INTRODUCCIN

El anlisis numrico o clculo numrico es la rama de

las matemticas que se encarga de disear algoritmos para, a travs

de nmeros y reglas matemticas simples, simular procesos matemticos ms

complejos aplicados a procesos del mundo real.

El anlisis numrico cobra especial importancia con la llegada de los

ordenadores. Los ordenadores son tiles para clculos matemticos

extremadamente complejos, pero en ltima instancia operan con nmeros

binarios y operaciones matemticas simples.

En general, estos mtodos se aplican cuando se necesita un valor

numrico como solucin a un problema matemtico, y los procedimientos

"exactos" o "analticos" (manipulaciones algebraicas, teora de ecuaciones

diferenciales, mtodos de integracin, etc.) son incapaces de dar una

respuesta. Debido a ello, son procedimientos de uso frecuente

por fsicos e ingenieros, y cuyo desarrollo se ha visto favorecido por la

necesidad de stos de obtener soluciones, aunque la precisin no sea

completa. Debe recordarse que la fsica experimental, por ejemplo, nunca

arroja valores exactos sino intervalos que engloban la gran mayora de

resultados experimentales obtenidos, ya que no es habitual que dos medidas

del mismo fenmeno arrojen valores exactamente iguales.

}

REGRESIN POR MNIMOS CUADRADOS

Cuando los datos tienen errores sustanciales, la interpolacin polinomial es

inapropiada y puede dar resultados poco satisfactorios cuando se utiliza para predecir
valores intermedios.

Con frecuencia los datos experimentales son de este tipo. Por ejemplo, en la
figura 17.1a se muestran siete datos obtenidos experimentalmente que presentan una
variabilidad significativa. Una inspeccin visual de esos datos sugiere una posible

relacin entre yox . Es decir, la tendencia general indica que valores altos de y

estn asociados con valores altos de x . Ahora, si un polinomio de interpolacin de

sexto grado se ajusta a estos datos (figura 17.1b), pasar exactamente a travs de
todos los puntos.

Sin embargo, a causa de la variabilidad en los datos, la curva oscila mucho en

el intervalo entre los puntos. En particular, los valores interpolados para x=1.5 y

x=6.5 parecen estar bastante ms all del rango sugerido por los datos.

Una estrategia ms apropiada en tales casos consiste en obtener una funcin

de aproximacin que se ajuste a la forma o a la tendencia general de los datos, sin
coincidir necesariamente en todos los puntos. La figura 17.1c ilustra cmo se utiliza
una lnea recta para caracterizar de manera general la tendencia de los datos sin
pasar a travs de algn punto especfico.

Una manera para determinar la lnea de la figura 17.1c es inspeccionar en

forma visual los datos graficados y despus trazar una mejor lnea a travs de los
puntos.

Aunque tales procedimientos a ojo apelan al sentido comn y son vlidos

para clculos superficiales, resultan deficientes por ser arbitrarios. Es decir, a menos
que los puntos definan una lnea recta perfecta (en cuyo caso la interpolacin
resultara apropiada), diferentes analistas dibujaran lneas distintas.
 Para dejar a un lado dicha subjetividad se debe encontrar algn criterio para
establecer una base para el ajuste. Una forma de hacerlo es obtener una curva que
minimice la discrepancia entre los puntos y la curva. Una tcnica para lograr tal
objetivo, llamada regresin por mnimos cuadrados, se analizar en este captulo.

I. REGRESIN LINEAL

El ejemplo ms simple de una aproximacin por mnimos cuadrados es

ajustar una lnea recta a un conjunto de observaciones definidas por puntos:

x x
( 1 , y 1 ) , ( 2 , y2 ) ,, (x n , y n ) .

La expresin matemtica para la lnea recta es:

y=a0+ a1 x +e
donde a0 y a1 son coeficientes que representan la interseccin con el eje y y la

pendiente, respectivamente, e es el error, o diferencia, entre el modelo y las

observaciones, el cual se representa al re ordenar la ecuacin (17.1) como

e= ya0 +a1 x

As, el error o residuo es la discrepancia entre el valor verdadero de y y el valor aproximado,

