学习路线
设定网格与求积公式。
证明线性插值误差公式。
推导单元上界 ∣ E i ∣ ≤ M i h i 3 / 12 |E_i| \le M_i h_i^3/12 ∣ E i ∣ ≤ M i h i 3 /12 。
把各单元上界求和,得出整体上界。
证明 f ( x ) = x 2 f(x)=x^2 f ( x ) = x 2 的精确有号误差。
计算例题,包括节点 0 , 1 4 , 1 0, \tfrac14, 1 0 , 4 1 , 1 。
查看上界不能控制的部分,以及加密网格与零误差的注意事项。
用 MATLAB 实现该公式。
设定
设 a = x 0 < x 1 < ⋯ < x n = b a = x_0 < x_1 < \dots < x_n = b a = x 0 < x 1 < ⋯ < x n = b 为有限实数节点,n ≥ 1 n \ge 1 n ≥ 1 。把单元宽度记作
h i = x i − x i − 1 > 0 , i = 1 , … , n , h = max i h i , h_i = x_i - x_{i-1} > 0, \qquad i = 1,\dots,n, \qquad h = \max_i h_i, h i = x i − x i − 1 > 0 , i = 1 , … , n , h = i max h i ,
于是 ∑ i = 1 n h i = b − a \sum\limits_{i=1}^n h_i = b-a i = 1 ∑ n h i = b − a 。设 f f f 为实值函数,且在 [ a , b ] [a,b] [ a , b ] 上为 C 2 C^2 C 2 。
复合梯形法 为
T = ∑ i = 1 n T i , T i = h i 2 ( f ( x i − 1 ) + f ( x i ) ) . T = \sum_{i=1}^n T_i, \qquad T_i = \frac{h_i}{2}\bigl(f(x_{i-1}) + f(x_i)\bigr). T = i = 1 ∑ n T i , T i = 2 h i ( f ( x i − 1 ) + f ( x i ) ) . 有号误差 定义为精确积分减近似值 :
E = ∫ a b f ( x ) d x − T = ∑ i = 1 n E i , E i = ∫ x i − 1 x i f ( x ) d x − T i . E = \int_a^b f(x)\,dx - T = \sum_{i=1}^n E_i, \qquad E_i = \int_{x_{i-1}}^{x_i} f(x)\,dx - T_i. E = ∫ a b f ( x ) d x − T = i = 1 ∑ n E i , E i = ∫ x i − 1 x i f ( x ) d x − T i .
使用任何数据时,都要核对其符号约定;这里是 E = I − T E=I-T E = I − T 。以下所有陈述都以精确的实数运算为前提。
线性插值误差
固定一个单元 [ x i − 1 , x i ] [x_{i-1}, x_i] [ x i − 1 , x i ] 。设 p i p_i p i 为线性插值,满足 p i ( x i − 1 ) = f ( x i − 1 ) p_i(x_{i-1}) = f(x_{i-1}) p i ( x i − 1 ) = f ( x i − 1 ) 及 p i ( x i ) = f ( x i ) p_i(x_i) = f(x_i) p i ( x i ) = f ( x i ) ,并设 w i ( x ) = ( x − x i − 1 ) ( x − x i ) w_i(x) = (x - x_{i-1})(x - x_i) w i ( x ) = ( x − x i − 1 ) ( x − x i ) 。
对每个 x ∈ [ x i − 1 , x i ] x \in [x_{i-1}, x_i] x ∈ [ x i − 1 , x i ] ,存在 ξ x ∈ [ x i − 1 , x i ] \xi_x \in [x_{i-1}, x_i] ξ x ∈ [ x i − 1 , x i ] ,使得
f ( x ) − p i ( x ) = 1 2 f ′ ′ ( ξ x ) w i ( x ) . f(x) - p_i(x) = \tfrac12 f''(\xi_x)\, w_i(x). f ( x ) − p i ( x ) = 2 1 f ′′ ( ξ x ) w i ( x ) .
