Está en la página 1de 55

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).

xi x0 x1 ... xn

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 : b b
a
f ( x)dx Pn ( x)dx
a
Clculo de Polinomio Interpolante
Pn x a0 x n a1 x n 1 a2 x n 2 an 1 x an
f xi Pn xi para i 0 n
Sistema de Ecuaciones Lineales
de Vandermonde
x0n x0n 1 x0 1 a0 y0
n
x1 x1n 1 x1 1 a1 y1
x2n x2n 1 x2 1 a2 y2


xn xnn 1 1 an yn
n xn

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).
2) El error de aproximacin viene dado por:
f ( n 1) ( )
En f ( x) Pn ( x) ( x x0 )( x x1 )...( x xn )
(n 1)!
Para a lg n x0 , xn ; x [ x0 , xn ]

3) Cota superior de error (M):


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

Donde : M mx f ( n1) ( x) para x [ x0 , xn ]
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:
f k f k 1 f k
2

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:

n 1 n 1
fk
n
fk 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 1 , xi 2 ] f [ xi , xi 1 ]
f [ xi , xi 1 , xi 2 ]
xi 2 xi

Diferencia dividida de orden n:


f [ xi 1 ,..., xi n ] f [ xi ,..., xi n1 ]
f [ xi , xi1 ,..., xi n1 , xi n ]
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 n i 1
Pn ( x) f ( x0 ) f [ x0 ...xk ]( x x0 )...( x xk 1 ) f ( x0 ) f [ x0 ...xi ] ( x x j )
k 1 i 0 j 0

Error de Interpolacin
f ( n1) ( ) f ( n1) ( ) n
en ( x)
(n 1)!
( x x0 )( x x1 )...( x xn )
(n 1)! i0
( x xi ) [ x0 , xn ]
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 0 1 2 4 5
y 2 3 10 66 127

Estime y(2.5)

Tabla de diferencias divididas

x y y[ , ] y[ , , ] y[ , , ,] y[ , , , ,]
0 2
1
1 3 3
7 1
2 10 7 0
28 1
4 66 11
61
5 127
De la tabla anterior, obtenemos los coeficientes del polinomio interpolante:

Px y0 yx0 , x1 x x0 yx0 , x1 , x2 x x0 x x1
yx0 , x1 , x2 , x3 x x0 x x1 x x2
yx0 , x1 , x2 , x3 , x4 x x0 x x1 x x2 x x3

Px 2 1x 0 4x 0x 1
1x 0x 1x 2 0x 0x 1x 2x 4
Px x 3 2

y 2.5 P2.5 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 ( x x0 ) 2
( x x0 )( x x1 ) ... n
( x x0 )...( x xn1 )
1!h 2!h n!h
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:
x x0
s
h
s( s 1) 2 s( s 1)...( s n 1) n
Pn ( s) f 0 sf 0 f 0 ... f0
2! n!
n
s s ( s 1) 2 s ( s 1)...( s n 1) n n
s
Pn ( s) f 0 Pn ( s ) f 0 sf 0
i
f 0 ... f 0 Pn ( s) i f 0
i 0 i 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 finitas:
X 2 3 4
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 Y Y 2Y
2 0
-1
3 -1 2
1
4 0
X 2.5
X X0 X 2
s
ss 1 2 h 1
Ps Y0 sY0 Y0 2.5 2
2! s 0.5
ss 1 1
Ps 0 s 1 2 Ps 0.5 0.5 20.5 0.75
2
2!
Ps s 2 2s 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
Pn ( s) f n sf n fn f n ... fn
2! 3! n!
x xn
Teniendo en cuenta que : s
h

Polinomio de interpolacin basado en Diferencias Finitas Centrales


Polinomio de Stirling

P2 m ( s) f 0
s f 1 / 2 f 1 / 2 s 2 2
f0

s( s 2 12 ) 3 f 1 / 2 3 f 1 / 2

1! 2 2! 3! 2
s 2 ( s 2 12 ) 4
f0

s 2 ( s 2 12 )( s 2 22 ) 5 f 1 / 2 5 f 1 / 2
...
4! 5! 2

Queda para el estudiante demostrar que el polinomio anterior puede


representarse en la forma siguiente:
s s s 1 3 s 1 4 s n 1 2 n 1 s n 1 2 n
P2 n ( s) f 0 1 / 2 02 1 / 2 0 ... 1 / 2 0

1
2 3 4 2 n 1 2 n
n
s i 1 2i 1 s i 1 2i x x0
P2 n ( s) f 0 1 / 2 0 s
i 1 2i 1 2i 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 x xj
Li ( x)

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: x0 , xn ; x [ x0 , xn ]
Ejemplo
Obtener el Polinomio de Lagrange de la siguiente data:

X Y
0 -2
2 2
5 6

P2 x
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 2x 5
2 x 0x 5
2 x 0x 2
6
0 20 5 2 02 5 5 05 2
P2 x x x 2
2 2 34
15 15
AJUSTE POR MINIMOS CUADRADOS
Dado un conjunto de pares ordenados (xi, 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:
di yi F xi , c1, c2 ,..., ck
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 aproximacin, que
busca: n
2
Minimizar d
i 1
i

Se busca entonces, minimizar la suma de los


cuadrados de las desviaciones:
n n
e(c1 ,..., ck ) di2 yi c11 xi ... ckk xi
2

i 1 i 1
por lo tanto:
e 0
e
0, j 1,..., k
c j

Aproximacin de una recta por mnimo


cuadrados: g ( x) c x c
1 2
n n n
c1 xi2 c2 xi xi yi
i 1 i 1 i 1
n n n
c1 xi c2 1 yi
i 1 i 1 i 1
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 (xi , yi), i =1,..,n obtenemos
un sistema sobre-determinado:
x1 1 y1
x2 1 c1 y2


c2

xn 1 yn
Forma Matricial del ajuste o regresin
por mnimos cuadrados
O:
Ac y

Donde: x1 1 y1
x2 1 y
A y 2


xn 1 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

y ym
2
i
R
2 i 1
n

y ym
2
i
i 1

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

y i
ym i 1
n
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
Las funciones:
y ax b

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


se plantea el siguiente sistema M*C=Y
0.1 1 0.61
0.4 1 0.92

0.5 1 c1 0.99

0.7 1 c2 1.52
0.7 1 1.47

0.9 1 2.03
Planteando la ecuacin normal: MT*M*C=MT*Y
0.1 1 0.61
0.4 1 0.92

0.1 0.4 0.5 0.7 0.7 0.9 0.5 1 c1 0.1 0.4 0.5 0.7 0.7 0.9 0.99
0.7
1
1 1 1 1 1 1 c2 1 1 1 1 1 1 1.52
0.7 1 1.47

0.9 1 2.03

2.21 3.3 c1 4.844 c1 1.7646


3.3 6 c 7.54 c 0.2862
2 2
y 1.7646 x 0.2862
R 2 0.93
Ejemplo
Ajustar los siguientes datos a la funcin y=axb
x 1 1.2 1.6 2
y 1 1.3 1.4 1.7

Ln(y)=Ln(a)+b*Ln(x)
Y=A+BX
A=0.0514
B=b=0.6874
a=1.0525 0.6874
y=1.0525x
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
Las condiciones, si ( xi ) yi y si ( xi 1 ) yi 1 producen 2n
ecuaciones para encontrar 2n incgnitas. Aplicando esto, conseguimos:

x xi1 x xi yi1 yi
s i ( x) y i yi1 yi ( x xi ), x xi , xi1
xi xi1 xi1 xi xi1 xi

cuyo resultados son lneas rectas que ensamblan puntos vecinos.


Claramente se observa que, s i ( x) es la formula de interpolacin de
Lagrange para un conjunto de datos que consiste de los siguientes puntos:
( xi , yi ) y ( xi 1 , yi 1 )
Ejemplo Encontrar los Splines lineales para el
siguiente conjunto de datos:
i 0 1 2 3 4

x 0 5 7 8 10
y 0 2 -1 -2 20

Splines Lineales:
x 5 x0 2 s2 ( x) 1
x 8
2
x7
x 6 , x [7, 8]
s0 ( x ) 0 2 x , x [0, 5] 7 8 87
05 50 5

s1 ( x) 2
x7
1
x 5
1.5 x 9.5 , x [5, 7]
x 10 x 8
s3 ( x) 2 20 11x 90 , x [8, 10]
57 75 8 10 10 8

También podría gustarte