Ajuste de Curvas e Interpolación: Modelación Y Análisis Numérico ICYA 2001

DEPARTAMENTO DE INGENIERÍA CIVIL Y
AMBIENTAL
MODELACIÓN Y ANÁLISIS NUMÉRICO

ICYA 2001
7. Ajuste de curvas e interpolación
Fernando Ramírez R
Universidad de los Andes

Bogotá D.C.
AJUSTE DE CURVAS
• Es normal en ingeniería obtener datos de manera discreta, y la necesidad de

estimar algún punto entre los valores discretos conocidos. El ajuste de
curvas y la interpolación nos permiten hacer estimaciones.
• Determinar valores intermedios a partir de datos tabulados: termodinámica e

hidrología.
• Análisis de tendencias: utilizar el comportamiento de datos para realizar

predicciones.
• Prueba de hipótesis: un modelo matemático se compara con datos medidos.

Permiten encontrar parámetros del modelo propuesto.
Modelación y Análisis Numérico – ICYA 2001

AJUSTE DE CURVAS
Estadística Simple
Media Aritmética: y=
∑ y i
n
Desviación Estándar: Medida de dispersión con respecto a la media
2
Sy =
∑( y − y)
i
n −1
2 2
Varianza: S 2
=
∑ ( y − y) ∑ y
i
=
2
i − (∑ y ) i
/n
y
n −1 n −1
Coeficiente de variación:
Medida normalizada de la dispersión, similar al del error relativo
porcentual. Es la medición del error Sy respecto a un estimado del valor
verdadero de la media de y. S y
c.v. = *100%
y
Modelación y Análisis Numérico – ICYA 2001 Clase 13 - 201520

REGRESIÓN MÍNIMOS CUADRADOS

Línea Recta
y = a0 + a1 x
y
yi = a0 + a1 xi + ei
ei = yi - a0 - a1 xi
ao: Intersección con el eje y

a1: Pendiente
ei: Error, diferencia entre el modelo
x y las observaciones


Línea Recta – Criterios de Ajuste
Minimizar Suma de Errores
y e2 Cualquier recta
pasando por el punto
å e = å (y
i i - a0 - a1 xi )
e1 medio minimiza el
€ error.
x
€
Minimizar Suma de Valores Absolutos de Errores
y Las 2 rectas
minimizan el valor
å e = å (y
i i - a0 - a1 xi ) absoluto de la
suma
x


Línea Recta – Criterios de Ajuste
Minimax
y
Minimiza la máxima distancia a Excesiva influencia
la que un punto se encuentra de puntos fuera de
de la recta de ajuste. la tendencia
general
Mínimos Cuadrados x
y
Minimiza la suma de los
cuadrados de los errores.
Sr = å ei2 = å ( yi - ao - a1 xi ) 2
x

Línea Recta
y
Sr = å e = å ( yi - ao - a1 xi )
2
i
2
Minimizar Sr, encontrar el óptimo.
¶S r
= 0 = -2å ( yi - a0 - a1 xi ) = å yi - å a0 - å a1 xi = 0
¶a0
¶S r ( )
¶a1
=0 = -2 å xi y i - a 0 - a x
1 i = å x y
i i - å x a
i 0 - å xi a1 = 0
2

Línea Recta y
Sr = å ei2 = å ( yi - ao - a1 xi ) 2
Ecuaciones Normales: x
å y -åa -åa x
i 0 1 i =0 å y = na + a å x
i o 1 i
å i i å i 0 å i a1 = 0
x y - x a - x 2
åx y =a åx +a åx
i i o i 1
2
i
é n
ê
å x ùú ìía üý = ìí å y üý
i o i
a1 =
n∑ xi yi − ∑ xi ∑ yi
a0 = y - a1 x
ëå xi å x û î a þ îå x y þ
2 2
i 1 i i n∑ x − 2
i (∑ x )
i
Modelación y Análisis Numérico – ICYA 2001 Clase 18– Regular


Línea Recta – Cuantificación del Error
y
2
Sy =
∑( yi − y )
n −1
Sr = ∑ ei2 = ∑ (yi − ao − a1 xi )2
x
Ambos representan el cuadrado de la discrepancia entre el dato y la
tendencia central. Distancia vertical entre el dato y la línea recta ajustada.
La desviación estándar para la línea de regresión será:
Sr Error estándar estimado: Cuantifica la dispersión

Sy/x =
n−2 alrededor de la línea de regresión.


Línea Recta – Cuantificación del Error
Coeficiente de Determinación: Coeficiente de Correlación:
2 St − Sr St − Sr
r = r=
St St
2
Sr = ∑ ( yi − yajuste ) St = ∑ ( yi − y )
2
r cuantifica la mejora o reducción del error al describir los datos en términos

del ajuste en vez de hacerlo en términos del promedio.
r=0 Ajuste no representa ninguna mejora con respecto al promedio

r=1 El ajuste explica el 100% de la variabilidad de los datos.
r cercano a 1 no necesariamente implica que el ajuste es bueno, es
posible tener un r cercano a 1 cuando la relación entre x y y no es lineal.
Se recomienda entonces una inspección gráfica
Modelación y Análisis Numérico – ICYA 2001 Clase 14 - 201520

Linealización
y = a1e b1x ln y = ln a1 + b1 x Exponencial
y = a1 x b1 log y = log a1 + b1 log x Potencial
x 1 1 β1 1
y = a1 = + Razón de
b1 + x y α1 α1 x
crecimiento


