sábado, 24 de noviembre de 2012

RESOLUCIÓN DE SISTEMAS
DE ECUACIONES LINEALES

INTRODUCCIÓN

En las distintas ramas de la ingeniería se plantean problemas en que se hace necesario resolver sistemas de ecuaciones lineales simultáneas con un número bastante grande de ecuaciones como para resolverlo manualmente o con calculadora, por lo que hemos de conocer algunos métodos directos e iterativos fáciles de programar para resolverlos con ayuda de la computadora.
OBJETIVOS
1. Comprender y aplicar fluidamente, los métodos para resolver un sistema de ecuaciones lineales simultáneas por cumputadora.
· Métodos Directos
»Eliminación de Gauss-Jordan
»Inversión de matrices
· Métodos Iterativos
»Gauss-Seidel
2. Diferenciar las ventajas y desventajas de cada uno de los métodos.

DEFINICIONES

ECUACIÓN ALGEBRÁICA LINEAL

Es aquella en donde en cada término de la ecuación aparece únicamente una variable o incógnita elevada a la primera potencia. Por ejemplo:
a 11 X1 + a 12 X2 + a 13 X3 + ... + a 1n Xn = C1

(1)
Es una ecuación algebraica lineal en las variables X1, X2, X3, ... , Xn. Se admite que los coeficientes a11, a12, a13, ... , a1n y el término independiente C1, son constantes reales.

SISTEMA DE ECUACIONES

Es un conjunto de ecuaciones que deben resolverse simultáneamente. En los sucesivo se considerarán únicamente sistemas de ecuaciones algebráicas lineales, o sea conjuntos de ecuaciones de la forma:
a11 X 1 + a 12 X2 + a13 X 3 +... + a 1n X n = C 1
(a)
a 21 X 1 + a 22 X 2 + a 23 X 3 +... + a 2n X n = C 2
(b)
(2)
...


a n1 X 1 + a n2 X 2 + a n3 X 3 + ... + a nn X n = C n
(c)
Aplicando la definición de producto entre matrices, este sistema de n ecuaciones algebraicas lineales con n incógnitas puede escribirse en forma matricial.
MATRIZ
(3)
Este sistema de ecuaciones puede escribirse simbólicamente como:
A X = C
(4)
en donde A se llama Matriz del Sistema. La matriz formada por A, a la que se le ha agregado el vector de términos independientes como última columna, se le llama la Matriz Ampliada del Sistema, que se representa con (A, C).
Entonces la matriz ampliada será:
MATRIZ
(5)

SOLUCIÓN DE UN SISTEMA DE ECUACIONES

Es un conjunto de valores de las incógnitas que verifican simultáneamente a todas y cada una de las ecuaciones del sistema.
De acuerdo con su solución, un sistema puede ser: Consistente, si admite solución; o Inconsistente, si no admite solución.
Un sistema Consistente puede ser: Determinado, si la solución es única o Indeterminado, si la solución no es única. En este caso se demuestra que existe una infinidad de soluciones.

TEOREMAS SOBRE RANGOS

El rango de una matriz es el orden de determinante no nulo de mayor orden que puede obtenerse de esa matriz. El rango de la matriz A se representa con la notación r(A) y el de la matriz ampliada con r(A, C).
En álgebra se demuestra que:
  1. Para cualquier sistema, r(A) <= r(A,C)
  2. Si r(A) < r(A, C) el sistema es inconsistente
  3. Si r(A) = r(A, C) el sistema de ecuaciones es consistente
En este caso, si además r(A) = n, el sistema es determinado e indeterminado si r(A) < n, siendo n el número de variables en el sistema.
En general, hay dos tipos de técnicas numéricas para resolver ecuaciones simultáneas: Directas, que son finitas; e Indirectas, que son infinitas.
Naturalmente, ninguna técnica práctica puede ser infinita. Lo que queremos decir es que en un principio los métodos directos (despreciando errores por redondeo) producirán una solución exacta, si la hay, en un número finito de operaciones aritméticas.
Por otra parte, un método indirecto requerirá en principio un número infinito de operaciones aritméticas para producir una solución exacta. Dicho de otra manera, un método indirecto tiene un error por truncamiento mientras que un método directo no lo tiene.
Sin embargo, la expresión "en principio" del párrafo anterior es crucial: en realidad se tienen errores por redondeo. Tendremos que considerar más cuidadosamente esta cuestión. En un sistema grande, mal comportado, los errores por redondeo de un método directo puede hacer que la "solución" carezca de sentido. A pesar de su error teórico por truncamiento, un método indirecto puede ser mucho más deseable porque en él los errores por redondeo no se acumulan.

