Escolar Documentos
Profissional Documentos
Cultura Documentos
Apuntes de
MAT022 - Complementos
3a vs. 1 sem.2014
Prefacio
Estimados alumnos:
Este texto, en su segunda versin en formato de libro, es el resultado del esfuerzo de muchos colegas del Departamento de Matemtica de la Universidad Tcnica Federico Santa Mara, que a lo
largo del tiempo han dictado este curso. Las diferentes secciones incorporan apuntes de profesores
del Campus Santiago, especialmente de Juan Bahamodes, Nelson Cifuentes, Roberto Geraldo,
Leonel Guerrero y Erick Inda. En esta versin, stos han sido editados por quien suscribe, para
que su estructura incorpore no solo los contenidos que se espera conozcan en profundidad, sino
que tambin varios ejercicios resueltos y propuestos, que esperamos resuelvan con entusiasmo,
para lograr mejores aprendizajes. Hemos optado tambin por incluir muchas demostraciones de
los teoremas que vern en clases. No es el objetivo que todos ellos sean vistos en clases. Ms bien,
esperamos que los alumnos interesados, tengan la posibilidad de profundizar en la aprehensin
de los conceptos involucrados, y de comprender cmo se realiza la construccin del conocimiento
matemtico. Esperamos que esta primera versin, an preliminar, les sea de utilidad, y que cualquier error que encuentren (por cierto, involuntario), sea informado al mail indicado abajo.
El apunte est estructurado y ordenado en la forma de clases correlativas, estimando el tiempo
necesario para tratar los temas que comprende el programa, clase a clase. Esto no los debe llevar a
equvocos: el nmero total de clases en un semestre es superior al nmero de clases que aparecen
en este texto. Esto se debe a que no se incluyeron aqu, de manera numerada, las clases de ejercicios
que se intercalan en algunos momentos, de acuerdo al calendario de certmenes de cada semestre,
las eventuales falencias detectadas y a las necesidades especficas que cada curso determine.
Es importante que tengan presente que este apunte no reemplaza las clases. Para lograr un buen
aprendizaje de los conceptos e ideas que considera este curso, es fundamental que asistan a clases,
participen activamente en ella, estudien de manera metdica, ojal estructurando un horario de
estudio diario, preparndose siempre para su prxima clase y que planteen a sus profesores cualquier duda conceptual que les surja. Si sus dudas aparecen cuando estn resolviendo un problema,
revisen los apuntes (stos y los personales de clases), ya que es posible que hay algn concepto que
no han comprendido cabalmente, reintente, aplique muchas alternativas de solucin e intercambie
I
P REFACIO
opiniones y mtodos con sus compaeros. Esta forma de estudiar les entregar una comprensin
ms profunda de las ideas y conceptos que estudiaremos en este curso y, por cierto, tendrn un
aprendizaje de calidad.
Desendoles la mejor experiencia de aprendizaje y que su trabajo sistemtico rinda los frutos que
esperan, los invita a iniciar esta aventura, muy cordialmente,
veronica.gruenberg@usm.cl
II
ndice general
Prefacio
ndice general
III
1. Matrices
1.1. CLASE 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. CLASE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
11
15
16
16
22
29
29
33
34
38
39
2. Vectores en Rn
43
43
44
45
46
48
R3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
53
III
NDICE GENERAL
2.2.1. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
54
2.2.3. Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
61
3. Espacios Vectoriales
63
63
68
73
78
83
4. Diagonalizacin
85
85
92
95
96
98
109
NDICE GENERAL
6. Series de Potencias
6.1. CLASE 22: Series de Potencias . . . . . . . . . . . . . . . . . . . . .
6.2. CLASE 23: Polinomios y Series de Taylor y MacLaurin . . . . . .
6.2.1. Polinomios de Taylor . . . . . . . . . . . . . . . . . . . . . .
6.2.2. Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . .
6.3. CLASE 24: Aplicaciones al Clculo de Integrales y Serie Binomial
6.4. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
145
145
152
152
153
155
157
NDICE GENERAL
VI
Captulo 1
Matrices
1.1.
CLASE 1
Muchos problemas del mundo real pueden ser modelados por sistemas de ecuaciones lineales.
Las matrices que definiremos a continuacin, son objetos matemticos muy tiles, que permiten
representar de manera sencilla estos sistemas y, ms an, una correcta manipulacin de estas representaciones permite resolver estos sistemas, como veremos ms adelante.
1.1.1.
DEFINICIN 1.1.1 Una matriz de orden n m (se lee n filas por m columnas) es un arreglo rectangular de nmeros, de la forma
C APTULO 1. M ATRICES
EJEMPLOS:
1. La matriz
A=
1 2
3 4
!
M22 (R)
En A, se tiene que
a12 = 2
En B, se tiene que
b13 = 1 i
y la matriz
B=
1 2 1i
i 0 3
!
M23 (C).
a21 = 3.
y
b21 = i.
2 3 4
12 11
2
2 12
A=
32 12
42 12
12 22
22 22
32 22
42 22
12 32
22 32
32 32
42 32
12 42
0 3 8 15
22 42
0 5 12
=3
.
32 42
5
0
7
8
2
2
4 4
15 12 7
0
DEFINICIN 1.1.2 Una matriz de orden n 1 se llama matriz columna o vector columna, y tienen la
forma
a11
a21
.
.
.
an1
De manera similar, una matriz de orden 1 m se llama matriz fila o vector fila, y tiene la forma
a11 a12 a13 a1m
DEFINICIN 1.1.3 La matriz (aij )nm tal que aij = 0 para todo i, j se llama matriz nula de orden
n m y es denotada por [0]nm , es decir
[0]nm
0 0 0
0 0 0
.. .. . . ..
. .
. .
0 0 0
DEFINICIN 1.1.4 Las matrices de orden n n (igual nmero de filas y de columnas) se denominan matrices cuadradas de orden n. El conjunto de ellas, con entradas en los reales, se denota por
Mnn (R) o simplemente Mn (R). Anlogamente para el caso complejo.
2
1.1. CLASE 1
DEFINICIN 1.1.5 Sea A una matriz cuadrada A = (aij )nn . Los coeficientes aii para i = 1, 2, . . . , n
forman la llamada diagonal principal de la matriz. La diagonal secundaria de A son los elementos de
la forma ai,n+1i para i = 1, 2, . . . , n es decir
La diagonal principal de A :
a11
a22
..
.
ann
La diagonal secundaria de A :
a1n
an1,2
an1
DEFINICIN 1.1.6 Una matriz cuadrada en la cual los elementos fuera de la diagonal son todos
nulos se llama matriz diagonal (los elementos de la diagonal pueden tomar cualquier valor, es decir,
no necesariamente son distintos de cero).
a11 0
0 0
0 a22 0 0
..
0 a33
.
0
..
..
..
..
.
.
0
.
.
0
0 0 ann
Matriz diagonal:
Un tipo muy importante de matriz diagonal, es aquella que tiene todos los elementos de la
diagonal principal igual a 1, y se llama matriz identidad de orden n. Esta matriz es denotada por In .
EJEMPLOS:
I2 =
1 0
0 1
1 0 0
I3 = 0 1 0
0 0 1
I4 =
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
DEFINICIN 1.1.7 Si una matriz cuadrada de orden n es tal que todos los elementos que estn
sobre su diagonal principal son todos iguales a cero (no importan los dems) se denomina matriz
triangular inferior; de manera similar, una matriz triangular superior es aquella en la cual todos los
3
C APTULO 1. M ATRICES
elementos que se encuentran bajo la diagonal principal son todos igual a cero.
a11 0
0 0
..
a
.
0
21 a22 0
.
.
.
.
..
..
..
..
..
Matriz triangular inferior:
..
..
..
.
.
.
.
0
.
an1 an2 an3 ann
a1n
a2n
a3n
..
..
.
.
ann
llamaremos traza de A (denotado por tr(A) ) a la suma de los elementos de la diagonal principal,
es decir,
n
X
tr (A) = a11 + a22 + + ann =
aii
i=1
EJEMPLOS:
1. La traza de la matriz
2. La traza de la matriz
A=
!
1 2
4 1
es
An =
es
tr(A) = 1 + (1) = 0.
1 0 0
1 2 0
1 2 3
.. .. .. . .
.
. . .
1 2 3
tr(A) = 1 + 2 + + n =
n(n + 1)
.
2
0
0
0
..
.
n
1.1. CLASE 1
1.1.2.
DEFINICIN 1.1.9 (Igualdad de matrices) Diremos que dos matrices A y B son iguales si y solo si
son del mismo orden y adems aij = bij , i, j.
EJEMPLO 1.1.1 Encontrar los valores de las incgnitas si se tiene
!
!
x+1 0
3 a
=
x2
1
b c
a11 a12 a1m
b11 b12 b1m
a21 a22 a2m b21 b22 b2m
.
..
.. + ..
..
..
..
..
.
=
.
.
.
. .
.
.
.
an1 an2 anm
bn1 bn2 bnm
a12 + b12
a22 + b22
..
.
a1m + b1m
a2m + b2m
..
..
.
.
.
..
.. = ..
..
..
..
..
.
.
.
. .
.
.
..
an
a2n amn
!
!
1 2 1
1 1 2
EJEMPLOS: Si A =
y B=
, calcule a) A + B
0 2 3
3 1 1
!
!
!
1 2 1
1 1 2
0 3 1
a)
A+B =
+
=
0 2 3
3 1 1
3 3 4
!
!
!
1 2 1
1 1 2
4 7 9
b) A + 5B =
+5
=
0 2 3
3 1 1
15 7 8
OBSERVACIN:
b) A + 5B.
tr (A + B) = tr (A) + tr (B).
C APTULO 1. M ATRICES
EJERCICIOS:
1. Construir explcitamente la matriz definida por:
a) A = ij
23
i+j
X
b) A =
!
k
k=1
c) B = |i j|
32
35
d) C = (i + 1)(j 2)
33
!
2 1
+2
=
5 x
!
7 3
.
11 y
!
1 2
, 2A + 6B =
0 1
!
4 2
.
6 0
m
X
aik bkj
k=1
Es decir, para obtener el elemento cij del producto se fija la fila i de A y la columna j de B y se
forma el elemento anterior; se dice que el producto de matrices es filas por columnas.
..
..
..
..
..
.
.
.
.
.
an1 an2 an3 anm
b
b1j
11
b21 b2j
.
..
..
.
bm1 bmj
b1p
b2p
..
.
bmp
entonces el coeficiente cij se obtiene como cij = ai1 b1j + ai2 b2j + + aim bmp .
6
1.1. CLASE 1
1.1.3.
Sean A, B, C matrices (con rdenes tales que las operaciones consideradas pueden ser aplicadas) y sean , escalares. Entonces:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
A+B =B+A
(A + B) + C = A + (B + C)
A + [0] = A
A + (1) A = [0]
(A + B) = A + B
( + ) A = A + A
(A) = () A
1A=A
(AB) C = A (BC)
A (B + C) = AB + AC
(A + B) C = AC + BC
(AB) = (A) B = A (B)
A Mnm In A = A = AIm
OBSERVACIN:
1. Es muy importante notar que el producto matricial no es conmutativo; incluso uno de los
productos puede no estar definido. Si consideramos A M23 y B M34 entonces AB
est definida y tiene orden 2 4. Notar que BA no est definido.
Pero, incluso en el caso en que ambos productos puedan realizarse, no necesariamente son
iguales. Por ejemplo:
1 2
3 4
5 6
7 8
5 6
7 8
1 2
3 4
!
15+27 16+28
=
35+47 36+48
!
19 22
,
43 50
!
51+63 52+64
=
71+83 72+84
!
23 34
.
31 46
de donde
1 2
3 4
5 6
7 8
!
6=
5 6
7 8
1 2
3 4
C APTULO 1. M ATRICES
entonces
1 1
0 0
a b
c d
a+c b+d
0
0
1 1
1 1
que claramente no puede ser, pues observando la segunda fila, vemos que 0 6= 1.
3. En matrices no es verdad que AB = [0] implique A = [0] B = [0]. Veamos un par de
ejemplos:
!
!
!
0 1
0 1
0 0
=
0 0
0 0
0 0
2 1 1
0 0 0
1 1 1
1 2 1
= 0 0 0
1 1 1
1 1 1
1 1 2
0 0 0
EJEMPLOS:
1. Sea A = [aij ] M44 (R) tal que aij = 0 para i > j y aij = 1 si i j. Determine A2 .
Solucin:
0
A2 =
0
1
1
0
0
1
1
1
0
1
1
1
0
1
0
1
0
2. Considere la matriz
1
1
0
0
1
2
A = 12
0
0
1
1
1
= 0
1
0
1
0
1
1
1
0
2
1
0
0
3
2
1
0
3
.
2
0
1
2
0 12
A = 21 0
0 0
1
2
1
2
A2 = 21
0
0
0
1 2
2
A4 = A2 A2 = 0
0
0
1 2
2
0
0
1
0 2
1
0
2
1 2
0
2
0 0
1 2
0
2
1
2
0
0
1 2
0
2
0 = 0
1
0
2
0
1 2
2
0
1 2
2
1 4
0
2
0 = 0
1 2
0
2
0
1 2
2
0
1 4
2
0
1 4
2
1.1. CLASE 1
Conjetura:
1 2n
2
0
1 2n
0
1 2n
A2n = 0
0
n N
A2(n+1) = A2n A2 = 0
0
1 2n+2
2
0
0
1 2
0
2
0
0
2
1 2n
0
0
2
0
0
1 2n+2
0
2
1 2n+2
0
2
0
1 2n
1 2(n+1)
2
1 2(n+1)
2
1 2(n+1)
2
0
1 2
0
1 2
EJERCICIOS:
1 1 1
1. Considerar la matriz B = 0 1 1
0 0 1
2. Sean A =
1 1 2
0
3 4
!
,
B =
Calcular B 2 , B 3 , B 4 .
4
0 3
1 2
3
!
,
2 3
0 1
C = 5 1 4 2 ,
1
0
0 3
D = 1 .
3
Calcule A + B,
1 2 0
3. Sean A = 1 1 0 ,
1 4 0
3A 4B,
1 2
3
B = 1 1 1 ,
2 2
2
AC,
BD,
At ,
C tBt.
1 2
3
C = 1 1 1 .
1 1
1
C APTULO 1. M ATRICES
x 4 1
2 1 0
x
1 0 2 4 = 0
0 2 4
1
a b
c d
33
Indicacin: A = (aij )
1 0 1
7. Sea A = 0 0 0
1 0 1
B = (bij )
1 1 0
A = 0 1 1 .
0 0 1
Demostrar que
1 n
An =
0 1
0 0
!
cos sen
.
sen cos
10
2A2 + AB.
Encontrar
8. Sea
X2
2X =
1 0
6 3
#
.
n(n 1)
1 1
1 1
1.2. CLASE 2
1.2.
CLASE 2
1.2.1.
Matriz transpuesta
A = (aij )
A=
a11
a21
..
.
a12
a22
..
.
a1m
a2m
..
..
.
.
anm
a13
a23
..
.
AT =
a11
a12
a13
..
.
a21
a22
a23
..
.
..
.
an1
an2
an3
..
.
EJEMPLO 1.2.1 Si
A=
1 2 0
5 7 4
entonces
AT =
1 2 0
5 7 4
!T
nm
mn
1 5
= 2
7
0 4
PROPOSICIN 1.2.1 Sea K,n N,A y B matrices con rdenes apropiados para que las operaciones estn bien definidas; entonces:
1. AT
T
=A
2. (A + B)T = AT + B T
3. (A)T = AT
4. (AB)T = B T AT
5. (An )T = AT
n
, n N0
11
C APTULO 1. M ATRICES
DEFINICIN 1.2.2
A se dice simtrica si AT = A
A se dice antisimtrica si AT = A
1 0
3
A = 0 2 1 es simtrica, y la matriz
3 1 0
0
3 1
B = 3 0
2
1 2 0
es antisimtrica.
OBSERVACIN: Notar que para que una matriz A pueda ser simtrica o antisimtrica, sta debe
ser cuadrada, por el orden de las matrices involucradas.
1.2. CLASE 2
OBSERVACIN: De las proposiciones anteriores podemos deducir que toda matriz cuadrada se
puede descomponer en una parte simtrica y otra antisimtrica en la forma
A AT
A + AT
+
A=
2
2
Adems, esta descomposicin es nica.
PROPOSICIN 1.2.4 Si A es una matriz antisimtrica, su diagonal principal tiene solamente ceros.
En efecto: de AT + A = 0 se sigue que
aii + aii = 0
aii = 0
para cada i
Ejercicios Propuestos
1 0 1
1 2
1
1. Considere A = 1 0 1 , B = 0 3 y C = 1.
2 3 2
5 6
0
productos, si es posible:
a) C T B
b) C T C
c) CC T
d) BB T
e) C T AC
S=
0 1 0 0
0 0 1 0
0 0 0 1
.. .. .. ..
. . . .
0 0 0 0
0 0 0 0
. . ..
. .
1
0 nn
a) Determinar S n para n N
b) Si A es una matriz de orden n n encontrar una regla para calcular SA y AS.
13
C APTULO 1. M ATRICES
5. Estudie si existe una matriz con coeficientes reales A de orden 3 2 tal que AAT = I3 .
6. Determine si las siguientes afirmaciones son verdaderas o falsas; si es verdadera, demuestre
la afirmacin, y si es falsa, d un contraejemplo:
a) Si A2 est definido, entonces A es cuadrada.
b) Si AB y BA estn definidos, entonces A y B son cuadradas.
c) Si AB y BA estn definidos, entonces AB y BA son cuadradas.
d) (AB)2 = A2 B 2
7. Determine An , n N para las matrices
A1 =
!
a b
,
0 a
A2 =
c c
0 0
8. Se dice que una matriz A, cuadrada de orden n es nilpotente si, y solamente si, existe un
entero k > 0 talque Ak es la matriz cero. El mnimo entero positivo para el cual esto se
cumple es llamado grado de nilpotencia de A.
a) Demuestre que cada una de las siguientes matrices es nilpotente y encuentre su grado
de nilpotencia:
0 1 1
2
1
1
3
0 0
3 2
(a) A =
(b) A = 5
2
6
0 0
0
4
2 1 3
0 0
0
0
b) Encontrar todas las matrices de 2 2 nilpotentes, con grado de nilpotencia dos.
14
1.3.
CLASE 3: Ejercicios
X2 =
4 1
0 4
(
y
Determine X Y si X = (A 2B)T ,
1 0 0
0 1 0.
3 1 2
B = (bij ) =
3
i
si
|i j| es par
2 i si |i j| es impar
Y = A (2B)
4. Pruebe que si A es antisimtrica entonces los elementos de la diagonal principal son todos
igual a 0.
5. Es verdadero o falso que A AT = AT A? Justifique.
!
cos( 2
) sen( 2
)
k
k
6. Sea A =
, k Z+
2
sen( 2
)
cos(
)
k
k
Determine An , n N.
A qu es igual An si n = k?
n N.
15
C APTULO 1. M ATRICES
1.4.
