Instituto Tecnolgico Superior de

Acayucan

Nombre del alumno: Ludwig de Jess Damin Maldonado.

Asignatura: Mtodos Numricos.
Clave: IQH- 1014.
Temas:
Interpolacin de Newton.

Interpolacin de LaGrange.

Regresin: Lineal, cuadrtica y mltiple.

Nombre del Docente: MTI. Ulises Girn Jimnez

Carrera: Ing. Qumica.

Grupo: 409-A
Lugar y Fecha: Acayucan, Ver. A 31/03/2017.

Calificacin: ______________________________________
UNIDAD 4: Ajuste de funciones.

TABLA DE CONTENIDO

INTRODUCCION ............................................................................................................... 3

POLINOMIO DE INTERPOLACION DE NEWTON............................................................ 4

POLINOMIOS DE INTERPOLACION DE NEWTON ....................................................... 4

Ejemplo: ..................................................................................................................... 5
FORMA GENERAL DE LOS POLINOMIOS DE INTERPOLACIN DE NEWTON. ...................... 6

INTERPOLACIN DE LAGRANGE .................................................................................. 7

REGRESIN LINEAL, REGRESIN CUADRTICA Y REGRESIN MLTIPLE ............ 9

VARIANTES DE LA REGRESIN LINEAL .............................................................................. 11

La funcin potencial .................................................................................................. 11
Funcin exponencial ................................................................................................. 11
REGRESIN CUADRTICA ............................................................................................... 12
Ejemplo: ................................................................................................................... 12

REGRESIN MLTIPLE ................................................................................................ 13

CONCLUSION................................................................................................................. 14

BIBLIOGRAFIA ............................................................................................................... 14

Alumno: Ludwig de Jess Damin Maldonado.

2
UNIDAD 4: Ajuste de funciones.

INTRODUCCION

La finalidad del clculo de las funciones de interpolacin se centra en la necesidad

de obtener valores intermedios (INTERPOLACIN) o de valores fuera del intervalo
para el que se dispone de datos (EXTRAPOLACIN).

Es frecuente la necesidad de buscar funciones apropiadas a partir de datos que

proceden de una poblacin en la que se ha realizado un registro de informaciones
o estudio estadstico, para que cumplan determinadas condiciones que nos
interesen, como que sean continuas, derivables, etc. Con este objetivo trataremos
de plantear distintos procedimientos para realizar la bsqueda de estas funciones,
bien buscando una funcin que pase exactamente por una serie de puntos (funcin
de interpolacin) o bien que esa funcin elegida por nosotros se adapte lo mejor
posible a una serie o a una nube de puntos (funcin de ajuste o regresin).

Alumno: Ludwig de Jess Damin Maldonado.

3
UNIDAD 4: Ajuste de funciones.

POLINOMIO DE INTERPOLACION DE NEWTON

POLINOMIOS DE INTERPOLACION DE NEWTON

Uno de estas formas de interpolacin se denomina Polinomios de Interpolacin de

Newton, que trabaja directamente en la tabla obtenida mediante el proceso de
Diferencias Divididas; En el desarrollo de estas diferencias finitas, se obtuvo en
primer lugar las diferencias finitas ordinarias y luego las diferencias finitas divididas.
Algunos casos: lineal, de segundo grado y de tercer grado.

Interpolacin lineal
Utilizando tringulos semejantes

Reordenando:

Alumno: Ludwig de Jess Damin Maldonado.

4
UNIDAD 4: Ajuste de funciones.

Ejemplo:

Estimar ln 2 mediante interpolacin lineal si ln1 = 0 y ln 6 = 1.791759 y ln 4 =

1.386294

Valor real ln 2 = 0.6931472

Error relativo porcentual = 33.3%

Alumno: Ludwig de Jess Damin Maldonado.

5
UNIDAD 4: Ajuste de funciones.

Forma General de los polinomios de interpolacin de Newton.

Alumno: Ludwig de Jess Damin Maldonado.

