梯形法则计算器

梯形法则计算器通过数值方法估算弧长。它对您输入的函数的弧长积分应用复合梯形法则。按照以下步骤，即可在不到一分钟内得到初步估计值。

1. 输入函数。在函数框中输入 f(x)，例如 x^2、sin(x) 或 ln(x+1)。用 ^ 表示幂，并使用 sin、cos、exp、ln 等标准函数名。
2. 输入起点值。设置积分下限 a。例如曲线段从 x = 0 到 x = 1，就输入 0。
3. 输入终点值。设置积分上限 b。计算器要求 b > a。
4. 选择细分数。输入 n，即等距子区间的数量。对于光滑曲线，首次计算用 n = 10 效果不错。
5. 选择梯形方法。在数值积分界面中选择梯形法则，使下方介绍的面板公式真正生效。
6. 点击计算。工具将在 n + 1 个采样点处计算弧长被积函数，应用端点权重，然后显示近似值。
7. 解读结果。显示的数字是 x = a 与 x = b 之间曲线长度的估计值，单位与 x 值的长度单位相同。
8. 提高精度。将 n 翻倍后重新计算。当连续两次估计值几乎不再变化时，结果在实际意义上已经收敛。

每个输入的作用如下：

输入 f(x) = x²、a = 0、b = 1、n = 10，可得到约 1.479 的弧长估计值，接近精确值 1.478943。本指南的其余部分将详细解释计算器到底计算了什么，以及如何评判其答案的质量。

梯形法则是一种数值积分方法。它用被积函数曲线下方的梯形面积代替曲线下方的面积来近似定积分。每个梯形由两个相邻的采样点构成，所有梯形面积之和就是对积分的估计。

名称来源于几何图形。在两个采样点 x_i 与 x_i+1 之间，被积函数 g(x) 被一条直线代替。直线下方的区域是一个梯形：两条平行的竖直边高度分别为 g(x_i) 和 g(x_i+1)，水平宽度为 h = x_i+1 - x_i。

单个梯形的面积为 h/2 · [g(x_i) + g(x_i+1)]。把 n 个梯形的面积全部相加，就得到积分的复合梯形近似。"复合"一词表示区间被分成多个面板，而非单个面板。

该法则属于数值求积方法家族。它因透明直观而受到重视：每一步都有明确的几何意义，唯一的参数是细分数量 n。它的核心思想很简单：越直、越窄的面板越能贴合被积函数，因此 n 越大，估计越准确。

对于弧长，被积函数不是原函数 f(x)，而是弧长被积函数 g(x) = √(1 + (f'(x))²)，它衡量长度沿曲线的累积速率。牢记这一区别，就能避免对该方法最常见的误解。

梯形法则公式有两种形式：单面板版本和实际使用的复合版本。两者都源于同一个梯形几何图形。

单面板公式。用一个梯形覆盖整个区间：

将宽度 (b - a) 乘以两个端点高度的平均值。这恰好就是一个梯形的面积。

复合公式。将 [a, b] 分成 n 个等距子区间，每个宽度为 h = (b - a)/n，采样点为 x₀ = a、x₁ = a + h、...、x_n = b：

每个符号的含义固定如下：

• T_n 是使用 n 个面板的数值近似值。
• h 是子区间宽度，等于 (b - a)/n。
• a 与 b 是积分下限和上限。
• n 是子区间的数量，为正整数。
• x_i 是采样点，间隔为 h。
• g(x_i) 是这些采样点处的被积函数值。

端点取半权重的原因是：每个内部采样点被相邻两个梯形共享，而每个端点只属于一个梯形。从代数上看，相邻的 h/2 · [g(x_i) + g(x_i+1)] 项合并后，内部值按全权重计算，两个外侧端点值按半权重计算。

简短演算示例。用 n = 2 近似 ∫₀¹ x² dx。此时 h = 0.5，x₀ = 0、x₁ = 0.5、x₂ = 1，于是 T₂ = 0.5 · [0/2 + 0.25 + 1/2] = 0.5 · 0.75 = 0.375。精确积分是 1/3 ≈ 0.333，可见这个粗糙的双面板估计值已经在正确的范围内，还有进一步细化的空间。

