A MAT022 Complemento

Coordinacin MAT022
Campus Santiago Vitacura
Apuntes de
MAT022 - Complementos
3a vs. 1 sem.2014
Prefacio
Estimados alumnos:
Este texto, en su segunda versin en formato de libro, es el resultado del esfuerzo de muchos colegas del Departamento de Matemtica de la Universidad Tcnica Federico Santa Mara, que a lo
largo del tiempo han dictado este curso. Las diferentes secciones incorporan apuntes de profesores
del Campus Santiago, especialmente de Juan Bahamodes, Nelson Cifuentes, Roberto Geraldo,
Leonel Guerrero y Erick Inda. En esta versin, stos han sido editados por quien suscribe, para
que su estructura incorpore no solo los contenidos que se espera conozcan en profundidad, sino
que tambin varios ejercicios resueltos y propuestos, que esperamos resuelvan con entusiasmo,
para lograr mejores aprendizajes. Hemos optado tambin por incluir muchas demostraciones de
los teoremas que vern en clases. No es el objetivo que todos ellos sean vistos en clases. Ms bien,
esperamos que los alumnos interesados, tengan la posibilidad de profundizar en la aprehensin
de los conceptos involucrados, y de comprender cmo se realiza la construccin del conocimiento
matemtico. Esperamos que esta primera versin, an preliminar, les sea de utilidad, y que cualquier error que encuentren (por cierto, involuntario), sea informado al mail indicado abajo.
El apunte est estructurado y ordenado en la forma de clases correlativas, estimando el tiempo
necesario para tratar los temas que comprende el programa, clase a clase. Esto no los debe llevar a
equvocos: el nmero total de clases en un semestre es superior al nmero de clases que aparecen
en este texto. Esto se debe a que no se incluyeron aqu, de manera numerada, las clases de ejercicios
que se intercalan en algunos momentos, de acuerdo al calendario de certmenes de cada semestre,
las eventuales falencias detectadas y a las necesidades especficas que cada curso determine.
Es importante que tengan presente que este apunte no reemplaza las clases. Para lograr un buen
aprendizaje de los conceptos e ideas que considera este curso, es fundamental que asistan a clases,
participen activamente en ella, estudien de manera metdica, ojal estructurando un horario de
estudio diario, preparndose siempre para su prxima clase y que planteen a sus profesores cualquier duda conceptual que les surja. Si sus dudas aparecen cuando estn resolviendo un problema,
revisen los apuntes (stos y los personales de clases), ya que es posible que hay algn concepto que
no han comprendido cabalmente, reintente, aplique muchas alternativas de solucin e intercambie
I
P REFACIO
Vernica Gruenberg Stern
opiniones y mtodos con sus compaeros. Esta forma de estudiar les entregar una comprensin
ms profunda de las ideas y conceptos que estudiaremos en este curso y, por cierto, tendrn un
aprendizaje de calidad.
Desendoles la mejor experiencia de aprendizaje y que su trabajo sistemtico rinda los frutos que
esperan, los invita a iniciar esta aventura, muy cordialmente,
veronica.gruenberg@usm.cl
II
ndice general
Prefacio
ndice general
III
1. Matrices
1.1. CLASE 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Conceptos Bsicos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2. Operatoria con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.3. Propiedades de las Operaciones Matriciales . . . . . . . . . . . . . . . . . . . .
1.2. CLASE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.2.1. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.3. CLASE 3: Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
1.4. CLASE 4: Operaciones Elementales y Matrices Elementales . . . . . . . . . . . . . . .
16
1.4.1. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
1.5. CLASE 5: Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . .
22
1.6. CLASE 6: Matriz Inversa y operaciones elementales . . . . . . . . . . . . . . . . . . .
29
1.6.1. Mtodo de Gauss-Jordan para calcular la inversa de una matriz . . . . . . . .
29
1.7. CLASE 7: Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
1.7.1. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . .
34
1.7.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
1.8. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2. Vectores en Rn
43
2.1. CLASE 8: Vectores en el plano y en el espacio . . . . . . . . . . . . . . . . . . . . . . .
43
2.1.1. Operaciones bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
2.1.2. Producto punto y norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
2.1.3. Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
2.1.4. ngulo entre vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2.1.5. Producto cruz en
R3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
2.2. CLASE 9: Geometra del Plano y el Espacio . . . . . . . . . . . . . . . . . . . . . . . .
53
III
NDICE GENERAL
2.2.1. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
2.2.2. Rectas en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
2.2.3. Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
61
3. Espacios Vectoriales
63
3.1. CLASE 10: Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
3.2. CLASE 11: Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
3.3. CLASE 12: Espacio Generado. Independencia lineal . . . . . . . . . . . . . . . . . . .
73
3.4. CLASE 13: Bases y dimensin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
83
4. Diagonalizacin
85
4.1. CLASE 14: Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
4.2. CLASE 15: Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
4.3. CLASE 16: Aplicacin: forma cannica de cuadrticas . . . . . . . . . . . . . . . . . .
95
4.3.1. Proceso de ortogonalizacin de Gram-Schmidt . . . . . . . . . . . . . . . . . .
96
4.3.2. Formas cuadrticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
4.4. CLASE 17: Aplicacin: Secciones cnicas rotadas . . . . . . . . . . . . . . . . . . . . . 101

4.4.1. Aproximacin geomtrica a la clasificacin de cudricas en el plano . . . . . 104
4.5. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5. Sucesiones y Series Numricas
109
5.1. CLASE 18: Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

5.1.1. Conceptos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.2. CLASE 19: Convergencia de Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.2.1. El concepto de convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.2.2. Algunas propiedades de las sucesiones . . . . . . . . . . . . . . . . . . . . . . 121
5.2.3. Algunos resultados de convergencia . . . . . . . . . . . . . . . . . . . . . . . . 124
5.3. CLASE 20: Series Numricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.4. Criterios de convergencia de Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.4.1. Criterio de la integral. Criterio de comparacin y comparacin al lmite. . . . 133
5.4.2. CLASE 21: Criterios del cuociente y de la raz . . . . . . . . . . . . . . . . . . 137
5.5. Series Alternadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.5.1. Convergencia condicional y absoluta . . . . . . . . . . . . . . . . . . . . . . . 141
5.6. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
IV
NDICE GENERAL
6. Series de Potencias
6.1. CLASE 22: Series de Potencias . . . . . . . . . . . . . . . . . . . . .
6.2. CLASE 23: Polinomios y Series de Taylor y MacLaurin . . . . . .
6.2.1. Polinomios de Taylor . . . . . . . . . . . . . . . . . . . . . .
6.2.2. Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . .
6.3. CLASE 24: Aplicaciones al Clculo de Integrales y Serie Binomial
6.4. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
145
145
152
152
153
155
157
NDICE GENERAL
VI
Captulo 1
Matrices
1.1.
CLASE 1
Muchos problemas del mundo real pueden ser modelados por sistemas de ecuaciones lineales.
Las matrices que definiremos a continuacin, son objetos matemticos muy tiles, que permiten
representar de manera sencilla estos sistemas y, ms an, una correcta manipulacin de estas representaciones permite resolver estos sistemas, como veremos ms adelante.
1.1.1.
Conceptos Bsicos de Matrices
DEFINICIN 1.1.1 Una matriz de orden n m (se lee n filas por m columnas) es un arreglo rectangular de nmeros, de la forma
a11 a12 a13 a1m
a21 a22 a23 a2m
31 a32 a33 a3m

.
..
..
..
..
..
.
.
.
.
an1 an2 an3 anm

Cada uno de los elementos aij del arreglo, i {1, 2, m}, j {1, 2, n}, se llama entrada,
elemento o coeficiente de la matriz.
OBSERVACIN:
1. Denotaremos las matrices por letras maysculas A, B, C o tambin en la forma (aij )nm ,
(bij )nm o simplemente, (aij ) , (bij ). Note que (aij ) denota una matriz, mientras que aij
denota la entrada de la matriz que se encuentra en la isima fila y jsima columna.
2. Los elementos de una matriz pueden pertenecer a cualquier conjunto numrico, en particular
a R o C. Denotaremos por Mnm (R) M (n m, R) al conjunto de todas las matrices de
orden n m con coeficientes reales; de manera similar, Mnm (C) M (n m, C) denota el
conjunto de todas las matrices de orden n m con coeficientes complejos.
1
C APTULO 1. M ATRICES
EJEMPLOS:
1. La matriz
A=
1 2
3 4
!
M22 (R)
En A, se tiene que
a12 = 2
En B, se tiene que
b13 = 1 i
y la matriz
B=
1 2 1i
i 0 3
!
M23 (C).
a21 = 3.
y
b21 = i.
2. La matriz A = (aij )33 = (i + j)33
2 3 4
est dada por 3 4 5

4 5 6
3. Escriba explcitamente la matriz A = (aij ) M44 , donde aij = i2 j 2 .
12 11
2
2 12
A=
32 12
42 12
12 22
22 22
32 22
42 22
12 32
22 32
32 32
42 32
12 42
0 3 8 15

22 42
0 5 12
=3
.
32 42
5
0
7
8
2
2
4 4
15 12 7
0
DEFINICIN 1.1.2 Una matriz de orden n 1 se llama matriz columna o vector columna, y tienen la
forma
a11
a21
.
.
.
an1
De manera similar, una matriz de orden 1 m se llama matriz fila o vector fila, y tiene la forma

a11 a12 a13 a1m
DEFINICIN 1.1.3 La matriz (aij )nm tal que aij = 0 para todo i, j se llama matriz nula de orden
n m y es denotada por [0]nm , es decir
[0]nm
0 0 0
0 0 0
.. .. . . ..
. .
. .
0 0 0
DEFINICIN 1.1.4 Las matrices de orden n n (igual nmero de filas y de columnas) se denominan matrices cuadradas de orden n. El conjunto de ellas, con entradas en los reales, se denota por
Mnn (R) o simplemente Mn (R). Anlogamente para el caso complejo.
2
1.1. CLASE 1
DEFINICIN 1.1.5 Sea A una matriz cuadrada A = (aij )nn . Los coeficientes aii para i = 1, 2, . . . , n
forman la llamada diagonal principal de la matriz. La diagonal secundaria de A son los elementos de
la forma ai,n+1i para i = 1, 2, . . . , n es decir
La diagonal principal de A :
a11
a22
..
.
ann
La diagonal secundaria de A :
a1n
an1,2
an1
DEFINICIN 1.1.6 Una matriz cuadrada en la cual los elementos fuera de la diagonal son todos
nulos se llama matriz diagonal (los elementos de la diagonal pueden tomar cualquier valor, es decir,
no necesariamente son distintos de cero).
a11 0
0 0
0 a22 0 0
..
0 a33
.
0
..
..
..
..
.
.
0
.
.
0
0 0 ann
Matriz diagonal:
Un tipo muy importante de matriz diagonal, es aquella que tiene todos los elementos de la
diagonal principal igual a 1, y se llama matriz identidad de orden n. Esta matriz es denotada por In .
EJEMPLOS:
I2 =
1 0
0 1
1 0 0
I3 = 0 1 0
0 0 1
I4 =
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
DEFINICIN 1.1.7 Si una matriz cuadrada de orden n es tal que todos los elementos que estn
sobre su diagonal principal son todos iguales a cero (no importan los dems) se denomina matriz
triangular inferior; de manera similar, una matriz triangular superior es aquella en la cual todos los
3
elementos que se encuentran bajo la diagonal principal son todos igual a cero.
a11 0
0 0
..
a
.
0
21 a22 0
.
.
.
.
..
..
..
..
..
Matriz triangular inferior:
..
..
..
.
.
.
.
0
.
an1 an2 an3 ann
Matriz triangular superior:
DEFINICIN 1.1.8 Dada una matriz cuadrada
a11 a12 a13
a21 a22 a23
A = a31 a32 a33

.
..
..
..
.
.
an1 an2 an3
a11 a12 a13 a1n

.
0 a22 a23 . . a2n
..
..
..
.
.
.
0
0
..
..
..
..
..
.
.
.
.
.
0
0
0 ann
a1n
a2n
a3n
..
..
.
.
ann
llamaremos traza de A (denotado por tr(A) ) a la suma de los elementos de la diagonal principal,
es decir,
n
X
tr (A) = a11 + a22 + + ann =
aii
i=1
EJEMPLOS:
1. La traza de la matriz
2. La traza de la matriz
A=
!
1 2
4 1
es
An =
es
tr(A) = 1 + (1) = 0.
1 0 0
1 2 0
1 2 3
.. .. .. . .
.
. . .
1 2 3
tr(A) = 1 + 2 + + n =
n(n + 1)
.
2
0
0
0
..
.
n
1.1. CLASE 1
1.1.2.
Operatoria con matrices
DEFINICIN 1.1.9 (Igualdad de matrices) Diremos que dos matrices A y B son iguales si y solo si
son del mismo orden y adems aij = bij , i, j.
EJEMPLO 1.1.1 Encontrar los valores de las incgnitas si se tiene
!
!
x+1 0
3 a
=
x2
1
b c
DEFINICIN 1.1.10 ( Suma de matrices) Si A = (aij )nm

A y B:
A + B = (aij + bij )nm

a11 a12 a1m
b11 b12 b1m

a21 a22 a2m b21 b22 b2m
.
..
.. + ..
..
..
..
..
.
=
.
.
.
. .
.
.
.
an1 an2 anm
bn1 bn2 bnm
y B = (bij )nm , se define la suma de

es decir:
a11 + b11
a21 + b21
..
.
a12 + b12
a22 + b22
..
.
a1m + b1m
a2m + b2m
..
..
.
.
an1 + bn1 an2 + bn2 anm + bnm
DEFINICIN 1.1.11 (Multiplicacin por escalar o ponderacin) Si A = (aij )nm y R C,

entonces
A = (aij )nm = (aij )nm ,
es decir
a11 a12 a1m

a11 a12 am
a21 a22 a2m a21 a22 a2m
.
..
.. = ..
..
..
..
..
.
.
.
. .
.
.
..
an1 an2 anm
an
a2n amn
!
!
1 2 1
1 1 2
EJEMPLOS: Si A =
y B=
, calcule a) A + B
0 2 3
3 1 1
!
!
!
1 2 1
1 1 2
0 3 1
a)
A+B =
+
=
0 2 3
3 1 1
3 3 4
!
!
!
1 2 1
1 1 2
4 7 9
b) A + 5B =
+5
=
0 2 3
3 1 1
15 7 8
OBSERVACIN:
Si A y B son matrices cuadradas, entonces
b) A + 5B.
tr (A + B) = tr (A) + tr (B).
EJERCICIOS:
1. Construir explcitamente la matriz definida por:
a) A = ij

23
i+j
X
b) A =
!
k
k=1

c) B = |i j|
32
35

d) C = (i + 1)(j 2)
33
2. Determine x, y R tal que

3 x
1 2
!
2 1
+2
=
5 x
!
7 3
.
11 y
3. Determine matrices A, B M22 (R) tal que

2A 5B =
!
1 2
, 2A + 6B =
0 1
!
4 2
.
6 0
DEFINICIN 1.1.12 (Producto de matrices) Sea K = R C. Sean A M (n m, K) y B M (m p, K).

