1 asignatura: autor: análisis numérico césar menéndez titulación: planificación: materiales:...
TRANSCRIPT
1
Asignatura:
Autor:
Análisis Numérico
César Menéndez
Titulación:
Planificación:
Materiales:
Conocimientos previos:
Aproximación
Ingeniero Técnico Informático
6 Teoría+1Tablero+0.5Laboratorio
MATLAB y apuntes
Tmas. básicos de Cálculo – Desarrollos de Taylor – Sistemas lineales –
Ultima actualización: 21/04/23
Análisis Numérico por César Menéndez Fernández
2
Aproximación
Ejemplo
Ensayos en laboratorio que miden, con un cierto error, la permeabilidad de un material para diferentes presiones
Estimar su permeabilidad para presiones intermedias Determinar la “medida” de la aproximación y
seleccionar la base de funciones– ¿Existencia y unicidad de solución?– ¿Buena aproximación?
Descripción
Objetivos
Temario
Bibliografía
0 1 2 3 4 5 6 7 8 9 10
0.8
1
1.2
1.4
1.6
1.8
2
presión(atm)
perm
eabi
lidad
Ajuste por mínimos cuadrados
InicialP
1 (x)
P2 (x)
P3 (x)
P4 (x)
Análisis Numérico por César Menéndez Fernández
3
Aproximación
Aproximación
Aprender los diferentes tipos de aproximación dependiendo de la “medida” y su interpretación geométrica
Entender la similitud entre el planteamiento de la minimización del error continua y discreta
Comprender la generación de la aproximación por mínimos cuadrados y los cambios de variable para linealizar el problema
Conocer las ventajas de los polinomios ortogonales para mejorar el condicionamiento del sistema
Ser capaz de valorar la fiabilidad del ajuste usando
gráficas o apreciaciones cuantitativas
Descripción
Objetivos
Temario
Bibliografía
Análisis Numérico por César Menéndez Fernández
4
Aproximación
Planteamiento
Sustitución de una función (conocida o tabulada) por otra “próxima” más simple
Función de ajuste como combinación de la base de un espacio funcional:
– Funciones base: polinómicas, trigonométricas, … Tipos de aproximación:
– Funcional: aproxima a otra función en un intervalo– Discreta (ajuste): aproxima un conjunto de datos
Función de aproximación es la “más próxima” a la función o datos conocidos
– ¿Cómo se mide la “proximidad”– Aproximación en espacios normados o cuasinormados
1
m
i ii
x x
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
5
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Aproximación
Medidas
¿Cómo se mide la proximidad de un elemento a otro? Definición: Un espacio métrico es un conjunto M (a cuyos
elementos se les denomina puntos) con una función distancia asociada (también llamada métrica) que satisface las siguientes propiedades
– Si no cumple la última es un espacio pseudo-métrico Ejemplos:
– Distancia trivial: d(x,y)=1 para puntos diferentes– Distancia euclídea (en un espacio vectorial de dimensión n):
Pseudodistancia en los enteros: d(x,y)=resto(|x-y|,2) Habitualmente se trabaja con conjuntos que son espacios
vectoriales normados sobre el cuerpo R
:d M M R
, 0 ,
, 0
, , ,
, , , , ,
, 0 ,
d x y x y M
d x x x M
d x y d y x x y M
d x y d x z d z y x y z M
d x y x y x y M
Análisis Numérico por César Menéndez Fernández
6
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Aproximación
Normas
Definición: Un espacio vectorial normado sobre un cuerpo K es un conjunto V (a cuyos elementos se les denomina vectores) con una función norma que satisface las siguientes propiedades
– Si no cumple la última es un espacio pseudo-normado Ejemplos (sobre el cuerpo de los reales):
