Upload
eaomontes
View
240
Download
0
Embed Size (px)
DESCRIPTION
San marcos
Citation preview
Ajuste de DatosLa interpolacin presupone el conocimiento certero de los valores de f(x) en ciertos puntos.
En un experimento fsico la funcin f(x) se conoce a travs (x,y), y una aproximacin del error; vale decir:
yi = F(x) + ii = 1,2,...,m
Siendo n el error o ruido y m el nmero de datos.
El objetivo del ajuste de datos es aproximar los datos mediante una funcin, que represente la mayor parte de la informacin y escaso ruido: anlisis conocido como de regresin.
Aproximacin de mnimos cuadrados La forma de la funcin F(x) depende del problema (La tendencia de los datos); sea :
donde n es nmero de sumando y fi son funciones bsicas, determinadas al conocerse un problema.
La evaluacin de xi en las fj genera :
equivalente en modo matricial :
La matriz de valores de las funciones bsicas
es :x ij = fj (xi )
del sistema de ecuaciones Xc = y + , se tiene :
=Xc - y
Al minimizar la proximacin de los errores, se minimiza la norma del error. Se usa la solucin por mnimos cuadrados :
desde
Minimizando con referencia a ck
equivalente a : (Xc y)T X = 0 X T (Xc y ) = 0 X T Xc = X T y
que son conocidas como ecuaciones normales.
Tcnica de DoolittePartiendo de una recta de regresin para F(x)
F(x) = c1 + c2 x + c3 x2
se encuentra que la matriz de funcin bsica es de orden n = 3.
X =
X TX es
X TX = y
X T y =
Sean los datos : (-2,2), (-1,-1), (0,0), (1,-1), (2,2)
X =
X T =
X T X =
y =
X T y =
El sistema :
( X T X) c = ( X T y) es :
obtenindose: c1 = -2, c2 = 0 , c3 = 1
luego :F(x) = -2 + x2
Fig. 4.18 : Mincua.m
A continuacin se presenta el caso de F(x) es una recta de regresin
F(x) = c1 + c2 x
y los puntos : (1,3), (2,4), (3,5) y (4,6)
X =
X T =
X T X =
X T y
el sistema de ecuaciones es :
tiene solucin: c1 = 2 y c2 = 1
yF(x) = 2 + x
Interpolacin segmentaria o spline Cuando se interpola polinomios de grado grande, el tamao del error tambin es considerable. Se sugiere dividir el intervalo de los puntos x0 , x1 ,....., xn en varios segmentos y buscar el polinomio interpolante para cada caso; haciendo que los cambios entre ellos no sean abruptos, sino suavizados.
La interpolacin segmentaria o spline tiene su origen en las plantillas que hacen uso los dibujantes para suavizar las curvas entre los puntos de un segmento.
Interpolacin segmentaria linealDefiniendo :
y
se tiene la forma
en x = 8.0
La expresin general para un spline lineal es :
S(x) = yi + mi (x xi ) para xi x xi+1
donde mi = ( yi+1 yi ) / (xi+1 xi ) , y
Fig. 4.19
Fig. 4.20 : Spline1.m
Spline cbico Sea el intervalo [a,b] con (n+1) puntos con:
a = x0 < x1 < x2 < ... < xn = b
la funcin S es llamada un spline cbico, si cumple :
1. Es diferenciable y continua en [a,b].2. S coincide en cada intervalo [xi , xi+1], i = 0,1,...,(n-1) con un polinomio de grado 3.
La funcin S spline cbico posee n polinomio cbicos S(x), con las siguientes propiedades :1.
2. S(xi ) = yi el spline pasa por cada punto, i = 0,1,..., n.
3. Si (xi+1) = Si+1(xi+1) el spline forma una funcin continua, i = 0,1,..., n-2
4. Si (xi+1) = Si+1(xi+1) el spline forma una funcin suavisada, i = 0,1,..., n-2
5. Si (xi+1) = Si+1(xi+1) la segunda derivada es continua, i = 0,1,..., n-2
Para cada particin en [a,b], se tiene :
hi+1 = xi+1 xii = 0,1,..., n-1
Mi = S(xi ), siendo Mi el momento de S.
De la definicin de la interpolacin de Lagrange y sabiendo que la derivada segunda en una funcin cbica es una lnea, se tiene :
al integrar Si (x) ,
De Si (xi ) = yi y Si (xi+1) = yi+1
las constantes de integracin Ai , Bi son :
Para determinar los coeficientes i , i , i y i , se plantea :
Fig. 4.21 : Spline3.m
Por cada [xi , xi+1 ] existen cuatro incgnitas, luego el spline cbico tiene aparentemente 4n incgnitas. Se plantean las siguientes ecuaciones:
1. De la propiedad 4, Si (xi+1 ) = Si+1(xi+1) , con :
Se tiene un conjunto de ecuaciones :
Como , , , , son funcin de M0 , M1, ..., Mn , entonces slo se requieren (n+1) incgnitas.
