REGRESION E INTERPOLACION

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

En este capítulo se discuten los métodos y técnicas para estimar el valor de la

función f(x) entre puntos tabulados; es decir, se interpolaran valores de función f(x)
no conocidos a partir de un grupo de datos obtenidos de una investigación o
experimento.
La interpolación puede ser lineal o polinómica, la primera de ellas, para dos puntos
consecutivos siempre y cuando la gráfica de los puntos dados describa
aproximadamente una línea recta, sin embargo, la interpolación polinomial es
aplicada para puntos cuya grafica no describe una recta.
En ingeniería y algunas ciencias es frecuente disponer de un cierto número de datos
obtenidos por muestreo o a partir de un experimento y pretender construir una
función que los ajuste, otro problema estrechamente ligado con el de interpolación
es la aproximación de una función complicada por una más simple. Si tenemos una
función cuyo cálculo resulta costoso podemos partir de un cierto número de sus
valores e interpolar dichos datos construyendo una función más simple. En general,
por supuesto, no obtendremos los mismos valores evaluando la función obtenida
que si evaluásemos la función original, si bien dependiendo de las características del
problema y del método de interpolación usada la ganancia en eficiencia puede
compensar el error cometido. En todo caso, se trata de, a partir de n parejas de
puntos (𝑥𝑘 , 𝑦𝑘 ) y obtener una función f que verifique
𝑓(𝑥𝑘 ) = 𝑦𝑘 , 𝑘 = 1, 2, … , 𝑛
A la que denomina función interpolante de dichos puntos. A los puntos 𝑥𝑘 se les
llama nodos.
Algunas formas de interpolación que se utilizan con frecuencias son la interpolación
polinómica, la interpolación lineal (la cual es un caso particular de la anterior) y la
interpolación por medio de spline o trazador cubico.
DIFERENCIA ENTRE INTERPOLACIÓN Y REGRESIÓN (AJUSTE DE
CURVAS)
Interpolación: se caracteriza por suponer que los datos que intervienen en el
problema son exactos; por lo cual en la constitución de la función de interpolación se
exige que la misma satisfaga todos y cada uno de los valores que constituyen los
datos.
En la interpretación la función pasa por todos los puntos.
Regresión: se caracteriza por suponer que los datos ingresados están afectados en
cierto grado de errores debido al modelado, por lo que, no resulta indispensable que
la curva de ajuste correspondiente, pase exactamente por los puntos que
representan los datos, si no que en promedio la aproximación sea optima de
acuerdo a un cierto y determinado criterio, denominado criterio de ajuste.
La regresión es el ajuste de los datos experimentales a una función que describe el
modelo físico particular. Por ejemplo, en una experimento de MRU, los datos
experimentales (tiempo, posición del móvil) se ajustan a una línea recta, ya que la
ecuacion que describe de MRU es 𝑥 = 𝑥0 + 𝑣𝑡

Regresión lineal Interpolación lineal

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

∑ 𝑒𝑖 = ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 ) n= número total de puntos

𝑖=1 𝑖=1

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

𝑠𝑟 = ∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎)2

𝑖=1 𝑖=1
𝑛

𝑠𝑟 = ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎)2

𝑖=1

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

Igualando las derivadas a cero

𝑛

−2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎) = 0
𝑖=1
𝑛

∑ 𝑦𝑖 − ∑ 𝑏𝑥𝑖 − ∑ 𝑎 = 0
𝑖=1

∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 = 0 … (1)

Por otro lado:

 𝑛

−2 ∑[(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎)𝑥𝑖 ] = 0

𝑖=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

Y dividimos entre “n” la ecuación (1) se tiene

Donde:
𝑎 = 𝑦̅ − 𝑏𝑥̅ ∑ 𝑥𝑖
𝑥̅ = Media de x
𝑛
∑ 𝑦𝑖
𝑦̅ = Media de y
𝑛

Cuantificacion del error en la regresión lineal

El error estándar de la aproximación cuantifica a la dispersión alrededor de la línea
de dispersión:
Donde:
𝑆𝑦⁄ 𝑆𝑟 𝑆𝑟 = ∑ 𝑒𝑖2
𝑥 = √𝑛 − 2
𝑆𝑟 = (𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )

𝑆𝑦/𝑥 𝑠𝑖𝑛𝑜𝑛𝑖𝑚𝑜 𝑑𝑒 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟

El subíndice “𝑦/𝑥” designa que el error es para un valor predicho de y

correspondiente a un valor particular de “x”.
También obsérvese que ahora dividimos entre “n-2” debido a que usaron dos datos
estimados (a y b), para calcular "𝑆𝑟 "; asi se han perdido dos grados de libertad.
La eficiencia de ajustes se cuantifica con el coeficiente de determinación.

