Resumen Complemento Mat022 USM

Coordinacin de Matemtica II (MAT022)
Primer semestre de 2011

Semana 1: Lunes 07 viernes 11 de Marzo
COMPLEMENTO
Clase 1: Matrices. lgebra Bsica de Matrices
Clase 2: Tipos (bsicos) de matriz: Simtrica, antisimtrica. Transpuesta de una matriz.
Caracterizacin.
Contenidos
CLASE 1
1.1 Matrices
Denicin 1.1. Una matriz de orden n m (se lee n las por m columnas) es un arreglo rectangular de la forma
_
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1m
a
21
a
22
a
23
a
2m
a
31
a
32
a
33
a
3m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nm
_
_
_
_
_
_
_
_
Cada uno de los elementos del arreglo a
i j
es llamada entrada, elemento o coeciente de la matriz.
Observacin 1.1. Denotaremos las matrices por letras maysculas A, B, C o tambin en la forma
_
a
i j
_
nm
,
_
b
i j
_
nm
Observacin 1.2. Los elementos de una matriz pueden pertenecer a cualquier conjunto numrico en particular a o
. Denotaremos por
nm
() (n m, ) al conjunto de todas las matrices de orden n m con coecientes reales,
de manera similar
nm
() (n m, ) denota el conjunto de todas las matrices de orden n m con coecientes
complejos.
Universidad Tcnica Federico Santa Mara
Departamento de Matemtica
Ejemplo 1.1. Construir la matriz A =
_
a
i j
_
33
=
_
i +j
_
33
Ejemplo 1.2.
_
1 2 1i
i 0 3
_
23
()
Denicin 1.2. Una matriz de orden n 1 se llama matriz columna o vector columna, estos tienen la forma
_
_
_
_
_
_
a
11
a
21
.
.
.
a
n1
_
_
_
_
_
_
De manera similar una matriz de orden 1m es llamada matriz la o vector la y tiene la forma
_
a
11
a
12
a
13
a
1m
_
Denicin 1.3. A la matriz
_
a
i j
_
nm
tal que a
i j
= 0 para todo i , j es llamada matriz nula de orden n m y es denotada
por [0]
nm
[0]
nm
=
_
_
_
_
_
_
0 0 0
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
Observacin 1.3. A las matrices de orden n n (igual numero de las y columnas) se les denomina matrices cuadradas
de orden n.
Denicin 1.4. Sea A una matriz cuadrada A =
_
a
i j
_
nn
. Los coecientes a
i i
para i = 1, 2, . . . , n forman la diagonal
principal de la matriz. La diagonal secundaria de A son los elementos de la forma a
i ,n+1i
para i =1, 2, . . . , n
Diagonal principal :
_
_
_
_
_
_
a
11
a
22
.
.
.
a
nn
_
_
_
_
_
_
Diagonal secundaria :
_
_
_
_
_
a
1n
a
n1,2
a
n1
_
_
_
_
_
Denicin 1.5. Una matriz cuadrada en la cual los elementos fuera de la diagonal son todos nulos es llamada matriz
diagonal (los elementos de la diagonal no necesariamente son distintos de cero)
Matriz diagonal:
_
_
_
_
_
_
_
_
_
a
11
0 0 0
0 a
22
0 0
0 0 a
33

.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0 0 a
nn
_
_
_
_
_
_
_
_
_
MAT022 (Complemento) 2
Un tipo muy importante de matriz diagonal, es aquella matriz cuadrada que tiene todos los elementos de la diagonal
principal igual a 1, esta matriz es llamada Matriz identidad de orden n. Esta matriz es denotada por I
n
.
Ejemplo 1.3.
I
2
=
_
1 0
0 1
_
I
3
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
Denicin 1.6. Si una matriz cuadrada de orden n es tal que todos sus elementos que estan encima de su diagonal
principal son todos ceros (no importan los dems) 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 ceros.
Matriz triangular inferior:
_
_
_
_
_
_
_
_
_
_
a
11
0 0 0
a
21
a
22
0
.
.
. 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
a
n1
a
n2
a
n3
a
nn
_
_
_
_
_
_
_
_
_
_
Matriz triangular superior:
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1n
0 a
22
a
23
.
.
. a
2n
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 a
nn
_
_
_
_
_
_
_
_
_
_
Denicin 1.7. Dada una matriz cuadrada
A =
_
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1n
a
21
a
22
a
23
a
2n
a
31
a
32
a
33
a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nn
_
_
_
_
_
_
_
_
llamaremos traza de A a la suma de los elementos de la diagonal principal, es decir, t r (A) =a
11
+a
22
+ +a
nn
=
n
i =1
a
i i
Ejemplo 1.4. Calcular la traza de la matriz
A
n
=
_
_
_
_
_
_
_
_
1 0 0 0
1 2 0 0
1 2 3 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 2 3 n
_
_
_
_
_
_
_
_
1.1.1 Operatoria con matrices
Igualdad de matrices: Dos matrices A y B son iguales si son del mismo orden y adems a
i j
=b
i j
.
Ejemplo 1.5. Encontrar los valores de las incgnitas si se tiene
_
x +1 0
x
2
1
_
=
_
2 a
b d
_
Suma de matrices: Si A =
_
a
i j
_
nm
y B =
_
b
i j
_
nm
se dene A +B =
_
a
i j
+b
i j
_
nm
es decir:
_
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
_
+
_
_
_
_
_
_
b
11
b
12
b
1m
b
21
b
22
b
2m
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
b
nm
_
_
_
_
_
_
=
_
_
_
_
_
_
a
11
+b
11
a
12
+b
12
a
1m
+b
1m
a
21
+b
21
a
22
+b
22
a
2m
+b
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
+b
n1
a
n2
+b
n2
a
nm
+b
nm
_
_
_
_
_
_
Ejemplo 1.6.
_
1 2 1
0 2 3
_
+
_
1 1 2
3 1 1
_
=
_
0 3 1
3 3 4
_
Observacin 1.4. t r (A +B) =t r (A) +t r (B).
Multiplicacin por escalar: Si A =
_
a
i j
_
nm
y o entonces A =
_
a
i j
_
nm
=
_
a
i j
_
nm
es decir
_
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
_
=
_
_
_
_
_
_
a
11
a
12
a
m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n
a
2n
a
mn
_
_
_
_
_
_
Producto de matrices: Sea = . Sean A (n m, ) y B
_
m p,
_
la matriz producto C =A B es la
matriz de orden n p dada por
_
c
i j
_
np
donde
c
i j
=
m
k=1
a
i k
b
k j
es decir para obtener el elemento c
i j
del producto se ja la la i de A y la columna j de B y se forma el elemento
anterior, se dice que el producto de matrices es las por columnas.
1.1.2 Propiedades de las operaciones matriciales
Sean A, B, C matrices (con rdenes tales que las operaciones consideradas pueden ser aplicadas) y a, escalares:
1. A +B = B +A 8. 1A =A
2. (A +B) +C =A + (B +C) 9. (AB)C =A (BC)
3. A + [0] =A 10. A (B +C) =AB +AC
4. A + (1) A = [0] 11. (A +B)C =AC +BC
5. (A +B) =A +B 12. (AB) = (A) B =A (B)
6.
_
+
_
A =A +A 13. A
nm
I
n
A =A =AI
m
7.
_
A
_
=
_
_
A
Observacin 1.5. Es muy importante notar que el producto matricial no es conmutativo incluso uno de los productos
puede no estar denido. Si consideramos A
23
y B
34
entonces AB esta denida y tiene orden 2 4,notar que
BA no esta denido.
Ejemplo 1.7.
_
1 1
2 1
__
1 1
0 1
_
=
_
1 2
2 1
_
_
1 1
0 1
__
1 1
2 1
_
=
_
1 2
2 1
_
se sigue
_
1 1
2 1
__
1 1
0 1
_
=
_
1 1
0 1
__
1 1
2 1
_
Observacin 1.6. En matrices la ecuacin AX = B con A = [0] y B matrices dadas no siempre tiene solucin, considere
_
1 1
0 0
_
X =
_
1 1
1 1
_
Si X tiene orden n m para que este bien denido el producto se ha de tener n =2 el resultado seria de orden 2m pero
sabemos que es de orden 22 luego m =2. Pongamos entonces
X =
_
a b
c d
_
entonces
_
1 1
0 0
__
a b
c d
_
=
_
a +c b +d
0 0
_
=
_
1 1
1 1
_
de inmediato esto no puede ser pues 0 =1.
Observacin 1.7. En matrices no es verdad que AB = [0] implique A = [0] B = [0] en efecto
_
0 1
0 0
__
0 1
0 0
_
=
_
0 0
0 0
_
CLASE 2
2.1 Matriz transpuesta
Denicin2.1. Sea A (n m, ), A =
_
a
i j
_
con = . La matriz transpuesta de A es la matriz A
T
(m n, )
obtenida intercambiando las las y columnas de la matriz A. Es decir, la i-sima la de A pasa a ser la i-sima columna de
A
T
.
Esto signica:
A =
_
_
_
_
_
_
a
11
a
12
a
13
a
1m
a
21
a
22
a
23
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nm
_
_
_
_
_
_
nm
A
T
=
_
_
_
_
_
_
_
_
a
11
a
21
a
n1
a
12
a
22
a
n2
a
13
a
23
a
n3
.
.
.
.
.
.
.
.
.
.
.
.
a
1m
a
2m
a
nm
_
_
_
_
_
_
_
_
mn
Ejemplo 2.1. Si
A =
_
1 2 0
5 7 4
_
entonces
A
T
=
_
1 2 0
5 7 4
_
T
=
_
_
_
1 5
2 7
0 4
_
_
_
Observacin 2.1. De la denicin de transpuesta podemos concluir: Si A =
_
a
i j
_
con i = 1, 2, . . . , n y j = 1, 2, . . . , m
entonces A
T
=
_
a
T
i j
_
con i =1, 2, . . . , m y j =1, 2, . . . , n donde
a
T
i j
=a
j i
para todo i =1, 2, . . . , m y j =1, 2, . . . , n.
Proposicin 2.1. Sea ,n ,A y B matrices con rdenes apropiados para que las operaciones estn bien denidas, se
tiene:
1.
_
A
T
_
T
=A
2. (A +B)
T
=A
T
+B
T
3. (A)
T
=
_
A
T
_
4. (AB)
T
= B
T
A
T
5. (A
n
)
T
=
_
A
T
_
n
Observacin 2.2. Se sugiere intentar vericar algunas de las propiedades anteriores.
Denicin 2.2. Sea A una matriz cuadrada:
A se dice simtrica si A
T
=A
A se dice antisimtrica si A
T
=A
Ejemplo 2.2. La matriz
A =
_
_
_
1 0 3
0 2 1
3 1 0
_
_
_
es simtrica y
B =
_
_
_
0 3 1
3 0 2
1 2 0
_
_
_
es antisimtrica.
Observacin 2.3. Por un asunto de orden de las matrices involucradas en las de nociones anteriores, vemos que tienen
sentido, slo si A es cuadrada, y por ende, tambin A
T
es cuadrada.
Proposicin 2.2. Sean A y B matrices simtricas del mismo orden:
1. A +B es simtrica
2. Si entonces A es simtrica
Proposicin 2.3. Si A es una matriz cuadrada entonces:
1. A +A
T
es simtrica
2. AA
T
y A
T
A son matrices simtricas
3. A A
T
es antisimtrica
Observacin 2.4. De las proposiciones anteriores podemos mostrar que una toda matriz cuadrada se puede descom-
poner en una parte simtrica y otra antisimtrica en la forma
A =
_
A +A
T
2
_
+
_
A A
T
2
_
adems esta descomposicin es nica.
Proposicin 2.4. Si A es una matriz antisimtrica su diagonal principal tiene solamente ceros. En efecto, de A
T
+A = 0 se
sigue
a
i i
+a
i i
=0 a
i i
=0 para cada i
2.1.1 Ejercicios de operatoria bsica
1. Considere la matriz B =
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_calcular B, B
2
, B
4
.
2. Sean A =
_
1 1 2
0 3 4
_
, B =
_
4 0 3
1 1 3
_
, C =
_
_
_
2 3 0 1
5 1 4 2
1 0 0 3
_
_
_y D =
_
_
_
2
1
3
_
_
_
Calcular
A +B, 3A 4B, AC, BD, A
T
, C
T
B
T
3. Sean A =
_
_
_
1 2 0
1 1 0
1 4 0
_
_
_, B =
_
_
_
1 2 3
1 1 1
2 2 2
_
_
_y C =
_
_
_
1 2 3
1 1 1
1 1 1
_
_
_
verique que AB =AC Qu concecuencia obtiene de esto?
4. Determine x tal que
_
x 4 1
_
_
_
_
2 1 0
1 0 2
0 2 4
_
_
_
_
_
_
x
4
1
_
_
_=0
5. Qu condiciones deben vericar a, b, c y d para que las matrices
_
a b
c d
_
,
_
1 1
1 1
_
conmuten respecto al
producto?
6. Determine 2A
2
+AB si A = (i )
33
y B =
_
j
_
33
.
7. Hallar una matriz A de orden 22 tal que A
2
=I
8. Hallar una matriz A de orden 22,A=0 tal que A
2
=0
9. Hallar una matriz A no nula, tal que A
2
=0 y A
3
=0
10. Probar que t r (AB) =t r (BA)
11. Sean A y B matrices simtricas. Determine si las siguientes son o no simtricas
(a) A
2
+B
2
(b) A
2
B
2
(c) ABA
(d) ABAB
12. Sea
S =
_
_
_
_
_
_
_
_
_
_
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 1
0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
nn
(a) Determinar S
n
para n
(b) Si A es una matriz de orden n n encontrar una regla para calcular SA y AS.
Semana 2: Lunes 14 viernes 18 de Marzo
COMPLEMENTO
Clase 1: Matrices y operaciones elementales. Rango.
Clase 2: Notacin matricial de sistemas de ecuaciones lineales. Resolucin de sistemas de
ecuaciones lineales por eliminacin Gaussiana.
Contenidos
CLASE 1
1.1 Operaciones elementales y Matrices elementales
Denicin 1.1. En una matriz podemos realizar tres tipos de operaciones elementales por la:
(1) Intercambiar (permutar) dos de sus las.
(2) Multiplicar una la (es decir cada coeciente de la correspondiente la) por una constante distinta de cero.
(3) Sumar el mltiplo de una la a otra la
Ejemplo 1.1. Ejemplos de operaciones elementales:
Intercambio entre dos las: las las 1 y 3
_
_
_
2 0 1
5 4 3
7 6 9
_
_
_
_
_
_
7 6 9
5 4 3
2 0 1
_
_
_
Multiplicacin de una la por un escalar: la la 2, se multiplica por 3
_
_
_
4 0 1
5 4 3
2 8 9
_
_
_
_
_
_
4 0 1
15 12 9
2 8 9
_
_
_
Adicin del mltiplo de una la a otra la: Multiplicamos la la 2 por 2 y se la sumamos a la la 3
_
_
_
1 0 1
1 0 2
3 8 9
_
_
_
_
_
_
1 0 1
1 0 2
5 8 5
_
_
_
1.2 Matrices elementales
Denicin 1.2. Una matriz elemental es una matriz que resulta al efectuar una operacin elemental sobre la matriz
identidad I
n
Dado que existen tres tipos de operaciones elementales, existirn entonces tres tipos de matrices elementales; usare-
mos la notacin siguiente:
E
i j
Es la matriz elemental obtenida intercambiando (en la matriz identidad) la la i con la la j
E
i
() Es la matriz obtenida multiplicando (en la matriz identidad) la la i por =0
E
i j
() Es la matriz obtenida sumndole a la la i , la la j multiplicada por
Ejemplo 1.2. Para la matriz I
4
:
1. E
24
=
_
_
_
_
_
1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
_
_
_
_
_
2. E
3
(2) =
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
_
_
_
3. E
31
(4) =
_
_
_
_
_
1 0 0 0
0 1 0 0
4 0 1 0
0 0 0 1
_
_
_
_
_
Considere ahora la matriz
A =
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
Note que si multiplicamos esta matriz por la matriz elemental E
24
por la izquierda, esto es, efectuamos el producto
E
24
A, obtenemos la matriz
E
24
A =
_
_
_
_
_
1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
_
_
_
_
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
=
_
_
_
_
_
1 2 1 0
0 2 3 4
3 1 0 5
2 5 6 4
_
_
_
_
_
que es lo mismo que haber efectuado sobre la matriz A la operacin elemental, intercambiar la la 2 con la la 4.
Si efectuamos el producto E
3
(2) A, obtenemos
E
3
(2) A =
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
=
_
_
_
_
_
1 2 1 0
2 5 6 4
6 2 0 10
0 2 3 4
_
_
_
_
_
que es lo mismo que se obtiene al realizar sobre la matriz A la operacin elemental, la la 3 la multiplicamos por -2.
Si efectuamos el producto E
31
(4) A, obtenemos el mismo resultado de la operacin elemental sobre A, la la 1 la
multiplicamos por -4 y se la sumamos a la la 3.
E
31
(4) A =
_
_
_
_
_
1 0 0 0
0 1 0 0
4 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
=
_
_
_
_
_
1 2 1 0
2 5 6 4
7 9 4 5
0 2 3 4
_
_
_
_
_
Se tiene al respecto el siguiente teorema.
Teorema 1.1. Sea E la matriz elemental obtenida al efectuar una operacin elemental por la sobre la matriz I
n
. Si la
misma operacin elemental se realiza sobre una matriz A de orden n m, el resultado es el mismo que el del producto E A.
Denicin 1.3. Diremos que las matrices A y B son equivalentes por las si existe una sucesin de operaciones elemen-
tales por las que convierte la matriz A en la matriz B. En tal caso pondremos A B
Como hemos visto, realizar una operacin elemental sobre una matriz es equivalente a multiplicar por la izquierda esa
matriz por una matriz elemental; para efectos de nuestros clculos haremos directamente la operacin elemental sobre
la correspondiente matriz, y la anotamos de la manera que muestra el ejemplo siguiente:
Ejemplo 1.3.
_
_
_
1 0 1
2 4 0
3 4 6
_
_
_
E
21
(2)
_
_
_
1 0 1
0 4 2
3 4 6
_
_
_
E
31
(3)
_
_
_
1 0 1
0 4 2
0 4 9
_
_
_
E
32
(1)
_
_
_
1 0 1
0 4 2
0 0 7
_
_
_
En este caso las matrices
_
_
_
1 0 1
2 4 0
3 4 6
_
_
_y
_
_
_
1 0 1
0 4 2
0 0 7
_
_
_son equivalentes (por la).
Observacin 1.1. Un desarrollo anlogo permite denir operaciones elementales columna.
Denicin 1.4. Una matriz se encuentra en forma escalonada por las si satisface las siguientes propiedades:
Cualquier la que se componga enteramente de ceros se ubica en la parte inferior de la matriz.
En cada la i distinta de cero, la primera entrada o coeciente no nulo (contado desde la izquierda), denominado
pivote, se localiza en una columna j i .
Si adems se cumple las siguinetes propiedades:
sus pivotes son todos iguales a 1; y
en cada la el pivote es el nico elemento no nulo de su columna,
entonces decimos que la matriz se encuentra en forma escalonada reducida.
Ejemplo 1.4. Son matrices escalonadas
A =
_
_
_
_
_
1 2 4 5 2 9
0 0 2 6 0 1
0 0 0 3 4 1
0 0 0 0 1 1
_
_
_
_
_
y B =
_
_
_
_
_
1 2 0 0
0 0 2 0
0 0 0 0
0 0 0 0
_
_
_
_
_
pero la matriz
C =
_
_
_
_
_
1 2 0 1 1 3
0 1 4 5 7 0
2 0 0 1 1 1
0 0 0 0 0 1
_
_
_
_
_
no es escalonada.
Ejemplo 1.5. Las siguientes matrices estn en forma escalonada reducida:
A =
_
_
_
_
_
1 2 0 0 0
58
3
0 0 1 0 0
9
2
0 0 0 1 0
5
3
0 0 0 0 1 1
_
_
_
_
_
, B =
_
_
_
_
_
1 0 0
1
2
1
2
0
0 1 0
1
4

3
4
0
0 0 1
19
16
31
16
0
0 0 0 0 0 1
_
_
_
_
_
Denicin 1.5. Un algoritmo es una secuencia nita de operaciones realizables, no ambiguas, cuya ejecucin da una
solucin de un problema en un tiempo nito.
El algoritmo de reduccin de Gauss escalona una matriz por las por medio de operaciones elementales la. Aqu esta
la descripcin del algoritmo de reduccin de Gauss:
Sea A=
_
a
i j
_
mn
una matriz dada.
Para cada k (ndice de la) tomandolos valores 1, 2, . . . , m1, denotamos por M
k
a submatriz M
k
de las las k, (k +1) , , m.
1. Si la submatriz M
k
solo tiene coecientes nulos no hacer nada.
2. Si la submatriz M
k
tiene al menos un coeciente no nulo, buscar el ndice j
0
ms pequeo tal que la columna j
0
tenga por lo menos un coeciente distinto de cero en M
k
. Hallar el i
0
ms pequeo tal que a
i 0 j0
= 0 e i
0
k. Si
i
0
>k operar en la matriz permutando las k e i
0
de la matriz A.
3. Para i de k +1 a m, si a
i j0
=0 cambiar la la i por la la i menos
ai j
0
ak j
0
la la k en A.
Ejemplo 1.6. Consideremos la matriz
_
_
_
2 0 3
1 3 6
0 6 15
_
_
_
encontrar su forma escalonada:
_
_
_
2 0 3
1 3 6
0 6 15
_
_
_
E12
_
_
_
1 3 6
2 0 3
0 6 15
_
_
_
E21(2)
_
_
_
1 3 6
0 6 15
0 6 15
_
_
_
E32(1)
_
_
_
1 3 6
0 6 15
0 0 0
_
_
_
esta es su forma escalonada.
Observacin 1.2. Vericar que mediante ejemplos el algoritmo de Gauss-Jordan se puede llevar a la forma escalonada
reducida.
Denicin 1.6. Sea A una matriz. Se denomina rango de la matriz A al nmero de las no nulas de la matriz escalonada
equivalente a la matriz A original obtenida por ejemplo mediante el algoritmo de reduccin de Gauss. Se denota el rango
de la matriz A por (A) o bin rango(A).
Ejemplo 1.7. Determinar el rango de la matriz
A =
_
_
_
_
_
_
_
1 2 3
4 1 0
2 1 1
0 0 0
3 1 2
_
_
_
_
_
_
_
Proposicin 1.1. Si A M
nm
entonces (A) min{n, m}.
CLASE 2
2.1 Sistemas de ecuaciones lineales
Consideremos el sistema de m ecuaciones y n incgnitas
_
_
_
_
_
_
_
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+. . . +a
mn
x
n
= b
m
Usando matrices, el sistema se escribe como la ecuacin matricial AX = B, donde
A =
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
_
mn
, X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
n1
, B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
m1
Denicin 2.1. Considere un sistema AX = B con A
mn
(), B
m1
(). Diremos que X
0

n1
() es solucin
del sistema si
AX
0
= B
Denicin 2.2. Un sistema se llama compatible si tiene al menos una solucin. Si el sistema no tiene solucin, diremos
que es incompatible.
Denicin 2.3. Sea A M
mn
(). El sistema AX =0 se llama homogneo.
Ejercicio 2.1. Si un sistema de ecuaciones tiene dos soluciones distintas entonces tiene innitas soluciones distintas
2.1.1 Propiedades de los sistemas homogneos
1. Un sistema homogneo es siempre compatible, porque X =0 es solucin.
2. Si C M
mn
() es tal que C A, entonces AX =0 y CX =0 tienen las mismas soluciones.
para ver esto, note lo siguiente sobre las matrices elementales, E
i j
E
i j
= I , E
i
() E
i
_
1
_
= I adems E
i j
() E
i j
() =
I . De esta forma Si E es una matriz formada por un producto de matrices elemetales entonces existe una matriz
E
1
(llamada matriz inversa de E) tal que
E
1
E = I
Como A C existe una sucesin de matrices elementales E
1
, E
2
, . . . , E
k
tales que
E
1
E
2
E
k
A =C.
Pongamos E = E
1
E
2
E
k
.
Si X
0
es tal que AX
0
=0, entonces se sigue CX
0
= EAX
0
= E0 =0.
Recprocamente si CX
1
=0, entonces AX
1
= E
1
CX
1
=0.
Todo lo anterior nos asegura que los dos sistemas homogneos AX =0 y CX =0 tienen las mismas soluciones.
2.1.2 Sistemas no homogneos
Con el mismo mtodo de la seccin anterior es posible mostrar que si (A) = EA es la matriz escalonada equivalente por
las con A entonces
AX = B
y
(A) X = E B
tienen las mismas soluciones. El segundo sistema es mucho ms fcil de resolver.
Ejemplo 2.1. Resolver
_
_
_
1 2 0
0 1 2
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_=
_
_
_
1
2
3
_
_
_
note que este sistema es
x +2y = 1
y +2z = 2
2z = 3
de la ltima ecuacin obtenemos z =
3
2
reemplazamos este valor en la segunda ecuacin y despejamos para obtener y =1
teneiendo estos dos valores reemplazamos en la primera ecuacin y obtenemos el valor x =1.
Vemos que un mtodo para resolver sistemas seria obtener el sistema escalonado equivalente.
Denicin 2.4. Sea A M
mn
() y B M
m1
(). Consideremos el sistema AX = B con B = 0. Llamaremos matriz
ampliada del sistema a la matriz
(A, B) =
_
_
_
_
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
b
m
_
_
_
_
_
_
Mtodo de solucin mediante el algoritmo de Gauss: Como sabemos, AX = B y (A) X = E B, donde (A) = EA, tienen
las mismas soluciones, note que la matrices (A) y E B aparcen al aplicar las operaciones elementales que escalonan la
matriz A entonces, si aplicamos el mtodo de Gauss para obtener la escalonada de matriz ampliada del sistema (A, B)
estaremos obteniendo la matriz ( (A) , E B).
Ejemplo 2.2. Resolver el sistema
_
_
_
1 2 1
3 0 1
1 1 2
_
_
_
_
_
_
x
y
z
_
_
_=
_
_
_
1
2
0
_
_
_
Formamos la matriz ampliada del sistema
(A, B) =
_
_
_
1 2 1 1
3 0 1 2
1 1 2 0
_
_
_
aplicamos el algoritmo de Gauss para obtener la escalonada
_
_
_
1 2 1 1
3 0 1 2
1 1 2 0
_
_
_
_
_
_
1 2 1 1
0 6 2 1
0 0 2
1
2
_
_
_
y ahora resolvemos el sistema
_
_
_
1 2 1
0 6 2
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_=
_
_
_
1
1
1
2
_
_
_
que tiene las mismas soluciones.
Teorema 2.1. Sea A M
mn
() y B M
m1
():
1. El sistema AX = B es compatible si y solo si (A) =(A, B)
2. Sea AX = B un sistema compatible.
(a) Si (A) =(A, B) =n (nmero de incgnitas) entonces el sistema tiene solucin nica.
(b) Si (A) =(A, B) <n, entonces el sistema tiene innitas soluciones.
Observacin2.1. Enlugar de aplicar el algoritmode Gauss, podemos aplicar el algoritmode Gauss-Jordan(matriz escalon-
ada reducida) para resolver un sistema equivalente ms simple. Dar ejemplos de este mtodo.
2.1.3 Ejercicios propuestos
Usar Gauss Jordan para resolver los sistemas:
1.
2x +3y +z = 1
3x 2y 4z = 3
5x y z = 4
x =1, y =1, z =2 (solucin nica)
2.
2x y +3z = 4
3x +2y z = 3
x +3y 4z = 1
x =
11
7

