Salamanca, Gto.

, Verano 2011

MTODOS NUMRICOS
Dr. Alejandro Pizano Martnez

Contenido
INTERPOLACIN:
Interpolacin de polinomios de Newton
Interpolacin de polinomios de Lagrange
Tarea 1
AJUSTE DE CURVAS:
Mnimos Cuadrados
Regresin Lineal Simple
Regresin Lineal Mltiple
Regresin No Lineal Simple (Polinomial)
Tarea 2

INTERPOLACIN

 Interpolacin de polinomios de Newton

La interpolacin lineal y cuadrtica se pueden
generalizar para ajustar un polinomio de n-esimo
orden a partir de n+1 datos. Para esto se plantea
el siguiente polinomio de orden n-1,

Los coeficientes se b0..bn se calculan a partir de

los n datos conocidos por medio de las siguientes
diferencias finitas divididas,

 Interpolacin de polinomios de Newton

La determinacin de las diferencias divididas por
medio de la aplicacin directa de las expresiones
es tediosa y confusa, en su lugar podemos
utilizar,

NOTE: que las diferencias finitas se calculan de

manera sucesiva.
Utilizando
las
diferencias
divididas,
polinomio
f ( x) fde
( x0 )Newton
F [ x1 , x0 ](queda
x x0 ) F expresado,
[ x2 , x1 , x0 ]( x x0 )( x x1 )....
F [ xn , xn1 ,......x1 , x0 ]( x x0 )( x x1 ).....( x xn1 )

el

 Interpolacin de polinomios de Newton

El error elativo se puede calcular como,
Er F [ xn1 , xn1 ,......x1 , x0 ]( x x0 )( x x1 ).....( x xn )
Esta ecuacin se utiliza para determinar el error
del la aproximacin de orden n-1. Por ejemplo y en
otras palabras, si se desea conocer el error de
una aproximacin de segundo orden, entonces en
necesario conocer o calcular el termino de
aproximacin Er
de
Ftercer
[ x3 , x2 , x1 , x0orden,
]( x x0 )( x x1 )( x x2 )

Note que Er para una aproximacin lineal es igual

a calcular un trmino de segundo orden. Er para
una aproximacin cuadrtica es igual a calcular un
trmino de tercer orden, y as sucesivamente

 Interpolacin de polinomios de Newton

f ( x) f ( x0 ) F [ x1 , x0 ]( x x0 ) F [ x2 , x1 , x0 ]( x x0 )( x x1 )....
F [ xn , xn1 ,......x1 , x0 ]( x x0 )( x x1 ).....( x xn1 )
Es comnmente conocido como el polinomio de
interpolacin por diferencias finitas divididas de
Newton.
A partir de la definicin del polinomio de nesimo orden se puede obtener cualquier polinomio
de orden menor; por ej. el de aproximacin lineal
o cuadrtica.
Para realizar la interpolacin por este mtodo no
es
necesario
que
los
datos
conocido
estn
igualmente.
Adems, NO es necesario que los datos conocidos

 Interpolacin de polinomios de Newton:

Algoritmo de Computo

 Interpolacin de polinomios de Newton:

Ejemplo

Calcular f(2) si se realiza una aproximacin de

tercer orden considerando,
f ( x) f ( x0 )
x
f(x)
F [ x1 , x0 ]( x x0 )

1.3862944

1.7917595

1.6094379

F [ x2 , x1 , x0 ]( x x0 )( x x1 )
F [ x3 , x2 , x1 , x0 ]( x x0 )( x x1 )( x x2 )

f(x)

F [ x1 , x0 ]

F [ x2 , x1 , x0 ]

F [ x3 , x2 , x1 , x0 ]

0.4621

-0.0519

0.0079

1.3862944

0.2027

-0.0204

1.7917595

0.1823

1.6094379

Ajuste con polinomio de Newton

2
1.5
1

Real
Aprox.

