Lagrange Vs Newton

Seccin Tecnologas de Internet
Revista digital Matemtica, Educacin e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol. 9, N

o
1. 2008
Interpolacin Polinomial: Forma modicada de Lagrange
vs diferencias divididas de Newton.
Walter Mora F.
wmora2@yahoo.com.mx
Escuela de Matemtica
Instituto Tecnolgico de Costa Rica
Palabras claves: Mtodos numricos, interpolacin polinomial, polinomio de La-
grange, diferencias divididas de Newton, polinomio de TChebyshev.
Introduccin
Usualmente se reserva la forma de Lagrange del polinomio interpolante para tra-
bajo terico y diferencias divididas de Newton para clculos. La realidad es que
hay una forma modicada de Lagrange que es tan eciente como diferencias di-
vididas de Newton en cuanto a costo computacional y adems es numricamente
mucho ms estable. Hay varias ventajas que hacen de esta forma modicada de
Lagrange, el mtodo a escoger cuando de interpolacin polinomial se trata. La ex-
posicin se basa principalmente en ([9]) y ([11]).
La interpolacin polinomial es la base de muchos tipos de integracin numrica y
tiene otras aplicaciones tericas, de ah nuestro inters en este tpico.
En la prctica a menudo tenemos una tabla de datos obtenida por muestreo o ex-
perimentacin. Suponemos que los datos corresponden a los valores de una fun-
cin f desconocida (a veces es conocida, pero queremos cambiarla por una fun-
cin ms sencilla de calcular). El ajuste de curvas trata el problema de construir
una funcin que aproxime muy bien estos datos (es decir, a f ). Un caso particu-
lar de ajuste de curvas es la interpolacin polinomial: En este caso se construye
un polinomio P que pase por los puntos de la tabla. La interpolacin polinomial
consiste en estimar un valor ausente f (x
) en la tabla con el valor P(x
).
2 Revista digital Matemtica, Educacin e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol 9, No 1. , 2008.
EJEMPLO 1.1 Considere los siguientes datos para el nitrgeno(N
2
):
T(K) 100 200 300 400 450 500 600
B(cm
3
/mol) 160 35 4.2 9.0 ? 16.9 21.3
Tabla 1.1 Segundos Coecientes viriales B(cm
3
/mol) para el nitrgeno
donde T es la temperatura y B es el segundo coeciente virial
1
. Cul es el segundo
coeciente virial a 450K?. Para responder la pregunta, usando interpolacin poli-
nomial, construimos un polinomio P que pase por los seis puntos de la tabla (ya
veremos cmo), tal y como se muestra en la gura (1.1). Luego, el segundo coe-
ciente virial a 450K es aproximadamente P(450) = 13.5cm
3
/mol.
T(K)
B
(c
m
3
/
m
o
l
)
200 400 600
- 800
- 600
- 400
- 200
P(x)
Figura 1.1 Polinomio interpolante P para la tabla de segundos coecientes viriales.
1
El comportamiento de gases no ideales se describe a menudo con la ecuacin virial de estado
PV
RT
= 1 +
B
V
+
C
V
2
+ ...,
donde P es la presin, V el volumen molar del gas, T es la temperatura Kelvin y R es la constante
de gas ideal. Los coecientes B = B(T), C = C(T), ... son el segundo y tercer coeciente virial,
respectivamente. En la prctica se usa la serie truncada
PV
RT
1 +
B
V
Revista digital Matemtica, Educacin e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol 9, No 1. , 2008. 3
EJEMPLO 1.2 Consideremos la funcin f denida por
f (x) =
_

5
e
t
t x
dt, 1 x 1
La integral que dene a f es una integral no trivial (no se puede expresar en
trminos de funciones elementales). La tabla 1.2 nos muestra algunos valores para
f .
x f (x)
1 0.0009788055864607286
0.6 0.0010401386051341144
0.2 0.0011097929435687336
0 0.0011482955912753257
0.2 0.0011896108201581322
0.25 ?
0.6 0.0012820294923443982
1. 0.0013903460525251596
Tabla 1.2
Podemos usar un polinomio interpolante para interpolar f (0.25).
En el mundillo del ajuste de curvas hay varias alternativas,
Usar un polinomio interpolante. Es el mtodo de propsito general ms usa-
do.
Usar trazadores (splines). Estas son funciones polinomiales a trozos.
Usar polinomios trigonomtricos en [0, 2]. Son la eleccin natural cuando
la funcin f es peridica de periodo 2.
Usar sumas exponenciales. Se usan si conocemos que f presenta decaimiento
exponencial conforme x .
Si los datos son aproximados (datos experimentales), lo conveniente sera
usar Mnimos Cuadrados
Un problema de interpolacin
polinomial se especica como
sigue: dados n + 1 puntos
(x
0
, y
0
), (x
1
, y
1
), ..., (x
n
, y
n
),
siendo todos los x
i
s distintos,
encontrar un polinomio P
n
(x)
de grado n tal que
P
n
(x
i
) = y
i
, i = 0, 1, 2, ..., n
(1.1)
(xi, yi)
P (x)
n
Figura 1.2 P
n
(x)
A P
n
(x) se le llama polinomio interpolante y a cada x
i
le decimos nodo de interpo-
lacin.
Teorema 1.1 (Existencia y unicidad) Sean x
0
, x
1
, ..., x
n
nmeros reales distintos y
n 0. Si y
0
, y
1
, ..., y
n
son nmeros reales arbitrarios, existe un nico polinomio P
n
, de
grado menor o igual a n tal que P
n
(x
i
) = y
i
, i = 0, 1, ..., n.
La unicidad es consecuencia del teorema fundamental del lgebra: Si tenemos dos
polinomios P y q de grado a lo sumo n, entonces P Q tiene grado a los sumo
n. Como P(x
i
) Q(x
i
) = 0, i = 0, 1, ..., n este polinomio tendra n + 1 ceros
distintos, es decir, debe ser el polinomio nulo, P = Q.
La existencia se puede probar exhibiendo el polinomio en la forma de Lagrange,
por ejemplo:
P
n
(x) = y
0
L
n, 0
(x) + y
1
L
n, 1
(x) + ... + y
n
L
n, n
(x) con L
n, k
(x) =
n
i=0
i=k
x x
i
x
k
x
i
EJEMPLO 1.3 El polinomio de grado 2 que pasa por (0, 1), (1, 3), (2, 0) es
P
2
(x) = y
0
L
2, 0
(x) + y
1
L
2, 1
(x) + y
2
L
2, 1
(x)
= 1 L
2, 0
(x) + 3 L
2, 1
(x) + 0 L
2, 2
(x)
= 1
(x 1)(x 2)
(0 1)(0 2)
+ 3
(x 0)(x 2)
(1 0)(1 2)
. Simplicando,
=
5x
2
2
+
9x
2
+ 1
EJEMPLO 1.4 (Tipos de nodos) El polinomio interpolante se ve afectado por los
nodos {x
i
}
i=0,1,...,n
[a, b].
Un ejemplo extremo es la funcin de Runge: Si f (x) =
1
1 + 25x
2
, el polinomio in-
teporlante presenta problemas de convergencia si tomamos los nodos {x
i
}
i=0,1,...,n
igualmente espaciados en [1, 1], es decir x
i
= a + ih con h = 2/n.
-1 -0.5 0.5 1
1
2
-1 -0.5 0.5 1
1
2
n = 10 n = 15
f(x)
P (x)
n
Figura 1.3 P
n
(x) obtenido con puntos igualmente espaciados.
Si tomamos nodos de Tchebyshev (seccin 1.3) x
i
= cos
_
2i + 1
2n + 2

