lOMoAR cPSD| 18963156

INSTITUTO TECNOLÓGICO SUPERIOR DE

TAMAZUNCHALE S.L.P
CARRERA:
INGENIERÍA EN SISTEMAS COMPUTACIONALES (ISC)
MATERIA:
SIMULACION
ACTIVIDAD:
PROYECTO INTEGRADOR FASE 1
DOCENTE:
ING. HECTOR SOLIS ALVINEDA
ALUMNO:
JHONATAN ALEXIS CHÁVEZ PÉREZ
JUAN DE DIOS REYES PARRA
CHRISTIAN EMANUEL MEDINA HERNÁNDEZ
No. DE CONTROL:
21ISC016, 21ISC056, 21ISC046
SEMESTRE: 4° TURNO: MATUTINO 3
Fecha: 23/05/2023
 lOMoAR cP SD| 18963156

Índice
Introducción ........................................................................................................................................ 1
5.1 Polinomio de interpolación de Newton ....................................................................................... 1
Interpolación Lineal ........................................................................................................................ 2
Interpolación Cuadrá ca ................................................................................................................ 3
5.2 Polinomio de interpolación de Lagrange .......................................................................... 4
5.3 Interpolación segmentada ..................................................................................................... 6
Interpolación Segmentaria Lineal .................................................................................................. 7
Interpolación Segmentaria Cuadrá ca .......................................................................................... 7
5.4 Regresión y correlación......................................................................................................... 9
5.5 Mínimos cuadrados................................................................................................................. 9
5.6 Problemas de aplicación ..................................................................................................... 10
Conclusiones................................................................................................................................. 11
 lOMoAR cPSD| 18963156

Introducción
La interpolación y el ajuste de funciones son dos técnicas fundamentales en el
campo de la matemática y la estadística que permiten analizar y modelar conjuntos
de datos. Estas herramientas son ampliamente utilizadas en diversas disciplinas,
desde la física y la ingeniería hasta la economía y las ciencias sociales. En este
contexto, este tema se enfoca en comprender los conceptos básicos de la
interpolación y el ajuste de funciones, así como su aplicación en la resolución de
problemas prácticos.

5.1 Polinomio de interpolación de Newton

Utilizar la matriz de Vandermonde para muchos nodos no es muy buena idea ya
que el tiempo de cálculo para matrices grandes es excesivo. Es mucho más sencillo
utilizar el método clásico de las diferencias divididas de Newton. Recordemos su
definición, para dos nodos, se llama diferencia dividida de orden uno a :

Mientras que la diferencia dividida de orden n se ob ene por recurrencia a par r de las anteriores
como:

El polinomio de Newton en diferencias divididas es entonces:

p(x)=f[x0]+(x-x0) f[x0,x1]+ (x-x0)(x-x1) f[x0,x1]+ +(x-x0)(x-x1) (x-xn-1) f[x0,x1, ... ,

xn]

El polinomio de interpolación con diferencias divididas de Newton, entre otros es la

forma más popular además de las más útil.

1
 lOMoAR cPSD| 18963156

Interpolación Lineal

La forma más simple de interpolar es la de conectar dos puntos con una línea
recta. Este método, llamado interpolación lineal, se muestra en la figura:

Usando triángulos semejantes, se tiene:

se puede reordenar como:

La cual es una fórmula de interpolación lineal. La notación f 1(X) indica que se trata
de un polinomio de interpolación de primer orden. Nótese que además de
representar la pendiente de la linera que conecta los dos puntos, el termino

2
 lOMoAR cPSD| 18963156

Es una aproximación de diferencias divididas finitas a la primera derivada. En

general, entre más pequeño sea el intervalo entre dos puntos, más exacta será la
aproximación.

