Métodos Numéricos de Interpolación

1
Mecnica Computacional II
CAPITULO I
INTERPOLACION Y
APROXIMACION
Armando Blanco A.
Universidad Simn Bolvar
Captulo I
Introduccin
Polinomios de Newton de diferencias divididas
Polinomios de Lagrange
Interpolacin polinomial
Trazadores rectilneos, parablicos y cbicos
Mtodos de mnimos cuadrados (lineal y no lineal)
Referencias
Introduccin
En general, el ingeniero debe analizar la informacin para la toma de
decisiones. Esta viene usualmente en forma grfica.
Fuente: BP Statistical Review of World Energy, Junio 2009
Introduccin
.o tabulada.
Fuente: BP Statistical Review of World Energy, Junio 2009
Introduccin
Tabla. Consumo y produccin promedio de petrleo de Venezuela (Miles de Barriles/Da)
Ao
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
Consumo
475
474
496
545
594
479
523
576
607
665
719
Produccin
3480
3126
3239
3142
2895
2554
2907
2937
2808
2613
2566
Produccion de Petroleo de Venezuela
Produccion de Petroleo de Venezuela
3500
750
3400
700
Consumo (Miles Barriles/Dia)
Produccin (Miles Barriles/Dia)
3300
3200
3100
3000
2900
2800
650
600
550
2700
500
2600
2500
1998
1999
2000
2001
2002
2003
Ao
2004
2005
2006
2007
2008
450
1998
1999
2000
2001
2002
2003
Ao
2004
2005
2006
2007
La informacin puede ser representada por ejemplo grficamente

y obtener informacin acerca de tendencias (extrapolacin).
2008
Introduccin
En algunas situaciones puede ser necesario conocer los valores
entre los puntos de datos conocidos. En general, interpolar
significa estimar los valores de una funcin o variable entre
valores conocidos.
Anteriormente era comn hacerlo a partir de tablas, para obtener
los valores para argumentos no tabulados. Esto ha prcticamente
desaparecido con la llegada de poderosos instrumentos de
clculo.
Sin embargo, el concepto de interpolacin es an muy
importante en el anlisis de data proveniente de experimentos y
en el desarrollo de esquemas numricos.
Como ejemplo, consideremos la data siguiente:
Temperatura (C)
Presin (atm)
30
0.0418
40
0.07428
60
0.196
80
0.467
100
1
150
4.69
Introduccin
4.5
4.5
3.5
3.5
3
P (atm)
P (atm)
La presin a otras temperaturas distintas de las de la tabla puede

ser estimada por interpolacin. Por ejemplo, si deseamos estimar
la presin a la temperatura en puntos no conocidos, lo podemos
hacer a travs de la rectas
2.5
2.5
1.5
1.5
0.5
0.5
0
20
40
60
80
100
T (C)
120
140
160
0
20
40
60
80
100
120
140
160
T (C)
Algunas veces es posible hallar curvas mejores que las rectas,

como se muestra en la otra grfica (polinomio de 5to grado).
Introduccin
En otras situaciones nuestro inters es encontrar una funcin que
aproxime una data dada, sin necesariamente pasar por los puntos
que la componen.
5
P (atm)
-1
20
40
60
80
100
120
140
160
T (C)
Estudiar los conceptos bsicos de interpolacin y aproximacin

de conjunto de datos es el objetivo de este captulo.
Captulo I
Introduccin
Referencias
Polinomio interpolante de Newton

Interpolacin lineal
Supongamos que nuestra data consiste en un par de puntos
(x0,y0) y (x1,y1).
y1
y0
x0
x1
La forma mas sencilla de interpolacin consiste en construir la

recta que pasa por ambos puntos. Tendremos:
y y0 y1 y0
=
x x0 x1 x0
y1 y0
( x x0 )
y = y0 +
x1 x0
10

Ejemplo
Supongamos que deseamos aproximar linealmente la funcin
f (x ) = x
en el intervalo [3,8] y obtener el valor de la aproximacin en
x=4. Luego tendremos:
x0 = 3;
y0 = f ( x0 ) = 3 = 1.73205
x1 = 8;
y1 = f ( x1 ) = 8 = 2.82843
y el polinomio interpolante lineal vendr dado por:
2.82843 1.73205
( x 3)
y = P1 ( x ) = 1.73205 +
83
y = P1 ( x ) = 1.73205 + 0.219276( x 3)
11

Luego, en el punto x=4 la aproximacin lineal nos dar
y = P1 ( x ) = 1.73205 + 0.219276(4 3) = 1.951326

La diferencia entre la aproximacin obtenida y el valor de la
funcin en x=4 vendr dada por:
f (4) P1 (4)
100 = 2.4%
f ( 4)
Supongamos que se desea mejorar la aproximacin. Una mejor
alternativa podra ser emplear una interpolacin cuadrtica tal
como veremos a continuacin.
12

Interpolacin cuadrtica
Supongamos que nuestra data consiste en tres puntos (x0,y0),
(x1,y1) y (x2,y2) .
y
y1
y2
y0
x0 x 2
x1
El polinomio que pasa por esos tres puntos es de orden 2 (a

menos que estos estn alineados) y puede escribirse como:
P2 ( x ) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
13
14
Los coeficientes b0, b1 y b2 se obtienen de evaluar P2(x) en x0, x1

y x2. As tenemos:
P2 ( x0 ) = b0 + b1 ( x0 x0 ) + b2 ( x0 x0 )( x0 x1 ) = b0 = y0
P2 ( x1 ) = b0 + b1 ( x1 x0 ) + b2 ( x1 x0 )( x1 x1 ) = b0 + b1 ( x1 x0 ) = y1
P2 ( x2 ) = b0 + b1 ( x2 x0 ) + b2 ( x2 x0 )( x2 x1 ) = y2
De estas relaciones obtenemos
b0 = y0
y1 b0 y1 y0
b1 =
=
x1 x0 x1 x0
y1 y0
(x2 x0 )
y 2 y0
y2 b0 b1 ( x2 x0 )
x1 x0
b2 =
=
(x2 x0 )(x2 x1 )
(x2 x0 )(x2 x1 )

Manipulando b2 llegamos a
y2 y1 + y1 y0
y1 y0
(x2 x1 )
(x2 x0 )
(
x2 x1 )
x1 x0
b2 =
(x2 x0 )(x2 x1 )
y2 y1
y1 y0
y1 y0
(x2 x1 ) +
(x2 x1 )
(x2 x0 )
(
(
x2 x1 )
x2 x1 )
x1 x0
b2 =
(x2 x0 )(x2 x1 )
y1 y0
y1 y0
y2 y1
(x2 x1 )
(x2 x0 )
(x2 x1 )
(
x2 x1 )
(
x1 x0
x2 x1 )
b2 =
+
(x2 x0 )(x2 x1 )
(x2 x0 )(x2 x1 )
15
16
Continuando con b2
y1 y0
y2 y1
( x 2 x0 )
y1 y0
(
x1 x0
x2 x1 )
b2 =
+
( x 2 x0 )
(x2 x0 )(x2 x1 )
( y1 y0 )(x1 x0 ) y1 y0 (x x )
y2 y1
2
0
(
(
x1 x0 )
x1 x0
x2 x1 )
+
b2 =
(x2 x0 )
(x2 x0 )(x2 x1 )
y1 x1 y1 x0 y0 x1 + y0 x0 y1 x2 + y1 x0 + y0 x2 y0 x0
y2 y1
(
(
x1 x0 )
x2 x1 )
b2 =
+
(x2 x0 )
(x2 x0 )(x2 x1 )

Siguiendo con b2
y1 x1 y0 x1 y1 x2 + y0 x2
y2 y1
(
(
x1 x0 )
x2 x1 )
b2 =
+
( x 2 x0 )
(x2 x0 )(x2 x1 )
x1 ( y1 y0 ) x2 ( y1 y0 )
y2 y1
(
(
x1 x0 )
x2 x1 )
b2 =
+
( x 2 x0 )
(x2 x0 )(x2 x1 )
( y1 y0 )(x1 x2 ) y2 y1 y1 y0
y2 y1
(
x1 x0 )
x2 x1 x1 x0
(
x2 x1 )
b2 =
+
=
(x2 x0 ) (x2 x0 )(x2 x1 )
x 2 x0
17

Luego, los valores de los coeficientes del polinomio de orden 2
son:
b0 = y0
y1 y0
b1 =
x1 x0
y2 y1 y1 y0
x2 x1 x1 x0
b2 =
x2 x0
Ntese que b1 representa la pendiente de la recta que une los
puntos 0 y 1. Luego, la curvatura vendr determinada por el
trmino cuyo coeficiente es b2.
18

Ejemplo
Supongamos que deseamos aproximar con una parbola la
funcin
f (x ) = x
en el intervalo [3,8]. Luego tendremos, por ejemplo, que son

conocidos los valores en x=3,6 y 8:
x0 = 3;
y0 = f ( x0 ) = 3 = 1.73205
x1 = 8;
y1 = f ( x1 ) = 8 = 2.82843
x2 = 5;
y2 = f ( x2 ) = 5 = 2.23607
La aproximacin cuadrtica vendr representada por:
P2 ( x ) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
19
20
Luego, los valores de los coeficientes del polinomio de orden 2

son:
b0 = y0 = 1.73205
y1 y0 2.82843 1.73205
b1 =
=
= 0.230159
x1 x0
83
y2 y1 y1 y0 2.23607 2.82843 2.82843 1.73205
x2 x1 x1 x0
58
83
b2 =
=
x 2 x0
53
b2 = 0.010911
La aproximacin cuadrtica es:
P2 ( x ) = 1.73205 + 0.219276( x 3) 0.010911( x 3)( x 8)

La aproximacin parablica en x=4 arroja el valor
P2 (4 ) = 1.73205 + 0.219276(4 3) 0.010911(4 3)(4 8)

P2 (4 ) = 1.99497
El error cometido con esta aproximacin es:
f (4) P2 (4)
100 = 0.25%
f ( 4)
y es bastante menor al obtenido con la aproximacin lineal.
Veamos esto grficamente en la lmina siguiente.
21

Interpolacin
3
Datos
Valor exacto
Lineal
Parabolico
Funcion
2.8
2.6
2.4
2.2
1.8
1.6
3.5
4.5
5.5
x
6.5
7.5
Ntese: (a) El paso de la aproximacin parablica por los tres

puntos y (b) la cercana entre la funcin aproximada y la
aproximacin parablica
22

El detalle en las cercanas del punto x=4 se muestra a
continuacin.
Interpolacin
Datos
Valor exacto
Lineal
Parabolico
Funcion
1.99
1.98
1.97
1.96
1.95
1.94
3.97
3.98
3.99
4
x
4.01
4.02
4.03
23

