Newton 전진 차분 보간(Forward Difference)

Newton 전진 차분 보간법은 등간격 노드에서 주어진 표본값들을 이용하여, 보간 다항식을 효율적으로 구성하는 고전적 접근이다. 이 방법은 차분 연산자(difference operator)와 전진 차분(forward difference) 개념을 통해 고차항을 점진적으로 쌓아 올리는 방식으로 표현된다. 등간격 구간에서 데이터를 다룰 때 유용하며, 차분 테이블을 활용하여 계산을 간편하게 처리한다.

전진 차분 연산자의 정의

등간격으로 배치된 독립변수 $x_0, x_1, x_2, \dots, x_n$이 있다고 가정한다. 각 점에서의 종속변수 값은 $f(x_0), f(x_1), \dots, f(x_n)$이며, 간격을 $h$라 하자. 전진 차분(forward difference) 연산자 $\Delta$는 다음과 같이 정의된다.

$$\begin{align}\\ \Delta f(x_i) = f(x_{i+1}) - f(x_i)\\ \end{align}$$

이를 $f_i = f(x_i)$라 표기하면, $\Delta f_i = f_{i+1} - f_i$ 형태로 적을 수 있다. 이를 한 번 더 차분하면, 2차 전진 차분 $\Delta^2$가 되고 일반적으로 $k$차 전진 차분은

$$\begin{align}\\ \Delta^k f_i = \Delta(\Delta^{k-1} f_i)\\ \end{align}$$

로 정의된다. 예를 들어 2차 전진 차분은

$$\begin{align}\\ \Delta^2 f_i &= \Delta(\Delta f_i) = \Delta f_{i+1} - \Delta f_i\\ &= (f_{i+2} - f_{i+1}) - (f_{i+1} - f_i)\\ &= f_{i+2} - 2f_{i+1} + f_i\\ \end{align}$$

가 된다.

Newton 전진 차분 다항식의 일반형

Newton 전진 차분 보간법의 핵심은 차분을 중첩하여, $n$차 보간 다항식을 다음과 같은 형태로 표현하는 것이다.

$$\begin{align}\\ P_n(x) &= f(x_0) + \frac{x - x_0}{1!} \Delta f(x_0) + \frac{(x - x_0)(x - x_1)}{2!} \Delta^2 f(x_0) + \dots\\ &\quad + \frac{(x - x_0)(x - x_1)\cdots(x - x_{n-1})}{n!} \Delta^n f(x_0).\\ \end{align}$$

등간격 간격이 $h$라면, $x_i = x_0 + ih$로 쓸 수 있다. 이때 보간 구간 안에서 $x = x_0 + t h$ ($t$는 연속 변수)라고 두면, $x - x_i = (t-i)h$로 표현할 수 있다. 이를 이용하면, 실제 계산 시 $(x - x_0)(x - x_1) \dots$를 대신하여 $(th)(th - h)(th - 2h)\dots$ 형태로 쉽게 다룰 수 있다.

전진 차분 테이블

Newton 전진 차분 보간법을 실질적으로 사용할 때에는 전진 차분 테이블(forward difference table)을 구성한다. 예를 들어 $f_0, f_1, f_2, \dots, f_n$이 주어졌다고 하면, 맨 처음 열에는 $f_0, f_1, \dots, f_n$을 나열하고, 그 다음 열에는 1차 전진 차분 $\Delta f_0, \Delta f_1, \dots$을, 이어서 2차 전진 차분, 3차 전진 차분 등을 차례로 나열해 구성한다. 이 테이블의 첫 행에 해당하는 값들을 이용하여 보간 다항식의 계수를 직접 찾거나, 위에서 정의한 일반형에 따라 순서대로 끼워 넣어 최종식으로 만들게 된다.