在端点处两边皆为零,所以任何 ξ x \xi_x ξ x 都可以。现取 x x x 在开单元内。此时 w i ( x ) ≠ 0 w_i(x) \ne 0 w i ( x ) = 0 ,故可令 K = ( f ( x ) − p i ( x ) ) / w i ( x ) K = \bigl(f(x) - p_i(x)\bigr)/w_i(x) K = ( f ( x ) − p i ( x ) ) / w i ( x ) ,并定义
g ( t ) = f ( t ) − p i ( t ) − K w i ( t ) . g(t) = f(t) - p_i(t) - K\,w_i(t). g ( t ) = f ( t ) − p i ( t ) − K w i ( t ) . 这个 g g g 是 C 2 C^2 C 2 的,并在三个不同的点 x i − 1 x_{i-1} x i − 1 、x x x 、x i x_i x i 处为零。罗尔(Rolle)定理给出 g ′ g' g ′ 的两个不同零点,再应用一次罗尔定理,得到 ξ x \xi_x ξ x 使 g ′ ′ ( ξ x ) = 0 g''(\xi_x) = 0 g ′′ ( ξ x ) = 0 。由于 p i ′ ′ = 0 p_i'' = 0 p i ′′ = 0 而 w i ′ ′ = 2 w_i'' = 2 w i ′′ = 2 ,这就是 f ′ ′ ( ξ x ) = 2 K f''(\xi_x) = 2K f ′′ ( ξ x ) = 2 K ,即所求。
证明透视
为何辅助函数有三个零点 这个证明造出一个函数,它比插值函数本身多一个零点。常数 K K K 恰好使 g g g 在所选的点为零;插值条件白白给出另外两个零点。g g g 的三个零点产生 g ′ g' g ′ 的两个零点和 g ′ ′ g'' g ′′ 的一个零点,这就是误差涉及二阶导数的原因:求导的次数等于插值节点的个数。假设 f ∈ C 2 f\in C^2 f ∈ C 2 是为了使 g ′ ′ g'' g ′′ 存在,让第二次罗尔定理可用;限制在开单元内是因为 w i w_i w i 在端点为零,那里 K K K 没有定义(这些点另行处理,而且是平凡的)。点 ξ x \xi_x ξ x 依赖 x x x ,所以下一步是界定 ∣ f ′ ′ ∣ |f''| ∣ f ′′ ∣ ,而不是对 f ′ ′ ( ξ x ) f''(\xi_x) f ′′ ( ξ x ) 积分。
精确积分 p i p_i p i 得到 T i T_i T i ,因为线性函数在区间上的积分等于区间宽度乘以两端点值的平均。因此
E i = ∫ x i − 1 x i ( f ( x ) − p i ( x ) ) d x . E_i = \int_{x_{i-1}}^{x_i} \bigl(f(x) - p_i(x)\bigr)\,dx. E i = ∫ x i − 1 x i ( f ( x ) − p i ( x ) ) d x .
单元上界
设 M i M_i M i 为任一个我们已证明 的数,使得对所有 t ∈ [ x i − 1 , x i ] t \in [x_{i-1}, x_i] t ∈ [ x i − 1 , x i ] 有 ∣ f ′ ′ ( t ) ∣ ≤ M i |f''(t)| \le M_i ∣ f ′′ ( t ) ∣ ≤ M i 。则
∣ E i ∣ ≤ M i h i 3 12 . |E_i| \le \frac{M_i h_i^3}{12}. ∣ E i ∣ ≤ 12 M i h i 3 .