MÉTODO DE ELIMINACIÓN DE GAUSS

El primer método que se presenta usualmente en álgebra, para la solución de ecuaciones algebricas lineales simultáneas, es aquel en el que se eliminan las incógnitas mediante la combinación de las ecuaciones. Este método se conoce como Método de Eliminación. Se denomina eliminación Gaussiana si en el proceso de eliminación se utiliza el esquema particular atribuido a Gauss.
Utilizando el método de Gauss, un conjunto de n ecuaciones con n incógnitas se reduce a un sistema triangular equivalente (un sistema equivalente es un sistema que tiene iguales valores de la solución), que a su vez se resuelve fácilmente por "sustitución inversa"; un procedimiento simple que se ilustrará con la presentación siguiente.
El esquema de Gauss empieza reduciendo un conjunto de ecuaciones simultáneas, tal como se muestra en (2), a un sistema triangular equivalente como:
Sistema Triangular Equivalente
(6)
en el cual los superíndices indican los nuevos coeficientes que se forman en el proceso de reducción. La reducción real se logra de la siguiente manera:
1. La primera ecuación (2) se divide entre el coeficiente de X1 en esa ecuación para obtener:
Primer Renglón
(7)
La ec. (7) se multiplica entonces por el coeficiente de X1 de la segunda ecuación (2) y la ecuación que resulta se resta de la misma, eliminando así X1. La ec. (7) se multiplica entonces por el coeficiente de X1 de la tercera ecuación (2), y la ecuación resultante se resta de la misma para eliminar X1 de esa ecuación. En forma similar, X1 se elimina de todas las ecuaciones del conjunto excepto la primera, de manera que el conjunto adopta la forma:
Sistema Reducido (8)
La ecuación utilizada para eliminar las incógnitas en las ecuaciones que la siguen se denomina Ecuación Pivote. En la ecuación pivote, el coeficiente de la incógnita que se va a eliminar de las ecuaciones que la siguen se denomina el Coeficiente Pivote (a11 en los pasos previos).
2. Siguiendo los pasos anteriores, la segunda ecuación (8) se convierte en la ecuación pivote, y los pasos de la parte 1 se repiten para eliminar X2 de todas las ecuaciones que siguen a esta ecuación pivote.
Esta reducción nos conduce a:
Segunda Reducción
(9)
3. A continuación se utiliza la tercer ecuación (9) como ecuación pivote, y se usa el procedimiento descrito para eliminar X3 de todas las ecuaciones que siguen a la tercer ecuación (9). Este procedimiento, utilizando diferentes ecuaciones pivote, se continúa hasta que el conjunto original de ecuaciones ha sido reducido a un conjunto triangular tal como se muestra en la ec. (6).
4. Una vez obtenido el conjunto triangular de ecuaciones, la última ecuación de este conjunto equivalente suministra directamente el valor de Xn (ver ec. 6). Este valor se sustituye entonces en la antepenúltima ecuación del conjunto triangular para obtener un valor de Xn-1, que a su vez se utiliza junto con el valor de Xn en la penúltima ecuación del conjunto triangular para obtener un valor Xn-2 y asi sucesivamente. Este es el procedimiento de sustitución inversa al que nos referimos previamente.
Para ilustrar el método con un conjunto numérico, apliquemos estos procedimientos a la solución del siguiente sistema de ecuaciones:
X1 + 4 X2 + X3 = 7
X1 + 6 X2 - X3 = 13
(10)
2 X1 - X2 + 2 X3 = 5
Utilizando como ecuación pivote la primera ecuación (el coeficiente pivote es unitario), obtenemos:
X1 + 4 X2 + X3 = 7
2 X2 - 2 X3 = 6
(11)
9 X2 + (0) X3 = -9
A continuación, utilizando la segunda ecuación del sistema (11) como ecuación pivote y repitiendo el procedimiento, se obtiene el siguiente sistema triangular de ecuaciones:
X1 + 4 X2 + X3 = 7
2 X2 - 2 X3 = 6
(12)
- 9 X3 = 18
Finalmente mediante sustitución inversa, comenzando con la última de las ecs. (12) se obtienen los siguientes valores:
X3 = -2
X2 = 1
X1 = 5

