Ajuste De Curvas Josue Becerra Rico May 16, 2016
1
1
´ INTE INTERPO RPOLA LACI CI ON
Abstract Muchas veces al realizar medici´ones ones experimentales, obtenemos datos los cuales nos brindan informaci´on on sobre el experimento. Estos datos pueden tener un comportamiento similar al de una funci´on, on, pero ¿C´omo omo saber a que funci´on on se parecen? Con diversos m´etodos etodos de ajuste de curvas curvas podemos obtener un polinomio polinomio o ecuaci´ ecuaci´ on on que modele estos datos, podemos trabajar m´as as f´acilmente acilmente e incluso hacer predicciones de como se comportar´a. a.
1
Inte Interpo rpola laci ci´ ´ on on
1.1 1.1
Inte Interpo rpola laci ci´ ´ on on Lineal
La forma m´as as simple de interpolaci´on on consiste consiste en unir dos puntos puntos con una l´ınea recta. Dicha Dicha t´ecnica ecn ica,, llamad lla madaa interpolaci´ on lineal f 1 (x) − f ( f (x0 ) f ( f (x1 ) − f ( f (x0 ) = x − xo x1 − x0 despejando podemos obtener f 1 (x) = f ( f (x0 ) +
f 1 (x) − f ( f (x0 ) (x − x0 ) x − xo
(1)
que es una f´ notaci´on ´on f 1 (x) designa que ´este este es un poliormula de interpolaci´ on lineal . La notaci nomio de interpolaci´ interpolaci´ on de primer grado. Observe que adem´as on as de representar la pendiente de la l´ınea que une los puntos, el t´ermino ermino [f ( f (x1 )–f )–f ((x0 )]/ )]/(x1 –x0 ) es una aproximaci´on on en diferencia dividida finita a la primer derivada. En general, cuanto menor sea el intervalo entre los datos, mejor ser´a la aproximaci aproximaci´ on. o´n. Esto se debe al hecho hecho de que, conforme el intervalo intervalo disminuye, disminuye, una funci´ on on continua estar´a mejor aproximada por p or una l´ınea recta. 1.2 1.2
Polin olinom omio io de Newt Newton on
El an´alisis alisis anterior puede generalizarse para ajustar un polinomio de n − ´ esimo grado esimo grado a n + 1 datos. El polinomio de n de n − ´ esimo grado esimo grado es f n (x) = b 0 + b + b1 (x − x0 ) + · · · + bn (x − x0 )(x )(x − x1 ) · · · (x − xn
a1 )
−
(2 )
Los puntos asociados con datos se utilizan para evaluar los coeficientes b0 , b1 , . . . , bn . Para Para un polinomio de n de n − esimo grado e´simo grado se requieren n +1 puntos: [x [x0 , f ( f (x0 )], )], [x1 , f ( f (x1 )], )], · · · , [xn , f ( f (xn )]. Usamos estos datos y las siguientes ecuaciones para evaluar los coeficientes: b0 = f = f ((x0 )
(3)
= f [[x1 , x0 ] b1 = f
(4)
b1 = f [ f [x2 , x1 , x0 ] . ..
