ਇੰਟੈਗਰਲ ਵਿੱਚ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ

ਇੰਟੈਗਰਲ ਵਿੱਚ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ

ਲਾਗੂ ਗਣਿਤ ਵਿੱਚ, ਸਾਨੂੰ ਅਕਸਰ ਇੱਕ ਵਕਰ ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੀ ਗਣਨਾ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਇਸਨੂੰ ਨਿਸ਼ਚਿਤ ਇੰਟੈਗਰਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਅਭਿਆਸ ਵਿੱਚ, ਸਾਰੇ ਫੰਕਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੌਰ 'ਤੇ ਆਸਾਨੀ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਨਹੀਂ ਹੁੰਦੇ। ਕੁਝ ਫੰਕਸ਼ਨ ਗੁੰਝਲਦਾਰ ਹੁੰਦੇ ਹਨ, ਡੇਟਾ ਸਿਰਫ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਹੁੰਦਾ ਹੈ, ਜਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ਸਧਾਰਨ ਐਂਟੀਡੈਰੀਵੇਟਿਵ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਸੰਖਿਆਤਮਕ ਵਿਧੀਆਂ ਜ਼ਰੂਰੀ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਸਭ ਤੋਂ ਜਾਣੇ-ਪਛਾਣੇ ਅਤੇ ਅਕਸਰ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸੰਖਿਆਤਮਕ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਨਿਯਮ ਹੈ, ਇੰਟੈਗਰਲ ਲਈ ਇੱਕ ਅਨੁਮਾਨ ਤਕਨੀਕ ਜੋ ਇੱਕ ਵਕਰ ਦੇ ਅਧੀਨ ਖੇਤਰ ਨੂੰ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਆਕਾਰਾਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ।

ਨਿਸ਼ਚਿਤ ਇੰਟੈਗਰਲ ਦੀ ਮੂਲ ਧਾਰਨਾ

ਜਿਓਮੈਟ੍ਰਿਕ ਤੌਰ 'ਤੇ, ਨਿਸ਼ਚਿਤ ਇੰਟੈਗਰਲ \(\int_a^bf(x)\,dx\) ਨੂੰ ਵਕਰ \(y=f(x)\), \(x\) ਧੁਰੇ, ਅਤੇ ਲੰਬਕਾਰੀ ਰੇਖਾਵਾਂ \(x=a\) ਅਤੇ \(x=b\) ਦੁਆਰਾ ਘਿਰੇ ਖੇਤਰ ਵਜੋਂ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਜੇਕਰ \(f(x)\ge 0\), ਇੰਟੈਗਰਲ ਇੱਕ ਸਕਾਰਾਤਮਕ ਖੇਤਰ ਹੈ। ਜੇਕਰ ਫੰਕਸ਼ਨ ਦੇ ਇੱਕ ਖਾਸ ਅੰਤਰਾਲ 'ਤੇ ਨਕਾਰਾਤਮਕ ਮੁੱਲ ਹਨ, ਤਾਂ ਇੰਟੈਗਰਲ ਇੱਕ "ਸਾਈਨ ਕੀਤਾ ਖੇਤਰ" ਦਿੰਦਾ ਹੈ।

ਮੁੱਖ ਸਮੱਸਿਆ ਉਦੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਜਦੋਂ:
1. ਫੰਕਸ਼ਨ \(f(x)\) ਵਿੱਚ ਕੋਈ ਐਂਟੀਡੈਰੀਵੇਟਿਵ ਨਹੀਂ ਹੈ ਜਿਸਨੂੰ ਮੁੱਢਲੇ ਫੰਕਸ਼ਨਾਂ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾ ਸਕੇ।
2. \(f(x)\) ਦਾ ਮੁੱਲ ਸਿਰਫ਼ ਕੁਝ ਬਿੰਦੂਆਂ (ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ) 'ਤੇ ਹੀ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
3. ਪ੍ਰਤੀਕਾਤਮਕ ਗਣਨਾ ਅਕੁਸ਼ਲ ਜਾਂ ਅਸੰਭਵ ਹੈ।

