Asignatura: Análisis Numérico Ultima actualización: 15/01/2008

Autor: César Menéndez

Aproximación

Titulación: Ingeniero Técnico Informático

Planificación: 6 Teoría+1Tablero+0.5Laboratorio
Materiales: MATLAB y apuntes
Conocimientos previos: Tmas. básicos de Cálculo –
Desarrollos de Taylor – Sistemas
lineales –

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

z Sustitución de una función (conocida o tabulada) por

 Descripción
otra “próxima” más simple
 Objetivos z Función de ajuste como combinación de la base de un
Temario espacioi ffuncional:
i l m
Introducción
- Distancias
ψ ( x ) = ∑ α i ϕi ( x )
- Minoración i =1
- Ejemplos – Funciones base: polinómicas, trigonométricas, …
Mínimos cuadrados
Aprox. Uniforme z Tipos de aproximación:
 Bibliografía – Funcional: aproxima a otra función en un intervalo
– Discreta (ajuste): aproxima un conjunto de datos
z Función de aproximación es la “más próxima” a la
función o datos conocidos
– ¿Cómo se mide la “proximidad”
– Aproximación en espacios normados o cuasinormados

4
 Análisis Numérico Aproximación por César Menéndez Fernández

M did
Medidas

z ¿Cómo se mide la proximidad de un elemento a otro?

 Descripción
z Definición: Un espacio métrico es un conjunto M (a cuyos
 Objetivos elementos se les denomina puntos) con una función distancia
asociada (también llamada métrica) d : M × M → R que
Temario
Introducción
satisface las siguientes propiedades
- Distancias • d ( x, y ) ≥ 0 ∀x, y ∈ M
- Minoración • d ( x, x ) = 0 ∀x ∈ M
- Ejemplos
Mínimos cuadrados • d ( x, y ) = d ( y , x ) ∀x, y ∈ M
Aprox. Uniforme • d ( x, y ) ≤ d ( x, z ) + d ( z , y ) ∀x, y, z ∈ M
 Bibliografía • d ( x, y ) = 0 ⇔ x = y ∀x, y ∈ M
– Si no cumple la última es un espacio pseudo-métrico

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

z Definición: Un espacio vectorial normado sobre un cuerpo K

 Descripción es un conjunto V (a cuyos elementos se les denomina
 Objetivos vectores) con una función norma :V → K x ∈ V → x
que satisface las siguientes propiedades
Temario
Introducción
• x ≥0 ∀x ∈ V
- Distancias • λx = λ x ∀x ∈ V , λ ∈ K
- Minoración
- Ejemplos
• x+ y ≤ x + y ∀x, y ∈ V
Mínimos cuadrados • x =0⇔ x=0
Aprox. Uniforme
– Si no cumple la última es un espacio pseudo-normado
 Bibliografía
z Ejemplos (sobre el cuerpo de los reales):
n n
V =R x 1 = ∑ xk x2= ∑ ( xk ) = max xk
n 2
x ∞ 1≤ k ≤ n
k =1 k =1

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

z Una norma siempre define una distancia d ( x, y ) = x − y

6
 Análisis Numérico Aproximación por César Menéndez Fernández

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

Aproximación Error Máximo Promedio

Caso I MC 1.4839 (5) 2.3921
Unif 1.1210 (5) 2.6870
Caso II MC 17.1213 (6) 18.2036
Unif 10.2395 (6) 28.3372

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

Aproximación Error Máximo Area

Caso I MC 0.6366 0.2976
Unif 0.5000 0.3562
Caso II MC 0.8493 0.3447
Unif 0.7500 0.3757

10
 Análisis Numérico Aproximación por César Menéndez Fernández

Obt
Obtención
ió de
d la
l aproximación
i ió por M.C.
MC

z Puesto q que el error es siempre p p positivo, los valores p

para los q
que se
 Descripción alcanza el mínimo son iguales para
E (α i ) y E 2 (α i ) ⇒ {α1 , α 2 ,"α m } min E (α i ) → min E 2 (α i )
i =1,2,"m i =1,2,"m
 Objetivos
z Los puntos minimales verifican que las parciales son nulas
Temario
∂E 2 (α1 , α 2 , α 3 ,"α n )
Introducción = 0 k = 1, 2," m ⎧N
∂α k
⎪ ∑ φ ( xk )ψ ( xk ) Discreta: { xk , yk }k =1
N
Mínimos cuadrados
- Planteamiento Denotando por φ ( x ) ,ψ ( x ) = ψ ( x ) , φ ( x ) = ⎨ k =1
⎪ b φ ( x )ψ ( x ) dx Continua: [ a, b ]
⎩ ∫a
- Aprox. Discreta
- Aprox. Continua
- Linealización m
- No lineal se obtiene ∑α
i =1
i ϕ k ( x ) , ϕi ( x ) = ϕ k ( x ) , f ( x ) k = 1, 2," m
- Ponderación
- Valoración que conduce a un sistema lineal cuya resolución calcula los coeficientes
Aprox. Uniforme

