Professional Documents
Culture Documents
CAPITULO III
INTERPOLACIÓN
3.1- INTRODUCCIÓN
Con frecuencia se tiene que estimar valores intermedios entre datos o valores conocidos, como por ejemplo;
se conocen los valores específico del agua a ciertas temperaturas.
Temp °C 20 25 30 35 40 45 50
Calor esp. 0,99907 0,99852 0,99826 0,99818 0,99828 0,99849 0,99878
INTERPOLAR una función, consiste en sustituir esta, por otra función p (x ) con el objeto de facilitar ciertas
operaciones. Podemos realizar la interpolación cuando:
• Conocemos los valores numéricos de f (x ) solamente en un conjunto de puntos y necesitamos f (x ) en un
punto no tabulado.
• La expresión f (x ) es difícil de derivar o integrar.
Gráficamente
x1 x2 x3 ...
f ( xi ) = p n ( xi ) ; para i = 1,2,3,...., n
si representamos p n (x ) de la forma p n (x ) = a 0 + a1 x + a 2 x + ... + a n x
2 n
; debemos encontrar los
valores de los coeficientes, a 0 , a1 , a 2 ,..., a n de p n (x ) .
Resolviendo este sistema lineal, obtenemos los valores de los coeficientes a a , a1 ,..., a n de p n (x) . La
matriz A de los coeficientes es:
1 x0 x02 ...x0n
1 x1 x12 ...x1n
Matriz de Valdermonde
. . . .
1 xn x n2 x nn
encuentre p n (x ) = a 0 + a1 x + a 2 x
2
p 2 ( x0 ) = a 0 + a1 ( −1) + a 2 ( −1) 2 = 4
p 2 ( x1 ) = a 0 + a1 (0) + a 2 (0) 2 = 1
p 2 ( x2 ) = a 0 + a1 (2) + a 2 ( 2) 2 = −1
7 2
p 2 ( x) = 1 − x + x2
3 3
Dado los siguientes puntos x 0 , x1 , x 2 ,..., x n , es decir n+1 puntos distintos y y i = f ( xi ) ; para todo i = 1,
2, ...., n . Considerando p n (x ) , el polinomio de grado < n que interpola la función f ( x ) en x0 , x1 ,..., x n .
Representamos p n (x ) por: p n ( x ) = Y0 L0 ( xi ) + Y1 L1 ( xi ) + ... + Yn Ln ( xi ) = y i La forma más simple de
satisfacer la relación anterior es imponer la siguiente condición:
0 si k ≠i
LK ( xi ) =
1 si k =i
Definimos entonces
( x − x0 )( x − x1 )...( x − x K −1 )( x − x K +1 )...( x − x n )
LK ( x) =
( x K − x0 )( x K − x1 )...( x K − x K −1 )( x K − x K +1 )...( x K − x n )
En síntesis
K =n
p n ( x) = ∑Y
K =0
K LK ( x) ; donde
j =n
∏ (x − x
j =o
j )
k≠ j
LK ( x) = j =n
∏ (x
j =0
K − xj)
k≠ j
x -1 0 2
f(x) 4 1 -1
n = 2; y p 2 ( x) = Y0 L0 ( x) + Y1 L1 ( x) + Y2 L2 ( x) ; donde:
( x − x1 )( x − x 2 ) ( x − 0)( x − 2) x 2 − 2x
L0 ( x) = = =
( x0 − x1 )( x0 − x 2 ) (−1 − 0)(−1 − 2) 3
( x − x 0 )( x − x 2 ) ( x − (−1))( x − 2) x 2 − x − 2
L1 ( x) = = =
( x1 − x 0 )( x1 − x 2 ) (0 − (−1))(0 − 2) −2
( x − x 0 )( x − x1 ) ( x − (−1))( x − 0) x 2 + x
L2 ( x ) = = =
( x 2 − x0 )( x 2 − x1 ) (2 + 1)(2 − 0) 6
La fórmula de Newton para el polinomio p n (x) que interpola f(x) en x0 , x1 ,..., x n , con n+1 puntos distintos
es:
p n ( x) = d 0 + d1 ( x − x0 ) + d 2 ( x − x0 )( x − x1 ) + ... + d n ( x − x0 )( x − x1 )...( x − x n −1 )
Donde d k es el operador de diferencias divididas y donde los coeficientes k = 0.,1,..., n son diferencias
divididas de orden k entre los puntos [x j ; f ( x j ) ] ∀j = 0.,1,..., n
f [ x0 ] = f ( x0 ) orden 0
f [ x1 ] − f [ x0 ] f ( x1 ) − f ( x0 )
f [ x0 , x1 ] = = orden 1
x1 − x0 x1 − x0
f [ x1 , x 2 ] − f [ x0 , x1 ]
f [ x0 , x1 , x 2 ] = orden 2
x2 − x0
.