(5)
bn = f = f [[xn , xn
1 , · · · , x1 , x0 ]
−
(6) (7)
donde las evaluaciones de la funci´on on colocadas entre par´ pa r´entesis entesis son diferencias divididas finitas. Por ejemplo, la primera diferencia dividida finita en forma general se representa como f [ f [xi , x j ] =
f ( f (xi ) − f ( f (x j ) xi − x j
2
(8)
1.2
Polinomio de Newton
1
´ INTERPOLACION
La segunda diferencia dividida finita, que representa la diferencia de las dos primeras diferencias divididas, se expresa en forma general como f [xi , x j ] − f [ x j , xk ] xi − xk En forma similar, la n − ´ esima diferencia dividida finita es f [xi , x j , xk ] =
f [xn , xn − 1, . . . , x1 , x0 ] =
f [xn , xn
(9)
1 , . . . , x1 ] − f [xn−1 , xn−2 , . . . , x0 ]
−
(10) xn − x0 Estas diferencias sirven para evaluar los coeficientes en las ecuaciones (27) a (31) los cuales se sustituir´an en la ecuaci´on (26) para obtener el polinomio de in- terpolaci´on f n (x) = f (x0 )+(x−x0 )f [x1 , x0 ]+(x−x0 )(x−x1 )f [x2 , x1 , x0 ]+. . .+(x−x0 )(x−x1 )f [xn , xn
1 , · · · ,
−
(11) que se conoce como polinomio de interpolaci´on de Newton en diferencias divididas. Debe observarse que no se requiere que los datos utilizados en la ecuaci´on (35) est´en igualmente espaciados o que los valores de la abscisa est´en en orden ascendente. Tambi´ en, advierta c´omo las ecuaciones (32) a (34) son recursivas (es decir, las diferencias de orden superior se calculan tomando diferencias de orden inferior) 1.2.1
Errores de la interpolaci´ on polinomial de Newton
Observe que la estructura de la ecuaci´on (35) es similar a la expansi´on de la serie de Taylor en el sentido de que se van agregando t´ erminos en forma secuencial, para mostrar el comportamiento de orden superior de la funci´on. Estos t´erminos son diferencias divididas finitas y, as´ı, representan aproximaciones de las derivadas de orden superior. En consecuencia, como ocurri´o con la serie de Taylor, si la funci´on verdadera es un polinomio de n − e´simo grado, entonces el polinomio de interpolaci´ on de n − e´simo grado basado en n + 1 puntos dar´ a resultados exactos. Tambi´ en, como en el caso de la serie de Taylor, es posible obtener una formulaci´on para el error de truncamiento. El error de truncamiento en la serie de Taylor se expresa en forma general como f n+1 (ζ ) (xi+1 − xi )n+1 (12) (n + 1) donde ζ est´a en alguna parte del intervalo de x i a x i+1 . Para un polinomio de interpolaci´on de n − ´ esimo grado, una expresi´on an´ aloga para el error es Rn =
f n+1 (ζ ) Rn = (x x0 )(x x1 ) · · · (x xn ) (13) (n + 1) donde ζ est´a en alguna parte del intervalo que contiene la inc´ognita y los datos. Para que esta f´ormula sea u ´ til, la funci´on en turno debe ser conocida y diferenciable. Por lo com´ un ´este no es el caso. Por fortuna, hay una formulaci´ on alternativa que no requiere del conocimiento previo de la funci´on. Utiliz´andose una diferencia dividida finita para aproximar la (n + 1) − ´esima derivada, −
−
−
Rn = f [x, xn , xn − 1, · · · , x0 ](x x0 )(x x1 ) · · · (x xn ) −
−
−
(14)
donde f [x, xn , xn–1 , . . . , x0 ] es la (n + 1) − e´sima diferencia dividida finita. Debido a que la ecuaci´ on (38) contiene la inc´ognita f (x), no permite obtener el error. Sin embargo, si se tiene un dato m´as, f (xn + 1), la ecuaci´on () puede usarse para estimar el error como sigue: Rn ∼ = f [xn+1],x
n
,xn −1,··· ,x0 ](x− x0 )(x− x1 )···(x− xn )(15)
3
x0 ]
1.3
Polinomio de Lagrange
1.3
1
´ INTERPOLACION
Polinomio de Lagrange
El polinomio de interpolaci´on de Lagrange es simplemente una reformulaci´on del polinomio de Newton que evita el c´alculo de las diferencias divididas, y se representa de manera concisa como f n (x) =ni=0 L i (x)f (xi )
(16)
donde n
Li (x) =
j = 0 j = i
x − x j xi − x j
(17)
Por ejemplo, la versi´on lineal (n = 1) es f 1 (x) =
x − x1 x − x0 f (x0 ) + f (x1 ) x0 − x1 x1 − x0
(18)
La ecuaci´on (41) se obtiene de manera directa del polinomio de Newton . Sin embargo, el razonamiento detr´ as de la formulaci´on de Lagrange se comprende directamente al darse cuenta de que cada t´ermino Li (x) ser´a 1 en x = xi y 0 en todos los otros puntos. De esta forma, cada producto L i (x)f (xi ) toma el valor de f (xi ) en el punto x i . En consecuencia, la sumatoria de todos los productos en la ecuaci´o n (41) es el ´unico polinomio de n-´esimo grado que pasa exactamente a trav´es de todos los n + 1 puntos, que se tienen como datos. 1.3.1
Obtenci´ on del polinomio de Lagrange directamente a partir del polinomio de interpolaci´ on de Newton
El polinomio de interpolaci´on de Lagrange se obtiene de mane- ra directa a partir de la formulaci´ o n del polinomio de Newton. Haremos esto u ´ nicamente en el caso del polinomio de primer grado[ecuaci´ on (25)]. Para obtener la forma de Lagrange, reformulamos las diferencias divididas. Por ejemplo, la primera diferencia dividida, f (x1 ) − f (x0 ) x1 − x0
(19)
f (x1 ) f (x0 ) + x1 − x0 x0 − x1
(20)
f [x1 , x0 ] = se reformula como f [x1 , x0 ] =
conocida como la forma sim´etrica. Al sustituir la ecuaci´on (44) en la (25) se obtiene f 1 (x) = f (x0 ) +
x − x0 x − x0 f (x1 ) + (f (x0 ) x1 − x0 x0 − x1
Por u ´ltimo, al agrupar t´erminos semejantes y simplificar se ob- tiene la forma del polinomio de Lagrange, f 1 (x) =
x − x1 x − x0 f (x0 ) + f (x1 ) x0 − x1 x1 − x0
Por inspecci´on tenemos que (42) y (45) son iguales m´as general del polinomio de Newton.
