关于插值法的一些总结

插值法

许多实际问题都用函数$y=f(x)$来表示某种内在规律的数量关系,其中相当一部分函数是通过实验或观测得到的,虽然$f(x)$在某个区间$[a,b]$上是存在的,其中一些是连续的，但是有相当的一部分却只能给出$[a,b]$上一系列点$x_i$的函数值$y_i=f(x_i),(i=0,1,\cdots ,n)$,这相当于是一张函数表.有的函数虽然有表达式,但是由于计算复杂,使用起来很不方便,通常也是造一个函数表,但是由于一些情况下,需要求出不在表上的函数值.
因此,我们可以根据给定的函数表做一个既能反应$f(x)$特性又便于计算的简单函数$P(x)$用$P(x)$近似$f(x)$.通常选一类较简单的函数(如代数多项式或分段代数多项式)作为$P(x)$,并使$P(x_i)=f(x_i)$对$i=0,1,\cdots ,n$成立.这样确定的$P(x)$就是插值函数.

• 设函数$y=f(x)$在区间$[a,b]$上有定义,且已知在点$a\le x_0<x_1<\cdots <x_n\le b$上的值$y_0,y_1,\cdots ,y_n$,若存在一简单函数$P(x)$,使
  $P(x_i)=y_i,(i=0,1,\cdots ,x_n)$
  成立,就称$P(x)$为$f(x)$的插值函数,点$x_0,x_1,\cdots ,x_n$称为插值节点,包含插值节点的区间$[a,b]$称为插值空间,求插值函数$P(x)$的方法称为插值法.若$P(x)$是次数不超过$n$的代数多项式,即
  $P(x)=a_0+a_{1}x+\cdots +a_n{x}^n$,
  其中$a_i$为实数,就称$P(x)$为插值多项式,相应的插值法称为多项式插值.若$P(x)$为分段的多项式,就称为分段插值.

拉格朗日插值

首先$n=1$的情况下,假定区间$[x_k,x_{k+1}]$及端点函数值$y_k=f(x_k),y_{k+1}=f(x_{k+1})$,要求线性插值多项式$L_1(x)$,使之满足
$L_1(x_k)=y_k,L_1(x_{k+1})=y_{k+1}$.
$y=L_1(x)$的几何意义就是通过$(x_k,y_k),(x_{k+1},y_{k+1})$两点的直线.由几何意义直接给出
$L_1(x)=y_k+\frac{y_{k+1}-y_k}{x_{k+1}-x_k}(x-x_k)$ (点斜式),
$L_1(x)=\frac{x_{k+1}-x}{x_{k+1}-x_k}{y}_k+\frac{x-x_k}{x_{k+1}-x_k}{y}_{k+1}$(两点式).
由两点式可以看出,$L_1(x)$是由两个线性函数
$l_k(x)=\frac{x-x_{k+1}}{x_k-x_{k+1}},l_{k+1}(x)=\frac{x-x_k}{x_{k+1}-x_k}$的线性组合得到,其系数分别为$y_k,y_{k+1}$
$L_1(x)=y_k{l}_k(x)+y_{k+1}{l}_{k+1}(x)$.其中函数$l_k(x),l_{k+1}(x)$为线性插值基函数

