UNIVERSIDAD NACIONAL DE

HUANCAVELICA
(Creada por Ley N° 25265)

FACULTAD DE EDUCACIÓN

ESCUELA PROFESIONAL DE EDUCACIÓN

SECUNDARIA

CARRERA: MATEMÁTICA, COMPUTACIÓN E INFORMÁTICA

MONOGRAFÍA

AJUSTE DE CURVAS-DERIVACIÓN E
INTEGRACIÓN NUMÉRICA

Presentado por:
LAZARO MACHUCA, DAVD

DOCENTE:
QUISPE ROJAS, ANGEL EPIFANIO

HUANCAVELICA, PERÚ

2021
Dedicatoria:
A mis padres, quienes se sacrifican día a día para
darme una mejor vida.
 ÍNDICE

CAPITULO I .................................................................................................................... 5
1.1. Objetivos de Estudio .......................................................................................... 5
1.1.1. Objetivo General........................................................................................ 5
1.1.2. Objetivo Especifico .................................................................................... 5
1.2. Justificación de Estudio ..................................................................................... 5
CAPITULO 2 ................................................................................................................... 6
2. BASES TEÓRICAS .................................................................................................. 6
2.1. Ajuste de curva por el método de Regresión por mínimos cuadrados ............... 6
2.1.1. Regresión Lineal ......................................................................................... 6
2.1.2. Regresión polinomial.................................................................................. 9
2.1.3. Regresión lineal Múltiple ......................................................................... 11
2.1.4. Regresión no lineal ................................................................................... 14
2.2. Interpolación Polinomial de Newton en Diferencias Divididas ...................... 14
2.2.1. Interpolación lineal ................................................................................... 14
2.2.2. Interpolación cuadrática ........................................................................... 16
2.2.3. Forma general de los polinomios de interpolación de Newton .............. 18
2.3. Polinomios de interpolación de Lagrange ....................................................... 21
2.2. Derivación e integración numérica .......................................................................... 23
2.4. Derivación numérica ........................................................................................ 23
2.5. Integración numérica ....................................................................................... 26
2.5.1. Regla de trapecio ...................................................................................... 26
2.5.2. Regla de Simpson ..................................................................................... 29
2.5.2.1. Regla de Simpson 1/3........................................................................ 29
2.5.2.2. Regla de Simpson 3/8........................................................................ 32
CONCLUSIONES .......................................................................................................... 34
BIBLIOGRAFÍA ............................................................................................................ 35
ANEXOS ........................................................................................................................ 36

3
 INTRODUCCIÓN

Los métodos numéricos se pueden definirse como aquellas técnicas mediante las cuales
es posible formular problemas de manera que puedan resolverse utilizando operaciones
aritméticas, o también como el grupo de conocimientos matemáticos relacionados con
el diseño y análisis de algoritmos necesarios para resolver problemas de ciencia e
ingeniería.

El presente trabajo está estructurado de la siguiente manera: en el Capítulo I se toca los

aspectos relacionados con la fundamentación de la temática que tiene que ver con los
objetivos y la justificación del estudio y en el capítulo 2 se presenta las bases teóricas
acerca de ajuste de curvas (tiene que ver con las técnicas para ajustar curvas a datos
discretos en uno continuo) y derivación e integración (hallar la integral a funciones
complicadas mediantes aproximaciones con otras funciones más simples)

4
 CAPITULO I

Presentación de la temática

1. FUNDAMENTACIÓN DEL TEMA

El estudio del tema de ajuste de curvas es necesario ya que se aplica en diversos

campos como la estadística, la ingeniería y otras ciencias para poder predecir el
comportamiento de un conjunto de datos ajustando una curva a esos puntos. De la
misma forma el estudio de la derivación e integración numérica es necesario ya que
muchas veces nos encontramos con funciones complicadas para poder integrar y la
integración numérica supera este problema mediante la aproximación de funciones
simples a la función original.

1.1. Objetivos de Estudio

1.1.1. Objetivo General

Desarrollar correctamente los problemas de ajuste de curvas y de integración

numérica.

1.1.2. Objetivo Especifico

Desarrollar correctamente problemas de regresión lineal y cuadrática por el

método de mínimos cuadrados.

Desarrollar correctamente los problemas de interpolación polinómica tanto de

newton como de Lagrange.

Desarrollar correctamente los problemas de integración numérica utilizando la

regla del trapecio y la regla de Simpson.

1.2. Justificación de Estudio

Con el desarrollo del trabajo se busca comprender los conceptos como el ajuste
de curvas, regresión por mínimos cuadrados, interpolación polinómica, la
derivación e integración numérica. Comprender estos temas es necesario ya se usa
bastante por ejemplo en la estadística para poder predecir el comportamiento de
ciertos datos.

5
 CAPITULO 2

Marco teórico

2. BASES TEÓRICAS

2.1. Ajuste de curva por el método de Regresión por mínimos cuadrados

La estrategia consiste en obtener una función de aproximación que se ajuste a la

forma o a la tendencia general de los datos, sin coincidir necesariamente en todos
los puntos. El objetivo es obtener una curva que minimice la discrepancia entre los
puntos y la curva. (Chapra y Canale, 2007, Pg. 466)

2.1.1. Regresión Lineal

El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar

una línea recta a un conjunto de observaciones definidas por los puntos:

 x y , x
1, 1 2, y2  ,  x3, y3  ......  xn , yn 

La expresión matemática para la línea recta es:

y  a0  a1 x  e, donde
a0 : Representa la interseccion con el eje y
a1 : Representa la pendiente de la recta
e : Es el error entre el modelo y las observaciones

Un criterio adecuado para un mejor ajuste consiste en minimizar la suma de

cuadrados de los residuos en la y medida y la y calculada con el modelo
lineal.

