Quadratura spiegata: metodi numerici per approssimare gli integrali

Esiste una categoria di integrali definiti che semplicemente non cedono al calcolo con carta e penna. Non perché tu stia sbagliando qualcosa. Alcune funzioni, come e^(−x²) o sin(x)/x, non hanno primitive in forma chiusa. Quando succede, serve un approccio diverso: valuta la funzione in un pugno di punti scelti con cura e combina quei valori per stimare l’area sottostante. Questa è la quadratura.

Questo articolo spiega cos’è la quadratura, come funziona il suo schema generale e i metodi principali, dalla intuitiva regola del punto medio all’approccio, sorprendentemente preciso, di Gauss. Vedremo anche i metodi compositi, le fonti di errore, le strategie adattive e come scegliere il metodo giusto per il problema che hai davanti.

Che cos’è la quadratura?

La parola "quadratura" è antica. Viene dal problema geometrico classico di costruire un quadrato con la stessa area di una data figura, che è solo un altro modo di dire "trova l’area". Oggi il termine indica l’approssimazione numerica di un integrale definito.

L’idea centrale è una sostituzione: invece di trovare una primitiva esatta, campioni la funzione f(x) in un insieme di punti chiamati nodi, moltiplichi ciascun valore per un peso associato e sommi i risultati:

I termini quadratura e integrazione numerica significano sostanzialmente la stessa cosa. La quadratura compare più spesso in contesti matematici; integrazione numerica è il termine quotidiano nel calcolo scientifico.

Come funziona la quadratura numerica

Ogni regola di quadratura opera su un intervallo [a, b]. All’interno di quell’intervallo, seleziona un insieme di nodi xᵢ e assegna a ciascuno un peso wᵢ. L’approssimazione è la somma pesata di cui sopra. Ciò che differenzia i metodi è dove vanno i nodi e come vengono assegnati i pesi. Tutto qui. La regola del trapezio, la regola di Simpson e la quadratura gaussiana sono tutte variazioni dello stesso schema.

L’errore di approssimazione è il divario tra la somma pesata e l’integrale esatto. Ogni metodo ne introduce un po’, e la velocità con cui quell’errore si riduce man mano che aggiungi nodi (o rimpicciolisci gli intervalli) è ciò che separa un buon metodo da uno ottimo. Tieni a mente questa cornice: scegliere un metodo di quadratura significa in realtà scegliere come spendere le tue valutazioni della funzione.

Metodi di quadratura comuni

I metodi qui sotto vanno dal più intuitivo al più sofisticato.

Confronto visivo delle regole di integrazione Punto medio, Trapezio e Simpson. Immagine dell’autore.

Regola del punto medio

Prendi il punto medio di [a, b], valuta lì f e moltiplica per la larghezza (b − a). L’assunzione è che il valore della funzione al centro rappresenti la media su tutto l’intervallo.

Sembra quasi troppo semplice, e su un singolo intervallo lo è. Ma ecco la prima sorpresa: la regola del punto medio è esatta per funzioni costanti e lineari, e il suo errore scala come O(h³) per intervallo, dove h = b − a. È in realtà migliore della regola del trapezio su funzioni lisce, cosa che di solito sorprende.

Regola del trapezio

Usa entrambi gli estremi invece del solo centro. Collegali con una retta e calcola l’area del trapezio risultante: (b − a) · [f(a) + f(b)] / 2. È esatta per funzioni lineari, con errore O(h³) per intervallo, dello stesso ordine della regola del punto medio, sebbene con una costante maggiore.

La regola del trapezio è probabilmente il metodo di quadratura più insegnato, e ciò le ha dato una reputazione sproporzionata. Per funzioni ben comportate è discreta. Ma la regola di Simpson composita quasi sempre fa meglio a parità di numero di valutazioni.

