Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Interpolacion Metodos Numericos PDF
Interpolacion Metodos Numericos PDF
INTERPOLACIÓN.
Ası́, más concretamente, si se conocen los puntos (o relaciones, o datos) del plano: {(xi , yi ); i =
0, 1, . . . , n}, cabe preguntarse si hay alguna función, y = φ(x), cuya curva pase por los puntos
considerados.
También puede ocurrir que , de una función dada y = f (x), se conozcan algunos valores:
f (x0 ), f (x1 ), . . . , f (xn ), y nos preguntamos, ¿cómo dar un valor aproximado de f en un ”x”
entre los xi ?
En ambos casos, una función que satisfaga los requisitos impuestos se llama función inter-
poladora o Interpolante.
1
2 Interpolación.
Ocupémonos, ahora, del problema de existencia y unicidad del interpolante para un caso
clásico concreto (interpolación polinomial de Lagrange).
admite solución.
Llamando M a la matriz de coeficientes del sistema (4.2); se tiene que el problema de in-
terpolación admite una única solución si, y sólo si, los nodos de interpolación son distintos.
Q
Para ello basta con probar que det(M) = i>j (xi − xj ) y, por lo tanto, det(M) 6= 0 ⇔ xi 6=
xj .
Hallar p ∈ V verificando:
(4.4)
Li (p) = Li (f ) i = 1, . . . , N
Hallar p ∈ V verificando:
(4.5)
Li (p) = zi i = 1, . . . , N
Demostración:
por lo que resolver el problema (4.4) equivale a encontrar las ctes ai i = 1, . . . , N solución del
S.E.L.:
Hallar T (x) ∈ Pn / Lk (T ) = Lk (f ) k = 0, 1, . . . , n
(4.6)
es decir, T k) (x0 ) = f k) (x0 ) k = 0, 1, . . . , n
El problema (4.6) tiene solución única si la matriz de Gram asociada tiene determinante
no nulo para alguna base del espacio interpolante (V = Pn ). Si elegimos como base de
trabajo,
{ϕj } = {1, x − x0 , (x − x0 )2 , . . . , (x − x0 )n }
es fácil comprobar que la matriz de Gram es:
1 0 0 ··· 0
0 1 0 ··· 0
G=
0 0 2 ··· 0
.. .. .. ...
. . . 0
0 0 ··· 0 n!
6 Interpolación.
Y, por lo tanto, det(G) 6= 0. Luego, el problema (4.6) tiene una única solución.
Lr : F −→ R
f (xi ) r = 2i i = 0, . . . , m
f 7−→ Lr (f ) =
f 0 (xi ) r = 2i + 1 i = 0, . . . , m
Ahora, escribiendo el problema general de interpolacin (4.4) con estos datos y espacio
particular V se obtiene el problema:
Además det(G) 6= 0 ⇐⇒ xi 6= xj ∀i 6= j
Puede probarse que Y
det(G) = (xi − xj )4
i>j
con lo que se tiene la afirmación dada y el problema tendrá una únicica solución.
Apuntes de J. Lorente 7
Li (p) = Li (f ) i = 1, 2, . . . , N
admite solución única ⇐⇒ det (Li (ϕj ))i,j 6= 0 siendo {ϕ1 , ϕ2 , . . . , ϕN } una base de V .
Ahora bien, supongamos construida una base de V , {Φ1 , Φ2 , . . . , ΦN } , dual respecto de las
formas lineales dadas; es decir,
1 i=j
Li (Φj ) = δij = i = 1, 2, . . . , N.
0 i 6= j
Entonces, la única solución del Problema general de interpolación se puede expresar como:
Observaciones:
p = z1 Φ1 + z2 Φ2 + · · · + zN ΦN (4.8)
Por tanto, de lo anterior puede decirse que el método de Lagrange consiste en la resolución
inicial de N–problemas canónicos (un dato con valor 1 y el resto 0), y desde ellos poder resol-
ver cualquier otro (datos con valores arbitrarios) sin más que utilizar la Fórmula de Lagrange.
Ası́, construimos una Base de Lagrange en Pn ; es decir, sean l0 (x), l1 (x), . . . , ln (x) n + 1–
polinomios de grado n verificando:
1 i=j
li (xj ) = i = 0, 1, . . . , n (4.10)
0 i 6= j
Por tanto, desde (4.10) se deduce que cada li (x) es un polinomio de grado n que se anula
en n–nodos. Más concretamente,
n
Y
li (x) = Ai (x − xj )
j=0
j6=i
Es fácil obtener la base de Lagrange, {T0 (x), T1 (x), . . . , Tn (x)}, asociada al problema (4.13);
a saber:
(x − x0 )j
Tj (x) = j = 0, 1, . . . , n
j!
