Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Cálculo Avanzado-Fundamentos para el Análisis de Señales Docentes: Cavalieri Federico - Contini Liliana Ayudantes: Fabio Tibaldo - Maciel Martı́n APROXIMACION Y INTERPOLACION DE FUNCIONES September 26, 2014 mailto:cavafede@gmail.com Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Motivación Es usual que los ingenieros trabajen con datos extraı́dos de mediciones, relevamientos, ensayos de laboratorio, etc., que no siempre entregan el valor necesitado para el problema que se está tratando de resolver, o bien, se necesite que a partir de ese conjunto se tenga que, Derivar e integrar a partir de una tabla de datos. Evaluar de manera fácil una función matemática: aproximar una función dada. Trazar curvas a través de un conjunto discreto de datos. Se utilizará en el método de los elementos finitos (Unidad XIV). Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados APROXIMACION DE FUNCIONES Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Aproximación polinómica de funciones: Polinomio de Taylor Toda función f(x) � CN+1[a, b] se puede escribir como un polinomio PN de grado N , llamado Polinomio de Taylor más un término de error EN de grado N + 1: f(x) = PN (x|x0) + EN (x) para todo x � [a, b] El polinomio de Taylor PN , se calcula evaluando la función y derivadas en un punto de referencia x0 � [a, b] alrededor del cual se desarrolla la serie polinomial. f(x) ≈ PN (x|x0) = N∑ k=0 f (k) k! (x−x0)k EN (x) = f (N+1)(ξ(x)) (N + 1)! (x−x0)N+1 Por la forma que ha sido definido, se cumple: P (k) N (x0) = f (k)(x0) para k = 0, . . . , N Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Los polinomios de Taylor coinciden en lo posible con una determinada función en un punto especı́fico x0, pero concentran su exactitud cerca de él. Una buena interpolación polinómica debe ofrecer una aproximación relativamente exacta en todo un intervalo, y los polinomios de Taylor generalmente no lo hacen. Ejemplo: Supongamos que calculamos los seis primeros polinomios de Taylor alrededor de x0 = 0 para f(x) = ex, estos son: P0(x) = 1 P1(x) = 1 + x P2(x) = 1 + x+ x2 2 P3(x) = 1 + x+ x2 2 + x3 6 P4(x) = 1 + x+ x2 2 + x3 6 + x4 24 P5(x) = 1 + x+ x2 2 + x3 6 + x4 24 + x5 120 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Notar como aun en los polinomios de grado superior el error empeora progresivamente al alejarnos de x0 = 0. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados INTERPOLACION DE DATOS y FUNCIONES Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Los polinomios de Taylor no son adecuados para una aproximación. Además, aun conociendo el valor de la misma en algunos puntos, si no sabemos nada sobre las derivadas de una función tampoco podremos emplear Taylor. Por ejemplo, la siguiente tabla muestra valores experimentales para la elongación y la fuerza en el resorte de un sistema de suspensión de automóvil: Fuerza 104 [N] 10 20 30 40 50 60 70 80 Despla. [m] 0.1 0.17 0.27 0.35 0.39 0.42 0.43 0.44 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados ¿Cómo calcuları́amos el valor de la fuerza en el resorte para un valor de 0.2? ¿Cómo calcuları́amos la energı́a de deformación del resorte? Tendrı́amos que conocer el área bajo la curva, pero... ¿de qué función? Si tuviéramos que derivar, ¿con qué función lo harı́amos? Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Si conocemos las coordenadas de algunos puntos Podemos proponer una función por técnicas de interpolación. Finalmente, podemos usar la función propuesta para interpolar o extrapolar valores, y estimar derivadas o integrales. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Supongamos que tenemos una lista con datos ordenados de a pares como los que se muestran en la siguiente tabla: X x0 x1 x2 Y y0 y1 y2 y necesitamos conocer el valor de y para un x que se encuentra entre x1 y x2. Lo primero que podrı́amos proponer es una aproximación lineal. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Aproximación Lineal Consideremos la interpolación lineal entre dos puntos (la ecuación de la recta que pasa por dos puntos): y(x) = y0 + y1 − y0 x1 − x0 (x− x0) Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados y(x) = y0 + y1 − y0 x1 − x0 (x− x0) Joseph Louis Lagrange propuso escribir esta función de otra manera y(x) = y0 x− x1 x0 − x1 + y1 x− x0 x1 − x0 = y0L1,0(x) + y1L1,1(x) siendo las funciones L los polinomios coeficientes de Lagrange. L1,0(x) = x− x1 x0 − x1 L1,1(x) = x− x0 x1 − x0 donde en LN,k, N corresponde al orden del polinomio, en este caso será 1, por ser interpolación lineal k corresponde a los datos. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Los polinomios de orden 1 serán Notar la siguiente siguiente caracterı́stica: L1,0(x0) = 1 L1,0(x1) = 0 L1,1(x1) = 1 L1,1(x0) = 0 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Dado la caracterı́stica de los polinomios de Lagrange, se tiene lo siguiente y0L1,0(x0) = y0 y1L1,0(x1) = 0 y0L1,1(x0) = 0 y1L1,1(x1) = y1 Esto es, ykL1,k(x) toma el valor yk en el punto xk. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados En consecuencia, la sumatoria de todos los productos P1(x) = y0L1,0 + y1L1,1 = 1∑ k=0 ykL1,k(x) es el único polinomio de grado 1 que pasa exactamente a través de los puntos x0 y x1, que se tienen como datos. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados ¿Pero qué pasa si queremos usar más de dos puntos? Supongamos que necesitamos usar tres puntos de la Tabla. Entonces tendremos tres polinomios de Lagrange L2,0(x) = (x− x1)(x− x2) (x0 − x1)(x0 − x2) L2,1(x) = (x− x0)(x− x2) (x1 − x0)(x1 − x2) L2,2(x) = (x− x0)(x− x1) (x2 − x0)(x2 − x1) Luego, P2(x) = y0L2,0 + y1L2,1 + y2L2,2 = 2∑ k=0 ykL2,k(x) Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Generalización Para obtener el polinomio interpolador debemos seguir los siguientes pasos: Calcular N + 1 polinomios LN,k(x) relacionados cada uno con cada dato xk, donde N es el grado del polinomio y k indica el punto considerado, cuya particularidad es la siguiente: LN,k(x) = { 1 x = xk 0 x 6= xk para k = 0, 1, . . . N , que refiere a los datos usados para la interpolación. Los polinomios LN,k(x) se obtienen con la siguiente expresión: LN,k(x) = (x− x0) . . . (x− xk−1)(x− xk+1) . . . (x− xN ) (xk − x0) . . . (xk − xk−1)(xk − xk+1) . . . (xk − xN ) El polinomio interpolador se obtiene con la siguiente expresión: PN (x) = N∑ k=0 ykLN,k(x) Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Ejemplo A partir de la siguiente tabla de datos, se desea conocer el valor de y para x = 2, utilizando interpolación de Lagrange X 1 4 6 Y 0 1.3862 1.7917 Los gráficos se muestran a continuación Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Los polinomios son L2,0(x)= (x− x1)(x− x2) (x0 − x1)(x0 − x2) = (x− 4)(x− 6) (1− 4)(1− 6) L2,1(x) = (x− x0)(x− x2) (x1 − x0)(x1 − x2) = (x− 1)(x− 6) (4− 1)(4− 6) L2,2(x) = (x− x0)(x− x1) (x2 − x0)(x2 − x1) = (x− 1)(x− 4) (6− 1)(6− 4) Las gráficas de estos polinomios se muestran a continuación Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados El polinomio se calcula de la siguiente manera, P2(x) = 2∑ k=0 ykL2,k(x) = y0L2,0(x) + y1L2,1(x) + y2L2,2(x) La curva interpolada se muestra en la siguiente figura Notar que la función pasa por los puntos. Finalmente, P2(2) = 0.565793. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Aproximación de funciones con Polinomios de Lagrange Toda función f(x) � CN+1[a, b] se puede escribir como un polinomio PN de grado N , llamado Polinomio interpolador de Lagrange de f , más un término de error EN de grado N + 1: f(x) = PN (x|S) + EN (x) para todo x � [a, b] donde S es el conjunto de datos a interpolar, esto es: S = {(x0, f(x0), . . . , (xk, f(xk) . . . (xN , f(xN )} y donde el término de error se puede escribir como EN (x) = f (N+1)(ξ(x)) (N + 1)! n∏ i=0 (x− xi) para un ξ del intervalo [a, b] Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Ejemplo Si tomamos el ejemplo inicial de aproximar f(x) = ex, ahora por medio de polinomios de Lagrange, se puede demostrar que con cinco puntos x 0 1 2 4.5 6 f(x) = ex 1 2.71828 7.38906 90.0171 403.429 el polinomio resultante es P4(x) = 4∑ k=0 ykL4,k(x) = 1−5.35852x+11.7767x2−5.64971x3+0.949812x4 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados ¿Qué pasa con la función aproximada fuera del intervalo de valores x conocidos? En este caso [0, 6] Para estos casos es necesario utilizar técnicas de extrapolación. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados APROXIMACION DE FUNCIONES y DATOS Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Fundamentos Básicos de Espacios Funcionales Producto escalar de funciones: (f, g) = ∫ Ω f(x) g(x) dΩ. Dos Funciones son ortogonales cuando: (f, g) = 0 Una función f(x) se dice normalizada si: (f, f) = 1 Ejemplo Sean, f(x) = √ 5 2 1 2 (3x2 − 1) g(x) = 1 2 (5x3 − 3x) Luego, (f, g) = ∫ 1 −1 f(x)g(x)dx = 0 (f, f) = ∫ 1 −1 f(x)f(x)dx = 1 Ejemplos de familias de funciones ortogonales: Polinomios de Hermite, de Legendre, armónicos esféricos, funciones de Walsh, entre otros. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Mı́nimos cuadrados: Caso continuo Se desea hallar un polinomio Pn(x) que aproxime a una función conocida f(x) en un intervalo [a, b]. Se han estudiado las siguientes técnicas: Aproximación mediante el polinomio de Taylor. Concentran las precisión en el punto donde se desarrolla el polinomio y no en el intervalo [a, b]. Interpolación de Lagrange. En estas sección, estudiaremos otro método denominado: Mı́nimos Cuadrados. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Mı́nimos cuadrados: Caso continuo Dado un conjunto de funciones bases φ(x)� C0, de un espacio funcional ψ, es posible expresar otra función f(x)� Ψ como combinación lineal de las φi(x). Por ser bases las φi(x) tienen que ser linealmente independientes. f(x) = ∞∑ j=0 cjφj(x) donde cj , son incógnitas. Sin embargo, en la práctica, no puedo resolver el problema con un número infinito de incógnitas. Para ello construyo un espacio de dimensión finita, S =< φ0, φ1 . . . , φk >, y entonces, f̃(x) es una función que aproxima a f(x), f(x) ∼= f̃(x) = k∑ j=0 cjφj(x) y se genera un error E(x) E(x) = f(x)− f̃(x) Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados ¿Cuál es la mejor aprox. que minimiza el error? Estudiaremos el caso por medio de una interpretación gráfica y luego por medio de una interpretación analı́tica. Interpretación gráfica La mejor aproximación que minimiza el error es cuando (f̃ , E) = 0 Tomemos espacios vectoriales para facilitar la compresión Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Tomemos la función error como se habı́a definido previamente E(x) = f(x)− f̃(x) = f(x)− k∑ j=0 cjφj(x) Forzamos a que el error sea ortogonal a las funciones bases φi(x)∫ Ω E(x)φi(x)dΩ = ∫ Ω [ f(x)− f̃(x) ] φi(x)dΩ = 0 con i = 0, 1, 2 . . . , k Reordenando ∫ Ω f(x)− k∑ j=0 cjφj(x) φi(x)dΩ = 0 ∫ Ω k∑ j=0 cjφj(x)φi(x)dΩ = k∑ j=0 cj ∫ Ω φj(x)φi(x)dΩ = ∫ Ω f(x)φi(x)dΩ a partir de la definición de producto de funciones, k∑ j=0 cj(φj , φi) = (f, φi) con i = 0, 1, 2 . . . , k Esta ecuación representa un sistema lineal de ecuaciones. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados k∑ j=0 cj(φj , φi) = (f, φi) con i = 0, 1, 2 . . . , k i = 0 c0(φ0, φ0) + c1(φ1, φ0) + . . .+ ck(φk, φ0) = (f, φ0) i = 1 c0(φ0, φ1) + c1(φ1, φ1) + . . .+ ck(φk, φ1) = (f, φ1) ... i = k c0(φ0, φk) + c1(φ1, φk) + . . .