Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 INSTITUTO TECNOLOGICO DE CERRO AZUL Métodos Numéricos ALUMNO: CRISTIAN SÁNCHEZ HERNÁNDEZ 19500474 UNIDAD: 5 INTERPOLACIÓN Y AJUSTE DE FUNCIONES DOCENTE: ING.SALVADOR ZAMORA GARZA CARRERA: INGENIERIA EN SISTEMAS COMPUTACIONALES CERRO AZUL, VER .2022 2 5.1 Polinomio de interpolación de Newton Utilizar la matriz de Vandermonde para muchos nodos no es muy buena idea ya que el tiempo de cálculo para matrices grandes es excesivo. Es mucho más sencillo utilizar el método clásico de las diferencias divididas de Newton. Recordemos su definición, para dos nodos, se llama diferencia dividida de orden uno a : Mientras que la diferencia dividida de orden n se obtiene por recurrencia a partir de las anteriores como: El polinomio de Newton en diferencias divididas es entonces: p(x)=f[x0]+(x-x0) f[x0,x1]+ (x-x0)(x-x1) f[x0,x1]+ +(x-x0)(x-x1) (x-xn-1) f[x0,x1, ... , xn] El polinomio de interpolación con diferencias divididas de Newton, entre otros es la forma más popular además de las más útil. Interpolación Lineal La forma más simple de interpolar es la de conectar dos puntos con una línea recta. Este método, llamado interpolación lineal, se muestra en la figura:ç https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/1.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/2.png?attredirects=0 3 Usando triángulos semejantes, se tiene: se puede reordenar como : La cual es una fórmula de interpolación lineal. La notación f 1(X) indica que se trata de un polinomio de interpolación de primer orden. Nótese que además de representar la pendiente de la linera que conecta los dos puntos, el termino https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/3.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/4.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/5.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/6.png?attredirects=0 4 Es una aproximación de diferencias divididas finitas a la primera derivada. En general, entre más pequeño sea el intervalo entre dos puntos, más exacta será la aproximación. Interpolación Cuadrática Una estrategia que mejora la aproximación es la introducir cierta curvatura en la línea que conecta a los puntos. Si se dispone de tres datos, lo anterior se puede llevar a cabo con un polinomio de segundo orden (llamado también polinomio cuadrático o parábola). Una manera conveniente para este caso es : Nótese que aunque la ecuación [1] parezca diferente de la ecuación general de un polinomio : Las dos ecuaciones son equivalentes. Se puede usar un procedimiento simple para determinar los valores de los coeficientes. Para bo , se usa la ecuación [4] con X=X0 y se obtiene. Sustituyendo la ecuación [6] y [4] y evaluando en X=X1 se obtiene: Y por ultimo las ecuaciones [7] y [6] se sustituyen en la ecuación [4] y se evalúa está en X=X2 y se obtiene: https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/7.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/9.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/11.png?attredirects=0 5 Nótese que, al igual que en el caso de interpolación lineal, b1 aun representa la pendiente de la línea que une los puntos X0 y X1. Por lo tanto, los primeros dos términos de la ecuación [4] son equivalentes a la interpolación de X0 a X1. El ultimo termino b2(X-X0) (X-X1), introduce la curvatura de segundo orden de la formula. Forma general de los Polinomios de Interpolación de Newton: Se debe notar que no es necesario que los datos usados en la ecuación [9] estén igualmente espaciados o que los valores de la abscisa necesariamente se encuentren en orden ascendente. También nótese que las ecuaciones son recursivas, esto es las diferencias de orden superior se componen de las diferencias de orden inferior. Esta propiedad se puede aprovechar al desarrollar un programa eficiente par un computador. 