UNIVERSIDAD DEL MAGDALENA

FACULTAD DE INGENIERÍA
ANÁLISIS NUMÉRICO
INTERPOLACIÓN POINIOMIAL
Mg. Alvaro Espinosa Pérez

INTRODUCCIÓN
Los orígenes de la interpolación los podemos encontrar en los intentos de obtener, a partir de las tablas de
valores publicadas para las funciones tradicionales como las raíces cuadradas o las trigonométricas, otros
valores para argumentos que no aparecían en las tablas. La aparición de los computadores ha hecho que esta
necesidad desaparezca prácticamente. De todas formas, la interpolación sigue teniendo un papel central en el
análisis numérico debido a su papel de representar una tabla de valores en términos de una función y viceversa.

El objetivo de este capítulo es estudiar cómo puede aproximarse una función por polinomios. Una forma de
hacer esto es construir los polinomios de manera que coincidan con la función dada en algunos puntos
predeterminados, lo que recibe el nombre de interpolación polinomial.

TEOREMA: (Teorema de aproximación de Weierstrass): Suponga que 𝑓 esta definida y es continua en [𝑎, 𝑏].
Para cada ∈> 0 existe un polinomio 𝑃(𝑥), con la propiedad de que:
|𝑓(𝑥) − 𝑃(𝑥)| < ∈ Para todo 𝑥 en [𝑎, 𝑏]

Una razón importante para considerar la clase de polinomios en la aproximación de

funciones es que la derivada y la integral indefinida de un polinomio son fáciles de
determinar y también son polinomios. Por esta razón, a menudo se usan polinomios
para aproximar funciones continuas.

DEFINICIÓN: Dados 𝑛 + 1 puntos distintos 𝑎 ≤ 𝑥1 ≤ 𝑥2 ≤ ⋯ ≤ 𝑥𝑛−1 ≤ 𝑏 de un intervalo [𝑎, 𝑏], llamados

nodos de la interpolación, y 𝑛 + 1 números reales 𝑦0, 𝑦1, 𝑦2, ⋯ , 𝑦𝑛−1 , 𝑦𝑛 llamados valores de la interpolación,
la interpolación trata de encontrar una función 𝑓 de grado ≤ 𝑛 tal que 𝑓(𝑥𝑖 ) = 𝑦𝑖 para 𝑖 = 0,1. 2, … , 𝑛.

La interpolación es el proceso de determinar una función que represente exactamente una colección de datos.
El tipo más elemental de interpolación, consiste en ajustar un polinomio a una colección de puntos dados.

TEOREMA: Dados 𝑛 + 1 puntos (𝑥0 , 𝑦0 ), (𝑥1 , 𝑦2 ), , . . . , (𝑥𝑛 , 𝑦𝑛 ), con 𝑥𝑖 ≠ 𝑥𝑗 si 𝑖  𝑗; existe un único polinomio
𝑃𝑛 (𝑥) de grado  𝑛 tal que 𝑃(𝑥𝑖 ) = 𝑦𝑖 , para 𝑖 = 0, 1, . . . , 𝑛

A continuación se describe la construcción de polinomios de interpolación a partir de una colección de puntos

por donde la gráfica debe pasar. La diferencia entre una u otra, radica en la forma de expresar dicho polinomio,
dado que el polinomio de interpolación es único

POLINOMIO DE TAYLOR
Nos detendremos especialmente en el teorema de Taylor, justificando la introducción del polinomio de Taylor
como la mejor aproximación lineal, cuadrática, y en general polinómica de una función en un punto. Haremos
ver qué consecuencias teóricas de aproximar el valor de algunas funciones acotando el error cometido.

