(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:
  1. (a) Dar um exemplo explícito de uma sequência de funções contínuas que converge, no sentido de distribuições, para a função delta de Dirac.
  2. (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,
\lim_{n\to\infty}\int_{-\infty}^{\infty} f_n(x)\,\varphi(x)\,dx = \varphi(0).
Essa é a noção que usaremos: testar a sequência contra uma função teste e ver que o resultado tende a \varphi(0).

Passo 3

Primeiro exemplo: sequência gaussiana regularizada.
Definimos, para \epsilon>0,
\delta_\epsilon(x) \;=\; \frac{1}{\epsilon\sqrt{\pi}}\,e^{-x^2/\epsilon^2}.
Propriedades imediatas:
  • Cada \delta_\epsilon é contínua e suave (C^\infty).
  • Normalização (integral igual a 1): fazer a substituição u=x/\epsilon,
\int_{-\infty}^{\infty} \delta_\epsilon(x)\,dx = \frac{1}{\epsilon\sqrt{\pi}} \int_{-\infty}^{\infty} e^{-x^2/\epsilon^2}\,dx = \frac{1}{\sqrt{\pi}} \int_{-\infty}^{\infty} e^{-u^2}\,du = 1.
Assim \delta_\epsilon é uma “approximate identity”.

Passo 4

Provar que a sequência gaussiana converge para \delta no sentido de distribuições.
Tome \varphi\in C_c^\infty(\mathbb{R}). Considere
I(\epsilon) := \int_{-\infty}^{\infty} \delta_\epsilon(x)\,\varphi(x)\,dx.
Faça a mudança de variável u = x/\epsilon. Então
I(\epsilon) = \int_{-\infty}^{\infty} \frac{1}{\sqrt{\pi}} e^{-u^2}\,\varphi(\epsilon u)\,du.
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,
\lim_{\epsilon\to 0} I(\epsilon) = \varphi(0) \int_{-\infty}^{\infty} \frac{1}{\sqrt{\pi}} e^{-u^2}\,du = \varphi(0).
Logo \delta_\epsilon \to \delta no sentido de distribuições quando \epsilon\to 0.

Passo 5

Segundo exemplo: função “chapéu” (triangular) com suporte pequeno — boa para discretização.
Definimos, para inteiro n\ge 1\), \[\delta_n(x) := \begin{cases} n\,(1 - n|x|), & \text{se } |x| \le \dfrac{1}{n},\\[6pt] 0, & \text{se } |x| > \dfrac{1}{n}. \end{cases}
Propriedades:
  • \delta_n\] é contínua (linear em cada lado do pico). - Integral unitária: a área do triângulo com base \(2/n e altura n é
\int_{-\infty}^{\infty} \delta_n(x)\,dx = \frac{1}{2}\times\frac{2}{n}\times n = 1.]

Passo 6

Provar que \delta_n \to \delta no sentido de distribuições (caso do chapéu).
Tome \varphi\in C_c^\infty(\mathbb{R}). Então
\int_{-\infty}^{\infty} \delta_n(x)\,\varphi(x)\,dx = \int_{-1/n}^{1/n} n(1-n|x|)\,\varphi(x)\,dx.
Note que
\left|\int_{-1/n}^{1/n} n(1-n|x|)\,\varphi(x)\,dx - \varphi(0)\right| = \left|\int_{-1/n}^{1/n} n(1-n|x|)\big(\varphi(x)-\varphi(0)\big)\,dx\right|.
Usando que a integral do peso n(1-n|x|) é 1, obtemos o majorante
\le \sup_{|x|\le 1/n} |\varphi(x)-\varphi(0)|.
Como \varphi é contínua, \sup_{|x|\le 1/n} |\varphi(x)-\varphi(0)| \to 0 quando n\to\infty. Logo
\lim_{n\to\infty}\int \delta_n(x)\,\varphi(x)\,dx = \varphi(0).
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
d_i := \delta_\epsilon(x_i - x_0) \quad\text{ou}\quad d_i := \delta_n(x_i - x_0).
  • 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}),
\left|\int \delta_n(x)\varphi(x)\,dx - \varphi(0)\right| \le \sup_{|x|\le 1/n} |\varphi(x)-\varphi(0)|.
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.

Resposta

(a) Por exemplo,
\delta_n(x)=\begin{cases} n\,(1-n|x|), & |x|\le \dfrac{1}{n},\\[6pt] 0, & |x|>\dfrac{1}{n}, \end{cases}
que converge para a delta de Dirac em distribuições. Outra escolha suave é
\delta_\epsilon(x)=\frac{1}{\epsilon\sqrt{\pi}}e^{-x^2/\epsilon^2},\quad \epsilon\to 0.
(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.]

Exercícios relacionados