Master Book Variationalcalculus2017

Notas de aula da disciplina
T
Cálculo das Variações com Aplicações em Engenharia
Mec0137 - Promec - Ufrgs
AF
Prof. Rodrigo Rossi, Dr. Eng. Mec.
Grupo de Mecânica Aplicada (GM Ap), Departamento de Engenharia Mecânica
Universidade Federal do Rio Grande do Sul
Rua Sarmento Leite, 425 - Porto Alegre - RS - 90046-902 - Brasil
rrossi@ufrgs.br - ramal 3680
25 de julho de 2017
DR
Sumário
I Fundamentos 8
1 Funções e funcionais 9
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Problemas clássicos em cálculo das variações - motivação . . . . . . . . . . . . . . . . . 10
1.2.1 Caminho mais curto entre dois pontos . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Braquistócrona - (Bernoulli - 1696) . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 Geodésicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
T
1.2.4 Problema isoperimétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.5 Princípio dos trabalhos virtuais . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.6 Princípio da mínima energia potencial total e máxima energia potencial com-
plementar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
AF
1.2.7 Princípio de Hamilton . . . . . . . . .
1.3 Exercícios . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
13
14
2 Extremos de funções e resultados da análise convexa 15

2.1 As short as possible introduction to Convex Analysis . . . . . . . . . . . . . . . . . . 17
2.1.1 Convex sets and convex function . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2 Karush-Kuhn-Tucker conditions in optimality . . . . . . . . . . . . . . . . . . . 22
3 Uma introdução sobre continuidade e integrabilidade - os espaços C m e Lp 23

3.1 Espaço linear ou espaço vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Continuidade de funções - O espaço C m (Ω) . . . . . . . . . . . . . . . . .
DR
. . . . . . . 25
3.3 Integração e o espaço Lp (Ω) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4 Espaços munidos com produto interno e normas 29

4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Espaços lineares com produto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.1 Desigualdades: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Espaços lineares normados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Continuidade de funcionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5 O espaço normado de Sobolev W m,p . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.6 Multi-index notation and operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II Cálculo Variacional 38
5 Cálculo da Variações 39
5.1 Variação, Gâteaux e a Equação de Euler-Lagrange . . . . . . . . . . . . . . . . . . . . 39
5.1.1 A variação de uma função . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.1.2 Forma implícita da primeira variação do funcional . . . . . . . . . . . . . . . . 43
5.1.3 Equação de Euler-Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1.4 Lema Fundamental do Cálculo das Variações . . . . . . . . . . . . . . . . . . . 46
5.1.5 Caso especiais do integrando F . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1.5.1 O integrando não depende de u . . . . . . . . . . . . . . . . . . . . . 47
1
SUMÁRIO SUMÁRIO
III Princípios Variacionais 48
IV Métodos de aproximação 49
V Apêndices 50
T
AF
DR
Mec0137- Cálculo Variacional - Prof. Rossi 2 Release 0.1 - 25 de julho de 2017

Lista de Figuras
1.1 Exemplos de funções. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.2 Um exemplo de função não admissível e admissível candidata para a solução do problema. 10
1.3 Uma função candidata para o problema do caminho mais curto entre dois pontos. . . . 11
1.4 Função candidata para resolver o problema da Braquistócrona. . . . . . . . . . . . . . 11
1.5 O problema de encontrar geodésicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Modelo massa mola de um grau de liberdade. . . . . . . . . . . . . . . . . . . . . . . 14
T
2.1 Pontos extremos de f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Convex and non-convex set. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Properties of convex sets. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Convex hull. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Examples of convex and strictly convex functions in R. a) Convex; b) Strictly convex;
AF
c) Non-convex function. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 Examples of epigrah and hypograph. a) Non-convex. b)Convex. . . . . . . . . . . . . 19
2.7 Convex differentiable function in R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1 O conjunto C m (Ω). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

d2 u
3.2 Gráfico das funções u (x) , du
dx , dx2 de Eq. 3.3. . . . . . . . . . . . . . . . . . . . . . . . 26
4.1 Interpretação geométrica da continuidade de uma função do tipo y : R → R . . . . . . 30

4.2 Aproximação de ordem zero e aproximação de primeira ordem. . . . . . . . . . . . . . 33
DR
5.1 Variação de uma função para valores nas extremidades fixos. Repare que caso u (x)
2

e ũ (x) não estiverem próximos então o termo O deve ser considerado e então o
afastamento entre as curvas seria δu (x) + O 2 = v (x) + O 2 . . . . . . . . . . .

40
3
Lista de Tabelas
5.1 Notação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
T
AF
DR
4
Estrutura do Curso - Mec0137
• Semana #1 - Introducão
– Estabelecendo as regras para esta disciplina.

– O papel do cálculo variacinal na engenharia e na física;
– Funcões e funcionais.
• Semana #2 - Cálculo no Rn
T
– Revisão de Cálculo no Rn ; Derivada direcional e Linearização.
– Conjuntos e funções convexas. Condição necessária e suficiente para a extremização de funções.
• Semana #3 - Do Rn para o espaço vetorial de funções
– Espaços lineares;
– Continuidade de funções;
AF
– Integrabilidade de funções.
• Semana #4 - Mais sobre espaço de funções
– Espaços munidos de produto interno;

– Espaços munidos de norma.
• Semana #5 - Introdução ao cálculo das variações
– A variação de uma função;

DR
– Derivada de Gâteaux de um funcional

– A equação de Euler-Lagrange
– Lema fundamental do Cálculo das Variações
– Aplicações.
• Semana #6 - Cálculo das variações
– Casos especiais do integrando e suas soluções via solução exata das equações diferenciais;
– Funcionais envolvendo várias variáveis;

– Ordem das Equações diferenciais resultantes das equações de Euler-Lagrange.
– Avaliação Parcial
• Semana #8 - Princípios da mecânica vistos do ponto de vista variacional
– Princípio dos Trabalhos Virtuais e Princípio dos Trabalhos Virtuais Complementares

– Aplicações
– Princípio da Mínima Energia Potencial Total e Princípio da Máxima Energia Potencial Total Com-
plementar
5
LISTA DE TABELAS LISTA DE TABELAS
– Aplicações
• Semana #10 - Mais um pouco de análise funcional
– Formas lineares e bilineares
• Semana #11 - Métodos de Ritz e dos resíduos ponderados
– Método de Ritz
– Métodos dos resíduos ponderados
∗ Colocação, Galerkin, Petrov-Galerkin, Least Squares.
• Semana #12 - Fechamento
– Avaliação Final
T
AF
DR

Referências Bibliográficas
Mokhtar S. Bazaraa, Hanif D. Sherali, and C. M. Shetty. Nonlinear Programing: Theory and Algorithms.
Wiley-Interscience, 3rd edition, 2006.
K.W. Cassel. Variational Methods with Applications in Science and Engineering. Cambridge University Press,
2013. ISBN 9781107022584.
I.M. Gelfand and S.V. Fomin. Calculus of Variations. Dover Books on Mathematics. Dover Publications, 2000.
ISBN 9780486414485.
T
A.N. Kolmogorov and S.V. Fomin. Elements of the theory of functions and functional analysis: Metric and
normed spaces, volume 1 of Elements of the Theory of Functions and Functional Analysis. Graylock Press,
1957.
A.N. Kolmogorov and S.V. Fomin. Elements of the theory of functions and functional analysis: Measure. The
Lebesgue integral. Hilbert Space., volume 2 of Elements of the Theory of Functions and Functional Analysis.
Graylock Press, 1961.
AF
C. Lanczos. The Variational Principles of Mechanics. Dover Books On Physics. Dover Publications, 1970. ISBN
9780486650678.
David G. Luenberger and Yinyu Ye. Linear and Nonlinear Programming. Springer, 3rd edition, 2008. ISBN
978-0-387-74502-2.
D.G. Luenberger. Optimization by Vector Space Methods. Professional Series. Wiley, 1969. ISBN 9780471181170.
G. G. Magaril-Il’yaev and V. M. Tikhomirov. Convex Analysis: Theory and Applications. American Mathema-
tical Society, first edition, 2003.
DR
J.T. Oden and L. Demkowicz. Applied Functional Analysis, Second Edition. CRC series in computational
mechanics and applied analysis. Taylor & Francis, 1996. ISBN 9780849325519.
B.D. Reddy. Introductory Functional Analysis: With Applications to Boundary Value Problems and Finite
Elements. Introductory Functional Analysis Series. Springer, 1998. ISBN 9780387983073.
J.N. Reddy. Energy Principles and Variational Methods in Applied Mechanics. Wiley, 2002. ISBN
9780471179856.
Karel Rektorys. Variational methods in mathematics, science, and engineering. D. Reidel Publishing Company,
1977. ISBN 9027710600.
Hugo Touchette. Legendre-fenchel transforms in a nutshell, 2007. URL http://www.physics.sun.ac.za/

~htouchette/articles.html.
Hugo Touchette. Elements of convex analysis, 2010. URL http://www.physics.sun.ac.za/~htouchette/

articles.html.
John L. Troutman. Variational Calculus and Optimal Control: Optimization with Elementary Convexity. Un-
dergraduate Texts in Mathematics. Springer New York, 1996. ISBN 978-1-4612-6887-1.
7
T
Part I
Fundamentos
AF
DR
8
Chapter 1
Funções e funcionais
1.1 Introdução
Vamos iniciar este curso caracterizando funções e funcionais. Para argumentação inicial pode-se
considerar funções e funcionais definidos de forma “conveniente” para facilitar o entendimento entre
T
eles.
• Uma função f de variáveis reais, x ∈ Rn , que leva a um número real R pode ser descrita como,
veja Fig. 1.1,
f : Rn → R; n ∈ N (1.1)
AF
DR
Figure 1.1: Exemplos de funções.
• Um funcional, por sua vez, estabelece um mapeamento (correspondência ou ainda é um operador

que) atribui um número real para cada função (ou curva) pertencente a uma classe1 . O valor do
funcional pode ser diferente para cada função (ou curva), então a definição de funcional fica:
Definition 1.1. Funcional: Uma correspondência que atribui um número definido (real) a cada
função (ou curva) pertencente a alguma classe. Assim, pode-se dizer que um funcional é um tipo de
função, onde a(s) variável(is) independentes é(são) em si uma função(ões) (ou curvas) [Gelfand and
Fomin, 2000].
Como exemplo pode-se escrever: Um funcional J é uma mapeamento (ou operador) que leva
funções definidas em um espaço vetorial de funções, u ∈ V , em
J :V →R (1.2)
J é um operador e J (u) é o funcional. A integral abaixo é um exemplo de funcional

ˆ b
αu (x) + βu0 (x) dx

J (u) = (1.3)
a
1
Conjunto de funções que dependem do problema a ser resolvido (set of functions).
9
1. Funções e funcionais Problemas clássicos em cálculo das variações - motivação
onde u0 (x) ≡ du
dx . O funcional em Eq. 1.3 pode ser escrito como
ˆ b
F x, u (x) , u0 (x) dx.

J (u) = (1.4)
a
É importante ressaltar que no integrando F (x, u (x) , u0 (x)), x tem um papel de parâmetro e não
de variável Reddy [2002], p. 106. Isto é, o funcional J (u) depende da função u (x) e tem x como
parâmetro. Ao formular problemas dentro do enfoque do cálculo das variações estamos procurando
como respostas as curvas (ou funções) que resolvem um certo problema definido no domínio em x.
Alguns pontos devem ainda ser comentados aqui. Ao escrever o problema em termos do funcional
acima, Eq. 1.3 ou 1.4, é requerido:
• Que a integral, ou melhor o resultado da integral exista (seja finito);
• Como o integrando F (x, u (x) , u0 (x)) envolve a função u (x) e sua derivada u0 (x) então é exigido
que a solução pertença a classe (espaço) das funções contínuas diferenciáveis. Este é um ponto
muito importante dentro deste curso poia são “eliminadas” da solução classes inteiras de funções.
Veja a figura abaixo.
T
AF
Figure 1.2: Um exemplo de função não admissível e admissível candidata para a solução do problema.
• Outro ponto importante na solução de problemas envolvendo funcionais é quanto a unicidade da

solução. Dada uma função que é solução do problema, atendendo as condições de integrabilidade
DR
e continuidade expostas nos itens anteriores, será que ela é a única função que resolve o problema
(unicidade)?
Definition 1.2. Funcional Linear: Um funcional é dito Linear quando (J é um operador linear)
J (u (x) + αv (x)) = J (u (x)) + αJ (v (x)) (1.5)
para todo α ∈ R e variáveis dependentes u (x) e v (x).
1.2 Problemas clássicos em cálculo das variações - motivação