这样的数是存在的:f ′ ′ f'' f ′′ 在紧致区间上连续,所以 max ∣ f ′ ′ ∣ \max |f''| max ∣ f ′′ ∣ 在该处取得。由引理,对单元内每个 x x x 有 ∣ f ( x ) − p i ( x ) ∣ ≤ M i 2 ∣ w i ( x ) ∣ |f(x) - p_i(x)| \le \tfrac{M_i}{2}|w_i(x)| ∣ f ( x ) − p i ( x ) ∣ ≤ 2 M i ∣ w i ( x ) ∣ 。两边都是连续函数,所以可直接对不等式积分,而不必担心 x ↦ f ′ ′ ( ξ x ) x \mapsto f''(\xi_x) x ↦ f ′′ ( ξ x ) 是否可积。在单元上 w i ≤ 0 w_i \le 0 w i ≤ 0 ,令 s = x − x i − 1 s = x - x_{i-1} s = x − x i − 1 ,
∫ x i − 1 x i ∣ w i ( x ) ∣ d x = ∫ 0 h i s ( h i − s ) d s = h i 3 2 − h i 3 3 = h i 3 6 . \int_{x_{i-1}}^{x_i} |w_i(x)|\,dx = \int_0^{h_i} s(h_i - s)\,ds = \frac{h_i^3}{2} - \frac{h_i^3}{3} = \frac{h_i^3}{6}. ∫ x i − 1 x i ∣ w i ( x ) ∣ d x = ∫ 0 h i s ( h i − s ) d s = 2 h i 3 − 3 h i 3 = 6 h i 3 . 因此 ∣ E i ∣ ≤ M i 2 ⋅ h i 3 6 = M i h i 3 12 |E_i| \le \frac{M_i}{2}\cdot\frac{h_i^3}{6} = \frac{M_i h_i^3}{12} ∣ E i ∣ ≤ 2 M i ⋅ 6 h i 3 = 12 M i h i 3 。
概念视角 分析
单元误差是二阶导数的加权积分 由于 e = f − p i e=f-p_i e = f − p i 在单元两端为零,且 w i ′ ′ = 2 w_i''=2 w i ′′ = 2 ,两次分部积分后边界项全部消失,得
E i = 1 2 ∫ x i − 1 x i w i ( x ) f ′ ′ ( x ) d x = − 1 2 ∫ x i − 1 x i ( x − x i − 1 ) ( x i − x ) f ′ ′ ( x ) d x . E_i=\frac12\int_{x_{i-1}}^{x_i}w_i(x)f''(x)\,dx
=-\frac12\int_{x_{i-1}}^{x_i}(x-x_{i-1})(x_i-x)\,f''(x)\,dx. E i = 2 1 ∫ x i − 1 x i w i ( x ) f ′′ ( x ) d x = − 2 1 ∫ x i − 1 x i ( x − x i − 1 ) ( x i − x ) f ′′ ( x ) d x . 权重非负,积分为 h i 3 / 6 h_i^3/6 h i 3 /6 ,所以 E i E_i E i 等于 − h i 3 / 12 -h_i^3/12 − h i 3 /12 乘以 f ′ ′ f'' f ′′ 的加权平均。用 M i M_i M i 界住 f ′ ′ f'' f ′′ 便重新得到单元上界;若 f ′ ′ f'' f ′′ 符号固定,E i E_i E i 的符号也随之确定:凸函数 f f f 给出 E i ≤ 0 E_i\le0 E i ≤ 0 ,且只有当 f f f 在该单元上为线性时才取等号。
整体上界
定理 3.2.4
(随网格调整的整体上界与均匀整体上界)
设各单元的上界为 M i M_i M i ,则
∣ E ∣ ≤ ∑ i = 1 n M i h i 3 12 . |E| \le \sum_{i=1}^n \frac{M_i h_i^3}{12}. ∣ E ∣ ≤ i = 1 ∑ n 12 M i h i 3 . 若 M M M 是 ∣ f ′ ′ ∣ |f''| ∣ f ′′ ∣ 在整个 [ a , b ] [a,b] [ a , b ] 上已证明的上界,则
∣ E ∣ ≤ M ( b − a ) h 2 12 . |E| \le \frac{M(b-a)\,h^2}{12}. ∣ E ∣ ≤ 12 M ( b − a ) h 2 .
