CATEDRA 1

Facultad de Ingeniería de Minas, Geología y Civil

Departamento académico de ingeniería de minas y civil

METODOS
NUMERICOS

Ingeniería Civil

ING. CRISTIAN CASTRO P.

 Capitulo X
AJUSTE DE CURVAS
APROXIMACIÓN FUNCIONAL

ING. CRISTIAN CASTRO P.

 Ajuste
u Polinomios de Taylor
u Mínimos Cuadrados
u Minimización de normas
u Aproximación Racional

u Series de Fourier
u Curvas de Bezier

u B-Splines
 Interpolacion
u Interpolación Polinomial
u Polinomios Osculadores: Interpolación
de Hermite
u Interpolación Racional: Aproximaciones
de Pade
u Interpolación segmentaria: Splines
u Otros
Un problema de Aproximación
u Evolución de la temperatura diurna

Hora 6 8 10 12 14 16 18 20
Grados 7 9 12 18 21 19 15 10

2
2
01
Grados

81
61
41
12
08
6
4 6 8 1 1 1 1 1 2 2
0 2 Hor4 6 8 0 2
a
 Método de Mínimos
Cuadrados
Métodos Numéricos
Aplicados a la Ingeniería
 MÉTODO DE LOS MÍNIMOS CUADRADOS

Regresión
Se define Regresión al método de investigación de
una relación entre una variable llamada dependiente
y una o varias variables llamadas independientes.

Lo que queremos o
btener con el yj . .
y = ax + b

. .
¿ a.x, b?
método de los ei
mínimos cuadrados
es que los errores
ei sean mínimos.

xi
 MÉTODO DE LOS
MÍNIMOS CUADRADOS
Ecuaciones Normales

 ER y|x a, b 
 2  y j  a  b . x i  f ij  0
k p
(1)
a i 1 j1

 ER y|x a, b 
 2  y j  a  b . x i  x i f j  0
k p
(2)
b i 1 j1
 MÉTODO DE LOS MÍNIMOS CUADRADOS

Recta de Mínimos Cuadrados de x|y

x  a b. y
Sxy
a  y  b .x b
S2x
Sxy
(x  x )  2
(y y)
S y

b = Coeficiente de Regresión
y y

b0 Relación de Tipo Inverso

b0
Relación de Tipo Directo
x x
 MEDIDAS DE DEPENDENCIA ESTADÍSTICA

Varianza Residual
Se define la Varianza Residual de Y sobre X, como la
varianza de los errores ei , i = 1,…, n (entre valores
yi , yi*)
1 n
  e i  e 
2 2
Se(y| x)
n i 1

Se define la Varianza Residual de X sobre Y, como la

varianza de los errores ei´ , i = 1,…, n (entre valores
xi , xi*) 1 n
Se2(x|y)   ei  e 
2

n i 1
 MEDIDAS DE DEPENDENCIA ESTADÍSTICA

Ecuaciones Normales de la Recta de

Mínimos Cuadrados y|x
 ER a, b 
 2  y j  a  b . x i  f ij  0
k p
(1) y | x

a i 1 j1

 ER y|x a, b 
 2  y j  a  b . x i  x i f j  0
k p
(2)
b i 1 j1

(1) e
i 1
i 0
n
(2) e x
i 1
i i 0
 MEDIDAS DE DEPENDENCIA ESTADÍSTICA

Coeficiente de Determinación
Se define el Coeficiente de Determinación de Y sobre
X como:
2
2
S Se(Y|X)
R 2
Y| X  Y*
2
 1 2
S
Y SY
Se define el Coeficiente de Determinación de X sobre
Y como:
2
2
S Se(X|Y)
R 2
X| Y  X*
2
 1 2
S
X SX
 COEFICIENTE DE CORRELACIÓN LINEAL
Coeficiente de Correlación Lineal
El Coeficiente de Correlación Lineal de X e Y, se defi
ne como:
S XY
r
SX  SY
Propiedades:
(1) m Y|X  (1  r 2 ).S2Y m X|Y  (1  r 2 ).S2X
(2) r 2  R 2Y|X  R 2X|Y
(3) r 2  b . b
(4) 0  r 2  1  1  r  1
(5) r  1 X e Y dependen linealmenter  0 X e Y están incorreladas linealment
e
(6) Si X e Y son independientes --> X e Y están incorreladas linealmente.
 COMPARACIÓN CON LA CURVA DE REGRESIÓN

Comparación

1η 2
Y| X r 0
2

1η 2
X| Y r 0
2

Interpretación
(1) r  η Y|X
2 2
La Curva de regresión de Y sobre X es la recta de
mínimos cuadrados de Y sobre X.
(2) r 2  η Y2 |X  η X2 |Y Las dos curvas de regresión son las rectas de
mínimos cuadrados.
S 2Y  m y | x
(3) 0´75  r 2  Proporción que explica la variabilidad de
S 2Y
Y sobre la recta de mínimos cuadrados de Y|X
 RELACIÓN ENTRE VARIABLES ORDINALES

Coeficiente de Correlación de Spearman, rs

El Coeficiente de Correlación de Spearman para las
variables X e Y en escala ordinal se define como el
coeficiente de correlación lineal entre ambas variables.
n
6  d i2
S XY
rs   1  i 12
SXSY n(n  1)
Interpretación:
(1)  1  rs  1
(2) rs  1 Relación exacta directa rs  1 Relación exacta
inversa rs  0 No existe una relación clara entre X e Y
 MÉTODO DE MÍNIMOS CUADRADOS

x
 AJUSTE POR MÍNIMOS CUADRADOS

(Ajuste lineal)

N
(xi,yi) S   ( yi  b  mxi ) 2
S Si 1
0 0
m x b
yi -b-m i y = b+mx CRITERIO: Minimizar S

N N N N N
aN  b  x i   yi a  xi  b  xi2   x i yi
i 1 i 1 i 1 i 1 i 1
MÍNIMOS CUADRADOS (Ajuste lineal de N puntos)
 x  y  N  xy  x  xy   y  x
2
m b
 x 2  N  x 2  x 2  N  x 2

