A Complemento 22013 PDF

Coordinación MAT022
Campus Santiago Vitacura
Apuntes de
MAT022 - Complementos 2a vs. 2◦ sem.2013

Prefacio
Estimados alumnos:
Este texto, en su primera versión en formato de libro, es el resultado del esfuerzo de muchos co-
legas del Departamento de Matemática de la Universidad Técnica Federico Santa María, 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 versión, éstos han sido editados por quien suscribe, para
que su estructura incorpore no solo los contenidos que se espera conozcan en profundidad, sino
que también varios ejercicios resueltos y propuestos, que esperamos resuelvan con entusiasmo,
para lograr mejores aprendizajes. Hemos optado también por incluir muchas demostraciones de
los teoremas que verán en clases. No es el objetivo que todos ellos sean vistos en clases. Más bien,
esperamos que los alumnos interesados, tengan la posibilidad de profundizar en la aprehensión
de los conceptos involucrados, y de comprender cómo se realiza la construcción del conocimiento
matemático. Esperamos que esta primera versión, aún preliminar, les sea de utilidad, y que cual-
quier error que encuentren (por cierto, involuntario), sea informado al mail indicado abajo.
El apunte está 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
equívocos: el número total de clases en un semestre es superior al número de clases que aparecen
en este texto. Esto se debe a que no se incluyeron aquí, de manera numerada, las clases de ejercicios
que se intercalan en algunos momentos, de acuerdo al calendario de certámenes de cada semestre,
las eventuales falencias detectadas y a las necesidades específicas 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 metódica, ojalá estructurando un horario de
estudio diario, preparándose siempre para su próxima clase y que planteen a sus profesores cual-
quier duda conceptual que les surja. Si sus dudas aparecen cuando están resolviendo un problema,
revisen los apuntes (éstos y los personales de clases), ya que es posible que hay algún concepto que
no han comprendido cabalmente, reintente, aplique muchas alternativas de solución e intercambie
I
P REFACIO Verónica Gruenberg Stern
opiniones y métodos con sus compañeros. Esta forma de estudiar les entregará una comprensión
más profunda de las ideas y conceptos que estudiaremos en este curso y, por cierto, tendrán un
aprendizaje de calidad.
Deseándoles la mejor experiencia de aprendizaje y que su trabajo sistemático rinda los frutos que
esperan, los invita a iniciar esta aventura, muy cordialmente,
Verónica Gruenberg Stern
veronica.gruenberg@usm.cl
II
Índice general
Prefacio I
Índice general III
1. Matrices 1
1.1. CLASE 1: Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Operatoria con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2. Propiedades de las operaciones matriciales . . . . . . . . . . . . . . . . . . . . 5
1.2. CLASE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3. CLASE 3: Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. CLASE 4: Operaciones Elementales y Matrices Elementales . . . . . . . . . . . . . . . 13
1.4.1. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5. CLASE 5: Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6. CLASE 6: Matriz Inversa y operaciones elementales . . . . . . . . . . . . . . . . . . . 26
1.6.1. Método de Gauss-Jordan para calcular la inversa de una matriz . . . . . . . . 26
1.7. CLASE 7: Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7.1. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.7.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.8. Ejercicios de Controles y Certámenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2. Vectores en Rn 39
2.1. CLASE 8: Vectores en el plano y en el espacio . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.1. Operaciones básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.1.2. Producto punto y norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.3. Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1.4. Ángulo entre vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.1.5. Producto cruz en R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2. CLASE 9: Geometría del Plano y el Espacio . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.1. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
III
ÍNDICE GENERAL
2.2.2. Rectas en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

2.2.3. Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3. Espacios Vectoriales 59
3.1. CLASE 10: Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2. CLASE 11: Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3. CLASE 12: Espacio Generado. Independencia lineal . . . . . . . . . . . . . . . . . . . 69
3.4. CLASE 13: Bases y dimensión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4. Diagonalización 81
4.1. CLASE 14: Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2. CLASE 15: Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3. CLASE 16: Aplicación: forma canónica de cuadráticas . . . . . . . . . . . . . . . . . . 91
4.3.1. Proceso de ortogonalización de Gram-Schmidt . . . . . . . . . . . . . . . . . . 92
4.3.2. Formas cuadráticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.4. CLASE 17: Aplicación: Secciones cónicas rotadas . . . . . . . . . . . . . . . . . . . . . 97
4.4.1. Aproximación geométrica a la clasificación de cuádricas en el plano . . . . . 100
5. Sucesiones y Series Numéricas 105

5.1. CLASE 18: Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.1. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2. CLASE 19: Convergencia de Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2.1. El concepto de convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2.2. Algunas propiedades de las sucesiones . . . . . . . . . . . . . . . . . . . . . . 117
5.2.3. Algunos resultados de convergencia . . . . . . . . . . . . . . . . . . . . . . . . 120
5.3. CLASE 20: Series Numéricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.4. Criterios de convergencia de Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.4.1. Criterio de la integral. Criterio de comparación y comparación al límite. . . . 129
5.4.2. CLASE 21: Criterios del cuociente y de la raíz . . . . . . . . . . . . . . . . . . 133
5.5. Series Alternadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.5.1. Convergencia condicional y absoluta . . . . . . . . . . . . . . . . . . . . . . . 137
6. Series de Potencias 141

6.1. CLASE 22: Series de Potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.2. CLASE 23: Polinomios y Series de Taylor y MacLaurin . . . . . . . . . . . . . . . . . 147
IV
ÍNDICE GENERAL
6.2.1. Polinomios de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

6.2.2. Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.3. CLASE 24: Aplicaciones al Cálculo de Integrales y Serie Binomial . . . . . . . . . . . 151
V
ÍNDICE GENERAL
VI
Capítulo 1
Matrices
1.1. CLASE 1: Matrices

DEFINICIÓN 1.1.1 Una matriz de orden n × m (se lee n filas por m columnas) es un arreglo rectan-
gular de la forma  
a11 a12 a13 · · · a1m
 
 a21 a22 a23 · · · a2m 
 
 a
 31 a32 a 33 · · · a3m 

 . .. .. .. .. 
 .. . . . . 
 
an1 an2 an3 · · · anm
Cada uno de los elementos aij del arreglo se llama entrada, elemento o coeficiente de la matriz.
OBSERVACIÓN: Denotaremos las matrices por letras mayúsculas A, B, C o también en la forma

(aij )n×m , (bij )n×m
OBSERVACIÓN: Los elementos de una matriz pueden pertenecer a cualquier conjunto numérico, en
particular a R o C. Denotaremos por Mn×m (R) ó M (n × m, R) al conjunto de todas las matrices
de orden n × m con coeficientes reales; de manera similar, Mn×m (C) ó M (n × m, C) denota el
conjunto de todas las matrices de orden n × m con coeficientes complejos.
EJEMPLOS:
! !
1 2 1 2 1−i
1. La matriz A= ∈ M2×2 (R) y la matriz B= ∈ M2×3 (C).
3 4 i 0 −3
En A, se tiene que a12 = 2 y a21 = 3.
En B, se tiene que a13 = 1 − i y a21 = i.

2 3 4
2. La matriz A = (aij )3×3 = (i + j)3×3 está dada por  3 4 5 
 
4 5 6
1
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
DEFINICIÓN 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
DEFINICIÓN 1.1.3 La matriz (aij )n×m tal que aij = 0 para todo i, j se llama matriz nula de orden
n × m y es denotada por [0]n×m , es decir
 
0 0 ··· 0
0 0 ··· 0 
 

[0]n×m = .. .. . . .. 
. . . . 
 

0 0 ··· 0
OBSERVACIÓN: Las matrices de orden n × n (igual número de filas y de columnas) se les denomina
matrices cuadradas de orden n.
DEFINICIÓN 1.1.4 Sea A una matriz cuadrada A = (aij )n×n . Los coeficientes aii para i = 1, 2, . . . , n
forman la diagonal principal de la matriz. La diagonal secundaria de A son los elementos de la forma
ai,n+1−i para i = 1, 2, . . . , n es decir
 
a11
a22
 
 
La diagonal principal de A : 
..

.
 
 
ann
 
a1n
 
 
La diagonal secundaria de A :  

 an−1,2 

an1
DEFINICIÓN 1.1.5 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,
2
Verónica Gruenberg Stern 1.1. CLASE 1: M ATRICES
no necesariamente son distintos de cero).

 
a11 0 0 ··· 0
 0 a22 0 · · · 0
 

 .. 
Matriz diagonal:  0 0 a33 · · · .
 

. . . ..
 
 . .. ..
 . . 0


0 0 · · · 0 ann
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 .
EJEMPLO 1.1.1
 
  1 0 0 0
! 1 0 0  
1 0  0 1 0 0 
I2 = I3 =  0 1 0  I4 = 
  
0 1  0 0 1 0 
0 0 1
 
0 0 0 1
DEFINICIÓN 1.1.6 Si una matriz cuadrada de orden n es tal que todos los elementos que están
sobre su diagonal principal son todos iguales a cero (no importan los demás) se denomina matriz
triangular inferior; de manera similar, una matriz triangular superior es aquella en la cual todos los
elementos que se encuentran bajo la diagonal principal son todos igual a cero.
 
a11 0 0 ··· 0
 .. 
 a
 21 a 22 0 . 0 

 . .. .. .. .. 
Matriz triangular inferior: 
 . . . . . .  
 . . . . 
 . .. .. ..
 . 0 

an1 an2 an3 · · · ann

 
a11 a12 a13 · · · a1n
 .. 
 0 a
 22 a 23 . a 2n 

 .. .. .. 
Matriz triangular superior:  0 0 . . . 
 . . . . . 
 . .. .. .. .. 
 . 
0 0 0 · · · ann
DEFINICIÓN 1.1.7 Dada una matriz cuadrada

 
a11 a12 a13 · · · a1n
 
 a21 a22 a23
 · · · a2n 

A =  a31 a32 a33
 · · · a3n 

 . .. .. .. .. 
 .. . . . . 
 
an1 an2 an3 · · · ann
3
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
EJEMPLO 1.1.2 La traza de la matriz

 
1 0 0 ··· 0
 

 1 2 0 ··· 0 

An = 
 1 2 3 ··· 0 

 .. .. .. . . .. 

 . . . . . 

1 2 3 ··· n
n(n + 1)
es tr(A) = 1 + 2 + · + n = .
2
1.1.1. Operatoria con matrices
Igualdad de matrices: Dos matrices A y B son iguales si son del mismo orden y además
aij = bij ∀i, j.
EJEMPLO 1.1.3 Encontrar los valores de las incógnitas si se tiene

! !
x+1 0 2 a
=
x2 1 b d
Suma de matrices: Si A = (aij )n×m y B = (bij )n×m , se define la suma de A y B:
A + B = (aij + bij )n×m es decir:
     
a11 a12 · · · a1m b11 b12 · · · b1m a11 + b11 a12 + b12 · · · a1m + b1m
a21 a22 · · · a2m b21 b22 · · · b2m a21 + b21 a22 + b22 · · · a2m + b2m
     
     
.. .. .. + .. .. .. = .. .. ..
.. .. ..
 
. . . . . . . . . . . .
     
     
an1 an2 · · · anm bn1 bn2 · · · bnm an1 + bn1 an2 + bn2 · · · anm + bnm
EJEMPLO 1.1.4 ! ! !
1 2 −1 −1 1 2 0 3 1
+ =
0 2 −3 3 1 −1 3 3 −4
4
OBSERVACIÓN: tr (A + B) = tr (A) + tr (B).
Multiplicación por escalar: Si A = (aij )n×m y α ∈ R ó C, entonces
αA = α (aij )n×m = (αaij )n×m , es decir
   
a11 a12 · · · a1m αa11 αa12 · · · αam
a21 a22 · · · a2m αa21 αa22 · · · αa2m
   
   
α .. .. .. .. = .. .. .. .. 
. . . . . . . .
   
   
an1 an2 · · · anm αan αa2n · · · αamn
Producto de matrices: Sea K = R ó C. Sean A ∈ M (n × m, K) y B ∈ M (m × p, K). La

matriz producto C = A · B es la matriz de orden n × p dada por (cij )n×p donde
m
X
cij = 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.
1.1.2. Propiedades de las operaciones matriciales

Sean A, B, C matrices (con órdenes tales que las operaciones consideradas pueden ser aplica-
das) y a, β escalares:
1. A + B = B + A 8. 1·A=A
2. (A + B) + C = A + (B + C) 9. (AB) C = A (BC)
3. A + [0] = A 10. A (B + C) = AB + AC
4. A + (−1) A = [0] 11. (A + B) C = AC + BC
5. α (A + B) = αA + αB 12. α (AB) = (αA) B = A (αB)
6. (α + β) A = αA + βA 13. A ∈ Mn×m ⇒ In A = A = AIm
7. α (βA) = (αβ) A
OBSERVACIÓN: Es muy importante notar que el producto matricial no es conmutativo; incluso uno
de los productos puede no estar definido. Si consideramos A ∈ M2×3 y B ∈ M3×4 entonces AB
está definida y tiene orden 2 × 4. Notar que BA no está definido.
EJEMPLO 1.1.5
! ! !
1 −1 1 −1 1 −2
=
2 1 0 1 2 −1
! ! !
1 −1 1 −1 −1 −2
=
0 1 2 1 2 1
5
Se sigue que
! ! ! !
1 −1 1 −1 1 −1 1 −1
6=
2 1 0 1 0 1 2 1
OBSERVACIÓN: En matrices, la ecuación AX = B con A 6= [0] y B una matriz dada, no siempre

tiene solución. Considere ! !
1 1 1 −1
X=
0 0 1 1
Si X tiene orden n × m, para que esté bien definido el producto, se ha de tener n = 2. El resultado
sería de orden 2 × m, pero sabemos que es de orden 2 × 2, luego m = 2. Pongamos entonces
!
a b
X=
c d
entonces ! ! ! !
1 1 a b a+c b+d 1 −1
= =
0 0 c d 0 0 1 1
de inmediato esto no puede ser, pues observando la segunda fila, vemos que 0 6= 1.
OBSERVACIÓN: En matrices no es verdad que AB = [0] implique A = [0] ∨ B = [0]. En efecto:

! ! !
0 1 0 1 0 0
=
0 0 0 0 0 0
Ejercicios Propuestos
 
1 1 1
1. Considerar la matriz B =  0 1 1  Calcular B 2 , B 3 , B 4 .
 
0 0 1
 
! ! 2 −3 0 1
1 −1 2 4 0 −3
2. Sean A = , B = , C =  5 −1 −4 2 , y
 
0 3 4 −1 −2 3
−1 0 0 3
 
2
D =  −1 . Calcule A + B, 3A − 4B, AC, BD, At , C tBt.
 
6
     
1 2 0 1 2 3 1 2 3
3. Sean A =  1 1 0 , B =  1 1 −1 , C =  1 1 −1 .
     
−1 4 0 2 2 2 1 1 1
Verifique que AB = AC. ¿Qué consecuencia obtiene de lo anterior?

  
2 1 0 x
4. Determine x ∈ R tal que x 4 −1  1 0 2   4  = 0
  
0 2 4 −1
! !
a b 1 1
5. ¿Qué condición(es) deben verificar a, b, c, d para que las matrices ,
c d −1 1
conmuten? (respecto al producto).
6. Construir la matriz definida por:

i+j
!
X
a) A = k2
k=1 3×2

b) B = |i − j|
3×5

c) C = (i + 1)(j − 2)
3×3

7. Sea A = i y B= j . Encontrar 2A2 + AB.
3×3 3×3
Indicación: A = (aij ) B = (bij )
 
1 0 1
8. Sea A =  0 0 0 . Verifique que A2 = 2A. ¿Puede afirmar algo de A3 ?
 
1 0 1
n(n − 1)
   
1 1 0 1 n
 2 
9. Sea A =  0 1 1 . Demostrar que An = 
 
 0 1 n


0 0 1 0 0 1
10. Hallar una matriz A de orden 2 × 2 tal que A2 = −I
11. Hallar una matriz A de orden 2 × 2,A6= 0 tal que A2 = 0
12. Hallar una matriz A no nula, tal que A2 6= 0 y A3 = 0
13. Probar que tr (AB) = tr (BA)
7
1.2. CLASE 2
1.2.1. Matriz transpuesta

DEFINICIÓN 1.2.1 Sea A ∈ M (n × m, K), A = (aij ) con K = R ó C. La matriz transpuesta de A es
la matriz denotada por AT ∈ M (m × n, K) definida por
A = (aij ) ⇒ AT = (aji )
Es decir, AT es la matriz obtenida intercambiando las filas y columnas de la matriz A. Es decir, la

i-ésima fila de A pasa a ser la i-ésima columna de AT .
Esto significa que si:

 
a11 a12 a13 · · · a1m
a21 a22 a23 · · · a2m
 
 
A= .. .. .. .. .. 
. . . . .
 
 
an1 an2 an3 · · · anm n×m
entonces  
a11 a21 ··· an1
 

 a12 a22 ··· an2 

AT =  a13 a23 ··· an3
 

 .. .. .. .. 

 . . . . 

a1m a2m · · · anm m×n
EJEMPLO 1.2.1 Si !
−1 2 0
A=
5 7 −4
entonces  
!T −1 5
−1 2 0
AT = = 2 7 
 
5 7 −4
0 −4
PROPOSICIÓN 1.2.1 Sea α ∈ K,n ∈ N,A y B matrices con órdenes apropiados para que las opera-
ciones estén bien definidas; entonces:
T
1. AT =A 4. (AB)T = B T AT
2. (A + B)T = AT + B T
n
3. (αA)T = α AT 5. (An )T = AT

, n ∈ N0
8
Verónica Gruenberg Stern 1.2. CLASE 2
DEFINICIÓN 1.2.2 Sea A una matriz cuadrada.
A se dice simétrica si AT = A
A se dice antisimétrica si AT = −A
EJEMPLO 1.2.2 La matriz

   
1 0 3 0 3 −1
A =  0 2 −1  es simétrica, y la matriz B =  −3 0 2  es antisimétrica.
   
3 −1 0 1 −2 0
OBSERVACIÓN: Notar que para que una matriz A pueda ser simétrica o antisimétrica, ésta debe
ser cuadrada, por el orden de las matrices involucradas.
PROPOSICIÓN 1.2.2 Sean A y B matrices simétricas del mismo orden. Entonces:
1. A + B es simétrica
2. Si α ∈ K entonces αA es simétrica
Demostración:
1. (A + B)T = AT + B T = A + B
2. (αA)T = αAT = αA
PROPOSICIÓN 1.2.3 Si A es una matriz cuadrada entonces:
1. A + AT es simétrica
2. AAT y AT A son matrices simétricas
3. A − AT es antisimétrica
Demostración:
T
1. A + AT = AT + (AT )T = AT + A = A + AT . Por lo tanto A + AT es simétrica.
T
2. AAT = (AT )T AT = AAT . Análogamente el otro caso.
T
3. A − AT = AT − (AT )T = AT − A = −A + AT = −(A − AT ). Por lo tanto, A − AT es
antisimétrica.
9
OBSERVACIÓN: De las proposiciones anteriores podemos deducir que toda matriz cuadrada se
puede descomponer en una parte simétrica y otra antisimétrica en la forma
A + AT A − AT

A= +
2 2
Además, esta descomposición es única.
PROPOSICIÓN 1.2.4 Si A es una matriz antisimétrica, su diagonal principal tiene solamente ceros.
En efecto: de AT + A = 0 se sigue que
aii + aii = 0 ⇒ aii = 0 para cada i
     
1 0 −1 1 2 1
1. Considere A = 1 0 1  , B = 0 3 y C = −1. Calcular los siguientes
     
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
2. Sean A y B matrices simétricas. Determine si las siguientes son o no simétricas:
a) A2 + B 2
b) A2 − B 2
c) ABA
d) ABAB
3. ¿Es cierto que si A es antisimétrica entonces A2 es simétrica?
4. Sea  
0 1 0 0 ··· 0
0 0 1 0 ··· 0 
 

 
 0 0 0 1 ··· 0 
S=
 
.. .. .. .. . . .. 

 . . . . . . 

0 0 0 0 ··· 1 
 

0 0 0 0 · · · 0 n×n
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.
10
Verónica Gruenberg Stern 1.2. CLASE 2
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 afirmación, y si es falsa, dé un contraejemplo:
a) Si A2 está definido, entonces A es cuadrada.

b) Si AB y BA están definidos, entonces A y B son cuadradas.
c) Si AB y BA están definidos, entonces AB y BA son cuadradas.
d) (AB)2 = A2 B 2
7. Determine An , ∀n ∈ N para las matrices

! !
a b c c
A1 = , A2 =
0 a 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 mínimo 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.
11
1.3. CLASE 3: Ejercicios

Estos son algunos ejercicios sugeridos:
 
1 0 0
1. Encuentre todas las matrices 3 × 3 que conmutan con la matriz 0 1 0.
 
3 1 2
!
4 1
2. Resuelva la ecuación matricial X2 =
0 4
3. Sean A, B ∈ M3 (R), donde

( (
3
i + j si i < j i si |i − j| es par
A = (aij ) = y B = (bij ) =
2i − j si i ≥ j 2 − i si |i − j| es impar
Determine X · Y si X = (A − 2B)T , Y = A · (2B)
4. Pruebe que si A es antisimétrica entonces los elementos de la diagonal principal son todos
igual a 0.
5. ¿Es verdadero o falso que A · AT = AT · A? Justifique.

!
cos( 2π ) sen( 2π )
6. Sea A = k k , k ∈ Z+
− sen( 2πk ) cos( 2π
k )
Determine An , n ∈ N. ¿A qué es igual An si n = k?
7. Sea A ∈ Mn (R) tal que A2 = [0]. Pruebe que A · (I + A)n = A, ∀n ∈ N.

(Ayuda: use inducción).
12
Verónica Gruenberg Stern 1.4. CLASE 4: O PERACIONES E LEMENTALES Y M ATRICES E LEMENTALES
1.4. CLASE 4: Operaciones Elementales y Matrices Elementales

DEFINICIÓN 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 múltiplo 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
 5 4 3  ←→  5 4 3 
   
−7 −6 9 2 0 −1
Multiplicación de una fila por un escalar: la fila 2, se multiplica por 3

   
4 0 −1 4 0 −1
 5 4 3  ←→  15 12 9 
   
2 8 9 2 8 9
Adición del múltiplo 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
 1 0 2  ←→  1 0 2 
   
3 8 −9 5 8 −5
1.4.1. Matrices elementales

DEFINICIÓN 1.4.2 Una matriz elemental es una matriz que resulta al efectuar una operación ele-
mental sobre la matriz identidad In
Dado que existen tres tipos de operaciones elementales, existirán entonces tres tipos de matri-
ces elementales; usaremos la notación siguiente:
Eij : es la matriz elemental obtenida intercambiando (en la matriz identidad) la fila i con la
fila j.
Ei (λ): es la matriz obtenida multiplicando (en la matriz identidad) la fila i por λ 6= 0.
Eij (λ): es la matriz obtenida sumándole a la fila i, la fila j multiplicada por λ.
13
EJEMPLO 1.4.1 Para la matriz I4 :

 
1 0 0 0
 
 0 0 0 1 
1. E24 = 

 0 0 1 0 

0 1 0 0
 
1 0 0 0
 
 0 1 0 0 
2. E3 (−2) =  

 0 0 −2 0 

0 0 0 1
 
1 0 0 0
 
 0 1 0 0 
3. E31 (−4) =  

 −4 0 1 0 

0 0 0 1
Considere ahora la matriz  

−1 2 1 0
 
 2 5 6 4 
A= 

 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 5 6 4   0 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 operación elemental, intercambiar la fila
2 con la fila 4.
Si efectuamos el producto E3 (−2) A, obtenemos
    
1 0 0 0 −1 2 1 0 −1 2 1 0
    
 0 1 0 0  2 5 6 4 
  2 5 6 4 
E3 (−2) A = 
 0 0 −2 0   3 −1
= 
  0 −5 
  −6 2 0 10 
 
0 0 0 1 0 2 3 4 0 2 3 4
que es lo mismo que se obtiene al realizar sobre la matriz A la operación elemental, la fila 3 la
multiplicamos por -2.
14
Si efectuamos el producto E31 (−4) A, obtenemos el mismo resultado de la operación elemental

sobre A, la fila 1 la multiplicamos por -4 y se la sumamos a la fila 3.
    
1 0 0 0 −1 2 1 0 −1 2 1 0
    
 0 1 0 0  2 5 6 4   2 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 operación elemental por fila
sobre la matriz In . Si la misma operación elemental se realiza sobre una matriz A de orden n × m,
el resultado es el mismo que el del producto E A.
DEFINICIÓN 1.4.3 Diremos que las matrices A y B son equivalentes por filas si existe una suce-
sión 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 operación elemental sobre una matriz es equivalente a mul-
tiplicar por la izquierda esa matriz por una matriz elemental; para efectos de nuestros cálculos
haremos directamente la operación 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) 
 −2 4 0  ∼  0 4 −2  ∼  0 4 −2  ∼  0 4 −2 
 
3 −4 6 3 −4 6 0 −4 9 0 0 7
   
1 0 −1 1 0 −1
En este caso las matrices  −2 4 0  y  0 4 −2  son equivalentes (por fila).
   
3 −4 6 0 0 7
OBSERVACIÓN: Un desarrollo análogo, multiplicando por las matrices elementales por la derecha,
permite definir operaciones elementales columna.
DEFINICIÓN 1.4.4 Una matriz se encuentra en forma escalonada por filas si satisface las siguientes
propiedades:
Cualquier fila que se componga enteramente de ceros se ubica en la parte inferior de la ma-
triz.
15
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 además se cumple:
Sus pivotes son todos iguales a 1
En cada fila el pivote es el único elemento no nulo de su columna
decimos que la matriz se encuentra en forma escalonada reducida por filas.
EJEMPLO 1.4.3 Son matrices escalonadas

   
1 2 4 5 −2 9 1 2 0 0
   
 0 0 −2 6 0 1   0 0 2 0 
A=  0 0 0 3 4 1  yB = 0 0
  
   0 0 

0 0 0 0 −1 1 0 0 0 0
pero la matriz  
1 2 0 1 −1 3
 
 0 1 4 5 7 0 
C= 

 2 0 0 1 1 1 
0 0 0 0 0 1
no es escalonada.
EJEMPLO 1.4.4 Las siguientes matrices están en forma escalonada reducida:

   
1 2 0 0 0 − 58 3 1 0 0 12 1
2 0
 9   1 3 
 0 0 1 0 0 2
  0 1 0 4 − 4 0 
A=  0 0 0 1 0 5
, B = 
 0 0 1 19 31

 3

  16 16 0 

0 0 0 0 1 −1 0 0 0 0 0 1
DEFINICIÓN 1.4.5 Un algoritmo es una secuencia finita de operaciones realizables, no ambiguas,

cuya ejecución da una solución de un problema en un tiempo finito.
El algoritmo de reducción de Gauss escalona una matriz por medio de operaciones elementa-
les fila. A continuación encontrará la descripción del algoritmo de reducción de Gauss.
16
Sea A=(aij )m×n . Para k (índice de fila) tomando los valores 1, 2, . . . , m − 1 :
1. Si la submatriz Mk de las filas k, (k + 1) , · · · , m solo tiene coeficientes nulos no hacer nada.
2. Si el punto anterior no se cumple, buscar el índice j0 más pequeño tal que la columna j0
tenga por lo menos un coeficiente distinto de cero en Mk . Hallar el i0 más pequeño tal que
ai0 j0 6= 0 e i0 ≥ k. Si i0 > k operar en la matriz permutando filas k e i0 .
aij0
3. Para i de k + 1 a m, si aij0 6= 0 cambiar la fila i por la fila i menos akj0 la fila k.
EJEMPLO 1.4.5 Consideremos la matriz

 
2 0 3
 1 3 −6 
 
0 −6 15
Encontrar su forma escalonada:

       
2 0 3 1 3 −6 1 3 −6 1 3 −6
 E12   E21 (−2)   E32 (−1) 
 1 3 −6  ∼  2 0 3  ∼  0 −6 15  ∼  0 −6 15 
 
0 −6 15 0 −6 15 0 −6 15 0 0 0
está es su forma escalonada.
OBSERVACIÓN: Claramente, el algoritmo de Gauss- Jordan permite llevar matrices a la forma esca-
lonada reducida. Prosiga con el proceso en el ejemplo anterior, hasta llegar a la forma escalonada
reducida.
DEFINICIÓN 1.4.6 Sea A una matriz. Se denomina rango de la matriz A al número de filas no
nulas de la matriz escalonada equivalente a la matriz A original, obtenida, por ejemplo, mediante
el algoritmo de reducción de Gauss. Se denota el rango de la matriz A por ρ (A) o bien rango (A).
EJEMPLOS:
 
1 2 3
4 −1 0 
 

 
1. Determinar el rango de la matriz A=
 2 1 1 
0 0 0 
 

3 −1 2
2. ¿Cuáles son todos los posibles rangos que puede tener una matriz 2 × 2? ¿Y 3 × 2?
PROPOSICIÓN 1.4.1 Si A ∈ Mn×m entonces ρ (A) ≤ mı́n {n, m}.
17
 
0 0 1
1. Determine A25 si A = 0 1 0
 
1 0 0
 
1 1 0
 
1 2 −1
2. Determine la forma escalonada reducida y el rango de la matriz A=
2

 1 1 
0 1 −1
3. Hállese el rango de las siguientes matrices:
   
1 4 3 2 1 4 3 2
A= 2 2 1 1  y B= 2 2 1 1 
   
1 −2 −2 −1 1 −2 −2 −1
 
2 2 3 −1
4. Determine el valor de k para que ρ(A) = 3, si A= 3 1 1 0 .
 
k −1 −2 1
5. Determine las condiciones que deben cumplir h y k para que ρ(A) = 3, si

 
1 0 2
 
 0 0 k−2 
A= 

 0 k−1 h+2 

0 0 3
6. Hallar los valores de α y β de modo que el rango de la matriz A sea lo más pequeño posible,
con
 
1 3 −2 −1 4
−2 1 1 2 −3
 
 
A= 3 −4 3 1 −2 
3 3 0 α 3
 
3 2 −3 −3 β
18
Verónica Gruenberg Stern 1.5. CLASE 5: S ISTEMAS DE ECUACIONES LINEALES
1.5. CLASE 5: Sistemas de ecuaciones lineales

Consideremos el sistema de m ecuaciones y n incógnitas
a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. ..
. . .
am1 x1 + am2 x2 + . . . + amn xn = bm
Usando matrices, el sistema se puede escribir en la forma de una ecuación matricial AX = B,

donde
     
a11 a12 ··· a1n x1 b1
 a21 a22 ··· a2n   x2   b2 
     
A=
 .. .. .. ..  , X=
 .. 
 , B=
 .. 

