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 interpolación 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 (Recta de Regresión de Mínimos Cuadrados)

El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar una
línea recta a un conjunto de observaciones definidas por puntos.
Fue desarrollado por Gauss el cual es usado para estimar los coeficientes de
regresión “𝑎” y “𝑏” de una línea de regresión estimada simple dada por:
𝑦 = 𝑎 + 𝑏𝑥 … (*)
El principio del método de los mínimos cuadrados se basa en que los estimadores
de los coeficientes de regresión “𝑎” y “𝑏” deben se obtenidos de manera que la
sumatoria de los errores al cuadrado (∑𝑛𝑖=1 𝑒𝑖2 ), se la mínima (ósea ∑𝑛𝑖=1 𝑒𝑖2 = 0)
para obtener la línea de regresión estimada

yi (x , y )
1 i
y = a + bx

ei
yi ( x i , yi )
y2 ( x 2 , y2 )
e2

(x , y )
y2
y1 ( x1 , y1 ) 1 2
e1
y1
(x , y )
1 1

X
 x1 x2 xi

En efecto:
Sean (𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 ) los valores observados de una variable
bidimensional, de manera que para cada 𝑥𝑖 le corresponden dos valores 𝑦𝑖 y 𝑦̂𝑖 .
usaremos la notación 𝑦̂𝑖 para representar un valor de 𝑦 calculado de la ecuación de
regresión (𝑦 = 𝑎 + 𝑏𝑥) cuando 𝑥 es igual a 𝑥𝑖 . Esto es
𝑦̂𝑖 = 𝑎 + 𝑏𝑥𝑖 … (1)
𝑦𝑖 :valor observado
𝑦̂𝑖 ∶ valor pronosticado o estimado
Definimos el error o residuo como la diferencia entre el valor observado y el valor
estimado
𝑒𝑖 = 𝑦𝑖 − 𝑦̂𝑖 … (2)
(1) en (2)
𝑒𝑖 = 𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 )
𝑒𝑖 = 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖
𝑒𝑖 2 = (𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2
 𝑛 𝑛

𝐸= ∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2 = 0 . .. (3)

𝑖=1 𝑖=1

Para hallar “𝑎” y “b”, se deriva parcialmente ambos miembros de la ecuación (3) con
respecto a cada coeficiente, es decir:
Derivando ecuación (3) con respecto a “𝑎” e igualando a cero
𝑛
𝜕𝐸
= 2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎)(−1) = 0
𝜕𝑎
𝑖=1
𝑛

−2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎) = 0
𝑖=1
𝑛

∑ 𝑦𝑖 − ∑ 𝑏𝑥𝑖 − ∑ 𝑎 = 0
𝑖=1

∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 = 0 … (4)

Derivando ecuación (3) con respecto a “𝑏” e igualando a cero

𝑛
𝜕𝐸
= 2 ∑(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎) (−𝑥𝑖 ) = 0
𝜕𝑏
𝑖=1
𝑛

−2 ∑[(𝑦𝑖 − 𝑏𝑥𝑖 − 𝑎)𝑥𝑖 ] = 0

𝑖=1

∑ 𝑦𝑖 𝑥𝑖 − 𝑏 ∑ 𝑥𝑖2 − 𝑎 ∑ 𝑥𝑖 = 0 … (5)

Las ecuaciones

∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 = 0 . . . (4)
{
∑ 𝑦𝑖 𝑥𝑖 − 𝑏 ∑ 𝑥𝑖2 − 𝑎 ∑ 𝑥𝑖 = 0 . . . (5)

Son las Ecuaciones normales de la recta de regresión de y sobre x dada por

𝑦 = 𝑏 + 𝑎𝑥
Resolviendo simultáneamente las ecuaciones (4) y (5) se obtiene los valores de los
parámetros “𝑎” y “b” las cuales se reemplazan en (*)