La matriz producto C = A B es la matriz de orden n p dada por (cij )np donde
cij =
m
X
aik bkj
k=1
Es decir, para obtener el elemento cij del producto se fija la fila i de A y la columna j de B y se
forma el elemento anterior; se dice que el producto de matrices es filas por columnas.
a11 a12 a13 a1m

.
..
..
..
..
..
.
.
.
.
ai1 ai2 ai3 aim
..
..
..
..
..
.
.
.
.
.
an1 an2 an3 anm
b
b1j
11
b21 b2j
.
..
..
.
bm1 bmj
b1p
b2p
..
.
bmp
entonces el coeficiente cij se obtiene como cij = ai1 b1j + ai2 b2j + + aim bmp .
6
1.1. CLASE 1
1.1.3.
Propiedades de las Operaciones Matriciales
Sean A, B, C matrices (con rdenes tales que las operaciones consideradas pueden ser aplicadas) y sean , escalares. Entonces:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
A+B =B+A
(A + B) + C = A + (B + C)
A + [0] = A
A + (1) A = [0]
(A + B) = A + B
( + ) A = A + A
(A) = () A
1A=A
(AB) C = A (BC)
A (B + C) = AB + AC
(A + B) C = AC + BC
(AB) = (A) B = A (B)
A Mnm In A = A = AIm
OBSERVACIN:
1. Es muy importante notar que el producto matricial no es conmutativo; incluso uno de los
productos puede no estar definido. Si consideramos A M23 y B M34 entonces AB
est definida y tiene orden 2 4. Notar que BA no est definido.
Pero, incluso en el caso en que ambos productos puedan realizarse, no necesariamente son
iguales. Por ejemplo:
1 2
3 4
5 6
7 8
5 6
7 8
1 2
3 4
!
15+27 16+28
=
35+47 36+48
!
19 22
,
43 50
!
51+63 52+64
=
71+83 72+84
!
23 34
.
31 46
de donde
1 2
3 4
5 6
7 8
!
6=
5 6
7 8
1 2
3 4
2. En matrices, la ecuacin AX = B con A 6= [0] y B una matriz cualquiera, no siempre tiene

solucin. Considere
!
!
1 1
1 1
X=
0 0
1 1
Si X tiene orden n m, para que est bien definido el producto, se ha de tener n = 2. El
resultado sera de orden 2 m, pero sabemos que es de orden 2 2, luego m = 2. Luego, X
es de la forma
!
a b
X=
c d
7
entonces
1 1
0 0
a b
c d
a+c b+d
0
0
1 1
1 1
que claramente no puede ser, pues observando la segunda fila, vemos que 0 6= 1.
3. En matrices no es verdad que AB = [0] implique A = [0] B = [0]. Veamos un par de
ejemplos:
!
!
!
0 1
0 1
0 0
=
0 0
0 0
0 0

2 1 1
0 0 0
1 1 1
1 2 1
= 0 0 0
1 1 1
1 1 1
1 1 2
0 0 0
EJEMPLOS:
1. Sea A = [aij ] M44 (R) tal que aij = 0 para i > j y aij = 1 si i j. Determine A2 .
Solucin:
0
A2 =
0
1
1
0
0
1
1
1
0
1
1
1
0
1
0
1
0
2. Considere la matriz
1
1
0
0
1
2
A = 12
0
0

1
1

1
= 0
1
0
1
0
1
1
1
0
2
1
0
0
3
2
1
0
3
.
2
0
1
2
Conjeture una frmula para A2n , n N y demustrela por induccin.

Solucin:
0 12
A = 21 0
0 0
1
2
1
2
A2 = 21
0
0
0

1 2
2
A4 = A2 A2 = 0
0
0

1 2
2

0
0
1
0 2
1
0
2
1 2
0
2

0 0

1 2
0
2
1
2
0
0
1 2
0
2

0 = 0
1
0
2
0

1 2
2
0

1 2
2
1 4
0
2

0 = 0

1 2
0
2
0

1 2
2
0

1 4
2
0

1 4
2
1.1. CLASE 1
Conjetura:

1 2n
2
0

1 2n
0

1 2n
A2n = 0
0
Demostracin (por induccin):
n N
Como se vi arriba, el caso n = 1 se cumple.
Veamos que suponiendo vlido para n, se cumple tambin para n + 1:

1 2n
2
A2(n+1) = A2n A2 = 0
0
1 2n+2
2
0
0
1 2
0
2

0
0
2

1 2n
0
0
2
0
0
1 2n+2
0
2

1 2n+2
0
2
0

1 2n

1 2(n+1)
2

1 2(n+1)
2

1 2(n+1)
2
0

1 2
0

1 2
Luego, la conjetura es vlida n N.
EJERCICIOS:
1 1 1
1. Considerar la matriz B = 0 1 1
0 0 1
2. Sean A =
1 1 2
0
3 4
!
,
B =
Calcular B 2 , B 3 , B 4 .
4
0 3
1 2
3
!
,
2 3
0 1
C = 5 1 4 2 ,
1
0
0 3
D = 1 .
3
Calcule A + B,
1 2 0
3. Sean A = 1 1 0 ,
1 4 0
3A 4B,
1 2
3
B = 1 1 1 ,
2 2
2
AC,
BD,
At ,
C tBt.
1 2
3
C = 1 1 1 .
1 1
1
Verifique que AB = AC. Qu consecuencia obtiene de lo anterior?

9
4. Determine x R tal que
x 4 1
2 1 0
x
1 0 2 4 = 0
0 2 4
1
a b
c d
5. Qu condicin(es) deben verificar a, b, c, d para que las matrices

conmuten? (respecto al producto).

.
y B= j
6. Sea A = i
33
33
Indicacin: A = (aij )
1 0 1
7. Sea A = 0 0 0
1 0 1
B = (bij )
Verifique que A2 = 2A. Puede afirmar algo de A3 ?
1 1 0
A = 0 1 1 .
0 0 1
Demostrar que
1 n
An =
0 1
0 0
9. Sea A M22 (R) dada por

A=
!
cos sen
.
sen cos
Demuestre, usando induccin, que para n N, n 1:

"
#
cos
n
sen
n
An =
.
sen n cos n
10. Hallar una matriz A de orden 2 2 tal que A2 = I
11. Hallar una matriz A de orden 2 2,A6= 0 tal que A2 = 0
12. Hallar una matriz A no nula, tal que A2 6= 0 y A3 = 0
"
13. Determine X M22 (R) solucin de
14. Probar que tr (AB) = tr (BA)
10
2A2 + AB.
Encontrar
8. Sea
X2
2X =
1 0
6 3
#
.
n(n 1)
1 1
1 1
1.2. CLASE 2
1.2.
CLASE 2
1.2.1.
Matriz transpuesta
DEFINICIN 1.2.1 Sea A M (n m, K), A = (aij ) con K = R C. La matriz transpuesta de A es

la matriz denotada por AT M (m n, K) definida por
AT = (aji )
A = (aij )
Es decir, AT es la matriz obtenida intercambiando las filas y columnas de la matriz A. Es decir, la

i-sima fila de A pasa a ser la i-sima columna de AT .
Esto significa que si:
A=
a11
a21
..
.
a12
a22
..
.
a1m
a2m
..
..
.
.
anm
a13
a23
..
.
an1 an2 an3

entonces
AT =
a11
a12
a13
..
.
a21
a22
a23
..
.
..
.
an1
an2
an3
..
.
a1m a2m anm
EJEMPLO 1.2.1 Si
A=
1 2 0
5 7 4
entonces
AT =
1 2 0
5 7 4
!T
nm
mn
1 5
= 2
7
0 4
PROPOSICIN 1.2.1 Sea K,n N,A y B matrices con rdenes apropiados para que las operaciones estn bien definidas; entonces:
1. AT
T
=A
2. (A + B)T = AT + B T

3. (A)T = AT
4. (AB)T = B T AT
5. (An )T = AT
n
, n N0
11
DEFINICIN 1.2.2
Sea A una matriz cuadrada.
A se dice simtrica si AT = A
A se dice antisimtrica si AT = A
EJEMPLO 1.2.2 La matriz
1 0
3
A = 0 2 1 es simtrica, y la matriz
3 1 0
0
3 1
B = 3 0
2
1 2 0
es antisimtrica.
OBSERVACIN: Notar que para que una matriz A pueda ser simtrica o antisimtrica, sta debe
ser cuadrada, por el orden de las matrices involucradas.
PROPOSICIN 1.2.2 Sean A y B matrices simtricas del mismo orden. Entonces:

1. A + B es simtrica
2. Si K entonces A es simtrica
Demostracin:
1. (A + B)T = AT + B T = A + B
2. (A)T = AT = A
PROPOSICIN 1.2.3 Si A es una matriz cuadrada entonces:
1. A + AT es simtrica
2. AAT y AT A son matrices simtricas
3. A AT es antisimtrica
Demostracin:
T
1. A + AT = AT + (AT )T = AT + A = A + AT . Por lo tanto A + AT es simtrica.
T
2. AAT = (AT )T AT = AAT . Anlogamente el otro caso.
T
3. A AT
= AT (AT )T = AT A = A + AT = (A AT ). Por lo tanto, A AT es
antisimtrica.
12
1.2. CLASE 2
OBSERVACIN: De las proposiciones anteriores podemos deducir que toda matriz cuadrada se
puede descomponer en una parte simtrica y otra antisimtrica en la forma

A AT
A + AT
+
A=
2
2
Adems, esta descomposicin es nica.
PROPOSICIN 1.2.4 Si A es una matriz antisimtrica, su diagonal principal tiene solamente ceros.
En efecto: de AT + A = 0 se sigue que
aii + aii = 0
aii = 0
para cada i
Ejercicios Propuestos

1 0 1
1 2
1

1. Considere A = 1 0 1 , B = 0 3 y C = 1.
2 3 2
5 6
0
productos, si es posible:
a) C T B
b) C T C
c) CC T
d) BB T
Calcular los siguientes
e) C T AC
2. Sean A y B matrices simtricas. Determine si las siguientes son o no simtricas:

a) A2 + B 2
b) A2 B 2
c) ABA
d) ABAB
3. Es cierto que si A es antisimtrica entonces A2 es simtrica?
4. Sea
S=
0 1 0 0
0 0 1 0
0 0 0 1
.. .. .. ..
. . . .
0 0 0 0
0 0 0 0
. . ..
. .
1
0 nn
a) Determinar S n para n N
b) Si A es una matriz de orden n n encontrar una regla para calcular SA y AS.
13
5. Estudie si existe una matriz con coeficientes reales A de orden 3 2 tal que AAT = I3 .
6. Determine si las siguientes afirmaciones son verdaderas o falsas; si es verdadera, demuestre
la afirmacin, y si es falsa, d un contraejemplo:
a) Si A2 est definido, entonces A es cuadrada.
b) Si AB y BA estn definidos, entonces A y B son cuadradas.
c) Si AB y BA estn definidos, entonces AB y BA son cuadradas.
d) (AB)2 = A2 B 2
7. Determine An , n N para las matrices
A1 =
!
a b
,
0 a
A2 =
c c
0 0
8. Se dice que una matriz A, cuadrada de orden n es nilpotente si, y solamente si, existe un
entero k > 0 talque Ak es la matriz cero. El mnimo entero positivo para el cual esto se
cumple es llamado grado de nilpotencia de A.
a) Demuestre que cada una de las siguientes matrices es nilpotente y encuentre su grado
de nilpotencia:
0 1 1
2
1
1
3
0 0
3 2
(a) A =
(b) A = 5
2
6
0 0
0
4
2 1 3
0 0
0
0
b) Encontrar todas las matrices de 2 2 nilpotentes, con grado de nilpotencia dos.
14
1.3. CLASE 3: E JERCICIOS
1.3.
CLASE 3: Ejercicios
Estos son algunos ejercicios sugeridos:
1. Encuentre todas las matrices 3 3 que conmutan con la matriz
2. Resuelva la ecuacin matricial

