mirror of
https://github.com/janishutz/eth-summaries.git
synced 2025-11-25 02:24:23 +00:00
18 lines
1.1 KiB
TeX
18 lines
1.1 KiB
TeX
\newsection
|
|
\subsection{Adaptive Quadratur}
|
|
Der lokale Fehler einer zusammengesetzten Quadraturformel auf dem Gitter $\mathcal{M} := \{ a = x_0 < x_1 < \dots < x_m = b \}$ ist (für $f \in C^2([a, b])$):
|
|
\begin{align*}
|
|
\left| \int_{x_k}^{x_{k + 1}} f(t) \dx t - \frac{f(x_k) + f(x_{k + 1})}{2}(x_{k + 1} - x_k) \right| \leq (x_{k + 1} - x_k)^3 ||f''||_{L^\infty([x_k, x_{k + 1}])}
|
|
\end{align*}
|
|
Also ist es nur sinnvoll, das Gitter zu verfeinern wo $|f''|$ gross ist.
|
|
|
|
Auf Seiten 150 - 151 im Skript findet sich Code, um eine adaptive Quadratur durchzuführen.
|
|
|
|
\setLabelNumber{all}{3}
|
|
\fancyremark{Adaptive Quadratur in Python} Mit \texttt{scipy.integrate.quad} können wir einfach eine adaptive Quadratur durchführen und benutzt \texttt{QUADPACK}.
|
|
Mit \texttt{scipy.integrate.quadrature} können wir die Gauss-Quadratur verwenden.
|
|
|
|
Für $x \in \R^d$, also eine mehrdimensionale Funktion der Dimension $d$ können wir \texttt{scipy.integrate.nquad} verwenden. Mehr dazu im nächsten Kapitel
|
|
|
|
% TODO: Possibly explain the graphs and / or add code for computation using scipy
|