Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCION
Las observaciones y los experimentos científicos se registran, en forma tabular,
como puntos discretos; de igual manera ocurre con los resultados de cálculo
numérico para una función.
Estos puntos extendidos a lo largo de la variable independiente, conducen a graficas
como lo mostrado en la figura.
10
9
8
7
6
5
4
3
2
1
0
0 2 4 6 8 10
Interpolación (polinomial)
REGRESIÓN LINEAL
El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar una
línea recta a un conjunto de observaciones definidas por puntos:
Sean (𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 ) n puntos. La expresión matemática para la linea
recta que los ajusta es
𝑦 = 𝑎 + 𝑏𝑥 + 𝑒
Donde los coeficientes “b” y “a” representan la pendiente y la intersección con el eje
Y respectivamente. “e” es el error o diferencia entre el modelo y las observaciones.
Así el error o residuo puede expresarse como
𝑒 = 𝑦 − 𝑎 − 𝑏𝑥 ⇒ 𝑦 − (𝑎 + 𝑏𝑥)
Así el error o residuo es la discrepancia entre el valor verdadero “y” y el valor
aproximado “a+bx” que predijo la evaluación lineal.
Para obtener la mejor línea a través de los puntos, se debe minimizar la suma de
errores residuales
𝑛 𝑛
Pero esta estrategia, y otro más, son inadecuadas. La mejor estrategia consiste en
minimizar la suma de los cuadrados de los residuos (sr):
𝑛 𝑛
Este criterio tiene varias ventajas, entre ellas al hecho de que se obtiene una única
lineal para cierto conjunto de datos.
Para hallar “a” y “b”, se deriva la ecuación con respecto a cada coeficiente.
𝑛
𝜕𝑠𝑟
= −2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎)
𝜕𝑎
𝑖=1
𝑛
𝜕𝑠𝑟
= −2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎) 𝑥𝑖
𝜕𝑏
𝑖=1
−2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎) = 0
𝑖=1
𝑛
∑ 𝑦𝑖 − ∑ 𝑏𝑥𝑖 − ∑ 𝑎 = 0
𝑖=1
∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 = 0 … (1)
∑ 𝑦𝑖 𝑥𝑖 − 𝑏 ∑ 𝑥𝑖2 − 𝑎 ∑ 𝑥𝑖 = 0 … (2)
Resolviendo el sistema
Ecuaciones normales
∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 = 0
{ }
de la recta de
∑ 𝑦𝑖 𝑥𝑖 − 𝑏 ∑ 𝑥𝑖2 − 𝑎 ∑ 𝑥𝑖 = 0 regresión de y sobre x
dada por 𝑦 = 𝑏 + 𝑎𝑥
y se obtiene:
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 . ∑ 𝑦𝑖 𝑛 ∑ 𝑥𝑖 𝑦𝑖 − 𝑛𝑥̅ 𝑦̅
𝑏= =
𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2 ∑ 𝑥𝑖2 − 𝑛𝑥̅ 2
Donde:
𝑆𝑡 − 𝑆𝑟 𝑆𝑡 = es el error residual
𝑟2 = asociado con la variable
𝑆𝑡
dependiente antes de la
regresión
Y con el coeficiente de correlación.
𝑆𝑡 − 𝑆𝑟
𝑟=√
𝑆𝑡
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 . ∑ 𝑦𝑖
𝑟=
√𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2 √∑ 𝑦𝑖2 − (∑ 𝑦𝑖 )2
⏟
−1≤𝑟≤1
Ejemplo:
1. Los siguientes datos son los costos “x” y los beneficios obtenidos “y” en una
actividad económica.
costos x 8 8 6 6 5 4 3 3 2
beneficios x 2 3 3 4 6 6 8 9 9
50 = 45𝑎 + 225𝑏
{
205 = −45𝑎 − 263𝑏
𝑟 2 = (−0.95670)2 ≈ 0.915
𝑟 2 = 0915
𝑟 2 = 0915 Nos indica que el 91.50% de las variaciones existentes en los
beneficiarios (𝑦𝑖 ), se explican por las variaciones existentes en los costos
dados (𝑥𝑖 ) y el 8.50% de las variaciones existentes en los beneficiarios (𝑦𝑖 )
se aplican por otras variables no incluidas en el modelo.
INTERPOLACIÓN
La interpolación consiste en la obtención de nuevos puntos intermedios a partir de
un conjunto discreto de puntos conocidos.
En ingeniería o ciencia es frecuente disponer de un conjunto de puntos obtenidos
por muestras o experimentación y el objetivo de la interpolación consiste en construir
una función que pase por dichos puntos.
Las aplicaciones de la interpolación en informática son inmensas, utilizando por
ejemplo para la compresión de video.
➢ Cambio de tamaño de imágenes.
➢ Animación de video juegos
➢ Realidad virtual, etc
Con frecuencia se encontrara con que tiene que estimar valores intermedios entre
datos definidos por puntos, el método más común que se usa para este propósito es
la interpolación polinomial, recuerda que la formula general para un polinomio de n-
esima grado es.