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕੁਝ ਖਾਸ ਬਿੰਦੂਆਂ 'ਤੇ ਫੰਕਸ਼ਨ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੰਟੈਗਰਲ ਮੁੱਲ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਵਿਚਾਰ

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਇੱਕ ਸਧਾਰਨ ਵਿਚਾਰ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ: ਹਰੇਕ ਉਪ-ਅੰਤਰਾਲ 'ਤੇ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਦੇ ਨਾਲ ਇੱਕ ਵਕਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਓ। ਜਦੋਂ ਕਿ ਰੀਮੈਨ ਸਮ ਵਿਧੀ ਲੰਬਵਤ ਭੁਜਾਵਾਂ ਅਤੇ ਇੱਕ ਆਇਤਾਕਾਰ ਖੇਤਰ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਉਪ-ਅੰਤਰਾਲ 'ਤੇ ਦੋ ਅੰਤ ਬਿੰਦੂਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਨਾਲ ਜੋੜਦੀ ਹੈ। ਸਿੱਧੀ ਰੇਖਾ ਦੇ ਹੇਠਾਂ ਖੇਤਰ ਇੱਕ ਟ੍ਰੈਪੀਜ਼ੋਇਡ ਬਣਾਉਂਦਾ ਹੈ, ਇੱਕ ਆਇਤਕਾਰ ਨਹੀਂ।

ਮੰਨ ਲਓ ਅਸੀਂ ਗਣਨਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ:
\[
\int_a^bf(x)\,dx
\]
ਅਸੀਂ ਅੰਤਰਾਲ \([a,b]\) ਨੂੰ ਬਰਾਬਰ ਲੰਬਾਈ ਵਾਲੇ \(n\) ਉਪ-ਅੰਤਰਾਲਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਾਂ। ਹਰੇਕ ਉਪ-ਅੰਤਰਾਲ ਦੀ ਲੰਬਾਈ ਹੈ:
\[
h=\frac{ba}{n}
\]
ਵੰਡ ਬਿੰਦੂ:
\[
x_0=a,\;x_1=a+h,\;x_2=a+2h,\;\ਬਿੰਦੀਆਂ,\;x_n=b
\]
ਫੰਕਸ਼ਨ ਮੁੱਲਾਂ ਦੇ ਨਾਲ:
\[
f(x_0), f(x_1), \ਬਿੰਦੀਆਂ, f(x_n)
\]

ਹਰੇਕ ਉਪ-ਅੰਤਰਾਲ \([x_{i-1}, x_i]\) 'ਤੇ, ਵਕਰ ਦੇ ਹੇਠਾਂ ਖੇਤਰਫਲ ਦਾ ਅਨੁਮਾਨ ਇਸ ਤਰ੍ਹਾਂ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ ਟ੍ਰੈਪੀਜ਼ੋਇਡ ਦਾ ਖੇਤਰਫਲ:
\[
A_i \ਲੱਗਭਗ \frac{h}{2}\left[f(x_{i-1}) + f(x_i)\right]
\]
ਫਿਰ ਕੁੱਲ ਖੇਤਰਫਲ (ਇੰਟੈਗਰਲ ਅਨੁਮਾਨ) ਸਾਰੇ ਟ੍ਰੈਪੀਜ਼ੋਇਡ ਜੋੜ ਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:
\[
\int_a^bf(x)\,dx \ਲੱਗਭਗ \sum_{i=1}^{n}\frac{h}{2}\left[f(x_{i-1}) + f(x_i)\right]
\]

ਜੇਕਰ ਸਾਫ਼-ਸੁਥਰਾ ਕੀਤਾ ਜਾਵੇ, ਤਾਂ ਮਿਸ਼ਰਿਤ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਨਿਯਮ ਫਾਰਮੂਲਾ ਬਣ ਜਾਂਦਾ ਹੈ:
\[
\int_a^b f(x)\,dx \approx \frac{h}{2}\left[f(x_0)+2f(x_1)+2f(x_2)+\cdots+2f(x_{n-1})+f(x_n)\right]
\]
ਗੁਣਾਂਕ ਪੈਟਰਨ ਵੱਲ ਧਿਆਨ ਦਿਓ: ਅੰਤਮ ਬਿੰਦੂ \(x_0\) ਅਤੇ \(x_n\) ਨੂੰ 1 ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਵਿਚਕਾਰਲੇ ਬਿੰਦੂਆਂ ਨੂੰ 2 ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਧਾਰਨ ਗਣਨਾ ਉਦਾਹਰਨ

