Teoría Del Error

CAPITULO 3 AJUSTE DE CURVAS
Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 1

INDICE

1. TEORIA DEL ERROR.
2. CEROS DE FUNCIONES
3. AJUSTE DE CURVAS
En este captulo trataremos de aproximar por medio de una funcin un conjunto de
datos dados, para esto estudiaremos algunos mtodos, esto lo que crea es a partir de un
conjunto de datos una funcin que los modela (explica), de manera que se pueden
generar algunos datos adicionales.
En particular trabajaremos el mtodo de mnimos cuadrados y algunas de sus variantes
(linealizaciones), aproximacin polinomial y por ultimo splines.

3.1 REGRESION.

El mtodo de regresin, es en realidad en mtodo de mnimos cuadrados ajustado a
las necesidades propias del modelo, para empezar estudiemos a fondo la teora de
mnimos cuadrados.
El enfoque que daremos; es diferente al visto en estadstica, aqu, nos interesara la
teora general de mnimos cuadrados y compararla con la teora particular de
regresin lineal aplicada a funciones no lineales por medio de un proceso llamado
linealizacion.

3.1.1 METODO DE MINIMOS CUADRADOS

El mtodo de mnimos cuadrados vara en mucho con los dems mtodos numricos
siempre estudiados, la diferencia principal es que la mayora de mtodos numricos
buscan acercarse a las aproximaciones, sin embargo, el mtodo de mnimos
cuadrados lo que estudia es el error del mtodo y busca minimizarlo.
Consideremos un conjunto de puntos *(
) (
)+ que se comporten de
manera funcional, es decir,
cuando , ahora, si queremos un modelo

matemtico que explique estos datos, debemos fijar primero el nmero de parmetros
(o estimadores) que debe tener el modelo, este nmero puede ser cualquier entero

positivo, generalmente se buscan modelos que tengan dos parmetros, por ejemplo
una funcin () que dependa de los parmetros *
+

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 ()
, este caso particular de

mnimos cuadrados es usualmente conocido como regresin lineal, otro ejemplo de
tipo de funciones que dependan de dos parmetros son de la forma
(1) ()

(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 *
+, observemos que el nmero de variables y el

nmero de estimadores son independientes.
Daremos de forma general en dos variables el mtodo de mnimos cuadrados para
dos estimadores, este mtodo se puede escribir de la misma forma para ms variables
y estimadores, consideremos el conjunto de datos bidimensional
(7) *(
) (
) (
)+
supongamos que queremos un modelo que dependa de dos parmetros *
+, asi
buscamos la funcion
(), veamos la siguiente grafica


Grfica 1

Los valores que se quieren aproximar por medio del modelo son los *
+ y el modelo
los aproxima por medio de los {
)}, es decir, en cada punto hay un error

llamado residuo
(8)
)
notemos que hay tantos residuos como puntos los cuales se pueden ordenar en un
vector (
) este seria el vector formado por los residuos, ahora queremos

que este vector sea el mas pequeo posible, midamos este vector, recordemos que la
norma de un vector es la raz de la suma de los cuadrados, as
(9)

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)
) (
))


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
()
, el cual representa una linea recta, de alli el nombre

del mtodo. Realizaremos el proceso de mnimos cuadrados, en primer lugar
formaremos la funcin error cuadrtico vista en la ecuacin (10) as

(15)
) (
))

ya que el modelo buscado es una funcin diferenciable, podemos hallar las derivadas
parciales y llegamos a
(16)
))

(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)

(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

*(
) (
) (
)+,
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
quedando el modelo lineal multiple (Plano) de la siguiente

manera
(37)
( )

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)
) (
))


(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


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) (
)


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 ()
, por medio de regresin lineal, para esto

linealicemos el modelo, asi:
- Aplicar logaritmo natural a ambos lados
(57) () (
)
- 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) () ()

- 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)
)(
) (
( (


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
son en general funciones montonas, en Ejemplo 5 basto tomar
() 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

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
()
(), en el caso del Ejemplo 5 la recta se tiene en el plano y en el

caso del Ejemplo 6 en el plano .

3.1.7 TRASLACIONES AL LINEALIZAR

Consideremos el Ejemplo 5, como se trabaja con la funcin logaritmo, los datos que se
trabajan en la variable deben ser positivos (debido al dominio de la funcin logaritmo), as
en general, si se quiere un modelo linealizado de la forma (71) se debe pedir que los valores
*
+ deben pertenecer al dominio de la funcin
y los valores *
+ deben
pertenecer al dominio de
, esto en general no se va a cumplir, por lo tanto nos toca

manipular de alguna manera dichos valores, esto se puede lograr por medio de un cambio
de variables que en general se presentan como traslaciones (aunque pueden ser
contracciones).
Supongamos que la linealizacion del modelo buscado es
(72)
()
()
Consideraremos el caso de dominio ms comn, supongamos que el dominio de
es
( ), si *
+ ( ) no hay necesidad de hacer desplazamientos, ahora si esto

no se cumple es por que
, debemos trasladar los datos de tal manera que

se cumpla
con lo cual consideraremos dos casos

Caso i Si

tomaremos un desplazamiento de la forma

(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 la funcin logartmica la cual tiene por dominio ( )

y como
+ utilizamos la formula en (75) para obtener

(81) ||
Y como la funcin
es la identidad la cual no tiene problemas de dominio no

hay necesidad de hacer la traslacin a la variable por lo cual tomaremos

As el conjunto de datos sobre el cual trabajaremos es
(82) *() () () () () +

Los cuales estn en las variables , , por lo tanto el modelo buscado en
realidad tendr la forma
(83)

