Ajuste de Curvas

5.
AJUSTE DE CURVAS

5.1 REGRESIN LINEAL

Si sabemos que existe una relacin entre una variable denominada dependiente y otras
denominadas independientes (como por ejemplo las existentes entre: la experiencia profesional
de los trabajadores y sus respectivos sueldos, las estaturas y pesos de personas, la produccin
agraria y la cantidad de fertilizantes utilizados, etc.), puede darse el problema de que la
dependiente asuma mltiples valores para una combinacin de valores de las independientes.
La dependencia a la que hacemos referencia es relacional matemtica y no necesariamente de
causalidad. As, para un mismo nmero de unidades producidas, pueden existir niveles de costo,
que varan de empresa a empresa.
Si se da ese tipo de relaciones, se suele recurrir a los estudios de regresin en los cuales se
obtiene una nueva relacin pero de un tipo especial denominado funcin, en la cual la variable
independiente se asocia con un indicador de tendencia central de la variable dependiente. Cabe
recordar que en trminos generales, una funcin es un tipo de relacin en la cual para cada valor
de la variable independiente le corresponde uno y slo un valor de la variable dependiente.
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. 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, bx a y + = .
Representamos en un grfico los pares de valores de una distribucin bidimensional: la
variable "x" en el eje horizontal o eje de las abscisas, y la variable y en el eje vertical, o eje de
las ordenadas. Vemos que la nube de puntos sigue una tendencia lineal:

El coeficiente de correlacin lineal nos permite determinar si, efectivamente, existe relacin
entre las dos variables. Una vez que se concluye que s existe relacin, la regresin nos permite
definir la recta que mejor se ajusta a esta nube de puntos. Como por ejemplo:

Que como se haba dicho antes, es una recta la que trata de aproximar los puntos, la cual viene
definida por la siguiente frmula:
bx a y + =
Donde y sera la variable dependiente, es decir, aquella que viene definida a partir de la otra
variable x (variable independiente). Para definir la recta hay que determinar los valores de los
parmetros a y b:
El parmetro "a" es el valor que toma la variable dependiente y, cuando la variable
independiente x vale 0, y es el punto donde la recta cruza el eje vertical.
El parmetro "b" determina la pendiente de la recta, es decir, su grado de inclinacin.
La regresin lineal nos permite calcular el valor de estos dos parmetros, definiendo la recta que
mejor se ajusta a esta nube de puntos.
El parmetro "b" viene determinado por la siguiente frmula:
( )( )
( )

=
2
m i
m i m i
x x
y y x x
b
Es la covarianza de las dos variables, dividida por la varianza de la variable "x".
El parmetro "a" viene determinado por:
( )
m m
x b y a =
Es la media de la variable y, menos la media de la variable x multiplicada por el parmetro
b que hemos calculado.

Ejemplo 1: Calcular la recta de regresin de la siguiente serie de datos de altura y peso de los
alumnos de una clase. Considere que la altura es la variable independiente x y que el peso es la
variable dependiente y (podra hacerlo tambin al contrario):

Alumno Estatura Peso Alumno Estatura Peso Alumno Estatura Peso

Alumno 1 1,25 32 Alumno 11 1,25 33 Alumno 21 1,25 33

El parmetro "b" viene determinado por:

Y el parmetro "a" por:

Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:

Esta recta define un valor de la variable dependiente (peso), para cada valor de la variable
independiente (estatura):

Estatura Peso
X X
1,20
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,30

Ejercicios
1. Las calificaciones de un grupo de nueve estudiantes en un reporte del examen parcial de
mitad del trimestre (x) y del examen final (y) son las siguientes:
X 77 50 71 72 81 94 96 99 67
Y 82 66 78 34 47 85 99 99 68
a. Estime la lnea de regresin lineal
b. Estime la calificacin del examen final de un estudiante que obtiene 85 en el
reporte del examen parcial de mitad de trimestre.