弧长本质上是积分，因此梯形法则可以直接应用于它。曲线 y = f(x) 在 x = a 到 x = b 的弧长为：

计算器先构造弧长被积函数 g(x) = √(1 + (f'(x))²)，再将其代入复合梯形公式。完整流程如下：

1. 从 y = f(x) 出发。确认函数在 [a, b] 上可微。
2. 求导数 f'(x)。工具在内部对输入的表达式求导。
3. 对导数平方。构造 (f'(x))²。平方去掉了符号信息，因为长度的累积与斜率方向无关。
4. 加 1。被积函数为 1 + (f'(x))²，其值恒不小于 1。
5. 开平方根。得到 g(x)，即长度随 x 的局部累积速率。
6. 划分区间。选定 n，计算 h = (b - a)/n。
7. 计算被积函数值。在各采样点处计算 g(x₀)、...、g(x_n)。
8. 应用复合公式。将这些值按端点半权重组合起来。
9. 解读结果。所得的和即为该曲线段长度的近似值。

导数先平方再放在平方根下，是有几何原因的：根据勾股定理，一段宽度为 dx、高度为 dy 的微小曲线段长度为 √(dx² + dy²) = √(1 + (dy/dx)²) dx。在 [a, b] 上对这个局部长度积分就得到总长度，而梯形法则近似的正是这个积分。

被积函数恒为非负，因为 1 + (f'(x))² 至少为 1。它的最小值是 1，在曲线平坦处取到。斜率越陡，g(x) 越大，这正是陡峭曲线在相同 x 区间上比平缓曲线更长的原因。

这个完整的演算示例展示了梯形法则产生的每一个数字。取 f(x) = x²，区间为 [0, 1]，n = 4。

1. 求导数。 f'(x) = 2x。

2. 构造被积函数。 g(x) = √(1 + (2x)²) = √(1 + 4x²)。

3. 计算步长。 h = (1 - 0)/4 = 0.25。

4. 采样点。 0、0.25、0.5、0.75、1。

5. 被积函数值与权重。

6. 加权求和。 1.000000/2 + 1.118034 + 1.414214 + 1.802776 + 2.236068/2 = 5.953057。

7. 乘以 h。

8. 与精确值比较。精确弧长为 L = √5/2 + asinh(2)/4 ≈ 1.478943。n = 4 时的估计值 1.488264 比它大 0.009321，误差约为 0.63%。用 n = 8 重算可得 1.481272，与精确值的差距已缩小到 0.002330 以内。

注意这个估计值大于精确值。对于这个凸被积函数，直线弦位于曲线上方，所以梯形法则会高估。这种系统性行为是正常的，而且高估的幅度会随着 n 增大而缩小。

细分数 n 与步长 h 由 h = (b - a)/n 联系起来。它们共同决定了被积函数的采样精细程度和估计值的准确度。

n 的含义。它是梯形面板的数量，为正整数。采样点数恒为 n + 1，因为相邻面板共享边界点。

为什么 n = 1 就是单面板法则。当 n = 1 时，h = b - a，T₁ = h/2 · [g(a) + g(b)]。这是该方法最粗糙的形式，精度通常不够。

[0, 1] 上的面板宽度。下表展示 h 随 n 增大而缩小：

更小的面板能更贴合被积函数，因此每个面板内的直线近似偏离真实曲线的幅度更小。这就是增大 n 通常能提高精度的原因。代价是计算量增加：每多一个面板，就多一次函数求值。

细分更多并不保证对每个被积函数都严格更优。非光滑或振荡的被积函数可能表现出不规则的误差行为，而且当 n 非常大时，浮点舍入误差最终会限制精度的提升。不过，对于本指南中这样的光滑曲线，精度的提升是稳定而可预测的。

实用策略是：从 n = 10 或 n = 20 开始，然后不断翻倍，直到在您需要的精度下估计值不再变化。这种收敛性检查比信任任何单一 n 值更可靠。

六个示例覆盖了从精确情形到弧长没有初等闭式表达式的函数。每例都展示导数、被积函数、代入过程和数值结果。

例 1：直线，f(x) = 2x，区间 [0, 3]。导数 f'(x) = 2 为常数，因此被积函数 g(x) = √(1 + 4) = √5 也是常数。单面板结果是精确的，因为被积函数从不弯曲：T₁ = 3 · √5 ≈ 6.708204，与精确长度 3√5 一致。这验证了一个规律：只要被积函数是线性或常数函数，梯形法则就是精确的。

例 2：二次函数，f(x) = x²，区间 [0, 1]，n = 4。导数 f'(x) = 2x，被积函数 g(x) = √(1 + 4x²)；上一节的完整计算给出 L ≈ 1.488264，而精确值为 1.478943。微小的差距源于凸被积函数：画在曲线上方的弦带来了额外的面积。