Una norma siempre define una distancia
:V K x V x
0
,
,
0 0
x x V
x x x V K
x y x y x y V
x x
2
1 2 11 1
maxn n
nk k k
k nk k
V R x x x x x x
2
1 2, max
b b
a a a x bV f C a b f f x dx f f x dx f f x
,d x y x y
Análisis Numérico por César Menéndez Fernández
7
Aproximación
Producto escalar
Definición: Un espacio vectorial prehilbertiano sobre un cuerpo K es un conjunto V (a cuyos elementos se les denomina vectores) con una función producto escalar que satisface las siguientes propiedades
– Si el espacio vectorial es de dimensión finita se denomina euclídeo– Si no cumple la última propiedad es un espacio pseudo-prehilbertiano– En un espacio euclídeo el producto escalar viene asociado a una forma
sesquilineal, hermítica y definida positiva – Si el cuerpo es R, entonces la forma es bilineal y definida positiva
Ejemplos:
Un producto escalar siempre define una norma Una norma a veces define un producto escalar
,x x x
, : , ,V V K x y V x y
, 0
, , , ,
, , , , ,
, , ,
, 0 0
x x x V
x y x y x y V K
x y z x z y z x y z V
x y y x x y V
x x x
1
,
, , ,
nn
n b tk k a
k
V R V f C a b V M
x y x y f g f x g x dx A B tr B A
2 2 212 2
, : 2, 1 , ( 1, 1), 3x y x y x y x SI x NO x y
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
8
Aproximación
Minoración (minimización) del error
Seleccionado el espacio funcional y el valor n, encontrar que hagan mínima la distancia
Para asegurar la existencia y unicidad de solución, se debe trabajar en espacios normados o prehilbertianos
Tipos de aproximaciones: continua/discreta (norma/pseudonorma)– Mínimos cuadrados (norma 2)
– Uniforme (norma infinito)
1k k
x
2
1,2,1 1 2
2
11 1
2
1
min min
Discreta: ,
Continua: ,
i
m m
i i i i ii m
i i
N mN
k k i i i k kkk i
mb
i i iai
f x x x f x E
x f x E x f x
a b E x f x dx
1
, ,m
i ii
d f x x d f x x
1
n
i k
1,2,1 1
1 11
1
min min
Discreta: , max
Continua: , max
i
m m
i i i i ii m
i i
mN
k k i i i k kk k Ni
m
i i ia x b
i
f x x x f x E
x f x E x f x
a b E x f x
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
9
Aproximación
Representación (caso discreto)
Aproximación Error Máximo Promedio
Caso I MC 1.4839 (5) 2.3921
Unif 1.1210 (5) 2.6870
Caso II MC 17.1213 (6) 18.2036
Unif 10.2395 (6) 28.3372
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
10
Aproximación
Representación (caso continuo): cos(x)
Aproximación Error Máximo Area
Caso I MC 0.6366 0.2976
Unif 0.5000 0.3562
Caso II MC 0.8493 0.3447
Unif 0.7500 0.3757
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadradosAprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
11
Aproximación
Obtención de la aproximación por M.C.
Puesto que el error es siempre positivo, los valores para los que se alcanza el mínimo son iguales para
Los puntos minimales verifican que las parciales son nulas
Denotando por
se obtiene
que conduce a un sistema lineal cuya resolución calcula los coeficientes
1
, , 1, 2,m
i k i ki
x x x f x k m
2 21 2 1,2, 1,2,
y , , min mini i m i ii m i mE E E E
1 1 1 2 1 11
1 2 2 2 2 2 2
1 2
, , , ,
, , , ,
, , , ,
m
m
mm m m m m
x x x x x x x f x
x x x x x x x f x
x x x x x x x f x
21 2 3, , ,
0 1,2,n
k
Ek m
11
Discreta: ,, ,
Continua: ,
NN
k k k k kk
b
a
x x x yx x x x
x x dx a b
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- Linealización- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
12
Aproximación
Aproximación polinómica por M.C.
