辛普森规则计算器

辛普森法则是用二次多项式近似定积分值的一种数值积分方法。它不是用矩形或梯形来估计曲线下方的面积，而是在每组三个连续采样点上拟合一条抛物线，并计算每条抛物线下方的精确面积。这些抛物线面积之和即为近似值。

该方法以 18 世纪英国数学家托马斯·辛普森命名，尽管其基本思想更早出现在其他人的工作中。它的威力来自一个简单的观察：抛物线跟随光滑曲线的贴合程度远胜于直线。当被积函数光滑时，抛物线片段紧贴真实曲线，即使子区间数量适中，所得近似也惊人地准确。

要理解为什么三点很重要，回想一下：直线由两点完全确定，而抛物线（二次多项式）需要三点。辛普森法则利用这一点，将积分区间分成偶数个子区间，把它们两两分组，并在每对子区间上拟合一条抛物线。每对跨越两个子区间和三个点：左端点、中点和右端点。

经典形式称为辛普森 1/3 法则，因为公式中出现了 1/3 因子。还有一种辛普森 3/8 法则，在三组子区间上使用三次多项式，但 1/3 法则是标准的主力方法，也是大多数计算器（包括本页面上的计算器）中实现的版本。

辛普森法则属于牛顿-柯特斯公式族，这类公式在等距点上计算被积函数的值，并用固定权重组合这些值。辛普森法则的独特之处在于其权重模式：1, 4, 2, 4, 2, ..., 4, 1。端点权重为 1，奇数位置的内部点权重为 4，偶数位置的内部点权重为 2。这种交替模式是该方法的标志，也是其精度的来源。

直线段的长度很容易求：测量其端点之间的距离即可。曲线则不同，它弯曲扭转，任何单一直线测量都无法捕捉其真实范围。要找到曲线的长度，数学家把它分成微小片段，将每个片段近似为直线，再把结果加起来。

想象沿着一条蜿蜒的小路行走。如果步子很小，即使整条小路是弯曲的，每一步也近乎笔直。把所有这些笔直的小步加起来，就得到所走总路程的一个很好的估计。让步子越来越小，估计值就收敛到精确长度。这就是弧长背后的核心思想。

对于区间 [a, b] 上的函数 y = f(x)，考虑一个微小的水平步长 dx。在这一步上，函数大约上升 dy = f'(x) dx，其中 f'(x) 是导数（斜率）。这段微小曲线的长度由勾股定理给出：ds = √((dx)² + (dy)²) = √(1 + (f'(x))²) dx。通过积分把所有这些无穷小片段加起来，就得到弧长公式：

L = ∫_a^b √(1 + (f'(x))²) dx

这个公式的每一部分都有明确的含义。符号 ∫_a^b 告诉我们从 x = a 到 x = b 累积贡献。表达式 f'(x) 是导数，衡量曲线在每一点上升的陡峭程度。将其平方、加 1 再开平方，就把斜率转换为局部拉伸因子：曲线在该位置比平坦水平线长多少。在曲线平坦处，f'(x) = 0，因子为 1；在曲线陡峭处，因子增大。

这个公式要求函数足够光滑：f 在区间上必须有连续导数，且被积函数 √(1 + (f'(x))²) 必须可积。对于微积分课程和工程工作中遇到的大多数函数，这些条件都成立。问题出现在尖角、垂直切线或间断点处，那里导数行为异常。

困难在于这个积分常常没有初等原函数。即使对于 y = x² 这样的简单函数，原函数也涉及反双曲函数。对于许多现实曲线，根本不存在闭式原函数。这正是辛普森法则这类数值方法变得必不可少的地方：它们直接估计积分，而不需要原函数。

将辛普森法则应用于弧长涉及一系列清晰的步骤。关键洞见是：辛普森法则不是应用于原始函数 f(x)，而是应用于弧长被积函数 g(x) = √(1 + (f'(x))²)。这一区别至关重要，也是常见的错误来源。

完整过程如下：

1. 从函数开始。确定 y = f(x)，并确认它在你的区间上可导。
2. 计算导数。解析地求出 f'(x)，或确认它可用。
3. 构造被积函数。形成 g(x) = √(1 + (f'(x))²)。这就是辛普森法则将要积分的函数。
4. 确定区间。确认你要测量的曲线段的下限 a 和上限 b。
5. 选择子区间。选择偶数个 n 子区间。数量必须为偶数，因为辛普森法则按对工作。
6. 计算步长。计算 h = (b - a) / n，即每个子区间的宽度。
7. 找出采样点。这些点是 x₀ = a, x₁ = a + h, x₂ = a + 2h，依此类推，直到 x_n = b。
8. 计算被积函数值。在每个采样点计算 g(x₀), g(x₁), ..., g(x_n)。
9. 应用权重。按辛普森模式相乘：端点权重为 1，奇数下标的内部点权重为 4，偶数下标的内部点权重为 2。
10. 组合并缩放。把加权值相加，再乘以 h/3，得到弧长估计。