DESVENTAJAS DEL MÉTODO DE ELIMINACIÓN

1. DIVISIÓN ENTRE CERO
Una de sus desventajas es que durante el proceso en las fases de eliminación y sustitución es posible que ocurra una división entre cero. Se ha desarrollado una estrategia del pivoteo para evitar parcialmente estos problemas. Ésta se deja como investigación al alumno.
2. ERRORES DE REDONDEO
La computadora maneja las fracciones en forma decimal con cierto número limitado de cifras decimales, y al manejar fracciones que se transforman a decimales que nunca terminan, se introduce un error en la solución de la computadora. Este se llama error por redondeo.
Cuando se va a resolver solamente un pequeño número de ecuaciones, el error por redondeo es pequeño y generalmente no se afecta sustancialmente la presición de los resultados, pero si se van a resolver simultáneamente muchas ecuaciones, el efecto acumulativo del error por redondeo puede introducir errores relativamente grandes en la solución. Por esta razón el número de ecuaciones simultáneas que se puede resolver satisfactoriamente con el método de eliminación de Gauss, utilizando de 8 a 10 dígitos significativos en las operaciones aritméticas, se limita generalmente a 15 o 20.
3. SISTEMAS MAL CONDICIONADOS
La obtención de la solución depende de la condición del sistema. En sentido matemático, los sistemas bien condicionados son aquellos en los que un cambio en uno o más coeficientes provoca un cambio similar en la solución. Los sistemas mal condicionados son aquellos en los que cambios pequeños en los coeficientes provocan cambios grandes en la solución.
Una interpretación diferente del mal condicionamiento es que un rango amplio de respuestas puede satisfacer aproximadamente al sistema. Ya que los errores de redondeo pueden inducir cambios pequeños en los coeficientes, estos cambios artificiales pueden generar errores grandes en la solución de sistemas mal condiconados.

MÉTODO DE GAUSS - JORDAN

Este método, que constituye una variación del método de eliminación de Gauss, permite resolver hasta 15 o 20 ecuaciones simultáneas, con 8 o 10 dígitos significativos en las operaciones aritméticas de la computadora. Este procedimiento se distingue del método Gaussiano en que cuando se elimina una incógnita, se elimina de todas las ecuaciones restantes, es decir, las que preceden a la ecuación pivote así como de las que la siguen.
El método se ilustra mejor con un ejemplo. Resolvamos el siguiente conjunto de ecuaciones
3.0 X1 - 0.1 X2 - 0.2 X3 = 7.8500
0.1 X1 + 7.0 X2 - 0.3 X3 = - 19.3
0.3 X1 - 0.2 X2 + 10 X3 = 71.4000
Primero expresemos los coeficientes y el vector de términos independientes como una matriz aumentada.

Matriz Aumentada
Se normaliza el primer renglón dividiendo entre 3 para obtener:
Primera Reducción
El término X1 se puede eliminar del segundo renglón restando 0.1 veces el primero del segundo renglón. De una manera similar, restando 0.3 veces el primero del tercer renglón se elimina el término con X1 del tercer renglón.
Segunda Reducción
En seguida, se normaliza el segundo renglón dividiendo entre 7.00333:

Tercera REducción
Reduciendo los términos en X2 de la primera y la tercera ecuación se obtiene:
Cuarta Reducción
El tercer renglón se normaliza dividiendolo entre 10.010:
Quinta Reducción
Finalmente, los términos con X3 se pueden reducir de la primera y segunda ecuación para obtener:
Sexta Reducción
Nótese que no se necesita sustitución hacia atrás para obtener la solución.
Las ventajas y desventajas de la eliminación gaussiana se aplican también al método de Gauss-Jordan.
Aunque los métodos de Gauss-Jordan y de eliminación de Gauss pueden parecer casi idénticos, el primero requiere aproximadamente 50% menos operaciones. Por lo tanto, la eliminación gaussiana es el mé todo simple por excelencia en la obtención de soluciones exactas a las ecuaciones lineales simultáneas. Una de las principales razones para incluir el método de Gauss-Jordan, es la de proporcionar un método directo para obtener la matriz inversa.

