Quadratura explicada: métodos numéricos para aproximar integrais

Existe uma classe de integrais definidas que simplesmente não cede ao cálculo feito no papel. Não porque você esteja fazendo algo errado. Algumas funções, como e^(−x²) ou sin(x)/x, não têm primitivas em forma fechada. Quando isso acontece, é hora de mudar de estratégia: avaliar a função em alguns pontos bem escolhidos e combinar esses valores para estimar a área sob a curva. Isso é quadratura.

Este artigo apresenta o que é quadratura, como funciona o arcabouço geral e os principais métodos, da intuitiva regra do ponto médio à surpreendentemente precisa abordagem gaussiana. Também vamos falar de métodos compostos, fontes de erro, estratégias adaptativas e como escolher o método certo para o problema à sua frente.

O que é quadratura?

A palavra "quadratura" é antiga. Vem do problema geométrico clássico de construir um quadrado com a mesma área de uma forma dada, que é outra maneira de dizer "encontrar a área". Hoje, o termo significa a aproximação numérica de uma integral definida.

A ideia central é uma substituição: em vez de encontrar uma primitiva exata, você amostra a função f(x) em um conjunto de pontos chamados nós, multiplica cada valor por um peso associado e soma os resultados:

Os termos quadratura e integração numérica significam essencialmente a mesma coisa. Quadratura costuma aparecer mais em contextos matemáticos; integração numérica é o termo do dia a dia em computação científica.

Como funciona a quadratura numérica

Toda regra de quadratura opera em um intervalo [a, b]. Dentro desse intervalo, ela seleciona um conjunto de nós xᵢ e atribui a cada um um peso wᵢ. A aproximação é a soma ponderada acima. O que difere entre os métodos é onde os nós ficam e como os pesos são definidos. É isso. A regra do trapézio, a regra de Simpson e a quadratura gaussiana são todas variações desse mesmo modelo.

O erro de aproximação é a diferença entre a soma ponderada e a integral verdadeira. Todo método introduz algum erro, e a rapidez com que esse erro diminui à medida que você adiciona mais nós (ou reduz o tamanho dos intervalos) é o que separa um bom método de um excelente. Guarde este ponto de vista: escolher um método de quadratura é, na prática, escolher como gastar suas avaliações da função.

Métodos comuns de quadratura

Os métodos abaixo vão do mais intuitivo ao mais sofisticado.

Comparação visual das regras de integração de ponto médio, trapézio e Simpson. Imagem do autor.

Regra do ponto médio

Pegue o ponto médio de [a, b], avalie f ali e multiplique pela largura (b − a). A suposição é que o valor da função no centro representa a média em todo o intervalo.

Parece simples demais e, para um único intervalo, é mesmo. Mas aqui vai a primeira surpresa: a regra do ponto médio é exata para funções constantes e lineares, e seu erro escala como O(h³) por intervalo, onde h = b − a. Isso é, na verdade, melhor do que a regra do trapézio em funções suaves, o que costuma surpreender.

Regra do trapézio

Use os dois extremos em vez de apenas o centro. Conecte-os com uma reta e calcule a área do trapézio resultante: (b − a) · [f(a) + f(b)] / 2. É exata para funções lineares, com erro O(h³) por intervalo, a mesma ordem da regra do ponto médio, embora com uma constante maior.

A regra do trapézio é provavelmente a técnica de quadratura mais ensinada, o que lhe rendeu uma reputação desproporcional. Para funções bem comportadas, ela é razoável. Mas a regra de Simpson composta quase sempre sai na frente com o mesmo número de avaliações.

Regra de Simpson

Ajuste um polinômio quadrático passando por três pontos: os dois extremos e o ponto médio. Integre esse polinômio exatamente:

A avaliação extra no centro custa uma chamada adicional da função, mas o retorno compensa: a regra de Simpson é exata para polinômios até grau três, e o erro por intervalo escala como O(h⁵), duas ordens melhor que a regra do trapézio. Para funções suaves, geralmente é o primeiro método a considerar.

Quadratura gaussiana

Aqui as coisas ficam realmente interessantes. As regras do ponto médio, do trapézio e de Simpson usam nós igualmente espaçados. A quadratura gaussiana faz outra pergunta: e se escolhêssemos tanto as posições dos nós quanto os pesos para maximizar a precisão?

