数值分析之数值积分 4.X
求积公式
\[\int_{a}^{b} f(x) \mathrm{d} x \approx \sum_{k=0}^{n} A_{k} f\left(x_{k}\right)
\]
\(A_k\) 为求积系数, \(x_k\) 为求积节点
代数精度
定义
如果某个求积公式对于次数不超过 \(m\) 的多项式均能准确地成立, 但对于\(m+1\) 次多项式不准确成立, 则称该求积公式具有 \(m\) 次代数精度
性质
\(n+1\) 个互异节点可唯一确定至少具有 \(n\) 次代数精度的求积公式
插值型求积公式
\[\begin{array}{l}
\int_{a}^{b} \rho(x) f(x) d x \approx \int_{a}^{b} \rho(x) L_{n}(x) d x \\
=\sum_{i=0}^{n}\left(\int_{a}^{b} \rho(x) l_{i}(x) d x\right) f\left(x_{i}\right)=\sum_{i=0}^{n} A_{i} f\left(x_{i}\right) \\
\text { 其中 } A_{i}=\int_{a}^{b} \rho(x) l_{i}(x) d x(i=0,1, \ldots, n)
\end{array}\]
\(l_{i}(x)\) 为第 \(i\) 个节点的拉格朗日插值基函数
此 (\(n+1\) 个节点的) 求积公式至少有 \(n\) 次代数精度的充要条件时, 它是插值型的
求积公式收敛性与稳定性
收敛性
在求积公式中, 若
\[\lim _{\substack{n \rightarrow \infty \\ h \rightarrow 0}} \sum_{k=0}^{n} A_{k} f\left(x_{k}\right)=\int_{a}^{b} f(x) \mathrm{d} x
\]其中
\[h=\max _{1 \leqslant i \leqslant n}\left\{x_{i}-x_{i-1}\right\}
\]则称求积公式是收敛的.
稳定性
稳定性条件: 若求积公式中系数 \(A_k>0\), 则此求积公式是稳定的
牛顿-柯特斯公式 (也为插值型求积公式)
\(\boldsymbol{n}\) 阶 Newton-Cotes公式
\[\int_{a}^{b} f(x) d x \approx(b-a) \sum_{i=0}^{n} C_{i}^{(n)} f\left(x_{i}\right)
\]
令
\[ C_{i}^{(n)}=\frac{A_{i}}{b-a}=\frac{(-1)^{n-i}}{i !(n-i) ! n} \int_{0}^{n} \prod_{\substack{j=0 \\
j \neq i}}^{n}(t-j) d t \quad \text { 称为Cotes系数. }
\]
\[A_{i}=\frac{(-1)^{n-i} h}{i !(n-i) !} \int_{0}^{n} \prod_{\substack{j=0 \\
j \neq i}}^{n}(t-j) d t \quad(i=0: n)\]
\[A_{i}=\int_{a}^{b} l_{i}(x) d x=\frac{(-1)^{n-i} h}{i !(n-i) !} \int_{0}^{n} \prod_{\substack{j=0 \\ j \neq i}}^{n}(t-j) \mathrm{d} t(i=0: n)
\]
将区间 \([\mathbf{a}, \mathrm{b}]\) \(n\) 等分, 取步长 \(h=\frac{b-a}{n}\) , 等距节点 \(x_{i}=a+i h(i=0: n)\) , 权函数 \(\rho(\boldsymbol{x}) \equiv 1\) . 令 \(\boldsymbol{x}=\boldsymbol{a}+\boldsymbol{t h}\) , 则 Lagrange揷值基函数为
\[l_{i}(x)=\prod_{\substack{j=0 \\ j \neq i}}^{n} \frac{x-x_{j}}{x_{i}-x_{j}}=\prod_{\substack{j=0 \\ j \neq i}}^{n} \frac{t-j}{i-j} \quad(i=0: n)
\]
梯形公式 (1次代数精度)
当 \(n=1\) , \(C_{0}^{(1)}=C_{1}^{(1)}=\frac{1}{2}\)
辛普森公式 (3次代数精度)
当 \(n=2\), \(C_{0}^{(2)}=\frac{1}{6}, C_{1}^{(2)}=\frac{4}{6}, \quad C_{2}^{(2)}=\frac{1}{6}\)