a0 + a1 x ,
 II. REGRESION POLINOMIAL

En la seccin 17.1 se desarroll un procedimiento para obtener la ecuacin

de una lnea recta por medio del criterio de mnimos cuadrados. En la ingeniera,
aunque algunos datos exhiben un patrn marcado, como el que se advierte en la
figura 17.8, son pobremente representados por una lnea recta, entonces, una curva
podr ser ms adecuada para ajustarse a los datos. Como se analiz en la seccin
anterior, un mtodo para lograr este objetivo es utilizar transformaciones. Otra
alternativa es ajustar polinomios a los datos mediante regresin polinomial.
El procedimiento de mnimos cuadrados se puede extender fcilmente al
ajuste de datos con un polinomio de grado superior. Por ejemplo, suponga que
ajustamos un polinomio de segundo grado o cuadrtico:

y=a0+ a1 x +a 22+ e

En este caso, la suma de los cuadrados de los residuos es

 Al seguir el procedimiento de la seccin anterior, obtenemos la derivada de la
ecuacin (17.18) con respecto a cada uno de los coeficientes desconocidos del
polinomio,

Estas ecuaciones se igualan a cero y se reordenan para desarrollar el

siguiente conjunto de ecuaciones normales:

donde todas las sumatorias van desde i=1 hasta n. Observe que las tres

ecuaciones

anteriores son lineales y tienen tres incgnitas: a0 + a1+ a2 .Los coeficientes de las

incgnitas se evalan de manera directa, a partir de los datos observados.

En este caso, observamos que el problema de determinar un polinomio de
segundo grado por mnimos cuadrados es equivalente a resolver un sistema de tres
ecuaciones lineales simultneas. En la parte tres se estudiaron las tcnicas para
resolver tales ecuaciones.
El caso bidimensional se extiende con facilidad a un polinomio de m-simo
grado como sigue
y=a0+ a1 x +a 22+ +a mm +e
 El anlisis anterior se puede extender fcilmente a este caso ms general.
As, se reconoce que la determinacin de los coeficientes de un polinomio de m-simo

grado es equivalente a resolver un sistema de m+ 1 ecuaciones lineales

simultneas. En este caso, el error estndar se formula como sigue:

Esta cantidad se dividide entre n (m+ 1) , ya que (m+1) coeficientes obtenidos

de los datos, a0 + a1 , . , am , se utilizaron para calcular Sr; hemos perdido m+ 1

grados de libertad. Adems del error estndar, tambin se calcula un coeficiente de

determinacin para la regresin polinomial.

Ejemplo:

1. Planteamiento del problema. Ajustar a un polinomio de segundo grado los datos

dados en las dos primeras columnas de la tabla 17.4.
Solucin. A partir de los datos dados,

TABLA 17.4 Clculos para un anlisis de error del ajuste cuadrtico por mnimos
cuadrados.
FIGURA 17.11
Ajuste de un polinomio de segundo grado.

Entonces, las ecuaciones lineales simultneas son

Resolviendo estas ecuaciones con una tcnica como la eliminacin de Gauss

se tiene a0 =2.47857 , a1=2.35929 y a3 =1.86071 . Por lo tanto, la ecuacin

cuadrtica por mnimos cuadrados en este caso es

2
y=2.47857+ 2.35929 x +1.86071 x

El error estndar del estimado con base en la regresin polinomial es

El coeficiente de determinacin es

III. INTERPOLACION: LINEAL Y CUADRATICA

El problema de interpolacin consiste en encontrar el valor de la funcin

F(x), de la cual slo se conocen algunos puntos, para un valor de x que se encuentre
entre dos valores consecutivos conocidos. En pocas palabras podramos decir que:

"La interpolacin consiste en hallar un dato dentro de un intervalo en el que

conocemos los valores en los extremos".

El problema general de la interpolacin se nos presenta cuando nos dan una

funcin de la cual solo conocemos una serie de puntos de la misma:

x x
( 1 , y 1 ) , ( 2 , y2 ) ,, ( x n , y n ) .

y se pide hallar el valor de un punto x (intermedio de x0 y x n ) de esta

funcin.

III.1 Interpolacin. Eleccin de la interpolacin ms adecuada.

Consideremos una funcin de la cual solo conocemos una serie de puntos de

la misma:

x x
( 1 , y 1 ) , ( 2 , y2 ) ,, ( x n , y n ) .

Deseamos encontrar la expresin analtica de dicha funcin para poder

estudiarla en otros puntos.

Ahora bien, por n+1 puntos pasan infinitas funciones, con cul de ellas

nos quedamos? Lo ms lgico es recurrir a la ms sencilla. La familia de funciones

ms sencillas es la de los polinomios, por tanto buscaremos el polinomio de menor

grado que pase por los n+1 puntos dados.