∑ 𝑥𝑖 ∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 = 0
{
−𝑛 ∑ 𝑦 𝑥 − 𝑏 ∑ 𝑥 2 − 𝑎 ∑ 𝑥 = 0
𝑖 𝑖 𝑖 𝑖
 𝒏 ∑ 𝒙 𝒊 𝒚𝒊 − ∑ 𝒙 𝒊 . ∑ 𝒚 𝒊
𝒃=
𝒏 ∑ 𝒙𝟐𝒊 − (∑ 𝒙𝒊 )𝟐
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 . ∑ 𝑦𝑖
𝑏= 𝑛
2
𝑛 ∑ 𝑥𝑖 − (∑ 𝑥𝑖 )2
𝑛
∑ 𝒙𝒊 𝒚𝒊 − 𝒏𝒙̅𝒚
̅
𝒃=
∑ 𝒙𝟐𝒊 − 𝒏𝒙̅𝟐
Y dividimos entre “n” la ecuación (4) se tiene
∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖 − 𝑛𝑎 0
=
𝑛 𝑛
∑ 𝑦𝑖 ∑ 𝑥𝑖
( )−𝑏( ) −𝑎 =0 Donde:
𝑛 𝑛
∑ 𝑥𝑖
𝑥̅ = Media de x
𝑛
̅ − 𝒃𝒙
𝒂=𝒚 ̅ ∑ 𝑦𝑖
𝑦̅ = Media de y
𝑛

Cuantificacion del error en la regresión lineal

Correlación.- es el grado de medida de las relaciones entre las variables
A continuación definiremos algunas medidas de correlacion usadas con mayor
frecuencia
Coeficiente o índice de Correlación Lineal Simple
El coeficiente de correlación lineal simple mide el grado de asociación entre las
variables (𝑥𝑖 , 𝑦𝑖 ) debido a una causa o factor común aleatorio.
El coeficiente de correlación lineal simple esta definido por:
𝐶𝑜𝑣(𝑥, 𝑦)
𝑟=
𝑆𝑥 . 𝑆𝑦
∑ 𝑥𝑖 𝑦𝑖
𝐶𝑜𝑣(𝑥, 𝑦) = − 𝑋̅ 𝑌̅
𝑛

∑ 𝑥𝑖2
𝑆𝑥 = √ − 𝑋̅ 2
𝑛

∑ 𝑦𝑖2
𝑆𝑦 = √ − 𝑌̅ 2
𝑛

Donde 𝐶𝑜𝑣(𝑥, 𝑦) es la covarianza de los n valores (𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 ) de una

variable Bidimensional (x,y) , 𝑆𝑥 y 𝑆𝑦 son las desviaciones estándares ( típicas) de
x e y respectivamente.
∑ 𝑥𝑖 𝑦𝑖 ̅ ̅
𝑟= 𝑛 −𝑋𝑌
2 2
√∑ 𝑥𝑖 − 𝑋̅ 2 √∑ 𝑦𝑖 − 𝑌̅ 2
𝑛 𝑛
 ̅𝒀
∑ 𝒙𝒊 𝒚𝒊 − 𝒏𝑿 ̅
𝑟=
̅ 𝟐 √∑ 𝒚𝟐𝒊 − 𝒏𝒀
√∑ 𝒙𝟐𝒊 − 𝒏𝑿 ̅𝟐

En forma equivalente 𝑟 también se puede calcular por:

𝒏 ∑ 𝒙𝒊 𝒚𝒊 − (∑ 𝒙𝒊 ). (∑ 𝒚𝒊 )
𝑟=
√[𝒏 ∑ 𝒙𝟐𝒊 − (∑ 𝒙𝒊 )𝟐 ]√[𝒏 ∑ 𝒚𝟐𝒊 − (∑ 𝒚𝒊 )𝟐 ]

Interpretación del índice de correlación:

i) −1 ≤ 𝑟 ≤ 1
ii) El signo de 𝑟 es el mismo que el signo de la pendiente de la recta estimada
y=a+bx, esto es:
Signo (r) = signo(b)
iii) si 𝑟 = 1 nos indica que existe una asociación perfecta positiva. Esto quiere decir
que: todas las observaciones (𝑥𝑖 , 𝑦𝑖 ) se hallan sobre la recta de regresión estimada
y que ambas variables crecen o disminuyen a la vez
iv) si 𝑟 = −1 nos indica que existe una asociación perfecta negativa. Esto quiere
decir que: todas las observaciones (𝑥𝑖 , 𝑦𝑖 ) se hallan sobre la recta de regresión
estimada y si una de las variables decrece, la otra crece y viceversa.
v) si 𝑟 = 𝟎 ∨ 𝑟 ∉ [−1, 1] nos indica ausencia de correlación o asociación entre
las variables en estudio.
Es obvio que cuanto mas cercano este a 1 el valor absoluto de 𝑟 se tendrá una
buena correlación.
Coeficiente de Determinación (𝒓𝟐 )
Mide la proporción de variación total de los valores de la variable 𝑦𝑖 , que pueden ser
contabilizadas o explicadas por las variaciones de las 𝑥𝑖 , de aquí podemos deducir
que si el modelo de regresión usado es adecuado, el coeficiente de determinación
será alto ( tiende a 1).
Interpretación del Coeficiente de Determinación (𝒓𝟐 )
El coeficiente de determinación se interpreta de la siguiente manera:
𝒓𝟐 = 𝟏, indica que el 100% de las variaciones existentes en 𝑦𝑖 son explicadas por las
variaciones existentes en 𝑥𝑖
𝒓𝟐 = 𝟎, indica que el 100% de las variaciones existentes en 𝑦𝑖 son explicadas por
otras variables mas no por 𝑥𝑖
𝟎 < 𝒓𝟐 < 𝟏, nos indica un cierto grado de correlación
𝟏 − 𝒓𝟐 , se denomina coeficiente de no determinación, el cual mide el porcentaje
de variaciones existentes en 𝑦𝑖 que no son explicadas por las variaciones en 𝑥𝑖 ,
siendo explicadas por otras variables no incluidas en el modelo.
Ejemplos
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 y 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
𝟐 𝟐
∑ 𝒙𝒊 =45 ∑ 𝒚𝒊 =50 ∑ 𝒙𝒊 𝒚𝒊 =205 ∑ 𝒙𝒊 =263 ∑ 𝒚𝒊 =336

Ecuaciones normales de regresión

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

50 = 9𝑎 + 45𝑏
{
205 = 45𝑎 + 263𝑏
Resolviendo el sistema se tiene:
𝑏 = −1.18 y 𝑎 = 11.48
Luego la recta de regresión lineal es:
𝑦 = 𝑎 + 𝑏𝑥
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 √𝑛 ∑ 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 = 0.915
𝑟 2 = 0.915, 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 explican 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 determinan por los datos del censo sobre el porcentaje de
graduados en educación superior y la mediana de ingreso de cada ciudad. Los
resultados son los siguientes:

Porcentaje 𝑥𝑖 7.2 6.7 17 12.5 6.3 23.9 6 10.2

Mediana 𝑦𝑖 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 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, recuerde que la formula general para un polinomio de n-
esimo 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.

1er grado une dos puntos

 ➢ De manera similar únicamente una parábola (polinomio de 2do grado) une un
conjunto de 3 puntos

6
5
4
3
2
1
0
0 2 4 6

2do grado une 3

puntos
➢ También únicamente un polinomio de 3er grado une un conjunto de 4 puntos

6
5
4
3
2
1
0
0 2 4 6 8

3er grado une 4 puntos

La interpolación polinomial
Consiste en determinar el polinomio único de n-esimo 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-esimo 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 incrementos constantes)
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 y despejando 𝑓(𝑥), se tiene:
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓1 (𝑥) = 𝑓(𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 ) … . . (1)
𝑥1 − 𝑥0
Que es la fórmula de interpolación lineal
Obsérvese que además de representar la pendiente de la línea que une los puntos, el
𝒇(𝒙𝟏 )−𝒇(𝒙𝟎 )
término es una aproximación en diferencia dividida finita a la primera
𝒙𝟏 −𝒙𝟎
derivada.
En general cuanto menor sea el intervalo entre los datos, mejor sea la aproximación.
Esto se debe al hecho de que, conforme al intervalo disminuye, 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 = 𝑓(𝑥) = 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= 0 a ln4=
1.386294.
Tener en cuenta que ln2=0.6931472.
Solución:
➢ Usando la fórmula de interpolación lineal realizamos una interpolación lineal para
ln2 desde 𝑥0 = 1 hasta 𝑥1 = 6
𝑓(𝑥0 ) = 𝑙𝑛1 = 0, 𝑓(𝑥1 ) = 𝑙𝑛6 = 1.791759
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓(𝑥) = 𝑓1 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
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:
𝑓(𝑥0 ) = 𝑙𝑛1 = 0, 𝑓(𝑥1 ) = 𝑙𝑛4 = 1.386294
1.386294 – 0
𝑓1 (𝑥) = 0 + (𝑥 − 1)
4−1

