Aproximaci N 2006

$
#

"
!
[1]
>
>
>
>

Supongamos que tenemos los siguientes

?

datos:

Gráfico

x y

4,0 102,56
4,1 115,00 230,00
4,2 112,18
4,3 118,36 210,00
4,4 128,31 190,00
4,5 125,11
4,6 138,41 170,00
4,7 150,25
150,00
4,8 155,26
y
4,9 162,39 130,00

5,0 165,47
5,1 178,60 110,00
5,2 179,65 90,00
5,3 182,21
5,4 192,40 70,00
5,5 195,14
50,00
5,6 200,52
3,5 4,0 4,5 5,0 5,5 6,0 6,5
5,7 207,20
5,8 221,36 x
5,9 220,87
=
0
9
6
%&'
()*
'
-.
(
/
14
:;
8<
%&'
()*
'
-.
(
2
J
Q
P
J
O
N
[2]
k
k
k
M
L
G
K
J
K
J
Evidentemente, realizar una interpolación

I
H
l
G
F
polinomial para esta cantidad de datos no

E
D
C
resulta práctico; además la distribución de

B
A
@
puntos no sigue un patrón bien definido.

Por lo tanto, lo que conviene hacer es
l
aproximar una curva que se adapte lo mejor

posible a los datos disponibles, proponiendo
una función de la forma:
h(x ) = c0φ 0 (x ) + c1φ1 (x ) + c2φ 2 (x ) + + cnφ n (x )
m
n
= ∑ c jφ j (x )
j =0
j
]
f
c
RST
UVW
Z[
U
\
^a
gh
ei
RST
UVW
Z[
U
_
x

~
x
}
|
[3]

{
z
u
y
x
y
x
Esto se suele conocer como “Mejor

w
v

u
t
Aproximación” (Best Approximation).

s
r
q
Para efectuar esta aproximación vamos a

p
o

n
tener en cuenta el residuo, es decir:

ri = yi − h(xi ); 0 ≤ i ≤ m
Buscaremos que el residuo sea mínimo.

La pregunta es: ¿qué debemos hacer

mínimo? Recordemos que el residuo es un

vector.

¥
¬
«
¥
ª
©
[4]
Æ
Æ
Æ
¨
§
¢
¦
¥
¦
¥
Dado que se trata de un vector, lo que

¤
£
Ç
¢
¡
debemos hacer mínimo es la norma del

mismo.

Hay varias normas conocidas:

Ç
La norma l1:
È
m m
r 1 = ∑ ri = ∑ yi − h (xi )
i=0 i =0
La norma l∞:
È
r ∞
= max yi − h(xi )
0 ≤i ≤ m
La norma l2:
È
m m
∑r ∑ [y ( )]
2 2
r2= i = i − h xi
i =0 i =0
Å
¸
Á
¾
®¯°
±²³
²´
¯µ

·
¹¼
ÂÃ
ÀÄ
®¯°
±²³
²´
¯µ

º
Ó
Ú
Ù
Ó
Ø
×
[5]
ô
ô
ô
Ö
Õ
Ð
Ô
Ó
Ô
Ó
Cada una tiene su aplicación:

Ò
Ñ
õ
Ð
Ï
La norma l1 es muy útil cuando queremos

Î
ö
Í
Ì
descartar datos con errores de medición.

Ë
Ê
É
La norma l∞ es muy útil cuando, por el contrario,

ö
debemos considerar el mayor error en la

aproximación.
Las aproximaciones basadas en las normas
õ
anteriores llevan a problemas de

Programación Lineal, que son mucho más
complejos que hacer mínima la norma l2.
ó
æ
ï
ì
ÛÜÝÞ
ßàá
àâ
Ýã
Û
å
çê
ðñ
îò
ÛÜÝÞ
ßàá
àâ
Ýã
Û
è

[6]
'
"
#

&
%
&
%
þ

Una particularidad es que si n=m , entonces

ÿ
(
þ
ý
hay una sola curva que aproxima a los datos,

ü
pues para las tres normas el mínimo es cero.

ú
ù
ø
÷
Es decir, lo que tenemos es el caso de

Interpolación, ya visto.
En cambio, para m>n, tendremos diferentes
(
aproximaciones, según la norma aplicada.

Utilizar la última norma para minimizar el
(
residuo, define el Método de los Mínimos

Cuadrados (o Aproximación por Cuadrados
Mínimos).
!

