Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sabemos que si f ∈ C n+1 [a, b] y pn es el polinomio que interpola a f en los nodos a ≤ x0 < · · · < xn ≤ b, para cada
x ∈ [a, b] existe x
e ∈ (a, b) tal que
n
x) Y
f (n+1) (e
f (x) − pn (x) = (x − xi ),
(n + 1)! i=0
n
Q
ası́ que si queremos minimizar el error de aproximación, podemos buscar minimizar la expresión (x − xi ) y para
i=0
ello, buscamos nodos xi que minimicen la expresión. Estos nodos serán ceros de los polinomios de Chebyshev. Primero
consideremos el intervalo [−1, 1] y luego el intervalo [a, b].
⋆ Consideremos el polinomio pn que interpola a una función f definida en [−1, 1] en los nodos −1 ≤ t0 < · · · < tn ≤ 1.
Denotemos n
Y
Q(t) := (t − t0 )(t − t1 ) · · · (t − tn ) = (t − ti ),
i=0
El problema resuelto por Chebyshev, consistió en seleccionar el conjunto de nodos {ti }ni=0 que haga mı́nimo el valor
máx |Q(t)|. Para ello emplearemos los polinomios de Chebyshev, empezamos recordando unas propiedades de los mismos.
−1≤t≤1
Por ejemplo
Cuando n es par el polinomio Tn es una función par, es decir, Tn (−t) = Tn (t). Cuando m es impar el polinomio Tm es
una función impar, es decir, Tm (−t) = −Tm (t).
1
Para minimizar máx |Q(t)| Chebyshev descubrió que t0 , . . . , tn deben ser elegidos de manera que Q(t) = Tn+1 (t).
−1≤t≤1 2n
Teorema. Entre todas las posibles elecciones del factor Q(t) del error, es decir, entre todas las posibles elecciones
n 1
de nodos distintos {ti }i=0 en [−1, 1], el polinomio T (t) = n Tn+1 (t) es la única elección que satisface
2
máx |T (t)| ≤ máx |Q(t)|,
−1≤t≤1 −1≤t≤1
1
es más, máx |T (t)| = .
−1≤t≤1 2n
Este teorema puede resumirse diciendo que el menor valor de la cota del error
1
máx |f (n+1) (t)| máx |Q(t)|
(n + 1)! −1≤t≤1 −1≤t≤1
se alcanza si los nodos son los ceros del polinomios de Chebyshev Tn+1 .
4
Ejemplo Aproximar la función f (x) = 4x2 +1 en [−1, 1], por medio del polinomio interpolante de grado menor o igual a
4 empleando nodos igualmente espaciados y empleandos los respectivos nodos del polinomio de Chebyshev T5 . ¿Como se
comportan los errores?
Solución: Primero empleemos nodos igualmente espaciados, es decir, queremos aproximar a la función f por medio de un
polinomio interpolante de grado menor o igual a 4, para ello necesitamos 5 nodos, tomamos 5 nodos igualmente espaciados
en [−1, 1]
1 1
x0 = −1,
x1 = − , x2 = 0, x3 = , x4 = 1,
2 2
empleando el polinomio interpolante de Newton
xi D.D. cero 1ras D.D. 2das D.D. 3ras D.D. 4ras D.D.
4
x0 = −1 5
տ
x1 = − 12 2 ←− 12
5
տ տ 8
x2 = 0 4 ←− 4 ←− 5
1 տ տ տ
x3 = 2 2 ←− −4 ←− −8 ←− − 32
5
4 տ տ տ տ
x4 = 1 5 ←− − 12
5 ←− 8
5 ←− 32
5 ←− 32
5
luego
4 12 8 1 32 1 32 1 1
p4 (x) = + (x + 1) + (x + 1) x + − (x + 1) x + x + (x + 1) x + x x− .
5 5 5 2 5 2 5 2 2
Ahora, vamos a aproximar a la función f por medio del polinomio interpolante pe de grado menor o igual a 4 empleando
los nodos del polinomio de Chebyshev T5 (que teóricamente, deben presentar una menor cota de error). Los ceros de T5
están dados por
2k + 1 2k + 1
tk = cos π = cos π k = 0, 1, 2, 3, 4
2(5) 10
ası́
1
7
t0 = cos 10 π ≈ 0.9511 → f (t0 ) ≈ 0.8662 t3 = cos 10 π ≈ −0.5878 → f (t3 ) ≈ 1.6793
3
t1 = cos 10 π ≈ 0.5878 → f (t1 ) ≈ 1.6793
5
9
t2 = cos 10 π ≈0 → f (t2 ) ≈ 0 t4 = cos 10 π ≈ −0.9511 → f (t4 ) ≈ 0.8662
pe4 (x) = ae0 + ae1 (x − t0 ) + ae2 (x − t0 )(x − t1 ) + ae3 (x − t0 )(x − t1 )(x − t2 ) + ae4 (x − t0 )(x − t1 )(x − t2 )(x − t3 ),
Ambos polinomios, p4 y pe4 interpolan a f en el intervalo [−1, 1], veamos como se comportan los errores
4 4
4x2 +1 − p4 (x) 4x2 +1 − pe4 (x)
Nodos equiespaciados Nodos Chebychev
4
0.7 0.7
3.5
0.6 0.6
3
0.5 0.5
2.5
0.4 0.4
2
0.3 0.3
1.5
0.2 0.2
1
0.1 0.1
0.5
0 0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
en este caso, el error que se comete con el polinomio con nodos equiespaciados es de 0.6472 y el error cometido con el
polinomio con nodos de Chebyshev es de 0.3338, podemos ver que los errores en el intervalo dado por el polinomio con
nodos de Chebyshev son más bajos.
