首页 > 其他分享 >数值分析复习:Newton-Cotes求积公式及复合求积公式

数值分析复习:Newton-Cotes求积公式及复合求积公式

时间:2024-03-30 09:01:36浏览次数:20  
标签:Newton frac limits 公式 sum 求积

文章目录

本篇文章适合个人复习翻阅,不建议新手入门使用
本专栏:数值分析复习 的前置知识主要有:数学分析、高等代数、泛函分析

1. 中矩形公式

定义:中矩形公式
节点仅为区间中点的数值积分公式,即 I ( f ) ≈ f ( a + b 2 ) ( b − a ) I(f)\approx f(\frac{a+b}{2})(b-a) I(f)≈f(2a+b​)(b−a)

性质
若 f ∈ C 2 [ a , b ] f\in C^2[a,b] f∈C2[a,b],则上述公式是代数精度为1的插值型数值积分公式

2. 梯形公式

定义:梯形公式
节点为区间端点,且 f f f近似为这两点上的一次L插值的数值积分公式
即对节点 x 0 = a , x 1 = b x_0=a,x_1=b x0​=a,x1​=b,有
[P_1(x)=\frac{x-b}{a-b}f(a)+\frac{x-a}{b-a}f(b)][I(f)\approx\int_a^bP_1(x)\mathrm{d}x=\frac{f(a)+f(b)}{2}(b-a)]

性质
若 f ∈ C 2 [ a , b ] f\in C^2[a,b] f∈C2[a,b],则上述公式是代数精度为1的插值型数值积分公式

3. Simpson(辛普森)公式

定义:Simpson公式
节点为区间端点及中点,且 f f f近似为这两点上的二次L插值的数值积分公式
即对节点 x 0 = a , x 1 = a + b 2 , x 2 = b x_0=a,x_1=\frac{a+b}{2},x_2=b x0​=a,x1​=2a+b​,x2​=b,有
P 2 ( x ) = ( x − x 1 ) ( x − x 2 ) ( x 0 − x 1 ) ( x 0 − x 2 ) f ( a ) + ( x − x 0 ) ( x − x 2 ) ( x 1 − x 0 ) ( x 1 − x 2 ) f ( a + b 2 ) + ( x − x 0 ) ( x − x 1 ) ( x 2 − x 0 ) ( x 2 − x 1 ) f ( b ) \begin{split} P_2(x)=&\frac{(x-x_1)(x-x_2)}{(x_0-x_1)(x_0-x_2)}f(a) +\frac{(x-x_0)(x-x_2)}{(x_1-x_0)(x_1-x_2)}f(\frac{a+b}{2})\\ &+\frac{(x-x_0)(x-x_1)}{(x_2-x_0)(x_2-x_1)}f(b) \end{split} P2​(x)=​(x0​−x1​)(x0​−x2​)(x−x1​)(x−x2​)​f(a)+(x1​−x0​)(x1​−x2​)(x−x0​)(x−x2​)​f(2a+b​)+(x2​−x0​)(x2​−x1​)(x−x0​)(x−x1​)​f(b)​ I ( f ) ≈ ∫ a b P 2 ( x ) d x = f ( a ) + 4 f ( a + b 2 ) + f ( b ) 6 ( b − a ) I(f)\approx\int_a^bP_2(x)\mathrm{d}x=\frac{f(a)+4f(\frac{a+b}{2})+f(b)}{6}(b-a) I(f)≈∫ab​P2​(x)dx=6f(a)+4f(2a+b​)+f(b)​(b−a)

