Aproxima Funcion

Introduccion Vandermonde Lagrange Newton Analisis de error Ajuste de Curvas
Aproximaci on de Funciones
Hermes Pantoja Carhuavilca
Facultad de Ingeniera Mecanica
Universidad Nacional de Ingenieria
Metodos Numericos
Hermes Pantoja Carhuavilca Aproximacion de Funciones
Contenido
1
Introduccion
Introduccion
Aplicaciones
Interpolacion y aproximacion
Teoria
2
Vandermonde
3
Lagrange
4
Newton
Interpolacion de Newton
Diferencias Divididas
Diferencias Finitas
5
Analisis de error
6
Ajuste de Curvas
Introduccion
Interpolacion
Dado un conjunto de datos conocidos
(x
0
, y
0
), (x
1
, y
1
), . . . , (x
N
, y
N
)
buscamos una funcion f : R R que satisfaga
f (x
i
) = y
i
, i = 0, . . . , N
f es una funcion interpolante o interpolador
El interpolador f puede ser
polinomio
spline
Introduccion
Interpolacion
(x
0
, y
0
), (x
1
, y
1
), . . . , (x
N
, y
N
)
f (x
i
) = y
i
, i = 0, . . . , N
polinomio
spline
Introduccion
Interpolacion
(x
0
, y
0
), (x
1
, y
1
), . . . , (x
N
, y
N
)
f (x
i
) = y
i
, i = 0, . . . , N
polinomio
spline
Aplicaciones
Aplicaciones
Trazado de curvas a traves de un conjunto discreto de datos.
Determinar valores intermedios de una tabla de datos.
Derivar e integrar a partir de una tabla de datos.
Evaluar de manera facil una funcion matematica.
Reemplazar una funcion complicada por una simple.
Interpolacion y aproximacion
Interpolacion y aproximaci on
Funciones utilizadas como interpoladores
Polinomios
Funciones trigonometricos
Funciones exponenciales
Funciones racionales
Los interpoladores se ajustan a los datos de manera exacta
(f (x
i
) = y
i
)
Interpolacion presenta problemas cuando los datos estan
sujetos a errores signicativos.
Teoria
Teora
Teorema
Sea f : [a, b] R continua. Para todo > 0, existe un polinomio
p sobre R tal que para todo x [a, b],
|f (x) p(x)| <
Teora
Teorema
Si x
0
, x
1
, . . . , x
N
son n umeros reales distintos, entonces para N + 1
valores arbitrarios y
0
, y
1
, . . . , y
N
existe un unico polinomio P
N
de
grado a lo sumo N tal que P
N
(x
i
) = y
i
, i = 0, . . . , N
Observaciones
El teorema generaliza:Por 2 puntos distintos del plano pasa
una y solo una lnea recta (polinomio de grado 1)
Dado una tabla de datos
x
0
x
1
. . . x
N
y
0
y
1
. . . y
N
existe uno y solo un polinomio P
N
de grado N tal que
P
N
(x
i
) = y
i
.
Aunque el polinomio es unico, existen diversas formas de
expresarlo y diferentes algoritmos para determinarlos.
Teoria
Polinomio interpolador
Asumimos un conjunto de puntos discretos {x
0
, x
1
, . . . , x
N
}
con los valores correspondientes {f (x
0
), f (x
1
), . . . , f (x
N
)}
Construimos una funcion f (x) que pasa por (x
i
, f (x
i
)) por
medio de la aproximacion
f (x) P
N
(x) =
N
i =0
a
k
k
(x)
P
N
(x) es el polinomio interpolante.
k
(x) son polinomios conocidos a priori y forman una base.
a
k
son coecientes por determinar.
Interpolacion de Vandermonde
Consideremos como bases los monomios
k
(x) = x
k
, k = 0, . . . , N
Para la base dada obtenemos la representaci on
f (x) = a
0
+ a
1
x + a
2
x
2
+ . . . + a
N
x
N
donde a
0
, a
1
, . . . , a
N
son constantes a determinar.
Interpolacion de Vandermonde
Las N + 1 ecuaciones que surgen al evaluar x
i
en f (x) se
pueden expresar matricialmente como
_
_
1 x
0
x
2
0
. . . x
N
0
1 x
1
x
2
1
. . . x
N
1
.
.
.
.
.
.
.
.
. .
