数值分析学习笔记——牛顿插值多项式

2.3 均差与牛顿插值多项式

1.均差定义：定义$f[x_0,x_k]=\frac{f(x_k)-f(x_0)}{x_k-x_0}$为函数$f(x)$关于点$x_0$,$x_k$的一阶均差，定义$f[x_0,x_1,x_k]=\frac{f[x_0,x_k]-f[x_0,x_1]}{x_k-x_1}$为函数$f(x)$关于点$x_0$,$x_1$,$x_k$的二阶均差，则定义
$$f[x_0,x_1,\cdots ,x_k]=\frac{f[x_0,x_1,\cdots ,x_{k-2},x_k]-f[x_0,x_1,\cdots ,x_{k-2},x_{k-1}]}{x_k-x_{k-1}}=\sum _{j=0}^n\frac{f(x_j)}{{\omega }_n^{\prime }(x_j)}\text{\hspace{1em}(1.17)}$$
为函数$f(x)$关于$x_0,x_1,,\cdots ,x_k$的k阶均差（k阶差商）

2.均差性质：

（1）若$f(x)$在$[a,b]$上存在$n$阶导数，且节点$x_0,x_1,\cdots ,x_n\in [a,b]$，则n阶均差与导数关系
$$f[x_0,x_1,\cdots ,x_n]=\frac{f^{(n)}(\xi )}{n!},\xi \in [a,b]\text{\hspace{1em}(1.18)}$$
（可采用罗尔定理证明）

（2）均差对称性
$$f[x_0,x_1,\cdots ,x_k]=f[x_1,x_0,x_2,\cdots ,x_k]=\cdots =f[x_1,\cdots ,x_k,x_0]$$
（3）由（1.17）式子和均差性质（2）得
$$f[x_0,x_1,\cdots ,x_k]=\frac{f[x_0,x_1,\cdots ,x_{k-2},x_k]-f[x_0,x_1,\cdots ,x_{k-2},x_{k-1}]}{x_k-x_{k-1}}\text{\hspace{1em}(1.17-C)}$$
3.均差形式的牛顿插值多项式（插值节点任意分布情况使用）

由一次插值多项式得
$$\begin{array}{rl}{P}_1(x)& =P_0(x)+f[x_0,x_1](x-x_0)\\ & =f(x_0)+f[x_0,x_1](x-x_0)\end{array}$$
由二次插值多项式得
$$\begin{array}{rl}{P}_2(x)& =P_1(x)+f[x_0,x_1,x_2](x-x_0)(x-x_1)\\ & =f(x_0)+f[x_0,x_1](x-x_0)(x-x_1)\end{array}$$

根据均差定义，将$x$看成$[a,b]$上的一点，得
$$\begin{gathered} f(x)=f(x_0)+f[x,x_0](x-x_0) \\ f[x,x_0]=f[x_0,x_1]+f[x,x_0,x_1](x-x_1) \\ ⋮ \\ f[x,x_0,\cdots ,x_{n-1}]=f[x_0,x_1,\cdots ,x_n]+f[x,x_0,\cdots ,x_n](x-x_n) \end{gathered}$$
叠加后得
$$\begin{array}{rl}f(x)& =f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots \\ & +f[x_0,x_1,\cdots ,x_n](x-x_0)\cdots (x-x_{n-1})+f[x,x_0,\cdots ,x_n]{\omega }_{n+1}(x)\\ & =P_n(x)+R_n(x)\end{array}$$
其中
$$\begin{array}{rl}{P}_n(x)& =f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots \\ & +f[x_0,x_1,\cdots ,x_n](x-x_0)\cdots (x-x_{n-1})\end{array}\text{\hspace{1em}(1.19)}$$

$$\begin{array}{r}{R}_n(x)=f(x)-P_n(x)=f[x,x_0,\cdots ,x_n]{\omega }_{n+1}(x)\end{array}\text{\hspace{1em}(1.20)}$$

