数值分析 多项式插值讲解
讲解多项式插值(包含例题)
第三章多项式插值方法教学目的及要求：要求掌握基本的定理及各种插值方法。
插值方法是数学分析中很古老的一个分支.它有悠久的历史.等距结点内插公式是由我国隋朝数学家刘焯(公元544—610年)首先提出的;而不等距结点内插公式是由唐朝数学家张遂(公元683—727年) 提出的.这比西欧学者相应结果早一千年.插值方法在数值分析的许多分支(例如, 数值积分, 数值微分, 微分方程数值解,曲线曲面拟合,函数值近似计算,等等)均有应用.下面仅以近似计算函数值为例来说明设已知某个函数关系()x f y =的列表函数值nn y y y yx x x x110而()n i x x i ,1,0=≠问应该如何估值().x f y =对于函数关系()x f y =,我们所知道仅仅上述的表列值,它们常常是间接求得的.例如是由实验(观测)得来的,或者是从级数或微分方程求得的.我们可以使用插值方法估计y. 插值方法的目的是寻求简单的连续函数()x ϕ,使它在n+1个点n x x x ,,,10 处取给定值()()),,1,0(n i x f y x i i i ===ϕ,而在别处希望它也能近似地代表函数()x f .因为()x ϕ已是有解析表达式的简单函数,所以它在x x =处的值可以按表达式精确地计算出来.这样我们就可以将()x ϕ看成().x f y =的近似值了给定点n x x x ,,,10 为插值结点.称函数()x ϕ为函数()x f 的关于n x x x ,,,10 的插值函数.称()x f y =为被插函数.严格的说,插值方法一词只用于x 落在给定点n x x x ,,,10 之间的情形,所以也称它为内插法.如果x 落在给定点n x x x ,,,10 之外,并且仍以插值函数()x ϕ在x 处近似地代替().x f ,则一般称这种近似计算函数的方法为外插法.本章我只研究多项式插值，亦即()x ϕ是x 的多项式的情形.这不仅仅因为多项式是最简单的函数，而且因为在许多场合，函数()x f 容易用多项式近似地表示出来.此外,用多项式作插值函数可满意地解决一系列有应用价值的重要问题.特别是数值积分与数值微分的问题.本章讲不涉及三角插值法.其实,只要理解了代数多项式插值方法的实质读者就不难自行导出关于三角多项式插值方法的一系列相应与代数多项式插值方法的理论结果§1. Lagrange 插值公式设()x f y =是实变量x 得单值函数，且已知()x f 在给定的n+1个互异点n x x x ,,,10 处的值n y y y ,,,10 ,即().,,0,n i x f y i i ==插值的基本问题是,寻求多项式()x p ,使得 ()()1.1.,0,n i y x p i i ==设()x p 是一个m 次多项式()0,2210≠++++=m m m a x a x a x a a x p则插值问题是，如何确定()x p 中的系数m a a a ,,,10 ,使得(1.1)式得以满足.所以该问题等价于求解下述的线性方程组:()2.1,,,22101121211000202010⎪⎪⎩⎪⎪⎨⎧=++++=++++=++++n m n m n n mm mm y x a x a x a a y x a x a x a a y x a x a x a a上述的线性方程组的系数矩阵为⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=m n m m nnx x x x x x x x x A102211200111 它是一个(n+1)×（m+1）矩阵.当m>n 时，A 的列数大于行数.不难证明矩阵A 的秩数为n+1.因为A 的前n+1列所组成的行列式为(称为Vandermonde 行列式)()mnmm n n n n x x x x x x x x x d e f x x x W10221120010111,.,-我们有()()()3.1,.,10∏>--=ij i j n n x x x x x W为证(1.3),考虑n 次多项式()nnnn n n n n n xx xx x x x x x x x x x x x W2121112110200101111,.,----= 显然110,,,-n x x x 均为它的零点,且它的n x 系数恰为()10.,-n x x W 即 ()()()()101010.,,.,-----=n n n x x x x x x W x x x W 从而有下述递推关系式()()()()101010.,,.,-----=n n n n n n x x W x x x x x x x W运用它即可证明(1.3)式根据(1.3),并注意到诸n x x x ,,,10 互异，从而线性方程组(1.2)的系数矩阵的秩数为n+1 .它表明(1.2)的解是不唯一的，即插值问题(1.1)的解不唯一。
数值分析实验报告--实验2--插值法
1 / 21数值分析实验二：插值法1 多项式插值的震荡现象1.1 问题描述考虑一个固定的区间上用插值逼近一个函数。
显然拉格朗日插值中使用的节点越多，插值多项式的次数就越高。
我们自然关心插值多项式的次数增加时， 是否也更加靠近被逼近的函数。
龙格（Runge ）给出一个例子是极著名并富有启发性的。
设区间[-1,1]上函数21()125f x x=+ (1)考虑区间[-1,1]的一个等距划分，分点为n i nix i ,,2,1,0,21 =+-= 则拉格朗日插值多项式为201()()125nn ii iL x l x x ==+∑(2)其中的(),0,1,2,,i l x i n =是n 次拉格朗日插值基函数。
实验要求：(1) 选择不断增大的分点数目n=2, 3 …. ，画出原函数f(x)及插值多项式函数()n L x 在[-1，1]上的图像，比较并分析实验结果。
(2) 选择其他的函数，例如定义在区间[-5，5]上的函数x x g xxx h arctan )(,1)(4=+=重复上述的实验看其结果如何。
(3) 区间[a,b]上切比雪夫点的定义为 (21)cos ,1,2,,1222(1)k b a b ak x k n n π⎛⎫+--=+=+ ⎪+⎝⎭(3)以121,,n x x x +为插值节点构造上述各函数的拉格朗日插值多项式，比较其结果,试分析2 / 21原因。
1.2 算法设计使用Matlab 函数进行实验, 在理解了插值法的基础上，根据拉格朗日插值多项式编写Matlab 脚本，其中把拉格朗日插值部分单独编写为f_lagrange.m 函数，方便调用。
