均差

均差（Divided differences）是递归除法过程。在数值分析中，可用于计算牛顿多项式形式的多项式插值的系数。在微积分中，均差与导数一起合称差商，是对函数在一个区间内的平均变化率的测量。

均差也是一种算法，查尔斯·巴贝奇的差分机，是他在1822年发表的论文中提出的一种早期的机械计算机，在历史上意图用来计算对数表和三角函数表， 它设计在其运算中使用这个算法。

定义

给定n+1个数据点

$(x_{0},y_{0}),\ldots ,(x_{n},y_{n})$

定义前向均差为：

${\begin{aligned}{\mathopen {[}}y_{\nu }]&=y_{\nu },\quad \nu \in \{0,\ldots ,n\}\\{\mathopen {[}}y_{\nu },\ldots ,y_{\nu +j}]&={\frac {[y_{\nu +1},\ldots ,y_{\nu +j}]-[y_{\nu },\ldots ,y_{\nu +j-1}]}{x_{\nu +j}-x_{\nu }}},\quad \nu \in \{0,\ldots ,n-j\},\ j\in \{1,\ldots ,n\}\\\end{aligned}}$

定义后向均差为：

${\begin{aligned}{\mathopen {[}}y_{\nu }]&=y_{\nu },\quad \nu \in \{0,\ldots ,n\}\\{\mathopen {[}}y_{\nu },\ldots ,y_{\nu -j}]&={\frac {[y_{\nu },\ldots ,y_{\nu -j+1}]-[y_{\nu -1},\ldots ,y_{\nu -j}]}{x_{\nu }-x_{\nu -j}}},\quad \nu \in \{j,\ldots ,n\},\ j\in \{1,\ldots ,n\}\\\end{aligned}}$

表示法

假定数据点给出为函数 ƒ，

$(x_{0},f(x_{0})),\ldots ,(x_{n},f(x_{n}))$

其均差可以写为：

${\begin{aligned}f[x_{\nu }]&=f(x_{\nu }),\qquad \nu \in \{0,\ldots ,n\}\\f[x_{\nu },\ldots ,x_{\nu +j}]&={\frac {f[x_{\nu +1},\ldots ,x_{\nu +j}]-f[x_{\nu },\ldots ,x_{\nu +j-1}]}{x_{\nu +j}-x_{\nu }}},\quad \nu \in \{0,\ldots ,n-j\},\ j\in \{1,\ldots ,n\}\end{aligned}}$

对函数 ƒ 在节点 x₀, ..., x_n 上的均差还有其他表示法，如：

${\begin{matrix}{\mathopen {[}}x_{0},\ldots ,x_{n}]f\\{\mathopen {[}}x_{0},\ldots ,x_{n};f]\\{\mathopen {D}}[x_{0},\ldots ,x_{n}]f\\\end{matrix}}$

例子

给定ν=0：

${\begin{aligned}{\mathopen {[}}y_{0}]&=y_{0}\\{\mathopen {[}}y_{0},y_{1}]&={\frac {y_{1}-y_{0}}{x_{1}-x_{0}}}\\{\mathopen {[}}y_{0},y_{1},y_{2}]&={\frac {{\mathopen {[}}y_{1},y_{2}]-{\mathopen {[}}y_{0},y_{1}]}{x_{2}-x_{0}}}\\{\mathopen {[}}y_{0},y_{1},y_{2},y_{3}]&={\frac {{\mathopen {[}}y_{1},y_{2},y_{3}]-{\mathopen {[}}y_{0},y_{1},y_{2}]}{x_{3}-x_{0}}}\\{\mathopen {[}}y_{0},y_{1},\dots ,y_{n}]&={\frac {{\mathopen {[}}y_{1},y_{2},\dots ,y_{n}]-{\mathopen {[}}y_{0},y_{1},\dots ,y_{n-1}]}{x_{n}-x_{0}}}\end{aligned}}$

