Numerika pro teoretické fyziky ← →

Kapitola 6

Numerická integrace

Kvadraturní vzorce

Chceme-li spočítat určitý integrál, případně integrál s váhovou funkcí

\begin{equation}\label{eq:05:integral} I[f(x)] = \int_a^b f(x)\,\mathrm{d}x , \qquad \text{příp.} \qquad I[f(x)] = \int_a^b w(x) f(x)\,\mathrm{d}x , \end{equation}

numericky, aproximujeme jej určitým kvadraturním vzorcem

\begin{equation}\label{eq:05:kvadraturni_vzorec} I_n[f] = \sum_{j=0(1)}^{n} w_j\, f(x_j) , \end{equation}

kde \(w_j\) jsou tzv. váhy a \(x_j\) uzly kvadraturního vzorce.

Poznámka

Zápis \(j = 0(1)\) znamená, že u některých typů kvadratur je vhodné číslovat od \(0\) (Newtonovy–Cotesovy vzorce) a jindy od \(1\) (Gaussovy vzorce).

Existují i zobecnění, která uvažují též derivace \(f'(x_j)\) a příslušné váhy \(w_j'\). Přímo se jimi zabývat nebudeme, ale využití je například pro určení chyby Gaussova vzorce.

Obvykle požadujeme, aby \(I_n[f]\) dával přesné výsledky pro polynomy do určitého stupně \(s\), který pak nazýváme řádem kvadraturního vzorce. Podle toho, které parametry ponecháme volné, dostáváme tři základní typy kvadratur.

  1. A) Pokud zafixujeme \(x_j\), obvykle \(x_j = x_0 + jh\), \(j = 0, \dots, n\), pak máme \(n+1\) volných parametrů \(w_j\), které můžeme určit položením \[ I_n[x^k] = I[x^k] = \mu_k , \qquad k = 0, \dots, n . \] To vede na \(V w = \mu\), kde \(V\) je opět Vandermondeova matice, a pro \(x_i \neq x_j\) pro \(\forall i \neq j\) máme jednoznačné řešení. Takovéto kvadratury nazýváme Newtonovy–Cotesovy vzorce.
  2. B) Pokud bereme též \(x_j\) jako volné parametry, pak budeme mít \(x_j\) a \(w_j\), \(j = 1, \dots, n\), tj. \(2n\) parametrů, které by mělo jít v principu určit z podmínek \[ I_n[x^k] = \mu_k , \qquad k = 0, \dots, 2n-1 . \] Jde však o soustavu nelineárních rovnic, a proto se obvykle postupuje jinak, viz níže. Tyto kvadratury se nazývají Gaussovy.
  3. C) Jsou též kvadratury, které fixují pouze některé uzly. Například Lobattova kvadratura fixuje krajní body \(a\), \(b\), a tedy integruje přesně polynomy stupně \(2n-1\), máme-li \(x_0 = a\), \(x_1, \dots, x_n = b\).

Newtonovy–Cotesovy vzorce

Newtonovy–Cotesovy vzorce jsou numerické kvadratury, které integrují přesně polynomy do řádu \(n\), máme-li zadány uzly \(x_j = x_0 + jh\), \(j = 0, \dots, n\).

Máme-li funkci \(f\) zadánu v bodech \(x_j\), pak Lagrangeův interpolační polynom \(L_n(x)\) těmito body je stupně \(n\), a tedy

\begin{equation}\label{eq:05:nc_definice} I[f(x)] \simeq \int_a^b L_n(x)\,\mathrm{d}x = I_n[f(x)] , \end{equation}

a tedy

\begin{equation}\label{eq:05:vahy_nc} \sum_{j=0}^{n} w_j f(x_j) = \sum_{j=0}^{n} f(x_j) \underbrace{\int_a^b \ell_j(x)\,\mathrm{d}x}_{w_j} , \qquad \text{kde } \ell_j(x) = \prod_{i \neq j} \frac{x-x_i}{x_j-x_i} . \end{equation}

Chybu této aproximace lze určit integrací chybového členu Lagrangeova interpolačního polynomu. Ukazuje se (viz např. Segethová, Ralston a podobně), že pro \(n\) sudé integrují Newtonovy–Cotesovy vzorce přesně i polynomy stupně \((n+1)\), a chyba je následující.

