Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Funciones Spline
Spline Functions
TrabajoFindeGrado
GradoenMatema´ticas
LaLaguna,Septiembrede2017
Dirigido por
Ruyma´n Cruz Barroso
Ruym´an Cruz Barroso Departamento
de An´alisisMa-
tem´atico
Universidad de La Laguna
38271 La Laguna, Tenerife
Agradecimientos
Resumen
Abstract
The polynominal interpolation consists in approximating a desired
function by a polynominal function, generated from a finite number of
known data. This tool is often used in many numerical processes of
Applied Mathematics and in diverse areas of Engineering. Due to the
importance of the subject because its many applications, this report
aims to strenghthen the knowledge acquired about the classic
polynominal interpolation, and introduce and study the concept of
Spline Functions, a tool within the polynominal interpolation that fits
conveniently to certain activities of the daily life.
This report has been structured in three chapters. The first one is
dedicated to the classical polynomial interpolation. In the second
chapter, interpolation by spline functions is presented, and their most
relevant properties are studied. In the last chapter we study the B-
Spline Functions, and their theoretical importance. Also, several
numerical examples and applications are carried out throughout the
report.
Agradecimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Resumen/Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Introducci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
1. Interpolaci´on polin´omica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Teorema 1.1. Sean x0,x1,...,xn nu´meros reales distintos. Entonces, para valores
arbitrarios reales y0,y1,...,yn existe un u´nico polinomio pn ∈ Pn, tal que pn(xi) = yi, 0 ≤ i
≤ n.
Newton:
Para probar la existencia procedemos por inducci´on sobre n. Para n = 0 la
existencia es obvia: p0(x) ≡ y0. Supongamos ahora que hemos obtenido un
∈
polinomio pk−1 Pk−1, con pk−1(xi) = yi, para 0 ≤ i ≤ k −1. Intentemos construir pk de
la siguiente manera:
Es evidente que pk interpola los datos que interpola pk−1 dado que pk(xi) = pk−1(xi) =
yi, 0 ≤ i ≤ k − 1. Procedamos ahora a determinar el coeficiente desconocido c a
partir de la condici´on pk(xk) = yk. Esto lleva a la ecuaci´on
Lagrange:
Las condiciones de interpolaci´on p(xi) = yi, para 0 ≤ i ≤ n, conducen a un sistema
lineal de n+1 ecuaciones con n+1 inc´ognitas c0,c1,...,cn, donde pn(x) =
:
1 x0 x20 ··· xn0 c0 y0
Y
det(V (x0,...,xn)) = (xi − xj).
i<j
3
Por tanto, la elecci´on de nodos distintos garantiza que para cualquier conjunto
de datos y0,...,yn, el problema tendr´a soluci´on u´nica.
.
Obs´ervese que en particular se cumple que:
.
Demostraci´on. N´otese que el resultado es trivialmente cierto si el punto x es uno
de los nodos xi, dado que ambos miembros de la igualdad son nulos. Podemos
tomar por tanto un punto t ∈ [a,b] con t 6= xi,∀ i = 0,...n. Entonces definimos
G(n+1)(ξx) = 0.
Dado que,
E(n+1)(x) = f(n+1)(x), y π(n+1)(x) = (n + 1)!,
4 1 Interpolacio´n polino´mica
tenemos que
.
Sustituyendo x = ξx y despejando E(t),
p0(x) ≡ c0 = y0,
pk(x) = pk−1(x) + ck(x − x0)···(x − xk−1), ∀ k ≥ 1. (1.3)
. (1.4)
La forma compacta para la expresi´on anterior que genera sucesivamente los
polinomios pk ∈ Pk viene dada por:
k i−1
5
X Y
pk(x) = ci (x − xj), (1.5)
i=0 j=0
i=0 j=0
Nota. Obs´ervese que la tabla no tiene por qu´e estar ordenada de la forma xi < xj
si i < j.
6 1 Interpolacio´n polino´mica
Soluci´on. Para resolverlo utilizaremos las f´ormulas (1.4) y (1.5) vistas
anteriormente.
c0 = y0;
p0(x) = y0 = 12
f[xi] = f(xi), 0 ≤ i ≤ n;
Esta propiedad justifica, por ejemplo, que para el c´alculo del polinomio
interpolador no sea necesario partir de una tabla de datos ordenada de datos, xi
< xj si i < j.
