Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Interpolacion Polinomica
Interpolacion Polinomica
R2
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
en los cuales x 0 , x 1 ,..., x n son nmeros distintos, se quiere encontrar un polinomio pn (x) de
grado menor o igual que n tal que
pn (xk ) = yk , k = 0,1,...,n
Probaremos que un tal polinomio pn (x) siempre existe y adems es nico. A tal polinomio
se le denomina polinomio de interpolacin, polinomio interpolante o polinomio de
colocacin para los puntos (datos) dados. En este contexto los nmeros x 0 , x 1 ,..., x n son
llamados nodos. Cuando n = 1, es decir, slo tenemos dos puntos, el polinomio de
interpolacin correspondiente se denomina tambin polinomio de interpolacin lineal.
El caso de mayor inters para nosotros es aquel en el cual yk = f (xk ) siendo f una cierta
funcin de la que posiblemente no se conoce una frmula explcita, o bien es muy
complicada para evaluarla, derivarla, integrarla, hallarle ceros, etc. En este caso el polinomio
de interpolacin pn (x) puede usarse como aproximacin de la funcin f y, en particular, para
aproximar valores de la funcin f en puntos intermedios entre los nodos x 0 , x 1 ,..., x n . Nos
referiremos a esta manera de aproximar una funcin dada, mediante un polinomio de
interpolacin, como interpolacin polinomial; cuando usemos slo dos nodos, nos
referiremos a la correspondiente interpolacin como interpolacin lineal. En este contexto
el polinomio de interpolacin pn (x) se dir el polinomio que interpola a la funcin f en los
nodos x 0 , x 1 ,..., x n .
El otro problema a tratar es:
Problema 2: Dados n + 1 puntos de
R2
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
en los cuales x 0 , x 1 ,..., x n son nmeros distintos, y dado un entero no-negativo m, con
m < n , se trata de encontrar un polinomio
pm (x) = a 0 + a1x+...+ am xm
(p (x ) y )
k =0
sea mnima.
El criterio mediante el cual se elige el polinomio pm (x) es conocido como criterio de los
mnimos cuadrados.
denomina polinomio de ajuste segn mnimos cuadrados para los datos dados. Ntese
que esta vez, a diferencia de lo que ocurre con el polinomio de colocacin, pm (xk ) no
pn (xk ) = y k , k = 0,1,...,n
Demostracin: Existe un nico polinomio
pn (x) = a 0 + a1x + a 2 x 2 +...+ an xn
tal que
pn (xk ) = y k , k = 0,1,...,n
2
n
a 0 + a1xn + a 2 xn +...+ an xn = y n
2
"
x1n
1 x1 x1
! !
!
!
2
"
xnn
1 xn xn
#%%%%%
%$%%%%%%
&
A
a0
y0
a
1
y1
!
!
an
yn
#$
% %
&
#$
% %
&
X
b
det A =
1 x0
x 02
1 x1
x12
1 xn
xn2
"
"
xn0
x1n
!
"
xi
0 j<in
xj
xnn
p2 (x) = a0 + a1x + a2 x2
para dichos puntos.
, , entonces
Como p 2 (xk ) = yk , k = 0,12
2
p 2 (x1 ) = a 0 + a1x1 + a 2 x1 = y1
p (x ) = a + a x + a x 2 = y
0
1 2
2 2
2
2 2
que es un sistema de tres ecuaciones lineales cuyas incgnitas son a0 , a1 y a2 .
Veamos que el determinante de la matriz de coeficientes de este sistema es, como ya se
dijo, (x1 x0 )(x2 x 0 )(x2 x1 ) . En efecto:
1 x0
= 1 x1
1 x2
x 02
x12 = 0
x 22
x0
x 02
x1 x 0
x12 x 20
0 x2 x0
x 22
1 x0
x 20
x 02
1 x0
= (x1 x 0 )(x2 x0 ) 0
x1 + x 0
x 2 x1
x 02
= (x1 x 0 )(x 2 x0 ) 0
x1 + x 0
x2 + x0
a0 =
y0
x0
x02
y1
x1
x12
y2
x2
x 22
de donde
y0
x0
a 0 = y1
x1
y2
x2
x02
x 02
x 22
1 x0
y0
a 2 = 1 x1
y1
1 x2
y2
= y 0 (x2 x1 ) y1 ( x2 x0 ) + y 2 ( x1 x0 )
[
+[y 0 (x 2 x1 ) y1(x2 x0 ) + y 2 (x1 x0 )]x 2
y entonces
p 2 (x) = y 0
(x x1 )(x x2 )
(x0 x1 )(x0 x2 )
L1(x) =
(x x0 )(x x2 )
(x1 x0 )(x1 x2 )
L 2 (x) =
(x x0 )(x x1)
(x2 x0 )(x2 x1)
entonces
p 2 (x ) = y 0 L 0 (x ) + y1 L1 (x ) + y 2 L 2 (x )
Observe que
1
L j ( xk ) =
0
si k = j
, j = 0,1,2,
si k j
, .
y que, como era de esperarse, p 2 (xk ) = yk , k = 0,12
k = 0,1,2
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
L j (x )
j= 0
donde
L j (x) =
( x xk )
)...(x x ) (x
j
k =0
kj
xk
, j = 0,1,...,n
L j ( xk ) =
0 si k j
j = 0,1,2,...,n, k = 0,1,2,...,n
( )
p1 (x ) = y 0 L 0 (x ) + y 1 L1 (x )
siendo
L 0 (x) =
x x1
x 0 x1
L 1(x) =
x x0
x1 x0
es decir,
p1(x) = y 0L 0 (x) + y1L1(x) = y 0
=
=
=
y 0 (x1 x) + y1(x x0 )
x1 x0
x1 x0
(x 0 , y 0 )
y 0 x1 y 0 x + y1x y1x0
x1 x0
p (x) = y 0 +
y = p1(x)
y 0 x1 y 0 x0 + y 0 x0 y 0 x + y1x y1x0
x1 x0
Luego
Ntese que
x x1
x x0
+ y1
x 0 x1
x1 x0
( y1 y 0 ) x x
( 0)
(x1 x0 )
y (x1, y1 ) .