  1. 1) Pro \(n\) sudé, nechť \(f \in C^{n+2}\langle a,b \rangle\); pak existuje \(\xi \in \langle a,b \rangle\) takové, že \begin{equation}\label{eq:05:chyba_nc_sude} \int_a^b f(x)\,\mathrm{d}x - \int_a^b L_n(x)\,\mathrm{d}x = \frac{-f^{(n+2)}(\xi)}{(n+2)!} \int_a^b x\,\omega_{n+1}(x)\,\mathrm{d}x , \end{equation} kde \(\omega_{n+1}(x) = \prod_{j=0}^{n} (x-x_j)\).
  2. 2) Pro \(n\) liché, nechť \(f \in C^{n+1}\langle a,b \rangle\); pak existuje \(\xi \in \langle a,b \rangle\) takové, že \begin{equation}\label{eq:05:chyba_nc_liche} I[f(x)] - I[L_n(x)] = \frac{f^{(n+1)}(\xi)}{(n+1)!} \int_a^b \omega_{n+1}(x)\,\mathrm{d}x . \end{equation}

Odvození vzorců pomocí operátorů na polynomech

Definujme operátor integrace

\begin{equation}\label{eq:05:operator_j} J p(x) = \int_x^{x+h} p(t)\,\mathrm{d}t . \end{equation}

Provedeme substituci \(t = x+sh\), \(\mathrm{d}t = h\,\mathrm{d}s\), a využijeme, že \(E^s p(x) = p(x+sh)\). Formální integrací přes \(s\) dostaneme

\begin{align*} J p(x) &= h \int_0^1 E^s p(x)\,\mathrm{d}s = h \int_0^1 e^{s \ln E}\,\mathrm{d}s \; p(x) = h\,\frac{E-I}{\ln E}\,p(x) = \frac{h\Delta}{\ln(I+\Delta)}\,p(x) \\ &= \frac{h\Delta}{hD}\,p(x) = \frac{\Delta}{D}\,p(x) . \end{align*}

Dostáváme mimo jiné vztah \(JD = DJ = \Delta\).

Vzorce pro numerickou kvadraturu dostaneme Taylorovým rozvojem v \(\Delta\) do určitého stupně:

\begin{equation}\label{eq:05:rozvoj_j} J = \frac{h\Delta}{\ln(I+\Delta)} = h\left( I + \frac{1}{2}\Delta - \frac{1}{12}\Delta^2 + \frac{1}{24}\Delta^3 - \frac{19}{720}\Delta^4 + \dots \right) , \end{equation}

například trikem \(\ln(I+\Delta) = \Delta(I-R)\), kde

\[ R = \frac{1}{2}\Delta - \frac{1}{3}\Delta^2 + \frac{1}{4}\Delta^3 - \dots \qquad \text{a} \qquad J = \frac{h}{I-R} = h\left( I + R + R^2 + \dots \right) . \]

Lichoběžníkové a Simpsonovo pravidlo

Z rozvoje \eqref{eq:05:rozvoj_j} dostáváme kvadraturní vzorce. Například ponecháním členů do \(\Delta\) dostaneme

\begin{equation}\label{eq:05:lichobeznikove} \int_{x_0}^{x_1} f(x)\,\mathrm{d}x = Jf(x)\Big|_{x_0} \simeq h f_0 + \frac{h}{2}\left(f_1 - f_0\right) = \frac{h\left(f_1+f_0\right)}{2} - \frac{f''(\xi)h^3}{12} , \end{equation}

což je lichoběžníkové pravidlo.

Přidáním dalšího členu máme

\begin{equation}\label{eq:05:tri_body_prvni} \int_{x_0}^{x_1} f(x)\,\mathrm{d}x \simeq h\left(\frac{5}{12}f_0 + \frac{2}{3}f_1 - \frac{1}{12}f_2\right) . \end{equation}
Poznámka

Tento vzorec není úplně ideální: parabola \(L_2(x)\) je proložena třemi body, ale integruje se jen přes první podinterval.

Interaktivní ukázka · Parabola \(L_2\) a tříbodové vzorce

Parabola \(L_2(x)\) proložená hodnotami \(f_0, f_1, f_2\) v uzlech \(x_0, x_1, x_2\); vyšrafovaná je plocha nad prvním podintervalem. Body lze tahat svisle a parabola i hodnota kvadratury se přepočítávají. Vyzkoušejte si, že šrafovaná plocha nad \(\langle x_0, x_1 \rangle\) odpovídá vzorci \eqref{eq:05:tri_body_prvni}, že plocha nad \(\langle x_1, x_2 \rangle\) odpovídá jeho zrcadlovému protějšku níže a že jejich součet je vždy přesně Simpsonovo pravidlo. Zapnutím tětiv uvidíte, o kolik se od paraboly liší lichoběžníkové pravidlo — a proč je nesymetrický tříbodový vzorec „ne úplně ideální“.