2. Se realiza un estudio sobre la cantidad de azcar transformada en cierto proceso a varias
temperaturas. Los datos se recolectan y se registran como sigue:
Temp 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Azc 8.1 7.8 8.5 9.8 9.5 8.9 8.6 10.2 9.3 9.2 10.5
a. Estime la lnea de regresin lineal
b. Estime la cantidad de media de azcar transformada que se produce cuando la
temperatura codificada es de 1.75.

5.2 REGRESIN POLINOMIAL

En la regresin tenemos ecuaciones que nos representan las diferentes clases de regresin:
a. Regresin lineal: bx a y + = , ya estudiada,
b. Regresin logartmica: ( ) x b a y ln + =
c. Regresin exponencial:
bx
e a y =
d. Regresin cuadrtica:
2
cx bx a y + + =
Para obtener un modelo de regresin es suficiente establecer la regresin para eso se hace uso
del coeficiente de correlacin: R. R = Coeficiente de correlacin, este mtodo mide el grado de
relacin existente entre dos variables, el valor de R vara de -1 a 1, pero en la prctica se traba
con un valor absoluto de R.
El valor del coeficiente de relacin se interpreta de modo que a media que R se aproxima a 1,
es ms grande la relacin entre los datos, por lo tanto R (coeficiente de correlacin) mide la
aproximacin entre las variables.
El coeficiente de correlacin se puede clasificar de la siguiente manera:
CORRELACIN VALOR O RANGO
1) Perfecta R = 1
2) Excelente R = 0.9 < = R < 1
3) Buena R = 0.8 < = R < 0.9
4) Regular R = 0.5 < = R < 0.8
5) Mala R < 0.5
La correlacin, mtodo por el cual se relacionan dos variables se pude graficar con un
diagrama de dispersin de puntos, a la cual muchos autores le llaman nubes de puntos,
encuadrado dentro de un grfico de coordenadas cartesianas o rectangulares, en la cual se pude
trazar una curva y cuyos puntos mas cercanos a la curva hablaran de una correlacin mas fuerte,
ha esta curva se le denomina curva de regresin, que puede ser positiva o negativa.
El Coeficiente de correlacin de Spearman, (rho), es una prueba no paramtrica que mide
la asociacin entre dos variables discretas. Para calcular , los datos son ordenados y
reemplazados por su respectivo orden.

El estadstico viene dado por la expresin:

donde D es la diferencia entre los correspondientes valores de x - y. N es el nmero de parejas.
Se tiene considerar la existencia de datos idnticos a la hora de ordenarlos, aunque si stos son
pocos, se puede ignorar tal circunstancia
Para muestras mayores de 20 observaciones, podemos utilizar la siguiente aproximacin a la
distribucin t de Student

La interpretacin de coeficiente de Spearman es igual que la del coeficiente de correlacin de
Pearson. Oscila entre -1 y +1, indicndonos asociaciones negativas o positivas respectivamente.
De este estudio, se deriva cul ecuacin de regresin es ms adecuada.
5.3 REGRESIN LINEAL MLTIPLE
En la mayor parte de los problemas de investigacin donde se aplica el anlisis de regresin se
necesita ms de una variable independiente en el modelo de regresin. La complejidad de la
mayor parte de los mecanismos cientficos es tal que para ser capaces de predecir una respuesta
importante se necesita un modelo de regresin mltiple. Cuando este modelo es lineal en los
coeficientes se denomina modelo de regresin lineal mltiple. Para el caso de k variables
independientes
k
x x x , , ,
2 1

