Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción.
En ocasiones tenemos un conjunto de valores que medimos en un sistema y nos interesa predecir un
determinado punto que tome en cuenta los valores ya medidos o simplemente tenemos una función
muy complicada en nuestro sistema y tenemos solamente un intervalo de interés donde nos gustaría
tener una versión simplificada de la función. En ambos casos lo que se utiliza es el ajuste de curvas.
a) Interpolación: Si los datos que tenemos son muy precisos, el procedimiento sera colocar una curva
o una serie de curvas que pasen por todos los puntos.
b) Regresión por mínimos cuadrados: Se utiliza cuando los datos tienen un error significante y la
idea es tener una curva que represente el comportamiento general de los datos.
El método mas utilizado para interpolar es utilizando polinomios, de tal forma que obtendremos una
función del tipo:
La interpolación polinomio consiste en encontrar un polinomio de grado n que satisfaga n+1 puntos.
Una vez teniendo este polinomio podemos calcular valores intermedios de los valores que ya
conocemos.
Existen varias formas matemáticas de como expresar este polinomio de n-ésimo grado que se ajusta a
los n+1 puntos, en esta unidad veremos dos que se adecúan a su implementación computacional. El
polinomio de Newton y el Polinomio de Lagrange.
Interpolación lineal.
La forma mas simple de interpolación es unir dos puntos con una linea recta. Para obtener la formula
para una interpolación lineal se utilizan triángulos semejantes y así obtenemos lo siguiente:
f 1 ( x )−f ( x 0 ) f ( x 1)−f ( x 0 )
= Resultando finalmente en:
x−x 0 x 1−x 0
f ( x 1 )−f (x 0 )
f 1 ( x )=f ( x 0 )+ ( x− x 0 )
x 1 −x 0
Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1
Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3
Con la función anterior podemos determinar cualquier punto intermedio entre los dos puntos dados
sobre la linea recta que se puede apreciar en la imagen.
Interpolación cuadrática.
Cuando contamos con 3 puntos podemos realizar una aproximación mas adecuada trazando una curva a
diferencia de una linea recta, y esto lo podemos realizar utilizando un polinomio de segundo grado.
b 0=f ( x 0 )
f ( x 1 )−f (x 0 )
b1 =
x 1−x 0
f ( x 2)−f ( x 1 ) f ( x 1 )−f ( x 0 )
−
x 2−x 1 x 1− x 0
b2 =
x 2−x 0
Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1
Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3
x− x 1 x− x 0
f 1 ( x )= f ( x 0 )+ f (x 1 )
x 0 −x 1 x 1 −x 0
La versión de segundo grado es:
( x−x 1 )( x−x 2 ) ( x−x 0 )(x−x 2 )
f 2 (x )= f ( x 0 )+ f (x 1 )
( x 0 −x 1 )( x 0−x 2 ) ( x 1 −x 0 )(x 1−x 2 )
( x−x 0 )( x−x 1 )
+ f ( x2)
(x 2−x 0 )( x 2 −x 1 )
El razonamiento detrás de la formula de Lagrange se basa en que cada termino Li ( x) sera 1 en
x=x i y 0 en todos los otros puntos. De tal manera que cada producto Li ( x)f (x i ) toma el valor de
f (xi ) en el punto x i . Así que la sumatoria de todos los productos de la ecuación es el único
polinomio de n-ésimo grado que pasa exactamente a través de todos los n+1 puntos que se tienen como
datos.
Cuando el error en los datos es significativo, la interpolación polinomial no es adecuada, ya que nos
puede arrojar resultados desfavorables.
La mayor parte del tiempo cuando estamos experimentando, los datos que obtenemos no son precisos,
y en estas situaciones es mas conveniente obtener una función que se ajuste a la forma o tendencia de
los datos, sin tener que coincidir exactamente con los datos.
Para obtener esta función con un criterio objetivo, se utiliza una curva que minimiza la discrepancia
entre los puntos y la curva, y a esta técnica se se le conoce como regresión por mínimos cuadrados.
La siguiente figura ilustra las discrepancias que podemos obtener si utilizamos una interpolación
polinomial cuando tenemos datos con errores significativos.
Como podemos observar utilizando la interpolación polinomial puede llevarnos a una oscilación
bastante significativa que puede interpretarse como aproximaciones con un error aun mayor del que ya
tenemos en los datos.
La forma mas simple de hacer una aproximación por mínimos cuadrados es usando una linea recta que
se ajuste a los valores que tenemos.
De tal manera que obtenemos una función de este tipo: y=a 0 +a1 x+e
donde a0 y a1 son coeficientes que representan la intersección con el eje Y y la pendiente,
respectivamente, e es el error, el cual se representa de la siguiente manera después de despejar:
e= y−a0 −a1 x
De tal forma el error es la discrepancia entre el valor verdadero de Y y el valor aproximado que se
predijo en la ecuacion lineal ( a0 + a1 ).
Existen varios criterios para ajustar la función a los datos pero el que supera a estos para determinar el
mejor ajuste es minimizar la suma de los cuadrados de los residuos entre la y medida y la y calculada
con el modelo lineal.
En muchas ocasiones la forma que se ajusta a nuestros datos no necesariamente es una linea recta, si no
lo que mejor se ajusta es una curva como lo muestra la siguiente figura:
En el caso que muestra la figura los datos se ajustan mas a una parábola que a una linea recta. En
general, en algunos casos se requerirán técnicas de regresión polinomial y en otros casos se pueden
utilizar transformaciones para expresar los datos en una linea recta compatible.
Donde,
a) Ecuación Exponencial b) Ecuación de potencias c)Ecuación de razón de crecimiento.
d) Exponencial linearizada e) De potencias Linearizada f) Razón de crecimiento linearizada
β1x
El modelo exponencial dado por y=α 1 e es un ejemplo de uno de los que pueden ser
linearizados donde α 1 y β 1 son constantes. En la ingeniería se emplea este modelo para caracterizar
cantidades que aumentan y disminuyen cuando la constante β 1 es positiva y negativa
respectivamente, a una velocidad que es directamente proporcional a sus propias magnitudes. Un
ejemplo de un comportamiento de esta naturaleza es el crecimiento de la población.
De tal modo que si tenemos datos que se ajustan a una función exponencial, lo primero que hacemos
es, aplicarle logaritmo natural a los valores de y solamente, debido a que los valores de x como se
muestra en la ecuación se observa que solo esta β x de tal modo que los elementos de x no se le debe
aplicar ln, y una vez que realizamos esto, utilizamos las formulas de la regresión lineal para calcular los
coeficientes ( a0 y a1 ) que corresponden a ( α 1 y β 1 ) en la linealización de la función exponencial
(la formula antes mencionada que se le aplica el logaritmo natural para dejarla en formato de linea
recta) y por ultimo aplicamos el inverso de logaritmo natural (e) para definir la función exponencial
que se ajusta a los datos y que nos quede la función en el formato exponencial del tipo:
β1x
y=α 1 e