1.3 实验结果1.3.1 f(x)在[-1,1]上的拉格朗日插值函数依次取n=2、3、4、5、6、7、10、15、20，画出原函数和拉格朗日插值函数的图像，如图1所示。
Matlab 脚本文件为Experiment2_1_1fx.m 。
可以看出，当n 较小时，拉格朗日多项式插值的函数图像随着次数n 的增加而更加接近于f(x)，即插值效果越来越好。
数值分析第五章插值法
数值分析第五章插值法插值法是数值分析中常用的一种数值逼近方法，它的目的是通过已知数据点之间的插值多项式来逼近未知数据点的函数值。
插值法可以在信号处理、图像处理、计算机图形学等领域中广泛应用。
在插值法中，最常用的方法有拉格朗日插值法和牛顿插值法。
拉格朗日插值法是一种利用拉格朗日插值多项式来逼近函数的方法。
对于n个已知数据点(xi, yi)，拉格朗日插值多项式L(x)可以表示为：L(x) = ∑(yi * li(x))其中，li(x)表示拉格朗日基函数，定义为：li(x) = ∏[(x - xj)/(xi - xj)] (j≠i)可以证明，在给定的n个数据点上，拉格朗日插值多项式L(x)满足：L(xi) = yi牛顿插值法是另一种常用的插值方法，它利用差商的概念来逼近函数。
对于n个已知数据点(xi, yi)，差商可以定义为：f[xi] = yif[xi, xi+1] = (f[xi+1] - f[xi]) / (xi+1 - xi)f[xi, xi+1, ..., xi+k] = (f[xi+1, ..., xi+k] - f[xi, ...,xi+k-1]) / (xi+k - xi)通过差商的递归定义，可以得到牛顿插值多项式N(x)的表达式，其中：N(x)=f[x0]+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+...与拉格朗日插值法类似，牛顿插值多项式N(x)也满足：N(xi) = yi这两种插值方法都有自己的优点和缺点。
拉格朗日插值法简单易懂，计算量小，但当数据点较多时，多项式的次数会很高，容易出现龙格现象。
而牛顿插值法可以通过求差商一次次递推得到插值多项式，计算效率较高，且具备局部逼近性，不易出现龙格现象。
除了拉格朗日插值法和牛顿插值法，还有其他插值方法，如分段线性插值、样条插值等。
分段线性插值是利用线性多项式逼近函数，将数据点之间的区间分为若干段，每段内使用一条线性多项式进行插值。
多项式插值与数值逼近理论
多项式插值与数值逼近理论多项式插值和数值逼近是数学分析领域中重要的数值计算方法，在科学计算、数据处理和图像处理等领域具有广泛应用。
本文将介绍多项式插值和数值逼近的基本概念、方法和应用。
一、多项式插值多项式插值是一种通过已知数据点来构造一个多项式函数，使该函数在给定点处的函数值与真实值尽可能接近的方法。
插值多项式通过在已知数据点之间“填充”适当的多项式函数，从而实现对未知函数的近似估计。
1.1 基本定义给定 n+1 个数据点（x0, y0），(x1, y1)，...，(xn, yn)，其中x0<x1<...<xn，多项式插值的目标是找到一个n次多项式 P(x)，使得P(xi) = yi 对于所有的 i=0,1,...,n 成立。
1.2 拉格朗日插值多项式拉格朗日插值多项式是一种常用的多项式插值方法。
给定 n+1 个数据点（x0, y0），(x1, y1)，...，(xn, yn)，拉格朗日插值多项式可以通过如下公式得到：P(x) = ∑[i=0,n]( yi * li(x) )其中li(x) = ∏[j=0,n,j≠i]( (x-xj)/(xi-xj) )，称为拉格朗日基函数。
1.3 牛顿插值多项式牛顿插值多项式是另一种常用的多项式插值方法。
给定 n+1 个数据点（x0, y0），(x1, y1)，...，(xn, yn)，牛顿插值多项式可以通过如下公式得到：P(x) = ∑[i=0,n]( ci * Ni(x) )其中Ni(x) = ∏[j=0,i-1]( x-xj )，ci 是插值节点上的差商。
二、数值逼近数值逼近是一种利用已知数据点来估计未知函数的方法，数值逼近的目标是找到一个函数近似值，使其与真实值之间的差别尽可能小。
数值逼近可以通过多项式逼近、三角函数逼近等方法实现。
2.1 最小二乘逼近最小二乘逼近是一种常用的数值逼近方法。
给定 n+1 个数据点（x0, y0），(x1, y1)，...，(xn, yn)，最小二乘逼近的目标是找到一个 m 次多项式 P(x)，使得P(x) = ∑[i=0,m]( ai * φi(x) )，其中 ai 是待确定的系数，φi(x) 是 m 个已经确定的基函数。
多项式的插值多项式与Lagrange插值知识点
多项式的插值多项式与Lagrange插值知识点多项式的插值多项式是数值分析中的重要概念，用于逼近给定数据点集合的函数。
通过插值，我们可以通过已知的数据点，构造出一个多项式函数，从而对未知数据点进行预测和估计。
Lagrange插值是一种常用的插值方法，具有简单易懂的形式和计算方法。
1. 插值多项式的定义插值多项式是指通过已知数据点集合，构造一个多项式函数，该函数在已知数据点上与原函数完全相等。
插值多项式在数值计算、信号处理、图像处理等领域都有广泛的应用。
2. Lagrange插值的原理Lagrange插值是一种基于多项式插值的方法，它通过构造一个满足一定条件的插值多项式来逼近原函数。
Lagrange插值的思想是，通过构造一系列的基函数，使得插值多项式在每个数据点上的取值等于对应数据点的函数值，并且在其他数据点上的取值为0。
3. Lagrange插值的公式Lagrange插值的公式非常简洁明了。
设已知的数据点集合为{(x0, y0), (x1, y1), ...,(xn, yn)}，其中xi和yi分别代表数据点的横坐标和纵坐标。
插值多项式的公式可以表示为：P(x) = ∑(i=0 t o n) [yi * Li(x)]其中，Li(x)为Lagrange基函数，其公式为：Li(x) = ∏(j=0 to n, j!=i) [(x - xj) / (xi - xj)]4. Lagrange插值的优点Lagrange插值具有以下几个优点：(1) 简单易懂：Lagrange插值的公式非常简洁明了，易于理解和计算。
(2) 泛用性强：Lagrange插值适用于任意数量的数据点，能够满足不同场景的需求。
(3) 高精度：在数据点较为密集的情况下，Lagrange插值能够提供较高的插值精度。
