Beruflich Dokumente
Kultur Dokumente
Las fórmulas de Newton Cotes son los tipos de integración numérica más comunes.
Se basan en la estrategia de reemplazar una función complicada o datos tabulados
por un polinomio de aproximación que es fácil de integrar.
𝑏 𝑏
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥 ≅ ∫ 𝑓𝑛 (𝑥)𝑑𝑥
𝑎 𝑎
La
integral también se puede aproximar usando un conjunto de polinomios aplicados por
pedazos a la función o datos, sobre segmentos de longitud constante. Por ejemplo, en
la figura 1.3, se usan tres segmentos de línea recta para aproximar la integral.
FIGURA 1.3
METODOS NUMÉRICOS 3
Aunque pueden utilizarse polinomios de grado superior con los mismos propósitos.
Con este antecedente, reconocemos que “el método de barras” emplea un conjunto de
polinomios de grado cero (es decir, constantes) para aproximar la integral.
Existen formas cerradas y abiertas de las fórmulas de Newton – Cotes. Las formas
cerradas son aquellas donde se conocen los datos al inicio y al final de los límites de
integración (figura 1.3a). Las formas abiertas tienen límites de integración que se
extienden más allá del intervalo de los datos (figura 1.3b). Por lo general, las formas
abiertas de Newton – Cotes no se usan para integración definida. Sin embargo, se
utilizan para evaluar integrales impropias y para obtener la solución de ecuaciones
diferenciales ordinarias.
FIGURA 1.3b FIGURA 1.3a
Este capítulo enfatiza las formas cerradas, al final de este se presenta brevemente una
introducción a las fórmulas abiertas de Newton Cotes
LA REGLA DEL TRAPECIO SIMPLE
La regla del trapecio es la primera de las fórmulas cerradas de integración de Newton
Cotes, corresponde al caso donde el polinomio de la ecuación (1) es de primer grado.
𝑏 𝑏
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥 ≅ ∫ 𝑓𝑛 (𝑥)𝑑𝑥
𝑎 𝑎
METODOS NUMÉRICOS 4
𝑓(𝑎) + 𝑓(𝑏)
𝐼 = (𝑏 − 𝑎)
2
Que se denomina regla del trapecio.
ALTURA
ANCHO
Donde, para la regla del trapecio, la altura promedio es el promedio de los valores de
[ 𝑓(𝑎)+𝑓(𝑏)]
la función en los puntos extremos, o .
2
METODOS NUMÉRICOS 5
Representación gráfica del empleo de una sola aplicación de la regla del trapecio para
aproximar la integral de 𝑓(𝑥) = 0.2 + 25𝑥 − 200 𝑥 3 + 675 𝑥 3 − 900𝑥 4 + 400𝑥 4 = 0 𝑎 0.8
Así, el primer término es la regla del trapecio y el segundo es una aproximación para el
error.
METODOS NUMÉRICOS 6
EJERCICIO
Integrar numéricamente:
Sustituyendo en la fórmula:
0.2 + 0.232
𝐼 = 0.8 = 0.1728
2
El cual representa un error de
𝐸1 = 1.640533 − 0.1728 = 1.467733
Que corresponde a un error relativo porcentual de ɛ1 = 89.5%. La razón de este error
tan grande es evidente en la gráfica de la figura 1.6. Observe que el área de bajo la
línea recta no toma en cuenta una significativa porción de la integral que está por
encima de la línea.
En situaciones reales, tal vez no conozcamos previamente el valor verdadero. Por lo
tanto, se requiere una estimación del error aproximado. Para obtener dicha estimación
se calcula la segunda derivada de la función en el intervalo, derivando dos veces la
función original:
(−400+4050𝑥−10800𝑥 2 +8000𝑥 3 )
𝑓 ′′ (𝑥) = 𝑑𝑥
0.8−0
METODOS NUMÉRICOS 7
LA REGLA DEL TRAPECIO DE APLICACIÓN MÚLTIPLE
Una forma de mejorar la precisión de la regla del trapecio consiste en dividir el
intervalo de integración en a y b en varios segmentos, y aplicar el método a cada uno
de ellos (1.7). Las áreas de los segmentos se suman después para obtener la integral
en todo el intervalo. Las ecuaciones resultantes se llaman fórmulas de integración, de
aplicación múltiple o compuesta.
La figura 1.8 muestra el formato general y la nomenclatura que usaremos para obtener
integrales de aplicación múltiple. Hay n+1 puntos igualmente espaciados
(𝑥0 , 𝑥1 , 𝑥2 , … … … … . . , 𝑥𝑛 ). En consecuencia, existe n segmentos del mismo ancho:
𝑏−𝑎
ℎ=
𝑛
EJERCICIO
3 𝑑𝑥
Calcule ∫0 𝑥 2 +16
usando la regla del trapecio con n=6.