Formula:

n n n
S r    e1   Yi ,medida  Yi ,mod elo    Yi  a0  a1 xi 
2 2 2

i 1 i 1 i 1
n
S r   Yi  a0  a1 xi 
2

i 1

Ajuste de una línea recta por mínimos cuadrados

6
 n
Para determinar los valores a0 y a1 de la ecuación Sr   Yi  a0  a1 xi  se
2

i 1

deriva con respecto a cada uno de los coeficientes, es decir:

Sr
 2 ( yi  a0  a1 xi )
a0
Sr
 2  ( yi  a0  a1 xi ) xi 
a0

Luego cada derivada parcial se iguala a cero, para finalmente resultar

na0    xi  a1   yi

 x  a   x  a   x y
i 0
2
i 1 i i

Finalmente resolviendo el sistema de ecuaciones llamadas ecuaciones

normales se obtiene:

n xi yi   xi  yi
a1 
n  xi     xi 
2 2

a0  y  a1 x
donde x, y son las medias de x y y respectivamente

Ejemplo de aplicación:

Ajuste una línea con los valores de x y y mostrados en la tabla.

SOLUCIÓN:

7
La ecuación de la línea es y  a0  a1 x  e pero el término e se está

minimizando por lo que queda y  a0  a1 x , lo cual nos indica que se requiere

conocer los valores de a0 y a1 Pero antes de calcular dichos valores recordar

que:

n  7 : Cantidad de datos
 x  1  2  3  4  5  6  7  28
i

 y  0.5  2.5  2.0  4.0  3.5  6.0  5.5  24.0

i

 x y  119.5
i i

 x   140
2
i

28
x 4
7
24
y  3.42857
7

Calculando a1

n xi yi   xi  yi
a1 
n  xi     xi 
2 2

7(119.5)  (28)(24)
a1 
7(140)  (28) 2
a1  0.8392857

Calculando a0

a0  y  a1 x
a0  3.42857  (0.8392857)4
a0  0.07142857

Reemplazando los valores en la ecuación de la recta

y  a0  a1 x
y  0.07142857  0.8392857 x

Cuantificación del error en la regresión lineal

8
 Cualquier otra línea diferente a y  0.07142857  0.8392857 x dará como
resultado una suma mayor de los cuadrados de los residuos. Así la línea es
única y, en términos de nuestro criterio elegido, es la mejor línea a través de
los puntos. (Chapra y Canale, 2007, Página 472)

Desviación estándar para la línea de regresión

Sr
Sy 
x n2

S y : Error estándar del estimado (cuantifica la dispersión de los datos

x

alrededor de la línea de regresión)

Se define:

St   ( y  y ) ....(Magnitud del error residual antes de la regresión)

2

Sr   ( yi  a0  a1 xi ) ...(Error residual despues de la regresión)

2

St  Sr .........(Cuantifica la reduccion del error)

St  S r
r2  ...(Coeficiente de determinación)
St
St  S r
r ..(Coeficiente de correlación lineal)
St

2.1.2. Regresión polinomial

El procedimiento de mínimos cuadrados se puede extender fácilmente al ajuste

de datos con un polinomio de grado superior. Por ejemplo, suponga que
ajustamos un polinomio de segundo grado o cuadrático. (Chapra y Canale,
2007, Página 483)

y  a0  a1 x  a2 x 2  e
e  y  a0  a1 x  a2 x 2

La suma de cuadros de los errores seria:

n 2

Sr   ( yi  a0  a1 xi  a x ) 2 1
2

i 1

9
Haciendo las derivaciones parciales con respecto a: a0 , a1 , a2

Sr
 2 ( yi  a0  a1 xi  a2 xi 2 )
a0
Sr
 2 ( yi  a0  a1 xi  a2 xi 2 ) xi
a1

Sr
 2 ( yi  a0  a1 xi  a2 xi 2 )xi 2
a2

Cada derivada parcial se iguala a cero y se obtiene el siguiente sistema de

ecuaciones

(n)a0    xi  a1    x 2i  a2   yi

 x  a   x  a   x  a   x y
i 0
2
i 1
3
i 2 i i

 x  a   x  a   x  a   x y
2
i 0
3
i 1
4
i 2
2
i i

Resolviendo el sistema de ecuaciones en las variables a0 , a1 , a2 se habrá

encontrado el polinomio de segundo grado buscado.

En forma general para un polinomio de grado “m”

y  a0  a1 x  a2 x2  ....  am x m  e

Error estándar del estimado

Sr
Sy 
x n  (m  1)