Sečteme-li \eqref{eq:05:tri_body_prvni} se vzorcem pro sousední podinterval

\begin{equation}\label{eq:05:tri_body_druhy} \int_{x_1}^{x_2} f(x)\,\mathrm{d}x \simeq h\left(-\frac{1}{12}f_0 + \frac{2}{3}f_1 + \frac{5}{12}f_2\right) , \end{equation}

dostaneme

\begin{equation}\label{eq:05:simpson} \int_{x_0}^{x_2} f(x)\,\mathrm{d}x \simeq \frac{h}{3}\left(f_0 + 4f_1 + f_2\right) - \frac{f^{(4)}(\xi)}{90}h^5 , \end{equation}

tedy Simpsonovo pravidlo.

Obdobně bychom mohli získat vyšší kvadraturní vzorce, například Booleovo pravidlo

\begin{equation}\label{eq:05:boole} \int_{x_0}^{x_4} f(x)\,\mathrm{d}x = \frac{2h}{45}\left(7f_0 + 32f_1 + 12f_2 + 32f_3 + 7f_4\right) + \mathcal{O}\left(h^7\right) . \end{equation}

Obecně se ovšem nevyplatí zvyšovat \(n\) kvůli numerickým nestabilitám: například pro \(n > 7\) jsou některé váhy záporné, což vede k odečítání blízkých čísel a podobně. Navíc tyto vzorce konvergují pro \(n \to \infty\) jen pro omezenou třídu funkcí.

Složené kvadraturní vzorce

V praxi se užívají tzv. složené kvadraturní vzorce (též rozšířené), kdy použijeme určité kvadraturní pravidlo na podintervalech, do kterých rozdělíme interval \(\langle a,b \rangle\).

Například složené lichoběžníkové pravidlo je

\begin{equation}\label{eq:05:slozene_lichobeznikove} \int_a^b f(x)\,\mathrm{d}x \simeq h\left(\frac{f_0}{2} + \sum_{i=1}^{n-1} f_i + \frac{f_n}{2}\right) + \mathcal{O}\left(h^2\right) \end{equation}

a složené Simpsonovo pravidlo (pro \(n\) sudé)

\begin{equation}\label{eq:05:slozene_simpson} \int_a^b f(x)\,\mathrm{d}x \simeq \frac{h}{3}\left(f_0 + 4f_1 + 2f_2 + 4f_3 + \dots + 4f_{n-1} + f_n\right) + \mathcal{O}\left(h^4\right) . \end{equation}
Poznámka

Řád chyby je zde o řád nižší než pro samotný integrál přes \(\langle x_0, x_1 \rangle\), a to kvůli sčítání chyb z jednotlivých podintervalů.

Existují i tzv. otevřené Newtonovy–Cotesovy vzorce, kdy \(x_0 > a\), \(x_n < b\) a vyčíslujeme integrál na \(\langle a,b \rangle\). To je třeba udělat, pokud \(f(a)\) či \(f(b)\) divergují, ale přesto je integrál konečný. Vzhledem k malé přesnosti oproti Gaussovým kvadraturám, které jsou též v tomto smyslu „otevřené“, se však často nepoužívají.

Eulerův–Maclaurinův sumační vzorec

Pro chybu složeného lichoběžníkového pravidla si dokážeme následující vztah, který je důležitý pro extrapolaci pro \(h \to 0\), a tedy pro Rombergův algoritmus.

Věta (Eulerův–Maclaurinův sumační vzorec)

Nechť \(f(x) \in C^{2k+2} \langle x_0, x_n \rangle\). Potom platí

\begin{equation}\label{eq:05:euler_maclaurin} \begin{split} h\left( \frac{f_0}{2} + \sum_{i=1}^{n-1} f_i + \frac{f_n}{2} \right) &= \int_{x_0}^{x_0+nh} f(x)\,\mathrm{d}x + a_1 \left[ f'(x_n) - f'(x_0) \right] h^2 \\ &\quad + a_2 \left[ f'''(x_n) - f'''(x_0) \right] h^4 + \dots \\ &\quad + a_k \left[ f^{(2k-1)}(x_n) - f^{(2k-1)}(x_0) \right] h^{2k} + \dots , \end{split} \end{equation}

kde konstanty \(a_1, a_2, \dots\) jsou koeficienty Taylorova rozvoje funkce \(\dfrac{x}{2\tanh\frac{x}{2}}\).