5
7
z, y =
11
7
z
6
7
(innitas soluciones)
3.
x +y +z w = 2
2x +y +w = 5
3x +z +w = 1
3x +2y +z = 3
(No hay solucin)
Semana 3: Lunes 28 de marzo Viernes 01 de abril
COMPLEMENTO
Clase 1: Inversa. Clculo de inversa por operaciones elementales.
Clase 2: Determinantes, propiedades. Inversa por menores. Regla de Cramer.
Contenidos
CLASE 1
MATRIZ INVERSA Y OPERACIONES ELEMENTALES
Denicin 1.1. Sea A una matriz cuadrada de orden n. Se dice que A es invertible si existe una matriz cuadrada de orden
n, que denotaremos por A
1
tal que AA
1
=A
1
A = I
n
Observacin 1.1. Si una matriz es invertible, tambin se suele decir que es no singular.
Observacin 1.2. Si la inversa existe es nica. Tarea: Vericar esta observacin.
Observacin 1.3. No todas las matrices son invertibles. Por ejemplo, si consideramos las matrices
A =
_
1 3
1 1
_
B =
_
2 2
1 1
_
entonces A es invertible y B no lo es. (Vericar directamente suponiendo la existencia y resolviendo ecuaciones)
Proposicin 1.1. Sean A, B matrices cuadradas del mismo tamao e invertibles, entonces:
1. (AB)
1
= B
1
A
1
2.
_
A
1
_
1
=A
3.
_
A
T
_
1
=
_
A
1
_
T
4. (A)
1
=
1
A
1
, para todo =0
5. (A
n
)
1
=
_
A
1
_
n
para todo entero no negativo n.
No disponemos au n de un criterio para decidir si una matriz es o no invertible. El siguiente teorema nos provee un
mtodo para calcular la matriz inversa (en caso de existir) de una matriz cualquiera.
Teorema 1.1. Sea A una matriz cuadrada de orden n invertible. Si una sucesin de operaciones elementales por las
transforma la matriz A en la matriz identidad I
n
, entonces la misma sucesin de operaciones elementales convierte la
matriz I
n
en A
1
.
Demostracin. En efecto, si A es equivalente por las a la matriz I
n
, entonces existe una sucesin de operaciones ele-
mentales que convierte a la matriz A en la matriz I
n
; esto quiere decir que existe una sucesin de matrices elementales
E
1
, E
2
, . . . , E
k
tales que E
k
E
k1
E
2
E
1
A = I
n
. Si anotamos B = E
k
E
k1
E
2
E
1
, entonces BA = I
n
, es decir B =A
1
.
Mtodo de Gauss-Jordan para calcular la inversa de una matriz
Sea A una matriz cuadrada de orden n e invertible. Si queremos calcular su inversa, entonces (gracias al Teorema anterior)
podemos proceder como sigue.
Construmos una nueva matriz, denominada matriz aumentada, de la forma (A, I
n
). 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 esta la matriz A), la matriz identidad; al conclur este proceso en el lado derecho de la matriz
aumentada (es decir en el lado donde originalmente se encontraba la matriz identidad), aparece la inversa que estamos
buscando.
Ejemplo 1.1. Calcule la inversa, en caso de existir, de la matriz A =
_
_
_
2 1 1
1 2 0
0 1 2
_
_
_
Desarrollo: Formamos la matriz aumentada
_
_
_
2 1 1 1 0 0
1 2 0 0 1 0
0 1 2 0 0 1
_
_
_
y calculamos mediante operaciones elementales:
_
_
_
2 1 1 1 0 0
1 2 0 0 1 0
0 1 2 0 0 1
_
_
_
E12
_
_
_
1 2 0 0 1 0
2 1 1 1 0 0
0 1 2 0 0 1
_
_
_
E21(2)
_
_
_
1 2 0 0 1 0
0 3 1 1 2 0
0 1 2 0 0 1
_
_
_
E32
_
_
_
1 2 0 0 1 0
0 1 2 0 0 1
0 3 1 1 2 0
_
_
_
E32(3)
_
_
_
1 2 0 0 1 0
0 1 2 0 0 1
0 0 5 1 2 3
_
_
_
E3(
1
5
)
_
_
_
1 2 0 0 1 0
0 1 2 0 0 1
0 0 1
1
5
2
5
3
5
_
_
_
E23(2)
_
_
_
1 2 0 0 1 0
0 1 0
2
5

4
5

1
5
0 0 1
1
5
2
5
3
5
_
_
_
E12(2)
_
_
_
1 0 0
4
5

3
5

2
5
0 1 0
2
5

4
5

1
5
0 0 1
1
5
2
5
3
5
_
_
_
se sigue que
A
1
=
_
_
_
4
5

3
5

2
5
2
5

4
5

1
5
1
5
2
5
3
5
_
_
_
Se puede vericar fcilmente que AA
1
=A
1
A = I
3
.
Teorema 1.2. Una matriz cuadrada de orden n es invertible si, y solo si, su rango es n, es decir, (A) =n.
Ejercicio 1.1. Suponga que A
3
= [0] Muestre que I A es invertible.
CLASE 2
DETERMINANTES
Sea A una matriz cuadrada de tamao n. El determinante de A (se usa la notacin det(A) = |A|) es un cierto nmero
complejo asociado a A el cual podemos denir de manera inductiva como sigue.
Para n =1, det(a) =a
Para n =2, det
_
a b
c d
_
=ad bc
Si n 3, entonces necesitamos las siguientes deniciones.
Denicin 2.1. La menor de orden i j de A, denotada por M
i j
, es el determinante de orden n 1 obtenido eliminando la
i-sima la y la j-sima columna de la matriz A.
Denicin 2.2. Se llama cofactor de orden i j de A, denotado por C
i j
, al nmero C
i j
= (1)
i +j
M
i j
Ejemplo 2.1. Consideremos la matriz A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_. Eliminemos la primera la y la tercera columna de A
A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_ obteniendo el menor M
13
=
_
_
_
_
0 3
5 1
_
_
_
_
=15
Si eliminamos la segunda la y la primera columna
A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_ obtenemos el menor M
21
=
_
_
_
_
4 1
1 6
_
_
_
_
=25
Calculemos los cofactores
C
13
= (1)
1+3
M
13
=15, C
21
= (1)
2+1
M
21
=25
Denicin 2.3. El determinante de A = (a
i j
)
nn
es el nmero dado por
det(A) =
_
_
_
_
_
_
_
n
i =1
(1)
i +j
a
i j
M
i j
=
n
i =1
a
i j
C
i j
, para 1 j n (con j jo)
n
j =1
(1)
i +j
a
i j
M
i j
=
n
j =1
a
i j
C
i j
, para 1 i n (con i jo)
Ejemplo 2.2. Calculemos el determinante de la matriz A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_
Fijemos una la i =1, entonces
det(A) =
3
j =1
(1)
i +j
a
1j
M
1j
=a
11
M
11
a
12
M
12
+a
13
M
13
det(A) =2
_
_
_
_
3 2
1 6
_
_
_
_
4
_
_
_
_
0 2
5 6
_
_
_
_
1
_
_
_
_
0 3
5 1
_
_
_
_
=23
Si jamos una columna, por ejemplo j =1, se tiene
det(A) =
3
i =1
(1)
i +j
a
i 1
M
i 1
=a
11
M
11
a
21
M
21
+a
31
M
31
det(A) =2
_
_
_
_
3 2
1 6
_
_
_
_
0
_
_
_
_
4 1
1 6
_
_
_
_
5
_
_
_
_
4 1
3 2
_
_
_
_
=23
2.1 Propiedades de los determinantes
Proposicin 2.1. Sean A y B matrices cuadradas del mismo tamao n. Entonces las siguieetes propiedades valen.
1. det(A) =det(A
T
)
2. Si todos los elementos de una la o columna de una matriz son cero, entonces el valor del determinante es cero.
3. det(I
n
) =1
4. El determinante de una matriz diagonal o triangular es igual al producto de los elementos de la diagonal.
5. Si , entonces det(A) =
n
det(A)
6. det(AB) =det(A) det(B)
7. Si A tiene dos las( o columnas) iguales o proporcionales, entonces det(A) =0.
8. Si se intercambian dos las (o columnas) en una matriz su determinante cambia de signo.
9. Si B se obtiene a partir de A multiplicando una la (o columna) de A por un nmero , entonces det(B) =det(A).
10. Si B se obtiene a partir de A, sumando a una la (o columna) otra la (o columna) amplicada por un factor ,
entonces det(B) =det(A).
Ejemplo 2.3. Sea A =
_
1 2
3 4
_
, entonces el det(A) =2. Si la primera la de A se multiplica por 3, obtenemos B =
_
3 6
3 4
_
y det(B) =6 =3det(A). Si la primera la de A la multiplicamos por -3 y se la sumamos a la segunda la de A, obtenemos
la matriz B =
_
1 2
0 2
_
y det(B) =2 =det(A).
Ejemplo 2.4. Calculemos el siguiente determinante usando la propiedad 10
_
_
_
_
_
_
1 3 4
2 5 1
3 1 0
_
_
_
_
_
_
=
_
_
_
_
_
_
1 3 4
0 1 7
0 10 12
_
_
_
_
_
_
=1 M
11
=
_
_
_
_
1 7
10 12
_
_
_
_
=58
Denicin 2.4. La adjunta de una matriz A, denotada por adj(A), es denida por
adj(A) =C
T
donde C = (C
i j
) es la matriz de cofactores. Es decir, la matriz adjunta es la traspuesta de la matriz de los cofactores.
Ejemplo 2.5. Sea A =
_
a b
c d
_
. La matriz de cofactores es C =
_
d c
b a
_
. Por lo tanto,
adj(A) =
_
d b
c a
_
Consideremos la matriz A =
_
_
_
2 3 1
4 0 5
2 1 1
_
_
_, la matriz de cofactores es C =
_
_
_
5 14 4
2 4 8
15 6 12
_
_
_. Por lo tanto,
adj(A) =
_
_
_
5 2 15
14 4 6
4 8 12
_
_
_
Teorema 2.1.
A adj(A) =det(A) I
n
adj(A) A =det(A) I
n
Note que, s det(A) =0, entonces A es invertible y adems
A
1
=
1
det(A)
adj(A)
Notemos que si A es no singular, entonces
1 =det(I
n
) =det(AA
1
) =det(A) det(A
1
) =det(A) =0
con lo que concluimos que
det(A
1
) =
1
det(A)
Teorema 2.2. Si A es una matriz cuadrada, entonces A es no singular s y solo s det(A) =0
Ejercicio 2.1. Calcular el determinante
_
_
_
_
_
_
_
_
a a a a
a b b b
a b c c
a b c d
_
_
_
_
_
_
_
_
Desarrollo:
_
_
_
_
_
_
_
_
a a a a
a b b b
a b c c
a b c d
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
a a a a
0 b a b a b a
0 b a c a c a
0 b a c a d a
_
_
_
_
_
_
_
_
=a (b a)
_
_
_
_
_
_
1 b a b a
1 c a c a
1 c a d a
_
_
_
_
_
_
= a (b a)
_
_
_
_
_
_
1 b a b a
0 c b c b
0 c b d b
_
_
_
_
_
_
=a (b a) (c b)
_
_
_
_
1 c b
1 d b
_
_
_
_
= a (b a) (c b) (d b (c b)) =a (b a) (c b) (d c)
Ejercicio 2.2. Resolver la ecuacin
_
_
_
_
_
_
x a b a b
c x b c b
c a x a c
_
_
_
_
_
_
=0
_
_
_
_
_
_
x a b a b
c x b c b
c a x a c
_
_
_
_
_
_
=
_
_
_
_
_
_
x a b a +b b
c x c b
c x c x a c
_
_
_
_
_
_
=
_
_
_
_
_
_
x a +b b
x x c b
x x c x a c
_
_
_
_
_
_
= x
_
_
_
_
_
_
1 a +b b
1 x c b
1 x c x a c
_
_
_
_
_
_
=x
_
_
_
_
_
_
1 a +b b
0 x c a b 0
0 x c a b x a c b
_
_
_
_
_
_
=x
_
_
_
_
x c a b 0
x c a b x a c b
_
_
_
_
= x (x (a +b +c))
2
las soluciones son x =0 y x =a +b +c.
Ejercicio 2.3. Muestre que
_
_
_
_
_
_
y
1
+z
1
z
1
+x
1
x
1
+y
1
y
2
+z
2
z
2
+x
2
x
2
+y
2
y
3
+z
3
z
3
+x
3
x
3
+y
3
_
_
_
_
_
_
=2
_
_
_
_
_
_
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
_
_
_
_
_
_
Desarrollo:
_
_
_
_
_
_
y
1
+z
1
z
1
+x
1
x
1
+y
1
y
2
+z
2
z
2
+x
2
x
2
+y
2
y
3
+z
3
z
3
+x
3
x
3
+y
3
_
_
_
_
_
_
=
_
_
_
_
_
_
y
1
x
1
z
1
+x
1
x
1
+y
1
y
2
x
2
z
2
+x
2
x
2
+y
2
y
3
x
2
z
3
+x
3
x
3
+y
3
_
_
_
_
_
_
=
_
_
_
_
_
_
2y
1
z
1
+x
1
x
1
+y
1
2y
2
z
2
+x
2
x
2
+y
2
2y
3
z
3
+x
3
x
3
+y
3
_
_
_
_
_
_
=
2
_
_
_
_
_
_
y
1
z
1
+x
1
x
1
+y
1
y
2
z
2
+x
2
x
2
+y
2
y
3
z
3
+x
3
x
3
+y
3
_
_
_
_
_
_
= 2
_
_
_
_
_
_
y
1
z
1
+x
1
x
1
y
2
z
2
+x
2
x
2
y
3
z
3
+x
3
x
3
_
_
_
_
_
_
=2
_
_
_
_
_
_
y
1
z
1
x
1
y
2
z
2
x
2
y
3
z
3
x
3
_
_
_
_
_
_
=2
_
_
_
_
_
_
x
1
z
1
y
1
x
2
z
2
y
2
x
3
z
3
y
3
_
_
_
_
_
_
= 2
_
_
_
_
_
_
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
_
_
_
_
_
_
2.2 Regla de Cramer
La regla de Cramer es un mtodo para resolver sistemas lineales de ecuaciones. Este mtodo radica en poder expresar las
soluciones en trminos de determinantes, lo que bajo condiciones de simetra adecuadas permite concluir propiedades
de las soluciones.
Desafortunadamente, si bien este mtodo es til tericamente hablando, su implementacin computacionnal para
resolver sistemas especcos es muy malo (ver al nal de estas notas una comparacin entre los mtodos de Gauss y
Cramer)
Sea
_
_
_
_
_
_
_
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
.
.
.
.
.
.
a
n1
x
1
+a
n2
x
2
+. . . +a
nn
x
n
= b
n
un sistema lineal con n ecuaciones y n incgnitas.
Resolver este sistema es equivalente a resolver la ecuacin matricial AX = B, donde
A =
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
, X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
, B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
Si det(A) =0, entonces el sistema tiene una nica solucin dada por:
x
1
=
|A
1
|
|A|
, x
2
=
|A
2
|
|A|
, x
3
=
|A
3
|
|A|
, . . . , x
n
=
|A
n
|
|A|
donde A
i
es la matriz obtenida a partir de A al reemplazar su i-sima columna por la matriz B.
La demostracin se basa en escribir
X =A
1
B =
1
det(A)
adj(A)B
e identicar los elementos de adj(A)B como los determinantes sealados.
Ejemplo 2.6. Resolvamos el sistema
_
_
_
2 3 1
1 2 1
2 1 1
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_=
_
_
_
1
4
3
_
_
_
Como det(A) =2, obtenemos
x
1
=
_
_
_
_
_
_
1 3 1
4 2 1
3 1 1
_
_
_
_
_
_
|A|
=
4
2
=2
x
2
=
_
_
_
_
_
_
2 1 1
1 4 1
2 3 1
_
_
_
_
_
_
|A|
=
6
2
=3
x
3
=
_
_
_
_
_
_
2 3 1
1 2 4
2 1 3
_
_
_
_
_
_
|A|
=
8
2
=4
2.2.1 Una observacin para solucin de sistemas
Los sistemas que aparecen en muchas aplicaciones son de gran tamao. Un sistema de 10001000 hoy se considera
de tamao moderado y en algunas aplicaciones deben resolverse sistemas de ecuaciones con cientos de miles de
incgnitas.
El tiempo de clculo del computador necesario para resolver el sistema debe ser lo menor posible. Una medida
standard del costo operacional es la cantidad de operaciones aritmticas (+, , , /) que requiere un mtodo. Este
usualmente se expresa en op (oating point operations) por segundos.
Hay mtodos que en teora permiten resolver cualquier sistema de ecuaciones lineales, pero que en la prctica
requieren tiempos de clculo prohibitivos. Por lo tanto slo sirven para sistemas de orden pequeo.
Mal ejemplo: Regla de Cramer. Permite calcular explcitamente la solucin de un sistema Ax =b mediante:
x
i
=
det (A
i
)
det (A)
para i =1, 2, , n
donde A
i
se obtiene a partir de A reemplazando en sta su columna i-sima por el segundo miembro (o lado dere-
cho) del sistema, b. Si los determinantes se calculan mediante la frmula recursiva usual de desarrollo por la (o
por columna), el costo operacional de la Regla de Cramer es de aproximadamente (n +1)! op.
Buen ejemplo: Mtodo de Eliminacin Gaussiana. Este procedimiento se basa en el mtodo algebraico de trans-
formaciones elementales. Su costo operacional es de aproximadamente
2
3
n
3
op.
Comparacin: Una calculadora opera en un rango entre 10 y 100 op. Un ejemplo comparativo en un computador
de 1 Gop (10
9
op) por segundo (que corresponde a un Pentium 4 o Athlon 64) sera:
n 10 15 20 100 1000 2000
Regla de Cramer
op 410
7
210
13
510
19
10
160

tiempo 0.04 s 5.5 horas 1500 aos
Eliminacin Gaussiana
op 666 2250 5333 710
5
710
8
510
9
tiempo 0.s 0.s 0.s 0.s 0.73s 4.88s
Semana 4: Lunes 04 viernes 08 de abril
COMPLEMENTO
Clase 1: Vectores en el plano y espacio, deniciones, operaciones bsicas, producto punto.
Clase 2: Proyecciones, producto cruz.
Contenidos
CLASE 1
1.1 Vectores
A partir de la representacin de , como una recta numrica, los elementos (a, b)
2
se asocian con puntos de un plano
denido por dos rectas perpendiculares que al mismo tiempo denen un sistema de coordenadas rectangulares donde
la interseccn representa a (0, 0) y cada (a, b) se asocia con un punto de coordenada a en la recta horizontal (eje X) y la
coordenada b en la recta vertical (eje Y).
Analgamente, los elementos (a, b, c)
3
se asocian con puntos en el espacio tridimensional denido con tres rectas
mutuamente perpendiculares. Estas rectas forman los ejes del sistema de coordenadas rectangulares (ejes X, Y y Z).
Representaciones similares se puede hacer para los elementos de
n
para todo entero positivo n.
El orgen de
n
es el elemento (0,
n
. . ., 0).
Los vectores en
n
se pueden representar mediante segmentos de recta dirigidos, o echas, que salen desde el orgen
y que llegan a un punto de
n
. De esta manera, cada punto de
n
determina un vector en
n
y viceversa cada vector en
n
determina un punto en
n
. La direccin de la echa indica la direccin del vector y la longitud de la echa determina
su magnitud.
Denotaremos los vectores con letras minsculas con un echa arriba tales como
v ,
w ,
z . Los puntos se denotarn

con letras maysculas tales como A, B, C. En el contexto de los vectores, los nmeros reales sern llamados escalares y se
denotarn con letras minsculas tales como , , .
El vector determinado por el orgen (0,
n
. . ., 0) es el vector nulo que denotamos por
0 .
Un vector en el
n
es una enetupla (x
1
, x
2
, . . . , x
n
) con cada x
i
. A x
i
se le llama componente i-sima del vector.
En
3
utilizaremos la notacin especial
i = (1, 0, 0),
j = (0, 1, 0) y
k = (0, 0, 1) y les llamaremos vectores cannicos.

En las tpicas aplicaciones uno en general considera vectores en el plano
n
o en el espacio
3
, pero en mucho prob-
lemas uno debe usar vectores en mayores dimensiones.
1.1.1 Operaciones bsicas de vectores
Denicin 1.1 (Igualdad de vectores). Dos vectores son iguales si tienen, en el mismo orden, los mismos componentes.
Es decir, si
v = (v
1
, v
2
, . . . , v
n
) y
w = (w
1
, w
2
, . . . , w
n
) entonces
v =
w si y solo si i =1, . . . n v
i
=w
i
.
Denicin 1.2 (Suma de vectores). Sean
v = (v
1
, v
2
, . . . , v
n
) y
w = (w
1
, w
2
, . . . , w
n
) vectores en
n
. Se dene la suma de
vectores como
v +
w = (v
1
+w
1
, v
2
+w
2
, . . . , v
n
+w
n
)
Denicin 1.3 (Producto por escalar). Si

v = (v
1
, v
2
, . . . , v
n
)
n
y k entonces se dene el producto escalar (o
amplicacin) como
k
v = (kv
1
, kv
2
, . . . , kv
n
)
Observacin 1.1. Si
v = (v
1
, v
2
, v
3
)
3
entonces
v =v
1
i +v
2
j +v
3
k
Ejercicio 1.1. Buscar una interpretacin geomtrica de suma, resta de vectores y multiplicacin por escalar en el plano.
Proposicin 1.1. Sean
v ,
w ,
u
n
vectores y , entonces:
1.

v +
0 =
v 4. 1
v =
v 7.
_
v +
w
_
=
v +
w
2.

v +
_
v
_
=
0 5.

v +
w =
w +
v 8.
_
+
_
v =
v +
v
3. 0
v =
0 6.
_
v +
w
_
+
u =
v +
_
w +
u
_
9.
_
v
_
=
_
v
1.1.2 Producto punto y norma
El producto punto (o escalar) es una operacin entre vectores que devuelve un escalar. Esta operacin es introducida para
expresar algebraicamente la idea geomtrica de magnitud.
Denicin 1.4 (Producto punto). Sean
v = (v
1
, v
2
, . . . , v
n
) y
w = (w
1
, w
2
, . . . , w
n
) vectores en
n
. El producto punto (o
escalar)
w o en otra notacin
_
v ,
w
_
se dene como
w
_
v ,
w
_
i =1
v
i
w
i
Teorema 1.1. Considere vectores
v ,
w ,
u
n
vectores y entonces:
1.

v
v 0
2.

v
v =0 s y slo si
v =
0 .
3.

v
w =
v
4.

v
_
w +
u
_
=
w +
u
5.
_
v
_
w =
_
w
_
=
v
_
w
_
Observacin 1.2. No tiene sentido preguntarse por asociatividad ni neutro. Por qu?
1.1.3 Norma
Denicin 1.5. Consideremos el vector
v = (v
1
, v
2
, . . . , v
n
)
n
. La norma o magnitud de
v denotada por
_
_
v
_
_
es dada
por
_
_
v
_
_
=
_
v =
_
n
i =1
v
2
i
_
1/2
La distancia entre dos vectores es denida por d
_
v ,
w
_
=
_
_
w
_
_
.
Observacin 1.3. La norma mide la distancia del punto al origen. Note que al considerar la interpretacin geomtrica de
la resta de vectores, la expresin para distancia entre dos puntos es de forma natural la magnitud del vector resta.
Proposicin 1.2. Consideremos los vectores
v ,
w
n
y entonces:
1.
_
_
v
_
_
0
2.
_
_
v
_
_
=0
v =
0 .
3.
_
_
v
_
_
=||
_
_
v
_
_
4.
_
_
w
_
_
=
_
_
v
_
_
es decir d
_
v ,
w
_
=d
_
w ,
v
_
.
5.
_
_
v +
w
_
_
_
_
v
_
_
+
_
_
w
_
_
(Desigualdad triangular)
6.
_
_
w
_
_
_
_
v
_
_
_
_
w
_
_
(Desigualdad de Cauchy-Schwartz)
De las propiedad 1. arriba obtenemos que d
_
v ,
w
_
0.
De la propiedad 2. obtenemos que d
_
v ,
w
_
=0
v =
w .
Denicin 1.6. Un vector se dice unitario si su norma es 1.
Ejemplo 1.1. 1. Si
v =
0 entonces
w =
v /
_
_
v
_
_
es unitario.
2. Si , entonces
= (cos, sen) es unitario.