_
, se eliminan
los problemas de convergencia (y este resultado es vlido para cualquier funcin
f C
1
[1, 1].)
En ejemplo que sigue se muestran las formas de Newton del polinomio inter-
polante, denotado PN(x) (en rojo) y la forma modicada de Lagrange (en verde)
-1 -0.5 0.5 1
1
-1 -0.5 0.5 1
1
n = 10 n = 15
f(x)
P (x)
n
Figura 1.4 P
n
(x) con nodos de TChebyshev x
i
= cos((2i + 1)/(2n + 2) ).
del polinomio interpolante, denotado PML(x). Ambas representaciones se es-
tablecen en la seccin (1.1). La forma de Lagrange se confunde con la funcin
mientras que la forma de Newton sufre de problemas de inestabilidad en las cer-
canas de 1.
-1 1
-0.4
1
-1 1
-1
1
2.5
PN(x)
PN(x)
PML(x)
PML(x)
Figura 1.5 f (x) = 1/(1 + 25x
2
), PN(x) y PML(x) con 55 y 60 nodos de TChebyshev
1.1 Forma de Lagrange y Forma de Newton del polinomio
interpolante.
Aunque el polinomio interpolante es nico, existen varias representaciones como
combinacin lineal de ciertos polinomios. Sea R
n+1
[x] el conjunto de polinomios
con coecientes reales, de grado n. R
n+1
[x] es un espacio vectorial de dimen-
sin n + 1. Si = {B
0
, B
2
, ..., B
n
} es una base para R
n+1
[x], entonces el poli-
nomio interpolante P
n
se puede escribir en la base como
P
n
(x) = a
1
B
0
(x) + ... + a
n
B
n
(x)
Aunque el polinomio interpolante es nico, la forma (antes de simplicar) puede
cambiar segn la base que se tome. Si tomamos la base {1, x, ..., x
n
} de R
n+1
[x],
entonces
P
n
(x) = a
0
+ a
1
x + ... + a
n
x
n
Como P
n
(x
i
) = y
i
, i = 0, 1, ..., n, tenemos el sistema de ecuaciones lineales
_
_
_
_
_
1 x
0
x
2
0
... x
n
0
1 x
1
x
2
1
... x
n
1
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
x
n
n
_
_
_
_
_
_
_
_
_
_
a
0
a
1
.
.
.
a
n
_
_
_
_
_
=
_
_
_
_
_
y
0
y
1
.
.
.
y
n
_
_
_
_
_
(1.2)
La matriz asociada V
n
del sistema 1.3 se llama matriz de Vandermonde. Las colum-
nas de V
n
conforman un conjunto de vectores linealmente independiente. Luego,
podemos obtener los coecientes a
i
usando la regla de Cramer. Aunque terica-
mente todo funciona bien, computacionalmente es muy costoso calcular el poli-
nomio interpolante de esta manera.
Interpolacin Polinomial.. Walter Mora F.
Derechos Reservados 2009 Revista digital Matemtica, Educacin e Internet (www.cidse.itcr.ac.cr/revistamate/)
1.1.1 Forma de Lagrange para el polinomio interpolante.
La forma de Lagrange del polinomio interpolante se obtiene usando la base L
n,0
(x), ..., L
n,n
(x)
donde L
n,k
(x) =
n
i=0
i=k
x x
i
x
k
x
i
. En este caso
P
n
(x) = a
0
L
n, 0
(x) + a
1
L
n, 1
(x) + ... + a
n
L
n, n
(x)
Como P
n
(x
i
) = y
i
, i = 0, 1, ..., n y como L
n,j
(x
i
) =
ij
(delta de Kronecker), ten-
emos,
_
_
_
_
_
1 0 0 ... 0
0 1 0 ... 0
.
.
.
.
.
.
.
.
.
0 0 1
_
_
_
_
_
_
_
_
_
_
a
0
a
1
.
.
.
a
n
_
_
_
_
_
=
_
_
_
_
_
y
0
y
1
.
.
.
y
n
_
_
_
_
_
= a
i
= y
i
, i = 0, 1, ..., n. (1.3)
Luego P
n
(x) = y
0
L
n, 0
(x) + y
1
L
n, 1
(x) + ... + y
n
L
n, n
(x). Esta es la llamada forma
de Lagrange de polinomio intepolante.
1.1.2 Forma de Newton para el polinomio interpolante.
La forma de Newton del polinomio interpolante se obtiene usando la base B
0
(x), ..., B
n
(x)
donde
B
0
(x) = 1
B
1
(x) = (x x
0
)
B
2
(x) = (x x
0
)(x x
1
)
.
.
.
.
.
.
B
n
(x) = (x x
0
)(x x
1
) (x x
n1
)
Tenemos entonces
P
n
(x) = a
0
+ a
1
(x x
0
) + a
2
(x x
0
)(x x
1
) + + a
n
(x x
0
) (x x
n1
),
Como P
n
(x
i
) = y
i
, i = 0, 1, ..., n tenemos un sistema en forma triangular, listo
para resolver
P
n
(x
0
) = a
0
= y
0
P
n
(x
1
) = a
0
+ a
1
(x
1
x
0
) = y
1
P
n
(x
2
) = a
0
+ a
1
(x
2
x
0
) + a
2
(x
2
x
0
)(x
2
x
1
) = y
2
.
.
.
.
.
.
P
n
(x
n
) = a
0
+ a
1
(x
n
x
0
) + ... + a
n
(x
n
x
0
) (x
n
x
n1
) = y
n
Para obtener una frmula recursiva un poco ms limpia, denimos Q
0
= a
0
y
Q
j
(x) = a
0
+ a
1
(x x
0
) + ... + a
j
(x x
0
) (x x
j1
), j = 1, ..., n
De esta manera,
a
0
= y
0
a
1
=
y
1
Q
0
(x
0
)
x
1
x
0
a
2
=
y
2
Q
1
(x
1
)
(x
2
x
0
)(x
2
x
1
)
.
.
.
.
.
.
a
n
=
y
n
Q
n1
(x
n
)
(x
n
x
0
) (x
n
x
n1
)
Obtenemos una frmula recursiva: a
0
= y
0
y a
k
=
y
k
Q
k1
(x
k
)
(x
k
x
0
) (x
k
x
k1
)
, k =
1, ..., n
Diferencias divididas.
Si y
k
= f (x
k
), la frmula anterior nos muestra que cada a
k
depende de x
0
, x
1
, ..., x
