INTRODUCCIN En numerosos fenmenos de la naturaleza observamos una cierta regularidad en la forma de producirse, esto nos permite sacar conclusiones

de la marcha de un fenmeno en situaciones que no hemos medido directamente. La interpolacin consiste en hallar un dato dentro de un intervalo en el que conocemos los valores en los extremos. La extrapolacin consiste en hallar un dato fuera del intervalo conocido, pero debe tenerse en cuenta que est prximo a uno de sus extremos, pues en otro caso no es muy fiable el resultado obtenido. 1. Planteamiento general El problema general de la interpolacin se nos presenta cuando nos dan una funcin de la cual solo conocemos una serie de puntos de la misma: (xo, yo), (x1, y1),........., (xn, yn) y se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta funcin. El de la extrapolacin cuando el punto que queremos considerar est a la derecha de xn o a la izquierda de xo. Se desea, por tanto encontrar una funcin cuya grfica pase por esos puntos y que nos sirva para estimar los valores deseados. El tratamiento para ambos problemas es similar se utilizarn los polinomios interpoladores, pero en el caso de la extrapolacin el punto debe estar muy prximo a uno de los extremos. 2. Interpolacin. Eleccin de la interpolacin ms adecuada. Consideremos una funcin de la cual solo conocemos una serie de puntos de la misma: (xo, yo), (x1, y1), .............., (xn, yn) [1] Deseamos encontrar la expresin analtica de dicha funcin para poder estudiarla en otros puntos. Ahora bien, por n+1 puntos pasan infinitas funciones, con cul de ellas nos quedamos? Lo ms lgico es recurrir a la ms sencilla. La familia de funciones ms sencillas es la de los polinomios, por tanto buscaremos el polinomio de menor grado que pase por los n+1 puntos dados. La funcin polinmica de menor grado que pasa por los puntos [1] es en principio de grado n: y= anxn+............+a1x+ao Y se obtiene resolviendo el sistema de n+1 ecuaciones con n+1 incgnitas (sistema que tiene solucin nica ya que el determinante de la matriz de los coeficientes es de Vandermonde y por lo tanto distinto de cero) Se le llama polinomio interpolador correspondiente a esos puntos. Una vez obtenida su expresin dando valores en l se pueden encontrar nuevos puntos de la funcin. Los resultados obtenidos son naturalmente estimaciones aproximadas. La interpolacin se dir lineal cuando slo se tomen dos puntos y cuadrtica cuando se tomen tres.

En este tema nos limitaremos a estos dos tipos de interpolacin. Ejemplo 1. De una funcin conocemos tres puntos (-3, 5), (1, -1) y (3, 11). qu podemos decir de esa funcin cuando x=0 y cuando x=10? Solucin Calculamos el polinomio interpolador que ser de 2 grado y= ax2 + bx +c, que pase por los tres puntos , Se verifica: 5=a(-3)2+b(-3)+c por pasar por el punto (-3, 5) -1=a+b+c por pasar por el punto (1, -1) 11=a.32+b.3+c por pasar por el punto (3, 11) Resolviendo el sistema que se nos plantea nos queda: y= P(x)= Cuando x=0, P(0)=-13/4; si x=10, P(10)=527/4 El primero, una interpolacin, es probablemente una buena aproximacin del valor de la funcin desconocida, en el punto 0. Sin embargo, el valor 527/4 es probable que se parezca poco al valor de la funcin en el punto 10, pues es el resultado de una extrapolacin muy lejana. No se pueden dar reglas generales para decidir cul es la interpolacin ms adecuada, pues no siempre al aumentar el grado del polinomio aumenta la precisin en la estimacin. Depende siempre del caso concreto a estudiar. A veces la naturaleza del problema nos da una idea de cul es la interpolacin (o extrapolacin) ms conveniente. Por ejemplo si los incrementos de la funcin son proporcionales a los de la variable independiente (o casi proporcionales) podremos usar la interpolacin lineal.