.
f [ x1 , x 2 ,..., x n ] − f [ x0 , x1 ,..., x n −1 ]
f [ x0 , x1 ,..., x n ] = orden n
x n − x0
se dice que f [ x0 , x1 ,..., x k ] es la diferencia dividida de orden k de la función f ( x ) sobre los k + 1 puntos:
x 0 , x1 , x 2 ,..., x k .
Dada la función f ( x ) y conocidos los valores de f ( x ) en los puntos x 0 , x1 , x 2 ,..., x n ; podemos construir
la siguiente tabla con los operadores de diferencias divididas
xn f[xn] f[xn-1,xn] .
Ejemplo 3.2: dada la siguiente tabla, construya la tabla de diferencias divididas de Newton
x -1 0 1 2 3
f ( x) 1 1 0 -1 -2
Tabla de diferencias divididas:
X orden 0 orden 1 orden 2 orden 3 orden 4
-1 1
0
0 1 -1/2
-1 1/6
1 0 0 -1/24
-1 0
2 -1 0
-1
3 -2
de la tabla concluimos que los valores de do = 1; d1 = 0; d2 = -1/2; d3 = 1/6; d4 = -1/24; por tanto
utilizando la fórmula de Newton para un polinomio de cuarto orden y sustituyendo los valores
tenemos
p 2 ( x) = d 0 + d1 ( x − x0 ) + d 2 ( x − x0 )( x − x1 ) + ... + d 4 ( x − x0 )...( x − x3 )
1 1 1
p 2 ( x) = 1 + 0 − ( x + 1)( x − 0) + ( x + 1)( x − 0)( x − 1) − ( x + 1)( x − 0)( x − 1)( x − 2)
2 6 24
7 5 1 1 4
p 2 ( x) = 1 − x − x2 + x3 − x
12 8 4 24
Al aproximar f ( x ) por un polinomio interpolador de grado < n se comete un error que esta dado por:
En(x) = f ( x ) – pn(x) ∀x ∈ [xo,xn];
El estudio del error es importante para saber cuan próximo está f ( x ) de pn(x) .
Graficamente.
p1(x)
f 2 ( x)
f1 ( x)
xo x1
E1(x)’ =f 2 ( x) – p1(x)
E1(x) = f 1 ( x) – p1(x) donde E1(x)’ < E1(x) ∀x ∈ [-xo,x1]
donde f(xo) = po(x) y el segundo término del segundo miembro de la ecuación corresponde al error, o sea
Eo(x) = (x-xo)f[xo,...,x]
p1(x) E1(x)
Aplicando sucesivamente el mismo raciocinio para xo,x1,x2,...xn tendremos la forma de Newton de grado <
n que interpola f ( x ) en xo,x1,x2,...xn
Existen diferentes maneras para estimar el error cometido cuando se interpola una función f ( x ) por un
polinomio pn(x). Una manera práctica de estimar el error cuando usamos el polinomio de interpolación de
Newton es:
0.2 0.16
0.4286
0.34 0.22 2.022
0.8333 -17.8916
0.4 0.27 -3.7033
0.1667 18.2492
0.52 0.29 1.0415
0.375 -2.6031
0.6 0.32 0.2085
0.4167
0.72 0.37
dado que 0.47 pertenece al intervalo [0.42; 0.52] y como el polinomio interpolador es de segunda orden
por lo tanto tenemos que elegir 3 puntos para obtener el polinomio; tomando:
xo = 0.4; x1 = 0.52; x2 = 0.6; obtenemos:
p2(0.47) = 0.2780
Teorema: si x0 , x1 ,..., x n son n+1 puntos distintos contenidos en el intervalo [a,b] y f(x) es una
función derivable n+1 veces en [a,b], entonces si x está contenido en el intervalo existe un número
z(x) tal que
f ( x) = p n ( x) + f n +1
( z ( x ))[( x − x 0 )( x − x1 )...( x − x n )] /( n + 1)!
Colorario: una cota para el error válida para todo punto x del intervalo es
n +1 ( x − x0 )( x − x1 )...( x − x n )
E n ( x) = f ( x) − p n ( x) ≤ máx f ( x)
(n + 1)!
