Tema 6: Aproximacin.

TEMA 6: APROXIMACIN.
6.1.- INTRODUCCIN.

Nos ocuparemos en este captulo del concepto y mtodos de la aproximacin de funciones, en sus dos modalidades de aproximacin discreta y aproximacin continua. Se pondr mayor nfasis en los mtodos de aproximacin lineal, pero se considerarn tambin casos caractersticos de aproximacin no lineal, todos ellos enmarcados en el mtodo de los mnimos cuadrados que protagoniza el desarrollo del captulo por ser el de mayor inters e importancia para la prctica de la ingeniera.

En muchos problemas de ingeniera es necesario trabajar a menudo con conjuntos de datos experimentales (x1,y1),..., (xN,yN), donde las abscisas {xk} (distintas entre s) representan la variable independiente, y las ordenadas {yk} la medida realizada. Interesa entonces determinar la funcin y = f (x) que mejor se aproxime a los datos, proceso matemtico que se denomina aproximacin discreta en consonancia con el nmero finito N de puntos (xi,yi) que se utilizan como datos de partida. En ocasiones la representacin grfica de los datos puede ser fuente de informacin que nos permita elegir el tipo de funcin f que mejor se ajusta a los mismos; pero tambin puede ocurrir que, conociendo suficientemente el fenmeno fsico en estudio, dispongamos de un modelo matemtico y de la forma de la funcin f que lo describe, a falta de mayor concrecin en parmetros fsicos del modelo o, simplemente, de mayor precisin en las medidas tomadas por limitaciones instrumentales y humanas. En ambos casos, lo que queda es hallar los valores ms adecuados de los M parmetros {cj (j = 1,...,M)} que definen la funcin matemtica f (x,c1,...,cM) que mejor aproxima el cumplimiento de las N condiciones estipuladas: Estas condiciones representan un sistema algebraico de ecuaciones lineales que habr que resolver para determinar los parmetros {cj (j = 1,...,M)}.
Ejemplo 1: Se trata de ajustar los 3 coeficientes de la funcin polinmica de grado 2: a un conjunto de 5 datos (puntos) disponibles (xi,yi) (i = 1,...,5). f (x) = c1 + c2x + c3x2

yi = f (xi,c1,...,cM)

(i = 1,...,N)

(1)

Las ecuaciones (1) indican que la curva y = f (x) debe pasar por los 5 puntos (xi,yi) definidos como datos para este ejemplo. En este caso las ecuaciones (1) se particularizan en el siguiente sistema lineal de 5 ecuaciones y 3 incgnitas {c1, c2, c3}:
!1 # #1 #1 # #1 #1 ' x2 x3 x4 x5 x1 x12 " ! y1 " # $ 2$ x2 $ ! c1 " # y2 $ $ # $ 2 $# x3 # c2 $ % # y3 $ & Ac % b $ 2 # $ x4 $ ' c3 ( # y4 $ 2$ #y $ x5 ' 5( (

que en formato matricial en lo que sigue representaremos en la forma: A c % b, indicando con A la matriz de coeficientes, c el vector de incgnitas y b el vector trmino independiente.

71

Tema 6: Aproximacin.

Obsrvese que el sistema est sobredeterminado porque tiene mayor nmero de ecuaciones que de incgnitas; por tanto, en general, no existir solucin, y de ah el signo % utilizado en lugar del habitual =. Ello quiere decir que resolveremos el sistema rectangular de ecuaciones de manera aproximada buscando el mejor (o menos malo) conjunto de incgnitas {c1, c2, c3}; el significado de mejor y el mtodo de resolucin son aspectos a desarrollar a lo largo del captulo. El significado geomtrico de la solucin es el adelantado al plantear el problema: al calcular {c1, c2, c3} estaremos definiendo el polinomio de grado 2 que mejor se acerca a los 5 puntos proporcionados como datos. Una conclusin importante del comentario anterior es que en este captulo dedicado a la aproximacin de funciones, indirectamente tambin abordamos la resolucin, en sentido aproximado, de sistemas lineales de ecuaciones rectangulares para los que en general no existe solucin; efectivamente, ser muy til en muchas aplicaciones prcticas definir un vector nico que verifique un sistema de ecuaciones sobredeterminado de manera aproximada ptima (en el sentido de los mnimos cuadrados, como veremos).

Obsrvese tambin que de existir slo 3 puntos como dato, el sistema estara determinado y el polinomio calculado pasara exactamente por los 3 puntos; habramos resuelto entonces un problema de interpolacin que est incluido (cuando N = M) en el problema ms general de aproximacin discreta. Ello no quiere decir que el problema general de aproximacin (N > M) carezca de inters; al contrario, normalmente en los problemas de ajuste de los datos experimentales interesa que N > M para atenuar y filtrar posibles errores o imprecisiones. La aproximacin discreta y la interpolacin de funciones son conceptos cercanos pero en el primero no se exige como en el segundo que la funcin aproximante verifique exactamente los datos discretos del problema; esta diferencia evita las dificultades observadas en la interpolacin de grandes cantidades de datos, especialmente si stos muestran algn tipo de ruido o perturbacin proveniente de los errores experimentales. En otras ocasiones puede ser conveniente aproximar en un intervalo dado [a,b] una funcin cont inua f *(x) en vez de un conjunto discreto de puntos (xi,yi), mediante otra funcin f (x) de una familia o clase de funciones que comparten alguna caracterstica que facilita el trabajo matemtico, por ejemplo polinomios, funciones racionales, polinomios trigonomtricos, etc. Estaremos entonces ante el concepto de aproximacin continua, que ser objeto de estudio en los apartados finales del captulo. Comn a ambos tipos de aproximacin, discreta o continua, es el carcter lineal o no lineal de la misma, que definiremos a continuacin, como paso previo al desarrollo del captulo; as, diremos que un mtodo de aproximacin es lineal si la funcin aproximante f (x,c1,...,cM) es lineal en los parmetros {cj (j = 1,...,M)}; y no lineal en el caso contrario.
Ejemplo 2: El ajuste polinomial mediante la funcin es un problema de aproximacin lineal, porque un polinomio es lineal en sus coeficientes, aunque no lo es en general en la variable independiente x. Sin embargo, el ajuste exponencial mediante la funcin es un problema de aproximacin no lineal.
f ( x ) * c1e c2 x + c3e c4 x + ! + c2 n )1e c2 n x

f (x) = c1 + c2x + c3x2 + + cnxn)1

72

Tema 6: Aproximacin.

6.2.- APROXIMACIN DISCRETA.