Teorema 1.5. Sea p ∈ Pn el polinomio que interpola a la funci´on f en los n+1 nodos
distintos x0,x1,...,xn. Si t es un punto diferente de los nodos, entonces
Este resultado nos permite obtener una estimaci´on del error que se comete al
aproximar el valor de la funci´on f por evaluaciones en su polinomio
interpolador.
Teorema 1.6. Sea f ∈ Cn([a,b]) y x0,x1,...,xn puntos distintos en [a,b]. Entonces hay un
punto ξx ∈ (a,b) tal que
.
Este enunciado permite en particular establecer la cota
,
u´til para el Teorema 1.5. (V´ease el Teorema 1.2).
;
= 24;
8 1 Interpolacio´n polino´mica
1;
;
= 5;
;
;
= 2;
= 7;
;
= 5;
;
, (1.7)
donde li ∈ Pn\Pn−1,∀ i = 0,1,...,n. A estos polinomios li se les conoce como
polinomios fundamentales de Lagrange, solamente dependen de los nodos, y
tienen la propiedad li(xj) = δi,j siendo δi,j la funci´on delta de Kronecker.
.
Razonando de igual manera obtenemos el resto de los polinomios fundamentales
de Lagrange:
(1.8)
Esto nos permite calcular el polinomio de interpolaci´on de Lagrange segu´n la f
´ormula (1.7).
Soluci´on. Para ello utilizaremos las f´ormulas (1.7) y (1.8) vistas anteriormente:
, ,
, ,
10 1 Interpolacio´n polino´mica
por lo que
.
1.4. Convergencia de la interpolaci´on polin´omica. Algunos
resultados notables.
La interpolaci´on polin´omica presenta mayores problemas de estabilidad
cuanto mayor sea el nu´mero de nodos. En el Teorema 1.2 se ha establecido una
cota del error que se comete al aproximar la funci´on por su polinomio
interpolador, pero ¿qu´e podemos decir sobre la convergencia?
l
´ım .
n→ ∞
Una cuesti´on que debemos tener clara es la siguiente: dada f una funci´on
continua en el intervalo [−1,1], y nodos esquiespaciados. ¿Esto implica conver-´
gencia puntual o uniforme en dicho intervalo cuando n → ∞? La respuesta es que
no, como se deduce del famoso Contraejemplo de Bernstein. Sea f(x) = |x| en
[−1,1]. Esta funci´on es derivable en todo el intervalo salvo en el origen. Sin
embargo, los polinomios interpoladores para nodos equiespaciados divergen en
0 < |x| < 1.
Teorema 1.7. Sea f(z) funci´on entera, real evaluada si z ∈ R. Entonces los
polinomios interpoladores convergen uniformemente a f, para cualquier sistema de
nodos.
12 1 Interpolacio´n polino´mica
Nota. Observar que la funci´on del Ejemplo de Runge no cumple las hip´otesis del
Teorema 1.7.
Teorema 1.9 (Faber). Dada una tabla de nodos en [a,b]. Entonces existe f
continua en [a,b] tal que los polinomios interpoladores no convergen
uniformemente a f.
Nota. Observar el hecho de que si una de las condiciones falla en un solo punto
hace que no se cumpla, como ocurre en el Contraejemplo de Bernstein.
1.5. Ventajas y desventajas de los m´etodos.
El m´etodo de Newton es un mecanismo din´amico. Permite an˜adir un
nodo a la tabla y utilizar la informaci´on ya calculada, algo que no es posible con
el m´etodo de Lagrange debido a que la variaci´on del nu´mero de nodos obliga a
recalcular todos los polinomios fundamentales de Lagrange. Num´ericamente
hablando, el m´etodo de Newton para el c´alculo del polinomio de interpolaci´on
mediante diferencias divididas junto con el algoritmo de Horner es m´as eficiente
y r´apido computacionalmente. Sin embargo, el m´etodo de Lagrange se
simplifica considerablemente cuando las ordenadas asociadas a los nodos son
nulas (como se vio en el Ejemplo 5). Adem´as tiene un especial inter´es te´orico
en numerosos procesos num´ericos, como por ejemplo, en la construcci´on de f
´ormulas de cuadratura.
