JO

AO LU

IS GONC ALVES
Introducao `a Aproxima cao de Funcoes
Trabalho de Conclusao de Curso apresentado ao
Curso de Matematica - Habilita cao Licenciatura
Departamento de Matematica
Centro de Ciencias Fsicas e Matematicas
Universidade Federal de Santa Catarina
Orientador: Daniel Norberto Kozakevich
Florianopolis
Novembro de 2004
Sumario
Introducao 4
1 Aproximacao Polinomial dos Mnimos Quadrados 5
1.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Caso Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Caso Contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 A abordagem da

Algebra Linear . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Avalia cao da Qualidade do Ajuste . . . . . . . . . . . . . . . . . . . . . 15
2 Polinomios Ortogonais 18
2.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Gera cao Recursiva de Polinomios Ortogonais . . . . . . . . . . . . . . . 20
2.3 Polinomios de Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Polinomios de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.1 Zeros e Extremos dos Polinomios de Chebyshev . . . . . . . . . 29
2.4.2 Minimizando o Erro na Interpola cao de Lagrange . . . . . . . . 32
2.5 Polinomios de Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6 Polinomios de Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Aproximacao por Funcoes Racionais 35
3.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Fra coes Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2
3.3 Aproxima cao de Pade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.1 Aproxima cao por Fun coes Racionais Chebyshev . . . . . . . . . 43
4 Aproximacao Polinomial Trigonometrica 47
Conclusao 55
Referencias Bibliogracas 56
A Norma de Vetores e Matrizes 57
B Condicionamento de Matrizes 61
C Processo de Gram-Schimidt 63
D Serie de Taylor 68
E Teorema da Multiplicidade 71
3
Introducao
A teoria da aproxima cao envolve, em geral, dois tipos de problemas: dada uma
fun cao explicitamente, desejamos encontrar um tipo mais simples de fun cao, para re-
presenta-la, com propriedades que facilitem sua utiliza c ao; um outro problema diz
respeito a ajustar um conjunto de dados, por meio de uma fun cao.
Ao longo deste trabalho buscaremos dentre os metodos de aproxima cao que estu-
daremos, aquele que melhor possa aproximar uma fun cao.
No primeiro captulo introduzimos a aproxima cao polinomial do metodo dos mnimos
quadrados, tendo em vista a grande importancia deste metodo. Apresentaremos seus
casos discreto e contnuo e na ultima se cao analisaremos brevemente este metodo do
ponto de vista da algebra linear.
O segundo captulo trata dos Polinomios Ortogonais, em uma introdu cao `a apro-
xima cao de fun coes estes polinomios nao poderiam car de fora. Sao apresentadas as
propriedades importantes desses polinomios, e introduzimos alguns conceitos impor-
tantes tais como dependencia linear, fun cao peso e ortogonalidade.
O terceiro captulo trata da aproxima cao por Fun coes Racionais, este metodo e
explicado utilizando-se duas tecnicas para obter a fun cao racional, sendo a primeira
por fra coes contnuas, interpolando alguns pontos e a segunda e a aproxima cao de
Pade onde alem de um novo metodo utilizam-se resultados importantes da teoria da
aproxima cao.
No quarto e ultimo captulo tratamos da aproxima cao polinomial trigonometrica.
Alem do novo metodo surgem alguns conceitos importantes tais como Series de Fourier.
4
Captulo 1
Aproximacao Polinomial dos
Mnimos Quadrados
1.1 Introducao
Dado um conjunto de pares ordenados ou uma fun cao y(x), desejamos encontrar
uma fun cao simples que melhoraproxime ou descreva o fenomeno do qual os dados
foram obtidos empiricamente.

E nesse tipo de problema que se aplica o metodo dos
quadrados mnimos.
O que esta na base deste metodo e a minimiza cao da norma ||y p||
2
onde y
representa os dados e p o polinomio de aproxima cao.
1.2 Caso Discreto
Para dados discretos (x
i
, y
i
), com i = 1, 2, ..., n, deve minimizar-se a soma:
S(a
0
, a
1
, ..., a
m
) =
N

i=0
_
y
i
a
0
a
1
x
i
... a
m
x
m
i
_
2
, onde m < N
A condi cao m < N torna muito pouco provavel que o polinomio p(x) = a
0
+a
1
x +
... + a
m
x
m
se coloque em todos os N pontos dados e, portanto, e pouco provavel que
5
S possa ser zero. A ideia de Gauss, que disse ter utilizado o metodo pela primeira vez,
e tornar S tao pequeno quanto possvel.
Para um conjunto de dados cujo graco de dispersao mostra uma distribui cao na
qual os pontos aparecem alinhados, o tipo de fun cao mais adequada para representar
estes dados e uma fun cao linear, a escolha da fun cao pode ser denida observando-se
a disposi cao dos pontos no graco, ou considerando a natureza do fenomeno estudado.
Assim devemos minimizar:
S(a
0
, a
1
) =
m

i=0
_
y
i
(a
0
+ a
1
x
i
)
_
2
para os valores de a
0
e a
1
.
Esta minimiza cao pode ser feita usando as tecnicas de calculo. Assim derivamos S
em rela cao a a
1
e igualamos a zero; depois derivamos S em rela cao a a
0
e igualamos a
zero.
Este processo gera as seguintes equa coes:
_

a
1
m

i=1
_
y
i
(a
0
+ a
1
x
i
)
_
2
= 0

a
0
m

i=1
_
y
i
(a
0
+ a
1
x
i
)
_
2
= 0
que chamaremos de equa coes normais.
A ideia apresentada para o caso linear pode ser estendida para polinomios do tipo
m

i=0
a
k
x
k
= P
m
(x), onde m e menor que o n umero de pontos dados menos 1.
Procedemos como no caso linear. Determinando as derivadas em rela cao a a
0
, a
1
, ..., a
m
e igualando-as a zero obtem-se um sistema de m + 1 equa coes
S
a
k
= 2
N

i=0
x
k
i
(y
i
a
0
a
1
x
i
... a
m
x
m
i
) = 0
com k = 0, 1, ..., m. Fazendo S
k
=
N

i=0
x
k
i
e t
k
=
N

i=0
y
i
x
k
i
, estas equa coes tomam a
forma
6
S
0
a
0
+ S
1
a
1
+ ... + S
m
a
m
= t
0
S
1
a
0
+ S
2
a
1
+ ... + S
m+1
a
m
= t
1
.............................
S
m
a
0
+ S
m+1
a
1
+ ... + S
2m
a
m
= t
m
Encontrando os a
k
teremos os coecientes do polinomio que ajusta os dados no
sentido dos mnimos quadrados.
Exemplo 1.2.1 Determinar a reta dos mnimos quadrados relativa aos dados:
x 6 8 10 12 14 16 18 20 22 24
y 3.8 3.7 4.0 3.9 4.3 4.2 4.2 4.4 4.5 4.5
Designando S =
N

i=0
_
y
i
a
0
a
1
x
i
_
2
, os valores que conduzem ao m aximo anulam
as primeiras derivadas, assim as equac oes normais s ao:
(N + 1)a
0
+
_
N

i=0
x
i
_
a
1
=
N

i=0
y
i
e
_
N

i=0
x
i
_
a
0
+
_
N

i=0
x
2
i
_
a
1
=
N

i=0
x
i
y
i
Introduzindo as notacoes:
A = N + 1, B =

x
i
, C =

x
2
i
, t
0
=

y
i
e t
1
=

x
i
y
i
a solucao deste sistema sera
a
1
=
At
1
Bt
0
AC B
2
e
a
0
=
Ct
0
Bt
1
AC B
2
7
Para aplicar estas formulas aos nossos dados, devemos fazer uma transformac ao
z =
x 6
2
, assim os z
i
sao os inteiros 0,1,...,9. Tem-se ent ao:
A = 9 + 1 = 10, B = 45, C = 285, t
0
= 41, 5 e t
1
= 194, 1.
Assim
a
0
=
10 194, 1 45 41, 5
10 285 45
2
0, 089
e
a
1
=
285 41, 5 45 194, 1
10 285 45
2
3, 76
logo y p(z) sendo p(z) = 0, 09x + 3, 76.
Como 2z + 6 = x, temos p(x) = 0, 045x + 3, 49.
Veja esta aproximacao no gr aco:
6 8 10 12 14 16 18 20 22 24
3.6
3.8
4
4.2
4.4
4.6
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
p(x)=0,045x + 3,49
Figura 1.1: Aproxima cao dos dados pela reta dos mnimos quadrados
8
1.3 Caso Contnuo
No caso contnuo, ao inves de pares ordenados temos uma fun cao dada explicita-
mente, com caractersticas inadequadas para o m ao qual a desejamos aplicar. Nos
interessa substitu-la em um intervalo desejado, por uma fun c ao que se aproxima a
ela e que tenha as propriedades adequadas (por exemplo regularidade, derivabilidade
e calculavel em todo o domnio).
Supondo f C[a, b], o problema sera determinar P
n
que minimize
E(a
0
, a
1
, a
2
, ..., a
n
) =
_
b
a
_
f(x) P
n
(x)
_
2
dx
o que implica
E
a
j
= 0 para cada j=0,1,...,n.
Fazendo estas derivadas e igualando-as a zero obtemos novamente um sistema de
equa coes, as Equa coes Normais, cuja solu cao sao os a
j
, que sao os coecientes do
polinomio que melhor substitui a fun cao inicial, em um determinado intervalo, no
sentido dos mnimos quadrados.
Porem e muito trabalhoso e difcil fazer esta aproxima cao quando P
n
(x) nao e uma
combina cao linear de fun coes ortogonais entre si.
Como exemplo do caso contnuo do metodo dos mnimos quadrados veja o exemplo
2.3.2, no proximo captulo.
1.4 A abordagem da

Algebra Linear
A m de dar um tratamento unicado aos varios metodos dos mnimos quadrados,
vamos considerar o problema geral da minimiza cao em um espa co linear. A solu cao e
encontrada por um processo algebrico, usando a ideia de proje cao ortogonal. Natural-
mente o problema geral da p(x) e as equa coes normais.
9
Em primeiro lugar, lembre que em geometria euclidiana plana, dados um ponto y e
uma reta r, o ponto de r mais proximo de y e o ponto p, unico, tal que py e ortogonal
a r, p e a proje cao ortogonal de y sobre r.
De modo analogo, no espa co euclidiano tridimensional, dados um ponto y e um
plano S, o ponto de S mais proximo de y e o unico p tal que py e ortogonal a todos os
vetores em S, p e a proje cao ortogonal de y sobre o plano S.
Vamos estender esta ideia a um espa co linear geral.
Seja E um espa co linear com produto interno e y um vetor de E, procuramos
determinar um vetor p de um dado subespa co S tal que ||y p|| < ||y q|| sendo
q qualquer vetor de S e diferente de y e sendo que esta norma em E e denida por:
||v|| =
_
(v, v) onde os parenteses denotam o produto interno. Vamos mostrar em
primeiro lugar que existe um unico vetor p tal que y p e ortogonal a qualquer vetor
de S. Este vetor p chama-se proje cao ortogonal de y sobre S.
Suponhamos que S e de dimensao nita e seja e
0
, e
1
, ... ,e
m
uma base ortonormada.
Considere o vetor p = (y, e
0
)e
0
+ (y, e
1
)e
1
+ ... + (y, e
m
)e
m
.
por calculo direto obtemos (p, e
k
) = (y, e
k
), pois (e
k
, e
i
) = 0 se k = i e (e
k
, e
i
) = 1
se k = i, portanto (p y, e
k
) = 0 para k = 0, 1, ..., m, pelo uso das propriedades do
produto interno. Vem entao que (p y, q) = 0 qualquer que seja q pertencente a S,
pois q e uma combina cao linear de elementos da base ortogonal. Se existir um outro
vetor p

