Aproximación
1
Análisis Numérico Aproximación por César Menéndez Fernández
Ej
Ejemplo
l
Descripción
D i ió z Ensayos en laboratorio que miden miden, con un cierto error
error,
la permeabilidad de un material para diferentes
Objetivos
presiones Ajuste por mínimos cuadrados
Temario z E i
2
Estimar su permeabilidad
bilid d para presiones i iintermedias
di
Bibliografía z Determinar
1.8 la “medida” de la aproximaciónInicial
y
P1 (x)
seleccionar la base de funciones P2 (x)
1.6
– ¿Existencia y unicidad de solución?
P3 (x)
P4 (x)
– ¿Buena aproximación?
permeabilidad
1.4
1.2
0.8
0 1 2 3 4 5 6 7 8 9 10
2 presión(atm)
Análisis Numérico Aproximación por César Menéndez Fernández
A
Aproximación
i ió
Descripción
D i ió z Aprender los diferentes tipos de aproximación
dependiendo de la “medida” y su interpretación
Objetivos
geométrica
Temario z E
Entender
d lla similitud
i ili d entre ell planteamiento
l i d
de lla
Bibliografía minimización del error continua y discreta
z Comprender
p la g
generación de la aproximación
p p
por
mínimos cuadrados y los cambios de variable para
linealizar el problema
z Conocer las ventajas de los polinomios ortogonales para
mejorar el condicionamiento del sistema
z Ser capaz de valorar la fiabilidad del ajuste usando
gráficas o apreciaciones cuantitativas
3
Análisis Numérico Aproximación por César Menéndez Fernández
Pl t
Planteamiento
i t
4
Análisis Numérico Aproximación por César Menéndez Fernández
M did
Medidas
z Ejemplos:
– Distancia
Di i trivial:
i i l d(x,y)=1
d( ) 1 para puntos diferentes
dif
– Distancia euclídea (en un espacio vectorial de dimensión n):
Pseudodistancia en los enteros: d(x,y)=resto(|x-y|,2)
z Habitualmente
H bit l t se ttrabaja
b j con conjuntos
j t que son espacios
i
vectoriales normados sobre el cuerpo R
5
Análisis Numérico Aproximación por César Menéndez Fernández
Normas
V = { f ∈ C [ a, b ]} = ∫ f ( x ) dx f 2 ( x ) dx = max f ( x )
b b
f 1 a
f 2
= ∫
a
f ∞ a ≤ x ≤b
P d t escalar
Producto l
z Definición: Un espacio vectorial prehilbertiano sobre un cuerpo K es
un conjunto
j V ((a cuyos
y elementos se les denomina vectores)) con una
Descripción función producto escalar , : V × V → K x, y ∈ V → x, y que
satisface las siguientes propiedades
Objetivos • x, x ≥ 0 ∀x ∈ V
Temario • λ x, y = λ x, y ∀x, y ∈ V , λ ∈ K
Introducción • x + y , z ≤ x, z + y , z ∀x, y, z ∈ V
- Distancias
- Minoración • x, y = y , x ∀x, y ∈ V
- Ejemplos • x, x = 0 ⇔ x = 0
Mínimos cuadrados
– Si el espacio vectorial es de dimensión finita se denomina euclídeo
Aprox. Uniforme
Si no cumple la última propiedad es un espacio pseudo-prehilbertiano
Bibliografía –
– En un espacio euclídeo el producto escalar viene asociado a una forma
sesquilineal, hermítica y definida positiva
