UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE INGENIRIA INDUSTRIAL

PORTAFOLIO DE METODOS NUMERICO II

ELABORADO POR:

IVAN SANTIAGO BOZA BAQUERIZO

MATERIA: METODOS NUMERICOS II

CARRERA:

ING. INDUSTRIAL

Curso: Grupo1 - sexto semestre

Ciclo II

2019-2020
1 ÍNDICE

1. INTRODUCCION ....................................................................... 4
1.1. Introducción a Métodos Numéricos............................................ 4
2 OBJETIVOS .................................................................................. 5
2.1 GENERAL: .............................................................................. 5
2.2 ESPECÍFICOS: ........................................................................ 5
3 Introducción a Matlab .................................................................... 6
4 ALGORITMO ................................................................................ 7
4.1 SINTAXIS ................................................................................ 7
5 MARCO TEÓRICO ........................................................................ 8
5.1 INTERPOLACIÓN LINEAL .................................................... 8
5.2 APUNTES DE LA CLASE..........................................................10
5.1.1 TEMA 1: Interpolación Lineal ............................................................................... 10
5.1.2 EJERCICIOS .......................................................................................................... 12
5.2 INTERPOLACIÓN CUADRÁTICA .........................................14
5.3 TEMA 2: INTERPLOCAION CUADRATICA .........................15
5.3.1 EJERCICIO............................................................................................................. 18

5.4 Interpolación Polinomial ..........................................................20

5.5 TEMA 3: INTERPOLACION POLINOMIAL ..........................21
5.5.1 EJERCICIO............................................................................................................. 22

5.6 INTERPOLACION DE LAGRANGE ......................................24

5.7 TEMA 4: POLINOMIO DE LAGRANGE ................................26
5.7.1 EJERCICIO............................................................................................................. 28
........................................................................................................28
5.8 DIFERENCIAS DIVIDIDAS DE NEWTON .............................29
5.9 TEMA 5: DIFERENCIAS DIVIDAS DE NEWTON .................30
5.9.1 EJERCICIO............................................................................................................. 33
5.10 TRAZADORES CÚBICOS O SPINES CÚBICOS ..................36
 5.11 TEMA 6: SPLINES CUBICOS O TRAZADORES .................37
5.11.1 EJERCICIO............................................................................................................. 40

5.12 REGRESIÓN LINEAL .........................................................41

5.13 REGRESIÓN POLINOMIAL ...............................................42
5.14 TEMA 6: REGRESION LINEAL Y POLINOMIAL ..............43
5.14.1 EJERCICIOS .......................................................................................................... 47
5.14.2 REGRESIÓN MÚLTIPLE..................................................................................... 48

5.15 TEMA 7: REGRESION MULTIPLE .....................................49

5.15.1 EJERCICIO............................................................................................................. 53

6 CONCLUSIÓN..............................................................................54
BIBLIOGRAFÍA.................................................................................55
1. INTRODUCCION

1.1. Introducción a Métodos Numéricos

En el transcurso de la carrera, mientras estudiamos para alcanzar un nivel profesional,

encontramos las matemáticas mas complejas desde una perspectiva diferente a la vista

anteriormente, es decir, los problemas que se plantean hacen referencia a ciertas situaciones

que suceden en la vida diaria de una persona, sobre todo en el campo de la ingeniería, donde

abarca todo el contenido matemático y aritmético posible para la solución de estos problemas.

Como ingenieros no solo basta encontrar la respuesta a estos inconvenientes, sino también

una eficiente y aplicable teoría de los conocimientos adquiridos previamente, ya que,

usualmente tendremos que tomar valores ajenos a la práctica, para así, concluir con éxito una

situación, optimizándola gracias a método numéricos obteniendo una solución exacta y

precisa del problema.

2 OBJETIVOS

2.1 GENERAL:

 Recurrir a los métodos de aproximación numérica para la solucion de modelos

matemáticos.

2.2 ESPECÍFICOS:

 Aplicar los diferentes métodos de interpolación en problemas específicos.

 Resolver problemas de regresiones aplicando los diferentes métodos enseñados en

clase.

 Ejecutar y manipular los ejercicios aprendidos en clase con el programa de MATLAB

para la resolución de los mismos.

3 Introducción a Matlab

MATLAB es un entorno de computación y desarrollo de aplicaciones totalmente

integrado orientado para llevar a cabo proyectos en donde se encuentren implicados elevados

cálculos matemáticos y la visualización gráfica de los mismos. MATLAB integra análisis

numérico, cálculo matricial, proceso de señal y visualización gráfica en un entorno completo

donde los problemas y sus soluciones son expresados del mismo modo en que se escribirían

adicionalmente, sin necesidad de hacer uso de la programación tradicional. (Lopez, 1999)

De forma coherente y sin ningún tipo de fisuras, integra los requisitos claves de un sistema

de computación técnico: cálculo numérico, gráficos, herramientas para aplicaciones

específicas y capacidad de ejecución en múltiples plataformas. Esta familia de productos

proporciona al estudiante un medio de carácter único, para resolver los problemas más

complejos y difíciles.

