Integraci�n num�rica

Ir a la navegaci�nIr a la b�squeda
En an�lisis num�rico, la integraci�n num�rica constituye una amplia gama de
algoritmos para calcular el valor num�rico de una integral definida y, por
extensi�n, el t�rmino se usa a veces para describir algoritmos num�ricos para
resolver ecuaciones diferenciales. El t�rmino cuadratura num�rica (a menudo
abreviado a cuadratura) es m�s o menos sin�nimo de integraci�n num�rica,
especialmente si se aplica a integrales de una dimensi�n a pesar de que para el
caso de dos o m�s dimensiones (integral m�ltiple) tambi�n se utiliza.

El problema b�sico considerado por la integraci�n num�rica es calcular una soluci�n

aproximada a la integral definida:

{\displaystyle \int _{a}^{b}f(x)\,dx} {\displaystyle \int _{a}^{b}f(x)\,dx}

Este problema tambi�n puede ser enunciado como un problema de valor inicial para
una ecuaci�n diferencial ordinaria, como sigue:

{\displaystyle y'(x)=f(x),\quad y(a)=0} {\displaystyle y'(x)=f(x),\quad y(a)=0}

Encontrar y(b) es equivalente a calcular la integral. Los m�todos desarrollados
para ecuaciones diferenciales ordinarias, como el m�todo de Runge-Kutta, pueden ser
aplicados al problema reformulado. En este art�culo se discuten m�todos
desarrollados espec�ficamente para el problema formulado como una integral
definida.

�ndice
1 Razones para la integraci�n num�rica
2 M�todos para integrales unidimensionales
2.1 M�todos basados en funciones de interpolaci�n
2.1.1 F�rmulas de Newton-Cotes
2.1.1.1 Regla del rect�ngulo
2.1.1.2 Regla del punto medio
2.1.1.3 Regla de Simpson
2.1.1.4 Reglas compuestas
2.1.1.5 M�todos de extrapolaci�n
2.1.2 Cuadratura de Gauss
2.2 Algoritmos adaptativos
2.3 Estimaci�n del error conservativa (a priori)
3 Integrales m�ltiples
3.1 Montecarlo
4 Programas para integraci�n num�rica
5 Referencias
Razones para la integraci�n num�rica
Hay varias razones para llevar a cabo la integraci�n num�rica. La principal puede
ser la imposibilidad de realizar la integraci�n de forma anal�tica. Es decir,
integrales que requerir�an de un gran conocimiento y manejo de matem�tica avanzada
pueden ser resueltas de una manera m�s sencilla mediante m�todos num�ricos. Incluso
existen funciones integrables pero cuya primitiva no puede ser calculada, siendo la
integraci�n num�rica de vital importancia. La soluci�n anal�tica de una integral
nos arrojar�a una soluci�n exacta, mientras que la soluci�n num�rica nos dar�a una
soluci�n aproximada. El error de la aproximaci�n, que depende del m�todo que se
utilice y de qu� tan fino sea, puede llegar a ser tan peque�o que es posible
obtener un resultado id�ntico a la soluci�n anal�tica en las primeras cifras
decimales.

M�todos para integrales unidimensionales

Los m�todos de integraci�n num�rica pueden ser descritos generalmente como
combinaci�n de evaluaciones del integrando para obtener una aproximaci�n a la
integral. Una parte importante del an�lisis de cualquier m�todo de integraci�n
num�rica es estudiar el comportamiento del error de aproximaci�n como una funci�n
del n�mero de evaluaciones del integrando. Un m�todo que produce un peque�o error
para un peque�o n�mero de evaluaciones es normalmente considerado superior.
Reduciendo el n�mero de evaluaciones del integrando se reduce el n�mero de
operaciones aritm�ticas involucradas, y por tanto se reduce el error de redondeo
total. Tambi�n, cada evaluaci�n cuesta tiempo, y el integrando puede ser
arbitrariamente complicado.

De todos modos, un modo de integraci�n por �fuerza bruta� puede hacerse siempre, de
un modo muy simplista, evaluando el integrando con incrementos muy peque�os.