1.2.1 Caminho mais curto entre dois pontos
O objetivo é determinar qual é a função, digamos u (x), que produz a menor distância entre dois
pontos. Para tanto considere a função u (x) como mostrada na Fig. 1.3 abaixo.
O comprimento de uma curva entre os pontos A e B pode ser expresso em termos do comprimento
de arco ds da seguinte forma
ˆ b ˆ bq
J (y) = ds = 1 + (u0 (x))2 dx. (1.6)
a a
Repare que J (y) retorna o comprimento da função u (x) “escolhida”, mas o integrando envolve a
derivada de u (x). Pode-se colocar este problema variacional (bem ainda não vimos nada sobre as
variações!) da seguinte maneira:
Mec0137- Cálculo Variacional - Prof. Rossi 10 Release 0.1 - 25th July 2017
Figure 1.3: Uma função candidata para o problema do caminho mais curto entre dois pontos.
Problem 1.1. Problema do caminho mais curto entre dois pontos: Encontre u (x), suficientemente
regular, ou suficientemente suave 2 tal que
u (x) = argmín J (ū) (1.7)
1.2.2 Braquistócrona - (Bernoulli - 1696)
T
Determinar o caminho (curva) de mais rápida descida, Fig. 1.4. Dados dois pontos A e B encontre a
curva para a qual uma partícula de massa m submetida ao campo gravitacional constante g de modo
que o tempo t para percorrer A até B seja o menor possível.
AF
Figure 1.4: Função candidata para resolver o problema da Braquistócrona.
DR
Problem 1.2. Problema do caminho mais curto entre dois pontos: Encontre u (x), suficientemente
regular, tal que
u (x) = argmín J (ū) (1.8)
1.2.3 Geodésicas
Encontre a linha de menor comprimento que está sobre a superfície f (x, y, z) = 0 e que liga os
dois pontos A e B, veja Fig. 1.5. Estas linhas são chamadas de geodésicas. Este tipo de problema
requer encontrar um extremo submetido a uma restrição, problema variacional com restrições, já que
é necessário encontrar um mínimo, dado pelo menor comprimento da linha, do funcional.
ˆ b ˆ bp
J (y, z) = ds = 1 + u02 + v 02 dx
a a
onde as funções u e v devem satisfazer a restrição f (x, y, z) = 0, isto é pertencer a superfície.

Problem 1.3. Problema da Geodésica: Encontre u e v, suficientemente regulares, tal que
[u, v] = argmín J (ū, v̄)
sujeito a (1.9)
f (x, y, z) = 0
2
Por suficientemente regular ou suave quer-se dizer que a função u (x) deve atender os requisitos de continuidade dela
própria e de todas as requeridas derivadas.
Figure 1.5: O problema de encontrar geodésicas.
T
O problema como mostrado acima é só um modelo. A completa definição deste tipo de problema
geralmente passa por conceitos de geometria diferencial.
1.2.4 Problema isoperimétrico

AF
Qual é a maior área que pode ser inscrita em um dado perímetro fixo. Este problema é conhecido
como problema de Dido3 . Deixe a função u (x) ser a função a qual deve-se maximizar a área
ˆ b
J (y) = u (x) dx (1.10)
a
enquanto o perímetro fixo é descrito pela restrição

ˆ bq
1 + (u0 (x))2 dx = p (1.11)
DR
Problem 1.4. Problema isoperimétrico: Encontre u (x), suficientemente regular, tal que
u (x) = argmáx J (ū)

sujeito a (1.12)
ˆ bq
1 + (u0 (x))2 dx − p = 0.
a
1.2.5 Princípio dos trabalhos virtuais

Em mecânica dos corpos rígidos ou deformáveis exitem alguns princípios muito úteis. Um dos mais
poderosos é o Princípio dos Trabalhos Virtuais. De forma bastante simples, ele diz que se um corpo
está em sua configuração de equilíbrio então a variação de trabalho, mantida as cargas constantes,
deve ser nula. Se Wt é o trabalho total em um sistema mecânico então 4Wt = 0. Para um corpo
deformável decompõem-se o trabalho total em trabalho realizado pelas forças internas Wi e trabalho
das forças externas We , aquelas que atuam na fronteira do corpo, de modo que
Wt = Wi + We . (1.13)
No contexto do cálculo das variações este princípio fica escrito da seguinte forma
3
Problema da Rainha Dido de Cartago.
δWt = δWi + δWe = 0. (1.14)

O princípio dos trabalhos virtuais é bastante geral e pode ser aplicado para materiais independen-
temente do tipo de resposta constitutiva (elástica ou inelástica). Pode-se escrever este princípio em
termos dos deslocamentos, dando origem ao Princípio dos Deslocamentos Virtuais levando ao Método
dos Deslocamentos Unitários, o qual é usualmente aplicado para determinação de forças em pontos
de estruturas simples. Pode-se ainda escrevê-lo em termos das forças, dando origem ao Princípio do
Trabalho Virtual Complementar o qual tem como forma simplificada o Método das Forças Unitárias
onde é possível calcular deslocamentos pontuais em estruturas simples.
1.2.6 Princípio da mínima energia potencial total e máxima energia potencial

complementar
Os Princípios da Mínima Energia Potencial Total e Máxima Energia Potencial Complementar Total
podem ser vistos como sendo derivados do princípio dos trabalhos virtuais. Se a relação constitutiva
do material é elástica, linear ou não linear, pode-se construir, partindo do Princípio dos Trabalhos
Virtuais, o funcional de Energia Potencial Total π (u) tal que
T
π (u) = U (u) + V (u) (1.15)
no qual U (u) é a energia de deformação do corpo, U (u) = Wi , e V (u) é energia potencial das cargas
externas, V (u) = We . O campo de deslocamento que solução do problema é tal que minimiza a
AF
Energia Potencial Total, levando a
u = argmín π (ū) (1.16)
ou em termos de cálculo variacional
δπ (u) = δU (u) + δV (u) = 0. (1.17)
Do Princípio da Mínima Energia Potencial Total deriva-se o chamado Teorema de Castigliano I,

usado, em geral, para a determinação de forças em sistemas mecânicos simples.
Pode-se também escrever o Princípio da Máxima Energia Potencial Complementar Total. Ainda
dentro do contexto da elasticidade, constrói-se o funcional Energia Potencial Complementar Total
DR
π ∗ (F ), que pode ser visto como uma consequência do Princípio dos Trabalhos Virtuais Comple-
mentares. Ele é
π ∗ (F ) = U ∗ (F ) + V ∗ (F ) (1.18)
na qual U ∗ (F ) é energia de deformação complementar do corpo e V ∗ (F ) é a energia potencial com-
plementar das cargas externas. O campo de forças que é solução do problema é tal que maximiza a
Energia Potencial Complementar Total, é

F = argmáx π F̄ (1.19)
ou em termos de cálculo variacional
δπ ∗ (F ) = δU ∗ (F ) + δV ∗ (F ) = 0. (1.20)
Do Princípio da Máxima Energia Potencial Complementar Total deriva-se o chamado Teorema de

Castigliano II, usado, em geral, para a determinação de deslocamentos em sistemas mecânicos simples.
1.2.7 Princípio de Hamilton

O Princípio de Hamilton é um dos mais importantes axiomas da ciência e governa o movimento não
relativístico de todos os sistemas mecânicos conservativos.
1. Funções e funcionais Exercícios
Princípio de Hamilton: A evolução de um sistema mecânico conservativo durante o tempo ti e tf

irá escolher uma trajetória q (t) que produz um valor estacionário de
ˆ tf
J (q) = L dt
ti
ˆ tf
= (K − V) dt (1.21)
ti
na qual L = K − V é o Lagrangiano com K sendo a energia cinética e V a energia potencial do sistema

mecânico.
Example 1.1. Movimento de um sistema massa mola de um grau de liberdade sobre uma superfície
sem atrito. O modelo está apresentado na Fig. 1.6
T
Figure 1.6: Modelo massa mola de um grau de liberdade.
AF 2
Energia Cinética do Sistema: K = m2q̇
2 ´t
Energia Cinética do Sistema: V = kq2 com V = tif kq dt sendo k a rigidez da mola (lei de
|{z}
F orça
Hooke).
O Lagrangiano para o problema fica
ˆ tf ˆ
1 tf 2
J (q) = L dt = mq̇ − kq 2 dt (1.22)
ti 2 ti
DR
Problem 1.5. Princípio de Hamilton: Encontre q (x), suficientemente regular, tal que
q (t) = argmín J (q̄) (1.23)
1.3 Exercícios
1. Faça uma pesquisa bibliográfica sobre os problemas apresentados nessa seção, derivando os
mesmos matematicamente.
Chapter 2
Extremos de funções e resultados da

análise convexa
Outro ponto importante na apresentação/formulação dos problemas envolvidos em cálculo variacional,

tais como aqueles apresentados anteriormente na seção 1.2, é que eles exigem que o máximo ou mínimo
T
de um dado funcional seja encontrado para solucionar o problema. Tais pontos são conhecidos como
extremos do funcional.
Definition 2.1. Pontos extremos de uma função: O máximo e mínimo de uma função, con-
hecidos coletivamente como extremos, são o maior e o menor valor da função, seja dentro de um
AF
determinado intervalo (o extremo local ou relativo) ou em todo o domínio de uma função (o extremo
global ou absoluto). Um ponto xo é um extremo absoluto em S, S ⊂ Rn , se ∀x ∈ S são verificadas as
condições.
f (x) ≤ f (xo ) para um máximo

f (x) ≥ f (xo ) para um mínimo.
Definition 2.2. Extremos Locais: Um ponto xo pode ser um ponto extremo de local de f , isto é,
se ∀x ∈ S na vizinhança de xo
DR
f (x) ≤ f (xo ) para um máximo local

f (x) ≥ f (xo ) para um mínimo local.
Example 2.1. Analise a figura 2.1.
Figure 2.1: Pontos extremos de f .
Um primeiro teorema importante que surge a respeito da existência de máximos e mínimos é o

seguinte:
Theorem 2.1. Teorema do Valor Extremo: Se S ⊂ Rn é compacto e f (x) : S → R é contínua,

C 0 , então f terá valores máximos e mínimos em S.
15
2. Extremos de funções e resultados da análise convexa
Proof. Deixada como atividade de pesquisa. Fazer revisão de conjuntos compactos, abertos, fechados,
pontos de acumulação, fecho de conjuntos...
No cálculo diferencial para encontrar um extremo de uma função (máximo ou mínimo1 ) é preciso
derivar a função (diferenciar a função) e então igualar a zero.
Suponha que para x ∈ R esteja estabelecida a função f : R → R, então a chamada condição
necessária para encontrar um ponto x que torna f um extremo é
df
=0 (2.1)
dx
0
ou ainda ao escrever df = f dx a condição fica
df = 0. (2.2)
De forma semelhante, no cálculo n-dimensional ao usar o conceito de derivada direcional esta

condição necessária para extremos de uma função fica escrita da sequinte forma: Seja f (x) : S → R,
com S ⊂ Rn . A condição necessária para encontrar um extremo de f é que para x ∈ S, e para uma
dada uma direção u ∈ S, qualquer, então
T
Du f (x) = Df (x) [u]
= ∇f (x) · u = 0, ∀u ∈ S. (2.3)
o que implica em
∇f (x) = 0. (2.4)
AF
No cálculo das variações são procuradas funções para as quais o funcional é extremo. Como será
visto mais adiante neste curso a condição necessária para que uma curva (função) torne o funcional
extremo é
δJ = 0. (2.5)
Em Eq. 2.5 o símbolo δ é a variação do funcional, que mais adiante neste curso vai assumir o nome
de diferencial de Gâteaux. A condição Eq. 2.5 é conhecida como condição de estacionariedade do
funcional.
Observação 2.1. É necessário dizer ainda que vários problemas em engenharia não possuem um mínimo
DR
ou máximo que atendam as condições em Eq. 2.5, ou mesmo em Eq. 2.3. Por exemplo, problemas
com restrição podem excluir a região de mínimo ou máximo, Eq. 2.5 ou Eq. 2.3, da região factível de
procura. Isto vai ficar mais claro durante esta seção onde uma breve introdução para o problema de
encontrar pontos de extremo, e ainda pontos de sela, será apresentada.
Por enquanto não foram desenvolvidos métodos/ferramentas matemáticas para julgar se a condição
de estacionariedade leva de fato a um extremo do funcional, veja discussão em Lanczos [1970] página
42. O que a condição de estacionariedade requer é que a primeira variação do funcional desapareça,
δJ = 0, entretanto esta condição é dita necessária mas não suficiente para julgar se o funcional (serve
o mesmo para a condição df = 0 para funções) possui um extremo ou não. Por outro lado, se um
problema for convexo é possível ter certeza que o funcional terá um extremo e que ele será um mínimo.
Fica claro que ao tratar de soluções de problemas em cálculo multidimensional (f : Rn → R) ou
em cálculo variacional (J : V → R) torna-se necessário estudar como encontrar pontos ou funções
estacionárias que levam, respectivamente, a extremos de funções ou a extremos de funcionais. Fechando
esta seção, como ponto importante escreve-se:
Definição 2.3. Pontos estacionários xo : Levam uma função a ter extremo (máximos ou míni-
mos)2 . Condição necessária para f (x) : S → R, com S ⊂ Rn :
Df (x)|xo [u] = 0 → ∇f (x)|xo = 0.