Konstanty \(a_k\) lze vyjádřit též jako \(a_k = \dfrac{B_{2k}}{(2k)!}\), kde \(B_n\) jsou Bernoulliova čísla

\[ B_0 = 1,\; B_1 = \frac{1}{2},\; B_2 = \frac{1}{6},\; B_3 = 0,\; B_4 = -\frac{1}{30},\; B_6 = \frac{1}{42} . \]
Důkaz

Upravujme rozdíl

\begin{align*} &h\left[ \sum_{i=0}^{n-1} f_i + \frac{1}{2}\left( f_n - f_0 \right) \right] - \int_{x_0}^{x_0+h} f(x)\,\mathrm{d}x - \int_{x_0+h}^{x_0+2h} f(x)\,\mathrm{d}x - \dots - \int_{x_0+(n-1)h}^{x_0+nh} f(x)\,\mathrm{d}x = \\ &\qquad = h\left[ \underbrace{\left( E^0 + E^1 + \dots + E^{n-1} \right)}_{(E^n - I)/(E-I)} f_0 + \frac{1}{2}\left( E^n - I \right) f_0 \right] \\ &\qquad\qquad - \left[ Jf(x_0) + E^1 Jf(x_0) + \dots + E^{n-1} Jf(x_0) \right] = \\ &\qquad = h\left( E^n - I \right)\left( \frac{1}{\Delta} + \frac{I}{2} \right) f_0 - \left( E^n - I \right) \left( \frac{J}{\Delta} \right) f(x_0) = \\ &\qquad = h\left( E^n - I \right)\left( \frac{1}{2\tanh\frac{hD}{2}} - \frac{1}{hD} \right) f_0 = \\ &\qquad = \frac{1}{12} h^2 \left( f'(x_n) - f'(x_0) \right) - \frac{1}{720} h^4 \left( f'''(x_n) - f'''(x_0) \right) + \dots \end{align*}

Přitom jsme využili, že \(\dfrac{J}{\Delta} = \dfrac{1}{D}\), a dále vedlejšího výpočtu (s \(E = e^{hD}\))

\begin{align*} \frac{I}{2} + \frac{1}{\Delta} &= \frac{I}{2} + \frac{1}{e^{hD} - I} = \frac{e^{hD} + I}{2\left( e^{hD} - I \right)} = \frac{1}{2\tanh\frac{hD}{2}} \\ &= \frac{1}{hD} + \frac{1}{12} hD - \frac{1}{720} (hD)^3 + \frac{1}{30240} (hD)^5 - \dots \end{align*} □
Poznámka

Operace \(\frac{1}{D}\) a \(\frac{1}{\Delta}\) nejsou jednoznačně definovány, jde o třídu funkcí lišících se konstantou: \(\frac{1}{D}p(x)\) jsou polynomy \(P(x)\) takové, že \(DP(x) = p(x)\), a totéž tedy platí pro \(P(x) + c\). Vždy jsou ale v kombinaci s \((E^n - E^0)\), takže výsledek už je jednoznačný.

Využití Eulerova–Maclaurinova vzorce

Odvození složených Newtonových–Cotesových vzorců vyššího řádu

Složené Newtonovy–Cotesovy vzorce vyššího řádu lze odvodit pomocí Richardsonovy extrapolace. Označme \(I_n^0[f]\) lichoběžníkové pravidlo pro \(n+1\) bodů. Platí tedy

\begin{align*} I_n^0[f] &= I[f] + a_1\left[f_n' - f_0'\right] h_n^2 + \mathcal{O}(h^4) \\ &= I[f] + c\,h_n^2 + \mathcal{O}(h_n^4) \end{align*}

a zároveň máme

\[ I_{2n}^0[f] = I[f] + c\left(\frac{h_n}{2}\right)^2 + \mathcal{O}(h_n^4) . \]
Interaktivní ukázka · Dělení \(h_n\) vs. \(h_n/2\) a Richardsonova extrapolace

