CAPITULO 4: INTERPOLACION

INTERPOLACION DE POLINOMIOS
Con frecuencia se tienen que estimar valores intermedios entre valores conocidos. El mtodo ms comn empleado para este propsito es la interpolacin polinomial. Recuerde que la frmula general de un polinomio de n-simo orden es: (1) Para n + 1 puntos, existe uno y slo un polinomio de n-simo orden o menor que pasa a travs de todos los puntos. Por ejemplo, hay slo una lnea recta (es decir un polinomio de primer orden) que conecta dos puntos. El polinomio de interpolacin consiste en determinar el nico polinomio de n-simo orden que se ajusta a losn + 1puntos dados. Este polinomio proporciona una frmula para calcular los valores intermedios. Aunque existe uno y slo un polinomio de n-simo orden que se ajusta a losn + 1 puntos, existen una gran variedad de frmulas matemticas mediante las cuales se puede expresar este polinomio. En esta unidad se estudian dos tcnicas alternativas que estn bien condicionadas para implementarse en una computadora. Estos son los polinomios de Newton y de Lagrange.

Leccin 10 Polinomios de interpolacin de Lagrange

../../../Documents and Settings/ESC. AGRARIAS/Escritorio/para clase y cuaciones/metodos para clase/tema2/interp04.html - atrasEl polinomio de interpolacin de Lagrange, simplemente es una reformulacin del polinomio de Newton que evita los clculos de las diferencias divididas. Este se puede representar concretamente como:

(21)

en donde:

(22)

En donde

denota el "producto de".

Por ejemplo, la versin lineal (n = 1) es:

(23)

y la versin de segundo orden es:

(24)

al igual que en el mtodo de Newton, la versin de Lagrange tiene un error aproximado dado por:

(25)

La ecuacin (21) se deriva directamente del polinomio de Newton. Sin embargo, la razn fundamental de la formulacin de Lagrange se puede comprender directamente notando que cada trmino Li(X) ser 1 en X=Xi y 0 en todos los dems puntos. Por lo tanto, cada producto Li(X) f (Xi) toma un valor de f (Xi) en el punto Xi. Por consiguiente la sumatoria de todos los productos, dada por la ecuacin (21) es el nico polinomio de n-simo orden que pasa exactamente por los n+1 puntos. Ejemplo 3.4 sese un polinomio de interpolacin de Lagrange de primer y segundo orden para evaluar ln 2 en base a los datos: i 0 1 2 Solucin: El polinomio de primer orden es: X 1.0 4.0 6.0 f(X) 0.000 0000 1.386 2944 1.791 7595

y, por lo tanto, la aproximacin en X = 2 es

de manera similar, el polinomio de segundo orden se desarrolla como:

Como se expresaba, ambos resultados son similares a los que se obtuvieron previamente usando la interpolacin polinomial de Newton. En resumen, para los casos en donde el orden del polinomio se desconozca, el mtodo de Newton tiene ventajas debido a que profundiza en el comportamiento de las diferentes frmulas de orden superior. Adems la aproximacin del error dada por la ecuacin (20), en general puede integrarse fcilmente en los clculos de Newton ya que la aproximacin usa una diferencia dividida. De esta forma, desde el punto de vista de clculo, a menudo, se prefiere el mtodo de Newton. Cuando se va a llevar a cabo slo una interpolacin, ambos mtodos, el de Newton y el de Lagrange requieren de un esfuerzo de clculo similar. Sin embargo, la versin de Lagrange es un poco ms fcil de programar. Tambin existen casos en donde la forma de Newton es ms susceptible a los errores de redondeo. Debido a esto y a que no se requiere calcular y almacenar diferencias divididas, la forma de Lagrange se usa, a menudo, cuando el orden del polinomio se conoce a priori.

