数值分析复习:Newton插值

文章目录

本篇文章适合个人复习翻阅,不建议新手入门使用

牛顿(Newton)插值

插值条件

n+1个插值节点 x 0 , x 1 , ... , x n x_0,x_1,\dots,x_n x0,x1,...,xn 处函数值相同

基函数

{ ω i ( x ) } i = 0 n \{\omega_i(x)\}{i=0}^n {ωi(x)}i=0n,其中 ω i ( x ) = ( x − x 0 ) ( x − x 1 ) ⋯ ( x − x i − 1 ) \omega_i(x)=(x-x_0)(x-x_1)\cdots(x-x{i-1}) ωi(x)=(x−x0)(x−x1)⋯(x−xi−1)称之为节点多项式

插值多项式

∏ n f ( x ) = ∑ i = 0 n f [ x 0 , x 1 , ... , x k ] ω k ( x ) \prod_nf(x)=\sum\limits_{i=0}^nf[x_0,x_1,\dots,x_k]\omega_k(x) n∏f(x)=i=0∑nf[x0,x1,...,xk]ωk(x)其中 f [ x 0 , x 1 , ... , x k ] f[x_0,x_1,\dots,x_k] f[x0,x1,...,xk]称为 f f f 关于点 x 0 , x 1 , ... , x k x_0,x_1,\dots,x_k x0,x1,...,xk的k阶牛顿差商

差商

差商的基本性质

  • n阶差商为n次插值多项式的首项系数
  • 差商值与节点排列顺序无关
  • f [ x 0 , x 1 , ... , x n ] = f ( x n ) − ∏ n − 1 f ( x n ) ω n ( x n ) = ∏ n f ( x n ) − ∏ n − 1 f ( x n ) ω n ( x n ) = ∑ i = 0 n f ( x i ) ω n + 1 ′ ( x i ) \begin{split} f[x_0,x_1,\dots,x_n]&=\frac{f(x_n)-\prod_{n-1}f(x_n)}{\omega_n(x_n)}\\ &=\frac{\prod_nf(x_n)-\prod_{n-1}f(x_n)}{\omega_n(x_n)}\\ &=\sum\limits_{i=0}^n\frac{f(x_i)}{\omega'_{n+1}(x_i)}\\ \end{split} f[x0,x1,...,xn]=ωn(xn)f(xn)−∏n−1f(xn)=ωn(xn)∏nf(xn)−∏n−1f(xn)=i=0∑nωn+1′(xi)f(xi)
  • f [ x 0 , x 1 , ... , x n ] = f [ x 0 , ... , x n − 1 ] − f [ x 1 , ... , x n ] x 0 − x n f[x_0,x_1,\dots,x_n]=\frac{f[x_0,\dots,x_{n-1}]-f[x_1,\dots,x_n]}{x_0-x_n} f[x0,x1,...,xn]=x0−xnf[x0,...,xn−1]−f[x1,...,xn]

证明思路:

第二条性质:

前两个等号容易得到;第三个等号:只需注意到

  • n阶差商是n次Newton插值的首项系数
  • 等式右端是Lagrange插值多项式的首项系数
  • Newton插值、Lagrange插值是同一插值多项式的不同表达
  • 多项式插值的唯一性(由Vandermonde行列式的性质易证)

第三条性质:归纳法可证

差商估计

f [ x 0 , x 1 , ... , x n ] = f ( m ) ( ξ ) m ! f[x_0,x_1,\dots,x_n]=\frac{f^{(m)}(\xi)}{m!} f[x0,x1,...,xn]=m!f(m)(ξ)其中 ξ ∈ ( min ⁡ { x i } , max ⁡ { x i } ) \xi\in(\min\{x_i\},\max\{x_i\}) ξ∈(min{xi},max{xi})

证明思路:构造辅助函数 f ( x ) − ∏ n f ( x ) f(x)-\prod_nf(x) f(x)−∏nf(x),使用 n n n次Rolle中值定理

差商的Leibniz公式

设 f ( x ) = ϕ ( x ) ψ ( x ) f(x)=\phi(x)\psi(x) f(x)=ϕ(x)ψ(x),则
f [ x 0 , x 1 , ... , x n ] = ∑ i = 0 n ϕ ( x 0 , ... , x i ) ψ ( x i , ... , x n ) f[x_0,x_1,\dots,x_n]=\sum\limits_{i=0}^n\phi(x_0,\dots,x_i)\psi(x_i,\dots,x_n) f[x0,x1,...,xn]=i=0∑nϕ(x0,...,xi)ψ(xi,...,xn)

证明思路:对 f , ϕ , ψ f,\phi,\psi f,ϕ,ψ 分别进行Newton插值即可

余项估计

R n ( x ) = f ( x ) − ∏ n f ( x ) = f [ x 0 , x 1 , ... , x n , x ] ∏ i = 0 n ( x − x i ) = f [ x 0 , x 1 , ... , x n , x ] ω n + 1 ( x ) \begin{split} R_n(x)&=f(x)-\prod_nf(x)\\ &=f[x_0,x_1,\dots,x_n,x]\prod\limits_{i=0}^n(x-x_i)\\ &=f[x_0,x_1,\dots,x_n,x]\omega_{n+1}(x)\\ \end{split} Rn(x)=f(x)−n∏f(x)=f[x0,x1,...,xn,x]i=0∏n(x−xi)=f[x0,x1,...,xn,x]ωn+1(x)

参考书籍:《数值分析》李庆扬 王能超 易大义 编

相关推荐
邓校长的编程课堂23 分钟前
助力信息学奥赛-VisuAlgo:提升编程与算法学习的可视化工具
学习·算法
missmisslulu38 分钟前
电容笔值得买吗?2024精选盘点推荐五大惊艳平替电容笔!
学习·ios·电脑·平板
yunhuibin1 小时前
ffmpeg面向对象——拉流协议匹配机制探索
学习·ffmpeg
Ljubim.te1 小时前
软件设计师——数据结构
数据结构·笔记
hengzhepa1 小时前
ElasticSearch备考 -- Search across cluster
学习·elasticsearch·搜索引擎·全文检索·es
蜡笔小新星2 小时前
Python Kivy库学习路线
开发语言·网络·经验分享·python·学习
攸攸太上2 小时前
JMeter学习
java·后端·学习·jmeter·微服务
speop2 小时前
【笔记】I/O总结王道强化视频笔记
笔记·音视频
Ljubim.te3 小时前
Linux基于CentOS学习【进程状态】【进程优先级】【调度与切换】【进程挂起】【进程饥饿】
linux·学习·centos
墨@#≯3 小时前
机器学习系列篇章0 --- 人工智能&机器学习相关概念梳理
人工智能·经验分享·机器学习