.
13
Los polinomios interpoladores son funciones aproximantes que tienen un
car´acter global dado que tienen una misma expresi´on en todo el intervalo [a,b]
en el que se considera el problema de interpolaci´on. No obstante, ya sabemos
que en general la interpolaci´on polin´omica puede carecer de buenas
propiedades de convergencia, y de hecho, al aumentar el nu´mero de nodos de
interpolaci´on, se asume el riesgo de que el polinomio presente altas
oscilaciones.
Funciones Spline
Definici´on 2.1. Sean n + 1 puntos distintos t0 < t1 < ··· < tn que componen una partici
´on ∆ y k ∈ N fijo. Una funci´on spline de grado k con nodos en t0,t1,...,tn es un funci´on
S que satisface las siguientes condiciones:
Los splines de grado 0 son funciones constantes a trozos, por lo que vienen
dados expl´ıcitamente por
.
16 2 Funciones Spline
donde los nodos ti y los coeficientes ai,bi son conocidos. La funci´on spline se puede
definir en toda la recta real. Por conveniencia podemos utilizar la expresi´on
S0 sobre el intervalo (−∞,t1) y la expresi´on Sn−1 sobre el intervalo [tn−1,∞). La funci
´on S es continua, por lo que los coeficientes ai,bi no son realmente arbitrarios,
dado que debe cumplirse que l´ımx→ t−i Si−1 = Si(ti),∀ i = 1,...,n−1.
Por otra parte, adem´as la expresi´on (2.1) es u´nica, luego S|[ti,ti+1] coincide con el
polinomio interpolador de f de grado 1 en los nodos ti y ti+1,∀ i = 0,...,n−1. Notemos
adem´as que, en este caso, al aumentar el nu´mero de nodos no var´ıa el grado de
los interpolantes, que es uno. El resultado es una gr´afica en forma de l´ınea
poligonal como en la Figura 2.2.
Adem´as S0 y S00 tambi´en deben ser continuas. ¿Se podr´a definir bajo estas
condiciones de interpolaci´on y de regularidad el spline cu´bico interpolante S de
manera u´nica?
. (2.6)
. (2.7)
u1 h1 0 0 ··· 0 M1 α1
1 u2 h2 0 ··· 0 M2 α2 h
0 h2 u3 h3 ··· 0 M3 α3
... ... ... ... ...... · ... = ...
, (2.9)
20 2 Funciones Spline
00
··· hn−3 un−2 hn−2 Mn−2 αn−2
00 0 ··· hn−2 un−1 Mn−1 αn−1
donde
ui = 2(hi +hi−1) y .
Recordemos que los nodos est´an ordenados (ti < ti+1), por tanto hi = ti+1 − ti >
0, ∀ i = 0,...,n − 1. Vemos pues que las cantidades αi est´an bien definidas y que la
matriz asociada al sistema (2.9) es sim´etrica, tridiagonal y diagonal dominante,
concluyendo por tanto del Teorema de Gershgorin (v´ease [1, Teorema 9.1]) que
es no singular y que el sistema tiene por tanto soluci´on u´nica.
u1 h1 0 0 ··· 0 M1 α1
h1 u2 h2 0 ··· 0 M 2
α2
0 h2 u3 h3 ··· 0 M3
α3
2.2 Funciones Spline cu´bicas interpolantes. 21
...... ... ... ... ... · ... = ... ,
donde
ui = 2(hi + hi−1) y .
5,0 1,0 0 0 0 0 0 0 M1 5,0
M5
5,0 0 0 0 0 0 0 0 1,0 0,2 0 0 0 0 0 0
Obteniendo as´ı un sistema del tipo L·U ·X = B. Que se resolver´a en dos pasos: 1
Resolver L · Y = B, mediante sustituci´on hacia adelante.
