高斯求積分數值積分計算器

高斯求積分數值積分計算器

新興 AI Skill PRO

輸入計算

結果

積分近似值
3.1415926535897927
w_i * f(x_i) 的總和
方法 legendre
節點數 (n) 20
顯示位數 22

數學公式

∫abf(x)dx≈b−a2∑i=1nwif(b−a2xi+a+b2)\int_{\text{a}}^{\text{b}} {f(x)}\,dx \approx \frac{b-a}{2}\sum_{i=1}^{\text{n}} w_i\, f\!\left(\frac{b-a}{2}x_i + \frac{a+b}{2}\right)
使用統計

廣告

回報本頁錯誤

什麼是高斯求積分計算器?

這是一套純數學工具(在任何國家的運算結果都完全相同),可依您所選的高斯求積分規則,以數值方法近似計算定積分。高斯求積分會在一組經過精心挑選、稱為「節點」的位置上計算被積函數值,再將每個函數值乘上對應的「權重」後加總。使用 \(n\) 個節點時,它能對次數最高達 \(2n-1\) 的多項式進行精確積分,因此對於平滑函數而言,遠比梯形法、辛普森法等等距取點的方法準確得多。

如何使用

先選擇一種求積分方法,設定節點數 \(n\),再以標準語法輸入被積函數 \(f(x)\)(支援 + - * / ^、括號、sin、cos、tan、exp、log、ln、sqrt、abs、pi、e);若使用有限區間的規則,請另外輸入上下限 \(a\) 與 \(b\)。權重函數 \(w(x)\) 已內建於各規則中,因此您只需輸入平滑的部分 \(f(x)\):使用 Gauss-Laguerre 時請省略 \(x^{\alpha} e^{-x}\) 因子,使用 Gauss-Hermite 時省略 \(e^{-x^2}\),使用 Chebyshev/Jacobi 時則省略 \((1-x^2)\) 權重。「有效位數」下拉選單僅會影響結果顯示的位數。

計算公式

每一種規則的形式都相同:在標準區間上對 \(w(x) f(x)\) 的積分,會以 \(w_i\) 乘以 \(f(x_i)\) 的總和來近似,其中節點 \(x_i\) 是對應正交多項式的根,而 \(w_i\) 則是 Golub-Welsch 權重。對於權重為 1 的任意有限區間 \([a,b]\),\([-1,1]\) 上的標準節點 \(t_i\) 會透過下式映射,整個總和再乘上 \(\frac{b-a}{2}\) 進行縮放。

$$x_i = \frac{b-a}{2} t_i + \frac{a+b}{2}$$

$$\int_{a}^{b} f(x)\,dx \approx \frac{b-a}{2}\sum_{i=1}^{n} w_i\, f\!\left(\frac{b-a}{2}x_i + \frac{a+b}{2}\right)$$

廣告
以非均勻節點位置上的加權取樣點近似的曲線下定積分面積
高斯求積透過權重 \(w_i\) 與最佳放置的節點 \(x_i\) 來近似 \(f(x)\) 下方的面積。

實際範例

選擇 Gauss-Legendre、\(n=20\)、\(f(x)=\frac{4}{1+x^2}\)、\(a=0\)、\(b=1\)。精確值為 \(4\arctan(1) = \pi = 3.14159265358979\)。20 點的 Legendre 規則會將節點映射到 \([0,1]\),把權重縮放 \(\frac{1}{2}\) 倍,最後得到 \(3.141592653589793\)——與 \(\pi\) 在雙精度下完全吻合。這正是本計算器將 \(\frac{4}{1+x^2}\) 設為預設被積函數的原因。

同一區間上低階與高階高斯求積的節點分佈比較
節點越多(階數 \(n\) 越高),越向區間兩端聚集,精度也越高。

小 n 的高斯-勒讓德節點與權重範例

下表列出標準區間 \([-1,1]\) 上的高斯-勒讓德節點 \(x_i\) 與權重 \(w_i\)。對於一般區間 \([a,b]\),計算機會以 \(t_i = \frac{b-a}{2}x_i + \frac{a+b}{2}\) 將每個節點映射過去,並將總和乘以 \(\frac{b-a}{2}\)。節點成對出現,呈對稱的 ± 形式,每一對共用同一個權重。

n 節點 \(x_i\) 權重 \(w_i\)
1 0 2
2 ±0.5773502692 1(各)
3 0
±0.7745966692
0.8888888889
0.5555555556
4 ±0.3399810436
±0.8611363116
0.6521451549
0.3478548451
5 0
±0.5384693101
±0.9061798459
0.5688888889
0.4786286705
0.2369268851