Interpolación Cuadrática

Una estrategia que mejora la aproximación es la introducir cierta curvatura en la

línea que conecta a los puntos. Si se dispone de tres datos, lo anterior se puede
llevar a cabo con un polinomio de segundo orden (llamado también polinomio
cuadrático o parábola). Una manera conveniente para este caso es:

Nótese que, aunque la ecuación [1] parezca diferente de la ecuación general de un

polinomio:

Las dos ecuaciones son equivalentes.

Se puede usar un procedimiento simple para determinar los valores de los

coeficientes. Para bo , se usa la ecuación [4] con X=X0 y se obtiene.

Sustituyendo la ecuación [6] y [4] y evaluando en X=X1 se obtiene:

Y por último las ecuaciones [7] y [6] se sustituyen en la ecuación [4] y se evalúa está
en X=X2 y se obtiene:

3
 lOMoAR cPSD| 18963156

Nótese que, al igual que en el caso de interpolación lineal, b1 aun representa la

pendiente de la línea que une los puntos X0 y X1. Por lo tanto, los primeros dos
términos de la ecuación [4] son equivalentes a la interpolación de X0 a X1. El ultimo
termino b2(X-X0) (X-X1), introduce la curvatura de segundo orden de la formula.

Forma general de los Polinomios de Interpolación de Newton:

Se debe notar que no es necesario que los datos usados en la ecuación [9] estén
igualmente espaciados o que los valores de la abscisa necesariamente se
encuentren en orden ascendente. También nótese que las ecuaciones son
recursivas, esto es las diferencias de orden superior se componen de las diferencias
de orden inferior. Esta propiedad se puede aprovechar al desarrollar un programa
eficiente para un computador.

5.2 Polinomio de interpolación de Lagrange

Se trata de encontrar un polinomio de grado n que pase por los puntos (x0, f(x0)),

(x1, f(x1)), ... (xn, f(xn)), se construye un cociente Ln,k(xk) con la propiedad de que

Ln,k(xi) = 0 cuando i ¹ k y Ln,k(xk) = 1

Se requiere entonces que el numerador contenga

(x – x0) (x – x1)... (x – xk–1)(x – xk+1)... (x – xn)

El denominador debe coincidir con el numerador cuando x = xk.

4
 lOMoAR cPSD| 18963156

N-ésimo polinomio interpolante de Lagrange

Teorema

Si x0, x1, x2, ... xn, son n+1 números distintos y si f es una función cuyos valores
están dados en esos números, entonces existe un polinomio de grado a lo más n,
con la propiedad de que f(xk) = P(xk) para cada k = 0, 1, 2, ...n Este polinomio está
dado por:

Donde

Aproximación a 1/x con interpolantes de Lagrange

Usaremos x0 = 2, x1 = 2.5 y x2 = 4, para obtener un polinomio de grado 2 para 1/x.

f(x0) = 0.5, f(x1)= 0.4 y f(x2) = 0.25.

Los polinomios de Lagrange son:

5
 lOMoAR cPSD| 18963156

P(x) = 0.5*((x–6.5)x+10)+0.4*((–4x+24)x–32)/3+ 0.25*((x +

4.5)x+5)/3 P(x) = (0.05x – 0.425)x + 1.15 = 0.05x2 – 0.425x

+ 1.15 f(3) = P(3) = 0.325

P(x) = (0.05x –

0.425)x + 1.15 f(3) =

P(3) = 0.325

5.3 Interpolación segmentada

Esta interpolación se llama interpolación segmentaria o interpolación por splines. La
idea central es que, en vez de usar un solo polinomio para interpolar los datos,
podemos usar segmentos de polinomios y unirlos adecuadamente para formar
nuestra interpolación.

Cabe mencionar que, entre todas, las splines cúbicas han resultado ser las más
adecuadas para aplicaciones como la mencionada anteriormente.

Así pues, podemos decir de manera informal, que una función spline está formada
por varios polinomios, cada uno definido en un intervalo y que se unen entre si bajo
ciertas condiciones de continuidad.