DESVIACIONES (ERRORES EN LOS DATOS)

 x  y
x  y     y2  m 2 x2
N N

N 2  2  x2
m  b 
N  x 2   x 
2
N  x 2   x 
2

Coeficiente de correlación

 x y
 xy 
r N
 2 1 2  1 2
  x   x     y 2
   y  
N N
 MÍNIMOS CUADRADOS (Ejemplo)

x x y y
50 2 10 2
70 y  mx  b
40 60
2 21 2
30 50
2 31 2
40

20 2 43 2
y

30

10 20
2 54 2
10

0
0 10 20 30 40 50 60
m  1.10  0.09
 x  x  y y  xy
x
 x^2  y^2

150 10 159 10 3670 5500 6267 b  65  3

r  0.99967
x x y y xy x^2 y^2

50 2 10 2 500 2500 100

40 2 21 2 840 1600 441
30 2 31 2 930 900 961
20 2 43 2 860 400 1849
10 2 54 2 540 100 2916
 EJEMPLO 2: Índice de refracción

• Medida del índice de refracción

de una lámina de vidrio

sen i = n sen r

r
 Índice de refracción: medidas (2)

Medidas en grados sexagesimales sin i  n sin r y  mx  b

i r
i r
 sin i
25 1 15 1  sin i  i  cos i i
i
30 1 20 1
 sin r
35 1 21 1  sin r  r  cos r r
40 1 24 1 r
45 1 27 1 x x y y
50 1 29 1
55 1 30 1 sen r sen r sen i sen i
60 1 32 1 1 0,2588 0,0169 0,4226 0,0158 m  1.69  0.09
65 1 33 1 2 0,3420 0,0164 0,5000 0,0151
b  0.04  0.04
70 1 36 1 3 0,3584 0,0163 0,5736 0,0143
4 0,4067 0,0159 0,6428 0,0134 r  0.99301
5 0,4540 0,0156 0,7071 0,0123
6 0,4848 0,0153 0,7660 0,0112
7 0,5000 0,0151 0,8192 0,0100
8 0,5299 0,0148 0,8660 0,0087
9 0,5446 0,0146 0,9063 0,0074
10 0,5878 0,0141 0,9397 0,0060
 Índice de refracción: gráfica (3)

1,2

1,0 m  1.69  0.09 Índice de refracción

b  0.04  0.04
0,8 r  0.99301
sen i

0,6

0,4

0,2

0,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
sen r
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL

EJEMPLO 3. EXPONENCIALES
V (volts) Descarga de un condensador
5

V  V0  e t /
4
V0  (5.008  0.004) V

3
  (251.5  0.2) s

2
V  V0 / e

t 
0 t (s)
0 100 200 300 400 500 600 700
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL

Las exponenciales se transforman en lineales tomando logaritmos

ln (V/V0)
t
ln(V / V0 )  
0,0

y  a0  a1t
-0,5

1
-1,0 a1  

-1,5

-2,0
a0  (0.015  0.002)
-2,5 a1  (0.003930  0.000004) s -1

-3,0 t (s)
0 100 200 300 400 500 600 700
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL

EJEMPLO 4. FUNCIONES INVERSAS

Focal de una lente

s’

f’
Ecuación de las lentes: forma de Gauss
1 1 1 1 1 1
   
f' s' s s' f' s
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL

Focal de una lente: tabla de valores

-1 -1
s (cm) s’ (cm) 1/s (cm ) 1/s’ (cm )
97.50 67.65 0.010256 0.014782

106.00 63.95 0.0094340 0.015637

113.50 61.50 0.0088106 0.016260

120.30 59.70 0.0083126 0.016750

126.80 58.20 0.0078864 0.017182

(distancias s y s’ medidas con 0.05 cm)

CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL

DETERMINACIÓN DE LA ORDENADA EN EL ORIGEN

-2
1.75 10
1
a  2.510  0.003 10 2 cm 1
-2 f'
1.70 10
b   1.004  0.004
-2
1.65 10
r  0.99998
-2
1.60 10 1 1
   a  b  
-2
 
s ' s
1.55 10

-2
1.50 10

-2
1.45 10
-3 -3 -3 -3 -3 -2 -2
7.50 10 8.00 10 8.50 10 9.00 10 9.50 10 1.00 10 1.05 10
1/s
27
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL

1 1
f '  2
 39.84 cm
a 2.510 10

1 0.003 10 2
f '   2 a   0.05 cm
a  
2.510 10 2
2
 Ley de Malus  (º) I (lux)
0 161
I = m1 + m2 cos2(+m 10 125
20 87
3) 30 54
m1 = (5.6±1.0) lux m2 = (204.9±1.8) lux 40 28
45 17
m3 = (31.2±0.3) º r = 0.99924 50 10
55 6
60 4
250 65 7
70 14
75 22
200 80 33
90 63
150 100 94
110 130
120 158
100
130 190
140 207
50 150 214
160 205
0
170 179
180 147
0 40 80 120 160
29
 Cont.

a, b, c Se determinan de las ecuaciones

normales

 y  na  b  
x  c x 2

 xy  a x  b x 2
 c x 3

Ecuaciones Normales

 x 2
y  a  x 2
 b  x 3
 c  x 4
 PROBLEMA DE APLICACIÓN
(Censo poblacional)
Año (X) Población (Y) Año (X) Población (Y)
1790 4 1900 76
1800 5,3 1910 92
1810 7,2 1920 105,7
1820 9,6 1930 122,8
1830 12,9 1940 131,7
1840 17,1 1950 151,1
1850 23,2 1960 179,3
1860 31,4 1970 203,2
1870 39,8 1980 226,5
1880 50,2 1990 248,7
1890 62,9
 PARÁBOLA DE MÍNIMOS CUADRADOS (Ajustar los datos de la tabla)
Año X Y X2 X3 X4 XY X2Y
1790 -10 4 100 -1000 10000 -0,04 0,04
1800 -9 5,3 81 -729 6561 -0,0477 0,0429
1810 -8 7,2 64 -512 4096 -0,0576 0,0461
1820 -7 9,6 49 -343 2401 -0,0672 0,047
1830 -6 12,9 36 -216 1296 -0,0774 0,0464
1840 -5 17,1 25 -125 625 -0,0855 0,0428
1850 -4 23,2 16 -64 256 -0,0928 0,0371
1860 -3 31,4 9 -27 81 -0,0942 0,0283
1870 -2 39,8 4 -8 16 -0,0796 0,0159
1880 -1 50,2 1 -1 1 -0,0502 0,005
1890 0 62,9 0 0 0 0 0
1900 1 76 1 1 1 0,076 0,0076
1910 2 92 4 8 16 0,184 0,0368
1920 3 105,7 9 27 81 0,3171 0,0951
1930 4 122,8 16 64 256 0,4912 0,1965
1940 5 131,7 25 125 625 0,6585 0,3292
1950 6 151,1 36 216 1296 0,9066 0,544
1960 7 179,3 49 343 2401 1,2551 0,8786
1970 8 203,2 64 512 4096 1,6256 1,3005
1980 9 226,5 81 729 6561 2,0385 1,8346
1990 10 248,7 100 1000 10000 2,487 2,487
∑X=0 ∑Y=1800,6 ∑X2=770 ∑X3=0 ∑X4=50666 ∑XY=9347,4 ∑X2Y=80615
 ECUACIONES NORMALES

