Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.
El Tema 24 introduce una perspectiva distinta de la de los temas anteriores: en lugar de partir de una expresión algebraica cerrada de una función, se parte de un conjunto finito de pares de valores (xi, yi), obtenidos típicamente de una medición experimental, una tabla estadística o una simulación numérica, y se busca una función que los reproduzca exactamente o que permita estimar valores intermedios no tabulados. La interpolación polinómica resuelve este problema construyendo un polinomio que pasa exactamente por los puntos dados, apoyándose en resultados de álgebra (sistemas de ecuaciones lineales, existencia y unicidad de solución) y de análisis (el error de interpolación se expresa mediante derivadas de orden superior, enlazando con el teorema de Taylor). El tema tiene, además de su interés teórico, una fuerte componente aplicada e histórica: desde las antiguas tablas de logaritmos y de funciones trigonométricas hasta el ajuste de curvas de calibración en un laboratorio, la interpolación ha sido durante siglos la herramienta estándar para trabajar con funciones conocidas únicamente en un número finito de puntos.
Interpolar consiste en, dado un conjunto finito de pares de datos (x0,y0), (x1,y1), ..., (xn,yn) con abscisas xi distintas entre sí, construir una función f que pase exactamente por todos ellos, es decir, tal que f(xi)=yi para cada i, con el propósito de estimar el valor de la magnitud en un punto x* situado entre las abscisas conocidas (a diferencia de la extrapolación, que estima fuera del rango tabulado). El problema tiene, en general, infinitas soluciones si se admite cualquier tipo de función, por lo que la interpolación polinómica restringe la búsqueda a polinomios de grado a lo sumo n, clase de funciones que, como se ve más adelante, garantiza solución única. La necesidad de interpolar surge de forma natural siempre que se dispone de una función solo a través de una tabla de valores: mediciones experimentales de laboratorio, resultados de una simulación numérica costosa, valores tabulados de funciones especiales sin fórmula elemental, o tablas históricas de logaritmos y razones trigonométricas. El interpolador construido no coincide, en general, con la función real subyacente fuera de los puntos dados; solo la aproxima, con un error que se cuantifica más adelante.
Interpolación lineal
La interpolación lineal es el caso más simple: dados dos puntos (x0,y0) y (x1,y1), se aproxima la función mediante el único polinomio de grado uno (la recta) que pasa por ambos, p(x) = y0 + [(y1-y0)/(x1-x0)]·(x-x0), expresión que no es más que la fórmula de la pendiente de una recta que pasa por dos puntos, ya utilizada al modelizar fenómenos con tasa de cambio constante (tema 21). Geométricamente, se sustituye el arco de la función real entre x0 y x1 por el segmento que une ambos puntos, aproximación tanto mejor cuanto más próximos estén x0 y x1 y cuanto menor sea la curvatura de la función en ese intervalo. Es el método de interpolación más utilizado en la práctica por su sencillez y bajo coste computacional: se emplea de forma constante, aunque casi siempre de manera implícita, en la lectura de tablas numéricas (por ejemplo, las tablas trigonométricas o logarítmicas clásicas), en la representación gráfica por ordenador (donde una curva se dibuja uniendo muchos puntos consecutivos mediante segmentos), y como primer paso conceptual antes de introducir la interpolación de mayor grado que se desarrolla en los puntos siguientes.
Polinomio interpolador de Lagrange
El polinomio interpolador de Lagrange proporciona una fórmula explícita y cerrada del único polinomio de grado a lo sumo n que pasa por n+1 puntos dados (x0,y0),...,(xn,yn), sin necesidad de resolver ningún sistema de ecuaciones: P(x) = ∑(i=0 hasta n) yi·Li(x), donde cada Li(x) es el polinomio base de Lagrange, Li(x) = ∏(j≠i) (x-xj)/(xi-xj), producto de n factores construido de modo que Li(xi)=1 y Li(xk)=0 para todo k≠i. Esta propiedad de los Li garantiza automáticamente, al evaluar la combinación lineal en cada xi, que P(xi)=yi para todo i, verificando la interpolación exacta sin cálculo adicional. La ventaja principal del método de Lagrange es conceptual y didáctica: la fórmula es explícita y se demuestra con facilidad, y resulta muy útil para justificar teóricamente resultados generales sobre interpolación. Su inconveniente práctico es que, si se añade un nuevo punto (n+1)-ésimo, es necesario recalcular todos los polinomios base Li desde cero, ya que ninguno de los calculados anteriormente es reutilizable; esta limitación motiva el uso del polinomio de Newton cuando se trabaja de forma incremental.
Existencia y unicidad del polinomio interpolador
Dado un conjunto de n+1 puntos con abscisas x0,x1,...,xn distintas dos a dos, existe un único polinomio P(x) de grado menor o igual que n tal que P(xi)=yi para todo i. La existencia se prueba de forma constructiva mediante la fórmula de Lagrange o la de Newton, ambas expresiones explícitas de un polinomio que satisface las condiciones. La unicidad se demuestra por reducción al absurdo: si P y Q fuesen dos polinomios distintos de grado ≤n que interpolan los mismos n+1 puntos, su diferencia D(x)=P(x)-Q(x) sería un polinomio de grado ≤n con al menos n+1 raíces distintas (los xi, donde D(xi)=P(xi)-Q(xi)=yi-yi=0); pero un polinomio no nulo de grado ≤n tiene, por el teorema fundamental del álgebra, a lo sumo n raíces (teorema del factor), contradicción que obliga a que D sea idénticamente nulo, es decir, P=Q. Este resultado de existencia y unicidad es la piedra angular teórica de toda la interpolación polinómica: garantiza que, sea cual sea el método empleado (Lagrange, Newton, resolución directa del sistema de ecuaciones mediante la matriz de Vandermonde), el polinomio obtenido es siempre el mismo, escrito de formas algebraicamente distintas.