3. Sean A, B M3 (R), donde
(
i + j si i < j
A = (aij ) =
2i j si i j
X2 =
4 1
0 4
(
y
Determine X Y si X = (A 2B)T ,
1 0 0
0 1 0.
3 1 2
B = (bij ) =
3
i
si
|i j| es par
2 i si |i j| es impar
Y = A (2B)
4. Pruebe que si A es antisimtrica entonces los elementos de la diagonal principal son todos
igual a 0.
5. Es verdadero o falso que A AT = AT A? Justifique.
!
cos( 2
) sen( 2
)
k
k
6. Sea A =
, k Z+
2
sen( 2
)
cos(
)
k
k
Determine An , n N.
A qu es igual An si n = k?
7. Sea A Mn (R) tal que A2 = [0]. Pruebe que A (I + A)n = A,

(Ayuda: use induccin).
n N.
15
1.4.
CLASE 4: Operaciones Elementales y Matrices Elementales
DEFINICIN 1.4.1 En una matriz podemos realizar tres tipos de operaciones elementales por fila:
(1) Intercambiar (permutar) dos de sus filas.
(2) Multiplicar una fila (es decir cada coeficiente de la correspondiente fila) por una constante
distinta de cero.
(3) Sumar el mltiplo de una fila a otra fila
EJEMPLOS: Ejemplos de operaciones elementales:
Intercambio entre dos filas: las filas 1 y 3
2
0 1
7 6
9
4
3 5
4
3
5
7 6
9
2
0 1
Multiplicacin de una fila por un escalar: la fila 2, se multiplica por 3
4 0 1
4 0 1
3 15 12
9
5 4
2 8
9
2 8
9
Adicin del mltiplo de una fila a otra fila: Multiplicamos la fila 2 por 2 y se la sumamos a la
fila 3
1 0 1
1 0 1
2 1 0
2
1 0
5 8 5
3 8 9
1.4.1.
Matrices elementales
DEFINICIN 1.4.2 Una matriz elemental es una matriz que resulta al efectuar una operacin elemental sobre la matriz identidad In
Dado que existen tres tipos de operaciones elementales, existirn entonces tres tipos de matrices elementales; usaremos la notacin siguiente:
Eij : es la matriz elemental obtenida intercambiando (en la matriz identidad) la fila i con la
fila j.
Ei ():
Eij ():
16
es la matriz obtenida multiplicando (en la matriz identidad) la fila i por 6= 0.

es la matriz obtenida sumndole a la fila i, la fila j multiplicada por .
1.4. CLASE 4: O PERACIONES E LEMENTALES Y M ATRICES E LEMENTALES
EJEMPLO 1.4.1 Para la matriz I4 :
1. E24
1
0
0
0
0
0
1
0
1
0
0
0
0
0 0
1
0 0
0 2 0
0
0 1
2. E3 (2) =
3. E31 (4) =
1
0
4
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
1
0
Considere ahora la matriz
0
0
0
1
A=
1
2 1
0
2
5 6
4
3 1 0 5
0
2 3
4
Note que si multiplicamos esta matriz por la matriz elemental E24 por la izquierda, esto es,
efectuamos el producto E24 A, obtenemos la matriz
1 0 0 0
1
2 1
0
1
2 1
0
0 0 0 1 2
0
5 6
4
2 3
4
E24 A =
0 0 1 0 3 1 0 5 3 1 0 5
0 1 0 0
0
2 3
4
2
5 6
4
que es lo mismo que haber efectuado sobre la matriz A la operacin elemental, intercambiar la fila
2 con la fila 4.
Si efectuamos el producto E3 (2) A, obtenemos
1 0
0 0
1
2
0 1
0 0
5
2
E3 (2) A =
0 0 2 0 3 1
0 0
0 1
0
2
1
0
1 2 1 0

2 5 6 4
6
4
=
0 5
6 2 0 10
0 2 3 4
3
4
que es lo mismo que se obtiene al realizar sobre la matriz A la operacin elemental, la fila 3 la
multiplicamos por -2.
17
Si efectuamos el producto E31 (4) A, obtenemos el mismo resultado de la operacin elemental

sobre A, la fila 1 la multiplicamos por -4 y se la sumamos a la fila 3.
1 0 0 0
1
2 1
0
1
2
1
0
0 1 0 0 2
2
5 6
4
5
6
4
E31 (4) A =
4 0 1 0 3 1 0 5 7 9 4 5
0 0 0 1
0
2 3
4
0
2
3
4
Se tiene al respecto el siguiente teorema.
TEOREMA 1.4.1 Sea E la matriz elemental obtenida al efectuar una operacin elemental por fila
sobre la matriz In . Si la misma operacin elemental se realiza sobre una matriz A de orden n m,
el resultado es el mismo que el del producto E A.
DEFINICIN 1.4.3 Diremos que las matrices A y B son equivalentes por filas si existe una sucesin de operaciones elementales por filas que convierte la matriz A en la matriz B. En tal caso
pondremos A B
Como hemos visto, realizar una operacin elemental sobre una matriz es equivalente a multiplicar por la izquierda esa matriz por una matriz elemental; para efectos de nuestros clculos
haremos directamente la operacin elemental sobre la correspondiente matriz, y la anotamos de la
manera que muestra el ejemplo siguiente:
EJEMPLO 1.4.2
1
0 1
1
0 1
1
0 1
1 0 1
E21 (2)
E31 (3)
E32 (1)
4
0 0
4 2 0
4 2 0 4 2
2
3 4
6
3 4
6
0 4
9
0 0
7
1
0 1
1 0 1
En este caso las matrices 2

4
0 y 0 4 2 son equivalentes (por fila).
3 4
6
0 0
7
OBSERVACIN: Un desarrollo anlogo, multiplicando por las matrices elementales por la derecha,
permite definir operaciones elementales columna.
DEFINICIN 1.4.4 Una matriz se encuentra en forma escalonada por filas si satisface las siguientes
propiedades:
Cualquier fila que se componga enteramente de ceros se ubica en la parte inferior de la matriz.
18
En cada fila distinta de cero, la primera entrada o coeficiente (contado desde la izquierda),
denominado pivote, se localiza en una columna a la izquierda de cualquier entrada principal
debajo de ella.
si adems se cumple:
Sus pivotes son todos iguales a 1
En cada fila el pivote es el nico elemento no nulo de su columna
decimos que la matriz se encuentra en forma escalonada reducida por filas.
EJEMPLO 1.4.3 Son matrices escalonadas
1 2 4 5 2 9
1 2
0 0 2 6 0 1
0 0
A=
0 0 0 3 4 1 yB = 0 0
0 0 0 0 1 1
0 0
0
2
0
0
0
0
0
0
pero la matriz
C=
1
0
2
0
2
1
0
0
0
4
0
0
1 1 3
5 7 0
1 1 1
0 0 1
no es escalonada.
EJEMPLO 1.4.4 Las siguientes matrices estn en forma escalonada reducida:
1
1 0 0 12
1 2 0 0 0 58
3
2
9
1
3
0 0 1 0 0
0
1
0
2
4
4
, B =
A=
0 0 1 19 31
0 0 0 1 0
5
3
16
16
0 0 0 0 1 1
0 0 0 0
0
0
0
0
1
DEFINICIN 1.4.5 Un algoritmo es una secuencia finita de operaciones realizables, no ambiguas,

cuya ejecucin da una solucin de un problema en un tiempo finito.
El algoritmo de reduccin de Gauss escalona una matriz por medio de operaciones elementales fila. A continuacin encontrar la descripcin del algoritmo de reduccin de Gauss.
19
Sea A=(aij )mn . Para k (ndice de fila) tomando los valores 1, 2, . . . , m 1 :

1. Si la submatriz Mk de las filas k, (k + 1) , , m solo tiene coeficientes nulos no hacer nada.
2. Si el punto anterior no se cumple, buscar el ndice j0 ms pequeo tal que la columna j0
tenga por lo menos un coeficiente distinto de cero en Mk . Hallar el i0 ms pequeo tal que
ai0 j0 6= 0 e i0 k. Si i0 > k operar en la matriz permutando filas k e i0 .
3. Para i de k + 1 a m, si aij0 6= 0 cambiar la fila i por la fila i menos
aij0
akj0
la fila k.
EJEMPLO 1.4.5 Consideremos la matriz
2 0
3
1 3 6
0 6 15
Encontrar su forma escalonada:
2 0
3
1 3 6
1 3 6
1 3 6
E12
E21 (2)
E32 (1)
3 0 6 15 0 6 15
1 3 6 2 0
0 6 15
0 6 15
0 6 15
0 0
0
est es su forma escalonada.
OBSERVACIN: Claramente, el algoritmo de Gauss- Jordan permite llevar matrices a la forma escalonada reducida. Prosiga con el proceso en el ejemplo anterior, hasta llegar a la forma escalonada
reducida.
DEFINICIN 1.4.6 Sea A una matriz. Se denomina rango de la matriz A al nmero de filas no
nulas de la matriz escalonada equivalente a la matriz A original, obtenida, por ejemplo, mediante
el algoritmo de reduccin de Gauss. Se denota el rango de la matriz A por (A) o bien rango (A).
EJEMPLOS:
1. Determinar el rango de la matriz
A=
1 2 3
4 1 0
2 1 1
0 0 0
3 1 2
2. Cules son todos los posibles rangos que puede tener una matriz 2 2? Y 3 2?
PROPOSICIN 1.4.1 Si A Mnm entonces (A) mn {n, m}.

20
1. Determine A25 si
0 0 1
A = 0 1 0
1 0 0
2. Determine la forma escalonada reducida y el rango de la matriz
1
A=
2
1 0
2 1
1 1
1 1
3. Hllese el rango de las siguientes matrices:
1 4
3
2
A= 2 2
1
1
1 2 2 1
1 4
3
2
B= 2 2
1
1
1 2 2 1
4. Determine el valor de k para que (A) = 3,
si
2 2
3 1
A= 3 1
1
0 .
k 1 2 1
5. Determine las condiciones que deben cumplir h y k para que (A) = 3, si
A=
1
0
2
0
0
k2
0 k1 h+2
0
0
3
6. Hallar los valores de y de modo que el rango de la matriz A sea lo ms pequeo posible,
con
1
3 2 1 4
2 1
1
2 3
A=
1 2
3 4 3
3
0
3
3
3
2 3 3
21
1.5.
CLASE 5: Sistemas de ecuaciones lineales
Consideremos el sistema de m ecuaciones y n incgnitas

a11 x1 + a12 x2 + . . . + a1n xn
a21 x1 + a22 x2 + . . . + a2n xn
..
.
=
=
..
.
b1
b2
..
.
am1 x1 + am2 x2 + . . . + amn xn = bm

Usando matrices, el sistema se puede escribir en la forma de una ecuacin matricial AX = B,
donde
a11
a21
A=
..
.
a12
a22
..
.
..
.
a1n
a2n
..
am1 am2 amn
,
mn
x1

x2
X=
..
.
xn
n1
b1

b2
B=
..
.
bm
m1
DEFINICIN 1.5.1 Considere el sistema de ecuaciones AX = B, A Mmn (R) , B Mm1 (R).

Diremos que X0 Mn1 (R) es solucin del sistema si al reemplazar X0 en la ecuacin, sta se
transforma en una identidad, es decir
AX0 = B
DEFINICIN 1.5.2 Un sistema se llama compatible si tiene al menos una solucin. Si el sistema no
tiene solucin, diremos que es incompatible.
OBSERVACIN: Notar que si un sistema de ecuaciones tiene dos soluciones distintas entonces tiene
infinitas soluciones distintas.
En efecto: Consideremos el sistema de ecuaciones AX = B, y supongamos que X1 , X2 son
dos soluciones distintas del sistema.
Sea R cualquiera. Demostraremos que X1 + (1 )X2 tambin es solucin del sistema:

A X1 + (1 )X2 = AX1 + (1 )AX2 = B + (1 )B = B
EJEMPLO 1.5.1 El sistema de ecuaciones lineales
x1 + 2x2
= 4
x2 x3 = 0
x1
+ 2x3 = 4
puede escribirse como una ecuacin matricial AX = B, con
22
1.5. CLASE 5: S ISTEMAS DE ECUACIONES LINEALES
1 2 0
A = 0 1 1 ,
1 0 2
x1

X = x2 ,
xe

4

B = 0
4
Sistemas Homogneos
Antes de estudiar los sistemas de ecuaciones lineales generales, consideremos en primer lugar
los sistemas homogneos, es decir, aquellos en que B = [0].
DEFINICIN 1.5.3 Sea A Mmn (R). El sistema AX = [0] se dice homogneo.
OBSERVACIN:
Sea AX = [0] un sistema homogneo.
Entonces:
1. AX = [0] es siempre compatible, pues X = [0] es solucin.