性质
若 f ∈ C 4 [ a , b ] f\in C^4[a,b] f∈C4[a,b],则上述公式是代数精度为3的插值型数值积分公式

4. Newton-Cotes(牛顿-科特斯)求积公式

定义:Newton-Cotes 求积公式
节点为 [ a , b ] [a,b] [a,b]上的 n + 1 n+1 n+1个等距节点: a = x 0 < x 1 < ⋯ < x n = b a=x_0<x_1<\dots<x_n=b a=x0​<x1​<⋯<xn​=b,记相邻节点间距为h,f近似为节点上的n次L插值的数值积分公式
即对节点 a = x 0 < x 1 < ⋯ < x n = b a=x_0<x_1<\dots<x_n=b a=x0​<x1​<⋯<xn​=b,记相邻节点间距为h, x = a + t h x=a+th x=a+th
P n ( x ) = ∑ k = 0 n ( ∏ j = 0 , j ≠ k n x − x j x k − x j ) f ( x k ) = ∑ k = 0 n ( ∏ j = 0 , j ≠ k n t − j k − j ) f ( x k ) = ∑ k = 0 n ( − 1 ) n − k k ! ( n − k ) ! ( ∏ j = 0 , j ≠ k n ( t − j ) ) f ( x k ) \begin{split} P_n(x)&=\sum\limits_{k=0}^n\left(\prod\limits_{j=0,j\neq k}^{n}\frac{x-x_j}{x_k-x_j}\right)f(x_k)\\ &=\sum\limits_{k=0}^n\left(\prod\limits_{j=0,j\neq k}^{n}\frac{t-j}{k-j}\right)f(x_k)\\ &=\sum\limits_{k=0}^n\frac{(-1)^{n-k}}{k!(n-k)!}\left(\prod\limits_{j=0,j\neq k}^{n}(t-j)\right)f(x_k)\\ \end{split} Pn​(x)​=k=0∑n​ ​j=0,j=k∏n​xk​−xj​x−xj​​ ​f(xk​)=k=0∑n​ ​j=0,j=k∏n​k−jt−j​ ​f(xk​)=k=0∑n​k!(n−k)!(−1)n−k​ ​j=0,j=k∏n​(t−j) ​f(xk​)​ I ( f ) ≈ ∫ a b P n ( x ) d x = b − a n ∫ 0 n ∑ k = 0 n ( ∏ j = 0 , j ≠ k n t − j k − j ) f ( x k ) d t = ∑ k = 0 n ( b − a ) C k ( n ) f ( x k ) \begin{split} I(f)&\approx \int_a^bP_n(x)\mathrm{d}x\\ &=\frac{b-a}{n}\int_0^n\sum\limits_{k=0}^n\left(\prod\limits_{j=0,j\neq k}^{n}\frac{t-j}{k-j}\right)f(x_k)\mathrm{d}t\\ &=\sum\limits_{k=0}^n(b-a)C_k^{(n)}f(x_k) \end{split} I(f)​≈∫ab​Pn​(x)dx=nb−a​∫0n​k=0∑n​ ​j=0,j=k∏n​k−jt−j​ ​f(xk​)dt=k=0∑n​(b−a)Ck(n)​f(xk​)​ 其中 C k ( n ) = 1 n ∫ 0 n ∏ j = 0 , j ≠ k n t − j k − j d t C_k^{(n)}=\frac{1}{n}\int_0^n\prod\limits_{j=0,j\neq k}^{n}\frac{t-j}{k-j}\mathrm{d}t Ck(n)​=n1​∫0n​j=0,j=k∏n​k−jt−j​dt 称为Newton-Cotes求积系数

命题:Newton-Cotes求积系数的性质

  1. C k ( n ) = C n − k ( n ) C_k^{(n)}=C_{n-k}^{(n)} Ck(n)​=Cn−k(n)​
  2. ∑ k = 0 n C k ( n ) = 1 \sum\limits_{k=0}^nC_k^{(n)}=1 k=0∑n​Ck(n)​=1
  3. n ≤ 7 n\leq 7 n≤7 时, C k ( n ) C_k^{(n)} Ck(n)​ 均正; n > 8 n>8 n>8 时, C k ( n ) C_k^{(n)} Ck(n)​ 有正有负

