چندجمله‌ای‌های برنشتاین

چند جمله ای های برنشتاین تقریب منحنی

در زمینه ریاضی تجزیه و تحلیل عددی ، چند جمله ای برنشتاین ، که به نام سرگئی ناتانوویچ برنشتاین نامگذاری شده است، چند جمله ای در فرم برنشتاین ترکیبی خطی از چند جمله ای های برنشتاین است .

روش عددی پایدار برای ارزیابی چند جمله ای ها به شکل برنشتاین به نام الگوریتم de Casteljau وجود دارد.

چند جمله ای های برنشتاین برای اولین بار توسط برنشتاین در اثبات سازنده قضیه تقریب Weierstrass استفاده شد. با ظهور گرافیک رایانه ای ، چند جمله های برنشتاین ، محدود به فاصله [0 ، 1] ، به شکل منحنی های بزیر شناخته شدند.

چند جمله ای برنشتاین برای ترکیب منحنی درجه 4

تعریف

nالگو:Hair space+ چند جمله ای های درجه 1 برنشتاین به عنوان n تعریف می شوند

$b_{\nu ,n}(x)=(\genfrac{}{}{0ex}{}{n}{\nu })x^{\nu }{(1-x)}^{n-\nu },\nu =0,\dots ,n,$

جایی که $(\genfrac{}{}{0ex}{}{n}{\nu })$ ضریب دوجمله ای است . به عنوان مثال ، $b_{2,5}(x)=(\genfrac{}{}{0ex}{}{5}{2})x^2(1-x{)}^3=10x^2(1-x{)}^3.$

اولین چند جمله های اساسی برنشتاین برای ترکیب مقدارهای 1 ، 2 ، 3 یا 4 با هم عبارتند از:

$\begin{array}{cc}{b}_{0,0}(x)& =1,\\ b_{0,1}(x)& =1-x,& b_{1,1}(x)& =x\\ b_{0,2}(x)& =(1-x{)}^2,& b_{1,2}(x)& =2x(1-x),& b_{2,2}(x)& =x^2\\ b_{0,3}(x)& =(1-x{)}^3,& b_{1,3}(x)& =3x(1-x{)}^2,& b_{2,3}(x)& =3x^2(1-x),& b_{3,3}(x)& =x^3\end{array}$

چند جمله ای های پایه برنشتاین درجه n حداکثر مبنایی را برای فضای برداری _{P n} از چند جمله ای های درجه  n با ضرایب واقعی تشکیل می دهد. ترکیبی خطی از چند جمله ای مبتنی برنشتاین

$B_n(x)=\sum _{\nu =0}^n{\beta }_{\nu }{b}_{\nu ,n}(x)$

در فرم درجه Bernnstein چند جمله ای یا چند جمله ای Bernstein از درجه  n نامیده می شود. ضرایب ${\beta }_{\nu }$ ضرایب برنشتاین یا ضرایب بزیر نامیده می شوند.

از اولین چند جمله ای های مبتنی برنشتاین در زیر آمده است که از بالا، دارای فقط یک جمله هستند:

$\begin{array}{cc}{b}_{0,0}(x)& =1,\\ b_{0,1}(x)& =1-1x,& b_{1,1}(x)& =0+1x\\ b_{0,2}(x)& =1-2x+1x^2,& b_{1,2}(x)& =0+2x-2x^2,& b_{2,2}(x)& =0+0x+1x^2\\ b_{0,3}(x)& =1-3x+3x^2-x^3,& b_{1,3}(x)& =0+3x-6x^2+3x^3,& b_{2,3}(x)& =0+0x+3x^2-3x^3,& b_{3,3}(x)& =0+0x+0x^2+1x^3\end{array}$

خواص

چند جمله ای های برنشتاین دارای ویژگی های زیر است:

• $b_{\nu ,n}(x)=0$ ، اگر $\nu <0$ یا $\nu >n.$

• $b_{\nu ,n}(x)\ge 0$ برای $x\in [0,1].$

• $b_{\nu ,n}(1-x)=b_{n-\nu ,n}(x).$

• $b_{\nu ,n}(0)={\delta }_{\nu ,0}$ و $b_{\nu ,n}(1)={\delta }_{\nu ,n}$ جایی که $\delta$ تابع دلتا Kronecker است: ${\delta }_{ij}=\{\begin{array}{cc}0& \text{if }i\ne j,\\ 1& \text{if }i=j.\end{array}$

• $b_{\nu ,n}(x)$ ریشه ای با کثرت $\nu$ در نقطه $x=0$ دارد.(توجه داشته باشید: اگر $\nu =0$ ، هیچ ریشه ای در 0 وجود ندارد).

• $b_{\nu ,n}(x)$ ریشه ای با کثرت دارد $(n-\nu )$ در نقطه $x=1$ (توجه داشته باشید: اگر $\nu =n$ ، در 1 ریشه وجود ندارد).

