Capítulo 5

Interpolación y aproximación

Es frecuente encontrar en libros de cálculo elemental funciones representando el compor-

tamiento de algún hecho real, lo primero que viene a nuestra mente es la siguiente pregunta
¿de dónde salió esa función? Algunas de estas funciones se obtienen de la solución de una
ecuación diferencial que representa algún fenómeno físico, pero algunas también resultan de
simples observaciones.

Suponga que disponemos de los siguientes datos, resultados de observaciones:

(0, 3.42) , (1, 3.45) , (2, 3.47) , (3, 3.5) , (4.3.48) ,

(5.3.46) , (6.3.44) , (7, 3.39) , (8, 3.49) , (9, 3.56)

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

Supóngase que se quiere calcular:

1. El precio del dólar en el tiempo t = 3.5 h

2. La hora en que el precio del dólar esté en 3.465 soles

El estudio de la interpolación y aproximación además de responder a estos requerimientos,

nos permite encontrar funciones que representen estos datos, estas funciones frecuentemente
son continuas y hasta diferenciables, esto a su vez nos permitirá menejar matemáticamente
un problema que consistía de apenas algunos datos.

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

Considere n + 1 puntos distintos x0 , x1 , ..., xn y los valores respectivos de f en esos pun-

tos: f (x0 ) , f (x1 ) , ..., f (xn ). La forma de interpolación de f que veremos a seguir consiste en
determinar una función g tal que
g (x0 ) = f (x0 )
g (x1 ) = f (x1 )
..
.
g (xn ) = f (xn )
Una manera práctica y muy utilizada consiste en tomar la función interpolante g como un
polinomio. No obstante, g puede ser una función racional, trigonométrica, etc. En la figura
5.1 se muestra un ejemplo para el caso n = 5.

Figura 5.1: La función g interpolando f en 6 puntos

5.1.1. Interpolación polinomial

Dados n + 1 pares (x0 , f (x0 )) , (x1 , f (x1 )) , ..., (xn , f (xn )), queremos aproximar f por un
polinomio pn de grado menor o igual a n, tal que
f (xk ) = pn (xk ) , k = 0, 1, ..., n (5.1)
Naturalmente, podemos preguntarnos ahora: ¿existe siempre un polinomio que satisface tales
condiciones?, y si existe, ¿el polinomio es único?
Para responder a esto, representemos el polinomio pn por
pn (x) = an xn + an−1 xn−1 + ... + a1 x + a0
Así, al encontrar los valores an , an−1 , ..., a1 , a0 conoceremos al polinomio pn . Usando la condi-
ción (5.1) formamos el siguiente sistema lineal con n + 1 ecuaciones y n + 1 variables, note
que las variables son an , an−1 , ..., a1 , a0 :
pn (x0 ) = an xn0 + an−1 xn−1
0 + ... + a1 x0 + a0 = f (x0 )
n n−1
pn (x1 ) = an x1 + an−1 x1 + ... + a1 x1 + a0 = f (x1 )
..
.
pn (xn ) = an xnn + an−1 xn−1
n + ... + a1 xn + a0 = f (xn )
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 63

Observe que el sistema anterior es de la forma

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 )

Note que α es el vector de incógnitas. La matriz A se le conoce como matriz de Vandermonde,

y por lo tanto, si x0 , x1 , ..., xn son todos distintos, entonces
Y
det (A) = (xi − xj ) 6= 0
0≤i<,j≤n

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 (xk ) = pn (xk ) , k = 0, 1, ..., n

desde que xk 6= xj , k 6= j, k, j = 0, 1, ..., n.

Ejemplo 5.1 Considere la función polinomial de tercer grado

f(x) = x3 − 5x2 + x − 1

Concentrémonos en el intervalo [0, 2], vemos así que:

x 0 1 2
f(x) −1 −4 −11
Suponga que deseamos interpolar f en los tres puntos

(0, −1) , (1, −4) , (2, −11)

con una función polinomial pero de segundo grado:

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.

Para que p2 interpole f en esos tres puntos bastará exigir que

p2 (0) = a2 (0)2 + a1 (0) + a0 = −1

p2 (1) = a2 (1)2 + a1 (1) + a0 = −4 (5.3)
p2 (2) = a2 (2)2 + a1 (2) + a0 = −11

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).

