Professional Documents
Culture Documents
) (
)+ que se comporten de
manera funcional, es decir,
+
Ejemplos de este tipo de funciones son las rectas, que dependen solo de dos
parmetros, la pendiente y el punto de corte con el eje dependiente, es decir el modelo
de una recta se puede escribir como ()
(2) ()
.
Sin embargo, puede darse el caso que los modelos dependan de ms estimadores,
por ejemplo
(3) ()
Donde esta depende de estimadores y la funcin es un polinomio de grado m,
este tipo, cuando el modelo es de esta forma, es usual llamarlo regresin polinomial.
Notemos que en todos los casos anteriores, el nmero de variables es el mismo, 2, sin
embargo, es posible buscar modelos que no dependan nicamente de dos variables
sino de ms, por ejemplo, consideremos un conjunto de datos
(4) *(
) (
) (
)+
que son datos de 3 variables, los modelos que se buscan en este tipo de datos son de
la forma
(5) ( )
donde la funcin puede depender tambin de varios parmetros, en caso ms
sencillo sera un modelo de la forma
(6) ( )
Que describe en tres dimensiones un plano, este es el caso anlogo de la recta y es
llamado regresin lineal mltiple. Como se observa, este modelo depende de tres
parmetros los cuales son *
) (
) (
)+
supongamos que queremos un modelo que dependa de dos parmetros *
+, asi
buscamos la funcion
+ y el modelo
los aproxima por medio de los {
)
notemos que hay tantos residuos como puntos los cuales se pueden ordenar en un
vector (
pero esta norma es una funcin que depende de
ya que los
y los
son los
datos dados inicialmente, es decir, tenemos una funcion que depende de dos variables
la cual debemos minimizar, sin embargo, minimizar esta funcin es igual que minimizar
el cuadrado de esta funcin, por lo tanto buscaremos minimizar el cuadrado de esa
norma, la cual llamaremos error cuadrtico
(10)
) (
))
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 4
si es una funcion diferenciable, podemos hallar las derivadas parciales de esta
funcion con respecto a los estimadores e igualar a cero, es decir, hallar el vector
gradiente e igualar a cero.
(11)
))
))
(12)
))
)/
al igualar a cero llegamos a un sistema de ecuaciones con dos incgnitas (esto se
debe a el nmero de parmetros en el modelo), dado por
(13) (
)) .
)/
(14) (
)) .
)/
esto reduce nuestro problema a hallar soluciones reales de este sistema, en el caso en
que el modelo buscado sea una recta, este sistema es un sistema lineal, el cual puede
solucionarse fcilmente por medio de matrices o determinantes, sin embargo,
dependiendo la complejidad del modelo buscado, este sistema puede conducirnos a
uno no lineal, el cual puede ser MUY difcil de resolver, esta es la razn principal por la
cual no se trabaja usualmente mnimos cuadrados, ms adelante veremos un ejemplo
de ello.
Veamos ahora algunas aplicaciones del mtodo de mnimos cuadrados.
3.1.2 REGRESION LINEAL
La regresin lineal es muy conocida en aplicaciones estadsticas y por ende la ms
usada en varias ramas de las ciencias, es simplemente aplicar el mtodo de mnimos
cuadrados a un conjunto de datos bidimensionales y un modelo de dos parmetros de
la forma
()
) (
))
ya que el modelo buscado es una funcin diferenciable, podemos hallar las derivadas
parciales y llegamos a
(16)
))
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 5
(17)
))(
)
ya que es una funcin lineal, el sistema que formaremos es lineal, as
(18) (
)
(19) (
)
usando la linealidad de la sumatoria podemos reescribir este sistema como
(20)
(21)
este sistema es fcilmente solucionado por el mtodo de cramer llegando a
(22)
(23)
Ejemplo 1 Dados los siguientes puntos:
() () () () () () ()
realice regresin lineal para ajustar los puntos a una recta.
