गाऊसी क्वाड्रेचर संख्यात्मक समाकलन कैलकुलेटर

गाऊसी क्वाड्रेचर संख्यात्मक समाकलन कैलकुलेटर

उभरता AI Skill PRO

गणना दर्ज करें

परिणाम

अनुमानित समाकल
3.1415926535897927
w_i * f(x_i) का योग
विधि legendre
बिंदु (n) 20
प्रदर्शित अंक 22

सूत्र (फॉर्मूला)

∫abf(x)dx≈b−a2∑i=1nwif(b−a2xi+a+b2)\int_{\text{a}}^{\text{b}} {f(x)}\,dx \approx \frac{b-a}{2}\sum_{i=1}^{\text{n}} w_i\, f\!\left(\frac{b-a}{2}x_i + \frac{a+b}{2}\right)
उपयोग आँकड़े

विज्ञापन

इस पेज पर त्रुटि की रिपोर्ट करें

गाऊसी क्वाड्रेचर कैलकुलेटर क्या है?

यह एक शुद्ध गणित का उपकरण है (हर देश में यह बिलकुल एक जैसा काम करता है) जो आपके चुने हुए गाऊसी क्वाड्रेचर नियम का उपयोग करके किसी निश्चित समाकल (definite integral) का संख्यात्मक अनुमान लगाता है। गाऊसी क्वाड्रेचर इंटीग्रैंड का मूल्यांकन कुछ चुनिंदा बिंदुओं पर करता है जिन्हें नोड (nodes) कहते हैं, हर मान को उससे मेल खाते भार (weight) से गुणा करता है, और फिर सबको जोड़ देता है। \(n\) बिंदुओं के साथ यह \(2n-1\) घात तक के बहुपदों को बिलकुल सटीक रूप से समाकलित करता है, जिससे यह सुचारू (smooth) फलनों के लिए ट्रैपेज़ॉइड या सिम्पसन जैसे समान-दूरी वाले तरीकों से कहीं अधिक सटीक हो जाता है।

इसका उपयोग कैसे करें

एक क्वाड्रेचर विधि चुनें, बिंदुओं की संख्या \(n\) तय करें, इंटीग्रैंड \(f(x)\) को मानक सिंटैक्स में लिखें (+ - * / ^, कोष्ठक, sin, cos, tan, exp, log, ln, sqrt, abs, pi, e), और परिमित (finite) नियमों के लिए सीमाएं \(a\) और \(b\) दें। भार फलन \(w(x)\) हर नियम में पहले से ही समाहित है, इसलिए केवल सुचारू भाग \(f(x)\) ही दर्ज करें: गाऊस-लागेर के लिए \(x^{\alpha} e^{-x}\) वाला गुणांक छोड़ दें, गाऊस-हर्मिट के लिए \(e^{-x^2}\) छोड़ दें, और चेबीशेव/जैकोबी के लिए \((1-x^2)\) भार छोड़ दें। "महत्वपूर्ण अंक" वाला ड्रॉपडाउन केवल यह बदलता है कि कितने अंक दिखाए जाएं।

सूत्र

हर नियम का आकार एक जैसा होता है: कैनॉनिकल अंतराल पर \(w(x) f(x)\) का समाकल, \(w_i\) गुणा \(f(x_i)\) के योग से अनुमानित किया जाता है, जहां नोड \(x_i\) संबंधित ऑर्थोगोनल बहुपद के मूल (roots) हैं और \(w_i\) गोलब-वेल्श भार हैं।

$$\int_{a}^{b} f(x)\,dx \approx \frac{b-a}{2}\sum_{i=1}^{n} w_i\, f\!\left(\frac{b-a}{2}x_i + \frac{a+b}{2}\right)$$

भार 1 वाले किसी परिमित मनमाने अंतराल \([a,b]\) के लिए, \([-1,1]\) में कैनॉनिकल नोड \(t_i\) को \(x_i = \frac{b-a}{2} t_i + \frac{a+b}{2}\) द्वारा मैप किया जाता है और पूरे योग को \(\frac{b-a}{2}\) से स्केल किया जाता है।

