插值误差与 Chebyshev 节点

在多项式插值中，我们已经证明了对于 $n+1$ 个互异节点，总能唯一确定一个多项式 $P_n \in P_n$ 穿过所有给定点。

由定义可知，插值误差在采样节点处自然归零：

$$E(x_i) = f(x_i) - P_n(x_i) = 0, \quad i = 0, 1, \dots, n.$$

然而数值计算最核心的考量往往发生在采样点之间。用离散数据重构真实系统时，我们关切的是连续区间内的全局精度，而非仅仅在采样点上的精确吻合。

采样点越多，多项式就一定会收敛到真实曲线吗？

答案出人意料：对于最直观的等距采样，盲目提高多项式阶数反而会在区间两端激起剧烈的恶性发散，这就是著名的 Runge 现象。

本篇笔记深入解构插值误差的数学机理与现代解决方案[1][1] R. L. Burden and J. D. Faires, Numerical Analysis, 9th ed. Brooks/Cole, Cengage Learning, 2011., [2][2] M. U. School of Mathematics, “MTH2051: Introduction to Computational Mathematics: Course Lecture Notes and Study Workbooks,” 2026. Monash University course materials and study workbooks, Semester 2, 2026.：

1. Rolle 定理基础：从基础 Rolle 定理推广到适用于多零点的广义形式；
2. 插值误差余项定理：推导类似 Taylor 余项的 Cauchy 型误差闭式表达式；
3. 误差机制的双重解耦：将原函数的光滑度因子 $f^{(n+1)}(\xi)$ 与节点的几何乘积项 $\prod (x - x_i)$ 彻底拆解；
4. Runge 现象剖析：探究等距网格引发边界恶性震荡的根源；
5. Chebyshev 节点优化：利用 Chebyshev 多项式的极小化极大性质，彻底压平两端发散。

理论基石：Rolle 定理及其推广

插值误差公式的推导依赖于对微分中值定理的反复应用。

定理Rolle 定理

设 $u < v$。若函数 $g$ 在闭区间 $[u, v]$ 上连续，在开区间 $(u, v)$ 内可导，且区间两端函数值相等 $g(u) = g(v)$，则开区间内至少存在一点 $c \in (u, v)$ 满足

$$g'(c) = 0.$$

证明

由闭区间连续函数的最大最小值定理，连续函数 $g$ 在 $[u, v]$ 上必定取得最小值 $m$ 和最大值 $M$。

令端点值为 $L = g(u) = g(v)$。

• 若 $M = m = L$，则 $g$ 在整个区间上为常数函数，其导数处处为零：对任意 $x \in (u, v)$ 均有 $g'(x) = 0$。
• 若 $M > L$，则最大值必然在开区间内部某点 $c \in (u, v)$ 处取得。根据 Fermat 定理，函数在内点极值处的左导数非负、右导数非正。由于 $g$ 在该点处可导，左右导数必须相等，因此必有 $g'(c) = 0$。
• 若 $m < L$，同理对内部极小值点展开论证，亦得 $g'(c) = 0$。

定理广义 Rolle 定理

设 $g \in C^{n+1}([a, b])$。若 $g$ 在闭区间 $[a, b]$ 内拥有至少 $n+2$ 个互异的零点，则开区间 $(a, b)$ 内至少存在一点 $\xi$ 使得

$$g^{(n+1)}(\xi) = 0.$$

证明

采用数学归纳法。

归纳基步（$n = 0$）：拥有 $2$ 个互异零点的函数满足普通 Rolle 定理条件，直接保证一阶导数存在零点。

归纳假设与递推：假设命题对拥有 $n+1$ 个零点的 $C^n$ 函数成立。现设 $g \in C^{n+1}([a, b])$ 拥有 $n+2$ 个互异实零点，按大小升序排列为：

$$z_0 < z_1 < \dots < z_{n+1}.$$

在每个相邻子区间 $[z_i, z_{i+1}]$（$i = 0, \dots, n$）上分别应用 Rolle 定理，可得 $n+1$ 个互异的驻点：

$$w_i \in (z_i, z_{i+1}), \quad g'(w_i) = 0.$$

这意味着导函数 $g' \in C^n([a, b])$ 拥有至少 $n+1$ 个互异零点。将归纳假设应用于 $g'$，可知其 $n$ 阶导数必然存在零点，即存在 $\xi \in (a, b)$ 使得 $(g')^{(n)}(\xi) = g^{(n+1)}(\xi) = 0$。