为了使涉及的递归过程更加清楚，以列表形式展示均差的计算过程：

${\begin{matrix}x_{0}&[y_{0}]=y_{0}&&&\\&&[y_{0},y_{1}]&&\\x_{1}&[y_{1}]=y_{1}&&[y_{0},y_{1},y_{2}]&\\&&[y_{1},y_{2}]&&[y_{0},y_{1},y_{2},y_{3}]\\x_{2}&[y_{2}]=y_{2}&&[y_{1},y_{2},y_{3}]&\\&&[y_{2},y_{3}]&&\\x_{3}&[y_{3}]=y_{3}&&&\\\end{matrix}}$

展开形式

用数学归纳法可证明：

${\begin{aligned}{\mathopen {[}}y_{0}]&=y_{0}\\{\mathopen {[}}y_{0},y_{1}]&={\frac {y_{0}}{x_{0}-x_{1}}}+{\frac {y_{1}}{x_{1}-x_{0}}}\\{\mathopen {[}}y_{0},y_{1},y_{2}]&={\frac {y_{0}}{(x_{0}-x_{1})(x_{0}-x_{2})}}+{\frac {y_{1}}{(x_{1}-x_{0})(x_{1}-x_{2})}}+{\frac {y_{2}}{(x_{2}-x_{0})(x_{2}-x_{1})}}\\{\mathopen {[}}y_{0},y_{1},\dots ,y_{n}]&=\sum _{j=0}^{n}{\frac {y_{j}}{\prod _{k=0,\,k\neq j}^{n}(x_{j}-x_{k})}}\\\end{aligned}}$

此公式体现了均差的对称性质。故可推知：任意调换数据点次序，其值不变。

性质

• 对称性：若$\sigma :\{0,\dots ,n\}\to \{0,\dots ,n\}$是一个排列则

$f[x_{0},\dots ,x_{n}]=f[x_{\sigma (0)},\dots ,x_{\sigma (n)}]$

• 线性：

${\begin{aligned}(f+g)[x_{0},\dots ,x_{n}]&=f[x_{0},\dots ,x_{n}]+g[x_{0},\dots ,x_{n}]\\(\lambda \cdot f)[x_{0},\dots ,x_{n}]&=\lambda \cdot f[x_{0},\dots ,x_{n}]\\\end{aligned}}$

• 莱布尼茨法则：

$(f\cdot g)[x_{0},\dots ,x_{n}]=f[x_{0}]\cdot g[x_{0},\dots ,x_{n}]+f[x_{0},x_{1}]\cdot g[x_{1},\dots ,x_{n}]+\dots +f[x_{0},\dots ,x_{n}]\cdot g[x_{n}]$

• 均差中值定理：

$\exists \xi \in (\min\{x_{0},\dots ,x_{n}\},\max\{x_{0},\dots ,x_{n}\})\quad f[x_{0},\dots ,x_{n}]={\frac {f^{(n)}(\xi )}{n!}}$

等价定义

通过对换 n 阶均差中(x₀,y₀)与(x_n-1,y_n-1)，可得到等价定义：

${\begin{aligned}{\mathopen {[}}y_{0},y_{1},\dots ,y_{n-1},y_{n}]&={\frac {{\mathopen {[}}y_{1},y_{2},\dots ,y_{n}]-{\mathopen {[}}y_{0},y_{1},\dots ,y_{n-1}]}{x_{n}-x_{0}}}\\&={\frac {{\mathopen {[}}y_{1},\dots ,y_{n-2},y_{0},y_{n}]-{\mathopen {[}}y_{n-1},y_{1},\dots ,y_{n-2},y_{0}]}{x_{n}-x_{n-1}}}\\&={\frac {{\mathopen {[}}y_{0},\dots ,y_{n-2},y_{n}]-{\mathopen {[}}y_{0},y_{1},\dots ,y_{n-1}]}{x_{n}-x_{n-1}}}\\\end{aligned}}$