当$n=2$的情况.假定插值节点为$x_{k-1},x_k,x_{k+1}$,其二次插值多项式$L_2(x)$使其满足
$L_2(x_j)=y_j,(j=k-1,k,k+1)$,此时$y=L_2(x)$在几何意义上是通过$(x_{k-1},y_{k-1}),(x_k,y_k),(x_{k+1\ast },y_{k+1})$三点的抛物线
该节点满足:
$\{\begin{array}{l}{l}_{k-1}(x_{k-1})=1,l_{k-1}(x_j)=0,(j=k,k+1)\\ l_k(x_k)=1,l_k(x_j)=0,(j=k-1,k+1)\\ l_{k+1}(x_{k+1})=1,l_{k+1}(x_j)=0,(j=k-1,k)\end{array}$,由它的两个零点有:
$l_{k-1}(x)=A(x-x_k)(x-x_{k+1})$,其中$A$为待定系数,由条件$l_{k-1}(x_{k-1})=1⟹A=\frac{1}{(x_{k-1}-x_k)(x_{k-1}-x_{k+1})}$所以有:
$\{\begin{array}{l}{l}_{k-1}(x)=\frac{(x-x_k)(x-x_{k+1})}{(x_{k-1}-x_k)(x_{k-1}-x_{k+1})}\\ l_k(x)=\frac{(x-x_{k-1})(x-x_{k+1})}{(x_k-x_{k-1})(x_k-x_{k+1})}\\ l_{k+1}(x)=\frac{(x-x_{k-1})(x-x_k)}{(x_{k+1}-x_{k-1})(x_{k+1}-x_k)}\end{array}$
$L_2(x)=y_{k-1}{l}_{k-1}(x)+y_k{l}_k(x)+y_{k+1}{l}_{k+1}(x)$,带入上式得:
$L_2(x)=y_{k-1}\frac{(x-x_k)(x-x_{k+1})}{(x_{k-1}-x_k)(x_{k-1}-x_{k+1})}+y_k\frac{(x-x_{k-1})(x-x_{k+1})}{(x_k-x_{k-1})(x_k-x_{k+1})}+y_{k+1}\frac{(x-x_{k-1})(x-x_k)}{(x_{k+1}-x_{k-1})(x_{k+1}-x_k)}$

拉格朗日插值多项式

• 若$n$次多项式$l_j(x)(j=0,1,\cdots ,n)$在$n+1$个节点$x_0<x_1<\cdots <x_n$满足条件
  $l_j(x_k)=\{\begin{array}{l}1,k=j;\\ 0,k\ne j.\end{array}(j,k=0,1,\cdots ,n)$就称这$n+1$个$n$次多项式$l_0(x),l_1(x),\cdots ,l_n(x)$为节点$x_0,x_1,\cdots ,x_n$上得$n$次插值基函数.由此得到$n$次插值得基函数:
  $l_k(x)=\frac{(x-x_0)\cdots (x-x_{k-1})(x-x_{k+1})\cdots (x-x_n)}{(x_k-x_0)\cdots (x_k-x_{k-1})(x_k-x_{k+1})\cdots (x_k-x_n)},(k=0,1,\cdots ,n)$
  插值多项式$L_n(x)$可表示为:
  $L_n(x)={\sum }_{k=0}^n{y}_k{l}_k(x)$.
  由$l_k(x)$的定义知:
  $L_n(x_j)={\sum }_{k=0}^n{y}_k{l}_k(x_j)=y_j,(j=0,1,\cdots ,n)$,形如上式$L_n(x)$称为拉格朗日(Lagrange)插值多项式.

若引入记号
${\omega }_{n+1}(x)=(x-x_0)(x-x_1)\cdots (x-x_n)$,
${\omega }_{n+1}^{\prime }(x_k)=(x_k-x_0)\cdots (x_k-x_{k-1})(x_k-x_{k+1})\cdots (x_k-x_n)⟹L_n(x)={\sum }_{k=0}^n{y}_k\frac{{\omega }_{n+1}(x)}{(x-x_k){\omega }_{n+1}^{\prime }(x_k)}.$

插值余项与误差估计
若在$[a,b]$上用$L_n(x)$近似$f(x)$,则其截断误差为$R_n(x)=f(x)-L_n(x)$,也称作插值多项式余项.

定理:设$f^n(x)$在$[a,b]$上连续,$f^{(n+1)}(x)$在$(a,b)$内存在节点$a\le x_0<x_1<\cdots <x_n\le b$,$L_n(x)$是满足条件$的插值多项式,则对任何的 $x\in [a,b]$,插值余项 $R_n(x)=f(x)-L_n(x)=\frac{f^{n+1}(\xi )}{(n+1)!}{\omega }_{n+1}(x)$,这里$\xi \in (a,b)$且依赖于$x$
证明:由给定条件知$R_n(x)$在节点$x_k(k=0,1,\cdots ,n)$上为0.即$R_n(x_k)=0(k=0,1,\cdots ,n)$于是
$R_n(x)=K(x)(x-x_0)(x-x_1)\cdots (x-x_n)=K(x){\omega }_{n+1}(x)$,其中$K(x)$是与$x$有关的待定函数.
现把$x$看成$[a,b]$上的一个固定点,作函数
$\phi (t)=f(t)-L_n(t)-K(x)(t-x_0)(t-x_1)\cdots (t-x_n)$,
$\phi (t)$在点$x_0,x_1,\cdots ,x_n$及$x$处均为0.根据罗尔定理,
${\phi }^{(n+1)}(\xi )=f^{(n+1)}(\xi )-(n+1)!K(x)=0$
$K(x)=\frac{f^{(n+1)(\xi )}}{(n+1)!},\xi \in (a,b)$且依赖于$x$.
令$ma{x}_{a<x<b}|f^{(n+1)}(x)|=M_{n+1}$,插值多项式$L_n(x)$逼近$f(x)$的阶段误差限是
$|R_n(x)|\le \frac{M_{n+1}}{(n+1)!}|{\omega }_{n+1}(x)|$.*