Regola di Simpson

Adatta un polinomio quadratico attraverso tre punti: i due estremi e il punto medio. Integra esattamente quel polinomio:

La valutazione extra al centro costa una chiamata di funzione in più, ma il guadagno è reale: la regola di Simpson è esatta per polinomi fino al terzo grado, e l’errore per intervallo scala come O(h⁵), due ordini meglio della regola del trapezio. Per funzioni lisce, è di solito il primo metodo da prendere in considerazione.

Quadratura gaussiana

Qui le cose diventano davvero interessanti. Le regole del punto medio, del trapezio e di Simpson usano nodi equispaziati. La quadratura gaussiana pone una domanda diversa: e se scegliessimo sia le posizioni dei nodi sia i pesi per massimizzare l’accuratezza?

Con n nodi, la quadratura gaussiana (in particolare la variante di Gauss-Legendre) può integrare esattamente qualsiasi polinomio di grado fino a 2n − 1. Due nodi ti danno esattezza per i cubici; cinque nodi gestiscono polinomi di grado 9. I nodi sono le radici dei polinomi di Legendre e si addensano verso gli estremi dell’intervallo invece di essere in posizioni equidistanti. L’accuratezza extra deriva dal fatto di poter muovere i nodi, non da dove capitano. Il loro addensamento vicino agli estremi è un sottoprodotto della matematica, e vedremo sotto perché.

Ecco come si confrontano tutti e quattro i metodi:

Metodi di quadratura compositi

Applicare una regola una volta sola all’intero intervallo [a, b] di solito non basta. La soluzione standard: suddividere l’intervallo in n sottointervalli uguali di ampiezza h = (b − a)/n e applicare la regola di base a ciascuno.

Regole composita del punto medio e del trapezio

Per la regola del trapezio composita, valuta f in n+1 punti equidistanti e somma n trapezi. L’errore totale scende a O(h²). Dimezzando h, l’errore si riduce di un fattore quattro. La regola del punto medio composita segue la stessa logica e ha lo stesso ordine di errore globale.

Regola di Simpson composita

La versione composita richiede un numero pari di sottointervalli. Valuta f in n+1 punti e ottieni un errore globale O(h⁴). Dimezzando h l’errore si riduce di un fattore sedici. Ecco perché la regola di Simpson composita è spesso la scelta predefinita quando ti serve un’accuratezza moderata su una funzione liscia.

Il codice Python qui sotto mostra come l’approssimazione si affina man mano che aggiungi sottointervalli per ∫[0 to π] sin(x) dx (valore esatto: 2.0):

import numpy as np

def composite_simpson(func, lower, upper, num_intervals):
    """Approximate integral using composite Simpson's rule."""
    if num_intervals % 2 != 0:
        raise ValueError("num_intervals must be even")
    nodes = np.linspace(lower, upper, num_intervals + 1)
    values = func(nodes)
    h = (upper - lower) / num_intervals
    weights = np.ones(num_intervals + 1)
    weights[1:-1:2] = 4   # odd-indexed interior points
    weights[2:-2:2] = 2   # even-indexed interior points
    return (h / 3) * np.dot(weights, values)

exact = 2.0
for n in [4, 8, 16, 32]:
    approx = composite_simpson(np.sin, 0, np.pi, n)
    print(f"n={n:3d}: approx={approx:.10f}, error={abs(approx - exact):.2e}")

Con appena 32 intervalli, l’errore scende sotto 10⁻⁶. Questa è convergenza O(h⁴).

Quadratura gaussiana

L’idea alla base della quadratura gaussiana merita più di una riga in tabella.

Perché i nodi equispaziati non sono sempre ottimali

Quando i nodi sono in punti equidistanti, stai spendendo il budget di valutazioni in un modo che potrebbe non rispecchiare la difficoltà dell’integranda. Alcune regioni richiedono più risoluzione; altre sprecano valutazioni su tratti piatti. La quadratura gaussiana aggira il problema scegliendo nodi che sono dimostrabilmente ottimali per il grado del polinomio che puoi integrare esattamente.

