4.3. Ajustes por interpolación segmentaria.

En el campo matemático del análisis numérico, a los ajustes de interpolación

segmentaria se le denominan spline el término "spline" hace referencia a una amplia
clase de funciones que son utilizadas en aplicaciones que requieren la interpolación
de datos, o un suavizado de curvas. Los splines son utilizados para trabajar tanto
en una como en varias dimensiones. Las funciones para la interpolación por splines
normalmente se determinan como minimizadores de la aspereza sometidas a una
serie de restricciones, es una curva diferenciable definida en porciones mediante
polinomios.
En los problemas de interpolación, se utiliza a menudo la interpolación mediante
splines porque da lugar a resultados similares requiriendo solamente el uso de
polinomios de bajo grado, evitando así las oscilaciones, indeseables en la mayoría
de las aplicaciones, encontradas al interpolar mediante polinomios de grado
elevado.
Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas.
La simplicidad de la representación y la facilidad de cómputo de los splines los
hacen populares para la representación de curvas en informática, particularmente
en el terreno de los gráficos por ordenador.

Interpolación segmentaria lineal (SPLINE)

La interpolación segmentaria consiste en ajustar polinomios a conjunto de datos por
separado. El polinomio a ajustar depende de la tendencia de los datos. Por ejemplo,
un conjunto de datos alineados tendrá una mejor representación con una línea recta.
No se obtendría lo mismo si a este conjunto de datos lo representamos con un
polinomio de orden dos o tres.
Este es el caso más sencillo. En él, vamos a interpolar una función f(x) de la que se
nos dan un número N de pares (x, f(x)) por los que tendrá que pasar nuestra función
polinómica P(x). Esta serie de funciones nuestras van a ser lineales, esto es, con
grado 1: de la forma P(x) = ax + b.
Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un
total de (N-1) funciones, haciéndolas pasar obligatoriamente por los puntos que van
a determinarlas, es decir, la función P(x) será el conjunto de segmentos que unen
nodos consecutivos; es por ello que nuestra función será continua en dichos puntos,
pero no derivable en general.
La conexión más simple entre un par de puntos es una línea recta. Se pueden definir
los polinomios interpolantes de primer orden mediante un conjunto de puntos
ordenados y definirse como un conjunto de funciones lineales que unen a los
puntos:
 𝑓(𝑥) = 𝑓(𝑋𝑜) + 𝑚𝑜(𝑋 − 𝑋𝑜) 𝑋𝑜 ≤ 𝑥 ≤ 𝑋1
𝑓(𝑥) = 𝑓(𝑋1) + 𝑚1(𝑋 − 𝑋1) 𝑋1 ≤ 𝑥 ≤ 𝑋2
𝑓(𝑛) = 𝑓(𝑋𝑛 − 1) + 𝑚𝑛 − 1(𝑋 − 𝑋𝑛 − 1) 𝑋𝑛 − 1 ≤ 𝑥 ≤ 𝑋𝑛
En donde m es la pendiente de la línea recta en que une los 2 puntos:
f(x𝑖+1 )−f(x𝑖 )
m𝑖 =
x𝑖+1 −x𝑖

Interpolación segmentaria cuadrática.

En este caso, los polinomios P(x) a través de los que construimos el Spline tienen
grado 2. Esto quiere decir, que va a tener la forma P(x) = ax² + bx + c.
Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones (donde
N son los puntos sobre los que se define la función). La interpolación cuadrática nos
va a asegurar que la función que nosotros generemos a trozos con los distintos P(x)
va a ser continua, ya que para sacar las condiciones que ajusten el polinomio,
vamos a determinar cómo condiciones:
- Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que
las dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada
uno de estos puntos.
- Que la derivada en un punto siempre coincida para ambos "lados" de la
función definida a trozos que pasa por tal punto común.
Esto sin embargo no es suficiente, y necesitamos una condición más. ¿Por qué?
Tenemos 3 incógnitas por cada P(x). En un caso sencillo con f(x) definida en tres
puntos y dos ecuaciones P(x) para aproximarla, vamos a tener seis incógnitas en
total. Para resolver esto necesitaríamos seis ecuaciones, pero vamos a tener tan
sólo cinco: cuatro que igualan el P(x) con el valor de f(x) en ese punto (dos por cada
intervalo), y la quinta al igualar la derivada en el punto común a las dos P(x).

