UNIVERSIDAD DEL SABES. (UNIDEG, IRAPUTO.

)
MATERIA:
Métodos numéricos
Nombres:
Andrade Cervantes José Antonio
DOCENTE:
Carlos Martínez Uribe
Tema de investigación:
Ajuste de curvas e interpolación
TURNO:
Matutino martes de (8:30-10:00)
NOMBRE DE LA CARRERA:
Ingeniera industrial
ACTIVIDAD 8
Ajuste de curvas e interpolación
FECHA:
14 de julio del 2018
 Introducción

En numerosos fenómenos de la naturaleza observamos una cierta regularidad en la forma

de producirse, esto nos permite sacar conclusiones de la marcha de un fenómeno en
situaciones que no hemos medido directamente. La interpolación consiste en hallar un
dato dentro de un intervalo en el que conocemos los valores en los extremos. La
extrapolación consiste en hallar un dato fuera del intervalo conocido, pero debe tenerse
en cuenta que esté próximo a uno de sus extremos, pues en otro caso no es muy fiable el
resultado obtenido. Esto nos permitirá interesarnos por los métodos numéricos ya que
son muy importantes al momento de tratar con ecuaciones y funciones, ya que nos
permiten saber exactamente la solución de un problema.
Regresión lineal
Abordaremos en esta página las distribuciones bidimensionales. Las observaciones se
dispondrán en dos columnas, de modo que en cada fila figuren la abscisa x y su
correspondiente ordenada y. La importancia de las distribuciones bidimensionales radica
en investigar cómo influye una variable sobre la otra. Esta puede ser una dependencia
causa efecto, por ejemplo, la cantidad de lluvia (causa), da lugar a un aumento de la
producción agrícola (efecto). O bien, el aumento del precio de un bien, da lugar a una
disminución de la cantidad demandada del mismo.
Si utilizamos un sistema de coordenadas cartesianas para representar la distribución
bidimensional, obtendremos un conjunto de puntos conocido con el diagrama de
dispersión, cuyo análisis permite estudiar cualitativamente, la relación entre ambas
variables tal como se ve en la figura. El siguiente paso, es la determinación de la
dependencia funcional entre las dos variables x e y que mejor ajusta a la distribución
bidimensional. Se denomina regresión lineal cuando la función es lineal, es decir, requiere
la determinación de dos parámetros: la pendiente y la ordenada en el origen de la recta
de regresión, y=ax+b.
La regresión nos permite, además, determinar el grado de dependencia de las series de
valores X e Y, prediciendo el valor y estimado que se obtendría para un valor x que no esté
en la distribución.
Método de regresión Polinomial
Historia
El primer diseño de experimentos de regresión polinómica a pareció en un documento en
1815 de Georgone, a partir de ese momento se la regresión polinómica comenzó a tener
relevancia de gran importancia en el desarrollo del análisis de regresión con un énfasis
mayor en el tema de diseños experimentales e incluso en los métodos numéricos.
Definición
Es una forma de regresión lineal en la cual se relaciona la variable independiente de la
variable dependiente su modelación es de orden n.
Variable independiente: X
Variable dependiente: Y
Se ajusta a una relación no lineal entre el valor de X y la media condicional
correspondiente a Y de notado como E.
Se ha utilizado para describir los fenómenos no lineales como:
Tasa del crecimiento de los tejidos.
Distribución de los isotopos en el sedimento de un lago.
La progresión de epidemias de enfermedades.
Uso de la regresión Polinomial
Para hacer uso de la regresión Polinomial se deben considerar los siguientes parámetros
de esta manera tendremos una proyección de los resultados confiables.
Si una función media contiene un predictor X pueden usarse sus potencias enteras para
aproximar a E(Y|X)
Dependiendo de los signos de los 𝜷´s, la función media cuadrática puede tomar cualquiera
de las formas en la figura.
La regresión cuadrática es un caso especial de la regresión Polinomial de grados d.
De acuerdo a los parámetros anteriores se comprende la siguiente formulación del
modelo matemático, el parámetro dos determina la forma que tomara el modelo
matemático.