0.5
0

f(x)

f ( x ) 0
0.462 1( x1)
-0. 0519( x1)( x4)
0.0079( x1)( x4)( x 6)

-0.5
-1
-1.5
-2

Er F [ x3 , x2 , x1 , x0 ]( x x0 )( x x1 )( x x2 )
0.0079(21)(24)( x 6) 0.0629232

-2.5

4
x
Error relativo

0.5

0.45
0.4
0.35
Error relativo

f (2) 0
0.4621(21)
-0.0519(21)(24)
0.0079(21)(24)(26)
0.6287674

0.3
0.25
0.2
0.15
0.1
0.05

0.2

0.4

0.6

0.8
1
1.2
1.4
Orden de la aproximaxin

1.6

1.8

 Interpolacin de polinomios de Lagrange

Es una formulacin alternativa al polinomio de
Newton que evita calcular la diferencias divididas
finitas. Sin embargo, para aproximar un polinomio
de grado n tambin se requiere contar con n+1
datos..El polinomio den Lagrange es el siguiente,
f ( x) Li ( x) f ( xi )
i0

donde

Li ( x)
j0
ji

( x x j )
( xi x j )

Por ejemplo para aproximar un polinomio de orden

1

n=1, tenemos,
1
(
)
x x j
( x x0 )
( x x1 )

f ( x)
f ( xi )
f ( x0 )
f ( x1 )

( x0 x1 )
( x1 x0 )
i0 j0 ( xi x j )
ji

 Interpolacin de polinomios de Lagrange

Para aproximar un polinomio de orden n=2, tenemos,
2

i0

( x x j )
( x x1 ) ( x x2 )
f
(
x
)

f ( x0 )

( x0 x1 ) ( x0 x2 )
j0 ( xi x j )

ji
( x x0 ) ( x x2 )
f ( x1 )
( x1 x0 ) ( x1 x2 )

f ( x)

( x x0 ) ( x x1 )
f ( x2 )
( x2 x0 ) ( x2 x1 )
Note que a diferencia del polinomio de Newton el
polinomio de Lagrange est compuesto por la suma
de trminos de orden n.

 Interpolacin de polinomios de Lagrange:

Ejemplo

Calcular f(2) si se realiza una aproximacin de

primer y segundo orden considerando,
Primer orden
(24)
(21)
x
f(x)
f ( x)
(0)
(1.3862944) 0.4620981
(14)
(41)
1
0
4

1.3862944

1.7917595

1.6094379

Segundo orden
(24) (26)
f ( x)
(0.00000)
(14) (16)
(21) (26)
1.3862944
(41) (46)
(21) (24)
1.7917595
(61) (64)
0.5658444

 Tarea 1
1. Implementar
el
algoritmo
computacional
interpolacin de polinomios de Newton.

de

2. Para los siguientes datos,

x

2.5

f(x)

a) Manualmente calcular f(3.4) mediante polinomios

de Newton de orden 1 hasta 3. Reporte el proceso
seguido. Nota: antes de hacer la interpolacin
considere los datos considere apropiados (puntos
base).
b) Repetir a) utilizando su programa desarrollado
en 1. Reporte el resultado obtenido.
c) Utilizando su programa y el orden original de
los datos de la tabla, obtener f(3.4) mediante

 Tarea 1
d)

Considere los datos en el siguiente orden,

x

2.5

f(x)

Utilizando su programa obtenga f(3.4) mediante un

polinomio de orden 5
Reporte el resultado obtenido y grafique el error
Er en funcin del grado del
polinomio.
e)

Compare lo obtenido en c) y d).

3. Implementar el algoritmo de interpolacin de

polinomios de Lagrange.
4)

Repetir

el

ejercicio

2,

con

excepcin

de

AJUSTE DE CURVAS

 Mnimos Cuadrados
En general, si se tienen n datos sujetos a ruido,
se puede aproximar una curva que ajuste de la
mejor manera la tendencia de los datos. Esto se
hace en base a la ecuacin de mnimos cuadrados,
n

Min Sr ( yi m yi a )2
i1

Este modelo representa la minimizacin de la suma

de los errores existentes entre una valor real
(medido)
yim
y
el
valor
yia
obtenido
por
aproximacin.
En general, yia es obtenido de un modelo matemtico
que aproxima la tendencia de los datos, este modelo
puede ser lineal o no lineal,

yia =f(xi,a)
Entonces, los coeficientes o parmetros a de este

 Ajuste Lineal Simple

Cuando los datos (x,y)R2 exhiben un comportamiento
lineal se realiza un ajuste lineal simple, tambin
llamado Regresin Lineal Simple. Es decir, su
tendencia se aproxima por medio de una lnea recta
Suponga que tenemos los siguientes datos,
x

f(x)

x1

y1

x2

y2

.
.
.