 . . . .   .   . 

am1 am2 · · · amn m×n

xn n×1
bm m×1
DEFINICIÓN 1.5.1 Considere el sistema de ecuaciones AX = B, A ∈ Mm×n (R) , B ∈ Mm×1 (R).

Diremos que X0 ∈ Mn×1 (R) es solución del sistema si al reemplazar X0 en la ecuación, ésta se
transforma en una identidad, es decir
AX0 = B
DEFINICIÓN 1.5.2 Un sistema se llama compatible si tiene al menos una solución. Si el sistema no
tiene solución, diremos que es incompatible.
OBSERVACIÓN: Notar que si un sistema de ecuaciones tiene dos soluciones distintas entonces tiene
infinitas soluciones distintas.
En efecto: Consideremos el sistema de ecuaciones AX = B, y supongamos que X1 , X2 son
dos soluciones distintas del sistema.
Sea α ∈ R cualquiera. Demostraremos que αX1 + (1 − α)X2 también es solución del sistema:

A αX1 + (1 − α)X2 = αAX1 + (1 − α)AX2 = αB + (1 − α)B = B
EJEMPLO 1.5.1 El sistema de ecuaciones lineales
x1 + 2x2 = 4
x2 − x3 = 0
x1 + 2x3 = 4
puede escribirse como una ecuación matricial AX = B, con
19
     
1 2 0 x1 4
A = 0 1 −1 , X = x2  , B = 0
     
1 0 2 xe 4
Sistemas Homogéneos
Antes de estudiar los sistemas de ecuaciones lineales generales, consideremos en primer lugar
los sistemas homogéneos, es decir, aquellos en que B = [0].
DEFINICIÓN 1.5.3 Sea A ∈ Mm×n (R). El sistema AX = [0] se dice homogéneo.
OBSERVACIÓN:
Sea AX = [0] un sistema homogéneo. Entonces:
1. AX = [0] es siempre compatible, pues X = [0] es solución.
2. Si C ∈ Mm×n (R) es tal que C ∼ A, entonces los sistemas AX = [0] y CX = [0] tienen las
mismas soluciones.
Para ver esto, note que las matrices elementales satisfacen:
Ei (λ) Ei λ−1 = I,

Eij Eij = I, y Eij (−λ) Eij (λ) = 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 sucesión 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.
Recíprocamente, si CX1 = 0 entonces E −1 CX1 = 0 de donde AX1 = 0.
Por lo tanto, los sistemas tienen las mismas soluciones.
20
Sistemas no homogéneos
Con el mismo método de la sección anterior es posible mostrar que si E (A) es la matriz escalo-
nada equivalente por filas con A entonces los sistemas
AX = B y E (A) X = EB
tienen las mismas soluciones (E es la matriz formada por el producto de matrices elementales que
escalonan A). Claramente, el segundo sistema es mucho más fácil 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 última ecuación obtenemos z = 32 ; reemplazamos este valor en la segunda ecuación y

despejamos para obtener y = 1; finalmente reemplazamos en la primera ecuación y obtenemos
x = −1.
Lo que hace que el sistema anterior sea fácil 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 ecuación es triangular superior. Esta simple
observación nos entrega un método para resolver sistemas, el que consiste en obtener el sistema
escalonado equivalente.
DEFINICIÓN 1.5.4 Sea A ∈ Mm×n (R) y B ∈ Mm×1 (R). Consideremos el sistema AX = B con
B 6= 0. Llamaremos matriz ampliada del sistema a la matriz
 
a11 a12 ··· a1n b1
a21 a22 ··· a2n b2
 
 
(A |B) =  .. .. .. .. .. 
. . . . .
 
 
am1 am2 · · · amn bm
21
EJEMPLO 1.5.3 El sistema de ecuaciones lineales
x1 + 2x2 = 4
x2 − x3 = 0
x1 + 2x3 = 4
puede describirse con la matriz ampliada

 
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 notación, aplicamos el método de Gauss:
     
1 2 0 4 1 2 0 4 1 2 0 4
E31 (−1) E32 (2)
 0 1 −1 0  ∼  0 1 −1 0  ∼  0 1 −1 0 
     
1 0 2 4 0 −2 2 0 0 0 0 0
La segunda fila representa la ecuación: y − z = 0 y la primera representa: x + 2y = 4, de
donde el conjunto solución es
{(4 − 2z, z, z) : z ∈ R}.
Una ventaja de esta notación es que nos evita copiar muchas veces las variables y los signos.
Método de solución mediante el algoritmo de Gauss: Como sabemos, AX = B y E (A) X = EB

tienen las mismas soluciones, note que la matrices E (A) y EB aparcen al aplicar las operaciones
elementales que escalonan la matriz A entonces, si aplicamos el método de Gauss para obtener la
escalonada de matriz ampliada del sistema (A, B) estaremos obteniendo la matriz (E (A) , EB).
EJEMPLO 1.5.4 Resolver el sistema

    
1 2 1 x 1
 3 0 1  y  =  2 
    
1 −1 2 z 0
Formamos la matriz ampliada del sistema

 
1 2 1 1
(A, B) =  3 0 1 2 
 
1 −1 2 0
22
aplicamos el algoritmo de Gauss para obtener la escalonada

   
1 2 1 1 1 2 1 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 − 12
que tiene las mismas soluciones.
TEOREMA 1.5.1 Sea A ∈ Mm×n (R) y B ∈ Mm×1 (R):
1. El sistema AX = B es compatible si y solo si ρ(A) = ρ(A, B)
2. Sea AX = B un sistema compatible.
a) Si ρ(A) = ρ(A, B) = n (número de incógnitas) entonces el sistema tiene solución única.

b) Si ρ(A) = ρ(A, B) < n, entonces el sistema tiene infinitas soluciones.
OBSERVACIÓN: En lugar de aplicar el algoritmo de Gauss, podemos aplicar el algoritmo de Gauss-

Jordan (matriz escalonada reducida) para resolver un sistema equivalente más simple.
Ejercicios propuestos
1. Usar el método de Gauss -Jordan para resolver los sistemas:
2x + 3y + z = 1
a) 3x − 2y − 4z = −3 (La solución única es x = 1, y = −1, z = 2 )
5x − y − z = 4
2x − y + 3z = 4
11
b) 3x + 2y − z = 3 (Posee infinitas soluciones : x = 7 − 57 z, y = 11
7 z − 6
7 ).
x + 3y − 4z = −1
x+y+z−w = 2
2x + y + w = 5
c) (No hay solución)
3x + z + w = 1
3x + 2y + z = 3
23
2. Usar el método de Gauss para resolver:
2x + 3y = 13 x − 3y + z = 1
a) e)
x − y = −1 x + y + 2z = 14
x − z = 0
−x − y = 1
b) 3x + y = 1 f)
−3x − 3y = 2
−x + y + z = 4
2x + 2y = 5 4y + z = 20
c)
x − 4y = 0 2x − 2y + z = 0
g)
−x + y = 1 x + z = 5
d)
x + y = 2 x + y − z = 10
3. Determine los valores de k ∈ R para los que el sistema

a) tiene solución única; b) tiene infinitas soluciones ; c) no tiene solución, si:
x − y = 1
3x − 3y = k
4. ¿Qué condiciones deben cumplir las constantes bi para que cada sistema tenga solución úni-
ca?
x − 3y = b1 x1 + 2x2 + 3x3 = b1
3x + y = b2 b) 2x1 + 5x2 + 3x3 = b2
a)
x + 7y = b3 x1 + 8x3 = b3
2x + 4y = b4
5. Determine a, b, c ∈ R para que la gráfica 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
tiene solución única.
cx + dy = k
7. Dados 4 números positivos, se sabe que al seleccionar tres cualesquiera de ellos, determinar
su promedio y sumarle el cuarto número, se obtienen los números 29, 23, 21 y 17. ¿Cuàles
son los números originales?
24
ax + y = a2
8. a) Resuelva el sistema
x + ay = 1
¿Para qué valores de a ∈ R tiene solución vacía? ¿e infinitas soluciones?
ax + y = a3
b) Resuelva el sistema
x + ay = 1
¿Para qué valores de a ∈ R tiene solución vacía? ¿e infinitas soluciones?
9. Considere el sistema lineal definido en R:
x + ay + 3z = 2
x + (2a − 1)y + 2z = 2
x + ay + (a + 4)z = 2a + 4
Determine a ∈ R para que el sistema tenga:

a) Infinitas soluciones b) ninguna solución c) una única solución
10. Considere el sistema lineal definido en R:
ax + y + z = 1
x + ay + z = 1
x + y + az = −2
Determine a ∈ R para que el sistema tenga:

a) Infinitas soluciones b) ninguna solución c) una única solución.
x − y + (4a2 + 1)z = b
11. Dado el sistema: y + (3 − a)z = 0 donde a y b ∈ R,
2x − y + (7 − a)z = −2
hallar condiciones para a y b de tal manera que el sistema tenga:
a) Infinitas soluciones b) ninguna solución c) una única solución
12. Resuelva el sistema:

2 1
− + z = 1
x y
1 3
+ − 2z = 0
x y
4 3
− + z = 2
x y
25
1.6. CLASE 6: Matriz Inversa y operaciones elementales

DEFINICIÓN 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 A−1 tal que AA−1 = A−1 A = In
OBSERVACIÓN:
Si una matriz es invertible, también se suele decir que es no singular.
Si la inversa de una matriz existe, es única.
No todas las matrices son invertibles. Por ejemplo, si consideramos las matrices
! !
1 3 2 2
A= B=
1 1 1 1
entonces A es invertible y B no lo es. (Verificar directamente suponiendo la existencia y

resolviendo ecuaciones)
PROPOSICIÓN 1.6.1 Sean A, B ∈ M (n, K) matrices no singulares (invertibles), entonces:
1. (AB)−1 = B −1 A−1
−1
2. A−1 =A
−1 T
3. AT = A−1
1 −1
4. (αA)−1 = A , para todo α 6= 0
α
n
5. (An )−1 = A−1 para todo entero no negativo n.
1.6.1. Método de Gauss-Jordan para calcular la inversa de una matriz

No disponemos aún de un criterio para decidir si una matriz es o no invertible. El siguiente
teorema nos provee un método para calcular la matriz inversa (en caso de existir) de una matriz
cualquiera.
TEOREMA 1.6.1 Sea A una matriz cuadrada de orden n invertible. Si una sucesión de operaciones
elementales por filas transforma la matriz A en la matriz identidad In , entonces la misma sucesión
de operaciones elementales convierte la matriz In en A−1 .
26
Verónica Gruenberg Stern 1.6. CLASE 6: M ATRIZ I NVERSA Y OPERACIONES ELEMENTALES
Dem. En efecto: si A es equivalente por filas a la matriz In , entonces existe una sucesión de
operaciones elementales que convierte a la matriz A en la matriz In ; esto quiere decir que existe
una sucesión de matrices elementales E1 , E2 , . . . , Ek tales que Ek Ek−1 · · · E2 E1 ·A = In . Si anotamos
B = Ek Ek−1 · · · E2 E1 , entonces BA = In , es decir B = A−1 .
2
OBSERVACIÓN: En la práctica, el teorema anterior nos entrega un método para calcular la inversa
de una matriz A: si A una matriz cuadrada de orden n , invertible, para calcular su inversa
procedemos como sigue:
Construímos 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 está la matriz A), la
matriz identidad; al concluír 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 A−1 que
estamos buscando, es decir:
(A | In ) ∼ · · · · · · ∼ In | A−1


2 −1 1
EJEMPLO 1.6.1 Calcule la inversa, en caso de existir, de la matriz A =  1 −2 0 
 
0 1 2
Dem.: Formamos la matriz aumentada
 
2 −1 1 1 0 0
 1 −2 0 0 1 0 
 
0 1 2 0 0 1
y calculamos mediante operaciones elementales:

     
2 −1 1 1 0 0 1 −2 0 0 1 0 1 −2 0 0 1 0
 E12   E21 (−2) 
 1 −2 0 0 1 0  ∼  2 −1 1 1 0 0  ∼  0 3 1 1 −2 0 
 
0 1 2 0 0 1 0 1 2 0 0 1 0 1 2 0 0 1
     
1 −2 0 0 1 0 1 −2 0 0 1 0 1
1 −2 0 0 1 0
E32   E32 (−3)   E3 (− 5 ) 
∼  0 1 2 0 0 1  ∼  0 1 2 0 0 1  ∼  0 1 2 0 0 1 

0 3 1 1 −2 0 0 0 −5 1 −2 −3 0 0 1 − 51 2
5
3
5
   
1 −2 0 0 1 0 1 0 0 45 − 35 − 52
E23 (−2)   E12 (2) 
∼  0 1 0 25 − 45 − 51  ∼  0 1 0 25 − 45 − 51 

0 0 1 − 15 2
5
3
5 0 0 1 − 15 2
5
3
5
27
Se sigue que
 4

5 − 53 − 25
A−1 =  2
− 54 − 15 
 
5
− 15 2
5
3
5
Verifique que AA−1 = A−1 A = I3 .
TEOREMA 1.6.2 Una matriz cuadrada A de orden n es invertible si, y solo si, ρ(A) = n.
1. Sean A, B, C ∈ Mn (K) invertibles. Demuestre que:
a) ABC es invertible
b) (ABC)−1 = C −1 B −1 A−1
2. Suponga que A3 = [0]. Muestre que I − A es invertible.
3. a) Hallar matrices A y B invertibles, pero que A + B no lo sea.
b) Hallar matrices A y B no invertibles, y que A + B si lo sea.
4. Si B es la inversa de A2 , probar que AB es la inversa de A.
5. Sean A, B matrices, A de orden p × q y B de orden q × p, con q < p.
a) Demostrar que AB es singular.
b) Muestre que BA puede ser no singular.
6. Hallar la matriz X en la ecuación (AX −1 B)t = AB, donde

   
1 1 1 0 0 1
A= 0 1 2  y B= 1 2 0 
   
3 1 0 1 1 0
7. Resolver X en la ecuación: (AX t + B)t = XC − D con At − C invertible.

 
1 −2 0
8. Usando operaciones elementales calcular la inversa de  2 −3 1 
 
1 1 5
28
Verónica Gruenberg Stern 1.6. CLASE 6: M ATRIZ I NVERSA Y OPERACIONES ELEMENTALES
9. Calcular A−1 si  
6 2 1 0 5
2 1 1 −2 1
 
 
 
A=
 1 1 2 −2 3 

3 0 2 3 −1
 
 
−1 −1 −3 4 2
10. ¿Qué condiciones deben cumplir a y b de modo que A sea invertible?
 
a 0 b 0
 
 0 a 0 b 
A= 

 b 0 a 0 

0 b 0 a
11. Sean E, F, T matrices cuadradas de orden n, tal que E es no singular, EF = F E y T 2 = F .

Demuestre que: (E −1 T E)2 = F .
12. Una matriz A es ortogonal si y sólo si At = A−1 . Si A es una matriz ortogonal, demuestre
que A−1 es ortogonal y At es ortogonal.
29
1.7. CLASE 7: Determinantes
DEFINICIÓN 1.7.1 Sea A ∈ Mn (R).
Se llama menor de orden ij de A y se denota por Mij al determinante de orden n − 1 obtenido

eliminando la i-ésima fila y la j-ésima columna de la matriz A.
Se llama cofactor de orden ij de A, denotado por Cij , al número Cij = (−1)i+j Mij

2 4 −1
EJEMPLO 1.7.1 Consideremos la matriz A =  0 3 2  Calcular M13 , M21 , C13 y C21 .
 
−5 1 6
Solución: Eliminemos la primera fila y la tercera columna de A:

 
2 4 −1
0 3

A= 0 3 2  y obtenemos el menor M13 = = 15
 
−5 1
−5 1 6
Si eliminamos la segunda fila y la primera columna
 
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, C21 = (−1)2+1 M21 = (−1)3 25 = −25
DEFINICIÓN 1.7.2 Sea A ∈ Mn (R). El determinante de A es una función
det : Mn (R) −→ R
que a cada matriz A le asocia el número real que denotamos por det(A). También se usa la nota-
ción det(A) = |A|.
La forma en la cual actúa la función determinante en una matriz cuadrada de orden n es la

siguiente:
Para n = 1 : det(a) = a
!
a b
Para n = 2 : det = ad − bc
c d
30
Verónica Gruenberg Stern 1.7. CLASE 7: D ETERMINANTES
Para n > 2 el determinante de A = (aij ) ∈ Mn×n (R) es el número real

 n n
X X
 i+j



 (−1) a M
ij ij = aij Cij , para 1 ≤ j ≤ n (con j fijo)
i=1 i=1
det(A) = Xn Xn
i+j
aij Cij , para 1 ≤ i ≤ n (con i fijo)



 (−1) a M
ij ij =

j=1 j=1
 
2 4 −1
EJEMPLO 1.7.2 Calculemos el determinante de la matriz A =  0 3 2 
 
−5 1 6
Fijemos una fila i = 1, entonces
3
X
det(A) = (−1)i+j a1j M1j = a11 M11 − a12 M12 + a13 M13
j=1

3 2 0 2 0 3
det(A) = 2 − 4 − 1 = −23

1 6 −5 6 −5 1
Si fijamos una columna, por ejemplo j = 1, se tiene

3
X
det(A) = (−1)i+j ai1 Mi1 = a11 M11 − a21 M21 + a31 M31
i=1

3 2 4 −1 4 −1
det(A) = 2 − 0 − 5 = −23

1 6 1 6 3 2
1.7.1. Propiedades de los determinantes
PROPOSICIÓN 1.7.1 Sean A ∈ Mn×n (R) y B ∈ Mn×n (R)
1. det(A) = det(AT )
2. Si todos los elementos de una fila o columna de una matriz son cero, entonces el valor del
determinante es cero.
3. det(In ) = 1
4. El determinante de una matriz diagonal o triangular es igual al producto de los elementos

de la diagonal.
31
5. Si α ∈ R, entonces det(αA) = αn det(A)
6. det(AB) = det(A) det(B)
7. Si A tiene dos filas( o columnas) iguales o proporcionales, entonces det(A) = 0.
8. Si se intercambian dos filas (o columnas) en una matriz su determinante cambia de signo.
9. Si B se obtiene a partir de A multiplicando una fila (o columna) de A por un número k,

entonces det(B) = k det(A).
10. Si B se obtiene a partir de A, sumando a una fila (o columna) otra fila (o columna) amplificada
por un factor k, entonces det(B) = det(A).
!
1 2
EJEMPLO 1.7.3 Sea A = , entonces el det(A) = −2. Si la primera fila de A se multiplica por
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
−1 7
−2 5 −1 = 0 −1 7 = 1 · M11 = = −58

10 −12
3 1 0 0 10 −12
DEFINICIÓN 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
!
d −b
adj(A) =
−c a
32
   
−2 3 −1 −5 14 4
Consideremos la matriz A =  4 0 5 , la matriz de cofactores es C =  2 4 8 . Por
   
2 1 −1 15 6 −12
lo tanto,  
−5 2 15
adj(A) =  14 4 6 
 
4 8 −12
TEOREMA 1.7.1
A · adj(A) = det(A) · In y adj(A) · A = det(A) · In
Note que, sí det(A) 6= 0, entonces A es no singular (invertible) y

1
A−1 = adj(A)
det(A)
Además, si A es no singular, entonces
1 = det(In ) = det(AA−1 ) = det(A) det(A−1 ) =⇒ det(A) 6= 0
y concluimos que
1
det(A−1 ) =
det(A)
TEOREMA 1.7.2 Si A ∈ Mn×n (R), entonces A es no singular sí y solo sí det(A) 6= 0
EJERCICIOS: Calcular el determinante

a a a a

a b b b

a b c c

a b c d
Desarrollo:

a a a a a a a a

1 b−a b−a
a b b b 0 b−a b−a b−a
= = a (b − a) 1 c − a c−a

a b c c 0 b−a c−a c−a

1 c−a d−a
a b c d 0 b−a c−a d−a

1 b−a b−a
1 c−b
= a (b − a) 0 c − b c − b = a (b − a) (c − b)

0 c−b d−b
1 d−b
= a (b − a) (c − b) (d − b − (c − b)) = a (b − a) (c − b) (d − c)
33
EJERCICIOS: Resolver la ecuación

x−a−b a b

c x−b−c b =0

c a x−a−c

x−a−b a b x−a−b a+b b x a+b b

c x−b−c b = c x−c b = x x−c b

c a x−a−c c x−c x−a−c x x−c x−a−c

1 a+b b 1 a+b b
x−c−a−b 0
= x 1 x − c b = x 0 x−c−a−b 0 = x

x−c−a−b x−a−c−b
1 x−c x−a−c 0 x−c−a−b x−a−c−b
= x (x − (a + b + c))2
las soluciones son x = 0 y x = a + b + c.
EJERCICIOS: Muestre que

y1 + z1 z 1 + x 1 x 1 + y1 x1 y1 z1

y2 + z2 z 2 + x 2 x 2 + y2 = 2 x 2 y2 z2

y3 + z3 z 3 + x 3 x 3 + y3 x 3 y3 z3
Desarrollo:

y1 + z1 z1 + x1 x1 + y1 y1 − x 1 z 1 + x 1 x1 + y1 2y1 z1 + x1 x1 + y1

y2 + z2 z2 + x2 x2 + y2 = y2 − x 2 z2 + x 2 x 2 + y2 = 2y2 z2 + x2 x2 + y2 =

y3 + z3 z3 + x3 x3 + y3 y3 − x 2 z3 + x 3 x 3 + y3 2y3 z3 + x3 x3 + y3

y1 z1 + x 1 x1 + y1 y1 z1 + x 1 x 1 y1 z1 x1 x 1 z1 y1

2 y2 z2 + x 2 x 2 + y2 = 2 y2 z2 + x 2 x 2 = 2 y2 z2 x2 = −2 x 2 z2 y2

y3 z3 + x 3 x 3 + y3 y3 z3 + x 3 x 3 y3 z3 x3 x 3 z3 y3

x1 y1 z1

= 2 x2 y2 z2

x3 y3 z3
34
1.7.2. Regla de Cramer

Es un método para resolver sistemas de ecuaciones, útil en aspectos teóricos, y en lo práctico,
útil solo para sistemas cuadrados muy pequeños. Sea
a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2
.. ..
. .
an1 x1 + an2 x2 + . . . + ann xn = bn
un sistema lineal con n ecuaciones y n incógnitas. Resolver este sistema es equivalente a resolver
la ecuación matricial AX = B, donde
     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
     
A=  .. .. .. ,
..  X=  ..  ,
 B=  .. 

 . . . .   .  .
an1 an2 · · · ann xn bn
Si det(A) 6= 0, entonces el sistema tiene una única solución dada por:
|A1 | |A2 | |A3 | |An |

x1 = , x2 = , x3 = , ... , xn =
|A| |A| |A| |A|
donde Ai es la matriz obtenida a partir de A al reemplazar su i-ésima columna por la matriz B.

La demostración se basa en escribir
1
X = A−1 B = adj(A)B
det(A)
e identificar los elementos de adj(A)B como los determinantes señalados.
EJEMPLO 1.7.6 Resolver el sistema
−2x1 + 3x2 − x3 = 1     
−2 3 −1 x1 1
x1 + 2x2 − x3 = 4
⇐⇒ 1 2 −1 x2  =  4 
    
−2x1 − x2 + x3 = −3
−2 −1 1 x3 −3
Solución: Como det(A) = −2, obtenemos:

1
3 −1 −2 1 −1

4 2 −1 1 4 −1

−3 −1 1 −4 −2 −3 1 −6
x1 = = = 2, x2 = = =3
|A| −2 |A| −2
35
C APÍTULO 1. M ATRICES

−2 3 1

1 2 4

−2 −1 −3 −8
x3 = = =4
|A| −2
1.8. Ejercicios de Controles y Certámenes
1. Determinar si son verdaderas o falsas las siguientes proposiciones:
a) A ∈ Mn×n (C), n impar ⇒ det(A − At ) = 0.

b) A + At es simétrica.
c) ∃A ∈ M2×2 (C) tal que A2 + A = −I2 .
 
1 0 0
d) Si A = 0 a −b , a = 6 0 ∨ b 6= 0 ⇒ ∃A−1 .
 
0 b a
2. Determinar la relación que deben cumplir a, b, c, d para que el siguiente sistema tenga infini-
tas 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
   
1 1 1 1 1 0
3. Si A = 1 0 1 , B = 0 1 0  , resolver (X t + B t )t = A2 + BAB.
   
1 2 1 1 0 1
 
4 1 8
4. Sea A = 2 −1 3. Sabiendo que A es invertible, determine A−1 usando operaciones
 
1 0 2
elementales.
5. Demuestre que si B es una matriz !

de orden 2 que conmuta con toda matriz A (de orden 2),
k 0
entonces B es de la forma , para algún k ∈ R.
0 k
36
Verónica Gruenberg Stern 1.8. E JERCICIOS DE C ONTROLES Y C ERTÁMENES
 
1 2 3 4
 
0 2 3 4
6. Sea A=
λ

 0 3 4

µ 0 0 4
a) Determine la relación entre λ y µ para que exista A−1 .

b) Si λ = µ = 0, calcule A−1 .
7. Usando el método de la matriz ampliada, determine los valores de λ ∈ R tales que el sistema
1 1

x + y + z = 2  
2 2 

4x + y + 4z = 5 tenga
λ


3x − y + z = 1 

2
a) infinitas soluciones.
b) solución única.
c) solución vacía.
 
3 −2 −1
8. Determine X (matriz) tal que (A−1 · X · A)−1 = A2 , donde A = −4 1 −1.
 
2 0 1
9. Sin usar la expansión de Laplace (ni en particular la regla mnemotécnica para determinantes
de matrices de 3 × 3) demuestre, usando sólo propiedades, que

0 a b

−a 0 c = 0 , ∀a, b, c ∈ R

−b −c 0
10. Dado el sistema de ecuaciones
x1 + 2x2 + 3x3 + 4x4 = y1

2x1 + x2 + 4x3 + x4 = y2
3x1 + 4x2 + x3 + 5x4 = y3
a) para qué valores de y1 , y2 , y3 ∈ R el sistema tiene solución?

b) para qué valores de y1 , y2 , y3 ∈ R el sistema no tiene solución?
c) Resuelva el sistema para y1 = y2 = y3 = 1.
37
 
1 0 0
11. Sea A(θ) = 0 cos θ − sen θ.
 
