数学基础 -- 定积分之估算积分

定积分的估算方法

在定积分计算中，常用的估算方法包括矩形法、梯形法、辛普森法和蒙特卡洛方法。

1. 矩形法

左矩形法

将区间 $[0,1]$ 分为4个小区间，长度为 $\Delta x=0.25$。

• 左端点为 $x_0=0$， $f(0)=0^2=0$
• 左端点为 $x_1=0.25$， $f(0.25)=0.25^2=0.0625$
• 左端点为 $x_2=0.5$， $f(0.5)=0.5^2=0.25$
• 左端点为 $x_3=0.75$， $f(0.75)=0.75^2=0.5625$

左矩形法的积分估计为：
$$\text{估计值}=\Delta x\cdot (f(0)+f(0.25)+f(0.5)+f(0.75))=0.25\cdot (0+0.0625+0.25+0.5625)=0.21875$$

右矩形法

将区间 $[0,1]$ 分为4个小区间，长度为 $\Delta x=0.25$。

• 右端点为 $x_1=0.25$， $f(0.25)=0.0625$
• 右端点为 $x_2=0.5$， $f(0.5)=0.25$
• 右端点为 $x_3=0.75$， $f(0.75)=0.5625$
• 右端点为 $x_4=1$， $f(1)=1^2=1$

右矩形法的积分估计为：
$$\text{估计值}=\Delta x\cdot (f(0.25)+f(0.5)+f(0.75)+f(1))=0.25\cdot (0.0625+0.25+0.5625+1)=0.46875$$

2. 梯形法

将区间 $[0,1]$ 分为4个小区间，长度为 $\Delta x=0.25$，计算梯形面积：

• $f(0)=0$
• $f(0.25)=0.0625$
• $f(0.5)=0.25$
• $f(0.75)=0.5625$
• $f(1)=1$

梯形法的积分估计为：
$$\text{估计值}=\frac{\Delta x}{2}\cdot (f(0)+2\cdot f(0.25)+2\cdot f(0.5)+2\cdot f(0.75)+f(1))$$
$$=\frac{0.25}{2}\cdot (0+2\cdot 0.0625+2\cdot 0.25+2\cdot 0.5625+1)=0.34375$$

3. 辛普森法

辛普森法将区间分为偶数个小区间（这里也是4个），使用抛物线拟合：

$$\text{估计值}=\frac{\Delta x}{3}\cdot (f(0)+4\cdot f(0.25)+2\cdot f(0.5)+4\cdot f(0.75)+f(1))$$
$$=\frac{0.25}{3}\cdot (0+4\cdot 0.0625+2\cdot 0.25+4\cdot 0.5625+1)=0.3333333$$

4. 蒙特卡洛方法

假设我们随机生成了10个点在 $[0,1]$ 区间：

• 随机点： $x=[0.1,0.15,0.35,0.5,0.65,0.8,0.9,0.95,0.3,0.7]$
• 对应的函数值： $f(x)=[0.01,0.0225,0.1225,0.25,0.4225,0.64,0.81,0.9025,0.09,0.49]$

蒙特卡洛法的积分估计为：
$$\text{估计值}=\frac{1}{n}\sum _{i=1}^{n}f(x_i)=\frac{1}{10}\cdot (0.01+0.0225+0.1225+0.25+0.4225+0.64+0.81+0.9025+0.09+0.49)=0.376$$

总结

• 左矩形法：0.21875
• 右矩形法：0.46875
• 梯形法：0.34375
• 辛普森法：0.3333333
• 蒙特卡洛法：0.376

实际的积分值为：
$${\int }_0^1{x}^{2}dx={\left[\frac{x^3}{3}\right]}_0^1=\frac{1}{3}\approx 0.3333333$$

辛普森法的实现与思想

辛普森法是一种数值积分的方法，属于复合数值积分技术的一种。它通过将被积函数在区间上的值使用抛物线进行近似，从而计算出积分值。辛普森法能够有效提高数值积分的精度，特别是在被积函数是连续且光滑的情况下。

