos permitirá además aproximar
integrales o derivadas de la función original. Si sólo se dispone de valores
discretos f(xi), además del objetivo reseñado, nos interesa obtener p(x) para
poder evaluarlo en puntos distintos a los puntos base. Las funciones discretas
son comunes en muchas áreas, desde el diseño asistido por ordenador (CAD)
al tratamiento de señales, pasando por las medidas experimentales.

Las funciones de aproximación se obtienen por combinaciones lineales de

elementos de familias de funciones denominadas elementales. En general
tendrán la forma:

a g ( x) a g ( x) a g ( x)

Tipo de aproximación

En la gran mayoría de aplicaciones prácticas, se trabaja con espacios de

funciones de dimensión finita, y se expresa el aproximante p(x) como
combinación lineal de los términos de una base. De esta forma, una vez
elegido el espacio de funciones y el criterio de aproximación, la determinación
del aproximante p(x) se reduce a la obtención de los coeficientes de
combinación lineal. Los espacios de funciones más utilizados son los
siguientes:

1. Polinomios p(x) = Xn i=0 aix i

2. Funciones trigonométricas (series de Fourier): p(x) = Xn i=0 ai cos(ix) + bi

sin(ix)

3. Funciones exponenciales p(x) = Xn i=0 ai exp(bix)

4. Funciones racionales p(x) = Pn i=0 aix i Pm j=0 bjx j

5. Funciones definidas a trozos

Criterios de aproximación

Una vez definido el tipo de aproximación, tres métodos permiten escoger las
constantes que determinan el aproximante.

Interpolación

En análisis numérico, la interpolación polinominal es una técnica

de interpolación de un conjunto de datos o de una función por un polinomio. Es
decir, dado cierto número de puntos obtenidos por muestreo o a partir de
un experimento se pretende encontrar un polinomio que pase por todos los
puntos.

Dada una función de la cual se conocen sus valores en un número finito de

abscisas , se llama interpolación polinómica al proceso de hallar
un polinomio de grado menor igual a m, cumpliendo .

A este polinomio se le llama Polinomio interpolador de grado m de la función f. Se

dispone de varios métodos generales de interpolación polinómica que permiten
aproximar una función por un polinomio de grado m. El primero de estos es el método
de las diferencias divididas de Newton. Otro de los métodos es la interpolación de
Lagrange y por último, la Interpolación de Hermite.
MÉTODO DE DIFERENCIAS DIVIDIDAS

(Polinomio Interpolante de Newton)

La forma general del polinomio interpolante de Newton para n+1 datos (x0,
ƒ(x0)), (x1, ƒ(x1)), ..., (xn, ƒ(xn)) es:

Los coeficientes ai se obtienen calculando un conjunto de cantidades

denominadas diferencias divididas.

La notación para las diferencias divididas de una función ƒ(x) están dadas
por:

Las diferencias divididas de orden superior se forman de acuerdo con la

siguiente regla recursiva:

Retomando el polinomio interpolante de Newton:

Pn(x) = a0 + a1(x – x0) + a2(x – x0)(x – x1) + ... +an(x – x0)(x – x1)…(x – xn-1)

Observe que Pn(x0) = a0. Como Pn(x) interpola los valores de ƒ

en xi, i=0,1,2,...,n entonces P(xi) = ƒ(xi), en particular Pn(x0) = ƒ(x0) = a0. Si se
usa la notación de diferencia dividida a0= ƒ[x0].
 Ahora, Pn(x1)= a0 + a1(x1 – x0), como Pn(x1)= ƒ(x1) y a0= ƒ(x0), entonces
reemplazando se tiene

ƒ(x1)=ƒ(x0) + a1(x11–x0), donde

Si se usa la notación de diferencia dividida a1= ƒ[x0, x1

De manera similar cuando se evalúa Pn(x) en x = x2 se obtiene a2 = ƒ[x0, x1, x2]
(ver ejercicio 15, de este capítulo).

En general ai = ƒ[x0 ,x1 ,x2, ..., xi], y el polinomio interpolante de Newton se

escribe como:

Ejemplo.

Halle el polinomio que interpola los datos:

x 1 2 3 5

f(x) 4 3.5 4 5.6

Solución:
El polinomio interpolante de Newton es de grado 3 ya que se tienen 4 puntos,
usando la fórmula (2) el polinomio que resulta es:

En este caso x0=1, x1=2, x2=3

Para determinar el valor de los coeficientes, se construye la tabla de diferencias
divididas

xi f(xi)

1 4

-0.5

2 3.5 0.5

0.5 -0.1

3 4 0.1

0.8

5 5.6

Luego P3(x)=4 – 0.5(x - 1) + 0.5(x - 1)(x - 2) – 0.1(x - 1)(x - 2)(x - 3)

Observe que P3(1) = 4, P3(2) = 3.5, P3(3) = 4, P3(5) = 5.6

POLINOMIOS DE INTERPOLACIÓN DE LAGRANGE

El polinomio de interpolación de Lagrange, simplemente es una

reformulación del polinomio de Newton que evita los cálculos de las
diferencias divididas. Este se puede representar concretamente como:

en donde:
 En donde denota el "producto de".