弧长的复合辛普森 1/3 法则公式为：

L ≈ (h/3)[g(x₀) + 4g(x₁) + 2g(x₂) + 4g(x₃) + ... + 4g(x_n-1) + g(x_n)]

其中 h = (b - a)/n，g(x) = √(1 + (f'(x))²)。

n 必须为偶数的要求来自配对结构。每条抛物线跨越两个子区间（三个点）。如果 n 为奇数，最后一个子区间就没有配对，方法就会失效。当因某种原因需要奇数个面板时，改用梯形法则或混合方法。

仔细注意权重模式。第一个和最后一个值（g(x₀) 和 g(x_n)）各以权重 1 出现一次。奇数下标的内部点（x₁, x₃, x₅, ...）权重为 4，因为每个点都作为其抛物线面板的中点，抛物线在那里的影响最强。偶数下标的内部点（x₂, x₄, ...）权重为 2，因为每个点都作为两个相邻面板之间的共享端点。

复合辛普森法则公式有几个组成部分，每个都扮演特定的角色。逐个理解它们会让这个方法远没有那么令人生畏。

步长 (h)。这是每个子区间的宽度，计算为 h = (b - a)/n。h 越小意味着面板越多，通常精度越高，代价是更多的函数求值。对于弧长，h 控制曲线的采样精细程度。

积分限 (a 和 b)。它们定义了被测量的曲线段。区间的选择极大地影响结果：把 b 沿曲线延伸得更远会增加更多长度。务必仔细检查 a < b，并且两者都在函数的定义域内。

采样点。n+1 个点 x₀ 到 x_n 在 [a, b] 上等距分布。辛普森法则在每一个点上计算被积函数。没有点被跳过。

端点贡献。值 g(x₀) 和 g(x_n) 各以权重 1 进入总和一次。它们在边界处锚定近似值。

奇数下标贡献。点 x₁, x₃, x₅ 等权重为 4。它们是每个抛物线面板的中点。权重 4 反映了中点对抛物线下面积影响最大的事实。

偶数下标内部贡献。点 x₂, x₄, x₆ 等（不包括端点）权重为 2。这些点中的每一个都被两个相邻面板共享作为端点，因此其总贡献翻倍。

加权求和。把每个函数值乘以其权重，全部相加，再乘以 h/3。因子 h/3 把加权和缩放到正确的单位和量级。

下表显示了 n = 6 时的权重模式：

本页面上的计算器在多种输入模式下用辛普森法则估计弧长。每种模式处理一种描述曲线的方式。理解哪种模式适合你的问题是第一步。

函数模式。输入 x^2、sin(x) 或 exp(x) 这样的公式，以及区间端点 a 和 b。计算器进行数值微分或使用你提供的结构，构造弧长被积函数，并应用辛普森法则。这是最常见的微积分问题模式。

半径和角度模式。对于圆弧，输入半径和圆心角。弧长直接由几何得出，圆弧情形本身不需要辛普森法则，但该模式便于对比。

参数模式。输入 x(t) 和 y(t) 作为参数 t 的函数，以及参数区间。计算器使用参数弧长公式，对 √((dx/dt)² + (dy/dt)²) 应用辛普森法则。

极坐标模式。输入 r(θ) 和角度区间。辛普森法则在角度范围内对 √(r² + (dr/dθ)²) 积分。

点模式。输入坐标点对列表。计算器把相邻点之间的直线距离加起来。这是一种多边形近似而非辛普森法则，当你有测量数据而非公式时很有用。

三维参数模式。为空间曲线输入 x(t)、y(t) 和 z(t)。辛普森法则对 √((dx/dt)² + (dy/dt)² + (dz/dt)²) 积分。

在函数模式下运行辛普森法则弧长计算：

1. 输入函数。用标准记号输入公式，例如 x^2 或 sin(x)。
2. 设置下限。输入曲线段的起始 x 值 a。
3. 设置上限。输入结束 x 值 b。确认 a < b。
4. 选择子区间数。选择偶数 n。先从 20 或 50 这样的适中值开始。
5. 确认方法。本页面把数值方法锁定为辛普森法则，无需选择。
6. 运行计算。工具在 n+1 个点上计算被积函数并返回估计值。
7. 检查收敛性。用更大的 n（例如加倍）重新运行并比较。如果结果几乎不变，就是可靠的。