1.1.4 ngulo entre vectores
Considere

v y

w vectores en
2
que no sean paralelos (es decir, que ninguno de ellos es una amplicacin del otro).
En particular, estamos asumiendo que ninguno de ellos es el vector nulo. Entonces,
v ,
w determinan un tringulo con

lados de magnitudes
_
_
v
_
_
,
_
_
w
_
_
y
_
_
w
_
_
respectivamente.
Por el teorema del coseno para tringulos se sigue que
_
_
w
_
_
2
=
_
_
v
_
_
2
+
_
_
w
_
_
2
2
_
_
v
_
_
_
_
w
_
_
cos
Por otro lado
_
_
w
_
_
2
=
_
w
_
w
_
=
_
_
v
_
_
2
+
_
_
w
_
_
2
2
w
De las dos igualdades anteriores se obtiene
w =
_
_
v
_
_
_
_
w
_
_
cos
En el caso general, si
v y
w vectores en
n
, ambos no nulos, entonces la desigualdad de Cauchy-Schwarz (C-S) nos
dice que:
1
w
_
_
v
_
_
_
_
w
_
_
1
Luego, existe un nico [0, ] tal que
cos =
w
_
_
v
_
_
_
_
w
_
_
Denicin 1.7. Si
v y
w son vectores en
n
no nulos, entonces el ngulo entre
v y
w es el nico [0, ] tal que
w =
_
_
v
_
_
_
_
w
_
_
cos
denotaremos tal ngulo por (
v ,
w ).
Denicin 1.8. Sean
v y
w son vectores en
n
no nulos. Diremos que:
1.

v y
w son perpendiculares si (
v ,
w ) =

2
, esto es equivalente a
w =0
2.

v y
w son paralelos si (
v ,
w ) =0 (
v ,
w ) =, esto es equivalente a
v =
w para lgn .
CLASE 2
2.1 Proyecciones
Geomtricamente lo que queremos es determinar un vector que se obtiene al proyectar ortogonalmente un vector

u
sobre el vector
w =
0 .
Si denotamos a este vector como proy
w
entonces, se debe cumplir
proy
w
= t
w
_
u t
w
_
= 0
para cierto nmero real t .
Entonces, la segunda igualdad nos da que
u t
_
_
w
_
_
2
=0 t =
u
_
_
w
_
_
2
Lo anterior, usando la primera igualdad, nos permite ver que
proy
w
=
_
_
_
u
_
_
w
_
_
2
_
_
_
w
Denicin 2.1. Sean
u y
w son vectores en
n
,
w =
0 . Se dene el vector proyeccin de
u sobre
w como el vector
proy
w
=
_
_
_
u
_
_
w
_
_
2
_
_
_
w
Observacin 2.1. El vector
u proy
w
(representar grcamente) es llamado componente de
u ortogonal a
w .
Ejemplo 2.1. Considere un tringulo en
3
determinado por los vrtices en los puntos A, B, C. Encuentre su rea.
Solucin:
Lo que debemos darnos cuenta es que podemos trasladar el tringulo sin cambiar su rea. Trasladamos de manera de
llevar C al orgen 0. Esto se realiza por la funcin:
T :
3
3
: A A C.
Sean
u = B A,
w =C A entonces la altura del tringulo (trasladado) es

h =
_
_
_
u proy
w
_
_
_
se sigue que
rea =
1
2
_
_
w
_
_
_
_
_
u proy
w
_
_
_
Notar que los clculos anteriores son vlidos en
n
para todo n 2.
2.2 Producto cruz en
3
En la seccin anterior resolvimos el problema de proyectar un vector sobre otro de manera perpendicular, en esta seccin
deniremos un vector que es perpendicular a dos vectores dados del espacio
3
.
Denicin 2.2. Sean
u = (u
1
, u
2
, u
3
) y
v = (v
1
, v
2
, v
3
) vectores en
3
. Denimos el producto cruz
v como el vector
v = (u
2
v
3
u
3
v
2
)
i (u
1
v
3
u
3
v
1
)
j + (u
1
v
2
u
2
v
1
)
k
Como
i = (1, 0, 0),
j = (0, 1, 0),
k = (0, 0, 1), entonces
v = (u
2
v
3
u
3
v
2
, u
1
v
3
+u
3
v
1
, u
1
v
2
u
2
v
1
)
Observacin 2.2. La denicin de producto cruz se puede recordar y trabajar como un determinante
v =
_
_
_
_
_
_
_
i

j

k
u
1
u
2
u
3
v
1
v
2
v
3
_
_
_
_
_
_
_
Observacin 2.3. El vector
v es perpendicular a
u y
v . Note que en dos dimensiones esto no tiene sentido. Por

qu?
Ejemplo 2.2. Sean
u = (1, 2, 1) y
u = (1, 0, 1) calcular
v .
Notemos que
v =
_
_
_
_
_
_
_
i

j

k
1 2 1
1 0 1
_
_
_
_
_
_
_
=
i
_
_
_
_
2 1
0 1
_
_
_
_
j
_
_
_
_
1 1
1 1
_
_
_
_
+
k
_
_
_
_
1 2
1 0
_
_
_
_
= 2
j (0) +
k (2) =2
i 2
k = (2, 0, 2)
u = (u
1
, u
2
, u
3
) ,
v = (v
1
, v
2
, v
3
) y
w = (w
1
, w
2
, w
3
) vectores en
3
entonces
u
_
w
_
=
_
_
_
_
_
_
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
_
_
_
_
_
_
En efecto: Sabemos que
w =
__
_
_
_
v
2
v
3
w
2
w
3
_
_
_
_
,
_
_
_
_
v
1
v
3
w
1
w
3
_
_
_
_
,
_
_
_
_
v
1
v
2
w
1
w
2
_
_
_
_
_
y si
u = (u
1
, u
2
, u
3
) entonces
u
_
w
_
= u
1
_
_
_
_
v
2
v
3
w
2
w
3
_
_
_
_
u
2
_
_
_
_
v
1
v
3
w
1
w
3
_
_
_
_
+u
3
_
_
_
_
v
1
v
2
w
1
w
2
_
_
_
_
=
_
_
_
_
_
_
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
_
_
_
_
_
_
(es el desarrollo del determinante por la primera la en cofactores).
Note adems que
u
_
w
_
=
_
_
_
_
_
_
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
_
_
_
_
_
_
=
_
v
_
w
Teorema 2.1. El producto vectorial cumple las siguientes propiedades
1.
_
u
3
_
_
u =
0
_
2.
_
u ,
v
3
__
u
_
v
_
y
v
_
v
__
3.
_
u ,
v
3
___
v
_
=
_
u
__
4.
_
u ,
v ,
w
3
___
u +
v
_
w =
w +
w
_
5.
_
u ,
v ,
w
3
__
u
_
v +
w
_
=
v +
w
_
6.
_
u ,
v
3
_
()
_
v
_
=
_
u
_
v =
u
_
v
__
Observacin 2.4. Demostrar algunas utilizando propiedades de los determinantes y la proposicin anterior
Ejemplo 2.3. Simplicar
__
u +
v
_
_
2
v
__
u
Desarrollo: Por las propiedades recin enunciadas
_
u +
v
_
_
2
v
_
=
_
u +
v
_
_
2
u
_
+
_
u +
v
_
v
_
=

u
_
2
u
_
+
v
_
2
u
_
+
u
_
v
_
+
v
_
v
_
= 2
_
u
_
+2
_
u
_
v
_
v
_
= 0+2
_
u
_
v
_
+0
= 3
_
v
_
luego
__
u +
v
_
_
2
v
__
u
=
_
3
_
v
__
u =0
Teorema 2.2 (Identidad de Lagrange). Para cada
v ,
w en
3
se tiene
_
w
_
2
+
_
_
w
_
_
2
=
_
_
v
_
_
2
_
_
w
_
_
2
Gracias a la identidad de Lagrange, podemos mostrar lo siguiente. Como
w =
_
_
v
_
_
_
_
w
_
_
cos se sigue que
__
_
v
_
_
_
_
w
_
_
cos
_
2
+
_
_
w
_
_
2
=
_
_
v
_
_
2
_
_
w
_
_
2
.
Luego,
_
_
w
_
_
2
=
_
_
v
_
_
2
_
_
w
_
_
2
_
_
v
_
_
2
_
_
w
_
_
2
cos
2
=
_
_
v
_
_
2
_
_
w
_
_
2
_
1cos
2
_
=
_
_
v
_
_
2
_
_
w
_
_
2
sin
2
esto nos lleva a la siguiente:

Proposicin 2.2. Si
v y
w son vectores no nulos en

3
, entonces se cumple
_
_
w
_
_
=
_
_
v
_
_
_
_
w
_
_
|sin|
donde [0, ] es el ngulo que forman
v e
w .
Ejercicio 2.1. Considere un paralelgramo determinado por dos vectores
u y
v en
3
.
Si (
u ,
v ) = , entonces el rea del paralelgramo es A =

_
_
u
_
_
_
_
v
_
_
sen =
_
_
u
_
_
_
_
v
_
_
| sen| =
_
_
v
_
_
. Esto
ltimo debido a que [0, ] y luego sin 0.
Notar que de esta forma se puede calcular el rea de un tringulo por
A =
_
_
v
_
_
2
Ejercicio 2.2. Considere un paralelepipedo en el espacio determinado por tres vectores no coplanares

u ,
v ,
w
3
entonces el volmen del paraleleppedo esta dado por
V =
_
_
_
w
_
v
_
_
_
_ =
_
_
_
_
_
_
det
_
_
_
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
_
_
_
_
_
_
_
_
_
Semana 5: Lunes 11 viernes 15 de Abril
COMPLEMENTO
Clase 1: Rectas y planos.
Clase 2: Espacios vectoriales: Denicin y ejemplos.
Contenidos
CLASE 1
1.1 Rectas en el espacio
n
, con n 2
Denicin 1.1 (rectas en
n
). Sean
p un punto dado y
d un vector no nulo, ambos en

n
. Denimos la recta que pasa
por
p y es paralela a
d como el conjunto de puntos

L =
_
p +
d :
_
n
Esta forma de escribir la ecuacin de la recta se llama forma paramtrica, de parmetro .
Observacin 1.1.
1. El vector
d se llama vector director de la recta L. En general, uno lo considera de norma igual a 1.

2. Una misma recta puede escribirse usando multiplos no nulos del vector direccin
d como nuevo vector direccin

y tambin reemplazando el punto
p por otros puntos en la recta.

3. En general nos concentraremos en rectas el el plano o bien en el espacio, es decir, n {2, 3}.
1.2 Rectas en el espacio
3
Consideremos una recta L en el espacio
3
. En trminos de coordenadas, sea
p = (x
0
, y
0
, z
0
),
d = (d
1
, d
2
, d
3
).
El punto (x, y, z) est en la recta L si tenemos la ecuacin paramtrica (de parmetro ) dada por
x = x
0
+d
1
y = y
0
+d
2
z = z
0
+d
3
Si en cada ecuacin anterior, despejamos el parmetro obtenemos
=
x x
0
d
1
=
y y
0
d
2
=
z z
0
d
3
De donde obtenemos las ecuaciones simtricas de la recta L dadas por
x x
0
d
1
=
y y
0
d
2
=
z z
0
d
3
1.2.1 Ecuacin de la recta en trminos de dos puntos
Si conocemos dos puntos diferentes de la recta L, digamos los puntos

p
1
= (x
1
, y
1
, z
1
) y

p
2
= (x
2
, y
2
, z
2
), entonces la
ecuacin de la recta L es
L = (x
1
, y
1
, z
1
) +t (x
2
x
1
, y
2
y
1
, z
2
z
1
), t .
Ejercicio 1.1. Vericar la armacin anterior. Determine un vector direccin.
Notemos, en la descripcin anterior de la recta, que para t =0 estamos en el punto
p
1
y que para t =1 estamos sobre
el prunto
p
2
.
La forma paramtrica de la ecuacin de la recta que pasa por dos punto es:
x = x
1
+t (x
2
x
1
)
y = y
1
+t (y
2
y
1
)
z = z
1
+t (z
2
z
1
)
y la forma simtrica es:
x x
1
x
2
x
1
=
y y
1
y
2
y
1
=
z z
1
z
2
z
1
Denicin 1.2. Dos rectas
L
1
=
p
1
+t
d
1
, t
y
L
2
=
p
2
+r
d
2
, r
son llamads paralelas si sus vectores directores son paralelos, es decir,
d
1
=a
d
2
para cierto escalar a {0}.
1.3 Planos en el espacio
3
Denicin 1.3. Un conjunto
3
es un plano si existe un vector
p y dos vectores
u y
v no paralelos tales que

=
_
p +
u +
v : ,
_
En trminos de coordenadas, si
p = (x
0
, y
0
, z
0
),
u = (u
1
, u
2
, u
3
),
v = (v
1
, v
2
, v
3
), entonces
x = x
0
+u
1
+v
1
y = y
0
+u
2
+v
2
z = z
0
+u
3
+v
3
Estas ecuaciones son las ecuaciones paramtricas del plano.
Notacin: Si
p y
q son dos puntos de

n
, entonces denotaremos por
pq al vector
p . Similarmente, s denotamos
puntos de
n
por los smbolos A y B, entonces
AB denotar al puntos B A.
Un plano en
3
se puede determinar especicando un punto
p = (x
0
, y
0
, z
0
) y un vector
n = (n
1
, n
2
, n
3
) que es
normal al plano , es decir, un vector perpendicular a l. En efecto, un punto
q = (x, y, z) s y slo si
pq
n , donde
el vector
n es un vector normal a los vectores
u y
v . As,
q

pq

pq
n =0
(x x
0
, y y
0
, z z
0
) (n
1
, n
2
, n
3
) =0
(x x
0
)n
1
+ (y y
0
)n
2
+ (z z
0
)n
3
=0
n
1
x +n
2
y +n
3
z x
0
n
1
y
0
n
2
z
0
n
3
=0
Por lo tanto, la ecuacin general de un plano en
3
es de la forma
ax +by +cz +d =0
donde el vector (a, b, c)
3
{(0, 0, 0)} es normal al plano.
Observacin 1.2. Un plano puede ser determinado conociendo 3 puntos no colineales. En efecto, sean

p
1
,

p
2
,

p
3
los puntos dados del plano, los cuales no son colineales. A continuacin formamos los vectores

p
1
p
2
y

p
1
p
3
. El vector
n =
p
1
p
2
p
1
p
3
es perpendicular a

p
1
p
2
y a

p
1
p
3
. Luego,

n es normal al plano. Si usamos cualquiera de los 3 puntos
p
i
y el vector
n , podemos obtener la ecuacin del plano.

Ejemplo 1.1. Determine la ecuacin del plano que pasa por los puntos
p
1
= (2, 2, 1),

p
2
= (1, 0, 3),

p
3
= (5, 3, 4)
Notamos que esos tres puntos son no colineales (tarea).
Formemos los vectores
p
1
p
2
=
p
2
p
1
= (3, 2, 2) y

p
1
p
3
=
p
3
p
1
= (3, 1, 3)
ahora el vector normal
n =
p
1
p
2
p
1
p
3
= (8, 15, 3)
Por lo tanto, la ecuacin del plano es dada por:
(x 2, y +2, z 1) (8, 15, 3) =0 8x +15y 3z +17 =0
Teorema 1.1. Dados dos planos
1
=a
1
x +b
1
y +c
1
z +d
1
=0 y
2
=a
2
x +b
2
y +c
2
z +d
2
=0
se tiene:
1.
1

2
a
1
=ka
2
, b
1
=kb
2
, c
1
=kc
2
con k y k =0
2.
1

2
(a
1
, b
1
, c
1
) (a
2
, b
2
, c
2
) =0
3.
1
=
2
a
1
=ka
2
, b
1
=kb
2
, c
1
=kc
2
, d
1
=kd
2
con k y k =0.
Teorema 1.2. Consideremos la recta L =
p +
d y el plano =x +y +z + =0. Se tiene

1. L (, , )
d =0
2. L
d (, , ) =kd
1
, =kd
2
, =kd
3
, donde k =0 y (d
1
, d
2
, d
3
) =
d .
Denicin 1.4. Llamaremos haz de planos coaxiales a aquellos planos que pasan por una misma recta L, llamada eje del
haz.
Dados dos planos
1
y
2
tal que
1
2
= L, la ecuacin del haz de planos est dada por
1
+
2
=0
1.4 Distancia entre puntos y rectas en el espacio
Teorema 1.3 (Distancia punto recta en el espacio). Consideremos la recta L que pasa por el punto
p
0
= (x
0
, y
0
, z
0
) y tiene
como vector director
d . Sea
p = (x, y, z) un punto que no pertenece a L. La distancia de
p a L est dada por:

d(
p , L) =
||
p
0
p ||
||
d ||
1.5 Distancia entre puntos y planos en el espacio
Teorema 1.4 (Distancia punto plano). Dado un punto
p
0
= (x
0
, y
0
, z
0
) y un plano =ax +by +cz +d =0. La distancia
entre
p
0
y est dada por:
d(
p
0
, ) =
|ax
0
+by
0
+cz
0
+d|
_
a
2
+b
2
+c
2
1.6 Distancia entre rectas en el espacio
Teorema 1.5 (Distancia entre rectas). Sea L
1
la recta que pasa por el punto

p
1
y tiene direccin

d
1
. Sea L
2
la recta que
pasa por el punto
p
2
y tiene direccin
d
2
. Si ambas rectas no estn sobre un mismo plano (es decir, los vectores direcciones
no son paralelos), entonces la distancia mnima entre L
1
y L
2
esta dada por:
d
mi n
(L
1
, L
2
) =
|
p
1
p
2
n |
||
n ||
, donde

n =
d
1
d
2
Ejercicio 1.2. Determinar la distancia entre dos rectas del espacio que tengan vectores direccin paralelos. Analize el caso
cuando ambas rectas estn en
2
.
1. Determine si las rectas
L
1
: x =2t 3, y =3t 2, z =4t +6 y L
2
: x =r +5, y =4r 1, z =r 4
se cortan.
Solucin. Si existe un punto
p tal que
p = L
1
L
2
, debe existir t
1
y r
1
tales que
2t
1
3 =r
1
+5, 3t
1
2 =4r
1
1, 4t
1
+6 =r
1
4
La solucin de este sistema de 3 ecuaciones y dos incgnitas es:
t
1
=3 y r
1
=2
Reemplazamos el valor del parmetro t
1
en L
1
o reemplazamos el valor del parmetro r
1
en L
2
, para obtener el
punto donde se intersectan:

p = (3, 7, 6).
2. Determinar la ecuacin de la recta que pasa por
p = (1, 4, 0) y es perpendicular a las rectas

L
1
:
_
_
_
x = 3+t
y = 4+t
z = 1+t
, L
2
:
x +4
6
=
2y 1
3
, z =
1
2
Solucin. Sea L : (1, 4, 0)+
d , con , la recta buscada y sean
d
1
= (1, 1, 1) y
d
2
= (4, 1, 0) los vectores directores
de L
1
y L
2
respectivamente. Como
LL
1
LL
2
=
d
1

d
d
2
=
d //
d
1
d
2
= (1, 4, 3)
Por lo tanto, la ecuacin de la recta L es
L : (1, 4, 0) +(1, 4, 3), con
3. Hallar la ecuacin del plano que pasa por (3, 1, 2) y es paralelo al plano 2x +4y 3z +10 =0
Solucin. El plano buscado tiene por ecuacin 2x +4y 3z +d = 0. Para determinar d, usamos que el punto
(3, 1, 2) debe pertenecer al plano, entonces debe satisfacer la ecuacin
2(3) +4(1) 3(2) +d =0 =d =4
Por lo tanto, el plano pedido es
2x +4y 3z +4 =0
4. Hallar la ecuacin del plano determinado por el punto (1, 0, 2) y la recta L :
x +3
3
=
y 5
3
=
z 1
1
Solucin. Vamos a escribir la recta como interseccin de 2 planos. Para esto, consideramos las igualdades sigu-
ientes:
x +3
3
=
y 5
3
y
y 5
3
=
z 1
1
De la primera igualdad, se tiene
x +3
3
=
y 5
3
3x 9 =3y 15 x +y 2 =0
De la segunda igualdad , obtenemos
y 5
3
=
z 1
1
y 5 =3z +3 y +3z 8 =0
La ecuacin del haz de planos que tiene a L como eje del haz es:
(x +y 2) +(y +3z 8) =0
Necesitamos el plano de este haz que pasa por el punto dado (1, 0, 2). Para esto, reemplazamos el punto en la
ecuacin del haz, obteniendo
(1+02) +(0+3(2) 8) =0 ==
1
2
El plano buscado es:
(x +y 2)
1
2
(y +3z 8) =0 2x +y 3z +4 =0
5. Considere
el punto A = (1, 0, 1), el plano : 2x +y z 7 =0 y la recta L : (1, 1, 0) +t (0, 1, 5)
(a) Determine el punto B, que es la interseccin del plano con la recta que pasa por A y es perpendicular a .
(b) Determine el punto D, punto de interseccin de la recta L con el plano
(c) Hallar un punto C L tal que el volumen del tetraedro de vrtices A, B, C, D sea 4.
Solucin. Denotemos por L
A
: (1, 0, 1) +r (2, 1, 1) la recta que pasa por A e intersecta perpendicularmente a
(a) Como B L
A
=B L
A
B =B = (1+2r, r, 1r ) y debe satisfacer la ecuacin del plano, es decir,
2(1+2r ) +r (1r ) 7 =0 =r =1 =B = (3, 1, 0)
(b) Analogamente, si D L
=D = (1, 1+t , 5t ) y
2(1) + (1+t ) 5t 7 =0 =t =2 =D = (1, 1, 10)
(c) Si C L =C = (1, 1+t , 5t ), entonces
BC = (4, t , 5t ),

BD = (4, 2, 10),

BA = (2, 1, 1)
El volumendel tetraedro de vrtices A, B, C, D es dado por V =
1
6
|
BC
BD
BA|. Como se quiere que el volumen

