数值分析学习笔记——牛顿插值多项式-CSDN博客

本文链接：https://blog.csdn.net/Adamistren/article/details/140722545

2.3 均差与牛顿插值多项式

1.均差定义：定义 $f[x_0,x_k]=\frac{f(x_k)-f(x_0)}{x_k-x_0}$ 为函数 $f (x)$ 关于点 $x_0$ , $x_k$ 的一阶均差，定义 $f[x_0,x_1,x_k]=\frac{f[x_0,x_k]-f[x_0,x_1]}{x_k-x_1}$ 为函数 $f (x)$ 关于点 $x_0$ , $x_1$ , $x_k$ 的二阶均差，则定义
$f[x_0,x_1,\cdots,x_k]=\frac{f[x_0,x_1,\cdots,x_{k-2},x_k]-f[x_0,x_1,\cdots,x_{k-2},x_{k-1}]}{x_k-x_{k-1}}=\sum_{j=0}^{n}\frac{f(x_j)}{\omega^\prime_n(x_j)} \tag{1.17}$
为函数 $f (x)$ 关于 $x_0,x_1,,\cdots,x_k$ 的k阶均差（k阶差商）

2.均差性质：

（1）若 $f (x)$ 在 $[a, b]$ 上存在 $n$ 阶导数，且节点 $x_0,x_1,\cdots,x_n\in[a,b]$ ，则n阶均差与导数关系
$f[x_0,x_1,\cdots,x_n]=\frac{f^{(n)}(\xi)}{n!},\xi \in[a,b]\tag{1.18}$
（可采用罗尔定理证明）

（2）均差对称性
$f[x_0,x_1,\cdots,x_k]=f[x_1,x_0,x_2,\cdots,x_k]=\cdots=f[x_1,\cdots,x_k,x_0]$
（3）由（1.17）式子和均差性质（2）得
$f[x_0,x_1,\cdots,x_k]=\frac{f[x_0,x_1,\cdots,x_{k-2},x_k]-f[x_0,x_1,\cdots,x_{k-2},x_{k-1}]}{x_k-x_{k-1}}\tag{1.17-C}$
3.均差形式的牛顿插值多项式（插值节点任意分布情况使用）

由一次插值多项式得
$\begin{aligned} P_1(x)&=P_0(x)+f[x_0,x_1](x-x_0)\\&=f(x_0)+f[x_0,x_1](x-x_0) \end{aligned}$
由二次插值多项式得
$\begin{aligned} P_2(x)&=P_1(x)+f[x_0,x_1,x_2](x-x_0)(x-x_1)\\ &=f(x_0)+f[x_0,x_1](x-x_0)(x-x_1) \end{aligned}$

根据均差定义，将 $x$ 看成 $[a, b]$ 上的一点，得
$f(x)=f(x_0)+f[x,x_0](x-x_0)\\ f[x,x_0]=f[x_0,x_1]+f[x,x_0,x_1](x-x_1)\\ \vdots\\f[x,x_0,\cdots,x_{n-1}]=f[x_0,x_1,\cdots,x_n]+f[x,x_0,\cdots,x_n](x-x_n)$
叠加后得
$\begin{aligned} f(x)&=f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots\\ &+f[x_0,x_1,\cdots,x_n](x-x_0)\cdots(x-x_{n-1})+f[x,x_0,\cdots,x_n]\omega_{n+1}(x)\\&=P_n(x)+R_n(x) \end{aligned}$
其中
$\begin{aligned} P_n(x)&=f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots\\ &+f[x_0,x_1,\cdots,x_n](x-x_0)\cdots(x-x_{n-1}) \end{aligned}\tag{1.19}$

$\begin{aligned} R_n(x)=f(x)-P_n(x)=f[x,x_0,\cdots,x_n]\omega_{n+1}(x)\end{aligned}\tag{1.20}$

对于多项式 $P_n(x)$ 满足 $P_n(x_i)=f(x_i)$ ，且次数不超过n，将 $P_n(x)$ 表示为
$P_n(x)=a_0+a_1(x-x_0)+\cdots+a_n(x-x_0)\cdots(x-x_{n-1})$
其中
$a_k=f[x_0,x_1,\cdots,x_n],k=0,1,\cdots,n$
称 $P_n(x)$ 为牛顿均差插值多项式，余项为
$R_n(x)=f(x)-P_n(x)=f[x_0,x_1,\cdots,x_n]\omega_{n+1}(x)\tag{1.21}$
4.差分形式的牛顿均值多项式（等距节点分布情况使用）

对于 $x_k=x_0+kh$ 此类的节点分布， $h$ 为步长；设 $x_k$ 对应的函数值 $f_k=f(x_k),k=0,1,\cdots,n$ ，称 $\Delta f_k=f_{k+1}-f_k$ 为 $x_k$ 处以 $h$ 为步长的一阶（向前）差分；称 $\Delta^2 f_k=\Delta f_{k+1}-\Delta f_k$ 为 $x_k$ 处的二阶差分，一般地称
$\Delta^n f_k=\Delta^{n-1}f_{k+1}-\Delta^{n-1} f_k\tag{1.22}$
为 $x_k$ 处的n阶差分

定义 $If_k=f_k,Ef_k=f_{k+1}$ ，其中 $I$ 为不变算子， $E$ 为步长为 $h$ 的位移算子
$\Delta f_k=f_{k+1}-f_k=Ef_k-If_k=(E-I)f_k$

$\Delta^n f_k=\sum_{j=0}^{n}(-1)^j\begin{pmatrix}n\\j\end{pmatrix}E^{n-j}f_k =\sum_{j=0}^{n}(-1)^j\begin{pmatrix}n\\j\end{pmatrix}f_{n+k-j}\tag{1.23}$

其中 $\begin{pmatrix} n\\j \end{pmatrix}=\frac{n(n-1)\cdots(n-j+1)}{j!}$ 为二项式展开系数，由此（1.21）式能够将各阶差分通过函数值给出；而也可以用各阶差分表示函数值
$f_{n+k}=E^nf_k=(I+\Delta)^n f_k=\sum_{j=0}^{n}\begin{pmatrix}n\\j\end{pmatrix}\Delta^if_k\tag{1.24}$
均差和差分的关系
$f[x_k,\cdots,x_{k+m}]=\frac{1}{m!}\frac{1}{h^m}\Delta^mf_k,m=1,2,\cdots,n\tag{1.25}$
由（1.18）式均差与导数的关系，得到差分与导数（微商）的关系为
$\Delta^nf_k=h^nf^{n}(\xi),\xi\in(x_k,x_{k+1})\tag{1.26}$
在（1.19）式中，均差部分都采用差分代替，即通过（1.25）式替换，且令 $x=x_0+th$ ，得
$P_n(x)=P_n(x_0+th)=f_0+t\Delta f_0+\frac{t(t-1)}{2!}\Delta^2f_0+\cdots\\+\frac{t(t-1)\cdots(t-n+1)}{n!}\Delta^nf_0\tag{1.27}$
称（1.27）式为牛顿前插公式，余项为
$R_n(x)=f(x)-P_n(x)=\frac{t(t-1)\cdots(t-n)}{(n+1)!}h^{n+1}f^{n+1}(\xi),\xi\in(x_0,x_n)\tag{1.28}$
误差分析时可以写成
$|R_n(x)|\leq \frac{M_{n+1}}{(n+1)!}|t(t-1)\cdots(t-n)|h^{n+1}\tag{1.29}$
其中 $f^{(n+1)}(\xi)\leq M_{n+1}$