DEFINICIN 1.4.1 En una matriz podemos realizar tres tipos de operaciones elementales por fila:
(1) Intercambiar (permutar) dos de sus filas.
(2) Multiplicar una fila (es decir cada coeficiente de la correspondiente fila) por una constante
distinta de cero.
(3) Sumar el mltiplo de una fila a otra fila
EJEMPLOS: Ejemplos de operaciones elementales:
Intercambio entre dos filas: las filas 1 y 3
2
0 1
7 6
9
4
3 5
4
3
5
7 6
9
2
0 1
Multiplicacin de una fila por un escalar: la fila 2, se multiplica por 3
4 0 1
4 0 1
3 15 12
9
5 4
2 8
9
2 8
9
Adicin del mltiplo de una fila a otra fila: Multiplicamos la fila 2 por 2 y se la sumamos a la
fila 3
1 0 1
1 0 1
2 1 0
2
1 0
5 8 5
3 8 9
1.4.1.
Matrices elementales
DEFINICIN 1.4.2 Una matriz elemental es una matriz que resulta al efectuar una operacin elemental sobre la matriz identidad In
Dado que existen tres tipos de operaciones elementales, existirn entonces tres tipos de matrices elementales; usaremos la notacin siguiente:
Eij : es la matriz elemental obtenida intercambiando (en la matriz identidad) la fila i con la
fila j.
Ei ():
Eij ():
16
1. E24
1
0
0
0
0
0
1
0
1
0
0
0
0
0 0
1
0 0
0 2 0
0
0 1
2. E3 (2) =
3. E31 (4) =
1
0
4
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
1
0
0
0
0
1
A=
1
2 1
0
2
5 6
4
3 1 0 5
0
2 3
4
Note que si multiplicamos esta matriz por la matriz elemental E24 por la izquierda, esto es,
efectuamos el producto E24 A, obtenemos la matriz
1 0 0 0
1
2 1
0
1
2 1
0
0 0 0 1 2
0
5 6
4
2 3
4
E24 A =
0 0 1 0 3 1 0 5 3 1 0 5
0 1 0 0
0
2 3
4
2
5 6
4
que es lo mismo que haber efectuado sobre la matriz A la operacin elemental, intercambiar la fila
2 con la fila 4.
Si efectuamos el producto E3 (2) A, obtenemos
1 0
0 0
1
2
0 1
0 0
5
2
E3 (2) A =
0 0 2 0 3 1
0 0
0 1
0
2
1
0
1 2 1 0
2 5 6 4
6
4
=
0 5
6 2 0 10
0 2 3 4
3
4
que es lo mismo que se obtiene al realizar sobre la matriz A la operacin elemental, la fila 3 la
multiplicamos por -2.
17
C APTULO 1. M ATRICES
1 0 0 0
1
2 1
0
1
2
1
0
0 1 0 0 2
2
5 6
4
5
6
4
E31 (4) A =
4 0 1 0 3 1 0 5 7 9 4 5
0 0 0 1
0
2 3
4
0
2
3
4
Se tiene al respecto el siguiente teorema.
TEOREMA 1.4.1 Sea E la matriz elemental obtenida al efectuar una operacin elemental por fila
sobre la matriz In . Si la misma operacin elemental se realiza sobre una matriz A de orden n m,
el resultado es el mismo que el del producto E A.
DEFINICIN 1.4.3 Diremos que las matrices A y B son equivalentes por filas si existe una sucesin de operaciones elementales por filas que convierte la matriz A en la matriz B. En tal caso
pondremos A B
Como hemos visto, realizar una operacin elemental sobre una matriz es equivalente a multiplicar por la izquierda esa matriz por una matriz elemental; para efectos de nuestros clculos
haremos directamente la operacin elemental sobre la correspondiente matriz, y la anotamos de la
manera que muestra el ejemplo siguiente:
EJEMPLO 1.4.2
1
0 1
1
0 1
1
0 1
1 0 1
E21 (2)
E31 (3)
E32 (1)
4
0 0
4 2 0
4 2 0 4 2
2
3 4
6
3 4
6
0 4
9
0 0
7
1
0 1
1 0 1
En cada fila distinta de cero, la primera entrada o coeficiente (contado desde la izquierda),
denominado pivote, se localiza en una columna a la izquierda de cualquier entrada principal
debajo de ella.
si adems se cumple:
Sus pivotes son todos iguales a 1
En cada fila el pivote es el nico elemento no nulo de su columna
decimos que la matriz se encuentra en forma escalonada reducida por filas.
1 2 4 5 2 9
1 2
0 0 2 6 0 1
0 0
A=
0 0 0 3 4 1 yB = 0 0
0 0 0 0 1 1
0 0
0
2
0
0
0
0
0
0
pero la matriz
C=
1
0
2
0
2
1
0
0
0
4
0
0
1 1 3
5 7 0
1 1 1
0 0 1
no es escalonada.
EJEMPLO 1.4.4 Las siguientes matrices estn en forma escalonada reducida:
1
1 0 0 12
1 2 0 0 0 58
3
2
9
1
3
0 0 1 0 0
0
1
0
2
4
4
, B =
A=
0 0 1 19 31
0 0 0 1 0
5
3
16
16
0 0 0 0 1 1
0 0 0 0
0
0
0
0
1
C APTULO 1. M ATRICES
aij0
akj0
la fila k.
2 0
3
1 3 6
0 6 15
2 0
3
1 3 6
1 3 6
1 3 6
E12
E21 (2)
E32 (1)
3 0 6 15 0 6 15
1 3 6 2 0
0 6 15
0 6 15
0 6 15
0 0
0
est es su forma escalonada.
OBSERVACIN: Claramente, el algoritmo de Gauss- Jordan permite llevar matrices a la forma escalonada reducida. Prosiga con el proceso en el ejemplo anterior, hasta llegar a la forma escalonada
reducida.
DEFINICIN 1.4.6 Sea A una matriz. Se denomina rango de la matriz A al nmero de filas no
nulas de la matriz escalonada equivalente a la matriz A original, obtenida, por ejemplo, mediante
el algoritmo de reduccin de Gauss. Se denota el rango de la matriz A por (A) o bien rango (A).
EJEMPLOS:
A=
1 2 3
4 1 0
2 1 1
0 0 0
3 1 2
2. Cules son todos los posibles rangos que puede tener una matriz 2 2? Y 3 2?
Ejercicios Propuestos
1. Determine A25 si
0 0 1
A = 0 1 0
1 0 0
1
A=
2
1 0
2 1
1 1
1 1
1 4
3
2
A= 2 2
1
1
1 2 2 1
1 4
3
2
B= 2 2
1
1
1 2 2 1
si
2 2
3 1
A= 3 1
1
0 .
k 1 2 1
A=
1
0
2
0
0
k2
0 k1 h+2
0
0
3
6. Hallar los valores de y de modo que el rango de la matriz A sea lo ms pequeo posible,
con
1
3 2 1 4
2 1
1
2 3
A=
1 2
3 4 3
3
0
3
3
3
2 3 3
21
C APTULO 1. M ATRICES
1.5.
=
=
..
.
b1
b2
..
.
a11
a21
A=
..
.
a12
a22
..
.
..
.
a1n
a2n
..
,
mn
x1
x2
X=
..
.
xn
n1
b1
b2
B=
..
.
bm
m1
22
1 2 0
A = 0 1 1 ,
1 0 2
x1
X = x2 ,
xe
4
B = 0
4
Sistemas Homogneos
Antes de estudiar los sistemas de ecuaciones lineales generales, consideremos en primer lugar
los sistemas homogneos, es decir, aquellos en que B = [0].
DEFINICIN 1.5.3 Sea A Mmn (R). El sistema AX = [0] se dice homogneo.
OBSERVACIN:
Sea AX = [0] un sistema homogneo.
Entonces:
Ei () Ei 1 = I,
Eij () Eij () = I
Luego, si E es una matriz formada por un producto de matrices elemetales entonces existe
una matriz E 1 (llamada matriz inversa de E) tal que
E 1 E = I
Como A C, existe una sucesin de matrices elementales E1 , E2 , . . . , Ek tales que
E1 E2 Ek A = C
Sea E = E1 E2 Ek . Luego, si X0 es tal que AX0 = 0 , entonces EAX0 = E0 = 0 de
donde CX0 = 0.
Recprocamente, si CX1 = 0 entonces E 1 CX1 = 0 de donde AX1 = 0.
Por lo tanto, los sistemas tienen las mismas soluciones.
23
C APTULO 1. M ATRICES
Sistemas no homogneos
Con el mismo mtodo de la seccin anterior es posible mostrar que si E (A) es la matriz escalonada equivalente por filas con A entonces los sistemas
E (A) X = EB
AX = B
tienen las mismas soluciones (E es la matriz formada por el producto de matrices elementales que
escalonan A). Claramente, el segundo sistema es mucho ms fcil de resolver.
EJEMPLO 1.5.2 Resolver
1 2 0
x
1
0 1 2 y = 2
0 0 2
z
3
Note que este sistema se puede escribir en la forma
x + 2y = 1
y + 2z = 2
2z = 3
De la ltima ecuacin obtenemos z = 32 ; reemplazamos este valor en la segunda ecuacin y
despejamos para obtener y = 1; finalmente reemplazamos en la primera ecuacin y obtenemos
x = 1.
Lo que hace que el sistema anterior sea fcil de resolver, es que pudimos ir reemplazando los
valores de las variables de manera sucesiva. Notamos que esto queda representado en la forma
matricial, en que la matriz de coeficientes A de la ecuacin es triangular superior. Esta simple
observacin nos entrega un mtodo para resolver sistemas, el que consiste en obtener el sistema
escalonado equivalente.
DEFINICIN 1.5.4 Sea A Mmn (R) y B Mm1 (R). Consideremos el sistema AX = B con
B 6= 0. Llamaremos matriz ampliada del sistema a la matriz
(A |B) =
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
b1
b2
..
.
1 2 0 4
0 1 1 0
1 0 2 4
La barra vertical solo nos ayuda a distinguir entre los coeficientes del sistema que se encuentran
a la izquierda del signo = y las constantes que se encuentran a la derecha.
Con esta notacin, aplicamos el mtodo de Gauss:
1 2 0 4
0 1 1 0
1 0 2 4
E31 (1)
1 2
0 4
0 1 1 0
0 2 2 0
E32 (2)
1 2 0 4
0 1 1 0
0 0 0 0
1 2 1
x
1
3 0 1 y = 2
1 1 2
z
0
1 2 1 1
(A, B) = 3 0 1 2
1 1 2 0
25
C APTULO 1. M ATRICES
1
1 2 1 1
1 2
1
3 0 1 2 0 6 2 1
1 1 2 0
0 0
2 12
y ahora resolvemos el sistema
1 2
1
x
1
0 6 2 y = 1
0 0
2
z
21
que tiene las mismas soluciones.
TEOREMA 1.5.1 Sea A Mmn (R) y B Mm1 (R):
1. El sistema AX = B es compatible si y solo si (A) = (A, B)
2. Sea AX = B un sistema compatible.
a) Si (A) = (A, B) = n (nmero de incgnitas) entonces el sistema tiene solucin nica.
b) Si (A) = (A, B) < n, entonces el sistema tiene infinitas soluciones.
OBSERVACIN: En lugar de aplicar el algoritmo de Gauss, podemos aplicar el algoritmo de GaussJordan (matriz escalonada reducida) para resolver un sistema equivalente ms simple.
Ejercicios propuestos
1. Usar el mtodo de Gauss -Jordan para resolver los sistemas:
2x + 3y + z =
1
a) 3x 2y 4z = 3
5x y z
=
4
26
2x y + 3z =
4
b) 3x + 2y z =
3
x + 3y 4z = 1
x+y+zw
2x + y + w
c)
3x + z + w
3x + 2y + z
=
=
=
=
2
5
1
3
11
7
75 z, y =
11
7 z
6
7
).
e)
x 3y + z = 1
x + y + 2z = 14
x
z = 0
b) 3x + y
= 1
x + y + z = 4
f)
x y = 1
3x 3y = 2
a)
c)
2x + 2y = 5
x 4y = 0
d)
x + y = 1
x + y = 2
4y + z
2x 2y + z
g)
x
+ z
x + y z
c)
= 20
= 0
= 5
= 10
x y = 1
3x 3y = k
4. Qu condiciones deben cumplir las constantes bi para que cada sistema tenga solucin nica?
x
3x
a)
x
2x
3y = b1
+ y = b2
+ 7y = b3
+ 4y = b4
x1 + 2x2 + 3x3 = b1
b) 2x1 + 5x2 + 3x3 = b2
x1
+ 8x3 = b3
5. Determine a, b, c R para que la grfica de f (x) = ax2 + bx + c pase por los puntos
(1, 2), (1, 6) y (2, 3).
6. Pruebe que si ad bc 6= 0, entonces
ax + by = j
cx + dy = k
7. Dados 4 nmeros positivos, se sabe que al seleccionar tres cualesquiera de ellos, determinar
su promedio y sumarle el cuarto nmero, se obtienen los nmeros 29, 23, 21 y 17. Cules
son los nmeros originales?
27
C APTULO 1. M ATRICES
8.
a) Resuelva el sistema
ax + y = a2
x + ay = 1
ax + y = a3
x + ay = 1
b) ninguna solucin
b) ninguna solucin
x y + (4a2 + 1)z = b
y + (3 a)z = 0
2x y + (7 a)z = 2
donde a y b R,
28
b) ninguna solucin
2
x
1
y
1
x
3
y
2z = 0
4
x
3
y
z = 1
z = 2
1.6.
DEFINICIN 1.6.1 Sea A una matriz cuadrada de orden n. Se dice que A es invertible si existe una
matriz cuadrada de orden n, que denotaremos por A1 tal que
AA1 = A1 A = In
OBSERVACIN:
Si una matriz es invertible, tambin se suele decir que es no singular.
Si la inversa de una matriz existe, es nica.
No todas las matrices son invertibles. Por ejemplo, si consideramos las matrices
!
!
1 3
2 2
B=
A=
1 1
1 1
entonces A es invertible y B no lo es. (Verificar directamente suponiendo la existencia y
resolviendo ecuaciones)
1
1
=A
= A1
T
1 1
A , para todo 6= 0
n
= A1
para todo entero no negativo n.
4. (A)1 =
5. (An )1
1.6.1.
C APTULO 1. M ATRICES
Dem. En efecto: si A es equivalente por filas a la matriz In , entonces existe una sucesin de
operaciones elementales que convierte a la matriz A en la matriz In ; esto quiere decir que existe
una sucesin de matrices elementales E1 , E2 , . . . , Ek tales que Ek Ek1 E2 E1 A = In . Si anotamos
B = Ek Ek1 E2 E1 , entonces BA = In , es decir B = A1 .
2
OBSERVACIN: En la prctica, el teorema anterior nos entrega un mtodo para calcular la inversa
de una matriz A: si A una matriz cuadrada de orden n , invertible, para calcular su inversa
procedemos como sigue:
Construmos una nueva matriz, denominada matriz aumentada, de la forma (A | In ). Sobre esta
matriz aumentada (que tiene orden n 2n), realizamos operaciones elementales hasta obtener
en el lado izquierdo de esta matriz aumentada (es decir en el lado donde est la matriz A), la
matriz identidad; al conclur este proceso, en el lado derecho de la matriz aumentada (es decir
en el lado donde originalmente se encontraba la matriz identidad), aparece la inversa A1 que
estamos buscando, es decir:
(A | In ) In | A1
2 1 1
2 1 1 1 0 0
1 2 0 0 1 0
0
1 2 0 0 1
2 1 1 1
1 2 0 0
0
1 2 0
1 2 0
E32
0 1 2
0 3 1
1 2
E23 (2)
0 1
0 0
30
1 2 0 0 1 0
1 2 0 0
0 0
E12
E21 (2)
1 0 2 1 1 1 0 0 0 3 1 1
0 1
0 1 2 0 0 1
0 1 2 0
0 1 0
1 2 0 0 1
0
1
E32 (3)
E3 ( 5 )
0 0 1 0 1
2 0 0
1
1 2 0
0 0 5 1 2 3
0 0
1 0 0 45 35 25
1
0
E12 (2)
0 25 45 51 0 1 0 25 45 15
1 15
2
5
3
5
0 0 1 15
2
5
3
5
1 0
2 0
0 1
1 2 0
0
0
1 2
0
0
0 1 15
1
0
2
5
1
3
5
Se sigue que
A1 =
Verifique que
4
5
2
5
35
45
15
2
5
25
15
3
5
AA1 = A1 A = I3 .
TEOREMA 1.6.2 Una matriz cuadrada A de orden n es invertible si, y solo si, (A) = n.
Ejercicios Propuestos
1. Sean A, B, C Mn (K) invertibles.
Demuestre que:
a) ABC es invertible
b) (ABC)1 = C 1 B 1 A1
2. Suponga que A3 = [0].
3.
1 1 1
0 0 1
A= 0 1 2 y B= 1 2 0
3 1 0
1 1 0
donde
1 2 0
2 3 1
1
1 5
31
C APTULO 1. M ATRICES
9. Calcular A1 si
A=
6
2
1
0
5
2
1
1 2
1
1
1
2 2
3
3
0
2
3 1
1 1 3
4
2
A=
a
0
b
0
0
a
0
b
b
0
a
0
0
b
0
a
32
1.7.
CLASE 7: Determinantes
2 4 1
2 4 1
A= 0 3 2
5 1 6
0 3
=
= 15
5 1
2 4 1
4 1
A = 0 3 2 obtenemos el menor M21 =
= 25
1 6
5 1 6
Calculemos los cofactores:
C13 = (1)1+3 M13 = (1)4 15 = 15,
DEFINICIN 1.7.2
que a cada matriz A le asocia el nmero real que denotamos por det(A). Tambin se usa la notacin det(A) = |A|.
La forma en la cual acta la funcin determinante en una matriz cuadrada de orden n es la
siguiente:
Para n = 1 :
det(a) = a
Para n = 2 :
a b
c d
det
!
= ad bc
33
C APTULO 1. M ATRICES
i+j
(1)
a
M
=
aij Cij , para 1 j n (con j fijo)
ij ij
i=1
i=1
det(A) =
n
n
X
X
i+j
(1)
a
M
=
aij Cij , para 1 i n (con i fijo)
ij ij
j=1
j=1
2 4 1
3
X
j=1
3 2
det(A) = 2
1 6
0 2
0 3
4
1
= 23
5 6
5 1
3
X
i=1
3 2
det(A) = 2
1 6
1.7.1.
4 1
4 1
0
5
= 23
1 6
3 2
!
1 2
, entonces el det(A) = 2. Si la primera fila de A se multiplica por
EJEMPLO 1.7.3 Sea A =
3 4
!
3 6
3, obtenemos B =
y det(B) = 6 = 3 det(A). Si la primera fila de A la multiplicamos por
3 4
!
1 2
-3 y se la sumamos a la segunda fila de A, obtenemos la matriz B =
y det(B) = 2 =
0 2
det(A).
