UNIDAD V.

- Interpolación y ajuste de funciones

Introducción

En el subcampo matemático del análisis numérico, se denomina interpolación a la

construcción de nuevos puntos partiendo del conocimiento de un conjunto discreto
de puntos. En las ciencias e ingeniería es frecuente disponer de un cierto número
de datos obtenidos por muestreo o a partir de un experimento y pretender construir
una función que los ajuste para el análisis posterior, la predicción o ajuste sobre
datos nuevos o la búsqueda de puntos óptimos, longitudes, áreas o superficies de
respuesta; problemas que conlleva integrar o derivar aquella función. Otro problema
estrechamente ligado con el de la interpolación es la aproximación de una función
complicada por una más simple. Si tenemos una función cuyo cálculo resulta
costoso, podemos partir de un cierto número de sus valores e interpolar dichos
datos construyendo una función más simple o sencilla de cálculo.
 UNIDAD V.- Interpolación y ajuste de funciones

5.1 Polinomio de interpolación de Newton.

• Definición de conceptos por libros

Polinomio Interpolador de Newton1 En ocasiones es útil considerar varios

polinomios aproximantes P1(x),P2(x), ...,PN(x) y, después, elegir el más adecuado
a las necesidades. Uno de los inconvenientes de los polinomios interpoladores de
Lagrange es que no hay relación entre la construcción de PN−1(x) y la de PN(x);
cada polinomio debe construirse individualmente y se requieren muchas
operaciones para calcular polinomios de grado elevado.

Los polinomios interpoladores de Newton se calculan mediante un esquema

recursivo P1(x) = a0 + a1 (x − x0) , (6) P2(x) = a0 + a1 (x − x0) + a2 (x − x0) (x −
x1) , P3(x) = a0 + a1 (x − x0) + a2 (x − x0) (x − x1) + a3 (x − x0) (x − x1) (x − x2) ,
... ... ... PN (x) = a0 + a1 (x − x0) + a2 (x − x0) (x − x1) + a3 (x − x0) (x − x1) (x −
x2) +a4 (x − x0) (x − x1) (x − x2) (x − x3) + ... +aN (x − x0) (x − x1) (x − x2) ... (x −
xN−1) .

PN(x) se obtiene a partir de PN−1(x) usando la recurrencia PN(x) = PN−1(x) + aN

(x − x0) (x − x1) (x − x2)...(x − xN−1). Se dice que PN(x) es un polinomio de
Newton con N centros x0, x1, ..., xN−1.

Como PN(x) involucra sumas de productos de factores lineales, siendo aN (x − x0)

(x − x1) (x − x2)...(x − xN−1) el de mayor grado, entonces PN(x) es de grado ≤ N.

Diferencias Divididas: Queremos encontrar los coeficientes ak de todos los

polinomios P1(x),P2(x), ...,PN(x) que sirven para aproximar una función dada f(x).

De (6a): f (x0) = P1 (x0) = a0 + a1 (x0 − x0) = a0 ⇒ a0 = f (x0). (7)

Diferencias Divididas: Queremos encontrar los coeficientes ak de todos los

polinomios P1(x),P2(x), ...,PN(x) que sirven para aproximar una función dada f(x).

De (6a): f (x0) = P1 (x0) = a0 + a1 (x0 − x0) = a0 ⇒ a0 = f (x0). (7)

De (6a) y (7): f (x1) = P1 (x1) = a0+a1 (x1 − x0) = f (x0)+a1 (x1 − x0) ⇒ a1 = f (x1)
− f (x0)/ x1 − x0 (Chapra, 2007)

1
Chapra, S. C., & Canale, R. P. (2007). Métodos numéricos para ingenieros. McGraw-Hill,.
 UNIDAD V.- Interpolación y ajuste de funciones

Polinomio Interpolador de Newton2

(Mathews & Kurtis, 2000)

2
MATHEWS, John; KURTIS, Fink. Métodos Numéricos con MATLAB. Prentice Hall, 2000.
 UNIDAD V.- Interpolación y ajuste de funciones