.
.
.
1 x
N
x
2
N
. . . x
N
N
_
_
_
_
a
0
a
1
.
.
.
a
N
_
_
=
_
_
f (x
0
)
f (x
1
)
.
.
.
f (x
N
)
_
_
Va=f
V es la matriz de Vandermonde y
det(V) =
0i j N
(x
j
x
i
) = 0
.
Ejemplo
Ejemplo
Determine el polinomio de grado 2 que interpola los tres dados
(2, 27), (0, 1), (1, 0)
Solucion
El polinomio esta dado por
f (x) = a
0
+ a
1
x + a
2
x
2
Para este caso el sistema esta dado por
_
_
1 2 4
1 0 0
1 1 1
_
_
_
_
a
0
a
1
a
2
_
_
=
_
_
27
1
0
_
_
La solucion esta dada por
_
1 5 4
T
y
f (x) = 1 + 5x 4x
2
Interpolacion de Lagrange
Como base tomamos los polinomios basicos de Lagrange
denidos por
L
k
(x) =
(x x
0
)(x x
1
) (x x
k1
)(x x
k+1
) (x x
N
)
(x
k
x
0
)(x
k
x
1
) (x
k
x
k1
)(x
k
x
k+1
) (x
k
x
N
)
=
i =k
(x x
i
)
(x
k
x
i
)
Propiedades
L
k
es un polinomio de grado N
L
k
(x
j
) =
_
1 si k = j
0 si k = j
El polinomio de interpolacion de Lagrange esta dado por
p
N
(x) = f (x
0
)L
0
+f (x
1
)L
1
+. . . +f (x
N
)L
N
=
n
k=0
f (x
k
)L
N
(x)
El polinomio de interpolacion de Lagrange es de grado N y
pasa por los N + 1 puntos (x
0
, f (x
0
)), . . . , (x
N
, f (x
N
))
Ejemplo
Dado los siguientes puntos
x 0 0,5 1
y 1 0,8 0,5
hallar los polinomios basicos de lagrange y el polinomio
interpolante.
Solucion:
L
0
(x) =
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
=
(x 0,5)(x 1)
(0 0,5)(0 1)
= 2x
2
3x + 1
L
1
(x) =
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
=
(x 0)(x 1)
(0,5 0)(0,5 1)
= 4x
2
+ 4x
L
2
(x) =
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
=
(x 0)(x 0,5)
(1 0)(1 0,5)
= 2x
2
x
Polinomio de Lagrange:
P
2
(x) = y
0
L
0
+ y
1
L
1
+ y
2
L
2
= 1(2x
2
3x + 1) + 0,8(4x
2
+ 4x) + 0,5(2x
2
x)
= 0,2x
2
0,3x + 1
Ejemplo
Determine el polinomio de lagrange para f (x) =
1
x
en los puntos
x
0
= 2, x
1
= 2,25, x
2
= 4 y utilcelo para aproximar f (3)
Ejemplo:
Con el n de reducir la complejidad computacional hacemos el
siguiente cambio de base
k
(x) =
k1
i =0
(x x
i
)
Ahora f (x) es aproximada por
P
n
(x) = a
0
+ a
1
(x x
0
) + a
2
(x x
0
)(x x
1
) +
. . . a
n
(x x
0
)(x x
1
) (x x
n1
)
La k-esima diferencia dividida
f [x
i
, x
i +1
, . . . , x
i +k1
, x
i +k
] =
f [x
i +1
, x
i +2
, . . . , x
i +k
] f [x
i
, x
i +1
, . . . , x
i +k1
]
x
i +k
x
i
Los coecientes son a
k
= f [x
0
, x
1
, x
2
, . . . , x
k
] y
P
n
(x) = f [x
0
] +
n
k=1
f [x
0
, x
1
, . . . , x
k
](x x
0
) (x x
k1
)
Tabla de diferencias divididas
Diferencia Dividida de Newton
Implementacion en MATLAB
function F=divideddifference(x,f)
n=length(x)-1;
F=zeros(n+1,n+1);
F(:,1)=f(:);
for i=1:n
for j=1:i
F(i+1,j+1)=(F(i+1,j)-F(i,j))/(x(i+1)-x(i-j+1));
end
end
Ejemplo
Ejemplo
Dado los siguientes puntos
x 0 0,5 1
y 1 0,8 0,5
hallar el polinomio interpolante de Newton.
Solucion:
Obtenemos el polinomio de interpolacion:
P
2
(x) = f (x
0
) + f [x
0
, x
1
](x x
0
) + f [x
0
, x
1
, x
2
](x x
0
)(x x
1
)
P
2
(x) = 1 0,4(x 0) 0,2(x 0)(x 0,5)
P
2
(x) = 0,2x
2
0,3x + 1
Ejemplo
Ejemplo
Diferencias Finitas
Diferencias Finitas
Se dene para un conjunto de puntos (x
0
, f
0
); (x
1
, f
1
); . . . ; (x
n
, f
n
),
igualmente espaciados para x; es decir, x
i +1
x
i
= h; para
i = 0, 1, . . . , n 1.
Diferencia Finita hacia adelante o progresiva
Diferencia nita de primer orden
f
k
= f
k+1
f
k
Diferencia nita de segundo orden
2
f
k
= f
k+1
f
k
Diferencia nita de orden n
n
f
k
=
n1
f
k+1