Diferencias divididas de Newton
Las diferencias divididas son una construcción recursiva que generaliza el concepto de pendiente a más de dos puntos y constituye la base del polinomio interpolador de Newton. La diferencia dividida de orden cero es simplemente f[xi]=yi; la de primer orden es f[xi,xi+1] = (yi+1-yi)/(xi+1-xi), la pendiente habitual entre dos puntos consecutivos; y, en general, la diferencia dividida de orden k se define recursivamente como f[xi,...,xi+k] = (f[xi+1,...,xi+k] - f[xi,...,xi+k-1]) / (xi+k - xi), cociente de la diferencia de dos diferencias divididas de orden k-1 entre la diferencia de las abscisas extremas correspondientes. Estas diferencias se organizan habitualmente en una tabla triangular, análoga en estructura a la tabla de diferencias finitas utilizada cuando los puntos están equiespaciados, y su cálculo es incremental: añadir un nuevo punto (xn+1,yn+1) solo exige calcular una nueva diagonal de la tabla, sin rehacer los cálculos anteriores, ventaja computacional decisiva frente al método de Lagrange. Se demuestra además que la diferencia dividida de orden n, f[x0,...,xn], coincide con el coeficiente del término de mayor grado xⁿ en el polinomio interpolador de grado n de esos n+1 puntos.
Polinomio interpolador de Newton
El polinomio interpolador de Newton en forma de diferencias divididas se construye de manera incremental como P(x) = f[x0] + f[x0,x1]·(x-x0) + f[x0,x1,x2]·(x-x0)(x-x1) + ... + f[x0,...,xn]·(x-x0)(x-x1)···(x-xn-1), suma en la que cada término añade un grado más de precisión respecto del polinomio truncado anterior. Por el teorema de unicidad, este polinomio coincide exactamente con el de Lagrange construido a partir de los mismos puntos, aunque su expresión algebraica y su método de construcción son muy distintos. La ventaja decisiva de la forma de Newton es su carácter incremental: si tras calcular el polinomio interpolador de n+1 puntos se dispone de un dato adicional, basta añadir un nuevo término (el correspondiente producto de factores (x-xi) multiplicado por la nueva diferencia dividida) sin necesidad de recalcular los coeficientes anteriores, propiedad especialmente valiosa cuando se procesan datos experimentales que llegan de forma secuencial. Cuando los puntos están equiespaciados, esta fórmula se simplifica notablemente utilizando diferencias finitas hacia adelante en lugar de diferencias divididas generales, dando lugar a la llamada fórmula de Newton-Gregory.
Error de interpolación
Si f es la función real (desconocida o conocida pero costosa de evaluar) de la que se han tomado los n+1 puntos de interpolación, y P es el polinomio interpolador de grado ≤n construido a partir de ellos, el error cometido al aproximar f(x) por P(x) en un punto x del intervalo que contiene a los nodos viene dado, siempre que f sea (n+1) veces derivable, por la fórmula E(x) = f(x)-P(x) = [f^(n+1)(ξ)/(n+1)!]·(x-x0)(x-x1)···(x-xn), para cierto ξ desconocido dentro del menor intervalo que contiene a x y a todos los nodos, resultado formalmente análogo al resto de Lagrange del polinomio de Taylor, del que puede considerarse una generalización natural (la fórmula de Taylor es el caso límite en que todos los nodos coinciden en un mismo punto). Esta expresión muestra que el error depende de dos factores independientes: la magnitud de la derivada de orden n+1 de f (que mide la 'irregularidad' de la función) y el valor del producto de factores (x-xi) (que mide la distancia de x a los nodos y crece si estos están muy dispersos o si x cae lejos de ellos). Aunque ξ es desconocido, la fórmula permite acotar el error en valor absoluto si se dispone de una cota de |f^(n+1)| en el intervalo, herramienta imprescindible para justificar la fiabilidad de una interpolación en un problema aplicado.
Fenómeno de Runge
Podría pensarse, intuitivamente, que aumentar el número de puntos de interpolación (y, por tanto, el grado del polinomio) mejora siempre la aproximación a la función real; el fenómeno de Runge, descubierto por Carl Runge en 1901, muestra que esta intuición es falsa en general. El ejemplo clásico es la función de Runge, f(x) = 1/(1+25x²), en el intervalo [-1,1]: al interpolarla con nodos equiespaciados de grado creciente, el polinomio interpolador oscila cada vez con mayor amplitud cerca de los extremos del intervalo, divergiendo de la función real en esas zonas aunque coincida exactamente con ella en los nodos, mientras que en el centro del intervalo la aproximación sí mejora. La causa matemática reside en el comportamiento del producto (x-x0)(x-x1)···(x-xn) de la fórmula del error cuando los nodos son equiespaciados: dicho producto crece de forma incontrolada cerca de los extremos a medida que aumenta n, un crecimiento que la derivada de orden n+1 de f no logra compensar para esta función concreta. La solución práctica al fenómeno de Runge consiste en no usar nodos equiespaciados de grado muy alto, sino elegir nodos de Chebyshev (más concentrados cerca de los extremos del intervalo, lo que reduce ese producto) o, más habitualmente en la práctica computacional, recurrir a la interpolación segmentaria por splines en lugar de un único polinomio de grado alto.