Per n nodi, la regola di Gauss-Legendre seleziona come nodi le n radici del n-esimo polinomio di Legendre Pₙ(x), quindi calcola i pesi in modo che qualsiasi polinomio di grado ≤ 2n − 1 sia integrato senza errore. In pratica, numpy.polynomial.legendre.leggauss(n) restituisce entrambi. I nodi si addensano verso gli estremi di [−1, 1], l’intervallo di riferimento standard, dove l’errore di interpolazione polinomiale tende a essere maggiore e dove una densità di campionamento extra rende di più.

Quando usarla

La quadratura gaussiana dà il meglio quando hai una funzione liscia e analitica e ti serve alta accuratezza con poche valutazioni. Cinque punti di Gauss-Legendre possono superare la regola di Simpson composita con dozzine di intervalli su integrande ben comportate. Ma è poco adatta a funzioni con spigoli, discontinuità, o dati disponibili solo in punti equispaziati fissi. In questi casi, il posizionamento accurato dei nodi gioca contro di te.

Errore e accuratezza nella quadratura

Nessun metodo numerico ha un lasciapassare sull’errore. Due sorgenti distinte influenzano ogni risultato di quadratura, e capirle entrambe è essenziale per sapere quando fidarti della tua risposta.

Le fonti di errore includono:

• Errore di discretizzazione (chiamato anche errore di troncamento) è il divario tra l’integrale esatto e ciò che restituisce la tua regola di quadratura in aritmetica perfetta. È ciò che catturano le formule O(hᵏ). Si riduce aggiungendo più punti o diminuendo la larghezza degli intervalli.
• Errore in virgola mobile è un problema diverso. Sommare molte quantità piccole in aritmetica a precisione finita introduce arrotondamenti che non si riducono con h e possono addirittura crescere. Con regole composite che usano migliaia di sottointervalli, potresti raggiungere un pavimento in cui il rumore in virgola mobile domina e aggiungere intervalli non aiuta più. Per la maggior parte dei compiti di calcolo scientifico, raggiungerai la tolleranza desiderata ben prima di quel pavimento. Ma esiste.

Regolarità della funzione, ampiezza dell’intervallo e scelta del metodo contribuiscono tutti all’errore di discretizzazione. Una funzione irregolare con caratteristiche nette richiede più intervalli o un approccio adattivo.

Quadratura adattiva

Una griglia uniforme spreca valutazioni quando l’integranda è liscia quasi ovunque ma complicata in pochi punti.

Come funziona

Applica una regola di quadratura a un intervallo, poi applica una regola di ordine superiore (o la stessa regola sulle due metà) e confronta. La differenza stima l’errore locale. Se è sotto la tolleranza, accetta l’intervallo. Altrimenti, dividilo e ricorri su ciascuna metà. Ripeti finché ogni sottointervallo non soddisfa la tolleranza.

Il guadagno di efficienza rispetto all’affinamento uniforme può essere grande quando l’integranda ha caratteristiche isolate: un picco stretto, uno spigolo, un’oscillazione rapida circondata da territorio liscio. I metodi adattivi concentrano le valutazioni esattamente dove la funzione le richiede.

scipy.integrate.quad()

In Python, scipy.integrate.quad() implementa la quadratura gaussiana adattiva (in particolare l’algoritmo DQAGSE di QUADPACK). Passa la tua funzione e i limiti; ottieni in uscita la stima e un limite dell’errore. Per la maggior parte degli integrali monodimensionali, è lo strumento giusto, senza bisogno di regolazioni manuali.

from scipy import integrate
import numpy as np

# Integrate a function with a peak near x=0.5
def peaked_func(x):
    return np.exp(-100 * (x - 0.5)**2)

result, error_bound = integrate.quad(peaked_func, 0, 1)
print(f"Estimate: {result:.10f}")
print(f"Error bound: {error_bound:.2e}")

quad() gestisce senza problemi questo picco stretto. Una regola di Simpson uniforme avrebbe bisogno di centinaia di sottointervalli per eguagliarla.

