3. Interpolación.

Concepto:
Supongamos que hay dos magnitudes x e y de los que se conocen n + 1 valores
relacionados {(x0, y0),(x1, y1), ··· ,(xn, yn)} , por ejemplo, datos obtenidos en una
experimentación. Con la condición xi 6= xj si i 6= j. Nos planteamos si existe una
función p tal que p (xk) = yk k = 0, ··· , n (1) es decir, queremos una función cuya
gráfica "pase" por los puntos del plano dados.
Si p verifica (1) diremos que p interpola los datos dados p es una función de
interpolación para los datos (xk, yk) , k = 0, ··· , n.
Este tipo de problemas suele darse cuando tenemos datos obtenidos por
experimentación y sabemos que hay una función f que rige el proceso pero que
desconocemos y queremos trabajar con una función alternativa p que represente
bien a esos datos de la muestra. Si f rige el proceso entonces f (xk) = yk luego
exigiremos a la función p ese mismo requisito, esto nos proporciona condiciones
que imponer a p con las que trataremos de obtenerla y una vez conseguido nos
permitiría conocer o predecir qué habría pasado en otros x en los que no se ha
experimentado.
Supongamos que existe la función f tal que f (xk) = yk , k = 0, ··· ,m. Caben varias
preguntas:
i) La función p que interpola los datos dados ¿ de qué tipo ha de ser? ¿Polinómica,
trigonométrica, racional,...? La respuesta vendrá dada por los datos yk.
•) Si se observa que los datos presentan periodicidad entonces buscaremos a p
dentro de la funciones trigonométricas.
•) Si los datos presentan asíntotas entonces p debería ser una función racional.
•) Si los yk presentan un comportamiento polinomial, entonces p se escogería de
tipo polinómico. Nos centraremos en cómo resolver este caso.
ii) Una vez escogido el tipo de función habrá que responder dos cuestiones, ¿existe
p del tipo escogido que interpole los datos dados? Y si existe, ¿es única?
iii) ¿Es la función polinómica escogida una buena aproximación de la función original
f en los puntos x que no son de la muestra?
Nota: entenderemos como función original la que rige el experimento y de la cual
sólo sabemos qué pasa en los n+1 puntos de la muestra.
Vamos a hacer el estudio contestando a estas cuestiones suponiendo que la función
p es una función polinómica.
3.1. Interpolación lineal.

La interpolación lineal es un procedimiento muy utilizado para estimar los valores

que toma una función en un intervalo del cual conocemos sus valores en los
extremos (x1, f(x1)) y (x2,f(x2)). Para estimar este valor utilizamos la aproximación
a la función f(x) por medio de una recta r(x) (de ahí el nombre de interpolación lineal,
ya que también existe la interpolación cuadrática).
La expresión de la interpolación lineal se obtiene del polinomio interpolador de
Newton de grado uno:

Recta de interpolación lineal

Veamos los pasos que tenemos que seguir para hallar la recta de regresión:
1º. Dados los puntos de la función (x1, y1) y (x2, y2), queremos estimar el valor de
la función en un punto x en el intervalo x1<x<x2.

2º. Para hallar la recta de interpolación nos fijaremos en la siguiente imagen.

Para ello utilizamos la semejanza de los triángulos ABD y CAE, obteniendo la

siguiente proporcionalidad de segmentos: AB/AC=BD/CE.
3º. Despejando el segmento BD (ya que el punto D es el que desconocemos)
obtenemos:
BD=(AB/AC)∙CE. Traduciendo al lenguaje algebraico obtenemos que:

Y despejando y, obtenemos:

La misma expresión que se obtiene al utilizar el polinomio interpolador de Newton

que ya habíamos comentado. Recordad que y1=f(x1) y análogamente y2=f(x2).

Ejemplo: En una determinada empresa de conservas se hace un estudio de los

ingresos que se obtienen a partir de los gastos. Estos datos se recogen en la
siguiente tabla (en miles de euros).

A partir de los datos recogidos en la tabla, calcular:

a) Los ingresos que se pueden esperar si hemos realizado un gasto de 4000 euros.
b) Los ingresos obtenidos si en esta ocasión el gasto es de 6000 euros.
En primer lugar podemos comenzar representado los datos facilitados por la tabla
en el eje de coordenadas ( no es obligatorio pero nos facilita la visión del ejercicio).

