AJUSTE DE CURVAS E

INTERPOLACION
METODOS NUMERICOS
UNIDAD 4

ALUMNO: GUSTAVO EDUARDO ARCE LOPEZ

PROFESOR: MIGUEL ANGEL SEGOVIA SOTO
 INTERPOLACION
• La interpolación resolverá el problemas de hallar la expresión
analítica de una función g(x) que sirva para aproximar a
otra función f(x) para x en algún intervalo [a, b]. Problemas como este
aparecen en la teoría y en la práctica con gran frecuencia a veces
porque no se conoce una expresión analítica para la función f(x), sino
valores aislados f(x1), f(x2), ..., f( xn ) de la misma y se necesita
disponer de una expresión analítica que permita, aunque sea de
manera aproximada, poder evaluar la función en otros valores de x;
en otras ocasiones el algoritmo algebraico para calcular f(x), aunque
se conoce, resulta tan complicado que se prefiere hallar una función
g(x) de una clase más simple y utilizarla en lugar de f(x), aun
sabiendo que se está incurriendo en un error.
 INTERPOLACION LINEAL
• Cuando las variaciones de la función son proporcionales (o casi
proporcionales) a los de la variable independiente se puede admitir que
dicha función es lineal y usar para estimar los valores la interpolación
lineal…

• Sean dos puntos (xo, yo), (x1, y1), la interpolación lineal consiste en hallar una
estimación del valor y, para un valor x tal que x0<x<x1. 
 INTERPOLACION CUADRATICA

• Cuando el polinomio que conviene es de 2º grado la interpolación recibe el nombre de

cuadrática. El polinomio interpolador es único, luego como se encuentre da igual., sin
embargo, a veces los cálculos son muy laboriosos y es preferible utilizar un método que
otro. A la vista de los datos se decide.
• También podemos utilizar la expresión del polinomio interpolador así:
• y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la búsqueda de los coeficientes es muy sencilla.
• Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios
interpoladores de grado n Para el caso de un polinomio de 2º grado que pasa por los
puntos (x0, y0 ), (x1, y1), (x2, y2):
• Que es la fórmula de Lagrange para n=2.
• Con frecuencia se tienen que estimar valores intermedios entre valores
conocidos. El método mas común empleado para este propósito es
la interpolación polinomial.
• Recuérdese que la fórmula general de un polinomio de n- ésimo orden
es:
 POLINOMIOS DE INTERPOLACION
• DIFERENCIAS DIVIDIDAS DE NEWTON
Interpolación significa estimar el valor desconocido de una función en un
punto, tomando una medida ponderada de sus valores conocidos en puntos
cercanos al dado. En la interpolación lineal se utiliza un segmento rectilíneo
que pasa por dos puntos que se conocen. La pendiente de la recta que
pasa por dos puntos (x0,y0) y (x1,y1) viene dada por m = (y1-y0) /(x1-x0), y
la ecuación de la misma es:
 DIFERENCIAS DIVIDIDAS DE LAGRANJE
• El matemático francés Joseph Louis Lagrange llego a este mismo
polinomio usando un método ligeramente distinto. Si escribimos:

• Entonces cada uno de los sumandos del miembro derecho de esta

relación es un termino lineal, por lo que su suma será un polinomio de
grado menor o igual que uno. Denotemos los cocientes
• Un sencillo calculo muestra que L1,0(x0) = 1, L1,0(x1) = 0, L1,1(x0) = 0 y
L1,1(x1) = 1; es decir, el polinomio P1(x) también pasa por los dos puntos
dados:

• Los términos L1,0(x) y L1,1(x) definidos anteriormente se llaman

polinomios coeficientes de Lagrange para los nodos x0 y x1. Usando esta
notación, podemos escribir P1(x) como una suma
• Cuando las ordenadas yk vienen dadas por yk = f( xk ), el proceso de
utilizar P1(x) para aproximar f(x) en el intervalo [x0,x1] se conoce con el
nombre de interpolación lineal.

• Generalizando el polinomio PN(x) de grado menor o igual que N que pasa

por N+1 puntos (x0,y0), (x1,y1), ..., (xN,yN) viene dado por:

• Donde LN,k es el polinomio coeficiente de Lagrange para los nodos x0,

x1, ..., xN definido por:
• Que multiplica a yk en el sumatorio y se ha de anular en todos los nodos
excepto en xk donde toma el valor 1:

Resulta cómodo introducir la notación compacta para el producto y escribir:

 REGRESIÓN POR MÍNIMOS CUADRADOS
REGRECION LINEAL
• Observamos o suponemos una tendencia lineal entre las variables y nos
preguntamos sobre cuál es la mejor recta:
 y(x) = a x + b
 Que representa este caso de interés. Es útil definir la función:
• Que es una medida de la desviación total de los valores
observados yi respecto de los predichos por el modelo lineal a x + b. Los
mejores valores de la pendiente a y la ordenada al origen b son aquellos que
minimizan esta desviación total, o sea, son los valores que remplazados en la
Ec.(1) minimizan la función. Ec.(2). Los parámetros a y b pueden obtenerse
usando técnicas matemáticas que hacen uso del cálculo diferencial.
Aplicando estas técnicas, el problema de minimización se reduce al de
resolver el par de ecuaciones:
• Actualmente, la mayoría de los programas de análisis de datos y planillas de
cálculo, realizan el proceso de minimización en forma automática y dan los
resultados de los mejores valores de a y b, o sea los valores indicados por las
ecuaciones.

Gráfico de datos asociados a un modelo lineal. La cantidad yi - y(xi)

representa la desviación de cada observación de yi respecto del valor predicho por
el modelo y(x).
El criterio de mínimos cuadrados reemplaza el juicio personal de quien mire los
gráficos y defina cuál es la mejor recta. En los programas como Excel, se realiza
usando la herramienta “regresión lineal” o “ajuste lineal”. Los resultados se aplican en
el caso lineal cuando todos los datos de la variable dependiente tienen la misma
incertidumbre absoluta y la incertidumbre de la variable independiente se considera
despreciable.
 REGRESION CUADRATICA
• La regresión mínimo-cuadrática puede plantearse de forma que la
función de ajuste se busca no sea una función lineal. El
planteamiento general sería similar, aunque obviamente habría que
minimizar el cuadrado de los residuos entre los datos originales y los
valor teóricos obtenibles a través de la función no-lineal considerada.

Regresión parabólica .Desarrollaremos someramente la regresión Y/X

y debe quedar claro que la regresión X/Y resultaría análoga.

Supongamos para simplificar que los datos no están agrupados por

frecuencias.
• En tal caso, obtener la función parabólica y* = a0+a1x+a2 x2 se llevará a cabo
determinado los valores de los tres parámetros a0,a1,a2 que minimicen :

•                             y (a0,a1,a2)=S (yi- (a0+a1x+a2 x2)) 2
• Igualando a cero las tres derivadas parciales se obtendrá las ecuaciones
normales, que convenientemente manipuladas acaban siendo:

• Sistema de ecuaciones del que se pueden despejar los valores de los

coeficientes de regresión.