Solucin
Aplicando los resultados de las ecuaciones (22) y (23) obtenemos que
(24)
quedando el modelo lineal de la siguiente manera
(25)
3.1.3 REGRESION POLINOMIAL
Nuevamente, consideremos un conjunto de datos bidimensionales y tomaremos un
modelo que dependa de tres parmetros el cual tenga una forma de polinomio de
grado 2;
(26)
()
al aplicar el mismo algoritmo dado por el mtodo de mnimos cuadrados, llegaremos
al sistema de tres ecuaciones y tres variables lineal (recordemos que el tamao de
este sistema depende del nmero de parmetros)
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 6
(27) ()
(28) (
(29) (
resolviendo por cramer llegamos a las formulas
(30)
) (
) (
)
|
|
() (
) (
)
(
) (
) (
)
(
)
|
(31)
|
()
)
(
)
(
)
|
|
() (
) (
)
(
) (
) (
)
(
)
|
(32)
|
()
()
(
)
(
)
|
|
() (
) (
)
(
) (
) (
)
(
)
|
Ejemplo 2
Ajustar a un polinomio de segundo orden los siguientes datos
(33) () () () () () ()
Solucin
Aplicando los resultados de las ecuaciones (30), (31) y (32) obtenemos que
(34)
quedando el modelo cuadrtico de la siguiente forma
(35)
3.1.4 REGRESION MULTIPLE
Los casos anteriores de regresion lineal y polinomial son ejemplos particulares de datos
bidimensionales, consideremos ahora un conjunto de datos tridimensional, por ejemplo
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 7
*(
) (
) (
)+,
el analogo a una recta en dos dimensiones es el plano en tres dimensiones, esto nos lleva a
pensar que el modelo natural en tres dimensiones para generalizar la regresion lineal es de
la forma
( )
(26)
esta funcion depende de tres parametros, asi aplicando el algoritmo de minimos cuadrados y
formando la funcion error cuadratico tenemos
) (
))
(27)
y tomando las derivadas parciales con respecto a los parametros e igualando a cero
llegamos a
(28)
(29)
(30)
este sistema es fcilmente solucionado por el mtodo de cramer llegando a los valores de
(ver Ejercicio 1)
Ejemplo 3
Ajustar a un polinomio de segundo orden los siguientes datos
(36) () () () () () ()
Solucin
Aplicando los resultados de las ecuaciones (28), (29) y (30) obtenemos que
( )
3.1.5 MINIMOS CUADRADOS A UN MODELO EXPONENCIAL
Volvamos a nuestro caso bidimensional, consideremos nuevamente un conjunto de
datos
*(
) (
) (
)+
y un modelo de forma exponencial
(38) ()
En primer lugar formaremos la funcin error cuadrtico vista en la ecuacin (10) as
(39)
) (
))
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 8
(40)
) .
)/
ya que el modelo buscado es una funcin diferenciable, podemos hallar las derivadas
parciales y llegamos a
(41)
)(
)
(42)
)(
)
ya que es una funcion exponencial, el sistema que formaremos no es lineal, as
(43) (
)
(44) (
)
este sistema no es lineal por lo tanto puede ser muy complicado de solucionar con las
herramientas que contamos hoy en da, aunque bajo condiciones buenas podramos como
en el siguiente ejemplo.
Ejemplo 4
Dados los siguientes datos (1,1),(2,3),(3,8),(4,15),(5,30) encuentre por medio de
mnimos cuadrados ; un modelo exponencial de la forma ()
Solucin
Al escribir la funcin error cuadrtico, encontrar las derivadas parciales e igualarlas a cero
llegamos al siguiente sistema de dos ecuaciones con dos incgnitas el cual NO es lineal, as
no se puede escribir en forma matricial.
Utilizando el software Maple; se resolvi el problema para estos cinco puntos, a continuacin
mostraremos los comando utilizados para tal fin.
Grfica 2
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 9
encontrar la solucin real de manera analtica es imposible; ya que equivaldra a
solucionar un polinomio de grado 10, si realizramos la sustitucin de
, por lo
cual recurrimos a maple que nos arroja los siguientes resultados:
(45)
Reemplazando en el modelo obtenemos:
(46)
Como se observa en el ejemplo anterior, aplicar el algoritmo de mnimos cuadrados a un
modelo, en general puede ser un trabajo muy difcil, por no decir imposible ya que si el
nmero de datos es muy grande el sistema de ecuaciones al que se llega es inmanejable,
por esto es necesario una herramienta que nos permita aproximar sin necesidad de aplicar
mnimos cuadrados directamente al modelo, esto se consigue con un proceso llamado
linealizacion, el cual nos permite trabajar nicamente con la regresin lineal aplicada a unos
datos convenientes.
3.1.6 LINEALIZACION
El proceso de linealizacion busca mediante un cambio de variables adecuado expresar un
modelo matematico no lineal como uno lineal por medio de manipulaciones algebraicas
adecuadas, por ejemplo, consideremos la ecuacion,
(47)
inicialmente esta ecuacin no es lineal, sin embargo al sustituir la variable por
llegamos a
(48)
la cual sigue siendo no lineal, pero al manipular algebraicamente conseguimos
(49) ( )
donde la ltima ecuacin ya es lineal.
Otro ejemplo de estos es la ecuacin
(50) (
)
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 10
la cual aparentemente no es lineal, en esta ecuacin basta manipular algebraicamente
haciendo uso de las propiedades del logaritmo para llegar a
(51)
en esta ecuacin no hay ninguna funcin logartmica (notemos que y son
escalares), es decir, esta es una ecuacion lineal.