Forma general de los polinomios de interpolacin
Supongamos que nuestra data consiste en un conjunto de n+1
puntos (xi,yi), i entero en [0,n].
El polinomio de grado n que interpola la data es dado por:
Pn ( x ) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
+ ... + bn ( x x0 )...( x xn 2 )( x xn 2 )
En el caso del polinomio lineal (n=1) tenamos que:
y1 y0
( x x0 )
y = y0 +
x1 x0
y entonces:
b0 = y0 ;
y1 y0
b1 =
x1 x0
24

Mientras que para la aproximacin cuadrtica (n=2) tenamos
b0 = y0
y2 y1 y1 y0
x2 x1 x1 x0
b2 =
x2 x0
y1 y0
b1 =
x1 x0
Definiendo las diferencias divididas como:
f [xi ] = f ( xi )
yi y j
f ( xi ) f (x j )
f xi , x j =
=
xi x j
xi x j
f xi , x j , xk =
] [
f xi , x j f x j , xk
xi xk
25

Luego, tendremos que:
b0 = y0 = f ( x0 ) = f [x0 ]
y1 y0 f ( x1 ) f ( x0 )
b1 =
=
= f [x1 , x0 ]
x1 x0
x1 x0
y2 y1 y1 y0
x2 x1 x1 x0
f [x2 , x1 ] f [x1 , x0 ]
b2 =
=
= f [x2 , x1 , x0 ]
x 2 x0
x 2 x0
tenemos que, hasta orden 2 podemos escribir:
P2 ( x ) = f [x0 ] + f [x1 , x0 ]( x x0 ) + f [x2 , x1 , x0 ]( x x0 )( x x1 )
26
27
Luego, si definimos
f [xn , xn 1 ,..., x2 , x1 ] f [xn 1 , xn 2 ,..., x1 , x0 ]

f [xn , xn 1 ,..., x1 , x0 ] =
xn x0
podemos asumir que en general que el polinomio interpolante de
grado n es dado por:
Pn ( x ) = f [x0 ] + f [x1 , x0 ]( x x0 ) + f [x2 , x1 , x0 ]( x x0 )( x x1 ) +
+ ... + f [xn , xn 1 ,..., x1 , x0 ]( x x0 )( x x1 )...( x xn 2 )( x xn 1 )

En notacin compacta podemos escribir:
n
Pn (x ) = f [x0 ] + f [xk , xk 1 ,..., x0 ](x x0 )(x x1 )....(x xk 1 )

k =1

Ntese que:
(a) No es necesario que los datos estn uniformemente
espaciados, ni ordenados, para hallar los coeficientes del
polinomio
(b) Las relaciones que permiten calcular las diferencias
divididas son recursivas y, en consecuencia, la diferencias
divididas de orden superior se obtienen a partir de las de
menor orden.
Entonces, obteniendo las diferencias divididas de manera
consecutiva obtenemos los coeficientes del polinomio
interpolante de Newton.
28

Adems, para calcular las diferencias divididas podemos
tener en cuenta que :
f xi , x j =
xi x j
f (x j ) f ( xi )
] [
f xi , x j f x j , xk
f xk , x j f x j , xi
f xi , x j , xk =
f ( xi ) f (x j )
f xi , x j , xk =
xi xk
] [
xk xi
= f x j , xi
x j xi
] = f [x , x ] f [x , x ]
j
xk xi
] = f [x , x , x ]
k
29
Ejemplo: Consideremos el siguiente conjunto de

datos:
x
y
2.0 1.623
2.5 1.855
4.0 2.041
4.5 2.333
6.0 2.561
Hallemos el polinomio interpolante de Newton que
interpola estos datos
30
Las primeras diferencias divididas se construyen

como se muestra en la siguiente tabla:
x
2
y
1.623
DD1
0.464
2.5
1.855
0.124
2.041
0.584
4.5
2.333
0.152
2.561
f [ xi +1 ] f [ xi ] f ( xi +1 ) f ( xi )
f [ xi , xi +1 ] =
=
xi +1 xi
xi +1 xi
31
Las segundas diferencias divididas se construyen

similarmente como se muestra en la siguiente tabla:
x
2
y
1.623
DD1
DD2
0.464
2.5
1.855
-0.17
0.124
2.041
0.23
0.584
4.5
2.333
-0.216
0.152
2.561
f [ xi +1 , xi + 2 ] f [ xi , xi +1 ]
f [ xi , xi +1 , xi + 2 ] =
xi + 2 xi
32
De la misma manera, las terceras y cuartas

diferencias divididas se construyen como se muestra
en la siguiente tabla:
x
2
y
1.623
DD1
DD2
DD3
DD4
0.464
2.5
1.855
-0.17
0.124
2.041
0.16
0.23
0.584
4.5
2.333
-0.071857
-0.12743
-0.216
0.152
2.561
f [ xi +1 ,..., xi + k ] f [ xi ,..., xi + k 1 ]
f [ xi , xi +1 ,..., xi + k ] =
xi + k xi
33
34
En consecuencia, los coeficientes del polinomio

interpolante de newton
n
Pn (x ) = f [x0 ] + f [x0 , x1 ,..., xk ](x x0 )( x x1 )....( x xk 1 )

k =1
son dados por:

f [ x0 ]
x
2
y
1.623
f [ x0 , x1 ]
DD1
f [ x0 , x1 , x2 ]
DD2
0.464
2.5
1.855
2.041
2.333
2.561
-0.071857
-0.12743
-0.216
0.152
0.16
f [ x0 , x1 , x2 , x3 , x4 ]
f [ x0 , x1 , x2 , x3 ]
0.23
0.584
4.5
DD4
-0.17
0.124
DD3
35
Luego,
n
Pn (x ) = f [x0 ] + f [x0 , x1 ,..., xk ](x x0 )( x x1 )....( x xk 1 )

k =1
Pn ( 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 ) +
f [ x0 , x1 , x2 , x3 , x4 ] ( x x0 )( x x1 )( x x2 )( x x3 )
P4 ( x ) = 1.623 + 0.464( x 2 ) 0.17(x 2 )( x 2.5) +

0.16( x 2 )(x 2.5)( x 4 )
0.071857( x 2 )(x 2.5)( x 4 )(x 4.5)
El polinomio de interpolante luce como se muestra en la

figura a continuacin.
Interpolacin
3
Datos
Polinomio interpolante
2.8
2.6
2.4
2.2
1.8
1.6
2.5
3.5
4
x
4.5
5.5
36
37
Las ventajas de la utilizacin del polinomio interpolante

de Newton ahora es obvia. Si se aade un nuevo dato a los
anteriores, el polinomio se modificar de manera que
Pn ( x ) = 1.623 + 0.4624 ( x 2 ) 0.17 ( x 2 )( x 2.5 ) +
0.16 ( x 2 )( x 2.5 )( x 4 )
- 0.071857 ( x 2 )( x 2.5 )( x 4 )( x 4.5 )
+f [ x0 , x1 , x2 , x3 , x4 , x5 ] ( x 2 )( x 2.5 )( x 4 )( x 4.5 )( x x4 )
Supongamos que el nuevo punto de data es (3;2.1). Las

diferencias divididas se calculan como antes

x
2
y
1.623
DD1
DD2
DD3
DD4
DD5
0.464
2.5
1.855
-0.17
0.124
2.041
0.16
0.23
0.584
4.5
2.333
-0.12743
-0.216
0.152
6
-0.071857
2.561
-0.10306349
-0.174921
-0.21489
-0.00111111
0.15366667
3
2.1
y el nuevo polinomio es dado por

Pn ( x ) = 1.623 + 0.4624 ( x 2 ) 0.17 ( x 2 )( x 2.5 ) +
0.16 ( x 2 )( x 2.5 )( x 4 )
- 0.071857 ( x 2 )( x 2.5 )( x 4 )( x 4.5 )
-0.10306 ( x 2 )( x 2.5 )( x 4 )( x 4.5 )( x 3.0 )
38
Grficamente tenemos que el nuevo polinomio pasa por

todos los puntos de datos dados.
Interpolacin
4
Datos
Polinomio interpolante
3.5
2.5
1.5
2.5
3.5
4
x
4.5
5.5
Ntese que en algunos puntos del intervalo los valores

obtenidos estn alejados de lo esperado. Esta tendencia es
mayor en la medida que el grado del polinomio
interpolante es mayor.
39
Polinomio Interpolante de Newton
40
Volvamos a las diferencias divididas. Antes calculamos los

coeficientes del polinomio interpolante a partir de las tablas:
x
2
y=f[x0]
1.623
f[x0,x1]
f[x0,x1,x2]
f[x0,x1,x2,x3] f[x0,x1,x2,x3,x4]
0.4640
2.5
1.855
-0.1700
0.1240
2.041
0.1600
0.2300
0.5840
4.5
2.333
-0.0719
-0.1274
-0.2160
0.1520
2.561
x
4
y=f[x0]
2.0410
f[x0,x1]
f[x0,x1,x2]
f[x0,x1,x2,x3] f[x0,x1,x2,x3,x4]
0.5840
4.5
2.3330
0.1500
0.2840
1.6230
-0.0915
-0.0330
0.2345
6
2.5610
2.5
1.8550
0.0163
-0.0656
0.2017
-0.0719
Los polinomios interpolantes segn cada tabla son:
P4 ( x ) = 1.623 + 0.464( x 2 ) 0.17(x 2 )(x 2.5) +

1
0.16(x 2 )(x 2.5)( x 4 )

0.0719(x 2 )( x 2.5)(x 4 )( x 4.5)
P4 ( x ) = 2.0410 + 0.5840(x 4 ) + 0.1500(x 4 )( x 4.5)

2
0.0915( x 4 )(x 4.5)( x 2 )

0.0719(x 4 )(x 4.5)( x 2 )(x 6 )
Cul de los polinomios interpolantes es el correcto?
41
Ambos lo son. Utilizando Mathematica para expandir

ambos polinomios obtenemos:
La diferencia de los coeficientes entre ambos polinomios

viene dada por errores de truncamiento y redondeo en el
clculo de las diferencias divididas.
42
En el caso en el que los xi estn uniformemente

espaciados, podemos escribir
h = xi +1 xi
x = x0 + sh
las diferencias en la formula de las diferencias
divididas interpolantes se expresan como
x xi = (s i )h
para obtener al sustituir en
Pn ( x ) = f [ x0 ] + ( x x0 ) f [ x0 , x1 ] + ( x x0 )( x x1 ) f [ x0 , x1, x2 ] + ...
... + ( x x0 )( x x1 )....( x xn 1 ) f [x0 , x1 ,..., xn ]
la expresin
Pn (x ) = f [x0 ] + shf [x0 , x1 ] + sh(s 1)hf [x0 , x1 , x2 ] + ..