n1
f
k
Diferencias Finitas
Tabla de Diferencias Finitas
Diferencias Finitas
Diferencias Finitas
Polinomio de interpolacion basado en Diferencias Finitas
Progresivas
Se debe hallar una relacion entre las diferencias nitas y divididas
f [x
0
, x
1
, x
2
, . . . , x
k
] =

k
f
0
k!h
k
Reemplazando en el polinomio basado en diferencias divididas se
tiene:
P
n
(x) = f
0
+
f
0
1!h
1
(x x
0
) +

2
f
0
2!h
2
(x x
0
)(x x
1
) + . . .
+
n
f
0
n!h
n
(x x
0
) . . . (x x
n1
)
Diferencias Finitas
Diferencias Finitas
Teniendo en cuenta que los intervalos se tomaran igualmente
espaciados (h = x
i +1
x
i
) para x, y haciendo el cambio de
variable s =
x x
0
h
P
n
(s) = f
0
+sf
0
+
s(s 1)
2!

2
f
0
+. . .
s(s 1) . . . (s n + 1)
n!

n
f
0
= f
0
+
n
k=1
_
s
k
_
k
f
0
Error de Interpolaci on
Teorema
Sea f C
n+1
[a, b] y p el polinomio de grado n que interpola a
f en los n + 1 puntos x
0
, x
1
, . . . , x
n
del intervalo [a, b]. Para cada
x [a, b] existe un = (x) a, b tal que
f (x) p(x) =
1
(n + 1)!
f
(n+1)
()
n
i =0
(x x
i
)
Ejemplo
Estime el error cometido al aproximar la funcion f (x) = sin(x) por
medio del polinomio de grado nueve que interpola a f en diez
puntos del intervalo [0, 1]
Solucion
La cota de error esta dado por
f (x) p(x) =
1
10!
f
(10)
()
n
i =0
(x x
i
)
Por otra parte
f
(10)
() = sin |f
(10)
()| 1
y
x [0, 1]
n
i =0
(x x
i
) 1
Ajuste de Curvas
Aproximacion polinomial de datos
Tenemos N mediciones experimentales (x
1
, y
1
), . . . , (x
n
, y
n
)
Queremos encontrar una funcion de aproximacion g(x) tal que
g(x
i
) y
i
i = 1, . . . , n
queremos ademas que g(x) sea la que mejor aproxime las
mediciones
1
De un modo general, una funcion aproximante dependera de
varias constantes , es decir:
g(x) = F(x, c
1
, c
2
, . . . , c
k
)
2
Denimos las desviaciones como:
d
i
= y
i
F(x
i
, c
1
, c
2
, . . . , c
k
) i = 1, 2, . . . , n
3
La funcion aproximada debera ser escogida de forma que tales
desviaciones sean peque nas en valor absoluto.
4
Esta funcion puede ser elegida como una combinacion lineal
de otras:
F(x, c
1
, . . . , c
k
) = c
1
1
+ . . . + c
k
k
Ajuste por una recta (Ajuste Lineal)
.
F(x) = c
1
+ c
2
x con
_
_
_
1
(x) = 1
2
(x) = x
i
(x) = 0, i = 3, 4, . . . , k
.
Ajuste por una parabola (Ajuste cuadratico)
.
F(x) = c
1
+ c
2
x + c
3
x
2
con
_
1
(x) = 1
2
(x) = x
3
(x) = x
2
i
(x) = 0, i = 4, 5, . . . , k
Recta de Regresi on de Mnimos Cuadrados
La recta de regresion o recta optima en mnimos cuadrados
consiste en obtener los coecientes de la ecuacion de la recta:
y = f (x) = Ax + B
Que minimiza el error cudratico medio E
2
(f )
E
2
(f ) =
_
1
n
n
k=1
|f (x
k
) y
k
|
2
_1
2
Sea un conjunto de n puntos (x
k
, y
k
) donde k = 1 hasta n,
cuyas abscisas {x
k