Come scegliere un metodo di quadratura

Inizia con scipy.integrate.quad() per integrali monodimensionali in Python, a meno che tu non abbia un motivo per non farlo. È adattivo, accurato e ben testato. Tutto ciò che segue è rilevante quando implementi qualcosa da solo, lavori in un linguaggio senza una buona libreria adattiva o stai ottimizzando per un caso specifico.

• Funzioni lisce, analitiche, con formula nota: la quadratura gaussiana offre la massima accuratezza per valutazione. Se ti serve un’accuratezza moderata e semplicità, la regola di Simpson composita è un’ottima scelta predefinita.
• Funzioni con spigoli o discontinuità: i metodi equispaziati (trapezio, Simpson) tendono a superare la quadratura gaussiana qui, perché il posizionamento fisso dei nodi non viene disturbato dall’irregolarità. Dividi l’intervallo d’integrazione alla discontinuità nota e tratta separatamente ogni pezzo.
• Dati in punti fissi ed equispaziati: la quadratura gaussiana è esclusa. Non puoi valutare la funzione in nodi arbitrari, quindi usa invece la regola del trapezio composita o la regola di Simpson composita.
• Integrali in dimensioni superiori: la quadratura incappa rapidamente nella maledizione della dimensionalità. Con n punti per dimensione e d dimensioni, servono nᵈ valutazioni totali. Dieci dimensioni con dieci punti ciascuna fanno 10¹⁰ valutazioni, impossibile. Il Monte Carlo scala molto meglio sopra circa cinque dimensioni, quindi lì avviene il cambio.

Quadratura vs. metodi numerici correlati

La quadratura non esiste nel vuoto. Aiuta vedere dove si colloca rispetto agli altri strumenti che è probabile tu stia considerando.

Quadratura vs. integrazione analitica

L’integrazione analitica trova una primitiva esatta; la quadratura approssima un numero. Se esiste una primitiva esatta e puoi trovarla, usala. La quadratura si guadagna il posto quando l’integrazione esatta è impossibile o impraticabile.

Quadratura vs. integrazione Monte Carlo

Entrambe approssimano integrali definiti, ma in modo diverso. La quadratura è deterministica: valuta f in nodi fissi e pre-scelti, con convergenza legata alla regolarità della funzione e al numero di nodi. Il Monte Carlo estrae campioni casuali e li media, con errore che scala come O(1/√N) indipendentemente dalla dimensione. È una convergenza più lenta a bassa dimensione, ma indipendente dalla dimensione, il che lo rende la scelta pratica sopra circa cinque dimensioni.

Quadratura vs. interpolazione

Alcune regole di quadratura, inclusa quella di Simpson, funzionano adattando un polinomio attraverso i punti di valutazione e integrandolo esattamente. Ma l’obiettivo è diverso dall’interpolazione. L’interpolazione ricostruisce la funzione; la quadratura vuole solo un numero. Il polinomio è uno strumento, non il risultato.

Conclusione

Ciò che trovo soddisfacente della quadratura è quanto si riesca a ottenere da un’unica idea organizzativa. Ogni metodo qui, punto medio, trapezio, Simpson, Gauss, è in realtà solo una risposta diversa alla stessa domanda: dato un budget di valutazioni della funzione, dove le metti e come le pesi?

Adattare polinomi migliori attraverso i punti di valutazione riduce velocemente l’errore. Spostarsi verso nodi scelti in modo ottimale strizza ancora più accuratezza dallo stesso budget. I metodi adattivi poi mettono insieme tutto, indirizzando le valutazioni esattamente dove la funzione ne ha bisogno.

In Python, scipy.integrate.quad() è la scelta giusta di default per i problemi 1D. Tutto il resto in questo articolo serve quando vuoi capire cosa succede sotto il cofano o quando stai implementando qualcosa da solo. Se vuoi continuare a costruire competenze numeriche con SciPy, segui il nostro corso Introduction to Optimization in Python.