梯形法則計算機

以梯形法則近似定積分，可輸入函數或資料點。附梯形示意、誤差估計、Richardson 外插、收斂分析與逐塊面積拆解。

免費使用無需註冊即時出結果

梯形法則計算機立即免費試用 ▼

梯形法則計算機

梯形法則計算機是一種專業的數值積分工具，它通過將曲線下的面積劃分為多個梯形來近似計算定積分。與使用平頂矩形的簡單 Riemann 和不同，梯形法則使用直線連接相鄰的函數值，從而捕捉曲線的斜率，產生更準確的結果。此計算機支援函數輸入和原始數據點模式，是微積分學生和處理實驗數據的工程師的理想工具。

主要功能

⏢

互動式視覺化

查看繪製在曲線下的每個梯形。懸停以突出顯示單個梯形並查看其面積。使用滑動條或動畫觀察隨著細分數量增加準確度如何提高。

📊

雙輸入模式

輸入帶有範圍和子區間的函數 f(x)，或粘貼間距不均勻的原始數據點。非常適合理論微積分和實驗數據分析。

⚡

誤差估計

使用公式 $ |E_T| \leq \frac{(b-a)^3}{12n^2} \max|f''(x)| $ 自動計算誤差限。在增加 n 之前準確了解您的近似值有多精確。

✦

Richardson 外推法

結合 T(n) 和 T(2n) 以消除主要誤差項，達到 O(h⁴) 的準確度。公式 R = (4T(2n) − T(n))/3 等同於 Simpson 法則。

如何使用梯形法則計算機

選擇您的輸入模式 — 選擇「函數 f(x)」以輸入帶有積分範圍的數學表達式，或選擇「數據點」以直接輸入來自實驗或表格的 x 和 y 值。
輸入您的數值 — 對於函數模式：輸入 f(x)，設置下限 (a) 和上限 (b)，並選擇子區間數量 (n)。對於數據模式：輸入以逗號分隔的 x 和 y 值。
點擊計算 — 工具將使用完整的 MathJax 逐步解法計算梯形近似值。
探索結果 — 與梯形視覺化進行交互（懸停查看逐個梯形面積），查看誤差限、Richardson 外推法和收斂性分析表。

梯形法則詳解

複合梯形法則將 [a, b] 劃分為 n 個相等的子區間，並將積分近似為：

$$T_n = \frac{\Delta x}{2} \left[ f(x_0) + 2f(x_1) + 2f(x_2) + \cdots + 2f(x_{n-1}) + f(x_n) \right]$$

其中 $ \Delta x = \frac{b - a}{n} $ 且 $ x_i = a + i \cdot \Delta x $。每個子區間貢獻一個梯形，其面積為 $ \frac{\Delta x}{2}[f(x_i) + f(x_{i+1})] $。

誤差分析

屬性	數值	意義
誤差階數	$ O(h^2) $	將 n 加倍可使誤差減少約 4 倍
誤差限	$ \frac{(b-a)^3}{12n^2} \max\|f''\| $	取決於 f 的曲率
適用於	線性函數	f''(x) = 0，因此誤差限 = 0
Richardson	外推後為 $ O(h^4) $	等同於 Simpson 法則的準確度

何時使用梯形法則

間距不均勻的數據 — 與 Simpson 法則不同，梯形法則可以自然地處理非均勻的點間距，非常適合實驗數據。
子區間數量為奇數 — Simpson 法則要求 n 為偶數，但梯形法則適用於任何 n ≥ 1。
快速估算 — 與 Simpson 法則相比，該公式的手算更簡單，且誤差易於理解。
工程與物理 — 通常用於整合離散傳感器數據、速度剖面、力-位移曲線和熱力學循環。
微積分教育 — 彌合基礎 Riemann 和與 Simpson 法則等更高級方法之間的差距。

支援的函數

此計算機支援廣泛的數學函數：

多項式：x^2, x^3 + 2x - 1
三角函數：sin(x), cos(x), tan(x)
指數/對數：exp(x), ln(x), log(x)
根號：sqrt(x)
常數：pi, e
複合組合：sin(x)*exp(-x), x^2/(1+x^2)

常見問題

什麼是梯形法則？

梯形法則是逐項數值積分方法，它通過將曲線下的面積劃分為梯形而不是矩形來近似計算積分。每個梯形用直線連接子區間端點處的函數值，比簡單的左或右 Riemann 和能提供更好的近似效果。

梯形法則的準確度如何？

複合梯形法則的誤差階數為 O(h²)，其中 h 是子區間寬度。誤差限為 (b−a)³/(12n²) × max|f''(x)|。將 n 加倍可將誤差減少約 4 倍。對於線性函數，梯形法則會給出精確結果。

什麼是 Richardson 外推法？

Richardson 外推法結合了兩個梯形估計值 T(n) 和 T(2n) 以消除主要誤差項。公式 R = (4×T(2n) − T(n))/3 產生的結果等同於 Simpson 法則，從 O(h²) 的估計值中獲得 O(h⁴) 的準確度。

我可以在間距不均勻的數據上使用梯形法則嗎？

可以。與許多需要等間距的數值方法不同，梯形法則可以自然地處理間距不均勻的數據點。只需對每對相鄰點應用公式，並使用其實際間距即可。此計算機支援均勻函數輸入和非均勻數據點輸入。

何時應該使用梯形法則而不是 Simpson 法則？

當您擁有間距不均勻的數據點、子區間數量為奇數、需要簡單且穩健的方法，或者函數在高階導數中存在不連續性時，請使用梯形法則。對於具有偶數 n 的光滑函數，Simpson 法則更準確，但梯形法則更具通用性。

引用此內容、頁面或工具為：

"梯形法則計算機" 於 https://MiniWebtool.com/zh-tw/梯形法則計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 團隊製作。更新日期：2026-04-05

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

梯形法則計算機

梯形法則計算機

主要功能

如何使用梯形法則計算機

梯形法則詳解

誤差分析

何時使用梯形法則

支援的函數

常見問題

微積分:

熱門與最新工具:

升級 Pro，一個 ZIP 下載全部檔案

屬性	數值	意義
誤差階數	\( O(h^2) \)	將 n 加倍可使誤差減少約 4 倍
誤差限	\( \frac{(b-a)^3}{12n^2} \max\|f''\| \)	取決於 f 的曲率
適用於	線性函數	f''(x) = 0，因此誤差限 = 0
Richardson	外推後為 \( O(h^4) \)	等同於 Simpson 法則的準確度