2.1常用的插值法
若
p
(
x
)
=
a
0
+
a
1
x
+
⋯
+
a
n
x
n
,
p(x) = a_{0}+a_{1} x+ \cdots +a_{n}x^{n},
p(x)=a0+a1x+⋯+anxn,
其中
a
i
a_{i}
ai为实数，则称
p
(
x
)
p(x)
p(x)为插值多项式，相应的插值法称为多项式插值
若
p
(
x
)
p(x)
p(x)为分段的多项式，则称之为分段多项式插值
若
p
(
x
)
p(x)
p(x)为三角多项式，则称之为三角插值
定理1
满足插值条件 p ( x i ) = y i ( i = 0 , 1... , n ) p(x_{i})=y_{i}(i=0,1...,n) p(xi)=yi(i=0,1...,n)的n次插值多项式存在且唯一。（证明：系数矩阵为范德蒙行列式，从而非奇异，满秩，有唯一解）
2.2拉格朗日插值多项式
线性插值
由
L
（
x
）
L（x）
L（x）的几何直观，得：
两点式
L
1
=
y
k
x
−
x
k
+
1
x
k
−
x
k
+
1
+
y
k
+
1
x
−
x
k
x
k
+
1
−
x
k
L_{1}=y_{k}\frac{x-x_{k+1}}{x_{k}-x_{k+1}}+y_{k+1}\frac{x-x_{k}}{x_{k+1}-x_{k}}
L1=ykxk−xk+1x−xk+1+yk+1xk+1−xkx−xk,
其中
l
k
=
x
−
x
k
+
1
x
k
−
x
k
+
1
,
l
k
+
1
=
x
−
x
k
x
k
+
1
−
x
k
l_{k}=\frac{x-x_{k+1}}{x_{k}-x_{k+1}},l_{k+1}=\frac{x-x_{k}}{x_{k+1}-x_{k}}
lk=xk−xk+1x−xk+1,lk+1=xk+1−xkx−xk
显然
l
i
(
x
j
)
=
δ
i
j
=
{
1
(
i
=
j
)
0
(
i
≠
j
)
(
i
,
j
=
k
,
k
+
1
)
l_{i}(x_{j})=\delta _{ij}=\left\{\begin{matrix} 1(i = j)\\ 0(i \neq j) \end{matrix}\right.(i,j=k,k+1)
li(xj)=δij={1(i=j)0(i=j)(i,j=k,k+1)
称
l
k
(
x
)
和
l
k
+
1
(
x
)
为
l_{k}(x)和l_{k+1}(x)为
lk(x)和lk+1(x)为线性插值基函数。
抛物插值
从两个点引申到三个点
L
2
(
x
)
=
y
k
−
1
l
k
−
1
(
x
)
+
y
k
l
k
(
x
)
+
y
k
+
1
l
k
+
1
(
x
)
L_{2}(x)=y_{k-1}l_{k-1}(x)+y_{k}l_{k}(x)+y_{k+1}l_{k+1}(x)
L2(x)=yk−1lk−1(x)+yklk(x)+yk+1lk+1(x)
l
i
(
x
j
)
=
δ
i
j
=
{
1
(
i
=
j
)
0
(
i
≠
j
)
(
i
,
j
=
k
−
1
,
k
,
k
+
1
)
l_{i}(x_{j})=\delta _{ij}=\left\{\begin{matrix} 1(i = j)\\ 0(i \neq j) \end{matrix}\right.(i,j=k-1,k,k+1)
li(xj)=δij={1(i=j)0(i=j)(i,j=k−1,k,k+1)
如果满足上述条件的
l
i
(
x
)
l_{i}(x)
li(x)存在，则上述公式就是二次插值函数。
怎么求 l i ( x ) l_{i}(x) li(x)
根据定义
l
i
(
x
)
l_{i}(x)
li(x)有两个零点，即
x
k
−
1
x_{k-1}
xk−1及
x
k
+
1
x_{k+1}
xk+1，且为二次多项式。因此，可令
l
i
(
x
)
=
A
(
x
−
x
k
−
1
)
(
x
−
x
k
+
1
)
l_{i}(x)=A(x-x_{k-1})(x-x_{k+1})
li(x)=A(x−xk−1)(x−xk+1)
所以现在问题变成如何求A？
又知
l
i
(
x
k
)
=
1
l_{i}(x_{k})=1
li(xk)=1,带入可求的A。
同理，可求
l
k
−
1
(
x
)
,
l
k
+
1
(
x
)
l_{k-1}(x),l_{k+1}(x)
lk−1(x),lk+1(x).
