Share
Embed
.Aproximação e interpolação
Aproximações globais e locais. Aproximação linear na física e engenharias. A polinomial de Taylor. Interpolação polinomial via Lagrange
Paulo Bordoni
July 05, 2013
Transcript
78 slides
-
As funções elementares estão em “Mathematical functions” de “Routines” na
Referência do Numpy. Iniciamos a aula passada com as “funções elementares”. -
Em particular, observamos dois fatos óbvios: 1. ∀ ∈ ℕ,
ℙ ([, ]) é um subespaço ℙ([, ]), o espaço das polinomiais de qualquer grau. 2. ℙ([, ]) é subespaço de ℱ( , ), o espaço de todas as funções : [, ] → ℝ. E aprendi a usar a NumPy para: • Criar polinomiais, usando a base canônica 0 , 1 , ⋯ , de ℙ ([, ]); • Calcular raízes de uma polinomial; • Derivar e integrar polinomiais ∈ ℙ ([, ]); • Etc. -
Daí decorrem duas afirmações que merecem nossa atenção: • ℙ([,
]), o espaço das polinomiais de qualquer grau, tem dimensão infinita, enumerável; • ℱ( , ), o espaço de todas as funções : [, ] → ℝ também tem dimensão infinita; E como toda polinomial é uma função contínua, e infinitamente derivável, concluímos também, que , , 1 , , ⋯ , ∞ , são todos espaços dimensão infinita. -
Mas Surfista, eu nunca vi nenhuma polinomial de grau infinito.
Existem polinomiais de grau infinito Mestra? Claro que não, minha filha. As polinomiais de ℙ([, ]), não possuem restrição de grau. Isto quer, apenas, dizer que o grau poderá ser qualquer número natural, por isso mesmo finito. -
Mas em Cálculo aprendi a calcular a série de Taylor,
= (0) ! ∞ =0 , de uma função... Ela não é uma polinomial de grau infinito? Não, não, não – NÃO! Aliás, esta é uma confusão conceitual muito frequente entre os alunos de Cálculo. Uma série não é uma soma, mas sim o limite de uma sequência de polinomiais: = lim →∞ () onde = =0 . -
Assim ℙ[a, b] possui dimensão infinita (enumerável) e não se
fala mais nisso! A sequência ℬ = { 0 , 1 , … , … } das funções polinomiais definidas por = , para ∈ [, ] é uma base (de Hamel) de ℙ( , ), pois: 1. ℬ gera ℙ( , ) – lembrem-se, combinações lineares são somas finitas; 2. ℬ é um subconjunto LI de ℙ , , pois todo ∈ ℕ, os subconjuntos constituídos por n elementos distintos de ℬ é LI. -
O foco da aula de hoje é aproximar funções por
outras mais simples. Em primeira mão, por polinomiais. -
Um conceito delicado é o de supremo de um conjunto
de números reais. Ele vai ser necessário adiante. O supremo s de um conjunto limitado X ⊂ ℝ, anotado (), é o menor de seus limitantes superiores. Em outras palavras, = () ⟺ ∀ ∈ , ≤ ∀ > 0, ∃ ∈ . . − < ≤ -
• 2 = ∈ ℚ . 2 < 2 •
1 = ∈ ℝ . < 1 • 1 = ∈ ℝ . ≤ 1 • 2 = 1 + 1 2 , 1 + 1 2 + 1 4 , 1 + 1 2 + 1 4 + 1/8, ⋯ • 9 = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 • 2 = , é í í ê 1 Veja alguns: Cruz-credo, Mestra! Dê um exemplo, pelo amor de Deus -
s − ∈ A 1ª parte diz, simplesmente, que s
é maior que qualquer número de X, pode ser igual. A 2ª é que, não importa qual seja a precisão , sempre conseguiremos inserir um número ∈ entre s e − . A visão geométrica associada a esse conceito é a seguinte: -
Um ponto a ser destacado a respeito do supremo s
de X é que ele pode ser um elemento de X, mas isto não é uma exigência. Quando ∈ , ele é o máximo de X, anotado max () -
Uma primeira resposta é uma negativa parcial. Não é possível
definir uma norma em ℱ( , ); ele é muito grande para isto. Entretanto isto é possível para as funções : [, ] → ℝ que são limitadas. Para falar de aproximação entre funções, precisamos saber como medir o tamanho de funções. Em outras palavras, como definir a norma para uma função ∈ ℱ( , ). -
Uma função : [, ] → ℝ é limitada quando
existe ∈ ℝ para o qual () < , ∀ ∈ ℝ. Seja ℬ , ⊂ ℱ( , ) o conjunto de todas as funções ∈ ℱ( , ) que são limitadas. É simples provar que ℬ , é um subespaço vetorial de ℱ( , ) – faça essa prova, Surfista! -
f ∞ Lembre-se Surfista, o Mestre está afirmando que: 1.
