Unidad 4: Interpolación

Teoría

La interpolación es útil para conocer valores intermedios desconocidos de una función a partir de
valores conocidos. Extrapolar es obtener valores más allá de lo conocido, pero es bastante problemática. Se
interpola cuando tenemos funciones muy difíciles o información discreta (como las tablas de datos). La
interpolación tiene error muy bajo tanto en abscisas como en ordenadas.

Para un polinomio de la forma:

��(��) = ��0 + ��1�� + ��2��2+ ... + ��������

Donde hay n+1 puntos, existe solo un polinomio de grado n que pasa a través de todos los puntos. La
interpolación polinomial consiste en determinar el polinomio único de n-ésimo grado que se ajuste a los n+1
puntos, permitiendo calcular valores intermedios.

El ajuste refiere a cuando existen errores tanto en abscisas como en ordenadas y se ocupa métodos
como los mínimos cuadrados.

Interpolación polinomial de Newton en diferencias divididas

Interpolación lineal

Utiliza la ecuación de la línea recta para interpolar los datos, solamente necesita de dos datos.

��1(��) = ��(��0) +��(��1) − ��(��0)

��1 − ��0* (�� − ��0)

��(��1) − ��(��0)
Donde al término Se lo conoce como aproximación en diferencia dividida a la primera ��1 − ��0
derivada. Además, se sabe que cuanto menor sea el intervalo entre los datos, mejor será la

aproximación. Interpolación cuadrática

Una forma de mejorar nuestras estimaciones es ajustar tres datos a la interpolación cuadrática.
 ��2(��) = ��0 + ��1(�� − ��0) + ��2(�� − ��0)(�� − ��1)

2(��)= ��0 + ��1�� + ��2��2

Que es equivalente a �� donde

��0 = ��0 − ��1��0 + ��2��0��1

��1 = ��1 − ��2��0 − ��2��1
��2 = ��2

Interpolación polinomial genérica:

A partir de un polinomio y los puntos suficientes para tener un sistema de ecuaciones determinado, se
puede armar una matriz conocida como Matriz de Vandermonde, permitiendo obtener los coeficientes del
polinomio. Sin embargo, el problema es que esta matriz está muy mal condicionada siempre, amplificando
mucho el error.

Para evitarnos este problema de condicionamiento podemos usar otros métodos como:

- Método de interpolación de Newton → Se desconoce el grado apropiado

- Método de interpolación de Lagrange → Se conoce el grado apropiado

Se obtiene el mismo polinomio en todos los casos, solamente nos evitamos usar la matriz de
VanderMonde. En todos los casos utilizamos funciones polinómicas porque son fáciles de utilizar, simples
de derivar e integrar.

Sin embargo, uno de los problemas que tienen las funciones polinómicas de alto grado es que pueden
presentar oscilaciones. Esto se conoce como fenómeno de Runge.

Forma general de los polinomios de interpolación de Newton

El polinomio de n-ésimo grado es:

����(��) = ��0 + ��1(�� − ��0) + ... + ����(�� − ��0)(�� − ��1)... (�� −
����−1)

Donde

��0 = ��(��0)
��1 = ��[��1, ��0]
 ��2 = ��[��2, ��1, ��0]
.
.
.
���� = ��[����, ����−1, ... , ��1, ��0]

Donde las evaluaciones de la función colocada entre paréntesis son diferencias divididas finitas

��, ����] =��(����) − ��(����)

�� [�� primera diferencia dividida finita

���� − ����
��[��
��, ����, ����] = ��,����] − ��[����−����]

�� [�� segunda diferencia dividida finita

���� − ����
����−1, ..., ��1, ��0] =��[����,����−1, ... , ��1] − ��[����−1−����−2, ... , ��0]
��,
�� [�� En general
���� − ��0

Las diferencias divididas finitas tienen naturaleza recursiva

Útil
para obtener el polinomio de interpolación de Newton en diferencias divididas ����(��) =
��(��0) + (�� − ��0)��[��1, ��0] + ... + (�� − ��0)(�� − ��1)... (�� −
����−1)��[����. ����−1, ... , ��0]
No se requiere que los datos utilizados en esta ecuación estén igualmente espaciados o en orden
ascendente pero estas condiciones ayudan a que el error disminuya. Es una fórmula recursiva y se obtienen
secuencialmente los polinomios de mayor grado. Las diferencias divididas finitas se pueden calcular en forma
eficiente
Polinomio de interpolación de Lagrange