간단한 전개 과정

Newton 전진 차분 보간식의 $k$차 항은 다음과 같이 표현된다.

$$\begin{align}\\ \frac{(x - x_0)(x - x_1)\cdots(x - x_{k-1})}{k!} \Delta^k f(x_0),\\ \end{align}$$

여기서 $\Delta^k f(x_0)$는 전진 차분 테이블의 가장 윗줄(첫 번째 행)에 해당하는 $k$차 전진 차분 값을 의미한다. 따라서 전진 차분 테이블의 계산이 정확하다면, 위 식을 차례대로 누적하여 $n$차 보간 다항식을 얻는다.

등간격이라는 조건이 성립하지 않는다면 Newton 전진 차분 보간법은 권장되지 않으며, 그 경우에는 일반화된 Newton 분할 차분(Newton's Divided Difference) 또는 다른 보간 기법이 필요하다.

오류 항 및 정확도

Newton 전진 차분 다항식의 잔차항(오차 항)은 Taylor 전개와 유사한 형태를 가진다. 일반적으로 $n$차 다항식 $P_n(x)$가 $n+1$개의 점을 정확히 지나므로, $f(x) - P_n(x)$가 가지고 있는 근사 오차는 $(n+1)$차 미분에 의해 결정된다. 등간격 노드 위에서 정의된 보간 다항식은, 구간의 너비가 증가할수록 오차가 누적될 수 있으므로, 노드의 적절한 분포와 구간 길이의 조절이 중요하다.

차분 연산을 시각화하기 위한 mermaid 예시

앞서 언급한 바와 같이, 전진 차분 연산자 $\Delta$를 반복 적용하며 고차 전진 차분을 구할 수 있음을 보여 준다.

전진 차분 연산자와 Shift 연산자

전진 차분 연산자는 discrete 연산자 이론의 중심에 있으며, 연속함수의 도함수 개념과 유사한 역할을 수행한다. 실수 또는 복소수 값 함수를 다룰 때, shift 연산자 $E$를 정의할 수 있다. 이 연산자는 $E(f_i) = f_{i+1}$로 작용한다. 즉, $E$는 독립변수 $i$를 한 칸씩 전진시키는 연산이다. 전진 차분 연산자는 다음과 같은 관계로 해석할 수 있다.

$$\begin{align}\\ \Delta = E - I\\ \end{align}$$

여기서 $I$는 항등 연산자로, $I(f_i) = f_i$를 의미한다. 따라서

$$\begin{align}\\ \Delta f_i = (E - I) f_i = E f_i - f_i = f_{i+1} - f_i\\ \end{align}$$

와 같이 다시 정리된다. 일반화하면 $k$차 전진 차분은

$$\begin{align}\\ \Delta^k = (E - I)^k\\ \end{align}$$

의 전개 형태에 해당한다.

Newton 전진 차분의 다항 전개와 이항계수의 연관

등간격 구간에서 $x = x_0 + t h$로 설정할 수 있으며, $x_i = x_0 + i h$로 정의했을 때, 전진 차분을 반복해 얻은 $\Delta^k f_0$들은 $f(x_0)$에 대한 이산적(차분적) 도함수의 집합으로 볼 수 있다. 이를 기반으로 구성하는 보간 다항식은 특정 계수와 조합되는 구조를 보인다.

전진 차분 연산자의 $k$차 항은

$$\begin{align}\\ \Delta^k f(x_0) = \sum_{j=0}^k (-1)^{k-j} \binom{k}{j} f_{j} \\ \end{align}$$

처럼 전개할 수 있으며, 이항계수 $\binom{k}{j}$가 등장한다. 이러한 구성이 바로 Newton 전진 차분 보간식의 항들을 단계적으로 쌓아 올리는 근간이 된다. 특히 $x$가 $x_0 + t h$ 형태로 표현될 때,

$$\begin{align}\\ (x - x_0)(x - x_1) \cdots (x - x_{k-1}) = h^k \, t (t-1) (t-2) \cdots (t-(k-1))\\ \end{align}$$

가 되므로, $P_n(x_0 + t h)$라는 다항식은 $t$의 다항식 형태로 변환되어 쉽게 해석된다. 이러한 변환을 통해, 전진 차분 테이블과 $t$에 대한 이항형 전개를 대비시켜 간단하게 계산하는 방안이 자주 활용된다.