,
la media de
k
x x x Y , , ,
2 1
est dada por el modelo de regresin
lineal mltiple
k k
x x x Y
x x
k
| | |
+ + + =
1 1 0
, , ,
2 1

y la respuesta estimada se obtiene de la ecuacin de regresin de la muestra
k k
x b x b b y + + + =
1 1 0
,
donde cada coeficiente de regresin
i
| se estima por
i
b

de los datos de la muestra con el uso del
mtodo de mnimos cuadrados. Como en el caso de una sola variable independiente, el modelo de
regresin lineal mltiple a menudo puede ser una representacin adecuada de una estructura ms
complicada dentro de ciertos rangos de las variables independientes.
Tcnicas de mnimos cuadrados similares tambin se pueden aplicar al estimar los coeficientes
cuando el modelo lineal involucra, digamos, potencias y productos de las variables
independientes. Por ejemplo, cuando k = 1, el experimentador puede pensar que las medias
x Y

no caen en una lnea recta pero que se describen de forma ms apropiada con el modelo de
regresin polinomial
r
r x Y
x x x | | | | + + + + =
2
2 1 0

y la respuesta estimada se obtiene de la ecuacin de regresin polinomial

En ocasiones surge confusin cuando hablamos de un modelo polinomial como de un modelo
lineal. Sin embargo, los estadsticos por lo general se refieren a un modelo lineal como uno en el
cual los parmetros ocurren linealmente, sin importar cmo entran las variables independientes al
modelo. Un ejemplo de un modelo no lineal es la relacin exponencial

x
x Y
ab = ,
que se estima con la ecuacin de regresin
x
ab y =
Existen muchos fenmenos en la ciencia y en la ingeniera que son inherentemente no lineales
por naturaleza y, cuando se conoce la estructura real, desde luego se debe hacer un intento para
ajustar el modelo presente. La literatura sobre estimacin por mnimos cuadrados de modelos no
lineales es voluminosa y no es el objeto del curso, as que si desea una buena explicacin de
algunos aspectos de este tema debe consultar Classical and Modern Regression with Applications
de Myers.

Estimacin de lo coeficientes.
La obtencin de los estimadores por mnimos cuadrados de los parmetros b
0
+ b
0
, b
1
,...., b
k

se hace mediante el ajuste del modelo de regresin lineal mltiple
k k
x x x Y
x x
k
| | |
+ + + =
1 1 0
, , ,
2 1

a los puntos de datos
con i= 1,2,....,n y n >k },
donde y
i
es la respuesta observada para los valores x
1i,
x
2i,.........,
x
ki,
de las k variables
independientes x
1
, x
2
,......, x
k
.Cada observacin (x
1i
, x
2i
,......,x
ki
, y
i
) satisface la ecuacin
i ki k i i i
x x x y c | | | | + + + + + =
2 2 1 1 0

o
i ki k i i i
e x b x b x b b y + + + + + =
2 2 1 1 0

donde
i
c y e
i
son el error aleatorio y residual, respectivamente, asociados con la respuesta y
i
. Al
utilizar el concepto de mnimos cuadrados para llegar a las estimaciones b
0
, b
1
,..., b
k
,
minimizamos la expresin

Al diferenciar SSE a su vez con respecto a b
0
,b
1
, b
2
,......,b
k
, e igualar a cero, generamos un
conjunto de k + 1 ecuaciones normales

Estas ecuaciones se pueden resolver para b
0
, b
1
,b
2
, ..., b
k
mediante cualquier mtodo apropiado
para resolver sistemas de ecuaciones lineales.

Ejemplo
Se realiz un estudio sobre un camin de reparto ligero a diesel para ver si la humedad,
temperatura del aire y presin baromtrica influyen en la emisin de xido nitroso (en ppm). Las
mediciones de las emisiones se tomaron en diferentes momentos, con condiciones experimentales
variantes. Los datos son los siguientes:
xido
nitroso,
y
Humedad
x
1

