Unidad III

Análisis Numérico

INTERPOLACION
CON
REGRESION LINEAL

1
 Interpolación y Regresión
Interpolación. Si los valores tabulados yi = f(xi) se consideran libres de
errores o numéricamente exactos, es natural imponer una distancia
de fuga entre las funciones f y F: d(f, F) = 0. Esto equivale a construir
una función de modelo de una determinada clase de continuidad, que
toma los mismos valores en los nodos de datos xi que la función
modelada
f(x) : F(xi; a) = yi, i = 1, 2, . . . , n
Es la función modelo que satisface estas condiciones y se utiliza
normalmente para aproximar la función f(x) para los puntos interiores
del intervalo [x1, xn] y el procedimiento se denomina interpolación.
F(x; a) se denomina función de interpolación o interpolante, mientras
que los argumentos discretos xi también se conocen como nodos de
interpolación. Si los argumentos para los que se evalúa el interpolador
se encuentran fuera del intervalo de tabulación [x1, xn], el enfoque se
denomina extrapolación. 2
 Interpolación y Regresión
En términos geométricos, la interpolación implica encontrar la
curva y = F (x; a) que pasa a través de todos los puntos de datos
Mi(xi, yi) , ver figura (a).

3
 Interpolación y Regresión
Regresión.
Si los valores tabulados yi = f(xi) se originan a partir de las
observaciones, normalmente se ven afectados por errores de
medición, que normalmente se especifican como desviacion
estándar i (ver figura (b) anterior). En tales casos, cuanto menos
empíricas estén las consideraciones por las que se establece la
función de modelo F = F(x;a), mayor será la significancia
estadística de los parámetros del modelo obtenidos.
Teniendo en cuenta las imprecisiones inherentes de los datos
observados, no se espera realmente que la función del modelo
interpole los puntos en los datos, es decir, pasar rigurosamente a
través de ellos (aunque esto en principio suceda).

4
 Interpolacion y Regresión
La función de y = F(x:a) en el caso de la interpolación pasa
a través de los nodos tabulados en fig.(a) , mientras que en
el caso de la regresión, minimiza el comportamiento de la
función y pasa entre los nodos fig.(b). Para el mismo
conjunto de datos, la interpolación y las curvas de regresión
pueden ser significativamente diferentes.

5
 REGRESION LINEAL
• En bastantes situaciones prácticas, la
gráfica de las observaciones o el marco
teórico en el que se basa la recopilación
de datos sugiere una dependencia
funcional lineal de la función modelada
en la variable independiente :
F(x; a, b) = ax + b.

6
 REGRESION LINEAL
La regresión lineal esta basada en la
aproximación de mínimos cuadrados. El
parámetro a de la función de modelo representa
la pendiente de la recta de la regresión, mientras
que b corresponde con la intercepción con y .

7
 REGRESION LINEAL
La regresión lineal representa en realidad la aplicación
más simple de los conceptos generales relativos a la
adaptación de mínimos cuadrados de las funciones del
modelo a las dependencias tabuladas, que se han
presentados antes. Suponiendo que las incertidumbres
asociadas con los valores observados yi estén
disponibles, la calidad de la función del modelo
F(x; a, b) ajustada a los datos observados puede
cuantificarse mediante la función de mérito :

8
 REGRESION LINEAL
• tomando en este caso la forma:

• Por lo que el procedimiento se remonta a

la aproximación de los mínimos cuadrados
en función de la suma simple de
desviaciones cuadradas como una función
de mérito:

9
 REGRESION LINEAL
 
Esta opción suele ser útil en situaciones en las que se
desconoce la desviación estándar i , de los datos
observados. De todos modos, cabe señalar que el uso
comparativo de las dos funciones de mérito, y S,
pueden conducir a líneas de regresión bastante
diferentes. En el ejemplo que se muestra en la grafica
siguiente, la función de mérito S, que no hace uso de
los errores observacionales i y la asignación de
ponderaciones iguales a todos los datos observados,
produce una línea de regresión que no pasa a través
de todas las barras de error.
10
 REGRESION LINEAL
 
Por el contrario, aplicando la regresión y
teniendo en cuenta en aras de la simplicidad,
los errores i proporcionales a los valores
observados yi (una situación típica), el primer
punto de datos, con la menor imprecisión,
obliga a la línea de regresión a pasar también
a través de su barra de error.

11
 REGRESION LINEAL
Específicamente, las coordenadas de los
puntos de datos tabulados son (1, 0.8) ,
(2, 2.1), (3, 2.8), (4, 4.0) y (5, 4.4) y las
desviaciones estándar correspondientes se
generan simplemente como i = 0.15 yi .
Mediante el uso de la funcion S se obtienen
los parámetros de modelo a = 0.9100 y b =
0.0900, mientras que para la función de
mérito de 2, los valores son un resultado de
a = 0.9983 y b = -0.1681.
12
 REGRESION LINEAL
 Ejemplo de regresión lineal que evidencia la mejora
cualitativa del ajuste basada en la función de mérito de
euros en comparación con la suma simple de desviaciones
cuadradas S.

13
 Otro ejemplo de
REGRESION LINEAL

14