Comentarios adicionales Hay dos temas adicionales que se deben de mencionar: La interpolacin con los datos igualmente espaciados y la Extrapolacin. Ya que los mtodos de Newton y de Lagrange son compatibles con los datos espaciados en forma arbitraria, se debe de preguntar por que se aborda el caso de los datos igualmente espaciados. Antes del advenimiento de las computadoras digitales, estos mtodos tuvieron gran utilidad en la interpolacin de tablas con datos igualmente espaciados. De hecho se desarrolla un esquema conocido como tabla de diferencias divididas para facilitar la implementacin de estas tcnicas. Sin embargo, y debido a que las frmulas son un subconjunto de los esquemas de Newton y Lagrange compatibles con la computadora y ya que se dispone de muchas funciones tabulares como rutinas de biblioteca, la necesidad de puntos equidistantes se fue perdiendo. En particular, se puede emplear en la derivacin de frmulas de integracin numrica que emplean comnmente datos equidistantes. La extrapolacin es el proceso de calcular un valor de f(X) que cae fuera del rango de los puntos base conocidos X0, X1,..., Xn. La interpolacin ms exacta usualmente se obtiene cuando las incgnitas caen cerca de los puntos base. Obviamente, esto no sucede cuando las incgnitas caen fuera del rango, y por lo tanto, el error en la extrapolacin puede ser muy grande. La naturaleza abierta en los extremos de la extrapolacin representa un paso en la incgnita porque el proceso extiende la curva ms all de la regin conocida. Como tal, la curva

verdadera diverge fcilemte de la prediccin. Por lo tanto, se debe tener cuidado extremo en casos donde se deba extrapolar.

Leccin 11 Polinomios de interpolacin con diferencias divididas de newton

Interpolacin lineal La frmula ms simple de interpolacin es la de conectar dos puntos con una lnea recta. Este mtodo, llamado Interpolacin Lineal, se muestra en la figura.

Fig. 1 Usando tringulos semejantes, se tiene:

(2)

Que se puede reordenar como:

(3)

La cul es la frmula de interpolacin lineal. La notacin f1(X) indica que se trata de un polinomio de interpolacin de primer orden. Ntese que adems de representar la pendiente de la lnea que conecta los dos puntos, el trmino [f(X1) f(X2)] / (X1 - X2) es una aproximacin de diferencias divididas finitas a la primera derivada. En general, entre mas pequeo sea el intervalo entre los puntos, ms exacta ser la aproximacin. EJEMPLO 3.1 Calclese el logaritmo natural de 2 (ln 2) usando interpolacin lineal. Primero, llvese a cabo los clculos interpolando entre ln 1 = 0 y ln 6 = 1.7917595. Despus reptase el procedimiento, pero usando un intervalo ms pequeo desde ln1 aln 4 = 1.3862944. Ntese que el valor real de ln 2 = 0. 69314718 SOLUCIN: Evaluando la frmula de interpolacin lineal (3) de X = 1 aX = 6 da:

La cual representa un error porcentual de e% = 48.3 %. Usando el intervalo ms pequeo desde X = 1 aX = 4 da:

Por lo contrario, usando el intervalo ms pequeo reduce el error relativo porcentual a e% = 33.3%

Interpolacin cuadrtica

../../../Documents and Settings/ESC. AGRARIAS/Escritorio/para clase y cuaciones/metodos para clase/tema2/interp02.html - atras El error en el ejemplo 3.1 se debe a que se aproxima a una curva mediante una lnea recta. Por consiguiente, una estrategia que mejora la aproximacin es la de introducir cierta curvatura en a lnea que conecta a los puntos. Si se dispone de tres puntos lo anterior se puede llevar a cabo con un polinomio de segundo orden (llamado tambin polinomio cuadrtico o parbola). Una manera conveniente para este caso es: (4) Ntese que aunque la ecuacin (4) parezca diferente de la ecuacin general de un polinomio (1), las dos ecuaciones son equivalentes. Esto se puede demostrar si se multiplican los trminos de la ecuacin (4) y obtener: (5) O, agrupar trminos: (6) En donde:

(7)

De esta manera, las ecuaciones (1) y (4) son frmulas alternativas equivalentes del nico polinomio de segundo grado que une a los tres puntos. Se puede usar un procedimiento simple para determinar los valores de los coeficientes. Para b0, se usa la ecuacin (4) con X = X0, y se obtiene b0 = f(X0) (8) Sustituyendo la ecuacin (8) en la ecuacin (4) y evaluando en X = X1 se obtiene:

(9)

Y por ltimo, las ecuaciones (8) y (9) se sustituyen en la ecuacin (4), y se evala sta en X = X2 y se obtiene:

(10)

Ntese que, al igual que en el caso de interpolacin lineal, b1 an representa la pendiente de la lnea que une los puntos X0 y X1. Por lo tanto, los primeros dos trminos de la ecuacin (4) son equivalentes a la interpolacin de X0 a X1, como se especific anteriormente en la ecuacin (3). El ltimo trmino, b2(X-X0) (X-X1), introduce la curvatura de segundo orden en la frmula. Ejemplo 3.2 Ajstese el polinomio de segundo orden a los tres puntos usados en el ejemplo 3.1 X0 = 1 f (X0) = 0.0000 000 X1 = 4 f (X1) = 1.3862 944 X2 = 6 f (X2) = 1.7917 595 sese el polinomio para evaluar ln 2 SOLUCIN: Aplicando la ecuacin (8) da: b0 = 0 la ecuacin (9) genera:

Y la ecuacin (10) da:

Sustituyendo estos valores en la ecuacin (4) se obtiene la frmula cuadrtica: f2 ( X ) = 0 + 0.4620981 (X - 1) - 0.05187312 (X - 1) (X - 4) que se evala en X = 2 y se obtiene f2 ( 2 ) = 0.5658443 Lo que representa un error porcentual del e% = 18.4%. Por lo tanto, mejora la interpolacin comparada con los resultados obtenidos al usar una lnea recta (ejemplo 3.1).

Leccin 12 Interpolacin polinomial de las diferencias finitas de newton

../../../Documents and Settings/ESC. AGRARIAS/Escritorio/para clase y cuaciones/metodos para clase/tema2/interp03.html - atrasEl anlisis anterior se puede generalizar en el ajuste de un polinomio de n-simo orden a losn+1 puntos. El polinomio de n-simo orden es: (11)

Como se hizo anteriormente con las interpolaciones lineales y cuadrticas, se usan los puntos en la evaluacin de los coeficientes b0, b1,..., bn. Se requieren n + 1 puntos para obtener un polinomio de n-simo orden: X0, X1,..., X n. Usando estos datos, con las ecuaciones siguientes se evalan los coeficientes: B0 = f (X0) B1 = f [X1, X0] B2 = f [X2, X1, X0]

(12)

... bn = f [Xn, Xn-1, ..., X1, X0] En donde las evaluaciones de la funcin entre corchetes son diferencias divididas finitas.

Por ejemplo, la primera diferencia dividida finita se representa generalmente como:

(13)

La segunda diferencia dividida finita, que representa la diferencia de dos primeras diferencias divididas finitas, se expresa generalmente como:

(14)

De manera similar, la n-sima diferencia dividida finita es:

(15)

Estas diferencias se usan para evaluar los coeficientes de la ecuacin (12), los cuales se sustituyen en la ecuacin (11), para obtener el polinomio de interpolacin: f n (X) = f(X0) + (X-X0) f[X1, X0] + (X-X0)(X-X1) f[X2, X1, X0] + (16) ...+ (X-X0)(X-X1)...(X-Xn-1) f[Xn, Xn-1,...,X1, X0] Al cual se le llama Polinomio de Interpolacin con Diferencias Divididas de Newton. Se debe notar que no es necesario que los datos usados en la ecuacin (16) estn igualmente espaciados o que los valores de la abscisa necesariamente se encuentren en orden ascendente, como se ilustra en el ejemplo 3.3

Todas las diferencias pueden arreglarse en una tabla de diferencias divididas, en donde cada diferencia se indica entre los elementos que la producen:

I 0 1 2 3

Xi X0 X1 X2 X3

f(Xi) f(X0) f(X1) f(X2) f(X3)

Primera f(X1, X0) f(X2, X1) f(X3,X2)

Segunda f(X2, X1, X0) f(X3, X2, X1)

Tercera f(X3, X2, X1, X0)

EJEMPLO 3.3 Usando la siguiente tabla de datos, calclese ln 2 con un polinomio de interpolacin de Newton con diferencias divididas de tercer orden:

X 1 4 6 5 SOLUCIN:

f(X) 0.000 0000 1.386 2944 1.791 7595 1.609 4379

El polinomio de tercer orden con n = 3, es.