Teorema. Sea pn el polinomio que interpola a f en los ceros del polinomio de Chebyshev Tn+1 dados por
2k + 1
tk = cos π , k = 0, . . . , n. Si f ∈ C n+1 [−1, 1] entonces
2(n + 1)
1
máx |f (t) − pn (t)| ≤ n máx |f (n+1) (t)|.
−1≤t≤1 2 (n + 1)! −1≤t≤1
⋆ Consideremos ahora el polinomio que interpola a una función f definida en [a, b] construido con los nodos a ≤ x0 <
x1 < ... < xn ≤ b, tal que f (x) = pn (x) + E(x) donde
f (n+1) (e
x)
E(x) = (x − x0 )(x − x1 )...(x − xn ) .
(n + 1)! | {z }
Q(x)
la elección del conjunto de nodos {xk }nk=0 que haga mı́nimo el valor máx |Q(x)| la obtenemos realizando un cambio de
a≤t≤b
variable que me permita trasladar los nodos de Chebyshev al intervalo [a, b], esto es, tomando
b−a a+b
tk +
xk = k = 0, . . . , n, Nodos de Chebyshev en [a, b]
2 2
2k + 1
donde tk = cos π , k = 0, . . . , n.
2(n + 1)
h π πi
Ejemplo Aproximar la función f (x) = tan−1 (x) + ln(x + π) en el intervalo − , por medio de un polinomio de
4 3
grado menor o igual a 4 que minimice la cota de error.
h π πi
Solución: Para hallar p4 empleamos los nodos de Chebyshev en el intervalo − , dados por
4 3
π π π π
− − − +
xk = 3 4 tk + 4 3 = 7π t + π k = 0, 1, 2, 3, 4
k
2 2 24 24
con
2k + 1 2k + 1
tk = cos π = cos π k = 0, 1, 2, 3, 4
2(4 + 1) 10
ası́
t1 ≈ 0.5878 → x1 ≈ 0.6695,
y la tabla de diferencias es
xi D.D. cero 1ras D.D. 2das D.D. 3ras D.D. 4ras D.D.
1.0024 −0.0081
տ
0.6695 0.9625 ←− −2.9159
տ տ
0.1309 1.8449 ←− −1.6384 ←− −1.4661
տ տ տ
−0.4077 1.5186 ←− 0.6059 ←− −2.0834 ←− 0.4378
տ տ տ տ
−0.7406 0.7796 ←− 2.2203 ←− −1.8525 ←− −0.1638 ←− 0.3452
h π πi
luego el polinomio de grado 4 que aproxima a f en − , es
4 3
2(b − a)n+1
máx |f (x) − pn (x)| ≤ máx |f (n+1) (x)|.
a≤x≤b 4n+1 (n + 1)! a≤x≤b
xπ
Ejemplo Hallar la cota de error producida al aproximar la función f (x) = 5 cos en [−1, 2] por medio del polinomio
5
interpolante de grado menor o igual a 3 empleando los nodos de Chebyshev.
Solución: La cota de error esta dada por
2(2 − (−1))3+1 n o
(3+1)
|E(x)| = |f (x) − p3 (x)| ≤ máx |f (x)| : −1 ≤ x ≤ 2 ,
43+1 (3 + 1)!
14 2.2
12
2
10
1.8
8
6
1.6
1.4
2
0 1.2
-2
1
50 60 70 80 90 100 110 120 130 140 150 -3 -2 -1 0 1 2 3
¿En este caso si será aconsejable hallar el polinomio interpolante? Notemos que los puntos tienen comportamiento lineal
(a izquierda) y de campana de Gauss (a derecha). La respuesta a esta pregunta es no, en estos casos se aconseja buscar
una curva de aproximación.
APROXIMACIÓN DISCRETA POR MÍNIMOS CUADRADOS
Consideremos el problema de hallar la ecuación de la curva y = f (x) que mejor se aproxima al conjunto de m puntos
(x1 , y1 ), . . . , (xm , ym ) con xi 6= xj . Para ello, primero consideremos los errores llamados desviaciones o residuos
ek = f (xk ) − yk , k = 1, . . . , m.