– Si el cuerpo es R, entonces la forma es bilineal y definida positiva
z Ej l V = Rn
Ejemplos: V = { f ∈ C [ a, b ]} V = Mn
A, B = tr ( B t A )
n
x, y = ∑ xk yk f , g = ∫ f ( x ) g ( x ) dx
b
a
k =1
z Un producto escalar siempre define una norma x = x, x
z Una norma a veces define un producto escalar
7 x, y = 1
2 ( x+ y 2
− x − y
2 2
) x 2 ⇒ SI x ∞
⇒ NO : x = ( 2, −1) , y = (−1, −1), λ = 3
Análisis Numérico Aproximación por César Menéndez Fernández
Mi
Minoración
ió (minimización)
( i i i ió ) del
d l error
Seleccionado eln espacio funcional Ψ = {ϕk ( x )}k =1 y el valor n,
∞
z
encontrar {α i }k =1 que hagan mínima la distancia
⎛ m
⎞
Descripción d ( f ( x ) ,ψ ( x ) ) = d ⎜ f ( x ) , ∑ α iϕi ( x ) ⎟
⎝ i =1 ⎠
Objetivos z Para asegurar la existencia y unicidad de solución, se debe trabajar
en espacios normados o prehilbertianos
Temario z Tipos de aproximaciones: continua/discreta (norma/pseudonorma)
Introducción
- Distancias – Mínimos cuadrados (norma 2)
m m 2
- Minoración f ( x ) ≈ ∑ α iϕi ( x ) → min ∑α ϕ ( x ) − f ( x )
i i = min E (α i )
αi i =1,2,"m
- Ejemplos i =1 i =1 2
Mínimos cuadrados ⎧ 2
⎛ m N
⎞
⎪Discreta: { xk , f ( xk )}k =1 E (α i ) = ∑ ⎜ ∑ α iϕi ( xk ) − f ( xk ) ⎟
N
Aprox. Uniforme
⎪ k =1 ⎝ i =1 ⎠
Bibliografía ⎨ 2
⎪ ⎛ m ⎞
⎪Continua: [ a, b ] E (α i ) = ∫ ⎜ ∑ α iϕi ( x ) − f ( x ) ⎟ dx
b
⎩ a
⎝ i =1 ⎠
– Uniforme (norma infinito)
m m
f ( x ) ≈ ∑ α iϕi ( x ) → min ∑α ϕ ( x ) − f ( x )
i i = min E∞ (α i )
αi i =1,2,"m
i =1 i =1 ∞
⎧ m
{ ( )} E (α i ) = max ∑α ϕ ( x ) − f ( x )
N
⎪ Discreta: xk , f xk k =1 i i k k
⎪ 1≤ k ≤ N
i =1
⎨ m
⎪Continua: [ a, b ]
8 ⎪⎩
E (α i ) = max
a ≤ x ≤b
∑α ϕ ( x ) − f ( x )
i =1
i i
Análisis Numérico Aproximación por César Menéndez Fernández
R
Representación
t ió ( (caso discreto)
di t )
Descripción
Objetivos
Temario
Introducción
- Distancias
- Minoración
- Ejemplos
Mínimos cuadrados
Aprox. Uniforme
Bibliografía
9
Análisis Numérico Aproximación por César Menéndez Fernández
R
Representación
t ió (caso
( continuo):
ti ) cos(x)
( )
Descripción
Objetivos
Temario
Introducción
- Distancias
- Minoración
- Ejemplos
Mínimos cuadrados
Aprox. Uniforme
Bibliografía
10
Análisis Numérico Aproximación por César Menéndez Fernández
Obt
Obtención
ió de
d la
l aproximación
i ió por M.C.
MC
Bibliografía ⎛ ϕ1 ( x ) , ϕ1 ( x ) ϕ1 ( x ) , ϕ2 ( x ) " ϕ1 ( x ) , ϕm ( x ) ⎞ ⎛ α1 ⎞ ⎛ ϕ1 ( x ) , f ( x ) ⎞
⎜ ⎟ ⎜ ⎟
⎜ ϕ1 ( x ) , ϕ 2 ( x ) ϕ2 ( x ) , ϕ2 ( x ) " ϕ2 ( x ) , ϕm ( x ) ⎟ ⎜⎜ α 2 ⎟⎟ ⎜ ϕ2 ( x ) , f ( x ) ⎟
⎜ ⎟⎜ # ⎟ = ⎜ ⎟
⎜ # # % # ⎟⎜ ⎟ ⎜ # ⎟
⎜ ϕ1 ( x ) , ϕ m ( x )
⎝ ϕ2 ( x ) , ϕm ( x ) " ϕm ( x ) , ϕm ( x ) ⎟⎠ ⎝ α m ⎠ ⎜⎝ ϕm ( x ) , f ( x ) ⎟⎠
11
Análisis Numérico Aproximación por César Menéndez Fernández
A
Aproximación
i ió polinómica
li ó i por M.C.
MC
A
Aproximación
i ió polinómica
li ó i discreta
di t por M.C.