•Para n=21, las ecuaciones normales se convierten en:

 Y  21a  770c  1806
 XY  770b  9347.4
 X Y  770a  50666c  80615
2

a = 61.8903
•Resolviendo b = 12.1395
c = 0.6505

•La parábola de mínimos cuadrados pedida tiene la ecuación

Y  61.8903  12.1395 X  0.6505 X 2
 Interpolación
Métodos Numéricos
Aplicados a la Ingeniería
 Métodos empleados antes de la era de
las computadoras
• El método más simple para ajustar una curva es ubicar los
puntos y después dibujar una línea que visualmente se ajusta
a los datos
• Los resultados dependen del punto de vista subjetivo de la
persona

Regresión por mínimos Interpolación lineal Interpolación curvilínea

cuadrados
 Regresión por mínimos cuadrados
• Ejemplo:
Regresion por minimos cuadrados
2.6
Lineal
2.4 Cuadratico
Ajuste de modelos lineal, 2.2
Cubico

cuadrático y cúbico a 2

datos de Hermite por 1.8

f(x)
regresión por mínimos
1.6

1.4

cuadrados 1.2

1
Lineal Cuadrático Cúbico
0.8
MSE 0.2869 0.1390 0.1494
R2 0.0059 0.5719 0.5974 -4 -3 -2 -1 0 1 2 3 4
x
AdjR2 0.0059 0.5184 0.4824
 Regresión por mínimos cuadrados
Regresion por minimos cuadrados
2.6
Lineal
2.4 Cuadratico
Ajustando un modelo 2.2
Cubico
quinto

más complejo se logra 2

mejor ajuste de los 1.8

f(x)
1.6
datos 1.4

1.2
Quinto orden
1
MSE 0.0566
0.8

R2 0.8911
-4 -3 -2 -1 0 1 2 3 4
AdjR2 0.8040 x
 Interpolación polinómica
• Interpolamos mediante la combinación lineal
de funciones conocidas
• La suma, resta, multiplicación, derivada e
integral de polinomios dan como resultado otro
polinomio
• El teorema de Weierstrass nos asegura que
siempre se puede aproximar una función
continua f(x) con un polinomio de grado n
 Método de Newton
Newton propuso el polinomio:

Pn ( x)  a0  a1 ( x  x0 )  a 2 ( x  x0 )( x  x1 )  
  a n ( x  x0 )( x  x1 )  ( x  xn 1 )
que podemos escribir:

n i 1 
 
Pn ( x)  a0  ai ( x  x j )
i 1 
 j 0 
 Método de Newton

¿Cómo podemos encontrar los ai?

Pn ( x0 )  a0  y0

Pn ( x1 )  a0  a1 ( x1  x0 )  y1

Pn ( x2 )  a0  a1 ( x2  x0 )  a 2 ( x2  x0 )( x2  x1 )  y 2
 Método de Newton
Si elegimos los intervalos equidistantes:

xn  xn 1  x  cte

Si elegimos los intervalos equidistantes:

Pn ( x0 )  a0  y0  a0  y 0

y1  y0 y
Pn ( x1 )  a0  a1 ( x1  x0 )  y1  a1  
x1  x0 x
 Método de Newton

Pn ( x2 )  a0  a1 ( x2  x0 )  a 2 ( x2  x0 )( x2  x1 )  y 2

y1  y0
y 2  y0  ( x 2  x0 )
x1  x0
 a2  2
2(x)
2
y 2  2 y1  y0  y0
 2
 2
2(x) 2(x)
 Método de Newton
Para el caso general:
n y0
an 
n! (  x ) 2

Lagrange propuso el polinomio:

Pn ( x)  a0 ( x  x1 )( x  x2 )( x  x3 )  ( x  xn ) 
a1 ( x  x0 )( x  x2 )( x  x3 )  ( x  xn ) 
a 2 ( x  x0 )( x  x1 )( x  x3 )  ( x  xn ) 

a n ( x  x0 )( x  x1 )( x  x2 )  ( x  xn 1 )
 Método de Lagrange
¿Cómo podemos encontrar los ai?

Pn ( x0 )  a0 ( x0  x1 )( x0  x2 )( x0  x3 )  ( x0  xn )  y0
Pn ( x1 )  a1 ( x1  x0 )( x1  x2 )( x1  x3 )  ( x1  xn )  y1
Pn ( x2 )  a 2 ( x2  x0 )( x2  x1 )( x2  x3 )  ( x2  xn )  y 2

Pn ( xn )  a n ( xn  x0 )( xn  x1 )( xn  x2 )  ( xn  xn 1 )  y n
 Problemas...
• ¿Cómo se ve la interpolación si se realiza con
polinomios de alto orden?

