Numerical Integration

欢迎来到数值积分（Numerical Integration）的世界！

你有没有试过解数学题时，发现根本没有一个简洁、完美的答案？在常规的 A Level 数学中，大多数积分题目都被设计得很“友好”。但在现实世界中，函数往往非常复杂，有时使用标准的积分法则根本无法求出精确值。
这就是数值积分派上用场的时候了！我们使用巧妙的法则来估算曲线下的面积。试着把它想象成测量一个水洼的面积——你不能用简单的直尺，但你可以将它拆解成你已知形状的几何体。在本章中，我们将探讨中点法（Midpoint Rule）、梯形法则（Trapezium Rule），以及当中的重量级成员：辛普森法则（Simpson’s Rule）。

1. 基本概念：我们在做什么？

我们的目标是估算定积分 \( \int_{a}^{b} f(x) dx \)。我们将从 \( a \) 到 \( b \) 的区间分成 \( n \) 个相等的狭长条（strips），每个条的宽度为 \( h \)。

条宽公式：
\( h = \frac{b - a}{n} \)

类比： 想象你在铺地板。\( a \) 和 \( b \) 是两面墙，\( h \) 是每块瓷砖的宽度。如果你想要更多的瓷砖 (\( n \))，每块瓷砖就必须更薄 (\( h \))。

温故知新：预备知识

• 纵坐标（Ordinate, \( y \)）： 函数在特定 \( x \) 点的值。
• 区间（Interval）： 起始点 \( a \) 与终点 \( b \) 之间的范围。
• 弧度（Radians）： 进行微积分计算时，请务必确保计算器处于 弧度（Radians） 模式！

关键点： 数值积分是透过将曲线拆解成较小、易于处理的狭长条，来估算其面积的过程。

2. 中点法（Midpoint Rule, \( M_n \)）

中点法透过矩形来估算每个条形的面积。但我们不是用条形的起点或终点高度，而是使用条形中点处的高度。

公式：
\( M_n = h(y_{1/2} + y_{3/2} + \dots + y_{n-1/2}) \)

这里的 \( y_{1/2} \) 简单来说就是函数在第一个条形中点处的值。

步骤：
1. 计算宽度 \( h \)。
2. 找出每个条形的中点。
3. 将这些中点代入你的函数 \( f(x) \) 以获得高度（即 \( y \) 值）。
4. 将所有高度相加，再乘以 \( h \)。

常见错误： 不要混淆条形的数量 (\( n \)) 和中点的数量。如果你有 4 个条形，你就会有 4 个中点！

3. 梯形法则（Trapezium Rule, \( T_n \)）

你可能在 A Level 数学中学过这个！我们不再使用平顶的矩形，而是使用梯形来“顺应”曲线的斜率。

公式：
\( T_n = \frac{1}{2}h \{ (y_0 + y_n) + 2(y_1 + y_2 + \dots + y_{n-1}) \} \)

记忆小撇步： “两端算一次，中间算两次”。你只会将最开始和最后一个高度各算一次，但中间的每一个高度都要算两次，因为它们被相邻的两个梯形共用了。

关键点： \( T_n \) 通常比简单的矩形法准确，但在面对弯曲程度很大的线条时，表现仍会受限。

4. 重量级法则：辛普森法则（Simpson’s Rule, \( S_{2n} \))

如果说梯形法是用直线来“连接点”，那么 辛普森法则 就像是用 抛物线 来连接点。它的准确度高得多！

公式：
\( S_{2n} = \frac{1}{3}h \{ (y_0 + y_{2n}) + 4(y_1 + y_3 + \dots + y_{2n-1}) + 2(y_2 + y_4 + \dots + y_{2n-2}) \} \)

加权模式： 1, 4, 2, 4, 2... 4, 1。
“两端”乘以 1。“奇数编号”的纵坐标乘以 4，“偶数编号”的纵坐标乘以 2。

你知道吗？ 要使用辛普森法则，你必须确保条形的数量是偶数。如果 \( n \) 是奇数，1-4-2 的模式就无法运作了！

快速回顾：
- 中点法 (\( M_n \))： 使用条形中点的高度。
- 梯形法 (\( T_n \))： 使用条形边缘的高度，1-2-1 模式。
- 辛普森法则 (\( S_{2n} \))： 使用条形边缘的高度，1-4-2-4-1 模式。

5. MEI 的“黄金链接”

在 Further Maths B (MEI) 中，一个常见的任务是利用你之前的计算结果来获取新的估算值。你不一定每次都要从零开始计算！

关系一：改进梯形法则
如果你已有 \( M_n \) 和 \( T_n \)，你可以轻松求出将条形数量加倍后的估算值 (\( T_{2n} \))：
\( T_{2n} = \frac{1}{2}(M_n + T_n) \)

关系二：由其他法则推导辛普森法则
这是考试的最爱！辛普森法则其实就是另外两个法则的加权平均：
\( S_{2n} = \frac{1}{3}(2M_n + T_n) \)
注意：有时写作 \( S_{2n} = \frac{2M_n + T_n}{3} \)。

关键点： 这些链接让你无需重新计算每一个 \( y \) 值，就能快速提升准确度。

6. 收敛与误差

如果“收敛阶数（Order of Convergence）”听起来很吓人，不用担心；它只是指“当我们增加更多条形时，误差消失得有多快？”

• 中点法与梯形法则： 这些是 二阶（second-order） 方法。如果你将条形数量加倍，误差大约会缩小 4 倍 (\( 2^2 \))。
• 辛普森法则： 这是 四阶（fourth-order） 方法。如果你将条形数量加倍，误差大约会缩小 16 倍 (\( 2^4 \))！这就是为什么辛普森法则准确得多的原因。

凹性（Concavity）与高估/低估

你的估算值会偏大还是偏小？这取决于图形的形状（凹性）：

• 凹向上（开心笑脸 \(\cup\)）： 梯形法则会 高估（直线位于曲线上方）。中点法会 低估。
• 凹向下（悲伤脸 \(\cap\)）： 梯形法则会 低估。中点法会 高估。

关键点： 如果 \( T_n \) 是高估而 \( M_n \) 是低估，那么真实值一定介于两者之间！

摘要检核表

你是否能够：
1. 计算条形宽度 \( h \)？
2. 正确运用中点法、梯形法和辛普森法则？
3. 记住辛普森法则的 1-4-2-4-1 加权模式？
4. 使用“黄金链接”来求出 \( T_{2n} \) 和 \( S_{2n} \)？
5. 根据曲线形状判断估算值是偏高还是偏低？

继续练习吧！数值方法讲究的是条理。只要仔细检查你的数值表，你一定能做得很好！