证明
(三角不等式,再用 h i h_i h i 的立方不超过 h h h 的平方乘 h i h_i h i )
三角不等式给出 ∣ E ∣ ≤ ∑ ∣ E i ∣ |E|\le\sum|E_i| ∣ E ∣ ≤ ∑ ∣ E i ∣ ,即随网格调整的上界。把 M M M 用作每个单元上的有效上界;先前选取的、可能较松的局部上界不一定本身不超过 M M M 。由于 h i 3 ≤ h 2 h i h_i^3 \le h^2 h_i h i 3 ≤ h 2 h i ,
∣ E ∣ ≤ M 12 ∑ i = 1 n h i 3 ≤ M 12 h 2 ∑ i = 1 n h i = M ( b − a ) h 2 12 . |E| \le \frac{M}{12}\sum_{i=1}^n h_i^3 \le \frac{M}{12}\,h^2 \sum_{i=1}^n h_i = \frac{M(b-a)\,h^2}{12}. ∣ E ∣ ≤ 12 M i = 1 ∑ n h i 3 ≤ 12 M h 2 i = 1 ∑ n h i = 12 M ( b − a ) h 2 .
这条不等式链中的每一步都只会损失精确度。当网格只有少数几个宽单元时,中间的式子 M 12 ∑ h i 3 \tfrac{M}{12}\sum h_i^3 12 M ∑ h i 3 往往远小于最后一个。
f ( x ) = x 2 f(x) = x^2 f ( x ) = x 2 的精确有号误差
对 f ( x ) = x 2 f(x)=x^2 f ( x ) = x 2 ,每个单元上 E i = − h i 3 / 6 E_i=-h_i^3/6 E i = − h i 3 /6 ,所以 E = − 1 6 ∑ i = 1 n h i 3 E = -\frac16\sum\limits_{i=1}^n h_i^3 E = − 6 1 i = 1 ∑ n h i 3 。单元上界中的常数 1 / 12 1/12 1/12 不能改进。
在每个单元上,q = f − p i q = f - p_i q = f − p i 是首项系数为 1 1 1 的二次式,并在 x i − 1 x_{i-1} x i − 1 和 x i x_i x i 处为零。二次式由其首项系数和两个根唯一确定,所以 q = w i q = w_i q = w i 恰好成立。因此 E i = ∫ x i − 1 x i w i ( x ) d x = − h i 3 / 6 E_i = \int_{x_{i-1}}^{x_i} w_i(x)\,dx = -h_i^3/6 E i = ∫ x i − 1 x i w i ( x ) d x = − h i 3 /6 。取 M i = 2 M_i = 2 M i = 2 ,单元上界为 2 h i 3 / 12 = h i 3 / 6 2h_i^3/12 = h_i^3/6 2 h i 3 /12 = h i 3 /6 ,与 ∣ E i ∣ |E_i| ∣ E i ∣ 完全相等,所以 1 / 12 1/12 1/12 不能改进。
误差严格为负,所以公式会高估这种形式的每个凸二次函数。
例题
例题 3.2.6
(节点 0, 1/4, 1 与平方函数)
取 f ( x ) = x 2 f(x) = x^2 f ( x ) = x 2 。宽度为 h 1 = 1 4 h_1 = \tfrac14 h 1 = 4 1 和 h 2 = 3 4 h_2 = \tfrac34 h 2 = 4 3 ,函数值为 f ( 0 ) = 0 f(0) = 0 f ( 0 ) = 0 、f ( 1 4 ) = 1 16 f(\tfrac14) = \tfrac1{16} f ( 4 1 ) = 16 1 、f ( 1 ) = 1 f(1) = 1 f ( 1 ) = 1 。
T 1 = 1 / 4 2 ( 0 + 1 16 ) = 1 128 , T 2 = 3 / 4 2 ( 1 16 + 1 ) = 3 8 ⋅ 17 16 = 51 128 . T_1 = \frac{1/4}{2}\Bigl(0 + \frac1{16}\Bigr) = \frac1{128}, \qquad
