Interpolation and Polynomial Approximation¶
约 701 个字 1 张图片 预计阅读时间 2 分钟
Polynomial Interpolation¶
Definition :: Interpolation
给定一个函数 \(f(x)\) 在多个不同的点 \(x_i\) 处的函数值 \(f(x_i)\),插值是指构造一个近似函数 \(g(x)\),使得 \(g(x_i) = f(x_i)\),并且 \(g(x)\) 可以较好地逼近函数 \(f(x)\).
多项式插值的理论基础:Weierstrass Approximation Theorem
即任意连续函数都可以使用一个多项式来近似.
Lagrange Polynomials¶
Definition :: Lagrange Polynomials
对于函数 \(f(x)\) 在其定义域上的 \(n+1\) 个互异点 \(x_0, x_1, \cdots, x_n\),存在次数不超过 \(n\) 的多项式 \(P(x)\),使得 \(\forall k = 0, 1, \cdots, n\),
该多项式被称为 \(n\) 阶 Lagrange 插值多项式.
Theorem :: Lagrange 插值多项式的唯一性
按照上述方法定义的 Lagrange 插值多项式 \(P(x)\) 是唯一的,其表达式为
其中 \(L_{n,k}(x)\) 是 \(n\) 阶 Lagrange 插值基函数,满足
Theorem :: Lagrange 插值多项式的余项
若 \(f \in C^{n+1}[a,b]\),插值点 \(x_0, x_1, \cdots, x_n\) 互异且落在 \([a,b]\) 上,则对于任意 \(x \in [a,b]\),存在 \(\xi(x) \in (a,b)\),使得
Hint:类比 Taylor 展开的 Lagrange 余项来记忆.
Example :: 插值误差上界的估计
一般来说,
- 内插的误差比外插的误差小
- 选择更多的插值点时的误差较小,但是一方面由于次数增加会带来更多的舍入误差,另一方面还会出现荣格现象
我们发现从头计算 \(n\) 阶 Lagrange 插值多项式是较麻烦的,因此我们考虑使用递推法进行计算,为了在已知低阶 Lagrange 插值多项式的情况下计算更高阶的 Lagrange 插值多项式,我们引入 Neville's Method:
Theorem :: Neville's Method
对于任意函数 \(f(x)\) 和插值点 \(x_0, x_1, \cdots, x_n\),取 \(\{x_i\}\) 的一个子集 \(\{x_{m_i}\}, \enspace i = 1, 2, \cdots, k\),定义以 \(x_{m_1}, x_{m_2}, \cdots, x_{m_k}\) 为插值点的 \(k-1\) 阶 Lagrange 插值多项式为 \(P_{m_1, m_2, \cdots, m_k}(x)\),则
于是我们可以参照以下顺序计算 \(P_{0, 1, \ldots, n}(x)\):