• Explicación del tema de cada punto POR SUS PROPIAS PALABRAS

El polinomio de interpolación de Newton de forma hacia adelante se puede

determinar asumiendo la siguiente forma:

Pn(x) = c0 + c1(x − x0)+ c2(x − x0)(x − x1)+ ··· + cn(x − x0) ··· (x − xn−1)

donde los coeficientes ck, k = 0,... ,n se determinan al cumplir con las restricciones
Pn(xi) = yi, i = 0,... , n. Los coeficientes ck se pueden calcular en términos de:

• Diferencias finitas hacia atrás

• Diferencias finitas centradas
• Diferencias finitas hacia adelante
UNIDAD V.- Interpolación y ajuste de funciones
 UNIDAD V.- Interpolación y ajuste de funciones

Ejemplo 2:
Para los datos proporcionados, calcular el polinomio de interpolación de Newton.
Solución:
La tabla de diferencias resultante es:
xi yi Δyi Δ2yi Δ3yi
0 1 0.39561 0.15651 0.06192
1/3 1.39561 0.55212 0.21843
2/3 1.94773 0.77055
1 2.71828

Pudiendo obtener los coeficientes ci´s:

Con estas diferencias el polinomio quedaría como:

Realizando las multiplicaciones y simplificando, nos queda:

La figura muestra los puntos a interpolar y la función interpoladora

Puntos a interpolar marcados con “o” y el polinomio de newton evaluado.

 UNIDAD V.- Interpolación y ajuste de funciones

5.2 Polinomio de interpolación de Lagrange.

3Interpolar significa estimar el valor desconocido de una función en un punto,
tomando una media ponderada de sus valores conocidos en puntos cercanos al
dado. En la interpolación lineal se utiliza un segmento rectilíneo que pasa por dos
puntos que se conocen. La pendiente de la recta que pasa por dos puntos (x0, y0)
y (x1, y1) es m = y1 − y0 x1 − x0 , así que en la ecuación de la recta
podemos sustituir m y obtener

es un polinomio de grado ≤ 1 y la evaluación de P(x) en x0 y x1 produce

J.L. Lagrange descubrió que se puede encontrar este polinomio usando un

método distinto: Si escribimos

Donde son los polinomios coeficientes de Lagrange

para los nodos x0 y x1. Nótese que cada uno de los sumandos del miembro
derecho de (3) es un término lineal, por lo tanto P1(x) es un polinomio de grado ≤
1.

Como

entonces P1(x) definido en (3) también pasa por los dos puntos dados:

El polinomio interpolador de Lagrange cuadrático para los puntos

es:

3
Chapra, S. C., & Canale, R. P. (2007). Métodos numéricos para ingenieros. McGraw-Hill,.
 UNIDAD V.- Interpolación y ajuste de funciones

El polinomio interpolador de Lagrange de grado N=3 para los puntos

es:

Generalizando, para construir un polinomio PN(x) de grado ≤ N y que pase por

N+1 puntos la fórmula es:

donde LN,k es el polinomio coeficiente de

Lagrange para los nodos x0, x1, ..., xN

definido por

Para cada k fijo, el polinomio coeficiente de Lagrange LN,k (x) tiene la siguiente
propiedad:

La sustitución de (5) en (4) prueba que la curva polinomial y = PN(x) pasa por los
puntos xj , yj :

Aplicando el Teorema Fundamental del Álgebra se puede probar que PN(x) es

único.