k
.
Desde muchos aos atrs se usa la notacin a
n
= f [x
0
, x
1
, ...x
n
] para signicar
esta dependencia.
Al smbolo f [x
0
, x
1
, ...x
n
] se le llama diferencia divida de f .
Si consideramos f [x
0
, x
1
, ...x
n
] como una funcin de n + 1 variables, entonces
es una funcin simtrica, es decir, permutar las variables de cualquier manera no
afecta el valor de la funcin. Esto es as porque el polinomio que interpola los pun-
tos {(x
i
, y
i
)}
i=0,...,n
es nico, por lo tanto sin importar el orden en que vengan los
puntos, el coeciente principal siempre es a
n
= f [x
0
, x
1
, ...x
n
].
En notacin de diferencias divididas, la forma de Newton del polinomio inter-
polante es
P
n
(x) = f [x
0
] + f [x
0
, x
1
](x x
0
) + + f [x
0
, x
1
, ...x
n
](x x
0
) (x x
n1
),
El nombre diferencia divida viene de la agradable propiedad
Teorema 1.2 La diferencia dividida f [x
0
, x
1
, ...x
n
] satisface la ecuacin
f [x
0
, x
1
, ...x
n
] =
f [x
1
, x
2
, ...x
n
] f [x
0
, x
1
, ...x
n1
]
x
n
x
0
(1.4)
Prueba. Sea P
k
(x) el polinomio que interpola f en x
0
, x
1
, ..., x
k
. Aqu solo necesi-
tamos P
n
(x) y P
n1
(x). Sea R(x) el polinomio que interpola f en x
1
, x
2
, ..., x
n
.
Entonces (ejercicio 1.1)
P
n
(x) = R(x) +
x x
k
x
k
x
0
[R(x) P
n1
(x)] (1.5)
Como en la ecuacin (1.5) el polinomio de la izquierda y el de la derecha son idn-
ticos, entonces su coeciente principal debe ser el mismo, es decir,
f [x
0
, x
1
, ...x
n
]x
n
+ ... = f [x
1
, x
2
, ...x
n
]x
n1
+ ... +
x R(x) x P
n1
(x) + ...
x
k
x
0
= f [x
1
, x
2
, ...x
n
]x
n1
+ ... +
f [x
1
, x
2
, ...x
n
]x
n
+ ... f [x
0
, x
2
, ...x
n1
]x
n
+ ...
x
k
x
0
=
( f [x
1
, x
2
, ...x
n
] f [x
0
, x
2
, ...x
n1
])x
n
x
k
x
0
+ ...
de donde se obtiene (1.4).
Interpolando sobre {(x
i
, y
i
)}
i=kj,...,k
tenemos
f [x
kj
, x
kj+1
, , x
k
] =
f [x
kj+1
, ..., x
k
] f [x
kj
, x
1
, ..., x
k1
]
x
k
x
kj
Este esquema recursivo se puede arreglar en forma matricial como sigue,
y
0
= a
0
y
1
f [x
0
, x
1
] = a
1
y
2
f [x
1
, x
2
] f [x
0
, x
1
, x
2
] = a
2
f [x
2
, x
3
] f [x
1
, x
2
, x
3
]
.
.
.
.
.
.
.
.
.
.
.
.
y
n
f [x
n1
, x
n
] f [x
n2
, x
n1
, x
n
] f [x
0
, x
1
, ..., x
n
] = a
n
EJEMPLO 1.5 Consideremos los puntos (0, 1), (1, 3), (2, 0). La matriz de diferen-
cias divididas es
1 = a
0
0 2 = a
1
3 3 5/2 = a
2
El polinomio interpolante, en la forma de Newton, es
P(x) = 1 + 2(x 0) 5/2(x 0)(x 1) =
5x
2
2
+
9x
2
+ 1
1.2 Estimacin del error.
Sea P
n
(x) el polinomio que interpola f en los puntos x
0
, x
1
, ..., x
n
. La frmula de
error debe ser exacta para x = x
i
, i = 0, 1, ..., n y tambin debe ser exacta en el
caso de que f sea un polinomio de grado inferior o igual a n. Esto sugiere que
en la frmula de error deben aparecer los factores (x x
0
)(x x
1
) (x x
n
) y
f
n+1
. Probando con f (x) = x
n+1
se observa que debe aparecer el factor 1/(n +
1)!.
Teorema 1.3 Sea f C
n+1
[a, b]. Sea P
n
(x) el polinomio de grado n que interpola
f en los n + 1 puntos (distintos) x
0
, x
1
, ..., x
n
en el intervalo [a, b]. Para cada valor jo
x [a, b] existe (x) ]a, b[ tal que
f (x) P
n
(x) =
f
n+1
((x))
(n + 1)!
(x x
0
)(x x
1
) (x x
n
)
Prueba. Este es un razonamiento muy elegante, debido a Cauchy
2
. Si x = x
i
, i =
0, 1, ...n, la frmula de error es correcta. Consideremos un valor jo x [a, b],
diferente de cada uno de los nodos x
i
, i = 0, 1, ..., n. Denamos una funcin g,
en la variable t, de la siguiente manera,
2
Agustn Louis Cauchy (1789-1857), padre del anlisis moderno. Estableci las bases del
anlisis matemtico basndolo en un concepto riguroso de lmite. Fue el creador del anli-
sis complejo. Tambin trabajo en ecuaciones diferenciales, geometra, lgebra, teora de
nmeros, probabilidad y fsica matemtica
g(t) = f (t) P
n
(t)
f (x) P
n
(x)
n
i=0
(x x
i
)
n
i=0
(t x
i
)
g C
n+1
[a, b] y g(x) = 0 y g(x
i
) = 0, i = 0, 1, ...n.
Por tanto g tiene n +2 ceros distintos en [a, b]. El teorema de Rolle dice que si h
es continua en [a, b] y derivable en ]a, b[, y si h(a) = h(b) = 0, entonces h ( ) = 0
para algn ]a, b[. Aplicando repetidamente el teorema de Rolle a la funcin g
en los intervalos [x
0
, x
1
], [x
1
, x
2
], ..., concluimos que g
tiene al menos n + 1 ceros