... + sh(s 1)h....(s n + 1)hf [x0 , x1 ,..., xn ]
simplificando
Pn (x ) = f [x0 ] + shf [x0 , x1 ] + s (s 1)h 2 f [x0 , x1 , x2 ] + ..
... + s (s 1)....(s n + 1)h n f [x0 , x1 ,..., xn ]
o
n
Pn (x ) = s (s 1)....(s k + 1)h f [x0 , x1 ,..., xk ]

k
k =0
Utilizando la notacin del coeficiente polinomial
s s (s 1)....(s k + 1)
=
k!
k
podemos escribir
n
s k
Pn (x ) = k!h f [x0 , x1 ,..., xk ]
k =0 k
Alternativamente las diferencias divididas pueden
escribirse, utilizando la notacin de Aitken para las
diferencias divididas
f ( xi +1 ) f (xi ) f (xi ) 1
f [ xi , xi +1 ] =
=
=
f ( xi )
xi +1 xi
h
1! h
f [ xi +1 , xi + 2 ] f [ xi , xi +1 ]
f [ xi , xi +1 , xi + 2 ] =
xi + 2 xi
f [ xi , xi +1 , xi + 2 ] =
f (xi +1 )
h
2h
f ( xi )
1 2
1 2
f [ xi , xi +1 , xi + 2 ] = 2 f ( xi ) =
f ( xi )
2
2h
2!h
Iterativamente llegamos a
1 k
f [ xi , xi +1 ,..., xi + k ] =
f (xi )
k
k! h

Las diferencias progresivas se calculan como:
f ( x0 ) = f ( x1 ) f ( x0 )
2 f ( x0 ) = ( f ( x0 ) ) = ( f ( x1 ) f ( x0 ) ) = f ( x1 ) f ( x0 )
3 f ( x0 ) = 2 f ( x0 ) = f ( x1 ) f ( x0 )
= f ( x2 ) f ( x1 ) f ( x1 ) + f ( x0 )
= f ( x2 ) f ( x1 ) f ( x1 ) + f ( x0 )
2
2
= f ( x1 ) f ( x0 )
En general, tendremos
k f ( x0 ) = k 1 f ( x0 ) = k 1 f ( x1 ) k 1 f ( x0 )

Podemos simplificar an mas Pn(x) para escribir
s k
Pn (x ) = f ( xi )
k =0 k
n
que se conoce como la frmula de las diferencias

progresivas de Newton o frmula hacia delante de
Newton-Gregory.
Si reescribimos el polinomio interpolante como
Pn (x ) = an + an 1 ( x xn ) + an 2 (x xn )(x xn 1 ) + ....
... + a0 ( x xn )( x xn 1 )...(x x0 )
y utilizamos las mismas suposiciones anteriores
h = xi +1 xi
x = xn + sh
x xn i = ( s + i ) h
Polinomios interpolante de Newton
Podemos escribir
Pn (x ) = Pn ( xn + sh ) = f [xn ] + f [xn , xn 1 ]( x xn ) + .... +

... + f [xn , xn 1 ,..., x0 ](x xn )(x xn 1 )...(x x1 )
Pn (x ) = f [xn ] + shf [xn , xn 1 ] + s (s + 1)h 2 f [xn , xn 1 , xn 2 ]....

... + s (s + 1)...(s + n 1)h n f [xn , xn 1 ,..., x0 ]
y al definir la diferencia regresiva (y sus potencias)
2
1
p
=
pn =
pn = pn pn 1
n
k pn = k 1 pn , k 2
= ( pn pn 1 )
= pn pn 1
podemos escribir
f ( xi 1 ) f ( xi ) f [ xi 1 ] f [ xi ] f ( xi )
f [ xi , xi 1 ] =
=
=
xi 1 xi
h
h
f [ xi 1 , xi 2 ] f [ xi , xi 1 ]
f [ xi , xi 1 , xi 2 ] =
xi 2 xi
Utilizando estos resultados y la definicin de la 2da
diferencia dividida tenemos
f (xi 1 ) / h f ( xi ) / h f (xi ) f (xi 1 )
=
f [ xi , xi 1 , xi 2 ] =
2
2h
2h
f ( xi )
f [ xi , xi 1 , xi 2 ] =
2
2h
2
(89)
y, en general
k f ( xi )
f [ xi , xi 1 ,..., xi k ] =
k! h k
En consecuencia tenemos
s(s +1) 2
s(s +1)...(s + n 1) n
Pn (x) = f [xn ] + sf (xn ) +
f (xn ) +...+
f (xn )
2
n!
Al extender la definicin del coeficiente binomial a
todos los nmeros reales
s s ( s 1)....( s k + 1)
k s (s + 1)....(s + k 1)
=
= ( 1)
k!
k!
k
tenemos
s
2 s 2
n s n
Pn(x) = f [xn ] +(1) f (xn ) +(1) f (xn ) +...+(1) f (xn )
1
2
n
1
En forma compacta
n
k s k
Pn(x) = (1) f (xn )
k=0
k
que se conoce como la frmula de las diferencias
regresivas de Newton o frmula hacia atrs de
Newton-Gregory. Ntese que la variable x est
implcita en la nueva variable s.
Aplicacin: Considere la aproximacin de la

siguiente data utilizando las frmulas de diferencias
progresivas de Newton y evalelo en x=1.1
X
1
1.3
1.6
1.9
2.2
Y
0.7651977
0.620086
0.4554022
0.2818186
0.1103623
La expresin de la formula de diferencias progresivas

de Newton es:
s k
Pn (x ) = f ( xi )
k =0 k
n
Puesto que tenemos 5 puntos de data, el polinomio

buscado debera ser de 4to grado. Entonces, la
frmula de diferencias progresivas nos llevara a:
4 s
k
P4 ( x) = f ( xi )
k =0 k
s 0
s 1
s 2
s 3
s 4
= f ( xi ) + f ( xi ) + f ( xi ) + f ( xi ) + f ( xi )
0
1
2
3
4
Si le asignamos al 1er punto de data el ndice 0
tenemos
s 0
s 1
s 2
s 3
s 4
P4 ( x) = f ( x0 ) + f ( x0 ) + f ( x0 ) + f ( x0 ) + f ( x0 )
0
1
2
3
4
Los valores de los coeficientes polinomiales a

emplear son:
s s ( s 1) .... ( s k + 1)
=
k!
k
s s ( s 1)( s 2 )( s 3)
;
=
4!
4
s s ( s 1)
s s
;
=
= ;
2!
2
1 1!
s s ( s 1)( s 2 )
;
=
3!
3
s
=1
0
Las diferencias progresivas son dadas por
k f ( x0 ) = k 1 f ( x0 ) = k 1 f ( x1 ) k 1 f ( x0 )
X
1
1.3
1.6
1.9
2.2
Y
0.7651977
0.620086
0.4554022
0.2818186
0.1103623
D1
-0.1451117
-0.1646838
-0.1735836
-0.1714563
D2
-0.0195721
-0.0088998
0.0021273
D3
0.0106723
0.0110271
D4
0.0003548
Luego, el polinomio buscado es:
s
s
s
P4 ( x) = 0.7651977 + ( 0.1451117) + ( 0.0195721) +
0
1
2
s
s
( 0.0106723) + ( 0.0003548)
3
4
Sustituyendo las expresiones de los coeficientes

polinomiales llegamos a:
s ( s 1)
P4 ( x) = (1) 0.7651977 + s ( 0.1451117) +
( 0.0195721) +
2!
s ( s 1)( s 2)
s ( s 1)( s 2)( s 3)
( 0.0106723) +
( 0.0003548)
3!
4!
Luego, en x=1.1 tendremos que s es dado por:
x x0 1.1 1.0 1
=
=
x = x0 + sh s =
0.3
3
h
En consecuencia,
P4 (1.1) = 0.7651977 + 0.333333333( 0.1451117) +( -0.111111111)( 0.0195721) +
( 0.061728395)( 0.0106723) +( -0.041152263)( 0.0003548) = 0.719645994
Para comprobar nuestros resultados, hacemos uso de

Excel, graficamos nuestra data y trazamos como
lnea de tendencia un polinomio de grado 4
Polinomio Interpolante de Cuarto Grado
0.9
0.8
y = 0.0018x4 + 0.0553x3 - 0.343x2 + 0.0734x + 0.9777

R2 = 1
0.7
0.6
0.5
Y
Polinmica (Y)
0.4
0.3
0.2
0.1
0
1
1.2
1.4
1.6
1.8
2.2
2.4
Evaluando el polinomio obtenido llegamos a:

P4 ( x ) = 0.0018x 4 + 0.0553x 3 - 0.343x 2 + 0.0734x + 0.9777
Luego,
P4 (1.1) = 0.0018 (1.1) + 0.0553 (1.1) - 0.343 (1.1) + 0.0734 (1.1) + 0.9777
4
P4 (1.1) = 0.71964968
La diferencia entre ambas aproximaciones es

0.71964968-0.719645994
= 0.00051216%
0.71964968
insignificante.
60
Captulo I
Introduccin
Referencias
61
Otro mtodo que permite escribir el polinomio interpolante de
un conjunto de datos lo constituyen los polinomios de Lagrange.,
los cuales se pueden obtener como una reformulacin del
polinomio de Newton para evitar el clculo de las diferencias
divididas.
Por ejemplo, en el caso de dos puntos tenemos que
P1 ( x ) = f [x0 ] + f [x1 , x0 ]( x x0 )
Si escribimos la diferencia dividida como
f ( x1 ) f ( x0 )
f ( x0 )
f ( x1 )
f [x0 , x1 ] =
=
+
x1 x0
x1 x0 x0 x1
tenemos
f ( x1 )
f ( x0 )
P1 ( x ) = f ( x0 ) +
+
( x x0 )
x1 x0 x0 x1
62
Reagrupando
f ( x0 )
x x0
(x x0 ) + f (x0 ) +
P1 ( x ) =
f ( x1 )
x0 x1
x1 x0
Simplificando obtenemos
x x1
x x0
P1 ( x ) =
f ( x0 ) +
f ( x1 )
x0 x1
x1 x0
En el caso del polinomio interpolante de orden 2 tendremos
P2 ( x ) = f [x0 ] + f [x1 , x0 ]( x x0 ) + f [x2 , x1 , x0 ]( x x0 )( x x1 )
63
Reescribiendo la segunda diferencia dividida obtenemos
f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 )
f [x2 , x1 ] f [x1 , x0 ]
x2 x1
x1 x0
f [x0 , x1 , x2 ] =
=
x2 x0
x2 x0
Sustituyendo obtenemos
f ( x1 ) f ( x0 )
(x x0 )
P2 ( x ) = f ( x0 ) +
x1 x0
f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 )
x1 x0
x2 x1
(x x0 )(x x1 )
+
x 2 x0
Expandiendo la expresin y reagrupando llegamos a
64
f ( x0 )
f ( x1 )
( x x0 ) +
(x x0 )
P2 ( x ) = f ( x0 ) +
x1 x0
x0 x1
f ( x2 ) f ( x1 )
f ( x1 ) f ( x0 )
+
( x x0 )( x x1 )
( x2 x1 )( x2 x0 ) ( x1 x0 )( x2 x0 )
f ( x0 )
f ( x1 )
(x x0 ) +
(x x0 )
P2 ( x ) = f ( x0 ) +
x1 x0
x0 x1
f ( x2 )( x x0 )( x x1 ) f ( x1 )( x x0 )( x x1 )
+
(x2 x1 )(x2 x0 )
(x2 x1 )(x2 x0 )
f ( x1 )( x x0 )( x x1 ) f ( x0 )( x x0 )( x x1 )
+
(x1 x0 )(x2 x0 )
(x1 x0 )(x2 x0 )
65
Reagrupando
(
x x0
x x0 )( x x1 )
+
P2 ( x ) = 1 +
f ( x0 )
x0 x1 ( x1 x0 )( x2 x0 )
x x0
(
(
x x0 )( x x1 )
x x0 )( x x1 )
+
f ( x1 )
x1 x0 ( x2 x1 )( x2 x0 ) ( x1 x0 )( x2 x0 )
(
x x0 )( x x1 )
f ( x2 )
+
(x2 x1 )(x2 x0 )
Simplifiquemos cada trmino. Entonces
(
x x0
x x0 )( x x1 )
1+
+
=
x0 x1 ( x1 x0 )( x2 x0 )
(x0 x1 )(x0 x2 ) + (x x0 )(x0 x2 ) + (x x0 )(x x1 )