Extrapolación de datos y sus riesgos
Se llama extrapolación a la estimación del valor de una función en un punto x* situado fuera del intervalo [x0,xn] que contiene a los nodos de interpolación, en contraste con la interpolación propiamente dicha, que estima siempre dentro de ese intervalo. Aunque formalmente puede evaluarse el mismo polinomio interpolador P(x) en un punto exterior al rango de los datos, esta práctica es considerablemente más arriesgada que la interpolación: la fórmula del error involucra el producto (x-x0)···(x-xn), que crece muy rápidamente en valor absoluto a medida que x se aleja del rango de los nodos, de modo que una pequeña incertidumbre en los datos o en el modelo puede traducirse en errores de extrapolación enormes, sin ninguna garantía teórica que los acote de forma razonable. Este riesgo es especialmente relevante en la interpretación de modelos aplicados a la economía, la demografía o las ciencias sociales: extender un ajuste de datos observados mucho más allá del periodo o rango en que fueron recogidos —proyectar una tendencia de población, de ventas o de una epidemia sin considerar posibles cambios estructurales— es una fuente clásica de conclusiones erróneas, y forma parte de la alfabetización estadística y matemática que conviene transmitir explícitamente al alumnado al trabajar con datos y gráficas.
Interpolación cuadrática
La interpolación cuadrática utiliza tres puntos (x0,y0), (x1,y1), (x2,y2) para construir el único polinomio de grado a lo sumo dos, P(x)=ax²+bx+c, que pasa exactamente por ellos, bien resolviendo el sistema lineal de tres ecuaciones con tres incógnitas que resulta de imponer P(xi)=yi para i=0,1,2 (sistema cuya matriz de coeficientes, la matriz de Vandermonde, es invertible precisamente porque los xi son distintos, garantizando la unicidad ya vista), bien aplicando directamente la fórmula de Lagrange o de Newton particularizadas a n=2. Frente a la interpolación lineal, la cuadrática incorpora información sobre la curvatura de la función, ya que una parábola puede aproximar tramos con concavidad definida (creciente o decreciente su derivada) con mayor fidelidad que un segmento recto, reduciendo en general el error de interpolación cuando la función real no es próxima a lineal en el tramo considerado. Es, además, la base conceptual de la regla de Simpson de integración numérica, que consiste precisamente en aproximar la función por un arco de parábola que pasa por tres nodos consecutivos (es decir, sobre cada par de subintervalos) y calcular la integral de dicha parábola de forma exacta, en lugar de integrar directamente la función original.
Nociones de interpolación segmentaria (splines)
La interpolación segmentaria, o por splines, resuelve el problema del fenómeno de Runge renunciando a construir un único polinomio de grado alto que pase por todos los puntos, y optando en su lugar por definir, en cada subintervalo [xi,xi+1] entre nodos consecutivos, un polinomio de grado bajo y fijo (habitualmente grado 3, dando lugar al spline cúbico, el más utilizado en la práctica), exigiendo además que los polinomios de tramos adyacentes empalmen con suavidad: que coincidan en el nodo común y que sus derivadas primera y segunda también coincidan allí, condiciones que garantizan una curva globalmente suave (de clase C²) aunque construida por piezas. El nombre 'spline' (introducido en este contexto matemático por I. J. Schoenberg en 1946) proviene de una regla flexible de dibujante usada tradicionalmente para trazar curvas suaves a través de un conjunto de puntos fijos (clavos o pesos), instrumento físico cuyo comportamiento elástico —minimizando la curvatura total— es precisamente el que emula matemáticamente el spline cúbico. Frente a un único polinomio interpolador de grado n, el spline evita las oscilaciones espurias en los extremos, mantiene un coste computacional bajo (cada tramo es de grado fijo, independientemente del número total de puntos) y es la técnica estándar en gráficos por ordenador, diseño asistido por ordenador (CAD) y ajuste de curvas experimentales suaves.
Aplicación a tablas de valores experimentales
En un contexto de laboratorio o de toma de datos de campo, es habitual disponer únicamente de un número finito de mediciones (xi, yi) de una magnitud física, química o biológica —temperatura frente al tiempo, concentración frente a la dosis, presión frente al volumen—, sin conocer la ley matemática exacta que las relaciona, o conociéndola solo de forma aproximada. La interpolación polinómica permite, a partir de esos datos, estimar el valor de la magnitud en puntos intermedios no medidos directamente, información necesaria por ejemplo para completar una tabla, para dibujar una curva continua a partir de puntos discretos, o para determinar el instante en que la magnitud alcanza un valor de referencia concreto (empleando en este último caso la interpolación inversa). Conviene señalar, no obstante, que la interpolación asume implícitamente que los datos son exactos (sin error de medida), supuesto que rara vez se cumple en la práctica experimental; cuando los datos contienen ruido de medición, resulta más adecuado no exigir que la curva pase exactamente por todos los puntos, sino recurrir a técnicas de ajuste o regresión, que buscan la curva que mejor se aproxima al conjunto de datos en un sentido estadístico, sin pasar necesariamente por ninguno de ellos.