Es una reformulación del polinomio de Newton que evita el cálculo de diferencias divididas y se
representa como:

�� ��
�� − ��
�� donde ��(��) =�� = 0 ∏ ��
��−��
∑ ����(��) ��(����) ����(��) =�� = 0 1(��) = 1
��−��
��0−��1��(��0) + 0

�� primer grado
Por ejemplo, para primer y segundo grado: ��1−��0��(��1)
2(��) =(��−��1)(��−��2) (��1−��0)(��1−��2)��(��1) +(��−��0)(��−��1)
(��−��
(��0−��1)(��0−��2)��(��0) + 0)(��−��2)
����−����

�� segundo grado (��2−��0)(��2−��1)��(��2)

No es una fórmula recursiva, para cada polinomio se deben calcular distintos Li(x). No requiere que los puntos
están equiespaciados. Es un poco más fácil de programar. No requiere de cálculo ni almacenaje de diferencias
divididas. Se utiliza generalmente cuando se conoce a priori el grado del polinomio interpolante.

Interpolación Segmentaria

Se obtiene una función definida por partes, donde cada una de las partes es un polinomio de grado n.
El método se conoce según el grado del polinomio Spline-n (Sn) y se aplica en cada intervalo. Siempre hay
que recordar que si tenemos k intervalos debemos tener k+1 puntos. Se utiliza cuando los splines se comportan
mejor que un polinomio de mayor orden, que produce mucho efecto Runge.

Spline-1 o Segmentos lineales

La unión más simple entre dos puntos: la línea recta. El spline 1 es un conjunto de funciones lineales
que tiene como desventaja que las uniones entre los nodos no son suaves. Provocando además, una derivada
discontinua.

Spline-2 y 3

En general, para asegurar la continuidad de las m-ésimas derivadas, se debe emplear un spline de grado
m+1. En la práctica, suele utilizarse los S3 que aseguran primaria y secundaria.
Las condiciones que debe cumplir un S2 son:
1. Los valores de la función de polinomios adyacentes deben ser iguales en los nodos interiores
2. La primera y la última función deben pasar por los extremos
3. Las primeras derivadas deben ser iguales en los nodos.
4. Arbitraria: en el primer punto la segunda derivada es cero. Esto lo elijo en el extremo que es menos
importante.

En el caso de la cúbica, se agregan las siguientes condiciones:

1. Las segundas derivadas en los nodos interiores deben ser iguales
 2. La condición arbitraria es que las segundas derivadas en los extremos son 0.

Parte práctica
Para extraer datos: fila, columnas

Cómo devuelve el script de Newton:

��(��) = ��1 + ��2(�� − ��1) + ��3(�� − ��1)(�� − ��2) + ��4(�� − ��1)(�� − ��2)(��
− ��3)

Para Vander: A = vander(x) b = y’ c= A\b polyval(c, valorBusco)

Unidad 5: Integración

Teoría
Las fórmulas de Newton-Cotes se basan en reemplazar una función complicada o datos tabulados por un
polinomio de aproximación que es fácil de integrar. Se pasa de un problema de integrar a un problema de
resolver una ecuación diferencial

��
��
∫ ����(��)���� ����(��) = ��0 + ��1�� +... + ��������
�� = donde ∫ ��(��)���� =
�� ��
Pudiendo aproximar también esa área bajo la curva usando un conjunto de polinomios aplicados por
partes a una función usando segmentos de longitud constante.

La regla del trapecio

Esta corresponde al caso en el que el polinomio de interpolación es de grado 1. Aproximando dos

puntos con una línea recta se obtiene el siguiente resultado para la integral
 �� = (�� − ��) * que geométricamente es equivalente a aproximar el área del trapecio bajo la línea
��(��) − ��(��)
2
1
�� =− 12��''(ξ)(�� − ��)3
recta que une f(a) y f(b). El error de este método viene dado por: �� que se obtuvo a
partir de una expansión de Serie de Taylor. Lo interesante es que si la función sujeta a integración es lineal,
la regla del trapecio es exacta.