5.2 Polinomio de interpolación de Lagrange En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph- Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto más tarde por Leonhard Euler en 1783. Dado que existe un único polinomio interpolador para un determinado conjunto de puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de Lagrange. Un nombre más conciso es interpolación polinómica en la forma de Lagrange. Existen en todas las ramas de la ciencia, en la Física, en la Matemática, en la Química, en la Astronomía, en Biología, etc.. situaciones en las que conociendo un conjunto de datos experimentales en un cierto intervalo de la variable independiente, esto es, conociendo una cierta cantidad de datos tabulados, se hace preciso encontrar una función que verifique todos esos datos y permita, por consiguiente, predecir la existencia de otros valores con la aproximación adecuada. El problema http://es.wikipedia.org/wiki/An%C3%A1lisis_num%C3%A9rico http://es.wikipedia.org/wiki/Joseph-Louis_de_Lagrange http://es.wikipedia.org/wiki/Joseph-Louis_de_Lagrange http://es.wikipedia.org/wiki/Polinomio http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica http://es.wikipedia.org/wiki/Edward_Waring http://es.wikipedia.org/wiki/1779 http://es.wikipedia.org/wiki/Leonhard_Euler http://es.wikipedia.org/wiki/1783 http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/11.png?attredirects=0 https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/12.png?attredirects=0 6 de la interpolación es de gran importancia en el análisis numérico. En este artículo vemos muy brevemente una manera elemental de interpolación y la obtención de la conocida Fórmula Interpoladora de Lagrange. • Interpolacion y Polinomio de Interpolacion de Lagrange Se trata de encontrar un polinomio de grado n que pase por los puntos (x0, f(x0)), (x1, f(x1)), ... (xn, f(xn)), se construye un cociente Ln,k(xk) con la propiedad de que Ln,k(xi) = 0 cuando i ¹ k y Ln,k(xk) = 1 Se requiere entonces que el numerador contenga (x – x0) (x – x1)... (x – xk–1)(x – xk+1)... (x – xn) El denominador debe coincidir con el numerador cuando x = xk. • N-ésimo polinomio interpolante de Lagrange Teorema Si x0, x1, x2, ... xn, son n+1 números distintos y si f es una función cuyos valores están dados en esos números, entonces existe un polinomio de grado a lo más n, con la propiedad de que f(xk) = P(xk) para cada k = 0, 1, 2, ...n Este polinomio está dado por: Donde • Aproximación a 1/x con interpolantesde Lagrange https://sites.google.com/site/sistrevolution/5-1-interpolacion/interpolaciondelagrange/Imagen1.png?attredirects=0 https://sites.google.com/site/sistrevolution/5-1-interpolacion/interpolaciondelagrange/Imagen2.png?attredirects=0 https://sites.google.com/site/sistrevolution/5-1-interpolacion/interpolaciondelagrange/Imagen3.png?attredirects=0 7 Usaremos x0 = 2, x1 = 2.5 y x2 = 4, para obtener un polinomio de grado 2 para 1/x. f(x0) = 0.5, f(x1)= 0.4 y f(x2) = 0.25. Los polinomios de Lagrange son: P(x) = 0.5*((x–6.5)x+10)+0.4*((–4x+24)x–32)/3+ 0.25*((x + 4.5)x+5)/3 P(x) = (0.05x – 0.425)x + 1.15 = 0.05x2 – 0.425x + 1.15 f(3) = P(3) = 0.325 P(x) = (0.05x – 0.425)x + 1.15 f(3) = P(3) = 0.325 • Elerror en la interpolación de Lagrange El error en la interpolación de Lagrange puede calcularse con : https://sites.google.com/site/sistrevolution/5-1-interpolacion/interpolaciondelagrange/pag.4.png?attredirects=0 https://sites.google.com/site/sistrevolution/5-1-interpolacion/interpolaciondelagrange/1.png?attredirects=0 https://sites.google.com/site/sistrevolution/5-1-interpolacion/interpolaciondelagrange/2.png?attredirects=0 8 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. 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. Ejemplo : Interpolar con splines f(x) = 1 / x , en los puntos en los que x vale 1, 2 y 4 https://sites.google.com/site/metodosnumericosarm/trabajos/polinomios-de-interpolacion-de-lagrange/interpola_10.jpg?attredirects=0 9 f(1) = 1 f(2) = 0.5 f(4) = 0.25 El primer segmento P1(x) = ax + b deberá unir los primeros dos puntos de coordenadas (1,1) y (0.5,2). Surge un sistema lineal de dos ecuaciones en dos incógnitas: (1) 1=a+b (2) 0.5=2a+b De (1) se obtiene: a=1-b (3) Reemplazando (3) en (2) se obtiene: 0.5=2(1-b)+b luego b=1.5 Reemplazando el valor de (b) en (1), se obtiene: a = - 0.5 Por lo tanto, se concluye que: P1(x) = - 0.5x + 1.5 El segundo segmento P2(x) = ax + b deberá unir el segundo punto (0.5,2) con el tercer punto (0.25,4). Análogamente