M�todos basados en funciones de interpolaci�n

Hay una extensa familia de m�todos que se basan en aproximar la funci�n a integrar
{\displaystyle f(x)} f(x) por otra funci�n {\displaystyle g(x)} g(x) de la cual se
conoce la integral exacta. La funci�n que sustituye la original se encuentra de
forma que en un cierto n�mero de puntos tenga el mismo valor que la original. Como
los puntos extremos forman parte siempre de este conjunto de puntos, la nueva
funci�n se llama una interpolaci�n de la funci�n original. Cuando los puntos
extremos no se utilizan para encontrar la funci�n que sustituye a la original
entonces se dice extrapolaci�n. T�picamente estas funciones son polinomios.

F�rmulas de Newton-Cotes
La interpolaci�n con polinomios evaluada en puntos igualmente separados en
{\displaystyle \ [a,b]} {\displaystyle \ [a,b]} da las f�rmulas de Newton-Cotes, de
las que la regla del rect�ngulo, la del trapecio y la de Simpson son ejemplos. Si
se escogen los nodos hasta {\displaystyle k=n+1} {\displaystyle k=n+1} ser� la
f�rmula de Newton-Cotes cerrada y si se escogen {\displaystyle k=n-1}
{\displaystyle k=n-1} ser� la f�rmula de Newton-Cotes abierta.

Regla del rect�ngulo

El m�todo m�s simple de este tipo es hacer a la funci�n interpoladora ser una
funci�n constante (un polinomio de orden cero) que pasa a trav�s del punto
{\displaystyle (a,f(a))} {\displaystyle (a,f(a))}. Este m�todo se llama la regla
del rect�ngulo:

{\displaystyle \int _{a}^{b}f(x)dx\sim (b-a)f(a)} {\displaystyle \int

_{a}^{b}f(x)dx\sim (b-a)f(a)}
Regla del punto medio
Ilustraci�n de la regla del punto medio.
Si en el m�todo anterior la funci�n pasa a trav�s del punto {\displaystyle
\left({\frac {a+b}{2}},f\left({\frac {a+b}{2}}\right)\right)} {\displaystyle
\left({\frac {a+b}{2}},f\left({\frac {a+b}{2}}\right)\right)} este m�todo se llama
la regla del punto medio:

{\displaystyle \int _{a}^{b}f(x)dx\sim (b-a)\,f\!\left({\frac {a+b}{2}}\right)}

{\displaystyle \int _{a}^{b}f(x)dx\sim (b-a)\,f\!\left({\frac {a+b}{2}}\right)}
Regla de Simpson
Ilustraci�n de la regla de Simpson.
La funci�n interpoladora puede ser un polinomio de grado 2 que pasa a trav�s de los
puntos {\displaystyle \ (a,f(a))} {\displaystyle \ (a,f(a))}, {\displaystyle
({\frac {a+b}{2}},f({\frac {a+b}{2}}))} {\displaystyle ({\frac {a+b}{2}},f({\frac
{a+b}{2}}))} y {\displaystyle \ (b,f(b))} {\displaystyle \ (b,f(b))}. Este m�todo
se llama regla de Simpson:

{\displaystyle \int _{a}^{b}f(x)\,dx\approx {\frac {b-a}{6}}\left[f(a)

+4f\left({\frac {a+b}{2}}\right)+f(b)\right]} {\displaystyle \int
_{a}^{b}f(x)\,dx\approx {\frac {b-a}{6}}\left[f(a)+4f\left({\frac {a+b}{2}}\right)
+f(b)\right]}.
Reglas compuestas
Para cualquier regla interpoladora, se puede hacer una aproximaci�n m�s precisa
dividiendo el intervalo {\displaystyle \ [a,b]} {\displaystyle \ [a,b]} en alg�n
n�mero {\displaystyle \ n} \ n de subintervalos, hallando una aproximaci�n para
cada subintervalo, y finalmente sumando todos los resultados. Las reglas que surgen
de hacer esto se llaman reglas compuestas, y se caracterizan por perder un orden de
precisi�n global frente a las correspondientes simples, si bien globalmente dan
valores m�s precisos de la integral, a costa eso s� de incrementar
significativamente el coste operativo del m�todo. Por ejemplo, la regla del
trapecio compuesta puede expresarse como:

{\displaystyle \int _{a}^{b}f(x)dx\sim {\frac {b-a}{n}}\left({\frac {f(a)+f(b)}{2}}