(x0 x1 )(x0 x2 )
66
Luego
(
x x0
x x0 )(x x1 )
1+
+
=
x0 x1 (x1 x0 )(x2 x0 )
x0 x0 x2 x1x0 + x1x2 + xx0 xx2 x0 + x0 x2 + x2 xx1 x0 x + x0 x1
=
(x0 x1 )(x0 x2 )
2
Simplificando
(
x x0
x x0 )( x x1 )
x1 x2 xx2 + x 2 xx1
1+
+
=
(x0 x1 )(x0 x2 )
x0 x1 ( x1 x0 )( x2 x0 )
Factorizando
(
x x0
x x0 )( x x1 )
(
x x1 )( x x2 )
1+
+
=
x0 x1 ( x1 x0 )( x2 x0 ) ( x0 x1 )( x0 x2 )
67
De manera similar se puede mostrar que
x x0
(
(
x x0 )( x x1 )
x x0 )( x x1 ) ( x x0 )( x x2 )
=
x1 x0 ( x2 x1 )( x2 x0 ) ( x1 x0 )( x2 x0 ) ( x1 x0 )( x2 x0 )
y en consecuencia tenemos que P2(x) se escribe como:
(
x x1 )( x x2 )
P2 ( x ) =
f ( x0 )
(x0 x1 )(x0 x2 )
(
x x0 )( x x2 )
+
f ( x1 )
(x1 x0 )(x1 x2 )
(
x x0 )( x x1 )
+
f ( x2 )
(x2 x0 )(x2 x1 )
68
Si comparamos los polinomios de Lagrange de 1ro y 2do grado
x x0
x x1
P1( x) =
f (x0 ) +
x0 x1
x1 x0
(
x x1 )( x x2 )
P2 ( x ) =
f ( x0 )
(x0 x1 )(x0 x2 )
(
x x0 )( x x2 )
f (x1 )
+
f ( x1 )
(x1 x0 )(x1 x2 )
(
x x0 )( x x1 )
+
f ( x2 )
(x2 x0 )(x2 x1 )
podemos expresar en forma general el polinomio de grado n como

n
Pn (x) = Li (x) f (xi )

i =0
Li ( x ) =
j =0
j i
x xj
xi x j
69
donde P representa el producto de los distintos trminos:
(
x x0 ) (x x1 ) ( x xi 1 ) ( x xi +1 ) ( x xn1 ) ( x xn )
Li ( x) =
...
...
(xi x0 ) (xi x1 ) (xi xi1 ) (xi xi+1 ) (xi xn1 ) (xi xn )
As, para n=2 tendremos
2
P2 ( x) = Li ( x) f (xi ) = L0 (x) f (x0 ) + L1(x) f (x1 ) + L2 (x) f (x2 )

i =0
x xj
x x1 x x2
=
L0 ( x ) =
j = 0 xi x j
x0 x1 x0 x2
2
j 0
x xj
x x0 x x2
L1 ( x ) =
=
j = 0 xi x j
x1 x0 x1 x2
2
j 1
x xj
x x0 x x1
L2 ( x ) =
=
j = 0 xi x j
x2 x0 x2 x1
2
j2
70
quedando:
(
(
x x0 )( x x2 )
x x1 )( x x2 )
P2 ( x ) =
f ( x0 ) +
f ( x1 )
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(
x x0 )( x x1 )
+
f ( x2 )
(x2 x0 )(x2 x1 )
71
Aplicacin: Consideremos el siguiente conjunto de datos
x
y
2.0
1.623
2.5
1.855
4.0
2.041
4.5
2.333
6.0
2.561
Se desea hallar el valor interpolado en el punto 2.2 utilizando el
polinomio de Lagrange que interpola todos los datos.
Puesto que tenemos cinco pares de datos, el polinomio de
Lagrange buscado es de orden 4 (5-1).
72
Podemos escribir directamente los distintos trminos del
polinomio
(
x x1 ) (x x2 ) (x x3 ) (x x4 )
f (x0 )
P4 (x) = Li (x) f (xi ) =
(x0 x1 ) (x0 x2 ) (x0 x3 ) (x0 x4 )
i =0
(
x x0 ) (x x2 ) (x x3 ) (x x4 )
+
f (x1 )
(x1 x0 ) (x1 x2 ) (x1 x3 ) (x1 x4 )
(
x x0 ) (x x1 ) (x x3 ) (x x4 )
+
f (x2 )
(x2 x0 ) (x2 x1 ) (x2 x3 ) (x2 x4 )
(
x x0 ) (x x1 ) (x x2 ) (x x4 )
+
f (x3 )
(x3 x0 ) (x3 x1 ) (x3 x2 ) (x3 x4 )
(
x x0 ) (x x1 ) (x x2 ) (x x3 )
+
f (x4 )
(x4 x0 ) (x4 x1 ) (x4 x2 ) (x4 x3 )
4
73
Sustituyendo por los datos conocidos tenemos:
(
x 2.5) (x 4) (x 4.5) (x 6)
P4 (x) =
f (2)
(2 2.5) (2 4) (2 4.5) (2 6)
(
x 2) (x 4) (x 4.5) (x 6)
+
f (2.5)
(2.5 2) (2.5 4) (2.5 4.5) (2.5 6)
(
x 2) (x 2.5) (x 4.5) (x 6)
+
f (4)
(4 2) (4 2.5) (4 4.5) (4 6)
(
x 2) (x 2.5) (x 4) (x 6)
+
f (4.5)
(4.5 2) (4.5 2.5) (4.5 4) (4.5 6)
(
x 2) (x 2.5) (x 4) (x 4.5)
+
f (6)
(6 2) (6 2.5) (6 4) (6 4.5)
74
Realizando las operaciones
(
x 2.5)(x 4)(x 4.5)(x 6)
1.623
P (x) =
4
10
(
x 2)(x 4)(x 4.5)(x 6)
1.855
5.25
(
x 2)(x 2.5)(x 4.5)(x 6)
+
2.041
3
(
x 2)(x 2.5)(x 4)(x 6)
2.333
3.75
(
x 2)(x 2.5)(x 4)(x 4.5)
+
2.561
42
75
Finalmente, el polinomio interpolante es:
P4 ( x ) = 0.1623 (x 2.5 )( x 4 )( x 4.5 )( x 6 )

0.3533 ( x 2 )( x 4 )(x 4.5 )(x 6 )
+ 0.6803 (x 2 )( x 2.5 )( x 4.5 )( x 6 )

0.6221( x 2 )( x 2.5 )( x 4 )(x 6 )
+ 0.0610 ( x 2 )( x 2.5 )(x 4 )(x 4.5 )
Luego,
P4 (2.2 ) = 0.1623 (2.2 2.5 )(2.2 4 )(2.2 4.5 )(2.2 6 )

0.3533 (2.2 2 )(2.2 4 )(2.2 4.5 )(2.2 6 )
+ 0.6803 (2.2 2 )(2.2 2.5 )(2.2 4.5 )(2.2 6 )

0.6221(2.2 2 )(2.2 2.5 )(2.2 4 )(2.2 6 )
+ 0.0610 (2.2 2 )(2.2 2.5 )(2.2 4 )(2.2 4.5 ) = 1.7610
76
Una propiedad importante de los polinomios de Lagrange es:
L (x) =1
i
Veamos por ejemplo para n=1. Tenemos,
x x1 x x0
i Li (x) = x x + x x
0
1
1
0
x x1 x + x0
=
x0 x1
x1 + x0
=
=1
x0 x1
77
Luego, el polinomio Li que acompaa cada valor de f(xi)
representa el peso relativo de este en la aproximacin. Cuando
x=xi, entonces todos los Lj(xi) son nulos exceptuando a Li(x) que
acompaa xi con Li(xi)=1. Por ejemplo, para P2(x0) tenemos:
0
1
(
(
x0 x1 )( x x2 )
x0 x0 )( x x2 )
P2 ( x0 ) =
f ( x0 ) +
f ( x1 )
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
0
(
x0 x0 )( x x1 )
+
f ( x2 )
(x2 x0 )(x2 x1 )
P2 ( x0 ) = 1 f ( x0 ) + 0 f ( x1 ) + 0 f ( x2 ) = f ( x0 )
78
Captulo I
Introduccin
Polinomios de Newton de diferencias divididas.
Trazadores rectilneos, parablicos y cbicos.
Referencias
Interpolacin Polinomial
En el caso en el cual se desea expresar el polinomio de

interpolacin en la forma
Pn 1 ( x) = c1 x
n 1
+ c2 x
n2
+ ... + cn 1 x + cn
ninguno de los dos mtodos esbozados anteriormente

permite una fcil identificacin de los coeficientes. En
general tendremos que podemos escribir
[ Pn1 ( x)] = x n1
x n2
c1
c
2
.
... x 1
.
.

cn
79
Como el polinomio permite la interpolacin de la data
dada entonces
x1n 1 x1n 1 ... x1 1 c1 y1
n 1

n 1
x2
... x2 1 c2 y2
x2
.
. .
=
.
. .
.
. .
1
n
1
xn
xn
... xn 1 cn yn
En forma matricial utilizando la definicin de la matriz de