辛普森法的思想

辛普森法的核心思想是利用抛物线来近似曲线。具体来说，它在积分区间上选取若干个点，将这些点之间的曲线用二次多项式（即抛物线）来代替。相比于梯形法将区间划分为直线，辛普森法用抛物线能够更好地逼近函数的实际形态，尤其是在函数曲线较平滑时。

一般形式

考虑函数 $f(x)$ 在区间 $[a,b]$ 上的积分：

$$I={\int }_a^{b}f(x)dx$$

辛普森法通过以下方式进行近似：

1. 将区间 $[a,b]$ 分为偶数个子区间，每个子区间的宽度为 $h$：
   $$h=\frac{b-a}{n}$$
   其中 $n$ 为偶数。

2. 在区间上选取划分点 $x_0=a,x_1=a+h,\dots ,x_n=b$。

3. 对于每三个点，使用二次多项式近似函数值，具体公式为：
   $${\int }_{x_{2i}}^{x_{2i+2}}f(x)dx\approx \frac{h}{3}\left[f(x_{2i})+4f(x_{2i+1})+f(x_{2i+2})\right]$$
   将整个区间的积分近似为这些部分积分的和，得到复合辛普森法公式：
   $$I\approx \frac{h}{3}\left[f(x_0)+4\sum _{i=1,3,5,\dots }^{n-1}f(x_i)+2\sum _{i=2,4,6,\dots }^{n-2}f(x_i)+f(x_n)\right]$$

实现步骤

1. 划分区间： 将积分区间 $[a,b]$ 划分为 $n$ 个子区间，确保 $n$ 为偶数。

2. 计算步长 $h$：
   $$h=\frac{b-a}{n}$$

3. 计算积分值：

   • 首先计算端点函数值 $f(x_0)$ 和 $f(x_n)$。
   • 计算奇数索引处函数值 $f(x_1),f(x_3),\dots ,f(x_{n-1})$ 的和。
   • 计算偶数索引处函数值 $f(x_2),f(x_4),\dots ,f(x_{n-2})$ 的和。
   • 使用辛普森法公式将结果组合，得到积分值。

4. 输出结果： 得到近似的积分值。

Python 实现

def simpson(f, a, b, n):
    if n % 2 != 0:
        raise ValueError("区间划分数 n 必须为偶数")
    
    h = (b - a) / n
    x0 = f(a) + f(b)
    x1 = sum(f(a + i * h) for i in range(1, n, 2))
    x2 = sum(f(a + i * h) for i in range(2, n, 2))
    
    return (h / 3) * (x0 + 4 * x1 + 2 * x2)

# 示例使用
import math
result = simpson(math.sin, 0, math.pi, 10)
print("积分结果:", result)

C语言实现

#include <stdio.h>
#include <math.h>

double f(double x) {
    // 被积函数，例如 f(x) = sin(x)
    return sin(x);
}

double simpson(double (*f)(double), double a, double b, int n) {
    if (n % 2 != 0) {
        printf("区间划分数 n 必须为偶数\n");
        return -1;
    }
    
    double h = (b - a) / n;
    double sum_odd = 0.0, sum_even = 0.0, result;

    // 计算奇数索引处的函数值和偶数索引处的函数值
    for (int i = 1; i < n; i += 2) {
        sum_odd += f(a + i * h);
    }
    for (int i = 2; i < n; i += 2) {
        sum_even += f(a + i * h);
    }

    // 使用辛普森公式计算积分
    result = (h / 3.0) * (f(a) + 4.0 * sum_odd + 2.0 * sum_even + f(b));
    return result;
}

int main() {
    double a = 0.0;
    double b = M_PI;  // 积分区间 [0, π]
    int n = 10;  // 划分为10个区间

    double result = simpson(f, a, b, n);
    if (result != -1) {
        printf("积分结果: %f\n", result);
    }

    return 0;
}

方法优缺点

优点：

• 比梯形法和矩形法精度更高，特别是在被积函数平滑时。
• 计算复杂度适中。

缺点：

• 需要划分区间数 $n$ 为偶数，否则无法应用。
• 对于非常复杂或非光滑的函数，仍可能出现误差。

辛普森法的思想核心是通过二次插值来提高逼近精度，因此在实际应用中，尤其适合处理具有一定平滑度的函数积分问题。