 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

z El espacio sobre el que se proyecta son los polinomios

polinomios.
 Descripción
z Este espacio tiene infinitas bases, si bien la más conocida es
 Objetivos la base canónica
– B={1 x x2,xx3,xx4,…xxn}
B={1,x,x
Temario – B={(1-x) n,x(1-x) n-1,x2(1-x) n-2,x3(1-x) n-3,x4(1-x) n-4,…xn}
Introducción
Mínimos cuadrados – …
- Planteamiento z Una base se denomina ortogonal cuando verifica
⎧ 0 i≠ j
- Aprox. Discreta
ϕi ( x ) , ϕ j ( x ) ⎨
- Aprox. Continua ⎩> 0 i = j
- No lineal
- Ponderación z Una base ortogonal es ortonormal cuando
- Valoración ⎧0 i ≠ j
Aprox. Uniforme ϕi ( x ) , ϕ j ( x ) ⎨
⎩1 i = j
 Bibliografía
g
z El sistema
i t anterior
t i se convierte i t en diagonal
di l cuando
d lla b
base
es ortogonal, lo que lo hace muy sencillo de resolver. La
dificultad se traslada a la obtención de la base ortogonal, ya
que depende
d d d dell iintervalo
t l ((continua)
ti )odde llos puntos
t
(discreta)
12
 Análisis Numérico Aproximación por César Menéndez Fernández

A
Aproximación
i ió polinómica
li ó i discreta
di t por M.C.
M C (I)

z Tomando la base canónica, el sistema se escribe como:

 Descripción (ϕ1 ( x )=1 ϕ2 ( x )= x ϕ3 ( x )= x


2
ϕm ( x ) = x )
m −1

⎛ N N N N
⎞ ⎛ N
⎞
⎜ ∑ ∑ ∑ ( ) ∑ ( ) ⎜ ∑ 1 ⋅ yk
m −1
⋅ ⋅ ⋅ ⋅
2
 Objetivos 1 1 1 x k 1 xk " 1 xk ⎟ ⎟
⎜ k =1 k =1 k =1 k =1
⎟ ⎜ k =1
⎟
⎜ N N N N
⎟ ⎛ α1 ⎞ ⎜ N ⎟
⎜ ∑ xk ⋅ 1 ∑ ∑ xk ⋅ ( xk ) ∑ xk ⋅ ( xk ) ⎟ ⎜ α ⎟ ⎜ ∑ xk ⋅ yk ⎟
m −1
Temario xk ⋅ xk
2
"
⎜ k =1 k =1 k =1 k =1 ⎟ ⎜ 2 ⎟ ⎜ k =1 ⎟
Introducción ⎜ N N N N
m −1 ⎟ ⎜ α 3 ⎟ = ⎜
N ⎟ → Aα = b
⎜ ∑ ( xk ) ⋅ 1 ∑ ( xk ) ⋅ xk ∑ ( xk ) ⋅ ( xk ) " ∑ ( xk ) ⋅ ( xk ) ⎟ ⎜ ⎟ ⎜ ∑ ( xk ) ⋅ yk ⎟
2 2 2 2 2 2
Mínimos cuadrados
⎜ k =1 k =1 k =1 k =1 ⎟ ⎜ # ⎟ ⎜ k =1 ⎟
- Planteamiento ⎜ # # # % # ⎟ ⎜⎝ α m ⎟⎠ ⎜ # ⎟
- Aprox. Discreta ⎜ N N N N ⎟ ⎜ N ⎟
⎜ ( x )m −1 ⋅ 1 m −1 ⎟ ⎜ ⎟
⎜∑ k ∑ ( xk ) ⋅ xk ∑ ( xk ) ⋅ ( xk ) " ∑ ( xk ) ⋅ ( xk ) ⎟ ⎜ ∑ ( xk ) ⋅ yk ⎟
m −1 m −1 2 m −1 m −1
- Aprox. Continua
⎝ k =1 k =1 k =1 k =1 ⎠ ⎝ k =1 ⎠
- No lineal
yk = f ( xk )
- Ponderación
z D
Denotando
t d por A = Xt ⋅ X b = X tY
- Valoración
⎛1 x1 ( x1 ) ( x1 ) ⎞⎟
2 m −1
Aprox. Uniforme Donde "
z
⎜ ⎛ y1 ⎞
⎜ ⎟
( x2 ) ( x2 ) ⎟
m −1
⎜1 x2
2
 Bibliografía
g " ⎜ y2 ⎟
⎜ ⎟
X = ⎜1 x3 ( x3 ) ( x3 ) ⎟ , Y = ⎜⎜ y3 ⎟⎟
2 m −1
"
⎜# # ⎟
⎜ # # ⎟ ⎜ # ⎟
⎜y ⎟
⎜1 x ( xN )
2 m −1 ⎟
" ( xN ) ⎠ ⎝ N⎠
⎝ N