Diferencia entre interpolación y regresión estadística
Aunque interpolación y regresión comparten el objetivo de encontrar una función que describa un conjunto de datos, difieren en un aspecto conceptual esencial: la interpolación exige que la función pase exactamente por cada uno de los puntos dados (f(xi)=yi para todo i), mientras que la regresión (por ejemplo, la regresión lineal por mínimos cuadrados, técnica propia de la estadística descriptiva) busca la función, dentro de una familia previamente fijada (normalmente de grado mucho menor que el número de datos), que minimiza una medida global del error respecto de todos los puntos, sin pasar necesariamente por ninguno de ellos de forma exacta. Esta diferencia determina cuándo conviene emplear cada técnica: la interpolación es adecuada cuando los datos se consideran exactos o casi exactos (valores tabulados de una función conocida, resultados de una simulación determinista) y se dispone de relativamente pocos puntos; la regresión es preferible cuando los datos proceden de una medición experimental sujeta a error aleatorio, o cuando se dispone de un número grande de observaciones y se busca capturar la tendencia general subyacente en lugar de ajustar el ruido de cada medición individual, evitando el sobreajuste que produciría forzar un polinomio de grado muy alto a pasar por todos los puntos ruidosos.
Interpolación en tablas equiespaciadas
Cuando las abscisas x0,x1,...,xn están igualmente espaciadas, es decir, xi=x0+ih para un paso constante h, las fórmulas generales de interpolación se simplifican considerablemente sustituyendo las diferencias divididas por las diferencias finitas hacia adelante, definidas recursivamente como Δyi=yi+1-yi (primer orden) y Δᵏyi=Δᵏ⁻¹yi+1-Δᵏ⁻¹yi (orden k), que se calculan mediante simples restas sin necesidad de dividir entre la diferencia de abscisas (siempre igual a h en cada paso). La fórmula resultante, conocida como fórmula de interpolación de Newton-Gregory hacia adelante, expresa el polinomio interpolador en términos de la variable auxiliar s=(x-x0)/h como P(x)=y0+s·Δy0+[s(s-1)/2!]·Δ²y0+..., forma especialmente cómoda para el cálculo manual con lápiz y papel, razón histórica por la que dominó el cálculo numérico antes de la generalización de las calculadoras y ordenadores. Esta situación de tabla equiespaciada es, además, la más frecuente en la práctica: tablas de logaritmos y de razones trigonométricas construidas para valores de x en progresión aritmética, datos de un experimento tomados a intervalos regulares de tiempo, o mallas de discretización empleadas en métodos numéricos para ecuaciones diferenciales.
Método de los coeficientes indeterminados
El método de los coeficientes indeterminados es el enfoque más directo, aunque computacionalmente menos eficiente, para hallar el polinomio interpolador: se plantea P(x)=a0+a1x+a2x²+...+anxⁿ con coeficientes ai desconocidos, y se imponen las n+1 condiciones P(xi)=yi, obteniendo un sistema lineal de n+1 ecuaciones con n+1 incógnitas cuya matriz de coeficientes es la matriz de Vandermonde, V, de entradas Vij=xi^j. Esta matriz tiene determinante no nulo (dado por la conocida fórmula del determinante de Vandermonde, producto de todas las diferencias xi-xj con i>j) siempre que las abscisas xi sean distintas dos a dos, lo que garantiza que el sistema tiene solución única, coherente con el resultado general de existencia y unicidad. Este método, aunque conceptualmente el más elemental y el que conecta más directamente la interpolación con el álgebra lineal de sistemas de ecuaciones, resulta computacionalmente costoso para un número grande de puntos, ya que resolver un sistema de n+1 ecuaciones mediante eliminación gaussiana requiere del orden de n³ operaciones, frente a las formas de Lagrange o Newton, que explotan la estructura particular del problema para evaluar el polinomio con mucho menor coste, motivo por el que en la práctica computacional se prefieren estas últimas.
Antecedentes históricos: tablas de logaritmos y trigonométricas
Antes de la generalización de las calculadoras electrónicas, la interpolación era una herramienta de cálculo cotidiana e imprescindible: las tablas de logaritmos (herencia de Napier y Briggs, tema 22) y las tablas de razones trigonométricas (cuyo antecedente más antiguo son las tablas de cuerdas de Hiparco y Ptolomeo, véase el tema 23) solo podían recoger, por razones evidentes de espacio, los valores de la función para un conjunto discreto y equiespaciado de argumentos —por ejemplo, cada minuto de arco o cada milésima—, de modo que para obtener el valor correspondiente a un argumento intermedio no tabulado era necesario interpolar, casi siempre de forma lineal por simplicidad de cálculo manual. Los propios autores de estas tablas incluían con frecuencia instrucciones explícitas de interpolación (las llamadas 'partes proporcionales') en los márgenes, anticipando la formalización posterior del concepto, que debe mucho a Newton (diferencias divididas, finales del siglo XVII) y James Gregory, y a la fórmula publicada por Waring (1779) y redescubierta por Euler y Lagrange (1795). Este uso histórico ilustra que la interpolación no es una técnica exclusivamente moderna ligada al ordenador, sino una necesidad práctica tan antigua como la propia construcción de tablas numéricas, y conecta este tema con la historia de la astronomía, la navegación y el cálculo científico anteriores a la era digital.
Uso didáctico: estimación de valores intermedios en tablas y gráficas
En el aula de secundaria y bachillerato, la interpolación —casi siempre en su versión lineal, sin necesidad de introducir formalmente la fórmula de Lagrange o de Newton— aparece de forma recurrente y con frecuencia implícita al trabajar con tablas de valores y gráficas de funciones: al pedir al alumnado que estime el valor de una función en un punto no tabulado a partir de una tabla de datos, que lea un valor aproximado sobre una gráfica trazada punto a punto, o que complete una tabla de una relación de proporcionalidad. Introducir explícitamente el concepto de interpolación lineal en este contexto permite conectar contenidos aparentemente dispersos del currículo —la ecuación de la recta, la idea de pendiente, la proporcionalidad directa— bajo un marco conceptual único y con una utilidad práctica evidente, además de sentar las bases, para el alumnado que continúe estudios científicos o técnicos, de la interpolación polinómica de mayor grado que se estudiará en la universidad. Es también una ocasión natural para introducir, de forma intuitiva y sin aparato formal, la distinción entre interpolar (estimar dentro del rango de datos, procedimiento razonablemente fiable) y extrapolar (estimar fuera de ese rango, mucho más arriesgado), distinción con relevancia directa en la alfabetización estadística del alumnado.
Interpolación inversa
La interpolación inversa consiste en el problema recíproco del habitual: dado un valor y* de la variable dependiente, se busca estimar el valor de x correspondiente, es decir, resolver aproximadamente la ecuación f(x)=y* a partir únicamente de la tabla de valores disponible, sin conocer la expresión algebraica de f. El procedimiento más directo consiste en intercambiar el papel de las variables, tratando los valores yi tabulados como abscisas y los xi como ordenadas, y aplicar sobre esta tabla 'invertida' el mismo procedimiento de interpolación polinómica (de Lagrange o de Newton) ya descrito, obteniendo así un polinomio que aproxima la función inversa en un entorno del valor y*; este procedimiento es válido siempre que f sea (al menos localmente) estrictamente monótona en el intervalo considerado, condición que garantiza, como se vio en el tema 21, la existencia de función inversa. La interpolación inversa tiene aplicaciones prácticas relevantes: determinar en qué instante una magnitud tabulada (temperatura, concentración de un reactivo, posición de un móvil) alcanza un valor umbral de interés sin necesidad de resolver analíticamente la ecuación correspondiente, procedimiento habitual en el análisis de datos experimentales de laboratorio y en ingeniería cuando solo se dispone de mediciones discretas de un proceso.
Precisión de la interpolación según el número de puntos utilizados
La fórmula del error de interpolación sugiere que aumentar el número de puntos utilizados, y con ello el grado del polinomio interpolador, debería reducir el error; en la práctica, sin embargo, esta mejora no es indefinida ni automática, por dos razones complementarias que conviene distinguir con claridad. En primer lugar, como muestra el fenómeno de Runge, un grado excesivamente alto con nodos equiespaciados puede empeorar drásticamente la aproximación cerca de los extremos del intervalo, por más puntos que se añadan. En segundo lugar, cuando los datos proceden de mediciones experimentales sujetas a error de medida, un polinomio de grado muy alto tiende a ajustar también el ruido presente en los datos (fenómeno de sobreajuste, ya mencionado al distinguir interpolación de regresión), produciendo oscilaciones espurias entre los puntos que no reflejan ningún comportamiento real de la magnitud medida, sino artefactos del propio proceso de interpolación. Por estas dos razones, la práctica numérica moderna recomienda, para un número grande de puntos, no forzar un único polinomio de grado alto, sino recurrir a interpolación segmentaria de bajo grado por tramos (splines) o a técnicas de suavizado y regresión cuando los datos incluyen ruido de medición apreciable.
Comparación entre el polinomio interpolador de Lagrange y el de Newton
Ambos métodos, el de Lagrange y el de Newton producen, por el teorema de unicidad, exactamente el mismo polinomio interpolador para un conjunto dado de puntos, si bien mediante construcciones algebraicas y algorítmicas muy distintas, cada una con ventajas propias que conviene sistematizar en el aula de formación de profesorado. La forma de Lagrange ofrece una expresión explícita y cerrada, muy útil para demostraciones teóricas (como la propia fórmula del error de interpolación, que se demuestra habitualmente usando la forma de Lagrange) y para el cálculo puntual del valor del polinomio en un único punto x, sin necesidad de obtener explícitamente sus coeficientes en potencias de x. La forma de Newton, en cambio, es preferible cuando se trabaja de manera incremental —se van añadiendo puntos progresivamente, como en un experimento en curso— porque reutiliza los cálculos ya realizados (la tabla de diferencias divididas se amplía con una nueva diagonal en lugar de recalcularse por completo), y es también la forma computacionalmente más eficiente cuando se necesita evaluar el polinomio en muchos puntos distintos, ya que su evaluación mediante el esquema de Horner generalizado tiene un coste menor que recalcular cada polinomio base de Lagrange.
Aplicación de la interpolación al trazado de curvas de calibración
En instrumentación científica y técnica, una curva de calibración relaciona la magnitud que un instrumento mide directamente (por ejemplo, una intensidad de corriente, una absorbancia óptica o un voltaje) con la magnitud de interés real que se desea determinar (una concentración química, una temperatura, una fuerza), relación que se establece experimentalmente midiendo el instrumento frente a un conjunto de patrones de valor conocido y tabulando los pares de datos resultantes. La interpolación polinómica —o, más frecuentemente en la práctica de laboratorio moderna, la interpolación segmentaria por splines o el ajuste por regresión cuando hay incertidumbre de medida— permite construir, a partir de esos puntos de calibración discretos, una curva continua que traduce cualquier lectura intermedia del instrumento a un valor estimado de la magnitud de interés, sin necesidad de disponer de patrones para cada valor posible. Este procedimiento es de aplicación universal en química analítica (curvas de calibración de espectrofotometría o cromatografía), en física experimental (calibración de termopares, sensores de presión) y en la instrumentación industrial en general, y constituye una de las aplicaciones más directas y cotidianas de la interpolación fuera del ámbito puramente matemático, con enorme valor para conectar el contenido de este tema con la práctica experimental de otras materias científicas.