Interpolacin de Lagrange. Este mtodo es el ms explicito para probar existencia de solucin ya que la construye. Sin embargo su utilidad se reduce a eso: a dar una respuesta formal y razonada, pues no es eficiente en trminos de clculo (requiere muchas operaciones y tiene limitaciones tcnicas que despus nombraremos). Para calcular el polinomio interpolador P(x) asociado a una tabla de datos (xi, fi) con i = 0, . . . , n podemos plantearnos una simplificacin previa: qu ocurre si construimos polinomios li(x) de grado n que valgan 1 en el nodo xi y 0 en el resto? li(xk) = _ik = _ 1 si i = k, 0 si i 6= k. Es inmediato que con esto se resuelve el problema original, tomando la suma de esa n + 1 polinomios de grado n (con coeficientes adecuados): P(x) = Pn k=0 fk lk(x). Es posible encontrar tales li(x)? Si damos el polinomio facto izado para que tenga en cada nodo xj (con j 6= i) una raz, el candidato es: (x x0)(x x1) . . . (x xi1)(x xi+1) . . . (x xn) = n Yj=0 j6=I (x xj).

Polinomios de interpolacin con diferencias divididas de Newton. Cualquier polinomio de <n[x] se puede expresar en forma nica como una combinacin lineal de los monomios {1, x, x2, . . . , xn}, pues son evidentemente sistema generador y adems linealmente independientes (luego forman una base del espacio vectorial), la ms simple de hecho, la base canonca. Esta base, que es adecuada para algunas manipulaciones inmediatas de polinomios como nombrbamos en la seccin anterior (derivacin e integracin por ejemplo), no es, sin embargo, la ms adecuada para construir en principio el polinomio interpolador. Vimos que resultaba til incluir los propios nodos del problema en los polinomios a construir, de modo que en este pargrafo adoptamos una solucin intermedia:

Expresaremos el polinomio P(x) que interpola a las abscisas x0, x1, . . . , xn, como una combinacin lineal del siguiente conjunto de polinomios { 0(x), 1(x), . . . , siendo:

n(x)}

0(x) = 1, 1(x) = (x x0), 2(x) = (x x0)(x x1), 3(x) = (x x0)(x x1)(x x2), n(x) = (x x0)(x x1)(x x2) (x xn1) Este conjunto es otra base del espacio de <n[x] por tener n + 1 elementos linealmente independientes (obsrvese que con este mtodo cada problema requiere una base distinta, en funcin de los nodos xi que nos dan, y que el clculo de cada sirve para el siguiente.)

MTODO DE CUADRADOS MNIMOS REGRESIN LINEAL.

Hemos enfatizado sobre la importancia de las representaciones grficas y hemos visto la utilidad de las versiones linealizadas de los grficos (X, Y) junto a las distintas maneras de llevar a cabo la linealizacin. A menudo nos confrontamos con situaciones en las que existe o suponemos que existe una relacin lineal entre las variables X e Y. Surge de modo natural la pregunta: cul es la relacin analtica que mejor se ajusta a nuestros datos? El mtodo de cuadrados mnimos es un procedimiento general que nos permite responder esta pregunta. Cuando la relacin entre las variables X e Y es lineal, el mtodo de ajuste por cuadrados mnimos se denomina tambin mtodo de regresin lineal.

Observamos o suponemos una tendencia lineal entre las variables y nos preguntamos sobre cul es la mejor recta: y(x) = a x + b Que representa este caso de inters. Es til definir la funcin: Que es una medida de la desviacin 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 desviacin total, o sea, son los valores que remplazados en la Ec.(1) minimizan la funcin c2. Ec.(2). Los parmetros a y b pueden obtenerse usando tcnicas matemticas que hacen uso del clculo diferencial. Aplicando estas tcnicas, el problema de minimizacin se reduce al de resolver el par de ecuaciones: Actualmente, la mayora de los programas de anlisis de datos y planillas de clculo, realizan el proceso de minimizacin en forma automtica y dan los resultados de los mejores valores de a y b, o sea los valores indicados por las ecuaciones.