보간다항식의 구조와 미분 근사

전진 차분 보간식은 $f(x)$와 그 차분(또는 유도된 유사도함수)을 적절히 연결하는 구조를 가지고 있다. 예를 들어, 연속함수 $f(x)$를 저차 다항식으로 근사할 때, 전진 차분을 통해 $f'(x)$나 $f''(x)$를 근사하는 기법이 개발될 수 있다. 실제로 유한 차분(finite difference) 기법에서는 $f'(x)$를

$$\begin{align}\\ f'(x_i) \approx \frac{f_{i+1} - f_i}{h}\\ \end{align}$$

등으로 근사하지만, 더 높은 차의 전진 차분을 사용하면 오차를 줄이거나 중심 차분 방식을 도입하는 등 다양한 기법도 만들어진다. 다만, 여기서는 보간(polynomial interpolation) 자체에 초점을 맞추고 있으므로, 전진 차분 연산이 만들어 낸 다항식의 형태가 중요하게 다루어진다.

Newton 전진 차분 보간다항식과 결과 테이블 예시

전진 차분 보간다항식의 계수를 구하기 위해서는 전진 차분 테이블이 핵심이다. 예컨대, $n$개의 데이터를 나열하고, 첫 행에는 $f_0, f_1, \dots, f_n$을 적어두고, 두 번째 행에는 1차 전진 차분 $\Delta f_0, \Delta f_1, \dots$, 그 이후 행에는 2차, 3차, … 전진 차분을 차례대로 계산해 기록한다. 다항식의 계수는 이 테이블의 첫 열 또는 각 차분의 맨 윗행에 있는 항들을 이용한다. 이때 $k$차 항의 계수는

$$\begin{align}\\ \frac{\Delta^k f_0}{k!}\\ \end{align}$$

에 $(x - x_0)(x - x_1)\cdots(x - x_{k-1})$가 곱해지는 구조임을 기억하면 좋다.

추가적 예시(Octave)

아래 예시는 Octave에서 전진 차분 보간다항식을 계산하는 간단한 예시 코드이다. 주어진 점들 $(x_i, f_i)$이 등간격이라 가정하고, 전진 차분 테이블을 구성한 다음, $x$에 대해 $P_n(x)$를 평가한다.

x_vals = [0, 1, 2, 3];  % 등간격 예시
f_vals = [1, 2, 4, 7];  % 예시 함수값

n = length(x_vals) - 1;
h = x_vals(2) - x_vals(1);

% 전진 차분 테이블 구성
diff_table = zeros(n+1, n+1);
diff_table(:,1) = f_vals(:);

for col = 2:n+1
    for row = 1:n-col+2
        diff_table(row,col) = diff_table(row+1,col-1) - diff_table(row,col-1);
    end
end

% 전진 차분 보간다항식의 계산
syms X;
P = 0;
for k = 0:n
    term = diff_table(1, k+1)/factorial(k);
    for j = 0:k-1
        term = term*(X - x_vals(j+1));
    end
    P = P + term;
end

disp(expand(P));

위 코드는 단순화된 예시로, 등간격 구간 $[0, 1, 2, 3]$에서의 함수값으로부터 Newton 전진 차분 보간다항식을 구한 뒤, $expand$를 통해 기호적 간단화 결과를 출력한다. 실제 작업에서는 사용자 입력에 따라 $X$를 특정 값으로 치환한 뒤 $P$를 평가하여 보간 결과를 얻는다.

전진 차분 보간법과 고차 잔차항

Newton 전진 차분 보간 다항식 $P_n(x)$는, $n$차 다항을 기반으로 $n+1$개 데이터 점을 정확히 통과하도록 구성된다. 그러나 실제 함수 $f(x)$와 $P_n(x)$가 완전히 일치한다고 보장할 수는 없으며, 그 차이를 $R_n(x)$라는 잔차항(오차 항, remainder term)으로 나타낸다.