6
 lOMoAR cPSD| 18963156

Interpolación Segmentaria Lineal

Este es el caso más sencillo. En él, vamos a interpolar una función f(x) de la que se
nos dan un número N de pares (x,f(x)) por los que tendrá que pasar nuestra función
polinómica P(x). Esta serie de funciones nuestras van a ser lineales, esto es, con
grado 1: de la forma P(x) = ax + b.

Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un
total de (N-1) funciones, haciéndolas pasar obligatoriamente por los puntos que van
a determinarlas, es decir, la función P(x) será el conjunto de segmentos que unen
nodos consecutivos; es por ello que nuestra función será continua en dichos puntos,
pero no derivable en general.

Interpolación Segmentaria Cuadrática

En este caso, los polinomios P(x) a través de los que construimos el Spline tienen
grado 2. Esto quiere decir, que va a tener la forma P(x) = ax² + bx + c

Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones (donde

N son los puntos sobre los que se define la función). La interpolación cuadrática nos
va a asegurar que la función que nosotros generemos a trozos con los distintos P(x)
va a ser continua, ya que para sacar las condiciones que ajusten el polinomio,
vamos a determinar cómo condiciones:

Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que las
dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno
de estos puntos.

Que la derivada en un punto siempre coincida para ambos "lados" de la función

definida a trozos que pasa por tal punto común.

Esto sin embargo no es suficiente, y necesitamos una condición más. ¿Por qué?
tenemos 3 incógnitas por cada P(x). En un caso sencillo con f(x) definida en tres
puntos y dos ecuaciones P(x) para aproximarla, vamos a tener seis incógnitas en
total. Para resolver esto necesitaríamos seis ecuaciones, pero vamos a tener tan

7
 lOMoAR cPSD| 18963156

sólo cinco: cuatro que igualan el P(x) con el valor de f(x) en ese punto (dos por cada
intervalo), y la quinta al igualar la derivada en el punto común a las dos P(x).

Se necesita una sexta ecuación, ¿de dónde se extrae? Esto suele hacerse con el
valor de la derivada en algún punto, al que se fuerza uno de los P(x).

Interpolación Segmentaria Cúbica

En este caso, cada polinomio P(x) a través del que construimos los Splines en

[m,n] tiene grado 3. Esto quiere decir, que va a tener la forma P(x) = ax³ + bx² + cx
+d

En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una
nueva condición para cada punto común a dos intervalos, respecto a la derivada
segunda:

Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que las
dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno
de estos puntos.

Que la derivada en un punto siempre coincida para ambos "lados" de la función

definida a trozos que pasa por tal punto común.

Que la derivada segunda en un punto siempre coincida para ambos "lados" de la

función definida a trozos que pasa por tal punto común.

Como puede deducirse al compararlo con el caso de splines cuadráticos, ahora no

nos va a faltar una sino dos ecuaciones (condiciones) para el número de incógnitas
que tenemos.

La forma de solucionar esto, determina el carácter de los splines cúbicos. Así,

podemos usar:

Splines cúbicos naturales: La forma más típica. La derivada segunda de P se hace

0 para el primer y último punto sobre el que está definido el conjunto de Splines,
esto son, los puntos m y n en el intervalo [m,n].

8
 lOMoAR cPSD| 18963156

Dar los valores de la derivada segunda de m y n de forma "manual", en el conjunto

de splines definidos en el intervalo [m,n]. Hacer iguales los valores de la derivada
segunda de m y n en el conjunto de splines definidos en el intervalo [m,n].

5.4 Regresión y correlación

En estadística, la regresión y la correlación son dos técnicas relacionadas que se
utilizan para analizar la relación entre variables.

La regresión se utiliza para modelar la relación entre una variable dependiente

(variable de respuesta) y una o más variables independientes (variables
predictoras). El objetivo es encontrar una función o ecuación que represente la
relación entre estas variables de manera óptima. La regresión puede ser lineal o no
lineal, dependiendo de la forma de la función utilizada para el modelo.