2. Si C Mmn (R) es tal que C A, entonces los sistemas AX = [0] y CX = [0] tienen las
mismas soluciones.
Para ver esto, note que las matrices elementales satisfacen:
Eij Eij = I,

Ei () Ei 1 = I,
Eij () Eij () = I
Luego, si E es una matriz formada por un producto de matrices elemetales entonces existe
una matriz E 1 (llamada matriz inversa de E) tal que
E 1 E = I
Como A C, existe una sucesin de matrices elementales E1 , E2 , . . . , Ek tales que
E1 E2 Ek A = C
Sea E = E1 E2 Ek . Luego, si X0 es tal que AX0 = 0 , entonces EAX0 = E0 = 0 de
donde CX0 = 0.
Recprocamente, si CX1 = 0 entonces E 1 CX1 = 0 de donde AX1 = 0.
Por lo tanto, los sistemas tienen las mismas soluciones.
23
Sistemas no homogneos
Con el mismo mtodo de la seccin anterior es posible mostrar que si E (A) es la matriz escalonada equivalente por filas con A entonces los sistemas
E (A) X = EB
AX = B
tienen las mismas soluciones (E es la matriz formada por el producto de matrices elementales que
escalonan A). Claramente, el segundo sistema es mucho ms fcil de resolver.
EJEMPLO 1.5.2 Resolver

1 2 0
x
1

0 1 2 y = 2
0 0 2
z
3
Note que este sistema se puede escribir en la forma
x + 2y = 1
y + 2z = 2
2z = 3
De la ltima ecuacin obtenemos z = 32 ; reemplazamos este valor en la segunda ecuacin y
despejamos para obtener y = 1; finalmente reemplazamos en la primera ecuacin y obtenemos
x = 1.
Lo que hace que el sistema anterior sea fcil de resolver, es que pudimos ir reemplazando los
valores de las variables de manera sucesiva. Notamos que esto queda representado en la forma
matricial, en que la matriz de coeficientes A de la ecuacin es triangular superior. Esta simple
observacin nos entrega un mtodo para resolver sistemas, el que consiste en obtener el sistema
escalonado equivalente.
DEFINICIN 1.5.4 Sea A Mmn (R) y B Mm1 (R). Consideremos el sistema AX = B con
B 6= 0. Llamaremos matriz ampliada del sistema a la matriz
(A |B) =
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
b1
b2
..
.
am1 am2 amn bm

24
EJEMPLO 1.5.3 El sistema de ecuaciones lineales

x1 + 2x2
= 4
x2 x3 = 0
x1
+ 2x3 = 4
puede describirse con la matriz ampliada
1 2 0 4
0 1 1 0
1 0 2 4
La barra vertical solo nos ayuda a distinguir entre los coeficientes del sistema que se encuentran
a la izquierda del signo = y las constantes que se encuentran a la derecha.
Con esta notacin, aplicamos el mtodo de Gauss:
1 2 0 4
0 1 1 0
1 0 2 4
E31 (1)
1 2
0 4
0 1 1 0
0 2 2 0
E32 (2)
1 2 0 4
0 1 1 0
0 0 0 0
La segunda fila representa la ecuacin: y z = 0 y la primera representa: x + 2y = 4, de

donde el conjunto solucin es
{(4 2z, z, z) : z R}.
Una ventaja de esta notacin es que nos evita copiar muchas veces las variables y los signos.
Mtodo de solucin mediante el algoritmo de Gauss: Como sabemos, AX = B y E (A) X = EB
tienen las mismas soluciones, note que la matrices E (A) y EB aparcen al aplicar las operaciones
elementales que escalonan la matriz A entonces, si aplicamos el mtodo de Gauss para obtener la
escalonada de matriz ampliada del sistema (A, B) estaremos obteniendo la matriz (E (A) , EB).
EJEMPLO 1.5.4 Resolver el sistema

1 2 1
x
1

3 0 1 y = 2
1 1 2
z
0
Formamos la matriz ampliada del sistema
1 2 1 1
(A, B) = 3 0 1 2
1 1 2 0
25
aplicamos el algoritmo de Gauss para obtener la escalonada
1
1 2 1 1
1 2
1
3 0 1 2 0 6 2 1
1 1 2 0
0 0
2 12
y ahora resolvemos el sistema
1 2
1
x
1
0 6 2 y = 1
0 0
2
z
21
que tiene las mismas soluciones.
TEOREMA 1.5.1 Sea A Mmn (R) y B Mm1 (R):
1. El sistema AX = B es compatible si y solo si (A) = (A, B)
2. Sea AX = B un sistema compatible.
a) Si (A) = (A, B) = n (nmero de incgnitas) entonces el sistema tiene solucin nica.
b) Si (A) = (A, B) < n, entonces el sistema tiene infinitas soluciones.
OBSERVACIN: En lugar de aplicar el algoritmo de Gauss, podemos aplicar el algoritmo de GaussJordan (matriz escalonada reducida) para resolver un sistema equivalente ms simple.
Ejercicios propuestos
1. Usar el mtodo de Gauss -Jordan para resolver los sistemas:
2x + 3y + z =
1
a) 3x 2y 4z = 3
5x y z
=
4
26
(La solucin nica es x = 1, y = 1, z = 2 )
2x y + 3z =
4
b) 3x + 2y z =
3
x + 3y 4z = 1
(Posee infinitas soluciones : x =
x+y+zw
2x + y + w
c)
3x + z + w
3x + 2y + z
(No hay solucin)
=
=
=
=
2
5
1
3
11
7
75 z, y =
11
7 z
6
7
).
2. Usar el mtodo de Gauss para resolver:

2x + 3y = 13
x y = 1
e)
x 3y + z = 1
x + y + 2z = 14
x
z = 0
b) 3x + y
= 1
x + y + z = 4
f)
x y = 1
3x 3y = 2
a)
c)
2x + 2y = 5
x 4y = 0
d)
x + y = 1
x + y = 2
4y + z
2x 2y + z
g)
x
+ z
x + y z
3. Determine los valores de k R para los que el sistema

a) tiene solucin nica;
b) tiene infinitas soluciones ;
c)
= 20
= 0
= 5
= 10
no tiene solucin, si:
x y = 1
3x 3y = k
4. Qu condiciones deben cumplir las constantes bi para que cada sistema tenga solucin nica?
x
3x
a)
x
2x
3y = b1
+ y = b2
+ 7y = b3
+ 4y = b4
x1 + 2x2 + 3x3 = b1
b) 2x1 + 5x2 + 3x3 = b2
x1
+ 8x3 = b3
5. Determine a, b, c R para que la grfica de f (x) = ax2 + bx + c pase por los puntos
(1, 2), (1, 6) y (2, 3).
6. Pruebe que si ad bc 6= 0, entonces
ax + by = j
cx + dy = k
tiene solucin nica.
7. Dados 4 nmeros positivos, se sabe que al seleccionar tres cualesquiera de ellos, determinar
su promedio y sumarle el cuarto nmero, se obtienen los nmeros 29, 23, 21 y 17. Cules
son los nmeros originales?
27
8.
a) Resuelva el sistema
ax + y = a2
x + ay = 1
Para qu valores de a R tiene solucin vaca? e infinitas soluciones?

b) Resuelva el sistema
ax + y = a3
x + ay = 1
Para qu valores de a R tiene solucin vaca? e infinitas soluciones?

9. Considere el sistema lineal definido en R:
x + ay + 3z = 2
x + (2a 1)y + 2z = 2
x + ay + (a + 4)z = 2a + 4
Determine a R para que el sistema tenga:
a) Infinitas soluciones
b) ninguna solucin
c) una nica solucin
10. Considere el sistema lineal definido en R:

ax + y + z = 1
x + ay + z = 1
x + y + az = 2
Determine a R para que el sistema tenga:
11. Dado el sistema:
b) ninguna solucin
c) una nica solucin.
x y + (4a2 + 1)z = b
y + (3 a)z = 0
2x y + (7 a)z = 2
donde a y b R,
hallar condiciones para a y b de tal manera que el sistema tenga:

12. Resuelva el sistema:
28
b) ninguna solucin
c) una nica solucin
2
x
1
y
1
x
3
y
2z = 0
4
x
3
y
z = 1
z = 2
1.6.
1.6. CLASE 6: M ATRIZ I NVERSA Y OPERACIONES ELEMENTALES
CLASE 6: Matriz Inversa y operaciones elementales
DEFINICIN 1.6.1 Sea A una matriz cuadrada de orden n. Se dice que A es invertible si existe una
matriz cuadrada de orden n, que denotaremos por A1 tal que
AA1 = A1 A = In
OBSERVACIN:
Si una matriz es invertible, tambin se suele decir que es no singular.
Si la inversa de una matriz existe, es nica.
No todas las matrices son invertibles. Por ejemplo, si consideramos las matrices
!
!
1 3
2 2
B=
A=
1 1
1 1
entonces A es invertible y B no lo es. (Verificar directamente suponiendo la existencia y
resolviendo ecuaciones)
PROPOSICIN 1.6.1 Sean A, B M (n, K) matrices no singulares (invertibles), entonces:

1. (AB)1 = B 1 A1
2. A1
3. AT
1
1
=A
= A1
T
1 1
A , para todo 6= 0
n
= A1
para todo entero no negativo n.
4. (A)1 =
5. (An )1
1.6.1.
Mtodo de Gauss-Jordan para calcular la inversa de una matriz
No disponemos an 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 1.6.1 Sea A una matriz cuadrada de orden n invertible. Si una sucesin de operaciones
elementales por filas transforma la matriz A en la matriz identidad In , entonces la misma sucesin
de operaciones elementales convierte la matriz In en A1 .
29
Dem. En efecto: si A es equivalente por filas a la matriz In , entonces existe una sucesin de
operaciones elementales que convierte a la matriz A en la matriz In ; esto quiere decir que existe
una sucesin de matrices elementales E1 , E2 , . . . , Ek tales que Ek Ek1 E2 E1 A = In . Si anotamos
B = Ek Ek1 E2 E1 , entonces BA = In , es decir B = A1 .
2
OBSERVACIN: En la prctica, el teorema anterior nos entrega un mtodo para calcular la inversa
de una matriz A: si A una matriz cuadrada de orden n , invertible, para calcular su inversa
procedemos como sigue:
Construmos una nueva matriz, denominada matriz aumentada, de la forma (A | In ). Sobre esta
matriz aumentada (que tiene orden n 2n), realizamos operaciones elementales hasta obtener
en el lado izquierdo de esta matriz aumentada (es decir en el lado donde est la matriz A), la
matriz identidad; al conclur este proceso, en el lado derecho de la matriz aumentada (es decir
en el lado donde originalmente se encontraba la matriz identidad), aparece la inversa A1 que
estamos buscando, es decir:

(A | In ) In | A1
2 1 1
EJEMPLO 1.6.1 Calcule la inversa, en caso de existir, de la matriz A = 1 2 0

0
1 2
Dem.: Formamos la matriz aumentada
2 1 1 1 0 0
1 2 0 0 1 0
0
1 2 0 0 1
y calculamos mediante operaciones elementales:
2 1 1 1
1 2 0 0
0
1 2 0
1 2 0
E32
0 1 2
0 3 1
1 2
E23 (2)
0 1
0 0
30
1 2 0 0 1 0
1 2 0 0
0 0
E12
E21 (2)
1 0 2 1 1 1 0 0 0 3 1 1
0 1
0 1 2 0 0 1
0 1 2 0
0 1 0
1 2 0 0 1
0
1
E32 (3)
E3 ( 5 )
0 0 1 0 1
2 0 0
1
1 2 0
0 0 5 1 2 3
0 0
1 0 0 45 35 25
1
0
E12 (2)
0 25 45 51 0 1 0 25 45 15
1 15
2
5
3
5
0 0 1 15
2
5
3
5
1 0
2 0
0 1
1 2 0
0
0
1 2
0
0
0 1 15
1
0
2
5
1
3
5
1.6. CLASE 6: M ATRIZ I NVERSA Y OPERACIONES ELEMENTALES
Se sigue que
A1 =
Verifique que
4
5
2
5
35
45
15
2
5
25
15
3
5
AA1 = A1 A = I3 .
TEOREMA 1.6.2 Una matriz cuadrada A de orden n es invertible si, y solo si, (A) = n.
1. Sean A, B, C Mn (K) invertibles.
Demuestre que:
a) ABC es invertible
b) (ABC)1 = C 1 B 1 A1
2. Suponga que A3 = [0].
3.
Muestre que I A es invertible.
a) Hallar matrices A y B invertibles, pero que A + B no lo sea.

b) Hallar matrices A y B no invertibles, y que A + B si lo sea.
4. Si B es la inversa de A2 , probar que AB es la inversa de A.

5. Sean A, B matrices, A de orden p q y B de orden q p, con q < p.
a) Demostrar que AB es singular.
b) Muestre que BA puede ser no singular.
6. Hallar la matriz X en la ecuacin
(AX 1 B)t = AB,
1 1 1
0 0 1
A= 0 1 2 y B= 1 2 0
3 1 0
1 1 0
donde
7. Resolver X en la ecuacin: (AX t + B)t = XC D con At C invertible.
8. Usando operaciones elementales calcular la inversa de
1 2 0
2 3 1
1
1 5
31
9. Calcular A1 si
A=
6
2
1
0
5
2
1
1 2
1
1
1
2 2
3
3
0
2
3 1
1 1 3
4
2
10. Qu condiciones deben cumplir a y b de modo que A sea invertible?
A=
a
0
b
0
0
a
0
b
b
0
a
0
0
b
0
a
11. Sean E, F, T matrices cuadradas de orden n, tal que E es no singular, EF = F E y T 2 = F .

Demuestre que: (E 1 T E)2 = F .
12. Una matriz A es ortogonal si y slo si At = A1 . Si A es una matriz ortogonal, demuestre
que A1 es ortogonal y At es ortogonal.
32
1.7. CLASE 7: D ETERMINANTES
1.7.
CLASE 7: Determinantes
DEFINICIN 1.7.1 Sea A Mn (R).

