定积分的近似值：梯形法则
同学们大家好！欢迎来到这份关于微积分中最实用工具之一的复习笔记。您有没有想过工程师如何估计一个形状不规则的水库储水量，或者程序员怎样让电脑计算复杂图形的面积？有时，使用积分来找到精确答案是极为困难甚至不可能的！
这就是近似法派上用场的时候了。在本章中，我们将学习一种强大又直观的方法，称为梯形法则。这是一个非常有效的方法，能在不需要找出棘手的原函数（anti-derivative）的情况下，为定积分提供极佳的估计值。
您会学到：
- 面积近似法的基本概念。
- 如何使用梯形法则的公式（其公式比您想象的更为简单）。
- 一个巧妙的技巧，利用二阶导函数判断您的估计值是过高还是过低。
如果一开始听起来有点复杂，无需担心。我们会一步步用简单例子拆解它。现在开始学习！
为什么我们需要近似法？
快速复习：什么是定积分？
还记得吗？一个定积分，例如 $$ \int_a^b f(x) \,dx $$，代表了函数 f(x) 在 x = a 到 x = b 之间曲线下的精确面积。
要找出这个精确面积，我们通常需要：
- 找出 f(x) 的原函数。
- 使用微积分基本定理。
那么，问题在哪里？
有时候，我们会遇到瓶颈。例如：
- 函数可能太复杂而难以积分。（例如，尝试积分 $$ e^{-x^2} $$ 这是一道经典的难题！）
- 我们甚至可能没有一个函数！有时，我们只有来自实验或调查的一组数据点。
真实世界的比喻：想象您有一块不规则形状的土地。您无法使用简单的“长度 × 宽度”公式。但是，您可以在几个固定间距测量宽度。梯形法则的运作方式正是如此——它通过将复杂形状切割成我们知道如何测量的简单形状来帮助我们找出其面积：那就是梯形！
梯形比简单的长方形更能贴合曲线，因此能为我们提供更准确的面积估计。
梯形法则：公式推导
让我们来弄清楚它是如何运作的。这一切都关于把几个细长的梯形面积加起来。
第一部分：一个梯形的面积
还记得初中学的，梯形的面积是：
面积 = $$ \frac{1}{2} \times (\text{平行边之和}) \times (\text{高度}) $$
现在，让我们看看曲线下从 `x = a` 到 `x = b` 的面积。我们可以用一个大的梯形来近似它。
- 平行边是起点和终点的垂直线。它们的长度就是函数值，`f(a)` 和 `f(b)`。
- 梯形的高度是它们之间的水平距离，即 `b - a`。
所以，近似面积是：$$ \text{面积} \approx \frac{1}{2} [f(a) + f(b)](b-a) $$
第二部分：使用多个梯形以获得更佳估计
只用一个梯形会有点粗略。为了获得更好的近似值，我们可以将面积切成 `n` 个等宽的小梯形。
第一步：找出每个小梯形的宽度。
我们称这个宽度为 $$ \Delta x $$。它就是总长度 `(b - a)` 除以梯形数目 `n`。
$$ \Delta x = \frac{b-a}{n} $$
第二步：标示您的 x 值和 y 值。
我们将在 x 轴上有 `n+1` 个点：$$ x_0, x_1, x_2, ..., x_n $$。
- $$ x_0 = a $$（起点）
- $$ x_1 = a + \Delta x $$
- $$ x_2 = a + 2\Delta x $$
- ...
- $$ x_n = b $$（终点）
对应的 y 值（平行边的高度）是：$$ y_0=f(x_0), y_1=f(x_1), y_2=f(x_2), ..., y_n=f(x_n) $$
第三步：将所有小梯形的面积相加。
总面积 ≈ (第一个面积) + (第二个面积) + ... + (最后一个面积)
$$ \approx \frac{1}{2}(y_0+y_1)\Delta x + \frac{1}{2}(y_1+y_2)\Delta x + ... + \frac{1}{2}(y_{n-1}+y_n)\Delta x $$
第四步：提取公因数。
注意到每个项都有 $$ \frac{\Delta x}{2} $$。我们将它提取出来：
$$ \approx \frac{\Delta x}{2} [ (y_0+y_1) + (y_1+y_2) + ... + (y_{n-1}+y_n) ] $$
仔细看看括号里！第一项 `y_0` 和最后一项 `y_n` 只出现一次。但所有中间项（`y_1`、`y_2` 等）都出现两次！
这就导出了我们最终的强大公式：
梯形法则公式
要使用 `n` 个子区间来近似 $$ \int_a^b f(x) \,dx $$：
$$ \text{近似面积} = \frac{\Delta x}{2} [y_0 + 2y_1 + 2y_2 + ... + 2y_{n-1} + y_n] $$
其中 $$ \Delta x = \frac{b-a}{n} $$ 且 $$ y_i = f(x_i) $$。
助记口诀：把它想成“一半的宽度，乘以（首项 + 末项 + 2 乘以其余项的总和）”。
逐步示例
让我们使用梯形法则来估计 $$ \int_0^2 x^3 \,dx $$，使用 `n = 4` 个子区间。
第一步：确定关键信息并找出 $$ \Delta x $$。
a = 0, b = 2, n = 4, 且 f(x) = x³。
每个梯形的宽度是：$$ \Delta x = \frac{b-a}{n} = \frac{2-0}{4} = 0.5 $$
第二步：列出所有 x 值并找出对应的 y 值。