试一个实际例子：在 [0, 1] 上取 f(x) = x²，先用 n = 20，再用 n = 40。两个结果应在几位小数上一致，确认估计值稳定。

本节逐步演示一个完整的例子，展示每个中间步骤。函数是区间 [0, 1] 上的 y = x²，取 n = 4 个子区间。所有数值都是独立计算的，可以用任何计算器验证。

第 1 步：函数。我们从 y = x² 开始，一条简单的抛物线。

第 2 步：导数。求导得 y' = 2x。

第 3 步：弧长被积函数。代入公式：g(x) = √(1 + (2x)²) = √(1 + 4x²)。

第 4 步：积分。精确弧长为 L = ∫₀¹ √(1 + 4x²) dx。这个积分有涉及反双曲函数的闭式解，其值约为 1.4789428575。我们来看看辛普森法则有多接近。

第 5 步：步长。在 [0, 1] 上取 n = 4，h = (1 - 0)/4 = 0.25。

第 6 步：采样点。五个等距点为：

• x₀ = 0.00
• x₁ = 0.25
• x₂ = 0.50
• x₃ = 0.75
• x₄ = 1.00

第 7 步：函数值。在每一点计算 g(x) = √(1 + 4x²)：

• g(0.00) = √(1 + 0) = 1.0000000000
• g(0.25) = √(1 + 0.25) = √1.25 ≈ 1.1180339887
• g(0.50) = √(1 + 1) = √2 ≈ 1.4142135624
• g(0.75) = √(1 + 2.25) = √3.25 ≈ 1.8027756377
• g(1.00) = √(1 + 4) = √5 ≈ 2.2360679775

第 8 步：应用权重。n = 4 时的辛普森模式为 1, 4, 2, 4, 1：

• 1 × g(x₀) = 1 × 1.0000000000 = 1.0000000000
• 4 × g(x₁) = 4 × 1.1180339887 = 4.4721359550
• 2 × g(x₂) = 2 × 1.4142135624 = 2.8284271247
• 4 × g(x₃) = 4 × 1.8027756377 = 7.2111025508
• 1 × g(x₄) = 1 × 2.2360679775 = 2.2360679775

第 9 步：加权和。相加得 1.0000000000 + 4.4721359550 + 2.8284271247 + 7.2111025508 + 2.2360679775 = 17.7477336082。

第 10 步：最终结果。乘以 h/3 = 0.25/3 ≈ 0.0833333333：L ≈ 0.0833333333 × 17.7477336082 ≈ 1.4789778007。

与精确值 1.4789428575 相比，误差约为 0.0000349，即大约 3.5 × 10^-5。仅用 4 个子区间（5 次函数求值），辛普森法则就已达到 4 位小数精度。这就是该方法的优势：在光滑被积函数上快速收敛。

作为对比，加倍到 n = 6 得到 1.4789405084（误差 ≈ 2.4 × 10^-6），即使粗糙的 n = 2 也得到 1.4821537045（误差 ≈ 0.0032）。n 每次加倍都大幅减小误差，这是辛普森四阶收敛的特征。

每种数值方法产生的都是近似值，而非精确答案。近似值与真实值之差称为误差。理解误差的行为有助于你选择合适的设置并信任你的结果。

辛普森法则是四阶方法，这意味着当步长减小时，误差按 h⁴（或等价地 1/n⁴）成比例缩小。实际而言，子区间数量加倍通常使误差减小约 16 倍。这就是上面例题从 n = 2 到 n = 4 再到 n = 6 改善如此显著的原因。

复合辛普森法则的经典误差界为：

|E_s| ≤ M(b - a)⁵ / (180n⁴)

其中 M 是被积函数 g(x) 在区间 [a, b] 上四阶导数绝对值的一个上界，即对 [a, b] 中的所有 x，有 M ≥ |g⁽⁴⁾(x)|。四阶导数衡量被积函数自身曲率变化的快慢。当 g 非常光滑（其四阶导数很小）时，该界保证误差很小。当 g 快速波动时，M 很大，该界就不那么令人放心。