com esta mesma propriedade, isto e, se (p

y, q) = 0, entao obtem-se que

para qualquer q de S, (p p

, p p

) = 0. Como p p

pertence a S, devera ter-se

(p p

, p p

) = 0, o que, em virtude das propriedades do produto interno, implica

que p = p

. Para a proje cao ortogonal p, tem-se ||y q||

2
= ||(y p) + (p q)||
2
=
||y p||
2
+||p q||
2
+ 2(y p, p q) e como a ultima parcela do segundo membro e
igual a zero, porque p q e elemento de S, conclui-se que ||y p|| < ||y q|| como
se pretendia.
Sendo u
0
, u
1
, ..., u
m
uma base qualquer de W, como determinar o vetor p que seja
a proje cao ortogonal de y sobre W?
Deveremos ter (yp, u
k
) = 0, ou seja, (p, u
k
) = (y, u
k
) para k = 0, 1, ..., m. Como
10
p tem representa cao unica p = a
0
u
0
+ a
1
u
1
+ ... + a
m
u
m
, por substitui cao obtem-se
(u
0
, u
k
)a
0
+ (u
1
, u
k
)a
1
+ ... + (u
m
, u
k
)a
m
= (y, u
k
)
para k = 0, ..., m. Estas sao as Equa coes Normais para este problema, devemos resolve-
las em rela cao a a
0
, a
1
, ..., a
m
.
Como observamos anteriormente, este sistema tem uma unica solu cao. Note que
no caso especial em que u
0
, u
1
, ..., u
m
e ortonormada, as equa coes normais reduzem-se
a a
i
= (y, u
i
).
Note ainda que se y e dado numa base ortogonal de E que contenha u
0
, u
1
, ..., u
m
,
digamos,
y = a
0
u
0
+ a
1
u
1
+ ... + a
m
u
m
+ a
m+1
u
m+1
+ ...
entao a proje cao ortogonal p, que e a aproxima cao dos mnimos quadrados, obtem-se
imediatamente por truncatura da representa cao depois do termo a
m
u
m
:
y = a
0
u
0
+ a
1
u
1
+ ... + a
m
u
m
.

E interessante relacionar os conceitos entre o metodo para a aproxima cao polinomial

dos mnimos quadrados e o que foi apresentado nesta abordagem ate agora, vejamos:
E: espa co das fun coes reais de domnio x
0
, x
1
, ..., x
N
.
W: o subconjunto de E dos polinomios de grau menor ou igual a m.
y: a fun cao dada tendo valores y
0
, y
1
, ..., y
N
.
(v
1
, v
2
): o produto interno
N

i=0
v
1
(x
i
)v
2
(x
i
).
||v||
2
: a soma
N

i=0
_
v(x
i
)
_
2
.
u
k
: a fun cao com valores x
k
i
.
p: o polinomio com valores p
i
= a
0
+ a
1
x
1
+ ... + a
m
x
m
i
.
||y p||
2
: a soma S =
N

i=0
(y
i
p
i
)
2
.
(y, u
k
): a soma t
k
=
N

i=0
y
i
x
k
i
.
11
(u
i
, u
k
): a soma s
j+k
=
N

i=0
x
i
j+k
.
Usando as mesmas ideias apresentadas no incio desta se cao so que com nota cao
matricial temos que o problema dos mnimos quadrados e:
Sendo A uma matriz mxn, b um vetor pertence a R
m
e Ax = b um sistema que
nao tem solu cao exata, encontrar um vetor x pertencente a R
n
tal que
||b A x|| ||b Ax||,
para todo x em R
n
.
O aspecto mais importante de um problema de mnimos quadrados e que, inde-
pendente do vetor x selecionado, o vetor Ax pertence, necessariamente, ao espa co de
colunas, colA (veja a gura (1.2)). Procuramos, entao, x que torna Ax o ponto mais
proximo de b em colA.

E claro que, se b esta em colA, entao b e da forma Ax para
algum x e tal que x e a solu cao de mnimos quadrados.
colA
0
Ax
Ax
^
b
Ax
Figura 1.2: Proje cao de b no espa co coluna de A (colA)
A solu cao do problema dos mnimos quadrados pode ser encontrada assim, dados
A e b como acima aplicamos ao subespa co colA o teorema da melhor aproxima cao que
diz:
12
Seja W um subespa co de R
n
e seja y a proje cao ortogonal de y sobre W. Entao, y
e o ponto de W mais proximo de y, isto e,
||y y|| < ||y v||,
para todo v em W diferente de y.
Seja

b = proj
colA
b
Como

b esta no espa co das colunas de A, a equa cao Ax =

b e possvel e existe x
em R
n
tal que
A x =

b.
Como

b e o ponto mais proximo de b em colA, um vetor x e uma solu cao de
mnimos quadrados para Ax = b se e somente se x satisfaz A x =

b. Um tal x em
R
n
e uma lista de coecientes que vai formar

b com as colunas de A (existem muitas
solu coes de A x =

b se a equa cao tem variaveis livres).

Suponha que x satisfaz A x =

b. Sabemos da decomposi cao ortogonal que, a
proje cao

b tem a propriedade de que b

b e ortogonal a colA (veja a gura (1.3)), logo

bA x e ortogonal a cada coluna de A. Se a
j
e uma coluna de A, entao a
j
(bA x) = 0
(produto interno) ou a
T
j
[b A x] = 0. Como cada a
T
j
e uma linha de A
T
, temos:
A
T
[b A x] = 0
A
T
b A
T
A x = 0
A
T
A x = A
T
b
que representa os sistema de Equa coes Normais para x, e o conjunto de solu coes dos
mnimos quadrados de Ax = b coincide com o conjunto nao-vazio de solu coes das
equa coes normais A
T
A x = A
T
b.
13
0
b
bAx
^
colA
Ax
^
b
^
=
subespao deIR
n
IR
n
x
^
Figura 1.3: A proje cao ortogonal de b, vista como A x
Exemplo 1.4.1 Determinar a reta dos mnimos quadrados relativa aos dados:
x 6 8 10 12 14 16 18 20 22 24
y 3.8 3.7 4.0 3.9 4.3 4.2 4.2 4.4 4.5 4.5
Solucao: Em forma matricial o problema denota-se assim:
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 6
1 8
1 10
1 12
1 14
1 16
1 18
1 20
1 22
1 24
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_

_
_
a
0
a
1
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
3.8
3.7
4.0
3.9
4.3
4.2
4.2
4.4
4.5
4.5
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
14
Ent ao de acordo com o que foi apresentado podemos resolver este problema, mul-
tiplicando ambos os lados desta equac ao pela transposta da matriz 10x2, que resulta
em:
_
_
10 150
150 2580
_
_

_
_
a
0
a
1
_
_
=
_
_
41.5
637.2
_
_
,
que e equivalente a
_
_
10 150
0 330
_
_

_
_
a
0
a
1
_
_
=
_
_
41.5
14.7
_
_
,
e a partir desse sistema obtemos a
0
= 3.481818182 e a
1
= 0, 0445454, ou seja, a reta
que representa estes dados no sentido dos mnimos quadrados e: y(x) = 0, 0445454x +
3, 481818182. Este resultado, a menos de arredondamentos, e igual ao obtido usando
tecnicas de calculo.
1.5 Avaliacao da Qualidade do Ajuste
Um metodo pelo qual podemos avaliar a qualidade de um ajuste, segundo MA-
CHADO, e atraves do coeciente de correla cao de Pearson. O coeciente de correla cao
de Pearson r
2
pode ser calculado na forma mais geral como:
r
2
= 1
n
n

i=1
(y
i
p(x
i
))
2
n
n

i=1
y
2
i

_
n

i=1
y
i
_
2
Uma outra forma do coeciente de correla cao, valido para ajuste de fun cao do tipo
y = f(x), e expressa como:
15
r =
n

i=1
[(x
i
x
m
)(p(x
i
) p(x
m
))]

_
n

i=1
(x
i
x
m
)
2
n

i=1
(p(x
i
) p
(
x
m
))
2
=
n

i=1
x
i
p(x
i
) nx
m
p(x
m
)
(n 1)S
x
S
y
para a qual x
m
=
n

i=1
x
i
n
e p
m
=
n

i=1
p(x
i
)
n
sao os valores medios de x e p(x),
respectivamente.
As expressoes:
S
x
=

_
n

i=1
(x
i
x
m
)
2
n 1
e S
y
=

_
n

i=1
(p(x
i
) p(x
m
))
2
n 1
representam a covariancia x e covariancia y, respectivamente.
O coeciente de correla cao e limitado aos seguintes valores: 0 r
2
1. Quanto
mais proximo de 1 for o valor de r
2
, melhor sera o ajuste. Quanto mais proximo r
2
estiver de 0, para um ajuste linear, signica que mais desprezvel e o coeciente angular.
Exemplo 1.5.1 Ajustar aos pontos tabelados uma func ao linear do tipo p(x) = a
0
+a
1
x
e determinar o coeciente de correlac ao de Pearson para o ajuste.
x 1,0 1,2 1,4 1,6 1,8 2,0
y 0,525 0,8448 1,2807 1,8634 2,6326 3,6383
x 2,2 2,4 2,6 2,8 3,0
y 4,944 6,6358 8,7768 11,5076 14,9484
Solu c ao:
Seja p(x) = a
0
+ a
1
x a forma da aproximac ao que desejamos.
16
x y x
2
xy (x x
m
)
2
(y y
m
)
2
1,0 0,52500 1 0,525 1 22,1863609
1,2 0,84478 1,44 1,013736 0,64 19,276139
1,4 1,28068 1,96 1,792952 0,36 15,6385448
1,6 1,86340 2,56 2,98144 0,16 11,369305
1,8 2,63260 3,24 4,73868 0,04 6,77373497
2,0 3,63856 4 7,27712 0 2,54938702
2,2 4,94400 4,84 10,8768 0,04 0,08482074
2,4 6,62580 5,76 15,90192 0,16 1,93365711
2,6 8,77679 6,76 22,819654 0,36 12,5425764
2,8 11,50759 7,84 32,221252 0,64 39,3423745
3,0 14,94844 9 44,84532 1 94,3462542
22 57,58764 48,4 144,993874 4,4 226,043155
a
0
=

x
2

xy
n

x
2

x
_
2
=
(48, 40)(57, 58764) (22)(144, 99387)
(11)(48, 40) (22)
2
= 8, 3187
a
1
=
n

xy

y
n

x
2

x
_
2
=
(11)(144, 99387) (22)(57, 58764)
(11)(48, 40) (22)
2
= 6, 7770
S
x
=

(x x
m
)
2
n 1
=
_
4, 4
10
= 0, 66332
S
y
=

(y y
m
)
2
n 1
=
_
226, 04314
10
= 4, 7544
r = a
1
S
x
S
y
= (6, 7770)
0, 66332
4, 7544
= 0, 95
p(x) = 8, 3187 + 6, 7770x r
2
= 0, 9
17
Captulo 2
Polinomios Ortogonais
2.1 Introducao
Para discutirmos uma forma geral da aproxima cao, devemos introduzir no coes de
Dependencia Linear, Fun cao Peso e Ortogonalidade. Vejamos as deni coes:
Propriedade 2.1.1 Se
j
e polin omio de grau j para cada j = 0, 1, 2, .., n ent ao
{
1
,
2
,
3
, ...,
n
} e linearmente independente em algum intervalo [a,b].
Com um conjunto desta forma qualquer polinomio de grau ate n, pode ser escrito
de forma unica como combina cao linear deste conjunto.
Denicao 2.1.1 Uma fun cao integr avel e chamada de func ao peso no intervalo I
se (x) 0 para todo x I, e se n ao e identicamente nula em algum subintervalo
de I.
O proposito da fun cao peso e atribuir importancia maior ou menor para a apro-
xima cao em certas partes (por coes) do intervalo. Por exemplo, a fun cao peso:
(x) =
1