ਮੰਨ ਲਓ ਅਸੀਂ ਪਹੁੰਚਣਾ ਚਾਹੁੰਦੇ ਹਾਂ:
\[
\int_0^2 x^2\,dx
\]
ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੌਰ 'ਤੇ, ਇੰਟੈਗਰਲ \(\left.\frac{x^3}{3}\right|_0^2=\frac{8}{3}\approx 2{,}6667\) ਹੈ। ਹਾਲਾਂਕਿ, ਅਸੀਂ \(n=4\) ਦੇ ਨਾਲ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ।

1. ਅੰਤਰਾਲ \([0,2]\), ਫਿਰ:
\[
h=\frac{2-0}{4}=0{,}5
\]
2. Titik-titik: \(x_0=0\), \(x_1=0{,}5\), \(x_2=1\), \(x_3=1{,}5\), \(x_4=2\)
3. ਫੰਕਸ਼ਨ ਮੁੱਲ:
\(f(0)=0\)
\(f(0{,}5)=0{,}25\)
\(f(1)=1\)
\(f(1{,}5)=2{,}25\)
\(f(2)=4\)

ਮਿਸ਼ਰਿਤ ਟ੍ਰੈਪੀਜ਼ੋਇਡ ਫਾਰਮੂਲਾ ਵਰਤੋ:
\[
T=\frac{h}{2}\left[f(x_0)+2f(x_1)+2f(x_2)+2f(x_3)+f(x_4)\right]
\]
\[
T=\frac{0{,}5}{2}\left[0+2(0{,}25)+2(1)+2(2{,}25)+4\right]
\]
\[
T=0{,}25\left[0{,}5+2+4{,}5+4\right]=0{,}25(11)=2{,}75
\]
2,75 ਦਾ ਅਨੁਮਾਨਿਤ ਨਤੀਜਾ 2,6667 ਦੇ ਸਹੀ ਮੁੱਲ ਦੇ ਕਾਫ਼ੀ ਨੇੜੇ ਹੈ, ਲਗਭਗ 0,0833 ਦੀ ਗਲਤੀ ਦੇ ਨਾਲ।

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਵਿੱਚ ਗਲਤੀ

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਇੱਕ ਅਨੁਮਾਨ ਵਿਧੀ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਅਤੇ ਅਸਲ ਅਨਿੱਖੜਵਾਂ ਮੁੱਲ ਵਿੱਚ ਹਮੇਸ਼ਾਂ ਅੰਤਰ ਹੁੰਦਾ ਹੈ। ਗਲਤੀ ਦੀ ਤੀਬਰਤਾ ਇਹਨਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ:
1. ਉਪ-ਅੰਤਰਾਲਾਂ ਦੀ ਗਿਣਤੀ \(n\): ਜਿੰਨਾ ਵੱਡਾ \(n\), ਓਨਾ ਹੀ ਛੋਟਾ \(h\), ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਨਤੀਜੇ ਓਨੇ ਹੀ ਸਟੀਕ ਹੋਣਗੇ।
2. ਫੰਕਸ਼ਨ ਦੀ ਵਕਰ: ਜੇਕਰ ਫੰਕਸ਼ਨ ਬਹੁਤ ਵਕਰ ਹੈ (ਇੱਕ ਵੱਡਾ ਦੂਜਾ ਡੈਰੀਵੇਟਿਵ ਹੈ), ਤਾਂ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਉੱਚ ਕ੍ਰਮ ਵਿਧੀਆਂ ਨਾਲੋਂ ਘੱਟ ਸਹੀ ਹੋ ਸਕਦੀ ਹੈ।