4
∴
(21)
el polinomio de Lagrange en una forma
1.4
Trazadores
1.4
1
´ INTERPOLACION
Trazadores
Los trazadores no es m´a s que la uni´o n m´as simple entre dos puntos es una l´ınea recta. Los trazadores de primer grado para un grupo de datos ordenados pueden definirse como un conjunto de funciones lineales, f (x) = f (x0 ) + m0 (x − x0 )
x0 ≤ x ≤ x 1
f (x) = f (x1 ) + m1 (x − x1 )
x1 ≤ x ≤ x 2
.. . f (x) = f (xn
1 ) + mn−1 (x
−
− xn−1 )
xn
1 ≤ x ≤ x n
−
donde m i es la pendiente de la l´ınea recta que une los puntos: f (xi + 1)–f (xi ) (22) xi+1 –xi Estas ecuaciones se pueden usar para evaluar la funci´on en cualquier punto entre x0 y xn localizando primero el intervalo dentro del cual est´a el punto. Despu´es se usa la ecuaci´on adecuada para determinar el valor de la funci´on dentro del intervalo. El m´etodo es obviamente id´entico al de la interpolaci´on lineal. En esencia, en los puntos donde se encuentran dos trazadores (llamado nodo), la pendiente cambia de forma abrupta. Formalmente, la primer derivada de la funci´ on es discontinua en esos puntos. Esta deficiencia se resuelve usando trazadores polinomiales de grado superior, que aseguren suavidad en los nodos al igualar las derivadas en esos puntos. mi =
1.4.1
Tazadores (splines) C´ ubicos
El objetivo en los trazadores c´ubicos es obtener un polinomio de tercer grado para cada intervalo entre los nodos: f i (x) = a i x3 + bi x2 + ci x + d
(23)
As´ı, para n+1 datos (i = 0, 1, 2, . . . , n), existen n intervalos y, en consecuencia, 4n inc´ognitas a evaluar. Como con los trazadores cuadr´ aticos, se requieren 4n condiciones para evaluar las ´ inc´ognitas. Estas son: • Los valores de la funci´on deben ser iguales en los nodos interiores (2n–2 condiciones).
´ ltima funci´on deben pasar a trav´es de los puntos extremos (2 condiciones). • La primera y u • Las primeras derivadas en los nodos interiores deben ser iguales (n–1 condiciones). • Las segundas derivadas en los nodos interiores deben ser iguales (n–1 condiciones). • Las segundas derivadas en los nodos extremos son cero (2 condiciones).