0 sen θ cos θ
a) Determine el (los) valor (es) para θ tales que I3 + A(θ) no sea invertible.
 
0 0 0
b) Compruebe que (I3 − A(π/2))(I3 + A(π/2))−1 = 0 0 1
 
0 −1 0
12. Calcule el valor del determinante

3 1 1 1 1 1

3 −1 1 1 1 1

3
1 −1 1 1 1

3
1 1 −1 1 1

3
1 1 1 −1 1

3 1 1 1 1 −1
38
Capítulo 2
Vectores en Rn
2.1. CLASE 8: Vectores en el plano y en el espacio

A partir de la representación de R como una recta numérica, 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 interseccón 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).
Analógamente, 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 dirección de la flecha indica la dirección del vector y la longitud de la flecha determina
su magnitud.
Denotaremos los vectores con letras minúsculas con un flecha arriba tales como → −
v ,→
−
w,→
−z . Los
puntos se denotarán con letras mayúsculas tales como A, B, C. En el contexto de los vectores, los
números reales serán llamados escalares y se denotarán con letras minúsculas tales como α, β, γ.
−−→
Si el punto inicial de un vector → −
v es A y el punto final es B, entonces →
−
v = AB. El vector nulo
→
−
se denota con 0 = (0, 0, . . . , 0) ∈ Rn .
En lo que sigue y con el afán de generalizar, estudiaremos las propiedades de los vectores en
Rn .
DEFINICIÓN 2.1.1 Un vector en Rn es un n-tupla (x1 , x2 , . . . , xn ) con cada xi ∈ R. A xi se le llama

componente i-ésima del vector.
→
− →
− →
−
En R3 utilizaremos la notación especial i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1) y les
llamaremos vectores canónicos.
39
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
2.1.1. Operaciones básicas
DEFINICIÓN 2.1.2 (Igualdad de vectores) Dos vectores son iguales si tienen, en el mismo orden,
las mismas componentes. Es decir, si →−
v = (v1 , v2 , . . . , vn ) y →
−
w = (w1 , w2 , . . . , wn ) entonces
→
−
v =→
−
w si y solo si v i = wi ∀i = 1, . . . n
DEFINICIÓN 2.1.3 (Suma de vectores) Sean →−

v = (v1 , v2 , . . . , vn ) y →
−
w = (w1 , w2 , . . . , wn ) vectores
n
en R . Se define la suma de vectores como
→
−
v +→
−
w = (v1 + w1 , v2 + w2 , . . . , vn + wn )
DEFINICIÓN 2.1.4 (Producto por escalar) Si →

−
v = (v1 , v2 , . . . , vn ) ∈ Rn y k ∈ R entonces
k→
−
v = (kv1 , kv2 , . . . , kvn )
OBSERVACIÓN: Si →
−
v = (v1 , v2 , v3 ) ∈ R3 entonces podemos escribir
→
− →
− →
− →
−
v = v1 i + v2 j + v3 k
OBSERVACIÓN: En clases, verá la interpretación geométrica de la suma y resta de vectores, y tam-

bién el significado geométrico de la multiplicación por escalar.
PROPOSICIÓN 2.1.1 Sean →

−
u,→
−
v ,→
−
w ∈ Rn vectores y α, β ∈ R. Entonces:
1. (→
−
u +→
−
v)+→
−
w =→
−
u + (→
−
v +→
−
w) (propiedad asociativa)
→
− →
−
2. →
−
u + 0 =→
−
u (existencia del neutro aditivo, que es el vector 0 )
→
−
3. ∃ (−→
−
v ) ∈ R3 : →
−
v + (−→
−
v)= 0 (existencia del inverso aditivo)
4. →
−
v +→
−
w =→
−
w +→
−
v (propiedad conmutativa)
5. α (→
−
v +→
−
w ) = α→
−
v + α→
−
w (propiedad distributiva)
6. (α + β) →
−
v = α→
−
v + β→
−
v (propiedad distributiva)
7. α (β →
−
v ) = (αβ) →
−
v
→
−
8. 0→
−
v = 0
9. 1→
−
v =→
−
v
40
Verónica Gruenberg Stern 2.1. CLASE 8: V ECTORES EN EL PLANO Y EN EL ESPACIO
2.1.2. Producto punto y norma
El producto punto (o producto escalar) es una operación entre vectores cuyo resultado un escalar.
DEFINICIÓN 2.1.5 (Producto punto) Sean → −v = (v1 , v2 , . . . , vn ) y →

−
w = (w1 , w2 , . . . , wn ) vectores en
R . El producto punto (o producto escalar) entre los vectores v y →
n →
− −
w , que denotamos por → −v ·→
−w
→
− →
−
o también h v , w i se define de la siguiente manera
n
→
−
v ·→
−
w ≡ h→
−
v ,→
−
X
wi ≡ v i wi
i=1
EJEMPLOS:
1. Calcule (1, 7, −3) · (5, −1, 2)
Solución (1, 7, −3) · (5, −1, 2) = 1 · 5 + 7 · (−1) + (−3) · 2 = −8
2. Determine α ∈ R tal que (α, 4) · (α, −9) = 0

√
Solución (α, 4) · (α, −9) = 0 ⇒ α2 − 13 = 0 ⇒ α = ± 13
TEOREMA 2.1.1 Sean →

−
u,→
−
v ,→
−
w ∈ Rn vectores y α ∈ R. Entonces:
1. →
−
v ·→
−
v ≥0
→
−
2. →
−
v · 0 =0
3. →
−
v ·→
−
w =→
−
w ·→
−
v
4. →
−
v · (→
−
w +→
−
u) =→
−
v ·→
−
w +→
−
v ·→
−
u
5. (α→
−
v)·→
−
w = α (→
−
v ·→
−
w)
Dem.: Demostraremos solo la propiedad 1.:

n
→
− →
−
X
v · v = vi2 ≥ 0 pues es suma de cuadrados.
i=1
→
− →
−
Notar además, que v ·→
−
v =0 ⇐⇒ →
−
v = 0
41
2.1.3. Norma de un vector

DEFINICIÓN 2.1.6 Consideremos el vector →
−
v = (v1 , v2 , . . . , vn ) ∈ Rn . La norma o magnitud de →
−
v,
→
−
denotada por k v k, está dada por
n
!1/2
√
vk= →
k→
− −
v ·→
−
X
v = vi2
i=1
La distancia entre los vectores →

−
v y →
−
w en Rn , denotada por d (→
−
v ,→
−
w ) está definida por
d (→
−
v ,→
−
w ) = k→
−
v −→
−
wk
OBSERVACIÓN: En R2 y R3 la norma de un vector → −

v mide la magnitud del vector. Si consideramos
el punto A en el plano o en el espacio asociado al vector →
−
v , su norma representa la distancia del
punto al origen. Note que al considerar la interpretación geométrica de la resta de vectores, la
expresión para distancia entre dos puntos es, de forma natural, la magnitud del vector resta.
Si n = 1, 2 o 3, la distancia así definida coincide con la distancia euclideana usual.
En efecto, si n = 1, →
−
u = u ∈ R, →
−
v = v ∈ R, por lo que la distancia
d(→
−
u,→
− p
v ) = d(u, v) = (u − v)2 = |u − v|
Si n = 2, →
−
u = (u1 , u2 ), →
−
v = (v1 , v2 ), entonces
v
u 2
→
− →
− →
− →
−
uX p
d( u , v ) = k u − v k = t (ui − vi )2 = (u1 − v1 )2 + (u2 − v2 )2
i=1
Análogamente en el caso en que n = 3.
PROPOSICIÓN 2.1.2 Consideremos los vectores →

−
v ,→
−
w ∈ Rn y α ∈ R. Entonces:
→
−
1. k→
−
vk≥0 y k→
−
vk=0⇔→
−
v = 0.
De esta propiedad obtenemos que d (→
−
v ,→
−
w ) ≥ 0, y además d (→
−
v ,→
−
w) = 0 ⇔ →
−
v =→
−
w.
2. kα→
−
v k = |α| 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)
42
Dem.: Demostraremos sólo 4 y 5.
5. Sean →
−
u,→
−
v ∈ Rn . Luego, ∀t ∈ R:
kt→
−
u −→
− 2
v k ≥ 0, es decir:
(tu1 − v1 )2 + (tu2 − v2 )2 + · · · + (tun − vn )2 ≥ 0
Reescribiendo esta relación como una ecuación cuadrática en la variable t:
n n n
! ! !
X X X
u2i t2 − 2 ui vi t + vi2 ≥ 0
i=1 i=1 i=1
Esto significa que el discriminante de la correspondiente ecuación de segundo grado en t es

menor o igual a 0, es decir,
n
!2 n
! n
!
X X X
4 ui vi − 4 u2i vi2 ≤ 0
i=1 i=1 i=1
n
!2 n
! n
!
X X X
⇐⇒ ui vi ≤ u2i vi2
i=1 i=1 i=1
y extrayendo raíz cuadrada a ambos lados de la desigualdad, obtenemos la desigualdad

pedida.
4.
k→
−
u +→
− (→
−
u +→ −
v ) · (→
−
u +→ −
2
vk = v)
k u k + 2 ( u · v ) + k→
→
− →
− →
− −
2 2
= vk
k→
−u k + 2 |→ −
u ·→−
v | + k→
−
2 2
≤ vk
k→
−u k + 2 k→ −
u k k→
−
v k + k→
−
2 2
≤ vk
≤ (k→
−u k + k→−
v k)2
Nuevamente, extrayendo raíz cuadrada, obtenemos lo pedido.
DEFINICIÓN 2.1.7 Un vector se dice unitario si su norma es 1.
→
−
EJEMPLO 2.1.1 Si → −
v 6= 0 entonces →
−
w = →
−
v / k→
−
v k es unitario. También, notar que ∀θ ∈ R :
→
−
vθ = (cos θ, sen θ) es unitario.
43
2.1.4. Ángulo entre vectores
Considere →
−v y→ −
w vectores en R2 . Entonces, →
−
v ,→
−
w y→−v −→ −
w forman un triángulo con lados de
→
− →
− →
− →
−
magnitudes k v k , k w k y k v − w k respectivamente. Por el teorema del coseno para triángulos, se
sigue que
k→−
v −→−
w k = k→ −
v k + k→
−w k − 2 k→−v k k→
−
2 2 2
w k cos θ
Por otro lado
k→
−
v −→
−
w k = (→−
v −→ −
w ) · (→
−
v −→
−
2
w)
= k→
−
v k + k→ −
w k − 2→
−
v ·→
−
2 2
w
Igualando ambas expresiones, obtenemos que
→
−
v ·→
−
w = k→
−
v k k→
−
w k cos θ
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 único θ ∈ [0, π] tal que
→
−v ·→−
w
cos θ = →
k−
v k k→
−
wk
DEFINICIÓN 2.1.8 Si →
−
v y→
−
w son vectores en Rn no nulos, el ángulo θ entre →
−
v y→
−
w es el único
θ ∈ [0, π] tal que
→
−v ·→
−
w = k→−
v k k→
−
w k cos θ
Denotaremos tal ángulo por ]→

−
v ,→
−
w.
DEFINICIÓN 2.1.9 Sean →

−
v y→
−
w son vectores en Rn no nulos. Diremos que:
1. →
−
v y→
−
w son perpendiculares u ortogonales si ]→
− w = π2 . Esto es equivalente a →
v ,→
− −
v ·→
−
w =0
2. →
−
v y→−
w son paralelos si ]→
−
v ,→
−
w = 0 ∨ ]→
−
v ,→
−
w = π. Esto es equivalente a →
−
v = λ→
−
w para algún
λ ∈ R.
44
2.1.5. Producto cruz en R3

En esta sección definiremos un producto vectorial que nos permite encontrar un vector que es
perpendicular a dos vectores dados del espacio, es decir, en R3 .
DEFINICIÓN 2.1.10 Sean →−

u = (u1 , u2 , u3 ) y →
−
v = (v1 , v2 , v3 ) vectores en R3 . Definimos el producto
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 : i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1), entonces
→
−
u ×→
−
v = ((u2 v3 − u3 v2 ) , − (u1 v3 − u3 v1 ) , (u1 v2 − u2 v1 ))
OBSERVACIÓN: La definición 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
OBSERVACIÓN: El vector →
−
u ×→
−
v es perpendicular a →
−
u y→
−
v . Note que en dos dimensiones esto no
tiene sentido.
EJEMPLO 2.1.2 Sean →

−
u = (1, 2, −1) y →
−
u = (1, 0, −1). Calcular →
−
u ×→
−
v.
Solución:
→
− → − → −
i j k
→
− →
−

→ − 1 −1 →
− 2 −1 → − 1 2
u × v = 1 2 −1 = i − j + k

0 −1 1 −1 1 0
1 0 −1
→
− → − →
− →
− →
−
= −2 i − j (0) + k (−2) = −2 i − 2 k = (−2, 0, −2)

−
u = (u1 , u2 , u3 ) , →
−
v = (v1 , v2 , v3 ) y →
−
w = (w1 , w2 , w3 ) vectores en R3 .
Entonces
u1 u2 u3

→
− →
− →
−
u · ( v × w ) = v1 v2 v3

w1 w2 w3
45
Dem.: En efecto: sabemos que

!
v
2 v3
v
1 v3
v
1 v2

→
− →
−
v ×w = ,−

,

w2 w3 w1 w3 w1 w2
y si →
−
u = (u1 , u2 , u3 ) entonces

v
2 v3
v
1 v3
v
1 v2

→
− →
− →
−
u · ( v × w ) = u1 − u2 + u3

w2 w3 w1 w3 w1 w2

u1 u2 u3

= v1 v2 v3

w1 w2 w3
(es el desarrollo del determinante por la primera fila en cofactores).

Note además que

u1 u2 u3

→
−
u · (→
−
v ×→
−
w ) = v1 v2 v3

= (→
−
u ×→
−
v)·→
−
w

w1 w2 w3
OBSERVACIÓN: 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) y →
−
v ⊥ (→
−
u ×→
−
v)
3. ∀→
−
u,→
−
v ∈ R3 : (→
−
u ×→
−
v ) = − (→
−
v ×→
−
u)
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 ∀λ ∈ R : λ (→
−
u ×→
−
v ) = (λ→
−
u)×→
−
v =→
−
u × (λ→
−
v)
OBSERVACIÓN: Dejamos como ejercicio la demostración de estas propiedades, para lo que reco-
mendamos utilizar las propiedades de los determinantes y la proposición anterior.
46
EJEMPLO 2.1.3 Simplificar la expresión
[(→
−
u +→
−
v ) × (2→
−
u −→
−
v )] · →
−
u
Desarrollo: Por las propiedades recién 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
TEOREMA 2.1.3 (Identidad de Lagrange) Para cada →

−
v ,→
−
w en R3 se tiene
(→
−
v ·→
−
w ) + k→
− w k = k→
v ×→
− −
v k k→
2 2 2 − 2
wk
Dem.: Ejercicio.
Gracias a la identidad de Lagrange, podemos mostrar lo siguiente: como →

−
v ·→
−
w = k→
−
v k k→
−
w k cos θ
se sigue que
(k→
−
v k k→
−
w k cos θ) + k→
−
v ×→
−
w k = k→ −v k k→
2 2 2 − 2
wk
luego
k→
−
v ×→
−
w k = k→−
v k k→
2 − 2
w k − k→
−
v k k→
2 2 − 2
w k cos2 θ
= k→
−
v k k→
2 − 2
w k 1 − cos2 θ

= k→
−
v k k→
2 − 2
w k sen 2 θ
Esto nos lleva a la siguiente:

−
v y →
−
w vectores en R3 . Entonces
k→
−
v ×→
−
w k = k→
−
v k k→
−
w k |sen θ|
donde θ ∈ [0, π] es el ángulo que forman →

−
v e→
−
w.
47
EJERCICIOS:
1. Considere un paralelógramo determinado por dos vectores → −

u y→ −v en R3 si ]→−
u,→−
v = θ
→
− →
− →
− →
−
entonces el área del paralelógramo es A = k u k k v k sen θ = k u × v k. Notar que de esta
forma se puede calcular el área de un triángulo por
k→
−
u ×→−
vk
A=
2
2. Considere un paralelepipedo en el espacio determinado por tres vectores no coplanares

→
−
u,→
−v ,→
−
w ∈ R3 entonces el volúmen del paralelepípedo esta dado por
 

u1 u2 u3
V = |→
−
w · (→
−
u ×→
−
v )| = det  v1 v2 v3 
 

w1 w2 w3
48
Verónica Gruenberg Stern 2.2. CLASE 9: G EOMETRÍA DEL P LANO Y EL E SPACIO
2.2. CLASE 9: Geometría del Plano y el Espacio
2.2.1. Proyecciones
Geométricamente, lo que queremos es determinar el vector que se obtiene al proyectar ortogo-

−
→
nalmente el vector →
−
u 6= 0 sobre el vector →
− u entonces, para
w . Si denotamos a este vector con proy−
→
w
algún t ∈ R, se debe cumplir
−
→
u →
−
proy−
w = tw
→
→
−
w · (→
−
u − t→
−
w) = 0
Entonces
→
−
w ·→
−
u
→
−
w ·→
−
u − t k→
− 2
wk = 0 =⇒ t= →
−
kwk
2
Se sigue
→
−
w ·→
−
!
−
→
u u →
−
proy−
→
w = →
− 2 w
kwk
→
−
DEFINICIÓN 2.2.1 Sean →−
u y→
−
w son vectores en Rn , →
−
w 6= 0 . Se define el vector proyección de →
−
u
→
−
sobre w como el vector
→
−w ·→−
!
−
→
u u → −
proy−w =
→
→
− 2 w
kwk
−
→
OBSERVACIÓN: El vector →
− u se llama componente de →
u − proy−
→
w
−
u ortogonal a →
−
w.
EJEMPLO 2.2.1 Considere un triángulo en R3 determinado por los vértices en los puntos A, B, C.
Encuentre su área.
Solución: Sean → −u = B − A, →
−w = C − A. Entonces, la altura del triángulo es
−
→

h = →
− u
u − proy−
→
w
de donde el área pedida es

1 → −
→

k−
w k →
− u
A= u − proy−
→
w
2
49
2.2.2. Rectas en el espacio

→
−
DEFINICIÓN 2.2.2 En R3 , sea → −p un punto dado y d un vector no nulo. Definimos la recta que pasa
→
− →
−
por →
−
p y es paralela a d (o tiene dirección d ), como el conjunto de puntos
→
−
L= → −
n o
p +λd :λ∈R
→
−
El vector d se llama vector director de la recta L.
Escribamos la relación que define a una recta en el espacio, en términos de coordenadas. Sea
→
− →
−
p = (x0 , y0 , z0 ), d = (d1 , d2 , d3 ). Un punto (x, y, z) pertenece a la recta si
→
−
x = (x, y, z) = (x0 , y0 , z0 ) + λ(d1 , d2 , d3 ) λ∈R
que es la ecuación vectorial de la recta.

De esta ecuación, podemos escribir:
x = x0 + λd1
y = y0 + λd2
z = z0 + λd3
Esta forma de escribir la ecuación de la recta se llama ecuación paramétrica de la recta, o forma
paramétrica de la ecuación, de parámetro λ.
Si en cada ecuación anterior despejamos el parámetro λ obtenemos
x − x0
λ =
d1
y − y0 x − x0 y − y0 z − z0
λ = =⇒ = =
d2 d1 d2 d3
z − z0
λ =
d3
Esta forma de presentar una recta en el espacio se conoce como las ecuaciones simétricas o ecua-
ción cartesiana de la recta.
OBSERVACIÓN:
1. Supongamos que una componente del vector director es igual a 0, digamos d1 . Entonces, la
ecuación simétrica queda de la forma:
y − y0 z − z0
x = x0 , =
d2 d3
50
2. Si conocemos dos puntos en el espacio, digamos → −p1 y →

−
p2 , la ecuación de la recta que pasa por
ellos es
L : (x1 , y1 , z1 ) + t(x1 − x2 , y1 − y2 , z1 − z2 ), t ∈ R
La forma paramétrica de la ecuación de la recta que pasa por estos dos puntos es:
x = x1 + t(x1 − x2 )
y = y1 + t(y1 − y2 )
z = z1 + t(z1 − z2 )
y la forma simétrica es:

x − x1 y − y1 z − z1
= =
x1 − x2 y1 − y2 z1 − z2
→
− →
−
DEFINICIÓN 2.2.3 Dos rectas L1 = → −
p1 + td1 , t ∈ R y L2 = → −
p2 + r d2 , r ∈ R son paralelas si sus
→
− →
−
vectores directores son paralelos. Es decir, d1 = ad2 con a ∈ R y a 6= 0
2.2.3. Planos
DEFINICIÓN 2.2.4 Sean → −
p, →
−
u y→ −
v vectores en el plano, tales que →
−
u y→
−
v no son paralelos. Enton-
3
ces, el conjunto Π ⊂ R es un plano si
Π = {→
−
p + α→
−
u + β→
−
v : α, β ∈ R}
En términos de coordenadas, si →
−
p = (x0 , y0 , z0 ), →
−
u = (u1 , u2 , u3 ), →
−
v = (v1 , v2 , v3 ), entonces
x = x0 + αu1 + βv1
y = y0 + αu2 + βv2
z = z0 + αu3 + βv3
Estas ecuaciones son las ecuaciones paramétricas del plano.
OBSERVACIÓN: Un plano en R3 se puede determinar especificando un punto contenido en él y un

vector normal al plano, es decir, un vector perpendicular a él.
En efecto, dado el punto P = (x0 , y0 , z0 ) y el vector →
−
n = (n1 , n2 , n3 ), un punto Q = (x, y, z) ∈ Π
−−→ → −
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
51
Por lo tanto, la ecuación general de un plano es
ax + by + cz + d = 0
donde el vector (a, b, c) es normal al plano. Este vector se llama vector director o dirección del plano.
OBSERVACIÓN: Un plano puede ser determinado conociendo 3 puntos no colineales. En efecto,

−−−→ −−−→ −−−→ −−−→
sean P1 , P2 , P3 los puntos. Formamos los vectores P1 P2 y P1 P3 . El vector →
−
n = P1 P2 × P1 P3 es
−−−→ −−−→
perpendicular a P1 P2 y a P1 P3 . Luego, →
−
n es normal al plano. Usamos cualquiera de los 3 puntos
→
−
Pi y n y obtenemos la ecuación del plano.
EJEMPLO 2.2.2 Determine la ecuación del plano que pasa por los puntos
P1 = (2, −2, 1), P2 = (−1, 0, 3), P3 = (5, −3, 4)
Solución: Formemos los vectores

−−−→ −−−→
P1 P2 = P2 − P1 = (−3, 2, 2) y P1 P3 = P3 − P1 = (3, −1, 3)
Ahora, el vector normal

→
− −−−→ −−−→
n = P1 P2 × P1 P3 = (8, 15, −3)
Por lo tanto, la ecuación del plano es dada por:
(x − 2, y + 2, z − 1) · (8, 15, −3) = 0 ⇐⇒ 8x + 15y − 3z + 17 = 0
TEOREMA 2.2.1 Dados dos planos
Π1 = a1 x + b1 y + c1 z + d1 = 0 y Π2 = a2 x + b2 y + c2 z + d2 = 0
se tiene:
1. Π1 k Π2 ⇐⇒ a1 = ka2 , b1 = kb2 , c1 = kc2 con k ∈ R y k 6= 0
2. Π1 ⊥ Π2 ⇐⇒ (a1 , b1 , c1 ) · (a2 , b2 , c2 ) = 0
3. Π1 = Π2 ⇐⇒ a1 = ka2 , b1 = kb2 , c1 = kc2 , d1 = kd2 con k ∈ R y k 6= 0.

→
−
TEOREMA 2.2.2 Consideremos la recta L = →
−
p + λ d y el plano Π = αx + βy + γz + δ = 0. Se tiene
→
−
1. L k Π ⇐⇒ (α, β, γ) · d = 0
→
−
2. L ⊥ Π ⇐⇒ d k (α, β, γ) ⇐⇒ α = kd1 , β = kd2 , γ = kd3 , donde k 6= 0 y
→
−
(d1 , d2 , d3 ) = d .
52
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 está 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

Π = ax + by + cz + d = 0; la distancia entre P0 y Π está dada por:
|ax0 + by0 + cz0 + d|

d(P0 , Π) = √
a2 + b2 + c2
TEOREMA 2.2.5 (Distancia entre rectas) Sea L1 la recta que pasa por el punto P1 y tiene dirección
→
− →
−
d1 . Sea L2 la recta que pasa por el punto P2 y tiene dirección d2 . La distancia (mínima) entre L1 y
L2 está dada por:
−−−→ −
|P1 P2 · → n| →
− → −
dmin (L1 , L2 ) = →
− , donde →
−
n = d1 × d2
|| n ||
Ejercicios propuestos
1. Determine si las rectas
L1 : x = 2t − 3, y = 3t − 2, z = −4t + 6 y L2 : x = r + 5, y = −4r − 1, z = r−4
se cortan.
Solución. 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
La solución de este sistema de 3 ecuaciones y dos incógnitas es:
t1 = 3 y r1 = −2
Reemplazamos el valor del parámetro t1 en L1 o reemplazamos el valor del parámetro r1 en

L2 , para obtener el punto donde se intersectan: P = (3, 7, −6).
2. Determinar la ecuación de la recta que pasa por P (1, 4, 0) y es perpendicular a las rectas

 x = 3+t

x+4 2y − 1 1
L1 : y = 4+t , L2 : = , z=
 6 3 2
z = −1 + t

53
→
− →
− →
−
Solución. Sea L : (1, 4, 0) + λ d , con λ ∈ R, la recta buscada y sean d 1 = (1, 1, 1) y d 2 =
(4, 1, 0) los vectores directores de L1 y L2 respectivamente. Como
→
− →− →
− →− →
− → − →
−
L⊥L1 ∧ L⊥L2 =⇒ d ⊥ d 1 ∧ d ⊥ d 2 =⇒ d // d 1 × d 2 = (−1, 4, −3)
Por lo tanto, la ecuación de la recta L es
L : (1, 4, 0) + λ(−1, 4, −3), con λ ∈ R
3. Hallar la ecuación del plano que pasa por (3, −1, 2) y es paralelo al plano 2x+4y −3z +10 = 0
Solución. El plano buscado tiene por ecuación 2x + 4y − 3z + d = 0. Para determinar d,

usamos que el punto (3, −1, 2) debe pertenecer al plano, entonces debe satisfacer la ecuación
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 ecuación del plano determinado por el punto (1, 0, 2) y la recta L :

x+3 y−5 z−1
= =
3 −3 1
Solución. Vamos a escribir la recta como intersección de 2 planos. Para esto, consideramos
las igualdades siguientes:
x+3 y−5 y−5 z−1
= y =
3 −3 −3 1
De la primera igualdad, se tiene

x+3 y−5
= ⇐⇒ −3x − 9 = 3y − 15 ⇐⇒ x + y − 2 = 0
3 −3
De la segunda igualdad , obtenemos

y−5 z−1
= ⇐⇒ y − 5 = −3z + 3 ⇐⇒ y + 3z − 8 = 0
−3 1
La ecuación del haz de planos que tiene a L como eje del haz es:
(x + y − 2) + λ(y + 3z − 8) = 0
Necesitamos el plano de este haz que pasa por el punto dado (1, 0, 2). Para esto, reemplaza-
mos el punto en la ecuación del haz, obteniendo
1
(1 + 0 − 2) + λ(0 + 3(2) − 8) = 0 =⇒ λ = −
2
54
El plano buscado es:
1
(x + y − 2) − (y + 3z − 8) = 0 ⇐⇒ 2x + y − 3z + 4 = 0
2
5. Considere
el punto A(1, 0, 1), el plano Π : 2x + y − z − 7 = 0 y la recta L : (−1, 1, 0) + t(0, 1, 5)
a) Determine el punto B, que es la intersección del plano Π con la recta que pasa por A y
es perpendicular a Π.
b) Determine el punto D, punto de intersección de la recta L con el plano Π
c) Hallar un punto C ∈ L tal que el volumen del tetraedro de vértices A, B, C, D sea 4.
Solución. Denotemos por LA : (1, 0, 1) + r(2, 1, −1) la recta que pasa por A e intersecta
perpendicularmente a Π
T
a) Como B ∈ LA Π =⇒ B ∈ LA ∧ B ∈ Π =⇒ B = (1 + 2r, r, 1 − r) y debe satisfacer la
ecuación del plano, es decir,
2(1 + 2r) + r − (1 − r) − 7 = 0 =⇒ r = 1 =⇒ B = (3, 1, 0)