证明思路
(1)易证
(2)只需注意到:当 f = 1 f=1 f=1时,Newton-Cotes求积公式准确成立,计算即得
(3)逐个计算可得

命题:Newton-Cotes求积公式的代数精度
Newton-Cotes求积公式至少有n阶代数精度,若n为偶数,则有 n + 1 n+1 n+1阶代数精度

证明思路
容易验证Newton-Cotes求积公式是插值型的,由代数精度的刻画,只需验证
∫ a b ω n + 1 ( x ) d x = 0 \int_a^b\omega_{n+1}(x)\mathrm{d}x=0 ∫ab​ωn+1​(x)dx=0 ∫ a b ω n + 1 ( x ) d x = ∫ 0 n t ( t − 1 ) ⋯ ( t − n ) d t ⋅ h n + 2 = ∫ − k k ( u + k ) ⋯ ( u + 1 ) u ( u − 1 ) ⋯ ( u − k ) d u ⋅ h n + 2 = ∫ − k k u ( u 2 − 1 ) ⋯ ( u 2 − k 2 ) d u ⋅ h n + 2 = 0 \begin{split} \int_a^b\omega_{n+1}(x)\mathrm{d}x &=\int_0^nt(t-1)\cdots(t-n)\mathrm{d}t\cdot h^{n+2}\\ &=\int_{-k}^{k}(u+k)\cdots(u+1)u(u-1)\cdots(u-k)\mathrm{d}u\cdot h^{n+2}\\ &=\int_{-k}^{k}u(u^2-1)\cdots(u^2-k^2)\mathrm{d}u\cdot h^{n+2}=0\\ \end{split} ∫ab​ωn+1​(x)dx​=∫0n​t(t−1)⋯(t−n)dt⋅hn+2=∫−kk​(u+k)⋯(u+1)u(u−1)⋯(u−k)du⋅hn+2=∫−kk​u(u2−1)⋯(u2−k2)du⋅hn+2=0​上述等式进行的操作分别是

  1. 令 x = a + t h x=a+th x=a+th
  2. 令 n = 2 k n=2k n=2k
  3. 注意到被积函数是奇函数

5. 各种求积公式的性质

命题:误差估计

  1. 梯形公式的余项估计:设 f ∈ C 2 [ a , b ] f\in C^2[a,b] f∈C2[a,b],则 E 1 ( f ) = − 1 12 f ′ ′ ( ξ ) ( b − a ) 3 E_1(f)=-\frac{1}{12}f''(\xi)(b-a)^3 E1​(f)=−121​f′′(ξ)(b−a)3
  2. Simpson公式的余项估计:设 f ∈ C 4 [ a , b ] f\in C^4[a,b] f∈C4[a,b],则 E 3 ( f ) = − 1 2880 f ( 4 ) ( ξ ) ( b − a ) 5 E_3(f)=-\frac{1}{2880}f^{(4)}(\xi)(b-a)^5 E3​(f)=−28801​f(4)(ξ)(b−a)5

证明思路
(1)由Newton插值余项以及积分中值定理 E 1 ( f ) = ∫ a b f ( a , b , x ) ( x − a ) ( x − b ) d x = f ( a , b , ξ ) ∫ a b ( x − a ) ( x − b ) d x = − 1 12 f ′ ′ ( ξ ) ( b − a ) 3 \begin{split} E_1(f)&=\int_a^bf(a,b,x)(x-a)(x-b)\mathrm{d}x\\ &=f(a,b,\xi)\int_a^b(x-a)(x-b)\mathrm{d}x\\ &=-\frac{1}{12}f''(\xi)(b-a)^3\\ \end{split} E1​(f)​=∫ab​f(a,b,x)(x−a)(x−b)dx=f(a,b,ξ)∫ab​(x−a)(x−b)dx=−121​f′′(ξ)(b−a)3​
(2)类似地使用Hermite插值余项