M C (I)
z Se tiene
X t ⋅ Xα = X t ⋅Y
13
Análisis Numérico Aproximación por César Menéndez Fernández
Ej.1.-Aproximación
ó polinómica
ó discreta
14
Análisis Numérico Aproximación por César Menéndez Fernández
Ej.2.-Aproximación
ó polinómica
ó discreta (I)
z Ejemplo:
j p Obtener la mejor j aproximación
p por
p mínimos cuadrados de la
Descripción 2 -1
función de Runge f(x)=(1+x ) tomando la base {1,x}y utilizando los
puntos {-2,-1, 0 ,1, 2}. Repetir el proceso tomando {1,x2}
Objetivos ⎛ 1 −2 ⎞ ⎛ 15 ⎞
⎜ ⎟ ⎜1 ⎟ ⎛ 5 5
⎞ ⎛ 5 ⎞
⎜ 1 − 1 ⎟ ⎜ ⎟2 ⎜ ∑ 1 ∑ x k ⎟ ⎜ ∑ y k ⎟
Temario X = ⎜1 0 ⎟ , Y = ⎜ 1 ⎟ → A = X t ⋅ X = ⎜ 5
k =1 k =1
⎟ b = X t ⋅ Y = ⎜ k =1 ⎟→
⎜ ⎟ ⎜1 ⎟ ⎜ 5
2⎟ ⎜ 5 ⎟
Introducción
Mínimos cuadrados ⎜ 1 1 ⎟ ⎜ ⎟2 ⎜ ∑
⎝ k =1
x k ∑ ( x k ) ⎟
⎠
⎜ ∑
⎝ k =1
xk ⋅ y k ⎟
⎠
⎜1 2 ⎟ ⎜1 ⎟ k =1
- Planteamiento ⎝ ⎠ ⎝ 5⎠
- Aprox. Discreta ⎛ 5 0 ⎞ ⎛ α 0 ⎞ ⎛ 12 5 ⎞ ⎧α 0 = 12 25
- Aprox. Continua Aα = b ↔ ⎜ ⎟ ⎜ α ⎟ = ⎜ ⎟ ⇒ ⎨ α = 0 ⇒ y = 0 x + 25
12
⎝ 0 10 ⎠ ⎝ 1 ⎠ ⎝ 0 ⎠ ⎩ 1
- No lineal
- Ponderación
⎛1 ( −2 ) ⎞⎟
2
- Valoración
⎜ ⎛ 15 ⎞
Aprox. Uniforme
⎜1 ( −1) ⎟ ⎜1 ⎟ ⎛ 5 5
2⎞ ⎛ 5
⎞
⎜ ∑1 ∑ ( k) ⎟ ⎜ ∑ yk
2
⎜ ⎟ ⎜ 2⎟ x ⎟
Bibliografía
g X = ⎜1 ( 0) ⎟ ,Y = ⎜ 1 ⎟ → A = X t ⋅ X
2
=⎜ 5
k =1 k =1
⎟ b = X ⋅Y = ⎜
t k =1
⎟→
⎜ ⎜1 ⎟ ⎜ 5
4⎟ ⎜ 5 ⎟
2 ⎟
⎜ ∑ ( xk ) ∑ ( xk ) ⎟ ⎜ ∑ ( xk ) ⋅ yk ⎟
2 2
⎜1 (1) ⎟ ⎜ 2⎟
⎝ k =1 ⎠ ⎝ k =1 ⎠
⎜⎜ 2 ⎟
⎜1 ⎟ k =1
( 2) ⎠ ⎟ ⎝ 5⎠
⎝1
⎛ 5 10 ⎞ ⎛ α 0 ⎞ ⎛ 12 5 ⎞ ⎛ 5 10 12 5 ⎞ ⎛ 5 10 12 5 ⎞ ⎧α 0 = 139 175
Aα = b ↔ ⎜ ⎟ ⎜ α ⎟ = ⎜ 13 ⎟ → ⎜ ⎟↔⎜ ⎟⇒⎨ ⇒ y = −11 70 x 2 + 139 175
⎝10 34 ⎠ ⎝ 2 ⎠ ⎝ 5 ⎠ ⎝ 10 34 5 ⎠ ⎝ 0 14 5 ⎠ ⎩ α 2 = 70
13 −11 − 11
15
Análisis Numérico Aproximación por César Menéndez Fernández
Ej.2.-Aproximación
ó polinómica
ó discreta (II)
Objetivos
Temario Mínimos cuadrados discreta
Introducción 1
1
Mínimos cuadrados f ( x) = 0.8
- Planteamiento 1 + x2
