Escolar Documentos
Profissional Documentos
Cultura Documentos
Apuntes de
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.
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,
veronica.gruenberg@usm.cl
II
Índice general
Prefacio I
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
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
3.5. Ejercicios de Controles y Certámenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
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
4.5. Ejercicios de Controles y Certámenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
IV
ÍNDICE GENERAL
V
ÍNDICE GENERAL
VI
Capítulo 1
Matrices
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
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
3
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
n(n + 1)
es tr(A) = 1 + 2 + · + n = .
2
Igualdad de matrices: Dos matrices A y B son iguales si son del mismo orden y además
aij = bij ∀i, j.
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
Verónica Gruenberg Stern 1.1. CLASE 1: M ATRICES
a11 a12 · · · a1m αa11 αa12 · · · αam
a21 a22 · · · a2m αa21 αa22 · · · αa2m
α .. .. .. .. = .. .. .. ..
. . . . . . . .
an1 an2 · · · anm αan αa2n · · · αamn
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.
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
Se sigue que
! ! ! !
1 −1 1 −1 1 −1 1 −1
6=
2 1 0 1 0 1 2 1
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.
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
Verónica Gruenberg Stern 1.1. CLASE 1: M ATRICES
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
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).
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
7
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
1.2. CLASE 2
A = (aij ) ⇒ AT = (aji )
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
A se dice simétrica si AT = A
A se dice antisimétrica si AT = −A
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.
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
1. A + AT es simétrica
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
Ejercicios Propuestos
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
a) A2 + B 2
b) A2 − B 2
c) ABA
d) ABAB
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 .
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
4. Pruebe que si A es antisimétrica entonces los elementos de la diagonal principal son todos
igual a 0.
12
Verónica Gruenberg Stern 1.4. CLASE 4: O PERACIONES E LEMENTALES Y M ATRICES E LEMENTALES
−7 −6 9 2 0 −1
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
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.
13
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
Verónica Gruenberg Stern 1.4. CLASE 4: O PERACIONES E LEMENTALES Y M ATRICES E LEMENTALES
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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:
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.
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
Verónica Gruenberg Stern 1.4. CLASE 4: O PERACIONES E LEMENTALES Y M ATRICES E LEMENTALES
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.
0 −6 15
0 −6 15 0 −6 15 0 −6 15 0 0 0
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?
17
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
Ejercicios Propuestos
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
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
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
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
x1 + 2x2 = 4
x2 − x3 = 0
x1 + 2x3 = 4
19
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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].
OBSERVACIÓN:
Sea AX = [0] un sistema homogéneo. Entonces:
2. Si C ∈ Mm×n (R) es tal que C ∼ A, entonces los sistemas AX = [0] y CX = [0] tienen las
mismas soluciones.
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
E1 E2 · · · Ek A = C
20
Verónica Gruenberg Stern 1.5. CLASE 5: S ISTEMAS DE ECUACIONES LINEALES
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.
0 0 2 z 3
x + 2y = 1
−y + 2z = 2
2z = 3
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
x1 + 2x2 = 4
x2 − x3 = 0
x1 + 2x3 = 4
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.
1 −1 2 z 0
1 −1 2 0
22
Verónica Gruenberg Stern 1.5. CLASE 5: S ISTEMAS DE ECUACIONES LINEALES
1 −1 2 0 0 0 2 − 12
0 0 2 z − 12
Ejercicios propuestos
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
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).
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
Verónica Gruenberg Stern 1.5. CLASE 5: S ISTEMAS DE ECUACIONES LINEALES
ax + y = a2
8. a) Resuelva el sistema
x + ay = 1
ax + y = a3
b) Resuelva el sistema
x + ay = 1
x + ay + 3z = 2
x + (2a − 1)y + 2z = 2
x + ay + (a + 4)z = 2a + 4
ax + y + z = 1
x + ay + z = 1
x + y + az = −2
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
1 3
+ − 2z = 0
x y
4 3
− + z = 2
x y
25
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
OBSERVACIÓN:
No todas las matrices son invertibles. Por ejemplo, si consideramos las matrices
! !
1 3 2 2
A= B=
1 1 1 1
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.
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
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
Se sigue que
4
5 − 53 − 25
A−1 = 2
− 54 − 15
5
− 15 2
5
3
5
TEOREMA 1.6.2 Una matriz cuadrada A de orden n es invertible si, y solo si, ρ(A) = n.