Se llama menor de orden ij de A y se denota por Mij al determinante de orden n 1 obtenido
eliminando la i-sima fila y la j-sima columna de la matriz A.
Se llama cofactor de orden ij de A, denotado por Cij , al nmero Cij = (1)i+j Mij
2 4 1
EJEMPLO 1.7.1 Consideremos la matriz A = 0 3 2

5 1 6
Solucin:
Calcular M13 , M21 , C13 y C21 .
Eliminemos la primera fila y la tercera columna de A:
2 4 1
A= 0 3 2
5 1 6
y obtenemos el menor M13

0 3

=
= 15
5 1
Si eliminamos la segunda fila y la primera columna

2 4 1
4 1

A = 0 3 2 obtenemos el menor M21 =
= 25
1 6
5 1 6
Calculemos los cofactores:
C13 = (1)1+3 M13 = (1)4 15 = 15,
DEFINICIN 1.7.2
C21 = (1)2+1 M21 = (1)3 25 = 25
Sea A Mn (R). El determinante de A es una funcin

det : Mn (R) R
que a cada matriz A le asocia el nmero real que denotamos por det(A). Tambin se usa la notacin det(A) = |A|.
La forma en la cual acta la funcin determinante en una matriz cuadrada de orden n es la
siguiente:
Para n = 1 :
det(a) = a
Para n = 2 :
a b
c d
det
!
= ad bc
33
Para n > 2 el determinante de A = (aij ) Mnn (R) es el nmero real

n
n
X
X
i+j
(1)
a
M
=
aij Cij , para 1 j n (con j fijo)
ij ij
i=1
i=1
det(A) =
n
n
X
X
i+j
(1)
a
M
=
aij Cij , para 1 i n (con i fijo)
ij ij
j=1
j=1
2 4 1
EJEMPLO 1.7.2 Calculemos el determinante de la matriz A = 0 3 2

5 1 6
Fijemos una fila i = 1, entonces
det(A) =
3
X
(1)i+j a1j M1j = a11 M11 a12 M12 + a13 M13
j=1

3 2

det(A) = 2
1 6

0 2
0 3

4
1
= 23

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

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

3 2

det(A) = 2
1 6
1.7.1.

4 1
4 1

0
5
= 23

1 6
3 2
Propiedades de los determinantes
PROPOSICIN 1.7.1 Sean A Mnn (R) y B Mnn (R)

1. det(A) = det(AT )
2. Si todos los elementos de una fila o columna de una matriz son cero, entonces el valor del
determinante es cero.
3. det(In ) = 1
4. El determinante de una matriz diagonal o triangular es igual al producto de los elementos
de la diagonal.
34
5. Si R, entonces det(A) = n det(A)

6. det(AB) = det(A) det(B)
7. Si A tiene dos filas( o columnas) iguales o proporcionales, entonces det(A) = 0.
8. Si se intercambian dos filas (o columnas) en una matriz su determinante cambia de signo.
9. Si B se obtiene a partir de A multiplicando una fila (o columna) de A por un nmero k,
entonces det(B) = k det(A).
10. Si B se obtiene a partir de A, sumando a una fila (o columna) otra fila (o columna) amplificada
por un factor k, entonces det(B) = det(A).
!
1 2
, entonces el det(A) = 2. Si la primera fila de A se multiplica por
EJEMPLO 1.7.3 Sea A =
3 4
!
3 6
3, obtenemos B =
y det(B) = 6 = 3 det(A). Si la primera fila de A la multiplicamos por
3 4
!
1 2
-3 y se la sumamos a la segunda fila de A, obtenemos la matriz B =
y det(B) = 2 =
0 2
det(A).
EJEMPLO 1.7.4 Calculemos el siguiente determinante usando la propiedad 10

1 3 4 1 3
4

7
2 5 1 = 0 1

3

1
0
0 10 12

1
7

= 1 M11 =

10 12

= 58

DEFINICIN 1.7.3 La adjunta de una matriz A, denotada por adj(A), es definida por
adj(A) = C T
donde C = (Cij ) es la matriz de cofactores. Es decir, la matriz adjunta es la traspuesta de la matriz
de los cofactores.
!
!
a b
d c
EJEMPLO 1.7.5 Sea A =
. La matriz de cofactores es C =
. Por lo tanto,
c d
b a
adj(A) =
!
d b
c a
35
2 3 1
5 14
4
Consideremos la matriz A = 4 0 5 , la matriz de cofactores es C = 2

4
8 . Por
2 1 1
15 6 12
lo tanto,
5 2 15
adj(A) = 14 4
6
4 8 12
TEOREMA 1.7.1
A adj(A) = det(A) In
adj(A) A = det(A) In
Note que, s det(A) 6= 0, entonces A es no singular (invertible) y

A1 =
1
adj(A)
det(A)
Adems, si A es no singular, entonces

1 = det(In ) = det(AA1 ) = det(A) det(A1 ) = det(A) 6= 0
y concluimos que
det(A1 ) =
1
det(A)
TEOREMA 1.7.2 Si A Mnn (R), entonces A es no singular s y solo s det(A) 6= 0

EJERCICIOS: Calcular el determinante

Desarrollo:

a a

a b

a b

a b
a
b
c
c
a
b
c
d
a
a
a
a
a
b
b
b
a
b
c
c
a
b
c
d

a

a
a
a

1 ba

0 ba ba ba

= a (b a) 1 c a
=

0 ba ca ca

1 ca

0 ba ca da

1 ba ba

1

= a (b a) 0 c b c b = a (b a) (c b)

1
0 cb db
ba
ca
da
cb
db
= a (b a) (c b) (d b (c b)) = a (b a) (c b) (d c)
36
EJERCICIOS: Resolver la ecuacin

xab
a
b

c
xbc
b

c
a
xac

xab
a
b

c
xbc
b

c
a
xac

1 a+b
b

= x 1 x c
b

1 xc xac

=0

xab a+b
b

c
xc
b
=

c
xc xac

1
a+b
b

=
x
0

0 xcab

0 xcab xacb

x a+b
b

b
= x xc

x xc xac

xcab
0

=
x

xcab xacb

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

y1 + z1 z1 + x1 x1 + y1

y2 + z2 z2 + x2 x2 + y2

y3 + z3 z3 + x3 x3 + y3

x 1 y1 z1

= 2 x 2 y2 z2

x 3 y3 z3
Desarrollo:

y1 + z 1

y2 + z 2

y3 + z 3

y1

2 y2

y3

y1 x1 z1 + x1

= y2 x2 z2 + x2

y3 x2 z3 + x3

y1 z1 + x1 x1
x1 + y1

x2 + y2 = 2 y2 z2 + x2 x2

y3 z3 + x3 x3
x 3 + y3

x1 y1 z1

= 2 x2 y2 z2

x3 y3 z3
z1 + x1 x1 + y1
z2 + x2 x2 + y2
z3 + x3 x3 + y3
z 1 + x1
z 2 + x2
z 3 + x3

x1 + y1

x2 + y2 =

x3 + y3

y1 z1

= 2 y2 z2

y3 z3

2y1 z1 + x1
2y2 z2 + x2
2y3 z3 + x3

x1

x2 = 2

x3
x1 + y1
x 2 + y2
x 3 + y3
x1 z 1
x 2 z2
x 3 z3

=

y1

y2

y3
37
1.7.2.
Regla de Cramer
Es un mtodo para resolver sistemas de ecuaciones, til en aspectos tericos, y en lo prctico,

til solo para sistemas cuadrados muy pequeos. Sea
a11 x1 + a12 x2 + . . . + a1n xn
a21 x1 + a22 x2 + . . . + a2n xn
..
.
= b1
= b2
..
.
an1 x1 + an2 x2 + . . . + ann xn = bn

un sistema lineal con n ecuaciones y n incgnitas. Resolver este sistema es equivalente a resolver
la ecuacin matricial AX = B, donde

a11 a12 a1n
x1
b1
a21 a22 a2n

x2
b2
A=
X=
B=
..
..
..
..
,
.. ,
..
.
.
.
.
.
.
an1 an2 ann
xn
bn
Si det(A) 6= 0, entonces el sistema tiene una nica solucin dada por:

x1 =
|A1 |
,
|A|
x2 =
|A2 |
,
|A|
x3 =
|A3 |
,
|A|
...
xn =
|An |
|A|
donde Ai 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 = A1 B =
1
adj(A)B
det(A)
e identificar los elementos de adj(A)B como los determinantes sealados.
EJEMPLO 1.7.6 Resolver el sistema

2x1 + 3x2 x3 = 1
x1 + 2x2 x3
= 4
2x1 x2 + x3 = 3
Solucin:

2 3 1
1
x1

2 1 x2 = 4
1
2 1 1
x3
3
Como det(A) = 2, obtenemos:
x1 =
38

1
3 1

2 1
4

3 1 1
|A|
4
= 2,
2
x2 =

2 1 1

4 1
1

2 3 1
|A|
6
=3
2
1.8. E JERCICIOS DE C ONTROLES Y C ERTMENES

2 3
1

2
4
1

2 1 3
x3 =
1.8.
|A|
8
=4
2
Ejercicios de Controles y Certmenes
1. Determinar si son verdaderas o falsas las siguientes proposiciones:

a) A Mnn (C), n impar
det(A At ) = 0.
b) A + At es simtrica.
c) A M22 (C) tal que A2 + A = I2 .
1 0 0
d) Si A = 0 a b , a =
6 0 b 6= 0
0 b a
A1 .
2. Determinar la relacin que deben cumplir a, b, c, d para que el siguiente sistema tenga infinitas soluciones:
x1 + ax2 + a2 x3 + a3 x4 = 0
x1 + bx2 + b2 x3 + b3 x4 = 0
x1 + cx2 + c2 x3 + c3 x4 = 0
x1 + dx2 + d2 x3 + d3 x4 = 0
3. Si
1 1 1
A = 1 0 1 ,
1 2 1
1 1 0
B = 0 1 0 ,
1 0 1
resolver
(X t + B t )t = A2 + BAB.
4 1 8
4. Sea A = 2 1 3. Sabiendo que A es invertible, determine A1 usando operaciones

1 0 2
elementales.
5. Demuestre que si B es una matriz !
de orden 2 que conmuta con toda matriz A (de orden 2),
k 0
entonces B es de la forma
, para algn k R.
0 k
39
6. Sea
0
A=
2
2
0
0
3
3
3
0
a) Determine la relacin entre y para que exista A1 .

b) Si = = 0, calcule A1 .
7. Usando el mtodo de la matriz ampliada, determine los valores de R tales que el sistema
1
1
x + y +
z = 2
2
2
tenga
4x + y + 4z = 5
z = 1
3x y +
2
a) infinitas soluciones.
b) solucin nica.
c) solucin vaca.
8. Determine X (matriz) tal que (A1 X A)1
3 2 1
= A2 , donde A = 4 1 1.
2
0
1
9. Sin usar la expansin de Laplace (ni en particular la regla mnemotcnica para determinantes
de matrices de 3 3) demuestre, usando slo propiedades, que

0
a b

a 0 c = 0 ,

b c 0
a, b, c R
10. Dado el sistema de ecuaciones

x1 + 2x2 + 3x3 + 4x4 = y1
2x1 + x2 + 4x3 + x4 = y2
3x1 + 4x2 + x3 + 5x4 = y3
a) para qu valores de y1 , y2 , y3 R el sistema tiene solucin?
b) para qu valores de y1 , y2 , y3 R el sistema no tiene solucin?
c) Resuelva el sistema para y1 = y2 = y3 = 1.
40
11. Sea
1
0
0
A() = 0 cos sen .

0 sen cos
a) Determine el (los) valor (es) para tales que I3 + A() no sea invertible.
0 0 0
b) Compruebe que (I3 A(/2))(I3 + A(/2))1 = 0 0 1

0 1 0
12. Calcule el valor del determinante

3
1
1
1
1
1

3 1
1
1
1
1

3
1 1
1
1
1

3
1
1 1
1
1

3
1
1
1 1
1

3
1
1
1
1 1
41
42
Captulo 2
Vectores en Rn
2.1.
CLASE 8: Vectores en el plano y en el espacio
A partir de la representacin de R como una recta numrica, los elementos o puntos del plano
(a, b) R R = R2 se asocian con puntos de un plano definido por dos rectas perpendiculares,
cada una representando una recta real, que al mismo tiempo definen un sistema de coordenadas
rectangulares, donde la interseccn representa a (0, 0) y cada par ordenado (a, b) se asocia con un
punto de coordenada a en la recta horizontal (eje de las abcisas o eje X) y la coordenada b en la
recta vertical (eje de las ordenadas o eje Y).
Analgamente, los elementos (a, b, c) R R R = R3 se asocian con puntos en el espacio
tridimensional definido con tres rectas mutuamente perpendiculares. Estas rectas forman los ejes
del sistema de coordenadas rectangulares (ejes X, Y y Z).
Los vectores se pueden representar mediante segmentos de recta dirigidos, o flechas, en R2 y
en R3 . La direccin de la flecha indica la direccin del vector y la longitud de la flecha determina
su magnitud.
Denotaremos los vectores con letras minsculas con un flecha arriba tales como
v ,
w,
z . Los
puntos se denotarn con letras maysculas tales como A, B, C. En el contexto de los vectores, los
nmeros reales sern llamados escalares y se denotarn con letras minsculas tales como , , .
Si el punto inicial de un vector

v es A y el punto final es B, entonces
v = AB. El vector nulo
se denota con 0 = (0, 0, . . . , 0) Rn .