5.1.2. Modos de obtener el polinomio pn

Una vez que sabemos las condiciones que garantizan la existencia y unicidad de pn , pro-
cedemos a ver las maneras cómo encontrarlo. Existen varias formas de realizar esta tarea, la
primera es mediante la solución directa del sistema lineal Aα = b, vista en (5.2). No obstante,
existen otras formas, como la de Lagrange y de Newton. Desde un punto de vista teórico, todas
ellas llevan al mismo polinomio, pero la elección de una u otra depende de algunos factores,
tales como la dificultad de los cálculos, estabilidad del sistema lineal y tiempo de ejecución.

Obtención de pn mediante la resolución del sistema Aα = b

Consiste en resolver por algún método, directo o iterativo, el sistema de ecuaciones lineales
dado en (5.2).
Ejemplo 5.2 Sea f alguna función cuyo gráfico pasa por los puntos (−2, 6), (0, 4), (1, 5) y
(4, 8). Vamos a interpolar f en esos 4 puntos con un polinomio p3 de grado menor o igual a
3:
p3 (x) = a3 x3 + a2 x2 + a1 x + a0
Los puntos de paso pueden ser resumidos también mediante la siguiente tabla
xi −2 0 1 4
f (xi ) 6 4 5 8
Como los valores de xi son todos distintos entre sí, afirmamos que existe un único polinomio
p3 que interpolará f en esos 4 puntos.
Podemos calcular la matriz de Vandermonde directamente, pero vamos a repetir el proce-
dimiento:
p3 (−2) = a3 (−2)3 + a2 (−2)2 + a1 (−2) + a0 = 6 = f (−2)
p3 (0) = a3 (0)3 + a2 (0)2 + a1 (0) + a0 = 4 = f (0)
p3 (1) = a3 (1)3 + a2 (1)2 + a1 (1) + a0 = 5 = f (1)
p3 (4) = a3 (4)3 + a2 (4)2 + a1 (4) + a0 = 8 = f (4)
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 65

Procedemos a resolver el sistema lineal Aα = b, donde

     
(−2)3 (−2)2 (−2) 1 a3 6
 3   a2   4 
 (0) (0)2 (0) 1 
A= 3 2 , α= 
 a1  y b= 
 5 
 (1) (1) (1) 1 
(4)3 (4)2 (4) 1 a0 8

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.

Figura 5.3: Polinomio p3 interpolando f en 4 puntos

Obtención de pn mediante los polinomios de Lagrange

Esta forma de hallar los coeficientes del polinomio interpolador tiene un valor más teórico
que práctico, como por ejemplo en la obtención de fórmulas para integración numérica.

Dados n + 1 puntos diferentes x0 , x1 , ..., xn , donde

y0 = f (x0 ) y1 = f (x1 ) ... yn = f (xn )

Sea pn un polinomio de grado menor o igual que n que interpola a f en los puntos

(x0 , y0 ) , (x1 , y1 ) , ..., (xn , yn ) (5.4)

Es posible representar pn en la forma

pn (x) = y0 L0 (x) + y1 L1 (x) + ... + yn Ln (x)

CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 66

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).

Por tanto, la forma de Lagrange para el polinomio interpolador es:

X
n
pn (x) = yk Lk (x)
k=0

donde Qn
i=0 (x − xi )
i6=k
Lk (x) = Qn
i=0 (xk − xi )
i6=k

Ejemplo 5.3 La siguiente tabla resume los datos de alguna observación

xi −2 0 3 5
yi = f (xi ) −3 1 4 9
Queremos interpolar f usando un polinomio interpolador según la forma de Lagrange. Así, el
polinomio buscado es
p3 (x) = y0 L0 (x) + y1 L1 (x) + y2 L2 (x) + y3 L3 (x)
Como y0 , ..., y3 son conocidos, resta sólo conocer los polinomios L0 , ..., L3 :
(x − x1 ) (x − x2 ) (x − x3 ) (x − 0) (x − 3) (x − 5) x3 − 8x2 + 15x
L0 = = =−
(x0 − x1 ) (x0 − x2 ) (x0 − x3 ) (−2 − 0) (−2 − 3) (−2 − 5) 70
(x − x0 ) (x − x2 ) (x − x3 ) (x − (−2)) (x − 3) (x − 5) x3 − 6x2 − x + 30
L1 = = =
(x1 − x0 ) (x1 − x2 ) (x1 − x3 ) (0 − (−2)) (0 − 3) (0 − 5) 30
(x − x0 ) (x − x1 ) (x − x3 ) (x − (−2)) (x − 0) (x − 5) x3 − 3x2 − 10x
L2 = = =−
(x2 − x0 ) (x2 − x1 ) (x2 − x3 ) (3 − (−2)) (3 − 0) (3 − 5) 30
(x − x0 ) (x − x1 ) (x − x2 ) (x − (−2)) (x − 0) (x − 3) x3 − x2 − 6x
L3 = = =
(x3 − x0 ) (x3 − x1 ) (x3 − x2 ) (5 − (−2)) (5 − 0) (5 − 3) 70
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 67

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.