(Chapra, 2007)
 UNIDAD V.- Interpolación y ajuste de funciones

Polinomio de interpolación de Lagrange.4

(Mathews & Kurtis, 2000)

• Explicación del tema de cada punto POR SUS PROPIAS PALABRAS

En términos concretos, este polinomio es una reformulación del de Newton que

evita los cálculos de las diferencias divididas y que, por lo tanto, resulta mas fácil
de aplicar manualmente y con computadora. Su desarrollo parte de considerar que
cualquier polinomio de grado n se puede escribir como:
Fn(x)=L0(x-x1) (x-x2) (x-x3)…… (x-xn)+
L1(x-x0) (x-x2) (x-x3)…… (x-xn)+
L2(x-x0) (x-x1) (x-x3)…… (x-xn)+….+
L3(x-x0) (x-x1) (x-x2)…… (x-xn-1)
Los coeficiente L0, L1, L2,…, Ln se determinan de manera que la curva del
polinomio pase por todos y cada uno de los puntos especificados (datos).
Entonces, si x=x0 en la ecuación fn(x) será f(x0) y se obtendrá:

F(x0) = L0(x0-x1) (x0-x2) (x0-x3)…… (x0-xn)

4
MATHEWS, John; KURTIS, Fink. Métodos Numéricos con MATLAB. Prentice Hall, 2000.
 UNIDAD V.- Interpolación y ajuste de funciones

Ejemplo 1:
Calcular el polinomio de interpolación de Lagrange para el siguiente conjunto de
puntos:

xi 0 0.33 0.66 1
yi 1 1.391 2.71
1.935 8
Solución:
Sustituyendo en la ecuación, se obtiene:

y simplificando, obtenemos como resultado:

La aproximación es excelente si tomamos encuentra que los puntos se tomaron de

evaluar la función exponencial ex. En la figura podemos observar qué tanto la
función evaluada como la aproximación por Lagrange es (para estos puntos) casi
la misma.

Puntos interpolados y polinomio de Lagrange obtenido.

 UNIDAD V.- Interpolación y ajuste de funciones

Ejemplo 2:
Demostrar que es una base de .

Ventaja de la fórmula de Lagrange: Los polinomios fundamentales sólo dependen

de los nodos varios P.I.P.L. con el mismo conjunto de abscisas
comparten los mismos polinomios fundamentales.

Inconveniente de la fórmula de Lagrange: Si se añade nueva información (un

nuevo punto), hay que reconstruir casi todo.
 UNIDAD V.- Interpolación y ajuste de funciones

5.3 Interpolación segmentada o spline5

Spline Lineal

Los splines de grado 1 son funciones polinomiales de grado 1 (Rectas de la forma

f(x)=ax+b) que se encargan de unir cada par de coordenadas mediante una recta.

Dados los n+1 puntos:

Una función spline de grado 1 que interpole los datos es simplemente unir cada
uno de los puntos (Par coordenados) mediante segmentos de recta, como se
ilustra en las siguientes figuras:

Claramente esta función cumple con las condiciones de la spline de grado 1.

Así, se tiene que
para este caso:

5
L. Burden Richard, (2002), Análisis Numérico, 7ª Edición. México. Thomson.
 UNIDAD V.- Interpolación y ajuste de funciones

Spline Cuadrática

Los polinomios P(x) a través de los que construimos el Spline tienen grado 2. Esto
quiere decir, que va a tener la forma P(x) = ax² + bx + c

Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones

(donde N son los puntos sobre los que se define la función). La interpolación
cuadrática nos va a asegurar que la función que nosotros generemos a trozos con
los distintos P(x) va a ser continua, ya que para sacar las condiciones que ajusten
el polinomio, vamos a determinar como condiciones:

• Que las partes de la función a trozos P(x) pasen por ese punto. Es decir,
que las dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a
f(x) en cada uno de estos puntos.
• Que la derivada en un punto siempre coincida para ambos "lados" de la
función definida a trozos que pasa por tal punto común.
• Esto sin embargo no es suficiente, y necesitamos una condición más. ¿Por
qué?. Tenemos 3 incógnitas por cada P(x). En un caso sencillo con f(x)
definida en tres puntos y dos ecuaciones P(x) para aproximarla, vamos a
tener seis incógnitas en total. Para resolver esto necesitaríamos seis
ecuaciones, pero vamos a tener tan sólo cinco: cuatro que igualan el P(x)
con el valor de f(x) en ese punto (dos por cada intervalo), y la quinta al
igualar la derivada en el punto común a las dos P(x).