有几个重要的注意事项。首先，该界要求 g 在区间上有连续的四阶导数。如果被积函数在更高阶导数处有折点、尖点或间断，该界不适用。其次，实践中计算 M 往往很困难，因此该界对理论理解的用处大于日常误差估计。第三，该界可能非常悲观：实际误差通常远小于公式预测的值。

实践中，最可靠的精度检验是收敛性测试。用 n 个子区间计算弧长，再用 2n，再用 4n。如果结果在你需要的小数位数上一致，估计值就可信。如果它们持续显著变化，就进一步增大 n，或调查被积函数是否有不良行为（急转弯、近奇点、快速振荡）。

原始函数 f 的光滑性通过 g 间接起作用。如果 f 有尖角，f' 会不连续跳跃，g = √(1 + (f')²) 会继承一个折点。辛普森法则仍然有效，但收敛变慢。在这种情况下，在问题点处分割区间，并对每个光滑片段分别应用辛普森法则，就能恢复快速收敛。

梯形法则是辛普森法则最亲近的亲戚，也是最常见的替代方法。两者都是使用等距点的牛顿-柯特斯公式，但它们在采样点之间如何近似被积函数方面有根本区别。

梯形法则用直线连接相邻采样点，形成梯形。辛普森法则则在每三点组上拟合抛物线。因为抛物线可以弯曲以跟随被积函数而直线不能，辛普森法则捕捉到了梯形法则遗漏的曲率。这种几何差异直接转化为精度：辛普森法则是四阶的（误差与 1/n⁴ 成比例），而梯形法则是二阶的（误差与 1/n² 成比例）。

实际而言，这意味着至少对于光滑被积函数，辛普森法则用 n = 20 就常常能达到梯形法则需要 n = 200 或更多才能匹配的精度。代价是辛普森法则要求 n 为偶数，并且需要对交替权重做更细致的记录。梯形法则适用于任意 n，权重模式更简单（1, 2, 2, ..., 2, 1）。

两种方法没有哪一种普遍更优。梯形法则对在整个周期上积分的周期函数有令人惊讶的优势，在那里它可以指数级快速收敛。辛普森法则在函数不够光滑、其四阶理论不适用时可能表现不佳。对于粗糙或含噪声的数据，更简单的梯形法则有时更稳健。

一个稳妥的工作流程是：以辛普森法则为主要方法，当被积函数行为不确定时，用更高分辨率的梯形法则做交叉检验。如果两种方法一致，可信度就高。如果它们显著不一致，被积函数很可能需要更多子区间或区间分割。

曲线可以在多种坐标系中描述，每种都有自己的弧长公式。辛普森法则适用于所有这些公式，因为每个公式都是光滑被积函数的定积分。

直角坐标弧长

对于 [a, b] 上的 y = f(x)，公式为 L = ∫_a^b √(1 + (dy/dx)²) dx。这是微积分课程中教授的标准形式。辛普森法则如本指南所述，对 g(x) = √(1 + (f'(x))²) 积分。当 f 可导且导数连续时效果很好。

参数弧长

对于由 x = x(t) 和 y = y(t) 描述的曲线（t 从 a 到 b），公式为 L = ∫_a^b √((dx/dt)² + (dy/dt)²) dt。参数形式可以处理不满足垂直线检验的曲线，如圆、椭圆和摆线，这些曲线不能写成 y = f(x)。辛普森法则对参数速度函数 √((x'(t))² + (y'(t))²) 积分，它表示当 t 增大时点沿曲线移动的速度。

极坐标弧长

对于 r = r(θ)（θ 从 α 到 β），公式为 L = ∫_α^β √(r² + (dr/dθ)²) dθ。极坐标自然地描述螺线、心形线和玫瑰线。被积函数把径向距离 r 与角变化率 dr/dθ 结合起来。辛普森法则直接应用，对 θ 积分。

三维弧长

对于空间曲线 x = x(t), y = y(t), z = z(t)，公式自然扩展：L = ∫_a^b √((dx/dt)² + (dy/dt)² + (dz/dt)²) dt。每个坐标贡献其速度分量的平方。这对螺旋路径、三维轨迹和计算机图形学中的曲线至关重要。辛普森法则处理三维被积函数的方式与二维版本相同。

在每种情况下，策略都相同：确定被积函数，确认它在区间上光滑，选择偶数 n，并应用加权和。本页面上的计算器支持函数、参数、极坐标和三维参数模式，每种都通过辛普森法则恰当处理。

弧长的辛普森法则出现在许多领域，在这些领域中，需要从数学模型或测量数据估计曲线距离。

机械工程。凸轮轮廓、齿轮齿形曲线和导轨被设计为光滑的数学曲线。估计它们的长度有助于确定材料需求、接触距离和磨损模式。辛普森法则在设计迭代周期中提供快速的数值检验。