Polinomial
Ajuste Cuadrático
yi = a0 + a1 xi + a x + ei
2
2 i (
Þ S r = å yi - a0 - a1 xi - a x2 2
2 i )
¶S r
= 0 = -2å ( yi - a0 - a1 xi - a2 xi )
2
¶a0
é n å xi å i ùú ìïa0 üï ìï å yi üï
x 2
= 0 = -2å xi ( yi - a0 - a1 xi - a2 xi )
¶S r 2 ê
ê å xi å i å i ú í a1 ý = í å xi yi ý
2 3
¶a1 x x
êå xi2 4 úï ï ï x2 y ï
¶S r ë å i
x 3
å i û î 2 þ îå i i þ
x a
= 0 = -2å xi ( yi - a0 - a1 xi - a2 xi )
2 2
¶a2
Error Estándar
Sr St - S r n: Número de datos
Sy x = r =
2
n - (m + 1) St m: Orden del polinomio

Regresión Múltiple y
yi = a0 + a1 x1i + a2 x2i + ei
Þ S r = å ( yi - a0 - a1 x1i - a2 x2i )
2
€
¶S r
= 0 = -2å ( yi - a0 - a1 x1i - a2 x2i ) x2
¶a0
¶S r x1
= 0 = −2∑ x1i ( yi − a0 − a1 x1i − a2 x2i )
¶a1 ¶S r
= 0 = -2å x2i ( yi - a0€- a1 x1i - a2 x2i )
¶a2
é n
ê
åx 1i å x€ 2i ù ì a0 ü ì å y i ü
úï ï ï ï
ê å x1i åx åx x = í å 1i i ý
2
1i a
1i 2 i ú í 1 ý x y
ê å x2 i 2 úï ï ï x yï
ë åx x 1i 2 i åx a
2i û î 2 þ îå 2i i þ

Regresión Lineal – FORMULACIÓN GENERAL
yi = a0 z0 + a1 z1 + a2 z 2 + ......... + am z m + e
z0 , z1 ,.........z m (m + 1) Funciones Diferentes
Línea Recta: z0 = 1 z1 = x
Cuadrática: z0 = 1 z1 = x z2 = x 2
Múltiple: z0 = 1 z1 = x1 z 2 = x2
y = a0 + a1 cos(wt ) + a2 sin (wt ) z0 = 1 z1 = cos(wt ) z 2 = sin (wt )
Regresión Lineal: La dependencia con los coeficientes a es lineal !!!
(
y = a0 1 - e a1x ) No lineal


Regresión Lineal – FORMULACIÓN GENERAL
yi = a0 z0 + a1 z1 + a2 z 2 + ......... + am z m + e
{Y } = [Z ]{A}+ {E}
z0 , z1 ,.........z m (m + 1) Funciones Diferentes
2
n æ m ö
ì y1 ü é z01 z11 ... z m1 ù ì a0 ü ì e1 ü Sr = å ç yi - å a j z ji ÷
ç ÷
ïy ï êz è ø
z12 ... z m 2 úú ïï a1 ïï ïïe2 ïï
i =1 j =1
ï 2 ï ê 02
ïï . ïï ê . . . . ú ïï . ïï ïï . ïï Las ecuaciones normales
í ý=ê úí ý + í ý pueden ser obtenidas
ï.ï ê . . . . úï . ï ï . ï
ï.ï ê . como:
. . . úï . ï ï . ï
ï ï ê úï ï ï ï
ïî yn ïþ êë z0 n z1n ... z mn úû ïîam ïþ ïîen ïþ [Z ]
T
[ Z ] { A} = [ Z ]
T
{Y }


Ejemplo – Tasa de Infiltración en el suelo
Para realizar el balance de masa de agua en un sistema, se requiere conocer la tasa de
infiltración de la zona de estudio.
Con el fin de determinar el diseño

específico de un Sistema Urbano de
Drenaje Sostenible tipo Cuneta Verde, se
tomaron los siguientes datos de campo:
x (t en
1 2 3 4
min)
y (mm
2.1 7.7 13.6 27.2
infiltrados)
¿Qué ecuación polinómica de grado 2 puede describir de mejor

manera los datos obtenidos en campo?


x 1 2 3 4
y 2.1 7.7 13.6 27.2
n=4
å xi = 1 + 2 + 3 + 4 = 10 é n
ê
åx åxi
2
i
ù ì a0 ü ì å y i ü
úï ï ï ï
ê å xi åx åx úí 1 ý í å i i ý
=
2 3
a x y
å i
i i
x 2
= 12
+ 2 2
+ 3 2
+ 4 2
= 30 êå xi2
ë åx åx
3
i
4
i
ú ïîa2 ïþ ïå xi2 yi ï
û î þ
å i
x 3
= 13
+ 2 3
+ 33
+ 4 3
= 100
åx y i i = 1 × 2.1 + 2 × 7.7 + 3 ×13.6 +
å i
x 4
= 14
+ 2 4
+ 3 4
+ 4 4
= 354 4 × 27.2 = 167
åi i
x 2
y = 12
× 2.1 + 2 2
× 7.7 + 3 2
×13.6 +
åy i = 2.1 + 7.7 + 13.6 + 27.2 = 50.6
4 2 × 27.2 = 590.5

x 1 2 3 4
y 2.1 7.7 13.6 27.2
é n
ê
å xi å i ùú ìïa0 üï ìï å yi üï
x 2
ê å xi å i å i ú í a1 ý = í å xi yi ý
2 3
x x
êå xi2 4 úï ï ï x2 y ï
ë å i
x 3
å i û î 2 þ îå i i þ
x a
a0 = 2.35 a1 = -1.88 a2 = 2.0


x 1 2 3 4
y 2.1 7.7 13.6 27.2
50
(
S r = å yi - a0 - a1 xi - a x )
2 2
2 i
40 S r = 0.1369 + 1.2321 + 1.2321 +