La interpretaci´ on visual de la condici´on 5 es que la funci´on se vuelve una l´ınea recta en los nodos extremos. La especificaci´ on de una condici´on tal en los extremos nos lleva a lo que se denomina trazador “natural”.Si el valor de la segunda derivada en los nodos extremos no es cero (es decir, existe alguna curvatura), es posible utilizar esta informaci´on de manera alternativa para tener las dos condiciones finales. Los cinco tipos de condiciones anteriores proporcionan el total de las 4n ecuaciones requeridas para encontrar los 4n coeficientes. Mientras es posible desarrollar trazadores c´ ubicos de esta forma, presentaremos una t´ecnica alternativa que requiere la soluci´on de s´olo n–1 ecuaciones. 5
1.4
Trazadores
1.4.2
1
´ INTERPOLACION
Obtenci´ on de trazadores c´ ubicos
El primer paso en la obtenci´on (Cheney y Kincaid, 1985) se considera la observaci´o n de c´omo cada par de nodos est´a unida por una c´ ubica; la segunda derivada dentro de cada intervalo es una l´ınea recta. La ecuaci´on (47) se puede derivar dos veces para verificar esta observaci´on. Con esta base, la segunda derivada se representa mediante un polinomio de interpolaci´o n de Lagrange de primer grado [ecuaci´ on (42)]:
f 1 (x) = f i (xi
1)
−
x − xi x − xi + f i (xi ) xi 1 − xi xi − xi
−
1
−
(24)
1
−
donde f i (x) es el valor de la segunda derivada en cualquier punto x dentro del i − ´esimo intervalo. As´ı, esta ecuaci´on es una l´ınea recta, que une la segunda derivada en el primer nodo f (xi–1 ) con la segunda derivada en el segundo nodo f (xi ). Despu´es, la ecuaci´on (48) se integra dos veces para obtener una expresi´on para f i (x). Sin embargo, esta expresi´ on contendr´ a dos constantes de integraci´on desconocidas. Dichas constantes se eval´uan tomando las condiciones de igualdad de las funciones [f (x) debe ser igual a f (xi–1 ) en x i–1 y f (x) debe ser igual a f (xi ) en x i )]. Al realizar estas evaluaciones, se tiene la siguiente ecuaci´on c´ ubica:
f i (xi1 ) f (xi ) (xi x)3 + i (xxi 6(xi xi1 ) 6(xi xi1 )
f (xi 1 f i (xi (xi xi1 )) f (xi 1 f i (xi (xi xi1 )) ](xi x)[ ](x−xi − − xi xi1 6 xi xi1 6 (25) Observe que contiene s´olo dos “coeficientes” desconocidos; es decir, las segundas derivadas al inicio y al final del intervalo: f (xi–1 ) y f (xi ). De esta forma, si podemos determinar la segunda derivada en cada nodo, la ecuaci´on (49) es un polinomio de tercer grado que se utiliza para interpolar dentro del intervalo. Las segundas derivadas se eval´ uan tomando la condici´on de que las primeras derivadas deben ser continuas en los nodos: f i (x) =
3 1 ) +[
−
−
−
1)
−
f i–1 (xi ) = f i (xi )
(26)
La ecuaci´on (49) se deriva para ofrecer una expresi´ on de la primera derivada. Si se hace esto tanto para el (i–1) − ´ esimo, como para i − ´ esimo intervalos, y los dos resultados se igualan de acuerdo con la ecuaci´on (50), se llega a la siguiente relaci´on: (x − xi
1 )f (xi−1 ) + 2(xi+1 − xi−1 )f (xi ) + (xi+1 − xi−1 )f (xi+1 ) 6 [f (xi+1 ) − f (xi )] + (xi −6xi−1 ) [f (xi−1 ) − f (xi )] xi+1−xi
−
=
(27)
