En el subcampo matemtico del anlisis numrico, se denomina interpolacin a la obtencin

de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos.

En ingeniera y algunas ciencias es frecuente disponer de un cierto nmero de puntos
obtenidos por muestreo o a partir de un experimento y pretender construir una funcinque los
ajuste.

Interpolacin Lineal[editar]
La lnea azul representa la interpolacin lineal entre los puntos rojos.
Artculo principal: Interpolacin lineal

Uno de los mtodos de interpolacin ms sencillos es el lineal. En general, en la interpolacin

lineal se utilizan dos puntos, (xa,ya) y (xb,yb), para obtener un tercer punto interpolado (x,y) a
partir de la siguiente frmula:

La interpolacin lineal es rpida y sencilla, pero en ciertos casos no muy precisa.

INTERPOLACIN CUADRTICA
El error en el ejemplo 3.1 se debe a que se aproxima a una curva mediante
una lnea recta. Por consiguiente, una estrategia que mejora la aproximacin
es la de introducir cierta curvatura en a lnea que conecta a los puntos. Si se
dispone de tres puntos lo anterior se puede llevar a cabo con un polinomio de
segundo orden (llamado tambin polinomio cuadrtico o parbola). Una
manera conveniente para este caso es:
(4)
Ntese que aunque la ecuacin (4) parezca diferente de la ecuacin general
de un polinomio (1), las dos ecuaciones son equivalentes.
Esto se puede demostrar si se multiplican los trminos de la ecuacin (4) y
obtener:
(5
)
o, agrupar trminos:
(6)

en donde:

Definicin[editar]
Dada una funcin
abscisas
un polinomio

de la cual se conocen sus valores en un nmero finito de

, se llama interpolacin polinmica al proceso de hallar
de grado menor o igual a m,

cumpliendo

A este polinomio se le llama Polinomio interpolador de grado m de la funcin f.

Motivacin del polinomio interpolador[editar]

La interpolacin polinmica es un mtodo usado para conocer, de un modo aproximado, los
valores que toma cierta funcin de la cual slo se conoce su imagen en un nmero finito
de abscisas. A menudo, ni siquiera se conocer la expresin de la funcin y slo se dispondr
de los valores que toma para dichas abscisas.
El objetivo ser hallar un polinomio que cumpla lo antes mencionado y que permita hallar
aproximaciones de otros valores desconocidos para la funcin con una precisin deseable
fijada. Por ello, para cada polinomio interpolador se dispondr de una frmula del error de
interpolacin que permitir ajustar la precisin del polinomio.
Es fcil demostrar, usando el determinante de Vandermonde, que por n puntos, con la nica
condicin de que para cada x haya una sola y, siempre se puede encontrar un polinomio de
grado igual a (n-1) que pase por los n puntos.

Clculo del polinomio interpolador[editar]

Se dispone de varios mtodos generales de interpolacin polinmica que permiten aproximar
una funcin por un polinomio de grado m. El primero de estos es el mtodo de las diferencias
divididas de Newton. Otro de los mtodos es la interpolacin de Lagrange, y por ltimo,
la interpolacin de Hermite.

Mtodo de las diferencias divididas de Newton[editar]

Sea

una variable discreta de

elementos y sea

otra variable discreta de

elementos

los cuales corresponden, por parejas, a la imagen u ordenada y abcisa de los datos que se
quieran interpolar, respectivamente, tales que:

Este mtodo es muy algortmico y resulta sumamente cmodo en determinados casos, sobre
todo cuando se quiere calcular un polinomio interpolador de grado elevado.
El polinomio de grado

definiendo

y definiendo

resultante tendr la forma

como

como

Los coeficientes

son las llamadas diferencias divididas.

Una vez se hayan realizado todos los clculos, ntese que hay (muchas) ms diferencias
divididas que coeficientes

. El clculo de todos los trminos intermedios debe realizarse

simplemente porque son necesarios para poder formar todos los trminos finales. Sin
embargo, los trminos usados en la construccin del polinomio interpolador son todos
aquellos que involucren a

Estos coeficientes se calculan mediante los datos que se conocen de la funcin

queda definido, como:

Se muestra ahora una tabla nemotcnica con las diferencias divididas de una cierta funcin
dada para construir un polinomio interpolador de grado 2:

Interpolacin de Lagrange[editar]
Sea

la funcin a interpolar, sean

sean

los valores que toma la funcin en esas abscisas, el polinomio

interpolador de grado

donde

las abscisas conocidas de

de Lagrange es un polinomio de la forma

son los llamados polinomios de Lagrange, que se calculan de este modo:

Ntese que en estas condiciones, los coeficientes

estn bien definidos y son siempre

distintos de cero.
Se muestra en el ejemplo siguiente el clculo de un polinomio interpolador de Lagrange
usando interpolacin por Lagrange y diferencias divididas de Newton:
Ejemplo: Se quiere hallar el valor de la funcin
polinomio interpolador de Lagrange de grado 2.
Para ello se usan los siguientes datos:

para

usando un

Se usa primero el mtodo directo para calcular el polinomio interpolador de Lagrange.