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)


(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

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

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 *(
) (
) (
)+ encontrar una funcin

que satisfaga la condicin (
, antes de empezar esta bsqueda, al igual que

en mnimos cuadrados debemos primero fijar una forma particular del modelo, esta
forma se busca dependiendo del comportamiento de los datos y de que queremos
hacer con dicho modelo, por ejemplo, si buscamos estos para aadir este modelo a
una ecuacin diferencial, pediremos que este modelo al menos sea continuo (o
porque no, diferenciable), si el modelo lo queremos para analizar una onda y estudiar
sus propiedades sera bueno que este dado en forma de senos y cosenos, si el
comportamiento delos datos sugiere un crecimiento rpido se puede pensar en un
modelo logartmico, la interpolacin que vamos a considerar en esta parte
tomaremos los modelos que son ms fciles para nosotros, los polinomios, as la
( )( )
( ) ( )

=
=
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

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 , existe un nico

polinomio () de grado menor o igual que que interpola dichos valores, 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

polinomio es
() ( )( )( ); aqu utilizamos el teorema del factor que dice

Si c es raz (x-c) es factor

Grfica 5

sin embargo este polinomio no pasa por (-2,5) sino por (-2,-60) as podemos reflejar con el
eje x y llegamos a
() ( )( )( ), que sigue sin pasar por el punto (-2,5) ; a

lo cual aplicamos contraccin o dilatacin para que llegue al punto deseado pero no me
cambie los cortes con el eje x

Grfica 6


Para lo cual hacemos
(107)
este
salio en forma geomtrica; ahora lo haremos analticamente:

(108)
Ahora si queremos que pase por (-2,5) llegamos a:
(109)
donde as
(110)
en terminos de los datos
(111)
()
)(
)(
)
(
)(
)(
)

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
() ( )( )( ), que sigue sin pasar por el punto (1,-4) ; a

) 3 )( 2 )( 1 (
12
1
) (
0

= 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

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
salio en forma geomtrica;

ahora lo haremos analticamente:

ahora si queremos que pase por (1,-4) llegamos a:
donde as
(113)
es decir
(114)

Para el tercer
(), 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

=

Procedemos de forma analoga obteniendo
(116)
()
)(
)(
)
(
)(
)(
)

Para el cuarto polinomio
(), es el polinomio que pasa por (3,-1) y en los dems valores

por (-2,0),(1,0) , (2,0) a lo cual aplicamos contraccin o dilatacin para que llegue al punto
deseado pero no me cambie los cortes con el eje y obtenemos
(117)
()
( )( )( )
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

sumando los () llegamos a nuestro polinomio de Lagrange como:

(119) ()
()
()
()
()

reemplazando tenemos:

(120) ()
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )( )

notemos que cada polinomio
(), es un polinomio de grado 3 (excepto que
), 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

=
+
+


(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 (
es el que pega al piso la funcin en los valores
. 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


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

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

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.

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

PDD SDD TDD CDD

0 1 0.7651977
-0.48370567
-0.548946
-0.578612
-0.571521
-0.10873389
-0.04944333
0.01181833
0.0658784
0.06806851
0.00182509
1 1.3 0.6200860
2 1.6 0.4554022
3 1.9 0.2818186
4 2.2 0.1103623

El Polinomio de Newton es:

() ( ) ( )( )
( )( )( )

Ejemplo 12

Dados los puntos (-3,11),(-1,3),(2,6) y (4,18), encontrar los polinomios de Newton que pasan
por los dos primeros puntos, los tres primeros puntos y por los cuatro puntos; aproximar en
cada caso para
Solucin
Para resolver el ejemplo realizaremos la tabla de diferencias


Tabla 2

PDD SDD TDD

0 -3 11 -4
1
6

1
1

0

1 -1 3
2 2 6
3 4 18

Entonces el polinomio queda como,
(144) () ( ) ( )( ) ( )( )( )

y la aproximacin es
(145) ()
Ahora veamos otra forma de interpolacin la cual recurre al uso de determinantes y
matrices.

3.2.3 AITKEN

Este mtodo se basa en una sucesin de polinomios que se dan en forma triangular , el cual
nos permite generar los polinomios de grados ms altos partiendo de polinomios de grados
ms bajos.