보통 Taylor 다항식에서 사용되는 개념과 유사하게, Newton 전진 차분 보간에서도 $n+1$차 미분이 관여하는 잔차항 형태가 존재한다. 이를 보다 명확히 보여 주기 위해, 간단한 형태의 증명을 살펴본다.

잔차항의 일반적 형태

등간격 노드에서 정의되는 Newton 전진 차분 다항식의 잔차항은 크게 다음과 유사한 꼴을 취한다.

$$\begin{align}\\ f(x) - P_n(x) = \frac{f^{(n+1)}(\xi)}{(n+1)!} (x - x_0)(x - x_1)\cdots (x - x_n)\\ \end{align}$$

이때 $\xi$는 적당한 중간 값으로, $x_0 \le \xi \le x_n$ 구간 내에 존재한다. 위 꼴은 사실상 Peano 정리나 평균값 정리에 의한 잔차항 형태와 비슷하며, 특정 노드 분포(등간격)라는 전제 위에서 성립한다.

Taylor 전개와 전진 차분의 연결

연속함수 $f(x)$가 충분히 미분 가능하다고 하면, $f(x_0 + h)$를 Taylor 급수로 전개하면

$$\begin{align}\\ f(x_0 + h) = f(x_0) + h f'(x_0) + \frac{h^2}{2!} f''(x_0) + \dots + \frac{h^{n+1}}{(n+1)!} f^{(n+1)}(x_0 + \theta h), \quad 0 < \theta < 1.\\ \end{align}$$

와 같은 형태가 된다. 전진 차분 보간에서는 이산점 $x_0, x_1 = x_0 + h, \dots, x_n = x_0 + n h$에서 정의된 $f_i = f(x_0 + i h)$만을 알고 있으므로, 실제 $f^{(k)}(x)$에 관한 정보를 직접 얻는 대신, $\Delta^k f_0$를 통해 간접적으로 $k$차 도함수에 접근한다. 이러한 관점으로 Newton 전진 차분 보간은 Taylor 전개와 유사한 다항 구조를 갖게 되고, 잔차항 역시 $f^{(n+1)}$ 항이 포함되는 형태를 띤다.

등간격 노드에서의 잔차항 상수 계수

등간격 노드 $x_i = x_0 + i h$ 위에서, $x = x_0 + t h$ ($t$ 실수)라 하면,

$$\begin{align}\\ (x - x_0)(x - x_1)\cdots(x - x_n) = h^{n+1} \, t (t-1) \cdots (t-n).\\ \end{align}$$

그러므로 잔차항을 $R_n(x)$라 할 때,

$$\begin{align}\\ R_n(x_0 + t h) = \frac{f^{(n+1)}(\xi)}{(n+1)!} \, h^{n+1} \, t (t-1) \cdots (t-n).\\ \end{align}$$

형태로 정리할 수 있다. 여기에서 $\xi$는 $x_0$와 $x_0 + n h$ 사이 어딘가에 존재한다. 이는 일반 Taylor 잔차항에서 등장하는 $\theta$와 유사한 역할을 수행한다고 볼 수 있다. 만일 $f(x)$가 $(n+1)$차 도함수가 구간 내에서 연속적이고 특정 범위로 제한된다면, $f^{(n+1)}(\xi)$를 그 구간에서의 최댓값 혹은 최솟값을 이용해 에러를 추정할 수 있다.

높은 차수 보간 시 주의점

Newton 전진 차분 보간에서 차수가 높아질수록 잔차항의 차수가 올라가므로, 이론상 정확도를 더 높일 수 있을 것으로 기대된다. 그러나 실제로 $n$이 커지면, 오히려 높은 차수의 차분 연산에서 발생하는 오차가 누적되어 불안정해질 수 있다. 또한 간격 $h$가 일정하다고 할 때, $x_0$로부터 멀리 떨어진 $x$에서 $(x - x_0)(x - x_1)\dots(x - x_n)$의 값이 매우 커질 수 있으므로, 잔차항이 상당히 커질 위험이 존재한다.

일반적으로 고차 보간보다는, 구간을 여러 개로 나누어 저차 보간(예: 스플라인 보간)을 적용하거나, 노드의 적절한 재배치를 통해 보간 오차가 폭발적으로 증가하는 현상을 방지한다.

