UNIVERSIDAD NACIONAL DE SAN JUAN

Facultad de Ingeniería
Departamento de Matemática

MÉTODOS NUMÉRICOS
Ingeniería en Alimentos
Ingeniería Química
Ingeniería Industrial
Ingeniería de Minas
Ingeniería en Metalurgia Extractiva

UNIDAD DE APRENDIZAJE N° 2

Aproximación de funciones

Primera Parte: Interpolación

Profesor Responsable: Esp. Ing. María Rosa Castro

2018
Introducción
En esta unidad estudiaremos la aproximación de funciones disponibles en forma discreta (puntos
tabulados), con funciones analíticas sencillas y la aproximación de funciones cuya complicada
naturaleza exige su reemplazo por funciones más simples. Para lograr esto partiremos de tablas
de valores datos y, utilizando la familia de polinomios, aproximaremos la tabla de valores por una
función polinómica de primer grado (línea recta), por un polinomio de segundo grado (una
parábola), etc. La elección del grado, se hará analizando el fenómeno que originó los valores
datos y, el tipo de aproximación, con base en la exactitud de éstos.
Existen dos métodos generales para encontrar esa aproximación, y se basa en el error asociado
con los datos. Si los datos exhiben un grado significativo de error o “ruido”, la estrategia será
obtener una sola curva que represente la tendencia general de los datos. Como cualquier dato
individual puede ser incorrecto, no se busca intersecar todos los puntos. En lugar de esto, se
construye una curva que siga la tendencia de los puntos tomados como un grupo. Un
procedimiento de este tipo, se llama ajuste de datos por mínimos cuadrados.
Si se sabe que los datos son muy precisos, el procedimiento básico será usar o construir una
curva o una serie de curvas que pasen por cada uno de los puntos en forma directa. Usualmente
tales datos provienen de tablas, por ejemplo valores de la densidad del agua o la capacidad
calorífica de los gases en función de la temperatura. La estimación de valores entre puntos
discretos bien conocidos se llama interpolación.
Objetivos Específicos de la primera parte de la unidad
Al término del estudio de los contenidos aquí expuestos y al realizar todas las actividades
propuestas por el equipo de cátedra, se espera que el alumno logre:
• Comprender cómo se usan los polinomios de Taylor y Maclaurin para aproximar
funciones.
• Comprender la naturaleza de la aproximación y los errores cometidos al aplicarla.
• Explicar usos y ventajas.
• Definir interpolación numérica.
• Deducir y construir los polinomios interpoladores de Lagrange de primer grado y
superiores.
• Deducir y aplicar la cota del error de Lagrange.
• Aplicar los métodos de interpolación para la solución de diversos problemas en ingeniería.

Aproximación funcional
Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una
función resulta difícil de evaluar con exactitud, se intenta buscar un polinomio que se le parezca y
se usa dicho polinomio en su lugar. En este proceso es obvio que se pierde la exactitud de cálculo
pero se gana en la operatividad.
Las aproximaciones de una función mediante polinomios pueden ser de dos tipos: locales y
globales. Las aproximaciones locales se basan en la construcción de un polinomio que coincida
con la función de partida y con algunas de sus derivadas en un único punto. En las proximidades
de ese punto el polinomio toma valores muy parecidos a la función, pero no necesariamente

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 2
iguales, y lejos de ese punto el polinomio no tiene por qué parecerse a la función. Las
aproximaciones globales consisten en obtener polinomios que se parezcan bastante a la función
de partida en todo un intervalo. El polinomio coincide con la función, y a veces con su primera
y/o segunda derivada en varios puntos del intervalo, pero no hay un punto del intervalo en que el
polinomio se parezca mucho más a la función que en el resto. En este tema se estudiarán
aproximaciones locales (Polinomio de Taylor) y en el tema siguiente aproximaciones globales
(Polinomios de Interpolación).
Aproximación funcional local
Las funciones más útiles y mejor conocidas son las funciones polinómicas, o sea, el conjunto de
funciones de la forma:
𝑃𝑛 (𝑥) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0
Donde n es un número entero no negativo y 𝑎0 , 𝑎1 , … , 𝑎𝑛 son constantes reales. Su importancia se
debe a que aproximan de manera uniforme a las funciones continuas. Dada una función
cualquiera, definida y continua en un intervalo cerrado, existe un polinomio que está tan “cerca”
de la función como se desee. Este resultado se expresa con precisión en el siguiente teorema.
Teorema de aproximación de Weierstrass
Suponga que f(x) está definida y es continua [𝑎, 𝑏]. Para cada 𝜖 < 0, existe un polinomio P(x), con
la propiedad de que:
|𝑓(𝑥) − 𝑃(𝑥)| < 𝜖, para toda x en [𝑎, 𝑏]

Fig. 1. Teorema de aproximación de Weierstrass

La demostración de este teorema la podrán encontrar en cualquier libro de análisis matemático,

si les interesa el tema.
Otra razón importante por la cual se debe considerar la clase de polinomios en la aproximación
de funciones, es que la derivada y la integral indefinida de un polinomio son fáciles de determinar
y también son polinomios. Por estas razones, con frecuencia se usan los polinomios para
aproximar a las funciones continuas.
En esta primera parte estudiaremos los polinomios de Taylor, y comenzaremos enunciando el
siguiente teorema.
Métodos Numéricos (INQ- IND- IEA- IDM- IME)
Esp. Ing. María Rosa Castro 3
Teorema de Taylor
Sea una función 𝑓 ∈ 𝐶 𝑛 [𝑎, 𝑏], que verifica que 𝑓 𝑛+1 existe en [𝑎, 𝑏] y 𝑥0 ∈ [𝑎, 𝑏]. Para cada 𝑥 ∈
[𝑎, 𝑏], existe un número 𝜉(𝑥) entre 𝑥0 y 𝑥 tal que:
𝑓(𝑥) = 𝑃(𝑥) + 𝑅(𝑥)
Donde
𝑓 ′′ (𝑥0 ) 𝑓 𝑛 (𝑥0 )
𝑃𝑛 (𝑥) = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2 + ⋯ + (𝑥 − 𝑥0 )𝑛
2! 𝑛!
𝑛
𝑓 𝑘 (𝑥0 )
=∑ (𝑥 − 𝑥0 )𝑘
𝑘!
𝑘=0

Y
𝑓 (𝑛+1) (𝜉(𝑥))
𝑅𝑛 (𝑥) = (𝑥 − 𝑥0 )𝑛+1
(𝑛 + 1)!
En este caso, 𝑃𝑛 (𝑥) es el n-ésimo polinomio de Taylor para f respecto a 𝑥0 y 𝑅𝑛 (𝑥) se llama
residuo o error de truncamiento asociado a 𝑃𝑛 (𝑥). La serie infinita obtenida al tomar el límite de
𝑃𝑛 (𝑥) cuando 𝑛 → ∞ es la serie de Taylor para f en un entorno de 𝑥0 . En el caso que 𝑥0 = 0, el
polinomio de Taylor suele llamarse polinomio de Maclaurin, y la serie de Taylor se nombra serie
de Maclaurin.
El término error de truncamiento se refiere al error implícito al usar una suma truncada, o finita,
para aproximar la suma de una serie infinita.
Se sabe que si una función es continua y derivable en un punto x=x0, la recta más parecida a la
función en un entorno de x0 es la recta tangente y su ecuación es:
𝑦(𝑥) = 𝑓(𝑥0 ) + 𝑓′(𝑥0 )(𝑥 − 𝑥0 )
Dicha recta define un polinomio 𝑃1 (𝑥) = 𝑓(𝑥0 ) + 𝑓′(𝑥0 )(𝑥 − 𝑥0 ) que verifica P1(𝑥0 )=f(𝑥0 )y
P’1(𝑥0 )=f ‘(𝑥0 ). Geométricamente esto significa que la recta pasa por el mismo punto que la
función en 𝑥0 y además, la inclinación de la función en ese punto es la misma que la de la recta.
El polinomio P1(x) es una primera aproximación de la función f(x) y cabe esperar que al aumentar
su grado de algún modo, es decir al construir un polinomio:
𝑃2 (𝑥) = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) + 𝛼(𝑥 − 𝑥0 )2
Con un valor de α adecuado, se tiene un polinomio que se parece aún más a f(x). En concreto, si
f(x) es dos veces derivable en x0 y se calcula α imponiendo que:
P2 (𝑥0 )=f ‘’ (𝑥0 ),
Se tiene un polinomio de grado dos que verifica: P2(𝑥0 )=f(𝑥0 ), P’2(𝑥0 )=f ‘(𝑥0 ) y P’’2(𝑥0 )=f ‘’(𝑥0 ) .
Geométricamente, esto se traduce en que el polinomio P2(x) tiene una curvatura o concavidad
muy parecida a la de f(x) en un entorno de x0.
Si f(x) es n veces derivable en x0 se puede repetir este proceso y obtener un polinomio de grado n
según se indica en la siguiente proposición y se puede ver en la Figura 2.