例 3：更长的二次函数区间，f(x) = x²，区间 [0, 2]，n = 8。这里 h 仍为 0.25，但区间长度翻倍，被积函数也更陡。估计值为 T₈ = 4.656890。高分辨率计算给出 4.646784，因此误差约为 0.010106。延长区间并不只是简单放大答案：被积函数随 x 增长，因此弧长的增长速度超过区间长度的增长。

例 4：正弦曲线，f(x) = sin x，区间 [0, π]。导数为 f'(x) = cos x，得到被积函数 g(x) = √(1 + cos²x)。n = 8 时估计值为 3.820198；n = 16 时仍为 3.820198，六位小数完全不变。该对称被积函数收敛很快，因为其曲率平缓且分布均匀。（角度请用弧度输入；用度数会得到另一条不同的曲线。）

例 5：对数函数，f(x) = ln(x + 1)，区间 [0, 2]，n = 10。导数为 f'(x) = 1/(x + 1)，故 g(x) = √(1 + 1/(x + 1)²)。定义域要求 x > -1，该区间满足条件。估计值为 T₁₀ = 2.304215，而细化计算给出 2.301988，误差约为 0.002227。在 x = 0 附近斜率最陡，因此大部分长度在区间前段就已累积。

例 6：三次函数，f(x) = x³，区间 [0, 1]，n = 10。这里 f'(x) = 3x²，g(x) = √(1 + 9x⁴)。该弧长没有初等原函数，这正是数值积分大显身手的时候。估计值为 T₁₀ = 1.552609，而细化值为 1.547866，误差约为 0.004743。没有数值方法的话，这个长度很难求出。

以上所有结果都直接由复合公式算出，并保留六位小数。用相同的 n 在计算器中重算任意一例，都会得到相同的数字。

收敛是指随着 n 增大，近似值逐渐稳定到真值。下表跟踪 f(x) = x² 在 [0, 1] 上的近似值，其精确长度为 1.478943：

每当 n 翻倍，误差大约缩小为原来的四分之一：从 0.037181 到 0.009321，再到 0.002330、0.000582、0.000146、0.000036。这就是二阶收敛，是光滑被积函数上复合梯形法则的标志。h 减半会把主导误差项缩减到约四分之一。

"与上次的变化"一列就是计算器工作流程推荐的实用收敛检查。当 n 翻倍后答案的变化小于您要求的精度时，估计值就稳定了。对这条曲线来说，n = 16 就已经把长度锁定在与真值相差 0.000582 以内。

复合梯形法则的误差有精确的数学形式。对 [a, b] 上充分光滑的被积函数 g：

其中 ξ 是 [a, b] 中的某个数。符号很重要：当 g'' 为正（凸被积函数）时，误差为负，意味着 T_n 高估了积分。这与 x² 示例一致，那里每个估计值都超过了精确值 1.478943。

将 g''(ξ) 换成它在 [a, b] 上的最大模 M = max|g''(x)|，就得到一个保证成立的误差界：

关键术语。绝对误差是 |I - T_n|，即真值与估计值之间的距离。相对误差是绝对误差除以 |I|。截断误差是用有限和近似积分产生的误差，区别于有限精度运算产生的舍入误差。二阶导数 g'' 衡量被积函数的曲率，而这正是直线面板无法捕捉的。

x² 示例的误差界实例。在 [0, 1] 上，g''(x) = 4/(1 + 4x²)^3/2，在 x = 0 处取最大值 M = 4。误差界给出 |I - T₄| ≤ 4/(12 · 16) = 0.020833。实际误差 0.009321 远在界内。误差界的设计本身就很保守：它给出的是上限，而非精确误差。

两点提醒。第一，g 是弧长被积函数，不是原函数 f；M 描述的是对平方根结构求两次导的结果。第二，对复杂函数计算误差界可能很费力，因为 M 本身可能需要求最大值。在实际应用中，n 翻倍的收敛检查是更有用的工具，而且计算器不会自动显示误差界。

辛普森法则是梯形法则最接近的亲属。两者都把 [a, b] 分成等距子区间，但辛普森法用抛物线拟合三个连续点，而梯形法则只用一条直线连接两点。

在光滑被积函数上，辛普森法的四阶收敛通常更胜一筹：n 翻倍时误差约缩小到十六分之一，而梯形法则只缩小到四分之一。但辛普森法并非普遍更优。对粗糙或不连续的被积函数，两种方法的精度都会下降，额外的精度阶可能无法体现。梯形法则还接受奇数 n，这在快速验证时很方便。