Ejemplo de Aplicación

Ajustar un polinomio de segundo grado los datos dados en la siguiente tabla

10
 Para encontrar el polinomio de segundo grado bastara resolver el siguiente
sistema de ecuaciones.

(n)a0    xi  a1    x 2i  a2   yi

 x  a   x  a   x  a   x y
i 0
2
i 1
3
i 2 i i

 x  a   x  a   x  a   x y
2
i 0
3
i 1
4
i 2
2
i i

Pero para resolver se requiere encontrar los valores de las sumatorias

n  6, m  2,  xi  15, yi  152.6,
 x  55, x  225, x  979,
2
i
3
i
4
i

 x y  585.6, x y  1488.8,
i i
2
i i

Reemplazando en el sistema se tiene

6a0  15a1  55a2  152.6

15a0  55a1  225a2  585.6
55a0  255a1  979a2  1488.8

En forma matricial

 6 15 55  a0   152.6 
15 55 225  a    585.6 
  1  
55 225 979  a2   2488.8

Resolviendo el sistema se tiene

a0  2.478557, a1  2.35929, a2  1.86071

La ecuación cuadrática por mínimos cuadrados es

y  2.47857  2.35929 x  1.86071x 2

Sr 3.74657
Error estándar del estimado: S y    1.12
x n  (m  1) 63

2.1.3. Regresión lineal Múltiple

Una extensión útil de la regresión lineal es el caso en el que y es una función

lineal de dos o más variables independientes. Por ejemplo, y podría ser una

11
función lineal de x1 y x2 , como en y  a0  a1 x1  a2 x2  e , esta ecuación es útil
cuando se ajustan datos experimentales donde la variable sujeta a estudio es
una función de otras 2 variables. En este caso bidimensional, la línea de
regresión se convierte en un plano. (Chapra y Canale, 2007, Página 486)

y  a0  a1 x1  a2 x2  e
e  y  a0  a1 x1  a2 x2

Suma de los cuadrados de los residuos

n 2

Sr   ( yi  a0  a1 x1i  a2 x2i )
i 1

Derivando parciamente respecto a a0 , a1 , a2

Sr
 2 ( yi  a0  a1 x1i  a2 x2i )
a0
Sr
 2 ( yi  a0  a1 x1i  a2 x2i )x1i
a1
Sr
 2 ( yi  a0  a1 x1i  a2 x2i )x2i
a0

Igualando a cero cada derivada parcial para que la suma de los cuadrados de
los residuos sea mínimo resulta:

(n)a0    x1i  a1    x2i  a2   yi

 x  a   x  a   x x  a   x y
1i 0
2
1i 1 1i 2i 2 1i i

 x  a   x x  a   x  a   x y
2i 0 1i 2i 1
2
2i 2 2i i

Forma matricial

 n

x 1i x 2i   a1    yi 
   
  x1i x x x 1i 2 i  a2     x1i yi 
2
1i
  x2i x x x 2
    x2i yi 
2i   a3 
 1i 2i  

Resolviendo el sistema de ecuaciones en las variables a0 , a1 , a2 se habrá

encontrado la ecuación del plano buscado.

En forma general para m dimensiones

12
y  a0  a1 x1  a2 x2  .....  am xm  e

Error estándar del estimado

Sr
Sy 
x n  (m  1)

St  S r
r ..(Coeficiente de correlación lineal)
St

Ejemplo de Aplicación

Los siguientes datos se calcularon con la ecuación y  5  4 x1  3x2

Utilice la regresión lineal múltiple para ajustar estos datos

SOLUCIÓN:

Para encontrar la ecuación del plano que se está buscando bastara encontrar los

valores de a0 , a1 , a2

 n

x 1i x 2i   a1    yi 
   
  x1i x x x1i 2 i  a2     x1i yi 
2
1i
  x2i x x x 2
    x2i yi 
2i   a3 
 1i 2i  

Del cuadro se obtiene:

n  6,  x1i  16.5,  x2i  14,  x1i  16.5,  x 21i  48

x 2i  14,  x1i x2i  48,  x 2 2i  54,  yi  54
x 1i i y  243.5,  x2i yi  100

Reemplazando en la ecuación matricial

13
  6 16.5 14   a1   54 
16.5 76.25 48 a   243.5
  2  
 14 48 54   a3   100 
  

Resolviendo la ecuación matricial se obtiene:

a0  5, a1  4, a2  3

Finalmente la ecuación del plano será:

y  a0  a1 x1  a2 x2  5  4 x1  3x2
y  5  4 x1  3 x2

2.1.4. Regresión no lineal

Como en el caso de los mínimos cuadrados lineales, la regresión no lineal se

basa en la determinación de los valores de los parámetros que minimizan la
suma de los cuadrados de los residuos. Sin embrago, en el caso no lineal, la
solución debe realizarse en una forma iterativa. (Chapra y Canale, 2007, Página
498)

El método de Gauss-Newton es un algoritmo para minimizar la suma de los

cuadrados de los residuos entre los datos y las ecuaciones no lineales.

Relación entre la ecuación no lineal y los datos:

yi  f ( xi ; a1 , a2 ,....am )  ei

yi  un valor medido de la variable dependiente

f ( xi ; a1 , a2 ,....am )  la ecuacionque es una función de la
variable indepediente xi y una funcion no lineal de los
parametros a1 , a2 ,....am
ei  un error aleatorio

2.2. Interpolación Polinomial de Newton en Diferencias Divididas

La interpolación polinomial consiste en determinar el polinomio único de n-ésimo

grado que se ajusta a n+1 puntos. Este polinomio, entonces, proporciona una
fórmula para calcular valores intermedios. (Chapra y Canale, 2007, Página 504)

2.2.1. Interpolación lineal

14
La forma más simple de interpolación consiste en unir 2 puntos con una línea
recta.

Gráficamente:

Utilizando triángulos semejantes se tiene:

f1 ( x)  f ( x0 ) f ( x1 )  f ( x0 )

x  x0 x1  x0
f ( x1 )  f ( x0 )
f1 ( x)  f ( x0 )   x  x0 
x1  x0

Formula de interpolación lineal

f ( x1 )  f ( x0 )
f1 ( x)  f ( x0 )   x  x0 
x1  x0

f1 ( x) : Designa que este es un polinomio de interpolación de primer grado.