• ¿Cómo afecta la acumulación de errores de

numéricos en polinomios de alto orden?
 Interpolación de polinomios
• Formula general para un polinomio

f  x   a0  a1 x  a2 x    an x
2 n

• Para n+1 puntos, hay uno y sólo un polinomio de orden n que pasa a
través de todos los puntos
• Polinomio de primer orden (línea recta)  conecta dos puntos
• Polinomio de segundo orden (parábola)  conecta tres puntos

• La interpolación polinomial consiste en determinar el único polinomio

de n-ésimo orden que ajuste n+1 puntos

• Luego este polinomio permite calcular valores intermedios

• Existen dos formas matemáticas de expresar este polinomio

1. Polinomio de Newton
2. Polinomio de Lagrange
 Diferencia finita de Newton para
la interpolación de polinomios
• Interpolación lineal: realiza la estimación entre
dos puntos con una línea recta mediante triángulos
semejantes
fˆ1  x   f  x0  f  x1   f  x0 
 f(x1)
x  x0 x1  x0
f  x1   f  x0  f1(x)
fˆ1  x   f  x0    x  x0 
x1  x0 f(x0)

otra forma
x0 x x1
fˆ1  x   b0  b1 x  x0 

Si x = x0  b0  f  x0 
Si x = x1  b  f  x1   f  x0   Aproximación por diferencias finitas de la
1
x1  x0 primera derivada
 Diferencia finita de Newton para la
interpolación de polinomios
• Interpolación cuadrática: si tres puntos de los datos están disp
onibles se puede ajustar un polinomio de 2do grado

fˆ2  x   b0  b1  x  x0   b2  x  x0  x  x1 

Si x = x0  b0  f  x0 

f x1   f x0   Aproximación por diferencias finitas de la

Si x = x1  b1 
x1  x0 primera derivada

f  x2   f x1  f  x1   f  x0   Aproximación por


x2  x1 x1  x0 diferencias finitas de la
Si x = x2  b2 
x2  x0 2da derivada
 Forma general de la interpolación
de polinomios de Newton
• Para ajustar un polinomio de n-ésimo orden a n+1 datos

f n  x   b0  b1 x  x0     bn  x  x0  x  x1   x  xn 1 
los coeficientes son:

b0  f x0 
b1  f x1 , x0 
 Donde las evaluaciones de la función
b2  f x2 , x1 , x0  entre corchetes son diferencias finitas
divididas
bn  f xn , xn 1 ,  , x1 , x0 
 Forma general de la interpolación
de polinomios de Newton
• La primera diferencia finita se representa como
f  xi   f x j 
 
f xi , x j 
xi  x j
• La segunda diferencia finita, como la diferencia de
las dos primeras

 
f xi , x j , xk 
  
f xi , x j  f x j , xk 
xi  xk
• La n-ésima diferencia finita es

f xn , xn 1 , , x1   f xn 1 , , x1 , x0 
f xn , xn 1 ,  , x1 , x0  
xn  x0

• Nótese, que no es necesario que los datos estén

igualmente espaciados, o que los valores de la
abcisa estén en orden ascendente
 Forma general de la interpolación
de polinomios de Newton
• Ejemplo: Utilice un polinomio 2

de Newton de 3er orden para

interpolar el valor en x = 2 1.5

1
x y=ln(x) Y_int Ea
1 0 0 - 0.5

y
funcion original
4 1.38629 0.46209 0.46209 puntos de la muestra
0 Polinomio de Newton
6 1.79175 0.56584 0.10374
5 1.60943 0.62876 0.06292 -0.5

-1
0 1 2 3 4 5 6
x

f 3  x   0  0.4621 x  x0   0.0519 x  x0  x  x1   0.0079 x  x0  x  x1  x  x2 

f 3  x   0  0.46212  1  0.05192  12  4   0.00792  12  4 2  6   0.62876

 Error de la interpolación con
polinomios de Newton
• El polinomio de Newton de orden n es de la forma
f n x   f  x0   f x1 , x0  x  x0     f xn , xn 1 ,  , x0  x  x0  x  x1   x  xn 1 

• La estructura del polinomio de Newton es similar a l

a de la serie de Taylor
f n  xi 
f  xi 1   f  xi   f '  xi  xi 1  xi     xi 1  xi n  Rn
n!
• De manera similar al caso de la serie de Taylor se
puede obtener una formulación para el error de los
polinomios de Newton
f n 1  
• Para la serie de Taylor Rn  xi 1  xi n 1
n  1!
• Para polinomio de newton de orden n
f n 1  
Rn  x  x0 x  x1  x  xn 
n  1!
 Error de la interpolación con
polinomios de Newton
• Una formulación alternativa está disponible y no
requiere el conocimiento de la función

Rn  f x, xn , xn 1 ,  , x0 x  x0  x  x1   x  xn 
• Esta formula no puede resolverse porque contiene
la incógnita f(x), sin embargo, si se dispone de un
dato adicional puede usarse para estimar el error
Rn  f xn 1 , xn , xn 1 ,  , x0  x  x0  x  x1   x  xn 

• El error estimado para el polinomio de n-ésimo orde

n es equivalente a la diferencia entre la estimación
de (n+1)-ésimo orden y la de
n-ésimo orden
Rn  f n 1  x   f n  x 
 Seudo código para el método
de interpolación por polinomios
de Newton
SUBROUTINE NewtInt (x,y,n,xi,yint,ea)
LOCAL fddn,n
DO i = 0, n
Fddi,0= yi
END DO
DO j = 1, n
DO i = 0, n-j
fddi,j = (fddi+1,j – fddi,j-1)/(xi+j – xi)
ND DO
END DO
xterm = 1
yint0 = fdd0,0
DO order = 1, n
xterm = xterm*(xi – xorder-1)
yint2 = yintorder-1 + fdd0,order*xterm
eaorder-1 = yint2 –yintorder-1
yintorder = yint2
END DO
END NewtInt
 Interpolación de polinomios de
Lagrange
• Este método es una reformulación del polinomio de Newton que evita
el cálculo por diferencias finitas
• Los polinomios de Lagrange se pueden expresar como
n
f n  x    Li  x  f  xi 
i 0

n
x  xj
donde, Li  x   
j 0 xi  x j
j i

x  x1 x  x0
• Polinomio de orden n = 1  f1  x   f  x0   f  x1 
x0  x1 x1  x0

• Polinomio de orden n = 2

f 2 x  
x  x1 x  x2  f x   x  x0 x  x2  f x   x  x0 x  x1  f x 
x0  x1 x0  x2  0 x1  x0 x1  x2  1 x2  x0 x2  x1  2
 Interpolación de polinomios de
Lagrange
• La estimación del error en la interpolación con los polinomios de
Lagrange esta dada por
n
Rn  f x, xn , xn 1 ,  , x0   x  xi 
i 0
• Sin embargo, como este método no usa las diferencias finitas,
no es práctico hacer este cálculo

• Por eso se prefiere usar polinomios de Lagrange cuando se

conoce a priori el orden del polinomio

• Y se usan los polinomios de Newton para cálculos exploratorios, ya que

este método proporciona información respecto al comportamiento de los
polinomios de diferente orden
Seudo código para el método de interpolació
n por polinomios de Lagrange