Com n nós, a quadratura gaussiana (especificamente a variante de Gauss-Legendre) integra exatamente qualquer polinômio de grau até 2n − 1. Dois nós dão exatidão para cúbicos; cinco nós cobrem polinômios de grau 9. Os nós são as raízes dos polinômios de Legendre e se concentram próximos aos extremos do intervalo, em vez de ficarem igualmente espaçados. A precisão extra vem de permitir que os nós se movam, não de onde eles acabam caindo por acaso. Esse adensamento próximo às extremidades é um subproduto da matemática, e veremos o porquê abaixo.

Veja como os quatro métodos se comparam:

Métodos de quadratura composta

Aplicar uma regra uma única vez no intervalo completo [a, b] geralmente não basta. A solução padrão: dividir o intervalo em n subintervalos iguais de largura h = (b − a)/n e aplicar a regra básica em cada um.

Regras compostas de ponto médio e trapézio

Para a regra do trapézio composta, avalie f em n+1 pontos igualmente espaçados e some n trapézios. O erro total cai para O(h²). Se você reduzir h pela metade, o erro cai por um fator de quatro. A regra do ponto médio composta segue a mesma lógica e tem a mesma ordem de erro global.

Regra de Simpson composta

A versão composta exige um número par de subintervalos. Avalie f em n+1 pontos e obtenha erro global O(h⁴). Reduzir h pela metade diminui o erro por um fator de dezesseis. É por isso que a regra de Simpson composta costuma ser o padrão quando você precisa de precisão moderada em uma função suave.

O código em Python abaixo mostra como a aproximação melhora à medida que você adiciona subintervalos para ∫[0 a π] sin(x) dx (valor exato: 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}")

Com apenas 32 intervalos, o erro cai abaixo de 10⁻⁶. Isso é convergência O(h⁴).

Quadratura gaussiana

A ideia por trás da quadratura gaussiana merece mais do que uma linha na tabela.

Por que nós igualmente espaçados nem sempre são ideais

Quando os nós ficam igualmente espaçados, você gasta seu orçamento de avaliações de um jeito que pode não combinar com a dificuldade do integrando. Algumas regiões precisam de mais resolução; outras desperdiçam avaliações em trechos planos. A quadratura gaussiana contorna isso escolhendo nós que são comprovadamente ótimos para o grau de polinômio que você consegue integrar exatamente.

Para n nós, a regra de Gauss-Legendre seleciona como nós as n raízes do n-ésimo polinômio de Legendre Pₙ(x) e depois calcula pesos de modo que qualquer polinômio de grau ≤ 2n − 1 seja integrado sem erro. Na prática, numpy.polynomial.legendre.leggauss(n) retorna ambos. Os nós se adensam perto dos extremos de [−1, 1], o intervalo de referência padrão, onde o erro de interpolação polinomial tende a ser maior e onde uma densidade extra de amostragem traz mais ganho.

Quando usar

A quadratura gaussiana brilha quando você tem uma função suave e analítica e precisa de alta precisão com poucas avaliações. Cinco pontos de Gauss-Legendre podem superar a regra de Simpson composta com dezenas de intervalos em integrandos bem comportados. Mas ela não se adapta bem a funções com quinas, descontinuidades ou dados disponíveis apenas em pontos fixos igualmente espaçados. Nesses casos, a escolha cuidadosa dos nós joga contra você.

Erro e precisão em quadratura

Nenhum método numérico tem passe livre em relação ao erro. Duas fontes distintas afetam todo resultado de quadratura, e entender ambas é essencial para saber quando confiar na sua resposta.

As fontes de erro incluem:

• Erro de discretização (também chamado de erro de truncamento) é a diferença entre a integral exata e o que sua regra de quadratura retorna em aritmética perfeita. É o que as fórmulas O(hᵏ) capturam. Ele diminui conforme você adiciona mais pontos ou reduz a largura dos intervalos.
• Erro de ponto flutuante é outro problema. Somar muitas quantidades pequenas em aritmética de precisão finita introduz arredondamentos que não diminuem com h e podem até crescer. Com regras compostas usando milhares de subintervalos, você pode atingir um piso em que o ruído de ponto flutuante domina e adicionar intervalos deixa de ajudar. Para a maioria das tarefas de computação científica, você alcança a tolerância desejada bem antes desse piso. Mas ele existe.

A suavidade da função, a largura do intervalo e a escolha do método influenciam o erro de discretização. Uma função irregular, com variações bruscas, precisa de mais intervalos ou de uma abordagem adaptativa.

Quadratura adaptativa

Uma malha uniforme desperdiça avaliações quando o integrando é suave na maior parte, mas complicado em alguns trechos.

Como funciona

Aplique uma regra de quadratura a um intervalo, depois aplique uma regra de ordem superior (ou a mesma regra em duas metades) e compare. A diferença estima o erro local. Se ficar abaixo da tolerância, aceite o intervalo. Se não, divida-o e recursione em cada metade. Repita até que todo subintervalo atenda à tolerância.