TEOREMA DE TAYLOR: Supongamos que 𝑓 ∈ 𝐶 𝑛 [𝑎, 𝑏], que 𝑓 (𝑛+1) existe en [𝑎, 𝑏]. Para cada 𝑥[𝑎, 𝑏],
existe un número (x) entre 𝑥0 y 𝑥 tal que:

𝑓(𝑥) = 𝑃𝑛 (𝑥) + 𝑅𝑛 (𝑥)

Donde:
𝑛
𝑓′′(𝑥0 ) 𝑓 (𝑛) (𝑥0 ) 𝑓 (𝑘) (𝑥0 )
𝑃𝑛 (𝑥) = 𝑓 (𝑥0 ) + 𝑓`′(𝑥0 )(𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2 + ⋯ + (𝑥 − 𝑥 0 )𝑛 = ∑ (𝑥 − 𝑥 0 )𝑘
2! 𝑛! 𝑘!
𝑘=0
Y
𝑓 (𝑛+1) ((𝑥 ))
𝑅𝑛 (𝑥) = | | (𝑥 − 𝑥0 )𝑛+1 3.1.
(𝑛 + 1)!

Tenemos entonces que Pn (x) se llama el n-ésimo polinomio de Taylor para 𝑓 respecto a x0 , y 𝑅𝑛 (𝑥) se llama
el término del residuo o error de truncamiento asociado a Pn (x).

La serie infinita al tomar el límite de 𝑃𝑛 (𝑥) cuando 𝑛  ∞ es la serie de Taylor para f en torno a 𝑥0 . Si
𝑥0 = 0 el polinomio de Taylor se le llama polinomio de M’Claurin.

Ejemplo: Determine el polinomio de Taylor de segundo grado para aproximar 𝑓(𝑥) = 𝑐𝑜𝑠(𝑥) si 𝑥 = 0.01,
en torno a 𝑥 0 = 0.
Solución: Se tiene que f es continua para todo 𝑥 ∈ 𝑅, el teorema de Taylor se aplica para cualquier para 𝑛  0,

𝑓(𝑥) = 𝑐𝑜𝑠 𝑥 ⇒ 𝑓(0) = 1

𝑓’(𝑥) = −𝑠𝑒𝑛𝑥 ⇒ 𝑓’(0) = 0
𝑓’’(𝑥) = − 𝑐𝑜𝑠𝑥 ⇒ 𝑓’’ (0) = −1
Luego.
f k ( x0 )
 x  x0 k
2
𝑃2 (𝑥) =
k 0 k!
𝑓´´(𝑥0 )
𝑃2 (𝑥) = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2
2!
𝑥2 𝑥 2
𝑃2 (𝑥) = 1 + 0 − = 1−
2 2
Al remplazar 𝑥 = 0.01 tenemos:
(0,001)2
𝑃3 (0.01) = 1 − = 0,99995
2
Y como 𝐶𝑜𝑠(0.01) = 0.999999984, es una aproximación aceptable. Calculemos el error o residuo:
( n1)
( ( x))
R (x) = f n
( n1)
( x  x0 )
(n  1)!

𝑓 (′′′) (𝑥0 ) = sen(x)

𝑓 (′′′) (𝜉(𝑥)) = sen(𝜉(𝑥))

sen( ( x)) 3 x 3
R3 ( x)  x  sen( ( x))
3! 6

Como: 𝑥0 < 𝜀 (𝑥) < 𝑥 entonces tenemos que 0 < 𝜀(𝑥) < 0.01, entonces:

𝑥3 (0,01)3
𝑅2 (𝑥) = | 𝑠𝑒𝑛(𝜉(𝑥))| < | 𝑠𝑒𝑛(0,01)| = 1,66 𝑥 10−9
6 6

EL POLIONOMIO DE LAGRANGE
Lagrange (1736-1813) fue uno de los más grandes matemáticos de su tiempo, descubrió que se puede
encontrar un polinomio interpolante de grado menor o igual que n, que sea combinación lineal de los valores
de los 𝑛 + 1 puntos en la función. Lagrange calculó el único polinomio interpolante de manera explícita.
Presentamos ahora una método para calcular el polinomio interpolador 𝑃𝑛 (𝑥) asociado a una tabla de datos
(𝑥𝑖 , 𝑓𝑖 ) con 𝑖 = 0, 1, . . . , 𝑛. Este método, el método de Lagrange, es el más explícito, aunque no el más
eficaz por lo que se refiere al número de operaciones requeridas.

