梯形公式

系列条目
微积分学
函数 极限论 微分学 积分 微积分基本定理 微积分发现权之争（英语：Leibniz–Newton calculus controversy）
基础概念（含极限论和级数论） 实数性质 函数 单调性 初等函数 数列 极限 实数的构造 1=0.999… 无穷 衔尾蛇 无穷小量 ε-δ语言 实无穷（英语：Actual infinity） 大O符号 最小上界 收敛数列 芝诺悖论 柯西序列 单调收敛定理 夹挤定理 波尔查诺-魏尔斯特拉斯定理 斯托尔兹-切萨罗定理 上极限和下极限 函数极限 渐近线 邻域 连续 连续函数 不连续点 狄利克雷函数 稠密集 一致连续 紧集 海涅-博雷尔定理 支撑集 欧几里得空间 点积 叉积 三重积 拉格朗日恒等式 等价范数 坐标系 凸集 巴拿赫不动点定理 级数 收敛级数（英语：convergent series） 几何级数 调和级数 项测试 格兰迪级数 收敛半径 审敛法 柯西乘积 黎曼级数重排定理 函数项级数（英语：function series） 一致收敛 迪尼定理 数列与级数 连续 函数
一元微分 差分 均差 微分 微分的线性（英语：linearity of differentiation） 导数 流数法 二阶导数 光滑函数 高阶微分 莱布尼兹记号（英语：Leibniz's_notation） 幽灵似的消失量 介值定理 中值定理 罗尔定理 拉格朗日中值定理 柯西中值定理 泰勒公式 求导法则 乘积法则 广义莱布尼茨定则（英语：General Leibniz rule） 除法定则 倒数定则 链式法则 洛必达法则 反函数的微分 Faà di Bruno公式（英语：Faà di Bruno's formula） 对数微分法 导数列表 导数的函数应用 单调性 切线 极值 驻点 拐点 求导检测（英语：derivative test） 凸函数 凹函数 简森不等式 曲线的曲率 埃尔米特插值 达布定理 魏尔施特拉斯函数
一元积分 积分表 定义 不定积分 定积分 黎曼积分 达布积分 勒贝格积分 积分的线性 求积分的技巧 换元积分法 三角换元法 分部积分法 部分分式积分法 降次积分法 微元法 积分第一中值定理 积分第二中值定理 微积分基本定理 反常积分 柯西主值 积分函数 Β函数 Γ函数 古德曼函数 椭圆积分 数值积分 矩形法 梯形公式 辛普森积分法 牛顿-寇次公式 积分判别法 傅里叶级数 狄利克雷定理 周期延拓 魏尔施特拉斯逼近定理 帕塞瓦尔定理 刘维尔定理
多元微积分 偏导数 隐函数 全微分 微分的形式不变性 二阶导数的对称性 全微分 方向导数 标量场 向量场 梯度 Nabla算子 多元泰勒公式 拉格朗日乘数 黑塞矩阵 鞍点 多重积分 逐次积分 积分顺序（英语：Order of integration (calculus)） 积分估值定理 旋转体 帕普斯-古尔丁中心化旋转定理 祖暅-卡瓦列里原理 托里拆利小号 雅可比矩阵 广义多重积分 高斯积分 若尔当曲线 曲线积分 曲面积分 施瓦茨的靴（俄语：Сапог Шварца） 散度 旋度 通量 可定向性 格林公式 高斯散度定理 斯托克斯定理及其外微分形式 若尔当测度 隐函数定理 皮亚诺-希尔伯特曲线 积分变换 卷积定理 积分符号内取微分 莱布尼茨积分定则（英语：Leibniz integral rule） 多变量原函数的存在性 全微分方程 外微分的映射原像存在性 恰当形式 向量值函数 向量空间内的导数推广（英语：generalizations of the derivative） 加托导数 弗雷歇导数 矩阵的微积分（英语：matrix calculus） 弱微分
微分方程 常微分方程 柯西-利普希茨定理 皮亚诺存在性定理 分离变数法 级数展开法 积分因子 拉普拉斯算子 欧拉方法 柯西-欧拉方程 伯努利微分方程 克莱罗方程 全微分方程 线性微分方程 叠加原理 特征方程式 朗斯基行列式 微分算子法 差分方程 拉普拉斯变换 偏微分方程 拉普拉斯方程 泊松方程 施图姆-刘维尔理论 N体问题 积分方程
相关数学家 牛顿 莱布尼兹 柯西 魏尔斯特拉斯 黎曼 拉格朗日 欧拉 帕斯卡 海涅 巴罗 波尔查诺 狄利克雷 格林 斯托克斯 若尔当 达布 傅里叶 拉普拉斯 雅各布·伯努利 约翰·白努利 阿达马 麦克劳林 迪尼 沃利斯 费马 达朗贝尔 黑维塞 吉布斯 奥斯特罗格拉德斯基 刘维尔 棣莫弗 格雷果里 玛达瓦（英语：Madhava of Sangamagrama） 婆什迦罗第二 阿涅西 阿基米德
历史名作 从无穷小量分析来理解曲线（英语：Analyse des Infiniment Petits pour l'Intelligence des Lignes Courbes） 分析学教程（英语：Cours d'Analyse） 无穷小分析引论 用无穷级数做数学分析（英语：De analysi per aequationes numero terminorum infinitas） 流形上的微积分（英语：Calculus on Manifolds (book)） 微积分学教程 纯数学教程（英语：A Course of Pure Mathematics） 机械原理方法论（英语：The Method of Mechanical Theorems）
分支学科 实变函数论 复分析 傅里叶分析 变分法 特殊函数 动力系统 微分几何 微分代数 向量分析 分数微积分 玛里亚温微积分（英语：Malliavin calculus） 随机分析 最优化 非标准分析
查 论 编