1 x
2
18
coloca menos enfase no centro do intervalo (-1,1) e mais enfase quando |x| esta perto
de 1.
Suponha dado {
1
,
2
,
3
, ...,
n
} um conjunto linearmente independente de fun coes
em [a,b], uma fun cao peso em [a,b] e f C[a, b], uma combina cao linear
P(x) =
n

k=0
a
k

k
(x)
e procurada para minimizar
E(a
0
, a
1
, ..., a
n
) =
_
b
a
(x)
_
f(x)
n

k=0
a
k

k
(x)
_
2
dx.
Usando metodos de calculo, obtemos que isto acontece quando:
0 =
E
a
j
= 2
_
b
a
(x)
_
f(x)
n

k=0
a
k

k
(x)
_

j
(x)dx
para k = 0, 1, ..., n, gerando um sistema de equa coes, este sistema de equa coes pode
ser escrito como:
_
b
a
(x)f(x)
j
(x)d =
n

k=0
a
k
_
b
a
(x)
k
(x)
j
(x)dx,
para cada j = 0, 1, ..., n.
Se as fun coes
1
,
2
,
3
, ...,
n
forem escolhidas de forma que:
_
b
a
(x)
k
(x)
j
(x)dx =
_
_
_
0 se j = k

k
> 0 se j = k
(2.1)
para algum n umero
k
, entao as equa coes normais reduzem-se a:
_
b
a
(x)f(x)
j
(x)dx = a
j
_
b
a
(x)[
j
(x)]
2
dx = a
j

j
para cada j = 0, 1, 2, ..., n.
E assim ca facil determinar os coecientes a
j
, com j = 0, 1, ..., n da combina cao
linear que queramos
a
j
=
1

j
_
b
a
(x)f(x)
j
(x)dx
19
Observe que o problema de aproxima cao dos mnimos quadrados e grandemente
simplicado quando as fun coes
1
,
2
,
3
, ...,
n
sao escolhidas satisfazendo a equa cao
2.1.
Denicao 2.1.2 Dadas as fun c oes
1
,
2
,
3
, ...,
n
, o conjunto {
1
,
2
,
3
, ...,
n
} e
ortogonal no intervalo [a,b] com respeito a func ao peso , se a equac ao 2.1 e satisfeita.
Se tivermos
k
= 1 para cada k=0,1,2,...,n, o conjunto de fun coes sera chamado de
ortonormal.
Essa deni cao, juntamente com o processo realizado anteriormente, implica no se-
guinte:
Se {
1
,
2
,
3
, ...,
n
} e um conjunto ortogonal de fun coes em um intervalo [a,b]
com respeito a fun cao peso , entao a aproxima cao dos mnimos quadrados para f em
[a,b] com respeito `a e:
P(x) =
n

k=0
a
k

k
(x)
onde
a
k
=
_
b
a
(x)
k
(x)f(x)dx
_
b
a
(x)[
k
(x)]
2
dx
=
1

k
_
b
a
(x)
k
(x)f(x)dx
2.2 Geracao Recursiva de Polinomios Ortogonais
Este resultado esta baseado no processo de Gram-Schmidt, este descreve um pro-
cesso recursivo para constru cao de polinomios ortogonais em [a,b] com respeito `a fun cao
peso .
O conjunto de polinomios {
0
,
1
,
2
,
3
, ...,
n
} denido a seguir e linearmente
independente e ortogonal em [a,b] com respeito a fun cao peso ,

0
1,
1
= X B
1
20
onde
B
1
=
_
b
a
x(x)[
0
(x)]
2
dx
_
b
a
(x)[
0
(x)]
2
dx
e para k 2

k
(x) = (X B
k
)
k1
(x) C
k

k2
(x) (2.2)
onde
B
k
=
_
b
a
x(x)[
k1
(x)]
2
dx
_
b
a
(x)[
k1
(x)]
2
dx
e
C
k
=
_
b
a
x(x)
k1
(x)
k2
(x)dx
_
b
a
(x)[
k2
(x)]
2
dx
Assim, para algum polinomio Q
k
de algum grau k < n
_
b
a
(x)
n
(x)
k
(x)dx = 0
Exemplo 2.2.1 O conjunto dos polin omios de Legendre (que s ao o assunto da nossa
proxima secao), {P
n
} e ortogonal em [-1,1] com respeito ` a func ao peso = 1. A
denicao classica dos polinomios de Legendre requer que P
n
(1) = 1. Para cada n,
a relacao recursiva ( equacao 2.2) pode ser usada para gerar os polin omios quando
n 2. A normalizacao nao sera necess aria na nossa discuss ao, e nos polin omios
da aproximacao por mnimos quadrados gerados em outro caso sera essencialmente o
mesmo.
Usando o processo recursivo, P
0
(x) 1, e
21
B
1
=
_
1
1
xdx
_
1
1
dx
= 0 e P
1
(x) =
_
x B
1
_
P
0
(x) = x
tambem
B
2
=
_
1
1
x
3
dx
_
1
1
x
2
dx
= 0 e C
2
=
_
1
1
x
2
dx
_
1
1
1dx
=
1
3
,
e P
2
(x) =
_
x B
2
_
P
1
(x) C
2
P
0
(x) =
_
x 0
_
x
1
3
1 = x
2

1
3
Os outros polinomios de Legendre s ao obtidos da mesma maneira. Os proximos tres
sao:
P
3
(x) = x
3

3
5
x , P
4
(x) = x
4

6
7
x
2
+
3
35
e P
5
(x) = x
5

10
9
x
3
+
5
21
.
2.3 Polinomios de Legendre
Denicao 2.3.1 Os Polinomios de Legendre s ao denidos no intervalo [-1,1] pela
formula
y =
_
_
_
P
0
(x) = 1
P
n
(x) =
1
2
n
n!
d
n
dx
n
[(x
2
1)
n
], n 1
onde o ndice que aparece em P
n
indica a ordem do polin omio.
A partir dessa deni cao, podemos encontrar algumas propriedades, que seguem:
Propriedade 2.3.1 Os polinomios de Legendre s ao ortogonais em relac ao ao pro-
duto interno usual para fun coes contnuas no intervalo [-1,1], (f, g) =
_
1
1
f(x)g(x)dx,
tendo-se entao que
(P
n
, P
j
) = y =
_
_
_
0 se n = j
2
2n + 1
se n = j
cujo resultado e obtido realizando a integrac ao envolvida no produto interno.
22
Propriedade 2.3.2 Os polinomios de Legendre apresentam a seguinte simetria:
P
n
(x) = (1)
n
P
n
(x).
Propriedade 2.3.3 Para x [-1,1], tem-se que
|P
n
(x)| 1.
A gura abaixo nos mostra os polin omios de Legendre ate a ordem 5 no intervalo
[-1,1].
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
P1
P2
P3
P4
P5
Figura 2.1: Polinomios de Legendre
Veremos alguns exemplos da utiliza cao dos polinomios de Legendre.
23
Exemplo 2.3.1 (Neste exemplo podemos perceber como o uso de polin omios ortogo-
nais simplica a aproximacao). Determinar os coecientes a
i
, para i = 0, 1, ..., m de
forma que
E =
_
1
1
[y(x) a
0
P
0
(x) a
1
P
1
(x) ... a
m
P
m
(x)]
2
dx
seja o mnimo, onde P
k
e o Polinomio de Legendre de grau k.
Sol.: O uso dos Polinomios de Legendre e bastante conveniente, pois vai permitir que
as equa coes normais que permitem determinar os coecientes a
k
formem um sistema
muito simples de resolver. Como qualquer polin omio pode ser expresso como uma com-
binacao linear de Polinomios de Legendre, estamos efetivamente resolvendo o problema
da aproximacao polinomial dos mnimos quadrados para dados contnuos.
Igualando a zero as derivadas de E, tem-se
E
a
k
= 2
_
1
1
[y(x) a
0
P
0
(x) a
1
P
1
(x) ... a
m
P
m
(x)]P
k
(x)dx = 0
para k = 0, 1, ..., m. Dada a ortogonalidade destes polin omios, estas equac oes simplicam-
se imediatamente para
_
1
1
[y(x) a
k
P
k
(x)]P
k
(x)dx = 0.
Assim cada equacao envolve apenas um a
k
e tem-se:
a
k
=
_
1
1
y(x)P
k
(x)dx
_
1
1
P
2
k
(x)dx
Exemplo 2.3.2 Determinar a aproximac ao do mnimos quadrados para y(x) = sin(t)
no intervalo (0, ) por uma parabola. Use os polin omios de Legendre. Soluc ao: Em
primeiro lugar facamos t =
(x + 1)
2
a m de se obter o intervalo (1, 1) no argumento
x.
Teremos entao y = sin[
(x + 1)
2
].
24
Assim
a
0
=
_
1
1
sin[
(x + 1)
2
] 1dx
_
1
1
1dx
a
0
=

(cos[
(x + 1)
2
])

1
1
x

1
1
a
0
=

(2)
2
a
0
=
2

a
1
=
_
1
1
sin[
(x + 1)
2
] xdx
_
1
1
xdx
a
1
= 0
a
2
=
_
1
1
sin[
(x + 1)
2
] (x
2

1
3
)dx
_
1
1
(x
2

1
3
)dx
a
2
=
10

(1
12

2
)
sendo entao a parabola dada por:
y =
2

+
10

(1
12

2
)
1
2
(3x
2
1)
y =
2

+
10

(1
12

2
)[
6

2
(t

2
)
2

1
2
]
A parabola e a senoide estao representadas na gura aseguir, para mostrar a qua-
lidade da aproximacao:
25
0 0.5 1 1.5 2 2.5 3 3.5
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
sen(x)
Aproximao
Figura 2.2: Senoide e sua aproxima cao dos mnimos quadrados usando polinomios de
Legendre
2.4 Polinomios de Chebyshev
Os Polinomios de Chebyshev {T
n
} sao ortogonais em (-1,1). Com respeito a fun cao
peso (x) =
1

1 x
2
. Podemos mostrar que isso e verdade usando a deni cao dada
de ortogonalidade.
Denicao 2.4.1 Para x [1, 1], dene-se:
T
n
(x) = cos(narccos(x)), para cada n 0
Primeiro note que
T
0
(x) = cos0 = 1
26
e
T
1
(x) = cos(arccos x) = x
Para n 1 introduzimos a substitui cao = arccos x, mundando a equa cao para
T
n
((x)) = T
n
() = cos(n),
onde [0, ].
Uma rela cao de recorrencia e obtida notando-se que
T
n+1
() = cos(n + ) = cos(n) cos sin(n) sin()
e
T
n1
() = cos(n ) = cos(n) cos + sin(n) sin()
somando estas equa coes temos que
T
n+1
() = 2 cos(n) cos T
n1
()
retornando `a variavel x temos o seguinte:
T
0
(x) = 1,
T
1
(x) = x
e para n 1
T
n+1
(x) = 2xT
n
(x) T
n1
(x)
A rela cao de recorrencia implica que T
n
e um polinomio de grau n com o coeciente
do termo de maior grau igual a 2
n1
, quando n 1. Os proximos tres polinomios de
Chebyshev sao:
T
2
(x) = 2xT
1
(x) T
0
(x) = 2x
2
1
T
3
(x) = 2xT
2
(x) T
1
(x) = 4x
3
3x, e
T
4
(x) = 2xT
3
(x) T
2
(x) = 8x
4
8x
2
+ 1
Os gracos de T
1
, T
2
, T
3
e T
4
sao mostrados na gura abaixo:
27
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
T3
T2
T4
T1
Figura 2.3: Polinomios de Chebyshev
Para mostrar a ortogonalidade dos Polinomios de Chebyshev, considere:
_
1
1
T
n
(x) T
m
(x)