DEFINICIÓN: El método consiste en construir el polinomio interpolador de grado 𝑛 que pasa por 𝑛 + 1 puntos
(𝑥𝑖 , 𝑦𝑖 ) que tiene la forma:
𝑛

𝑃𝑛 (𝑥) = ∑ 𝑓(𝑥𝑘 )𝐿𝑛,𝑘 (𝑥)

𝑘=0
Donde 𝐿𝑛,𝑘 (𝑥) es el polinomio de Lagrange para los nodos 𝑥0 , 𝑥1 , ⋯ , 𝑥𝑛 definido por:
𝑛
(𝑥 − 𝑥𝑗 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘−1 )(𝑥 − 𝑥𝑘+1 ) … (𝑥 − 𝑥𝑛 )
𝐿𝑛,𝑘 (𝑥) = ∏ =
(𝑥𝑘 − 𝑥𝑗 ) (𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘−1 )(𝑥𝑘 − 𝑥𝑘+1 ) … (𝑥𝑘 − 𝑥𝑛 )
𝑗=0,𝑗≠𝑘

Esta formulación tiene la desventaja de que, si se desea agregar un punto extra al conjunto de puntos, se deben
volver a realizar todos los cálculos para la obtención del polinomio.

Un cálculo sencillo permite demostrar que, para cada 𝑘 fijo, 𝐿𝑛,𝑘 (𝑥)cumple que:

𝐿𝑛,𝑘 (𝑥𝑗 ) = 1 𝑠𝑖 𝑗 = 𝑘
𝐿𝑛,𝑘 (𝑥𝑗 ) = 0 𝑠𝑖 𝑗 ≠ 𝑘
El error 𝐸𝑛 (𝑥) está dado por la fórmula:

𝑓 (𝑛+1) ((𝑥 ))
𝐸𝑛 (𝑥) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛 )
(𝑛 + 1)!

Donde el número 𝜉(𝑥) ∈ 𝑥0 , 𝑥1 , ⋯ , 𝑥𝑛 , su valor en cualquier otro punto es desconocido. Es importante notar
que cuanto más lejos de 𝑥 se toma un valor, mayor será su error.

El método de Lagrange permite construir fácilmente de forma explícita, el polinomio interpolador. Dos de las
interpolaciones más utilizados son las interpolaciones lineal y parabólica.