Cmo se determina la mejor aproximacin f (x) que pase cerca (no por cada uno) de los N puntos dato (xk,yk)? Para responder esta pregunta hay que considerar los errores (tambin llamados desviaciones) que se definen a continuacin: ek = f (xk) ) yk (k * 1,...,N) Hay varias normas (formas de medir estos errores) que podemos usar para medir la distancia entre la curva y = f (x) y los datos. Las ms utilizadas son: Error mximo: Error medio: Error cuadrtico medio:
Ejemplo 3: E. ( f ) * max , f ( xk ) ) yk
1/ k / N

E1 ( f ) *
E2 ( f ) *

1 N
1 N

0
N k *1
N k *1

f ( xk ) ) yk
2

0 1 f (x ) ) y 2
k k

Vamos a comparar el error mximo, el error medio y el error cuadrtico medio de la aproximacin lineal y = f (x) = 8.6 ) 1.6 x con respecto al conjunto de datos ()1,10), (0,9), (1,7), (2,5), (3,4), (4,3), (5,0) y (6,)1). En la siguiente tabla se representan estos datos, el error absoluto y el error cuadrtico en cada punto: xk )1 0 1 2 3 4 5 6 yk 10.0 9.0 7.0 5.0 4.0 3.0 0.0 )1.0 f (xk) = 8.6)1.6 xk 10.2 8.6 7.0 5.4 3.8 2.2 0.6 )1.0 Suma: |ek| 0.2 0.4 0.0 0.4 0.2 0.8 0.6 0.0 2.6 ek2 0.04 0.16 0.00 0.16 0.04 0.64 0.36 0.00 1.40

Los errores se calculan a partir de los valores f (xk) y ek: E1( f ) = 2.6 / 8 = 0.325

E.( f ) = max{0.2, 0.4, 0.0, 0.4, 0.2, 0.8, 0.6, 0.0} = 0.8 E2( f ) = (1.4 / 8)1/2 % 0.41833

Podemos ver que el error mximo E.( f ) es el mayor de los tres. Si el error en un punto es grande, entonces el valor de este error es el que determina E.( f ). El error medio E1( f ) es simplemente la media aritmtica de los valores absolutos de los errores en los puntos; se usa a menudo porque es fcil de calcular. El error cuadrtico medio E2( f ) se usa muy a menudo porque es fcil de minimizar y porque considera la naturaleza aleatoria de los errores.

La funcin mejor aproximacin es aqulla que minimiza la funcin error y, por tanto, depender de la norma elegida para la definicin del mismo. Con las normas definidas, seran tres las funciones de aproximacin ptimas que podramos calcular, pero la que corresponde a la tercera norma, el error cuadrtico medio, es la eleccin ms utilizada en Ingeniera, y se denomina aproximacin mnimo-cuadrtica. 73

Tema 6: Aproximacin.

6.3.- APROXIMACIN DISCRETA MNIMO-CUADRTICA: CASO LINEAL.

Dados N puntos {(xk,yk) (k = 1,...,N)} con abscisas distintas, y M funciones linealmente independientes { fj (x) (j = 1,...,M)}, se trata de encontrar M coeficientes {cj} tales que la funcin f (x) definida como la combinacin lineal
f ( x) * 0 c j f j ( x)
M j *1

minimice la suma de los cuadrados de los errores cometidos en cada punto:

E 1 c1 , c2 ," , cM 2 * 0 1 f ( xk ) ) yk 2
N k *1 2

es decir, E = N [E2( f )]2. Minimizar E es equivalente a minimizar E2( f ), y para que la magnitud escalar E alcance un mnimo relativo para un conjunto dado de valores de los parmetros {c1,..., cM}, es necesario que se verifiquen las condiciones 3 E /3 ci = 0 para i = 1, 2,..., M. Calculando estas derivadas e igualando a cero se obtiene un sistema de ecuaciones lineales cuya solucin es {cj}. En efecto,
N !! M " " 3E * 0 * 0 2 # # 0 c j f j 1 xk 2 $ ) yk $ fi 1 xk 2 # $ 3 ci k *1 ' ' j *1 ( (

!! M " " * 0 # # 0 c j f j 1 x k 2 $ ) yk $ # $ k *1 ' ' j *1 ( (

N

00 c j f j 1 xk 2 fi 1 xk 2 * 0 yk fi 1 xk 2
N M N k *1 j *1 k *1

y permutando los signos de sumatorio queda el siguiente sistema de ecuaciones en cj:

que reciben el nombre de ecuaciones normales o ecuaciones normales de Gauss.

0# 0f '
M N j *1 k *1

N " ( x ) f ( x ) c * fi ( xk ) yk 0 j k i k $ j k *1 (

(i * 1, 2, ..., M )

(2)

A pesar de su carcter aproximado, la solucin obtenida mediante mnimos cuadrados alisa (filtra) los errores aleatorios de los datos y permite captar la tendencia de fondo mostrada por el fenmeno medido. Precisamente, el mtodo fue desarrollado por Gauss para calcular las rbitas celestes de planetas y cometas. Las rbitas elpticas de estos cuerpos quedan determinadas por cinco parmetros, es decir, en principio, por cinco observaciones de su posicin. Sin embargo, debido a la imprecisin de los instrumentos de medida y del factor humano, el clculo de una rbita a partir de tan solo 5 observaciones es escasamente fiable, y la solucin correcta se obtiene mediante el ajuste por mnimos cuadrados de numerosas observaciones. Obsrvese que hemos pasado del sistema rectangular de ecuaciones (1) de dimensin N5M al sistema final cuadrado de dimensiones M5M ; todo ello queda mejor reflejado si de manera equivalente reproducimos el proceso seguido en forma matricial como en el Ejemplo 1. Entonces el sistema de ecuaciones (1) es equivalente a:

0c
M j *1

f j ( xi ) % yi

(i * 1,..., N ) &

6 aij * f j ( xi ) Ac % b 7 8bi * yi

74

Tema 6: Aproximacin.

En la fila genrica i se establece que la funcin f (x) verifica (aproximadamente) el dato (xi,yi). Las dimensiones de la matriz de coeficientes A y del vector b son N5M y N51 respectivamente, y estaremos tratando con un sistema lineal de ecuaciones rectangular sobredeterminado si, como ocurre en general, N > M. Para obtener la solucin de mnimos cuadrados del sistema rectangular A c % b definiremos el vector residuo y minimizaremos el cuadrado de su norma eucldea:
r * b ) Ac ; r 2 * r Tr * (b ) Ac)T (b ) Ac) * b Tb ) 2c T AT b + c T AT Ac
2

anulando las derivadas con respecto a los parmetros c, para obtener: )2 AT b + 2 AT Ac * 0 & AT Ac * ATb (3) ste es un sistema de M ecuaciones con M incgnitas (matriz de coeficientes ATA de dimensin M5M ) que se conoce como sistema de ecuaciones normales. Si el rango de la matriz A es M (las columnas de A son linealmente independientes), el sistema de ecuaciones obtenido es no singular y tiene solucin nica.