1 x
2
dx =
_
1
1
cos(narccos x) cos(marccos x)

1 x
2
dx
Utilizando novamente a substitui cao = arccos x, temos d =
1

1 x
2
dx e
_
1
1
T
n
(x) T
m
(x)

1 x
2
dx =
_
0

cos(n) cos(m)d =
_

0
cos(n) cos(m)d
Supondo m = n.
Desde entao:
cos(n) cos(m) =
1
2
_
cos((n + m)) + cos((n m)
_
28
temos:
_
1
1
T
n
(x) T
m
(x)

1 x
2
dx =
1
2
_

0
cos((n + m))d +
1
2
_

0
cos((n m))d =
=
_
1
2(n + m)
sin((n + m)) +
1
2(mn)
sin((n m))
_

0
= 0.
De maneira semelhante, podemos tambem mostrar que:
_
1
1
[T
n
(x)]
2

1 x
2
dx =

2
para cada n 1.
2.4.1 Zeros e Extremos dos Polinomios de Chebyshev
Um dos resultados importantes sobre os Polinomios de Chebyshev, diz respeito aos
zeros e extremos.
Teorema 2.4.1 O Polinomio de Chebyshev T
n
de grau n 1 tem n zeros no intervalo
[-1,1 ] e nenhum zero fora desse intervalo.
Prova: Como T
n
(x) = cos n, onde = arccos x, ou seja x = cos e 1 x 1,
pode p or-se sem perda de generalidade 0 , o que torna a relac ao entre e x
mais precisa.

E claro que T
n
(x) e igual a zero para =
(2i + 1)
2n
, ou seja
x
i
= cos
(2i + 1)
2n
,
para i = 0, 1, ..., n1 que sao n argumentos distintos entre -1 e Como T
n
(x) tem apenas
n zeros, nao pode existir qualquer zero fora do intervalo.
Alem disso, T
n
assume o valor maximo no intervalo [-1,1] quando x

k
= cos
_
k
n
_
com T
n
( x

k
) = (1)
k
para cada k = 0, 1, ..., n.
Esta e a principal propriedade dos Polinomios de Chebyshev e recebe varios nomes
como propriedade do erro igual e propriedade de igual oscila cao.
Devido a esta propriedade o polinomio de Chebyshev e muito importante na apro-
xima cao de fun coes, seja pelo metodo dos quadrados mnimos ou outros metodos.
29
Mas em que medida estas propriedades fazem com que a aproxima cao dos mnimos
quadrados y(x) a
0
T
0
(x) + ... + a
m
T
m
(x), seja superior a aproxima coes semelhantes
usando outros polinomios em vez de T
k
(x)?
Bem, suponhamos que, para a fun cao y(x) em questao, a serie obtida quando m
tende ao innito converge para y(x) e converge sucientemente depressa para que
y(x) a
0
T
0
(x) ... a
m
T
m
(x) a
m+1
T
m+1
(x), isto e, o erro cometido por truncatura
da serie seja essencialmente o primeiro termo omitido. Como T
m+1
(x) tem a mesma
propriedade da igual oscila cao, o erro da nossa aproxima cao utuara entre a
m+1
e
a
m+1
ao longo do intervalo (1, 1). O erro nao sera essencialmente maior sobre uma
parte do intervalo quando comparada com outra. Esta uniformidade do erro pode ser
vista como uma recompensa por aceitar a nada agradavel fun c ao peso (x) =
1

1 x
2
.
Denicao 2.4.2 O Polinomio M onico de Chebyshev e aquele que tem o coeciente do
termo de maior grau igual a um, esse e obtido de um polin omio de Chebyshev, dividindo
este por seu coeciente do termo maior grau, que e 2
n1
. E este e denotado por

T
n
.
De tal modo:

T
0
(x) = 1,
e

T
n
(x) = 2
1n
T
n
(x),
para cada n 1.
Esses polinomios satisfazem a rela cao de recorrencia:

T
n+1
(x) = x

T
n
(x)
1
4

T
n1
(x),
para cada n 2.
Por causa da rela cao linear entre

T
n
e T
n
(x), os zeros de

T
n
tambem ocorrem em:
x
k
= cos
_
2k 1
2n

_
para cada k = 1, 2, ...n.
30
e os valores extremos de

T
n
ocorrem em:
x

k
= cos
_
k
n
_
com T
n
( x

k
) = (1)
k
para cada k = 0, 1, ..., n.
Denotaremos

n
para o conjunto de todos os Polinomios Monicos de grau n.
Temos entao uma importante propriedade de minimiza cao que distingue os po-
linomios

T
n
dos outros membros de

n
.
Propriedade 2.4.1 O polinomio

T
n
, quando n 1, tem a propriedade:
1
2
n1
= max
x[1,1]
|

T
n
(x)| max
x[1,1]
|P
n
(x)|
para todo P
n
(x)

n
.
Alem disso, a igualdade pode ocorrer somente se P
n
(x) =

T
n
.
Esse resultado e usado para responder a questao de onde colocar os nos de inter-
pola cao para minimizar o erro na interpola cao de Lagrange.
A forma do erro do Polinomio de Lagrange aplicado ao intervalo [1, 1] arma que
se x
0
, x
1
, ..., x
n
sao n umeros distintos no intervalo [1, 1] e f C
n+1
[1, 1], entao, para
cada x [1, 1], existe um n umero (x) em (1, 1) com
f(x) P(x) =
f
n+1
((x))
(n + 1)!
(x x
0
)...(x x
n
),
onde P denota o polinomio Interpolador de Lagrange.
Como nao ha controle sobre (x), minimizar o erro por uma escolha inteligente dos
nos x
0
, x
1
, ..., x
n
e equivalente a encontrar os x
0
, x
1
, ..., x
n
que minimizam a quantidade
|(x x
0
)(x x
1
)...(x x
n
)|
para valores de x
0
, x
1
, ..., x
n
no intervalo [1, 1]. Desde que (x x
0
)(x x
1
)...(x x
n
)
seja um polinomio monico de grau n + 1, o mnimo e obtido quando:
(x x
0
)(x x
1
)...(x x
n
) =

T
n+1
(x).
31
Como x
k
e escolhido para ser o (k + 1)-esimo zero de

T
n+1
, para cada k = 0, 1, ..., n,
isto e,
x
k+1
= cos
_
2k + 11
2(n + 1)

_
o valor maximo de |(xx
0
)(xx
1
)...(xx
n
)| e minimizado. Desde que max
x[1,1]
|

T
n
(x)| =
1
2
n
, isso tambem implica que
1
2
n
= max
x[1,1]
|(x x
1
)(x x
2
)...(x x
n+1
)| max
x[1,1]
|(x x
0
)(x x
1
)...(x x
n
)
para alguma escolha de x
0
, x
1
, x
2
, ..., x
n
no intervalo [1, 1].
2.4.2 Minimizando o Erro na Interpolacao de Lagrange
Se P
n
e o polinomio interpolador de grau n, com nos nas razes de T
n+1
, entao, para
alguma f C
n+1
[1, 1],
max
x[1,1]
|f(x) P(x)|
1
2
n
(n + 1)!
max
x[1,1]
|f
(n+1)
(x)|.
A tecnica de escolher pontos que minimizem o erro pode ser facilmente estendida
para um intervalo generico fechado [a, b], usando a mudan ca de variavel
x =
1
2
_
(b a)x + a + b
_
para transformar os n umeros do intervalo [1, 1] nos seus correspondentes no intervalo
[a, b].
2.5 Polinomios de Hermite
Os polinomios de Hermite sao ortogonais em ]

,
+
[, em rela cao a fun cao peso
(x) = e
x
2
.
(H
n
, H
m
) =
_

+

(x)H
n
(x)H
m
(x)dx =
_
_
_
0 se n = m

2
n
n! se n = m
32
Estes polinomios podem ser gerados pela seguinte propriedade recursiva.
Propriedade 2.5.1
H
n
(x) = 2xH
n1
(x) H

n1
(x), n 2
onde H
0
(x) = 1 e H
1
(x) = 2x.
O H
n
tem grau n. Os 6 primeiros polinomios de Hermite sao:
H
0
(x) = 1, H
1
(x) = 2x, H
2
(x) = 4x
2
2,
H
3
(x) = 8x
3
12x, H
4
(x) = 16x
4
48x
2
+ 12 e
H
5
(x) = 32x
5
160x
3
+ 120x
Veja-os no graco abaixo:
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
50
40
30
20
10
0
10
20
30
40
50
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
H5
H4
H3
H2
H1
Figura 2.4: Polinomios de Hermite
33
2.6 Polinomios de Laguerre
Os polinomios de Laguerre sao ortonornais em [0,
+
[, em rela cao a fun cao peso
(x) = e
x
.
(L
n
, L
m
) =
_

+
0
(x)L
n
(x)L
m
(x)dx =
_
_
_
0 se n = m
1 se n = m
Os 5 primeiros polinomios de Laguerre sao:
L
0
= 1, L
1
= 1 x, L
2
(x) = 1 2x +
x
2
2
,
L
3
(x) = 1 3x +
3x
2
2

1
6
x
3
e L
4
(x) = 1 4x + 3x
2

2x
3
3
+
x
4
24
Veja-os abaixo:
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1
0
1
2
3
4
5
6
7
8
9
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
L1
L2
L3
L4
Figura 2.5: Polinomios de Laguerre
34
Captulo 3
Aproximacao por Funcoes Racionais
3.1 Introducao
As fun coes racionais sao quocientes de polinomios e por isso formam uma classe
maior que a dos polinomios, o que de certo modo aumenta as perspectivas de conduzir
a melhores aproxima coes. Por exemplo, fun coes com polos dicilmente poderao ser
aproximadas por polinomios que nao tem singularidades; tais fun coes sao o principal
alvo da aproxima cao por fun coes racionais. Mas mesmo com fun coes sem singularida-
des, pode-se em certas situa coes ser prefervel a aproxima cao por fun coes racionais.
Uma fun cao racional r de grau N tem a forma
r(x) =
p(x)
q(x)
onde p e q sao polinomios cuja soma dos graus e N.
Segundo SCHEID,
as fun coes racionais cujo numerador e o denominador tem o mesmo ou
aproximadamente o mesmo grau, geralmente produzem aproxima coes com
resultados superiores aos dos metodos polinomiais, para a mesma quanti-
dade de esfor co computacional.
As fun coes racionais tem a vantagem adicional de permitir a eciente aproxima cao
35
de fun coes que tem innitas descontinuidades proximas do intervalo de aproxima cao.
A aproxima cao polinomial e geralmente inaceitavel nessa situa cao.
Supondo que r e uma fun cao racional de grau N = n + m da forma
r(x) =
p(x)
q(x)
=
p
0
+ p
1
x + ... + p
n
x
n
q
0
+ q
1
x + ... + q
m
x
m
que e usada para aproximar a fun cao f em um intervalo fechado I contendo o zero.
Para r ser denido no zero e necessario que q
0
= 0. Podemos assumir que q
0
= 1, se esse
nao for o caso simplesmente trocamos p(x) por p(x)/q
0
e q(x)/q
0
. Conseq uentemente
seriam N + 1 parametros q
1
, q
2
, ..., q
m
, p
0
, p
1
, ..., p
n
disponveis para a aproxima cao de
f por r.
A fun cao r(x) pode ser determinada de muitas formas, por exemplo minimizando
alguma das normas das diferen cas da fun cao a ser aproximada e a fun cao racional, ou
de maneira que r(x) interpole alguns pontos de f(x), ou usando a tecnica de Pade.
Neste trabalho veremos duas formas de faze-lo.
3.2 Fracoes Contnuas
Interpola cao em certos pontos e uma base para selecionar uma aproxima cao racio-
nal. As principais ferramentas a usar sao as fra coes contnuas e as diferen cas recprocas.
As fra coes contnuas a serem usadas sao da forma:
y(x) = y
1
+
x x
1