Číselná osa s dělením na body \(x_0, x_1, \dots, x_{2n}\); svorky vyznačují krok \(\frac{h_n}{2}\) nad úsekem \(x_0\)–\(x_1\) a \(h_n\) nad úsekem \(x_2\)–\(x_4\). Nad osou je zvolená funkce a obě lomené čáry složeného lichoběžníkového pravidla — hrubá s krokem \(h_n\) (sudé uzly) a jemná s krokem \(\frac{h_n}{2}\). Hodnoty \(I_n^0\), \(I_{2n}^0\) i jejich Richardsonova kombinace \(I_{2n}^1\) se počítají a porovnávají s přesnou hodnotou integrálu. Sledujte, jak chyba \(I_n^0\) klesá jako \(h^2\), zatímco chyba \(I_{2n}^1\) jako \(h^4\) — a jak u funkce \(1/(1+25x^2)\) extrapolace pro malá \(n\) ještě nepomáhá, protože \(h_n\) není srovnatelné s charakteristickou škálou funkce.

Vhodnou kombinací obou vztahů dostaneme

\begin{equation}\label{eq:05:richardson_prvni} I_{2n}^1[f] = \frac{4\,I_{2n}^n - I_n^0}{3} = I[f] + \mathcal{O}(h_n^4) , \end{equation}

a tedy

\begin{align*} I_{2n}^1[f] &= \frac{4}{3}\left[\frac{h_n}{2}\left(\frac{f_0}{2} + \sum_{i=1}^{2n-1} f_i + \frac{f_{2n}}{2}\right)\right] - \frac{1}{3}h_n\left(\frac{f_0}{2} + \sum_{k=1}^{n-1} f_{2k} + \frac{f_{2n}}{2}\right) = \\ &= \frac{\left(\frac{h_n}{2}\right)}{3}\left[f_0 + 4f_1 + 2f_2 + \dots + 4f_{2n-1} + f_{2n}\right] , \end{align*}

což je Simpsonovo pravidlo.

Obecně platí

\[ \left. \begin{aligned} I_n^{k-1} &= I + c\,h^{2k} + \mathcal{O}(h^{2k+2}) \\ I_{2n}^{k-1} &= I + c\left(\frac{h}{2}\right)^{2k} + \mathcal{O}(h^{2k+2}) \end{aligned} \right\} \quad \Rightarrow \quad I_{2n}^k = \frac{4^k I_{2n}^{k-1} - I_n^{k-1}}{4^k - 1} = I + \mathcal{O}(h^{2k+2}) . \]

Pro Booleovo pravidlo tak dostáváme

\begin{align*} I_{2n}^2 = \frac{16\,I_{2n}^1 - I_n^1}{15} &= \frac{16}{15}\frac{\left(\frac{h}{2}\right)}{3}\left(f_0 + 4f_1 + 2f_2 + \dots + 2f_{2n-2} + 4f_{2n-1} + f_{2n}\right) \\ &\quad - \frac{1}{15}\frac{h}{3}\left(f_0 + \quad 4f_2 + 2f_4 + \dots + 4f_{2n-2} \quad + \quad f_{2n}\right) = \\ &= \left(\frac{h}{2}\right)\frac{2}{45}\left(7f_0 + 32f_1 + 12f_2 + \underbrace{\dots}_{+\,32f_3 + 14f_4 + 32f_5 + \dots} + 32f_{2n-1} + 7f_{2n}\right) . \end{align*}

Rombergův algoritmus

Richardsonovu extrapolaci lze použít přímo k výpočtu integrálu. Začneme s \(h_1 = b-a\) a počítáme

\[ I_1^0[f] = (b-a)\frac{f_1 + f_0}{2} , \]

a dále

\begin{equation}\label{eq:05:romberg_rekurence} I_{2n}^0[f] = \frac{1}{2}I_n^0[f] + h_{2n}\sum_{k=1}^{n} f(x_{2k-1}) , \end{equation}

kde faktor \(\frac{1}{2}\) plyne z toho, že \(h_{2n} = \frac{h_n}{2}\). Hodnoty \(I_{2n}^k\) pro \(k > 0\) pak dopočítáme pomocí Richardsonovy extrapolace.