distintos en ]a, b[. De manera similar concluimos que g
n+1
tiene al menos 1 cero
distinto en ]a, b[ (g
n+1
es continua en [a,b]).
Ahora bien, sea (x) un cero de g
n+1
en ]a, b[. Como
d
n+1
g
dt
n+1
t=(x)
= 0 , tenemos
0 = f
n+1
((x))
f (x) P
n
(x)
n
i=0
(x x
i
)
(n + 1)!
de donde, f (x) P
n
(x) =
f
n+1
((x))
(n + 1)!
(x x
0
)(x x
1
) (x x
n
).
Observe que P
n
(t) es de grado a lo sumo n, as que
d
n+1
dt
n+1
P
n
(t) = 0. Por otra
parte Q(t) =
n
i=0
(t x
i
) = x
n+1
+ b
1
x
n1
+ ..., es un polinomio mnico de grado
n + 1, as que
d
n+1
dt
n+1
Q(t) = (n + 1)!
EJEMPLO 1.6 Sea f (x) =
x
8
84

3 cos(2 x)
8
.
Considere el conjunto de nodos igualmente espaciados {(x
i
, f (x
i
))}
i=0,1,2,3,4
con
x
i
= i 0.2.
Una estimacin del error cometido al aproximar f (0.65) con P
4
(0.65) es
| f (x) P
4
(x)|
M
5
5!
|(x x
0
)(x x
1
)(x x
2
)(x x
2
)(x x
4
)|
donde M
5
es el mximo absoluto de f
(5)
en I = [0, 0.8] y x = 0.65.
La funcin f
(5)
(x) = 80x
3
+12 sen(2x) es creciente en I (pues f
(6)
(x) = 240x
2
+
24 cos(2x) 0 en I ), entonces M
5
= f
5
(0.8) con lo cual, el error estimado es
0.00024202.
1.3 Nodos de TChebyshev.
Los polinomios de TChebyshev
3
(de primera especie) se denen, de manera re-
cursiva, de la siguiente manera:
_
_
_
T
0
(x) = 1, T
1
(x) = x
T
n+1
(x) = 2xT
n
(x) T
n1
(x), n 1.
As, T
n+1
(x) tiene coeciente principal 2
n
. Sea T
n+1
(x) = 2
n
T
n+1
(x).
3
Pafnuti Lvvich Chebyshov (1821 - 1894). El ms prominente miembro de la escuela de
matemticas de St. Petersburg. Hizo investigaciones en teora de la aproximacin de fun-
ciones, teora de los nmeros, teora de probabilidades y teora de integracin. Sin embargo
escribi acerca de muchos otros temas: formas cuadrticas, construccin de mapas, clculo
geomtrico de volmenes, etc.
Si x [1, 1] y x = cos , T
n+1
(cos ) = cos n. De aqu se puede probar que
T
n+1
(x) = (x r
0
)(x r
1
) (x r
n
) con r
i
= cos
_
2i + 1
2n + 2