La funcin polinmica de menor grado que pasa por los puntos es en principio

de grado n : y=anx n ++ a1x +a0

Y se obtiene resolviendo el sistema de n+1 ecuaciones con n+1 incgnitas

(sistema que tiene solucin nica ya que el determinante de la matriz de los

coeficientes es de Vandermonde y por lo tanto distinto de cero)

Se le llama polinomio interpolador correspondiente a esos puntos. Una vez

obtenida su expresin dando valores en l se pueden encontrar nuevos puntos de la
funcin. Los resultados obtenidos son naturalmente estimaciones aproximadas.

La interpolacin se dir lineal cuando slo se tomen dos puntos

y cuadrtica cuando se tomen tres.

La interpolacin lineal es un caso particular de la Interpolacin general

de Newton.
 Con el polinomio de interpolacin de Newton se logra aproximar un valor de

la funcin f (x) en un valor desconocido de x . El caso particular, para que una

interpolacin sea lineal es en el que se utiliza un polinomio de interpolacin de grado

1, y se denota de la siguiente manera:

Como dijimos, cuando las variaciones de la funcin son proporcionales (o casi

proporcionales) a los de la variable independiente se puede admitir que dicha funcin
es lineal y usar para estimar los valores la interpolacin lineal.

x x
Sean dos puntos ( 0 , y 0) , ( , y 1 ) , la interpolacin lineal consiste
1

x
en hallar una estimacin del valor y , para un valor x tal que ( 0< x < x 1)

.Teniendo en cuenta que la ecuacin de la recta que pasa por esos dos puntos es:

Obtenemos la frmula de la interpolacin lineal:

x 2=
[ ( y 3 y 1 ) ]
( y 2 y 1 ) ( x 3x 1 )
+ x1

y 2=
[ ( x 2x 1 )( y 3 y 1 )
( x3 x1 ) ]+ y1

3.2. Interpolacin lineal de una variable independiente.

Es igual que hacer integrales cerradas.

 En una tabla se representan algunos valores de la funcin, pero no todos, en
ocasiones nos interesa el valor de la funcin para un valor de la variable independiente
distinto de los que figuran en la tabla, en este caso podemos tomar el ms prximo al
buscado, o aproximarnos un poco ms por interpolacin, la interpolacin casi siempre
nos dar un pequeo error respecto al valor de la funcin verdadero, pero siempre
ser menor que tomar el valor ms prximo de los que figuran en la tabla, veamos
cmo se calcula al valor de la funcin para un valor de la variable independiente que
se encuentre entre dos valores de la tabla por interpolacin lineal.

Por la tabla sabemos que:

y 1=f (x 1)

y 2=f (x 2)

Queremos, pues, saber:

y=f ( x)

Siendo:

x 1< x < x 2

3.3. Interpolacin cuadrtica(Lagrange)

 Cuando el polinomio que conviene es de 2 grado la interpolacin recibe el
nombre de cuadrtica. El polinomio interpolador es nico, luego como se encuentre da
igual., sin embargo, a veces los clculos son muy laboriosos y es preferible utilizar un
mtodo que otro. A la vista de los datos se decide.

Lagrange (17361813) dio una manera simplificada de calcular los

polinomios interpoladores de grado n .Para el caso de un polinomio de 2 grado

x x
que pasa por los puntos ( 0 , y 0 ) , ( 1 , y 1 ) , ( x 2 , y 2) :

El error en la interpolacin lineal resulta de aproximar una curva con una lnea
recta.

Estrategias:

Disminuir el tamao del intervalo.

Introducir alguna curvatura en la lnea que conecta los puntos.

Si tres puntos de los datos estn disponibles, esto puede realizarse con un
polinomio de segundo grado (parbola).

f 2 ( x )=b 0+ b1 ( x x1 ) + b2 ( x x0 ) ( xx 1 )

Puede utilizarse un procedimiento simple para determinar los valores de los

coeficientes.

b0 =f (x 0 )

Sustituyendo las ecuaciones anteriores, y evaluando en x=x 1 :

f ( x 1 ) f (x 0 )
b1=
x 1x 0

Sustituyendo nuevamente, y ahora evaluando en x=x 2 :

 f ( x 2 )f (x 1) f ( x 1) f ( x 0)
+
x2 x1 x 1x 0
b2=
x 2x 0