El trapecio compuesto

Una mejora en la aproximación de la regla del trapecio es la división del intervalo de integración en
varios segmentos con aplicación particular del trapecio simple para cada uno de ellos. Los puntos estan
igualmente espaciados, existiendo, por lo tanto, n segmentos del mismo ancho.

��−��
ℎ = donde b = a= h es la constante que define la distancia entre las x.

��������0

Pudiendo definir al método como:

��−1
∑ ��(����) + ��(����)) ���� =−(��−��)3
�� = y a su error como : observando que el ℎ2(��(��0) + 2��=1
2
12�� ��''(ξ)
mismo disminuye al aumentar n (cantidad de intervalos). El error es del orden ��(ℎ indicando que al reducir
el 2) intervalo a la mitad, el error disminuye en 4 veces.
Simpson ⅓ Simple

Los métodos de Simpson utilizan polinomios de grado superior para unir los puntos y calcular la
integral. Para el caso del método simple, debo dividir el intervalo de integración en dos intervalos iguales y
hacer pasar una parábola de segundo grado con los 3 puntos que componen al intervalo: el de inicio, el del
medio y el final.

3[��(��0) + 4��(��1) + ��(��2)] ℎ =(��−��)

��+��
2��1 =
�� = con y Su error viene dado por: 2
5
90ℎ ��(4)(ξ)
−1
�� =
�� Observando resultados exactos para polinomios hasta de grado 3, siendo mejor de lo esperable.

Simpson ⅓ Compuesto

Toma segmentos de un mismo tamaño y generaliza la regla

ℎ =(��−��)
��
��−1
��(��0) +4��������������
��−2
4
∑ ��(����) + 2����������
180ℎ ��(4)(ξ)
∑ ��(����) + ��(����)
−(��−��)
3�� ���� =
�� = (�� − ��) y un error de Viendo como el error disminuye por el denominador.

Se necesita un número par de intervalos totales. Cada parábola consume dos intervalos (3 puntos) y h
tiene que ser constante, osea el tamaño de paso debe ser siempre iguales

Simpson ⅜

Ajusta un polinomio de tercer grado a cuatro puntos, funciona para intervalos impares. La fórmula de
integración viene dada por:

3ℎ

8[��(��0) + 3��(��1) + 3��(��2) + ��(��3)] ℎ =��−��

�� = donde y el error viene dado por 3
80* ℎ5��(4)(ξ)
−3
�� =
�� . Mismo orden de error que Simpson ⅓, haciendo posible su combinación. Solo lo utilizaremos una
vez y como requiere 4 puntos, los intervalos son impares.

Si tenemos espaciamientos desiguales, buscamos lugares de espaciamientos iguales y a partir de

ahí planteamos la estrategia. La prioridad para aplicar métodos es:

- Simpson ⅓
- Simpson ⅜
- Trapecios
Método de Romberg

Sirve para mejorar las aproximaciones. Se basa en utilizar el método del trapecio en forma
recursiva, combina el método del trapecio usando un intervalo, dos intervalos, cuatro intervalos, etc. Se
basa en la extrapolación de Richardson.
Se toma la integral con un solo intervalo, luego se disminuye h a la mitad duplicando la cantidad de
intervalos y así sucesivamente, dividiendo h siempre por 2. Se realiza el promedio de todos los valores
obtenidos. Se obtiene un error de h a la cuarta.