2. Se tienen (n-1) ecuaciones y las otras dos ecuaciones se encuentran cuando se cumple :
S0(a) = M0 = 0 = Mn = Sn-1(b)
en este caso se dice que el spline es natural; o cuando :
S0(a) = y0 y Sn-1(b) = yn ,
y se tiene las ecuaciones :
en este caso que el spline es tipo grampa empalme (clamp).
Introduciendo las siguientes abreviaturas :
en el spline empalme, 0 = 0 , b0 = 0 , n = 0 , bn = 0 para i = 0 y n (en el spline natural); se tiene el sistema de ecuaciones lineales :
En notacin matricial :
que es un sistema triagonal (ver captulo 4) con:
con a0 = 0 y cn = 0.
Para n = 3 y los puntos (x,y) : (0,0) , (1 , 0.5), (2,3), (3,2) ; con la modalidad natural se tienen los resultados
x(x0 , x1)(x1 , x2)(x2 , x3)00.53.0-0.2672.0331.13302.300-3.2000.767-1.8331.067
Problemas1. Asumir f continua en [a,b] y x0 es un valor [a,b]f (x) = Pn(x) + Rn(x) Donde :
a) Si |x| < 1 la aproximacin :
Sen(x) = x x3/3! + x5/5! x7/7! + x9/9!
Encontrar P5(0.8) , P7(0.8) , R5(0.8) , R7(0.8)
b) Plantear un programa que evale Sen(x).
2. Definiendo
probar que :
3. Usar los polinomios de Lagrange para calcular y(1.18), a partir de la tabla :
xy1.051.101.151.201.251.301.0251.0491.0731.0951.1181.140
4. Usar la Interpolacin de Newton para calcular y(15), teniendo la tabla :
5. Encontrar la ecuacin de regresin para los puntos:
ixiyi01261020104160370
6. Encontrar la ecuacin de regresin para los puntos:
y la funcin:
7. Una interpolacin lineal en dos dimensiones, consiste en buscar un polinomio: z = P(x,y) = A + Bx + Cy que pasa por tres puntos (x0, y0, z0), (x1, y1, z1) y (x2, y2, z2).
8. Una serie de la forma :
es llamada una aproximacin polinomial trigonomtrica de orden n ; siendo el grado m (n-1)/2.
Los coeficientes aj y bj son calculados por las frmulas :
Asumir que los pares ( xi , yi ) estn definidos como :
9. Utilizar la funcin griddata de MATLAB, para generar variables aleatorias (matrices x,y)
x ~ U(-2,2)y ~ U(-2,2)
10. Utilizar la funcin Lagrange.m para graficar el uso de la interpolacin de Lagrange.
Respuestas1. P5(x) = x x3 / 3! + x5 / 5! = 0.71739733
P5(x) = x7 / 7! = - 0.00004161
P7(x) = x x3 / 3! + x5 / 5! x7 / 7! = 0.71735572
P7(x) = x9 / 9! = 0.00000037
2. De
luego , y
De la definicin del polinomio :
reemplazando :
3.
P(x) = 1.08623
if (xi )Li (x)0123451.0241.0491.0731.0951.1181.1400.01075-0.087360.465920.69888-0.099840.01165
4. Para las diferencias divididas finitas :
P(x) = 104 + 14(x-x0) + 0.50 (x-x0)(x-x1) = 252.50
ixiF(xi )120126102010416037014210.50
5. Para los siguientes puntos :
con F(x) = c1 + c2x
El sistema : (XT X) c = (XT y) es:
con solucin : c1 = 1 , c2 = 1
6. Desde los datos
y la funcin F(x) = c1 + c2 x + c3 x2
con solucin : c1 = 1 , c2 = -1 , c3 = 1
7. Sea el sistema de ecuaciones :
para los puntos (x,y,z) : (1,1,5),(2,1,3),(1,2,9), el sistema de ecuaciones es :
el vector solucin es : A = 3 , B = -2 , C = 4 y la ecuacin resultante es : z = 3 2x + 4y
8. Sea f(x) = x/2 sobre [-, ], con n = 12 y m = 15. Los vectores resultantes :
a = (0.26180, -0.26180, 0.26180, -0.26180, 0.26180, -0.26180) , y
b = (0, 0.97705, -0.45345, 0.26180, -0.15115, 0.07015)
9. griddata Demox = rand (100,1)*4-2;y = rand (100,1)*4-2;z = x.*exp(-x.^2 y. ^2);t = 2:0.20:2;[xI,yI] = meshgrid(t,t);zI = griddata (x,y,z,xI,yI);mesh (xI,yI,zI);holdplot (x,y,z,o);hold off
Fig. 4 : griddata Demo
10.
Fig. 4 : lagranDemo.m
Fig. 4 : Ejecucin de lagranDemo.h
*