Ejercicios Propuestos
a) ABC es invertible
b) (ABC)−1 = C −1 B −1 A−1
3 1 0 1 1 0
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
a 0 b 0
0 a 0 b
A=
b 0 a 0
0 b 0 a
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
C13 = (−1)1+3 M13 = (−1)4 15 = 15, C21 = (−1)2+1 M21 = (−1)3 25 = −25
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|.
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
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
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
31
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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).
DEFINICIÓN 1.7.3 La adjunta de una matriz A, denotada por adj(A), es definida por
adj(A) = C T
32
Verónica Gruenberg Stern 1.7. CLASE 7: D ETERMINANTES
−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
y concluimos que
1
det(A−1 ) =
det(A)
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
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
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
Verónica Gruenberg Stern 1.7. CLASE 7: D ETERMINANTES
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
−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
35
Verónica Gruenberg Stern
C APÍTULO 1. M ATRICES
−2 3 1
1 2 4
−2 −1 −3 −8
x3 = = =4
|A| −2
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.
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
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
37
C APÍTULO 1. M ATRICES Verónica Gruenberg Stern
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
38
Capítulo 2
Vectores en Rn
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 .
→
− →
− →
−
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
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
k→
−
v = (kv1 , kv2 , . . . , kvn )
OBSERVACIÓN: Si →
−
v = (v1 , v2 , v3 ) ∈ R3 entonces podemos escribir
→
− →
− →
− →
−
v = v1 i + v2 j + v3 k
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
El producto punto (o producto escalar) es una operación entre vectores cuyo resultado un escalar.
n
→
−
v ·→
−
w ≡ h→
−
v ,→
−
X
wi ≡ v i wi
i=1
EJEMPLOS:
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)
41
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
n
!1/2
√
vk= →
k→
− −
v ·→
−
X
v = vi2
i=1
d (→
−
v ,→
−
w ) = k→
−
v −→
−
wk
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
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
Verónica Gruenberg Stern 2.1. CLASE 8: V ECTORES EN EL PLANO Y EN EL ESPACIO
5. Sean →
−
u,→
−
v ∈ Rn . Luego, ∀t ∈ R:
kt→
−
u −→
− 2
v k ≥ 0, es decir:
n n n
! ! !
X X X
u2i t2 − 2 ui vi t + vi2 ≥ 0
i=1 i=1 i=1
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
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.
→
−
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
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
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
k→
−
v −→
−
w k = (→−
v −→ −
w ) · (→
−
v −→
−
2
w)
= k→
−
v k + k→ −
w k − 2→
−
v ·→
−
2 2
w
→
−
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
→
−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
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
Verónica Gruenberg Stern 2.1. CLASE 8: V ECTORES EN EL PLANO Y EN EL ESPACIO
→
− →
− →
− →
−
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: El vector →
−
u ×→
−
v es perpendicular a →
−
u y→
−
v . Note que en dos dimensiones esto no
tiene sentido.
45
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
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
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
Verónica Gruenberg Stern 2.1. CLASE 8: V ECTORES EN EL PLANO Y EN EL ESPACIO
[(→
−
u +→
−
v ) × (2→
−
u −→
−
v )] · →
−
u
(→
−u +→−
v ) × (2→
−u −→ −
v)
= (→
−u +→−
v ) × (2→
−u ) + (→
−
u +→
−
v ) × (−→
−v)
= →
−u × (2→
−
u)+→ −v × (2→−u)+→
−
u × (−→ −
v)+→−
v × (−→
−
v)
= 2 (→
−
u ×→ −
u ) + 2 (→
−
v ×→−
u ) − (→
−
u ×→
−
v ) − (→
−
v ×→
−
v)
→
− →
− →
− →
−
= 0 + 2( v × u) − (u × v ) + 0
= −3 (→
−
u ×→
−
v)
Luego
[(→
−
u +→
−
v ) × (2→
−
u −→
−
v )] · →
−
u = (−3 (→
−
u ×→
−
v )) · →
−
u = 0
(→
−
v ·→
−
w ) + k→
− w k = k→
v ×→
− −
v k k→
2 2 2 − 2
wk
Dem.: Ejercicio.
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
k→
−
v ×→
−
w k = k→
−
v k k→
−
w k |sen θ|
47
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
EJERCICIOS:
k→
−
u ×→−
vk
A=
2
48
Verónica Gruenberg Stern 2.2. CLASE 9: G EOMETRÍA DEL P LANO Y EL E SPACIO
2.2.1. Proyecciones
−
→
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
49
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
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
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.
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
Verónica Gruenberg Stern 2.2. CLASE 9: G EOMETRÍA DEL P LANO Y EL E SPACIO
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 )
→
− →
−
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
51
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
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.
