INTERPOLACIÓN Y AJUSTES DE CURVAS

En muchos estudios de campo y trabajos experimentales se registran conjunto de pares de datos:

Estos datos pueden proceder de procesos “muy confiables” y seguros (por ejemplo, provenientes de la
discretización de una función determinada) o pueden contener grados considerables de errores o “ruido”.

En todo caso, para estudiar el fenómeno científicamente y poder establecer estimaciones confiables, se requiere
determinar relaciones funcionales que pueden ser: polinómicas, exponenciales, logarítmicas, trigonométricas,
etcétera.

INTERPOLACIÓN En el caso de contar con datos muy precisos, la relación funcional se construye mediante
técnicas llamadas de interpolación, cuya característica fundamental es que la función obtenida coincide con
los datos objeto de estudio. Esto es, P(ti) = yi donde P es la relación funcional construida.

Se interpola un conjunto de datos o una función con el objeto de estimar el valor de y para algún valor dado de
tk que no está registrado en la data original.

AJUSTE DE CURVAS. Si los datos que han de procesarse exhiben un grado de error significativo o
“ruido”, las técnicas que se aplican para determinar la relación funcional que describe el comportamiento de
los datos, se llaman ajuste de curvas o aproximación de los datos por funciones. Estas técnicas se
caracterizan por que no necesariamente la función obtenida coincide con los datos procesados, si no que los
aproxima minimizando al máximo el error asociado. Es decir, f(ti) ≈ yi, donde f es la curva que ajusta a los
datos.
 INTERPOLACIÓN POLINOMIAL

Interpolar un conjunto de datos significa determinar una relación funcional que coincida con la data original, de
tal manera que a través de esta se pueda estimar confiablemente un valor o valores de la variable dependiente,
para un valor o valores de la variable independiente dentro del rango de los datos, no registrado en los datos
originales. Generalmente las relaciones funcionales que se construyen son de tipo polinómicas. En tal caso
hablamos de interpolación polinomial.

Teorema (Aproximación de Weierstrass)

Sea f una función continua en [a, b]. Para cada ε>0 existe un polinomio P(x) con la propiedad:

, para toda x en [a, b]

INTERPOLACIÓN POLINOMIAL POR DIFERENCIAS DIVIDIDAS DE NEWTON

xi yi Orden cero Orden uno Orden dos Orden tres

f[xi] f[xi, xi+1] f[xi, xi+1, xi+2] f[xi, xi+1, xi+2,xi+3]
x0 y0 f[x0]

f[x0, x1] =
x1 y1 f[x1]

f[x1, x2] =

x2 y2 f[x2]
 f[x2, x3] =
x3 y3 f[x3]

Para n+1 puntos:

xi x0 x1 x2 … xn
yi y0 y1 y2 … yn

la diferencia dividida de mayor orden es de orden n. Está dada por:

Generalizando, se tiene que la k-ésima diferencia dividida de Newton involucra k+1 puntos y está dada por:

El polinomio interpolante por diferencias divididas de Newton se determina por:

Ejemplo

En un circuito con un voltaje impreso ε(t) y una inductancia L, medimos la corriente i en amperios para varios valores de
tiempo t en segundos, como se registra en la tabla:

t (segundos) 1.00 1.01 1.02 1.03 1.04

i (amperios) 3.10 3.12 3.14 3.18 3.24

Se desea estimar el valor de i cuando t = 1.025segundos y cuando t = 1.08segundos.

Construyamos la tabla de diferencias divididas:

k tk ik f[tk] f[tk, tk+1] f[tk, tk+1, tk+2] f[tk, tk+1, tk+2,tk+3] f[tk, tk+1, tk+2,tk+3, tk+4]
0 1.00 3.10 3.10
2.00
1 1.01 3.12 3.12 0.00
2.00 3333.33
2 1.02 3.14 3.14 100.00 -83333.25
4.00 0.00
3 1.03 3.18 3.18 100.00
6.00
4 1.04 3.24 3.24

El polinomio interpolante para los 5 pares de datos (puntos) queda:

P(x) = 3.1+2*(x-1) +3333.33*(x-1) *(x-1.01) *(x-1.02)-83333.25*(x-1) *(x-1.01) *(x-1.02) *(x-1.03)