Se necesita una sexta ecuación, ¿de dónde se extrae? Esto suele hacerse con el
valor de la derivada en algún punto, al que se fuerza uno de los P(x).

Spline Cubica

Cada polinomio P(x) a través del que construimos los Splines en [m,n] tiene grado
Esto quiere decir, que va a tener la forma P(x) = ax³ + bx² + cx + d

En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una
nueva condición para cada punto común a dos intervalos, respecto a la derivada
segunda:

• Que las partes de la función a trozos P(x) pasen por ese punto. Es decir,
que las dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a
f(x) en cada uno de estos puntos.
• Que la derivada en un punto siempre coincida para ambos "lados" de la
función definida a trozos que pasa por tal punto común. Que la derivada
segunda en un punto siempre coincida para ambos "lados" de la función
definida a trozos que pasa por tal punto común.
• Como puede deducirse al compararlo con el caso de splines cuadráticos,
ahora no nos va a faltar una sino dos ecuaciones (condiciones) para el
número de incógnitas que tenemos.
 UNIDAD V.- Interpolación y ajuste de funciones

La forma de solucionar esto, determina el carácter de los splines cúbicos. Así,

podemos usar:

Splines cúbicos naturales: La forma más típica. La derivada segunda de P se hace

0 para el primer y último punto sobre el que está definido el conjunto de Splines,
esto son, los puntos m y n en el intervalo [m,n].
Dar los valores de la derivada segunda de m y n de forma "manual", en el conjunto
de splines definidos en el intervalo [m,n].
Hacer iguales los valores de la derivada segunda de m y n en el conjunto de
splines definidos en el intervalo [m,n].

Splines cúbicos sujetos: La derivada primera de P debe tener el mismo valor que
las derivada primera de la función para el primer y último punto sobre el que está
definido el conjunto de Splines, esto son, los puntos m y n en el intervalo [m,n].

(Mathews & Kurtis, 2000)

• Explicación del tema de cada punto POR SUS PROPIAS PALABRAS

En los problemas de interpolación, se utiliza a menudo la interpolación mediante

segmentos o splines porque da lugar a resultados similares requiriendo solamente
el uso de polinomios de bajo grado, evitando así las oscilaciones, indeseables en
la mayoría de las aplicaciones, encontradas al interpolar mediante polinomios de
grado elevado. Para el ajuste de curvas, los splines se utilizan para aproximar
formas complicadas. La simplicidad de la representación y la facilidad de cómputo
de los splines los hacen populares para la representación de curvas en
informática, particularmente en el terreno de los gráficos por ordenador. (Richaard,
2002)
 UNIDAD V.- Interpolación y ajuste de funciones

Ejemplo 1:

Para la función SENO, aplicar Spline en los tres puntos X= [π/4, π/2, 3π/4], Y=
[½√2, 1, ½√2]. Hacer k=½√2, y tomar valores centrados: Xp=[x0=-1, x1=0, x2=1].
Por tres puntos se ajustan dos funciones cúbicas, calcular las dos primeras
derivadas:

Se evalúa cada función en los puntos de cada segmento f0 en x0-x1 y f1 en x1-x2;

la primera y segunda derivadas se evalúan el único punto de nodo x1=0 y se
igualan

De lo anterior se deducen las funciones f0(x)=1+ax+bx 2+c0x 3 y f1(x)=1+ax+bx

2+c1x 3; quedando además por especificar para c0 y c1, y resolver las ecuaciones
[1] y [2]. Ahora veremos los dos casos: caso natural y el de puntos extremos
adicionales.