30 0.1369 = 2.738
20 Sr 2.738
Sy = = = 1.654
n - (m + 1)
x
10 4 - (3)
0
St = å ( yi - y ) = 18.667
2
0 1 2 3
Datos discretos
4
Ajuste
5 6 y = 12.65
y = 2.35 - 1.88 x + 2.0 x 2 18.665 - 2.738

r = 2
= 0.9
18.665

Ejemplo – Formulación General
x 1 2 3 4
y 2.1 7.7 13.6 27.2
y = a0 z0 + a1 z1 + a2 z 2 + ......... + am z m + e Cuadrática: z0 = 1 z1 = x z2 = x 2
ì y1 ü é z01 z11 ... z m1 ù ì a0 ü ì e1 ü

ïy ï êz z12 ... z m 2 úú ïï a1 ïï ïïe2 ïï
é1 1 1ù
ï 2 ï ê 02 ê1 2 4 úú
ïï . ïï ê .
í ý=ê
. . . ú ïï . ïï ïï . ïï
úí ý + í ý
[Z ] = ê
ê1 3 9ú
ï.ï ê . . . . úï . ï ï . ï
ê ú
ï.ï ê . . . . úï . ï ï . ï ë1 4 16û
ï ï ê úï ï ï ï
ïî yn ïþ êë z0 n z1n ... z mn úû ïîam ïþ ïîen ïþ
[Z ]T [Z ]{A} = [Z ]T {Y }

Ejemplo – Formulación General
x 1 2 3 4
y 2.1 7.7 13.6 27.2
[Z ]T [Z ]{A} = [Z ]T {Y }
é1 1 1ù ì 2.1 ü
é1 1 1 1 ù ê ú ìa0 ü é1 1 1 1 ù ï ï
ê1 2 3 4 ú ê1 2 4 úï ï ê
a = 1 2 3 4 úï 7.7 ï
ê ú ê1 í 1ý ê ú í ý
3 9 úï ï ï13.6 ï
êë1 4 9 16úû ê ú îa2 þ êë1 4 9 16úû ï
ë1 4 16û î27.2ïþ

INTERPOLACIÓN
Sirve para estimar valores intermedios entre datos discretos conocidos.
El método más común es la interpolación polinomial.
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 pasa a través
de todos los puntos.
La interpolación polinomial consiste en determinar este polinomio.

INTERPOLACIÓN
Interpolación Polinomial de Newton con Diferencias Divididas
Lineal
y
Dados f(x0), f(x1),hallar f1(x)
y1
f1 ( x ) - f ( x0 ) f ( x1 ) - f ( x0 ) y
=
x - x0 x1 - x0
y0
⎡⎣ f ( x1 ) − f ( x0 )⎤⎦
f1 ( x ) = f ( x0 ) + ( x − x0 )
x1 − x0 x0 x x1 x

INTERPOLACIÓN
Cuadrático
Dados f(x0) , f(x1) , f(x2) hallar f2(x)
f 2 ( x ) = b0 + b1 ( x - x0 ) + b2 ( x - x0 )( x - x1 )
f ( x1 ) - f ( x0 )
x = x0 ® b0 = f ( x0 ) x = x1 ® b1 =
x1 - x0
f ( x2 ) - f ( x1 ) f ( x1 ) - f ( x0 )
-
x2 - x1 x1 - x0
x = x2 ® b2 =
x2 - x0

INTERPOLACIÓN
General
f n ( x ) = b0 + b1 ( x - x0 ) + b2 ( x - x0 )( x - x1 ) + b3 ( x - x0 )( x - x1 )( x - x2 ) + .....
... + bn ( x - x0 )( x - x1 )( x - x2 )...( x - xn -1 )
b0 = f ( x0 ) f ⎡⎣ xi , x j ⎤⎦ =
f ( xi ) − f ( x j )
b1 = f [x1 , xo ]
xi − x j
f ⎡⎣ xi , x j ⎤⎦ − f ⎡⎣ x j , xk ⎤⎦
⎡ ⎤
f ⎣ xi , x j , x k ⎦ =
b2 = f [x2 , x1 , xo ] xi − x k
b3 = f [x3 , x2 , x1 , xo ] ⎡ ⎤
f ⎣ xi , x j , x k , x l ⎦ =
f ⎡⎣ xi , x j , xk ⎤⎦ − f ⎡⎣ x j , xk , xl ⎤⎦
xi − x l
bn = f [xn , xn -1 , xn -2 ,..., xo ] f [ xn , xn−1,...., x0 ] =

f [ xn , xn−1,...., x1 ] − f [ xn−1, xn−2 ......x0 ]
xn − x0
INTERPOLACIÓN
• No se requiere que los datos estén igualmente espaciados o que los valores
de las abscisas estén en orden ascendente.
• Note la recursividad del método, es decir las diferencias de orden superior

se calculan tomando las diferencias de orden inferior.
Estimación del Error

fn ( x ) = b0 + b1 ( x − x0 ) + b2 ( x − x0 ) ( x − x1 ) + b3 ( x − x0 ) ( x − x1 ) ( x − x2 ) +.....
... + bn ( x − x0 ) ( x − x1 ) ( x − x2 )... ( x − xn−1 )
f n+1 (ξ ) n+1
Taylor Rn = ( i+1 i )
x − x
(n +1)!
f n+1 (ξ )
Int. Newton Rn = ( x − x0 ) ( x − x1 )......... ( x − xn )
(n +1)!
INTERPOLACIÓN
Estimación del Error

f n+1 (ξ )
Rn = ( x − x0 ) ( x − x1 )......... ( x − xn )
(n +1)!
Rn = f [ xn+1, xn , xn−1.......x0 ] ( x − x0 ) ( x − x1 )..... ( x − xn )
Si conocemos un dato adicional, f(xn+1) el error puede calcularse como:

Rn = f [ xn+1, xn , xn−1,......x0 ] ( x − x0 ) ( x − x1 )..... ( x − xn )
Rn = fn+1 ( x ) − fn ( x )
fn+1 ( x ) = fn ( x ) + Rn

INTERPOLACIÓN
Ejemplo
ln 2 = ? ln 1 = 0 ln 4 = 1.3863 ln 6 = 1.7917
Lineal [ f (x1 ) - f (x0 )] (x - x ) + f (x )

f1 ( x ) = 0 0
x1 - x0
x0 = 1 x1 = 4 x0 = 1 x1 = 6
[1.3863 - 0]
f1 ( x = 2 ) =
[1.7917 - 0] (2 - 1) + 0 = 0.358
f (x = 2) = (2 - 1) + 0 = 0.46209
1
4 -1 6 -1
f1 ( x ) = 0 + 0.4621( x - x0 )

INTERPOLACIÓN
Ejemplo
ln 2 = ? ln 1 = 0 ln 4 = 1.3863 ln 6 = 1.7917
Cuadrático
f 2 ( x ) = b0 + b1 ( x - x0 ) + b2 ( x - x0 )( x - x1 )
f ( x1 ) - f ( x0 ) 1.3863 - 0
b0 = f ( x0 ) = 0 b1 = f [x1 , x0 ] = b1 = = 0.4621
x1 - x0 4 -1
f [x2 , x1 ] - f [x1 , x0 ] f ( x2 ) - f ( x1 ) 1.7917 - 1.3863
b2 = f [x2 , x1 ] = = = 0.2027
x2 - x0 x2 - x1 6-4
0.2027 - 0.4621
b2 = = -0.0519
6 -1
f 2 ( x ) = 0.4621( x - 1) - 0.0519( x - 1)( x - 4 ) f 2 ( x = 2) = 0.5658

INTERPOLACIÓN
Ejemplo
ln 2 = ? ln 1 = 0 ln 4 = 1.3863 ln 6 = 1.7917 ln 5 = 1.6094
Cúbico f 3 ( x ) = b0 + b1 ( x - x0 ) + b2 ( x - x0 )( x - x1 ) + b3 ( x - x0 )( x - x1 )( x - x2 )
b0 = 0 b1 = 0.4621 b2 = -0.0519 f [x3 , x2 , x1 ] - f [x2 , x1 , x0 ]
b3 = f [x3 , x2 , x1 , x0 ] =
x3 - x0
f [x2 , x1 ] - f [x1 , x0 ] 0.2027 - 0.4621
f [x2 , x1 , x0 ] = = = -0.0519
x3 - x1 6 -1
f [x3 , x2 ] - f [x2 , x1 ] f ( x3 ) - f ( x2 ) 1.6094 - 1.7917
f [x3 , x2 , x1 ] = f [x3 , x 2 ] = = = 0.1823
x3 - x1 x3 - x 2 5 - 6
f [x3 , x2 ] - f [x2 , x1 ] 0.1823 - 0.2027

f [x3 , x2 , x1 ] = = = -0.0204
x3 - x1 5-4
f 3 ( x ) = 0 + 0.4621( x - x0 ) - 0.0519( x - x0 )( x - x1 )
- 0.0204 + 0.0519 + 0.0079( x - x0 )( x - x1 )( x - x2 )
b3 = = 0.0079
5 -1 f 3 ( x = 2) = 0.6291
INTERPOLACIÓN
Ejemplo
Lineal f1 ( x ) = 0 + 0.4621( x - x0 ) ln 2 = 0.4621

Cuadrático f 2 ( x ) = 0.4621( x - 1) - 0.0519( x - 1)( x - 4 ) ln 2 = 0.5658
Cúbico f 3 ( x ) = 0 + 0.4621( x - x0 ) - 0.0519( x - x0 )( x - x1 ) ln 2 = 0.6291

+ 0.0079( x - x0 )( x - x1 )( x - x2 )
f 2 ( x = 2 ) - f1 ( x = 2 )
Error Lineal 100% = 18.3%
f 2 ( x = 2)
f 3 ( x = 2) - f 2 ( x = 2)
Error Cuadrática 100% = 10.1%
f 3 ( x = 2)

INTERPOLACIÓN
Polinomios de Interpolación de Lagrange
Reformulación del polinomio de Newton que evita el cálculo de las diferencias

dividas y se representa como:
n
æ x - xj ö
f n ( x ) = å Li ( x ) f ( xi )
n
Li = Õ çç ÷
÷
i =0 j =0 è xi - x j ø
j ¹i
Ejemplo – Orden 1
1
f1 ( x ) = ∑ Li ( x ) f ( xi ) = L0 ( x ) f ( x0 ) + L1 ( x ) f ( x1 )
i=0
1 ⎛ x−x ⎞ x- x 1 ⎛ x − x ⎞ æ x - x0 ö
L0 = ∏⎜⎜ j
⎟⎟ = 1
L1 = ∏⎜⎜ j
⎟⎟ = çç ÷÷
j=0 ⎝ x0 − x j ⎠
x0 - x1 j=0 ⎝ x1 − x j ⎠ è x1 - x0 ø
j≠0 j≠1
⎛ x − x1 ⎞ ⎛ x − x0 ⎞
f1 ( x ) = ⎜ ⎟ f ( x0 ) + ⎜ ⎟ f ( x1 )
⎝ x0 − x1 ⎠ ⎝ x1 − x0 ⎠

