समाकलनांमध्ये समलंब पद्धत

समाकलनांमध्ये समलंब पद्धत

उपयोजित गणितामध्ये, आपल्याला अनेकदा वक्राखालील क्षेत्रफळ मोजण्याची समस्या आढळते. सैद्धांतिकदृष्ट्या, हे निश्चित समाकलनांचा वापर करून सोडवता येते. तथापि, व्यवहारात, सर्वच फलनांचे विश्लेषणात्मक समाकलन करणे सोपे नसते. काही फलने जटिल असतात, माहिती केवळ सारणीबद्ध स्वरूपात उपलब्ध असते, किंवा मॉडेल्समध्ये सोप्या प्रतिअवकलजांचा अभाव असतो. अशा परिस्थितीत, संख्यात्मक पद्धती अत्यावश्यक ठरतात. सर्वात सुप्रसिद्ध आणि वारंवार वापरल्या जाणाऱ्या संख्यात्मक पद्धतींपैकी एक म्हणजे समलंब चौकोनी नियम, जो समाकलनांसाठी एक अंदाजी तंत्र आहे आणि वक्राखालील क्षेत्रफळाला समलंब चौकोनी आकारांमध्ये विभाजित करतो.

निश्चित समाकलनाची मूलभूत संकल्पना

भूमितीयदृष्ट्या, निश्चित समाकल \(\int_a^bf(x)\,dx\) हे वक्र \(y=f(x)\), \(x\) अक्ष आणि उभ्या रेषा \(x=a\) व \(x=b\) यांनी वेढलेले क्षेत्रफळ म्हणून समजले जाऊ शकते. जर \(f(x)\ge 0\) असेल, तर समाकल एक धन क्षेत्रफळ असते. जर फलनाची मूल्ये एका विशिष्ट अंतरामध्ये ऋण असतील, तर समाकल एक “चिन्हांकित क्षेत्रफळ” देते.

मुख्य समस्या तेव्हा उद्भवते जेव्हा:
1. फलन \(f(x)\) चे असे कोणतेही प्रतिअवकलज नाही जे प्राथमिक फलनांनी व्यक्त केले जाऊ शकते.
2. \(f(x)\) ची किंमत फक्त काही बिंदूंवरच ज्ञात आहे (प्रायोगिक डेटा).
३. सांकेतिक गणना अकार्यक्षम किंवा अशक्य आहे.

येथे विशिष्ट बिंदूंवरील फंक्शन मूल्यांचा उपयोग करून इंटिग्रल मूल्याचा अंदाज घेण्यासाठी ट्रॅपेझॉइडल पद्धतीचा वापर केला जातो.

समलंब पद्धत कल्पना

समलंब पद्धत एका सोप्या कल्पनेने सुरू होते: प्रत्येक उपअंतराळात एका वक्राचे सरळ रेषेने अंदाजे चित्रण करणे. रीमान बेरीज पद्धतीत लंब बाजू आणि आयताकृती क्षेत्रफळ वापरले जाते, तर समलंब पद्धत उपअंतराळावरील दोन अंतिम बिंदू वापरते आणि त्यांना एका सरळ रेषेने जोडते. सरळ रेषेखालील क्षेत्रफळ आयत नव्हे, तर समलंब चौकोन तयार करते.

समजा आपल्याला गणना करायची आहे:
\[
\int_a^bf(x)\,dx
\]
आपण \([a,b]\) या अंतराला समान लांबीच्या \(n\) उपअंतरांमध्ये विभाजित करतो. प्रत्येक उपअंतराची लांबी आहे:
\[
h=\frac{ba}{n}
\]
विभाजक मुद्दे:
\[
x_0=a,\;x_1=a+h,\;x_2=a+2h,\;\dots,\;x_n=b
\]
फंक्शनच्या मूल्यांसह:
\[
f(x_0), f(x_1), \dots, f(x_n)
\]

