В математике, разделенные разности - это алгоритм, исторически использовался для вычисления таблиц логарифмов и тригонометрических функций. Разностный механизм Чарльза Бэббиджа, ранний механический калькулятор, был разработан для использования этого алгоритма в своей работе.
Разделенные различия - это рекурсивный процесс деления. Этот метод можно использовать для вычисления коэффициентов в интерполяционном полиноме в форме Ньютона.
Содержание
- 1 Определение
- 2 Обозначение
- 3 Пример
- 4 Свойства
- 5 Альтернативные определения
- 5.1 Расширенная форма
- 5.2 Форма Пеано
- 5.3 Форма Тейлора
- 5.3.1 Первый порядок
- 5.3.2 Высший порядок
- 6 Полиномы и степенные ряды
- 7 Прямые разности
- 7.1 Определение
- 7.2 Пример
- 8 См. Также
- 9 Ссылки
- 10 Внешние ссылки
Определение
Дано k + 1 точек данных
прямые разделенные разности определяются как:
разделенные назад разности определяются как:
Обозначение
Если точки данных заданы как функция ƒ,
иногда пишут
Несколько обозначений для разделенной разности функции ƒ в узлах x 0,..., x n используются:
и т. д.
Пример
Разделенные различия для и первых нескольких значений :
Чтобы сделать рекурсивный процесс более понятным, разделенные разности можно представить в виде таблицы:
Свойства
- Разделенные разности симметричны: Если - это перестановка, тогда
- где находится в открытом интервале, определяемом наименьшим и наибольшим из значений .
Матричная форма
Схема разделенных разностей может быть помещена в верхнюю треугольную матрицу. Пусть .
Тогда выполняется
- Это следует из правила Лейбница. Это означает, что умножение таких матриц коммутативно. Подводя итог, можно сказать, что матрицы схем разделенных разностей по отношению к одному и тому же набору узлов образуют коммутативное кольцо.
- Поскольку является треугольным матрица, ее собственные значения, очевидно, равны .
- Пусть будет дельта-функцией Кронекера, то есть
- Очевидно , таким образом, является собственной функцией поточечного умножения функций. То есть каким-то образом является «собственной матрицей » : . Однако все столбцы кратны друг другу, ранг матрицы равно 1. Таким образом, вы можете составить матрицу всех собственных векторов из -й столбец каждого . Обозначим матрицу собственных векторов с помощью . Пример
- диагонализация можно записать как
- .
Альтернативные определения
Расширенная форма
С помощью полиномиальной функции с это можно записать как
В качестве альтернативы, мы можем разрешить отсчет в обратном порядке от начала последовательности, определив всякий раз, когда или
f [x 0,…, xn] = ∑ J знак равно 0 NF (XJ) ∏ К знак равно J - NJ - 1 (XJ - XK) + ∑ J = 0 NF (XJ) ∏ К = J + 1 J + N (XJ - XK) {\ Displaystyle F [X_ {0}, \ dots, x_ {n}] = \ sum _ {j = 0} ^ {n} {\ frac {f (x_ {j})} {\ prod \ limits _ {k = jn} ^ { j-1} (x_ {j} -x_ {k})}} + \ sum _ {j = 0} ^ {n} {\ frac {f (x_ {j})} {\ prod \ limits _ {k = j + 1} ^ {j + n} (x_ {j} -x_ {k})}}}
Еще одна характеристика использует ограничения:
f [x 0,…, xn] = ∑ j = 0 n lim x → xj [е (xj) (x - xj) ∏ k = 0 n (x - xk)] {\ displaystyle f [x_ {0}, \ dots, x_ {n}] = \ sum _ { j = 0} ^ {n} \ lim _ {x \ rightarrow x_ {j}} \ left [{\ frac {f (x_ {j}) (x-x_ {j})} {\ prod \ limits _ { k = 0} ^ {n} ( x-x_ {k})}} \ right]}
Частичные дроби
Вы можете представить частичные дроби, используя развернутую форму разделенных разностей. (Это не упрощает вычисления, но интересно само по себе.) Если p {\ displaystyle p}и q {\ displaystyle q}равны полиномиальные функции, где degp < d e g q {\displaystyle \mathrm {deg} \ p<\mathrm {deg} \ q}и q {\ displaystyle q}задаются в терминах линейных коэффициентов на q (ξ) знак равно (ξ - Икс 1) ⋅ ⋯ ⋅ (ξ - xn) {\ Displaystyle q (\ xi) = (\ xi -x_ {1}) \ cdot \ dots \ cdot (\ xi -x_ {n })}, то из разложения на частичную дробь следует, что
- p (ξ) q (ξ) = (t → p (t) ξ - t) [x 1,…, xn]. {\ displaystyle {\ frac {p (\ xi)} {q (\ xi)}} = \ left (t \ to {\ frac {p (t)} {\ xi -t}} \ right) [x_ { 1}, \ dots, x_ {n}].}
Если ограничивает разделенных разностей, то эта связь также сохраняется, если некоторые из xj {\ displaystyle x_ {j}}совпадают.
Если f {\ displaystyle f}является полиномиальной функцией произвольной степени и разлагается на f (x) = p (x) + q (x) ⋅ d (x) {\ displaystyle f (x) = p (x) + q (x) \ cdot d (x)}с использованием полиномиального деления от f {\ displaystyle f}на q {\ displaystyle q}, затем
- p (ξ) q (ξ) = (t → f (t) ξ - t) [x 1,…, xn]. {\ displaystyle {\ frac {p (\ xi)} {q (\ xi)}} = \ left (t \ to {\ frac {f (t)} {\ xi -t}} \ right) [x_ { 1}, \ dots, x_ {n}].}
Форма Пеано
Разделенные разности могут быть выражены как
- f [x 0,…, xn] = 1 n! ∫ Икс 0 xnf (N) (t) B n - 1 (t) dt {\ displaystyle f [x_ {0}, \ ldots, x_ {n}] = {\ frac {1} {n!}} \ Int _ {x_ {0}} ^ {x_ {n}} f ^ {(n)} (t) B_ {n-1} (t) \, dt}
где B n - 1 {\ displaystyle B_ {n-1}}- это B-сплайн степени n - 1 {\ displaystyle n-1}для точек данных x 0,…, xn {\ displaystyle x_ {0}, \ dots, x_ {n}}и f (n) {\ displaystyle f ^ {(n)}}является n {\ displaystyle n}-ой производной функции f {\ displaystyle f}.
Это называется форма Пеано разделенных разностей и B n - 1 {\ displaystyle B_ {n-1}}называется ядром Пеано для разделенные разности, оба названы в честь Джузеппе Пеано.
форма Тейлора
Первый порядок
Если узлы суммируются, то численное вычисление разделенных разностей неточно, потому что вы делите почти два нуля, каждый из которых с высокой относительной ошибкой из-за разницы s аналогичные значения. Однако мы знаем, что коэффициенты разности аппроксимируют производную и наоборот:
- f (y) - f (x) y - x ≈ f ′ (x) {\ displaystyle {\ frac {f (y) -f (x)} {yx}} \ приблизительно f '(x)}для x ≈ y {\ displaystyle x \ приблизительно y}
Это приближение можно превратить в тождество всякий раз, когда применяется теорема Тейлора.