1
e também pontos de sela - que não são pontos extremos.
2
• Leva ainda a pontos de sela.

2. Extremos de funções e resultados da análise As
convexa
short as possible introduction to Convex Analysis
Definição 2.4. Funções estacionárias uo (x): Levam um funcional a ter valor extremo (máximos
ou mínimos)2. Condição necessária:
δJ = 0.
2.1 As short as possible introduction to Convex Analysis

Although most functions are not convex, a surprisingly large number of those of interest to us are
convex, or even strictly convex on Ω. There are several examples in physics in which the energy
potentials are strictly convex.
The goal of this section is to show Some important results and properties of the Convex Analysis
and of the Legendre-Fenchel transform. The text is devoted for those that are beginners in the study of
convex analysis and therefore as short as possible introduction to the Convex Analysis is provided. For
a more detailed explanation and proofs one should refer to either classical books on convex analysis as
in Magaril-Il’yaev and Tikhomirov [2003]Touchette [2007, 2010] or books of optimization as in Bazaraa
et al. [2006], Luenberger and Ye [2008].
T
2.1.1 Convex sets and convex function
Definition 2.5. Convex set: A set K ⊂ Rn is said to be convex if for every x1 , x2 ∈ K and α ∈ R
, α ∈ (0, 1), the point such that αx1 + (1 − α) x2 ∈ K.
Figure 2.2 shows an example of convex and non-convex set.
AF
Figure 2.2: Convex and non-convex set.
DR
Convex sets satisfy the following relations.

1. If K is convex and β is a real number, the set Kβ = { x| x = βc, c ∈ K} is convex;
2. If K1 and K2 are convex sets, then the set K1 + K2 = { x| x = c + d, c ∈ K1 , d ∈ K1 } is convex;
3. The intersection of any collection of convex sets is convex.
These properties are illustrated in figure 2.3.
Another important concept is the smallest convex set containing a given set, the convex hull.
Definition 2.6. Convex hull: Let S be a subset of Rn . The convex hull of S, denoted conv (S), is
the set which is the intersection of all convex sets containing S. The closed convex hull of S is defined
as the closure of conv (S).
Figure 2.4 shows an example of convex hull of an non-convex set.
Definition 2.7. Convex Function: Let f (x) : K → R, with K ⊂ Rn convex. The function f (x)
is said to be convex on K if for any two point x1 , x2 ∈ K, the following property holds
f (αx1 + (1 − α) x2 ) 6 αf (x1 ) + (1 − α) f (x2 ) , ∀α ∈ (0, 1) .
If f (αx1 + (1 − α) x2 ) < αf (x1 ) + (1 − α) f (x2 ) , x1 6= x2 the function is called strictly convex.
Figure 2.5 shows examples of convex and strictly convex functions. This definition is also employed
for a convex functional.
Mec0137- Cálculo Variacional - Prof. Rossi 17 Release 0.1 - July 25, 2017
convexa
Figure 2.3: Properties of convex sets.
T
Figure 2.4: Convex hull.
AF
Epigraph and hypograph of a function A graph of a function f (x) : S → R, with S ⊂ Rn ,
can be fully described by the set {[x,f (x)] : x ∈ S} ⊂ Rn+1 . It is possible construct two sets that are
related to the graph of f (x): the epigraph, which consists of points above the graph of f (x), and the
hypograph, which consists of points bellow the graph of f (x).
Definition 2.8. Epigraph and hypograph: Let S be a non empty set of Rn and let f (x) : S → R.
The epigrapf of f (x), denoted by epi f is a subset of Rn+1 defined by
{ (x,y)| x ∈ S, y ∈ R, y ≥ f (x)} ⊂ Rn+1 . (2.6)

DR
On the other hand, the hypograph of f (x), denoted by hyp f is a subset of Rn+1 defined by
{ (x,y)| x ∈ S, y ∈ R, y ≤ f (x)} ⊂ Rn+1 . (2.7)
Figure 2.6 shows the epigraph and hypograph for some functions. In Fig. 2.6a, neither the epigraph
nor the hypograph of f is a convex set. But in Fig. 2.6b the epigraph of f is a convex set. This result
gives rise to the following theorem:
Theorem 2.2. Let f (x) : K → R, with K ⊂ Rn a nonempty convex set. Then f is convex if and only
if epi f is a convex set.
Proof. developed during the class.
Differentiable functions Now we focus our attention on differentiable convex (and concave) func-
tions. Let Ω ⊂ Rn and f : Ω → R.`The function f (x) is said to be differentiable at xo , xo ∈ int (Ω),
if there exists the gradient vector f (xo ) and a real value function α : Ω → R in the such that
h
f (x) = f (xo ) + f (xo ) · (x − xo ) + kx − xo k α (x − xo ) ∀x ∈ Ω. (2.8)
In Eq. 2.8, lim α (x − xo ) = 0. The representation of f (x) in Eq. 2.8 is readily identified as the first
x→xo
order term of the Taylor approximation series at xo (or about, around, in the neighborhood of xo ).3
3
It is also referred as first order Taylor expansion around xo .
convexa
Figure 2.5: Examples of convex and strictly convex functions in R. a) Convex; b) Strictly convex; c)
Non-convex function.
T
AF
Figure 2.6: Examples of epigrah and hypograph. a) Non-convex. b)Convex.
Remark 2.2. Lets us think about differentiable convex functions. Let K ⊂ Rn be a nonempty convex
set and let f : K → R be a differentiable convex function. Now, let xo be a point in the interior of
K, xo ∈ int (K). Note that by taking the first order Taylor expansion around xo and disregarding the
DR
remainder term (equivalent to truncate the series at the first term) one gets
h
f (x) > f (xo ) + f (xo ) · (x − xo )
The graphical interpretation when x ∈ R and f : R → R is given in Fig. 2.7.
Figure 2.7: Convex differentiable function in R.
Theorem 2.3. Supporting Hyperplane (Supporting Line): Let K ⊂ Rn be a nonempty convex

set and let f : K → R be a differentiable convex function. Then for xo ∈ int (K) it is possible to
convexa
construct the set n h o

H = (x,y)| x ∈ K, y = f (xo ) + f (xo ) · (x − xo ) (2.9)
which supports epi f at [xo , f (xo )]. The set H is known as supporting hyperplanes of epi f . In
particular we have h
f (x) > f (xo ) + f (xo ) · (x − xo )

for convex differentiable functions. df (x − xo )

dx x=xo
Proof. Left as a research activity. It is needed to introduce a more complete description of sets,
distance between to sets, separation of two sets, etc...
Remark 2.3. Here we are assuming that the function is differentiable. In fact, to show some of the
concepts developed here it is not required a differentiable function. We can show that such results hold
for C 0 convex functions. However, the concept of subgradients must be introduced. This introductory
course does not cover such aspects.
Now we are ready to state a very important result of the analysis of smooth convex functions, it
is:
T
Theorem 2.4. Assume that the function f : K → R is convex, with K ⊂ Rn convex, and smooth on
K (differentiable). Then, f (x) is convex if and only if the following inequality holds
h
f (x) − f (xo ) > f (xo ) · (x − xo ) , x ∈ K, xo ∈ int (K) . (2.10)
AF
and it will be strictly convex when
h
f (x) − f (xo ) > f (xo ) · (x − xo ), x 6= xo , x ∈ K, xo ∈ int (K)
and (2.11)
f (x) = f (xo ) , x = xo , x ∈ K, xo ∈ int (K)
Remark 2.4. A convex function need not have` a stationary point, but obviously when xo is an sta-
DR
tionary point of the convex function f then f (xo ) = 0.
Theorem 2.5. Assume that the function f : K → R is convex, with K ⊂ Rn convex, and smooth on K
1

(differentiable- C ). Then, f (x) is convex if and only if for each x1 , x2 ∈ K the following inequality
holds hh h i
f (x2 ) − f (x1 ) · (x2 − x1 ) > 0. (2.12)
Similarly, when distinct x1 , x2 ∈ K produces
hh h i
f (x2 ) − f (x1 ) · (x2 − x1 ) > 0 (2.13)
f is said to be a strictly convex function.
Theorems 2.4 and 2.5 provide necessary and sufficient conditions for convex and concave differ-
entiable function characterization. However, checking these conditions is quite difficult and can lead
to intricate algebraic manipulations. A simple and more straightforward characterization is given by
the analysis of the so called Hessian matrix, but we require that the functions belongs to the class of
twice differentiable functions.
convexa
Twice differentiable functions Let Ω ⊂ Rn and f : Ω → R. The function ` f (x) is said to be

twice differentiable at xo , xo ∈ int (Ω), if there exists the gradient vector f (xo ) and a n × n matrix
H (xo ), called the Hessian matrix, and a real value function α : Ω → R in the such that
h 1
f (x) = f (xo ) + f (xo ) · (x − xo ) + H (xo ) (x − xo ) · (x − xo ) + kx − xo k2 α (x − xo ) ∀x ∈ Ω.
2
(2.14)
In Eq. 2.14, lim α (x − xo ) = 0.
x→xo
Again, the representation of f (x) in Eq. 2.14 is the second order (Taylor series) Taylor expansion
around xo .
The Hessian matrix is comprised of the second order partial derivatives of f with relation to x,
2f
that is, the entries Hij = ∂x∂i ∂xj
= fxi ,xj or
∂2f ∂2f ∂2f

 
∂x21 ∂x1 ∂x2 ··· ∂x1 ∂xn
∂2f ∂2f ∂2f
 

 ∂x2 ∂x1 ∂x22
··· ∂x2 ∂xn


H (x) =  . (2.15)
 .. .. .. 

 . ··· . . 

∂2f ∂2f ∂2f
T
∂xn ∂x1 ∂xn ∂x2 ··· ∂x2n
∂2f

∂ ∂f ∂ ∂f
Notice that the Hessian matrix is a symmetric matrix. That is: ∂xi ∂xj = ∂xi ∂xj = ∂xj ∂xi .
Theorem 2.6. Let K ⊂ Rn be a nonempty convex set and let f : K → R be a twice differentiable
2

C function on K. Then f is convex if and only if the Hessian matrix is positive semi-definite at
each point in K.
AF
Theorem 2.7. Let K ⊂ Rn be a nonempty convex set and let f : K → R be a twice differentiable C 2

convex function on K. If the Hessian matrix is positive definite at each point in K then f is strictly
convex. Conversely, if f is strictly convex the Hessian matrix is positive semi-definite at each point
in K. However, if f is strictly convex and quadratic then its Hessian matrix is positive definite.
" #
12x2 0
Example 2.2. See this simple example. Let f (x) = x4 + y 4 then H (x) = . Such
12y 2
DR
0
Hessian is positive definite for all x 6= 0, but at x = 0 it is semi-definite. So, it is not positive definite
for all x! But notice that 2 2
" f is# strictly convex. Now let f (x) = x + y (a quadratic incomplete
2 0
function) then H (x) = . The Hessian matrix is positive definite for all x and the function is
0 2
strictly convex.
Proof. left as exercise.
The theorem 2.7 can also be written in terms of the directional derivative (second order), in the
following way. Let K ⊂ Rn be a nonempty convex set and let f : K → R be a twice differentiable C 2
function on K. If the condition
∂2
Du2 f (x) := f (x + u) = q (u) > 0
∂2
for each x ∈ K, u ∈ Rn and kuk = 1 with
∂ 2 f (x)
q (u) = ui uj
∂xi ∂xj
then f is strictly convex. When q (u) ≥ 0 then f is convex.
Remark 2.5. : A symmetric matrix A is said positive definite if all its eigenvalues are positive. A
symmetric matrix A is said positive semidefinite if all its eigenvalues are non negative.
convexa
2.1.2 Karush-Kuhn-Tucker conditions in optimality

The Karush-Kuhn-Tucker conditions theorem, KKT conditions, states that finding x ∈ K , with
K ⊂ Rn , that minimizes f (x) , (f : <n → <) submitted to a set of constrains, comprising a set of
equalities functions h (x) and inequalities functions g (x) which must be respected, is equivalent to
minimize the Lagrangian function L (x, ·) submitted to the following conditions:
1. Stationarity of L (x, ·) - the gradient condition;
2. Feasibility of the solution - respect the constrains;
3. Complementarity - Slackness;
4. Non-Negativity of the Lagrange multipliers for inequalities.

