Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Interpolación y aproximación
donde el par (ti , ci ) representa el precio1 del dólar ci (soles) en el tiempo ti (horas). Estos
datos pueden ser organizados también del siguiente modo
ti 0 1 2 3 4 5 6 7 8 9
ci 3.42 3.45 3.47 3.5 3.48 3.46 3.44 3.39 3.49 3.56
5.1. Interpolación
Interpolar una función consiste en aproximar una función f por otra función g, escogida
dentro de una clase definida de antemano y satisfaciendo algunas propiedades. La función g
es entonces usada en reemplazo de f.
1
Esto era cuando el dólar se cotizaba arriba de 3 soles.
61
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 62
Aα = b (5.2)
donde
xn0 xn−1
0 · · · x0 1 an f (x0 )
xn1 xn−1 · · · x1 1 an−1 f (x1 )
1
A= .. .. . . . .. .. , α= .. y b= ..
. . . . . .
xnn xn−1
n · · · xn 1 a0 f (xn )
Esto significa que A es inversible y, en consecuencia, el sistema lineal (5.2) tiene solución y
ésta es única. Esto constituye la prueba del siguiente teorema.
Teorema 5.1 Existe un único polinomio pn de grado menor o igual a n, tal que
f(x) = x3 − 5x2 + x − 1
x 0 1 2
f(x) −1 −4 −11
Suponga que deseamos interpolar f en los tres puntos
p2 (x) = a2 x2 + a1 x + a0
Como los valores de x utilizados son 0, 1, 2, y todos ellos son distintos entre sí, por el teorema
5.1 podemos concluir que el polinomio p2 existe y es único.
Resta solamente encontrar los valores de a0 , a1 , a2 que hacen posible que (5.3) suceda. (Vea
la figura 5.2).
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 64
x
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0
y
-2
-4
-6
-8
-10
-12
Figura 5.2: El polinomio f (línea discontinua) siendo interpolado por p2 (línea continua) en
los puntos (0, −1), (1, −4), (2, −11).
Finalmente,
a3 −1/9
a2 5/9
α=
a1 = 5/9
a0 4
de donde
1 5 5
p3 (x) = − x3 + x2 + x + 4
9 9 9
Vea la figura 5.3.
Sea pn un polinomio de grado menor o igual que n que interpola a f en los puntos
donde los polinomios Lk son de grado n. Como estamos interpolando, queremos que para cada
i se cumpla la condición pn (xi ) = yi , es decir:
pn (xi ) = y0 L0 (xi ) + y1 L1 (xi ) + ... + yn Ln (xi ) = yi i = 0, 1, ..., n
Una forma simple de elegir Lk consiste en exigir que cumpla
¯
0 si k 6= j
Lk (xj ) =
1 si k = j
donde j, k = 0, 1, ..., n, esto se consigue definiendo
(x − x0 ) (x − x1 ) ... (x − xk−1 ) (x − xk+1 ) ... (x − xn )
Lk (x) =
(xk − x0 ) (xk − x1 ) ... (xk − xk−1 ) (xk − xk+1 ) ... (xk − xn )
Como el numerador de Lk es el producto de n factores (x − xi ), i = 0, 1, ..., n, i 6= k, entonces
el polinomio Lk es de grado n. Con esto, el polinomio pn tiene grado menor o igual que n,
como requerimos. Más aún, para xi , i = 0, 1, ..., n, tenemos
pn (xi ) = yi Li (xi ) = yi
y vemos que pn realmente interpola f en los puntos dados en (5.4).
donde Qn
i=0 (x − xi )
i6=k
Lk (x) = Qn
i=0 (xk − xi )
i6=k
Por lo tanto,
µ 3 ¶ µ 3 ¶ µ 3 ¶
x − 8x2 + 15x x − 6x2 − x + 30 x − 3x2 − 10x
p3 (x) = (−3) − + (1) + (4) −
70 30 30
µ 3 ¶
x − x2 − 6x
+(9)
70
1 ¡ ¢
= 15x3 − 57x2 + 246x + 210
210
Observe la figura 5.4.
xi 0 h 2h
yi 0 2 4
Encuentre un polinomio de grado menor o igual a 2 que interpole a los puntos (0, 0), (h, 2) y
(2h, 4).
Solución. Sea
p2 (x) = y0 L0 (x) + y1 L1 (x) + y2 L2 (x) = (0)L0 (x) + (2)L1 (x) + (4)L2 (x)
el polinomio buscado, éste existirá y será único por el teorema 5.1, pues 0, h y 2h son diferentes.