SOLUCIÓN:
𝑏−𝑎 3−0 1 𝑏−𝑎 1
𝛥𝑥 = 𝑛
= 6
= 2 , luego 2𝑛
=4
Sustituyendo en la fórmula:
3
𝑑𝑥 1
∫ = [𝑓(𝑥0 ) + 2𝑓(𝑥1 ) + 2𝑓(𝑥2 ) + 2𝑓(𝑥3 ) + 2𝑓(𝑥4 ) + 2𝑓(𝑥5 ) + 𝑓(𝑥6 )]
0 𝑥2 + 16 4
1 1 3 5
= [𝑓(0) + 2𝑓 ( ) + 2𝑓(1) + 2𝑓 ( ) + 2𝑓(2) + 2𝑓 ( ) + 𝑓(3)]
4 2 2 2
1
= 4 [0.0625 + 0.1230 + 0.1176 + 0.1096 + 0.1 + 0.09 + 0.04] =
1
[0.6427] = 0.1607
4
METODOS NUMÉRICOS 8
REGLA DE SIMPSON
Además de aplicar la regla trapezoidal o Rectangular con segmentos o sub áreas cada
vez más pequeñas, otra manera de obtener una estimación aún más exacta de una
integral, es la de usar polinomios de orden superior para conectar los puntos, en el
caso particular del método que usa orden 2, es decir de la forma: 𝑎𝑥 2 + 𝑏𝑥 + 𝑐
(cuadrática o parábola).
Se procede a integrar dicho arco de parábola entre los límites descritos se tendrá:
ℎ 𝑎𝑥 3 𝑏𝑥 2 ℎ
∫−ℎ( 𝑎𝑥 2 + 𝑏𝑥 + 𝑐)𝑑𝑥 = [ 3
+ 2
+ 𝑐𝑥] −ℎ Remplazando cada uno de los límites, se
tiene:
METODOS NUMÉRICOS 9
𝑎(ℎ)3 𝑏(ℎ)2 𝑎(−ℎ)3 𝑏(−ℎ)2
[ 3
+ 2
+ 𝑐(ℎ)] − [ 3
+ 2
+ 𝑐(−ℎ)] , ahora destruyendo paréntesis se
tendrá:
𝑎(ℎ3 + ℎ3 ) 𝑏(ℎ2 − ℎ2 )
+ + 𝑐(ℎ + ℎ)
3 2
2𝑎ℎ 3
= + 2𝑐ℎ
3
ℎ ℎ
∫−ℎ( 𝑎𝑥 2 + 𝑏𝑥 + 𝑐)𝑑𝑥 = 3
(2𝑎ℎ2 + 6𝑐) Ecuación 1
METODOS NUMÉRICOS 10
De lo anterior se puede decir que:
2𝑎ℎ2 + 2𝑐 = 𝑦0 + 𝑦2 𝐄𝐜𝐮𝐚𝐜𝐢ó𝐧 𝟐
𝑦1 = 𝑐 𝐄𝐜𝐮𝐚𝐜𝐢ó𝐧 𝟑
ℎ ℎ ℎ
∫−ℎ( 𝑎𝑥 2 + 𝑏𝑥 + 𝑐)𝑑𝑥 = 3
(2𝑎ℎ2 + 6𝑐) = 3
(2𝑎ℎ2 + 2𝑐 + 4𝑐) Ecuación 4
ℎ ℎ
∫−ℎ( 𝑎𝑥 2 + 𝑏𝑥 + 𝑐)𝑑𝑥 = 3 (𝑦0 + 4𝑦1 + 𝑦2 ) = 𝐴𝑖 Ecuación 5
𝑓(𝑥0 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )2 (𝑥 − 𝑥2 )3
= [ − ]
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) 2 6
𝑓(𝑥1 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )2 (𝑥 − 𝑥2 )3
+ [ − ]
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) 2 6
𝑓(𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )2 (𝑥 − 𝑥1 )3 𝑥2
+ [ − ]
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 ) 2 6 𝑥0
METODOS NUMÉRICOS 11
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )2 (𝑥0 − 𝑥2 )3 (𝑥0 − 𝑥2 )3
= 𝑓(𝑥0 ) [− + ] + 𝑓(𝑥1 ) [ ]
2(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) 6(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) 6(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )2 (𝑥2 − 𝑥1 )3
+ 𝑓(𝑥2 ) [ −