Funciones dadas en forma de tabla: representaciones y lectura
Una función puede presentarse mediante una expresión algebraica, una gráfica, un enunciado verbal o una tabla de valores. La tabla recoge un número finito de pares (xᵢ, yᵢ) y, por sí sola, no determina una única función: infinitas funciones pasan por los mismos puntos. De una tabla se pueden obtener directamente la tasa de variación media entre dos valores, (yⱼ−yᵢ)/(xⱼ−xᵢ), el sentido de la variación (crecimiento o decrecimiento aparente), máximos y mínimos entre los datos y una primera idea del tipo de modelo. La lectura crítica incluye comprobar si los datos son exactos o proceden de mediciones con error, si las abscisas están equiespaciadas y qué intervalo cubre la tabla, pues de ello depende la validez de cualquier estimación fuera de los datos. Pasar de la tabla a la expresión algebraica es un proceso de modelización (ajuste o interpolación) y no un cálculo con resultado único.
Reconocimiento del tipo de función a partir de una tabla
Para abscisas en progresión aritmética (paso h constante), el análisis de las diferencias finitas orienta el modelo. Si las primeras diferencias Δyᵢ son constantes, los datos son compatibles con una función afín y=mx+n, con m=Δy/h. Si las segundas diferencias Δ²yᵢ son constantes (y no nulas), son compatibles con un polinomio de grado 2; en general, si las diferencias de orden k son constantes, el polinomio es de grado k, y esa constante es k!·aₖ·hᵏ, siendo aₖ el coeficiente principal. Si los cocientes yᵢ₊₁/yᵢ son constantes, la tabla es compatible con una exponencial y=C·rˣ (crecimiento o decrecimiento de razón constante por paso). Si los productos xᵢ·yᵢ son constantes, la relación es de proporcionalidad inversa y=k/x. Ejemplo: para x=0,1,2,3,4 y y=0,1,4,9,16 las primeras diferencias son 1,3,5,7 y las segundas son 2,2,2, que revelan la función y=x² (2!·1·1=2). Ejemplo exponencial: 3, 6, 12, 24 tiene cociente 2. Es importante recordar que con datos reales las diferencias nunca son exactamente constantes y debe valorarse el ajuste con criterios estadísticos.
Ejemplos resueltos de interpolación
Ejemplo 1 (lineal). Con los datos (2,5) y (4,11), el polinomio de grado uno es p(x)=5+3(x−2); en x=3 resulta p(3)=8. Ejemplo 2 (Newton y Lagrange). Para los nodos (0,1), (1,3), (2,7), las diferencias divididas son f[x₀,x₁]=2, f[x₁,x₂]=4 y f[x₀,x₁,x₂]=(4−2)/(2−0)=1; el polinomio de Newton es P(x)=1+2x+1·x(x−1)=x²+x+1. El mismo polinomio se obtiene con Lagrange, P(x)=1·(x−1)(x−2)/2 + 3·x(x−2)/(−1) + 7·x(x−1)/2 = x²+x+1, lo que ilustra la unicidad: P(0)=1, P(1)=3 y P(2)=7. Ejemplo 3 (coeficientes indeterminados). Imponer P(x)=ax²+bx+c a esos tres puntos da c=1, a+b+c=3 y 4a+2b+c=7, sistema cuya solución es a=1, b=1, c=1. Ejemplo 4 (error de la interpolación lineal). Si f es dos veces derivable y se interpola linealmente entre dos nodos separados una distancia h, el error cumple |E(x)| ≤ (h²/8)·máx|f''|; por ello, reducir el paso a la mitad divide el error por cuatro. Ejemplo 5 (interpolación inversa). Para hallar x tal que f(x)=y* con f creciente y tabulada, se interpola con los datos (yᵢ, xᵢ) en un entorno de y*.
Nodos de Chebyshev, condicionamiento y otras formas de interpolar
Los nodos de Chebyshev en [−1,1] son x_k = cos((2k+1)π/(2(n+1))), k=0,...,n; son las raíces del polinomio de Chebyshev de grado n+1 y están más concentrados en los extremos, lo que hace casi mínimo el máximo del producto |(x−x₀)···(x−xₙ)| y evita el fenómeno de Runge para funciones suficientemente regulares. Un intervalo [a,b] se transforma al [−1,1] mediante un cambio lineal. La matriz de Vandermonde está muy mal condicionada cuando n crece, por lo que resolver el sistema de coeficientes indeterminados es numéricamente inestable; esta es una razón adicional para preferir las formas de Lagrange (barícéntrica) o de Newton. Otras variantes: la interpolación de Hermite, que además de los valores f(xᵢ) impone los de la derivada f'(xᵢ) (con nodos repetidos en las diferencias divididas); el algoritmo de Neville, que evalúa el polinomio en un punto de forma recursiva sin calcular sus coeficientes; y la interpolación racional y la trigonométrica, adecuada para datos periódicos. Cuando se interpola con splines cúbicos, además de continuidad de f, f' y f'' hay que fijar dos condiciones adicionales en los extremos (por ejemplo, spline natural con f''=0 en los extremos).