Ejemplo 4.1 Supongamos que queremos aproximar la funcin f (x) = cosx sobre el intervalo
2 , 2 mediante un polinomio de interpolacin. Una forma razonable de hacerlo es
mediante un polinomio de interpolacin de Lagrange de grado menor o igual que dos, p 2 (x) ,
p 2 (x ) = f (x 0 )L 0 (x ) + f (x 1 )L1 (x ) + f (x 2 )L 2 (x )
y
f (x 0 ) = cos = 0, f (x1 ) = cos 0 = 1 y f (x2 ) = cos = 0
2
2
entonces p 2 (x) = L1(x) , donde
2
x + x x2
(x x0 )(x x2 ) = 2 2 =
4 = 1 4 x2
L1(x) =
2
(x1 x0)(x1 x2 )
2 2
4
Total que el polinomio de interpolacin de Lagrange para la funcin f (x) = cos x en los nodos
x 0 = , x1 = 0 y x2 = , es
2
2
x2
Observe que p 2 = 0 = p2 y p2 (0) = 1 , como era de esperarse
2
2
La FIGURA 4.1 siguiente, muestra las grficas de y = cos x y del polinomio interpolante
4
obtenido y = p 2 (x) = 1 2 x2 .
FIGURA 4.1
Si
usamos
el
polinomio
interpolante
de
Lagrange,
p 2 (x) ,
para
aproximar
2
f = cos =
.71 , obtenemos
4
4
2
2
4
1 3
cos p 2 = 1 2 = 1 = = .75
4
4
4 4
4
Nota: Con el propsito de comparar el polinomio p 2 (x) , obtenido en el ejemplo anterior, con
el polinomio de Taylor de grado dos para f (x) = cos x , alrededor de cero (polinomio de
Maclaurin), calculamos este ltimo a continuacin:
Como
f (x) = cos x, f (0) = cos 0 = 1
x2
.
2
Si usamos el polinomio de Maclaurin p(x) para aproximar el valor f = cos ,
4
4
obtenemos
4
cos p = 1
4
4
2
.69
Ntese que, en este caso, la aproximacin que da el polinomio de Maclaurin para cos es
4
mejor que la que da el polinomio de interpolacin. Como ejercicio compare los valores
p 2 y p con el valor exacto cos .
2
2
2
En relacin con el ejemplo anterior, tenemos que los otros dos polinomios fundamentales de
x x
x
x x1 )(x x2 )
(
2
=
L 0 (x) =
=
(x0 x1)(x0 x2 ) ( )
x
2 = 2 x2 1 x
2
2
2
x + x x
x x 0 )(x x1 )
(
2
=
L 2 (x) =
=
(x2 x0 )(x2 x1)
2
x
2 = 2 x2 + 1 x
2
2
2
+
Observe que
L 0 (x) + L 1(x) + L 2 (x) =
x2
1
4
2
1
x + 1 2 x2 + 2 x2 + x = 1
LAGRANGE_POLYS( , 0 , [0 ,1] , , 0 ).
2
2
En general, los polinomios fundamentales de Lagrange L j (x), j = 0,1,..., n , correspondientes a
n + 1 puntos dados, tienen la propiedad
n
j= 0
mediante pn (x) es
En relacin con este error se tiene el siguiente resultado cuya demostracin puede ser
consultada en Burden, 1985, pginas 103 y 104:
Teorema 4.2 Sea f una funcin definida en un intervalo [a, b] y sea pn (x) el polinomio que
interpola a f en los nmeros distintos x0 , x1,..., xn de dicho intervalo. Si f tiene sus primeras
n + 1 derivadas continuas en [a, b] , entonces para cada x [a, b] , el error E(x) = f (x) pn (x)
En relacin con el ejemplo 4.1 tenemos que, si x , , entonces el error al aproximar
2 2
4
f (x) = cos x mediante el polinomio de interpolacin p 2 (x) = 1 2 x2 , obtenido usando los
nodos x 0 = , x1 = 0 y x2 = , es
2
2
E(x) =
(x x0 )(x x1)(x x2 ) f x
( ( ))
3!
con (x) ,
2 2
es decir,
E(x)
Como
x + (x 0) x
2
2
=
f (x)
6
con (x) ,
2 2
entonces
f (x)
= sen (x)
1 para toda (x) ,
2 2
y por tanto
E(x)
En particular, para x =
1 2 2
x x
6
4
para todo x ,
2 2
, se tiene que
4
3 2
3
1 2 2
=
.24
E
4
6 4 16
4
24 16 128
Observe que el error real es
E = cos p 2 =
4
4
4
1
2
3
.043
4
i)
cos xdx
0
ii) f
4
Ejemplo 4.2 Use los polinomios interpolantes de Lagrange de grados uno, dos y tres, ms
apropiados, para aproximar
f (2.5) , si
f (2.0) = .5103757 ,
f (2.2) = .5207843 ,
y entonces
x x1
x x0
+ f (x1 )
x 0 x1
x1 x 0
2.5 2.6
2.5 2.4
+ .4813306
2.4 2.6
2.6 2.4
= .2552074 + .2406653
p1(2.5 ) = .5104147
= .4958727 f (2.5 )
Para el caso de grado dos, hay dos polinomios interpolantes igualmente apropiados:
Un primer polinomio se obtiene tomando los nodos x 0 = 2.2, x1 = 2.4 y x 2 = 2.6 , lo que nos
da
p 2 (x) = f (x0 )L 0 (x) + f (x1 )L1(x) + f (x2 )L 2 (x)
= f (x0 )
y entonces
p 2 (2.5 ) =.5207843
p2 (2.5 ) =.5104147
Para grado tres el polinomio interpolante, ms apropiado, se obtiene tomando los nodos
x 0 = 2.2 , x1 = 2.4 , x2 = 2.6 y x3 = 2.8 , ya que 2.5 [2.2,2.8] y 2.2, 2.4, 2.6 y 2.8 son los
nodos ms cercanos a 2.5. As que
p 3 (x) = f (x0 )
y entonces
p 3 (2.5) = .5207843
.5104147
x0 = 1, x1 = 1 + h, x2 = 1 + 2h,..., xk = 1 + kh,..., xn = 1 + nh = 10
E(x )
=
Si
(x xk )(x xk +1 )
2!
