计算方法（四）：插值与拟合

插值与拟合

插值概念与基础理论

插值问题的提法

给定函数 $f(x)$ 在区间 $[a,b]$ 上的 $n+1$ 个函数值：
$$\begin{array}{ccccc}x& x_0& x_1& \cdots & x_n\\ f(x)& f(x_0)& f(x_1)& \cdots & f(x_n)\end{array}$$
$x_0,x_1,\cdots ,x_n$ 互不相同。$\Phi$ 为给定的某一个函数类。若 $\Phi$ 上有函数 $\phi (x)$，满足
$$\phi (x_i)=f(x_i),i=0,1,2,\cdots ,n$$
则称 $\phi (x)$ 为 $f(x)$ 关于结点 $x_0,x_1,\cdots ,x_n$ 在 $\Phi$ 上的插值函数，$x_0,x_1,\cdots ,x_n$ 称为插值结点，$[a,b]$ 称为插值区间，$f(x)$ 称为被插函数。

根据插值定义，插值函数实际上是一条经过平面上点 $(x_i,f(x_i){)}_{i=0,1,\cdots ,n}$ 的曲线，这条平面曲线函数，就可以作为 $f(x)$ 的逼近函数。

插值函数的存在唯一性：插值函数类 $\Phi$ 为一个函数空间，若插值结点数为 $n+1$，实际上给出了 $n+1$ 个限制条件，为了保证插值函数的存在唯一性，给出的插值函数空间应是 $n+1$ 维的，即 $dim\Phi =n+1$。

任取 $\Phi$ 上 $n+1$ 个线性无关函数 ${\phi }_0(x),{\phi }_1(x),\cdots ,{\phi }_n(x)$，它们可作为 $\Phi$ 的一组基，记为：
Φ = s p a n { φ 0 ( x ) , φ 1 ( x ) , ⋯   , φ n ( x ) } \Phi=span\{\varphi_0(x),\varphi_1(x),\cdots,\varphi_n(x)\} Φ=span{ φ0​(x),φ1​(x),⋯,φn​(x)}
于是，任取 $\phi (x)\in \Phi$，则 $\phi (x)$ 可唯一地表为：
$$\phi (x)=a_0{\phi }_0(x)+a_1{\phi }_1(x)+\cdots +a_n{\phi }_n(x)$$
这里 $(a_0,a_1,\cdots ,a_n)$ 称之为 $\phi (x)$ 在基 { φ i ( x ) } i = 1 n \{\varphi_i(x)\}^n_{i=1} { φi​(x)}i=1n​ 下的坐标。

^（*）定理： { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 为 $[a,b]$ 上 $n+1$ 个互异点， Φ = s p a n { φ 0 ( x ) , φ 1 ( x ) , ⋯   , φ n ( x ) } \Phi=span\{\varphi_0(x),\varphi_1(x),\cdots,\varphi_n(x)\} Φ=span{ φ0​(x),φ1​(x),⋯,φn​(x)} 为 $n+1$ 维函数空间，定义在 $[a,b]$ 上的函数 $f(x)$ 关于结点 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 在 $\Phi$ 上的插值函数存在且唯一的充要条件为行列式：
$$\left|\begin{array}{cccc}{\phi }_0(x_0)& {\phi }_1(x_0)& \cdots & {\phi }_n(x_0)\\ {\phi }_0(x_1)& {\phi }_1(x_1)& \cdots & {\phi }_n(x_1)\\ & \cdots & \cdots & \\ {\phi }_0(x_{n-1})& {\phi }_1(x_{n-1})& \cdots & {\phi }_n(x_{n-1})\\ {\phi }_0(x_n)& {\phi }_1(x_n)& \cdots & {\phi }_n(x_n)\end{array}\right|\ne 0$$

插值多项式的存在唯一性

记 P n = { a 0 + a 1 x + ⋯ + a n x n ∣ a i ∈ R } P_n=\{a_0+a_1x+\cdots+a_nx^n|a_i\in R\} Pn​={ a0​+a1​x+⋯+an​xn∣ai​∈R}，则 $P_n$ 为一个 $n+1$ 维的线性空间（$n$ 次多项式空间）。

若 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 为 $[a,b]$ 上互异点，$f(x)$ 为定义在 $[a,b]$ 上的函数，若有 $P_n(x)\in P_n$，满足 $P_n(x_i)=f(x_i),i=0,1,\cdots ,n$，则称 $P_n(x)$ 为 $f(x)$ 关于结点 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 的 $n$ 次插值多项式。

定理1：$f(x)$ 关于 $n+1$ 个互异结点 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 的 $n$ 次插值多项式存在且唯一。

