Unidad 5

Introducción3
5.1 Polinomio de interpolación de Newton...................................4
5.2 Polinomio de interpolación de Lagrange...............................9
5.3 Interpolación segmentada.....................................................11
5.4 Regresión y correlación.......................................................13
5.5 Mínimos cuadrados...............................................................14
Conclusión....................................................................................15
Bibliografía ……………………………………………………………16
2
Siguiendo la investigación realizada pude encontrar y apreciar que el método de
interpolación es un método científico lógico que consiste en suponer que el curso
de los acontecimientos continuará en el futuro, convirtiéndose en las reglas que
utilizamos para llegar a una nueva conclusión. Consiste en hallar un dato dentro
de un intervalo en el que conocemos los valores en los extremos. Utilizado para
buscar la solución a un problema (lógica) o de enseñar la misma (pedagogía), lo
que lo convierte en una herramienta muy utilizadas en el marco profesional y de
enseñanza.
Uno de estas formas de interpolación se denomina Polinomios de Interpolación de
Newton, que trabaja directamente en la tabla obtenida mediante el proceso de
Diferencias Divididas; En el desarrollo de estas diferencias finitas, se obtuvo en
primer lugar las diferencias finitas ordinarias y luego las diferencias finitas
divididas.
Interpolación polinomial de Newton
Hay ocasiones en las que resulta útil construir varios polinomios aproximados
P1(x), P2(x), ..., PN(x) y, después, elegir el más adecuado a nuestras
necesidades. Si usamos los polinomios de interpolación de Lagrange, uno de los
inconvenientes es que no se pueden utilizar los cálculos realizados en la
construcción de PN-1(x) para la de PN(x); cada polinomio debe construirse
individualmente y para calcular polinomios de grado elevado es necesario hacer
muchas operaciones. Vamos a seguir ahora un camino de construcción distinto,
en el cual los polinomios de interpolación, que se llamaron de Newton, se calculan
mediante un esquema recursivo:
El polinomio PN(x) se obtiene a partir de PN-1(x) usando la recurrencia:
El polinomio PN(x) calculado así es el polinomio de interpolación de Newton.
Cálculo del Polinomio de Interpolación de Newton

Supongamos que queremos encontrar los coeficientes al de todos los polinomios
P1(x), P2(x), ..., PN(x) que nos sirven para interpolar una función dada f(x).
Entonces cada Pk(x) es el polinomio de Newton que tiene como nodos x0, x1, ...,
xk. Para el polinomio P1(x), los coeficientes a0 y a1 tienen un significado familiar:
Es decir, a1 es la pendiente de la recta que pasa por los puntos (x0,f(x0)) y

(x1,f(x1)). Los coeficientes a0 y a1 son los mismos para P1(x) y P2(x). Para
continuar, ahora evaluamos la expresión en el nodo x2 y obtenemos:
Utilizando triángulos semejantes
Reordenando
El número de puntos considerados oscila entre dos y seis, y grados del polinomio
entre uno y cinco.
Si los datos proceden de un polinomio que tiene grado tres, el hecho queda claro
en los cálculos, ya que la tercera columna de la tabla de diferencias divididas será
constante, con todos sus elementos iguales, y por tanto, las columnas que siguen
son todas nulas. La última columna no nula decide por tanto el grado del polinomio
de interpolación.
Teorema. (Polinomio de Interpolación de
Newton).
Supongamos que x0, x1, ..., xN son N+1 números
distintos en [a,b]. Entonces existe un único polinomio
PN(x) de grado menor o igual que N tal que
La forma de Newton de este polinomio interpolador:
En este polinomio los nodos se han colocado en el orden

x0, x1, ..., xN.
Esta expresión permite estimar el error del polinomio de
Si se hubieran colocado los nodos en otro orden, por interpolación de grado N cuando no se conoce la función,
ejemplo, xN, xNñ1, ..., x1, x0, el polinomio obtenido siempre que sea posible añadir un nodo más y obtener la
habrÌa sido: diferencia dividida de orden N+1.
pero este polinomio tiene que coincidir con el anterior,

luego:
es decir, la diferencia dividida es independiente del orden en

que se tomen los nodos.
En resumen las diferencias divididas tienen las siguientes

propiedades:
1.- La diferencia dividida de orden K es el coeficiente de x k en

Pk(x).
2.- La diferencia dividida de cualquier orden es independiente

del orden en que se tomen los nodos.
3º.- La diferencia dividida de orden K se calcula

recursivamente a partir de dos diferencias divididas de orden
Kñ1.
5.4.3.- Relación entre la diferencia dividida de orden n y la

derivada enésima de f. Término de error.
7
Ejemplo
Estimar ln 2 mediante interpolación lineal si ln1 = 0 y ln 6 = 1.791759 y ln 4 = 1.386294
Valor real ln 2 = 0.6931472
Error relativo porcentual = 33.3%
8
En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-
Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la
forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto
más tarde por Leonhard Euler en 1783.
El polinomio de interpolación de Lagrange es simplemente una reformulación del
polinomio de Newton que evita el cálculo de las diferencias divididas.
Se trata de encontrar un polinomio de grado n que pase por los puntos (x0, f(x0)),
(x1, f(x1)), ... (xn, f(xn)), se construye un cociente Ln,k(xk) con la propiedad de que
Se requiere entonces que el numerador contenga
El denominador debe coincidir con el numerador cuando x = xk.