La tabla de diferencias divididas puede auxiliar en la elección del grado del polinomio que usamos para
interpolar una función dada.
En primer lugar debemos construir la tabla de las diferencias divididas. Enseguida, examinamos las
diferencias divididas de la función en las proximidades del punto de interés. Si en estas proximidades las
diferencias divididas de orden ‘n’ son prácticamente constantes, o si las diferencias divididas de orden ‘n+1’
varían en torno de cero, podemos concluir que un polinomio interpolador de orden ‘n’ será el que mejor
aproximará a la función en la región considerada.
decimos entonces que en el intervalo [1; 1.05] un polinomio de orden n = 1 es una buena
aproximación para f ( x )
Cuando hacemos interpolación polinomial para una función f(x) se desea que la secuencia {pn(x)} de
los polinomios de grado <n converja a f(x) cuando n crece. Pero existen ejemplos de divergencia como el
conocido fenómeno de Runge.
1
Ejemplo: sea f ( x ) = definida ∀ ∈ [−1;1]
1 + 12 x 2
Vamos a interpolar f(x) en puntos igualmente espaciados, tales que:
Xi = -1 + 2i/n y tomamos n = 14
Ejemplo de
Runge.
Aproximamos
la función
por el
polinomio de
interpolación
que pasa
por los
puntos en
asterisco. Se
puede
observar
que la
aproximación
es mala
cerca de los
extremos
del
intervalo.
La divergencia ocurre en los extremos del intervalo. En este ejemplo conforme n crece, los puntos de
interpolación se vuelven cada vez más próximos y la diferencia | f(x) – p(x) | se vuelve arbitrariamente grande.
Terminamos este capítulo, estudiando un tipo de interpolación que ha demostrado poseer una gran finura, y
que inclusive es usado para el diseño por computadora, por ejemplo, de tipos de letras, imágenes, etc.
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 función spline está
formada por varios polinomios, cada uno definido en un intervalo y que se unen entre si bajo ciertas
condiciones de continuidad.
donde suponemos que x0 < x1 < L < xn , y dado k un número entero positivo, una función de
interpolación spline de grado k, para la tabla de datos, es una función s ( x ) tal que :
Una función spline de grado 1 que interpole los datos es simplemente unir cada uno de los puntos mediante
segmentos de recta, como sigue:
Claramente esta función cumple con las condiciones de la spline de grado 1. Así, tenemos que para este
caso:
⎧ s1 ( x ) si x ∈ [x0 , x1 ]
⎪s ( x ) s x ∈ [x1 , x2 ]
⎪
s ( x) = ⎨ 2
⎪ M
⎪⎩sn ( x ) si x ∈ [xn −1 , xn ]
donde:
i)
s j ( x ) es un polinomio de grado menor o igual que 1
iii)
s (x j ) = y j , para j = 0,1,...n
Por lo tanto, la spline de grado 1 queda definida como :
⎧ y0 + f [x1 , x0 ]( x − x0 ) si x ∈ [x0 , x1 ]
⎪ y + f [x , x ]( x − x ) x ∈ [x1 , x2 ]
⎪ si
s( x ) = ⎨ 1 2 1 1
⎪ M
⎪⎩ yn −1 + f [xn , xn −1 ]( x − xn −1 ) si x ∈ [xn −1 , xn ]
donde
f [ xi , x j ] es la diferencia dividida de Newton.
Para aclarar bien la idea, veamos un ejemplo concreto, consideremos los siguientes datos :
[3,4.5]
[4.5,7]
[7,9]
En cada uno de estos intervalos, debemos definir una función polinomial de grado 2, como sigue:
⎧ a1 x 2 + b1 x + c1 si x ∈ [3,4.5]
⎪
s ( x ) = ⎨a2 x 2 + b2 x + c2 si x ∈ [4.5,7]
⎪a x2 + b x + c
⎩ 3 3 3 si x ∈ [7,9]
Primero, hacemos que la spline pase por los puntos de la tabla de datos. Es decir, se debe cumplir que:
Vemos que esta derivada está formada por segmentos de rectas, que pudieran presentar discontinuidad
en los cambios de intervalo. Es decir, las posibles discontinuidades son x = 4.5 y x = 7 . Por lo tanto
para que s′( x ) sea continua, se debe cumplir que:
2a2 (7 ) + b2 = 2a3 (7 ) + b3
Ing Hugo Franco Paats 39
Cálculo Numérico CAPITULO III - Interpolación
o lo que es lo mismo,
14a2 + b2 = 14a3 + b3
Así, tenemos un total de 8 ecuaciones vs. 9 incógnitas; esto nos da un grado de libertad para elegir
alguna de las incógnitas. Elegimos por simple conveniencia a1 = 0 .