INTERPOLACIÓN
Polinomios de Interpolación de Lagrange
Reformulación del polinomio de Newton que evita el cálculo de las diferencias

dividas y se representa como:
n
æ x - xj ö
f n ( x ) = å Li ( x ) f ( xi )
n
Li = Õ çç ÷
÷
i =0 j =0 è xi - x j ø
j ¹i
Ejemplo – Orden 2 2
f 2 ( x ) = å Li ( x ) f ( xi ) = L0 ( x ) f ( x0 ) + L1 ( x ) f ( x1 ) + L2 ( x ) f ( x2 )
i =0
2 æ x - x j ö æ x - x öæ x - x ö æ x - x j ö æ x - x öæ x - x ö
2
L0 = Õ çç ÷= ç
÷
1
÷÷çç 2
÷÷ L1 = Õ çç ÷= ç
÷
0
÷÷ çç 2
÷÷
x
j =0 è 0 - x ç
j ø è x0 - x1 øè x0 - x2 ø x
j =0 è 1 - x ç
j ø è x1 - x0 ø è x1 - x2 ø
j ¹0 j ¹1
2 ⎛ x−x ⎞
f 2 (x ) =
(x - x1 )(x - x2 ) f (x ) +
L2 = ∏⎜⎜ j
⎟⎟ = æç x - x0 ö÷æç x - x1 ö÷ (x0 - x1 )(x0 - x2 ) 0
ç ÷ç
j=0 ⎝ x2 − x j ⎠ è x2 - x0 ø è x2 - x1 ø
÷
j≠2 (x - x0 )(x - x2 ) f (x ) + (x - x0 )(x - x1 ) f (x )
(x1 - x0 )(x1 - x2 ) 1 (x2 - x0 )(x2 - x1 ) 2
Modelación y Análisis Numérico – ICYA 2001 Clase 8 – 201619
INTERPOLACIÓN
Trazadores - Splines
Cuando hay cambios abruptos en la función a interpolar los polinomios no se

comportan bien.
Una alternativa para evitar los

errores de interpolación es usar
polinomios de grado inferior para
un subconjunto de datos.
Estos polinomios conectores se

llaman trazadores o splines.

INTERPOLACIÓN
Lineales: Interpolación entre pares de puntos con una linea recta.
Segmento 1
f ( x1 ) - f ( x0 )
f ( x ) = f ( x0 ) + m1 ( x - x0 ) m1 =
x1 - x0
f ( x1 )
1 f ( xn -1 )
2
n
Segmento 2
f ( x2 ) - f ( x1 ) f ( x0 )
f ( x ) = f ( x1 ) + m2 ( x - x1 ) m2 = f ( x2 ) f ( xn )
x2 - x1
Segmento n
f ( xn ) - f ( xn -1 )
f ( x ) = f ( xn -1 ) + mn ( x - xn -1 ) mn =
xn - xn -1

INTERPOLACIÓN
Cuadráticos: Interpolación entre pares de puntos con una parabola.
n+1 datos y n intervalos 1

f ( x1 ) 2
f ( x0 ) f ( x2 ) f ( xn -1 )
f ( xn )
n
3n Parámetros
f ( x ) = ai x 2 + bi x + ci
3n Ecuaciones

INTERPOLACIÓN
Cuadráticos: Interpolación entre pares de puntos con una parábola.
1. Valores de polinomios adyacentes son iguales y conocidos en nodos

interiores
i f ( xi )
f i ( xi ) = a x + bi xi + ci f i +1 ( xi ) = a x + bi +1 xi + ci +1 # Eq. : 2(n - 1)
2 2
i i i +1 i f ( xi +1 )
f ( xi -1 ) i +1
€
2. La primera y la última ecuación deben pasar por
f ( x ) = ai x 2 + bi x + ci
puntos extremos conocidos
f1 ( x0 ) = a1 x02 + b1 x0 + c1 f n ( xn ) = an xn2 + bn xn + cn # Eq. : 2
3. Valores de la primera derivada de polinomios adyacentes

son iguales en nodos interiores 2a x + b = 2a x + b i i i i +1 i i +1 # Eq. : ( n - 1)
4. Segunda derivada en punto inicial cero. a1 = 0

INTERPOLACIÓN
Cúbicos: Interpolación entre pares de puntos con un polinomio de orden 3

(cúbica).
1
f ( x1 ) 2
n+1 datos y n intervalos f ( x0 ) f ( x2 ) f ( xn -1 )
f ( xn )
n
4n Parámetros
f ( x ) = ai x 3 + bi x 2 + ci x + d i
4n Ecuaciones

INTERPOLACIÓN
Cúbicos: Interpolación entre pares de puntos con una cúbica.
1. Valores de polinomios adyacentes son iguales y conocidos

en nodos interiores i f ( xi )
# Eq. : 2( n - 1)
f ( xi +1 )
f ( xi -1 ) i +1
2. La primera y la última ecuación deben pasar por €
puntos extremos conocidos # Eq. : 2 f ( x ) = ai x 3 + bi x 2 + ci x + d i
3. Valores de la primera derivada de polinomios adyacentes

son iguales en nodos interiores
# Eq. : ( n - 1)
4. Valores de la segunda derivada de polinomios adyacentes son iguales
en nodos interiores
# Eq. : ( n - 1)
5. Segunda derivada en puntos extremos cero. # Eq. : 2