T
b) Analogamente, si D ∈ L Π =⇒ D = (−1, 1 + t, 5t) y
2(−1) + (1 + t) − 5t − 7 = 0 =⇒ t = −2 =⇒ D = (−1, −1, −10)
c) Si C ∈ L =⇒ C = (−1, 1 + t, 5t), entonces

−−→ −−→ −−→
BC = (−4, t, 5t), BD = (−4, −2, −10), BA = (−2, −1, 1)
1 −−→ −−→ −−→
El volumen del tetraedro de vértices 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).
55
C APÍTULO 2. V ECTORES EN Rn
6. Hallar la ecuación del plano que contiene a la recta L : x = 2y = 3z − 1, sabiendo que

dicho plano está a una distancia de 27 unidades del origen.
Solución. El haz de planos que contiene a la recta L tiene por ecuación
(x − 2y) + λ(x − 3z + 1) = 0 ⇐⇒ x(1 + λ) − 2y − 3λz + λ = 0
La distancia del origen (0,0,0) al haz de planos está dada por
|λ|
d(O, haz) = p
(1 + λ) + (−2)2 + (−3λ)2
2
2
Pero el plano pedido debe estar a 7 del origen, entonces
|λ| 2
p =
2 2
(1 + λ) + (−2) + (−3λ) 2 7
Esta ecuación cuadrática tiene 2 soluciones:

10
λ=2 λ=−
9
Por lo tanto, tenemos 2 soluciones
Π1 : (x − 2y) + 2(x − 3z + 1) = 0 ⇐⇒ 3x − 2y − 6z + 12 = 0
y
10
Π2 : (x − 2y) − (x − 3z + 1) = 0 ⇐⇒ x + 18y − 30z + 10 = 0
9
7. Hallar la distancia mínima entre las rectas
L1 : (1, 1, 4) + t(0, 1, −3) y L2 : x = 4 + λ, y = 5, z = −3 + 2λ
→
− →
−
Solución. El vector director de L1 es d1 = (0, 1, −3) y el vector director de L2 es d2 = (1, 0, 2).
Entonces
→
− →
− → −
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 fórmula, obtenemos

−−−→ −
|P1 P2 · →n| |(3, 4, −7) · (2, −3 − 1)| 1
dmin (L1 , L2 ) = = =√
||→
−
n || ||(2, −3 − 1)|| 14
56

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
c) Sean ~a, ~b y p~ los vectores posición de A, B y P , respectivamente. Si p~ = 3~a − 2~b,

entonces P divide a AB en la razón 3 : (−2).
2. Sean (3, 7, 5), B = (3, 4, 8) y C = (4, 4, 5).
a) Demostrar que el 4ABC es isósceles.

b) Determinar la ecuación de la recta que contiene a la altura h.
c) Calcular el ∠BAC.
3.
57
58
Capítulo 3
Espacios Vectoriales
3.1. CLASE 10: Espacios Vectoriales

DEFINICIÓN 3.1.1 Sea V un conjunto no vacío y sea K un cuerpo (los cuerpos que consideraremos
en este curso serán R ó C). Supongamos que en V se han definido dos operaciones, que llamaremos
adición y producto por escalar, del siguiente modo:
I. La adición toma dos elementos de V , llamésmoslos u y v, y mediante la operación los lleva a un

elemento w ∈ V con w = u + v.
II. El producto por escalar toma un elemento α del cuerpo K y un u ∈ V , y mediante la operación
los lleva a un elemento w ∈ V con w = α · u
Diremos que (V, +, ·) es un espacio vectorial sobre K (ó 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 : u + (v + w) = (u + v) + w
3. ∃ 0V ∈ V : u + 0V = u, ∀ u ∈ V
4. ∀ u ∈ V, ∃ (−u) ∈ V : u + (−u) = 0V
5. ∀ u, v ∈ V, ∀ α ∈ K : α · (u + v) = α · u + α · v
6. ∀ u ∈ V, ∀ α, β ∈ K : (α + β) · u = α · u + β · u
7. ∀ u ∈ V, ∀ α, β ∈ K : (αβ) · u = α · (β · u)
8. ∀ u ∈ V : 1·u=u
Los elementos de V se llaman vectores y los del cuerpo K se llaman escalares.
59
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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 α ∈ R, definimos
u + v = (u1 + v1 , u2 + v2 ) y α · u = (αu1 , αu2 )
Este espacio vectorial se identifica, geométricamente, 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 α ∈ R, definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 ) y α · u = (αu1 , αu2 , αu3 )
Este espacio vectorial se identifica, geométricamente, con el espacio cartesiano, y sus elemen-
tos son los vectores en (R3 , +, ·).
3. La generalización (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 α ∈ R, definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
α · u = (αu1 , αu2 , . . . , αun )
4. (C2 , +, ·) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v ∈ C2 , con

u = (u1 , u2 ), v = (v1 , v2 ) y α ∈ C, definimos
u + v = (u1 + v1 , u2 + v2 ) y α · u = (αu1 , αu2 )
Debe tenerse presente que, en este caso, todos los números involucrados son números com-
plejos, 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 α ∈ C definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 ) y α · u = (αu1 , αu2 , αu3 )
Análogamente, las operaciones se realizan entre números complejos.
6. La generalización (Cn , +, ·) es un espacio vectorial sobre C, con las siguientes operaciones: Si

u, v ∈ Cn , con u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) y α ∈ C definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
α · u = (αu1 , αu2 , . . . , αun )
60
Verónica Gruenberg Stern 3.1. CLASE 10: E SPACIOS V ECTORIALES
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 adición 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
(αp)(x) = αp(x) = αa0 + αa1 x + αa2 x2 + . . . + αan xn , ∀α ∈ R
9. Consideremos el conjunto de las funciones a valores reales F = {f : A ⊆ R → R} premunido

de la adición usual de funciones y del producto por escalar usual:
(f + g)(x) = f (x) + g(x) y (α · f )(x) = α(f (x)) ∀f, g ∈ F, ∀x∈ A, ∀α ∈ R.
Con estas operaciones, (F, +, ·) es un espacio vectorial sobre R.
10. El espacio de las funciones continuas definidas en un intervalo [a, b], que denotamos por
(C[a, b], +, ·) con las operaciones recién definidas para las funciones, es un espacio vectorial
sobre R.
11. El espacio de las funciones n veces derivables (funciones de clase C n ) definidas en un inter-
valo ]a, b[, que denotamos por (C n (]a, b[) , +, ·) con las mismas operaciones anteriores, es un
espacio vectorial sobre R.
12. Consideremos el conjunto de las matrices de orden m × n con entradas reales, que denotare-
mos Mm×n (R). Recordemos que si A, B ∈ Mm×n (R), definimos la suma de matrices:
A + B = (aij )m×n + (bij )m×n = (aij + bij )m×n
El producto por escalar queda definido por:
α · A = α · (aij )m×n = (α aij )m×n
De esta manera, (Mm×n (R), +, ·) es un espacio vectorial sobre R.
61
13. Análogamente, las matrices con entradas complejas (Mm×n (C), +, ·) con las operaciones
análogas 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 K−espacio 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, adición
y producto por escalar, definidas por:
(f + g) (x) = f (x) + g (x)

(α · f ) (x) = α · 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 (Mm×n (R), +, ·) es un espacio vectorial sobre C. Justifique.
5. Determine si (Mm×n (C), +, ·) es un espacio vectorial sobre R. Justifique.
6. En R+ = {x ∈ R : x > 0}, se definen las siguientes operaciones:
x ∗ y = xy, α • x = xα , ∀x, y ∈ R+ , ∀α ∈ R.
¿Es (R+ , ∗, •) un espacio vectorial sobre R?
7. Determine para cada uno de los siguientes casos si el conjunto dado es o no un R-espacio
vectorial. En caso negativo, liste los axiomas que no se cumplen.
a) A = {(x, y) ∈ R2 : y ≤ 0}, con la suma y producto por escalar habitual.

b) B = R2 , con el producto por escalar usual pero la suma definida por
(x1 , y1 ) ⊕ (x2 , y2 ) = (x1 + x2 + 1, y1 + y2 + 1)
c) C = {(aij ) ∈ M2×2 (R) : a11 = a22 = 0}, con la suma y producto por escalar
habitual en M2×2 (R).
62
Verónica Gruenberg Stern 3.1. CLASE 10: E SPACIOS V ECTORIALES
PROPOSICIÓN 3.1.1 Sea V un K-espacio vectorial. Entonces:
1. El neutro aditivo 0V es único.
2. Para cada v ∈ V el inverso aditivo (−v) es único.
3. La ley de cancelación es válida para la adición de vectores.
4. ∀v ∈ V : 0 · v = 0V
5. ∀α ∈ K ∀v ∈ V : (−α) v = − (αv)
Dem.:
1. Supongamos que no es único, es decir, que existen al menos dos neutros para la adición
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. Análogamente al caso anterior, suponga que el inverso aditivo no es único. Dejamos la de-
mostración como ejercicio.
3. Debemos probar que si u1 , u2 , v ∈ V : u1 + v = u2 + v ⇒ u1 = u2

Suponemos u1 , u2 , v ∈ V : u1 + v = u2 + v. Como v ∈ V se tiene que −v ∈ V .
Sumando a ambos lados de la ecuación:
(u1 + v) + (−v) = (u2 + v) + (−v) ⇒ u1 + (v + (−v)) = u2 + (v + (−v)) ⇒ u1 = u2
4. Calculamos 0 · v = (0 + 0) · v = 0 · v + 0 · v. Aplicamos 3. y tenemos 0 · v = 0V .
5. Notamos que 0V = 0 · v = (α + (−α)) · v = α · v + (−α) · v.

Por lo tanto, el inverso aditivo de α · v es (−α) · v. Pero, el inverso aditivo de α · v es
−(α · v). Por la unicidad del inverso: (−α) · v = −(α · v).
63
3.2. CLASE 11: Subespacios Vectoriales

DEFINICIÓN 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.
Notación: Si (S, +, ·) es un subespacio vectorial de (V, +, ·), escribimos S ≤ V .
OBSERVACIÓN: La definición anterior no permite averiguar, de manera simple, si un determinado

subconjunto es o no subespacio de un espacio vectorial dado. Más precisamente, la definición an-
terior nos obliga a verificar, todas las propiedades que deben satisfacer las operaciones que definen
a un espacio vectorial. El siguiente teorema nos brinda un método sencillo para este efecto.
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 α ∈ K, u ∈ S entonces α · u ∈ S.
Dem.: Probaremos algunas propiedades.
Veamos que si se satisfacen las propiedades anteriores entonces 0V ∈ S:

si α = 0 en 2., entonces α · u = 0 · u = 0V
Veamos ahora que si se satisfacen las propiedades anteriores entonces −u ∈ S:

si α = −1 en 2., entonces α · u = −1 · u = −u ∈ S
Como S ⊆ V , es fácil verificar que las demás propiedades se satisface, pues (V, +, ·) es un
espacio vectorial sobre K.
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 ∀α ∈ K : α·u+v ∈S
Dem.: Veamos algunas propiedades:
0V ∈ S : basta considerar u=v ∧ α = −1.
Sea u ∈ S. Como 0V ∈ S, basta considerar v = 0V ∧ α = −1. Entonces, −u ∈ S.
64
Verónica Gruenberg Stern 3.2. CLASE 11: S UBESPACIOS V ECTORIALES
OBSERVACIÓN:
1. Si S ≤ V entonces 0V ∈ S.
2. En adelante, cuando el cuerpo sobre el cual estamos trabajando y las operaciones conside-
radas estén 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 subes-
pacios 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 único ele-
mento 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 también pertenece a W .
c) λ ∈ R, (x, y) ∈ W ⇒ λ · (x, y) ∈ W .
En efecto: (x, y) ∈ W ⇒ y = 0. Por lo tanto, λ · (x, y) = λ · (x, 0) = (λx, 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 n−ésima componente de la suma de dos vectores en W da como
resultado un vector que también pertenece a W .
c) λ ∈ R, (x1 , x2 , · · · , xn ) ∈ W ⇒ λ · (x1 , x2 , · · · , xn ) ∈ W .
En efecto: (x1 , x2 , · · · , xn ) ∈ W ⇒ xn = 0. Por lo tanto, λ · (x1 , x2 , · · · , xn ) = λ ·
(x1 , x2 , · · · , 0) = (λx1 , λx2 , · · · , 0) ∈ W .
65
Como las tres condiciones se satisfacen, hemos probado que W ≤ Rn .
3. Sea (1, −2) ∈ R2 y consideremos W = {(x, y) ∈ R2 : (x, y) = α · (1, −2), α ∈ R}. Probemos
que W es un subespacio vectorial de R2 .
a) W 6= ∅, lo cual es cierto pues (0, 0) = 0 · (1, −2) ∈ W .

b) Debemos probar ahora que (x1 , x2 ), (u1 , u2 ) ∈ W ⇒ (x1 , x2 ) + (u1 , u2 ) ∈ W .
En efecto: (x1 , x2 ), (u1 , u2 ) ∈ W ⇒ ∃α, β ∈ R : (x1 , x2 ) = α · (1, −2),
(u1 , u2 ) = β · (1, −2). Por lo tanto, (x1 , x2 ) + (u1 , u2 ) = α · (1, −2) + β · (1, −2) = (α + β) ·
(1, −2) ∈ W, pues α + β ∈ R.
c) Probemos ahora que λ ∈ R, (x1 , x2 ) ∈ W ⇒ λ · (x1 , x2 ) ∈ W .
En efecto: (x1 , x2 ) ∈ W ⇒ λ · (x1 , x2 ) = λ · (α · (1, −2)) = (λα) · (1, −2) ∈ W, pues
λ ∈ R.
Gráficamente, este espacio vectorial se representa por una recta en el plano, en la misma
dirección 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 = α · u0 , α ∈ 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 .

b) Probemos que v1 , v2 ∈ W ⇒ v1 + v2 ∈ V. En efecto: v1 , v2 ∈ V ⇒ ∃α, β ∈ R :
v1 + v2 = α · u0 + β · u0 = (α + β) · u0 ∈ V
c) Probemos ahora que λ ∈ R, v ∈ W ⇒ λ · v ∈ W. En efecto: v ∈ W ⇒ λ · v = λ · α · u0 =
(λα) · u0 ∈ W.
Debido a la analogía con el ejemplo anterior (4.-), este espacio vectorial recién descrito se
denomina recta vectorial, con dirección u0 .
5. Sea E = {(x, y, z) ∈ R3 : 2x + y = 0}. Probemos que E ≤ R3 .
a) E 6= ∅, lo cual es cierto pues (0, 0, 0) ∈ E.

b) Probemos que:
(x, y, z), (u, v, w) ∈ E ⇒ (x, y, z) + (u, v, w) = (x + u, y + v, z + w) ∈ E. Este último
vector pertenece a E ⇐⇒ 2(x + u) + y + v = 0, condición que se cumple pues
como (x, y, z), (u, v, w) ∈ E ⇒ 2x + y = 2u + v = 0 de donde 2x + y + 2u + v =
2(x + u) + y + v = 0. Luego, la suma de los vectores pertenece a E.
c) Análogamente para el producto por escalar.
66
Verónica Gruenberg Stern 3.2. CLASE 11: S UBESPACIOS V ECTORIALES
( ! )
a b
6. Sea S = ∈ M2×2 (R) : a = b y c = −d entonces S ≤ M2×2 (R)
c d
PROPOSICIÓN 3.2.1 Sea V un espacio vectorial sobre un cuerpo K, W1 , W2 ≤ V . Luego:
1. W1 ∩ W2 ≤ V.
2. W1 + W2 ≤ V, donde el conjunto suma de W1 + W2 se define como:

W1 + W2 = {u + v : u ∈ W1 , v ∈ W2 }
Dem.:
1. Como W1 , W2 ≤ V , tenemos que 0V ∈ W1 ∧ 0V ∈ W2 ∴ 0V ∈ W1 ∩ W2

Sean w1 , w2 ∈ W1 ∩ W2 . Entonces w1 , w2 ∈ W1 ∧ w1 , w2 ∈ W2 .
Como W1 , W2 ≤ V , tenemos que w1 + w2 ∈ W1 ∧ w1 + w2 ∈ W2 . Luego:
w1 + w2 ∈ W1 ∩ W2
Sea w ∈ W1 ∩ W2 y α ∈ K. Entonces w ∈ W1 ∧ w ∈ W2
Como W1 , W2 ≤ V : (α · w ∈ W1 ∧ α · w ∈ W2 ) ∴ α · w ∈ W1 ∩ W2 .
2. Como W1 , W2 ≤ V : 0V ∈ W1 ∧ 0V ∈ W2 ∴ 0V = 0V + 0V ∈ W1 + W2
Sean u1 , u2 ∈ W1 + W2 . Entonces
u1 = v 1 + v 2 , v1 ∈ W 1 , v2 ∈ W 2
u2 = v10 + v20 , v10 ∈ W1 , v20 ∈ W2
Por lo tanto: u1 + u2 = v1 + v2 + v10 + v20 = v1 + v10 + v2 + v20

| {z } | {z }
∈W1 ∈W2
∴ u1 + u2 ∈ W 1 + W 2 .
Sea w ∈ W1 + W2 y α ∈ K. Entonces w = u1 + u2 , u1 ∈ W1 , u2 ∈ W2 .
∴ α · w = α · (u1 + u2 ) = α · u1 + α · u2 ∴ α · w ∈ W1 + W2
| {z } | {z }
∈W1 ∈W2
OBSERVACIÓN:
1. Si W1 , W2 ≤ V y W1 ∩ W2 = {0V } entonces el subespacio suma W1 + W2 se llama suma

directa y se escribe W1 ⊕ W2 .
67
2. La unión de subespacios no es necesariamente un subespacio vectorial. Considere, por ejem-

plo, V1 = (x, y) ∈ R2 : x = 0 y V2 = (x, y) ∈ R2 : y = 0 .

Entonces, V1 ∪ V2 = (x, y) ∈ R2 : x = 0 ∨ y = 0

Los elementos (1,0) y (0,1) pertenecen a V1 ∪ V2 , sin embargo (1, 0) + (0, 1) = (1, 1) 6∈ V1 ∪ V2 ,
ya que no se cumple la condición que una de las componentes sea igual a 0.
EJERCICIOS:
1. En los siguientes, determine si el subconjunto dado W del espacio vectorial V es o no subes-

pacio de V .
a) V = R2 , 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 = Mn×n (R), W = {D ∈ Mn×n (R) : D es diagonal }
( ! )
a b
e) V = M2×2 (R), W = ∈ M2×2 (R) : a, b ∈ R
0 a+b
  
 a a
 

f ) V = M3×2 (R), W =  b b  ∈ M3×2 (R) : a, b, c ∈ R
 
 
c −c
 
g) V = R4 [x], W = {p(x) ∈ R4 [x] : p(0) = p0 (0) ∧ p(1) = p0 (1)}.

h) V = C[0, 1], W = {f ∈ C[0, 1] : f (0) = f (1) = 0}
i) V = C[0, 1], W = {f ∈ C[0, 1] : f (0) = 2}
2. Sea S = {A ∈ Mn×n : At = A}. Probar que S ≤ Mn×n .
3. Sea T = {A ∈ Mn×n : At = −A}. Probar que T ≤ Mn×n .
4. Muestre que S ⊕ T = Mn×n (R), donde S y T son los subespacios de los ejercicios anterio-
res.
5. Pruebe que n ≥ m ⇒ C n [a, b] ≤ C m [a, b].
6. Considere los subespacios vectoriales de R3 :

E = {(x, y, 0) : x, y ∈ R}, F = {(0, 0, z) : z ∈ R}, G = {(0, y, z) : y, z ∈ R}.
Determine: E ∩ F, E ∩ G, G ∩ F, E + F, E + G, G + F . Haga una descripción geométrica y
dibuje cada uno de estos subespacios.
68
Verónica Gruenberg Stern 3.3. CLASE 12: E SPACIO G ENERADO . I NDEPENDENCIA LINEAL
3.3. CLASE 12: Espacio Generado. Independencia lineal

DEFINICIÓN 3.3.1 Sean α1 , α2 , · · · , αn ∈ K y sean u1 , u2 , · · · , un ∈ V , donde V es un espacio
n
X
vectorial real. La expresión αi ui es una combinación lineal de los vectores u1 , u2 , · · · , un .
i=1
OBSERVACIÓN: 0V es combinación lineal de cualquier conjunto de vectores.
EJEMPLO 3.3.1 En R3 , el vector (0, 2, −3) es una combinación lineal de los vectores (1, 0, 0), (1, 1, 0)
y (1, 1, 1). Para probarlo, escribimos
(0, 2, −3) = α · (1, 0, 0) + β · (1, 1, 0) + γ · (1, 1, 1)
Luego, debemos encontrar α, β, γ ∈ R:
0 = α+β+γ
2 = β+γ
−3 = γ
Resolviendo, determinamos que γ = −3, β = 5, α = −2.

Notar que (0, 2, −3) no es combinación lineal de los vectores (1, 1, 0), (1, 1, 1), pues, usando el
mismo razonamiento, si (0, 2, −3) = α · (1, 1, 0) + β · (1, 1, 1) entonces
0 = α+β
2 = α+β
−3 = β
lo cual es obviamente contradictorio.
EJERCICIOS:
1. Considere los vectores u = (2, 1, −2), v = (1, −1, 1) ∈ R3 . Escriba, si es posible, los vectores
a = (−4, −5, 8) y b = (4, 1, −5) como combinación lineal de u y v. Determine los valores de
x para los cuales el vector (x, 4, −7) es una combinación lineal de u y v.
2. Dados u1 = (1, 2, α, 1), u2 = (α, 1, 2, 3), u3 = (0, 1, β, 0) ∈ R4 , determine los valores de α y

β en R para que uno de los vectores sea combinación lineal de los otros dos.
3. Decidir si p (t) = t2 − t + 1 es combinación lineal de p1 (t) = (t − 1)2 y p2 (t) = t.

! ! !
1 2 0 1 1 −1
4. Decidir si es combinación lineal de y .
−1 0 1 1 1 0
69
DEFINICIÓN 3.3.2 Sea V un espacio vectorial sobre un cuerpo K y sea X ⊆ V, X 6= ∅. Consi-

deremos todos los subespacios vectoriales de V que contienen al conjunto X. El más «chico» de
todos estos conjuntos se llama espacio generado por X y corresponde a la intersección de todos
los subespacios que contienen a X. Lo denotaremos por hXi ó por G(X).
OBSERVACIÓN: 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 .
Además, 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
( k )
X
hXi = αi xi , αi ∈ R
i=1
OBSERVACIÓN: Si S = hv1 , v2 , . . . , vn i decimos que v1 , v2 , . . . , vn generan a S o que {v1 , v2 , . . . , vn }

es un conjunto generador de S.
EJEMPLOS:
D E
1. Si W = {(x, y) ∈ R2 : (x, y) = α · (1, −2), α ∈ R} entonces W = (1, −2) .
2. Si W = {v ∈ V : v = α · u0 , α ∈ R} entonces 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
α, β ∈ R tal que (x, y) = α · (2, 1) + β · (−1, 1). La igualdad implica
)
x = 2α − β
y = α+β
x+y 2y − x
de donde α= , β= .
3 3
Esto significa que dado cualquier vector (x, y) ∈ R2 podemos determinar explícitamen-
te, en función de x e y, los valores de los escalares α y β.
Análogamente, para probar que R2 = G(u, v, w), debemos demostrar que dado cualquier
(x, y) ∈ R2 , existen α, β, γ ∈ R tal que
(x, y) = α · (2, 1) + β · (−1, 1) + γ · (1, 4). Notar que si tomamos, arbitrariamente, γ = 0,
los valores de α y β obtenidos arriba demuestran la afirmación. Si asignamos otro valor a γ,
70
también podemos resolver el sistema para α y β. En general, entonces, podemos decir

que:
x + y − 5γ 2y − x − 7γ
α= , β=
3 3
donde γ es un parámetro real. Por lo tanto, en este caso también es posible determinar explí-
citamente los valores de α, β y γ. Para probar que R2 6= G(u) basta encontrar un vector en
R2 que no sea combinación lineal de u. Por ejemplo, si tomamos el vector (1, 0) ∈ R2 vemos
que no existe α ∈ R : (1, 0) = α · (2, 1).
4. Claramente D E
G((1, 0), (0, 1)) = (1, 0), (0, 1)
D E
= (−1, 2), (3, −2)
= G((1, 0), (−1, 2), (5, 3)) = R2
5. Análogamente,
R2 [x] = G(1, x, x2 )
= h2, 1 + x, x − x2 i
= h1, 1 + x, 1 + x + x2 i
6. Es fácil ver que, en general, Rn [x] = G(1, x, x2 , · · · , xn )
7. hsen , cosi = {f (x) ∈ C ∞ (R) : f (x) = α sen (x) + β cos(x), α, β ∈ R}.

( ! ! ! !)
1 0 0 1 0 0 0 0
8. M2×2 (R) = G , , ,
0 0 0 0 1 0 0 1
EJERCICIOS:
1. Caracterizar el espacio generado por los vectores (0, 1, 2) , (−1, 3, −1) y (2, −11/2, 3)
2. Encontrar un conjunto generador del subespacio

( ! )
a b
: a, b, c ∈ R ≤ M2×2 (R)
b c
3. Encontrar un conjunto generador de W = {p(x) ∈ R2 [x] : p(0) = 0} ≤ R2 [x].
DEFINICIÓN 3.3.3 Sean u1 , u2 , · · · , un ∈ V . Diremos que {u1 , u2 , · · · , un } es un conjunto:
linealmente independiente (l.i.) ssi

n
X
αi · ui = 0V ⇒ αi = 0 ∀i = 1, · · · , n
i=i
71
linealmente dependiente (l.d.) ssi

n
X
∃α1 , · · · , αn ∈ K, no todos nulos : αi · ui = 0V
i=i
OBSERVACIÓN:
1. También se dice que los vectores u1 , u2 , · · · , un son l.i. ó l.d., según corresponda.
2. En ocasiones, se dice que los vectores u1 , u2 , · · · , un son l.i. ssi

n
X
αi · ui = 0V ⇔ αi = 0 ∀i = 1, · · · , n
i=i
Sin embargo, la implicancia ⇐ es obvia (condición «necesaria»), por lo que preferimos enfa-
tizar la condición «suficiente» ⇒.
EJEMPLOS:
1. El conjunto {(1, 0), (0, 1)} ⊂ R2 es un conjunto l.i. Basta formar
α1 (1, 0) + α2 (0, 1) = (0, 0)
de donde se concluye que α1 = 0, α2 = 0. Es decir, los vectores (1, 0), (0, 1) son l.i.
2. El conjunto {(1, 2), (3, −1)} ⊂ R2 es un conjunto l.i. Análogamente, formamos
α1 + 3α2 = 0
α1 (1, 2) + α2 (3, −1) = (0, 0) ⇒ ⇒ α1 = 0, α2 = 0.
2α1 − α2 = 0
3. El conjunto {(1, 2), (3, −1), (5, 1)} ⊂ R2 es un conjunto l.d. Como antes, formamos
α1 (1, 2) + α2 (3, −1) + α3 (5, 1) = (0, 0)
de donde
α1 + 3α2 + 5α3 = 0
2α1 − α2 + α3 = 0
Este es un sistema de 2 ecuaciones con 3 incógnitas, que tiene infinitas soluciones. Luego,
hemos probado que {(1, 2), (3, −1), (5, 1)} es l.d.
Es importante mencionar que, si bien α1 = α2 = α3 = 0 es una posible solución del sistema,
no es la única. Lo que hemos probado es que ∃αi , no todos nulos, que satisfacen la condición
de la definición.
72
4. El conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⊂ R3 es un conjunto l.i.
5. El conjunto {(1, 0, 0), (0, 1, 0), (1, 1, 0)} ⊂ R3 es un conjunto l.d. Basta notar que:
(1, 1, 0) = (1, 0, 0) + (0, 1, 0). En otras palabras, ∃α1 , α2 , α3 no todos nulos tales que
α1 (1, 0, 0) + α2 (0, 1, 0) + α3 (1, 1, 0) = (0, 0, 0)
Basta tomar, por ejemplo, α1 = 1, α2 = 1, α3 = −1.
6. El conjunto {(0, 1, 0), (1, 1, 0)} ⊂ R3 es un conjunto l.i.
7. El conjunto {sen , cos} ⊂ C (R) es un conjunto l.i. En efecto, formamos

α1 sen x + α2 cos x = 0
Derivando, obtenemos una segunda ecuación que nos permite determinar α1 y α2 :
α1 cos x − α2 sen x = 0 . Multiplicamos la primera ecuación por α2 y la segunda por α1 ,
las sumamos y como este sistema debe satisfacerse para todos los valores posibles de x ∈ R,
necesariamente α12 + α22 = 0. La única posibilidad es que α1 = α2 = 0.
8. El conjunto {eαx , eβx } ⊂ C 1 [0, 1] es un conjunto l.i., siempre que α 6= β.
9. El conjunto {1, x, x2 , · · · , xn } ⊆ Rn [x] es un conjunto l.i.
OBSERVACIÓN:
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 también es l.i.
3. Si un conjunto de vectores N es l.d., todo conjunto que contenga a N será 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 λ son linealmente dependientes los vectores (λ, 1, 0), (1, λ, 1)
y (0, 1, λ) 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 ).
OBSERVACIÓN: Este teorema afirma que cualquier subconjunto finito de vectores, salvo el que
contiene sólo al 0V , tiene un subconjunto l.i. de vectores.
73
3.4. CLASE 13: Bases y dimensión.