5,0 0 0 0 0 0 0 0 y1 5,0
00 0010,0 52,,660 7,029 00 00 00 ·
yy45 ≈ −63,,075,
0 0 0 0 2,0 5,45 0 0 y630,75
0 0 0 0 0 1,0 5,42 0 y712,67
0 0 0 0 0 0 1,8 5,4 y8 −2,08
1,0 0,2 0 0 0 0 0 0 x1 1,0
0 0 1,0 0,34 0 0 0 0 x3−8,77
0 0 0 1,0 0,35 0 00 · xx45 ≈
−21,61,23,
0 0 0 0 1,0 0,27 0 0
0 0 0 0 0 1,0 0,18 0 x6 6,09
0 0 0 0 0 0 1,0 0,33 x7 1,21
0 0 0 0 0 0 0 1,0 x8 −0,79
x ∈ [2,−0,5), x ∈
S (x) = 0,003x3 + 0,02x2 − 0,4x + 0,395,
0 [−0,5,0,5),
x ∈ [0,5,1), x
∈ [1,2), x ∈
SSS132(((xxx) = 2) = 0) = [2,4), x ∈
−,,2634807,953xx33x−+ 13 + 911,225,785,865xx2x2+ 02+ [4,6), x ∈
17−,4198,,129512x x+ 0x+ 1−,4945,,21799, ,, [6,7),
x ∈ [7,8,8), x
∈ [8,8,10].
S(x) = S4(x) = −0,532x3 + 4,99x2 − 16,03x + 16,36,
SSSS5867((((xxxx) = 0) =) = 0) = −
−,,71801100,,725209xx33xx−−33 + 15+
5103,292,02,129,96xx22xx+ 43+ 3322 −−
11140,,982800,307,905xx x−−x+ 10063116+
248,58,559,,834,22, ,,
Tras concluir la construcci´on de las funciones spline cu´bicas naturales
interpolantes, recordemos que el objetivo de considerar funciones spline
interpolantes era con el prop´osito de minimizar las grandes oscilaciones que
24 2 Funciones Spline
Teorema 2.2. Sea f ∈ C2([a,b]) y tomemos a = t0 < t1 < ··· < tn = b. Si S es el spline cu
´bico natural que interpola a f en los nodos ti,∀ 0 ≤ i ≤ n, entonces:
Nota. La curvatura de la curva descrita por la ecuaci´on y = f(x) viene dada por
. Suponiendo que el t´ermino no lineal se aproxime a 1,
podemos asociar |f00(x)| como una aproximaci´on de la curvatura de dicha curva.
Teniendo en cuenta esto y el Teorema 2.2 concluimos que si S es el spline cu´bico
natural que interpola a f ∈ C2([a,b]) en los nodos ti, ∀ 0 ≤ i ≤ n, entonces S es, de
todas las funciones en C 2([a,b]) que interpolan a f en estos nodos, la curva
aproximadamente m´as suave posible, es decir, con aproximadamente la
curvatura m´ınima sobre cada intervalo.
2.2 Funciones Spline cu´bicas interpolantes. 25
si
x ≥ ti ,
( i)+ = 0 si x < ti .
26 2 Funciones Spline
X X
S(x) = ajxj + bi(x − ti)+k, con aj,bi ∈ R. (2.10)
j=0 i=1
(p1 − p0)(r)(t1) = 0, 0 ≤ r ≤ k − 1.
Dado que p0 − p1 ∈ Pk, podemos concluir que (p0 − p1)(x) = b1(x − t1)k para un cierto
b1. Esto nos permite escribir
27
2.3 Funciones Spline de grado superior.
X
S(x) = ajxj + b1(x − t1)+k, t0 ≤ x ≤ t2.
j=0
Este mismo argumento se repite de manera iterativa en todos los nodos interiores
t2,t3,...,tn−1, justificando as´ı la expresi´on (2.10).
