数值积分 （一）| 基本思想 + 一般求积公式

在Newton-Leibnitz公式应用受到限制时，可以用数值方法构造计算公式，即所谓的数值积分方法来解决定积分的计算问题。

1. 表格函数，如某个微分方程的解不能用解析方法解出，而用数值方法给出的解是表格函数
2. 被积函数$f(x)$的原函数$F(x)$不能用初等函数的有限形式来表示，或表达形式过于复杂，不便于实际应用

1. 数值积分的基本思想

由高等数学可知，积分中值定理的表示形式为：
$$I={\int }_a^{b}f(x)dx=(b-a)f(ϵ)$$
其中，$ϵ$为积分区间$(a,b)$内的某个点，虽然理论上给出了求定积分I的另一种解析方法，但是，由于在一般情况下无法准确得到$ϵ$值，难以计算。因此，用数值方法构造某种近似公式来代替$f(ϵ)$，从而构造出相应的数值积分公式。

1）矩形求积公式

左矩形、右矩形、中矩形公式

2）梯形求积公式

3）Simpson求积公式
$${\int }_a^{b}f(x)dx\approx \frac{1}{6}(b-a)[f(a)+4f(\frac{a+b}{2})+f(b)]=S$$
Simpson求积公式是用区间$[a,b]$内三个点的函数值的加权平均值来近似代替$f(\xi )$而构成数值积分公式的。

下图，是三种求积公式，图中阴影部分面积表示用数值方法计算的定积分近似值，并称其曲边为数值曲线。它是函数曲线的近似。在三种简单的求积公式中，Simpson求积公式的精度是最高的，但仍然和准确值之间存在误差。

为了提高求积公式的计算精度，在区间$[a,b]$内，用更多点的函数值的加权平均值构造一个精度更高的数值积分公式。因为在一般情形下，在区间$[a,b]$内，如果数值曲线上的点和函数曲线上的点重合越多、两条曲线越接近，数值积分的精度就越高。

数值积分的基本思想：在区间$[a,b]$内，用充分多的点的函数值的加权平均值来代替$f(ϵ)$，从而可构造出一般的求积公式。

2. 一般求积公式

若在区间$[a,b]$内，取$n+1$个节点$x_i(i=0,1,2,\cdots ,n)$，用$f(x_i)(i=0,1,2,\cdots ,n)$的加权平均值作为$f(\xi )$的近似值，即：
$$f(\xi )\approx \sum _{i=0}^n{C}_{i}f(x_i)$$
其中，${\sum }_{i=0}^n{C}_i=1$

有：
$$f_a^{b}f(x)dx=(b-a)f(ϵ)\approx (b-a)\sum _{i=0}^n{C}_{i}f(x_i)$$
或写成
$${\int }_a^{b}f(x)dx\approx \sum _{i=0}^n{A}_{i}f(x_i)\text{\hspace{1em}(1)}$$
其中，$x_i(i=0,1,2,\cdots ,n)$称为求积节点，$A_i(i=0,1,2,\cdots ,n)$称为求积系数，$A_i$只依赖于求积节点和积分区间，而与求积函数$f(x)$无关。式（1）称为一般求积公式或机械求积公式。

这样用若干求积节点的函数值的加权平均值来计算定积分的方法，称为机械求积方法。机械求积方法将积分中求原函数$F(x)$的问题转化为求节点$x_i$处的函数值$f(x_i)$的问题，使积分问题的计算得到大大简化。

机械求积公式是一般形式的数值积分公式，在实际应用中，必须首先解决两个基本问题：

求积公式的精度与求积节点数有什么关系？如何确定求积公式中的节点和求积系数？