Explique por que a utilização da Matriz de Vandermonde (forma direta) não é recomendada para um número elevado de pontos ( ), mencionando o conceito de condicionamento numérico.

Passo 1

O que o enunciado pede: explicar por que a utilização da matriz de Vandermonde na forma direta (isto é, resolver o sistema linear associado para obter os coeficientes do polinômio interpolador) não é recomendada quando o número de pontos \;n\; é grande, e relacionar isso ao conceito de condicionamento numérico.
Informações relevantes que o enunciado dá ou que precisamos assumir:
  • A matriz de Vandermonde associada a n nós \;x_1,\dots,x_n\; é a matriz cujas entradas são potências dos nós; isto é, a matriz \;V\in\mathbb{R}^{n\times n}\; com
V_{ij} = x_i^{\,j-1},\qquad i,j=1,\dots,n.
  • O método “direto” de interpolação polinomial consiste em resolver o sistema linear
V c = y,
onde c são os coeficientes no base monomial e y=(y_1,\dots,y_n)^T são os valores da função nos nós.
  • Precisamos usar o conceito de número de condição (conditioning) de uma matriz e a relação entre número de condição e amplificação de erros numéricos.

Passo 2

O que é resolver por Vandermonde (passo técnico): se queremos o polinômio interpolador de grau \le n-1
p(x)=c_0 + c_1 x + c_2 x^2 + \dots + c_{n-1} x^{n-1},
impondo p(x_i)=y_i para i=1,\dots,n, obtemos o sistema linear \;V c = y\; (usei a definição de \;V\; do Passo 1). O método direto é formar \;V\; e resolver para \;c\; por eliminação (Gauss) ou fatoração.
Passo pedagógico sobre o que significa cada símbolo:
  • \;V\; é a matriz de Vandermonde (cada coluna é uma potência dos nós).
  • \;c\; é o vetor dos coeficientes do polinômio na base monomial \{1,x,x^2,\dots\}.
  • \;y\; é o vetor de dados (y_1,\dots,y_n)^T.

Passo 3

O que é condicionamento numérico (definição e interpretação): para uma matriz invertível \;A\; o número de condição relativo (na norma escolhida) é
\kappa(A) = \|A\|\,\|A^{-1}\|.
Interpretação prática: quando resolvemos A x = b com erro de dados ou erro de arredondamento \delta b, a solução tem uma perturbação \delta x que, em primeira aproximação, satisfaz
\frac{\|\delta x\|}{\|x\|} \lesssim \kappa(A)\,\frac{\|\delta b\|}{\|b\|}.
Isto quer dizer que um grande número de condição \kappa(A) amplifica erros relativos em \;b\; (ou erros numéricos durante a fatoração) para erros muito maiores em \;x\;. O mesmo vale para erros nas entradas de \;A\;.
Explicação simples: se \kappa(A) é grande, o problema é numericamente “mal condicionado” — pequenas imprecisões de máquina (por exemplo \approx unidade de máquina \,u) podem produzir grandes erros relativos na solução.

Passo 4

Por que a Vandermonde tende a ser mal condicionada quando \;n\; cresce — intuição sobre a base monomial:
  • As colunas de \;V\; são (1,1,\dots,1)^T,\\ (x_i)^T,\\ (x_i^2)^T,\dots. Para graus grandes essas colunas tendem a ficar quase linearmente dependentes dependendo da distribuição dos nós: por exemplo, para nós em um intervalo fixo como [-1,1] as potências de alta ordem variam em escalas muito pequenas (ou muito grandes se |x_i|>1), de modo que uma coluna pode ser aproximada por combinação linear das anteriores com pequeno erro numérico.
  • Em termos práticos, as entradas da mesma linha têm escalas muito diferentes: comparar 1 com x^{n-1} pode dar números muito pequenos ou muito grandes, criando problemas de escala na factorização numérica (perda de precisão por cancelamento e por diferença de ordens de grandeza).
  • Para nós igualmente espaçados em [-1,1] ou em intervalos comuns, há resultados teóricos e numéricos que mostram que \kappa(V) cresce rapidamente (tipicamente exponencialmente em \;n\; na prática). Ou seja, \kappa(V)\approx C\alpha^n para algumas constantes C,\alpha>1 que dependem da escolha dos nós — portanto cresce muito rápido com \;n\;.