_
A los nmeros r
i
= cos
_
2i + 1
2n + 2

_
les llamamos nodos de TChebyshev. Pueden
ser denidos a un intervalo [a, b] por medio de un cambio lineal de variable que
transforme [1, 1] en [a, b].
El resultado principal es este: Es conocido que si M
n+1
es el mximo absoluto de
de f
n+1
en [a,b] entonces
f (x) P
n
(x) =
f
n+1
((x))
(n + 1)!
(x x
0
)(x x
1
) (x x
n
)
| f (x) P
n
(x)|
M
n+1
(n + 1)!
|(x x
0
)(x x
1
) (x x
n
)|
La cota del error se puede minimizar con T
n+1
: Si P
n
(x) es el polinomio que inter-
pola a f en los nodos de TChebyshev r
i
= cos (2i + 1)/(2n + 2), i = 0, 1, ..., n,
| f (x) P
n
(x)|
M
n+1
(n + 1)!
|T
n+1
(x)|
M
n+1
(n + 1)!
|
n
i=0
(x x
i
)|, x [1, 1]
En particular, como en [1, 1] mximo absoluto de T
n+1
es 2
n
, tenemos
| f (x) P
n
(x)|
M
n+1
(n + 1)!2
n
, x [1, 1]
EJEMPLO 1.7 Consideremos la funcin f (x) = |x| + 0.5x x
2
. En las guras
(1.6), (1.7) se muestra la representacin de f contra el polinomio interpolante con
n = 15 nodos. En el primer caso, el polinomio interpolante se construy con no-
dos de TChebyshev. En el segundo caso, el polinomio interpolante se construy
con nodos igualmente espaciados.
Figura 1.6 Polinomio interpolante con nodos de
TChebyshev
Figura 1.7 Polinomio interpolante con nodos
igualmente espaciados.
1.4 Forma de Lagrange modicada y forma baricntrica de
Lagrange.
La forma de Lagrange del polinomio interpolante es atractiva para propsitos
tericos. Sin embargo se puede reescribir en una forma que se vuelva eciente
para el clculo computacional. El resultado principal es analizar las ventajas que
tiene reescribir la forma de Lagrange del polinomio interpolante en las formas
Forma Modicada.
P
n
(x) = (x)
n
j=0
(n)
j
x x
j
y
j
(1.6)
Forma Baricntrica.
P
n
(x)
_
_
= y
i
si x = x
i
,
=
n
k=0
(n)
k
x x
k
y
k
n
k=0
(n)
k
x x
k
, si x = x
i
(x) y
(n)
k
se denen as: Supongamos que tenemos n+1 nodos distintos x
0
, x
1
, ..., x
n
.
Sea (x) =
n
i=0
(x x
i
) y denimos los pesos baricntricos como
k
=
n
i=0
i=k
1
x
k
x
i
, k = 0, 1, ..., n.
Es decir, (x) = (x x
0
)(x x
1
) (x x
n
) y
k
=
1
x
k
x
0
1
x
k
x
1

1
x
k
x
k1
1
x
k
x
k+1

1
x
k
x
n
.
La forma modicada se obtiene notando que L
n,k
(x) =

(n)
k
x x
k
n
j=0
(x x
j
) =

(n)
k
x x
k
(x).
La forma baricntrica se obtiene dividiendo el polinomio interpolante por
n
k=0
L
n,k
(x)
1 (es decir, el polinomio interpolante de f (x) 1 es P
n
(x) 1 ), en efecto
P
n
(x) =
n
k=0
y
k
L
n,k
(x) =
n
k=0
y
k
L
n,k
(x)
n
k=0
L
n,k
(x)
=
n
k=0
y
k
(n)
k
x x
k
n
j=0
(x x
j
)
n
k=0
(n)
k
x x
k
n
j=0
(x x
j
)
=
n
k=0
(n)
k
x x
k
y
k
n
k=0
(n)
k
x x
k
si x = x
k
.
Esta forma se llama forma baricntrica de Lagrange pues, aunque no todos los
pesos son necesariamente positivos, expresa este polinomio como un promedio
ponderado de los y
k
s.
EJEMPLO 1.8 Consideremos la siguiente tabla de datos,
x f (x)
0.2 3.2
0.3 3.3
0.4 3.4
0.5 4.5
Calcule la forma modicada y la forma baricntrica de Lagrange e interpole con
ambos polinomios, f (0.35).
Solucin: Primero calculamos (x) = (x 0.2)(x 0.3)(x 0.4)(x 0.5). Ahora,
los pesos baricntricos,
0
=
1
0.2 0.3

1
0.2 0.4

1
0.2 0.5
= 166.667,
1
=
1
0.3 0.2

1
0.3 0.4

1
0.3 0.5
= 500,
2
=
1
0.4 0.2

1
0.4 0.3

1
0.4 0.5
= 500,
3
=
1
0.5 0.2

1
0.5 0.3

1
0.5 0.4
= 166.667
Entonces, la forma modicada de Lagrange es,
P
3
(x) = (x 0.2)(x 0.3)(x 0.4)(x 0.5)
_
533.333
x 0.2
+
1650.
x 0.3

1700.
x 0.4
+
750.
x 0.5
_
,
y la forma baricntrica es,
P
3
(x) =
533.333
x 0.2
+
1650.
x 0.3