De esta forma, tenemos un total de 8 ecuaciones vs. 8 incógnitas. Estas son las siguientes:
3b1 + c1 = 2.5
4.5b1 + c1 = 1
20.25a2 + 4.5b2 + c2 = 1
49a2 + 7b2 + c2 = 2.5
49a3 + 7b3 + c3 = 2.5
81a3 + 9b3 + c3 = 0.5
b1 = 9a2 + b2
14a2 + b2 = 14a3 + b3
⎡3 1 0 0 0 0 0⎤ ⎡ b1 ⎤ ⎡2.5⎤
0
⎢4.5
⎢ 1 0 0 0 0 0 0⎥⎥ ⎢⎢ c1 ⎥⎥ ⎢⎢ 1 ⎥⎥
⎢0 0 20.25 4.5 1 0 0 0 ⎥ ⎢ a2 ⎥ ⎢ 1 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 49 7 1 0 0 0⎥ ⎢ b2 ⎥ ⎢2.5⎥
=
⎢0 0 0 0 0 49 7 1⎥ ⎢ c2 ⎥ ⎢2.5⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 0 0 81 9 1⎥ ⎢ a3 ⎥ ⎢0.5⎥
⎢1 0 −9 −1 0 0 0 0⎥ ⎢ b3 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 0 0 14 1 0 − 14 − 1 0⎥⎦ ⎢⎣ c3 ⎥⎦ ⎢⎣ 0 ⎥⎦
b1 = −1
c1 = 5.5
a2 = 0.64
b2 = − 6.76
c2 = 18.46
a3 = − 1.6
b3 = 24.6
c3 = − 91.3
Sustituyendo estos valores (junto con a1 = 0 ), obtenemos la función spline cuadrática que interpola la
tabla de datos dada:
⎧ − x + 5.5 si x ∈ [3,4.5]
⎪
s ( x ) = ⎨0.64 x 2 − 6.76 x + 18.46 si x ∈ [4.5,7]
⎪ − 1.6 x 2 + 24.6 x − 91.3 si
⎩ x ∈ [7,9]
Ing Hugo Franco Paats 40
Cálculo Numérico CAPITULO III - Interpolación
La gráfica que se muestra a continuación, contiene tanto los puntos iniciales de la tabla de datos, así
como la spline cuadrática.
3.5
2.5
1.5
0.5
3 4 5 6 7 8 9
El siguiente caso, que es el más importante en las aplicaciones, sigue exactamente los mismos pasos del
ejemplo que acabamos de resolver, solamente que en vez de trabajar con polinomios cuadráticos, lo hace con
polinomios cúbicos.
Para hacer más firme el entendimiento, escribimos la definición correspondiente a este caso (k=3).
Una spline cúbica que interpola estos datos, es una función s ( x ) definida como sigue :
⎧ s0 ( x ) si x ∈ [x0 , x1 ]
⎪ s ( x ) si x ∈ [x1 , x2 ]
⎪
s( x ) = ⎨ 1
⎪ M
⎪⎩sn −1 ( x ) si x ∈ [xn −1 , xn ]
donde cada si ( x ) es un polinomio cúbico; si ( xi ) = yi , para toda i = 0,1,.., k ,...n y tal que s( x ) tiene
Ejemplo 3.6: Interpolar los siguientes datos mediante una spline cúbica :
Solución.