z Se tiene
X t ⋅ Xα = X t ⋅Y
13
 Análisis Numérico Aproximación por César Menéndez Fernández

Ej.1.-Aproximación
ó polinómica
ó discreta

z Ejemplo: Obtener la mejor aproximación de la función constante

 Descripción f(x)=2 mediante funciones de la forma α0+α1x+α2x2 por mínimos
cuadrados discreta utilizando los puntos {-2,-1, 0 ,1, 2}.
 Objetivos ⎧ ⎛ 5 5 5
2⎞
⎪ ⎜ ∑ 1 ∑ x k ∑ ( xk ) ⎟
Temario ⎪ ⎜ k =1 k =1 k =1
⎟
⎪ ⎜ 5 5 5
3⎟
⎜ ∑ k ∑ ∑
Introducción
= ⋅ = ( ) ( )
t 2
⎪ A X X x x x ⎟
⎛1 −2 ( −2 )2 ⎞
k k
Mínimos cuadrados
⎛ 2⎞ ⎪ ⎜ k =1 k =1 k =1 ⎟
- Planteamiento ⎜ ⎟
⎜ ⎟ ⎪ ⎜ 4⎟
5 5 5
⎜1 −1 ( −1) ⎟ ∑ ( xk ) ∑ ( xk ) ∑ ( xk ) ⎟
2 2 3
- Aprox. Discreta 2
⎜ ⎟ ⎪ ⎪ ⎜
⎜ ⎟ ⎝ k =1 k =1 k =1 ⎠
- Aprox. Continua X = ⎜1 0 ( 0 ) ⎟ , Y = ⎜ 2 ⎟ → ⎨
2
→
- No lineal ⎜ 2 ⎟
⎜ ⎟ ⎪ ⎛ 5
⎞
- Ponderación ⎜1 1 (1) ⎟ ⎜ 2⎟ ⎪ ⎜ ∑ yk ⎟
⎜⎜ 2 ⎟
⎜ ⎟ ⎜ k =1
⎟
- Valoración
( ) ⎟ ⎝ 2⎠ ⎪
⎝ 1 2 2 ⎠ ⎪ ⎜ 5
⎟
Aprox. Uniforme b = X t ⋅ Y = ⎜ ∑ xk ⋅ yk ⎟
⎪
⎪ ⎜ k =1 ⎟
 Bibliografía
g ⎪ ⎜ 5 ⎟
∑ ( ) ⋅
2
⎪ ⎜ x k y k ⎟
⎩ ⎝ k =1 ⎠
⎛ 5 0 10 ⎞⎛ α 0 ⎞ ⎛ 10 ⎞ ⎧α 0 = 2
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎪
Aα = b ↔ ⎜ 0 10 0 ⎟⎜ α1 ⎟ = ⎜ 0 ⎟ ⇒ ⎨α1 = 0
⎜10 0 34 ⎟⎜ α ⎟ ⎜ 20 ⎟ ⎪α = 0
⎝ ⎠⎝ 2 ⎠ ⎝ ⎠ ⎩ 2

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)

z Ejemplo: Obtener la mejor aproximación por mínimos cuadrados de la

f
función
ió de
d Runge
R f( ) (1 2)-11 tomando
f(x)=(1+x t d la
l base
b {1,x}
{1 } y utilizando
tili d los
l
 Descripción 2
puntos {-2,-1, 0 ,1, 2}. Repetir el proceso tomando {1,x }

 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)

z Tomando la base canónica,, y definido el

 Descripción intervalo [a,b] donde se desea aproximar
 Objetivos la función, el sistema se escribe como:
Temario (ϕ1 ( x )=1 ϕ2 ( x )= x ϕ3 ( x )= x