DEFINICIÓN 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
7. C = , , , es una base de M2×2 (R).
0 0 0 0 1 0 0 1
8. El conjunto B = 3, x − 1, x2 + x es base del espacio vectorial R2 [x].

OBSERVACIÓN: Las bases que hemos denotado por C se denominan bases canónicas de los respecti-
vos espacios vectoriales.
TEOREMA 3.4.2 Sea V un espacio vectorial que tiene una base B con n vectores, es decir, la car-
dinalidad 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 último conjunto
es l.d., pues, como B es base de V , cualquier vector v puede escribirse como combinación lineal de
los elementos de B. Luego, existen escalares α1 , · · · , αn , αn+1 no todos nulos tales que
α1 v1 + α2 v2 + · · · + αn vn + αn+1 v = 0V
OBSERVACIÓN: El teorema anterior dice que una base B de V es un conjunto l.i. maximal en V .
Pero, además, permite demostrar el siguiente
74
Verónica Gruenberg Stern 3.4. CLASE 13: B ASES Y DIMENSIÓN .
TEOREMA 3.4.3 Si el espacio vectorial V sobre el cuerpo K tiene una base constituida por n vecto-
res, 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.
DEFINICIÓN 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 dimensión de V sobre el cuerpo K. Escribimos dimK V = n, ó
simplemente dimV = n cuando no hay confusión posible acerca del cuerpo de escalares.
EJEMPLOS:
1. C = {(1, 0), (0, 1)} es una base de R2 . Se conoce como la base canónica 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 canónica de Rn . Se acostumbra escribir los vectores de la base canónica 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 físicas los vectores de la base canónica 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 canónica de Rn [x]. Luego, dimR Rn [x] = n + 1.

( ! ! ! !)
1 0 0 1 0 0 0 0
5. C = , , , es la base canónica de M2×2 (R).
0 0 0 0 1 0 0 1
Por lo tanto, dimR M2×2 (R) = 4.
6. Para las matrices reales de orden m × n se tiene que dimR Mm×n (R) = m · n.
7. Si K es un cuerpo, entonces, mirando este cuerpo como espacio vectorial sobre si mismo se
tiene dimK K = 1.
8. Considerando Cn como un espacio vectorial sobre C, se tiene que dimC Cn = n.

En cambio, considerando Cn como un espacio vectorial sobre R, se tiene que dimR Cn = 2n.
75
EJERCICIOS:
1. Determine una base y la dimensión 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 dimensión de B ∩ C del ejercicio anterior. Encuentre, si es posible, una base.
3. Encontrar la dimensión del subespacio

( ! )
a b
: a, b, c ∈ R ≤ M2×2 (R)
b c
4. Encontrar la dimensión de W = {p(x) ∈ R2 [x] : p(0) = 0} ≤ R2 [x].
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 , también
es l.i en V . Ahora, cualquier conjunto l.i. en W tiene cardinalidad, a lo más 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 afirmación queda probada. Si W1 6= W ,
escogemos un v2 ∈ W tal que v2 6∈ W1 y formamos W2 = hv1 , v2 i y procedemos análogamente.
Seguimos inductivamente hasta formar Wk = hv1 , · · · , vk i = W . Claramente, el proceso termina
porque es posible encontrar a lo más n vectores l.i. en W . Luego, dimW = k ≤ n.
TEOREMA 3.4.5 (completación 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 demostración es análoga 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].
76
Verónica Gruenberg Stern 3.4. CLASE 13: B ASES Y DIMENSIÓN .
( ! ! !)
1 −1 0 −1 1 0
3. Sea A = , , . Verifique que A es l.i. y complete este
2 0 3 4 1 1
conjunto para obtener una base de M (R, 2 × 2).
TEOREMA 3.4.6 Sea V un espacio vectorial con dimK V = n. Si B ⊂ V, B = {u1 , · · · , un } es un

conjunto l.i., entonces B es una base de V .
OBSERVACIÓN: El teorema es útil si se conoce la dimensión de un espacio vectorial V . En este caso,

para probar que un conjunto es base de V , basta probar que el conjunto es l.i.
EJERCICIOS:
1. Determine si los siguientes son base de R4 . Si no lo son, forme una base de R4 utilizando el
máximo posible de vectores del conjunto dado.
a) A = {(0, 1, 1, 0), (1, 0, 2, −1), (−1, 3, 0, 0), (2, −2, 0, 1)}

b) B = {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}
2. Determine si los siguientes son base de R2 [x]. Si no lo son, forme una base de R2 [x] utilizando
el máximo posible de vectores del conjunto dado.
a) C = {1, 1 + x, 1 + x + x2 }
b) D = {x + x2 , 1 + x, 1 + x2 }
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 única como una combinación lineal de los vectores ordenados u1 , · · · , un .
OBSERVACIÓN: 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 únicos, vale
decir, si
v ∈ V, ∃! αi ∈ R, i = 1, · · · , n : v = α1 · u1 + α2 · u2 + · · · + αn · un
Esto permite definir las coordenadas de v con respecto a la base B, usando los coeficientes αi que
 
α1
 α2 
 
acompañan a los vectores ui . La matriz columna  . 

 se llama matriz de coordenadas de v
 .. 
αn
con respecto a la base B. Usaremos la notación [v]B .
77
EJEMPLOS:
1. En R3 , considere las bases ordenadas B = {(1, 2, 3), (1, 0, −1), (0, −2, 0)} y la base canónica
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
 
−1
[(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
[(2, 8, −6)]C =  8 
 
−6
2. En R2 [x], considere las bases ordenadas B = {−1, x + 1, −x2 + 1} y la base canónica de R2 [x],
con n = 2. Determine la matriz de coordenadas del polinomio p(x) = 2−x+3x2 con respecto
a ambas bases.
Tenemos que
p(x) = 2 − x + 3x2
= α1 (−1) + α2 (x + 1) + α3 (−x2 + 1)
= (−α1 + α2 + α3 ) · 1 + α2 · x − α3 · x2
luego,
−α1 + α2 + α3 = 2
α2 = −1
α3 = 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).
78

1. Determine, justificando su respuesta, si los siguientes conjuntos son subespecies de R2 :
a) S = {(x, y) ∈ R2 : (x − y)2 = (x + y)2 }

1
b) T = {(x, y) ∈ R2 : 2x + y = x − 12 y}
2. Sean u~1 = (1, 0, λ), u~2 = (1, λ, 0) y u~3 = (λ, 0, 1).

Determinar todos los λ ∈ R para los cuales {u~1 , u~2 , u~3 } es una base de R3 .
3.
79
80
Capítulo 4
Diagonalización
4.1. CLASE 14: Valores y Vectores Propios

Hasta ahora la mayoría de nuestros cálculos los hemos motivado o llevado a sistemas de ecua-
ciones algebraicas. Daremos ahora una motivación algo diferente. Muchas aplicaciones están re-
lacionadas con ecuaciones diferenciales, como vimos en la parte de cálculo de este curso. Incluso,
la ecuación puede ser más compleja y que varias cantidades estén relacionadas a través de sus
variaciones. Por ejemplo, consideremos las ecuaciones
du1
= 7u1 − 4u2
dt
du2
= 5u1 − 2u2
dt
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 ! ! !
u01 7 −4 u1
u0 = , A= y u=
u02 5 −2 u2
Como las soluciones de la ecuación diferencial (de variable separable) u0 = λu tienen la forma
u = αeλt , buscamos soluciones de la ecuación anterior de la forma
u1 = α1 eλt
u2 = α2 eλt
Si estas expresiones son soluciones, entonces (derivando y sustituyendo)
α1 λeλt = 7α1 eλt − 4α2 eλt

α2 λeλt = 5α1 eλt − 2α2 eλt
81
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
de donde ! ! !
7 −4 α1 α1
=λ
5 −2 α2 α2
En decir, podemos construir soluciones para

du1
= 7u1 − 4u2
dt
du2
= 5u1 − 2u2
dt
de la forma
u1 = α1 eλt
u2 = α2 eλt
!
α1
siempre y cuando podamos encontrar λ y x = que cumplan la ecuación
α2
Ax = λx
Claramente, x = 0 satisface esta igualdad, pero no nos entrega información útil sobre la solución
del sistema. Lo que realmente necesitamos son escalares λ y vectores x 6= 0 que cumplan Ax = λx.
Como podemos escribir la ecuación Ax = λx en la forma
(A − λI) x = 0
esto significa que para que el sistema de ecuaciones homogéneo tenga soluciones no nulas, los
escalares «interesantes» son aquellos para los cuales det (A − λI) = 0. Estas observaciones mo-
tivan las siguientes definiciones:
DEFINICIÓN 4.1.1 Sean A una matriz de orden n × n, λ un escalar y x un vector no nulo de orden
n × 1, que satisfacen
Ax = λx
Diremos que λ es un valor propio de la matriz A y x es un vector propio asociado al valor propio λ. El
conjunto de todos los valores propios de la matriz A se denota σ (A) y se llama espectro de A.
OBSERVACIÓN:
λ ∈ σ (A) ⇐⇒ A − λI es singular ⇐⇒ det(A − λI) = 0
Es decir, para encontrar los valores propios de una matriz A se debe buscar aquellos escalares
λ tales que det(A − λI) = 0 . Note que det(A − λI) es un polinomio en λ al que llamaremos
polinomio característico de la matriz A y lo denotaremos por PA (λ).
82
Verónica Gruenberg Stern 4.1. CLASE 14: VALORES Y V ECTORES P ROPIOS
Si PA (λ) es el polinomio característico de la matriz A entonces PA (λ) = 0 es la ecuación

característica de la matriz A.
A los valores propios de una matriz A se les llama también valores característicos o eigenvalores,
y los correspondientes vectores propios se denominan, consecuentemente, vectores caracterís-
ticos o eigenvectores.
EJEMPLOS:
      
−3 0 0 −3 0 0 1 1
1. Sea A =  0 5 0 . Entonces,  0 5 0   0  = −3  0 
      
0 0 π 0 0 π 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
Análogamente,  0 5 0   1  = 5  1  y luego v =  1  es un
      
0 0 π 0 0 0
vector propio de A asociado al valor propio 5 de A, y
      
−3 0 0 0 0 0
 0 5 0  0  = π 0  y luego v =  0  es un vector propio
      
0 0 π 1 1 1
de A asociado al valor propio π de A.
2. Generalizando esta idea, sea A = (aij ) ∈ Mn×n (R) una matriz diagonal. Entonces,
     
a11 0 ··· 0 0 0

···
    
 0 a22 0 0   0   0
.. .. .. ..
     
.. ..
. .
     

 . . 


 .   
 = aii   .

 ··· 0 aii 0 

 1 

 1 
 
 ..   ..   . 
 .. 
 0
 ··· 0 ··· . 0 

 . 
  
ann 0 0
es decir, los vectores de la base canónica de Rn son vectores propios de A, asociados a los
respectivos valores propios aii , i = 1, · · · , n.
83
!
7 −4
3. Encontrar los valores propios de la matriz A= .
5 −2
Solución: Calculamos

7−λ −4
det (A − λI) = = λ2 − 5λ + 6

5 −2 − λ
Luego los valores propios son las soluciones de la ecuación
λ2 − 5λ + 6 = 0
es decir, λ1 = 2 y λ2 = 3, de donde σ (A) = {2, 3}.
Determinemos ahora los correspondientes vectores propios:
Si λ1 = 2, buscamos un vector x = (x y)t tal que

! ! !
7 −4 x x
=2
5 −2 y y
!
x
Es decir, es solución del sistema homogéneo
y
! ! !
5 −4 x 0
=
5 −4 y 0
!
4
5 t
que tiene infinitas soluciones de la forma con t ∈ R. Luego, el conjunto de
t
* !+
4
soluciones puede representarse como ≤ R2 .
5
Si λ2 = 3, buscamos un vector x = (x y)t tal que
! ! !
7 −4 x x
=3
5 −2 y y
!
x
Es decir, es solución del sistema homogéneo
y
! ! !
4 −4 x 0
=
5 −5 y 0
!
t
que tiene infinitas soluciones de la forma con t ∈ R. Luego, el conjunto de
t
* !+
1
soluciones puede representarse como ≤ R2 .
1
84
PROPOSICIÓN 4.1.1 Si λ es un valor propio de la matriz A de orden n × n, entonces
Wλ = {x ∈ Rn : Ax = λx}
es un espacio vectorial al que llamaremos espacio propio asociado a λ.
OBSERVACIÓN: Si A es una matriz de orden n × n entonces el polinomio carcterístico tiene grado

n. Por el Teorema Fundamental del Algebra, tiene entonces n raíces complejas, contando multipli-
cidades. Y, por lo tanto, si A es de orden n × n, A posee a lo más n valores propios reales.
DEFINICIÓN 4.1.2 Sea A una matriz y sea λ ∈ σ (A). Llamaremos
multiplicidad algebraica del valor propio λ a la multiplicidad de λ como raíz del polinomio
característico.
multiplicidad geométrica del valor propio λ a la dimensión del espacio propio asociado Wλ .
PROPOSICIÓN 4.1.2 Sea A una matriz de orden n × n. Entonces:
1. La suma de los valores propios de A (contando multiplicidad algebraica) es igual a la traza

de A.
2. El producto de los valores propios de A (contando multiplicidad algebraica) es igual al de-

terminante de A.
3. Los valores propios de una matriz triangular superior son los elementos de su diagonal prin-
cipal.
EJEMPLOS:
!
1 1
1. Sea A = .
Determine los valores, vectores y espacios propios correspondientes.
1 1

1−λ 1
Solución: Claramente, det(A − λI) = = λ2 − 2λ = 0 ⇐⇒

1 1−λ
λ=0 ∨ λ=2
! ! !
1 1 x x
Para λ = 0 : =0 =⇒ x+y =0 ⇐⇒ y = −x
1 1 y y
Luego, el vector (1, −1) es un vector propio asociado al valor propio λ = 0, y el espacio
propio asociado es h(1, −1)i.
85
! ! !
1 1 x x x + y = 2x
Para λ = 2 : =2 =⇒ ⇐⇒ x−y =0
1 1 y y x + y = 2y
Luego, el vector (1, 1) es un vector propio asociado al valor propio λ = 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

−λ −1
Solución: Claramente, det(A − λI) = = λ2 + 1 = 0 ⇐⇒ λ = ±i

1 −λ
En este caso, vemos que los valores propios no son números reales, sino complejos. Así, es
posible que una ecuación característica no tenga soluciones en R o que algunas soluciones
no pertenezcan a R. Por ello, es importante precisar el cuerpo que se está considerando. En
nuestro caso, será 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
3. Sea A =  0 2 3 . Determine los valores, vectores y espacios propios correspondientes.
 
0 0 2

1−λ 2 3

Solución: Aquí, det(A − λI) = 0 2−λ 3 = (1 − λ)(2 − λ)2 = 0

0 0 2−λ
de donde los valores propios son λ=1 ∨ λ=2
Buscamos ahora los correspondientes vectores propios.
Para λ1 = 1:
        
1 2 3 x x 0 2 3 x 0
 0 2 3  y  = 1 y  =⇒  0 1 3   y  =  0
         

0 0 2 z z 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 λ2 = 2:
         
1 2 3 x x −1 2 3 x 0
 0 2 3  y  = 2 y  =⇒  0 0 3  y  =  0 
         
0 0 2 z z 0 0 0 z 0
86

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

   
! −3 1 −3 0 0 1
0 1
A= , B =  20 3 10  y C= 0 2 0 
   
1 0
2 −2 4 3 0 0
determinar los polinomios característicos, valores propios, espacios propios asociados y las
multiplicidades correspondientes.
2. Considere la matriz !
a b
A=
c d
Encontrar su polinomio característico y expresar sus coeficientes en términos de traza y de-
terminante.
3. Determine el polinomio característico, valores propios, espacios propios asociados y las mul-
tiplicidades correspondientes de la matriz
 
−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 1 2 1
a) A =
2 −1 c) C =  2 0 −2 
 
−1 2 3
   
0 2 −1 1 1 1
b) B =  2 −1 0  d) D =  0 0 1 
   
0 0 0 0 0 1
87
4.2. CLASE 15: Diagonalización
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 − λI = det P −1 AP − λP −1 IP

= det P −1 (A − λI) P

= det P −1 det (A − λI) det (P )

= det (A − λI)
Por lo tanto, las matrices B = P −1 AP y A tienen el mismo polinomio característico. La idea

que se presenta a continuación, es encontrar una matriz P adecuada de tal forma que P −1 AP sea
lo más sencilla posible (ojalá diagonal) para poder encontrar el polinomio carcaterístico. El cálculo
anterior motiva la siguiente definición:
DEFINICIÓN 4.2.1 Dos matrices A y B de orden n × n se dice similares si existe una matriz no
singular P tal que P −1 AP = B.
OBSERVACIÓN: Como se vió arriba, dos matrices similares poseen el mismo polinomio caracterís-
tico, y por lo tanto, el mismo espectro.
DEFINICIÓN 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.
La pregunta obvia es ¿Es toda matriz es diagonalizable? La respuesta es no. Consideremos, por
ejemplo, la matriz
!
0 1
A=
0 0
Entonces A2 = [0]2×2 Luego, si existiera una matriz P no singular tal que P −1 AP = D con D
diagonal se tendría
D2 = P −1 AP P −1 AP = P −1 A2 P

= P −1 [0] P = [0]
de donde necesariamente D = [0] y así A = [0] lo que es una contradicción.
88
Verónica Gruenberg Stern 4.2. CLASE 15: D IAGONALIZACIÓN
Entonces ¿cuales matrices son diagonalizables? Note lo siguiente

 
λ1 0 · · · 0
0 λ2 · · · 0
 
−1
 
P An×n P = D =  .. .. . . . 
. . . ..
 
 
0 0 · · · λn
de donde
AP = P D
Si ponemos h i
P = v1 v2 · · · vn
donde vi son los vectores columnas de P entonces

h i
AP = Av1 Av2 · · · Avn
y h i
PD = λ1 v1 λ2 v2 · · · λn vn
Se sigue que ∀i = 1, 2, . . . , n se cumple Avi = λi vi , es decir, P −1 An×n P = D implica

que P tiene en sus columnas n vectores propios linealmente independientes y D es la matriz
diagonal que tiene por entradas los valores propios de la matriz A. La recíproca de esta afirmación
es probada fácilmente.
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 .
EJEMPLO 4.2.1 Diagonalizar la matriz

 
1 −4 −4
A =  8 −11 −8 
 
−8 8 5
Solución: El polinomio carcaterístico es (λ − 1) (λ + 3)2 y luego los valores propios son λ = 1

y λ = −3 que tiene multiplicidad algebraica 2.
     
* 1 + * 1 1 +
Es fácil ver que Wλ=1 =  2  y Wλ=−3 =  1 , 0  .
     
−2 0 1
89
     
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
El problema de la diagonalización se reduce a poder encontrar una base de vectores propios.

Note que, en el ejemplo, las multiplicidad aritmética y geométrica de ambos valores propios coin-
cidieron. Esto no es siempre así y se tiene el siguiente teorema:
TEOREMA 4.2.2 Para cada valor propio se cumple que la multiplicidad geométrica es menor igual
que la multiplicidad algebraica.
TEOREMA 4.2.3 Sean λ1 , λ2 ∈ σ(A), λ1 6= λ2 . Entonces los correspondientes vectores propios

son L.I., es decir, si v1 es un vector propio asociado a λ1 y v2 es un vector propio asociado a λ2 ,
entonces v1 , v2 son vectores linealmente independientes.
De esta forma, de cada subespacio propio, podemos extraer a lo más tantos vectores propios
l.i. como la multiplicidad algebraica que tenga el valor propio.
Luego el problema de la diagonalización se reduce al siguiente teorema:
TEOREMA 4.2.4 Una matriz es diagonalizable si y solo si para todo valor propio la multiplicidades
algebraicas y geométricas coinciden.
COROLARIO 4.2.1 Si todos los valores propios son distintos entonces la matriz es diagonalizable.
OBSERVACIÓN: El recíproco de este corolario no es cierto.
EJERCICIOS: Determinar si las siguientes matrices son diagonalizables

   
−1 −1 −2 1 −4 −4
A= 8 −11 −8  y B =  8 −11 −8 
   
−10 11 7 −8 8 5
Respuesta: A no lo es y B si.
90
Verónica Gruenberg Stern 4.3. CLASE 16: A PLICACIÓN : FORMA CANÓNICA DE CUADRÁTICAS
4.3. CLASE 16: Aplicación: forma canónica de cuadráticas

Hemos estudiado el problema de la diagonalización en general. Ahora estudiaremos el caso
particular en que la matriz es real y simétrica.
PROPOSICIÓN 4.3.1 Sea A una matriz real y simétrica; entonces:
1. λ ∈ σ(A) =⇒ λ ∈ R. Es decir, todos los valores propios de A son reales.
2. λi , λj ∈ σ(A), λi 6= λj =⇒ vλi ⊥ vλj . Es decir, si λi 6= λj son valores propios de A,

los elementos de Wλi son perpendiculares a los elementos de Wλj . Escribimos en este caso
W λi ⊥ W λj .
Dem.:
n
X
1. Recordemos que si v ∈ Rn , v = (v1 , · · · , vn ), entonces v·v = vi2 .
i=1
Matricialmente, si v es un vector columna, este producto puede representarse en la forma:
 
v1
 . 
vT v = (v1 · · · vn )  . 
 . 
vn
Además, si A ∈ Mn×n (R), v ∈ Rn es un vector columna, entonces Av ∈ Rn es un vector

columna.
Con estas ideas en mente, sea λ ∈ σ (A) y sea x un vector propio asociado a λ. Entonces
Ax = λx ⇒ Ax = λx
Recordemos que z ∈ C es real si y solo si z = z. Por lo anterior y aplicando x por la

derecha:
n n
T T X X
Ax x = λx x = λ xi xi = λ |xi |2
i=1 i=1
Otra manera de hacer el mismo cáculo es:

T
Ax x = x T AT x
= (x)T AT x pues A es real
= (x)T Ax pues A es simétrica
T
= (x) λx
Xn
= λ |xi |2
i=1
91
Igualando ambas expresiones, obtenemos

n
X
λ−λ |xi |2 = 0
i=1
→
−
y como x 6= 0 se sigue que λ = λ, es decir, λ ∈ R.
2. Notar que si Ax = λi x y Ay = λj y entonces
λi hx, yi = hλi x, yi = hAx, yi

= x, AT y = hx, Ayi

= hx, λj yi
= λj hx, yi
Luego:
(λi − λj ) hx, yi = 0 ⇒ hx, yi = 0
de donde x ⊥ y.
Así, al diagonalizar una matriz simétrica, los vectores propios asociados a valores propios dis-
tintos son ortogonales. Sin embargo, si la multiplicidad algebraica de un vector propio difiere de la
multiplicidad geométrica, los vectores propios que generan los espacios propios asociados a dicho
valor propio no tienen por qué ser perpendiculares. Para obtener una base del espacio formada por
vectores todos ortogonales entre sí, podemos «ortogonalizar» estos vectores realizando el siguiente
proceso:
4.3.1. Proceso de ortogonalización de Gram-Schmidt

Supongamos que x1 , x2 , . . . , xm son vectores L.I en Rn . Es posible construir vectores ortogona-
les 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 análogo a la contrucción de la proyección ortogonal:
y1 = x1
hx2 , y1 i
y2 = x2 − y1
ky1 k2
..
.
k
X hxk+1 , yj i
yk+1 = xk+1 − yj
j=1
kyj k2
92
EJEMPLO 4.3.1 Sean x1 = (3, 0, 4) , x2 = (−1, 0, 7) y x3 = (2, 9, 11) en R3 . Aplicando el proceso de

Gram - Schmidt se obtienen los vectores
y1 = (3, 0, 4)
h(−1, 0, 7) , (3, 0, 4)i
y2 = (−1, 0, 7) − (3, 0, 4)
k(3, 0, 4)k2
= (−4, 0, 3)
h(2, 9, 11) , (3, 0, 4)i h(2, 9, 11) , (−4, 0, 3)i
y3 = (2, 9, 11) − (3, 0, 4) − (−4, 0, 3)
25 25
= (0, 9, 0)
Obtenemos así un conjunto ortogonal de vectores que generan el mismo espacio vectorial que
el conjunto de los xi .
DEFINICIÓN 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 sí y tienen norma 1.
TEOREMA 4.3.1 Sea A una matriz real y simétrica. Entonces, A es diagonalizable. Además, existe
una base ortonormal de vectores propios asociados a A. La diagonalización 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 simétricas de la siguiente forma:
PROPOSICIÓN 4.3.2 A es una matriz real simétrica si y solo si existe una matriz ortonormal V y
una matriz diagonal D tal que
A = V DV T
EJEMPLO 4.3.2 Sea  

0 1 1
A= 1 0 1 
 
1 1 0
a) Determine los valores propios y espacios propios asociados.
93
b) Verificar que para valores propios distintos λi y λj se cumple Wλi ⊥ Wλj
c) Determine una base ortonormal de vectores propios
d) Encontrar una matriz ortonormal V tal que V T AV = D
Solución:

−λ 1 1

a) |A − λI| = 1 −λ 1 = −(λ + 1)2 (λ − 2) =⇒ σ(A) = {−1, 2}

1 1 −λ
    
1 1 1 x 0
Para λ = −1 :  1 1 1  y  =  0  =⇒ x+y+z =0
    
1 1 1 z 0
que es un subespacio vectorial de dimensión 2: W−1 = h(1, 0, −1), (0, 1, −1)i
    
−2 1 1 x 0
−2x + y + z = 0
Para λ = 2 :  1 −2 1   y  =  0  =⇒
    
x − 2y + z = 0
1 1 −2 z 0
que es un subespacio vectorial de dimensión 1: W2 = h(1, 1, 1)i
b) h(1, 0, −1), (1, 1, 1)i = 0 ∧ h(0, 1, −1), (1, 1, 1)i

Dejamos c) y d) como ejercicio.
4.3.2. Formas cuadráticas.

