Академический Документы
Профессиональный Документы
Культура Документы
Vega Carlos
NRC 1121
Foro de Métodos Numéricos
17 de febrero de 2018
1
MÉTODOS NUMÉRICOS
MARCO TEÓRICO
INTERPOLACIÓN
Supongamos que queremos estudiar cierto fenómeno del que tenemos una serie de datos
puntuales obtenidos por mediciones realizadas y que deseamos extraer una información más
completa a partir de los datos constatados. Una opción puede ser la de ?reconstruir? el fenómeno
modelizándolo con una función que lo represente de la manera más fiable posible.
Método de LAGRANGE
Definimos los Polinomios de Lagrange: Lj (x) para j = 0, 1, 2, ..., n de la forma que sigue:
n
Y x − xi
Lj (x) =
x − xi
i=0 j
Observa que tomando un soporte con n + 1 puntos, lo que hemos definido son n + 1 polino-
mios de grado n que cumplen lo siguiente:
Lj (xi ) = 0; si i 6= j
Lj (xj ) = 1; si i = j
Vega Carlos 2
MÉTODOS NUMÉRICOS
n
X
Pn (x) = yi Lj (x)
j=0
que tiene grado menor o igual que n, interpola la tabla de valores dada.
En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias en las
ordenadas (llamadas residuos) entre los puntos generados por la función elegida y los corres-
pondientes valores en los datos. Especı́ficamente, se llama mı́nimos cuadrados promedio (LMS)
cuando el número de datos medidos es 1 y se usa el método de descenso por gradiente para
minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado
esperado, con el mı́nimo de operaciones (por iteración), pero requiere un gran número de ite-
raciones para converger.
Pk=1
n e2k
Ec (f ) =
n
Para alcanzar este objetivo, se utiliza el hecho que la función f debe poder describirse co-
mo una combinación lineal de una base de funciones. Los coeficientes de la combinación lineal
serán los parámetros que queremos determinar. Por ejemplo, supongamos que f es una función
cuadrática, lo que quiere decir que es una combinación lineal, f (x) = ax2 + bx + c, de las
funciones f1 (x) = x2 , f2 (x) = x y f3 (x) = 1 (m=3 en este caso), y que se pretende determinar
los valores de los coeficientes: a, b, c de modo que minimicen la suma (S) de los cuadrados de
los residuos:
n
X n
X
S= (yi − f (xi ))2 = (yi − ax2i − bxi − c)2
i=1 i=1
Esto explica el nombre de mı́nimos cuadrados. A las funciones que multiplican a los co-
eficientes buscados, que en este caso son: x2 , x y 1, se les conoce con el nombre de funciones
base de la aproximación, y pueden ser funciones cualesquiera. Para ese caso general se deduce
a continuación la fórmula de la mejor aproximación discreta (i.e. para un conjunto finito de
puntos), lineal y según el criterio del error cuadrático medio, que es la llamada aproximación
Vega Carlos 3
MÉTODOS NUMÉRICOS
lineal por mı́nimos cuadrados. Es posible generar otro tipo de aproximaciones, si se toman los
errores máximo o medio, por ejemplo, pero la dificultad que entraña operar con ellos, debido
al valor absoluto de su expresión, hace que sean difı́ciles de tratar y casi no se usen.
EJERCICIO
Dada la siguiente EDO, encuentre una solución polinómica aproximada para 8 subinterva-
los, presente ademas la gráfica.
00
y + 2y 0 − y = senh2 (x)
f (x) = y(0) = 0
y(0,5) = π6
b−a 0,5 − 0 1
h= = =
n 8 16
Tenemos los siguientes puntos en x:
x0 = 0;
1
x1 = ;
16
2
x2 = ;
16
3
x3 = ;
16
4
x4 = ;
16
5
x5 = ;
16
6
x6 = ;
16
7
x7 = ;
16
1
x8 =
2
Vega Carlos 4
MÉTODOS NUMÉRICOS
yk+1 − 2yk + yk−1 yk+1 − yk−1
+2 − yk = f (xk )
h2 2h
yk+1 − 2yk + yk−1 + hyk+1 − hyk−1 − h2 yk
= f (xk )
h2
Constantes utilizadas:
1 2 1
h2 = ( 16 ) = 256
1 15
(1 − h) = (1 − 16
) = 16
1 2 513
(2 + h2 ) = (2 + ( 16 ) )= 256
1 17
(1 + h) = (1 + 16
) = 16
k = 1;
15
y0 ( 16 − y1 ( 513
) 256
) + y2 ( 17
16
1
) = ( 256 1
)senh2 ( 16 )
k = 2;
y1 ( 15
16
) − y2 ( 513
256
) + y3 ( 17
16
1
) = ( 256 2
)senh2 ( 16 )
k = 3;
y2 ( 15
16
) − y3 ( 513
256
) + y4 ( 17
16
1
) = ( 256 3
)senh2 ( 16 )
k = 4;
y3 ( 15
16
− y4 ( 513
) 256
) + y5 ( 17
16
1
) = ( 256 4
)senh2 ( 16 )
k = 5;
y4 ( 15
16
− y5 ( 513
) 256
) + y6 ( 17
16
1
) = ( 256 5
)senh2 ( 16 )
k = 6;
y5 ( 15
16
− y6 ( 513
) 256
) + y7 ( 17
16
1
) = ( 256 6
)senh2 ( 16 )
k = 7;
y6 ( 15
16
− y7 ( 513
) 256
) + y8 ( 17
16
1
) = ( 256 7
)senh2 ( 16 )
Vega Carlos 5
MÉTODOS NUMÉRICOS
y1 y2 y3 y4 y5 y6 y7
1 1
)senh2 ( 16 ) − 0( 15
513
y1 ( 256 16
)
− 17 1 2 2
15256 16
0 0 0 0 0
y2
( 256 )senh ( 16 )
513 17 1 3
16 −15256
16
0 0 0 0
y3
( 256 )senh2 ( 16 )
513 17 1 4
0
16
− 256 16
0 0 0
y4 =
( 256 )senh2 ( 16 )
15 513 17 1 2 5
0
0 16
− 256 16
0 0
y5
( 256 )senh ( 16 )
15 513 17 1 6
0
0 0 16
− 256 16
0
y6 ( 256 )senh2 ( 16 )
15 513 17 1 2 7 π 17
0 0 0 0 16
− 256 16
y7 ( 256 )senh ( 16 ) − 6 ( 16 )
15 513
0 0 0 0 0 16
− 256
0 0
1
16
0,092763
2
16
0,174968
3
16
0,248203
4
x=
16
y =
0,313866
5
16
0,373192
6
16
0,427281
7
16
0,477120
1 π
2 6
Con ayuda del programa realizado en Octave, encontraremos el polı́nomio aproximado, me-
diante LAGRANGE:
RESULTADOS DE LAGRANGE
Programa:
Vega Carlos 6
MÉTODOS NUMÉRICOS
L(k,:)=V;
endfor
P=y*L;
x1=min(x):0.001:max(x);
y1=polyval(P,x1);
plot(x1,y1,’g’,x,y,’or’)
legend(’Solucion de EDO’);
xlabel(’eje x’);
ylabel(’eje y’);
title(’Polinomio de Lagrange ’);
P=polyout(P,’x’);
disp("El polinomio es : \n");
endfunction
Solución:
El polinomio es :
GRÁFICA
JJ.png
REFERENCIAS
LaTeX
Vega Carlos 7