2
ϕm ( x ) = x )
m −1

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

z Ejemplo: Obtener la mejor aproximación de la función constante

 Descripción f(x)=2 mediante funciones de la forma α0+α1x+α2x2 por mínimos
cuadrados en el intervalo [-2,2].
 Objetivos
⎛ 2 1dx 2 2
⎞ ⎛ 2 2dx ⎞
⎜ ∫−2 ∫−2 ∫−2 ⎟ ⎛ α 0 ⎞ ⎜ ∫−2
2
xdx x dx
⎟
Temario ⎜ 2 2 2 ⎟⎜ ⎟ ⎜ 2 ⎟
⎜ ∫−2 ∫−2 ∫−2 ⎟ ⎜ 1 ⎟ ⎜ ∫−2
α = ⋅
2 3
Introducción xdx x dx x dx x 2 dx ⎟
Mínimos cuadrados ⎜ 2 ⎜
⎟ α ⎟ ⎜ 2 ⎟
⎜ ∫ x 2 dx ∫ x3 dx ∫ x 4 dx ⎟ ⎝ 2 ⎠ ⎜ ∫ x 2 ⋅ 2dx ⎟
2 2
- Planteamiento
- Aprox. Discreta ⎝ −2 −2 −2 ⎠ ⎝ −2 ⎠
2 2
∫ ∫
- Aprox. Continua
1dx = 4 2dx = 8
- No lineal −2 −2
- Ponderación 2 2 2

- 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

- Aprox. Discreta ∫−2 1dx = 4 ∫−2 1 + x 2 dx = 2.2143 1d

dx = 4 d = 2.2143
2 2143
- Aprox. Continua 1 2 16 2 1
∫−2 x dx = 3 ∫−2 x 1 + x 2 dx = 0
2 2
∫−2 = ∫−2 1 + x 2 dx = 0
2 2
- No lineal xdx 0 x
- Ponderación 64
16 2
∫−2 =
2
∫−2 x dx = 3
2 4
- Valoración x dx
5
Aprox. Uniforme 
⎛ 4 0 ⎞ ⎛ α 0 ⎞ ⎛ 2.2143 ⎞ ⎛ 4 5.3 ⎞ ⎛ α 0 ⎞ ⎛ 2.2143 ⎞
⎜  ⎟⎜ ⎟ = ⎜ ⎟⇒ ⎜  ⎟⎜ ⎟ = ⎜ ⎟⇒
 Bibliografía
g ⎝ 0 5.3 ⎠ ⎝ α1 ⎠ ⎝ 0 ⎠ ⎝ 5.3 12.8 ⎠ ⎝ α1 ⎠ ⎝ 1.7857 ⎠
⎧α = 0.5536 ⎧ α = 0.8270
→⎨ 0 →⎨ 0
⎩ α1 = 0 ⎩α1 = −0.2051
⇒ y = 0 x + 0.5536 ⇒ y = −0.2051x 2 + 0.8270

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

z Tanto en el caso discreto como en el continuo

continuo, los
 Descripción
cálculos se han basado en la linealidad de la función,
 Objetivos esto es,
Temario y= α1 f1(x) + α2 f2(x) + … αm fm(x)
Introducción
Mínimos cuadrados
- Planteamiento z Cuando la función es NO LINEAL bien se linealiza ((si
- Aprox. Discreta es posible), o bien se resuelve el sistema no lineal
- Aprox. Continua
- No lineal obtenido (ver tema de resolución de sistemas no
- Ponderación lineales)
- Valoración
Aprox. Uniforme

 Bibliografía
g z Linealización de funciones habituales
Exponencial y = ae → ln ( y ) = ln ( ae ) = ln ( a ) + bx ⇒ yˆ = A + bx
bx bx
–

– Potencial y = axb → ln ( y ) = ln ( axb ) = ln ( a ) + b ln ( x ) ⇒ yˆ = A + bxˆ

ax 1 bx + c b c 1
– Crecimiento y= → = = + ⇒ yˆ = A + Bxˆ
bx + c y ax a ax
21
 Análisis Numérico Aproximación por César Menéndez Fernández

Pesos

z En ocasiones interesa que el error se minore más en una

 Descripción parte del intervalo (continua) o para ciertos puntos (discreta),
 Objetivos para la que se introduce una función de ponderación o unos
pesos, que deben ser siempre positivos
Temario ⎧ N N

⎪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

z Dada la función conocida y la de ajuste, el error viene dado por

 Descripción n
f ( x ) ,ψ ( x ) = ∑ α iϕi ( x ) → Error Cuadrático = Sr = f ( x ) − ψ ( x ) , f ( x ) − ψ ( x ) →
 Objetivos i =0

⎧ 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