这个定义有着不同的计算次序：

${\begin{aligned}{\mathopen {[}}y_{0}]&=y_{0}\\{\mathopen {[}}y_{0},y_{1}]&={\frac {y_{1}-y_{0}}{x_{1}-x_{0}}}\\{\mathopen {[}}y_{0},y_{1},y_{2}]&={\frac {{\mathopen {[}}y_{0},y_{2}]-{\mathopen {[}}y_{0},y_{1}]}{x_{2}-x_{1}}}\\{\mathopen {[}}y_{0},y_{1},y_{2},y_{3}]&={\frac {{\mathopen {[}}y_{0},y_{1},y_{3}]-{\mathopen {[}}y_{0},y_{1},y_{2}]}{x_{3}-x_{2}}}\\{\mathopen {[}}y_{0},y_{1},\dots ,y_{n}]&={\frac {{\mathopen {[}}y_{0},\dots ,y_{n-2},y_{n}]-{\mathopen {[}}y_{0},y_{1},\dots ,y_{n-1}]}{x_{n}-x_{n-1}}}\\\end{aligned}}$

以列表形式展示这个定义下均差的计算过程：

${\begin{matrix}x_{0}&[y_{0}]=y_{0}&&&\\&&[y_{0},y_{1}]&&\\x_{1}&[y_{1}]=y_{1}&&[y_{0},y_{1},y_{2}]&\\&&[y_{0},y_{2}]&&[y_{0},y_{1},y_{2},y_{3}]\\x_{2}&[y_{2}]=y_{2}&&[y_{0},y_{1},y_{3}]&\\&&[y_{0},y_{3}]&&\\x_{3}&[y_{3}]=y_{3}&&&\\\end{matrix}}$

牛顿插值法

更多信息：牛顿多项式

《自然哲学的数学原理》的第三编“宇宙体系”的引理五的图例。这里在横坐标上有6个点H,I,K,L,M,N，对应着6个值A,B,C,D,E,F，生成一个多项式函数对这6个点上有对应的6个值，计算任意点S对应的值R。牛顿给出了间距为单位值和任意值的两种情况。

牛顿插值公式，得名于伊萨克·牛顿爵士，最早发表为他在1687年出版的《自然哲学的数学原理》中第三编“宇宙体系”的引理五，此前詹姆斯·格雷果里于1670年和牛顿于1676年已经分别独立得出这个成果。一般称其为连续泰勒展开的离散对应。

使用均差的牛顿插值法为：

${\begin{aligned}N_{n}(x)&=y_{0}+(x-{x}_{0})\left([{y}_{0},{y}_{1}]+(x-{x}_{1})\left([{y}_{0},{y}_{1},{y}_{2}]+\cdots \right)\right)\\&=[y_{0}]+[{y}_{0},{y}_{1}](x-{x}_{0})+\cdots +[{y}_{0},{y}_{1},\ldots ,{y}_{n}]\prod _{k=0}^{n-1}(x-{x}_{k})\end{aligned}}$

可以在计算过程中任意增添节点如点(x_n+1,y_n+1)，只需计算新增的n+1阶均差及其插值基函数，而无拉格朗日插值法需重算全部插值基函数之虞。

对均差采用展开形式：

${\begin{aligned}N_{n}(x)&=y_{0}+y_{0}{\frac {x-{x}_{0}}{x_{0}-x_{1}}}+y_{1}{\frac {x-{x}_{0}}{x_{1}-x_{0}}}+\cdots +\sum _{j=0}^{n}y_{j}{\frac {\prod _{k=0}^{n-1}(x-{x}_{k})}{\prod _{k=0,\,k\neq j}^{n}(x_{j}-x_{k})}}\\\end{aligned}}$