2(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 ) 6(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
(𝑥0 − 𝑥1 )3
+ ]
6(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Remplazando 𝑥1 = 𝑥0 + ℎ 𝑥2 = 𝑥0 + 2ℎ resulta:
𝑥2
ℎ 4ℎ ℎ
∫ 𝑝(𝑥)𝑑𝑥 = 𝑓(𝑥0 ) [ ] + 𝑓(𝑥1 ) [ ] + 𝑓(𝑥2 ) [ ]
𝑥0 3 3 3
Luego:
𝑥2
ℎ
∫ 𝑝(𝑥)𝑑𝑥 = [ ] [𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )]
𝑥0 3
𝑥 ℎ 𝑏−𝑎
∫𝑥 2 𝑝(𝑥)𝑑𝑥 ≈ 3 [𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )] ℎ= 2
0
Remplazando:
𝑥2
𝑏−𝑎
𝐼 = ∫ 𝑝(𝑥)𝑑𝑥 ≈ [𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )]
𝑥0 6
−𝟏
𝑬= ∗ 𝒉𝟓 𝒇(𝟒) (𝜻)
𝟗𝟎
(𝑏 − 𝑎)5 (4)
𝐸=− 𝑓 (𝜁)
2880
METODOS NUMÉRICOS 12
El término 𝑓 (4) (𝜁) lo podemos aproximar al promedio de la cuarta derivada:
𝑏
∫ 𝑖 (4) (𝜆)𝑑𝜆
𝑖 (4)
(𝜁) = 𝑎
𝑏−𝑎
El error asociado a la regla de Simpson nos indica que este método es más exacto
que otros métodos de integración como la regla del trapecio. Vemos que el error es
proporcional a la cuarta derivada, por lo tanto el coeficiente del tercer grado se hace
cero en la interpolación polinomial. Por lo tanto, para ecuaciones de tercer grado se
obtienen ecuaciones exactas aunque se aproxime con una parábola. Así, el método
de Simpson es muy relevante.
𝑏−𝑎
Por lo tanto tomamos: ℎ= 𝑛
𝑥2 𝑥4 𝑥𝑛
∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥)𝑑𝑥
𝑥0 𝑥2 𝑥𝑛−1
(𝑏 − 𝑎) (𝑏 − 𝑎)
𝐼= (𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )) + (𝑓(𝑥2 ) + 4𝑓(𝑥3 ) + 𝑓(𝑥4 )) + ⋯ ⋯
6 6
(𝑏 − 𝑎)
+ (𝑓(𝑥𝑛−2 ) + 4𝑓(𝑥𝑛−1 ) + 𝑓(𝑥𝑛 ))
6
Sacando el factor común (𝑏 − 𝑎) y agrupamos términos obtenemos:
n−1
(f(x0 ) + 4 ∑i=1,2,… f(xi ) + 2 ∑𝑛−2
𝑗=1,2,… f(xj ) + f(xn ))
𝐼 = (𝑏 − 𝑎)
3n
(𝑏 − 𝑎)5 (4)
𝐸=− 𝑓
180𝑛4
METODOS NUMÉRICOS 13
LA REGLA DE SIMPSON 3/8 SIMPLE
La Regla de los Tres Octavos de Simpson es similar a la regla de un tercio, excepto que se
determina el área bajo una parábola de tercer grado que conecta 4 puntos sobre una curva
dada. La forma general de la parábola de tercer grado es:
𝑎𝑥 3 + 𝑏𝑥 2 + 𝑐𝑥 + 𝑑
−3 3
El intervalo de integración es de:
2
∆𝑥 a
2
∆𝑥 lo produce lo siguiente
3 3
∆𝑥 𝑎𝑥 4 𝑏𝑥 3 𝑥2 ∆𝑥
2
𝐴 = ∫−3 ( 𝑎𝑥 3 + 𝑏𝑥 2 + 𝑐𝑥 + 𝑑)𝑑𝑥 = [ + +𝑐 2
+ 𝑑𝑥] −3
∆𝑥 4 3 2 ∆𝑥
2 2
3 3 3
𝑎(2 ∆𝑥)4 𝑏(2 ∆𝑥)3 (2 ∆𝑥)2 3
𝐴=[ + +𝑐 + 𝑑( ∆𝑥)]
4 3 2 2