Escribiremos los vectores de Rn como columnas por consistencia para poder multiplicarlos con
las matrices.
 
x1
 x2 
 
→
−
DEFINICIÓN 4.3.2 Si A es una matriz de orden n × n y x =  .  n
 ∈ R decimos que

.
 . 
xn
F (→
−
x ) = (→
−
x ) A (→
−
T
x)
es una forma cuadrática en las variables (x1 , x2 , . . . , xn ).
OBSERVACIÓN: Note que F (→

−
x ) ∈ R.
94
Ilustración: Formas cuadráticas en R2

! !
a b x
Sean A = , x= ∈ R2 . Entonces:
c d y
! !
a b x
F (x) = x y = ax2 + dy 2 + (b + c) xy
c d y
Note que:
! ! ! !
b+c
a b x a 2 x
x y = x y b+c
c d y 2 d y
y que !
b+c
a 2
B= b+c
2 d
es una matriz simétrica.
Toda forma cuadrática F (→

−
x ) = (→
− x ) A (→−
T
OBSERVACIÓN: x ) puede ser escrita en la forma
→
− →
− T →
−
F ( x ) = ( x ) B ( x ) donde B es simétrica. En efecto:
A + AT

→
− T →
−
(x) A(x) = (x) →
− T
(→
−
x)
2
EJEMPLO 4.3.3 Escribir la forma cuadrática F (x1 , x2 , x3 ) = x21 + 3x1 x2 − 2x1 x3 + x22 + x2 x3 + 2x33
en forma matricial, usando una matroz simétrica.
Solución:   
1 3 −2 x1
F (x1 , x2 , x3 ) = x1 x2 x3  0 1 1   x2 
  
0 0 2 x3
Sin embargo, podemos representarla con una matriz simétrica:
 T  
1 3 −2 1 3 −2
 0 1 1  + 0 1 1 
   
 3

1 2 −1
0 0 2 0 0 2 3 1
= 1
 
2 2 2 
1
−1 2 2
Así   
3
1 2 −1 x1
F (x1 , x2 , x3 ) = 3 1 
x1 x2 x3 1 2   x2 
 
 2
1
−1 2 2 x3
95
TEOREMA 4.3.2 Toda forma cuadrática en Rn puede escribirse en la forma
n
X
F (y1 , y2 , . . . , yn ) = λi yi2
i=1
llamada forma canónica asociada.
Dem.: Si F (→ −x ) = (→
−
x ) A (→
−
T
x ) es una forma cuadrática podemos suponer que A es simétrica.
Toda matriz simétrica puede escribirse en la forma
A = V DV T
Entonces
(→
−
x ) A (→
−
x ) = (→
−
x ) V DV T (→
−
T T
x)
= V T→−x D V T (→−
T
x)
= (→
−
y ) D (→
−
T
y)
donde →
−
y = V T (→
−
x ).
DEFINICIÓN 4.3.3 (Clasificación de formas cuadráticas) Sea A una matriz real. Diremos que la
forma cuadrática F (→ −
x ) = (→−
x ) A (→
−
T
x ) es
→
−
definida positiva si ∀→
−
x ∈ Rn , →
− 6 0 se cumple que F (→
x = −
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.
indefinida si la forma cambia de signo dependiendo de →

−
x.
OBSERVACIÓN: Haciendo uso de la forma canónica de una forma cuadrática, es fácil analizar si
ésta es definida positiva, negativa, indefinida, etc.
96
Verónica Gruenberg Stern 4.4. CLASE 17: A PLICACIÓN : S ECCIONES CÓNICAS ROTADAS
4.4. CLASE 17: Aplicación: Secciones cónicas rotadas

DEFINICIÓN 4.4.1 Una ecuación cuadrática en las variables x, y es una ecuación de la forma
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
donde A, B, C, D, E son números reales y al menos uno de los coeficientes A, B, C es no nulo.
Podemos escribir la ecuación cuadrática
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
en forma matricial:
! ! !
A B x x
x y + D E +F =0
B C y y
Si ponemos ! !
A B →
− x
L= , x = y K= D E
B C y
entonces la ecuación cuadrática se escribe en la forma
→
−
x T L→
−
x + K→
−
x +F =0
Note que →
−
x T L→
−
x es una forma cuadrática, donde L es una matriz simétrica.
Utilizando diagonalización para matrices simétricas mostraremos que siempre es posible rotar
los ejes de coordenadas de tal manera que la ecuación con respecto al nuevo sistema no tenga
términos en xy. El procedimiento es el siguiente:
Encontrar una matriz ortonormal V que diagonalice a la matriz L.
Utilizamos la transformación de coordenadas

! !
x x0
VT =
y y0
utilizando una matriz V tal que det V = 1, garantizando así que es una matriz de rotación.
Encontramos la ecuación de la cónica en el nuevo sistema X 0 Y 0 en la forma

!!T ! !
x0 x0 x0
V LV + KV +F = 0
y0 y0 y0
!T ! !
x0 x 0 x 0
V T LV + KV +F = 0
y0 y0 y0
97
Como V diagonaliza a L se sigue

!
T λ1 0
V LV =
0 λ2
donde λ1 y λ2 son los valores propios de L. De esta forma la ecuación de la cónica queda
2 2
λ1 x0 + λ2 y 0 + D 0 x0 + E 0 y 0 + F = 0
ecuación que no tiene términos en xy.
EJEMPLO 4.4.1 Dada la ecuación cuadrática

20 80
5x2 − 4xy + 8y 2 + √ x − √ y + 4 = 0
5 5
encontrar una base en R2 de tal forma que se pueda escribir la ecuación sin términos xy y se pueda
identificar de que cónica se trata.
Solución: La forma matricial de la ecuación cuadrática es
→
−
x T L→
−
x + K→
−
x +F =0
donde ! !
5 −2 x
y→
−

20 80
L= ,K = √
5
−√ 5
x =
−2 8 y
Primero encontramos los valores propios de L :

5 − λ −2
= 0

−2 8 − λ
λ2 − 13λ + 36 = 0
se sigue λ1 = 4 y λ2 = 9. Ahora buscamos los vectores propios asociados:

Para λ1 = 4 se tiene ! ! !
1 −2 x 0
=
−2 4 y 0
! !
x 2
esto es ∈G
y 1
Para λ2 = 9 ! ! !
−4 −2 x 0
=
−2 −1 y 0
98
! !
x −1
lo que es equivalente a ∈G .
y 2
√
Estos dos vectores son ortogonales y los normalizamos k(2, 1)k = 5 = k(−1, 2)k entonces
la matriz que diagonaliza a L con determinante 1 es
!
√2 − √1
V = 5 5
1 2 √ √
5 5
se sigue que el cambio de coordenadas es

! ! !
x √2 − √15 x0
= 5
y √1
5
√2
5
y0
sustituyendo se obtiene
!T ! !
x0 T x0 x0
V LV + KV +F =0
y0 y0 y0
en este caso
!T ! ! ! !
x0 4 0 x0 √2 − √15 x0
20 80 5
+ √ −√ +4=0
y0 0 9 y0 5 5 √1
5
√2
5
y0
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
OBSERVACIÓN: Es posible realizar el mismo procedimiento para ecuaciones cuadráticas en tres o

más variables.
99
4.4.1. Aproximación geométrica a la clasificación de cuádricas en el plano
Consideremos 2 sistemas de coordenadas en el plano cartesiano, con el mismo origen O, con

la misma unidad de medida de longitud en los ejes y con la misma orientación. A cada punto P
en el plano, le corresponde un único par ordenado en cada sistema de coordenadas. Como en la
figura, sean XY y X 0 Y 0 los sistemas coordenados. Luego, en coordenadas XY , podemos escribir
P = (x, y), mientras que en coordenadas X 0 Y 0 , escribimos P = (x0 , y 0 ).
Sea r = d(O, P ). Es claro entonces que:
x0 = r cos ϕ y 0 = r sen ϕ
x = r cos(ϕ + θ) y = r sen(ϕ + θ)
Luego, las coordenadas de un punto (x, y) en el sistema cartesiano XY puede escribirse en la

forma:
x = r cos ϕ cos θ − r sen ϕ sen θ

y = r sen ϕ cos θ + r cos ϕ sen θ
o, equivalentemente,
x = x0 cos θ − y 0 sen θ
y = x0 sen θ + y 0 cos θ
OBSERVACIÓN: Podemos escribir este sistema de ecuaciones en forma matricial como

! ! !
cos θ − sen θ x0 x
=
sen θ cos θ y0 y
100
!
cos θ − sen θ
La matriz C = se llama matriz de rotación. Notar que det C = 1. En gene-
sen θ cos θ
ral, cualquier matriz C cuyo determinante sea igual a 1, es una matriz de rotación, que preserva la
orientación. Más general aún, cualquier matriz C tal que det C = ±1 se llama matriz ortogonal. Si
det C = 1, se dice que C es una matriz de rotación que preserva la orientación, y si det C = −1, se
dice que C es una matriz de rotación que invierte la orientación.
Volviendo a lo anterior, es claro entonces que cualquier ecuación de la forma
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
en el sistema coordenado XY puede ser reescrita en el sistema coordenado rotado X 0 Y 0 . Para ello,
basta sustituir las correspondientes expresiones para x e y en la ecuación, y obtenemos:
A(x0 cos θ − y 0 sen θ)2 + 2B(x0 cos θ − y 0 sen θ)(x0 sen θ + y 0 cos θ) + C(x0 sen θ + y 0 cos θ)2 +
+D(x0 cos θ − y 0 sen θ) + E(x0 sen θ + y 0 cos θ) + F = 0
Agrupando, podemos escribir esta última ecuación en la forma:
A0 (x0 )2 + 2B 0 (x0 )(y 0 ) + C 0 (y 0 )2 + D0 x0 + E 0 y 0 + F 0 = 0, con
A0 = A cos2 θ + 2B cos θ sen θ + C sen2 θ
B0 = 2(C − A) sen θ cos θ + 2B(cos2 θ − sen2 θ)
C0 = A sen2 θ − 2B sen θ cos θ + C cos2 θ
D0 = D cos θ + E sen θ
E0 = −D sen θ + E cos θ
F0 = F
Si transformamos la ecuación en una en el que el término mixto x0 y 0 no aparezca, podemos

reconocer fácilmente la cónica, con lo aprendido en MAT021. Necesitaríamos entonces que B 0 = 0,
es decir,
101
2(C − A) sen θ cos θ + 2B(cos2 θ − sen2 θ) = 0
⇐⇒ (C − A) sen(2θ) + 2B cos(2θ) = 0
A−C
⇐⇒ cotg (2θ) =
2B
Así, podemos escribir el siguiente
TEOREMA 4.4.1 Si la ecuación 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 rotación en un ángulo θ (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
Además, existe un único ángulo θ, 0 < θ < π/2, tal que B 0 = 0, y tal ángulo θ está determinado
por
A−C 2B
cotg (2θ) = , si B 6= 0 ó tan(2θ) = , si A 6= C.
2B A−C
Adicionalmente, el lugar geométrico de los puntos del plano que satisfacen la ecuación original
es:
(a) una elipse, (un punto ó el vacío, en el caso degenerado) si B 2 − AC < 0
(b) una parábola, (una ó dos rectas paralelas, en el caso degenerado) si B 2 − AC = 0
(c) una hipérbola (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 rotación correspondientes que permiten escribirla en la forma canónica e identifique
la cónica que representa.
1. 2x2 − 4xy − y 2 + 8 = 0 4. 9x2 − 4xy + 6y 2 − 10x − 20y = 5
2. x2 + 2xy + y 2 + 8x + y = 0 5. 3x2 − 8xy − 12y 2 − 30x − 64y = 0
3. 5x2 + 4xy + 5y 2 = 9 6. 2x2 − 4xy − y 2 − 4x − 8y = −14
102

1. Dada la ecuación
√ √
9x2 − 6xy + 17y 2 + 24 10 x + 56 10 y = 208
a) Encuentre la ecuación canónica del L.G. que representa.

b) Encontrar la ecuaci?on de una directriz en el sistema x − y.
c) Grafique la curva en el sistema x − y.
2.
3.
103
104
Capítulo 5
Sucesiones y Series Numéricas
5.1. CLASE 18: Sucesiones

√
Considere el problema de aproximar el valor de 2 a través del siguiente método: sabemos
√
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 fácil 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
√
obtenemos intervalos In tales que 2 ∈ In . Además, la longitud de In es 21n . Sean xn , yn los
extremos izquierdo y derecho del intervalo In ; entonces
√
x n ≤ 2 ≤ yn para todo n ∈ N
Se sigue que
√ 1
0 ≤ 2 − xn ≤ (yn − xn ) = n
2
Esto nos dice que
√ 1
0 ≤ 2 − xn ≤ para todo n ∈ N
2n
√
En otras palabras, el extremo izquierdo de los intervalos In “se va acercando” al valor de 2 a
medida que n crece. Así, por ejemplo, x10 está a distancia menor igual que
1 √
= 9. 765 6 × 10−4 de 2.
210
En este ejemplo, a cada número natural le asignamos un número real xn que es el extremo izquier-
do del intervalo In . Este tipo de asignación se llama sucesión de números reales y el proceso de “se
va acercando” es llamado convergencia. A continuación formalizaremos estos conceptos.
5.1.1. Conceptos básicos

DEFINICIÓN 5.1.1 Una sucesión de números reales es una función x : N → R que asocia a cada nú-
mero natural n un número real x (n) que denotaremos por xn y que llamaremos el n-ésimo término
de la sucesión.
105
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
Generalmente se denotan las sucesiones en la forma (xn ), (xn )n∈N , (xn )n∈A , {xn }n∈N o
(x1 , x2 , x3 , . . . , xn , . . . ). Debemos, sin embargo, distinguir entre una sucesión (que es una función)
y el conjunto de los valores que toma la sucesión (que es el recorrido de tal sucesión). Estos son
objetos diferentes que pueden confundirse, por ejemplo:
Considere la sucesión X : N → R, n → X (n) = (−1)n . Si bien esta función toma solo dos
valores, debemos distinguirla del conjunto {−1, 1} que sería el recorrido de tal sucesión. Quizás lo
que deje más en claro la diferencia entre estos objetos, sea que en la función existe un cierto orden
en el que se asumen los valores, en cambio en el conjunto recorrido, ésto no es relevante.
OBSERVACIÓN: Se acostumbra, a veces, a definir una sucesión listando los primeros términos de
ella y deteniéndose cuando la regla de formación de la sucesión sea clara; por ejemplo
(2, 4, 6, 8, . . . )
podría denotar a la sucesión de los números pares. Debe tenerse presente, sin embargo, que for-
malmente esta manera de definir una sucesión no es del todo correcta. Nada impide afirmar que
la sucesión indicada no represente, por ejemplo, a
(2, 4, 6, 8, 2, 4, 6, 8, · · · ) o (2, 4, 6, 8, 12, 18, · · · )
También existen “reglas de formación ” que permitirían construir éstas ... o muchas otras.
Un método correcto para definir una sucesión es especificar una “fórmula” para el término
n-ésimo de la sucesión; por ejemplo:
(2n)n∈N
Otro método correcto para definir sucesiones, llamado método inductivo, es aquel en el que se define
el término xn+1 basándose en una fórmula recursiva, conocidos algunos valores de la sucesión. Por
ejemplo, podemos definir la sucesión de los pares mediante la fórmula recursiva
x1 = 2, xn+1 = 2 + xn para n≥1
(Note que: x1 = 2, luego x2 = 2 + x1 = 2 + 2 = 4, luego x3 = 2 + x2 = 2 + 4 = 6, etc).

Otro ejemplo clásico de este tipo de definiciones es la sucesión de Fibonacci, definida por
a1 = 1, a2 = 1 y an+1 = an + an−1 para n ≥ 2
en el cual tomamos como base dos casos anteriores. Los primeros números de esta sucesión serán:
a1 = 1
a2 = 1
a3 = a2 + a1 = 1 + 1 = 2
a4 = a3 + a2 = 2 + 1 = 3
a5 = a4 + a3 = 3 + 2 = 5
106
Verónica Gruenberg Stern 5.1. CLASE 18: S UCESIONES
OBSERVACIÓN:
1. Es posible representar una sucesión en la recta real mostrando los valores que toma la suce-
sión en determinados valores de n. Por ejemplo, la representación en la recta real para la
sucesión n1 n∈N es:

2. No hay motivo para restringir la definición de sucesión solo a sucesiones reales. Por ejemplo,
f : N −→ C tal que f (i) = in , es una sucesión de números complejos.
Más aún, es posible extender la definición a sucesiones de funciones o sucesiones de conjun-
tos. Por ejemplo:
ϕ : N −→ P(N) tal que ϕ(n) = {1, 2, · · · , n}, es una sucesión de conjuntos.
EJEMPLOS:
1. Las progresiones son ejemplos de sucesiones. Las progresiones geométricas corresponden a

sucesiones del tipo
x : N −→ R
n → xn = a1 rn−1
y las progresiones aritméticas corresponden a sucesiones de la forma
x : N −→ R
n → xn = a1 + (n − 1) d
1−(−1)n
2. La sucesión (1, 0, 1, 0, . . . ) tiene término n-ésimo dado por xn = 2 es decir, corres-
ponde a la sucesión
x : N −→ R
1 − (−1)n
n → xn =
2
1 1

3. El décimo término de la sucesión n n∈N es 10 .
107
1 n

4. Estudiemos con más detención la sucesión xn = 1 + n . Por el teorema del binomio:
n
X n 1
xn =
k nk
k=0
y como
n n!
=
k (n − k)! k!
entonces

n 1 n (n − 1) · · · (n − k + 1) (n − k)!
=
k nk (n − k)! k! nk
n (n − 1) · · · (n − k + 1)
=
k!nk
1 2 k−1 1
= 1 1− 1− ··· 1 −
n n n k!
Luego
1 n

xn = 1+
n
n
X
1 2 k−1 1
= 1+ 1 1− 1− ··· 1 −
n n n k!
k=1
n n
X 1 X 1
≤ 1+ =
k! k!
k=1 k=0
pues
1 2 k−1
1 1− 1− ··· 1 − ≤ 1 · 1···1 = 1
n n n
Ahora, note que
n n
X 1 X 1
=1+1+
k! k!
k=0 k=2
Pero
k! ≥ 2k−1 para k ≥ 2
y así
n n
X 1 X 1
= 1+1+
k! k!
k=0 k=2
n
X 1 1
≤ 1+1+ =1+2 1− n <3
2k−1 2
k=2
De esto obtenemos que

1 n

xn = 1+ <3 ∀n ∈ N
n
108
5. El n−ésimo término de la sucesión 2, 2 + 12 , 3 + 14 , 4 + 18 , 5 + 1

16 , . . . puede ser
1
xn = n +
2n−1
6. A pesar del ejemplo anterior, no siempre es posible determinar una fórmula para el n−ésimo
término de una sucesión. Considere, por ejemplo, la sucesión de los números primos:
x1 = 2, x2 = 3, x3 = 5, x4 = 7 · · ·
En este caso, no existe una fórmula para el n−ésimo término.
EJERCICIOS: Determine una regla de formación, o fórmula para el n−ésimo término, en los si-
guientes 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, · · · )

3 4 5 6 7
4. ,− , ,− , ,···
5 25 125 625 3125
DEFINICIÓN 5.1.2 Sean X = (xn ), Y = (yn ) dos sucesiones en R y sea α ∈ R. Se define:
1. αX como la sucesión (αxn ).
2. X + Y como la sucesión (xn + yn ).
3. XY como la sucesión (xn yn ).

X xn
4. Si yn 6= 0 ∀n ∈ N, entonces definimos Y como la sucesión yn .
Si X = n1 n∈N y Y = (2n)n∈N entonces:

EJEMPLO 5.1.1
XY = (2)n∈N = (2, 2, 2, . . . , 2, . . . ) es una sucesión constante que solo toma el valor 2.
Y /X = 2n2 n∈N .

DEFINICIÓN 5.1.3 Una sucesión (xn ) se dice:
109
1. Acotada superiormente, si existe M ∈ R tal que xn ≤ M para todo n.
2. Acotada inferiormente, si existe m ∈ R tal que m ≤ xn para todo n.
3. Acotada, si es acotada superior e inferiormente. Esto equivale a encontrar un K > 0 tal que
|xn | ≤ K para todo n.
EJEMPLOS:
1 n

1. La sucesión 1+ n n∈N
es una sucesión acotada.
En efecto, es claro que 0 ≤ xn para cada n ∈ N y en los ejemplos se vió que xn < 3 para cada
n ∈ N, es decir xn ∈ [0, 3] para cada n ∈ N.
2. {(−1)n }n∈N es una sucesión acotada pues |xn | = |(−1)n | = 1 y luego xn ∈ [−1, 1] para
cada n ∈ N.
3. sen n2 + 2 n∈N es una sucesión acotada.

4. Sea a ∈ R, y defina la sucesión xn = an . Estudiaremos si ésta es o no acotada.
a) Si a ∈ [−1, 1] entonces xn = an está 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 algún d > 0:
a2 = 1 + d
entonces
a2n = (1 + d)n ≥ 1 + nd (desigualdad de Bernoulli)
Luego, no existe M ∈ R tal que xn ≤ M para todo n ∈ R.

M −1
(si tal M existiera: M ≥ x2n ≥ 1 + nd entonces ≥ n. Basta considerar
d
M −1
n> d y llegamos a una contradicción).
Por otro lado:
a2n+1 = a (1 + d)n ≤ a (1 + nd)
de donde no puede existir m ∈ R tal que
m ≤ xn
para todo n ∈ N. (Un razonamiento similar al anterior muestra que la existencia de tal
m lleva a una contradicción).
110
c) Si a > 1 entonces a = 1 + d con d > 0 se sigue que xn = an = (1 + d)n ≥ 1 + nd

de donde no puede estar acotada superiormente. Note que está acotada inferiormente
por 1.
DEFINICIÓN 5.1.4 Una sucesión (xn ) se dice:
1. Estrictamente creciente si para cada n se cumple que xn < xn+1 .
2. Creciente si para cada n se cumple que xn ≤ xn+1 .
3. Estrictamente decreciente si para cada n se cumple que xn > xn+1 .
4. Decreciente si para cada n se cumple que xn ≥ xn+1 .
5. Monótona si cumple con alguna de las anteriores (en ocasiones se habla de monotonía es-
tricta si es estrictamente creciente o estrictamente decreciente)
EJEMPLOS:
1. Sea {xn } una sucesión de términos positivos, es decir, xn ≥ 0 para todo n y defina
n
X
an = xk
k=1
Entonces, {an } es una sucesión creciente; en efecto, para cada n se cumple

n+1
X n
X
an+1 − an = xk − xk = xn+1 ≥ 0 =⇒ an+1 ≥ an
k=1 k=1
Algunos ejemplos de esto son las sucesiones que tienen por n-ésimo término:
1 1 1
an = 1 + + + ··· +
1! 2! n!
1 1 1
an = 1 + + + ··· +
2 3 n
1 1 1
an = 1 + 2 + 2 + · · · + 2
2 3 n
2. {sen (n)}n∈N no es una sucesión monótona.
3. {(−1)n }n∈N no es una sucesión monótona.
4. (1, 2, 3, 4, . . . ) es una sucesión estrictamente creciente.
5. (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ) es una sucesión creciente.
111
DEFINICIÓN 5.1.5 Considere una sucesión (xn ) = (x1 , x2 , x3 , . . . ). Una subsucesión de (xn ) es
una nueva sucesión que se forma considerando algunos n digamos n1 , n2 , n3 . . . que cumplen
n1 < n2 < n3 < . . . < nk < · · · Más formalmente, una subsucesión de una sucesión es una
nueva sucesión que se forma al efectuar la composición de la sucesión original con una función
Y : N → N que es estrictamente creciente.
EJEMPLOS:
1. Dada la sucesión (xn ) podemos extraer la subsucesión de los términos de lugares pares
(x2 , x4 , x6 , . . . ) = (x2n ). También podemos extraer la de los lugares impares (x1 , x3 , x5 , . . . ) =
(x2n−1 ). La primera corresponde a efectuar una composición con la función Y : N → N,
n → Y (n) = 2n y la segunda con la función Y : N → N, n → Y (n) = 2n − 1. Ambas
son estrictamente crecientes. Podríamos también considerar Y : N → N, n → Y (n) = n2 y
obtenemos la subsucesión
(x1 , x4 , x9 , x16 , . . . )
2. Considere la sucesión 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . . Notar que en el lugar n = 1 está el 1. En

el lugar 1 + 2 está el 2; en el lugar 1 + 2 + 3 está el 3, en el lugar 1 + 2 + 3 + 4 está el 4. Así:
x1+2+3+···+n = n
de donde
x n(n+1) = n
2
Luego (1, 2, 3, . . . , n, . . . ) es una subsucesión de (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ).

n n(n+1)
o
3. (−1) 2 es una subsucesión de {(−1)n }. Sus primeros términos son:
−1, −1, 1, 1, −1, −1, 1, . . . .
4. Si (xn ) es una sucesión entonces (xn+1 ) = (x2 , x3 , . . . ) es una subsucesión. Similarmente

(xn+k ) es una subsucesión para k ∈ N.
5.2. CLASE 19: Convergencia de Sucesiones
5.2.1. El concepto de convergencia

Intuitivamente, el concepto de convergencia de una sucesión está relacionado con los valores
que toma la sucesión a medida que n crece (como el concepto de límite). Si los valores están tan
cerca como se quiera de un número L, a partir de un n en adelante, entonces decimos que la
sucesión converge a L. Más formalmente:
112
Verónica Gruenberg Stern 5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
DEFINICIÓN 5.2.1 Sea (xn ) una sucesión y L un número real. Diremos que xn converge a L, o que
el límite de la sucesión (xn ) es L, si
∀ε > 0 ∃N ∈ N : ∀n ∈ N, n≥N =⇒ |xn − L| < ε

En tal caso escribiremos lı́m xn = L o simplemente xn → L.
n→∞
OBSERVACIÓN:
Note que |xn − L| < ε es equivalente a pedir xn ∈ ]L − ε, L + ε[. Luego, la definición de

convergencia nos dice que a partir de N en adelante, los valores de la sucesión xn (es decir,
xN , xN +1 , xN +2 , . . . ) se encontrarán en el intervalo anterior. Como el ε es cualquiera, en parti-
cular podemos pedir que sea tan pequeño como queramos, lo cual formaliza la idea de estar
tan cerca de L como se quiera.
Notemos también que
|xn − L| < ε ⇐⇒ |(xn − L) − 0| < ε

⇐⇒ ||xn − L| − 0| < ε
Esto nos dice que

h i h i h i
lı́m xn = L ⇐⇒ lı́m (xn − L) = 0 ⇐⇒ lı́m |xn − L| = 0
n→∞ n→∞ n→∞
DEFINICIÓN 5.2.2 Una sucesión que posee límite se dirá convergente; en caso contrario se dice
divergente.
EJEMPLOS:
1. Consideremos la sucesión xn = an con |a| < 1, a 6= 0. Intuitivamente pareciera ser

que los valores de la sucesión se acercan a cero a medida que n crece; formalicemos esto:
Notemos que |xn | = |a|n ; luego
1
|a| < 1 =⇒ 1<
|a|
de donde
1
1+d= para algún número positivo d.
|a|
Entonces
n n
1 n
X n
= (1 + d) = dk
|a| k
k=0

n
≥ d = nd
1
113
De esto obtenemos
1
≥ |a|n
nd
entonces
1
|xn − 0| = |a|n <
nd
de donde
1 1
<ε ⇐⇒ <n
nd εd
Estamos ahora en condiciones de mostrar que el límite de esta sucesión es cero: Sea ε > 0
1 1
arbitrario; si n ≥ εd + 1 (la parte entera de εd más 1) entonces se cumple
|xn − 0| < ε
1 1 1
En efecto: n≥ εd +1> εd =⇒ ε> nd . Pero
1
|xn − 0| = |a|n < <ε =⇒ |xn − 0| < ε ∴ lı́m an = 0
nd n→∞
n
2. Mostremos que la sucesión xn = n+1 −→ 1.

n 1 1
|xn − 1| = − 1 =
<
n+1 n + 1 n
Luego, sea ε > 0; entonces, existe Nε = 1ε + 1 tal que

n ≥ Nε =⇒ |xn − 1| < ε
1
entonces n ≥ 1ε y así ε > n1 ; pero

En efecto: si n ≥ Nε = ε + 1

n 1 1
|xn − 1| = − 1 =
<
n+1 n + 1 n
de donde
|xn − 1| < ε
y luego, hemos demostrado

n
lı́m =1
n→∞ n+1
3. Considere la sucesión xn = (−1)n . Vemos que esta sucesión toma los valores 1 y −1 en forma
alternada. Si la sucesión fuese convergente, es decir, si xn → L, entonces debería existir un
N ∈ N tal que para todo n ≥ N :
1
|xn − L| <
4
114
Luego, si consideramos un n par mayor que N se cumplirá
1 1 1
|1 − L| < ⇔ − <L−1<
4 4 4
3 5
⇔ <L<
4 4
y si consideramos un n impar mayor que N entonces se cumplirá
1 1 1
|−1 − L| = |1 + L| < ⇔ − <L+1<
4 4 4
5 3
⇔ − <L<−
4 4
Claramente, no existe ningún número en ambos intervalos, por lo que tal L no puede existir.
Es decir, lı́m (−1)n no existe, es decir (xn ) diverge.
n→∞
TEOREMA 5.2.1 (Unicidad) Si el límite de una sucesión existe, entonces es único.
Dem.: Sea (xn ) la sucesión y supongamos que L1 y L2 son límites de la sucesión. Si ε > 0 por
convergencia existirán naturales N1 y N2 tales que
n ≥ N1 ⇒ |xn − L1 | < ε
n ≥ N2 ⇒ |xn − L2 | < ε
Pues bien: si n ≥ máx {N1 , N2 }, entonces
|L1 − L2 | = |L1 − xn + xn − L2 |
≤ |xn − L1 | + |xn − L2 |
< 2ε
Así, como el número ε es arbitrario no queda otra opción más que L1 = L2 .
TEOREMA 5.2.2 (Álgebra de límites) Si xn → A y yn → B, entonces
1. lı́m (xn + yn ) = A + B
n→∞
2. lı́m (xn yn ) = AB
n→∞

xn A
3. lı́m = si B 6= 0.
n→∞ yn B
115
EJEMPLOS:
1 1
1. Es fácil mostrar que → 0. Del álgebra de límites, se sigue que → 0 para p ∈ N.
n np
Utilizando 2. del teorema anterior con la sucesión constante (α) se sigue
α
→0 cuando n→∞
nk
2. Calcular el límite de la sucesión