以2阶均差牛顿插值为例：

${\begin{aligned}N_{2}(x)&=y_{0}\left(1+{\frac {x-{x}_{0}}{x_{0}-x_{1}}}+{\frac {(x-x_{0})(x-x_{1})}{(x_{0}-x_{1})(x_{0}-x_{2})}}\right)+y_{1}\left({\frac {x-{x}_{0}}{x_{1}-x_{0}}}+{\frac {(x-x_{0})(x-x_{1})}{(x_{1}-x_{0})(x_{1}-x_{2})}}\right)+y_{2}{\frac {(x-x_{0})(x-x_{1})}{(x_{2}-x_{0})(x_{2}-x_{1})}}\\&=y_{0}{\frac {(x-x_{1})(x-x_{2})}{(x_{0}-x_{1})(x_{0}-x_{2})}}+y_{1}{\frac {(x-x_{0})(x-x_{2})}{(x_{1}-x_{0})(x_{1}-x_{2})}}+y_{2}{\frac {(x-x_{0})(x-x_{1})}{(x_{2}-x_{0})(x_{2}-x_{1})}}\\&=\sum _{j=0}^{2}y_{j}\prod _{\begin{smallmatrix}k=0\\k\neq j\end{smallmatrix}}^{2}{\frac {x-{x}_{k}}{x_{j}-x_{k}}}\\\end{aligned}}$

前向差分

更多信息：差分

当数据点呈等距分布的时候，这个特殊情况叫做“前向差分”。它们比计算一般的均差要容易。

定义

给定n+1个数据点

$(x_{0},y_{0}),\ldots ,(x_{n},y_{n})$

有着

$x_{i}=x_{0}+ih,\quad h>0{\mbox{ , }}0\leq i\leq n$

定义前向差分为：

${\begin{aligned}\triangle ^{0}y_{i}&=y_{i}\\\triangle ^{k}y_{i}&=\triangle ^{k-1}y_{i+1}-\triangle ^{k-1}y_{i},\quad 1\leq k\leq n-i\\\end{aligned}}$

前向差分所对应的均差为：

$f[x_{0},x_{1},\ldots ,x_{k}]={\frac {1}{k!h^{k}}}\Delta ^{(k)}f(x_{0})$

例子

${\begin{matrix}y_{0}&&&\\&\triangle y_{0}&&\\y_{1}&&\triangle ^{2}y_{0}&\\&\triangle y_{1}&&\triangle ^{3}y_{0}\\y_{2}&&\triangle ^{2}y_{1}&\\&\triangle y_{2}&&\\y_{3}&&&\\\end{matrix}}$

展开形式

差分的展开形式是均差展开形式的特殊情况：

${\begin{aligned}\triangle ^{k}y_{i}&=\sum _{j=0}^{k}(-1)^{k-j}{\binom {k}{j}}y_{i+j},\quad 0\leq k\leq n-i\end{aligned}}$

这里的表达式

${n \choose k}={\frac {(n)_{k}}{k!}}\quad \quad (n)_{k}=n(n-1)(n-2)\cdots (n-k+1)$

是二项式系数，其中的(n)_k是“下降阶乘幂”，空积(n)₀被定义为1。

插值公式

其对应的牛顿插值公式为：

${\begin{aligned}f(x)&=y_{0}+{\frac {x-x_{0}}{h}}\left(\Delta ^{1}y_{0}+{\frac {x-x_{0}-h}{2h}}\left(\Delta ^{2}y_{0}+\cdots \right)\right)\\&=y_{0}+\sum _{k=1}^{n}{\frac {\Delta ^{k}y_{0}}{k!h^{k}}}\prod _{i=0}^{n-1}(x-x_{0}-ih)\\&=y_{0}+\sum _{k=1}^{n}{\frac {\Delta ^{k}y_{0}}{k!}}\prod _{i=0}^{n-1}({\frac {x-x_{0}}{h}}-i)\\&=\sum _{k=0}^{n}{{\frac {x-x_{0}}{h}} \choose k}~\Delta ^{k}y_{0}\\\end{aligned}}$