विज्ञापन
असमान नोड स्थानों पर भारित नमूना बिंदुओं द्वारा अनुमानित वक्र के नीचे निश्चित समाकल का क्षेत्रफल
गाउसी क्वाड्रेचर भार \(w_i\) वाले अनुकूलतम स्थित नोड्स \(x_i\) का उपयोग कर \(f(x)\) के नीचे का क्षेत्रफल अनुमानित करता है।

हल किया हुआ उदाहरण

गाऊस-लीजेंड्रे चुनें, \(n=20\), \(f(x)=4/(1+x^2)\), \(a=0\), \(b=1\)। सटीक मान है $$4\arctan(1) = \pi = 3.14159265358979$$ 20-बिंदु वाला लीजेंड्रे नियम नोड को \([0,1]\) में मैप करता है, भार को \(1/2\) से स्केल करता है, और \(3.141592653589793\) लौटाता है — जो पूरी डबल-परिशुद्धता तक \(\pi\) से मेल खाता है। यही कारण है कि \(4/(1+x^2)\) डिफ़ॉल्ट इंटीग्रैंड है।

एक ही अंतराल पर निम्न बनाम उच्च कोटि गाउसी क्वाड्रेचर के लिए नोड स्थान की तुलना
अधिक नोड्स (उच्च कोटि \(n\)) अंतराल के सिरों की ओर सघन होते हैं और सटीकता बढ़ाते हैं।

गॉस-लेजेंड्र के लिए छोटे n के नोड और भार (Gauss-Legendre)

तालिका मानक अंतराल \([-1,1]\) पर गॉस-लेजेंड्र नोड \(x_i\) और भार \(w_i\) दिखाती है। सामान्य अंतराल \([a,b]\) के लिए, कैलकुलेटर हर नोड को \(t_i = \frac{b-a}{2}x_i + \frac{a+b}{2}\) से मैप करता है और योग को \(\frac{b-a}{2}\) से स्केल करता है। नोड सममित ± जोड़ों में आते हैं, और हर जोड़ी एक ही भार साझा करती है।

n नोड \(x_i\) भार \(w_i\)
1 0 2
2 ±0.5773502692 1 (प्रत्येक)
3 0
±0.7745966692
0.8888888889
0.5555555556
4 ±0.3399810436
±0.8611363116
0.6521451549
0.3478548451
5 0
±0.5384693101
±0.9061798459
0.5688888889
0.4786286705
0.2369268851

हर n के लिए, भार का योग 2 होता है, जो \([-1,1]\) की लंबाई है। यह एक त्वरित जाँच है: n=5 के लिए, \(0.5688888889 + 2(0.4786286705) + 2(0.2369268851) \approx 2\)।

n=2 के साथ \(\int_{-1}^{1}(x^3+x^2)\,dx = \frac{2}{3}\) पर त्वरित जाँच: योग \(1\cdot f(-0.57735) + 1\cdot f(0.57735)\) है। विषम पद निरस्त हो जाता है और दो \(x^2\) पद \(\frac{1}{3}+\frac{1}{3}=\frac{2}{3}\) देते हैं, जो सटीक है क्योंकि बहुपद की घात 3 = 2n-1 है।