f (x)
1
1
, f (x) = 2 , y entonces para x [xk , xk +1 ] , se tiene
x
x
1
Mx
f (x )
2 x[xk ,xk +1]
Mx
x x k ,x k 1
+
(x x k )(x x k +1 )
1
1
(x x k )(x x k +1 )
Mx
Mx
2 x[xk ,xk +1] x 2 x[xk ,xk +1]
entonces
g(x) = 2x (xk + xk +1 ) = 0 x =
x k + x k +1
2
= =
=
2 2
2
2
2
2
2
4
entonces
Mx
x xk ,x k 1
+
(x x k )(x x k +1 ) = h
, k = 0, 1,..., n 1
] x2
x xk ,x k +1
(x k )2
, k = 0, 1,..., n 1
1 1 h2
, k = 0,1,..., n 1
2 ( x k )2 4
, ] , k = 0,1,..., n, entonces
Finalmente, como xk [110
E(x)
1 1 h2 h2
=
para todo x [110
, ]
2 12 4
8
Para encontrar el tamao de paso h ms grande para la tabla, basta entonces resolver la
desigualdad
h2
5 10 7 (porque se quieren 6 cifras decimales exactas)
8
lo que nos da h 2 10 3 = .002 .
De acuerdo con este resultado, el tamao de paso ms grande para construir la tabla es
h = .002 . As que si se toma, por ejemplo, el tamao de paso h = .001 para construir la
tabla, la interpolacin lineal correspondiente (para dos nodos consecutivos), ser exacta en
por lo menos seis cifras decimales. Es claro que una tabla con estas caractersticas debe ser
escrita con por lo menos siete cifras decimales.
Otra forma de obtener el polinomio interpolante de grado menor o igual que n para una
funcin f, a partir de n + 1 datos conocidos, (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) , es la siguiente:
4.1.2 Forma de Newton del polinomio interpolante: Dados n + 1 puntos
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) con x 0 , x 1,..., x n nmeros distintos y yk = f (xk ) , k = 0,1,...,n para
alguna funcin f definida en algn intervalo [a,b] que contiene a los nodos distintos
x 0 , x 1,..., x n . El polinomio pn (x) de grado menor o igual que n que interpola a f en los datos
dados, puede expresarse en la forma
pn (x) = b 0 + b1(x x 0 ) + b 2 (x x0 )(x x1 ) + ... + bn (x x0 )(x x1 )... (x xn1 )
para ciertas constantes b 0 , b1,..., b n .
Cmo determinar los coeficientes b 0 , b1,..., bn ?
Puesto que p n (x k ) = y k = f (x k ), k = 0, 1,..., n , entonces
b 0 = f (x 0 )
f (x1 ) f (x0 )
x1 x 0
b2 =
f ( x 2 ) f (x 0 )
f (x1 ) f (x0 )
x1 x0
(x2 x0 )(x2 x1 )
(x 2 x 0 )
x 2 x1
f (x1 ) f (x0 )
x1 x 0
x2 x0
con
x 0 , x 1,..., x n
k = 0,1,2,...,n
(As que, con respecto al polinomio interpolante pn (x) , se tiene que b 0 = f [x0 ] )
b) La diferencia dividida uno de f con respecto a xk y x k +1 es
f[xk ,xk +1 ] =
f [xk +1 ] f[xk ]
x k +1 x k
k = 0,1,...,n 1
Observe que las diferencias divididas uno dependen de las diferencias divididas cero y
que, mientras hay n + 1 diferencias divididas cero, hay n diferencias divididas uno.
f[x1 ] f [x0 ]
)
(Tambin observe que b1 = f [x 0 , x1 ] =
x1 x0
c) La diferencia dividida dos de f con respecto a xk , xk +1 y xk + 2 es
f[xk ,xk +1, xk + 2 ] =
k = 0,1,...,n 2
Observe que las diferencias divididas dos dependen de las diferencias divididas uno y
que, mientras hay n diferencias divididas uno, hay n 1 diferencias divididas dos.
f [x1, x2 ] f [x0 , x1 ]
x2 x0
, k = 0,1,...,n i
Con esta notacin de diferencia dividida se tiene que bi = f[x0 ,x1,...,xi ], i = 0,1,...,n y as el
polinomio interpolante toma la forma
pn (x) = f [x0 ] + f[x0 ,x1 ](x x0 ) + f [x0 ,x1,x2 ](x x0 )(x x1 )+...
+ f[x0 ,x1,...,xn ](x x0 )(x x1 )... (x xn1 )
Esta forma del polinomio interpolante se conoce como frmula de diferencia dividida
(progresiva) interpolante de Newton o forma progresiva de Newton del polinomio
interpolante, y se usa en los clculos numricos cuando se interpola en un punto x que est
ms cerca de x0 que de xn (suponemos ordenados los nodos x 0 , x 1,..., x n ) . Si el punto x
en el cual vamos a interpolar est ms cerca de xn que de x0 se usa la frmula de
diferencia dividida (regresiva) interpolante de Newton:
pn (x) = f [xn ] + f [xn 1,xn ](x xn ) + f[xn 2 , xn 1, xn ](x xn )(x xn 1 )+...
+ f[x0 ,x1,...,xn ](x xn )(x xn 1 )... (x x1 )
En el caso en que el dato a interpolar est ms cerca del nodo central (o los nodos
centrales), se recomiendan otras diferencias divididas llamadas centradas, que no
estudiaremos aqu.
La forma de Newton del polinomio interpolante es ms ventajosa que la forma de Lagrange,
pues el clculo de los coeficientes en la forma de Newton va usando la informacin anterior,
lo que no sucede con la forma de Lagrange.
Observe que dados n + 1 datos
(x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) ,
la forma progresiva de
Diferencias
divididas 0
Diferencias
divididas 1
f (xk ) = f [xk ]
xk
x0
f [x0 ] = b 0
x1
f[x1]
f[x1,x2 ]
x2
f [x2 ]
f[x2 ,x3 ]
x3
f [x3 ]
n1
xn1
f [xn1]
xn
f [xn ]
Diferencias divididas
n
f [x0 ,...,xn ]
f[x0 ,...,xn ] = bn
f [xn1,xn ]
TABLA 4.1
Observe que en la misma tabla pueden leerse los coeficientes para la forma progresiva y
para la forma regresiva de Newton del polinomio interpolante.
