分片线性插值函数最大误差(无穷范数误差)收敛阶的详细推导

分片线性插值函数最大误差(无穷范数误差)收敛阶的详细推导

假设我们要在区间$[x_i,x_{i+1}]$上进行分片线性插值。我们用 $L(x)$ 表示这个区间上的分片线性插值函数，用 (f(x)) 表示实际的函数。

泰勒展开与误差估计

为了估计误差，我们可以对 $f(x)$进行泰勒展开。在 $x_i$ 处展开得到：
$$f(x)=f(x_i)+f^{\prime }(x_i)(x-x_i)+\frac{f^{\prime \prime }(\xi )}{2}(x-x_i{)}^2$$
其中，$\xi$ 是 $x$ 和 $x_i$ 之间的某个点。

分片线性插值函数 $L(x)$ 在区间 $[x_i,x_{i+1}]$ 上的表达式为：
$$L(x)=\frac{x_{i+1}-x}{x_{i+1}-x_i}f(x_i)+\frac{x-x_i}{x_{i+1}-x_i}f(x_{i+1})$$

因为 $L(x)$ 是线性的，可以将其表示为：
$$L(x)=f(x_i)+\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}(x-x_i)$$

误差表达式

误差$E(x)$ 是实际函数值 $f(x)$和插值函数值$L(x)$ 之间的差异：
$$E(x)=f(x)-L(x)$$

我们将泰勒展开的表达式与线性插值函数进行比较，得到：
$$E(x)=f(x_i)+f^{\prime }(x_i)(x-x_i)+\frac{f^{\prime \prime }(\xi )}{2}(x-x_i{)}^2-\left[f(x_i)+\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}(x-x_i)\right]$$

简化得：
$$E(x)=f^{\prime }(x_i)(x-x_i)+\frac{f^{\prime \prime }(\xi )}{2}(x-x_i{)}^2-\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}(x-x_i)$$

由于 $f(x_{i+1})$可以用泰勒展开表示为：
$$f(x_{i+1})=f(x_i)+f^{\prime }(x_i)(x_{i+1}-x_i)+\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i{)}^2$$
其中 ${\xi }^{\prime }$ 是 $[x_i,x_{i+1}]$上的某个点。

因此，$\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}$ 可以近似表示为：
$$\frac{f(x_{i+1})-f(x_i)}{x_{i+1}-x_i}\approx f^{\prime }(x_i)+\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i)$$

代入得到：
$$E(x)=f^{\prime }(x_i)(x-x_i)+\frac{f^{\prime \prime }(\xi )}{2}(x-x_i{)}^2-\left[f^{\prime }(x_i)+\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i)\right](x-x_i)$$

继续简化，我们得到：
$$E(x)=\frac{f^{\prime \prime }(\xi )}{2}(x-x_i{)}^2-\frac{f^{\prime \prime }({\xi }^{\prime })}{2}(x_{i+1}-x_i)(x-x_i)$$

将误差整理成一个更简洁的形式：
$$E(x)\approx \frac{f^{\prime \prime }(\xi )}{2}(x-x_i)(x-x_{i+1})$$

最大误差的估计

我们可以进一步分析这个误差表达式来找到最大误差的位置。在区间 $[x_i,x_{i+1}]$ 上，$(x-x_i)(x-x_{i+1})$ 在 $x=\frac{x_i+x_{i+1}}{2}$ 处取最大值。对于$[x_i,x_{i+1}]$ 上的中点 $x=\frac{x_i+x_{i+1}}{2}$ ，我们可以计算误差：
$$E\left(\frac{x_i+x_{i+1}}{2}\right)=\frac{f^{\prime \prime }(\xi )}{2}\left(\frac{x_i+x_{i+1}}{2}-x_i\right)\left(\frac{x_i+x_{i+1}}{2}-x_{i+1}\right)$$

简化得：
$$E\left(\frac{x_i+x_{i+1}}{2}\right)=\frac{f^{\prime \prime }(\xi )}{2}\left(\frac{x_{i+1}-x_i}{2}\right)\left(-\frac{x_{i+1}-x_i}{2}\right)$$

$$E\left(\frac{x_i+x_{i+1}}{2}\right)=-\frac{f^{\prime \prime }(\xi )}{2}{\left(\frac{x_{i+1}-x_i}{2}\right)}^2$$

$$E\left(\frac{x_i+x_{i+1}}{2}\right)=-\frac{f^{\prime \prime }(\xi )}{2}\cdot \frac{(x_{i+1}-x_i{)}^2}{4}$$

$$E\left(\frac{x_i+x_{i+1}}{2}\right)=-\frac{f^{\prime \prime }(\xi )}{8}(x_{i+1}-x_i{)}^2$$

总结

我们可以看到，在区间$[x_i,x_{i+1}]$ 上，分片线性插值的最大误差为：
$$|E(x){|}_{\text{max}}\approx \frac{|f^{\prime \prime }(\xi )|}{8}(x_{i+1}-x_i{)}^2$$

这个结果表明分片线性插值的最大误差与区间长度的平方成正比，并且与函数的二阶导数成正比。这解释了为什么误差随区间变短而减少，因为误差是 $\Delta x^2$ 的量级。

令$h=x_{i+1}-x_i$，也就是说分片线性插值的最大误差是二阶收敛$O(h^2)$, 。

图示与直观理解

通过图示可以更直观地理解这个误差。设想一个光滑的函数 $f(x)$ 和它的分片线性插值函数$L(x)$。在每个区间的中点处，插值函数和实际函数之间的距离（误差）最大。通过减少区间长度（增加插值点），可以降低误差。

示例代码

我们可以用代码来验证这个结论，并通过图形展示误差的变化。

import numpy as np
import matplotlib.pyplot as plt

# 定义函数和插值点
x = np.linspace(0, np.pi, 100)
f = np.sin(x)
xi = np.linspace(0, np.pi, 10)
fi = np.sin(xi)

# 分片线性插值
L = np.interp(x, xi, fi)

# 计算误差
error = f - L

# 绘制函数和插值结果
plt.figure(figsize=(10, 5))
plt.plot(x, f, label='原函数 $\sin(x)$')
plt.plot(x, L, label='分片线性插值', linestyle='--')
plt.scatter(xi, fi, color='red', label='插值点')
plt.legend()
plt.title('分片线性插值和 $\sin(x)$ 的比较')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.grid(True)
plt.show()

# 绘制误差
plt.figure(figsize=(10, 5))
plt.plot(x, error, label='误差 $E(x)$')
plt.title('分片线性插值的误差')
plt.xlabel('x')
plt.ylabel('误差 $E(x)$')
plt.legend()
plt.grid(True)
plt.show()

# 输出最大误差
max_error = np.max(np.abs(error))
print(f'最大误差: {max_error}')

这个代码展示了$\sin (x)$ 的分片线性插值，并计算和绘制误差曲线。通过观察误差曲线，可以验证在中点附近误差最大，并且误差随着区间长度的平方减少。