T_2 = \frac{3/4}{2}\Bigl(\frac1{16} + 1\Bigr) = \frac38\cdot\frac{17}{16} = \frac{51}{128}. T 1 = 2 1/4 ( 0 + 16 1 ) = 128 1 , T 2 = 2 3/4 ( 16 1 + 1 ) = 8 3 ⋅ 16 17 = 128 51 . T = 52 128 = 13 32 , ∫ 0 1 x 2 d x = 1 3 , E = 1 3 − 13 32 = − 7 96 . T = \frac{52}{128} = \frac{13}{32}, \qquad \int_0^1 x^2\,dx = \frac13, \qquad E = \frac13 - \frac{13}{32} = -\frac{7}{96}. T = 128 52 = 32 13 , ∫ 0 1 x 2 d x = 3 1 , E = 3 1 − 32 13 = − 96 7 . 用精确公式核对:− 1 6 ( 1 64 + 27 64 ) = − 1 6 ⋅ 28 64 = − 7 96 -\frac16\left(\frac1{64} + \frac{27}{64}\right) = -\frac16\cdot\frac{28}{64} = -\frac{7}{96} − 6 1 ( 64 1 + 64 27 ) = − 6 1 ⋅ 64 28 = − 96 7 。上界,取 M i = M = 2 M_i = M = 2 M i = M = 2 :
取 [ 0 , 1 ] [0,1] [ 0 , 1 ] 上的 f ( x ) = e x f(x)=e^x f ( x ) = e x ,节点为 0 , 1 2 , 1 0,\tfrac12,1 0 , 2 1 , 1 ,故 h i = 1 2 h_i=\tfrac12 h i = 2 1 。则 T = 1 4 ( 1 + 2 e 1 / 2 + e ) ≈ 1.75393 T=\tfrac14\bigl(1+2e^{1/2}+e\bigr)\approx1.75393 T = 4 1 ( 1 + 2 e 1/2 + e ) ≈ 1.75393 ,而 ∫ 0 1 e x d x = e − 1 ≈ 1.71828 \int_0^1e^x\,dx=e-1\approx1.71828 ∫ 0 1 e x d x = e − 1 ≈ 1.71828 ,所以 E ≈ − 0.03565 E\approx-0.03565 E ≈ − 0.03565 (与任何凸函数一样,公式高估)。在两个单元上分别有 ∣ f ′ ′ ∣ = e x ≤ e 1 / 2 |f''|=e^x\le e^{1/2} ∣ f ′′ ∣ = e x ≤ e 1/2 和 ≤ e \le e ≤ e ,所以单元上界之和为 ( e 1 / 2 + e ) / ( 8 ⋅ 12 ) ≈ 0.0455 (e^{1/2}+e)/(8\cdot12)\approx0.0455 ( e 1/2 + e ) / ( 8 ⋅ 12 ) ≈ 0.0455 ,取 M = e M=e M = e 的整体上界为 e ⋅ 1 4 / 12 ≈ 0.0566 e\cdot\tfrac14/12\approx0.0566 e ⋅ 4 1 /12 ≈ 0.0566 。两个上界都有效,实际误差 0.0357 0.0357 0.0357 低于两者。
取 n = 1 n=1 n = 1 、[ a , b ] = [ 0 , 2 ] [a,b]=[0,2] [ a , b ] = [ 0 , 2 ] 及 f ( x ) = x 3 f(x)=x^3 f ( x ) = x 3 。则 T = 2 2 ( 0 + 8 ) = 8 T=\tfrac22(0+8)=8 T = 2 2 ( 0 + 8 ) = 8 ,∫ 0 2 x 3 d x = 4 \int_0^2x^3\,dx=4 ∫ 0 2 x 3 d x = 4 ,所以 E = − 4 E=-4 E = − 4 。这里 f ′ ′ ( x ) = 6 x f''(x)=6x f ′′ ( x ) = 6 x ,M = max ∣ f ′ ′ ∣ = 12 M=\max|f''|=12 M = max ∣ f ′′ ∣ = 12 ,故上界为 12 ⋅ 8 / 12 = 8 ≥ 4 12\cdot8/12=8\ge4 12 ⋅ 8/12 = 8 ≥ 4 。只有一个单元时没有东西可加,单元上界与整体上界重合。这个上界有效,但松了一倍,因为 f ′ ′ f'' f ′′ 在单元上远非常数。
上界无法控制的部分