Efectivamente, entonces A c representa un vector del espacio generado por las columnas de A (dimensin M en general; el plano en la figura) que en el caso habitual del mtodo de los mnimos cuadrados (N > M ) no incluye al vector b de dimensin N. Por tanto en lugar de una solucin exacta buscaremos el vector A c (del espacio generado por las columnas de A) ms cercano a b (en la norma eucldea); entonces, este vector A c deber coincidir con la proyeccin ortogonal de b en el espacio columna de A (el plano), como se muestra en la figura: b Ac Figura 1. Por tanto, el vector residuo r = b ) A c ser perpendicular al espacio columna de A, y se verificar la condicin de ortogonalidad (producto escalar nulo) de todos los vectores columnas de A con el vector (columna) r; en formato matricial: 0 * AT r * AT (b ) Ac) & AT Ac * AT b que es el mismo sistema de ecuaciones normales obtenido anteriormente.
Ejemplo 4: Resolver numricamente el Ejemplo 1 (ajuste cuadrtico a 5 puntos) con arreglo a los siguientes valores numricos: x y 1.0 1.0 0.5 0.5 0.0 0.0 0.5 0.5 1.0 2.0

r = b)Ac

Resolucin:

El sistema de ecuaciones sobredeterminado ser:

75

Tema 6: Aproximacin.

!1 )1.0 1.0 " ! 1.0 " # $ # $ #1 )0.5 0.25 $ ! c1 " # 0.5 $ # $ Ac * #1 0.0 0.0 $ # c2 $ % # 0.0 $ * b # $# $ # $ #1 0.5 0.25 $ ' c3 ( # 0.5 $ #1 1.0 1.0 $ # 2.0 $ ' ( ' (

El sistema de ecuaciones normales:

AT A c * AT b

! 1 )1.0 1.0 " # $ 1 1 1 1 " # 1 )0.5 0.25 $ ! 5.0 0.0 2.5 " ! 1 # $ # $ AT A * # )1.0 )0.5 0.0 0.5 1.0 $ # 1 0.0 0.0 $ * # 0.0 2.5 0.0 $ # 1.0 0.25 0.0 0.25 1.0 $ # 1 0.5 0.25 $ # 2.5 0.0 2.125 $ ' (# ( $ ' # 1 1.0 1.0 $ ' ( ! 1.0 " # $ 1 1 1 1 " # 0.5 $ ! 4.0 " ! 1 # $ # $ AT b * # )1.0 )0.5 0.0 0.5 1.0 $ # 0.0 $ * # 1.0 $ # 1.0 0.25 0.0 0.25 1.0 $ # 0.5 $ # 3.25 $ ' (# ( $ ' # 2.0 $ ' (

Tiene como solucin:

! 0.086 " # $ c * # 0.40 $ # 1.4 $ ' (

y por tanto:

f ( x ) * 0.086 + 0.4 x + 1.4 x 2

6.3.2.- Aproximacin polinomial.

Es un caso particular de la aproximacin discreta mnimo-cuadrtica lineal que ya ha sido tratado en alguno de los ejemplos; veremos aqu su formulacin y caractersticas especficas. Cuando en el mtodo general descrito se tienen de nuevo N puntos, pero se utilizan M funciones { fj (x) = xj (j = 0,1, .., M)1)}, la funcin aproximante f (x) ser un polinomio de grado menor o igual que M)1:
f ( x ) * c0 + c1 x + c2 x 2 + ! + cM )1 x M )1 * 0 c j x j
M )1 j *0

Entonces, procediendo anlogamente al caso anterior:

E * 0 1 f ( xk ) ) y k 2
N k *1 2

! ! M )1 " j " * 0 # # 0 c j xk $ ) yk $ * E (c0 , ..., cM )1 ) # $ k *1 ' ' j * 0 ( (

N 2

y minimizando E:

M )1

0# 0x '
N

N " i c * yk xk 0 j $ j * 0 k *1 k *1 ( # $ %$ & k j +i aij

N ! ! M )1 " i 3E j " * 0 * 0 2 # # 0 c j xk $ ) y k $ x k 4 # $ 3 ci k *1 ' ' j * 0 ( (

(i * 0,1,..., M ) 1)

(4)

76

Tema 6: Aproximacin.

Obsrvese que la matriz de coeficientes de este sistema es simtrica, pues aij = aji; adems, aij es cte. para i+j = cte., con lo que tambin son iguales todos los elementos alineados perpendicularmente a la diagonal principal. 6.3.2.1.Se trata del caso particular en que el grado del polinomio es 1 y el nmero de coeficientes a determinar es M = 2. La recta de regresin o recta ptima en (el sentido de los) mnimos cuadrados es la de ecuacin y = f (x) = Ax + B que minimiza el error cuadrtico medio E2( f ). Recordemos que la cantidad E2( f ) ser mnima si lo es el valor E = N [E2( f )]2; en este caso:
E * N [ E2 ( f )]2 * 0 1 Axk + B ) yk 2
N k *1 2

Aproximacin polinmica lineal. Determinacin de la recta de regresin.

valor que puede visualizarse geomtricamente como la suma de los cuadrados de las distancias verticales desde los puntos hasta la recta. Particularizando a este caso las frmulas generales para polinomios (4), los coeficientes de la recta de regresin resultan ser la solucin del siguiente sistema lineal de ecuaciones normales:
N 6! N 2 " ! N " 9# 0 xk $ A + # 0 xk $ B * 0 yk xk k *1 9' k *1 ( ' k *1 ( 7 N N 9! x " A + N B * yk 0 0 k # $ 9 k *1 8' k *1 (

(5)

Recurdese que el sistema de ecuaciones normales tambin puede obtenerse matricialmente segn (3). 6.3.2.2.Eligiendo como funcin de aproximacin un polinomio de grado 2, y M = 3 coeficientes a determinar, la parbola ptima en el sentido de los mnimos cuadrados: y = f (x) = Ax2 + Bx + C se determina sustituyendo los coeficientes A = c3, B = c2 y C = c1 en el sistema de ecuaciones normales (4):
N 6! N 4 " ! N 3" ! N 2" x A + x B + x C * yk xk2 0 9# 0 k $ #0 k $ #0 k $ ' k *1 ( ' k *1 ( k *1 9' k *1 ( N 9 ! N 2" ! N " 9! N 3 " 7# 0 xk $ A + # 0 xk $ B + # 0 xk $ C * 0 yk xk k *1 ' k *1 ( ' k *1 ( 9' k *1 ( N 9! N " ! N " 9# 0 xk2 $ A + # 0 xk $ B + N C * 0 yk 9' k *1 ( k *1 ' k *1 ( 8

Aproximacin polinmica cuadrtica.

