Mtodos Numricos

Aproximacin de Funciones

APROXIMACION DE
FUNCIONES
En este captulo se estudiar la aproximacin de
funciones disponibles en forma discreta (puntos
tabulados), con funciones analticas sencillas, o bien
de aproximacin de funciones cuya complicada
naturaleza exija su reemplazo por funciones ms
simples, especficamente por polinomios.
Una vez que se ha determinado un polinomio Pn(x)
de manera que aproxime satisfactoriamente una
funcin dada f(x) sobre un intervalo de inters,
puede esperarse que al diferenciar Pn(x) o
integrarla, tambin aproxime la derivada o integral
correspondiente a f(x).

Aproximacin polinmica
Se realiza cuando la funcin puede ser
conocida en forma explcita o mediante un
conjunto de valores tabulados para cada uno
de los argumentos por donde pasa la funcin
(valores funcionales).
x
x
x
...
x
i

f(xi)

F0

f1

...

fn

Normalmente se acepta aproximar a la funcin

tabulada en puntos coincidentes mediante un
polinomio de grado n (condicin de
aproximacin):
f(xi) Pn(xi) ; para todo xi en [xo,xn]
Donde: Pn(x) = anxn + an-1xn-1+...+a1x+ao,
con an0

Aproximacin polinmica

Aproximacin polinmica
Donde: E(x) = f(x) Pn(x) ; Para todo x en
[x0,xn]
Observaciones:
1) Los polinomios son funciones fciles de
derivar, integrar, evaluar y de programar en un
computador. Vase :

2) Los polinomios presentan propiedades

analticas importantes que facilitan el clculo de
las races del polinomio, as mismo nos permite
identificar el tipo de raz (Real complejo).

Clculos Analticos

Interpolacin : f(x)Pn(x), x en [xo, xn]

Extrapolacin : f(x)Pn(x), x<x0 o x>xn
Diferenciacin : f(x) Pn(x)
Integracin :

f ( x)dx Pn ( x)dx
a

Clculo de Polinomio
Interpolante
P x a x a x a x a x a
n 1

f xi Pn xi

n2

n 1

para i 0 n

Sistema de Ecuaciones Lineales

de Vandermond e
x0n

n
x
1
x2n

xn
n

x0n 1 x0 1

n 1
x1
x1 1
x2n 1 x2 1

xnn 1 xn 1

a0

a1
a2

an

y0
y
1
y2


yn

Este procedimiento en la practica no es muy usual debido a

que la matriz de Vandermonde es mal condicionada.

Propiedades de
Aproximacin
1) Siempre que se acepte aproximar la
funcin f(x) mediante un polinomio de
grado n: Pn(x) que pase por (n+1) puntos
coincidentes, se puede construir un
polinomio que es nico (propiedad de
existencia y unicidad).
f
( )
f ( xaproximacin
) P ( x)
( x x )(viene
x x )...( x dado
x )
2) El errorE de
por:
(n 1)!
( n 1)

Para a lg n x0 , xn ; x [ x0 , xn ]

M
3) Cota superior
E ( x) f ( x) de
P ( x) error
( x (M):
x )( x x ) ( x x )
(n 1)!
Donde : M mx f
( x) para x [ x , x ]
n

( n 1)

INTERPOLACIN NUMRICA

Consiste en estimar el valor de la funcin f(x)

para cualquier argumento x, conociendo la
funcin de manera explcita o mediante un
conjunto de valores tabulados (xi, f(xi)).
Herramientas de Interpolacin
A continuacin definiremos algunas
herramientas que nos permitirn ms adelante
construir un polinomio de interpolacin:
Diferencias Finitas
Diferencias Divididas

Diferencia Finita hacia adelante o progresiva

Diferencia finita de primer orden:

f k f k 1 f k

Diferencia finita de segundo orden:

2
f k f k 1 f k
Diferencia Finita de orden n:
n f k n1 f k 1 n1 f k

Tabla de diferencias finitas hacia adelante (h=constante)

Diferencia finita hacia atrs o

regresiva:

fk
n

n 1

fk

n 1

f k 1

Diferencia Finita Central:

fk
n

n1

f k 1/ 2

n1

f k 1/ 2

Diferencias Divididas
Se define para puntos o argumentos
desigualmente espaciados:
Diferencia dividida de Primer orden:
f ( xi 1 ) f ( xi )
f [ xi , xi 1 ]
xi 1 xi