고차 전진 차분 보간 예시와 검증

아래는 Python으로 등간격 구간에서 최대 4차 전진 차분 보간을 적용해 보고, 임의의 $x$에서의 보간값과 실제 함숫값을 비교하여 잔차항(오차)을 확인하는 간단 예시이다.

import sympy as sp

# 심볼 정의
x = sp.Symbol('x', real=True)
f = sp.sin(x)  # 예시 함수

# 등간격 구간
x0 = 0
h = 0.5
n = 4  # 최대 4차 보간

# 보간 노드 및 함수값
x_points = [x0 + i*h for i in range(n+1)]
f_points = [f.subs(x, xp) for xp in x_points]

# 전진 차분 테이블 구성
diff_table = []
diff_table.append(f_points)
for col in range(1, n+1):
    column_data = []
    for row in range(n+1-col):
        column_data.append(diff_table[col-1][row+1] - diff_table[col-1][row])
    diff_table.append(column_data)

# Newton 전진 차분 보간식 구성
X = sp.Symbol('X', real=True)
P = 0
for k in range(n+1):
    # k차 항
    coeff = diff_table[k][0] / sp.factorial(k)
    term = 1
    for j in range(k):
        term *= (X - x_points[j])
    P += coeff * term

# 비교할 x_eval을 설정하고 보간값 vs 실제 함수값 출력
for test_val in [0.25, 1.0, 1.75]:
    approx_val = P.subs(X, test_val)
    true_val = f.subs(x, test_val)
    error_val = abs(approx_val - true_val)
    print(f"x={test_val}, 보간={approx_val.evalf()}, 실제={true_val.evalf()}, 오차={error_val.evalf()}")

이 예시에서는 $f(x) = \sin(x)$를 고른 뒤, $x=0$부터 등간격 $h=0.5$로 $n=4$차 보간을 한다. 그 후, 몇몇 지점에서의 보간값과 실제 $\sin(x)$를 비교해 오차가 어느 정도 발생하는지 확인한다.

해석

• $\sin(x)$는 비교적 매끄러운 함수이며, 4차 보간 정도로도 $h$가 크지 않을 때는 상당히 정확한 근사를 제공한다.

• $n$이 매우 커지거나 $h$가 커지면, 테이블에 기초한 전진 차분 값 $\Delta^k f_0$가 정확도가 저하될 수 있고, 보간 다항식 자체도 $x$ 범위에 따라 커다란 진동을 일으킬 가능성이 있다.

• 실제로 $n$이 커지면, 전진 차분 테이블에서 높은 차수가 되면서 적분 오차, 계산 반올림 오차, 이상 고차항 진동 등이 겹쳐서 $P_n(x)$가 불안정해지는 문제가 발생할 수 있다.

고차 전진 차분과 이산해석학(Discrete Analysis) 관점

전진 차분 $\Delta$가 고차로 반복 적용될수록, $\Delta^k f_i$는 연속함수 해석에서 $(k)$차 도함수에 대응되는 이산적 유사함수를 제공한다. 예를 들어,

$$\begin{align}\\ \Delta f_i &= f_{i+1} - f_i,\\ \Delta^2 f_i &= f_{i+2} - 2f_{i+1} + f_i,\\ \Delta^3 f_i &= f_{i+3} - 3f_{i+2} + 3f_{i+1} - f_i,\\ \end{align}$$

등이 이어진다. 이는 이항계수 $\binom{k}{j}$가 결합된 전개 형태와 직결된다.

고차 전진 차분은 여러 가지 이산 해석학 분야, 예를 들어 차분방정식(difference equation) 해석, 이산제어(discrete control) 이론, 이산신호처리(discrete signal processing) 등과 맞닿아 있다. Newton 전진 차분 보간은 이처럼 고차 전진 차분 연산을 보간이라는 맥락에서 활용하지만, 더 나아가선 이산 영역의 다양한 응용으로 이어진다.