INVERSIÓN DE MATRICES

Sea A una matriz cuadrada no singular, es decir, que su determinante sea diferente de cero, |A|≠0. Por definición de matriz inversa, se tiene que A-1 es la inversa de A si:
INV(A) A = I
(13)
Haciendo X=A-1 y sustituyendo en la ecuación anterior, se obtiene
A X = I
(14)
Puede considerarse que esta ecuación matricial representa un sistema de ecuaciones simultáneas, en donde no hay un solo vector de términos independientes sino n, los n vectores básicos que forman la matriz unitaria I. Además, no existe un solo vector de incógnitas, sino n, los que corresponden a cada columna de la matriz unitaria.
Por lo anterior, es posible determinar la inversa de una matriz con el método de Gauss-Jordan de eliminación completa. Para lograrlo, bastará con aplicar las operaciones elementales sobre los renglones de la matriz ampliada (A, I) de manera de transformar A en I. Cuando se haya hecho, se obtendrá la matriz ampliada (I, A-1) , con lo que se tendrá la inversa buscada.
EJEMPLO
Invertir la matriz
Matriz Original
Auméntese la matriz de coeficientes con una matriz identidad
Matriz Aumentada
Usando a11 como pivote, el renglón 1 se normaliza y se usa para eliminar a X1 de los otros renglones.
Primera Reducción
En seguida, se usa a22 como pivote y X2 se elimina de los otros renglones.
Segunda Reducción
Finalmente, se usa a33 como pivote y X3 se elimina de los renglones restantes:
Tercera Reducción
Por lo tanto, la inversa es:
Cuarta Reducción
Se puede resolver un sistema de ecuaciones con la inversa de la matriz de coeficientes, de la siguiente manera:
X = A-1C
donde C es el vector de términos independientes.
Comparando ambos métodos, es evidente que el método de inversión de matrices no es práctico para la solución de un sólo conjunto (o dos o tres conjuntos) de ecuaciones simultáneas, porque la cantidad de cálculos que intervienen para determinar la matriz inversa es muy grande. Sin embargo, si se desea resolver 20 conjuntos de 10 ecuaciones simultáneas que difieren únicamente en sus términos independientes, una matriz aumentada que contiene 20 columnas de constantes (que se utilizarían en el método de eliminación) sería difícil de reducir, y se podría usar con ventaja el método de inversión de matrices.

POLINOMIOS DE INTERPOLACIÓN DE LAGRANGE

El polinomio de interpolación de Lagrange, simplemente es una reformulación del polinomio de Newton que evita los cálculos de las diferencias divididas. Este se puede representar concretamente como:
Polinomio de Interpolaición de Lagrange

(21)
en donde:
Lagrangiano

(22)
En donde PI denota el "producto de".
Por ejemplo, la versión lineal (n = 1) es:
Versión Lineal

(23)
y la versión de segundo orden es:
versión de segundo orden

(24)
al igual que en el método de Newton, la versión de Lagrange tiene un error aproximado dado por:
Error de Polinomio de Lagrange

(25)
La ecuación (21) se deriva directemente del polinomio de Newton. Sin embargo, la razon fundamental de la formulación de Lagrange se puede comprender directamente notando que cada término Li(X) será 1 en X=Xi y 0 en todos los demas 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 ecuación (21) es el único polinomio de n-ésimo orden que pasa exactamente por los n+1 puntos.
Ejemplo 3.4
Úsese un polinomio de interpolación de Lagrange de primer y segundo orden para evaluar ln 2 en base a los datos:
i X f(X)
0 1.0 0.000 0000
1 4.0 1.386 2944
2 6.0 1.791 7595
Solución:
El polinomio de primer orden es:
Polinomio de primer orden
y, por lo tanto, la aproximación en X = 2 es
aproximación en X = 2
de manera similar, el polinomio de segundo orden se desarrolla como:
Evaluación de Polinomio de Segundo Orden
Como se expresaba, ambos resultados son similares a los que se obtuvieron previamente usando la interpolación polinomial de Newton.
En resumen, para los casos en donde el orden del polinomio se desconozca, el método de Newton tiene ventajas debido a que profundiza en el comportamiento de las diferentes fórmulas de orden superior. Ademas la aproximación del error dada por la ecuación (20), en general puede integrarse fácilmente en los cálculos de Newton ya que la aproximación usa una diferencia dividida. De esta forma, desde el punto de vista de cálculo, a menudo, se prefiere el método de Newton.
Cuando se va a llevar a cabo sólo una interpolación, ambos métodos, el de Newton y el de Lagrange requieren de un esfuerzo de calculo similar. Sin embargo, la versión de Lagrange es un poco más fácil de programar. T ambien existen casos en donde la forma de Newton es mas 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.