Passo 5

Demonstrando o efeito prático com a desigualdade de condicionamento: suponha unidade de máquina típica \;u (por ex. \;u\approx 10^{-16} para dupla precisão). Se \kappa(V)=10^{12} então erros relativos da ordem de \;u\; podem produzir erros relativos na solução da ordem de
\kappa(V)\,u \approx 10^{12}\cdot 10^{-16} = 10^{-4},
ou seja, perdemos 4 casas decimais de precisão na solução c. Para \kappa(V) ainda maior a perda é pior: se \kappa(V)\sim 10^{20} a solução pode ficar completamente inútil. Isso significa que os coeficientes c obtidos por método direto podem ter erros enormes, mesmo quando os dados y eram representados exatamente.
Comentário adicional: mesmo que os coeficientes c fiquem muito imprecisos, às vezes a avaliação do polinômio em pontos dentro do intervalo pode parecer razoável — mas isso é enganoso e instável: pequenas perturbações nos coeficientes podem produzir grandes oscilações fora do intervalo ou para avaliação em máquinas com ruído. Em suma, o método direto não é confiável para grandes \;n\;.

Passo 6

Por que isso ocorre matematicamente (um pouco mais técnico, mas mantido simples):
  • Condição ruim = matrizes próximas de singulares. Quando colunas são quase linearmente dependentes, \|V^{-1}\| é grande, logo \kappa(V)=\|V\|\|V^{-1}\| é grande.
  • A base monomial \{1,x,x^2,\dots\} não é ortogonal; bases não ortogonais tendem a produzir matrizes de transformação com números de condição altos quando o grau cresce. Bases ortogonais (por exemplo polinômios de Chebyshev, Legendre) espalham melhor a informação e dão sistemas mais bem condicionados.
  • Perto de nós coincidentes ou muito próximos, o problema piora ainda mais: pequenas alterações nos pontos mudam muito as potências altas, aproximando maior dependência linear.

Passo 7

Alternativas estáveis que você deve preferir (o que fazer em provas/prática):
  • Interpolação pelo formulismo barycêntrico de Lagrange (a forma barycentric de segunda forma) — é numericamente estável, direta para avaliação e evita resolver o sistema V c = y.
  • Interpolação na forma de Newton com diferenças divididas, implementada com cuidado numericamente (melhor do que resolver Vandermonde diretamente, embora ainda deva cuidar da escala).
  • Usar uma base ortogonal (por ex. polinômios de Chebyshev) e / ou escolher nós bem condicionados (nós de Chebyshev em vez de nós equiespaçados) — isso reduz drasticamente \kappa.
  • Para grandes n, usar métodos especializados (barycentric, FFT para polinômios em Chebyshev, ou métodos de mínimos quadrados em bases ortogonais) em vez de formar e inverter \;V\;.
Por que essas alternativas funcionam melhor: elas evitam a resolução direta de um sistema com grande \kappa, usam fórmulas que cancelam fatores ruins numericamente (barycentric) ou trabalham numa base onde as colunas são quase ortogonais (reduz \|A^{-1}\|).

Passo 8

Resumo didático e incentivo:
  • Regra prática rápida: evitar resolver V c = y diretamente quando \;n\; é moderadamente grande (já a partir de \;n\sim 10 \;20\; em muitos casos a condição já é ruim, dependendo dos nós).
  • A razão fundamental é o condicionamento: \kappa(V) cresce muito com \;n\;, e um grande \kappa amplifica erros de arredondamento de máquina e pequenas perturbações, tornando a solução dos coeficientes numéricamente imprecisa.
  • Use barycentric, Newton com cuidado ou bases ortogonais (Chebyshev) — essas são as receitas que os livros e implementações científicas recomendam.
Força aí — é chato quando a matriz estraga tudo, mas sabendo disso você já sabe quais métodos evitar e quais usar numa prova ou no código!

Resposta

A forma direta (resolver \;V c = y\; com a matriz de Vandermonde \;V\;) não é recomendada para grande \;n\; porque \;V\; fica fortemente mal condicionada: o número de condição \kappa(V)=\|V\|\|V^{-1}\| cresce muito (tipicamente exponencialmente) com \;n\;, de modo que erros de arredondamento ou pequenas perturbações em \;y\; são amplificados por \kappa(V), produzindo coeficientes \;c\; numericamente muito imprecisos; por isso prefere‑se formas estáveis como a formulação barycêntrica de Lagrange, diferenças divididas (Newton) bem implementadas ou bases ortogonais (ex.: nós de Chebyshev).

Exercícios relacionados