Vandermonde
Vc = y
En consecuencia
c = V 1y
80
MATLAB permite obtener fcilmente los coeficientes del
polinomio. El comando polyfit devuelve los coeficientes
en orden descendiente. Por ejemplo, utilicemos la data del
ejemplo anterior
x
y
>> x=[2 2.5 4 4.5 6];
2.0 1.623
>> y=[1.623 1.855 2.041 2.333 2.561];
>> c=polyfit(x,y,length(x)-1)
2.5 1.855
4.0 2.041
c=
4.5 2.333
-0.0719 1.0941 -5.9313 13.7834 -9.8221
6.0 2.561
La secuencia en MATLAB est en el recuadro
81
Luego el polinomio buscado es
P4 ( x ) = 0.0719 x 4 + 1.0941x 3 5.9313 x 2 + 13.7834 x 9.8221
Veamos P4(x) grficamente

Al utilizar polinomios de
alto orden, las oscilaciones
de los mismos pueden
llevar a interpolaciones con
un alto error.
Esto conduce a la
necesidad de hallar otros
mtodos de interpolacin.
82
83
Captulo I
Introduccin
Referencias
Splines
Las oscilaciones en los polinomios de alto grado pueden
conducir a errores importantes en la interpolacin de
datos.
Una alternativa es la consideracin de polinomios de
orden bajo para interpolar subconjuntos de los datos.
La opcin de menor orden posible a ser considerada es la
interpolacin de orden 1 o interpolacin lineal entre
puntos adyacentes.
Consideremos la misma data del ejemplo anterior.
84
Splines
La interpolacin lineal entre puntos adyacentes nos lleva a
la siguiente representacin.
an x + bn
a2 x + b2
ai x + bi
Pi (x ) = ai x + bi
Para n +1 puntos de datos

la determinacin de las 2n
constantes ai y bi se realiza
utilizando las condiciones:
a1 x + b1
Pi (xi 1 ) = yi 1
Las ecuaciones que

corresponden a esta
interpolacin vienen dadas
por:
Pi (xi ) = yi
85
Splines
Luego, tendremos que
Pi (xi 1 ) = ai xi 1 + bi = yi 1
Pi (xi ) = ai xi + bi = yi
n ecuaciones
n ecuaciones
As, las 2n ecuaciones necesarias para hallar los

coeficientes de los polinomios son construidas. Ntese
que una ecuacin alternativa pudo haberse construido al
garantizar la continuidad de las rectas en los puntos de
data:
Pi (xi ) = Pi +1 (xi )
86
Splines
La interpolacin lineal presenta el inconveniente de
mostrar saltos en la pendiente en cada punto de data. Una
alternativa la constituye el uso de una interpolacin
cuadrtica. En ese caso, los polinomios interpolantes
sern de la forma
2
2
an x + bn x + cn
P (x ) = a x + b x + c
i
Ahora es necesario
2
a
x
+ bi x + ci
i
obtener las
ecuaciones que
a2 x 2 + b2 x + c2
permiten obtener las
3n constantes
Pi (xi ) = ay1i x 2 + b1 x + c1
desconocidas.
87
Splines
Podemos utilizar las siguientes ecuaciones:
a) Los valores de los polinomios en los nodos adyacentes
deben ser iguales (2(n-1)=2n-2 ecuaciones)
Pi ( xi ) = yi
Pi +1 ( xi ) = yi
b) La primera y la ltima funcin deben pasar por los
puntos extremos (2 ecuaciones)
P1 ( x0 ) = y0
Pn ( xn ) = y n
c) Las primeras derivadas en los nodos interiores deben
ser iguales (n-1 ecuaciones)
Pi ( xi ) = Pi +1 ( xi )
Luego tenemos un total de (2n-2)+2+(n-1)=3n-1
ecuaciones. Falta una ecuacin. de donde la
obtenemos?
88
89
Splines
Podemos escoger que en el primer punto la segunda
derivada sea nula. Esto implica que
P1 ( x0 ) = 0
Esta ecuacin permite completar el conjunto de 3n ecuaciones
requerido para hallar las 3n constantes (ai, bi y ci).
Escribiendo cada conjunto de ecuaciones en trmino de las
constantes a determinar tenemos:
2
Pi ( xi ) = ai xi + bi xi + ci = yi
i = 1,..., n 1
Pi +1 ( xi ) = ai +1 xi + bi +1 xi + ci +1 = yi
2
P1 ( x0 ) = a1 x0 + b1 x0 + c1 = y0
2
i = 1,..., n 1
P1 ( x0 ) = 2 a1 = 0
Pn ( xn ) = a n xn + bn xn + cn = y n
Pi ( xi ) = Pi +1 ( xi ) = 2 ai xi + bi = 2 ai +1 xi + bi +1
2
i = 1,..., n 1
Splines
Aplicacin: Ajuste segmentarias cuadrticas a los valores
de la tabla
x
2.0
2.5
4.0
4.5
6.0
y
1.623
1.855
2.041
2.333
2.561
Dado que tenemos 5 puntos de datos tenemos 4

polinomios de segundo grado que calcular y, en
consecuencia, 4x3=12 incgnitas.
Escribamos el conjunto de ecuaciones.
90
Splines
Ecuaciones 1: P ( x ) = a x 2 + b x + c = y
i
i
i i
i i
i
i
91
i = 1,..., n
P1 (2.5 ) = a1 (2.5 ) + b1 (2.5 ) + c1 = 1.855

2
2
(
)
(
)
P2 4 = a2 4 + b2 (4 ) + c2 = 2.041
2
P3 (4.5 ) = a3 (4.5 ) + b3 (4.5 ) + c3 = 2.333
Ecuaciones 2:
2
(
)
Pi +1 xi = ai +1 xi + bi +1 xi + ci +1 = yi ; i = 1,..., n 1
P2 (2.5 ) = a2 (2.5 ) + b2 (2.5 ) + c2 = 1.855

2
P3 (4.0 ) = a3 (4 ) + b3 (4 ) + c3 = 2.041
2
P4 (4.5 ) = a4 (4.5 ) + b4 (4.5 ) + c4 = 2.333

2
Ecuacin 3: P1 ( x0 ) = a1 x0 2 + b1 x0 + c1 = y0
Splines
92
P1 (2.0 ) = a1 (2 ) + b1 (2 ) + c1 = 1.623
2
Ecuacin 4:
Pn ( xn ) = a n xn + bn xn + cn = y n
2
2
(
)
(
)
P4 6.0 = a 4 6.0 + b4 (6.0 ) + c4 = 2.561
Ecuaciones 5: Pi (xi ) = Pi+1 (xi ) = 2ai xi + bi = 2ai+1xi + bi+1; i = 1,..,n 1
P1 (2.5) = P2 (2.5) = 2a1(2.5) + b1 = 2a2 (2.5) + b2
P2 (4) = P3 (4) = 2a2 (4) + b2 = 2a3 (4) + b3
P3 (4.5) = P4 (4.5) = 2a3 (4.5) + b3 = 2a4 (4.5) + b4

Ecuacin 6:
P
P1 ( x0 ) = 2 a1 = 0
1 (2 .0 ) = 2 a1 = 0
Splines
Luego, el conjunto de ecuaciones a resolver es:
5a1 + b1 5a2 b2 = 0
6.25 a1 + 2.5b1 + c1 = 1.855
8a2 + b2 8a3 b3 = 0
16 a2 + 4b2 + c2 = 2.041
9a3 + b3 9a4 b4 = 0
20 .25 a3 + 4.5b3 + c3 = 2.333
6.25 a 2 + 2.5b2 + c2 = 1.855
2 a1 = 0
16 a3 + 4b3 + c3 = 2.041
20 .25 a4 + 4.5b4 + c4 = 2.333
4 a1 + 2b1 + c1 = 1.623
36 a 4 + 6b4 + c4 = 2.561
Este conjunto de 12 ecuaciones con 12 incgnitas puede

ser resuelto analtica o numricamente.
93
Splines
En forma matricial tendremos
6.25
0
0
0
0
4
0
5
0
2
2.5
0
1
0
0
16
0
4
0
1
0
0
0
0
0
0
0
0
0
0
20.25
4.5
6.25
2.5
0
0
0
0
0
0
0
0
0
0
16
0
4
0
1
0
0
20.25
0
4.5
36
1
0
0
0
5
8
1
1
0
0
0
8
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
a1 1.855
b 2.041
1
c1 2.333

a
1
.
855
2
b2 2.041

c
2
.
333
2
a = 1.623
3
b3 2.561
c 0
3
a4 0

b
0
4

c4 0
Splines
Resolviendo con MATLAB tenemos:
n=12;
A(1:n,1:n)=0;
A(1,1)=6.25; A(1,2)=2.5; A(1,3)=1;
A(2,4)=16; A(2,5)=4; A(2,6)=1;
A(3,7)=20.25; A(3,8)=4.5; A(3,9)=1;
A(4,4)=6.25; A(4,5)=2.5; A(4,6)=1;
A(5,7)=16; A(5,8)=4; A(5,9)=1;
A(6,10)=20.25; A(6,11)=4.5; A(6,12)=1;
A(7,1)=4; A(7,2)=2; A(7,3)=1;
A(8,10)=36; A(8,11)=6; A(8,12)=1;
A(9,1)=5; A(9,2)=1; A(9,4)=-5;A(9,5)=-1;
A(10,4)=8; A(10,5)=1; A(10,7)=-8;A(10,8)=-1;
A(11,7)=9; A(11,8)=1; A(11,10)=-9;A(11,11)=-1;
A(12,1)=2;
b(1:n)=0;
b(1)=1.855; b(2)=2.041;b(3)=2.333;
b(4)=1.855; b(5)=2.041;b(6)=2.333;
b(7)=1.623; b(8)=2.561;
x=A\b'
x=
-0.0000
0.4640
0.6950
-0.2267
1.5973
-0.7217
1.6000
-13.0160
28.5050
-0.8213
8.7760
-20.5270
Splines
Finalmente los polinomios cuadrticos buscados son:
P1 ( x ) = 0.4640x + 0.6950; P2 ( x ) = 0.2267x 2 + 1.5973x 0.7217
P3 ( x ) = 1.6000x 2 13.0160x + 28.5050
P4 ( x ) = 0.8213x 2 + 8.7760 20.5270
Segmentaria Cuadrtica
3
2.8
2.6
2.4
2.2
1.8
1.6
2.5
3.5
4
X
4.5
5.5
Splines
Al analizar la condicin artificial sobre la segunda
derivada vemos que ella implica que el primer polinomio
es de la forma
P1 ( x ) = b1 x + c1
y, en consecuencia corresponde a una aproximacin
lineal.
Adems se producen an se producen cambios bruscos en
la curvatura.
Por estas limitaciones, se emplean preferentemente
interpolantes segmentarias cbicas.
97
98
Splines
Una aproximacin continua y derivable dos veces puede
ser desarrollada. Esta es conocida como splines cubicos.
El polinomio de interpolacin es una funcin a trozos :
S1 ( x ) x1 x x2
S 2 ( x ) x2 x x3
.
S ( x ) = S j ( x ) x j x x j +1
.
S n 2 ( x ) xn 2 x xn 1
S n 1 ( x ) xn 1 x xn
y
S j (x )
S 2 (x )
S n 1 ( x )
S1 ( x )
x1
xn
Splines
Los splines cbicos se expresan como:
S j ( x) = a j ( x x j ) + bj ( x x j ) + c j ( x x j ) + d j
3
x j x x j +1
Para satisfacer los requisitos de continuidad de la funcin