Caso Spline natural: Al evaluar las segundas derivadas fi”(x)= 2*b+6*ci*x, para
i=0:1, en los puntos inicial o final de cada función respectiva hacer cero: f0”(x0)=0;
f1”(x2)=0, luego al sumar las ecuaciones [1] y [2], resulta el sistema de tres
ecuaciones:

La solución de este sistema es: b=¾(√2-2), c0=¼(√2-2), c1=-¼(√2-2), a=0. Así las
funciones de cada segmento son: fi(x)=1+¼(√2-2)* x 2{3+(-1)i * x]}, para i=0:1.
Ahora en la variable original x=2*(2X/π–1), resultan los ajustes por segmentos
 UNIDAD V.- Interpolación y ajuste de funciones

Caso Puntos extremos adicionales fi(x), se incluye para x centrada f0(-2)=0 y

f1(2)=0. f0(–2)= 1–2a+4b–8c0 =0, f1(2)= 1+2a+4b+8c1 =0; se tienen cuatro
ecuaciones

Al relacionar las ecuaciones 1º y 3º, y las ecuaciones 2º y 4º, para eliminar c0 y c1

respectivamente, se genera un sistema 2x2 en los coeficientes a y b, y la solución
es: b=√2–7/4; a=0; c0=¼(2√2–3); c1=–¼(2√2–3). En forma anidada las funciones
son fi(x)=1+x2 * [b+ci* x], para i=0:1, y luego en la X original:

Abajo los gráficos de funciones de cada caso: se resalta que puntos adicionales
conviene más que spline natural; para el seno fi”(x)=0, no es natural en el
intervalo.

Ejemplo 2:

Interpolar con splines f(x) = 1 / x , en los puntos en los que x vale 1, 2 y 4

f(1) = 1
f(2) = 0.5
f(4) = 0.25

El primer segmento P1(x) = ax + b deberá unir los primeros dos puntos de

coordenadas (1,1) y (2,0.5). Surge un sistema lineal de dos ecuaciones en dos
incógnitas:

(1) 1=a+b
 UNIDAD V.- Interpolación y ajuste de funciones

(2) 0.5=2a+b

De (1) se obtiene:

a=1-b (3)

Reemplazando (3) en (2) se obtiene:

0.5=2(1-b)+b

luego

b=1.5

Reemplazando el valor de (b) en (1), se obtiene:

a = - 0.5

Por lo tanto, se concluye que: P1(x) = - 0.5x + 1.5 El segundo segmento P2(x) =
ax + b deberá unir el segundo punto (2,0.5) con el tercer punto (4,0.25).
Análogamente a lo hecho para P1(x), en el caso de P2(x) se obtiene:

(1) 0.5 = 2a + b
(2) 0.25 = 4a + b
a = - 0.125, b = 0.75

Luego P2(x) = - 0.125x + 0.75

 UNIDAD V.- Interpolación y ajuste de funciones

5.4 Regresión y correlación6

El fin es encontrar relaciones entre las variables (sucesos a investigar). El
investigador intenta traducir esas relaciones en estructuras más manejables, es
decir, intenta modelizar esas relaciones funcionalmente a través de un análisis
fundamentalmente estadístico (establece relaciones funcionales en donde un
número finito de variables X1,…., Xk se supone que están relacionadas con una
variable Y a través de la expresión Y=f(X1….Xk). Desde este punto de partida, hay
2 enfoques con que abordar simultáneamente este tema:

1.- Teoría de la CORRELACIÓN:

Estudia el grado de dependencia existente entre las variables. Se llama

correlación al grado de dependencia mutua entre las variables. El problema que se
plantea será la medición de la intensidad con que dos variables pueden estar
relacionadas. Para ello recordemos que a través de la función de ajuste (curva de
regresión) expresábamos la estructura de la relación existente entre las variables y
que para cada valor de Xi obteníamos una diferencia llamada residuo, entre el
valor de Y en la nube de puntos y el correspondiente valor teórico obtenido en la
función.

Si todos los puntos de la nube estuvieran en la función, la dependencia sería

funcional, y el grado de dependencia sería el máximo posible. Cuanto más se
alejen los puntos de la función (mayores serán los residuos) iremos perdiendo
intensidad en la asociación. Esto nos indica a utilizar los residuos para medir la
dependencia y definimos la varianza residual como la media de todos los residuos
elevados al cuadrado para evitar que se compensen los residuos.