MATLAB se utiliza ampliamente en:

 Cálculos numéricos

 Desarrollo de algoritmos

 Modelado, simulación y prueba de prototipos

 Análisis de datos, exploración y visualización

 Graficación de datos con fines científicos o de ingeniería

 Desarrollo de aplicaciones que requieran de una interfaz gráfica de usuario (GUI,

 Graphical User Interface).

 4 ALGORITMO

Simplemente una serie de instrucciones sencillas que se llevan a cabo para solventar un

problema.

“Conjunto de reglas que, aplicada sistemáticamente a unos datos de entrada apropiados,

resuelven un problema en un numero finito de pasos elementales”, según enuncia el profesor

de la Facultad de Informática de la Universidad Complutense Ricardo Peña Mari, autor a la

sazón del libro De Euclides a Java, la historia de los algoritmos y de los lenguajes de

programación. “Es importante notar que el algoritmo tiene que ser finito y que ejecuta las

instrucciones de manera sistemática, es decir, que es ciego ante lo que está ha siendo, y que

los pasos con los que opera son elementales”, comenta el profesor. “Los algoritmos se usan

para predecir resultados electorales, conocer nuestros gustos y el mundo del trabajo se

va algoritmizando: las diferentes tareas se convierten en algoritmos y se automatiza el

trabajo”, ((Nívola)., 2013)

4.1 SINTAXIS

Para ayudarle a identificar elementos, algunas entradas aparecen en diferentes colores en la

ventana de comandos y el editor. MATLAB® Esto se conoce [Link] highlighting Por

defecto:

 Las palabras clave son azules.

 Los vectores de caracteres son púrpuras.

 Los vectores de caracteres no terminados son de color granate.

 Los comentarios son verdes.

A excepción de los errores, la salida en la ventana de comandos aparece con resaltado de

[Link] ([Curtis, s.f.)

5 MARCO TEÓRICO

5.1 INTERPOLACIÓN LINEAL

La interpolación lineal es un proceso que

permite deducir un valor entre dos valores bien

definidos, que pueden estar en una tabla o en un

gráfico lineal. Por ejemplo, si se sabe que 3 litros

de lechen valen 4 $ y que 5 litros valen 7 $, pero se

quiere saber cuál es el valor de 4 litros de leche, se

interpola para determinar ese valor intermedio.

Para estimar un valor intermedio de una función se aproxima la función f(x) por medio de

una recta r(x), lo que significa que la función varia linealmente con «x» para un tramo «x =

a» y «x = b»; es decir, para un valor «x» en el intervalo (x0, x1) y (y0, y1), el valor de «y»

es dado por la línea entre los puntos y se expresa por la siguiente relación:

(y – y0) ÷ (x – x0) = (y1 – y0) ÷ (x1 – x0)

Para que una interpolación sea lineal, es necesario que el polinomio de interpolación sea

de grado uno (n = 1), para que se ajuste a los valores de x0 y x1.

La interpolación lineal está basada en semejanza de triángulos, de tal manera que,

derivando geométricamente de la expresión anterior, se puede obtener el valor de «y», que

representa el valor desconocido para «x».

De esa forma se tiene que:

(y – y0) ÷ (x – x0) = (y1 – y0) ÷ (x1 – x0)

Despejando «y» de las expresiones, se tiene:

(y – y0) * (x1 – x0) = (x – x0) * (y1 – y0)

(y – y0) = (y1 – y0) * [(x – x0) ÷ (x1 – x0)]

Así, se obtiene la ecuación general para interpolación lineal:

y = y0 + (y1 – y0) * [(x – x0) ÷ (x1 – x0)]

(Torres, s.f.)
5.2 APUNTES DE LA CLASE

5.1.1 TEMA 1: Interpolación Lineal

5.1.2 EJERCICIOS
5.2 INTERPOLACIÓN CUADRÁTICA

Cuando el polinomio que conviene es de 2º grado la interpolación recibe el nombre de

cuadrática. El polinomio interpolador es único, luego como se encuentre da igual., sin

embargo, a veces los cálculos son muy laboriosos y es preferible utilizar un método que otro.

A la vista de los datos se decide. ([Curtis, s.f.)