(6)

y resolviendo el sistema de 3 ecuaciones para las incgnitas A, B y C. Obsrvense las simetras en la matriz de coeficientes, y recurdese que el sistema de ecuaciones normales tambin puede obtenerse matricialmente segn (3).

77

Tema 6: Aproximacin.

Ejemplo 5: En el Ejemplo 4 se ha desarrollado en formato matricial un caso de ajuste polinomial de segundo grado a 5 datos determinados; puede ahora repetirse el mismo ejemplo con arreglo a las frmulas obtenidas en (6) y comprobar la igualdad de los resultados obtenidos.

6.3.2.3.-

Inconvenientes de la aproximacin polinomial. Ortogonalizacin.

Si los datos no muestran una naturaleza polinomial, puede ocurrir que la curva resultante presente oscilaciones grandes. Este fenmeno, llamado oscilacin polinomial, se hace ms pronunciado conforme aumenta el grado del polinomio, y por esta razn no se suelen usar polinomios de grado seis o mayor a no ser que se sepa que la funcin de la que provienen los datos es un polinomio. Por otra parte el sistema de ecuaciones normales es un sistema mal condicionado, que se ve muy afectado por los errores de redondeo. De hecho, se puede demostrar que, al formar el sistema de ecuaciones normales, el nmero de condicin de la matriz A de coeficientes original (que empeora sensiblemente al aumentar el grado del polinomio de aproximacin) queda elevado al cuadrado en la matriz de coeficientes ATA resultante. cond( AT A) * [cond( A)]2

6.4.APROXIMACIN DISCRETA MNIMO-CUADRTICA: CASOS NO LINEALES. 6.4.1.- El ajuste exponencial: y * Ce Ax . Lo mismo que en el caso anterior, en muchos procesos, como por ejemplo los de desintegracin radiactiva, los datos experimentalmente obtenidos siguen exponenciales decrecientes. Supongamos de nuevo que queremos aproximar N puntos (xk,yk) mediante una funcin exponencial de la forma y = CeAx, donde los parmetros a determinar son C y A. Se trata de una aproximacin no lineal en el coeficiente A; el mtodo de los mnimos cuadrados consiste en minimizar la funcin:
E ( A, C ) * 0 Ce Axk ) yk
N k *1

Para ello hallamos las derivadas parciales de E(A,C) respecto de A y C:

N 63 E * 0 * 2 Ce Axk ) yk Ce Axk xk 0 93 A 9 k *1 7 N 9 3 E * 0 * 2 Ce Axk ) y e Axk 0 k 9 83 C k *1

1 1

2 2

y tras simplificar se obtiene el siguiente sistema de ecuaciones normales:

N 6 N 2 Axk C x e ) xk yk e Axk * 0 0 9 0 k 9 k *1 k *1 7 N N 9C e2 Axk ) y e Axk * 0 0 0 k 9 8 k *1 k *1

(7)

78

Tema 6: Aproximacin.

que es un sistema algebraico no lineal de ecuaciones cuya resolucin no es inmediata como en los casos lineales, sino que se obtiene a travs de un proceso iterativo. Para evitar esta dificultad se puede utilizar el procedimiento de linealizacin de los datos que se describe a continuacin. 6.4.2.- Linealizacin de los datos. Muchos casos en los que se desea ajustar los datos a una curva no lineal en sus parmetros, pueden transformarse en un problema de aproximacin lineal mediante adecuados cambios de variable. Veamos a continuacin algunos casos. 6.4.2.1.Linealizacin de los datos para y * Ce Ax . y = CeAx Tomando logaritmos: Cambio de variable: Ecuacin linealizada (B = ln(C)): ln(y) = ln(C) + A x Y = ln(y), Y = AX+B X=x Sean N datos (xk,yk) a los que queremos ajustar una curva exponencial de la forma:

Los datos originales (xk,yk) se han transformado en (Xk,Yk) = (xk,ln(yk)); el problema ahora es calcular la recta de regresin de los puntos (Xk,Yk), para lo que planteamos las correspondientes ecuaciones normales definidas en (5):
N 6! N 2 " ! N " X A + X B * Yk X k 0 9# 0 k $ #0 k $ k *1 9' k *1 ( ' k *1 ( 7 N N 9! X " A + N B * Yk 0 #0 k $ 9 k *1 ( 8' k *1

ste es un sistema de ecuaciones lineal ms sencillo de resolver que el sistema no lineal correspondiente a los datos iniciales no transformados. Calculados A y B, se obtiene el parmetro original C = eB, y con ello la funcin a determinar y = CeAx.

Este procedimiento minimiza el error cuadrtico calculado en las variables X, Y (es decir, el de la recta Y = A X + B respecto a los puntos (Xk,Yk)), pero, tras deshacer el cambio, el error cuadrtico de la exponencial y = CeAx respecto a los datos (xk,yk) originales no es el mnimo. No obstante, la diferencia suele ser pequea, lo cual permite utilizar a menudo el proceso de linealizacin por ser computacionalmente ms sencillo. 6.4.2.2.La tcnica de linealizacin mostrada en el apartado anterior se puede emplear en otros casos de aproximacin no lineal a funciones tales como y = A ln(x) + B o y = A/x + B. El tipo de funcin de aproximacin se puede elegir a la vista de la representacin grfica del conjunto de datos. Una vez elegida dicha funcin, si sta es no lineal en los parmetros que la definen, hay que realizar el cambio de variables adecuado de manera que las nuevas variables se relacionen linealmente. La siguiente tabla muestra algunos de los cambios ms utilizados. Otros casos de linealizacin.

79

Tema 6: Aproximacin.

Funcin: y = f (x) A y* +B x D y* x+C 1 y* A: x + B x y* A: x + B y * A : ln( x) + B y * C : e Ax

Ejemplo 6:

Linealizacin: Y = AX + B 1 y * A: + B x )1 D y* : (x y) + C C 1 * A: x + B y 1 1 * A+ B: y x y * A : ln( x) + B ln( y ) * A : x + ln(C )

X * xy; Y * y
1 y 1 1 X* ; Y* x y X * ln( x ); Y * y X * x ; Y * ln( y ) X * x; Y *

Cambios 1 X * ; Y*y x

La siguiente tabla proviene de un aparato de medida que slo da hasta las centsimas: x 2 2.5 3 3.5 4 y 0.12 0.11 0.09 0.09 0.08
y* 1 A ln x + B ( A, B ctes.)