制作表格是保持条理、避免出错的最佳方法！
- $$ x_0 = 0 $$
- $$ x_1 = 0 + 0.5 = 0.5 $$
- $$ x_2 = 0.5 + 0.5 = 1.0 $$
- $$ x_3 = 1.0 + 0.5 = 1.5 $$
- $$ x_4 = 1.5 + 0.5 = 2.0 $$
现在，让我们建立表格：
i | $$x_i$$ | $$y_i = f(x_i) = x_i^3$$
-----------------------------------------
0 | 0.0 | $$0^3 = 0$$ （这是 $$y_0$$，第一个值）
1 | 0.5 | $$0.5^3 = 0.125$$
2 | 1.0 | $$1^3 = 1$$
3 | 1.5 | $$1.5^3 = 3.375$$
4 | 2.0 | $$2^3 = 8$$ （这是 $$y_4$$，最后一个值）
第三步：将所有数据代入公式。
记住：首项 + 末项 + 2 *（其余项的总和）。
$$ \int_0^2 x^3 \,dx \approx \frac{\Delta x}{2} [y_0 + 2y_1 + 2y_2 + 2y_3 + y_4] $$
$$ \approx \frac{0.5}{2} [0 + 2(0.125) + 2(1) + 2(3.375) + 8] $$
$$ \approx 0.25 [0 + 0.25 + 2 + 6.75 + 8] $$
$$ \approx 0.25 [17] $$
$$ \approx 4.25 $$
所以，我们对该积分的估计值是 4.25。
您知道吗？ $$ \int_0^2 x^3 \,dx $$ 的精确值是 $$ [\frac{x^4}{4}]_0^2 = \frac{2^4}{4} - \frac{0^4}{4} = 4 $$。我们估计的 4.25 相当接近。但它是高估还是低估呢？现在让我们找出答案。
常见错误提示
- 忘记乘“2”：最常见的错误是忘记将所有“中间”的 y 值乘以 2。
- 将所有项都乘“2”：第一项 (`y_0`) 和最后一项 (`y_n`) 不需要乘以 2。
- 混淆 `n` 和 `n+1`：记住，`n` 是梯形的数量，但您需要计算 `n+1` 个 y 值！
高估还是低估？凹凸性测试
这是香港中学文凭考试（HKDSE）期望您掌握的关键技能。您可以观察函数图形的凹凸性来判断您的梯形法则估计值是过高还是过低。
经验法则（及形状）
这一切都关于曲线如何弯曲。
1. 向上凹（形状如笑脸 😊）：如果图形向上凹，每个梯形的直线顶边将位于曲线上方。这意味着您每个梯形都多算了一点额外面积。
如果函数在 `[a, b]` 上向上凹，梯形法则会给出一个高估值。
2. 向下凹（形状如苦瓜脸 ☹️）：如果图形向下凹，每个梯形的直线顶边将位于曲线下方。这意味着您每个梯形都遗漏了一点面积。
如果函数在 `[a, b]` 上向下凹，梯形法则会给出一个低估值。
如何测试凹凸性？使用二阶导函数！
您还记得微积分中曾学过这个吗？
- 如果对于 `[a, b]` 中的所有 x，$$ f''(x) > 0 $$，则函数向上凹。
- 如果对于 `[a, b]` 中的所有 x，$$ f''(x) < 0 $$，则函数向下凹。
回到我们的示例：$$ f(x) = x^3 $$ 在 `[0, 2]` 上
- 找出第一个导函数： $$ f'(x) = 3x^2 $$
- 找出第二个导函数： $$ f''(x) = 6x $$
- 测试 $$ f''(x) $$ 在区间 `[0, 2]` 上的符号。
对于严格介于 0 和 2 之间的任何 x 值（例如，x=0.1, x=1, x=1.9），`6x` 的值都将是正数。
所以，在区间 (0, 2) 上，$$ f''(x) > 0 $$。
这表示函数 $$ f(x) = x^3 $$ 在我们的区间内是向上凹的。
结论：我们估计的 4.25 必然是个高估值。这与我们之前看到的情况吻合，因为精确值是 4。
重点总结：凹凸性与估计值
条件 | 凹凸性 | 形状 | 梯形估计值
--------------------------------------------------------------------------
$$ f''(x) > 0 $$ | 向上凹 | 😊 | 高估值
$$ f''(x) < 0 $$ | 向下凹 | ☹️ | 低估值
本章总结
快速回顾框
- 目的：梯形法则用于估计定积分 $$ \int_a^b f(x) \,dx $$ 的值，它代表曲线下的面积。
- 公式： $$ \text{面积} \approx \frac{\Delta x}{2} [y_0 + 2y_1 + ... + 2y_{n-1} + y_n] $$ 其中 $$ \Delta x = \frac{b-a}{n} $$。
- 步骤：
- 找出 $$ \Delta x $$。
- 制作一个 `x` 和 `y` 值的表格。
- 将数据代入公式（记住中间项要乘以“2”！）。
- 高估/低估判断：
- 找出二阶导函数 $$ f''(x) $$。
- 如果 $$ f''(x) > 0 $$ 在区间内，则函数向上凹，且估计值是高估。
- 如果 $$ f''(x) < 0 $$ 在区间内，则函数向下凹，且估计值是低估。
本章内容至此结束。梯形法则是一个非常系统化的过程。关键是细心且有条理地进行计算。多练习几道题目，您将能很快掌握它。祝您学习顺利！