Ejemplo de Aplicación:

Estime el logaritmo natural de 2 mediante interpolación lineal. Primero, realice

el cálculo por interpolación entre ln1  0 y Ln(6) 1.791759 .Después, repita
el procedimiento, pero use un intervalo menor de Ln(1)  0 y
Ln(4)  1.386294 .Observe que le verdadero valor de Ln(2)  0.6931472 .

SOLUCIÓN:

Interpolación lineal para Ln(2) desde x0  1 hasta x1  6

15
 f ( x1 )  f ( x0 )
f1 ( x)  f ( x0 )   x  x0 
x1  x0
f (6)  f (1)
f1 (2)  f (1)   2  1
6 1

1.791759  0
f1 (2)  0 
5
f1 (2)  0.3583519

Interpolación lineal para Ln(2) desde x0  1 hasta x1  4

f ( x1 )  f ( x0 )
f1 ( x)  f ( x0 )   x  x0 
x1  x0
f (4)  f (1)
f1 (2)  f (1)   2  1
4 1
1.791759  0
f1 (2)  0 
5
f1 (2)  0.4620981

1.791759  0
f1 (2)  0 
5
f1 (2)  0.3583519

2.2.2. Interpolación cuadrática

En la interpolación lineal se aproxima una curva mediante una recta, en la cual

se comete un error de aproximación. Para poder mejorar la estimación una
estrategia consiste en introducir alguna curvatura a la línea que une los puntos.
Si se tiene tres puntos como datos, estos pueden ajustarse en un polinomio de
segundo grado. (Chapra y Canale, 2007, Página 506)

Ecuación del polinomio cuadrático:

f 2 ( x)  b0  b1  x  x0   b2  x  x0  x  x1 

Para encontrar b0 la ecuación f 2 ( x)  b0  b1  x  x0   b2  x  x0  x  x1  se

evalúa x  x0

b0  f ( x0 )

16
Para encontrar b1 la ecuación b0  f ( x0 ) se reemplaza en

f 2 ( x)  b0  b1  x  x0   b2  x  x0  x  x1  , luego se evalúa x  x1

f ( x1 )  f ( x0 )
b1 
x1  x0

Para encontrar b2 se reemplaza los valores de b0 y b1 en la ecuación

f 2 ( x)  b0  b1  x  x0   b2  x  x0  x  x1  y luego se evalúa x  x2

f ( x2 )  f ( x1 ) f ( x1 )  f ( x0 )

x2  x1 x1  x0
b2 
x2  x0

Ejemplo de aplicación:

Ajuste un polinomio de segundo grado a los tres puntos:

x0  1  f ( x0 )  Ln(1)  0
x1  4  f ( x1 )  Ln(4)  1.386294
x2  6  f ( x2 )  Ln(6)  1.791759

Con el polinomio obtenido evalué Ln(2)

SOLUCIÓN:

Ecuación del polinomio del segundo grado buscado:

f 2 ( x)  b0  b1  x  x0   b2  x  x0  x  x1 

Hallando b0 :

b0  f ( x0 )
b0  f (1)  0

Hallando b1 :

f ( x1 )  f ( x0 )
b1 
x1  x0
f (4)  f (1) 1.386294  0 1.386294
b1     0.462098
4 1 3 3

17
 Hallando b2 :

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
1.791759  1.386294 1.386294

2 3 0.2027325  0.462098
b2    0.0518731
5 5

Sustituyendo los valores encontrados en la formula cuadrática

f 2 ( x)  0.462098  x  1  0.0518731 x  1 x  4 

Evaluando la función en x=2 resulta:

f 2 ( x)  0.462098  x  1  0.0518731 x  1 x  4 

f 2 ( x)  0.4620982  2  1  0.0518731 2  1 2  4 
f 2 ( x)  0.462098  0.0518731 2 
f 2 ( x)  0.462098  0.0518731 2 
f 2 ( x)  0.5658442

2.2.3. Forma general de los polinomios de interpolación de Newton

El análisis anterior se puede generalizarse para ajustar un polinomio de n-ésimo grado a

n+1 datos. El polinomio de n-ésimo grado es:

f n ( x)  b0  b1 ( x  x0 )  ....  bn ( x  x0 )( x  x1 )...( x  xn1 )

Donde:

b0  f ( x0 )
f ( x1 )  f ( x0 )
b1  f  x1 , x0  
x1  x0
f ( x2 , x1 )  f ( x1 , x0 )
b2  f  x2 , x1 , x0  
x2  x0
f ( x2 )  f ( x1 ) f ( x1 )  f ( x0 )

x2  x1 x1  x0
b2 
x2  x0

18
 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
b3 
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 general

f  xn , xn 1 ,...., x1   f  xn 1 , xn  2 ,...., x0 
bn  f  xn , xn 1 ,...x1 , x0  
xn  x0

El valor de las variables bn se reemplazará en la ecuación

f n ( x)  b0  b1 ( x  x0 )  ....  bn ( x  x0 )( x  x1 )...( x  xn1 ) o su equivalente:

f n ( x)  f ( x0 )  f  x1 , x0  ( x  x0 )  f  x2 , x1 , x0  ( x  x0 )( x  x1 )...
f  xn , xn1 ,..., x0  ( x  x0 )( x  x1 )...( x  xn1 )

Esta ecuación se conoce como el polinomio de Newton en diferencias divididas.