sea 4, tenemos:
4 =
1
6
|(4, t , 5t ) (4, 2, 10) (2, 1, 1)|
Calculemos
(4, t , 5t ) (4, 2, 10) (2, 1, 1) =
_
_
_
_
_
_
4 t 5t
4 2 10
2 1 1
_
_
_
_
_
_
=48+24t
Por lo tanto, 24 =|48+24t |, es decir, tenemos dos soluciones
24 =48+24t =t =1 24 =(48+24t ) =t =3
Luego, C
1
= (1, 0, 5), C
2
= (1, 2, 15).
6. Hallar la ecuacin del plano que contiene a la recta L : x = 2y = 3z 1, sabiendo que dicho plano est a una
distancia de
2
7
unidades del origen.
Solucin. El haz de planos que contiene a la recta L tiene por ecuacin
(x 2y ) +(x 3z +1) =0 x(1+) 2y 3z +=0
La distancia del origen (0,0,0) al haz de planos est dada por
d(O, haz) =
||
_
(1+)
2
+ (2)
2
+ (3)
2
Pero el plano pedido debe estar a
2
7
del origen, entonces
||
_
(1+)
2
+ (2)
2
+ (3)
2
=
2
7
Esta ecuacin cuadrtica tiene 2 soluciones:
=2 =
10
9
Por lo tanto, tenemos 2 soluciones
1
: (x 2y ) +2(x 3z +1) =0 3x 2y 6z +12 =0
y
2
: (x 2y )
10
9
(x 3z +1) =0 x +18y 30z +10 =0
7. Hallar la distancia mnima entre las rectas
L
1
: (1, 1, 4) +t (0, 1, 3) y L
2
: x =4+, y =5, z =3+2
Solucin. El vector director de L
1
es
d
1
= (0, 1, 3) y el vector director de L
2
es
d
2
= (1, 0, 2). Entonces
n =
d
1
d
2
= (2, 31)
Ahora, sea P
1
= (1, 1, 4) y P
2
= (4, 5, 3), entonces
P
1
P
2
=P
2
P
1
= (3, 4, 7)
Reemplazando en la frmula, obtenemos
d
mi n
(L
1
, L
2
) =
|
P
1
P
2
n |
||
n ||
=
|(3, 4, 7) (2, 31)|
||(2, 31)||
=
1
14
CLASE 2
2.1 Espacios vectoriales
Denicin 2.1. Sea V un conjunto no vaco y sea un cuerpo (los cuerpos que consideraremos en este curso sern el
cuerpo de los nmeros reales el cuerpo de los nmeros complejos inclusive el cuerpo de los nmeros racionales
).
Supongamos que en V se han denido dos operaciones, que llamaremos adicin (que denotaremos or el smbolo +)
y producto por escalar (qu denotaremos por el smbolo ), de la siguiente manera:
I. La adicin toma dos elementos de V, llamsmoslos u y v, y mediante la operacin los lleva a un elemento w V:
denotado por w =u +v.
II. El producto por escalar toma un elemento del cuerpo y un u V, y mediante la operacin los lleva a un elemento
w V: denotado por w = u
Entonces diremos que (V, +, ) es un espacio vectorial sobre si y solamente si las operaciones anteriores satisfacen
las siguientes 8 propiedades:
1. u, v V , u +v =v +u
2. u, v, w V, u + (v +w) = (u +v) +w
3. 0
V
V tal que u +0
V
=u, u V
4. u V, (u) V tal que u + (u) =0
V
5. u, v V, , (u +v) = u + v
6. u V, , , (+) u = u + u
7. u V, , , () u = ( u)
8. u V, 1 u =u
Los elementos de V se llaman vectores y los del cuerpo se llaman escalares.
Ejemplo 2.1. (
2
, +, ) es un espacio vectorial sobre , con las siguientes operaciones: Si u, v
2
, con u = (u
1
, u
2
), v =
(v
1
, v
2
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
) y u= (u
1
, u
2
)
Este espacio vectorial se identica, geomtricamente, con el plano cartesiano, y sus elementos son los vectores en
(
2
, +, ).
Ejemplo 2.2. (
3
, +, ) es un espacio vectorial sobre , con las siguientes operaciones: si u, v
3
, con u= (u
1
, u
2
, u
3
), v =
(v
1
, v
2
, v
3
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
, u
3
+v
3
) y u= (u
1
, u
2
, u
3
)
Este espacio vectorial se identica, geomtricamente, con el espacio cartesiano, y sus elementos son los vectores en
(
3
, +, ).
Ejemplo2.3. De manera ms general, (
n
, +, ) es unespacio vectorial sobre , conlas siguientes operaciones: Si u, v
n
,
con u= (u
1
, u
2
, . . . , u
n
), v = (v
1
, v
2
, . . . , v
n
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
, . . . , u
n
+v
n
)
y
u= (u
1
, u
2
, . . . , u
n
)
Ejemplo 2.4. (
2
2
, con u = (u
1
, u
2
), v =
(v
1
, v
2
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
) y u= (u
1
, u
2
)
Debe tenerse presente que, en este caso, todos los nmeros involucrados son nmeros complejos, por lo cual las opera-
ciones mencionadas son entre elementos en .
Ejemplo 2.5. (
3
3
, con u= (u
1
, u
2
, u
3
), v =
(v
1
, v
2
, v
3
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
, u
3
+v
3
) y u= (u
1
, u
2
, u
3
)
Anlogamente, las operaciones se realizan entre nmeros complejos.
Ejemplo2.6. De manera ms general, (
n
, +, ) es unespacio vectorial sobre , conlas siguientes operaciones: Si u, v
n
,
con u= (u
1
, u
2
, . . . , u
n
), v = (v
1
, v
2
, . . . , v
n
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
, . . . , u
n
+v
n
)
y
u= (u
1
, u
2
, . . . , u
n
)
Notemos que (
n
, +, ) es tambin un espacio vectorial sobre el cuerpo .
Ejemplo 2.7. (
2
2
, con u = (u
1
, u
2
), v =
(v
1
, v
2
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
) y u= (u
1
, u
2
)
Debe tenerse presente que, en este caso, todos los nmeros involucrados son nmeros complejos, por lo cual las opera-
ciones mencionadas son entre elementos en .
Ejemplo 2.8. (
3
3
, con u= (u
1
, u
2
, u
3
), v =
(v
1
, v
2
, v
3
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
, u
3
+v
3
) y u= (u
1
, u
2
, u
3
)
Anlogamente, las operaciones se realizan entre nmeros racionales.
Ejemplo 2.9. De manera ms general, (
n
n
, con u= (u
1
, u
2
, . . . , u
n
), v = (v
1
, v
2
, . . . , v
n
) y denimos
u+v = (u
1
+v
1
, u
2
+v
2
, . . . , u
n
+v
n
)
y
u= (u
1
, u
2
, . . . , u
n
)
Notemos que (
n
, +, ) es tambin un espacio vectorial sobre el cuerpo .
Observacin 2.1.
1. Observemos que (, +, ) es un espacio vectorial sobre , que (, +, ) es un espacio vectorial sobre y que (, +, )
es un espacio vectorial sobre . De esta forma, notamos que tanto como y como tienen estructura de cuerpo
y de espacio vectorial sobre si mismos.
2. (
n
, +, ) y (
n
, +, ) son tambin espacios vectoriales sobre .
3. (
n
, +, ) es tambin un espacio vectorial sobre .
Ejemplo 2.10. Sea n {0, 1, 2, ...}. Consideremos el conjunto
n
[x] ={p(x) =a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
, a
i
, i =0, . . . , n}
es decir,
n
[x] es el conjunto de los polinomios con coecientes reales en una variable real de grado menor o igual a
n (incluyendo al polinomio nulo). (
n
[x], +, ) es un espacio vectorial sobre con la adicin y el producto por escalar
habitual de polinomios, vale decir, si p (x) =a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
y q (x) =b
0
+b
1
x +b
2
x
2
+. . . +b
n
x
n
entonces
(p +q)(x) = p(x) +q(x) = (a
0
+b
0
) + (a
1
+b
1
)x + (a
2
+b
2
)x
2
+. . . + (a
n
+b
n
)x
n
(p)(x) = p(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
,
Ejemplo 2.11. Consideremos el conjunto de las funciones a valores reales denidas sobre un conjunto A =
={f : A }
premunido de la adicin usual de funciones y del producto por escalar usual:
( f +g )(x) = f (x) +g (x)
( f )(x) =( f (x))
f , g , xA, . Con estas operaciones, (, +, ) es un espacio vectorial sobre .
Ejemplo 2.12. El espacio de las funciones continuas denidas en un intervalo [a, b], que denotamos por (C[a, b], +, ) con
las operaciones recin denidas para las funciones, es un espacio vectorial sobre .
Ejemplo 2.13. El espacio de las funciones n veces derivables (funciones de clase C
n
) denidas en un intervalo ]a, b[, que
denotamos por (C
n
(]a, b[) , +, ) con las mismas operaciones anteriores, es un espacio vectorial sobre .
Ejemplo 2.14. Consideremos el conjunto de las matrices de orden mn con entradas reales, que denotaremos M
mn
().
Recordemos que una matriz real es un arreglo de nmeros reales: Si A, B M
mn
(), denimos la suma de matrices:
A +B = (a
i j
)
mn
+ (b
i j
)
mn
= (a
i j
+b
i j
)
mn
El producto por escalar queda denido por:
A = (a
i j
)
mn
= (a
i j
)
mn
De esta manera, (M
mn
(), +, ) es un espacio vectorial sobre .
Ejemplo 2.15. Anlogamente, las matrices con entradas complejas (M
mn
(), +, ) con las operaciones anlogas a las
descritas arriba, forman un espacio vectorial sobre .
Ejemplo 2.16. El conjunto de todos los polinomios de grado menor o igual a n {0, 1, 2, ...} con coecientes complejos,
i.e.
n
[x] ={p(x) =a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
, a
i
, i {0, 1, 2, ..., n}}
dotado de la suma y el producto habitual de polinomios, es un espacio vectorial sobre .
Ejercicio 2.1. Sea V un espacio vectorial y sea X un conjunto. Considere (X, V) el conjunto de todas las funciones
de X es V. Se denen
_
f +g
_
(x) = f (x) +g (x)
_
f
_
(x) = f (x)
muestre que ( (X, V) , +, ) es un espacio vectorial sobre el cuerpo .
Observacin 2.2. Probar que alguno de los ejemplos anteriores es un espacio vectorial
Proposicin 2.1. Sea V un -espacio vectorial:
1. El neutro aditivo 0
V
es nico.
2. Para cada v V el inverso aditivo v es nico.
3. Es vlida la ley de cancelacin para la adicin de vectores.
4. v V, 0 v =0
V
5. , v V, () v =(v)
2.1.1 Ejercicios
1. Determine si (, +, ) es un espacio vectorial sobre . Justique.
2. Determine si (, +, ) es un espacio vectorial sobre . Justique.
3. Determine si (M
mn
(), +, ) es un espacio vectorial sobre . Justique.
4. Determine si (M
mn
(), +, ) es un espacio vectorial sobre . Justique.
Semana 6: Lunes 18 viernes 22 de Abril
COMPLEMENTO
Clase 1: Subespacios Vectoriales: Concepto y criterio. Combinacin lineal.
Clase 2: Ejercicios y repaso.
Contenidos
CLASE 1
1.1 Subespacios vectoriales
Denicin 1.1.
1. Sea (V, +, ) un espacio vectorial sobre un cuerpo , S V, S = . Se dice que S es un subespacio vectorial de V si
(S, +, ) es un espacio vectorial sobre .
2. Si las operaciones + y estn claramente denidas, entonces escribiremos V en lugar de (V, +, ) para un espacio
vectorial sobre .
3. Si (S, +, ) es un subespacio vectorial de (V, +, ) usaremos la notacinS V.
Observacin 1.1. La denicin anterior no permite averiguar, de manera simple, si un determinado subconjunto es o no
subespacio de un espacio vectorial dado. El siguiente teorema nos brinda un mtodo sencillo para este efecto.
Teorema 1.1. Sea (V, +, ) un espacio vectorial sobre el cuerpo y sea S V, S = . (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 , uS entonces uS.
Ejercicio 1.1. Si S V entonces 0
V
S.
Todo espacio vectorial tiene, de manera natural, dos subespacios vectoriales, llamados subespacios vectoriales triv-
iales del espacio vectorial V. Estos son: el mismo espacio vectorial V, vale decir, V V y el espacio vectorial nulo, vale
decir el espacio vectorial cuyo nico elemento es el neutro aditivo de V: {0
V
} V.
Ejemplo 1.1. Considere W ={(x, y )
2
: y =0}. Probemos que W es un subespacio vectorial de
2
. Para ello, debemos
vericar:
1. W =, lo cual es cierto pues (0, 0) W.
2. (x, y ), (u, v) W (x, y ) + (u, v) W.
En efecto: (x, y ), (u, v) W y =0 v =0. Por lo tanto, (x, y )+(u, v) = (x, 0)+(u, 0) = (x +u, 0). Es decir, la segunda
componente de la suma de dos vectores en W da como resultado un vector que tambin pertenece a W.
3. , (x, y ) W (x, y ) W.
En efecto: (x, y ) W y =0. Por lo tanto, (x, y ) = (x, 0) = (x, 0) W.
Como las tres condiciones se satisfacen, hemos probado que W
2
.
Ejemplo 1.2. Considere W ={(x
1
, x
2
, , x
n
)
n
: x
n
=0}. Probemos que W es un subespacio vectorial de
n
. Para ello,
debemos vericar:
1. W =, lo cual es cierto pues (0, 0, , 0) W.
2. (x
1
, x
2
, , x
n
), (u
1
, u
2
, , u
n
) W (x
1
, x
2
, , x
n
) + (u
1
, u
2
, , u
n
) W.
En efecto: (x
1
, x
2
, , x
n
), (u
1
, u
2
, , u
n
) W x
n
= 0 u
n
= 0. Por lo tanto, (x
1
, x
2
, , x
n
) + (u
1
, u
2
, , u
n
) =
(x
1
, x
2
, , 0) + (u
1
, u
2
, , 0) = (x
1
+u
1
, x
2
+u
2
, , 0). Es decir, la nsima componente de la suma de dos vectores
en W da como resultado un vector que tambin pertenece a W.
3. , (x
1
, x
2
, , x
n
) W (x
1
, x
2
, , x
n
) W.
En efecto: (x
1
, x
2
, , x
n
) W x
n
=0. Por lo tanto, (x
1
, x
2
, , x
n
) = (x
1
, x
2
, , 0) = (x
1
, x
2
, , 0) W.
Como las tres condiciones se satisfacen, hemos probado que W
n
.
Ejemplo 1.3. Sea (1, 2)
2
y consideremos W = {(x, y )
2
: (x, y ) = (1, 2), }. Probemos que W es un
subespacio vectorial de
2
.
1. W =, lo cual es cierto pues (0, 0) =0 (1, 2) W.
2. Debemos probar ahora que (x
1
, x
2
), (u
1
, u
2
) W (x
1
, x
2
) + (u
1
, u
2
) W.
En efecto: (x
1
, x
2
), (u
1
, u
2
) W , : (x
1
, x
2
) = (1, 2),
(u
1
, u
2
) = (1, 2). Por lo tanto, (x
1
, x
2
) + (u
1
, u
2
) = (1, 2) + (1, 2) = (+) (1, 2) W, pues + .
3. Probemos ahora que , (x
1
, x
2
) W (x
1
, x
2
) W.
En efecto: (x
1
, x
2
) W (x
1
, x
2
) = ( (1, 2)) = () (1, 2) W, pues .
Grcamente, este subespacio vectorial se representa por una recta en el plano, en la misma direccin que el vector
(1, 2).
Ejemplo 1.4. Como en el ejemplo anterior, sea V un espacio vectorial real, y sea u
0
V, con
u
0
=0
V
. Consideremos W ={v V : v = u
0
, }. Probemos que W es un subespacio vectorial de V.
1. W =, lo cual es cierto pues tomando 0 , obtenemos que 0 u
0
=0
V
W.
2. Probemos que v
1
, v
2
W v
1
+v
2
V. En efecto: v
1
, v
2
V nos asegura que existen , de manera que
v
1
= u
0
y que v
2
= u
0
. Luego, v
1
+v
2
= u
0
+ u
0
= (+) u
0
V
3. Probemos ahora que , v W v W. En efecto: v W nos asegura que existe tal que v = u
0
. Luego,
v = u
0
= () u
0
W.
Debido a la analoga con el ejemplo anterior (4.-), este espacio vectorial recin descrito se denomina recta vectorial,
con direccin u
0
.
Ejemplo 1.5. Sea E ={(x, y, z)
3
: 2x +y =0}. Probemos que E
3
.
1. E =, lo cual es cierto pues (0, 0, 0) E.
2. Probemos que:
(x, y, z), (u, v, w) E (x, y, z) + (u, v, w) = (x +u, y +v, z +w) E. Este ltimo vector pertenece a E
2(x +u) +y +v =0, condicin que se cumple pues como (x, y, z), (u, v, w) E 2x +y = 2u +v = 0 de donde
2x +y +2u +v = 2(x +u) +y +v = 0. Luego, la suma de los vectores pertenece a E.
3. Anlogamente para el producto por escalar.
Ejercicio 1.2. Vericar que si S =
__
a b
c d
_
22
() : a =b y c =d
_
, entonces S
22
().
Ejercicio 1.3. Vericar que si T =
__
a b
c d
_
22
() : a =1
_
, entonces T no es subespacio vectorial de
22
().
Proposicin 1.1. Sea V un espacio vectorial sobre un cuerpo , W
1
, W
2
V. Luego:
1. W
1
W
2
V.
2. W
1
+W
2
V, donde el conjunto suma de W
1
+W
2
se dene como:
W
1
+W
2
={u+v : uW
1
, v W
2
}
Denicin 1.2. Si W
1
, W
2
V y W
1
W
2
={0
V
} entonces el subespacio suma W
1
+W
2
es llamado suma directa y se escribe
W
1
W
2
.
Observacin 1.2. La unin de subespacios no es necesariamente un subespacio vectorial. Considere por ejemplo V
1
=
__
x, y
_
2
: x =0
_
y V
1
=
__
x, y
_
2
: y =0
_
.
1.1.1 Ejercicios
1. Sea S ={A M
nn
: A
t
=A} Probar que S M
nn
.
2. Sea T ={A M
nn
: A
t
=A} Probar que T M
nn
.
3. Muestre que S T =M
nn
()
4. n m C
n
[a, b] C
m
[a, b].
5. Considere los siguientes subespacios vectoriales de
3
:
E ={(x, y, 0) : x, y }, F ={(0, 0, z) : z }, G ={(0, y, z) : y, z }.
Determine: E F, E G, G F, E +F, E +G, G +F. Haga una descripcin geomtrica y dibuje cada uno de estos
subespacios.
1.2 Combinaciones lineales
Denicin 1.3. Sean
1
,
2
, ,
n
y sean u
1
, u
2
, , u
n
V, donde V es un espacio vectorial real. La expresin
n
i =1
i
u
i
es una combinacin lineal de los vectores u
1
, u
2
, , u
n
.
Observacin 1.3. 0
v
es combinacin lineal de cualquier conjunto de vectores.
Ejemplo 1.6. El vector de
3
, (0, 2, 3) es una combinacin lineal de los vectores (1, 0, 0), (1, 1, 0), (1, 1, 1). Para probarlo,
escribimos
(0, 2, 3) = (1, 0, 0) + (1, 1, 0) + (1, 1, 1)
luego, debemos encontrar , , que satisfagan las siguientes ecuaciones:
0 = + +
2 = +
3 =
Resolviendo, determinamos que =3, =5, =2.
Notar que (0, 2, 3) no es combinacin lineal de los vectores (1, 1, 0), (1, 1, 1), pues, usando el mismo razonamiento, si
(0, 2, 3) = (1, 1, 0) + (1, 1, 1) entonces
0 = +
2 = +
3 =
lo cual es obviamente contradictorio.
1.2.1 Ejercicios
1. Considere los vectores u = (2, 1, 2), v = (1, 1, 1)
3
. Escriba, si es posible, los vectores a = (4, 5, 8) y b =
(4, 1, 5) como combinacin lineal de u y v. Determine los valores de x para los cuales el vector (x, 4, 7) es una
combinacin lineal de u y v.
2. Dados u
1
= (1, 2, , 1), u
2
= (, 1, 2, 3), u
3
= (0, 1, , 0)
4
, determine los valores de y para que uno de los
vectores sea combinacin lineal de los otros dos.
3. Decidir si p (t ) =t
2
t +1 es combinacin lineal de p
1
(t ) = (t 1)
2
y p
2
(t ) =t
4. Decidir si
_
1 2
1 0
_
es combinacin lineal de
_
0 1
1 1
_
y
_
1 1
1 0
_
.
CLASE 2
Puede realizar ejercicios o adelantar contenidos (paralelos sin clases por feriado)
Semana 7: Lunes 25 viernes 29 de Abril.
COMPLEMENTO
Clase 1: Espacio generado. Dependencia e independencia lineal. Ejemplos.
Clase 2: Bases y bases cannicas. Dimensin.
Contenidos
CLASE 1
1.1 Espacio generado
Recordemos que para los propsitos de estas notas, los cuerpos que estamos considerando son: el cuerpo de los nmeros
reales , el cuerpo de los nmeros complejos y el cuerpo de los nmeros racionales . Pero las deniciones aqu dadas
funcionan para cualquier cuerpo.
Ejercicio 1.1. Vericar que la interseccin de una coleccin de subespacios de un espacio vectorial V es tambin un
subespacio vectorial de V.
El propsito del ejercicio anterior es poder justicar la siguiente denicin.
Denicin 1.1. Sea V un espacio vectorial sobre un cuerpo y sea X V, X = . El espacio generado por X, denotado
por X por G(X), es dado por la interseccin de todos los subespacios de V que contienen al conjunto X.
Teorema 1.1. Sea V un espacio vectorial sobre un cuerpo .
Los elementos de G(X) son los elementos del espacio vectorial formado por todas las combinaciones lineales posibles de
elementos de X.
Si X es nito, digamos X ={x
1
, x
2
, , x
k
}, entonces
X =
_
k
i =1
i
x
i
,
i

_
Observacin 1.1. Si W =v
1
, v
2
, . . . , v
n
decimos que v
1
, v
2
, . . . , v
n
generan a W o que es un conjunto generador de W.
Ejemplo 1.1. Si W ={(x, y )
2
: (x, y ) = (1, 2), } entonces W =(1, 2), es decir, (1, 2) genera a W.
Observemos que (2, 4) tambin genera a W y, de manera ms general, si =0, entonces (, 2) genera W.
Los vectores (0, 0) y (1, 2) tambin forman un conjunto generador de W.
Ejemplo 1.2. Si W ={v V : v = u
0
, } entonces W =G(u
0
) =u
0
.
Ejemplo 1.3. En
2
considere los vectores u = (2, 1), v = (1, 1), w= (1, 4). Probemos que
2
=G(u, v) =G(u, v, w) y que
2
=G(u).
Para probar que
2
= G(u, v), debemos demostrar que dado cualquier (x, y )
2
, existen , tal que (x, y ) =
(2, 1) + (1, 1). La igualdad implica
x = 2
y = +
_
de donde =
x +y
3
, =
2y x
3
.
Esto signica que dado cualquier vector (x, y )
2
podemos determinar explcitamente, en funcin de x e y , los
valores de y .
Ya que {u, v} {u, v, w}, se puede fcilmente concluir que
2
= G(u, v, ) G(u, v, w), de donde concluimos que
G(u, v, w) =
2
.
Otra manera de concluir lo mismo es proceder de mana anloga al caso anterior. Para probar que
2
= G(u, v, w),
debemos demostrar que dado cualquier (x, y )
2
, existen , , tal que
(x, y ) = (2, 1) + (1, 1) + (1, 4). Notar que si tomamos, arbitrariamente, =0, los valores de y obtenidos arriba
demuestran la armacin. Si asignamos otro valor a , tambin podemos resolver el sistema para y . En general,
entonces, podemos decir que:
=
x +y 5
3
, =
2y x 7
3
donde es un parmetro real. Por lo tanto, en este caso tambin es posible determinar explcitamente los valores de ,
y .
Para probar que
2
= G(u) basta encontrar un vector en
2
que no sea combinacin lineal de u. Por ejemplo, si
tomamos el vector (1, 0)
2
vemos que no existe : (1, 0) = (2, 1).
Ejemplo 1.4. Claramente
G((1, 0), (0, 1)) = (1, 0), (0, 1)
= (1, 2), (3, 2)
= G((1, 0), (1, 2), (5, 3)) =
2
Anlogamente,
2
[x] = G(1, x, x
2
)
= 2, 1+x, x x
2
= 1, 1+x, 1+x +x
2
Ejemplo 1.5.
n
[x] =G(1, x, x
2
, , x
n
)
Ejemplo 1.6. sin(x), cos(x) ={f (x) C
() : f (x) =sin(x) + cos(x), , }.

Ejemplo 1.7. M
22
() =G
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
Ejercicio 1.2. Caracterizar el espacio generado por los vectores (0, 1, 2) , (1, 3, 1) y (2, 11/2, 3)
Ejercicio 1.3. Encontrar un conjunto generador del subespacio
__
a b
b c
_
: a, b, c
_
22
()
1.2 Dependencia e independencia lineal
Denicin 1.2. Sean u
1
, u
2
, , u
n
V. Diremos que {u
1
, u
2
, , u
n
} es un conjunto:
1. linealmente independiente (l.i.) ssi
n
i =i
i
u
i
=0
V

i
=0 i =1, , n.
Tambin se dice que los vectores anteriores son linealmente independientes (l.i.).
2. linealmente dependiente (l.d.) ssi
1
, ,
n
, no todos nulos :
n
i =i
i
u
i
=0
V
Tambin se dice que los vectores anteriores son linealmente dependientes (l.d.).
Ejemplo 1.8. El conjunto {(1, 0), (0, 1)}
2
es un conjunto l.i. En efecto, si consideramos
(0, 0) =
1
(1, 0) +
2
(0, 1) = (
1
,
2
)
entonces obtenemos que
1
=0,
2
=0.
Ejemplo 1.9. El conjunto {(1, 2), (3, 1)}
2
es un conjunto l.i. En efecto, si consideramos
(0, 0) =
1
(1, 2) +
2
(3, 1) = (
1
+3
2
, 2
1
2
)
entonces, tenemos el sistema lineal a resolver
1
+3
2
=0
2
1
2
=0
Obtenemos que
1
=0,
2
=0.
Ejemplo 1.10. El conjunto {(1, 2), (3, 1), (5, 1)}
2
es un conjunto l.d. Como antes, si tenemos la igualdad
1
(1, 2) +
2
(3, 1) +
3
(5, 1) = (0, 0)
se sigue
1
+3
2
+5
3
= 0
2
1
2
+
3
= 0
Este es unsistema de 2 ecuaciones con3 incgnitas, que tiene innitas soluciones. Luego, hemos probadoque {(1, 2), (3, 1), (5, 1)}
es l.d.
Es importante mencionar que, si bien
1
=
2
=
3
= 0 es una posible solucin del sistema, no es la nica. Lo que
hemos probado es que existen valores
i
, no todos nulos, que satisfacen la condicin de la denicin.
Ejemplo 1.11. El conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
3
es un conjunto l.i.
Ejemplo 1.12. El conjunto {(1, 0, 0), (0, 1, 0), (1, 1, 0)}
3
es un conjunto l.d. Basta notar que (1, 1, 0) = (1, 0, 0) + (0, 1, 0). En
otras palabras, existen valores de
1
,
2
,
3
no todos nulos tales que
1
(1, 0, 0) +
2
(0, 1, 0) +
3
(1, 1, 0) = (0, 0, 0).
En efecto, basta tomar
1
=1,
2
=1,
3
=1.
Ejemplo 1.13. El conjunto {(0, 1, 0), (1, 1, 0)}
3
es un conjunto l.i.
Ejemplo 1.14. El conjunto {sin(x), cos(x)} C() es un conjunto l.i. En efecto, supongamos que tenemos valores
reales
1
y
2
de manera que valga la siguiente igualdad
1
sin(x) +
2
cos(x) =0.
Derivando, obtenemos una segunda ecuacin, que nos permite determinar
1
y
2
, dada por
1
cos(x)
2
sin(x) =0.
Multiplicamos la primera ecuacin por
2
y la segunda por
1
, las sumamos y como este sistema debe satisfacerse
para todos los valores posibles de x , necesariamente,
2
1
+
2
2
=0. La nica posibilidad es que
1
=
2
=0.
Ejemplo 1.15. El conjunto {e
x
, e
x
} C
1
[0, 1] es un conjunto l.i., siempre que =.
Ejemplo 1.16. El conjunto {1, x, x
2
, , x
n
}
n
[x] es un conjunto l.i.
1.2.1 Observaciones
1. Todo conjunto de vectores que contenga al vector nulo 0
V
es un conjunto l.d. En particular, el conjunto {0
V
} es l.d.
2. Si un conjunto M de vectores es l.i., todo subconjunto de M tambin es l.i.
3. Si un conjunto de vectores N es l.d., todo conjunto que contenga a N ser l.d.
4. Si bien en la denicin de conjuntos linealmente independientes o dependientes hemos considerado conjuntos
nito, la nitud se puede eliminar. Es decir, si tenemos un conjunto X V, X = , entonces diremos que X es un
conjunto linealmente independiente si todo subconjunto no vaco nito de este es linelamente independiente. En
caso contrario, decimos que este conjunto es linealmente dependiente.
5. Si X es unconjunto nito o innito, X =, entonces uno puede considerar todas las combinaciones lineales posibles
usando una cantidad nita de vectores de X. Este conjunto resulta ser el espacio generado por X.
Teorema 1.2. Sea X V, X =, X ={0
V
}. Entonces, Y X tal que Y es un conjunto l.i. y G(X) =G(Y ).
Este teorema arma que cualquier subconjunto no vaco de vectores, salvo el que contiene slo al 0
V
, tiene un sub-
conjunto l.i. de vectores. Notemos tambin que no hace referencia a si el conjunto X es nito o no. De todas maneras, en
este curso en general trabajaremos con juntos nitos X de vectores.
CLASE 2
2.1 Bases y dimensin.
Denicin 2.1. Sea B V un subconjunto nito (ordenado), B = . Diremos que B es una base (ordenada) de V si se
satisfacen las siguientes dos condiciones:
1. G(B) =V
2. B es l.i.
Teorema 2.1. Todo espacio vectorial tiene una base.
2.1.1 Ejemplos
1. B ={(1, 0), (0, 1)} es una base de
2
.
2. B ={(1, 2), (3, 1)} es una base de
2
.
3. C ={(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de
3
, es llamada base cannica de
3
.
4. B ={(1, 1, 1), (0, 1, 1), (0, 0, 1)} es una base de
3
.
5. C ={1, x, x
2
, , x
n
} es una base de
n
[x].
6. B ={sin, cos} es una base de V =G({sin, cos}).
7. B =
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
es una base de M
22
(). Se llama base cannica de M
22
().
8. El conjunto B =
_
3, x 1, x
2
+x
_
es base del espacio vectorial
2
[x].
Teorema 2.2. Si el espacio vectorial V sobre el cuerpo tiene una base constituida por n vectores, entonces toda base de V
tiene cardinalidad n.
Idea general de la prueba. Supongamos que tenemos dos bases
B
1
={v
1
, ..., v
n
}
B
2
={w
1
, ..., w
m
}
de manera que n =m.
Supongamos que m > n (el caso n < m es similar). La idea es ver que es posible quitar, de manera astuta n vectores
de W, digamos w
1
, ..., w
n
(salvo reordenamiento de los ndices) de manera que el conjunto {v
1
, ..., v
n
, w
n+1
, ..., w
m
} siga
siendo un conjunto l.i.. Ahora, como B
1
es una base de V, se puede vericar que o anterior es una contradiccin.
El teorema anterior nos permite dar la siguinete denicin.
Denicin 2.2. Sea V un espacio vectorial sobre , B ={u
1
, , u
n
} una base de V. Diremos que n es la dimensin de V
sobre el cuerpo . Escribimos dim
V =n.
Corolario 2.1. Sea V un espacio vectorial de dimensin n, entonces, cualquier subconjunto de V de cardinalidad n +1 es
un conjunto l.d.
2.1.2 Ejemplos
1. C ={(1, 0), (0, 1)} es una base de
2
. Se conoce como la base cannica de
2
. B ={(1, 2), (3, 1)} es otra base de
2
.
Claramente, dim
2
=2.
2. C = {(1, 0, , 0), (0, 1, 0, , 0), , (0, 0, , 1)} es una base de
n
. Se conoce como la base cannica de
n
. Se acos-
tumbra escribir los vectores de la base cannica como e
1
= (1, 0, , 0), e
2
= (0, 1, 0, , 0), , e
n
= (0, 0, , 1). En este
caso, dim
n
= n. Si el espacio considerado es
3
, en las aplicaciones fsicas los vectores de la base cannica se
denotan por
i ,
j ,
k , respectivamente.
3. A ={(2, 1, 0), (0, 0, 1)} es una base de V ={(x, y, z)
3
: x +2y =0}. Luego, dim
V =2.
4. C ={1, x, x
2
, , x
n
} es la base cannica de
n
[x]. Luego, dim
n
[x] =n +1.
5. C =
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
es la base cannica de M
22
(). Por lo tanto, dim
M
22
() =
4.
6. Para las matrices reales de orden m n se tiene que dim
M
mn
() =m n.
7. Si es un cuerpo, entonces, mirando este cuerpo como espacio vectorial sobre si mismo se tiene dim
=1.
8. Mirando
n
como un espacio vectorial sobre , se tiene que dim
n
=n.
9. Mirando
n
como un espacio vectorial sobre , se tiene que dim
n
=2n.
2.1.3 Ejercicios
1. Determine una base y la dimensin de cada uno de los siguientes subespacios:
(a) A ={(x, y, z)
3
: x y =0, z 2x =0}
3
(b) B ={(2x, x, x +2y, y )
4
: x, y }
4
(c) C ={(x, y, z, t )
4
: x +3t =0}
4
2. Determine la dimensin de B C del ejercicio anterior. Encuentre, si es posible, una base.
Teorema 2.3. W V = dimW dimV
Teorema 2.4 (completacin de una base). Sea V un espacio vectorial sobre , con dim
V =n.
Sea W V con dim
W =m.
Sea B ={u
1
, u
2
, , u
m
} una base del subespacio W.
Entonces, existen vectores u
m+1
, u
m+2
, , u
n
V de manera que ; B {u
m+1
, u
m+2
, , u
n
} es una base de V.
2.1.4 Ejercicios
1. Sea A ={(1, 2, 3), (2, 1, 1)}. Verique que A es l.i. y complete este conjunto para obtener una base de
3
.
2. Sea A ={1, 1+x, x
2
+x
3
}. Verique que A es l.i. y complete este conjunto para obtener una base de
3
[x].
3. Sea A =
__
1 1
2 0
_
,
_
0 1
3 4
_
,
_
1 0
1 1
__
. Verique que A es l.i. y complete este conjunto para obtener una
base de M(, 22).
Corolario 2.2. Sea V un espacio vectorial, dim
V =n. Si B V, B ={u
1
, , u
n
} es un conjunto l.i., entonces B es una base
de V.
Observacin 2.1. El resultado anterior es til si se conoce la dimensin de un espacio vectorial V. En este caso, para
probar que un conjunto es base de V, basta probar que el conjunto es l.i.
2.1.5 Ejercicios
1. Determine si los siguientes son base de
4
. Si no lo son, vea si es posible extraer una base de
4
en cada caso.
(a) A ={(0, 1, 1, 0), (1, 0, 2, 1), (1, 3, 0, 0), (2, 2, 0, 1)}
(b) B ={(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}
2. Determine si los siguientes son base de
2
[x]. Si no lo son, vea si es posible extraer una base de
4
en cada caso.
(a) C ={1, 1+x, 1+x +x
2
}
(b) D ={x +x
2
, 1+x, 1+x
2
}
Teorema 2.5. Sea B ={u
1
, , u
n
} V. Entonces, B es una base de V si todo vector de V puede ser escrito de manera nica
como una combinacin lineal de los vectores u
1
, , u
n
.
Observacin 2.2. Este teorema dice que dado un vector cualquiera en un espacio vectorial V con una base dada B, los
coecientes del vector con respecto a esa base B son nicos, vale decir, si
v V, !
i
, i =1, , n : v =
1
u
1
+
2
u
2
+ +
n
u
n
Esto permite denir las coordenadas de v con respecto a la base ordenada B, usando los coecientes
i
que acompaan
a los vectores u
i
. La matriz columna
_
_
_
_
_
_
2
.
.
.
n
_
_
_
_
_
_
se llama matriz de coordenadas de v con respecto a la base B. Usaremos la
notacin [v]
B
.
2.1.6 Ejemplos
1. En
3
, considere la base ordenada B = {(1, 2, 3), (1, 0, 1), (0, 2, 0)} y la base cannica de
3
, es decir, C = {e
1
=
(1, 0, 0), e
2
= (0, 1, 0), e
3
= (0, 0, 1)}. Determine la matriz de coordenadas del vector (2, 8, 6) con respecto a ambas
bases, es decir, encuentre [(2, 8, 6)]
B
y [(2, 8, 6)]
C
.
Como (2, 8, 6) =1 (1, 2, 3) +3 (1, 0, 1) 5 (0, 2, 0), se tiene que
[(2, 8, 6)]
B
=
_
_
_
1
3
5
_
_
_
Como (2, 8, 6) =2 (1, 0, 0) +8 (0, 0, 1) 6 (0, 0, 1), se tiene que
[(2, 8, 6)]
C
=
_
_
_
2
8
6
_
_
_
2. En
2
[x], considere la base ordenada B = {1, x +1, x
2
+1} y la base cannica ordenada de
2
[x], es decir C =
{1, x, x
2
}.
Determine la matriz de coordenadas del polinomio p(x) =2x +3x
2
con respecto a ambas bases.
Tenemos que
p(x) = 2x +3x
2
=
1
(1) +
2
(x +1) +
3
(x
2
+1)
= (
1
+
2
+
3
) 1+
2
x
3
x
2
luego,
1
+
2
+
3
= 2
2
= 1
3
= 3
Resolviendo, obtenemos que
[p(x)]
B
=
_
_
_
6
1
3
_
_
_ [p(x)]
C
=
_
_
_
2
1
3
_
_
_
Semana 8: Lunes 02 viernes 06 de Mayo
COMPLEMENTO
Clase 1: Valores y vectores propios de una matriz. Espacio propio asociado.
Clase 2: Diagonalizacin.
Contenidos
CLASE 1
1.1 Valores y vectores propios de una matriz. Espacio propio asociado.
Hasta ahora la mayora de nuestros clculos los hemos motivado o llevado a sistemas de ecuaciones algebraicos, daremos
una motivacin algo distinta para lo que sigue. Muchas aplicaciones estn relacionadas con ecuaciones diferenciales
(esto se ver con mayor detencin en MAT023), como por ejemplo:
du
1
dt
= 7u
1
4u
2
du
2
dt
= 5u
1
2u
2
Estas dos ecuaciones nos dicen la forma en la cual estn relacionadas las variaciones de las funciones u
1
y u
2
.
Estas ecuaciones pueden ser escritas en la forma matricial
_
u
1
u
2
_
=
_
7 4
5 2
__
u
1
u
2
_
o de manera equivalente
u
=Au
donde
u
=
_
u
1
u
2
_
, A =
_
7 4
5 2
_
y u=
_
u
1
u
2
_
Las soluciones de la ecuacin u
= u tienen la forma u = e
t
. As, podemos intentar buscar soluciones de la
ecuacin anterior de la forma
u
1
=
1
e
t
u
2
=
2
e
t
Notemos que en principio podran no haber tal tipo de soluciones.
Si estas fuesen soluciones, entonces (derivando y sustituyendo) obtendramos el sistema
1
e
t
= 7
1
e
t
4
2
e
t
2
e
t
= 5
1
e
t
2
2
e
t
De lo anterior, obtenemos el sistema
_
7 4
5 2
__

