高等数学 / 系统课时

梯形法与辛普森法

梯形法与辛普森法

当定积分没有容易求出的原函数,或函数只以采样数据形式给出时,可以用数值积分近似面积。本课将实现复合梯形法和复合辛普森法,并通过同一组采样区间比较两者的误差。

学习目标

  • 理解梯形法和辛普森法的几何近似思想。
  • 编写可运行的 Python 数值积分函数。
  • 根据分段数、函数平滑性和误差要求选择方法。

几何思想与计算公式

把区间 [a,b][a,b] 等分成 nn 段,步长为 h=(b−a)/nh=(b-a)/n。梯形法用相邻采样点之间的直线代替曲线;辛普森法每两个小区间使用一条二次曲线拟合,因此能更好地贴合平滑函数。

梯形法与辛普森法的几何近似

复合梯形法为:

Tn=h[f(x0)+f(xn)2+∑i=1n−1f(xi)]T_n=h\left[\frac{f(x_0)+f(x_n)}{2}+\sum_{i=1}^{n-1}f(x_i)\right]

这里的复合辛普森法要求 nn 为正偶数,且相邻节点等距。其公式为

Sn=h3[f(x0)+f(xn)+4∑i 为奇数f(xi)+2∑i 为偶数, i≠0,nf(xi)]S_n=\frac{h}{3}\left[f(x_0)+f(x_n)+4\sum_{i\text{ 为奇数}}f(x_i)+2\sum_{i\text{ 为偶数},\,i\ne0,n}f(x_i)\right]

固定积分区间,且被积函数有连续的二阶导数时,复合梯形法的截断误差为 O(h2)O(h^2)。若有连续的四阶导数,复合辛普森法的截断误差为 O(h4)O(h^4)。这描述的是步长减小时的收敛阶,同一分段数下的实际误差还受函数形状影响。

Python 主示例

下面近似计算 ∫01e−x2 dx\int_0^1 e^{-x^2}\,dx。该积分没有初等原函数,适合作为数值积分示例。

python
import math
from collections.abc import Callable

def trapezoid(f: Callable[[float], float], a: float, b: float, n: int) -> float:
    if n <= 0:
        raise ValueError("n 必须为正整数")
    h = (b - a) / n
    total = 0.5 * (f(a) + f(b))
    # 内部节点权重均为 1
    for i in range(1, n):
        total += f(a + i * h)
    return total * h

def simpson(f: Callable[[float], float], a: float, b: float, n: int) -> float:
    if n <= 0 or n % 2 != 0:
        raise ValueError("辛普森法要求 n 为正偶数")
    h = (b - a) / n
    total = f(a) + f(b)
    # 奇数节点权重为 4,偶数内部节点权重为 2
    for i in range(1, n):
        weight = 4 if i % 2 == 1 else 2
        total += weight * f(a + i * h)
    return total * h / 3

def main() -> None:
    f = lambda x: math.exp(-x * x)
    a, b, n = 0.0, 1.0, 10
    trap = trapezoid(f, a, b, n)
    simp = simpson(f, a, b, n)
    exact = math.sqrt(math.pi) * math.erf(1) / 2
    print(f"trapezoid = {trap:.9f}")
    print(f"simpson   = {simp:.9f}")
    print(f"exact     = {exact:.9f}")
    print(f"trap error = {abs(trap - exact):.9f}")
    print(f"simp error = {abs(simp - exact):.9f}")

    trap_fine = trapezoid(f, a, b, 2 * n)
    simp_fine = simpson(f, a, b, 2 * n)
    print(f"trap fine error estimate = {abs(trap_fine - trap) / 3:.3e}")
    print(f"simp fine error estimate = {abs(simp_fine - simp) / 15:.3e}")

if __name__ == "__main__":
    main()

预期输出:

text
trapezoid = 0.746210796
simpson   = 0.746824948
exact     = 0.746824133
trap error = 0.000613337
simp error = 0.000000815
trap fine error estimate = 1.533e-04
simp fine error estimate = 5.096e-08

实际浮点环境可能使末位数字略有差异。结果显示,在相同的 10 个小区间下,辛普森法的误差明显小于梯形法。

选择方法与控制误差

只有等距采样值时,可以检查分段数是否满足本课的辛普森公式。若采样不等距,仍可逐段用实际宽度计算梯形面积;若想在数据中增加采样点,必须能够取得新的观测或函数值。

如果误差的主项接近 ChpCh^p,将步长减半后,细网格结果的误差可用两次结果之差的绝对值除以 2p−12^p-1 估计。梯形法取 p=2p=2,辛普森法取 p=4p=4,所以示例分别除以 33 和 1515。这依赖主误差项近似成立,单次小差值无法保证准确。

例如令 f(x)=sin⁡2(2πnx)f(x)=\sin^2(2\pi n x),在 [0,1][0,1] 上用 nn 和 2n2n 个等分区间时,两组网格上的函数值都恰好为 00,积分却是 1/21/2。对于快速振荡或有局部尖峰的函数,需结合变化尺度或可用的误差界检查网格。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

梯形法与辛普森法

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通