Con las condiciones dadas, los polinomios de Lagrange son:

Se calcula ahora el polinomio interpolador de grado 2:

Ahora evaluamos este polinomio en

de

para obtener un valor aproximado

Si se usase una calculadora para efectuar el clculo

obtenemos
siguiente:

, por lo que el error cometido es el

Se trata de un error del orden del 0.66 %.

Se procede a realizar ahora la interpolacin mediante el mtodo de las Diferencias Divididas

de Newton:

Se disea una tabla de Diferencias Divididas esquemtica y se realiza los pertinentes

clculos para obtener los siguientes coeficientes:

Ahora se debe tomar de estos coeficientes los que se necesitasen para escribir el
polinomio interpolador. Hay que recordar, segn lo apuntado anteriormente, que slo se
usan aqullos coeficientes que involucren a

. De esta forma se obtiene el polinomio

interpolador de Lagrange de grado 2:

Y, como se puede apreciar, se llega al mismo polinomio pero con relativamente menos trabajo.

4.3 REGRESIN POR MNIMOS

CUADRADOS: LINEAL Y
CUADRTICA.

La dependencia entre dos (o ms) variables puede ser tal que se base en una relacin funcional (m
la existente entre la velocidad y la distancia recorrida por un mvil; o puede ser estadstica. La depe
tipo de relacin entre variables tal que conocidos los valores de la (las) variable (variables) ind
determinarse con exactitud el valor de la variable dependiente, aunque si se puede llegar
comportamiento (global) de la misma. (Ej. la relacin existente entre el peso y la estatura de los ind
es una relacin estadstica) .

Pues bien, el anlisis de la dependencia estadstica admite dos planteamientos (aunque ntimamente

El estudio del grado de dependencia existente entre las variables que queda recogido en la teora de

La determinacin de la estructura de dependencia que mejor exprese la relacin, lo que es analizado

Una vez determinada la estructura de esta dependencia la finalidad ltima de la regresin es llega
que toma la variable Y en un individuo del que conocemos que toma un determinado valor par
variablesX1, X2,..., Xn ).

En el caso bidimensional, dadas dos variables X e Y con una distribucin conjunta de fre
llamaremos regresin de Y sobre X ( Y/X) a una funcin que explique la variable Y para
llamaremos regresin de X sobre Y (X/Y) a una funcin que nos explique la variable X para cada valo
atencin, como se ver ms adelante, que estas dos funciones, en general, no tienen por qu coincid

MTODO DE CUADRADOS MNIMOS REGRESIN LINEAL.

Hemos enfatizado sobre la importancia de las representaciones grficas y hemos visto la utilidad de
de los grficos (X, Y) junto a las distintas maneras de llevar a cabo la linealizacin. A menud
situaciones en las que existe o suponemos que existe una relacin lineal entre las variables X e Y.

Surge de modo natural la pregunta: cul es la relacin analtica que mejor se ajusta a nuest
cuadrados mnimos es un procedimiento general que nos permite responder esta pregunta. Cua
variables X e Y es lineal, el mtodo de ajuste por cuadrados mnimos se denomina tambin mtodo d
Observamos o suponemos una tendencia lineal entre las variables y nos preguntamos sobre cul es
y(x) = a x + b

Que representa este caso de inters. Es til definir la funcin:

Que es una medida de la desviacin total de los valores observados yi respecto de los predichos por
Los mejores valores de la pendiente a y la ordenada al origen b son aquellos que minimizan esta des
los valores que remplazados en la Ec.(1) minimizan la funcinc2. Ec.(2). Los parmetros a y b pueden
tcnicas matemticas que hacen uso del clculo diferencial. Aplicando estas tcnicas, el problema de
al de resolver el par de ecuaciones:

Actualmente, la mayora de los programas de anlisis de datos y planillas de clculo, realizan el pro
forma automtica y dan los resultados de los mejores valores de a y b, o sea los valores indicados po

Grfico

de

datos

asociados

un

modelo

lineal.

La

cantid

representa
la
desviacin
de
cada
observacin
de
yi
respecto
del
el modelo y(x).El criterio de mnimos cuadrados reemplaza el juicio personal de quien mire los gr
mejor recta. En los programas como Excel, se realiza usando la herramienta regresin lineal o aju
se aplican en el caso lineal cuando todos los datos de la variable dependiente tienen la misma inc
incertidumbre de la variable independiente se considera despreciable.
REGRESIN MNIMO-CUADRTICA

Consiste en explicar una de las variables en funcin de la otra a travs de un determinado tipo de f
exponencial, etc.), de forma que la funcin de regresin se obtiene ajustando las observacion
mediante el mtodo de Mnimos-Cuadrados (M.C.O.).