EJEMPLO 1.7.4 Calculemos el siguiente determinante usando la propiedad 10
1 3 4 1 3
4
7
2 5 1 = 0 1
3
1
0
0 10 12
1
7
= 1 M11 =
10 12
= 58
DEFINICIN 1.7.3 La adjunta de una matriz A, denotada por adj(A), es definida por
adj(A) = C T
donde C = (Cij ) es la matriz de cofactores. Es decir, la matriz adjunta es la traspuesta de la matriz
de los cofactores.
!
!
a b
d c
EJEMPLO 1.7.5 Sea A =
. La matriz de cofactores es C =
. Por lo tanto,
c d
b a
adj(A) =
!
d b
c a
35
C APTULO 1. M ATRICES
2 3 1
5 14
4
5 2 15
adj(A) = 14 4
6
4 8 12
TEOREMA 1.7.1
A adj(A) = det(A) In
adj(A) A = det(A) In
1
adj(A)
det(A)
1
det(A)
a
b
c
c
a
b
c
d
a
a
a
a
a
b
b
b
a
b
c
c
a
b
c
d
a
a
a
a
1 ba
0 ba ba ba
= a (b a) 1 c a
=
0 ba ca ca
1 ca
0 ba ca da
1 ba ba
1
= a (b a) 0 c b c b = a (b a) (c b)
1
0 cb db
ba
ca
da
cb
db
= a (b a) (c b) (d b (c b)) = a (b a) (c b) (d c)
36
=0
xab a+b
b
c
xc
b
=
c
xc xac
1
a+b
b
=
x
0
0 xcab
0 xcab xacb
x a+b
b
b
= x xc
x xc xac
xcab
0
=
x
xcab xacb
= x (x (a + b + c))2
las soluciones son x = 0 y x = a + b + c.
EJERCICIOS: Muestre que
y1 + z1 z1 + x1 x1 + y1
y2 + z2 z2 + x2 x2 + y2
y3 + z3 z3 + x3 x3 + y3
x 1 y1 z1
= 2 x 2 y2 z2
x 3 y3 z3
Desarrollo:
y1 + z 1
y2 + z 2
y3 + z 3
y1
2 y2
y3
y1 x1 z1 + x1
= y2 x2 z2 + x2
y3 x2 z3 + x3
y1 z1 + x1 x1
x1 + y1
x2 + y2 = 2 y2 z2 + x2 x2
y3 z3 + x3 x3
x 3 + y3
x1 y1 z1
= 2 x2 y2 z2
x3 y3 z3
z1 + x1 x1 + y1
z2 + x2 x2 + y2
z3 + x3 x3 + y3
z 1 + x1
z 2 + x2
z 3 + x3
x1 + y1
x2 + y2 =
x3 + y3
y1 z1
= 2 y2 z2
y3 z3
2y1 z1 + x1
2y2 z2 + x2
2y3 z3 + x3
x1
x2 = 2
x3
x1 + y1
x 2 + y2
x 3 + y3
x1 z 1
x 2 z2
x 3 z3
=
y1
y2
y3
37
C APTULO 1. M ATRICES
1.7.2.
Regla de Cramer
= b1
= b2
..
.
a11 a12 a1n
x1
b1
A=
X=
B=
..
..
..
..
,
.. ,
..
.
.
.
.
.
.
an1 an2 ann
xn
bn
|A1 |
,
|A|
x2 =
|A2 |
,
|A|
x3 =
|A3 |
,
|A|
...
xn =
|An |
|A|
1
adj(A)B
det(A)
Solucin:
2 3 1
1
x1
2 1 x2 = 4
1
2 1 1
x3
3
x1 =
38
1
3 1
2 1
4
3 1 1
|A|
4
= 2,
2
x2 =
2 1 1
4 1
1
2 3 1
|A|
6
=3
2
2 3
1
2
4
1
2 1 3
x3 =
1.8.
|A|
8
=4
2
det(A At ) = 0.
b) A + At es simtrica.
c) A M22 (C) tal que A2 + A = I2 .
1 0 0
d) Si A = 0 a b , a =
6 0 b 6= 0
0 b a
A1 .
2. Determinar la relacin que deben cumplir a, b, c, d para que el siguiente sistema tenga infinitas soluciones:
x1 + ax2 + a2 x3 + a3 x4 = 0
x1 + bx2 + b2 x3 + b3 x4 = 0
x1 + cx2 + c2 x3 + c3 x4 = 0
x1 + dx2 + d2 x3 + d3 x4 = 0
3. Si
1 1 1
A = 1 0 1 ,
1 2 1
1 1 0
B = 0 1 0 ,
1 0 1
resolver
(X t + B t )t = A2 + BAB.
4 1 8
C APTULO 1. M ATRICES
6. Sea
0
A=
2
2
0
0
3
3
3
0
1
1
x + y +
z = 2
2
2
tenga
4x + y + 4z = 5
z = 1
3x y +
2
a) infinitas soluciones.
b) solucin nica.
c) solucin vaca.
3 2 1
= A2 , donde A = 4 1 1.
2
0
1
9. Sin usar la expansin de Laplace (ni en particular la regla mnemotcnica para determinantes
de matrices de 3 3) demuestre, usando slo propiedades, que
0
a b
a 0 c = 0 ,
b c 0
a, b, c R
40
11. Sea
1
0
0
a) Determine el (los) valor (es) para tales que I3 + A() no sea invertible.
0 0 0
41
C APTULO 1. M ATRICES
42
Captulo 2
Vectores en Rn
2.1.
A partir de la representacin de R como una recta numrica, los elementos o puntos del plano
(a, b) R R = R2 se asocian con puntos de un plano definido por dos rectas perpendiculares,
cada una representando una recta real, que al mismo tiempo definen un sistema de coordenadas
rectangulares, donde la interseccn representa a (0, 0) y cada par ordenado (a, b) se asocia con un
punto de coordenada a en la recta horizontal (eje de las abcisas o eje X) y la coordenada b en la
recta vertical (eje de las ordenadas o eje Y).
Analgamente, los elementos (a, b, c) R R R = R3 se asocian con puntos en el espacio
tridimensional definido con tres rectas mutuamente perpendiculares. Estas rectas forman los ejes
del sistema de coordenadas rectangulares (ejes X, Y y Z).
Los vectores se pueden representar mediante segmentos de recta dirigidos, o flechas, en R2 y
en R3 . La direccin de la flecha indica la direccin del vector y la longitud de la flecha determina
su magnitud.
Denotaremos los vectores con letras minsculas con un flecha arriba tales como
v ,
w,
z . Los
puntos se denotarn con letras maysculas tales como A, B, C. En el contexto de los vectores, los
nmeros reales sern llamados escalares y se denotarn con letras minsculas tales como , , .
43
C APTULO 2. V ECTORES EN Rn
2.1.1.
Operaciones bsicas
DEFINICIN 2.1.2 (Igualdad de vectores) Dos vectores son iguales si tienen, en el mismo orden,
v =
w
si y solo si
v i = wi
i = 1, . . . n
v +
w = (v1 + w1 , v2 + w2 , . . . , vn + wn )
k
v = (kv1 , kv2 , . . . , kvn )
OBSERVACIN: Si
v = (v1 , v2 , v3 ) R3 entonces podemos escribir
v = v1 i + v2 j + v3 k
OBSERVACIN: En clases, ver la interpretacin geomtrica de la suma y resta de vectores, y tambin el significado geomtrico de la multiplicacin por escalar.
1. (
u +
v)+
w =
u + (
v +
w)
2.
u + 0 =
u
3. (
v ) R3 :
v + (
v)= 0
4.
v +
w =
w +
v
6. ( + )
v =
v +
v
7. (
v ) = ()
v
9. 1
v =
v
44
(propiedad conmutativa)
5. (
v +
w ) =
v +
w
8. 0
v = 0
(propiedad asociativa)
(propiedad distributiva)
(propiedad distributiva)
2.1.2.
El producto punto (o producto escalar) es una operacin entre vectores cuyo resultado un escalar.
n
R . El producto punto (o producto escalar) entre los vectores v y
w , que denotamos por
v
w
v
w h
v ,
wi
n
X
v i wi
i=1
EJEMPLOS:
1. Calcule (1, 7, 3) (5, 1, 2)
Solucin
(, 4) (, 9) = 0
2 13 = 0
= 13
1.
v
v 0
2.
v 0 =0
3.
v
w =
w
v
4.
v (
w +
u) =
v
w +
v
u
5. (
v)
w = (
v
w)
Demostraremos solo la propiedad 1.:
n
X
v v =
vi2 0 pues es suma de cuadrados.
Dem.:
i=1
v
v =0
v = 0
45
C APTULO 2. V ECTORES EN Rn
2.1.3.
Norma de un vector
v
v =
k
vk=
n
X
!1/2
vi2
i=1
d (
v ,
w ) = k
v
wk
u = u R,
v = v R,
d(
u,
v ) = d(u, v) = (u v)2 = |u v|
Si n = 2,
u = (u1 , u2 ),
v = (v1 , v2 ), entonces
v
u 2
uX
p
1. k
vk0
k
vk=0
v = 0.
2. k
v k = || k
vk
3. k
v
w k = k
w
vk
de donde
d (
v ,
w ) = d (
w,
v ).
4. k
v +
w k k
v k + k
w k (Desigualdad triangular)
5. |
v
w | k
v k k
w k (Desigualdad de Cauchy-Schwartz)
46
Dem.:
Demostraremos slo 4 y 5.
5. Sean
u,
v Rn .
Luego, t R:
kt
u
v k 0, es decir:
!
u2i
t2 2
i=1
n
X
n
X
!
t +
ui vi
i=1
!
vi2
i=1
n
X
!2
ui vi
i=1
n
X
!
u2i
n
X
i=1
n
X
i=1
!2
ui vi
!
vi2
i=1
n
X
!
u2i
i=1
n
X
!
vi2
i=1
k
u +
vk =
=
(
u +
v ) (
u +
v)
2
2
k u k + 2 ( u v ) + k
vk
2
2
k
u k + 2 |
u
v | + k
vk
2
2
k
u k + 2 k
u k k
v k + k
vk
(k
u k + k
v k)2
EJEMPLO 2.1.1 Si
v 6= 0 entonces
w =
v / k
v k es unitario.
R :
47
C APTULO 2. V ECTORES EN Rn
2.1.4.
Considere
v y
w vectores en R2 . Entonces,
v ,
w y
v
w forman un tringulo con lados de
k
v
w k = k
v k + k
w k 2 k
v k k
w k cos
Por otro lado
2
k
v
w k = (
v
w ) (
v
w)
2
2
= k
v k + k
w k 2
v
w
v
w = k
v k k
w k cos
En el caso general, si
v y
w vectores en Rn entonces por la desigualdad de Cauchy-SchwarzS
v
w
1
1
k v k k
wk
Luego, existe un nico [0, ] tal que
v
w
cos =
k
v k k
wk
DEFINICIN 2.1.8 Si
v y
w son vectores en Rn no nulos, el ngulo entre
v y
w es el nico
[0, ] tal que
v
w = k
v k k
w k cos
v
w =0
1.
v y
w son perpendiculares u ortogonales si ]
v ,
w = 2 . Esto es equivalente a
2.
v y
w son paralelos si ]
v ,
w = 0 ]
v ,
w = . Esto es equivalente a
v =
w para algn
R.
48
2.1.5.
Producto cruz en R3
En esta seccin definiremos un producto vectorial que nos permite encontrar un vector que es
perpendicular a dos vectores dados del espacio, es decir, en R3 .
cruz entre
u y
v , que denotamos por
u
v como el vector
u
v = (u2 v3 u3 v2 ) i (u1 v3 u3 v1 ) j + (u1 v2 u2 v1 ) k
Recordemos que en R3 :
u
v = ((u2 v3 u3 v2 ) , (u1 v3 u3 v1 ) , (u1 v2 u2 v1 ))
OBSERVACIN: La definicin de producto cruz se puede recordar y trabajar como un determinante
de la siguiente manera:
i
j
k
u v = u1 u2 u3
v1 v2 v3
OBSERVACIN: El vector
u
v es perpendicular a
u y
v . Note que en dos dimensiones esto no
tiene sentido.
i
j
k
1 2
1 1
2 1
+ k
j
1 2 1 = i
1 0
1 1
0 1
1 0 1
u v =
u ( v w ) = v1 v2 v3
w1 w2 w3
49
C APTULO 2. V ECTORES EN Rn
Dem.:
v w =
w2 w3
v
1 v3
,
w1 w3
v
1 v2
,
w1 w2
y si
u = (u1 , u2 , u3 ) entonces
v
v
1 v3
2 v3
u ( v w ) = u1
u2
w1 w3
w2 w3
u1 u2 u3
= v1 v2 v3
w1 w2 w3
v
1 v2
+ u3
w1 w2
u (
v
w ) = v1 v2 v3
w1 w2 w3
u
v)
w
= (
OBSERVACIN: Este producto entre 3 vectores en R3 se conoce como producto mixto entre ellos.
TEOREMA 2.1.2 El producto vectorial o producto cruz cumple las siguientes propiedades:
1.
u R3 :
u
u = 0
2.
u,
v R3 :
u (
u
v)
3.
u,
v R3 :
(
u
v ) = (
v
u)
v (
u
v)
4.
u,
v ,
w R3 :
(
u +
v)
w =
u
w +
v
w
5.
u,
v ,
w R3 :
u (
v +
w) =
u
v +
u
w
6.
u,
v R3
R :
(
u
v ) = (
u)
v =
u (
v)
OBSERVACIN: Dejamos como ejercicio la demostracin de estas propiedades, para lo que recomendamos utilizar las propiedades de los determinantes y la proposicin anterior.
50
[(
u +
v ) (2
u
v )]
u
Desarrollo: Por las propiedades recin enunciadas
(
u +
v ) (2
u
v)
= (
u +
v ) (2
u ) + (
u +
v ) (
v)
=
u (2
u)+
v (2
u)+
u (
v)+
v (
v)
= 2 (
u
u ) + 2 (
v
u ) (
u
v ) (
v
v)
= 0 + 2( v u) (u v ) + 0
= 3 (
u
v)
Luego
[(
u +
v ) (2
u
v )]
u = (3 (
u
v ))
u = 0
(
v
w ) + k
v
w k = k
v k k
wk
Dem.:
Ejercicio.
(k
v k k
w k cos ) + k
v
w k = k
v k k
wk
luego
2
2 2
2 2
k
v
w k = k
v k k
w k k
v k k
w k cos2
2 2
= k
v k k
w k 1 cos2
2 2
= k
v k k
w k sen 2
k
v
w k = k
v k k
w k |sen |
51
C APTULO 2. V ECTORES EN Rn
EJERCICIOS:
k
u
vk
2
u,
v ,
w R3 entonces el volmen del paraleleppedo esta dado por
u1 u2 u3
V = |
w (
u
v )| = det v1 v2 v3
w1 w2 w3
52
2.2.
2.2.1.
Proyecciones
u entonces, para
nalmente el vector
u 6= 0 sobre el vector
w . Si denotamos a este vector con proy
w
algn t R, se debe cumplir
u
proy
w = tw
w (
u t
w) = 0
Entonces
2
w
u t k
wk = 0
t=
w
u
2
kwk
Se sigue
u
proy
w
u
2
kwk
w
u
u
proy
w
w =
2
kwk
u se llama componente de
OBSERVACIN: El vector
u proy
u ortogonal a
w.
EJEMPLO 2.2.1 Considere un tringulo en R3 determinado por los vrtices en los puntos A, B, C.
Encuentre su rea.
Solucin: Sean
u = B A,
w = C A. Entonces, la altura del tringulo es
u
h =
u proy
w
de donde el rea pedida es
A=
1
u
k
w k
u proy
w
2
53
C APTULO 2. V ECTORES EN Rn
2.2.2.
Rectas en el espacio
por
p y es paralela a d (o tiene direccin d ), como el conjunto de puntos
n
o
L=
p +d :R
p = (x0 , y0 , z0 ), d = (d1 , d2 , d3 ).
Un punto (x, y, z) pertenece a la recta si
Esta forma de escribir la ecuacin de la recta se llama ecuacin paramtrica de la recta, o forma
paramtrica de la ecuacin, de parmetro .
Si en cada ecuacin anterior despejamos el parmetro obtenemos
=
x x0
d1
y y0
d2
y y0
z z0
x x0
=
=
d1
d2
d3
z z0
d3
Esta forma de presentar una recta en el espacio se conoce como las ecuaciones simtricas o ecuacin cartesiana de la recta.
=
OBSERVACIN:
1. Supongamos que una componente del vector director es igual a 0, digamos d1 . Entonces, la
ecuacin simtrica queda de la forma:
x = x0 ,
54
z z0
y y0
=
d2
d3
y y1
z z1
x x1
=
=
x1 x2
y1 y2
z1 z2
2.2.3.
Planos
= {
p +
u +
v : , R}
En trminos de coordenadas, si
p = (x0 , y0 , z0 ),
u = (u1 , u2 , u3 ),
v = (v1 , v2 , v3 ), entonces
x = x0 + u1 + v1
y = y0 + u2 + v2
z = z0 + u3 + v3
Estas ecuaciones son las ecuaciones paramtricas del plano.
OBSERVACIN: Un plano en R3 se puede determinar especificando un punto contenido en l y un
vector normal al plano, es decir, un vector perpendicular a l.
si y solo si P Q n . Es decir
PQ
n = 0 (x x0 , y y0 , z z0 ) (n1 , n2 , n3 ) = 0
(x x0 )n1 + (y y0 )n2 + (z z0 )n3 = 0
n1 x + n2 y + n3 z x0 n1 y0 n2 z0 n3 = 0
55
C APTULO 2. V ECTORES EN Rn
perpendicular a P1 P2 y a P1 P3 . Luego,
n es normal al plano. Usamos cualquiera de los 3 puntos
EJEMPLO 2.2.2 Determine la ecuacin del plano que pasa por los puntos
P1 = (2, 2, 1),
Solucin:
P2 = (1, 0, 3),
P3 = (5, 3, 4)
P1 P2 = P2 P1 = (3, 2, 2)
P1 P3 = P3 P1 = (3, 1, 3)
n = P1 P2 P1 P3 = (8, 15, 3)
8x + 15y 3z + 17 = 0
2 = a2 x + b2 y + c2 z + d2 = 0
se tiene:
1. 1 k 2
2. 1 2
3. 1 = 2
a1 = ka2 ,
b1 = kb2 ,
c1 = kc2
con k R y k 6= 0
(a1 , b1 , c1 ) (a2 , b2 , c2 ) = 0
a1 = ka2 ,
b1 = kb2 ,
c1 = kc2 ,
d1 = kd2
con k R y k 6= 0.
(, , ) d = 0
2. L d k (, , )
(d1 , d2 , d3 ) = d .