\(S=\frac{b-a}{6}\left[f(a)+4 f\left(\frac{a+b}{2}\right)+f(b)\right] .\)
柯特斯公式 (5次代数精度)
当 \(n=4\),Cotes 系数为 \(C_{0}^{(4)}=\frac{7}{90}, C_{1}^{(4)}=\frac{32}{90}, C_{2}^{(4)}=\frac{12}{90}, C_{3}^{(4)}=\frac{32}{90}, C_{4}^{(4)}=\frac{7}{90}\) 故求积公式为
\[\int_{a}^{b} f(x) d x \approx \frac{b-a}{90}\left[7 f(a)+32 f\left(x_{1}\right)+12 f\left(x_{2}\right)+32 f\left(x_{3}\right)+7 f(b)\right]
\]称为Cotes公式。
代数精度
当 \(n\) 为奇数, \(I_n(f)\) 有 \(n\) 次代数精度
当 \(n\) 为偶数, \(I_n(f)\) 至少有 \(n+1\) 次代数精度 (常用) \(n\) 为偶数的N-C公式
复合求积公式
起源:
- N-C公式当 \(n\) 太大时不稳定
- N-C公式当 \(n\) 太小时误差大
复合梯形公式
将区间 \([a, b]\) 划分为 \(n\) 等份, 分点 \(x_{k}=a+k h, h=\frac{b-a}{n}, k=0,1, \cdots, n\) , 在每个子区间 \(\left[x_{k}, x_{k+1}\right](k=0,1, \cdots, n-1)\)
\[T_{n}=\frac{h}{2} \sum_{k=0}^{n-1}\left[f\left(x_{k}\right)+f\left(x_{k+1}\right)\right]=\frac{h}{2}\left[f(a)+2 \sum_{k=1}^{n-1} f\left(x_{k}\right)+f(b)\right]
\]
复合梯形公式是 稳定的
复合辛普森求积公式
将区间 \([a, b]\) 分为 \(n\) 等份, 在每个子区间 \(\left[x_{k}, x_{k+1}\right]\) 上采用辛普森公式, 记 \(x_{k+1 / 2}=x_{k}+\frac{1}{2} h\)
\[\begin{aligned}
S_{n} &=\frac{h}{6} \sum_{k=0}^{n-1}\left[f\left(x_{k}\right)+4 f\left(x_{k+1 / 2}\right)+f\left(x_{k+1}\right)\right] \\
&=\frac{h}{6}\left[f(a)+4 \sum_{k=0}^{n-1} f\left(x_{k+1 / 2}\right)+2 \sum_{k=1}^{n-1} f\left(x_{k}\right)+f(b)\right],
\end{aligned}\]
复合辛普森求积公式是 稳定的
最新文章
- HP ALM 使用经验
- treap树模板
- MMS源码中异步处理简析
- Inno调用dll --- 实现背景播放音乐
- jQuery常用的元素查找方法总结
- 索引的重载 str[";name";] str[i]
- STM32F0xx_DMA收发USART数据配置详细过程
- Android开发之源码:多次点击事件的原理和实现
- bzoj 1257: [CQOI2007]余数之和sum 数学 &;&; 枚举
- 1.1 什么是LinQ
- WPF 截屏软件开发
- 重温CSS3
- Thinkphp3.2简单解决多文件上传只上传一张的问题
- bzoj 3669: [Noi2014]魔法森林 (LCT)
- 分布式文件系统 fastdfs搭建
- LINQ基本概念及误区
- linux系统虚拟机下安装nginx基础
- 变量安全过滤,防止xss攻击
- jsPlumb.jsAPI阅读笔记(官方文档翻译)
- kubectl命令自动补全
热门文章
- [python] ​Python数据序列化模块pickle使用笔记
- @Transactional事务回滚异常:Transaction rolled back because it has been marked as rollback-only
- python之路34 MySQL 2 配置文件 字段类型
- Spring MVC的运行流程
- 近邻取样插值方法缩放BGRA图片数据
- dfs 返回值用bool相对void会快一点
- SSM中PageHelper的使用方法
- 【学习笔记】C/C++ 设计模式 - 工厂模式(下)
- 11月15日内容总结——软件开发架构、网络编程介绍和OSI七层协议介绍
- FAQ 关于allure和pycharm的运行模式