Ejemplos:
1. Sea 𝑓(𝑥) = 𝑒 𝑥 , 0  𝑥  2. Calcule 𝑃𝑛 (𝑥) con ayuda del polinomio de Lagrange con 𝑥0 = 0,
𝑥 = 1, y 𝑥2 = 2
Solución: Consideremos los nodos: 𝑥0 = 0, 𝑥1 = 1, y 𝑥2 = 2.
Hallemos los polinomios de Lagrange de segundo grado para este caso
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝐿 0 (𝑥 ) =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 )
𝐿1 (𝑥 ) =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝐿 2 (𝑥 ) =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Luego:
(𝑥−1)(𝑥−2) 1
𝐿0 (𝑥) = = (𝑥 2 − 3𝑥 + 2)
(0−1)(0−2) 2
(𝑥−0)(𝑥−2)
𝐿1 (𝑥) = = −(𝑥 2 − 2𝑥)
(1−0)(1−2)
(𝑥−0)(𝑥−1) 1
𝐿2 (𝑥) = = (𝑥 2 − 𝑥)
(2−0)(2−1) 2
 Luego el polinomio de Lagrange es:
𝑃2 (𝑥) = 𝑓(𝑥0 )𝐿0 (𝑥) + 𝑓(𝑥1 )𝐿1 (𝑥) + 𝑓(𝑥2 )𝐿2
Entonces:
1 1
𝑃2 (𝑥 ) = [ (𝑥 2 − 3𝑥 + 2)] 𝑒 0 + [−(𝑥 2 − 2𝑥)]𝑒 1 + [ (𝑥 2 − 𝑥)] 𝑒 2
2 2
Ahora, si 𝑥 = 1,5
1 1
𝑃2 (1,5) = [ (1,52 − 3(1,5) + 2)] 𝑒 0 + [−(1,52 − 2(1,5))]𝑒 1 + [ (1,52 − 1,5)] 𝑒 2
2 2
𝑃2 (1,5) ≈ 4,6846
Calculemos su cota de error:
𝑓 ′′′ ((𝑥 ))
𝐸2 (𝑥 ) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
3!
𝑓(𝑥) = 𝑒 𝑥 ⟹ 𝑓`(𝑥) = 𝑒 𝑥 , 𝑓 ′′ (𝑥) = 𝑒 𝑥 𝑦 𝑓′′′(𝑥) = 𝑒 𝑥
En consecuencia, el segundo polinomio de Lagrange tiene el error de la forma:
𝑒 (𝜉(𝑥))
𝐸2 (𝑥 ) = (𝑥 − 0)(𝑥 − 1)(𝑥 − 2)
3!
El valor máximo de 𝑒 (𝜉(𝑥))) en el intervalo es 𝑒 2 , entonces:
𝑒2
|𝐸2 (𝑥 )| ≤ | (1,5 − 0)(1,5 − 1)(1,5 − 2)| ≈ 0.4618
3!
2. Use un polinomio interpolante de Lagrange de grado 3 para aproximar 𝑓(1.5), considerando los datos
en la siguiente tabla:
x f(x)
1,0 0,7651977
1,3 0,6200860
1,6 0,4554022
1,9 0,2818186
Solución: Sean los nodos 𝑥0 = 1.0, 𝑥1 = 1.3, 𝑥2 = 1.6 y 𝑥3 = 1.9. Consideraremos un polinomio
de Lagrange de grado tres. Entonces:

L0 x  
x  1.3x  1.6x  1.9  ( x 2  2.9 x  2.08)x  1.9  1 ( x 3  4.8x 2  7.59 x  3.932)
1  1.31  1.61  1.9  0.162  0.162

L1 x  
x  1.0x  1.6x  1.9  ( x 2  2.6 x  1.6)x  1.9  1 ( x 3  4.5x 2  6.54 x  3.04)
1.3  1.01.3  1.61.3  1.9 0.054 0.054

L2 x  
x  1.0x  1.3x  1.9  ( x 2  2.3x  1.3)x  1.9  1 ( x 3  4.2 x 2  5.67x  2.47)
1.6  1.01.6  1.31.6  1.9  0.054  0.054

L3 x  
x  1.0x  1.3x  1.6  ( x 2  2.3x  1.3)x  1.6  1 ( x 3  3.9 x 2  4.98x  2.08)
1.9  1.01.9  1.31.9  1.6 0.081 0.081

Como el polinomio de Lagrange tiene la forma:

𝑃(𝑥) = 𝑓(𝑥0 )𝐿0 (𝑥) + 𝑓(𝑥1 )𝐿1 (𝑥) + 𝑓(𝑥2 )𝐿2 (𝑥) + 𝑓(𝑥3 )𝐿3 (𝑥)
Entonces:
𝑃3 (𝑥) = (0.7651977)[ 1 1
( x 3  4.8 x 2  7.59 x  3.932) ] + (0.6200860)[ ( x 3  4.5 x 2  6.54 x  3.04) ]
 0.162 0.054
+ (0.4554022)[ 1 ]
( x3  4.2 x 2  5.67 x  2.47)
 0.054
+ (0.2818186)[ 1
( x3  3.9 x 2  4.98 x  2.08) ]
0.081
APROXIMACIÓN POLINOMINAL DE NEWTON
La manera más conocida para calcular la representación de Newton del polinomio interpolante, está basada en
el método de diferencias divididas. Una gran ventaja sobre la forma clásica del método de Lagrange es que
podemos agregar más nodos a la tabla de datos y obtener el polinomio interpolante sin tener que recalcular
todo. Aun más, el método de diferencias divididas tiene aplicaciones adicionales en otros contextos.