En el caso particular n = 1, la forma de Newton del polinomio interpolante es
p1(x) = f [x0 ] + f[x0 ,x1 ](x x0 ) = f (x0 ) +
f (x1 ) f (x0 )
x1 x0
(x x0 )
que coincide con la frmula deducida para p1(x) en el caso de la forma de Lagrange del
polinomio interpolante. Recuerde que el polinomio de interpolacin es nico.
Con respecto al error en la interpolacin al usar la forma de Newton, tenemos:
Dada una funcin f definida en [x0 ,x1 ] . Si f es continua en [x0 ,x1 ] y f existe en (x0 ,x1 ) ,
entonces el teorema del valor medio implica que existe x (x0 ,x1 ) tal que f (x) = f[x0 ,x1 ] .
[a,b]
f[x 0 , x1,..., xn ] =
n
f ( ) ( )
[a,b] ,
n!
Usando esta frmula se puede llegar a una expresin para estimar el error al aproximar una
funcin f mediante el polinomio interpolante de Newton, pn (x) , a partir de los puntos
x 0 , x1,..., xn , x , como se indica a continuacin:
De la frmula del error E(x) , dada al estudiar la forma de Lagrange del polinomio
interpolante, tenemos que
f (x) = pn (x) +
(4.1)
()
Ex
(4.2)
(4.3)
f (x)
x
2.0
2.2
2.4
2.6
2.8
.5103757
.5207843
.5104147
.4813306
.4359160
TABLA 4.2
Si queremos obtener una aproximacin de f (2.1) usando todos los datos dados, debemos
elegir la forma progresiva del polinomio interpolante de Newton con todos los datos dados, y
una escogencia adecuada para los nodos es x 0 = 2.0 , x1 = 2.2 , x2 = 2.4 , x3 = 2.6 y
x 4 = 2.8 , ya que x = 2.1 est ms cerca de x0 que de x4 .
Veamos qu resultados obtenemos si usamos los polinomios interpolantes de Newton ms
apropiados de grados uno, dos, tres y cuatro, para aproximar f (2.1) .
Empezamos calculando las diferencias divididas que se muestran en la TABLA 4.3 siguiente,
3
donde el valor correspondiente a la diferencia dividida cuatro es 8.34125 10 = b 4 (que no
aparece en la tabla).
k
xk
f (xk ) = f[xk ]
2.0
.5103757 = b0
1
2
3
4
2.2
2.4
2.6
2.8
.5207843
.5104147
.4813306
.4359160
Diferencias
divididas 1
.052043 = b1
.051848
.1454205
.227073
Diferencias
divididas 2
.2597275
= b2
Diferencias
divididas 3
.04299367 = b 3
.2339313
.2041313
.04966667
TABLA 4.3
Instruccin en DERIVE: Dados los n + 1 puntos M:=
matriz
M.
Para
este
ejemplo,
tome
la
matriz
M: = [2.0 , 0.5103757],[2.2 , 0.5207843],[2.4 , 0.5104147],[2.6 , 0.4813306],[2.8 , 0.4359160]
y
as que
obtenemos
p 2 (2.1) = p1(2.1) .2597275(2.1 2.0)(2.1 2.2)
= .5155800 +.002597275
= .5181773 f (2.1)
Si usamos el polinomio ms apropiado de grado tres
p 3 (x) = f[x0 ] + f [x0 , x1 ](x x0 ) + f[x0 ,x1, x2 ](x x0 )(x x1 )
+ f[x0 , x1,x2 , x3 ](x x0 )(x x1 )(x x2 )
as que
.
=.4359160 +.0227073 + 2.041313 10 3 1490000
10 4
.
=.4606646 1490000
10 4
=.4605156
Como un ejercicio encuentre el polinomio interpolante regresivo de grado menor o igual que
cuatro para los datos dados, p4 (x) , y selo para estimar f (2.7) . Tambin estime f (2.7)
usando el polinomio p 4 (x) y compare los valores p 4 (2.7) y p4 (2.7) .
Aproxime tambin
Un algoritmo para encontrar los coeficientes b 0 , b1,..., b n de la forma de Newton del polinomio
interpolante es el siguiente.
Algoritmo 4.1 (Diferencias divididas progresivas) Para obtener los coeficientes
b 0 , b1,..., b n de la forma de Newton del polinomio interpolante usando diferencias divididas
progresivas, conocidos n + 1 puntos (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) con x 0 , x 1,..., x n
nmeros distintos:
Entrada: Los nmeros x 0 , x 1,..., x n , los valores
f (x 0 ), f (x 1 ),..., f (x n ) .
f ( x k +1 ) f ( x k )
xk + i xk
bi = f (x 0 )
Paso 3: Salida: "Los coeficientes del polinomio interpolante progresivo de Newton son
b 0 , b1,..., bn ". Terminar.
Ejercicio 4.2 La siguiente tabla corresponde a la funcin f (x) = e x :
x
f (x)
0
1.00000
.5
1.64872
1.0
2.71828
2.0
7.38906
. .
b) Aproxime f (.75) usando interpolacin lineal con x0 = .5 y x1 = 10
c) Aproxime f (.25) y f (.75) usando interpolacin de grado menor o igual que dos con
. y x 2 = 2.0 .
x0 = 0, x1 = 10
d) Cul de las aproximaciones calculadas es la mejor? Por qu?
e) Aproxime f (.25) usando el polinomio de interpolacin de Newton de grado menor o igual
que tres para los datos dados.
Ejercicio 4.3 La siguiente tabla corresponde a la funcin f (x) = sen x :
x
f (x)
.30
.29552
.32
.31457
.33
.32404
.35
.34290
FIGURA 4.2
Son n polinomios de grado menor o igual que tres y cada uno con cuatro coeficientes
incgnitas, as que tenemos un total de 4n incgnitas por determinar.
