( 2.5 pontos) (Sequências e séries em equações diferenciais e métodos numéricos) Muitas soluções de equações diferenciais ordinárias e parciais são expressas como séries infinitas.
(a) Mostre, com um exemplo, como uma solução de EDO pode ser construída como série de potências.
(b) Discuta o papel das séries de Taylor na dedução dos métodos numéricos de Runge-Kutta e explique por que o controle do termo de erro \left(R_{n}\right) é essencial na análise de estabilidade.
(c) Comente como as ideias de convergência de séries se refletem na análise de estabilidade de algoritmos iterativos.

Passo 1

O enunciado tem três perguntas distintas:
(a) pedir para mostrar, com um exemplo, como construir uma solução de EDO como série de potências;
(b) pedir para discutir o papel das séries de Taylor na dedução dos métodos de Runge–Kutta e explicar por que o controle do termo de erro \left(R_{n}\right) é essencial na análise de estabilidade;
(c) pedir para comentar como as ideias de convergência de séries se refletem na análise de estabilidade de algoritmos iterativos.
Informações e condições relevantes fornecidas (implícitas no enunciado):
  • Queremos soluções em forma de séries infinitas (séries de potências / Taylor).
  • Aparecem termos chamados de \left(R_{n}\right), que representam o termo de erro/truncamento ao expandir em série.
  • Devemos relacionar construções em série (parte (a)) com dedução de métodos numéricos (parte (b)) e com estabilidade/convergência (parte (c)).
Observação: a resolução começa agora.

Passo 2

Conceito prático: o método de série de potências para uma EDO consiste em assumir que a solução pode ser escrita como uma soma infinita
y(x)=\sum_{n=0}^{\infty} a_n x^n,
calcular derivadas termo a termo, substituir na equação diferencial e obter relações entre os coeficientes a_n. Vou aplicar isso num exemplo simples e instrutivo.

Passo 3

Exemplo escolhido (escolha didática e que gera séries clássicas): considerar a EDO
y''+y=0
com condições iniciais \;y(0)=1 e \;y'(0)=0. Este exemplo é ótimo porque gera as séries de \cos x e \sin x e ilustra todo o processo sem ficar pesado.

Passo 4

Assumo a solução em série de potências centrada em x=0:
y(x)=\sum_{n=0}^{\infty} a_n x^n.
Derivo termo a termo (isso é permitido dentro do raio de convergência):
y'(x)=\sum_{n=1}^{\infty} n a_n x^{n-1},\qquad y''(x)=\sum_{n=2}^{\infty} n(n-1) a_n x^{n-2}.

Passo 5

Substituo y e y'' na EDO \;y''+y=0. Para comparar potências de x, reindexo as somas de y'' para terem x^n:
y''(x)=\sum_{n=0}^{\infty} (n+2)(n+1)\, a_{n+2} x^{n}.
Portanto a equação torna-se
\sum_{n=0}^{\infty} (n+2)(n+1)\, a_{n+2} x^{n} \;+\; \sum_{n=0}^{\infty} a_n x^n \;=\; 0.

Passo 6

Como a soma das séries é a série nula, os coeficientes de cada potência x^n devem anular-se. Isso dá a relação de recorrência
(n+2)(n+1)\, a_{n+2} + a_n = 0\quad\text{para todo }n\ge 0.
Isolando a_{n+2},
a_{n+2} = -\frac{a_n}{(n+2)(n+1)}.

Passo 7

Usando as condições iniciais para obter a_0 e a_1: y(0)=a_0=1 e y'(0)=a_1=0. Agora aplico a recorrência para obter os coeficientes pares e ímpares separadamente:
  • Para os índices pares: a_{2k} depende de a_{2k-2}. Com a_0=1 obtém-se
a_{2}=-\frac{a_0}{2\cdot1}=-\frac{1}{2},\quad a_{4}=-\frac{a_2}{4\cdot3}=\frac{1}{4\cdot3\cdot2},\\ \text{etc.}
Em geral aparece a sequência que corresponde aos coeficientes de \cos x.
  • Para os índices ímpares: como a_1=0, a recorrência força todos a_{2k+1}=0.

Passo 8

Reescrevendo a série com os coeficientes encontrados obtemos
y(x)=\sum_{k=0}^{\infty} a_{2k} x^{2k} =1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} + \cdots,
que é exatamente a série de Taylor de \cos x. Conclusão do (a): a solução obtida por série de potências é
y(x)=\cos x,
e o processo mostrou passo a passo como construir a série e identificar sua soma. Observação adicional útil: essa série tem raio de convergência infinito, portanto a representação por série vale para todo x.