Teorema
N-Esimo polinomio interpolante de Lagrange

Si x0, x1, x2, ... xn, son n+1 números distintos y si f es
una función cuyos valores están dados en esos
números, entonces existe un polinomio de grado a lo
más n, con la propiedad de que
f(xk) = P(xk) para cada k = 0, 1, 2, ...n
Este polinomio está dado por:
Donde
El error en la interpolación de Lagrange

El error en la interpolación de Lagrange puede calcularse con:
La idea central es que, en vez de usar un solo polinomio para interpolar los datos,
podemos usar segmentos de polinomios y unirlos adecuadamente para formar
nuestra interpolación. Una función spline está formada por varios polinomios, cada
uno definido en un intervalo y que se unen entre sí bajo ciertas condiciones de
continuidad.
INTERPOLACION SEGMENTARIA LINEAL

En él, vamos a interpolar una función f(x) de la que se nos dan un número N de
pares (x,f(x)) por los que tendrá que pasar nuestra función polinómica P(x). Esta
serie de funciones nuestras van a ser lineales, esto es, con grado 1: de la forma
P(x) = ax + b.
Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un
total de (N-1) funciones, haciéndolas pasar obligatoriamente por los puntos que
van a determinarlas, es decir, la función P(x) será el conjunto de segmentos que
unen nodos consecutivos; es por ello que nuestra función será continua en dichos
puntos, pero no derivable en general.
INTERPOLACION SEGMENTARIA CUADRATICA

En este caso, los polinomios P(x) a través de los que construimos el Spline tienen
grado 2. Esto quiere decir, que va a tener la forma P(x) = ax² + bx + c
Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones
(donde N son los puntos sobre los que se define la función). La interpolación
cuadrática nos va a asegurar que la función que nosotros generemos a trozos con
los distintos P(x) va a ser continua, ya que para sacar las condiciones que ajusten
el polinomio, vamos a determinar cómo condiciones:
Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que las
dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada
uno de estos puntos.
Que la derivada en un punto siempre coincida para ambos "lados" de la función
definida a trozos que pasa por tal punto común. Esto sin embargo no es suficiente,
y necesitamos una condición más. Ya que tenemos 3 incógnitas por cada P(x). En
un caso sencillo con f(x) definida en tres puntos y dos ecuaciones P(x) para
aproximarla, vamos a tener seis incógnitas en total. Para resolver esto
necesitaríamos seis ecuaciones, pero vamos a tener tan sólo cinco: cuatro que
igualan el P(x) con el valor de f(x) en ese punto (dos por cada intervalo), y la
quinta al igualar la derivada en el punto común a las dos P(x).
Se necesita una sexta ecuación, ¿de dónde se extrae? Esto suele hacerse con el
valor de la derivada en algún punto, al que se fuerza uno de los P(x).
Interpolacon Segmentaria Cuadratica
Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones (donde N son
los puntos sobre los que se define la función). La interpolación cuadrática nos va a
asegurar que la función que nosotros generemos a trozos con los distintos P(x) va a ser
continua, ya que para sacar las condiciones que ajusten el polinomio, vamos a determinar
cómo condiciones:
Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que las dos
Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno de estos
puntos.
Que la derivada en un punto siempre coincida para ambos "lados" de la función
Para resolver esto necesitaríamos seis ecuaciones, pero vamos a tener tan sólo cinco:
cuatro que igualan el P(x) con el valor de f(x) en ese punto (dos por cada intervalo), y la
quinta al igualar la derivada en el punto común a las dos P(x).
Se necesita una sexta ecuación. Esto suele hacerse con el valor de la derivada en algún
punto, al que se fuerza uno de los P(x).
La regresión y la correlación son dos técnicas estrechamente relacionadas y
comprenden una forma de estimación. En forma más especifica el análisis de
correlación y regresión comprende el análisis de los datos muéstrales para saber
es y cómo se relacionan entre si dos o más variables en una población. El análisis
de correlación generalmente resulta útil para un trabajo de exploración cuando un
investigador o analista trata de determinar que variables son potenciales
importantes, el interés radica 5
El error total es la suma de todos los errores.
Tipos de modelos de regresión lineal
Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus

parámetros:
Regresión lineal simple Sólo se maneja una variable independiente, por lo que sólo
cuenta con dos parámetros. Si sabemos que existe una relación entre una variable
denominada dependiente y otras denominadas independientes como por ejemplo
las existentes entre: la experiencia profesional de los trabajadores y sus
respectivos sueldos, las estaturas y pesos de personas, la producción agraria y la
cantidad de fertilizantes utilizados, etc
"Y es una función de X" Y = f(X) Como Y depende de X, Y es la variable
dependiente, y X es la variable independiente.
En el Modelo de Regresión es muy importante identificar cuál es la variable

dependiente y cuál es la variable independiente. En el Modelo de Regresión
Simple se establece que, Y es una función de sólo una variable independiente,
razón por la cual se le denomina también Regresión Divariada porque sólo hay
dos variables, una dependiente y otra independiente y se representa así: Y = f(X)
"Y está regresando por X"

Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de la
optimización matemática, en la que, dados un conjunto de pares ordenados
variable independiente, variable dependiente y una familia de funciones, se intenta
encontrar la función continua, dentro de dicha familia, que mejor se aproxime a los
datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo error cuadrático.
En su forma más simple, intenta minimizar la suma de cuadrados de las
diferencias en las ordenadas (llamadas residuos) entre los puntos generados por
la función elegida y los correspondientes valores en los datos Específicamente, se
llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es
1 y se usa el método de descenso por gradiente para minimizar el residuo
cuadrado.
Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el
mínimo de operaciones (por iteración), pero requiere un gran número de
iteraciones para converger.
Desde un punto de vista estadístico, un requisito implícito para que funcione el
método de mínimos cuadrados es que los errores de cada medida estén
distribuidos de forma aleatoria. El teorema de Gauss-Járkov prueba que los
estimadores mínimos cuadráticos carecen de sesgo y que el muestreo de datos
no tiene que ajustarse, por ejemplo, a una distribución normal. También es
importante que los datos a procesar estén bien escogidos, para que permitan
visibilidad en las variables que han de ser resueltas (para dar más peso a un dato
en particular, véase mínimos cuadrados ponderados).
La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.
Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.
Con esto hemos concluido que la interpolación es muy necesaria en los casos que
se presenten, así como el ajuste de curvas que podemos llegar a plasmar en una
gráfica con los datos que obtenemos al hacer iteraciones o al estar siguiendo el
proceso específico para llegar obtener los datos que se solicitan. La Unidad nos
sirve de mucho ya que gradas a las Unidades anteriores hemos podido relacionar
como se van conectando cada una de estas, y nos damos cuenta como los
métodos numéricos son muy esenciales para el trabajo como para la vida.
https://sites.google.com/site/sistrevolution/5-1-interpolacion
https://sites.google.com/site/sistrevolution/home/5-2-polinomio-de-
interpolacion-de-newton
http://itpn.mx/recursosisc/4semestre/metodosnumericos/Unidad%20V.pdf
https://sitio2blog.wordpress.com/2017/04/22/interpolacion-por-polinomios-de-
newton-y-lagrange/
https://www.itescam.edu.mx/portal/asignatura.php?clave_asig=SCC-1017&carrera=ISIC-
2010-224&id_d=218
16

Unidad 5

Cargado por

Copyright:

Formatos disponibles

Unidad 5

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 5

Cargado por

Copyright:

Formatos disponibles

Introducción3

5.1 Polinomio de interpolación de Newton...................................4

5.2 Polinomio de interpolación de Lagrange...............................9

5.3 Interpolación segmentada.....................................................11

5.4 Regresión y correlación.......................................................13

5.5 Mínimos cuadrados...............................................................14

Interpolación polinomial de Newton

El polinomio PN(x) calculado así es el polinomio de interpolación de Newton.

Cálculo del Polinomio de Interpolación de Newton

Es decir, a1 es la pendiente de la recta que pasa por los puntos (x0,f(x0)) y

La forma de Newton de este polinomio interpolador:

En este polinomio los nodos se han colocado en el orden

pero este polinomio tiene que coincidir con el anterior,

es decir, la diferencia dividida es independiente del orden en

En resumen las diferencias divididas tienen las siguientes

1.- La diferencia dividida de orden K es el coeficiente de x k en

2.- La diferencia dividida de cualquier orden es independiente

3º.- La diferencia dividida de orden K se calcula

5.4.3.- Relación entre la diferencia dividida de orden n y la

Valor real ln 2 = 0.6931472

Error relativo porcentual = 33.3%

Se requiere entonces que el numerador contenga

El denominador debe coincidir con el numerador cuando x = xk.

N-Esimo polinomio interpolante de Lagrange

El error en la interpolación de Lagrange

INTERPOLACION SEGMENTARIA LINEAL

INTERPOLACION SEGMENTARIA CUADRATICA

Interpolacon Segmentaria Cuadratica

Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus

"Y es una función de X" Y = f(X) Como Y depende de X, Y es la variable

dependiente, y X es la variable independiente.

En el Modelo de Regresión es muy importante identificar cuál es la variable

"Y está regresando por X"

También podría gustarte