1700.
x 0.4
+
750.
x 0.5
166.667
x 0.2
+
500.
x 0.3

500.
x 0.4
+
166.667
x 0.5
En ambos casos, f (0.35) P
3
(0.35) = 3.2875.
Nodos de TChebyshev.
En el caso de que podamos escoger los nodos, la eleccin son los nodos de TCheby-
shev. En este caso el clculo de los pesos baricntricos es muy sencillo ([2], p.249),
(n)
k
= (1)
k
sen
(2k + 1)
2n + 2
Este ltimo resultado se obtiene del siguiente clculo:
1
k
= lim
xx
k
(x)
(x x
k
)
= lim
xx
k
(x) (k)
(x x
k
)
, pues (x
k
) = 0;
=
(x
k
).
1.5 Algoritmos
1.5.1 Forma Modicada y Forma Baricntrica de Lagrange.
La implementacin se centra en el clculo de los
(n)
k
. Una vez calculados estos
nmeros, armar cada polinomio interpolante es algo directo.
En el algoritmo usamos w
(0)
0
= 1 y w
(j)
k
= (x
k
x
j
)w
(j1)
k
. As
(n)
k
=
1/w
(n)
k
.
Si usamos nodos de TChebyshev, el clculo es directo:
(n)
k
= (1)
k
sen
(2k + 1)
2n + 2
.
Algoritmo 1.1: Pesos Baricntricos
Entrada: n + 1 nodos distintos {x
i
}
i=0,1,...,n
.
Resultado: Pesos baricntricos
(n)
k
, k = 0, 1, ..., n
if {x
i
}
i=0,...,n
son nodos de TChebyshev then 1
w
(n)
k
= (1)
k
sen
(2k + 1)
2n + 2
, k = 0, ..., n
2
else 3
w
(0)
0
= 1 ; 4
for j = 1 to n do 5
for k = 0 to j 1 do 6
w
(j)
k
= (x
k
x
j
)w
(j1)
k
7
w
(j)
j
=
j1
k=0
(x
j
x
k
) ;
8
for k = 0 to n do 9
w
(n)
k
= 1/w
(n)
k
10
return w
(n)
0
, w
(n)
1
, ..., w
(n)
n
11
El cdigo VBA para Excel para calcular los pesos baricntricos (caso general)
Recibe XY={(x0,y0),(x1,y1),...,(xn,yn)}, n+1 puntos
Devuelve w = w_0^(n), w_1^(n),...w_n^(n)
Uso: Dim Ptos()
Ptos = PesosBaricentricos(XY)
Function PesosBaricentricos(XY)
Dim n, nf
Dim pesos()
Dim w() As Double w = w_0^(n), w_1^(n),...w_n^(n)
nf = UBound(XY, 1) # de datos en matriz XY. Suponemos que
n = nf - 1
ReDim w(nf, nf) XY={(x0,y0),(x1,y1),...,(xn,yn)}, n+1 puntos
xi = XY(i,0), yi = XY(i,1)
ReDim pesos(n)
Pesos Baricentricos
w(0, 0) = 1
For j = 1 To n
For k = 0 To j - 1
w(k, j) = (XY(k, 0) - XY(j, 0))
*
w(k, j - 1)
Next k
prod = 1
For k = 0 To j - 1
prod = prod
*
(XY(j, 0) - XY(k, 0))
Next k
w(j, j) = prod
Next j
For k = 0 To n
pesos(k) = 1 / w(k, n)
Next k
PesosBaricentricos = pesos
End Function
En Mathematica podemos escribir un cdigo ms directo: El mdulo BLagrange
calcula los pesos y la forma modicada de Lagrange del polinomio interpolante
(el notebook de Mathematica se puede descargar en
http://www.cidse.itcr.ac.cr/revistamate/HERRAmInternet/
v9n1_2008/Lagrange_Vs_Newton.html
1.5.2 Forma de Newton del polinomio interpolante.
Para la implementacin de la frmula de diferencias divididas de Newton escribi-
mos P
n
(x) =
n
i=0
F
i, i
i1
j=0
(x x
j
). Para el clculo de los F
i,i
s usamos la frmula re-
cursiva:
F
i, 0
= y
i
, i = 0, 2, ..., n
F
i, j
=
F
i, j1
F
i1, j1
x
i
x
ij
, i = 1, 2, ..., n; j = 1, 2, ...i
Algoritmo 1.2: Diferencias Divididas de Newton
Entrada: {(x
i
, y
i
)}
i=0,1,...,n
con los x
i
s distintos.
Resultado: Coecientes del polinomio interpolante: F
0, 0
, F
1, 1
, ..., F
n, n
for i = 1 to n do 1
F
i, 0
= y
i
2
; 3
for i = 1 to n do 4
for j = 1 to i do 5
F
i, j
=
F
i, j1
F
i1, j1
x
i
x
ij
6
return F
0, 0
, F
1, 1
, ..., F
n, n
7
El cdigo VBA para Excel para calcular las diferencias divididas es
Recibe un array XY y devuelve una matriz M
xi=XY(i,0) i=0,1,...,nf-1
yi=XY(i,1) i=0,1,...,nf-1
Function MatrizDifDivNewton(XY() As Double)
Dim M() Matriz de diferencias divididas
Dim nf, n
nf = UBound(XY, 1) Nmero de filas
ReDim M(nf + 1, nf + 1)
n = nf - 1 XY tiene n+1 puntos
For i = 0 To n Columna 0 de M con las yis
M(i, 0) = XY(i, 1) xi = XY(i,0), yi = XY(i,1)
Next i
Fij=(F_i,j-1 - F_i-1,j-1)/(x_i-x_i-j)
For i = 1 To n
For j = 1 To i
M(i,j)=(M(i,j-1)-M(i-1,j-1))/(XY(i,0)-XY(i-j,0))
Next j
Next i
MatrizDifDivNewton = M
End Function
EJEMPLO 1.9
Para imprimir la matriz de diferencias divididas en una hoja Excel, en la celda
cells(fila,col) se puede usar la siguiente funcin
Sub imprimirMatrizDDN(M, fila, col)
Dim n
n = UBound(M, 1)
Cells(fila, col) ="Matriz de diferencias divididas"+str(n)
For j = 0 To n
For i = j To n
Cells(fila + 1 + i, col + j) = M(i, j)
Next i
Next j
End Sub
La construccin del polinomio se podra hacer con algo como
Pn = Str(y0)
Qn = " "
For i = 1 To n
For j = 0 To i-1
Qn = Qn + "
*
(x -" + str(xj) + ")"
Next j
ai = F(i, i)
Pn = Pn + "+" + str(ai) + Qn
Qn = " "
Next i
Pn = Replace(Pn, "--", " + ")
Pn = Replace(Pn, "+-", " - ")
En Mathematica podemos escribir un cdigo ms directo: El mdulo DDNewton
calcula la forma de Newton del polinomio interpolante (el notebook de Mathemat-
ica se puede bajar en la revista digital Matemtica, Educacin e Internet).
1.6 Comparacin: Forma de Lagrange vs Diferencias
Divididas de Newton.
En la forma modicada de Lagrange se deben calcular de los pesos baricntricos
(n)
k
. Esto se hace, en general, con O(n
2
) operaciones
4
. En la forma de Newton,
el clculo de las diferencias divididas requiere n(n + 1) sumas y n(n + 1)/2 di-
visiones. As que el esfuerzo computacional en ambos mtodos es esencialmente
el mismo.
En la forma modicada de Lagrange, agregar un punto (x
n
, x
n+1
) requiere am-
pliar el ciclo for de n a n +1. Para calcular P
n+1
solo necesita cambiar n +1 por
4
Algo es O(n
2
) si es cn
2
(c constante) a partir de algn momento
n en (1.6). En la forma de Newton, agregar un punto (x
n
, x
n+1
) requiere ampliar
el ciclo for de n a n + 1. Para calcular P
n+1
se debe agregar el nuevo trmino
a
n+1
(x x
0
) (x x
n
).
En la forma de Lagrange, los pesos baricntricos no dependen de las cantidades
y
i
, as que una vez calculados estos pesos para un conjunto de nodos {x
i
}
i=0,...,n
,
se puede interpolar cualquier funcin en O(n) pasos (lo que se gasta en calcular
P
n
). La forma de Newton requiere el clculo de la tabla de diferencias divididas
para cada nueva funcin.
La forma modicada de Lagrange no depende del orden de los nodos. Las difer-
encias divididas si tienen esa dependencia: para valores grandes de n, muchos
ordenamientos provocan inestabilidad. Para lograr estabilidad se se requiere usar
nodos tales como los generados por el algoritmo de Leja o el de van der Corput
(ver [10]). En la seccin (1.8) se muestra el efecto de usar estos tipos de nodos.
En la forma modicada de Lagrange, pareciera que podra haber problemas si
evaluamos x x
k
. En este caso
(n)
k
/(x x
k
) sera grande con el consiguiente
riego de inexactitud en el clculo. Sin embargo, como ambas cantidades aparecen
en el numerador y el denominador, hay una cancelacin que mantiene la exactitud
([11]).
Aunque los pesos baricntricos sean calculados con mucho error ( P
n
dejara de
ser un polinomio) an as, siguen interpolando los datos: se convierte en un inter-
polador racional.
Diferencias divididas tiene aplicacin en otros temas el anlisis numrico: inter-
polacin de Hermite, interpolacin matricial, ecuaciones diferenciales, etc. Pero
cuando se trata de interpolacin polinomial, hay mucha evidencia a favor de la
forma modicada de Lagrange.
1.7 Anlisis de error.
Informalmente, un clculo numrico es inestable si pequeos errores en algn es-
tado de los clculos es magnicado en los pasos siguientes de tal manera que afecta
seriamente la exactitud de todo el clculo.
Por otro lado, se dice que un problema est mal condicionado si pequeos cam-
bios en los datos de entrada producen grandes cambios en la respuesta. Para cier-
tos tipos de problema se puede denir un nmero de condicin. Si este nmero es
grande, indica que el problema es mal condicionado.
Sea || f ||
= mx
x[a,b]
| f (x)|. Si tenemos un conjunto de nodos X = {x
j
}
j0,...,n
, la
constante de Lebesgue se dene como
n
(X) =
j=0
|L
n,k
(x)|
Sea {
f (x
i
)}
i=0,1,...,n
es una perturbacin de {f (x
i
)}
i=0,1,...,n
, x
i
[a, b]. La per-
turbacin puede ser una consecuencia del error de redondeo, por ejemplo. Sean
P
n
el polinomio interpolante correspondiente al conjunto {(x
i
,