3n4 + 2n + 1
xn =
2n4 + 1
Solución: Notemos que
n4 3 + n23 + n14 2 1

3n4 + 2n + 1 3+ n3
+ n4
= =
2n4 + 1 n4 2 + n14 1

2+ n4
utilizando el álgebra de límites y la observación anterior se sigue que

!
2 1
3n4 + 2n + 1 3+ +

n3 n4
lı́m = lı́m 1
n→∞ 2n4 + 1 n→∞ 2+ n4

2 1
lı́m 3+ 3 + 4
n→∞ n n
=
1
lı́m 2 + 4
n→∞ n
3+0+0 3
= =
2+0+0 2
DEFINICIÓN 5.2.3 Sea (xn ) una sucesión. Diremos que xn tiende a infinito cuando n tiende a infi-
nito, si
∀K > 0 ∃N ∈ N : n≥N =⇒ xn > K
En tal caso escribiremos lı́m xn = +∞.

n→∞
Análogamente, diremos que xn tiende a menos infinito cuando n tiende a infinito, si
∀K < 0 ∃N ∈ N : n≥N =⇒ xn < K
En tal caso escribiremos lı́m xn = −∞.

n→∞
EJEMPLOS:
1. Considere la sucesión xn = (−1)n n2 entonces xn 6→ +∞. Note que a medida que n crece, la
sucesión alterna entre números positivos y negativos que van creciendo en valor absoluto.
116
n2
2. Si xn = entonces lı́m xn = +∞. En efecto,
(0,5)n n→∞
1 1
0,5 < 1 ⇒ 1 < ⇒1<
0,5 (0,5)n
así
n2
xn = > n2 ≥ n
(0,5)n
Se sigue entonces lo afirmado.
OBSERVACIÓN:
Si (xn ) es una sucesión creciente y no acotada superiormente entonces lı́m xn = +∞.
n→∞
TEOREMA 5.2.3 Sean (xn ) e (yn ) sucesiones:
1. Si lı́m xn = +∞ y (yn ) es una sucesión acotada inferiormente entonces

n→∞
lı́m (xn + yn ) = +∞
n→∞
2. Si lı́m xn = +∞ y existe α > 0 tal que yn > α para todo n ∈ N entonces

n→∞
lı́m (xn yn ) = +∞
n→∞
3. Si lı́m xn = 0, xn > 0 para todo n ∈ N y existe α > 0 tal que yn > α para todo n ∈ N
n→∞
entonces
yn
lı́m = +∞
n→∞ xn
5.2.2. Algunas propiedades de las sucesiones

TEOREMA 5.2.4 Si (xn ) es una sucesión convergente a L entonces toda subsucesión (xnk ) converge
y también a L.
OBSERVACIÓN: Este teorema nos entrega un muy útil criterio para decidir la divergencia de una
sucesión: si (xn ) es una sucesión que posee una subsucesión divergente entonces diverge. Si (xn )
posee dos subsucesiones que convergen a límites distintos entonces la sucesión diverge.
117
EJEMPLOS:
1. La sucesión xn = (−1)n es divergente. En efecto: posee dos subsucesiones
x2n = 1 y x2n−1 = −1
que convergen pero a límites diferentes.
2. Si
−1
x1 = 2 y xn+1 = para n≥1
xn
entonces (xn ) no puede ser convergente. En efecto, si xn → L entonces
−1 −1
→
xn L
Pero, como (xn+1 ) es una subsucesión, debiera tenerse que xn+1 → L. Así
−1 1
xn+1 = =⇒ L=−
xn L
es decir
L2 = −1
lo que no es posible en los números reales.
3. La sucesión dada por xn = (−1)n n2 no es convergente; en efecto, la subsucesión x2n = 4n2

diverge.
El siguiente teorema nos dice que para “n grandes” los términos de la sucesión permanecen
“cerca”del límite
TEOREMA 5.2.5 Si lı́m xn = L y a < L entonces ∃N ∈ N : ∀n ≥ N se cumple a < xn .

n→∞
Análogamente, si a > L entonces ∃K ∈ N : ∀n ≥ K se cumple a > xn .
TEOREMA 5.2.6 Si lı́m xn = L1 , lı́m yn = L2 y se cumple ∃N ∈ N ∀n ∈ N, n ≥ N : xn ≤ yn

n→∞ n→∞
entonces L1 ≤ L2 .
OBSERVACIÓN: xn < yn no implica necesariamente que L1 < L2 . Por ejemplo, considere las suce-
siones dadas por xn = −1
n y yn = n1 . Entonces
xn < yn
pero L1 = L2 = 0.
118
TEOREMA 5.2.7 Toda sucesión convergente es acotada.
Dem.: Sea (xn ) una sucesión convergente, digamos, a L. Luego, para = 1, existe un N ∈ N tal
que para n ≥ N se cumple
|xn − L| < 1
Entonces
|xn | < L + 1 para n ≥ N
Tomando M = máx {|x1 | , |x2 | , . . . , |xN −1 | , L + 1} se sigue
|xn | ≤ M ∀n ∈ N
EJEMPLOS:
n
1. Sabemos que xn = converge a 1. Además, sabemos que
n+1
1
|xn − 1| <
n
Se deduce que para todo n ∈ N
|xn − 1| < 1
y así
xn ∈ [0, 2]
2. Sabemos que
3n4 + 2n + 1

3
lı́m =
n→∞ 2n4 + 1 2
Note además que
4
3n + 2n + 1 3 4n − 1 4n + 1
2n4 + 1 − 2 = 4n4 + 2 ≤ 4n4 + 2

5n 5
≤ 4
= 3
4n 4n
Luego

xn − 3 5
<
2 4
de donde
1 11
xn ∈ ,
4 4
TEOREMA 5.2.8 (de Bolzano-Weierstrass) Toda sucesión acotada posee una subsucesión conver-
gente.
119
EJEMPLO 5.2.1 Muestre que la sucesión dada por xn = sen n es divergente.
Considere los intervalos Ik = 2kπ + π6 , 2kπ + π2 para k ≥ 1. Note que la longitud

Solución:
de Ik es π2 − π6 = π3 > 1. Luego, cada Ik debe tener un número natural, que llamaremos nk . Por
estar en ese tipo de intervalos se debe cumplir 12 ≤ sen (nk ) ≤ 1. Por ser acotada, el teorema
de Bolzano-Weierstrass dice que {sen (nk )} debe tener una subsucesión convergente {sen (nkl )} y
como sen (nkl ) ≥ 21 se sigue
1
lı́m sen (nkl ) ≥
l→∞ 2
π π

Considere ahora los intervalos Ju = 2uπ − 2 , 2uπ − 6 para u ∈ N. Note que la longitud de Ju
es π2 − π6 = π3 > 1. Se sigue que cada Ju debe tener un natural que llamaremos nu . Se sigue que
−1 ≤ sen (nk ) ≤ −1
2 ; luego, por ser acotada, el teorema de Bolzano-Weierstrass dice que {sen (nu )}
debe tener una subsucesión convergente sen nup y como sen nup ≤ − 12 se sigue

1
lı́m sen nup ≤ −
p→∞ 2
Claramente

lı́m sen nup =6 lı́m sen (nkl )
p→∞ l→∞
De esto obtenemos que (sen n) posee dos subsucesiones que convergen, pero a límites diferentes;
así, (sen n) es una sucesión divergente.
5.2.3. Algunos resultados de convergencia

TEOREMA 5.2.9 Toda sucesión creciente y acotada superiormente converge. De manera similar,
toda sucesión decreciente y acotada inferiormente converge.
Dem.: Supongamos que (xn ) es una sucesión creciente y acotada superiormente. Definamos
A = {xn : n ∈ N} ⊆ R
Por hipótesis, A es no vacío y acotado superiormente; por el axioma del supremo, se sigue que
existe el supremo de este conjunto y lo denotaremos por l. Sea ε > 0 arbitrario. Como l − ε < l se
sigue que l − ε no es cota superior de A (l es la menor cota superior del conjunto), así existe un n0
tal que
l − ε < xn0
Como la sucesión es creciente, para n ≥ n0 se sigue
xn0 ≤ xn
de donde
l − ε < xn0 ≤ xn
120
También, note que xn ≤ l para todo n ∈ N. Se sigue que
l − ε < xn < l + ε ∀n ≥ n0
Así, |xn − l| < ε. En conclusión, si (xn ) es creciente y acotada superiormente entonces
lı́m xn = sup {xn : n ∈ N}

n→∞
(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
1. Sabemos que la sucesión xn = es creciente y acotada superiormente por 3. Por el
k!
k=0
teorema anterior, sabemos que esta sucesión converge.
2. Estudie la convergencia de la sucesión definida por

√
a1 = 2
√
an+1 = 2 + an para n ≥ 1
Solución: Notemos que a1 < a2 y a2 < a3 . Se puede demostrar por inducción que
an ≤ an+1 para todo n ∈ N
Para el paso inductivo notar que
an ≤ an+1 ⇒ an + 2 ≤ an+1 + 2
√ p
⇒ an + 2 ≤ an+1 + 2
√ √
pero an+1 = an + 2 y an+2 = an+1 + 2. Así,
an ≤ an+1 =⇒ an+1 ≤ an+2
Se sigue que la sucesión es creciente. También es facil demostrar por inducción que
an ≤ 2 ∀n ∈ N
√
Claramente, 2 ≤ 2. Como antes, para el paso inductivo notamos que:
an ≤ 2 ⇒ an + 2 ≤ 4
√ √
⇒ an + 2 ≤ 4
⇒ an+1 ≤ 2
121
De esta forma, {an } es una sucesión creciente y acotada superiormente por 2, luego converge.
√
En este caso podemos además encontrar el límite: como an+1 = 2 + an si an → L,
√ √
entonces an+1 → L (es una subsucesión) y note que 2 + an → 2 + L. Entonces, por
unicidad del límite, se sigue
√
L= 2+L
de donde
L2 − L − 2 = 0 ⇒
L = 2 ∨ L = −1
Como an ≥ 0, se sigue L ≥ 0, y así la única posibilidad es L = 2.
TEOREMA 5.2.10 (Del sandwich) Sean (xn ) , (yn ) y (zn ) sucesiones. Si lı́m xn = L, lı́m yn = L
n→∞ n→∞
y se cumple xn ≤ zn ≤ yn ∀n ≥ N0 . Entonces (zn ) converge y lı́m zn = L.
n→∞
El teorema del Sandwich para sucesiones es muy útil para cálculo de límites, como ya vimos
en MAT021. Veamos algunos ejemplos:
EJEMPLOS:
√
n
1. Considere la sucesión xn = a donde a > 0. Mostremos que lı́m xn = 1. En efecto, si a > 1
n→∞
entonces
√
n
a = 1 + dn donde dn ≥ 0
Se sigue que
a = (1 + dn )n ≥ ndn
y así
a
≥ dn ≥ 0
n
Por el teorema del Sandwich se sigue
lı́m dn = 0
n→∞
Luego, por álgebra de límites

√
n
lı́m a = lı́m (1 + dn ) = 1
n→∞ n→∞
Si 0 < a < 1 entonces

1
a= , d>1
d
Entonces
√ 1
n
a= √
n
d
122
Utilizando lo recién mostrado y el álgebra de límites se sigue

√

1 1
n
lı́m a = lı́m √n
= √ =1
n→∞ n→∞ d lı́mn→∞ n d
Si a = 1, es claro.
√
n
2. Calcular lı́m 2n + 3 n .
n→∞
Solución: Note que
3n ≤ 2n + 3n ≤ 3n + 3n
de donde
√
n
√ √
n
3≤ 2n + 3n ≤ 2 · 3n = 3 2
Pero √
n
lı́m 3 = lı́m 3 2 =3
n→∞ n→∞
y por el teorema del Sandwich:
√
n
lı́m 2n + 3 n = 3
n→∞
3. Calcular
n
X 1
lı́m √
n→∞
i=1
n2 + i
Solución: Notemos que
n2 + 1 ≤ n2 + i ≤ n2 + n ∀i = 1, 2, . . . , n
Entonces p p p
n2 + 1 ≤ n 2 + i ≤ n2 + n
Así, para i = 1, 2, . . . , n:
1 1 1
√ ≤√ ≤√
n2+n 2
n +i 2
n +1
de donde
n n n
X 1 X 1 X 1
√ ≤ √ ≤ √
i=1
n2 + n i=1
n2 + i i=1
n2 + 1
Pero
n n
X 1 n X 1 n
√ =√ y √ =√
2
n +n 2
n + n i=1 2
n +1 2
n +1
i=1
entonces
n
n X 1 n
√ ≤ √ ≤√
n2 + n i=1
n2 + i n2 + 1
Aplicando el teorema del Sandwich, se obtiene
n
X 1
lı́m √ =1
n→∞ n 2+i
i=1
123
Ahora enunciaremos un teorema que relaciona el cálculo de límites de funciones con el cálculo
de límites de sucesiones, lo que es muy útil pues ya contamos con la regla de L’Hôpital.
TEOREMA 5.2.11 Si lı́m f (x) = L y xn = f (n) entonces lı́m xn = L.

x→∞ n→∞
EJEMPLOS:
1 n 1 x

1. Sea xn = 1 + n . Definiendo f (x) = 1 + x vemos que f (n) = xn y
1 x

lı́m xn = lı́m 1 + =e
n→∞ x→∞ x
√
2. Sea xn = n
n. Definiendo f (x) = x1/x y calculando lı́m x1/x = 1 se sigue
x→∞
√
n
lı́m n=1
n→∞
Este límite también se puede calcular a través del teorema del Sandwich.
TEOREMA 5.2.12 Si (xn ) es una sucesión que converge a cero y (yn ) es una sucesión acotada enton-
ces (xn yn ) converge a cero.
EJEMPLO 5.2.2 sen n

lı́m =0
n→∞ n
Note que sen n no converge pero, como n1 → 0, sólo necesitamos que esté acotada.

TEOREMA 5.2.13 Sea A ⊆ R un conjunto que es unión de intervalos abiertos. Sea f : A → R una
función y a ∈ A. La función f es continua en a si y solo si para toda sucesión (an ) con an ∈ A,
n ∈ N y an → a se cumple f (an ) → f (a).
EJERCICIOS: Determine si las siguientes sucesiones convergen. En caso afirmativo, determine su

límite.

n+4 n nπ
1. (an ) = 3. (an ) = sen
2n + 1 2n + 1 2

√ √ 2 + 2n
2. (an ) = ( n + 1 − n) 4. (an ) =
1 + 2n
124
Verónica Gruenberg Stern 5.3. CLASE 20: S ERIES N UMÉRICAS
5.3. CLASE 20: Series Numéricas

DEFINICIÓN 5.3.1 Una serie de números reales es un par ordenado ((ak ) , (Sn )) de sucesiones de
números reales las cuales están relacionadas de la siguiente forma:
n
X
∀n ∈ N : Sn = a1 + a2 + · · · + an = ak
k=1
o equivalentemente
∀k ∈ N : ak = Sk − Sk−1
donde tomamos S0 = 0 por convención.

La primera sucesión del par es llamada sucesión de términos de la serie y la segunda sucesión
es llamada sucesión de sumas parciales de la serie.
Por simplicidad utilizaremos la sugerente notación histórica para una serie ((ak ) , (Sn ))
+∞
X
ak ≡ ((ak ) , (Sn ))
k=1
En esta notación encontramos de manera explícita la sucesión de términos (ak ) y la sucesión de

sumas parciales es dada por
X n
Sn = ak
k=1
OBSERVACIÓN:
Si ((ak ) , (Sn )) es una serie, cada una de las sucesiones que la conforma determina la otra.
En algunos casos es conveniente usar la sucesión de términos en la forma am , am+1 , am+2

para algún m ∈ Z; en tal caso usamos la notación para la serie
∞
X
ak
k=m
+∞
X
DEFINICIÓN 5.3.2 Diremos que la serie ak converge, si existe un número real L tal que la
k=1
sucesión de sumas parciales Sn converge a L, es decir
lı́m Sn = L
n→+∞
125
En este caso, escribimos

+∞
X
lı́m Sn = ak = L
n→+∞
k=1
Si la serie no converge diremos que es divergente.
EJEMPLOS:
+∞
X
1. La serie k es divergente.
k=1
n
X n (n + 1)
En efecto, la sucesión de sumas parciales Sn = k= , de donde
2
k=1

n (n + 1)
lı́m Sn = lı́m = +∞
n→∞ n→∞ 2
+∞
X 1
2. La serie es convergente.
2k
k=1
n
X 1 1 1 − 21n
En efecto, la sucesión de sumas parciales es Sn = = , entonces
2k 2 12
k=1
!
1 1
2 − 2n+1
lı́m Sn = lı́m 1 =1
n→∞ n→∞
2
+∞
X +∞
X
PROPOSICIÓN 5.3.1 Sean ak y bk dos series convergentes a A y B respectivamente. Sea
k=1 k=1
también α ∈ R entonces:
+∞
X
1. (αak ) = αA
k=1
+∞ +∞ +∞
! !
X X X
2. (ak + bk ) = ak + bk =A+B
k=1 k=1 k=1
+∞
X 1
EJERCICIOS: ¿Es convergente la serie k− k ?
3
k=1
126
Verónica Gruenberg Stern 5.3. CLASE 20: S ERIES N UMÉRICAS
+∞
X
PROPOSICIÓN 5.3.2 Si ak es una serie convergente, entonces lı́m ak = 0.
k→∞
k=1
Dem.: Si lı́m Sn = L, entonces
n→∞
lı́m an = lı́m (Sn − Sn−1 ) = lı́m Sn − lı́m Sn−1

n→∞ n→∞ n→∞ n→∞
= L−L=0
OBSERVACIÓN: La proposición anterior nos entrega una condición necesaria pero no suficiente para
+∞
X
la convergencia de una serie. Es decir, para que ak converja, es necesario que lı́m ak = 0. Sin
k→∞
k=1
embargo, ésto 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 lı́m an 6= 0, entonces ak
n→∞
k=1 k=1
diverge.
El siguiente ejemplo muestra que, a pesar que lı́m ak = 0, una serie puede ser divergente.
k→∞
EJEMPLOS:
+∞
X k
1. La serie ln diverge.
k+1
k=1
n n
X k X
En efecto: Sn = ln = (ln k − ln (k + 1)) = − ln (n + 1), de donde
k+1
k=1 k=1
lı́m − ln (n + 1) = −∞
n→+∞
y luego la serie diverge. Pero, note que

k
lı́m ln =0
k→∞ k+1
∞
X an + 1
2. Determine los valores de a ∈ R+ para los cuales diverge la serie .
3an + 2
n=0
Solución: Supongamos que existe algún a ∈ R para el cual la serie converge. En este
an + 1 an + 1 1
caso, se debiera cumplir que lı́m = 0. Pero, lı́m = , ∀a ∈ R+ .
n→∞ 3an + 2 n→∞ 3an + 2 3
Luego, la serie diverge ∀a ∈ R+ .
127
EJERCICIOS: Muestre que las siguientes series divergen:

+∞ +∞ +∞ +∞
X X 1 X k X k!
1.- (−1)k 2.- √
k
3.- 4.-
k ln k 2k! + 1
k=1 k=1 k=1 k=1
En general, encontrar expresiones explícitas para las sumas parciales no es tarea fácil 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
DEFINICIÓN 5.3.3 Sea (bk ) una sucesión de números reales. La serie (bk − bk+1 ) se llama serie
k=1
telescópica.
+∞
X
PROPOSICIÓN 5.3.3 Una serie telescópica (bk − bk+1 ) es convergente si y solo si la sucesión
k=1
(bk ) es convergente y, en tal caso,
+∞
X
(bk − bk+1 ) = b1 − lı́m bk
k→∞
k=1
Dem.: Simplemente encontrar la expresión de las sumas parciales y tomar límite.

EJEMPLOS:
+∞
X 1
1. Mostrar que la serie converge, y encuentre su límite.
4k 2 − 1
k=1
2. Muestre que
∞ √ √
X k+1− k
√ =1
k=1
k2 + k
∞
X
DEFINICIÓN 5.3.4 Sean a, r ∈ R, r, a 6= 0. Una serie de la forma ark se llama serie geométrica
k=0
de razón r.
OBSERVACIÓN: Note que, si a = 0 o r = 0, el valor de este límite es 0.
∞
X
PROPOSICIÓN 5.3.4 La serie ark converge si y solo si |r| < 1; en este caso
k=0
∞
X a
ark =
1−r
k=0
128
Verónica Gruenberg Stern 5.4. C RITERIOS DE CONVERGENCIA DE S ERIES
Dem.: Se basa en la suma de una progresión geométrica.
Si r = 1 entonces Sn = an y es clara la divergencia.
Supongamos que r 6= 1; entonces
Sn = a + ar + · · · + arn−1
se sigue
1 − rn

Sn = a
1−r
• luego, si |r| < 1:
1 − rn

a
lı́m Sn = lı́m a =
n→∞ n→∞ 1−r 1−r
• si |r| > 1: lı́m arn 6= 0, luego la serie diverge.
k→∞
• si r = −1, ak = a (−1)k y vale el mismo razonamiento anterior.
EJEMPLOS:
+∞
X (−1)k 2k
1. Calcular
3k+1
k=2
+∞
(−1)n xn + 3n x2n
X
2. ¿Para qué valores de x ∈ R es convergente la serie ?
4n
k=1
5.4. Criterios de convergencia de Series
5.4.1. Criterio de la integral. Criterio de comparación y comparación al límite.
Como una serie no es sino una sucesión de sumas parciales, una serie será convergente si lo es
la correspondiente sucesión de sumas parciales. Si ak ≥ 0 para todo k ∈ N decimos que la serie
X∞
ak es una serie de términos positivos. En este caso, la sucesión de sumas parciales Sn satisface
k=1
Sn+1 − Sn = an+1 ≥ 0 ⇒ Sn+1 ≥ Sn ∀n ∈ N
Así, {Sn } es una sucesión creciente, y luego converge si y solo si es acotada. Por lo tanto, en el caso
de series de términos positivos, ellas serás convergentes si y solo si la sucesión de sumas parciales
es acotada, como se enuncia en el siguiente
129
∞
X
TEOREMA 5.4.1 Sea {ak } una sucesión de términos positivos. Entonces, la serie ak converge
k=1
si y solo si la sucesión de sumas parciales
n
X ∞
X
Sn = ak es acotada; en tal caso: ak = sup {Sn : n ∈ N}
k=1 k=1
∞ k
X 2 +k
EJEMPLO 5.4.1 La serie es convergente. En efecto:
3k + k
k=1
k
2k + k 2k + 2 k 2
≤ ≤2
3k + k 3k 3
luego
n k n k ∞ k
X 2 +k X 2 X 2
Sn = ≤ 2 ≤2 =4
3k + k 3 3
k=1 k=1 k=1
Luego, la sucesión de sumas parciales está acotada y la serie converge.
Vamos a enunciar algunos criterios que explotan esta idea de acotamiento para mostrar conver-
gencia de series, tal como se hizo ya en cálculo, para el análisis de convergencia de las integrales
impropias.
TEOREMA 5.4.2 (Criterio de la integral) Sea f : [1, +∞[ → R+ una función continua (a valores
positivos) y decreciente en [1, +∞[. Si
ak = f (k) para k ∈ N, entonces

∞
X Z ∞
ak converge ⇐⇒ f (x) dx converge.
k=1 1
Dem.: Note que para x ∈ [k − 1, k]:
ak = f (k) ≤ f (x) ≤ f (k − 1) = ak−1
de donde Z k
ak ≤ f (x) dx ≤ ak−1 para k ≥ 2
k−1
entonces
n
X Z n n−1
X
ak ≤ f (x) dx ≤ ak
k=2 1 k=1
130
se sigue que
Z n
Sn − x1 ≤ f (x) dx ≤ Sn−1
1
Z +∞
Si f (x) dx < ∞ (es decir, si la integral impropia converge) entonces Sn es acotada y luego
1 Z +∞
converge; ahora, si f (x) dx diverge, como
1
Z n
f (x) dx ≤ Sn−1
1
la serie es divergente.
OBSERVACIÓN: La integral y la serie no necesariamente convergen al mismo valor.
EJEMPLOS:
∞ ∞
X 1 X 1
1. La serie converge si y solo si p > 1. En particular, diverge.
kp k
k=1 k=1
∞
X 1
2. La serie es divergente.
n ln n
k=2
TEOREMA 5.4.3 (Criterio de comparación) 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
k=1 k=1 k=1 k=1
converge.
EJERCICIOS: Analizar la convergencia de las siguientes series:
∞ ∞
X 1 X 1
1. √ 4.
2 n + 3n n3 + 3n + 4
k=1 k=1
∞ ∞
X 1 X 3 sen2 n
2. n 5.
2 +1 n!
k=1 k=1
∞
X 1
3.
n + ln n
k=1
131
TEOREMA 5.4.4 (Criterio de comparación al límite) Sean {ak } y {bk } sucesiones de números posi-
tivos tales que
ak
lı́m = L > 0; entonces
k→∞ bk
∞
X ∞
X
ak converge ⇐⇒ bk converge.
k=1 k=1
EJERCICIOS: Analizar la convergencia o divergencia de las siguientes series:

∞
X 3n3 − 5n2
1.
2n6 + 4n − 1
k=1
∞
X 1
2. √
3
k=1
n3 + 1
∞
X 1
3. arc tan
n2
k=1
132
5.4.2. CLASE 21: Criterios del cuociente y de la raíz
Los criterios de comparación directa y comparación al límite utilizan la convergencia o diver-

gencia 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 }n∈N una sucesión de números reales no nulos ta-
les que
xn+1
lı́m =r
n→∞ xn
entonces:
∞
X ∞
X
1. Si 0 ≤ r < 1 entonces |xn | y xn convergen.
n=1 n=1
∞
X ∞
X
2. Si r > 1 entonces |xn | y xn divergen.
n=1 n=1
3. Si r = 1 entonces el criterio no entrega información.

r+1
xn+1
Dem.: Supongamos que 0 ≤ r < 1 y sea R = 2 entonces r < R < 1. Como lı́m
=r
n→∞ xn
se sigue que
xn+1
∃ N0 ∈ N tal que para n ≥ N0 : xn ≤ R

De esta forma
|xn+1 | |xn |
≤ n para n ≥ N0 .
Rn+1 R
|xn |
Así, an = es una sucesión decreciente, luego para n ≥ N0 : an ≤ aN0
Rn
Se sigue, para n ≥ N0 :
|xn |
≤ aN0 =⇒ |xn | ≤ aN0 Rn
Rn
Por el criterio de comparación:
∞
X ∞
X
|xn | converge y así |xn | converge.
n=N0 n=1
Ahora bien, podemos escribir

|xn | − xn |xn | + xn
|xn | = +
2 2
133
y las series
∞ ∞
X |xn | − xn X |xn | + xn
,
2 2
n=1 n=1
∞
X
son series de términos positivos y convergen por comparación directa con la serie |xn | pues
n=1

|xn | − xn |xn | + xn
≤ |xn | y ≤ |xn |
2 2
Luego
∞ ∞ ∞
X X |xn | + xn X |xn | − xn
xn = −
2 2
n=1 n=1 n=1
es convergente.
Si r > 1 es fácil mostrar el límite del término general no puede ser cero y por tanto ambas series
son divergentes.
Cuando r = 1 el criterio no entrega información. Basta notar, por ejemplo, que

∞ ∞
X 1 X 1
es divergente y es convergente
n n2
n=1 n=1
y para ambas se obtiene r = 1.
EJERCICIOS: Analizar la convergencia o divergencia de las siguientes series.