• مشتق را می توان به عنوان ترکیبی از دو چند جمله ای درجه پایین نوشت:

  $b{\text{'}}_{\nu ,n}(x)=n(b_{\nu -1,n-1}(x)-b_{\nu ,n-1}(x)).$

• تبدیل چند جمله ای برنشتاین به یک جمله است

  $b_{\nu ,n}(x)=(\genfrac{}{}{0ex}{}{n}{\nu })\sum _{k=0}^{n-\nu }(\genfrac{}{}{0ex}{}{n-\nu }{k})(-1{)}^{n-\nu -k}{x}^{\nu +k}=\sum _{\ell =\nu }^n(\genfrac{}{}{0ex}{}{n}{\ell })(\genfrac{}{}{0ex}{}{\ell }{\nu })(-1{)}^{\ell -\nu }{x}^{\ell },$

و تحول دوجمله ای معکوس توسط تبدیل معکوس، عبارت است از:

$x^k=\sum _{i=0}^{n-k}(\genfrac{}{}{0ex}{}{n-k}{i})\frac{1}{(\genfrac{}{}{0ex}{}{n}{i})}{b}_{n-i,n}(x)=\frac{1}{(\genfrac{}{}{0ex}{}{n}{k})}\sum _{j=k}^n(\genfrac{}{}{0ex}{}{j}{k})b_{j,n}(x).$

• انتگرال نامعین توسط داده می شود

  $\int b_{\nu ,n}(x)dx=\frac{1}{n+1}\sum _{j=\nu +1}^{n+1}{b}_{j,n+1}(x).$

• انتگرال مشخص، برای n مشخص شده به صورت زیر تعریف میشود:

  $\underset{0}{\overset{1}{\int }}{b}_{\nu ,n}(x)dx=\frac{1}{n+1}\text{for all }\nu =0,1,\dots ,n.$

• اگر $n\ne 0$ ، سپس $b_{\nu ,n}(x)$ در این فاصله حداکثر محلی منحصر به فرد دارد $[0,1]$ در $x=\frac{\nu }{n}$ . این حداکثر مقدار زیر را می گیرد:

  ${\nu }^{\nu }{n}^{-n}{(n-\nu )}^{n-\nu }(\genfrac{}{}{0ex}{}{n}{\nu }).$

• چند جمله ای های درجه برنشتاین $n$ تقسیم وحدت را تشکیل دهید :

  $\sum _{\nu =0}^n{b}_{\nu ,n}(x)=\sum _{\nu =0}^n(\genfrac{}{}{0ex}{}{n}{\nu })x^{\nu }{(1-x)}^{n-\nu }={(x+(1-x))}^n=1.$

• با گرفتن اولین مشتق $x$ از $(x+y{)}^n$ ، و تلقی $y$ به عنوان ثابت ، سپس با جایگزین کردن $y=1-x$ ، می توان نشان داد که

  $\sum _{\nu =0}^n\nu b_{\nu ,n}(x)=nx.$

• به همین ترتیب چ مشتق دوم $x$ از $(x+y{)}^n$ ، با جایگزین شدن دوباره $y$ با عبارت ،$y=1-x$ ، نشان میدهد که

  $\sum _{\nu =1}^n\nu (\nu -1)b_{\nu ,n}(x)=n(n-1)x^2.$

• یک چند جمله ای برنشتاین را همیشه می توان به صورت ترکیبی خطی از چند جمله ای های درجه بالاتر نوشت:

  $b_{\nu ,n-1}(x)=\frac{n-\nu }{n}{b}_{\nu ,n}(x)+\frac{\nu +1}{n}{b}_{\nu +1,n}(x).$

• گسترش چندجملهای چبیشف نوع اول به مبنای برنشتاین

  $T_n(u)=(2n-1)!!\sum _{k=0}^n\frac{(-1{)}^{n-k}}{(2k-1)!!(2n-2k-1)!!}{b}_{k,n}(u).$

تقریب توابع مداوم

ƒ را به عنوان یک تابع پیوسته در بازه [0، 1] چند جمله ای برنشتاین را در نظر بگیرید

$B_n(f)(x)=\sum _{\nu =0}^{n}f\left(\frac{\nu }{n}\right)b_{\nu ,n}(x).$

می توان نشان داد که

$\underset{n\to \mathrm{\infty }}{\lim }{B}_n(f)=f$

به طور یکنواخت در فاصله [0 ، 1]

چند جمله ای های برنشتاین یک روش برای اثبات قضیه تقریب Weierstrass ارائه می دهد که هر تابع مداوم با ارزش واقعی در یک بازه واقعی [ a ، b ] را می توان با توابع چند جمله ای $ℝ$بیش از یکنواخت تقریب زد  .