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 4
 Fig. 2. Función f(x) y sus aproximaciones polinomiales

Proposición: Existencia y unicidad del polinomio de Taylor

Sea f(x): R → R una función n veces derivable en un punto x0. Existe un único polinomio Pn(x) de
grado menor o igual que n que verifica: Pn(x0) = f(x0), P’n(x0) = f ‘(x0),…. , Pn(n)(x0) = f(n)(x0). Dicho
polinomio es:
𝑛
𝑓 (𝑘) (𝑥0 )
𝑃𝑛 (𝑥) = ∑ (𝑥 − 𝑥0 )𝑘
𝑘!
𝑘=0

Con el convenio 0!=1 y f(0)=f.

El polinomio anterior se denomina polinomio de Taylor de orden n de la función f(x) en x0, y se
denota simplemente Pn(x).
Si x0 = 0 se suele denominar polinomio de Maclaurin.
Resumiendo:
Sea f(x) una función derivable hasta orden n en x = x0.
• El polinomio de Taylor de f(x) en x = x0 es:
𝑓 ′ (𝑥0 ) 𝑓′′(𝑥0 ) 𝑓 𝑛 (𝑥0 )
𝑃𝑛 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2 + ⋯ + (𝑥 − 𝑥0 )𝑛
1! 2! 𝑛!
• Cuando x0 = 0, resulta el polinomio de Maclaurin
𝑓 ′ (0) 𝑓′′(0) 2
𝑓 𝑛 (0)
𝑃𝑛 (𝑥) = 𝑓(0) + 𝑥+ (𝑥) + ⋯ + (𝑥)𝑛
1! 2! 𝑛!
Aplicación
Los polinomios de Taylor permiten aproximar el valor de una función f(x) para x próximos a x0.
Observar que para construir el polinomio de Taylor usamos únicamente valores de la función y sus
derivadas en x = x0.
Ejemplo 1: Considerar f(x) = ex.
(a) Construir al polinomio de Maclaurin de quinto grado para f(x).

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 5
(b) Aproximar el valor de e0,5
(c) ¿Cuántos decimales exactos tiene la aproximación?
Solución:(a) Para el polinomio de Maclaurin se cumple:
𝑓(𝑥) = 𝑒 𝑥 ; 𝑓 ′ (𝑥) = 𝑒 𝑥 ; 𝑓 ′′ (𝑥) = 𝑒 𝑥 , … , 𝑓 (5) (𝑥) = 𝑒 𝑥
Sustituyendo en x = 0, resulta:
𝑓(0) = 𝑓 ′ (0) = 𝑓 ′′ (𝑥) = … = 𝑓 (5) (0) = 1,
Por lo tanto:

(b) Valor aproximado. Sustituyendo x = 0,5 en el polinomio y redondeando a cinco cifras

decimales redondeadas, resulta:
P5(0,5) = 1, 64870
(c) Error. El valor de e0,5, calculado con 5 decimales es e0,5 = 1,64872 y el valor absoluto del error
absoluto es:
1
𝐸𝑎 = |𝑒 𝑜,5 − 𝑃5 (0,5)| = 0,00002 = 0,2. 10−4 < 0,00005 = . 10−4
2
Por lo tanto, la aproximación P5 (0,5) = 1,64870 tiene 4 decimales exactos y son los resaltados en
negrita y el cero es dudoso.

Fig. 3. Función f(x)=ex y sus aproximaciones

Ejemplo 2: Considerando f(x) = senx.

(a) Determinar al polinomio de Maclaurin de orden 5 para f.
(b) Aproximar el valor de sen(0,2).
(c) ¿Cuántos decimales exactos tiene la aproximación?
Métodos Numéricos (INQ- IND- IEA- IDM- IME)
Esp. Ing. María Rosa Castro 6
Solución:(a) Para el polinomio de Maclaurin se cumple:
𝑓(𝑥) = 𝑠𝑒𝑛(𝑥) 𝑓(0) = 0,
′ (𝑥)
𝑓 = 𝑐𝑜𝑠𝑥 𝑓 ′ (0) = 1,
𝑓 ′′ (𝑥) = −𝑠𝑒𝑛(𝑥) 𝑓′′(0) = 0,
𝑓 (3) (𝑥) = −𝑐𝑜𝑠𝑥 𝑓 (3) (0) = −1,
𝑓 (4) (𝑥) = 𝑠𝑒𝑛(𝑥) 𝑓 (4) (0) = 0,
𝑓 (5) (𝑥) = 𝑐𝑜𝑠𝑥 𝑓 (5) (0) = 1,
𝑥3 𝑥5
Por lo tanto: 𝑃5 (𝑥) = 𝑥 − +
6 120

(b) Valor aproximado.

Sustituyendo x = 0,2 en el polinomio, resulta: P5(0,2) = 0,1986693333.
(c) Error. El valor de sen(0,2), calculado con 10 decimales es: sen(0,2) = 0,1986693308.
El valor absoluto del error absoluto es:
1
Ea = |sen(0,2) − P5(0,2)| = 2,505× 10−9=0,25 × 10−8< × 10−8
2

Por lo tanto, la aproximación P5 (0,2)=0,1986693333 tiene 8 decimales exactos.

Fig. 4. Función f(x)=senx y sus aproximaciones

Ejemplo 3: a. Determine el polinomio de segundo y tercer grado de Taylor para f(x) = cos(x)
respecto a 𝑥0 = 0 y use estos polinomios para aproximar cos(0,01).
0.1
b. Con el polinomio de tercer grado de Taylor y su término de error aproxime ∫0 𝑐𝑜𝑠𝑥 𝑑𝑥
Solución: Como 𝑓 ∈ 𝐶 𝑛 (𝑅), el teorema de Taylor se puede aplicar a cualquier 𝑛 ≥ 0. Además,

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 7
 𝑓(𝑥) = 𝑃2 (𝑥) + 𝑅2 (𝑥)
Donde

′ (0)𝑥
𝑓 ′′ (0) 2
𝑃2 (𝑥) = 𝑓(0) + 𝑓 + 𝑥
2!
Y
𝑓 3 (𝜉(𝑥)) 3
𝑅2 (𝑥) = 𝑥
3!
𝑓 ′ (𝑥) = −𝑠𝑒𝑛(𝑥); 𝑓 ′′ (𝑥) = − cos(𝑥) ; 𝑓 ′′′ (𝑥) = 𝑠𝑒𝑛𝑥 𝑦 𝑓 (4) (𝑥) = 𝑐𝑜𝑠𝑥
De modo que: 𝑓(0) = 1; 𝑓 ′ (0) = 0; 𝑓 ′′ (𝑥) = −1 𝑦 𝑓 ′′′ (0) = 0
a. Para 𝑛 = 2 y 𝑥0 = 0 , obtendremos:
1 1
𝑐𝑜𝑠𝑥 = 1 − 𝑥 2 + 𝑥 3 𝑠𝑒𝑛𝜉(𝑥)
2 6
Donde 𝜉(𝑥) es un número entre 0 y x

Fig. 5. Función f(x)=cos x y su aproximación por 𝑃2 (𝑥)

Para 𝑥 = 0.01, el polinomio de Taylor en un entorno de 𝑥0 = 0 y el término del error es:

1 1
cos(0.01) = 1 − (0.01)2 + (0.01)3 𝑠𝑒𝑛𝜉(𝑥) = 0.99995 + 0.166667 10−6 𝑠𝑒𝑛𝜉(𝑥)
2 6

Donde 0 < 𝜉(𝑥) < 0.01. Debido a que |𝑠𝑒𝑛𝜉(𝑥)| < 1 para todo 𝑥, obtendremos:
|cos(0.01) − 0.99995| ≤ 0.166667 10−6
De modo que la aproximación 0.99995 coincide por lo menos en las primeras cinco cifras
decimales de cos(0.01) y se cumple que:
0.99995 − 0.166667 10−6 ≤ cos(0.01) ≤ 0.99995 + 0.166667 10−6
0.9999498 ≤ cos(0.01) ≤ 0.9999502
Observe que la cota del error es mucho mayor que el error real, esto se debe en parte, a la pobre
cota que usamos para |𝑠𝑒𝑛𝜉(𝑥)|. Usted puede verificar que |𝑠𝑒𝑛(𝑥)| ≤ |𝑥| y como 0 < 𝜉(𝑥) <
0.01, podríamos haber usado que el hecho de que |𝑠𝑒𝑛(𝑥)| ≤ 0.01 en la fórmula para el error, lo
que produce un valor de la cota menor o igual a 0.166667 10−8
Para la construcción del polinomio de tercer grado, debemos tener en cuenta que 𝑓 ′′′ (0) = 0, por
lo que el polinomio de Taylor en un entorno de 𝑥0 = 0 y el término del error es:
Métodos Numéricos (INQ- IND- IEA- IDM- IME)
Esp. Ing. María Rosa Castro 8
 1 1
𝑐𝑜𝑠𝑥 = 1 − 𝑥 2 + 𝑥 4 𝑐𝑜𝑠𝜉(𝑥)
2 24