1
2
_
=
_

1
2
_
En resumen, podemos construir soluciones para
du
1
dt
= 7u
1
4u
2
du
2
dt
= 5u
1
2u
2
en la forma
u
1
=
1
e
t
u
2
=
2
e
t
siempre y cuando podamos encontrar y x =
_

1
2
_
que cumplan
Ax =x
Claramente x =0 satisface esta igualdad (para cualquier eleccin de ), pero no nos entrega informacin til sobre la
solucin del sistema. Lo que realmente necesitamos son escalares y vectores x =0 que cumplan Ax =x.
La ecuacin Ax =x la podemos reescribir en la forma
(A I ) x =0
esto es, el sistema de ecuaciones homogneo tiene soluciones no nulas, se sigue que los escalares interesantes son aquel-
los para los cuales det (A I ) =0. Estas observaciones motivan las siguientes deniciones.
Denicin 1.1. Si A es una matriz de orden n n.
1. Un escalar se llama un valor propio de A si existe un vecttor x =0 (de orden n 1) tal que Ax =x.
2. El conjunto de todos los valores propios de la matriz A es denotado por (A) y es llamado el espectro de A.
3. Sea (A). Un vector x (de orden n 1) tal que Ax = x es llamado un vector propio de A asociado al valor
propio .
Proposicin 1.1. Si es un valor propio de la matriz A de orden n n entonces W
={x : Ax =x} es un espacio vectorial

(de quien es subespacio) al que llamaremos espacio propio asociado a .
Ejercicio 1.1. Sea A una matriz real de tamao n n y sea (A).
1. Vericar, con ejemplos, que puede ser un nmero complejo no real.
2. Sea (A). Vericar que el conjunto de vectores propios de A asociados al valor propio es un subespacio
vectorial del espacio de matrices complejas de tamao n 1.
3. Sea (A). Vericar que el conjunto de vectores propios de A asociados al valor propio que tienen todos sus
coecientes reales es un subespacio vectorial del espacio de matrices reales de tamao n 1.
4. Sea (A). Buscar ejemplos donde el espacio de vectores propios asociados a con entradas reales es diferente
del espacio de vectores propios asociados a . Cundo podemos asegurar igualdad?
Observacin 1.1. (A) A I es singulardet(A I ) =0
Para encontrar los valores propios de una matriz A debemos buscar aquellos escalares tales que det(A I ) = 0.
Note que det(A I ) es un polinomio en al que llamaremos polinomio caracterstico de la matriz A y lo denotaremos
por P
A
().
Si P
A
() es el polinomio caracterstico de la matriz A entonces P
A
() = 0 es llamada la ecuacin caracterstica de la
matriz A.
Ejemplo 1.1. Encontrar los valores propios de
A =
_
7 4
5 2
_
Desarrollo: Calculamos
det (A I ) =
_
_
_
_
7 4
5 2
_
_
_
_
=
2
5+6
luego los valores propios son las soluciones de la ecuacin
2
5+6 =0
es decir 3 y 2 se sigue (A) ={2, 3} en este caso.
Observacin 1.2. Si A es de orden n n entonces el polinomio carcterstico tiene grado n, por lo tanto tiene n posibles
valores complejos que satisfacen la ecuacin (contando multiplicidades). En particular, hay a lo ms n valores propios
reales de A.
Si hemos encontrado un valor propio podemos buscar los vectores propios asociados a este de la siguiente forma.
En el ejemplo anterior tomemos = 2. Entonces, para buscar los vectores propios asociados al valor propio 2, debemos
resolver el sistema lineal siguiente y buscar las soluciones diferentes del trivial
_
7 4
5 2
__
x
y
_
=2
_
x
y
_
Se tiene que
_
x
y
_
es solucin del sistema homogneo
_
5 4
5 4
__
x
y
_
=
_
0
0
_
tiene innitas soluciones de la forma
_
4
5
t
t
_
con t es decir el conjunto de las soluciones lo podemos representar
como
__
4
5
1
__
2
.
Denicin 1.2. Sea A una matriz y (A). Llamaremos multiplicidad algebraica del valor propio a la multiplicidad
de como raz del polinomio caracterstico y llamaremos multiplicidad geomtrica a la dimensin de W
es espacio
propio asociado.
Proposicin 1.2. Sea A una matriz:
1. La suma de los valores propios de A (contando multiplicidad algebraica) es igual a la traza de A.
2. El producto de los valores propios de A (contando multiplicidad algebraica) es igual al determinante de A.
3. Los valores propios de una matriz triangular son los elementos de su diagonal principal.
1. Considere una matriz
A =
_
a b
c d
_
encontrar su polinomio caracterstico y expresar sus coecientes en trminos de traza y determinante.
2. Para las siguientes matrices
A =
_
0 1
1 0
_
, B =
_
_
_
3 1 3
20 3 10
2 2 4
_
_
_ y C =
_
_
_
0 0 1
0 2 0
3 0 0
_
_
_
determinar los polinomios caractersticos, valores propios, espacios propios asociados y las multiplicidades corre-
spondientes.
CLASE 2
2.1 Diagonalizacin
Notemos que si P es una matriz no singular de orden n n y A es una matriz del mismo orden, entonces
det
_
P
1
AP I
_
= det
_
P
1
AP P
1
I P
_
= det
_
P
1
(A I ) P
_
= det
_
P
1
_
det (A I ) det (P)
= det (A I )
De lo anterior se observa que B =P
1
AP y A tienen el mismo polinomio caracterstico.
La idea sera considerar una matriz P adecuada de tal forma que P
1
AP fuera lo ms sencilla posible para poder
encontrar el polinomio carcaterstico. Este clculo motiva la siguiente denicin.
Denicin 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.
El problema fundamental es el siguiente. Dada una matriz cuadrada A, reducir esta a su forma ms simple a travs
de una transformacin por similaridad P
1
AP. Las matrices ms fciles de calcular su polinomio caracterstico son las
matrices diagonales.
Denicin 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.
Es vlido preguntar Es toda matriz diagonalizable? la respuesta es no, por ejemplo si consideramos la matriz
A =
_
0 1
0 0
_
Notemos que A
2
= [0]
22
. Si existiera una matriz P no singular tal que P
1
AP =D con D diagonal, entonces
D
2
=
_
P
1
AP
__
P
1
AP
_
=P
1
A
2
P
= P
1
[0] P = [0]
Como D es diagonal, lo anterior obliga a tener que D = [0]. Pero esto ltimo obligara a tener A = [0], lo que es una
contradiccin.
Entonces Cuales matrices son diagonalizables? Note lo siguiente
P
1
A
nn
P =D =
_
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
_
de donde
AP =PD
si ponemos
P =
_
v
1
v
2
v
n
_
donde v
i
son los vectores columnas de P, entonces
AP =
_
Av
1
Av
2
Av
n
_
y
PD =
_

1
v
1

2
v
2

n
v
n
_
De lo anterior se obtiene que, i = 1, 2, . . . , n, se cumple Av
i
=
i
v
i
, es decir, P
1
A
nn
P = D implica que P tiene en
sus columnas n vectores propios linealmente independientes y D es la matriz diagonal que tiene por entradas los valores
propios de la matriz A. La recproca de esta armacin se puede vericar sin problemas.
Teorema 2.1. Una matriz de tamao n n y entradas complejas (o reales) es diagonalizable si el espacio de matrices de
tamao n 1 y entradas complejas 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.
Ejercicio 2.1. Diagonalizar la matriz
A =
_
_
_
1 4 4
8 11 8
8 8 5
_
_
_
El polinomio carcaterstico es (1) (+3)
2
. Luego, los valores propios son = 1 (de multiplicidad algebraica 1) y
=3 (de multiplicidad algebraica 2). En particular, tenemos que (A) ={1, 3}.
Se puede calcular que,
_
_
_
1
2
1
1
_
_
_genera el espacio propio asociado al valor propio 1 y los vectores
_
_
_
1
1
0
_
_
_,
_
_
_
1
0
1
_
_
_gen-
eran el espacio propio asociado al valor propio 3, es decir, W
=1
=
_
_
_
_
1
2
2
_
_
_
_
y W
=3
=
_
_
_
_
1
1
0
_
_
_,
_
_
_
1
0
1
_
_
_
_
. Como
los vectores
_
_
_
1
2
2
_
_
_,
_
_
_
1
1
0
_
_
_,
_
_
_
1
0
1
_
_
_forman una base del espacio de matrices de tamao 3 1 y enradas complejas, la
matriz A es diagonalizable y una matriz diagonal similar a A es dada por
_
_
_
1 1 1
2 1 0
2 0 1
_
_
_
1
_
_
_
1 4 4
8 11 8
8 8 5
_
_
_
_
_
_
1 1 1
2 1 0
2 0 1
_
_
_=
_
_
_
1 0 0
0 3 0
0 0 3
_
_
_
Notemos en este ejemplo que la matriz no-singular P tiene todas sus entradas reales.
Todo el problema de la diagonalizacinse reduce a encontrar una base de vectores propios. Note que casa valor propio
tiene asociado un espacio propio y de cada uno de esos espacios propios podemos extraer una base, se tiene el siguiente
teorema.
Teorema 2.2. Para cada valor propio se cumple que la multiplicidad geomtrica es menor o igual que la multiplicidad
algebraica
De esta forma de cada subespacio podemos extraer a lo ms tantos vectores como multiplicidad algebraica tenga el
valor propio
Teorema 2.3. Vectores propios correspondientes a valores propios diferentes son linealmente independientes.
Proof. Sea A una matriz, , (A), donde =. Sean v, w vectores no nulos, tal que Av =v y Aw =w.
Consideremos escalares , de manera que
(1) v +w =0
Entonces,
(2) 0 =A0 =A(v +w) =v +w
De esta manera, multiplicando (1) por y restandole (2), se obtiene que
( )av =0
Como v =0 y =, se tiene que =0. Ahora, usando (1) y el hecho que w =0, se obtiene que =0.
Luego el problema de la diagonalizacin se reduce al siguiente teorema.
Teorema 2.4. Una matriz es diagonalizable si y solo si para todo valor propio la multiplicidades algebraicas y geomtricas
coinciden.
Corolario 2.1. Si todos los valores propios son distintos (es decir, cada uno de ellos tiene multiplicidad algebraica 1), en-
tonces la matriz es diagonalizable (el recproco no es verdad)
Ejercicio 2.2. Determinar si las siguientes matrices son diagonalizables
A =
_
_
_
1 1 2
8 11 8
10 11 7
_
_
_
B =
_
_
_
1 4 4
8 11 8
8 8 5
_
_
_
COMPLEMENTO
Clase 1: Aplicacin a obtencin de forma cannica de formas cuadrticas.
Clase 2: Secciones cnicas rotadas.
Contenidos
CLASE 1
1.1. Proceso de ortogonalizacin de Gram-Schmidt
Teorema 1.1 (Proceso de ortogonalizacin de Gram-Schmidt). Si x
1
, x
2
, . . . , x
m
son vectores l.i. en
n
, entonces es posible
construir vectores ortogonales y
1
, y
2
, . . . , y
n
tales que para cada k =1, 2, . . . , m se cumple
G ({x
1
, x
2
, . . . , x
k
}) =G
__
y
1
, y
2
, . . . , y
k
__
Demostracin. Los vectores y
i
se construyen siguiendo un anlogo a la contruccin de la proyeccin ortogonal
y
1
= x
1
y
2
= x
2
_
x
2
, y
1
_
_
_
y
1
_
_
2
y
1
.
.
.
y
k+1
= x
k+1
j =1
_
x
k+1
, y
j
_
_
_
y
j
_
_
2
y
j
Ejemplo 1.1. Sean x
1
= (3, 0, 4) , x
2
= (1, 0, 7) y x
3
= (2, 9, 11) en
3
. Aplicando el proceso de gram Schmidt se obtienen los
vectores
y
1
= (3, 0, 4)
y
2
= (1, 0, 7)
(1, 0, 7) , (3, 0, 4)
(3, 0, 4)
2
(3, 0, 4)
= (4, 0, 3)
y
3
= (2, 9, 11)
(2, 9, 11) , (3, 0, 4)
25
(3, 0, 4)
(2, 9, 11) , (4, 0, 3)
25
(4, 0, 3)
= (0, 9, 0)
Obtenemos as un conjunto ortogonal de vectores que generan lo mismo que el conjunto de losvectores x
i
.
Denicin 1.1. Diremos que una base B ={u
1
, u
2
, . . . , u
n
} de un espacio vectorial V es una base ortonormal, si los vecto-
res de la base son ortogonales y tienen norma 1.
1.2. Diagonalizacin de materices simtricas
En la clase anterior estudiamos el problema de la diagonalizacin en general, ahora estudiaremos el caso particular
en que la matriz es real y simtrica.
Proposicin 1.1. Sea A una matriz real y simtrica entonces
1. A tiene todos sus valores propios reales.
2. Si
i
=
i
son valores propios de A, los elementos de W
i
son perpendiculares (con respecto al producto punto) a los
elementos de W
j
(esto se escribe W
i
W
j
).
Demostracin. Supongamos que (A) y x =0 es un vector propio asociado entonces
Ax =x.
Denotemos, por abuso de lenguaje, como x al vector columna cuya coordenada (i , 1) es x
i
.
Ahora, usando esta notacin, tenemos que
_
Ax
_
T
x =
_
x
_
T
x =
n
i =1
x
i
x
i
=
n
i =1
|x
i
|
2
y tambin tenemos que
_
Ax
_
T
x =
_
x
T
A
T
_
x
= (x)
T
A
T
x
= (x)
T
Ax
=
n
i =1
|x
i
|
2
.
De las dos igualdades anteriores obtenemos
_
_
n
i =1
|x
i
|
2
=0.
Como x = se sigue =, de donde se obtiene que como queramos.
Para la segunda parte notar que si Ax =
i
x y Ay =
j
y entonces
i
_
x, y
_
=
_
i
x, y
_
=
_
Ax, y
_
=
_
x, A
T
y
_
=
_
x, Ay
_
=
_
x,
j
y
_
=
j
_
x, y
_
de donde se obtiene que
_
i

j
_
_
x, y
_
=0
_
x, y
_
=0.
Teorema 1.2. Sea A una matriz simtrica. Entonces:
1. A es diagonalizable.
2. Existe una base ortonormal de vectores propios asociados a A.
3. La diagonalizacin puede ser llevada a cabo en la forma
VAV
T
=D
donde V es una matriz ortonormal, es decir V
T
=V
1
y sus columnas son los vectores propios ortonormales y D es la
matriz diagonal que tiene los valores propios en su diagonal principal.
Idea de la demostracin. Para ver la diagonalizacin, uno slo debe observar que si B es matriz simtrica y E es una matriz
elemental la, entonces la matriz E BE
T
sigue siendo una matriz simtrica.
Ahora, obtenida la diagonalizacin, sabemos que existe una base de vectores propios de A (con la cual podemos cosn-
truir una matriz invertible P tal que PAP
1
= D, donde D es una matriz diagonal formada por los valores propios de
A).
Usando el proceso de ortogonalizacin de Gram-Schmidt y la Proposicin 1.1, podemos asumir que tal base es una
base ortonormal. Usando esta base, tenemos que la matriz P es la matriz V buscada.
Una consecuencia directa del resultado anterior es la siguiente observacin.
Proposicin 1.2. A es una matriz real simtrica si y solo si existe una matriz ortonormal V y una matriz diagonal D tal que
A =VDV
T
Ejercicio 1.1. Sea
A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
1. Determine los valores propios y espacios propios asociados.
2. Vericar que para valores propios distintos
i
y
j
se cumple W
i
W
j
3. Determine una base ortonormal de vectores propios
4. Encontrar una matriz ortonormal V tal que V
T
AV =D
1.3. Formas cuadrticas.
Al igual como lo hemos hecho anteriormente, escribiremos los vectores de
n
como matrices columnas (por comodi-
dad para multiplicarlos con las matrices).
Si
x = (x
1
, x
2
, . . . , x
n
)
n
, entonces denotamos x =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
Denicin 1.2. Sea A una matriz real de orden n n. La funcin
F
A
:
n
: F
A
_
x
_
=x
T
Ax
es llamada una forma cuadrtica en las variables (x
1
, x
2
, . . . , x
n
).
Denicin 1.3 (clasicacin de formas cuadrticas). Sea A una matriz real de orden n n y F
A
_
x
_
= x
T
Ax su forma
cuadrtica asociada.
1. La forma cuadrtica F
A
es denida positiva si:
x
n
{
0 } = F
_
x
_
>0.
A
es denida negativa si:
x
n
{
0 } = F
_
x
_
<0.
A
es semidenida positiva si:
x
n
{
0 } = F
_
x
_
0.
A
es semidenida negativa si:
x
n
{
0 } = F
_
x
_
0.
5. Si la forma cambia de signo (es decir, para algunos vectores esta asigna valores negativos y para otros valores esta
asigna valores positivos), entonces decimos que F
A
es indenida.
Ejemplo 1.2. Sean las siguientes matrices de orden 22:
A =
_
1 0
0 1
_
, B =
_
1 0
0 1
_
, C =A =
_
1 0
0 1
_
, D =
_
1 0
0 0
_
.E =
_
0 0
0 1
_
.
Entonces:
1. F
A
(x, y ) =x
2
+y
2
es denida positiva.
2. F
B
(x, y ) =(x
2
+y
2
) es denida negativa.
3. F
C
(x, y ) =x
2
y
2
es indenida.
4. F
D
(x, y ) =x
2
es semidenida positiva.
5. F
E
(x, y ) =y
2
es semidenida negativa.
Ejemplo 1.3. Formas cuadrticas en
2
. Si
A =
_
a b
c d
_
,
entonces
F
A
(x, y ) =
_
x y
_
_
a b
c d
__
x
y
_
=ax
2
+dy
2
+ (b +c) xy.
Por otro lado, si
B =
_
A +A
T
2
_
=
_
_
_
_
a
b +c
2
b +c
2
d
_
_
_
_
,
entonces
F
B
(x, y ) =
_
x y
_
_
_
_
_
a
b +c
2
b +c
2
d
_
_
_
_
_
x
y
_
=ax
2
+dy
2
+ (b +c) xy = F
A
(x, y ).
Luego, dada la matriz A hemos encontrado una simtrica B =
_
A+A
T
2
_
con F
A
= F
B
.
Teorema 1.3. Sea A una matriz de orden n n. Si B =
_
A+A
T
2
_
, entonces F
A
= F
B
.
Demostracin. En efecto, primero notamos que como x
T
Ax , entonces x
T
Ax = (x
T
Ax)
T
=x
T
A
T
x. Luego, tenemos la
igualdad
x
T
Ax =x
T
_
A +A
T
2
_
x
Ejemplo 1.4. La forma cuadrtica x
2
1
+3x
1
x
2
2x
1
x
3
+x
2
2
+x
2
x
3
+2x
3
3
puede escribirse en forma matricial de la siguiente
manera
_
x
1
x
2
x
3
_
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
Es decir, la forma cuadrtica anterior corresponde a la matriz
A =
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_.
Usando
B =
_
A +A
T
2
_
=
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_
T
+
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_
2
=
_
_
_
1
3
2
1
3
2
1
1
2
1
1
2
2
_
_
_
vemos que esta forma cuadrtica tambin corresponde a la matriz simtrica
_
_
_
1
3
2
1
3
2
1
1
2
1
1
2
2
_
_
_
Como toda matriz simtrica es diagonalizable, uno tiene el siguiente resultado.
Teorema 1.4. Sea A una matriz de orden n n y consideremos su forma cuadrtica asociada F
A
:
n
R. Entonces existe
una matriz ortonormal V (de orden n n) de manera que
F
A
(
x ) =

F
_
y
1
, y
2
, . . . , y
n
_
=
n
i =1
i
y
2
i
,
donde y = Vx. La forma cuadrtica

F es llamada la forma cannica asociada a F
A
. Los valores
1
, ...,
n
son los valores
propios (repitiendolos segn la multiplicidad algebraica de cada uno de ellos) de la matriz simtrica (A
T
+A)/2.
Demostracin. Sea A una matriz de orden n n y F
A
su forma cuadrtica. Hemos visto que A se puede reemplazar por la
matriz simtrica B = (A
T
+A)/2 para seguir teniendo F
A
= F
B
. Luego, podemos suponer que A ya era simtrica (o bien la
reemplazamos por B).
Ahora, bajo el supuesto que A es simtrica, sabemos que A puede escribirse en la forma A =V
T
DV, donde V
T
=V
1
.
Luego
F
A
(
x ) =x
T
Ax = x
T
V
T
DVx
= (Vx)
T
D(Vx)
= y
T
Dy =