Temperatura
x
2

Presin
x
3

xido
nitroso
y
Humedad
x
1

Temperatura
x
2

Presin
x
3

0,90 72,4 76,3 29,18 1,07 23,2 76,8 29,38
0,91 41,6 70,3 29,35 0,94 47,4 86,6 29,35
0,96 34,3 77,1 29,24 1,10 31,5 76,9 29,63
0,89 35,1 68,0 29,27 1,10 10,6 86,3 29,56
1,00 10,7 79,0 29,78 1,10 11,2 86,0 29,48
1,10 12,9 67,4 29,39 0,91 73,3 76,3 29,40
1,15 8,3 66,8 29,69 0,87 75,4 77,9 29,28
1,03 20,1 76,9 29,48 0,78 96,6 78,7 29,29
0,77 72,2 77,7 29,09 0,82 107,4 86,8 29,03
1,07 24,0 67,7 29,60 0,95 54,9 70,9 29,37
El modelo es:
3 3 2 2 1 1 0
, ,
3 2 1
x x x
x x x Y
| | | |
+ + + =
Ajuste este modelo de regresin lineal mltiple a los datos dados y despus estime la cantidad
de xido nitroso para las condiciones donde la humedad es 50%, la temperatura 76F y la presin
baromtrica 29,30.

SOLUCIN
Para las ecuaciones normales encontramos que

La solucin de este conjunto de ecuaciones da las estimaciones nicas
b
0
= -3.507778, b
1
= -0.002625, b
2
= 0.000799, b
3
= 0.154155.
Por tanto, la ecuacin de regresin es

Para 50% de humedad, una temperatura de 76 F y una presin baromtrica 29,30, la cantidad
estimada de xido nitroso es

Ejemplo
Dados los datos
x 0 1 2 3 4 5 6 7 8 9
y 9,1 7,3 3,2 4,6 4,8 2,9 5,7 7,1 8,8 10,2
Ajustar una curva de regresin de la forma
2
2 1 0
x b x b b
x Y
+ + =

y despus estime

X Y

SOLUCIN:
De los datos dados, encontramos que

Al resolver las ecuaciones normales obtenemos
b
0
=8,697 , b
1
=-2,341, b
2
= 0,288
Por tanto:

5.4 INTERPOLACIN
La interpolacin polinmica es un mtodo usado para conocer, de un modo aproximado, los
valores que toma una cierta funcin de la cual slo se conoce su imagen en un nmero finito de
abscisas. A menudo, ni siquiera se conocer la expresin de la funcin y slo se dispondr de los
valores que toma para dichas abscisas.
El objetivo ser hallar un polinomio que cumpla lo antes mencionado y que permita hallar
aproximaciones de otros valores desconocidos para la funcin con una precisin deseable fijada.
Por ello, para cada polinomio interpolador se dispondr de una frmula del error de interpolacin
que permitir ajustar la precisin del mismo.
5.4.1. Interpolacin por polinomios de Newton
Un tipo muy importante es la interpolacin por funciones polinomiales. Puesto que
evidentemente pueden existir una infinidad de funciones polinomiales de interpolacin para una
misma tabla de datos, se hace una peticin extra para que el polinomio de interpolacin, sea
nico.

Definicin:
Un polinomio de interpolacin es una funcin polinomial que adems de interpolar los datos,
es el de menor grado posible.

Sea el caso, cuando n=0
Tenemos los datos:

En este caso, tenemos que (polinomio constante) es el polinomio de menor grado
tal que , por lo tanto, es el polinomio de interpolacin.

Para el caso n=1
0
) ( y x f =
0 0
) ( y x f =
Tenemos los datos:

En este caso, el polinomio de interpolacin es la funcin lineal que une a los dos puntos
dados. Por lo tanto, tenemos que:

es el polinomio de interpolacin.
La siguiente grfica representa este caso:

Observacin:
Vemos que en el polinomio de interpolacin del caso n=1 se encuentra como primer trmino,
, que es el polinomio de interpolacin del caso n=0.

Para el caso n=2
Tenemos los datos:

Para este caso, el polinomio de interpolacin va a ser un polinomio de grado 2. Tomando en
cuenta la observacin anterior, intuimos que el polinomio de interpolacin ser como sigue:

trmino cuadrtico
Por lo tanto, planteamos el polinomio de interpolacin como sigue:

) ( ) (
0
0 1
0 1
0
x x
x x
y y
y x f
+ =
0
y
) )( ( ) ( ) (
1 0 2 0 1 0
x x x x b x x b b x f + + =
Si asignamos , se anulan los valores de y , quedndonos el resultado:

Como se debe cumplir que , entonces:

Si asignamos , el valor de queda anulado, resultando lo siguiente:

Como se debe cumplir que y ya sabemos que , entonces
, de lo cual obtenemos el valor para :

Asignando , vamos a obtener :

Como se debe cumplir que , y ya sabemos que y ,
sustituimos estos datos para despus despejar el valor de :

De lo cual podemos hacer un despeje parcial para lograr la siguiente igualdad :

Ahora en el numerador del miembro izquierdo de la igualdad, le sumamos un cero ,
de tal manera que no se altere la igualdad:
0
x x =
1
b
2
b
0 0
) ( b x f =
0 0
) ( y x f =
0 0
b y =
1
x x =
2
b
) ( ) (
0 1 1 0 1
x x b b x f + =
1 1
) ( y x f =
0 0
b y =
) (
0 1 1 0 1
x x b b y + =
1
b
1
0 1
0 1
b
x x
y y
=
2
x x =
) )( ( ) ( ) (
1 2 0 2 2 0 2 1 0 2
x x x x b x x b b x f + + =
2 2
) ( y x f =
0 0
b y =
1
0 1
0 1
b
x x
y y
=
2
b
) )( ( ) (
1 2 0 2 2 0 2
0 1
0 1
0 2
x x x x b x x
x x
y y
y y +
+ =
) (
) (
0 2 2
1 2
0 2
0 1
0 1
0 2
x x b
x x
x x
x x
y y
y y
=

( )
1 1
y y +

A continuacin, aplicamos un poco de lgebra para as obtener los siguientes resultados:

Y finalmente despejando a vamos a obtener :

Por lo tanto, el polinomio de interpolacin para este caso es:

Observacin:
Vemos que efectivamente el polinomio de interpolacin contiene al del caso anterior, ms un
trmino extra que es de un grado mayor, pero adems vemos que cada uno de los coeficientes del
polinomio de interpolacin, se forman a base de cocientes de diferencias de cocientes de
diferencias, etc. Esto da lugar a la definicin de diferencias divididas finitas de Newton, como
sigue:

2
b
0 2
0 1
0 1
1 2
1 2
2
x x
x x
y y
x x
y y
b
=

DIFERENCIAS DIVIDIDAS FINITAS DE NEWTON
Las diferencias divididas finitas de Newton, se define de la siguiente manera:

A manera de ejemplo citemos el siguiente caso especfico:

donde a su vez:
y
Y adems a su vez:

etc.

Con stos datos anteriores, veamos como se reacciona ahora el:
j i
j i
j i
x x
x f x f
x x f
=
) ( ) (
] , [
k i
k j j i
k j i
x x
x x f x x f
x x x f
=
] , [ ] , [
] , , [
-
-
-
0
0 1 1
0 1 1
] , , [ ] , , [
] , , , , [
x x
x x f x x f
x x x x f
n
n n
n n
0 3
0 1 2 1 2 3
0 1 2 3
] , , [ ] , , [
] , , , [
x x
x x x f x x x f
x x x x f
=
1 3
1 2 2 3
1 2 3
] , [ ] , [
] , , [
x x
x x f x x f
x x x f
=
01 2
0 1 1 2
0 1 2
] , [ ] , [
] , , [
x x
x x f x x f
x x x f
=
2 3
2 3
2 3
) ( ) (
] , [
x x
x f x f
x x f
=
POLI NOMI O DE I NTERPOLACI N DE NEWTON CON DI FERENCIAS DI VI DI DAS

Dados datos:

- El polinomio de interpolacin de Newton se define de la siguiente manera:

donde :

Para calcular los coeficientes , es conveniente construir una tabla de diferencias
divididas como la siguiente :

Obsrvese que los coeficientes del polinomio de interpolacin de Newton, se encuentran en la
parte superior de la tabla de diferencias divididas.
Ejemplo: Calcular la tabla de diferencias divididas finitas con los siguientes datos :

Y utilizar la informacin de dicha tabla, para construir el polinomio de interpolacin de
Newton.