Las funciones spline naturales de orden superior s´olo tienen sentido para
grados impares, debido a c´omo se eligen las condiciones. En efecto, sea S ∈ Sk. Tras
fijar las condiciones de regularidad y de interpolaci´on nos quedan k − 1 par
´ametros libres. Para hacer posible imponer el mismo nu´mero de condiciones en t0
y en tn, k − 1 tiene que ser par, y por tanto k impar. Asumimos pues que S ∈ Pk con k =
2m + 1, luego tenemos 2m par´ametros libres distribuidos de tal manera que
impongamos m condiciones en t0 y otras m en tn. ¿Cu´ales son esas condiciones en t0
y tn para definir un spline natural de orden superior? Estas van a ser
S(m+r)(t0) = S(m+r)(tn) = 0, con r = 1,...,m. (2.11)
Cuando m = 1 tenemos los splines cu´bicos naturales que acabamos de estudiar. As´ı
pues, bajo estas condiciones se puede demostrar de manera an´aloga al Teorema 2.2
el siguiente resultado general:
Para finalizar esta secci´on veremos brevemente dos resultados m´as para
splines naturales de grado superior. Para afrontar la teor´ıa en general es
conveniente proceder de una manera ligeramente diferente. Al igual que antes, se
parte de un conjunto de nodos: t0 < t1 < ... < tn. Un spline natural de grado 2m + 1
consistir´a en una funci´on S ∈ C2m(R) que se reduce a un polinomio de grado ≤ 2m +
1 en cada intervalo [t0,t1),[t1,t2),...,[tn−1,tn] cumpliendo las condiciones definidas en
(2.11) y a un polinomio de grado a lo sumo m en los intervalos (−∞,t0) y (tn,∞). Con
esta definici´on, un spline cu´bico natural se reduce a polinomios lineales en (−∞,t0)
28 2 Funciones Spline
y (tn,∞) y a un polinomio cu´bico en cada intervalo [t0,t1),[t1,t2),...,[tn−1,tn] tal que
S00(t0) = S00(tn) = 0. El subespacio vectorial de las funciones spline naturales de grado
2m+1 se denotar´a por
.
con .
Teorema 2.6. Sea t0 < t1 < ... < tn un conjunto de nodos y tomemos 0 ≤ m ≤ n. Existe un u
´nico spline natural de grado 2m + 1 que ajusta los valores dados en los nodos.
Pueden verse las demostraciones de los Teoremas 2.4 - 2.6 en [2, p´ags. 333-336].
3
Funciones B-Spline
··· < t−1 < t0 < t1 < ··· < tn−1 < tn < tn+1 < ···
=
si ti ≤ x < ti+1 ,
i 0, si x < ti ´o x ≥ ti+1 .
Resulta evidente que las funciones B-splines Bi0 constituyen una base para
todos los splines de grado 0 definidos sobre la sucesi´on de nodos dados, de
manera que sean continuos por la derecha. Por tanto,
.
De esta manera tenemos una base de Schauder: cada vector en el espacio tiene
un representaci´on u´nica en t´erminos de una serie doblemente infinita.
Las funciones Bi0 son el punto de partida para una definici´on recursiva de
todas las funciones B-spline de orden superior. Consideremos para ello la relaci
´on.
, (3.2)
podemos escribir la relaci´on de la siguiente manera:
. (3.3)
Dado que Bi0 es un polinomio a trozos de grado 0, y que Vik es lineal, Bi1 es
un polinomio a trozos de grado ≤ 1. An´alogamente, de forma general tenemos
que Bik es un polinomio a trozos de grado ≤ k.
31
Utilizando la ecuaci´on (3.1) se puede dar la expresi´on formal para Bi1:
3.1 Funciones B-Spline.
0, si x < ti ´o x ≥ ti+2 ,
si ti ≤ x < ti+1 ,
, si ti+1 ≤ x < ti+2 .
Teniendo en cuenta que uno de los objetivos principales del estudio de las
funciones B-splines es usarlos como base para generar funciones spline de
grado k, analicemos a continuaci´on su comportamiento en combinaciones
lineales de la forma
Lema 3.3. Bajo las condiciones anteriores se cumple
,
siendo funciones conocidas.
. (3.4)
Mediante esta f´ormula y el Lema 3.3 obtenemos:
∞ ∞
X k k X k−1 k−1
Ci (x)Bi (x) = Ci (x)Bi (x).
i=−∞ i=−∞
. (3.5)
Con el fin de seguir generalizando las propiedades de B-splines que hemos
para k = 0,1 establecemos ahora el siguiente
Lema 3.4. .