Ejemplo de Aplicación:

Con los datos siguientes datos, estime el Ln(2) con un polinomio de interpolación de
Newton de tercer grado.

x0  1  f ( x0 )  Ln(1)  0
x1  4  f ( x1 )  Ln(4)  1.386294
x2  6  f ( x2 )  Ln(6)  1.791759
x3  5  f ( x3 )  Ln(5)  1.609438

SOLUCIÓN:

Formula de polinomio de interpolación de Newton para n=3.

f3 ( x)  b0  b1 ( x  x0 )  b2 ( x  x0 )( x  x1 )  b3 ( x  x0 )( x  x1 )( x  x2 )

19
Hallando b0

b0  f ( x0 )  f (1)  0

Hallando b1

f ( x1 )  f ( x0 ) f (4)  f (1) 1.386294  0

b1  f  x1 , x0      0.462098
x1  x0 4 1 3

Hallando b2

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
f (6)  f (4) f (4)  f (1) 1.791759  1.386294   1.386294 
  
b2  6  4 4  1 
2  3 
6 1 5
0.2027325  0.462098
b2   0.0518731
5

Hallando b3

  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
  f (5)  f  6    f (6)  f  4      f (6)  f  4    f (4)  f 1  
     
 56   64    64   4 1 
 54   6 1 
   
b3     
5 1

20
  1.609438  1.791759  1.791759  1.386294    1.791759  1.386294  1.386294  
 1            
 2  2 3 
 1   5 
   
b3     
4
 0.182321  0.2027325    0.2027325   0.462098 
  
 1   5 
b3 
4

b3 
 0.020404    0.0518731
4
0.0314691
b3   0.007867275
4
Reemplazando los valores en la ecuación

f3 ( x)  b0  b1 ( x  x0 )  b2 ( x  x0 )( x  x1 )  b3 ( x  x0 )( x  x1 )( x  x2 )

f3 ( x)  0.4620981( x  1)  0.05187311( x  1)( x  4)  0.007865529( x  1)( x  4)( x  6)

Evaluando la función encontrada en x=2

f3 (2)  0.4620981(2  1)  0.05187311(2  1)(2  4)  0.007865529(2  1)(2  4)(2  6)

f3 (2)  0.4620981  0.05187311(2)  0.007865529(2)(4)
f3 (2)  0.6887686

2.3. Polinomios de interpolación de Lagrange

El polinomio de interpolación de Lagrange es simplemente una reformulación del

polinomio de Newton que evita el cálculo de las diferencias divididas, y se
representa como:

n
f n ( x)   Li ( x) f ( xi ), donde
i 0
n x  x j i  0,1, 2,...., n  1
Li ( x)   ,
j 0 xi  x j j  0,1, 2..., n  1
j i

Ejemplo de Aplicación:

Aplicar la interpolación de Lagrange para encontrar el polinomio que interpole los

siguientes datos (0,1), (1,3), (2, 0) .

SOLUCIÓN:

21
 n
Los datos que se requieren para aplicar la formula f n ( x)   L ( x) f ( x )
i 0
i i son:

n3
i  0,1, 2  j  0,1, 2
x0  0  f ( x0 )  1
x1  1  f ( x1 )  3
x2  2  f ( x2 )  0

Calculando Li ( x)  L0 ( x)

Iteración 1:

i0
j  0  j  1, 2
( x  x1 )( x  x2 )
L0 ( x) 
 x0  x1  x0  x2 

( x  1)( x  2) x 2  3x  2 1 2
L0 ( x)     x  3x  2 
 0  1 0  2  2 2

Iteración 2:

i 1
j  1  j  0, 2
( x  x0 )( x  x2 )
L1 ( x) 
 x1  x0  x0  x2 
( x  0)( x  2) x 2  2 x
L1 ( x)      x2  2x 
1  0 1  2  1

Iteración 3:

i2
j  1  j  0,1
( x  x0 )( x  x1 )
L2 ( x) 
 x2  x0  x2  x1 
( x  0)( x  1) x 2  x 1 2
L2 ( x)     x  x
 2  0  2  1 2 2

n
Reemplazando los valores encontrados en la formula f n ( x)   Li ( x) f ( xi )
i 0

22
 n 1
f n ( x)   Li ( x) f ( xi )
i 0
31 2
f3 ( x)   Li ( x) f ( xi )   Li ( x) f ( xi )
i 0 i 0

f3 ( x)  L0 ( x) f ( x0 )  L1 ( x) f ( x1 )  L2 ( x) f ( x2 )

f 3 ( x) 
2

1 2
x  3 x  2 1    x 2  2 x  3   x 2  x  0
1
2
f 3 ( x)   x 2  3 x  2   3  x 2  2 x 
1
2

2.2. Derivación e integración numérica

2.4. Derivación numérica

Dada la función y  f ( x) se trata de calcular el valor de sus derivadas en algunos

de los puntos x  x0 , x1 , x2 ,...xn .