Por ejemplo, la versión lineal (n = 1) es:

y la versión de segundo orden es:

al igual que en el método de Newton, la versión de Lagrange tiene un error

aproximado dado por:

La ecuación se deriva directemente del polinomio de Newton. Sin embargo,

la razón fundamental de la formulación de Lagrange se puede comprender
directamente notando que cada término Li(X) será 1 en X=Xi y 0 en todos los
demás puntos.

Por lo tanto, cada producto Li(X) f(Xi) toma un valor de f(Xi) en el punto Xi. Por
consiguiente la sumatoria de todos los productos, dada por la ecuación es el
único polinomio de n-ésimo orden que pasa exactamente por los n+1 puntos.

Ejemplo

Úsese un polinomio de interpolación de Lagrange de primer y segundo orden

para evaluar ln 2 en base a los datos:

i X f(X)

0 1.0 0.000 0000

 1 4.0 1.386 2944

2 6.0 1.791 7595

Solución:

El polinomio de primer orden es:

y, por lo tanto, la aproximación en X = 2 es

de manera similar, el polinomio de segundo orden se desarrolla como:

Como se expresaba, ambos resultados son similares a los que se

obtuvieron previamente usando la interpolación polinomial de Newton.

En resumen, para los casos en donde el orden del polinomio se

desconozca, el método de Newton tiene ventajas debido a que profundiza en el
comportamiento de las diferentes fórmulas de orden superior. Ademas la
aproximación del error dada por la ecuación (20), en general puede integrarse
fácilmente en los cálculos de Newton ya que la aproximación usa una
diferencia dividida. De esta forma, desde el punto de vista de cálculo, a
menudo, se prefiere el método de Newton.

Cuando se va a llevar a cabo sólo una interpolación, ambos métodos, el de

Newton y el de Lagrange requieren de un esfuerzo de cálculo similar. Sin
embargo, la versión de Lagrange es un poco más fácil de programar. También
existen casos en donde la forma de Newton es mas susceptible a los errores
de redondeo. Debido a esto y a que no se requiere calcular y almacenar
diferencias divididas, la forma de Lagrange se usa, a menudo, cuando el orden
del polinomio se conoce a priori.
APROXIMACIÓN POLINOMIAL SEGMENTARIA (SPLINES)

Una función spline está formada por varios polinomios, cada uno definido
sobre un subintervalo, que se unen entre sí obedeciendo a ciertas condiciones
de continuidad.

Supongamos que disponemos de n+1 puntos, a los que

denominaremos nudos, tales que . Supongamos además

que se ha fijado un entero . Decimos entonces que una función spline

de grado k con nudos en es una función S que satisface las

condiciones :En cada intervalo , S es un polinomio de grado menor o

igual a k.S tiene una derivada de orden (k-1) continua en .

Los splines de grado 0 son funciones constantes por zonas. Una forma
explícita de presentar un spline de grado 0 es la siguiente:

Los intervalos no se intersectan entre sí, por lo que no hay

ambigüedad en la definición de la función en los nudos. Un spline de grado 1
se puede definir por:

.
 DIFERENCIACIÓN E INTEGRACIÓN NUMÉRICA.

Una integral definida tiene la forma,

Donde a, b son el límite inferior y superior de integración, respectivamente, f(x)

es la función a integrar y dx es la diferencial de x.

La integral, geométricamente, representa el área delimitada por el lugar

geométrico de la función, f(x), el eje de la abscisas, y la dos rectas
verticales x = a y x = b, ver la figura,

Cuando, la integral definida es muy difícil o de plano imposible de resolver,

existen estrategias que permiten tener una solución aproximada. La integral
definida permite que, geométricamente, se determine una aproximación a
través de trapecios. Otra forma de obtener una solución aproximada a la
integral definida es tratar de ajustar un polinomio al lugar geométrico de la
función a integrar, y así en vez de integrar la función f(x), se integra el
polinomio Pn(x),

Al igual que la integral, la derivada tiene un significado geométrico que permite

una aproximación numérica. Así, la derivada representa, geométricamente, la
pendiente de una recta tangente,
La recta es tangente al lugar geométrico de la función f(x). Toman dos puntos
alrededor del punto de tangencia es posible representar la pendiente a través
de,

La idea anterior puede retomarse como base para determinar una

aproximación a la derivada de una función, junto con estrategias que mejoren
dicha aproximación.

Métodos de Integración Numérica

Dada una función f definida sobre un intervalo [a,b], estamos interesados en

calcular

Suponiendo que esta integral tenga sentido para la función f.

La cuadratura o integración numérica consiste en obtener fórmulas
aproximadas para calcular la integral J(f) de f. Estos métodos son de gran
utilidad cuando la integral no se puede calcular por métodos analíticos, su
cálculo resulta muy costoso y estamos interesados en una solución con
precisión finita dada o bien sólo disponemos de una tabla de valores de la
función (es decir, no conocemos la forma analítica de f).