1
+
x x
2

2
y
1
+
x x
3

1
+
x x
4

2
(3.1)
que, se necessario, podem ser continuadas. Nao e difcil vericar que esta fra cao par-
ticular pode ser escrita como o quociente de dois polinomios quadraticos, ou seja uma
fun cao racional. Os coecientes sao determinados de forma a haver interpola cao. No
caso presente obtem-se

1
=
x
2
x
1
y
2
y
1
36

2
y
1
=
x
3
x
2
x
3
x
1
y
3
y
1

x
2
x
1
y
2
y
1
com expressoes semelhantes para
3
e
4
.
Exemplo 3.2.1 Determinar a func ao racional y(x) =
1
a + bx
tal que y(1) = 1 e
y(3) =
1
2
.
Solucao: Por substituicao, obtem-se que a + b = 1 e a + 3b = 2, ou seja, a = b =
1
2
.
Assim a fracao prentendida e y(x) =
2
1 + x
.
Este problema muito simples explica o fato de que a determina cao de uma fun cao
racional por interpola cao corresponde a resolver um sistema de equa coes lineares em
que as incognitas sao os coecientes da fun cao que estamos construindo.
Exemplo 3.2.2 Usar uma aproximac ao racional para interpolar tan(1, 565) a partir
dos dados da tabela das diferencas recprocas, abaixo:
x tan(x)
1,53 24,498
0,0012558
1,54 32,461 -0,033
0,0006403 2,7279
1,55 48,078 -0,022 -0,4167
0,0002245 1,7145
1,56 92,631 -0,0045
0,0000086
1,57 12255,8
Solucao: Nesta tabela estao indicadas as diferencas recprocas ate a quarta ordem.
A interpolacao conforme a equac ao 3.1 e feita por:
tan(1, 565) 24, 498 +
1, 565 1, 53
0, 001258 +
1, 565 1, 54
24, 531 +
1, 565 1, 55
2, 7266 +
1, 565 1, 56
0, 3837
37
que resulta tan(1, 565) = 172, 552 sendo que o correto e 172,5211218. Este resultado
esta quase perfeito, o que e notavel tendo em conta que estamos bastante proximos de
um dos polos (

2
) da fun cao tangente.
3.3 Aproximacao de Pade
O outro metodo de escolher uma fun cao racional para uma aproxima cao desejada
e conhecido como Aproxima cao de Pade. Antes porem vejamos alguns conceitos ne-
cessarios, para um melhor entendimento do metodo.
Denicao 3.3.1 A solucao p de f(x) = 0, e dita uma raiz de multiplicidade m de f(x),
se f(x) pode ser escrita como f(x) = (x p)
m
q(x), para x = p, onde lim
xp
q(x) = 0.
Em essencia, q(x) representa aquela parte de f(x) que n ao contribui para a raiz de
f.
Teorema 3.3.1 Seja f C
m
[a, b], f tem uma raiz de multiplicidade m no ponto p se
e somente se 0 = f
0
(p) = f
1
(p) = f
2
(p) = ... = f
m1
(p), mas f
m
(p) = 0
Demonstracao: (Ver Apendice F).
Denicao 3.3.2 A tecnica de Aproximac ao de Pade escolhe N + 1 parametros de tal
modo que f
(k)
(0) = r
(k)
(0) para cada k = 0, 1, 2, ..., N, onde f e a func ao que se deseja
aproximar e r e uma fun cao racional de grau N.
A aproxima cao de Pade e a extensao do Polinomio de Taylor para Fun coes Racio-
nais. De fato, quando n = N e m = 0, a aproxima cao de Pade e a n-esima expansao
do Polinomio de Taylor no ponto zero ou seja a n-esima expansao do Polinomio de
Maclaurin.
Considere a diferen ca
f(x) r(x) = f(x)
p(x)
q(x)
=
f(x)q(x) p(x)
q(x)
38
f(x) r(x) =
f(x)

i=0
q
i
x
i

i=0
p
i
x
i
q(x)
e suponha que f tenha a expansao da Serie de Maclaurin f(x) =

i=0
a
i
x
i
.
Entao
f(x) r(x) =

i=0
a
i
x
i

i=0
q
i
x
i

i=0
p
i
x
i
q(x)
(3.2)
O objetivo e escolher as constantes q
1
, q
2
, ..., q
m
e p
0
, p
1
, ..., p
n
de tal modo que
f
(k)
(0) r
(k)
(0) = 0 para cada k = 0, 1, ..., N.
Isso equivale a f r ter uma raiz de multiplicidade N + 1 no ponto zero. Como
conseq uencia nos escolhemos q
1
, q
2
, ..., q
m
e p
0
, p
1
, ..., p
n
de tal modo que o numerador
do membro direito da equa cao 3.2, ou seja,
(a
0
+ a
1
x + a
2
x
2
+ ...)(1 + q
1
x + ... + q
m
x
m
) (p
0
+ p
1
x + ... + p
n
x
n
)
nao tenha termos de grau menor ou igual a N. Para simplicar a nota cao, denimos
p
n+1
= p
n+2
= ... = p
N
= 0 e q
m+1
= q
m+2
= ... = q
N
= 0. O coeciente de x
k
e
_
k

i=0
a
i
q
ki
_
p
k
e a fun cao racional para a Aproxima cao de Pade, resulta da solu cao
de N + 1 equa coes lineares
k

i=0
a
i
q
ki
= p
k
, k = 0, 1, ..., N
em N + 1 incognitas q
1
, q
2
, ..., q
m
, p
0
, p
1
, ..., p
n
.
Exemplo 3.3.1 A expansao da serie de Maclaurin para e
x
e:

i=0
(1)
i
i!
x
i
Para achar a aproximacao de Pade para e
x
de grau 5 com n = 3 e m = 2
requer que encontremos p
0
, p
1
, p
2
, p
3
, q
1
e q
2
de modo que os coecientes de x
k
para
39
k = 0, 1, 2, 3, 4 e 5 sejam zero na express ao
(1 x +
x
2
2

x
3
6
+ ...)(1 + q
1
x + q
2
x
2
) (p
0
+ p
1
x + p
2
x
2
+ p
3
x
3
)
Expandindo e reagrupando os termos, temos:
x
5
:
1
120
+
1
24
q
1

1
6
q
2
= 0; x
2
:
1
2
q
1
+ q
2
= p
2
;
x
4
:
1
24

1
6
q
1
+
1
2
q
2
= 0; x
1
: 1 + q
1
= p
1
;
x
3
:
1
6
+
1
12
q
1
q
2
= 0; x
0
: 1 = p
0
;
a solucao do sistema acima e:
p
0
= 1 , p
1
=
3
5
, p
2
=
3
20
, p
3
=
1
60
q
1
=
2
5
e q
2
=
1
20
assim a aproximacao de Pade e:
r(x) =
1
3
5
x +
3
20
x
2

1
60
x
3
1 +
2
5
x +
1
20
x
2
Listando os valores de r(x) e P
5
(x), o quinto Polinomio de Maclaurin (P
5
(x) =
1 x +
x
2
2

x
3
6
+
x
4
24

x
5
120
), a aproxima cao de Pade e claramente superior nesse
exemplo:
Veja como cam os gracos de f(x), de sua aproxima cao racional S
3
(x) e de P
5
(x)
na gura 3.1.
x e
x
P
5
(x) |e
x
P
5
(x)| r(x) |e
x
r(x)|
0.2 0.81873075 0.81873067 8.64 x 10
8
0.81873075 7.55 x 10
9
0.4 0.67032005 0.67031467 5.38 x 10
6
0.67031963 4.11 x 10
7
0.6 0.54881164 0.54875200 5.96 x 10
5
0.54880763 4.00 x 10
6
0.8 0.44932896 0.44900267 3.26 x 10
4
0.44930966 1.93 x 10
5
1.0 0.36787944 0.36666667 1.21 x 10
3
0.36781609 6.33 x 10
5
40
5 4 3 2 1 0 1 2 3 4 5
20
0
20
40
60
80
100
120
140
160
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
Exp(x)
P5(x)
R(x)
Figura 3.1: Aproxima cao racional de e
x
comparada com a aproxima cao de Maclaurin
A tabela e interessante para comparar os erros nos dois metodos, outro aspecto im-
portante e o n umero de opera coes aritmeticas requeridas para calcular valores de P
5
(x)
e r(x) no exemplo 3.3.1. Usando multiplica coes sucessivas, P
5
(x) pode ser expressa
como:
P
5
(x) = 1 x(1 x(
1
2
x(
1
6
x(
1
24

1
120
x))))
Assumindo que os coecientes de 1, x, x
2
, x
3
, x
4
e x
5
sao representados como de-
cimais, para um simples calculo de P
5
(x) na forma de multiplica coes sucessivas, sao
necessarias cinco multiplica coes e cinco adi coes/subtra coes.
41
Usando multiplica coes sucessivas, r(x) e expressa como:
r(x) =
1 x(
3
5
x(
3
20

1
60
x))
1 + x(
2
5
+
1
20
x)
deste modo para um simples calculo de r(x) sao necessarias cinco multiplica coes, cinco
adi coes/subtra coes e uma divisao. Assim o esfor co computacional parece ser menor na
aproxima cao polinomial. Contudo, podemos reescrever r(x) como uma divisao contnua
(Fra coes contnuas):
r(x) =
1 x
_
3
5
x(
3
20

