Instituto

Tecnolgico
de Saltillo

Mtodos Numricos
UNIDAD 4: Ajuste de curvas e
interpolacin

Catedrtico: Ing. Mara

Isabel Pia Villanueva

Alumnos: Luis Rodrguez

Snchez y Jess David
Gonzlez Valds

Fecha de entrega: jueves 30 de abril de 2015

ndice
Introduccin 1
Interpolacin: Lineal y cuadrtica.. 2
Polinomios de interpolacin 5
Regresin por mnimos cuadrados: Lineal y cuadrtica 11
Aplicaciones.. 16
Conclusiones. 18

Introduccin
Este trabajo consiste en explicar cmo la interpolacin se presenta en varios casos de la vida
diaria, nos referimos a que diariamente se producen fenmenos en los que se necesitan utilizar
estos mtodos o procesos para llegar a un dato aproximado, en el caso de que este entre un
rango de datos o fuera de ellos.
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.

4.1 Interpolacin: Lineal y cuadrtica

Qu es?
Calcular el valor aproximado de una magnitud en un intervalo cuando conocemos algunos de
los valores que toma a uno y otro lado de dicho intervalo.
En la vida real, encontramos situaciones carentes de informacin que permiten determinar
valores dependientes (y), en funcin de una o ms variables independientes. Es aqu cuando
utilizamos la interpolacin.

INTERPOLACION LINEAL
La interpolacin lineal es un mtodo matemtico para aproximar el valor de un punto. Utiliza un
polinomio de interpolacin de grado 1.
P(x) = ax + b
La interpolacin consiste en hallar un dato dentro de un intervalo en el que conocemos los
valores en los extremos.
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)
Se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta funcin.
La interpolacin se dir lineal cuando slo se tomen dos puntos y cuadrtica cuando se tomen
tres.
INTERPOLACIN LINEAL
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.
Obtenemos la frmula de la interpolacin lineal.

LA INTERPOLACIN CUADRTICA
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.
En el ejemplo 1 se da el mtodo de resolver el sistema para encontrar los valores que
determinan a la funcin cuadrtica (a, b y c)
Tambin podemos utilizar la expresin del polinomio interpolador as:
y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la bsqueda de los coeficientes es muy sencilla.
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):

Que es la frmula de Lagrange para n=2.

Con frecuencia se tienen que estimar valores intermedios entre valores conocidos. El mtodo
mas comn empleado para este propsito es la interpolacin polinomial.
Recuerdese que la frmula general de un polinomio de n-simo orden es:

Para n + 1 puntos, existe uno y slo un polinomio de n-simo orden o menor que pasa a
travs de todos los puntos. Por ejemplo, hay slo una lnea recta (es decir un polinomio de
primer orden) que conecta dos puntos. El polinomio de interpolacin consiste en determinar el
nico polinomio de n-simo orden que se ajusta a los n + 1 puntos dados. Este polinomio
proporciona una frmula para calcular los valores intermedios.
Aunque existe uno y slo un polinomio de n-simo orden que se ajusta a los n + 1 puntos,
existen una gran variedad de frmulas matemticas mediante las cuales se puede expresar
este polinomio. En esta unidad se estudian dos tcnicas alternativas que estn bien
condicionadas para implementarse en una computadora. Estos son los polinomios de Newton
y de Lagrange.

4.2 Polinomios de interpolacin

Diferencias divididas de Newton

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

Los coeficientes ai se obtienen calculando un conjunto de cantidades denominadas diferencias

divididas.
La notacin para las diferencias divididas de una funcin (x) estn 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 en xi, i=0,1,2,...,nentonces P(xi)
= (xi), en particular Pn(x0) = (x0) = a0. Si se usa la notacin de diferencia dividida a0= [x0].
Ahora, Pn(x1)= a0 + a1(x1 x0), como Pn(x1)= (x1) y a0= (x0), entonces reemplazando se tiene
(x1)=(x0) + a1(x11x0), donde

Si se usa la notacin de diferencia dividida a1= [x0, x1].

De manera similar cuando se evala Pn(x) en x = x2 se obtiene a2 = [x0, x1, x2]
En general ai = [x0 ,x1 ,x2, ..., xi], y el polinomio interpolante de Newton se escribe como:

(2)
En la figura 3.2 se muestra la forma recursiva para calcular los coeficientes del polinomio
interpolante de Newton para 4 pares de valores (x, (x))
Los elementos de la diagonal (superior) en la figura 3.2 son los coeficientes del polinomio
interpolante de Newton para el caso de un polinomio de grado 3.
EJEMPLO:
Halle el polinomio que interpola los datos:
x

f(x)

3.5

5.6

Solucin:
El polinomio interpolante de Newton es de grado 3 ya que se tienen 4 puntos, usando la
frmula (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)

4
-0.5

3.5

0.5
0.5

-0.1
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
El ejercicio si se resuelve con el mtodo de Lagrange el clculo para encontrarlo es mucho
mayor.