- f (y) = f (x) + f ′ (x) ⋅ (y - x) + f ″ (x) ⋅ (y - x) 2 2! + е ‴ (х) ⋅ (у - х) 3 3! +… {\ Displaystyle f (y) = f (x) + f '(x) \ cdot (yx) + f' '(x) \ cdot {\ frac {(yx) ^ {2}} {2!} } + f '' '(x) \ cdot {\ frac {(yx) ^ {3}} {3!}} + \ dots}
- ⇒ f (y) - f (x) y - x = f ′ (Х) + е ″ (х) ⋅ у - х 2! + е ‴ (х) ⋅ (у - х) 2 3! +… {\ Displaystyle \ Rightarrow {\ frac {f (y) -f (x)} {yx}} = f '(x) + f' '(x) \ cdot {\ frac {yx} {2!} } + f '' '(x) \ cdot {\ frac {(yx) ^ {2}} {3!}} + \ dots}
Вы можете исключить нечетные степени y - x {\ displaystyle yx}путем расширения ряда Тейлора в центре между x {\ displaystyle x}и y {\ displaystyle y}:
- x = m - h, y = m + h {\ displaystyle x = mh, y = m + h}, то есть m = x + y 2, h = y - x 2 {\ displaystyle m = {\ frac {x + y} {2}}, h = {\ frac {yx} {2}}}
- f (m + h) = f (m) + f ′ ( м) ⋅ ч + е ″ (м) ⋅ ч 2 2! + е ‴ (м) ⋅ ч 3 3! +… {\ Displaystyle f (m + h) = f (m) + f '(m) \ cdot h + f' '(m) \ cdot {\ frac {h ^ {2}} {2!}} + f '' '(m) \ cdot {\ frac {h ^ {3}} {3!}} + \ dots}
- f (m - h) = f (m) - f ′ (m) ⋅ h + f ″ (м) ⋅ ч 2 2! - е ‴ (м) ⋅ ч 3 3! +… {\ Displaystyle f (mh) = f (m) -f '(m) \ cdot h + f' '(m) \ cdot {\ frac {h ^ {2}} {2!}} - f' '' (m) \ cdot {\ frac {h ^ {3}} {3!}} + \ dots}
- f (y) - f (x) y - x = f (m + h) - f (м - ч) 2 ⋅ ч = е '(м) + е ‴ (м) ⋅ ч 2 3! +… {\ Displaystyle {\ frac {f (y) -f (x)} {yx}} = {\ frac {f (m + h) -f (mh)} {2 \ cdot h}} = f ' (m) + f '' '(m) \ cdot {\ frac {h ^ {2}} {3!}} + \ dots}
Высший порядок
Ряд Тейлора или любое другое представление с функцией ряд функций в принципе может использоваться для аппроксимации разделенных разностей. Ряды Тейлора представляют собой бесконечные суммы степенных функций. Преобразование функции f {\ displaystyle f}в разделенную разность f [x 0,…, xn] {\ displaystyle f [x_ {0}, \ dots, x_ {n}]}- это линейный функционал. Мы также можем применить этот функционал к слагаемым функциям.
Выразите обозначение мощности с помощью обычной функции: p n (x) = x n. {\ displaystyle p_ {n} (x) = x ^ {n}.}
Регулярный ряд Тейлора представляет собой взвешенную сумму степенных функций: f = f (0) ⋅ p 0 + f ′ (0) ⋅ п 1 + е ″ (0) 2! ⋅ п 2 + е ‴ (0) 3! ⋅ п 3 +… {\ displaystyle f = f (0) \ cdot p_ {0} + f '(0) \ cdot p_ {1} + {\ frac {f' '(0)} {2!}} \ cdot p_ {2} + {\ frac {f '' '(0)} {3!}} \ cdot p_ {3} + \ dots}
Ряд Тейлора для разделенных разностей: f [x 0, …, Xn] = f (0) ⋅ p 0 [x 0,…, xn] + f ′ (0) ⋅ p 1 [x 0,…, xn] + f ″ (0) 2! ⋅ p 2 [x 0,…, x n] + f ‴ (0) 3! ⋅ п 3 [x 0,…, xn] +… {\ displaystyle f [x_ {0}, \ dots, x_ {n}] = f (0) \ cdot p_ {0} [x_ {0}, \ dots, x_ {n}] + f '(0) \ cdot p_ {1} [x_ {0}, \ dots, x_ {n}] + {\ frac {f' '(0)} {2!}} \ cdot p_ {2} [x_ {0}, \ dots, x_ {n}] + {\ frac {f '' '(0)} {3!}} \ cdot p_ {3} [x_ {0}, \ точки, x_ {n}] + \ dots}
Мы знаем, что первые n {\ displaystyle n}члены исчезают, потому что у нас порядок разницы выше, чем порядок полиномов, и в следующий член разделенной разности равен единице:
- ∀ j < n p j [ x 0, …, x n ] = 0 p n [ x 0, …, x n ] = 1 p n + 1 [ x 0, …, x n ] = x 0 + ⋯ + x n p n + m [ x 0, …, x n ] = ∑ a ∈ { 0, …, n } m with a 1 ≤ a 2 ≤ ⋯ ≤ a m ∏ j ∈ a x j. {\displaystyle {\begin{array}{llcl}\forall j
Отсюда следует, что ряд Тейлора для разделенной разности по существу начинается с f (n) (0) n! {\ displaystyle {\ frac {f ^ {(n)} (0)} {n!}}}, которое также является простой аппроксимацией разделенной разности согласно теореме о среднем значении для разделенных разностей.