ਕਾਫ਼ੀ ਨਿਰਵਿਘਨ ਫੰਕਸ਼ਨਾਂ (ਲਗਾਤਾਰ ਦੂਜੇ ਡੈਰੀਵੇਟਿਵ ਹੋਣ) ਲਈ, ਮਿਸ਼ਰਿਤ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਦੀ ਗਲਤੀ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ:
\[
E_T = -\frac{(ba)}{12}h^2 f”(\xi)
\]
\(a\) ਅਤੇ \(b\) ਦੇ ਵਿਚਕਾਰ ਕੁਝ \(\xi\) ਲਈ। ਇਸ ਫਾਰਮੂਲੇ ਤੋਂ ਇਹ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਗਲਤੀ \(h^2\) ਦੇ ਅਨੁਪਾਤੀ ਹੈ। ਯਾਨੀ, ਜੇਕਰ ਅਸੀਂ \(h\) ਨੂੰ ਅੱਧਾ ਕਰ ਦਿੰਦੇ ਹਾਂ (ਭਾਵ, ਉਪ-ਅੰਤਰਾਲਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਦੁੱਗਣਾ ਕਰਦੇ ਹਾਂ), ਤਾਂ ਗਲਤੀ ਲਗਭਗ ਇੱਕ-ਚੌਥਾਈ ਘੱਟ ਜਾਂਦੀ ਹੈ।

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਦੇ ਫਾਇਦੇ

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ ਪ੍ਰਸਿੱਧ ਹੈ:

1. ਸਰਲ ਅਤੇ ਤੇਜ਼
ਗਣਨਾ ਮੁਕਾਬਲਤਨ ਆਸਾਨ ਹੈ, ਅਤੇ ਛੋਟੇ ਮਾਮਲਿਆਂ ਲਈ ਹੱਥੀਂ ਵੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

2. ਸਾਰਣੀ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ
ਜੇਕਰ \(f(x)\) ਦਾ ਮੁੱਲ ਸਿਰਫ਼ ਵੱਖਰੇ ਬਿੰਦੂਆਂ 'ਤੇ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਮਾਪ ਨਤੀਜੇ), ਤਾਂ ਇਸ ਵਿਧੀ ਨੂੰ ਸਿੱਧਾ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

3. ਆਇਤਾਕਾਰ ਵਿਧੀ ਨਾਲੋਂ ਬਿਹਤਰ ਸ਼ੁੱਧਤਾ
ਕਿਉਂਕਿ ਇਹ ਦੋ ਅੰਤਮ ਬਿੰਦੂਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਨਾਲ ਫੰਕਸ਼ਨ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ, ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕੋ ਜਿਹੇ ਭਾਗਾਂ ਲਈ ਆਇਤਾਕਾਰ ਅਨੁਮਾਨ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹੁੰਦਾ ਹੈ।

4. ਬਹੁਤਿਆਂ ਲਈ ਸਥਿਰ ਇੰਜੀਨੀਅਰਿੰਗ ਐਪਲੀਕੇਸ਼ਨਾਂ
ਇਸ ਵਿਧੀ ਦੁਆਰਾ ਬਹੁਤ ਸਾਰੀਆਂ ਭੌਤਿਕ ਵਿਗਿਆਨ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆਵਾਂ (ਜਿਵੇਂ ਕਿ ਕੰਮ, ਊਰਜਾ, ਕਰਾਸ-ਸੈਕਸ਼ਨਲ ਖੇਤਰ, ਡਿਸਚਾਰਜ, ਅਤੇ ਹੋਰ) ਨੂੰ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਦੀਆਂ ਸੀਮਾਵਾਂ

ਹਾਲਾਂਕਿ ਇਹ ਲਾਭਦਾਇਕ ਹੈ, ਇਸ ਵਿਧੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਹਨ:

1. ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਕਰ ਵਾਲੇ ਫੰਕਸ਼ਨਾਂ ਲਈ ਘੱਟ ਸਟੀਕ
ਕਿਉਂਕਿ ਇਹ ਹਰੇਕ ਉਪ-ਅੰਤਰਾਲ 'ਤੇ ਸਿਰਫ਼ ਇੱਕ ਰੇਖਿਕ ਅਨੁਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਤੇਜ਼ ਤਬਦੀਲੀਆਂ ਜਾਂ ਤਿੱਖੇ ਵਕਰਾਂ ਵਾਲੇ ਫੰਕਸ਼ਨਾਂ ਲਈ ਇੱਕ ਵੱਡੇ \(n\) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