Si la ecuaci´on (51) se escribe para todos los nodos interiores, se obtienen n–1 ecuaciones simult´ aneas con n + 1 segundas derivadas desconocidas. Sin embargo, como ´esta es un trazador c´ubico natural, las segundas derivadas en los nodos extremos son cero y el problema se reduce a n–1 ecuaciones con n–1 inc´ognitas. Adem´ as, observe que el sistema de ecuaciones ser´a tridiagonal. As´ı, no s´ olo se redujo el n´ umero de ecuaciones, sino que las organizamos en una forma extremadamente f´acil de resolver. Por inspecci´on (se deja la demostraci´on al lector) obtenemos:
f i (x) =
f i (xi1 ) f (xi ) (xi x)3 + i (xxi 6(xi xi1 ) 6(xi xi1 )
3 1 ) +[
−
f (xi 1 f i (xi (xi xi1 )) f (xi 1 f i (xi (xi xi1 )) − − ](xi x)[ ](x−xi xi xi1 6 xi xi1 6 (28) −
6
−
1)
−
2
2
CAP´ ITULO 17. CHAPRA
Cap´ıtulo 17. Chapra
2.1
Problema 17.1
Dados los datos 8.8 9.4 10.0 9.8 10.1 9.5 10.1 10.4 10.5 9.5 9.8 9.2 7.9 8.9 9.6 9.4 11.3 10.4 8.8 10.2 10.0 9.4 9.8 10.6 8.9. Determine: a) la media b) la desviaci´on est´andar c) la varianza d) el coeficiente de variaci´on e) el intervalo de confianza del 95% para la media. 2.1.1
Soluci´ on
Utilizando las f´ormulas dadas en el libro de M´etodos Num´ericos Para Ingenieros, Chapra. Se calcul´o cada uno de los incisos anteriores con ayuda del programa LibreOffice Calc, obteniendo los siguentes resultados. Resultados a) 9.65200043 b) 0.689181446 c) 0.475294587 d) 7.135569122 ∗ 10
2
−
e) (8.18545723 : 11.1185436) 2.2
Problema 17.4
Utilice la regresi´on por m´ınimos cuadrados para ajustar una l´ınea recta a x y
0 5
2 6
4 7
6 6
9 9
11 8
12 7
15 10
17 12
19 12
Adem´as de la pendiente y la intersecci´on, calcule el error est´a n- dar de la estimaci´o n y el coeficiente de correlaci´on. Haga una gr´ afica de los datos y la l´ınea de regresi´on. Despu´es repita el problema, pero ahora efect´ ue la regresi´on de x versus y, es decir, intercambie las variables. Interprete sus resultados. Soluci´ on La regresi´on de m´ınimos cuadrados se realiz´o con el algoritmo proporcionado en el libro de M´etodos Num´ericos Para Ingenieros, Chapra. Mediente el uso del programa LibreOffice Calc y se obtuvo la siguiente ecuaci´on de recta, y se realiz´o la gr´ afica con el programa Octave. y = 4.851515 + 0.352470x
7
(29)
2.2
Problema 17.4
2
CAP´ ITULO 17. CHAPRA
Figure 1: Ajuste de los datos del problema 17.4
El error est´ andar de la aproximaci´on result´o ser:1.065. Y el coeficiente de correlaci´ o n es de: 0.836 Al intercambiar variables se obtiene la siguiente ecuaci´ on: − 9.967 + 2.374x
Con los siguientes resultados b) Coeficiente de correlaci´ on =−0.836 a) Error est´ andar = 1.065
8
(30)
2.3
Problema 17.5
2
CAP´ ITULO 17. CHAPRA
Figure 2: Ajuste de los datos del problema 17.4 con las variables invertidas
2.3
Problema 17.5
Use la regresi´on por m´ınimos cuadrados para ajustar una l´ınea recta a: x y
6 29
7 21
11 29
15 14
17 21
21 15
23 7
29 7
29 13
37 0
39 3
Adem´as de la pendiente y la intersecci´on, calcule el error est´andar de la estimaci´on y el coeficiente de correlaci´o n. Haga una gr´ afica de los datos y la l´ınea de regresi´on. ¿Si otra persona hiciera una medici´on adicional de x = 10, y = 10, usted pensar´ıa, con base en una evaluaci´ on visual y el error est´andar, que la medici´on era v´alida o inv´alida? Justifique su conclusi´on. Soluci´ on Para este conjunto de datos se obtuvieron los siguientes resultados a) y = 31.7859 − 0.83071x b) Error est´ andar = 4.4763 c) Coeficiente de correlaci´ o n = 0.4921 No es v´alida, porque se aleja demasiado de la desviaci´on est´andar.