插值误差公式

定理Cauchy 型插值误差余项公式

设函数 $f \in C^{n+1}([a, b])$，且多项式 $P_n \in P_n$ 在互异节点 $a \le x_0 < x_1 < \dots < x_n \le b$ 处插值函数 $f$。对区间内任意给定的求值点 $x \in [a, b]$，存在某个依赖于 $x$ 的中间点 $\xi_x \in (a, b)$，使得

$$f(x) - P_n(x) = \frac{f^{(n+1)}(\xi_x)}{(n+1)!} \prod_{i=0}^n (x - x_i).$$

证明

若选取的评估点 $x$ 恰好为某个插值节点 $x_i$，等式两端均为零，对任意选取的中值 $\xi_x$ 恒成立。

现固定任意不同于所有节点的求值点 $x \in [a, b]$。记该点处的插值误差为 $E(x) = f(x) - P_n(x)$，节点多项式为

$$\omega_{n+1}(t) = \prod_{j=0}^n (t - x_j).$$

引入以 $t \in [a, b]$ 为自变量的辅助函数：

$$G(t) = f(t) - P_n(t) - \frac{E(x)}{\omega_{n+1}(x)} \omega_{n+1}(t).$$

考察 $G(t)$ 的零点分布：

1. 将每个插值节点 $x_i$（$i = 0, \dots, n$）代入：

$$G(x_i) = f(x_i) - P_n(x_i) - \frac{E(x)}{\omega_{n+1}(x)} \omega_{n+1}(x_i) = 0 - 0 = 0.$$

2. 将特定的求值点 $t = x$ 代入：

$$G(x) = E(x) - \frac{E(x)}{\omega_{n+1}(x)} \omega_{n+1}(x) = E(x) - E(x) = 0.$$

由于 $x$ 与所有节点互异，辅助函数 $G(t)$ 在区间 $[a, b]$ 上拥有至少 $n+2$ 个不同的实零点。又因为 $f \in C^{n+1}$ 且 $P_n$ 与 $\omega_{n+1}$ 均为光滑多项式，故 $G \in C^{n+1}([a, b])$。

由广义 Rolle 定理，必存在一点 $\xi_x \in (a, b)$ 满足

$$G^{(n+1)}(\xi_x) = 0.$$

对辅助函数 $G(t)$ 关于变量 $t$ 连续求导 $n+1$ 次：

• 多项式 $P_n$ 的次数至多为 $n$，求导 $n+1$ 次后完全消失：$P_n^{(n+1)}(t) \equiv 0$；
• 节点多项式 $\omega_{n+1}(t) = t^{n+1} + \mathcal{O}(t^n)$ 为首一的 $n+1$ 次多项式，求导 $n+1$ 次后退化为常数 $(n+1)!$。

将中值点 $\xi_x$ 代入求导结果：

$$G^{(n+1)}(\xi_x) = f^{(n+1)}(\xi_x) - 0 - \frac{E(x)}{\omega_{n+1}(x)} (n+1)! = 0.$$

解出待求的误差项 $E(x) = f(x) - P_n(x)$：

$$f(x) - P_n(x) = \frac{f^{(n+1)}(\xi_x)}{(n+1)!} \omega_{n+1}(x) = \frac{f^{(n+1)}(\xi_x)}{(n+1)!} \prod_{i=0}^n (x - x_i).$$

误差机制的双重解耦

审视上述公式，可知插值误差在结构上被彻底解构为两个彼此独立的因子：

$$|f(x) - P_n(x)| \le \underbrace{\frac{\max_{t \in [a,b]} |f^{(n+1)}(t)|}{(n+1)!}}_{\text{原函数光滑度因子}} \cdot \underbrace{\prod_{i=0}^n |x - x_i|}_{\text{节点几何分布因子}}.$$

