Análise Numérica

Visão Geral: Esta lição estabelece a ponte fundamental entre o cálculo teórico e a computação numérica prática. Revisa teoremas essenciais do cálculo usados para estimativa de erros — como o Teorema de Taylor e o Teorema do Valor Médio — antes de transitar para as restrições da aritmética computacional. Os alunos aprenderão a quantificar erros, identificar causas da perda de precisão (como cancelamento de dígitos significativos) e avaliar a eficiência de algoritmos usando notação Big Oh.

Resultados de Aprendizagem:

• Aplicar o Teorema do Valor Intermediário e o Teorema de Rolle para provar a existência e unicidade de soluções.
• Construir polinômios de Taylor e usar seus termos de resto para estabelecer limites rigorosos de erro em aproximações numéricas.
• Diferenciar entre aritmética de arredondamento e truncamento e calcular erros absolutos e relativos em sistemas de ponto flutuante.

Visão Geral: Esta lição explora técnicas numéricas para encontrar os zeros de uma função f(x) = 0, um problema fundamental na computação científica. Aborda uma progressão de métodos que vai desde o robusto mas lento método da Bisseção até o método de Newton, que converge rapidamente, e suas variações (Secante, Posição Falsa). Além disso, a lição trata de tópicos avançados como análise de erro para convergência iterativa, técnicas para lidar com raízes múltiplas e algoritmos especializados para polinômios, como os métodos de Müller e Horner.

Resultados de Aprendizagem:

• Aplicar os métodos da Bisseção, Ponto Fixo, Newton, Secante e Posição Falsa para aproximar raízes.
• Analisar a ordem de convergência e os limites de erro para diversos métodos iterativos.
• Utilizar os métodos de Aitken’s \Delta^2 e Steffensen para acelerar a convergência de sequências lineares.

Visão Geral: Esta lição explora métodos de aproximar funções contínuas usando polinômios algébricos. Começando com a base teórica do Teorema de Aproximação de Weierstrass, o conteúdo avança pelas formas Lagrange e Newton da interpolação, o método iterativo de Neville e os polinômios de Hermite. A lição conclui com a interpolação por splines cúbicos e curvas paramétricas, demonstrando como polinômios por partes evitam os problemas de oscilação dos polinômios globais de alto grau em aplicações práticas como ajuste de curvas.

Resultados de Aprendizagem:

• Enunciar e explicar o Teorema de Aproximação de Weierstrass e suas implicações para a aproximação de funções.
• Construir polinômios interpoladores Lagrange, Newton com Diferenças Divididas e Hermite para conjuntos de dados dados.
• Aplicar o Método de Neville para gerar iterativamente aproximações polinomiais.

Visão Geral: Esta lição aborda a aproximação numérica de derivadas e integrais, essenciais para resolver problemas matemáticos onde soluções analíticas são difíceis ou impossíveis de obter. Os alunos explorarão diferenciação de alta precisão via fórmulas de três pontos e extrapolação de Richardson, progredirão pelos métodos de Newton-Cotes (regra do trapézio e regra de Simpson) e dominarão métodos avançados de quadratura, incluindo Romberg, adaptativa e quadratura gaussiana. O escopo termina com o tratamento numérico de integrais duplas e integrais impróprias.

Resultados de Aprendizagem:

• Derivar e aplicar fórmulas de diferenciação numérica (de três pontos) e estimar erros.
• Implementar a Extrapolation de Richardson para aumentar a ordem de precisão de aproximações numéricas.
• Aplicar regras de integração numérica compostas e quadratura adaptativa para lidar com variações funcionais complexas.

Visão Geral: Esta lição cobre a aproximação numérica de soluções para problemas de valor inicial (PVI). Começa com os fundamentos teóricos de bem-postura e a condição de Lipschitz, depois avança por métodos elementares como Euler até técnicas avançadas, incluindo Runge-Kutta, métodos multistep, extrapolação e análise de estabilidade. Finalmente, aborda cenários especializados envolvendo sistemas de equações diferenciais e os desafios únicos impostos por equações rígidas.

Resultados de Aprendizagem:

• Determinar se um PVI é bem-posto usando a condição de Lipschitz e os teoremas de existência e unicidade.
• Implementar e analisar o erro de métodos de um passo (Euler, Taylor, Runge-Kutta) e métodos multistep (Adams-Bashforth, Adams-Moulton).
• Aplicar técnicas adaptativas (Runge-Kutta-Fehlberg, tamanho de passo variável) e extrapolação para resolver EDOs dentro de tolerâncias de erro específicas.

Visão Geral: Esta lição aborda abordagens algorítmicas sistemáticas para resolver sistemas de equações lineares, passando do eliminação gaussiana básica até técnicas avançadas de fatorização matricial. Os alunos explorarão estratégias para manter a estabilidade numérica por meio de pivoteamento, analisar propriedades algébricas de matrizes (inversão, determinantes) e implementar fatorizações especializadas (LU, LDL^t, Cholesky e Crout) para cálculos eficientes em contextos de engenharia e ciência.

Resultados de Aprendizagem:

• Realizar eliminação gaussiana com substituição backward e avaliar sua complexidade operacional.
• Implementar estratégias de pivoteamento parcial e escalonado parcial para minimizar erros de arredondamento.
• Calcular inversas e determinantes matriciais usando operações por linhas e cofatores.