道路与交通几何。公路曲线、铁路缓和曲线和跑道布局遵循精心设计的几何线形（回旋线、圆弧、抛物线竖曲线）。计算这些线形的真实长度对成本估算、标志牌布设和施工规划很重要。

CAD 与计算机辅助设计。设计软件把曲线表示为样条和贝塞尔段。数值积分估计这些复合曲线的长度，用于制造，因为切割路径和材料用量依赖于准确的长度数据。

机器人与运动规划。机械臂或自动驾驶车辆沿着规划的轨迹在空间中运动。总路径长度影响行程时间、能耗和任务规划。辛普森法则沿参数化轨迹对速度曲线积分。

科学计算。从粒子轨迹到场线，建模物理现象的研究人员经常需要曲线长度。当控制方程没有给出闭式弧长时，数值积分是标准方法。

结构工程。拱桥、曲梁和壳体结构的长度和表面度量由其几何定义导出。准确的弧长计算支持荷载分析和材料算量。

数学建模与研究。在纯数学和应用数学中，弧长出现在微分几何、变分问题和优化中。数值估计为理论结果提供直觉和验证。

在所有这些场景中，辛普森法则备受重视，因为它用相对较少的函数求值就能提供高精度，对交互式工具和大规模计算都很高效。

有几个反复出现的错误会让学生和从业者栽跟头。了解这些陷阱可以避免大多数糟糕的结果。

使用奇数个子区间。辛普森 1/3 法则从根本上要求 n 为偶数。当 n 为奇数时，配对结构被破坏。计算前务必验证 n 为偶数。如果你的问题暗示用奇数，向上取整到下一个偶数。

导数错误。被积函数用的是 f'(x)，不是 f(x)。常见错误是求导不正确（例如把 x² 的导数写成 x 而不是 2x），或对复合函数忘记链式法则。仔细检查每个导数。

对 f 而不是 g 应用辛普森法则。与上条相关，一些用户把权重直接应用于原始函数的值 f(x_i)，而不是弧长被积函数 g(x_i) = √(1 + (f'(x_i))²) 的值。这算出的完全是错误的积分。

区间端点不正确。输入 a > b，或超出函数定义域的端点，会产生无意义的结果。对于定义域受限的函数（如要求 x ≥ 0 的 √(x)），验证区间有效。

子区间太少。虽然辛普森法则收敛很快，但对于弯曲剧烈的被积函数，n = 2 或 n = 4 可能不够。务必用更大的 n 做收敛性检查。

角度与弧度混淆。当 f 涉及三角函数时，确认计算器期望的是弧度还是角度。混用会悄悄破坏导数和结果。大多数数学工具使用弧度。

以为结果是精确的。辛普森法则仅对不超过 3 次的多项式精确。对于一般被积函数，结果是近似值。没有收敛证据就把它当作精确值是错误的。

忽略奇点。如果 f' 在 [a, b] 内发散（例如在垂直切线附近），被积函数 g 会变大，辛普森法则可能收敛缓慢或不可靠。分割区间或使用专门方法。

辛普森法则是数值弧长计算的绝佳默认选择，但知道它何时表现出色、何时该另寻他法，会让你成为更有效的问题解决者。

在以下情况使用辛普森法则：

• 被积函数 g(x) = √(1 + (f'(x))²) 在区间上光滑，没有折点或奇点。
• 不存在初等原函数，或者找原函数的工作量超过数值估计的价值。
• 需要用适中次数的函数求值获得良好的精度。
• 为课程作业、工程验算或设计验证计算弧长。
• 曲线用参数或极坐标描述，且所得被积函数光滑。

在以下情况考虑替代方法或格外小心：

• 被积函数在区间内有间断或尖角。先在问题点处分割区间。
• 函数快速振荡。可能需要非常大的 n，或为振荡积分设计的方法。
• 你只有含噪声的测量数据而非光滑公式。梯形法则或基于样条的方法可能更合适。
• 需要极高精度。高斯求积或自适应辛普森法则（在需要处自动细化子区间）可能更好。
• 区间是无限或半无限的。先把积分变换到有限区间，或使用专门的求积方法。

对于大多数微积分学生和在职工程师，带收敛性检查（比较 n、2n 和 4n）的辛普森法则提供了所需的全部精度。它易于实现，在软件中广泛可用，理论上也被很好地理解。