এটি অন্য দুটির মতো জ্যামিতিক অনুমান। একটি ফ্ল্যাট ম্যাক্রোস্ফেস বিবেচনা করুন। কোন দিক তার অভিক্ষিপ্ত এলাকায় ঠিক হয় বার তার এলাকা (যেখানে পৃষ্ঠ স্বাভাবিক)। বিশেষত, আপনি যেদিকে স্বাভাবিকের দিকে তাকিয়ে আছেন সেই ক্ষেত্রেটি সবচেয়ে সহজ: অভিক্ষিপ্ত অঞ্চলটি পৃষ্ঠের ক্ষেত্রফলের সমান।vv ˙N^N^
এখন ম্যাক্রোফেরেসকে মাইক্রোফেসেটে বিভক্ত করুন। মাইক্রোফেসেটের মোট ক্ষেত্রটি কমপক্ষে কম বেশি (অনুমান 2), তবে পৃষ্ঠের প্রতিটি 'কিঙ্ক' পৃথক মাইক্রোফেসেটের স্বাভাবিককে মূল স্বাভাবিক থেকে দূরে বক্র করে। মাইক্রোফেসেটগুলির আকার যাই হোক না কেন, তাদের অনুমানিত ক্ষেত্রগুলির যোগফল পরিবর্তন হয় না। আপনি যেদিকে স্বাভাবিকের দিকে তাকাচ্ছেন, সেই ক্ষেত্রে এটি সহজেই দেখতে পাওয়া যায় যে মোট অনুমানিত অঞ্চলটি একই: পরিবর্তিত হওয়ার জন্য পৃষ্ঠটি বৃহত্তর বা ছোট হতে হবে।
যে কোনও দিকনির্দেশের জন্য, মাইক্রোফেসেটকে পৃষ্ঠের মূল অনুমান ক্ষেত্রের একটি অংশ আবরণ করতে হবে। সেই অংশটি পূরণ করার সময় মাইক্রোফেসেটের ওরিয়েন্টেশন পরিবর্তন করা তার সম্ভাব্য অঞ্চলটিকে পরিবর্তন করে না।
একটি জটিল ঘটনা আছে, যা মাইক্রোফেসেটগুলি একে অপরকে ছড়িয়ে দেয়। এই ক্ষেত্রে মোট ক্ষেত্রটি বৃহত্তর, কারণ কিছু অঞ্চল একাধিক মাইক্রোফেসেট দ্বারা আচ্ছাদিত। তবে এক্ষেত্রে কমপক্ষে একটি মাইক্রোফেসেটকে ভিউর দিক থেকে দূরে সরিয়ে পৃষ্ঠের দিকে ফিরে যেতে হবে। এই ক্ষেত্রে, ডট পণ্যটি নেতিবাচক, সুতরাং এটি একাধিক মাইক্রোফেসেট দ্বারা আচ্ছাদিত ক্ষেত্রটি বাতিল করে। এ কারণেই পাঠ্যটি সতর্কতার সাথে সতর্কতা অবলম্বন করে যে এটি স্বাক্ষরিত প্রস্তাবিত অঞ্চল।
এর মধ্যে আরও একটি জটিল ঘটনা রয়েছে, যা মাইক্রোফেসেটগুলি বস্তুর সিলুয়েটের অতীত প্রসারিত করে। আপনি যখন খুব দৃষ্টিনন্দন কোণগুলি থেকে সন্ধান করছেন বা পৃষ্ঠের পরিধিগুলির বাইরে ওভারহ্যাঞ্জিং ফ্যাক্টগুলি সন্ধান করছেন তখন এটি ঘটতে পারে। এই ক্ষেত্রে, মাইক্রোফেসেটগুলির অনুমানিত ক্ষেত্রটি তৃতীয় অনুমান লঙ্ঘন করে আরও বেশি হবে। আমরা সাধারণত এই ক্ষেত্রে বিবেচনা করি না। স্বজ্ঞাতভাবে, এটি এই বাস্তবের সাথে মেলে যে দ্বি-ম্যাপিংয়ের মতো কৌশলগুলি বস্তুর সিলুয়েটের আকার পরিবর্তন করে না।