浮点误差。 定理假设精确运算,并适用于所有严格递增的有限实数节点,包括无法用二进制精确表示的节点。定理并不约束以下情况引入的误差:把预定节点舍入为存储的浮点数值,或用浮点运算计算宽度、平均值及总和。若把存储的节点视为精确的实数,并把数据视为这些节点上的精确函数值,则定理适用于该存储节点网格。与预定网格及数据的差异,仍须另行分析。
测量误差。 假设数据为 y k = f ( x k ) + δ k y_k = f(x_k) + \delta_k y k = f ( x k ) + δ k ,例如来自实验。此时上界只涵盖误差中属于 f f f 的部分,噪声所造成的影响须另行分析。在精确运算下,若 ∣ δ k ∣ ≤ δ |\delta_k| \le \delta ∣ δ k ∣ ≤ δ ,额外误差至多为 δ ( b − a ) \delta(b-a) δ ( b − a ) ,但这是额外的论证,并不属于上述定理。
加密网格的注意事项。 在 M M M 不变的情况下,缩小 h h h 会使上界 大约按 h 2 h^2 h 2 的比例缩小,但并不保证实际误差 在每一步都会减少。对 x 2 x^2 x 2 而言,分割单元必定有帮助,因为对正数 α , β \alpha, \beta α , β 有 α 3 + β 3 < ( α + β ) 3 \alpha^3 + \beta^3 < (\alpha + \beta)^3 α 3 + β 3 < ( α + β ) 3 。对一般的 f f f ,这可能不成立。
反例模式
增加节点可使误差变差 断言:加密网格、增加一个节点,误差绝不会增加。在 [ − 1 , 1 ] [-1, 1] [ − 1 , 1 ] 上取 f ( x ) = x 3 f(x) = x^3 f ( x ) = x 3 ,精确积分为 0 0 0 。以节点 − 1 , 1 -1, 1 − 1 , 1 计算,得 T = 2 2 ( − 1 + 1 ) = 0 T = \tfrac22(-1+1)=0 T = 2 2 ( − 1 + 1 ) = 0 ,故 E = 0 E = 0 E = 0 。以节点 − 1 , 1 2 , 1 -1, \tfrac12, 1 − 1 , 2 1 , 1 计算:
T = 3 4 ( − 1 + 1 8 ) + 1 4 ( 1 8 + 1 ) = − 21 32 + 9 32 = − 3 8 , T = \tfrac34\bigl(-1 + \tfrac18\bigr) + \tfrac14\bigl(\tfrac18 + 1\bigr) = -\tfrac{21}{32} + \tfrac{9}{32} = -\tfrac38, T = 4 3 ( − 1 + 8 1 ) + 4 1 ( 8 1 + 1 ) = − 32 21 + 32 9 = − 8 3 , 故 E = 3 8 E = \tfrac38 E = 8 3 。增加一个节点反而使误差变差,因为第一个网格只是由于 f ′ ′ f'' f ′′ 变号的两半误差互相抵消才精确。上界在两个网格上仍然成立;它控制的是 E E E 的大小,而不是它单调下降。特别地,E = 0 E = 0 E = 0 并不能证明准确。
由于 E = ∫ f − T E=\int f-T E = ∫ f − T ,负的 E E E 表示公式给出的值偏大:在节点 0 , 1 4 , 1 0,\tfrac14,1 0 , 4 1 , 1 的例子中,E = − 7 / 96 E=-7/96 E = − 7/96 而 T = 13 / 32 > 1 / 3 T=13/32>1/3 T = 13/32 > 1/3 。在相反的约定 E ′ = T − I E'=T-I E ′ = T − I 之下,同一计算给出 + 7 / 96 +7/96 + 7/96 。在断定公式高估还是低估之前,先核对定义。
MATLAB 实现
请把下面的函数保存为 trapz_nonuniform.m。此版本只接受双精度数组:若接受所有数值类型,就会连整数数组也一并接受,而整数运算可能会舍入或饱和,无法计算带小数的梯形平均值。其他输入类型需要明确转换,并检查转换后的节点和数据仍然表达原本的问题。
function T = trapz_nonuniform(x, y)
%TRAPZ_NONUNIFORM Composite trapezoidal rule on a nonuniform mesh.