Fórmulas de diferenciación con alta exactitud

Se pueden generar formulas por diferencias divididas de alta exactitud tomando

términos adicionales en la expansión de la serie de Taylor. Por ejemplo, la
expansión de la serie de Taylor hacia adelante se escribe como:

f ''( xi )h2
f ( xi 1 )  f ( xi )  f '( xi )h   ....
2

Despejando se obtiene:

f ( xi 1 )  f ( xi ) f ''( xi )
f '( xi )   h  O( h 2 )
h 2

Se trunca el resultado excluyendo los términos a partir de la segundo derivada en

adelante y resulta:

f ( xi 1 )  f ( xi )
f '( xi )   O(h)
h

f ''( xi )h2
Despejando f ''( xi ) de f ( xi 1 )  f ( xi )  f '( xi )h   .... resulta:
2

f ( xi 2 )  2 f ( xi 1 )  f ( xi )
f ''( xi )   O(h) .
h2

23
 f ( xi 2 )  2 f ( xi 1 )  f ( xi )
Reemplazando f ''( xi )   O(h) en
h2
f ( xi 1 )  f ( xi ) f ''( xi )
f '( xi )   h  O(h2 ) se tiene:
h 2

f ( xi 1 )  f ( xi ) f ( xi  2 )  2 f ( xi 1 )  f ( xi )
f '( xi )   2
h  O(h 2 )
h 2h
 f ( xi  2 )  4 f ( xi 1 )  3 f ( xi )
f '( xi ) 
2h

Fórmulas de diferencias dividas hacia adelante:

Primera derivada

f ( xi 1 )  f ( xi )
f '( xi )  ..........Error  O(h)
h
 f ( xi  2 )  4 f ( xi 1 )  3 f ( xi )
f ''( xi )  .......Error  O(h 2 )
2h

Segunda Derivada

f ( xi  2 )  2 f ( xi 1 )  f ( xi )
f ''( xi )  ..........Error  O(h)
h2
 f ( xi 3 )  4 f ( xi  2 )  5 f ( xi 1 )  2 f ( xi )
f ''( xi )  2
.......Error  O (h 2 )
h

Tercera Derivada

f ( xi 3 )  3 f ( xi  2 )  3 f ( xi 1 )  f ( xi )
f '''( xi )  ..........Error  O (h)
h3
3 f ( xi  4 )  14 f ( xi 3 )  24 f ( xi  2 )  18 f ( xi 1 )  5 f ( xi )
f '''( xi )  .......Error  O(h 2 )
2h 3

Fórmulas de diferencias finitas hacia atrás

Primera Derivada

f ( xi )  f ( xi 1 )
f '( xi )  .....................( Error  O(h))
h
3 f ( xi )  4 f ( xi 1 )  f ( xi  2 )
f '( xi )  ...( Error  O(h 2 ))
2h

Segunda Derivada

24
 f ( xi )  2 f ( xi 1 )  f ( xi  2 )
f ''( xi )  ...( Error  O(h))
h2
2 f ( xi )  5 f ( xi 1 )  4 f ( xi  2 )  f ( xi 3 )
f ''( xi )  2
...( Error  O(h 2 ))
h

Fórmulas de diferencias finitas centradas

Primera Derivada

f ( xi 1 )  f ( xi 1 )
f '( xi )  ..........................( Error  O (h 2 ))
2h
 f ( xi  2 )  8 f ( xi 1 )  8 f ( xi 1 )  f ( xi  2 )
f '( xi )  ....( Error  O(h 4 ))
12h

Segunda Derivada

f ( xi 1 )  2 f ( xi )  f ( xi 1 )
f ''( xi )  2
........................( Error  O(h 2 ))
h
 f ( xi  2 )  16 f ( xi 1 )  30 f ( xi )  16 f ( xi 1 )  f ( xi  2 )
f ''( xi )  2
....( Error  O(h 4 ))
12h

Ejemplo de Aplicación:

Derive la función f ( x)  0.1x  0.15 x  0.5 x  0.25 x  1.2 en x=0.5 usando

4 3 2

diferencias divididas finitas y un tamaño de paso h  0.25

SOLUCIÓN:

Para emplear las fórmulas de diferencias finitas se requiere calcular los siguientes
valores:

xi  2  0  f ( xi  2 )  1.2
xi 1  0.25  f ( xi 1 )  1.103516
xi  0.5  f ( xi )  0.925
xi 1  0.75  f ( xi 1 )  0.6363281
xi  2  1  f ( xi  2 )  0.2

2
Formula de la diferencia dividida hacia adelante de exactitud O(h )

 f ( xi 2 )  4 f ( xi 1 )  3 f ( xi )
f '( xi ) 
2h

25
  f (1)  4 f (0.75)  3 f  0.5 
f '(0.5) 
2  0.25
0.2  4  0.6363281  3  0.925 
f '(0.5) 
2(0.25)
0.4296876
f '(0.5)   0.8593752
0.5

2
Formula de la diferencia dividida hacia atrás de exactitud O(h )

3 f (0.5)  4 f (0.25)  f (0)

f '( xi ) 
2(0.25)
3(0.925)  4(1.103516)  1.2
f '(0.5) 
2(0.25)
0.439064
f '(0.5)   0.878128
0.5

4
Formula de la diferencia dividida centrada de exactitud O(h )

 f (1)  8 f (0.75)  8 f (0.25)  f (0)

f '(0.5) 
12(0.25)
0.2  8(0.6363281)  8(1.103516)  1.2
f '(0.5) 
12(0.25)

 f ( xi  2 )  8 f ( xi 1 )  8 f ( xi 1 )  f ( xi  2 )
f '( xi ) 
12h
2.7375032
f '(0.5)   0.912501
3

De los resultados obtenidos se concluye que la fórmula de diferencia dividida

centrada da un resultado más exacto.

2.5. Integración numérica

2.5.1. Regla de trapecio

La regla del trapecio es la primera de las formulas cerradas de integración de

Newton-Cotes. Corresponde al caso donde el polinomio es de ´primer
grado.(Chapra y Canale,2007,página 621).