1. 原函数光滑度因子：仅取决于原函数 $f$ 本身的高阶导数极值，衡量曲线局部的曲率突变与高阶粗糙程度；
2. 节点几何分布因子：

$$\omega_{n+1}(x) = \prod_{i=0}^n (x - x_i).$$

该项与被逼近的函数 $f$ 完全无关，只由采样点 $x_0, \dots, x_n$ 在区间上的空间分布决定。

这种双因子解耦揭示了一个根本性的设计启示：对于给定的被测对象，原函数的解析导数无法改变；但采样节点的位置分布却完全掌握在算法设计者手中。

Runge 现象与等距网格的危机

在工程实践中，最直观的采样方式是等距网格采样：

$$x_i = a + i \cdot \frac{b - a}{n}, \quad i = 0, 1, \dots, n.$$

然而在 1901 年，数学家 Carl Runge 发现：对于极其平滑的解析函数，等距高次插值可能会发生灾难性的发散。

定义Runge 现象

在等距离散节点上构造高阶全局多项式插值时，区间边缘处出现的剧烈发散震荡现象，称为 Runge 现象。

Runge 给出的经典反例是定义在 $[-1, 1]$ 上的钟形函数：

$$f(x) = \frac{1}{1 + 25x^2}.$$

在实数轴上，该函数无穷次光滑且对称单峰。但在等距节点下增加采样点数量，多项式却无法在全区间收敛，反而在两端 $x \to \pm 1$ 附近产生剧烈震荡，最大误差随阶数指数爆炸：

$$\lim_{n \to \infty} \max_{x \in [-1, 1]} |f(x) - P_n(x)| = \infty.$$

这个交互图需要启用 JavaScript。

为什么会出现这种发散？误差公式给出了清晰的数学回答：

• 在等距网格下，乘积多项式 $\omega_{n+1}(x) = \prod_{i=0}^n (x - x_i)$ 在区间中心 $x \approx 0$ 处数值极小，但在靠近端点 $x = \pm 1$ 处数值急剧膨胀；
• 另一方面，虽然 $f(x)$ 在实轴上光滑，但在复平面上却拥有虚轴极点 $z = \pm 0.2 i$。根据复分析 Cauchy 积分公式，其高阶导数以阶乘级速率发散：$|f^{(n+1)}(\xi)| \sim (n+1)! \cdot 5^{n+1}$；
• 导数膨胀与边界几何乘积激增产生叠加效应，最终导致边界误差不可遏制地发散。

Chebyshev 节点与极小化极大优化

既然几何因子 $\omega_{n+1}(x) = \prod_{i=0}^n (x - x_i)$ 掌控着区间各处的误差放大率，我们能否通过优化节点位置，使其在整个区间上的最大峰值达到极小？

在标准区间 $[-1, 1]$ 上，该优化目标表述为：

$$\min_{x_0, \dots, x_n \in [-1, 1]} \max_{x \in [-1, 1]} \left| \prod_{i=0}^n (x - x_i) \right|.$$

这一极小化极大（Minimax）问题，其理论最优解由 Chebyshev 节点唯一给出[1][1] R. L. Burden and J. D. Faires, Numerical Analysis, 9th ed. Brooks/Cole, Cengage Learning, 2011.：

定义第一类 Chebyshev 多项式

对于 $x \in [-1, 1]$，次数为 $k$ 的第一类 Chebyshev 多项式定义为

$$T_k(x) = \cos(k \arccos x), \quad k = 0, 1, 2, \dots$$

利用三角恒等式 $\cos((k+1)\theta) + \cos((k-1)\theta) = 2\cos\theta\cos(k\theta)$ 并令 $\theta = \arccos x$，可得 Chebyshev 多项式的三阶递推式：

$$T_0(x) = 1, \quad T_1(x) = x, \quad T_{k+1}(x) = 2x T_k(x) - T_{k-1}(x).$$

观察可知，当 $n \ge 0$ 时，多项式 $T_{n+1}(x)$ 的最高次项系数恒为 $2^n$。

定义Chebyshev 节点

$n+1$ 阶 Chebyshev 节点，即为 Chebyshev 多项式 $T_{n+1}(x)$ 在 $[-1, 1]$ 上的全部 $n+1$ 个实零点：

$$x_k = \cos\left( \frac{2k + 1}{2(n + 1)} \pi \right), \quad k = 0, 1, \dots, n.$$

定理Chebyshev 节点的极小化极大性质

在 $[-1, 1]$ 上的所有 $n+1$ 次首一多项式中，归一化的 Chebyshev 多项式

$$\tilde{T}_{n+1}(x) = \frac{1}{2^n} T_{n+1}(x) = \prod_{k=0}^n (x - x_k)$$

具有最小的最大绝对值模长，且满足：

$$\max_{x \in [-1, 1]} \left| \prod_{k=0}^n (x - x_k) \right| = \frac{1}{2^n}.$$

证明

首先，由余弦函数性质，对所有 $x \in [-1, 1]$ 均有 $|T_{n+1}(x)| = |\cos((n+1)\theta)| \le 1$。因为最高次项系数为 $2^n$，所以首一多项式 $\tilde{T}_{n+1}(x) = 2^{-n} T_{n+1}(x)$ 的全局最大值为 $2^{-n}$。

