讲：chLagrange插值ami.pptVIP

内容小结 Lagrange插值余项与误差估计 这个结果与六位有效数字的正弦函数表完全一样，这说明查表时用二次插值精度已相当高了。其截断误差为 Lagrange插值余项与误差估计 其中 于是 Lagrange插值余项与误差估计 将[0,?/2] n等分，用g(x)=cos(x)产生n+1个节点，作Ln(x)（取n=1,2) ,计算cos(?/6)。 若n=1, 则(x0,y0)=(0,1), (x1,y1)=(?/2,0), 例2 解 cos(?/6)=0.6667 Lagrange插值余项与误差估计 cos(?/6)=L2(?/6)=0.8508 精确值：cos (?/6)=0.8660 Lagrange插值余项与误差估计 Runge现象: 四、拉格朗日插值多项式的振荡 x0=0; x1=1.5; x2=5.1; y0=-1; y1=4.25; y2=35.21; m[0]=(x-x1)(x-x2)/((x0-x1)(x0-x2)); m[1]=(x-x0)(x-x2)/((x1-x0)(x1-x2)); m[2]=(x-x0)(x-x1)/((x2-x0)(x2-x1)); L[x_,n_]:=y0*m[0]+y1*m[1]+y2*m[2] L[x,n] Simplify[%]//N Lagrange程序1 因式分解形式的化简或展开 Lagrange插值多项式的振荡 x[0]=1; x[1]=10; x[2]=11; x[3]=15; x[4]=16; w[x]=Product[x-x[i],{i,0,4}]; l0x=w[x]/(D[w[x],x]/.x-x[0])/(x-x[0]); l1x=w[x]/(D[w[x],x]/.x-x[1])/(x-x[1]); l2x=w[x]/(D[w[x],x]/.x-x[2])/(x-x[2]); l3x=w[x]/(D[w[x],x]/.x-x[3])/(x-x[3]); l4x=w[x]/(D[w[x],x]/.x-x[4])/(x-x[4]); 程序2 Lagrange插值多项式的振荡 y0=1; y1=2; y2=3; y3=4; y4=5; L[x_,n_]:=y0*l0x+y1*l1x+y2*l2x+y3*l3x+y4*l4x; L[x,n] Expand[%] 展开乘积与幂，即把多项式写成单个项的和的形式 Lagrange插值多项式的振荡 f[x_]:=Exp[x] A=Table[{x,f[x]},{x,0,0.8,0.2}]//N g1=ListPlot[Table[A],Prolog-AbsolutePointSize[18]]; Interpolation[A,InterpolationOrder-3] g2=Plot[%[x],{x,0,0.8}] Show[g1,g2] N[%%%[0.12],20] N[%%%%[0.72],20] N[f[0.12],20] N[f[0.72],20] 插值法主程序 Lagrange插值多项式的振荡 1. 插值法概述； 内 容 小 结 2. 一般插值多项式原理； 3. 拉格朗日插值； 4. 拉格朗日插值余项和误差估计； 5. 拉格朗日插值多项式的构造。 X={x0,x1,x2,x3}={10,11,12,13}; y={y0,y1,y2,y3}={2.3026,2.3979,2.4849,2.5649}; A=Transpose[Table[{x0^j,x1^j,x2^j,x3^j},{j,0,3}]]; MatrixForm[%]; AA=LinearSolve[A,y]//N X1={1,x,x^2,x^3}; X1.AA N[%/.x-11.75,10] 可产生向量、矩阵等 一般插值多项式的原理 A={{0,-1},{1.5,4.25},{5.1,35.21}} g1=ListPlot[Table[A],Prolog-AbsolutePointSize[10]]; Interpolation[A,InterpolationOrder-2] g2=Plot[%[x],{x,0,5.1}]; Show[g1,g2] N[%%%[3.66],5] 绘制点图 点的绝对直径 插值、插入 一般插值多项式的原理 插 值 法 Lagrange 插值 Newton 插值 样条插值 误差估计 分段插值 两点式 点斜式 等距节点 算法比较 推广方法 均差 差分 知识结构框图 第二章 插值法 插值法 插值法的一般理论 Lagrange插值 Newton插值 分段低次插值 Hermite插值、样条插值 实际问题 期望 试验数据 观测数据 期望 内在规律 期望 函数关系 一、数学的期