56
= kd1 ,
= kd2 ,
= kd3 , donde k 6= 0 y
TEOREMA 2.2.3 (Distancia de un punto a una recta) Consideremos la recta L que pasa por el pun
to P0 = (x0 , y0 , z0 ) y tiene como vector director a d . Sea P = (x, y, z) un punto que no pertenece a
L. La distancia de P a L est dada por:
|| d P0 P ||
d(P, L) =
|| d ||
TEOREMA 2.2.4 (Distancia de un punto a un plano) Dado un punto P0 = (x0 , y0 , z0 ) y un plano
= ax + by + cz + d = 0; la distancia entre P0 y est dada por:
d(P0 , ) =
a2 + b2 + c2
TEOREMA 2.2.5 (Distancia entre rectas) Sea L1 la recta que pasa por el punto P1 y tiene direccin
d1 . Sea L2 la recta que pasa por el punto P2 y tiene direccin d2 . La distancia (mnima) entre L1 y
L2 est dada por:
|P1 P2
n|
, donde
n = d1 d2
dmin (L1 , L2 ) =
|| n ||
Ejercicios propuestos
1. Determine si las rectas
L1 : x = 2t 3,
y = 3t 2,
z = 4t + 6
L2 : x = r + 5,
y = 4r 1,
z = r4
se cortan.
Solucin. Si existe un punto P tal que P = L1 L2 , debe existir t1 R y r1 R tales que
2t1 3 = r1 + 5,
3t1 2 = 4r1 1,
4t1 + 6 = r1 4
r1 = 2
x = 3+t
L1 :
y = 4+t ,
z = 1 + t
L2 :
x+4
2y 1
=
,
6
3
z=
1
2
57
C APTULO 2. V ECTORES EN Rn
con R
3. Hallar la ecuacin del plano que pasa por (3, 1, 2) y es paralelo al plano 2x+4y 3z +10 = 0
Solucin. El plano buscado tiene por ecuacin 2x + 4y 3z + d = 0. Para determinar d,
usamos que el punto (3, 1, 2) debe pertenecer al plano, entonces debe satisfacer la ecuacin
2(3) + 4(1) 3(2) + d = 0 = d = 4
Por lo tanto, el plano pedido es
2x + 4y 3z + 4 = 0
4. Hallar la ecuacin del plano determinado por el punto (1, 0, 2) y la recta L :
x+3
y5
z1
=
=
3
3
1
Solucin. Vamos a escribir la recta como interseccin de 2 planos. Para esto, consideramos
las igualdades siguientes:
x+3
y5
=
3
3
y5
z1
=
3
1
1
2
a) Determine el punto B, que es la interseccin del plano con la recta que pasa por A y
es perpendicular a .
b) Determine el punto D, punto de interseccin de la recta L con el plano
c) Hallar un punto C L tal que el volumen del tetraedro de vrtices A, B, C, D sea 4.
Solucin. Denotemos por LA : (1, 0, 1) + r(2, 1, 1) la recta que pasa por A e intersecta
perpendicularmente a
T
a) Como B LA = B LA B = B = (1 + 2r, r, 1 r) y debe satisfacer la
ecuacin del plano, es decir,
2(1 + 2r) + r (1 r) 7 = 0 = r = 1 = B = (3, 1, 0)
b) Analogamente, si D L
= D = (1, 1 + t, 5t) y
BA = (2, 1, 1)
1
El volumen del tetraedro de vrtices A, B, C, D es dado por V = |BC BD BA|.
6
Como se quiere que el volumen sea 4, tenemos:
1
4 = |(4, t, 5t) (4, 2, 10) (2, 1, 1)|
6
Calculemos
4 t
5t
(4, t, 5t) (4, 2, 10) (2, 1, 1) = 4 2 10 = 48 + 24t
2 1
1
Por lo tanto, 24 = |48 + 24t|, es decir, tenemos dos soluciones
24 = 48 + 24t = t = 1 24 = (48 + 24t) = t = 3
Luego, C1 = (1, 0, 5), C2 = (1, 2, 15).
59
C APTULO 2. V ECTORES EN Rn
2
7
||
2
p
=
2
2
2
7
(1 + ) + (2) + (3)
Esta ecuacin cuadrtica tiene 2 soluciones:
=2
10
9
(x 2y) + 2(x 3z + 1) = 0 3x 2y 6z + 12 = 0
y
2 :
(x 2y)
10
(x 3z + 1) = 0 x + 18y 30z + 10 = 0
9
L2 : x = 4 + ,
y = 5,
z = 3 + 2
n = d1 d2 = (2, 3 1)
Ahora, sea P1 = (1, 1, 4) y P2 = (4, 5, 3), entonces
P1 P2 = P2 P1 = (3, 4, 7)
Reemplazando en la frmula, obtenemos
dmin (L1 , L2 ) =
60
|(3, 4, 7) (2, 3 1)|
1
|P1 P2
n|
=
=
||(2, 3 1)||
||
n ||
14
2.3.
1. Demuestre o refute:
a) Si ~a = (2, 0, 1) y ~c = (1, 1, 1), entonces existe ~b R3 tal que ~a ~b = ~c.
b) Sean ~a, ~b R3 . Entonces
~a ~b = ~0
~a ~b = ~0
~a = ~0
~b = ~0
61
C APTULO 2. V ECTORES EN Rn
62
Captulo 3
Espacios Vectoriales
3.1.
DEFINICIN 3.1.1 Sea V un conjunto no vaco y sea K un cuerpo (los cuerpos que consideraremos
en este curso sern R C). Supongamos que en V se han definido dos operaciones, que llamaremos
adicin y producto por escalar, del siguiente modo:
I. La adicin toma dos elementos de V , llamsmoslos u y v, y mediante la operacin los lleva a un
elemento w V con w = u + v.
II. El producto por escalar toma un elemento del cuerpo K y un u V , y mediante la operacin
los lleva a un elemento w V con w = u
Diremos que (V, +, ) es un espacio vectorial sobre K ( un K- espacio vectorial) si y solamente
si las operaciones satisfacen las siguientes propiedades:
1. u, v V :
u+v =v+u
2. u, v, w V :
3. 0V V :
4. u V,
u + (v + w) = (u + v) + w
u + 0V = u, u V
(u) V :
5. u, v V, K :
6. u V,
, K :
7. u V, , K :
8. u V :
u + (u) = 0V
(u + v) = u + v
( + ) u = u + u
() u = ( u)
1u=u
63
EJEMPLOS:
1. (R2 , +, ) es un espacio vectorial sobre R, con las siguientes operaciones: Si u, v R2 , con
u = (u1 , u2 ), v = (v1 , v2 ) y R, definimos
u + v = (u1 + v1 , u2 + v2 )
u = (u1 , u2 )
Este espacio vectorial se identifica, geomtricamente, con el plano cartesiano, y sus elementos
son los vectores en (R2 , +, ).
2. (R3 , +, ) es un espacio vectorial sobre R, con las siguientes operaciones: si u, v R3 , con
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y R, definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 )
u = (u1 , u2 , u3 )
Este espacio vectorial se identifica, geomtricamente, con el espacio cartesiano, y sus elementos son los vectores en (R3 , +, ).
3. La generalizacin (Rn , +, ) es un espacio vectorial sobre R, con las siguientes operaciones:
Si u, v Rn , con u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) y R, definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
u = (u1 , u2 , . . . , un )
4. (C2 , +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v C2 , con
u = (u1 , u2 ), v = (v1 , v2 ) y C, definimos
u + v = (u1 + v1 , u2 + v2 ) y
u = (u1 , u2 )
Debe tenerse presente que, en este caso, todos los nmeros involucrados son nmeros complejos, por lo cual las operaciones mencionadas son entre elementos en C.
5. (C3 , +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v C3 , con
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y C definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 )
y u = (u1 , u2 , u3 )
7. Casos particulares:
Si n = 1, en el ejemplo 3. vemos que (R, +, ) es un espacio vectorial sobre R y si n = 1, en el
ejemplo 6. vemos que (C, +, ) es un espacio vectorial sobre C. De esta forma, notamos que
tanto R como C tienen estructura de cuerpo y de espacio vectorial sobre si mismos.
8. Consideremos el conjunto
Rn [x] = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn , ai R, i = 0, . . . , n}
es decir, Rn [x] es el conjunto de los polinomios con coeficientes reales en una variable real de
grado menor o igual a n (incluyendo al polinomio nulo). (Rn [x], +, ) es un espacio vectorial
sobre R con la adicin y el producto por escalar habitual de polinomios, vale decir, si
p (x) = a0 + a1 x + a2 x2 + . . . + an xn y q (x) = b0 + b1 x + b2 x2 + . . . + bn xn , entonces
(p + q)(x) = p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + . . . + (an + bn )xn
(p)(x)
= a0 + a1 x + a2 x2 + . . . + an xn ,
p(x)
( f )(x) = (f (x)) f, g F,
x A, R.
13. Anlogamente, las matrices con entradas complejas (Mmn (C), +, ) con las operaciones
anlogas a las descritas arriba, forman un espacio vectorial sobre C.
14. El conjunto de todos los polinomios de grado menor o igual a n con coeficientes complejos,
es decir
Cn [x] = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn , ai C, n N}, dotado de la
suma y el producto habitual de polinomios, es un espacio vectorial sobre C.
EJERCICIOS:
1. Sea V un Kespacio vectorial y sea X un conjunto. Sea F (X, V ) el conjunto de todas las
funciones de X es V. Dotamos a F (X, V ) de las operaciones usuales para funciones, adicin
y producto por escalar, definidas por:
(f + g) (x) = f (x) + g (x)
( f ) (x) = f (x)
Muestre que (F (X, V ) , +, ) es un espacio vectorial sobre K.
2. Determine si (R, +, ) es un espacio vectorial sobre C. Justifique.
3. Determine si (C, +, ) es un espacio vectorial sobre R. Justifique.
4. Determine si (Mmn (R), +, ) es un espacio vectorial sobre C. Justifique.
5. Determine si (Mmn (C), +, ) es un espacio vectorial sobre R. Justifique.
6. En R+ = {x R : x > 0}, se definen las siguientes operaciones:
x y = xy,
x = x ,
x, y R+ , R.
66
0 v = 0V
5. K v V :
() v = (v)
Dem.:
1. Supongamos que no es nico, es decir, que existen al menos dos neutros para la adicin
0V , 00V V . Entonces:
)
0V + 00V = 0V pues 00V es neutro.
Como 0V + 00V = 00V + 0V 0V = 00V .
00V + 0V = 00V pues 0V es neutro.
2. Anlogamente al caso anterior, suponga que el inverso aditivo no es nico. Dejamos la demostracin como ejercicio.
3. Debemos probar que si
u1 , u2 , v V :
u1 + v = u2 + v
Suponemos u1 , u2 , v V : u1 + v = u2 + v.
Sumando a ambos lados de la ecuacin:
(u1 + v) + (v) = (u2 + v) + (v)
4. Calculamos
5. Notamos que
Como v V
u1 = u2
se tiene que
u1 + (v + (v)) = u2 + (v + (v))
0 v = (0 + 0) v = 0 v + 0 v.
Aplicamos 3. y tenemos
v V .
u1 = u2
0 v = 0V .
0V = 0 v = ( + ()) v = v + () v.
67
3.2.
DEFINICIN 3.2.1 Sea (V, +, ) un espacio vectorial sobre un cuerpo K, S V, S 6= . Se dice que
S es un subespacio vectorial de V si (S, +, ) es un espacio vectorial sobre K.
Notacin:
TEOREMA 3.2.1 Sea (V, +, ) un espacio vectorial sobre el cuerpo K y sea S V, S 6= . (S, +, )
es un subespacio vectorial de (V, +, ) si y solo si se satisfacen las siguientes dos condiciones:
1. Si u, v S entonces u + v S.
2. Si K, u S entonces u S.
Dem.:
COROLARIO 3.2.1 Sea (V, +, ) un espacio vectorial sobre el cuerpo K y sea S V, S 6= . (S, +, )
es un subespacio vectorial de (V, +, ) si y solo si
u, v S
Dem.:
u+v S
0V S :
basta considerar
Sea u S. Como 0V S,
68
K :
u=v
= 1.
basta considerar
v = 0V
= 1.
Entonces, u S.
OBSERVACIN:
1. Si S V entonces 0V S.
2. En adelante, cuando el cuerpo sobre el cual estamos trabajando y las operaciones consideradas estn claramente subentendidas, escribiremos V en lugar de (V, +, ) para un espacio
vectorial sobre K.
3. Todo espacio vectorial tiene, de manera natural, dos subespacios vectoriales, llamados subespacios vectoriales triviales del espacio vectorial V . Estos son: el mismo espacio vectorial V ,
vale decir, V V y el espacio vectorial nulo, vale decir el espacio vectorial cuyo nico elemento es el neutro aditivo de V : {0V } V .
EJEMPLOS:
1. Considere W = {(x, y) R2 : y = 0}. Probemos que W es un subespacio vectorial de R2 .
Para ello, debemos verificar:
a) W 6= , lo cual es cierto pues (0, 0) W .
b) (x, y), (u, v) W (x, y) + (u, v) W .
En efecto: (x, y), (u, v) W y = 0 v = 0. Por lo tanto, (x, y)+(u, v) = (x, 0)+(u, 0) =
(x + u, 0). Es decir, la segunda componente de la suma de dos vectores en W da como
resultado un vector que tambin pertenece a W .
c) R, (x, y) W (x, y) W .
En efecto: (x, y) W y = 0. Por lo tanto, (x, y) = (x, 0) = (x, 0) W .
Como las tres condiciones se satisfacen, hemos probado que W R2 .
2. Considere W = {(x1 , x2 , , xn ) Rn : xn = 0}. Probemos que W es un subespacio
vectorial de Rn . Para ello, debemos verificar:
a) W 6= , lo cual es cierto pues (0, 0, , 0) W .
b) (x1 , x2 , , xn ), (u1 , u2 , , un ) W (x1 , x2 , , xn ) + (u1 , u2 , , un ) W .
En efecto: (x1 , x2 , , xn ), (u1 , u2 , , un ) W xn = 0 un = 0. Por lo tanto,
(x1 , x2 , , xn ) + (u1 , u2 , , un ) = (x1 , x2 , , 0) + (u1 , u2 , , 0) = (x1 + u1 , x2 +
u2 , , 0). Es decir, la nsima componente de la suma de dos vectores en W da como
resultado un vector que tambin pertenece a W .
c) R, (x1 , x2 , , xn ) W (x1 , x2 , , xn ) W .
En efecto: (x1 , x2 , , xn ) W xn = 0. Por lo tanto, (x1 , x2 , , xn ) =
(x1 , x2 , , 0) = (x1 , x2 , , 0) W .
69
pues
Grficamente, este espacio vectorial se representa por una recta en el plano, en la misma
direccin que el vector (1, 2).
4. Como en el ejemplo anterior, sea V un espacio vectorial real, y sea u0 V, con
u0 6= 0V . Consideremos W = {v V : v = u0 , R}. Probemos que W es un
subespacio vectorial de V .
a) W 6= , lo cual es cierto pues tomando 0 R,
0 u0 = 0V W .
, R :
(
6. Sea S =
a b
c d
)
M22 (R) : a = b y c = d
0V W2
w1 , w2 W1
Entonces
0V W1 W2
w1 , w2 W2 .
w1 + w2 W2 .
Luego:
w1 + w2 W1 W2
Sea w W1 W2 y K.
2.
Como W1 , W2 V :
( w W1
Como W1 , W2 V :
0V W1
Sean u1 , u2 W1 + W2 .
w W2 )
0V W2
v1 W 1 , v2 W 2
v10 W1 , v20 W2
u1 + u2 W 1 + W 2 .
Sea w W1 + W2 y K.
w W1 W2 .
0V = 0V + 0V W1 + W2
W1
w W2
Entonces
u1 = v 1 + v 2 ,
u2 = v10 + v20 ,
Por lo tanto:
w W1
Entonces
Entonces
w = (u1 + u2 ) = u1 + u2
| {z } | {z }
W1
w = u1 + u2 ,
u1 W1 , u2 W2 .
w W1 + W2
W2
OBSERVACIN:
1. Si W1 , W2 V y W1 W2 = {0V } entonces el subespacio suma W1 + W2 se llama suma
directa y se escribe W1 W2 .
71
W = {(x, y) R2 : y 0}
b) V = R3 ,
W = {(x, y, z) R3 : x + 2y = 0}
c) V = R3 ,
W = {(x, y, z) R3 : x + y = 1, z = 0}
d) V = Mnn (R),
e) V = M22 (R),
f ) V = M32 (R),
g) V = R4 [x],
a a
W = b b M32 (R) : a, b, c R
c c
h) V = C[0, 1],
i) V = C[0, 1],
W = {f C[0, 1] : f (0) = 2}
4. Muestre que S T = Mnn (R), donde S y T son los subespacios de los ejercicios anteriores.
5. Pruebe que n m
F = {(0, 0, z) : z R},
G = {(0, y, z) : y, z R}.
72
3.3.
73
DEFINICIN 3.3.2 Sea V un espacio vectorial sobre un cuerpo K y sea X V, X 6= . Consideremos todos los subespacios vectoriales de V que contienen al conjunto X. El ms chico de
todos estos conjuntos se llama espacio generado por X y corresponde a la interseccin de todos
los subespacios que contienen a X. Lo denotaremos por hXi por G(X).
OBSERVACIN: No es casualidad que este conjunto se llame espacio generado por X. Queda como
ejercicio probar que, efectivamente, el espacio generado por X es un subespacio vectorial de V .
Adems, se tiene que:
TEOREMA 3.3.1 Los elementos de G(X) son los elementos del conjunto formado por todas las
combinaciones lineales posibles de elementos de X, es decir, si X = {x1 , x2 , , xk }, entonces
hXi =
( k
X
)
i xi ,
i R
i=1
entonces
entonces
D
E
W = (1, 2) .
W = G(u0 ) = hu0 i.
3. En R2 considere los vectores u = (2, 1), v = (1, 1), w = (1, 4). Probemos que
R2 = G(u, v) = G(u, v, w) y que R2 6= G(u).
Para probar que R2 = G(u, v), debemos demostrar que dado cualquier (x, y) R2 , existen
, R tal que (x, y) = (2, 1) + (1, 1). La igualdad implica
)
x = 2
y = +
2y x
x+y
,
=
.
3
3
Esto significa que dado cualquier vector (x, y) R2 podemos determinar explcitamente, en funcin de x e y, los valores de los escalares y .
de donde
Anlogamente, para probar que R2 = G(u, v, w), debemos demostrar que dado cualquier
(x, y) R2 , existen , , R tal que
(x, y) = (2, 1) + (1, 1) + (1, 4). Notar que si tomamos, arbitrariamente, = 0,
los valores de y obtenidos arriba demuestran la afirmacin. Si asignamos otro valor a ,
74
E
(1, 0), (0, 1)
E
(1, 2), (3, 2)
5. Anlogamente,
R2 [x] = G(1, x, x2 )
= h2, 1 + x, x x2 i
= h1, 1 + x, 1 + x + x2 i
6. Es fcil ver que, en general,
Rn [x] = G(1, x, x2 , , xn )
i ui = 0V
i = 0 i = 1, , n
i=i
75
1 , , n K, no todos nulos :
i ui = 0V
i=i
OBSERVACIN:
1. Tambin se dice que los vectores u1 , u2 , , un son l.i. l.d., segn corresponda.
2. En ocasiones, se dice que los vectores u1 , u2 , , un son l.i. ssi
n
X
i ui = 0V
i = 0 i = 1, , n
i=i
Sin embargo, la implicancia es obvia (condicin necesaria), por lo que preferimos enfatizar la condicin suficiente .