9
2.4
Problema 17.8
2
CAP´ ITULO 17. CHAPRA
Figure 3: Ajuste de los datos del problema 17.5
2.4
Problema 17.8
Ajuste los datos siguientes con: a) un modelo de tasa de crecimiento de saturaci´on b) una ecuaci´on de potencias c)una par´ abola En cada caso, haga una gr´ afica de los datos y la ecuaci´on. x y
0.75 1.2
2 1.95
3 2
4 2.4
6 2.4
8 2.7
8.5 2.6
Modelo de tasa de crecimiento de saturaci´on Para hacer este modelo se propone la siguiente ecuaci´on. k = k max
f K + f
Donde f es la cantidad de recursos k tasa de crecimiento K es la cantidad de recursos para la cual k = 21 kmax Para encontrar los valores de k max y K se hace el cambio de variable y = y x =
10
1 k
1 f
(31)
2.4
Problema 17.8
2
CAP´ ITULO 17. CHAPRA
Con lo que obtenemos la siguiente ecuaci´on: y =
K kmax
x +
1 kmax
(32)
Una vez que hacemos el cambio de variable obtenemos la siguiente recta: y = 0.3415 + 0.3693x ∴
kmax = 2.927 K = 1.08
Figure 4: Ajuste de los datos con modelo de tasa de saturaci´on
Ecuaci´ on de potencias Para este ajuste se propone una ecuaci´on de la forma: y = ax b
(33)
Para hacer este ajuste, primero se aplica el loaritmo a ambos lados para obtener una ecuaci´on lineal que posteriormente es ajustada por m´ınimos cuadrados. Se tiene que: lny = lna + blnx
y = c + bx
11
2.4
Problema 17.8
2
CAP´ ITULO 17. CHAPRA
Despu´ es de aplicar e logaritmo se obtiene la siguiente recta de m´ınimos cuadrados
y = 0.3529 + 0.3114x
∴
a = 1.423 b = 0.3114 y = 1.423x.3114
Figure 5: Ajuste de los datos con modelo de potencia
Par´abola Mediante el programa LibreOffice Calc, se emple´o el algoritmo de regresi´on polinomial y se obtuvo un polinomio de segundo orden mediante la siguiente ecuaci´on de segundo grado: y = 0.9434 + 0.4499x − 0.0307x2
12
(34)
3
CAP´ ITULO 18. CHAPRA
Figure 6: Ajuste de los datos con una par´ abola
3 3.1
Cap´ıtulo 18. Chapra Problema 18.1
Estime Estime el logaritmo natural de 10 por medio de interpolaci´on lineal. a) Interpole entre log 8 = 0.9030900 y log 12 = 1.0791812. b) Interpole entre log 9 = 0.9542425 y log 11 = 1.0413927. Para cada una de las interpolaciones calcule el error relativo porcentual con base en el valor verdadero. La f´ormula de la interpolaci´ on lineal es: y =
x − x1 (y2 − y1 ) + y1 x2 − x1
a) Al aplicar con esta f´ormula con y1 = log8, y2 = log12, x1 = 8 y x2 = 12. Se obtiene: log10 = .9911, valor que tiene un error porcentual de 0.88% b) Al aplicar con esta f´ormula con y1 = log9, y2 = log11, x1 = 9 y x2 = 11. Se obtiene: log10 = .9978176, valor que tiene un error porcentual de 0.21% 3.2
Problema 18.2
Ajuste un polinomio de interpolaci´on de Newton de segundo orden para estimar el log 10, con los datos del problema 18.1 en x = 8, 9 y 11. Calcule el error relativo porcentual verdadero. Soluci´ on Para construir el polinomio de Newton, se utilizo el software LibreOffice Calc. Se elabor´o un polinomio de orden 2 con los datos (8,log8) y (11,log11). El polinomio obtenido es el siguiente: f (x) = 0.90308 + 0.0461(x − 8) − 0.00607(x − 11)(x − 8) Evaluando se obtiene: f (10) = 1.0074 el cual tiene error relativo porcentual verdadero de 0.7% 13
3.3
Problema 18.3
3.3
3
CAP´ ITULO 18. CHAPRA
Problema 18.3
Ajuste un polinomio de interpolaci´on de Newton de tercer orden para estimar log 10 con los datos del problema 18.1. Ajuste un polinomio de interpolaci´on de Newton de tercer orden para estimar log 10 con los datos del problema 18.1. Soluci´ on Se eligieron los datos (8,log8), (9,log9) y (12,log12). Se obtuvo el siguiente ploinomio f (x) = .90308 + .0511(x − 8) − .002376(x − 9)(x − 8) + .000373(x − 9)(x − 8)(x − 12) Al evaluar, se obtiene f (10) = .999 lo cual tiene un error porcentual de 0.1% 3.4