f (x
i
))} y P
n
el
polinomio interpolante de f en {(x
i
, f (x
i
))}. Entonces,
||P
n
(x) P)n(x)||
= mx
x[a,b]
j=0
[( f (x
j
)

f (x
j
))L
n,j
(x)]

n
(X) mx
i=0,...,n
| f (x
i
)
f (x
i
)|
Esto dice que pequeos cambios en los datos implica pequeos cambios en el poli-
nomio de interpolacin si la constante de Lebesgue es pequea
5
. Esta constante
juega el papel de nmero de condicin en los problemas de interpolacin.
En el caso de nodos igualmente espaciados, se puede probar que
n
(X)
2
n+1
e n log n
.
Esto indica que, para n grande, esta forma de interpolacin se vuelve inestable.
En el caso de la forma baricntrica, se puede probar que
5
El error en la construccin de P
n
no se toma en cuenta pues es despreciable ([?])
n
(X)
1
2n
2
mx
j0,...n
|
(n)
k
|
mn
j0,...n
|
(n)
k
|
Esto dice que si los pesos baricntricos se vuelven grandes, el problema de inter-
polacin respectivo se vuelve un problema mal condicionado.
En el caso de la forma modicada de Lagrange, el nmero de condicin se dene
como ([11])
Cond(x, n, f ) = lim
0
sup
_
P
f
(x) P
f +f
(x)
P
f
(x)
tal que |f | | f |
_
Aqu, P
g
es el polinomio interpolante de g en el conjunto de nodos.
En el caso de la forma baricntrica de Lagrange, el nmero de condicin se dene
como ([11])
Cond(x, n, f ) =
n
j=0
j
y
j
x x
j
j=0
j
y
j
x x
j
Si la salida de una algoritmo, que calcula el valor de una funcin f , se denota

Pro(z) y si Pro(z) = f (z + ) donde es pequeo, decimos que Pro() es estable
hacia atrs en el sentido de que Pro(z) es el valor exacto de f en una entrada lig-
eramente perturbada z + .
El error hacia adelante de un algoritmo es la diferencia entre el resultado y la solu-
cin.
El error hacia adelante es a lo sumo tan grande como el nmero de condicin mul-
tiplicado por el error hacia atrs.
El anlisis de error en ([11]) concluye que la forma modicada de Lagrange es
estable hacia atrs respecto a las perturbaciones en los valores de la funcin. La
frmula baricntrica no es estable hacia atrs pero es estable hacia adelante para
cualquier conjunto de puntos con una constante de Lebesgue pequea.
En la misma referencia se observa que no hay un anlisis de error conocido en
el caso de diferencias divididas pero que s se ha observado de manera terica y
experimental que los errores en este mtodo son muy dependientes del orden de
los nodos y son inaceptablemente grandes en el caso de los nodos de TChebyshev.
Alta exactitud relativa.
Decimos que E puede ser obtenida con alta exactitud relativa si el error relativo del
valor calculado