Las primeras diferencias divididas del problema son:

Las segundas diferencias divididas son:

La tercera diferencia dividia es:

Los resultados para f(X1, X0), f(X2, X1, X0) y f(X3, X2, X1, X0) representan los coeficientes b1, b2 y b3Junto con b0 = f (X0) = 0.0, la ecuacin da: f3 (X) = 0 + 0.46209813 (X-1) - 0.0518731 (X-1)(X-4) + 0.0078655415 (X-1)(X-4)(X6) Arreglando la tabla de diferencias X f [X] f1[] f2[] f3[]

1.0 0.00000000 0.46209813 - 0.051873116 0.0078655415 4.0 1.3862944 6.0 1.7917595 0.20273255 - 0.020410950 0.18232160

5.0 1.6094379 Con la ecuacin anterior se puede evaluar paraX = 2 f3 (2) = 0.62876869 Lo que representa un error relativo porcentual del e% = 9.3%. Ntese que la estructura de la ecuacin (16) es similar a la expresin de la serie de Taylor en el sentido de que los trminos agregados secuencialmente consideran el comportamiento de orden superior de la funcin representada. Estos trminos son diferencias divididas finitas, y por lo tanto, representan aproximaciones a las derivadas de orden superior. En consecuencia, como sucede con la serie de Taylor, si la funcin representativa es un polinomio de n-simo orden, el polinomio interpolante de n-simo orden bajado en n + 1 llevar a resultados exactos. El error por truncamiento de la serie de Taylor es:

(17)

en donde es un punto cualquiera dentro del intervalo (Xi, Xi+1). Una relacin anloga del error en un polinomio interpolante de n-simo orden est dado por:

(18)

En dondees un punto cualquiera dentro del intervalo que contiene las incgnitas y los datos. Para uso de esta frmula la funcin en cuestin debe ser conocida y diferenciable. Y usualmente, este no es el caso. Afortunadamente existe una frmula alternativa que no requiere conocimiento previo de la funcin. En vez de ello, se usa una diferencia dividida finita que aproxima la (n+1)-simaderivada: Rn = f [X, Xn, Xn-1,..., X1, X0] (X-X0) (X-X1)...(X-Xn) (19) en donde f(X, Xn, Xn-1, ... , X0) es la (n+1)-sima diferencia dividida.

Ya que la ecuacin (19) contiene la incgnita f(X), sta no se puede resolver y obtener el error. Sin embargo, si se dispone de un dato adicional f(Xn+1), la ecuacin (19) da una aproximacin del error como: (20)

Leccin 13 Ajuste de curvas

Supongamos que tenemos un conjunto de puntos que mostramos en la siguiente grfica

De los puntos mostrados nos podemos dar cuenta que parece tener la forma de un polinomio de segundo grado de la forma: (1) Esta ecuacin (1) puede usarse para representar el conjunto de valores obtenidos experimentalmente para la cual debemos determinar los valores de a 1, a2, a 3, etc.

Para determinar estos valores utilizamos el siguiente procedimiento:

1. Establecer el criterio para determinar la ecuacin que represente a los valores (obtenidos experimentalmente). 2. Escribir la ecuacin que expresa el error o desviacin entre el valor observado y los valores dados por la ecuacin. 3. Habiendo obtenido la ecuacin del error, minimizar dicho error. Evaluacin del error Si consideramos las parejas de datos, como se muestra en la grfica

donde: d = distancia = Yobservada - Y obtenida por la ecuacin Yobservada = Valor obtenido experimentalmente. Y obtenida por la ecuacin = valor de la funcin evaluada en cualquier valor X Observando la grfica, parece que esta distancia se puede usar para representar el error, pero habr distancias positivas y negativas, (como se puede observar la distancia d1 es positiva y la distancia d2 es negativa) de modo que el error promedio para los puntos como los mostrados ser pequeo aunque los errores individuales sean grandes. Esta dificultad podra ser resuelta usando el valor absoluto de las distancias, sin embargo al derivar la funcin del valor absoluto se generan ciertos problemas.

