数值积分与数值微分方法比较_数值积分和微分

积分

针对

黎曼和

记得我第一次看 黎曼和/黎曼积分 的时候觉得真是有意思，觉得这个东西很不言自明，我们推推导积分的时候从有限小到无限小，而当我们为了计算机计算，又从无穷小到可衡量的有限小。有意思。

积分也就是求和。而且觉得这一切都和 中值定理 有着千丝万缕的联系，o(╯□╰)o ：

对一个在闭区间 [a,b]有定义的实值函数f, f关于取样分割

的黎曼和（积分和）定义为以下和

和式中的每一项是子区间长度

与在 $t_{i}$ 处的函数值

的乘积。直观地说，就是以标记点

到 X轴 的距离为高，以分割的子区间为长的矩形的面积。

图片来自wikipedia

在上图中，

选择分别为 左端、右端、极小值、极大值。

梯形法则

在一个‘小区间’我们就能玩出很多花样：

图片来自wikipedia

比如我们如果取两端来估算 面积 的话：

我们也可以取区间中点的高度来估计 面积：

以上都被称为 梯形法则（Trapezoidal rule），这里可以是整个函数，也可以只是一个小区间，我们可以用黎曼和来对待小区间：

1. 分割许多小区间
2. 把小区间加起来

图片来自wikipedia

辛普森法则

辛普森法则（Simpson's rule）是一种数值积分方法，是牛顿-寇次公式的特殊形式，以二次曲线逼近的方式取代矩形或梯形积分公式，以求得定积分的数值近似解。其近似值如下：

图片来自wikipedia

辛普森法则可以令

然后推导出来。

同样也可以分割小区间然后求和。

实际上上面两种无非是采取了不不同的近似，梯形法则 使用直线来近似原函数， 辛普森法则 使用二次曲线来 近似原函数。它们都是 牛顿-柯特斯公式（Newton-Cotes rule / Newton-Cotes formula） 的特殊形式。

牛顿-柯特斯公式

还有一些有趣的看法，比如我们始终是利用 n 个离散的点的值来得到积分结果 - 一个数字，那么积分总可以写成这样：

这种看法的原理是：

• 假设已知
  的值。
• 以n+1点进行插值，求得对应 f(x)的拉格朗日多项式。
• 对该n次的多项式求积。

该积分便可以作为

的近似，而由于该拉格朗日多项式的系数都是常数（由n决定其值），所以积函数的系数（即

）都是常数。

或者就这样写：

然后我们就可以写出方程组：

然后也就是一个解线性方程组的问题。

这个方法明显会有 高阶多项式震荡的厉害的 龙格现象， 我还是更喜欢拆小区间，然后再组合小区间的做法。

精确度

用 拆小区间再复合 梯形法则的精确度是

, 辛普森 的精确度是

针对

， 好像针对多元函数，蒙特卡洛积分比较常见/用一点。

微分

关于微分，我们首先也可以用插值类似的思想来看

这是有限元的思想。

当然更简单的就是我们直接从定义入手：

选择比较小的h， 得到 前向差分公式：

也可以从 x 向后 得到 后向差分公式：

以上两个式子本质都是用的泰勒展开：

精度为 O(h):

或者我们可以用下面的办法展开：

上下两式相减：

这叫做 中点差分公式， 精度是

我们也可以用（1），（2）式得到二阶导数的 O(h) 中点差分公式：

我们可以利用 理查德森外推法 来提高 二阶导的精度：

对于任意

，我们可以有

:

写成矩阵形式：

这样可以以解出精度为

的 f'(x):

参考：

• 差分
• 理查德森外推法
• 牛顿-柯特斯公式
• Taylor series
• Riemann_sum
• Trapezoidal rule
• Simpson's rule

数值积分和微分当然非常有用，中文翻译的 差分 也很合适，其实数值积分和微分就是 求和 和 差分。这当然很重要，有了 积分和微分（求和和差分）才能帮我们把一些数学方程/模型方便的用到计算机上。

比如渲染领域的蒙特卡洛积分。

然后发现 Scipy 也提供 integrate， 例子可以查看： SciPy求函数的积分