Como no conocemos la función mediante la que se han obtenido los datos, vamos
a utilizar la interpolación lineal.
a) Cuando x=4, vamos a utilizar los datos que nos proporciona la tabla x1=3 y x2=5,
cuyos valores respectivos son f(x1)=10 y f(x2)=14.
Utilizando la fórmula de interpolación mencionada, sustituimos los valores que
mencionados obteniendo:

Sustituyendo el valor de x que nos piden: x=4, (recordar que los datos vienen dados
en miles de euros) obtenemos el valor de ingresos esperado:
Por tanto, si hay un gasto de 4000 euros se obtendrán unos ingresos de 12000€.
b) De forma análoga al apartado anterior, en este caso tenemos que repetir la
interpolación, ya que ahora el valor que nos piden es x=6 (no os olvidéis que los
datos están dados en miles de euros), y esta valor está entre 5<x<7. En este caso
sustituiremos en la fórmula x1=5 y y2=7, cuyos valores respectivos son f(x1)=y1=14
y f(x2)=y2=22. Obtenemos por tanto la siguiente fórmula:

Donde al sustituir por 4 obtenemos:

Por tanto, si el gasto es de 6000 euros, los ingresos obtenidos serán de 18000
euros.

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

proporcionales) a los de la variable independiente se puede admitir que dicha
función es lineal y usar para estimar los valores la interpolación lineal..

Sean dos puntos (xo, yo), (x1, y1), la interpolación lineal

consiste en hallar una estimación del valor y, para un valor x tal que x0<x<x1.
Teniendo en cuenta que la ecuación de la recta que pasa por esos dos puntos es:

obtenemos la fórmula de la interpolación lineal.

Ejercicio 4.El número de turistas entrados en España en el período 1980-1995

siguió la siguiente tendencia:
Año 1980 1985 1990 1995
Millones de 24,1 30,1 38,0 43,2
turistas
a) Expresar la función definida a trozos que daría, por interpolación lineal, el
número de turistas en cada año intermedio. Calcular el número de turistas en 1986
b) Hallar la previsión para el año 1988 (suponiendo fuese line

3.2. Polinomio de interpolación de Newton.

Uno de estas formas de interpolación se denomina Polinomios de Interpolación de

Newton, que trabaja directamente en la tabla obtenida mediante el proceso de
Diferencias Divididas; En el desarrollo de estas diferencias finitas, se obtuvo en
primer lugar las diferencias finitas ordinarias y luego las diferencias finitas divididas.

En ocasiones es útil considerar varios polinomios aproximantes P1(x),P2(x),

...,PN(x) y, después, elegir el más adecuado a las necesidades.
Uno de los inconvenientes de los polinomios interpoladores de Lagrange es que no
hay relación entre la construcción de PN−1(x) y la de PN(x); cada polinomio debe
construirse individualmente y se requieren muchas operaciones para calcular
polinomios de grado elevado.
Los polinomios interpoladores de Newton se calculan mediante un esquema
recursivo
P1(x) = a0 + a1 (x − x0) , (6)
P2(x) = a0 + a1 (x − x0) + a2 (x − x0) (x − x1) ,
P3(x) = a0 + a1 (x − x0) + a2 (x − x0) (x − x1) + a3 (x − x0) (x − x1) (x − x2) ,
... ... ...
PN (x) = a0 + a1 (x − x0) + a2 (x − x0) (x − x1) + a3 (x − x0) (x − x1) (x − x2)
+a4 (x − x0) (x − x1) (x − x2) (x − x3) + ...
+aN (x − x0) (x − x1) (x − x2) ... (x − xN−1) .
PN(x) se obtiene a partir de PN−1(x) usando la recurrencia

PN(x) = PN−1(x) + aN (x − x0) (x − x1) (x − x2)...(x − xN−1).

Se dice que PN(x) es un polinomio de Newton con N centros
x0, x1, ..., xN−1.
Como PN(x) involucra sumas de productos de factores lineales, siendo
aN (x − x0) (x − x1) (x − x2)...(x − xN−1)
El de mayor grado, entonces PN(x) es de grado ≤ N
Diferencias Divididas: Queremos encontrar los coeficientes ak de todos los
polinomios P1(x),P2(x), ...,PN(x) que sirven para aproximar una función dada f(x).
De (6a):
f (x0) = P1 (x0) = a0 + a1 (x0 − x0) = a0 ⇒ a0 = f (x0). (7)
De (6a) y (7):
f (x1) = P1 (x1) = a0+a1 (x1 − x0) = f (x0)+a1 (x1 − x0) ⇒ a1 =f (x1) − f (x0) x1 − x0

3.3. Polinomio de Interpolación de Lagrange.

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-Louis

de Lagrange, es el polinomio que interpolaun conjunto de puntos dado en la forma de
Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto más tarde
por Leonhard Euler en 1783.

