Równoległe Sumy Riemanna: Od Prostokątów do Metody Simpsona

Pole pod krzywą, dzielone na prostokąty

Całka zdefiniowana jako granica sumy cienkich prostokątów – suma Riemanna – gdy szerokość prostokąta dąży do zera. Podziel [a,b] na n równych paskach o szerokości Δx = (b-a)/n, wybierz punkt próbny w każdym pasku i dodaj pole razy wysokość:

∫ f(x) dx ≈ Σ f(xi) · Δx dla i = 0 .. n-1 reguła lewa: xi = a + i·Δx (próbkowanie na brzegu lewym) reguła prawa: xi = a + (i+1)·Δx (próbkowanie na brzegu prawym) reguła punkt środkowego: xi = a + (i+0.5)·Δx (próbkowanie w środku paska live demo · prostokąty przybliżające pole pod krzywą● LIVE Bernhard Riemann zformalizował tę konstrukcję w 1854 roku, aby dokładnie określić, które funkcje można integrować w ogóle – istnieje całka Riemanna, gdyby suma zbiegała się do tej samej wartości niezależnie od wyboru punktu próbnego w każdym pasku, gdy paski stają się dowolnie cienkie. To pytanie o istnienie okazało się subtelne (niektóre funkcje ograniczone nie są całkowny Riemanna, co jest częścią tego, dlaczego Lebesgue później zbudował bardziej ogólną teorię, ale dla każdej funkcji ciągłej na zamkniętym przedziale – prawie każda funkcja, którą będziesz symulować – suma Riemanna zbiega się czysto i jest dokładnie tym, co komputer aproksymuje, gdy nie może ocenić całki symbolicznie.

∫ f(x) dx  ≈  Σ f(xi) · Δx      for i = 0 .. n-1

left rule:     xi = a + i·Δx                (sample at left edge)
right rule:    xi = a + (i+1)·Δx            (sample at right edge)
midpoint rule: xi = a + (i+0.5)·Δx          (sample at strip centre)

Lewo, prawo i dlaczego oba są obciążone błędem

Dla funkcji rosnącej monotonicznie i wypukłej, reguła lewa systematycznie zawyża rzeczywistą powierzchnię (każde prostokąt znajduje się poniżej krzywej po lewej stronie), a reguła prawa systematycznie ją zaniża. Obie wartości błędu mają ten sam znak co nachylenie funkcji, a uśrednianie sum lewej i prawej dokładnie wyzerowuje człon pierwszego rzędu błędu – co jest ściśle równoważne trapezowi, geometrycznie równoważnemu zastąpieniu każdego prostokąta trapezem łączącym f(xi) z f(xi+1) linią prostą zamiast płaskim dnem.

trapezoid:  ∫ f dx ≈ Δx · [ f(x0)/2 + f(x1) + f(x2) + ... + f(xn-1) + f(xn)/2 ]

Środek: to samo rzędy, połowa stałej

Zasada środkowa również eliminuje pierwszy rzędowy błąd, z innego powodu: próbkowanie w centrum każdej taśm powoduje, że nachylenie krzywej przekracza na pół taśmy i prawie dokładnie niedoszacowuje na pozostałej połowie. Zarówno trapezoidalna, jak i zasada środkowa mają błędy, które zmniejszają się wraz z O(Δx²) — czterokrotny mniejszy błąd oznacza cztery razy mniej taśm — w porównaniu do O(Δx) dla naiwnej metody lewej lub prawej.

Zauważalnie, stała błędna zasady środkowej wynosi około połowę wartości stałej reguły trapezowej i ma przeciwny znak, co jest powodem, dla którego ich spójne połączenie działa jeszcze lepiej.

Zasada Simpsona: dopasowywanie paraboli zamiast linii prostej

Zasada Simpsona wykorzystuje tę kombinację wprost: dwukrotnie obciąża średnią z metody punktów środkowych, w porównaniu z zasadą trapezoidalną (2·punkt_środek + trapezoid, podzielone przez 3), co jest identyczne obliczeniowo z dopasowywaniem paraboli przez każdy parzysty zestaw sąsiednich pasm zamiast linii prostej. Wynik zbiega się do O(Δx⁴) – czterokrotne zwiększenie liczby pasm zmniejsza błąd o czynnik 256 – i integruje dokładnie dowolnego wielomianu stopnia trzeciego, bez żadnych błędów, co stanowi imponującą dokładność dla tak taniej formuły.

Simpson's rule (n even):
∫ f dx ≈ (Δx/3) · [ f(x0) + 4f(x1) + 2f(x2) + 4f(x3) + ... + 4f(xn-1) + f(xn) ]
                     coefficients alternate 4, 2, 4, 2, ..., 4, with endpoints weight 1

Wybór reguły w praktyce

Dla funkcji o gładkiej krzywej, metoda Simpsona osiąga daną dokładność z dramatycznie mniejszą liczbą obliczeń niż metody środkowych lub trapezoidalne, co ma znaczenie, gdy każde obliczanie jest kosztowne (rozwiązanie fizyczne, oszacowanie Monte Carlo, pomiar rzeczywisty). Dla funkcji z charakterystycznym zakrętem lub przerwą wewnątrz przedziału, wyższe metody stracą na przewadze – żadna z tych metod nie zna się na zakręcie, a standardowe rozwiązanie polega na podziale przedziału w miejscu przerwy i zintegrowaniu każdej części oddzielnie. W przypadku naprawdę szorstkich lub o wysokiej wymiarowości funkcjonałów, żaden z ustalonych reguł siatki tutaj nie jest konkurencyjny dla integracji Monte Carlo, której błąd maleje jak O(1/√N) niezależnie od wymiaru – wolniej na pojedynczym punkcie w 1D, ale jedyną praktyczną opcją staje się ona, gdy liczba wymiarów rośnie do kiludziesiątek.

Frequently asked questions

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Riemann Integral i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.