EJEMPLOS:
1. El conjunto {(1, 0), (0, 1)} R2 es un conjunto l.i.
Basta formar
1 + 32 = 0
21 2 = 0
1 = 0, 2 = 0.
3. El conjunto {(1, 2), (3, 1), (5, 1)} R2 es un conjunto l.d. Como antes, formamos
1 (1, 2) + 2 (3, 1) + 3 (5, 1) = (0, 0)
de donde
1 + 32 + 53 = 0
21 2 + 3 = 0
Este es un sistema de 2 ecuaciones con 3 incgnitas, que tiene infinitas soluciones. Luego,
hemos probado que {(1, 2), (3, 1), (5, 1)} es l.d.
Es importante mencionar que, si bien 1 = 2 = 3 = 0 es una posible solucin del sistema,
no es la nica. Lo que hemos probado es que i , no todos nulos, que satisfacen la condicin
de la definicin.
76
En efecto, formamos
1 sen x + 2 cos x = 0
Derivando, obtenemos una segunda ecuacin que nos permite determinar 1 y 2 :
1 cos x 2 sen x = 0 .
Multiplicamos la primera ecuacin por 2 y la segunda por 1 ,
las sumamos y como este sistema debe satisfacerse para todos los valores posibles de x R,
necesariamente 12 + 22 = 0. La nica posibilidad es que 1 = 2 = 0.
8. El conjunto {ex , ex } C 1 [0, 1] es un conjunto l.i., siempre que 6= .
9. El conjunto {1, x, x2 , , xn } Rn [x] es un conjunto l.i.
OBSERVACIN:
1. Todo conjunto de vectores que contenga al vector nulo 0V es un conjunto l.d. En particular,
el conjunto {0V } es l.d.
2. Si un conjunto M de vectores es l.i., todo subconjunto de M tambin es l.i.
3. Si un conjunto de vectores N es l.d., todo conjunto que contenga a N ser l.d.
EJERCICIOS:
1. Suponga que V es un espacio vectorial y que el conjunto {u, v, w} V es l.i.
Es l.i. el conjunto {u + v, v + w, w + u}?
2. Bajo que condiciones para el escalar son linealmente dependientes los vectores (, 1, 0), (1, , 1)
y (0, 1, ) de R3 ?
TEOREMA 3.3.2 Sea X V, X 6= , X 6= {0V }, X finito. Entonces, Y X tal que Y es un
conjunto l.i. y G(X) = G(Y ).
OBSERVACIN: Este teorema afirma que cualquier subconjunto finito de vectores, salvo el que
contiene slo al 0V , tiene un subconjunto l.i. de vectores.
77
3.4.
DEFINICIN 3.4.1 Sea B V un subconjunto finito (y ordenado). Diremos que B es una base
(ordenada) de V ssi se satisfacen las siguientes dos condiciones:
1. G(B) = V
2. B es l.i.
TEOREMA 3.4.1 Todo espacio vectorial tiene una base.
EJEMPLOS:
1. C = {(1, 0), (0, 1)} es una base de R2 .
2. B = {(1, 2), (3, 1)} es una base de R2 .
3. C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 .
4. B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} es una base de R3 .
5. C = {1, x, x2 , , xn } es una base de Rn [x].
6. B = {sen , cos} es una base de V = G({sen , cos}).
(
!
!
!
!)
1 0
0 1
0 0
0 0
,
,
,
es una base de M22 (R).
7. C =
0 0
0 0
1 0
0 1
8. El conjunto B = 3, x 1, x2 + x es base del espacio vectorial R2 [x].
OBSERVACIN: Las bases que hemos denotado por C se denominan bases cannicas de los respectivos espacios vectoriales.
TEOREMA 3.4.2 Sea V un espacio vectorial que tiene una base B con n vectores, es decir, la cardinalidad de B es n. Entonces, cualquier subconjunto de V de cardinalidad n + 1 es un conjunto
l.d.
Dem.: Sea B = {v1 , , vn } y sea v V tal que v 6 B. Formamos B {v}. Este ltimo conjunto
es l.d., pues, como B es base de V , cualquier vector v puede escribirse como combinacin lineal de
los elementos de B. Luego, existen escalares 1 , , n , n+1 no todos nulos tales que
1 v1 + 2 v2 + + n vn + n+1 v = 0V
OBSERVACIN: El teorema anterior dice que una base B de V es un conjunto l.i. maximal en V .
Pero, adems, permite demostrar el siguiente
78
TEOREMA 3.4.3 Si el espacio vectorial V sobre el cuerpo K tiene una base constituida por n vectores, entonces toda base de V tiene cardinalidad n.
Dem.: Sean B1 = {u1 , , un } y B2 = {w1 , , wm } dos bases de V, m 6= n. Como B1 es
base, el teorema anterior implica que m n. Como B2 es base, el teorema anterior implica que
n m. Luego, m = n.
DEFINICIN 3.4.2 Sea V un espacio vectorial sobre K y sea B = {u1 , , un } una base de V .
Diremos que n N0 (finita) es la dimensin de V sobre el cuerpo K. Escribimos dimK V = n,
simplemente dimV = n cuando no hay confusin posible acerca del cuerpo de escalares.
EJEMPLOS:
1. C = {(1, 0), (0, 1)} es una base de R2 . Se conoce como la base cannica de R2 .
B = {(1, 2), (3, 1)} es otra base de R2 . Claramente, dimR R2 = 2.
2. C = {(1, 0, , 0), (0, 1, 0, , 0), , (0, 0, , 1)} es una base de Rn . Se conoce como la
base cannica de Rn . Se acostumbra escribir los vectores de la base cannica como
e1 = (1, 0, , 0), e2 = (0, 1, 0, , 0), , en = (0, 0, , 1). En este caso, dimR Rn = n.
Si el espacio considerado es R3 , en las aplicaciones fsicas los vectores de la base cannica se
denotan por i , j , k , respectivamente.
3. A = {(2, 1, 0), (0, 0, 1)} es una base del subespacio V = {(x, y, z) R3 : x + 2y = 0}.
Luego, dimR V = 2.
4. C = {1, x, x2 , , xn } es la base cannica de Rn [x]. Luego, dimR Rn [x] = n + 1.
(
5. C =
1 0
0 0
!
,
0 1
0 0
!
,
0 0
1 0
!
,
0 0
0 1
!)
es la base cannica de M22 (R).
79
EJERCICIOS:
1. Determine una base y la dimensin de cada uno de los siguientes subespacios:
a) A = {(x, y, z) R3 : x y = 0, z 2x = 0} R3
b) B = {(2x, x, x + 2y, y) R4 : x, y R} R4
c) C = {(x, y, z, t) R4 : x + 3t = 0} R4
2. Determine la dimensin de B C del ejercicio anterior. Encuentre, si es posible, una base.
3. Encontrar la dimensin del subespacio
(
!
)
a b
: a, b, c R M22 (R)
b c
4. Encontrar la dimensin de
TEOREMA 3.4.4
W V
dimW dimV
Dem. Supongamos que dimV = n. Notamos que si un conjunto de vectores es l.i. en W , tambin
es l.i en V . Ahora, cualquier conjunto l.i. en W tiene cardinalidad, a lo ms n.
Si W = {0V }, entonces dimW = 0. Si W 6= {0V }, sea v1 W no nulo y consideremos
W1 = hv1 i. Si W1 = W , entonces dimW = 1 y la afirmacin queda probada. Si W1 6= W ,
escogemos un v2 W tal que v2 6 W1 y formamos W2 = hv1 , v2 i y procedemos anlogamente.
Seguimos inductivamente hasta formar Wk = hv1 , , vk i = W . Claramente, el proceso termina
porque es posible encontrar a lo ms n vectores l.i. en W . Luego, dimW = k n.
TEOREMA 3.4.5 (completacin de una base) Sea V un espacio vectorial sobre K, de modo que
dimK V = n. Sea W V con dimK W = m, y base B = {u1 , u2 , , um }; entonces, existen
vectores um+1 , um+2 , , un V : B {um+1 , um+2 , , un } es una base de V .
Dem. La demostracin es anloga a la del teorema anterior.
EJERCICIOS:
1. Sea A = {(1, 2, 3), (2, 1, 1)}. Verifique que A es l.i. y complete este conjunto para obtener
una base de R3 .
2. Sea A = {1, 1 + x, x2 + x3 }. Verifique que A es l.i. y complete este conjunto para obtener una
base de R3 [x].
80
(
3. Sea A =
1 1
2
0
!
,
0 1
3
4
!
,
1 0
1 1
!)
. Verifique que A es l.i. y complete este
TEOREMA 3.4.7 Sea B = {u1 , , un } V . B es una base de V ssi todo vector de V puede ser
escrito de manera nica como una combinacin lineal de los vectores ordenados u1 , , un .
OBSERVACIN: Este teorema dice que dado un vector cualquiera en un espacio vectorial V con
una base dada B, los coeficientes del vector con respecto a esa base ordenada B son nicos, vale
decir, si
v V, ! i R, i = 1, , n : v = 1 u1 + 2 u2 + + n un
Esto permite definir las coordenadas de v con respecto a la base B, usando los coeficientes i que
EJEMPLOS:
1. En R3 , considere las bases ordenadas B = {(1, 2, 3), (1, 0, 1), (0, 2, 0)} y la base cannica
de R3 . Determine la matriz de coordenadas del vector (2, 8, 6) con respecto a ambas bases,
es decir, encuentre [(2, 8, 6)]B y [(2, 8, 6)]C .
Como (2, 8, 6) = 1 (1, 2, 3) + 3 (1, 0, 1) 5 (0, 2, 0),
se tiene que
[(2, 8, 6)]B = 3
5
Como (2, 8, 6) = 2 (1, 0, 0) + 8 (0, 0, 1) 6 (0, 0, 1),
se tiene que
[(2, 8, 6)]C = 8
6
2. En R2 [x], considere las bases ordenadas B = {1, x + 1, x2 + 1} y la base cannica de R2 [x],
con n = 2. Determine la matriz de coordenadas del polinomio p(x) = 2x+3x2 con respecto
a ambas bases.
Tenemos que
p(x) = 2 x + 3x2
= 1 (1) + 2 (x + 1) + 3 (x2 + 1)
= (1 + 2 + 3 ) 1 + 2 x 3 x2
luego,
1 + 2 + 3 =
2
2 = 1
3 =
3
Resolviendo, obtenemos [p(x)]B = (6, 1, 3) y, como antes, las coordenadas con respecto
a la base C coinciden con el vector, vale decir, [p(x)]C = (2, 1, 3).
82
3.5.
(x y)2 = (x + y)2 }
b) T = {(x, y) R2 :
1
2x
+ y = x 12 y}
83
84
Captulo 4
Diagonalizacin
4.1.
Hasta ahora la mayora de nuestros clculos los hemos motivado o llevado a sistemas de ecuaciones algebraicas. Daremos ahora una motivacin algo diferente. Muchas aplicaciones estn relacionadas con ecuaciones diferenciales, como vimos en la parte de clculo de este curso. Incluso,
la ecuacin puede ser ms compleja y que varias cantidades estn relacionadas a travs de sus
variaciones. Por ejemplo, consideremos las ecuaciones
du1
dt
du2
dt
= 7u1 4u2
= 5u1 2u2
Estas dos ecuaciones relacionan las variaciones de las funciones u1 y u2 , y pueden ser escritas en la
forma matricial
!
!
!
u01
7 4
u1
=
u02
5 2
u2
o de manera equivalente
u0 = Au
donde
u0 =
u01
u02
!
,
A=
7 4
5 2
!
y
u=
u1
u2
Como las soluciones de la ecuacin diferencial (de variable separable) u0 = u tienen la forma
u = et , buscamos soluciones de la ecuacin anterior de la forma
u1 = 1 et
u2 = 2 et
Si estas expresiones son soluciones, entonces (derivando y sustituyendo)
1 et = 71 et 42 et
2 et = 51 et 22 et
85
C APTULO 4. D IAGONALIZACIN
de donde
7 4
5 2
1
2
!
=
1
2
= 7u1 4u2
= 5u1 2u2
de la forma
u1 = 1 et
u2 = 2 et
siempre y cuando podamos encontrar y x =
1
2
!
que cumplan la ecuacin
Ax = x
Claramente, x = 0 satisface esta igualdad, pero no nos entrega informacin til sobre la solucin
del sistema. Lo que realmente necesitamos son escalares y vectores x 6= 0 que cumplan Ax = x.
Como podemos escribir la ecuacin Ax = x en la forma
(A I) x = 0
esto significa que para que el sistema de ecuaciones homogneo tenga soluciones no nulas, los
escalares interesantes son aquellos para los cuales det (A I) = 0. Estas observaciones motivan las siguientes definiciones:
DEFINICIN 4.1.1 Sean A una matriz de orden n n, un escalar y x un vector no nulo de orden
n 1, que satisfacen
Ax = x
Diremos que es un valor propio de la matriz A y x es un vector propio asociado al valor propio . El
conjunto de todos los valores propios de la matriz A se denota (A) y se llama espectro de A.
OBSERVACIN:
(A)
A I es singular
det(A I) = 0
Es decir, para encontrar los valores propios de una matriz A se debe buscar aquellos escalares
tales que det(A I) = 0 . Note que det(A I) es un polinomio en al que llamaremos
polinomio caracterstico de la matriz A y lo denotaremos por PA ().
86
EJEMPLOS:
3 0 0
3 0 0
1
1
1. Sea A = 0 5 0 .
Entonces, 0 5 0 0 = 3 0
0 0
0 0
0
0
1
y luego v = 0 es un vector propio de A asociado al valor propio -3 de A.
0
3 0 0
0
0
0
Anlogamente, 0 5 0 1 = 5 1
y luego v = 1 es un
0
3 0 0
0
0
0 5 0 0 = 0
0 0
1
1
0
y luego v = 0 es un vector propio
1
a11 0
0 a22
..
.
0
..
.
..
aii
..
0
0
..
.
ann
0
0
..
.
1
..
.
0
0
0
..
.
= aii
1
..
es decir, los vectores de la base cannica de Rn son vectores propios de A, asociados a los
respectivos valores propios aii , i = 1, , n.
87
C APTULO 4. D IAGONALIZACIN
A=
7 4
5 2
!
.
Calculamos
7
4
det (A I) =
5
2
= 2 5 + 6
Luego, el conjunto de
PROPOSICIN 4.1.1
EJEMPLOS:
1. Sea A =
Solucin:
=0
Para = 0 :
1 1
1 1
!
.
= 2 2 = 0
1
1
=2
1 1
1 1
x
y
!
=0
x
y
!
=
x+y =0
y = x
C APTULO 4. D IAGONALIZACIN
Para = 2 :
1 1
1 1
x
y
!
=2
x
y
!
=
x + y = 2x
x + y = 2y
xy =0
Luego, el vector (1, 1) es un vector propio asociado al valor propio = 0, y el espacio propio
asociado es h(1, 1)i.
!
0 1
2. Sea A =
. Determine los valores, vectores y espacios propios correspondientes.
1 0
1
Solucin: Claramente, det(A I) =
= 2 + 1 = 0 = i
1
En este caso, vemos que los valores propios no son nmeros reales, sino complejos. As, es
posible que una ecuacin caracterstica no tenga soluciones en R o que algunas soluciones
no pertenezcan a R. Por ello, es importante precisar el cuerpo que se est considerando. En
nuestro caso, ser R. En el ejemplo, entonces, podemos afirmar que esta matriz no posee
valores propios reales y por lo tanto no tiene vectores propios asociados en R2 .
1 2 3
=1
=2
Para 1 = 1:
1 2 3
x
x
0 2 3 y = 1 y
0 0 2
z
z
0 2 3
x
0
= 0 1 3 y = 0
0 0 1
z
0
1
y = z = 0 y por lo tanto un vector propio asociado es 0 y
el espacio propio
0
correspondiente es el eje x.
Para 2 = 2:
1 2 3
x
x
0 2 3 y = 2 y
0 0 2
z
z
90
1 2 3
x
0
0 0 3 y = 0
0 0 0
z
0
2
z = 0 x = 2y y por lo tanto un vector propio asociado es 1 y el espacio propio
0
correspondiente es el generado por este vector.
EJERCICIOS:
1. Para las matrices
A=
0 1
1 0
!
,
3 1 3
B = 20 3 10
2 2 4
0 0 1
C= 0 2 0
3 0 0
determinar los polinomios caractersticos, valores propios, espacios propios asociados y las
multiplicidades correspondientes.
2. Considere la matriz
A=
a b
c d
1
0 0
A = 1 2 0
1
0 1
4. Determine, si es posible, los valores, vectores y espacios propios correspondientes en cada
uno de los siguientes:
1
2
2 1
a) A =
0
2 1
b) B = 2 1
0
0
0
0
1 2
1
c) C = 2 0 2
1 2
3
1 1 1
d) D = 0 0 1
0 0 1
91
C APTULO 4. D IAGONALIZACIN
4.2.
Notemos que si P es una matriz no singular de orden n n y A es una matriz del mismo orden
entonces
det P 1 AP I
= det P 1 AP P 1 IP
= det P 1 (A I) P
= det P 1 det (A I) det (P )
= det (A I)
DEFINICIN 4.2.2 Diremos que una matriz A de orden n n es diagonalizable si existe una matriz
P del mismo orden y no singular tal que P 1 AP = D donde D es una matriz diagonal.
P 1 AP
P 1 AP = P 1 A2 P
= P 1 [0] P = [0]
de donde necesariamente D = [0] y as A = [0] lo que es una contradiccin.
92
Ann P = D =
1 0 0
0 2 0
..
.. . .
.
. ..
.
.
0 0 n
de donde
AP = P D
Si ponemos
h
P =
v1 v2 vn
1 v1 2 v2 n vn
TEOREMA 4.2.1 Una matriz es diagonalizable si y solo si el espacio tiene una base de vectores
propios de la matriz. En tal caso podemos obtener una matriz que diagonaliza a A poniendo los
vectores de tal base como columnas de la matriz P .
1
4 4
A = 8 11 8
8
8
5
Solucin: El polinomio carcaterstico es ( 1) ( + 3)2 y luego los valores propios son = 1
y = 3 que tiene multiplicidad algebraica 2.
W=1
*
+
1
= 2
2
W=3
* 1
1 +
= 1 , 0 .
0
1
93
C APTULO 4. D IAGONALIZACIN
1
1
1
Como los vectores propios 2 , 1 , 0 son L.I., la matriz es diagonalizable y
2
0
1
1
1 1 1
1
4 4
1 1 1
1 0
0
2 1 0 8 11 8 2 1 0 = 0 3 0
2 0 1
8
8
5
2 0 1
0 0 3
TEOREMA 4.2.4 Una matriz es diagonalizable si y solo si para todo valor propio la multiplicidades
algebraicas y geomtricas coinciden.