Las condiciones que deben satisfacer tales polinomios son:
p (x ) = f (xk ) , k = 0,1,..., n 1
i) k k
pn 1(xn ) = f (xn )
(Condiciones de interpolacin. Estas condiciones producen n + 1 ecuaciones)
p0 (x0 ) = 0 y pn1(xn ) = 0
pn1(xn ) = f (xn )
(4.4)
2
3
(ya que an = f (xn ) = pn1(xn ) = an1 + bn1hn1 + c n1hn1 + dn1hn1 )
Ahora,
entonces
pk (x) = 2c k + 6 dk (x xk ) , k = 0,1,..., n 1
pk(xk ) = 2c k , k = 0,1,..., n 1
(4.5)
c k +1 = c k + 3 dk hk , k = 0,1,..., n 2
c k +1 = c k + 3dk hk , k = 0,1,...,n 1
(4.6)
c k +1 c k
,
3hk
k = 0,1,..., n 1
(4.7)
c k +1 c k 3
hk
3hk
o sea
a k +1 = a k + b k h k +
hk2
(2ck + ck +1 ) , k = 0,1,...,n 1
3
(4.8)
y
bk +1 = bk + 2c k hk + 3
c k +1 c k 2
hk
3hk
es decir,
bk +1 = bk + hk (c k + c k +1) , k = 0,1,..., n 1
(4.9)
a k +1 a k h k
(2ck + ck +1) ,
3
hk
k = 0,1,..., n 1
a k + 2 a k +1 h k +1
(2ck +1 + ck + 2 )
3
h k +1
(4.10)
a k + 2 a k +1 h k +1
a ak hk
2c k +1 + c k + 2 ) = k +1
(
(2ck + ck +1 ) + hk (ck + ck +1)
h k +1
hk
3
3
o sea
a k + 2 a k +1 a k +1 a k h k
h
c k + 2c k +1 ) + k +1 (2c k +1 + c k + 2 )
=
(
h k +1
hk
3
3
lo que nos lleva finalmente a que
hk c k + 2(hk + hk +1 )c k +1 + hk +1c k + 2 =
3
3
(ak + 2 ak +1) h (ak +1 ak )
h k +1
k
(4.11)
para k = 0,1,..., n 2
En este sistema final las incgnitas son c k , k = 0,1,..., n , ya que a k = f (x k ), k = 0, 1,..., n , y
hk = xk +1 xk , k = 0, 1,..., n 1 , son conocidos.
Este sistema es de n 1 ecuaciones con n + 1 incgnitas, pero si usamos las condiciones
de frontera se introducen dos nuevas ecuaciones, con lo cual obtenemos un sistema de
n + 1 ecuaciones con n + 1 incgnitas. La pregunta que surge es si este sistema tiene
solucin y si la tiene saber si es nica. La respuesta la d el siguiente teorema.
Teorema 4.4 Si f es una funcin de valor real definida en un intervalo [a,b], entonces f tiene
un nico Trazador cbico natural T en [a,b], o sea un trazador cbico T que satisface las
condiciones T (a) = 0 y T (b) = 0 .
Demostracin: Haciendo a = x 0 < x1 < ... < xn = b y usando las condiciones de frontera
libre
2c 0 = p0 (a) = T (a) y 2cn = pn1(b) = T (b)
obtenemos c 0 = 0 y c n = 0 .
Estas dos ecuaciones junto con las ecuaciones en (4.11) nos producen un sistema lineal
AX = b de n + 1 ecuaciones con n + 1 incgnitas, donde
1
h0
0
A= !
0
2(h 0 + h1 )
h1
"
h1
0
2(h1 + h 2 ) h 2
"
"
"
hn 2
2(hn 2 + hn 1 )
0
0
! ,
0
h n 1
c0
c1
c
2
X=
!
c
n 1
cn
3
3
a 2 a1 )
a1 a 0 )
(
(
h1
h0
3
3
a
a
a
a
(
)
(
)
3
2
2
1
b=
h2
h1
3
3
a n a n 1 )
an 1 an 2 )
(
(
h n 1
hn 2
Teorema 4.5 Si f est definida en [a,b], entonces f tiene un nico Trazador cbico T en [a,b],
que satisface T (a) = f (a) y T (b) = f (b) .
En este caso los valores de c 0 , c 1,..., c n se determinan encontrando la nica solucin del
sistema tridiagonal AX = b , donde
2h 0
h0
0
A= !
h0
2(h 0 + h1 )
h1
h1
"
2(h1 + h 2 ) h 2
"
"
"
hn 2
2(hn 2 + hn 1 )
h n 1
(a1 a0 ) 3f (a)
h
0
3
3
h1
0
b=
!
3
3
(an1 an2 )
h (an an 1 ) h
n2
n 1
f
b
a
a
( ) h ( n n1 )
n 1
0
0
! ,
0
h n 1
2hn 1
c0
c1
c
2
X=
!
c
n 1
cn
(x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) ,
[x0 , xn ] ,
pk (x) = ak + bk (x xk ) + c k (x xk ) + dk (x xk )
2
xk
1.00
1.05
1.07
1.10
TABLA 4.4
0
1
2
3
f (xk )
2.718282
3.286299
3.527609
3.905416
. ).
Encontrar el Trazador cbico natural T para f en [1.0,1.10] y usarlo para estimar f (103
Solucin: Como los nodos x 0 , x 1, x 2 y x 3 no estn igualmente espaciados, debemos
empezar encontrando h 0 , h1 y h 2 :
De acuerdo con los datos de la tabla, se tiene que
c3
=0
3
(3.527609 3.286299) 3 (3.286299 2.718282)
.02
.05
3
=
(3.905416 3.527609) 3 (3.527609 3.286299)
.03
.02
=0
=
c 0 = 0 , c1 = 13.22529 , c 2 = 13.19694 , c 3 = 0
Usando las ecuaciones (4.10), obtenemos
.
.
b0 = 1113992
, b1 = 1180118
, b 2 = 12.32963
y usando las ecuaciones (4.7), obtenemos
T(x) = pk (x) = ak + bk (x xk ) + c k (x xk ) + dk (x xk ) ,
2
siendo
.
. ) + 0(x 100
. ) + 88.16863(x 100
. ) ,
p 0 (x) = 2.718282 + 1113992
(x 100
2
.
. ) + 13.22529(x 105
. ) .4725490(x 105
. ) ,
p1(x) = 3.286299 + 1180118
(x 105
2
. [10
. ,105
. ] , entonces
Como x = 103
f (103
. ) T(103
. ) = p 0 (103
. )
.
. 100
. ) + 88.16863(103
. 100
. )
= 2.718282 + 1113992
(103
= 3.054860.
Instruccin en DERIVE: Dados los n + 1 puntos M:=
[[
][
] [
]]
expresin TRAZADOR ( M ).