1
60
x)
_
1 + x(
2
5
+
1
20
x)
=

1
3
x
3
+ 3x
2
12x + 20
x
2
+ 8x + 20
=
1
3
x +
17
3
+

152
3
x
280
3
x
2
+ 8x + 20
=
1
3
x +
17
3
+

152
3
x
2
+ 8x + 20
x +
35
19
ou
r(x) =
1
3
x +
17
3
+

152
3
x +
117
19
+
3125
361
x +
35
19
Escrevendo dessa forma, um simples calculo de r(x) requer uma multiplica cao, cinco
adi coes/subtra coes e duas divisoes. Se a quantidade de computa cao requerida para a
divisao e aproximadamente o mesmo que para multiplica cao, o esfor co computacional
requerido para avalia cao de P
5
(x) excede signicativamente o esfor co requerido para
avaliar r(x). Expressando a aproxima cao fun cao racional nesta forma, ela e chamada
42
aproxima cao Fra coes - Contnuas. Essa e uma tecnica cl assica de aproxima cao de
corrente interesse porque essa representa cao e eciente computacionalmente.
Embora a aproxima cao por fun coes racionais no exemplo 3.3.1 de resultados superi-
ores a aproxima cao polinomial de mesmo grau, a aproxima c ao tem uma larga varia cao
na exatidao, a aproxima cao em 0.2 tem uma exatidao dentro da ordem de 8x10
9
,
enquanto em x = 1.0 a aproxima cao e a fun cao concordam dentro da ordem de 7x10
5
.
Essa varia cao na exatidao era esperada, porque a aproxima cao de Pade e baseada
em uma representa cao de Taylor de e
x
, e a representa cao de Taylor tem uma larga
varia cao de exatidao em [0.2; 1.0].
3.3.1 Aproximacao por Funcoes Racionais Chebyshev
Para obter mais uniformidade na exatidao da aproxima cao fun coes racionais, usa-
mos a classe dos Polinomios de Chebyshev, uma classe que exibe um comportamento
mais uniforme.
O metodo geral de Aproxima cao Fun cao Racional Chebyshev procede-se da mesma
maneira que a Aproxima cao de Pade, exceto que cada termo x
k
na Aproxima cao de
Pade e trocado pelo k-esimo polinomio de Chebyshev T
k
(x).
Supondo que queiramos aproximar a fun cao f por uma fun cao racional de grau N,
a escrevemos na forma:
r(x) =
n

k=0
p
k
T
k
(x)
m

k=0
q
k
T
k
(x)
,
onde N = m+n e q
0
= 1. Escrevendo f(x) como uma serie envolvendo polinomios de
Chebyshev:
f(x) r(x) =

k=0
a
k
T
k
(x)
n

k=0
p
k
T
k
(x)
m

k=0
q
k
T
k
(x)
43
ou
f(x) r(x) =

k=0
a
k
T
k
(x)
m

k=0
q
k
T
k
(x)
n

k=0
p
k
T
k
(x)
m

k=0
q
k
T
k
(x)
.
Os coecientes q
1
, q
2
, ..., q
m
, p
0
, p
1
, ..., p
n
sao escolhidos de tal modo que o numerador
da fra cao acima, lado direito, tenha zero como coeciente para T
k
(x) quando k =
0, 1, 2, ..., N.
Isso implica que
_
a
0
T
0
(x)+a
1
T
1
(x)+...
__
T
0
(x)+q
1
T
1
(x)+... +q
m
T
m
(x)
_

_
p
0
T
0
(x)+... +p
n
T
n
(x)
_
nao tem termos de grau menor ou igual a N.
Surgem dois problemas com o procedimento de Aproxima cao Raci0onal de Chebyshev
que fazem este aparentemente mais difcil de implementar que o metodo de Pade.
Um ocorre por causa do produto dos Polinomios de Chebyshev. Esse problema e
resolvido fazendo uso da rela cao
T
i
(x)T
j
(x) =
1
2
[T
i+j
(x) + T
|ij|
(x)]
O outro problema envolve a computa cao da Serie de Chebyshev para f(x). Na
teoria, isso nao e difcil, visto que se
f(x) =

k=0
a
k
T
k
(x)
Entao a ortogonalidade dos Polinomios de Chebyshev implicam
a
0
=
1

_
1
1
f(x)

1 x
2
dx
e
a
k
=
2

_
1
1
f(x)T
k
(x)

1 x
2
dx
quando k 1.
Embora, essas integrais possam raramente ser avaliadas de forma fechada, uma
integra cao numerica para cada avalia cao resolve este problema.
44
Exemplo 3.3.2 Os primeiros cinco termos da expans ao de Chebyshev para e
x
sao:

P
5
(x) = 1, 266066T
0
(x) 1, 130318T
1
(x) + 0, 271495T
2
(x)
0, 044337T
3
(x) + 0, 005474T
4
(x) 0, 000543T
5
(x)
Para determinar a Aproximac ao Racional de Chebyshev de grau 5 com n = 3 e
m = 2 precisamos escolher q
1
, q
2
, p
0
, p
1
, p
2
e p
3
de modo tal que para k = 0, 1, 2, 3, 4 e 5,
os coecientes de T
k
(x) sejam zero na expans ao:

P
5
=
_
T
0
(x) + q
1
T
1
(x) + q
2
T
2
(x)
_

_
p
0
T
0
(x) + p
1
T
1
(x) + p
2
T
2
(x) + p
3
T
3
(x)
_
usando a relacao produto para os Polinomios de Chebyshev e agrupando os termos,
temos as equacoes:
T
0
: 1, 266066 0, 565159q
1
+ 0, 1357485q
2
= p
0
T
1
: 1, 130318 + 1, 401814q
1
0, 583275q
2
= p
1
T
2
: 0, 271495 0, 58732q
1
+ 1, 268803q
2
= p
2
T
3
: 0, 044337 + 0, 138485q
1
0, 565431q
2
= p
3
T
4
: 0, 005474 0, 022440q
1
+ 0, 1357485q
2
= 0
T
5
: 0, 000543 + 0, 002737q
1
0, 0022169q
2
= 0
A solucao desse sistema produz a func ao racional
r
T
(x) =
1, 055265T
0
(x) 0, 613016T
1
(x) + 0, 077478T
2
(x) 0, 004506T
3
(x)
T
0
(x) + 0, 378331T
1
(x) + 0, 022216T
2
(x)
Convertendo o Polinomio de Chebyshev para potencias de x temos:
r
T
(x) =
0, 977787 0, 599499x + 0, 154956x
2
0, 018022x
3
0, 977784 + 0, 378331x + 0, 044432x
2
45
Listando e comparando os valores obtemos que a aproxima cao r(x) e superior a
r
T
(x) para x = 0.2 e x = 0.4, mas que o erro maximo para r(x) e 6, 33 x 10
5
compa-
rado com 9, 13 x 10
6
para r
T
(x).
O metodo de Chebyshev nao produz a melhor Aproxima cao Fun cao Racional no
sentido da aproxima cao cujo maximo erro e mnimo.
46
Captulo 4
Aproximacao Polinomial
Trigonometrica
Fun coes trigonometricas sao usadas para aproximar fun coes que tem um compor-
tamento periodico, estas fun coes tem a propriedade que para alguma constante T (o
perodo ), f(x +T) = f(x) para todo x. Mediante uma transforma cao de coordenadas
podemos transformar um problema geral no caso em que T = 2 e assim restringimos
a aproxima cao para o intervalo padrao [ , ].
Denicao 4.0.3 Para cada inteiro positivo n, a escolha T
n
dos polin omios trigo-
nometricos de grau menor que ou igual a n e a escolha de todas as combinac oes lineares
de {
0
,
1
, ...,
2n1
} onde

0
(x) =
1

2
,

k
(x) =
1

cos kx,
para k = 1, 2, ..., n
e

n+k
(x) =
1

sen kx,
47
para cada k = 1, 2, ..., n 1.
O conjunto {
0
,
1
, ...,
2n1
} e ortonormal em [, ] com respeito a fun cao peso
1. A demonstra cao desta propriedade e semelhante a dos Polinomios de Chebyshev
em [-1,1].
Para, k = j e j = 0,
_

n+k
(x)
j
(x)dx =
_

sen kx
1

cos jxdx =
1

sen kx cos jxdx

Usando a identidade trigonometrica:
sen kx cos jx =
1
2
sen (k + j)x +
1
2
sen (k j)x,
obtemos:
_

n+k
(x)
j
(x)dx =
1
2
_

_
sen (k + j)x + sen (k j)x
_
dx =
=
1
2
_

cos(k + j)x
k + j

cos(k j)x
k j
_

= 0,
visto que cos(k + j) = cos(k + j)() e cos(k j) = cos(k j)(). O resultado
anterior tambem vale quando k = j, nesse caso sen(k j)x = sen0 = 0.
O procedimento para mostrar a ortogonalidade para as outras possibilidades de
{
0
,
1
, ...,
2n1
} e semelhante ao anterior utilizando-se as seguintes identidades trigo-
nometricas:
senj cos k =
1
2
_
sen(j + k) + sen(j k)
_
senjsenk =
1
2
_
cos(j k) cos(j + k)
_
cos j cos k =
1
2
_
cos(j + k) + cos(j k)
_
para converter os produtos em somas.
48
Denicao 4.0.4 Dado f C[, ], a aproximac ao mnimos quadrados por fun c oes
T
n
e denida por:
S
n
(x) =
2n1

k=0
a
k

k
(x), onde a
k
=
_

f(x)
k
(x)dx
para cada k = 0, 1, 2, ..., 2n 1.
O limite de S
n
com n , e chamado de Serie de Fourier de f(x).
Exemplo 4.0.3 Determine o polin omio trigonometrico de T
n
que aproxima f(x) = |x|
para < x < .
Este problema requer que encontremos:
a
0
=
_

|x|
1

2
dx =
1

2
_
0

xdx +
1

2
_

0
xdx =
=
2

2
_

0
xdx =

2
2
2

.
a
k
=
1

|x| cos kxdx =

2

_

0
xcos kxdx =
2

k
2
[(1)
k
1]
Para cada k = 1, 2, ..., n, e os coecientes a
n+k
. Os coecientes a
n+k
na expansao
de Fourier sao comumente denotados por b
k
, isto e, a
n+k
= b
k
para k = 1, 2, ..., n 1.
No nosso exemplo temos:
b
k
1

|x|sen kxdx = 0 para cada k = 1, 2, ..., n 1,

visto que o integrando e uma func ao mpar.
O polinomio trigonometrico de T
n
aproximando f e, portanto:
S
n
=

2
+
2

k=0
(1)
k
1
k
2
cos kx.
Os primeiros polinomios trigonometricos para f(x) = |x| s ao:
49
S
0
=

2
S
1
=

2

4

cos x
S
2
= S
1
S
3
=

2

4

cos x
4
9
cos 3x
Veja-os na gura abaixo:
4 3 2 1 0 1 2 3 4
0
0.5
1
1.5
2
2.5
3
3.5
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e


y
f(x)=| x |
S1(x)
S3(x)
Figura 4.1: Polinomios trigonometricos
A Serie de Fourier para f e:
S(x) = lim
n
S
n
(x) =

2
+
2

k=0
(1)
k
1
k
2
cos kx
50
Visto que | cos kx| 1 para cada k e x, a serie converge e S(x) existe para todo
n umero real x.
Ha uma analogia discreta para Serie de Fourier que e util para a aproxima cao
por quadrados mnimos e interpola cao de grande quantidade de dados igualmente
espa cados.

