第六章

数值积分和数值微分
§6.1 概述——内容回顾
构造插值求积公式的步骤：

1． 在[a,b]上选节点 xk 。
2． 求 f ( xk ) 和
b
（1） 利用 Ak  a
lk ( x)dx ，或
（2） 解关于 Ak 的线性方程组
求出 Ak ，得到
b n

 f ( x) dx   Ak f ( xk )
a
k0
n 1
3． 用 f ( x )  x , ，验证精度。

2
§6.1 概述——内容回顾
四、求积公式的代数精度
b n
定义：若求积公式  f ( x )dx   Ai f ( x i ) 对任意不高
a
i 0

于m 次的代数多项式都准确 地成立，而对于 x m 1 却不
能准确地成立，则称该 求积公式的代数精度为 m 。

b ba
例1：梯形公式  f ( x )dx  [ f (a )  f ( b)]的代数精
a 2
度m  1。（教材 P 92）

3
§6.1 概述——内容回顾

三、求积公式的余项
带余项（截断误差）的 形式 :
b n

 f ( x )dx   Ai f ( x i )  R[ f ]
a
i 0

4
§6.1 概述——内容回顾
插值型求积公式，其截 断误差为：
b b f ( n 1) ( )
R[ f ]   R( x )dx    n 1 ( x )dx (式4.1.4)
a a ( n  1)!
其中，
 n 1 ( x )  ( x  x0 )( x  x1 )...( x  x n )，  (a , b ) 。

定理：含有 n  1个节点 x k ( k  0,1,...n)的插值型求积

b n
公式  f ( x )dx   Ak f ( x k )的代数精度至少为 n。
a
k 0

5
§6.1 概述——内容回顾
 A0  A1    An  b  a

1
 A0 x0  A1 x1    An xn  (b 2  a 2 )
 2

 
 n n n 1
A
 0 0x  A x
1 1    A x
n n  (b n1  a n 1 )
 n 1
这是关于 Ak 的线性方程组，其系数矩阵是凡德蒙矩阵，当节点 xk 互

异时， Ak , k  0,1, , n 有唯一解。即对 f ( x )  1, x , x 2 , , x n 求积公式

b n
 f ( x )dx   Ak f ( xk ) 准确成立，所以求积公式至少有 n 次的代数精度。
a
k0

6
§6.2 牛顿—柯特斯公式——内容回顾
常用的几个 Newton  Cotes公式
1. n  1时，两点梯形公式
b ba
a f ( x )dx 
2
[ f (a )  f (b )] 代数精度 m  1

2. n  2时，三点辛普生 ( Simposn )公式( 抛物线公式 )

b ba ab
a f ( x )dx  6 [ f (a )  4 f ( 2 )  f (b)] 代数精度 m  3
3. n  4时，五点柯特斯公式
b ba
a f ( x )dx 
90
[7 f ( x0 )  32 f ( x1 )  12 f ( x 2 )  32 f ( x 3 )  7 f ( x4 )]

ba
其中， x k  a  k  ( k  0,1,2,3,4)。
4

7
§6.2 牛顿—柯特斯公式——内容回顾
 二 . 牛顿—柯特斯 (Newton-Cotes) 公式余项
常用求积公式的截断误 差为：
1. 梯形公式 : 若f ( x )在[a , b]上连续，则余项为
(b  a ) 3
R1 [ f ]   f ( )
12
2. 辛普生公式 : 若f ( 4 ) ( x )在[a , b]上连续，则余项为
5
1  b  a  (4)
R2 [ f ]    f ( )
90  2 
3. 柯特斯公式 : 若f ( 6 ) ( x )在[a , b]上连续，则余项为
7
8  b  a  (6)
R4 [ f ]     f ( ) 其中，   (a , b)。
945  4 
8
§6.2 牛顿—柯特斯公式——内容回顾

代数精度
n 阶牛顿 — 柯特斯公式的代数精度 为
n  1，n 为偶数
m  
 n ， n 为奇数
证明略
例如： 一阶公式有一次精度
二阶和三阶公式具有三 次代数精度
四阶和五阶公式具有五 次代数精度
因此，对于充分光滑的 被积函数，为了既保证
精度又节约时间，应尽 量选用n 是偶数的情形。
9
§6.3 复合牛顿—柯特斯公式
 本节内容
 一. 复化数值求积法
二 . 复化梯形公式
三 . 复化 Simpson 公式
四 . 复化 Cotes 公式