Donde 0 < 𝜉(𝑥) < 0.01 El polinomio de aproximación es el mismo, y la aproximación aún es
0.99995, pero ahora tenemos una mucho mejor garantía de precisión. Puesto que |𝑐𝑜𝑠𝜉(𝑥)| ≤ 1
para toda 𝑥, tenemos:
1 4 1
| 𝑥 𝑐𝑜𝑠𝜉(𝑥)| ≤ (0.01)4 1 ≈ 4.2 10−10
24 24
De modo que
|cos(0.01) − 0.99995| ≤ 4.2 10−10
Y
0.99995 − 4.2 10−10 ≤ cos(0.01) ≤ 0.99995 + 4.2 10−10
0.999945 ≤ cos(0.01) ≤ 0.99995
En el primer apartado de este ejemplo se ilustran los dos objetivos de los métodos numéricos. El
primero es encontrar una aproximación, que los polinomios de Maclaurin proporcionan en
ambos casos. El segundo es determinar la precisión de la aproximación, y pudimos ver que el
polinomio de tercer grado fue mucho mas informativo que el polinomio de segundo grado,
aunque ambos dieron la misma aproximación.
b. Usaremos el polinomio de Maclaurin de tercer grado obtenido en el apartado anterior
para aproximar
0.1 0.1
1 1 0.1
∫ 𝑐𝑜𝑠𝑥 𝑑𝑥 = ∫ (1 − 𝑥 2 ) 𝑑𝑥 + ∫ 𝑥 4 𝑐𝑜𝑠𝜉(𝑥)𝑑𝑥 =
0 0 2 24 0
0.1 0.1
1 1
= [𝑥 − 𝑥 3 ] + ∫ 𝑥 4 𝑐𝑜𝑠𝜉(𝑥)𝑑𝑥
6 0 24 0
1 1 0.1
= 0.1 − (0.1)3 + ∫ 𝑥 4 𝑐𝑜𝑠𝜉(𝑥)𝑑𝑥
6 24 0
Por lo tanto:
0.1
1
∫ 𝑐𝑜𝑠𝑥 𝑑𝑥 ≈ 0.1 − (0.1)3 = 0.09983̅
0 6
Se puede determinar una cota para el error en esta aproximación a partir de la integral del
término del error y el hecho que |𝑐𝑜𝑠𝜉(𝑥)| ≤ 1 para toda 𝑥,
0.1
1 1 0.1 4
|∫ 𝑥 4 𝑐𝑜𝑠𝜉(𝑥)𝑑𝑥| ≤ ∫ 𝑥 |𝑐𝑜𝑠𝜉(𝑥)|𝑑𝑥
24 0 24 0
1 0.1 4
≤ ∫ 𝑥 𝑑𝑥 = 8. 3̅ 10−8
24 0
Como el valor real de esta integral es:
0.1
∫ 𝑐𝑜𝑠𝑥 𝑑𝑥 = 𝑠𝑒𝑛𝑥]0.1
0 = 𝑠𝑒𝑛0.1 ≈ 0.099833416
0

El error real para esta aproximación es 8.332 10−8 que es del mismo orden que la cota del error.

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 9
 Fig. 6. Función f(x)=cos(x) y sus aproximaciones

Después de ver estos ejemplos podríamos pensar que los polinomios de Taylor se usan siempre
para obtener aproximaciones de funciones, pero como veremos mas adelante esto no es así. Los
polinomios de Taylor coinciden en lo posible con una determinada función en un punto
específico, pero concentran su exactitud cerca de él. Para lograr una aproximación relativamente
exacta debemos asegurar la “cercanía” de la función y el polinomio en todo un intervalo y los
polinomios de Taylor no lo hacen. Este problema generalmente limita el uso de la aproximación
polinómica de Taylor al caso en que las aproximaciones se necesiten solo en puntos cercanos a
𝑥0 . En los cálculos ordinarios conviene más usar métodos que incluyan información en diversos
puntos y para dar luz sobre este tema veamos que significa Interpolar.

Interpolación
En la práctica de la ingeniería se utilizan mucho las tablas de datos, como en el caso de las tablas
de propiedades, en termodinámica, por decir solo una. En la mayoría de los casos el dato que
necesitamos no se encuentra explícito en la tabla sino entre dos valores de ésta, para lo cual es
necesario estimarlo de entre los valores que presenta la tabla en un proceso conocido como
interpolación.

Al consultar fuentes de información presentadas en forma tabular, es frecuente no encontrar el

valor buscado, como se muestra en los siguientes ejemplos:
Ejemplo 4: En una planta química se sintetiza un producto que es utilizado posteriormente como
conservante de productos enlatados. El rendimiento del proceso depende de la temperatura.
Se dispone de los siguientes datos:
T(ºC) 150 160 170 180 190 200 210
R(%) 35,5 37,8 43,6 45,7 47,3 50,1 51,2

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 10
Se considera un rendimiento óptimo el que va de 38.5 a 45, por lo que la planta trabaja a 175 ºC.
Si la temperatura de trabajo cae a 162 ºC por una avería, ¿será el proceso satisfactorio hasta que
sea reparada?
Ejemplo 5: En una planta se bombea un solvente, 60 ºC, desde la base de una columna de
fraccionamiento hasta un gran tanque de almacenamiento descubierto.
La columna opera a 1,29 atmósferas. En la siguiente tabla se representan los datos relativos de
los litros por hora que puede bombear la bomba en función de la potencia en vatios (W) a la que
es necesario que trabaje:
Q (l/h) 500 700 900 1100 1300 1500 1700 1900
N(W) 365 361,6 370,64 379,68 384,46 395,5 395,95 397

Se desea saber si la bomba será capaz de impulsar un caudal de 1000 l/h de solvente hasta el
tanque de almacenamiento trabajando a un máximo de 373 W.
Ejemplo 6: El pentóxido de dinitrógeno reacciona en un reactor intermitente según la reacción
estequiométrica:
2𝑁2 𝑂5 ↔ 2𝑁2 𝑂4 + 𝑂2
Calculamos la concentración de pentóxido de dinitrógeno existente en ciertos instantes,
obteniendo los siguientes datos:
Tiempo (s) 0 200 400 650 1100 1900 2300
C 5,5 5,04 4,36 3,45 2,37 1,32 0,71

Si lo tenemos en el reactor un tiempo máximo de 35 minutos (2100 segundos), ¿cuáles la

concentración de pentóxido de dinitrógeno que queda sin reaccionar?
En una gran variedad de problemas, es deseable representar una función a partir del
conocimiento de su comportamiento en un conjunto discreto de puntos. En algunos problemas
solo tendremos valores en un conjunto de datos, mientras que en otros, buscaremos representar
una función mediante otra más simple. En el primer caso hablaremos de interpolación de datos, y
en el segundo interpolación de funciones. En ambos casos, el objeto es obtener estimaciones de la
función en puntos intermedios, aproximar la derivada o la integral de la función en cuestión o,
simplemente, obtener una representación continua o suave de las variables del problema.
La interpolación es el proceso de determinar una función que represente exactamente una
colección de datos. El problema de interpolación se puede formular, en general, en los siguientes
términos: sean (xi, f (xi)), i=0,1,…, n, pares de valores reales dados de manera que x i ≠x j, i ≠ j. Se
debe seleccionar una función que pase por todos los puntos datos. Dependiendo del tipo de
funciones de interpolación que se considere, se distinguen varios tipos de interpolación, entre lo
que se pueden citar: interpolación lineal (spline lineal), polinómica, trigonométrica, racional,
exponencial y spline o interpolación polinomial a trozos, por ejemplo spline cúbica.
El tipo más elemental de interpolación consiste en ajustar una colección de datos a un polinomio
de primer grado (recta).

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 11
Resumiendo, la idea básica de la interpolación es hallar un polinomio o función que cumpla con
pasar por todos los puntos de un conjunto de datos (x1, y1), (x2, y2),…, (xn,yn), y poder estimar los
valores entre ellos por medio de ese polinomio.

