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

返回《计算方法》慕课在线视频课程列表

4.2 Lagrange插值在线视频

下一节:4.3 Lagrange插值余项

返回《计算方法》慕课在线视频列表

4.2 Lagrange插值课程教案、知识点、字幕

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

计算方法课程列表:

第1章 计算方法概论

-1.1 引言

--1.1 引言

-1.2 算法与效率

--1.2 算法与效率

-1.3 计算机数系与浮点运算

--1.3 计算机数系与浮点运算

-1.4 误差与有效数字

--1.4 误差与有效数字

-1.5 四则运算与函数求值的误差

--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

--1.6 问题的性态与条件数

-1.7 算法数值稳定性

--1.7 算法数值稳定性

-第1章 作业

--第一章 作业

第2章 数值计算的理论基础

-2.1 引言 2.2 线性空间

--2.1 引言 2.2 线性空间

-2.3 内积空间与元素的夹角

--2.3 内积空间与元素的夹角

-2.4 赋范线性空间

--2.4 赋范线性空间

-2.5 向量范数与向量序列极限

--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

第3章 非线性方程求根

-3.1 引言

--3.1 引言

-3.3 不动点迭代法

--3.2 二分法

--3.3 不动点迭代法

-3.4 不动点迭代法的收敛条件

--3.4 不动点迭代法的收敛条件

-3.5 牛顿迭代法及其变形

--3.5 牛顿迭代法及其变形

-3.6 迭代法收敛阶

--3.6 迭代法收敛阶

-3.7 重根的计算与加速收敛

--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

第4章 插值法

-4.1 引言

--4.1 引言

-4.2 Lagrange插值

--4.2 Lagrange插值

-4.3 Lagrange插值余项

--4.3 Lagrange插值余项

-4.4 Newton差商插值

--4.4 Newton差商插值

-4.5 Hermite插值

--4.5 Hermite插值

-4.6 分段多项式插值

--4.6 分段多项式插值

-4.7 三次样条插值

--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

第5章 函数逼近与曲线拟合

-5.1 函数逼近与曲线拟合基本概念

--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

--5.2 连续函数的最佳平方逼近

-5.3 曲线拟合的最小二乘法

--5.3 曲线拟合的最小二乘法

-第5章 作业

--第5章 作业

第6章 线性方程组的直接解法

-6.1 引言 6.2 高斯消元法

--6.1 引言 6.2 高斯消元法

-6.3 矩阵分解与应用

--6.3 矩阵分解与应用

-6.4 误差分析 6.5 数值实验

--6.4 误差分析 6.5 数值实验

-第6章 作业

--第6章 作业

第7章 线性方程组的迭代解法

-7.1 引言 7.2 线性方程组的迭代法(上)

--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

--7.2 线性方程组的迭代法(中)

--7.2 线性方程组的迭代法(下)

-7.3 非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

第8章 特征值与特征向量

-8.1 引言

--8.1 引言

-8.2 幂法与反幂法

--8.2 幂法与反幂法(上)

--8.2 幂法与反幂法(中)

--8.2 幂法与反幂法(下)

-8.3 矩阵的正交分解

--8.3 矩阵的正交分解

-8.4 QR方法

--8.4 QR方法

-8.5 Jacobi方法

--8.5 Jacobi方法

-第8章 作业

--第8章 作业

第9章 数值积分与数值微分

-9.1 引言

--9.1 引言(上)

--9.1 引言(下)

-9.2 牛顿-柯特斯公式

--9.2 牛顿-柯特斯公式

-9.3 复合牛顿-柯特斯公式

--9.3 复合牛顿-柯特斯公式(上)

--9.3 复合牛顿-柯特斯公式(下)

-9.4 龙贝格算法

--9.4 龙贝格算法

-9.5 高斯型求积公式

--9.5 高斯型求积公式(上)

--9.5 高斯型求积公式(下)

-9.6 数值微分

--9.6 数值微分

第10章 常微分方程初值问题的数值解法

-10.1 引言

--10.1 引言

-10.2 梯形公式和改进的欧拉方法

--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

--10.3 单步法的误差与稳定性收敛性

-10.4 高阶单步方法

--10.4 高阶单步方法

-10.5 线性多步法

--10.5 线性多步法

-10.6 多步法的误差与稳定性

--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

--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

4.2 Lagrange插值笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。