a lo hecho para P1(x), en el caso de P2(x) se obtiene: (1) 0.5 = 2a + b (2) 0.25 = 4a + b a = - 0.125, b = 0.75 Luego P2(x) = - 0.125x + 0.75 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 10 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. Esto sin embargo no es suficiente, y necesitamos una condición más. ¿Por qué?. Tenemos 3 incógnitas por cada P(x). En un caso sencillo con f(x) definida en tres puntos y dos ecuaciones P(x) para aproximarla, vamos a tener seis incógnitas en total. Para resolver esto necesitaríamos seis ecuaciones, pero vamos a tener tan sólo cinco: cuatro que igualan el P(x) con el valor de f(x) en ese punto (dos por cada intervalo), y la quinta al igualar la derivada en el punto común a las dos P(x). Se necesita una sexta ecuación,¿de dónde se extrae? Esto suele hacerse con el valor de la derivada en algún punto, al que se fuerza uno de los P(x). Interpolación Segmentaria Cúbica En este caso, cada polinomio P(x) a través del que construimos los Splines en [m,n] tiene grado 3. Esto quiere decir, que va a tener la forma P(x) = ax³ + bx² + cx + d En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una nueva condición para cada punto común a dos intervalos, respecto a la derivada segunda: 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. Que la derivada segunda en un punto siempre coincida para ambos "lados" de la función definida a trozos que pasa por tal punto común. Como puede deducirse al compararlo con el caso de splines cuadráticos, ahora no nos va a faltar una sino dos ecuaciones (condiciones) para el número de incógnitas que tenemos. 11 La forma de solucionar esto, determina el carácter de los splines cúbicos. Así, podemos usar: Splines cúbicos naturales: La forma más típica. La derivada segunda de P se hace 0 para el primer y último punto sobre el que está definido el conjunto de Splines, esto son, los puntos m y n en el intervalo [m,n]. Dar los valores de la derivada segunda de m y n de forma "manual", en el conjunto de splines definidos en el intervalo [m,n]. Hacer iguales los valores de la derivada segunda de m y n en el conjunto de splines definidos en el intervalo [m,n] 5.4 Regresión y correlación En las distribuciones bidimensionales que siguen una dependencia estadística se utilizan gráficas de puntos para representar sus tendencias. No obstante, dichas tendencias pueden apuntar a una ley de tipo funcional, que pueda explicar el comportamiento global de la distribución. Para hallar esta ley se utilizan métodos de regresión y correlación entre las variables. Regresión y líneas de regresión Con frecuencia, las variables que constituyen una distribución bidimensional (ver t61) muestran un cierto grado de dependencia entre ellas. Un ejemplo típico de esta relación aparece en las tablas de peso y altura de los grupos de población: aunque no existe una ley causal que relacione ambas variables, en términos estadísticos se aprecia una dependencia entre ellas (cuando aumenta la altura, suele hacerlo también el peso). Esta dependencia se refleja en la nube de puntos que representa a la distribución, de modo que los puntos de esta gráfica aparecen condensados en algunas zonas. La concentración de puntos en algunas regiones de la nube refleja la existencia de una dependencia estadística, y la posibilidad de definir una ecuación de regresión. https://www.hiru.eus/es/matematicas/tablas-de-doble-entrada https://www.hiru.eus/es/matematicas/tablas-de-doble-entrada 12 En tales casos, se pretende definir una ecuación de regresión que sirva para relacionar las dos variables de la distribución. La representación gráfica de esta ecuación recibe el nombre de línea de regresión, y puede adoptar diversas formas: lineal, parabólica, cúbica, hiperbólica, exponencial, etcétera. Regresión lineal Cuando la línea de regresión se asemeja a una recta (regresión lineal), puede ajustarse a esta forma geométrica por medio de un método general conocido como método de los mínimos cuadrados. La recta de ajuste tendrá por ecuación y = ax + b, donde los coeficientes a y b se calculan teniendo en cuenta que: • La recta debe pasar por el punto ( ). • La separación de los puntos de la gráfica