𝑓(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛
Dados (n+1) puntos, hay uno y solo un polinomio de grado “n” que pase a través de
todos los puntos.
Por ejemplo
➢ Hay solo una línea recta (es decir un polinomio de grado 1) que une dos
puntos.
1° grado une
los puntos
➢ De manera similar una parábola (polinomio de 2° grado) une un conjunto de 3
puntos
6 6
5
5
4
3 4
2 3
1 2
0
0 2 4 6 1
0
0 2 4 6 8
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑥 − 𝑥0
𝑥1 − 𝑥0
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓(𝑥) − 𝑓(𝑥0 )
=
𝑥1 − 𝑥0 𝑥 − 𝑥0
Reordenando se tiene
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓(𝑥) = 𝑓1 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 ) … . . (1)
𝑥1 − 𝑥0
Que es la fórmula de interpelación lineal
Obsérvese que además de representar la pendiente de la línea que une los puntos
𝒇(𝒙𝟏 )−𝒇(𝒙𝟎 )
el término es una aproximación en diferencia dividida finita a la primera
𝒙𝟏 −𝒙𝟎
derivada.
En general cuanto menor sea el intervalo entre los datos, menor sea la
aproximación. Esto se debe al hecho de que, conforme al intervalo disminuya una
función continua estará mejor aproximada por una línea recta. Para ver esto veamos
el siguiente ejemplo.
Luego si x=2
1.791759 – 0
𝑓1 (2) = 0 + (2 − 1) = 0.3583519
6−1
El cual tiene un error relativo porcentual de
0.6931472 − 0.3583519
𝐸𝑡 = ( ) ∗ 100
0.6931472
𝐸𝑡 = 48.3%
➢ Con el intervalo menor desde 𝑥0 = 1 hasta 𝑥1 = 4 se obtiene
𝑓1 (2) = 0.4620981(𝑥 − 1) Polinomio interpolador
Luego si x=2
0 + 1.386294
𝑓1 (2) = (2 − 1) = 0.4620981
4−1
Así, usando el intervalo más corto el error relativo porcentual se reduce a
0.6931472 − 0.4620981
𝐸𝑡 = ( ) ∗ 100
0.6931472
𝐸𝑡 = 33.3 %
Ambas interpolaciones se muestran junto con la función verdadera.
2.5
f(x)=ln x
2
1.5
valor verdadero
1
0
0 1 2 3 4 5 6 7
-0.5
Dos interpolaciones lineales para estimar ln2 observe como el intervalo menor
proporcionan una mejor estimación
Interpolación cuadrática
El error tan grande en el ejemplo anterior se debe al uso de una línea recta para
aproximar una curva.
Una estrategia para mejorar la estimación consiste en introducir alguna curvatura a
la línea que uno los puntos.
Si se tienen tres puntos como datos, estos pueden ajustarse a un polinomio de
segundo grado (también conocido como polinomio cuadrático o parábola) de la
forma.
𝑓2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝐼)
Por sistema de ecuaciones, se obtienen
𝑏0 = 𝑓(𝑥0 )
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑏1 =
𝑥1 − 𝑥0
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
−
𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑏2 =
𝑥2 − 𝑥0
Obsérvese que, como en el caso de la interpolación lineal, 𝑏1 todavia representa la
pendiente de la línea que une los punto 𝑥0 y 𝑥1 . Así, los primeros dos términos de la
ecuación (𝐼) son equivalentes a la interpolación lineal de 𝑥0 a 𝑥1 , como se especifica
en la ecuación (1)
Ejemplo
1) Ajústese un polinomio de segundo grado a los 3 puntos dados, para hallar
ln2=0.6931472 (del ejemplo anterior)
𝑥0 = 1 𝑓(𝑥0 ) = 0
𝑥1 = 4 𝑓(𝑥1 ) = 1.3862944
𝑥2 = 6 𝑓(𝑥2 ) = 1.7917595
Solución:
𝑏0 = 𝑓(𝑥0 ) = 𝑓(1) = ln 1 = 0
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 1.3862944
𝑏1 = = = 0.4620981
𝑥1 − 𝑥0 4−1
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
−
𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑏2 =
𝑥2 − 𝑥0
1.7917595 − 1.3862944
− 0.4620981
𝑏2 = 6−4 = −0.0518731
6−1
Sustituyendo estos valores con la ecuación (𝐼) se obtiene la formula cuadrática
𝑓(𝑥) ≈ 𝑓2 (𝑥) = 0 + 0.4620981(𝑥 − 1) − 0.0518731(𝑥 − 1)(𝑥 − 4) Polinomio
interpolador
evaluando en x=2 sostiene:
𝑓2 (2) = 0.5658444
Que representa el error relativo porcentual de
0.6931472 − 0.5658444
𝐸𝑡 = ( ) ∗ 100
0.6931472
𝐸𝑡 = 18.9 %
Así la curvatura determinada por la formula cuadrática (ver figura) mejora la
interpolación
Forma general de los polinomios de interpolación de Newton
El análisis anterior puede generalizarse para ajustar un polinomio de n-eximo grado
a (n+1) datos. El polinomio de n-esimo grados es
𝑓𝑛 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )+ ⋯ + 𝑏𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 ) (L)
Como se hizo antes con las interpretaciones lineales y cuadráticas, los puntos
adecuados con datos se utilizan para evaluar los coeficientes 𝑏0 , 𝑏1 , … , 𝑏𝑛 .