Una teora fsica subyacente postula que los datos provienen de una funcin de la forma:

Es Vd. el investigador #1 tratando de determinar los coeficientes fsicos A, B. Se le pide: a) Deducir el sistema de ecuaciones normales de la recta de regresin. b) Linealizar los datos de la tabla mediante un cambio de variables apropiado X = X(x), Y = Y(y). c) Calcular los coeficientes A1, B1 que minimizan el error cuadrtico en los datos linealizados. d) Calcular dicho error cuadrtico EY,1 en los datos linealizados (error cuadrtico en Y).

e) Calcular el correspondiente error cuadrtico Ey,1 tras deshacer el cambio de variables (en y).

A continuacin un segundo investigador, #2, que ha estado trabajando en el mismo problema, llega muy ufano con un papel en la mano: A2 = 5.80689272067113 ; B2 = 4.19652914545741 Se pide:

f) Antes de hacer ningn clculo, desechara Vd. esos coeficientes directamente al ver que no coinciden con los suyos, que ya son ptimos suponiendo operaciones correctas y sin errores de redondeo, o por el contrario creera Vd. posible que el otro investigador haya dado con unos coeficientes A2, B2 an mejores que los suyos, al menos en algn sentido? Justificar la respuesta. g) Calcular el error cuadrtico Ey,2 (en y) anlogo a Ey,1 pero usando A2, B2 en lugar de A1, B1, y compararlos. Si Ey,2 < Ey,1 , explicar cmo habr podido llegar a su resultado el investigador #2 (es decir, qu ecuaciones habr podido plantear y qu algoritmos habr podido usar para resolverlas). h) Es posible que venga un tercer investigador con otros parmetros en la mano que reduzcan an ms el error cuadrtico en y ? Para responder con solvencia, sustituir A2, B2 en las ecuaciones del apartado g) y ver si las cumplen (ocho cifras significativas sern suficientes). Resolucin: a) Datos: Recta de regresin: (xk,yk) (k = 1,...,N) y = Ax+B

80

Tema 6: Aproximacin.

Error cuadrtico:

E ( A, B ) * 0 1 A xk + B ) yk 2
N k *1

N 6 3E * 0 2 1 A xk + B ) y k 2 xk * 0 4 9 9 3A k *1 Para minimizar E: 7 N 9 3E * 2 1 A x + B ) y 2 * 0 4 0 k k 9 3B k *1 8

N ! N 2" ! N " x A + x B * y k xk 0 #0 k $ #0 k $ k *1 ' k *1 ( ' k *1 (

! N " # 0 xk $ A + ' k *1 (

B * 0 yk
N k *1

(8)

b)
x y X = ln x Y = 1/y X2 XY (A1X +B1 Y)2 y1 = 1/(A1ln x+B1) y2 = 1/(A2ln x+B2) (y1 y)2 (y2 y)2 [1] [2] [3] [4] yex = 1/(6 ln x + 4) (y1 yex)2 (y2 yex)2

y*

1 A ln x + B

1 * A ln x + B ; y

6Y * 1 y ; 7 < 4 Y * AX + B 8 X * ln x =
3.5 0.09 1.252763 11.111111 1.5694151 13.919589 0.17248452 0.086757179 0.087174919 1.0515889e-05 7.981082e-06 2.6895703e-05 2.1469108e-05 3.0577554e-05 2.4408092e-05 0.08683135 5.5013681e-09 1.1803966e-07 4 0.08 1.3862944 12.5 1.9218121 17.32868 0.030454874 0.081132698 0.081655371 1.2830058e-06 2.7402544e-06 -1.5301021e-05 -1.1037354e-05 -1.0336217e-05 -7.4560043e-06 0.081183551 2.5859993e-09 2.2261431e-07 Sumas 15 0.49 5.3471075 52.146465 6.0182178 57.561214 0.6624849 5.9360944e-05 5.8405157e-05 1.0503209e-19 2.3547516e-19 3.9178625e-06 -1.5660787e-06 1.2738186e-07 1.2801274e-06

2 0.12 0.69314718 8.3333333 0.48045301 5.7762265 0.02424175 0.12228473 0.12163141 5.2200053e-06 2.661502e-06 -1.6729399e-05 -2.4135421e-05 -2.3681293e-05 -3.4164884e-05 0.1225658 7.8996385e-08 8.7307535e-07

2.5 0.11 0.91629073 9.0909091 0.83958871 8.3299157 0.17811472 0.10511991 0.10507147 2.3815252e-05 2.4290379e-05 4.9856304e-05 5.441101e-05 4.9411822e-05 5.3925921e-05 0.10528816 2.8306043e-08 4.6951859e-08

3 0.09 1.0986123 11.111111 1.206949 12.206803 0.25718904 0.094304276 0.094553234 1.8526793e-05 2.073194e-05 -4.4721586e-05 -4.0707342e-05 -4.2054003e-05 -3.8279203e-05 0.094413784 1.1992068e-08 1.9446204e-08

c) Sustituyendo en (8) con X, Y en lugar de x, y tomando los valores en negrita:

6 A1 * 5.9840841 66.0182178 A + 5.3471075 B * 57.561214 ; 7 < 4 7 5 B * 52.146465 = 85.3471075 A + 8 B1 * 4.0297847

d) De la tabla, en la suma de la fila (A1Xk +B1 Yk)2: Este error es mnimo en la variable linealizada Y. Ey,1 = 5.9360944e-05 EY,1 = 0.6624849

e) De la tabla, en la suma de la fila (y1 y)2:

f) Es posible que los parmetros A2, B2 del otro investigador sean mejores en la variable y (sin linealizar), aunque le habr costado bastante trabajo conseguirlos. Los parmetros A1, B1 minimizan el error en Y, pero slo estarn cerca de minimizar el error en y que es lo que interesa al fin y al cabo. g) De la tabla, en la suma de la fila (y2 y)2: Ey,2 = 5.8405157e-05

El error cuadrtico es menor! El investigador #2 habr empezado tambin linealizando los datos, y a los valores de A, B los habr llamado A1, B1; a partir de ah habr ido mejorando la aproximacin mediante el mtodo de Newton hasta llegar a A2, B2. En concreto habr intentado minimizar la funcin e:

81

Tema 6: Aproximacin.
5 6 3e 1 ) ln xk ! " * 2# ) yk $ *0 0 9 2 2 5 ( 1 A ln xk + B 2 1 9 3A k *1 ' A ln xk + B ! " ) yk $ min 4 7 e( A, B ) * 0 # 5 )1 1 " k *1 ' A ln xk + B ( 9 3e * 2 ! ) yk $ *0 0 2 # 9 3B k *1 ' A ln xk + B ( 1 A ln xk + B 2 8