Let us put this in mathematical language. First, let x? be the solution of the problem. Thus, the
original minimization problem submitted to constrains can be written as:
Problem. Find x? such that
T
x? = arg minf (x) (2.16)
x∈<n
subject to
h (x) = 0; g (x) ≤ 0. (2.17)
AF
Notice that hi (x) = 0, i = 1, 2 . . . , p and gj (x) ≤ 0, j = 1, 2 . . . , q.
Based on the KKT theorem one can mathematically write the equivalent problem statement as
Problem. Find x? such that
x? = arg min L (x, λ, γ) = f (x) + λ · h (x) + γ · g (x) (2.18)

x∈<n
λ6=0,γ≥0
DR
where we have λi 6= 0, i = 1, 2 . . . , p , γj ≥ 0, j = 1, 2 . . . , q and γj gj (x) = 0, j = 1, 2 . . . , q

(no sum).
Now we
1. Stationarity of L (x, ·) - the gradient condition:
∇x L (x, λ, γ) = 0
= ∇x f (x) + λ · ∇x h (x) + γ · ∇x g (x) = 0; (2.19)
2. Feasibility of the solution - respect the constrains:
h (x) = 0; g (x) ≤ 0; (2.20)
3. Complementarity - Slackness:
γj gj (x) = 0; (2.21)
4. Non-negativity of the Lagrange multipliers for inequalities:
γj ≥ 0, j = 1, 2 . . . , q. (2.22)

Capítulo 3
Uma introdução sobre continuidade e

integrabilidade - os espaços C m e Lp
Observação 3.1. Este curso não tem como objetivo fornecer definições matemáticas formais de forma
hierárquica para os assuntos que serão abordados. Para a apresentação destas definições um curso de
T
Análise Funcional é necessário. Entretanto, para alguns tópicos em especial será feito um esforço para
fornecer tais definições. Muito cuidado, entretanto, deve ser tomado pois na matemática, em especial,
não é possível “compartimentalizar” os conhecimentos para então apresentá-los de forma “disjuntas”.
É necessário juntar tijolo por tijolo para construir uma parede/base sólida.
Para definições mais formais, teoremas e provas é indicado uma leitura dos seguintes livros: Kolmo-
AF
gorov and Fomin [1957, 1961], Luenberger [1969], Oden and Demkowicz [1996], Reddy [1998], Rektorys
[1977].
3.1 Espaço linear ou espaço vetorial

Definição 3.1. Espaço Linear: Um espaço linear ou espaço vetorial é um conjunto V , de elementos
u, v e w de qualquer tipo, para o qual as operações de adição e multiplicação por números escalares
em R (ou C) α, β, . . . estão definidos e obedecem os seguintes axiomas:
DR
1. Axiomas de fecho:
(a) ∀u, v ∈ V →u + v ∈ V (adição);

(b) α ∈ R (ou C), u ∈ V → αu ∈ V . (multiplicação);
2. Axiomas para a adição:
(a) u + v = v + u (Comutatividade na soma);

(b) (u + v) + w = u + (v + w) (Associatividade);
3. Existência do elemento neutro:
(a) Existe um elemento 0 (o elemento zero) tal que u + 0 = u ∀u ∈ V ;
4. Existência de simétricos:
(a) Para cada u ∈ V , existe um elemento −u tal que u + (−u) = 0; (simétrico);
5. Existência de identidade:
(a) 1u = u (identidade);
6. Propriedade associativa:
23
3. Continuidade e integrabilidade - C m eLp Espaço linear ou espaço vetorial
(a) α (βu) = (αβ) u (associativa);
7. Propriedade distributiva:
(a) (α + β) u = αu + βu (Distributividade na adição de escalares);

(b) α (u + v) = αu + αv. (Distributividade na adição em V ).
Exemplo 3.1. O conjunto dos Rn é um espaço linear. (Revisite o seu curso de graduação de álgebra
linear e demonstre.)
Exemplo 3.2. O conjunto dos complexos C é um espaço vetorial. (Revisite o seu curso de graduação
de álgebra linear e demonstre.)
Exemplo 3.3. O conjunto de todas as soluções de uma equação diferencial homogênea do tipo y 00 +
ay 0 + by = 0, com a e b constantes, definem um espaço vetorial do tipo:
V = { y suf. regular| y 00 + ay 0 + by = 0}
• Axiomas de fecho:
T
– adição: f, g ∈ V →f + g ∈ V
∗ Se f, g ∈ V então f 00 + af 0 + bf = 0 e g 00 + ag 0 + bg = 0 logo
f 00 + af 0 + bf + g 00 + ag 0 + bg = 0
f 00 + g 00 + a f 0 + g 0 + b (f + g) = 0 2

AF
– multiplicação: α ∈ R, f ∈ V → αf ∈ V
∗ Se f ∈ V então f 00 + af 0 + bf = 0 logo
α f 00 + af 0 + bf = α0

αf 00 + αaf 0 + αbf = 0
se chamarmos ā = αa e b̄ = αb perceberemos que são constantes e então
ā 0 b̄
f 00 + f + f =0 2

α α
DR
Exemplo 3.4. O conjunto de soluções de uma equação diferencial não homogênea y 00 +ay 0 +by = r não
satisfaz os axiomas de fecho (Muito importante na solução dos problemas variacionais de mecânica).
Seja o conjunto
V = { y suf. regular| y 00 + ay 0 + by = r}
• Axiomas de fecho:
– adição: f, g ∈ V então f 00 + af 0 + bf = r e g 00 + ag 0 + bg = r
∗ logo
(f + g) = f 00 + af 0 + bf + g 00 + ag 0 + bg = r + r
= f 00 + g 00 + a f 0 + g 0 + b (f + g) = 2r 4

que não é um elemento de V . V não é um espaço linear.
Repare que este tipo de problema em equações diferenciais é tratado da seguinte maneira:
• y ? ∈ V , logo y ? é uma solução de y 00 + ay 0 + by = r. Para encontrar tal solução o problema é
aditivamente decomposto em y ? = yh? + yp? onde yh? é a solução da homogênea y 00 + ay 0 + by = 0
e yp? é uma solução da particular y 00 + ay 0 + by = r. Em termos de conjuntos este problema pode
ser posto da seguinte forma: n o
VL = yp? + V
n o
onde VL é uma translação do espaço linear V de yp? .

3. Continuidade e integrabilidade - C m eLp Continuidade de funções - O espaço C m (Ω)
Subespaços lineares Em muitas aplicações não estamos interessados em todo o espaço, mas sim
em subespaços lineares.
Seja V um espaço linear. Um subespaço (não vazio) de V denominado S , escrito S ⊂ V , é
chamado de subespaço linear de V se S satisfaz os axiomas de V .
3.2 Continuidade de funções - O espaço C m (Ω)

Definição 3.2. Continuidade C m (Ω): Seja Ω um subconjunto de Rn , Ω ⊂ Rn . As funções definidas
em Ω contínuas e que possuem derivadas contínuas até a ordem m, incluindo m, formam o conjunto
denotado por C m (Ω).
Exemplo 3.5. Seja Ω ⊂ R, Ω = (a, b) ⊂ R, então

( )
du d2 u dm u
C m (Ω) = u| u, , 2 , · · · , m , são todas funções contínuas. (3.1)
dx dx dx
T
Exemplo 3.6. Seja Ω ⊂ R2 , então
(
∂u ∂u ∂ 2 u ∂ 2 u ∂ 2 u ∂mu
C m (Ω) = u| u, , , 2, , 2 , · · · , k m−k , (3.2)
∂x ∂y ∂x ∂x∂y ∂y ∂x ∂y
k = 0, 1, . . . , m, são todas funções contínuas.}
AF
C ∞ (Ω) é definido como o conjunto daquelas funções que são contínuas juntamente com todas as
suas derivadas. Perceba que está implícito que todas as derivas existam.
Do que foi exposto é possível concluir que
C ∞ (Ω) ⊂ · · · ⊂ C m (Ω) ⊂ C m−1 (Ω) ⊂ · · · ⊂ C 1 (Ω) ⊂ C 0 (Ω)
veja Fig. 3.1.

DR
Figura 3.1: O conjunto C m (Ω).
Exemplo 3.7. A função (

0 se − 1 ≤ x ≤ 0
u (x) = (3.3)
x2 se 0 < x ≤ 1
pertence a classe C 1 (−1, 1). Veja o gráfico na Fig. 3.2.
Exemplo 3.8. A função u (x) = sin (x) é C ∞ (R), ou C ∞ (−∞, ∞). Então u (x) ∈ C ∞ .

3. Continuidade e integrabilidade - C m eLp Continuidade de funções - O espaço C m (Ω)
2
d u
Figura 3.2: Gráfico das funções u (x) , du
dx , dx2 de Eq. 3.3.
C m (Ω) é um espaço linear: O espaço das funções m-vezes continuamente diferenciáveis C m (Ω)
é um espaço linear (espaço vetorial). Se u, v ∈ C m (Ω) e x ∈ Ω então a função α (u + v) (x) = αu (x) +
αv (x). O elemento zero é simplesmente função zero e −u é a função que satisfaz a (−u) (x) = −1·u (x).
Trata-se de um espaço linear real se as funções levam a reais e um espaço linear complexo se as funções
T
levam a complexos.
Exemplo 3.9. O subespaço das funções contínuas não negativas definidas por
n o
S = u| u (x) ∈ C 0 (Ω) , u (x) > 0, x ∈ Ω ,
AF
não é um espaço vetorial já que αu (x) não pertence a S para α < 0.
Exemplo 3.10. (Oden and Demkowicz [1996], pp. 134-135) - Um dos conceitos fundamentais na
teoria de cálculo das variações aplicada a problemas de valor de contorno na mecânica é o conceito
de espaço (ou conjunto) de todos os deslocamentos cinemáticos admissíveis. Considere, por exemplo,
uma membrana ocupando um domínio Ω ⊂ R2 com contorno Γ = ∂Ω consistindo de duas partes
disjuntas Γu e Γt . A formulação clássica do problema de valor de contorno para tal membrana é:
Encontre u (x, y), tal que
DR
−4u = f em Ω
u = ū em Γu . (3.4)
∂u
= g em Γt
∂n
No problema dado pelas equações em 3.4 4 denota o operador Laplaciano1 , ∂/∂n é a derivada normal, n
é a normal unitária em Γt (ou em ∂Ω), as funções f e g são carregamentos aplicados na membrana em Ω
e em Γt respectivamente, e ū é o deslocamento prescrito na fronteira Γu . As condições de contorno em
Γu são comumente chamadas de essenciais (ou de Dirichelet) uma vez que são expressas em termos
da variável u enquanto aquelas em Γt são chamadas de naturais (ou de Neumann) e são impostas
sobre a derivada de u, isto é, em ∂u/∂n. Dizemos então que, o conjunto de todos os deslocamentos
cinematicamente admissíveis é definido por
n o
K = u ∈ C k (Ω) u = ū em Γu .

A regularidade (suavidade) da solução u é caracterizada pela ordem k do espaço C k (Ω) e depende da

regularidade do domínio Ω, de ū, e de f e g .
A pergunta que surge é se K é um subespaço linear de C k (Ω). Para responder esta questão vamos
verificar a primeira propriedade de fecho. Sejam duas funções v, w ∈ K . v + w ∈ K ? Repare na
fronteira Γu :
v (Γu ) + w (Γu ) = ū + ū = 2ū
1 2 2

4 = ∇ · ∇ = ∂ /∂x2 + ∂ /∂y2

3. Continuidade e integrabilidade - C m eLp Integração e o espaço Lp (Ω)
decorre diretamente que K não é um subespaço linear de C k (Ω).

A única forma de K se tornar um subespaço linear é quando ū = 0! Neste caso diz-se que K é o
espaço de todos os deslocamentos cinematicamente admissíveis.
Observação 3.2. Uma observação sobre o intervalo usado no 3.7, mais especificamente sobre o porquê
não foi usada a notação C 1 [−1, 1]. De fato não é possível estabelecer continuidade para conjuntos
fechados, especialmente nos pontos de fecho. Esta é uma dificuldade técnica que faz com que existam
propostas para tentar superar ela, veja mais em Oden and Demkowicz [1996] p. 131. Uma delas é
propor uma extensão do domínio, por exemplo definido pelo Ω∗ aberto tal que
i)Ω∗ ⊂ Ω̄ − domínio estendido;

ii)f ∗ ∈ C k (Ω) − f ∗ é a função estendida;
iii) f ∗ |x∈Ω = f.
Isto fecha, temporariamente, a discussão sobre continuidade.
T
3.3 Integração e o espaço Lp (Ω)
Durante a argumentação inicial na seção/capítulo 1 foi referido que os funcionais devem existir no
sentido de integração, isto é, a integração deve produzir um valor finito2 , uma vez que espera-se de
uma formulação envolvendo funcionais que J : V → R.
AF
Para responder esta questão é proposto um espaço de funções de modo que os elementos perten-
centes a este espaço possam ser classificados de acordo com a sua integrabilidade mediante potências
p ≥ 1 (p número real ≥ 1). Dada uma função f é investigado até quais potências p a integral
ˆ b
|f (x)|p dx < ∞
a
isto é, é finita. A este espaço de funções é dado o nome de Lp (Ω), o qual será melhor definido mais
adiante nesta seção. Da mesma forma que para o espaço C m (Ω), onde é possível classificar as funções
pelo grau de suavidade/regularidade m, usando o espaço Lp (Ω) será possível comparar funções por
DR
meio da sua integrabilidade, isto é ate que ordem p a função f (x) é integrável.
Observação 3.3. Novamente chamo a atenção do leitor que para tirar proveito do poder de interpretação
que o espaço Lp (Ω) provê um curso introdutório de Análise Funcional é necessário onde a noção de
medida e de integral de Lebesgue é apresentado em detalhes. A integral de Lebesgue generaliza o
conceito de integral de Reimann, resolvendo algumas das deficiências apresentadas por ela. Mais do
que explicitar tais deficiências aqui, para a proposta deste texto basta dizer que quando a função é
Riemann integrável a integral de Lebesgue irá fornecer o mesmo resultado. Para mais detalhes veja,
por exemplo, Reddy [1998] pp. 67-78.
Definição 3.3. Integrabilidade Lp (Ω): Seja p um número real, p ≥ 1. Uma função u (x) definida
em Ω ⊂ Rn é dita pertencer a Lp (Ω) se a integral (Lebesgue)
ˆ
|u (x)|p dx (3.5)
Ω
existe, isto é, é finita.
Lp (Ω) é um espaço linear: Para mostrar que o Lp (Ω) é um espaço linear é necessário mostrar o
fecho da adição e multiplicação por escalar.
2
Lembre que +∞ ou −∞ não fazem parte de R.