FUNCTION Lagrng(x,y,n,x)
sum = 0
DO i = 0, n
product = yi
DO j = 0, n
IF i ~= j THEN
product = product*(x – xj)/(xi – xj)
END IF
END DO
sum = sum + product
END DO
Lagrng = sum
END Lagrng
 Coeficientes de un polinomio de
interpolación
• Un método directo para calcular los coeficientes de un
polinomio de interpolación
f  x   a0  a1 x  a2 x 2    an x n
se basa en el hecho de que n+1 puntos se requieren
para determinar los n+1 coeficientes

• Se puede usar la solución de un sistema de ecuaciones

algebraicas simultáneas para calcular los coeficientes
 Coeficientes de un polinomio de
interpolación
• Por ejemplo, se quiere calcular los coeficientes de

f x   a0  a1 x  a2 x 2
Se requieren tres puntos (x0,f(x0)), (x1,f(x1)) y (x2,f(x2)), sustituyendo
cada uno en el polinomio para dar

f x0   a0  a1 x0  a2 x0
2

f x1   a0  a1 x1  a2 x1
2

f  x2   a0  a1 x2  a2 x2
2

• Se debe tener precaución con el orden

• Los sistemas como estos están notoriamente mal condicionados
• Los coeficientes pueden ser altamente inexactos, en particular para
n grandes
 Interpolación segmentaria
(SPLINES)
• En la sección anterior se usó polinomios de n-ésimo orden
para interpolar n+1 puntos
• Esta curva podría capturar todas las curvaturas sugeridas por
los puntos
• Hay casos en los que estas funciones pueden llevar a
resultados erróneos debido a errores de redondeo y puntos
lejanos
• Una alternativa es aplicar polinomios de orden inferior a sub-
conjuntos de datos
• A estos se les llama funciones segmentarias
• Estas se pueden construir de tal forma que las conexiones
entre las ecuaciones cúbicas adyacentes resultan visualmente
suaves
 Segmentarias cuadráticas
• Para asegurar que las derivadas m-ésimas sean continuas
en los nodos, se debe usar una segmentaria del al menos
m+1 orden

• En la práctica se usan con más frecuencia segmentarias

cúbicas para asegurar derivadas continuas de 1ro y 2do orden

• El objetivo de las segmentarias cuadráticas es obtener un

polinomio de 2do orden para cada intervalo i entre datos

f i  x   ai x 2  bi x  ci
 Segmentarias cuadráticas
• Para n+1 datos (i = 0,1,2,…n) existen
n intervalos
• En consecuencia , 3n constantes
a1 x 2  b1 x  c1 a3 x 2  b3 x  c3
desconocidas (a, b y c)
• Se requieren 3n ecuaciones: a2 x 2  b2 x  c2
1. Los valores de la función de f  x1 
polinomios adyacentes deben ser f  x0  f  x3 
iguales a los nodos interiores f  x2 

ai 1 xi 1  bi 1 xi 1  ci 1  f xi 1 
2

Intervalo Intervalo Intervalo

ai xi 1  bi xi 1  ci  f xi 1 
2
1 2 3

para i = 2 a n
x0 x1 x2 x3
Como solo se usan para puntos
i=0 i=1 i=2 i=3
interiores, da un total de 2n-2 ecuac.
 Segmentarias cuadráticas
2. Las 1ra y ultima funciones deben
pasar por los puntos extremos
a1 x0  b1 x0  c1  f  x0 
2
a1 x 2  b1 x  c1 a3 x 2  b3 x  c3
an xn  bn xn  cn  f  xn 
2

a2 x 2  b2 x  c2
2 ecuaciones adicionales
f  x1 
3. Las 1ras derivadas en los nodos f  x3 
f  x0 
interiores deben ser iguales f  x2 

f '  x   2ax  b
2ai 1 xi 1  bi 1  2ai xi 1  bi Intervalo Intervalo Intervalo
1 2 3

para i = 2 a n
n-1 ecuaciones x0 x1 x2 x3
i=0 i=1 i=2 i=3
Para un total de 2n-2 + 2 + n-1 = 3n-1

Falta una ecuación!!

 Segmentarias cuadráticas

A menos que se tenga información

adicional acerca de la función o sus
derivadas, se debe tomar una a1 x 2  b1 x  c1 a3 x 2  b3 x  c3
selección arbitraria para calcular las
constantes a2 x 2  b2 x  c2

f  x1 
4. Suponga que en el 1er punto la f  x0  f  x3 
f  x2 
2da derivada es cero

f ' '  x   2ai  a1  0 Intervalo Intervalo Intervalo

1 2 3

lo que indica que los dos primer

x0 x1 x2 x3
os puntos se conectan con una
i=0 i=1 i=2 i=3
línea recta
 Segmentarias cuadráticas
3

Ejemplo: Ajustar por segmentarias 2.5

cuadráticas los datos de la tabla.
Interpole el valor en x = 5 2

f(x)
1.5

x f(x)
1
3 2.5 20.25a1  4.5b1  c1  1.0
4.5 1.0 0.5 20.25a2  4.5b2  c2  1.0
49a2  7b2  c2  2.5
7 2.5
0 49a3  7b3  c3  2.5
0 1 2 3 4 5 6 7 8 9 10
9 0.5 x

1. Los valores de la función de

polinomios adyacentes deben
ser iguales a los nodos interiores
 Segmentarias cuadráticas
3

Ejemplo: Ajustar por segmentarias

cuadráticas los datos de la tabla. 2.5

Interpole el valor en x = 5 2

f(x)
1.5

x f(x)
1
3 2.5
4.5 1.0 0.5 9a1  3b1  c1  2.5
81a3  9b3  c3  0.5
7 2.5
0
0 1 2 3 4 5 6 7 8 9 10
9 0.5 x

2. Las 1ra y ultima funciones deben

pasar por los puntos extremos
 Segmentarias cuadráticas
3
Ejemplo: Ajustar por segmentarias
cuadráticas los datos de la tabla. 2.5

Interpole el valor en x = 5
2

x f(x)

f(x)
1.5
3 2.5
1
4.5 1.0

7 2.5 0.5

9 0.5 0
0 1 2 3 4 5 6 7 8 9 10
x

3. Las 1ras derivadas en los nodos

interiores deben ser iguales 4. Suponga que en el 1er
punto la 2da derivada es cero
9a1  b1  9a2  b2
a1  0
14a2  b2  14a3  b3
 Segmentarias cuadráticas
Ejemplo: El problema se reduce a
resolver un sistema de ecuaciones
lineales