% T = TRAPZ_NONUNIFORM(x, y)
% x : 1-by-(n+1) real, finite, strictly increasing DOUBLE ROW vector
% y : 1-by-(n+1) real, finite DOUBLE ROW vector with y(k) = f(x(k))
if ~isa(x, 'double') || ~isa(y, 'double') || ~isrow(x) || ~isrow(y)
error('trapz_nonuniform:orientation', ...
'x and y must be double row vectors.');
end
if numel(x) ~= numel(y)
error('trapz_nonuniform:length', ...
'x and y must have the same number of elements.');
end
if numel(x) < 2
error('trapz_nonuniform:tooFew', 'At least two nodes are required.');
end
if ~isreal(x) || ~isreal(y) || ~all(isfinite(x)) || ~all(isfinite(y))
error('trapz_nonuniform:values', ...
'x and y must be real and finite.');
end
h = diff(x); % 1-by-n cell widths
if any(h <= 0)
error('trapz_nonuniform:order', ...
'Nodes must be strictly increasing (hence distinct).');
end
avg = (y(1:end-1) + y(2:end)) / 2; % 1-by-n endpoint averages
T = dot(h, avg); % sum_i h_i * avg_i
end
配合例题使用:
x = [0, 1/4, 1]; % 1-by-3 row vector
f = @(t) t.^2; % elementwise power keeps the row shape
y = f(x); % 1-by-3 row vector
T = trapz_nonuniform(x, y);
% Exact-arithmetic value: T = 13/32, error = 1/3 - 13/32 = -7/96
测试 h <= 0 是对存储的双精度节点之差进行的。通过该测试只确立它们递增的次序,并不表示它们等于你原本想要的数学数值。有限的输入也不能防止 diff、端点之和或点积中发生溢出;下溢及一般的舍入也仍有可能。这个简单的实现不会检测或防范这些算术误差,结果为 Inf 或 NaN 时,不能用作求积的估计值。
小测
快速检查
(对节点 0 , 1 2 , 1 0,\tfrac12,1 0 , 2 1 , 1 上的 f ( x ) = x 2 f(x)=x^2 f ( x ) = x 2 ,计算 T T T 及 E = ∫ 0 1 f − T E=\int_0^1f-T E = ∫ 0 1 f − T 。)
利用 h 1 = h 2 = 1 2 h_1=h_2=\tfrac12 h 1 = h 2 = 2 1 。
解答 · 答案 T = 1 4 ( 0 + 2 ⋅ 1 4 + 1 ) = 3 8 T=\tfrac14\bigl(0+2\cdot\tfrac14+1\bigr)=\tfrac38 T = 4 1 ( 0 + 2 ⋅ 4 1 + 1 ) = 8 3 ,所以 E = 1 3 − 3 8 = − 1 24 E=\tfrac13-\tfrac38=-\tfrac1{24} E = 3 1 − 8 3 = − 24 1 。这与 − 1 6 ( 1 8 + 1 8 ) = − 1 24 -\tfrac16\bigl(\tfrac18+\tfrac18\bigr)=-\tfrac1{24} − 6 1 ( 8 1 + 8 1 ) = − 24 1 一致。
快速检查
(对 [ 0 , 1 ] [0,1] [ 0 , 1 ] 上的 f ( x ) = x 2 f(x)=x^2 f ( x ) = x 2 ,取 n n n 个等宽单元,使整体上界 M ( b − a ) h 2 / 12 M(b-a)h^2/12 M ( b − a ) h 2 /12 (M = 2 M=2 M = 2 )不超过 10 − 4 10^{-4} 1 0 − 4 的最小 n n n 是多少?)