证明：设插值多项式：$P_n(x)=a_0+a_{1}x+\cdots +a_n{x}^n$，满足 $a_0+a_1{x}_i+\cdots +a_n{x}_i^n=f(x_i),i=0,1,\cdots ,n$，而
$$D=\left|\begin{array}{ccccc}1& x_0& x_0^2& \cdots & x_0^n\\ 1& x_1& x_1^2& \cdots & x_1^n\\ ⋮& ⋮& ⋮& & ⋮\\ 1& x_n& x_n^2& \cdots & x_n^n\end{array}\right|=\prod _{n\ge i>j\ge 0}(x_i-x_j)\ne 0$$
由克莱姆法则得 $a_0,a_1,\cdots ,a_n$ 存在唯一，即 $P_n$ 上存在且唯一的有 $P_n(x)$，满足 $P_n(x_i)=f(x_i),i=0,1,\cdots ,n$。

同时，$n$ 次插值多项式 $P(x)$ 可表示为 $P_n(x)=a_0+a_{1}x+\cdots +a_n{x}^n$，其中 $a_i=\frac{D_i}{D},i=0,1,2,\cdots ,n$。
$$D_i=\left|\begin{array}{cccccccc}1& x_0& \cdots & x_0^{i-1}& f(x_0)& x_0^{i+1}& \cdots & x_0^n\\ 1& x_1& \cdots & x_1^{i-1}& f(x_1)& x_1^{i+1}& \cdots & x_1^n\\ & & & \cdots & \cdots & & & \\ 1& x_n& \cdots & x_n^{i-1}& f(x_n)& x_n^{i+1}& \cdots & x_n^n\end{array}\right|$$

插值余项

$R_n(x)=f(x)-P_n(x)$ 称为插值余项（或称误差）。

定理2：若 $f\in C^{n+1}[a,b]$，互异点 { x i } i = 0 n ⊂ [ a , b ] \{x_i\}^n_{i=0}\subset[a,b] { xi​}i=0n​⊂[a,b]，则 $f(x)$ 以 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 为插值结点的 $n$ 次插值多项式余项：
R n ( x ) = f ( n + 1 ) ( ξ ) ( n + 1 ) ! ( x − x 0 ) ( x − x 1 ) ⋯ ( x − x n ) 其 中 ： m i n { x 0 , x 1 , ⋯   , x n , x } ≤ ξ = ξ ( x ) ≤ m a x { x 0 , x 1 , ⋯   , x n , x } R_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)(x-x_1)\cdots(x-x_n)\\其中：min\{x_0,x_1,\cdots,x_n,x\}\leq\xi=\xi(x)\leq max\{x_0,x_1,\cdots,x_n,x\} Rn​(x)=(n+1)!f(n+1)(ξ)​(x−x0​)(x−x1​)⋯(x−xn​)其中：min{ x0​,x1​,⋯,xn​,x}≤ξ=ξ(x)≤max{ x0​,x1​,⋯,xn​,x}
推论： 若 $f(x)\in C^{(n+1)}[a,b]$，且 $|f^{(n+1)}(x)|\le M_{n+1}(a\le x\le b)$，则 $f(x)$ 以 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 为插值结点的 $n$ 次插值多项式余项
$$|R_n(x)|\le \frac{M_{n+1}}{(n+1)!}|{\omega }_{n+1}(x)|$$
其中：${\omega }_{n+1}(x)={\prod }_{i=0}^n(x-x_i)$

注： 若插值点 $x$ 位于插值区间 $[mi{n}_{1\le i\le n}{x}_i,ma{x}_{1\le i\le n}{x}_i]$ 内，则该插值过程称为内插，否则称为外插。一般情况下，内插效果要比外插好一点，所以，插值结点尽可能选取在插值区间内。