Para hallar la ecuación de la curva y = f (x) que mejor se ajusta a los puntos (no tiene que interpolarlos), buscamos
aquella que minimice el error. Recordemos que para minimizar la función de error buscamos sus números crı́ticos, pero,
los errores E∞ (f ) y E1 (f ) no son diferenciables y minimizar E2 (f ) es equivalente a minimizar
m
X
E(f ) = (f (xk ) − yk )2 Error cuadrático
k=1
ası́ que, buscaremos la ecuación de la curva y = f (x) que minimiza E(f ). Primero, consideremos el caso cuando la curva
es una recta.
⋆ Recta de regresión
Dados m puntos (x1 , y1 ), . . . , (xm , ym ) con xi 6= xj , queremos hallar la recta y = f (x) = Ax + B que mejor se ajusta a los
puntos, es decir, buscamos la recta que minimiza el error
m
X
E(A, B) := (A xk + B − yk )2 .
k=1
∂E(A, B) ∂E(A, B)
Para minizar la función error E(A, B) respecto a las A y B, buscamos cuando =0y =0
∂A ∂B
m m m m
!
∂E(A, B) X X X X
0= = 2 xk (A xk + B − yk ) = 2 A x2k + B xk − xk yk
∂A
k=1 k=1 k=1 k=1
m m m m
!
∂E(A, B) X X X X
0= = 2(A xk + B − yk ) = 2 A xk + B 1− yk
∂B
k=1 k=1 k=1 k=1
m
X m
X
A xk + Bm = yk
k=1 k=1
y se demuestra que la solución de este sistema minimiza la función de error E(A, B). Esta recta recibe el nombre de recta
de regresión o recta óptima en el sentido de los mı́minos cuadrados.
xk −2 0 1 3.8 4.3
Ejemplo Calcule la recta de regresión para los datos
yk −14 −2 2.5 20 18
¿Cuál es el error de mı́nimos cuadrados en este caso?
Solución: Debemos resolver el sistema de ecuaciones normales, para ello, consideremos la siguiente tabla
xk −2 0 1 3.8 4.3
yk −14 −2 2.5 20 18
x2k 4 0 1 14.44 18.49
xk yk 28 0 2.5 76 77.4
5
X 5
X 5
X 5
X
de aquı́ x2k = 37.93, xk = 7.1, yk = 19 y xk yk = 183.9, luego el sistema de ecuaciones normales a resolver
k=1 k=1 k=1 k=1
es
cuya solución es A ≈ 5.3544 y B ≈ −2.7033, la recta de regresión para los datos es y ≈ 5.3544 x − 2.7033. El error de
mı́nimos cuadrados es
5
X
(5.3544 xk − 2.7033 − yk )2 ≈ 11.8018.
k=1
10 √
Ejemplo Determine la recta de regresión para los datos {(xk , yk )}k=1 , siendo xk = (0.1)k e yk = xk + cos( k).
10
X 10
X 10
X 10
X
de aquı́ x2k ≈ 3.85, xk ≈ 5.5, yk ≈ 0.4117 y xk yk ≈ −0.3176, luego el sistema a resolver es
k=1 k=1 k=1 k=1
cuya solución es A ≈ −0.6594 y B ≈ 0.4039, la recta de regresión para los datos es y ≈ −0.6594x + 0.4039.
Como podemos observar en el ejemplo anterior la recta no siempre es la curva que mejor se ajusta a los puntos, los puntos
podrı́an tener un comportamiento parabólico o cubico.
⋆ Ajuste polinomial
¿Comó calcular un polinomio óptimo en el sentido de los mı́nimos cuadrados? Consideremos un caso particular y ası́ poder
generalizar.
Hallemos el polinomio de grado 3 que mejor se ajusta a m puntos (x1 , y1 ), . . . , (xm , ym ) con xi 6= xj , esto es, la curva
y = f (x) = Ax3 + Bx2 + Cx + D debe cumplir que
m
X
E(A, B, C, D) := (Ax3k + Bx2k + Cxk + D − yk )2 sea mı́nimo.
k=1
El polinomio cúbico óptimo en el sentido de los mı́nimos cuadrados esta dado por y = f (x) = Ax3 + Bx2 + Cx + D
donde A, B, C y D son la solución del sistema de ecuaciones normales anterior.
En general, el polinomio de grado menor o igual a n óptimo en el sentido de los mı́nimos cuadrados esta dado por
y = f (x) = an xn + . . . + a1 x + a0 donde ai , i = 0, . . . , n son la solución del sistema de ecuaciones normales
m m m m m
X X X X X
2n−1 n−1
x2n
k xk ... xk n
xk
n
xk yk
k=1 k=1 k=1 k=1 k=1
a n
Xm Xm X m Xm m
n−1 X n−1
x2n−1
k xk 2n−2
... xk n−2
xk xk yk
an−1
k=1 k=1 k=1 k=1 k=1
.. .. .. .. ..