Newton-Gregory Forward Formula

Newton 전진 차분 보간법은 때로 ‘Gregory 보간(Gregory interpolation)’이라 일컬어지기도 하며, 명시적으로 Gregory-Newton 공식(Gregory-Newton forward difference formula)라고 부른다. 등간격 노드에서의 보간 다항식을 체계적으로 구성하는 데 있어, Gregory가 제안한 전진 차분 개념이 Newton의 분할 차분(divided difference) 구성과 결합된 형태라 할 수 있다.

등간격 노드 $x_i = a + i h$로 주어질 때, 보간하려는 점 $x$를 $x = a + t h$로 두면, Gregory-Newton 공식은

$$\begin{align}\\ P_n(a + t h) = f_0 + \binom{t}{1} \Delta f_0 + \binom{t}{2} \Delta^2 f_0 + \cdots + \binom{t}{n} \Delta^n f_0,\\ \end{align}$$

와 같이 쓸 수도 있다. 여기서 $\binom{t}{k}$는 이항계수를 일반화한 개념으로,

$$\begin{align}\\ \binom{t}{k} = \frac{t(t-1)(t-2)\cdots(t-k+1)}{k!}.\\ \end{align}$$

즉, $t$가 정수가 아니더라도, 위와 같은 곱셈 형태로 정의 가능하다. 이를 통해 $x=a+th$가 ‘연속적’인 $t$에 대해도 부드럽게 값을 정의하게 된다.

역전진 차분(Inverse Difference)과 누적합(Cumulative Sum)

전진 차분 연산자 $\Delta$는 $f_{i+1} - f_i$와 같이 함수 값을 차이로 변환한다. 그렇다면 이를 ‘역으로’ 풀어내는 연산자 $\Delta^{-1}$, 즉 누적 연산자가 존재한다. 이를 discrete 적분(discrete integration)으로 볼 수도 있다. 만약 어떤 열(列) $g_i$에 대해 $\Delta g_i = f_i$를 만족한다고 하면, $g_i$가 $f_i$의 누적합 역할을 하게 된다. 실제로

$$\begin{align}\\ g_i = g_0 + \sum_{k=0}^{i-1} f_k,\\ \end{align}$$

형태로 적을 수 있다 (등간격인 경우). 보간 문제 맥락에서, 전진 차분 테이블을 위에서부터 아래로 쌓아 올리는 대신, 누적 연산을 통해 필요한 차분 값을 역으로 복원하는 방식도 가능하다.

Forward Difference와 생성함수(Generating Function)

이항정리(binomial theorem)와 유사하게, 전진 차분 또한 생성함수(generating function)적 접근을 통해 분석되기도 한다. 예컨대,

$$\begin{align}\\ \sum_{i=0}^{\infty} \Delta f_i \, z^i = \sum_{i=0}^{\infty} (f_{i+1} - f_i) z^i = \sum_{i=0}^{\infty} f_{i+1} z^i - \sum_{i=0}^{\infty} f_i z^i.\\ \end{align}$$

이러한 전개를 적절히 재배치하면, $f_i$가 주어졌을 때 생성함수를 구하고, 그 생성함수에 간단한 조작(곱셈 혹은 나눗셈)을 통해 전진 차분의 생성함수를 얻을 수 있음을 알 수 있다. 이 기법은 때로 Z-변환(Z-transform)이나 기본적 푸리에 해석(DFT 등)과 연계되어 이산신호처리, 차분방정식 해법 등에 활용된다.

떠돌아다니는 노드(등간격에서 벗어난 데이터)에 대한 대안

Newton 전진 차분 보간법은 노드가 등간격일 때 매우 직관적이고 빠른 테이블 기법을 제공한다. 그러나 실제로는 등간격이 아닌 좌표에서 표본이 주어지는 상황도 많다. 이 경우,

• ‘Newton 분할 차분 보간(Newton's Divided Difference)’을 일반적으로 사용한다.

• 불균등 노드라도 적당히 등간격으로 재배치 후, 보간 오차를 견딜 수 있다면 근사적으로 전진 차분 보간법을 사용할 수도 있다.