interpolante y sus derivadas tendremos
S j 1 ( x j ) = S j ( x j )
S j 1 ( x j ) = S j ( x j )
S j 1 ( x j ) = S j ( x j )
j=2,3,...,n-1
j=2,3,...,n-1
j=2,3,...,n-1
Imponiendo estas condiciones tenemos
a j 1 ( x j x j 1 ) + b j 1 ( x j x j 1 ) + c j 1 ( x j x j 1 ) + d j 1 =d j
3
3a j 1 ( x j x j 1 ) + 2b j 1 ( x j x j 1 ) + c j 1 =c j
2
6a j 1 ( x j x j 1 ) + 2b j 1 =2b j
99
Splines
Para simplificar las operaciones supongamos que los
nodos estn igualmente espaciados. Entonces
h = ( x j x j 1 )
Luego el sistema de ecuaciones se reduce a

a j 1h3 + b j 1h 2 + c j 1h + d j 1 =d j
3a j 1h 2 + 2b j 1h + c j 1 =c j
6a j 1h + 2b j 1 =2b j
Recordemos que los dj son conocidos (Sj(xj)=dj=yj).

Entonces podemos escribir
1 ( b j b j 1 )
a j 1 =
3
h
100
Splines
101
Al sustituir aj-1 en el sistema obtenemos

1 ( b j b j 1 )
h 2 + 2b j 1h + c j 1 =c j
3
3
(b
(b
j
j
b j 1 ) h + 2b j 1h + c j 1 =c j
+ b j 1 ) h + c j 1 =c j
a j 1h3 + b j 1h 2 + c j 1h + d j 1 =d j
1 ( b j b j 1 ) 3
h + b j 1h 2 + c j 1h + d j 1 =d j
3
h
1
b j + 2b j 1 ) h 2 + c j 1h + d j 1 =d j
(
3
Resolviendo para cj-1 obtenemos

c j 1 =
d j d j 1
h
1
b j + 2b j 1 ) h
(
3
y, al incrementar en 1 a j tenemos
cj =
d j +1 d j
h
1
( b j +1 + 2b j ) h
3
Splines
Al sustituir cj-1 y cj en
(b
+ b j 1 ) h + c j 1 =c j
obtenemos
(b
+ b j 1 ) h +
d j d j 1
h
d j +1 d j 1
1
( b j + 2b j 1 ) h =
( b j +1 + 2b j ) h
3
h
3
Reagrupando trminos
b j 1 + 4b j + b j +1
(
d
=3
j 1
2d j + d j +1 )
h
j = 2,3,..., n 2
102
Splines
Si se expresa la ecuacin anterior para varios j tenemos
b1 + 4b2 + b3
(
d1 2d 2 + d 3 )
=3
h2
(
d 2 2d 3 + d 4 )
b2 + 4b3 + b4 = 3
h2
.
.
.
bn 4 + 4bn 3 + bn 2
(
d n 4 2d n 3 + d n 2 )
=3
h2
(
d n 3 2d n 2 + d n 1 )
bn 3 + 4bn 2 + bn 1 = 3
h2
que constituye un sistema de n-3 ecuaciones con n-1

incgnitas (los bj)
103
Splines
104
Para cerrar el sistema, se necesitan dos ecuaciones mas.

Estas se obtienen de las condiciones de borde. Un tipo de
splines usado comnmente se denomina spline natural y
se define a partir de:
S ( x1 ) = S ( xn ) = 0
Luego, puesto que
S j ( x ) = 6a j ( x x j ) + 2b j
obtenemos
S1 ( x1 ) = 6a1 ( x1 x1 ) + 2b1 = 0
Sn 1 ( xn ) = 6an 1 ( xn xn 1 ) + 2bn 1 = 0
b1 = 0
bn 1 = 3an 1 ( xn xn 1 )
Splines
Pero como
1 ( b j b j 1 )
a j 1 =
3
h
Si suponemos que existe otro polinomio Sn(x) que parte

del punto (xn,yn) podramos escribir, para j=n
1 ( bn bn 1 )
an 1 =
3
h
y, en consecuencia
1 (bn bn 1 )
bn 1 = 3an 1 ( xn xn 1 ) = 3
h = (bn bn 1 )
h
3
de donde obtenemos
bn = 0
105
Splines
106
Luego, el sistema a resolver para hallar los bj es:

b1 = 0
b1 + 4b2 + b3
(
d1 2d 2 + d 3 )
=3
h2
(
d 2 2d 3 + d 4 )
b2 + 4b3 + b4 = 3
h2
.
.
(
d n 4 2d n 3 + d n 2 )
bn 4 + 4bn 3 + bn 2 = 3
h2
(d 2d n2 + d n1 )
bn 3 + 4bn 2 + bn 1 = 3 n 3
h2
(
d n 3 2d n 2 + d n 1 )
bn 2 + 4bn 1 + bn = 3
h2
bn = 0
Con este sistema lineal,

tridiagonal, de n
ecuaciones y n
incgnitas los bj pueden
ser obtenidos al escribir:
Bb = t
donde B representa la
matriz de coeficientes, b
las incgnitas y t el
trmino independiente
dados por
Splines
1 4 1
1 4 1
b1

b2
b3

=

1 4 1

1 4 1 bn 1
1 bn
107
d1 2d 2 + d 3

2
3
h

3 d 2 2d 3 + d 4

h2

3 d n 2 2d n 1 + d n
2

h
Splines
Una vez determinados los bj, los n-1 coeficientes aj y bj se
determinan a partir de
1 (b j +1 b j )
aj =
;
3
h
d j +1 d j 1
cj =
(b j +1 + 2b j )h;
h
3
j = 1,..., n 1
j = 1,..., n 1
Finalmente, cada polinomio Sj(x) se escribir como:

3
x j x x j +1
108
Splines
Aplicacin. Interpole usando splines cbicos naturales la
data siguiente:
x
y
1
3
5
7
9
11
13
1.7
2.8
3.6
4.5
3.4
3.1
3.1
Debemos calcular los 6 polinomios Sj(x) que interpolan

cada segmento de datos, cuyos coeficientes son definidos
como:
3
x j x x j +1
109
Splines
En primer lugar se determinan los coeficientes dj haciendo
dj = yj
j = 1,..., n
d j = [1.7000 2.8000 3.6000 4.5000 3.4000 3.1000 3.1000]'
Luego, se resuelve el sistema
1 4 1
1 4 1
B=
1 4 1
1 4 1
1 4 1
Bb = t
d1 2d 2 + d 3
3
h2
3 d 2 2d 3 + d 4

h2
d 2d + d
4
5
t = 3 3
h2

d 4 2d 5 + d 6
3
2
h

d 5 2d 6 + d 7
2
3
h
110
Splines
b1
b
2
b3

b4 =
b5

b6
b
7
1
0
4
1
1 0
4 1
0
0
0
0
0
0
1
0
- 0.0973
0.1642
- 0.4846
0.2742
- 0.0123
0
0
0 b1

0 0 0 b2
0 0 0 b3

1 0 0 b4 =
4 1 0 b5

1 4 1 b6
0 0 1 b7
0
111
- 0.2250
0.0750
- 1.5000
0.6000
0.2250
0
0
Con los bj, se determinan los aj y cj

utilizando:
1 (b j +1 b j )
aj =
;
3
h
d j +1 d j 1
cj =
(b j +1 + 2b j )h;
h
3
j = 1,..., n 1
j = 1,..., n 1
Splines
a1
a
2
a3
=
a4
a5

a6
c1
c
2
c3
=
c4
c5

c6
- 0.0162
0.0436
- 0.1081
0.1265
- 0.0478
0.0021
0.6149
0.4203
0.5541
- 0.0867
- 0.5074
0.0164
b1
b
2
b3

b4 =
b5

b6
b
7
- 0.0973
0.1642
- 0.4846
0.2742
- 0.0123
0
Finalmente, los polinomios buscados son:
S1 ( x ) = 0.0162( x 1) + 0.0000( x 1) + 0.6149( x 1) + 1.7000

3
S 2 ( x ) = +0.0436( x 3) 0.0973( x 3) + 0.4203( x 3) + 2.8000

3
S3 ( x ) = 0.1081( x 5) + 0.1642( x 5) + 0.5541( x 5) + 3.6000

3
S 4 ( x ) = +0.1265( x 7 ) 0.4846( x 7 ) 0.0867( x 7 ) + 4.5000

3
S5 ( x ) = 0.0478( x 9) + 0.2742( x 9 ) 0.5074( x 9) + 3.4000

3
S 6 ( x ) = +0.0021( x 11) 0.0123( x 11) + 0.0164( x 11) + 3.1000

3
112
Splines
Grficamente tenemos:
Splines cubicos
5
4.5
S(x)
3.5
2.5
1.5
0
8
x
10
12
14
113
Splines: ejemplo clculo en MATLAB

clear all
x(1)=1; y(1)=1.7;
x(2)=3; y(2)=2.8;
x(3)=5; y(3)=3.6;
x(4)=7; y(4)=4.5;
x(5)=9; y(5)=3.4;
x(6)=11; y(6)=3.1;
x(7)=13; y(7)=3.1;
h=x(2)-x(1);
dj=y;
n=length(x);
A(1:n,1:n)=0;
A(1,1)=1;
ti(1)=0;
for j=2:n-1
A(j,j)=4;
A(j,j-1)=1;
A(j,j+1)=1;
ti(j)=3*(dj(j-1)-2*dj(j)+dj(j+1))/(h^2);
end
A(n,n)=1;
ti(n)=0;
b=A\ti'
114
% calculo de los coeficientes a'j y c'j

