Interpolacin y ajuste de curvas

La siguiente tabla muestra la poblacin en la Repblica Argentina segn los censos oficiales,
desde el ao 1869 hasta el ao 2010. Estos datos se ven reflejados en la figura 1.

Cant.
Ao
Habitantes
1869 1.877.490
1895 4.044.911
1914 7.903.662
1947 15.893.827
1960 20.013.793
1970 23.364.431
1980 27.949.480
1991 32.615.528
2001 36.260.130
Figura 1
2010 40.117.096

Al revisar los datos anteriores, surge la pregunta si es posible utilizarlos para obtener una
estimacin razonable de la poblacin que hubo en el ao 1965, o en el ao 1900, e incluso,
estimar la poblacin actual.

Este tipo de predicciones pueden obtenerse a travs de una funcin que corresponda a los datos
disponibles. Este proceso recibe el nombre de interpolacin. Ms adelante, se mostrar cmo
estimar los valores para los aos mencionados.

As como en este ejemplo, hay muchos otras razones por las que se necesita interpolar, por
ejemplo para describir un conjunto determinado de datos: se puede usar la funcin de ajuste
obtenida como resumen de los datos reales.

El objetivo principal de la interpolacin es, entonces, poder estimar los valores funcionales entre
datos conocidos en puntos discretos. Esta posibilidad se aprovecha de diversas formas para
derivar otros mtodos numricos, por ejemplo los mtodos de integracin numrica y las
aproximaciones por diferencias finitas.

Una de las clases de funciones ms tiles y mejor conocidas que mapea el conjunto de los
nmeros reales sobre s mismo es la de los polinomios algebraicos, es decir, funciones de la
forma

Pn(x) = an xn + an-1 xn-1 + ... + a1 x + a0

donde n es un entero no negativo y los coeficientes del polinomio, a 0, a1, ..., an, son constantes
reales. Su importancia radica en que aproximan de manera uniforme a las funciones continuas.
Esto quiere decir que dada una funcin cualquiera, definida y continua en un intervalo cerrado y
acotado, existe un apolinomio que est "tan cerca" de la funcin como se desee. Este resultado lo
expresa con precisin el Teorema de proximacin de Weierstrass, cuyo enunciado y demostracin
puede verse en libros de fundamentos de anlisis real, por ejemplo [Bart, 165-172].

Otra razn importante por la que se deben considerar los polinomios en la aproximacin de
funciones, es que son fciles de calcular sus derivadas e integrales, que tambin son polinomios.
Por ello es que en general, se eligen polinomios para aproximar a las funciones continuas.

Los polinomios de Taylor son una de las bases fundamentales del anlisis numrico, pero no son
precisamente los indicados para utilizar en la interpolacin polinomial. La razn de esto, es que
los polinomios de Taylor son una muy buena aproximacin local de una funcin, ya que
concentran su exactitud en un entorno del punto en donde se realiza el desarrollo. En cambio, en
la interpolacin polinomial se requiere una aproximacin relativamente exacta de la funcin en un
intervalo completo.
4.1 INTERPOLACION LINEAL Y CUADRATICA
La interpolacin consiste en hallar un dato dentro de un intervalo en el que
conocemos los valores en los extremos.

El problema general de la interpolacin se nos presenta cuando nos dan una

funcin de la cual solo conocemos una serie de puntos de la misma:

(xo, yo), (x1, y1),........., (xn, yn)

Se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta funcin.

La interpolacin se dir lineal cuando slo se tomen dos puntos y cuadrtica

cuando se tomen tres.

INTERPOLACIN LINEAL

Cuando las variaciones de la funcin son proporcionales (o casi proporcionales) a

los de la variable independiente se puede admitir que dicha funcin es lineal y
usar para estimar los valores la interpolacin lineal

Sean dos puntos (xo, yo), (x1, y1), la interpolacin lineal consiste en hallar una
estimacin del valor y, para un valor x tal que x0<x<x1.

Obtenemos la frmula de la interpolacin lineal.

LA INTERPOLACIN CUADRTICA.
4.2 POLINOMIOS DE INTERPOLACIN CON DIFERENCIAS DIVIDIDAS DE
NEWTON

INTERPOLACIN LINEAL

La frmula ms simple es la de conectar dos puntos con una linea recta. Este mtodo, llamado Interpolacin Lineal
en la figura 1.