Para un polinomio de n-esimo grado se requieren (n+1) puntos:
[𝑥0 , 𝑓(𝑥0 )], [𝑥1 , 𝑓(𝑥1 )], … , [𝑥𝑛 , 𝑓(𝑥𝑛 )]. Usamos estos datos y las siguientes ecuaciones
para evaluar los coeficientes:
𝑏0 = 𝑓(𝑥0 )
𝑏1 = 𝑓[𝑥1 , 𝑥0 ]
𝑏2 = 𝑓[𝑥2 , 𝑥1 , 𝑥0 ]
⋮
𝑏𝑛 = 𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ]
Donde las evaluaciones de la función colocados entre corchetes son diferentes
divididas finitas; dadas por:
➢ Diferencia dividida de orden cero
𝑓[𝑥0 ] = 𝑓(𝑥0 ) = 𝑦0
➢ Diferencia dividida finita de orden 1
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓[𝑥1 ] − 𝑓[𝑥0 ]
𝑓[𝑥1 , 𝑥0 ] = =
𝑥1 − 𝑥0 𝑥1 − 𝑥0
➢ Diferencia dividida finita de orden 2
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓[𝑥2, 𝑥1 ] − 𝑓[𝑥1 , 𝑥0 ] −
𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑓[𝑥2 , 𝑥1 , 𝑥0 ] = =
𝑥2 − 𝑥0 𝑥2 − 𝑥0
➢ La diferencia dividida finita de orden 3
𝑓[𝑥3 , 𝑥2, 𝑥1 ] − 𝑓[𝑥2 , 𝑥1 , 𝑥0 ]
𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ] =
𝑥3 − 𝑥0
𝑓[𝑥3 , 𝑥2 ] − 𝑓[𝑥2 , 𝑥1 ] 𝑓[𝑥2 , 𝑥1 ] − 𝑓[𝑥1 , 𝑥0 ]
−
𝑥3 − 𝑥1 𝑥2 − 𝑥0
=
𝑥3 − 𝑥0
En forma similar la n-esima diferencia dividida finita es;
Generalizando
Sabiendo que 𝑓(𝑥) = 𝑙𝑛𝑥, las primeras diferencias divididas del problema son:
𝑏0 = 𝑓(𝑥0 ) = 𝑓(1) = ln 1 = 0
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 1.3862944 − 0
𝑏1 = 𝑓[𝑥1 , 𝑥0 ] = = = 0.462098
𝑥1 − 𝑥0 4−1
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
−
𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑏2 =
𝑥2 − 𝑥0
1.7917595 − 1.3863294
− 0.462081
𝑏2 = 𝑓[𝑥2 , 𝑥1 , 𝑥0 ] = 6−4 = −0.0518731
6−1
𝑓[𝑥3 , 𝑥2 ] − 𝑓[𝑥2 , 𝑥1 ] 𝑓[𝑥2 , 𝑥1 ] − 𝑓[𝑥1 , 𝑥0 ]
−
𝑥3 − 𝑥1 𝑥2 − 𝑥0
𝑏3 = 𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ] =
𝑥3 − 𝑥0
𝑓(𝑥3 ) − 𝑓(𝑥2 ) 𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
− −
𝑥3 − 𝑥2 𝑥2 − 𝑥1 𝑥2 − 𝑥1 𝑥1 − 𝑥0
−
𝑥3 − 𝑥1 𝑥2 − 𝑥0
𝑏3 = 𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ] =
𝑥3 − 𝑥0
−3
𝑏3 = 7.8654 ∗ 10
𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 1) + 𝑏2 (𝑥 − 1)(𝑥 − 4) + 𝑏3 (𝑥 − 1)(𝑥 − 4)(𝑥 − 6)
𝑓3 (𝑥) = 0.462098(𝑥 − 1) − 0.0518731(𝑥 − 1)(𝑥 − 4) + 0.0078655(𝑥 − 1)(𝑥 − 4)(𝑥 −
6) polinomio interpolador
La cual sirve para evaluar
𝑓3 (𝑥 = 2) = 0.462098(2 − 1) − 0.0518731(2 − 1)(2 − 4) + 0.0078655(2 − 1)(2 − 4)(2
− 6)
𝑓3 (2) = 0.6287682
Que representa un error relativo porcentual
0.6931472 − 0.6287682
𝐸𝑡 = ( ) ∗ 100
0.6931472
𝐸𝑡 = 9.3%