Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 59 vistas

    Metodos Numerico-Investigacion Unidad-5

    Cargado por

    Abraham Antonio Lagunes Benitez
    Este documento presenta una unidad sobre métodos numéricos de interpolación y ajuste de funciones. Explica métodos como el polinomio de interpolación de Newton, el polinomio de interpolación de Lagrange, la interpolación segmentada lineal y cuadrática, la regresión y correlación, los mínimos cuadrados, y presenta un ejemplo de problema de aplicación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Metodos Numerico-Investigacion Unidad-5

    Cargado por

    Abraham Antonio Lagunes Benitez
    59 vistas11 páginas
    Este documento presenta una unidad sobre métodos numéricos de interpolación y ajuste de funciones. Explica métodos como el polinomio de interpolación de Newton, el polinomio de interpolación de Lagrange, la interpolación segmentada lineal y cuadrática, la regresión y correlación, los mínimos cuadrados, y presenta un ejemplo de problema de aplicación.

    Título original

    Metodos numerico-investigacion unidad-5

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta una unidad sobre métodos numéricos de interpolación y ajuste de funciones. Explica métodos como el polinomio de interpolación de Newton, el polinomio de interpolación de Lagrange, la interpolación segmentada lineal y cuadrática, la regresión y correlación, los mínimos cuadrados, y presenta un ejemplo de problema de aplicación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    59 vistas11 páginas

    Metodos Numerico-Investigacion Unidad-5

    Cargado por

    Abraham Antonio Lagunes Benitez
    Este documento presenta una unidad sobre métodos numéricos de interpolación y ajuste de funciones. Explica métodos como el polinomio de interpolación de Newton, el polinomio de interpolación de Lagrange, la interpolación segmentada lineal y cuadrática, la regresión y correlación, los mínimos cuadrados, y presenta un ejemplo de problema de aplicación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 11

    SECRETARÍA DE EDUCACIÓN PÚBLICA

    TECNOLÓGICO NACIONAL DE MÉXICO


    INSTITUTO TECNOLÓGICO DE VERACRUZ

    MATERIA: MÉTODOS NUMÉRICOS

    CARRERA: INGENERIA ELECTRICA


    SEMESTRE: 5
    MAESTRO: BRENDA EDITH MORALES FERNÁNDEZ

    ALUMNOS Y N.DE CONTROL: JOSE FERNANDO MENDOZA


    LEON -20020629.
    ALAN ENRIQUE HUTARDO DE MENDOZA ALARCON -21021274.
    ABRAHAM ANTONIO LAGUNES BENITEZ- 20020618

    TRABAJO: SINTESIS UNIDAD 5

    UNIDAD: 5

    FECHA DE ENTREGO: 29/09/2022

    H.VERACRUZ,VER.
    Introducción

    Interpolación y ajuste de funciones es frecuente de la necesidad de buscar


    funciones apropiadas a partir de datos que proceden de una población en la que se
    ha realizado un registro de informaciones o estudio estadístico, para que cumplan
    determinadas condiciones que nos interesen, como que sean continuas, derivables,
    etc. Con este objetivo trataremos de plantear distintos procedimientos para realizar
    la búsqueda de estas funciones, bien buscando una función que pase exactamente
    por una serie de puntos (función de interpolación) o bien que esa función elegida
    por nosotros se adapte lo mejor posible a una serie o a una nube de puntos (función
    de ajuste o regresión). La finalidad del cálculo de las funciones de interpolación se
    centra en la necesidad de obtener valores intermedios (INTERPOLACIÓN) o de
    valores fuera del intervalo para el que se dispone de datos (EXTRAPOLACIÓN). En
    esta unidad veremos temas como:

    5.1 Polinomio de interpolación de Newton: El método de Interpolación


    parabólica progresiva es recurrente y se basa en la idea de utilizar la interpolación
    introduciendo progresivamente dos, tres, cuatro puntos, etc. Esto es:

    donde:

    Ejemplo:

    Construir el polinomio interpolador por el método de Interpolación parabólica


    progresiva, que pase por los puntos:

    Se construyen los polinomios introduciendo progresivamente los puntos, de la


    siguiente manera:

    - En primer lugar se calcula la recta que pasa por los puntos:


    - A continuación, se construye una parábola cuadrática que pase por los puntos:

    siendo:

    y sustituyendo:

    - Y finalmente la parábola cúbica que pasa por los cuatro puntos:

    siendo:

    sustituyendo:
    obteniéndose el polinomio interpolador para los cuatro puntos:

    5.2 Polinomio de interpolación de Lagrange: llamado así en honor a Joseph-


    Louis de Lagrange, es una forma de presentar el polinomio que interpola un conjunto
    de puntos dado. Lagrange publicó este resultado en 1795, pero lo descubrió Edward
    Waring en 1779 y fue redescubierto más tarde por Leonhard Euler en 1783.1 Dado
    que existe un único polinomio interpolador para un determinado conjunto de puntos,
    resulta algo engañoso llamar a este polinomio el polinomio interpolador de
    Lagrange. Ejemplo:

    5.3 Interpolación segmentada: Esta interpolación se llama interpolación


    segmentaria o interpolación por splines. La idea central es que en vez de usar un
    solo polinomio para interpolar los datos, podemos usar segmentos de polinomios y
    unirlos adecuadamente para formar nuestra interpolación. Cabe mencionar que
    entre todas, las splines cúbicas han resultado ser las más adecuadas para
    aplicaciones como la mencionada anteriormente. Así pues, podemos decir de
    manera informal, que una funcion spline está formada por varios polinomios, cada
    uno definido en un intervalo y que se unen entre si bajo ciertas condiciones de
    continuidad. Además, que cuenta con otro tema llamado Interpolación Segmentaria
    Lineal, este es el caso más sencillo. En él, vamos a interpolar una función f(x) de la
    que se nos dan un número N de pares (x,f(x)) por los que tendrá que pasar nuestra

    función polinómica P(x). Esta serie de funciones nuestras van a ser lineales, esto

    es, con grado 1: de la forma P(x) = ax + b.

    Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un
    total de (N-1) funciones, haciéndolas pasar obligatoriamente por los puntos que
    van a determinarlas, es decir, la función P(x) será el conjunto de segmentos que

    unen nodos consecutivos; es por ello que nuestra función será continua en dichos

    puntos, pero no derivable en general. Interpolación Segmentaria Cuadrática

    En este caso, 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.

    5.4 Regresión y correlación: En forma más especifica el análisis de correlación y


    regresión comprende el análisis de los datos muestrales para saber qué es y cómo
    se relacionan entre si dos o más variables en una población. El análisis de
    correlación produce un número que resume el grado de la correlación entre dos
    variables; y el análisis de regresión da lugar a una ecuación matemática que
    describe dicha relación. El análisis de correlación generalmente resulta útil para un
    trabajo de exploración cuando un investigador o analista trata de determinar que
    variables son potenciales importantes, el interés radica básicamente en la fuerza de
    la relación. La correlación mide la fuerza de una entre variables; la regresión da
    lugar a una ecuación que describe dicha relación en términos matemáticos

    Los datos necesarios para análisis de regresión y correlación provienen de


    observaciones de variables relacionadas. La regresión lineal simple comprende el
    intento de desarrollar una línea recta o ecuación matemática lineal que describe la
    reacción entre dos variables. La regresión puede ser utilizada de diversas formas.
    Se emplean en situaciones en la que las dos variables miden aproximadamente lo
    mismo, pero en las que una variable es relativamente costosa, o, por el contrario,
    es poco interesante trabajar con ella, mientras que con la otra variable no ocurre lo
    mismo. La finalidad de una ecuación de regresión seria estimar los valores de una
    variable con base en los valores conocidos de la otra. Otra forma de emplear una
    ecuación de regresión es para explicar los valores de una variable en término de
    otra. Es decir, se puede intuir una relación de causa y efecto entre dos variables. El
    análisis de regresión únicamente indica qué relación matemática podría haber, de
    existir una. Ni con regresión ni con la correlación se pude establecer si una variable
    tiene “causa “ciertos valores de otra variable.

    5.5 Mínimos cuadrados: Es un procedimiento de análisis numérico en la que,


    dados un conjunto de datos (pares ordenados y familia de funciones), se intenta
    determinar la función continua que mejor se aproxime a los datos (línea de
    regresión o la línea de mejor ajuste), proporcionando una demostración visual de
    la relación entre los puntos de los mismos. En su forma más simple, busca
    minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos)
    entre los puntos generados por la función y los correspondientes datos. Este
    método se utiliza comúnmente para analizar una serie de datos que se obtengan
    de algún estudio, con el fin de expresar su comportamiento de manera lineal y así
    minimizar los errores de la data tomada. La creación del método de mínimos
    cuadrados generalmente se le acredita al matemático alemán Carl Friedrich
    Gauss, quien lo planteó en 1794 pero no lo publicó sino hasta 1809. El matemático
    francés Andrien-Marie Legendre fue el primero en publicarlo en 1805, este lo
    desarrolló de forma independiente. 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:
    Σ es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en
    estudio y n la cantidad de datos que existen.

    5.6 Problemas de aplicación:

    Situación del problema y Organización de la información…

    El número de bacterias por unidad de volumen existentes en una incubación


    después de “x” horas es representado en la siguiente tabla:

    Determinar el volumen de bacterias en 3.5 horas.