𝑓1 (𝑥) = 0.4620981(𝑥 − 1) Polinomio interpolador

Luego si x=2
𝑓1 (2) = 0.4620981(2 − 1) = 0.4620981
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 une 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 ) … (2)
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 (2) son equivalentes a la interpolación lineal de 𝑥0 a 𝑥1 , como se especifica
en la ecuación (1).
El ultimo termino, 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ), determina la curvatura de segundo grado en
la formula
Ejemplo 1
Ajústese un polinomio de segundo grado a los 3 puntos dados, para hallar
ln2=0.6931472 (del ejemplo anterior)
𝑦 = 𝑓(𝑥) = 𝑙𝑛𝑥
𝑥0 = 1 ⇒ 𝑓(𝑥0 ) = 𝑓(1) = 𝑙𝑛1 = 0
𝑥1 = 4 ⇒ 𝑓(𝑥1 ) = 𝑓(4) = 𝑙𝑛4 = 1.3862944
𝑥2 = 6 ⇒ 𝑓(𝑥2 ) = 𝑓(6) = 𝑙𝑛6 = 1.7917595
Solución:
sabemos que 𝒚 = 𝑓(𝑥) = 𝑙𝑛𝑥
𝑏0 = 𝑓(𝑥0 ) = 𝑓(1) = ln 1 = 0
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓(4) − 𝑓(1) 1.3862944 − 0
𝑏1 = = =
𝑥1 − 𝑥0 4−1 4−1
𝑏1 = 0.4620981
 𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓(6) − 𝑓(4) 𝑓(4) − 𝑓(1)
− −
𝑥2 − 𝑥1 𝑥1 − 𝑥0 6−4 4−1
𝑏2 = = =
𝑥2 − 𝑥0 6−1
1.7917595 − 1.3862944
− 0.4620981
𝑏2 = 6−4 = −0.0518731
6−1
Sustituyendo estos valores con la ecuación (2) se obtiene la formula cuadrática
𝑓2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑓(𝑥) ≈ 𝑓2 (𝑥) = 0 + 0.4620981(𝑥 − 1) − 0.0518731(𝑥 − 1)(𝑥 − 4) Polinomio
interpolador
evaluando en x=2 se tiene:
𝑓2 (2) = 0.4620981(2 − 1) − 0.0518731(2 − 1)(2 − 4)

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 comparándola con el resultado obtenido antes al usar las líneas rectas
del ejemplo anterior-
Forma general de los polinomios de interpolación de Newton
El análisis anterior puede generalizarse para ajustar un polinomio de n-esimo grado
a (n+1) datos. El polinomio de n-esimo grados es
𝑓𝑛 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )+𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + ⋯ +
𝑏𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 ) … (L)
Como se hizo antes con las interpretaciones lineales y cuadráticas, los puntos
asociados 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 ]
𝑏3 = 𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ]
⋮
𝑏𝑛 = 𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ]
Donde las ecuaciones de la función colocados entre corchetes son diferentes
divididas finitas; dadas por:
➢ Diferencia dividida de orden cero
𝑏0 = 𝑓[𝑥0 ] = 𝑓(𝑥0 ) = 𝑦0
➢ Diferencia dividida finita de orden 1
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓[𝑥1 ] − 𝑓[𝑥0 ]
𝑏1 = 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
𝑏2 = 𝑓[𝑥2 , 𝑥1 , 𝑥0 ] = =
𝑥2 − 𝑥0 𝑥2 − 𝑥0
➢ La diferencia dividida finita de orden 3
𝑓[𝑥3 , 𝑥2, 𝑥1 ] − 𝑓[𝑥2 , 𝑥1 , 𝑥0 ]
𝑏3 = 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
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 =
𝑥3 − 𝑥0
En forma similar la n-esima diferencia dividida finita es:
𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 ] − 𝑓[𝑥𝑛−1 , 𝑥𝑛−2 , … , 𝑥1 , 𝑥0 ]
𝑏𝑛 = 𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ] =
𝑥𝑛 − 𝑥0

Estas diferencias sirven para evaluar los coeficientes 𝑏0 , 𝑏1 , 𝑏2 , . . . , 𝑏𝑛 , los cuales se

sustituye en la ecuación (L) para obtener el polinomio de interpolación.