I   f ( x)dx   f1 ( x)dx , donde f1 ( x)  f (a)  f (b)  f (a) ( x  a)

b b

a a ba

26
El área bajo esta línea recta es una aproximación de la integral de f ( x) entre
los límites a y b.

b b b f (b)  f (a) 
I   f ( x)dx   f1 ( x)dx    f (a)  ( x  a )  dx
a a a
 ba 

Integrando resulta:

f (a)  f (b)
I  (b  a) ....(Regla del trapecio)
2

Error aproximado de la regla del trapecio

1
Ea   f ''( )(b  a)3
12

Ejemplo de Aplicación:

Integre numéricamente f ( x)  0.2  25x  200 x 2  675x3  900 x 4  400 x5

desde a  0 hasta b  0.8 utilizando la regla del trapecio.

SOLUCION:

f (a)  f (b)
I  (b  a) , para poder utilizar la formula se requiere los valores
2
de la función en x=a y x=b.

f (a)  0.2  25 x  200 x 2  675 x3  900 x 4  400 x 5

f (0)  0.2
f (b)  0.2  25 x  200 x 2  675 x3  900 x 4  400 x 5
f (0.8)  0.2  25(0.8)  200(0.8) 2  675(0.8)3  900(0.8) 4  400(0.8)5
f (0.8)  0.232

Sustituyendo en la ecuación

f (a )  f (b)
I  (b  a )
2
0.2  0.232
I  (0.8  0)
2
0.432
I  (0.8)  0.1728
2

Calculando el error verdadero (sabiendo que el valor verdadero es 1.640533 )

27
Et  Valor verdadero-Valor aproximado
Et  1.640533  0.1728
Et  1.467733

Error verdadero porcentual

Error verdadero 1.467733

t  100%  100%  89.46%
valor verdadero 1.640533

La regla del trapecio de aplicación múltiple

Una forma de mejorar la precisión de la regla del trapecio consiste en dividir

el intervalo de integración de a a b en varios segmentos, y aplicar el método a
cada uno de ellos.La áreas de los segmentos se suman después para obtener la
integral en todo el intervalo. (Chapra y Canale, 2007, página 625).

El intervalo  a, b  se divide en n partes iguales, con n  1 puntos

 x0 , x1 , x2 ,.....xn  y cada subintervalo se calcula como h  b  a , luego la integral

n
total será:

I   f ( x)dx   f ( x)dx   f ( x)dx  ..  

x1 x2 x3 xn
f ( x)dx 
x0 x1 x2 xn1

Sustituyendo en la regla del trapecio se obtiene:

f ( x0 )  f ( x1 ) f ( x1 )  f ( x2 ) f ( xn 1 )  f ( xn )
I h h  ...  h
2 2 2
h n 1

I   f ( x0 )  2 f ( xi )  f ( xn ) 
2 i 1 

Ejemplo de Aplicación:

Use la regla del trapecio con dos segmentos para estimar la integral de

f ( x)  0.2  25x  200 x 2  675x3  900 x 4  400 x5 desde a  0 hasta b  0.8

SOLUCIÓN:

Utilizando la regla del trapecio con aplicaciones múltiples.

n=2, cantidad de intervalos

28
 b  a 0.8  0
h   0.4
n 2
f (0)  0.2 f (0.4)  2.456 f (0.8)  0.232

f ( x0 )  f ( x1 ) f ( x1 )  f ( x2 )
I h h
2 2
0.2  2.456 2.456  0.232
I  0.4  0.4
2 2
I   0.2  2.456    0.2  2.688 
I  0.5312  0.5376
I  1.0688

2.5.2. Regla de Simpson

Además de aplicar la regla del trapecio con una segmentación más fina, otra
forma de obtener una estimación más exacta de una integral consiste en usar
polinomios de grado superior para unir los puntos. (Chapra y Canale, 2007,
Pg. 631).

2.5.2.1. Regla de Simpson 1/3

La regla de Simpson 1/3 resulta cuando un polinomio de interpolación

de segundo grado se sustituye en la ecuación:

b b
I   f ( x)dx   f 2 ( x)dx
a a

Haciendo a  x0 , b  x2 f 2 ( x) : Polinomio de Lagrange de 2do grado

x2   x  x  x  x   x  x0  x  x2  f ( x )   x  x0  x  x1  f ( x )dx
I   1 2
f ( x0 )  
  x0  x1  x0  x2   x1  x0  x1  x2  1  x2  x0  x2  x1  2 
x0

Después de integrar resulta:

h
I  f ( x0 )  4 f ( x1 )  f ( x2 )........(Regla se Simpson 1/3)
3
h  (b  a) / 2

Ejemplo de Aplicación:

29
 2
Integre f ( x)  desde a  0 hasta b  0.35
x 4
2

SOLUCIÓN:

Regla de Simpson 1/3:

h
I  f ( x0 )  4 f ( x1 )  f ( x2 )
3

Hallando los valores que hacen falta para aplicar la fórmula:

b  a 0.35  0
h   0.175
2 2
2 2 2
x0  0  f (0)  2    0.5
x  4  0   4 4
2

2 2 2
x2  0.35  f (0.35)     0.51579626
x  4  0.35   4 3.8775
2 2

2 2 2
x1  0.175  f (0.175)     0.50385766
x  4  0.175  4 3.969375
2 2

h
I  f ( x0 )  4 f ( x1 )  f ( x2 )
3
0.175
I  0.5  4(0.50385766)  0.51579626
3
0.175
I  0.0312269 
3
I  0.176821

La regla de Simpson 1/3 de aplicación múltiple

Así como en la regla del trapecio, la regla de Simpson se puede mejorar

al dividir el intervalo de integración en varios segmentos del mismo
tamaño. (Chapra y Canalele, 2007, Pg. 634).

h   b  a  / n , donde n es la cantidad de intervalos

La integral total se puede representar como:

I   f ( x)dx   f ( x)dx  ...  

x2 x4 xn
f ( x)dx
x0 x2 xn2

30
Sustituyendo en la regla de Simpson 1/3

h
I  f ( x0 )  4 f ( x1 )  f ( x2 )
3
h h h
I   f ( x0 )  4 f ( x1 )  f ( x2 )    f ( x2 )  4 f ( x3 )  f ( x4 )   ...   f ( xn 2 )  4 f ( xn 1 )  f ( xn ) 
3 3 3

(b  a)5 (4)
Ea   f
180n

(4)
Donde f es el promedio de la cuarta derivada en el intervalo.