3
:
9
[7]
U
3
8
7
6
5
W
U
U
V
W
U
U
0
4
3
4
3
Para empezar definamos:

2
1
X
0
/
ai ; j = φ j (xi ); i = 0;1; 2; ; m
.
y j = 0;1; 2; ; n
-
,
Y
+
*
)
Entonces:
X
n n
h(xi ) = ∑ c jφ j (xi ) = ∑ c j ai ; j
j=0 j =0
Si aproximamos por mínimos cuadrados

X
debemos minimizar:
2
m
 n

∑  yi − ∑ c j ai ; j 
i =0  j =0 
S
F
O
L
;<=
>?@
CD
>
E
GJ
PQ
NR
;<=
>?@
CD
>
H
d
k
j
[8]

d
i
h
g
f

a
e
d
e
Es decir, debemos obtener los coeficientes cj

d
c
b

a
`
que hacen mínima la norma euclídea del

_
^
]
residuo.
\
[
Z
Definamos la siguiente matriz:

 a0 ; 0 a0 ;1 a0 ; n 

 
 a a1;1 a1;n 

1; 0
A=
 

 
am ;0 am ;1
am ;n 

w

}
lmno
pqr
qs
nt
l
v
x{

lmno
pqr
qs
nt
l
y

[9]
º

¼
º
»
¼
º

Armemos el siguiente sistema:

½

 a0 ;0 a0 ;1 a 0 ; n   c0   y 0 

Â

    
 a a1;1 a1; n   c1   y1 
Â
1; 0
Ac − y = 0 ⇒ =
 Á
   
¾
    
a m ;0 am ;1 a m ;n  cn   y m 
¿
Esto significa imponer que el residuo sea
½
nulo, es decir:
r =0
¸
«
´
±
¡¢£¤
¥¦
¥§
¢¨©

ª
¬¯
µ¶
³·
¡¢£¤
¥¦
¥§
¢¨©

Í
Ô
Ó
[10]
ï
Í
Ò
Ñ
Ð
Ï
ñ
ð
ñ
Ê
Î
Í
Î
Í
Este sistema no tiene solución única puesto

Ì
Ë
ò
Ê
É
que m>n. Por lo tanto, no podemos imponer

È
Ç
Æ
esta condición.
Å
Ä
Ã
La condición que se debe imponer entonces

ò
es: Encontrar los cj que minimicen la

expresión:
2 2
r 2 = y − Ac 2
í
à
é
æ
ÕÖ×ØÙ
ÚÛ
ÚÜ
×ÝÞ
Õ
ß
áä
êë
èì
ÕÖ×ØÙ
ÚÛ
ÚÜ
×ÝÞ
Õ
â
ý

[11]

ý

ÿ
!

!

ú
þ
ý
þ
ý
Recordemos como se obtenía un mínimo para

ü
û
"
ú
ù
una función escalar:

ø
÷
ö
d [ f ( c )]
õ
ô
ó
= 0; j = 0;1; 2; ;n
dc j
#
Como:
"
f (c ) = r = y − Ac
2 2
2
m
 n

f (c ) = r = ∑  yi − ∑ ai ; j c j 
2
i =0  j =0 

.
5
4
[12]
P
.
3
2
1
0
R
P
P
Q
R
P
P
+
/
.
/
.
La condición para obtener un mínimo es:

-
,
S
+
*
)
d [ f (c )]  
(
m n

= 2∑  yi − ∑ ai ; j c j (− ai ;k ) = 0
'
2
&
= r
%
$
d ck i = 0  j =0  
Esto se puede escribir como:
S
m n m
∑a ∑a i ;k i; j c j = ∑ ai ;k yi ; k = 0;1; 2; ;n
T
i =0 j =0 i =0
N
A
J
G
6789:
;<
;=
8>?
6
@
BE
KL
IM
6789:
;<
;=
8>?
6
C
_
f
e
[13]

_
d
c
b
a

\
`
_
`
_
En forma matricial queda:

^
]

\
[
Z
AT Ac = AT y
Y
X
W
V
U
Si definimos:

= T
B A A; b = T
A y
Por lo tanto, nos queda:

Bc = b
Es decir, un sistema de ecuaciones lineales.

r
{
x
ghijk
lm
ln
iop
g
q
sv
|}
z~
ghijk
lm
ln
iop
g
t

[14]
±

³
±
²
³
±

Por ejemplo, para B tenemos:

´

a0 ;0 a1;0 am ;0   a0;0 a0 ;1 a0 ;n 

¹

a am ;1   a1;0 a1;1 a1;n 

 a1;1
¹
0 ;1
B= A A=
T
  
¸
¸
  
a0 ;n a1;n am ;n  am ;0 am ;1 am ;n 
¹
¹
φ0 (x0 ) φ0 (x1 ) φ0 (xm ) φ0 (x0 ) φ1 (x0 ) φ n (x0 )
¹
¹
φ (x ) φ (x ) φ1 (xm )  φ 0 (x1 ) φ1 (x1 ) φ n (x1 ) 
= 1 0
¹
¹
1 1
  