Dostáváme tabulku

\[ \begin{array}{lccccccc} \text{počet bodů} & h \diagdown \text{chyba} & \mathcal{O}(h^2) & & \mathcal{O}(h^4) & & \mathcal{O}(h^6) & \cdots \qquad \mathcal{O}(h^{2k+2}) \\[4pt] 2 & b-a & I_1^0 \\[4pt] 2^1+1 = 3 & \dfrac{b-a}{2} & I_2^0 & \to & I_2^1 \\[4pt] 2^2+1 = 5 & \dfrac{b-a}{2^2} & I_4^0 & \to & I_4^1 & \to & I_4^2 & \cdots \\[4pt] & \vdots & \vdots \\[4pt] 2^k+1 & \dfrac{b-a}{2^k} & I_{2^k}^0 & \to & I_{2^k}^1 & \to & I_{2^k}^2 & \to \ \cdot \to \ I_{2^k}^k \end{array} \]

V tabulce navíc vedou šikmé šipky \(\searrow\) vždy z posledního prvku jednoho řádku do dalšího sloupce na řádku pod ním, tj. \(I_1^0 \searrow I_2^1\), \(I_2^1 \searrow I_4^2\) a tak dále. Poslední šipka vedoucí do \(I_{2^k}^k\) odpovídá odstranění chyby \(\mathcal{O}(h^{2k})\).

Poznámka
  1. a) Má-li \(f(x)\) charakteristickou škálu, na které se mění, je vhodné začínat rovnou s \(I_n^0\), kde \(n\) je zvoleno tak, aby \(h_n = \frac{b-a}{n}\) bylo srovnatelné s touto škálou.
  2. b) Schéma funguje až do \(k\)-tého sloupce, má-li funkce \(f(x)\) \(2k-1\) spojitých derivací; jinak je nutné zvyšovat počet bodů.
  3. e) Pokud jsou derivace na kraji nulové či stejné, pak Richardsonova extrapolace selhává, protože se chyba chová jinak; je tedy nutné to hlídat. Například u hladké periodické funkce je integrál přes periodu vhodné aproximovat přímo pomocí \(I_n^0\) a zvětšovat \(n\), neboť chyba klesá rychleji než jakákoli mocnina \(h^m\).
  4. d) Rombergův algoritmus může být vhodnější než Gaussova kvadratura (viz níže), pokud chceme dosáhnout určité přesnosti a dopředu nevíme, kolik bodů \(n\) za tím účelem u Gaussovy kvadratury zvolit, neboť přepočítávání Gaussových \(x_n\), \(w_n\) je časově náročné.

Gaussova kvadratura

Uvažujme nyní integrál s vahou

\begin{equation}\label{eq:05:gauss_integral} I[f(x)] = \int_a^b f(x)\, v(x)\, \mathrm{d}x , \end{equation}

kde váha \(v(x)\) je skoro všude kladná na \(\langle a, b \rangle\), a předpokládejme, že \(I[x^k]\) je konečný pro \(\forall k\).

Tento integrál chceme aproximovat kvadraturním vzorcem

\begin{equation}\label{eq:05:gauss_kvadratura} I[f(x)] \simeq \sum_{j=1}^{n} w_j\, f(x_j) \equiv I_n[f(x)] \end{equation}

tak, aby \(I_n[x^k] = I[x^k] = \mu_k\) pro \(k = 0, \dots, 2n-1\), tj. aby integrál z polynomu do stupně \(2n-1\) byl přesný. Máme \(2n\) podmínek \(I_n[x^k] = \mu_k\) pro \(2n\) neznámých \(x_1, \dots, x_n\); \(w_1, \dots, w_n\), avšak tyto podmínky jsou nelineární.

Ukážeme si však obecně, že pro zvolenou váhu \(v(x)\) musí být \(x_j\) kořeny ortogonálního polynomu \(P_n(x)\) pro tuto váhu \(v(x)\), a pak už stačí jen určit váhy \(w_j\), což je lineární problém. Podle váhy pak například dostáváme Gaussovu–Legendreovu kvadraturu pro \(v(x) = 1\) a podobně pro další váhy.

Odvození

Předpokládejme, že už známe \(x_j\), a zvolme \(w_j\) tak, aby šlo o Newtonův–Cotesův vzorec, tj. aby \(I_n[x^k] = \mu_k\) pro \(k = 0, \dots, n-1\).

Nyní každý polynom \(p(x)\) stupně nejvýše \(2n-1\) lze psát ve tvaru

\begin{equation}\label{eq:05:deleni_polynomu} p(x) = q(x)\, P_n(x) + r(x) , \end{equation}

kde \(P_n(x)\) je ortogonální polynom dané váhy a \(q(x)\) a \(r(x)\) jsou nejvýše stupně \(n-1\).