Interpolación lineal

Fig. 7. Representación de los puntos datos y recta de interpolación lineal

La interpolación lineal es la más utilizada en el manejo de datos de tablas. Consiste en trazar un

recta (Fig. 5) entre cada par de los puntos datos, razón por la cual también es llamada
interpolación por trazadores lineales o splines de primer orden. Consideremos un conjunto de
datos (x1, y1), (x2, y2),…, (xn, yn) entre dos puntos consecutivos del conjunto de datos se puede
trazar un segmento de recta.
𝑦𝑖+1 −𝑦𝑖
La pendiente de esta recta es: 𝑚 = y cómo pasa por el punto inicial (xi,yi) se tiene
𝑥𝑖+1 −𝑥𝑖
entonces la ecuación de la recta que interpola entre ese par de puntos es:

Hay que tener en cuenta que la interpolación lineal se hace por tramos y no entrega un solo
polinomio para todo el conjunto de datos.
Ejemplo 7: Se cuenta con la tabla de la temperatura de ebullición de la acetona (C3H60) a
diferentes presiones.
Puntos 0 1 2 3
P(atm) 1 5 20 40
T(º C) 56,5 113,0 181,0 214,5
Se desea calcular la temperatura de ebullición de la acetona a 2 atmósferas de presión.
Solución: Este ejemplo es, si adoptamos que la presión es la variable independiente (x) y la
temperatura, la variable dependiente (y), conocido un valor de x=2 atmósferas, debemos
determinar el valor de y (temperatura). Usando la ecuación (1.1), éste es un caso de interpolación
lineal directa.

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 12
 𝟏
𝒚 = 𝟓𝟔, 𝟓 + (𝟏𝟏𝟑 − 𝟓𝟔, 𝟓) = 𝟕𝟎, 𝟔º𝑪
𝟒
Finalmente, la temperatura de ebullición de la acetona a 2 atmósferas es de 70,6ºC.
Ejemplo 8. Termodinámica (Excel)
Una parte de la tabla de presión y temperatura de saturación del agua esi:
P[kPa] T[ºC]
35 72,7
45 78,7
Necesitamos saber la presión requerida para que el agua se sature a una temperatura de 75°C.
Solución: En la tabla vemos que este valor no aparece explícito por lo que debemos interpolar,
entonces aplicando la ecuación (1.1) donde las presiones son los valores de las abscisas (x) y los
valores de las ordenadas (y), las temperaturas, conocido el valor de y= 75ºC, debemos encontrar
el valor de x (presión). Este es un caso de interpolación inversa.

Utilizando una hoja de Excel programada con la ecuación (1.1) obtenemos:

Y la gráfica de esta interpolación inversa, se muestra a continuación:

80

78

76

74

72
0 10 20 30 40 50

Fig. 8. Interpolación de la tabla de saturación del agua.

¿Será confiable determinar el valor de la temperatura de ebullición del agua para una presión
saturación de 55kPa?

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 13
Este proceso de denomina extrapolación. La extrapolación consiste en estimar más allá del
intervalo de datos conocidos, el valor de la variable (x o y) con base en su relación con la otra
variable (x o y). Es un procedimiento similar a la interpolación, el cual produce estimados entre
las observaciones conocidas, a diferencia de ésta, la extrapolación está sujeta a una mayor
incertidumbre y a un mayor riesgo de producir resultados poco confiables.

Fig. 9. Representación grafica donde se muestra la diferencia entre la interpolación y la extrapolación

Ejemplo 9: El número de turistas que ingresaron a la República Argentina en el período 1980-

1995 siguió la siguiente tendencia:
Años 1980 1985 1990 1995
Millones de turistas 24,1 30,1 38,0 43,2

a) Usando interpolación lineal, calcular el número de turistas en 1986.

b) Hallar la previsión para el año 1998 (suponiendo fuese lineal).
Respuesta: a) El número de turistas en 1986 fue de 31,68 millones.
b) La cantidad de turistas en el año 1986 fue de 46,32 millones.

Interpolación Polinomial
Es común que en la solución de problemas prácticos en ingeniería, dado un conjunto de valores
conocidos se pretenda inferir o estimar valores intermedios desconocidos. Un método empleado
a este fin es la interpolación polinomial.
La interpolación polinomial es una técnica matemática que permite describir un conjunto de
puntos mediante alguna función. Adicionalmente, tiene utilidad cuando se desea aproximar una
función por otra función matemáticamente más simple.
Dados los puntos (xi, fi), i = 0, 1, 2, . . ., n que pertenecen a alguna función f que supondremos
desconocida pero diferenciable, se debe encontrar alguna función g para aproximarla.

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 14
 Fig. 10. Función f(x) y su aproximación g(x)

La función g(x) debe incluir a los puntos dados: g(xi) = fi, i = 0, 1, 2, . . ., n

Por simplicidad se elegirá como función g(x), un polinomio de grado no mayor a n:
𝑔(𝑥) = 𝑃𝑛 (𝑥) = 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛−1 + ⋯ + 𝑎𝑛−1 𝑥 + 𝑎𝑛
Este polinomio P(x) se denomina polinomio de interpolación
Primero se establecerán algunos fundamentos básicos relacionados con el polinomio de
interpolación.
Existencia del polinomio de interpolación
El polinomio de interpolación P(x) debe incluir a cada punto dado:
𝑥 = 𝑥0 → 𝑃𝑛 (𝑥0 ) = 𝑎0 𝑥0𝑛 + 𝑎1 𝑥0𝑛−1 + ⋯ + 𝑎𝑛−1 𝑥0 + 𝑎𝑛 = 𝑓(𝑥0 )
𝑥 = 𝑥1 → 𝑃𝑛 (𝑥1 ) = 𝑎0 𝑥1𝑛 + 𝑎1 𝑥1𝑛−1 + ⋯ + 𝑎𝑛−1 𝑥1 + 𝑎𝑛 = 𝑓(𝑥1 )
⋮
𝑥 = 𝑥𝑛 → 𝑃𝑛 (𝑥𝑛 ) = 𝑎0 𝑥𝑛𝑛 + 𝑎1 𝑥𝑛𝑛−1 + ⋯ + 𝑎𝑛−1 𝑥𝑛 + 𝑎𝑛 = 𝑓(𝑥𝑛 )
Unicidad del polinomio de interpolación
Dados los datos (xi, fi), i = 0, 1, 2, . . ., n, el polinomio de interpolación que incluye a todos los
puntos es único.
Recordemos que:
P0(x)=a0 polinomio de cero grado
P1(x)=a1. x + a0 polinomio de primer grado
P2(x)=a2. x2+ a1. x + a0 polinomio de segundo grado
Pn(x)=an. xn+ an-1. xn-1 +…+ a0 polinomio de grado n
Recordemos también que dados dos puntos en el plano, existe solo una recta (polinomio lineal)
que pasa por esos dos puntos. Así dados tres puntos en el plano, si no están alineados, existe una
única parábola o polinomio cuadrático que pasa por esos puntos, y así sucesivamente. Este es un
concepto que podemos recuperar del Álgebra, ya que dado n+1 puntos en el plano, existe un

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 15
polinomio de grado menor o igual a n que pasa por esos puntos y este polinomio es único entre
todos los polinomios de grado a lo sumo n.

Fig. 11. Ejemplos de interpolación polinomios

a) Primer grado o lineal, b) De segundo grado o cuadrática,
c) De tercer grado o cúbico

Al determinar el único polinomio de grado n, nos proporciona una forma para calcular los puntos
intermedios. Existen una gran variedad de fórmulas mediante las cuales se puede encontrar este
polinomio. Nosotros solo vamos a presentar en este curso el Método de Interpolación de
Lagrange.
Polinomios de Lagrange
Para ilustrar cómo funciona la interpolación por polinomios de Lagrange considere el problema
de determinar un polinomio de grado uno, que pase por dos puntos distintos (x0, y0) e (x1, y1).
Este problema es el mismo de aproximar una función f, para la cual f (x0)=y0 y f (x1)=y1, mediante
un polinomio P de interpolación o colocación de grado uno, coincidiendo con los valores de f(x)
en los puntos dados.

