← 全部笔记

数学分析

Weierstrass 一致逼近与 Bernstein 多项式

文章目录

来源与问题 原笔记未记录具体参考书页。核心问题是连续函数能否被多项式一致逼近,以及怎样显式构造逼近。下面保留概率解释,补出统一误差界;Stone–Weierstrass与Voronovskaya作为条件明确的延伸结果。

1. Weierstrass 逼近定理 (Weierstrass Approximation Theorem)

1.1 定理陈述

设 f(x)f(x) 是闭区间 [a,b][a, b] 上的连续函数。对于任意给定的 ϵ>0\epsilon > 0,存在一个代数多项式 P(x)P(x),使得对于一切 x∈[a,b]x \in [a, b],都有: ∣f(x)−P(x)∣<ϵ|f(x) - P(x)| < \epsilon

1.2 几何意义与结论

1.3 Stone-Weierstrass 定理 (推广)

设 XX 为紧Hausdorff空间。实数版本要求 A⊂C(X,R)\mathcal A\subset C(X,\mathbb R) 为含常数、能分离点的实子代数,则它在一致范数下稠密。复数版本对 A⊂C(X,C)\mathcal A\subset C(X,\mathbb C) 还要加上对复共轭封闭;不能省略值域与这一条件。本节只引用推广定理,下面证明的是区间版本。


2. Bernstein 多项式 (Bernstein Polynomials)

为了构造性地证明 Weierstrass 定理,S.N. Bernstein 引入了概率论方法构造的一类多项式。通常定义在标准区间 [0,1][0, 1] 上。

2.1 Bernstein 基函数

nn 次 Bernstein 基函数定义为: bn,k(x)=(nk)xk(1−x)n−k,k=0,1,…,nb_{n,k}(x) = \binom{n}{k} x^k (1-x)^{n-k}, \quad k=0, 1, \dots, n 这实际上是二项分布 B(n,x)B(n, x) 的概率质量函数。

2.2 Bernstein 多项式定义

对于 [0,1][0, 1] 上的函数 f(x)f(x),其 nn 次 Bernstein 多项式定义为: Bn(f;x)=∑k=0nf(kn)bn,k(x)B_n(f; x) = \sum_{k=0}^n f\left(\frac{k}{n}\right) b_{n,k}(x)

3. 核心性质

3.1 基础代数性质

  1. 单位分解 (Partition of Unity):∑k=0nbn,k(x)≡1\sum_{k=0}^n b_{n,k}(x) \equiv 1。
  2. 端点插值:Bn(f;0)=f(0),Bn(f;1)=f(1)B_n(f; 0) = f(0), \quad B_n(f; 1) = f(1)。
  3. 线性算子:Bn(αf+βg)=αBn(f)+βBn(g)B_n(\alpha f + \beta g) = \alpha B_n(f) + \beta B_n(g)。
  4. 非负性:若 f(x)≥0f(x) \ge 0,则 Bn(f;x)≥0B_n(f; x) \ge 0(单调算子)。

3.2 保形性质 (Shape Preserving Properties)

Bernstein 多项式以极其优良的“模仿”原函数形状而著称:

4. 概率证明与收敛性

4.1 概率论解释 (Bernstein 的证明思路)

考虑一列伯努利试验,成功的概率为 xx。设 SnS_n 为 nn 次试验中成功的次数。 根据大数定律,频率 Sn/nS_n/n 依概率收敛于概率 xx。 Bn(f;x)=E[f(Snn)]B_n(f; x) = E\left[ f\left( \frac{S_n}{n} \right) \right] 因 ff 在紧区间连续,故有界且一致连续。令 M=∥f∥∞M=\|f\|_\infty,先选 δ>0\delta>0 使距离小于 δ\delta 时函数值差小于 ε\varepsilon。在近、远事件上分别估计,利用 Var⁡(Sn/n)=x(1−x)/n≤1/(4n)\operatorname{Var}(S_n/n)=x(1-x)/n\le1/(4n) 得 ∣Bn(f;x)−f(x)∣≤ε+2MPr⁡(∣Sn/n−x∣≥δ)≤ε+M2nδ2.|B_n(f;x)-f(x)|\le\varepsilon+2M\Pr(|S_n/n-x|\ge\delta) \le\varepsilon+\frac{M}{2n\delta^2}. 右端与 xx 无关,因此是一致收敛。一般区间 [a,b][a,b](a<ba<b)经仿射换元归到 [0,1][0,1]。这与Fejér核、Cesàro求和与一致逼近共享“近处用一致连续,远处用质量集中”的结构,但这里的平均是二项分布,后者是圆周卷积。

4.2 收敛阶与 Voronovskaya 定理

Bernstein 多项式的收敛速度相对较慢。

5. 应用与对比

5.1 计算机图形学 (Bézier 曲线)

Bernstein 基函数是 Bézier 曲线 的数学基础。 P(t)=∑k=0nPkbn,k(t)\mathbf{P}(t) = \sum_{k=0}^n \mathbf{P}_k b_{n,k}(t) 其中 Pk\mathbf P_k 是控制点。对 0≤t≤10\le t\le1,基函数非负且和为1,所以曲线落在控制点的凸包中;任意控制点未必来自某个标量函数的等距采样,不能直接套用本篇所有函数逼近结论。

5.2 与最佳逼近多项式的对比

特性 Bernstein 多项式 Bn(f)B_n(f) 最佳一致逼近多项式 (Minimax) 插值多项式 (Lagrange)
构造方式 显式正权平均 常用Remez等算法计算 由节点与数据确定,可用重心公式计算
收敛速度 C2C^2 时有 O(1/n)O(1/n) 上界;一般连续函数另论 依赖于 ff 的光滑度;同次数误差不劣于其他多项式 依赖节点与函数,等距高次插值可能有Runge现象
稳定性 ∥Bnf−Bng∥∞≤∥f−g∥∞\|B_nf-B_ng\|_\infty\le\|f-g\|_\infty 另需考察算法与问题条件 受节点的Lebesgue常数及实现影响
保形性 保单调、保凸;变差缩减须用准确表述 一般不额外保证保形 一般不额外保证保形

6. 常用公式速查

名称 公式
Bernstein 基 bn,k(x)=(nk)xk(1−x)n−kb_{n,k}(x) = \binom{n}{k} x^k (1-x)^{n-k}
递推公式 bn,k(x)=(1−x)bn−1,k(x)+xbn−1,k−1(x)b_{n,k}(x) = (1-x)b_{n-1,k}(x) + x b_{n-1,k-1}(x)
一阶导数 Bn′(f;x)=n∑k=0n−1[f(k+1n)−f(kn)]bn−1,k(x)B_n'(f; x) = n \sum_{k=0}^{n-1} [f(\frac{k+1}{n}) - f(\frac{k}{n})] b_{n-1,k}(x)
方差恒等式 ∑k=0n(k−nx)2(nk)xk(1−x)n−k=nx(1−x)\sum_{k=0}^n (k - nx)^2 \binom{n}{k} x^k (1-x)^{n-k} = nx(1-x)

7. 结论

  1. 存在性:Weierstrass 定理从理论上保证了多项式逼近的可行性。
  2. 构造性:Bernstein 多项式提供了一种简单、显式且数值稳定的逼近序列,虽然收敛速度不快,但其优秀的保形性质使其在 CAGD (计算机辅助几何设计) 中成为核心工具。
  3. 光滑化:Bn(f)B_n(f) 可以看作是对 ff 的一种平滑处理(具有 mollifier 的作用)。

相关笔记