Dado que existe un único polinomio interpolador para un determinado conjunto de

puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de
Lagrange. Un nombre más conciso es interpolación polinómica en la forma de
Lagrange.
Existen en todas las ramas de la ciencia, en la Física, en la Matemática, en la
Química, en la Astronomía, en Biología, etc.. Situaciones en las que conociendo un
conjunto de datos experimentales en un cierto intervalo de la variable independiente,
esto es, conociendo una cierta cantidad de datos tabulados, se hace preciso
encontrar una función que verifique todos esos datos y permita, por consiguiente,
predecir la existencia de otros valores con la aproximación adecuada. El problema de
la interpolación es de gran importancia en el análisis numérico. En este artículo vemos
muy brevemente una manera elemental de interpolación y la obtención de la conocida
Fórmula Interpoladora de Lagrange.

 Interpolacion y Polinomio de Interpolacion de Lagrange

Se trata de encontrar un polinomio de grado n que pase por los puntos (x0, f(x0)),
(x1, f(x1)), ... (xn, f(xn)), se construye un cociente Ln,k(xk) con la propiedad de que
Ln,k(xi) = 0 cuando i ¹ k y Ln,k(xk) = 1
Se requiere entonces que el numerador contenga
(x – x0) (x – x1)... (x – xk–1)(x – xk+1)... (x – xn)
El denominador debe coincidir con el numerador cuando x = xk.

 N-ésimo polinomio interpolante de Lagrange

Teorema
Si x0, x1, x2, ... xn, son n+1 números distintos y si f es una función cuyos valores
están dados en esos números, entonces existe un polinomio de grado a lo más n,
con la propiedad de que
f(xk) = P(xk) para cada k = 0, 1, 2, ...n
Este polinomio está dado por:

Donde

 Aproximación a 1/x con interpolantesde Lagrange

Usaremos x0 = 2, x1 = 2.5 y x2 = 4, para obtener un polinomio de grado 2 para 1/x.
f(x0) = 0.5, f(x1)= 0.4 y f(x2) = 0.25.
Los polinomios de Lagrange son:

P(x) = 0.5*((x–6.5)x+10)+0.4*((–4x+24)x–32)/3+ 0.25*((x + 4.5)x+5)/3

P(x) = (0.05x – 0.425)x + 1.15 = 0.05x2 – 0.425x + 1.15
f(3) = P(3) = 0.325
P(x) = (0.05x – 0.425)x + 1.15
f(3) = P(3) = 0.325

 El error en la interpolación de Lagrange

El error en la interpolación de Lagrange puede calcularse con :
  Algoritmo en Matlab Langre
function fi = Lagran_(x, f, xi)
fi=zeros(size(xi));
np1=length(f);

for i=1:np1

z=ones(size(xi));

for j=1:np1

if i~=j, z = z.*(xi - x(j))/(x(i)-x(j));end

end
fi=fi+z*f(i);
end return;

3.4. Aplicaciones de interpolación.

En el subcampo matemático del análisis numérico, un spline es una curva

diferenciable definida en porciones mediante polinomios.
En los problemas de interpolación, se utiliza a menudo la interpolación mediante
splines porque da lugar a resultados similares requiriendo solamente el uso de
polinomios de bajo grado, evitando así las oscilaciones, indeseables en la mayoría
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 representación y la facilidad de cómputo de los splines los
hacen populares para la representación de curvas en informática, particularmente
en el terreno de los gráficos por ordenado.
Interpolación Segmentaria Lineal.
Este es el caso más sencillo. En él, vamos a interpolar una función f(x) de la que se
nos dan un número N de pares (x,f(x)) por los que tendrá que pasar nuestra función
polinómica 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, haciéndolas pasar obligatoriamente por los puntos que van
a determinarlas, es decir, la función P(x) será el conjunto de segmentos que unen
nodos consecutivos; es por ello que nuestra función será continua en dichos puntos,
pero no derivable en general.