Ejemplo de Aplicación:

Integre f ( x)  0.2  25 x  200 x  675 x  900 x  400 x desde a  0 y

2 3 4 5

b  0.8 .Utilice n  4.

SOLUCIÓN:

Como n  4. el intervalo  a, b  se va dividir en 4 subintervalos.

b  a 0.8  0 0.8
h    0.2
n 4 4

h  0.2 Es la longitud de cada subintervalo

x0  0  f (0)  0.2
x1  0.1  f (0.1)  1.289
x2  0.2  f (0.2)  1.288
x3  0.3  f (0.3)  1.607
x4  0.4  f (0.4)  2.456
x5  0.5  f (0.5)  3.325
x6  0.6  f (0.6)  3.464
x7  0.7  f (0.7)  2.363
x8  0.8  f (0.8)  0.232

Reemplazando en la regla de Simpson 1/3 de aplicación múltiple

31
 0.1 0.1 0.1
I  f ( x0 )  4 f ( x1 )  f ( x2 )   f ( x2 )  4 f ( x3 )  f ( x4 )   f ( x4 )  4 f ( x5 )  f ( x6 ) 
3 3 3
0.1
 f ( x6 )  4 f ( x7 )  f ( x8 )
3
0.1 0.1 0.1
I  f (0)  4 f (0.1)  f (0.2)   f (0.2)  4 f (0.3)  f (0.4)   f (0.4)  4 f (0.5)  f (0.6)
3 3 3
0.1
  f (0.6)  4 f (0.7)  f (0.8)
3
0.1 0.1 0.1
I 0.2  4 1.289   1.288  1.288  4 1.607   2.456   2.456  4  3.325   3.464
3  3  3 
0.1
 3.464  4  2.363  0.232 
3 
0.1 0.1 0.1 0.1
I 6.644  10.172  19.22  13.148
3 3 3 3
I  0.22146  0.339066  0.6406666  0.438266
I  1.639458

2.5.2.2. Regla de Simpson 3/8

De manera similar a la obtención de la regla del trapecio y Simpson 1/3,

es posible ajustar un polinomio de Lagrange de tercer grado a cuatro
puntos e integrarlo.(Chapra y Canale, 2007,Pg. 636).

b b
I   f ( x)dx   f3 ( x)dx , del cual se obtiene:
a a

3h
I  f  x0   3 f ( x1 )  3 f ( x2 )  f ( x3 )  .....(Regla de Simpson 3/8)
8 
h  (b  a) / 3

Ejemplo de Aplicación:

Integre f ( x)  0.2  25 x  200 x  675 x  900 x  400 x desde a  0 y

2 3 4 5

b  0.8 .Utilice la regla de Simpson 3/8

SOLUCIÓN:

Para la aplicación de la regla de Simpson 3/8 se requiere cuatro puntos

iniciales.

b  a 0.8  0
h   0.2667 , h: longitud de cada intervalo.
3 3

32
x0  0  f ( x0 )  0.2
x1  0  h  0.2667  f (0.2667)  1.432724
x2  x1  0.2667  0.5334  f (0.5334)  3.487177
x3  x2  h  0.8  f (0.8)  0.232

Reemplazando los valores en la regla de Simpson 3/8

3h
I  f  x0   3 f ( x1 )  3 f ( x2 )  f ( x3 ) 
8 
3  0.2677 
I  0.2  3 1.432724   3  3.487177   0.232
8
0.8
I  0.2  4.298172  10.461531  0.232
8
0.8
I  15.191703
8
I  1.5191703

33
 CONCLUSIONES

El ajuste de curvas consiste en encontrar una función que pase por un conjunto de puntos
o que mejor se ajuste a dichos puntos. Esta función representará el comportamiento de
los datos.

La interpolación polinomial consiste en determinar un polinomio único de n-ésimo grado

que se ajustea n+1 puntos, tal que mediante este polinomio encontrado se puede hallar
algún valor intermedio que se requiere hallar.

La integración numérica permite hallar áreas de funciones complicadas de resolver de

manera analítica, utilizando la técnica de aproximar una función simple (fácil de integrar)
a la función original.

34
 BIBLIOGRAFÍA

Chapra, S. y Canale R. (2007). Métodos Numéricos para ingeniero. Editorial:

McGraw- Hill Interamericana.

Vásquez, L. (2009). Métodos numéricos para la física y la ingeniería. Editorial:

McGraw- Hill Interamericana.

Nieves Hurtado, A. (2015). Métodos numéricos: aplicados a la ingeniería. Grupo

Editorial Patria.

Scheid, F. (1991). Métodos numéricos (2a. ed.). McGraw-Hill Interamericana.

35
 ANEXOS

Figura 1: Regresión lineal

Figura 2: Regla del trapecio de aplicación Múltiple

Figura 3: Regla de Simpson 1/3 de aplicación múltiple

36