Pro integrál \(p(x)\) dostaneme

\[ I[p(x)] = \underbrace{I[q(x)\, P_n(x)]}_{= 0} + I[r(x)] = I_n[r(x)] , \]

neboť \(P_n(x)\) je ortogonální na \(\forall\) polynomy stupně \(< n\) a \(I_n\) integruje přesně polynomy stupně \(n-1\). Ale zároveň má být přesné

\[ I[p(x)] = \underbrace{\sum_{k=1}^{n} w_k\, q(x_k)\, P_n(x_k)}_{\text{musí být } 0} + I_n[r(x)] . \]

Označená suma tedy musí být nula pro \(\forall p(x)\), a tedy pro libovolné \(q(x)\), což může být jedině tehdy, pokud \(P_n(x_k) = 0\) pro \(\forall k\). Odtud plyne, že \(x_k\) musí být kořeny \(P_n(x)\).

Poznámka

Váhy lze vyjádřit jako

\[ w_k = \int_a^b \ell_k(x)\, v(x)\, \mathrm{d}x \]

podobně jako u Newtonových–Cotesových vzorců.

Lze ukázat, že váhy \(w_k\) jsou vždy kladné pro \(v(x)\) kladné skoro všude a že integrál konverguje pro dostatečně hladké funkce. Neboť pro \(p(x) = \ell_i(x)^2\) stupně \(2n-2\), kde

\[ \ell_i(x) = \frac{\prod\limits_{i \neq j}(x - x_j)}{\prod\limits_{i \neq j}(x_i - x_j)} , \]

máme

\[ 0 < I[\ell_i(x)^2] = \sum_{k=1}^{n} \ell_i(x_k)^2\, w_k = \sum_{k=1}^{n} \delta_{ik}\, w_k = w_i . \]

Výpočet kořenů \(x_j\) a vah \(w_j\)

Nejčastěji se postupuje pomocí diagonalizace tridiagonální matice

\begin{equation}\label{eq:05:jacobiho_matice} J_n = \begin{pmatrix} \delta_1 & \gamma_2 & & & \\ \gamma_2 & \delta_2 & \ddots & & 0 \\ & & \ddots & \ddots & \\ 0 & & & & \gamma_n \\ & & & \gamma_n & \delta_n \end{pmatrix} , \end{equation}

neboť \(\det(\lambda - J_n)\) splňuje stejné rekurentní vztahy jako \(p_n(x)\):

\[ \det(\lambda - J_n) = \det(\lambda - J_{n-1})(\lambda - \delta_n) - \gamma_n^2 \det(\lambda - J_{n-2}) . \]

Kořeny \(x_j\) jsou tedy též vlastní čísla \(J_n\).

Lze ukázat, že

\[ w_j^{(n)} = \left(v_1^{(j)}\right)^2 , \qquad j = 1, \dots, n , \]

kde \(v_1^{(j)}\) je první prvek \(j\)-tého vlastního vektoru odpovídajícího vlastní hodnotě \(x_j^{(n)}\), pokud je normovaný tak, že

\[ v^{(j)T} v^{(j)} = (p_0, p_0) = \int_a^b v(x)\, \mathrm{d}x = \mu_0 . \]

Chyba Gaussovy kvadratury

Pokud \(f \in C^{2n}\langle a,b \rangle\), pak

\begin{equation}\label{eq:05:chyba_gauss} I[f(x)] - I_n[f(x)] = \frac{f^{(2n)}(\xi)}{(2n)!}\,(p_n, p_n) \end{equation}

pro určité \(\xi \in \langle a,b )\).

Existují i kvadratury, které fixují krajní body (\(a = x_1\), \(b = x_n\)); to jsou Gaussovy–Lobattovy kvadratury.