Mtodo Lagrangeano
El matemtico francs Joseph Louis Lagrange descubri que se puede encontrar un polinomio
de grado a lo ms n tal que Pn(xi) = f(xi), para i = 0, 1, 2, ... n usando un mtodo distinto. Por
ejemplo para 3 puntos (x0, f(x0)), (x1, f(x1)) y (x2, f(x2)) el polinomio interpolante de Lagrange de
grado 2 es:

Observe que

El polinomio P2(x) se escribe en forma simplificada como

donde

observe que
La forma general del polinomio de Lagrange P(x) de grado menor o igual a n y que pasa por
los n + 1 puntos (x0, f(x0)), (x1, f(x1)), ..., (xn, f(xn)) es la frmula:

Pn(x) = L0(x)f(x0) + L1f(x1) + ... + Ln(x)f(xn) =

Donde Lk(x) se llaman polinomios coeficientes de Lagrange y se definen como:

Observe que hay n factores en el numerador, de modo que cada Lk(x) es un polinomio de
grado n. En Lk(x) esta ausente el factor (x - xk) en el numerador; el denominador es el
numerador evaluado en x = xk. Por consiguiente

EJEMPLO:
Encuentre el polinomio de interpolacin de grado 3 con los siguientes puntos y aproxime (3.5).
xi

f(xi)

3.5

5.6

Solucin: En este caso f(x0) = 4, f(x1) = 3.5, f(x2) = 4, y f(x3) = 5.6. El polinomio de
Lagrange P3(x) tiene la forma:

Ahora se calcula L0(x), L1(x), L2(x) y L3(x) con x0=1, x1 = 2, x2 = 3, x3 = 5

Luego

Verificacin:
P(1) = - 0.1 + 1.1 3.1 + 6.1 = 4
P(2) = - 0.8 + 4.4 6.2 + 6.1 = 3.5
P(3) = - 2.7 + 9.9 9.3 + 6.1 = 4
P(5) = - 12.5 + 27.5 15.5 + 6.1 = 5.6
Para aproximar a f en x = 3.5 se utiliza P3(x) = - 0.1x3 + 1.1x2 3.1x + 6.1
f (3.5) P(3.5) = - 0.1(3.5)3 + 1.1(3.5)2 3.1(3.5) + 6.1 = 4.4375
Teorema.
Si x0, x1,..., xn son nmeros distintos en el intervalo [a, b] y f Cn+1 [a, b].
Entonces para cada x en [a, b] existe un nmero z (que depende de x) en (a, b)tal
que:
interpolante de Lagrange.

donde Pn(x) es el polinomio

El teorema establece que cuando (x) se aproxima por Pn(x), entonces el error que se comete
en la aproximacin es:

(3)

Observe que la forma del error del polinomio de Lagrange se parece mucho a la del polinomio
de Taylor. El polinomio de Taylor de grado n alrededor de x0concentra toda la informacin
conocida en x0 y tiene un trmino de error de la forma:

donde z esta entre x0 y x

El polinomio de Lagrange de grado n utiliza la informacin en todos los nmeros distintos x0, x1,
..., xn y en lugar de (x - x0)n+1, su frmula de error utiliza un producto de n+1 trminos (x x0),
(x x1), ..., (x - xn)
EJEMPLO:
Hallar una cota para el error al aproximar ln(1.2) usando un polinomio de Lagrange de grado 3
en los puntos
xi

f(xi)

1.1

1.3

1.4

0.0953118 0.262364 0.336472

Solucin: Se aplica la frmula (3) con n=3, (x)=ln x y x=1.2, f (4)(x) = -6/x4

Por lo tanto E 10-4 = 0.1 x 10-3Esto indica que si se aproxima ln(1.2) con los datos de la tabla
usando un polinomio de grado tres, entonces la aproximacin tiene tres decimales exactos2.
El uso de los polinomios de Lagrange plantea dos problemas. El primero es que si se desea
sumar o restar un punto del conjunto de puntos usados para obtener el polinomio,
esencialmente deben volver a empezarse los clculos ya que no se dispone de un
procedimiento simple que permita medir la contribucin de cualquier punto particular al
polinomio.
El segundo problema es que pueden ocurrir grandes oscilaciones en el polinomio, de modo que
entre los puntos (datos) no se representa en forma realista la funcin que origin los datos.

10

4.3 Regresin por mnimos cuadrados: Lineal y

cuadrtica

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).

REGRESION LINEAL
Hemos enfatizado sobre la importancia de las representaciones grficas y hemos visto la
utilidad de las versiones linealizadas de los grficos (X, Y) junto a las distintas maneras de
llevar a cabo la linealizacin. A menudo nos confrontamos con situaciones en las que existe o
suponemos que existe una relacin lineal entre las variables X e 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 Y es lineal, el
mtodo de ajuste por cuadrados mnimos se denomina tambin mtodo de regresin lineal.

11

Observamos o suponemos una tendencia lineal entre las variables y nos preguntamos sobre
cul es lamejor 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 funcinc2. 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.

12

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 reemplaza 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.

REGRESION CUADRATICA
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 MnimosCuadrados (M.C.O.).
Elegido el tipo de funcin ( ) la 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.
Coeficientes de regresin.
Se llama coeficiente de regresin a la pendiente de la recta de regresin:
13

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.
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 incorrelacionadas 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.

14

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:

15

4.4 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 (N1) 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).

16

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 ltimo punto sobre el que est definido el conjunto de
Splines, esto son, los puntos m y n en el intervalo [m,n].

17

Conclusiones
Con esto hemos concluido que la interpolacin es muy necesaria en los casos que se
presenten as como el ajuste de curvas que podemos llegar a plasmar en una grfica con los
datos que obtenemos al hacer iteraciones o al estar siguiendo el proceso especfico para llegar
a obtener los datos que se solicitan. La Unidad nos sirve de mucho ya que gracias a las
Unidades anteriores hemos podido relacionar como se van conectando cada una de estas, y
nos damos cuenta como los mtodos numricos son muy esenciales para el trabajo como para
la vida.

18