Если бы нам пришлось вычислять разделенные разности для степенных функций обычным способом, мы бы столкнулись с теми же численными проблемами, что и при вычислении разделенной разности f {\ displaystyle f}. Приятно то, что есть способ попроще. Имеет место
- tn = (1 - x 0 ⋅ t) ⋯ ⋅ (1 - xn ⋅ t) ⋅ (p 0 [x 0,…, xn] + p 1 [x 0,…, xn] ⋅ t + p 2 [x 0,…, xn] ⋅ t 2 +…). {\ displaystyle t ^ {n} = (1-x_ {0} \ cdot t) \ dots \ cdot (1-x_ {n} \ cdot t) \ cdot (p_ {0} [x_ {0}, \ dots, x_ {n}] + p_ {1} [x_ {0}, \ dots, x_ {n}] \ cdot t + p_ {2} [x_ {0}, \ dots, x_ {n}] \ cdot t ^ {2} + \ dots).}
Следовательно, мы можем вычислить разделенные разности pn {\ displaystyle p_ {n}}на деление формальный степенной ряд. Посмотрите, как это сводится к последовательному вычислению степеней, когда мы вычисляем pn [h] {\ displaystyle p_ {n} [h]}для нескольких n {\ displaystyle n}.
Если вам нужно вычислить целую схему разделенных разностей относительно ряда Тейлора, см. Раздел о разделенных разностях степенного ряда.
Полиномы и степенного ряда
Разделенные разности многочленов особенно интересны, потому что они могут извлечь выгоду из правила Лейбница. Матрица J {\ displaystyle J}с
- J = (x 0 1 0 0 ⋯ 0 0 x 1 1 0 ⋯ 0 0 0 x 2 1 0 ⋮ ⋮ ⋱ ⋱ 0 0 0 0 xn) {\ displaystyle J = {\ begin {pmatrix} x_ {0} 1 0 0 \ cdots 0 \\ 0 x_ {1} 1 0 \ cdots 0 \\ 0 0 x_ {2} 1 0 \\\ vdots \ vdots \ ddots \ ddots \\ 0 0 0 0 x_ {n} \ end {pmatrix}}}
содержит схему разделенных разностей для функции идентичности относительно узлов x 0,…, xn { \ displaystyle x_ {0}, \ dots, x_ {n}}, таким образом, J n {\ displaystyle J ^ {n}}содержит разделенные разности для степенная функция с экспонентой n {\ displaystyle n}. Следовательно, можно получить разделенные разности для полиномиальной функции φ (p) {\ displaystyle \ varphi (p)}относительно полинома p {\ displaystyle p}, применяя p {\ displaystyle p}(точнее: соответствующую ему матричную полиномиальную функцию φ M (p) {\ displaystyle \ varphi _ {\ mathrm {M}} (p)}) в матрицу J {\ displaystyle J}.
- φ (p) (ξ) = a 0 + a 1 ⋅ ξ + ⋯ + an ⋅ ξ N {\ displaystyle \ varphi (p) (\ xi) = a_ {0} + a_ {1} \ cdot \ xi + \ dots + a_ {n} \ cdot \ xi ^ {n}}
- φ M (p) (J) знак равно a 0 + a 1 ⋅ J + ⋯ + an ⋅ J n {\ displaystyle \ varphi _ {\ mathrm {M}} (p) (J) = a_ {0} + a_ {1} \ cdot J + \ dots + a_ {n} \ cdot J ^ {n}}
- = (φ (p) [x 0] φ (p) [x 0, x 1 ] φ (p) [x 0, x 1, x 2]… φ (p) [x 0,…, xn] 0 φ (p) [x 1] φ (p) [x 1, x 2]… φ (п) [Икс 1,…, xn] ⋮ ⋱ ⋱ ⋱ ⋮ 0… 0 0 φ (p) [xn]) {\ displaystyle = {\ begin {pmatrix} \ varphi (p) [x_ {0}] \ varphi (p) [x_ {0}, x_ {1}] \ varphi ( p) [x_ {0}, x_ {1}, x_ {2}] \ ldots \ varphi (p) [x_ {0}, \ dots, x_ {n}] \\ 0 \ varphi (p) [ x_ {1}] \ varphi (p) [x_ {1}, x_ {2}] \ ldots \ varphi (p) [x_ {1}, \ dots, x_ {n}] \\\ vdots \ ddots \ ddots \ ddots \ vdots \\ 0 \ ldots 0 0 \ varphi (p) [x_ {n}] \ end {pmatrix}}}
Это известно как формула Опица.