𝑓𝑛 (𝑥) = 𝑓(𝑥0 ) + 𝑓[𝑥1 , 𝑥0 ](𝑥 − 𝑥0 ) + 𝑓[𝑥2 , 𝑥1 , 𝑥0 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯

+ 𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )
Que se conoce como polinomio de interpolación de Newton en diferencias divididas.

Representación gráfica de la naturaleza recursiva de las diferencias

divididas finitas
Generalizando

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

𝑓[𝑥1 , 𝑥0 ] ⋯ 𝑓[𝑥 , 𝑥
0 𝑥0 𝑓(𝑥0 ) 𝑓[𝑥2 , 𝑥1 , 𝑥0 ] 𝑓[𝑥3 , 𝑥2 , 𝑥1 , 𝑥0 ] 𝑛 𝑛−1 , … , 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 1
Estima ln2= 0.6931472 con un polinomio de interpolación de Newton de tercer grado
𝑓3 (𝑥) 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
Donde 𝑦 = 𝑓(𝑥) = 𝑙𝑛𝑥
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 ) …(*)
𝑓3 (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 = 𝑓[𝑥2 , 𝑥1 , 𝑥0 ] =
𝑥2 − 𝑥0
1.7917595 − 1.3863294
− 0.462081
𝑏2 = 𝑓[𝑥2 , 𝑥1 , 𝑥0 ] = 6−4 = −0.0518731
6−1
𝑓[𝑥3 , 𝑥2, 𝑥1 ] − 𝑓[𝑥2 , 𝑥1 , 𝑥0 ]
𝑏3 = 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
 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
1.609438 − 1.7917595 1.7917595 − 1.3862944
−
5−6 6−4 − (−0.0518731)
𝑏3 = 5 − 4
5−1

𝑏3 = 7.8655 × 10−3 = 0.0078655

Luego reemplazando estos valores en (*), se tiene:

𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (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
evaluando en x=2 se tiene:
𝑓3 (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%
Ejemplo 2
Calcular la tabla de diferencias divididas finitas con los siguientes datos :

Solución:

Procedemos como sigue:

Por lo tanto el polinomio de interpolación de Newton es :

𝑓(𝑥) = 𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

f ( x) = 4 + 2( x + 2) − 0.25( x + 2)( x + 1) − 0.3( x + 2)( x + 1)( x − 2)

Ejemplo 3

Calcular la tabla de diferencias divididas finitas con los siguientes datos :

Y usar la información en la tabla, para construir el polinomio de interpolación de

Newton.

Solución:

Procedemos como sigue:

Por lo tanto el polinomio de interpolación de Newton nos queda :

𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

f ( x) = 5 + 3( x + 3) − 1.66667( x + 3)( x + 2) − 0.20238( x + 3)( x + 2)( x)

Tarea:
1. dados los siguientes puntos: (2,5), (4,6), 5,3), (7,2) encuentre y grafique el polinomio
de interpolación que incluye a los cuatro datos, usando el método de diferencias
divididas.
2. Usando diferencias divididas, calcular el polinomio interpolante para los datos (−1,
2), (1, 1), (2, 2), (3,−2) y también el polinomio interpolante para los datos (1, 1), (2, 2),
(3,−2).
3. De una función 𝑓, conocemos la información de la tabla. Interpolar f(0.35) usando
un polinomio interpolante 𝑓3 (𝑥). Primero que todo, escriba la tabla de datos que va a
usar.
x 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
f(x) 3 3.1 3.2 3.3 3.4 4.5 4.6 4.7
4. Considere la siguiente tabla de datos para el nitrógeno, donde T es la temperatura
y B es el segundo coeficiente virial. Interpolar el segundo coeficiente virial a 450 K°.
(es decir 𝑓4 (450))
T (K°) 100 200 300 400 500 600
B (cm3/mol) -160 -35 -4.2 9 16.9 21.3

𝑓4 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

+ 𝑏4 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )