Está en la página 1de 41

UNIVERSIDAD PERUANA DE CIENCIAS

APLICADAS
FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA CIVIL

INTRODUCCIÓN A LOS MÉTODOS


COMPUTACIONALES
CI 171

Prof. Saul Luiz de Melo

Abril – 2017
CONTENIDO DE LA ASIGNATURA

UNIDAD I UNIDAD II UNIDAD III

HERRAMIENTA RAÍCES DE SISTEMA DE


COMPUTACIONAL ECUACIONES NO ECUACIONES
DE CÁLCULO LINEALES LINEALES

UNIDAD VI UNIDAD V UNIDAD IV

ECUACIONES INTEGRACIÓN INTERPOLACIÓN


DIFERENCIALES NUMÉRICA DE CURVAS
UNIDAD IV: INTERPOLACIÓN DE CURVAS

1. TIPOS DE REGRESIÓN:
 LINEAL Y MÚLTIPLE
 NO LINEAL: POLINOMIAL
 NO LINEAL: LOGARÍTMICA Y EXPONENCIAL

2. INTERPOLACIÓN DE CURVAS:
 POLINOMIO DE NEWTON: DIFERENCIAS DIVIDIDAS
 INTERPOLACIÓN SEGMENTARIA: SPLINE

3. GUI DEL MATLAB


 COMANDOS MISCELÁNEOS E INTRODUCCIÓN AL GUI
 APLICACIONES CON MATLAB
OBJETIVOS DEL CAPÍTULO

1. Comprender los conceptos de Interpolación por Newton.

2. Comprender los conceptos de Trazadores Splines.

3. Comprender el método de ajuste de curva utilizando Splines.

4. Comprender las diferencias entre los métodos de interpolación


por Newton y Trazadores Splines.
1.1.a.- REGRESIÓN LINEAL

También conocido como aproximación por mínimos cuadrados.


𝑦 = 𝑎𝑥 + 𝑏

Se genera un error: 𝑦 = 𝑎𝑥 + 𝑏 + E
𝐸 = 𝑦 − 𝑎𝑥 − 𝑏

Minimizando la suma de
los cuadrados de los
residuos.
1.1.a.- REGRESIÓN LINEAL
Para hallar “a” y “b”, se deriva la ecuación con respecto a cada
coeficiente, y luego se iguala a 0.
1.1.a.- REGRESIÓN LINEAL
EJEMPLO:
1.1.a.- R. LINEAL: COEF. DE CORRELACIÓN
1.1.b.- REGRESIÓN MÚLTIPLE

Cuando se estudia la posible relación entre varias variables


independientes y una variable dependiente.

𝑦 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑚 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 + ⋯ + 𝑎𝑛 𝑥𝑛

Un caso particular: 𝑦 𝑥1 , 𝑥2 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2

σ 𝑦 = 𝑛𝑎0 + 𝑎1 σ 𝑥1 + 𝑎2 σ 𝑥2
σ 𝑥1 𝑦 = 𝑎0 σ 𝑥1 + 𝑎1 σ 𝑥1 2 + 𝑎2 σ 𝑥1 ∗ 𝑥2
σ 𝑥2 𝑦 = 𝑎0 σ 𝑥2 + 𝑎1 σ 𝑥1 ∗ 𝑥2 + 𝑎2 σ 𝑥2 2
1.1.b.- REGRESIÓN MÚLTIPLE

Ejemplo: temperatura máxima promedio en °F en la


estación meteorológica de un condado de Texas.

𝑇𝐸𝑀𝑃 = 𝑏0 + 𝑏1 ∗ 𝐿𝐴𝑇 + 𝑏2 ∗ 𝐴𝐿𝑇 + 𝑏3 ∗ 𝐿𝑂𝑁𝐺


1.1.b.- REGRESIÓN MÚLTIPLE

𝑇𝐸𝑀𝑃 = 109.2589 − 1.8322 ∗ 𝐿𝐴𝑇 − 0.0018 ∗ 𝐴𝐿𝑇


1.2.- REGRESIÓN NO LINEAL: POLINOMIAL

Cuando las tendencias de las ecuaciones se representan mejor


ajustando una curva a los datos presentados.

𝑦 𝑥 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + ⋯ + 𝑎𝑚 𝑥 𝑚

La suma de los cuadrados de los residuos es:

Y, la derivada con respecto


a cada coeficiente será:
1.2.- REGRESIÓN NO LINEAL: POLINOMIAL

Sistema de ecuaciones con “m+1” incógnitas.


1.2.- REGRESIÓN NO LINEAL: POLINOMIAL
EJEMPLO
1.2.- REGRESIÓN NO LINEAL: POLINOMIAL

EJEMPLO
1.3.- REG. EXPONENCIAL Y LOGARÍTMICA
Inspeccionar los datos en forma visual. Luego, linealizar según
sea el caso.
a) Exponencial: 𝑦(𝑥) = 𝐴 ∗ 𝑒 𝐵 𝑥
b) Potencias: 𝑦(𝑥) = 𝐴 ∗ 𝑥 𝐵
𝑥
c) Razón de crecimiento: 𝑦 𝑥 =𝐴
𝐵+𝑥

Introducción a los Métodos Computacionales Pedro F. Huamaní Navarrete


1.3.- REG. EXPONENCIAL Y LOGARÍTMICA
EJEMPLO:
𝑦(𝑥) = 𝐴 ∗ 𝑥 𝐵
𝑙𝑜𝑔10 𝑦(𝑥) = 𝑙𝑜𝑔10 𝐴 + 𝐵 ∗ 𝑙𝑜𝑔10 𝑥

𝑦(𝑥) = 0.5 ∗ 𝑥 1.75


1.3.- REG. EXPONENCIAL Y LOGARÍTMICA
EJEMPLO:
𝑥
𝑦 𝑥 =𝐴∗
𝐵+𝑥

1 1
𝑦 𝑥 → 𝑦 𝑥 → ≫ 𝑅𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑎𝑛𝑑𝑜:
𝑦 ′ (𝑥) 𝑥′

𝐵 1
𝑦′ 𝑥 = 𝑥′ +
𝐴 𝐴

𝑥
𝑦 𝑥 = 2.9279 ∗
1.0813+𝑥
1.3.- REG. EXPONENCIAL Y LOGARÍTMICA
1.3.- REG. EXPONENCIAL Y LOGARÍTMICA

𝒀 = 𝒂 ∗ 𝒙𝒃
2.1.- POLINOMIO DE NEWTON

MÉTODO DE NEWTON - LINEAL


Determinar el único polinomio de n-ésimo orden que se ajusta
a los n+1 puntos dados.
2.1.- POLINOMIO DE NEWTON

EJEMPLO: calcular “Ln(3)”, utilizando un método de interpolación


lineal, y conociendo que Ln(1) = 0 y Ln(5) = 1.6094.

𝒇 𝒙𝟏 −𝒇(𝒙𝟎 )
𝒇𝟏 𝒙 = 𝒇(𝒙𝟎 ) + 𝒙 − 𝒙𝟎
𝒙𝟏 −𝒙𝟎

𝟏.𝟔𝟎𝟗𝟒−𝟎
𝒇𝟏 𝟑 = 𝟎 + 𝟑−𝟏
𝟓−𝟏

𝒇𝟏 𝟑 = 𝟎. 𝟖𝟎𝟒𝟕

RPTA: 1.0986 , Er = 26.75%


2.1.- POLINOMIO DE NEWTON

MÉTODO DE NEWTON - CUADRÁTICA


Con tres datos, se utiliza un polinomio cuadrático.

𝒇𝟐 𝒙 = 𝒃𝟎 + 𝒃𝟏 𝒙 − 𝒙𝟎 + 𝒃𝟐 𝒙 − 𝒙𝟎 𝒙 − 𝒙𝟏

Por un sistema de ecuaciones:


2.1.- POLINOMIO DE NEWTON
EJEMPLO: calcular “Ln(3)”, utilizando el método de interpolación
cuadrática, y conociendo que Ln(1)=0, Ln(2)=0.6931 y
Ln(5)=1.6094.
𝒙𝟎 = 𝟏 → 𝒇 𝒙𝟎 = 𝟎. 𝟎𝟎𝟎𝟎
𝒙𝟏 = 𝟐 → 𝒇 𝒙𝟏 = 𝟎. 𝟔𝟗𝟑𝟏
𝒙𝟐 = 𝟓 → 𝒇 𝒙𝟐 = 𝟏. 𝟔𝟎𝟗𝟒
Hallando, b0, b1 y b2.
b0 = 0.0000
b1 = (0.6931-0) / (2-1) = 0.6931
b2 = ((1.6094-0.6931)/(5-2)-(0.6931-0)/(2-1))/(5-1)= -0.0969

𝑓2 𝑥 = 0 + 0.6931 𝑥 − 1 − 0.0969(𝑥 − 1)(𝑥 − 2) = 1.1924

RPTA: 1.0986
2.1.- POLINOMIO DE NEWTON

MÉTODO DE DIFERENCIAS DIVIDIDAS

𝒇𝒏 𝒙 = 𝒃𝟎 + 𝒃𝟏 𝒙 − 𝒙𝟎 + ⋯ + 𝒃𝒏 𝒙 − 𝒙𝟎 𝒙 − 𝒙𝟏 … (𝒙 − 𝒙𝒏−𝟏 )

𝒇 𝒙𝒊 − 𝒇(𝒙𝒋 ) 𝒇[𝒙𝒊 , 𝒙𝒋 ] − 𝒇[𝒙𝒋 , 𝒙𝒌 ]


𝒇[𝒙𝒊 , 𝒙𝒋 ] = 𝒇[𝒙𝒊 , 𝒙𝒋 , 𝒙𝒌 ] =
𝒙𝒊 − 𝒙𝒋 𝒙𝒊 − 𝒙𝒌
2.1.- POLINOMIO DE NEWTON

EJEMPLO:
Hallar el polinomio que interpola los siguientes datos:

Solución:
3ra Columna: 4ta Columna: 5ta Columna

3.5−4 0.5−(−0.5) 0.1−(0.5)


= −0.5 = 0.5 = - 0.1
2−1 3−1 5−1

4−3.5 0.8−(0.5)
= 0.5 = 0.1
3−2 5−2

5.6−4
= 0.8
5−3
2.1.- POLINOMIO DE NEWTON

EJEMPLO:
Como se calcularon 03 nuevas columnas
(4 muestras), el Polinomio es de Grado 03.

f(x) = 4 – 0.5(x-1) + 0.5(x-1)(x-2) - 0.1(x-1)(x-2)(x-3)

Resultando:
𝒇 𝒙 = −𝟎. 𝟏𝒙𝟑 + 𝟏. 𝟏𝒙𝟐 − 𝟑. 𝟏𝒙 + 𝟔. 𝟏
𝒇 𝟏 =𝟒
𝒇 𝟐 = 𝟑. 𝟓
𝒇 𝟑 =𝟒

𝒇 𝟒 = 𝟒. 𝟗
𝒇 𝟓 = 𝟓. 𝟔
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE
Interpolación por Polinomios de orden elevado:
Polinomios de “n-ésimo grado” para interpolar “n+1” puntos.
Desventaja: error de redondeo y puntos lejanos.

Interpolación por Polinomios de orden reducido:


Polinomios de “menor orden” para interpolar subconjuntos de datos: SPLINES
o TRAZADORES.
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

TRAZADORES LINEALES:
Trazadores de 1er Grado para un grupo de datos ordenados, se
define como un conjunto de funciones lineales.

𝒇 𝒙 = 𝒇 𝒙𝟎 + 𝒎𝟎 𝒙 − 𝒙𝟎 , 𝒙𝟎 ≤ 𝒙 ≤ 𝒙𝟏
𝒇 𝒙 = 𝒇 𝒙𝟏 + 𝒎𝟏 𝒙 − 𝒙𝟏 , 𝒙𝟏 ≤ 𝒙 ≤ 𝒙𝟐
...
𝒇 𝒙 = 𝒇 𝒙𝒏−𝟏 + 𝒎𝒏−𝟏 𝒙 − 𝒙𝒏−𝟏 𝒙𝒏−𝟏 ≤ 𝒙 ≤ 𝒙𝒏

Donde “mi” es la pendiente de la línea recta que une los puntos.

𝒇(𝒙𝒊+𝟏 ) − 𝒇(𝒙𝒊 )
𝒎𝒊 =
𝒙𝒊+𝟏 − 𝒙𝒊
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

EJEMPLO:
Ajustar con Trazadores de Primer Grado. Luego, evaluar x = 5.
X F(x)
1 − 2.5
3.0 2.5 𝑚1 = = −1.00
4.5 − 3
4.5 1.0 2.5 − 1
𝑚2 = = 0.60
7 − 4.5
7.0 2.5
0.5 − 2.5
𝑚3 = = −1.00
9.0 0.5 9−7

Ecuación de la recta:
f ( 5 ) = 1.3
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

TRAZADORES CUADRÁTICOS:
Para que las derivadas m-ésimas sean continuas en los nodos, se
debe emplear un SPLINE por lo menos de grado “m+1”.

* Primera derivada: Siempre es continua en los nodos.


* Segunda derivada: No siempre es continua en los nodos.
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

Procedimiento:
1). Para “n+1” datos ( i = 0, 1, 2, …, n)  “n” intervalos.
2). Por lo tanto, son “3xn” incógnitas y se requiere de “3xn”
ecuaciones o condiciones.
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

3). Los valores de la función de polinomios adyacentes deben


ser iguales en los nodos interiores. Para i = 2, 3, …, n.

c/u: “n-1” condiciones

4). La primera y la última función pasan por los puntos


extremos.

02 condiciones
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

5). Las primeras derivadas en los nodos interiores son iguales

n-1 condiciones

6). Suponemos que en el 1er punto la segunda derivada = 0.

1 condición

Entonces, los dos primeros puntos se unirán con una línea


recta.
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

EJEMPLO:
Ajustar con Trazadores de Segundo Grado. Luego, evaluar x = 5.

Se cuenta con 4 datos y n = 3 intervalos.


Entonces, 3 x (3 ) = 9 incógnitas.

X F(x)
3.0 2.5
4.5 1.0
7.0 2.5
9.0 0.5
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

CONTINUACIÓN DEL EJEMPLO:


Del (Paso 3), se llega a: 2 x 3 – 2 = 4 condiciones.

Evaluando la primera y la última función con los valores inicial y


final, se agregan dos ecuaciones más (Paso 4):
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

CONTINUACIÓN DEL EJEMPLO:


La continuidad de las derivadas crea adicionalmente de 3 -1 = 2
condiciones (Paso 5).

Y, del (Paso 6), consideramos que:

Por lo tanto, el problema se reduce a la solución de 8 ecuaciones


simultáneas.
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

CONTINUACIÓN DEL EJEMPLO:


Luego, estos 9 coeficientes son reemplazados en las ecuaciones
cuadráticas originales, obteniéndose lo siguiente por cada intervalo.

Finalmente, se evalúa para x = 5, en la segunda expresión:


2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE
2.2.- INTERPOLACIÓN SEGMENTARIA: SPLINE

TRAZADORES CÚBICOS:
Para que las derivadas m-ésimas sean continuas en los nodos, se
debe emplear un SPLINE por lo menos de grado “m+1”.

* Primera derivada: Siempre es continua en los nodos.


* Segunda derivada: No siempre es continua en los nodos.