3 3 3
𝑎(− 2 ∆𝑥)4 𝑏(− 2 ∆𝑥)3 (− 2 ∆𝑥)2 3
−[ + +𝑐 + 𝑑(− ∆𝑥)]
4 3 2 2
2 3 3
𝐴 = 𝑏( ∆𝑥)3 + 2𝑑( ∆𝑥)
3 2 2
METODOS NUMÉRICOS 14
9
𝐴 = 4 𝑏∆𝑥 3 + 3𝑑∆𝑥
3
𝐴 = ∆𝑥(6𝑏∆𝑥 2 + 8𝑑)
8
3
𝐴 = ∆𝑥(𝑦0 + 3𝑦1 + 3𝑦2 + 𝑦3 )
8
−𝟑
𝑬= ∗ ∆𝑥 𝟓 𝒇(𝟒) (𝜻)
𝟖𝟎
3
𝐴 = ∆𝑥(𝑦0 + 3𝑦1 + 3𝑦2 + 2𝑦3 + 3𝑦4 + 3𝑦5 + 2𝑦6 + ⋯ + 𝑦𝑛 )
8
𝑏−𝑎
Tomando ∆𝑥 = 𝑛
donde n es el número de sud intervalos, con la condición de que n
n−2
3 (𝑦0 + 3 ∑i=1,4,7,… 𝑦𝑖 + 3 ∑𝑛−1 𝑛−3
𝑗=2,5,8… 𝑦𝑗 + 2 ∑𝑘=3,6,9… 𝑦𝑘 + 𝑦𝑛 )
𝐴 = (𝑏 − 𝑎)
8 n
−𝒏
𝑬= ∗ ∆𝑥 𝟓 𝒇(𝟒) (𝜻)
𝟖𝟎
METODOS NUMÉRICOS 15
APLICACIÓN DE LA REGLA DE SIMPSON 1/3
Problema 01.-
𝜆5 25𝜆4
𝑖(𝜆) = − + 125𝜆3 + 2500𝜆2 + 25000𝜆 − 100000
32 8
Solución
𝜆
𝑒 = ∫ 𝑖𝑑𝜆
0
𝜆
𝜆5 25𝜆4
𝑤=∫ ( − + 125𝜆3 + 2500𝜆2 + 25000𝜆 − 100000) 𝑑𝜆
0 32 8
Resolviendo la integral:
𝑖(𝜆0 ) = 𝑖(20) = 0
METODOS NUMÉRICOS 16
0 + 4 ∗ 3.05176 + 97.6563
𝑤 = (25 − 20)
6
𝑤 = 91.55273
(𝑏 − 𝑎)5 (4)
𝐸= 𝑓 (𝜁)
2880
𝑏
(4)
∫𝑎 𝑖 (4) (𝜆)𝑑𝜆
𝑖 (𝜁) =
𝑏−𝑎
Derivando la expresión:
𝜆5 25𝜆4
𝑖(𝜆) = − + 125𝜆3 + 2500𝜆2 + 25000𝜆 − 100000
32 8
5𝜆4 25𝜆3
𝑖′(𝜆) = − + 375𝜆2 + 5000𝜆 + 25000
32 2
5𝜆3 75𝜆2
𝑖′′(𝜆) = − + 750𝜆1 + 5000
8 2
15𝜆2
𝑖′′′(𝜆) = − 75𝜆 + 750
8
15𝜆1
𝑖 (4) (𝜆) = − 75
4
25 15𝜆1
∫20 ( 4 − 75) 𝑑𝜆
𝑖 (4) (𝜁) =
25 − 20
75
𝑖 (4) (𝜁) = = 9.375
8
(25 − 20)5
𝐸= ∗ 9.375
2880
𝐸 = 10.1725
METODOS NUMÉRICOS 17
Si derivamos de manera analítica la solución es: 81.3802083333. Si restamos el valor
real menos el aproximado obtenido con la regla de Simpson se obtiene: 91.55273437 -
81.3802083333 =10.1725
Ejercicio 02
1
𝑥𝑑𝑥
∫
0 (𝑥 + 1)(𝑥 + 2)
𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 𝑥8
0 0.125 0.25 0.375 0.5 0.625 0.75 0.875 1.0
𝑓(𝑥0 ) 𝑓(𝑥1 ) 𝑓(𝑥2 ) 𝑓(𝑥3 ) 𝑓(𝑥4 ) 𝑓(𝑥5 ) 𝑓(𝑥6 ) 𝑓(𝑥7 ) 𝑓(𝑥8 )
0 0.05228 0.08888 0.11483 0.13333 0.14652 0.15584 0.162319 0.16666
[f(x0 ) + 4( f(x1 ) + f(x3 ) + f(x5 ) + f(x7 )) + 2(f(x2 ) + f(x4 ) + f(x6 )) + f(x8 )]
𝐼≈ℎ
3
0.125
≈ [4(0.05228 + 0.11483 + 0.14652 + 0.162319) + 2(0.0888 0.1333 +
3
0.15584) + 0.1666]
≈ 0.1177615
n I(Simpson)
n=1 0.1177615
n=2 0.05888075
n=3 0.03925383
n=4 0.029440375
n=5 0.0235523
n=6 0.0196269
n=7 0.01682307
n=8
METODOS NUMÉRICOS 18
Ejercicio 03
Dado que tenemos que calcular la longitud de la función f(x) = sen x, entre x = 0 y x =
4, aplicaremos la formula.