////////////////////programa de interoplacion de Lagrange

#include <iostream>//Libreria de comandos de entrada y salida de datos
#include <stdlib>

void lee (float X[],int N)
{
     int i;
     for (i=0;i<N;i++)
     {
       
         cout<<"Da el Dato  X"<<i<<endl;
         cin>> X[i];
         }
         }
void lee2 (float Y[],int N)
{
     int i;
     for (i=0;i<N;i++)
     {
         
         cout<<"Da el Dato  Y"<<i<<endl;
         cin>> Y[i];
         }
         }
void imprime (float X[], float Y[], int N)
         {
              int i;
              system ("cls");
              cout<<"\nValores de X"<<endl;
              for (i=0;i<N;i++)
              {
                 
                  cout<<X[i]<<"  ";

                  }
                  cout<<"\n\n";
                    cout<<"\nValores de F(X)"<<endl;
                 
                  for (int j=0;j<N;j++)
              {
                

                  cout<<Y[j]<<"  ";
                 
                  }

                  }
              void calculalag(float x[],float y[],int n,float xf)
               {
                    float aux1[100], aux2[100],ix=0;
                    for (int k=0; k<n;k++)
                    {
                         aux1[k]=1;
                         aux2[k]=1;

                         }

                    for(int i=0;i<n; i++)
                     {
                            for (int j=0;j<n;j++)
                            {

                                if(j!=i)
                                {
                                       
                                        aux1[i]= aux1[i]*(xf-x[j]);
                                        aux2[i] = aux2[i]*(x[i]-x[j]);
                                       
                                        }
                                        }
                                        ix=ix+(y[i]*(aux1[i]/aux2[i]));
                                        }
                                        cout<<"\nEl resultado de la interpolación es: "<<ix;
                                        }

                                       
                               
                               
              
                     

int main ()
{
    float x[100], y[100],xf;
    int n;
    cout<<"Cuantos  datos se van a ingresar"<<endl;
    cin>>n;
    cout<<"Datos de X"<<endl;
    lee (x,n);
    cout<<"Datos de Y"<<endl;
    lee2 (y,n);
    cout<<"Los datos son"<<endl;
    imprime (x,y,n);
    cout<<"\nIngrese El valos a interpolar"<<endl;
    cin>>xf;
    calculalag(x,y,n,xf);
    cin.get ();
    cin.get ();
    return 0;
}

        

INTERPOLACIÓN POLINOMIAL DE LAS DIFERENCIAS FINITAS DE NEWTON
GENERALIZACIÓN

El análisis anterior se puede generalizar en el ajuste de un polinomio de n-ésimo orden a los n+1 puntos. El polinomio de n-ésimo orden es:
Polinomio Orden N

(11)
Como se hizo anteriormente con las interpolaciones lineales y cuadráticas, se usan los puntos en la evaluación de los coeficientes b0, b1, ... , bn.
Se requieren n + 1 puntos para obtener un polinomio de n-ésimo orden: X0, X1, ... , Xn.
Usando estos datos, con las ecuaciones siguientes se evalúan los coeficientes:
b0 = f (X0)

b1 = f [X1, X0]

b2 = f [X2, X1, X0]
(12)
...

bn = f [X n, Xn-1, ..., X1, X0]

En donde las evaluaciones de la función entre corchetes son diferencias divididas finitas.
Por ejemplo, la primera diferencia dividida finita se representa generalmente como:
Primera Diferencia Dividida Finita

(13)
La segunda diferencia dividida finita, que representa la diferencia de dos primeras diferencias divididas finitas, se expresa generalmente como:
Segunda Diferencia Dividida Finita

(14)
De manera similar, la n-ésima diferencia dividida finita es:
N-ésima Diferencia Dividida Finita