Simplificando se tiene:

P(x) = (-333333/4) *x4 + 341666*x3 – 525191*x2 + (717439/2) *x - 275575/3

Las estimaciones pedidas se obtienen evaluando el polinomio en los valores de t indicados. Estas son:

P (1.025) = 3.1570 P (1.08) = 2.9800

Para una mejor comprensión del ejemplo analicemos la gráfica:

3.35

3.3 P(t)
(tk,ik)
3.25

3.2

3.15
Corriente i

3.1

3.05

2.95

2.9

2.85
0.98 0.99 1 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08
t

Información para la práctica en la sala de informática

Utilizando las instrucciones propias del ambiente computacional Matlab se tiene:

>> t= [1 1.01 1.02 1.03 1.04];

>> i= [3.1 3.12 3.14 3.18 3.24];

>> iklineal = interp1(t,i,1.025,'linear') se obtiene iklineal = 3.1600

>> ikspline = interp1(t,i,1.025,'spline') se obtiene ikspline = 3.1572

>> ikcubica = interp1(t,i,1.025,'cubic') se obtiene ikcubica = 3.1573

º

Para mayor información sobre el uso de la instrucción interp1, teclear en la ventana de comandos del Matlab
help interp1 o buscar otras ayudas incorporadas en el Matlab. Existen buenos manuales en español. Ver la
bibliografía relacionada en el plan de asignatura entregado en la primera semana de clases.
 AJUSTE DE DATOS O AJUSTE DE CURVAS
(Caso discreto)

Dado un conjunto de pares de datos , que traen asociado un grado de error

significativo o “ruido”, se trata de construir una o unas relaciones funcionales que describan el comportamiento
de los datos de tal manera que f(ti) ≈ yi, minimizando al máximo el error posible en la aproximación. Esto es, se
trata de determinar la curva que mejor se ajusta al conjunto de datos.

La técnica que generalmente se aplica es la llamada método de Mínimos cuadrados, que consiste en minimizar
la suma del cuadrado del error de la aproximación en cada punto. Esto es:

AJUSTE POLINOMIAL POR MÍNIMOS CUADRADOS

Polinomio de primer grado (recta: )

Dado . Se minimiza el error total: , con respecto a los

parámetros , entonces:

Y así se forma el sistema:

Recuerde que .

Se resuelve el sistema y se determina para construir la recta que ajusta al conjunto de

datos.

Ejemplo
Se realiza un experimento para determinar el porcentaje de elongación de un material conductor eléctrico como
función de la temperatura. Los datos que han resultado son:

Temperatura en 200 250 300 375 425 475 525 600

Porcentaje de elongación 11 13 13 15 17 19 20 23

Ajuste una recta a los datos usando regresión lineal y estime la elongación a una temperatura de 4000 C.

Solución:
Sean: xi = Ti y yi = (Porcentaje de elongación)

xi yi xi2 xi*yi
200 11 40000 2200
250 13 62500 3250
300 13 90000 3900
375 15 140625 5625
425 17 180626 7225
475 19 225625 9025
525 20 275625 10500
600 23 360000 13800
3150 131 1375000 55525

Las ecuaciones normales correspondientes son: 8*a0 + 3150*a1 = 131

3150*a0 + 1375000*a1 = 55525
Al resolver se tiene: a0 = 4.8457 y a1 = 0.0293.

La recta es : . Ahora podemos hacer algunas predicciones, por ejemplo, si x= 400,

entonces y=16.5580. Esto asociado al problema significa que para una temperatura de 400 0C, el porcentaje de
elongación es de 16.5580.
Para cuantificar la bondad del ajuste, se debe determinar el coeficiente de correlación r, o grado de
interconexión entre variables, que intenta determinar con que precisión describe o explica la relación entre
variables una ecuación que representa una curva determinada. El cálculo de r requiere de la suma de los
cuadrados de las desviaciones de yi, respecto a la media (St) y de la suma de los cuadrados de los errores en
cada punto respecto a la curva de ajuste (Sr).