3. Continuidade e integrabilidade - C m eLp Integração e o espaço Lp (Ω)
• Fecho na adição: Seja u (x) , v (x) ∈ Lp (Ω). O resultado sai diretamente da introdução da
desigualdade que Minkowski para integrais. Ela fica:
"ˆ #1 "ˆ #1 "ˆ #1
b p b p b p
p p p
|u (x) + v (x)| dx ≤ |u (x)| dx + |v (x)| dx (3.6)
a a a
´b ´b h´
b
i
e como a |u (x)|p dx e a |v (x)|p dx são finitas então a |u (x) + v (x)|p dx será finita também.
• Fecho na multiplicação por escalar: Seja u (x) ∈ Lp (Ω) e α ∈ R. Então

ˆ b ˆ b
p p
|αu (x)| dx = |α| |u (x)|p dx
a a
é finita. Os demais axiomas seguem com naturalidade.
Exemplo 3.11. O caso quando p = 2 tem particular interesse em muitas áreas (tais como em
Elementos Finitos) onde são exigidas funções em L2 (Ω) tal que
ˆ
T
b
|u (x)|2 dx < ∞ (3.7)
a
e por este motivo são chamadas de quadrado integráveis.

AF
Exemplo 3.12. A função de Heaviside (Heaviside step function)
(
0 if x < 0
H (x) = (3.8)
1 if x ≥ 0
pertence a Lp (a, b) para qualquer p ≥ 1 com a e b finitos já que (supondo a < 0 e b > 0)
ˆ b ˆ 0 ˆ b
p p
|H (x)| dx = |0| dx + |1|p dx = b < ∞.
a a 0
DR
1
Exemplo 3.13. A função u (x) = x− 3 pertence a Lp (0, 1) para qualquer p < 3, já que
ˆ b ˆ 1 ˆ 1 1
3

− 13 p − p3 −p+3

p
|u (x)| dx = x dx = x dx = x 3
a 0 0 −p + 3 0
que é finita até p < 3.
1
Exemplo 3.14. A função u (x) = x− 2 pertence a L2 (0, 1)?
ˆ b ˆ 1 ˆ 1
− 12 2

|u (x)|p dx = x dx = x−1 dx = ∞.
a 0 0
Logo, não pertence.
Exercícios
Ler capítulos 1, 2 e 3 do livro Rektorys [1977] (Variational methods in mathematics, science, and
engineering).

Capítulo 4
Espaços munidos com produto interno

e normas
4.1 Introdução
T
No estudo de cálculo multidimensional de n variáveis (n-dimensional) é conveniente utilizar uma
linguagem geométrica relaciona4ndo um conjunto de números (x1 , x2 , . . . , xn ) a um ponto no espaço n-
dimensional. De forma semelhante a linguagem geométrica será importante ao estudarmos funcionais.
Será feita referência de funções f (x) pertencendo a uma certa classe, por exemplo f (x) ∈ C 0 (xa , xb ),
assim como pontos x ∈ Rn . O espaço cujo elementos são funções é chamado de espaço de funções.
AF
No estudo de funções definidas no espaço n-dimensional são utilizados espaços como Rn ou o
espaço euclidiano En . Entretanto, quando vamos para problemas definidos por funcionais não há
como estabelecer um espaço “universal”. Por exemplo, um problema que envolva o funcional
ˆ b
0

J (y) = F x, y (x) , y (x) dx
a
envolve a função y (x) e sua primeira derivada y 0 (x). Então a solução deve ser contínua e de primeira
1
´b 0 00
derivada contínua, logo y (x) ∈ C (a, b). Mas se o problema envolver J (y) = a F x, y (x) , y (x) , y (x) dx
DR
a função y (x) ∈ C 2 (a, b). Reforçando, é preciso ter em mente que, por exemplo, y (x) ∈ C 1 (a, b)
significa pertencer ao espaço de todas as funções contínuas e com derivadas contínuas (infinitas pos-
sibilidades). Assim, o problema a resolver (formulação do funcional) é que vai definir o espaço de
funções a ser utilizado.
O conceito de continuidade é muito importante tanto para funções como para funcionais.
Seja y uma função em um intervalo I (aberto ou Seja J (y) um funcional com y (x) ∈ V , sendo V
fechado) da reta real, I ⊂ R. Então f é contínua o espaço de função. O funcional é dito contínuo
em um ponto x0 ∈ I se, dado qualquer número em y0 ∈ V se, dado qualquer número positivo
positivo , não importa o quanto pequeno for, , não importa o quanto pequeno for, é possível
é possível encontrar um número positivo δ, de- encontrar um número positivo δ, dependente de
pendente de e do ponto x0 , de modo que e de y0 , de modo que
|y (x) − y (x0 )| < ∀x ∈ I com |x − x0 | < δ. |J (y) − J (y0 )| < ∀y ∈ V com ??? < δ.
Veja a figura 4.1.

A função definida no box da esquerda é claramente y : R → R. Podemos estender ela para o espaço
Euclidiano n-dimensional y : Rn → R percebendo que |y (x) − y (x0 )| < ∀x ∈ I → kx − x0 k < δ,
1 1
onde k•k é o operador norma no espaço Euclidiano a qual é definida por kxk = (x · x) 2 = (xi xi ) 2 , a
qual facilmente pode ser interpretada como distância d entre dois pontos, x e x0 , d = kx − x0 k.
A interrogação no box direito anterior não é um erro tipográfico. A distância entre dois funcionais
está bem definida pelo operador |J (y) − J (y0 )| já que J : V → R. Por outro lado, como pode-se
29
4. Espaços munidos com produto interno e normas Espaços lineares com produto interno
Figura 4.1: Interpretação geométrica da continuidade de uma função do tipo y : R → R .
definir a proximidade (closeness, neighbourhood) de duas funções, ou de forma mais geral de elementos
de V ? Esse é o sentido da interrogação.
Para responder esta questão é conveniente estender o conceito de norma para o espaço de funções.
Para tanto vai ser introduzido o conceito de espaço linear normado. Porém antes vamos definir o
produto interno de forma mais geral.
T
4.2 Espaços lineares com produto interno
Os espaços munidos de produto interno são chamados de espaços pré-Hilbert ou mesmo de espaços
AF
auxiliares [p. 206. Oden and Demkowicz, 1996]. Nestas notas vamos nos deter em espaços lineares
com produto interno real1 .
Definição 4.1. Espaço linear com produto interno real: Um espaço linear é dito ter produto
interno definido se para elementos u, v, w ∈ V está associado um número (u, v), chamado de produto
interno de u por v, ou ainda (u, v)V , tal que os seguintes axiomas sejam respeitados:
1. (u, v)V ∈ R;
2. (u, v)V = (v, u)V (simetria);

DR
3. (αu + βv, w)V = α (u, w)V + β (v, w)V ; α, β ∈ R (homogeneidade positiva);
4. (u, u)V ≥ 0 e (u, u)V = 0 se e somente se u = 0; (positiva definida).
Exemplo 4.1. Seja V = Rn . Dados u, v ∈ V então u = (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ) e o

produto interno fica
(u, v)Rn = u · v = u1 v1 + u2 v2 + · · · + un vn
n
X
= ui vi (4.1)
i=1
= ui vi (notação da soma de Einstein)
que é o tradicional produto interno no espaço Euclidiano.
Exemplo 4.2. O espaço L2 (a, b) é conhecido como o espaço das funções quadrado integráveis em
(a, b). Um produto interno real pode ser definido como
ˆ b
(u, v)L2 := u (x) v (x) dx para u, v ∈ L2 (a, b) .
a
• O primeiro axioma fica verificado diretamente;

1
A generalização para espaços complexos pode ser realizada e é deixada a cargo do leitor.

4. Espaços munidos com produto interno e normas Espaços lineares com produto interno
• Para verificar o segundo, basta ver que:

ˆ b ˆ b
u (x) v (x) dx = v (x) u (x) dx
a a
(u, v)L2 = (v, u)L2 2

• Linearidade exige um pouco mais de algebrismo: Seja u, v, w ∈ L2 (a, b) e α, β ∈ R então

ˆ b
(αu + βv, w)L2 = [αu (x) + βv (x)] w (x) dx
a
ˆ b
= [αu (x) w (x) + βv (x) w (x)] dx
a
ˆ b ˆ b
= αu (x) w (x) dx + βv (x) w (x) dx
a a
ˆ b ˆ b
=α u (x) w (x) dx + β v (x) w (x) dx
a a
T
= α (u, w)L2 + β (v, w)L2 2

• O último axioma fica

ˆ b ˆ b
(u, u)L2 = u (x) u (x) dx = |u (x)|2 dx ≥ 0
AF a a
e é zero se e somente se u (x) = 0.
Ortogonalidade Dado u, v ∈ V , V munido com produto interno (u, v) então dois elementos serão
ortogonais quando
(u, v)V = 0. (4.2)
4.2.1 Desigualdades:
DR
A desigualdade de Cauchy-Schwarz A desigualdade

1/2 1/2
|(u, v)V | ≤ (u, u)V (v, v)V (4.3)
é conhecida como desigualdade de Cauchy-Schwarz e é muito utilizada durante varias demostrações.

Ela é uma generalização do produto interno no espaço Euclidiano. Perceba que se V = R3 e tomando
u, v ∈ V então
(u, v) = u · v = kuk · kvk cos θ
sendo θ o ângulo entre u e v. Então,
u · v = kuk · kvk cos θ

= (u · u) /2 (v · v) /2 cos θ
1 1
e como o |cos θ| ≤ 1 então

|(u, v)| ≤ (u · u) /2 (v · v) /2 .
1 1
Under construction: Distância e o espaço Euclidiano.

4. Espaços munidos com produto interno e normas Espaços lineares normados
4.3 Espaços lineares normados

O conceito de norma foi visto em muitos cursos é apresentado de forma restrita pela analogia com
o tamanho (magnitude, comprimento) de um vetor em R2 ou R3 ou ainda pela distância entre dois
pontos nesses espaços. Este conceito, entretanto, pode ser generalizado (tornado mais abstrato) de
modo a poder estar associado aos espaços lineares em geral.
Definição 4.2. Espaço linear normado: Um espaço linear é dito normado se para cada elemento
u ∈ V está associado um número não negativo kuk ,ou ainda kukV , chamado de norma, tal que os
seguintes axiomas seja respeitados:
1. kukV ∈ R
2. kukV ≥ 0 e kukV = 0 se e somente se u = 0; (positiva definida)
3. kαukV = |α| kukV ; (homogeneidade positiva)
4. ku + vkV ≤ kukV + kvkV - desigualdade triangular.
Note que os elementos do espaço linear normado são quaisquer, isto é, números, vetores, matrizes,
T
funções, etc.
Exemplo 4.3. Seja V = R3 . Dados u, v ∈ V então a usual norma Euclidiana fica
1/2
kuk = u21 + u22 + u23 .
A extensão para Rn é trivial.

AF
De forma mais geral, normas em V = Rn para 1 ≤ p < ∞, p ∈ R, geralmente são escritas da
seguinte forma:
kukp = (|u1 |p + |u2 |p + · · · + |un |p ) /p
1
O caso para p = ∞ é conhecida como norma do máximo e é escrita como:
kuk∞ = max |ui | .

