Clases Cn-Primera Parte

CLASES DE LA UNIDAD N° 3
MODELOS DE INTERPOLACIÓN Y DE REGRESIÓN
1. MODELOS DE INTERPOLACIÓN.
 La interpolación es un método numérico, cuyo propósito es el de estimar un valor
desconocido entre dos valores conocidos de una tabulación (función).
 Interpolación, es el proceso de aproximar un valor a la variable dependiente en un
intervalo de valores de la variable independiente conocidos como argumento.
1.2 INTERPOLACIÓN LINEAL.
 Cuando las variaciones de la función son proporcionales (o casi proporcionales) a los

de la variable independiente se puede admitir que dicha función es lineal y usar para
estimar los valores la interpolación lineal…

 Sean dos puntos (xo, yo), (x1, y1), la interpolación
lineal consiste en hallar una estimación del valor y, para
un valor x tal que x0<x<x1.
 Obtenemos la fórmula de la interpolación lineal.

1.3 INTERPOLACIÓN POLINÓMICA.

 Un problema de interpolación polinomial se especifica como sigue: dados n+1pares
( x 0 , y 0) ,( x 1 , y 1) ,... ,(xn , yn) , siendo todos los xi’ distintos, y yi=f (xi)para alguna
función f ; encontrar un polinomio Pn( x) de grado ≤ n tal que
Pn( xi)= yi ,i=0 , 1 , 2, ... , n
 A Pn( x) se le llama polinomio interpolante, a cada

xi le decimos nodo de interpolación y a cada yi
valor interpolado.
 El problema tiene solución única, es decir hay un
único polinomio que satisface.
 No se requiere que los datos estén igualmente
espaciados ni en algún orden en particular.
 Si f es un polinomio de grado k ≤ n, el polinomio
interpolante de f enn+1 puntos coincide con f .
 El grado de Pn es ≤ n pues podría pasar, por
ejemplo, que tres puntos estén sobre una recta y así
el polinomio tendría grado cero o grado uno.
2. POLINOMIOS DE LAGRANGE.
 La interpolación de polinomios de Lagrange es una reformulación del polinomio de

Newton que evita el cálculo de la tabla de diferencias, el polinomio de Lagrange se
expresa como:
 Donde:
 P es el símbolo de “multiplicatoria” y significa el producto de.
 Por ejemplo, el polinomio de Lagrange de primer grado es:
 Mientras que el polinomio de Lagrange de segundo grado es:
 En este caso es la y la x es la . Mientras mas datos se tengan
en la tabla, se podrá usar un polinomio de mayor grado, lo que dará mejores resultados.
2.2 DIFERENCIAS DIVIDIDAS DE NEWTON.
 La manera más conocida para calcular la representación de Newton del polinomio

interpolante, está basada en el método de diferencias divididas.
 El método de diferencias divididas tiene aplicaciones adicionales en otros contextos.
 Si yk =f ( xk), la fórmula anterior nos muestra que cada ak depende de x 0 , x 1, ... , xk .
Desde muchos años atrás se usa la notación ak =f [x 0 , x 1 ,... xk ] para significar esta
dependencia.
 Al símbolo f [x 0 , x 1 ,... xn]se le llama diferencia divida de f . Usando esta nueva
notación tendríamos que la forma de Newton del polinomio interpolante es
 donde f [x 0]= y 0 y f [x 0 , ... , xi] es el coeficiente principal de la forma de Newton del

polinomio que interpola la función f en los nodos x 0 , x 1, ... , xi .
 El nombre “diferencia divida” viene del hecho de que cada f [xk , xk+1 ,..., xk+j ] se
puede expresar como un cociente de diferencias.
3. INTERPOLACIÓN INVERSA.
 La interpolación inversa consiste, simplemente, en determinar para un valor dado de

la función f(x) la correspondiente x.
 Cualquiera de las formas de interpolación expuestas permite afrontar este problema,
simplemente hay que considerar a la f como variable independiente y a x como
variable dependiente.
 La interpolación inversa puede tener gran interés como método para contrastar los
resultados obtenidos al resolver un problema de interpolación directa.
 Los procesos de interpolación pueden ser utilizados para encontrar las raíces de una
función tabular.
 En conclusion la interpolación inversa es cuando se le ha dado un valor de f(x) y se
debe determinar ahora el valor de x.
 Donde la variable X no presenta necesariamente incrementos constantes. Al
disponerse de cuatro puntos, el polinomio que pasa -por ellos debe ser de grado 3 o
menor, por lo cual tendría la forma.
 Evaluando este polinomio en cada uno de los puntos de la función tabular.
3.1 INTERPOLACIÓN SEGMENTARIA (SPLINER).
 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.
 Interpolación segmentaria o Splines Un Spline o trazador es una función que consiste

en trozos de polinomios unidos con ciertas condiciones de continuidad.
 Dados los nodos xo< x 1<…< xn, un spline de grado k con esos nodos es una función
S tal que:
 En cada sub-intervalo [ti-1, ti] S es un polinomio de grado k
 La (k-1)-iésima derivada de S es continua en [xo, xn]
4. MODELOS DE REGRESIÓN POR EL MÉTODO DE LOS MÍNIMOS