Dados tres puntos (x0 , y0) , (x1 , y1) , (x2 , y2) no alineados de una función de la que no

conocemos su expresión algebraica, podemos calcular aproximadamente el valor que toma

la función en un punto x ∈ [x0 , x2] mediante la expresión:

Donde los coeficientes a, b, c se calculan resolviendo el siguiente sistema de tres

ecuaciones con tres incógnitas:

Este tipo de interpolación se llama interpolación cuadrática ([Curtis, s.f.).

5.3 TEMA 2: INTERPLOCAION CUADRATICA
5.3.1 EJERCICIO
5.4 Interpolación Polinomial

La interpolación polinómica es un método usado para conocer, de un modo aproximado,

los valores que toma cierta función de la cual sólo se conoce su imagen en un número finito

de abscisas. A menudo, ni siquiera se conocerá la expresión de la función y sólo se dispondrá

de los valores que toma para dichas abscisas. El objetivo será hallar un polinomio que cumpla

lo antes mencionado y que permita hallar aproximaciones de otros valores desconocidos para

la función con una precisión deseable fijada. Por ello, para cada polinomio interpolador se

dispondrá de una fórmula del error de interpolación que permitirá ajustar la precisión del

polinomio. Es fácil demostrar, usando el determinante de Vandermonde, que por n puntos,

con la única condición de que para cada x haya una sola y, siempre se puede encontrar un

polinomio de grado igual a (n-1) que pase por los n puntos. ((Nívola)., 2013)
5.5 TEMA 3: INTERPOLACION POLINOMIAL
5.5.1 EJERCICIO
5.6 INTERPOLACION DE LAGRANGE

En algunas ocasiones, no se tiene una función continua, sino valores de la función específicos

y(x) para una x dada. A estas funciones se les conoce como funciones tabulares, y son de la

siguiente forma:

En la práctica tenemos como ejemplo los resultados de experimentos en un laboratorio, o el

censo de la población cada 5 años.

La interpolación requiere el cálculo de los valores de una función y(x) para argumentos

entre en los cuales se conocen los valores , en otras palabras,

interpolar es recuperar los valores de una función en puntos intermedios dada una tabla de

valores de esta función.

Por ejemplo, a veces es imposible o muy costoso hacer experimentos de laboratorio para

valores intermedios de x. También sería muy costoso hacer un censo de la población cada

año, sin embargo, si tenemos el tamaño de la población en 1980, 1985 y 1990, podemos

interpolar para obtener el tamaño de la población en 1983.

Para poder realizar una interpolación de Newton es necesario que los valores de las x dadas

en la función tabular tengan un espaciamiento constante mientras que una interpolación de

Lagrange se puede llevar a cabo sin importar si el espaciamiento es constante o variable.

La interpolación de polinomios de Lagrange es una reformulación del polinomio de Newton

que evita el cálculo de la tabla de diferencias, el polinomio de Lagrange se expresa como: .

(Burden, 1985)

Donde:

P es el símbolo de “multiplicatoria” y significa el producto de.

Por ejemplo, el polinomio de Lagrange de primer grado es:

Mientras que el polinomio de Lagrange de segundo grado es:

En este caso es la y la x es la . Mientras mas datos se tengan en la

tabla, se podrá usar un polinomio de mayor grado, lo que dará mejores resultados. ([Curtis,

s.f.)

5.7 TEMA 4: POLINOMIO DE LAGRANGE

5.7.1 EJERCICIO
5.8 DIFERENCIAS DIVIDIDAS DE NEWTON

Se usa en el caso que los puntos en el eje x se encuentran espaciados de forma arbitraria y

provienen de una función desconocida pero supuestamente diferenciable. (Aramburu, 2002)

La n-ésima diferencia dividida finita es:

Para lo cual debe interpretar la tabla de diferencias divididas:

Las diferencias sirven para evaluar los coeficientes y obtener el polinomio de interpolación:
Se conoce como el polinomio de interpolación de Newton en diferencias divididas.

5.9 TEMA 5: DIFERENCIAS DIVIDAS DE NEWTON

5.9.1 EJERCICIO
5.10 TRAZADORES CÚBICOS O SPINES CÚBICOS

En el subcampo matemático del análisis numérico, un spline es una curva diferenciable

definida en porciones mediante polinomios. En los problemas de interpolación, se utiliza a

menudo la interpolación mediante splines porque da lugar a resultados similares requiriendo

solamente el uso de polinomios de bajo grado, evitando así las oscilaciones, indeseables en

la mayoría de las aplicaciones, encontradas al interpolar mediante polinomios de grado

elevado.