La tabla y la interpolación en el currículo
En la ESO y el Bachillerato, el trabajo con tablas de valores, gráficas y expresiones algebraicas forma parte del sentido algebraico (relaciones y funciones) y del sentido estocástico de los Reales Decretos 217/2022, de 29 de marzo (ESO), y 243/2022, de 5 de abril (Bachillerato). La interpolación lineal y la estimación a partir de modelos de regresión se trabajan con apoyo de hojas de cálculo y software de geometría dinámica, y se vinculan con la lectura crítica de datos, la diferencia entre correlación y causalidad y los riesgos de extrapolar. En el aula conviene proponer situaciones reales (temperatura a lo largo del día, tarifas, crecimiento de una planta), pedir estimaciones en puntos intermedios y no medidos, comparar modelos (lineal, cuadrático, exponencial) sobre los mismos datos y debatir cuál es razonable y por qué.
Ideas clave para el examen — memoriza esto
Interpolar es construir una función que pase exactamente por n+1 puntos dados; extrapolar es estimar fuera del rango de esos puntos, mucho más arriesgado.
Existe un único polinomio de grado ≤n que interpola n+1 puntos con abscisas distintas (demostración: la diferencia de dos interpoladores tendría más raíces que su grado permite).
Polinomio de Lagrange: P(x)=∑yi·Li(x), con Li(xi)=1 y Li(xk)=0 si k≠i; fórmula explícita pero hay que recalcular todo si se añade un punto.
Polinomio de Newton: construcción incremental con diferencias divididas f[x0,...,xk]; añadir un punto solo exige una diagonal nueva de la tabla.
Error de interpolación: f(x)-P(x) = f^(n+1)(ξ)/(n+1)! · (x-x0)···(x-xn), fórmula análoga al resto de Lagrange de Taylor.
Fenómeno de Runge (1901): con nodos equiespaciados y grado alto, el interpolador puede oscilar y divergir cerca de los extremos, incluso si la función es suave.
Solución al fenómeno de Runge: nodos de Chebyshev, o preferiblemente interpolación segmentaria por splines (polinomios de grado bajo por tramos, empalmados con continuidad de f, f' y f'').
Interpolación exige pasar exactamente por los datos; la regresión (mínimos cuadrados) minimiza el error global sin pasar necesariamente por ellos — preferible con datos ruidosos.
En tablas equiespaciadas se usan diferencias finitas Δyi=yi+1-yi en vez de diferencias divididas (fórmula de Newton-Gregory), más cómodas para cálculo manual.
El método de los coeficientes indeterminados usa la matriz de Vandermonde; es válido pero computacionalmente más costoso (orden n³) que Lagrange o Newton.
Las tablas históricas de logaritmos (Napier, Briggs) y trigonométricas (Hiparco, Ptolomeo) incluían instrucciones de interpolación lineal ('partes proporcionales').
La interpolación inversa intercambia el papel de x e y para estimar en qué punto la función alcanza un valor dado; requiere monotonía local de f.
Aumentar el grado del interpolador no siempre mejora la aproximación: puede producir oscilaciones (Runge) o sobreajuste del ruido experimental.
Aplicación típica: curvas de calibración de instrumentos científicos, construidas interpolando o ajustando puntos patrón de valor conocido.
La interpolación cuadrática (3 puntos, parábola) es la base conceptual de la regla de Simpson de integración numérica.
Todo interpolador polinómico de un mismo conjunto de puntos es idéntico como función, independientemente del método usado para construirlo (Lagrange, Newton o coeficientes indeterminados).
Una tabla no determina una función única; pasar de tabla a fórmula es modelizar.
Con paso constante: diferencias primeras constantes ⟹ función afín; segundas constantes ⟹ cuadrática; diferencias de orden k constantes ⟹ polinomio de grado k (constante = k!·aₖ·hᵏ); cocientes constantes ⟹ exponencial.
Error de la interpolación lineal: |E| ≤ (h²/8)·máx|f''|; si se reduce h a la mitad, el error se divide por 4.
Nodos de Chebyshev: x_k=cos((2k+1)π/(2(n+1))); evitan el fenómeno de Runge. La matriz de Vandermonde está mal condicionada para n grande.
Interpolación de Hermite: impone valores y derivadas; algoritmo de Neville: evalúa el interpolador en un punto sin calcular coeficientes.
Historia: la fórmula de Lagrange fue publicada antes por Waring (1779) y por Euler; Lagrange la publicó en 1795; Newton introdujo las diferencias divididas.
Spline cúbico: continuidad de f, f' y f''; hacen falta dos condiciones adicionales en los extremos (spline natural: f''=0). El término spline en matemáticas se debe a Schoenberg (1946).
La regla de Simpson aproxima por una parábola por tres nodos, es decir, sobre cada par de subintervalos.
12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.
Pregunta 1 de 120 aciertos
El fenómeno de Runge (1901) se refiere a:
Preguntas frecuentes
¿De qué trata el Tema 24 de Secundaria?