稳妥的工作流程是两者结合：以梯形估计值作为透明的基准，用辛普森法则追求更高精度。当两者在您要求的位数上一致时，可信度很高。当两者不一致时，先增大 n，再采信任何一方。

两种不同的"类梯形"思想很容易混淆。它们对同一条曲线给出不同的数字，因此区分它们很重要。

方法一：对弧长被积函数做梯形积分。这正是计算器所做的。它用被积函数曲线下方的梯形面板对 g(x) = √(1 + (f'(x))²) 积分：

方法二：对原曲线的折线（弦和）近似。用直线段连接曲线本身上的相邻点，再把各段长度相加：

弦和连接的是原曲线上的点 (x_i, f(x_i))。梯形面板近似的则是被积函数 g(x) 下方的面积。尽管两幅图中都出现了直线，面板并不代表原曲线的直线段。

两种方法都会随 n 增大收敛到真实长度，也都是合法的数值工具。本页的计算器实现的是方法一。如果您需要从坐标数据计算弦和，请使用遵循方法二的根据点计算弧长工具。

当简单透明比榨取最后几位精度更重要时，梯形法则就是正确的选择。

• 学习数值积分。每一步都有直观的几何意义，这使它成为微积分课程中的标准入门方法。
• 快速估算曲线长度。对光滑曲线，少量面板往往就能给出两三位正确数字。
• 检验解析解。将手算得到的弧长与独立的数值估计对照。
• 工程与物理建模。缆线、拱形、轨迹的长度估计，这些近似值会输入到更大的计算中。
• 比较数值方法。它是评判辛普森法则和高阶方法的基准。
• 光滑的采样函数。当 f 光滑且 n 可取中等大小时，该方法很可靠。
• 教学验证。其可预测的 O(h²) 行为使收敛检查易于解读。

当被积函数变化剧烈、有拐点或间断点，或需要以低成本获得高精度时，请换用其他方法。对于光滑曲线，辛普森法则通常每个面板能给出更多有效数字。对于参数曲线、极曲线或空间曲线，请使用专门的参数曲线、极曲线或3D 弧长计算器，它们在正确的坐标系中应用了相同的数值思想。

以下是学生作业和咨询问题中最常出现的错误。了解之后，每一条都很容易避免。

1. 输入了错误的积分限。曲线段 [0, 2] 与 [2, 0] 不是同一段曲线。务必确认 a < b，并且积分限与题目一致。
2. 用了错误的函数。例如把 x^2 误写成 x^3，会改变导数和后面所有的计算值。
3. 在弧长公式中忘了导数。弧长积分的是 √(1 + (f')²)，绝不是 f 本身。
4. 直接对 f(x) 用梯形法则求弧长。面板必须位于 g(x) 下方。对 f(x) 积分算出的是有向面积，不是长度。
5. 细分数量太少。对弯曲的被积函数，n = 2 可能偏差几个百分点；x² 示例在 n = 2 时的误差为 2.5%。
6. 细分数为零。n = 0 意味着 h = (b - a)/0，这是未定义的。n 必须是正整数。
7. 输入了非整数细分数。n = 2.5 对面板计数没有意义，应取整为整数。
8. 把 n 与采样点数混淆。n 个面板需要 n + 1 个采样点。n = 4 时有 5 个点，而不是 4 个。
9. 忘了端点半权重。给 g(x₀) 和 g(x_n) 全权重会使估计值偏大 h/2 · (g(x₀) + g(x_n))。
10. 用了错误的步长。h = (b - a)/n，既不是 b - a 也不是 1/n。在 [0, 2] 上取 n = 8 时，h = 0.25。
11. 混用度数与弧度。x 以度数计的 sin(x) 与以弧度计的 sin(x) 是不同的曲线，弧长也相应不同。
12. 忽略函数定义域限制。ln(x + 1) 要求 x > -1。在定义域外求值会得到无意义的结果。
13. 把近似与精确积分混为一谈。T_n 是逼近 L；只有对常数这样的特殊被积函数，两者才相等。
14. 认为面板越多精度一定越高。对光滑被积函数在渐近意义上成立，但在极端情况下舍入误差和非光滑性会打破这一规律。
15. 忽略收敛检查。一个估计值只是猜测；在 n 和 2n 下两个一致的估计值才是证据。
16. 把辛普森法则与梯形法则混淆。辛普森法用 1-4-2-4-...-1 权重且要求 n 为偶数；梯形法则用 1/2-1-...-1-1/2 权重，且任何正整数 n 都可用。
17. 把梯形积分与弦和混淆。被积函数下方的面板不是曲线上的弦；两种方法给出不同的数字。
18. 报告了过多的小数位数。如果误差约为 0.002，写六位小数就夸大了已知精度。应按已验证的精度来取舍。