El espacio sobre el que se proyecta son los polinomios. Este espacio tiene infinitas bases, si bien la más conocida es
la base canónica– B={1,x,x2,x3,x4,…xn}– B={(1-x) n,x(1-x) n-1,x2(1-x) n-2,x3(1-x) n-3,x4(1-x) n-4,…xn}– …
Una base se denomina ortogonal cuando verifica
Una base ortogonal es ortonormal cuando
El sistema anterior se convierte en diagonal cuando la base es ortogonal, lo que lo hace muy sencillo de resolver. La dificultad se traslada a la obtención de la base ortogonal, ya que depende del intervalo (continua) o de los puntos (discreta)
0,
0i j
i jx x
i j
0,
1i j
i jx x
i j
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
13
Aproximación
Aproximación polinómica discreta por M.C. (I)
Tomando la base canónica, el sistema se escribe como:
Denotando por
Donde
Se tiene
2 1
1 1 1 1
2 1
1 1 1 1
2 2 2 2 2 1
1 1 1 1
1 1 1 2 1 1
1 1 1 1
1 1 1 1 1
1
1
1
N N N Nm
k k kk k k k
N N N Nm
k k k k k k kk k k k
N N N Nm
k k k k k k kk k k k
N N N Nm m m m m
k k k k k k kk k k k
x x x
x x x x x x x
x x x x x x x
x x x x x x x
2 11 2 31
1
1
12
23
1
1
1
1
mmx x x x x x x
N
kk
N
k kk
N
k kk
m
Nm
k kk
y
x y
x y
x y
A b
2 1
1 1 1 12 1
2 2 2 2
2 133 3 3
2 1
1
1
,1
1
m
m
m
mN
N N N
x x x y
x x x y
X Y yx x x
yx x x
t tk ky f x A X X b X Y
t tX X X Y
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua
- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
14
Aproximación
Ej.1.-Aproximación polinómica discreta
Ejemplo: Obtener la mejor aproximación de la función constante f(x)=2 mediante funciones de la forma 0+1x+2x2 por mínimos cuadrados discreta utilizando los puntos {-2,-1, 0 ,1, 2}.
5 5 52
1 1 1
5 5 52 3
21 1 1
5 5 52 2 3 4
1 1 12
52
12
5
1
52
1
1
1 2 2 21 1 1 2
, 21 0 0
21 1 12
1 2 2
k kk k k
tk k k
k k k
k k kk k k
kk
tk k
k
k kk
x x
A X X x x x
x x x
X Y
y
b X Y x y
x y
0 0
1 1
2 2
5 0 10 10 2
0 10 0 0 0
10 0 34 20 0
A b
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
15
Aproximación
Ej.2.-Aproximación polinómica discreta (I)
Ejemplo: Obtener la mejor aproximación por mínimos cuadrados de la función de Runge f(x)=(1+x2)-1 tomando la base {1,x}y utilizando los puntos {-2,-1, 0 ,1, 2}. Repetir el proceso tomando {1,x2}
15
5 5 51
21 1 1
5 5 52
12
1 1 11
5
12122550 0
1 1
1 2
1 1 1
,1 0 1
1 1
1 2
5 00
00 10 0
k kk k kt t
k k k kk k k
x y
X Y A X X b X Y
x x x y
A b y x
1225
2
15
5 5 52 212
1 1 12
5 5 52 4 2
122
1 1 112 5
1250
1352
1 2
1 1 1
, 11 0
1 1
1 2
5 10 5 10
10 34
k kk k kt t
k k k kk k k
x y
X Y A X X b X Y
x x x y
A b
13912 121755 5 0 2 13911
70 1751113 11705 5 2
5 10
10 34 0 14y x
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
16
Aproximación
Ej.2.-Aproximación polinómica discreta (II)
Ejemplo: Obtener la mejor aproximación por mínimos cuadrados de la función de Runge f(x)=(1+x2)-1 tomando la base {1,x} y utilizando los puntos {-2,-1, 0 ,1, 2}. Repetir el proceso tomando {1,x2}
2
12251
2 1391170 1752
1
10
f xx
y x
y x
-3 -2 -1 0 1 2 3-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1Mínimos cuadrados discreta
Función
(1,x), E=0.13084