CUADRADOS.
 El método de mínimos cuadrados proporciona una forma de encontrar la mejor
estimación, suponiendo que los errores (es decir, las diferencias con respecto al valor
verdadero) sean aleatorias e imparciales.
 Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la

pendiente y b el punto de corte, y vienen expresadas de la siguiente manera:
4.1 REGRESIÓN LINEAL.
 El ejemplo más simple de aproximación por mínimos cuadrados es ajustar una línea
recta a un conjunto de observaciones definidas por puntos: (x1 ,y1 ), (x2 ,y2 ),(xn
,yn )
 La expresión matemática para la línea recta es:
 Donde a0 y a1 son coeficientes que representan la intersección con el eje “y” y la
pendiente, respectivamente.
 e= es el error, o diferencia, entre el modelo y las observaciones, el cual se representa
al reordenar la ecuación, quedando como sigue: Regresión Lineal y a a x e
4.2 REGRESION EXPONENCIAL
 Una regresión exponencial es el proceso de encontrar la ecuación de la función

exponencial que se ajuste mejor a un conjunto de datos. Como un resultado,
obtenemos una ecuación de la forma donde .
 La potencia predictiva relativa de un modelo exponencial está denotada por R 2 . El
valor de R 2 varía entre 0 y 1. Mientras más cercano el valor esté de 1, más preciso
será el modelo.
Ejemplo :
 Considere el conjunto de datos. Determine la regresión exponencial para el conjunto.
(0, 3), (1, 7), (2, 10), (3, 24), (4, 50), (5, 95)
 Introduzca las coordenadas en x y las coordenadas en y en su calculadora y realice

una regresión exponencial. La ecuación de la función que mejor se aproxima al punto
es
 Se obtendrá una gráfica como esta.
4.3 REGRESION LOGARÍTMICA

 La regresión logarítmica es el ajuste (por el método de mínimos cuadrados) a una
curva
y=a+b ln x
4.4 REGRESION POTENCIAL.

 El modelo potencial se linealiza al aplicar el logaritmo natural:
 donde si representamos el ln(Y) frente a ln(X) obtendremos una recta con pendiente b
y corte con el eje de ordenadas ln(a)
CLASES DE LA UNIDAD N° 4
DERIVACIÓN E INTEGRACIÓN NUMÉRICAS
1. MÉTODO DE DIFERENCIAS FINITAS DE NEWTON PARA LA
DERIVADA.
 Este método consiste en una aproximación de las derivadas parciales por expresiones
algebraicas con los valores de la variable dependiente en un limitado número de
puntos seleccionados. Como resultado de la aproximación, la ecuación diferencial
parcial que describe el problema es reemplazada por un número finito de ecuaciones
algebraicas, en términos de los valores de la variable dependiente en puntos
seleccionados.
 Los valores de los puntos seleccionados se convierten en las incógnitas. El sistema de

ecuaciones algebraicas debe ser resuelto y puede llevar un número largo de
operaciones aritméticas.

Clases Cn-Primera Parte

Cargado por

Copyright:

Formatos disponibles

Clases Cn-Primera Parte

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clases Cn-Primera Parte

Cargado por

Copyright:

Formatos disponibles

CLASES DE LA UNIDAD N° 3

MODELOS DE INTERPOLACIÓN Y DE REGRESIÓN

1.2 INTERPOLACIÓN LINEAL.

 Cuando las variaciones de la función son proporcionales (o casi proporcionales) a los

1.3 INTERPOLACIÓN POLINÓMICA.

 A Pn( x) se le llama polinomio interpolante, a cada

 La interpolación de polinomios de Lagrange es una reformulación del polinomio de

 P es el símbolo de “multiplicatoria” y significa el producto de.

 Por ejemplo, el polinomio de Lagrange de primer grado es:

 Mientras que el polinomio de Lagrange de segundo grado es:

2.2 DIFERENCIAS DIVIDIDAS DE NEWTON.

 La manera más conocida para calcular la representación de Newton del polinomio

 donde f [x 0]= y 0 y f [x 0 , ... , xi] es el coeficiente principal de la forma de Newton del

 La interpolación inversa consiste, simplemente, en determinar para un valor dado de

 Evaluando este polinomio en cada uno de los puntos de la función tabular.

3.1 INTERPOLACIÓN SEGMENTARIA (SPLINER).

 Interpolación segmentaria o Splines Un Spline o trazador es una función que consiste

 En cada sub-intervalo [ti-1, ti] S es un polinomio de grado k

 La (k-1)-iésima derivada de S es continua en [xo, xn]

4. MODELOS DE REGRESIÓN POR EL MÉTODO DE LOS MÍNIMOS

 Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la

4.2 REGRESION EXPONENCIAL

 Una regresión exponencial es el proceso de encontrar la ecuación de la función

 Considere el conjunto de datos. Determine la regresión exponencial para el conjunto.

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

4.3 REGRESION LOGARÍTMICA

4.4 REGRESION POTENCIAL.

 Los valores de los puntos seleccionados se convierten en las incógnitas. El sistema de

También podría gustarte