Bsicamente queremos usar la misma idea a fin de transformar un modelo no lineal en uno
lineal, por ejemplo, consideremos el modelo exponencial de ejemplo anterior,
(52)
aplicando logaritmo natural en la ecuacin anterior obtenemos
(53) (
)
y por ultimo aplicando las propiedades de los logaritmos obtenemos
(54) (
el cual es una recta en la variables y ; haciendo el cambio de variables sugerido
por la anterior ecuacion podemos tomar ()
llegando al modelo visto en la regresin lineal
(55)
()
Ejemplo 5 Un modelo Exponencial es de la forma
(56) ()
,
Dados los siguientes datos () () () () () encuentre un modelo
exponencial de la forma ()
)
- Aplicando propiedades de logaritmos obtenemos:
(58) () (
()
- La regresin lineal se aplica a las variables () y
- Obteniendo el modelo Linealizado
- Aplicamos el comando en Maple
- Obtenemos el modelo linealizado
(59) () ()
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 11
- En donde debemos hallar
- Luego el modelo queda
(60)
()
Quedando asi el modelo linealizado
Como se ve en el anterior ejemplo, el mtodo consiste en aplicar regresin lineal a los datos
(61) *(
) (
) (
)+
Sin embargo, al realizar el proceso de linealizacion, como la funcin logartmica no es lineal
el modelo que se encuentra no coincide con el modelo buscado en los mnimos cuadrados,
es decir, esta NO es la curva que ms se ajusta a los datos
(62) *(
) (
) (
)+
Sin embargo la recta () (), SI es la curva que ms se
ajusta a los datos *(
) (
) (
)+ .
Compararemos esta afirmacin con un ejemplo hecho sobre los mismos datos, en el
Ejemplo 9 se realizaran las dos aproximaciones.
Ejemplo 6
Un modelo Potencial es de la forma
(63)
donde
son constantes
Para este caso se linealiza con logaritmo, obteniendo
(64)
Obteniendo as el modelo lineal o la linealizacin en trminos de y , es decir
realizaremos la regresin lineal a las variables y , por lo tanto trabajaremos con los
datos
(65) *(
) (
) (
)+
Entonces las ecuaciones (22) y (23) toman la forma
(66)
)(
) (
( (
(67)
)(
) (
( (
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 12
De lo cual, encontramos una recta en dichas variables asi,
(68)
Como la linealizacion se obtuvo por medio de la aplicacin de la funcin logaritmo, es
natural pensar que para revertir el proceso apliquemos la funcin exponencial y llegar a
(69)
Nota 1 Los ejemplos anteriores muestran el proceso de linealizacion, este proceso de
manera general afirma que si se tiene una relacin
(70) ( )
La cual por medio de algn tipo de manipulacin algebraica se pueda llevar a la
forma
(71)
()
()
Donde
() y
() , mientras en el Ejemplo 6,
() y
() .
Nota 2 En la siguiente tabla
1
se muestran diferentes tipos de modelos; los cuales ya estan
linealizados.
1
Metodos Numericos con Matlab, 3er edicion Mathews, Kurtis, Editorial Pearson
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 13
donde las variables con las cuales se van a trabajar se deja como ejercicio (ver
Ejercicio 5)
Nota 3 Hay que tener en cuenta que la recta que se est construyendo es en un sistema de
coordenadas diferente, es decir, grficamente el proceso de linealizacion es
Grfica 3
Donde la recta que se consigue al linealiza r el modelo est en el plano
()
y los valores *
+ deben
pertenecer al dominio de
()
()
Consideraremos el caso de dominio ms comn, supongamos que el dominio de
es
( ), si *
tomaremos un desplazamiento de la forma
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 14
(73) |
+ |
Caso ii Si
tomaremos un desplazamiento de la forma
(74) |
+ |
y al hacer el mismo anlisis para el caso del dominio de en la funcin
, suponiendo que es
( ), y que no se cumple la contenencia *
+ ( ) tomaremos en
consideracin los mismos casos anteriores para el desplazamiento los cuales son
Caso i Si
+
Tomaremos como desplazamiento
(75) |
+ |
Caso ii Si
+
Tomaremos como desplazamiento
(76) |
+ |
As, los datos con los cuales se trabajara son
(77) *(
) (
) (
)+
Y en este caso el modelo
(78)
( )
( )
Esto lo vamos a ilustrar en el siguiente ejemplo.
Ejemplo 7 Dados los siguientes datos
(79) () ( ) ( ) () ()
encuentre un modelo exponencial de la forma
, por medio de
regresin lineal aplicada a la linealizacin de los datos.