Coeficiente de correlación lineal:

Nos mide el grado de asociación lineal que existe entre las variables. Correlación está
ligado a regresión, es decir hablamos de correlación según una determinada curva de
regresión. Para determinar el coeficiente de correlación lineal partimos del coeficiente de
correlación general

La varianza residual es:

6
Nakamura Schoichiro. (1996). Métodos numéricos aplicados con software. México. Prentice-Hall
Hispanoamericana, S.A.
 UNIDAD V.- Interpolación y ajuste de funciones

Los valores teóricos en la recta son Ytj = a + b Xi Siendo

sustituyendo en la balanza residual

2.- REGRESIÓN:
Busca determinar la estructura de dependencia – modelización- que mejor
explique el comportamiento de la variable Y (variable DEPENDIENTE o
EXPLICADA) en función del conjunto de variables X1....Xk (variables
INDEPENDIENTES O EXPLICATIVAS), con las que se supone está relacionada.
5 Sean X e Y 2 variables cuya distribución conjunta de frecuencias (Xi Yj, nij).
Llamamos Regresión de Y sobre X: a la función que explica la variable y para
cada valor de X , Y=f(X) Regresión de X sobre Y: comportamiento de X para cada
valor de Y X=f(Y) Para la determinación de las funciones de regresión hay dos
criterios diferentes: Regresión I y Regresión II.

REGRESIÓN I:

REGRESIÓN I DE Y SOBRE X:
Considerando la nube de puntos, si nos preguntásemos cual sería el valor de Y
para X=Xi, existirían varios valores, consideraríamos que sería la media de las Y
cuya X sea X1, es decir, la media de las Yj cuya abscisa sea X1 (que no es otra
cosa que la media de Y condicionada a que X tome el valor X1, es decir asigna
para cada Xi, un Yj correspondiente a la media de Y condicionada a X=Xi. Los
puntos aparecen unidos por una línea para indicarnos que son puntos que
pertenecen a una misma regresión. REGRESIÓN I DE X SOBRE Y:
Asigna para cada Yj, un Xti correspondiente a la media de los Xi condicionados a
Y=Yj. El principal problema de la Regresión I es que está siempre unida por un
conjunto de puntos, y no por una curva continua, lo cual lo hace poco deseable
para nuestro fin fundamental (explicar una variable a través del comportamiento de
la otra). De ahí que se utilice de manera general el criterio de Regresión tipo II.
 UNIDAD V.- Interpolación y ajuste de funciones

REGRESIÓN II:

por ajuste mínimo-cuadrático:

Base: a través de la información suministrada, cuya representación gráfica es la
nube de puntos, 1) se selecciona un tipo de función y posteriormente 2) se ajusta
la mejor función de la familia seleccionada aplicando el método mínimo-cuadrático,
es decir minimizando los residuos al cuadrado. Regresión II de Y sobre X: Se trata
de minimizar

Regresión II de X sobre Y: Análogamente se trata de minimizar la suma

Donde Xit será el valor teórico de X para un Yj cualquiera. La diferencia práctica

entre los criterios de Regresión I y Regresión II es que en la Regresión I no fijamos
“a priori” el tipo de función, es decir, no seleccionamos ningún tipo de curva,
mientras que en la Regresión II esta elección es el primer paso a dar antes de
pasar al propio ajuste. (Schoichiro, 1996)

Explicación del tema de cada punto POR SUS PROPIAS PALABRAS

“Una técnica estadística que establece una ecuación para estimar el valor
desconocido de una variable, a partir del valor conocido de otra variable, (en vez
de valores de muchas otras variables) se denomina análisis de regresión simple.”
Por lo tanto, el análisis de regresión lineal simple, es el proceso general de
predecir una variable (Y) a partir de otra (X).
Las relaciones entre las variables pueden ser directas o también inversas.
• Relación directa: la pendiente de esta línea es positiva, porque la variable Y
crece a medida que la variable X también lo hace.
• Relación inversa: La pendiente de esta línea es negativa, porque a medida
que aumenta el valor de la variable Y, el valor de la variable X disminuye.
 UNIDAD V.- Interpolación y ajuste de funciones

Ejemplo:
Para determinar el coeficiente de correlación lineal partimos del coeficiente de
correlación general

La varianza residual es

Los valores teóricos en la recta son Ytj = a + b Xi Siendo b=Sxy/S2 x

Sustituyendo en la varianza residual

El coeficiente de correlación lineal:

El coeficiente de determinación lineal es:

r es un caso particular de R. Su campo de variación será el mismo -1≤r≤1.