de dispersión con respecto a la recta de regresión debe ser mínima.Estas dos condiciones conducen a una recta de ajuste expresada por la ecuación: donde es la media aritmética de la primera variable, la media aritmética de la segunda variable, sx la desviación típica de la primera variable y sxy un valor denominado covarianza, que se define por la expresión: Correlación En una distribución bidimensional, se define correlación, denotada por r, como el grado de dependencia que existe entre las dos variables del modelo, de modo que: • Cuando al aumentar el valor de una variable crece también el de la otra, la correlación es directa, e inversa en caso contrario. • Si no existe dependencia entre las variables, la correlación es nula. Para conocer si una correlación es directa o inversa, basta con determinar su covarianza: • Si la covarianza es positiva, la correlación es directa. • Cuando la covarianza es negativa, existe una correlación inversa entre las variables. 13 Ejemplos de correlación inversa. Coeficiente de correlación La medida exacta del grado de dependencia entre las dos variables de una distribución bidimensional se obtiene por medio del denominado coeficiente de correlación. Este parámetro se define como el cociente entre la covarianza de la distribución y el producto de las desviaciones típicas de cada una de las variables. Es decir: • Si r = +1, la correlación es máxima directa. Cuando r = -1, la correlación es máxima inversa. En ambos casos, existe entre las variables una dependencia funcional (todos los puntos están situados sobre la recta de regresión). • Si -0,5 £ r £ +0,5, se dice que entre las variables existe una dependencia baja. 14 5.5 Mínimos cuadrados Cuando varias personas miden la misma cantidad, generalmente no obtienen los mismos resultados. De hecho, si la misma persona mide la misma cantidad varias veces, los resultados variarán. ¿Cuál es la mejor estimación para la verdadera medición? El método de mínimos cuadrados proporciona una forma de encontrar la mejor estimación, suponiendo que los errores (es decir, las diferencias con respecto al valor verdadero) sean aleatorias e imparciales. ¿Qué son los 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. Definición: 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: 15 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. El método de mínimos cuadrados calcula a partir de los N pares de datos experimentales (x, y), los valores m y b que mejor ajustan los datos a una recta. Se entiende por el mejor ajuste aquella recta que hace mínimas las distancias d de los puntos medidos a la recta. Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al conectar punto a punto no se describe una recta, debemos aplicar el método de mínimos cuadrados, basándonos en su expresión general: Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea de mejor ajuste que explique la posible relación entre una variable independiente y una variable dependiente. En el análisis de regresión, las variables dependientes se designan en el eje y vertical y las variables independientes se designan en el eje x horizontal. Estas designaciones formarán la ecuación para la línea de mejor ajuste, que se determina a partir del método de mínimos cuadrados. Ejemplo del método de mínimos cuadrados Para entender con claridad la aplicación del método veamos un ejemplo: Encontrar la recta que mejor se ajusta a los siguientes datos: Veamos el gráfico: 16 Necesitamos encontrar una recta y = mx + b. Debemos aplicar el método de mínimos cuadrados. Como ya sabemos entonces, primero centraremos el valor (x ∙ y): Segundo por las expresiones de m y b debemos encontrar el valor x²: 17 Ahora podemos obtener los valores de las sumatorias de cada columna: Sustituimos en cada una de las expresiones: La recta obtenida con el método de los mínimos cuadrados es la siguiente: Observemos el gráfico: 18 Vemos que la recta corta al eje y en 11,48 y en el eje x en 13,57. Por lo tanto, si queremos saber dónde corta en el eje x igualamos la ecuación y = 0: Despejamos x: 19 5.6 Problemas de aplicación Determinar la función lineal de interpolación que pasa por los puntos (-1 , 0) , (4 , 