Problema 18.4
Dados los datos x f(x)
1.6 2
2 8
2.5 14
3.2 15
4 8
4.5 2
a) Calcule f(2.8) con el uso de polinomios de interpolaci´on de Newton de ´ordenes 1 a 3. Elija la secuencia de puntos m´as apropiada para alcanzar la mayor exactitud posible para sus estimaciones. b) Utilice la ecuaci´on (18.18) para estimar el error de cada predicci´on. Soluci´ on 3.4.1
Orden 1
Tomando el punto (2.5, 14) se obtiene la siguiente ecuaci´on: f (x) = 14 + 5.599(x − 2.5) f (2.8) = 15.6797 La ecuaci´on 18.18 establece que: Rn f [xn+1, xn , xn
1 ,...,x 0 ](x
−
− x0 )(x − x1 )...(x − xn )
(35)
Al aplicarla al polinomio de orden 1 se obtiene que el error es de aproximadamente 1 .6797 Al aplicar (7) polinomio de orden 2 se obtiene que el error es de aproximadamente 0.156 3.4.2
Orden 2
Tomando los puntos (2.5, 14) y (3.2, 15) se obtiene la siguiente ecuaci´on 14 + 1.4286(x − 2.5) − 1.3036(x − 3.2)(x − 2.5) 3.5
Problema 18.5
Dados los datos x f(x)
1 3
2 6
19
3 99
4 291
4 444
Calcule f(4) con el uso de polinomios de interpolaci´o n de Newton de ´o rdenes 1 a 4. Elija los puntos base para obtener una buena exactitud. ¿Qu´ e indican los resultados en relaci´on con el orden del polinomio que se emplea para generar los datos de la tabla? 14
4
EJERCICIOS 3.4. FIRES & BURDEN
Figure 7: Polinomio de Newton de orden 1
4 4.1
Ejercicios 3.4. Fires & Burden Ejercicio 1
Determine el trazador c´ubico libre S que interpola los datos f (0) = 0, f (1) = 1, f (2) = 2. Soluci´ on S (x) = x en [0, 2]. 4.2
Ejercicio 2
Determine el trazador c´ ubico sujeto s que interpola los datos f (0) = 0, f (1) = 1, f (2) = 2 y que satisface s (0) = s (2) = 1. s(x) = x en [0, 2].
4.3
Ejercicio 3
Construya el trazador c´ ubico libre de los siguentes datos. x a) 8.3 8.6 x b) 0.8 1.0
f(x) 17.56429 18.50515 f(x) 0.22363362 0.65809197
15
4.3
Ejercicio 3
4
EJERCICIOS 3.4. FIRES & BURDEN
x -0.5 c) -0.25 0
f(x) -0.02475000 0.3349375 1.1010000
x 0.1 d) 0.2 0.3 0.4
f(x) -0.62049958 -0.28398668 0.00660095 0.24842440
Soluci´ on Usando el c´odigo 1 de Octave del Anexo obtenemos los coeficientes de cada inciso.
a) a0 b0 c0 d0
17.56492000 3.13410000 0.00000000 0.00000000
a0 b0 c0 d0
0.22363362 2.17229175 0.00000000 0.00000000
a0 b0 c0 d0 a1 b1 c1 d1
-0.02475000 1.03237500 0.00000000 6.50200000 0.33493750 2.25150000 4.87650000 -6.50200000
b)
c)
16
4.4
Ejercicio 4
EJERCICIOS 3.4. FIRES & BURDEN
4
d) a0 b0 c0 d0 a1 b1 c1 d1 a2 b2 c2 d2 4.4
-0.62049958 3.45508693 0.00000000 -8.9957933 -0.28398668 3.18521313 -2.69873800 -0.94630333 0.00660095 2.16707643 -2.98262900 9.942096600
Ejercicio 4
Los datos del ejercicio 3 se generaron usando las siguentes funciones. Utilice los trazadores c´ubicos construidos en el ejercicio 3 para el valor dado de x, a fin de aproximar f (x) y f (x). Tambi´en calcule el error real. a.f (x) = xlnx; aproxime f (8.5) y f (8.4). b.f (x) = sin(ex − 2); aproxime f (0.9) y f (0.9). c.f (x) = x 3 + 4.001x2 + 4.002x + 1.101; aproxime f (− 13 ) y f (− 13 ). d.f (x) = xcosx − 2x2 + 3x − 1; aproxime f (0.25) y f (0.25).
Soluci´ on Las ecuaciones de los trazadores c´ ubicos de a) y b) son: S 0 (x) = a 0 + b0 (x − x0 ) + c0 (x − x0 )2 + d0 (x − x0 )3 En c) S(x)=
− x0 ) + c0 (x − x0 )2 + d0 (x − x0 )3 , en [x0 , x1 ]. S 1 (x) = a 1 + b1 (x − x1 ) + c1 (x − x1 )2 + d1 (x − x1 )3 , en [x0 , x1 ].