En el caso del ejercicio, se tiene:

xi yi
St = (yi - )2 Sr = [yi - 2

200 11 28.8906 0.0866

250 13 11.3906 0.6877
300 13 11.3906 0.4041
375 15 1.8906 0.6942
425 17 0.3906 0.0889
475 19 6.8906 0.0561
525 20 13.1406 0.0521
600 23 43.8906 0.3298
3150 131 117.875 2.3996

Entonces . Luego r = 0.9897. ¿QUÉ TAN BUENO ES EL AJUSTE A TRAVÉS

DE LA RECTA OBTENIDA?

CONSULTAS
1. Determinar las ecuaciones normales para el ajuste de un polinomio de segundo grado de la forma
a un conjunto de datos , en el sentido de mínimos cuadrados.

2. Ajustar una parábola a los datos del ejemplo inmediatamente anterior. Determine el coeficiente de
correlación. ¿Cuál de los dos ajustes es mejor y porqué?

Para práctica con Matlab

3. Escribir un guión que determine la recta que ajusta a un conjunto de datos: , en el sentido de
mínimos cuadrados.

4. Revise la instrucción polyfit, para construir ajustes polinomiales y aplíquela para determinar los polinomios
de primer grado y de segundo grado que ajustan los datos del ejercicio resuelto. Compare resultados.

AJUSTE DE TIPO EXPONENCIAL (

Si el comportamiento de los datos indica que pueden ser descritos por una curva exponencial, se aplica el ajuste
de la función al conjunto de datos.

Para determinar los parámetros a y b, procedemos:

implica que entonces

Sí hacemos z = lny y A= lna se tiene: z = bx + A, que es la ecuación de una recta donde la variable dependiente
es z. Así que se hará el ajuste de una recta al conjunto de datos . Se determinarán los
A
parámetros A y b. Como A= lna, entonces a= e . Conocidos a y b, se construye la función exponencial
correspondiente.

Basados en las ecuaciones normales ya deducidas para el ajuste de una recta al conjunto de datos, ahora se tiene
que:

Ejemplo

Consideremos los datos del ejemplo inicial:

Temperatura en 200 250 300 375 425 475 525 600

Porcentaje de elongación 11 13 13 15 17 19 20 23
Ajustemos una función exponencial de la forma a estos datos.

Sean: xi = Ti y yi = (Porcentaje de elongación)

xi yi zi = lnyi xi2 xi*zi
200 11 2.3979 40000 479.5791
250 13 2.5649 62500 641.2373
300 13 2.5649 90000 769.4848
375 15 2.7081 140625 1015.5188
425 17 2.8332 180626 1204.1157
475 19 2.9444 225625 1398.6085
525 20 2.9957 275625 1572.7594
600 23 3.1355 360000 1881.2965
3150 131 22.1447 1375000 8962.6002

Las ecuaciones normales correspondientes son:

8*lna +3150*b = 22.1447

3150*lna + 1375000*b = 8962.6002

Resolviendo el sistema se tiene: lna = 2.0573 y b = 0.0018. Como lna=2.0573, entonces a = e2.0573 = 7.8248.
La función exponencial buscada es:

26

datos originales
24
modelo de ajuste: 7.8248exp(0.0018x)

22
Porcentaje de Elongación

20

18

16

14

12

10
150 200 250 300 350 400 450 500 550 600 650
Temperatura

Calculemos el coeficiente de correlación:

xi St = (yi - )2 Sr = [yi - yi 2

200 11 28.8906 0.0464

250 13 11.3906 0.5304
300 13 11.3906 0.1827
375 15 1.8906 0.1355
425 17 0.3906 0.0341
475 19 6.8906 0.3612
525 20 13.1406 0.0174
600 23 43.8906 0.0017
3150 131 117.875 1.3094
Entonces lo cual implica que r =0.9944.

Comparando el coeficiente de correlación para el ajuste por la recta y el coeficiente de correlación para la curva
exponencial, nos damos cuenta que la función ajusta mejor los datos del experimento.

26

datos originales
24
modelo de ajuste: 7.8248exp(0.0018x)

22

Porcentaje de Elongación
20

18

16

14

12

10
150 200 250 300 350 400 450 500 550 600 650
Temperatura