2. ਉੱਚ-ਕ੍ਰਮ ਦਾ ਤਰੀਕਾ ਨਹੀਂ
\(h^2\) ਦੇ ਕ੍ਰਮ ਦੀਆਂ ਗਲਤੀਆਂ; ਹੋਰ ਵਿਧੀਆਂ ਜਿਵੇਂ ਕਿ ਸਿੰਪਸਨ'ਸ ਉਪ-ਅੰਤਰਾਲਾਂ ਦੀ ਇੱਕੋ ਸੰਖਿਆ 'ਤੇ ਛੋਟੀਆਂ ਗਲਤੀਆਂ ਦੇ ਸਕਦੀਆਂ ਹਨ (ਬਸ਼ਰਤੇ ਫੰਕਸ਼ਨ ਕਾਫ਼ੀ ਨਿਰਵਿਘਨ ਹੋਵੇ)।

3. ਅੰਤਰਾਲ ਚੋਣ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ
ਜੇਕਰ ਅੰਤਰਾਲ ਬਹੁਤ ਚੌੜਾ ਹੈ ਅਤੇ \(n\) ਛੋਟਾ ਹੈ, ਤਾਂ ਨਤੀਜੇ ਕਾਫ਼ੀ ਭਟਕ ਸਕਦੇ ਹਨ।

ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ

ਏਕੀਕਰਨ ਦਾ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਤਰੀਕਾ ਸੰਖਿਆਤਮਕ ਏਕੀਕਰਨ ਵਿੱਚ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇੱਕ ਅੰਤਰਾਲ ਨੂੰ ਛੋਟੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡ ਕੇ ਅਤੇ ਹਰੇਕ ਹਿੱਸੇ 'ਤੇ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਨਾਲ ਵਕਰ ਨੂੰ ਬਦਲ ਕੇ, ਅਸੀਂ ਐਂਟੀਡੈਰੀਵੇਟਿਵ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੌਰ 'ਤੇ ਲੱਭਣ ਤੋਂ ਬਿਨਾਂ ਇੰਟੈਗਰਲ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਾਂ। ਫਾਰਮੂਲਾ ਸਰਲ, ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਹੈ, ਅਤੇ ਖਾਸ ਤੌਰ 'ਤੇ ਉਪਯੋਗੀ ਹੈ ਜਦੋਂ ਡੇਟਾ ਡਿਸਕ੍ਰਿਟ ਹੁੰਦਾ ਹੈ ਜਾਂ ਫੰਕਸ਼ਨ ਨੂੰ ਏਕੀਕਰਨ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਦੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਪ-ਅੰਤਰਾਲਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਏਕੀਕ੍ਰਿਤ ਕੀਤੇ ਜਾ ਰਹੇ ਫੰਕਸ਼ਨ ਦੇ ਵਿਵਹਾਰ ਵੱਲ ਧਿਆਨ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਕਰ ਫੰਕਸ਼ਨਾਂ ਲਈ ਜਾਂ ਜਦੋਂ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਨੂੰ ਅਜੇ ਵੀ \(n\) ਵਧਾ ਕੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਹੋਰ ਸੰਖਿਆਤਮਕ ਵਿਧੀਆਂ ਜਿਵੇਂ ਕਿ ਸਿੰਪਸਨ ਜਾਂ ਰੋਮਬਰਗ ਦੇ ਤਰੀਕਿਆਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਚੰਗੀ ਸਮਝ ਦੇ ਨਾਲ, ਟ੍ਰੈਪੀਜ਼ੋਇਡਲ ਵਿਧੀ ਵਿਗਿਆਨ, ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਅਰਥ ਸ਼ਾਸਤਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਅਟੁੱਟ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਤੇ ਵਿਹਾਰਕ ਸਾਧਨ ਬਣ ਜਾਂਦੀ ਹੈ।