{
  "id": "chebyshev-quadrature",
  "title": "切比雪夫求积",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "切比雪夫求积指等权数值积分公式，也常指与切比雪夫多项式相关的高斯求积。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "切比雪夫求积法",
    "切比雪夫数值积分"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/chebyshev-quadrature/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/chebyshev-quadrature/",
      "json": "https://aiwiki.page/en/chebyshev-quadrature.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "切比雪夫求积是数值分析中的一个术语，指用等权函数值近似积分的求积公式。另一种相关但不同的用法是指高斯–切比雪夫求积，即针对与切比雪夫多项式相关的特定权函数的高斯积分公式。对于第一类切比雪夫权函数，这两种含义有所重合，因为其高斯求积公式具有相等的权重；但一般而言，两者不能互换。"
    },
    {
      "heading": "等权求积",
      "text": "设 \\(\\mu\\) 是区间 \\([a,b]\\) 上的正测度，总质量有限，且\n\n\\[M=\\int_a^b d\\mu(x)>0.\\]\n\n具有 \\(n\\) 个节点的等权求积公式形如\n\n\\[\\int_a^b f(x)\\,d\\mu(x) \\approx \\frac{M}{n}\\sum_{j=1}^{n}f(x_j), \\qquad x_j\\in[a,b].\\]\n\n点 \\(x_j\\) 称为节点。一般求积公式允许每个节点具有各自的权重，而这一公式将所有权重都固定为 \\(M/n\\)。选择节点的目的是使公式对某一指定函数类精确成立，通常这一函数类是多项式。\n\n如果一个公式能精确积分所有次数不超过 \\(m\\) 的多项式，但对至少一个次数为 \\(m+1\\) 的多项式不能精确积分，就称它具有 \\(m\\) 次代数精度。有些存在性结果则只说明其代数精度至少为 \\(m\\)。\n\n权重相等并不意味着节点等距。相等的是乘在函数值前的系数，而不是采样点之间的距离。\n\n矩条件\n\n对所有次数不超过 \\(m\\) 的多项式精确成立，等价于\n\n\\[\\frac{1}{n}\\sum_{j=1}^{n}x_j^k = \\frac{1}{M}\\int_a^b x^k\\,d\\mu(x), \\qquad k=0,1,\\ldots,m.\\]\n\n其中 \\(k=0\\) 对应的等式自动成立。其余等式要求节点上的离散分布与归一化测度具有相同的前 \\(m\\) 阶矩。\n\n对于 \\([-1,1]\\) 上的普通积分，这些条件变为\n\n\\[\\frac{1}{n}\\sum_{j=1}^{n}x_j^k = \\begin{cases} 0, & k\\text{ odd},\\\\[2mm] \\dfrac{1}{k+1}, & k\\text{ even}. \\end{cases}\\]\n\n这些条件构成关于节点坐标的非线性方程组，而非线性方程组，尽管每个条件都以幂之和的形式表达。对称的节点集会自动满足所有奇数阶矩方程。\n\n例如，\n\n\\[\\int_{-1}^{1}f(x)\\,dx \\approx f\\!\\left(-\\frac{1}{\\sqrt3}\\right) + f\\!\\left(\\frac{1}{\\sqrt3}\\right)\\]\n\n是一个代数精度为 \\(3\\) 的等权公式。它同时也是两节点高斯–勒让德公式。"
    },
    {
      "heading": "与高斯求积的关系",
      "text": "一般的 \\(n\\) 节点求积公式形如\n\n\\[Q_n(f)=\\sum_{j=1}^{n}w_jf(x_j).\\]\n\n对于支集足够丰富且各阶矩有限的正测度，高斯求积通过同时选择节点和权重，达到 \\(2n-1\\) 次代数精度。其节点是相应正交多项式族中 \\(n\\) 次多项式的零点。\n\n等权求积施加了额外的约束：\n\n\\[w_1=\\cdots=w_n=\\frac{M}{n}.\\]\n\n因此，在节点数相同的情况下，它通常无法达到高斯求积的代数精度。寻找这样的公式就变成了一个关于存在性和节点配置的问题，而不只是计算通常的高斯节点。\n\n多项式代数精度的上界可以直接理解。对于任意 \\(n\\) 个互异节点，定义\n\n\\[p(x)=\\prod_{j=1}^{n}(x-x_j)^2.\\]\n\n该多项式的次数为 \\(2n\\)，处处非负，且在每个节点处都为零。因此 \\(Q_n(p)=0\\)，但只要测度并非集中在这些节点上，它的积分就为正。在这种情况下，任何这样的公式都不可能对所有 \\(2n\\) 次多项式精确成立。\n\n因此，等权求积文献中的一个核心问题是：对于给定测度和目标代数精度 \\(m\\)，需要多少个节点？答案在很大程度上取决于测度。此外，不同表述对于是否允许节点重复也有不同规定。"
    },
    {
      "heading": "第一类高斯–切比雪夫求积",