𝐸(𝑌|𝑋 = 𝑋) = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝛽𝑖 𝑋 𝑑

Forma gráfica del modelo

Procedimiento
A continuación, se mencionará el procedimiento paso por paso para llevar acabo la
regresión polinomial.
Se identificará el grado del polinomio o la función, es decir, si es de primer, segundo o
tercer grado.
Determinar las derivadas con respecto a cada coeficiente del modelo, de acuerdo con este
método se utilizan ecuaciones de segundo grado en adelante.
Se determinan las diferentes sumatorias tanto en X como en Y, también hallaremos la
sumatoria de XY Y X^2Y, además igualaremos las derivadas a cero para hallar un sistema
de ecuaciones polinomiales.

a0 n + a1 ∑ XI + a2 ∑ Xi2 + ⋯ am ∑ Xim = ∑ Yi

a0 ∑ XI + a1 ∑ Xi2 + a2 ∑ Xi3 + ⋯ am ∑ Xim+1 = ∑ Xi Yi

a0 ∑ Xi2 + a1 ∑ Xi3 + a2 ∑ Xi4 + ⋯ am ∑ X im+2 = ∑ Xi2 Yi

Para resolver este sistema podemos utilizar el método numérico de eliminación de gauss o
gauss-seidel para determinar Sr, Sy/x y R^2
Formulas

Sr = ∑ni=1(YI − a0 − a1 Xi − a2 Xi 2 − a3 X i 3 − ⋯ am Xi m )2

Sy Sr
= √n−(m+1)
x

St−Sr
R2 =
St

Descripción
Vamos a determinar la ecuación de la recta que mejor ajusta a los datos representados en
la figura. Se denomina error ei a la diferencia yi-y, entre el valor observado yi, y el valor
ajustado y= axi+b, tal como se ve en la figura inferior. El criterio de ajuste se toma como
aquél en el que la desviación cuadrática media sea mínima, es decir, debe de ser mínima
la suma
s=∑0n−1ε2i=∑0n−1(yi−(axi+b))2s=∑0n−1εi2=∑0n−1(yi−(axi+b))2
Los extremos de una función: máximo o mínimo se obtiene cuando las derivadas de s
respecto de a y de b sean nulas. Lo que da lugar a un sistema de dos ecuaciones con dos
incógnitas del que se despeja a y b.
∂E∂a=0 ∂E∂b=0a=n∑0n−1xiyi−(∑0n−1xi)(∑0n−1yi)n∑0n−1x2i−(∑0n−1xi)2
b=∑0n−1yi−a∑0n−1xin∂E∂a=0
∂E∂b=0a=n∑0n−1xiyi−(∑0n−1xi)(∑0n−1yi)n∑0n−1xi2−(∑0n−1xi)2
b=∑0n−1yi−a∑0n−1xin
El coeficiente de correlación es otra técnica de estudiar la distribución bidimensional, que
nos indica la intensidad o grado de dependencia entre las variables X e Y. El coeficiente de
correlación r es un número que se obtiene mediante la fórmula.
r=∑0n-1(xi−<x>)(yi−<y>)∑0n-1(xi−<x>)2−−−−−−−−−−−−−√∑0n-
1(yi−<y>)2−−−−−−−−−−−−−√r=∑0n-1(xi−<x>)(yi−<y>)∑0n-1(xi−<x>)2∑0n-1(yi−<y>)2
El numerador es el producto de las desviaciones de los valores X e Y respecto de sus
valores medios. En el denominador tenemos las desviaciones cuadráticas medias de X y de
Y.
El coeficiente de correlación puede valer cualquier número comprendido entre -1 y +1.
• Cuando r=1, la correlación lineal es perfecta, directa.
• Cuando r=-1, la correlación lineal es perfecta, inversa
• Cuando r=0, no existe correlación alguna, independencia total de los valores X e Y
Interpolación
Polinomial de Newton
Una de las formas de interpolación se denomina Polinomios de Interpolación de Newton,
que trabaja directamente en la tabla obtenida mediante el proceso de diferencia
divididas; en el desarrollo de estas diferencias finitas, se obtuvo en primer lugar las
diferencias finitas ordinarias y luego las diferencias finitas divididas.

Para generalizar, se utiliza el polinomio de grado n para diferencias divididas de newton

como:
𝑓𝑛(𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 )+𝑏2 (𝑥 − 𝑥0 ) (𝑥 − 𝑥1 ) + …+ 𝑏𝑛 (𝑥 − 𝑥0 ) (𝑥 − 𝑥1 )
(𝑥 − 𝑥2 )…(𝑥 − 𝑥𝑛−1 ).

Donde los coeficientes se obtienen utilizando los (𝑛 + 1) puntos requeridos de la

siguiente forma
𝑏0= 𝑓(𝑥0 )

𝑏1= 𝑓[𝑥1, 𝑥𝑜 ]

𝑏2= 𝑓[𝑥2, 𝑥1, 𝑥0 ]

𝑏𝑛= 𝑓[𝑥𝑛, 𝑥𝑛−1,……, 𝑥1, 𝑥𝑜 ]

Donde las evaluaciones de la función colocadas entre paréntesis son diferencias divididas
finitas. Por ejemplo
𝑓(𝑥𝑖 )−𝑓(𝑥𝑗 )
1.- f[𝑥𝑗 , 𝑥𝑖 ] = 𝑥𝑖− 𝑥𝑗