INTERPOLACIÓN
Alternativa para desarrollar los trazadores cúbicos que resulta en la

solución de un sistema de (n-1) ecuaciones
i f ( xi )
Función de Interpolación – Segmento i: f ( xi +1 )
f ( xi -1 ) i +1
€
f ( xi -1 ) f ( x ) = ai x 3 + bi x 2 + ci x + d i
(xi - x )3 + fi (xi ) (x - xi -1 )3 +
'' ''
fi (x ) =
6( xi - xi -1 ) 6( xi - xi -1 )
é f ( xi -1 ) f '' ( xi -1 )( xi - xi -1 )ù é f ( xi ) f '' ( xi )( xi - xi -1 )ù
êx - x - ú (xi - x ) + ê - ú (x - xi -1 )
ë i i -1 6 û ë xi - xi -1 6 û
Variables desconocidas : f '' ( xi -1 ) y f '' ( xi )

INTERPOLACIÓN
Alternativa para desarrollar los trazadores cúbicos que resulta en la solución

de un sistema de (n-1) ecuaciones
i f ( xi )
El sistema de ecuaciones se construye formulando la f ( xi +1 )

f ( xi -1 ) i +1
siguiente ecuación para cada nudo interior i: €
(xi - xi -1 ) f '' (xi -1 ) + 2(xi +1 - xi -1 ) f '' (xi ) + (xi +1 - xi ) f '' (xi +1 ) =

6
[ f (xi +1 ) - f (xi )] + 6 [ f (xi -1 ) - f (xi )]
xi +1 - xi xi - xi -1
Sistema de ecuaciones tridiagonal que se resuelven con algoritmos específicos

INTERPOLACIÓN
Ejemplo – Calidad del Aire
La Secretaría Distrital de Ambiente se encuentra realizando un estudio de calidad del
airea en la Avenida NQS en la ciudad de Bogotá.
Con un abscisado desde la Calle 26, se
instalan 4 estaciones de monitoreo de x (abs) 3 4.5 7.0 9.0
PM10 (Material particulado de tamaño PM10
2.5 1.0 2.5 0.5
igual o menor a 10 μm). (μm)
Después de la toma de datos, los

ingenieros deben calcular la posible
concentración de PM10 en la abscisa
K0+5. ¿Cuál es la concentración de PM10
en la abscisa K0+5?

INTERPOLACIÓN
Ejemplo Lineal – Calidad del Aire
x (abs) 3 4.5 7.0 9.0

PM10
2.5 1.0 2.5 0.5
(μm)
f ( x = 5) ?
f ( x ) = f ( x0 ) + m0 ( x - x0 ) = 1.0 +
(2.5 - 1) (5 - 4.5) = 1.30
7 - 4.5

INTERPOLACIÓN
Ejemplo Cuadráticos – Calidad del Aire
x (abs) 3 4.5 7.0 9.0
f ( x = 5) ?
PM10 (μm) 2.5 1.0 2.5 0.5
1. Valores de polinomios adyacentes son iguales y conocidos en nodos interiores.
20.25a1 + 4.5b1 + c1 = 1.0 49a2 + 7b2 + c2 = 2.5
20.25a2 + 4.5b2 + c2 = 1.0 49a3 + 7b3 + c3 = 2.5
2. La primera y la última ecuación deben pasar por puntos extremos conocidos.
9a1 + 3b1 + c1 = 2.5
81a3 + 9b3 + c3 = 0.5
3. Valores de la primera derivada de polinomios adyacentes son iguales en nodos
interiores 9a1 + b1 = 9a2 + b2
14a2 + b2 = 14a3 + b3
4. Segunda derivada en punto inicial cero. a1 = 0
INTERPOLACIÓN
x (abs) 3 4.5 7.0 9.0

f ( x = 5) ?
PM10 (μm) 2.5 1.0 2.5 0.5
20.25a1 + 4.5b1 + c1 = 1.0 é20.25 4.5 1 0 0 0 0 0 0ù ì a1 ü ì 1 ü

20.25a2 + 4.5b2 + c2 = 1.0 ê 0 0 0 20.25 4.5 1 0 0 0ú ï b1 ï ï 1 ï
ê úï ï ï ï
49a2 + 7b2 + c1 = 2.5 ê 0 0 0 49 7 1 0 0 0ú ï c1 ï ï2.5ï
ê úï ï ï ï
49a3 + 7b3 + c3 = 2.5 ê 0 0 0 0 0 0 49 7 1ú ïa2 ï ï2.5ï
ï ï ï ï
9a1 + 3b1 + c1 = 2.5 ê 9 3 1 0 0 0 0 0 0ú í b2 ý = í 1 ý
ê ú
81a3 + 9b3 + c3 = 0.5 ê 0 0 0 0 0 0 81 9 1ú ï c2 ï ï 1 ï
ï ï ï ï
9a1 + b1 = 9a2 + b2 ê 9 1 0 -9 -1 0 0 ú
0 0 ï a3 ï ï 0 ï
ê ú
14a2 + b2 = 14a3 + b3 ê 0 0 0 14 1 0 - 14 - 1 0ú ï b3 ï ï 0 ï
ï ï ï ï
a1 = 0 êë 1 0 0 0 0 0 0 ú
0 0û ïî c3 ïþ ïî 0 ïþ