    Planteamiento del problema Un modelo matemático es una representación de un fenómeno


    o una situación. Se llama modelo matemático, cuando se expresa en lenguaje formal, que
    puede ser manipulable algebraicamente. Estos se utilizan para expresar cantidades,
    variables, proporciones, tablas, etc. A grandes rasgos, permite expresar toda cantidad física
    tangible e intangible en unidades algebraicas, esto ayuda a abstraer aspectos físicos del
    entorno en algo matemático y manipulable. El planteamiento del problema se refiere a la
    estructuración de la información. En cierta forma, ayuda a delimitar el alcance que tiene y
    las variables que se deben considerar, así como el camino que se debe de tomar para poder
    darle solución. En este problema un grupo de científicos incuba una cantidad de bacterias,
    con el fin de obtener datos específicos como puede ser el tiempo de reproducción, la
    cantidad de bacterias obtenidas al cabo de ciertas horas de incubación, etc. En este caso,
    los científicos han tomado muestras de la incubación de las bacterias cada hora y se ha
    llevado un registro de cuantas bacterias se han desarrollado por cada hora, pero ahora
    quieren saber cuántas bacterias se han desarrollado al cabo de 3.5 horas desde el inicio
    del experimento.

    Análisis del modelo matemático A continuación, se muestra un gráfico con los datos
    obtenidos, y poder hacer una aproximación de la cantidad de bacterias que pudieran estar
    en las 3.5 horas y así entender de una forma más visual lo que se plantea:

    Relación de tiempo, volumen de bacterias

    En el gráfico se observa una tendencia positiva del volumen de bacterias. Se


    empíricamente se genera un número ajustado, la gráfica ahora se mostraría de la
    siguiente forma. Aproximación empírica del resultado

    Haciendo esta aproximación, se puede ver que podrían existir 110 bacterias después de
    3.5hrs, pero en realidad, esta aproximación es errónea, ya que no tiene ningún sustento
    más que seguir la línea de tendencia del gráfico.
    Los métodos numéricos de solución

    Se aplicarán distintos métodos de interpolación.

    Ejemplo 2:
    Estimar el logaritmo natural de 3 aplicando interpolación lineal. Los datos conocidos son:

    x ln x
    1 0
    6 1.791759

    Repetir el procedimiento con los siguientes datos:

    x ln x
    1 0
    4 1.386294

    La figura 1, presenta el resultado de estas dos interpolaciones lineales. Note que un intervalo
    más próximo a x proporciona un mejor resultado, con respecto al valor real (ln3 = 1.09861229).

    Figura 1. Resultados de la interpolación lineal de Lagrange para estimar el logaritmo natural


    de 3.
    Ejemplo 3

    Estimar el logaritmo natural de 3 aplicando interpolación cuadrática. Los datos conocidos son:

    x ln x
    1 0
    4 1.386294
    6 1.791759

    La figura 2, presenta el resultado de la interpolación cuadrática (línea color rojo). La línea verde
    es una interpolación lineal la cual trabaja con intervalo más próximo a x = 3. Note que un
    intervalo más próximo a x proporciona un mejor resultado (sin importar el grado del polinomio
    utilizado) con respecto al valor real (ln 3 = 1.09861229).

    Figura 2. Resultados de la interpolación cuadrática de Lagrange para estimar el logaritmo


    natural de 3.
    Examen unidad 5

    Responder las siguientes preguntas y enviarlas aquí como PDF:

    1) ¿Qué entendiste por Interpolación y Ajuste de Funciones? Es un proceso de usar


    puntos con valores conocidos o en una muestra de puntos para estimar valores en
    puntos desconocidos. Y el ajuste de funciones es cuando le ayuda a encontrar las
    posiciones exactas al editar en la ventana de Proyecto. Lo hace restringiendo los
    movimientos horizontales y forzando ciertas posiciones. Las operaciones afectadas
    por Ajustar incluyen desplazar, copiar, dibujar, redimensionar, dividir, selección de
    rangos, o algo por el estilo.

    2) ¿Para qué te sirvió la aplicación que hiciste? Para poder hacer estimaciones
    sobre un ejemplo de la vida real acerca de la interpolación y del ajuste de funciones,
    claro todo eso aplicado en la ingeniería eléctrica.

    3) ¿Sobre qué tema fue? Sobre el análisis y la aplicación de métodos de


    interpolación y a su vez poder entender y hacer le un ajuste en la respectiva función.

    4) ¿Qué mejoras hiciste? Prácticamente lo único que tuve que hacer fue como
    adaptar un problema similar a este a lo que yo estoy estudiando, tomando como
    ejemplo o base el caso de las bacterias o en este caso para estimar ciertos
    logaritmos.

    También podría gustarte