S (x) = a + b (x 0
0
0
En d)
S (x) = a + b (x S(x)= = a + b (x S S (x) (x) = a + b (x 0
0
0
1
1
1
2
2
2
− x0 ) + c0 (x − x0 )2 + d0 (x − x0 )3 , en [x0 , x1 ]. − x1 ) + c1 (x − x1 )2 + d1 (x − x1 )3 , en [x1 , x2 ]. − x2 ) + c2 (x − x2 )2 + d2 (x − x2 )3 , en [x2 , x3 ].
Sustituyendo las funciones y utilizando el codigo 1 de Octave del anexo, obtenemos los siguientes coeficientes:
a) a0 b0 c0 d0
1.00000000 3.43656000 0.00000000 0.00000000
17
4.5
Ejercicio 7
4
EJERCICIOS 3.4. FIRES & BURDEN
b) a0 b0 c0 d0
1.33203000 -1.06249800 0.00000000 0.00000000
a0 b0 c0 d0 a1 b1 c1 d1
-0.029004996 -2.75128630 0.00000000 4.38125000 -0.56079734 -2.61984880 1.31437500 -4.38125000
a0 b0 c0 d0 a1 b1 c1 d1 a2 b2 c2 d2
c)
d)
4.5
0.86199480 0.17563785 0.00000000 0.06565093 0.95802009 0.22487604 0.09847639 0.02828072 1.09861230 0.34456298 0.14089747 -0.09393165
Ejercicio 7
Un trazador c´ ubico natural S en [0,2] est´a definido por: f(x)=
− x3 , si 0 ≤ x < 1. 2 3 S 1 = 2 + b(x − 1) + c(x − 1) + d(x − 1) , si 1 ≤ x ≤ 2.
S = 1 + 2x 0
Obtenga b, c y d. Soluci´ on Introduciendo S 1 (x) = 2+b(x − 1)+c(x − 1)2 +d(x − 1)3 en el programa utilizado anteriormente, obtenemos las siguentes constantes: b = − 1 c = − 3 d = 1
18
5
5 5.1
Anexo C´ odigo 1
[a_inter] = cubic_spline(xi,a,inter) if length(xi) ~= length(a) erro(’los vectores xi deben tener el mismo tama~ no’); end % Graficamos puntos entre los que queremos interpolar: grid on; hold on; title(’Cubic Spline Interpolation’); plot(xi,a,’or’); n = length(xi); % Vector h con subintervalos: h = zeros(n-1,1); for j = 1:n-1 h(j) = xi(j+1) - xi(j); end % coeficiente de la matriz A: A = zeros(n); %condiciones del trazador natural: A(1,1)= 1; A(n,n) = 1; for i = 2:n-1 A(i,i-1) = h(i-1); A(i,i) = 2*(h(i-1)+h(i)); A(i,i+1) = h(i); end % Vector b: b = zeros(n,1); for i = 2:n-1 b(i) = (3/h(i))*(a(i+1)-a(i)) - (3/h(i-1))*(a(i)-a(i-1)); end % Coeficiente cj = A\b;
vector cj:
% Coeficient vector bj: bj = zeros(n-1,1); for i = 1:n-1 bj(i) = (1/h(i))*(a(i+1)-a(i)) - (1/3*h(i))*(2*cj(i)+cj(i+1)); end
19
ANEXO
5.1
C´ odigo 1
5
ANEXO
% Coeficiente vector dj: dj = zeros(n-1,1); for i = 1:n-1 dj(i) = (1/(3*h(i))) * (cj(i+1)-cj(i)); end % Matriz P con todos los polinomios P = zeros(n-1,4); for i = 1:n-1 P(i,1) = dj(i); P(i,2) = cj(i); P(i,3) = bj(i); P(i,4) = a(i); end % Graficamos el resultado: resolution = 100; for i = 1:n-1 f = @(x) a(i) + bj(i).*(x-xi(i)) + cj(i).*(x-xi(i)).^2 + dj(i).*(x-xi(i)).^3; xf = linspace(xi(i),xi(i+1),resolution); plot(xf,f(xf),’b’); end jl = 1; ju = n; while (ju - jl > 1) jm = ceil((jl + ju)/2); if (inter < xi(jm)) ju = jm; else jl = jm; end end plot(inter, a_inter, ’og’);
20