10
§6.3 复合牛顿—柯特斯公式
 一 . 复化数值求积法
 提高求积精度——增加节点
 ① 分段使用节点少的 Newton-Cotes 公式
即所谓的复化求积公式
 ② 整体使用节点多的 N-C 公式。
 原因：
 ① 高次插值有时出现 Runge 现象，误差更大；
 ② 节点增多， Ak 有正有负，不能保证稳定性。

11
§6.3 复合牛顿—柯特斯公式
 复化（复合）求积公式
 所谓复化求积，就是先将积分区间分成几个
小区间，并在每个小区间上用低阶牛顿—柯特
斯公式计算积分的近似值，然后对这些近似
值求和，从而得到所求积分的近似值。
 由此得到的一些具有更大实用价值的数值求
积公式，统称为复化求积公式。

12
§6.3 复合牛顿—柯特斯公式
 二 . 复化梯形公式
将积分区间[a , b]n等分 , 分点为 x i  a  ih, i  0,1,  ,
n, 其中h  (b  a ) n 称为积分步长 , 在每个小区间
[ x k 1 , x k ]上使用梯形公式 , 然后对各子区间求和。
h
xk1 f ( x )dx  2  f ( xk 1 )  f ( xk )
xk

n n
h
f ( x )dx    f ( x )dx    f ( x k 1 )  f ( x k )
b xk
a
k 1
x k 1
k 1 2

h n 1

  f ( a )  2 f ( x k )  f ( b ) 
2 k 1 

13
§6.3 复合牛顿—柯特斯公式

复化梯形公式为 :
b h n 1

 f ( x )dx  Tn   f (a )  2 f ( x k )  f (b )
a 2 k 1 

余项为：
b －(b  a )h 2

a
f ( x )dx－Tn 
12
f ( ), a    b

14
§6.3 复合牛顿—柯特斯公式
 三 . 复化 Simpson 公式
在每个小区间[ x k 1 , x k ]上使用 Simpson 公式, 然后
对各子区间求和。
b ba ab
基本公式：  f ( x )dx  [ f (a )  4 f ( )  f (b )]
a 6 2
b 2h
复化公式：  f ( x )dx  S n  [ f ( x0 )  4 f ( x1 )  f ( x 2 )]
a 6
2h
 [ f ( x 2 )  4 f ( x 3 )  f ( x4 )] 
6
2h
...  [ f ( x n  2 )  4 f ( x n 1 )  f ( x n )]
6
（区间数 n为偶数份）
15
§6.3 复合牛顿—柯特斯公式
复化Simpson公式为 :
b

a
f ( x )dx  S n

h n 1 n 
  f (a )  2 f ( x k－1 )  4 f ( x 1 )  f (b )
6 k 1 k 1
k－
2 
ba 1
其中h  , x k  a  kh, x 1  a  ( k  )h
n k－
2
2

余项为：
b －(b  a )h4 ( 4 )

a
f ( x )dx－S n 
2880
f ( ), a    b

16
§6.3 复合牛顿—柯特斯公式
 四 . 复化 Cotes 公式
在每个小区间[ x k 1 , x k ]上使用Cotes公式, 然后对各子区间求和。
b h  n 1

 f ( x )dx  C n  7 f (a )  32 f ( x k  1 )
a 90  k 0 4

n 1 n 1 n 1 
 12 f ( x 1 )  32 f ( x 3 )  14 f ( x k )  7 f (b )
k k
k 0 2 k 0 4 k 1 
1 1 3
上式中 : x 1  x k  h；x 1  x k  h；x 3  x k  h
k
4
4 k
2
2 k
4
4

余项为：
6
b 2(b  a )  h  ( 6 )
a
f ( x )dx  C n     f ( ) a    b
945  4 
17
18
§6.3 复合牛顿—柯特斯公式
 例4：

取 9个等距节点(包括区间端点 )，用复合梯形公
1 4
式和复合 Simpson 公式，求积分    2
dx
0 1 x

的近似值。
（取 8位小数，精确解为3.14159265）。

19
§6.3 复合牛顿—柯特斯公式
解：列表如下（ h  0.125）
xk f ( xk ) 梯形组合系数 Simpson组合系数
0 4.00000000 1 1
0.125 3.93846154 2 4
0.25 3.76470588 2 2
0.375 3.50684932 2 4
0.5 3.20000000 2 2
0.625 2.87640449 2 4
0.75 2.56000000 2 2
0.875 2.26548673 2 4
1 2.00000000 1 1
4 1 h
  50.223808，
对梯形公式，
0 1 x
dx    3.138988
2
1 4 h