Del Ejemplo 5 tenemos que la linealizacin es dada por
(80) () (
En este caso como
Es decir, la regresin lineal la pasaremos a las variables e ( ). Es decir,
el modelo linealizado es
(84) ( ) (
()
Aplicando la regresin obtenemos
(85) ( )
Y devolviendo el proceso por medio de la exponencial (o hallando los valores
de los parmetros) y despejando
(86)
Nota 4 Otra forma de llegar al modelo que puede ser conveniente en algunos casos es
comparar la ecuacin (84) con la ecuacin (85) a fin de formar un sistema de
ecuaciones para hallar los valores de los parmetros y luego sustituirlos en el modelo
deseado, es decir, en la ecuacin (83), que en este caso es
(87)
(
.
Ejemplo 8 Dados los siguientes datos
(88) () ( ) ( ) () ()
encuentre un modelo exponencial de la forma
, por medio de
regresin lineal aplicada a la linealizacin de los datos.
Linealizando tenemos:
(89)
(90)
Es decir, el modelo linealizado quedo de la forma
Ese decir
(91)
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 16
(92)
(93)
(94)
donde
(95)
(96)
Las variables con las cuales se realiza la regresion son y ; que al aplicarle
el comando en Maple ;
obtenemos el modelo linealizado
(97)
donde
(98)
(99)
Aplicando (95) y (95) obtenemos:
(100)
(101)
obteniendo el modelo potencial de la siguiente manera
(102)
3.1.8 MINIMOS CUADRADOS VS LINEALIZACION.
Mostraremos la diferencia entre encontrar un modelo por medio de mnimos cuadrados y el
mismo modelo por medio de una linealizacin, veremos las ventajas de uno y otro.
Ejemplo 9 Con los datos () () () () () encontrar un modelo exponencial
aplicando mnimos cuadrados y aplicando regresin lineal a los datos
linealizados, escoger el mejor modelo.
Como ya se vio en Ejemplo 4 el modelo aplicando mnimos cuadrados es
(103)
Y en el Ejemplo 5 se tiene el modelo por linealizacin
(104)
Falta ahora ver cul es el mejor modelo. Veamos grficamente los dos
modelos
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 17
Grfica 4
donde el modelo por mnimos cuadrados es la curva roja y el modelo por medio de
linealizacion es la curva azul.
Observamos que las dos aproximaciones, relativamente, son buenas ya que las grficas
son muy cercanas, sin embargo esto no es un criterio decisivo, por lo tanto debemos buscar
otra forma de comparar las dos grficas, para esto recurrimos a la teora propia que hemos
construido y es natural pensar en compararlas por medio de los errores cuadrticos, en
realidad por la raiz de este, que es la medida euclideana del vector formado por los
residuos, para esto, hallemos primero el error cuadratico que en el caso del modelo por
minimos cuadrados es
(105)
) (
))
Por lo cual la medida del vector de los residuos es .
Y en el caso del modelo linealizado tenemos
(106)
) (
))
Por lo cual la medida del vector de los residuos es .
Por lo tanto el modelo que ms se aproxima a los datos en el sentido de mnimos cuadrados
es el dado en la ecuacin (105)
Nota 5 El modelo por mnimos cuadrados siempre es mejor que el modelo linealizado, es
decir, al realizar el proceso de linealizacin se aumenta el error en el modelo, el cual
es dado por el error cuadrtico.
Nota 6 La curva encontrada por medio de mnimos cuadrados es difcil de encontrar dada la
dificultad al resolver el sistema de ecuaciones, es ms, para un gran nmero de
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 18
datos puede llegar a ser imposible con la tecnologa que contamos actualmente, esta
es la principal razn por la que es tan usado el mtodo de linealizacin.
Nota 7 Un error comn en algunos autores es decir que el modelo presentado en la
linealizacin es el modelo que ms se ajusta a los datos en el sentido de mnimos
cuadrados lo cual es falso.
En el caso de la regresin lineal existe una medida de verificar si el modelo en realidad se
ajusta a la curva, este es llamado coeficiente de correlacin.
3.1.9 COEFICIENTE DE CORELACION.
Se define ; donde r
2
es el
coeficiente de determinacin y r es el coeficiente de correlacin.
3.2 INTERPOLACION POLINOMIAL
Siguiendo en la bsqueda de modelos que puedan explicar el comportamiento de
algn conjunto de datos y a diferencia de los mnimos cuadrados que buscaban una
funcin que se aproximara a un conjunto de datos, en esta parte buscaremos un
modelo que pase exactamente por dichos datos, esto nos permitir la construccin
de nuevos datos partiendo de los ya conocidos, lo que busca la interpolacin es a
partir de un conjunto de datos *(
) (
) (
=
2
2
2
2
2
i i i i
i i i i
y y n x x n
y x y x n
r
Sy
Sr Sy
r
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 19
interpolacin que trabajaremos es una interpolacin polinomial, es decir, buscaremos
una funcin polinomial que pase exactamente por los datos.