∞ ≥ 0 e ∞ = 0 ⇒ = 0; 2. ∞ = ∞ , para ∈ ℝ; 3. + ∞ ≤ ∞ + ∞ . A função ∙ ∞ : ℬ , → ℝ, definida para toda ∈ ℬ , por ∞ = sup , ∈ , é uma norma – uma forma de medir tamanho de funções. -
p Ótima lembrança, Surfista! Nesse caso, = , ∈ ,
e se ≥ 0, ∞ = (). Em Cálculo aprendemos que toda função contínua f definida num intervalo fechado [, ] atinge seu valor máximo num ponto ∈ [, ]. -
f − ∞ Simplesmente calculando − ∞ = − ()
, ∈ , , que é a forma de medir a distância entre duas funções usando a ∙ ∞ Mas como medimos a distância entre duas funções , ∈ ℬ( , ) ? -
f A norma ∙ ∞ mede a proximidade de funções
de forma uniforme, em todo um intervalo. De fato, sejam , ∈ ℬ , . Afirmar que − ∞ < corresponde a assegurar que g fica dentro de uma faixa com largura uniforme envolta de f . Na figura a faixa rosa, de a até b. -
A ∙ permite medir aproximações em todo o intervalo [a,
b], de forma global. Em Física e nas Engenharias aproximações locais são muito utilizadas. -
= − Robert Hooke, por volta de 1660, enunciou a
lei da elasticidade (lei de Hooke), segundo a qual as deformações sofridas pelos corpos são, em princípio, diretamente proporcionais às forças que se aplicam sobre eles. Um material é elástico quando retoma seu estado original após uma pequena deformação. -
A rigidez de um material sólido é medida pelo seu
módulo de elasticidade. -
Como calcular o módulo de Young nas diversas regiões da
intensidade da deformação -
() () p Para próximo de , o valor numérico
de () é bem aproximado pelo valor numérico de , a reta tangente ao gráfico de f pelo ponto (, ). A diferença − () é pequena. -
Pto. de tangência Fiz este outro programa, para mostrar essa
diferença, em números. -
Além disso, uma associação fulgurante: A reta tangente ao gráfico
da função, num ponto, como um método de aproximação local para a função. A derivada colocou os conceitos de velocidade e aceleração em bases sólidas! -
O Mestre fez um programa para mostrar a ideia. É,
a reta tangente “cola” na função perto do ponto de tangência! -
A reta tangente dá uma aproximação de 1ª ordem, ou
linear. É possível estabelecer aproximações locais de maior ordem: quadráticas, cúbicas, etc. Aí entram as aproximações polinomiais. -
Brook Taylor, 1685-1731 A grande contribuição deTaylor, que criou expansão
a expansão em funções polinomiais, hoje conhecida como série de Taylor de uma função. http://www-history.mcs.st-andrews.ac.uk/ -
Surfista, em livros de Cálculo você encontrará a demonstração do:
Admitindo-se que: • , • e (+1) existe em , então para todo [, ], existe um número entre 0 e tal que • = + +1 (), com: • • = (0 ) ! ( − 0 ) =0 +1 = +1 ( ) +1 ! ( − 0 )+1 Teorema de Taylor -
O desenvolvimento em série de Taylor das funções exponencial, logaritmo
e a famosa série geométrica. -
Neste programa a função a expandir em série de Taylor,
entorno de x 0 = 0, é definida dentro do código. Na execução você entra com o domínio, o grau e os coeficientes da expansão. -
Neste caso f(x) = ex e a polinomial de Taylor
é de grau 1, T 1 (x), em azul. O gráfico tracejado é o da função erro, E 2 (x) = f(x) - T 1 (x). -
Aqui a mesma coisa, mas polinomial de Taylor é de
grau 2, T 2 (x). -
A aproximação é local, quanto menor a vizinhança (-δ, δ)
entorno do ponto x 0 , mais a polinomial de Taylor “cola” na log(1+x). -
vizinhança Erro máx. (-0.5, 0.5) 0.03 (-0.4, 0.4) 0.01 (-0.2,
0.2) 0.0005 Dei um “zoom” na escala vertical do gráfico, para examinar melhor a função erro. Na transparência anterior o Mestre assinalou em vermelho os erros máximos. -
A função seno é ímpar [ i.é, sen(-x) = -
sen(x) ]. Só comparecem na expansão as potências ímpares de x. Esta é a aproximação linear, muito utilizada por físicos e engenheiros. -
f p Se f é uma função contínua num intervalo
fechado [, ] então, para qualquer precisão > 0, existe uma polinomial ∈ ℙ tal que − ∞ < . O teorema de aproximação de Weierstrass é um resultado de existência de aproximações polinomiais globais fundamental: -
A interpolação é uma técnica para calcular resultados numéricos aproximados
de dados não tabelados, a partir de dados funcionais de valores vizinhos tabelados. Começaremos por entender a interpolação polinomial. -
http://locomat.loria.fr Parte de uma página do “Canon mathematicus” de Viète