Demostraci´on. Sea ), con Cik = 1,∀ i ∈ Z. Si fijamos x, podemos
34 3 Funciones B-Spline
proceder usando la ecuaci´on (3.5) para calcular
Repitiendo el argumento observamos que Cij = 1,∀ j = k,k − 1,...,0. Por lo tanto,
.
Cuando k = 1, la expresi´on es v´alida para todo x excepto x = ti,ti+1,ti+2.
Nota. Aplicando el Lema 3.5 a la expresi´on y teniendo en cuenta el
Lema 3.3, se obtiene la siguiente f´ormula, que resulta de gran utilidad en la
diferenciaci´on num´erica:
. (3.6)
Lema 3.7. .
Demostraci´on. Utilizando la ecuaci´on (3.6) podemos verificar que las derivadas a
ambos lados de la expresi´on son iguales si tomamos
0, si j < i, cj =
35
1, si j ≥ i.
Se observa que cj − cj−1 es cero excepto cuando j=i, de donde se deduce que:
.
Con el fin de asegurarse de que las funciones a ambos lados de la ecuaci´on no
difieren en una constante, observe que las dos se reducen a cero cuando x = ti.
3.2 Propiedades de las funciones B-Spline.
X
S(x) = 0 = ciBik(x) = cjBjk(x) 6= 0.
i=j
Del Lema 3.9 se sigue que la dimensi´on del conjunto de funciones B-spline
de orden k definidos en [t0,tn] es al menos n + k. Teniendo en cuenta la Proposici
´on 2.3 se concluye el siguiente resultado
Nuestro objetivo ahora es ver c´omo se relacionan estas funciones con las
funciones B-spline. Para ello restringimos el dominio de las funciones B-spline
de la recta real al intervalo [t0,tn], y lo denotamos por .
Por tanto, para concluir la demostraci´on falta probar que la expresi´on (3.8) es
una base, y aplicando el Lema 3.9 se concluye que las expresiones dadas en dicha
ecuaci´on son linealmente independientes, teniendo en cuenta que la dimensi´on
es k + n. En efecto, es una base de Sk.
Tras la demostraci´on del Teorema 3.11 podemos decir que las funciones
generadas en la Proposici´on 2.3
k
de la Secci´on 2.3 forman una base de S . Sin embargo, emplear esta base puede
generar dificultades en los c´alculos num´ericos, debido a esto es recomendable
emplear en su lugar la base de B-splines que se enuncia en el Teorema 3.11.
Teorema 3.12. Sea x1,x2,...,xn un conjunto de puntos dados. Para que la matrix A
dada por sea no singular, es necesario y suficiente que no contenga
elementos nulos en su diagonal.
Programaci´on Matlab
----------------------------------------------------------------
# C´odigo Matlab: Figura2.3.m
---------------------------------------------------------------
f=(10810479693733*x.^9)./104796710943724800
(85259461754711*x.^8)./23817434305392000 +
(462522803579339*x.^7)./9658683036288000 -
(4094711073018667*x.^6)./13609962460224000 +
(236190600087064699*x.^5)./299419174124928000 +
(80085127195097*x.^4)./439031047104000
(2288044281290226307*x.^3)./523983554718624000 +
(108509696483261191*x.^2)./23817434305392000 +
(793465203611429*x)./550402893612000 -
2450213544709/7088522114700
g0=0.003*x.^3+0.02*x.^2-0.4*x+0.395; g1=0.807*x.^3+1.225*x.^2+0.198*x+0.494;
g2=-4.953*x.^3+9.865*x.^2-4.129*x+1.217; g3=2.263*x.^3-11.785*x.^2+17.512*x-
5.99; g4=-0.532*x.^3+4.99*x.^2-16.03*x+16.36; g5=0.718*x.^3-
10.02*x.^2+43.982*x-63.58; g6=-0.725*x.^3+15.96*x.^2-111.905*x+248.22; g7=-
0.209*x.^3+5.129*x.^2-40.307*x+100.834; g8=0.11*x.^3-3.292*x.^2+33.8*x-
116.559; g=(x<-0.5).*g0+((x>=-0.5)&(x<0.5)).*g1+((x>=0.5)&(x<1)).*g2 +
((x>=1)&(x<2)).*g3+((x>=2)&(x<4)).*g4+((x>=4)&(x<6)).*g5 + ((x>=6)&(x<7)).*g6+
((x>=7)&(x<8.8)).*g7+((x>=8.8)&(x<=10)).*g8; plot(x,f,x,g);
Spline Functions
Eduardo González Díaz
Facultad de Ciencias · Sección de Matemáticas
defined in the interval [a,b], but to consider The most famous known methods for the
Poster a partition ∆ of this interval and then to
find a polynomial of low fixed degree in
computation of an interpolant polynomial
are the Newton and Lagrange procedures.