Por lo tanto, la Fórmula de Lagrange para el interpolante será:
T (x) = f (x0 )T0 (x) + f 0 (x0 )T1 (x) + · · · + f n) (x0 )Tn (x)=
(4.14)
0 f n) (x0 ) n
= f (x0 ) + f (x0 )(x − x0 ) + · · · + n!
(x − x0 )
H(xi ) = f (xi )
Hallar H(x) ∈ P2m+1 / i = 0, 1, . . . , m (4.15)
0 0
H (xi ) = f (xi )
Para el problema (4.15) la obtención de una base de Lagrange es algo más compleja; a saber:
sean Hi (x) y Ki (x) con i = 0, 1, . . . , m polinomios de grado 2m + 1 verificando:
Hi (xj ) = δij H 0 i (xj ) = 0 j = 0, 1, . . . , m
i = 0, 1, . . . , m
0
Ki (xj ) = 0 K i (xj ) = δij j = 0, 1, . . . , m
Ası́, teniendo en cuenta las caracterı́sticas, respecto a los ceros, de Hi (x) y Ki (x) se pueden
escribir de la forma:
Hi (x) = (Ai x + Bi ) · (li (x))2
i = 0, 1, . . . , m
2
Ki (x) = Ci · (x − xi ) · (li (x))
10 Interpolación.
donde l0 (x), l1 (x), . . . , lm (x) son los polinomios clásicos de Lagrange asociados a los nodos
x0 , x1 , . . . , xm .
Ahora, imponiendo las condiciones de interpolación que restan, en cada caso; se obtiene:
Hi (xi ) = 1
=⇒ Hi (x) = [1 − 2l0 i (xi )(x − xi )] · (li (x))2 i = 0, 1, . . . , m
H 0 i (xi ) = 0
y, análogamente:
H(x) = f (x0 )H0 (x) + f 0 (x0 )K0 (x) + · · · + f (xm )Hm (x) + f 0 (xm )Km (x) (4.16)
yk+1 − pk (xk+1 )
Ak+1 =
(xk+1 − x0 ) · · · (xk+1 − xk )
No obstante, el cálculo de las ctes. Ak puede simplificarse. Para ello, debido a la dependencia
respecto de los nodos correspondientes, notamos:
Ai = f [x0 , x1 , . . . , xi ]
Propiedades
Demostración:
k k
X Y x − xj
pk (x) = f (xi ) · li (x) con li (x) =
i=0 j=0
xi − xj
j6=i
pk (x) = A0 + A1 · (x − x0 ) + · · · + Ak · (x − x0 ) · (x − x1 ) · · · (x − xk−1 )
de donde, puesto que el interpolante es único, se tiene:
k
X f (xi )
f [x0 , x1 , . . . , xk ] = Ak = Q
i=0 j6=i (xi − xj )
C.Q.D.
Ası́, estamos en disposición de obtener la relación de recurrencia para las D.D. de órdenes
sucesivos. Esta se expresa en el teorema siguiente:
Con la relación de recurrencia anterior, se puede obtener una tabla de D.D. de órdenes 1,
2, ..., k, ... como sigue:
x0 f (x0 ) - - -
x1 f (x1 ) f [x0 , x1 ] - -
.. .. .. .. ..
. . . . .
Esta idea es extensible al problema de Hermite y al de Taylor. Para ello es de gran interés
la propiedad siguiente:
Demostración.
En efecto, consideramos el polinomio interpolante en los nodos x0 , x1 , . . . , xn (supuestos
distintos) para f entonces, f (x) − p(x) se anulará en n + 1–nodos, y usando el teorema de Rolle
deducimos que (f − p)n) (x) se anula, al menos, una vez; es decir:
f n) (ξ)
∃ξ / f n) (ξ) − pn) (ξ) = 0 =⇒ f [x0 , x1 , . . . , xn ] =
n!
C.Q.D.