无穷级数

牛顿在1665年得出并在1671年写的《流数法》中发表了ln(1+x)的无穷级数，在1666年得出了arcsin(x)和arctan(x)的无穷级数，在1669年的《分析学》中发表了sin(x)、cos(x)、arcsin(x)和e^x的无穷级数；莱布尼茨在1673年大概也得出了sin(x)、cos(x)和arctan(x)的无穷级数。布鲁克·泰勒在1715年著作《Methodus Incrementorum Directa et Inversa》中研讨了“有限差分”方法，其中论述了他在1712年得出的泰勒定理，这个成果此前詹姆斯·格雷果里在1670年和莱布尼茨在1673年已经得出，而约翰·伯努利在1694年已经在《教师学报》发表。

他对牛顿的均差的步长取趋于0的极限，得出：

${\begin{aligned}f(x)&=f(a)+\lim _{h\to 0}\sum _{k=1}^{\infty }{\frac {\Delta _{h}^{k}[f](a)}{k!h^{k}}}\prod _{i=0}^{k-1}((x-a)-ih)\\&=f(a)+\sum _{k=1}^{\infty }{\frac {d^{k}}{dx^{k}}}f(a){\frac {(x-a)^{k}}{k!}}\\\end{aligned}}$

幂函数的均差

使用普通函数记号表示幂运算，$p_{n}(x)=x^{n}$，有：

${\begin{aligned}p_{j}[x_{0},\dots ,x_{n}]&=0\qquad \forall j<n\\p_{n}[x_{0},\dots ,x_{n}]&=1\\p_{n+1}[x_{0},\dots ,x_{n}]&=x_{0}+\dots +x_{n}\\p_{n+m}[x_{0},\dots ,x_{n}]&=\sum _{k_{0}+\cdots +k_{n}=m}{\begin{matrix}\prod _{t=0}^{n}x_{t}^{k_{t}}\end{matrix}}\\\end{aligned}}$

此中n+1元m次齐次多项式的记法同于多项式定理。

泰勒形式

泰勒级数和任何其他的函数级数，在原理上都可以用来逼近均差。将泰勒级数表示为:

$f=f(0)p_{0}+f'(0)p_{1}+{\frac {f''(0)}{2!}}p_{2}+\dots$

均差的泰勒级数为：

$f[x_{0},\dots ,x_{n}]=f(0)p_{0}[x_{0},\dots ,x_{n}]+f'(0)p_{1}[x_{0},\dots ,x_{n}]+\dots +{\frac {f^{(n)}(0)}{n!}}p_{n}[x_{0},\dots ,x_{n}]+\dots$

前$n$项消失了，因为均差的阶高于多项式的阶。可以得出均差的泰勒级数本质上开始于：

${\frac {f^{(n)}(0)}{n!}}$

依据均差中值定理，这也是均差的最简单逼近。

皮亚诺形式

均差还可以表达为

$f[x_{0},\ldots ,x_{n}]={\frac {1}{n!}}\int _{x_{0}}^{x_{n}}f^{(n)}(t)B_{n-1}(t)\,dt$

这里的B_n-1是数据点x₀,...,x_n的n-1次B样条，而f⁽ⁿ⁾是函数f的n阶导数。这叫做均差的皮亚诺形式，而B_n-1是均差的皮亚诺核。

参考书目

• Louis Melville Milne-Thomson. The Calculus of Finite Differences. American Mathematical Soc. 2000. Chapter 1: Divided Differences [1933]. ISBN 978-0-8218-2107-7. 
• Myron B. Allen; Eli L. Isaacson. Numerical Analysis for Applied Science. John Wiley & Sons. 1998. Appendix A. ISBN 978-1-118-03027-1. 
• Ron Goldman. Pyramid Algorithms: A Dynamic Programming Approach to Curves and Surfaces for Geometric Modeling. Morgan Kaufmann. 2002. Chapter 4:Newton Interpolation and Difference Triangles. ISBN 978-0-08-051547-2. 

参见

• 差分
• 差商
• 插值
• 牛顿多项式