Si consideramos un conjunto de datos *(
) (
) (
)+ existen muchos
(infinitos) polinomios que pasan por estos datos, no es interesante desde este punto
de vista la interpolacin, en este caso buscaremos un polinomio de grado lo menor
posible lo que facilita el estudio del modelo, este polinomio de menor grado resultara
ser nico como consecuencia del teorema fundamental del algebra, el teorema ser
presentado a continuacin sin demostracin.
Teorema 1 (Existencia y unicidad del polinomio interpolador)
Dado un conjunto de datos diferentes *(
) (
) (
)+ que se
comporten de manera funcional, es decir,
para
Gracias al teorema anterior, podemos asegurar que sin importar el mtodo usado
para hallar el polinomio de interpolacin siempre llegaremos al mismo, en esta
seccin estudiaremos tres formas diferentes de hallar el polinomio de interpolacin,
sin embargo, cada una de ellas presenta una forma diferente de escribir el polinomio
y gracias a esto pueden notarse ventajas y desventajas de unas sobre las otras
dependiendo lo que se quiera hacer con el polinomio de interpolacin.
Empezaremos estudiando el mtodo de Lagrange.
3.2.1 LAGRANGE
La interpolacin de Lagrange es una de los mtodos los mtodos de interpolacin ms
sencillos desde el punto de vista geomtrico, esta forma solo usa conceptos bsicos sobre
las grficas de las funciones (traslacin y dilatacin) junto con el teorema del factor.
Recordemos que la suma de funciones es puntual, entonces buscaremos inicialmente
polinomios que pasen por cada uno de los puntos y en los otros que corten al eje x, as:
Para el primer , el polinomio pasa por (-2,5) y en los dems valores por (1,0) , ( 2,0) ,
(3,0) como se observa en la figura, Como el polinomio es de grado 3, la forma de ese
) (
0
x p
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 20
polinomio es
()
)(
)(
)
(
)(
)(
)
Para el segundo
()), es el polinomio que pasa por (1,-4) y en los dems valores por (-
2,0) , (2,0) , (3,0) como se observa en la figura, Como el polinomio es de grado 3, la forma
de ese polinomio es
(112)
() ( )( )( )
Grfica 7
Sin embargo este polinomio no pasa por (1,-4) sino por (1,12) as podemos reflejar con el
eje x y llegamos a
= x x x x p
) 3 )( 2 )( 1 ( ) (
0 0
= x x x c x p
) 3 )( 2 )( 1 ( 5
0
= x x x c
) 3 2 )( 2 2 )( 1 2 (
5
0
= c
) 3 2 )( 2 2 )( 1 2 (
) 3 )( 2 )( 1 ( 5
) (
0
=
x x x
x p
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 22
lo cual aplicamos contraccin o dilatacin para que llegue al punto deseado pero no me
cambie los cortes con el eje x
Grfica 8
Para lo cual hacemos
()
( )( )( ); este
(), es el polinomio que pasa por (2,1) y en los dems valores por (-2,0) ,
(1,0) , (3,0) a lo cual aplicamos contraccin o dilatacin para que llegue al punto deseado
pero no me cambie los cortes con el eje x; llegando a
(115)
()
( )( )( );
Grfica 9
) 3 )( 2 )( 2 ( ) (
1 1
+ = x x x c x p
) 3 )( 2 )( 2 ( 4
0
+ = x x x c
) 3 1 )( 2 1 )( 2 1 (
4
0
+
= c
) 3 1 )( 2 1 )( 2 1 (
) 3 )( 2 )( 2 ( 4
) (
1
+
+
=
x x x
x p
) )( )( (
) )( )( (
) (
3 1 2 1 0 1
3 2 0 1
1
x x x x x x
x x x x x x y
x p
=
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 23
Procedemos de forma analoga obteniendo
(116)
()
)(
)(
)
(
)(
)(
)
Para el cuarto polinomio
()
( )( )( )
procedemos de forma analogas alos anteriores polinomios y llegamos a
(118)
()
)(
)(
)
(
)(
)(
)
su grafica es
Grfica 10
Ahora realizando la suma puntual de funciones; obtenemos el polinomio que pasa por los
puntos escritos inicialmente; GRAFICA NEGRA
Grfica 11
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 24
sumando los () llegamos a nuestro polinomio de Lagrange como:
(119) ()
()
()
()
()
reemplazando tenemos:
(120) ()
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )( )
notemos que cada polinomio
), asi
cuando armamos el polinomio de Lagrange que es la suma de estos, llegamos a un
polinomio de grado 3 o menor, este polinomio encontrado es el polinomio de menor grado
que pasa por los datos dados, es decir, es el polinomio de interpolacion.
Extendiendo el mismo argumento con n + 1 puntos; tendremos que cada polinomio
()
tiene la forma
(121)
donde .