5. Lagrange插值的局限性尽管Lagrange插值具有许多优点，但也存在一些局限性：(1) 数据点过于离散：当数据点过于离散时，Lagrange插值可能会导致插值多项式的震荡现象，从而影响插值结果的准确性。
多项式的插值多项式与Newton插值知识点
多项式的插值多项式与Newton插值知识点多项式的插值多项式是数值分析中的一个重要概念，它用于将给定的一组数据点拟合为一个多项式函数。
在多项式的插值问题中，给定n + 1个数据点(x0, y0), (x1, y1), ... , (xn, yn)，其中xi不相等，yi可以是任意实数，要求找到一个n次多项式P(x)，使得P(xi) = yi，i = 0, 1, ..., n。
插值多项式的目的是通过已知的数据点，找到一个多项式函数，从而能够在这些数据点上精确地插值。
Newton插值是一种常用的插值方法，它采用了差商的概念。
差商是一种用于表示多项式系数的方法，通过递推关系可以快速计算出插值多项式的系数。
为了使用Newton插值，首先需要计算出差商表。
差商表的第一列是给定的数据点的纵坐标值，第二列是相邻数据点的差商，第三列是相邻差商的差商，以此类推。
差商表的对角线上的元素即为插值多项式的系数。
插值多项式的计算过程可以通过以下步骤来完成：1. 根据给定的数据点，构建差商表。
2. 根据差商表的对角线上的元素，计算插值多项式的系数。
3. 根据插值多项式的系数，构建插值多项式。
在实际应用中，多项式的插值多项式可以用于数据的拟合和插值计算。
通过插值多项式，我们可以通过已知数据点推断出未知数据点的值，从而实现对数据的预测和估计。
总结起来，多项式的插值多项式与Newton插值是数值分析中常用的方法。
它们通过利用已知的数据点，构建插值多项式来拟合数据，从而实现数据的预测和插值计算。
在实际应用中，我们可以根据具体的问题和数据特点选择适合的插值方法，并利用插值多项式进行数据的分析和处理。
研究生数值分析(15)插商与牛顿(Newton)插值多项式
( x x0 ) ( x xk 1 )( x xk 1 ) ( x xn ) Ln ( x) yk lk ( x) yk ( xk x0 ) ( xk xk 1 )( xk xk 1 ) ( xk xn ) k 0
即
f [ xi , x j , xk ]
f [ x j , xk ] f [ xi , x j ] xk xi
一般地，称 m-1 阶差商的差商
f [ x1 , x2 , , xm ] f [ x0 , x1,, xm1 ] f [ x0 , x1 , , xm ] xm x0
用牛顿二次、三次插值多项式近似计算f(1.46)
的值，并估计牛顿二次插值多项式近似计算的截断
误差，说明牛顿二次多项式近似计算结果的有效数 字。
f [ x0 , x1 , , xk ]
j 0 k
f (x j ) ( x j x0 ) ( x j x j 1 )( x j x j 1 ) ( x j xk )
性质2 差商具有对称性，即在k阶差商
f [ x0 , x1 ,, xk ] 中任意调换2个节点
xi
R2 (115) f [ x0 , x1 , x2 , x3 ]3 (115) 0.0000003138 (115 100)(115 121)(115 144) 0.00082
与实际误差
115 N 2 (115) 0.001 相当接近。
练习：给定数据如下：
x f(x) 1 1.25 1.5 2.50 0 1.00 2 5.50
例3 已知函数表
x
x
… …
数值分析4 多项式插值
根据插值余项定理可知：
(1 ) f ( x) Ln ( x) ( x x0 ) ( x xn ) (n 1)! f
( n 1)
f ~ f ( x) Ln ( x)
设
( 2 ) ( x x1 ) ( x xn 1 ) (n 1)!
( n 1)
温 度
31
32
31
29
27
25
24
22 20 18 17 16
找出这一天气温变化规律
插值问题的数学提法
已知函数 y f ( x) 在n+1个互异结点处的函数值
x
y f (x)
x0 y0
x1
y1
xn yn
求一个n次多项式 y P( x) 使其满足
P( xi ) yi
从而可以用P(x)近似f(x) 多项式P(x)称为插值多项式.
而不便于计算,希望用一个简单的函数来描述它。
最常用的简单函数是多项式函数,这是因为多项式函数便于 计算,同时理论上多项式函数有如下良好性质 Weierstrass逼近定理
if f C[a, b], then, 0, P( x), s.t. f ( x) P( x) (x [a, b])
x 225 x 169 15 56 56
所以 f (175 ) L1 (175 ) 13.214 285 71
三、Lagrange插值多项式的截断误差公式
设在插值区间[a,b]上，Pn(x)是满足插值条件的n次多项式
则，用Pn(x)近似f(x)，产生的截断误差（插值余项）为
Chap4 多项式插值
Polynomial interpolation
数值分析插值法
解 由上表可得过前三点的二次牛顿插值多项式为
故
又
可得过前四点的三次牛顿插值多项式
可得N3(x)的截断误差
差分与等距节点的牛顿插值多项式
设函数y=fx在等距节点xi=x0+ih i=01 …n上的函数值为fi=fxih为步长
定义2 fi=fi+1-fi 和 fi=fi-fi-1 分别称为函数fx在点xi处的一阶向前差分和一阶向后差分
求f2.8用牛顿后插公式且由 2.8=3+0.5t 得 t= -0.4
第四节 埃尔米特Hermite插值
一、 埃尔米特插值多项式
为了使插值函数能更好的切合原来的函数许多问题不但要求节点上的函数值相等还要求导数值相同甚至高阶导数也相等这类插值问题称为埃尔米特插值
xi[a, b] (i=0,1, …, n) 为n+1个互异节点,考虑函数值 与导数个数相等的情况。
二、误差估计
定理4 设fx在包含x0、x1的区间ab内存在四阶导数则当x∈ab时有
且与x有关)
例1 已知fx=x1/2在X=121和144时的函数值及其一阶导数的数据见下表用埃尔米特插值公式计算1251/2的近似值并估计其截断误差.
得
由
可求得
例2
第五节 分段低次插值
解 (1) 用线性插值
第三节 均差与牛顿插值公式
一、差商及其基本性质
定义1 称
为 f x在x0、x1点的一阶差商.一阶差商的差商
称为函数f x在x0、x1 、x2 点的二阶差商.