Definimos un polinomio cúbico en cada uno de los intervalos que se forman:
⎧ a1 x 3 + b1 x 2 + c1 x + d1 si x ∈ [2,3]
s( x ) = ⎨ 3
⎩a2 x + b2 x + c2 x + d 2
2
si x ∈ [3,5]
A continuación, hacemos que se cumpla la condición de que la spline debe pasar por los puntos dados
en la tabla. Así, tenemos que:
⎧ 3a x 2 + 2b1 x + c1 si x ∈ [2,3]
s ′( x ) = ⎨ 1 2
⎩3a 2 x + 2b2 x + c 2 si x ∈ [3,5]
Al igual que en el caso de las splines cuadráticas, se presentan ecuaciones que pueden presentar
discontinuidad en los cambios de intervalo; las posibles discontinuidades son los puntos donde se
cambia de intervalo, en este caso x = 3 . Para evitar esta discontinuidad, evaluamos x = 3 en los
dos polinomios e igualamos:
o lo que es lo mismo:
⎧ 6a x + 2b1 si x ∈ [2,3]
s ′′( x ) = ⎨ 1
⎩6a 2 x + 2b2 si x ∈ [3,5]
En este punto contamos con 6 ecuaciones y 8 incognitas, por lo tanto tenemos 2 grados de libertad;
en general, se agregan las siguientes 2 condiciones:
s ′′( x0 ) = 0
s ′′( x n ) = 0
∴ 30a2 + 2b2 = 0
Con lo cual, hemos completado un juego de 8 ecuaciones vs. 8 incógnitas, el cual es el siguiente:
⎡8 4 2 1 0 0 0 0 ⎤ ⎡ a1 ⎤ ⎡ − 1 ⎤
⎢ 27
⎢ 9 3 1 0 0 0 0 ⎥⎥ ⎢⎢ b1 ⎥⎥ ⎢ 2 ⎥
⎢ ⎥
⎢0 0 0 0 27 9 3 1 ⎥ ⎢ c1 ⎥ ⎢ 2 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 0 125 25 5 1 ⎥ ⎢ d1 ⎥ ⎢ − 7 ⎥
=
⎢ 27 6 1 0 − 27 −6 −1 0⎥ ⎢ a2 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ 18 2 0 0 − 18 −2 0 0 ⎥ ⎢ b2 ⎥ ⎢ 0 ⎥
⎢12 2 0 0 0 0 0 0 ⎥ ⎢ c2 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣⎢ 0 0 0 0 30 2 0 0 ⎦⎥ ⎣⎢ d 2 ⎦⎥ ⎢⎣ 0 ⎦⎥
a1 = − 1.25
b1 = 7.5
c1 = − 10.75
d1 = 0.5
a2 = 0.625
b2 = − 9.375
c2 = 39.875
d2 = − 50.125
Sustituyendo estos valores en nuestra función inicial, vemos que la spline cúbica para la tabla de datos
dada, queda definida como sigue:
Obsérvese la finura con la que se unen los polinomios cúbicos que conforman a la spline. Prácticamente
ni se nota que se trata de dos polinomios diferentes! Esto es debido a las condiciones que se impusieron
sobre las derivadas de la función. Esta finura casi artística, es la que permite aplicar las splines cúbicas,
para cuestiones como el diseño de letras por computadoras, o bien a problemas de aplicación donde la
interpolación que se necesita es de un carácter bastante delicado, como podría tratarse de datos médicos
sobre algún tipo de enfermedad.
Solución.
Nuevamente, definimos un polinomio cúbico en cada uno de los intervalos:
⎧ a1 x 3 + b1 x 2 + c1 x + d1 si x ∈ [− 1,1]
⎪
s ( x) = ⎨a2 x 3 + b2 x 2 + c2 x + d 2 si x ∈ [1,2]
⎪ a x3 + b x 2 + c + d
⎩ 3 3 3 3 si x ∈ [2,4]
Despues, hacemos que la spline pase por los puntos dados en la tabla. Así, tenemos que:
s ( −1) = −1 implica que, − a1 + b1 − c1 + d1 = −1
Vemos entonces, que las posibles discontinuidades de s′( x ) son x = 1 y x = 2 . Por lo tanto,
para hacer que s′( x ) sea contínua, igualamos las ecuaciones correspondientes en ambos valores :
Nuevamente, las posibles discontinuidades son x = 1 y x = 2 . Por lo tanto, para que s′′( x) sea
contínua , se igualan las ecuaciones en ambos valores :