Visão Geral: Esta lição aborda a transição de métodos diretos para métodos iterativos na resolução de grandes sistemas de equações lineares. Foca-se na medição de magnitudes de vetores e matrizes por meio de normas, na determinação de critérios de convergência pelo raio espectral e na implementação de algoritmos iterativos fundamentais, incluindo Jacobi, Gauss-Seidel e Relaxação Sucessiva (SOR). Além disso, aborda estabilidade numérica por meio de refinamento iterativo, limites de erro e o método de Gradiente Conjugado altamente eficiente, aprimorado por precondicionamento.

Resultados de Aprendizagem:

• Calcular normas de vetores e matrizes (l_2 e l_\infty) e determinar o raio espectral de uma matriz para avaliar convergência.
• Implementar e comparar as técnicas iterativas de Jacobi, Gauss-Seidel e SOR para resolver A\mathbf{x} = \mathbf{b}.
• Estimar limites de erro usando números de condição e aplicar refinamento iterativo para melhorar a precisão de soluções aproximadas.

Visão Geral: Esta lição explora métodos para aproximar funções e conjuntos de dados quando representações exatas são inacessíveis ou computacionalmente inviáveis. Focamos na minimização de erros por meio do Mínimos Quadrados Discretos, aproveitando a eficiência dos Polinômios Ortogonais e de Chebyshev, e estendendo estas técnicas aos Aproximações Racionais e Trigonométricas, culminando no algoritmo de alto desempenho da Transformada Rápida de Fourier (FFT).

Resultados de Aprendizagem:

• Construir e resolver equações normais para aproximações lineares e polinomiais discretas de mínimos quadrados.
• Gerar bases de polinômios ortogonais usando o processo de Gram-Schmidt para evitar sistemas mal condicionados.
• Aplicar polinômios de Chebyshev para minimizar o erro máximo de interpolação e realizar economia polinomial.

Visão Geral: Esta lição foca em técnicas numéricas para aproximar autovalores, indo além das raízes simbólicas dos polinômios característicos, que muitas vezes são computacionalmente caras ou impossíveis de encontrar para matrizes grandes. Os alunos aprenderão a localizar autovalores no plano complexo usando o Teorema dos Círculos de Geršgorin, aplicar técnicas iterativas como o Método da Potência e o Método da Potência Inversa para autovalores dominantes e específicos, e utilizar transformações estruturais (Householder e Algoritmo QR) e Decomposição em Valores Singulares (SVD) para análise abrangente de matrizes.

Resultados de Aprendizagem:

• Localizar autovalores no plano complexo usando o Teorema dos Círculos de Geršgorin.
• Implementar o Método da Potência e o Método da Potência Inversa com aceleração de Aitken para encontrar autovalores dominantes e deslocados.
• Reduzir matrizes simétricas a forma tridiagonal usando o Método de Householder e encontrar todos os autovalores via Algoritmo QR.

Visão Geral: Esta lição aborda a transição de busca de raízes em uma variável para a solução de sistemas de equações não-lineares, onde o objetivo principal é encontrar um vetor \mathbf{x} tal que \mathbf{F}(\mathbf{x}) = \mathbf{0}. Exploramos iteração de ponto fixo para várias variáveis, o Método de Newton baseado no Jacobiano, métodos Quasi-Newton eficientes (especificamente Broyden), e técnicas robustas como o Método do Menor Descenso e Homotopia/Continuação para encontrar aproximações iniciais ou lidar com sistemas onde métodos padrão falham.

Resultados de Aprendizagem:

• Definir e aplicar iteração de ponto fixo para funções de várias variáveis e determinar critérios de convergência usando o Teorema 10.6.
• Construir a matriz Jacobiana para um sistema não-linear e implementar o Método de Newton para alcançar convergência quadrática.
• Executar o método de Broyden usando a fórmula de Sherman-Morrison para atualizar de forma eficiente a inversa do Jacobiano.

Visão Geral: Esta lição cobre a solução numérica de problemas de valor de fronteira de segunda ordem (BVPs), onde condições são impostas em pontos diferentes, ao contrário dos problemas de valor inicial. Os alunos aprenderão a transformar BVPs em sistemas solúveis usando os Métodos Linear e Não-Linear de Arremesso, aproximações discretas via Métodos de Diferenças Finitas e técnicas variacionais por meio do Método de Rayleigh-Ritz. Esses métodos são essenciais para resolver problemas do mundo real em engenharia estrutural (deflexão de vigas) e física (potencial eletrostático).

Resultados de Aprendizagem:

• Aplicar o Teorema 11.1 para determinar a existência e unicidade de soluções para problemas de valor de fronteira.
• Converter um BVP de segunda ordem em um par de problemas de valor inicial (PVI) usando o Método de Arremesso Linear.
• Implementar o Método de Newton para resolver iterativamente problemas de Arremesso Não-Linear.

Visão Geral: Esta lição aborda a aproximação numérica de soluções para as três principais classes de equações diferenciais parciais (EDPs): elípticas, parabólicas e hiperbólicas. Usando o método das diferenças finitas, os alunos aprenderão a discretizar domínios contínuos em malhas de grade e transformar operadores diferenciais em sistemas algébricos de equações. Principais áreas de foco incluem a estabilidade de métodos dependentes do tempo (Diferença Forward vs. Crank-Nicolson) e a solução iterativa de sistemas em regime permanente (Poisson e Laplace).

Resultados de Aprendizagem:

• Discretizar domínios espaciais e temporais usando malhas de diferenças finitas para diversos tipos de EDPs.
• Aplicar os métodos Forward-Difference, Backward-Difference e Crank-Nicolson para resolver equações de calor parabólicas, avaliando restrições de estabilidade.
• Construir e resolver sistemas lineares derivados de equações elípticas (Poisson/Laplace) e equações de onda hiperbólicas.