梯形公式是数学中数值积分的基础公式之一：${\displaystyle \int _{a}^{b}f(x)\,dx\approx (b-a){\frac {f(a)+f(b)}{2}}.}$

由积分中值定理可得

${\displaystyle \exists \xi \in [a,b]\int \limits _{a}^{b}f(x)dx=(b-a)f(\xi )}$，

但由于ξ其值一般难于确定，故难以准确算出${\displaystyle f(\xi )}$的值。

如果用两端点${\displaystyle f(a)}$与${\displaystyle f(b)}$的算术平均值估算${\displaystyle f(\xi )}$，有

${\displaystyle \int \limits _{a}^{b}f(x)dx\approx {\frac {b-a}{2}}[f(a)+f(b)]}$，

这就是梯形公式。

类似地，如果用区间中点${\displaystyle c={\frac {a+b}{2}}}$其高度${\displaystyle f(c)}$取代${\displaystyle f(\xi )}$，从而有中矩形公式

${\displaystyle \int \limits _{a}^{b}f(x)dx\approx (b-a)f({\frac {a+b}{2}})}$。

为了计算出更加准确的定积分，可以把积分的区间${\displaystyle [a,b]}$分成${\displaystyle N}$份，当中${\displaystyle N}$趋向无限，分割出的每一个区间长度必定要是一样的，然后就可以应用梯形公式：

${\displaystyle \int _{a}^{b}f(x)\,dx\approx {\frac {b-a}{N}}\left[{f(a)+f(b) \over 2}+\sum _{k=1}^{N-1}f\left(a+k{\frac {b-a}{N}}\right)\right].}$

亦可以写成：

${\displaystyle \int _{a}^{b}f(x)\,dx\approx {\frac {b-a}{2N}}\left(f(x_{0})+2f(x_{1})+2f(x_{2})+\cdots +2f(x_{N-1})+f(x_{N})\right)}$

当中

${\displaystyle x_{k}=a+k{\frac {b-a}{N}},{\text{ for }}k=0,1,\dots ,N}$

其余项为

${\displaystyle R_{n}(f)=-{\frac {b-a}{12}}h^{2}f''(\eta ),\eta \in (a,b)}$

当区间的长度并不相同时，这一条公式便不能使用。

给予${\displaystyle x_{1},\ldots ,x_{N}}$以及${\displaystyle y_{1},\ldots ,y_{N}}$，定积分就可以估算成

${\displaystyle \int _{a}^{b}f(x)\,dx\approx {\frac {1}{2}}\sum _{i=2}^{N}(x_{i}-x_{i-1})(y_{i}+y_{i-1})}$,

当中

${\displaystyle y_{i}=f(x_{i})}$.

应用梯形公式的误差值是真值数字与运用梯形公式结果的差异：

${\displaystyle {\text{error}}=\int _{a}^{b}f(x)\,dx-{\frac {b-a}{N}}\left[{f(a)+f(b) \over 2}+\sum _{k=1}^{N-1}f\left(a+k{\frac {b-a}{N}}\right)\right]}$

如果 ${\displaystyle (a,b)}$中存在一个实数${\displaystyle \xi }$，那么

${\displaystyle {\text{error}}=-{\frac {(b-a)^{3}}{12N^{2}}}f''(\xi )}$

对于中矩形公式，其误差类似的有：

${\displaystyle {\text{error}}=-{\frac {(b-a)^{3}}{24}}f''(\xi )}$

如果被积函数是一个凸函数（亦即有一个正值二阶导数），那么误差会是一个负数，也代表梯形公式的估算值高估了真实数字。这可以利用一个几何图形代去表达：梯形不但覆盖曲线下的面积更超越其范围。同样地，如果被积函数是一个凹函数，梯形公式就会低估其真实数字因为曲线下部分面积没有被计算在内。如果被积函数中有拐点。它的错误是比较难去估计。

一般而言有数种方法可以去分析误差，例如是：傅里叶级数。

在${\displaystyle N\rightarrow \infty }$的情况下，趋向性的估计误差是：

${\displaystyle {\text{error}}=-{\frac {(b-a)^{2}}{12N^{2}}}{\big [}f'(b)-f'(a){\big ]}+O(N^{-3}).}$

• 《数值分析》，清华大学出版社，李庆扬等编，书号ISBN 978-7-302-18565-9