(9)

ste es un sistema no lineal; el mtodo de Newton requiere entonces, partiendo de A1, B1, calcular analticamente el jacobiano, que en este caso tiene la forma
! 3 2e # 3 A2 J *# 2 # 3e # ' 3A3B 3 2e " $ 3A3B $ 3 2e $ $ 3B 2 (

y evaluarlo y utilizarlo reiteradamente para calcular incrementos de A y de B hasta un criterio de parada, que puede ser el cumplimiento de (9) con errores menores que cierta tolerancia, o una diferencia entre dos valores consecutivos de e tambin menor que cierta tolerancia. h) Si A2, B2 cumplen (9), son la solucin ptima en y. Por tanto, rellenando en la tabla la fila [1] segn:
1 ) ln xk ! " 2 # A ln x + B ) yk $ 2 k ' 2 ( 1 A2 ln xk + B2 2 1 )1 ! " 2 # A ln x + B ) yk $ 2 k ' 2 ( 1 A2 ln xk + B2 2

[1]

y su suma a la derecha, y rellenando la fila [2] segn [2]

y su suma a la derecha, resulta que ambas sumas son prcticamente cero (del orden de 10)19). Por tanto no es posible que venga otro investigador con resultados mejores. Ntese que si hacemos lo mismo con A1, B1 (filas [3] y [3]):
1 ) ln xk ! " 2 # A ln x + B ) yk $ 1 k ' 1 ( 1 A1 ln xk + B1 2 1 )1 ! " 2 # A ln x + B ) yk $ 1 k ' 1 ( 1 A1 ln xk + B1 2

[3] [4]

las sumas, a la derecha, an distan de ser cero (son del orden de 10)6).

6.5.- APROXIMACIN CONTINUA LINEAL.

Dada la funcin f *(x) continua en un intervalo [a,b], y dadas M funciones { fj (x), j = 1,...,M} continuas y linealmente independientes en dicho intervalo, se trata de encontrar M coeficientes {cj} tales que la funcin f (x) definida como la combinacin lineal:
f ( x) * 0 c j f j ( x)
M j *1

(10)

sea la mejor aproximacin a la funcin f *(x), es decir, minimice la funcin error La mejor aproximacin depender de la norma utilizada para medir la funcin error; las ms utilizadas son: e(x) = f *(x) ) f (x)

82

Tema 6: Aproximacin.

1)

La norma infinito (L.):

y entonces obtendremos la mejor aproximacin uniforme, o aproximacin minimax. 2) La norma eucldea (L2): y entonces obtendremos la mejor aproximacin mnimo cuadrtica.

* max f ( x)
a / x /b

>

f ( x)2 dx

En la prctica de la ingeniera, la importancia de la aproximacin continua es menor que la de la aproximacin discreta; sin embargo su conocimiento es muy constructivo desde el punto de vista terico por lo que supone de sistematizacin en el tratamiento de las funciones y por la interpretacin geomtrica que conlleva.

Como paso previo, es conveniente reconocer la estructura del proceso de aproximacin lineal que nos ocupa; en esta estructura abstracta trataremos a las funciones como vectores. De hecho sabemos que, por ejemplo, un polinomio de grado n puede ser considerado como un vector definido por la lista de sus n+1 coeficientes; y tambin, en apartados anteriores hemos tratado listas de valores de funciones como vectores. Si consideramos el conjunto de funciones continuas en un intervalo: C 0 [a, b] * { f :[a, b] & ! / f es continua} es inmediato comprobar que se verifica la siguiente propiedad: f , g AC0 4 ? f + @ g AC0 B? , @ A R que es caracterstica de los espacios vectoriales.

Nota: Recordemos que, en el caso general, para que un conjunto V dotado de la operacin interna + y el producto por un escalar perteneciente a un cuerpo K tenga estructura de espacio vectorial, es necesario que (V,+) sea un grupo abeliano y que B f, g AV ; ?, @ AK se cumpla: a) ? f AV ; b) ? ( f + g) = ? f + ? g ; c) (? @ ) f = ? (@ f ) ; y d) 1f = f. El cumplimiento de todos estos axiomas se pueden comprobar con detalle en el caso que nos ocupa, de las funciones continuas en un intervalo cerrado [a,b].

El conjunto de funciones continuas en un intervalo es un espacio vectorial, y sus elementos pueden tratarse algebraicamente como vectores. Entonces, el problema de la aproximacin lineal de una funcin continua definido en (10) consiste en encontrar, en el subespacio vectorial de C0[a,b] generado por la base { fj (x), j = 1,...,M}, el vector (funcin) ms cercano (a menor distancia) al vector (funcin a aproximar) f *A C0[a,b].

En este contexto, observamos que las consideraciones de tipo geomtrico asociadas al concepto de espacio vectorial de funciones pueden ser muy tiles para encontrar o recordar resultados importantes de la teora de aproximacin y de otros aspectos de la teora de funciones. Volviendo a la utilidad de la aproximacin continua, mencionaremos a continuacin un ejemplo donde la aproximacin continua es ms apropiada que la interpolacin; se trata del diseo de libreras informticas para el clculo de funciones como las suministradas en los lenguajes de programacin Fortran o C; en este caso, es importante que la aproximacin sea igualmente precisa en todos los puntos del dominio de aproximacin (para todos los argumentos posibles de la funcin), pero no es esencial que algunos de los valores aproximados coincidan con los valores exactos de la funcin. Lo ms apropiado en esos casos es minimizar la 83

Tema 6: Aproximacin.

desviacin mxima en el intervalo entre la funcin y la aproximacin, y esto se consigue con la norma infinito, es decir, con la aproximacin uniforme o minimax. Sin embargo, cabe decir que en general la aproximacin mnimo cuadrtica es la ms utilizada en la prctica, y en ella centraremos nuestra atencin en lo que queda del captulo. 6.6.APROXIMACIN CONTINUA MNIMO-CUADRTICA.