در بیانی عمومی تر برای یک تابع با K مستمر ^هفتم مشتق

${\Vert B_n(f{)}^{(k)}\Vert }_{\mathrm{\infty }}\le \frac{(n{)}_k}{n^k}{\Vert f^{(k)}\Vert }_{\mathrm{\infty }}\text{and}{\Vert f^{(k)}-B_n(f{)}^{(k)}\Vert }_{\mathrm{\infty }}\to 0,$

علاوه بر این

$\frac{(n{)}_k}{n^k}=(1-\frac{0}{n})(1-\frac{1}{n})\cdots (1-\frac{k-1}{n})$

یک مقدار ویژه B _{n است} ؛ عملکرد ویژه مربوط به آن چند جمله ای درجه است ک

اثبات احتمالی

این اثبات از اثبات اصلی برنشتاین در سال 1912 پیروی می کند. همچنین به فلر (1966) یا کورالوف و سینا (2007) مراجعه کنید.

فرض کنید K است متغیر تصادفی به عنوان تعداد موفقیتها در n را مستقل توزیع برنولی با احتمال x از موفقیت در هر آزمایش به؛ به عبارت دیگر ، K دارای توزیع دوجمله ای با پارامترهای n و x سپس مقدار مورد انتظار را داریم $ℰ\left[\frac{K}{n}\right]=x$ و

$(1+t{)}^n=\sum _k(\genfrac{}{}{0ex}{}{n}{k})t^k,$

طبق قانون ضعیف تعداد زیادی نظریه احتمال ،

$b_{k,n}(x)=(\genfrac{}{}{0ex}{}{n}{k})x^k(1-x{)}^{n-k},$

برای هر δ > 0 علاوه بر این، این رابطه دارای یکنواخت در X، که می توان از اثبات آن از طریق دیده نابرابری چبیشف ، با توجه به که واریانس  K، برابر × (1 − X) است، از بالا توسط از x محدود بدون در نظر گرفتن.

از آنجا ƒ مستمر بودن در یک فاصله زمانی بسته و کراندار، باید یکنواخت پیوسته در آن بازه، یک نوشتار بیانیه ای از فرم

$f_n(x)-f(x)=\sum _k[f(k/n)-f(x)]b_{k,n}(x),$

بصورت یکنواخت در x . با در نظر گرفتن اینکه ƒ محدود است (در فاصله زمانی مشخص) فرد می تواند انتظار را بدست آورد

$|f_n(x)-f(x)|\le \sum _k|f(k/n)-f(x)|b_{k,n}(x).$

بصورت یکنواخت در x . بدین منظور یکی مجموع انتظار را به دو قسمت تقسیم می کند. در یک قسمت تفاوت از ε فراتر نمی رود. این بخش نمی تواند بیش از ε کمک کند . در قسمت دیگر این اختلاف از ε فراتر می رود ، اما از 2 M فراتر نمی رود ، جایی که M حد بالایی برای | است ƒ (x) | این قسمت نمی تواند بیش از 2 M برابر احتمال کوچک اختلاف بیش از ε باشد .

سرانجام ، یکی مشاهده می کند که مقدار مطلق تفاوت بین انتظارات هرگز از انتظار مقدار مطلق اختلاف فراتر نمی رود و

$f_n(x)=\sum _{k}f(k/n)b_{k,n}(x).$

اثبات ابتدایی

اثبات احتمال را می توان به روش ابتدایی ، با استفاده از ایده های احتمالی اساسی ، اما با تأیید مستقیم ادامه داد:

هویت های زیر را می توان تأیید کرد:

(3) $\sum _k{(x-\frac{k}{n})}^2(\genfrac{}{}{0ex}{}{n}{k})x^k(1-x{)}^{n-k}=\frac{x(1-x)}{n}.$

("احتمال")

(2) $\sum _k\frac{k}{n}(\genfrac{}{}{0ex}{}{n}{k})x^k(1-x{)}^{n-k}=x$

("میانگین")

(3) $\sum _k{(x-\frac{k}{n})}^2(\genfrac{}{}{0ex}{}{n}{k})x^k(1-x{)}^{n-k}=\frac{x(1-x)}{n}.$

("واریانس")

در واقع ، با قضیه دو جمله ای

$(1+t{)}^n=\sum _k(\genfrac{}{}{0ex}{}{n}{k})t^k,$

و این معادله را می توان دو بار به $t\frac{d}{dt}$ . هویت (1) ، (2) و (3) با استفاده از تعویض به راحتی دنبال می شود $t=x/(1-x)$ .