一般地n-1阶差商的差商
称为f x在x0 x1 … xn点的 n 阶差商
差商的计算步骤与结果可列成差商表如下
xk
函数值
一阶差商
多项式插值计算方法
多项式插值计算方法引言：在数学和计算机科学中，插值是一种常见的数值计算方法，用于通过已知的数据点来估计未知的数据点。
多项式插值是插值方法中的一种，通过构造一个多项式函数来逼近数据点，从而实现插值的目的。
本文将介绍多项式插值的基本概念、计算方法和应用领域。
一、多项式插值的基本概念多项式插值是指通过已知的n个数据点(x1, y1), (x2, y2), ..., (xn, yn)，构造一个n次多项式函数P(x)来逼近这些数据点。
通过将P(x)代入已知的数据点，可以满足P(xi) = yi，即多项式函数经过已知数据点。
二、多项式插值的计算方法1. 拉格朗日插值法拉格朗日插值法是一种常用的多项式插值计算方法。
通过构造一个满足已知数据点的n次多项式函数P(x)，可以使用拉格朗日插值公式来计算多项式的系数。
具体步骤如下：- 构造插值多项式P(x) = L1(x)y1 + L2(x)y2 + ... + Ln(x)yn，其中Li(x)为拉格朗日基函数。
- 拉格朗日基函数的计算公式为Li(x) = Π(j=1 to n, j ≠ i)(x-xj)/(xi-xj)，即除了第i个数据点外，其他数据点的插值基函数的乘积。
- 将已知数据点代入插值多项式，可以得到相应的系数，进而得到插值多项式P(x)。
2. 牛顿插值法牛顿插值法是另一种常用的多项式插值计算方法。
通过构造一个满足已知数据点的n次多项式函数P(x)，可以使用牛顿插值公式来计算多项式的系数。
具体步骤如下：- 构造插值多项式P(x) = c0 + c1(x-x0) + c2(x-x0)(x-x1) + ... + cn(x-x0)(x-x1)...(x-xn-1)，其中ci为差商。
- 差商的计算公式为ci = f[x0, x1, ..., xi]/(xi-x0)(xi-x1)...(xi-xi-1)，即已知数据点的函数值的差商。
- 使用差商递推公式可以计算出所有的差商，进而得到插值多项式P(x)。
数值分析-插值法的讲解
称P(x)为f(x)的插值函数，x为插值节 点，[a,b]为插值区间，求插值函数P(x)的 方法为插值法。
若P(x)=a0+a1x+▪▪▪+anxn，称 P(x)为插值多项式。 若P(x)为分段多项式，就称 之为分段插值。
若P(x)为三角多项式，就 称之为三角插值。
枪管膛线－－－－→
1.插值多项式的存在唯一性 P(x)=a0+a1x+▪▪▪+anxn, P(x) ∈Hn a0+a1x0+…+anx0n=y0 a0+a1x1+…+anx1n=y1
. . .
a0+a1xn+…+anxnn=yn
1 x x ... x Vn(x0,x1,…,xn)= 1 x x ... x ... 1 x x ... x
k 1 k 1 k 1 k 1
y
( x xk 1)( x xk 1)
k
( xk xk 1)( xk xk 1)
T H A N K Y O U !
( x xk 1)( x xk ) ( xk 1 xk 1)( xk 1 xk )
k k k 1
l
l
2
k
k 1
( x xk )( x xk 1) ( x x )( x x ) y ( )( ) L ( x) yk 1 x x x x ( xk 1 xk )( xk 1 xk 1)
k 1
x
x xk
k 1
k ห้องสมุดไป่ตู้1
k
xk
L1(x)=
x x y x x y x x x x
多项式插值法在数据处理中的应用
多项式插值法在数据处理中的应用多项式插值法是一种常用的数值分析方法，它可以通过已知的数据点，构造出一个满足这些数据点的多项式函数。
在数据处理中，多项式插值法可以应用于数据的拟合、数据的补全以及数据的预测等方面。
本文将从这三个方面来介绍多项式插值法在数据处理中的应用。
一、数据的拟合数据拟合是指通过已知的离散数据点，构造出一个函数，使得该函数在这些数据点附近能够较好地拟合这些数据。
多项式插值法在数据拟合中起到了重要的作用。
假设有一组数据点(x1, y1), (x2, y2), ... , (xn, yn)，要通过这些数据点来拟合一个多项式函数。
多项式插值法可以通过拉格朗日插值公式来实现。
拉格朗日插值公式可以通过已知的数据点构造出一个满足这些数据点的多项式函数。
具体的步骤如下：1. 假设要拟合的多项式函数为P(x)，P(x)的次数为n-1。
2. 构造n个拉格朗日基函数Li(x)，每个基函数都满足Li(xi) = 1，Li(xj) = 0 (j ≠i)。
3. P(x) = L1(x)y1 + L2(x)y2 + ... + Ln(x)yn。
通过这样的方式，可以得到一个满足已知数据点的多项式函数P(x)，从而实现了数据的拟合。
二、数据的补全数据的补全是指通过已知的部分数据，来预测缺失的数据。
多项式插值法可以通过已知的数据点构造出一个函数，从而实现数据的补全。
假设有一组已知的数据点(x1, y1), (x2, y2), ... , (xn, yn)，其中部分数据点的y值缺失。
要通过已知的数据点来预测缺失的数据点的y值。
多项式插值法可以通过牛顿插值公式来实现。
具体的步骤如下：1. 假设要预测的数据点为(xm, ym)。
2. 构造差商表，计算出差商f[x1], f[x1, x2], ... , f[x1, x2, ..., xn]。
3. P(x) = f[x1] + f[x1, x2](x - x1) + ... + f[x1, x2, ..., xn](x - x1)(x - x2)...(x - xn-1)。
(完整版)数值分析插值法
第二章插值法2.在区间[-1,1]上分别取n=10,20用两组等距节点对龙哥函数f(x)=1/(1+25*x^2)做多项式插值及三次样条插值，对每个n值，分别画出插值函数及f（x）的图形。
（1）多项式插值①先建立一个多项式插值的M-file；输入如下的命令（如牛顿插值公式）：function [C,D]=newpoly(X,Y)n=length(X);D=zeros(n,n)D(:,1)=Y'for j=2:nfor k=j:nD(k,j)=(D(k,j-1)- D(k-1,j-1))/(X(k)-X(k-j+1));endendC=D(n,n);for k=(n-1):-1:1C=conv(C,poly(X(k)))m=length(C);C(m)= C(m)+D(k,k);end②当n=10时，我们在命令窗口中输入以下的命令：clear,clf,hold on;X=-1:0.2:1;Y=1./(1+25*X.^2);[C,D]=newpoly(X,Y);x=-1:0.01:1;y=polyval(C,x);plot(x,y,X,Y,'.');grid on;xp=-1:0.2:1;z=1./(1+25*xp.^2);plot(xp,z,'r')得到插值函数和f（x）图形：③当n=20时，我们在命令窗口中输入以下的命令：clear,clf,hold on;X=-1:0.1:1;Y=1./(1+25*X.^2);[C,D]=newpoly(X,Y);x=-1:0.01:1;y=polyval(C,x);plot(x,y,X,Y,'.');grid on;xp=-1:0.1:1;z=1./(1+25*xp.^2);plot(xp,z,'r')得到插值函数和f（x）图形：（2）三次样条插值①先建立一个多项式插值的M-file；输入如下的命令:function S=csfit(X,Y,dx0,dxn)N=length(X)-1;H=diff(X);D=diff(Y)./H;A=H(2:N-1);B=2*(H(1:N-1)+H(2:N));C=H(2:N);U=6*diff(D);B(1)=B(1)-H(1)/2;U(1)=U(1)-3*(D(1));B(N-1)=B(N-1)-H(N)/2;U(N-1)=U(N-1)-3*(-D(N));for k=2:N-1temp=A(k-1)/B(k-1);B(k)=B(k)-temp*C(k-1);U(k)=U(k)-temp*U(k-1);endM(N)=U(N-1)/B(N-1);for k=N-2:-1:1M(k+1)=(U(k)-C(k)*M(k+2))/B(k);endM(1)=3*(D(1)-dx0)/H(1)-M(2)/2;M(N+1)=3*(dxn-D(N))/H(N)-M(N)/2;for k=0:N-1S(k+1,1)=(M(k+2)-M(k+1))/(6*H(k+1));S(k+1,2)=M(k+1)/2;S(k+1,3)=D(k+1)-H(k+1)*(2*M(k+1)+M(k+2))/6;S(k+1,4)=Y(k+1);end②当n=10时，我们在命令窗口中输入以下的命令：clear,clcX=-1:0.2:1;Y=1./(25*X.