La solucin podra ser definir el error como el cuadrado de la distancia, esto elimina la dificultad del signo. Por esta razn el mtodo se llama: Mtodo de Mnimos Cuadrados. (2) En donde S es la suma de los cuadrados de las diferencias entre el valor calculado y el valor observado y por lo tanto es el valor que se debe minimizar

(3)

Siendo el caso de que la curva supuesta es una ecuacin de segundo grado, se tiene la ecuacin:

(4)

Para minimizar la funcin anterior, derivando parcialmente con respecto a a1, a 2 y a 3 e igualando a cero:

(5)

(Obsrvese que las variables son a 1, a 2 y a 3, mientras que Yi, X constantes) Las ecuaciones se pueden expresar de acuerdo como sigue:

son

(6)

Lo anterior lo podemos expresar en forma matricial:

(7)

La frmula general para un polinomio de grado n en donde hay m parejas de datos es:

(8)

Como se puede observar el problema consiste en lo siguiente: 1. Obtener la matriz de coeficientes. 2. Resolver el sistema de ecuaciones resultantes. Recordando que: 1. Si n es el grado del polinomio, hay n+1 valores de la matriz de coeficientes y n+1 ecuaciones. 2. El mximo exponente de X en los trminos de la sumatoria de 2n puede ser que los datos no representen un polinomio de 2 o grado sino que representen uno de 3o y 4o grados. El ajuste de curvas es un procedimiento de tanteo y error, si una curva no representa los datos, entonces se intenta con un polinomio de grado superior. EJEMPLO: X 0.00 0.10 0.20 0.30 0.40 0.50 Y 0.0000 0.1002 0.2013 0.3045 0.4108 0.5211 X 0.60 0.70 0.80 0.90 1.00 Y 0.6367 0.7586 0.8881 1.0265 1.1752

De la tabla de datos, usando Mnimos Cuadrados, determine los polinomios de 2o, 3o y 4o grado; graficar para determinar la curva ms aproximada. SOLUCIN Polinomio de segundo grado ../../../Documents and Settings/ESC. AGRARIAS/Escritorio/para clase y cuaciones/metodos para clase/tema4/minim02.html - atrasPrimero determinamos los coeficientes de la matriz y los elementos constantes. Los elementos de la matriz son: M =11

Los trminos constantes son:

De acuerdo con esto, el sistema de ecuaciones a resolver es el siguiente:

Resolviendo por Gauss se obtienen los siguientes resultados. a1 = 0.006727 a2 = 0.895462 a3 = 0.265963 y el polinomio de segundo grado es:

Polinomio de tercer grado

../../../Documents and Settings/ESC. AGRARIAS/Escritorio/para clase y cuaciones/metodos para clase/tema4/minim02.html - atras Para el caso del polinomio de 3er grado se requiere:

M =11

y el sistema de ecuaciones a resolver es:

cuya solucin es: a1 = - 0.000112 a2 = 1.004150 a3 = - 0.019075 a4 = 0.190032 y el polinomio queda:

Polinomio de cuarto grado

../../../Documents and Settings/ESC. AGRARIAS/Escritorio/para clase y cuaciones/metodos para clase/tema4/minim02.html - atras Repitiendo el procedimiento anterior, se obtienen los siguientes resultados a1 = - 0.000112 a2 = 0.994595 a3 = 0.028713

a4 = 0.113563 a5 = 0.038237 quedando el polinomio como se muestra:

Leccin 14 Transformadas discretas de fourier.

La transformada de Fourier

La transformada de Fourier de una funcin continua e integrable de una variable real x se define por

Observemos que la transformada de una funcin real es una funcin compleja. Es decir,F(u)=R(u)+I(u), donde R(u) e I(u) son la parte real e imaginaria de F(u), respectivamente. La variable u recibe el nombre de variable de frecuencia.