Usando los polinomios de Lagrange, tenemos
(x − h) (x − 2h) (x − h) (x − 2h) 1 3
L0 (x) = = 2
= 2 x2 − x+1
(−h) (−2h) 2h 2h 2h
(x) (x − 2h) (x) (x − 2h) 2 1
L1 (x) = =− 2
= x − 2 x2
(h) (h − 2h) h h h
(x) (x − h) (x) (x − h) 1 1
L2 (x) = = 2
= 2 x2 − x
(2h) (2h − h) 2h 2h 2h
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 68
de donde
µ ¶ µ ¶ µ ¶
1 2 3 2 1 2 1 2 1 2
p2 (x) = (0) x − x + 1 + (2) x − x + (4) x − x = x
2h2 2h h h2 2h2 2h h
Así, p2 es un polinomio de primer grado, la razón es que los tres puntos (0, 0), (h, 2) y (2h, 4)
son colineales.
Ejercicio 5.2 Encuentre un polinomio de grado menor o igual a 3, que interpole a los puntos
(0, 1), (1, 1), (2, 1) y (3, 1).
1. Es necesario obtener un valor aproximado de la función en algún punto fuera del intervalo
de definición [x0 , xn ], e esto se conoce con el nombre de extrapolación.
2. Los valores en la tabla de datos son resultados de algún experimento físico, los cuales
pueden contener errores inherentes, que en general no son previsibles.
Surge la necesidad de buscar una función que represente de la mejor manera posible a los
puntos (x0 , y0 ), (x1 , y1 ), ..., (xn , yn ).
Así, sean ahora los puntos (x1 , y1 ) , ..., (xm , ym ), donde x1 , ..., xm ∈ [a, b]. El problema que
intentamos resolver consiste en lo siguiente: una vez elegidas n funciones g1 , ..., gn : R 7→ R
continuas en [a, b], obtener n constantes a1 , ..., αn tales que la función
se aproxime lo mejor posible a f. Las funciones gi , i = 1, ..., n, pueden asumir diversas formas,
tales como g1 (x) = ex , g2 (x) = sen x, g3 (x) = x2 + log x, etc.
La razón por lo que a esta técnica se denomina aproximación lineal, se debe a que la función
buscada Φ en (5.5) es una combinación lineal de las funciones g1 , ..., gn . Por otro lado, estamos
frente a un caso discreto, debido a que el conjunto de datos (x1 , y1 ) , ..., (xm , ym ) es finito.
1. Graficar los puntos (x1 , y1 ) , ..., (xm , ym ) en el plano. El gráfico resultante se denomina
diagrama de dispersión. Por medio de este diagrama es posible identificar las funciones
gi de modo que Φ, definido en (5.5), represente lo mejor posible al conjunto de puntos.
El diagrama de dispersión está dado en la figura 5.5. Una forma conveniente en este caso
consiste en elegir g1 (x) = x2 y g2 (x) = 1, entonces encontrar los valores de α1 y α2 que
determinan la función
ciona la corriente eléctrica con la tensión: V = RI. Es decir, V (voltaje) es una función lineal
de I (intensidad). Luego, como Φ busca aproximar la tensión relacionada a esos datos, resulta
prudente elegir g1 (I) = I, de tal modo que:
Φ (I) = α1 g1 (I) = α1 I
Note que existe una sola incógnita, α1 . Al resolver este problema, el valor que tome α1 será a
su vez una aproximación a la resistencia R. En resumen, al determinar α1 habremos ajustado
ese diagrama de dispersión a una curva lineal, todo eso basado en un fundamento teórico.
Una vez que en (5.5) fueron elegidas las funciones gi , i = 1, 2, ..., n, resta calcular las
constantes que definen Φ (x) = α1 g1 (x) + ... + αn gn (x). A continuación veremos una de las
formas más comunes.
Aα = b (5.9)
donde
g1 (x1 ) · · · gn (x1 ) α1 y1
.. ..
A= .
...
. , α = ... y b = ... (5.10)
g1 (xm ) · · · gn (xm ) αn ym
Note que el sistema (5.9) por lo general es incompatible, es decir, que no tiene solución.
Esto sucede justamente porque m (el número de observaciones) es mucho mayor que n (las
incógnitas).
Gustaríamos ahora de encontrar ᾱ ∈ Rn , tal que Aᾱ ≈ b (Aᾱ próximo de b). El método
de mínimos cuadrados consiste en calcular ᾱ del siguiente modo:
di = Φ (xi ) − yi
Además,
2
X
m
2
X
m
kAα − bk = (ai α − bi ) = d2i
i=1 i=1
2 Pm
Es decir, al minimizar kAα − bk estamos minimizando i=1 d2i , es decir, la sumatoria de los
desvíos al cuadrado, de ahí el nombre del método (vea la figura 5.7).