对于多项式$P_n(x)$满足$P_n(x_i)=f(x_i)$，且次数不超过n，将$P_n(x)$表示为
$$P_n(x)=a_0+a_1(x-x_0)+\cdots +a_n(x-x_0)\cdots (x-x_{n-1})$$
其中
$$a_k=f[x_0,x_1,\cdots ,x_n],k=0,1,\cdots ,n$$
称$P_n(x)$为牛顿均差插值多项式，余项为
$$R_n(x)=f(x)-P_n(x)=f[x_0,x_1,\cdots ,x_n]{\omega }_{n+1}(x)\text{\hspace{1em}(1.21)}$$
4.差分形式的牛顿均值多项式（等距节点分布情况使用）

对于$x_k=x_0+kh$此类的节点分布，$h$为步长；设$x_k$对应的函数值$f_k=f(x_k),k=0,1,\cdots ,n$，称$\Delta f_k=f_{k+1}-f_k$为$x_k$处以$h$为步长的一阶（向前）差分；称${\Delta }^2{f}_k=\Delta f_{k+1}-\Delta f_k$为$x_k$处的二阶差分，一般地称
$${\Delta }^n{f}_k={\Delta }^{n-1}{f}_{k+1}-{\Delta }^{n-1}{f}_k\text{\hspace{1em}(1.22)}$$
为$x_k$​处的n阶差分

定义$I{f}_k=f_k,E{f}_k=f_{k+1}$，其中$I$为不变算子，$E$为步长为$h$的位移算子
$$\Delta f_k=f_{k+1}-f_k=E{f}_k-I{f}_k=(E-I)f_k$$

$${\Delta }^n{f}_k=\sum _{j=0}^n(-1{)}^j\left(\begin{array}{c}n\\ j\end{array}\right)E^{n-j}{f}_k=\sum _{j=0}^n(-1{)}^j\left(\begin{array}{c}n\\ j\end{array}\right)f_{n+k-j}\text{\hspace{1em}(1.23)}$$

其中$\left(\begin{array}{c}n\\ j\end{array}\right)=\frac{n(n-1)\cdots (n-j+1)}{j!}$为二项式展开系数，由此（1.21）式能够将各阶差分通过函数值给出；而也可以用各阶差分表示函数值
$$f_{n+k}=E^n{f}_k=(I+\Delta {)}^n{f}_k=\sum _{j=0}^n\left(\begin{array}{c}n\\ j\end{array}\right){\Delta }^i{f}_k\text{\hspace{1em}(1.24)}$$
均差和差分的关系
$$f[x_k,\cdots ,x_{k+m}]=\frac{1}{m!}\frac{1}{h^m}{\Delta }^m{f}_k,m=1,2,\cdots ,n\text{\hspace{1em}(1.25)}$$
由（1.18）式均差与导数的关系，得到差分与导数（微商）的关系为
$${\Delta }^n{f}_k=h^n{f}^n(\xi ),\xi \in (x_k,x_{k+1})\text{\hspace{1em}(1.26)}$$
在（1.19）式中，均差部分都采用差分代替，即通过（1.25）式替换，且令$x=x_0+th$，得
$$\begin{gathered} P_n(x)=P_n(x_0+th)=f_0+t\Delta f_0+\frac{t(t-1)}{2!}{\Delta }^2{f}_0+\cdots \\ +\frac{t(t-1)\cdots (t-n+1)}{n!}{\Delta }^n{f}_0\text{\hspace{1em}(1.27)} \end{gathered}$$
称（1.27）式为牛顿前插公式，余项为
$$R_n(x)=f(x)-P_n(x)=\frac{t(t-1)\cdots (t-n)}{(n+1)!}{h}^{n+1}{f}^{n+1}(\xi ),\xi \in (x_0,x_n)\text{\hspace{1em}(1.28)}$$
误差分析时可以写成
$$|R_n(x)|\le \frac{M_{n+1}}{(n+1)!}|t(t-1)\cdots (t-n)|h^{n+1}\text{\hspace{1em}(1.29)}$$
其中$f^{(n+1)}(\xi )\le M_{n+1}$