Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ANALISIS NUMERICO
Grupo: 3AV1
Interpolación:
La interpolación polinomial es la base de muchos tipos de integración numérica
y tiene otras aplicaciones teóricas. En la práctica a menudo tenemos una tabla
de datos {(xi ,yi), i = 0, 1, 2,...,n}, obtenida por muestreo o experimentación.
Suponemos que los datos corresponden a los valores de una función f
desconocida (a veces es conocida, pero queremos cambiarla por una función
más sencilla de calcular).
El “ajuste de curvas” trata el problema de construir una función que aproxime
muy bien estos datos (es decir, a f). Un caso particular de ajuste de curvas es
la interpolación polinomial: En este caso se construye un polinomio P(x) que
pase por los puntos de la tabla. La interpolación polinomial consiste en estimar
f(x ∗ ) con P(x ∗ ) si x∗ no está en la tabla pero se puede ubicar entre estos
valores.
Aunque hay uno y sólo un polinomio de n-ésimo grado que se ajusta a n + 1
puntos, existe una gran variedad de formas matemáticas en las cuales puede
expresarse este polinomio.
Interpolación lineal
La forma más simple de interpolación consiste en unir dos puntos con una línea
recta. Dicha técnica es conocida como interpolación lineal.
f ( x1 ) −f ( x 0 )
f 1 ( x )=f ( x0 ) + ( x−x 0)
x 1−x 0
La fórmula de interpolación lineal.
La notación f1(x) designa que éste es un polinomio de interpolación de primer
grado. Se observa que además de representar la pendiente de la línea que une
los puntos, el término [ f(x1) – f(x0)] / (x1 – x0) es una aproximación en
diferencia dividida finita.
Además, entre más pequeño sea el intervalo entre los datos a analizar mejor
será nuestra aproximación.
Interpolación cuadrática
Una técnica para mejorar la estimación consiste en introducir alguna curvatura
a la línea que une los puntos. Si se tienen tres puntos como datos, éstos
pueden ajustarse en un polinomio de segundo grado (también conocido como
polinomio cuadrático o parábola). Una forma particularmente conveniente para
ello será:
Una manera simple puede usarse para determinar los valores de los
coeficientes.
Para encontrar b 0, en la ecuación anterior se evalúa con x=x 0
b 0=f ( x 0 )
f ( x 1 ) =f ( x 0 ) +b1 ( x 1−x 0 )
f ( x1 ) −f ( x 0 )
b 1=
( x 1−x 0 )
Para el ultimo coeficiente se sustituyen los valores de b 0 y b 1 en la formula (1),
prosiguiendo con evaluar x=x 2 para hallar b 2
f ( x1 ) −f ( x 0 )
f ( x 2 ) =f ( x 0 )+ ( x−x 0 )+ b2 ( x−x 0 )( x−x1 )
( x 1−x 0 )
f ( x1 ) −f ( x 0 )
f ( x 2 ) =f ( x 0 )+ ( x2 −x0 ) + b2 ( x2− x0 ) ( x 2−x 1 )
( x 1−x 0 )
∴
f ( x 2 )−f ( x 1 ) f ( x 1) −f ( x 0 )
−
x2− x1 x 1−x 0
b 2=
x2 −x0
f ( x 2 )−f ( x 1) f ( x1 ) −f ( x 0 )
−
f ( x1 ) −f ( x 0 ) x 2−x 1 x1 −x0
f 2 ( x )=f ( x 0) + ( x −x 0) + ( x−x 0 )( x−x1 )
( x 1−x 0 ) x 2−x 0
INTERPOLACIÓN POLINOMIAL DE NEWTON
EN DIFERENCIAS DIVIDIDAS
b 0=f (x 0)
b 1=f [ x 1 , x 0]
b 2=f [ x 2 , x 1 , x 0]
·
·
·
bn=f [xn , xn – 1 ,· · · , x 1 , x 0 ]
f (x ¿¿ i)−f ( x j)
f [ x i , x j ]= ¿
xi −x j
f ( x ¿ ¿ i , x j)−f (x j , x k )
f [ x i , x j , x k ]= ¿
xi −x k
El nombre “diferencia divida” viene del hecho de que cada f [xk , xk +1 , ... , xk + j]
se puede expresar como un cociente de diferencias.