20.25a1  4.5b1  c1  1.0 4.5 1   b1   1 

20.25a2  4.5b2  c2  1.0  20 .25 4.5 1  c   1 
  1   
49a2  7b2  c2  2.5  49 7 1  a2  2.5
49a3  7b3  c3  2.5     
 49 7 1 b2  2.5

9a1  3b1  c1  2.5 3 1   c2  2.5
81a3  9b3  c3  0.5     
 81 9 1 a3  0.5
9a1  b1  9a2  b2  0 1     
9 1 0
 3   
b

14a2  b2  14a3  b3  0  14 1  14  1   c3   0 
a1  0
 Segmentarias cuadráticas
Ejemplo: Resolviendo el sistema 5

de ecuaciones se obtiene 4.5

a1  0 b1  1 c1  5.5
4

3.5
a2  0.64 b2  6.76 c2  18.46
3

a3  1.6 b3  24.6 c3  91.3

f(x)
2.5

2
Las cuales pueden sustituirse en las
1.5
ecuaciones cuadráticas originales
1
para determinar la ecuación para
0.5
cada intervalo
f1  x    x  5. 5 3  x  4.5
0
0 1 2 3 4 5 6 7 8 9 10
x
f 2  x   0.64 x 2  6.76 x  18.46 4.5  x  7
f 3  x   1.6 x 2  24.6 x  91.3 7 x9

f 2 5  0.645  6.765  18.46  0.66

2
 Segmentarias cúbicas
• El objetivo de las segmentarias cúbicas es obtener un
polinomio de 3er orden para cada intervalo entre los puntos

f i x   ai x 3  bi x 2  ci x  d i

• Para n+1 datos (i=0,1,2,…,n) existen n intervalos, 4n

incógnitas constantes para evaluar

• Se requieren 4n ecuaciones para evaluar las incógnitas

 Segmentarias cúbicas

1. Los valores de la función deben ser iguales en los puntos interiores

(2n-2) ecuaciones
2. Las primera y última funciones deben pasar por los puntos extremo
s (2 ecuaciones)
3. Las 1ras derivadas en los puntos interiores deben ser iguales (n-1
ecuaciones)
4. Las 2das derivadas en los puntos interiores deben ser iguales (n-1
ecuaciones)
5. Las 2das derivadas en los puntos extremos son cero (2ecuaciones)
2n – 2 + 2 + n -1 + n – 1 + 2 = 4n

La última condición indica que la función se vuelve una línea recta en los
puntos extremos
 Segmentarias cúbicas

• Existe una técnica alterna que requiere sólo la solución de n-1

ecuaciones
• Se basa en que la 2da derivada dentro de cada intervalo es una
línea recta y se obtiene la siguiente ecuación cúbica para cada
intervalo
f ' '  xi 1 
f i x   xi  x 3  f ' ' xi  x  xi 1 3
6 xi  xi 1  6 xi  xi 1 
 f  xi 1  f ' '  xi 1  xi  xi 1  
   xi  x 
 xi  xi 1 6 
 f  xi  f ' '  xi  xi  xi 1  



6   x  xi 1 
 i i 1
x x 

• Esta ecuación tiene dos incógnitas, las 2das derivadas en los

extremos de cada intervalo
f ' ' xi 1 , f ' ' xi 
 Segmentarias cúbicas

• Estas incógnitas se pueden evaluar mediante la

siguiente ecuación

6
xi  xi 1  f ' ' xi 1   2xi 1  xi 1  f ' ' xi   xi 1  xi  f ' ' xi 1    f xi 1   f xi   6  f xi 1   f xi 
xi 1  xi xi  xi 1

• Si esta ecuación es descrita para todos los nodos

interiores, resulta n-1 ecuaciones simultáneas con
n-1 incógnitas (porque las 2das derivadas en los
puntos extremos son cero  segmentaria natural)

• Además, el sistema de ecuaciones será tridiagonal

 se puede usar el algoritmo de Thomas (TDMA)
 Interpolación Polinómica
Segmentaria
u Limitaciones de la interpolación polinómica
4 Grado del polinomio
4 Carácter de la función a interpolar
u Alternativa propuesta: Splines.
4 Numéricamente estable
4 Matrices dispersas
4 Agradable a la vista
 Interpolación Polinomica
Segmentaria: Splines

u Interpolación Segmentaria
u Interpolación Segmentaria Lineal

u Interpolación Segmentaria Cúbica

4 Condiciones Naturales
4 Condiciones sobre la derivada
 Interpolación Segmentaria
Lineal: Función de Runge
Polinomio grado 4 Spline lineal
1 1

0.9
0.8
0.8
0.6 0.7

0.6
0.4
0.5
0.2
0.4

0 0.3

0.2
-0.2
0.1

-0.4 0
-1 0 1 -1 0 1
1
y
1  25x 2
Perfil para un diseño

Polinomio interpolad
or
 Aplicaciones
u Ingeniería y Diseño (CAD/CAM, CNC’s)
u Geología
u Aeronáutica y automoción
u Economía
u Procesamiento de señales e imágenes (Reconocimiento
de patrones, recuperación de imágenes)
u Robótica
u Medicina (Aparatos auditivos, mapas cerebrales)
u Meteorología (Mapas climáticos, detección de
inundaciones,...)
u Mundo Virtual Distribuido Multiusuario
 Splines Lineales
u Polinomio de Lagrange
x  x k 1 x  xk
q k (x)  yk  y k 1
x k  x k 1 x k 1  x k
u Polinomio de Newton

q k ( x )  f [ x k ]  f [ x k , x k  1 ]( x  x k ) 
y k 1  y k
 yk  (x  xk )
x k 1  x k
Splines Lineales
 Interpolación Segmentar
ia Lineal: Función de Ru
nge
Polinomio grado 4 Spline lineal
1 1

0.9
0.8
0.8
0.6 0.7

0.6
0.4
0.5
0.2
0.4

0 0.3

0.2
-0.2
0.1

-0.4 0
-1 0 1
1 -1 0 1

y
1  25x 2
 Matriz del sistema
2(h0  h1) h1 0  0 0 0 
 h 2(h1  h2 ) h2  0 0 0 
 1 
 0 h2 2(h2  h3)  0 0 0 
 
