数学建模十大算法02—插值与拟合（拉格朗日插值、三次样条插值、线性最小二乘法……）

引入

插值： 求过已知有限个数据点的近似函数。（强调这个近似函数要过所有已知点）
拟合： 已知有限个数据点，求近似函数，可不过已知数据点，只要求在某种意义下它在这些点上的总偏差最小。
插值和拟合都是要根据一组数据构造一个函数作为近似，由于近似的要求不同，二者的数学方法上是完全不同的。 而面对一个实际问题，究竟应该用插值还是拟合，有时容易确定，有时则并不明显。

一、插值

在工程和数学应用中，经常有这样一类数据处理问题，在平面上给定一组离散点列，要求一条曲线，把这些点按次序连接起来，称为插值。

我们为什么要进行插值呢？
我们进行数据处理的理想，当然是希望数据非常的完备，啥玩意儿都有。但现实往往不尽如人意，数据经常会缺东少西的，那怎么办呢？

我们需要对一些不存在的数据进行一些插补。比如，我们分析某个餐馆在一段时间内的营收情况，但某一天收银系统出问题了，这天都是手工收款入账的，我们的系统里面就没有这一天的营收数据。那怎么办呢？我们就需要根据一定的办法把这天的营收数据给找补回来，那怎么找补呢？常用的方法有：

已知 $n+1$ 个点 $\left(x_i,y_i\right)$ $(i=0,1,...,n)$，下面求各种插值函数。

1.1 分段线性插值

简单地说，将每两个相邻的节点用直线连起来，如此形成的一条折线就是分段线性插值函数。计算$x$点的插值时，只用到$x$左右的两个节点，计算量与节点个数$n$无关。但$n$越大，分段越多，插值误差越小。
假设两个节点为$\left(x_1,y_1\right)\left(x_2,y_2\right)$，则该区间上的一次线性方程为：

其证明过程非常简单：


以上就是分段线性插值的原理，可以看出原理十分简单。分段线性插值运算量较小，插值误差较小，插值函数具有连续性，但是由于在已知点的斜率是不变的，所以导致插值结果不光滑，存在角点。

该方法可用matlab自带的interp1函数实现。

x = 0:10;  % 已知x值
y = x.*sin(x);  % 已知y值（表达式）
x1 = 0:0.25:10;   % 要求的插值点
y1 = interp1(x,y,x1);  % 用一维插值方法求出的值，默认method为linear
plot(x,y,'k*',x1,y1)

其运行的结果如下所示：

实际上用函数表作插值计算时，分段线性插值就足够了，如数学、物理中用的特殊函数表，数理统计中用的概率分布表等。

1.2 牛顿插值法

首先我们要知道牛顿多项式的形式：${\mathrm{N}}_{\mathrm{n}}(\mathrm{x})={\mathrm{a}}_0+{\mathrm{a}}_1\left(\mathrm{x}-{\mathrm{x}}_0\right)+{\mathrm{a}}_2\left(\mathrm{x}-{\mathrm{x}}_0\right)\left(\mathrm{x}-{\mathrm{x}}_1\right)+\cdots +{\mathrm{a}}_{\mathrm{n}}\left(\mathrm{x}-{\mathrm{x}}_0\right)\left(\mathrm{x}-{\mathrm{x}}_1\right)\cdots \left(\mathrm{x}-{\mathrm{x}}_{\mathrm{n}-1}\right)$
其中$a_k(k=0,1,...,n)$为待定系数。

自变量之差与因变量之差之比叫差商。

定义: 函数 $\mathrm{y}=\mathrm{f}(\mathrm{x})$ 在区间 $\left[{\mathrm{x}}_{\mathrm{i}},{\mathrm{x}}_{\mathrm{i}+1}\right]$ 上的平均变化率
$$\mathrm{f}\left[{\mathrm{x}}_{\mathrm{i}},{\mathrm{x}}_{\mathrm{i}+1}\right]=\frac{\mathrm{f}\left({\mathrm{x}}_{\mathrm{i}+1}\right)-\mathrm{f}\left({\mathrm{x}}_{\mathrm{i}}\right)}{{\mathrm{x}}_{\mathrm{i}+1}-{\mathrm{x}}_{\mathrm{i}}}$$
称为 $f(x)$ 关于 $x_i,x_{i+1}$ 的一阶差商，并记为 $f\left[x_i,x_{i+1}\right]$

二阶差商：
$$\mathrm{f}\left[{\mathrm{x}}_{\mathrm{i}},{\mathrm{x}}_{\mathrm{i}+1},{\mathrm{x}}_{\mathrm{i}+2}\right]=\frac{\mathrm{f}[{\mathrm{x}}_{}}{{\mathrm{x}}_{\mathrm{i}+2}-{\mathrm{x}}_{\mathrm{i}}}$$