Passo 9

Agora vou explicar (b): início didático sobre séries de Taylor e como elas são a base dos métodos de Runge–Kutta. Ideia central: a solução exata y(t) pode ser expandida em Taylor em torno de t_n para expressar y(t_{n+1}) em função de derivadas em t_n. Para um passo de tamanho h,
y(t_{n+1}) = y(t_n) + h y'(t_n) + \frac{h^2}{2} y''(t_n) + \cdots + \frac{h^{p}}{p!} y^{(p)}(t_n) + R_n,
onde R_n é o resto (termo de truncamento), geralmente da ordem O(h^{p+1}) se cortarmos até a derivada p-ésima.

Passo 10

Como isso leva a Runge–Kutta? Explicação prática e construtiva:
  • Queremos construir um esquema numérico que aproxime y(t_{n+1}) usando apenas avaliações da função f(t,y) (pois y'\!=\!f(t,y)) sem calcular derivadas de ordem superior explicitamente.
  • Runge–Kutta combina várias avaliações de f (estágios) com coeficientes escolhidos de modo que a expansão em potências de h do método coincida com a expansão de Taylor real até uma certa ordem. Ou seja, igualamos coeficientes das séries de Taylor para garantir que o erro local seja de ordem elevada.
Vou demonstrar com um caso concreto: derivação de um esquema de ordem 2 (método do ponto médio, um RK de segunda ordem).

Passo 11

Derivação do RK de ordem 2 (ponto médio) por comparação de Taylor:
  • Escrevo o método candidato em duas etapas (com passo h):
k_1 = f(t_n,y_n),
k_2 = f\big(t_n+\tfrac{h}{2},\; y_n + \tfrac{h}{2}k_1\big),
y_{n+1} = y_n + h k_2.
  • Faço a expansão em Taylor do lado exato até termos de h^2: já escrevi antes que
y(t_{n+1}) = y(t_n) + h f(t_n,y_n) + \frac{h^2}{2}\big(f_t+f_y f\big)(t_n,y_n) + O(h^3),
onde escrevi simbolicamente f_t=\partial f/\partial t e f_y=\partial f/\partial y.
  • Faço expansão do método: calcular k_2 em série em h e substituir em y_{n+1}. Se escolhermos os coeficientes (aqui fixos pelo esquema do ponto médio) corretamente, os termos em h e h^2 coincidem com a expansão de Taylor exata, e o erro local R_n fica da ordem O(h^3). Isso faz do método de ponto médio um método de ordem 2.

Passo 12

Interpretação do termo R_n e por que seu controle é essencial para estabilidade:
  • R_n é o erro local de truncamento no passo n: a diferença entre a verdadeira solução avançada um passo e o valor que o esquema produziria supondo ponto inicial exato. Para um método consistente de ordem p temos R_n=O(h^{p+1}).
  • A estabilidade numérica analisa como os erros (do truncamento e os erros arredondamento/perturbações) são amplificados ao longo de muitos passos. Mesmo que R_n seja pequeno (por exemplo O(h^{p+1})), se a dinâmica do método amplificar erros (fator de amplificação > 1), a solução numérica pode divergir.
  • Exemplo didático: usar a equação teste linear \;y'=\lambda y com \lambda\in\mathbb{C}. Para um método qualquer, a evolução de um erro de um passo costuma ser multiplicada por uma função de estabilidade G(z) com z=\lambda h. No caso do método de Euler explícito
y_{n+1}=y_n+h\lambda y_n \quad\Longrightarrow\quad y_{n+1}=(1+z)y_n,
ou seja, G(z)=1+z. Se |G(z)|>1 (por exemplo z com parte real negativa mas com |1+z|>1), pequenos erros crescem exponencialmente. Portanto controlar R_n não basta: precisamos também garantir que o passo h (logo z) esteja dentro da região de estabilidade do método, onde |G(z)|\le 1 (ou outra condição apropriada para o problema).
  • Em palavras amigáveis: é como fazer várias pequenas imprecisões; se cada imprecisão for pequena mas for multiplicada por um número maior que 1 a cada passo, ao final teremos uma grande bagunça. Controlar R_n reduz o tamanho das imprecisões, mas escolher o método e o passo para que elas não sejam amplificadas é igualmente crucial.

Passo 13

Comentário sobre métodos stiff e papel do controle de R_n:
  • Para problemas stiff (quando \lambda com parte real muito negativa), métodos explícitos exigem h muito pequeno para ficar na região de estabilidade ( |G(\lambda h)|<1), senão a solução explode numérica. Métodos implícitos (alguns Runge–Kutta implícitos) têm regiões de estabilidade maiores (alguns são A‑estáveis) e toleram h maiores. O tamanho de R_n continua importante: se o método é de ordem p, ter R_n=O(h^{p+1}) garante que a contribuição acumulada do truncamento se comporte como esperado — mas essa contribuição só será controlável se o método também for estável para os z relevantes.