Escribindolo en forma compacta, para n+1 puntos, tenemos:
) ( ) )( ( ) )( (
) ( ) )( ( ) )( (
) (
1 1 1 0
1 1 1 0
n i i i i i i i
n i i i
i
x x x x x x x x x x
x x x x x x x x x x y
x p
=
+
+
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 25
(122)
()
)
(
En donde cada trmino
(123)
es el que genera la contraccin o dilatacin de la funcin para que pueda tomar en el punto
deseado, y el trmino (
. Para
Y definimos el polinomio interpolante de Lagrange como:
(124) ()
)
(
para aclarar un poco la formula, la escribiremos en una forma extendida para los casos n=1
y n=2
Caso n=1
(125) ()
Caso n=2
(126) ()
Caso n=3
(127) ()
A pesar de la facilidad de calcular el polinomio de Lagrange, este presenta varias
desventajas, una de ellas es el elevado nmero de operaciones que hay que
desarrollar a fin de obtener el polinomio de interpolacin de la manera estandar,
otra es que el polinomio de interpolacin escrito en la forma de lagrange, es decir
la forma dada por la formula (124) no presenta explcitamente el grado del
polinomio. Estudiaremos otra forma de calcular el polinomio de interpolacin el
cual usa el concepto de diferencias finitas.
3.2.2 NEWTON
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 26
En esencia la interpolacin de Newton es una generalizacin de la forma punto pendiente de
la recta, veamos una aproximacin con el siguiente ejemplo:
Consideremos dos puntos (1,3) y (2,8); hallemos la ecuacin de la recta
(128)
y usando la forma punto y pendiente:
(129)
)
asi
(130) (
si tomamos () (
), luego
(131) ( )
Ahora generando la tabla obtenemos:
Tabla 1
1 3
2 8
Ahora recordemos que la pendientes como las diferencias de sobre las diferencias de las
de
Es decir
(132)
Como esta es la primera aproximcion de la derivada; a llamaremos las primeras diferencias
divididas y las notaremos
(133) ,
-
(
)(
As la tabla 3 toma la forma
Tabla 2
P.D.D.
Luego la ecuacin (3) queda escrita como
(134) ,
-(
)+
Consideremos ahora un ejemplo de 3 puntos
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 27
Tabla 3
1 3
2 8
5 4
Aqu no hay una nica Primera Diferencia Dividida en este orden hay dos que nos interesan
Tabla 4
P.D.D.
3
2 8
5 4
Como vimos en el mtodo de Lagrange, con tres puntos se puede interpolar un polinomio de
grado 2 (o menor), as; esta informacin es necesaria pero no suficiente para hallarlo,
debemos buscar una forma de aproximar la segunda derivada (ver Taylor) recordemos que
la segunda derivada es la derivada de la derivada, esto nos lleva a crear una Segunda
Diferencia Dividida (SDD)
Tabla 5
P.D.D. SDD
1 3 5
( ) ( )
2 8
-4/3
5 4
Es decir
Tabla 6
P.D.D. SDD
1 3 5
2 8
-4/3
5 4
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 28
Ahora siguiendo la misma idea, (pero recordando Taylor), que la segunda derivada va
acompaada de un factor cuadrtico; tenemos:
(135) ()
( )( ) ( )
que es equivalente a escribir
(136) () ,
-(
)(
) ,
-(
Donde notaremos la SDD de los puntos
como
(137) ,
-
,
-,
Generalizando estos conceptos, tenemos
I. La n-sima diferencia dividida centrada en cero y hacia delante
(138) ,
-
,
-,
II. El polinomio de Newton de grado se define
(139) () ,
- (
) ,
- (
-(
Reordenandolo tenemos
(140) ()
] (
Por ejemplo un polinomio de grado 3 la formula
(141) ()
] (
Dado que la sumatoria va de hasta ; hay tres trminos
(142) ()
- (
- (
)[
] (
En la primera productoria va de a , solo hay un termino; en la segunda productoria va
de hasta 1, hay dos terminos y la tercer productoria va de hasta 2 , hay tres
terminos
(143) ()
-(
) ,
-(
)(
),
-(
)(
)(
Nota 8 Una de las ventajas del mtodo de newton es que se conoce a partir de su
construccin el grado del polinomio de interpolacin, esto se debe al hecho que si las
diferencias en algn momento se vuelven constante entonces este es el grado del
polinomio.
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 29
A continuacion mostraremos algunos ejemplos del polinomio de Newton.
Ejemplo 10
Dados los puntos (1,3); (2,5), hallar ()
) PDD
0 1 3
1
1 3 5
() ( )
Ejemplo 11
La siguiente tabla muestra la construccin del polinomio interpolante de Newton para el caso
n=4.
