Lebesgue 常数与插值条件性

形式陈述

在区间 $[a,b]$ 上固定互异节点 $x_0,\ldots,x_n$ ，令 $\ell_j$ 为相应 Lagrange 基，即在第 $j$ 个节点取 $1$ 、其余节点取 $0$ 的基多项式。插值算子

I_n:C[a,b]\longrightarrow\mathcal P_n,\qquad (I_nf)(x)=\sum_{j=0}^n f(x_j)\ell_j(x)

是从一致范数空间到次数不超过 $n$ 的多项式空间的线性算子。Lebesgue 函数和 Lebesgue 常数定义为

\Lambda_n(x)=\sum_{j=0}^n|\ell_j(x)|, \qquad \Lambda_n=\max_{x\in[a,b]}\Lambda_n(x).

在输入、输出都采用无穷范数时， $\Lambda_n=\|I_n\|_\infty$ 。若节点数据受到扰动 $|\delta y_j|\le\varepsilon$ ，插值结果的变化满足

|\delta p(x)| \le \Lambda_n(x)\varepsilon, \qquad \|\delta p\|_\infty\le\Lambda_n\varepsilon.

这个上界能被最坏扰动达到：固定查询点 $x$ ，令每个 $\delta y_j$ 的符号与 $\ell_j(x)$ 相同，所有贡献就同向相加。若从连续函数空间看算子范数，取节点值为 $\operatorname{sgn}\ell_j(x)$ ，再用分段线性函数连接，就能保持输入一致范数不超过 $1$ ，而输出在该点达到 $\Lambda_n(x)$ 。因此这里得到的是精确的算子范数，不只是一个方便的粗上界。

所以 $\Lambda_n$ 是固定节点插值问题的绝对放大因子，与采用单项式、Newton 或重心公式求值无关。算法还会产生额外舍入误差，但不能改变同一节点集合定义的算子范数。

对任意 $q\in\mathcal P_n$ ，利用 $I_nq=q$ 可写

f-I_nf=(f-q)-I_n(f-q).

取范数并对 $q$ 取下确界，得到准最优界

\|f-I_nf\|_\infty \le(1+\Lambda_n) \inf_{q\in\mathcal P_n}\|f-q\|_\infty.

右侧同时包含最佳多项式逼近误差和插值算子放大，两项缺一不可。这里的下确界由最佳一致逼近存在性保证能够达到；若要证明某个具体候选已达到它，可用交错点证书。

直觉

Lagrange 基在节点上像一组精确的开关：第 $j$ 个基在 $x_j$ 为 $1$ 、在其余节点为 $0$ 。离开节点后，这些基可能出现很大的正负摆动；数据中很小的变化乘上这些摆动后，会在区间某处叠成较大偏差。Lebesgue 函数画出这种局部放大，常数则记录最坏位置。

它是问题条件性，不是目标函数平滑度，也不是某段求值程序的评分。重心公式可以更稳定地算出既定插值多项式，却不会让 $\Lambda_n$ 变小。

例子与边界

取 $[-1,1]$ 上的三个节点 $-1,0,1$ ，其基函数为

\ell_0(x)=\frac{x(x-1)}2,\qquad\ell_1(x)=1-x^2,\qquad\ell_2(x)=\frac{x(x+1)}2.

在 $x=1/2$ 处，三个值为 $-1/8,3/4,3/8$ ，和为 $1$ ，绝对值之和却为 $5/4$ 。因此若三个数据分别扰动 $(-\varepsilon,\varepsilon,\varepsilon)$ ，查询值就改变 $5\varepsilon/4$ ；若三个数据都增加 $\varepsilon$ ，查询值却只增加 $\varepsilon$ 。最坏放大取决于扰动方向，不能把上界理解成每次都会发生。进一步在 $0\le x\le1$ 上求得 $\Lambda_2(x)=1+x-x^2$ ，利用左右对称可知全区间最大值确为 $5/4$ 。

随着次数增加，固定区间上的等距节点 Lebesgue 常数会快速、最终呈指数级增长；Chebyshev 型节点的增长仅为对数级。端点附近的基函数摆动是两者差异最明显的区域，因此节点向端点聚集并不是装饰，而是在重新控制插值算子的几何放大。

Runge 函数的完整节点 sweep 与误差数据集中放在Chebyshev 多项式与节点页面。本页只解释机制：等距节点同时面临较差的节点乘积和迅速增长的算子范数，换成稳定求值公式不能改变这两个问题。

小 $\Lambda_n$ 也不自动保证对每个连续函数快速收敛。准最优界中仍有最佳逼近误差；若函数缺乏光滑性或具有靠近区间的奇异性，低次多项式本身可能逼近得慢。Lebesgue 常数只控制“插值比当前最佳多项式差多少倍”。

推论与应用

节点设计应同时考虑目标函数类、误差范数与 Lebesgue 常数。Chebyshev 点在一致范数多项式插值中提供近最优条件性，但换成加权范数、周期问题或特殊采样约束后，合适的节点也可能改变。

实验比较若要说明节点条件性，应对两组节点使用同一种求值实现，并报告相同的一致误差度量；否则公式误差、节点误差和采样网格误差会混在一起。这个原则也适用于噪声数据：必须给出扰动尺度，不能只展示一条看似平滑的曲线。

参考资料

Lloyd N. Trefethen, Approximation Theory and Approximation Practice, extended ed., SIAM, 2019, Chs. 15–16.
Jean-Paul Berrut and Lloyd N. Trefethen, “Barycentric Lagrange Interpolation,” SIAM Review 46(3), 2004，§9.1，Lebesgue 常数与算子范数。
NIST Digital Library of Mathematical Functions, §3.3 Interpolation, accessed 2026.

形式陈述 ​

反向链接

形式陈述