(15)
Estas diferencias se usan para evaluar los coeficientes de la ecuación (12), los cuales se sustituyen en la ecuación (11), para obtener el polinomio de interpolación:
f n (X) = f(X0) + (X-X0) f[X1, X0] + (X-X0)(X-X1) f[X2, X1, X0] +
...+ (X-X0)(X-X1)...(X-Xn-1) f[Xn, Xn-1,...,X1, X0]
(16)
Al cual se le llama Polinomio de Interpolación con Diferencias Divididas de Newton.
Se debe notar que no es necesario que los datos usados en la ecuación (16) estén 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 Xi f(Xi) Primera Segunda Tercera
0 X0 f(X0) f(X1, X0) f(X2, X1, X0) f(X3, X2, X1, X0)
1 X1 f(X1) f(X2, X1) f(X3, X2, X1)
2 X2 f(X2) f(X3,X2)

3 X3 f(X3)


EJEMPLO 3.3
Usando la siguiente tabla de datos, calcúlese ln 2 con un polinomio de interpolación de Newton con diferencias divididas de tercer orden:
X f(X)
1 0.000 0000
4 1.386 2944
6 1.791 7595
5 1.609 4379
SOLUCIÓN:
El polinomio de tercer orden con n = 3, es.

Polinomio de Tercer Orden
Las primeras diferencias divididas del problema son:
Primeras Diferencias Divididas
Primeras Diferencias Divididas
Primeras Diferencias Divididas
Las segundas diferencias divididas son:
Segundas Diferencias Divididas
Segundas Diferencias Divididas
La tercera diferencia dividia es:
Terceras Diferencias Divididas
Los resultados para f(X1, X0), f(X2, X1, X0) y f(X3, X2, X1, X0) representan los coeficientes b1, b2 y b3 Junto con b0 = f (X0) = 0.0, la ecuación da:

f 3 (X) = 0 + 0.46209813 (X-1) - 0.0518731 (X-1)(X-4) + 0.0078655415 (X-1)(X-4)(X-6)
Arreglando la tabla de diferencias
X f [X] f 1 [ ] f 2 [ ] f 3 [ ]
1.0 0.00000000 0.46209813 - 0.051873116 0.0078655415
4.0 1.3862944 0.20273255 - 0.020410950
6.0 1.7917595 0.18232160

5.0 1.6094379


Con la ecuación anterior se puede evaluar para X = 2
f 3 (2) = 0.62876869
lo que representa un error relativo porcentual del e% = 9.3%.
Nótese que la estructura de la ecuación (16) es similar a la expresión de la serie de Taylor en el sentido de que los términos agregados secuencialmente consideran el comportamiento de orden superior de la función representada. Estos términos 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 función representativa es un polinomio de n-ésimo orden, el polinomio interpolante de n-ésimo orden bajado en n + 1 llevará  a resultados exactos.
El error por truncamiento de la serie de Taylor es:
Error por Truncamiento

(17)
en donde letra griega Xi es un punto cualquiera dentro del intervalo (Xi, Xi+1). Una relación análoga del error en un polinomio interpolante de n-ésimo orden está dado por:
Error Polinomio de orden N

(18)
En donde letra griega Xi es un punto cualquiera dentro del intervalo que contiene las incógnitas y los datos. Para uso de esta fórmula la función en cuestión debe ser conocida y diferenciable. Y usualmente, este no es el caso.
Afortunadamente existe una fórmula alternativa que no requiere conocimiento previo de la función. En vez de ello, se usa una diferencia dividida finita que aproxima la (n+1)-ésima derivada:
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)-ésima diferencia dividida.
Ya que la ecuación (19) contiene la incógnita f(X), ésta no se puede resolver y obtener el error. Sin embargo, si se dispone de un dato adicional f(Xn+1), la ecuación (19) da una aproximación del error como:
Aproximación del Error

(20)

INTERPOLACIÓN CUADRÁTICA

Una estrategia que mejora la aproximación es la de introducir cierta curvatura en a línea 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 también polinomio cuadrático o parábola). Una manera conveniente para este caso es:
Polinomio Cuadrático

(4)
Nótese que aunque la ecuación (4) parezca diferente de la ecuación general de un polinomio (1), las dos ecuaciones son equivalentes.
Esto se puede demostrar si se multiplican los términos de la ecuación (4) y obtener:
Polinomio desglozado

(5)
o, agrupar términos:
primera aproximación

(6)
en donde:
Coeficientes Equivalentes

(7)
De esta manera, las ecuaciones (1) y (4) son fórmulas alternativas equivalentes del único 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 ecuación (4) con X = X0, y se obtiene
b0 = f(X0)