.. . =
. . . . . .. .
m m m m
X X X P X
xkn−1 xk n−2
... 2
xk
m a xk yk
k=1 xk
1
k=1 k=1 k=1
k=1
X m Xm X m a m
n−1 0
X
xnk xk ... xk m yk
k=1 k=1 k=1 k=1
10
Ejemplo Hallar el polinomio de grado 2 que mejor se ajusta a los datos {(xk , yk )}k=1 , siendo xk = (0.1)k e yk =
√
xk + cos( k).
Solución: Ya vimos en el ejemplo anterior el comportamiento de los puntos y la recta de regresión no es la que mejor se
ajusta a ellos. Ası́ el polinomio de grado 2 que mejor se ajusta a los datos en el sentido de mı́nimos cuadrados tiene la
forma y = p2 (x) = a2 x2 + a1 x + a0 donde a2 , a1 y a0 es la solución del sistema de ecuaciones normales
Pm Pm Pm Pm
a2 k=1 x4k + a1 k=1 x3k + a0 k=1 x2k = 2 2.5333 3.025 3.85 a2 −0.3174
k=1 xk yk
Pm Pm Pm Pm
a2 k=1 x3k + a1 k=1 x2k + a0 k=1 xk = k=1 xk yk
⇒ 3.025 3.85 5.5
a1 = −0.3176
Pm Pm Pm
a2 k=1 x2k + a1 k=1 xk + a0 m = k=1 ky 3.85 5.5 10 a 0 0.4117
cuya solución es a2 ≈ 2.3207, a1 ≈ −3.2122 y
a0 ≈ 0.9144, el polinomio de grado 2 que mejor
se ajusta a los datos en el sentido de mı́nimos
cuadrados es y = p2 (x) ≈ 2.3207 x2 − 3.2122 x +
0.9144 y el error de mı́nimos cuadrados es
10
X
(2.3207 x2k −3.2122 xk +0.9144−yk)2 ≈ 0.0027.
k=1
También existe ajuste potencial, exponencial o diferentes curvas de aproximación. Si por ejemplo, buscamos una curva
de aproximación de la forma y = beax que mejor se ajuste a los datos {(xk , yk )}m
k=1 , el sistema no lineal de ecuaciones
normales a resolver será
m
X
(beaxk − yk )eaxk = 0
k=1
m
X
(beaxk − yk )bxk eaxk = 0
k=1
sistema para el que no siempre es posible encontrar una solución exacta. En estos casos, se propone realizar una linealización
del problema y hallar la recta de regresión. En este caso, la linealización (siempre que yk > 0) será ln y = ln b + ax. Es
importante mencionar que la aproximación que se obtiene no es la de mı́nimos cuadrados del problema original.
Ejemplo Cuando una población P (t) no puede crecer más allá de un cierto valor lı́mite L, la gráfica de la función P (t)
L
es una curva, llamada curva logı́stica, de ecuación y = . Calcule A y C para los siguientes datos, siendo L = 5000
1 + CeAt
t 0 1 2 3 4
y 500 1000 1800 2800 3700
Solución: Buscamos introducir un cambio de variables que me permita linealizar la ecuación, la resolvemos por medio de
la recta de regresión y luego volvemos a las variables originales.
L At 5000 5000 At At 5000
y= ⇔ 1 + Ce = ⇔ Ce = −1 ⇔ ln(Ce ) = ln −1
1 + CeAt y y y
5000
ln(C) + At = ln −1
y
5000
si llamamos Y = ln y − 1 , X = t y B = ln(C), nuestro problema es hallar A y B tales que Y = AX + B sea la recta
de regresión para los datos
X 0 1 2 3 4
Y ln( 5000
500 − 1) ln( 5000
1000 − 1) ln( 5000
1800 − 1) ln( 5000
2800 − 1) ln( 5000
3700 − 1)
completando la tabla
Xk 0 1 2 3 4
Yk 2.1972 1.3863 0.5754 −0.2412 −1.0460
Xk2 0 1 4 9 16
Xk Yk 0 1.3863 1.1507 −0.7235 −4.1839
el sistema de ecuaciones normales es
y = CeAx Y = a0 + a1 X X = x, Y = ln y, C = ea0 , A = a1
y = CxA Y = a0 + a1 X X = ln x, Y = ln y, C = ea0 , A = a1
1 1
y= Y = a0 + a1 X X = x, Y = , C = a1 , A = a0
Cx + A y
A 1
y= +C Y = a0 + a1 X X= , Y = y, C = a0 , A = a1
x x