प्रत्येक उपअंतराल \([x_{i-1}, x_i]\) वर, वक्राखालील क्षेत्रफळ हे समलंब चौकोनाच्या क्षेत्रफळाने अंदाजे दर्शवले जाते:
\[
A_i \approx \frac{h}{2}\left[f(x_{i-1}) + f(x_i)\right]
\]
मग सर्व समलंब चौकोनांची बेरीज करून एकूण क्षेत्रफळ (समाकलित अंदाजे) मिळते:
\[
\int_a^bf(x)\,dx \approx \sum_{i=1}^{n}\frac{h}{2}\left[f(x_{i-1}) + f(x_i)\right]
\]

सुव्यवस्थित केल्यास, संयुक्त समलंब चौकोनाच्या नियमाचे सूत्र असे होते:
\[
\int_a^b f(x)\,dx \approx \frac{h}{2}\left[f(x_0)+2f(x_1)+2f(x_2)+\cdots+2f(x_{n-1})+f(x_n)\right]
\]
गुणांकांच्या पद्धतीकडे लक्ष द्या: टोकाचे बिंदू \(x_0\) आणि \(x_n\) यांना 1 ने गुणले जाते, तर मधल्या बिंदूंना 2 ने गुणले जाते.

साध्या गणनेचे उदाहरण

समजा आपल्याला संपर्क साधायचा आहे:
\[
\int_0^2 x^2\,dx
\]
विश्लेषणात्मकपणे, समाकलन \(\left.\frac{x^3}{3}\right|_0^2=\frac{8}{3}\approx 2{,}6667\) आहे. तथापि, आपण \(n=4\) सह समलंब पद्धत वापरू.

१. मध्यांतर \([0,2]\), तर:
\[
h=\frac{2-0}{4}=0{,}5
\]
2. Titik-titik: \(x_0=0\), \(x_1=0{,}5\), \(x_2=1\), \(x_3=1{,}5\), \(x_4=2\)
३. फंक्शनचे मूल्य:
\(f(0)=0\)
\(f(0{,}5)=0{,}25\)
\(f(1)=1\)
\(f(1{,}5)=2{,}25\)
\(f(2)=4\)

संयुक्त समलंब चौकोनाचे सूत्र वापरा:
\[
T=\frac{h}{2}\left[f(x_0)+2f(x_1)+2f(x_2)+2f(x_3)+f(x_4)\right]
\]
\[
T=\frac{0{,}5}{2}\left[0+2(0{,}25)+2(1)+2(2{,}25)+4\right]
\]
\[
T=0{,}25\left[0{,}5+2+4{,}5+4\right]=0{,}25(11)=2{,}75
\]
2,75 चा अंदाजित निकाल 2,6667 च्या अचूक मूल्याच्या अगदी जवळ आहे, ज्यामध्ये सुमारे 0,0833 ची त्रुटी आहे.

समलंब पद्धतीमधील त्रुटी

समलंब पद्धत ही एक अंदाजी पद्धत आहे, म्हणजेच अंदाजी मूल्य आणि वास्तविक समाकलित मूल्य यांच्यामध्ये नेहमीच फरक असतो. त्रुटीचे प्रमाण खालील घटकांवर अवलंबून असते:
१. उपअंतराळांची संख्या \(n\): \(n\) जितका मोठा, \(h\) तितका लहान, आणि साधारणपणे निकाल तितकेच अधिक अचूक असतात.
२. फलनाची वक्रता: जर फलन खूप वक्र असेल (म्हणजे त्याचा दुसरा अवकलज मोठा असेल), तर समलंब पद्धत उच्च क्रमाच्या पद्धतींपेक्षा कमी अचूक असू शकते.

पुरेशा गुळगुळीत फलनांसाठी (ज्यांचे द्वितीय अवकलज अखंड असतात), संयुक्त समलंब पद्धतीच्या त्रुटीचा अंदाज लावला जाऊ शकतो:
\[
E_T = -\frac{(ba)}{12}h^2 f”(\xi)
\]
\(a\) आणि \(b\) यांच्या दरम्यान असलेल्या काही \(\xi\) साठी. या सूत्रावरून असे दिसून येते की त्रुटी \(h^2\) च्या प्रमाणात असते. म्हणजेच, जर आपण \(h\) अर्धे केले (म्हणजेच, उपअंतरांची संख्या दुप्पट केली), तर त्रुटी अंदाजे एक चतुर्थांशने कमी होते.

