python高斯求和函数_选择积分方法—高斯积分

无限区间 (1)梯形法则，(2)辛普森法则，(3)龙伯格积分法或(4)高斯积分法，有一些适用的指导原则。

通常，更高阶的方法对于平滑函数更好。 如果不是，那么使用更简单的方法会更好，因为数据的变化不会反映在采样点上。 梯形法则适用于在均匀间隔的采样点处积分来自实验的数据。 这对于表现不佳的函数是有好处的。 辛普森的规则依赖于被积函数的更高阶的近似，以便准确。 而高斯积分是非常准确的，如果你需要均匀间隔的采样点，它不是令人满意的。

高斯积分

######################################################################

#

# Functions to calculate integration points and weights for Gaussian

# quadrature

#

# x,w = gaussxw(N) returns integration points x and integration

# weights w such that sum_i w[i]*f(x[i]) is the Nth-order

# Gaussian approximation to the integral int_{-1}^1 f(x) dx

# x,w = gaussxwab(N,a,b) returns integration points and weights

# mapped to the interval [a,b], so that sum_i w[i]*f(x[i])

# is the Nth-order Gaussian approximation to the integral

# int_a^b f(x) dx