欢迎来到函数近似的世界！
你好！欢迎来到数值方法中最实用的章节之一。在现实世界中，科学家和工程师很少能拥有像 \(y = x^2\) 这样完美的公式。相反，他们通常面对的是一组数据点——比如每十分钟记录一次的化学反应温度。
在本章中，我们将学习如何找出一个能精确通过这些点的多项式。这让我们能够“填补空白”（插值）或预测未来可能发生的变化。如果起初觉得公式看起来有点长，不用担心；一旦你掌握了当中的规律，其实它们非常有规律且易于跟随！
1. 基础：我们在做什么？
想象你在纸上画了三个点。你可以画出无数条扭曲的线穿过它们，但只有一条特定的二次曲线（二次多项式）能完美地穿过这三点。我们的目标是运用两种巧妙的方法来找出这条曲线的方程：牛顿前向差分法 (Newton’s Forward Difference) 和 拉格朗日多项式 (Lagrange’s Polynomial)。
2. 牛顿前向差分插值法
当你的数据点间隔相等时，这种方法是你最好的朋友。如果你的 x 值例如是 1, 2, 3, 4... 那么这就是最适合你的方法！
差分表
在使用公式之前，我们会先建立一个差分表 (Difference Table)。这只是观察 y 值如何变化的一种方式。
• 一阶差分 (\(\Delta f(x)\))： 将第二个 y 值减去第一个，第三个减去第二个，以此类推。\( \Delta f(x) = f(x + h) - f(x) \)。
• 二阶差分 (\(\Delta^2 f(x)\))： 将一阶差分再次相减。
• 神奇法则： 如果你有一个 \(n\) 次多项式，那么第 \(n\) 阶差分将会是一个常数。例如，对于二次函数（\(x^2\)），二阶差分始终是相同的！
公式
要找出函数在某点 \(x\) 的值，我们使用：
\( f(x) = f(x_0) + \binom{p}{1}\Delta f(x_0) + \binom{p}{2}\Delta^2 f(x_0) + ... \)
其中 \( p = \frac{x - x_0}{h} \)。这里，\(h\) 是“步长”（x 值之间的间距）。
小贴士： 把 \(p\) 想成是“距离起点有多少步？”。如果你想求 \(x=1.5\) 的值，而你的表格从 \(x=1\) 开始，间距为 \(1\)，那么 \(p\) 就是 \(0.5\)。
你知道吗？ 这种方法在 17 世纪被天文学家大量使用，用来预测行星的位置，而不必每次都进行繁琐的计算！
常见错误：
检查你的间隔！ 学生常试图在 x 值间距不相等（例如 \(x = 1, 2, 5, 10\)）时使用牛顿法。这方法只有在间隔完全相同时才有效。如果不是，你就必须改用拉格朗日法。
重点总结： 牛顿法使用差分表来“逐步建立”多项式。它只适用于间隔相等的数据。
3. 拉格朗日插值多项式
如果说牛顿法是“逐步建设”的过程，那么拉格朗日法就像是一套“量身定做”的西装。它适用于任何数据点组合，无论 x 值之间的间距有多奇怪。
运作原理（类比）
想象你有三个点：A、B 和 C。拉格朗日法会建立三个独立的迷你多项式：
1. 其中一个在 A 点时等于 A 的 y 值，但在 B 和 C 点时为零。
2. 其中一个在 B 点时等于 B 的 y 值，但在 A 和 C 点时为零。
3. 其中一个在 C 点时等于 C 的 y 值，但在 A 和 B 点时为零。
当你把这三个多项式加起来，就会得到一条完美穿过所有三个点的曲线！
规律
对于三个点 \((x_0, y_0), (x_1, y_1), (x_2, y_2)\)，公式为：
\( L(x) = y_0 \frac{(x - x_1)(x - x_2)}{(x_0 - x_1)(x_0 - x_2)} + y_1 \frac{(x - x_0)(x - x_2)}{(x_1 - x_0)(x_1 - x_2)} + y_2 \frac{(x - x_0)(x - x_1)}{(x_2 - x_0)(x_2 - x_1)} \)
如果觉得这很难，别担心！ 只要记住“无视我”法则 (Ignore Me Rule)：
在每个分数的分子中，放入所有 x 值，除了那个与前面 y 值对应的 x 值。例如，如果你前面放的是 \(y_0\)，分子的括号里就不要放 \(x_0\)。在分母中，你只需要将分子中的 \(x\) 替换为那个“被无视的”值即可。
快速回顾：何时该用哪种方法？
• 牛顿法： 当 x 值分别为 1, 2, 3, 4 时使用（间隔相等）。如果你有很多点，手算起来更快。
• 拉格朗日法： 当 x 值分别为 1, 2, 5, 12 时使用（间隔不相等）。而且它在一次性写出整个多项式时也更方便。
重点总结： 拉格朗日多项式是透过将在特定数据点“开启”并在其他点“关闭”的项相加而建立的。它们适用于任何间距。
4. 准确性与误差
在数值方法中，我们总是关心自己可能“错”了多少。
误差 = 近似值 - 精确值
• 多项式在近似平滑曲线（如 \(e^x\) 或 \(\sin(x)\)）方面表现出色。
• 然而，离已知数据点越远（外推法），多项式的表现可能越“狂野”。请尽量将数值范围控制在你的数据区间内！
总结清单
• 我会建立差分表吗？（正确减去 y 值）。
• 我知道多项式的次数吗？（如果三阶差分是常数，则它是三次多项式）。
• 我会使用拉格朗日的“无视我”法则吗？（规律识别是关键！）。
• 我用对方法了吗？（间隔相等 = 牛顿法；任何间隔 = 拉格朗日法）。
你能行的！函数近似其实就是寻找连接数据点的正确规律。继续练习表格减法，其余的部分自然会融会贯通。