Fig. 12. Función f(x) y su aproximación P1(x)

Si partimos de la ecuación de una recta que pasa por dos puntos:

x − x0 y − y0
=
x1 − x0 y1 − y0
Despejando y:
 x − x0 
y = y0 +   ( y1 − y0 )
 x1 − x0 

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 16
Sacando común denominador y operando, resulta:
( x1 − x0 ) y0 + ( x − x0 ) y1 − y0 ( x − x1 ) ( x − x0 )
f ( x) = y = = y0 + y1
( x1 − x0 ) ( x0 − x1 ) ( x1 − x0 )
Sea el polinomio de primer grado:
( x − x1 ) ( x − x0 )
P1 ( x ) = y0 + y1
( x0 − x1 ) ( x1 − x0 )

Verificamos que:
Si x = x0, P (x0) = 1. y0 + 0. y1 = f (x0) = y0, y cuando x = x1, P(x1) = 0. y0 + 1. y1 = f (x1) = y1
Así P1(x) tiene la propiedad requerida, es decir pasa por los puntos (xo, yo) y (x1, y1).
Si el polinomio de primer grado o polinomio lineal que pasa a través de los puntos (x0, f(x0)); (x1,
f(x1)) se construyó usando los cocientes:
( x − x1 )
L0 ( x) =
( x0 − x1 )
( x − x0 )
L1 ( x) =
( x1 − x0 )
Esos cocientes reciben el nombre de Coeficientes de Lagrange y verificamos que cuando:
x = x0, L0 (x0) = 1 y L1 (x0) = 0
y cuando
x = x1, L0(x1) = 0 y L1 (x1) = 1

Generalización de la interpolación polinomial

Si contamos con un conjunto de tres puntos (x1, y1), (x2, y2), (x3, y3). El polinomio interpolador de
Lagrange de segundo grado, en este caso será:
( x − x2 )( x − x3 ) ( x − x1 )( x − x3 ) ( x − x1 )( x − x2 )
P2 ( x) = y1 + y2 + y3
( x1 − x2 )( x1 − x3 ) ( x2 − x1 )( x2 − x3 ) ( x3 − x1 )( x3 − x2 )
Consideremos finalmente, la construcción de un polinomio de grado a lo sumo n que pasa a
través de n+1 puntos (xo, f(xo )); (x1, f(x1));…; (xn, f(xn))
Los coeficientes de Lagrange son polinomios de grado n y tienen la propiedad:

 Ln ,k ( xi ) = 0 si i  k
Ln k (x) cumplen  para cada k = 0, 1,…,n
 Ln,k ( xk ) = 1 si i = k

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 17
 Fig. 13. Función f(x) y su aproximación Pn(x)

Para satisfacer que Ln, k (xi) = 0 para cada i≠k necesitamos que el numerador de Ln, k contenga el
término: (x-x0 )(x-x1 )…(x-xk-1)(x-xk)(x-xk+1)...(x-xn) (1)
Para satisfacer que Ln, k (xk) = 1, el denominador de Lk debe ser igual a 1 cuando x=xk
( x − x0 )...( x − xk −1 )( x − xk +1 )...( x − xn ) n (x − x j )
Así: Ln ,k ( x) = = para cada k = 0, 1,…., n
( xk − x0 )....( xk − xk −1 )( xk − xk +1 )...( xk − xn ) j =0 ( xk − x j )
jk

A continuación, se muestra la gráfica de uno de los coeficientes de Lagrange: Ln k (x)

Fig. 14. Coeficiente de Lagrange, Ln k (x)

El polinomio de colocación, llamado polinomio de interpolación de Lagrange, se describe ahora

fácilmente conociendo la forma de los coeficientes de Lagrange Ln, k y se formaliza en el siguiente
teorema:
Si xo, x1,..., xn son (n+1) números distintos y f(x) es una función cuyos valores están dados en estos
números, entonces existe un único polinomio Pn(x) de grado a lo sumo n con la propiedad que:
f (xk) = P(xk) para cada k = 0,1,..., n
Este polinomio de Lagrange está dado por:

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 18
 n (x − x j )
𝑃𝑛 (𝑥) = 𝐿0 (𝑥). 𝑦0 + 𝐿1 (𝑥). 𝑦1 + 𝐿2 (𝑥). 𝑦2 + ⋯ + 𝐿𝑛 (𝑥). 𝑦𝑛 = ∑𝑛𝑖=0 𝑦𝑖  (x
j =0 − xj )
k
jk

para cada k = 0, 1, ..., n

Ejemplo 10.

Ejemplo 11. Use la fórmula de Lagrange para obtener un polinomio de colocación cuadrático, que
incluya los siguientes puntos, que corresponden a f (x) = 1/x
Aproxime el valor de x=3. Dibuje P(x) y f(x)

xk 2 2.5 4
yk 0.5 0.4 0.25

Solución: a)- El Polinomio que debemos construir es de la forma:

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 19
 ( x − x2 )( x − x3 ) ( x − x1 )( x − x3 ) ( x − x1 )( x − x2 )
P2 ( x) = y1 + y2 + y3
( x1 − x2 )( x1 − x3 ) ( x2 − x1 )( x2 − x3 ) ( x3 − x1 )( x3 − x2 )

Donde los Lk(x) son:

( x − x2 )( x − x3 ) ( x − 2,5)( x − 4)
L0 ( x) = = = x 2 − 6,5 x + 10
( x1 − x2 )( x1 − x3 ) (2 − 2,5)(2 − 4)
( x − x1 )( x − x3 ) (𝑥 − 2)(𝑥 − 4)
𝐿1 (𝑥) = = = −1,333𝑥2 + 8𝑥 − 10,667
( x2 − x1 )( x2 − x3 ) (2,5 − 2)(2,5 − 4)

( x − x1 )( x − x2 ) (𝑥 − 2)(𝑥 − 2,5)
𝐿2 (𝑥) = = = 0,333𝑥2 − 1,5𝑥 + 1,667
( x3 − x1 )( x3 − x2 ) (4 − 2)(4 − 2,5)

2
P2(x) = y
k =0
k Lk ( x )  0.5 (x2 – 6.5x + 10) + 0.4 (-1.333x2 + 8x - 10.667) + 0.25 (0.333x2 - 1.5x + 1.667) ≈

0.05x2 – 0.425x + 1.15

1
b)- Una aproximación a 𝑓(3) = es 𝑓(3) ≅ 𝑃2 (3) = 0,325
3

c)

Fig. 15. f(x) vs P(x)

d)- Calculando el error absoluto:

1
𝐸𝐿 = |𝐹(𝑥) − 𝑃2 (𝑥)| = | − 0,325| = 8,33. 10−3
3

Por lo que podemos asegurar que el polinomio de colocación de Lagrange es una buena
aproximación de la función en el valor x=3.

Ejercicio 1: Con los datos del ejemplo anterior encuentre el polinomio de colocación de Lagrange
de primer grado y verifique que P1(3) = 0.35 Calcule el error, ¿Cuál es su conclusión?

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 20
Ejemplo 12: Obtenga los coeficientes de Lagrange para tres puntos cuyas abscisas son x0 = −2,
x1 = 3 y x2 = 5 son:

(𝑥 − 𝑥1 ) (𝑥 − 𝑥2 ) (𝑥 − 3) (𝑥 − 5) (𝑥 − 3) (𝑥 − 5) 𝑥 2 8 3
𝐿0 (𝑥) = . = . = . = − 𝑥+
(𝑥0 − 𝑥1 ) (𝑥0 − 𝑥2 ) (−2 − 3) (−2 − 5) (−5) (−7) 35 35 7

(𝑥 − 𝑥0 ) (𝑥 − 𝑥2 ) (𝑥 + 2) (𝑥 − 5) (𝑥 + 2) (𝑥 − 5) 𝑥2 3
𝐿1 (𝑥) = . = . = . =− − 𝑥+1
(𝑥1 − 𝑥0 ) (𝑥1 − 𝑥2 ) (3 + 2) (3 − 5) 5 (−2) 10 10

(𝑥 − 𝑥0 ) (𝑥 − 𝑥1 ) (𝑥 + 2) (𝑥 − 3) (𝑥 + 2) (𝑥 − 3) 𝑥 2 𝑥 3
𝐿2 (𝑥) = . = . = . = − −
(𝑥2 − 𝑥0 ) (𝑥2 − 𝑥1 ) (5 + 2) (5 − 3) 7 2 14 14 7

En el gráfico siguiente se muestran las curvas de los coeficientes de Lagrange. Con línea punteada
de color rojo se gráfica a 𝐿0 (𝑥); con línea alternada de color azul 𝐿1 (𝑥) y con línea continua de
color naranja 𝐿2 (𝑥).

Fig. 16. Coeficientes de Lagrange para las abscisas x0 = −2, x1 = 3 y x2 = 5

Para probar que el polinomio interpolante pasa a través de los puntos dados, se debe sustituir
𝑥 = 𝑥𝑖 en las expresiones anteriores para poder calcular cada 𝐿𝑘 (𝑥) y finalmente en la ecuación:

𝑃𝑛 (𝑥) = 𝐿0 (𝑥). 𝑦0 + 𝐿1 (𝑥). 𝑦1 + 𝐿2 (𝑥). 𝑦2

Para obtener como resultado que el polinomio y la función coinciden en los puntos datos.