¸
¶
  
φ n (x0 ) φ n (x1 ) φ n (xm ) φ 0 (xm ) φ1 (xm ) φ n (xm )
¹
µ
¯
¢
«
¨

¡
£¦
¬
ª®

¤
Ä
Ë
Ê
[15]
æ
Ä
É
È
Ç
Æ
è
ç
è
Á
Å
Ä
Å
Ä
Podemos definir entonces que:

Ã
Â
é
Á
À
m
B jk = ∑ φ j (xi )φ k (xi )
¿
¾
½
¼
»
i =0
º
Análogamente:
é
m
b j = ∑ yiφ j (xi )
i =0
Una forma de notación es:
é
B jk = ∑ φ j (xi )φ k (xi ) = (φ j (xi );φ k (xi ))

m
i =0
b j = ∑ yiφ j (xi ) = (yi ;φ j (xi ))

m
i =0
ä
×
à
Ý
ÌÍÎÏÐ
ÑÒ
ÑÓ
ÎÔÕ
Ì
Ö
ØÛ
áâ
ßã
ÌÍÎÏÐ
ÑÒ
ÑÓ
ÎÔÕ
Ì
Ù
ô
û
ú
[16]

ô
ù
ø
÷
ö

ñ
õ
ô
õ
ô
Si aplicamos el método a un polinomio,

ó
ò

ñ
ð
tendremos:
ï
n
í
p(x ) = c0 + c1 x + c2 x 2 + + cn x n = ∑ c jφ j (x ); φ j (x ) = x j
ì
ë
ê

j =0
Podemos ver que la matriz A resultante es la

matriz de Vandermonde:
φ 0 (x0 ) φ1 (x0 ) φ 2 (x0 )
φ n (x0 ) 1 x0 x02 x0n 

 φ (x ) φ (x ) φ (x )
 0 1 1 1 2 1 φ n (x1 ) 1 x1 x12 n
x1 
=

   

   n
φ0 (xm ) φ1 (xm ) φ 2 (xm ) φ n (xm ) 1 xm xm2 xm 

üýþÿ

ü

üýþÿ

ü

)
0
/
[17]
K
)
.
-
,
+
M
K
K
L
M
K
K
&
*
)
*
Así, la matriz B queda de la forma:

)
(
'
N
&
%
$
1 1 1 1  1 x0 x02 x0n 
#
"
O
 
xm  1 x1 n
O
!
x0 x1 x2 x12 x1 

B= 
O
  
P
P
 n n  
 x 0 x1n x2n xm  1 xm xm2 n
xm 
O
Por lo que las componentes de B se pueden
N
calcular con la expresión:

m m
B jk = ∑ φ j (xi )φ k (xi ) = ∑ x ij x ki
i =0 i =0
I
<
E
B
1234
567
68
39
1
;
=@
FG
DH
1234
567
68
39
1
>
[
b
a
[18]
}
[
`
_
^
]

}
}
~

}
}
X
\
[
\
La componente B0;0 es:

[
Z
Y

X
W
V
m m m m
B0 ;0 = ∑ φ 0 (xi )φ 0 (xi ) = ∑ x 0i x 0i =∑1 × 1 = ∑1 = m
U
T
S
R
Q
i =0 i =0 i =0 i =0
Las componentes B0;1 y B1;0 son:

m m m m
B0 ;1 = ∑ φ 0 (xi )φ1 (xi ) = ∑ x 0i x1i =∑1 × x i = ∑ x i
i=0 i=0 i=0 i=0
m m m m
B1;0 = ∑ φ1 (xi )φ 0 (xi ) = ∑ x1i x 0i =∑ x i × 1 = ∑ x i
i =0 i =0 i =0 i =0
{
n
w
t
cdef
ghi
hj
ek
c
m
or
xy
vz
cdef
ghi
hj
ek
c
p

[19]

¯

®
¯

Por lo tanto, se cumple que:

°

B j ; k = Bk ; j

Análogamente, se tiene:
°
m m
b j = ∑ yi φ j (xi ) = ∑ yi x ij
i =0 i =0
En consecuencia, la matriz B del sistema de
°
ecuaciones tiene las siguientes

características:
Es simétrica.
±
Es definida positiva.
±
Es densa (salvo excepciones).

