Sei sulla pagina 1di 205

˜

UNIVERSIDADE DE S AO PAULO

Instituto de Ciˆencias Matem´aticas e de Computa¸c˜ao

Departamento de Matem´atica Aplicada e Estat´ıstica

Introduc¸ao˜

a

Equac¸oes˜

´

Algebra Linear e

Diferenciais

Luiz A. C. Ladeira

˜

S AO CARLOS - SP

2010

Sum´ario

1 No¸c˜oes preliminares

 

5

1.1 Espa¸co euclidiano ndimensional

 

5

1.2 Matrizes

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

12

1.3 Sistemas lineares

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

17

1.4 Determinante

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

24

1.5 N´umeros complexos

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

27

2 Equa¸c˜oes de primeira ordem

 

41

2.1 Introdu¸c˜ao

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

41

2.2 Defini¸c˜oes

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

44

2.3 Equa¸c˜oes separ´aveis

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

2.4 Equa¸c˜ao linear de primeira ordem

.

.

.

.

.

.

.

.

.

.

.

.

.

50

2.5 Equa¸c˜oes diferenciais exatas

 

59

3 Espa¸cos vetoriais

 

67

3.1 Defini¸c˜ao e exemplos

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

67

3.2 Subespa¸cos vetoriais

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

71

3.3 Combina¸c˜oes lineares .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

74

3.4 Dependˆencia linear

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

79

3.5 Base e dimens˜ao

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

84

3.6 Dependˆencia linear de fun¸c˜oes

 

90

3.7 Bases ortogonais em R n

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

92

3.8 Exerc´ıcios

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

95

4 Equa¸c˜oes diferenciais lineares

 

97

4.1 Fatos gerais sobre equa¸c˜oes lineares

 

97

4.2 M´etodo de redu¸c˜ao da ordem

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 100

3

 

´

4

SUM ARIO

 

4.3 Equa¸c˜ao homogˆenea com coeficientes constantes

 

102

4.4 Equa¸c˜ao n˜ao homogˆenea .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 109

4.5 M´etodo dos coeficientes a determinar

 

110

4.6 M´etodo de varia¸c˜ao dos parˆametros

121

4.7 Equa¸c˜oes de ordem superior

 

124

5

Transforma¸c˜oes lineares

 

131

5.1 Transforma¸c˜oes

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 131

5.2 Transforma¸c˜oes lineares

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 133

5.3 N´ucleo e imagem

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 139

5.4 Autovalores e autovetores

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 143

6

Sistemas de equa¸c˜oes diferenciais lineares

 

153

6.1 Introdu¸c˜ao

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 153

6.2 Fatos gerais sobre sistemas lineares

 

156

6.3 Sistema homogˆeneo

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 160

6.4 Sistema n˜ao homogˆeneo

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 170

6.5 M´etodo dos coeficientes a determinar

 

170

6.6 F´ormula de varia¸c˜ao das constantes

177

7

Transformada de Laplace

 

183

7.1 Defini¸c˜ao e propriedades

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 183

7.2 Transformada inversa

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 188

7.3 Aplica¸c˜oes a equa¸c˜oes diferenciais

 

191

8

Algumas respostas

 

199

Cap´ıtulo 1

No¸c˜oes preliminares

Neste cap´ıtulo reunimos fatos b´asicos sobre vetores, matrizes, sistemas de equa¸c˜oes lineares e n´umeros complexos, que ser˜ao usados nos cap´ıtulos seguintes. Assumiremos conhecido o conjunto R dos n´umeros reais e suas propriedades alg´ebricas elementares: suas opera¸c˜oes de adi¸c˜ao e multiplica¸c˜ao s˜ao associati- vas, comutativas, tˆem elemento neutro, cada n´umero tem seu oposto aditivo e cada n´umero n˜ao nulo tem seu inverso multiplicativo.

1.1 Espa¸co euclidiano ndimensional

As no¸c˜oes de par ordenado (x, y) e terna ordenada (x, y, z) de n´umeros

, x n ),

que ´e uma sucess˜ao ordenada de n n´umeros reais. Denotaremos as

nuplas por letras em negrito.

n´umeros x 1 ,

reais tˆem uma extens˜ao natural ao conceito de n-upla (x 1 ,

Se x

=

(x 1 ,

, x n ), cada um dos

,

x n = y n .

, x n ´e chamado uma componente (ou coordenada) de

x. Duas nuplas (x 1 ,

(x 1 ,

conjunto de todas nuplas de n´umeros reais ´e denotado por R n , isto ´e,

O

, y n ) s˜ao ditas iguais (indicamos

, x n ) e (y 1 ,

,

x n ) = (y 1 ,

,

y n )) se e somente se x 1 = y 1 ,

R n = {(x 1 ,

, x n ) :

x k R,

k = 1 ,

, n}.

Recordemos da Geometria Anal´ıtica que R 3 pode ser identificado com o conjunto V 3 dos vetores geom´etricos (definidos pelos segmentos orien- tados) por meio da correspondˆencia que a cada v = a i + b j + c k de V 3 associa a terna (a, b, c) R 3 :

a i + b j + c k V 3

←→

5

(a, b, c) R 3 .

(1.1)

6

Cap. 1

No¸c˜oes preliminares

´

E claro que ao vetor i corresponde a terna e 1 = (1, 0, 0), ao vetor j

corresponde a terna e 2 = (0, 1, 0) e a k corresponde e 3 m´odulo (ou comprimento) do vetor v ´e v = (a 2

A correspondˆencia (1.1) ´e importante, pois permite caracterizar ele-

mentos geom´etricos, tais como reta, plano, etc, em termos de equa¸c˜oes alg´ebricas.

= (0, 0, 1). O + b 2 + c 2 ) 1/2 .

x

z c k ✻ ✟ ✟ ✟ ✟ ✟ ✟ ✟✯ v b j ✲
z
c k ✻
✟ ✟ ✟ ✟ ✟ ✟ ✟✯
v
b j
y
a i
✢✡✡
Figura 1.1

Por conta desta identifica¸c˜ao, vamos escrever (com um pequeno abuso

de nota¸c˜ao) v = (a , b , c) e chamar ternas ordenadas de vetores. Por ex-

tens˜ao, as nuplas tamb´em s˜ao chamadas de vetores; neste contexto,

os

n´umeros reais ser˜ao chamados escalares. Lembremos tamb´em que,

se

α R, temos α v = α a i + α b j + α c k, ou seja,

ao vetor α v as-

sociamos a terna (α a, α b, α c). Da mesma maneira, se (a 1 , b 1 , c 1 ) e

(a 2 , b 2 , c 2 ) forem as ternas associadas aos vetores w 1 e w 2 , respectiva-

mente

(ou seja, w 1 = a 1 i + b 1 j + c 1 k e w 2 = a 2 i + b 2 j + c 2 k), ent˜ao

temos

w 1 + w 2 = (a 1 + a 2 )i + (b 1 + b 2 )j + (c 1 + c 2 ) k; assim, ao vetor

w 1 + w 2 fica associado a terna (a 1 + a 2 , b 1 + b 2 , c 1 + c 2 ).

Essas observa¸c˜oes mostram a importˆancia de se definir adi¸c˜ao de

ternas e multiplica¸c˜ao de ternas por n´umeros reais: dadas as ternas

(a 1 , b 1 , c 1 ), (a 2 , b 2 , c 2 ) e o n´umero

real α, definimos:

(a 1 , b 1 ,

α (a 1 , b 1 , c 1 ) = (α a 1 , α b 1 , α c 1 )

c 1 ) + (a 2 , b 2 , c 2 ) = (a 1 + a 2 , b 1 + b 2 , c 1 + c 2 )

Pode-se mostrar que, quaisquer que sejam α , β R, temos:

u, v, w

R 3

e

O espa¸co euclidiano

7

A1) (u + v) + w = u + (v + w) A2) u + v = v + u A3) se 0 designa a terna (0, 0, 0), ent˜ao u + 0 = u,

u R 3 .

A4) para qualquer u = (a, b, c) R 3 , a terna v = (a, b, c) satisfaz u + v = 0 M1) α (β u) = (α β) u

M2) (α + β) u = α u + β u

M3) α (u + v) = α u + α v M4) 1 u = u.

As opera¸c˜oes acima estendem-se de modo natural ao R n .

Dados

u

= (a 1 ,

, a n ) e v = (b 1 ,

, b n ) em R n e α R, definimos a soma

u

+ v e o produto por escalar α u por

u

+ v

= (a 1 ,

, a n ) + (b 1 ,

, b n )

= (a 1 + b 1 ,

, a n + b n )

(1.2)

α u = α (a 1 ,

, a n ) = (α a 1 ,

, α a n )

(1.3)

Como no caso das ternas ordenadas, pode-se verificar que em R n est˜ao satisfeitas as propriedades A1) a A4) e M1) a M4). Por estarem satisfeitas estas propriedades, dizemos que R n ´e um espa¸co vetorial. A igualdade (1.2) define a soma de dois vetores. Para somar trˆes vetores u, v e w, podemos considerar as combina¸c˜oes u + (v + w) e (u+v)+w. A propriedade associativa afirma que estes vetores s˜ao iguais. Por causa desta propriedade, vamos omitir os parˆenteses. Mais geral-

, α p ,

mente, dados p vetores u 1 , u 2 podemos definir o vetor

α 1 u 1 + α 2 u 2 + ··· + α p u p ,

, u p . Por exemplo,

que chamaremos combina¸c˜ao linear de u 1 , u 2

R 4 ´e combina¸c˜ao linear de (6, 3, 1, 7), (3, 2, 1, 2) e

o vetor (3, 1, 0, 5) de (0, 2, 2, 8) pois

, u p e p n´umeros reais α 1 , α 2 ,

1 · (6, 3, 1, 7) +

(1) · (3, 2, 1, 2) + 0 · (0, 2, 2, 8) = (3, 1, 0, 5).

J´a o vetor (6, 1, 0) de R 3 n˜ao ´e combina¸c˜ao linear de (6, 0, 0), (3, 6, 4) e

(5, 9, 6); de fato, se (6, 1, 0) fosse combina¸c˜ao linear de (6, 0, 0), (3, 6, 4)

e (5, 9, 6) existiriam n´umeros x, y, z tais que

x (6, 0, 0) + y (3, 6, 4) + z (5, 9, 6) = (6, 1, 0) ,

8

Cap. 1

No¸c˜oes preliminares

ou seja,

(6 x + 3 y

+ 5 z, 6 y + 9 z, 4 y + 6 z) = (6, 1, 0).

Desta igualdade vemos que x, y, z deveriam satisfazer o sistema de equa¸c˜oes

  6 x + 3 y + 5 z = 6

6 y + 9 z = 1

6 z = 0

4 y +

(1)

(2)

(3)

As equa¸c˜oes (2) e (3) mostram que n˜ao existem tais n´umeros x, y, z. Logo, (6, 1, 0) n˜ao ´e combina¸c˜ao linear de (6, 0, 0), (3, 6, 4) e (5, 9, 6).

Exemplo 1.1. Mostrar que todo vetor x = (x 1 ,

, x n ) se escreve, de

modo unico,´

como combina¸c˜ao linear dos vetores

e 1 = (1, 0,

, 0),

e 2 = (0, 1,

, 0),

,

e n = (0, 0,

, 1)

(Por causa desta propriedade, diremos que os vetores e 1 , e 2 , mam uma base de R n , chamada base canˆonica de R n ).

Podemos escrever

(x 1 ,

,

x n ) = (x 1 , 0,

, 0) + · · · + (0 ,

,

x n ) =

= x 1 (1 , 0,

= x 1 e 1 + ··· + x n e n .

, 0) + · · · + x n (0, 0,

, 1) =

, e n for-

Logo, x ´e combina¸c˜ao linear de e 1 ,

maneira de escrever x como combina¸c˜ao linear de e 1 ,

mos que x tamb´em se escreva como x = t 1 e 1 + ··· + t n e n . Ent˜ao

, e n . Para ver que esta ´e a unica´

, e n , suponha-

(x 1 ,

,

x n ) =

x = t 1 e 1 + ··· + t n e n =

= t 1 (1 , 0,

= (t 1 ,

, 0) + · · · + t n (0, 0,

,

t n ).

, 1) =

Logo, t 1 = x 1 ,

Exerc´ıcio 1.1. Determine se v ´e combina¸c˜ao linear de u 1 , u 2 e u 3 , sendo:

(a)

(b)

(c)

(d)

,

t n = x n .

v = (2, 5, 1), u 1 = (1, 0, 0) , u 2 = (0, 1, 1) e u 3 = (1, 1, 1);

v

= (2, 3, 1),

u 1 = (1, 0, 0) ,

v = (1, 1, 2), u 1 = (1, 1, 1) ,

u 2

= (0, 1, 1) e

u 2 = (1, 1, 0) e

u 3 = (1, 1, 1); u 3 = (0, 0, 1);

v = (1, 1, 4),

u 1 = (1, 1, 1) , u 2 = (1, 1, 0) e u 3 = (0, 0, 1);

O espa¸co euclidiano

9

Al´em das opera¸c˜oes de adi¸c˜ao de nupla e multiplica¸c˜ao de nupla por n´umero real, podemos definir em R n o chamado produto interno de nuplas, que estende a no¸c˜ao de produto escalar visto nos cursos de F´ısica e Geometria Anal´ıtica. Lembremos que o produto escalar dos vetores (n˜ao nulos) u e v, de m´odulos u e v , respectivamente, que formam entre si um ˆangulo θ ´e definido por

´

u · v = u v cos θ.

(1.4)

E conveniente escrever o produto escalar em termos das componentes dos vetores u = (a, b, c) e v = (x, y, z). Aplicando a lei dos cossenos ao triˆangulo cujos lados s˜ao u, v e u v (Figura 1.2), temos

u v 2 = u 2 + v 2 2 u v cos θ .

(1.5)

✡ ✡ ✣✡ ❍ ❍ ❍ ❍ ❍ ❍ ✲ ❍❥

v

u v

θ

u

Figura 1.2

= x 2 + y 2 + z 2 ,

uv 2 = (xa) 2 +(yb) 2 +(zc) 2 = u 2 + v 2 2(a x+b y+c z) e u v cos θ = u · v, obtemos

Substituindo em (1.5):

u 2

= a 2 + b 2 + c 2 ,

v 2

(1.6)

Uma vantagem da igualdade (1.6) em rela¸c˜ao a (1.4) ´e que ela (a rela¸c˜ao (1.6)) n˜ao depende do apelo geom´etrico e portanto permite es- tender a R n , com n 4, esta no¸c˜ao de produto escalar, que chamaremos produto interno.

definimos o pro-

u · v = a x + b y + c z

v = (y 1 ,

duto interno de u e v, denotado por u · v (ou u, v ), como sendo

Dados u = (x 1 ,

,

x n ),

,

y n ) R n ,

u · v = x 1 y 1 +

+ x n y n

(1.7)

(notemos que o produto interno de dois vetores de R n ´e um n´umero real). O espa¸co vetorial R n , munido do produto interno, ´e chamado espa¸co

10

Cap. 1

No¸c˜oes preliminares

´

euclidiano.

de um vetor u como sendo u = u · u. seguintes propriedades

E f´acil ver que u · u > 0,

u

= 0. Definimos a norma

O produto interno tem as

u · v

= v · u

(1.8)

(u + α w) · v = u · v + α (w · v)

(1.9)

Exemplo 1.2. Se u = (1, 3, 0), v = (3, 1, 5), w = (3, 1, 2), ent˜ao

u · v = 3(1) + 3(1) = 3 3 e v · w =

3(3) + 1(1) + 5 · 2 = 0 .

Existe uma importante desigualdade relacionando norma e produto interno, conhecida como desigualdade de Cauchy-Schwarz

u · v u v .

Se v = 0, temos u, v = 0, e a desigualdade (1.10) ´e trivial. Para

(1.10)

u = 2,

v = 35,

mostrar esta desigualdade quando v

t R, temos u + t v 0. Usando as propriedades (1.8) e (1.9), temos

0 u + t v 2 = (u + t v) · (u + t v) = u · u + 2 t u · v + t 2 v · v = = u 2 + 2 t u · v + t 2 v 2

donde

(1.11)

O primeiro membro desta desigualdade ´e uma fun¸c˜ao quadr´atica em t.

Para que esta fun¸c˜ao quadr´atica seja sempre n˜ao negativa, seu discrimi- nante n˜ao pode ser positivo, isto ´e,

v 2 t 2 + 2(u · v) t + u 2 0 .

= 0, notemos que, para qualquer

 

4(u · v) 2 4 v 2 u 2 0 .

(1.12)

A

desigualdade (1.12) implica (1.10).

Dois vetores u, v R n s˜ao ditos ortogonais quando u · v = 0. Por exemplo, os vetores u = (1, 0, 9, 6) e v = (0, 1, 2, 3) s˜ao ortogonais, pois u · v = 1 × 0 + 0 × (1) + 9 × 2 + (6) × 3 = 0. Um conjunto de

vetores {u 1 ,

, u m } ´e dito um conjunto ortogonal se os seus vetores

s˜ao dois a dois ortogonais, isto ´e, u i ·u j = 0, quaisquer que sejam i, j com

= j; se, al´em disso, u 1 = ··· = u m = 1, dizemos

1 i, j m e i

, e n } ´e um

que esse conjunto ´e ortonormal. A base canˆonica {e 1 , conjunto ortonormal em R n .

O espa¸co euclidiano

11

Exemplo 1.3. Encontrar todos os vetores de R 2 que s˜ao ortogonais a

v = (2, 1).

Procuramos os vetores u = (x, y) tais que u · v = 0, isto ´e, 2 x y = 0. Logo, u = (x, 2 x). Notemos que y = 2 x ´e a equa¸c˜ao da reta que passa pela origem e tem v como vetor normal. (Figura 1.3).

Exemplo 1.4. Encontrar todos os vetores de R 3 que s˜ao ortogonais a

n = (2, 1, 0).

Procuramos os vetores u = (x, y, z) tais que u · n = 0, ou seja, y = 2 x.

Logo, u = (x, 2 x, z) =

+ z (0, 0, 1). Notemos que y = 2 x

´e equa¸c˜ao do plano que cont´em a origem e tem n como vetor normal

x (2, 1, 0)

(Figura 1.4). z ✻ y ✻ y = 2 x ✲ y ✲ x ❍
(Figura 1.4).
z
y
y = 2 x
y ✲
x
❍ ❍ ❍❥
v
y = 2 x
x
Figura 1.3
Figura 1.4

Exemplo 1.5. Encontrar todos os vetores de R 3 que s˜ao ortogonais a

v = (2, 1, 1) e w = (0, 1, 1).

Procuramos os vetores u ou seja, 2 x + y + z = 0

tiramos y = z; substituindo na anterior, obtemos x = y. Portanto

u = (y, y, y) = y(1, 1, 1).

Exerc´ıcio 1.2. (a) Encontre x de modo que os vetores u = (3, 5, x) e

v = (4, 2, 4) sejam ortogonais.

= (x, y, z) tais que u · v = 0 e u · w = 0,

e y z = 0.

Da ultima´

destas igualdades,

12

Cap. 1

No¸c˜oes preliminares

(b) Encontre x e y de modo que {(3, x, 2), (4, 2, 1), (1, 11, y)} seja um

conjunto ortogonal.

Exerc´ıcio 1.3. Determine quais dos conjuntos abaixo s˜ao ortogonais:

(a)

{(2, 3), (6, 4)}

(b)

{(0, 2, 3), (1, 6, 4), (1, 1, 1), (1, 3, 1)}

(c)

{(1, 1, 1, 1), (1, 1, 1, 1), (0, 0, 1, 0), (0, 0, 0, 1)}

(d)

{(2, 1, 1, 1), (1, 1, 3, 0), (1, 1, 0, 1), (2, 1, 1, 1)}.

Exerc´ıcio

1.4. Prove a desigualdade

u

+ v

u

+

v

(conhecida como desigualdade triangular).

Exerc´ıcio 1.5. Prove que:

u + v 2 + u v 2 = 2( u 2 + v 2 ) e

u + v 2 u v 2 = 4u · v.

Exerc´ıcio 1.6. Prove o Teorema de Pit´agoras em R n : os vetores u, v s˜ao ortogonais se e somente se u + v 2 = u 2 + v 2 .

Exerc´ıcio 1.7. Sejam u, v R n . Mostre que u e v s˜ao ortogonais se e somente se u + v = u v .

1.2

Matrizes

Sejam m, n 1 n´umeros inteiros. Uma matriz de ordem m × n ´e um arranjo de m n n´umeros distribu´ıdos em m linhas e n colunas, do seguinte modo:

a

a

11

21

.

.

.

a m1

a

a

12

22

.

.

.

a m2

.

.

.

.

.

.

.

.

.

.

.

.

a

a

1n

2n

.

a mn

Denotaremos esta matriz por A = (a ij ). Cada n´umero a ij chama-se um elemento (ou entrada) da matriz: i indica a linha e j a coluna onde se localiza a ij . Duas matrizes de mesma ordem A = (a ij ) e B = (b ij ) s˜ao ditas iguais quando seus elementos correspondentes s˜ao iguais, isto ´e, a ij = b ij , i, j.

Exemplo 1.6.

3

0

2

x

0

0

=

2

y

1

0

z

0

⇐⇒

= 1

x

  = 0

= 3

y

z

Matrizes

13

Denotaremos por M m×n (R) o conjunto das matrizes de ordem m × n de n´umeros reais; quando m = n, denotaremos tal conjunto por M n (R); neste caso, cada elemento de M n (R) ´e dito uma matriz quadrada de ordem n. A matriz O M m×n cujos elementos s˜ao todos iguais a zero ´e chamada matriz nula. Uma matriz com m linhas e 1 coluna ´e chamada matriz coluna e uma matriz com 1 linha e n colunas ´e chamada matriz linha.

Exemplo 1.7. Se A = [ 1

2

1

3 ],

B = 7 0 e

3

C = 1

9

2

4

,

ent˜ao A ´e matriz linha, B ´e matriz coluna e C ´e matriz quadrada de ordem 2.

Existe uma correspondˆencia natural entre matrizes 1 × m e vetores

de R m . A cada vetor x =

linha X = [ x 1 ··· x m ] e reciprocamente, a cada matriz m × 1, X, associamos um vetor x como acima. Da mesma maneira, existe uma correspondˆencia natural entre matrizes colunas m × 1 e vetores de R m .

, x m ) de R m associamos a matriz

( x 1 ,

Sempre que for conveniente, identificaremos vetores de R m com matrizes linhas ou matrizes colunas, por meio das correspondˆencias

x = (x 1 ,

,

x m )

←→

x

.

.

.

1

x

m

←→

[ x 1

···

x m ] .

(1.13)

, a nn cons-

tituem a diagonal principal de A. Uma matriz quadrada (a i j ) chama-

se matriz diagonal quando a i j = 0, i = j, isto ´e, todo elemento fora