Figura 5.4: Polinomio p3 interpolando 4 puntos, según Lagrange

Ejercicio 5.1 Considere h > 0 y

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).

5.2. Aproximación lineal: caso discreto

En la sección anterior vimos algunos métodos para interpolar una función f en los puntos
(x0 , y0 ), (x1 , y1 ), ..., (xn , yn ), por una función g previamente definida. Pero interpolar no es
aconsejable cuando:

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.

3. El número de experimentos (datos) es grande. Claramente, interpolación es impracticable

en este caso, pues el polinomio interpolante debería tener un grado igual de grande.

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

Φ (x) = α1 g1 (x) + ... + αn gn (x) (5.5)

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.

5.2.1. Criterios para elegir las funciones gi

El procedimiento común se basa en los siguientes criterios:

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.

2. Basándose en fundamentos teóricos.

CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 69

Ejemplo 5.4 Considere los siguientes datos, resultados de alguna observación:

x −2 −1.5 −0.5 0 1 1.2 2.5 2.65 2.8 3.1

(5.6)
f (x) 3 1 −1 −1.5 2 4 6 7 10 12

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

Φ (x) = α1 g1 (x) + α2 g2 (x) = α1 x2 + α2

Figura 5.5: Diagrama de dispersión

Ejemplo 5.5 (Elección de gi utilizando fundamentos teóricos) Consideremos un expe-

rimento donde fueron medidos varios valores de corriente eléctrica que pasan por una resisten-
cia sometida a varias tensiones. Los datos (I0 , V0 ), (I1 , V1 ), ..., (Im , Vm ) son representados en
el gráfico 5.6. Observe que en este caso existe un fundamento teórico (ley de Ohm) que rela-

Figura 5.6: Elección de gi mediante fundamenento teórico

CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 70

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.

5.2.2. Método de mínimos cuadrados

Dados los puntos conocidos (x1 , y1 ) , ..., (xm , ym ), donde las funciones g1 , ..., gn : R 7→ R
fueron elegidas con un criterio adecuado.

Nuestro objetivo es encontrar los valores de α1 , ..., αn de modo que

Φ (x) = α1 g1 (x) + ... + αn gn (x)

represente de la mejor manera posible a los puntos (x1 , y1 ) , ..., (xm , ym ).

Análogamente a lo que vimos cuando estudiamos interpolación, podemos imponer que:

Φ (x1 ) = α1 g1 (x1 ) + ... + αn gn (x1 ) = y1

Φ (x2 ) = α1 g1 (x2 ) + ... + αn gn (x2 ) = y2 (5.7)
..
. (5.8)
Φ (xm ) = α1 g1 (xm ) + ... + αn gn (xm ) = ym

Este sistema de m filas y α1 , ..., αn variables, podemos verlo matricialmente así:

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:

ᾱ = mı́nn kAα − bk2 (5.11)

α∈R
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 71

donde k·k es la norma euclídea.

Observe que si ai representa la i-fila de A, entonces ai α − bi representa Φ (xi ) − yi , esta

diferencia es definida como el i-desvío:

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).

Figura 5.7: Valor absoluto de la desviación di = Φ(xi ) − yi .

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

1. El gradiente de q en x ∈ Rn satisface ∇q(x) = At (Ax − b)

2. La hessiana de q en x ∈ Rn satisface ∇2 q(x) = At A

3. Si A tiene rango completo, entonces At A es inversible

4. At A es simétrica y semidefinida positiva

5. q es una función convexa

6. Todo punto crítico de q es un minimizador global.

Basados en el ejercicio 5.3, los minimizadores globales de q los calculamos resolviendo

∇q(x) = 0, o equivalentemente,
At Ax = At b (5.12)
Si A tiene rango completo, existe una única solución x∗ ∈ Rn para el sistema (5.12), y la
obtenemos así: ¡ ¢−1 t
x∗ = At A Ab (5.13)
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 72

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 5.8: Φ representando un conjunto de puntos.