EJEMPLO 2.2.2 Determine la ecuación del plano que pasa por los puntos
Π1 = a1 x + b1 y + c1 z + d1 = 0 y Π2 = a2 x + b2 y + c2 z + d2 = 0
se tiene:
2. Π1 ⊥ Π2 ⇐⇒ (a1 , b1 , c1 ) · (a2 , b2 , c2 ) = 0
52
Verónica Gruenberg Stern 2.2. CLASE 9: G EOMETRÍA DEL P LANO Y EL E SPACIO
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 2.2.5 (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
se cortan.
t1 = 3 y r1 = −2
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
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
→
− →
− →
−
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)
3. Hallar la ecuación del plano que pasa por (3, −1, 2) y es paralelo al plano 2x+4y −3z +10 = 0
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
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
Verónica Gruenberg Stern 2.2. CLASE 9: G EOMETRÍA DEL P LANO Y EL E SPACIO
1
(x + y − 2) − (y + 3z − 8) = 0 ⇐⇒ 2x + y − 3z + 4 = 0
2
5. Considere
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,
55
Verónica Gruenberg Stern
C APÍTULO 2. V ECTORES EN Rn
|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
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
→
− →
−
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)
56
Verónica Gruenberg Stern 2.3. E JERCICIOS DE C ONTROLES Y C ERTÁMENES
~a × ~b = ~0 ∧ ~a · ~b = ~0 =⇒ ~a = ~0 ∨ ~b = ~0
3.
57
C APÍTULO 2. V ECTORES EN Rn Verónica Gruenberg Stern
58
Capítulo 3
Espacios Vectoriales
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
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
59
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
EJEMPLOS:
Este espacio vectorial se identifica, geométricamente, con el plano cartesiano, y sus elementos
son los vectores en (R2 , +, ·).
Este espacio vectorial se identifica, geométricamente, con el espacio cartesiano, y sus elemen-
tos son los vectores en (R3 , +, ·).
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
α · u = (αu1 , αu2 , . . . , αun )
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.
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
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:
61
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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:
x ∗ y = xy, α • x = xα , ∀x, y ∈ R+ , ∀α ∈ 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.
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
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.
63
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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.
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
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:
65
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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 .
Gráficamente, este espacio vectorial se representa por una recta en el plano, en la misma
dirección que el vector (1, −2).
Debido a la analogía con el ejemplo anterior (4.-), este espacio vectorial recién descrito se
denomina recta vectorial, con dirección u0 .
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
1. W1 ∩ W2 ≤ V.
Dem.:
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
OBSERVACIÓN:
67
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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:
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
4. Muestre que S ⊕ T = Mn×n (R), donde S y T son los subespacios de los ejercicios anterio-
res.
68
Verónica Gruenberg Stern 3.3. CLASE 12: E SPACIO G ENERADO . I NDEPENDENCIA LINEAL
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 = α+β+γ
2 = β+γ
−3 = γ
0 = α+β
2 = α+β
−3 = β
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.
69
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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
EJEMPLOS:
D E
1. Si W = {(x, y) ∈ R2 : (x, y) = α · (1, −2), α ∈ R} entonces W = (1, −2) .
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
Verónica Gruenberg Stern 3.3. CLASE 12: E SPACIO G ENERADO . I NDEPENDENCIA LINEAL
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
EJERCICIOS:
1. Caracterizar el espacio generado por los vectores (0, 1, 2) , (−1, 3, −1) y (2, −11/2, 3)
71
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
OBSERVACIÓN:
1. También se dice que los vectores u1 , u2 , · · · , un son l.i. ó l.d., según corresponda.
Sin embargo, la implicancia ⇐ es obvia (condición «necesaria»), por lo que preferimos enfa-
tizar la condición «suficiente» ⇒.
EJEMPLOS:
de donde se concluye que α1 = 0, α2 = 0. Es decir, los vectores (1, 0), (0, 1) son l.i.
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
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
Verónica Gruenberg Stern 3.3. CLASE 12: E SPACIO G ENERADO . I NDEPENDENCIA LINEAL
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.
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.
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 ?
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
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
1. G(B) = V
2. B es l.i.
EJEMPLOS:
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.
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.
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.
75
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
EJERCICIOS:
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
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 .
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
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.
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
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
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
Verónica Gruenberg Stern 3.5. E JERCICIOS DE C ONTROLES Y C ERTÁMENES
3.
79
C APÍTULO 3. E SPACIOS V ECTORIALES Verónica Gruenberg Stern
80
Capítulo 4
Diagonalización
u1 = α1 eλt
u2 = α2 eλt
81
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
de donde ! ! !