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

En un ajuste perfecto 𝑆𝑟 = 0 y 𝑟 = 𝑟 2 = 1, significa que la línea explica al 100% de la

variabilidad de los datos.
𝑠𝑖 𝑟 = 1 Existe en una asociación perfecta positiva
𝑠𝑖 𝑟 = −1 Existe en una asociación perfecta negativo
Si 𝑟 = 𝑟 2 = 0, 𝑆𝑟 = 𝑆𝑡 el ajuste no representa alguna mejora

Signo (r) = signo(a) Y=a+ bx

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

a) Ajusta los datos a una línea de regresión e interprete el valor de “b”

b) Determinar el coeficiente de correlación, el coeficiente de determinación e
interprete los resultados obtenidos
Solución
10
9
8
7
𝑦 = 𝑎 + 𝑏𝑥
6
5
4
3
2
1
0
0 2 4 6 8 10

xi yi xiyi xi2 yi2

8 2 16 64 4
8 3 24 64 9
6 3 18 36 9
6 4 24 36 16
5 6 30 25 36
4 6 24 16 36
3 8 24 9 64
3 9 27 9 81
 2 9 18 4 81
45 50 205 263 336

Ecuaciones normales de regresión

∑ 𝑦𝑖 = 𝑛𝑎 + 𝑏 ∑ 𝑥𝑖
{
∑ 𝑦𝑖 𝑥𝑖 = 𝑎 ∑ 𝑥𝑖 + 𝑏 ∑ 𝑥𝑖2

50 = 45𝑎 + 225𝑏
{
205 = −45𝑎 − 263𝑏

Resolviendo el sistema se tiene:

𝑏 = −1.18 y 𝑎 = 11.48
Luego la recta de regresión lineal es:
𝑦 = 11.48 − 1.18 𝑥
b=-1.18 nos indica que existe una disminución media de 1.18 UM en los
beneficios por el incremento de 1 UM en los costos
Hallando coeficiente de correlación
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 . ∑ 𝑦𝑖
𝑟=
√𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2 √∑ 𝑦𝑖2 − (∑ 𝑦𝑖 )2
9(205) − (45)(50)
𝑟=
√[9(263) − (45)2 ][9(336) − (50)2 ]
𝑟 = −0.95670
𝑟 = −0.96
Como 𝑟 = −0.96 se aproxima a -1 nos indica que existe una buena
relación entre las variables.
Como r es negativo entonces existe una relación inversa. Es decir:
a mayor costo, menor será el beneficio y viceversa.

Luego el coeficiente de determinación es

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.

2. Se toma una muestra aleatoria de 8 ciudades de una región geográfica de 13

departamentos, que se determina por los datos del censo el porcentaje de
graduados en educación superior y la mediana de ingreso de cada ciudad.
los resultados son los siguientes:
 porcentaje 7.2 6.7 17 12.5 6.3 23.9 6 10.2

mediana 4.2 4.9 7 6.2 3.8 7.6 4.4 5.4

a) Determinar el mejor modelo lineal que ajusta a la mejor a la información e

interprete el valor de “b”
b) Determinar 𝑟 𝑦 𝑟 2 e interprete en cada caso

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

2° grado une 3 puntos 3° grado une 4 puntos

La interpolación polinominal consiste determinar el polinomio único de n-esima

grado que se ajusta a (n+1) puntos. Este polinomio, entonces, proporciona una
fórmula para calcular valores intermedios.
Aunque no hay uno y solo un polinomio de n-esima grado que se ajusta a (n+1)
puntos, existe una gran variedad de formas matemáticas en las cuales puede
expresarse este polinomio. Las más adecuadas para implantación computacional
son los polinomios de Newton y de Lagrange

Interpolación polinomial de Newton en diferencias divididas(o

incremento constante)
Antes de presentar la ecuación general de interpolación de Newton,
estudiaremos las versiones de primer y segundo grado para su sencilla
interpretación visual.
Interpolación lineal
La forma más simple de interpolación consiste en unir dos puntos con una línea
recta. Dicha técnica, es llamada interpolación lineal (ver figura). Utilizando
semejanza de triángulos.