En lo que sigue y con el afn de generalizar, estudiaremos las propiedades de los vectores en
Rn .
DEFINICIN 2.1.1 Un vector en Rn es un n-tupla (x1 , x2 , . . . , xn ) con cada xi R. A xi se le llama
componente i-sima del vector.
En R3 utilizaremos la notacin especial
llamaremos vectores cannicos.
i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1) y les
43
C APTULO 2. V ECTORES EN Rn
2.1.1.
Operaciones bsicas
DEFINICIN 2.1.2 (Igualdad de vectores) Dos vectores son iguales si tienen, en el mismo orden,
las mismas componentes. Es decir, si

v = (v1 , v2 , . . . , vn ) y
w = (w1 , w2 , . . . , wn ) entonces
v =
w
si y solo si
v i = wi
i = 1, . . . n
DEFINICIN 2.1.3 (Suma de vectores) Sean

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

v = (v1 , v2 , . . . , vn ) Rn y k R entonces
k
v = (kv1 , kv2 , . . . , kvn )
OBSERVACIN: Si
v = (v1 , v2 , v3 ) R3 entonces podemos escribir
v = v1 i + v2 j + v3 k
OBSERVACIN: En clases, ver la interpretacin geomtrica de la suma y resta de vectores, y tambin el significado geomtrico de la multiplicacin por escalar.
PROPOSICIN 2.1.1 Sean

u,
v ,
w Rn vectores y , R. Entonces:
1. (
u +
v)+
w =
u + (
v +
w)
2.
u + 0 =
u
3. (
v ) R3 :
(existencia del neutro aditivo, que es el vector 0 )
v + (
v)= 0
4.
v +
w =
w +
v
6. ( + )
v =
v +
v
7. (
v ) = ()
v
9. 1
v =
v
44
(existencia del inverso aditivo)
(propiedad conmutativa)
5. (
v +
w ) =
v +
w
8. 0
v = 0
(propiedad asociativa)
(propiedad distributiva)
(propiedad distributiva)
2.1. CLASE 8: V ECTORES EN EL PLANO Y EN EL ESPACIO
2.1.2.
Producto punto y norma
El producto punto (o producto escalar) es una operacin entre vectores cuyo resultado un escalar.
DEFINICIN 2.1.5 (Producto punto) Sean

v = (v1 , v2 , . . . , vn ) y
w = (w1 , w2 , . . . , wn ) vectores en
n
R . El producto punto (o producto escalar) entre los vectores v y
w , que denotamos por
v
w
o tambin h v , w i se define de la siguiente manera
v
w h
v ,
wi
n
X
v i wi
i=1
EJEMPLOS:
1. Calcule (1, 7, 3) (5, 1, 2)
Solucin
(1, 7, 3) (5, 1, 2) = 1 5 + 7 (1) + (3) 2 = 8
2. Determine R tal que (, 4) (, 9) = 0

Solucin
(, 4) (, 9) = 0
2 13 = 0
= 13
TEOREMA 2.1.1 Sean

u,
v ,
w Rn vectores y R. Entonces:
1.
v
v 0
2.
v 0 =0
3.
v
w =
w
v
4.
v (
w +
u) =
v
w +
v
u
5. (
v)
w = (
v
w)
Demostraremos solo la propiedad 1.:
n
X
v v =
vi2 0 pues es suma de cuadrados.
Dem.:
i=1
Notar adems, que
v
v =0
v = 0
45
2.1.3.
Norma de un vector
DEFINICIN 2.1.6 Consideremos el vector

v = (v1 , v2 , . . . , vn ) Rn . La norma o magnitud de
v,
denotada por k v k, est dada por
v
v =
k
vk=
n
X
!1/2
vi2
i=1
La distancia entre los vectores

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

v mide la magnitud del vector. Si consideramos
el punto A en el plano o en el espacio asociado al vector

v , su norma representa la distancia del
punto al origen. Note que al considerar la interpretacin geomtrica de la resta de vectores, la
expresin para distancia entre dos puntos es, de forma natural, la magnitud del vector resta.
Si n = 1, 2 o 3, la distancia as definida coincide con la distancia euclideana usual.
En efecto, si n = 1,
u = u R,
v = v R,
por lo que la distancia
d(
u,
v ) = d(u, v) = (u v)2 = |u v|
Si n = 2,
u = (u1 , u2 ),
v = (v1 , v2 ), entonces
v
u 2
uX
p
d( u , v ) = k u v k = t (ui vi )2 = (u1 v1 )2 + (u2 v2 )2

i=1
Anlogamente en el caso en que n = 3.
PROPOSICIN 2.1.2 Consideremos los vectores

v ,
w Rn y R. Entonces:
1. k
vk0
k
vk=0
v = 0.
De esta propiedad obtenemos que d (

v ,
w ) 0, y adems d (
v ,
w) = 0
v =
w.
2. k
v k = || k
vk
3. k
v
w k = k
w
vk
de donde
d (
v ,
w ) = d (
w,
v ).
4. k
v +
w k k
v k + k
w k (Desigualdad triangular)
5. |
v
w | k
v k k
w k (Desigualdad de Cauchy-Schwartz)
46
Dem.:
Demostraremos slo 4 y 5.
5. Sean
u,
v Rn .
Luego, t R:
kt
u
v k 0, es decir:
(tu1 v1 )2 + (tu2 v2 )2 + + (tun vn )2 0

Reescribiendo esta relacin como una ecuacin cuadrtica en la variable t:
n
X
!
u2i
t2 2
i=1
n
X
n
X
!
t +
ui vi
i=1
!
vi2
i=1
Esto significa que el discriminante de la correspondiente ecuacin de segundo grado en t es

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

pedida.
4.
k
u +
vk =
=
(
u +
v ) (
u +
v)
2
2
k u k + 2 ( u v ) + k
vk
2
2
k
u k + 2 |
u
v | + k
vk
2
2
k
u k + 2 k
u k k
v k + k
vk
(k
u k + k
v k)2
Nuevamente, extrayendo raz cuadrada, obtenemos lo pedido.
DEFINICIN 2.1.7 Un vector se dice unitario si su norma es 1.
EJEMPLO 2.1.1 Si
v 6= 0 entonces
w =
v / k
v k es unitario.
v = (cos , sen ) es unitario.
Tambin, notar que
R :
47
2.1.4.
ngulo entre vectores
Considere
v y
w vectores en R2 . Entonces,
v ,
w y
v
w forman un tringulo con lados de
magnitudes k v k , k w k y k v w k respectivamente. Por el teorema del coseno para tringulos, se

sigue que
2
2
2
k
v
w k = k
v k + k
w k 2 k
v k k
w k cos
Por otro lado
2
k
v
w k = (
v
w ) (
v
w)
2
2
= k
v k + k
w k 2
v
w
Igualando ambas expresiones, obtenemos que
v
w = k
v k k
w k cos
En el caso general, si
v y
w vectores en Rn entonces por la desigualdad de Cauchy-SchwarzS
v
w
1
1
k v k k
wk
Luego, existe un nico [0, ] tal que
v
w
cos =
k
v k k
wk
DEFINICIN 2.1.8 Si
v y
w son vectores en Rn no nulos, el ngulo entre
v y
w es el nico
[0, ] tal que
v
w = k
v k k
w k cos
Denotaremos tal ngulo por ]

v ,
w.
DEFINICIN 2.1.9 Sean

v y
w son vectores en Rn no nulos. Diremos que:
v
w =0
1.
v y
w son perpendiculares u ortogonales si ]
v ,
w = 2 . Esto es equivalente a
2.
v y
w son paralelos si ]
v ,
w = 0 ]
v ,
w = . Esto es equivalente a
v =
w para algn
R.
48
2.1.5.
Producto cruz en R3
En esta seccin definiremos un producto vectorial que nos permite encontrar un vector que es
perpendicular a dos vectores dados del espacio, es decir, en R3 .

u = (u1 , u2 , u3 ) y
v = (v1 , v2 , v3 ) vectores en R3 . Definimos el producto
cruz entre
u y
v , que denotamos por
u
v como el vector
u
v = (u2 v3 u3 v2 ) i (u1 v3 u3 v1 ) j + (u1 v2 u2 v1 ) k
Recordemos que en R3 :
i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1), entonces
u
v = ((u2 v3 u3 v2 ) , (u1 v3 u3 v1 ) , (u1 v2 u2 v1 ))
OBSERVACIN: La definicin de producto cruz se puede recordar y trabajar como un determinante
de la siguiente manera:

i
j
k

u v = u1 u2 u3

v1 v2 v3
OBSERVACIN: El vector
u
v es perpendicular a
u y
v . Note que en dos dimensiones esto no
tiene sentido.
EJEMPLO 2.1.2 Sean

u = (1, 2, 1) y
u = (1, 0, 1). Calcular
u
v.
Solucin:

i
j
k
1 2
1 1
2 1

+ k
j
1 2 1 = i
1 0
1 1

0 1
1 0 1
= 2 i j (0) + k (2) = 2 i 2 k = (2, 0, 2)
u v =


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

u1 u2 u3

u ( v w ) = v1 v2 v3

w1 w2 w3
49
Dem.:
En efecto: sabemos que

v
2 v3
v w =
w2 w3

v

1 v3
,

w1 w3

v
1 v2
,
w1 w2
y si
u = (u1 , u2 , u3 ) entonces

v
v
1 v3
2 v3
u ( v w ) = u1
u2
w1 w3
w2 w3

u1 u2 u3

= v1 v2 v3

w1 w2 w3

v

1 v2
+ u3

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

Note adems que

u1 u2 u3

u (
v
w ) = v1 v2 v3

w1 w2 w3
u
v)
w
= (

OBSERVACIN: Este producto entre 3 vectores en R3 se conoce como producto mixto entre ellos.
TEOREMA 2.1.2 El producto vectorial o producto cruz cumple las siguientes propiedades:
1.
u R3 :
u
u = 0
2.
u,
v R3 :
u (
u
v)
3.
u,
v R3 :
(
u
v ) = (
v
u)
v (
u
v)
4.
u,
v ,
w R3 :
(
u +
v)
w =
u
w +
v
w
5.
u,
v ,
w R3 :
u (
v +
w) =
u
v +
u
w
6.
u,
v R3
R :
(
u
v ) = (
u)
v =
u (
v)
OBSERVACIN: Dejamos como ejercicio la demostracin de estas propiedades, para lo que recomendamos utilizar las propiedades de los determinantes y la proposicin anterior.
50
EJEMPLO 2.1.3 Simplificar la expresin
[(
u +
v ) (2
u
v )]
u
Desarrollo: Por las propiedades recin enunciadas
(
u +
v ) (2
u
v)
= (
u +
v ) (2
u ) + (
u +
v ) (
v)
=
u (2
u)+
v (2
u)+
u (
v)+
v (
v)
= 2 (
u
u ) + 2 (
v
u ) (
u
v ) (
v
v)
= 0 + 2( v u) (u v ) + 0
= 3 (
u
v)
Luego
[(
u +
v ) (2
u
v )]
u = (3 (
u
v ))
u = 0
TEOREMA 2.1.3 (Identidad de Lagrange) Para cada

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

v
w = k
v k k
w k cos
se sigue que
2
2
2 2
(k
v k k
w k cos ) + k
v
w k = k
v k k
wk
luego
2
2 2
2 2
k
v
w k = k
v k k
w k k
v k k
w k cos2

2 2
= k
v k k
w k 1 cos2
2 2
= k
v k k
w k sen 2
Esto nos lleva a la siguiente:

v y
w vectores en R3 . Entonces
k
v
w k = k
v k k
w k |sen |
donde [0, ] es el ngulo que forman

v e
w.
51
EJERCICIOS:
1. Considere un paralelgramo determinado por dos vectores

u y
v en R3 si ]
u,
v =
entonces el rea del paralelgramo es A = k u k k v k sen = k u v k. Notar que de esta

forma se puede calcular el rea de un tringulo por
A=
k
u
vk
2
2. Considere un paralelepipedo en el espacio determinado por tres vectores no coplanares
u,
v ,
w R3 entonces el volmen del paraleleppedo esta dado por

u1 u2 u3

V = |
w (
u
v )| = det v1 v2 v3

w1 w2 w3
52
2.2. CLASE 9: G EOMETRA DEL P LANO Y EL E SPACIO
2.2.
CLASE 9: Geometra del Plano y el Espacio
2.2.1.
Proyecciones
Geomtricamente, lo que queremos es determinar el vector que se obtiene al proyectar ortogo
u entonces, para
nalmente el vector
u 6= 0 sobre el vector
w . Si denotamos a este vector con proy
w
algn t R, se debe cumplir
u
proy
w = tw
w (
u t
w) = 0
Entonces
2
w
u t k
wk = 0
t=
w
u
2
kwk
Se sigue
u
proy
w
u
2
kwk

u y
w son vectores en Rn ,
w 6= 0 . Se define el vector proyeccin de
u
sobre w como el vector

!
w
u
u
proy
w
w =
2
kwk
u se llama componente de
OBSERVACIN: El vector
u proy
u ortogonal a
w.
EJEMPLO 2.2.1 Considere un tringulo en R3 determinado por los vrtices en los puntos A, B, C.
Encuentre su rea.
Solucin: Sean
u = B A,
w = C A. Entonces, la altura del tringulo es

u
h =
u proy
w
de donde el rea pedida es
A=
1

u
k
w k
u proy
w
2
53
2.2.2.
Rectas en el espacio
DEFINICIN 2.2.2 En R3 , sea

p un punto dado y d un vector no nulo. Definimos la recta que pasa
por
p y es paralela a d (o tiene direccin d ), como el conjunto de puntos
n
o
L=
p +d :R
El vector d se llama vector director de la recta L.

Escribamos la relacin que define a una recta en el espacio, en trminos de coordenadas. Sea
p = (x0 , y0 , z0 ), d = (d1 , d2 , d3 ).
Un punto (x, y, z) pertenece a la recta si
x = (x, y, z) = (x0 , y0 , z0 ) + (d1 , d2 , d3 )
que es la ecuacin vectorial de la recta.