El teorema indica que cada diferencia dividida se puede calcular en términos de
otras “diferencias” previamente calculadas. El ejemplo que sigue es un caso
particular para mostrar cómo se aplica el teorema.
Para no perder el hilo cuando estamos calculando el valor de los coeficientes
para el polinomio de Newton que está basado en diferencias dividas, se
pretende realizar una tabla guía, para denotar el comportamiento de ellas:
i Xi f (Xi)
0 X 0 f (X 0 ) f [x 1 , x 0 ] f [x 2 , x1 , x0 ] f [x 3 , x2 , x1 , x 0] f [x 4 , x 3 , x 2 , x 1 , x 0 ]
1 X 1 f (X 1 ) f [x 2 , x1 ] f [x 3 , x2 , x1 ] f [x 4 , x 3 , x 2 , x 1 ]
2 X 2 f (X 2 ) f [x 3 , x2 ] f [x 4 , x 3 , x 2 ]
3 X 3 f (X 3 ) f [x 4 , x 3 ]
4 X 4 f ( X 4)
Solucion:
Definimos el polinomio:
f 5 ( x )=b 0+ b 1 ( x – x 0 ) +b 2 ( x – x 0 ) ( x – x 1 )+ b 3 ( x – x 0 ) ( x – x 1 )( x – x 2 ) +b 4 ( x – x 0 ) ( x – x 1 ) ( x – x 2 )( x – x 3
Donde:
b 0=f (x 0)
b 1=f [ x 1 , x 0]
b 2=f [ x 2 , x 1 , x 0]
b 3=f [x 3 , x 2, x 1 , x 0 ]
b 4=f [ x 4 , x 3 , x 2 , x 1 , x 0]
b 5=f [x 5 , x 4 , x 3 , x 2 , x 1 , x 0]
i Xi f (Xi)
0 X0 f (X 0 ) f [x 1 , x 0 ] f [x 2 , x1 , x0 ] f [x 3 , x2 , x1 , x 0] f [x 4 , x 3 , x 2 , x 1 , x 0 ] f [x 5 , x 4 , x 3 , x 2 , x 1 , x 0 ]
1 X1 f (X 1 ) f [x 2 , x1 ] f [x 3 , x2 , x1 ] f [x 4 , x 3 , x 2 , x 1 ] f [x 5 , x 4 , x 3 , x 2 , x 1 ]
2 X2 f (X 2 ) f [x 3 , x2 ] f [x 4 , x 3 , x 2 ] f [x 5 , x 4 , x 3 , x 2 ]
3 X3 f (X 3 ) f [x 4 , x 3 ] f [x 5 , x 4 , x 3 ]
4 X4 f (X 4) f [x 5 , x 4 ]
5 X5 f (X 5 )
i Xi f (Xi)
5 200 50.1
f ( x 0 ) =35.5 45.7−43.6
f ( x 3 , x2 ) = =0.21
180−170
37.8−35.5
f ( x1 , x0 )= =0.23
160−150
47.3−45.7
f ( x 4 , x 3 )= =0.16
190−180
43.6−37.8
f ( x2 , x1 )= =0.58 50.1−47.3
170−160 f ( x 5 , x 4 )= =2.8
200−190
0.58−0.23
f [ x 2 , x 1 , x 0 ]= =0.0175
170−150
0.21−0.58
f [ x 3 , x 2 , x 1 ]= =−0.0185
180−160
0.16−0.21
f [ x 4 , x 3 , x 2 ]= =−0.0025
190−170
2.8−0.16
f [ x 5 , x 4 , x 3 ]= =0.132
200−180
−0.0185−0.0175
f [ x3 , x2 , x1 , x0 ] = =−0.0012
180−150
−0.0025−(−0.0185)
f [ x 4 , x 3 , x 2 , x 1 ]= =5.3333× 10−4
190−160
0.132−(−0.0025)
f [ x 5 , x 4 , x 3 , x 2 ]= =4.4833 ×10−3
200−170
Sustituyendo:
f ( x )=35.5+ 0.23 ( x – 150 ) +0.0175 ( x – 150 ) ( x – 160 ) −0.0012 ( x – 150 ) ( x – 160 )( x – 170 ) +0.00004333 ( x – 15
R=38.973
CODIGO:
%Interpolación de Newton con Diferencias Divididas
clear;
clc;
fprintf('Polinomio de Interpolación de Newton con Diferencias
Divididas\n\n');