7 −4 α1 α1
=λ
5 −2 α2 α2
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.
(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:
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
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
−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
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
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
!
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
λ2 − 5λ + 6 = 0
84
Verónica Gruenberg Stern 4.1. CLASE 14: VALORES Y V ECTORES P ROPIOS
Wλ = {x ∈ Rn : Ax = λx}
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 .
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
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
! ! !
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
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
Verónica Gruenberg Stern 4.1. CLASE 14: VALORES Y V ECTORES P ROPIOS
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:
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
−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
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
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 (A − λI)
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]
88
Verónica Gruenberg Stern 4.2. CLASE 15: D IAGONALIZACIÓN
de donde
AP = P D
Si ponemos h i
P = v1 v2 · · · vn
y h i
PD = λ1 v1 λ2 v2 · · · λn vn
TEOREMA 4.2.1 Una matriz es diagonalizable si y solo si el espacio tiene una base de vectores
propios de la matriz. En tal caso podemos obtener una matriz que diagonaliza a A poniendo los
vectores de tal base como columnas de la matriz P .
−8 8 5
−2 0 1
89
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
1 1 1
Como los vectores propios 2 , 1 , 0 son L.I., la matriz es diagonalizable y
−2 0 1
−1
1 1 1 1 −4 −4 1 1 1 1 0 0
2 1 0 8 −11 −8 2 1 0 = 0 −3 0
−2 0 1 −8 8 5 −2 0 1 0 0 −3
TEOREMA 4.2.2 Para cada valor propio se cumple que la multiplicidad geométrica es menor igual
que la multiplicidad algebraica.
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.
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.
−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
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
Ax = λx ⇒ Ax = λx
91
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
→
−
y como x 6= 0 se sigue que λ = λ, es decir, λ ∈ R.
= 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:
G ({x1 , x2 , . . . , xk }) = G ({y1 , y2 , . . . , yk })
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
Verónica Gruenberg Stern 4.3. CLASE 16: A PLICACIÓN : FORMA CANÓNICA DE CUADRÁTICAS
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
1 1 0
93
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
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
F (→
−
x ) = (→
−
x ) A (→
−
T
x)
94
Verónica Gruenberg Stern 4.3. CLASE 16: A PLICACIÓN : FORMA CANÓNICA DE CUADRÁTICAS
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.
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
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
n
X
F (y1 , y2 , . . . , yn ) = λi yi2
i=1
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.
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
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
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:
utilizando una matriz V tal que det V = 1, garantizando así que es una matriz de rotación.
97
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
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
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
98
Verónica Gruenberg Stern 4.4. CLASE 17: A PLICACIÓN : S ECCIONES CÓNICAS ROTADAS
! !
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
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
99
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
x0 = r cos ϕ y 0 = r sen ϕ
x = r cos(ϕ + θ) y = r sen(ϕ + θ)
o, equivalentemente,
x = x0 cos θ − y 0 sen θ
y = x0 sen θ + y 0 cos θ
100
Verónica Gruenberg Stern 4.4. CLASE 17: A PLICACIÓN : S ECCIONES CÓNICAS ROTADAS
!
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.
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 +
D0 = D cos θ + E sen θ
E0 = −D sen θ + E cos θ
F0 = F
101
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
⇐⇒ (C − A) sen(2θ) + 2B cos(2θ) = 0
A−C
⇐⇒ cotg (2θ) =
2B
(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:
(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.
102
Verónica Gruenberg Stern 4.5. E JERCICIOS DE C ONTROLES Y C ERTÁMENES
2.
3.
103
C APÍTULO 4. D IAGONALIZACIÓN Verónica Gruenberg Stern
104
Capítulo 5
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.
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
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
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:
x : N −→ R
n → xn = a1 rn−1
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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
108
Verónica Gruenberg Stern 5.1. CLASE 18: S UCESIONES
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 · · ·
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
109
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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.
a2 = 1 + d
entonces
a2n = (1 + d)n ≥ 1 + nd (desigualdad de Bernoulli)
m ≤ xn
para todo n ∈ N. (Un razonamiento similar al anterior muestra que la existencia de tal
m lleva a una contradicción).
110
Verónica Gruenberg Stern 5.1. CLASE 18: S UCESIONES
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
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.
111
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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 , . . . )
x1+2+3+···+n = n
de donde
x n(n+1) = n
2
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
OBSERVACIÓN:
DEFINICIÓN 5.2.2 Una sucesión que posee límite se dirá convergente; en caso contrario se dice
divergente.