对Simpson公式，  75.398232， 0 1  x 3   3.141593
dx 

20
§6.6 数值微分
一、机械求导法
数值微分就是要用函数值的线性组合近似函
数在某点的导数值。由导数定义差商近似导数得到数
值微分公式。
f (a  h)  f (a )
f ( a )  ,
h
f (a )  f (a  h)

f (a)  ,
h
f (a  h)  f (a  h)
f ( a )  . （中点公式）
2h

21
§6.6 数值微分
h2 h3 h 4 (4)
f ( a  h)  f ( a )  hf ( a )  f (a )  f (a )  f (a)
2! 3! 4!
h5 (5)
 f (a)  ,
5!
 f (a  h)  f ( a  h) h2 h 4 (5)
G (h )   f ( a )  f ( a )  f ( a )  .
2h 3! 5!
h2
误差估计 G (h)  f ( a)  M ,
6
其中 M  max f ( x ) .
xa h

表面上看 h 越小越好，但从舍入误差角度考虑，h 不能太

小。例如 f ( x )  x , 在x  2处的一阶导数
2h  2h
G ( h)  , 设取4位数字计算。
2h
22
§6.6 数值微分
h G(h) h G(h) h G(h)
1 0.3660 0.05 0.3530 0.001 0.3500
0.5 0.3564 0.01 0.3500 0.0005 0.3000
0.1 0.3535 0.005 0.3500 0.0001 0.3000
从表中看到h =0.1的逼近效果最好，如果进一步缩小步长，
则逼近效果反而越差。这是因为当f ( a  h )及f ( a - h )分别有差
入误差 1及 2。令  max{  1 ， 2 }，则计算f ( a )的舍入误差上
界为
1   2 
 ( f ( a ))  f ( a )  G ( a)  
2h h
表明 h越小，舍入误差（f ( a )）越大，故它是病态的。
23
§6.6 数值微分
二、插值求导公式
已 知 函 数 y  f ( x ) 的 节 点 上 的 函 数 值y i  f ( x i ) ( i  0,1,  , n )，
建 立 插 值 多 项 式 P( x)
取 f ( x )  P ( x )，
统 称 为 插 值 型 求 导 公 式.
余项
f ( n 1) ( )  n 1 ( x ) d
 
f ( x )  Pn ( x )  
 n 1 ( x )  f ( n 1)
( ),
( n  1)! ( n  1)! d x
n
其中  ( a , b ),  n 1 ( x )   ( x  x j ).
j 0

f ( n 1) ( )
 f ( x k )  Pn ( x k )   n 1 ( x k ).
( n  1)!
24
§6.6 数值微分
下面考虑在等距节点时节点上的导数值.
两点公式

x  x1 x  x0
P1 ( x )  f ( x0 )  f ( x1 ) ,
x 0  x1 x1  x 0
1
P1( x )   f ( x0 )  f ( x1 ),
h
1 1
P1 ( x 0 )   f ( x1 )  f ( x 0 ), P1 ( x1 )   f ( x1 )  f ( x 0 ).
 
h h
1 h
f ( x 0 )   f ( x1 )  f ( x 0 )  f ( ),
h 2
1 h
f ( x1 )   f ( x1 )  f ( x 0 )  f ( ).
h 2
25
§6.6 数值微分
三点公式：
1
P2 '( x0 )  [  3 f ( x0 )  4 f ( x1 )  f ( x 2 )]
2h
1
P2 '( x1 )  [  f ( x0 )  f ( x2 )]
2h
1
P2 '( x2 )  [ f ( x0 )  4 f ( x1 )  3 f ( x2 )]
2h

带余项的三点求导公式：

1 h2
f '( x0 )  [3 f ( x0 )  4 f ( x1)  f ( x 2 )]  f '''( )
2h 3

1 h2
f '( x1 )  [ f ( x0 )  f ( x2 )]  f '''( )
2h 6

1 h2
f '( x2 )  [ f ( x0 )  4 f ( x1)  3 f ( x2 )]  f '''( )
2h 3

26
作业
 12 （ 1 ）
 24 （不需要估计误差）

27