^2+1);dx0= 0.0739644970414201;dxn= -0.0739644970414201; S=csfit(X,Y,dx0,dxn)x1=-1:0.01:-0.5;y1=polyval(S(1,:),x1-X(1));x2=-0.5:0.01:0;y2=polyval(S(2,:),x2-X(2));x3=0:0.01:0.5; y3=polyval(S(3,:),x3-X(3));x4=0.5:0.01:1;y4=polyval(S(4,:),x4-X(4));plot(x1,y1,x2,y2,x3,y3,x4,y4, X,Y,'.')结果如图：②当n=20时，我们在命令窗口中输入以下的命令：clear,clcX=-1:0.1:1;Y=1./(25*X.^2+1);dx0= 0.0739644970414201;dxn= -0.0739644970414201; S=csfit(X,Y,dx0,dxn)x1=-1:0.01:-0.5;y1=polyval(S(1,:),x1-X(1));x2=-0.5:0.01:0;y2=polyval(S(2,:),x2-X(2));x3=0:0.01:0.5; y3=polyval(S(3,:),x3-X(3));x4=0.5:0.01:1;y4=polyval(S(4,:),x4-X(4));plot(x1,y1,x2,y2,x3,y3,x4,y4, X,Y,'.')结果如图：第三章函数逼近与快速傅里叶变换2. 由实验给出数据表x 0.0 0.1 0.2 0.3 0.5 0.8 1.0y 1.0 0.41 0.50 0.61 0.91 2.02 2.46试求3次、4次多项式的曲线拟合，再根据数据曲线形状，求一个另外函数的拟合曲线，用图示数据曲线及相应的三种拟合曲线。
数值分析--chapter3 多项式插值与样条插值
其中Ak 为待定系数。
由条件lk (xk ) = 1 可定Ak ，于是
lk=(xj)=n0=xx(k−x−k(xx−xjj−x0x)0()x(kx−−xx11))······((xxk−−xxkk−−11))((xx−k −xkx+k1+)1·)···(··x(−xkx−n)xn)
(6)
j =k
§3.2 拉格朗日(Lagrange)插值−−拉格朗日插值多项式
基函数法：由线性空间的基出发，构造满足插值条件的多项式方 法。
用基函数法求插值多项式分两步：
(1)定义n + 1个线性无关的特殊代数多项式（插值基函数）， 用ϕ0(x), · · · , ϕn(x)表示;
(2)利用插值条件，确定插值基函数的线性组合表示的n次插值多
项式
p(x) = a0ϕ0(x) + a1ϕ1(x) + · · · + anϕn(x)
− −
x0 x0
y1
(8)
用L1(x)近似代替f (x)称为线性插值，公式(8)称为线性插值多项 式或一次插值多项式。
§3.2 拉格朗日(Lagrange)插值−−拉格朗日插值多项式
当n = 2时，拉格朗日插值多项式(7)为
数值分析中的插值方法
数值分析中的插值方法在数值分析中，插值是一种通过在已知数据点之间估计未知数据点的方法。
它是一种常见的数据处理技术，用于填补数据间的空白，揭示数据间的关联性，或者建立数据模型。
在本文中，我们将讨论数值分析中的几种常见的插值方法。
一、拉格朗日插值拉格朗日插值是一种基于多项式的插值方法。
假设有n个离散数据点，我们想要在这些点之间插值得到未知数据点的值。
拉格朗日插值可以通过构建一个n次多项式来实现。
例如，给定三个数据点(x0, y0)，(x1, y1)，(x2, y2)，我们可以假定插值多项式为：P(x) = y0 * L0(x) + y1 * L1(x) + y2 * L2(x)其中，L0(x)，L1(x)，L2(x)是拉格朗日插值多项式的基函数，由以下公式得到：L0(x) = (x - x1) * (x - x2) / ((x0 - x1) * (x0 - x2))L1(x) = (x - x0) * (x - x2) / ((x1 - x0) * (x1 - x2))L2(x) = (x - x0) * (x - x1) / ((x2 - x0) * (x2 - x1))利用这些基函数，我们可以得到插值多项式P(x)，从而计算出未知点的值。
二、牛顿插值牛顿插值是另一种常见的插值方法，也是基于多项式的。
与拉格朗日插值不同的是，牛顿插值使用了差商的概念来构建插值多项式。
差商是一种表示数据间差异的指标，它可以用于计算插值多项式的系数。
对于n个数据点，差商可以由以下递归公式计算得到：f[x0] = f(x0)f[x0, x1] = (f[x1] - f[x0]) / (x1 - x0)f[x0, x1, ..., xn] = (f[x1, x2, ..., xn] - f[x0, x1, ..., xn-1]) / (xn - x0)基于差商，我们可以得到牛顿插值多项式的表达式：P(x) = f[x0] + f[x0, x1] * (x - x0) + f[x0, x1, x2] * (x - x0) * (x - x1) + ...利用牛顿插值，我们可以通过已知数据点构建插值多项式，进而估计未知点的值。
数值分析——多项式插值的振荡现象
数值分析实验报告多项式插值的振荡现象姓名：班级：学号：数值分析实验报告从图中可以看出，插值函数过两端和原点，并且也是奇函数；n 增大的现象；b)当节点为偶数个时，即n=3:4:11时，可以得到：N 取得很大的时候，插值函数和被插值函数几乎重合x节点为均匀节点时：n i nix i ,,2,1,0,105 =+-=当节点为奇数时，即n=2：4：10，可以得到如下图像从图中可以看出，插值函数过两端和原点，并且也是奇函数；n越大拟合度越好，没有出现误差增大的现象；b)当节点为偶数个时，即n=3:4:11时，可以得到：N取得很大的时候，插值函数和被插值函数几乎重合综合分析上面的图像和数据可以发现：节点数目的奇偶对实验没有什么影响，而且节点不是越多拟合越好，可能会发生发散现象，对称的节点选取，得到的插值函数的对称性与被插值函数相同节数值分析上机实验原始记录实验名称：多项式插值的振荡现象实验时间： 2013年 10月23日姓名：学号：班级：实验一的关键程序：事先估计程序m=150; x=-1:2/(m-1):1; y=1./(1+25*x.^2); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=1/(1+25*x^2)'),pausen=3; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y1=lagr1(x0,y0,x);hold on,plot(x,y1,'g'),gtext('n=2'),pause,hold offn=4; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y2=lagr1(x0,y0,x);hold on,plot(x,y2,'b:'),gtext('n=3'),pause,hold offn=5; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y3=lagr1(x0,y0,x);hold on,plot(x,y3,'r'),gtext('n=4'),pause,hold offn=11; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y4=lagr1(x0,y0,x);hold on,plot(x,y4,'r:'),gtext('n=10'),pause,hold offn=51; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y5=lagr1(x0,y0,x);hold on,plot(x,y5,'m'),gtext('n=50'),pause,hold offn=81; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y6=lagr1(x0,y0,x);hold on,plot(x,y6,'m'),gtext('n=80'),pause,hold off%%1.1.a y=1./(1+25*x.