𝑦 = 𝑓(𝑥) 𝑓(𝑥) − 𝑓(𝑥0)

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.

1. Mediante interpolación lineal ajuste un polinomio de primer grado a los puntos

dados y que se aproxime a la función 𝑦 = 𝑙𝑛𝑥 , luego estime el logaritmo natural
de 2. Primero realice el cálculo por interpolación entre ln1=0 y ln6=1.791759
Después, repita el procedimiento, pero use un intervalo menor, de ln1 a ln
4=1.386294.
Tener en cuenta que ln2=0.6931472.
Solución:
Usando la fórmula de interpolación lineal realizamos una interpolación lineal para ln
2 desde 𝑥0 = 1 hasta 𝑥1 = 6
1.791759 – 0
𝑓1 (𝑥) = 0 + (𝑥 − 1) polinomio interpolador
6−1

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

0.5 estimaciones lineales

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;

𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 ] − 𝑓[𝑥𝑛−1 , 𝑥𝑛−2 , … , 𝑥1 , 𝑥0 ]

𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ] =
𝑥𝑛 − 𝑥0
Estas diferencias sirven para evaluar los coeficientes.
Los cuales se sustituye en la ecuación (L) para obtener el polinomio de interpolación.
𝑓𝑛 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 ) 𝑓[𝑥1 , 𝑥0 ] + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑓[𝑥2 , 𝑥1 , 𝑥0 ] + ⋯
+ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ]
Que se conoce como polinomio de interpolación de Newton en diferencias divididas.

Representación gráfica de la naturaleza regresiva de la diferencia

dividida finita

Generalizando

i 𝑥𝑖 𝑓(𝑥𝑖 ) Primero Segundo Tercero ... n-esimo

𝑓[𝑥1 , 𝑥0 ] ⋯ 𝑓[𝑥
0 𝑥0 𝑓(𝑥0 ) 𝑓[𝑥2 , 𝑥1 , 𝑥0 ] 𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ] 𝑛−1 , 𝑥𝑛−2 , … , 𝑥0 ]
1 𝑥1 𝑓(𝑥1 ) 𝑓[𝑥2 , 𝑥1 ] 𝑓[𝑥3 , 𝑥2 , 𝑥1 ] ⋯ ⋯ …
2 𝑥2 𝑓(𝑥2 ) 𝑓[𝑥3 , 𝑥2 ] ⋯ ⋯ ⋯ ⋯
3 𝑥3 𝑓(𝑥3 ) ⋯ ⋯ ⋯ ⋯ ⋯
⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯
n-1 𝑥𝑛−1 𝑓(𝑥𝑛−1 ) 𝑓[𝑥𝑛 , 𝑥𝑛−1 ] ⋯ ⋯ ⋯ ⋯
n 𝑥𝑛 𝑓(𝑥𝑛 )

Si las diferencias divididas están tabuladas en forma de un triángulo, los

coeficientes del polinomio de interpolación se toman directamente de la primera
fila del cuadro de datos( fila amarilla)
Ejemplo
Estima ln2= 0.6931472 con un polinomio de interpretación de Newton de tercer
grado ajustando a los puntos:
𝑥0 = 1 𝑓(𝑥0 ) = 0
 𝑥1 = 4 𝑓(𝑥1 ) = 1.3862944
𝑥2 = 6 𝑓(𝑥2 ) = 1.7917595
𝑥3 = 5 𝑓(𝑥3 ) = 1.609438
Solución:
Utilizando la ecuación (L) con n=3, el polinomio de tercer grado es;
𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + … + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑓𝑛 (𝑥) = 𝑓(𝑥0 ) + 𝑓[𝑥1 , 𝑥0 ](𝑥 − 𝑥0 ) + 𝑓[𝑥2 , 𝑥1 , 𝑥0 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
+ 𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

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%