for j=1:n-1
aj(j)=(b(j+1)-b(j))/(3*h);
end
for j=1:n-1
cj(j)=(dj(j+1)-dj(j))/h-(b(j+1)+2*b(j))*h/3;
end
x1=linspace(x(1),x(2));
y1=aj(1)*(x1-x(1)).^3 + b(1)*(x1-x(1)).^2+cj(1)*(x1-x(1))+dj(1);
y2=aj(2)*(x2-x(2)).^3 + b(2)*(x2-x(2)).^2+cj(2)*(x2-x(2))+dj(2);
y3=aj(3)*(x3-x(3)).^3 + b(3)*(x3-x(3)).^2+cj(3)*(x3-x(3))+dj(3);
y4=aj(4)*(x4-x(4)).^3 + b(4)*(x4-x(4)).^2+cj(4)*(x4-x(4))+dj(4);
y5=aj(5)*(x5-x(5)).^3 + b(5)*(x5-x(5)).^2+cj(5)*(x5-x(5))+dj(5);
y6=aj(6)*(x6-x(6)).^3 + b(6)*(x6-x(6)).^2+cj(6)*(x6-x(6))+dj(6);
plot(x,y,'o',x1,y1,x2,y2,x3,y3,x4,y4,x5,y5,x6,y6)
title('Splines cubicos')
xlabel('x'); ylabel('S(x)');
Splines
Otra opcin denominada spline cbico con tensin
corresponde a dar los valores de las derivadas segundas en
los extremos.
S ( x1 ) = M 1
S ( xn ) = M n
Otros tipos de splines cbicos pueden ser obtenidos
variando las condiciones en los extremos.
115
Splines
Aplicacin con MATLAB
Consideremos la siguiente data:
x
y
1
1.7
2.3 2.8
3.1 3.6
4
4.5
5.2 3.4
5.9 3.1
6.7 3.1
116
Splines
Para calcular con splines cbicos y con un polinomio de
grado 6 utilizando MATLAB hacemos
>> x=[1 2.3 3.1 4 5.2 5.9 6.7]';
>> y=[1.7 2.8 3.6 4.5 3.4 3.1 3.1]';
>> xi=1:.1:6.7;
>> si=spline(x,y,xi);
>> c6=polyfit(x,y,6);
>> yi=polyval(c6,xi);
>> plot(x,y,'ko',xi,yi,'k.',xi,si,'k'),title('S(x) y P6(x)')
Los resultados se muestran en la lmina siguiente. Ntese

los cambios en los extremos.
117
Splines
118
119
Captulo I
Introduccin
Referencias
Aproximacin por mnimos cuadrados
Consideremos un criterio distinto para ajustar una funcin

a una secuencia de datos. En lugar de buscar una funcin
que pase por cada uno de los puntos de la secuencia,
buscaremos una funcin que los aproxime. Por ejemplo, la
secuencia
x
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
y
1.000
1.649
2.718
4.482
7.389
12.182
20.086
33.115
54.598
90.017
148.413
244.692
403.429
podra requerir un polinomio de grado 13, el cual podra

oscilar bastante.
120
Supongamos que deseamos trazar una funcin que

aproxime la data dada, sin interpolar la misma.
Podramos comenzar construyendo una funcin F(x)
F ( x) = c1 g1 ( x ) + c2 g 2 ( x ) + ... + cn g n ( x )
Dado que no obligamos a F(x) a interpolar la data, en

general podemos tener que
F ( xi ) yi
La cercana relativa entre los valores que proporciona F

y la data la obtenemos de
di = F ( xi ) yi
121
En consecuencia, el problema de determinar F podra

reducirse a determinar el mnimo de algn criterio como
mn max ( di
))
mn max di
i =1
n 2
mn max di
i =1
Luego, definidas las funciones gj(x), podran estimarse los

valores adecuados de las constantes.
122
123
Gauss propuso que los parmetros aj sean determinados

minimizando
n
2
d
i
i =1
Luego, podemos construir la ecuacin

n
E ( c1 , c2 ,..., ck ) = ( F ( xi ) yi )
i =1
Entonces, podemos minimizar E. Consideremos el caso

k=2. Tenemos
n
E ( c1 , c2 ) = ( F ( xi ) yi ) = ( c1 g1 ( xi ) + c2 g 2 ( xi ) yi )
i =1
i =1
Los valores de c que minimizan E son obtenidos haciendo

E ( c1 , c2 )
=0
c1
E ( c1 , c2 )
=0
c2
En consecuencia,
n
E ( c1 , c2 ) = 2 ( c1 g1 ( xi ) + c2 g 2 ( xi ) yi ) g1 ( xi ) = 0
c1
i =1
n
E ( c1 , c2 ) = 2 ( c1 g1 ( xi ) + c2 g 2 ( xi ) yi ) g 2 ( xi ) = 0
c2
i =1
124
Luego,
n
i =1
i =1
i =1
i =1
i =1
i =1
c1 g1 ( xi ) g1 ( xi ) + c2 g 2 ( xi ) g1 ( xi ) = yi g1 ( xi )
c1 g1 ( xi ) g 2 ( xi ) + c2 g 2 ( xi ) g 2 ( xi ) = yi g 2 ( xi )
La solucin de este sistema lineal permitir hallar los

valores de c1 y c2 que minimizan E para un conjunto de
funciones g(x) dadas. Estas ecuaciones se denominan
ecuaciones normales.
125
126
En el caso k=3 obtendremos

n
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
c1 g1 ( xi ) g1 ( xi ) + c2 g 2 ( xi ) g1 ( xi ) + c3 g3 ( xi ) g1 ( xi ) = yi g1 ( xi )
c1 g1 ( xi ) g 2 ( xi ) + c2 g 2 ( xi ) g 2 ( xi ) + c3 g3 ( xi ) g 2 ( xi ) = yi g 2 ( xi )
c1 g1 ( xi ) g3 ( xi ) + c2 g 2 ( xi ) g3 ( xi ) + c3 g3 ( xi ) g3 ( xi ) = yi g3 ( xi )
La solucin de este sistema lineal permitir hallar c1, c2 y

c3 que minimizan E para un conjunto de funciones g(x)
dadas.
Supongamos que queremos hallar la mejor recta que pasa

por una secuencia dada. En ese caso tendremos que
F ( x) = c1 g1 ( x ) + c2 g 2 ( x ) = c1 x + c21
g1 ( x ) = x
g2 ( x ) = 1
Luego, las ecuaciones normales son:

n
i =1
i =1
i =1
c1 xi 2 + c2 xi = yi xi
n
i =1
i =1
i =1
c1 xi + c2 1 = yi
127
Despejando obtenemos
n n
n yi xi yi xi
i =1 i =1
c1 = i =1
n 2 n 2
n xi xi
i =1
i
=
1
n n 2 n
n
yi xi yi xi xi
c2 = i =1 i =1 i =1 2 i =1
n 2 n
n xi xi
i =1
i
=
1
128
Aplicacin. Calcule la mejor recta que aproxima la data

siguiente:
x
y
1
2
3
4
5
6
7
8
9
10
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
Para evaluar los coeficientes c1 y c2 necesitamos

n
i =1
i =1
i =1
i =1
2
x
,
x
i i , yi xi , yi
En Excel obtenemos
129

x
1
2
3
4
5
6
7
8
9
10
y
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
x^2
1
4
9
16
25
36
49
64
81
100
x*y
1.3
7
12.6
20
35
52.8
70.7
100
117
156
55
81
385
572.4
x
i =1
y
i =1
x
i =1
yx
i =1
i i
Con estas suma calculamos los coeficientes
130
Sustituyendo obtenemos
10*572.4 81*55
= 1.5382
c1 =
2
(10*385 55 )
385*81 55*572.4
c2 =
= 0.3600
2
(10*385 55 )
Luego, la recta que mejor aproxima la data dada es:

F ( x) = 1.538 x 0.360
Grficamente tenemos
131

Mnimos cuadrados
18
16
14
y = 1.5382x - 0.36
12
10
8
y
Lineal (y)
6
4
2
0
0
10
12
132
Aplicacin. Calcule la mejor recta que aproxima la data

siguiente, utilizando MATLAB
x
1
2
3
4
5
6
7
8
9
10
y
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
Utilizando el comando polyfit es

muy fcil calcular los coeficientes.
La secuencia de comandos se
presenta a continuacin.
>> xd=linspace(1,10,10);
>> yd=[1.3 3.5 4.2 5 7 8.8 10.1 12.5 13 15.6];
>> mccoef=polyfit(xd,yd,1)
mccoef =
1.5382 -0.3600
133
Aplicacin. Calcule la mejor parbola que aproxima la

data siguiente.
x
1
2
3
4
5
6
7
8
9
10
y
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
En este caso deberamos utilizar las ecuaciones normales

obtenidas para k=3. Esto nos llevar a un sistema de
ecuaciones con tres incgnitas.
Un pequeo programa en MATLAB permitir calcular
los coeficientes de la aproximacin de 2do orden.
134

x=(1:10);
y(1)=1.3; y(2)=3.5; y(3)=4.2; y(4)=5; y(5)=7;
y(6)=8.8; y(7)=10.1;y(8)=12.5;y(9)=13;y(10)=15.6;
n=length(x);
g1(1:10)=x.^2; g2(1:10)=x; g3(1:10)=1;
A(1:3,1:3)=0; b(1:3)=0;
for i=1:n
A(1,1)=A(1,1)+g1(i)*g1(i);
A(1,2)=A(1,2)+g2(i)*g1(i);
A(1,3)=A(1,3)+g3(i)*g1(i);
A(2,1)=A(2,1)+g1(i)*g2(i);
A(2,2)=A(2,2)+g2(i)*g2(i);
A(2,3)=A(2,3)+g3(i)*g2(i);
A(3,1)=A(3,1)+g1(i)*g3(i);
A(3,2)=A(3,2)+g2(i)*g3(i);
A(3,3)=A(3,3)+g3(i)*g3(i);
b(1)=b(1)+y(i)*g1(i);
b(2)=b(2)+y(i)*g2(i);
b(3)=b(3)+y(i)*g3(i);
end
c=A\b'
135
Al ejecutar el
programa obtenemos:
c=
0.0348
1.1548
0.4067
y el polinomio buscado es
entonces:
F ( x ) = 0.0348 x 2
+ 1.1548 x
+ 0.4067
Podemos obtener estos resultados utilizando las rutinas

internas de MATLAB. Si cambiamos el ltimo parmetro
en polyfit obtenemos:
x
1
2
3
4
5
6
7
8
9
10
y
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
>> xd=linspace(1,10,10);
>> yd=[1.3 3.5 4.2 5 7 8.8 10.1 12.5 13 15.6];
>> mccoef2=polyfit(xd,yd,2)
mccoef2 =
0.0348 1.1548 0.4067
Luego, el polinomio buscado es