Por otro lado, la correlación se utiliza para medir la fuerza y la dirección de la relación
entre dos variables. El coeficiente de correlación de Pearson es una medida
comúnmente utilizada para cuantificar la correlación lineal entre dos variables. Varía
entre -1 y 1, donde 1 indica una correlación positiva perfecta, -1 indica una
correlación negativa perfecta y 0 indica la ausencia de correlación lineal.

5.5 Mínimos cuadrados

Los mínimos cuadrados es una técnica utilizada para ajustar una función
matemática a un conjunto de datos observados. El objetivo es encontrar la función
que minimice la suma de los cuadrados de las diferencias entre los valores
observados y los valores predichos por la función.

En el caso de la regresión lineal, el método de mínimos cuadrados se utiliza para

encontrar la línea recta que mejor se ajuste a los datos. La línea recta se define por
la ecuación y = mx + b, donde m es la pendiente de la línea y b es la ordenada al
origen. El método de mínimos cuadrados encuentra los valores óptimos de m y b
que minimizan la suma de los cuadrados de las diferencias entre los valores
observados y los valores predichos por la línea.

9
 lOMoAR cPSD| 18963156

Sin embargo, los mínimos cuadrados no se limitan a la regresión lineal. También se

pueden utilizar para ajustar otros tipos de funciones, como polinomios de grado
superior o funciones no lineales. En estos casos, el objetivo sigue siendo el mismo:
encontrar los parámetros que minimicen la suma de los cuadrados de las
diferencias.

5.6 Problemas de aplicación

El hecho de que con el método de Newton se puedan agregar nuevos datos, permite
pensar que este método da la posibilidad de hacer pronósticos sobre cuál podría
ser el dato siguiente. Una forma de poder utilizar los polinomios de interpolación
para hacer pronósticos consiste en calcular la elasticidad de ventas de Mercancía-
Costos de ventas que mide en qué porcentaje cambian las ventas de Mercancía
cuando los Costos de ventas varían en un porcentaje dado

Donde

V=Ventas de Mercancía=Pvm(t)

C=Costos de ventas=Pcv (t)

10
 lOMoAR cPSD| 18963156

Conclusiones
La interpolación es un método útil para estimar valores desconocidos dentro de un
conjunto de datos discretos. A través de diferentes técnicas, como la interpolación
lineal, polinomial o por splines, podemos construir una función continua que pasa
por los puntos dados. Esto permite obtener estimaciones más precisas y suaves de
los valores en lugares intermedios, facilitando el análisis y la toma de decisiones.

CHRISTIAN EMANUEL MEDINA HERNÁNDEZ

El ajuste de funciones es esencial para modelar relaciones y tendencias en los datos

observados. Al utilizar métodos de ajuste, como el ajuste por mínimos cuadrados,
podemos encontrar la función que mejor se ajusta a los datos, minimizando las
diferencias entre los valores observados y los valores predichos. Esto nos
proporciona una herramienta poderosa para entender y predecir el comportamiento
de fenómenos y sistemas complejos.

JUAN DE DIOS REYES PARRA

Tanto la interpolación como el ajuste de funciones presentan desafíos y

consideraciones importantes. En la interpolación, es necesario tener cuidado con la
elección del método y el grado de interpolación, ya que un ajuste excesivo puede
conducir a un comportamiento no deseado, como el fenómeno de oscilación de
Runge. En el ajuste de funciones, es crucial considerar el equilibrio entre la
simplicidad del modelo y su capacidad para representar adecuadamente los datos,
evitando la sobreajustar o subajustar el conjunto de datos.

JHONATAN ALEXIS CHÁVEZ PÉREZ

BIBLIOGRAFÍA:

Microsoft Word - TESIS PDF.doc

(ipn.mx)Metodos_numericos_para_Ingenieros_7ma_Ed.pdfANALISIS_NUMERIC
O_Richard_Burden_10ma_ed.pdf

11