Solucin.
1 + n
( ) ( ) ( )( ) ( )( ) ( )
1 1 0 1 0 2 0 1 0
+ + + + =
n n
x x x x x x b x x x x b x x b b x f
( )
0 0
x f b =
] , [
0 1 1
x x f b =
| |
0 1 2 2
, , x x x f b =
| |
0
, , x x f b
n n

=
n
b b b , , ,
1 0

Procedemos como sigue:

Por lo tanto el polinomio de interpolacin de Newton es :

Ejemplo: Calcular la tabla de diferencias divididas finitas con los siguientes datos :

Y usar la informacin en la tabla, para construir el polinomio de interpolacin de Newton.

Solucin. Procedemos como sigue:

Por lo tanto el polinomio de interpolacin de Newton nos queda:

Nota: veamos como el imponer la restriccin del grado mnimo, implica la unicidad del
polinomio de interpolacin.

TEOREMA
Si son nmeros reales distintos, entonces para valores arbitrarios
existe un polinomio nico , de a lo ms grado n, y tal que:

) 2 )( 1 )( 2 ( 3 . 0 ) 1 )( 2 ( 25 . 0 ) 2 ( 2 4 ) ( + + + + + + = x x x x x x x f
) )( 2 )( 3 ( 20238 . 0 ) 2 )( 3 ( 66667 . 1 ) 3 ( 3 5 ) ( x x x x x x x f + + + + + + =
n
x x x , , ,
1 0

n
y y y , , ,
1 0

( ) x f
n
para toda
.

Ejercicios
1. Use la frmula de diferencias divididas de Newton para construir polinomios
interpolantes de grado uno, dos y tres con los datos siguientes. Use cada uno de los
polinomios para aproximar el valor especificado.
a. Calcule ( ) 4 . 8 f , si sabemos que: ( ) 94410 , 16 1 . 8 = f ; ( ) 56492 , 17 3 . 8 = f ;
( ) 50515 , 18 6 . 8 = f ; ( ) 82091 , 18 7 . 8 = f
b. Calcule ( ) 9 , 0 f , si sabemos que: ( ) 1769446 , 0 6 . 0 = f ; ( ) 01375227 , 0 7 , 0 = f ;
( ) 22363362 , 0 8 , 0 = f ; ( ) 65809197 , 0 0 , 1 = f

2. Use la frmula de diferencias divididas de Newton para calcular ( ) 3 , 0 f , sabiendo la
informacin siguiente:

x 0.0 0.2 0.4 0.6
( ) x f
15.0 21.0 30.0 51.0

3. Aproxime ( ) 05 . 0 f mediante los siguientes datos y la frmula de diferencias divididas de
Newton:

X 0.0 0.2 0.4 0.6 0.8
( ) x f
1.00000 1.22140 1.49182 1.82212 2.22554

( )
i i n
y x f = n i , , 2 , 1 , 0 =

5.5 Polinomio de interpolacin de Lagrange

Para los n datos siguientes

Tenemos que, el polinomio de interpolacin de Lagrange se plantea como sigue:

Donde los polinomios se llaman los polinomios de Lagrange, correspondientes a la
tabla de datos.

Como se debe satisfacer que , esto se cumple si y para toda
.
Como se debe satisfacer que , esto se cumple si y para toda
.
Y as sucesivamente, veremos finalmente que la condicin se cumple si
y para toda .

Esto nos sugiere como plantear los polinomios de Lagrange. Para ser ms claros, analicemos
detenidamente el polinomio . De acuerdo al anlisis anterior vemos que deben cumplirse
las siguientes condiciones para :
y , para toda
Por lo tanto, planteamos como sigue:

Con esto se cumple la segunda condicin sobre . La constante c se determinar para
hacer que se cumpla la primera condicin:
) ( ) ( ) ( ) (
1 1 0 0
x l y x l y x l y x P
n n
+ + + =
) (x l
i
0 0
) ( y x P = 1 ) (
0 0
= x l 0 ) (
0
= x l
i
0 = i
1 1
) ( y x P = 1 ) (
1 1
= x l 0 ) (
1
= x l
i
1 = i
( )
n n n
y x P =
( ) 1 =
n n
x l ( ) 0 =
n i
x l
n i =
) (
0
x l
) (
0
x l
1 ) (
0 0
= x l
0 ) (
0
=
j
x l
0 = j
) (
0
x l
( ) ( )( ) ( )
n o
x x x x x x c x l =
2 1
) (
0
x l

Por lo tanto el polinomio queda definido como:

Anlogamente se puede deducir que:

, para

Ejemplo 1
Calcular el polinomio de Lagrange usando los siguientes datos:

Solucin. Tenemos que:

donde:

( ) ( )( ) ( )
n
x x x x x x c x l = =
0 2 0 1 0 0 0
1 1
( )( ) ( )
n
x x x x x x
c

=
0 2 0 1 0
1
) (
0
x l
( )
( )( ) ( )
( )( ) ( )
n
n
x x x x x x
x x x x x x
x l

=
0 2 0 1 0
2 1
0
( )
[
[
=
=
=
j i
i j
j i
i
j
x x
x x
x l
) (
) (
n j , , 1 =
) ( ) ( ) ( ) ( ) (
3 3 2 1 1 0 0
x l y x l y x l y x l y x f + + + =
) ( 3 ) ( 2 ) ( ) ( 2 ) (
3 2 1 0
x l x l x l x l x f + + =
48
) 7 )( 5 )( 3 (
) 6 )( 4 )( 2 (
) 7 )( 5 )( 3 (
) (
0

=

=
x x x x x x
x l
16
) 7 )( 5 )( 1 (
) 4 )( 2 )( 2 (
) 7 )( 5 )( 1 (
) (
1

=

=
x x x x x x
x l
16
) 7 )( 3 )( 1 (
) 2 )( 2 )( 4 (
) 7 )( 3 )( 1 (
) (
2

=
x x x x x x
x l

Sustituyendo arriba, el polinomio de Lagrange queda definido como sigue:

Ejemplo 2.
Calcular el polinomio de Lagrange usando los siguientes datos:

Solucin. Tenemos que:

donde:

Sustituyendo arriba, el polinomio de Lagrange queda como sigue:
48
) 5 )( 3 )( 1 (
) 2 )( 4 )( 6 (
) 5 )( 3 )( 1 (
) (
3

=

=
x x x x x x
x l
(

+
(

=
16
) 5 )( 3 )( 1 (
8
) 7 )( 3 )( 1 (
16
) 7 )( 5 )( 1 (
24
) 7 )( 5 )( 3 (
) (
x x x x x x x x x x x x
x f
) ( ) ( ) ( ) ( ) (
3 3 2 1 1 0 0
x l y x l y x l y x l y x f + + + =
) ( 2 ) ( 3 ) ( ) ( ) (
3 2 1 0
x l x l x l x l x f + =
48
) 4 )( 2 (
) 6 )( 4 )( 2 (
) 4 )( 2 )( 0 (
) (
0

=

=
x x x x x x
x l
16
) 4 )( 2 )( 2 (
) 4 )( 2 )( 2 (
) 4 )( 2 )( 2 (
) (
1
+
=

+
=
x x x x x x
x l
16
) 4 )( 2 (
) 2 )( 2 )( 4 (
) 4 )( 0 )( 2 (
) (
2
+
=
+
=
x x x x x x
x l
48
) 2 )( 2 (
) 2 )( 4 )( 6 (
) 2 )( 0 )( 2 (
) (
3
+
=
+
=
x x x x x x
x l

(
+
+
(

=
24
) 2 )( 2 (
16
) 4 )( 2 (
3
16
) 4 )( 2 )( 2 (
48
) 4 )( 2 (
) (
x x x x x x x x x x x x
x f

Ajuste de Curvas

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Ajuste de Curvas

Caricato da

Copyright:

Formati disponibili

5.

Potrebbero piacerti anche