2
T (x ) = c (x 2) ,
x [1,3]
2
3
d (x 2) + e (x 3 ) , x [3,+ )
Adems, determine los valores de los parmetros de modo que el trazador interpole la
siguiente tabla
x
y
1.0
7.0
0
26.0
4.0
25.0
Solucin: Para que T(x) sea un trazador cbico en (,+) , debe satisfacer:
i) T(x) debe ser continua en todo punto de (,+) , y como lo es en (,1) , (1,3) y (3,+) ,
por ser polinmica en cada uno de estos intervalos, debemos imponer condiciones para
que sea continua en los nmeros 1 y 3. Debe tenerse que
lim T(x) = T(1) = lim T(x) y
x1
x1+
x3
x 3 +
es decir,
a(1 2) + b(1 1) = T(1) = c(1 2)
2
(3,+) ,
(,+) ,
y como lo es en
(,1) ,
(1,3) y
a = c = 7
4d + e = 25
cuya solucin es
a = c = 7, b = 2 y e = 3
Pero de las condiciones obtenidas antes, se tiene que a = c = d , as que en definitiva el
Trazador cbico que interpola la tabla de datos dada es
7(x 2)2 + 2(x 1)3 , x (,1]
T(x) = 7(x 2) ,
x [13
, ]
2
3
7(x 2) 3(x 3) , x [3,+)
AJUSTE DE UN
POLINOMIAL)
POLINOMIO
POR
MNIMOS
CUADRADOS
(REGRESIN
Hasta ahora hemos estudiado el problema de aproximar una funcin y = f (x) por un
polinomio
interpolante
a
partir
.
(x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n ))
de
una
serie
de
datos
conocidos
p m (x ) = a 0 + a1x + ... + a m x m ,
con m < n
que "mejor se ajuste" a los datos. Lo de "mejor ajuste" se entender en el sentido de que
n
p m (x k ) y k
k = 0
22
(p (x ) y )
k =0
sea mnimo.
Este criterio de mejor ajuste, como ya se mencion antes, se conoce como mnimos
cuadrados, y el mtodo para obtener los polinomios que mejor se ajustan segn mnimos
cuadrados se llama Regresin polinomial.
4.3.1
Regresin
polinomial:
Supongamos
que
se
conocen
los
datos
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) , con x 0 , x 1,..., x n nmeros distintos y se desea encontrar un
polinomio
pm (x) = a 0 + a1x+...+ am xm ,
con m < n
tal que
S(a 0 , a1,..., am ) =
p m ( xk ) y k
k =0
k =0
sea mnima.
El grado m del polinomio pm (x) se puede escoger previamente con base en algn resultado
terico, alguna expectativa o por la aplicacin que se le pretenda dar al polinomio. En
cualquier caso estamos "libres" de elegir el grado que parezca mejor. En muchos casos el
grado ser uno y el polinomio obtenido se llamar la recta que mejor se ajusta o la recta de
mnimos cuadrados para la tabla de datos.
Volviendo a la funcin S (a 0 , a 1,..., a m ) , una condicin necesaria para la existencia de un
mnimo relativo de esta funcin es que las derivadas parciales de S (a 0 , a 1,..., a m ) con
respecto a a j , j = 0,1,..., m sean cero.
Resultan entonces las siguientes m + 1 ecuaciones lineales en las incgnitas a0 , a1,..., am :
n
S
=
2 a 0 + a1xk + a 2 xk2 +...+am xkm y k = 0
a0 k =0
n
S
m
=
2 a 0 + a1xk + a 2 xk2 +...+ am xk y k (xk ) = 0
a1 k = 0
n
)( )
S
=
2 a 0 + a1xk + a 2 xk2 +...+am xkm y k xk2 = 0
a2 k =0
!
!
n
)( )
S
=
2 a 0 + a1xk + a 2 xk2 +...+am xkm y k xkj = 0
a j k =0
!
!
n
)( )
S
=
2 a 0 + a1xk + a 2 xk2 +...+am xkm y k xm
k =0
am k = 0
Si en las ecuaciones anteriores cancelamos el 2, desarrollamos los parntesis y usamos que
n
a = (n + 1)a
0
k =0
, obtenemos
n
n m
xk am =
yk
... +
k=0
k =0
(n + 1)a0 + xk a1 +
k =0
n
n
n 2
n m +1
x
a
x
a
x
a
xk y k
+
+
+
=
...
k 0
k 1
k
m
k =0
k =0
k =0
k =0
!
n
j
1+ j
m+ j
x
a
x
a
...
x
a
xkj y k
+
+
+
=
k 1
k 0
k m
k =0
k =0
k =0
k =0
n
!
n
n 1+m
n 2m
n m
x
a
x
a
...
x
a
xm
+
+
+
=
k 0
k
k m
k yk
k =0
k =0
k =0
k =0
a x
i
i= 0
k =0
i+ j
k
x y
j
k k
j = 0,1,..., m
k =0
a0
k =0
xkj + a1
k =0
x1k+ j +...+ am
k =0
+j
=
xm
k
x y
j
k k
j = 0,1,..., m
k =0
1 x1
B = ! !
1 xn
xm
0
m
x1
!
m
xn
x 02 "
x12 "
!
xn2 "
x0
B TB = x 20
!
m
x0
1
x1
x12
!
x1m
n+1
xk
k
0
=
B TB = n
xk2
k =0
!
n
xm
k
k =0
1
1 x0
" xn
1 x1
" xn2
! !
1 xn
m
" xn ( m +1) ( n +1)
"
k =0
n
xk2
k =0
n
3
k
k =0
k =0
n
2
k
3
k
4
k
k =0
n
k =0
m +1
k
k =0
k =0
m+ 2
k
x 02 " xm
0
m
2
x1 " x1
!
!
k =0
n
+1
"
xm
k
k=0
n
=A
m+2
"
xk
k =0
"
xk2m
( m +1) ( m +1)
k=0
n
"
m
k
x0
1
0
2
m
x1
1
x1
x1
X0 =
, X 1 = , X 2 = ,..., X m = con x0 , x1,..., xn distintos y m < n
!
!
!
!
2
m
1
xn
x
n
xn
Sean
c 0 , c 1,..., c m R
c 0 = c1 =... = c m = 0 .
Como
tales
que
c 0 X 0 + c1X 1 +...+ c m X m = 0
veamos
que
c 0 X 0 + c 1X 1 + c 2 X 2 + ... + c m X m
x 02
xm
x0
1
0
2
m
x
x
x
1
= c 0 + c 1 1 + c 2 1 + ... + c m 1
!