Ejemplo= Interpolar con splines f(x)=1/x, en los puntos en los que x valen 1 2 y 4.
f(1) = 1
f(2) = 0.5
f(4) = 0.25
El primer segmento P1(x) = ax + b deberá unir los primeros dos puntos de
coordenadas (1,1) y (0.5,2). Surge un sistema lineal de dos ecuaciones en dos
incógnitas:

(1) 1=a+b
(2) 0.5=2a+b
De (1) se obtiene: a=1-b (3)

Reemplazando (3) en (2) se obtiene: 0.5=2(1-b)+b

luego
b=1.5
Reemplazando el valor de (b) en (1), se obtiene: a = - 0.5
Por lo tanto, se concluye que: P1(x) = - 0.5x + 1.5 El segundo segmento P2(x) = ax
+ b deberá unir el segundo punto (0.5,2) con el tercer punto (0.25,4). Análogamente
a lo hecho para P1(x), en el caso de P2(x) se obtiene:
(1) 0.5 = 2a + b
(2) 0.25 = 4a + b
a = - 0.125, b = 0.75
Luego P2(x) = - 0.125x + 0.75

Interpolación Segmentaria Cuadrática

En este caso, los polinomios P(x) a través de los que construimos el Spline tienen
grado 2. Esto quiere decir, que va a tener la forma P(x) = ax² + bx + c

Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones (donde

N son los puntos sobre los que se define la función). La interpolación cuadrática nos
va a asegurar que la función 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 cómo condiciones:
Que las partes de la función 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 función
definida a trozos que pasa por tal punto común.
Esto sin embargo no es suficiente, y necesitamos una condición más. ¿Por qué?.
Tenemos 3 incógnitas 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 incógnitas en
total. Para resolver esto necesitaríamos seis ecuaciones, pero vamos a tener tan
sólo 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 común a las dos P(x).
Se necesita una sexta ecuación, ¿de dónde se extrae? Esto suele hacerse con el
valor de la derivada en algún punto, al que se fuerza uno de los P(x)

Interpolación Segmentaria Cubica.

En este caso, cada polinomio P(x) a través del que construimos los Splines en [m,n]
tiene grado 3. Esto quiere decir, que va a tener la forma P(x) = ax³ + bx² + cx + d

En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una
nueva condición para cada punto común a dos intervalos, respecto a la derivada
segunda:
Que las partes de la función 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 función
definida a trozos que pasa por tal punto común.
Que la derivada segunda en un punto siempre coincida para ambos "lados" de la
función definida a trozos que pasa por tal punto común.
Como puede deducirse al compararlo con el caso de splines cuadráticos, ahora no
nos va a faltar una sino dos ecuaciones (condiciones) para el número de incógnitas
que tenemos.
La forma de solucionar esto, determina el carácter de los splines cúbicos. Así,
podemos usar:
Splines cúbicos naturales: La forma más típica. La derivada segunda de P se hace
0 para el primer y último punto sobre el que está 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 cúbicos sujetos: La derivada primera de P debe tener el mismo valor que
las derivada primera de la función para el primer y último punto sobre el que está
definido el conjunto de Splines, esto son, los puntos m y n en el intervalo [m,n].

3.5. Uso de herramientas computacionales.

Hoy en día, básicamente, nos sirven como apoyo en la enseñanza y aprendizaje de

las matemáticas y nos permiten resolver cualquier problema difícil que se nos vaya
presentando en cualquiera de los cursos de la licenciatura y de una manera analítica
y exacta, podemos tratar de resolver, mediante el uso y utilización adecuados de
programas (software) relativos a los procesos de aprendizaje de las mismas,
preparándonos así para llegar a procesar e interpretar la información mediante
dichos métodos analíticos y numéricos, lo cual seguramente, nos permitirá cumplir
con calidad y eficacia cualquier trabajo o proyecto que nos propongamos realizar;
así pues, el aprendizaje de dichas herramientas, constituyen un instrumento
apropiado, para poder adquirir las competencias necesarias en el manejo de
programas computacionales, que nos servirán para realizar nuestras actividades
con mayor facilidad ,eficiencia, rapidez y profesionalismo.