Parte práctica
Para manipular lo que veo en el gráfico: ylim([min(qA)-7,max(qA)+1])
>> ylim([min(qA)-6,max(qA)+1])

Para comprobar valores integrales

% Ajuste de un polinomio de grado 5 a los puntos
p = polyfit(tA, qA, 5);
% Creación de una función polinómica con los coeficientes obtenidos
f = @(x) polyval(p, x);

% Cálculo de la integral de f(x) desde tA = 6 hasta tA = 7

integral_value = integral(f, 6, 7);

Unidad 6: Ecuaciones Diferenciales Ordinarias

Teoría
las ecuaciones diferenciales ordinarias pueden resolverse mediante métodos numéricos. ����
��
���� = �� − �� ��
Para poder resolver una EDO de orden n se necesitan n condiciones para obtener una solución única. Si se
especifican todas las condiciones en el mismo valor de la variable independiente (por ejemplo t = 0) se conoce
como problema de valor inicial. En otros casos, se conoce como problemas de valor frontera. El mecanismo
general para resolver numéricamente una EDO puede describirse como

����+1 = ���� + ϕℎ
Y todos los métodos difieren solamente en la forma en la que se calcula la pendiente ϕ.
Método de Euler

En este método la pendiente calculada es simplemente la evaluación de la función en el punto

����+1 = ���� + ��(����, ����)ℎ
Se predice un nuevo valor de y usando la pendiente para extrapolar linealmente sobre el tamaño de
paso h. A mayor cantidad de pasos (cuando h → 0) la solución converge a su valor verdadero. Estos
métodos proporcionan un error.

El error local refiere al error que se incurre sobre un solo paso

y se calcula con expansión de serie de Taylor. El error global,
en cambio, es la discrepancia total debido a los pasos anteriores
y presentes. Los errores en los métodos pueden ser de
truncamiento (por aproximar los valores de y) o de redondeo
(por la limitación de CS). El método de Euler tiene un error del
orden O(ℎ , lo que significa que el error de truncamiento ��+1)
local es proporcional al tamaño de paso elevado a n+1. Por lo
tanto, para reducir el error se puede disminuir el tamaño de
paso. Además, podemos saber que el método de Euler dará
como resultado una función sin error si la función que se analiza
(la solución de la ecuación diferencial) es lineal, debido a que en una línea recta la segunda derivada es
0. Esto puede generalizarse de la siguiente manera:
“Un método de n-ésimo orden dará resultados perfectos si la solución de la EDO es un polinomio de n-
ésimo grado. Además, el error de truncamiento local será O(ℎ y el global ��+1) ��(ℎ��)
Método de Heun
Un motivo fundamental de error en el método de Euler es suponer que la derivada al inicio del intervalo
es la misma durante todo el intervalo. El método de Heun corrige esto mediante una predicción-corrección de
la derivada al inicio y al final del intervalo.
El método general viene descrito por la siguiente ecuación:

����+1 = ���� +��(����,����) + ��(����+1, ����+10)

2ℎ
Donde las etapas predictoras y correctoras respectivamente son:
Predictor: ��0��+1 = ���� + ��(����, ����)ℎ
Corrector: ����+1 = ���� +��(����,����) + ��(����+1, ����+10)
2ℎ
Y el error de truncamiento local viene dado por
���� =−��''(ξ)ℎ3
12

Método de Runge Kutta 4

Son ampliamente utilizados porque logran la exactitud del procedimiento de la serie de Taylor sin
la necesidad del cálculo de derivadas de orden superior. En general:
����+1 = ���� + ϕ(����, ����, ℎ)ℎ
Donde ϕ(�� es la función incremento que puede interpretarse como una pendiente
��, ����, ℎ)
representativa en el intervalo.
ϕ = ��1��1 + ��2��2 +... + ��������
��1 = ��(����, ����)
�� ….
2 = ��(���� + ����ℎ, ���� + ��11��1ℎ)

El más utilizado es el método de runge kutta de orden 4, ya que tiene precisión, convergencia rápida y
facilidad de implementación, y viene dado por las siguientes ecuaciones:
����+1 = ���� +16(��1 + 2��2 + 2��3 + ��4)ℎ
1 1 1
1 = ��(����, ����) ��2 = ��(���� + 2ℎ, ���� + 2��1ℎ) ��3 = ��(���� + 2ℎ, ����
+12��2ℎ)
�� ; ;
��4 = ��(���� + ℎ, ���� + ��3ℎ)

Sistemas de ecuaciones
Las EDOs también pueden presentarse como sistemas de ecuaciones tanto para descomponer el orden
como para resolverlos en simultáneo y requieren condiciones iniciales.