(1579). Nela estão tabelados valores de senos, cossenos, tangentes, etc de 4º à 4º30’ -
Rheticus foi aluno de Copérnico e o apoiou na divulgação
do heliocentrismo. Em particular na publicação da obra maior de Copérnico: “De revolutionibus orbium coelestium” -
O sistema geocêntrico (Ptolomeu), a Igreja/Inquisição e o julgamento de
Galileu Galilei. O heliocentrismo com Copérnico, -
Em 1614, no livro “Mirifici Logarithmorum Canonis Descriptio”, J. Napier
descreve um método para calcular produtos em termos de somas. Nasciam os logaritmos. O livro apresenta ainda 90 páginas com tabelas para utilização do seu método -
Obtivemos essas informações no site do Gresham College. O texto
a seguir, sobre Briggs, é parte da apresentação às minhas costas. -
Briggs foi um grande matemático. Foi o 1º Professor Saviliano
de Geometria em Osford! -
Que encadeamento fantástico! Percebam a importância de boas escolas e
bons Professores! Briggs convenceu Johann Kepler sobre as vantagens da invenção de Napier. Kepler usou logaritmos para calcular as posições de Marte, o que conduziu-o a descobrir as leis do movimento planetário. A reputação de Kepler foi fundamental na disseminação do uso de logaritmos em toda a Europa. Isaac Newton usou as leis de Kepler para descobrir a lei da gravidade. -
Mestres, afinal de contas, para que eram utilizadas as tábuas
de logaritmo? Elas eram usadas para efetuar multiplicações e divisões, de forma rápida. -
log(x∗y) = log(x) + log(y) log(x/y) = log(x) - log(y)
A régua de cálculo foi um instrumento analógico largamente utilizado pelos engenheiros até surgirem as máquinas de calcular científicas nos anos 70. Elas utilizavam escalas logarítmicas e as duas propriedades abaixo: -
Mestres, já vimos como aproximar funções através da polinomial de
Taylor. As tábuas de logaritmos e das funções trigonométricas foram utilizadas para efetuar aproximações lineares, como na figura que fiz, abaixo. () () a a -
Com a NumPy e a base de Lagrange, aprendemos a
construir funções polinomiais por pares de pontos dados. É só juntar essa duas idéias? -
Sim Loirinha, a ideia de aproximar uma função : ,
→ ℝ através de interpolação por uma polinomial de grau n é óbvia! Escolhemos os valores 0 < 1 < ⋯ < em [, ] e os valores 0 , 1 , ⋯ , serão calculados através da f: 0 = 0 1 = 1 ⋮ = -
Vejam este exemplo: • A função é = () •
Os pontos a interpolar são: (−1, (−1)) (− 1 2 , − 1 2 ) (0, 0 ) (1 2 , 1 2 ) (1, (1)) -
Mestres, e o erro nessa aproximação? Parece que nas extremidades
do intervalo ele aumentou! De fato, veja o gráfico da função erro. Note que a escala vertical está bem ampliada. -
Admitindo-se que: • , e (+1) existe em , •
≤ 0 < 1 < ⋯ < ≤ então para todo [0 , ], existe um número entre 0 e tal que • = + +1 (), onde: • é a polinomial interpoladora de grau por 0 , 0 , 1 , 1 , ⋯ , , , • +1 = +1 ( ) + 1 ! − 0 − 1 ⋯ − Teorema da interpolação polinomial Vocês poderão encontrar a demonstração do teorema a seguir em livros de Análise Numérica. -
Então teremos +1 () ≤ +1 ! | − 0
⋯ − | . E, se os pontos forem igualmente espaçados de ℎ, +1 () ≤ ℎ+1 4 +1 . Se a derivada de ordem + 1, (+1), de for contínua no intervalo [0 , ], ela será limitada. Nesse caso, existirá um número real tal que max [0,] (+1) () = -
Meu querido aluno impaciente ... Como você acha que Numpy
+ Scipy calculam as funções tão rapidamente, com a precisão requerida pelo IEEE 754? Eu realmente não vejo razão para toda essa teoria sobre interpolação e erro. O computador fornece tudo pronto! -
Loirinha, você esqueceu um adjetivo crucial: Com Taylor melhoramos localmente
a precisão! Para valores x k igualmente espaçados, ao aumentarmos o grau da interpoladora, surge o fenômeno de Runge! Mestres, aumentando o grau n da polinomial de Taylor, T n (x), conseguimos melhorar a precisão. Valerá o mesmo para a interpoladora polinomial P n (x) ? -
Veja só que coisa terrível! Nesse exemplo vemos que o
erro cresceu assustadoramente com o grau. Ele dispara nos extremos! -
Uma das razões básicas é o comportamento das polinomiais p
n (x): para x → ∞, temos p n (x) → ±∞. Veremos, mais adiante, que uma escolha adequada dos pontos x k permite melhorar muito a aproximação.