Hasta ahora hemos considerado el conjunto de funciones continuas C0[a,b] como un espacio vectorial de dimensin infinita, y la mejor aproximacin a uno cualquiera de sus elementos (funciones) desde un subespacio vectorial de dimensin finita, como el elemento (funcin) de este ltimo a menor distancia de la funcin aproximada. Para ello, al concepto de espacio vectorial de funciones hemos aadido el concepto de norma, que nos permite evaluar la distancia entre funciones. En el mtodo de los mnimos cuadrados utilizamos la norma eucldea para definir la distancia entre elementos a minimizar; est norma est asociada con un producto interno (la norma infinito no lo est) y todo producto interno permite introducir adems del concepto de longitud (norma) de un vector, el concepto de ngulo (ortogonalidad) entre vectores. Definiremos ahora el producto interno o producto escalar de dos funciones f y g como:
( f ,g )= > f (x )g (x)dx
b a

(11)

En el caso discreto el producto escalar utilizado ha sido:

( f ,g ) * 0 f (xi )g (xi )
M i *1

(12)

A partir del producto escalar (11) se define: 1) 2) La norma eucldea de una funcin f :

1 f ,f 2
( f,g) = 0

Entonces la solucin del problema de la aproximacin lineal mnimo cuadrtica no es ms que la generalizacin del conocido hecho geomtrico en 2 3 dimensiones que dice: la distancia ms corta desde un punto (extremo del vector y) hasta un subespacio (recta o plano) es la longitud del vector entre el punto y el subespacio, que es perpendicular al subespacio, como se indica en la Figura 2.
error e x1 C f1 f (mejor aproximacin a f *) x2 C f2

La ortogonalidad de dos funciones f y g cuando se verifica:

yCf

Figura 2.

84

Tema 6: Aproximacin.

Esto quiere decir que el vector error e = f *) f es ortogonal al subespacio generado por la base { fj (x), j = 1,...,M}; esta sencilla observacin geomtrica nos permitir generar las ecuaciones normales de la aproximacin lineal mnimo cuadrtica continua. Todo ello queda plasmado en los siguientes puntos: 1) Cuando { fj (x), j = 1,...,M} son linealmente independientes, la aproximacin mnimo cuadrtica a la funcin f * tiene solucin nica:
f ( x) * 0 c j f j ( x)
M j *1

2) La solucin est caracterizada por que la funcin error e = f *) f es ortogonal a todas las funciones de base { fj (x), j = 1,...,M}. Es decir,
M ! " * # f i ( x), 0 c j f j ( x) ) f ( x) $ * 0 (i * 1,..., M ) j *1 ' (

donde los coeficientes {cj, j = 1,...,M} satisfacen las ecuaciones normales.

Desarrollando esta expresin, en virtud de la propiedad de linealidad del producto escalar, obtenemos el sistema de ecuaciones normales que debe resolverse para hallar los coeficientes {cj, j = 1,...,M} de la aproximacin: 6( f1 , f1 )c1 + ( f1 , f 2 )c2 + ... + ( f1 , f M )cM * ( f1 , f * ) 9 * 9( f 2 , f1 )c1 + ( f 2 , f 2 )c2 + ... + ( f 2 , f M )cM * ( f 2 , f ) 7 9... 9( f , f )c + ( f , f )c + ... + ( f , f )c * ( f , f * ) M M M M M 8 M 1 1 2 2
M

y de manera ms compacta

0 ( f ( x), f
j *1 i

( x )) c j * ( f i , f * ) (i * 1,...., M )

(13)

3) Un caso especial importante ocurre cuando las funciones { fj(x), j = 1,...,M} forman una base ortogonal; entonces el sistema de ecuaciones es diagonal y los coeficientes pueden calcularse con mayor sencillez a travs de las frmulas:
cj * ( f j , f *) ( f j, f j) ( j * 1,...., M ); o bien c j * ( f j , f * ) ( j * 1,...., M )

(14)

correspondiendo las segundas al caso de que la base sea ortonormal. Estos coeficientes se denominan coeficientes ortogonales (Fourier generalizados) y generan la expansin ortogonal (desarrollo en serie de Fourier generalizada) de una funcin continua g(x) cualquiera:
g ( x ) & 0 ( f j , g ) f j ( x) (con base ortogonal)
. j *1

que para ciertas bases (infinitas) converge a la funcin g(x) en el intervalo y en el sentido mnimo cuadrtico si g verifica condiciones sencillas de continuidad.

85

Tema 6: Aproximacin.

4) Una serie de Fourier truncada

0 ( f , g) f
M j *1 j

( x)

Los sistemas ortogonales son ventajosos no slo porque simplifican los clculos, sino fundamentalmente porque evitan los problemas asociados al mal condicionamiento caracterstico de las ecuaciones normales asociadas a bases cualesquiera no ortogonales. Siempre es posible ortogonalizar una base finita cualquiera de un subespacio vectorial; el mtodo ms conocido para ello se denomina mtodo de Gram-Schmidt, y tiene una interpretacin geomtrica muy til para describirlo y recordarlo: supongamos 3 vectores linealmente independientes {x1,x2,x3} que no son ortogonales pero constituyen una base del espacio 3D; procederemos en los 3 pasos siguientes: 1) Normalizar el primer vector x1 (dividiendo por su mdulo o norma) para obtener el vector 1 = x1 / ||x1||. unitario x 2) Proyectar el segundo vector x2 sobre el primero x1 y restar el vector proyeccin del propio 1 ) x 1 . Este vector y2 es ortogonal al primer vector x2, para obtener el vector y2 * x2 ) ( x2 , x vector x1 por construccin (es la parte del segundo vector x2 ortogonal al primero). Nor2 = y2 / ||y2||, que es ortomalizaremos ahora el vector y2 para obtener el vector unitario x 1 . gonal a x
1 y x 2 (tambin x1 y x2) y restar 3) Proyectar el tercer vector x3 sobre el plano formado por x 1 ) x 1 + ( x3 , x 2 ) x 2 2 . la proyeccin del propio vector x3 para obtener el vector y3 * x3 ) 1 ( x3 , x

es por tanto la mejor aproximacin mnimo cuadrtica a la funcin g(x) en el subespacio generado por la base (ortonormal) { fj (x), j = 1,...,M}.

1 y x 2 por construccin (es la parte del Este vector y3 es ortogonal al plano formado por x tercer vector x3 ortogonal al plano); normalizaremos ahora el vector y3 para obtener el 3 = y3 / ||y3||, que es ortogonal a x 1 y x 2 . vector unitario x

1 , x 2 , x 3 } a partir de una base cualquiera Hemos obtenido as una base ortonormal { x { x1, x2, x3 }. La generalizacin de este proceso a una base de dimensin finita cualquiera es inmediata. Si lo aplicamos a la base comn del subespacio vectorial de polinomios de grado n, {1, x, x2,..., xn}, obtendremos diversas familias de polinomios ortogonales segn el intervalo considerado y la funcin de peso w(x) del producto escalar. Si ampliamos la definicin del producto escalar:
b a

y aplicamos a {1, x, x2,..., xn} el proceso de ortogonalizacin de Gram-Schmidt, obtendremos: E E E E E Los polinomios de Legendre, si a = )1, b = 1 y w(x) = 1. Los polinomios de Chebyshev, si a = )1, b = 1, y w(x) = (1)x2))1/2. Los polinomios de Chebyshev de 2 especie, si a = )1, b = 1 y w(x) = (1)x2)1/2. Los polinomios de Jacobi, si a = )1, b = 1 y w(x) = (1)x)? (1+x)@ (?, @ > )1). Polinomios de Laguerre, si a = 0, b = . y w(x) = x? e)x (? > )1).
2

( f ,g )= > w( x) f (x)g (x)dx ; w( x ) D 0 Bx A [ a , b ]

E Polinomios de Hermite, si a = )., b = . y w( x ) * e ) x .