1≤i≤n
DR
Exemplo 4.4. Seja V = Lp , 1 ≤ p < ∞, p ∈ R. A norma no espaço Lp (Ω) é tal que

ˆ 1/p
p
kukLp (Ω) = |u (x)| dx . (4.4)
Ω
Agora que o conceito de norma foi estabelecido pode-se definir o espaço Lp (Ω) da seguinte forma:
Definição 4.3. Espaço Lp (Ω): Dado Ω ⊂ Rn e 1 ≤ p < ∞, p ∈ R, o espaço Lp (Ω) é tal que
n o
Lp (Ω) = u| u : Ω → R tal que kukLp (Ω) < ∞ . (4.5)
Exercício 4.1. Mostre os axiomas 1 a 4 para a norma no espaço Lp (Ω).
A desigualdade de Minkowski em Lp (Ω)
ku ± vkLp (Ω) ≤ kukLp (Ω) + kvkLp (Ω) .
Observação 4.1. Nem toda a norma está dada em “função” de um produto interno. Entretanto, cada
produto interno define uma norma.
Observação 4.2. Espaços de Banach e Hilbert: Um espaço normado completo é chamado de

espaço de Banach. Um espaço com produto interno completo é chamado de espaço de Hilbert (H).
(espaços pré-Hilbert podem não estar completos! (por isso o pré))

4. Espaços munidos com produto interno e normas Continuidade de funcionais
4.4 Continuidade de funcionais

De posse das definições desenvolvidas nas seções pode-se agora complementar a análise sobre a conti-
nuidade de funcionais fazendo:
O funcional é dito contínuo em y0 se, dado qualquer número positivo > 0,
não importa o quanto pequeno for, é possível encontrar um número positivo
δ > 0, dependente de e de y0 , de modo que
|J (y) − J (y0 )| < ∀y ∈ V com ky (x) − y0 (x)kV < δ.
Exemplo 4.5. Vamos definir a norma chamada norma do máximo valor (ou norma infinito) no espaço
de função. Seja uma função y : R → R, definida no intervalo [a, b]. A norma infinito, k·k∞ , de y (x) é
tal que:
ky (x)k∞ = max |y (x)| . (4.6)
a≤x≤b
Vamos definir agora uma 2 norma para o espaço de funções C k (a, b) como
k
T
X (i)
ky (x)kC k := y (x) (4.7)

∞
i=0
d (i)
onde y (i) (x) = dx (i) y (x) e sendo que quando i = 0 recuperamos y
(0) (x) ≡ y (x) .
Repare que:
AF
• se y (x) ∈ C 0 (a, b) então temos
ky (x)kC 0 = ky (x)k∞ = max |y (x)| ;
a≤x≤b
• agora se y (x) ∈ C 1 (a, b) então temos

0
0

ky (x)kC 1 = ky (x)k∞ + y (x) = max |y (x)| + max y (x) .

∞ a≤x≤b a≤x≤b
Exemplo 4.6. Agora vamos analisar a questão de proximidade (closeness ou ainda neighbouring
functions) de duas funções com respeito a norma ky (x)kC k < δ.
DR
Figura 4.2: Aproximação de ordem zero e aproximação de primeira ordem.
Dada uma função y (x) deseja-se encontrar uma função y ∗ (x) de modo que seja “próxima” a y (x).
Repare que mediante a norma ky (x)kC k , definida em Eq. 4.7, a seguinte análise pode ser realizada
em termos de proximidade de funções.
2
Note que podem ser definidas outras normas que respeitem as condições estabelecidas pelo espaço linear normado.

4. Espaços munidos com produto interno e normas O espaço normado de Sobolev W m,p
• Aproximação de ordem zero - C 0 : De Eq. 4.7:
ky ∗ (x) − y (x)kC 0 = max |y ∗ (x) − y (x)| < δ.

a≤x≤b
Para a Fig. 4.2 à esquerda é requerido apenas que as coordenadas dos pontos de y ∗ (x) e y (x)
estejam próximas mediante a norma k•kC 0 . Como nada é dito sobre a inclinação da curva y ∗ (x),
pontos tangentes, estes podem oscilar... e muito!. Repare que devido ao operação de módulo o
intervalo onde a função y ∗ (x) pode estar tem um tamanho de 2δ.
• Aproximação de primeira ordem - C 1 : Novamente de Eq. 4.7:
ky ∗ (x) − y (x)kC 1 = max |y ∗ (x) − y (x)| + max y 0∗ (x) − y 0 (x) < δ.

a≤x≤b a≤x≤b
Agora é exigido que não só as coordenadas estejam próximas mas também os valores de todas
as derivadas nestas coordenadas. A Fig. 4.2 à direita mostra um exemplo de função candidata.
Note que não é possível estabelecer usando apenas o gráfico de y (x) × x.
• Perceba que podemos interpretar y ∗ (x) − y (x) como sendo o erro e entre as duas funções e neste
T
caso pode-se escrever:
ke (x)kC k < δ. (4.8)
A análise de erro é muito importante dentro da teoria de aproximação de funcionais e permite
estabelecer limites inferiores e/ou superiores para as diversas técnicas/métodos utilizados para a
AF
solução de problemas em cálculo variacional. Entretanto são propostas normas mais elaboradas
para fazer esta análise.
Proposição 4.1. Repare que segue como consequência direta que se duas funções são próximas de
ordem k então também serão próximas para ordens menores que k.
4.5 O espaço normado de Sobolev W m,p

Uma vez que o espaço normado Lp foi definido pode-se agora apresentado o espaço de Sobolev. O
matemático S. L. Sobolev extendeu a ideia do espaço normado Lp com a construção de um espaço
DR
W m,p no qual além da função em análise, digamos u (x), são incorporadas todas as suas derivadas
até a ordem m, incluindo m. Desta forma dizemos que u (x) pertence ao espaço W m,p , referido como
Sobolev, se:
Definição 4.4. Espaço de Sobolev W m,p (Ω): Dado Ω ⊂ Rn e 1 ≤ p < ∞, p ∈ R, e m um inteiro,

o espaço de todas as funções Lp (Ω) cuja a derivadas3 até a ordem m, inclusive, existem e são elas,
por sua vez, funções em Lp (Ω) é denotado por
W m,p (Ω) = { u ∈ Lp (Ω)| , Dα u ∈ Lp (Ω) , ∀ |α| ≤ m} .
O espaço de Sobolev é um espaço normado com norma

X
kukW m,p (Ω) = kDα ukLp (Ω) (4.9)
|α|≤m
para 1 ≤ p < ∞. Quando p = ∞ então kukW m,∞ (Ω) = max kDα ukL∞ (Ω) .
|α|≤m
Observação 4.3. Na definição do espaço de Sobolev é utilizada a notação conhecida como multi-índice.
De forma bastante concisa vamos apresentar esta notação. Seja α ∈ Zn+ , isto é
α = (α1 , α2 , . . . , αn )
3
no sentido de distribuição

onde αi é um inteiro não negativo. Nesta notação4 |α| = α1 + α2 + · · · + αn e Dα u é a derivada parcial
∂ |α| u (x) ∂ α1 ∂ α2 ∂ αn

α
D u= = ··· u (x) (4.10)
∂xα1 1 ∂xα2 2 · · · ∂xαnn ∂xα1 1 ∂xα1 2 ∂xα1 n
e quando |α| = m então temos uma das m−ésimas derivadas de u.
Exemplo 4.7. Considere n = 3, então α ∈ Z3+ . Suponha que α = (1, 0, 3) então |α| = 4 e a derivada
parcial de u (x, y, z) fica
∂ 4 u (x, y, z) ∂ 4 u (x, y, z)
Dα u = = .
∂x1 ∂y 0 ∂z 3 ∂x1 ∂z 3
Isto fecha a breve discussão sobre multi-índice, veja a seção 4.6 para mais detalhes .
Retornado para análise do espaço de Sobolev. Um resultado importante para a análise em cálculo
das variações, especialmente para a análise de problemas de valor de contorno, se dá para p = 2.
Nesse caso o espaço de Sobolev W m,2 (Ω) tem a estrutura de um espaço de Hilbert e nessa ocasião
denotamos H m (Ω) = W m,2 (Ω) como

T
n o
H m (Ω) = u ∈ L2 (Ω) , Dα u ∈ L2 (Ω) , ∀ |α| ≤ m . (4.11)

Neste espaço pode-se construir a norma (·, ·)H m (Ω) tal que
ˆ X
(u, v)H m (Ω) = (Dα u) (Dα v) dx para u, v ∈ H m (Ω) . (4.12)
AF Ω |α|≤m
Note que quando (u, v)H 0 (Ω) = (u, v)L2 (Ω) .

Pode-se ainda escrever a Eq. 4.12 em termos dos produtos internos (·, ·)L2 (Ω) como
X
(u, v)H m (Ω) = (Dα u, Dα v)L2 (Ω) ,
|α|≤m
isto é o produto interno em H m (Ω) é igual a soma dos produtos internos das funções e de suas
derivadas parciais até que |α| ≤ m. Fica claro que pode-se escrever ainda que
DR
kuk2H m (Ω) = kDα uk2L2 (Ω) .

X
|α|≤m
Repare que assim como para temos
H ∞ (Ω) ⊂ · · · ⊂ H m (Ω) ⊂ H m−1 (Ω) ⊂ · · · ⊂ H 1 (Ω) ⊂ H 0 (Ω) .
Exemplo 4.8. Para o caso em que m = 2 e a função u está definida em Ω ⊂ R2 então

ˆ  !2 !2 !2 
∂u 2 ∂u 2 ∂2u ∂2u ∂2u

kuk2H 2 (Ω) = u2 + + + + +  dx.
Ω ∂x ∂y ∂y 2 ∂x∂y ∂x2
Exemplo 4.9. Repare no seguinte exemplo, retirado de Reddy [1998]: Considere a função u (x)
definida em Ω ⊂ (0, 2) por (
x2 se 0 < x ≤ 1
u (x) = 2
.
2x − 2x + 1 se 1 < x < 2
As derivadas de u (x) são dadas por
(
0 2x se 0 < x ≤ 1
u (x) =
4x − 2 se 1 < x < 2
4
ainda α! = α1 !α2 ! · · · αn !.

e a derivada fraca (
00 2 se 0 < x ≤ 1
u (x) =
4 se 1 < x < 2
com u000 (x) = 2δ (x − 1) (no sentido de distribuição). Perceba que u (x), u0 (x) e u00 (x) pertencem à
L2 (Ω). Entretanto u000 (x) ∈
/ L2 (Ω) (Pq?). Então u (x) é um membro de H 2 (Ω), u0 (x) é um membro
de H 1 (Ω) e u00 (x)é um membro de H 0 (Ω) = L2 (Ω).
T
AF
DR

4. Espaços munidos com produto interno e normas Multi-index notation and operations
4.6 Multi-index notation and operations

Let α and β be multi-indeces, α, β ∈ Zn+ , x, y ∈ Rn and u, v ∈ C k (Rn ) in the following multi-index

operations:
1. Factorial n
Y
α! = αi ! = α1 !α2 ! · · · αn !; (4.13)
i=1
2. Length
n
X
|α| = αi ; (4.14)
i=1
3. Partial ordering
α ≤ β ↔ αn ≤ βn ∀n; (4.15)
4. Sum
α + β = (α1 + β1 , α2 + β2 , · · · , αn + βn ) ; (4.16)
T
5. Difference
α − β = (α1 − β1 , α2 − β2 , · · · , αn − βn ) ; (4.17)
6. Binoinal coefficient 
α!
!
β!(α−β)! , β! ≤ α!
AF α
β
=

; (4.18)
0 otherwise
7. Monomial expansion
n
Y
xα = xαnn ; (4.19)
i=1
8. Biniomial expansion
n
!
α
X α
(x + y) = xα y α−β (4.20)
β
DR
0≤β≤α
9. Partial derivative
∂ |α| u (x) ∂ α1 ∂ α2 ∂ αn

Dα u = = ··· u (x) (4.21)
α1
∂x1 ∂xα2 2 · · · ∂xαnn ∂xα1 1 ∂xα1 2 ∂xα1 n
e quando |α| = m então temos uma das m−ésimas derivadas de u.
10. Product rule

n
!
α
X α
D (uv) = Duα Dv α−β . (4.22)
β
0≤β≤α

T
Parte II
Cálculo Variacional
AF
DR
38
Capítulo 5
Cálculo da Variações
Tendo como base os conceitos vistos anteriormente, vamos agora iniciar a discussão sobre o tema
cálculo das variações. De certo modo, muitos dos conceitos apresentados até aqui envolvendo cálculo
no Rn podem ser estendidos, quase que diretamente, para o cálculo das variações. Conceitos de
extremos, máximos e mínimos, locais e globais, condição para sua existência e unicidade vistos para
T
o cálculo no Rn serão agora estendidos para o cálculo das variações.
No cálculo das variações trabalhamos com funcionais, funções de funções, definidas em um certo
espaço vetorial de funções V ou em um subconjunto deste espaço, S ⊂V . Um funcional J é uma
mapeamento (ou operador) que leva funções definidas em um subespaço de funções, u ∈ S , em
AF J : S → R.
J é um operador e J (u) é o funcional.

