Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mecnica Computacional II
CAPITULO I
INTERPOLACION Y
APROXIMACION
Armando Blanco A.
Universidad Simn Bolvar
Captulo I
Introduccin
Polinomios de Lagrange
Interpolacin polinomial
Referencias
Introduccin
En general, el ingeniero debe analizar la informacin para la toma de
decisiones. Esta viene usualmente en forma grfica.
Introduccin
.o tabulada.
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
3500
750
3400
700
Consumo (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
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)
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)
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)
Captulo I
Introduccin
Polinomios de Lagrange
Interpolacin polinomial
Referencias
y1
y0
x0
x1
y y0 y1 y0
=
x x0 x1 x0
y1 y0
( x x0 )
y = y0 +
x1 x0
10
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
2.82843 1.73205
( x 3)
y = P1 ( x ) = 1.73205 +
83
y = P1 ( x ) = 1.73205 + 0.219276( x 3)
11
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
y
y1
y2
y0
x0 x 2
x1
P2 ( x ) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
13
14
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 )
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 )
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
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
f (x ) = x
x0 = 3;
y0 = f ( x0 ) = 3 = 1.73205
x1 = 8;
y1 = f ( x1 ) = 8 = 2.82843
x2 = 5;
y2 = f ( x2 ) = 5 = 2.23607
P2 ( x ) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
19
20
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:
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
2.8
2.6
2.4
2.2
1.8
1.6
3.5
4.5
5.5
x
6.5
7.5
22
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
Pn ( x ) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
+ ... + bn ( x x0 )...( x xn 2 )( x xn 2 )
y1 y0
( x x0 )
y = y0 +
x1 x0
y entonces:
b0 = y0 ;
y1 y0
b1 =
x1 x0
24
b0 = y0
y2 y1 y1 y0
x2 x1 x1 x0
b2 =
x2 x0
y1 y0
b1 =
x1 x0
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
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:
26
27
Luego, si definimos
28
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
30
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
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
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
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 ] ( 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 )
2.8
2.6
2.4
2.2
1.8
1.6
2.5
3.5
4
x
4.5
5.5
36
37
+f [ x0 , x1 , x2 , x3 , x4 , x5 ] ( x 2 )( x 2.5 )( x 4 )( x 4.5 )( x x4 )
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
38
4
Datos
Polinomio interpolante
3.5
2.5
1.5
2.5
3.5
4
x
4.5
5.5
39
40
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
41
42
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
k =0
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
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 )
s k
Pn (x ) = f ( xi )
k =0 k
n
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
Podemos escribir
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.
Y
0.7651977
0.620086
0.4554022
0.2818186
0.1103623
s k
Pn (x ) = f ( xi )
k =0 k
n
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
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
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
s
s
s
P4 ( x) = 0.7651977 + ( 0.1451117) + ( 0.0195721) +
0
1
2
s
s
( 0.0106723) + ( 0.0003548)
3
4
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) +
0.7
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
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
insignificante.
60
Captulo I
Introduccin
Polinomios de Lagrange
Interpolacin polinomial
Referencias
61
Polinomios de Lagrange
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
Polinomios de Lagrange
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
63
Polinomios de Lagrange
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
64
Polinomios de Lagrange
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
Polinomios de Lagrange
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 )
(
x x0
x x0 )( x x1 )
1+
+
=
x0 x1 ( x1 x0 )( x2 x0 )
66
Polinomios de Lagrange
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
Polinomios de Lagrange
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
Polinomios de Lagrange
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 )
Li ( x ) =
j =0
j i
x xj
xi x j
69
Polinomios de Lagrange
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
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
Polinomios de Lagrange
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
Polinomios de Lagrange
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
Polinomios de Lagrange
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
Polinomios de Lagrange
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
Polinomios de Lagrange
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
Polinomios de Lagrange
Finalmente, el polinomio interpolante es:
Luego,
76
Polinomios de Lagrange
Una propiedad importante de los polinomios de Lagrange es:
L (x) =1
i
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
Polinomios de Lagrange
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 Lagrange
Interpolacin polinomial
Referencias
Interpolacin Polinomial
Pn 1 ( x) = c1 x
n 1
+ c2 x
n2
+ ... + cn 1 x + cn
[ Pn1 ( x)] = x n1
x n2
c1
c
2
.
... x 1
.
.
cn
79
Interpolacin Polinomial
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 consecuencia
c = V 1y
80
Interpolacin Polinomial
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
Interpolacin Polinomial
Luego el polinomio buscado es
P4 ( x ) = 0.0719 x 4 + 1.0941x 3 5.9313 x 2 + 13.7834 x 9.8221
82
83
Captulo I
Introduccin
Polinomios de Lagrange
Interpolacin polinomial
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
a1 x + b1
Pi (xi 1 ) = yi 1
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
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
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
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
P3 (4.0 ) = a3 (4 ) + b3 (4 ) + c3 = 2.041
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
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
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
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
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 )
100
Splines
101
(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
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
103
Splines
104
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
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
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
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
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
x j x x j +1
109
Splines
En primer lugar se determinan los coeficientes dj haciendo
dj = yj
j = 1,..., n
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
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
112
Splines
Grficamente tenemos:
Splines cubicos
5
4.5
S(x)
3.5
2.5
1.5
0
8
x
10
12
14
113
114
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)')
117
Splines
118
119
Captulo I
Introduccin
Polinomios de Lagrange
Interpolacin polinomial
Referencias
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
120
121
mn max ( di
))
mn max di
i =1
n 2
mn max di
i =1
122
123
2
d
i
i =1
E ( c1 , c2 ,..., ck ) = ( F ( xi ) yi )
i =1
E ( c1 , c2 ) = ( F ( xi ) yi ) = ( c1 g1 ( xi ) + c2 g 2 ( xi ) yi )
i =1
i =1
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 )
125
126
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 )
g2 ( x ) = 1
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
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
i =1
i =1
i =1
i =1
2
x
,
x
i i , yi xi , yi
En Excel obtenemos
129
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
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 )
131
y = 1.5382x - 0.36
12
10
8
y
Lineal (y)
6
4
2
0
0
10
12
132
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];
>> mccoef=polyfit(xd,yd,1)
mccoef =
1.5382 -0.3600
133
y
1.3
3.5
4.2
5
7
8.8
10.1
12.5
13
15.6
134
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
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
Grficamente tenemos
136
137
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
138
y = aebx
ln y = ln a + bx
Y
= A + BX
139
140
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
25
20
15
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
141
142
= 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
144
E (c1, c 2) = (F ( xi ) yi )
obtenemos
i =1
i =1
= 97.24
145
146
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).
147
148
Captulo I
Introduccin
Polinomios de Lagrange
Interpolacin polinomial
Referencias
Referencias
149
150
Mecnica Computacional II
CAPITULO I
INTERPOLACION Y
APROXIMACION
Armando Blanco A.
Universidad Simn Bolvar