𝑏 4
𝐿 = ∫𝑎 √1 + (𝑓′(𝑥))2 𝑑𝑥 𝐿 = ∫0 √1 + (cos 𝑥)2 𝑑𝑥
𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 𝑥8
0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
𝑔(𝑥0 ) 𝑔(𝑥1 ) 𝑔(𝑥2 ) 𝑔(𝑥3 ) 𝑔(𝑥4 ) 𝑔(𝑥5 ) 𝑔(𝑥6 ) 𝑔(𝑥7 ) 𝑔(𝑥8 )
1.41421 1.33047 1.13663 1.0025 1.08313 1.28134 1.40715 1.37002 1.19468
1.40715) + 1.19468]
≈ 4.96667
Es posible calcular de forma precisa, por otros métodos, este resultado, obteniéndose:
4.966615, por lo que deducimos que el Método de Simpson proporciona un valor muy
correcto en este caso.
METODOS NUMÉRICOS 19
AJUSTE DE CURVAS
A lo largo de la profesión de un ingeniero, frecuentemente se presentan
ocasiones en las que deben ajustar curvas a un conjunto de datos
representados por puntos.
Básicamente el ajuste de curvas se utiliza cuando se tiene una serie de datos
calculados y se desea conocer valores intermedios no conocidos, o también en
aquellos casos en que se desee una versión simplificada de una función que se
ajuste a un número de valores concretos, y posteriormente usar la función
simplificada para derivar nuevos valores.
“Ajustar una curva implica ajustar una función 𝑔(𝑥) a un conjunto de datos
(𝑥𝑖 ; 𝑦𝑖 ), 𝑖 = 1,2,3, … ; 𝑔(𝑥) puede ser un polinomio, una función lineal o
combinación de funciones conocidas”.
El ajuste de curvas en ingeniería tiene como aplicación principal, a partir de una
serie de datos experimentales, realizar:
2. Si los datos que se tienen son precisos se trazan una o varias curvas
que pasan por cada uno de los puntos de datos. A esto se le llama
INTERPOLACIÓN, la cual puede ser lineal o curvilínea.
METODOS NUMÉRICOS 20
METODO DE MINIMOS CUADRADOS
x
Y
x x
x x
x
x
x
x
x
X
Si pretendemos predecir la variable Y en función de los valores de la variable X
deberemos de determinar la recta de regresión de Y sobre X que tendrá como
expresión genérica:
𝑌 = 𝑎𝑥 + 𝑏
donde 𝑎 es la pendiente de la recta que representa el incremento que experimenta el
valor 𝑦 por cada unidad que se incrementa el valor de 𝑥, y 𝑏 es la ordenada en el
origen, es decir el valor de 𝑦 cuando 𝑥 vale cero.
Obviamente, como los puntos que representan a las observaciones, no están
perfectamente alineados, la recta no determinará exactamente los valores de 𝑦. Si
calculásemos la diferencia entre el valor observado y el que predice la recta,
obtendríamos una diferencia que llamaremos residuo. Esta situación puede verse en el
gráfico siguiente:
METODOS NUMÉRICOS 21
Si designamos 𝑦′ los valores que predice la recta de regresión:
𝑦𝑖′ = 𝑎𝑥𝑖 + 𝑏
de acuerdo con lo expresado anteriormente, los residuos serán:
𝑒𝑖 = 𝑦𝑖′ − 𝑦𝑖
∑ 𝑥𝑦
𝑟= 𝑛 − 𝑥̅ 𝑦̅
2 2
√∑ 𝑥 − 𝑥̅ 2 √∑ 𝑦 − 𝑦̅ 2
𝑛 𝑛
METODOS NUMÉRICOS 22
OTRA FORMA DE AJUSTAR A UNA CURVA MEDIANTE MINIMOS CUADRADOS
En el problema de ajuste a curvas se desea que dada una tabla de valores (xi, fi)
encontrar una curva que se ajuste de la mejor manera a los datos. La curva está
definida en forma paramétrica, y se deben encontrar los valores de sus parámetros
para hacer que alguna medida de error se minimice.