x=[introducir los valores para x separados por un espacio];
y=[introducir los valores para y separados por un espacio];
xa=x;
ya=y;
d=zeros(length(y));
d(:,1)=y';
for k=2:length(x)
for j=1:length(x)+1-k
d(j,k)=(d(j+1,k-1)-d(j,k-1))/(x(j+k-1)-x(j));
end
end
for w=1:length(x)
ds=num2str(abs(d(1,w)));
if w>1
if x(w-1)<0
sg1='+';
else
sg1='-';
end
end
if d(1,w)<0
sg2='-';
else
sg2='+';
end
if w==1
acum=num2str(d(1,1));
elseif w==2
polact=['(x' sg1 num2str(abs(x(w-1))) ')' ];
actual=[ds '*' polact];
acum=[acum sg2 actual];
else
polact=[polact '*' '(x' sg1 num2str(abs(x(w-1))) ')' ];
actual=[ds '*' polact];
acum=[acum sg2 actual];
end
end
fprintf('***** Valores de x y y *****\n\n');
disp(xa);
disp(ya);
fprintf('Polinomio de interpolación de Newton es:\n \t%s \n\n',acum);
x=input('Digite un valor a interpolar: ');
if x>max(xa)|x<min(xa)
fprintf('Punto fuera de rango. El resultado puede ser equivocado
\n');
end
xinterp=x;
yinterp=eval(acum);
fprintf('\nEl valor de la interpolación es: %.8g\n',yinterp);
EJECUCIONES:
Ejemplo 1
Ejemplo manual:
Conclusión:
La interpolación es de gran utilidad cuando se desea estimar nuevos datos
intermedios a partir de los ya existentes ósea ajustar a una función, y en el
caso del método de Newton en diferencias divididas se nos presenta una
manera muy sencilla y rápida de aproximar un polinomio que se ajuste a
nuestros datos, dependiendo el número de datos que tengamos es como mejor
decidiremos a que orden el polinomio será ajustado. Presenta las ventajas de
que cuando se agregan más datos de muestra estos para ser incluidos al
polinomio ya no tenemos que comenzar de cero los cálculos sino más bien
tomando como referencia este último además lo que respecta a las diferencias
divididas finitas que constituyen los coeficientes del polinomio estas se van
calculando eficazmente mediante las diferencias de orden inferior que ayudan
para estimar el valor de las diferencias de orden mayor,
ANALISIS NUMERICO
“POLINOMIO DE INTERPOLACION DE
LAGRANGE”
Grupo: 3AV1
n
f n = ∑ Li ( x ) f ( x i )
i=0
( x−x 1 ) ( x−x 0 )
f 1 ( x )= f ( x0)+ f (x 1)
x 0 −x1 x 1−x 0
.
.
.
Por lo tanto, se puede llegar a una forma expandida de orden n para el polinomio
de LaGrange:
f ( x )=f ( x 0 ) L0 ( x )+ f ( x 1 ) L1 ( x )+ f ( x 2) L2 ( x ) + …+ f ( x n ) Ln ( x )
Ejemplo
En una planta se bombea esencia de trementina, 60 ◦C, desde la base de una
columna de fraccionamiento hasta un gran tanque de almacenamiento
descubierto. La columna opera a 1,29 atmósferas.