^2) 的程序——均匀节点m=150; x=-1:2/(m-1):1; y=1./(1+25*x.^2); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=1/(1+25*x^2)'),pausen=2; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y1=lagr1(x0,y0,x);hold on,plot(x,y1,'g'),gtext('n=1'),pause,hold offn=4; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y2=lagr1(x0,y0,x);hold on,plot(x,y2,'b:'),gtext('n=3'),pause,hold offn=6; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y3=lagr1(x0,y0,x);hold on,plot(x,y3,'r'),gtext('n=5'),pause,hold offn=8; x0=-1:2/(n-1):1; y0=1./(1+25*x0.^2); y4=lagr1(x0,y0,x);hold on,plot(x,y4,'r:'),gtext('n=7'),pause,hold off%%1.1b ——切比雪夫节点m=150; x=-1:2/(m-1):1; y=1./(1+25*x.^2); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=1/(1+25*x^2)'),pausex=q(2); y=1./(1+25*x.^2);n=2; x0=-1:2/(n-1):1;y1=lagr1(x,y,x0);hold on,plot(x0,y1,'g'),gtext('n=1'),pause,hold offx=q(4); y=1./(1+25*x.^2);n=4; x0=-1:2/(n-1):1; y2=lagr1(x,y,x0);hold on,plot(x0,y2,'b:'),gtext('n=3'),pause,hold offx=q(6); y=1./(1+25*x.^2); n=6;x0=-1:2/(n-1):1;y3=lagr1(x,y,x0);hold on,plot(x0,y3,'r'),gtext('n=5'),pause,hold offx=q(8); y=1./(1+25*x.^2);n=8;x0=-1:2/(n-1):1;y4=lagr1(x,y,x0);hold on, plot(x0,y4,'r:'),gtext('n=7'),pause,hold off%%2.1 a y=x./(1+x.^4)的程序——均匀节点m=150; x=-5:10/(m-1):5; y=x./(1+x.^4); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=x/(1+x^4)'),pausen=2; x0=-5:10/(n-1):5; y0=x0./(1+x0.^4); y1=lagr1(x0,y0,x);hold on,plot(x,y1,'g'),gtext('n=1'),pause,hold offn=6;x0=-5:10/(n-1):5; y0=x0./(1+x0.^4); y3=lagr1(x0,y0,x);hold on,plot(x,y3,'r'),gtext('n=5'),pause,hold offn=10; x0=-5:10/(n-1):5; y0=x0./(1+x0.^4); y4=lagr1(x0,y0,x);hold on,plot(x,y4,'r:'),gtext('n=9'),pause,hold off%%2．1 b ——切比雪夫节点m=150; x=-5:10/(m-1):5; y=x./(1+x.^4); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=x/(1+x^4)'),pausex=q(2); y=x./(1+x.^4);n=3; x0=-5:10/(n-1):5;y1=lagr1(x,y,x0);hold on,plot(x0,y1,'g'),gtext('n=1'),pause,hold offx=q(6); y=x./(1+x.^4);n=5; x0=-5:10/(n-1):5; y2=lagr1(x,y,x0);hold on,plot(x0,y2,'b:'),gtext('n=5'),pause,hold offx=q(10); y=x./(1+x.^4); n=10;x0=-5:10/(n-1):5;y3=lagr1(x,y,x0);hold on,plot(x0,y3,'r'),gtext('n=9'),pause,hold off%%3.1 a y=atan(x) 的程序——均匀节点m=150; x=-5:10/(m-1):5; y=atan(x); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=atan x'),pausen=2; x0=-5:10/(n-1):5; y0=atan(x0); y1=lagr1(x0,y0,x);hold on,plot(x,y1,'g'),gtext('n=1'),pause,hold offn=6;x0=-5:10/(n-1):5; y0=atan(x0); y3=lagr1(x0,y0,x);hold on,plot(x,y3,'r'),gtext('n=5'),pause,hold offn=10; x0=-5:10/(n-1):5; y0=atan(x0); y4=lagr1(x0,y0,x);hold on,plot(x,y4,'y:'),gtext('n=9'),pause,hold off%%3.1 b ——切比雪夫节点m=150;x=-5:10/(m-1):5; y=atan(x); z=0*x;plot(x,z,'r',x,y,'k-'),gtext('y=1/(1+25*x^2)'),pausex=q(1); y=atan(x);;n=2; x0=-5:10/(n-1):5;y1=lagr1(x,y,x0);hold on,plot(x0,y1,'g'),gtext('n=1'),pause,hold offx=q(5); y=atan(x); n=6;x0=-5:10/(n-1):5;y3=lagr1(x,y,x0);hold on,plot(x0,y3,'r'),gtext('n=5'),pause,hold offx=q(9); y=atan(x);n=10;x0=-5:10/(n-1):5;y4=lagr1(x,y,x0);hold on,plot(x0,y4,'r:'),gtext('n=9'),pause,hold off实验二的关键程序问题一的程序x0=linspace(-1,1,11);y0=1./(1+9*x0.^2);x=-1:0.02:1;y=lagr1(x0,y0,x);yi=spline(x0,y0,x)%%求三次样条插值z=1./(1+9*x.^2);Ri=abs((z-yi)./z);%%三次样条插值相对误差R=abs((z-y)./z);%%lagrange插值相对误差x,y,z,yi,R,Ri=[x',y',z',yi',R',Ri']n=size(x0)plot(x,z,'o',x,y,'-',x,yi,'r*')legend('原始图像','lagrange插值','三次样条插值')问题二的程序m=101;x=-1:2/(m-1):1;y=1./(1+25*x.