(1,x2), E=0.057371
Datos
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
17
Aproximación
Aproximación polinómica continua (I)
Tomando la base canónica, y definido el intervalo [a,b] donde se desea aproximar la función, el sistema se escribe como:
2 1
12 1
2
2 2 2 2 2 1 3
1 1 2 1 1 1
1 1 1 1 1
1
1
1
b b b b m
a a a a
b b b b m
a a a a
b b b b m
a a a a
mb b b bm m m m m
a a a a
dx xdx x dx x dx
xdx x xdx x x dx x x dx
x dx x x dx x x dx x x dx
x dx x x dx x x dx x x dx
2 11 2 31
2
1
1
mmx x x x x x x
b
a
b
a
b
a
b m
a
f x dx
x f x dx
x f x dx
x f x dx
A b
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
18
Aproximación
Ej.1.-Aproximación polinómica continua
Ejemplo: Obtener la mejor aproximación de la función constante f(x)=2 mediante funciones de la forma 0+1x+2x2 por mínimos cuadrados en el intervalo [-2,2].
2 2 2 22
2 2 2 20
2 2 2 22 312 2 2 2
2 2 2 222 3 4 2
2 2 2 2
2 2
2 2
2 2 23
2 2 2
2 2
2
1 2
2
2
1 4 2 8
0 0 2 0
16
3
dx xdx x dx dx
xdx x dx x dx x dx
x dx x dx x dx x dx
dx dx
xdx x dx x dx
x dx
2 24 2
2 2
0 0
1 1
2 2
64 322
5 316
4 03 8 2
160 0 0 0
332 0
16 640 3
3 5
x dx x dx
A b
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
19
Aproximación
Ej.2.-Aproximación polinómica continua (I)
Ejemplo: Obtener la mejor aproximación por mínimos cuadrados de la función de Runge f(x)=(1+x2)-1 en el intervalo [-2,2] tomando la base {1,x}. Repetir el proceso tomando {1,x2}
22 2 2222 2 1
2 2 22 4 222 2 22
2 2
22 2
2 22 222 2
2 4
2
0
1
11 1
1
11
1 4 2.21431
16 10
3 164
5
2.21434 5.3
1.78575.3 12.8
dxdx x dx x
x dx x dx x dxx
dx dxx
x dx x dxx
x dx
0
1
2
0.8270
0.2051
0.2051 0.8270y x
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
22 2
222 2 1
2 2 22 22 2 22
2 2
22 2
2 2
22 2
2 2
2
0
1
0
1
11 1
1
11
1 4 2.21431
10 0
116
34 0 2.2143
0 5.3 0
0.5536
0
dxdx xdx x
xdx x dx x dxx
dx dxx
xdx x dxx
x dx
0 0.5536y x
Análisis Numérico por César Menéndez Fernández
20
Aproximación
Ej.2.-Aproximación polinómica continua (II)
Ejemplo: Obtener la mejor aproximación por mínimos cuadrados de la función de Runge f(x)=(1+x2)-1 en el intervalo [-2,2] tomando la base {1,x}. Repetir el proceso tomando {1,x2}
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
2
1
22
1
10 0.5536
0.2051 0.8270
f xx
y x
y x
Análisis Numérico por César Menéndez Fernández
21
Aproximación
Linealización
Tanto en el caso discreto como en el continuo, los cálculos se han basado en la linealidad de la función, esto es,y= 1 f1(x) + 2 f2(x) + … m fm(x)
Cuando la función es NO LINEAL bien se linealiza (si es posible), o bien se resuelve el sistema no lineal obtenido (ver tema de resolución de sistemas no lineales)
Linealización de funciones habituales
– Exponencial
– Potencial
– Crecimiento
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía ˆln ln lnbx bxy ae y ae a bx y A bx
ˆ ˆln ln ln lnb by ax y ax a b x y A bx 1 1
ˆ ˆax bx c b c
y y A Bxbx c y ax a a x
Análisis Numérico por César Menéndez Fernández
22
Aproximación
Pesos
