当前位置：首页 > news >正文

Newton-Cotes公式在数值积分中的应用与误差分析

news 2026/3/27 8:55:33

1. Newton-Cotes公式入门：从菜市场称重说起

记得第一次帮老妈去菜市场买西瓜时，商贩用的那种老式杆秤让我特别好奇。他移动秤砣的位置，就能准确算出西瓜的重量。后来学数值积分时才恍然大悟，这其实就是最简单的Newton-Cotes公式——用几个关键点的测量值来估算整体结果。

Newton-Cotes公式就像数学界的"智能秤"，它通过选取函数曲线上若干个等距点（就像秤杆上的刻度），用多项式函数来拟合原始曲线（相当于调整秤砣位置），最后计算出定积分的近似值。比如梯形公式就像只称两次（起点和终点），Simpson公式则像称三次（加上中点），称的次数越多，结果就越精准。

这个方法的精妙之处在于，它把复杂的积分计算转化为简单的加权求和。举个例子，要计算y=x²在0到2区间内的面积，用梯形公式就是(0²+2²)/2×2=4，而真实积分结果是8/3≈2.666...，误差明显。但如果改用Simpson公式：(0²+4×1²+2²)/3×1≈2.666...，结果就精确多了。

2. 公式家族全解析：从梯形到Cotes

2.1 梯形公式：初学者的首选工具

当n=1时，我们得到最基础的梯形公式。就像用直尺量曲线长度，虽然粗糙但足够简单。其数学表达式为：

def trapezoidal(f, a, b): return (f(a) + f(b)) * (b - a) / 2

实测一个经典案例：计算sin(x)在[0, π/2]的积分。精确值应该是1，而梯形公式给出(0+1)/2×π/2≈0.785，误差约21.5%。这个误差来自用直线替代正弦曲线的"以直代曲"。

2.2 Simpson公式：性价比之王

n=2时升级为Simpson公式，它就像用抛物线来拟合曲线：

def simpson(f, a, b): mid = (a + b) / 2 return (f(a) + 4*f(mid) + f(b)) * (b - a) / 6

还是算sin(x)的例子：(0+4×0.707+1)×π/12≈1.002，误差骤降到0.2%！这要归功于它"奇数阶精度提升"的特性——虽然只用三个点，但代数精度达到3次。

2.3 Cotes公式：高精度专业版

当n=4时就是Cotes公式，相当于用四次多项式拟合：

def cotes(f, a, b): h = (b - a)/4 points = [a + i*h for i in range(5)] weights = [7, 32, 12, 32, 7] return sum(w*f(x) for w,x in zip(weights,points)) * (b-a)/90

计算e^x在[0,1]的积分，精确值≈1.71828。梯形公式得1.859，Simpson得1.71886，Cotes则给出1.71828——精确到小数点后5位！

3. 误差分析的实战技巧

3.1 截断误差的"天气预报"

误差公式就像天气预报，能提前知道精度等级。梯形公式的误差与h²成正比，Simpson与h⁴成正比，Cotes则达到h⁶。举个例子，把[0,1]区间分成10份（h=0.1）时：

梯形误差约0.01量级
Simpson误差约0.0001量级
Cotes误差约0.000001量级

但要注意，这个规律只在n≤8时有效。我曾在项目里盲目用n=10的公式，结果误差反而增大——这就是Runge现象在作怪。

3.2 代数精度的隐藏属性

测试发现个有趣现象：对于x³在[-1,1]的积分，梯形公式（理论精度1次）居然给出精确解0！这验证了那个重要定理：当n为偶数时，实际精度会提升1阶。所以：

梯形公式(n=1)：理论1次，实际1次
Simpson(n=2)：理论2次，实际3次
Cotes(n=4)：理论4次，实际5次

4. 工程应用中的避坑指南

4.1 分段策略：不要把所有鸡蛋放在一个篮子里

就算用高阶公式，大区间直接算也会翻车。比如计算[0,10]上sin(x²)的积分，直接用Cotes公式误差很大。我的经验是：先分成100个小区间，每个区间用Simpson公式，这样既保证效率又确保精度。

def composite_simpson(f, a, b, n_segments): total = 0 h = (b - a)/n_segments for i in range(n_segments): x0 = a + i*h x1 = x0 + h total += simpson(f, x0, x1) return total

4.2 龙贝格积分：Newton-Cotes的进化版

在实际项目中，我更喜欢用基于梯形公式的龙贝格积分。它通过不断二分区间和Richardson外推，能自动调整精度。就像打游戏升级装备，从青铜梯形逐步进化到王者精度：

def romberg(f, a, b, eps=1e-6): R = [[(f(a)+f(b))*(b-a)/2]] # R[0][0] n = 1 while True: h = (b-a)/2**n R.append([0.5*R[n-1][0] + h*sum(f(a+(2*k-1)*h) for k in range(1,2**(n-1)+1))]) for m in range(1,n+1): R[n].append(R[n][m-1] + (R[n][m-1]-R[n-1][m-1])/(4**m-1)) if abs(R[n][n]-R[n-1][n-1]) < eps: return R[n][n] n += 1