E dado um conjunto {(x
j
, y
j
)}
2m1
j=0
com um n umero 2m par de pontos
numa parti cao de um intervalo fechado. Por conveniencia, assumimos que o intervalo
seja [, ] e entao:
x
j
= + (
j
m
) para cada j = 0, 1, ..., 2m1
Se esse nao for o caso, uma simples transforma cao podera ser usada para transfor-
mar os dados para essa forma.
Para um xado n < m, considere o conjunto de

T
n
consistindo de todas as com-
bina coes lineares de {

0
,

k
,

k+n
}, onde

0
(x) =
1
2
,

k
(x) = coskx, para cada k = 1, 2, ..., n,
e

k+n
(x) = sen kx, para cada k = 1, 2, ..., n 1.
A meta e determinar a combina cao linear dessas fun coes para a qual
E(S
n
) =
2m1

j=0
{y
i
S
n
(x
j
)}
2
e minimizado. Isto e, desejamos minimizar o erro total
E(S
n
) =
2m1

j=0
_
y
i

_
a
0
2
+ a
n
cos kx
j
+
n1

k=1
(a
k
cos kx
j
+ a
n+k
sen kx
j
)
__
2
.
A determina cao das constantes e simplicada pelo fato de que o conjunto e ortogonal
com respeito a soma sobre os pontos igualmente espa cados {x
j
}
2m1
j=0
em [, ].
51
E isso resulta que, para cada k = l
2m1

j=0

k
(x
j
)

l
(x
j
) = 0.
A ortogonalidade segue do fato que se r e m sao inteiros positivos com r < 2m,
temos:
2m1

j=0
cos rx
j
= 0 e
2m1

j=0
sen rx
j
= 0
Para obter as constantes a
k
para k = 0, 1, ..., n e b
k
a
n+k
para k = 1, 2, ..., n 1
no somatorio:
S
n
(x) =
a
0
2
+ a
n
cos nx +
n1

k=1
(a
k
cos kx + b
k
sen kx),
minimizamos a soma dos Quadrados Mnimos
E(a
0
, ..., a
n
, b
1
, ..., b
n1
) =
2m1

j=0
[y
j
S
n
(x
j
)]
2
xando igual a zeros as derivadas parciais de E com respeito aos a

k
s e b

k
s. Isso implica
que
a
k
=
1
m
2m1

j=0
y
j
cos kx
j
, para cada k = 0, 1, ..., n.
e
b
k
=
1
m
2m1

j=0
y
j
sen kx
j
, para cada k = 1, 2, ..., n 1.
Exemplo 4.0.4 Seja f(x) = x
4
3x
3
+2x
2
tan x(x2). Encontrar a aproxima cao dos
Mnimos Quadrados para os dados {(x
j
, y
j
)}
9
j=0
, onde x
j
=
j
5
e y
j
= f(x
j
). Requere-se
que os pontos {(x
j
, y
j
)}
9
j=0
primeiramente sejam transformados de [0, 2] para [, ].
A transformacao linear requerida e z
j
= (x
j
1) e a transformac ao dos dados e da
forma
{(z
j
, f(1 +
z
j

))}
9
j=0
,
52
conseq uentemente o Polinomio Trigonometrico dos Mnimos Quadrados e:
S
3
(z) =
a
0
2
+ a
3
cos 3z +
2

k=1
(a
k
cos kz + b
k
sen kz)
onde
a
k
=
1
5
9

j=0
f(1 +
z
j

) cos kz
j
, para k=0,1,2 e 3
e
b
k
=
1
5
9

j=0
f(1 +
z
j

)senkz
j
, para k=1 e 2.
avaliando os somatorios produz-se a aproximac ao
S
3
(z) = 0, 76201 + 0, 77177 cos z + 0, 017432 cos 2z + 0, 0065673 cos 3z
0, 38676sen z + 0, 047816sen 2z
fazendo a conversao para voltar a vari avel x, temos:
S
3
(x) = 0, 76201 + 0, 77177 cos (x 1) + 0, 017432 cos 2(x 1)+
0, 0065673 cos 3(x 1) 0, 38676sen (x 1) + 0, 047816sen 2(x 1)
a tabela abaixo lista os valores de f(x) e S
3
(x)
x f(x) S
3
(x) |f(x) S
3
(x)|
0.125 0.26440 0.24060 2.38 x 10
2
0.375 0.84081 0.85154 1.07 x 10
2
0.625 1.36150 1.36248 9.74 x 10
4
0.875 1.61282 1.60406 8.75 x 10
3
1.125 1.36672 1.37566 8.94 x 10
3
1.375 0.71697 0.71545 1.52 x 10
3
1.625 0.07909 0.06929 9.80 x 10
3
1.875 -0.14576 -0.12302 2.27 x 10
2
53
Mas veja tambem o resultado da aproximac ao no gr aco:
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
800
600
400
200
0
200
400
600
800
Varivel independente x
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

y
f(x)
Aproximao
Figura 4.2: Aproxima cao trigonometrica de f(x) = x
4
3x
3
+ 2x
2
tan(x(x 2))
54
Conclusao
O presente trabalho introduziu varios metodos para a aproxima cao de fun coes e
grande parte da teoria desses metodos. A partir desse estudo nao podemos armar
que existe dentre os metodos estudados um que seja mais eciente, mas existem sim
caractersticas nas fun coes que fazem com que a aproxima cao desta em um determinado
intervalo seja melhor por um determinado metodo. Alguns exemplos ao longo deste
trabalho ilustraram as caractersticas de cada metodo.
Uma continua cao deste trabalho poderia fazer uma associa cao entre os metodos
apresentados e tambem com a Aproxima cao Polinomial Minimax ou de Chebyshev,
inclusive usando outras fun coes alem de polinomios, o que restringiria bastante o tipo
de fun cao a ser aproximada, mas poderia melhorar a qualidade das aproxima coes.
Outra possibilidade seria aprofundar o estudo dos polinomios ortogonais tendo em vista
sua grande utilidade na matematica em areas como a Teoria de N umeros, Equa coes
Diferenciais, Fra coes Contnuas, Estabilidade Numerica e Algoritmos Rapidos e ainda
estudar os aspectos computacionais em softwares como Matlab e Maple.
E nalmente, este trabalho foi uma otima oportunidade de relacionar diversos as-
suntos abordados durante a gradua cao e de observar como a teoria e a pratica estao
intimamente ligadas e sao aspectos muito importantes na matematica. Assim o obje-
tivo desta disciplina foi atingido plenamente.
55
Referencias Bibliogracas
[1] BURDEN, R. L. and FAIRES, J. D. Analysis Numerical, New York, Fourth Edi-
tion, 1989.
[2] SCHEID, F. Analise Numerica, 2
a
. Edi cao, portugal, Makron Books, 1991.
[3] CUNHA, C. Metodos Numericos para Engenharia e Ciencias Aplicadas, Campi-
nas, Sao Paulo, Editora da Unicamp, 1993.
[4] LAY, D. C.

Algebra Linear e suas aplicac oes, Rio de Janeiro, Rio de Janeiro, LTC
Editora, 1999.
[5] SPERANDIO, D. , MENDES, J. T. e MONKEN E SILVA, L. H.C alculo Numerico,
Caractersticas Matematicas e Computacionais dos Metodos Numericos, Sao
Paulo, 2003.
[6] MACHADO, M. J. S.Ajuste de Curvas pelo Metodo dos Quadrados Mnimos
usando Splines, trabalho de Conclusao de Curso, UFSC, Florianopolis ,2003.
56
Apendice A
Norma de Vetores e Matrizes
A deni cao de norma a seguir nos fornece uma maneira de medir o comprimento de
um vetor. Existem varias maneiras de efetuar uma medida da grandeza de um vetor
ou matriz. Introduz-se, a seguir, o conceito geral de norma de vetores e depois de
matrizes.
Denicao A.0.5 Seja V um espaco vetorial sobre F. Uma norma em V e uma fun cao
real de V em R, tal que X V ||X|| R, para quaisquer que sejam X, Y V e
para todo escalar c F, tem-se:
(i)||X|| 0 (positividade); ||X|| = 0, se e somente se, X = 0 (separac ao);
(ii) ||cX|| = |c| ||X|| (homogeneidade), e
(iii) ||X + Y || ||X|| +||Y || (desigualdade triangular).
As normas mais usadas sao as seguintes:
Norma um: ||X||
1
=
n

i=1
|x
i
|,
Norma Euclidiana: ||X||
2
=
_
n

i=1
|x
2
i
|
_1
2
e
Norma do Maximo:||X||

= max
1in
|x
i
|.
57
Essas tres normas sao casos particulares da norma:
||X||
p
=
_
|x
i
|
_1
p
onde p = 1 para a norma um, p = 2 para a norma euclidiana e p para a norma
do maximo.
Exemplo A.0.5 Considere o vetor X = (1, 0, 1, 2); ent ao, ||X||
1
= 4; ||X||
2
=

6;
||X||

= 2. Com o objetivo de fornecer uma representac ao geometrica para essas

normas, considere o conjunto
S
p
= {x R
2
; ||X||
p
= 1}, p = 1, 2, .
A gura abaixo ilustra as bolas unit arias, ou seja, bolas de centro 0 e raio 1, que
correspondem `as normas denidas em R
2
nos casos notaveis p = 1, p = 2, p .
(1,0)
(1,1) (0,1)
(1,1)
(1,0)
(1,1)
(0,1)
(1,1)
0
x
y
S
S
S
1
2
8
O quadrado de vertices (1,0),(0,1),(-1,0),(0,-1) corresponde a S
1
, ou seja, `a bola
unit aria dada por ||X||
1
1. O disco de centro na origem e raio 1 corresponde `a bola
unitaria ||X||
2
1, S
2
, e o quadrado de vertices (1,1),(-1,1),(-1,-1),(1,-1) corresponde
a S

, ou seja , `a bola unitaria dada por ||X||

1.
As normas euclidiana, um e do maximo para vetores no R
n
se relacionam da seguinte
maneira:
||X||

||X||
1
n ||X||

,
58
||X||

||X||
2
n
1
2
||X||

,
que indica a equivalencia entre normas.
Como se observa, a norma euclidiana fornece o comprimento de um vetor. Logo, a
norma um e a do maximo fornecem tambem alguma medida de comprimento de vetor.
Denicao A.0.6 Uma seq uencia de vetores {X
1
, X
2
, ..., X
n
, ...} em F
n
e dita conver-
gente para um vetor X se, e somente se, lim
n
||X
n
X|| = 0.
Vejamos a deni cao de norma de matriz:
Denicao A.0.7 A norma de uma matriz A C[m, n] e uma func ao real A
C[m, n] ||A|| R, tal que quaisquer A, B C[m, n] e para todo escalar c F
as seguintes condicoes sao satisfeitas:
(i) ||A|| 0 e ||A|| = 0, se, e somente se, A = 0;
(ii) ||cA|| = |c| ||A||;
(iii) ||A + B|| ||A|| +||B||,e (iv) ||AB|| ||A|| ||B||.
Denicao A.0.8 Uma norma matricial e dita associada a uma norma vetorial se,
para toda matriz A C[n, n] e todo vetor X C
n
vale
||AX|| ||A|| ||X||.
Para qualquer norma de vetor, existe uma norma matricial associada. De fato,
escolhida uma norma ||X|| vetorial, a norma matricial a ela associada pode ser denida
por
||A|| = max
X=0
||AX||
||X||
.
As normas matriciais usuais sao:
Norma Euclidiana: ||A||
E
=
_
n

j=1
n

i=1
|a
ij
|
2
_1
2
;
Norma Um: ||A||
1
= max
1jn
n

i=1
|a
ij
|, e
59
Norma do Maximo: ||A||

= max
1in
n

j=1
|a
ij
|.
Denicao A.0.9 Uma seq uencia de matrizes {A
n
}

n=1
converge para uma matriz A
se, e somente se, lim
n
||A
n
A|| = 0.
60
Apendice B
Condicionamento de Matrizes
A deni cao de condicionamento de matrizes surge naturalmente ao fazer uma analise
do erro dos metodos numericos que permitem resolver Ax = b, examinando a estabi-
lidade da solu cao x relativa a uma pequena perturba cao do membro direito b. Seja
A uma matriz nao-singular, seja x a solu cao do sistema Ax = b, seja x solu cao do
problema perturbado A x =

b. Restando estes dois sistemas de equa coes, tem-se:

A(x x) = b

b
x x = A
1
(b

b)
Logo das propriedades da norma matricial se obtem:
||x x|| = ||A
1
(b

b)|| ||A
1
|| ||b

b||
e dividindo por ||x|| se tem que
||x x||
||x||

||A
1
|| ||b

b||
||x||
= ||A|| ||A
1
||
||b

b||
||A|| ||x||
Logo a desigualdade ||b|| = ||Ax|| ||A|| ||x||, obtemos
||x x||
||x||
||A|| ||A
1
||
||b

b||
||b||
61
Mas para uma escolha adequada de b e

b, esta ultima desigualdade pode chegar a

ser uma igualdade. O n umero
cond(A) = ||A|| ||A
1
||
se denomina condi cao de A. Quando este n umero e muito grande, a solu cao de Ax = b
pode ser extremamente sensvel a pequenas perturba coes de b, e se diz que o sistema esta
mal condicionado. Inversamente quando o n umero de condicionamento e pequeno,
se diz que o sistema esta bem condicionado.
62
Apendice C
Processo de Gram-Schimidt
O processo de Gram-Schimidt e um algoritmo simples para produzir uma base
ortogonal ou ortonormal para qualquer subespa co nao-nulo de R
n
.
Veja este problema:
Seja W o subespa co gerado por x
1
e x
2
, ou seja W=Span{x
1
, x
2
}, onde
x
1
=
_
_
_
_
_
3
6
0
_
_
_
_
_
e x
2
=
_
_
_
_
_
1
2
2
_
_
_
_
_
.
Construir uma base ortogonal {v
1
, v
2
} para W.
Solu cao: Veja a gura que ilustra o subespa co W, junto com x
1
, x
2
e a proje cao p de x
2
sobre x
1
. A componente de x
2
ortogonal a x
1
e x
2
p, que esta em W, pois e formado
por x
2
e um m ultiplo de x
1
.
Sejam
v
1
= x
1
v
2
= x
2
p = x
2

x
2
x
1
x
1
x
1
x
1
=
_
_
_
_
_
1
2
2
_
_
_
_
_

15
45
_
_
_
_
_
3
6
0
_
_
_
_
_
=
_
_
_
_
_
0
0
2
_
_
_
_
_
63
x
x
x
v
2
3
2
1
v = x
1
1
W
0
x
2
p
Figura C.1: Processo de Gram-Schimidt
Entao, {v
1
, v
2
} e um conjunto ortogonal de vetores nao-nulos de W. Como dimW=2,
{v
1
, v
2
}e uma base para W.
Agora veja este problema que ilustra de maneira mais completa o que acontecera
no processo de Gram-Schimidt.
Sejam x
1
=
_
_
_
_
_
_
_
_
1
1
1
1
_
_
_
_
_
_
_
_
, x
2
=
_
_
_
_
_
_
_
_
0
1
1
1
_
_
_
_
_
_
_
_
e x
3
=
_
_
_
_
_
_
_
_
0
0
1
1
_
_
_
_
_
_
_
_
.

E facil ver que {x
1
, x
2
, x
3
} e um
conjunto linearmente independente, logo forma uma base para um subespa co W de R
4
.
Como construir uma base ortogonal para W?
Solu cao:
Passo 1: Sejam v
1
= x
1
e W
1
= Span{x
1
} = Span{v
1
}.
Passo 2: Seja v
2
o vetor obtido subtraindo-se de x
2
sua proje cao sobre o subespa co W
1
,
isto e,
v
2
= x
2
proj
W
x
2
=
= x
2

x
2
v
1
v
1
v
1
v
1
=
64
=
_
_
_
_
_
_
_
_
0
1
1
1
_
_
_
_
_
_
_
_

3
4
_
_
_
_
_
_
_
_
1
1
1
1
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_

3
4
1
4
1
4
1
4
_
_
_
_
_
_
_
_
Como no problema apresentado anteriormente, v
2
e a componente de x
2
ortogonal
a x
1
e {v
1
, v
2
} e uma base ortogonal para o subespa co W
2
gerado por x
1
e x
2
.
Passo 2(Opcional): Se apropriado, multiplique v
2
por um escalar para simpicar
calculos posteriores. Como v
2
tem elementos contendo fra coes, e conveniente multi-
plica-lo por 4 e substituir v
1
, v
2
pela base
v
1
=
_
_
_
_
_
_
_
_
1
1
1
1
_
_
_
_
_
_
_
_
e v
2
=
_
_
_
_
_
_
_
_
3
1
1
1
_
_
_
_
_
_
_
_
Passo 3: Seja v
3
o vetor obtido subtraindo-se de x
3
sua proje cao sobre o subespa co W
2
.
Use a base {v
1
, v

2
} para calcular a proje cao sobre W
2
:
proj
W
2
x
3
=
x
3
v
1
v
1
v
1
v
1
+
x
3
v

2
v

2
v
2
v

2
=
=
2
4
_
_
_
_
_
_
_
_
1
1
1
1
_
_
_
_
_
_
_
_
+
2
12
_
_
_
_
_
_
_
_
3
1
1
1
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
2
3
2
3
2
3
_
_
_
_
_
_
_
_
Entao v
3
e a componente de x
3
ortogonal a W
2
, isto e,
v
3
= x
3
proj
W
2
x
3
=
=
_
_
_
_
_
_
_
_
0
0
1
1
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
0
2
3
2
3
2
3
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0

2
3
2
3
2
3
_
_
_
_
_
_
_
_
65
W = Span{v ,v }
v
3
proj x
w
2
3
1 2
2
v
v
0
x
3

2
1
Figura C.2: Processo de Gram-Schimidt
Veja a gura acima para um diagrama dessa constru cao. Note que v
3
pertence a W,
ja que tanto x
3
como proj
W
2
x
3
estao em W. Entao {v
1
, v

2
, v
3
} e um conjunto ortogonal
de vetores nao-nulos e portanto, um conjunto linearmente independente, em W. Note
que W tem dimensao tres, ja que tem uma base com tres vetores. Logo {v
1
, v

2
, v
3
} e
uma base ortogonal para W.
Assim podemos denir genericamente o processo de Gram-Schimidt como:
dada uma base {x
1
, ..., x
p
} para um subespa co W de R
n
, dena
v
1
= x
1
v
2
= x
2

x
2
v
1
v
1
v
1
v
1
v
3
= x
3

x
3
v
1
v
1
v
1
v
1

x
3
v
2
v
2
v
2
v
2
.
.
.
v
p
= x
p

x
p
v
1
v
1
v
1
v
1

x
p
v
2
v
2
v
2
v
2
...
x
p
v
p1
v
p1
v
p1
v
p1
Entao {v
1
, ..., v
p
} e uma base ortogonal para W.
66
Alem disso, Span{v
1
, ..., v
k
}=Span{x
1
, ..., x
k
} para 0 k p.
O processo de Gram-Schimidt mostra que qualquer subespa co nao-nulo W de R
n
tem uma base ortogonal, ja que ele tem sempre base {x
1
, ..., x
p
} e o processo de Gram-
Schimidt depende apenas da existencia de proje coes ortogonais sobre subespa cos de W
que ja tem bases ortogonais.
67
Apendice D
Serie de Taylor
Uma fun cao f a uma variavel, contnua e innitamente derivavel, pode ser repre-
sentada por uma serie de potencias da forma:
f(x) =

n=0
f
(n)
(a)
n!
(x a)
n
,
onde f
(0)
(a) = f(a), e f
(n)
(a) e a derivada de ordem n de f no ponto a. A equa cao
acima denomina-se Serie de Taylor da fun cao f em torno do ponto x = a. Quando
a = 0, a serie recebe o nome de Maclaurin.
O emprego da Serie de Taylor para representar f esta limitado aos casos em que
ela e convergente. Pela teoria das series de potencias, a serie de Taylor e convergente
para os valores de x que satisfazem a desigualdade
|x a| < r,
onde r e o raio de convergencia da serie e e dado por r = lim
n
(n + 1)
|f
(n)
(a)|
|f
(n+1)
(a)|
.
Se h = x a, entao a Serie de Taylor escreve-se assim:
f(a + h) =

n=0
h
n
f
(n)
(a)
n!
.
Nas aplica coes da Serie de Taylor, torna-se impossvel computar todos os seus ter-
mos. O que se faz e considerar apenas um n umero nito deles. Se a serie e truncada
68
apos o n-esimo termo, tem-se a aproxima cao:
f(a + h) f(a) + hf

(a) +
h
2
2!
f

(a) + ... +
h
n1
(n 1)!
f
(n1)
(a)
Nessa aproxima cao comete-se um erro de truncamento, R
n
(x).
Este erro e dado por:
R
n
(x) =
f
(n)
()(x a)
n
n!
, a < < x.
Esta e a formula de Lagrange para o erro de truncamento. Como nao e conhecido
explicitamente, a formula de Lagrange pode ser usada para delimitar o erro, ou seja,
|R
n
(x)|
M
n!
(x a)
n
,
onde
M = max |f
(n)
(t)|, a t x.
Exemplo D.0.6 Desenvolver a func ao f denida por f(x) = e
x
em Serie de Taylor
em torno do ponto x = 0. Calcule e
1
usando, da serie obtida, cinco termos, e delimite
o erro cometido.
Nesse caso,
f(x) = e
x
, a = 0 e f(0) = f

(0) = f

(0) = ... = f
(n)
(0) = 1.
Portanto,
e
x
= 1 + x +
x
2
2!
+
x
3
3!
+ ... +
x
n
n!
+ ...
e o raio de convergencia da serie e innito. Ent ao
e
1
1 1 +
1
2!

1
3!
+
1
4!
= 0, 375.
Delimitacao do erro:
|R
5
(1)|
M
n!
|(1)|.
69
Como M = max |e
t
|, 1 t 0, ent ao M = 1, assim:
|R
5
(1)| 0, 008333.
Portanto, o valor aproximado para e
1
obtido pela serie com cinco termos tem pelo
menos uma casa decimal correta.
70
Apendice E
Teorema da Multiplicidade
Teorema E.0.2 Seja f C
m
[a, b], f tem uma raiz de multiplicidade m no ponto p se
e somente se 0 = f
0
(p) = f
1
(p) = f
2
(p) = ... = f
m1
(p), mas f
m
(p) = 0
Prova:
() Se f tem uma raiz de multiplicidade m em p ent ao f(x) pode ser escrito como:
f(x) = (x p)
m
q(x) onde, lim
xp
= 0
e assim derivando f(x) temos:
f
1
(x) = m(x p)
m1
q(x) + (x p)
m
q
1
(x)
f
2
(x) = m(m1)(xp)
m2
q(x)+m(xp)
m1
q
1
(x)+m(xp)
m1
q
1
(x)+(xp)
m
q
2
(x)
f
3
(x) = m(m1)(m2)(x p)
m3
q(x) + 3m(m1)(x p)
m2
q
1
(x)+
+3m(x p)
m1
q
2
(x) + (x p)
m
q
3
(x)
f
4
(x) = m(m1)(m2)(m3)(x p)
m4
q(x) +4m(m1)(m2)(x p)
m3
q
1
(x)+
+6m(m1)(x p)
m2
q
2
(x) + 4m(x p)
m1
q
3
(x) + (x p)
m
q
4
(x)
assim ate a (m1)-esima derivada teremos em todas as parcelas desta soma um termo
(x p), a partir da m-essima derivada teremos pelo menos uma parcela desta soma
sem o termo (x p), isso implica que 0 = f
0
(p) = f
1
(p) = f
2
(p) = ... = f
m1
(p) e
71
f
m
(p) = 0.
() Se 0 = f
0
(p) = f
1
(p) = f
2
(p) = ... = f
m1
(p) e f
m
(p) = 0,
se expandirmos f como uma Serie de Taylor de grau (m1), sobre o ponto p teremos:
f(x) = f(p)+f
1
(p)(xp)+f
2
(p)(xp)
2
+... +f
m1
(p)(xp)
m1
+f
m
(p)
m
(xp)
m
=
= f
m
(p)
m
(x p)
m
Tomando q(x) = f
m
(p), ent ao teremos:
f(x) = q(x)(x p)
m
onde lim
xp
q(x) = 0
ou seja f tem uma raiz de multiplicidade m.
72