Seja V um espaço vetorial de funções equipado com uma norma k·k e S um subespaço vetorial
de V , S ⊂V . Uma função u ∈ S é um mínimo local , extremo local, de J em S se
J (u) ≤ J (ũ)
localmente. Se a desigualdade se mantêm ∀u∗ ∈ S então trata-se de um mínimo global, extremo

global, e J é convexo. Ainda, se J (u) < J (ũ) ∀ũ ∈ S então J é estritamente convexo. Repare que a
DR
condição para mínimo segue as ideias apresentadas no cálculo n-dimensional.

Reservada as particularidades de cada estrutura matemática podemos estabelecer a relação entre
variáveis/notações de cada caso de acordo com a tabela 5.1. Esta é, de fato uma forma bastante
simplória de ver o problema, mas auxilia o entendimento inicial.
5.1 Primeira variação, derivada de Gâteaux, condição necessária de

primeira ordem e a Equação de Euler-Lagrange
Vamos iniciar a nossa discussão considerando funcionais que envolvem funções do tipo u : R → R que
possuam derivas contínuas, isto é, funcionais do tipo
ˆ b
F x, u (x) , u0 (x) dx

J (u (x)) = (5.1)
a
Cálculo n-dimensional. 7−→ Cálculo das variações

x 7−→ u
Ω, Rn 7−→ S, V
f 7−→ J
|·| , k·kE 7−→ k·kV
Tabela 5.1: Notação.
39
5. Cálculo da Variações Variação, Gâteaux e a Equação de Euler-Lagrange
na qual u (x) ∈ C 1 (x0 , x1 ), isto é, é diferenciável no intervalo. Suponha que u (x) seja prescrito em x0
e x1 de modo que deve-se respeitar
u (x0 ) = u0 e u (x1 ) = u1 . (5.2)
Estas condições de contorno, dadas para as variáveis u (x) são conhecidas como condições de contorno
de Dirichlet ou ainda essenciais. De todas as funções u (x) suaves, C 1 , procuramos por aquela1 , em
especial, que faz que o funcional J (u (x)) seja um extremo. A função que leva J (u (x)) a ser um
extremo é uma função estacionária de J (u (x)).
5.1.1 A variação de uma função

Vamos considerar uma função com valores prescritos em suas extremidades, tal como exigido para
o funcional anterior, veja condições em Eq. 5.2. Para efeitos de argumentação, seja a função ũ :
Rn → R contínua e diferenciável no intervalo desejado. Vamos expandir a função ũ na vizinhança de
u estacionário, mas ainda não conhecido, usando

du (x)
ũ (x) = u (x) + + O 2 . (5.3)
T
d =0
O termo vizinhança implica que ũ (x) e u (x) estejam próximos no sentido de uma norma. O termo
linear, O (), é chamado de variação de u e é, em geral denotado por, ver Cassel [2013] pg. 29,

du (x)
AF δu (x) =
d =0
(5.4)
o qual é a variação entre a função estacionária u (x) e outra função próxima a ela. Entretanto, fazendo
uma analogia com a derivada direcional em Rn , em Eq. 5.3 e 5.4 u (x) e ũ (x) são fixos, de modo que
o termo variante é , o qual é pequeno e varia de função para função.
Conclusão 1. Então a variação δu (x) faz o papel de “diferencial” com relação à .
Vamos deixar ainda que
du (x)
v (x) = (5.5)
d =0
DR
de modo que
ũ (x) = u (x) + v (x) + O 2 . (5.6)
Para funções suficientemente próximas O 2 → 0 e temos a clássica interpretação mostrada na figura

5.1.
Figura 5.1: Variação de uma função para valores nas extremidades fixos. Repare que caso u (x) e
ũ (x) não estiverem próximosentão o termo O 2 deve ser considerado e então o afastamento entre
as curvas seria δu (x) + O 2 = v (x) + O 2 .
1
Note que podem ser conjuntos de funções caso o problema não tenha uma solução única.

Como resultado escreve-se
ũ (x) = u (x) + v (x)

= u (x) + δu (x)
de modo que quando O 2 → 0 podemos escrever que a variação δu fica

δu (x) = v (x) = ũ (x) − u (x) . (5.7)
Observação 5.1. Note que, não associamos uma variação de δx com cadaδu! Em contraste, no processo
de diferenciação um dx está associado com um du. Diz-se então que δu é simplesmente a distância
vertical de pontos em curvas diferentes no mesmo valor de x, enquanto du é a distância vertical entre
dois pontos na mesma curva afastados de dx.
Repare agora que se u (x) e ũ (x) satisfazem as condições de contorno, Eq. 5.2, então da Eq. 5.7
escrevemos (
ũ (x0 ) = u0 ∧ u (x0 ) = u0
ũ (x) − u (x) = v (x) com
ũ (x1 ) = u1 ∧ u (x1 ) = u1
T
então
v (x0 ) = ũ (x0 ) − u (x0 ) = u0 − u0 = 0 ∀ → v (x0 ) = 0;

v (x1 ) = ũ (x1 ) − u (x1 ) = u1 − u1 = 0 ∀ → v (x1 ) = 0.
Então, como resultado

AF
v (x0 ) = v (x1 ) = 0. (5.8)
Então podemos colocar o problema da seguinte forma:
Problema 5.1. Encontre u (x) ∈ S estacionário de J (u), ou que leva o funcional J (u) a ter um
extremo2 tal que minimize
J (u) ≤ J (ũ) ∀ũ ∈ S
DR
com S sendo o subconjunto das funções admissíveis 3 dado por
S = {u (x) | u (x) suficientemente regular, u (x0 ) = u0 ∧ u (x1 ) = u1 } . (5.9)
Na construção de u∗ assumimos que as funções são próximas de modo que
J (u∗ ) = J (u (x) + v (x)) v ∈ V
sendo V o espaço das variações admissíveis 4 dado por
V = {v (x) | v (x) suficientemente regular, v (x0 ) = 0 ∧ v (x1 ) = 0} . (5.10)
2
Diz-se ainda “que extremiza” o funcional.
3
Em mecânica chamamos esse conjunto de conjunto de funções cinematicamente admissíveis o qual será denotado por
Kin.
4
Uma forma alternativa de definir o espaço das variações é
V = {v (x) | v (x) = u2 (x) − u1 (x) , u2 (x) , u1 (x) ∈ S} .

Observação 5.2. Note, novamente, que no cálculo n-dimensional a derivada direcional em x0 + d

implica em que x0 e d estejam fixos de modo que é possível escrever o problema totalmente em termos
de , isto é
f (x0 + d) = f¯ () .
O mesmo vale para funcionais, de modo que u (x) + v (x), u (x) e v (x) permanecem fixos.
Isto posto, estamos prontos para definir a primeira variação do funcional.
Definição 5.1. A primeira variação do funcional é dada por

J (u (x) + v (x)) − J (u (x))
δJ (u; v) = lim
→0
dJ (u (x) + v (x))
=
d
=0
= Dv J (u) .
T
δJ (u; v) é conhecida como variação de Gâteaux de J em u na direção de v, Troutman [1996]. É
também referenciada como diferencial de Gâteaux, veja em Luenberger [1969]. Ela pode ser vista
como uma generalização da derivada direcional, como veremos mais adiante no exemplo 5.1.
A variação de Gâteaux é um operador linear, isto é
AF
δ (αJ1 + βJ2 ) (u; v) = αδJ1 (u; v) + βδJ2 (u; v) (5.11)
e temos ainda que δJ (u; αv) = αδJ (u; v) e que δJ (u; 0) = 0.
Exemplo 5.1. Considere J = f ∈ C 1 (Rn ), f : Rn → R e u, v ∈ V = Rn . Então o diferencial de

Gâteaux de J em u na direção de v fica
f (u + v) − f (u)

df (u + v)
δJ (u; v) = δf (u; v) = lim = = Dv f (u) (5.12)
→0 d
=0
que é o próprio conceito de derivada direcional.
DR
Exemplo 5.2. Seja S = C 1 (a, b), a, b ∈ R e

ˆ bh i
J (u) = sin3 x + u2 (x) dx, ∀u ∈ S
a
Então o diferencial de Gâteaux de J em u na direção de v fica
J (u (x) + v (x)) − J (u (x))
δJ (u; v) = lim
→0
(ˆ
bh ˆ bh )
1 3 2
i
3 2
i
= lim sin x + (u + v) (x) dx − sin x + u (x) dx
→0 a a
(ˆ ˆ bh )
bh
1 3 2 2 2
i
3 2
i
= lim sin x + u (x) + 2u (x) v (x) + v (x) dx − sin x + u (x) dx
→0 a a
(ˆ ˆ bh ˆ b ˆ b )
b i
1 3 3

2
2 2 2
= lim sin
x − sin x dx + u (x)
− u (x) dx +
2u (x) v (x) dx + v (x) dx
→0 a a a a
ˆ ˆ
1 b 1 b 2 2
= lim 2u (x) v (x) dx + lim v (x) dx
→0 a →0 a
ˆ b ˆ b
2u (x) v (x) 2 v 2 (x)
= lim dx + lim dx Note que a integração é dada em x!
a →0 a →0
ˆ b
=2 u (x) v (x) dx.
a


dJ(u(x)+v(x))
Agora, apenas para fins de cálculo, vamos realizar δJ (u; v) = d para este exemplo.
=0
Então

dJ (u (x) + v (x))
δJ (u; v) =
d
=0
ˆ bh
d 3 2
i
= sin x + (u + v) (x) dx

d a
=0
ˆ b ˆ b
d
3

d 2
= sin x
dx + (u + v) (x) dx

a d
=0 a d =0
ˆ b
d
= 2 (u + v)|=0 (u + v) (x) dx
a d =0
ˆ b
=2 u (x) v (x) dx
a
o que leva a
ˆ b
δJ (u; v) = 2 u (x) v (x) dx.
T
AF a
5.1.2 Forma implícita da primeira variação do funcional

Vamos retornar para o funcional dados em Eq. 5.1. Pode-se determinar a variação deste funcional de
forma implícita.
Dado u (x) ∈ S , S = C 1 (x0 , x1 ) ⊂V , , x0 , x1 ∈ R, então a primeira variação de J, J : S → R,
fica dada por
J (u (x) + v (x)) − J (u (x))

δJ (u; v) = lim
→0
(ˆ
x1 ˆ x1 )
1
DR
0 0 0
= lim F x, u (x) + v (x) , u (x) + v (x) dx − F x, u (x) , u (x) dx . (5.13)
→0 x0 x0
Para realizar o limite em Eq. 5.13 vamos lançar mão da expansão em série de Taylor de F (·) em torno
de (x, u (x) , u0 (x)), mantendo x fixo ou como parâmetro, de modo que
∂F ∂F
F x, u (x) + v (x) , u0 (x) + v 0 (x) = F x, u (x) , u0 (x) + (v (x)) + 0 v 0 (x) + O 2 .

∂u ∂u
(5.14)
Nota 1. Para encontrar Eq. 5.14 podemos realizar a seguinte analogia: Suponha que F : R3 → R tal
que F = F (x, y, z). Dado um x fixo queremos encontrar a expansão em série de Taylor de primeira
ordem em torno do ponto (x, y, z), x fixo. Ela fica
∂F ∂F
F (x, y + dy, z + dz) = F (x, y, z) + dy + dz + O (dx)2
∂y ∂z
e fazendo y ←[ u (x), z ←[ u0 (x), dy ←[ v (x) e dz ←[ v 0 (x) chegamos em Eq. 5.14.

Agora substituindo a Eq. 5.14 em Eq. 5.13 podemos escrever

(ˆ
x1 ∂F
1 ∂F
F x, u (x) , u0 (x) + (v (x)) + 0 v 0 (x) + O 2 dx+

δJ (u; v) = lim
→0 x0 ∂u ∂u
ˆ x1 )
F x, u (x) , u0 (x) dx

−
x0
ˆ
´ x1 1 ∂F ∂F x1 :0
1 2

(v (x)) + 0 v 0 (x) dx +

= x0 lim lim O dx
→0 ∂u ∂u →0

x0
resultando em ˆ x1
∂F ∂F

δJ (u; v) = Dv J (u) = v (x) + 0 v 0 (x) dx (5.15)
x0 ∂u ∂u
´x
que é a primeira variação de um funcional do tipo J (u) = x01 F (x, u (x) , u0 (x)) dx. Mais especifica-
mente é a primeira variação de J (u) na direção de v. Note que o funcional definido em Eq. 5.1 envolve
x ∈ R, visto como uma parâmetro no contexto do cálculo variacional, a função u (x), u : R → R e sua
derivada u0 (x), u0 : R → R. Na medida em que formos “sofisticando” a função que define o integrando
T
naturalmente mais termos irão surgir na primeira variação δJ (u; v).
Repare agora que estamos procurando por u (x) que seja um caminho, função, estacionário de
J (u). Então exigimos que seja encontrada uma função u (x) ∈ S tal que δJ (u; v) = Dv J (u) = 0
com v (x) sendo suficientemente regular, e sendo nulo onde as condições de contorno essenciais estão
prescritas. Vamos colocar o problema de forma mais formal.
AF
Problema 5.2. Encontre u (x) ∈ S tal que extremize o funcional J (u),
J (u) ≤ J (ũ) ∀ũ ∈ S .
Equivale a escrever, encontre u (x) ∈ S estacionário tal que

ˆ x1
∂F ∂F 0

δJ (u; v) = Dv J (u) = v (x) + 0 v (x) dx = 0 (5.16)
x0 ∂u ∂u
DR
sendo v ∈ V um elemento das variações. O conjunto S e o espaço A são dados por
S = {u (x) | u (x) suficientemente regular, u (x0 ) = u0 ∧ u (x1 ) = u1 }
e
V = {v (x) | v (x) suficientemente regular, v (x0 ) = 0 ∧ v (x1 ) = 0} .
A condição
δJ (u; v) = 0, u (x) ∈ S , v (x) ∈ V
ou ainda
Dv J (u) = 0, u (x) ∈ S , v (x) ∈ V
é conhecida como primeira condição, ou condição necessária, requerida sobre o funcional para encon-
trar um extremo. No campo da teoria de otimização ela é conhecida como condição necessária de
otimalidade.