        
M
        
 
 0 0 0  2(hn4  hn3) hn3 0 
 0 0 0  hn3 2(hn3  hn2 ) hn2 
 
 0 0 0  0 hn2 2(hn2  hn1)
Términos independientes
 3 3 
 (a2  a1 )  (a1  a 0 ) 
h1 h0
 
 
  
p 
 
  
 
 3 3 
 (a n  a n1 )  (a n1  a n2 )
 hn1 h n 2 
 Ejemplo de la temperatura
Polinomio interpolador Spline cúbico
22 22

20 20

18 18

16 16
Grados

Grados
14 14

12 12

10 10

8 8

6 6
5 10 15 20 5 10 15 20
Hora Hora
Condiciones sobre la derivada
Teorema 2
Sea f(x) una función definida en [x0,xn]. Entonces existe un único
s(x) spline cúbico interpolante para f(x) en [x0,xn].tal que
s’(x0) = f’(x0) y s’(xn) = f’(xn).

3
2 h 0 c 0  h 0 c1  ( a 1  a 0 )  3f ' ( x 0 )
h0

3
h n  1c n  1  2 h n  1c n  3 f ' ( x n )  ( a n  a n  1 ).
h n 1
 Matriz del sistema

2h0 h0 0 0  0 0 0 
 h 2(h  h ) h 0  0 0 0 
 0 0 1 1 
0 h1 2(h1  h2 ) h2  0 0 0 
 
0 0 h 2( h  h )  0 0 0
M  
2 2 3
         
 
0 0 0 0  2(hn3  hn2 ) hn2 0 
0 0 0 0  hn2 2(hn2  hn1) hn1 
 
 0 0 0 0  0 hn1 2hn1
 Términos independientes

 3 
 h (a1  a 0 )  3f ' ( x 0 ) 
 0 
 3 (a  a ) 
3
(a 1  a 0 ) 
 h1 2 1
h0 
p  
 3 3 
 ( a n  a n 1 )  ( a n 1  a n  2 ) 
 h n 1 h n2 
 3 
 3f ' ( x n )  ( a n  a n 1 ) 
 h n 1 
Splines Cúbicos
 Interpolación segmentaria con
MATLAB
Interpolación segmentaria cúbica
ps = spline(x,y) % Devuelve el Spline, no los coef.
[x,s] = unmkpp(ps) % Devuelve los coeficientes
ps = mkpp(x,s)
syy = spline(x,y,xx) = ppval(ps,xx)
Interpolación segmentaria lineal
lyy = interp1(x,y,xx)
 Spline de MATLAB Interpolación Lineal
1 1

0.5
0.5

0
-1 0 1 -1 0 1

1 Spline Natural 1 Spline Derivada

0.5 0.5

0
0
-1 0 1 -1 0 1
 Problemas Propuestos
de IC343
Métodos Numéricos
Aplicados a la Ingeniería
PREGUNTA N° 01 [4.0 p]
En cierto experimento de laboratorio se obtuvo los datos que se muestran a continuación:
Xi 0.0 0.5 1.0 1.5 2.0 2.5
Yi 5.2 5.21 6.49 9.54 16.02 24.53
Haciendo uso de un método numérico apropiado, ajustar los datos de la tabla mostrada a
una curva de la siguiente forma:
f  x   ae x  be  x
PREGUNTA N° 01 [5.0 p]
Un polinomio pasa por los siguientes puntos:

(3.0, 2.0) (4.0, 3.1) (5.0, 4.4) (6.0, 6.0)

En un sistema de coordenadas (x, y). El polinomio proporciona y en términos de x por:

y  a1  a 2 x  a3 x 2  a 4 x 3
Establecer el sistema de ecuaciones y resolverlo para los coeficientes a1 a a4 por
eliminación de Gauss o por descomposición LU. La matriz de este problema es una MATRIZ
DE VANDERMONDE (4 x 4). Matrices más grandes de éste tipo tienden a estar mal
condicionadas.
PREGUNTA N° 04 [5.0 p]
Determinar mediante un Método Numérico apropiado las estimaciones de la población de
estudiantes de la UNSCH hasta el año 2031, teniendo en cuenta los datos proporcionados
por la Oficina de Planificación y Presupuesto de la UNSCH.

AÑO Nº Est(1).
1981 5294 ESTUDIANTES: 1981-2004 (con proyección al 2010)
1982 6097 9000
1983 5666
1984 5262
8500
1985 5847
1986 6034
y = 112.67x - 217916
8000 2
1987 5887 R = 0.85
1988 5990
1989 6058 7500

Estudiantes
1990 5276
1991 0*
7000
1992 6685
1993 6741
1994 7191 6500
1995 7389
1996 7142 6000
1997 7068
1998 6496 5500
1999 6435
2000 7190
5000
2001 7641
2002 8072 1980 1985 1990 1995 2000 2005 2010
2003 8402 Años
2004 8640
NOTAS: *Desfase del año académico
(1) Los datos de 1990 a 2004 son registros históricos, de 2005 a 2010 corresponden a proyecciones en el estudio de la OPP.
PREGUNTA N° 07 [4.0 p]

ANÁLISIS DE DATOS: AJUSTE DE CURVAS

A) Extienda el método de mínimos cuadrados al caso en que “y” es función lineal de 2
variables, esto es:
y  F  x1 , x 2   a0  a1 x1  a 2 x 2
 Obtener las ecuaciones normales correspondientes, si se sabe que x1i , x2i , yi 1in 
es la muestra de datos, de tamaño n.
 Determinar el coeficiente de correlación múltiple R (Coeficiente de determinación
múltiple)
 Un estudio de Mecánica de Fluidos indica que el fluido, a través de un tubo es función
del diámetro del tubo y de su pendiente. En el siguiente cuadro se muestran los
datos experimentales:
Experimento Diámetro Pendiente Flujo
3
(pies) (pies/pies) (pies /s)
1 1 0.001 1.4
2 2 0.001 8.3
3 3 0.001 24.2
4 1 0.01 4.7
5 2 0.01 28.9
6 3 0.01 84.0
7 1 0.05 11.1
8 2 0.05 69.0
9 3 0.05 200.0