O ganho de eficiência em relação ao refinamento uniforme pode ser grande quando o integrando tem características isoladas: um pico estreito, uma quina, oscilação rápida cercada por regiões suaves. Métodos adaptativos concentram avaliações exatamente onde a função exige.

scipy.integrate.quad()

Em Python, scipy.integrate.quad() implementa quadratura gaussiana adaptativa (especificamente o algoritmo DQAGSE do QUADPACK). Passe sua função e os limites; receba a estimativa e uma cota de erro. Para a maioria das integrais unidimensionais, é a ferramenta certa, sem precisar de ajustes manuais.

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() lida muito bem com esse pico estreito. Uma regra de Simpson uniforme precisaria de centenas de subintervalos para igualar o resultado.

Como escolher um método de quadratura

Comece com scipy.integrate.quad() para integrais unidimensionais em Python, a menos que você tenha um bom motivo para não usar. É adaptativo, preciso e bem testado. Tudo abaixo é relevante quando você vai implementar algo por conta própria, está em uma linguagem sem uma boa biblioteca adaptativa ou quer otimizar para um caso específico.

• Funções suaves e analíticas com fórmula conhecida: a quadratura gaussiana oferece mais precisão por avaliação. Se você precisa de precisão moderada e simplicidade, a regra de Simpson composta é um ótimo padrão.
• Funções com quinas ou descontinuidades: métodos com pontos igualmente espaçados (trapézio, Simpson) tendem a superar a quadratura gaussiana aqui, porque a posição fixa dos nós não é prejudicada pela irregularidade. Divida o intervalo de integração na descontinuidade conhecida e trate cada parte separadamente.
• Dados em pontos fixos e igualmente espaçados: a quadratura gaussiana está fora de cogitação. Você não consegue avaliar a função em nós arbitrários, então use a regra do trapézio composta ou a regra de Simpson composta.
• Integrais de maior dimensão: a quadratura esbarra rapidamente na maldição da dimensionalidade. Com n pontos por dimensão e d dimensões, você precisa de nᵈ avaliações. Dez dimensões com dez pontos cada dão 10¹⁰ avaliações, o que é inviável. Monte Carlo escala muito melhor acima de cerca de cinco dimensões; é aí que acontece a virada.

Quadratura vs. métodos numéricos relacionados

A quadratura não existe isolada. Ajuda entender onde ela se encaixa em relação a outras ferramentas que você provavelmente está considerando.

Quadratura vs. integração analítica

Integração analítica encontra uma primitiva exata; a quadratura aproxima um número. Se existir uma primitiva exata e você conseguir encontrá-la, use-a. A quadratura ganha espaço quando a integração exata é impossível ou impraticável.

Quadratura vs. integração por Monte Carlo

Ambas aproximam integrais definidas, mas de formas diferentes. A quadratura é determinística: avalia f em nós fixos e pré-escolhidos, com convergência ligada à suavidade da função e ao número de nós. Monte Carlo sorteia amostras aleatórias e as média, com erro escalando como O(1/√N) independentemente da dimensão. Isso é uma convergência mais lenta em baixas dimensões, mas independente da dimensão, o que a torna a escolha prática acima de cerca de cinco dimensões.

Quadratura vs. interpolação

Algumas regras de quadratura, incluindo a de Simpson, funcionam ajustando um polinômio aos pontos de avaliação e integrando-o exatamente. Mas o objetivo difere da interpolação. Interpolação reconstrói a função; a quadratura quer apenas um número. O polinômio é uma ferramenta, não o resultado.

Conclusão

O que acho mais interessante na quadratura é o quanto se aproveita de uma única ideia organizadora. Cada método aqui — ponto médio, trapézio, Simpson, gaussiano — é, na prática, uma resposta diferente à mesma pergunta: dado um orçamento de avaliações da função, onde colocá-las e como ponderá-las?

Ajustar polinômios melhores aos pontos de avaliação reduz o erro rapidamente. Mudar para nós escolhidos de forma ótima extrai ainda mais precisão com o mesmo orçamento. Métodos adaptativos então juntam tudo, direcionando avaliações para onde a função realmente precisa.

Em Python, scipy.integrate.quad() é o padrão certo para problemas 1D. Todo o resto deste artigo serve para quando você precisa entender o que acontece por baixo dos panos ou quando vai implementar algo por conta própria. Se quiser seguir desenvolvendo habilidades numéricas com SciPy, faça nosso curso Introduction to Optimization in Python.