命题:计算的稳定性
n ≤ 7 n\leq 7 n≤7时,计算稳定; n > 7 n>7 n>7时计算不稳定

证明思路
设误差 f ( x k ) − f ~ ( x k ) = ϵ k f(x_k)-\tilde{f}(x_k)=\epsilon_k f(xk​)−f~​(xk​)=ϵk​,则 ∣ ∑ k = 0 n C k ( n ) f ( x k ) − ∑ k = 0 n C k ( n ) f ~ ( x k ) ∣ ≤ max ⁡ k ∣ ε k ∣ ∑ k = 0 n ∣ C k ( n ) ∣ |\sum\limits_{k=0}^nC_k^{(n)}f(x_k)-\sum\limits_{k=0}^nC_k^{(n)}\tilde{f}(x_k)|\leq\max\limits_k|\varepsilon_k|\sum\limits_{k=0}^n|C_k^{(n)}| ∣k=0∑n​Ck(n)​f(xk​)−k=0∑n​Ck(n)​f~​(xk​)∣≤kmax​∣εk​∣k=0∑n​∣Ck(n)​∣
当 n ≤ 7 n\leq 7 n≤7 时, ∑ k = 0 n ∣ C k ( n ) ∣ = 1 \sum\limits_{k=0}^n|C_k^{(n)}|=1 k=0∑n​∣Ck(n)​∣=1; n > 7 n>7 n>7 时 ∑ k = 0 n ∣ C k ( n ) ∣ > 1 \sum\limits_{k=0}^n|C_k^{(n)}|>1 k=0∑n​∣Ck(n)​∣>1

注:关于收敛性,由于Newton-Cotes求积公式是插值型的,故也有不收敛的可能

6. 复合求积公式

为克服Newton-Cotes求积公式高次不稳定的特点,类似多项式插值,用分段低次多项式代替高次多项式;
复合求积公式的基本思想即为在每个小区间上使用低阶Newton-Cotes求积公式;下面以复合梯形公式和复合Simpson公式为例;

定义:复合梯形公式
I ( f ) = ∑ i = 0 n − 1 ∫ x i x i + 1 f ( x ) d x ≈ h 2 ∑ i = 0 n − 1 [ f ( x i ) + f ( x i + 1 ) ] I(f)=\sum\limits_{i=0}^{n-1}\int_{x_i}^{x_{i+1}}f(x)\mathrm{d}x\approx \frac{h}{2}\sum\limits_{i=0}^{n-1}[f(x_i)+f(x_{i+1})] I(f)=i=0∑n−1​∫xi​xi+1​​f(x)dx≈2h​i=0∑n−1​[f(xi​)+f(xi+1​)]

命题:余项估计
若 f ∈ C 2 [ a , b ] f\in C^2[a,b] f∈C2[a,b],则 E ( f ) ≤ h 2 12 M ( b − a ) E(f)\leq\frac{h^2}{12}M(b-a) E(f)≤12h2​M(b−a) 其中 M = max ⁡ ∣ f ′ ′ ( x ) ∣ M=\max|f''(x)| M=max∣f′′(x)∣

定义:复合Simpson公式
I ( f ) = ∑ i = 0 n − 1 ∫ x 2 i x 2 i + 2 f ( x ) d x ≈ h 3 ∑ i = 0 n − 1 [ f ( x 2 i ) + f ( x 2 i + 1 ) + f ( x 2 i + 2 ) ] I(f)=\sum\limits_{i=0}^{n-1}\int_{x_{2i}}^{x_{2i+2}}f(x)\mathrm{d}x\approx \frac{h}{3}\sum\limits_{i=0}^{n-1}[f(x_{2i})+f(x_{2i+1})+f(x_{2i+2})] I(f)=i=0∑n−1​∫x2i​x2i+2​​f(x)dx≈3h​i=0∑n−1​[f(x2i​)+f(x2i+1​)+f(x2i+2​)]

命题:余项估计
若 f ∈ C 4 [ a , b ] f\in C^4[a,b] f∈C4[a,b],则 E ( f ) ≤ h 4 90 M ( b − a ) E(f)\leq\frac{h^4}{90}M(b-a) E(f)≤90h4​M(b−a)其中 M = max ⁡ ∣ f ( 4 ) ( x ) ∣ M=\max|f^{(4)}(x)| M=max∣f(4)(x)∣