Esta propiedad permite, sin mucha dificultad, extender la noción de D.D. al caso en que sus
argumentos puedan ser repetidos. Más concretamente:
Definición 4.1 Sean los nodos x0 ≤ x1 ≤ · · · ≤ xk en un intervalo [a, b] donde f es suficien-
temente derivable, entonces:
k)
f (x )
k! 0
si x0 = xk
f [x0 , x1 , . . . , xk ] =
f [x1 ,...,xk ]−f [x0 ,...,xk−1 ] si x 6= x
xk −x0 0 k
Ası́, la solución del problema de Hermite (4.15) adoptarı́a la forma de Newton siguiente:
x0 f (x0 ) - - -
x0 f (x0 ) f 0 (x0 ) - -
Ejemplo:
Calculemos el polinomio de gardo ≤ 5, interpolante de Hermite, verifivando:
p(0) = 1 p(1) = −1 p(3) = 2
Para ello usamos la tabla de D.D. del tipo anterior que da lugar a:
0 1
0 1 0
1 -1 -2 -2
1 -1 5 7 9
3
3 2 2 - 74 - 35
12 - 143
36
1 47 95
3 2 2 4 1 36 54
143 2 95 2
H(x) = 1 − 2x2 + 9x2 (x − 1) − 36
x (x − 1)2 + 54
x (x − 1)2 (x − 3)
Supongamos que los nodos son de la forma: a = x0 < x1 < · · · < xn = b con xi = a + ih, i =
0, . . . , n y h = b−a
n
; entonces, podemos relacionar las diferencias divididas de f (x) con las
llamadas Diferencias Finitas (D.F.) de f (x). Pero, ¿cómo se definen?.
Si usamos como punto un nodo de interpolación, entonces las D.F. progresivas serán:
∆0 yi = yi , i = 0, 1, . . . , n
∆yi = yi+1 − yi , i = 0, . . . , n − 1
k k−1
∆ yi = ∆ ∆ yi , i = 0, . . . , n − k
De forma similar pueden definirse las D.F. regresivas para f o datos; a saber,
∇0 f (x) = f (x)
∇f (x) = f (x) − f (x − h)
∇k f (x) = ∇ ∇k−1 f (x)
o bien,
∇0 yi = yi , i = 0, 1, . . . , n
∇yi = yi − yi−1 , i = 1, . . . , n
∇k yi = ∇ ∇k−1 yi , i = k, . . . , n
Por lo tanto, desde las dos propiedades anteriores, el polinomio de interpolación en la forma
de Newton admite las representaciones que especificamos a continuación.
Apuntes de J. Lorente 17
x − x0 x − xi x − (x0 + ih)
s= ⇒ = =s−i
h h h
entonces,
s(s−1)
PN (s) = ∆0 y
0 + ∆y
2
0 s + ∆ y0 2! + · · · + ∆n y0 s(s−1)···(s−n+1)
n!
=
n
P s (4.20)
= ∆k y0
k=0 k
y, desde aquı́, de forma similar pero con las diferencias regresivas llegamos a la expresión:
∇yn ∇n yn
PN (x) = ∇0 yn + (x − xn ) + · · · + (x − xn ) (x − xn−1 ) · · · (x − x1 )
h n!hn
Como antes, si hacemos el cambio:
P (t) = ∇0 yn − ∇y
2 t(t−1)
n t +∇ yn 2! + · · · + (−1)n ∇n yn t(t−1)···(t−n+1)
n!
=
n (4.21)
t
(−1)k ∇k yn
P
=
k=0 k
18 Interpolación.
EJEMPLO
Calculamos la tabla respectivas de diferencias finitas progresivas y regresivas para los datos:
{(−2, 3) , (0, −1) , (2, 3) , (4, 5)} y damos las respectivas expresiones del interpolante.
∆k y0
yi = ∆0 yi ∆yi ∆2 yi ∆3 yi
& ↓ ↓ ↓ ↓
3
-4
−1 8
4 -10
3 -2
2
5
↑ ↑ ↑ ↑
%
yi = ∇0 yi ∇yi ∇2 yi ∇3 yi
∇k yn
p(s) = 3 − 4s + 8 s(s−1)
2
− 10 s(s−1)(s−2)
6
x+2
donde s = 2
(pues h = 2, y x0 = −2)
p(s) = 5 − 2t − 2 t(t−1)
2
+ 10 t(t−1)(t−2)
6
4−x
donde t = 2
(pues h = 2, y x3 = 4)
Apuntes de J. Lorente 19
Sean PSi (x) y PSj (x) sendos polinomios interpolantes para los conjuntos de nodos respectivos
Si y Sj . Supongamos que ambos conjuntos difieren, exactamente, en un nodo; a saber, xi ∈
Si − Sj y xj ∈ Sj − Si . Entonces, el interpolante para la unión de nodos, S = Si ∪ Sj es:
r 6= i ó j
r=i
r=j
Estrategia de Neville
Ésta tiene el mismo procedimiento de cálculo que las diferencias divididas salvo por los
factores x − xr y conduce a la tabla siguiente:
Estrategia de Aitken
Por último, observe que ambas estrategias tiene los mismos valores en la diagonal de las
tablas respectivas. As, el valor de salida de ambas estrategias es:
Ejemplo.