86

Tema 6: Aproximacin.

Obsrvese para finalizar, que todos los conceptos expuestos en este apartado en relacin con la aproximacin lineal continua incluyen en una sola teora a los conceptos desarrollados en apartados anteriores para la aproximacin lineal discreta; as, para reproducir los conceptos del ajuste de funciones a datos experimentales bastar con considerar el producto escalar (12) en vez del producto escalar (11).

87

Tema 6: Aproximacin.

6.7.-

1. Hallar el polinomio que mejor se ajuste a los datos de la tabla siguiente utilizando la tcnica de mnimos cuadrados. x y 1 4 2 7 3 9 4 10 5 9 6 7 7 4

EJERCICIOS

4 36 9 Sol.: p2 ( x ) * ) + x ) x2 7 7 14

2. Encontrar la recta que mejor se ajusta a los datos de la siguiente tabla x y 0 2 1 4 2 3 3 6 4 5 5 7 6 9 7 8 Sol.: p1 ( x ) *
9 13 + x 4 14

3. Dada la siguiente tabla de datos, obtenida experimentalmente, hallar la constante g que relaciona las variables t y d (d % gt2/2). t d 0.2 0.1960 0.4 0.7850 0.6 1.7665 0.8 3.1405 1.0 4.9075

4. Ajustar los datos de la tabla siguiente mediante una parbola por el mtodo de mnimos cuadrados. Determinar el error mnimo cuadrtico. xi yi 0.00 1.0000 0.25 1.2840 0.5 1.6487 0.75 2.1170 1.00 2.7183

Sol.: g % 9.8146

Nota: trabajar con cuatro cifras decimales y redondeo simtrico. 5. Dada la siguiente tabla: Sol: p2(x) = 1.0052 + 0.8634 x + 0.8446 x2 x y 1 7 2 9 3 11

Encontrar una curva por el procedimiento de mnimos cuadrados que se ajuste a los datos, de las siguientes formas: a) y = ax b) y = ax + b Sol: 6. Dada la tabla xi yi a) y % 4.142857 x b) y % 2 x + 5 2.00 8.46

1.00 5.10

1.25 5.79

1.50 6.53

1.75 7.45

utilizar la tcnica de mnimos cuadrados para obtener un ajuste de estos valores. Nota: Trabajar con cinco cifras decimales y redondeo simtrico. Sol: f ( x ) * 3.07243 : e 0.50573 x

88

Tema 6: Aproximacin.

7. Hallar la parbola que mejor se ajuste a los siguientes datos: x y 1 2 2 4 3 6 4 8

8. a) Encontrar una curva de la forma

y* 1 Ax+ B

Sol: p2(x) = 2x

por el procedimiento de mnimos cuadrados que se ajuste a los datos de la tabla xi yi -1 6.62 0 3.94 1 2.17 2 1.35 3 0.89

b) Obtener el error cuadrtico medio cometido por el ajuste anterior al aproximar los valores yi por la curva y. Nota: Trabajar con cuatro cifras decimales y redondeo simtrico.
1 0.3028 + 0.2432 x Error cuadrtico medio del ajuste: 4.5622

Sol: y %

9. Repetir el ejercicio anterior, trabajando con dos cifras decimales y redondeo simtrico, para los datos xi yi 0 1.01 1 0.34 2 0.20 3 0.14 Sol: y %

Nota: Trabajar con 4 cifras decimales y redondeo simtrico para calcular los errores.
1 0.94 + 2.05x Error cuadrtico medio del ajuste: 0.0255

10. Repetir el ejercicio nmero 8 trabajando con dos cifras decimales y redondeo simtrico con los datos de la tabla xi f (xi) 1 3 2 20 3 87 4 100 Sol: y %

11. Cuando el crecimiento de una poblacin est acotado por un valor constante L sigue una curva logstica que tiene la forma
y ( x) * L 1 + B e Ax

1 0.35 ) 0.1x Error cuadrtico medio mnimo: 0.0742 Error cuadrtico medio del ajuste: 69.031

Se pide:

89

Tema 6: Aproximacin.

a) Realizar un cambio de variable que transforme la funcin y(x) en una expresin lineal en x. (Tener en cuenta que L/y 1 = B eAx.) b) Utilizar los datos de una poblacin, dados por la tabla Ao xk yk (millones) 1800 -10 5.3 1850 -5 23.2 1900 0 76.1 1950 5 152.3

para encontrar una curva logstica y(x) correspondiente a L = 800 (millones), aplicando mnimos cuadrados sobre la funcin transformada del apartado a). Calcular el error cuadrtico medio cometido. c) Nota: trabajar con dos cifras decimales y redondeo simtrico. Estimar la poblacin en el ao 2000.

12.Aproximar la funcin f (x) = ln(x) por una recta en el intervalo [1,2]. Sol: 0.6822-0.6371 13. Encontrar la aproximacin polinmica de mnimos cuadrados de grado 1 de f (x) en el intervalo indicado: a) f (x) = x3 1 en [0,2] Sol: b) a) p1(x) = 13/5 + 18x/5 f (x) = cos(F x) en [0,1] b) p1(x) = 12/F2 (12x)

90

Tema 6: Aproximacin.

TEMA 6: APROXIMACIN. 6.1.6.2.6.3.-

INTRODUCCIN.

71 71 73

6.4.- APROXIMACIN DISCRETA MNIMO-CUADRTICA: CASOS NO LINEALES. 6.4.1.- El ajuste exponencial: y * Ce Ax . 6.4.2.- Linealizacin de los datos. 6.5.6.6.6.7.APROXIMACIN CONTINUA LINEAL. EJERCICIOS APROXIMACIN CONTINUA MNIMO-CUADRTICA.

APROXIMACIN DISCRETA MNIMO-CUADRTICA: CASO LINEAL. 74 6.3.2.- Aproximacin polinomial. 76 78 78 79 82 84 88

APROXIMACIN DISCRETA.

91