参考书籍:《数值分析》李庆扬 王能超 易大义 编

标签:Newton,frac,limits,公式,sum,求积
From: https://blog.csdn.net/2301_76884115/article/details/137163526

相关文章

  • 【小黑送书—第十四期】>>重磅升级——《Excel函数与公式应用大全》(文末送书)
    今天给大家带来AI时代系列书籍:《Excel2019函数与公式应用大全》全新升级版,ExcelHome多位微软全球MVP专家打造,精选ExcelHome海量案例,披露Excel专家多年研究成果,让你分分钟搞定海量数据运算!由北京大学出版社出版,上一版长期雄踞Excel函数类图书销量前列,《Excel2019函数与......
  • EM求解高斯混合模型GMM 原理+公式推导+代码
    1简介EM(Expectation-Maximum)算法也称期望最大化算法,它是为了解决在方程无法获得解析解的情况下,通过迭代给出数值解。核心:EM算法是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计(因此在往下面看之前,我希望你对贝叶斯的基本理论有所了解)2极大似然估计(1)问题背......
  • 三角形的面积公式
    前言三角形面积公式从小学开始,随着知识面的拓宽,衍生出了好多不同的形式。公式列举1、\(S_{\triangleABC}=\cfrac{1}{2}\cdota\cdoth_a\);小学数学中的内容,2、\(S_{\triangleABC}=\cfrac{1}{2}ab\sinC=\cfrac{1}{2}bc\sinA=\cfrac{1}{2}ca\sinB\);高中内容,[1]应用①:在......
  • vue markdown-it支持数学公式
    推荐一款AI网站,免费使用GPT3.5,戳此入......
  • 【408直通车】(考研数一、二、三合集)高等数学公式全覆盖(下)
    微分方程一阶微分方程:y′=f......
  • 大白话扩散模型(无公式版)
    背景传统的图像生成模型有GAN,VAE等,但是存在模式坍缩,即生成图片缺乏多样性,这是因为模型本身结构导致的。而扩散模型拥有训练稳定,保持图像多样性等特点,逐渐成为现在AIGC领域的主流。扩散模型正如其名,该方法是从自然界的扩散现象(热力学第二定律、熵增)得到启发,认为任意我们想要的图......
  • 线性递推公式的矩阵快速幂技巧
    快速幂顾名思义,快速幂是指快速求解幂运算的技巧。正常求\(a^n\)的值需要执行n次相乘操作,而快速幂能在\(log_2n\)时间复杂度内完成。以求\(a^{27}\)为例,27=1+2+8+16,根据乘法结合律可得\(a^{27}=a^1*a^2*a^8*a^{16}\),即只需要指数转化为二进制并且求得对应位是1的幂再累计......
  • java:欧拉公式e^ix==cosx+i*sinx 用Math类中的方法输出90°以内的欧拉函数数值,保留四位
    publicclassMain{//本题的要求:e^ix==cosx+i*sinxdoubleb,c;chari;publicstaticvoidmain(String[]args){for(doublej=0;j<90;j++){//用循环依次整出0-90度doublesum=0;//temp是e^ix;doublea=j;a=Math.toRadi......
  • 【软考】关系代数篇(基础操作、关系公式、各种连接)
    【软考】关系代数篇一、关系代数简介二、五个基本运算1、选择(Selection):2、投影(Projection):3、连接(Join):4、并(Union):5、差(Difference):三、其他操作和表达式以及结果集1、笛卡尔积(CartesianProduct):2、交集(Intersection):3、除法(Division):4、自然连接(NaturalJoin):5、全连接(FullO......
  • Newtonsoft.Json/Json.NET忽略序列化时的意外错误
    在.NET中Newtonsoft.Json(Json.NET)是我们常用来进行Json序列化与反序列化的库。而在使用中常会遇到反序列化Json时,遇到不规则的Json数据解构而抛出异常。Newtonsoft.Json 支持序列化和反序列化过程中的错误处理。允许您捕获错误并选择是处理它并继续序列化,还是让错误冒泡并抛......