Regla del trapecio

Si en la expresión (76) empleamos polinomios de grado n=1 y tomamos como
nudos x0=a y x1=b, tenemos el caso más sencillo posible, en donde los
polinomios de interpolación son:

Esta expresión se conoce como regla del trapecio y proporciona un resultado

exacto para todas las funciones de grado menor o igual a 1

 Regla de Simpson
Empleando un razonamiento similar al anterior y tomando un polinomio de
grado n=2 para interpolar a f, obtenemos la conocida regla de Simpson:
que es exacta para todos los polinomios de grado <=2 y curiosamente, exacta
para todos los polinomios de grado <=3.
En los cálculos prácticos se emplea, generalmente, la regla de Simpson
compuesta, en la que el intervalo de integración [a,b] se divide en un número
par, n, de subintervalos. Tenemos entonces:

La regla de Simpson (nombrada así por (Tomas Simpson) halla la integral

aproximada de una función mediante un polinomio de segundo o tercer grado.

Regla de Simpson 1/3

La regla de Simpson 1/3 utiliza tres puntos consecutivos en donde se evalúa la

función a través de un polinomio de segundo grado.

Y el error es:

siendo un número entre a y b.

Regla de Simpson 3/8

La regla de Simpson 3/8 utiliza cuatro puntos consecutivos en donde se evalúa
la función a través de un polinomio de tercer grado.
 .
Y el error es:

Siendo un número entre a y b.

 INTEGRACIÓN CON SEGMENTOS DESIGUALES

Todas las fórmulas de integración numérica se han basado en datos

igualmente espaciados, pero hay situaciones en las que esta suposición no
satisface y se tienen segmentos de tamaños desiguales. Un método consiste
en aplicar la regla del trapecio a cada segmento y sumar los resultados

Donde hi es el ancho del segmento i. La diferencia con el método del trapecio

es que las h eran constantes y se podía simplificar la expresión. Aunque esta
simplificación no puede aplicarse a esta ecuación, es posible trabajarla, como
en el ejemplo siguiente.

Fórmulas de integración numérica con el método de

coeficientes indeterminados
En esta sección se describe una técnica denominada de los Coeficientes
Indeterminados para obtener fórmulas de integración numérica.

El procedimiento consiste en proponer una fórmula conteniendo algunas

incógnitas. Esta fórmula es aplicada a casos conocidos con el propósito de
obtener ecuaciones, de las cuales se determinan finalmente los valores para
las incógnitas.

Como ejemplo se usa este método para obtener una fórmula de tres puntos
espaciados en h:
Fórmula propuesta

Deben determinarse los coeficientes c0, c1, c2. Para obtenerlos, se usarán tres
casos con polinomios de grado 0, 1 y 2 con los cuales queremos que se
cumpla la fórmula. Es suficiente considerar la forma más simple de cada caso:
1) f(x) = 1,

2) f(x) = x,

3) f(x) = x

Resolviendo las tres ecuaciones resultantes se obtienen:

Reemplazando en la fórmula propuesta se llega a la conocida fórmula de

Simpson

La obtención de la fórmula implica que es exacta si fes un polinomio de grado

menor o igualados. Para otra f, será una aproximación equivalente a sustituir f
por un polinomio de grado dos.
 INTEGRALES MÚLTIPLES

Para evaluar integrales múltiples se pueden usar las reglas de integración

numérica anteriores, integrando separadamente con cada variable:

Suponer que se desea integrar

con la regla de Simpson con m subintervalos en ambas direcciones.

Se puede aplicar la regla integrandoen la dirección X fijando Yen cada punto.

Los símbolos ∆x y ∆y denotan la distancia entre los puntos en las direcciones
X; Y, respectivamente.
 DIFERENCIACIÓN NUMÉRICA

En los cursos de cálculo se define la derivada de ƒ en x0 como.

Una manera razonable de aproximar la derivada es

(1).

Para el caso de una función lineal, ƒ(x) = ax + b, la aproximación dada por la

expresión (1) resulta exacta para cualquier valor de h distinto de cero. Pero
para cualquier función ƒ en general no siempre resulta exacta.

A continuación se hace una estimación del error asociado a la aproximación

dada por (1) usando el teorema de Taylor con un polinomio de grado 1.

si x = x0 + h, x - x0 = h, y reemplazando en (2) resulta:

si se despeja ƒ’(x0) entonces:

(3).

Observe que la ecuación (3) es más útil que la ecuación (1), ya que tiene un
término que cuantifica el error y este se conoce como término de error.
Linkografía:
Recuperado de:
http://matematicaaplicada.jezasoft.co/jeza/material_de_apoyo/algebra_lineal/int
erpolacion_con_splines.pdf

Recuperado de:
http://www.uv.es/~diaz/mn/node39.html

Recuperado de:
http://www.unjbg.edu.pe/coin2/pdf/c&d_9_art_16.pdf

Recuperado de:
http://portales.puj.edu.co/objetosdeaprendizaje/Online/OA10/capitulo3/3.3.htm