समलंब पद्धतीचे फायदे

समलंब पद्धत अनेक कारणांमुळे लोकप्रिय आहे:

१. सोपे आणि जलद
ही गणना तुलनेने सोपी आहे आणि लहान प्रकरणांसाठी ती हातानेसुद्धा करता येते.

२. सारणीबद्ध डेटासाठी उपयुक्त
जर \(f(x)\) ची किंमत फक्त विशिष्ट बिंदूंवर (उदा. मोजमाप परिणाम) ज्ञात असेल तर, ही पद्धत थेट लागू केली जाऊ शकते.

३. आयताकृती पद्धतीपेक्षा अधिक चांगली अचूकता
कारण ते दोन अंतिम बिंदू वापरते आणि सरळ रेषेने फलनाचे अंदाजीकरण करते, त्यामुळे समान विभाजनांच्या संख्येसाठी ते आयताकृती अंदाजीकरणापेक्षा सामान्यतः अधिक अचूक असते.

४. अनेक अभियांत्रिकी अनुप्रयोगांसाठी स्थिर
या पद्धतीद्वारे भौतिकशास्त्र आणि अभियांत्रिकीमधील अनेक समस्या (उदा. कार्य, ऊर्जा, छेद क्षेत्रफळ, विसर्ग इत्यादींची गणना करणे) सोडवता येतात.

समलंब पद्धतीच्या मर्यादा

ही पद्धत उपयुक्त असली तरी, तिला मर्यादा आहेत:

१. अत्यधिक वक्रता असलेल्या फंक्शन्ससाठी कमी अचूक
कारण ते प्रत्येक उपअंतराळावर फक्त रेषीय अंदाजे वापरते, जलद बदल किंवा तीव्र वक्र असलेल्या फंक्शन्सना मोठ्या \(n\) ची आवश्यकता असते.

२. उच्च दर्जाची पद्धत नाही
\(h^2\) च्या क्रमाच्या त्रुटी; सिम्पसनच्या पद्धतीसारख्या इतर पद्धती तितक्याच उपअंतरांवर कमी त्रुटी देऊ शकतात (जर फंक्शन पुरेसे गुळगुळीत असेल तर).

३. मध्यांतर निवडीसाठी संवेदनशील
जर मध्यांतर खूप विस्तृत असेल आणि \(n\) लहान असेल, तर निकालांमध्ये लक्षणीय तफावत येऊ शकते.

बंद होत आहे

समलंब पद्धत ही संख्यात्मक समाकलनातील सर्वात मूलभूत तंत्रांपैकी एक आहे. एका अंतराला लहान भागांमध्ये विभागून आणि प्रत्येक भागातील वक्राच्या जागी सरळ रेषा ठेवून, आपण प्रतिअवकलज विश्लेषणात्मकपणे न शोधता समाकलनाचे अंदाजे मूल्य काढू शकतो. हे सूत्र सोपे, अंमलात आणण्यास सुलभ आहे आणि विशेषतः जेव्हा डेटा विविक्त असतो किंवा फलनाचे समाकलन करणे कठीण असते तेव्हा उपयुक्त ठरते.

तथापि, समलंब पद्धत वापरणाऱ्यांनी उपअंतरांच्या संख्येवर आणि समाकलित केल्या जाणाऱ्या फलनाच्या वर्तनावर लक्ष देणे आवश्यक आहे. अत्यंत वक्र फलनांसाठी किंवा जेव्हा उच्च अचूकतेची आवश्यकता असते, तेव्हा \(n\) वाढवून समलंब पद्धत वापरली जाऊ शकते, किंवा सिम्पसन किंवा रॉम्बर्ग पद्धतींसारख्या इतर संख्यात्मक पद्धतींचा विचार केला जाऊ शकतो. योग्य समजासह, समलंब पद्धत ही विज्ञान, अभियांत्रिकी आणि अर्थशास्त्र यांमधील विविध समाकलित समस्या सोडवण्यासाठी एक प्रभावी आणि व्यावहारिक साधन बनते.