En ocasiones interesa que el error se minore más en una parte del intervalo (continua) o para ciertos puntos (discreta), para la que se introduce una función de ponderación o unos pesos, que deben ser siempre positivos
Ejemplos de funciones de peso en un intervalo (extrapolable al valor en un punto)
– Mayor importancia en el centro: w(x)=exp(-x2)– Mayor importancia en los extremos w(x)=1-exp(-x2)
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
11 1
Discreta: , 1,
Continua: , 1
N NN
k k k k k kkk k
b b
a a
x y x xx x
a b x x x dx x dx
Análisis Numérico por César Menéndez Fernández
23
Aproximación
Cuantificación del error
Dada la función conocida y la de ajuste, el error viene dado por
pero ¿es grande o pequeño? Es necesario un estudio estadístico que indique cuanta variación de y
explica x: coeficiente de regresión
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- Linealización- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
2
1 11
2
2
Discreta: ,1
Continua: ,1
: 1 con 1
N N
k kN k k
k k yk
b b
a ay
y x ry x
y
y y yx y S y
N m NVarianza f xf x y dx f x dx
a b S yN m b a
S SCorrelación r S
S N m
0
2
11
2
, Error Cuadrático ,
Discreta: ,
Continua: ,
n
i i ri
NN
k k r k kkk
b
r a
f x x x S f x x f x x
x f x S f x x
a b S f x x dx
Análisis Numérico por César Menéndez Fernández
24
Aproximación
Intervalos de confianza de los coeficientes
Dada la función conocida y la de ajuste, el error viene dado por
pero ¿es grande o pequeño? Es necesario un estudio estadístico que indique cuanta variación de y
explica x: coeficiente de regresión
1
2
11
2
, Error Cuadrático ,
Discreta: ,
Continua: ,
m
i i ri
NN
k k r k kkk
b
r a
f x x x S f x x f x x
x f x S f x x
a b S f x x dx
2
1 11
2
2
Discreta: ,1
Continua: ,1
: 1 con 1
N N
k kN k k
k k yk
b b
a ay
y x ry x
y
y y yx y S y
N m NVarianza f xf x y dx f x dx
a b S yN m b a
S SCorrelación r S
S N m
Descripción
Objetivos
TemarioIntroducciónMínimos cuadrados
- Planteamiento- Aprox. Discreta- Aprox. Continua- Linealización- No lineal- Ponderación- Valoración
Aprox. Uniforme
Bibliografía
Análisis Numérico por César Menéndez Fernández
25
Aproximación
Aproximación polinómica por M.C.
El espacio sobre el que se proyecta son los polinomios. Este espacio tiene infinitas bases, si bien la más conocida es
la base canónica– B={1,x,x2,x3,x4,…xn}– B={(1-x) n,x(1-x) n-1,x2(1-x) n-2,x3(1-x) n-3,x4(1-x) n-4,…xn}– …
En ocasiones interesa que el error se minore más en una parte del intervalo (continua) o para ciertos puntos (discreta), para la que se introduce una función de ponderación o unos pesos, que deben ser siempre positivos
– Ejemplos de funciones de peso en un intervalo (extrapolable al valor en un punto)
11
Discreta: ,,
Continua: ,
NN
k k k k k kk
b
a
x x x yx x
x x x dx a b
Descripción
Objetivos
TemarioIntroducción
- Distancias- Minoración- Ejemplos
Mínimos cuadrados- Planteamiento- Aprox. Discreta- Aprox. Continua- Linealización- No lineal- Ponderación- Valoración
Aprox. Uniforme- Planteamiento- Aprox. Discreta- Aprox. Casi
continua- Aprox. Continua
Bibliografía