^2);plot(x,y)xi=0:10;yi=[0.0,0.79,1.53,2.19,2.71,3.03,3.27,2.89,3.06,3.19,3.29];pp=csape(x,y,'complete',[0.8,0.2]);xj=0:0.1:10;yj=ppval(pp,xi);plot(x,y,'*');plot(xi,yi)思考题程序%%以下为三种不同的方式——1x0=[100 200 300 400];y0=[100200300400];z0=[636 697 624 478698 712 630 478680 674 598 412662 626 552 334];pp=csape({x0,y0},z0') ;xi=100:1:400;yi=100:1:400 ;cz1=fnval(pp,{xi,yi}) ;cz2=interp2(x0,y0,z0,xi,yi','Linear') ;[i,j]=find(cz1==max(max(cz1))) ;x=xi(i),y=yi(j),zmax=cz1(i,j)——2x0=[100 200 300 400];y0=[100200300400];z0=[636 697 624 478698 712 630 478680 674 598 412662 626 552 334];pp=csape({x0,y0},z0') ;xi=100:1:400;yi=100:1:400 ;cz1=fnval(pp,{xi,yi}) ;cz2=interp2(x0,y0,z0,xi,yi','cubic') ;[i,j]=find(cz1==max(max(cz1))) ;x=xi(i),y=yi(j),zmax=cz1(i,j)——3x0=[100 200 300 400];y0=[100200300400];z0=[636 697 624 478698 712 630 478680 674 598 412662 626 552 334];pp=csape({x0,y0},z0') ;xi=100:1:400;yi=100:1:400 ;cz1=fnval(pp,{xi,yi}) ;cz2=interp2(x0,y0,z0,xi,yi','spline') ;[i,j]=find(cz1==max(max(cz1))) ;x=xi(i),y=yi(j),zmax=cz1(i,j)指导教师：年月日。
多项式插值计算方法
多项式插值计算方法一、引言多项式插值是数值分析中常用的一种方法，它可以通过已知的数据点来构造一个多项式函数，从而在数据点之间进行插值。
多项式插值方法在实际应用中具有广泛的用途，例如图像处理、数据拟合、信号处理等领域。
本文将介绍多项式插值的基本原理和几种常用的计算方法。
二、基本原理多项式插值的基本原理是通过已知的数据点来构造一个多项式函数，使得该函数经过这些数据点。
假设已知的数据点为(x1, y1), (x2, y2), ..., (xn, yn)，其中xi和yi分别表示自变量和因变量的取值。
我们希望找到一个多项式函数P(x)，使得P(xi) = yi。
根据插值定理，只要选取足够多的数据点，就可以找到一个唯一的多项式函数满足插值条件。
三、拉格朗日插值法拉格朗日插值法是一种常用的多项式插值方法。
它基于拉格朗日插值多项式的思想，通过构造一个n次多项式来实现插值。
具体步骤如下：1. 根据已知的n+1个数据点，构造拉格朗日插值多项式的基函数Li(x)，其中i表示第i个数据点。
2. 将基函数Li(x)与对应的因变量yi相乘，得到Li(x)*yi。
3. 将所有的Li(x)*yi相加，得到最终的插值多项式P(x)。
4. 将自变量x代入插值多项式P(x)中，即可得到对应的插值结果。
拉格朗日插值法的优点是简单易懂，计算量较小。
但当数据点较多时，计算复杂度会增加，同时在边界处的插值结果可能会出现较大误差。
四、牛顿插值法牛顿插值法是另一种常用的多项式插值方法。
它基于差商的概念，通过构造一个n次多项式来实现插值。
具体步骤如下：1. 根据已知的n+1个数据点，计算差商表。
2. 根据差商表的值，构造牛顿插值多项式。
3. 将自变量x代入插值多项式中，即可得到对应的插值结果。
牛顿插值法的优点是计算效率高，尤其适用于数据点较多的情况。
但在插值区间较大时，插值结果可能会出现振荡现象。
五、埃尔米特插值法埃尔米特插值法是一种基于导数信息的多项式插值方法。
多项式插值计算方法
多项式插值计算方法引言：多项式插值是数值分析中常用的一种方法，用于通过已知数据点构造一个多项式函数，以逼近或插值这些数据点。
本文将介绍多项式插值的基本概念、插值多项式的计算方法以及应用场景。
一、多项式插值的基本概念在实际问题中，我们经常需要通过有限个数据点来近似或还原一个函数。
多项式插值是一种常见的数值方法，通过构造一个多项式函数来逼近或插值已知的数据点。
多项式插值的基本思想是：假设我们有n+1个数据点(x0, y0), (x1, y1), ..., (xn, yn)，其中xi为已知的节点，yi为对应的函数值。
我们希望找到一个次数不超过n的多项式P(x)，使得P(xi)=yi。
这个多项式P(x)就是我们要求解的插值多项式。
二、拉格朗日插值多项式的计算方法拉格朗日插值多项式是多项式插值的一种常用方法。
它的基本思想是构造n次多项式，使得多项式在每个节点上都满足插值条件。
具体计算步骤如下：1. 根据已知的n+1个数据点(x0, y0), (x1, y1), ..., (xn, yn)，构造n 次拉格朗日基函数：Li(x) = Π[j=0, j≠i]^(n) (x-xj) / (xi-xj)，其中i=0,1,...,n。
2. 构造拉格朗日插值多项式：P(x) = Σ[i=0]^(n) yi * Li(x)，其中i=0,1,...,n。
三、牛顿插值多项式的计算方法牛顿插值多项式是另一种常用的多项式插值方法。
它的基本思想是通过差商来递推计算插值多项式的系数。
具体计算步骤如下：1. 根据已知的n+1个数据点(x0, y0), (x1, y1), ..., (xn, yn)，计算差商表：f[x0] = y0，f[x1] = (y1-y0) / (x1-x0)，f[x2] = (f[x2]-f[x1]) / (x2-x1)，...f[xn] = (f[xn]-f[xn-1]) / (xn-xn-1)。
2. 构造牛顿插值多项式：P(x) = f[x0] + Σ[i=1]^(n) f[x0, x1, ..., xi] * Π[j=0]^(i-1) (x-xj)，其中i=1,2,...,n。
多项式插值与拉格朗日插值
多项式插值与拉格朗日插值多项式插值是数值分析领域中常用的一种插值方法，它可以通过已知的数据点，构造出一个多项式函数来逼近未知的函数曲线。
而拉格朗日插值则是多项式插值的一种特殊形式，它通过构造拉格朗日基函数来进行插值计算。
本文将对多项式插值与拉格朗日插值进行详细介绍与比较。
一、多项式插值多项式插值的基本思想是通过已知的数据点来构造一个经过这些点的多项式函数，然后使用该多项式函数来近似未知的函数曲线。
多项式插值可以通过以下的步骤来实现：1. 收集数据：根据需要，收集一组已知数据点，记为{(x0, y0), (x1,y1), ... , (xn, yn)}，其中xi为已知数据点的横坐标，yi为对应的纵坐标。
2. 构造多项式：根据已知数据点，构造一个多项式函数P(x)，使得P(xi) = yi。
构造多项式的常用方法有拉格朗日插值和牛顿插值。
3. 进行插值计算：使用构造的多项式函数P(x)来进行未知数据点的估算。
可以通过代入未知横坐标得到对应的纵坐标值。
多项式插值的优点是简单易懂，计算效率较高。
但当插值点较多时，多项式插值可能会出现龙格现象，导致插值曲线的振荡现象。
二、拉格朗日插值拉格朗日插值是多项式插值的一种特殊形式，它通过构造拉格朗日基函数来进行插值计算。
拉格朗日插值的具体步骤如下：1. 收集数据：同多项式插值一样，根据需要，收集一组已知数据点。
2. 构造拉格朗日基函数：对于已知数据点{(x0, y0), (x1, y1), ... , (xn, yn)}，构造n次的拉格朗日基函数Li(x)，公式如下：Li(x) = Π[j=0, j≠i, n]((x - xj) / (xi - xj))其中n为已知数据点的个数，i为当前基函数的索引。
3. 构造插值函数：将拉格朗日基函数与对应的纵坐标相乘，并求和，即可得到插值函数，公式如下：P(x) = Σ[i=0, n](Li(x) * yi)拉格朗日插值的优点是插值计算简单明了，不需要再进行额外的计算步骤。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一次Lagrange插值多项式
已知函数y f ( x)在点x0 , x1 上的值为y0 , y1 ，要求多项 式y p1( x),使 p1( x0 ) y0 ，p1( x1 ) y1 。其几何意义，就是通 过两点 A( x0 , y0 ), B( x1 , y1 ) 的一条直线，如图所示。
lk ( xi ) ki 0, i k
但与f(x)无关.