E puede ser acotado como sigue:
||
E E||
||E||
C eps
C es una constante y eps es la unidad de redondeo (eps 10
16
en los computa-
dores actuales).
Por ejemplo, la representacin x de x R en el computador tiene alta exactitud
relativa pues
|| x x||
||x||
eps
Se puede calcular con alta exactitud relativa productos, cocientes y adiciones (de
sumandos con el mismo signo) de expresiones que puedan ser calculadas con alta
exactitud relativa. Las restas de datos exactos se calculan con alta exactitud rela-
tiva. Las restas de nmeros contaminados con algn error y con distinto signo no
tienen alta exactitud relativa.
Durante el clculo de las diferencias divididas, se deben calcular restas de valores
previamente calculados y entonces se pierde la alta exactitud relativa. Las diferen-
cias de desempeo entre la forma de Newton y la forma de Lagrange se explica
por la ausencia de exactitud en los clculo de los coecientes.
La forma de Lagrange mantiene todas los clculos con alta exactitud relativa hasta
que se ejecuta la suma nal, donde sta se puede perder.
1.8 Experimentos.
En los experimentos que siguen, se usa interpolacin polinomial de una funcin
f en nodos de TChebyshev y en nodos de Leja. Se usan las forma modicada
de Lagrange, la forma baricntrica y diferencias divididas de Newton. Se busca
mostrar el fenmeno de inestabilidad de diferencias divididas y como mejora
sobre nodos de Leja. Tambin se recomiendan nodos de van der Corpus (estos
nodos son nmeros en [0, 1] ). En ([10]) aparece el cdigo (en MatLab) para cal-
cular nodos de Leja. En el notebook de Mathematica 5.0, con el cual fueron gen-
erados los ejemplos, aparece el cdigo para calcular nodos de van der Corput
(la revista digital Matemtica, Educacin e Internet).
En la mayora de guras se muestran las grcas con el error relativo. Los poli-
nomios interpolantes son PN para la forma de Newton, PML para la forma mod-
icada de Lagrange y PBL para forma baricntrica.
Para el error relativo se usa EPN cuando es la forma de Newton contra f , EPML
cuando es la forma modicada de Lagrange contra f y EPBL cuando es la forma
Baricntrica contra f .
-1 -0.5 0.5 1
-0.005
0.005
0.01
0.015
Figura 1.8 f (x) = 1/(1 + 25x
2
) y PN(x). Error relativo sobre 45 nodos de TChebyshev.
-0.9 8 -0.9 6 -0.9 4 -0.9 2 -0.9
-0.0004
-0.0002
0.0002
0.0004
0.0006
EPML(x)
EPN(x)
Figura 1.9 f (x) = 1/(1 + 25x
2
) vs
PN(x) y PML(x). Error relativo sobre 50
nodos de TChebyshev
-0.9 8 -0.9 6 -0.9 4 -0.9 2 -0.9
-0.001
0.001
0.002
EPML(x)
EPN(x)
Figura 1.10 f (x) = 1/(1 + 25x
2
) vs
PN(x) y PML(x). Error relativo sobre 52
nodos de TChebyshev
-1 -0.5 0.5 1
-0.4
-0.2
0.2
0.4
0.6
0.8
1
PN(x)
PML(x)
Figura 1.11 f (x) = 1/(1 + 25x
2
) vs
PN(x) y PML(x). PN y PML interpolan
f sobre 52 nodos de TChebyshev. Note la
inestabilidad de PN cerca de 1.
-1 -0.5 0.5 1
-1
1
2
Figura 1.12 f (x) = 1/(1 + 25x
2
) vs
PN(x). PN interpola f sobre 70 nodos de
TChebyshev, en orden descendente.
-1 -0.5 0.5 1
-1
-0.5
0.5
1
-0.9 -0.8 -0.7 -0.6
-0.3
-0.2
-0.1
0.1
0.2
0.3
PN(x)
EPN(x)
EPML(x)
Figura 1.13 f (x) = e
x
vs PN(x) y PML(x). PN y PML interpolan f
sobre 65 nodos de TChebyshev. A la derecha, grcas con error relativo.
1.8.1 Sucesiones de Leja.
Para diferencias divididas se recomienda nodos de Leja en vez de nodos de TCheby-
shev. El inters en las sucesiones de Leja z
0
, z
1
, ... se deriva del hecho de que el
polinomio
j1
k=0
(z z
k
) puede ser evaluado con gran exactitud an cuando el grado
sea alto. Generar la sucesin es costosa computacionalmente.
En el caso ms simple, los puntos se calculan as: Sea K un conjunto compacto.
z
0
K es un punto que satisface |z
0
| = mx
zK
|z|. Luego, para j = 1, 2, ... los
puntos z
j
satisfacen
j1
k=0
|z
j
z
k
| = mx
zK
j1
k=0
|z z
k
|, z
j
K.
Ver ([10]).
Bibliografa
[1] W. Gautschi. Numerical Analysis. An Introduction. Birkhuser, 1997.
-1 -0.5 0.5 1
-0.1
0.1
0.2
0.3
0.4
Figura 1.14 f (x) = 1/(1 + 25x
2
) y PN(x). Error relativo sobre 45 nodos de Leja
[2] P. Henrici.Essentials of Numerical Analysis. Wiley, New York, 1982.
[3] J. Stoer, R. Bulirsch. Introduction to Numerical Analysis. 3rd ed. Springer,
2002.
[4] G. Dahlquist, A. Bjrk. Numerical Mathematics in Scientic Computation.
[5] D. Kahaner, K. Moler, S. Nash. Numerical Methods and Software. Prentice
Hall.1989.
[6] D. Kincaid, W. Cheney. Numerical Analysis. Mathematics of Scientic Comput-
ing. Brooks-Cole Publishing Co.1991.
[7] R. Burden, J. Faires. Anlisis Numrico. 6ta ed. Thomson. 1998.
[8] E. Cheney, Introduction to Approximation Theory. Internat. Ser. Pure ans Ap-
plied Mathematics. McGraw-Hill. 1966.
[9] J.P. Berrut, L. N. Trefethen. Barycentric Lagrange Interpolation Siam
Rewiew. Vol. 46, No. 3. 2004.
[10] J. Baglama, D. Calvetti, L. Reichel Fast Leja Points. Electronic Transac-
tions on Numerical Analysis. Volume 7, pp. 124-140.1998.
[11] J. Higham, The numerical stability of barycentric Lagrange interpolation.
IMA Journal of Numerical Analysis 24. 2004.

Lagrange Vs Newton

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lagrange Vs Newton

Cargado por

Copyright:

Formatos disponibles

Seccin Tecnologas de Internet

Revista digital Matemtica, Educacin e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol. 9, N

) en la tabla con el valor P(x

tiene al menos n + 1 ceros

Si la salida de una algoritmo, que calcula el valor de una funcin f , se denota

También podría gustarte