𝑥 = 𝑥0 → 𝑃𝑛 (𝑥0 ) = 𝑓(𝑥0 )
𝑥 = 𝑥1 → 𝑃𝑛 (𝑥1 ) = 𝑓(𝑥1 )
𝑥 = 𝑥2 → 𝑃𝑛 (𝑥2 ) = 𝑓(𝑥2 )

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 21
Si se quiere encontrar la aproximación en un punto de abscisa 𝑥, es posible demostrar que el
error en la aproximación usando el polinomio de interpolación 𝑃𝑛 (𝑥) es:
𝑓 (𝑛+1) (𝜉(𝑥))
|𝑓(𝑥) − 𝑃𝑛 (𝑥)| = | (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛 )|
(𝑛 + 1)!
Donde 𝜉(𝑥) ∈ [𝑥0 , 𝑥𝑛 ], su valor en cualquier otro punto es desconocido. Es importante notar que
cuanto 𝑥 toma un valor que esté más lejos de los datos, mayor será su error.

Cota para el error entre una función aproximante y un polinomio de colocación:

Teorema: Sean xo, x1, …, xn puntos distintos en el intervalo [a, b] y si f ϵ Cn+1[a, b], entonces para
cada x en [a, b], existe ξ (x) en [a, b], tal que:

f n +1 ( ( x))
f ( x) = P( x) + ( x − x0 )( x − x1 )....( x − xn ) (1)
(n + 1)!

n
Donde P es el polinomio de colocación de Lagrange de grado n, dado por P ( x) =  f ( x k ) Lk n
k =0

Demostración:

Si x=xk para k = 0, 1, … ,n , entonces f(x k)=P(x k) para cualquier elección de ξ (x k) en [a, b], por
lo tanto vale (1)

Si x≠x k, para cualquier k = 0,1,…, n, definimos la función g para cualquier t Є [a, b] por:

(t − x0 )(t − x1 )......( t − xn ) n
(t − xi )
g(t) = f(t) – P(t) – [f(x) – P(x)]
( x − x0 )( x − x1 )......( x − x n )
= f(t) – P(t) – [f(x) – P(x)]  (x − x )
i =0 i

(2)

Cómo f Є C n+1[a, b], P Є C∞ [a, b], x≠x k para cualquier k, se concluye que g Є C n+1[a, b]

Para t=x k

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 22
 n
( x k − xi )
g(x k) = f(x k) – P(x k) – [f(x) – P(x)]  (x − x )
i =0
= 0 – [f(x) – P(x)] . 0 = 0
i

Además, para t=x

n
( x − xi )
g(x) = f(x) – P(x) - [f(x) – P(x)]  (x − x )
i =0
= f(x) – P(x) - [f(x) – P(x)].1 = 0
i

Así, g Є C n+1[a, b] y g se anula en los n+2 números distintos x, xo, x1, …, xn.

Por el teorema generalizado de Rolle, debe existir un ξ = ξ (x) en [a, b] para el cual g n+1(ξ) = 0.

Calculemos:

d n +1 n
(t − x)
g n+1(ξ) = 0= f n+1(ξ) – P n+1(ξ) – [ f(x) – P(x)]
dt n +1
 (x − x )
i =0
t =
(3)
i

Como P es un polinomio de grado a lo sumo n, las (n+1) derivadas, (Pn+1) deben ser cero. También
n
(t − xi )
i = 0 ( x − xi )
es un polinomio de grado (n+1), así:

 
 
n
(t − xi )  1 t n +1 + (términos en t de grado menor)

i =0 ( x − xi )
= n
 
  ( x − xi ) 
 i =0 

d n +1 n (t − x) (n + 1)!

dt n +1 i =0 ( x − xi )
= n
(4)
 (x − x )
i =0
i

Reemplazando (4) en (3)

(n + 1)!
g n+1(ξ) = 0 = f (n+1) (ξ) - 0 - [f(x) - P(x)] n

 (x − x )
i =0
i

Despejando f(x), resulta:

f ( n +1) ( ) n
f (x) = P (x) +
(n + 1)! i =0
 ( x − xi )
Observación: Desde el punto de vista teórico, esta expresión del error es muy importante porque
muchas de las técnicas de derivación e integración numérica se derivan de aplicar la
Métodos Numéricos (INQ- IND- IEA- IDM- IME)
Esp. Ing. María Rosa Castro 23
interpolación por el método de Lagrange. Sin embargo, para otros casos, no debemos olvidarnos
que no conocemos 𝑓(𝑥) (y por lo tanto, tampoco 𝑓 (𝑛+1) (𝑥), por lo que el error calculado es sólo
una aproximación. Su uso práctico se restringe a aquellas funciones cuyas derivadas tienen
resultado conocido, esto es a menudo el caso de funciones tales como las funciones
trigonométricas y logarítmicas.

Para entender este concepto usaremos un polinomio de interpolación para aproximar a una
función conocida. Así puede determinarse en forma exacta el error en la interpolación.

Ejemplo 13. Suponga que se desea aproximar la función 𝑓(𝑥) = 𝑒 𝑥 , 0≤x≤2, con un polinomio de
segundo grado.

Para obtener este polinomio tomamos tres puntos de la función 𝑓: (0, 𝑒 0 ), (1, 𝑒1 ), (2, 𝑒 2 ) y usamos
la fórmula de Lagrange para obtener el polinomio de interpolación de Lagrange de segundo
grado, con cinco decimales redondeados:

𝑃2 (𝑥) = 1.4762 𝑥 2 + 0.24204 𝑥 + 1

a) Encuentre la aproximación para x = 0.5

f(x)≈ 𝑃2 (𝑥) = 1.4762 𝑥 2 + 0.24204 𝑥 + 1

𝑓(0.5) ≈ 𝑃2 (0.5) = 1.4762 (0.5)2 + 0.24204 (0.5) + 1 = 1.49007

b) Encuentre el error en la aproximación cuando x = 0.5, sabiendo que 𝑒 0.5 = 1.64872

Si se aproxima la función 𝑓(𝑥) con 𝑃2 (𝑥) se introduce un error cuyo valor es 𝐸𝐿 = |𝑓(𝑥) − 𝑃2 (𝑥)|

𝐸𝐿 = |𝑓(𝑥) − 𝑃2 (𝑥)| = |𝑒 0.5 − 𝑃2 (0.5)| = 𝑒 0.5 − (1.4762 (0.5)2 + 0.24204 (0.5) + 1) = 0.1587

b) Encuentre una cota para el error en la aproximación de Lagrange

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 24
 f ( n +1) ( ) n
f (x) = P (x) +
(n + 1)! i =0
 ( x − xi )
𝑒 (3) 𝜉(𝑥)
|𝑓(𝑥) − 𝑃2 (𝑥)| < (𝑥 − 0)(𝑥 − 1)(𝑥 − 2)
3!
Si consideramos que 0 < 𝜉(𝑥) < 2 , por ejemplo 𝜉(𝑥) = 1.5

|𝑓(𝑥) − 𝑃2 (𝑥)| < 0.28 → Cota del error de Lagrange

Ejemplo 14. Se desea interpolar la función 𝑓(𝑥) = cos(𝑥) + 2𝑥 que está definida en el intervalo
[−1, 11], pero sólo en el conjunto de datos 𝑥0 = 0.1, 𝑥1 = 2.3, 𝑥2 = 4.1, 𝑥3 = 5.9 𝑦 𝑥4 = 9.2

Solución: Para ello se construyen los coeficientes de Lagrange, resultando de la siguiente manera:

𝐿0 (𝑥) = 0.0021530𝑥 4 − 0.046289𝑥 3 + 0.34523𝑥 2 − 1.0545𝑥 + 1.1020

𝐿1 (𝑥) = −0.010166𝑥 4 + 0.19620𝑥 3 − 1.2007𝑥 2 + 2.3805𝑥 − 0.22624

𝐿2 (𝑥) = 0.015129𝑥 4 − 0.26476𝑥 3 + 1.3730𝑥 2 − 2.0234𝑥 + 0.18888

𝐿3 (𝑥) = −0.0080627𝑥 4 + 0.12658𝑥 3 − 0.56334𝑥 2 + 0.75456𝑥 − 0.069949

𝐿4 (𝑥) = 0.00094629𝑥 4 − 0.011734𝑥 3 + 0.045819𝑥 2 − 0.057114𝑥 + 0.0052648

Ahora, se construirá el polinomio de Lagrange de cuarto grado, de acuerdo a

𝑃4 (𝑥) = 1.1950 𝐿0 (𝑥) + 3.9337 𝐿1 (𝑥) + 7.6252 𝐿2 (𝑥) + 12.7275 𝐿3 (𝑥) + 17.4252 𝐿4 (𝑥) =

𝑃4 (𝑥) = −0.0081816𝑥 4 + 0.10430𝑥 3 − 0.21287𝑥 2 + 1.2830𝑥 + 1.0690

En la figura 17 se muestra: la función a interpolar, en línea punteada de color azul; el polinomio

interpolante, en línea continua de color rojo y los datos para la interpolación, círculos negros.
Debe notarse que el polinomio interpolante no siempre posee un error pequeño.