Tabla 1
como sigue:
(146)
si d es diferente de cero se utiliza la siguiente iteracion:
(147)
En trminos matriciales tenemos:
(148)
n d d k
x x
x P x x x P x x
x P
d k
d k d d d k
d k
........., , 2 , 1 ;
) ( ) ( ) ( ) (
) (
1
1 , 1 1 , 1
,
+ + =
n d d k
x x P
x x P
x x
x P
k d k
d d d
d k
d k
........., , 2 , 1 ;
1
) (
1 ,
1 1 , 1
1
,
+ + =
P
0,0
X
0
X
P
1,0
P
1,1
X
1
X
P
2,0
P
2,1
P
2,2
X
2
X
P
k,0
P
k,1
P
k,2
X
k
X
P
n,0
P
n,1
P
k,2
P
n,n
X
n
X
A continuacion generaremos los polinomios de Aitken para
- Polinomio de Aitken que pasa por dos puntos (
) y (
) :
(149)
|
- Polinomio de Aitken que pasa por tres puntos (
), (
) y (
):
(150)
|
- Polinomio de Aitken que pasa por cuatro puntos puntos (
),
(
),(
) y(
) :
(151)
|
Ejemplo 13
Dado el siguiente cojunto de datos; hallar el polinomio de Aitkeny reaice una aproximacion
para
-4 256
-2 16
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 32
2 16
4 256
(152)
(153)
(154)
(155)
(156)
(157)
(158)
(159)
(160)
(161)
Los cuales al ingresarlos en la tabla de Aitken obtenemos:
584
3 2 16
3 4 256
4 2
1 1
) (
1 0 , 1
0 0 , 0
0 1
1 , 1
=
+
=
=
x x P
x x P
x x
x P
192
3 0 0
3 4 256
4 0
1 1
) (
2 0 , 2
0 0 , 0
0 2
1 , 2
=
+
=
=
x x P
x x P
x x
x P
24
3 2 16
3 4 256
4 2
1 1
) (
3 0 , 3
0 0 , 0
0 3
1 , 3
=
+
=
=
x x P
x x P
x x
x P
256
3 4 256
3 4 256
4 4
1 1
) (
4 0 , 4
0 0 , 0
0 4
1 , 4
=
+
=
=
x x P
x x P
x x
x P
396
3 0 192
3 2 584
2 0
1 1
) (
2 1 , 2
1 1 , 1
1 2
2 , 2
=
+
=
=
x x P
x x P
x x
x P
116
3 2 24
3 2 584
2 2
1 1
) (
3 1 , 3
1 1 , 1
1 3
2 , 3
=
+
=
=
x x P
x x P
x x
x P
116
3 4 256
3 2 584
2 4
1 1
) (
4 1 , 4
1 1 , 1
1 4
2 , 4
=
+
=
=
x x P
x x P
x x
x P
24
3 2 116
3 0 396
0 2
1 1
) (
3 2 , 3
2 2 , 2
2 3
3 , 3
=
=
x x P
x x P
x x
x P
186
3 4 116
3 0 396
0 4
1 1
) (
4 2 , 4
2 2 , 2
2 4
3 , 4
=
=
x x P
x x P
x x
x P
81
3 4 186
3 2 24
2 4
1 1
) (
4 3 , 4
3 3 , 3
3 4
4 , 4
=
=
x x P
x x P
x x
x P
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 33
Tabla 4
k X
k
P
k,0
P
k,1
P
k,2
P
k,3
P
k,4
0 -4 256
1 -2 16 -584
2 0 0 -192 396
3 2 16 -24 116 -24
4 4 256 256 116 186 81
Y as la aproximacin con el polinomio de Aitken para los cuatro puntos dados es 81.
Ejemplo 14 Dados los puntos (-3,11),(-1,3),(2,6) y (4,18), encontrar los polinomios de Aiken
que pasan por los dos primeros puntos, los tres primeros puntos y por los
cuatro puntos; aproximar en cada caso para
Solucin
- Polinomio por los puntos (-3,11) y (-1,3)
Utilizando la frmula (29) obtenemos que
(162) ()
|
|
y la aproximacin es
(163) ()
- Polinomio por los puntos (-3,11), (-1,3) y (2,6)
Utilizando la frmula (30) obtenemos que
(164) ()
|
y la aproximacin es
(165) ()
( )
- Polinomio por los puntos (-3,11), (-1,3),(2,6) y (4,18)
Utilizando la frmula (31) obtenemos que
(166)
|
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 34
y la aproximacin es
()
3.2.4 COMPARACION DE LOS TRES METODOS
Aunque desde un principio se dijo que sin importar el metodo que se utilice; el polinomio
interpolante que aproxima, un numero cualquiera de puntos, es el menor polinomio que pasa
por todos los puntos; existen diferencias.