En la siguiente tabla se representan los datos relativos los litros por hora que
puede bombear la bomba en función de la potencia en watios a la que es
necesario que trabaje:
f ( x )=f ( x 0 ) L0 ( x )+ f ( x 1 ) L1 ( x )+ f ( x 2) L2 ( x ) + f ( x3 ) L3 ( x )
Sustituyendo valores :
Calculamos L0 ( x ) , L1 ( x ) , L2 ( x ) y L3 ( x )
CODIGO:
function [yi,pol]=lagrange(xs,ys,x)
n=length(xs);
if length(ys)~=n
error('x e y deben ser de la misma longitud');
end
yi=0;
pol='0';
for i=1:n
producto=ys(i);
termino=num2str(ys(i));
for j=1:n
if i~=j
producto=producto*(x-xs(j))/(xs(i)-xs(j));
termino=strcat(termino,'*(x-',num2str(xs(j)),...
')/(',num2str(xs(i)),'-',num2str(xs(j)),')');
end
end
yi=yi+producto;
pol=strcat(pol,'+',termino);
end
fprintf('\n El polinomio de Lagrange es: \n%s\n',pol);
fprintf('\nEl valor a interpolar es: %d\n',x);
fprintf('La interpolación es: %.4f\n',yi);
end
EJECUCIONES:
Ejemplo 1:
Ejemplo manual:
Conclusión:
El método de interpolación de Lagrange nos aporta una manera práctica para
estimar valores desconocidos dentro del rango de nuestros datos proporcionados
creando un polinomio que mejor se ajuste a nuestras necesidades, en lo que
corresponde al grado de este polinomio depende de la cantidad de datos que se
tenga, de manera que si existe una gran cantidad de ellos el grado del polinomio
aumentara y con ello la dificultan para su cálculo respectivamente además cuanto
más crece de grado el polinomio las aproximaciones que se esperan se vuelven
más inexactas ocasionando un margen de error mas grande.
Un inconveniente que se tiene con este método es que si ya hemos calculado un
polinomio que se adapte a nuestros datos y surge la necesidad de que se
agregue un nuevo dato el polinomio que se obtuvo previamente es de nula utilidad
ya que se tendría que volver a recalcular todo con el nuevo dato desde el principio
en ese sentido se hace una tarea tediosa.
“INSTITUTO POLITECNICO NACIONAL”
ANALISIS NUMERICO
Grupo: 3AV1
AJUSTE DE CURVAS
Para determinar una ecuación que relacione variables, un primer paso es
recolectar datos que muestran los valores correspondientes de las variables en
consideración.
Se presenta una lista de varios tipos de curvas de aproximación y sus ecuaciones,
con el propósito de tener una referencia de cómo se deben construir las
ecuaciones pertinentes para cada grado:
Línea recta: y=a0 +a1 x
∑ xi y i
1
a= n
∑ x 2i
1
Donde:
a 0 es el intercepto, a 1 es la pendiente y e nos indica el error entre el modelo y
las observaciones, es decir, el residuo.