Inicialmente se genera la primer columna , que son las imgenes de los puntos dados,
Se genera un dispositivo triangulas de polinomios P
k,d
mediante un determinante de orden 2.
Aqu P
k,d
es cierto polinomio de grado d que se interpola sobre un conjunto de d+1 puntos
que dependen de k.

El esquema de Aitken es el que sigue:
Para genrese el polinomio
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
,
+ + =


La disposicin de los polinomios P
k,d
se muestra en la siguiente tabla:
Tabla 3
d 0 1 2 ............. n
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

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

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)
(164) ()

|
y la aproximacin es
(165) ()
( )
- Polinomio por los puntos (-3,11), (-1,3),(2,6) y (4,18)
(166)

|


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


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

) PDD SDD TDD CDD

0 1 0.7651977
-0.48370567
-0.548946
-0.578612
-0.571521
-0.10873389
-0.04944333
0.01181833
0.0658784
0.06806851
0.00182509
1 1.3 0.6200860
2 1.6 0.4554022
3 1.9 0.2818186
4 2.2 0.1103623

Tomaremos como datos iniciales del ejemplo (2) los cuatro primeros y el quinto dato (4 ,
2.2), sera el dato adicional, el cual nos dara el
, luego la aproximacion del polinomio de

grado 4 queda de la siguiente forma:
()

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 ~
+

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.

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
, aindique las variables con las cuales se van

a trabajar, y halle el modelo exponencial para los datos de Tabla 2

Ejercicio 7 Hallar el valor de utilizando 3 funciones diferentes y llenar la siguiente tabla
Primer grado Segundo grado Tercer grado
Aproximacin E
N
Aproximacin E
N
Aproximacin E
N

F(x)
G(x)
H(x)

Ejercicio 8 Obtenga el Polinomio interpolante de de Lagrange de grado 2 a partir del Polinomio
interpolante de Newton.
Ejercicio 9 Estime el log 5 usando interpolacin lineal, cuadrtica y cbica; y compare los
errores. Cul es el mejor mtodo? Porqu?.
2

Ejercicio 10 Halle el polinomio de interpolacin que pasa por los puntos
{( ()) ( ()) ( ())}
{( ()) ( ()) ( ()) ( ())}
{( ()) ( ()) ( ()) ( ()) ( ())}

Ejercicio 13 sese el mtodo de Aitken para obtener una aproximacin del valor de
Ejercicio 14 Encuentre un valor aproximado de por interpolacin, usando el mtodo de
Aitken. Para los valores de la funcin en los puntos X = -2 ,-1,0,1,2,3
Ejercicio 15 Demuestre que P
2,2
= L
2
(x), donde L
2
(x) es el polinomio langrangeano de orden 2.
Ejercicio 16 Hallar utilizando interpolacin de:
i. Newton
ii. Lagrange
iii. Aitken
Cada uno de 1, 2 y tercer grado. Decir cual es mejor en cada grado para los puntos

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

Teoría Del Error

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teoría Del Error

Uploaded by

Copyright:

Available Formats

CAPITULO 3 AJUSTE DE CURVAS

Losada H. Soln, Morales P. Jorge, Ruiz P. Fabian Pgina 1

cuando , ahora, si queremos un modelo

, este caso particular de

+, observemos que el nmero de variables y el

(), veamos la siguiente grafica

)}, es decir, en cada punto hay un error

) este seria el vector formado por los residuos, ahora queremos

, el cual representa una linea recta, de alli el nombre

quedando el modelo lineal multiple (Plano) de la siguiente

, por medio de regresin lineal, para esto

son en general funciones montonas, en Ejemplo 5 basto tomar

(), en el caso del Ejemplo 5 la recta se tiene en el plano y en el

+ deben pertenecer al dominio de la funcin

, esto en general no se va a cumplir, por lo tanto nos toca

+ ( ) no hay necesidad de hacer desplazamientos, ahora si esto

, debemos trasladar los datos de tal manera que

con lo cual consideraremos dos casos

es la funcin logartmica la cual tiene por dominio ( )

+ utilizamos la formula en (75) para obtener

es la identidad la cual no tiene problemas de dominio no

)+ encontrar una funcin

, antes de empezar esta bsqueda, al igual que

para , existe un nico

() ( )( )( ); aqu utilizamos el teorema del factor que dice

() ( )( )( ), que sigue sin pasar por el punto (-2,5) ; a

salio en forma geomtrica; ahora lo haremos analticamente:

() ( )( )( ), que sigue sin pasar por el punto (1,-4) ; a

salio en forma geomtrica;

(), es el polinomio que pasa por (3,-1) y en los dems valores

(), es un polinomio de grado 3 (excepto que

es el que pega al piso la funcin en los valores

PDD SDD TDD CDD

PDD SDD TDD

CAPITULO 3 AJUSTE DE CURVAS

) PDD SDD TDD CDD

, luego la aproximacion del polinomio de

, aindique las variables con las cuales se van

You might also like