COROLARIO 4.2.1 Si todos los valores propios son distintos entonces la matriz es diagonalizable.
OBSERVACIN: El recproco de este corolario no es cierto.
1 1 2
A= 8
11 8
10 11
7
Respuesta: A no lo es y B si.
94
1
4 4
B = 8 11 8
8
8
5
4.3.
R.
2. i , j (A), i 6= j
= vi vj . Es decir, si i 6= j son valores propios de A,
los elementos de Wi son perpendiculares a los elementos de Wj . Escribimos en este caso
W i W j .
Dem.:
1. Recordemos que si v
Rn ,
v = (v1 , , vn ), entonces
vv =
n
X
vi2 .
i=1
v1
.
.
vT v = (v1 vn )
.
vn
Adems, si A Mnn (R), v Rn es un vector columna, entonces Av Rn es un vector
columna.
Con estas ideas en mente, sea (A) y sea x un vector propio asociado a . Entonces
Ax = x
Ax = x
i=1
pues A es real
pues A es simtrica
= (x) x
n
X
=
|xi |2
i=1
95
C APTULO 4. D IAGONALIZACIN
n
X
|xi |2 = 0
i=1
= x, AT y = hx, Ayi
= hx, j yi
= j hx, yi
Luego:
(i j ) hx, yi = 0
hx, yi = 0
de donde x y.
As, al diagonalizar una matriz simtrica, los vectores propios asociados a valores propios distintos son ortogonales. Sin embargo, si la multiplicidad algebraica de un vector propio difiere de la
multiplicidad geomtrica, los vectores propios que generan los espacios propios asociados a dicho
valor propio no tienen por qu ser perpendiculares. Para obtener una base del espacio formada por
vectores todos ortogonales entre s, podemos ortogonalizar estos vectores realizando el siguiente
proceso:
4.3.1.
Supongamos que x1 , x2 , . . . , xm son vectores L.I en Rn . Es posible construir vectores ortogonales y1 , y2 , . . . , yn tales que para cada k = 1, 2, . . . , m se cumple
G ({x1 , x2 , . . . , xk }) = G ({y1 , y2 , . . . , yk })
Los vectores yi se construyen siguiendo un anlogo a la contruccin de la proyeccin ortogonal:
y1 = x1
y2 = x2
hx2 , y1 i
y1
ky1 k2
..
.
yk+1 = xk+1
k
X
hxk+1 , yj i
j=1
96
kyj k2
yj
= (4, 0, 3)
y3 = (2, 9, 11)
= (0, 9, 0)
Obtenemos as un conjunto ortogonal de vectores que generan el mismo espacio vectorial que
el conjunto de los xi .
DEFINICIN 4.3.1 Diremos que una base B = {u1 , u2 , . . . , un } de un espacio vectorial V es una
base ortonormal, si los vectores de la base son ortogonales entre s y tienen norma 1.
TEOREMA 4.3.1 Sea A una matriz real y simtrica. Entonces, A es diagonalizable. Adems, existe
una base ortonormal de vectores propios asociados a A. La diagonalizacin puede ser llevada a
cabo en la forma
V T AV = D
donde V es una matriz ortonormal, es decir, es una matriz tal que V 1 = V T y sus columnas
son vectores propios ortonormales y D es la matriz diagonal que tiene los valores propios en su
diagonal principal.
De esta forma podemos describir todas las matrices simtricas de la siguiente forma:
PROPOSICIN 4.3.2 A es una matriz real simtrica si y solo si existe una matriz ortonormal V y
una matriz diagonal D tal que
A = V DV T
0 1 1
A= 1 0 1
1 1 0
a) Determine los valores propios y espacios propios asociados.
97
C APTULO 4. D IAGONALIZACIN
1 1
Para = 1 :
1 1
1 1
= ( + 1)2 ( 2)
1
x
0
1 y = 0
1
z
0
(A) = {1, 2}
x+y+z =0
Para = 2 :
2 1
1
x
0
1 2 1 y = 0
1
1 2
z
0
2x + y + z = 0
x 2y + z = 0
W2 = h(1, 1, 1)i
4.3.2.
Formas cuadrticas.
Escribiremos los vectores de Rn como columnas por consistencia para poder multiplicarlos con
las matrices.
x1
x2
F (
x ) = (
x ) A (
x)
Ilustracin:
Sean A =
Formas cuadrticas en R2
a b
c d
!
,
x
y
x=
F (x) =
x y
!
R2 .
a b
c d
Entonces:
x
y
!
= ax2 + dy 2 + (b + c) xy
Note que:
x y
a b
c d
x
y
!
=
b+c
2
b+c
2
x y
x
y
y que
B=
b+c
2
b+c
2
OBSERVACIN:
Toda forma cuadrtica F (
x ) = (
x ) A (
x ) puede ser escrita en la forma
T
(
x)
(x) A(x) = (x)
2
EJEMPLO 4.3.3 Escribir la forma cuadrtica F (x1 , x2 , x3 ) = x21 + 3x1 x2 2x1 x3 + x22 + x2 x3 + 2x33
en forma matricial, usando una matroz simtrica.
Solucin:
x1
1 3 2
F (x1 , x2 , x3 ) = x1 x2 x3 0 1 1 x2
0 0 2
x3
Sin embargo, podemos representarla con una matriz simtrica:
T
1 3 2
1 3 2
0 1 1 + 0 1 1
0 0 2
0 0 2
2
As
F (x1 , x2 , x3 ) =
x1 x2 x3
3
2
3
2
1
2
1
2
3
2
3
2
1
2
x1
1
2 x2
2
x3
99
C APTULO 4. D IAGONALIZACIN
n
X
i yi2
i=1
Dem.: Si F (
x ) = (
x ) A (
x ) es una forma cuadrtica podemos suponer que A es simtrica.
Toda matriz simtrica puede escribirse en la forma
A = V DV T
Entonces
T
T
(
x ) A (
x ) = (
x ) V DV T (
x)
T
= V T
x D V T (
x)
T
= (
y ) D (
y)
donde
y = V T (
x ).
DEFINICIN 4.3.3 (Clasificacin de formas cuadrticas)
T
forma cuadrtica F (
x ) = (
x ) A (
x ) es
definida positiva si
x Rn ,
x =
6 0 se cumple que F (
x ) > 0.
definida negativa si
x Rn ,
x 6= 0 se cumple que F (
x ) < 0.
semidefinida positiva si
x Rn se cumple que F (
x ) 0.
semidefinida negativa si
x Rn , se cumple que F (
x ) 0.
OBSERVACIN: Haciendo uso de la forma cannica de una forma cuadrtica, es fcil analizar si
sta es definida positiva, negativa, indefinida, etc.
100
4.4.
DEFINICIN 4.4.1 Una ecuacin cuadrtica en las variables x, y es una ecuacin de la forma
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
donde A, B, C, D, E son nmeros reales y al menos uno de los coeficientes A, B, C es no nulo.
Podemos escribir la ecuacin cuadrtica
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
en forma matricial:
x y
A B
B C
x
y
!
+
x
y
D E
x
y
!
+F =0
Si ponemos
L=
A B
B C
!
,
x =
K=
D E
x T L
x + K
x +F =0
Note que
x T L
x es una forma cuadrtica, donde L es una matriz simtrica.
Utilizando diagonalizacin para matrices simtricas mostraremos que siempre es posible rotar
los ejes de coordenadas de tal manera que la ecuacin con respecto al nuevo sistema no tenga
trminos en xy. El procedimiento es el siguiente:
Encontrar una matriz ortonormal V que diagonalice a la matriz L.
Utilizamos la transformacin de coordenadas
!
x
VT
=
y
x0
y0
utilizando una matriz V tal que det V = 1, garantizando as que es una matriz de rotacin.
Encontramos la ecuacin de la cnica en el nuevo sistema X 0 Y 0 en la forma
!
!
!!T
x0
x0
x0
V
LV
+ KV
+F = 0
y0
y0
y0
!T
!
!
0
0
x0
x
x
V T LV
+ KV
+F = 0
y0
y0
y0
101
C APTULO 4. D IAGONALIZACIN
V LV =
donde 1 y 2 son los valores propios de L. De esta forma la ecuacin de la cnica queda
1 x0
2
+ 2 y 0
2
+ D 0 x0 + E 0 y 0 + F = 0
x T L
x + K
x +F =0
donde
5 2
2 8
L=
!
,K =
20
80
y
x =
x
y
= 0
2 13 + 36 = 0
se sigue 1 = 4 y 2 = 9. Ahora buscamos los vectores propios asociados:
Para 1 = 4 se tiene
esto es
x
y
!
G
2
1
1 2
2 4
4 2
2 1
x
y
0
0
0
0
Para 2 = 9
102
x
y
lo que es equivalente a
x
y
1
2
!
.
5
5
V =
1
2
2
5
1
5
15
2
5
x0
y0
sustituyendo se obtiene
x0
y0
!T
x0
y0
V LV
!
+ KV
x0
y0
!
+F =0
en este caso
x0
y0
!T
4 0
0 9
x0
y0
!
+
20
80
2
5
1
5
15
2
5
x0
y0
!
+4=0
es decir
4(x0 )2 + 9(y 0 )2 8x0 36y 0 + 4 = 0
que corresponde a la elipse
(x 1)2 (y 0 2)2
+
=1
9
4
C APTULO 4. D IAGONALIZACIN
4.4.1.
Sea r = d(O, P ).
y 0 = r sen
y = r sen( + )
!
cos sen
La matriz C =
se llama matriz de rotacin. Notar que det C = 1. En genesen
cos
ral, cualquier matriz C cuyo determinante sea igual a 1, es una matriz de rotacin, que preserva la
orientacin. Ms general an, cualquier matriz C tal que det C = 1 se llama matriz ortogonal. Si
det C = 1, se dice que C es una matriz de rotacin que preserva la orientacin, y si det C = 1, se
dice que C es una matriz de rotacin que invierte la orientacin.
A(x0 cos y 0 sen )2 + 2B(x0 cos y 0 sen )(x0 sen + y 0 cos ) + C(x0 sen + y 0 cos )2 +
+D(x0 cos y 0 sen ) + E(x0 sen + y 0 cos ) + F = 0
A0
B0
C0
con
D0 = D cos + E sen
E0
= D sen + E cos
F0
= F
C APTULO 4. D IAGONALIZACIN
(C A) sen(2) + 2B cos(2) = 0
cotg (2) =
AC
2B
TEOREMA 4.4.1
Si la ecuacin Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
se transforma en
0
0
2
0
0
0
0
0
2
0
0
0
0
0
A (x ) + 2B x y + C (y ) + D x + E y + F = 0 por una rotacin en un ngulo (en sentido
positivo), entonces:
(i) C 0 + A0 = C + A
(ii) (B 0 )2 + (C 0 A0 )2 = B 2 + (C A)2
(iii) (B 0 )2 A0 C 0 = B 2 AC
Adems, existe un nico ngulo , 0 < < /2, tal que B 0 = 0, y tal ngulo est determinado
por
2B
AC
, si B 6= 0
tan(2) =
, si A 6= C.
cotg (2) =
2B
AC
Adicionalmente, el lugar geomtrico de los puntos del plano que satisfacen la ecuacin original
es:
(a) una elipse, (un punto el vaco, en el caso degenerado) si B 2 AC < 0
(b) una parbola, (una dos rectas paralelas, en el caso degenerado) si B 2 AC = 0
(c) una hiprbola (dos rectas que se intersectan, en el caso degenerado) si B 2 AC > 0
EJERCICIOS: En cada uno de los siguientes ejercicios, encuentre una base ortonormal de R2 y las
ecuaciones de rotacin correspondientes que permiten escribirla en la forma cannica e identifique
la cnica que representa.
1. 2x2 4xy y 2 + 8 = 0
2. x2 + 2xy + y 2 + 8x + y = 0
3. 5x2 + 4xy + 5y 2 = 9
6. 2x2 4xy y 2 4x 8y = 14
106
4.5.
1. Dada la ecuacin
107
C APTULO 4. D IAGONALIZACIN
108
Captulo 5
5.1.
que 2 I1 = [1, 2]; dividamos el intervalo en dos subintervalos de igual longitud = 12 , digamos
00
I10 = 1, 32 y I1 = 23 , 2 . Es fcil ver que 2 I10 ; llamemos I2 a tal intervalo. Ahora bien, como
2 I2 podemos dividir I2 en dos subintervalos I20 y I200 ambos de longitud 41 (longitud I2 ) = 212 , al
cual pertenezca 2; le llamamos I3 . Repetimos en forma inductiva este proceso, y de esta manera
x n 2 yn
para todo n N
Se sigue que
0
Esto nos dice que
1
2 xn (yn xn ) = n
2
1
para todo n N
2n
2 xn
1
= 9. 765 6 104
210
de
2.
En este ejemplo, a cada nmero natural le asignamos un nmero real xn que es el extremo izquierdo del intervalo In . Este tipo de asignacin se llama sucesin de nmeros reales y el proceso de se
va acercando es llamado convergencia. A continuacin formalizaremos estos conceptos.
5.1.1.
Conceptos bsicos
DEFINICIN 5.1.1 Una sucesin de nmeros reales es una funcin x : N R que asocia a cada nmero natural n un nmero real x (n) que denotaremos por xn y que llamaremos el n-simo trmino
de la sucesin.
109
Generalmente se denotan las sucesiones en la forma (xn ), (xn )nN , (xn )nA , {xn }nN o
(x1 , x2 , x3 , . . . , xn , . . . ). Debemos, sin embargo, distinguir entre una sucesin (que es una funcin)
y el conjunto de los valores que toma la sucesin (que es el recorrido de tal sucesin). Estos son
objetos diferentes que pueden confundirse, por ejemplo:
Considere la sucesin X : N R, n X (n) = (1)n . Si bien esta funcin toma solo dos
valores, debemos distinguirla del conjunto {1, 1} que sera el recorrido de tal sucesin. Quizs lo
que deje ms en claro la diferencia entre estos objetos, sea que en la funcin existe un cierto orden
en el que se asumen los valores, en cambio en el conjunto recorrido, sto no es relevante.
OBSERVACIN: Se acostumbra, a veces, a definir una sucesin listando los primeros trminos de
ella y detenindose cuando la regla de formacin de la sucesin sea clara; por ejemplo
(2, 4, 6, 8, . . . )
podra denotar a la sucesin de los nmeros pares. Debe tenerse presente, sin embargo, que formalmente esta manera de definir una sucesin no es del todo correcta. Nada impide afirmar que
la sucesin indicada no represente, por ejemplo, a
(2, 4, 6, 8, 2, 4, 6, 8, )
Tambin existen reglas de formacin que permitiran construir stas ... o muchas otras.
Un mtodo correcto para definir una sucesin es especificar una frmula para el trmino
n-simo de la sucesin; por ejemplo:
(2n)nN
Otro mtodo correcto para definir sucesiones, llamado mtodo inductivo, es aquel en el que se define
el trmino xn+1 basndose en una frmula recursiva, conocidos algunos valores de la sucesin. Por
ejemplo, podemos definir la sucesin de los pares mediante la frmula recursiva
x1 = 2,
xn+1 = 2 + xn
para
n1
a2 = 1
an+1 = an + an1
para n 2
en el cual tomamos como base dos casos anteriores. Los primeros nmeros de esta sucesin sern:
a1 = 1
a2 = 1
a3 = a2 + a1 = 1 + 1 = 2
a4 = a3 + a2 = 2 + 1 = 3
a5 = a4 + a3 = 3 + 2 = 5
110
OBSERVACIN:
1. Es posible representar una sucesin en la recta real mostrando los valores que toma la sucesin en determinados valores de n. Por ejemplo, la representacin en la recta real para la
sucesin n1 nN es:
2. No hay motivo para restringir la definicin de sucesin solo a sucesiones reales. Por ejemplo,
f : N C tal que f (i) = in , es una sucesin de nmeros complejos.
Ms an, es posible extender la definicin a sucesiones de funciones o sucesiones de conjuntos. Por ejemplo:
: N P(N) tal que (n) = {1, 2, , n}, es una sucesin de conjuntos.
EJEMPLOS:
1. Las progresiones son ejemplos de sucesiones. Las progresiones geomtricas corresponden a
sucesiones del tipo
x : N R
xn = a1 rn1
xn = a1 + (n 1) d
n
3. El dcimo trmino de la sucesin
1
n nN
xn =
es
1(1)n
2
es decir, corres-
1 (1)n
2
1
10 .
111
1 n
n .
n
X
n 1
xn =
k nk
k=0
y como
n
n!
=
k
(n k)! k!
entonces
n 1
k nk
n (n 1) (n k + 1) (n k)!
(n k)! k! nk
n (n 1) (n k + 1)
=
k!nk
2
k1 1
1
1
1
= 1 1
n
n
n
k!
=
Luego
xn
1 n
=
1+
n
n
X
1
2
k1 1
1 1
= 1+
1
1
n
n
n
k!
k=1
n
n
X
X
1
1
1+
=
k!
k!
k=1
k=0
pues
1
2
k1
1 1
1
1
1 11 = 1
n
n
n
Ahora, note que
n
n
X
X
1
1
=1+1+
k!
k!
k=0
k=2
Pero
k! 2k1
para k 2
y as
n
X
1
k!
= 1+1+
k=0
1+1+
n
X
1
k!
k=2
n
X
k=2
1
2k1
1
=1+2 1 n <3
2
1 n
1+
<3
n
n N
1
16 , . . .
puede ser
1
2n1
6. A pesar del ejemplo anterior, no siempre es posible determinar una frmula para el nsimo
trmino de una sucesin. Considere, por ejemplo, la sucesin de los nmeros primos:
x1 = 2,
x2 = 3,
x3 = 5,
x4 = 7
EJERCICIOS: Determine una regla de formacin, o frmula para el nsimo trmino, en los siguientes casos:
1 2 3 4
, , , ,
1.
2 3 4 5
2 3
4 5
2. , , , ,
3 9 27 81
3. (1, 0, 1, 0, 1, 0, 1, 0, 1, )
4 5
6
7
3
, ,
,
,
,
4.
5 25 125 625 3125
X
Y
como la sucesin
xn
yn
EJEMPLO 5.1.1
Si X = n1 nN y Y = (2n)nN entonces:
XY = (2)nN = (2, 2, 2, . . . , 2, . . . ) es una sucesin constante que solo toma el valor 2.
Y /X = 2n2 nN .
EJEMPLOS:
1. La sucesin
1+
1 n
n
nN
En efecto, es claro que 0 xn para cada n N y en los ejemplos se vi que xn < 3 para cada
n N, es decir xn [0, 3] para cada n N.
2. {(1)n }nN es una sucesin acotada pues |xn | = |(1)n | = 1 y luego xn [1, 1] para
cada n N.
3. sen n2 + 2 nN es una sucesin acotada.
4. Sea a R, y defina la sucesin xn = an . Estudiaremos si sta es o no acotada.
a) Si a [1, 1] entonces xn = an est acotada, a saber, |xn | = |a|n 1n = 1. Luego,
xn [1, 1] para todo n N.
b) Si a < 1 entonces xn no es acotada ni superior ni inferiormente. En efecto:
note que a2 > 1, de donde, para algn d > 0:
a2 = 1 + d
entonces
a2n = (1 + d)n 1 + nd
(desigualdad de Bernoulli)
Basta considerar
n
X
xk
k=1
n+1
X
k=1
xk
n
X
xk = xn+1 0
an+1 an
k=1
Algunos ejemplos de esto son las sucesiones que tienen por n-simo trmino:
an = 1 +
1
1
1
+ + +
1! 2!
n!
1 1
1
+ + +
2 3
n
1
1
1
an = 1 + 2 + 2 + + 2
2
3
n
an = 1 +
DEFINICIN 5.1.5
Considere una sucesin (xn ) = (x1 , x2 , x3 , . . . ). Una subsucesin de (xn ) es
una nueva sucesin que se forma considerando algunos n digamos n1 , n2 , n3 . . . que cumplen
n1 < n2 < n3 < . . . < nk < Ms formalmente, una subsucesin de una sucesin es una
nueva sucesin que se forma al efectuar la composicin de la sucesin original con una funcin
Y : N N que es estrictamente creciente.
EJEMPLOS:
1. Dada la sucesin (xn ) podemos extraer la subsucesin de los trminos de lugares pares
(x2 , x4 , x6 , . . . ) = (x2n ). Tambin podemos extraer la de los lugares impares (x1 , x3 , x5 , . . . ) =
(x2n1 ). La primera corresponde a efectuar una composicin con la funcin Y : N N,
n Y (n) = 2n y la segunda con la funcin Y : N N, n Y (n) = 2n 1. Ambas
son estrictamente crecientes. Podramos tambin considerar Y : N N, n Y (n) = n2 y
obtenemos la subsucesin
(x1 , x4 , x9 , x16 , . . . )
2. Considere la sucesin 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . . Notar que en el lugar n = 1 est el 1. En
el lugar 1 + 2 est el 2; en el lugar 1 + 2 + 3 est el 3, en el lugar 1 + 2 + 3 + 4 est el 4. As:
x1+2+3++n = n
de donde
x n(n+1) = n
2
5.2.
5.2.1.
El concepto de convergencia
Intuitivamente, el concepto de convergencia de una sucesin est relacionado con los valores
que toma la sucesin a medida que n crece (como el concepto de lmite). Si los valores estn tan
cerca como se quiera de un nmero L, a partir de un n en adelante, entonces decimos que la
sucesin converge a L. Ms formalmente:
116
DEFINICIN 5.2.1 Sea (xn ) una sucesin y L un nmero real. Diremos que xn converge a L, o que
el lmite de la sucesin (xn ) es L, si
> 0
En tal caso escribiremos
N N : n N,
nN
|xn L| <
lm xn = L o simplemente xn L.
OBSERVACIN:
Note que |xn L| < es equivalente a pedir xn ]L , L + [. Luego, la definicin de
convergencia nos dice que a partir de N en adelante, los valores de la sucesin xn (es decir,
xN , xN +1 , xN +2 , . . . ) se encontrarn en el intervalo anterior. Como el es cualquiera, en particular podemos pedir que sea tan pequeo como queramos, lo cual formaliza la idea de estar
tan cerca de L como se quiera.
Notemos tambin que
|xn L| <
|(xn L) 0| <
||xn L| 0| <
i
lm (xn L) = 0
i
lm |xn L| = 0
DEFINICIN 5.2.2 Una sucesin que posee lmite se dir convergente; en caso contrario se dice
divergente.
EJEMPLOS:
1. Consideremos la sucesin xn = an con |a| < 1, a 6= 0. Intuitivamente pareciera ser
que los valores de la sucesin se acercan a cero a medida que n crece; formalicemos esto:
Notemos que |xn | = |a|n ; luego
|a| < 1
de donde
1+d=
1
|a|
1<
1
|a|
Entonces
1
|a|
n
= (1 + d) =
n
X
n
k=0
n
d
1
dk
= nd
117
1
|a|n
nd
entonces
|xn 0| = |a|n <
de donde
1
<
nd
1
nd
1
<n
d
Estamos ahora en condiciones de mostrar que el lmite de esta sucesin es cero: Sea > 0
1
1
arbitrario; si n d
+ 1 (la parte entera de d
ms 1) entonces se cumple
|xn 0| <
En efecto:
1
d
+1>
1
d
1
<
nd
>
Pero
|xn 0| <
n
n+1
1
nd .
lm an = 0
1.
n
1 1
<
|xn 1| =
1 =
n+1
n + 1 n
Luego, sea > 0; entonces, existe N = 1 + 1 tal que
n N
En efecto: si n N =
|xn 1| <
1
+
1
entonces n 1 y as > n1 ; pero
n
1 1
<
|xn 1| =
1 =
n+1
n + 1 n
de donde
|xn 1| <
y luego, hemos demostrado
lm
n
n+1
=1
3. Considere la sucesin xn = (1)n . Vemos que esta sucesin toma los valores 1 y 1 en forma
alternada. Si la sucesin fuese convergente, es decir, si xn L, entonces debera existir un
N N tal que para todo n N :
1
|xn L| <
4
118
1
4
1
1
<L1<
4
4
3
5
<L<
4
4
1
4
1
1
<L+1<
4
4
5
3
<L<
4
4
Claramente, no existe ningn nmero en ambos intervalos, por lo que tal L no puede existir.
Es decir, lm (1)n no existe, es decir (xn ) diverge.
n
|xn L1 | <
n N2
|xn L2 | <
Pues bien: si n m
ax {N1 , N2 }, entonces
|L1 L2 | = |L1 xn + xn L2 |
|xn L1 | + |xn L2 |
< 2
As, como el nmero es arbitrario no queda otra opcin ms que L1 = L2 .
2. lm (xn yn ) = AB
n
3. lm
xn
yn
=
A
si B 6= 0.
B
119
EJEMPLOS:
1
1
1. Es fcil mostrar que
0 para p N.
0. Del lgebra de lmites, se sigue que
n
np
Utilizando 2. del teorema anterior con la sucesin constante () se sigue
0
nk
cuando
3n4 + 2n + 1
2n4 + 1
=
2
n3
2+
1
n4
3+
1
n4
3n4 + 2n + 1
2n4 + 1
2
n3
2+
1
n4
3+
lm
1
n4
1
2
3+ 3 + 4
n
n
n
1
lm 2 + 4
n
n
3+0+0
3
=
2+0+0
2
lm
DEFINICIN 5.2.3 Sea (xn ) una sucesin. Diremos que xn tiende a infinito cuando n tiende a infinito, si
K > 0
N N :
nN
xn > K
N N :
nN
xn < K
EJEMPLOS:
1. Considere la sucesin xn = (1)n n2 entonces xn 6 +. Note que a medida que n crece, la
sucesin alterna entre nmeros positivos y negativos que van creciendo en valor absoluto.
120
2. Si xn =
n2
entonces lm xn = +. En efecto,
n
(0,5)n
0,5 < 1 1 <
as
xn =
1
1
1<
0,5
(0,5)n
n2
> n2 n
(0,5)n
lm (xn + yn ) = +
lm (xn yn ) = +
3. Si lm xn = 0, xn > 0 para todo n N y existe > 0 tal que yn > para todo n N
n
entonces
yn
lm
= +
n xn
5.2.2.
TEOREMA 5.2.4 Si (xn ) es una sucesin convergente a L entonces toda subsucesin (xnk ) converge
y tambin a L.
OBSERVACIN: Este teorema nos entrega un muy til criterio para decidir la divergencia de una
sucesin: si (xn ) es una sucesin que posee una subsucesin divergente entonces diverge. Si (xn )
posee dos subsucesiones que convergen a lmites distintos entonces la sucesin diverge.
121
EJEMPLOS:
1. La sucesin xn = (1)n es divergente.
x2n = 1
que convergen pero a lmites diferentes.
2. Si
x1 = 2
xn+1 =
1
xn
para
n1
xn
L
Pero, como (xn+1 ) es una subsucesin, debiera tenerse que xn+1 L. As
xn+1 =
1
xn
L=
1
L
es decir
L2 = 1
lo que no es posible en los nmeros reales.
3. La sucesin dada por xn = (1)n n2 no es convergente; en efecto, la subsucesin x2n = 4n2
diverge.
El siguiente teorema nos dice que para n grandes los trminos de la sucesin permanecen
cercadel lmite
TEOREMA 5.2.5 Si lm xn = L y a < L entonces N N :
n N se cumple a < xn .
n
Anlogamente, si a > L entonces K N : n K se cumple a > xn .
TEOREMA 5.2.6 Si lm xn = L1 , lm yn = L2 y se cumple N N n N, n N : xn yn
n
n
entonces L1 L2 .
OBSERVACIN: xn < yn no implica necesariamente que L1 < L2 . Por ejemplo, considere las sucey yn = n1 . Entonces
siones dadas por xn = 1
n
xn < yn
pero L1 = L2 = 0.
122
para n N
Tomando M = m
ax {|x1 | , |x2 | , . . . , |xN 1 | , L + 1} se sigue
|xn | M
n N
EJEMPLOS:
1. Sabemos que xn =
n
converge a 1. Adems, sabemos que
n+1
|xn 1| <
1
n
3n4 + 2n + 1
2n4 + 1
=
3
2
= 3
4
4n
4n
Luego
xn
de donde
3 5
<
2 4
1 11
xn
,
4 4
TEOREMA 5.2.8 (de Bolzano-Weierstrass) Toda sucesin acotada posee una subsucesin convergente.
123
De esto obtenemos que (sen n) posee dos subsucesiones que convergen, pero a lmites diferentes;
as, (sen n) es una sucesin divergente.
5.2.3.
TEOREMA 5.2.9 Toda sucesin creciente y acotada superiormente converge. De manera similar,
toda sucesin decreciente y acotada inferiormente converge.
Dem.:
Por hiptesis, A es no vaco y acotado superiormente; por el axioma del supremo, se sigue que
existe el supremo de este conjunto y lo denotaremos por l. Sea > 0 arbitrario. Como l < l se
sigue que l no es cota superior de A (l es la menor cota superior del conjunto), as existe un n0
tal que
l < xn0
Como la sucesin es creciente, para n n0 se sigue
xn0 xn
de donde
l < xn0 xn
124
n n0
(recordar que el supremo no tiene porque pertenecer al conjunto). Se deja de ejercicio mostrar el
caso decreciente y acotada inferiormente.
EJEMPLOS:
n
X
1
es creciente y acotada superiormente por 3. Por el
k!
k=0
teorema anterior, sabemos que esta sucesin converge.
xn =
a1 =
an+1 =
Solucin:
2
para n 1
2 + an
pero an+1 =
an + 2 y an+2 =
an + 2 an+1 + 2
p
an + 2 an+1 + 2
an+1 + 2. As,
an an+1
an+1 an+2
Se sigue que la sucesin es creciente. Tambin es facil demostrar por induccin que
an 2
Claramente,
n N
an + 2 4
an + 2 4
an+1 2
125
De esta forma, {an } es una sucesin creciente y acotada superiormente por 2, luego converge.
L= 2+L
de donde
L2 L 2 = 0
L = 2
L = 1
El teorema del Sandwich para sucesiones es muy til para clculo de lmites, como ya vimos
en MAT021. Veamos algunos ejemplos:
EJEMPLOS:
1. Considere la sucesin xn =
entonces
n
a donde a > 0. Mostremos que lm xn = 1. En efecto, si a > 1
n
donde dn 0
a = 1 + dn
Se sigue que
a = (1 + dn )n ndn
y as
a
dn 0
n
a = lm (1 + dn ) = 1
n
126
1
,
d
d>1
1
a=
n
d
1
1
n
=1
=
lm a = lm
n
n
n
d
lmn n d
Si a = 1, es claro.
2. Calcular
Solucin:
lm
2n + 3 n .
Note que
3n 2n + 3n 3n + 3n
de donde
2n + 3n
Pero
lm 3 = lm
lm
3. Calcular
lm
Solucin:
n
2 3n = 3 2
n
3 2 =3
2n + 3 n = 3
n
X
i=1
1
n2 + i
Notemos que
n2 + 1 n2 + i n2 + n
i = 1, 2, . . . , n
Entonces
p
p
p
n2 + 1 n 2 + i n2 + n
As, para i = 1, 2, . . . , n:
de donde
n
X
i=1
Pero
n
X
i=1
entonces
1
1
1
2
2
+n
n +i
n +1
n2
n2 + n
2
n +n
n
X
i=1
n2 + i
n
X
i=1
n2 + 1
n
X
n
1
n
=
y
=
2
2
2
n + n i=1
n +1
n +1
n
X
n
n2 + n
i=1
1
n2 + i
n
n2 + 1
lm
=1
2+i
n
n
i=1
127
Ahora enunciaremos un teorema que relaciona el clculo de lmites de funciones con el clculo
de lmites de sucesiones, lo que es muy til pues ya contamos con la regla de LHpital.
EJEMPLOS:
1. Sea xn = 1 +
1 n
n .
Definiendo f (x) = 1 +
1 x
x
1 x
lm xn = lm 1 +
=e
n
x
x
2. Sea xn =
lm x1/x = 1 se sigue
n
n=1
Este lmite tambin se puede calcular a travs del teorema del Sandwich.
TEOREMA 5.2.12 Si (xn ) es una sucesin que converge a cero y (yn ) es una sucesin acotada entonces (xn yn ) converge a cero.
EJEMPLO 5.2.2
sen n
lm
=0
n
n
Note que sen n no converge pero, como n1 0, slo necesitamos que est acotada.
TEOREMA 5.2.13 Sea A R un conjunto que es unin de intervalos abiertos. Sea f : A R una
funcin y a A. La funcin f es continua en a si y solo si para toda sucesin (an ) con an A,
n N y an a se cumple f (an ) f (a).
n+4
2n + 1
2. (an ) = ( n + 1 n)
128
n
n
3. (an ) =
sen
2n + 1
2
2 + 2n
4. (an ) =
1 + 2n
5.3.
DEFINICIN 5.3.1 Una serie de nmeros reales es un par ordenado ((ak ) , (Sn )) de sucesiones de
nmeros reales las cuales estn relacionadas de la siguiente forma:
n N : Sn = a1 + a2 + + an =
n
X
ak
k=1
o equivalentemente
k N : ak = Sk Sk1
donde tomamos S0 = 0 por convencin.
La primera sucesin del par es llamada sucesin de trminos de la serie y la segunda sucesin
es llamada sucesin de sumas parciales de la serie.
Por simplicidad utilizaremos la sugerente notacin histrica para una serie ((ak ) , (Sn ))
+
X
ak ((ak ) , (Sn ))
k=1
OBSERVACIN:
Si ((ak ) , (Sn )) es una serie, cada una de las sucesiones que la conforma determina la otra.
En algunos casos es conveniente usar la sucesin de trminos en la forma am , am+1 , am+2
para algn m Z; en tal caso usamos la notacin para la serie
ak
k=m
+
X
ak
k=1
n+
129
n+
+
X
ak = L
k=1
EJEMPLOS:
1. La serie
+
X
k es divergente.
k=1
n
X
k=
k=1
lm Sn = lm
2. La serie
n (n + 1)
2
n (n + 1)
, de donde
2
= +
+
X
1
es convergente.
2k
k=1
n
X
1
1 1 21n
=
, entonces
2 12
2k
k=1
lm Sn = lm
+
X
ak y
k=1
+
X
+
X
k=1
(ak ) = A
k=1
2.
+
X
k=1
(ak + bk ) =
+
X
k=1
!
ak
+
X
!
bk
=A+B
k=1
+
X
1
EJERCICIOS: Es convergente la serie
k k ?
3
k=1
130
1
2n+1
1
2
!
=1
tambin R entonces:
1.
1
2
PROPOSICIN 5.3.2 Si
k=1
Dem.:
Si lm Sn = L, entonces
n
lm an =
= LL=0
OBSERVACIN: La proposicin anterior nos entrega una condicin necesaria pero no suficiente para
+
X
la convergencia de una serie. Es decir, para que
ak converja, es necesario que lm ak = 0. Sin
k
k=1
embargo, sto no es suficiente. De esta manera, al menos se dispone de un criterio para determinar
+
+
X
X
la divergencia de algunas series: si
ak es una serie en la cual lm an 6= 0, entonces
ak
n
k=1
k=1
diverge.
El siguiente ejemplo muestra que, a pesar que lm ak = 0, una serie puede ser divergente.
k
EJEMPLOS:
1. La serie
+
X
k=1
ln
k
k+1
En efecto: Sn =
n
X
k=1
diverge.
ln
k
k+1
=
n
X
de donde
k=1
lm ln (n + 1) =
n+
k
k+1
=0
X
an + 1
.
3an + 2
n=0
131
+
X
(1)k
+
X
1
k
k
k=1
2.-
k=1
3.-
+
X
k
ln k
4.-
k=1
+
X
k=1
k!
2k! + 1
En general, encontrar expresiones explcitas para las sumas parciales no es tarea fcil y solo en
contados casos es conveniente analizar la convergencia de una serie de esta manera. Veremos dos
ejemplos muy importantes en los cuales podemos encontrar expresiones para las sumas parciales.
+
X
k=1
telescpica.
PROPOSICIN 5.3.3 Una serie telescpica
+
X
k=1
(bk bk+1 ) = b1 lm bk
k
k=1
Dem.:
EJEMPLOS:
1. Mostrar que la serie
+
X
k=1
1
converge, y encuentre su lmite.
4k 2 1
2. Muestre que
X
k=1
k+1 k
=1
k2 + k
ark
k=0
de razn r.
k=0
X
k=0
132
ark =
a
1r
Dem.:
1 rn
1r
si |r| > 1:
1 rn
1r
=
a
1r
EJEMPLOS:
1. Calcular
+
X
(1)k 2k
k=2
3k+1
+
X
(1)n xn + 3n x2n
k=1
4n
5.4.
5.4.1.
Como una serie no es sino una sucesin de sumas parciales, una serie ser convergente si lo es
la correspondiente sucesin de sumas parciales. Si ak 0 para todo k N decimos que la serie
X
ak es una serie de trminos positivos. En este caso, la sucesin de sumas parciales Sn satisface
k=1
Sn+1 Sn = an+1 0
Sn+1 Sn
n N
As, {Sn } es una sucesin creciente, y luego converge si y solo si es acotada. Por lo tanto, en el caso
de series de trminos positivos, ellas sers convergentes si y solo si la sucesin de sumas parciales
es acotada, como se enuncia en el siguiente
133
TEOREMA 5.4.1 Sea {ak } una sucesin de trminos positivos. Entonces, la serie
ak converge
k=1
n
X
ak
es acotada;
en tal caso:
k=1
ak = sup {Sn : n N}
k=1
k
X
2 +k
k=1
3k + k
es convergente. En efecto:
2k + k
2k + 2 k
2
3k + k
3k
luego
Sn =
n k
X
2 +k
k=1
3k + k
k
2
3
k
n
k
X
X
2
2
2
2
=4
3
3
k=1
k=1
TEOREMA 5.4.2 (Criterio de la integral) Sea f : [1, +[ R+ una funcin continua (a valores
positivos) y decreciente en [1, +[. Si
ak = f (k) para k N,
Z
ak
converge
f (x) dx
converge.
k=1
Dem.:
entonces
de donde
Z
ak
f (x) dx ak1
para k 2
k1
entonces
n
X
k=2
134
Z
ak
f (x) dx
1
n1
X
k=1
ak
se sigue que
n
Z
Sn x1
f (x) dx Sn1
1
f (x) dx < (es decir, si la integral impropia converge) entonces Sn es acotada y luego
Z +
f (x) dx diverge, como
converge; ahora, si
Si
f (x) dx Sn1
1
la serie es divergente.