Fig. 17. Polinomio interpolante de f(x) = cos(x) + 2x del ejemplo 14

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 25
Ejercicio 2: Calcular el error cometido en la interpolación del ejemplo 14 y luego informe el valor
de la cota del error de Lagrange.

Limitaciones de la interpolación polinómica

La interpolación polinomial debe realizarse con la menor cantidad de puntos posibles. El caso
lineal, utilizando dos puntos, es en la mayoría de las veces suficientemente buena si los datos son
cercanos. De tres a seis puntos si están cercanos se producen resultados confiables en la mayoría
de los casos. Si un polinomio interpolante tiene bajo error y se utilizaron más de seis puntos,
debe analizarse con cuidado, para descartar oscilaciones. Esto es debido a que los puntos más
alejados de aquel que se debe interpolar, no aportan demasiada información. El problema de
utilizar demasiados puntos se ilustra en la figura 18. Se visualizan 13 puntos y el polinomio
interpolador. En ambos extremos muestra oscilaciones de gran magnitud, que no se
corresponden con los datos iniciales, además de pequeñas oscilaciones en la parte central del
gráfico.

Fig. 18. Oscilaciones del polinomio interpolador

Finalmente, podemos ver que el método tiene algunas desventajas:

1. Cada evaluación del polinomio 𝑃𝑛 (𝑥) requiere 𝑂(𝑛2 ) operaciones aritméticas ya que incluye un
ciclo para sumar n+1 términos. Cada factor Lk(x) de esta suma requiere un ciclo con 2n
multiplicaciones, por lo tanto, la eficiencia de este algoritmo es 𝑇(𝑛) = 2𝑛(𝑛 + 1) = 𝑂(𝑛2 ).

2. Agregar un par de datos (𝑥𝑛+1 , 𝑓(𝑥𝑛+1 )) requiere rehacer todos los polinomios Ln,i(x).

3. Puede ser numéricamente inestable como lo vimos en la gráfica 18.

Interpolación Inversa

¿Cómo hallar x dada f (x)?

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 26
Como la nomenclatura lo indica, los valores de f(x) y de x representan en la mayoría de los
problemas de interpolación, a la variable dependiente e independiente (respectivamente).
Entonces, dada una tabla de puntos, el problema de la interpolación inversa consiste,
simplemente, en determinar para un valor dado de la función f(x) la correspondiente x.

Se tienen dos criterios para resolver este problema:

1) Se puede considerar a las y= f (x) como las variables independientes (no equiespaciadas) e
interpolar para x (variable dependiente) con el polinomio de Lagrange, siempre y cuando la
función f (x) desconocida sea estrictamente creciente o decreciente en el intervalo [xo, xn], esto
significa que f ‘(x)≠0 para todo x de tal intervalo. O sea que los valores de f (x) cumplen:

|f (xi)| < |f (x i+1) | o |f (x i+1) | < |f (xi)| para todo i= 1, 2, …, n-1

Este procedimiento es directo, pero en algunos casos da malos resultados, la razón es que con
frecuencia los valores de las x están espaciados uniformemente, pero no los valores de y=f(x).

Por ejemplo: la siguiente tabla de valores obtenida para la función 𝑓(𝑥) = 1⁄𝑥

x 1 2 3 4 5 6 7
f(x) 1 0,5 0,3333 0,25 0,2 0,1667 0,1429

Ahora suponga que usted debe usar los mismos datos, pero que se le ha dado un valor de f(x) y
debe determinar el valor correspondiente de x. Por ejemplo, para los datos anteriores, suponga
que se le pide determinar el valor de x que corresponda a f(x)=0.3

En tal caso, como se tiene la función y es fácil de manipular, la respuesta correcta se determina
directamente, 𝑥 = 1⁄0.3 = 3.3333 , a ese problema se le conoce como interpolación inversa.

En un caso más complicado, nos podemos ver tentados a intercambiar los valores f(x) y x, y usar
un procedimiento como la interpolación de Lagrange para determinar el resultado.
Por desgracia, cuando se invierten las variables no hay garantía de que los valores junto con la
nueva abscisa [las f(x)] estén espaciados de una manera uniforme. Es más, en muchos casos, los
valores estarán “condensados”. Es decir, tendrán la apariencia de una escala logarítmica, con
algunos puntos adyacentes muy amontonados y otros muy dispersos.

Por ejemplo, para la tabla anterior si llamamos a z= f (x) y g (z)= x, redondeado a los enteros
resulta:

z 0,14285714 0,16666667 0,2 0,25 0,33333333 0,5 1

g(z) 7 6 5 4 3 2 1

Si usamos todos los valores de la tabla podremos construir un polinomio de colocación de

Lagrange de sexto grado, con el cual obtenemos la siguiente aproximación:
𝑃6 (0.3) = 𝟑. 𝟑𝟐𝟓𝟕 → 𝐸𝐿 = |𝑃6 (0.3) − 𝑓(0.3)| = 7.6 10−3

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 27
Si usamos solo dos puntos, es decir:
0,25 0,3333
4 3

El polinomio interpolador de primer grado nos da la siguiente aproximación:

𝑃1 (0.3) = 𝟑. 𝟑𝟗𝟗𝟖 → 𝐸𝐿 = |𝑃1 (0.3) − 𝑓(0.3)| = 0.0665

Tal espaciamiento no uniforme en las abscisas, a menudo lleva a oscilaciones en el resultado del
polinomio de interpolación. Esto puede ocurrir aún para polinomios de grado inferior.

2) Si la función f (x) no es estrictamente monótona creciente o decreciente en [xo, xn], esto implica
que puede haber puntos tabulares en donde se observe:

|f (xi)| ≤ |f (xi-1)| y |f (xi)| ≤ |f (xi+1)| para algún i = {0,1,…., n-1}

Una estrategia alterna consiste en construir un polinomio de interpolación de orden n-ésimo, f(x),
que ajuste a los datos originales.
El método consiste en escribir a y como un polinomio en x, usando el polinomio de interpolación
de Lagrange. Resolvemos la ecuación P (x) – f (x) = 0, donde el sustraendo es el valor de f (x) para
el que se quiere interpolar su argumento. Finalmente analizamos críticamente las raíces halladas
e informamos el resultado.

Para el ejemplo antes descrito, un procedimiento simple consiste en ajustar tres puntos a un
polinomio cuadrático. Se seleccionan dos conjuntos de puntos que incluyen a f(x)=0.3

Conjunto 1:(2, 0.5) (3, 0.3333) y (4, 0.25)

Cuyo resultado será:

La respuesta al problema de interpolación inversa para determinar la x correspondiente a

f(x)=0.3 será equivalente a calcular las raíces de

En este caso simple, la fórmula cuadrática se utiliza para calcular las raíces de la misma:

𝑥1 = 5.704158 y 𝑥2 = 𝟑. 𝟐𝟗𝟓𝟖𝟒𝟐

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 28
 𝐸𝐿 = |𝑃2 (0.3) − 𝑓(0.3)| = 0.0375

Ahora bien, también se puede ajustar a estos tres puntos a un polinomio cuadrático:

Conjunto 2:(3, 0.3333), (4, 0.25) y (5, 0.2)

Cuyos resultados serán:

La respuesta al problema de interpolación inversa para determinar la aproximación al valor de x

correspondiente a f(x)=0.3 será equivalente a calcular las raíces de:

En este caso, la fórmula cuadrática se utiliza para calcular las siguientes raíces:

𝑥1 = 8.663894 y 𝑥2 = 𝟑. 𝟑𝟓𝟒𝟏𝟕𝟕

𝐸𝐿 = |𝑃2 (0.3) − 𝑓(0.3)| = 0.0209

Este último valor confirma lo que podríamos haber pensado con respecto a que se debe escoger
el conjunto de puntos cuyo rango de valores de la variable “y” sea más corto.