El mdulo de F(u), |F(u)|= (R(u)2+ I(u)2)1/2 recibe el nombre del espectro de Fourier. El cuadrado del espectro se denomina espectro de potencias o densidad espectral de f(x). Su nguloP(u)=arctg(I(u)/R(u)) recibe el nombre de fase.

La inversa de la transformada se define como:

Anlogamente, se define la transformada de Fourier de una funcin continua e integrable de 2 variables:

y su inversa como

Transformada de Fourier discreta Sea f(x,y) una imagen en niveles de grises, tal que x=0,1,...,N-1 y=0,1,...,N-1; y e

f(x,y) toma valores discretos representando el nivel de gris del

pxel (x,y) entonces, la transformada discreta de Fourier de la imagen consiste en una funcin F(u,v) tal que u=0,1,...,N-1 y v=0,1,...,N-1:

y su inversa como

Propiedades de la transformada de Fourier En este apartado, nos vamos a centrar en las propiedades de la transformada de Fourier discreta bidimensional (TFD). La Separabilidad

Esta propiedad de la TFD esta relacionada con la posibilidad de calcular la TFD de una funcin bidimensional como una combinacin de dos transformadas Fourier discretas, calculando primero una TFD sobre la variable de uno de los ejes y al resultado aplicarle de nuevo la TFD sobre la variable del otro eje. La ventaja que aporta esta propiedad es el hecho de poder obtener la transformada F(x,y) o la inversa f(x,y) en dos pasos, mediante la aplicacin de la Transformada de Fourier 1-D o su inversa:

donde

Por tanto, la transformada de la matriz f(x,y) se ha realizado, calculando primero la transformada unidimensional a cada una de sus filas y multiplicando el resultado por N. Posteriormente, se calcula la transformada a cada una de las columnas de la matriz F(x,v) La linealidad La transformada de Fourier y su inversa son transformaciones lineales, es decir, poseen la propiedad distributiva respecto de la suma. La traslacin Tanto la transformada discreta de Fourier como la transformada inversa, son peridicas de periodo N. Un caso particular de esta propiedad consiste en mover el origen de la transformada de Fourier de f(x,y) al centro de la matriz N X N que le corresponda, es decir al punto (N/2,N/2). Para ello, podemos hacer uso de que: f(x,y)(-1)x+y se hace corresponder con F(u-n/2,v-N/2) Tambin cabe resaltar, que un desplazamiento en la funcin f(x,y), no provocar un cambio en la magnitud de su transformada de Fourier. Vase esto matemticamente en la siguiente expresin:

La Simetra La transformada de Fourier de una funcin f(x,) es real es simtrica conjugada. Esto provoca que: |F(u,v)|=|F(-u,-v)|

Por tanto, gracias a esta propiedad de simetra, para calcular la magnitud de los puntos de un periodo completo, tan slo necesitamos calcular los N/2+1 primeros puntos, siempre y cuando el origen de la transformada este centrado en el punto (N/2,N/2).Para conseguir este movimiento del origen en la transformada, podemos aplicar la propiedad de traslacin. La rotacin Si rotamos la funcin f(x,y) un ngulo determinado, la transformada de Fourier tambin ser afectada por una rotacin del mismo ngulo. Esta propiedad tambin se da a la inversa, es decir, si la transformada se rota en un determinado ngulo, la transformada inversa tambin se ver rotada ese mismo ngulo. Valor promedio Una definicin ampliamente utilizada del valor promedio de una funcin discreta de dos dimensiones es:

Esta expresin se puede calcular a partir de la transformada de Fourier, sin ms que sustituir en la funcin F(u,v) para el punto (0,0).Por tanto, el valorpromedio se puede expresar matemticamente en funcin de la transformada de Fourier, como sigue:

Representacin del logaritmo del espectro El espectro de Fourier suele tener un rango mucho mayor que los usuales para mostrar una imagen. Una tcnica usual para evitar esto es considerar el logaritmo del espectro usando la frmula D(u,v)=C(log(1+|F(u,v)|))

donde C es una constante adecuada de reescalado de la imagen, que se aplica para obtener valores dentro de la paleta de colores disponible.