∞ ∞
X (−2)n X n!
1. 3.
n! nn
n=1 n=1
∞ ∞
X (−1)n n25 X n!
2. 4.
3n+1 5n
n=1 n=1
TEOREMA 5.4.6 (Criterio de la raíz) Sea {xn }n∈N una sucesión de números reales tales que
p
lı́m n |xn | = r.
n→∞
Entonces:
∞
X ∞
X
1. Si 0 ≤ r < 1 entonces |xn | y xn convergen.
n=1 n=1
∞
X ∞
X
2. Si r > 1 entonces |xn | y xn divergen.
n=1 n=1
134
Verónica Gruenberg Stern 5.5. S ERIES A LTERNADAS
3. Si r = 1, el criterio no entrega información.
OBSERVACIÓN: La demostración es similar a la del teorema anterior.
EJERCICIOS:
1. Decidir si las siguientes series son o no convergentes:

∞
X 1
a)
(ln n)n
n=3
∞ n
X n
b)
2n + 1
n=1
∞
ln n n
X
c)
1000
n=1
∞
X xn + 2x2n
2. ¿Para qué valores x ∈ R es convergente la serie ?
n
n=1
5.5. Series Alternadas

DEFINICIÓN 5.5.1 Diremos que una serie es alternante o alternada si sus términos 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.
EJEMPLO 5.5.1 Son series alternates

∞ ∞ ∞
X (−2)n X (−1)n X
, y (−1)n
n! n
n=1 n=1 n=1
TEOREMA 5.5.1 (Criterio de Leibnitz) Sea (xn )n∈N una sucesión de términos positivos decreciente
tales que
lı́m xn = 0
n→∞
∞
X
Entonces, la serie alternada (−1)n+1 xn converge, y además
n=1
|S − Sn | < |xn+1 |
Esta última relación permite medir la rapidez de convergencia.
135
EJEMPLOS: Las series

∞ ∞
X (−1)n+1 X (−1)n ln n
y
n n
n=1 n=1
son convergentes.
∞
X (−1)n+1
Veamos a qué valor converge la serie . Recordemos que
n
n=1
1 − xn+1
1 + x + x2 + · · · + xn = para x 6= 1
1−x
Reemplazando x por −x se sigue que
1 − (−1)n+1 xn+1
1 − x + x2 − · · · + (−1)n xn = para x 6= −1
1+x
Si integramos la igualdad anterior obtenemos
!
x2 x3 xn+1 x
1 − (−1)n+1 tn+1
Z
x− + − · · · + (−1)n = dt para x > 0.
2 3 n+1 0 1+t
Si evaluamos en x = 1 se obtiene
!
(−1)n 1 − (−1)n+1 tn+1
1
Z
1 1
1 − + − ··· + = dt
2 3 n+1 0 1+t
!
− (−1)n+1 tn+1
Z 1 Z 1
1
= dt + dt
0 1+t 0 1+t
Pero Z 1
1
dt = ln 2
0 1+t
entonces
n
!
(−1)k 1
− (−1)n+1 tn+1
X Z
= ln 2 + dt
k+1 0 1+t
k=0
luego, si ponemos
n
X (−1)k
Sn =
k+1
k=0
entonces
1
tn+1
Z
|Sn − ln 2| = dt
0 1+t
Como t ∈ [0, 1] : 1 ≤ 1 + t ≤ 2 y luego
1
≤1
1+t
136
Verónica Gruenberg Stern 5.5. S ERIES A LTERNADAS
Así
1 1
tn+1
Z Z
1
|Sn − ln 2| ≤ dt ≤ tn+1 dt =
0 1+t 0 n+2
se sigue que
∞ ∞
X (−1)k X (−1)k+1
= = ln 2
k+1 k
k=0 k=1
es decir
1 1 1 1
1− + − + − · · · = ln 2
2 3 4 5
5.5.1. Convergencia condicional y absoluta

Las series de términos generales no tienen porqué ser alternantes; por ejemplo la serie
∞
X sen n
n2
n=1
no es alternante pero tampoco es de términos positivos.

Los criterios de razón y cuociente no entregan información. Sin embargo, con las herramientas
que tenemos podemos analizar su convergencia. Notemos que
sen n 1
2 ≤ 2

n n
entonces
1 sen n 1
− 2
≤ 2
≤ 2
n n n
se sigue
sen n + 1 2
0≤ 2
≤ 2
n n
Por comparación directa
∞
X sen n + 1
es convergente, y de esta forma
n2
n=1
∞ ∞ ∞
X sen n X sen n + 1 X 1
= − es convergente.
n2 n2 n2
n=1 n=1 n=1
En este caso, note que era fácil analizar la convergencia de de la serie de términos positivos
∞
sen n
X
2
n
n=1
∞
X 1
comparándola directamente con .
n2
n=1
137
∞
X ∞
X
TEOREMA 5.5.2 Si la serie |xn | converge entonces xn converge.
n=1 n=1
Dem.: Utilizar
|xn | − xn |xn | + xn
|xn | = +
2 2
X∞
y comparación para obtener la convergencia de xn como en la demostración del criterio del
n=1
cuociente.
∞
X (−1)k+1
OBSERVACIÓN: El recíproco no es cierto. Considere, por ejemplo, la serie que es con-
k
k=1
∞ ∞

k+1
X (−1) X1
vergente, pero = no lo es.
k k

k=1 k=1
∞
X ∞
X
DEFINICIÓN 5.5.2 Una serie xk se dice absolutamente convergente si |xk | es convergente.
k=1 k=1
∞
X ∞
X
Si xk converge pero |xk | diverge, diremos que es condicionalmente convergente.
k=1 k=1
EJERCICIOS: Decidir si las series

∞ ∞
X (−1)n X (−2)n
y
n + ln n n2 3n
k=1 k=1
son absoluta o condicionalmente convergentes.
Reordenamiento de series
Sabemos que
∞
X (−1)k+1
= ln 2
k
k=1
es condicionalmente convergente, si reordenamos la serie en la forma
1 1 1 1 1 1 1 1 1 1 1
1− + − + − + − + − + − ...
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
138
entonces si podemos reordenar los sumandos obtenemos
1
ln 2 = ln 2
2
contradicción!!!
En las series, que son sumas infinitas, no da lo mismo el orden en que sumen los términos.
P
TEOREMA 5.5.3 Si an es una serie absolutamente convergente entonces todos los reordenamien-
tos convergen al mismo valor.

∞
X (−1)n+1
1. Estudie la convergencia absoluta y condicional de la serie .
2n + 1
n=0
2.
3.
139
140
Capítulo 6
Series de Potencias
6.1. CLASE 22: Series de Potencias

DEFINICIÓN 6.1.1 Sea {Cn }n∈N∪{0} una sucesión de números reales y sea x0 ∈ R. Una serie de
potencias es una serie de la forma
+∞
X
Cn (x − x0 )n
n=0
(donde usamos la convención (x − x0 )0 = 1). Los términos de la sucesión se llaman coeficientes de

la serie de potencias.
EJEMPLOS:
+∞ n +∞ n +∞ +∞
X x X x X (x − 2)n X cos(nx)
1. Las series , , son series de potencias, en cambio,
n! n 2n n2 + 1
n=0 n=0 n=0 n=0
no es una serie de potencias.
+∞
X
2. Notar que xn converge si |x| < 1 y diverge si |x| ≥ 1. Además,
n=0
+∞
1 X
= xn , x ∈ ] − 1, 1[
1−x
n=0
Luego, la serie converge en un intervalo; esta propiedad es una característica común a las
series de potencias.
Por simplicidad de cálculos pongamos x0 = 0
+∞
X
TEOREMA 6.1.1 Si una serie de potencias Cn xn converge en x = a, a 6= 0, entonces converge
n=0
absolutamente ∀x: |x| < |a|. Si la serie diverge en x = b, b 6= 0, entonces diverge ∀x: |x| > |b|.
141
C APÍTULO 6. S ERIES DE P OTENCIAS Verónica Gruenberg Stern
+∞
X
Dem.: Sea b ∈ R con |b| < |a|. Como la serie Cn an converge, se sigue que
n=0
lı́m Cn an = 0 ∴ ∃N : n ≥ N |Cn an | < 1

n→∞
n
1 b
Así, |Cn | < n , n≥N =⇒ |Cn bn | < , n≥N
|a| a
X b n

X
Pero |b/a| < 1 =⇒ converge y así
a |Cn bn | converge.
+∞
X
∴ Cn bn converge absolutamente.
n=0
+∞
X +∞
X
Suponga que Cn dn diverge y |h| > |d|; si Cn hn converge, se produce una contradicción con
n=0 n=0
la parte anterior.
+∞
X
COROLARIO 6.1.1 Para una serie de potencias de la forma Cn xn se cumple una y sólo una de
n=0
las siguientes:
+∞
X
a) Cn xn converge sólo para x = 0.
n=0
+∞
X
b) Cn xn converge para todo x ∈ R.
n=0
c) Existe R ∈ R+ tal que

+∞
X
∀x : |x| < R Cn x n converge absolutamente
n=0
+∞
X
∀x : |x| > R Cn x n diverge
n=0
Dem.: Sea
+∞
( )
X
I= x ∈ R − {0} : Cn xn converge
n=0
+∞
X +∞
X
y suponga que I 6= R; entonces existe x0 ∈ R, x0 6= 0 : Cn xn0 converge, y ∃x1 : Cn xn1
n=0 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.
142
Verónica Gruenberg Stern 6.1. CLASE 22: S ERIES DE P OTENCIAS
DEFINICIÓN 6.1.2 El valor de R del teorema anterior se llama radio de convergencia de la serie y, por
convención, en el primer caso se dice que R = 0 y en (b) R = ∞.
OBSERVACIÓN:
+∞
X
El mismo resultado es aplicable a las series de la forma Cn (x − x0 )n .
n=0
+∞
X
Basta poner u = x − x0 de donde la serie queda Cn un ∴ ∃R : |u| < R converge,
n=0
|u| > R diverge.
En resumen, se cumple uno de los siguientes:
I.- La serie converge sólo para x = x0 .

II.- La serie converge para todo x ∈ R.
+∞
X
III.- Existe un R > 0, llamado radio de convergencia, tal que Cn (x − x0 )n
n=0
a) converge absolutamente si |x − x0 | < R.
b) diverge si |x − x0 | > R.
Los puntos extremos del intervalo ]x0 − R, x0 + R[ se deben analizar por separado y dan
origen al intervalo de convergencia que es el conjunto en el cual la serie de potencias converge.
Este conjunto sólo puede tener alguna de las siguientes formas:
{x0 }, R, [a, b[, [a, b], ]a, b], ]a, b[
R+ no puede ser el intervalo de convergencia de una serie de potencias.
EJEMPLOS: Hallar el intervalo de convergencia de las series:
+∞ +∞ n
X
n n
X x
a) n x d)
n2
n=0 n=1
+∞ n +∞
X x X (x − 3)2n
b) e)
n! n2 5n
n=0 n=1
+∞ n
X x
c)
n
n=1
143
Solución:
√ p
a) Apliquemos el criterio de la raíz: n a
n =
n
nn |x|n = n|x|, de donde
p
lı́m n nn |x|n = lı́m n|x| = +∞ si x 6= 0
n→∞ n→∞
+∞
X
Luego, la serie diverge para x 6= 0. El intervalo de convergencia para nn xn es {0}.
n=0
|x|n+1
|an+1 | (n+1)! |x|
b) En este caso, aplicamos el criterio del cuociente: = |x|n
=
|an | n+1
n!
|an+1 |
∴ lı́m =0 ∀x ∈ R
n→∞ |an |
+∞ n
X x
Luego, converge ∀x ∈ R.
n!
n=0
+∞ n
r
n |x|n |x| X x
c) lı́m = lı́m √ = |x|. Luego, la serie converge si |x| < 1y diverge si
n→∞ n n→∞ n n n
n=1
|x| > 1. Analicemos qué sucede si |x| = 1:
+∞
X 1
x=1 : , que diverge (serie armónica)
n
n=1
+∞
X (−1)n
x = −1 : , que converge, por el criterio de Leibnitz
n
n=1
Por lo tanto, el intervalo de convergencia es [−1, 1[.

+∞ n
r
n
n |x| x
X
d) lı́m 2
= |x|. Luego, la serie converge si |x| < 1 y diverge si |x| > 1. Ahora
n→∞ n n2
n=1
analizamos |x| = 1:
+∞
X 1
x=1 : converge
n2
n=1
+∞
X (−1)n
x = −1 : converge
n2
n=1
El intervalo de convergencia es [−1, 1].
r
n (x − 3)
n |x − 3|2 √
e) Notemos que lı́m = . Así, 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 .
144
+∞
X
OBSERVACIÓN: Si una serie de potencias Cn (x − x0 )n tiene radio de convergencia R > 0
n=0
entonces es posible definir una función
f : ]x0 − R, x0 + R[ → R
+∞
X
x 7→ f (x) = Cn (x − x0 )n
n=0
Podemos preguntarnos, ¿es f continua? ¿es f derivable?
+∞
X
Si f (x) = Cn (x − x0 )n se dice que f está expresada como serie de potencias. Se presentan
n=0
dos problemas fundamentales:
I.- Si una función está dada como serie de potencias, determinar sus propiedades.
II.- Dada una función f ¿es expresable en serie de potencias? Por ejemplo, ¿es posible expresar
la función f (x) = ex como serie de potencias?
+∞
X
TEOREMA 6.1.2 Si f (x) = Cn (x − xo )n es una serie de potencias de radio de convergencia
n=0
R > 0 entonces
+∞
X
nCn (x − x0 )n−1
n=1
tiene el mismo radio de convergencia. Además,
+∞
X
0
f (x) = nCn (x − x0 )n−1 ∀x, |x − x0 | < R
n=1
+∞
X
COROLARIO 6.1.2 Si f (x) = Cn (x − x0 )n tiene radio de convergencia R > 0, entonces f es
n=0
continua en ]x0 − R, x0 + R[.
OBSERVACIÓN: Para los extremos del intervalo no hay información, se debe analizar caso a caso y
por separado.
COROLARIO 6.1.3 Si R > 0 es el radio de convergencia de la serie

+∞
X
f (x) = Cn (x − x0 )n
n=0
entonces f ∈ C ∞ (]x 0 − R, x0 + R, [). Además, los coeficientes son

f (k) (0)
= Ck
k!
145
+∞ n
X x
EJEMPLO 6.1.1 La función definida por la serie f (x) = tiene radio de convergencia infi-
n!
n=0
nito, f además es C ∞ (R) y se tiene que:
+∞ +∞ n
X xn−1 X x
f 0 (x) = = = f (x)
(n − 1)! n!
n=1 n=0
Además f (0) = 1. Existe una única función que cumple esas dos propiedades:
+∞ n
x
X x
e =
n!
n=0
En efecto, supongamos que f 0 (x) = f (x) en R y f (0) = 1. Si
g(x) = e−x f (x) ⇒ g 0 (x) = 0 ⇒ g(x) = cte ⇒ g(x) = 1 ⇒ f (x) = ex

+∞
X
TEOREMA 6.1.3 (Integración de series de potencias) Sea f (x) = Cn xn una serie de potencias
n=0
con radio de convergencia R > 0, entonces ∀x ∈ ] − R, R[,
+∞ +∞
Z x Z x X !
n
X Cn n+1
f (t) dt = Cn t dt = x
0 0 n+1
n=0 n=0
EJEMPLOS:
+∞
1 X
1. Tenemos que = xn , |x| < 1. Entonces:
1−x
n=0
+∞
1 X
= (−1)n xn |x| < 1
1+x
n=0
luego
+∞
X (−1)n xn+1
ln(1 + x) = |x| < 1
n+1
n=0
+∞
1 X
2. Notemos que 2
= (−1)n x2n |x| < 1. Luego
1+x
n=0
+∞
X (−1)n x2n+1
arc tan (x) = |x| < 1
2n + 1
n=0
146
3. Es importante explicitar en torno a qué punto se calculará la serie de potencias de una función
1
que la admita. Considerar, por ejemplo, la función f (x) = .
2+x
∞ ∞
1 1 1 1 X x n X xn x
= · = (−1)n = (−1)n n+1 , < 1.

x
2+x 2 1+ 2 2 2 2 2
n=0 n=0
∞
1 1 X
= = (−1)n (x + 1)n , |x + 1| < 1.
2+x 1 + (1 + x)
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 función alrededor de x = 0,

mientras que el segundo se realiza en torno de x = −1.
EJERCICIOS:
1
1. Expresar en serie de potencias con centro en 1.
1−x
2. Hallar serie de potencias para
2x 3x − 1
,
x2 +1 x2 − 1
centrada en x = 0
3. Sea  x
 e −1 x 6= 0
f (x) = x
 1 x=0
muestre que f ∈ C ∞ (R). Encuentre su serie de potencias.
1 +∞
(−1)n
Z
2
X
4. Muestre que e−x dx = como es alternante
0 (2n + 1)n!
n=0
|I − SN | ≤ |aN +1 |
5. Calcule el valor de
+∞
X n
2n
n=0
147
6.2. CLASE 23: Polinomios y Series de Taylor y MacLaurin
6.2.1. Polinomios de Taylor

Si f : I ⊆ R → R es una función derivable en x = x0 entonces
f (x) − f (x0 )
f 0 (x) = lı́m
x→x0 x − x0
esto significa que para x ∼ x0
f (x) − f (x0 ) = (x − x0 )f 0 (x0 )
0 f (x) ≈ f (x0 ) + (x − x0 )f 0 (x0 ) esto es, los valores de f (x) se aproximan por el polinomio de grado
1 p(x) = f (x0 ) + (x − x0 )f 0 (x0 ). Es lógico pensar que mientras mas derivable es la función mejor
es la aproximación que podremos realizar.
DEFINICIÓN 6.2.1 Dado n ∈ N y f : I ⊆ R → R una función n−veces derivable en x0 ∈ I, se

define el n−ésimo polinomio de Taylor de f alrededor de x0 como:
f (2) (x0 ) f (n) (x0 )

Pnx0 (x) = f (x0 ) + f 0 (x0 )(x − 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
x2 x3 x4 x5
∴ P5 (x) = 1 + x + + + +
2! 3! 4! 5!
2. Si f (x) = ln(x + 1) encontrar el n−ésimo término alrededor de 0.
x2 x3 x4 xn
Pn (x) = x − + − + . . . + (−1)n−1
2 3 4 n
3. Lo mismo para f (x) = sen (x) x0 = 2π

1
4. Pn (x) en x0 = 0 para f (x) =
1−x
DEFINICIÓN 6.2.2 Se define el n−ésimo resto de Taylor rn (x) de f en x0 por
rn (x) = f (x) − Pn (x)
donde Pn es el n−ésimo polinomio de Taylor de f .
148
Verónica Gruenberg Stern 6.2. CLASE 23: P OLINOMIOS Y S ERIES DE TAYLOR Y M AC L AURIN
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
f (n+1) (tx )
rn (x) = (x − x0 )n+1
(n + 1)!
OBSERVACIÓN: (note que es una generalización del Teorema del Valor Medio)
EJEMPLO 6.2.1 Aproximar el número e con un error menor a 0, 001

Solución: 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
|rn (1)| = (1 − 0)

(n + 1)!

et1
=
(n + 1)!
4
<
(n + 1)!
4 1
∴ < n≥6
(n + 1)! 1000
6.2.2. Series de Taylor
DEFINICIÓN 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 )
(x − x0 )n
n!
n=0
si x0 = 0 se llama serie de Maclaurin de f .
OBSERVACIÓN: Puede ocurrir que la serie anterior sea convergente o no para un x 6= x0 y en caso
de convergencia puede ser a f (x) o a un número distinto de f (x)
149
1
(
e − x2 x 6= 0
EJEMPLO 6.2.2 La serie de Taylor no converge a la función f (x) =
0 x=0
1
f ∈ C ∞ (R), f (n) (0) = 0 ⇒ serie de Taylor≡ 0 entonces pero si x 6= 0, f (x) = e− x2 6= 0.
Para asegurar la convergencia de la serie de Taylor de la función respectiva tenemos el siguiente

teorema.
TEOREMA 6.2.2 Supongamos que f tiene derivadas de todo orden en un intervalo I que contiene
a x0 y existe M > 0 tal que |f (n) (x)| ≤ M para todo x ∈ I y n ≥ N (N fijo) entonces la serie de
Taylor de f en x0 converge a f (x) para cada x ∈ I es decir
+∞ (n)
X f (x0 )
f (x) = (x − x0 )n x∈ I
n!
n=0
Demostración: Por el Teorema de Taylor del Resto
f (n+1) (tx )
rn (x) = (x − x0 )n+1
(n + 1)!
luego
M |x − x0 |n+1
|rn (x)| ≤
(n + 1)!
pero
(x − x0 )n+1
lı́m =0
n→+∞ (n + 1)!
por lo tanto
lı́m rn (x) = 0
n→+∞
lo que prueba el teorema.
EJEMPLOS:
+∞
X (−1)n x2n+1
1. f (x) = sen (x) = x∈ R
(2n + 1)!
n=0
+∞
X (−1)n x2n
2. f (x) = cos(x) = x∈ R
(2n)!
n=0
+∞ n
X x
3. f (x) = ex = x∈ R
n!
n=0
150
6.3.
Verónica Gruenberg CLASE
Stern 24: A PLICACIONES AL C ÁLCULO DE I NTEGRALES Y S ERIE B INOMIAL
6.3. CLASE 24: Aplicaciones al Cálculo de Integrales y Serie Binomial

Consideremos la serie
α (α − 1) 2 α (α − 1) (α − 2) 3
1 + αx + x + x + ...
2! 3!
∞
X α (α − 1) · · · (α − n + 1) n
= 1+ x
n!
n=1
∞
X α n
= 1+ x
n
n=1
donde hemos usado la notación

α α (α − 1) · · · (α − n + 1)
=
n n!
es una serie de potencias, su radio de convergencia es

α(α−1)···(α−n+1)(α−n)
(n+1)! α − n
lı́m
α(α−1)···(α−n+1) = n→∞
lı́m
=1
n→∞ n + 1
n!
se sigue que
∞
X α n
f (x) = 1 + x
n
n=1
es una función derivable en ]−1, 1[ más aun:
∞
0
X α n−1
f (x) = n x
n
n=1
y
∞ ∞
0
X α n−1 X α n
(1 + x) f (x) = n x + n x
n n
n=1 n=1
∞ ∞
X α (α − 1) · · · (α − n + 1) n−1
X α n
= n x + n x
n! n
n=1 n=1
∞
X α (α − 1) · · · (α − n + 1)
= xn−1 +
(n − 1)!
n=1
∞
X α (α − 1) · · · (α − n + 1) n
x
(n − 1)!
n=1
∞ ∞
X α (α − 1) · · · (α − n) n
X α (α − 1) · · · (α − n + 1)
= α+ x + xn
n! (n − 1)!
n=1 n=1
∞ ∞
X α (α − 1) · · · (α − n) X α (α − 1) · · · (α − n + 1) n
= α+ xn + n x
n! n!
n=1 n=1
151
∞
X α (α − 1) · · · (α − n + 1)
= α+ ((α − n) + n) xn
n!
n=1
∞
α (α − 1) · · · (α − n + 1)
X
= α+α xn
n!
n=1
∞ !
X α (α − 1) · · · (α − n + 1)
= α 1+ xn = αf (x)
n!
n=1
entonces
αf (x)
f 0 (x) =
(1 + x)
entonces
f0 α
= ⇒ ln f (x) = α ln (1 + x) + C
f 1+x
⇒ f (x) = K (1 + x)α
notar que f (0) = 1 y así K = 1, se sigue que, para x ∈ ]−1, 1[

∞
X α (α − 1) · · · (α − n + 1)
(1 + x)α = 1 + xn
n!
n=1
esto permite el siguiente cálculo

∞
− 21 − 12 − 1 · · · − 12 − n + 1 n

−1/2
X
(1 + x) =1+ x
n!
n=1
entonces
∞
− 21 − 12 − 1 · · · − 12 − n + 1

2 −1/2
X
(−1)n x2n

1−x =1+
n!
n=1
y así
∞
− 21 − 21 − 1 · · · − 12 − n + 1

X
arc sen x = x + (−1)n x2n+1
n! (2n + 1)
n=1
así
∞
− 21
− 12 − 1 · · · − 12 − n + 1

X
arc sen x = x + (−1)n x2n+1
n! (2n + 1)
n=1
∞ 1
1 1

2 + 1 ··· 2 + n − 1
X
= x+ 2
x2n+1
n! (2n + 1)
n=1
∞
X 1 · 3 · 5 · · · (2n − 1) 2n+1
= x+ x válido en ]−1, 1[
2n n! (2n + 1)
n=1
152

1. Determine una serie de potencias alrededor de x0 = 0 (serie de Maclaurin) para la función
1
f (x) = √ .
1+x
2.
3.
153

A Complemento 22013 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

A Complemento 22013 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Coordinación MAT022

Campus Santiago Vitacura

MAT022 - Complementos 2a vs. 2◦ sem.2013

El apunte está estructurado y ordenado en la forma de «clases» correlativas, estimando el tiempo

Verónica Gruenberg Stern

Índice general III

2.2.2. Rectas en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5. Sucesiones y Series Numéricas 105

6. Series de Potencias 141

6.2.1. Polinomios de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

1.1. CLASE 1: Matrices

OBSERVACIÓN: Denotaremos las matrices por letras mayúsculas A, B, C o también en la forma

no necesariamente son distintos de cero).

an1 an2 an3 · · · ann

DEFINICIÓN 1.1.7 Dada una matriz cuadrada

EJEMPLO 1.1.2 La traza de la matriz

1.1.1. Operatoria con matrices

EJEMPLO 1.1.3 Encontrar los valores de las incógnitas si se tiene

Suma de matrices: Si A = (aij )n×m y B = (bij )n×m , se define la suma de A y B:

A + B = (aij + bij )n×m es decir:

OBSERVACIÓN: tr (A + B) = tr (A) + tr (B).

Multiplicación por escalar: Si A = (aij )n×m y α ∈ R ó C, entonces

αA = α (aij )n×m = (αaij )n×m , es decir

Producto de matrices: Sea K = R ó C. Sean A ∈ M (n × m, K) y B ∈ M (m × p, K). La

1.1.2. Propiedades de las operaciones matriciales

OBSERVACIÓN: En matrices, la ecuación AX = B con A 6= [0] y B una matriz dada, no siempre

OBSERVACIÓN: En matrices no es verdad que AB = [0] implique A = [0] ∨ B = [0]. En efecto:

Verifique que AB = AC. ¿Qué consecuencia obtiene de lo anterior?

6. Construir la matriz definida por:

10. Hallar una matriz A de orden 2 × 2 tal que A2 = −I

11. Hallar una matriz A de orden 2 × 2,A6= 0 tal que A2 = 0

12. Hallar una matriz A no nula, tal que A2 6= 0 y A3 = 0

13. Probar que tr (AB) = tr (BA)

1.2.1. Matriz transpuesta

Es decir, AT es la matriz obtenida intercambiando las filas y columnas de la matriz A. Es decir, la

Esto significa que si:

DEFINICIÓN 1.2.2 Sea A una matriz cuadrada.

EJEMPLO 1.2.2 La matriz

PROPOSICIÓN 1.2.2 Sean A y B matrices simétricas del mismo orden. Entonces:

PROPOSICIÓN 1.2.3 Si A es una matriz cuadrada entonces:

2. AAT y AT A son matrices simétricas

aii + aii = 0 ⇒ aii = 0 para cada i

2. Sean A y B matrices simétricas. Determine si las siguientes son o no simétricas:

3. ¿Es cierto que si A es antisimétrica entonces A2 es simétrica?

6. Determine si las siguientes afirmaciones son verdaderas o falsas; si es verdadera, demuestre

a) Si A2 está definido, entonces A es cuadrada.

7. Determine An , ∀n ∈ N para las matrices

1.3. CLASE 3: Ejercicios

3. Sean A, B ∈ M3 (R), donde

5. ¿Es verdadero o falso que A · AT = AT · A? Justifique.

Determine An , n ∈ N. ¿A qué es igual An si n = k?

7. Sea A ∈ Mn (R) tal que A2 = [0]. Pruebe que A · (I + A)n = A, ∀n ∈ N.

1.4. CLASE 4: Operaciones Elementales y Matrices Elementales

EJEMPLOS: Ejemplos de operaciones elementales:

Intercambio entre dos filas: las filas 1 y 3

Multiplicación de una fila por un escalar: la fila 2, se multiplica por 3

1.4.1. Matrices elementales

Ei (λ): es la matriz obtenida multiplicando (en la matriz identidad) la fila i por λ 6= 0.

Eij (λ): es la matriz obtenida sumándole a la fila i, la fila j multiplicada por λ.

EJEMPLO 1.4.1 Para la matriz I4 :

Considere ahora la matriz  

Si efectuamos el producto E31 (−4) A, obtenemos el mismo resultado de la operación elemental

Se tiene al respecto el siguiente teorema.