Integração Numérica
A integração numérica, ou quadratura, aproxima integrais definidas por somas ponderadas de valores de funções, fornecendo valores precisos quando uma antiderivada não está disponível ou o integrando é conhecido apenas em pontos de amostragem.
Definition
Integração numérica é a aproximação de uma integral definida por uma combinação ponderada finita de valores do integrando, chamada de regra de quadratura, juntamente com a análise de sua precisão.
Scope
Esta área abrange regras de quadratura interpolatórias construídas pela integração de interpolantes polinomiais (Newton-Cotes), regras gaussianas de grau ótimo baseadas em polinômios ortogonais, esquemas compostos e adaptativos que controlam o erro automaticamente, e a análise de erro que governa a precisão e a convergência; a integração multidimensional é tratada como uma extensão desses fundamentos unidimensionais.
Sub-topics
Core questions
- Como as regras de quadratura são construídas a partir da interpolação polinomial e o que determina sua precisão?
- Qual é o grau de exatidão de uma regra e como as regras gaussianas o maximizam para um dado número de pontos?
- Como as estratégias compostas e adaptativas controlam o erro em um intervalo?
- Como a suavidade do integrando governa a taxa de convergência de uma regra de quadratura?
Key theories
- Quadratura interpolatória
- Integrar o polinômio que interpola o integrando em nós escolhidos produz uma regra de quadratura cujos pesos são integrais das funções de base de Lagrange; a regra é exata para todos os polinômios até o grau de interpolação.
- Quadratura gaussiana e polinômios ortogonais
- A escolha dos nós como raízes de polinômios ortogonais produz uma regra de n pontos exata para polinômios até o grau 2n-1, o máximo possível, ligando a quadratura ótima à teoria dos polinômios ortogonais.
- Controle de erro adaptativo
- A comparação de estimativas de regras de diferentes ordens ou de subdivisões refinadas produz uma estimativa de erro que impulsiona a subdivisão automática, concentrando o esforço onde o integrando varia rapidamente.
Clinical relevance
A quadratura é necessária sempre que as integrais não podem ser avaliadas em forma fechada: no cálculo de expectativas e constantes de normalização em probabilidade e estatística, na avaliação de integrais de elementos em métodos de elementos finitos, na soma de contribuições radiativas e de força em simulações físicas, e na precificação de instrumentos em finanças computacionais; a escolha da regra envolve um balanço entre precisão e o número de avaliações do integrando (frequentemente caras).
History
As regras interpolatórias clássicas remontam a Newton e Cotes, enquanto Gauss introduziu sua quadratura de grau ótimo em 1814; a era da computação adicionou algoritmos adaptativos automáticos e bibliotecas de software de alta qualidade, e renovou a atenção ao condicionamento e à estabilidade da quadratura para integrandos difíceis.
Key figures
- Carl Friedrich Gauss
- Isaac Newton
- Roger Cotes
- Philip J. Davis
Related topics
Seminal works
- davis1984
- quarteroni2007
Frequently asked questions
- Quando a integração numérica é necessária em vez de encontrar uma antiderivada?
- Muitos integrandos não possuem uma antiderivada expressível em funções elementares, e na prática o integrando pode estar disponível apenas como dados ou como saída de uma simulação. Em ambos os casos, uma regra de quadratura estima a integral diretamente a partir dos valores da função.
- Por que a quadratura gaussiana é tão eficiente?
- Ao posicionar otimamente tanto os nós quanto os pesos, uma regra gaussiana de n pontos integra polinômios até o grau 2n-1 exatamente — o dobro do grau de uma regra de Newton-Cotes com o mesmo número de pontos — alcançando assim alta precisão com poucas avaliações de função para integrandos suaves.