前面看了一次插值（线性插值）和二次插值（抛物插值）的例子，我们想如果能把插值推广到n次插值，怎么样？
定义2.2
若n次多项式
l
j
(
x
)
(
j
=
0
,
1
,
.
.
.
,
n
)
l_{j}(x)(j=0,1,...,n)
lj(x)(j=0,1,...,n)在n+1个节点
x
0
<
x
1
<
.
.
.
<
x
n
x_{0}<x_{1}<...<x_{n}
x0<x1<...<xn上满足条件
l
j
(
x
k
)
=
{
1
(
k
=
j
)
0
(
k
≠
j
)
(
k
,
j
=
0
,
1
,
.
.
.
,
n
)
l_{j}(x_{k})=\left\{\begin{matrix} 1(k= j)\\ 0(k \neq j) \end{matrix}\right.(k,j=0,1,...,n)
lj(xk)={1(k=j)0(k=j)(k,j=0,1,...,n)
则称这n+1个多项式
l
0
(
x
)
,
l
1
(
x
)
,
.
.
.
,
l
n
(
x
)
l_{0}(x),l_{1}(x),...,l_{n}(x)
l0(x),l1(x),...,ln(x)为节点
x
0
,
x
1
,
.
.
,
x
n
x_{0},x_{1},..,x_{n}
x0,x1,..,xn上的n次插值基函数。
2.3拉格朗日插值余项
若 在 [ a , b ] 上 用 L n ( x ) 近 似 f ( x ) , 截 断 误 差 为 ： 若在[a,b]上用L_{n}(x)近似f(x),截断误差为： 若在[a,b]上用Ln(x)近似f(x),截断误差为： R n ( x ) = f ( x ) − L n ( x ) R_{n}(x)=f(x)-L_{n}(x) Rn(x)=f(x)−Ln(x)也称插值多项式的余项或插值余项
由
R
n
(
x
k
)
=
0
(
k
=
0
,
1
,
.
.
.
,
n
)
,
得
由R_{n}(x_{k})=0(k=0,1,...,n),得
由Rn(xk)=0(k=0,1,...,n),得
R
n
(
x
)
=
K
(
x
)
(
x
−
x
0
)
(
x
−
x
1
)
.
.
.
(
x
−
x
n
)
=
K
(
x
)
ω
n
(
x
)
R_{n}(x)=K(x)(x-x_{0})(x-x_{1})...(x-x_{n})=K(x)\omega _{n}(x)
Rn(x)=K(x)(x−x0)(x−x1)...(x−xn)=K(x)ωn(x)如何求
K
(
x
)
K(x)
K(x)?
构造函数g(t)为：
g
(
t
)
=
f
(
t
)
−
L
n
(
t
)
−
K
(
x
)
(
t
−
x
0
)
(
t
−
x
1
)
.
.
.
(
t
−
x
n
)
g(t) =f(t)-L_{n}(t)-K(x)(t-x_{0})(t-x_{1})...(t-x_{n})
g(t)=f(t)−Ln(t)−K(x)(t−x0)(t−x1)...(t−xn)
显然g(t)在[a,b]上至少存在n+2个零点
由上面可以总结出定理2.2
定理2.2
s
u
p
∣
f
n
+
1
(
x
)
∣
=
M
n
+
1
的
意
思
为
f
n
+
1
(
x
)
的
上
界
为
M
n
+
1
sup\left | f^{n+1} (x)\right |=M_{n+1}的意思为 f^{n+1} (x)的上界为M_{n+1}
sup∣∣fn+1(x)∣∣=Mn+1的意思为fn+1(x)的上界为Mn+1
总结 内插优于外插，二次插值优于线性插值。
2.4差商及其性质
从而，引出了差商的概念
2.5 Newton插值多项式
牛顿插值的优势
- 计算复杂性大幅下降，（如添加一个点是，只需要添加一项，不需要全部重新算。）
- 误差估计对函数的光滑性没有任何要求。
2.6分段线性插值
为什么要引出分段线性插值？
因为
所以提出用分段线性插值来解决这个问题。
可以参考下面的几何图形，基函数在节点中为一或零，中间线性变化。
2.7埃米尔Hermite插值
插值的更高要求，即插值点不仅过节点，而且相切（即一阶导数相同）。
以此类推，如果二阶导数相同，即凹凸性相同，那么拟合曲线和实际曲线更加接近，如果三阶，四阶，…，都相同，那么拟合效果就更好了。
如何求
α
i
和
β
i
\alpha_{i} 和\beta_{i}
αi和βi。
遇到有倒数的，就想到用埃尔米特插值。
总结
1220
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