De tal forma para poder decir que obtuvimos la mejor recta de ajuste posible es
porque la suma de todos los cuadrados de los residuos de la y medida y la y modelada
es lo más pequeña posible, explicado de otro modo se busca minimizar la
suma del error, esto se logra con la siguiente expresión:
n n
2 2
Sr=∑ e i =∑ ( yi , medida − y i ,modelada )
i=i i=1
∑ yi −∑ a0 −∑ a1 xi =0
i=1 i=1 i=1
n n n
∑ yi x i−a 0 ∑ x i−a 1 ∑ x 2i =0
i=1 i=1 i=1
n n
∑ yi −n a0 −∑ a1 xi =0
i=1 i=1
n n n
∑ yi x i−a 0 ∑ x i−a 1 ∑ x 2i =0
i=1 i=1 i=1
∑ yi =n a0 +∑ a1 x i … . Ecuacion (1)
i=1 i=1
n n n
a 0=
∑ y i −a ∑ x i
1
n n
Las cuales las sustituimos dentro de nuestra ecuación para obtener la línea recta
de regresión:
y=a0 +a1 x+ e
Para fines prácticos es conveniente realizar la siguiente tabla para hallar los
valores de los coeficientes de la recta buscada:
i Xi Yi Xi∗Yi X i2 Error
1
2
3
⋮
n
∑
EJEMPLO:
El pentóxido de dinitrógeno gaseoso puro reacciona en un reactor intermitente
según la reacción
estequiométrica
Para nuestro caso la línea recta a la cual se ajustarán los datos es de la siguiente
manera:
y=a0 +a1 x
Hacemos la tabla:
i Xi Yi Xi∗Yi X i2
1 0 5.5 0 0
2 200 5.04 1008 4000
3 400 4.36 1744 160000
4 650 3.45 2242.5 422500
5 1100 2.37 2607 1210000
6 1900 1.32 2508 3610000
7 2300 0.71 1633 5290000
∑ 6550 22.75 11742.5 10696500
Usaremos las siguientes formulas:
n ∑ x i y i−∑ x i ∑ yi
a 1= 2
n ∑ xi2−( ∑ x i )
a 0=
∑ y i −a ∑ x i
1
n n
Sustituimos valores:
7 ( 11742.5 )−(6550)(22.75)
a 1=
7 (10696500 )−( 6550 )2
a 1=−0.0020897
22.75 6550
a 0=
7 (
−(−0.0020897 )
7 )
a 0=5.2053
y=5.2053−0.0020897 x
y i=a0 +a1 xi (x i )
∑ a0 x i +∑ a1 x 2i =∑ y i xi
i=1 i=1 i=1
[ ] n
∑ xi ∑ x
i=1
n ∑ xi
i=1
n
i=1
Sustituimos valores:
2
i
¿
7 6550 a0
= 22.75
[ 6550 10696500 a1 11742.5 ][ ] [ ]
−1
a0 = 22.75 7 6550
[][ a1 11742.5 6550 10696500 ][ ]
¿
a 0=5.2053
a 1=−0.0020897
y=5.2053−0.0020897 x
y=5.2053−0.0020897 ( 2100 )
y=0.81693
que es la concentración del pentóxido de dinitrógeno en ese lapso.
Conclusión:
El método de regresión lineal por mínimos cuadrados nos presenta una forma
muy sencilla y fácil de encontrar un modelo que se adapte mejor a nuestros
datos, es evidente que presenta la ventaja de que puede hacer una estimación
del comportamiento de alguna variable en un determinado punto o momento
haciendo que este procedimiento sea un buen instrumento de cálculos
predecibles para distintas áreas de estudio. Una desventaja seria que solo
toma en cuenta
y=a0 +a1 x i+ a2 x i2 +e
n
2
[
Sr=∑ y 2i −2 y i ( a0 +a1 xi + a2 x i2 ) + ( a0 +a1 x i+ a2 x i2 )
i=1
]
n
¿ ∑ ( y 2i ¿−2 y i a0−2 y i xi a1 −2 y i x 2i a2 + a20 +a21 x2i +a 22 x i4 +2 a0 a1 x i+2 a 0 a 2 x i2+ 2a 1 x i a 2 x 2i ) ¿
i=1
Obtenemos las derivadas parciales para cada incógnita:
n
∂ Sr
=∑ (¿−2 y i +2 a0 +2 a1 xi +2 a2 x i2 )¿
∂ a0 i=1
n
∂ Sr
=∑ ¿ ¿
∂ a1 i=1
n
∂ Sr
=∑ ¿ ¿
∂ a2 i=1
Igualando a cero:
n
n n n n
∑ a0 x i +∑ a1 x 2i +∑ a2 x3i =∑ y i x i
i=1 i=1 i=1 i=1
n n n n
∑ a0 x i2 +∑ a 1 x 3i +∑ a2 xi 4=∑ y i xi2
i=1 i=1 i=1 i=1
n n
[ ]
n ∑ x i ∑ x2i
i=1 i=1
n n n
∑ x i ∑ x 2i ∑ x 3i ¿
i=1 i=1 i=1
n n n
∑ x 2i ∑ x 3i ∑ x 4i
i=1 i=1 i=1
Y se procede de la siguiente manera.