6
UNIDAD 4: Ajuste de funciones.

INTERPOLACIN DE LAGRANGE
Un polinomio de interpolacin de Lagrange, p, se define en la forma:

en donde son polinomios que dependen slo de los nodos

tabulados , pero no de las ordenadas . La frmula

general del polinomio es:

Para el conjunto de nodos , estos polinomios son conocidos

como funciones cardinales. Utilizando estos polinomios en la ecuacin obtenemos
la forma exacta del polinomio de interpolacin de Lagrange.

Ejemplo: Suponga la siguiente tabla de datos:

x 5 -7 -6 0
y 1 -23 -54 -954
Construya las funciones cardinales para el conjunto de nodos dado y el polinomio
de interpolacin de Lagrange correspondiente.

Las funciones cardinales, empleando la expresin, resultan ser:

El polinomio de interpolacin de Lagrange es:

Alumno: Ludwig de Jess Damin Maldonado.

7
UNIDAD 4: Ajuste de funciones.

El grado del polinomio de interpolacin de Lagrange es igual o menor que n. Es el

menor grado posible. El polinomio encontrado es nico. Hay otras maneras de
calcular este polinomio (con sus ventajas e inconvenientes). La forma de Lagrange
es sencilla y se comprueba con facilidad que es un polinomio de interpolacin y su
grado. Pero para conocer los coeficientes del polinomio hay que simplificar los
trminos. Otra caracterstica de esta forma de encontrar el polinomio es que si
aadimos o quitamos puntos hay que recalcularlo otra vez.
Vamos a ver algunos ejemplos. El ms sencillo es una recta. Dados dos puntos (x0,
y0) y (x1, y1) hay exactamente una recta que pasa por esos dos puntos:

Alumno: Ludwig de Jess Damin Maldonado.

8
UNIDAD 4: Ajuste de funciones.

REGRESIN LINEAL, REGRESIN CUADRTICA Y

REGRESIN MLTIPLE

Si utilizamos un sistema de coordenadas cartesianas para representar la

distribucin bidimensional, obtendremos un conjunto de puntos conocido con el
diagrama de dispersin, cuyo anlisis permite estudiar cualitativamente, la relacin
entre ambas variables tal como se ve en la figura. El siguiente paso, es la
determinacin de la dependencia funcional entre las dos variables x e y que mejor
ajusta a la distribucin bidimensional. Se denomina regresin lineal cuando la
funcin es lineal, es decir, requiere la determinacin de dos parmetros: la
pendiente y la ordenada en el origen de la recta de regresin, y=ax+b.
La regresin nos permite adems, determinar el grado de dependencia de las series
de valores X e Y, prediciendo el valor y estimado que se obtendra para un
valor x que no est en la distribucin.

Vamos a determinar la ecuacin de la recta que mejor ajusta a los datos

representados en la figura. Se denomina error ei a la diferencia yi-y,
entre el valor observado yi, y el valor ajustado y= axi+b, tal como se ve
en la figura inferior. El criterio de ajuste se toma como aqul en el que
la desviacin cuadrtica media sea mnima, es decir, debe de ser
mnima la suma

Alumno: Ludwig de Jess Damin Maldonado.

9
UNIDAD 4: Ajuste de funciones.

El extremo de una funcin: mximo o mnimo se obtiene cuando las derivadas

de s respecto de a y de b sean nulas. Lo que da lugar a un sistema de dos
ecuaciones con dos incgnitas del que se despeja a y b.

El coeficiente de correlacin es otra tcnica de estudiar la distribucin bidimensional,

que nos indica la intensidad o grado de dependencia entre las variables X e Y. El
coeficiente de correlacin r es un nmero que se obtiene mediante la frmula.

Alumno: Ludwig de Jess Damin Maldonado.

10
UNIDAD 4: Ajuste de funciones.

Variantes de la regresin lineal

La funcin potencial

y=cxa

Se puede trasformar en

Si usamos las nuevas variables X=log x e Y=log y, obtenemos la relacin lineal

Y=aX+b.