Finalmente, se agregan las condiciones de que la doble derivada se anule en los puntos inicial y final de
la tabla. En este caso,
− a1 + b1 − c1 + d1 = −1
a1 + b1 + c1 + d1 = 1
a2 + b2 + c2 + d 2 = 1
8a2 + 4b2 + 2c2 + d 2 = 5
8a3 + 4b3 + 2c3 + d 3 = 5
64a3 + 16b3 + 4c3 + d3 = −2
3a1 + 2b1 + c1 = 3a2 + 2b2 + c2
12a2 + 4b2 + c2 = 12a3 + 4b3 + c3
3a1 + b1 = 3a2 + b2
6a2 + b2 = 6a3 + b3
− 3a1 + b1 = 0
12a3 + b3 = 0
⎡−1 1 −1 1 0 0 0 0 0 0 0⎤ ⎡ a1 ⎤ ⎡ − 1⎤
0
⎢1
⎢ 1 1 1 0 0 0 0 0 0 0 0⎥⎥ ⎢⎢ b1 ⎥⎥ ⎢⎢ 1 ⎥⎥
⎢0 0 0 0 1 1 1 1 0 0 0 0⎥ ⎢ c1 ⎥ ⎢ 1 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 0 8 4 2 1 0 0 0 0⎥ ⎢ d1 ⎥ ⎢ 5 ⎥
⎢0 0 0 0 0 0 0 0 8 4 2 1⎥ ⎢ a2 ⎥ ⎢ 5 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 0 0 0 0 0 64 16 4 1⎥ ⎢ b2 ⎥ ⎢− 2⎥
=
⎢3 2 1 0 − 3 − 2 −1 0 0 0 0 0⎥ ⎢ c2 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 0 12 4 1 0 − 12 − 4 − 1 0⎥ ⎢d 2 ⎥ ⎢ 0 ⎥
⎢3 1 0 0 −3 −1 0 0 0 0 0 0⎥ ⎢ a3 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 0 0 0 6 1 0 0 − 6 − 1 0 0⎥ ⎢ b3 ⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢− 3 1 0 0 0 0 0 0 0 0 0 0⎥ ⎢ c3 ⎥ ⎢ 0 ⎥
⎢⎣ 0 0 0 0 0 0 0 0 12 1 0 0⎥⎦ ⎢⎣ d3 ⎥⎦ ⎢⎣ 0 ⎥⎦
51 21 24
a1 = a2 = − a3 =
140 , 10 , 35
153 297 288
b1 = b2 = b3 = −
140 , 35 , 35
89 473 1867
c1 = c2 = − c3 =
140 , 70 , 70
153 48 732
d1 = − d2 = d3 = −
40 , 35 , 35
⎧ 140 x + 140
51 3
x + 140
153 2 89
x − 153
40 si x ∈ [−1,1]
⎪ 21 3 297 2 473 48
s( x) = ⎨− 10 x + 35 x − 70 x + 35 si x ∈ [1,2]
⎪ 24 x3 − 288 x 2 + 1867 x − 732 si x ∈ [2,4]
⎩ 35 35 70 35
Finalmente, mostramos la gráfica correspondiente
8
-1 1 2 4
-2
3.8- EJERCICIOS
3. 1
a) Calcula e usando un polinomio de interpolación sobre tres puntos utilizando:
a.1- la forma de Lagrange
a.2- la forma de Newton.
b) De una estimativa del error para ambos casos.
3.2- Construya una tabla que contenga valores de cos( x ) para puntos igualmente espaciados en el
intervalo [1; 2]. ¿Cuál debe ser el menor número de puntos de esta tabla para obtener, a partir de ella, el
cos( x) usando interpolación cuadrática con un error menor que 10 −6 ∀x ∈ 1;2 [ ]
3.3- Construya la tabla de diferencias divididas de Newton con los siguientes datos:
x 0.0 0.5 1.0 1.5 2.0 2.5
f ( x) -2.78 -2.241 -1.65 -0.594 1.340 4.564
a) Calcula el valor de f(1,23) de la mejor manera posible de forma que se pueda calcular el error cometido.
b) Justifique el grado del polinomio elegido para resolver el item a)
x -1 0 1,5
f ( x) 1 0,5 3
3.6- Calcule f(3), utilizando la fórmula de Lagrange si f(1) =2; f(2) = 11 y f(4) = 77.
3.7- Suponiendo que f(x) tiene un cero en el intervalo 1<x<2 y sabiendo que f(0) = 16; f(1) = 1 y f(2) =2,
estime la localización de este cero.
i)
x -2 1 2 4
y -3 2.4 0,5 7,8
ii)
x 0,3 0,6 0,9 1,2 1,5
y -3 0 -6 9 -12
Soluciones:
Soluciones:
i)
x -2 1 3
y 40 -5 -20
ii)
x -2 1 3
y 40 -5 -20
Soluciones:
⎧ − 526
5
x 3 − 526
75 2
x − 4703
789 x − 789
5860
si x ∈ [− 5,−2]
⎪
ii) s ( x) = ⎨ 1241
7890 x
3
+ 2257
2630 x
2
− 15619
3945 x
− 1315
8012
si x ∈ [− 2,3]
⎪− 299 x 3 + 2093 x 2 − 10511 x + 860 si x ∈ [3,7]
⎩ 1578 526 789 263