Elegido el tipo de funcin ( ) la funcin de regresin concreta se obtendr minimizando la expresin

(yj - (xi ) ) 2. nij en el caso de la regresin de Y/X

(xi - (yj ) ) 2. nij en el caso de la regresin de X/Y

Puede probarse que es equivalente ajustar por mnimos cuadrados la totalidad de las observaciones
que realizar el ajuste de los puntos obtenidos por la regresin de la media; de forma que la reg
viene ser, en cierto modo, la consecucin de una expresin analtica operativa para la regresin en s
Coeficientes de regresin.
Se llama coeficiente de regresin a la pendiente de la recta de regresin:
en la regresin Y/X : b = Sxy / Sx2
en la regresin X/Y b' = Sxy / Sy2

El signo de ambos coincidir con el de la covarianza, indicndonos la tendencia (directa o inv

interesante hacer notar que b.b'= r2

BONDAD DEL AJUSTE (Varianza residual, varianza de la regresin y coeficiente de determi

Por bondad del ajuste hay que entender el grado de acoplamiento que existe entre los datos origina
que se obtienen de la regresin. Obviamente cuanto mejor sea el ajuste, ms til ser la regresin a
los valores de la variable.

Obtener indicadores de esta bondad de ajuste es fundamental a la hora de optar por una regresin
otro.
Puesto que la media de los residuos se anula, el primer indicador de la bondad del ajuste (no puede
error cuadrtico medio, o varianza del residuo, o varianza residual :
Considerando la regresin Y/X:

Que ser una cantidad mayor o igual que cero.De forma que cuanto ms baja sea mejor ser el grad
residual vale cero el ajuste ser perfecto (ya que no existir ningn error ).
Del hecho de que yi=y*i+ei ,y de que las variables y* e estn incorrelacionadas se tiene que:

Donde S2y* es la llamada varianza de la regresin y supone la varianza de la variable regresin:

Igualdad fundamental anterior de la que se deduce que la varianza total de la variable y puede desc
una parte explicada por la regresin( la varianza de la regresin) y otra parte no explicada (la varian

Considerando que la varianza nos mide la dispersin de los datos este hecho hay que entenderlo com
inicial queda, en parte explicada por la regresin y en parte no.Cuanto mayor sea la proporcin
menor la no explicada) tanto mejor ser el ajuste y tanto ms til la regresin.
A la proporcin de varianza explicada por la regresin se le llama coeficiente de determinacin (

que evidentemente estar siempre comprendido entre 0 y 1 y, en consecuencia, da cuenta del tanto
regresin.
Una consecuencia importante en la prctica es que la varianza residual ser obviamente:

Es sencillo probar que en el caso lineal que nos ocupa el coeficiente de determinacin coinc
coeficiente de correlacin:
R2 = r2

Con lo cual la varianza residual y la varianza debida a la regresin pueden calcularse a partir del coe

REG

Regresin con Mnimos Cuadrados.

Cuando se asocia un error sustancial a los datos, la interpolacin polinomial es inapropiada y
puede llevar a resultados no satisfactorios cuando se usa para predecir valores intermedios.
Los datos experimentales a menudo son de ese tipo. Una estrategia mas apropiada en estos
casos es la de obtener una funcin aproximada que ajuste adecuadamente el
comportamiento o la tendencia general de los datos, sin coincidir necesariamente con cada
punto en particular. Una lnea recta puede usarse en la caracterizacin de la tendencia de los
datos sin pasar cobre ningn punto en particular. Una manera de determinar la lnea, es
inspeccionar de manera visual los datos graficados y luego trazar la mejor lnea a travs de
los puntos. Aunque este enfoque recurre al sentido comn y es valido para clculos a simple
vista es deficiente ya que es arbitrario. Es decir, a menos que los puntos definan una lnea
recta perfecta (en cuyo caso la interpolacin seria apropiada), cada analista trazara rectas
diferentes.
La manera de quitar esta subjetividad es considerar un criterio que cuantifique la suficiencia
del ajuste. Una forma de hacerlo es obtener una curva que minimice la diferencia entre los
datos y la curva y el mtodo para llevar a cabo este objetivo es al que se le llama regresin
con mnimos cuadrados.
Regresin Lineal

El ejemplo mas simple de una aproximacin por mnimos cuadrados es el ajuste de una lnea
recta a un conjunto de parejas de datos observadas: (x1,y1), (x2,y2), ...,(xn,yn). La expresin
matemtica de una lnea recta es:
(1)
en donde a0 y a1 son coeficientes que representan la interseccin con el eje de las abscisas y
la pendiente, respectivamente y E es el error o residuo entre el modelo y las observaciones,
que se puede representar reordenando la ecuacin (1) como:
(2)
Por lo tanto, el error o residuo es la diferencia entre el valor real de y y el valor aproximado,
a0+a1x, predicho por la ecuacin lineal.