1. 预备理论

根据Newton-Leibniz公式有 \(\int_a^x f(t)dt = F(x)-F(a)\)，但是绝大部分情况很难解析求解，需要数值积分。例如中点公式 \[ \int_a^b f(x)dx \approx f(\frac{a+b}{2})(b-a) \] 若 \(f(x)\in C^2[a,b]\)，则中点公式截断误差为 \[ \int_a^b f(x)dx - f(\frac{a+b}{2})(b-a) = \frac{(b-a)^2}{24} f''(\xi), \quad \xi\in(a,b) \]

2. 插值型求积公式

顾名思义，就是先插值再求积分。方法为给定求积节点 \(x_k,k=0,1,...,n\) 和求积系数 \(A_k,k=0,1,...,n\)，插值型求积公式表示为 \[ \int_a^b f(x)dx \approx \sum_{k=0}^n A_k f(x_k) \] 根据多项式插值中的理论，余项可表示为 \[ E_n(f) = \frac{1}{(n+1)!}\int_a^b f^{(n+1)}(\xi(x)) w_{n+1}(x) dx \] 当 \(f(x)\in{\mathcal P}_n\) 时都有 \(E_n(f)=0\)。由此可以定义代数精度，如果对所有 \(p\in{\mathcal P}_m\) 有 \(E_n(p)=0\)，而对某个 \(q\in{\mathcal P}_{m+1}\) 有 \(E_n(q)\ne 0\)，称求积公式具有 \(m\) 次代数精度。

插值型求积公式主要分为两类：Newton-Cotes求积公式和Gauss型求积公式。前者等距选取插值节点，后者则未必。

2.1 Newton-Cotes求积公式

方法是将区间 \([a,b]\) \(n\) 等分，得到 \(h = \frac{b-a}{n},x_k=a+kh,k=0,...,n\)，再利用Lagrange插值公式 \(l_k(x)\)，得到 \[ \int_a^b f(x)dx = (b-a)\sum_{k} \frac{f(x_k)}{b-a}\int_a^b l_k(x)dx = (b-a)\sum_k C_k^{(n)} f(x_k) \] 其中 \(C_k^{(n)}=\frac{1}{b-a}\int_a^b \prod_{j\ne k}\frac{x-x_j}{x_k-x_j}dx = \frac{1}{n}\int_a^b \prod_{j\ne k}\frac{t-j}{k-j}dx\) 称为 Cotes 求积系数，不仅与被积函数无关，与求积区间也无关。

该方法有如下性质：

• \(\sum_{k=0}^n C_k^{(n)} = 1\)（取 \(f\equiv1\) 即可得证）；
• \(E_n(f) = \frac{1}{(n+1)!}\int_a^b f^{(n+1)}(\xi(x)) w_{n+1}(x) dx\)；
• 当 \(n\) 为偶数时，代数精度为 \(n+1\)；当 \(n\) 为奇数时，代数精度为 \(n\)。（直观理解是因为奇次多项式的奇对称性积分后恰好为 0）

下面是 \(n\) 取不同数值的特例。

\(n=1\) 时为梯形公式，代数精度为 \(1\)： \[ \begin{align} &\int_a^b f(x)dx \approx \frac{b-a}{2}[f(a)+f(b)] \\ &E_1(f) = -\frac{(b-a)^3}{12} f''(\xi), \xi\in[a,b] \end{align} \] \(n = 2\) 时为 Simpson 公式，代数精度为 \(3\)： \[ \begin{align} &\int_a^b f(x)dx \approx \frac{b-a}{6}[f(a)+4f(\frac{a+b}{2})+f(b)] \\ &E_1(f) = -\frac{(b-a)^5}{2880} f^{(4)}(\xi), \xi\in[a,b] \end{align} \]

2.2 Gauss型求积公式

求积公式也表示为 \[ \int_a^b f(x)dx \approx \sum_{k=0}^n A_k f(x_k) \] 但与Newton-Cotes方法不同的是求积节点并非等距选取，而是将参数待定，解出使代数精度最高的参数 \(A_k\) 和 \(x_k\)。共有 \(2n+2\) 个参数待定，分别取 \(f(x)=1,x,x^2,...,x^{2n+1}\) 列方程组，因此代数精度最高可以达到 \(2n+1\)。

从理论上也可以证明代数精度至多为 \(2n+1\)。

证明：取 \(f(x)=\prod_{k=0}^n(x-x_k)^2\)，那么上面等式左边一定有 \(\int_a^b f(x)dx > 0\)，但是等式右边有 \(\sum_{k} A_k f(x_k)=0\)，显然不相等。证毕。

除此之外，Gauss型求积公式还可以拓展到带权积分的情况，也即 \[ \int_a^b \rho(x)f(x)dx = \sum_{k=0}^n A_k f(x_k) + \frac{1}{(n+1)!}\int_a^b f^{(n+1)}(\xi(x)) w_{n+1}(x) dx \] 关键问题是如何求解 \(A_k,x_k\) 呢？

由于代数精度为 \(2n+1\)，对 \(\forall f\in{\mathcal P}_{2n+1}\)，截断误差应满足 \(\frac{1}{(n+1)!}\int_a^b f^{(n+1)}(\xi(x)) w_{n+1}(x) dx=0\)。又由于 \(f^{(n+1)}\in{\mathcal P}_n\)，那么只需要取 \(w_{n+1}(x)\) 为 \(n+1\) 阶正交多项式（权函数为 \(\rho\)）即可满足该条件。因此Gauss型求积公式的求解方法为：

1. 权函数为 \(\rho\)，求 \(n+1\) 阶正交多项式；
2. 求 \(n+1\) 个根 \(x_k\)（在逼近一章中已经证明了一定存在 \(n+1\) 个不同的根）；
3. 取 \(f(x)=1,x,...,x^n\) 列线性方程组求 \(A_k\)。

Gauss型求积公式有如下性质：

• \(A_k > 0,k=0,1,...,n\)（取 \(f(x)=l_i(x)\) 即可证明）；
• \(\sum_{k=0}^n A_k = \int_a^b \rho(x)dx\)（取 \(f\equiv\) 即可证明）；
• 余项 \(E_n(f) = \frac{1}{(2n+2)!}f^{(2n+2)}(\eta)\int_a^b \rho(x) [w_{n+1}(x)]^2 dx\)。

3. 数值微分

数值微分和数值积分类似，也有插值型微分公式，即先进性多项式插值，再求导数值。

还可以利用Richardson外推公式提高精度。