第4章 插值与拟合新1.pptVIP

第四章 插值与拟合 插值与拟合是函数逼近的两个重要方法，常用于求函数的近似表达式或推导经验公式。如何通过这些有限的信息，来求出f(x)的近似表达式，是本章要讨论的问题。 如何解决函数逼近的问题？（插值和拟合） 插值：具体讲就是这样一个问题：已知f(x)在[a,b]上有n+1个互异点x0 , x1 , … , xn处的函数值y0 , y1 , … , yn,即给出f(x)的一个表： 要求f(x)在[a,b]上的近似表达式φ(x)。 如果要求φ(x)严格地通过给定的n+1个点(xi,yi),i=0,1,…,n,即φ(xi)= yi（ i=0,1,…,n ），就称这样的问题为函数插值问题，这样的方法就称为插值法， φ(x)就称为插值函数。xi为插值节点。 从几何意义上看，求φ(x)的问题就是求一条通过已知n+1个点(xi,yi),i=0,1,…,n的曲线来近似的代替未知曲线y = f(x) 。 显然如果不加任何限制，这样的φ(x)有无穷多个。一般地，我们把φ(x)限制在某个函数类中，常用的函数类有多项式、有理函数类、三角函数类、样条函数类等，相应的插值问题分别称为代数插值（多项式插值）、有理插值、三角插值和样条插值。1-5节讨论代数插值，第6节讨论样条插值。 拟合：观测数据(xi,yi)总有一定的误差,严格地要求φ(x) 通过它们，有时效果并不好，尤其当观测数据有很多时，更是如此。 逼近函数f(x) 另一个常用的方法是让φ(x) 近似的通过这些点，使得φ(x) 能大体上反映 f(x) 的变化趋势。我们称这样的函数逼近问题为拟合问题。 与插值问题一样，也有φ(x)的函数类型的选择问题，根据φ(x)的选法不同，拟合问题可分为线性拟合、多项式拟合和非线性拟合等。第7节讨论。 第一节 代数插值 定义1 ：( p66) 已知函数 y = f(x)在区间 [a, b]上有定义，且已知n+1个点 （xi ，y i) ( i=0,1….n ) a≤x0＜x1＜x2＜…＜xn≤b 若存在一个次数不超过n次的代数多项式： Pn (x)=a0 + a1 x + a2 x2.....+ a n x n 满足条件 Pn( xi ) = f ( xi ) = y i (i=0,1,...n) , （4-1） 则称： Pn (x)为 f (x)的插值函数（插值多项式） f (x) 为被插值函数 xi (i=0,1,....n) 为插值节点 [ a , b ]为插值区间 （4-1）称为插值条件 Rn (x) = f (x) - Pn(x) 为插值余项（ Pn(x)近似代替f (x)的截断误差） Pn( xi ) = f ( xi ) = y i (i=0,1,...n) , （4-1） 即：一个n次多项式Pn (x)可以表示为： Pn (x) = a0 + a1 x + a2 x2 ..... + a n x n 它由n+1个系数 a0,a1,… , an所确定，而条件(4-1) 恰好提供了n+1个条件。 用这些插值条件可以确定系数 ai，那么代数插值问题的解是否存在，如果存在是否唯一？下面的定理回答这个问题。 定理1 ：满足 Pn( xi ) = f ( xi ) = y i (i=0,1,...n)(插值条件4-1)的n 次插值多项式 Pn(x) 是存在且是唯一的。 ? 第二节 Lagrange插值多项式 一、两点式的线性插值 1、公式：当n=1时，给定了函数f(x)在两个互异点x0 , x1的值为 y0 = f ( x0 ) , y1 = f ( x1 ) ,要构造一个线性函数p1(x) = ax + b 满足： p1 ( x0 ) = y0 ， p1 ( x0 )= y1 称这样的线性函数为 f(x) 的线性插值函数。 线性插值的几何意义：用通过点(x0， y0) , (x1, y1)的直线近似的代替曲线y = f ( x )。 p1 ( x )的表达式： 点斜式： (4-3) 两点式：