El método de Newton de diferencias divididas es otra forma de obtener el polinomio interpolador. Por inducción
se puede establecer que, en general, para un polinomio de grado 𝑛, el polinomio interpolador de Newton se
escribe de la forma:
𝑃𝑛 (𝑥) = 𝑎0 + (𝑥 − 𝑥0 )𝑎1 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑎2 +··· +(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) ··· (𝑥 − 𝑥𝑛−1 )𝑎𝑛

y el algoritmo proporciona una regla para obtener los coeficientes 𝑎0 , 𝑎1 , … , 𝑎𝑛 . Imponiendo que el polinomio
interpolador pase por los puntos de interpolación, obtenemos:

𝑎0 = 𝑓[𝑥0 ]
𝑎1 = 𝑓[𝑥0 , 𝑥1 ]
𝑎2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ]
⋮
𝑎𝑛 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 ]

De estas ecuaciones, es obvio que a0 depende sólo de x0, a1 de x0 y x1 y así sucesivamente. Introducimos la
nueva notación 𝑎0 = 𝑓[𝑥0 ], 𝑎1 = 𝑓[𝑥0 , 𝑥1 ], y así sucesivamente, con 𝑓[𝑥0 ] = 𝑓 (𝑥0 ), como se ve de la
primera ecuación.

Restando las dos primeras ecuaciones (primera diferencia) obtenemos:

𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑎1 = 𝑓 [𝑥0 , 𝑥1 ] =
𝑥1 − 𝑥0

Restando la segunda y la tercera ecuación obtenemos:

𝑓(𝑥2 ) − 𝑓(𝑥1 ) − 𝑓[𝑥0 , 𝑥1 ](𝑥2 − 𝑥1 )

𝑎2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ]
𝑎2 =
𝑥2 − 𝑥0
Podemos proceder de igual modo para demostrar que la n-ésima diferencia dividida es:

𝑓[𝑥1 , … , 𝑥𝑛 ] − 𝑓[𝑥0 , … , 𝑥𝑛−1 ]

𝑎𝑛 = 𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 ] =
𝑥𝑛 − 𝑥0

Estas diferencias se usan para evaluar los coeficientes de la ecuación, los cuales se sustituyen en la ecuación,
para obtener el polinomio de interpolación:
𝑛 𝑖−1

𝑃𝑛 (𝑥) = ∑ 𝑎𝑖 ∏(𝑥 − 𝑥𝑗 )
𝑖=1 𝑗=0

Al cual se le llama Polinomio de Interpolación con Diferencias Divididas de Newton.

El método de Newton es especialmente indicado en el caso de que deseemos realizar muchas evaluaciones
del polinomio interpolador, ya que da el polinomio preparado para ser evaluado por el algoritmo de Horner. Otro
aspecto particularmente conveniente es que, si deseamos aumentar el orden del polinomio interpolador, los
coeficientes 𝑎𝑘 ya calculados permanecen inalterados, es decir, no destruimos el trabajo ya realizado cuando
deseamos aumentar el orden del polinomio interpolador. Se dice en este caso que los coeficientes 𝑎𝑘 tienen la
propiedad de permanencia.

El método de Newton permite obtener los coeficientes del polinomio interpolador fácilmente en forma de tabla,
Los valores ubicados sobre la diagonal de la tabla son los coeficientes del polinomio de Newton.

Si los datos son copiados en diferente orden, los valores de la tabla cambiaran, pero el polinomio resultante
será el mismo. Recordar que el polinomio de grado n − 1 que interpola n puntos distintos es único.

Damos a continuación la tabla para el caso de 4 puntos:

CUADRO DE DIFERENCIAS DIVIDIDAS

Ejemplos:
1. Elabore una aproximación polinomial de Newton para la información tabular de las presiones de vapor
de la acetona e interpole la temperatura para una presión de 2 atm.