EJEMPLOS:
113
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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
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
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
Verónica Gruenberg Stern 5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
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→∞
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
|L1 − L2 | = |L1 − xn + xn − L2 |
≤ |xn − L1 | + |xn − L2 |
< 2ε
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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
n4 3 + n23 + n14 2 1
3n4 + 2n + 1 3+ n3
+ n4
= =
2n4 + 1 n4 2 + n14 1
2+ n4
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
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
Verónica Gruenberg Stern 5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
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→∞
lı́m (xn + yn ) = +∞
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
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
EJEMPLOS:
x2n = 1 y x2n−1 = −1
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
El siguiente teorema nos dice que para “n grandes” los términos de la sucesión permanecen
“cerca”del límite
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
Verónica Gruenberg Stern 5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
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
|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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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.
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
xn0 ≤ xn
de donde
l − ε < xn0 ≤ xn
120
Verónica Gruenberg Stern 5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
l − ε < xn < l + ε ∀n ≥ n0
(recordar que el supremo no tiene porque pertenecer al conjunto). Se deja de ejercicio mostrar el
caso decreciente y acotada inferiormente.
EJEMPLOS:
n
X 1
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.
Solución: Notemos que a1 < a2 y a2 < a3 . Se puede demostrar por inducción 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,
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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
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→∞
122
Verónica Gruenberg Stern 5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
3. Calcular
n
X 1
lı́m √
n→∞
i=1
n2 + i
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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.
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.
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).
124
Verónica Gruenberg Stern 5.3. CLASE 20: S ERIES N UMÉRICAS
o equivalentemente
∀k ∈ N : ak = Sk − Sk−1
Por simplicidad utilizaremos la sugerente notación histórica para una serie ((ak ) , (Sn ))
+∞
X
ak ≡ ((ak ) , (Sn ))
k=1
OBSERVACIÓN:
Si ((ak ) , (Sn )) es una serie, cada una de las sucesiones que la conforma determina la otra.
+∞
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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→∞
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→+∞
∞
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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
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.
∞
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
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→∞
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
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
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
∞
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
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
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
Verónica Gruenberg Stern 5.4. C RITERIOS DE CONVERGENCIA DE S ERIES
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.
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.
∞ ∞
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
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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
132
Verónica Gruenberg Stern 5.4. C RITERIOS DE CONVERGENCIA DE S ERIES
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
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
133
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
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.
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
EJERCICIOS:
∞
X xn + 2x2n
2. ¿Para qué valores x ∈ R es convergente la serie ?
n
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 |
135
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
∞
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
137
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
∞
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
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
Verónica Gruenberg Stern 5.6. E JERCICIOS DE C ONTROLES Y C ERTÁMENES
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.
2.
3.
139
C APÍTULO 5. S UCESIONES Y S ERIES N UMÉRICAS Verónica Gruenberg Stern
140
Capítulo 6
Series 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.
+∞
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
+∞
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
+∞
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.
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:
+∞ +∞ 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
C APÍTULO 6. S ERIES DE P OTENCIAS Verónica Gruenberg Stern
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
+∞
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
Verónica Gruenberg Stern 6.1. CLASE 22: S ERIES DE P OTENCIAS
+∞
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
+∞
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.
145
C APÍTULO 6. S ERIES DE P OTENCIAS Verónica Gruenberg Stern
+∞ 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
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
Verónica Gruenberg Stern 6.1. CLASE 22: S ERIES DE P OTENCIAS
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
EJERCICIOS:
1
1. Expresar en serie de potencias con centro en 1.
1−x
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
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
C APÍTULO 6. S ERIES DE P OTENCIAS Verónica Gruenberg Stern
f (x) − f (x0 )
f 0 (x) = lı́m
x→x0 x − x0
esto significa que para x ∼ 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.
EJEMPLOS:
x2 x3 x4 x5
∴ P5 (x) = 1 + x + + + +
2! 3! 4! 5!
x2 x3 x4 xn
Pn (x) = x − + − + . . . + (−1)n−1
2 3 4 n
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
con
f (n+1) (tx )
rn (x) = (x − x0 )n+1
(n + 1)!
OBSERVACIÓN: (note que es una generalización del Teorema del Valor Medio)
4 1
∴ < n≥6
(n + 1)! 1000
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
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
C APÍTULO 6. S ERIES DE P OTENCIAS Verónica Gruenberg Stern
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.
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
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→+∞
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
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
C APÍTULO 6. S ERIES DE P OTENCIAS Verónica Gruenberg Stern
∞
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
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
Verónica Gruenberg Stern 6.4. E JERCICIOS DE C ONTROLES Y C ERTÁMENES
3.
153