均差

将插值多项式表示为便于计算的形式有:
$P_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0)(x-x_1)+\cdots +a_n(x-x_0)\cdots (x-x_{n-1})$,其中$a_0,a_1,\cdots ,a_n$为待定系数,可由插值条件
$P_n(x_j)=f_j,(j=0,1,\cdots ,n)$

当$x=x_0$时,$P_n(x_0)=a_0=f_0$
当$x=x_1$时,$P_n(x_1)=a_0+a_1(x-x_0)=f_1⟹a_1=\frac{f_1-f_0}{x_1-x_0}$
当$x=x_2$时,$P_n(x_2)=a_0+a_1(x_2-x_0)+a_1(x_2-x_0)+a_2(x_2-x_0)(x_2-x_1)=f_2⟹a_2=\frac{\frac{f_2-f_0}{x_2-x_0}-\frac{f_1-f_0}{x_1-x_0}}{x_2-x_1}$

• 称$f[x_0,x_k]=\frac{f(x_k)-f(x_0)}{x_k-x_0}$为函数$f(x)$关于点$x_0,x_k$的一阶均差.$f[x_0,x_1,x_k]=\frac{f[x_0,x_k]-f[x_0,x_1]}{x_k-x_1}$称为$f(x)$的二阶均差,称
  $f[x_0,x_1,\cdots ,x_k]=\frac{f[x_0,\cdots ,x_{k-2},x_k]-f[x_0,x_1,\cdots ,x_{k-1}]}{x_k-x_{k-1}}$为$f(x)$的$k$阶均差(均差也称为差商).

$x_k$	$f(x_k)$	一阶均差	二阶均差	三阶均差	四阶均差
$x_0$	$\underline{f(x_0)}$
$x_1$	$f(x_1)$	$\underline{f[x_0,x_1]}$
$x_2$	$f(x_2)$	$f[x_1,x_2]$	$\underline{f[x_0,x_1,x_2]}$
$x_3$	$f(x_3)$	$f[x_2,x_3]$	$f[x_1,x_2,x_3]$	$\underline{f[x_0,x_1,x_2,x_3]}$
$x_4$	$f(x_4)$	$f[x_3,x_4]$	$f[x_2,x_3,x_4]$	$f[x_1,x_2,x_3,x_4]$	$\underline{f[x_0,x_1,x_2,x_3,x_4]}$

牛顿插值公式

根据定义,把$x$看成$[a,b]$上一点,可得
$f(x)=f(x_0)+f[x,x_0](x-x_0)$,
$f[x,x_0]=f[x_0,x_1]+f[x,x_0,x_1](x-x_1),\cdots$
$f[x,x_0,\cdots ,x_{n-1}]=f[x_0,x_1,\cdots ,x_n]+f[x,x_0,\cdots ,x_n](x-x_n)$.
将后式代入前式有:
$f(x)=f(x_0)+f[x_0,x_1](x-x_0)$
$+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots$
$+f[x_0,x_1,\cdots ,x_n](x-x_0)\cdots (x-x_{n-1})$
$+f[x,x_0,\cdots ,x_n]{\omega }_{n+1}(x)=N_n(x)+R_n(x)$,其中
$N_n(x)=f(x_0)f[x_0,x_1](x-x_0)$
$+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots$
$+f[x_0,x_1,\cdots ,x_n](x-x_0)\cdots (x-x_{n-1})$,
$R_n(x)=f(x)-N_n(x)=f[x,x_0,\cdots ,x_n]{\omega }_{n+1}(x)$.
$N_n(x)$即为牛顿均差插值多项式.