Теперь рассмотрим увеличение степени p {\ displaystyle p}до бесконечности, т.е. превратите многочлен Тейлора в ряд Тейлора. Пусть f {\ displaystyle f}будет функцией, которая соответствует степенному ряду. Вы можете вычислить схему разделенных разностей, вычислив соответствующий матричный ряд, примененный к J {\ displaystyle J}. Если все узлы x 0,…, xn {\ displaystyle x_ {0}, \ dots, x_ {n}}равны, то J {\ displaystyle J}- это блок Джордана, и вычисление сводится к обобщению скалярной функции до матричной функции с использованием разложения Джордана.
Прямые разности
Когда точки данных распределены равноудаленно, мы получаем особый случай, называемый прямыми разностями . Их легче вычислить, чем более общие разделенные разности.
Обратите внимание, что «разделенная часть» из прямой разделенной разницы все еще должна быть вычислена, чтобы восстановить прямую разделенную разницу из прямой разделенной разницы .
Определение
Дано n точек данных
- (x 0, y 0),…, (xn - 1, yn - 1) {\ displaystyle (x_ {0}, y_ {0}), \ ldots, (x_ {n-1}, y_ {n-1})}
с
- x ν = x 0 + ν h, h>0, ν = 0,…, n - 1 {\ displaystyle x_ {\ nu} = x_ {0} + \ nu h, \ h>0, \ \ nu = 0, \ ldots, n-1}
разделенные различия может быть вычислено с помощью разницы вперед, определенной как
- Δ (0) yi: = yi {\ displaystyle \ Delta ^ {(0)} y_ {i}: = y_ {i}}
- Δ (к) yi: знак равно Δ (k - 1) yi + 1 - Δ (k - 1) yi, k ≥ 1. {\ displaystyle \ Delta ^ {(k)} y_ {i}: = \ Delta ^ { (k-1)} y_ {i + 1} - \ Delta ^ {(k-1)} y_ {i}, \ k \ geq 1.}
Связь между разделенными разностями ces и прямая разница составляет
- f [x 0, x 1,…, x k] = 1 k! h k Δ (k) f (x 0). {\ displaystyle f [x_ {0}, x_ {1}, \ ldots, x_ {k}] = {\ frac {1} {k! h ^ {k}}} \ Delta ^ {(k)} f ( x_ {0}).}
Пример
- y 0 Δ y 0 y 1 Δ 2 y 0 Δ y 1 Δ 3 y 0 y 2 Δ 2 y 1 Δ y 2 y 3 {\ displaystyle {\ begin { матрица} y_ {0} \\ \ Delta y_ {0} \\ y_ {1} \ Delta ^ {2} y_ {0} \\ \ Delta y_ {1} \ Delta ^ {3 } y_ {0} \\ y_ {2} \ Delta ^ {2} y_ {1} \\ \ Delta y_ {2} \\ y_ {3} \\\ end {matrix}}}
См. Также
Ссылки
- Луи Мелвилл Милн -Thomson (2000) [1933]. Исчисление конечных разностей. American Mathematical Soc. Глава 1: Разделенные различия. ISBN 978-0-8218-2107-7.
- Майрон Б. Аллен; Эли Л. Исааксон (1998). Численный анализ для прикладных наук. Джон Вили и сыновья. Приложение A. ISBN 978-1-118-03027-1.
- Рон Голдман (2002). Алгоритмы пирамиды: динамический подход к программированию кривых и поверхностей для геометрического моделирования. Морган Кауфманн. Глава 4: Интерполяция Ньютона и разностные треугольники. ISBN 978-0-08-051547-2.
Внешние ссылки