विज्ञापन

परिणाम और सटीकता की व्याख्या

  • बहुपद की सटीकता: n-बिंदु गॉस-लेजेंड्र नियम घात \(2n-1\) तक के बहुपदों का सटीक समाकलन करता है। उदाहरण के लिए, 3 बिंदु घात 5 तक सटीक हैं।
  • लोबाटो नियम: इनमें दोनों सिरे नोड के रूप में शामिल होते हैं, इसलिए ये कुछ सटीकता खो देते हैं। n-बिंदु गॉस-लोबाटो नियम घात \(2n-3\) तक सटीक है।
  • सुचारु समाकल्य: विश्लेषणात्मक (अनंत रूप से सुचारु) फलनों के लिए, n बढ़ने पर त्रुटि आमतौर पर बहुत तेज़ी से घटती है, अक्सर हर अतिरिक्त बिंदु पर कई गुना।
  • समस्याग्रस्त समाकल्य: विचित्रताओं, सिरों पर अनंत उछाल, असंततताओं, कोणों और अत्यधिक दोलनशील फलनों के लिए अभिसरण धीमा या अविश्वसनीय होता है। ऐसे बिंदुओं पर अंतराल को विभाजित करना, या ऐसा भारित नियम (चेबीशेव, जैकोबी, लागुएर, हरमाइट) उपयोग करना जो भार या विचित्रता से मेल खाए, आमतौर पर मदद करता है।
  • n बढ़ाकर जाँचें: n पर और एक बड़े n पर गणना चलाएँ। यदि अग्रणी अंक मेल खाते हैं, तो परिणाम संभवतः लगभग उतने अंकों तक अभिसरित है। यदि वे लगातार बदलते रहते हैं, तो उस n पर समाकल्य उस नियम के लिए अच्छी तरह उपयुक्त नहीं है। क्रोनरोड विस्तार एम्बेडेड गॉस नियम से तुलना करके अंतर्निहित त्रुटि अनुमान देता है।
  • सार्थक अंकों की सेटिंग: यह केवल यह बदलती है कि कितने अंक प्रदर्शित होते हैं। यह नोड, भार, या अनुमान की अंतर्निहित सटीकता नहीं बदलती।
  • परिशुद्धता की सीमाएँ: मानक डबल परिशुद्धता में, लगभग 15-16 सार्थक अंक उपलब्ध हैं। इससे आगे माँगे गए अंक तब तक सार्थक नहीं हैं जब तक कैलकुलेटर उच्च-परिशुद्धता अंकगणित का उपयोग न करे। विलोपन (धनात्मक और ऋणात्मक योगदान जो लगभग एक-दूसरे को निरस्त करते हैं) और नोड व भार योगों में राउंडिंग विश्वसनीय अंकों को और कम कर सकते हैं।
  • अंतराल कब विभाजित करें: संयुक्त पैनल का उपयोग करें, यानी उपअंतरालों पर अलग-अलग गॉस नियम, जब फलन पूरे क्षेत्र में अपना स्वरूप बदलता है, कई बार दोलन करता है, या कोई ज्ञात समस्या बिंदु होता है। समस्या बिंदु को एक उपअंतराल की सीमा पर रखें।

भारित नियम एक अलग समस्या हल करते हैं: लागुएर का लक्ष्य \(\int_0^\infty e^{-x}f(x)\,dx\) है, हरमाइट का लक्ष्य \(\int_{-\infty}^{\infty} e^{-x^2}f(x)\,dx\) है, और चेबीशेव नियमों में भार \(1/\sqrt{1-x^2}\) या \(\sqrt{1-x^2}\) शामिल होते हैं। सुनिश्चित करें कि आपके द्वारा दर्ज किया गया समाकल्य चुनी गई विधि की भार परिपाटी से मेल खाता हो।

सामान्य प्रश्न (FAQ)

लागेर या हर्मिट के लिए मेरा उत्तर गलत क्यों दिखता है? इन नियमों में \(e^{-x}\) या \(e^{-x^2}\) भार पहले से ही शामिल होता है; केवल बचा हुआ गुणांक दर्ज करें, पूरा इंटीग्रैंड नहीं। उदाहरण के लिए पूरी रेखा पर \(e^{-x^2}\) का समाकल पाने के लिए \(f(x)=1\) सेट करें, जिससे \(\sqrt{\pi}\) मिलता है।

alpha और beta क्या करते हैं? \(\alpha\) लागेर के \(x^{\alpha}\) भार में और एक जैकोबी घातांक में मौजूद घातांक है; \(\beta\) दूसरा जैकोबी घातांक है। दोनों का \(-1\) से अधिक होना ज़रूरी है, वरना भार समाकल अपसरित (diverge) हो जाता है।

क्या ज़्यादा बिंदु हमेशा मदद करते हैं? सुचारू फलनों के लिए ज़्यादा \(n\) सटीकता बढ़ाता है, लेकिन अंतराल के भीतर विचित्रताओं (singularities) या तीखे शिखरों वाले फलनों के लिए यह नुकसानदेह हो सकता है। \(n\) को धीरे-धीरे बढ़ाएं और अभिसरण (convergence) पर ध्यान रखें।

अंतिम अपडेट:

गणित और सांख्यिकी में सबसे लोकप्रिय

गणित और सांख्यिकी के सभी कैलकुलेटर देखें