此外，$\tilde{T}_{n+1}(x)$ 在 $n+2$ 个极值点 $t_j = \cos\left(\frac{j \pi}{n+1}\right)$（$j = 0, 1, \dots, n+1$）处交替取得波峰与波谷 $\pm 2^{-n}$。

反证：假设存在另一个首一多项式 $q \in P_{n+1}$，使得 $\max_{x \in [-1, 1]} |q(x)| < 2^{-n}$。构造它们的差值多项式：

$$d(x) = \tilde{T}_{n+1}(x) - q(x).$$

由于 $\tilde{T}_{n+1}$ 与 $q$ 均为首一的 $n+1$ 次多项式，最高次项严格抵消，故 $\deg(d) \le n$。

将那 $n+2$ 个交替极值点代入 $d(x)$：

• 当 $\tilde{T}_{n+1}(t_j) = 2^{-n}$ 时，因 $|q(t_j)| < 2^{-n}$，所以 $d(t_j) = 2^{-n} - q(t_j) > 0$；
• 当 $\tilde{T}_{n+1}(t_j) = -2^{-n}$ 时，因 $|q(t_j)| < 2^{-n}$，所以 $d(t_j) = -2^{-n} - q(t_j) < 0$。

这意味着差多项式 $d(x)$ 在有序点列 $t_0, t_1, \dots, t_{n+1}$ 上正负严格交替。根据连续函数的介值定理，$d(x)$ 在每个相邻极值点之间必有零点，因而在区间 $[-1, 1]$ 内至少拥有 $n+1$ 个互异的实根。

但一个次数不超过 $n$ 的非零多项式不可能拥有 $n+1$ 个零点。矛盾表明假设不成立，故 $d(x) \equiv 0$。没有任何首一多项式能取得比 $2^{-n}$ 更小的最大峰值。

几何图景：半圆投影与两端聚集

为什么 Chebyshev 节点能够化解边缘发散危机？

想象在单位半圆周上放置 $n+1$ 个等角度的采样点：角度依次取为 $\theta_k = \frac{2k+1}{2(n+1)} \pi$。将这些半圆上的等距点垂直投影到底部直径区间 $[-1, 1]$ 上，投影落点正是 Chebyshev 节点 $x_k = \cos\theta_k$。

由于圆周在靠近两极（$\theta \to 0$ 与 $\theta \to \pi$）时斜率趋向竖直，投影下来的点在靠近两端 $\pm 1$ 处自然聚集密集，而在中心区域分布较为稀疏。

这种两端密集、中间稀疏的非均匀采样，恰好把最多的约束力压注在先前几何乘积项 $\omega_{n+1}(x)$ 剧烈膨胀的边界区域，像钉子一样牢牢锁住多项式的上下游移，从而彻底抹平 Runge 恶性震荡。

对于任意一般区间 $[a, b]$，只需通过仿射变换完成映射：

$$\tilde{x}_k = \frac{a + b}{2} + \frac{b - a}{2} \cos\left( \frac{2k + 1}{2(n + 1)} \pi \right), \quad k = 0, 1, \dots, n.$$

插值前沿的发展脉络

Chebyshev 节点给出了能够在全局自由选点时的最佳多项式方案。

但在实际工程场景中，我们还面临两大延伸挑战：

1. 导数信息的结合：当传感器不仅测得函数值，还同时测量了速度或切线斜率 $f'(x_i)$ 时，如何让多项式同时精确契合数值与切线？这引出了Hermite 插值。
2. 固定离散点与局部控制：若采样点位置无法自由选择，或者需要局部修改而不引发全局连锁反应，全局高次多项式就显得过于僵硬。通过局部低阶多项式光滑拼接，便构成了更为实用的样条插值。

参考文献

1. [1] R. L. Burden and J. D. Faires, Numerical Analysis, 9th ed. Brooks/Cole, Cengage Learning, 2011. a b
2. [2] M. U. School of Mathematics, “MTH2051: Introduction to Computational Mathematics: Course Lecture Notes and Study Workbooks,” 2026. Monash University course materials and study workbooks, Semester 2, 2026. ↩