Calcula el valor del polinomio de interpolación en x = 3 para los datos: {(−1, 0), (2, −1), (5, 2), (6, 5)}
Solución.
Ejercicio.
Compruebe, usando la fórmula de interpolación de Newton, que el valor obtenido mediante las
tablas anteriores es el correcto.
Apuntes de J. Lorente 21
En esta situación, nos preguntamos si podemos dar una estimación manejable de este valor.
Veámoslo en los casos comentados anteriormente.
Teorema 4.3 Sea f ∈ C n+1 ([a, b]) y sea pn (x) el polinomio de interpolación de f en los nodos
xi i = 0, 1, . . . , n del intervalo [a, b]. Entonces,
f n+1) (ξx )
1. En (x) = f (x) − pn (x) = (n+1)!
Π(x)
n
Q
donde Π(x) = (x − x0 ) · (x − x1 ) · · · (x − xn ) = (x − xi )
i=0
M
2. Una estimación del error es la siguiente: |En (x)| ≤ (n+1)!
|Π(x)| donde M es una cota
para f n+1) (x) en el intervalo [a, b].
22 Interpolación.
Ası́, podemos observad que el error de interpolación puede estar controlado para funciones
suaves pero el término que depende de los nodos en una forma especial puede presentar grandes
oscilaciones debido a tal propiedad intrı́nsica de los polinomios de grado elevado. Nos pregunta-
mos, pues, si interpolamos una función dada en un intervalo [a, b] mediante el aumento sucesivo
de nodos de interpolación ¿será más pequeño el error?; es decir, ¿convergerá la sucesión de
polinomios de interpolación a la función cuando n → ∞?
La respuesta, en general, es negativa, a menos que los nodos sean elegidos de forma especial.
Observe esto con el ejemplo de la Figura 4.3.
1
La función considerada es: f (x) = 1+x2
en el intervalo ]-5, 5[ y nodos de interpolación
igualmente espaciados:
20 10 10 20
{−5, 0, 5}; {−5, − , − , 0, , , 5}; {−5, −4, −3, −2, −1, 0, 1, 2, 3, 4, 5}
6 6 6 6
En estas gráficas puede apreciarse que el error de interpolación no disminuye con el grado
sino que es mayor, por lo que esta distribución de nodos conduce a una sucesión de polinomios
divergente. Nos preguntamos, pues, ¿es posible elegir unos nodos óptimos respecto del error de
interpolación?
En términos más precisos,
¿existen nodos xi en el intervalo de interpolación para los que máx {|Π(x)|} sea mı́nimo?
x∈[a,b]
La respuesta a esta cuestión está en las propiedades de los llamados polinomios de Chebyshev
cuyo análisis detallado se hace en el capı́tulo 5.
(esta igualdad proviene de la igualdad siguiente: Tn+1 (x) = cos ((n + 1)θ), con θ =
arc cos(x))
Como consecuencia de estas dos propiedades podemos asegurar que los mejores n + 1 nodos
de interpolación para una función en el intervalo [-1,1] serı́an los ceros del polinomio de Chebys-
hev Tn+1 pues, en tal caso, el polinomio Π(x) serı́a Tn+1
2n
cuyo valor máximo en el intervalo [-1,1]
es lo más pequeo posible y por tanto el error de interpolación serı́a óptimo.
Pero, ¿qué ocurre si deseamos interpolar una función suave en un intervalo [a, b] 6= [−1, 1]?
Pues, lo único que hay que hacer es un cambio de variable adecuado que transforme los nodos
del intervalo [-1,1] en nodos del intervalo [a,b].
[−1, 1] [−5, 5]
2 {−0,866025, 0., 0,866025} {−4,33013, 0., 4,33013}
3 {−0,92388, −0,382683, 0,382683, 0,92388} {−4,6194, −1,91342, 1,91342, 4,6194}
4 {−0,951057, −0,587785, 0., 0,587785, 0,951057} {−4,75528, −2,93893, 0., 2,93893, 4,75528}
1
Figura 4.4: Interpolantes con nodos óptimos para f (x) = 1+x2
en [−5, 5]