El Tema 24 introduce una perspectiva distinta de la de los temas anteriores: en lugar de partir de una expresión algebraica cerrada de una función, se parte de un conjunto finito de pares de valores (xi, yi), obtenidos típicamente de una medición experimental, una tabla estadística o una simulación numérica, y se busca una función que los reproduzca exactamente o que permita estimar valores intermedios no tabulados. La interpolación polinómica resuelve este problema construyendo un polinomio que pasa exactamente por los puntos dados, apoyándose en resultados de álgebra (sistemas de ecuaciones lineales, existencia y unicidad de solución) y de análisis (el error de interpolación se expresa mediante derivadas de orden superior, enlazando con el teorema de Taylor). El tema tiene, además de su interés teórico, una fuerte componente aplicada e histórica: desde las antiguas tablas de logaritmos y de funciones trigonométricas hasta el ajuste de curvas de calibración en un laboratorio, la interpolación ha sido durante siglos la herramienta estándar para trabajar con funciones conocidas únicamente en un número finito de puntos.
¿Qué hay que memorizar del Tema 24 para el examen?
Interpolar es construir una función que pase exactamente por n+1 puntos dados; extrapolar es estimar fuera del rango de esos puntos, mucho más arriesgado. Existe un único polinomio de grado ≤n que interpola n+1 puntos con abscisas distintas (demostración: la diferencia de dos interpoladores tendría más raíces que su grado permite). Polinomio de Lagrange: P(x)=∑yi·Li(x), con Li(xi)=1 y Li(xk)=0 si k≠i; fórmula explícita pero hay que recalcular todo si se añade un punto. Polinomio de Newton: construcción incremental con diferencias divididas f[x0,...,xk]; añadir un punto solo exige una diagonal nueva de la tabla. Error de interpolación: f(x)-P(x) = f^(n+1)(ξ)/(n+1)! · (x-x0)···(x-xn), fórmula análoga al resto de Lagrange de Taylor. Fenómeno de Runge (1901): con nodos equiespaciados y grado alto, el interpolador puede oscilar y divergir cerca de los extremos, incluso si la función es suave. Solución al fenómeno de Runge: nodos de Chebyshev, o preferiblemente interpolación segmentaria por splines (polinomios de grado bajo por tramos, empalmados con continuidad de f, f' y f''). Interpolación exige pasar exactamente por los datos; la regresión (mínimos cuadrados) minimiza el error global sin pasar necesariamente por ellos — preferible con datos ruidosos. En tablas equiespaciadas se usan diferencias finitas Δyi=yi+1-yi en vez de diferencias divididas (fórmula de Newton-Gregory), más cómodas para cálculo manual. El método de los coeficientes indeterminados usa la matriz de Vandermonde; es válido pero computacionalmente más costoso (orden n³) que Lagrange o Newton. Las tablas históricas de logaritmos (Napier, Briggs) y trigonométricas (Hiparco, Ptolomeo) incluían instrucciones de interpolación lineal ('partes proporcionales'). La interpolación inversa intercambia el papel de x e y para estimar en qué punto la función alcanza un valor dado; requiere monotonía local de f. Aumentar el grado del interpolador no siempre mejora la aproximación: puede producir oscilaciones (Runge) o sobreajuste del ruido experimental. Aplicación típica: curvas de calibración de instrumentos científicos, construidas interpolando o ajustando puntos patrón de valor conocido. La interpolación cuadrática (3 puntos, parábola) es la base conceptual de la regla de Simpson de integración numérica. Todo interpolador polinómico de un mismo conjunto de puntos es idéntico como función, independientemente del método usado para construirlo (Lagrange, Newton o coeficientes indeterminados). Una tabla no determina una función única; pasar de tabla a fórmula es modelizar. Con paso constante: diferencias primeras constantes ⟹ función afín; segundas constantes ⟹ cuadrática; diferencias de orden k constantes ⟹ polinomio de grado k (constante = k!·aₖ·hᵏ); cocientes constantes ⟹ exponencial. Error de la interpolación lineal: |E| ≤ (h²/8)·máx|f''|; si se reduce h a la mitad, el error se divide por 4. Ejemplo clave: nodos (0,1),(1,3),(2,7) ⟹ P(x)=x²+x+1 con cualquier método (Lagrange, Newton, coeficientes indeterminados). Nodos de Chebyshev: x_k=cos((2k+1)π/(2(n+1))); evitan el fenómeno de Runge. La matriz de Vandermonde está mal condicionada para n grande. Interpolación de Hermite: impone valores y derivadas; algoritmo de Neville: evalúa el interpolador en un punto sin calcular coeficientes. Historia: la fórmula de Lagrange fue publicada antes por Waring (1779) y por Euler; Lagrange la publicó en 1795; Newton introdujo las diferencias divididas. Spline cúbico: continuidad de f, f' y f''; hacen falta dos condiciones adicionales en los extremos (spline natural: f''=0). El término spline en matemáticas se debe a Schoenberg (1946). La regla de Simpson aproxima por una parábola por tres nodos, es decir, sobre cada par de subintervalos.
¿Hay preguntas de test de este tema exacto?
Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.
¿De dónde sale el temario de este tema?
Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).
Fuentes de este desarrollo
Real Decreto 217/2022, de 29 de marzo, por el que se establecen la ordenación y las enseñanzas mínimas de la Educación Secundaria Obligatoria (BOE-A-2022-4975)
Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato
R.L. Burden y J.D. Faires, "Análisis numérico"
A. Quarteroni, R. Sacco y F. Saleri, "Matemática numérica"
C. Runge (1901), "Über empirische Funktionen und die Interpolation zwischen äquidistanten Ordinaten", Zeitschrift für Mathematik und Physik
I. J. Schoenberg (1946), "Contributions to the problem of approximation of equidistant data by analytic functions", Quarterly of Applied Mathematics
Mientras tanto, practica con tests gratis de Secundaria.