+\sum _{k=1}^{n-1}f\left(a+k{\frac {b-a}{n}}\right)\right)} {\displaystyle \int
_{a}^{b}f(x)dx\sim {\frac {b-a}{n}}\left({\frac {f(a)+f(b)}{2}}+\sum _{k=1}^{n-
1}f\left(a+k{\frac {b-a}{n}}\right)\right)}
donde los subintervalos tienen la forma {\displaystyle \ [kh,(k+1)h]}
{\displaystyle \ [kh,(k+1)h]} con
{\displaystyle \ h={\frac {b-a}{n}}} {\displaystyle \ h={\frac {b-a}{n}}}
y {\displaystyle \ k=0,1,2,\ldots ,n-1} {\displaystyle \ k=0,1,2,\ldots ,n-1}.

M�todos de extrapolaci�n
La precisi�n de un m�todo de integraci�n del tipo Newton-Cotes es generalmente una
funci�n del n�mero de puntos de evaluaci�n. El resultado es usualmente m�s preciso
cuando el n�mero de puntos de evaluaci�n aumenta, o, equivalentemente, cuando la
anchura del paso entre puntos decrece. �Qu� pasa cuando la anchura del paso tiende
a cero? Esto puede responderse extrapolando el resultado de dos o m�s anchuras de
paso (extrapolaci�n de Richardson). La funci�n de extrapolaci�n puede ser un
polinomio o una funci�n racional. Los m�todos de extrapolaci�n est�n descritos en
m�s detalle por Stoer y Bulirsch (Secci�n 3.4). En particular, al aplicar el m�todo
de extrapolaci�n de Richardson a la regla del trapecio compuesta se obtiene el
m�todo de Romberg.

Cuadratura de Gauss
Si se permite variar los intervalos entre los puntos de interpolaci�n, se encuentra
otro grupo de f�rmulas de integraci�n, llamadas f�rmulas de cuadratura de Gauss.
Una regla de cuadratura de Gauss es t�picamente m�s precisa que una regla de
Newton-Cotes que requiera el mismo n�mero de evaluaciones del integrando, si el
integrando es suave (es decir, si se puede derivar muchas veces).

Algoritmos adaptativos
Si f no tiene muchas derivadas definidas en todos sus puntos, o si las derivadas
toman valores muy elevados, la integraci�n gausiana es a menudo insuficiente. En
este caso, un algoritmo similar al siguiente lo har�a mejor:

def integral(f, a, b):

"""Este algoritmo calcula la integral definida de una funci�n
en el intervalo [a,b], adaptativamente, eligiendo pasos m�s
peque�os cerca de los puntos problem�ticos.
h0 es el paso inicial."""

x = a
h = h0
acumulador = 0
while x < b:
if x+h > b: h = b - x
if error de la cuadratura sobre [x,x+h] para f es demasiado grande:
haz h m�s peque�o
else:
acumulador += integral(f, x, x+h)
x += h
 if error de la cuadratura sobre [x,x+h] es demasiado peque�o:
haz h m�s grande
return acumulador
Algunos detalles del algoritmo requieren mirarlo con cuidado. Para muchos casos,
estimar el error de la integral sobre un intervalo para un funci�n f no es obvio.
Una soluci�n popular es usar dos reglas de integraci�n distintas, y tomar su
diferencia como una estimaci�n del error de la integral. El otro problema consiste
en decidir qu� es �demasiado grande� o �demasiado peque�o�. Un criterio posible
para �demasiado grande� es que el error de la integral no sea mayor que th, donde
t, un n�mero real, es la tolerancia que queremos tener para el error global. Pero
tambi�n, si h es ya min�sculo, puede no valer la pena hacerlo todav�a m�s peque�o
si el error de la integral es aparentemente grande. Este tipo de an�lisis de error
usualmente se llama �a posteriori� ya que calculamos el error despu�s de haber
calculado la aproximaci�n.

La heur�stica para integraci�n adaptativa est� discutida en Forsythe et al (secci�n

5.4).

