6.9
Intégration approximative
Dans de nombreux contextes pratiques et théoriques, la valeur exacte d’une intégrale définie peut être inaccessible. Cette limitation survient général…
L’intégration approximative est utilisée lorsque la valeur exacte d’une intégrale définie ne peut pas être calculée.
Cela se produit généralement dans deux cas principaux : lorsque l’antidérivée de la fonction est inconnue ou n’existe pas sous une forme fermée, et lorsque la fonction est composée de données empiriques, telles qu’un ensemble de points discrets d’une expérience, plutôt qu’une formule continue.
Dans de telles situations, les intégrales définies sont estimées à l’aide de sommes de Riemann, qui divisent l’intervalle en n sous-intervalles égaux de largeur Δx.
Pour chaque sous-intervalle, un rectangle est construit, dont la hauteur est fixée par la valeur de la fonction à un point spécifique de ce sous-intervalle.
Dans l’approximation de l’extrémité gauche Ln, la hauteur de chaque rectangle est fixée par la valeur de la fonction à l’extrémité gauche.
Si la fonction augmente, cette méthode sous-estime la surface ; si la fonction diminue, elle surestime.
L’approximation de l’extrémité droite Rn utilise l’extrémité droite de chaque sous-intervalle. Cette méthode surestime la surface si la fonction augmente, et inversement.
Ces méthodes utilisent la géométrie de base — l’ajout de surfaces rectangulaires — pour estimer les intégrales de fonctions complexes ou inconnues.
View the full transcript and gain access to JoVE Core videos
Q1: When is approximate integration necessary in calculus?
Approximate integration is needed when the exact value of a definite integral cannot be calculated. This occurs when a function's antiderivative is unknown or cannot be expressed in closed form, or when the function is defined by empirical data points from experiments rather than a continuous formula. Numerical methods then provide the only practical solution.
Q2: How do Riemann sums estimate the area under a curve?
Riemann sums divide the integration interval into n equal subintervals of width Δx. For each subinterval, a rectangle is constructed with height determined by the function's value at a selected point. Adding the areas of all rectangles produces a numerical approximation of the definite integral, using basic geometry to estimate integrals of complex or unknown functions.
Q3: What is the difference between left and right endpoint approximations?
In left endpoint approximation, each rectangle's height is set by the function value at the left end of the subinterval. For increasing functions, this underestimates area; for decreasing functions, it overestimates. Right endpoint approximation uses the right end, producing opposite results: overestimation for increasing functions and underestimation for decreasing ones.
Q4: Why does left endpoint approximation underestimate increasing functions?
For an increasing function, the value at the left end of each subinterval is lower than values elsewhere in that subinterval. Using this smaller value as the rectangle height creates rectangles that do not fully capture the area beneath the curve, resulting in systematic underestimation of the total integral.
Q5: How do empirical data points affect integration methods?
When a function is defined by discrete experimental data points rather than a continuous formula, traditional symbolic integration is impossible. Approximate integration techniques like Riemann sums become essential, allowing scientists and engineers to estimate definite integrals from finite measurements collected during experiments or observations.
Q6: What role does subinterval width play in Riemann sum accuracy?
The width Δx of each subinterval directly affects approximation accuracy. Smaller subintervals create more rectangles, allowing finer resolution of the curve's behavior and generally producing more accurate estimates. As the number of subintervals increases and Δx decreases, the Riemann sum approximation converges toward the true value of the definite integral.
Q7: Why are approximate integration techniques valuable in scientific applications?
Approximate integration techniques are foundational tools in numerical analysis, especially valuable when integrals must be evaluated from discrete measurements or for functions too complex for symbolic integration. They enable practical solutions in engineering and scientific contexts where exact analytical methods are infeasible or impossible.