.
.
.

xn

yn

f(x Lnea
)
ajustada

Datos de
mediciones.

 Ajuste Lineal Simple

Bajo la observacin de la tendencia lineal los
datos (x,y)R2, la funcin lineal a aproximar es,
yia a0 a1 xi
Donde a0 y a1, son los coeficientes a determinar.
Tomando esto en cuenta, podemos expresar,
n

Min Sr ( yi m a0 a1 xi )2
i1

De acuerdo con la teora de mnimos,

minimizado si,
n
n

Sr 2 yim a0 a1 xi 0
a0
i1
i1
i1

Sr 2
a1

2
y
x

a
x

a
x

im i 0 i 1 i 0
i1
i1
i1

Sr

ser

 Ajuste Lineal Simple

De donde,

Sr 2
a0

Sr 2
a1

a0

yim na1 xi 0

i1
i1

y
i1

x a0 xi a x 0
i1
i1

im i

2
1 i

y x a
im

i1

i 1

i1

n
n

n yim xi xi yim
i1 i1
a1 i1
2
n
n

2
n
x

i xi
i1 i1

n x i
i1

n
n
2
x
x

i i

i1
i1

a 0
a
1

yim

yim x i

i1

i1
n

 Ajuste Lineal Simple: Ejemplo

Determinar los coeficientes a0 y a1, si,
7(119.5)(28)(24)
x
f(x)
a1
0.839285 7
2
7(140)(28)
1
0.5
2
2.5
24 28
a0 (0.8392857) 0.07142 8 5
3
2.0
7 7
4.0

3.5

6.0

5.5

x 28
i1

x
i1

2
i

6
5
4

y
i1
n

140

regresin lineal simple

im

3
2

y
i1

24

Aprox
Med.

f(x)

x 119.5

im i

1
0
0

4
X

 Ajuste Lineal Mltiple

Cuando los datos (x,y)R3 exhiben un comportamiento
lineal se realiza un ajuste lineal mltiple,
tambin llamado Regresin Lineal Multiple.
Suponga que tenemos los siguientes datos,
Aplicando la teora de
x1 X2
f(x)
mnimos a Sr
X11 X21
y1
y procediendo
como en
el
n
n
n
X12 X22
y2

caso
anterior,
n
x
x
y

1i
2i
im
.
.
.
i1
i1

a 0 i1
n
n
.
.
.
n
n

2
x
x
x
x
a

y
x
.
.
.

1i
1i
1i 2 i

1 i1 im 1 i
i1
i1
i1
n
a 2 n

X1n X2n
yn
n
n
x
2
yim x2 i

2 i x1i x2 i x2 i
i1

yia a0 a1 x1i a2 x2i

i1

i1
i1
n

Min Sr ( yi m a0 a1 x1i a2 x2i )2

i1

 Ajuste Lineal Mltiple

Cuando los datos (x,y)Rn exhiben un comportamiento
lineal se realiza un ajuste lineal mltiple en Rn.
Este ajuste est dado como sigue,
yia a0 a1 xi1 a2 xi 2 a3 xi 3 K K am xim
n

Min Sr ( yi m (a0 a1 xi1 a2 xi 2 a3 xi 3 K K am xim ))2

i1

x
x

x
x
x x

x
x x
x

i1

i2

im

i1
2
i1

i 2 i1

im 1i

i2

i1 i 2
2
i2

im i 2

K
K
M

x
x x
x x

a0
a
i1 im
1
i 2 im a2

M M
xim2 am
im

y
yx
y x
i

i i1

i i2

M
yi xin

 Ajuste Lineal Mltiple: Ejemplo (x,y)R3

Regresin Lineal Mltiple

x1

X2

f(x)

10

2.5

27

6 16.5 14 a 0
54
16.5 76.25 48 a 1 243.5

100
14 48 54 a 2

a0 5, a1 4, a2 3
yia 5 4 xi 3 xi

Regresin Lineal Mltiple

 Ajuste No Lineal Simple (Polinomial)

Cuando los datos (x,y)R2 exhiben un comportamiento
no lineal se realiza un ajuste lineal mltiple,
tambin llamado Regresin No Lineal Simple.
Suponga
que tenemos los siguientes datos,
x
f(x)
x1

y1

x2

y2

.
.
.