Passo 14

Agora a parte (c): como as ideias de convergência de séries se refletem na análise de estabilidade de algoritmos iterativos — explicação conceitual com exemplos simples.
  • Analogia básica: quando usamos uma série infinita \sum_{k=0}^\infty c_k queremos que os termos c_k tendam a zero suficientemente rápido para que a soma convirja. Em algoritmos iterativos, a iteração gera uma sequência de correções; para que o método convirja precisamos que essas correções diminuam (por exemplo geometricamente).
  • Exemplo matricial (Neumann series): se quisermos inverter I-A por série, temos
(I-A)^{-1}=\sum_{k=0}^\infty A^k
e essa série converge (no sentido de norma matricial) quando \|A\|<1. Isso é diretamente usado para interpretar métodos iterativos: se ao linearizar o passo iterativo obtemos uma matriz de iteração B, então a solução iterativa converge se \rho(B)<1 (onde \rho é o raio espectral), analogamente a exigir que a “série de potências” \sum B^k convirja. Assim, convergência de séries de potências tem um papel direto: diz-nos quando uma iteração ( x_{k+1}=B x_k + c) tende a um limite.
  • Exemplo de iteração de ponto fixo unidimensional: Para x_{k+1}=G(x_k), se G é derivável perto de x^* e |G'(x^*)|<1 então a iteração converge linearmente (como uma série geométrica) para x^*. Se |G'(x^*)|\ge 1 há risco de não convergir. Isto espelha o teste da série geométrica: ela converge só se a razão absoluta for <1.
  • Ligação com estabilidade: estabilidade de um algoritmo iterativo significa que pequenas perturbações não crescem; isto é garantido quando os autovalores da matriz de iteração estão dentro do disco unitário. Convergência de séries (Neumann / geométrica) fornece estimativas quantitativas de quanto as iterações decaem (taxa de convergência), assim como o raio de convergência de uma série informa até onde a série representa bem a função.

Passo 15

Resumo didático final das conexões (rápida recapitulação para a prova — como usar isso na hora):
  • Para resolver EDOs por série: assuma y=\sum a_n x^n, derive recorrência entre a_n, use condições iniciais; identifique a soma (por exemplo \cos, \sin, e^x) quando possível. Esse procedimento é mecânico e útil quando as derivadas de ordem superior são difíceis de obter diretamente.
  • Para deduzir métodos numéricos: expanda a solução em Taylor, escolha combinações de avaliações de f (estágios) que façam o polinômio de Taylor aproximado coincidir até a ordem desejada; o resto R_n determina a ordem local do método.
  • Para estabilidade: controlar R_n (torná-lo pequeno) é necessário mas não suficiente; é preciso também que o método não amplifique erros — verifique a função de estabilidade G(z) no problema teste \;y'=\lambda y. Em algoritmos iterativos, a condição análoga é que a matriz/operador de iteração tenha norma/raio espectral menor que 1, o que garante convergência e que as “séries” de iterações se comportam como uma série convergente.

Resposta

(a) Exemplo: para \;y''+y=0 com \;y(0)=1,\;y'(0)=0, assumir \;y(x)=\sum_{n=0}^\infty a_n x^n leva à recorrência \;a_{n+2}=-\dfrac{a_n}{(n+2)(n+1)}, com a_0=1,a_1=0, resultando na série \;y(x)=1-\dfrac{x^2}{2!}+\dfrac{x^4}{4!}-\cdots=\cos x.
(b) Séries de Taylor são a base dos Runge–Kutta: igualando termos das expansões de Taylor da solução e do método escolhemos coeficientes para obter ordem p; o termo de erro local \;R_n=O(h^{p+1}) deve ser pequeno, mas é crucial também que a função de estabilidade G(z) do método (com z=\lambda h) não amplifique erros; sem controlar ambos (erro local e região de estabilidade) a solução numérica pode divergir, especialmente em problemas stiff.
(c) Convergência de séries traduz-se em condições sobre o operador de iteração: por exemplo, a série de Neumann (I-A)^{-1}=\sum_{k=0}^\infty A^k converge se \|A\|<1; de modo análogo um método iterativo converge se o raio espectral da matriz de iteração for <1 (contracção), o que garante que perturbações/erros não são amplificados e que as correções decrescem geometricamente.

Exercícios relacionados