F(
y )
donde y =Vx.
Observacin 1.1. Haciendo uso de la forma cannica es fcil analizar si es denida positiva, negativa, indenida etc.
CLASE 2
2.1. Secciones cnicas rotadas
Denicin 2.1. Una ecuacin cuadrtica en las variables x, y es una ecuacin de la forma
ax
2
+2bxy +cy
2
+dx +e y + f =0
donde a, b, c, d, e, f son nmeros reales y al menos uno de los coecientes a, b, c es no nulo.
Podemos escribir la ecuacin cuadrtica
ax
2
+2bxy +cy
2
+dx +e y + f =0
en forma matricial
_
x y
_
_
a b
b c
__
x
y
_
+
_
d e
_
_
x
y
_
+ f =0.
Si ponemos
A =
_
a b
b c
_
, X =
_
x
y
_
y K =
_
d e
_
entonces la ecuacin cuadrtica se escribe en la forma
X
T
AX +KX + f =0
note que X
T
AX es la forma cuadrtica F
A
discutida anteriormente.
Utilizando diagonalizacin para matrices simtricas, siempre es posible rotar los ejes de coordenadas de tal mane-
ra que la ecuacin con respecto al nuevo sistema no tenga trminos en xy . Se procede de la siguiente manera:
Buscamos una matriz ortonormal V (luego una rotacin) que diagonalice A, es decir, V
T
AV =D, con D diagonal.
Utilizamos la transformacin de coordenadas
_
x
y
_
=V
_
u
v
_
Encontramos la ecuacin de la cnica en el nuevo sistema uv en la forma
_
x
y
_
T
A
_
x
y
_
+K
_
x
y
_
+ f = 0
_
V
_
u
v
__
T
AV
_
u
v
_
+KV
_
u
v
_
+ f = 0
_
u
v
_
T
V
T
AV
_
u
v
_
+KV
_
u
v
_
+F = 0.
Como V diagonaliza a A se tiene
V
T
AV =
_

1
0
0
2
_
donde
1
y
2
son los valores propios de A (contados con sus multiplicidades algebraicas).
De esta forma la ecuacin de la cnica queda, en las variables u y v, como
1
u
2
+
2
v
2
+d
u +e
v + f =0.
Observamos que en la ecuacin anterior no hay trminos en uv como queramos.
Ejemplo 2.1. Dada la ecuacin cuadrtica
5x
2
4xy +8y
2
+
20
5
x
80
5
y +4 =0,
encontrar una base en
2
de tal forma que se pueda escribir la ecuacin sin trminos xy y se pueda identicar de que
cnica se trata.
Desarrollo: La forma matricial de la ecuacin cuadrtica es
X
T
AX +KX + f =0
donde
A =
_
5 2
2 8
_
, K =
_
20
5

80
5
_
, f =4 y X =
_
x
y
_
Primero encontramos los valores propios de A:
_
_
_
_
5 2
2 8
_
_
_
_
= 0
2
13+36 = 0
se sigue
1
=4 y
2
=9.
Ahora buscamos los vectores propios asociados:
Para
1
=4 se tiene
_
1 2
2 4
__
x
y
_
=
_
0
0
_
esto es
_
x
y
_
G
__
2
1
__
Para
2
=9
_
4 2
2 1
__
x
y
_
=
_
0
0
_
lo que es equivalente a
_
x
y
_
G
__
1
2
__
.
Estos dos vectores son ortogonales.
Como (2, 1) =
5 =(1, 2), la matriz ortonormal que diagonaliza a A es

V =
_
_
_
_
2
5

1
5
1
5
2
5
_
_
_
_
Luego, procedemos con el cambio de coordenadas
_
x
y
_
=
_
_
_
_
2
5

1
5
1
5
2
5
_
_
_
_
_
u
v
_
Sustituyendo se obtiene
_
u
v
_
T
V
T
AV
_
u
v
_
+KV
_
u
v
_
+ f =0.
En este caso
_
u
v
_
T
_
4 0
0 9
__
u
v
_
+
_
20
5

80
5
_
_
_
_
_
2
5

1
5
1
5
2
5
_
_
_
_
_
u
v
_
+4 =0.
Es decir
4u
2
+9v
2
8u 36v +4 =0
que corresponde a la elipse
(u 1)
2
9
+
(v 2)
2
4
=1
4 2 2
2
2
4
0
a
Observacin 2.1. Es posible realizar el mismo procedimiento para ecuaciones cuadrticas en tres o ms variables.
2.1.1. Ejercicios propuestos
En cada uno de los siguientes ejercicios, encuentre una base ortonormal de
2
y las ecuaciones de rotacin corres-
pondientes que permiten escribirla en la forma cannica e identique la cnica que representa.
1. 2x
2
4xy y
2
+8 =0
2. x
2
+2xy +y
2
+8x +y =0
3. 5x
2
+4xy +5y
2
=9
4. 9x
2
4xy +6y
2
10x 20y =5
5. 3x
2
8xy 12y
2
30x 64y =0
6. 2x
2
4xy y
2
4x 8y =14
COMPLEMENTO
Clase 1: Sucesiones: Denicinn, notacin. Concepto de convergencia y lmite de suce-
siones. Subsucesiones.
Clase 2: Teoremas de Convergencia.
Contenidos
CLASE 1
1.1 Sucesiones
Considere el problema de aproximar el valor de

2 a travs del siguiente mtodo: Sabemos que

2 I
1
= [1, 2], divi-
damos el intervalo en dos subintervalos de igual longitud =
1
2
digamos I
1
=
_
1,
3
2
_
y I
1
=
_
3
2
, 2
_
. Es fcil ver que
2 I
1
llamemos I
2
a tal intervalo. Ahora bien, como
2 I
2
podemos dividir I
2
en dos subintervalos I
2
y I
2
ambos de longitud
1
2
_
longitud I
2
_
=
1
2
2
, al cual pertenezca
2 le llamamos I
3
. Repitamos en forma inductiva tal operacin de esta manera
obtenemos intervalos I
n
tales que
2 I
n
adems la longitud de I
n
=
1
2
n
. Sean x
n
, y
n
los extremos derecho e izquierdo del
intervalo I
n
entonces
x
n

2 y
n
para todo n
se sigue que
0

2x
n
_
y
n
x
n
_
=
1
2
n
esto nos dice que
0
2x
n

1
2
n
para todo n
en otras palabras, el extremo derecho de los intervalos I
n
se va acercando al valor de
2 a medida que n crece, as por

ejemplo x
10
esta a distancia menor igual que
1
2
10
=9. 765610
4
de
2. En este ejemplo, a cada nmero natural le asignamos un nmero real x

n
que es el extremo derecho del intervalo I
n
este tipo de asignacin se llama sucesin de nmeros reales y el proceso de se va acercando es llamado convergencia. A
continuacin formalizaremos estos conceptos.
1.1.1 Conceptos bsicos
Denicin1.1. Una sucesin de nmeros reales es una funcin x : que asocia a cada nmero natural n un nmero
real x (n) que denotaremos por x
n
y que llamaremos el n-simo trmino de la sucesin.
Generalmente se denotan las sucesiones en la forma (x
n
), (x
n
)
n
, (x
n
)
nA
, {x
n
}
n
o (x
1
, x
2
, x
3
, . . . , x
n
, . . . ). Debemos
sin embargo, distinguir entre una sucesin que es una funcin y el conjunto de los valores que toma la sucesin (el recor-
rido de tal sucesin) son objetos diferentes que pueden confundirse, por ejemplo:
Considere la sucesin X : , n X (n) = (1)
n
si bien esta funcin toma solo dos valores debemos distinguirla del
conjunto {1, 1} que sera el recorrido de tal sucesin, quizs lo que deje mas en claro la diferencia entre estos objetos,
sea que en la funcin existe un cierto orden en el que se asumen los valores en cambio en el conjunto no.
Es posible denir una sucesin listando los primeros trminos de ella y deteniendonos cuando la regla de formacin
de la sucesin sea clara por ejemplo
(2, 4, 6, 8, . . . )
denotar la sucesin de los nmeros pares. Un mtodo mas satisfactorio para denir una sucesin es especicar una
frmula para el trmino n-simo de la sucesin por ejemplo
(2n)
n
Tambin existe otro mtodo para denir sucesiones llamado mtodo inductivo en el que se dene el trmino x
n+1
basandose en una frmula recursiva conocidos algunos valores de la sucesin, por ejemplo, podemos denir la sucesin
de los pares mediante la frmula
x
1
=2, x
n+1
=2+x
n
para n 1
(note que x
1
=2, luego x
2
=2+x
1
=2+2 =4 luego x
3
=2+x
2
=2+4 =6, etc).
Otro ejemplo de este tipo de deniciones es a
1
=1, a
2
=1 y
a
n+1
=a
n
+a
n1
para n 2
en el cual tomamos como base dos casos anteriores, los primeros nmeros de esta sucesin sern:
a
1
= 1
a
2
= 1
a
3
= a
2
+a
1
=1+1 =2
a
4
= a
3
+a
2
=2+1 =3
a
5
= a
4
+a
3
=3+2 =5
Podemos representar una sucesin en la recta real mostrando los valores que toma la sucesin en determinado valor
de n, por ejemplo la representacin para la sucesin
_
1
n
_
n
es mostrada en la siguiente gura:
1
1
2
1
3
1
4
1
5
1
6
1
7
1
n
. . .
0
Ejemplo 1.1. Las progresiones son un ejemplo de sucesiones por ejemplo las progresiones geomtricas corresponden a
una sucesin del tipo
x :
n x
n
=a
1
r
n1
y las progresiones aritmticas corresponden a una sucesin de la forma
x :
n x
n
=a
1
+ (n 1) d
Ejemplo 1.2. La sucesin (1, 0, 1, 0, . . . ) tiene trmino n-simo dado por x
n
=
1(1)
n
2
es decir, corresponde la la sucesin
x :
n x
n
=
1(1)
n
2
Ejemplo 1.3. El dcimo trmino de la sucesin
_
1
n
_
n
corresponde a
1
10
.
Ejemplo 1.4. Consideremos la sucesin x
n
=
_
1+
1
n
_
n
. Notemos que por el teorema del binomio
x
n
=
n
k=0
_
n
k
_
1
n
k
Como
_
n
k
_
=
n!
(n k)!k!
obtenemos que
_
n
k
_
1
n
k
=
n (n 1) (n k +1) (n k)!
(n k)!k!n
k
=
n (n 1) (n k +1)
k!n
k
= 1
_
1
1
n
__
1
2
n
_

_
1
k 1
n
_
1
k!
De esta manera,
x
n
=
_
1+
1
n
_
n
= 1+
n
k=1
_
1
_
1
1
n
__
1
2
n
_

_
1
k 1
n
_
1
k!
_
1+
n
k=1
1
k!
=
n
k=0
1
k!
En la desigualdad anterior usamos el hecho que
1
_
1
1
n
__
1
2
n
_

_
1
k 1
n
_
1 1 1 =1
Ahora notemos que
n
k=0
1
k!
=1+1+
n
k=2
1
k!
Usando el hecho que
k! 2
k1
para k 2
obtenemos que
n
k=0
1
k!
= 1+1+
n
k=2
1
k!
1+1+
n
k=2
1
2
k1
=1+2
_
1
1
2
n
_
<3
De lo anterior podemos observar que
x
n
=
_
1+
1
n
_
n
<3
para todo n .
Ejemplo 1.5. La sucesin 2, 2+
1
2
, 3+
1
4
, 4+
1
8
, 5+
1
16
, . . . , corresponde a la sucesin de trmino n-simo dado por
x
n
=n +
1
2
n1
Denicin 1.2. Sean X = (x
n
), Y =
_
y
n
_
dos sucesiones en y sea . Se dene:
1. X como la sucesin (x
n
)
2. X +Y como la sucesin
_
x
n
+y
n
_
3. XY como la sucesin
_
x
n
y
n
_
4. Si y
n
=0 entonces denimos
X
Y
como la sucesin
_
xn
yn
_
As por ejemplo, si X =
_
1
n
_
n
e Y = (2n)
n
, entonces XY = (2)
n
= (2, 2, 2, . . . , 2, . . . ) es una sucesin constante que
solo toma el valor 2. Similarmente, Y /X =
_
2n
2
_
n
.
Denicin 1.3. Una sucesin (x
n
) se dice:
1. Acotada superiormente, si existe un M tal que x
n
M para todo n.
2. Acotada inferiormente, si existe un m tal que m x
n
para todo n.
3. Acotada, si es acotada superior e inferiormente, esto equivale a encontrar un K >0 tal que |x
n
| K para todo n.
Ejemplo 1.6. La sucesin
_
_
1+
1
n
_
n
_
n
es una sucesin acotada. Primero, es claro que 0 x
n
para cada n . En los
ejemplos anterores se vi que x
n
<3 para cada n . Luego, x
n
[0, 3] para cada n .
Ejemplo 1.7.
_
(1)
n
_
n
es una sucesin acotada, a saber, |x
n
| =
_
_
(1)
n
_
_
=1. Luego x
n
[1, 1] para cada n .
Ejemplo 1.8. Sea a , y dena la sucesin x
n
=a
n
estudiaremos si esta es o no acotada.
1. Sea a < 1. Veamos que (x
n
) no es acotada ni superior ni inferiormente. En efecto, note que x
2
= a
2
> 1, se sigue
que
x
2
=a
2
=1+d
donde d >0. Luego,
x
2n
=a
2n
= (1+d)
n
1+nd,
de donde podemos ver que no existe un M tal que x
n
M para todo n . En efecto, si tal M existiera, entonces
M x
2n
1+nd
obteniendo que
M 1
d
n.
Si consideramos n >
M1
d
, llegamos a una contradiccin.
Similarmente,
x
2n+1
=a
2n+1
=a (1+d)
n
a (1+nd) ,
de donde podemos ver que no puede existir m tal que
m x
n
para todo n . La razn es similar al caso anterior (tarea).
2. Si a >1, entonces a =1+d con d >0. Luego, x
n
=a
n
= (1+d)
n
1+nd, de donde podemos ver que (x
n
) no puede
estar acotada superiormente. Note que esta acotada inferiormente por 1.
3. Si a [1, 1], entonces x
n
=a
n
esta acotada. En efecto, |x
n
| =|a|
n
1
n
=1 luego x
n
[1, 1] para todo n .
Ejercicio 1.1. Vericar que la sucesin
_
sin
_
n
2
+2
__
n
es una sucesin acotada.
Denicin 1.4. Una sucesin (x
n
) se dice:
1. Estrictamente creciente si para cada n se cumple x
n
<x
n+1
.
2. Creciente si para cada n se cumple x
n
x
n+1
.
3. Estrictamente decreciente si para cada n se cumple x
n
>x
n+1
.
4. Decreciente si para cada n se cumple x
n
x
n+1
.
5. Montona si cumple con alguna de las anteriores (en ocasiones se habla de monotona estricta si es estrictamente
creciente o estrictamente decreciente)
Ejemplo 1.9 (Series de trminos positivos). Suponga que {x
n
} es una sucesin de trminos positivos, es decir, x
n
0 para
todo n. Denamos
a
n
=
n
k=1
x
k
.
Entonces {a
n
} es una sucesin creciente. En efecto, para cada n se cumple
a
n+1
a
n
=
n+1
k=1
x
k

n
k=1
x
k
=x
n+1
0,
de donde obtenemos que
a
n+1
a
n
.
Algunos ejemplos de esto son las siguientes sucesiones
a
n
=1+
1
1!
+
1
2!
+ +
1
n!
a
n
=1+
1
2
+
1
3
+ +
1
n
a
n
=1+
1
2
2
+
1
3
2
+ +
1
n
2
Ejercicio 1.2. {sin(n)}
n
no es una sucesin montona.
Ejercicio 1.3.
_
(1)
n
_
n
no es una sucesin montona.
Ejemplo 1.10. (1, 2, 3, 4, . . . ) es una sucesin estrictamente creciente.
Ejemplo 1.11. (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ) es una sucesin creciente.
Denicin 1.5. Considere una sucesin (x
n
) = (x
1
, x
2
, x
3
, . . . ). Una subsucesin de (x
n
) es una nueva sucesin que se
forma considerando algunos n digamos n
1
, n
2
, n
3
. . . que cumplen n
1
<n
2
<n
3
<. . . . Una subsucesin de una sucesin
corresponde a efectuar una composicin (por la derecha) de la sucesin original con una funcin Y : que sea
estrictamente creciente.
Ejemplo 1.12. Dada la sucesin (x
n
) podemos extrarer la subsucesin de los trminos de lugares pares (x
2
, x
4
, x
6
, . . . ) =
(x
2n
) tambin podemos estraer la de los lugares impares (x
1
, x
3
, x
5
, . . . ) = (x
2n1
). La primera corresponde a efectuar una
composicin con la funcin estrictamente creciente Y : , n Y (n) =2n y la segunda con la funcin estrictamente
creciente Y : , n Y (n) = 2n 1. Podramos tambin considerar Y : , n Y (n) = n
2
y obtenemos la
subsucesin
(x
1
, x
4
, x
9
, x
16
, . . . )
Ejemplo 1.13. Considere la sucesin (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ) entonces podemos notar lo siguiente, en el lugar n = 1
est el 1, en el lugar 1+2 esta el 2, en el lugar 1+2+3 est el 3 en el lugar 1+2+3+4 esta el 4; as de manera ms general
x
1+2+3++n
=n.
Luego, se sigue que
x n(n+1)
2
=n.
De esta manera, la sucesin (1, 2, 3, . . . , n, ...) es una subsucesin de (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ).
Ejemplo 1.14. Note que ((1)
n(n+1)
2
) es una subsucesin de ((1)
n
) sus primeros trminos son 1, 1, 1, 1, 1, 1, 1, . . . .
Ejemplo 1.15. Si (x
n
) es una sucesin, entonces (x
n+1
) = (x
2
, x
3
, . . . ) es una subsucesin. Similarmente, para cada k
jo, la sucesin (x
n+k
) es una subsucesin de la anterior.
1.2 El concepto de convergencia
Hablando de manera informal, el concepto de convergencia esta relacionado con los valores que toma la sucesin a
medida que n crece. Si los valores estn tan cerca de un nmero L como queramos a partir de un n en adelante, entonces
decimos que la sucesin converge a este L. Es esta idea la que pasamos a formalizar a continuacin.
Denicin 1.6. Sea (x
n
) una sucesin y L un nmero real. Diremos que x
n
converge a L (o que el lmite de la sucesin
(x
n
) es L) si: para todo >0 existe un N tal que, para cada n , n N, implica que |x
n
L| <. En tal caso usaremos
la notacin lim
n
x
n
= L o simplemente x
n
L.
Observacin 1.1. Note que, en la denicin anterior, |x
n
L| < es equivalente a pedir que x
n
]L , L +[. Luego, la
denicin de convergencia nos dice que a partir de N en adelante los valores de x
n
(x
N
, x
N+1
, x
N+2
, . . . ) se encontrarn en
el intervalo anterior. Como esto debe valer para tan pequeo como queramos, esto formaliza la idea de estar tan cerca
de L como se quiera.
Observacin 1.2. Notemos tambin que, en la denicin anterior,
|x
n
L| < |(x
n
L) 0| <
||x
n
L| 0| <.
Esto nos dice que
_
lim
n
x
n
= L
_
_
lim
n
(x
n
L) =0
_
_
lim
n
|x
n
L| =0
_
Denicin 1.7. Una sucesin que posee lmite se dir convergente, en caso contrario se dice divergente.
Ejemplo 1.16. Consideremos la sucesin x
n
= a
n
con |a| < 1 pero distinto de cero. Intuitivamente pareciera ser que los
valores de la sucesin se acercan a cero a medida que n crece; formalicemos esto. Notemos que |x
n
| =|a|
n
.
Ya que
|a| <1 1 <
1
|a|
,
se sigue que existe algn nmero positivo d con
1+d =
1
|a|
.
Entonces
_
1
|a|
_
n
= (1+d)
n
=
n
k=0
_
n
k
_
d
k
_
n
1
_
d =nd.
De lo anterior obtenemos
1
nd
|a|
n
.
As,
|x
n
0| =|a|
n
<
1
nd
.
Entonces
1
nd
<
1
d
<n.
Ya estamos en condiciones de mostrar que el lmite de esta sucesin es cero. Sea > 0 un nmero arbitrario. Si
n N =
__
1
d
_
+1
_
(la parte entera de
1
d
mas 1), entonces se cumple que
|x
n
0| <.
En efecto, n N =
_
1
d
_
+1 >
1
d
implica que >
1
nd
. Pero |x
n
0| =|a|
n
<
1
nd
<. As
lim
n
a
n
=0
Ejemplo 1.17. Considere la sucesin x
n
=
n
n+1
. Intuitivamente x
n
1. Mostremos que eso es correcto.
Notemos que, para cada entero n 1, vale que
|x
n
1| =
_
_
_
_
n
n +1
1
_
_
_
_
=
_
_
_
_
1
n +1
_
_
_
_
<
1
n
.
Sea >0 dado y tomemos N
=
_
1
_
+1. Si n N
, entonces n
1
; luego >
1
n
. De esta manera
|x
n
1| =
_
_
_
_
n
n +1
1
_
_
_
_
=
_
_
_
_
1
n +1
_
_
_
_
<
1
n
<.
As hemos demostrado que
lim
n
_
n
n +1
_
=1
n
= (1)
n
. Si se dan varios valores de n vemos que esta sucesin toma los valores 1
y 1 en forma alternada. Esto nos da una idea de que esta sucesin no converge. En efecto, supongamos que ella converge
a L, es decir, que x
n
L. Entonces, tomando =1/4, debera existir un N tal que para n N
|x
n
L| <
1
4
.
Luego, si consideramos un n par mayor que N, entonces se cumplir que |1 L| < 1/4, es decir que L est a una
distancia menor de 1/4 de 1. Similarmente, si consideramos unn impar mayor que N, entonces se cumplir que |1L| <
1/4, es decir que L est a una distancia menor de 1/4 de 1. Claramente esto es imposible ya que 1 y 1 estn a una
distancia mayor que 2(1/4) =1/2. Es decir (x
n
) diverge.
Teorema 1.1 (Unicidad). Si el lmite de una sucesin existe, entonces es nico.
Prueba. Sea (x
n
) una sucesin convergente y supongamos que L
1
y L
2
son lmites de ella. Supongamos que L
1
= L
2
.
Sea >0 tal que <|L
1
L
2
|.
Por convergencia, usando /2 en la denicin de convergencia, existirn naturales N
1
y N
2
tales que
n N
1
|x
n
L
1
| </2
n N
2
|x
n
L
2
| </2
As, si n max{N
1
, N
2
} entonces
<|L
1
L
2
| = |L
1
x
n
+x
n
L
2
|
|x
n
L
1
| +|x
n
L
2
|
<
lo cual es una contradiccin.
Teorema 1.2 (lgebra de lmites). Si
lim
n
x
n
=A
y
lim
n
y
n
= B
entonces
1.
lim
n
_
x
n
+y
n
_
=A +B
2.
lim
n
_
x
n
y
n
_
=AB
3. si B =0
lim
n
_
x
n
y
n
_
=
A
B
Observacin 1.3. Es fcil mostrar que
1
n
0. Del lgebra de lmites, parte 2., se sigue que
1
n
p
0 para p . Utilizando
2. nuevamente, con la sucesin anterior y la sucesin constante , obtenemos que
n
k
0 cuando n
Ejemplo 1.19. Calcular el lmite de la sucesin de trmino n-simo
x
n
=
3n
4
+2n +1
2n
4
+1
Desarrollo: Notemos que
3n
4
+2n +1
2n
4
+1
=
n
4
_
3+
2
n
3
+
1
n
4
_
n
4
_
2+
1
n
4
_ =
3+
2
n
3
+
1
n
4
2+
1
n
4
.
Utilizando el lgebra de lmites y la observacin anterior se sigue que
lim
n
_
3n
4
+2n +1
2n
4
+1
_
= lim
n
_
3+
2
n
3
+
1
n
4
2+
1
n
4
_
=
lim
n
_
3+
2
n
3
+
1
n
4
_
lim
n
_
2+
1
n
4
_
=
3+0+0
2+0+0
=
3
2
.
Notar que hemos utilizado el hecho que la sucesin 2+
1
n
4
converge a 2 =0 para utilizar parte 3., del lgebra de lmites.
Denicin 1.8. Sea (x
n
) una sucesin.
1. Diremos que (x
n
) tiende (o converge) a innito cuando n tiende a innito, si para todo K >0 existe un N tal que
n N implica x
n
>K. En tal caso escribiremos lim
n
x
n
= +.
2. Diremos que (x
n
) tiende a menos innito cuando n tiende (o congerge) a innito, si para todo K <0 existe un N
tal que n N implica x
n
<K. En tal caso escribiremos lim
n
x
n
=.
n
= (1)
n
n
2
. Entonces (x
n
) no converge ni a +ni a . Note que a medida que
n crece la sucesin se alterna entre nmeros positivos y negativos que van creciedo en valor absoluto.
Ejemplo 1.21. Si x
n
=
n
2
(0.5)
n entonces lim
n
x
n
= +. En efecto,
0.5 <1 1 <
1
0.5
1 <
1
(0.5)
n
.
As
x
n
=
n
2
(0.5)
n
>n
2
n,
de donde se sigue entonces lo armado.
Observacin 1.4. Si (x
n
) es una sucesin creciente y no es acotada superiormente entonces lim
n
x
n
= +.
Teorema 1.3. Sean (x
n
) e
_
y
n
_
sucesiones:
1. Si lim
n
x
n
= +y
_
y
n
_
es una sucesin acotada inferiormente entonces
lim
n
_
x
n
+y
n
_
= +
2. Si lim
n
x
n
= +y existe >0 tal que y
n
> para todo n entonces
lim
n
_
x
n
y
n
_
= +
3. Si lim
n
x
n
=0, x
n
>0 para todo n y existe >0 tal que y
n
> para todo n entonces
lim
n
_
y
n
x
n
_
= +
1.3 Algunas propiedades de las sucesiones
Teorema 1.4. Si (x
n
) es una sucesin convergente a L, entonces toda subsucesin
_
x
nk
_
converge y tambin a L.
Este teorema nos entrega un criterio muy til de divergencia. Si (x
n
) es una sucesin que posee una subsucesin
divergente, entonces la sucesin diverge. Si (x
n
) posee dos subsucesiones que convergen a lmites distintos, entonces la
sucesin diverge.
Ejemplo 1.22. La sucesin (x
n
= (1)
n
) es divergente. En efecto, esta posee dos subsucesiones (x
2n
= 1) y (x
2n1
= 1)
que convergen a lmites diferentes.
Ejemplo 1.23. Si
x
1
=2 y x
n+1
=
1
x
n
para n 1
entonces (x
n
) no puede ser convergente. En efecto, la subsucesin (x
2n+1
= 2) converge a 2, mientras que la subsucesin
(x
2n
=1/2) converge a 1/2 =2.
El siguiente teorema nos dice que para n grandes los trminos de la sucesin converegente permanecen cerca del
lmite
Teorema 1.5. Supongamos que lim
n
x
n
= L. Sea a .
1. Si a <L, entonces existe un N tal que, para cada n N, se cumple a <x
n
.
2. Si a >L, entonces existe un K tal que, para cada n K, se cumple a >x
n
.
Teorema 1.6. Si lim
n
x
n
= L
1
, lim
n
y
n
= L
2
y se cumple que x
n
y
n
para n mayores que un entero jo, entonces
L
1
L
2
.
Observacin 1.5. x
n
< y
n
no implica necesariamente que L
1
< L
2
. Por ejemplo, considere las sucesiones (x
n
=
1
n
) e
(y
n
=
1
n
). Entonces
x
n
<y
n
pero L
1
= L
2
=0.
Teorema 1.7. Toda sucesin convergente es acotada.
Prueba. Sea (x
n
) una sucesin convergente digamos a L. Existe un N tal que para n N se cumple
|x
n
L| <1.
Entonces
|x
n
| <L +1 para n N.
Tomando M =max{|x
1
| , |x
2
| , . . . , |x
N1
| , L +1} se sigue que
|x
n
| M para todo n .
Ejemplo 1.24. Sabemos que x
n
=
n
n+1
converge a 1. Adems sabemos que
|x
n
1| <
1
n
de donde se sigue que, para todo n , vale que
|x
n
1| <1,
x
n
[0, 2]
Ejemplo 1.25. Sabemos que
lim
n
_
3n
4
+2n +1
2n
4
+1
_
=
3
2
.
Notemos adems que
_
_
_
_
3n
4
+2n +1
2n
4
+1