Puntos 0 1 2 3
T(°C) 56,5 113,0 181,0 214,5
P(atm) 1 5 20 40

Solución: Si tomamos 𝑛 = 3 nodos tenemos lo siguiente: 𝑥0 = 1, 𝑥1 = 5 𝑦 𝑥2 = 20

Para el cálculo de los coeficientes del polinomio de Newton, se construye la tabla de diferencias divididas
de la siguiente manera:
𝑎0 = 𝑓(𝑥0 )

𝑓(𝑥1 ) − 𝑓(𝑥0 ) 113 − 56.5

𝑎1 = 𝑓[𝑥0 , 𝑥1 ] = = = 14,125
𝑥1 − 𝑥0 5−1
⋮
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] −0,08167 − (−0,50482)
𝑎𝑛 = = = 0,01085
𝑥3 − 𝑥0 40 − 1
Y así formamos la tabla:
 Que sustituidas generan el polinomio de aproximación:

𝑃𝑛 (𝑥) = 𝑎0 + (𝑥 − 𝑥0 )𝑎1 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑎2 +··· +(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )𝑎3

𝑃3 (𝑥 ) = 56.5 + 14. 125(𝑥 − 1) − 0.50482(𝑥 − 1)(𝑥 − 5) + 0.01085(𝑥 − 1)(𝑥 − 5)(𝑥 − 20)
Ahora si 𝑥 = 2, entonces:
𝑃3 (2) = 56.5 + 14.125(2 − 1) − 0.50482(2 − 1)(2 − 5) + 0.01085(2 − 1)(2 − 5)(2 − 20)
𝑃3 (2) = 70.7 °𝐶
Luego una aproximación polinomial de Newton para la información tabular de las presiones de vapor de la
acetona para una presión de 2 atm es de 70,7 °C.
2. Considere la siguiente tabla:

𝒙 1.0 1.3 1.6 1.9 2.2

𝒇(𝒙) 0.7651977 0.6200860 0.4554022 0.2818186 0.1103623

Halle el polinomio interpolante de Newton de grado 4.

Solución: Los coeficientes del polinomio interpolante de Newton están a lo largo de la diagonal de la tabla
de diferencias divididas:

Luego el polinomio es:

𝑃4 (𝑥) = 0,7651977 − 0,4837057(𝑥 − 1,0) − 0,1087339(𝑥 − 1,0)(𝑥 − 1,3)
+ 0,0658784(𝑥 − 1,0)(𝑥 − 1,3)(𝑥 − 1,6)
+ 0,0018251(𝑥 − 1,0)(𝑥 − 1,3)(𝑥 − 1,6)(𝑥 − 1,9)

Si queremos evaluar 𝑓(1,5) tenemos:

𝑓(1,5) = 0,5118200

El error al interpolar se puede expresarse en términos de derivadas de 𝑓 cuando es suficientemente suave.

TEOREMA: Sea 𝑓 una función de clase 𝐶 𝑛+1 [𝑎, 𝑏], y sea 𝑃𝑛 un polinomio de grado menor o igual que n que
interpola a la función 𝑓 en los siguientes 𝑛 + 1 puntos {𝑥0 , 𝑥1 , . . . , 𝑥𝑛 } ⊂ [𝑎, 𝑏] distintos dos a dos.
Entonces, para cualquier 𝑥 ∈ [𝑎, 𝑏], existe un punto 𝜉(𝑥) ∈ (𝑎, 𝑏) tal que:
𝑛
𝑓 (𝑛+1) (𝜉(𝑥))
|𝑓(𝑥) − 𝑃𝑛 (𝑥) | = ∏(𝑥 − 𝑥𝑖 )
(𝑛 + 1)!
𝑖=0
En particular, si 𝑥 no es uno de los nodos 𝑥𝑖 ; 𝑖 = 0,1, … , 𝑛; el error al interpolar también puede escribirse
así:
𝑛

|𝑓(𝑥) − 𝑃𝑛 (𝑥) | = 𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ] ∏(𝑥 − 𝑥𝑖 )

𝑖=0