AJUSTE A UN POLINOMIO
Suponga que se desea ajustar a un polinomio de la forma:
𝑛+1
𝑛 𝑛−1
𝑃𝑛(𝑥) = 𝑎1 𝑥 + 𝑎2 𝑥 + ⋯ + 𝑎𝑛 𝑥 + 𝑎𝑛+1 = ∑ 𝑎𝑖 𝑥 𝑛−𝑖+1
𝑖=1
El problema de ajuste consiste en encontrar los coeficientes 𝑎𝑖 que hagan que este
polinomio se parezca lo más posible a los datos de acuerdo con alguna definición de
error.
Definimos el error 𝜀 del polinomio en el punto 𝑥 como la diferencia entre el valor que
toma el polinomio y el valor 𝑦 , es decir,
𝜀𝑗 = 𝑓𝑗 − 𝑃𝑛(𝑥𝑗 )
Ahora definimos el error cuadrático total 𝜖 como la suma de los errores al cuadrado
para todos los datos, esto es,
𝑛
𝜖 ≡ ∑ 𝜀𝑗2
𝑗=1
𝑛 𝑛 𝑛+1 2
2
𝜖 ≡ ∑ (𝑓𝑗 − 𝑃𝑛 (𝑥𝑗 )) ≡ ∑ (𝑓𝑗 − ∑ 𝑎𝑖 𝑥𝑗𝑛−𝑖+1 )
𝑗=1 𝑗=1 𝑖=1
𝑛
2
𝜖 ≡ ∑(𝑓𝑗 − 𝑎1 𝑥𝑗𝑛 − 𝑎2 𝑥𝑗𝑛−1 − ⋯ − 𝑎𝑛−1 𝑥𝑗2 − 𝑎𝑛 𝑥𝑗 − 𝑎𝑛+1 )
𝑗=1
𝑛 𝑛+1
𝜕𝜖
= ∑ 2(𝑓𝑗 − ∑ 𝑎𝑖 𝑥𝑗𝑛−𝑖+1 )(−𝑥𝑗 ) = 0
𝜕𝑎𝑛
𝑗=2 𝑖=1
METODOS NUMÉRICOS 23
Expresando este sistema de ecuaciones en forma matricial obtenemos lo siguiente:
𝑛 ∑ 𝑥𝑗 … ∑ 𝑥𝑗𝑛−1 ∑ 𝑥𝑗𝑛 ∑ 𝑓𝑗
∑ 𝑥𝑗 𝑎𝑛+1
∑ 𝑥𝑗2 … ∑ 𝑥𝑗𝑛 ∑ 𝑥𝑗𝑛+1 𝑎𝑛 ∑ 𝑥𝑗 𝑓𝑗
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ = ⋮
𝑎2
∑ 𝑥𝑗𝑛−1 ∑ 𝑥𝑗𝑛 … ∑ 𝑥𝑗
2𝑛−2
∑ 𝑥𝑗2𝑛−1 [ 𝑎1 ] ∑ 𝑥𝑗𝑛−1 𝑓𝑗
𝑛 … 𝑛
[ ∑ 𝑥𝑗 ∑ 𝑥𝑗𝑛+1 ∑ 𝑥𝑗2𝑛−1 ∑ 𝑥𝑗2𝑛 ] [ ∑ 𝑥𝑗 𝑓𝑗 ]
Donde todas las sumatorias son ∑𝑛𝑗=1 . Esta última forma es la usual de expresar las
ecuaciones que definen el método de mínimos cuadrados para ajuste a un polinomio
de orden 𝑛.
Para ajustar a una recta, es decir 𝑃1 = 𝑎1 𝑥 + 𝑎2 , el sistema de ecuaciones es el
siguiente:
𝑛 ∑ 𝑥𝑗 𝑎2 ∑ 𝑓𝑗
[ ] [𝑎 ] = [ ]
1
∑ 𝑥𝑗 ∑ 𝑥𝑗2 ∑ 𝑥𝑗 𝑓𝑗
𝑛 ∑ 𝑥𝑗 ∑ 𝑥𝑗2 ∑ 𝑓𝑗
𝑎3
∑ 𝑥𝑗 ∑ 𝑥𝑗2 ∑ 𝑥𝑗3 [𝑎2 ] = ∑ 𝑥𝑗 𝑓𝑗
𝑎1
2
[∑ 𝑥𝑗 ∑ 𝑥𝑗3 ∑ 𝑥𝑗4 ] 2
[∑ 𝑥𝑗 𝑓𝑗 ]
𝑦 = 𝑎𝑒 𝑏𝑥
Se toma el logaritmo natural de la ecuación anterior,
ln𝑦 = 𝑏𝑥 + 𝑙𝑛𝑎
Comparando la expresión de 𝑙𝑛𝑦 con un polinomio de primer orden, 𝑃1 (𝑥) = 𝑎1 𝑥 + 𝑎2 ,
y haciendo las sustituciones 𝑃𝑛(𝑥) por ln 𝑦 , 𝑎1 por 𝑏, y 𝑎2 por ln 𝑎 tenemos que el
sistema de ecuaciones siguiente nos da el valor de las constantes 𝑏 y 𝑎:
𝑛 ∑ 𝑥𝑗 ∑ ln 𝑓𝑗
ln 𝑎
[ ][ ]=[ ]
∑ 𝑥𝑗 ∑ 𝑥𝑗2 𝑏 ∑ 𝑥𝑗 ln 𝑓𝑗
METODOS NUMÉRICOS 24
𝑦 = 𝑎𝑥 𝑏
Se toma el logaritmo de la expresión anterior.