Fig. 1
Usando tringulos semejantes, se tiene:

(2)

Que se puede reordenar como:

(3)

La cul es la frmula de interpolacin lineal. La notacin f1(X) indica que se trata de un polinomio de interpolacin de prime
orden. Ntese que adems de representar la pendiente de la lnea que conecta los dos puntos, el trmino [ f(X1) - f(X2) ] / (X1 - X2
es una aproximacin de diferencias divididas finitas a la primera derivada. En general, entre mas pequeo sea el intervalo entre lo
puntos, ms exacta ser la aproximacin.

INTERPOLACION CUADRATICA

Si se dispone de tres puntos lo anterior se puede llevar a cabo con un polinomio de segundo orden (llamado tambien
cuadrtico o parbola). Una manera conveniente para este caso es:

(4)

Ntese que aunque la ecuacin (4) parezca diferente de la ecuacin general de un polinomio (1), las dos ecuaciones
son equivalentes.

Esto se puede demostrar si se multiplican los trminos de la ecuacin (4) y obtener:

(5)
4.3 REGRESIN POR MNIMOS CUADRADOS: LINEAL Y CUADRTICA.

La dependencia entre dos (o ms) variables puede ser tal que se base en una relacin funcional
(matemtica) exacta, como la existente entre la velocidad y la distancia recorrida por un mvil; o
puede ser estadstica. La dependencia estadstica es un tipo de relacin entre variables tal que
conocidos los valores de la (las) variable (variables) independiente(s) no puede determinarse
con exactitud el valor de la variable dependiente, aunque si se puede llegar a determinar un
cierto comportamiento (global) de la misma. (Ej. la relacin existente entre el peso y la estatura
de los individuos de una poblacin es una relacin estadstica) .

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

ntimamente relacionados):

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

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

analizado a travs de la regresin.

Una vez determinada la estructura de esta dependencia la finalidad ltima de la regresin es

llegar a poder asignar el valor que toma la variable Y en un individuo del que conocemos que
toma un determinado valor para la variable X (para las variablesX1, X2,..., Xn ).

En el caso bidimensional, dadas dos variables X e Y con una distribucin conjunta de frecuencias
( xi, yj ,nij ), llamaremos regresin de Y sobre X ( Y/X) a una funcin que explique la variable Y
para cada valor de X, y llamaremos regresin de X sobre Y (X/Y) a una funcin que nos explique
la variable X para cada valor de Y.(Hay que llamar la atencin, como se ver ms adelante, que
estas dos funciones, en general, no tienen por qu coincidir).

MTODO DE CUADRADOS MNIMOS REGRESIN LINEAL.

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

Surge de modo natural la pregunta: cul es la relacin analtica que mejor se ajusta a nuestros
datos? El mtodo de cuadrados mnimos es un procedimiento general que nos permite responder
esta pregunta. Cuando la relacin entre las variables X e Y es lineal, el mtodo de ajuste por
cuadrados mnimos se denomina tambin mtodo de regresin lineal.

Observamos o suponemos una tendencia lineal entre las variables y nos preguntamos sobre cul
es lamejor recta:

y(x) = a x + b
4.4 APLICACIONES.

En el subcampo matemtico del anlisis numrico, un spline es una curva diferenciable definida
en porciones mediante polinomios.

En los problemas de interpolacin, se utiliza a menudo la interpolacin mediante splines porque

da lugar a resultados similares requiriendo solamente el uso de polinomios de bajo grado,
evitando as las oscilaciones, indeseables en la mayora de las aplicaciones, encontradas al
interpolar mediante polinomios de grado elevado.

Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas. La
simplicidad de la representacin y la facilidad de cmputo de los splines los hacen populares
para la representacin de curvas en informtica, particularmente en el terreno de los grficos por
ordenado.

Interpolacin Segmentaria Lineal

Este es el caso ms sencillo. En l, vamos a interpolar una funcin f(x) de la que se nos dan un
nmero N de pares (x,f(x)) por los que tendr que pasar nuestra funcin polinmica P(x). Esta
serie de funciones nuestras van a ser lineales, esto es, con grado 1: de la forma P(x) = ax + b.

Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un total de (N-1)
funciones, hacindolas pasar obligatoriamente por los puntos que van a determinarlas, es decir,
la funcin P(x) ser el conjunto de segmentos que unen nodos consecutivos; es por ello que
nuestra funcin ser continua en dichos puntos, pero no derivable en general.

Ejemplo : Interpolar con splines f(x) = 1 / x , en los puntos en los que x vale 1, 2 y 4

f(1) = 1

f(2) = 0.5

f(4) = 0.25

El primer segmento P1(x) = ax + b deber unir los primeros dos puntos de coordenadas (1,1) y
(0.5,2). Surge un sistema lineal de dos ecuaciones en dos incgnitas:

(1) 1=a+b

(2) 0.5=2a+b

De (1) se obtiene: