Baixe o app para aproveitar ainda mais
Prévia do material em texto
Espaços Vetoriais: Dependência e Independência Linear Apresentação Ao se estudar Álgebra Linear, usa-se a intuição geométrica do Rn como guia para fornecer as noções que são naturalmente definidas nesse ambiente. Nesse sentido, generaliza-se a noção de dependência e independência linear para espaços vetoriais gerais, como o espaço vetorial das matrizes, das funções contínuas e outros, usando as noções e ferramentas definidas no Rn. Para que você possa acompanhar adequadamente esta unidade, é necessário que você se lembre dos conceitos de espaço vetorial, subespaço, independência linear de vetores no Rn, método de Gauss, pivoteamento de matrizes, assim como das noções de funções contínuas e suas derivadas no cálculo. Nesta Unidade de Aprendizagem, você vai generalizar o conceito de independência linear para conjuntos além do Rn, as propriedades que permitem demonstrar ou identificar se um conjunto é linearmente independente e como esse conceito pode ser verificado no espaço vetorial das funções contínuas. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Definir os conceitos de dependência e independência linear para espaços vetoriais gerais. • Demonstrar a independência linear.• Avaliar se um conjunto é independente a partir de propriedades.• Infográfico Quando você generaliza o conceito de espaço vetorial, pode aplicar os conceitos de base, ortogonalidade e decomposições a um infinito número de estruturas que não o espaço n- dimensional Rn. As aplicações práticas e computacionais são diversas e infinitas, uma ferramenta indispensável para qualquer ciência aplicada. Veja, no Infográfico a seguir, quais são os elementos necessários para identificar a independência linear de um conjunto de vetores num espaço vetorial que não necessariamente o Rn, assim como critérios para determinar se um conjunto de funções é linearmente independente no espaço vetorial das funções contínuas. Conteúdo do livro Na Matemática, os espaços vetoriais de funções modelam desde a decomposição de funções em bases polinomiais, trigonométricas e afins, até os espaços das soluções de equações diferenciais lineares. Nas ciências aplicadas, esses espaços modelam desde o problema do controle biológico da broca da cana-de-açúcar até o estudo de sinal e o processamento de imagens. No capítulo Espaços vetoriais: dependência e independência linear, da obra Álgebra Linear, você vai ver como definir independência linear num espaço vetorial qualquer, como verificar pela definição se um conjunto é linearmente independente ou dependente, as propriedades que esse conceito possui em relação ao número de vetores no conjunto e como entender a independência linear em um conjunto de funções. Boa leitura. ÁLGEBRA LINEAR Marcelo Maximiliano Danesi Espaços vetoriais: dependência e independência linear Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir os conceitos de dependência e independência linear para espaços vetoriais gerais. � Demonstrar a independência linear. � Avaliar se um conjunto dado é independente a partir de suas propriedades. Introdução Neste capítulo, você vai definirá o conceito de independência linear entre vetores dentro da definição generalizada dos espaços vetoriais. Também, verá exemplos de independência e dependência linear no espaço vetorial das matrizes, dos polinômios e, principalmente, das funções. A generalização de independência linear depende fortemente da definição estudada no ℝn. Você verá como esse conhecimento anterior está sendo usado como base e como adaptamos propriedades do ℝn para o espaço vetorial das matrizes, dos polinômios e das funções em ℝ. Dependência e independência linear Dados E espaço vetorial e um conjunto não vazio de vetores B = {u1, u2, ..., un} ⊂ E, dizemos que B é um conjunto linearmente independente se: α1u1 + α2u2 + ... + αnun = 0 admite apenas a solução trivial α1 = α2 = ... = αn = 0. Caso contrário, se houver solução além dessa, dizemos que B é um conjunto linearmente dependente. No espaço vetorial P2 dos polinômios de grau menor ou igual a 2 de coeficientes reais, considere o conjunto B = {u1, u2, u3}, tal que: u1 = x 2 + 2x – 1 u2 = 3x 2 + x u3 = –5x + 3 Esse conjunto é linearmente dependente, pois: α1u1 + α2u2 + α3u3 = 0 admite a solução não trivial α1 = 3, α2 = –1, α3 = 1, de modo que: 3u1 – 1u2 + 1u3 = 0 Um caso particular da definição é o caso onde B contém dois vetores. Nesse caso, B = {u1, u2} é linearmente dependente se, e somente se: α1u1 + α2u2 = 0 admite solução não trivial, tal que α1, α2 ≠ 0. Assim, a igualdade é equi- valente a: E podemos concluir que um conjunto de dois vetores é linearmente depen- dente se, e somente se, u1 e u2 são vetores múltiplos. Espaços vetoriais: dependência e independência linear2 No espaço vetorial M3×2(ℝ) das matrizes 3 × 2 de coeficientes reais, considere os conjuntos: 1. B1 = u1 = , u2 = 2 1 –3 2 –1 0 1 2 –1 1 3 2 2. B2 = v1 = , v2 = –2 –4 2 –2 –6 –4 3 6 –3 3 9 6 Observe o seguinte: � B1 é linearmente independente, pois não existe λ ∈ ℝ, tal que u1 = λu2. Para isso, basta verificar que a igualdade u1 = λu2 é equivalente ao sistema a seguir, o qual não tem solução: 2 = 1λ 1 = 2λ –3 = –1λ 2 = 1λ –1 = 3λ 0 = 2λ � B2 é linearmente dependente, pois existe λ ∈ ℝ, tal que v1 = λv2. Para isso, verificamos que a igualdade v1 = λv2 é equivalente ao sistema: –2 = 3λ –4 = 6λ 2 = –3λ –2 = 3λ –6 = 9λ –4 = 6λ que tem solução λ = –2/3. Isto é: 1 ∙ + (–2/3) ∙ = 3 6 –3 3 9 6 –2 –4 2 –2 –6 –4 0 0 0 0 0 0 3Espaços vetoriais: dependência e independência linear A última igualdade do exemplo anterior sinaliza um detalhe muito sutil da definição de conjuntos linearmente independentes. Nas condições da definição, dizer que B é linearmente independente significa que a única combinação linear que resulta no vetor nulo é a combinação: α1u1 + α2u2 + ... + αnun = 0 onde α1 = α2 = ... = αn = 0. Estamos destacando essa sutiliza pelo exemplo a seguir. No espaço vetorial C 0 (ℝ) das funções reais contínuas em ℝ, considere os conjuntos: 1. B1 = {u1 = cos 2(x), u2 = 1 – sen 2(x)} 2. B2 = {v1 – sen(x), v2 = cos(x)} E observe o seguinte: � B1 é linearmente dependente, pois existe λ ∈ ℝ, tal que u1 = λu2. Para isso, temos que nos lembrar da relação fundamental trigonométrica que afirma, para todo x ∈ ℝ: cos2(x) + sen2(x) = 1 Portanto: cos2(x) = 1 · (1 – sen2 (x)) Essa igualdade vale para todo x ∈ ℝ. � B2 é linearmente independente, pois não existe λ ∈ ℝ, tal que v1 = λv2; essa última igualdade ocorre porque v1 = λv2 significa que: sen(x) = λcos(x) Ou, de forma equivalente: sen(x) cos(x) = tg(x) = λ onde a função tg(x) não é constante. Isto é, não existe λ, tal que v1(x) = λv2(x) para todo x ∈ ℝ. Espaços vetoriais: dependência e independência linear4 Esse último exemplo saiu um pouco da nossa zona de conforto porque nem sempre conseguimos identificar de imediato as várias formas que uma função assume. O critério a seguir ajuda imensamente nesse sentido. Dados I ⊂ ℝ intervalo aberto e o espaço vetorial C0(I) das funções reais contínuas em I, se as funções u1, u2, ..., un são diferenciáveis, pelo menos (n – 1) vezes em I (ANTON; RORRES, 2012), e a função: for diferente de zero em, pelo menos, um ponto do intervalo I, então as funções u1, u2, ..., un são linearmente independentes em C 0(I). Também podemos referir à função anterior como wronskiano de u1, u2, ..., un ou W(u1, u2, ..., un). Essa definição será bastante utilizada na resolução de equações diferenciais. A função u’ representa a derivada de primeira ordem da função u = u(x), e a função u(n) representa a derivada de n-ésima ordem da função u = u(x), de forma que: u’ = e u(n) = du dx dnu dxn Veremos um exemplo sobre esse critério. Em C0(ℝ), considere {v1 = sen(x), v2 = cos(x)}. Para esseconjunto, o wronskiano calcula: W(x) = det = det = –sen(x) sen(x) – cos(x) cos(x) = –(sen2(x) + cos2(x)) = –1 v1 v2 v’1 v’2 sen(x) cos(x) cos(x) –sen(x) Assim, W(x) = –1 para todo x ∈ ℝ, e esse conjunto é linearmente independente. 5Espaços vetoriais: dependência e independência linear Cuidado: o critério fornecido pelo wronskiano é bastante poderoso, mas nada garante a sua recíproca. Isto é, nas hipóteses da condição, se W(u1, u2, ..., un) = 0 para todo x ∈ I, não necessariamente, {u1, u2, ..., un} é linearmente dependente ou independente. Em C 0(ℝ), considere {u1, u2, u3}, tal que: u1 = x2 + 2x – 1 u2 = 3x2 + x u3 = –5x + 3 Para esse conjunto, o wronskiano calcula: W(x) = det = det u1 u2 u3 u’1 u’2 u’3 u’1’ u’2’ u’3’ x2 + 2x –1 3x2 + x –5x + 3 2x + 2 6x + 1 –5 2 6 0 = +(0 + (3x2 + x)(–5)(2) + (–5x + 3)(2x + 2)6) – (0 + 2(6x + 1)(–5x + 3) + 6(–5)(x2 + 2x –1)) = +(–90x2 – 34x + 36) – (–90x2 –34x + 36) = 0 Assim, W(x) = 0 para todo x ∈ ℝ. Não podemos garantir que esse conjunto seja linearmente independente. Outras propriedades Antes de prosseguirmos, é importante citarmos outras propriedades já co- nhecidas e generalizar mais algumas. Dados E espaço vetorial B ⊂ E um conjunto de vetores, se: I. 0 ∈ B, então B é linearmente dependente; II. B = {u1} e u1 ≠ 0, então B é linearmente independente; III. B = {u1, u2}, então B é linearmente independente se, e somente se, u1 ≠ λu2 para todo λ ∈ ℝ; IV. E = ℝn e B = {u1, u2, ..., um}, onde m > n, então B é linearmente dependente; Espaços vetoriais: dependência e independência linear6 V. B é linearmente dependente, então existe u ∈ B , tal que u é combinação linear dos demais vetores em B; VI. B = {u1, u2, …, um} é linearmente independente, v ∈ E e v ∉ ger(B), então B ∪{v} = {u1, u2, ..., um, v} é linearmente independente. Demonstração da independência linear A ideia agora é mostrarmos, por meio de uma série de exemplos, como veri- ficamos a definição de independência linear nos diferentes espaços vetoriais. Começando com um exemplo no espaço vetorial Pn (n ∈ ℕ fixado) dos polinômios de grau menor ou igual a n e de coeficientes reais. Sejam n = 3 e {u1, u2, u3} ⊂ P3, tal que: u1 = x 3 – 2x + 4 u2 = x 2 + 1 u3 = 2x 3 – x2 + x + 1 Pela definição, {u1, u2, u3} é linearmente independente se: α1u1 + α2u2 + α3u3 = 0 admite apenas a solução trivial α1 = α2 = α3 = 0. Substituindo u1, u2, u3 na condição anterior, podemos reescrevê-la como: α1(x 3 – 2x + 4) + α2(x 2 + 1) + α3(2x 3 – x2 + x + 1) = 0. Reorganizando os termos de acordo com as potências de x, a igualdade fica: (α1 + 2α3)x 3 + (α2 – α3)x 2 + (–2α1 + α3)x + (4α1 + α2 + α3) = 0 Essa igualdade afirma, então, que cada coeficiente à esquerda é igual ao respectivo coeficiente do vetor nulo à direita. Ou seja: α1 + 2α3 = 0 α2 – α3 = 0 –2α1 + α3 = 0 4α1 + α2 + α3 = 0 7Espaços vetoriais: dependência e independência linear é equivalente à equação matricial: 1 0 2 0 1 –1 –2 0 1 4 1 1 . = α1 α2 α3 0 0 0 0 Aplicando o método de Gauss, podemos escalonar essa matriz de forma que: 1 0 2 0 1 –1 –2 0 1 4 1 1 ~ ~ ~ 1 0 2 0 1 –1 0 0 5 0 1 –7 1 0 2 0 1 –1 0 0 5 0 0 –6 1 0 2 0 1 –1 0 0 1 0 0 0 é uma matriz triangular superior com 3 pivôs, o que significa que a única solução dessa equação é a solução trivial α1 = α2 = α3 = 0, e {u1, u2, u3} é linearmente independente. É interessante observar que, no exemplo anterior, existe uma relação di- reta entre a independência linear dos vetores u1, u2, u3 em P3 e a dos vetores v→1 = (1,0,–2,4), v → 2 = (0,1,0,1), v → 3 = (2,–1,1,1) em ℝ4 (os vetores coluna da matriz). Essa relação serve para mostrar que o espaço Pn não é tão diferente do ℝn+1, uma vez que identificamos o polinômio u = anx n + ... + a1x + a0∈Pn como o vetor v→ = (an, ..., a1, a0) ∈ ℝn+1. Para todo n ∈ ℕ, Pn é um subespaço vetorial de C 0(ℝ). Logo, podemos usar o wronskiano para determinar a independência de polinômios. O próximo exemplo explora uma relação similar no espaço vetorial Mm×n (ℝ) (n, m ∈ ℕ fixados) das matrizes m × n de coeficientes reais. Espaços vetoriais: dependência e independência linear8 Sejam m = 3, n = 2 e {u1, u2, u3, u4} ⊂ M3×2(ℝ), tal que: u1 = –3 12 –2 6 –4 –11 u2 = 0 3 –4 0 –2 –4 u3 = –1 2 2 2 0 –1 u4 = 3 –2 0 –1 –3 2 Pela definição, {u1, u2, u3, u4} é linearmente independente se: α1u1 + α2u2 + α3u3 + α4u4 = 0 admite apenas a solução trivial α1 = α2 = α3 = α4 = 0. Substituindo u1, u2, u3, u4 na condição anterior, podemos reescrevê-la como: α1 + α2 + α3 + α4 –3 12 –2 6 –4 –11 0 3 –4 0 –2 –4 –1 2 2 2 0 –1 3 –2 0 –1 –3 2 = 0 0 0 0 0 0 Somando as matrizes, temos: –3α1 – 1α3 + 3α4 –2α1 – 4α2 + 2α3 –4α1 – 2α2 – 3α4 12α1 + 3α2 + 2α3 – 2α4 6α1 + 2α3 –1α4 –11α1 – 4α2 – 1α3 + 2α4 = 0 0 0 0 0 0 Essa igualdade afirma, então, que cada entrada à esquerda seja igual à respectiva entrada do vetor nulo à direita. Ou seja: –3α1 – 1α3 + 3α4 = 0 12α1 + 3α2 + 2α3 – 2α4 = 0 –2α1 – 4α2 + 2α3 = 0 6α1 + 2α3 – 1α4 = 0 –4α1 – 2α2 – 3α4 = 0 –11α1 – 4α2 – 1α3 + 2α4 =0 9Espaços vetoriais: dependência e independência linear é equivalente à equação matricial: –3 0 –1 3 12 3 2 –2 –2 –4 2 0 6 0 2 –1 –4 –2 0 –3 –11 –4 –1 2 . α1 α2 α3 α4 = 0 0 0 0 0 0 Aplicando o método de Gauss, podemos escalonar essa matriz de forma que: –3 0 –1 3 12 3 2 –2 –2 –4 2 0 6 0 2 –1 –4 –2 0 –3 –11 –4 –1 2 ~ ~ 1 2 –1 0 12 3 2 –2 –3 0 –1 3 6 0 2 –1 –4 –2 0 –3 –11 –4 –1 2 1 2 –1 0 0 –21 14 –2 0 6 –4 3 0 –12 8 –1 0 6 –4 –3 0 18 –12 2 ~ ~ ~ ~ 1 2 –1 0 0 –21 14 –2 0 6 –4 3 0 0 0 5 0 0 0 –6 0 0 0 –7 1 2 –1 0 0 –21 14 0 0 6 –4 0 0 0 0 1 0 0 0 0 0 0 0 0 1 2 –1 0 0 3 –2 0 0 3 –2 0 0 0 0 1 0 0 0 0 0 0 0 0 3 0 1 0 0 3 –2 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 é uma matriz com 3 pivôs, uma variável livre, o que significa que existe solução não nula, e {u1, u2, u3, u4} é linearmente dependente. Em particular, as soluções da equação matricial são da forma: (α1, α2, α3, α4) = α3 –1 3 , , 1, 02 3 com α3 ∈ ℝ, o que significa que: –1/3 + 2/3 + 1 + 0 = 0 –3 12 –2 6 –4 –11 0 3 –4 0 –2 –4 –1 2 2 2 0 –1 3 –2 0 –1 –3 2 ou 1 = +1/3 – 2/3 –1 2 2 2 0 –1 –3 12 –2 6 –4 –11 0 3 –4 0 –2 –4 u3 = + u1 – u2 1 3 2 3 Isso confere com a propriedade que diz que, se o conjunto é linearmente dependente, então, algum vetor é combinação dos demais. Espaços vetoriais: dependência e independência linear10 Como no exemplo anterior, temos uma relação direta entre a independência linear dos vetores u1, u2, u3, u4 em M3×2(ℝ) e a dos vetores coluna da matriz da equação. Essa relação alerta como podemos entender a independência linear das matrizes em Mm×n (ℝ) a partir de vetores no ℝmn. Inclusive podemos enunciar o seguinte. Dado B = {u1, u2, …, uk} conjunto contido em E espaço vetorial, então B é linearmente dependente se: I. E = ℝn e k > n; II. E = Pn e k > n + 1; III. E = Mm×n (ℝ) e k > m ∙ n. Em C0(ℝ), não existe essa estimativa. Inclusive, podemos usar o wronskiano para mostrar que, para todo k ∈ ℕ, é possível construir um conjunto de k vetores linearmente independentes em C0(ℝ). A saber, fixado k ∈ ℕ, para o conjunto {u1 = 1, u2 = x, u3 = x 2, ..., uk = x k–1}, calculamos: Essa última matriz é uma diagonal superior, e o seu determinante é o produto das constantes positivas ao longo da sua diagonal principal. Logo, W(x) ≠ 0 para todo x ∈ ℝ, e esse conjunto é linearmente independente em C 0(ℝ). Avaliação da independência linear a partir das propriedades do conjunto A ideia, agora, é mostrarmos, por meio de uma série de exemplos, como identificamos se um conjunto é linearmente independente ou dependente de acordo com as propriedades que listamos. No exemploa seguir, exploramos a propriedade que fala sobre a independên- cia de um conjunto formado por dois vetores. Isto é, que {u1, u2} é linearmente independente se, e somente se, u1 ≠ λu2 para todo λ ∈ ℝ. 11Espaços vetoriais: dependência e independência linear No espaço vetorial C 0(ℝ) das funções reais contínuas em ℝ, considere os conjuntos: 1. B1 = {u1 = e x, u2 = 2e x} 2. B2 = {v1 = e x, v2 = xe x} e observe o seguinte: 1. B1 é linearmente dependente, pois existe λ ∈ ℝ, tal que u1 = λu2. Para isso, basta tomar λ = 1/2 e observar que, para todo x ∈ ℝ, ex = (2ex)1 2 . 2. B2 é linearmente independente, pois não existe λ ∈ ℝ, tal que v1 = λv2. Essa última igualdade ocorre porque v1 = λv2 significa que e x = λxex. Ou, de forma equivalente, que e x xex = = λ 1 x , onde a função 1/x não é uma constante. Aliás, também podemos justificar que esse conjunto é linearmente independente, tomando o wronskiano: W(x) = det = det = (x + 1)e2x – xe2x = e2x v1 v2 v’1 v’2 ex xex ex (x + 1)ex Assim, W(x) = e2x ≠ 0 para todo x ∈ ℝ. E podemos afirmar que esse conjunto é, de fato, linearmente independente. A maior observação que temos de fazer em relação ao exemplo anterior é em relação ao uso do termo “vetores múltiplos” quando estamos no espaço das funções. O conjunto {ex, 2ex} é linearmente dependente porque essas funções são múltiplas por um número real, enquanto que o conjunto {ex, xex} é linearmente independente porque essas funções não são múltiplas por um número real. No exemplo a seguir, examinaremos que, em Pn, qualquer conjunto de (n + 2) vetores ou mais é, obrigatoriamente, linearmente dependente, mas sempre é possível determinar um conjunto de (n + 1) vetores linearmente independente. Em P2 , o conjunto dos polinômios de grau menor ou igual a 2 de coeficientes reais, considere os conjuntos: Espaços vetoriais: dependência e independência linear12 1. B1 = {u1, u2, u3, u4}, tal que: u1 = 3x 2 – 2x + 1 u2 = –x 2 – x + 1 u3 = x 2 + x u4 = 3x + 5 2. B2 = {v1 = 1, v2 = x, v3 = x 2} Observe o seguinte: 1. Pela definição, {u1, u2, u3, u4} é linearmente independente se α1u1 + α2u2 + α3u3 + α4u4 = 0 admite apenas a solução trivial α1 = α2 = α3 = α4 = 0. Substituindo u1, u2, u3, u4 na condição anterior, podemos reescrevê-la como: α1(3x 2 – 2x + 1) + α2(–x 2 – x + 1) + α3(x 2 + x) + α4(3x + 5) = 0 Somando e reorganizando os termos de acordo com as potências de x, a igualdade fica: (3α1 – α2 + α3)x 2 + (–2α1 – α2 + α3 + 3α4)x + (α1 + α2 + 5α4) = 0 Logo, para cada coeficiente, temos: 3α1 – α2 + α3 = 0 –2α1 – α2 + α3 + 3α4 = 0 α1 + α2 + 5α4 = 0 que é equivalente à equação matricial: . = α1 α2 α3 α4 0 0 0 3 –1 1 0 –2 –2 1 3 1 1 0 5 Observe que, para essa quantidade de vetores, o método de Gauss nos indicará ao menos uma variável livre, e, por esse motivo, {u1, u2, u3, u4} é linearmente dependente. Em particular: 3 –1 1 0 –2 –2 1 3 1 1 0 5 ~ ~ ~ 1 1 0 5 3 –1 1 0 –2 –2 1 3 1 1 0 5 0 –4 1 –15 0 0 1 13 1 1 0 5 0 –4 0 –28 0 0 1 13 ~ ~ 1 1 0 5 0 1 0 7 0 0 1 13 1 0 0 –2 0 1 0 7 0 0 1 13 13Espaços vetoriais: dependência e independência linear e as soluções da equação matricial são da forma: (α1, α2, α3, α4) = α4(2, –7, –13, 1) com α4 ∈ ℝ, o que significa que: 2(3x2 – 2x + 1) – 7(–x2 – x + 1) – 13(x2 + x) + 1(3x + 5) = 0 ou 1(3x + 5) = –2(3x2 – 2x + 1) + 7(–x2 – x + 1) + 13(x2 + x) u4 = –2u1 + 7u2 + 13u3 2. B2 é linearmente independente, pois calculando o wronskiano: W(x) = det = det = 2 v1 v2 v3 v’1 v’2 v’3 v’1’ v’2’ v’3’ 1 x x2 0 1 2x 0 0 2 Assim, W(x) = 2 ≠ 0 para todo x ∈ ℝ. E podemos afirmar que esse conjunto é, de fato, linearmente independente. Analogamente, em Mm×n (ℝ), qualquer conjunto de (m ∙ n + 1) vetores ou mais é, obrigatoriamente, linearmente dependente, e sempre é possível determinar um conjunto de (m ∙ n) vetores linearmente independente. Em M2×3(ℝ), qualquer conjunto com 7 ou mais matrizes é linearmente dependente, enquanto que a seguinte matriz é um conjunto linearmente independente. A11 = , A12 = , A13 = , A21 = , A22 = , A23 = 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 Espaços vetoriais: dependência e independência linear14 No exemplo a seguir, coloque em prática a propriedade que: dados B = {u1, u2, ..., um} e v ∈ E tal que B é linearmente independente e v ∉ ger(B), então B ∪ {v} = {u1, u2, ..., um, v} é linearmente independente. Em P3, o conjunto dos polinômios de grau menor ou igual a 3 de coeficientes reais, considere o conjunto B1 = {u1 = –3x 2 + 4, u2 = 2x 2 – 1} e repare que esse é linearmente independente, pois u1 não é múltiplo de u2. Se tomarmos v ∈ P3, um polinômio de grau 1 qualquer, então, v ∉ ger(B1) e B2 = B1 ∪ {v} é linearmente independente. Podemos repetir esse processo mais uma vez, já que nenhum polinômio de grau 3 pode ser escrito como combinação dos vetores em B2. Se w é um polinômio de grau 3 qualquer, então, B3 = {u1, u2, v, w} é linearmente independente. ANTON, H.; RORRES, C. Álgebra linear: com aplicações. 10. ed. Porto Alegre: Bookman, 2012. Leituras recomendadas ANTON, H.; BIVENS, I.; DAVIS, S. Cálculo. 10. ed. Porto Alegre: Bookman, 2014. v. 1. LAY, D.; LAY, S.; MACDONALD, J. Álgebra linear e suas aplicações. 5. ed. Rio de Janeiro: LTC, 2018. Referência 15Espaços vetoriais: dependência e independência linear Dica do professor A generalização do conceito de espaço vetorial para conjuntos diferentes do Rn traz vários desafios no que compete à organização, interpretação e argumentação sobre a independência linear (ou dependência) dos conjuntos de vetores desses espaços mais gerais. Nesta Dica do Professor, veja como verificar a definição de independência linear para um conjunto de polinômios usando as estratégias e ferramentas que conhecemos do Rn. Você ainda poderá ver algumas estratégias e sutilezas do processo. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/722035c3914b4f216aa93d1db213f3f7 Saiba + Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professor: Cálculo III – E.D.O. Linear de 2ª Ordem; Wronskiano – Parte 1 No vídeo a seguir, a Profa. Dra. Ketty Abaroa de Rezende (UNICAMP) calcula o wronskiano de soluções particulares de equações diferenciais lineares relacionando essa classe das equações diferenciais ao conceito de transformação linear. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Soluções por séries e funções especiais Neste link, o Mestre Wilkson Linhares Teodoro, sob orientação do Prof. Dr. Marcelo Ferreira de Melo (UFC), mostra, em sua dissertação de mestrado, alguns problemas de relevância da Física e da Engenharia que têm sua solução construída por meio de funções linearmente independentes. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Equações diferenciais autônomas e aplicações Neste link, o Mestre Éverton de Toledo Hanser, sob orientação da Profa. Dra. Marta Cilene Gadotti (IGCE – UNESP), mostra, em sua dissertação de mestrado, outros problemas de relevância da Física e da Engenharia, que vão desde o pêndulo simples até o problema do controle biológico da broca da cana-de-açúcar. É interessante observar, neste link e no anterior, que, apesar da diferença dos problemas e do grau de dificuldade deles, ambos usam a mesma estrutura linear de construção de soluções linearmente independentes. https://www.youtube.com/embed/2MxBPMOu69Y http://www.repositorio.ufc.br/bitstream/riufc/22446/3/2017_dis_wlteodoro.pdf Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Lista de exercícios Para aprender Espaços Vetoriais: Dependência e Independência Linear, é importanteque você treine fazendo diversos exercícios. Para tanto, baixe a lista de exercícios a seguir e resolva as questões. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. https://repositorio.unesp.br/bitstream/handle/11449/140271/hanser_et_me_rcla.pdf http://publica.sagah.com.br/publicador/objects/attachment/363736350/ExercciosExtras1.pdf?v=1333513802
Compartilhar