Diferencia dividida de segundo orden:

f [ xi , xi 1 , xi 2 ]

f [ xi 1 , xi 2 ] f [ xi , xi 1 ]
xi 2 xi

Diferencia dividida de orden n:

f [ xi , xi 1 ,..., xi n1 , xin ]

f [ xi 1 ,..., xi n ] f [ xi ,..., xi n1 ]
xi n xi

Polinomio de interpolacin de Newton basado en diferencias Divididas

Sea la funcin f(x) tabulada para (n+1) puntos,

siempre es posible construir un polinomio de
grado n (o menor) que pase por dichos puntos
y se le puede dar la forma:
f ( x) Pn ( x) a0 a1 ( x x0 ) a2 ( x x0 )( x x1 ) .... an ( x x0 )( x x1 )...( x xn1 )

Se trata ahora de determinar los coeficientes ak.

Si x=x0, Pn(x0)=a0f(x0)
Si x=x1, Pn(x1)=f(x0)+a1(x1-x0)f(x1)
a1=(f(x1)-f(x0))/(x1-x0)=f[x0,x1]

Es estudiante puede demostrar que en general

se cumple:

ak f x0 , x1 ,..., xk

Por lo tanto:
Pn ( x) f ( x0 ) f [ x0 x1 ]( x x0 ) f [ x0 x1 x2 ]( x x0 )( x x1 ) f [ x0 x1...xn ]( x x0 )( x x1 )...( x xn1 )
n

i 1

k 1

i 0

j 0

Pn ( x) f ( x0 ) f [ x0 ...xk ]( x x0 )...( x xk 1 ) f ( x0 ) f [ x0 ...xi ] ( x x j )

Error de Interpolacin
f ( n1) ( )
f ( n1) ( ) n
en ( x)
( x x0 )( x x1 )...( x xn )
( x xi ) [ x0 , xn ]

(n 1)!
(n 1)! i0
n

en ( x) f [ x0 x1...xn x] ( x xi )
i 0

Se suele aproximar el error

considerando x=xn+1,
es decir, se requiere un punto
adicional.

Ejemplo.- Obtener el polinomio interpolante

x

10

66

127

y[ , ,
,]

y[ , , ,
,]

Estime y(2.5)
Tabla de
diferencias divididas
x
y

y[ , ]

y[ , ,
]

1
1

3
7

10

1
7

28
4

66
61

127

0
1

11

De la tabla anterior, obtenemos los coeficientes del polinomio

interpolante:

P x y0 y x0 , x1 x x0 y x0 , x1 , x2 x x0 x x1
y x0 , x1 , x2 , x3 x x0 x x1 x x2

y x0 , x1 , x2 , x3 , x4 x x0 x x1 x x2 x x3

P x 2 1 x 0 4 x 0 x 1

1 x 0 x 1 x 2 0 x 0 x 1 x 2 x 4

P x x 3 2

y 2.5 P 2.5 2.53 2

y 2.5 17.625

Polinomio de interpolacin basado en Diferencias Finitas Progresivas

Se debe hallar una relacin entre las

diferencias finitas y divididas; se deja
como ejercicio la demostracin que:
k f 0
f [ x0 , x1 , x2 ,....xk ]
k! h k

Reemplazando en el polinomio
basado en diferencias divididas se
tiene:
f 0
2 f
n f 0

Pn ( x) f 0

1!h

( x x0 )

2! h

( x x0 )( x x1 ) ...

n! h

( x x0 )...( x xn 1 )

Polinomio de interpolacin basado en Diferencias Finitas Progresivas

Teniendo en cuenta que los intervalos se tomarn

igualmente espaciados (h=cte) para x, y haciendo el
cambio de variable, se demuestra que:
s

x x0
h

Pn ( s) f 0 sf 0
n

Pn ( s) i f 0
i 0

s ( s 1) 2
s ( s 1)...( s n 1) n
f 0 ...
f0
2!
n!
n
s
s ( s 1) 2
s( s 1)...( s n 1) n
Pn ( s ) f 0 sf 0
f 0 ...
f 0 Pn ( s ) i f 0
2!
n!
i 0
i

Esta ltima forma se conoce como polinomio de

interpolacin de Newton Progresivo con cambio de
escala.
Queda para el estudiante como ejercicio la deduccin
de la frmula de error para el polinomio anterior.

Ejemplo
a) Aproximar la siguiente data usando
un
polinomio
basado
en
diferencias
X
2
3
4
finitas:
Y
0
-1
0
b) Estime Y(2.5):
c) Calcule el error cometido, si esta
data se
obtuvo de la funcin Y=sen(pi*X/2)

Solucin
Tabla de diferencias finitas:
X

2Y

-1
3

-1

2
1

s s 1 2
Y0
2!
s s 1
2
P s 0 s 1
2!
P s s 2 2s
P s Y0 sY0

X 2. 5
X X0 X 2
s

h
1
2.5 2
s
0. 5
1
2
P s 0.5 0.5 2 0.5 0.75
2. 5
y 2.5 sen
0.7071
2

Error 0.0429

Polinomio de interpolacin basado en Diferencias

Finitas Regresivas

s( s 1) 2
s( s 1)( s 2) 3
s( s 1)(s 2) ... ( s n 1) n
fn
f n ...
fn
2!
3!
n!
x xn
Teniendo en cuenta que : s
h
Pn ( s) f n sf n

Polinomio de interpolacin basado en Diferencias

Finitas Centrales
s f 1 / 2 f 1 / 2 s 2 2
s ( s 2 12 ) 3 f 1 / 2 3 f 1 / 2
Polinomio
de
Stirling
P2 m ( s ) f 0
f0

1!
2
2!
3!
2

2
2
2
2
2
2
2
2
5
5

s (s 1 ) 4
s ( s 1 )( s 2 ) f 1 / 2 f 1 / 2
f0
...
4!
5!
2

Queda para el estudiante demostrar que el polinomio anterior

puedeP (s) f s s 2 s 1 3 s 1 4 ... s n 1 2n 1 s n 1 2n
2n
0
0
1 1/ 2 2 0 3 1/ 2 4 0
2n 1 1 / 2

2n

representarse en la forma siguiente:

s i 1 2i 1 s i 1 2i
1 / 2
0
2
i

1
2
i
i 1

P2 n ( s ) f 0

x x0
h

Polinomios de interpolacin de Lagrange

Para intervalos iguales o no.

n

Pn ( x) Li ( x) f ( xi ) L0 ( x) f ( x0 ) L1 ( x) f ( x1 ) ... Ln ( x) f ( xn )
i 0
n

Li ( x)

x xj

j 0 xi x j
j i

f ( n 1) ( )
En f ( x) Pn ( x)
( x x0 )( x x1 )...( x xn )
(n 1)!

para algn: x , x
0

; x [ x0 , xn ]

Ejemplo
Obtener el Polinomio de Lagrange de la
siguiente data:
X
Y
0

-2

x x1 x x2 f x x x0 x x2 f x x x0 x x1 f x
x0 x1 x0 x2 0 x1 x0 x1 x2 1 x2 x0 x2 x1 2

x 2 x 5
x 0 x 5
x 0 x 2
2
2
6

0 2 0 5
2 0 2 5
5 0 5 2

P2 x

2 2 34
P2 x x x 2
15
15

AJUSTE POR MINIMOS CUADRADOS

Dado un conjunto de pares ordenados (x i, yi), se

busca una funcin de aproximacin g, tal que:
g(xi) se aproxime a yi para i=1, 2, ..., n

 De un modo general, una funcin aproximante

depender de varias constantes , es decir:

g ( x) F ( x, c1 , c2 ,..., ck )

Para i=1, 2, ...., n, definimos las desviaciones como:

d y F x , c , c ,..., c

i
i
i 1 2
k
La funcin aproximada
deber
ser escogida
de
forma que tales desviaciones sean pequeas en
valor absoluto.
Esta funcin puede ser elegida como una
combinacin lineal de otras:

F ( x, c1 ,..., ck ) c1 1 .....ck k

Por ejemplo, la aproximacin mediante una recta

ser:

F ( x, c1 , c2 ) c1 x c2

 El mtodo de los mnimos cuadrados

consiste en obtener una funcin de
n
aproximacin, que busca:
2
Minimizar d i
i 1

Se busca entonces, minimizar la

suma de los cuadrados de las
desviaciones:
n
n
2
2

e(c1 ,..., ck ) di yi c11 xi ... ckk xi

i 1

i 1

por lo tanto:
e 0
e
0,
c j

j 1,..., k

Aproximacin de una recta por

mnimo
g ( x) c1 x c2
cuadrados:
n
n
n
c1 xi2 c2 xi xi yi
i 1

i 1

i 1

i 1

i 1

i 1

c1 xi c2 1 yi

Forma Matricial del ajuste o regresin por mnimos cuadrados

Sistema sobre-determinado para

ajuste de una
recta
Escribiendo la ecuacin c1x + c2 = y
para todos
los puntos conocidos
(x i y,1 y
x1 1
i), i =1,..,n
obtenemos x2 1 c1 y2

c2
un sistema sobre-determinado:

xn

yn

Forma Matricial del ajuste o regresin por mnimos cuadrados

O:

Ac y

Donde:

x1
x2

xn

1
1

y1
y
y 2


yn

Ecuacin normal para el ajuste

El cuadrado de la norma 2 de r = y
Ac es:

La minimizacin de requiere que:

La minimizacin de requiere que:
A esta ecuacin se le denomina
ECUACION NORMAL.

Factor de regresin:
n

R
2

ym

ym

i 1
n

i 1

y i de la funcion de ajuste
yi de la data
n

ym

y
i 1

Factor de regresin:

0 R 1
2

El factor de regresin mide la

eficiencia del ajuste,
Cuando R2 =1 la funcin de ajuste
coincide con la data.
Cuando R2 es cercano a 1 el ajuste se
considera aceptable.
Cuando R2 es cercano a 0 el ajuste se
considera psimo o deficiente

Reduccin a problemas de
mnimos cuadrados
b
Las funciones: y ax

y ae

bx

Se puede linealizar:

log( y ) log(a ) b log( x)

log( y ) log(a ) b x

Ejemplo
Ajustar los siguientes datos a una
recta:
X
0.1
0.4
0.5
0.7
0.7
0.9
Y

0.61

0.92

0.99

1.52

1.47

2.03

Se ajustar a la recta: y=c1 x +

c2
.1 1
0.61
se plantea 0el
siguiente
sistema

0.4 1
0.92

M*C=Y 0.5 1 c 0.99

1

c
0
.
7
1
1
.
52

0.7 1
1.47

0.9 1
2.03

Planteando la ecuacin normal:

MT*M*C=MT*Y 0.1 1

0.1 0.4 0.5 0.7 0.7 0.9

1

1
1
1
1
1

0.4

0.5

0.7
0.7

0.9

1
1

1
1

c1 0.1 0.4 0.5 0.7 0.7 0.9

c 1

1
1
1
1
1

c1 1.7646
2.21 3.3 c1 4.844
3.3 6 c 7.54 c 0.2862

2
y 1.7646 x 0.2862
R 2 0.93

0.61
0.92

0.99

1
.
52

1.47

2
.
03

Ejemplo
Ajustar los siguientes datos a la funcin y=axb
x

1.2

1.6

1.3

1.4

1.7

Ln(y)=Ln(a)+b*Ln(x)
Y=A+BX
A=0.0514
B=b=0.6874

Interpolacin segmentaria o Splines

Un
Spline o trazador es una funcin que
consiste en trozos de polinomios unidos con
ciertas condiciones de continuidad.
Dados los nodos xo<x1<<xn, un spline de grado
k con esos nodos es una funcin S tal que:
En cada sub-intervalo [ti-1,ti] S es un polinomio
de grado k
La (k-1)-isima derivada de S es continua en [xo,
xn]

Spline Lineal
si ( x) mi x bi , para x xi , xi 1 , i 0, 1,2, , n 1
si ( xi y
s i ( xi ) y i
1 ) y i 1
Las condiciones,
producen 2n ecuaciones para encontrar 2n incgnitas.
Aplicando esto, conseguimos:

x xi 1
x xi
yi 1 yi
si ( x) yi
yi 1
yi
( x xi ), x xi , xi 1
xi xi 1
xi 1 xi
xi 1 xi
cuyo resultados son lneas rectas que ensamblan puntos
si ( x)
vecinos.
Claramente se observa que,
es la formula de
(interpolacin
xi , y i )
( xi 1 , yde
i 1 ) Lagrange para un conjunto de datos que
consiste de los siguientes puntos:
y

Ejemplo Encontrar los Splines lineales

para el siguiente conjunto de datos:
i

10

-1

-2

20

Splines Lineales:
s0 ( x ) 0

s1 ( x) 2

x5
x0 2
2
x , x [0, 5]
05
50 5

x7
x 5
1
1.5 x 9.5 , x [5, 7]
57
75

s2 ( x) 1

x 8
x7
2
x 6 , x [7, 8]
7 8
87

s3 ( x) 2

x 10
x 8
20
11x 90 , x [8, 10]
8 10
10 8