• 스플라인 보간이나 다항식 차수가 낮은 구간 분할형 보간법을 고려하기도 한다.

수치적 안정성(Numerical Stability)

전진 차분 보간은 등간격 노드에 특히 최적화되어 있지만, 노드 개수가 늘어날수록 전진 차분 $\Delta^k f_0$의 계산 과정에서 발생하는 반올림 오차가 쉽게 누적될 수 있다. 또한, $n$차 다항식이 멀리 떨어진 구간까지 평가되어야 할 경우, 고차항의 영향으로 인해 값이 폭발적으로 증가하거나 감소하여, 수치적으로 불안정한 현상이 발생할 수도 있다.

이를 개선하기 위한 방법으로,

• 가능한 작은 $n$을 선택하고 구간을 잘게 나눠서 저차 보간을 여러 번 이어 붙이는 방안(스플라인 등).

• Horner 형태의 다항식 계산 알고리즘을 활용해, 다항식의 평가 과정에서 불필요한 연산을 줄이고 반올림 오차를 완화하는 방안.

• 차분 테이블 구성 시, 정밀도 높은 자료형(예: 고정소수점이 아닌 배정밀도 부동소수점, 혹은 임의정밀도 라이브러리)을 활용하는 방안.

등을 들 수 있다.

Hermite 보간과의 연계

전진 차분 보간은 단순히 함수값($f_i$)만 알고 있을 때 사용하는 방식이다. 만일 각 노드에서의 도함수 정보($f'_i$, $f''_i$ 등)가 추가로 주어지면, Hermite 보간을 고려하게 된다. Hermite 보간 다항식은 주어진 노드에서 함수값뿐 아니라 도함수값까지 정확히 맞추도록 설계된다. 전진 차분 기반의 Hermite 보간 역시 ‘차분 도함수’를 활용하거나, 차분식을 변형하여 본래 도함수와 대응시킬 수 있으나, 이때는 기본적인 $f_i$ 테이블만으로는 부족하며 부가적인 도함수 자료를 함께 차분 망(網)에 포함해야 한다.

--- 없이 마무리

Newton 전진 차분 보간은 등간격 노드에서 매우 효과적인 다항식 보간 방법으로, 차분 테이블이라는 직관적인 도구를 제공한다. 더 나아가 discrete 해석학의 기초 개념인 shift 연산자, 누적합, 생성함수, Z-변환 등과도 깊이 연결되어 있다. 그러나 고차 보간에서의 수치적 불안정성, 불균등 노드에서의 부적합성 등 약점도 분명하므로, 다양한 응용 상황에서 최적의 방법을 선택하기 위한 도구로 이해되고 활용되어야 한다.

Newton 전진 차분과 Newton 후진 차분의 비교

등간격 노드에서 Newton 전진 차분(Forward Difference) 보간뿐 아니라 Newton 후진 차분(Backward Difference) 보간도 유사한 개념으로 정의된다. 후진 차분 연산자는

$$\begin{align}\\ \nabla f_i = f_i - f_{i-1}\\ \end{align}$$

로 정의되며, 이를 반복 적용하면

$$\begin{align}\\ \nabla^k f_i = \nabla(\nabla^{k-1} f_i)\\ \end{align}$$

가 된다. 전진 차분 테이블이 윗행에서 오른쪽으로 계산돼 내려가는 것과 달리, 후진 차분 테이블은 아래 행에서 위쪽 혹은 뒤쪽으로 계산하는 구조를 갖는다.

등간격 노드가 $x_0, x_1, \dots, x_n$로 주어졌을 때,

• 전진 차분의 보간점은 주로 $x_0$를 기준($i=0$)으로 하여 $(x - x_0)$ 계수로 전개된다.

• 후진 차분의 보간점은 $x_n$을 기준($i=n$)으로 하여 $(x - x_n)$ 계수로 전개된다.