در این سه هویت ، از علامت چند جمله ای مبانی فوق استفاده کنید

$|f_n(x)-f(x)|\le \sum _{|x-\frac{k}{n}|<\delta }|f(k/n)-f(x)|b_{k,n}(x)+\sum _{|x-\frac{k}{n}|\ge \delta }|f(k/n)-f(x)|b_{k,n}(x).$

و اجازه دهید

$f_n(x)=\sum _{k}f(k/n)b_{k,n}(x).$

بنابراین ، توسط هویت (1)

$\sum _{|x-k/n|\ge \delta }{b}_{k,n}(x)\le \sum _k{\delta }^{-2}{(x-\frac{k}{n})}^2{b}_{k,n}(x)={\delta }^{-2}\frac{x(1-x)}{n}<{\delta }^{-2}{n}^{-1}.$

به طوری که

$|f_n(x)-f(x)|\le \sum _k|f(k/n)-f(x)|b_{k,n}(x).$

از آنجا که f یکنواخت پیوسته است ، داده می شود $\epsilon >0$ ، وجود دارد $\delta >0$ به طوری که $|f(a)-f(b)|<\epsilon$ هر زمان که $|a-b|<\delta$ . علاوه بر این ، با تداوم ، $M=\sup |f|<\mathrm{\infty }$ . اما بعد

$\sum _{i_1}\sum _{i_2}\cdots \sum _{i_k}(\genfrac{}{}{0ex}{}{n_1}{i_1})(\genfrac{}{}{0ex}{}{n_2}{i_2})\cdots (\genfrac{}{}{0ex}{}{n_k}{i_k})f(\frac{i_1}{n_1},\frac{i_2}{n_2},\dots ,\frac{i_k}{n_k})x_1^{i_1}(1-x_1{)}^{n_1-i_1}{x}_2^{i_2}(1-x_2{)}^{n_2-i_2}\cdots x_k^{i_k}(1-x_k{)}^{n_k-i_k}$

اولین جمع کمتر از ε است. از طرف دیگر ، با هویت (3) در بالا ، و از آن زمان $|x-k/n|\ge \delta$ ، جمع دوم با 2 M بار محدود می شود

$\sum _{|x-k/n|\ge \delta }{b}_{k,n}(x)\le \sum _k{\delta }^{-2}{(x-\frac{k}{n})}^2{b}_{k,n}(x)={\delta }^{-2}\frac{x(1-x)}{n}<{\delta }^{-2}{n}^{-1}.$

( نابرابری چبیشف )

که آن را زیر چند جمله ای f _N تمایل به F یکنواخت.

تعمیم به بعد بالاتر

چند جمله ای های Bernstein را می توان به ابعاد الگو:ریاضی تعمیم داد. چند جمله ای های بدست آمده به شکل الگو:ریاضی الگو:ریاضی الگو:ریاضی الگو:ریاضی در ساده ترین حالت فقط محصولات فاصله واحد الگو:ریاضی در نظر گرفته می شوند. اما ، با استفاده از تبدیل های آفینی خط ، چندین جمله های برنشتاین را می توان برای محصولات الگو:ریاضی . برای یک تابع مداوم الگو:ریاضی روی محصول برابر الگو:ریاضی برابر واحد ، اثبات اینکه الگو:ریاضی می تواند به طور یکسان تقریب شود

$\sum _{i_1}\sum _{i_2}\cdots \sum _{i_k}(\genfrac{}{}{0ex}{}{n_1}{i_1})(\genfrac{}{}{0ex}{}{n_2}{i_2})\cdots (\genfrac{}{}{0ex}{}{n_k}{i_k})f(\frac{i_1}{n_1},\frac{i_2}{n_2},\dots ,\frac{i_k}{n_k})x_1^{i_1}(1-x_1{)}^{n_1-i_1}{x}_2^{i_2}(1-x_2{)}^{n_2-i_2}\cdots x_k^{i_k}(1-x_k{)}^{n_k-i_k}$

گسترش مستقیم اثبات برنشتاین در یک بعد است.

همچنین ببینید

• درون یابی چند جمله ای
• فرم نیوتن
• فرم لاگرانژ
• Binomial QMF

منابع

• الگو:Citation, English translation
• الگو:Citation
• الگو:Citation, Russian edition first published in 1940
• الگو:Citation
• الگو:Citation
• الگو:Cite journal
•  
•  
• الگو:Citation
• الگو:Citation

لینک های خارجی

• الگو:Cite journal
• الگو:Cite journal
•  
• الگو:Cite journal
• الگو:Cite journal
• الگو:Cite web from University of California, Davis. Note the error in the summation limits in the first formula on page 9.
• الگو:Cite journal
• الگو:Cite web Feature Column from American Mathematical Society
• الگو:Cite journal
• الگو:Cite journal
• الگو:Cite journal
• الگو:Cite journal
• Weisstein, Eric W. "Bernstein Polynomial". MathWorld.
• This article incorporates material from properties of Bernstein polynomial on PlanetMath, which is licensed under the Creative Commons Attribution/Share-Alike License.