弧长背后的面板算术，出现在一切需要对光滑量做数值累积的场合。

• 工程曲线长度估计。缆线、悬索曲线、管道弯头的长度，在制造前就由设计函数算出。
• 机械设计。凸轮轮廓和齿轮齿形曲线的周长需要精确估计，以便规划材料。
• 道路与路线几何。道路和铁路的定线曲线沿其中心线测量，这些曲线很少是初等函数。
• 计算机辅助设计。CAD 内核为渲染、刀具路径生成和标注估算曲线长度。
• 物理仿真。粒子轨迹和力线长度由数值模型累积得到。
• 数值建模。任何没有闭式解的积分，从概率密度到信号能量，都可以从梯形面板起步。
• 数学教育。该法则是进入数值分析的标准门户，因为它的误差行为易于演示。
• 曲线测量与验证。不规则曲线的实物测量结果与数值预测相互验证。

对于特殊几何，该方法也能适应：同样的复合公式可积分参数速度 √((x')² + (y')²) 和极坐标被积函数。本页的计算器处理笛卡尔情形；相关工具覆盖其他坐标系。它不能直接处理 CAD 文件或测量数据集，那些需要先化为函数和积分限。

先手算这些习题，再用计算器核对。每个解答都展示了代入过程，方便您找到自己的计算失误。

习题 1。用 n = 1 的梯形法则近似 ∫₀² 3 dx，并说明结果是否精确。
解： h = 2，T₁ = 2/2 · [3 + 3] = 6。被积函数是常数，所以单个梯形与矩形完全重合。精确积分也是 6，因此结果是精确的。

习题 2。用 n = 1 的梯形法则求 f(x) = x 在 [0, 1] 上的弧长。
解： f'(x) = 1，所以 g(x) = √2 为常数。T₁ = 1 · √2 ≈ 1.414214，由于被积函数是常数，结果是精确的。几何上这就是单位正方形的对角线。

习题 3。用 n = 2 近似 f(x) = x² 在 [0, 1] 上的弧长。
解： h = 0.5；g(0) = 1、g(0.5) = 1.414214、g(1) = 2.236068。T₂ = 0.5 · [1/2 + 1.414214 + 2.236068/2] = 0.5 · 3.032249 = 1.516124。精确值为 1.478943，因此误差为 0.037181。

习题 4。用 n = 4 近似 f(x) = sin x 在 [0, π] 上的弧长。
解： g(x) = √(1 + cos²x)，h = π/4。在 0、π/4、π/2、3π/4、π 处求值并应用权重，得到 T₄ ≈ 3.819944。n = 8 时值为 3.820198，因此 n = 4 的结果与收敛值已相差不到 0.000254。

习题 5。计算 a = 2、b = 5、n = 6 时的步长。
解： h = (5 - 2)/6 = 3/6 = 0.5。采样点为 2、2.5、3、3.5、4、4.5、5：六个面板对应七个点。

习题 6。n = 10 时有多少个采样点？它们的权重各是多少？
解：共有 n + 1 = 11 个采样点。端点 x₀ 和 x₁₀ 的权重为 1/2；内部的九个点 x₁ 到 x₉ 的权重为 1。

习题 7。对 f(x) = x² 在 [0, 1] 上比较 T₂ 和 T₄，并给出变化量。
解： T₂ = 1.516124，T₄ = 1.488264，变化量为 0.027860。精确值为 1.478943，因此 n 翻倍使误差从 0.037181 降到 0.009321，约为四分之一，与二阶收敛的预测一致。

习题 8。已知 f(x) = x² 在 [0, 1] 上 T₈ = 1.481272，以精确值 1.478943 为基准报告绝对误差和相对误差。
解：绝对误差 = |1.481272 - 1.478943| = 0.002330。相对误差 = 0.002330 / 1.478943 ≈ 0.001576，约 0.16%。这里估计值和误差都应保留三位小数；1.481272 中的多余位数尚不可靠。