Estimaci�n del error conservativa (a priori)

Supongamos que {\displaystyle \ f} {\displaystyle \ f} tiene una primera derivada
sobre {\displaystyle \ [a,b]} {\displaystyle \ [a,b]} acotada. El teorema del valor
medio para {\displaystyle \ f} {\displaystyle \ f}, para {\displaystyle \ x<b}
{\displaystyle \ x<b}, da

{\displaystyle \ (x-a)f'(y_{x})=f(x)-f(a)} {\displaystyle \ (x-a)f'(y_{x})=f(x)-

f(a)}
para alg�n {\displaystyle \ y_{x}} {\displaystyle \ y_{x}} en {\displaystyle \
[a,x]} {\displaystyle \ [a,x]} dependiendo de {\displaystyle \ x} {\displaystyle \
x}. Si integramos en {\displaystyle \ x} {\displaystyle \ x} de {\displaystyle \ a}
\ a a {\displaystyle \ b} \ b en ambos lados de la igualdad y tomamos valores
absolutos, tenemos

{\displaystyle \left|\int _{a}^{b}f(x)dx-(b-a)f(a)\right|=\left|\int _{a}^{b}(x-

a)f'(y_{x})dx\right|} {\displaystyle \left|\int _{a}^{b}f(x)dx-(b-a)f(a)\right|
=\left|\int _{a}^{b}(x-a)f'(y_{x})dx\right|}
Se puede aproximar m�s la integral en el lado derecho metiendo el valor absoluto en
el integrando, y reemplazando el t�rmino en {\displaystyle \ f} {\displaystyle \ f}
por una cota superior:

{\displaystyle \left|\int _{a}^{b}f(x)dx-(b-a)f(a)\right|\leq {\frac {(b-a)^{2}}

{2}}\sup _{a\leq x\leq b}\left|f'(x)\right|} {\displaystyle \left|\int
_{a}^{b}f(x)dx-(b-a)f(a)\right|\leq {\frac {(b-a)^{2}}{2}}\sup _{a\leq x\leq
b}\left|f'(x)\right|}
As�, si aproximamos la integral {\displaystyle \int _{a}^{b}f(x)dx}
{\displaystyle \int _{a}^{b}f(x)dx} por su regla de integraci�n {\displaystyle \
(b-a)f(a)} {\displaystyle \ (b-a)f(a)}, el error no es mayor que el lado derecho de
la ecuaci�n.

Integrales m�ltiples
Los m�todos de integraci�n que se han comentado hasta aqu� se han dise�ado todos
para calcular integrales de una dimensi�n.

Para calcular integrales de diversas dimensiones, un enfoque es expresar la

integral m�ltiple como repetici�n de integrales de una dimensi�n haciendo uso del
teorema de Fubini.

Este enfoque lleva a una cantidad de evaluaciones de la funci�n que crece

exponencialmente a medida que crece el n�mero de dimensiones. Se conocen dos
m�todos para superar esta llamada maldici�n de la dimensi�n.
Montecarlo
Art�culo principal: Integraci�n de Monte Carlo
Los m�todos de Montecarlo y m�todos de cuasi-Montecarlo son f�ciles de aplicar a
integrales multidimensionales, y pueden producir una mejor exactitud por el mismo
n�mero de evaluaciones de la funci�n que en integraciones repetidas empleando
m�todos unidimensionales. Una clase grande de m�todos �tiles de Montecarlo son los
llamados algoritmos de Cadena de Markov de Montecarlo, los cuales incluyen el
algoritmo de Metropolis-Hastings y muestreo de Gibbs.

Programas para integraci�n num�rica

La integraci�n num�rica es uno de los problemas estudiados m�s intensivamente en el
an�lisis num�rico. Entre las muchas implementaciones en programas se encuentran:

QUADPACK (parte de SLATEC) (c�digo fuente): QUADPACK es una colecci�n de algoritmos

en Fortran para integraci�n num�rica basada en reglas gausianas.
GSL: GNU Scientific Library. La biblioteca Cient�fica de GNU (GSL) es una
biblioteca num�rica escrita en C que provee una amplia gama de rutinas matem�ticas,
como la integraci�n por Montecarlo.
ALGLIB: Es una colecci�n de algoritmos en C# / C++ / Delphi / Visual Basic / etc.,
para la integraci�n num�rica]].
Se pueden encontrar algoritmos de integraci�n num�rica en GAMS class H2