当前课程知识点:计算方法 > 第4章 插值法 > 4.2 Lagrange插值 > 4.2 Lagrange插值
今天我们讲第二节
拉格朗日插值
首先我们来考察线性插值
给定两个点
(x0,y0),
(x1,y1)
这里我们假设x0不等于x1
求次数不超过1次的多项式
P1(x)
满足P1(x0)=y0
P1(x1)=y1
从几何上看
满足以上条件的
P1(x)它的图形
就是过两点
(x0,y0),(x1,y1)的一条直线
由点斜式
我们可以很容易的写出
P1(x)的表达式
那么我们再将P1(x)表达式
改写成对称式得到下面的式子
我们将两个分式用L10(x)
和L11(x)来表示
那么P1(x)就可以表示成
L10(x)
与L11(x)的线性组合组合
组合系数就是y0与y1
下面我们来分析一下这两个分式
首先由定义可以看出
L10(x)与L11(x)
它们都是一次式
L10(x)
在节点x0的值是1
在x1点的值是0
L11(x)
它在节点x0的值取0
在x1点的值取1
这两个函数
我们称其为
以x0,x1为节点的一次
拉格朗日插值基函数
每个节点都有一个基函数
由于一次插值有两个节点
因此一次插值有两个基函数
P1(x)就可以表示成
这两个基函数的线性组合
这里我们要注意
基函数的下标
它有两个下标
第一个下标
表示次数
这两个基函数都是一次的
第二个下标
对应于
取值为1的那个节点的下标
比如说L10(x)
它的第2个下标是零
那也就是说
它在x0点取值为1
以上我们介绍了一次插值
一次插值的这种方法
叫做基函数法
下面我们将这种方法
推广到n次插值
给定n+1个点
(x0,y0),
(x1,y1),…,(xn,yn)
求次数小于等于n次的多项式
Pn(x)
满足插值条件
Pn(x0)=y0
Pn(x1)=y1
一直到Pn(xn)=yn
我们仿照线性插值的方法
将Pn(x)
表示为
n+1个基函数的线性组合
注意
由于n次插值有n+1个节点
所以应该有n+1个基函数
那么基函数满足什么条件呢
由于Pn(x)它是不超过
n次多项式
并且要满足插值条件
所以我们要求
这n+1个基函数
应该都是n次多项式
在节点处
它们要满足
Lnj(xi)
当i不等于j时取值为零
当i等于j时取值为1
也就是说
这n+1个基函数在节点处要满足
下述的条件
满足这样条件的Lnj(x)
如何来构造
我们来考察
Lnj(x)的表达式
从Lnj(x)在节点处的取值
可以看出
除了节点xj
它在其他节点的取值都是0
这说明Lnj(x)
有n个零点
由于Lnj(x)还是n次式
那么我们就可以
把Lnj(x)
设为(3)式
等于λ乘以
x-x0
一直乘到x-xj-1
再乘x-xj+1
最后乘到x-xn
那么系数λ如何确定呢
我们还有一个条件没用上
那就是Lnj(xj)=1
利用这个条件
我们来求出λ的值
将λ的取值带入(3)式
就确定了Lnj(xj)的表达式
大家注意
Lnj(xj)的结构
它的分子
是除掉x-xj这个一次式以外
其他节点的一次式的连乘积
有n个一次式
而分母
是把分子中的x
替换成xj
n个数的连乘积
Lnj(x)
当j取0,1到n的时候
这样的一组函数我们称为是
以x0,x1,…,xn为节点的n次
拉格朗日插值基函数
n次插值
有n+1个节点
所以有n+1个基函数
大家从(4)式可以看出
拉格朗日插值基函数
它只与节点有关
与被插值函数f(x)
是没有关系的
那么将
拉格朗日插值基函数带入
(2)式,我们就得到了(5)式
公式(5)我们称为是n次
拉格朗日插值多项式
由(5)式可以看出
只要求出了基函数Lnj(x)
那么带入(5)式
我们就可以表示
Pn(x)避开了解方程组
下面我们举一个例子
给出三个点
X0=100,y0=10
x1=121
y1=11
x2=144
y2=12
分别用线性插值
与二次插值来求根号115
观察这个数据
我们发现
x0平方根是10
121的平方根是11
x2=144