2) . Interpola el valor a = 1 y extrapola el valor b = 5. Tenemos los puntos: P(x0 , y0) = (-1 , 0) Q(x1 , y1) = (4 , 2) Obtenemos la función de interpolación lineal: Interpolando a = 1 obtenemos: f(1) = 2/5 + 2/5 = 4/5 Extrapolando b = 5 obtenemos: f(5) = 2 + 2/5 = 12/5 20 Bibliografía autor, S. (s.f.). sites google. Obtenido de https://sites.google.com/site/danaly7/unidad-5/polinomio-de- interpolacion-de-newton autor, S. (s.f.). Sites Google. Obtenido de https://sites.google.com/site/metodosnumericosarm/trabajos/polinomios-de-interpolacion- de-lagrange calculo. (s.f.). Obtenido de https://calculo.cc/temas/temas_bachillerato/primero_ciencias_sociales/funciones_elementale s/problemas/p_interp_extrap.html hiru. (s.f.). Obtenido de https://www.hiru.eus/es/matematicas/recta-de-regresion-y-correlaciones López, R. A. (s.f.). Sites Google. Obtenido de https://sites.google.com/site/metsistec/unidad-4- modificar-tablas-de-datos-i miprofe. (s.f.). Obtenido de https://miprofe.com/minimos-cuadrados/ 21 INTERPOLACIÓN Y AJUSTE DE FUNCIONES 5.1 Polinomio de interpolación de Newton Utilizar la matriz de Vandermonde para muchos nodos no es muy buena idea ya que el tiempo de cálculo para matrices grandes es excesivo. Es mucho más sencillo utilizar el método clásico de las diferencias divididas de Newton. Recordemos su definición, para dos nodos, se llama diferencia dividida de orden uno a : 5.2 Polinomio de interpolación de Lagrange En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto más tarde por Leonhard Euler en 1783. Dado que existe un único polinomio interpolador para un determinado conjunto de puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de Lagrange. Un nombre más conciso es interpolación polinómica en la forma de Lagrange. 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 adecuadamentepara formar nuestra interpolación. Cabe mencionar que, entre todas, las splines cúbicas han resultado ser las más adecuadas para aplicaciones como la mencionada anteriormente. 5.4 Regresión y correlación En las distribuciones bidimensionales que siguen una dependencia estadística se utilizan gráficas de puntos para representar sus tendencias. No obstante, dichas tendencias pueden apuntar a una ley de tipo funcional, que pueda explicar el comportamiento global de la distribución. Para hallar esta ley se utilizan métodos de regresión y correlación entre las variables. cuadrados Cuando varias personas miden la misma cantidad, generalmente no obtienen los mismos resultados. De hecho, si la misma persona mide la misma cantidad varias veces, los resultados variarán. ¿Cuál es la mejor estimación para la verdadera medición? El método de mínimos cuadrados proporciona una forma de encontrar la mejor estimación, suponiendo que los errores (es decir, las diferencias con respecto al valor verdadero) sean aleatorias e imparciales. 5.5 Mínimos cuadrados Cuando varias personas miden la misma cantidad, generalmente no obtienen los mismos resultados. De hecho, si la misma persona mide la misma cantidad varias veces, los resultados variarán. ¿Cuál es la mejor estimación para la verdadera medición? El método de mínimos cuadrados proporciona una forma de encontrar la mejor estimación, suponiendo que los errores (es decir, las diferencias con respecto al valor verdadero) sean aleatorias e imparciales. 5.6 Problemas de aplicación Determinar la función lineal de interpolación que pasa por los puntos (-1 , 0) , (4 , 2) . Interpola el valor a = 1 y extrapola el valor b = 5. https://sites.google.com/site/danaly7/unidad-5/polinomio-de-interpolacion-de-newton/1.png?attredirects=0 http://es.wikipedia.org/wiki/An%C3%A1lisis_num%C3%A9rico http://es.wikipedia.org/wiki/Joseph-Louis_de_Lagrange http://es.wikipedia.org/wiki/Joseph-Louis_de_Lagrange http://es.wikipedia.org/wiki/Polinomio http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica http://es.wikipedia.org/wiki/Edward_Waring http://es.wikipedia.org/wiki/Edward_Waring http://es.wikipedia.org/wiki/1779 http://es.wikipedia.org/wiki/Leonhard_Euler http://es.wikipedia.org/wiki/Leonhard_Euler http://es.wikipedia.org/wiki/1783 http://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica
Compartir