- Aprox. Discreta
- Aprox. Continua y1 = 0 x + 12 25 0.6
- No lineal
y2 = −11 70 x 2 + 139 175
0.4
- Ponderación
- Valoración 0.2
Aprox. Uniforme
0
Bibliografía
g
-0.2
Función
-0.4
(1,x), E=0.13084
(1,x 2), E=0.057371
-0.6
06
Datos
-0.8
-3 -2 -1 0 1 2 3
16
Análisis Numérico Aproximación por César Menéndez Fernández
A
Aproximación
i ió polinómica
li ó i continua
ti (I)
Introducción ⎛ b 1 ⋅ 1dx b b b
⎞ ⎛ b 1 ⋅ f ( x ) dx ⎞
⎜ ∫a ∫a ∫a ∫a ⎜ ∫a
m −1
1 ⋅ xdx 1 ⋅ x 2
dx " 1 ⋅ x dx
Mínimos cuadrados ⎟ α ⎟
⎜ b ⎟ ⎛ 1 ⎞ ⎜ ⎟
⎜ ⎟ ⎜ ( )
b b b b
⎜ ∫a 1 ⋅ xdx ∫a ∫a ∫a ∫a
- Planteamiento ⋅ ⋅ 2
" ⋅ m −1
⋅
d x xdxd x x dx
d x x dx
d ⎟ α2 ⎟ x f x dx
d ⎟
- Aprox. Discreta ⎜ b ⎟ ⎜ ⎜ ⎟
⎜ α3 ⎟ = ⎜ b 2
( ) ⎟
b b b
⎜ ∫ 1 ⋅ x 2 dx ∫a ∫a ∫a ⎟ ⎜ # ⎟ ⎜ ∫a
- Aprox. Continua x ⋅ x 2
dx x 2
⋅ x 2
dx " x 2
⋅ x m −1
dx ⎟ x ⋅ f x dx
- No lineal ⎜ a ⎟
⎜ # # # % # ⎜
⎟⎜ ⎟ ⎜ ⎟ # ⎟
- Ponderación α
⎜ b ⎟ ⎝ m ⎠ ⎜ ⎟
⎜ ∫ x m −1 ⋅ f ( x ) dx ⎟
b b b b
- Valoración ⎜ ∫ 1 ⋅ x m −1 dx ∫ x ⋅ x m −1 dx ∫ x 2 ⋅ x m −1 dx " ∫ x m −1 ⋅ x m −1 dx ⎟
Aprox. Uniforme ⎝ a a a a ⎠ ⎝ a ⎠
→ Aα = b
Bibliografía
g
17
Análisis Numérico Aproximación por César Menéndez Fernández
Ej.1.-Aproximación
ó polinómica
ó continua
- Valoración ∫−2
d =0
xdx ∫
−2
d =0
x3 dx ∫
−2
x ⋅ 2dx
d =0
Aprox. Uniforme 2 16 2 64 2 32
∫−2 3 ∫−2
x 2 dx = =
5 ∫−2
⋅ =
4 2
x dx x 2 dx
Bibliografía
g 3
⎛ 16 ⎞
⎜ 4 0 ⎛ ⎞
3 ⎟ ⎛ α ⎞ ⎜ 8 ⎟ ⎧α = 2
⎜ ⎟ 0
⎜ ⎟ ⎜ ⎟ ⎪
0
Aα = b ↔ 0⎜ 16 ⎟
0 ⎜ α1 ⎟ = ⎜ 0 ⎟ ⇒ ⎨α1 = 0
⎜ 3 ⎟
⎜ ⎟ ⎜⎝ α 2 ⎟⎠ ⎜ 32 ⎟ ⎪⎩α 2 = 0
⎜⎜ 16 0 64 ⎟⎟ ⎜ ⎟
⎝ 3 ⎠
18 ⎝ 3 5 ⎠
Análisis Numérico Aproximación por César Menéndez Fernández
Ej.2.-Aproximación
ó polinómica
ó continua (I)
z Ejemplo:
j p Obtener la mejorj aproximación
p por
p mínimos cuadrados de la
Descripción 2 -1
función de Runge f(x)=(1+x ) en el intervalo [-2,2] tomando la base {1,x}.
