Interpolación y ajuste de funciones

Polinomio de interpolación de newton

 Es un método de interpolación polinómica. Aunque solo existe un único polinomio que interpola una serie de puntos, existen diferentes formas de calcularlo. Este método es útil para situaciones que requieran un número bajo de puntos para interpolar, ya que a medida que crece el número de puntos, también lo hace el grado del polinomio. Existen ciertas ventajas en el uso de este polinomio respecto al polinomio interpolador de Lagrange. Por ejemplo, si fuese necesario añadir algún nuevo punto o nodo a la función, tan solo habría que calcular este último punto, dada la relación de recurrencia existente y demostrada anteriormente.

Polinomio de interpolación de Lagrange

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-Louis de Lagrange, es una forma de presentar el polinomio que interpola un conjunto de puntos dado. Lagrange publicó este resultado en 1795, pero lo descubrió Edward Waring en 1779 y fue redescubierto más tarde por Leonhard Euler en 1783.1​ Dado que no existe un único polinomio interpolador para un determinado conjunto de puntos, resulta algo engañoso llamar a este polinomio el polinomio interpolador de Lagrange. Un nombre más apropiado es interpolación polinómica en la forma de Lagrange.

Interpolación segmentada 

En el subcampo matemático del análisis numérico, un spline es una curva diferenciable definida en porciones mediante polinomios. En los problemas de interpolación, se utiliza a menudo la interpolación mediante splines porque da lugar a resultados similares requiriendo solamente el uso de polinomios de bajo grado, evitando así las oscilaciones, indeseables en la mayoría de las aplicaciones, encontradas al interpolar mediante polinomios de grado elevado. Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas. La simplicidad de la representación y la facilidad de cómputo de los splines los hacen populares para la representación de curvas en informática, particularmente en el terreno de los gráficos por ordenador.

Regresión y correlación 

La correlación examina la fuerza de la relación entre dos variables, ninguna de las cuales se considera necesariamente la variable objetivo. La regresión examina la fuerza de la relación entre una o más variables predictoras y una variable objetivo.

Minimos cuadrados 

Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de la optimización matemática, en la que, dados un conjunto de pares ordenados —variable independiente, variable dependiente— y una familia de funciones, se intenta encontrar la función continua, dentro de dicha familia, que mejor se aproxime a los datos, de acuerdo con el criterio de mínimo error cuadrático. En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias en las ordenadas (llamadas residuos) entre los puntos generados por la función elegida y los correspondientes valores en los datos. Específicamente, se llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es 1 y se usa el método de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mínimo de operaciones (por iteración), pero requiere un gran número de iteraciones para converger.

Problemas de aplicación

La resolución de problemas en general, y mediante sistemas de ecuaciones en este caso particular, es un proceso complejo para el que, desgraciada o afortunadamente (según se mire), no hay reglas fijas ni resultados teóricos que garanticen un buen fin en todas las ocasiones. De todas formas, si hay algo que ayuda en cualquier caso a llevar a buen puerto la resolución de un problema es el orden. Por ello, hay que ser metódico y habituarse a proceder de un modo ordenado siguiendo unas cuantas fases en el desarrollo de dicha resolución. Las cuatro fases que habrá que seguir para resolver un problema son:

-Comprender el problema. 

-Plantear el problema. 

-Resolver el problema (en este caso, el sistema). 

-Comprobar la solución.