따라서 $x$가 $x_0$에 가깝다면 전진 차분 보간법이, $x_n$에 가깝다면 후진 차분 보간법이 실제 계산에서 더 유리할 수 있다. 예를 들어, $x_0$ 쪽 인접 구간을 자주 평가한다면 전진 차분식이, $x_n$ 쪽 인접 구간을 자주 평가한다면 후진 차분식이 유리하다.

전진 차분과 중앙 차분

중앙 차분(Central Difference)은

$$\begin{align}\\ \delta f_i = f_{i+\tfrac12} - f_{i-\tfrac12},\\ \end{align}$$

형태로 간격이 반씩 이동한 지점에서의 차이를 정의하고, 더 높은 차분을 구하는 방식이다. 이 방식은 보간보다는 주로 미분근사에서 오차를 줄이는 기법으로 많이 활용된다. 보간 관점에서 중앙 차분으로 다항식을 구성하려면, 노드가 반간격씩 오프셋된 형태를 유지해야 하므로 구현이 다소 번거롭다.

적응형(Adaptive) 등간격 분할과 전진 차분

등간격 구간이 확고히 정해져 있지 않은 상황에서도, 특정 구간에서는 $h$를 작게, 다른 구간에서는 $h$를 크게 설정하여, 전진 차분 보간 테이블을 여러 구간에 걸쳐 구현하는 경우가 있다. 이때 각 구간은 서로 다른 $h$ 값을 가질 수 있으며, 구간별로 독립된 전진 차분 보간다항식을 연결해 준다.

• 예: $[x_0, x_1]$ 구간에서는 $h_1$, $[x_1, x_2]$ 구간에서는 $h_2$ 등으로 다르게 잡아, 구간별로 새롭게 전진 차분 테이블을 만들고 보간 다항식을 작성한다.

• 이는 일반적 ‘조각별(polynomial piecewise)’ 보간 기법과 비슷하나, 각 조각에서 등간격을 가정하기 때문에, 하나의 긴 테이블 대신 여러 작은 전진 차분 테이블을 구성하게 된다.

전진 차분 보간과 Lagrange 보간의 관계

Newton 전진 차분 보간과 Lagrange 보간은 모두 $n$차 다항 보간을 구현한다. Lagrange 보간식은 어떤 노드 간격이든 자유롭게 적용 가능하다는 장점이 있지만, 계산 과정에서

$$\begin{align}\\ L_k(x) = \prod_{\substack{0 \le m \le n \\ m \neq k}} \frac{x - x_m}{x_k - x_m}\\ \end{align}$$

형태를 일일이 구해야 하므로, 노드 개수가 많아지면 계산량과 복잡도가 커질 수 있다. 반면 Newton 전진 차분 보간은 등간격 노드에서 차분 테이블을 간단히 구성해 차례대로 계수를 얻으므로, 계산 절차가 비교적 단순화된다.

• Lagrange 보간: 어떤 노드 분포에도 사용 가능.

• Newton 전진 차분 보간: 등간격 노드에서 계산이 쉽고, 노드 수가 많아져도 테이블 확장이 체계적.

만약 노드가 불규칙하게 주어진 경우에는 Lagrange 다항식 또는 Newton 분할 차분(interpolation by divided differences)을 사용하는 편이 일반적이다.

참고 사항

• 전진 차분 테이블을 빠르게 업데이트하는 기법: 노드가 하나씩 추가될 때, 모든 차분을 처음부터 다시 계산하지 않고, 이전 테이블 정보를 활용하여 새로운 열만 추가(또는 일부만 수정)하는 재귀적 접근이 있다.

• 병렬화 가능성: 대규모 데이터를 처리하는 상황에서, 구간별로 전진 차분 테이블을 나누고, 여러 코어나 쓰레드에서 동시에 차분 테이블을 구성한 뒤, 결과를 합치는 방식으로 병렬화할 수 있다.

• 다변수 확장: 전진 차분 개념 자체는 다변수 함수(예: $f(x,y)$)에 대해서도 정의할 수 있지만, 보간법에서 2차원 이상으로 확장하면 보간 표면(interpolation surface) 혹은 보간 다차원 다항식이 필요해져 구조가 복잡해진다.