3
2
_
_
_
_
=
_
_
_
_
4n 1
4n
4
+2
_
_
_
_
=
4n 1
4n
4
+2

4n +1
4n
4
+2
5n
4n
4
=
5
4n
3
.
Luego
_
_
_
_
x
n
3
2
_
_
_
_
<
5
4
lo que implica que
x
n

_
1
4
,
11
4
_
Teorema 1.8 (Bolzano-Weierstrass). Toda sucesin acotada posee una subsucesin convergente.
Ejemplo 1.26. Muestre que la sucesin x
n
=sin(n) es divergente.
Desarrollo:
Considere los intervalos I
k
=
_
2k+

6
, 2k+

2
_
para k 1. Note que la longitud de I
k
es

2

6
=

3
>1, de donde se
sigue que cada I
k
debe tener un natural que llamaremos n
k
.
Se debe cumplir
1
2
sin(n
k
) 1.
Por ser la anterior una sucesin acotada, el teorema de Bolzano-Weierstrass dice que {sin(n
k
)} debe tener una sub-
sucesin convergente
_
sin
_
n
kl
__
. Como sin
_
n
kl
_
1
2
, se sigue
lim
l
sin
_
n
kl
_
1
2
.
Considere ahora los intervalos J
u
=
_
2u
2
, 2u
6
_
para u . Note que la longitud de J
u
es

2

6
=

3
> 1,
de donde se sigue que cada J
u
debe tener un natural que llamaremos n
u
. Tenemos que 1 sin(n
k
)
1
2
. Luego,
como nuestra sucesin es acotada, el teorema de Bolzano-Weierstrass dice que {sin(n
u
)} debe tener una subsucesin
convergente
_
sin
_
n
up
__
. Como sin
_
n
up
_
1
2
, se sigue
lim
p
sin
_
n
up
_
1
2
.
Claramente
lim
p
sin
_
n
up
_
= lim
l
sin
_
n
kl
_
Obtenemos que sinn tiene dos subsucesiones que convergen pero a lmites diferentes, as sinn es una sucesin diver-
gente.
CLASE 2
2.1 Algunos resultados de convergencia
Teorema 2.1. Toda sucesin creciente y acotada superiormente converge. De manera similar, toda sucesin decreciente y
acotada inferiormente converge.
Prueba. Supongamos que (x
n
) es una sucesin creciente y acotada superiormente. Denamos
A ={x
n
: n }
por hiptesis A es no vaco y acotado superiormente.
Por el axioma del supremo, se sigue que existe el supremo de este conjunto; lo denotaremos por l .
Sea > 0 arbitrario. Como l < l , se sigue que l no es cota superior de A (l es la menor cota superior del
conjunto). As, existe un n
0
tal que
l <x
n0
.
Como la sucesin es creciente, para n n
0
se sigue
x
n0
x
n
luego
l <x
n0
x
n
.
Notemos que x
n
l para todo n . As,
l <x
n
<l +
para todo n n
0
, es decir, |x
n
l | <.
En conclusin, si (x
n
) es creciente y acotada superiormente entonces
lim
n
x
n
=sup{x
n
: n }
(recordar que el supremo no tiene porque pertenecer al conjunto). Se deja de ejercicio mostrar el caso decreciente y
acotada inferiormente.
Ejemplo 2.1. Sabemos de los ejemplos que
x
n
=
n
k=0
1
k!
es una sucesin creciente y acotada superiormente por 3. Por el teorema anterior ahora sabemos que esta sucesin con-
verge.
Ejemplo 2.2. Considere la sucesin denida por
a
1
=
2
y
a
n+1
=
_
2+a
n
para n 1
(es decir la sucesin
2,
_
2+
2,
_
2+
_
2+
2, . . . ). Estudiemossu convergencia.
Desarrollo: Notemos que a
1
<a
2
y a
2
<a
3
. Se puede demostrar por induccin que
a
n
a
n+1
para todo n .
Para el paso inductivo notar que
a
n
a
n+1
a
n
+2 a
n+1
+2
_
a
n
+2
_
a
n+1
+2
Como a
n+1
=
_
a
n
+2 y a
n+2
=
_
a
n+1
+2, lo anterior nos dice que
a
n
a
n+1
a
n+1
a
n+2
Tenemos entonces que la sucesin es creciente. Tambin es facil demostrar por induccin que a
n
2 para todo n .
De esta forma, {a
n
} es una sucesin creciente y acotada superiormente por 2, luego converge.
En este caso podemos adems encontrar el lmite: Como a
n+1
=
_
2+a
n
si a
n
L entonces a
n+1
L (es una
subsucesin). Notamos que
_
2+a
n

2+L. Entonces, por unicidad del lmite se sigue

L =
_
2+L
de donde obtenemos que L
2
L 2 =0; es decir L {1, 2}.
Como a
n
0, se sigue L 0. As la nica posibilidad es L =2.
Teorema 2.2 (Del sandwich). Sean sucesiones (x
n
) ,
_
y
n
_
, (z
n
). Supongamos que lim
n
x
n
= L = lim
n
y
n
y que se
cumple x
n
z
n
y
n
para n N
0
. Entonces (z
n
) converge y lim
n
z
n
= L.
El teorema del Sandwich para sucesiones es muy til para clculo de lmites vamos a dar algunos ejemplos:
Ejemplo 2.3. Considere la sucesin (x
n
=
n
a) donde a >0. Mostremos que lim

n
x
n
=1. En efecto, si a >1 entonces
n
a =1+d
n
donde d
n
0. Se sigue que
a = (1+d
n
)
n
nd
n
a
n
d
n
0.
Por el teorema del Sandwich se sigue
lim
n
d
n
=0.
Por el lgebra de lmites obtenemos que
lim
n
n
a = lim
n
(1+d
n
) =1.
Si 0 <a <1, entonces
a =
1
d
cierto d >1. De esta manera
n
a =
1
n
d
Utilizando lo recin mostrado y el lgebra de lmites se sigue
lim
n
n
a = lim
n
_
1
n
d
_
=
1
lim
n
n
d
=1.
Si a =1, el resultado es claro.
Ejemplo 2.4. Calcular
lim
n
n
_
2
n
+3
n
3
n
2
n
+3
n
3
n
+3
n
3
n
_
2
n
+3
n
2 3
n
=3
n
2.
Pero, por el ejemplo anterior y el lgebra de lmites
lim
n
3 = lim
n
_
3
n
2
_
=3.
Por el teorema del Sandwich obtenemos que
lim
n
n
_
2
n
+3
n
=3
Ejemplo 2.5. Calcular
lim
n
n
i =1
_
1
_
n
2
+i
_
n
2
+1 n
2
+i n
2
+n
para i =1, 2, . . . , n. Entonces
_
n
2
+1
_
n
2
+i
_
n
2
+n
As, para i =1, 2, . . . , n
1
_
n
2
+n
1
_
n
2
+i
1
_
n
2
+1
n
i =1
_
1
_
n
2
+n
_
i =1
_
1
_
n
2
+i
_
i =1
_
1
_
n
2
+1
_
Como
n
i =1
_
1
_
n
2
+n
_
=
n
_
n
2
+n
y
n
i =1
_
1
_
n
2
+1
_
=
n
_
n
2
+1
entonces
n
_
n
2
+n
i =1
_
1
_
n
2
+i
_
n
_
n
2
+1
Aplicando el teorema del Sandwich se obtiene
lim
n
n
i =1
_
1
_
n
2
+i
_
=1
Ahora enunciaremos un teorema que relaciona el clculo de lmites de funciones con el clculo de lmites de suce-
siones. Esto es consecuencia directa de la denicin de lmite.
Teorema 2.3. Si lim
x
f (x) = L y consideramos la sucesin x
n
= f (n), entonces lim
n
x
n
= L.
Ejemplo 2.6. Sea x
n
=
_
1+
1
n
_
n
. Deniendo f (x) =
_
1+
1
x
_
x
, se obtiene que f (n) =x
n
. As, el teorema anterior nos dice
lim
n
x
n
= lim
x
_
1+
1
x
_
x
=e
Ejemplo2.7. Sea x
n
=
n
n. Deniendo f (x) =x
1/x
, obtenemos que x
n
= f (n). Ya que lim
x
x
1/x
=1, el teorema anterior
nos entrega que
lim
n
n
n =1.
Este lmite tambin se puede calcular a travez del teorema del Sandwich.
Teorema 2.4. Si (x
n
) es una sucesin que converge a cero y
_
y
n
_
es una sucesin acotada entonces
_
x
n
y
n
_
converge a cero.
Ejemplo 2.8.
lim
n
_
sinn
n
_
=0.
Note que sin(n) no converge pero solo necesitamos que este acotada.
El siguiente resultado completa al teorema anterior.
Teorema 2.5. Sea A un conjunto que es unin de intervalos abiertos. Sea f : A una funcin y a A. La funcin f
es continua en a si y solo si para toda sucesin (a
n
) con a
n
A, n y a
n
a se cumple f (a
n
) f (a).
COMPLEMENTO
Clase 1: Series numricas. Series Geomtricas. Convergencia de una serie.
Clase 2: Criterio de la integral. Criterio de comparacin y comparacin al lmite.
Contenidos
CLASE 1
1.1 Series numricas.
En esta parte del curso estudiaremos las sumas innitas a las cuales llamaremos series. Estas son ejemplos particulares
de sucesiones, las cuales ya hemos introducido.
Denicin 1.1. Consideremos una sucesin (a
k
). Podemos generar una nueva sucesin (S
n
) denida por las sumas
parciales siguientes:
S
n
=
n
k=1
a
k
=a
1
+a
2
+ +a
n
.
El par ordenado ((a
k
) , (S
n
)) es llamado una serie; la cual tambin denotaremos (por razones histricas) con el smbolo
+
k=1
a
k
La sucesin (a
k
) es llamada la sucesin de trminos de la serie y la segunda sucesin es llamada sucesin de sumas
parciales de la serie.
Observacin 1.1. Sea ((a
k
) , (S
n
))
+
k=1
a
k
una serie dada. Entonces,
k : a
k
=S
k
S
k1
,
donde tomamos S
0
=0 por convencin. As, cada una de las sucesiones que la conforma determina la otra.
Observacin 1.2. En algunos casos es conveniente usar la sucesin de trminos en la forma a
m
, a
m+1
, a
m+2
para algn
m , en tal caso usamos la notacin para la serie
k=m
a
k
1.2 Convergencia de una serie.
Denicin 1.2. Diremos que la serie
+
k=1
a
k
converge, si existe un nmero real L tal que lim
n+
S(n) = L, es decir, la
sucesin de sumas parciales S
n
=
+
k=1
a
k
converge a L. En este caso pondremos
lim
n+
S
n
=
+
k=1
a
k
= L
Si la serie no converge diremos que es divergente.
Ejemplo 1.1. la serie
+
k=1
k es divergente.
En efecto, la sucesin de sumas parciales S
n
=
n
k=1
k =
n (n +1)
2
se sigue
lim
n
S
n
= lim
n
_
n (n +1)
2
_
= +
Ejemplo 1.2. La serie
+
k=1
1
2
k
es convergente a 1, es decir,
+
k=1
1
2
k
=1.
En efecto, la sucesin de sumas parciales es S
n
=
n
k=1
1
2
k
=
1
2

1
2
n+1
1
2
, de donde obtenemos que
lim
n
S
n
= lim
n
_
1
2

1
2
n+1
1
2
_
=1
+
k=1
a
k
y
+
k=1
b
k
dos series convergentes a A y B respectivamente, es decir,
+
k=1
a
k
=A
+
k=1
b
k
= B
Sean t. Entonces las siguientes valen.
1.

+
k=1
(a
k
) =A
2.

+
k=1
(a
k
+b
k
) =
_
+
k=1
a
k
_
+
_
+
k=1
b
k
_
=A +B
Ejercicio 1.1. Es convergente la serie
+
k=1
_
k
1
3
k
_
?
Proposicin 1.2. Si
+
k=1
a
k
es una serie convergente entonces lim
k
a
k
=0.
Demostracin. Si lim
n
S
n
= L entonces lim
n
S
n1
= L. Luego,
lim
n
a
n
= lim
n
(S
n
S
n1
) = lim
n
S
n
lim
n
S
n1
= L L =0.
La proposicin anterior nos entrega un criterio de divergencia til en algunos casos:
Si
+
k=1
a
k
es una serie en la cual lim
n
a
n
=0, entonces
+
k=1
a
k
diverge.
Lamentablemente el criterio anterior no es una equivalencia como podemos ver en el siguiente ejemplo.
+
k=1
ln
_
k
k +1
_
diverge.
En efecto: S
n
=
n
k=1
ln
_
k
k +1
_
=
n
k=1
(lnk ln(k +1)) =ln(n +1) =ln
_
1
n +1
_
. As, se sigue
lim
n+
S
n
= lim
n+
ln
_
1
n +1
_
=,
es decir, la serie anterior diverge. Pero notemos que
lim
k
ln
_
k
k +1
_
=0
Ejercicio 1.2. Muestre que las siguientes series divergen:
1.-
+
k=1
(1)
k
2.-
+
k=1
1
k
_
k
3.-
+
k=1
k
lnk
4.-
+
k=1
k!
2k! +1
1.3 Series telescpicas y series geomtricas
Encontrar expresiones explcitas para las sumas parciales no es tarea fcil y solo encontados casos es conveniente analizar
la convergencia de una serie por tales medios. Veremos dos ejemplos muy importantes en los cuales podemos encontrar
expresiones para las sumas parciales.
1.3.1 Series telescpicas
Denicin 1.3. Si (b
k
) es una sucesin de nmeros reales, entonces la serie
+
k=1
(b
k
b
k+1
)
es llamada serie telescpica.
Para este tipo de series tenemos el siguiente criterio de convergencia.
Proposicin 1.3. Una serie telescpica
+
k=1
(b
k
b
k+1
) es convergente si y solo si la sucesin (b
k
) es convergente y en tal caso
+
k=1
(b
k
b
k+1
) =b
1
lim
k
b
k
Demostracin. Notemos que la suma parcial es dada por
S
n
=
n
k=1
(b
k
b
k+1
) =b
1
b
n
.
Luego, la sucesinS
n
converge s y slo si la sucesin b
n
converge. Ms an, si estas convergen, entonces
lim
n+
S
n
=b
1
lim
n+
b
n
.
Ejercicio 1.3. Mostrar la convergencia de la serie
+
k=1
1
4k
2
1
y encuentre su lmite.
Ejemplo 1.4. Muestre que
+
k=1
k +1
k
_
k
2
+k
=1
1.3.2 Series geomtricas
Denicin 1.4. Sean a, r {0}. Una serie de la forma
n
k=0
ar
k
es llamada una serie geomtrica de razn r .
Ejercicio 1.4. Qu sucede en la denicin anterior si dejamos que a =0 o bien r =0?
Proposicin 1.4. Una serie geomtrica
n
k=0
ar
k
es convergente si y solo si |r | <1, en este caso
k=0
ar
k
=
a
1r
Demosracin. La demostracin se basa en la suma de una progresin geomtrica.
1. Si r =1, entonces ar
k
=a. As, lim
n+
ar
k
=a =0 y la serie diverge.
2. Si r =1, entonces ar
k
=a (1)
k
. As, lim
n+
ar
k
no existe y la serie diverge.
3. Supongamos que |r | =1. En este caso tenemos que
S
n
=a +ar + +ar
n1
=a
_
1r
n
1r
_
.
(a) Si |r | <1, entonces
lim
n
S
n
= lim
n
a
_
1r
n
1r
_
=
a
1r
(b) Si |r | >1, entonces lim
k
ar
n
=0. Luego la serie diverge.
Ejercicio 1.5. Calcular
+
k=2
(1)
k
2
k
3
k+1
Ejercicio 1.6. Para que valores de x es convergente la serie
+
k=1
_
(1)
n
x
n
+3
n
x
2n
4
n
_
CLASE 2
2.1 Series de trminos positivos.
Recordemos que la convergencia o divergencia de una serie depende de la sucesin de sumas parciales.
Denicin 2.1. Si a
k
0 para todo k decimos que la serie
k=1
a
k
es una serie de trminos positivos.
Sea
k=1
a
k
una serie de trminos positivos. En este caso, la sucesin de sumas parciales S
n
cumple con
S
n+1
S
n
=a
n+1
0.
Luego, para cada n , vale que S
n+1
S
n
, es decir, {S
n
} es una sucesin creciente. Este tipo de sucesiones convergen
si y solo si estn acotadas por arriba. Por lo tanto el anlisis de convergencia se transforma en mostrar que la sucesin de
sumas parciales es acotada por arriba.
Teorema 2.1. Sea {a
k
} una sucesin de trminos positivos. Entonces, la serie
k=1
a
k
converge si y solo si la sucesin de sumas
parciales
S
n
=
n
k=1
a
k
es acotada. En tal caso
k=1
a
k
=sup{S
n
: n }
k=1
_
2
k
+k
3
k
+k
_
es convergente. En efecto,
2
k
+k
3
k
+k

2
k
+2
k
3
k
2
_
2
3
_
k
.
De esta manera, obtenemos que
S
n
=
n
k=1
_
2
k
+k
3
k
+k
_
k=1
2
_
2
3
_
k
2
k=1
_
2
3
_
k
=4.
Luego, la sucesin de sumas parciales esta acotada y la serie converge.
2.2 Criterios de convergencia para series de trminos positivos
A continuacin, enunciaremos algunos criterios que explotan esta idea de acotamiento para mostrar la convergencia de
series de trminos positivos.
2.2.1 Criterio de la integral
Teorema 2.2 (Criterio de la integral). Sea f : [1, +[
+
una funcin continua (a valores positivos) y decreciente en
[1, +[. Si tomamos
a
k
= f (k) para k ,
entonces
k=1
a
k
converge si y solo si
_

1
f (x) dx converge.
Demosracin. Notemos que
a
k
= f (k) f (x) f (k 1) =a
k1
, para x [k 1, k] .
De lo anterior obtenemos que
a
k

_
k
k1
f (x) dx a
k1
, para k 2.
As,
n
k=2
a
k

_
n
1
f (x) dx
n1
k=1
a
k
, para cada n 2.
De lo anterior podemos obtener la desigualdad
S
n
a
1
_
n
1
f (x) dx S
n1
.
1. Si
_
+
1
f (x) dx <(es decir, la integral impropia converge), entonces S
n
es acotada y luego la serie converge.
2. Si
_
+
1
f (x) dx diverge, entonces de la desigualdad
_
n
1
f (x) dx S
n1
obtenemos que la serie es divergente.
Observacin 2.1. La integral y la serie no necesariamente convergen al mismo valor.
Ejercicio 2.1. Vericar que la serie
k=1
1
k
p
converge si y solo si p >1. En particular
k=1
1
k
diverge.
k=2
1
n lnn
es divergente.
2.2.2 Criterio de comparacin directa
Teorema 2.3 (Criterio de comparacin directa). Sean {a
k
} y {b
k
} sucesiones de trminos positivos tales que 0 a
k
b
k
,
para cada k k
0
.
1. Si

k=1
a
k
diverge, entonces
k=1
b
k
diverge.
2. Si

k=1
b
k
converge, entonces
k=1
a
k
converge.
Ejercicio 2.2. Analizar la convergencia de las siguientes series:
1.
k=1
1
2
n +3n
2.
k=1
1
2
n
+1
3.
k=1
1
n +lnn
4.
k=1
1
n
3
+3n +4
5.
k=1
3sen
2
n
n!
2.2.3 Criterio de comparacin al lmite
Teorema 2.4 (Criterio de comparacin al lmite). Sean {a
k
} y {b
k
} sucesiones de nmeros positivos tales que
lim
k
a
k
b
k
= L >0.
Entonces
k=1
a
k
converge si y solo si
k=1
b
k
converge.
Ejemplo 2.3. Analizar la convergencia o divergencia de las siguientes series:
1.
k=1
3n
3
5n
2
2n
6
+4n 1
2.
k=1
1
3
_
n
3
+1
3.
k=1
arctan
_
1
n
2
_
Semana 12: Lunes 30 de mayo viernes 03 de Junio
COMPLEMENTO
Clase 1: Criterio del cuociente y la raz..
Clase 2: Series alternadas, teorema de Leibnitz. Convergencia condicional y absoluta.
Contenidos
CLASE 1
Los criterios de comparacin directa y comparacin al lmite utilizan la convergencia o divergencia de una serie auxiliar
para poder tener informacin sobre la convergencia o divergencia de la serie dada. Ahora mostraremos dos criterios que
utilizan el comportamiento de la misma serie para analizar su convergencia o divergencia.
1.1 Criterio del cociente
Teorema 1.1 (Criterio del cociente). Sea {x
n
}
n
una sucesin de nmeros reales no nulos tales que
lim
n
_
_
_
_
x
n+1
x
n
_
_
_
_
=r
entonces:
1. Si 0 r <1, entonces

n=1
|x
n
| y

n=1
x
n
convergen.
2. Si r >1, entonces

n=1
|x
n
| y

n=1
x
n
divergen.
3. Si r =1, entonces el criterio no entrega informacin.
Demostracin.
1. Si 0 r <1, entonces r <R =
_
r +1
2
_
<1.
Como lim
n
_
_
_
xn+1
xn
_
_
_ =r , existe un N
0
tal que para n N
0
vale que
_
_
_
_
x
n+1
x
n
_
_
_
_
R.
De esta forma, para n N
0
, vale que
|x
n+1
|
R
n+1

|x
n
|
R
n
.
Luego,
_
a
n
=
|x
n
|
R
n
_
es una sucesin decreciente. As, para n N
0
a
n
a
N0
.
De lo anterior obtenemos, para n N
0
, que
|x
n
|
R
n
a
N0
, es decir,
|x
n
| a
N0
R
n
.
Por el criterio de comparacin obtenemos que
n=N0
|x
n
|
converge y as que
n=1
|x
n
|
tambin converge.
Podemos notar que
_
_
_
_
|x
n
| x
n
2
_
_
_
_
|x
n
| y
_
_
_
_
|x
n
| +x
n
2
_
_
_
_
|x
n
|
de donde podemos ver que las series de trminos positivos siguientes
n=1
_
|x
n
| x
n
2
_
,
n=1
_
|x
n
| +x
n
2
_
convergen por comparacin directa con la serie
n=1
|x
n
|.
Notando que
x
n
=
_
|x
n
| x
n
2
_
_
|x
n
| +x
n
2
_
,
podemos ver que la serie
n=1
x
n
=
n=1
_
|x
n
| +x
n
2
_
n=1
_
|x
n
| x
n
2
_
es convergente.
2. Si r >1, entonces siguiendo de manera similar al caso anterior, no es dicil mostrar el limite del termino general no
puede ser cero y por tanto ambas series son divergentes.
3. Cuando r =1 el criterio no entrega informacin, como lo muestarn las siguientes series:
n=1
1
n
es divergente y
n=1
1
n
2
es convergente,
donde en ambas tenemos r =1.
Ejercicio 1.1. Analizar la convergencia o divergencia de las siguientes series.
1.
n=1
(2)
n
n!
2.
n=1
(1)
n
n
25
3
n+1
3.
n=1
n!
n
n
4.
n=1
n!
5
n
1.2 Criterio de la raz
Teorema 1.2 (Criterio de la raz). Sea {x
n
}
n
una sucesin de nmeros reales tales que
lim
n
n
_
|x
n
| =r
entonces:
1. Si 0 r <1, entonces

n=1
|x
n
| y

n=1
x
n
convergen.
2. Si r >1, entonces

n=1
|x
n
| y

n=1
x
n
divergen.
3. Si r =1, entonces el criterio no entrega informacin.
Observacin 1.1. La demostracin es similar a la hecha para el criterio del cociente.
Ejercicio 1.2. Decidir si las siguientes series son o no convergentes
1.
n=3
1
(ln(n))
n
2.
n=1
_
n
2n +1
_
n
3.
n=1
_
ln(n)
1000
_
n
Los criterios anteriores permiten obtener conclusiones incluso en casos en que la serie no es de trminos positivos
Ejercicio 1.3. Para que valores x es convergente la serie
n=1
x
n
+2x
2n
n
CLASE 2
2.1 Series alternantes
Denicin 2.1. Diremos que una serie es alternante si sus trminos se alternan entre positivo y negativo, es decir, tienen
la forma (1)
n
a
n
o bien de la forma (1)
n+1
a
n
, donde a
n
0 para todo n .
Ejemplo 2.1. Son series alternates
n=1
(2)
n
n!
,
n=1
(1)
n
n
y
n=1
(1)
n
Teorema 2.1 (Criterio de Leibnitz). Sea (x
n
)
n
una sucesin de trminos positivos decreciente tales que
lim
n
x
n
=0.
Entonces
n=1
(1)
n+1
x
n
es una serie converge. Adems,
|S S
n
| <|x
n+1
|
lo que nos permite medir la rapidez de convergencia.
Ejercicio 2.1. Vericar que las series
n=1
(1)
n+1
n
n=1
(1)
n
ln(n)
n
son series alternantes convergentes.
Ejemplo 2.2. Vamos a analizar a que valor converge la serie
n=1
(1)
n+1
n
.
Recordemos que
1+x +x
2
+ +x
n
=
1x
n+1
1x
, para x =1.
Reemplazando x por x en lo anterior, se obtiene que
1x +x
2
+ (1)
n
x
n
=
1(1)
n+1
x
n+1
1+x
, para x =1.
Si integramos la igualdad anterior obtenemos
x
x
2
2
+
x
3
3
+ (1)
n
x
n+1
n +1
=
_
x
0
_
1(1)
n+1
t
n+1
1+t
_
dt , para x >0.
Si evaluamos en x =1 se obtiene
1
1
2
+
1
3
+
(1)
n
n +1
=
_
1
0
_
1(1)
n+1
t
n+1
1+t
_
dt
=
_
1
0
_
1
1+t
_
dt +
_
1
0
_
(1)
n+1
t
n+1
1+t
_
dt .
Como
_
1
0
_
1
1+t
_
dt =ln(2)
entonces obtenemos que
n
k=0
(1)
k
k +1
=ln(2) +
_
1
0
_
(1)
n+1
t
n+1
1+t
_
dt =ln(2) + (1)
n+2
_
1
0
t
n+1
1+t
dt .
Si ponemos
S
n
=
n
k=0
(1)
k
k +1
,
entonces
|S
n
ln(2)| =
_
1
0
t
n+1
1+t
dt .
Como t [0, 1], se tiene que 1 1+t 2. Luego
1
1+t
1.
As
|S
n
ln(2)| =
_
1
0
t
n+1
1+t
dt
_
1
0
t
n+1
dt =
1
n +2
.
De lo anterior, obtenemos que
k=0
(1)
k
k +1
=
k=1
(1)
k+1
k
=ln(2),
es decir
1
1
2
+
1
3