!
!
!
x
x2
xm
1
n
n
n
c 0 + c 1x 0 + c 2 x 02 + ... + c m x m
0
0
2
m
c 0 + c 1x 1 + c 2 x 1 + ... + c m x 1 0
=
= !
!
c + c x + c x 2 + ... + c x m 0
1 n
2 n
m n
0
entonces
c 0 + c1x0 + c 2 x02 +...+ c m xm
0 =0
2
m
c 0 + c1x1 + c 2 x1 +...+ c m x1 = 0
2
m
c 0 + c1xn + c 2 xn +...+c m xn = 0
y si qm (x) = c 0 + c1x + c 2 x 2 +...+ c m xm con m < n
(4.12)
entonces el sistema (4.12) dice que la ecuacin polinmica qm (x) = 0 tiene por lo menos n
n
n 0
n 1
a0 +
a1 =
x
x
yk
k
k
k =0
k =0
k =0
#
%$%
&
n+1
n
n 1
n 2
a0 +
a1 =
x
x
xk y k
k
k
k =0
k =0
k =0
(No se recomienda usar la regla de Cramer para resolver el sistema anterior, porque la regla
de Cramer es fuertemente inestable)
Una manera de medir el error para estimar la bondad del ajuste segn mnimos cuadrados,
es a travs de:
n
i) El error E =
(p (x ) y )
,o
k=0
(p (x ) y k )2
k =0 m k
=
n+1
xk
yk
0
1
2
3
0
2
3
5
TABLA 4.5
1
0
2
1
1) Encuentre:
a) La recta de mnimos cuadrados para la tabla y su error E y E R M S .
b) La parbola de mnimos cuadrados para la misma tabla y su error E y E R M S .
2) Cul ser el polinomio cbico de mnimos cuadrados para dicha tabla? Cul es su error E
y ER MS ?
Solucin: Para dar respuesta a la pregunta 1) debemos resolver dos sistemas de
ecuaciones lineales:
Para la parte a) la recta es p1(x) = a0 + a1x donde a 0 y a1 se obtienen resolviendo el
sistema
3
3
3 1
0
a1 =
+
x
a
x
yk
0
k
k
k = 0
k =0
k =0
3
3
3 2
a1 =
+
x
a
x
xk y k
0
k
k
k=0
k =0
k = 0
(4.13)
3 0
3 1
x
b
xk b1 +
+
k 0
k =0
k =0
3 2
xk b 2
k =0
3 1
3 2
x
b
xk b1 +
+
k 0
k =0
k =0
3 3
xk b 2
k =0
3 3
3 2
xk b 0 +
xk b1 +
k =0
k=0
3 4
xk b 2
k =0
k =0
3
x y
(4.14)
k k
k =0
3
x y
2
k k
k =0
Una manera conveniente de disponer todas las sumatorias necesarias para los dos sistemas
es como se muestra en la siguiente tabla
k
xk
xk2
xk3
xk4
yk
xk y k
xk2 y k
0
1
2
3
0
2
3
5
0
4
9
25
0
8
27
125
0
16
81
625
-1
0
2
1
0
0
6
5
0
0
18
25
10
38
160
722
11
43
k =0
TABLA 4.6
De modo que los sistemas (4.13) y (4.14) son
4a 0 + 10a1 = 2
10a 0 + 38a1 = 11
4b 0 + 10b1 + 38b 2 = 2
(4.13')
(4.14')
17
6
, a1 =
, y la solucin del sistema (4.14') es
26
13
15
101
1
, b1 =
y b 2 = . Luego la recta de mnimos cuadrados para los datos dados
13
78
6
6
x , y el polinomio cuadrtico de mnimos cuadrados para los datos dados
es p1(x) = 17 +
26 13
15 101
1
es p 2 (x) =
+
x x2 .
13 78
6
b0 =
, ,3 , llamados datos
La TABLA 4.7 siguiente, muestra los valores de p1(xk ) y p 2 (xk ) , k = 0,12
xk
yk
.654
.269
.731
1.65
.346
.269
1.27
.65
.
115
.769
1.23
1.15
.15
.769
.77
.15
p1(xk )
yk p1(xk )
p 2 ( xk )
y k p 2 ( xk )
TABLA 4.7
El error para la recta de mnimos cuadrados es
3
E=
. ) + (.65)
(p (x ) y ) = (.346) + (.269) + (127
2
2.23
k=0
ER M S
.
(p (x ) y k )2
k =0 1 k
=
4
2.23 2
.747
4
E=
(p 2 (x k ) y k )2 1.23
y ER M S
k =0
(p (x ) y k )2
k =0 2 k
=
4
.555
Para la respuesta a la pregunta 2), recordemos que hay un nico polinomio de grado menor
o igual que tres que pasa por los cuatro puntos dados y es el polinomio de interpolacin, as
que el polinomio cbico de mnimos cuadrados debe ser este polinomio. El polinomio de
interpolacin para los datos dados es
. 2.1x +
p 3 (x) = 10
11 2 4 3
x
x
6
15
que se puede obtener usando, por ejemplo, diferencias divididas. Es claro que el error
E = 0 y el error ERMS = 0 .
FIGURA 4.3
4.3.2 Regresin exponencial, logartmica y de potencia: Aunque la regresin polinomial
es la ms usada, tambin hay casos de inters en los cuales la relacin funcional entre las
variables x y y es de alguno de los tipos siguientes:
y = a + b ln x
y = aebx
y = ax
( Regresin logartmica )
( Regresin exponencial )
(Regresin de potencia)
(4.15)
(4.16)
(4.17)
Estos problemas se tratan como un problema de ajuste lineal, as: En el caso (4.15), lineal
entre las variables ln x e y; en el caso (4.16), como y = aebx ln y = ln a + bx , se trata como
un caso lineal entre las variables x y ln y ; en el caso (4.17), como y = axb ln y = ln a + b ln x ,
se trata como un caso lineal entre las variables ln x y ln y .
Las soluciones para a y b en el caso (4.15), para lna y b en los casos (4.16) y (4.17),
pueden encontrarse modificando apropiadamente las ecuaciones obtenidas en el caso de
regresin lineal. Debe tenerse en cuenta que la aproximacin obtenida de esta manera no
es la aproximacin de mnimos cuadrados del problema inicial y que, incluso, esta
aproximacin puede, en algunos casos, diferir significativamente de la aproximacin de
mnimos cuadrados del problema original.
