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.
]), 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.
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.
= (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 .
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.
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, ∃ ∈ . . − < ≤
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:
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( , ).
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!
∞ ≥ 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.
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.
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.
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
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.
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:
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
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.
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:
Taylor. As tábuas de logaritmos e das funções trigonométricas foram utilizadas para efetuar aproximações lineares, como na figura que fiz, abaixo. () () a a
→ 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 ⋮ =
≤ 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.
⋯ − | . 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) () =
+ 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!
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) ?