OBSERVACIN: La integral y la serie no necesariamente convergen al mismo valor.
EJEMPLOS:
X
X
1
1
1. La serie
converge si y solo si p > 1. En particular,
diverge.
kp
k
k=1
2. La serie
X
k=2
k=1
1
es divergente.
n ln n
TEOREMA 5.4.3 (Criterio de comparacin) Sean {ak } y {bk } sucesiones tales que 0 ak bk pa
X
X
X
X
ra cada k k0 . Si
ak diverge entonces
bk diverge y si
bk converge entonces
ak
converge.
k=1
k=1
k=1
k=1
X
k=1
2.
X
k=1
3.
X
k=1
2 n + 3n
4.
1
n
2 +1
5.
X
k=1
1
n3 + 3n + 4
X
3 sen2 n
k=1
n!
1
n + ln n
135
TEOREMA 5.4.4 (Criterio de comparacin al lmite) Sean {ak } y {bk } sucesiones de nmeros positivos tales que
ak
lm
= L > 0;
entonces
k bk
X
k=1
ak
converge
bk
converge.
k=1
X
3n3 5n2
1.
2n6 + 4n 1
k=1
2.
X
k=1
3.
X
k=1
136
1
n3 + 1
arc tan
1
n2
5.4.2.
Los criterios de comparacin directa y comparacin al lmite utilizan la convergencia o divergencia de una serie auxiliar para concluir sobre la convergencia o divergencia de la serie dada.
Ahora mostraremos dos criterios que utilizan el comportamiento de la misma serie para concluir
sobre su convergencia o divergencia.
TEOREMA 5.4.5 (Criterio del cuociente) Sea {xn }nN una sucesin de nmeros reales no nulos tales que
xn+1
=r
lm
n xn
entonces:
1. Si 0 r < 1 entonces
|xn | y
n=1
2. Si r > 1 entonces
xn convergen.
n=1
|xn | y
n=1
xn divergen.
n=1
Dem.:
r+1
2
xn+1
=r
entonces r < R < 1. Como lm
n
xn
se sigue que
N0 N
De esta forma
As, an =
xn+1
xn R
n N0 :
|xn |
|xn+1 |
n
Rn+1
R
para n N0 .
|xn |
es una sucesin decreciente, luego para n N0 :
Rn
an aN0
Se sigue, para n N0 :
|xn |
aN0
Rn
|xn | aN0 Rn
|xn |
converge y as
|xn |
converge.
n=1
n=N0
|xn | xn |xn | + xn
+
2
2
137
X
|xn | xn
2
n=1
X
|xn | + xn
n=1
son series de trminos positivos y convergen por comparacin directa con la serie
|xn | pues
n=1
|xn | xn
|xn |
2
Luego
xn =
n=1
|xn | + xn
|xn |
2
X
|xn | + xn
2
n=1
X
|xn | xn
2
n=1
es convergente.
Si r > 1 es fcil mostrar el lmite del trmino general no puede ser cero y por tanto ambas series
son divergentes.
Cuando r = 1 el criterio no entrega informacin. Basta notar, por ejemplo, que
X
1
n
es divergente y
X
1
n2
es convergente
n=1
n=1
n=1
2.
X
n!
3.
nn
X
(2)n
n!
n=1
X
(1)n n25
n=1
4.
3n+1
X
n!
5n
n=1
TEOREMA 5.4.6 (Criterio de la raz) Sea {xn }nN una sucesin de nmeros reales tales que
p
lm n |xn | = r.
n
Entonces:
1. Si 0 r < 1 entonces
|xn | y
n=1
2. Si r > 1 entonces
X
n=1
138
|xn | y
xn convergen.
n=1
X
n=1
xn divergen.
1
(ln n)n
n=3
n
X
n
b)
2n + 1
n=1
X
ln n n
c)
1000
a)
n=1
X
xn + 2x2n
n=1
5.5.
Series Alternadas
DEFINICIN 5.5.1 Diremos que una serie es alternante o alternada si sus trminos se alternan entre
positivo y negativo, es decir, tienen la forma (1)n an o (1)n+1 an donde an 0 para todo
n N.
X
(2)n
n=1
n!
X
(1)n
n=1
(1)n
n=1
TEOREMA 5.5.1 (Criterio de Leibnitz) Sea (xn )nN una sucesin de trminos positivos decreciente
tales que
lm xn = 0
n
n=1
|S Sn | < |xn+1 |
Esta ltima relacin permite medir la rapidez de convergencia.
139
X
(1)n+1
n=1
X
(1)n ln n
n=1
son convergentes.
X
(1)n+1
n=1
1 + x + x2 + + xn =
Recordemos que
1 xn+1
para x 6= 1
1x
1 x + x2 + (1)n xn =
para x 6= 1
1 (1)n+1 tn+1
1+t
Z
0
!
dt
para x > 0.
Si evaluamos en x = 1 se obtiene
(1)n
1 1
1 + +
2 3
n+1
Pero
!
1 (1)n+1 tn+1
=
dt
1+t
0
!
Z 1
Z 1
1
(1)n+1 tn+1
=
dt +
dt
1+t
1+t
0
0
Z
1
entonces
n
X
(1)k
k=0
k+1
1
1+t
Z
dt = ln 2
(1)n+1 tn+1
1+t
= ln 2 +
0
luego, si ponemos
Sn =
n
X
(1)k
k=0
entonces
k+1
|Sn ln 2| =
0
Como t [0, 1] :
1 1 + t 2 y luego
1
1
1+t
140
tn+1
dt
1+t
!
dt
As
Z
|Sn ln 2|
0
se sigue que
X
(1)k
k=0
k+1
es decir
1
5.5.1.
tn+1
dt
1+t
tn+1 dt =
X
(1)k+1
k=1
1
n+2
= ln 2
1 1 1 1
+ + = ln 2
2 3 4 5
Las series de trminos generales no tienen porqu ser alternantes; por ejemplo la serie
X
sen n
n=1
n2
sen n
1
1
2
2
2
n
n
n
se sigue
0
sen n + 1
2
2
2
n
n
X
sen n
n=1
n2
n2
=
X
sen n + 1
n=1
n2
X
1
n2
es convergente.
n=1
En este caso, note que era fcil analizar la convergencia de de la serie de trminos positivos
X
sen n
2
n
n=1
X
n=1
1
.
n2
141
n=1
xn converge.
n=1
Dem.: Utilizar
|xn | xn |xn | + xn
+
2
2
X
y comparacin para obtener la convergencia de
xn como en la demostracin del criterio del
|xn | =
n=1
cuociente.
X
(1)k+1
OBSERVACIN: El recproco no es cierto. Considere, por ejemplo, la serie
que es conk
k=1
k+1
X
X1
(1)
no lo es.
vergente, pero
=
k
k
k=1
k=1
xk converge pero
k=1
|xk | es convergente.
k=1
k=1
k=1
X
(1)n
n + ln n
k=1
X
(2)n
k=1
n2 3n
Reordenamiento de series
Sabemos que
X
(1)k+1
k=1
= ln 2
...
2
3
4
5
6
7
8
9
10
11
12
1
1
1 1
1
1
1
1
1
1
=
1
+
2
4
3 6
8
5 10
12
7 14
1 1 1 1
1
1
1
=
+ +
+
...
2 4 6 8 10 12 14
1
1 1 1 1 1 1
=
1 + + + ...
2
2 3 4 5 6 7
1
=
ln 2
2
142
1
ln 2
2
contradiccin!!!
En las series, que son sumas infinitas, no da lo mismo el orden en que sumen los trminos.
P
TEOREMA 5.5.3 Si an es una serie absolutamente convergente entonces todos los reordenamientos convergen al mismo valor.
5.6.
X
(1)n+1
n=0
2n + 1
2.
3.
143
144
Captulo 6
Series de Potencias
6.1.
DEFINICIN 6.1.1 Sea {Cn }nN{0} una sucesin de nmeros reales y sea x0 R. Una serie de
potencias es una serie de la forma
+
X
Cn (x x0 )n
n=0
+ n
X
x
+ n
X
x
n!
n
n=0
no es una serie de potencias.
n=0
2. Notar que
+
X
+
X
(x 2)n
n=0
2n
+
X
cos(nx)
n=0
n2 + 1
n=0
+
X
1
=
xn ,
1x
x ] 1, 1[
n=0
Luego, la serie converge en un intervalo; esta propiedad es una caracterstica comn a las
series de potencias.
+
X
n=0
absolutamente x: |x| < |a|. Si la serie diverge en x = b, b 6= 0, entonces diverge x: |x| > |b|.
145
Dem.:
+
X
n=0
lm Cn an = 0
1
|Cn | < n ,
|a|
As,
nN
N : n N
|Cn
bn |
|Cn an | < 1
n
b
< ,
a
nN
X
X b n
converge y as
|Cn bn | converge.
a
+
X
Cn bn
converge absolutamente.
n=0
Suponga que
+
X
n=0
+
X
n=0
la parte anterior.
COROLARIO 6.1.1 Para una serie de potencias de la forma
+
X
n=0
las siguientes:
a)
+
X
n=0
b)
+
X
n=0
+
X
Cn x n
converge absolutamente
Cn x n
diverge
n=0
x : |x| > R
+
X
n=0
Dem.: Sea
(
I=
x R {0} :
+
X
)
Cn xn converge
n=0
+
X
n=0
Cn xn0
converge, y x1 :
+
X
Cn xn1
n=0
diverge. Luego, I 6= y es acotado superiormente, por lo tanto tiene supremo. Sea R = sup I.
Luego, por el teorema anterior este R tiene las propiedades dadas.
146
DEFINICIN 6.1.2 El valor de R del teorema anterior se llama radio de convergencia de la serie y, por
convencin, en el primer caso se dice que R = 0 y en (b) R = .
OBSERVACIN:
+
X
Cn (x x0 )n .
n=0
+
X
Cn un
n=0
+
X
Cn (x x0 )n
n=0
R,
[a, b[,
[a, b],
]a, b],
]a, b[
b)
+
X
n x
d)
+ n
X
x
n2
n=0
n=1
+ n
X
x
+
X
(x 3)2n
n=0
c)
n n
n!
e)
n=1
n2 5n
+ n
X
x
n=1
147
Solucin:
p
n
n a
a) Apliquemos el criterio de la raz:
nn |x|n = n|x|, de donde
n =
p
lm n nn |x|n = lm n|x| = +
si x 6= 0
n
+
X
nn xn es {0}.
n=0
Luego,
+ n
X
x
n=0
n!
lm
|an+1 |
=
|an |
|an+1 |
=0
|an |
|x|n+1
(n+1)!
|x|n
n!
|x|
n+1
x R
converge x R.
+ n
X
|x|n
|x|
x
= lm
=
|x|.
Luego,
la
serie
n n n
n
n
n
n=1
|x| > 1. Analicemos qu sucede si |x| = 1:
c) lm
x=1
+
X
1
,
n
n=1
x = 1 :
+
X
(1)n
n=1
x = 1 :
+
X
(1)n
n=1
n2
converge
|x 3|2
n (x 3)
e) Notemos que lm
=
.
As,
la
serie
converge
si
|x
3|
<
5 y diverge
n
n2 5n
5
+
X 1
si |x 3| > 5. Si |x 3| = 5, la serie es
, que converge. Finalmente el intervalo
n2
n=1
de convergencia es I = 3 5, 3 + 5 .
148
n=0
+
X
Cn (x x0 )n
n=0
+
X
n=0
+
X
n=0
R > 0 entonces
+
X
nCn (x x0 )n1
n=1
f (x) =
+
X
nCn (x x0 )n1
x, |x x0 | < R
n=1
COROLARIO 6.1.2
Si f (x) =
+
X
n=0
+
X
Cn (x x0 )n
n=0
entonces f
C (]x
n=0
+ n
X
x
n!
+
+ n
X
X
xn1
x
=
= f (x)
(n 1)!
n!
n=1
n=0
Adems f (0) = 1. Existe una nica funcin que cumple esas dos propiedades:
x
e =
+ n
X
x
n=0
n!
n=0
n=0
EJEMPLOS:
+
1. Tenemos que
X
1
=
xn ,
1x
|x| < 1.
Entonces:
n=0
X
1
=
(1)n xn
1+x
|x| < 1
n=0
luego
ln(1 + x) =
+
X
(1)n xn+1
n=0
n+1
|x| < 1
2. Notemos que
X
1
=
(1)n x2n
2
1+x
|x| < 1.
Luego
n=0
+
X
(1)n x2n+1
n=0
150
2n + 1
|x| < 1
x
2
x n X
1 X
xn
(1)n
=
(1)n n+1 ,
2
2
2
n=0
1
1
=
=
2+x
1 + (1 + x)
n=0
(1)n (x + 1)n ,
x
< 1.
2
|x + 1| < 1.
n=0
donde en ambos casos se ha utilizado el resultado del ejemplo 1.El primer desarrollo corresponde a una serie de potencias de la funcin alrededor de x = 0,
mientras que el segundo se realiza en torno de x = 1.
EJERCICIOS:
1. Expresar
1
en serie de potencias con centro en 1.
1x
x2
3x 1
x2 1
centrada en x = 0
3. Sea
x
e 1
f (x) =
x
x 6= 0
x=0
ex dx =
+
X
n=0
(1)n
como es alternante
(2n + 1)n!
|I SN | |aN +1 |
5. Calcule el valor de
+
X
n
2n
n=0
151
6.2.
6.2.1.
Polinomios de Taylor
xx0
f (x) f (x0 )
x x0
f (2) (x0 )
f (n) (x0 )
(x x0 )2 + . . . +
(x x0 )n
2!
n!
EJEMPLOS:
1. Si f (x) = ex encontrar p5 (x) al rededor de 0. f (n) (0) = e0 = 1
P5 (x) = 1 + x +
x2 x3 x4 x5
+
+
+
2!
3!
4!
5!
x2 x3 x4
xn
+
+ . . . + (1)n1
2
3
4
n
x0 = 2
1
1x
TEOREMA 6.2.1 Si n N y f n+1 existe en un intervalo I que contiene a x0 , entonces para cada
x I, x 6= x0 existe tx entre x0 y x tal que
f (x) = Pn (x) + rn (x)
con
rn (x) =
f (n+1) (tx )
(x x0 )n+1
(n + 1)!
OBSERVACIN: (note que es una generalizacin del Teorema del Valor Medio)
EJEMPLO 6.2.1 Aproximar el nmero e con un error menor a 0, 001
Solucin: f (x) = ex
|rn (1)| = |f (1) Pn (1)| < 0, 001
por el Teorema de Taylor existe tx ]0, 1[ tal que
f (n+1) (t )
1
n+1
(1 0)
|rn (1)| =
(n + 1)!
=
<
6.2.2.
et1
(n + 1)!
4
(n + 1)!
4
1
<
(n + 1)!
1000
n6
Series de Taylor
DEFINICIN 6.2.3 Supongamos que f tiene derivadas de todo orden en x = x0 . Llamaremos serie
de Taylor de f en x0 a la serie de potencias
+ (n)
X
f (x0 )
n=0
n!
(x x0 )n
(
EJEMPLO 6.2.2 La serie de Taylor no converge a la funcin f (x) =
e x2
0
x 6= 0
x=0
1
+ (n)
X
f (x0 )
n!
n=0
(x x0 )n
x I
f (n+1) (tx )
(x x0 )n+1
(n + 1)!
luego
|rn (x)|
M |x x0 |n+1
(n + 1)!
pero
(x x0 )n+1
=0
n+
(n + 1)!
lm
por lo tanto
lm rn (x) = 0
n+
EJEMPLOS:
1. f (x) = sen (x) =
+
X
(1)n x2n+1
n=0
2. f (x) = cos(x) =
+
X
(1)n x2n
n=0
3. f (x) = ex =
+ n
X
x
n=0
154
(2n + 1)!
n!
(2n)!
x R
x R
x R
6.3.
CLASE
Vernica Gruenberg
Stern
6.3.
Consideremos la serie
( 1) 2 ( 1) ( 2) 3
x +
x + ...
2!
3!
X
( 1) ( n + 1) n
= 1+
x
n!
n=1
X
n
= 1+
x
n
1 + x +
n=1
( 1) ( n + 1)
=
n
n!
es una serie de potencias, su radio de convergencia es
(1)(n+1)(n)
n
(n+1)!
=1
lm
lm
= n
(1)(n+1)
n
n
+
1
n!
se sigue que
X
n
f (x) = 1 +
x
n
n=1
X
n1
f (x) =
n
x
n
0
n=1
y
X
n1 X
n
(1 + x) f (x) =
n
x
+
n
x
n
n
n=1
n=1
X
X
( 1) ( n + 1)
n
n1
=
n
x
+
n
x
n!
n
n=1
n=1
X
( 1) ( n + 1)
=
xn1 +
(n 1)!
0
n=1
X
n=1
= +
= +
( 1) ( n + 1) n
x
(n 1)!
X
( 1) ( n)
n=1
X
n=1
n!
( 1) ( n)
n!
x +
xn +
X
( 1) ( n + 1)
n=1
X
n=1
(n 1)!
n
xn
( 1) ( n + 1) n
x
n!
155
= +
X
( 1) ( n + 1)
n!
n=1
X
(( n) + n) xn
( 1) ( n + 1)
= +
xn
n!
n=1
!
X
( 1) ( n + 1)
= 1+
xn = f (x)
n!
n=1
entonces
f 0 (x) =
f (x)
(1 + x)
entonces
f0
=
f
1+x
ln f (x) = ln (1 + x) + C
f (x) = K (1 + x)
X
( 1) ( n + 1)
n!
n=1
xn
(1 + x)
=1+
X
21
n=1
entonces
1x
2 1/2
=1+
X
21
n=1
y as
arc sen x = x +
X
21
n=1
12 1 12 n + 1 n
x
n!
12 1 12 n + 1
(1)n x2n
n!
21 1 12 n + 1
(1)n x2n+1
n! (2n + 1)
as
X
21
12 1 12 n + 1
arc sen x = x +
(1)n x2n+1
n! (2n + 1)
n=1
1
1
1
X
2
2 + 1 2 + n 1
x2n+1
= x+
n! (2n + 1)
= x+
n=1
n=1
156
1 3 5 (2n 1) 2n+1
x
vlido en ]1, 1[
2n n! (2n + 1)
6.4.
157