Definición

Sean 𝑓: [𝑎, 𝑏] → ℝ 𝑦 {𝑥0 , 𝑥1 , … , 𝑥𝑛, }, 𝑛 +

1puntos distintos del intervalo [𝑎, 𝑏] Para cada 𝔦 ∈ ℕ ∪ {0} 𝑠𝑒𝑎𝑛
𝑓 [𝑥1 ] = 𝑓(𝑥𝑖 )
{ 𝑓 [𝑥𝑖 , 𝑥𝑖+1 … , 𝑥𝑖+𝑚 ] − 𝑓 [𝑥𝑖 , 𝑥𝑖+1 … , 𝑥𝑖+𝑚−1 ]
𝑓 [𝑥𝑖 , 𝑥𝑖+1 … , 𝑥𝑖+𝑚 ] =
𝑥𝑖+𝑚 − 𝑥𝑖
𝑓 [𝑥𝑖 , 𝑥𝑖+1 … , 𝑥𝑖+𝑚 ] Se denomina diferencia dividida de orden 𝑚 ∈ ℕ ∪ {0} de 𝑓 en
punto 𝑥𝑖 Análogamente, sean
 ∆0 𝑓 (𝑥𝑖 ) = 𝑓(𝑥𝑖 )
{ 𝑚
∆ 𝑓 (𝑥𝑖 ) = ∆𝑚−1 𝑓 (𝑥𝑖+1 ) − ∆𝑚−1 𝑓(𝑥𝑖 )

∆𝑚 𝑓(𝑥𝑖 ) Se denomina diferencia finita de orden 𝑚 ∈ ℕ ∪ {0} de 𝑓 en el punto 𝑥𝑖 .

Las diferencias divididas y las finitas están relacionadas entre sí, en el caso que los nodos
de interpolación estén uniformemente espaciados, como muestra el siguiente resultado.

Teorema
Sean 𝑓: [𝑎, 𝑏] → ℝ 𝑦 {𝑥0 , 𝑥1 , … , 𝑥𝑛 }, 𝑛 + 1 puntos uniformemente espaciados del intervalo
[𝑎, 𝑏], es decir, existe ℎ > 0 tal que, para cada 𝑖 ∈ {0,1, … , 𝑛} es 𝑥𝑖 = 𝑥0 + 𝑖 ℎ. Entonces,

∆𝑚 𝑓(𝑥𝑖 )
𝑓[𝑥𝑖 , 𝑥𝑖+1 , … , 𝑥𝑖+𝑚 ] =
𝑚! ℎ𝑚
Formula de interpolación de Newton
Sean 𝑓: [𝑎, 𝑏] → ℝ 𝑦 {𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑛 + 1 puntos distintos del intervalo [𝑎, 𝑏]. Entonces, el
polinomio de interpolaci´on de f en los nodos {𝑥0 , 𝑥1 , … , 𝑥𝑛 } viene dado por
𝑛

𝑃𝑛 (𝑥) = ∑ 𝑓 [𝑥0 , 𝑥1 , … , 𝑥𝑖 ] (𝑥 − 𝑥0 ) (𝑥 − 𝑥1 ) ∙∙∙ (𝑥 − 𝑥𝑖−1 )

𝑖=0

= 𝑓 (𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] (𝑥 − 𝑥0 ) (𝑥 − 𝑥1 )

+ ∙∙∙ +𝑓[ 𝑥0 , 𝑥1 , … , 𝑥𝑛 ](𝑥 − 𝑥0 ) (𝑥 − 𝑥1 ) ∙∙∙ (𝑥 − 𝑥𝑖−1 )

Además, si 𝑥 ∉ {𝑥0 , 𝑥1 , … , 𝑥𝑛 } , entonces

𝐸𝑛 (𝑥) = 𝑓(𝑥) − 𝑃𝑛 (𝑥) = 𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥]∏𝑛 (𝑥)
Polinomios de Lagrange
El problema de la interpolación polinómica de Lagrange consiste en lo siguiente:
Conocidos los valores de una función 𝑓 en n + 1 puntos distintos 𝑥𝑖 , 𝑖 = 0,1, … , 𝑛 de un
intervalo [𝑎, 𝑏] nos planteamos obtener un polinomio 𝑃𝑛 de grado no superior 𝑎, 𝑛 , que
coincida con la función 𝑓 en estos n + 1 puntos, es decir,
𝑃𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ), para 𝑖 = 0,1, … , 𝑛.
El polinomio 𝑃𝑛 buscado forma parte del conjunto de los polinomios de grado menor o
igual que 𝑛 y, por tanto, 𝑃𝑛 (𝑥) será de la forma
𝑃𝑛 (x) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + · · · + 𝑎1 x + 𝑎0 ,
Y, para determinarla, habrá que hallar los n + 1 coeficientes reales a0, a1,…,𝑎𝑛 En el caso
que 𝑎𝑛 sea no nulo, diremos que 𝑃𝑛 (𝑥) tiene exactamente grado n. La existencia y
unicidad del polinomio de interpolación 𝑃𝑛 (𝑥) se prueba en el siguiente resultado,
además se determina una forma de construirlo.
Formula de interpolación de Lagrange