Parte práctica
Ejemplo ode45:
intervalot= [0 20];
 yinicial = 0;
[t,y] = ode45(@(t,y) 0.01 * (70 - y) * (50 - y), intervalot,yinicial);

Unidad 7: Ecuaciones Diferenciales Parciales

Teoría

Estados estacionario
La modelización de problemas de EDP se realiza mediante la ecuación de Laplace. Se parte de una
placa rectangular en estado estacionario, lo que significa que el flujo de calor hacia el elemento en una unidad
de tiempo ∆�� debe ser igual al flujo de salida. La ecuación de Laplace en estado estacionario: ��2��
2 ��2 =0
���� +
2
�� ����
Una técnica de solución es transformar la EDP en una ecuación algebraica de diferencias finitas
mediante la discretización de una malla. Las diferencias centradas basadas en este esquema pueden escribirse
como:
2
2 ����,��−1
=����+1,�� − 2 ����,�� +
∆��
���� 2
�� ��
����−1,�� y
2
�� �� 2
���� =����,+1�� − 2 ����,�� + ∆��
2

Reemplazando en la ecuación anterior y escogiendo una discretización tal que la variación en x y en y sean
iguales obtenemos la ecuación general para un nodo interior
����+1,�� + ����−1,�� + ����,��+1 + ����,��−1 − 4����,�� = 0

Para obtener una solución única de un problema, debemos especificar las condiciones de frontera.
Condición de frontera de Dirichlet: Es el caso más simple, donde la temperatura en la frontera es un valor fijo
Condición de Neumann: Se conoce la derivada en la frontera. Para esto se crea nodo ficticios y se incorpora la
derivada mediante una aproximación centrada de la misma

��
���� = ��,�� − ��−1,��
���� �������� ����������������
2∆�������������� ��−1,������

Despejando el nodo ficticio

��−1,�� = ��1,�� − 2∆������
����

La ecuación de conducción de calor

Se utiliza para simular situaciones en el estado transitorio, con variaciones en el tiempo. Se utiliza la
Ley de Fourier para la conducción de calor.

����2��
2
���� =����
 ����

Se utilizan diferencias divididas finitas para sustituir las derivadas parciales.

Métodos explícitos

La aproximación de la segunda derivada con un esquema centrado:

2
���� =����+1��−2������+����−1��
2
�� ��
2
∆��

Y para aproximar la derivada con respecto al tiempo utilizamos una diferencia dividida finita hacia
adelante
�� ��+1
���� = �� −������
����
∆��

Sustituyendo ambas en la Ley de Fourier

��
�� ��+1
��
−2����
��
+����−1��
2
∆�� =������+1−������
∆��
Resultando en una ecuación general
��+1
= ������+ λ(����+1�� − 2������+ ����−1��) λ =�� ∆��
�� donde �� ∆��
2

Pudiendo predecir variaciones en un tiempo posterior a partir de un tiempo actual.

Respecto a la convergencia y estabilidad:

- Si λ <= ½ → Converge y es estable, pero oscila

- Si λ <= ¼ → Converge, es estable y no oscila
- Si λ <= ⅙ → Converge, es estable, no oscila y se minimizan los errores de truncamiento

Cabe recordar que una disminución de este parámetro implica un aumento de cálculo y así, más
capacidad de cómputo. Convergencia significa que cuando las variaciones en el tiempo y en el espacio tienden
a 0, los resultados se aproximan a la solución verdadera. Estabilidad significa que los errores se atenúan
conforme avanza el cálculo.

Método implícito

El método explícito está condicionado para ser estable y convergente, además de omitir información
importante del problema. El implícito soluciona estos problemas introduciendo un algoritmo un poco más
complejo.
La diferencia con el explícito es que se aproxima la derivada espacial a un tiempo futuro.

2
���� =����+1��+1−2������+1+����−1��+1

2
�� ��
 2
∆��

Al sustituir esta relación en la EDP original, la ecuación contiene varias incógnitas que se resuelven
simultáneamente en un sistema de ecuaciones:

− λ����−1��+1+ (1 + 2λ)������+1 − λ����+1��+1 = ������

Este método es incondicionalmente estable. Sin embargo, siempre es recomendable usar diferenciales
pequeños de tiempo.