Tema 4 Metodos Numericos

Instituto Tecnológico Superior de Coatzacoalcos
Ingeniería Mecánica
Nombre del Alumno: Hernández Hernández Jesús Lenin

Apellido Paterno Apellido Materno Nombre(s)
PORTAFOLIO DE EVIDENCIAS
Nombre de la Asignatura: Asignatura Periodo:

Métodos Numéricos. Febrero – Junio 2019
No. Control: 17080675 Semestre: Cuarto Grupo: “A”
Nombre del Docente: León Valencia Luis Alberto
Apellido Paterno Apellido Materno Nombre(s)

INSTITUTO TECNOLOGICO SUPERIOR DE COATZACOALCOS
Departamento: Ingeniería Mecánica
Materia: Métodos numéricos
ITESCO Docente: Luis Alberto León Valencia
Nombre Alumno: Hernández Hernández Jesús Lenin
Unidad: 4 Grado y Grupo: 4 "A" Actividad: Investigación. Fecha:
Tema:
COATZACOALCOS VER A
4.1 Interpolación lineal y cuadrática.

La interpolación consiste en hallar un dato dentro de un intervalo en el que
conocemos los valores en los extremos.
El problema general de la interpolación se nos presenta cuando nos dan una función
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 función.

La interpolación se dirá lineal cuando sólo se tomen dos puntos y cuadrática cuando
se tomen tres.
Interpolación lineal.
Cuando las variaciones de la función son proporcionales (o casi proporcionales) a
los de la variable independiente se puede admitir que dicha función es lineal y usar
para estimar los valores la interpolación lineal…
Sean dos puntos (xo, yo), (x1, y1), la interpolación lineal consiste en hallar una
estimación del valor y, para un valor x tal que x0<x<x1.
Obtenemos la fórmula de la interpolación lineal.
Tema:
La interpolación cuadrática.
Cuando el polinomio que conviene es de 2º grado la interpolación recibe el nombre
de cuadrática. El polinomio interpolador es único, luego como se encuentre da
igual., sin embargo, a veces los cálculos son muy laboriosos y es preferible utilizar
un método que otro. A la vista de los datos se decide.
En el ejemplo 1 se da el método de resolver el sistema para encontrar los valores
que determinan a la función cuadrática (a, b y c)
También podemos utilizar la expresión del polinomio interpolador así:
y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la búsqueda de los coeficientes es muy

sencilla.
Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios

interpoladores de grado n Para el caso de un polinomio de 2º grado que pasa por
los puntos (x0, y0 ), (x1, y1), (x2, y2):
¿Qué es la fórmula de Lagrange para n=2??
Con frecuencia se tienen que estimar valores intermedios entre valores conocidos.
El método más común empleado para este propósito es la interpolación polinomial.
Recuérdese que la fórmula general de un polinomio de n-ésimo orden es:
Para n + 1 puntos, existe uno y sólo un polinomio de n-ésimo orden o menor que
pasa a través de todos los puntos. Por ejemplo, hay sólo una línea recta (es decir
un polinomio de primer orden) que conecta dos puntos. El polinomio de interpolación
consiste en determinar el único polinomio de n-ésimo orden que se ajusta a los n +
1 puntos dados. Este polinomio proporciona una fórmula para calcular los valores
intermedios.

Tema:
Aunque existe uno y sólo un polinomio de n-ésimo orden que se ajusta a los n +
1 puntos, existen una gran variedad de fórmulas matemáticas mediante las cuales
se puede expresar este polinomio. En esta unidad se estudian dos técnicas
alternativas que están bien condicionadas para implementarse en una
computadora. Estos son los polinomios de Newton y de Lagrange.
Tema:
4.2 Polinomios de interpolación de Newton y de Logrange.
Sea una variable discreta de elementos y sea otra variable

discreta de elementos los cuales corresponden, por parejas, a la imagen u
ordenada y abscisa de los datos que se quieran interpolar, respectivamente, tales
que:
Este método es muy algorítmico y resulta sumamente cómodo en determinados

casos, sobre todo cuando se quiere calcular un polinomio interpolador de grado
elevado.
El polinomio de grado resultante tendrá la forma
definiendo como
y definiendo como
Los coeficientes son las llamadas diferencias divididas.
Una vez se hayan realizado todos los cálculos, nótese que hay (muchas) más
diferencias divididas que coeficientes . El cálculo de todos los términos
intermedios debe realizarse simplemente porque son necesarios para poder formar
todos los términos finales. Sin embargo, los términos usados en la construcción del
polinomio interpolador son todos aquellos que involucren a .
Estos coeficientes se calculan mediante los datos que se conocen de la función