±
«

§
¤

¢
¨©
¦ª

¼
Ã
Â
[20]
Þ
¼
Á
À
¿
¾
à
ß
à
¹
½
¼
½
¼
VENTAJAS
»
º
á
¹
¸
Es sencillo de entender.
·
â
¶
µ
Se pueden usar todo tipo de funciones, inclusive

´
â
³
²
polinómicas.
Dado que la matriz de coeficientes es simétrica
â
definida positiva, se puede aplicar el método de

Cholesky.
DESVENTAJAS
á
La función no pasa por los datos, salvo

â
excepciones.
Si se aproxima con polinimios de grado superior,
â
el sistema se vuelve mal condicionado e inestable.

Ü
Ï
Ø
Õ
ÄÅÆÇ
ÈÉÊ
ÉË
ÆÌ
Ä
Î
ÐÓ
ÙÚ
×Û
ÄÅÆÇ
ÈÉÊ
ÉË
ÆÌ
Ä
Ñ
í
ô
ó
í
ò
ñ
[21]

ð
ï
ê
î
í
î
Obtener una aproximación por cuadrados mínimos,

í
ì

ë
ê
tomando un polinomio de grado 3, de los valores de

é
è
Y para X=1,5 y X=1,8:

ç
æ
å
ä
ã
X Y
1,0 0,7651977
1,3 0,6200860
1,6 0,4554022
1,9 0,2818186
2,2 0,1103623

õö÷ø
ùúû
úü
÷ý
õ
ÿ
õö÷ø
ùúû
úü
÷ý
õ

!

[22]
<
<

<
<
;
;
;
;

Burden, R.L. y Faires, J.D.. Análisis Numérico.

=

International Thomson. Sexta edición. 1998.

González, H.. Análisis numérico. Primer curso.

=

Nueva Librería. 2002.

Samarski, A.A.. Introducción a los métodos
=
numéricos. Mir. 1986.

:
-
6
3
"#
$%
&'
'
$*
"%
,
.1
78
59
"#
$%
&'
'
$*
"%
/

Aproximaci N 2006

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Aproximaci N 2006

Cargado por

Copyright:

Formatos disponibles

Supongamos que tenemos los siguientes

4,9 162,39 130,00

Evidentemente, realizar una interpolación

polinomial para esta cantidad de datos no

resulta práctico; además la distribución de

puntos no sigue un patrón bien definido.

aproximar una curva que se adapte lo mejor

Esto se suele conocer como “Mejor

Aproximación” (Best Approximation).

Para efectuar esta aproximación vamos a

tener en cuenta el residuo, es decir:

La pregunta es: ¿qué debemos hacer

mínimo? Recordemos que el residuo es un

Dado que se trata de un vector, lo que

debemos hacer mínimo es la norma del

Hay varias normas conocidas:

Cada una tiene su aplicación:

La norma l1 es muy útil cuando queremos

descartar datos con errores de medición.

La norma l∞ es muy útil cuando, por el contrario,

debemos considerar el mayor error en la

anteriores llevan a problemas de

Una particularidad es que si n=m , entonces

hay una sola curva que aproxima a los datos,

pues para las tres normas el mínimo es cero.

Es decir, lo que tenemos es el caso de

aproximaciones, según la norma aplicada.

residuo, define el Método de los Mínimos

Para empezar definamos:

Si aproximamos por mínimos cuadrados

Es decir, debemos obtener los coeficientes cj

que hacen mínima la norma euclídea del

Definamos la siguiente matriz:

Armemos el siguiente sistema:

Este sistema no tiene solución única puesto

que m>n. Por lo tanto, no podemos imponer

La condición que se debe imponer entonces

es: Encontrar los cj que minimicen la

Recordemos como se obtenía un mínimo para

una función escalar:

La condición para obtener un mínimo es:

En forma matricial queda:

Por ejemplo, para B tenemos:

a0 ;0 a1;0 am ;0   a0;0 a0 ;1 a0 ;n 

a am ;1   a1;0 a1;1 a1;n 

Podemos definir entonces que:

B jk = ∑ φ j (xi )φ k (xi ) = (φ j (xi );φ k (xi ))

b j = ∑ yiφ j (xi ) = (yi ;φ j (xi ))

Si aplicamos el método a un polinomio,

Podemos ver que la matriz A resultante es la

Así, la matriz B queda de la forma:

calcular con la expresión:

La componente B0;0 es:

Las componentes B0;1 y B1;0 son:

Por lo tanto, se cumple que:

ecuaciones tiene las siguientes

Es densa (salvo excepciones).

Se pueden usar todo tipo de funciones, inclusive

definida positiva, se puede aplicar el método de

La función no pasa por los datos, salvo

el sistema se vuelve mal condicionado e inestable.

Obtener una aproximación por cuadrados mínimos,

tomando un polinomio de grado 3, de los valores de