Se sabe que el flujo (Q) está relacionado con la pendiente (S) y el diámetro (D) a
través de la siguiente expresión:
Q  a0 D a1 S a2
Estimar un valor de Q en un tubo con:
D = 2.5 pies S = 0.025 pies/pie
A) La realización de una batería de 10 tests de esfuerzo-tensión a un determinado objeto
ha proporcionado los siguientes datos:
ESFUERZO TENSIÓN
TEST Y X
1 91.00 0.001
2 97.00 0.002
3 108.00 0.003
4 111.00 0.005
5 114.00 0.006
6 110.00 0.006
7 112.00 0.009
8 105.00 0.011
9 98.00 0.016
10 91.00 0.017
Se desea ajustar un polinomio a este conjunto de datos: El diagrama de dispersión
sugiere que una parábola podría resultar adecuada. Determinar el “mejor” ajuste
parabólico tomando como objetivo la minimización de la suma de desviaciones
absolutas entre los valores observados y las predicciones. Compararlo con el
correspondiente ajuste mínimo cuadrático.
PREGUNTA N° 01 [6.0 p]

Los resultados del experimento de un túnel de aire sobre el flujo del aire en la punta del ala de un avión
proporcionan los siguientes datos:

R 0.730 0.780 0.810 0.860 0.875 0.890 0.950 1.020 1.030 1.055 →
C 1.135 1.14 1.245 1.320 1.385 1.430 1.445 1.535 1.570 1.630 1.755

V 0.0788 0.0788 0.064 0.0788 0.0681 0.0703 0.0703 0.0681 0.0681 0.0790 →
V 0.0575 0.0681 0.0575 0.0511 0.0575 0.0490 0.0532 0.0511 0.0490 0.0532 0.0426

Donde R es la distancia del núcleo al vórtice, C es la cuerda del ala del avión, Vθ es la velocidad
tangencial del vórtice y V∞ es la velocidad del avión libre de corrientes.
V
Sean: xR y
C V
La curva es de la forma:

g x   1  e
A
x

  x 2

Determinar los valores de A y λ, por aproximaciones por mínimos cuadrados.
R V
Graficar contra
C V
PREGUNTA N° 02 [5.0 ptos.]
SISTEMAS DE ECUACIONES NO LINEALES
En la siguiente tabla se refleja los valores obtenidos de forma experimental, de cierta magnitud d en
los distintos instantes t.

t 0.0 0.5 1.0 1.5 2.0 2.5 3.0

d(t) 1.0950 -0.1569 -1.0157 -1.4740 -1.3616 -0.8342 -0.0135

Estamos interesados en ajustar a los datos da la tabla un modelo no lineal de la forma:

 t   e
t
  sin t
Donde α y β son parámetros desconocidos.
a) Plantea el sistema no lineal que resulta al intentar determinar el valor de los parámetros α y
β que nos dan el modelo φ(t)
b) Aproxima la solución del sistema anterior mediante el Método de Newton para sistema de
ecuaciones no lineales, tomando una tolerancia apropiada. Representa los datos de la tabla y el
modelo φ(t) obtenido.
c) Determina en qué instantes t la magnitud de d(t) se anula. Utiliza el método, que consideres
oportuno para encontrar las raíces de esta ecuación no lineal.
PREGUNTA N° 01
FUNCIÓN POLINÓMICA DE DOS VARIABLES
Utilizando la interpolación lineal de dos dimensiones, elaborar un procedimiento numérico para una
herramienta de cálculo apropiada que permita interpolar los valores TP (56.4 ºF, 12.7 psi), (56.4 ºF,
22.7 psi), (56.4 ºF, 100 psi), (411.2 ºF, 12.7 psi), (411.2 ºF, 30.1 psi), (-200 ºF, 10 psi) y (0 ºF, 84.3 psi)
correspondiente a la tabla:

TEMPERATURA PRESIÓN (PSI)

(ºF)
10 20 30 40 60 80 100
-200 17.15 8.47 5.57 4.12 2.678 1.954 1.518
-100 23.97 11.94 7.91 5.91 3.91 2.903 2.301
0 30.72 15.32 10.19 7.63 5.06 3.78 3.014
100 37.44 18.70 12.44 9.33 6.21 4.65 3.71
200 44.13 22.07 14.70 11.03 7.34 5.50 4.40
300 50.83 25.42 16.94 12.71 8.46 6.35 5.07
400 57.51 28.76 19.17 14.38 9.58 7.19 5.75
500 64.20 32.10 21.40 16.05 10.70 8.03 6.42
PREGUNTA N° 03
INTERPOLACIÓN POLINÓMICA
La siguiente tabla refleja la demanda de energía eléctrica en una Ciudad cada dos horas de un día
determinado del año.

HORA 0 2 4 6 8 10 12
MW 31.250 28.000 26.000 26.000 34.000 37.500 38.000
HORA 14 16 18 20 22 24
MW 35.500 34.500 38.500 39.500 36.500 33.000
a) Hallar el polinomio de grado 12 que interpola los valores dados. Explicar el comportamiento del
polinomio de interpolación.
b) Se propone mejorar la interpolación dividiendo el intervalo en dos, de 0 a 12 y de 12 a 24 y
hallando un polinomio para cada intervalo. Representa los polinomios obtenidos y compara el
resultado con el del apartado anterior.
c) Interpola los datos con un paquete de software mediante un polinomio apropiado y compara con
los ajustes anteriores.
PREGUNTA N° 02 [5.0 ptos.]
ANÁLISIS DE DATOS – INTERPOLACIÓM MULTIDIMENSIONAL
Imagine que tiene um conjunto de datos “z” que depende de dos variables “x” y “y”. Considere la siguiente tabla:

y x x=15 x=30
y=10 23 33
y=20 45 55
y=30 60 70
y=40 82 92
y=50 111 121
y=60 140 150
y=70 167 177
y=80 198 198
y=90 200 210
y=100 20 230

a) Grafique ambos conjuntos de datos “yz” en la misma gráfica.

b) Use la interpolación lineal multidimensional para aproximar el valor de “z” cuando y=15 y x=20.
c) Qué otro método de interpolación se podría emplear para aproximar el valor de “z” cuando y=15 y x=20.
d) Use interpolación lineal para crear una nueva subtabla para x=20 y x=25, para todos los valores de “y”.
Sección de Preguntas
Muchas Gracias