此时 h = 1 / n h=1/n h = 1/ n ,上界为 h 2 / 6 h^2/6 h 2 /6 。
解答 · 答案 需要 1 / ( 6 n 2 ) ≤ 10 − 4 1/(6n^2)\le10^{-4} 1/ ( 6 n 2 ) ≤ 1 0 − 4 ,即 n 2 ≥ 10 4 / 6 ≈ 1666.7 n^2\ge10^4/6\approx1666.7 n 2 ≥ 1 0 4 /6 ≈ 1666.7 。因 40 2 = 1600 < 1666.7 ≤ 1681 = 41 2 40^2=1600<1666.7\le1681=41^2 4 0 2 = 1600 < 1666.7 ≤ 1681 = 4 1 2 ,最小的 n n n 是 41 41 41 。
快速检查
(算得的梯形法误差恰好为零。这是否说明公式对邻近的问题也准确?)
回想 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上的 x 3 x^3 x 3 例子。
解答 · 答案 不是。对每个线性 f f f 都有 E = 0 E=0 E = 0 ,但当 f ′ ′ f'' f ′′ 变号时,零误差也可能因互相抵消而出现,正如节点 − 1 , 1 -1,1 − 1 , 1 之下 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上的 x 3 x^3 x 3 。加入节点 1 2 \tfrac12 2 1 后,误差变成 3 8 \tfrac38 8 3 。
自我检查清单
我能陈述设定:严格递增的有限节点、f ∈ C 2 [ a , b ] f \in C^2[a,b] f ∈ C 2 [ a , b ] ,以及 E = ∫ f − T E = \int f - T E = ∫ f − T 。
我能两次应用罗尔定理,证明插值误差公式。
我能计算 ∫ 0 h s ( h − s ) d s = h 3 / 6 \int_0^{h} s(h-s)\,ds = h^3/6 ∫ 0 h s ( h − s ) d s = h 3 /6 ,并推导 ∣ E i ∣ ≤ M i h i 3 / 12 |E_i| \le M_i h_i^3/12 ∣ E i ∣ ≤ M i h i 3 /12 。
我能由各单元上界推至 M 12 ∑ h i 3 \tfrac{M}{12}\sum h_i^3 12 M ∑ h i 3 ,再推至 M ( b − a ) h 2 / 12 M(b-a)h^2/12 M ( b − a ) h 2 /12 。
我能证明对 f = x 2 f = x^2 f = x 2 有 E = − 1 6 ∑ h i 3 E = -\tfrac16\sum h_i^3 E = − 6 1 ∑ h i 3 。
我能就节点 0 , 1 4 , 1 0, \tfrac14, 1 0 , 4 1 , 1 重现 T = 13 / 32 T = 13/32 T = 13/32 、E = − 7 / 96 E = -7/96 E = − 7/96 ,以及上界 7 / 96 7/96 7/96 和 9 / 96 9/96 9/96 。
我能解释为什么舍入误差及测量误差不在上界涵盖范围之内。
我能举出一个使误差变差的网格加密例子,并解释为什么零误差不能证明任何事。
我的 MATLAB 代码会检查双精度输入类型、向量方向、长度、有限性及严格单调性;这些检查并不保证浮点精度,也不能防止中间运算溢出。
相关笔记: Lab 03:插值与梯形求积