¿
Para fines prácticos es conveniente realizar la siguiente tabla para llenar las
matrices:
i Xi Yi X i2 X i3 X i4 Xi∗Yi X 2 i∗Yi
1
2
3
⋮
n
∑
Forma general:
Para regresión polinomial mediante mínimos cuadrados este método puede hacerse
generalizable de tal manera que existe otro procedimiento para encontrar las
ecuaciones, sin necesidad de hacer los cálculos y el álgebra correspondiente. El
objetivo será encontrar m+1 ecuaciones, dependiendo del grado del polinomio a
ajustar.
Ejemplo:
Tenemos una serie de datos, los cuales se nos pide que los ajustemos a un polinomio
de grado 3.
La forma general de expresar un polinomio de dicho grado es:
P ( x ) =a0 +a 1 x i+ a2 x2i +a 3 x 3i
a 0+ a1 x i +a2 x 2i + a3 x 3i = y i … Ecuación 1
El siguiente paso será multiplicar por x iambos lados de la ecuación 1.
x i (a¿¿ 0+ a1 x i +a2 x 2i + a3 x 3i )= y i xi ¿
a 0 x 2i + a1 x3i +a 2 x 4i + a3 x 5i = y i x 2i … Ecuación 3
Y por último para la ecuación 4 se hará lo mismo, pero ahora con la ecuación 3.
a 0+ a1 x i +a2 x 2i + a3 x 3i = y i
a 0 x 2i + a1 x3i +a 2 x 4i + a3 x 5i = y i x 2i
n n n n n
2 3 4
∑ a0 x i +∑ a1 x +∑ a2 x + ∑ a3 x =∑ y i xi
i i i
i=1 i=1 i=1 i =1 i=1
n n n n n
∑ a0 x +∑ a 1 x +∑ a2 x +∑ a 3 x =∑ y i xi2
2
i
3
i
4
i
5
i
i=1 i=1 i=1 i=1 i=1
n n n n n
∑ a0 x 3i +∑ a1 x 4i +∑ a2 x 5i +∑ a 3 x 6i =∑ yi x 3i
i=1 i=1 i=1 i=1 i=1
Para fines prácticos es conveniente realizar la siguiente tabla para llenar las
matrices:
i Xi Yi X i2 X i3 X i4 X i5 X i6 Xi∗Yi X 2 i∗Yi X 3 i∗Yi
1
2
3
⋮
n
∑
n n n
∑ x i ∑ x ∑ x 3i 2
[ ]
n i
n i=1 i=1 i =1
n n n
∑ xi ∑ x 2i ∑ x 3i ∑ x 4i
i=1
i=1 i=1 i=1
n
n n n
¿
2
∑ x ∑ x 3i ∑ xi4 ∑ x 5i
i
i=1
n i=1 i=1 i =1
3 n n n
∑ x ∑ x 4i ∑ x 5i ∑ x 6i
i
i=1
i=1 i=1 i=1
¿
Una vez que tengamos los valores correspondientes para a 0 , a1 , a2 y a3 se
sustituyen en nuestro polinomio de referencia y con ello habremos encontrado
el polinomio que se adapte a nuestros datos:
p ( x ) =a0 +a 1 x i +a2 xi2 +a 3 x i3
Ejemplo:
En determinado proceso se realizaron una serie de 20 mediciones para
monitorear la temperatura. Se desea encontrar los parámetros del polinomio de
segundo grado, que mejor se ajusta a esa serie de datos, y cuál es el valor de
la variable dependiente, cuando el valor de la variable independiente es de 20.