Tomando como referencia los ejemplos 20, 21 y 23; al realizar el desarrollo de cada uno de
estos polinomios se obtiene el polinomio
(167) ()
que es el mismo en los tres casos (era de esperarse dado el teorema de unicidad del
polinomio), este es el polinomio de interpolacion que se buscaba el cual denotaremos por
(168) ()
al observar L(x), N(x) y A(x) se evidencian ciertas ventajas de un metodo sobre los otros, por
ejemplo,
- En el caso del metodo de Newton, las Segundas diferencias y el mismo N(x)
nos indican de manera explicita el grado de este polinomio
- Otra de las ventajas de Newton es el numero de operaciones a realizar en cada
uno de los metodos las cuales son: Newton ( ), Lagrange ( ) y
Aitken (FALTA)
- Otra ventaja del metodo de Newton es que si se quiere adicionar un punto, las
cuentas hechas en el metodo de Newton no se pierden, ya que esta formula es
recursiva y utiliza el resultado anterior para dar un resultado nuevo; cosa que
no ocurre en Lagrange, en el cual toca recalcular nuevamente cada termino, ni
en Aitke donde se debe incrementar el orden del determinante generando un
incremento de forma factorial en la operaciones.
3.3 OTROS AJUSTES DE CURVAS
3.3.1 CURVAS DE BESIER
3.3.2 SPLINES CUBICOS
3.4 ERROR EN EL POLINOMIO INTERPOLANTE
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 35
Con respecto al error en un polinomio interpolante; es el mismo sin importar el camino
(recordemos que llegaremos al mismo polinomio sin importar el camino), y este se difine asi:
3.4.1 Si se conoce la funcin(Lo cual seria ilgico ya que estamos aproximando
esta funcion), se utiliza el error de la serie de Taylor.
(169)
3.4.2 Si no se conoce la funcin; que trabajemos, se toma un dato adicional al
cual se le aplica Diferencias finitas divididas y nos dara el error de esta.
(170)
Ejemplo 15 Del ejempo (2) tenemos la tabla de diferencias
Tabla 5
Donde
( )( )( )( )
Si queremos una aproximacion para ; reemplazamos el valor en (), tenemos:
()
) ... , , max( ) ... , , min(
) ).......( )( (
)! 1 (
) (
1 0 1 0
1 0
1
n n
n
n
n
x x x x x x x x donde
x x x x x x
n
F
R
s s
+
=
+
c c
c
) ).......( )( )( ,...... , (
1 0 0 1 n n n n
x x x x x x x x x F R ~
+
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 36
Para mayor informacin sobre las aplicaciones, sugerimos algunos enlaces externos
- Algoritmo de interpolacin por aproximacin
- Algoritmo de interpolacin bilineal
- Algoritmo de interpolacin bicbica
- Ejemplos de interpolacin en escalera (Stair Interpolation)
- Algoritmo de interpolacin S-Spline usada por programas como PhotoZoom o S-Spline.
- Algoritmo de interpolacin de Lanczos usada por programas como IrfanView
- Ejemplos de interpolacin por GF con Genuine Fractals
- Interpolacin de imgenes, en ingls
- Interpolacin de imgenes, en ingls
EJERCICIOS PROPUESTOS
Ejercicio 1 De las ecuaciones (28), (29) y (30) despeje los parmetros
.
Ejercicio 2 Considere los datos
Tabla 1
x y
1 3,678
2 5,241
5 9,953
8 14,664
12 20,942
13 22,515
a) Encuentre la regresin lineal
b) Encuentre por medio de mnimos cuadrados un modelo cuadrtico
c) Encuentre por medio de mnimos cuadrados un modelo cubico
Ejercicio 3 Considere los datos del Ejercicio 2.
a) Encuentre por medio de mnimos cuadrados un modelo de la forma
b) Calcule el error cuadrtico para el anterior modelo.
c) Halle el polinomio de interpolacin.
d) Justifique estos resultados.
CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 37
Ejercicio 4 sean los datos
Tabla 2
x y
1 3,678
2 5,241
5 9,953
8 14,664
12 20,942
13 22,515
a) Compare los modelos logartmicos de la forma
()
hallados al
aplicar los mnimos cuadrados y la linealizacion.
b) Compare los modelos logartmicos de la forma
) hallados al
aplicar los minimos cuadrados y la linealizacion.
c) Compare los modelos logartmicos de la forma (
) hallados al
aplicar los minimos cuadrados y la linealizacion.
d) Determine de todos ellos cual fue el mejor modelo de ajuste.
e) Ser que en general para cualquier conjunto de datos la conclusin del punto
anterior es cierta?
Ejercicio 5 De la Nota 2, indique con cuales variables se va a trabajar y aplique todos los modelos
a los datos del Ejercicio 4.
Ejercicio 6 Dado el modelo expoencial
Ejercicio 17 Aproximar f(x)=3
1/2
con la funcin f(x)=3
x
tabulada en los puntos x
1
=-2, x
2
=-1, x
3
=0,
x
4
=1 y x
5
=2. Utilizar los mtodos de Neville y Aitken, y comparar los
4
t
senx
2
X
x F 2 ) ( =
t