} son todas distintas, la recta de regresion o
recta optima en mnimos cuadrados, es la recta de ecuacion
y = f (x) = Ax + B que minimiza el error medio cuadratico
E
2
(f ).
El error medio cuadratico es mnimo si la siguiente expresion
es mnima:
n.(E
2
(f ))
2
=
n
k=1
|f (x
k
) y
k
|
2
Si sustituimos en la ecuacion anterior la ecuacion de la recta,
entonces
E(A, B) =
n
k=1
(Ax
k
+ B y
k
)
2
El valor mnimo de la funcion E(A, B) se calcula igualando a
cero sus derivadas parciales:
E(A, B)
A
= 0
E(A, B)
B
= 0
Teorema (Recta de Regresion en Mnimos Cuadrados)
Sean (x
1
, y
1
), (x
2
, y
2
), . . . , (x
n
, y
n
) puntos cuyas abcisas {x
k
}
n
k=1
son distintas entonces los coecientes de la recta de regresion
y = Ax + B
son la solucion del siguiente sistema lineal, conocido como las
ecuaciones normales de Gauss:
_
n
k=1
x
2
k
_
A + (
n
k=1
x
k
) B =
n
k=1
x
k
y
k
(
n
k=1
x
k
) A + nB =
n
k=1
y
k
Forma Matricial del ajuste o regresi on por mnimos
cuadrados
Sistema sobre-determinado para ajuste de una recta
Dado los puntos (x
1
, y
1
), (x
2
, y
2
), . . . , (x
n
, y
n
) la recta de regresion
y = Ax + B
Forma Matricial
_
_
_
_
_
x
1
1
x
2
1
.
.
.
.
.
.
x
n
1
_
_
_
_
_
. .
M
_
A
B
_
. .
v
=
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
. .
b
M.v = b
M
t
.M.v = M
t
.b
(M
t
.M)
1
.M
t
.Mv = (M
t
.M)
1
.M
t
.b
Ecuacion Normal
v = (M
t
.M)
1
.M
t
.b
Ejemplo
Ajuste de Curvas
Supongase que se quiere ajustar un conjunto de datos a una
curva exponencial de la forma:
y = Ce
Ax
Aplicamos logaritmo en ambos miembros de la ecuacion
ln(y) = ln(Ce
Ax
)
ln(y) = ln(C) + ln(e
Ax
)
ln(y) = AX + ln(C)
Y = AX + B
De esta manera queda linealizada la ecuacion y se pueden
hacer los siguientes cambios de variable:
Y = ln(y), X = x, y B = ln(C)
Ajuste de Curvas
Mediante el cambio de variable los datos quedan de la
siguiente forma: (X
k
, Y
k
) = (x
k
, ln(y
k
)); a este proceso se le
conoce como metodo de linealizacion de datos. Luego se
aplican las ecuaciones normales de Gauss.
Luego que se obtienen A y B, se calcula el parametro C:
C = e
B
Ejemplo
Ejemplo
Ajuste de Curvas
Factor de Regresion
R
2
=
n
i =1
( y
i
y
m
)
2
n
i =1
(y
i
y
m
)
2
y
i
de la funcion de ajuste
.
y
i
de la data
.
y
m
=
n
i =1
y
i
n
Factor de Regresion
0 R
2
1
El factor de regresion mide la eciencia del ajuste,
Cuando R
2
= 1 la funcion de ajuste coincide con la data.
Cuando R
2
es cercano a 1 el ajuste se considera aceptable.
Cuando R
2
es cercano a 0 el ajuste se considera pesimo o
deciente

Aproxima Funcion

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aproxima Funcion

Uploaded by

Copyright:

Available Formats

Introduccion Vandermonde Lagrange Newton Analisis de error Ajuste de Curvas

You might also like