De esta ecuacin, podemos escribir:
x = x0 + d1
y = y0 + d2
z = z0 + d3
Esta forma de escribir la ecuacin de la recta se llama ecuacin paramtrica de la recta, o forma
paramtrica de la ecuacin, de parmetro .
Si en cada ecuacin anterior despejamos el parmetro obtenemos
=
x x0
d1
y y0
d2
y y0
z z0
x x0
=
=
d1
d2
d3
z z0
d3
Esta forma de presentar una recta en el espacio se conoce como las ecuaciones simtricas o ecuacin cartesiana de la recta.
=
OBSERVACIN:
1. Supongamos que una componente del vector director es igual a 0, digamos d1 . Entonces, la
ecuacin simtrica queda de la forma:
x = x0 ,
54
z z0
y y0
=
d2
d3
2. Si conocemos dos puntos en el espacio, digamos

p1 y
p2 , la ecuacin de la recta que pasa por
ellos es
L : (x1 , y1 , z1 ) + t(x1 x2 , y1 y2 , z1 z2 ), t R
La forma paramtrica de la ecuacin de la recta que pasa por estos dos puntos es:
x = x1 + t(x1 x2 )
y = y1 + t(y1 y2 )
z = z1 + t(z1 z2 )
y la forma simtrica es:
y y1
z z1
x x1
=
=
x1 x2
y1 y2
z1 z2
DEFINICIN 2.2.3 Dos rectas L1 =

p1 + td1 , t R y L2 =
p2 + r d2 , r R son paralelas si sus
vectores directores son paralelos. Es decir, d1 = ad2 con a R y a 6= 0
2.2.3.
Planos

p,
u y
v vectores en el plano, tales que
u y
v no son paralelos. Enton3
ces, el conjunto R es un plano si
= {
p +
u +
v : , R}
En trminos de coordenadas, si
p = (x0 , y0 , z0 ),
u = (u1 , u2 , u3 ),
v = (v1 , v2 , v3 ), entonces
x = x0 + u1 + v1
y = y0 + u2 + v2
z = z0 + u3 + v3
Estas ecuaciones son las ecuaciones paramtricas del plano.
OBSERVACIN: Un plano en R3 se puede determinar especificando un punto contenido en l y un
vector normal al plano, es decir, un vector perpendicular a l.
En efecto, dado el punto P = (x0 , y0 , z0 ) y el vector

n = (n1 , n2 , n3 ), un punto Q = (x, y, z)

si y solo si P Q n . Es decir

PQ
n = 0 (x x0 , y y0 , z z0 ) (n1 , n2 , n3 ) = 0
(x x0 )n1 + (y y0 )n2 + (z z0 )n3 = 0
n1 x + n2 y + n3 z x0 n1 y0 n2 z0 n3 = 0
55
Por lo tanto, la ecuacin general de un plano es

ax + by + cz + d = 0
donde el vector (a, b, c) es normal al plano. Este vector se llama vector director o direccin del plano.
OBSERVACIN: Un plano puede ser determinado conociendo 3 puntos no colineales. En efecto,

sean P1 , P2 , P3 los puntos. Formamos los vectores P1 P2 y P1 P3 . El vector

n = P1 P2 P1 P3 es
perpendicular a P1 P2 y a P1 P3 . Luego,
n es normal al plano. Usamos cualquiera de los 3 puntos
Pi y n y obtenemos la ecuacin del plano.
EJEMPLO 2.2.2 Determine la ecuacin del plano que pasa por los puntos
P1 = (2, 2, 1),
Solucin:
P2 = (1, 0, 3),
P3 = (5, 3, 4)
Formemos los vectores
P1 P2 = P2 P1 = (3, 2, 2)
Ahora, el vector normal
P1 P3 = P3 P1 = (3, 1, 3)
n = P1 P2 P1 P3 = (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 2.2.1 Dados dos planos

1 = a1 x + b1 y + c1 z + d1 = 0
2 = a2 x + b2 y + c2 z + d2 = 0
se tiene:
1. 1 k 2
2. 1 2
3. 1 = 2
a1 = ka2 ,
b1 = kb2 ,
c1 = kc2
con k R y k 6= 0
(a1 , b1 , c1 ) (a2 , b2 , c2 ) = 0
a1 = ka2 ,
b1 = kb2 ,
c1 = kc2 ,
d1 = kd2
con k R y k 6= 0.
TEOREMA 2.2.2 Consideremos la recta L =

p + d y el plano = x + y + z + = 0. Se tiene
1. L k
(, , ) d = 0
2. L d k (, , )
(d1 , d2 , d3 ) = d .
56
= kd1 ,
= kd2 ,
= kd3 , donde k 6= 0 y
TEOREMA 2.2.3 (Distancia de un punto a una recta) Consideremos la recta L que pasa por el pun
to P0 = (x0 , y0 , z0 ) y tiene como vector director a d . Sea P = (x, y, z) un punto que no pertenece a
L. La distancia de P a L est dada por:

|| d P0 P ||
d(P, L) =
|| d ||
TEOREMA 2.2.4 (Distancia de un punto a un plano) Dado un punto P0 = (x0 , y0 , z0 ) y un plano
= ax + by + cz + d = 0; la distancia entre P0 y est dada por:
d(P0 , ) =
|ax0 + by0 + cz0 + d|
a2 + b2 + c2
TEOREMA 2.2.5 (Distancia entre rectas) Sea L1 la recta que pasa por el punto P1 y tiene direccin
d1 . Sea L2 la recta que pasa por el punto P2 y tiene direccin d2 . La distancia (mnima) entre L1 y
L2 est dada por:

|P1 P2
n|
, donde
n = d1 d2
dmin (L1 , L2 ) =
|| n ||
Ejercicios propuestos
1. Determine si las rectas
L1 : x = 2t 3,
y = 3t 2,
z = 4t + 6
L2 : x = r + 5,
y = 4r 1,
z = r4
se cortan.
Solucin. Si existe un punto P tal que P = L1 L2 , debe existir t1 R y r1 R tales que
2t1 3 = r1 + 5,
3t1 2 = 4r1 1,
4t1 + 6 = r1 4
La solucin de este sistema de 3 ecuaciones y dos incgnitas es:

t1 = 3
r1 = 2
Reemplazamos el valor del parmetro t1 en L1 o reemplazamos el valor del parmetro r1 en

L2 , 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
x = 3+t
L1 :
y = 4+t ,
z = 1 + t
L2 :
x+4
2y 1
=
,
6
3
z=
1
2
57
Solucin. Sea L : (1, 4, 0) + d , con R, la recta buscada y sean d 1 = (1, 1, 1) y d 2 =

(4, 1, 0) los vectores directores de L1 y L2 respectivamente. Como
LL1 LL2 = d 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 R
3. Hallar la ecuacin del plano que pasa por (3, 1, 2) y es paralelo al plano 2x+4y 3z +10 = 0
Solucin. El plano buscado tiene por ecuacin 2x + 4y 3z + d = 0. Para determinar d,
usamos que el punto (3, 1, 2) debe pertenecer al plano, entonces debe satisfacer la ecuacin
2(3) + 4(1) 3(2) + d = 0 = d = 4
Por lo tanto, el plano pedido es
2x + 4y 3z + 4 = 0
4. Hallar la ecuacin del plano determinado por el punto (1, 0, 2) y la recta L :
x+3
y5
z1
=
=
3
3
1
Solucin. Vamos a escribir la recta como interseccin de 2 planos. Para esto, consideramos
las igualdades siguientes:
x+3
y5
=
3
3
y5
z1
=
3
1
De la primera igualdad, se tiene

x+3
y5
=
3x 9 = 3y 15 x + y 2 = 0
3
3
De la segunda igualdad , obtenemos
y5
z1
=
y 5 = 3z + 3 y + 3z 8 = 0
3
1
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 + 0 2) + (0 + 3(2) 8) = 0 = =
58
1
2
El plano buscado es:

1
(x + y 2) (y + 3z 8) = 0 2x + y 3z + 4 = 0
2
5. Considere
el punto A(1, 0, 1),
el plano : 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 LA : (1, 0, 1) + r(2, 1, 1) la recta que pasa por A e intersecta
perpendicularmente a
T
a) Como B LA = B LA B = B = (1 + 2r, r, 1 r) y debe satisfacer la
ecuacin del plano, es decir,
2(1 + 2r) + r (1 r) 7 = 0 = r = 1 = B = (3, 1, 0)
b) Analogamente, si D L
= D = (1, 1 + t, 5t) y
2(1) + (1 + t) 5t 7 = 0 = t = 2 = D = (1, 1, 10)

c) Si C L = C = (1, 1 + t, 5t), entonces
BC = (4, t, 5t), BD = (4, 2, 10),
BA = (2, 1, 1)
1
El volumen del tetraedro de vrtices A, B, C, D es dado por V = |BC BD BA|.
6
Como se quiere que el volumen sea 4, tenemos:
1
4 = |(4, t, 5t) (4, 2, 10) (2, 1, 1)|
6
Calculemos

4 t

5t

(4, t, 5t) (4, 2, 10) (2, 1, 1) = 4 2 10 = 48 + 24t

2 1
1
Por lo tanto, 24 = |48 + 24t|, es decir, tenemos dos soluciones
24 = 48 + 24t = t = 1 24 = (48 + 24t) = t = 3
Luego, C1 = (1, 0, 5), C2 = (1, 2, 15).
59
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 27 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) = p
2
(1 + ) + (2)2 + (3)2
Pero el plano pedido debe estar a
2
7
del origen, entonces
||
2
p
=
2
2
2
7
(1 + ) + (2) + (3)
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
(x 3z + 1) = 0 x + 18y 30z + 10 = 0
9
7. Hallar la distancia mnima entre las rectas

L1 : (1, 1, 4) + t(0, 1, 3)
L2 : x = 4 + ,
y = 5,
z = 3 + 2
Solucin. El vector director de L1 es d1 = (0, 1, 3) y el vector director de L2 es d2 = (1, 0, 2).

Entonces
n = d1 d2 = (2, 3 1)
Ahora, sea P1 = (1, 1, 4) y P2 = (4, 5, 3), entonces
P1 P2 = P2 P1 = (3, 4, 7)
Reemplazando en la frmula, obtenemos
dmin (L1 , L2 ) =
60

|(3, 4, 7) (2, 3 1)|
1
|P1 P2
n|
=
=
||(2, 3 1)||
||
n ||
14
2.3.
1. Demuestre o refute:
a) Si ~a = (2, 0, 1) y ~c = (1, 1, 1), entonces existe ~b R3 tal que ~a ~b = ~c.
b) Sean ~a, ~b R3 . Entonces
~a ~b = ~0
~a ~b = ~0
~a = ~0
~b = ~0
c) Sean ~a, ~b y p~ los vectores posicin de A, B y P , respectivamente. Si p~ = 3~a 2~b,

entonces P divide a AB en la razn 3 : (2).
2. Sean (3, 7, 5), B = (3, 4, 8) y C = (4, 4, 5).
a) Demostrar que el 4ABC es issceles.
b) Determinar la ecuacin de la recta que contiene a la altura h.
c) Calcular el BAC.
3.
61
62
Captulo 3
Espacios Vectoriales
3.1.
CLASE 10: Espacios Vectoriales
DEFINICIN 3.1.1 Sea V un conjunto no vaco y sea K un cuerpo (los cuerpos que consideraremos
en este curso sern R C). Supongamos que en V se han definido dos operaciones, que llamaremos
adicin y producto por escalar, del siguiente modo:
I. La adicin toma dos elementos de V , llamsmoslos u y v, y mediante la operacin los lleva a un
elemento w V con w = u + v.
II. El producto por escalar toma un elemento del cuerpo K y un u V , y mediante la operacin
los lleva a un elemento w V con w = u
Diremos que (V, +, ) es un espacio vectorial sobre K ( un K- espacio vectorial) si y solamente
si las operaciones satisfacen las siguientes propiedades:
1. u, v V :
u+v =v+u
2. u, v, w V :
3. 0V V :
4. u V,
u + (v + w) = (u + v) + w
u + 0V = u, u V
(u) V :
5. u, v V, K :
6. u V,
, K :
7. u V, , K :
8. u V :
u + (u) = 0V
(u + v) = u + v
( + ) u = u + u
() u = ( u)
1u=u
Los elementos de V se llaman vectores y los del cuerpo K se llaman escalares.
63
C APTULO 3. E SPACIOS V ECTORIALES
EJEMPLOS:
1. (R2 , +, ) es un espacio vectorial sobre R, con las siguientes operaciones: Si u, v R2 , con
u = (u1 , u2 ), v = (v1 , v2 ) y R, definimos
u + v = (u1 + v1 , u2 + v2 )
u = (u1 , u2 )
Este espacio vectorial se identifica, geomtricamente, con el plano cartesiano, y sus elementos
son los vectores en (R2 , +, ).
2. (R3 , +, ) es un espacio vectorial sobre R, con las siguientes operaciones: si u, v R3 , con
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y R, definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 )
u = (u1 , u2 , u3 )
Este espacio vectorial se identifica, geomtricamente, con el espacio cartesiano, y sus elementos son los vectores en (R3 , +, ).
3. La generalizacin (Rn , +, ) es un espacio vectorial sobre R, con las siguientes operaciones:
Si u, v Rn , con u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) y R, definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
u = (u1 , u2 , . . . , un )
4. (C2 , +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v C2 , con
u = (u1 , u2 ), v = (v1 , v2 ) y C, definimos
u + v = (u1 + v1 , u2 + v2 ) y
u = (u1 , u2 )
Debe tenerse presente que, en este caso, todos los nmeros involucrados son nmeros complejos, por lo cual las operaciones mencionadas son entre elementos en C.
5. (C3 , +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v C3 , con
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y C definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 )
y u = (u1 , u2 , u3 )
Anlogamente, las operaciones se realizan entre nmeros complejos.