它的平方根是12
那么现在我们要求
115的平方根
这个115
我们称为是插值点
现在我们首先
考察线性插值
线性插值需要两个节点
由于插值点
115靠近100和121
因此呢
我们取
x0,x1作为节点
构造线性插值公式
这里P1(x)的表达式中的两个分式
也就是x-x1比上x0-x1
与x-x0比上x1-x0这两个分式
是一次拉格朗日插值基函数
我们将相关的数据代入
就得到了具体的
P1(x)表达式
再将插值点
115代入P1(x)
就得到了根号115的一个近似值
它约等于P1(115)
等于10.714728
这是我们通过
线性插值
求得的根号115的一个近似值
下面我们再来做二次插值
二次插值需要三个节点
所以给出的节点全部要用上
那么我们根据它的二次插值基函数
写出二次插值的表达式
其中这三个分式
就是二次插值的三个基函数
我们再将插值点
x=115代入P2(x)
那么就得到了根号
115的一个近似值
它约等于P2(115)
等于10.7228
根号115
它有无穷多位
我们看到我们写出了小数点后的
前六位
10.723805
那么将二次插值的结果
与线性插值的结果做比较
我们会发现
二次插值
比线性插值的精度更高一些
以上我们介绍了拉格朗日插值法
拉格朗日插值法的主要思想是通过
引入拉格朗日插值基函数
来构造n次插值多项式
这种方法就避免了
求解病态方程组
下一节
我们将介绍
拉格朗日插值余项,
介绍插值多项式的截断误差
-1.1 引言
--1.1 引言
-1.2 算法与效率
-1.3 计算机数系与浮点运算
-1.4 误差与有效数字
-1.5 四则运算与函数求值的误差
-1.6 问题的性态与条件数
-1.7 算法数值稳定性
-第1章 作业
--第一章 作业
-2.1 引言 2.2 线性空间
-2.3 内积空间与元素的夹角
-2.4 赋范线性空间
-2.5 向量范数与向量序列极限
-2.6 矩阵范数
--2.6 矩阵范数
-第二章 作业
--第二章 作业
-3.1 引言
--3.1 引言
-3.3 不动点迭代法
--3.2 二分法
-3.4 不动点迭代法的收敛条件
-3.5 牛顿迭代法及其变形
-3.6 迭代法收敛阶
-3.7 重根的计算与加速收敛
-3.8 数值实验
--3.8 数值实验
-第3章 作业
--第3章 作业
-4.1 引言
--4.1 引言
-4.2 Lagrange插值
-4.3 Lagrange插值余项
-4.4 Newton差商插值
-4.5 Hermite插值
-4.6 分段多项式插值
-4.7 三次样条插值
-4.8 数值实验
--4.8 数值实验
-第4章 作业
--第4章 作业
-5.1 函数逼近与曲线拟合基本概念
-5.2 连续函数的最佳平方逼近
-5.3 曲线拟合的最小二乘法
-第5章 作业
--第5章 作业
-6.1 引言 6.2 高斯消元法
-6.3 矩阵分解与应用
-6.4 误差分析 6.5 数值实验
-第6章 作业
--第6章 作业
-7.1 引言 7.2 线性方程组的迭代法(上)
-7.2 线性方程组的迭代法
-7.3 非线性方程组的迭代法
-7.4 数值实验
--7.4 数值实验
-第7章 作业
--第7章 作业
-8.1 引言
--8.1 引言
-8.2 幂法与反幂法
-8.3 矩阵的正交分解
-8.4 QR方法
--8.4 QR方法
-8.5 Jacobi方法
-第8章 作业
--第8章 作业
-9.1 引言
-9.2 牛顿-柯特斯公式
-9.3 复合牛顿-柯特斯公式
-9.4 龙贝格算法
-9.5 高斯型求积公式
-9.6 数值微分
--9.6 数值微分
-10.1 引言
--10.1 引言
-10.2 梯形公式和改进的欧拉方法
-10.3 单步法的误差与稳定性收敛性
-10.4 高阶单步方法
-10.5 线性多步法
-10.6 多步法的误差与稳定性
-10.7 一阶微分方程组与高阶微分方程
-第10章 作业
--第10章 作业