Unidad 4: Ajuste de curvas e interpolación

El ajuste de curvas consiste en encontrar una curva que contenga una serie de puntos y
que posiblemente cumpla una serie de restricciones adicionales. Esta sección es una
introducción tanto a la interpolación (cuando se espera un ajuste exacto a determinadas
restricciones) y al ajuste de curvas/análisis de regresión (cuando se permite una
aproximación).

4.1 Interpolación: Lineal y cuadrática.

La interpolación lineal es un caso particular de la Interpolación general de Newton. Con

el polinomio de interpolación de Newton se logra aproximar un valor de la función f(x)
en un valor desconocido de x. El caso particular, para que una interpolación sea lineal es
en el que se utiliza un polinomio de interpolación de grado 1, y se denota de la siguiente
manera:

En general la interpolación consiste en hallar un dato dentro de un intervalo en el que

conocemos los valores en los extremos. Se presenta cuando nos dan una función de la
cual sólo conocemos una serie de puntos de la misma:

Y si se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta función. Se le

llama polinomio interpolador a estos puntos, los valores obtenidos son sólo
estimaciones aproximadas.

La interpolación se llama lineal cuando sólo se toman dos puntos y cuadrática cuando se
tomen tres.

Interpolación lineal:
Sean dos puntos (x0, y0), (x1, y1), la interpolación lineal consiste en hallar una
estimación del valor y, para un valor x, tal que x0<x< x1. Teniendo en cuanta que la
ecuación de la recta que pasa por esos dos puntos, obtenemos:

Un polinomio de interpolación es una función polinomial que además de interpolar los

datos, es el de menor grado posible.
Caso 1: En este caso tenemos que f (x) = y0 (polinomio constante) es el polinomio de
menor grado tal que f (x0) = y0, por lo tanto, es el polinomio de interpolación: (x0, y0)

Caso 2: Tenemos los datos: (x0, y0), (x1, y1) en este caso el polinomio de interpolación
es la función lineal que une a los dos puntos dados. Por lo tanto tenemos que:

Es el polinomio de interpolación.

Interpolación cuadrática:
Cuando se tiene más de dos puntos:
 Caso 3: tenemos los datos (x0, y0), (x1, y1), (x2, y2). Para este caso, el polinomio de
interpolación va a ser un polinomio de grado 2, el polinomio de interpolación será como
sigue.

El término cuadrático viene dado por:

Bibliografía:

Steven C. Chapra, Métodos Numéricos para Ingenieros, 6ª ed., Mc Graw Hill.

http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_lineal

http://es.scribd.com/doc/52295347/INTERPOLACION-LINEAL-Y-CUADRATICA

4.2 Polinomios de interpolación: Diferencias divididas de Newton y de Lagrange.

El problema de la interpolación tiene propiamente tres cuestiones:

· Saber si tiene solución o no.

· En caso de tenerla, ¿dicha solución es ´única o existen varias?

· Y finalmente métodos de cálculo lo más eficientes posibles.

A este respecto en interpolación polinómica tenemos el siguiente resultado:

Teorema 1. Supongamos conocido el valor de una función f(x) en un conjunto de

puntos distintos dos a dos x0, x1,. . ., xn. Entonces, existe un único polinomio P(x) 2
<n[x] (esto es, polinomios de grado menor o igual que n) que interpola a la función en
esos puntos, es decir, P (xi) = f (xi) con i = 0,. . ., n.

La prueba más directa (con el coste de unos leves conocimientos de álgebra) consiste
en plantear el sistema lineal de ecuaciones (ahora las incógnitas son los coeficientes del
polinomio P buscado) y darse cuenta de que es un sistema compatible determinado al
tener matriz de coeficientes de tipo Van der Monde (con los xi distintos dos a dos) y por
tanto invertible.

Otra forma inmediata de ver la unicidad de solución al problema consiste en imaginar la

existencia de dos polinomios P y Q de grado n satisfaciendo la tesis del teorema.
Interpolación de Lagrange

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

de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la forma de
Lagrange. 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.

Dado un conjunto de k + 1 puntos:

Donde todos los xj se asumen distintos, el polinomio interpolador en la forma de

Lagrange es la combinación lineal:

De bases polinómicas de Lagrange:

La resolución de un problema de interpolación lleva a un problema de álgebra lineal en

el cual se debe resolver un sistema de ecuaciones. Usando una base monómica estándar
para nuestro polinomio interpolador, llegamos a la matriz de Vandermonde. Eligiendo
una base distinta, la base de Lagrange, llegamos a la forma más simple de matriz
identidad = δi, j, que puede resolverse inmediatamente.

Entre las desventajas de su uso tenemos que si se aumenta en número de puntos a

interpolar (o nodos) con la intención de mejorar la aproximación a una función, también
lo hace el grado del polinomio interpolador así obtenido, por norma general. De este
modo, aumenta la dificultad en el cálculo, haciéndolo poco operativo manualmente a
partir del grado 4, dado que no existen métodos directos de resolución de ecuaciones de
grado 4, salvo que se puedan tratar como ecuaciones bicuadradas, situación
extremadamente rara.

La tecnología actual permite manejar polinomios de grados superiores sin grandes

problemas, a costa de un elevado consumo de tiempo de computación. Pero, a medida
que crece el grado, mayores son las oscilaciones entre puntos consecutivos o nodos. Se
podría decir que a partir del grado 6 las oscilaciones son tal que el método deja de ser
válido, aunque no para todos los casos.