Abstract
each subinterval that interpolates our Despite polynomials are nice functions for
function. This is precisely the idea of the approximation of continuous functions,
The polynominal interpolation consists in
interpolation by spline functions. it is not true that when the number of
approximating a desired function by a
interpolant nodes increases, then the
polynominal function, generated from a 2. Outline of the first Chapter interpolant polynomial converges to the
finite number of known data. This tool is
function. Some well known results in the
often used in many numerical processes of Let us present the problem that literature in this respect are the Bernstein
Applied Mathematics and in diverse areas characterizes the classical polynomial counterexample, Runge’s example, or the
of Engineering. Due to the importance of interpolation problem: Marcinkiewicz or Faber’s Theorems. In
the subject because its many applications,
order to avoid these drawbacks, it is
this report aims to strenghthen the Universidad de La Laguna standard to choose spline functions.
knowledge acquired about the classic
alu0100371444@ull.edu.es
polynominal interpolation, and introduce
and study the concept of Spline Functions,
a tool within the polynominal interpolation 3. Outline of the second chapter
that fits conveniently to certain activities of i
the daily life. withFrom a given table of = 0,1,...,n, and Spline functions are piecewise polynomial
yin∈+R1(orpointsyi ∈C()x,i,yi), functions of degree k in a partition ∆ of the
The main aim of this work is to introduce interval [a,b] with a certain regularity
the concept of Spline Functions and to condition: they belong in C (m([a,b]), for
study its most relevant properties. These x x0 x1 x2 ··· xn , y y0 y1 y2 some mk< k (it is very common to take m = k
functions will provide solutions to us about {B i (x )} i ∈
··· yn − 1). The associated interpolation problem by
to the problems that could be generated in
the polynominal interpolation by applying find a polynomial p of less possible degree, using such kind of functions gives rise to
Newton or Lagrange methods for large similar results as in the polynomial
such thatpolynomial p is said to
data tables, softening the behavior of our interpolation, with the improvement that
interpolating function. They will provide us interpolates thep(xi) = yi, 0 ≤ i ≤ n. The data. the interpolant function has now few
with a basis that will allow us to construct The next known result guarantees the oscillations.
and to work with simple piecewise
uniqueness and the existence of the
polynomials of an efficient way. Due to the common use in several areas of
interpolant polynomial: Theorem Let Numerical Analysisk and applied problems in
{B i |[t0 ,tn ] : − k ≤ i ≤ n − 1}.
1. Introduction x0,x1,...,xn be a set of distinct real numbers. Mathematics, Physics, Engineering,..., in
this second chapter we mostly concentrate
Then, for arbitrary real (or complex) values
An interpolant polynomial can be obtained in the study of cubic spline functions. In
from the classical Newton or Lagrange y0,y1,...,yn, there exists a unique polynomial particular, we analyze their efficient
methods. It is a useful tool when a low construction and we prove their most
number of interpolant nodes is required. pn ∈Pn, such that pn(xi) = yi, for all 0 ≤i ≤n. important property:
However, when this number increases, the
interpolant will be a polynomial of high A very important result in Approximation
Theory, that justifies the use of Theoremt < t < ··· < Lett f=∈bC. If2([Sa,is the
degree, and thus a very oscillating function. natural cu-b]) and takeat the nodesa =
In addition to this drawback, tedious polynomials in the approximation of
calculus arises in this situation in both continuous funcions in [a,b], is the well 0 1 n