Derivação alternativa
Pode-se encontrar a condição de estacionariedade de forma alternativa pela seguinte argumentação.
Se u leva a um extremo local, do tipo mínimo local, de J (u) com u (x) ∈ S , então
J (u) ≤ J (ũ) , ũ ∈ S
com ũ próximo de u de modo que J (ũ) = J (u (x) + v (x)). Desta forma
J (u) ≤ J (ũ) , ũ ∈ S
≤ J (u (x) + v (x)) , v ∈ V
ou ainda J (u) − J (u (x) + v (x)) ≤ 0. Então escreve-se
J (u (x) + v (x)) − J (u) ≥ 0. (5.17)
Permita que a inequação 5.17 seja dividida por ∈ R, > 0. Tomando o limite produz
J (u (x) + v (x)) − J (u)
lim ≥ 0.
T
→0+
Agora vamos dividir a inequação 5.17 < 0 e permitir o limite
J (u (x) + v (x)) − J (u)
lim ≤ 0.
→0−
AF
Perceba que, se J (u) é diferenciável então os limites devem existir e serem iguais. Então
J (u (x) + v (x)) − J (u) J (u (x) + v (x)) − J (u)

lim = lim ≥0
→0 →0 +
e
J (u (x) + v (x)) − J (u) J (u (x) + v (x)) − J (u)
lim = lim ≤ 0.
→0 →0 −
J(u(x)+v(x))−J(u)
Como Dv J (u) = lim→0 então temos simultaneamente que
DR
0 ≤ Dv J (u) ≤ 0 ←→ Dv J (u) = 0.
5.1.3 Equação de Euler-Lagrange

Da condição de estacionariedade δJ (u; v) = 0 escrevemos a Eq. 5.16 que é
ˆ x1
∂F ∂F

δJ (u; v) = Dv J (u) = v (x) + 0 v 0 (x) dx = 0, u (x) ∈ S e v ∈ V.
x0 ∂u ∂u
Vamos manipular um pouco mais esta integral. Para tanto, vamos escrever, com auxílio a regra do
produto
d ∂F d ∂F ∂F dv (x)

v (x) = v (x) + 0 (5.18)
dx ∂u0 dx ∂u0 ∂u dx
então5
∂F 0 d ∂F d ∂F

0
v (x) = 0
v (x) − v (x) (5.19)
∂u dx ∂u dx ∂u0
e substituindo Eq. 5.19 em Eq. 5.16 produz
ˆ x1
∂F d ∂F d ∂F

δJ (u; v) = v (x) + v (x) − v (x) dx
x0 ∂u dx ∂u0 dx ∂u0
ˆ x1 ˆ x1
∂F d ∂F d ∂F

= − v (x) dx + v (x) dx = 0, u (x) ∈ S e v ∈ V. (5.20)
x0 ∂u dx ∂u0 x0 dx ∂u
0
5 0 dv(x)
v (x) ≡ dx

mas a segunda integral fica, pelo teorema fundamental do Cálculo,

ˆ x1 x1
d ∂F ∂F

0
v (x) dx = v (x)
x0 dx ∂u ∂u0
x0

∂F ∂F
= v (x1 ) − v (x0 ) , u (x) ∈ S e v ∈ V.
∂u0 x=x1 ∂u0 x=x0
Como v ∈ V então v (x1 ) = v (x0 ) = 0. A Eq. 5.20 fica

ˆ x1
∂F d ∂F

δJ (u; v) = − v (x) dx = 0, u (x) ∈ S e v ∈ V. (5.21)
x0 ∂u dx ∂u0
De acordo com o Lema fundamental do Cálculo das Variações, 5.1.4, para satisfazer Eq. 5.21 é
necessário resolver
∂F d ∂F ∂F d ∂F

− = 0 → = . (5.22)
∂u dx ∂u0 ∂u dx ∂u0
A Eq. 5.22 é a celebrada Equação de Euler-Lagrange. Como resultado desta derivação temos que
se u (x) é uma função estacionária de δJ (u; v) então ela satisfaz a Equação de Euler-Lagrange. De
T
outra forma, para encontrar uma função estacionária “basta” resolver a equação de Euler-Lagrange.
5.1.4 Lema Fundamental do Cálculo das Variações

Na derivação da equação de Equação de Euler-Lagrange foi escrito que
ˆ x1
∂F d ∂F

AF

∂F d ∂F

δJ (u; v) = − v (x) dx = 0, u (x) ∈ S e v ∈ V → − = 0.
x0 ∂u dx ∂u0 ∂u dx ∂u0
Esta passagem é de fundamental importância no Cálculo das Variações. Basicamente, ela nos diz que
se a integral do produto de duas funções é nula então uma delas deve ser nula. Este resultado deve ser
visto com mais detalhes pois tem várias repercussões neste curso. Vamos enunciar o seguinte Lema:
Lema 5.1. Lema fundamental do Cálculo das Variações: Seja uma função f (x) contínua
DR
em um intervalo [x0 , x1 ], f (x) ∈ C [x0 , x1 ], tendo

ˆ x1
f (x) v (x) dx = 0, ∀v ∈ V
x0
então
f (x) = 0 em [x0 , x1 ]
n o
com V = v (x) ∈ C m [x0 , x1 ] | v (k) (x0 ) = 0 ∧ v (k) (x1 ) = 0, k = 1, 2, . . . , m. .
Demonstração. Desenvolvida em sala de aula.

´x
Observação 5.3. Podemos escrever a condição x01 f (x) v (x) dx = 0, ∀v ∈ V de uma forma mais
compacta, moderna, usando as ideias de produto interno no espaço de funções vistas no capítulo
4, seção 4.2, da ´seguinte forma. Se V é um espaço munido de um produto interno definido por
x
(f (x) , v (x))V = x01 f (x) v (x) dx com f (x) ∈ C [x0 , x1 ] em então
(f (x) , v (x))V = 0, ∀v ∈ V → f (x) = 0 em [x0 , x1 ] .
Observação 5.4. O lema 5.1 no diz que a seleção de v ∈ V é arbitrária.
Exemplo 5.3. Barra de comprimento L, isotrópica, linear e elástica sujeita ao peso próprio sujeita a
condições u (x0 ) = 0 e u (x1 ) = 0.
Solução. Desenvolvida em sala de aula.
Exercício 5.1. Seja S = C 1 [a, b]. Encontre δJ (u; v) para u, v ∈ S para os seguintes casos:
´bh 3
i
0 (x)2 dx (sol: u (x) = sin (x));
1. J (u) = a u (x) + xu
´bp
2. J (u) = a 2 + x2 − sin u0 (x) dx
´bh i
3. J (u) = a ex u (x) − 3u0 (x)4 dx + 2u0 (b)2
n´ o n´ o
b b
2u0 (x) + x2 u (x) dx − u0 (x)]2 dx

4. J (u) = a a [1
T
5.1.5
AF
Caso especiais do integrando F
5.1.5.1 O integrando não depende de u
Neste caso F = F (x, u0 ) e a equação de Euler-Lagrange fica
0
∂F
7 d ∂F d ∂F

− = 0 −→ =0
∂u dx ∂u0 dx ∂u0
o que implica em
∂F
DR
=c (5.23)
∂u0
com c sendo uma constante. Repare que para que a Eq. 5.23 seja respeitada F tem de ser uma
equação diferencial envolvendo termos de primeira ordem (e que não contém u).
Exemplo 5.4. Caminho mais curto entre dois pontos: Vamos retornar agora ao problema da
subseção 1.2.1.

T
Parte III
Princípios Variacionais
AF
DR
48
T
Parte IV
Métodos de aproximação
AF
DR
49
T
Parte V
Apêndices
AF
DR
50

Master Book Variationalcalculus2017

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Master Book Variationalcalculus2017

Enviado por

Direitos autorais:

Formatos disponíveis

Notas de aula da disciplina

2 Extremos de funções e resultados da análise convexa 15

3 Uma introdução sobre continuidade e integrabilidade - os espaços C m e Lp 23

4 Espaços munidos com produto interno e normas 29

III Princípios Variacionais 48

Mec0137- Cálculo Variacional - Prof. Rossi 2 Release 0.1 - 25 de julho de 2017

1.1 Exemplos de funções. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.1 O conjunto C m (Ω). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4.1 Interpretação geométrica da continuidade de uma função do tipo y : R → R . . . . . . 30

– Estabelecendo as regras para esta disciplina.

• Semana #3 - Do Rn para o espaço vetorial de funções

• Semana #4 - Mais sobre espaço de funções

– Espaços munidos de produto interno;

• Semana #5 - Introdução ao cálculo das variações

– A variação de uma função;

– Derivada de Gâteaux de um funcional

• Semana #6 - Cálculo das variações

• Semana #7 - Cálculo das variações

– Funcionais envolvendo várias variáveis;

• Semana #8 - Princípios da mecânica vistos do ponto de vista variacional

– Princípio dos Trabalhos Virtuais e Princípio dos Trabalhos Virtuais Complementares

• Semana #9 - Cálculo das variações

• Semana #10 - Mais um pouco de análise funcional

– Formas lineares e bilineares

• Semana #11 - Métodos de Ritz e dos resíduos ponderados

• Semana #12 - Fechamento

Mec0137- Cálculo Variacional - Prof. Rossi 6 Release 0.1 - 25 de julho de 2017

Hugo Touchette. Legendre-fenchel transforms in a nutshell, 2007. URL http://www.physics.sun.ac.za/

Hugo Touchette. Elements of convex analysis, 2010. URL http://www.physics.sun.ac.za/~htouchette/

Figure 1.1: Exemplos de funções.

• Um funcional, por sua vez, estabelece um mapeamento (correspondência ou ainda é um operador

J é um operador e J (u) é o funcional. A integral abaixo é um exemplo de funcional

• Que a integral, ou melhor o resultado da integral exista (seja finito);

• Outro ponto importante na solução de problemas envolvendo funcionais é quanto a unicidade da

J (u (x) + αv (x)) = J (u (x)) + αJ (v (x)) (1.5)

para todo α ∈ R e variáveis dependentes u (x) e v (x).

1.2 Problemas clássicos em cálculo das variações - motivação

1.2.2 Braquistócrona - (Bernoulli - 1696)

onde as funções u e v devem satisfazer a restrição f (x, y, z) = 0, isto é pertencer a superfície.

Figure 1.5: O problema de encontrar geodésicas.

1.2.4 Problema isoperimétrico

enquanto o perímetro fixo é descrito pela restrição

u (x) = argmáx J (ū)

1.2.5 Princípio dos trabalhos virtuais

δWt = δWi + δWe = 0. (1.14)

1.2.6 Princípio da mínima energia potencial total e máxima energia potencial

δπ (u) = δU (u) + δV (u) = 0. (1.17)

Do Princípio da Mínima Energia Potencial Total deriva-se o chamado Teorema de Castigliano I,

ou em termos de cálculo variacional

Do Princípio da Máxima Energia Potencial Complementar Total deriva-se o chamado Teorema de

1.2.7 Princípio de Hamilton

Princípio de Hamilton: A evolução de um sistema mecânico conservativo durante o tempo ti e tf

na qual L = K − V é o Lagrangiano com K sendo a energia cinética e V a energia potencial do sistema

q (t) = argmín J (q̄) (1.23)

Extremos de funções e resultados da

Outro ponto importante na apresentação/formulação dos problemas envolvidos em cálculo variacional,

f (x) ≤ f (xo ) para um máximo

f (x) ≤ f (xo ) para um máximo local

Example 2.1. Analise a figura 2.1.

Figure 2.1: Pontos extremos de f .

Um primeiro teorema importante que surge a respeito da existência de máximos e mínimos é o

Theorem 2.1. Teorema do Valor Extremo: Se S ⊂ Rn é compacto e f (x) : S → R é contínua,