ln 𝑦 = 𝑏 ln 𝑥 + ln 𝑎
Comparando con la expresión de 𝑃1 (𝑥) = 𝑎1 𝑥 + 𝑎2 , y sustituyendo, 𝑎1 por 𝑏, 𝑎2 por
ln 𝑎 y 𝑥 por ln 𝑥 , tenemos el sistema de ecuaciones siguiente:
𝑛 ∑ ln 𝑥𝑗 ∑ ln 𝑓𝑗
ln 𝑎
[ ][ ]=[ ]
∑ ln 𝑥𝑗 ∑ ln2 𝑥𝑗 𝑏 ∑ ln 𝑥 ln 𝑓
𝑗 𝑗
EJEMPLOS:
1) Se quiere ajustar los siguientes datos a polinomios de orden 1, 2 y 3.
Para orden 1
5.0 18.2 𝑎1 10.05
[ ] [𝑎 ] = [ ]
18.2 85.9 2 47.00
0.5301
De donde se obtiene que 𝑎 = [ ]
0.0803
Por lo tanto 𝑃1 (𝑥) = 0.5301𝑥 + 0.803
Para orden 2
5.0 18.2 85.9 𝑎1 10.05
[18.2 85.9 436.2 ] [𝑎2 ] = [ 47.00 ]
85.9 436.2 2302.0 𝑎3 248.01
0.1981
De donde se obtiene que 𝑎 = [−0.7153]
1.2095
Por lo tanto 𝑃2 (𝑥) = 0.1981𝑥 2 − 0.7153𝑥 + 1.2095
Para orden 3
5.0 18.2 85.9 436.1960 𝑎1 10.05
18.2 85.9 𝑎2
[ 436.1960 2301.9682 ] [ ] = [ 47.00 ]
85.9 436.1960 2301.9682 12468.7509 𝑎3 248.015
436.1960 2301.9682 12468.7509 68846.5078 𝑎4 1349.6405
METODOS NUMÉRICOS 25
−0.0198
0.3909
De donde se obtiene que 𝑎 = [−1.2081]
1.4171
Por lo tanto 𝑃2 (𝑥) = −0.0198𝑥 3 + 0.3909𝑥 2 − 1.2081𝑥 + 1.4171
Xi 1 1.5 2 2.5 3
fi 1.2379 0.7598 0.7612 0.4342 0.2123
𝑛 ∑ 𝑥𝑗 ∑ ln 𝑓𝑗
ln 𝑎
[ ][ ]=[ ]
∑ 𝑥𝑗 ∑ 𝑥𝑗2 𝑏 ∑ 𝑥𝑗 ln 𝑓𝑗
Sustituyendo datos:
5 12.7 ln 𝑎 −2.7183
[ ][ ]=[ ]
12.7 42.49 𝑏 −11.1636
De donde ln𝑎 = .5136 𝑦 𝑏 = −0.4163, es decir
Xi 1 1.2 2 3.2 5
fi 4.7511 18.4011 5.4736 64.9299 238.4294
𝑛 ∑ ln 𝑥𝑗 ∑ ln 𝑓𝑗
ln 𝑎
[ ][ ]=[ ]
∑ ln 𝑥𝑗 ∑ ln2 𝑥𝑗 𝑏 ∑ ln 𝑥 ln 𝑓
𝑗 𝑗
Sustituyendo datos:
5 3.8712 ln 𝑎 15.8181
[ ][ ]=[ ]
3.8712 4.5881 𝑏 16.0236
De donde ln𝑎 = 1.3256 𝑦 𝑏 = 2.3740, es decir
𝑦 = 3.7645𝑥 2.3740
METODOS NUMÉRICOS 26
INTERPOLACION
f ( xk ) yk , k 1,...., n
A la que se denomina función interpolante de dichos puntos. A los puntos xk se les
llama nodos.