F ( x ) = 0.0348 x 2 + 1.1548 x + 0.4067
Grficamente tenemos
136
137
A los fines de comparar ambas aproximaciones

calculemos
n
E ( c1 , c2 ,..., ck ) = ( F ( xi ) yi )
i =1
Luego, obtenemos
n
E1 ( c1 , c2 ) = ( F ( xi ) yi ) = 2.34
2
i =1
E2 ( c1 , c2 , c3 ) = ( F ( xi ) yi ) = 1.70
2
i =1
En consecuencia la aproximacin de segundo orden es un

poco ms precisa que la de primer orden.
138
Extender los mtodos estudiados hasta ahora al caso de

data que sigue un comportamiento descrito por funciones
no lineales es posible en muchos casos. Por ejemplo, si se
sospecha que la data puede ser representada por curvas
del tipo
y = ax b
y = aebx
Se puede proceder con el mtodo de mnimos cuadrados

lineal expresando la data para calcular los coeficientes de
las aproximaciones
ln y = ln a + b ln x
Y = A + BX
ln y = ln a + bx
Y
= A + BX
y luego de hallar A y B, determinar a y b.
139
140
Aplicacin: Para el conjunto de datos mostrado (que se

encuentran en el archivo prueba.xls) determine la
aproximacin exponencial.} 0.59620412 16.9665974
0.1
0.12269682
0.14616674
0.18709371
0.16618855
0.13075655
0.09693139
0.06685783
0.08292694
0.0967271
0.10456521
0.14445796
0.1939087
0.20859067
0.20158097
0.22356728
0.2395786
0.24390393
0.28447824
0.31476325
0.36972445
3.19736096
3.49587734
3.16976636
4.65912638
3.79734517
3.57073761
2.93334161
2.75215216
3.22757431
3.53687066
3.80140508
3.27991424
4.57960145
5.18655365
4.23567143
4.31652188
5.47610406
4.60746197
6.22107464
5.4158801
7.51167727
0.36972445
0.41887675
0.43064837
0.44710994
0.41668152
0.41312839
0.40033748
0.45228925
0.47753791
0.46723689
0.47892519
0.48847596
0.54012195
0.55232073
0.54523441
0.51967755
0.5081871
0.49600896
0.54246163
0.59620412
7.51167727
10.3879714
10.1862373
10.6908701
8.53419499
7.75256454
8.68018247
8.02989565
9.94828039
10.1311366
11.4082456
10.4235903
13.2933054
11.0937513
11.696366
11.803761
10.5739851
9.29985641
14.3023512
16.9665974
0.58917603
0.62498594
0.58732978
0.55452122
0.58921237
0.60556343
0.570372
0.59801541
0.62207155
0.6697271
0.65272846
0.67600784
0.703667
0.6747575
0.65807528
0.69812874
0.68858162
0.71542056
0.74729643
0.78857488
0.75178658
12.5088388
16.6783283
16.8915185
11.8457719
13.9517201
14.506255
15.1096231
13.8832302
13.8292172
19.3226613
16.4428028
19.8166286
22.8649418
18.9034062
18.9591548
18.9692799
17.8259167
20.3546284
23.5713636
26.4494535
22.644153
0.75178658
0.77905554
0.76499114
0.76393264
0.79531651
0.77335357
0.73978894
0.7630122
0.7708741
22.644153
25.3476443
23.500222
21.2188243
29.9174065
26.7293901
22.9599565
22.1528041
26.5441722
Grficamente la data luce como:

30
25
20
15
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
La distribucin de los datos sugiere el uso de una funcin

exponencial para su representacin
141
Utilizando MATLAB tenemos:

clear all
% lectura de datos
num = xlsread('prueba.xls');
x=num(:,1);
y=num(:,2);
% aproximacin lineal minimos cuadrados
m1=polyfit(x,y,1)
x1=min(x):(max(x)-min(x))/100:max(x);
y1=m1(1)*x1+m1(2);
% aproximacin lineal minimos cuadrados con funcin exponencial
y_log=log(y);
m2=polyfit(x,y_log,1);
a=exp(m2(2)); b=m2(1);
y2=a*exp(b*x1);
% Graficacin de la data y las funciones
plot(x,y,'o',x1,y1,x1,y2)
title('Aproximacin con Min. Cuad. funciones no lineales')
xlabel('x'), ylabel('y')
142
Obtenemos para la aproximacin lineal

y = ax + b = 31.1275 x-2.2339
y para la aproximacin exponencial

ln y = ln a + bx
Y
= A + BX = 0.8762 + 3.0369 x
A = ln a a = e A = 2.4017
y = aebx = 2.4017e3.0369 x
La lmina siguiente presenta estas funciones en forma
grfica.
143
Grficamente tenemos:
Aproximacin con Min. Cuad. funciones no lineales
30
data
lineal
exponencial
25
20
15
10
-5
0.1
0.2
0.3
0.4
x
0.5
0.6
0.7
0.8
Ntese como la curva correspondiente a la funcin

exponencial (roja) aproxima mejor la data que la recta
(verde).
144
Para confirmar esto, si se calcula para ambas funciones las

diferencias
n
E (c1, c 2) = (F ( xi ) yi )
obtenemos
i =1
E (a, b )lineal = (ax + b yi ) = 384.96

2
i =1
E (a, b )exp onencial = aebx yi

i =1
= 97.24
lo que confirma nuestra apreciacin grfica anterior.

La necesidad de normalizar los criterios de ajuste llevan
a la definicin de coeficientes que permiten valorar la
cercana entre la funcin propuesta y los datos a
aproximar.
145
146
Una de estas medidas es el coeficiente de determinacin

R2 o el de correlacin R, los cuales se encuentran entre 0
(no hay ajuste) y 1 (ajuste perfecto) y es calculado
automticamente en muchos paquetes. Por ejemplo,
utilizando Excel en nuestro ejemplo anterior nos lleva a:
35
y = 31.127x - 2.2339
30
R = 0.8983
25
20
Serie1
Lineal (Serie1)
15
Exponencial (Serie1)
10
3.0369x
y = 2.4017e
R = 0.9822
0
0
-5
0.2
0.4
0.6
0.8
En efecto, es posible
comprobar que la
curva exponencial
(R2=0.9822)
representa mejor la
data que la regresin
lineal (R2=0.8983).
En general, otras funciones, no polinomiales, pueden ser

utilizadas. El procedimiento es bsicamente el mismo,
introduciendo las nuevas funciones y evalundolas en las
ecuaciones normales.
Excel posee una diversidad importante de posibilidades
para el trazado de las curvas de interpolacin y
aproximacin de datos.
147
148
Captulo I
Introduccin
Referencias
Referencias
1. Anlisis Numrico, Burden R., Faires J. D., 6ta

Edicin, International Thomson Editores, 1998
2. Mtodos Numricos para Ingenieros, Chapra S.,
Canale R., 4ta Edicin, McGrawHill, 2003
3. Anlisis Numrico con Aplicaciones, Gerald C.,
Wheatley P.,6ta Edicin, Pearson Educacin, 1999
4. Introductory Numerical Methods Incorporating
MATLAB, Hahn J., Bradley University,
http://bradley.bradley.edu/~delgado/202/TableofConte
nts.html
149
150
Mecnica Computacional II
CAPITULO I
INTERPOLACION Y
APROXIMACION
Armando Blanco A.
Universidad Simn Bolvar

Métodos Numéricos de Interpolación

Cargado por

Información del documento

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

Métodos Numéricos de Interpolación

Cargado por

Copyright:

Formatos disponibles

1

Polinomios de Newton de diferencias divididas

Trazadores rectilneos, parablicos y cbicos

Mtodos de mnimos cuadrados (lineal y no lineal)

Fuente: BP Statistical Review of World Energy, Junio 2009

Fuente: BP Statistical Review of World Energy, Junio 2009

Produccion de Petroleo de Venezuela

Produccion de Petroleo de Venezuela

Produccin (Miles Barriles/Dia)

La informacin puede ser representada por ejemplo grficamente

La presin a otras temperaturas distintas de las de la tabla puede

Algunas veces es posible hallar curvas mejores que las rectas,

Estudiar los conceptos bsicos de interpolacin y aproximacin

Polinomios de Newton de diferencias divididas

Trazadores rectilneos, parablicos y cbicos

Mtodos de mnimos cuadrados (lineal y no lineal)

Polinomio interpolante de Newton

La forma mas sencilla de interpolacin consiste en construir la

Polinomio interpolante de Newton

y el polinomio interpolante lineal vendr dado por:

Polinomio interpolante de Newton

y = P1 ( x ) = 1.73205 + 0.219276(4 3) = 1.951326

Polinomio interpolante de Newton

El polinomio que pasa por esos tres puntos es de orden 2 (a

Polinomio interpolante de Newton

Los coeficientes b0, b1 y b2 se obtienen de evaluar P2(x) en x0, x1

Polinomio interpolante de Newton

Polinomio interpolante de Newton

Polinomio interpolante de Newton

Polinomio interpolante de Newton

Polinomio interpolante de Newton

en el intervalo [3,8]. Luego tendremos, por ejemplo, que son

La aproximacin cuadrtica vendr representada por:

Polinomio interpolante de Newton

Luego, los valores de los coeficientes del polinomio de orden 2

P2 ( x ) = 1.73205 + 0.219276( x 3) 0.010911( x 3)( x 8)

Polinomio interpolante de Newton

P2 (4 ) = 1.73205 + 0.219276(4 3) 0.010911(4 3)(4 8)

El error cometido con esta aproximacin es:

Polinomio interpolante de Newton

Ntese: (a) El paso de la aproximacin parablica por los tres

Polinomio interpolante de Newton

Polinomio interpolante de Newton

En el caso del polinomio lineal (n=1) tenamos que:

Polinomio interpolante de Newton

Definiendo las diferencias divididas como:

Polinomio interpolante de Newton

P2 ( x ) = f [x0 ] + f [x1 , x0 ]( x x0 ) + f [x2 , x1 , x0 ]( x x0 )( x x1 )

Polinomio interpolante de Newton

f [xn , xn 1 ,..., x2 , x1 ] f [xn 1 , xn 2 ,..., x1 , x0 ]

Pn ( x ) = f [x0 ] + f [x1 , x0 ]( x x0 ) + f [x2 , x1 , x0 ]( x x0 )( x x1 ) +

+ ... + f [xn , xn 1 ,..., x1 , x0 ]( x x0 )( x x1 )...( x xn 2 )( x xn 1 )

Pn (x ) = f [x0 ] + f [xk , xk 1 ,..., x0 ](x x0 )(x x1 )....(x xk 1 )

Polinomio interpolante de Newton

Polinomio interpolante de Newton

Polinomio interpolante de Newton

Ejemplo: Consideremos el siguiente conjunto de

Polinomio interpolante de Newton

Las primeras diferencias divididas se construyen

Polinomio interpolante de Newton

Las segundas diferencias divididas se construyen

Polinomio interpolante de Newton

De la misma manera, las terceras y cuartas

Polinomio interpolante de Newton