(8)
sustituyendo la ecuación (8) en la ecuación (4) y evaluando en X = X1 se obtiene:
evaluando en X1

(9)
Y por último, las ecuaciones (8) y (9) se sustituyen en la ecuación (4), y se evalúa ésta en X = X2 y se obtiene:
evaluando en X2

(10)
Nótese que, al igual que en el caso de interpolación lineal, b1 aún representa la pendiente de la línea que une los puntos X0 y X1. Por lo tanto, los primeros dos términos de la ecuación (4) son equivalentes a la interpolación de X0 a X1, como se especificó anteriormente en la ecuación (3). El último término, b2(X-X0)(X-X1), introduce la curvatura de segundo orden en la fórmula.
Ejemplo 3.2
Ajústese 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
Úsese el polinomio para evaluar ln 2
SOLUCIÓN:
Aplicando la ecuación (8) da:
b0 = 0
la ecuación (9) genera:
Coeficiente Lineal
Y la ecuación (10) da:

Coeficiente Cuadrático
Sustituyendo estos valores en la ecuación (4) se obtiene la fórmula cuadrática:
f 2 ( X ) = 0 + 0.4620981 (X - 1) - 0.05187312 (X - 1) (X - 4)
que se evalúa en X = 2 y se obtiene
f 2 ( 2 ) = 0.5658443
Lo que representa un error porcentual del e% = 18.4%. Por lo tanto, mejora la interpolación comparada con los resultados obtenidos al usar una línea recta.

CAPITULO 4:INTERPOLACIÓN

INTRODUCCIÓN
Con frecuencia se tienen que estimar valores intermedios entre valores conocidos. El método mas común empleado para este propósito es la interpolación polinomial.
Recuerdese que la fórmula general de un polinomio de n-ésimo orden es:
Polinomio de Orden N

(1)
Para n + 1 puntos, existe uno y sólo un polinomio de n-ésimo orden o menor que pasa a través de todos los puntos. Por ejemplo, hay sólo una línea recta (es decir un polinomio de primer orden) que conecta dos puntos. El polinomio de interpolación consiste en determinar el único polinomio de n-ésimo orden que se ajusta a los n + 1 puntos dados. Este polinomio proporciona una fórmula para calcular los valores intermedios.
Aunque existe uno y sólo un polinomio de n-ésimo orden que se ajusta a los n + 1 puntos, existen una gran variedad de fórmulas matemáticas mediante las cuales se puede expresar este polinomio. En esta unidad se estudian dos técnicas alternativas que están bien condicionadas para implementarse en una computadora. Estos son los polinomios de Newton y de Lagrange.

POLINOMIOS DE INTERPOLACIÓN
CON
DIFERENCIAS DIVIDIDAS DE NEWTON

INTERPOLACIÓN LINEAL
La fórmula más simple de interpolación es la de conectar dos puntos con una linea recta. Este método, llamado Interpolación Lineal, se muestra en la figura 1.
Gráfica 1

Fig. 1
Usando triángulos semejantes, se tiene:
Triángulos Semejantes

(2)
Que se puede reordenar como:
Fórmula de Interpolación Lineal

(3)
La cuál es la fórmula de interpolación lineal. La notación f1(X) indica que se trata de un polinomio de interpolación de primer orden. Nótese que además de representar la pendiente de la línea que conecta los dos puntos, el término [ f(X1) - f(X2) ] / (X1 - X2) es una aproximación de diferencias divididas finitas a la primera derivada. En general, entre mas pequeño sea el intervalo entre los puntos, más exacta será la aproximación.
EJEMPLO 3.1
Calcúlese el logaritmo natural de 2 (ln 2) usando interpolación lineal.
Primero, llévese a cabo los cálculos interpolando entre ln 1 = 0 y ln 6 = 1.7917595.
Después repítase el procedimiento, pero usando un intervalo más pequeño desde ln 1 a ln 4 = 1.3862944.
Nótese que el valor real de ln 2 = 0. 69314718
SOLUCIÓN:
Evaluando la fórmula de interpolación lineal (3) de X = 1 a X = 6 da:
primer resultado
La cual representa un error porcentual de e% = 48.3 %. Usando el intervalo más pequeño desde X = 1 a X = 4 da:
segundo resultado
Por lo contrario, usando el intervalo más pequeño reduce el error relativo porcentual a e% = 33.3%. 