METODOS NUMÉRICOS 27
POLINOMIO DE INTERPOLACION LAGRANGE
El polinomio de Lagrange es simplemente una reformulación del polinomio de
Newton que evita el calcula de las diferencias finitas, y se presenta de manera
concisa como:
n
f n ( x) f xi Li x
i 0
Donde:
n x xj
Li x
j 0 xi x j
j i
Versión lineal:
x x1 x x0
f1 ( x) f ( x0 ) f ( x1 )
x0 x1 x1 x0
METODOS NUMÉRICOS 28
Versión de segundo orden:
f 2 ( x) f ( x0 )
x x1 x x2 f ( x ) x x0 x x2 f ( x ) x x0 x x1
x0 x1 x0 x2 1
x1 x0 x1 x2 2
x2 x0 x2 x1
f3 ( x) f ( x0 )
x x1 x x2 x x3 f ( x ) x x0 x x2 x x3
x0 x1 x0 x2 x x3 1
x1 x0 x1 x2 x x3
f ( x2 )
x x0 x x1 x x3 f ( x ) x x0 x x1 x x2
x2 x0 x2 x1 x2 x3 3
x3 x0 x3 x1 x3 x2
METODOS NUMÉRICOS 29
EJERCICIOS
Ejercicio 1:
Calcular el polinomio de interpolación de Lagrange para el siguiente conjunto de
puntos:
xi 0 0.33 0.66 1
yi 1 1.391 1.935
2.718
Solución
i). sustituyendo en la ecuación de tercer orden:
3
f3 ( x) f xi Li x
i 0
f 3 ( x) 1
x 0.33 x 0.66 x 1
0 0.33 0 0.66 0 1
1.391
x 0 x 0.66 x 1
0.33 0 0.33 0.66 0.33 1
1.935
x 0 x 0.33 x 1
0.66 0 0.66 0.33 0.66 1
2.718
x 0 x 0.33 x 0.66
1 0 1 x1 1 0.66
ii). Simplificando obtendremos como resultado:
19.06446 x x 0.66 x 1
26.13029 x x 0.33 x 1
11.93152 x x 0.33 x 0.66
METODOS NUMÉRICOS 30
Ejercicio 2:
Se busca un polinomio cuya grafica pasa por los siguientes puntos:(0;7), (3;7), (6;6)
Solucion:
xi 0 3 6
fi 7 7 6
Como podemos apreciar, hay 3 puntos dados, por lo tanto, nuestro polinomio será de
segundo orden
i). sustituyendo en la ecuación de tercer orden:
2
f 2 ( x) f xi Li x
i 0
f 2 ( x) 7
x 3 x 6 7 x 0 x 6 6 x 0 x 3
0 3 0 6 3 0 3 6 6 0 6 3
METODOS NUMÉRICOS 31
Ejercicio 3:
Con un polinomio de interpolación de Lagrange de segundo grado, evalúe y grafique Ln2
xi 1 4 6
fi 0 1.386294 1.791760
Solucion
2
f 2 ( x) f xi Li x
i 0
f 2 (2) 0
4 2 6 1.386294 2 1 2 6 1.791760 2 1 2 4 0.565844
1 4 1 6 4 1 4 6 6 1 6 4
0.693147 0.565844
Error= 100% 18.36%
0.693147
METODOS NUMÉRICOS 32
Ejercicio 4:
Estimar la velocidad de un paracaidista en T=10s
Tiempo Velocidad media
(s) (cm/s)
1 800
3 2310
5 3090
7 3940
13 4755
Solución
5
f5 ( x) f xi Li x
i 0
f5 (10) 800
10 310 510 7 10 13 2310 10 110 5 10 7 10 13
1 31 51 7 1 13 3 1 3 5 3 7 3 13
3090
10 110 310 7 10 13 3940 10 110 310 5 10 13
5 1 5 3 5 7 5 13 7 1 7 3 7 5 3 13
4755
10 110 310 510 7
13 113 313 5 13 7
f5 (10) 258.9453 259
METODOS NUMÉRICOS 33
CONCLUSIONES
METODOS NUMÉRICOS 34
ANEXOS
MINIMOS CUADRADOS mediante matrices, Documento en Excel
Solución :
n x f x^2 x.f
1 0.4 1 0.16 0.4
2 2.5 0.5 6.25 1.25
3 4.3 2 18.49 8.6
4 5 2.55 25 12.75
5 6 4 36 24
n=5 18.2 10.05 85.9 47
ESTRUCTURANDO LA MATRIZ
Y = 0.5301X+0.0803 1
0
0 2 4 6 8
OTRA FORMA, MEDIANTE EL COMANDO "ESTIMACION.LINEAL"
METODOS NUMÉRICOS 35
BIBLIOGRAFÍA
METODOS NUMÉRICOS 36