Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

Ajuste de curvas (Polinomios de regresin)

Interpolacin de Newton Interpolacin de LaGrange
Chacha John, Ordoez Kevin, Salamea Henry, Jairo Snchez, Jorge Snchez1
jchachac@est.ups.edu.ec
kordoez@est.ups.edu.ec
hsalamea@est.ups.edu.ec
jsanchezq2@est.ups.edu.ec
jsanchezq@est.ups.edu.ec

Resumen
Muchos problemas de investigacin,
estadsticos, experimentales y de
ingeniera, requieren de curvas que
describan matemticamente las relaciones
entre las variables de estos problemas.
El proceso de obtencin de las curvas que
mejor describan esos datos ser tratado en
el presente documento
Es comn que los datos se den como
valores discretos, y es posible que se
requiera estimar el valor de un punto
entre estos valores discretos, realizar
predicciones o probar hiptesis. Adems,
se puede necesitar una versin
simplificada de una funcin complicada.
Las aplicaciones para esto se conocen
como ajuste de curvas, porque en general
no se conoce la curva exacta y tan solo se
halla una curva aproximada.
En el presente documento, se tratar sobre
ajuste de curvas, interpolacin de newton,
interpolacin de LaGrange, ayudndonos
del programa Math LAB, para simplificar
el clculo de los resultados
Palabras clave: Lagrange, Interpolacin,
media, aproximacin
Astract
Many research problems, statistical,
experimental and engineering, require
curves mathematically describe
relationships between variables of these
problems.
The process of obtaining the curves that
best describe this data will be treated in
this document
It is common that data be as discrete
values, and may be required to estimate
the value of a point between these
discrete values, make predictions and test
hypotheses. In addition, you may need a
simplified version of a complicated
function. Applications for this are known
as curve fitting, because in general not
exact curve is known and only an
approximate curve is.
In this document, it will be on curve
fitting, interpolation newton, LaGrange
interpolation, helping the Math LAB
program to simplify the calculation of
results
Keywords: Lagrange, Interpolacin,
media, aproximation

1 Estudiantes de la Universidad Politcnica Salesiana

Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

la suma de los datos individuales (yi)

dividida entre el nmero de puntos (n), o:
1. INTRODUCCIN Y i desde i=1 n
y =
Bsicamente el ajuste de curvas se utiliza n
cuando se tiene una serie de datos Sy
calculados y se desea conocer valores La desviacin estndar ( ) es la
intermedios no conocidos, o tambin en medida ms y comn del espaciamiento
aquellos casos en que se desee una de una muestra alrededor de la media: si
versin simplificada de una funcin que las mediciones estn muy espaciadas
se ajuste a un nmero de valores alrededor de la media, la desviacin
concretos, y posteriormente usar la estndar ser grande; si estn agrupadas
funcin simplificada para dedicar nuevos cerca de ella, ser pequea.
valores Donde St es la suma total de los
Ajustar una curva implica ajustar una cuadrados de los residuos entre los datos
funcin g(s) a un conjunto de datos (Xi, y una sola estimacin de la medida de
Yi), i=1,2,3.n. tendencia central (la media).
g(x) puede ser un polinomio, una funcin
lineal o combinacin de funciones
conocidas
2. MARCO TERICO
S y=
St
n1

Ajuste de curvas (Polinomios de y 1 y 2

regresin)
La regresin lineal es un tcnica para S t =
determinar la mejor lnea recta que pasa
entre un conjunto de observaciones
definidas por puntos (x , y ), (x , y ), .... La varianza es el cuadrado de la
(x , y ) La ecuacin puede expresarse desviacin estndar
como:
y=a0+ a1 x+ e St
S=
n1
Donde:
y = Valor verdadero Cuantificacin del Error de una
a0 y a1 Regresin Lineal
= Ordenada al origen y Se vio que la suma de los cuadrados de
Pendiente de la lnea recta los residuos (Sr) representa el cuadrado
Respectivamente. de la distancia vertical entre los datos y
e = Error o diferencia entre el modelo y otra medida de tendencia central: la lnea
las observaciones, el cual se representa al recta
reordenar la ecuacin Como: e = y - a0 -
a1x
a0 + a1 x = Valor pronosticado de la
variable Dependiente.
Cuantificacin del Error La media
aritmtica de una muestra se define como
Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

Apliqumosle el mtodo de mnimos

cuadrados. La curva propuesta es:
y=a0+a1 x+ a2 x 2 +.. +an x n+e

Donde ai son coeficientes y e es el

Una desviacin estndar para la lnea de
regresin se puede determinar
error. Una estrategia es minimizar la suma
de los cuadrados de los residuos (Sr ),
entre la y medida y la y calculada con el
modelo lineal, est dada por:
2 2
e i = ( y I media y imodelo )

S y=
x St
n2
S r=

Donde Sy/x es llamado el error estndar

del estimado, la notacin del subndice Las derivadas parciales estn dadas por
y/x" designa que el error es para un valor
predicho de y correspondiente a un valor
particular de x
Se divide entre n-2 debido a los dos datos Esto es:
estimado (ao y a1) que se usaron para
calcular Sr
El error estndar de la estimacin
cuantifica la dispersin de los datos. Sin
embargo, Sy/x cuantifica la dispersin Y as sucesivamente hasta una n ecuacin
alrededor de la lnea de regresin.