Repetir el proceso tomando {1,x2}
Objetivos ⎛ 2 1 ⎞ ⎛ 2 1 ⎞
⎛ 2 1dx
∫−2 ⎟ ⎛ α1 ⎞ = ⎜⎜ ∫−2 1 + x ⎟⎟
⎞ ⎛ 2 1dx ⎞ ∫
2
⎜ ∫−2 ∫−2 ⎟ ⎛ α1 ⎞ = ⎜ −2 1 + x
2
⎜ ∫−2
xdx 2
dx 2
x dx ⎜ 2
dx ⎟
Temario ⎜ 2 ⎟ ⎜α ⎟ ⎜ 2 ⎜ 2 2 ⎟ ⎜α ⎟ ⎜ 2 2 1 ⎟
⎝ ⎠ dx ⎟⎟
2
⎜ ∫ x dx ∫−2 x dx ⎠
∫−2 ⎟⎠ ⎝ 2 ⎠ ⎜⎝ ∫−2 x 1 + x 2 dx ⎟⎟⎠ ⎟
2
Introducción ⎜ ∫ xdx x 2
dx 1 4 2
⎜ ∫−2 x
⎝ −2 ⎝ −2 ⎝ 1+ x 2
⎠
Mínimos cuadrados
- Planteamiento 1 2 2 1
∫−2 ∫−2 1 + x 2 dx
2 2
19
Análisis Numérico Aproximación por César Menéndez Fernández
Ej.2.-Aproximación
ó polinómica
ó continua (II)
z Ejemplo:
j p Obtener la mejorj aproximación
p por
p mínimos cuadrados de la
Descripción 2 -1
función de Runge f(x)=(1+x ) en el intervalo [-2,2] tomando la base {1,x}.
Repetir el proceso tomando {1,x2}
Objetivos
Temario
Introducción
Mínimos cuadrados
- Planteamiento 1
- Aprox. Discreta f ( x) =
1 + x2
- Aprox. Continua y1 = 0 x + 0.5536
- No lineal
- Ponderación y2 = −0.2051x 2 + 0.8270
- Valoración
Aprox. Uniforme
Bibliografía
g
20
Análisis Numérico Aproximación por César Menéndez Fernández
Linealización
ó
Bibliografía
g z Linealización de funciones habituales
Exponencial y = ae → ln ( y ) = ln ( ae ) = ln ( a ) + bx ⇒ yˆ = A + bx
bx bx
–
Pesos
⎪Discreta: { xk , yk }k =1 ∑ ωk φ ( xk )ψ ( xk ) ∑ ωk = 1
N
Introducción
Mínimos cuadrados φ ( x ) ,ψ ( x ) ⎨ k =1 k =1
- Planteamiento ⎪Continua: [ a, b ]
∫a ( ) ( ) ( ) ∫a ω ( x ) dx = 1
b b
ω x φ x ψ x dx
- Aprox. Discreta ⎩
- Aprox. Continua
- No lineal
- Ponderación z Ejemplos de funciones de peso en un intervalo (extrapolable
- Valoración al valor en un punto)
Aprox. Uniforme – Mayor importancia en el centro: w(x)=exp(-x2)
Bibliografía
g – Mayor importancia en los extremos w(x)=1-exp(-x2)
22
Análisis Numérico Aproximación por César Menéndez Fernández
C
Cuantificación
tifi ió del
d l error
⎧ N
{ ( )} S r = ∑ ( f ( xk ) − ψ ( xk ) )
N 2
Temario ⎪ Discreta: xk , f xk k =1
Introducción ⎨ k =1
⎪Continua: [ a, b ]
( f ( x ) −ψ ( x ))
b
Sr = ∫
2
Mínimos cuadrados dx
⎩ a
- Planteamiento pero ¿es grande o pequeño?
- Aprox. Discreta
- Aprox. Continua
z Es necesario un estudio estadístico que indique cuanta variación de
- Linealización y explica x: coeficiente de regresión
⎧ N N
- No lineal
∑( y − y) ∑y
2
- Ponderación ⎪ k k
⎪Discreta: { xk , yk }k =1 Sy = k =1
y= k =1
N
- Valoración ⎪ N − m +1
Varianza ⎡⎣ f ( x ) ⎤⎦ = ⎨ N
Aprox. Uniforme
⎪
∫ ( f ( x) − y ) ∫ f ( x ) dx
b 2 b
dx
Bibliografía ⎪Continua:
⎪⎩
C i [ a, b ] Sy = a
y= a
N − m +1 b−a
Sy x Sr
Correlación : r 2 = 1 − con S y x =
Sy N − m +1
23