Análise Numérica: Além da Interpolação: A Filosofia da Aproximação

A interpolação assume que os dados são perfeitos. No mundo real, os dados são bagunçados, instáveis e cheios de ruído. Quando insistimos em acertar cada ponto de dados exatamente, não encontramos a verdade — encontramos caos. Hoje, avançamos além dos requisitos rígidos da exatidão para adotar a filosofia da aproximação.

O Fracasso da Exatidão

Embora um polinômio de alto grau possa passar por todos os pontos de dados, ele frequentemente gera oscilações do tipo "Runge". Essas oscilações violentas não têm relação alguma com o processo físico subjacente. Portanto, é irracional exigir que a função de aproximação concorde exatamente com os dados, especialmente quando as medições estão sujeitas a variação.

Definindo o 'Melhor' Ajuste: As Três Normas

Para aproximar, devemos definir uma função de erro $E$. Como medimos a "proximidade" altera completamente o resultado:

1. O Problema Minimax ($L_{\infty}$)

Buscando minimizar o erro máximo possível:

$$E_{\infty}(a_0, a_1) = \max_{1 \le i \le n} \{|y_i - (a_1 x_i + a_0)|\}$$

Armadilha: A abordagem minimax geralmente dá muito peso a um dado incorreto.

2. Desvio Absoluto ($L_1$)

A soma das diferenças absolutas:

$$E_1(a_0, a_1) = \sum_{i=1}^{n} |y_i - (a_1 x_i + a_0)|$$

Armadilha: A função valor absoluto não é diferenciável em zero, e talvez não consigamos encontrar soluções analíticas para esse par de equações.

3. Supremacia dos Mínimos Quadrados ($L_2$)

O padrão na análise numérica, quadrando os resíduos:

$$E_2(a_0, a_1) = \sum_{i=1}^{n} [y_i - (a_1 x_i + a_0)]^2$$

Isso cria uma superfície suave e diferenciável onde o cálculo pode encontrar facilmente um mínimo global.

Restrições Analíticas

Escolher uma métrica é um equilíbrio entre lógica e cálculo. Por exemplo, o método de desvio absoluto não dá peso suficiente a um ponto que está muito distante da aproximação, enquanto o $L_2$ oferece um meio-termo sólido que penaliza grandes outliers sem ser totalmente governado por um único dado fora de lugar.

🎯 Princípio Central

Aproximação é a arte de ignorar o ruído para encontrar o sinal. Ao mudar de correspondência de pontos para minimização de erros, recuperamos as leis físicas verdadeiras obscurecidas pela variação nas medições.

QUESTÃO 1

Por que um polinômio interpolador de alto grau geralmente é uma má escolha para dados experimentais?

É computacionalmente muito simples para representar física complexa.

Resulta em oscilações do tipo "Runge" que capturam ruído em vez de tendências.

Sempre produz um resultado linear que ignora a curvatura dos dados.

Não é diferenciável em nenhum ponto.

QUESTÃO 2

Qual norma de erro é principalmente usada no problema 'Minimax'?

Norma L1 (Soma dos Desvios Absolutos)

Norma L2 (Mínimos Quadrados)

Norma L∞ (Erro Absoluto Máximo)

A Norma de Gram-Schmidt

QUESTÃO 3

Qual é a principal desvantagem computacional do método de Desvio Absoluto (L1)?

É muito sensível a pequenos outliers.

Requer o uso de polinômios de Chebyshev em todos os cálculos.

A função valor absoluto não é diferenciável em zero.

Funciona apenas para conjuntos de dados com mais de 100 pontos.

QUESTÃO 4

Qual norma equilibra bem penalizando fortemente grandes outliers, mas sem deixar um único erro dominar todo o ajuste?

Norma L1

Norma L2 (Mínimos Quadrados)

Norma L∞

A Norma de Runge

QUESTÃO 5

No exemplo do objeto em queda, por que usar um quadrático de mínimos quadrados em vez de um polinômio de alto grau?

Para garantir que o objeto esteja se movendo em linha reta.

Para capturar cada vibração do suporte da câmera.

Para ignorar o "tremor" da câmera e recuperar a lei física da gravidade (y = at²).

Porque câmeras de alta velocidade não conseguem registrar mais de 3 pontos de dados.

Desafio: Teoria Avançada da Aproximação

Dominando Padé e Mínimos Quadrados Discretos

A teoria da aproximação estende-se às funções racionais e análises específicas de dados. Teste seu entendimento desses conceitos avançados.

Determine todas as aproximações de Padé de grau 2 para $f(x) = e^{2x}$. Compare os resultados em $x = 0.2, 0.4, 0.6, 0.8, 1.0$.

Solução Modelo:
A série de Maclaurin para $e^{2x}$ é $1 + 2x + 2x^2 + \frac{4}{3}x^3 + \dots$. Para Padé de grau 2 $R_{n,m}(x) = P_n(x)/Q_m(x)$ onde $n+m=2$:

$R_{2,0}$ (Taylor): $1 + 2x + 2x^2$
$R_{1,1}$: $\frac{1+x}{1-x}$
$R_{0,2}$: $\frac{1}{1-2x+2x^2}$

Em $x=1$, $e^2 \approx 7.389$. $R_{2,0}(1) = 5$. $R_{1,1}$ é indefinido. $R_{0,2}(1) = 1$. Isso ilustra que aproximações de Padé de baixo grau têm regiões específicas de validade.

Dadas $\phi_0(x) = 2, \phi_1(x) = x - 3$, e $\phi_2(x) = x^2 + 2x + 7$, mostre que qualquer quadrático $Q(x) = a_0 + a_1x + a_2x^2$ pode ser expresso como uma combinação linear $c_0\phi_0 + c_1\phi_1 + c_2\phi_2$.

Solução Modelo:
Este é um problema de mudança de base. Observamos os graus de $\phi_i$: $\text{deg}(\phi_0)=0, \text{deg}(\phi_1)=1, \text{deg}(\phi_2)=2$. Como são polinômios de graus distintos, são linearmente independentes em $\mathbb{P}_2$.
1. $a_2x^2$ deve vir de $c_2\phi_2$, então $c_2 = a_2$.
2. O termo linear $a_1x$ é então correspondido por $c_1(x-3) + c_2(2x)$.
3. A constante $a_0$ é correspondida por $c_0(2) + c_1(-3) + c_2(7)$. Como os coeficientes principais formam um sistema triangular, uma solução única para $c_i$ sempre existe.

Suponha que os dados de peso $F$ e comprimento $l$ sejam: $F=[2, 4, 6]$, $l=[7.0, 9.4, 12.3]$. Encontre a reta dos mínimos quadrados $l = mk + b$ (ou $F = kl$).

Solução Modelo:
Seja $x = F, y = l$. $\sum x = 12, \sum y = 28.7, \sum x^2 = 56, \sum xy = 127.4$. Equações Normais: $3b + 12m = 28.7$ $12b + 56m = 127.4$ Resolvendo: $m = 1.325$, $b = 4.267$. A aproximação dos mínimos quadrados para a constante da mola (se $F=kl$) envolveria uma reta passando pela origem, mas os dados sugerem um deslocamento inicial de comprimento $b$.