Ejemplo 15. Suponga que se tiene una tabla tal como la siguiente:

x 1.0 1.5 1.7 2.6

f(x) 1.74 2.62 2.97 4.54

Y que se requiere encontrar el valor de x correspondiente a cierto valor de la función, digamos

f(x)= 2.84

Podríamos trabajar con la tabla:

z 1.74 2.62 2.97 4.54

g(z) 1.0 1.5 1.7 2.6

Fórmula práctica de trabajo manual. Llamo z= f (x) y g (z)= x

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 29
 k/i z0= 1.74 z1= 2.62 z2= 2.97 z3= 4.54 ∏(z k-z i)
z0= 1.74 -0.88 -1.23 -2.8 -3.031
z1= 2.62 0.88 -0.35 -1.92 0.591
z2= 2.97 1.23 0.35 -1.57 -0.676
z3= 4.54 2.8 1.92 1.57 8.440
z=f(x)=2.84 1.10 0.22 -0.13 -1.7
∏(z-z i) 0.0486 0.2431 -0.4114 -0.0315
L k (z) -0.0160 0.4113 0.6086 -0.0037

𝑃(2.84) = 𝐿𝑜 ∗ 1 + 𝐿1 ∗ 1.5 + 𝐿2 ∗ 1.7 + 𝐿3 ∗ 2.6 =

𝑃(2.84) = (−0.0160) ∗ 1 + 0.4113 ∗ 1.5 + 0.6086 ∗ 1.7 + (−0.0037) ∗ 2.6 = 1.62595

Luego redondeando a dos cifras decimales: P(z)= x = 1.63

Ejercicio 3. Realice usando los datos anteriores, la interpolación inversa con dos o tres puntos de
la función. Concluya.

Ejemplo 16. Suponga que se tiene una tabla tal como la siguiente:

x 1 2.5 3
y 2.0 3.0 4.0
Y se requiere encontrar el valor de x correspondiente a cierto valor de la función, por ejemplo:

f (x)= 2.7

Solución:

k/i x0= 1 x1= 2.5 x2= 3 ∏(x k-x i)

x0= 1 -1.5 -2 3
x1= 2.5 1.5 -0.5 -0.75
x2= 3 2 0.5 1
x x-1 x-2.5 x-3

( x − 2.5)( x − 3). ( x − 1)( x − 3) ( x − 1)( x − 2.5) 2

P(x)= 2+ 3+ 4 = 2𝑥 − 5𝑥 + 3
3 (−0.75) 1 3 3

2𝑥 2 5𝑥 2𝑥 2 5𝑥
Por lo tanto: P(x) – f (x) = − + 3 − 2.7 = − + 0.3 = 0
3 3 3 3

Esta ecuación de segundo grado tiene las raíces 2.305 y 0.195.

Luego la solución buscada es x = 2.305, pues este valor pertenece al intervalo de las x ∈ [1; 3].

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 30
Extrapolación

Cuando a partir de una tabla de valores de x y f (x) pretendemos aproximar f (x) para valores de x
que no pertenecen al intervalo [xo; xn] donde xo y xn son el primer y último elemento tabulado
para la variable independiente, podemos emplear la fórmula de Lagrange para efectuar
predicciones, a partir de la información suministrada mediante la tabla. Se aconseja proceder con
cautela ante los resultados logrados porque el error que se comete puede ser considerable
cuando x no es cercano a xo o a xn.

Los cálculos se hacen según el procedimiento descripto para interpolación directa por Lagrange.

La extrapolación polinómica es peligrosa. Por ejemplo, la figura 19 muestra 6 datos y el

polinomio que los interpola. Los datos fueron extraídos de una tabla de tiempo vs porcentaje de
pacientes infectados dentro de las pruebas de un tratamiento médico. Si bien la interpolación
relaciona correctamente los datos tabulados, es imposible tener una cantidad negativa de
pacientes infectados. Si no puede evitarse la extrapolación, deben tenerse en cuenta los
siguientes ítems:

• Graficar los datos y verificar visualmente que los valores extrapolados tienen sentido.
• Utilizar un polinomio interpolador de bajo orden cerca de los datos a extrapolar.
• Realizar los gráficos con escalas log(x) vs log(y), lo que usualmente brinda una curva
mucho más suave que las curvas x vs y, puede servir para extrapolar (tomando las
precauciones antes mencionadas).

Fig. 19. Datos y polinomio interpolador de grado 5. Problemas de coherencia para extrapolar.

Actividades de Aprendizaje y Autoevaluación

1. Encuentra e informa los polinomios de Taylor 1, 2 y 3 de grado alrededor del punto 𝑥0 = 0 y

las aproximaciones en los puntos indicados para las siguientes funciones. Calcula los errores en
cada caso. Concluya.

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 31
 
a. f ( x) = log( x + 1) → x = 0.05 c. f ( x) = senx 2 → x =
4

1 1
b. f ( x) = → x = 0.55 d. f ( x) = x → x =
x +1 2

2. Usa un polinomio de Maclaurin para aproximar a la función y=ln(1+ x) y calcular el ln(1.2) con
un error menor que ε= 0.01.

3. Calcula aproximadamente el valor de cos(0.25) utilizando un polinomio de Maclaurin de tercer

grado. ¿Cuál es el error cometido?

4. A partir de los datos suministrados por las siguientes tablas, según corresponda, aplique
interpolación directa, inversa o extrapolación.
i)
x 1.0 1.5 2.0 2.5

f (x) 4.0 5.7 12.0 27.4

a) Para x = 1.1 y x = 2.3 determine el valor de una aproximación para f (x)

b) Para f (x) = 7.0 encuentre el valor de una aproximación para x.
c) Para x = 2.75 calcule el valor de una aproximación para f (x).
d) ¿Cómo evalúa el error cometido al interpolar? ¿Lo puede calcular en alguno de los ítems
anteriores? ¿Puede calcular la cota del error de Lagrange?

ii)
x 0.5 0.9 1.0 1.3 1.5

f (x) 8.7 15.7 17.4 22.3 26.1

a) Para x = 0.8 y x = 1.4 determine el valor aproximado de f (x)

b) Si f (x) = 18.5 encuentre el valor aproximado de x.
c) ¿Cuál es el polinomio de grado mínimo que se ajustara exactamente en los cinco
pares? (Pista: no es de quinto grado).

5. a. Use un polinomio de interpolador de Lagrange de grado tres para aproximar cos(0.75) a

partir de los datos siguientes:
cos(0.698)=0.7661 cos(0.733)=0.7432

cos(0.768)=0.7193 cos(0.803)=0.6946

f (3+1) ( ) 3
b. Encuentre una cota para el error: f ( x ) – P3 ( x ) =
4!
i =0
( x − xi )

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 32
c. Si el valor exacto de cos(0.750) = 0.7317 ( redondeado a cuatro decimales), si hay una
diferencia entre el error exacto y su cota de error, explique cuál es el motivo.

6. Plantee y resuelva los siguientes problemas.

a. La presión y el volumen de una masa gaseosa están ligados por cierta función. Con los
siguientes datos obtenidos experimentalmente

Presión [atm] 0.5 1.0 1.5 2.0 2.5

Volumen[m3] 1.65 1.03 0.74 0.61 0.53

a) Construir un polinomio interpolador de grado menor o igual que 4 para estos datos.
b) Determinar el valor del volumen a una presión de 0.45 y 3 atm.
c) Calcular el volumen aproximado para una presión de 0.6 atm.
d) Estudiar los errores cometidos en cada caso.

b. La inversión en la promoción para cierto producto en una región ha producido los siguientes
resultados: (x, f): (5, 1.2), (10, 2.5), (15, 4.3), (20, 4.0)

En donde x: tiempo invertido en la promoción del producto en horas y f: porcentaje de

incremento en las ventas del producto
Se desea usar los datos para determinar la cantidad óptima de horas que deberían invertirse en
regiones similares para maximizar la eficiencia de las ventas.
Ayuda: con los datos obtenidos se debe construir alguna función que permita obtener la
respuesta y también estimar el error en el resultado.

Bibliografía

- Chapra, Steven C. et. al., Métodos Numéricos para ingenieros. Sexta edición. Mc. Graw
Hill.2011
- Nieves, Antonio, et. al., Métodos Numéricos. Aplicados a la Ingeniería. Segunda edición.
Compañía Editorial Continental.2004.
- Mathews, J. y Fink, C.D. Métodos Numéricos con MATLAB. Tercera edición. Prentice-Hall.
2000
- Nakamura, Shoichiro. Análisis numérico y visualización gráfica con MATLAB. Editorial
Prentice Hall. 1997.
- Cheney, Ward y Kincaid, David.Métodos Numéricos y Computación. Sexta edición.
CENGAGE Learning. 2011.
- Figueroa Nieto, Jaime. Introducción al análisis numérico para ingeniería. Editorial USM.
2013.

Métodos Numéricos (INQ- IND- IEA- IDM- IME)

Esp. Ing. María Rosa Castro 33