Donde b=log c

Ejemplo:

x 10 20 30 40 50 60 70 80
y 1.06 1.33 1.52 1.68 1.81 1.91 2.01 2.11

Usar la calculadora para transformar esta tabla de datos en esta otra

X=log x 1.0 1.30 1.477 1.60 1.699 1.778 1.845 1.903

Y=log y 0.025 0.124 0.182 0.225 0.258 0.281 0.303 0.324

Funcin exponencial

y=ceax
Tomando logaritmos neperianos en los dos miembros resulta
ln y=ax+ln c
Si ponemos ahora X=x, e Y=ln y, obtenemos la relacin lineal
Y=aX+b
Donde b=ln ejemplo:

x 12 41 93 147 204 264 373 509 773

y 930 815 632 487 370 265 147 76 17

Alumno: Ludwig de Jess Damin Maldonado.

11
UNIDAD 4: Ajuste de funciones.

Regresin cuadrtica

Una regresin cuadrtica es el proceso de encontrar la ecuacin de la parbola que

mejor se ajuste para un conjunto de datos. Como resultado, obtenemos una
ecuacin de la forma

donde .

La potencia predictiva relativa de un modelo cuadrtico est denotada por R 2 . El

valor de R 2 vara entre 0 y 1. Mientras ms cercano el valor est de 1, ms preciso
ser el modelo.

Ejemplo:

Considere el conjunto de datos. Determine la regresin cuadrtica para el

conjunto.

(-3, 7.5), (-2, 3), (-1, 0.5), (0, 1), (1, 3), (2, 6), (3, 14)

Introduzca las coordenadas en x y las coordenadas en y en su calculadora

y realice una regresin cuadrtica. La ecuacin de la parbola que mejor
se aproxima al punto es

Realice la grfica. Obtendr una grfica como esta.

Puede ver que el valor de R 2 para los datos es 0.9942.

Alumno: Ludwig de Jess Damin Maldonado.

12
UNIDAD 4: Ajuste de funciones.

Regresin Mltiple

La ecuacin de Regresin Simple permite hacer predicciones de una

variable en funcin de otra. El comportamiento es muy complejo, y hacer
predicciones con una sola variable predictora es demasiado simple.
Mejoraramos la posibilidad de prediccin (o explicacin) del
comportamiento si utilizamos ms de una variable predictora. Para
resolver esta cuestin se define la ecuacin de Regresin Mltiple
(puntuaciones directas):

donde
Xi: Variable predictora (o explicativa).
Bi: Coeficiente de la variable predictora Xi
A: Interceptal o constante
La valoracin de la capacidad predictiva de la ecuacin de Regresin
Mltiple se puede hacer con el Coeficiente de Determinacin, que se
interpretado de forma semejante a como ha sido explicado para la
ecuacin de Regresin Simple: Da la proporcin de variacin explicada
por el conjunto de variables predictoras (o explicativas). El Coeficiente
de Determinacin es el cuadrado del coeficiente de Correlacin Mltiple,
que es la correlacin de Pearson entre la variable Y y la variable Y' (la
variable que contiene las predicciones de Y):

Donde el primer subndice indica cul es la variable criterio y los otros

indican cules son las variables predictoras (o explicativas).
Coeficiente de determinacin:

Alumno: Ludwig de Jess Damin Maldonado.

13
UNIDAD 4: Ajuste de funciones.

CONCLUSION

En conclusin, puedo decir que se puede utilizar en el clculo de estructuras,

instalaciones elctricas, hidrulicas y sanitarias, en clculos de carreteras,
topografa y hasta en diseo de las estructuras, no en todos los casos, pero
principalmente cuando hay mala toma de datos o haya datos faltantes.

En el subcampen matemtico del anlisis numrico, un spin es una curva

diferenciable definida en porciones mediante polinomios.

En los problemas de interpolacin, se utiliza a menudo la interpolacin mediante

spines porque da lugar a resultados similares requiriendo solamente el uso de
polinomios de bajo grado, evitando as las oscilaciones, indeseables en la mayora
de las aplicaciones, encontradas al interpolar mediante polinomios de grado
elevado.

BIBLIOGRAFIA

Chapra, S. C. (6 ed). Mtodos Numricos para Ingenieros Mc Graw Hill. Obtenido

de Steven C. Chapra, Mtodos Numricos para Ingenieros, 6 ed., Mc Graw
Hill.
Wikipedia. (s.f.). Ajuste de curvas e interpolacin. Obtenido de
http://es.wikipedia.org/wiki/M%C3%ADnimos_cuadrados

Alumno: Ludwig de Jess Damin Maldonado.

14