Tema:
queda definido, como:
Interpolación de Lagrange
Sea la función a interpolar, sean las abscisas conocidas de y

sean los valores que toma la función en esas abscisas, el polinomio
interpolador de grado de Lagrange es un polinomio de la forma:
donde son los llamados polinomios de Lagrange, que se calculan de este

modo:
Nótese que en estas condiciones, los coeficientes están bien definidos y son
siempre distintos de cero.
Tema:
4.3 regresión por mínimos cuadrados: lineal y cuadrática.
La dependencia entre dos (o más) variables puede ser tal que se base en una
relación funcional (matemática) exacta, como la existente entre la velocidad y la
distancia recorrida por un móvil; o puede ser estadística. La dependencia
estadística es un tipo de relación 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 relación existente entre el peso y la
estatura de los individuos de una población es una relación estadística).
Pues bien, el análisis de la dependencia estadística admite dos planteamientos

(aunque íntimamente relacionados):
El estudio del grado de dependencia existente entre las variables que queda
recogido en la teoría de la correlación.
La determinación de la estructura de dependencia que mejor exprese la relación, lo

que es analizado a través de la regresión.
Una vez determinada la estructura de esta dependencia la finalidad última de la

regresión 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 distribución conjunta

de frecuencias ( xi, yj ,nij ), llamaremos regresión de Y sobre X ( Y/X) a una función
que explique la variable Y para cada valor de X, y llamaremos regresión
de X sobre Y (X/Y) a una función que nos explique la variable X para cada valor de
Y.(Hay que llamar la atención, como se verá más adelante, que estas dos funciones,
en general, no tienen por qué coincidir).
Tema:
Método de cuadrados mínimos – Regresión lineal.
Hemos enfatizado sobre la importancia de las representaciones gráficas y hemos

visto la utilidad de las versiones lineal izadas de los gráficos (X, Y) junto a las
distintas maneras de llevar a cabo la linealización. A menudo nos confrontamos con
situaciones en las que existe o suponemos que existe una relación lineal entre las
variables X e Y.
Surge de modo natural la pregunta: ¿cuál es la relación analítica que mejor se ajusta
a nuestros datos? El método de cuadrados mínimos es un procedimiento general
que nos permite responder esta pregunta. Cuando la relación entre las
variables X e Y es lineal, el método de ajuste por cuadrados mínimos se denomina
también método de regresión lineal.
Observamos o suponemos una tendencia lineal entre las variables y nos

preguntamos sobre cuál es la mejor recta:
y(x) = a x + b
Que representa este caso de interés. Es útil definir la función:
Que es una medida de la desviación total de los valores observados yi respecto de

los predichos por el modelo lineal a x + b. Los mejores valores de la pendiente a y
la ordenada al origen b son aquellos que minimizan esta desviación total, o sea, son
los valores que remplazados en la Ec.(1) minimizan la funciónc2. Ec.(2). Los
parámetros a y b pueden obtenerse usando técnicas matemáticas que hacen uso
del cálculo diferencial. Aplicando estas técnicas, el problema de minimización se
reduce al de resolver el par de ecuaciones:
Tema:
Actualmente, la mayoría de los programas de análisis de datos y planillas de cálculo,

realizan el proceso de minimización en forma automática y dan los resultados de los
mejores valores de a y b, o sea los valores indicados por las ecuaciones.
Gráfico de datos asociados a un modelo lineal. La cantidad yi - y(xi)

representa la desviación de cada observación de yi respecto del valor predicho por
el modelo y(x).
Tema:
El criterio de mínimos cuadrados reemplaza el juicio personal de quien mire los

gráficos y defina cuál es la mejor recta. En los programas como Excel, se realiza
usando la herramienta “regresión lineal” o “ajuste lineal”. Los resultados se aplican
en el caso lineal cuando todos los datos de la variable dependiente tienen la misma
incertidumbre absoluta y la incertidumbre de la variable independiente se considera
despreciable.
Regresión mínimo-Cuadrática.
Consiste en explicar una de las variables en función de la otra a través de un