      "text": "最常见的显式切比雪夫求积公式针对的是\n\n\\[I(f)=\\int_{-1}^{1}\\frac{f(x)}{\\sqrt{1-x^2}}\\,dx.\\]\n\n其权函数为\n\n\\[w(x)=\\frac{1}{\\sqrt{1-x^2}}.\\]\n\n第一类切比雪夫多项式满足\n\n\\[T_n(\\cos\\theta)=\\cos(n\\theta).\\]\n\n它们的零点给出求积节点：\n\n\\[x_j=\\cos\\left(\\frac{(2j-1)\\pi}{2n}\\right), \\qquad j=1,\\ldots,n.\\]\n\n所有求积权重均相等：\n\n\\[\\boxed{ \\int_{-1}^{1}\\frac{f(x)}{\\sqrt{1-x^2}}\\,dx \\approx \\frac{\\pi}{n}\\sum_{j=1}^{n} f\\!\\left(\\cos\\frac{(2j-1)\\pi}{2n}\\right) }.\\]\n\n这一公式对每个次数不超过 \\(2n-1\\) 的多项式 \\(f\\) 都精确成立。因此，它既是高斯公式，也是等权公式。\n\n角度解释\n\n作代换 \\(x=\\cos\\theta\\)，得到\n\n\\[I(f)=\\int_0^\\pi f(\\cos\\theta)\\,d\\theta.\\]\n\n角度节点\n\n\\[\\theta_j=\\frac{(2j-1)\\pi}{2n}\\]\n\n是将 \\([0,\\pi]\\) 等分为 \\(n\\) 个子区间后各子区间的中点。因此，该公式是角变量上的中点公式，尽管它的 \\(x\\) 节点并不等距，而是在 \\(-1\\) 和 \\(1\\) 附近较为密集。\n\n多项式精确性也可以通过切比雪夫多项式的余弦表示来理解。对于次数不超过 \\(2n-1\\) 的切比雪夫多项式，等角度求和能够精确再现其加权积分。\n\n误差公式\n\n如果 \\(f\\) 在 \\([-1,1]\\) 上具有连续的 \\(2n\\) 阶导数，那么存在某个 \\(\\xi\\in(-1,1)\\)，使得\n\n\\[I(f)-Q_n(f) = \\frac{\\pi}{2^{2n-1}(2n)!}\\, f^{(2n)}(\\xi).\\]\n\n这里 \\((2n)!\\) 表示阶乘。\n\n这是一个理论余项公式，通常不是可以直接计算的误差估计，因为点 \\(\\xi\\) 未知。对于光滑函数，收敛可能很快；对于正则性有限或存在其他奇异性的函数，收敛可能慢得多。"
    },
    {
      "heading": "第二类高斯–切比雪夫求积",
      "text": "一种相关的高斯公式采用权函数\n\n\\[w(x)=\\sqrt{1-x^2}.\\]\n\n其节点是第二类切比雪夫多项式 \\(U_n\\) 的零点：\n\n\\[x_j=\\cos\\left(\\frac{j\\pi}{n+1}\\right), \\qquad j=1,\\ldots,n.\\]\n\n公式为\n\n\\[\\int_{-1}^{1}f(x)\\sqrt{1-x^2}\\,dx \\approx \\frac{\\pi}{n+1} \\sum_{j=1}^{n} \\sin^2\\left(\\frac{j\\pi}{n+1}\\right) f\\!\\left(\\cos\\frac{j\\pi}{n+1}\\right).\\]\n\n它同样具有 \\(2n-1\\) 次代数精度，但权重通常不相等。因此，名为“高斯–切比雪夫求积”的公式，不一定是严格等权意义下的切比雪夫求积。"
    },
    {
      "heading": "解释与应用",
      "text": "如果将 \\(\\mu\\) 归一化为概率分布，等权求积公式就是用算术平均值近似期望值：\n\n\\[\\mathbb E[f(X)] \\approx \\frac{1}{n}\\sum_{j=1}^{n}f(x_j).\\]\n\n与普通的蒙特卡洛积分不同，其节点是为满足精确性条件而以确定性方式选取的，并非通过独立随机抽样生成。\n\n当积分本身就包含端点处的平方根倒数权函数时，第一类高斯–切比雪夫求积尤其方便。由于节点和权重都有显式公式，它也适用于涉及切比雪夫展开和逼近论的计算。\n\n不过，权函数必须与问题相匹配。直接对 \\(f\\) 使用第一类公式，并不能近似无权积分 \\(\\int_{-1}^{1}f(x)\\,dx\\)。尽管该积分可以改写为\n\n\\[\\int_{-1}^{1}f(x)\\,dx = \\int_{-1}^{1} \\frac{f(x)\\sqrt{1-x^2}}{\\sqrt{1-x^2}}\\,dx,\\]\n\n变换后的分子却可能失去端点处的光滑性。因此，加权公式具有很高的代数精度，并不自动意味着它对无权积分也能取得同样良好的效果。"
    }
  ],
  "links": [
    "numerical-analysis",
    "integral",
    "polynomial",
    "system-of-linear-equations",
    "orthogonal-polynomials",
    "chebyshev-polynomials",
    "factorial",
    "probability-distribution",
    "expected-value",
    "monte-carlo-method"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}