Základní Gaussovy kvadratury

\(\langle a,b \rangle\)\(w(x)\)
Gaussova–Legendreova kv.\(\langle -1,1 \rangle\)\(1\)
Gaussova–Čebyševova kv.\(\langle -1,1 \rangle\)\(1/\sqrt{1-x^2}\) nebo \(\sqrt{1-x^2}\)
Gaussova–Jacobiho kv.\(\langle -1,1 \rangle\)\((1-x)^\alpha (1+x)^\beta\)
Gaussova–Laguerreova kv.\(\langle 0,\infty \rangle\)\(x^\alpha e^{-x}\)
Gaussova–Hermiteova kv.\(\langle -\infty,\infty \rangle\)\(e^{-x^2}\)

Integrály se singularitami

Postupovat lze buď (pokud víme, kde a jaká singularita je) rozdělením na dva intervaly a použitím vhodné Gaussovy kvadratury se singulární vahou, nebo (je-li například singularita v proměnném bodě) lze občas singularitu odečíst.

Chceme-li například spočítat

\[ Hf(y) = \mathrm{v.p.} \int_{-\infty}^{\infty} \frac{f(x)}{y-x}\, \mathrm{d}x \]

(tzv. Hilbertova transformace) a známe-li \(Hg(y)\) pro vhodnou funkci \(g(x)\), pak pro \(\tilde f(x) = f(x)/g(x)\) platí

\begin{equation}\label{eq:05:hilbert} Hf(y) = \mathrm{v.p.} \int_{-\infty}^{\infty} \frac{\tilde f(x)\, g(x)}{y-x}\, \mathrm{d}x = \int_{-\infty}^{\infty} \frac{\tilde f(x) - \tilde f(y)}{y-x}\, g(x)\, \mathrm{d}x + \tilde f(y)\, Hg(y) , \end{equation}

přičemž podíl \(\dfrac{\tilde f(x) - \tilde f(y)}{y-x}\) už může být hladká funkce.

Poznámky k vícerozměrným integrálům

Vícerozměrné integrály jsou mnohem obtížnější než 1D integrály:

  1. a) hranice může být velmi komplikovaná (nekonvexní apod.);
  2. b) počet vyčíslení funkce může velice rychle narůstat, chceme-li vysokou přesnost (pokud v 1D potřebujeme 10 bodů, tak ve 3D \(10^3\) a obecně \(10^N\)).

Proto je důležité se nejprve zamyslet:

  1. a) Je možné část integrálu spočítat analyticky? Pokud ano, určitě to udělat.
  2. b) Je potřeba vysoká přesnost? Pokud ne, pak je asi nejvhodnější metoda Monte Carlo (viz letní semestr), která je vhodná i pro komplikovanou hranici. Bohužel chyba je řádu \(\dfrac{1}{\sqrt{n}}\), kde \(n\) je počet bodů, ovšem nezávisle na dimenzi.

Pokud je třeba vysoká přesnost, pak buď

  1. a) integruj opakovaně v 1D, nebo
  2. b) použij vícerozměrné Gaussovy kvadratury, je-li to možné.
Příklad (Integrál přes obsah kruhu)

Integrál přes obsah kruhu lze zapsat jako

\begin{equation}\label{eq:05:kruh} I = \int_{-1}^{1} \mathrm{d}x \int_{-\sqrt{1-x^2}}^{\sqrt{1-x^2}} \mathrm{d}y\, f(x,y) , \end{equation}

tj. nejprve integrace přes \(y\) ve „vhodných“ bodech \(x\) s ohledem na vnější integrál.

Interaktivní ukázka · Dvojný integrál přes kruh

Kruh se svislými tětivami, které naznačují integraci přes \(y\) při pevném \(x\): tětivy leží v uzlech vnější kvadratury a body na nich jsou uzly vnitřní kvadratury. Integrál \eqref{eq:05:kruh} se pro zvolenou funkci počítá (Gaussovy–Legendreovy uzly a váhy se dopočítávají Newtonovou metodou z rekurence pro \(P_n\)). Porovnejte Gaussovu kvadraturu s ekvidistantním lichoběžníkovým pravidlem při stejném počtu \(n^2\) vyčíslení a všimněte si, že ani Gauss nekonverguje rychle: vnitřní integrál je úměrný \(\sqrt{1-x^2}\), takže na hranici není hladký. Přesně to je ta „komplikovaná hranice“ z bodu a) výše.

Poznámky k singulárním integrálům

Užitečné bývá použití vhodné substituce, například

\begin{equation}\label{eq:05:substituce} \int_{a}^{b} f(x)\, \mathrm{d}x = \int_{1/b}^{1/a} \frac{1}{t^2}\, f\!\left(\frac{1}{t}\right) \mathrm{d}t , \qquad \text{pro } ab > 0 , \end{equation}

a podobně; viz Numerical Recipes.