i Tiempo(s) ºC
1 0 10,08
2 0.5 12,03
3 1 11,38
4 1.5 18,81
5 2 20,53
6 2.5 28,5
7 3 31,38
8 3.5 38,4
9 4 48,39
1 4.5 60,6
0
1 5 66,66
1
1 5.5 82,61
2
1 6 91,37
3
1 6.5 105,44
4
1 7 122,53
5
1 7.5 137,77
6
1 8 152,74
7
1 8.5 172,65
8
1 9 188,84
9
2 9.5 207.77
0
P ( x ) =a0 +a 1 x i+ a2 x2i
Construimos la tabla:
i Xi Yi X i2 X i3 X i4 Xi∗Yi X 2 i∗Yi
1 0 10,08 0 0 0 0 0
2 0. 12,03 0.25 0.125 0.0625 6.015 3.0075
5
3 1 11,38 1 1 1 11.38 11.38
4 1. 18,81 2.25 3.375 5.0625 28.215 42.3225
5
5 2 20,53 4 8 16 41.06 82.12
6 2. 28,5 6.25 15.625 39.0625 71.25 178.125
5
7 3 31,38 9 27 81 94.14 282.42
8 3. 38,4 12.25 42.875 150.0625 134.4 470.4
5
9 4 48,39 16 64 256 193.56 774.24
1 4. 60,6 20.25 91.125 410.0625 272.7 1227.15
0 5
1 5 66,66 25 125 625 333.3 1666.5
1
1 5. 82,61 30.25 166.375 915.0625 454.355 2498.9525
2 5
1 6 91,37 36 216 1296 548.22 3289.32
3
1 6. 105,44 42.25 274.625 1785.0625 685.36 4454.84
4 5
1 7 122,53 49 343 2401 857.71 6003.97
5
1 7. 137,77 56.25 421.875 3164.0625 1033.275 7749.5625
6 5
1 8 152,74 64 512 4096 1221.92 9775.36
7
1 8. 172,65 72.25 614.125 5220.0625 1467.525 12473.9625
8 5
1 9 188,84 81 729 6561 1699.56 15296.04
9
2 9. 207.77 90.25 857.375 8145.0625 1973.815 18751.2425
0 5
∑ 95 1608.48 617.5 4512.5 35166.625 11127.76 85030.915
n n n n
∑ a0 x i +∑ a1 x 2i +∑ a2 x3i =∑ y i x i
i=1 i=1 i=1 i=1
n n n n
∑ a0 x i +∑ a 1 x +∑ a2 xi =∑ y i xi2
2 3
i
4
Sustituimos valores:
20 95 617.5 a0 1608.48
[ 95 617.5 4512.5 a1
617.5 4512.5 35166.625 a 2
= 11127.76
85030.915 ][ ] [ ]
Y se procede de la siguiente manera.
−1
a0 20 95 617.5 1608.48
[ ][a 1 = 95
a2
617.5 4512.5
617.5 4512.5 35166.625 ][
∗ 11127.76
85030.915 ]
a0 0.37077 −0.15194 0.01298 1608.48
[ ][a 1 = −0.15194
a2
0.08826 −8.658∗10−3 ∗ 11127.76
0.01298 −8.658∗10−3 9.1136∗10−4 85030.915 ][ ]
Se tiene que:
a 0=9.8471
a 1=1.6003
a 2=2.0396
P ( x ) =9.8471+1.6003 x +2.0396 x 2
Conclusión:
Este método nos proporciona una forma generalizable para calcular el
polinomio de cualquier grado que mejor se ajuste a nuestros datos, como bien
sabemos estos procedimientos nos permiten estimar un valor nuevo dentro de
un rango de muestra, una ventaja que tienes es que cuando mayor sea el
grado del polinomio menor será el error de aproximación, un inconveniente de
esto es que cuando mayor sea el grado de dicho polinomio crecen los cálculos
que deben llevarse a cabo haciéndolo un proceso tedioso. Como vimos el
conjunto de ecuaciones que nos genera el método depende del grado del
polinomio y en este caso recurrimos a implementarlas a un sistema de
ecuaciones matriciales que nos facilitan más el cálculo de los coeficientes que
acompañan al polinomio.