Las rectas de regresión de Y sobre X, y de X sobre Y son respectivamente:
 UNIDAD V.- Interpolación y ajuste de funciones

El coeficiente de correlación lineal

Podemos relacionar r con los coeficientes de regresión b y b´.

Con lo que una nueva forma de las rectas de regresión:

Casos a considerar:

• Si r = 1, la varianza residual es cero, y los valores teóricos coinciden con los

observados, luego todos los puntos de la nube están en la recta, la
correlación lineal es perfecta positiva y las rectas de regresión coinciden, al
sustituir r por 1 quedarían:

que es la misma recta. En este caso la dependencia funcional existente

viene reflejada por una recta creciente, ya que la pendiente es positiva.
Cuando la correlación lineal es perfecta las dos rectas de regresión
coinciden (rectas crecientes y con pendientes inversas):
 UNIDAD V.- Interpolación y ajuste de funciones

• Si r = -1, la correlación es perfecta negativa. Aquí, también coinciden las

rectas, pero las pendientes son negativas y las rectas son decrecientes.

• Cuando r = 0, la correlación es nula y las dos rectas son:

2 rectas paralelas, cada una de ellas respecto a un eje, es decir,

perpendiculares entre sí con punto de corte (𝑥̅𝑦̅). Si tomamos la recta de
regresión de y/x que es 𝑦 = 𝑦̅, por mucho que varíe X, la variable Y no
varía, con lo que el grado de asociación es nulo. Igualmente se reproduce
en la recta de regresión x/y.
 UNIDAD V.- Interpolación y ajuste de funciones

5.5 Mínimos cuadrados7

Deducción analítica de la aproximación discreta mínimo cuadrático lineal.

Sea un conjunto de n pares con abscisas distintas, y
sea un conjunto de m funciones linealmente independientes (en un
espacio vectorial de funciones), que se llamarán funciones base. Se desea
encontrar una función de dicho espacio, o sea, combinación lineal de las
funciones base, tomando por ello la forma:

.
Ello equivale por tanto a hallar los m coeficientes: . En concreto, se
desea que tal función sea la mejor aproximación a los n
pares empleando, como criterio de "mejor", el criterio del mínimo error
cuadrático medio de la función con respecto a los puntos .
El error cuadrático medio será para tal caso:

Minimizar el error cuadrático medio es equivalente a minimizar el error cuadrático,

definido como el radicando del error cuadrático medio, esto es:

Así, los que minimizan también minimizan , y podrán ser calculados

derivando e igualando a cero este último:

Siendo i=1, 2, . . ., m

7
Nakamura Schoichiro. (1996). Métodos numéricos aplicados con software. México. Prentice-Hall
Hispanoamericana, S.A.
 UNIDAD V.- Interpolación y ajuste de funciones

Se obtiene un sistema de m ecuaciones con m incógnitas, que recibe el nombre

de "Ecuaciones Normales de Gauss". Operando con ellas:

para i=1, 2, . . ., m

para i=1, 2, . . ., m

Si se desarrolla la suma, se visualiza la ecuación "i-ésima" del sistema de m

ecuaciones normales:

para cada i=1, 2, . . ., m

Lo cual, en forma matricial, se expresa como:

Siendo el producto escalar discreto, definido para dos funciones dadas h(x)
y g(x) como:

y para una función h(x) y vector cualquiera u, como:

La resolución de dicho sistema permite obtener, para cualquier base de funciones

derivables localmente, la función f(x) que sea mejor aproximación mínimo
cuadrática al conjunto de puntos antes mencionado. La solución es óptima –esto
 UNIDAD V.- Interpolación y ajuste de funciones

es, proporciona la mejor aproximación siguiendo el criterio de mínimo error

cuadrático–, puesto que se obtiene al optimizar el problema.