El inconveniente que presenta la interpolación lineal a trozos es que la función que

se obtiene no es en general derivable en los nodos xi. Para obtener curvas suaves
suelen utilizarse splines cúbicos de clase 2, es decir dada una partición.
P = {a = x0 < x1 < … < xn = b}
interpolamos con funciones de clase 2 que restringidas a los intervalos [xi, xi+1] son
polinomios de grado 3. Si llamamos si (x) a la restricción de spline s(x) al intervalo
[xi, xi+1], i=0, 1, …, n-1, entonces:
si(x) = ai + bix + cix2 + dix3 i = 0, 1, · · ·, n − 1,
por lo que tenemos 4n incógnitas a determinar. Por otra parte, el spline tiene que
cumplir las
siguientes condiciones:
(i) Condiciones de interpolación:
si(xi) = f(xi), i = 0, 1, · · ·, n − 1, sn−1(xn) = f(xn).
(ii) Condiciones de continuidad (en nodos interiores):
si(xi+1) = si+1(xi+1), i = 0, · · ·, n − 2.
(iii) Condiciones de suavidad (en nodos interiores):
si´ (xi+1) = si´+1(xi+1), i = 0, · · ·, n − 2.
si´´ (xi+1) = si´´+1(xi+1), i = 0, · · ·, n – 2
Observemos que se obtienen en total 4n − 2 ecuaciones, lo que significa que para
determinar
el spline s(x) de forma única necesitamos imponer 2 condiciones adicionales. Dichas
condiciones
suelen imponerse sobre los extremos del intervalo siendo las más habituales

Interpolación segmentaria cubica.

El interpolante segmentario cubico (o interpolante de trazador cubico, o spline

cubico) correspondiente a los puntos x0 < x1 < . . . < xn y los valores y0, . . ., yn, es
una función S definida en [x0, xn] que cumple con las condiciones siguientes:

1.- para cada i ∈ {o, …, n-1}, la restricción de Si= S| [xi, xi+1] es un polinomio cúbico:
Si(x) = ai + bi (x − xi) + ci (x − xi) 2 + di (x − xi) 3 ∀x ∈ [xi, xi+1].
2. S(xi) = yi para todo i ∈ {0, . . ., n − 1}, esto es Si(xi) = yi ∀i ∈ {0, . . ., n − 1}. y
Si(xi+1) = yi+1 ∀i ∈ {0, . . ., n − 1}.

3. S ∈ C 2 [x0, xn]. Esto significa que para todo i ∈ {0, . . ., n − 2} la derivada izquierda
en el punto xi+1 coincide con la derivada derecha en el mismo punto: S 0 i+1 (xi+1)
= S¨i (xi+1) ∀i ∈ {0, . . ., n − 2},
y la segunda derivada izquierda en el punto xi+1 coincide con la segunda derivada
derecha en este punto: S¨i+1 (xi+1) = S¨ i (xi+1) ∀i ∈ {0, . . ., n − 2}.
4. Se cumple una de las siguientes condiciones de frontera:
frontera libre o frontera natural, splines cúbicos naturales: S¨0 (x0) = S¨n−1 (xn) = 0;
frontera sujeta: S¨ (x0) = α, S¨ (xn) = β, donde α y β son números dados.

4.4. Aplicaciones a la ingeniería.

Las derivadas tienen una aplicación muy práctica para la empresa. Es fundamental
para el cálculo de máximos y mínimos de funciones. De esta forma si establecemos
que los gastos de una empresa tienen forma de una función f, querremos saber cuál
es el mínimo para poder evitar las máximas pérdidas. Igualmente, si el precio en el
mercado de un producto, atendiendo a la ley de oferta y demanda, es más barato
cuanto más haya tendremos que calcular como sacar máximos beneficios. Esta es
una, tal vez la más utilizada, de las aplicaciones de las derivadas a la empresa. El
cálculo diferencial en las industrias alimentarias se aplica sobre todo en las
operaciones de transferencia de cantidad de movimiento (o momento), de calor y
de masa. Regular y propiamente el cálculo se aplica para el desarrollo de los
modelos matemáticos que representan estos fenómenos de transferencia
(movimiento, calor y masa). Una vez definidos los modelos que se concretan en
ecuaciones o fórmulas, solamente aplicas estas ecuaciones. La salida o resultados
de esto es el dimensionamiento (por ejemplo, potencias, velocidades, áreas y
longitudes) en el diseño de los equipos o en el control de los procesos.