Ejemplo 5.7 Considere el siguiente conjunto de datos:

xi 1.0 1.2 1.4 1.6 1.8 2.0
(5.15)
yi 0.1 0.5 0.8 2.0 3.2 4.5
El diagrama de dispersión se muestra en la figura 5.9. Queremos representar estos puntos

Figura 5.9:

mediante una función Φ : [1, 2] 7→ R de la forma

Φ(x) = α1 eα 2 x , α1 > 0 (5.16)
Observe que Φ no es de la forma definida en (5.5). Sin embargo, como
ln Φ(x) = ln(α1 eα 2 x ) = ln α1 + ln(eα 2 x ) = ln α1 + α2 x
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 74

definimos Φ̄(x) = ln(Φ(x)) y ᾱ1 = ln α1 . Ahora tendremos que aproximar la función

Φ̄(x) = ᾱ1 + α2 x

al nuevo conjunto de datos

xi 1.0 1.2 1.4 1.6 1.8 2.0

ȳi = ln yi ln(0.1) ln(0.5) ln(0.8) ln(2.0) ln(3.2) ln(4.5)

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

Φ̄(1.0) = ᾱ1 + α2 (1.0) = −2.3026

Φ̄(1.2) = ᾱ1 + α2 (1.2) = −0.69315
Φ̄(1.4) = ᾱ1 + α2 (1.4) = −0.22314
Φ̄(1.6) = ᾱ1 + α2 (1.6) = 0.69315
Φ̄(1.8) = ᾱ1 + α2 (1.8) = 1.1632
Φ̄(2.0) = ᾱ1 + α2 (2.0) = 1.5041

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

Resolviendo en el sentido de mínimos cuadrados, es decir, resolviendo At Aα = At b, tenemos

· ¸ · ¸−1 · ¸
ᾱ1 t −1 t 6 9.0 0.141 56
α = = (A A) A b =
α2 9.0 14.2 2.764 2
· ¸· ¸ · ¸
3.381 0 −2.142 9 0.141 56 −5.4447
= =
−2.142 9 1.428 6 2.764 2 3.6455

Es decir,
ᾱ1 = −5.4447 y α2 = 3.6455
Como ᾱ1 = ln α1 , entonces

α1 = eᾱ 1 = e−5.4447 = 0.0043191

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

Figura 5.10: Φ(x) = 0.0043191e3.6455x representando puntos en el sentido de mínimos cuadra-

dos.

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

Queremos expresar z en función de (x, y). Para eso, asumamos que Φ : R2 7→ R es de la

forma
Φ(x, y) = ax2 + by2 + cx + dy + e
Entonces, al forzar la interpolación, tenemos
Φ(0.0, 0.0) = a(0.0)2 + b(0.0)2 + c(0.0) + d(0.0) + e = 11.00
Φ(0.5, 1.0) = a(0.5)2 + b(1.0)2 + c(0.5) + d(1.0) + e = 27.85
..
.
Φ(1.0, 1.6) = a(1.0)2 + b(1.6)2 + c(1.0) + d(1.6) + e = 50.00
CAPÍTULO 5. INTERPOLACIÓN Y APROXIMACIÓN 76

Matricialmente esto último es de la forma Aα = b, donde

   
(0.0)2 (0.0)2 0.0 0.0 1 11.00
 (0.5)2 (1.0)2 0.5 1.0 1   27.85 
   
 (1.0)2 (2.0)2 1.0 2.0 1   52.60 
   
 (1.5)2 (3.0)2 1.5 3.0 1   92.00 
     
 (2.0)2 (4.0)2 2.0 4.0 1  a  140.00 
   
 (2.5)2 (5.0)2 2.5 5.0 1   b   205.23 
     
A= 2
 (3.0)2 (6.0)2
2
3.0 6.0 1   , α =  c


 y b=
 270.05 

 (3.5) (7.0) 3.5 7.0 1   d   366.66 
   
 (4.0)2 (8.0)2 4.0 8.0 1   e  450.00 
  
 (4.5)2 (9.0)2 4.5 9.0 1    561.50 
  
 (5.0)2 (10.0)2 5.0 10.0 1   690.00 
   
 (2.0)2 (1.0)2 2.0 1.0 1   41.35 
(1.0)2 (1.6)2 1.0 1.6 1 50.00

Resolviendo este sistema en el sentido de mínimos cuadrados, tenemos

   
a −50.0922
 b   18.4133 
  ¡ t ¢−1 t  
α=  c = AA A b =  134.9078 
 
 d   −59.0725 
e 12.5625

El error estimado es kAα − bk = 12.8449. La función buscada es

Φ(x, y) = −50.0922x2 + 18.4133y2 + 134.9078x − 59.0725y + 12.5625