Sin embargo, pocos estudios requieren la interpolación de tan sólo 6 puntos. Se suelen
contar por decenas e incluso centenas. En estos casos, el grado de este polinomio sería
tan alto que seria inoperable. Por lo tanto, en estos casos, se recurre a otra técnica de
interpolación, como por ejemplo a la Interpolación polinómica de Hermite o a los
splines cúbicos

Otra gran desventaja, respecto a otros métodos de interpolación, es la necesidad de

recalcular todo el polinomio si se varía el número de nodos.

Polinomios de interpolación con diferencias divididas de Newton.

Cualquier polinomio de <n[x] se puede expresar en forma única como una combinación
lineal de los monomios {1, x, x2,. . ., xn}, pues son evidentemente sistema generador y
además linealmente independientes (luego forman una base del espacio vectorial), la
más simple de hecho, la base canoníca.

Esta base, que es adecuada para algunas manipulaciones inmediatas de polinomios

como nombrábamos en la sección anterior (derivación e integración por ejemplo), no es,
sin embargo, la más adecuada para construir en principio el polinomio interpolador.

Vimos que resultaba útil incluir los propios nodos del problema en los polinomios a
construir, de modo que en este parágrafo adoptamos una solución intermedia.

Bibliografía:

http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica_de_Lagrange

http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica

Steven C. Chapra, Métodos Numéricos para Ingenieros, 6ª ed., Mc Graw Hill.

4.3 Regresión por mínimos cuadrados: Lineal y Cuadrática.

En el marco del análisis estadístico multidimensional interesa, en gran medida,

descubrir la interdependencia o la relación existente entre dos o más de las
características analizadas.

La dependencia entre dos (o más) variables puede ser tal que se base en una relación
funcional (matemática) exacta, como la existente entre la velocidad y la distancia
recorrida por un móvil; o puede ser estadística. La dependencia estadística es un tipo de
relación 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 relación existente entre el peso y la estatura de los individuos de
una población es una relación estadística). Pues bien, el análisis de la dependencia
estadística admite dos planteamientos (aunque íntimamente relacionados):

· El estudio del grado de dependencia existente entre las variables que queda
recogido en la teoría de la correlación.

· La determinación de la estructura de dependencia que mejor exprese la relación,

lo que es analizado a través de la regresión.

Mínimos cuadrados es una técnica de análisis numérico encuadrada dentro de la

optimización matemática, en la que, dados un conjunto de pares ordenados: (variable
independiente, variable dependiente) y una familia de funciones, se intenta encontrar la
función, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor ajuste"),
de acuerdo con el criterio de mínimo error cuadrático.

En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias

ordenadas (llamadas residuos) entre los puntos generados por la función y los
correspondientes en los datos. Específicamente, se llama mínimos cuadrados promedio
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 mínimo de operaciones (por iteración), pero requiere un gran
número de iteraciones para converger.

Desde un punto de vista estadístico, un requisito implícito para que funcione el método
de mínimos cuadrados es que los errores de cada medida estén distribuidos de forma
aleatoria. El teorema de Gauss-Márkov prueba que los estimadores mínimos cuadráticos
carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una
distribución normal. También es importante que los datos recogidos estén bien
escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para
dar más peso a un dato en particular, véase mínimos cuadrados ponderados).

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas. Muchos

otros problemas de optimización pueden expresarse también en forma de mínimos
cuadrados, minimizando la energía o maximizando la entropía.

La aproximación mínimo cuadrática consiste en minimizar el error cuadrático

mencionado más arriba, y tiene solución general cuando se trata de un problema de
aproximación lineal (lineal en sus coeficientes) cualesquiera que sean las funciones
base: antes mencionadas. Por lineal se entiende que la aproximación buscada se expresa
como una combinación lineal de dichas funciones base. Para hallar esta expresión se
puede seguir un camino analítico, expuesto abajo, mediante el cálculo multivariable,
consistente en optimizar los coeficientes; o bien, alternativamente, seguir un camino
geométrico con el uso del álgebra lineal, como se explica más abajo, en la llamada
deducción geométrica. Para los Modelos estáticos uniecuacionales, el método de
mínimos cuadrados no ha sido superado, a pesar de diversos intentos para ello, desde
principios del Siglo XIX. Se puede demostrar que, en su género, es el que proporciona
la mejor aproximación.

Bibliografía:

http://es.wikipedia.org/wiki/M%C3%ADnimos_cuadrados

Steven C. Chapra, Métodos Numéricos para Ingenieros, 6ª ed., Mc Graw Hill.

4.4 Aplicaciones.

Se puede utilizar en el cálculo de estructuras, instalaciones eléctricas, hidráulicas y

sanitarias, en cálculos de carreteras, topografía y hasta en diseño de las estructuras, no
en todos los casos pero principalmente cuando hay mala toma de datos o haya datos
faltantes.
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. Tenemos los siguientes 3:

· Interpolación Segmentaria Lineal

· Interpolación Segmentaria Cuadrática

· Interpolación Segmentaria Cúbica

Bibliografía:

Steven C. Chapra, Métodos Numéricos para Ingenieros, 6ª ed., Mc Graw Hill.