determinado tipo de función (lineal, parabólica, exponencial, etc.), de forma que la
función de regresión se obtiene ajustando las observaciones a la función elegida,
mediante el método de Mínimos-Cuadrados (M.C.O.).
Elegido el tipo de función ¦ ( ) la función de regresión concreta se obtendrá

minimizando la expresión:
(yj - ¦ (xi ) ) 2. nij en el caso de la regresión de Y/X
(xi - ¦ (yj ) ) 2. nij en el caso de la regresión de X/Y
Puede probarse que es equivalente ajustar por mínimos cuadrados la totalidad de

las observaciones (toda la nube de puntos) que realizar el ajuste de los puntos
obtenidos por la regresión de la media; de forma que la regresión mínimo-cuadrática
viene ser, en cierto modo, la consecución de una expresión analítica operativa para
la regresión en sentido estricto.
Tema:
Coeficientes de regresión.
Se llama coeficiente de regresión a la pendiente de la recta de regresión:
en la regresión Y/X : b = Sxy / Sx2
en la regresión X/Y b' = Sxy / Sy2
El signo de ambos coincidirá con el de la covarianza, indicándonos la tendencia

(directa o inversa a la covariación). Es interesante hacer notar que b.b'= r2
BONDAD DEL AJUSTE (Varianza residual, varianza de la regresión y

coeficiente de determinación)
Por bondad del ajuste hay que entender el grado de acoplamiento que existe entre
los datos originales y los valores teóricos que se obtienen de la regresión.
Obviamente cuanto mejor sea el ajuste, más útil será la regresión a la pretensión de
obtener los valores de la variable.
Obtener indicadores de esta bondad de ajuste es fundamental a la hora de optar

por una regresión de un determinado tipo u otro.
Puesto que la media de los residuos se anula, el primer indicador de la bondad del
ajuste (no puede ser el error medio) será el error cuadrático medio, o varianza del
residuo, o varianza residual:
Considerando la regresión Y/X:
Que será una cantidad mayor o igual que cero. De forma que cuanto más baja sea
mejor será el grado de ajuste. Si la varianza residual vale cero el ajuste
será perfecto (ya que no existirá ningún error).
Del hecho de que yi=y*i+ei ,y de que las variables y* ý e están incorrelacionadas

se tiene que:
Tema:
Donde S2y* es la llamada varianza de la regresión y supone la varianza de la

variable regresión:
Igualdad fundamental anterior de la que se deduce que la varianza total de la

variable y puede descomponerse en dos partes una parte explicada por la regresión
(la varianza de la regresión) y otra parte no explicada (la varianza residual).
Considerando que la varianza nos mide la dispersión de los datos este hecho hay
que entenderlo como que la dispersión total inicial queda, en parte explicada por la
regresión y en parte no. Cuanto mayor sea la proporción de varianza explicada (y
menor la no explicada) tanto mejor será el ajuste y tanto más útil la regresión.
A la proporción de varianza explicada por la regresión se le llama coeficiente de

determinación (en nuestro caso lineal):
que evidentemente estará siempre comprendido entre 0 y 1 y, en consecuencia,

da cuenta del tanto por uno explicado por la regresión.
Una consecuencia importante en la práctica es que la varianza residual será

obviamente:
Es sencillo probar que en el caso lineal que nos ocupa el coeficiente de

determinación coincide con el cuadrado del coeficiente de correlación:
R2 = r2
Con lo cual la varianza residual y la varianza debida a la regresión pueden

calcularse a partir del coeficiente de correlación:
Tema:
Regresión mínimo cuadrática no-Lineal.
La regresión mínimo-cuadrática puede plantearse de forma que la función de ajuste

se busca no sea una función lineal. El planteamiento general sería similar, aunque
obviamente habría que minimizar el cuadrado de los residuos entre los datos
originales y los valores teóricos obtenibles a través de la función no-lineal
considerada.
Regresión parabólica. Desarrollaremos someramente la regresión Y/X y debe

quedar claro que la regresión X/Y resultaría análoga.
Supongamos para simplificar que los datos no están agrupados por frecuencias.
En tal caso, obtener la función parabólica y* = a0+a1x+a2 x2 se llevará a cabo

determinado los valores de los tres parámetros a0,a1,a2 que minimicen :
y (a0,a1,a2)=S (yi- (a0+a1x+a2 x2)) 2
Igualando a cero las tres derivadas parciales se obtendrá las ecuaciones

normales, que convenientemente manipuladas acaban siendo:
Sistema de ecuaciones del que se pueden despejar los valores de los coeficientes
de regresión.