插值多项式的求法

拉格朗日(Lagrange)型插值多项式

对于给定的 $n+1$ 个互异结点 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​，如果能找到 $P_n$ 上 $n+1$ 个多项式 { l i ( x ) } i = 0 n \{l_i(x)\}^n_{i=0} { li​(x)}i=0n​，满足
$$l_i(x_j)={\delta }_{ij}=\{\begin{array}{l}1,i=j\\ 0,i\ne j\end{array},i,j=0,1,\cdots ,n$$
那么 $L_n(x)={\sum }_{i=0}^n{l}_i(x)f(x_i)$ 就是 $f(x)$ 关于结点 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​ 的 $n$ 次插值多项式。其中， { l i ( x ) } i = 0 n ⊂ P n \{l_i(x)\}^n_{i=0}\subset P_n { li​(x)}i=0n​⊂Pn​，有 ${\sum }_{i=0}^n{l}_i(x)f(x_i)\in P_n$，且有
$$L_n(x_k)=\sum _{i=0}^n{l}_i(x_k)f(x_i)=f(x_k),k=0,1,\cdots ,n$$
$l_i(x)$ 的构造：$l_i(x_j)=0(j\ne i)$：
$$l_i(x)=\prod _{j=0,j\ne i}^n\frac{x-x_j}{x_i-x_j}=\frac{(x-x_0)\cdots (x-x_{i-1})(x-x_{i+1})\cdots (x-x_n)}{(x_i-x_0)\cdots (x_i-x_{i-1})(x_i-x_{i+1})\cdots (x_i-x_n)}$$
{ l i ( x ) } i = 0 n \{l_i(x)\}^n_{i=0} { li​(x)}i=0n​ 是一组线性无关的函数，可作为 $P_n$ 的一组基，称为关于结点 { x i } i = 0 n \{x_i\}^n_{i=0} { xi​}i=0n​的Lagrange基，其插值多项式称为Lagrange型插值多项式，记为 $L_n(x,f)$ 或 $L_n(x)$，即
$$L_n(x)=\sum _{i=0}^n{l}_i(x)f(x_i)=\sum _{i=0}^n(\prod _{j=0,j\ne i}^n\frac{x-x_j}{x_i-x_j})f(x_i)$$
记 ${\omega }_{n+1}(x)=(x-x_0)(x-x_1)\cdots (x-x_n),{\omega }_{n+1}^{\prime }(x_i)={\prod }_{j=0,j\ne i}^n(x_i-x_j)$，得
$$\begin{gathered} l_i(x)=\frac{{\omega }_{n+1}(x)}{(x-x_i){\omega }_{n+1}^{\prime }(x_i)} \\ {L}_n(x)=\sum _{i=0}^n\frac{{\omega }_{n+1}(x)}{(x-x_i){\omega }_{n+1}^{\prime }(x_i)}f(x_i) \end{gathered}$$
当 $n=1$ 时，可得 $f(x)$ 关于 $x_0,x_1$ 的线性插值多项式的Lagrange型式：
$$L_1(x)=\frac{x-x_1}{x_0-x_1}f(x_0)+\frac{x-x_0}{x_1-x_0}f(x_1)$$
当 $n=2$ 时，可得 $f(x)$ 关于 $x_0,x_1,x_2$ 的线性插值多项式的Lagrange型式：
$$\begin{gathered} L_2(x)=l_0(x)f(x_0)+l_1(x)f(x_1)+l_{2}f(x_2) \\ =\frac{(x-x_1)(x-x_2)}{(x_0-x_1)(x_0-x_2)}f(x_0)+\frac{(x-x_0)(x-x_2)}{(x_1-x_0)(x_1-x_2)}f(x_1)+\frac{(x-x_0)(x-x_1)}{(x_2-x_0)(x_2-x_1)}f(x_2) \end{gathered}$$

三点插值又称抛物插值。

误差的事后估计方法： 定理 2 给出了当被插函数充分光滑时的插值误差表达式，推论给出了误差的界。但在实际计算中，涉及到高价导数，很难给出较精确的估计，所以常用误差的事后估计。

记 $L_n(x)$ 为 $f(x)$ 以 $x_0,x_1，\cdots ,x_n$ 为结点的插值多项式，对确定的 $x$，我们需要对误差 $f(x)-L_n(x)$ 做出估计。为此，另取一个结点 $x_{n+1}$，记 $L_n^{(1)}(x)$ 为 $f(x)$ 以 $x_1,x_2,\cdots ,x_n,x_{n+1}$ 为结点的插值多项式，由定理2，可得到：
$$\begin{gathered} f(x)-L_n(x)=\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0)(x-x_1)\cdots (x-x_n) \\ f(x)-L_n^{(1)}(x)=\frac{f^{(n+1)}({\xi }_2)}{(n+1)!}(x-x_1)(x-x_2)\cdots (x-x_n)(x-x_{n+1}) \end{gathered}$$
若 $f^{(n+1)}(x)$ 在插值区间上变化不大时，则：
$$\begin{gathered} \frac{f(x)-L_n(x)}{f(x)-L_n^{(1)}(x)}\approx \frac{x-x_0}{x-x_{n+1}} \\ (x-x_{n+1})(f(x)-L_n(x))\approx (x-x_0)(f(x)-L_n^{(1)}(x)) \\ f(x)\approx \frac{x-x_{n+1}}{x_0-x_{n+1}}{L}_n(x)+\frac{x-x_0}{x_{n+1}-x_0}{L}_n^{(1)}(x) \\ 即：f(x)-L_n(x)\approx \frac{x-x_0}{x_0-x_{n+1}}(L_n(x)-L_n^{(1)}(x)) \end{gathered}$$
上式较好地给出了插值误差的实际估计。

差商与牛顿基本插值多项式

对于给定的 $n+1$ 个结点 $x_0,x_1,\cdots ,x_n$，考虑 $n$ 次多项式： N n ( x ) = a 0 + a 1 ( x − x 0 ) + a 2 ( x − x 0 ) ( x − x 1 ) + ⋯ + a n ( x − x 0 ) ( x − x 1