则称 lk(x)为节点 x0 , … , xn 上的拉格朗日插值基函数。
由构造法可得
可以证明 l0(x), l1(x), …, ln(x) 线性无关，即它们 构成线性空间 Pn(x) 的一组基。
Lagrange插值
可以计算出 ln11.75 的近似值为：
可见，抛物插值的精度比线性插值要高。 Lagrange插值多项式简单方便, 只要取定节点就可写 出基函数,进而得到插值多项式。易于计算机实现。
求函数 f(x) 的近似表达式 p(x) 的方法就称为插值 法。
插值多项式的唯一性
定理 (唯一性) 满足n+1个插值条件的n 次插值
多项式存在且唯一。
证明： 设所要构造的插值多项式为：
Pn ( x) a0 a1 x a2 x2 an xn 由插值条件 Pn ( xi ) yi , i 0, 1, , n
n+1个互异点 a x0 x1 ... xn b 上的函数值
y0, y1 , … , yn ，若存在一个次数不超过 n 次的多项式
p( x) a0 a1 x ... an xn
满足条件
插值条件
p(xi) = yi (i = 0, … n)
（4-1）
则称 p(x) 为 f(x) 的 n 次插值多项式。
则插值多项式 pn(x)可以被这组基线性表出，即：
p( x) a00( x) a11( x) ... ann( x)
这样就可以通过不同的基来构造插值多项式 pn(x) 项，这样的方法称为基函数法。
基函数法基本步骤： 1) 寻找特殊的基函数组（插值基函数） 2) 确定插值多项式在这组基下的表示系数。
注：该定理的证明过程实质上给出了一种求插值 多项式的一个方法，但此方法不适合计算机求解。 我们要寻找用计算机的求解方法。
插值基函数
令 Pn(x)={次数不超过 n 的多项式的全体}，则 Pn(x) 构成一个 n+1 维线性空间，设其一组基为
0( x), 1( x), ..., n( x)
得到如下线性代数方程组：
1
a0
x0a1
1
a0
x1a1
1 a0 xna1
x0nan y0 x1nan y1
xnnan yn
存在唯一性定理证明(续)
此方程组的系数行列式为
1 x0 x02
1 D
x1
x12
x0n
x1n
设 f(x) 的 n 次插值多项式为
满足插值条件： p(xi) = yi (i = 0, … n) 将 x0 , … , xn 分别代入即可得： ai = yi (i = 0, … n) 所以
称为拉格朗日插值多项式，记作 Ln(x)，即
线性插值与抛物插值
当 n =1 时
线性插值多项式（一次插值多项式）
一次Lagrange插值多项式
由直线两点式可知，通过A,B 的直线方程为
y
y0
y1 x1
y0 x0
x x0
p1( x)
它也可变形为 p1( x) l0 ( x) y0 l1( x) y1
l0( x)
x x1 x0 x1
, l1( x)
x x0 x1 x0
插值点 x 邻接的插值节点。
线性插值：取 x0=11, x1=12 得
L1( x)
( x x1 ) ( x0 x1 )
y0
( x x0 ) ( x1 x0 )
y1
0.087 x
1.4409
插值举例
将 x=11.75 代入可得： 抛物插值：取 x0=11, x1=12, x2=13 。 将 x=11.75 代入可得：
( xi
x
2 n
xnn
范德蒙行列式 ！
当 xi x j i 1,2,n; j 1,2,n 时，
D 0， 因此，Pn(x)由a0, a1,…, an唯一确定。
插值多项式的唯一性
定理 (唯一性) 满足n+1个插值条件的n 次插值多 项式存在且唯一。
当 n =2 时
抛物(线)插值多项式（二次插值多项式）
插值举例
例：已知函数 y = lnx 的函数值如下
x
10
11
12
13
14
lnx 2.3026 2.3979 2.4849 2.5649 2.6391
试分别用线性插值和抛物插值计算 ln11.75的近似值。
解：在插值计算中，为了减小截断误差，通常选取与
•插值区间I=[min(x0,x2,…,xn), max],当插值点xI, 称内插 (Interpolation), 当插值点xI, 称外推(Extrapolation)
最常用的插值函数是 …多?项式
g(x) f(x)
x0
x1
x2
x
x3
x4
多项式插值
插值区间 插值节点
定义 设 y = f(x) 在区间[a,b] 上有定义，且已知它在
第四章 数据建模
数据建模: 插值和拟合 第一节 多项式插值
插值与拟合
插值
拟合
多项式插值
当函数 y = f(x) 非常复杂或未知时，在一系列节点 x0 ,… , xn 处测得函数值 y0 = f(x0)，… ，yn = f(xn)，由 此构造一个简单易算的近似函数 g(x) f(x)，满足条 件g(xi) = f(xi) (i = 0, … n)。称g(x) 为f(x) 的插值函数。
显然有：l0( x0 ) l1( x1 ) 1, l0( x1 ) l1( x0 ) 0, p1( x0 ) y0 , p1( x1 ) y1,
拉格朗日（Lagrange）插值
定义 若存在一个次数为 n 的多项式lk(x)，在n+1
个节点 x0 , … , xn 上满足：
1, i k 与节点有关，