.
.
.

xn

yn

En este caso en lugar de hacer una aproximacin

lineal, conviene hacer una Regresin No Lineal.
Dado que los datos
son (x,y)R2 , esta
regresin ser simple.

 Ajuste No Lineal Simple (Polinomial)

yia a0 a1 x1 a2 x12
n

Min Sr ( yi m (a0 a1 x1 a2 x12 ))2

i1

Aplicando
la
teora
mnimos a Sr
y procediendo
comon en
n
n
n

casos
anteriores,
1
x
x
y
1i 1 i
im
i1 i1 i1 a 0 i1
n
n
n
n

2
3
x
x
x
a

y
x
1i 1i 1 i 1 im 1 i
in1 in1 in1 a 2 in1

x 2 x 3 x 4
yim x12i

1i 1i 1i
i1 i1 i1
i1

de
los

 Ajuste
No
Lineal
(Polinomial):Ejemplo
f(x)

0
1
2
3
4
5

2.1
7.7
13.6
27.2
40.9
61.1

Non Linear Curve Fitting (Polynomial)

90

Med.
Aprox

80
70
60

f(x)

x1

Simple

50
40

6 15 55 a 0
152.6

15 55 225 a 585.6

2488.8
55 225 979 a 2

a0 2.4786, a1 0.5856, a2 2.4888

yia 2.47860.5856 xi 2.4888 xi

30
20
10
0
-1

 Tarea 2
1. Implementar
el
algoritmo
computacional
de
regresin lineal mltiple (x,y)R3
2. Implementar
el
algoritmo
computacional
de
regresin no lineal simple (x,y)R2
3. Manualmente
ajuste
un
polinomio
lineal
(regresin lineal simple) utilizando los datos
de la columna x1 y la columna Y medida de la
siguientes Tabla.
Reporte el procedimiento e
No.
Y
X
X
indique
claramente
los Datocoeficientes
del
s
polinomio ajustado y el polinomio.
Grafique
1
0
0
15.0000 los
2
1.0000
1.0000
18.0000
datos y el polinomio ajustado
una 12.8000
misma
3
1.0000en 1.2100
4
1.2500
1.5600
25.7000
figura.
5
1.5000
2.2500
20.6000
1

6
7
8
9
10
11
12
13
14

1.7500
2.0000
2.1000
2.2000
2.2500
2.5000
2.7500
3.0000
3.1000

3.0600
4.0000
4.4100
4.8400
5.0600
6.2500
7.5600
9.0000
9.6100

medida

35.0000
29.8000
45.5000
40.3000
32.0000
50.2000
47.5000
73.3000
55.5000

 Tarea 2
4.

Utilice su programa desarrollado en 1 para

realizar la regresin lineal mltiple de los
datos dados en las columnas x1, x2 y ymedida de la
tabla anterior (ejercicio 3).
a)
Indique
el
sistema
Ax=b
formado
para
determinar los 3 coeficientes.
b) Indique el valor de los coeficientes y el
polinomio ajustado.
c) Grafique en la misma figura los datos de la
tabla y el hiper-plano ajustado.
5.

Utilice su programa desarrollado en 2 para

realizar la regresin no lineal simple de los
datos dados en las columnas x2 y ymedida de la
tabla anterior (ejercicio 3).
a)
Indique
el
sistema
Ax=b
formado
para

 Entrega de resultados
Los reportes de resultados, que contengas los
elementos que hemos acordado, sern entregados
para su revisin el primer martes regresando de
vacaciones (26 de Julio de 2011).