Sean 𝑓: [𝑎, 𝑏] → ℝ 𝑦 {𝑥0 , 𝑥1 , … , 𝑥𝑛, }, 𝑛 + 1 puntos distintos del intervalo [𝑎, 𝑏]. Entonces,
existe un único polinomio 𝑃𝑛 (𝑥) de grado menor o igual que 𝑛, que verifica
𝑃𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ), 𝑖 = 0,1, … , 𝑛.
A este polinomio se le denomina polinomio de interpolación de f en los nodos
{𝑥0 , 𝑥1 , … , 𝑥𝑛, } y viene dado por
𝑛

𝑃𝑛 (𝑥) = ∑ 𝑓(𝑥𝑖 ) 𝐿𝐼 (𝑥),

𝑖=0

Donde, para cada 𝑖 ∈ {0,1, … , 𝑛}

𝑛
𝑥 − 𝑥𝑗
𝐿𝐼 (𝑥) = ∏
𝑥𝑖 − 𝑥𝑗
𝑗=0
𝑗≠𝑖

Fórmula del error

Objetivo
1. Obtener y aplicar la expresión que proporciona el error de interpolación en el
proceso de interpolación polinómica de Lagrange
2. Obtener cotas del error de interpolación de Lagrange
Definición
A veces se tiene suficiente información de la función a interpolar y es posible conocer una
cota del error cometido en la interpolación. Esto ocurre, por ejemplo, cuando se desea
elaborar unas tablas de una función conocida para después calcular sus valores en puntos
intermedios mediante interpolación. En estos casos puede ser de utilidad el siguiente
teorema.
R N = f[X, Xn , Xn−1 , … , X0 ] ∏ni=1(X−Xi )
Ejemplo:
Úsese un polinomio de interpolación de Lagrange de primer y segundo orden para evaluar
X= ln 2 en base a los datos:

i X Y

0 1 0.000000

1
Tabla 8. Datos del problema 4 1.3862944

2 6 1.7917595

Polinomio primer orden

X−X1 X−X0
𝑃(𝑋) = ∗ 𝑌0 + X ∗ 𝑌1
X0 −𝑋1 1 −𝑋0

2−4 2−1
𝑃(𝑋) = ∗ 0 + 4−1 ∗ 1.3862944 = 0.4620981
1−4

Polinomio primer orden

(X−X1 )(X−X2 ) (X−X0 )(X−X2 ) (X−X0 )(X−X1 )
P(X) = (X ∗ Y0 + (X ∗ Y1 + (X ∗ Y2
0 −X1 )(X0 −X2 ) 1 −X0 )(X1 −X2 ) 2 −X0 )(X2 −X1 )

(2−4)(2−6) (2−1)(2−6) (2−1)(2−4)

P(X) = (1−4)(1−6) ∗ (0) + (4−1)(4−6) ∗ (1.3862944) + (6−1)(6−4) ∗ (1.7917595) = 0.5658
 Conclusión
Como observamos el método de interpolación es muy importante igual como la curva de
ajuste, con este método de curva de ajustes como es el de regresión lineal y regresión
polinomial nos permiten encontrar modelos matemáticos, con el método de interpolación
nos permite saber la diferencia ya sea en coordenadas o nos identifica de un punto a otro
hasta dar con el resultado exacto.

Referencias Bibliográficas

Guerrero, L. S. (23 de Enero de 2018). Metodos númericos. Recuperado el 14 de Julio de

2018, de Metodos númericos:
http://aniei.org.mx/paginas/uam/CursoMN/curso_mn_07.html
Mera, M. J. (01 de Agosto de 2016). Prezi. Recuperado el 14 de Julio de 2018, de Prezi:
https://prezi.com/oggcjlr-7dux/regresion-polinomica-de-segundo-grado/?webgl=0
Rodriguez, A. (13 de Mayo de 2015). Regresi´on polinomial y factores. Obtenido de
Regresi´on polinomial y factores:
https://tarwi.lamolina.edu.pe/~clopez/Regresion/Capitulo_5.pdf
http://departamento.us.es/edan/php/asig/LICMAT/LMCN1/Tema3CN10809.pdf