Ejemplo 4.8 Encuentre la recta logartmica y = a + b ln x para la siguiente tabla
xk
0
1
2
3
4
yk
1.6
23.5
38.0
46.4
48.9
29
50
74
103
118
TABLA 4.8
zk b =
yk
5a +
k =0
k =0
4
4
4 2
+
=
z
a
z
b
zk y k
k
k
k =0
k=0
k = 0
Para calcular los coeficientes a y b , modificamos los datos dados como se indica en la
TABLA 4.9. Los datos suavizados, que aparecen en la ltima columna de la TABLA 4.9, se
obtienen una vez que se conoce la recta logartmica, que en este caso es
.
y = 111123688
+ 34.019025lnx
k
xk
zk = ln xk
zk2
yk
zk y k
Datos suavizados
0
1
2
3
4
29
50
74
103
118
3.367296
3.912023
4.304065
4.634729
4.770685
11.338682
15.303924
18.524976
21.480713
22.759435
1.6
23.5
38.0
46.4
48.9
5.387674
91.932541
163.55447
215.051426
233.286497
3.428433
21.959520
35.29641
46.545273
51.170352
374
20.988798
89.40773
158.4
709.212608
k =0
TABLA 4.9
De acuerdo con la TABLA 4.9 el sistema a resolver es
5 a + 20.988798b = 158.4
.
a = 111123688
b = 34.019025
.
ERMS 1907944
Si x = 80 , entonces
.
y = 111123688
+ 34.019025ln80 = 37.835394 .
Ejercicio 4.4 Encuentre la curva y = aebx usando mnimos cuadrados para la TABLA 4.10
siguiente. sela para calcular el valor de y cuando x = 16 . Cul es el error E?
xk
6.9
12.9
19.8
26.7
35.1
yk
21.4
15.7
12.1
8.5
5.2
TABLA 4.10
Ejercicio 4.5 Encuentre la curva y = axb usando mnimos cuadrados para la TABLA 4.11
siguiente y sela para calcular el valor de y cuando x = 36 . Cul es el error ?
xk
28
30
33
35
38
yk
2410
3033
3895
4491
5717
TABLA 4.11
TALLER 4.
1. Use la forma de Lagrange del polinomio interpolante para encontrar los polinomios
interpolantes ms apropiados de grados uno, dos y tres para aproximar f (.2) , a partir de
los siguientes datos
x
f (x)
.2
.163746
.1
.110517
.3
.404958
.7
1.40963
2. Use la forma de Lagrange del polinomio interpolante y todos los datos de la tabla siguiente,
. Use esta
informacin para encontrar una cota terica para el error en esta aproximacin.
x
f (x)
1.0
1.00000
1.1
1.23368
1.2
1.55271
1.3
1.99372
1.4
2.61170
3. Suponga que se desea construir una tabla de valores para la funcin f (x) = senx , en el
dominio 0, , con tamao de paso h. Si se usa interpolacin lineal con cada dos datos
2
consecutivos de la tabla, y suponemos que el error total, incluyendo el efecto de los
6
errores de redondeo en las entradas de la tabla, es a lo ms de 10 . Cul es el valor
ms grande posible para h, y cuntas cifras decimales se deben usar para los datos de la
tabla?
4. Demuestre que
n
L (x) = 1
para toda x
j= 0
5. Sea w(x) =
(x x ) .
k =0
que n para una funcin f en los nodos x 0 , x 1,..., x n , puede escribirse como
f (x k )
( x x )w ( x )
pn (x) = w(x)
k =0
1
, 5 x 5 , genere el polinomio interpolante pn (x) usando
1 + x2
n + 1 nodos igualmente espaciados en el intervalo [5,5] . Calcule pn (x) para distintos
la
funcin
f.
Es
cierto
que
x[5,5 ]
1
3
2
2
0
4
3
5
8. Encuentre las formas de Lagrange y de Newton del polinomio interpolante para los
siguientes datos
x
0
1
2
0
1
1
f (x)
Escriba ambos polinomios en la forma a + bx + cx2
.1
11.052
.3
4.4995
(z 0 , z1,..., zn )
.5
3.2974
1.0
2.7183
.7
2.8768
es una permutacin de
(x 0 , x 1,..., x n ) ,
entonces
2
5
x
y
1
1
0
1
1
1
2
7
3
25
interpola los
1
2
0
1
1
2
2
7
3
10
(7,146) .
14. Un vehculo que viaja en una carretera recta es cronometrado en algunos puntos. Los
datos de las observaciones se dan en la siguiente tabla donde el tiempo est dado en
segundos y la distancia en metros
Tiempo
Distancia
0
0
3
225
5
383
8
623
Encuentre el polinomio que interpola estos datos y selo para aproximar la distancia, la
velocidad y la aceleracin del vehculo a los seis segundos.
x [0,1]
x [1,2]
[T (x)] dx
2
yk
10
es o no la funcin
1 + x x3 ,
2
3
2
3
4(x 2) + 9(x 2) 3(x 2) ,
x [0,1]
x [1,2]
x [2,3]
T(x) = 3 + 5 x + 3 x 2 ,
2
3
11 + 11(x 1) + 3(x 1) (x 1) ,
x [10
, ]
x [0,1]
x [12
, ]
18. Cules propiedades de un Trazador cbico natural posee la siguiente funcin y cules
no?
(x + 1) + (x + 1)3 ,
T(x) =
3
4 + (x 1) + (x 1) ,
x [10
, ]
x [0,1]
S(x) = a + bx + cx2 + dx 3 ,
157 32x,
x (,3]
x [3,4]
x [4,+)
3
2
T(x) = (x 2) (x 3 ) ,
x [2,3 ]
3
2
(x 3) + b(x 2) , x [3,+)
b
22. Construya la aproximacin de mnimos cuadrados de la forma y = ax para la siguiente
tabla, y calcule su error E.
xk
4.0
4.2
4.5
4.7
yk
102.56
113.18
130.11
142.05
bx
23. Encuentre la curva y = ae que mejor se ajusta segn mnimos cuadrados a la siguiente
xk
1.0
2.0
2.5
3.0
yk
.
1108
.
8190
222.6
605.1