¿Cuál es el fenómeno de Runge?

Imagine que tiene una regla de plástico que puede doblar mucho y de diferentes maneras, pero no hasta el punto de romperla (también puede imaginar una pajita de plástico o un marcador de cuero). Si dobla esa regla a lo largo de puntos igualmente distantes, podrá reproducir la forma de algunas funciones.

Imagine ahora que está intentando reproducir el gráfico de la función Runge. Puede doblar el plástico de diferentes maneras en puntos equidistantes, pero debido a que el plástico tiene cierta rigidez, cuanto más intente doblarlo para que se vea como la función de Runge en algunos puntos, más tenderá a estar en desacuerdo con el funcionar en otros. De hecho, puede obtener una impresión de la función de Runge y una pajita y probarla.

Este es técnicamente el problema con la interpolación polinómica; los polinomios tienen cierta rigidez debido a restricciones de suavidad y “doblarlos” afecta a todo el polinomio, lo que lleva al problema.

¿Cómo podemos resolver este problema? Una forma es cortar el plástico en pedazos y usar cada pieza para partes separadas del gráfico. Esto limita la flexión que tenemos que hacer y mantiene el efecto de la flexión local. Esto es lo que logra la interpolación spline.

Para explicarlo en breve:

Solíamos pensar: cuando aumenta el número de puntos de interpolación, probablemente aumente la precisión de su método y obtendrá el mejor resultado. (porque pensamos en aumentar la precisión de nuestra aproximación)

=> Cuanto más aumentes el número de puntos, mejor será tu aproximación.

El fenómeno de Runge nos muestra que en algunos casos la intuición no es buena. Runge demostró que, en algunos casos, si aumenta el número de puntos de interpolación, aumentará la brecha de error entre la realidad y la simulación.

Cuando hablamos de la interpolación polinómica, la oración más importante en tu wiki es:

“[…] muestra que ir a grados más altos no siempre mejora la precisión […]”

El ejemplo en wiki es bueno 😉