El término "spline" hace referencia a una amplia clase de funciones que son utilizadas en

aplicaciones que requieren la interpolación de datos, o un suavizado de curvas. Los splines

son utilizados para trabajar tanto en una como en varias dimensiones. Las funciones para la

interpolación por splines normalmente se determinan como minimizadores de la aspereza

sometidas a una serie de restricciones. (Ahlberg, 1967)

5.11 TEMA 6: SPLINES CUBICOS O TRAZADORES
5.11.1 EJERCICIO
5.12 REGRESIÓN LINEAL

Si utilizamos un sistema de coordenadas cartesianas para representar la distribución

bidimensional, obtendremos un conjunto de puntos conocido con el diagrama de dispersión,

cuyo análisis permite estudiar cualitativamente, la relación entre ambas variables tal como se

ve en la figura. El siguiente paso, es la determinación de la dependencia funcional entre las

dos variables x e y que mejor ajusta a la distribución bidimensional. Se denomina regresión

lineal cuando la función es lineal, es decir, requiere la determinación de dos parámetros: la

pendiente y la ordenada en el origen de la recta de regresión, y=ax+b. (Pértega Díaz)

La regresión nos permite, además, determinar el grado de dependencia de las series de

valores X e Y, prediciendo el valor y estimado que se obtendría para un valor x que no esté

en la distribución.

Coeficiente de correlación

El coeficiente de correlación puede valer cualquier

número comprendido entre -1 y +1.

 · Cuando r=1, la correlación lineal es perfecta, directa.

· Cuando r=-1, la correlación lineal es perfecta, inversa

· Cuando r=0, no existe correlación alguna, independencia total de valores X e

5.13 REGRESIÓN POLINOMIAL

En estadística, la regresión polinomial es una forma de regresión lineal en la que la relación

entre la variable independiente x y la variable dependiente y es modelada como un polinomio

de grado n en x. La regresión polinomial se ajusta a una relación no lineal entre el valor de x

y la correspondiente media condicional de y, denotada E (y | x), y se ha utilizado para

describir fenómenos no lineales como la tasa de crecimiento de los tejidos, la distribución de

carbono Isótopos en sedimentos del lago, y la progresión de epidemias de la enfermedad.

Aunque la regresión polinómica se ajusta a un modelo no lineal a los datos, como un

problema de estimación estadística, es lineal, en el sentido de que la función de regresión E

(y | x) es lineal en los parámetros desconocidos que se calculan a partir de los datos. Por esta

razón, la regresión polinomial se considera un caso especial de regresión lineal múltiple.

(Lander, 2014)

 y=a+bx+cx2 <——- Segundo grado

 y=a+bx+cx2+dx3 <——- Tercer grado

 y=a0+ a1+ a2x2+… anxn <——- Ecuación general para cualquier grado
5.14 TEMA 6: REGRESION LINEAL Y POLINOMIAL
5.14.1 EJERCICIOS
5.14.2 REGRESIÓN MÚLTIPLE

La ecuación de Regresión Simple permite hacer predicciones de una variable en función de

otra. El comportamiento es muy complejo, y hacer predicciones con una sola variable

predictora es demasiado simple. Mejoraríamos la posibilidad de predicción (o explicación)

del comportamiento si utilizamos más de una variable predictora. Para resolver esta cuestión

se define la ecuación de Regresión Múltiple (puntuaciones directas):

Donde:

Xi: Variable predictora (o explicativa).

Bi: Coeficiente de la variable predictora Xi

A: Interceptar o constante

El Coeficiente de Determinación es el cuadrado del coeficiente de Correlación Múltiple,

que es la correlación de Pearson entre la variable Y la variable Y' (la variable que contiene

las predicciones de Y):

Donde el primer subíndice indica cuál es la variable criterio y los otros indican cuáles son las

variables predictoras (o explicativas). (Devore)

Coeficiente de determinación:
5.15 TEMA 7: REGRESION MULTIPLE
5.15.1 EJERCICIO
6 CONCLUSIÓN
BIBLIOGRAFÍA

 A. Aubanell, A. B. (1993). Útiles básicos de Cálculo Numérico. UAB.

 Ahlberg, N. a. (1967). The Theory of Splines and Their Applications.

 Aramburu, J. M. (2002). Introducció a l'Anàlisi Matemàtica. Barcelona, España:

universidad autonoma de barcelona.

 Burden, R. F. (1985). Análisis Numérico. Grupo Editorial Iberoamericano.

 Devore, J. L. (s.f.). Probabilidad y Estadística para Ingeniería y Ciencias. Mexico:

International Thomson Editores.

 Lander, J. P. (2014). advanced analytics and graphics.

 Lopez, J. G. (1999). Procesamiento digital de señales.

 Mauro, A. P. (s.f.). google sites. Obtenido de

[Link]

 Pértega Díaz, S. P. (s.f.). Técnicas de regresión: Regresión Lineal Múltiple. coruña,

España.

 Torres, V. J. (s.f.). LIFEDER. Obtenido de [Link]

lineal/