////////EL SIGUIENTE PROGRAMA ES DE INTERPOLACION DE NEWTON
 #include <iostream>
#include <math.h>
#include <stdio.h>
#include <conio.h>


class InterPolNew
{
      private:
              double **D;
              double *X;
              double *Fx;
              double p;

              int n;

      public:
             InterPolNew ( );
             ~InterPolNew ( );

             void Leer ( );
             void Imprimir ( );
             void  Tama ( );
             void Metodo ( );

};


InterPolNew :: InterPolNew ( )
{
   Tama ( );

   D = new double *[ n -1 ];

   for ( int i = 0; i < n - 1 ; i ++ )
      D [ i ] = new double [ n-1 ];

   for ( int i = 0; i < n-1 ; i ++)
      for ( int j = 0; j< n-1 ; j++)
         D[i][j]= 0;

   X = new double [ n ];
   Fx = new double [ n ];


   for ( int i = 0; i < n; i ++)
      {
          X [i]= 0;
          Fx [i]= 0;
        }
}


InterPolNew :: ~InterPolNew ( )
{
   for ( int i = 0; i < n-1; i ++)
      delete D [ i ];

   delete [] D;
   delete [] X;
   delete [] Fx;
}


void InterPolNew :: Tama ( )
{


   cout <<"METODO DE INTERPOLACION DE NEWTON "<< endl << endl;
   cout <<"Ingresa el numero de puntos : ";
   cin  >> n;
   cout << endl;
}


void InterPolNew :: Leer ( )
{
   cout <<"Ingresa los valores de los puntos tabulados: "<< endl << endl;

   for ( int i= 0; i < n; i ++)
      {
         cout <<" X"<< i <<" : ";
         cin  >> X [ i ];
        }

    cout << endl;

    for ( int i= 0; i < n; i ++)
      {
         cout <<" F( X"<< i <<" ) : ";
         cin  >> Fx [ i ];
      }

    cout <<"\n\n Ingresa el punto a evaluar : ";
    cin  >> p;

    cout << endl;
}



void InterPolNew ::Imprimir ( )
{
   cout.precision ( 3 );

       cout << "********************************************* "<< endl << endl;

       cout << " [ X ]   [ F(X) ]" << endl;

       for ( int c = 0; c < n ; c++ )
       {
          printf( "%6.4lf", X[ c ] );

          printf( "    %6.4lf", Fx[ c ] );
          cout << endl;

            }
            cout << endl << endl;

       cout << "********************************************* "<< endl << endl;

}


void InterPolNew :: Metodo ( )
{
    for ( int i = 0; i < n -1 ; i++ )
    {
       if ( i == 0 )
       {
               for ( int j = 0; j < n-(i+1) ; j++ )
            {
               D [ j ][ i ] = ( Fx[ j+1 ] - Fx[ j ] )/( X[ j+1 ] - X[ j ] );
            }
         }
     else
     {
          for ( int p = 0; p < n-(i+1) ; p++ )
          {
                   D [ p ][ i ] =( D [ p+1 ][ i-1 ] - ( D [ p ][ i-1 ] ) ) /( X[ p+(i+1) ] - X[ p] );
          }
      }
    }

    for ( int i = 0; i < n-1; i ++)
    {
      for ( int j = 0; j< n-1; j++)
      {
         printf("%6.4lf  ", D[i][j] );
      }
      cout << endl<< endl;
   }


  
  
    double S = Fx[0];
  
    for ( int i = 1; i < n ; i++ )
    {
       
         double P = 1;
       
         for ( int j = 0; j < i  ; j++ )
           {
               if( i!= j)
               P = P * ( p - X[j] );
             
               cout<<" ( "<< p <<" - "<< X[j]<<" )";
             
               }
             
               cout << D[0][i-1]<<endl;

               getch();
             
               cout<<endl;
             
         S = S + ( D[ 0 ][ i-1 ] )*P;
       
       
    }//fin del for()
  
    cout << "La solucion es : " << S << endl << endl;
  
  
  
}//fin de Metodo()
   
          
int main ( )
{
   clrscr();

      InterPolNew A;
    
      A.Leer ();
      A.Imprimir();
      A.Metodo();
    
    
      getch();
    
      return 0;
 
   }//fin de main()