Ejercicio 5.3 Sea q : Rn 7→ R definida por la regla q (x) = kAx − bk2 , donde A ∈ Rm×n ,
b ∈ Rm y m > n. Muestre que
En resumen, dados los puntos conocidos (x1 , y1 ) , (x2 , y2 ) , ..., (xm , ym ), donde las funciones
g1 , ..., gn : R 7→ R fueron definidas previamente. Para que la función Φ : R 7→ R, definida por
Φ (x) = α1 g1 (x) + ... + αn gn (x)
represente a estos puntos de la mejor manera posible, el vector de coeficientes α = [ α1 ... αn ]t
debe ser calculado resolviéndose el sistema At Aα = At b. Si A tiene rango completo, la única
solución es α∗ = (At A)−1 At b. Usando la norma euclídea, un criterio para medir la magnitud
del error cometido será kAα∗ − bk.
Ejemplo 5.6 Considere los mismos datos vistos en (5.6),
xi −2 −1.5 −0.5 0 1 1.2 2.5 2.65 2.8 3.1
(5.14)
yi 3 1 −1 −1.5 2 4 6 7 10 12
cuyo diagrama de dispersión asociado está dado en la figura 5.5. Después de elegir g1 (x) = x2
y g2 (x) = 1, tal que Φ (x) = α1 x2 + α2 , procedemos a encontrar α1 y α2 exigiendo que:
Φ (−2) = α1 (−2)2 + α2 = 3
Φ (−1.5) = α1 (−1.5)2 + α2 = 1
Φ (−0.5) = α1 (−0.5)2 + α2 = −1
Φ (0) = α1 (0)2 + α2 = −1.5
Φ (1) = α1 (1)2 + α2 = 2
Φ (1.2) = α1 (1.2)2 + α2 = 4
Φ (2.5) = α1 (2.5)2 + α2 = 6
Φ (2.65) = α1 (2.65)2 + α2 = 7
Φ (2.8) = α1 (2.8)2 + α2 = 10
Φ (3.1) = α1 (3.1)2 + α2 = 12
y obtenemos el sistema lineal Aα = b, donde:
4.0000 1 3.0000
2.2500 1 1.0000
0.2500
1 −1.0000
0.000 1 −1.5000
· ¸
1.0000 1 2.0000 α1
A= 1.4400
, b= y α=
1
4.0000
α2
6.2500 1 6.0000
7.0225 1 7.0000
7.8400 1 10.0000
9.6100 1 12.0000
Resolviendo por mínimos cuadrados, es decir, resolviendo At Aα = At b:
· ¸· ¸ · ¸
266.3943 39.6625 α1 302.1375
=
39.6625 10 α2 42.5000
tenemos · ¸ · ¸
α1 1.22449857738665
=
α2 −0.606667482559783
Por lo tanto, la curva que representa a los puntos dados en (5.14), y de la mejor manera
posible, está dada por Φ (x) = 1.224498x2 − 0.606667 (vea la figura 5.8). El error estimado
viene dado por kAα − bk = 4.2505
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 73
Figura 5.9:
Φ̄(x) = ᾱ1 + α2 x
o sino,
xi 1.0 1.2 1.4 1.6 1.8 2.0
ȳi −2.3026 −0.69315 −0.22314 0.69315 1.1632 1.5041
De esta manera, al forzar que
tendremos el sistema Aα = b:
1 1.0 −2.3026
1 1.2 −0.69315
· ¸
1 1.4 ᾱ1 −0.22314
1 1.6 α2 = 0.69315
1 1.8 1.1632
1 2.0 1.5041
Es decir,
ᾱ1 = −5.4447 y α2 = 3.6455
Como ᾱ1 = ln α1 , entonces
Por lo tanto, según (5.16), la función que representa lo mejor posible a los puntos dados en
(5.15) es
Φ(x) = 0.0043191e3.6455x
La figura 5.10 muestra el gráfico de Φ.
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 75
Ejemplo 5.8 (Caso de varias variables) Consideremos los siguientes puntos de la forma
(x, y, z), ordenados en la siguiente tabla:
x y z
0.0 0.0 11.00
0.5 1.0 27.85
1.0 2.0 52.60
1.5 3.0 92.00
2.0 4.0 140.00
2.5 5.0 205.23
3.0 6.0 270.05
3.5 7.0 366.66
4.0 8.0 450.00
4.5 9.0 561.50
5.0 10.0 690.00
2.0 1.0 41.35
1.0 1.6 50.00