INTERPOLACIÓN
x (abs) 3 4.5 7.0 9.0
PM10 (μm) 2.5 1.0 2.5 0.5 f ( x = 5) ?
20.25a1 + 4.5b1 + c1 = 1.0 ® 2 é3 1 0 0 0 0 0ù ì b1 ü ì2.5ü
0
20.25a2 + 4.5b2 + c2 = 1.0 ® 4
ê4.5 1 0 0 0 0 0ú ï c1 ï ï 1 ï
0
ê úï ï ï ï
49a2 + 7b2 + c2 = 2.5 ® 5 ê1 0 -9 -1 0 0 0 0ú ïa 2 ï ï 0 ï
ê úï ï ï ï
49a3 + 7b3 + c3 = 2.5 ® 7 ê0 0 20.25 4.5 1 0 0 0ú ï b2 ï ï 1 ï
ê0 í ý=í ý
9a1 + 3b1 + c1 = 2.5 ® 1 0 49 7 1 0 0 0ú ï c2 ï ï2.5ï
ê ú
81a3 + 9b3 + c3 = 0.5 ® 8 ê0 0 14 1 0 - 14 - 1 0ú ïa3 ï ï 0 ï
ï ï ï ï
ê0 0 0 0 0 49 7 7ú ï b3 ï ï2.5ï
9a1 + b1 = 9a2 + b2 ® 3 ê ú
14a2 + b2 = 14a3 + b3 ® 6 ë0 0 0 0 0 81 9 1û ïî c3 ïþ ïî0.5ïþ
a b c
a1 = 0 f1 (x ) = - x + 5.5
-1
f (x = 5) = 0.66
1 0 5.5
f 2 (x ) = 0.64 x 2 - 6.76 x + 18.46
2 0.64 - 6.76 18.46
3 - 1.6 24.6 - 91.3
f 3 (x ) = -1.6 x 2 + 24.6 x - 91.3

INTERPOLACIÓN
Ejemplo Cúbicos – Calidad del Aire
x (abs) 3 4.5 7.0 9.0

f ( x = 5) ?
PM10 (μm) 2.5 1.0 2.5 0.5
(xi - xi -1 ) f '' (xi -1 ) + 2(xi +1 - xi -1 ) f '' (xi ) + (xi +1 - xi ) f '' (xi +1 ) =

6 6
[ f (xi +1 ) - f (xi )] + [ f (xi -1 ) - f (xi )]
xi +1 - xi xi - xi -1
6
(4.5 - 3) f '' (x0 ) + 2(7 - 3) f '' (x1 ) + (7 - 4.5) f '' (x2 ) = (2.5 - 1) + 6 (2.5 - 1)
7 - 4.5 4.5 - 3
(7 - 4.5) f '' (x1 ) + 2(9 - 4.5) f '' (x2 ) + (9 - 7 ) f '' (x3 ) = 6 (0.5 - 2.5) + 6 (1 - 2.5)
9-7 7 - 4.5
f '' ( x0 ) = f '' ( x3 ) = 0

INTERPOLACIÓN
x (abs) 3 4.5 7.0 9.0
f ( x = 5) ?
PM10 (μm) 2.5 1.0 2.5 0.5
- 1.5 f '' ( x0 ) + 8 f '' ( x1 ) + 2.5 f '' ( x2 ) = 9.6 é 8 2.5ù ì f " ( x1 ) ü ì 9.6 ü ì f " ( x1 ) ü ì 1.679 ü
ê2.5 9 ú í f " ( x ) ý = í- 9.6ý í ý=í ý
2.5 f '' ( x1 ) + 9 f '' ( x2 ) + 2 f '' ( x3 ) = -9.6 ë ûî 2 þ î þ î f " ( x )
2 þ î - 1.533þ
f '' ( xi -1 ) f '' ( xi )
fi (x ) = (xi - x ) + (x - xi -1 )3 +
3
6( xi - xi -1 ) 6( xi - xi -1 )
êx - x - 6 ú( xi - x ) + ê x - x - 6 ú( x - xi -1 )
ë i i -1 û ë i i -1 û
f '' ( x0 ) f '' ( x1 ) é f ( x0 ) f '' ( x0 )( x1 - x0 )ù é f ( x1 ) f '' ( x1 )( x1 - x0 )ù
f1 ( x ) = (x1 - x ) + (x - x0 ) + ê ú( x1 - x ) + ê x - x - ú( x - x0 )
3 3
-
6( x1 - x0 ) 6( x1 - x0 ) x -
ë 1 0 x 6 û ë 1 0 6 û
f1 ( x ) =
1.679
(x - 3)3 + éê 2.5 ùú(4.5 - x ) + éê 1 - (1.679)(4.5 - 3)ùú(x - 3)
6(4.5 - 3) ë 4.5 - 3 û ë 4.5 - 3 6 û
f1 ( x ) = 0.1866( x - 3) + 1.67(4.5 - x ) + 0.2469( x - 4.5)

3

INTERPOLACIÓN
x (abs) 3 4.5 7.0 9.0
f ( x = 5) ?
PM10 (μm) 2.5 1.0 2.5 0.5
ê2.5 9 ú í f " ( x ) ý = í- 9.6ý í ý=í ý
2 þ î - 1.533þ
f '' ( xi -1 ) f '' ( xi )
fi (x ) = (xi - x ) + (x - xi -1 )3 +
3
6( xi - xi -1 ) 6( xi - xi -1 )
êx - x - 6 ú( xi - x ) + ê x - x - 6 ú( x - xi -1 )
ë i i -1 û ë i i -1 û
f 2 (x ) = ( x2 - x ) + (x - x1 ) + ê ú ( x2 - x ) + ê x - x - ú( x - x1 )
3 3
-
6( x2 - x1 ) 6( x2 - x1 ) x -
ë 2 1 x 6 û ë 2 1 6 û
f 2 (x ) =
1.679
(7 - x )3 + - 1.533 (x - 4.5)3 + éê 1 - 1.679(7 - 4.5)ùú(7 - x ) + éê 2.5 - - 1.533(7 - 4.5)ùú(x - 4.5)
6(7 - 4.5) 6(7 - 4.5) ë 7 - 4.5 6 û ë 7 - 4.5 6 û
f 2 ( x ) = 0.1119(7 - x ) - 0.1022( x - 4.5) - 0.2996(7 - x ) + 1.6388( x - 4.5)