對於每個 n,權重總和都等於 2,也就是 \([-1,1]\) 的長度。這是一個快速的檢查方法:當 n=5 時,\(0.5688888889 + 2(0.4786286705) + 2(0.2369268851) \approx 2\)。

以 n=2 對 \(\int_{-1}^{1}(x^3+x^2)\,dx = \frac{2}{3}\) 做快速檢查:總和為 \(1\cdot f(-0.57735) + 1\cdot f(0.57735)\)。奇次項相互抵消,兩個 \(x^2\) 項得到 \(\frac{1}{3}+\frac{1}{3}=\frac{2}{3}\),結果是精確的,因為此多項式的次數為 3 = 2n-1。

廣告

結果解讀與精確度

  • 多項式精確性:n 點高斯-勒讓德法能精確積分至 \(2n-1\) 次的多項式。例如,3 點法對直到 5 次的多項式都是精確的。
  • 洛巴托法則:這類法則把兩個端點都當作節點,因此精確度會有所下降。n 點高斯-洛巴托法則精確至 \(2n-3\) 次。
  • 平滑被積函數:對於解析(無限次可微)函數,誤差通常隨 n 增加而迅速縮小,每增加一個點,常常可以縮小好幾個數量級。
  • 有問題的被積函數:對於奇點、端點發散、不連續點、折點以及高度振盪的函數,收斂會變慢或不可靠。在這些點處切分區間,或使用與權函數或奇點相符的加權法則(切比雪夫、雅可比、拉蓋爾、埃爾米特),通常會有幫助。
  • 增加 n 來檢查:分別以 n 與更大的 n 執行計算。若前幾位有效數字相同,結果大約已收斂到該位數。若數值持續變化,則表示此被積函數在該 n 下不適合此法則。克朗羅德擴展會將其與內嵌的高斯法則比較,從而提供內建的誤差估計。
  • 有效位數設定:此設定只改變顯示的位數,不會改變節點、權重,或近似值的實際精確度。
  • 精度限制:在標準雙精度下,大約可取得 15 至 16 位有效數字。超過此範圍的位數除非計算機使用更高精度的運算,否則沒有意義。抵消(正負貢獻幾乎相互抵銷)以及節點與權重總和中的捨入誤差,可能會進一步減少可靠的位數。
  • 何時切分區間:當函數在整個範圍內性質改變、振盪many次,或具有已知的問題點時,請使用複合區段,也就是在各子區間上分別使用高斯法則。應將問題點置於子區間的邊界上。

加權法則解決的是另一類問題:拉蓋爾法針對 \(\int_0^\infty e^{-x}f(x)\,dx\),埃爾米特法針對 \(\int_{-\infty}^{\infty} e^{-x^2}f(x)\,dx\),而切比雪夫法則包含權函數 \(1/\sqrt{1-x^2}\) 或 \(\sqrt{1-x^2}\)。請確認您輸入的被積函數與所選方法的權函數慣例相符。

常見問題

為什麼用 Laguerre 或 Hermite 算出來的答案看起來不對?這兩種規則已內含 \(e^{-x}\) 或 \(e^{-x^2}\) 權重;請只輸入剩餘的因子,而非完整的被積函數。例如要計算 \(e^{-x^2}\) 在整條實數線上的積分,請設定 \(f(x)=1\),即可得到 \(\sqrt{\pi}\)。

alpha 和 beta 的作用是什麼?\(\alpha\) 是 Laguerre 權重 \(x^{\alpha}\) 的指數,同時也是 Jacobi 的其中一個指數;\(\beta\) 則是 Jacobi 的另一個指數。兩者都必須大於 \(-1\),否則權重積分會發散。

節點越多一定越好嗎?對於平滑函數,提高 \(n\) 會改善準確度;但若函數在區間內存在奇異點或尖銳峰值,反而可能變差。請逐步增加 \(n\),並留意收斂情況。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器