1
4
+
1
5
=ln(2).
2.2 Convergencia condicional y absoluta
Las series de trminos generales no tienen porque ser alternantes, por ejemplo la serie
n=1
sen(n)
n
2
no es alternante pero tampoco es de trminos positivos.
De esta manera, los criterios de la razn y del cociente no entregan informacin para la convergencia de la serie
anterior. Sin embargo, con las herramientas que tenemos podemos analizar la convergencia. Para esto, notemos que
_
_
_
_
sen(n)
n
2
_
_
_
_
1
n
2
,
es decir,
1
n
2

sen(n)
n
2

1
n
2
.
De lo anterior, obtenemos que
0
sen(n) +1
n
2

2
n
2
.
Usando la desigualdad anterior, y por comparacin directa, obtenemos que
n=1
_
sen(n) +1
n
2
_
es convergente. De esta forma
n=1
sen(n)
n
2
=
n=1
_
sen(n) +1
n
2
_
n=1
1
n
2
es convergente.
Observemos que tambin podemos analizar la convergencia de de la serie de trminos positivos
n=1
_
_
_
_
sen(n)
n
2
_
_
_
_
comparndola directamente con
n=1
1
n
2
.
Teorema 2.2 (Convergencia absoluta). Si la serie
n=1
|x
n
| converge, entonces
n=1
x
n
converge. Decimos que la serie es abso-
lutamente convegente.
Demosracin. Se obtiene la convergencia de las series de trminos positivos
n=1
_
|x
n
| +x
n
2
_
n=1
_
|x
n
| x
n
2
_
por comparacin con la serie
n=1
|x
n
|.
As, escribiendo
x
n
=
_
|x
n
| +x
n
2
_
_
|x
n
| x
n
2
_
,
obtenemos la convergencia de
n=1
x
n
.
El recproco del teorema anterior no es verdad en general. Por ejemplo, la serie alternante
k=1
(1)
k+1
k
en convergente pero la serie de trminos positivos
k=1
_
_
_
_
_
(1)
k+1
k
_
_
_
_
_
=
k=1
1
k
no lo es.
Denicin 2.2. Una serie
k=1
x
k
se dice absolutamente convergente si
k=1
|x
k
| es convergente.
Si
k=1
x
k
converge pero
k=1
|x
k
| diverge diremos que es condicionalmente convergente.
Ejercicio 2.2. Decidir si las series
k=1
(1)
n
n +ln(n)
k=1
(2)
n
n
2
3
n
son absoluta o condicionalmente convergentes.
2.2.1 Reordenamiento de series
Recordemos que ya habamos calculado que
k=1
(1)
k+1
k
=ln(2).
Esta serie es condicionalmente convergente.
Si reordenamos la serie
1
1
2
+
1
3

1
4
+
1
5

1
6
+
1
7

1
8
+
1
9

1
10
+
1
11

1
12

de la manera siguiente
_
1
1
2
_
1
4
+
_
1
3

1
6
_
1
8
+
_
1
5

1
10
_
1
12
+
_
1
7

1
14
_
obtenemos que
1
2

1
4
+
1
6

1
8
+
1
10

1
12
+
1
14
=
1
2
_
1
1
2
+
1
3

1
4
+
1
5

1
6
+
1
7

_
=
1
2
ln(2) =ln(2).
El ejemplo anterior nos muestra que en las series, sumas innitas, no da lo mismo el orden en que sumen los trminos.
Teorema 2.3. Si

a
n
es una serie absolutamente convergente, entonces todos los reordenamientos convergen al mismo
valor.
Semana 13: Lunes 06 viernes 10 de junio
COMPLEMENTO
Clase 1: Series de potencias: Radio e intervalo de convergencia.
Clase 2: Derivacin e integracin de series de potencias.
Contenidos
CLASE 1
Denicin 1.1. Sea {C
n
}
n{0}
una sucesin de nmeros reales y x
0
. Una serie de potencias centrada en x
0
es una
serie de la forma
+
n=0
C
n
(x x
0
)
n
(donde usamos la convencin(xx
0
)
0
=1). Los trminos de la sucesinsonllamados coecientes de la serie de potencias.
Ejemplo 1.1.
+
n=0
x
n
n!
+
n=0
x
n
n
+
n=0
(x 2)
n
2
n
son series de potencias.
+
n=0
cos(nx)
n
2
+1
no es una serie de potencias.
Ejemplo 1.2. Notar que
+
n=0
x
n
converge si |x| <1 y diverge si |x| 1. Adems, para x ] 1, 1[ tenemos que
1
1x
=
+
n=0
x
n
.
As obtenemos que la serie de potencias (centrada en x
0
= 0) converge en un intervalo centrado en x
0
= 0. Esta
propiedad es comn a las series de potencias.
Observacin 1.1. Sea y =x x
0
. Entonces, podemos escribir la serie de potencias
S(x) =
+
n=0
C
n
(x x
0
)
n
como una serie de potencias centrada en y
0
=0:
R(y ) =
+
n=0
C
n
y
n
.
Ahora, observemos que la serie S(u) converge para cierto u s y slo si la serie R(u x
0
) converge.
Teorema 1.1. Consideremos una serie de potencias, centrada en x
0
,
+
n=0
C
n
(x x
0
)
n
.
1. Si la serie converge en x =a =x
0
, entonces esta converge absolutamente x, |x x
0
| <|a x
0
|.
2. Si la serie diverge en x =b =x
0
, entonces esta diverge x, |x x
0
| >|b x
0
|.
Demostracin. Veriquemos 1. Sea x con |x x
0
| <|a x
0
|, como la serie
+
n=0
C
n
(a x
0
)
n
converge, se sigue que lim
n
C
n
(a x
0
)
n
=0. Es decir, existe un entero N de manera que si n N, entonces
|C
n
(a x
0
)
n
| <1.
De esta manera, |C
n
| <
1
|ax0|
n
para n N.
Luego, para n N, tenemos que
|C
n
(x x
0
)
n
| <
_
_
_
_
x x
0
a x
0
_
_
_
_
n
n N
Como
_
_
_
_
x x
0
a x
0
_
_
_
_
<1,
tenemos que
_
_
_
_
x x
0
a x
0
_
_
_
_
n
converge. Luego, por comparacin, la serie
|C
n
(x x
0
)
n
|
converge. En particular,
+
n=0
C
n
(x x
0
)
n
converge absolutamente.
Veamos 2. Suponga que
+
n=0
C
n
(b x
0
)
n
diverge. Si |x x
0
| > |b x
0
| y adems la serie
+
n=0
C
n
(x x
0
)
n
converge
absolutamente, entonces obtenemos una contradiccin con la parte anterior (tomando a =x).
Corolario 1.1. Para una serie de potencias de la forma
+
n=0
C
n
(x x
0
)
n
se cumple una y slo una de las siguientes:
a)
+
n=0
C
n
(x x
0
)
n
converge slo para x =x
0
. En este caso decimos que la serie tiene radio de convergencia R =0.
b)
+
n=0
C
n
(x x
0
)
n
converge para todo x . En este caso decimos que la serie tiene radio de convergencia R = +.
c) Existe R
+
tal que
x, |x x
0
| <R

+
n=0
C
n
(x x
0
)
n
converge absolutamente.
x, |x x
0
| >R

+
n=0
C
n
(x x
0
)
n
diverge.
El valor R es llamado el radio de convergencia de la serie.
Demostracin. Sea
I =
_
x {0} :
+
n=0
C
n
(x x
0
)
n
converge
_
y suponga que I =.
Entonces:
(1) existe x
1
, con x
1
=0 y la serie
+
n=0
C
n
(x
1
x
0
)
n
converge y
(2) existe x
2
tal que la serie
+
n=0
C
n
(x
2
x
0
)
n
diverge.
La condicin (1) nos dice que I =. La condicin (2), junto al terorema anterior, nos asegura que I es acotado superi-
ormente. Luego, I tiene un supremo
R =sup
_
x {0} :
+
n=0
C
n
(x x
0
)
n
converge
_
.
Del teorema anterior podemos ver que R tiene las propiedades deseadas.
Observacin1.2. Los puntos extremos del intervalo ]x
0
R, x
0
+R[ se debenanalizar por separado y danorigenal intervalo
de convergencia que es el conjunto en el cual la serie de potencias converge. Este conjunto slo puede tener alguna de
estas formas:
{x
0
}, , [a, b[, [a, b], ]a, b], ]a, b[
Ejemplo 1.3.
+
no puede ser el intervalo de convergencia de una serie de potencias.
Ejemplo 1.4. Hallar el intervalo de convergencia de las series:
a)
+
n=0
n
n
x
n
b)
+
n=0
x
n
n!
c)
+
n=1
x
n
n
d)
+
n=1
x
n
n
2
e)
+
n=1
(x 3)
2n
n
2
5
n
Desarrollo:
a) Apliquemos el criterio de la raz:
n
_
n
n
|x|
n
=n|x|,
lim
n
n
_
n
n
|x|
n
= lim
n
n|x| = + si x =0
luego la serie diverge para x =0. El intervalo de convergencia para
+
n=0
n
n
x
n
es {0}.
b) Usemos el criterio del cociente:
|a
n+1
|
|a
n
|
=
|x|
n+1
(n +1)!
|x|
n
n!
=
|x|
n +1
lim
n
|a
n+1
|
|a
n
|
=0 x
Luego, la serie
+
n=0
x
n
n!
converge x , es decir, el intervalo de convergencia es todo .
c) Apliquemos el criterio de la raz:
lim
n
n
_
|x|
n
n
= lim
n
|n|
n
n
=|x|.
Luego, la serie converge si |x| <1 y diverge si |x| >1. Esto nos dice que el radio de convergencia es R =1.
Ahora, hay que analizar |x| =1
x =1 ,

+
n=1
1
n
diverge
x =1 ,

+
n=1
(1)
n
n
converge, Leibnitz
El intervalo de convergencia es [1, 1[
d) Apliquemos el criterio de la raz:
lim
n
n
_
|x|
n
n
2
=|x|.
Se sigue que tenemos convergencia para |x| <1 y divergencia para |x| >1. Luego, el radio de convergencia es R =1.
Ahora analizamos |x| =1
x =1 ,

+
n=1
1
n
2
converge
x =1 ,

+
n=1
(1)
n
n
2
converge
El intervalo de convergencia es [1, 1]
e) Apliquemos el criterio de la raz:
lim
n
n
_
(x 3)
n
n
2
5
n
=
|x 3|
2
5
.
La serie converge si |x 3| <
5 y diverge si |x 3| >
5. Luego, el radio de convergencia es R =
5.
Si |x 3| =
5 la serie es
+
n=1
1
n
2
la cual converge. Finalmente el intervalo de convergencia es I =
_
3
5, 3+
5
_
CLASE 2
Observacin2.1. Si una serie de potencias
+
n=0
C
n
(x x
0
)
n
tiene radio de convergencia R >0, entonces es posible denir
una funcin
f : ]x
0
R, x
0
+R[
x f (x) =
+
n=0
C
n
(x x
0
)
n
Ahora podemos preguntarnos
Es f continua? Es f derivable?.
Denicin 2.1. Sea f (x) una funcin dada. Si f (x) =
+
n=0
C
n
(x x
0
)
n
, en algn intervalo I (donde x
0
I ), entonces se
dice que f est expresada como serie de potencias en el intervalo I .
Se presentan dos problemas fundamentales:
I.- Si una funcin es dada en serie de potencias, entonces determinar sus propiedades.
II.- Dada una funcin f . Es f expresable en serie de potencias? Por ejemplo f (x) = e
x
es expresable en serie de
potencias?.
Teorema 2.1 (Derivadas de series de potencias). Si f (x) =
+
n=0
C
n
(x x
o
)
n
es una serie de potencias de radio de conver-
gencia R >0, entonces
+
n=1
nC
n
(x x
0
)
n1
tiene el mismo radio de convergencia. Adems
f

(x) =
+
n=1
nC
n
(x x
0
)
n1
x, |x x
0
| <R
Corolario 2.1. Si f (x) =
+
n=0
C
n
(x x
0
)
n
tiene radio de convergencia R >0, entonces f es continua en
]x
0
R, x
0
+R[
Observacin 2.2. En los extremos del intervalo no se sabe, hay que analizar por separado.
Corolario 2.2. Si R >0 es el radio de convergencia de la serie
f (x) =
+
n=0
C
n
(x x
0
)
n
,
entonces f C
(]x
0
R, x
0
+R, [). Adems, para cada k 0 entero vale que
f
(k)
(0)
k!
=C
k
Ejemplo 2.1. La serie de potencias f (x) =
+
n=0
x
n
n!
tiene radio de convergencia innito. As, f es C
() y se tiene que
f

(x) =
+
n=1
x
n1
(n 1)!
=
+
n=0
x
n
n!
= f (x).
Por otro lado, f (0) =1.
Otra funcin que cumple con esas dos propiedades es la funcin exponencial e
x
.
Si g (x) = e
x
f (x), entonces g
(x) = 0. Luego, g (x) es constante. Como g (0) = 1, obtenemos que g (x) = 1, es decir,
f (x) =e
x
. Esto nos da la igualdad
e
x
=
+
n=0
x
n
n!
.
Teorema 2.2 (Integracin de series de potencias). Sea f (x) =
+
n=0
C
n
(x x
0
)
n
una serie de potencias con radio de conver-
gencia R >0 entonces x ]x
0
R, x
0
+R[, vale la igualdad
_
x
0
f (t ) dt =
_
x
0
_
+
n=0
C
n
(t x
0
)
n
_
dt =
+
n=0
C
n
n +1
(x x
0
)
n+1
=
+
n=1
C
n1
n
(x x
0
)
n
Ejemplo 2.2. Sabemos la serie
1
1x
=
+
n=0
x
n
, |x| <1.
Luego, reemplazando x por x, obtenemos la serie
1
1+x
=
+
n=0
(1)
n
x
n
|x| <1.
Integrando obtenemos
ln(1+x) =
+
n=1
(1)
n1
x
n
n
|x| <1,
mostrando que la funcin ln(1+x) se puede resentar como una serie de potencias en el intervalo (0, 2).
Ejemplo 2.3. Consideremos la serie
1
1+x
2
=
+
n=0
(1)
n
x
2n
|x| <1.
Luego, integrando, obtenemos
arctan(x) =
+
n=0
(1)
n
x
2n+1
2n +1
|x| <1,
mostrando que la funcin arctan(x) se puede resentar como una serie de potencias en el intervalo (1, 1).
2.0.1 Ejercicios
1. Expresar
1
1x
en serie de potencias con centro en 1.
2. Hallar serie de potencias para
2x
x
2
+1
,
3x 1
x
2
1
centrada en x =0
3. Sea
f (x) =
_
_
_
e
x
1
x
x =0
1 x =0
muestre que f C
(). Hallar una serie de potencias que represente f .

4. Muestre que
_
1
0
e
x
2
dx =
+
n=0
(1)
n
(2n +1)n!
5. Calcule el valor de
+
n=0
n
2
n
Indicacin: Considere la funcin f (x) =
1
2
+
n=1
nx
n1
e integre entre 0 y 1/2.
COMPLEMENTO
Clase 1: Polinomios de Taylor. Resto.
Clase 2: Series de Taylor: Seno, coseno,exponencial. Clculo de series de Taylor funciones
elementales.
Contenidos
CLASE 1
1.1 Polinomios de Taylor. Resto.
Si f : I es una funcin derivable en x =x
0
, entonces
f

(x
0
) = lim
xx0
f (x) f (x
0
)
x x
0
,
o de manera equivalente que
0 = lim
xx0
f (x) f (x
0
)
x x
0
f

(x
0
)
= lim
xx0
f (x) f (x
0
) f

(x
0
)(x x
0
)
x x
0
,
Si tomamos
E(x) =
f (x) f (x
0
) f

(x
0
)(x x
0
)
x x
0
,
entonces tenemos que
f (x) = f (x
0
) + f

(x
0
)(x x
0
) +E(x)(x x
0
)
donde
lim
xx0
E(x) =0.
Luego, para x muy cercano a x
0
(notacin: x x
0
) vale que
f (x) f (x
0
) + (x x
0
) f

(x
0
).
Lo anterior nos dice los valores de f (x) se aproximan por el polinomio de grado uno dado por
p(x) = f (x
0
) + f

(x
0
)(x x
0
).
Es lgico pensar que, mientras mas derivable es la funcin, mejor es la aproximacin que podremos realizar.
Denicin 1.1. Sea I un intervalo abierto con x
0
I . Dado n y f : I una funcin nveces derivable en
x
0
I , se dene el nsimo polinomio de Taylor de f alrededor de x
0
como:
P
n
(x) = f (x
0
) + f

(x
0
)(x x
0
) +
f
(2)
(x
0
)
2!
(x x
0
)
2
+. . . +
f
(n)
(x
0
)
n!
(x x
0
)
n
Ejemplo 1.1.
1. Si f (x) =e
x
, entonces, como f
(n)
(0) =e
0
=1, tenemos que
P
5
(x) =1+x +
x
2
2!
+
x
3
3!
+
x
4
4!
+
x
5
5!
2. Si f (x) =ln(x +1) entonces
P
n
(x) =x
x
2
2
+
x
3
3

x
4
4
+. . . + (1)
n1
x
n
n
Ejercicio 1.1.
1. Calcular P
n
(x) para f (x) =sin(x) con x
0
=2.
2. Calcular P
n
(x) en x
0
=0 para f (x) =
1
1x
.
Denicin 1.2. Se dene el nsimo resto de Taylor r
n
(x) de f en x
0
por
r
n
(x) = f (x) P
n
(x)
donde P
n
es el nsimo polinomio de Taylor de f en x
0
.
Teorema 1.1 (Teorema de Taylor). Sea I un intervalo abierto, x
0
I y supongamos que para cierto entero n la
funcin f : I tiene derivada hasta orden n +1 en I . Entonces existe en un intervalo J I que contiene a x
0
, de
manera que para cada x I , x =x
0
existe t
x
entre x
0
y x tal que
f (x) =P
n
(x) +r
n
(x)
con
r
n
(x) =
f
(n+1)
(t
x
)
(n +1)!
(x x
0
)
n+1
Observacin 1.1. Notar que el Teorema anterior es una generalizacin del Teorema del Valor Medio.
Ejemplo 1.2. Aproximar el nmero e con un error menor a 0, 001
Solucin: f (x) =e
x
Queremos encontrar n de manera que: |r
n
(1)| =| f (1) P
n
(1)| <0, 001.
Por el Teorema de Taylor existe t
1
]0, 1[ tal que
|r
n
(1)| =
f
(n+1)
(t
1
)
(n +1)!
(10)
n+1
=
e
t1
(n +1)!
<
4
(n +1)!
Luego, basta escoger n tal que
4
(n +1)!
<
1
1000
.
Es claro que cualquier n 6 funciona.
As, por ejemplo,
P
6
(1) =1+1+
1
2!
+
1
3!
+
1
4!
+
1
5!
+
1
6!
=
1957
720
=2.71806
da una aproximacin de e como se busca.
CLASE 2
2.1 Series de Taylor
Denicin 2.1. Supongamos que f tiene derivadas de todo orden en x = x
0
. Llamaremos serie de Taylor de f en x
0
a la
serie de potencias
+
n=0
f
(n)
(x
0
)
n!
(x x
0
)
n
.
Si x
0
=0, esta serie es tambin llamada serie de Maclaurin de f.
Observacin2.1. Puede ocurrir que la serie anterior sea convergente o no para unx =x
0
y en caso de convergencia puede
ser a f (x) o a un nmero distinto de f (x). Por ejemplo, si consideramos la funcin
f (x) =
1
x
2
x =0
0 x =0
entonces f C
() y f
(n)
(0) =0. Luego la serie de Taylor de f en x
0
=0 es igual a 0, la cual es diferente de f (x) =e
1
x
2
=0
para x =0.
Para asegurar la convergencia de la serie de Taylor de la funcin respectiva tenemos el siguiente teorema.
Teorema 2.1. Supongamos que
1. f tiene derivadas de todo orden en un intervalo I que contiene a x
0
;
2. existe M >0 tal que | f
(n)
(x)| M para todo x I y n N (N jo)
entonces la serie de Taylor de f en x
0
converge a f (x) para cada x I es decir
f (x) =
+
n=0
f
(n)
(x
0
)
n!
(x x
0
)
n
x I
Demostracin. Por el Teorema de Taylor
r
n
(x) =
f
(n+1)
(t
x
)
(n +1)!
(x x
0
)
n+1
|r
n
(x)|
M|x x
0
|
n+1
(n +1)!
.
Luego,
lim
n+
(x x
0
)
n+1
(n +1)!
=0
y por lo tanto
lim
n+
r
n
(x) =0,
lo que prueba el teorema.
2.1.1 Ejemplos
1. f (x) =sin(x) =
+
n=0
(1)
n
x
2n+1
(2n +1)!
x
2. f (x) =cos(x) =
+
n=0
(1)
n
x
2n
(2n)!
x
3. f (x) =e
x
=
+
n=0
x
n
n!
x
COMPLEMENTO
Clase 1: Serie binomial.
Clase 2: Ejercicios para el global.
Contenidos
CLASE 1
LA SERIE BINOMIAL
Sea . Consideremos la serie
1+x +
(1)
2!
x
2
+
(1) (2)
3!
x
3
+. . .
= 1+
n=1
(1) (n +1)
n!
x
n
= 1+
n=1
x
n
donde hemos usado la notacin

=
(1) (n +1)
n!
Obtenemos una serie de potencias cuyo radio de convergencia es
lim
n
(1) (n +1) (n)

(n +1)!
(1) (n +1)
n!
= lim
n
n
n +1
=1.
De esta manera, se sigue que
f (x) =1+
n=1
x
n
es una funcin derivable en ]1, 1[.
Ms aun:
f
(x) =
n=1
n
x
n1
y
(1+x) f
(x) =
n=1
n
x
n1
+
n=1
n
x
n
=
n=1
n
(1) (n +1)
n!
x
n1
+
n=1
n
x
n
=
n=1
(1) (n +1)
(n 1)!
x
n1
+
n=1
(1) (n +1)
(n 1)!
x
n
= +
n=1
(1) (n)
n!
x
n
+
n=1
(1) (n +1)
(n 1)!
x
n
= +
n=1
(1) (n)
n!
x
n
+
n=1
n
(1) (n +1)
n!
x
n
= +
n=1
(1) (n +1)
n!
((n) +n) x
n
= +
n=1
(1) (n +1)
n!
x
n
=
1+
n=1
(1) (n +1)
n!
x
n
= f (x)
entonces
f
(x) =
f (x)
(1+x)
.
As
f
(x)
f (x)
=
1+x
ln f (x) = ln(1+x) +C
f (x) =K (1+x)
.
Notemos que f (0) =1 y as K =1, se sigue que, para x ]1, 1[
(1+x)
=1+
n=1
(1) (n +1)
n!
x
n
Esto permite el siguiente clculo, tomando =1/2:
(1+x)
1/2
=1+
n=1
1
2
1
2
1
1
2
n +1
n!
x
n
Lo anterior nos dice que si reemplazamos x por x
2
, obtenemos la igualdad
1x
2
1/2
=1+
n=1
1
2
1
2
1
1
2
n +1
n!
(1)
n
x
2n
y as, integrando,
arcsinx =x +
n=1
1
2
1
2
1
1
2
n +1
n! (2n +1)
(1)
n
x
2n+1
arcsinx = x +
n=1
1
2
1
2
1
1
2
n +1
n! (2n +1)
(1)
n
x
2n+1
= x +
n=1
1
2
1
2
+1
1
2
+n 1
n! (2n +1)
x
2n+1
= x +
n=1
1 3 5 (2n 1)
2
n
n! (2n +1)
x
2n+1
vlido en ]1, 1[
CLASE 2
Ejercicios para el global.

Resumen Complemento Mat022 USM

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Resumen Complemento Mat022 USM

Enviado por

Direitos autorais:

Formatos disponíveis

Coordinacin de Matemtica II (MAT022)

Primer semestre de 2011

z . Los puntos se denotarn

k = (0, 0, 1) y les llamaremos vectores cannicos.

= (cos, sen) es unitario.

w determinan un tringulo con

w es el nico [0, ] tal que

0 . Se dene el vector proyeccin de

w =C A entonces la altura del tringulo (trasladado) es

k = (0, 0, 1), entonces

v . Note que en dos dimensiones esto no tiene sentido. Por

esto nos lleva a la siguiente:

w son vectores no nulos en

v ) = , entonces el rea del paralelgramo es A =

d un vector no nulo, ambos en

d como el conjunto de puntos

d se llama vector director de la recta L. En general, uno lo considera de norma igual a 1.

d como nuevo vector direccin

p por otros puntos en la recta.

v no paralelos tales que

q son dos puntos de

n es un vector normal a los vectores

n , podemos obtener la ecuacin del plano.

d y el plano =x +y +z + =0. Se tiene

p = (x, y, z) un punto que no pertenece a L. La distancia de

p a L est dada por:

p = (1, 4, 0) y es perpendicular a las rectas

d , con , la recta buscada y sean

BA|. Como se quiere que el volumen

() : f (x) =sin(x) + cos(x), , }.

={x : Ax =x} es un espacio vectorial

5 =(1, 2), la matriz ortonormal que diagonaliza a A es

2 a medida que n crece, as por

2. En este ejemplo, a cada nmero natural le asignamos un nmero real x

2+L. Entonces, por unicidad del lmite se sigue

a) donde a >0. Mostremos que lim

5. Luego, el radio de convergencia es R =

(). Hallar una serie de potencias que represente f .

(1) (n +1) (n)

Você também pode gostar