3 3

INTERPOLACIÓN
x (abs) 3 4.5 7.0 9.0
f ( x = 5) ?
PM10 (μm) 2.5 1.0 2.5 0.5
ê2.5 9 ú í f " ( x ) ý = í- 9.6ý í ý=í ý
2 þ î - 1.533þ
f '' ( xi -1 ) f '' ( xi )
fi (x ) = (xi - x ) + (x - xi -1 )3 +
3
6( xi - xi -1 ) 6( xi - xi -1 )
êx - x - 6 ú( xi - x ) + ê x - x - 6 ú( x - xi -1 )
ë i i -1 û ë i i -1 û

f 3 (x ) = (x3 - x ) + ( x - x2 ) + ê ú( x3 - x ) + ê x - x - ú ( x - x2 )
3 3
-
6( x3 - x2 ) 6( x3 - x2 ) x -
ë 3 2 x 6 û ë 3 2 6 û
f 3 (x ) =
- 1.533
(9 - x )3 + éê 2.5 - - 1.533(9 - 7 )ùú(9 - x ) + éê 0.5 ùú(x - 7 )
6(9 - 7 ) ë9 - 7 6 û ë9 - 7û
f 3 ( x ) = -0.1277(9 - x ) + 1.761(9 - x ) + 0.25( x - 7 )
3

INTERPOLACIÓN
Ejemplo Comparación de Resultados – Calidad del Aire
x (abs) 3 4.5 7.0 9.0 f ( x = 5) ?

PM10 (μm) 2.5 1.0 2.5 0.5
3,5
3
2,5
2
1,5
1
0,5
0
0 2 4 6 8 10
Puntos Traz. Cuadráticos
Traz. Cúbicos Polinómica (Puntos)

Ajuste de Curvas e Interpolación: Modelación Y Análisis Numérico ICYA 2001

Cargado por

Copyright:

Formatos disponibles

También podría gustarte

Ajuste de Curvas e Interpolación: Modelación Y Análisis Numérico ICYA 2001

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

Ajuste de Curvas e Interpolación: Modelación Y Análisis Numérico ICYA 2001

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE INGENIERÍA CIVIL Y

MODELACIÓN Y ANÁLISIS NUMÉRICO

7. Ajuste de curvas e interpolación

Universidad de los Andes

• Es normal en ingeniería obtener datos de manera discreta, y la necesidad de

• Determinar valores intermedios a partir de datos tabulados: termodinámica e

• Análisis de tendencias: utilizar el comportamiento de datos para realizar

• Prueba de hipótesis: un modelo matemático se compara con datos medidos.

Modelación y Análisis Numérico – ICYA 2001

Modelación y Análisis Numérico – ICYA 2001 Clase 13 - 201520

REGRESIÓN MÍNIMOS CUADRADOS

ao: Intersección con el eje y

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

REGRESIÓN MÍNIMOS CUADRADOS

Minimizar Sr, encontrar el óptimo.

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

Modelación y Análisis Numérico – ICYA 2001 Clase 18– Regular

REGRESIÓN MÍNIMOS CUADRADOS

La desviación estándar para la línea de regresión será:

Sr Error estándar estimado: Cuantifica la dispersión

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

r cuantifica la mejora o reducción del error al describir los datos en términos

r=0 Ajuste no representa ninguna mejora con respecto al promedio

Modelación y Análisis Numérico – ICYA 2001 Clase 14 - 201520

REGRESIÓN MÍNIMOS CUADRADOS

y = a1e b1x ln y = ln a1 + b1 x Exponencial

y = a1 x b1 log y = log a1 + b1 log x Potencial

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

REGRESIÓN MÍNIMOS CUADRADOS

y = a0 + a1 cos(wt ) + a2 sin (wt ) z0 = 1 z1 = cos(wt ) z 2 = sin (wt )

Regresión Lineal: La dependencia con los coeficientes a es lineal !!!

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

Modelación y Análisis Numérico – ICYA 2001 Clase 19– Regular

REGRESIÓN MÍNIMOS CUADRADOS

Con el fin de determinar el diseño

¿Qué ecuación polinómica de grado 2 puede describir de mejor

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

REGRESIÓN MÍNIMOS CUADRADOS

a0 = 2.35 a1 = -1.88 a2 = 2.0

Modelación y Análisis Numérico – ICYA 2001

REGRESIÓN MÍNIMOS CUADRADOS

40 S r = 0.1369 + 1.2321 + 1.2321 +

y = 2.35 - 1.88 x + 2.0 x 2 18.665 - 2.738

REGRESIÓN MÍNIMOS CUADRADOS

ì y1 ü é z01 z11 ... z m1 ù ì a0 ü ì e1 ü

REGRESIÓN MÍNIMOS CUADRADOS

Modelación y Análisis Numérico – ICYA 2001

Sirve para estimar valores intermedios entre datos discretos conocidos.