2.1. Mtodo de Mnimos Cuadrados

para el Caso Polinomial Igualando a cero las ecuaciones
En la ingeniera, aunque algunos datos
exhiben un patrn marcado, son
pobremente representados por una lnea Omitiendo los pasos siguientes,
recta, entonces una curva ser la ms reordenando, para desarrollar el siguiente
adecuada para ajustarse a los datos; una sistema de ecuaciones normales:
alternativa es ajustar polinomios a los
datos mediante regresin polinomial.
Como ya hemos mencionado
anteriormente, los polinomios son muy
usados en los clculos numricos, por sus
propiedades. La ecuacin de un Todas las sumatorias son desde i = 1 hasta
polinomio de grado n es: m (donde m es el nmero de puntos). Los
n coeficientes de las incgnitas se pueden
y=a0+ a1 x+ a2 x 2 +.. +an x n= a i x i evaluar de manera directa a partir de los
i=0
datos observados. El sistema es lineal y
puede resolverse por los mtodos
Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

conocidos. El error estndar del estimado Se escribe el vector de trminos

se formula como: independientes tomando en cuenta
S y=
x Sr
m(n+ 1)
que la mxima potencia en x es n
El ajustar un polinomio a una serie de
datos se conoce Regresin Lineal
Esta cantidad es dividida entre m-(n+1),
ya que (n+1) coeficientes obtenidos de los 2.2. Interpolacin de Newton
datos (a , a , . . . , a ) se 0 1 m usaron para
calcular S; as hemos perdido n+1 grados Existe una gran variedad de
r de libertad. Podemos escribir el sistema formas alternativas para
de ecuaciones normales obtenido en la expresar una
forma: Interpolacin polinomial. El
S x a=S xy polinomio de interpolacin de
Newton en diferencias di- vididas
Donde: es una de las formas ms
Sx: Matriz de sumatorias de potencias de populares y tiles. Antes de
x presentar la ecuacin
General, estudiaremos las
versiones de primero y segundo
grados por su sencilla
interpretacin Visual.

La forma ms simple de
interpolacin consiste en unir dos
puntos con una lnea recta.
Dicha tcnica, llamada
interpolacin lineal, se ilustra de
a : Vector de coeficientes. Las constantes manera grfica en la figura
del polinomio Utilizando tringulos
S xy: Vector de sumatorias de potencias semejantes,
de x con y's.
No es necesario memorizar estas
ecuaciones, pues son fciles de construir
para cada grado n.
Para construir el sistema para un grado, Recordndose se tiene:
los pasos son:
Se construye el primer rengln.
Se construye la primera columna.
Se llenan los renglones tomando Que es una frmula de
en cuenta que cada uno tiene n+1 interpolacin lineal. La notacin
columnas. f1(x) designa que ste es un
Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

Polinomio de interpolacin de
primer grado. Observe que
adems de representar la
Pendiente de la lnea que une los
puntos, el trmino [ f(x1) f(x0)]/ y la versin de segundo grado es
(x1 x0) es una aproximacin
En diferencia dividida finita a la
primer derivada .En general,
cuanto menor sea el intervalo
entre los datos, mejor ser la
aproximacin. Esto se debe al
Hecho de que, conforme el La primera ecuacin de este tema ( se
intervalo disminuye, una funcin obtiene de manera directa del polinomio
continua estar mejor de Newton. Sin embargo, el razonamiento
aproximada por una lnea recta. detrs de la formulacin de LaGrange se
comprende
Directamente al darse cuenta de que cada
trmino Li(x) ser 1 en x = xi y 0 en todos
De esta forma, cada producto Li(x) f(xi)
toma el valor de
f(xi) en el punto xi. En consecuencia, la
sumatoria de todos los productos en la
ecuacin es el nico polinomio de n-
2.3. Interpolacin de LaGrange
simo grado que pasa exactamente a
El polinomio de interpolacin de travs de todos
LaGrange es simplemente una
reformulacin del polinomio de Los n + 1 puntos, que se tienen como
Newton que evita el clculo de datos.
las diferencias divididas, y se
3. DESARROLLO
representa de
3.1 Mtodo de Mnimos Cuadrados
Manera concisa como:
Se digita comandos de limpieza
seguidos de los datos de los
autores y el tema a desarrollar:

Donde:

Procedemos a pedir los valores

|
para (x, y) respectivamente.
Por ejemplo, la versin lineal (n = 1) es:
Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

Terminados el procedimiento Se digita comandos de limpieza

con el comando para graficar la seguidos de los datos de los autores,
funcin (cftool) el tema a desarrollar y el format006F:

3.2 Interpolacin de Newton

Se digita comandos de limpieza
seguidos de los datos de los
autores y el tema a desarrollar:

Se digita las operaciones que pidas

los valores de los puntos coordenados
en los ejes (x, y) respectivamente y
(n) el grado de la ecuacin a
desarrollar:
Se coloca las variables a ser
desarrolladas para el programa:

Realizamos un bucle con el variable

producto =1 y i=1: j-1 para la ecuacin
de primer grado
Se realiza los textos que se
presentaran pidiendo los valores
para asignar las variables. Realizamos un segundo bucle con
la variable producto 2=1 y i=j+1 :
n. para la ecuacin de segundo
grado.
Se realiza la funcin F1 (x)
Realizamos un tercer bucle con la
variable producto 3=1 y i=1 : j-1.
Para la ecuacin de tercer grado.
El valor verdadero quedara:

Realizamos un cuarto bucle con

el variable producto 4=1 y i=j+1:
El valor de X es para obtener el n. Para la ecuacin de cuarto
valor verdadero como Valor grado.
Actual:

3.3 Interpolacin DE LaGrange Terminamos el bucle Con pn= 0

Polinomios de regresin Interpolacin de Newton Interpolacin de LaGrange

5. RECOMENDACIONES

A la hora de utilizar una codificacin

en Matlab se debe de conocer muy
Y proseguimos a realizar el ultimo bien cada comando, ya que de eso
bucle para evaluar el pn= depender la presentacin del mismo.
pn+L(j)*yi(j) Se debe de conocer la sintaxis ya que
un valor menos o un valor mal digito
puede afectar en los resultados.
Investigar la sintaxis para mayor
Precedemos terminar el facilidad a la hora de ejecucin de la
polinomio interpolado por el programacin
mtodo de LaGrange 6. BIBLIOGRAFA
[1] AJUSTE DE CURVAS; E Romero, On
line, Disponible en:
http://www.geocities.ws/datos_universida
d/MNumericos/AjusteDeCurvas.pdf
[Accedido25/06/2016]
4. CONCLUSIONES [2] C. Chapra., Mtodos Numricos para
Estos mtodos nos ayudan si ingenieros, Editorial McGraw Hill, Sexta
queremos hallar un dato en un edicin, 2011.
intervalo en el que conocemos Matlab 2015.
algunos valores o puntos [3] Mtodos numricos. Teora,
Estos mtodos nos ayudan a problemas y prcticas con MATLAB
interpolar un conjunto de puntos INFANTE, J.A.; REY, J.M.:, Ed.
dado Pirmide (1999).
El mtodo de interpolacin de
Newton es til para situaciones que
requieran un nmero bajo de puntos
para interpolar, ya que a medida que [4]MTODOS NUMRICOS
crece el nmero de puntos, tambin APLICADOS A LA INGENIERA, O.
lo hace el grado del polinomio. Salomn
http://www.unjbg.edu.pe/coin2/pdf/c&d_
9_art_16.pdf, [Accedido 26/06/2016]
Anexos
INTERPOLACIN DE NEWTON
clc
clear
disp('INTEGRANTES:');
disp('GRUPO: 4');
disp('FECHA: 27/06/16');
disp('INTERPOLACION DE NEWTON');
syms x
syms x0
syms x1

f(x) = input('ingrese la funcion: ');%FUNCION ORIGINAL CON RESPECTO A X

x0 = input('ingrese el valor de x0: ');
x1 = input('ingrese el valor de x1: ');
f1(x)=(f(x0))+(((f(x1)-f(x0))/(x1-x0))*(x-x0));

disp ('la funcion es: f(x)= '); disp(f1);

%VALOR VERDADERO VALOR ANTERIOR

x = input('ingrese el valor de x : ');%el valor de x es para obtener el

VV como VA
v = (f1(x) - f(x))/(f1(x));
disp('');
disp('el error verdadero es: '); disp (v)

REGRESIN

clc
clear on
disp('INTEGRANTES:');
disp('GRUPO: 4');
disp('FECHA: 27/06/16');
disp('Regresion Lineal multiple');
x=input('ingres los valores de x ')
y=input('ingrese los valres de y ')
cftool(x,y)

INTERPOLACIN LAGRANGE

clc
clear
disp('INTEGRANTES:');
disp('GRUPO: 4');
disp('FECHA: 27/06/16');
disp('INTERPOLACION DE Lagrange');
format long
xi=input('Ingrese los puntos pertenecientes a las x: ');
yi=input('Ingrese los puntos pertenecientes a las y: ');
n=length(xi);
x=sym('x');
for j=1:n
producto=1;
for i=1:j-1
producto=producto*(x-xi(i));
end
producto2=1;
for i=j+1:n
producto2=producto2*(x-xi(i));
end
producto3=1;
for i=1:j-1
producto3=producto3*(xi(j)-xi(i));
end
producto4=1;
for i=j+1:n
producto4=producto4*(xi(j)-xi(i));
end
L(j)=(producto*producto2)/(producto3*producto4);
fprintf('\n L%d:\n',j-1)
disp(L(j))
end
pn=0;
for j=1:n
pn=pn+L(j)*yi(j);
end
fprintf('\n POLINOMIO INTERPOLANTE: \n')
disp(pn)
ezplot(pn)
scatter(xi,yi)
grid on
hold on