(Schoichiro, 1996)

Explicación del tema de cada punto POR SUS PROPIAS PALABRAS

El método de mínimos cuadrados sirve para interpolar valores, dicho en otras

palabras, se usa para buscar valores desconocidos usando como referencia otras
muestras del mismo evento.

El método consiste en acercar una línea o una curva, según se escoja, lo más
posible a los puntos determinados por las coordenadas [x, f(x)], que normalmente
corresponden a muestras de algún experimento.

Cabe aclarar que este método, aunque es sencillo de implantar no es del todo
preciso, pero si proporciona una interpolación aceptable.

Ejemplo:
Supongamos que tenemos 4 pares de datos y que queremos ajustarlos al
polinomio de segundo grado y=a0+a1x+a2x2

x x0 x1 x2 x3
y y0 y1 y2 y3

Las ecuaciones (1) se escribirán

 UNIDAD V.- Interpolación y ajuste de funciones

agrupando términos

Volvamos al sistema de n+1 ecuaciones con n+1 incógnitas. Introduzcamos las

expresiones

(2)

Se obtiene el siguiente sistema de n+1 ecuaciones con n+1 incógnitas

(3)

Si todos los puntos son distintos, el sistema de ecuaciones tiene una solución
única.
 UNIDAD V.- Interpolación y ajuste de funciones

5.6 Problemas de aplicación

Ejemplo 1:
Calcule el polinomio de interpolación de Newton para los datos

Solución: El polinomio que se nos pide se puede escribir

Formamos la tabla de diferencias divididas para obtener los coeficientes

Ejemplo 2:
Calcule el polinomio de interpolación para la tabla dada usando el sistema y la
fórmula de Newton

Compruebe que ambas formas dan lugar al mismo polinomio.

Solución:

a) Por medio del sistema

Imponemos las condiciones de interpolación

Matricialmente
 UNIDAD V.- Interpolación y ajuste de funciones

Solución:

Solución:

Ejemplo 3:
Un a c om pañ í a d es e a h a c e r p re di cci on es del val o r an u al d e s u s v en t as
tot al e s en ci e rt o paí s a pa rti r d e l a r el aci ón d e é st as y l a r e n ta n aci on al .
Pa ra i n v e sti gar l a r e l aci ón cu en t a c on l o s si gu i en t e s dat o s:

X r ep r e s en ta l a r en t a n a ci on al en mi ll on e s d e eu r o s e Y r ep r e s en ta l as
v en ta s d e l a co mpa ñ í a en mi l e s d e eu r o s en el p e ri od o qu e va d e sd e
1990 h a st a 200 0 ( a mb os i n cl u si v e) . Cal cu l ar:
 UNIDAD V.- Interpolación y ajuste de funciones

1 La re ct a d e re g re s ió n d e Y s o br e X .

2 El c o ef ic i e nte d e c or r e l ac ió n l in e a l e i n t e rp r eta rl o .

3 Si en 2 001 l a r en t a n a ci on al d el paí s f u e d e 32 5 mi ll on e s de eu r os .
¿Cu ál s e r á l a p r edi c ci ón pa r a l as v en ta s d e l a c o mpa ñ í a en e st e añ o ?
 UNIDAD V.- Interpolación y ajuste de funciones

Conclusión

Al final del presente trabajo de investigación, pude observar una mejoría en mi

desempeño en el aprendizaje en la resolución de problemas relacionados con
interpolación, ajuste de funciones y polinomios, al resolverlos de manera manual y al
investigar a fondo en los libros de Métodos.
Con esto se ha concluido que la interpolación es muy necesaria en los casos que se
presenten así como se puede llegar a plasmar en una grafica con los datos obtenidos, al
estar haciendo el proceso específico para llegar a obtener el resultado.