+ ck(φk, φk) = (f, φk) En forma matricial (φ0, φ0) (φ1, φ0) . . . (φk, φ0)... ... . . . ... (φ0, φk) (φ1, φk) . . . (φk, φk) · c0 ... ck = (f, φ0) ... (f, φk) Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Ejemplo Queremos aproximar f(x) = x2 sin(x) si x < 1 de lo contrario x3 + 2 Utilizamos las siguientes funciones bases: φ0(x) = 1 φ1(x) = x2 φ2(x) = x3 φ3(x) = x4 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Ejemplo [A] = [ (φ0, φ0) (φ0, φ1) (φ0, φ2) (φ0, φ3) (φ1, φ0) (φ1, φ1) (φ1, φ2) (φ1, φ3) (φ2, φ0) (φ2, φ1) (φ2, φ2) (φ2, φ3) (φ3, φ0) (φ3, φ1) (φ3, φ2) (φ3, φ3) ] = [ 2 2.67 4 6.4 2.67 6.4 10.67 18.28 4 10.67 18.28 32 6.4 18.28 32 56.88 ] {b} = (f, φ0) (f, φ1) (f, φ2) (f, φ3) = 5.97324 15.3133 25.7679 44.384 {x} = c0 c1 c2 c3 Resolviendo el sistema [A]{x} = {b} {x} = [−0.0813668 − 1.1035 4.392 − 1.32646]T La función resulta: f̃(x) = ∑3 i=0 ciφi(x) = −0.0813668− 1.1035x2 + 4.392x3 − 1.32646x4 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Interpretación Analı́tica-Caso Continuo El concepto de Mı́nimos Cuadrados (M.C.) es el de minimizar el error, pero, ¿qué función error habrı́a que minimizar? Minimizar el error: Los errores positivos y negativos se pueden cancelar indicando que no hay error, cuando en realidad sı́ lo hay. min [ E = ∫ Ω (f(x)− f̃(x))dΩ ] Minimizar el valor absoluto del error: Evita el problema anterior, pero la función módulo no es derivable en el origen. min [ E = ∫ Ω ‖f(x)− f̃(x)‖dΩ ] Minimizar el cuadrado del error: supera las deficiencias de los otros dos métodos: min [ E = ∫ Ω (f(x)− f̃(x))2dΩ ] Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados E = ∫ Ω [ f(x)− f̃(x) ]2 dΩ = ∫ Ω f(x)− k∑ j=0 cjφj(x) 2 dΩ Para obtener las constantes que minimizan el error hacemos, ∂E ∂ci = ∫ Ω −2 f(x)− k∑ j=0 cjφj(x) φi(x)dΩ = 0 Notar que ∂cj/∂ci = 0 cuando j 6= i y ∂cj/∂ci = 1 cuando j = i∫ Ω f(x)φi(x)dΩ − k∑ j=0 ∫ Ω cjφj(x)φi(x)dΩ = 0 Llegamos al mismo sistema de ecuaciones! k∑ j=0 cj(φj , φi) = (f, φi) con i = 0, 1,2 . . . , k La misma solución que minimiza el cuadrado del error, es el que vuelve ortogonal al error. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Hay veces en que se desea encontrar una función que aproxime de la mejor manera posible una cantidad de puntos. Por ejemplo, si se miden experimentalmente el desplazamiento de un resorte para distintas fuerzas aplicadas, se obtienen una cantidad de puntos en un gráfico Fuerza-Desplazamiento. Se desea encontrar la constante de resorte k. La Ley de Hooke dice que esa relación es lineal. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados El problema es como determinar una función lineal que mejor aproxime a los resultados. Un polinomio interpolador no es una buena solución, como se ve en la figura Por otro lado si se quiere hallar una recta y(x) = mx+ b que pase por todos esos m puntos se obtiene un sistema de m ecuaciones con 2 incógnitas: m y b, que no tiene solución. Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Supongamos que tenemos un conjunto de datos discretos xp tal que x0 < x1 < . . . < xm para los cuales conocemos f(x0), f(x1), . . . , f(xm). Teniendo en cuenta la expresión de M.C. para el caso continuo, k∑ j=0 cj ∫ Ω φj(x)φi(x)dΩ = ∫ Ω f(x)φi(x)dΩ en el caso discreto, la integral se la reemplaza por la sumatoria, y la variable x se la evalúa en los datos discretos xp < φj , φi >= m∑ p=0 φj(xp)φi(xp) < f, φi >= m∑ p=0 f(xp)φi(xp) = m∑ p=0 ypφi(xp) Finalmente la forma discreta de mı́nimos cuadrados resulta, k∑ j=0 cj < φj , φi >=< f, φi > con i = 0, 1, 2 . . . , k Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Ejemplo Se desea encontrar una función f(x) cuadrática que ajuste a los siguientes datos X 0 0.1 0.2 0.3 Y 0 0.017 0.04 0.09 Solución. Utilizamos las siguientes funciones base: φ0(x) = 1 φ1(x) = x φ2(x) = x2 Luego, se aplica la siguiente expresión 3∑ j=0 cj < φj , φi > = < f, φi > con i = 0, 1, 2, 3 Reemplazando por los valores: 4 0.6 0.140.6 0.14 0.036 0.14 0.036 0.0098 · c0c1 c2 = 0.1440.0360.0097 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mı́nimos Cuadrados Resolviendo el sistema [A]{x} = {b} {x} = [0.0013 0.033 0.85]T La función resulta: f̃(x) = ∑2 i=0 ciφi(x) = 0.0013 + 0.033x+ 0.85x 2 Introducción Aproximación de Funciones: Taylor Interpolación: Lagrange Aproximación: Mínimos Cuadrados
Compartir