(a) A função delta de Dirac é frequentemente interpretada como o limite de uma sequência de funções. Dê um exemplo explícito de uma sequência de funções contínuas que converge, no sentido de distribuições, para a função delta de Dirac.
(b) Explique como essa sequência pode ser utilizada para aproximar numericamente fenômenos que envolvem impulsos.
Passo 1
O enunciado pede duas coisas claras:
(a) Dar um exemplo explícito de uma sequência de funções contínuas que converge, no sentido de distribuições, para a função delta de Dirac.
(b) Explicar como essa sequência pode ser usada para aproximar numericamente fenômenos que envolvem impulsos.
Informações relevantes dadas pelo enunciado:
Queremos convergência no sentido de distribuições (ou seja, ação sobre funções teste).
As funções da sequência devem ser contínuas (não precisamos que sejam suaves, mas é bom se algumas forem).
A aplicação prática é aproximar impulsos em cálculos numéricos (PDEs, integrais, etc.).
Passo 2
Definição e objetivo (o que significa “convergir no sentido de distribuições”):
A distribuição delta de Dirac centrada em 0 é o funcional linear
\delta:\; \varphi \mapsto \varphi(0),
onde \varphi é uma função teste (por exemplo \varphi\in C_c^\infty(\mathbb{R}) — função infinitamente diferenciável com suporte compacto).
Uma sequência de funções f_n (integráveis, por exemplo) converge para \delta no sentido de distribuições se, para toda função teste \varphi,
Observações para aplicar o Teorema da Convergência Dominada:
\varphi(\epsilon u)\to \varphi(0) ponto a ponto quando \epsilon\to 0.
|\varphi(\epsilon u)| \le \sup_{x}|\varphi(x)| (constante finita) e \frac{1}{\sqrt{\pi}} e^{-u^2} é integrável em u.
Pelo Teorema da Convergência Dominada,
Portanto \delta_n\to\delta no sentido de distribuições.
Passo 7
Comparação e comentários sobre propriedades (para entender escolhas):
Gaussianas \delta_\epsilon: suaves, suporte não compacto, decaem exponencialmente; muito usadas em análise e em métodos espectrais.
Chapéu \delta_n: suporte compacto de comprimento 2/n, útil em métodos de elementos finitos / diferenças finitas porque afeta apenas células próximas.
Em ambos os casos a convergência é somente no sentido de distribuições: não existe convergência pontual para uma função (delta não é função), e as normas L^p típicas não permanecem controladas (p.ex. norma L^\infty diverge).
Passo 8
Como usar essas sequências para aproximar numericamente um impulso (visão geral prática).
Substitua a distribuição \delta(x-x_0) pelo regularizador \delta_\epsilon(x-x_0) ou por \delta_n(x-x_0) com parâmetro pequeno.
No discretizador (grade com espaçamento \Delta x em 1D, malha em 2D/3D) represente a função regularizada avaliando-a nos pontos da grade ou integrando-a sobre células.
É crucial manter a normalização discreta: a soma discreta das contribuições vezes o volume de célula tem que ser igual à intensidade do impulso.
Passo 9
Receita numérica concreta (1D) e normalização:
Seja uma grade x_i = x_0 + i\Delta x. Compute valores brutos
Normalizar para garantir massa discreta exatamente igual a 1:
\tilde d_i := \frac{d_i}{\sum_j d_j\,\Delta x}.
Use \tilde d_i como vetor fonte: se a intensidade do impulso for A, então a contribuição ao lado direito do sistema é f_i \mathrel{+}= A\,\tilde d_i.
Observação: se usar o triângulo com suporte escolhido como múltiplos de \Delta x, a normalização analítica pode ser exata sem necessidade de renormalizar numericamente.
Passo 10
Como isso se aplica em métodos de elementos finitos (FEM) e diferenças finitas:
Em formulação fraca (FEM) a ação do delta aparece como \int \delta(x-x_0)\,v(x)\,dx = v(x_0) para teste v. Numericamente, se x_0 coincide com um nó, você pode aplicar o valor do teste naquele nó; caso contrário, substitua \delta por \delta_\epsilon e projete no espaço de elementos (ou distribua a carga entre nós próximos de forma consistente).
Em diferenças finitas e volumes finitos use a receita do Passo 9; prefira funções de suporte pequeno (chapéu) para manter a sparsidade e a localidade da fonte.
Passo 11
Escolha de parâmetros, trade-offs e dicas práticas:
Relação entre \epsilon (ou 1/n) e \Delta x: escolha \epsilon de modo que o suporte da regularização cubra algumas malhas, por exemplo \epsilon \approx C\,\Delta x com C\in[1,3]. Se \epsilon\ll \Delta x a malha pode “não ver” o impulso (erro grosseiro); se \epsilon muito grande, o impulso fica demasiadamente espalhado.
Convergência: à medida que \Delta x\to 0 e \epsilon\to 0 com \epsilon/\Delta x fixo e razoável, a solução numérica aproximará a solução débil (no sentido de distribuições) do problema com fonte \delta.
Estabilidade e resolução: impulsos muito concentrados produzem gradientes grandes e podem exigir passos de tempo menores (em problemas dependentes do tempo) e malhas refinadas para controlar erro numérico.
Conservação: é essencial garantir que a integral discreta (soma vezes \Delta x) seja exatamente a intensidade pretendida — caso contrário o sistema receberá carga errada.
Passo 12
Estimativa de erro simples (para o chapéu) — como ver a qualidade da aproximação:
Para \delta_n do Passo 5 e \varphi\in C_c(\mathbb{R}),
Ou seja, o erro é controlado pelo módulo de continuidade de \varphi em uma vizinhança de raio 1/n. Em contexto numérico, isso explica por que funções teste (ou soluções) suaves fazem a aproximação convergir rápido: se \varphi tem derivadas limitadas, o erro é da ordem de 1/n (ou \epsilon).
Passo 13
Resumo prático e encorajamento (curto):
Para provas: memorize um exemplo explícito (p.ex. a gaussiana \delta_\epsilon ou o chapéu \delta_n) e o argumento de convergência por mudança de variável / continuidade.
Para computação: substitua \delta por uma regularização bem escolhida, normalize e ajuste \epsilon em função da malha.
Você consegue! Esses são truques padrões em EDPs e métodos numéricos; praticando a escolha de \epsilon e a normalização você ganha confiança rápido.
(b) Em cálculos numéricos substitui-se \delta(x-x_0) por \delta_\epsilon(x-x_0) (ou \delta_n) com \epsilon proporcional ao passo da malha \Delta x, avalia-se a regularização nos pontos da grade e normaliza-se por \sum_j d_j\Delta x para garantir massa correta; escolher \epsilon\approx C\Delta x (C entre 1 e 3) equilibra precisão e estabilidade.]