El uso de las nuevas tecnologías computacionales nos permite explorar, justificar e

ir construyendo nuestro propio conocimiento y la evolución que ha experimentado
el software matemáticos en los últimos años, nos conduce de manera urgente, a ir
aprendiendo las nuevas formas de hacer matemáticas.

Aunque existen numerosos asistentes o paquetes matemáticos, para facilitar la

realización de operaciones y procesos matemáticos (cálculos gráficos, de funciones
de dos o tres dimensiones, análisis estadístico análisis de sensibilidad en
programación lineal, simulación de problemas, etc.) a continuación se resumen los
más conocidos y utilizados en matemática:

CABRI GEOMETRE, este software ofrece potencialidades para realizar

construcciones geométricas, realizar ejercicios creativos. Actualmente es uno de los
software que más se está utilizando mundialmente para el estudio de la geometría.
En el ámbito universitario, han sido y continúan siendo objeto de estudio para
profesores de matemática los asistentes más utilizados en diferentes carreras,
disciplinas y asignaturas, entre ellos:

MATHEMATICA: incluye un amplio rango de funciones matemáticas, soporta

operaciones de álgebra lineal, realiza todo tipo de operaciones algebraicas, opera
con funciones, derivadas e integrales y, entre otras muchas cosas, incorpora un
módulo gráfico que tiene salida en formato.
Mathematica es el primer programa para la computación y visualización numérica,
simbólica y gráfica. Mathematica ofrece a sus usuarios una herramienta interactiva
de cálculo y un versátil lenguajede programación para una rápida y precisa solución
a problemas técnicos.

MATLAB: potente lenguaje de programación de cuarta generación. Es un programa

interactivo que ayuda a realizar cálculos numéricos, analizando y visualizando los
datos, para resolver problemas matemáticos, físicos, etc. Matlab trabaja con
escalares, vectores y matrices.
MATLAB es un medio computacional técnico, con un gran desempeño para el
cálculo numérico computacional y de visualización.

MATLAB integra análisis numérico, matrices, procesamiento de señales y gráficas,

todo esto en un ambiente donde los problemas y soluciones son expresados tal
como se escriben matemáticamente.

DERIVE: El Derive se utiliza para mejorar los resultados obtenidos con la

metodología tradicional. Puede ser utilizado en la enseñanza de Álgebra Lineal y en
el Cálculo Diferencial e Integral. En algunos casos, Geometría y Matemática
Discreta.
El Derive es una potente calculadora, que puede ser aprovechada para motivar la
introducción de nuevos métodos y conceptos; también para prevenir la fe ciega en
el ordenador. (Ejemplos: discusión de sistemas con parámetros, diagonalización de
matrices de orden superior a cinco para introducir métodos numéricos.)

Derive permite al profesor construir ejemplos para ilustrar conceptos y métodos, así
como proponer problemas reales.

Las prácticas en Álgebra Lineal se centrarían en aprovechar las posibilidades de

manipulación de Derive para la asimilación de técnicas de resolución de problemas
más que en la comprensión de conceptos.

MAPLE: permite un ambiente para resolución de problemas matemáticos complejos

que involucran expresiones algebraicas, simbólicas, cálculos numéricos de alta
precisión e visualización matemática.
MathCAD: incluye funciones de cálculo y gráficas en dos y tres dimensiones; puede
producir documentos con texto y gráficas; puede usar un coprocesador matemático
en las máquinas que lo tengan incorporado.
EXCEL: Microsoft Excel es una potente y a la vez sencilla hoja de cálculo, en la cual
haremos operaciones matemáticas, científicas y operaciones con datos.
Dentro de los Software Estadísticos Tenemos

SPSS: se describe como un sistema de gestión de datos y análisis estadístico en

entorno gráfico. Puede recibir datos desde cualquier fichero y utilizarlos para
generar informes, tablas, gráficos de distribución y moda, estadísticas descriptivas
y análisis estadístico complejo.
STATGRAPHICS: Paquete general con poderosas gráficas y facilidades de
información. Distribuido por módulos: Base (estadísticas básicas), series
temporales, diseño experimental, control de calidad, métodos multivariantes y
técnicas de regresiones avanzadas.
STATISTICA: Contiene una amplia elección de herramientas de modelado y
previsión (por ej. modelos lineales, modelos lineales/no lineales generalizados,
análisis de sobrevivencia, series cronológicas y previsión), incluyendo selección
automática de modelos y herramientas de visualización interactivas.