Tema 4 Metodos Numericos

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4 Metodos Numericos

Cargado por

Copyright:

Formatos disponibles

Instituto Tecnológico Superior de Coatzacoalcos

Nombre del Alumno: Hernández Hernández Jesús Lenin

Nombre de la Asignatura: Asignatura Periodo:

Nombre del Docente: León Valencia Luis Alberto

Apellido Paterno Apellido Materno Nombre(s)

4.1 Interpolación lineal y cuadrática.

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

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

También podemos utilizar la expresión del polinomio interpolador así:

y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la búsqueda de los coeficientes es muy

Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios

¿Qué es la fórmula de Lagrange para n=2??

INSTITUTO TECNOLOGICO SUPERIOR DE COATZACOALCOS

4.2 Polinomios de interpolación de Newton y de Logrange.

Sea una variable discreta de elementos y sea otra variable

Este método es muy algorítmico y resulta sumamente cómodo en determinados

El polinomio de grado resultante tendrá la forma

Los coeficientes son las llamadas diferencias divididas.

Estos coeficientes se calculan mediante los datos que se conocen de la función

queda definido, como:

Sea la función a interpolar, sean las abscisas conocidas de y

donde son los llamados polinomios de Lagrange, que se calculan de este

4.3 regresión por mínimos cuadrados: lineal y cuadrática.

Pues bien, el análisis de la dependencia estadística admite dos planteamientos

La determinación de la estructura de dependencia que mejor exprese la relación, lo

Una vez determinada la estructura de esta dependencia la finalidad última de la

En el caso bidimensional, dadas dos variables X e Y con una distribución conjunta

Método de cuadrados mínimos – Regresión lineal.

Hemos enfatizado sobre la importancia de las representaciones gráficas y hemos

Observamos o suponemos una tendencia lineal entre las variables y nos

Que representa este caso de interés. Es útil definir la función:

Que es una medida de la desviación total de los valores observados yi respecto de

Actualmente, la mayoría de los programas de análisis de datos y planillas de cálculo,

Gráfico de datos asociados a un modelo lineal. La cantidad yi - y(xi)

El criterio de mínimos cuadrados reemplaza el juicio personal de quien mire los

Consiste en explicar una de las variables en función de la otra a través de un

Elegido el tipo de función ¦ ( ) la función de regresión concreta se obtendrá

(yj - ¦ (xi ) ) 2. nij en el caso de la regresión de Y/X

(xi - ¦ (yj ) ) 2. nij en el caso de la regresión de X/Y

Puede probarse que es equivalente ajustar por mínimos cuadrados la totalidad de

Se llama coeficiente de regresión a la pendiente de la recta de regresión:

en la regresión Y/X : b = Sxy / Sx2

en la regresión X/Y b' = Sxy / Sy2

El signo de ambos coincidirá con el de la covarianza, indicándonos la tendencia

BONDAD DEL AJUSTE (Varianza residual, varianza de la regresión y

Obtener indicadores de esta bondad de ajuste es fundamental a la hora de optar

Considerando la regresión Y/X:

Del hecho de que yi=y*i+ei ,y de que las variables y* ý e están incorrelacionadas

Donde S2y* es la llamada varianza de la regresión y supone la varianza de la

Igualdad fundamental anterior de la que se deduce que la varianza total de la

A la proporción de varianza explicada por la regresión se le llama coeficiente de

que evidentemente estará siempre comprendido entre 0 y 1 y, en consecuencia,

Una consecuencia importante en la práctica es que la varianza residual será

Es sencillo probar que en el caso lineal que nos ocupa el coeficiente de

Con lo cual la varianza residual y la varianza debida a la regresión pueden

Regresión mínimo cuadrática no-Lineal.

La regresión mínimo-cuadrática puede plantearse de forma que la función de ajuste

Regresión parabólica. Desarrollaremos someramente la regresión Y/X y debe

En tal caso, obtener la función parabólica y* = a0+a1x+a2 x2 se llevará a cabo

y (a0,a1,a2)=S (yi- (a0+a1x+a2 x2)) 2

Igualando a cero las tres derivadas parciales se obtendrá las ecuaciones

También podría gustarte

Del hecho de que yi=yi+ei ,y de que las variables y ý e están incorrelacionadas