6. La generalizacin (Cn , +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si
u, v Cn , con u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) y C definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
u = (u1 , u2 , . . . , un )
64
3.1. CLASE 10: E SPACIOS V ECTORIALES
7. Casos particulares:
Si n = 1, en el ejemplo 3. vemos que (R, +, ) es un espacio vectorial sobre R y si n = 1, en el
ejemplo 6. vemos que (C, +, ) es un espacio vectorial sobre C. De esta forma, notamos que
tanto R como C tienen estructura de cuerpo y de espacio vectorial sobre si mismos.
8. Consideremos el conjunto
Rn [x] = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn , ai R, i = 0, . . . , n}
es decir, Rn [x] es el conjunto de los polinomios con coeficientes reales en una variable real de
grado menor o igual a n (incluyendo al polinomio nulo). (Rn [x], +, ) es un espacio vectorial
sobre R con la adicin y el producto por escalar habitual de polinomios, vale decir, si
p (x) = a0 + a1 x + a2 x2 + . . . + an xn y q (x) = b0 + b1 x + b2 x2 + . . . + bn xn , entonces
(p + q)(x) = p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + . . . + (an + bn )xn
(p)(x)
= a0 + a1 x + a2 x2 + . . . + an xn ,
p(x)
9. Consideremos el conjunto de las funciones a valores reales F = {f : A R R} 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 F,
x A, R.
Con estas operaciones, (F, +, ) es un espacio vectorial sobre R.

10. El espacio de las funciones continuas definidas en un intervalo [a, b], que denotamos por
(C[a, b], +, ) con las operaciones recin definidas para las funciones, es un espacio vectorial
sobre R.
11. El espacio de las funciones n veces derivables (funciones de clase C n ) definidas en un intervalo ]a, b[, que denotamos por (C n (]a, b[) , +, ) con las mismas operaciones anteriores, es un
espacio vectorial sobre R.
12. Consideremos el conjunto de las matrices de orden m n con entradas reales, que denotaremos Mmn (R). Recordemos que si A, B Mmn (R), definimos la suma de matrices:
A + B = (aij )mn + (bij )mn = (aij + bij )mn
El producto por escalar queda definido por:
A = (aij )mn = ( aij )mn
De esta manera, (Mmn (R), +, ) es un espacio vectorial sobre R.
65
13. Anlogamente, las matrices con entradas complejas (Mmn (C), +, ) con las operaciones
anlogas a las descritas arriba, forman un espacio vectorial sobre C.
14. El conjunto de todos los polinomios de grado menor o igual a n con coeficientes complejos,
es decir
Cn [x] = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn , ai C, n N}, dotado de la
suma y el producto habitual de polinomios, es un espacio vectorial sobre C.
EJERCICIOS:
1. Sea V un Kespacio vectorial y sea X un conjunto. Sea F (X, V ) el conjunto de todas las
funciones de X es V. Dotamos a F (X, V ) de las operaciones usuales para funciones, adicin
y producto por escalar, definidas por:
(f + g) (x) = f (x) + g (x)
( f ) (x) = f (x)
Muestre que (F (X, V ) , +, ) es un espacio vectorial sobre K.
2. Determine si (R, +, ) es un espacio vectorial sobre C. Justifique.
3. Determine si (C, +, ) es un espacio vectorial sobre R. Justifique.
4. Determine si (Mmn (R), +, ) es un espacio vectorial sobre C. Justifique.
5. Determine si (Mmn (C), +, ) es un espacio vectorial sobre R. Justifique.
6. En R+ = {x R : x > 0}, se definen las siguientes operaciones:
x y = xy,
x = x ,
x, y R+ , R.
Es (R+ , , ) un espacio vectorial sobre R?

7. Determine para cada uno de los siguientes casos si el conjunto dado es o no un R-espacio
vectorial. En caso negativo, liste los axiomas que no se cumplen.
a) A = {(x, y) R2 : y 0},
b) B = R2 ,
con la suma y producto por escalar habitual.
con el producto por escalar usual pero la suma definida por

(x1 , y1 ) (x2 , y2 ) = (x1 + x2 + 1, y1 + y2 + 1)
c) C = {(aij ) M22 (R) :

habitual en M22 (R).
66
a11 = a22 = 0},
con la suma y producto por escalar
3.1. CLASE 10: E SPACIOS V ECTORIALES
PROPOSICIN 3.1.1 Sea V un K-espacio vectorial. Entonces:

1. El neutro aditivo 0V es nico.
2. Para cada v V el inverso aditivo (v) es nico.
3. La ley de cancelacin es vlida para la adicin de vectores.
4. v V :
0 v = 0V
5. K v V :
() v = (v)
Dem.:
1. Supongamos que no es nico, es decir, que existen al menos dos neutros para la adicin
0V , 00V V . Entonces:
)
0V + 00V = 0V pues 00V es neutro.
Como 0V + 00V = 00V + 0V 0V = 00V .
00V + 0V = 00V pues 0V es neutro.
2. Anlogamente al caso anterior, suponga que el inverso aditivo no es nico. Dejamos la demostracin como ejercicio.
3. Debemos probar que si
u1 , u2 , v V :
u1 + v = u2 + v
Suponemos u1 , u2 , v V : u1 + v = u2 + v.
Sumando a ambos lados de la ecuacin:
(u1 + v) + (v) = (u2 + v) + (v)
4. Calculamos
5. Notamos que
Como v V
u1 = u2
se tiene que
u1 + (v + (v)) = u2 + (v + (v))
0 v = (0 + 0) v = 0 v + 0 v.
Aplicamos 3. y tenemos
v V .
u1 = u2
0 v = 0V .
0V = 0 v = ( + ()) v = v + () v.
Por lo tanto, el inverso aditivo de v es () v. Pero, el inverso aditivo de v es

( v). Por la unicidad del inverso: () v = ( v).
67
3.2.
CLASE 11: Subespacios Vectoriales
DEFINICIN 3.2.1 Sea (V, +, ) un espacio vectorial sobre un cuerpo K, S V, S 6= . Se dice que
S es un subespacio vectorial de V si (S, +, ) es un espacio vectorial sobre K.
Notacin:
Si (S, +, ) es un subespacio vectorial de (V, +, ), escribimos S V .
OBSERVACIN: La definicin anterior no permite averiguar, de manera simple, si un determinado

subconjunto es o no subespacio de un espacio vectorial dado. Ms precisamente, la definicin anterior nos obliga a verificar, todas las propiedades que deben satisfacer las operaciones que definen
a un espacio vectorial. El siguiente teorema nos brinda un mtodo sencillo para este efecto.
TEOREMA 3.2.1 Sea (V, +, ) un espacio vectorial sobre el cuerpo K y sea S V, S 6= . (S, +, )
es un subespacio vectorial de (V, +, ) si y solo si se satisfacen las siguientes dos condiciones:
1. Si u, v S entonces u + v S.
2. Si K, u S entonces u S.
Dem.:
Probaremos algunas propiedades.
Veamos que si se satisfacen las propiedades anteriores entonces 0V S:

si = 0 en 2., entonces u = 0 u = 0V
Veamos ahora que si se satisfacen las propiedades anteriores entonces u S:
si = 1 en 2., entonces u = 1 u = u S
Como S V , es fcil verificar que las dems propiedades se satisface, pues (V, +, ) es un
espacio vectorial sobre K.
COROLARIO 3.2.1 Sea (V, +, ) un espacio vectorial sobre el cuerpo K y sea S V, S 6= . (S, +, )
es un subespacio vectorial de (V, +, ) si y solo si
u, v S
Dem.:
u+v S
Veamos algunas propiedades:
0V S :
basta considerar
Sea u S. Como 0V S,
68
K :
u=v
= 1.
basta considerar
v = 0V
= 1.
Entonces, u S.
3.2. CLASE 11: S UBESPACIOS V ECTORIALES
OBSERVACIN:
1. Si S V entonces 0V S.
2. En adelante, cuando el cuerpo sobre el cual estamos trabajando y las operaciones consideradas estn claramente subentendidas, escribiremos V en lugar de (V, +, ) para un espacio
vectorial sobre K.
3. Todo espacio vectorial tiene, de manera natural, dos subespacios vectoriales, llamados subespacios vectoriales triviales del espacio vectorial V . Estos son: el mismo espacio vectorial V ,
vale decir, V V y el espacio vectorial nulo, vale decir el espacio vectorial cuyo nico elemento es el neutro aditivo de V : {0V } V .
EJEMPLOS:
1. Considere W = {(x, y) R2 : y = 0}. Probemos que W es un subespacio vectorial de R2 .
Para ello, debemos verificar:
a) W 6= , lo cual es cierto pues (0, 0) W .
b) (x, y), (u, v) W (x, y) + (u, v) W .
En efecto: (x, y), (u, v) W y = 0 v = 0. Por lo tanto, (x, y)+(u, v) = (x, 0)+(u, 0) =
(x + u, 0). Es decir, la segunda componente de la suma de dos vectores en W da como
resultado un vector que tambin pertenece a W .
c) R, (x, y) W (x, y) W .
En efecto: (x, y) W y = 0. Por lo tanto, (x, y) = (x, 0) = (x, 0) W .
Como las tres condiciones se satisfacen, hemos probado que W R2 .
2. Considere W = {(x1 , x2 , , xn ) Rn : xn = 0}. Probemos que W es un subespacio
vectorial de Rn . Para ello, debemos verificar:
a) W 6= , lo cual es cierto pues (0, 0, , 0) W .
b) (x1 , x2 , , xn ), (u1 , u2 , , un ) W (x1 , x2 , , xn ) + (u1 , u2 , , un ) W .
En efecto: (x1 , x2 , , xn ), (u1 , u2 , , un ) W xn = 0 un = 0. Por lo tanto,
(x1 , x2 , , xn ) + (u1 , u2 , , un ) = (x1 , x2 , , 0) + (u1 , u2 , , 0) = (x1 + u1 , x2 +
u2 , , 0). Es decir, la nsima componente de la suma de dos vectores en W da como
resultado un vector que tambin pertenece a W .
c) R, (x1 , x2 , , xn ) W (x1 , x2 , , xn ) W .
En efecto: (x1 , x2 , , xn ) W xn = 0. Por lo tanto, (x1 , x2 , , xn ) =
(x1 , x2 , , 0) = (x1 , x2 , , 0) W .
69
Como las tres condiciones se satisfacen, hemos probado que W Rn .

3. Sea (1, 2) R2 y consideremos W = {(x, y) R2 : (x, y) = (1, 2), R}. Probemos
que W es un subespacio vectorial de R2 .
a) W 6= , lo cual es cierto pues (0, 0) = 0 (1, 2) W .
b) Debemos probar ahora que (x1 , x2 ), (u1 , u2 ) W (x1 , x2 ) + (u1 , u2 ) W .
En efecto: (x1 , x2 ), (u1 , u2 ) W , R : (x1 , x2 ) = (1, 2),
(u1 , u2 ) = (1, 2). Por lo tanto, (x1 , x2 ) + (u1 , u2 ) = (1, 2) + (1, 2) = ( + )
(1, 2) W, pues + R.
c) Probemos ahora que R, (x1 , x2 ) W (x1 , x2 ) W .
En efecto: (x1 , x2 ) W (x1 , x2 ) = ( (1, 2)) = () (1, 2) W,
R.
pues
Grficamente, este espacio vectorial se representa por una recta en el plano, en la misma
direccin que el vector (1, 2).
4. Como en el ejemplo anterior, sea V un espacio vectorial real, y sea u0 V, con
u0 6= 0V . Consideremos W = {v V : v = u0 , R}. Probemos que W es un
subespacio vectorial de V .
a) W 6= , lo cual es cierto pues tomando 0 R,
0 u0 = 0V W .
b) Probemos que v1 , v2 W v1 + v2 V. En efecto: v1 , v2 V

v1 + v2 = u0 + u0 = ( + ) u0 V
, R :
c) Probemos ahora que R, v W v W. En efecto: v W v = u0 =

() u0 W.
Debido a la analoga con el ejemplo anterior (4.-), este espacio vectorial recin descrito se
denomina recta vectorial, con direccin u0 .
5. Sea E = {(x, y, z) R3 : 2x + y = 0}. Probemos que E R3 .
a) E 6= , lo cual es cierto pues (0, 0, 0) E.
b) Probemos que:
(x, y, z), (u, v, w) E (x, y, z) + (u, v, w) = (x + u, y + v, z + w) E. Este 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.
c) Anlogamente para el producto por escalar.
70
3.2. CLASE 11: S UBESPACIOS V ECTORIALES
(
6. Sea S =
a b
c d
)
M22 (R) : a = b y c = d
entonces S M22 (R)
PROPOSICIN 3.2.1 Sea V un espacio vectorial sobre un cuerpo K, W1 , W2 V . Luego:

1. W1 W2 V.
2. W1 + W2 V, donde el conjunto suma de W1 + W2 se define como:
W1 + W2 = {u + v : u W1 , v W2 }
Dem.:
1.
Como W1 , W2 V , tenemos que 0V W1

Sean w1 , w2 W1 W2 .
0V W2
w1 , w2 W1
Entonces
Como W1 , W2 V , tenemos que w1 + w2 W1
0V W1 W2
w1 , w2 W2 .
w1 + w2 W2 .
Luego:
w1 + w2 W1 W2
Sea w W1 W2 y K.
2.
Como W1 , W2 V :
( w W1
Como W1 , W2 V :
0V W1
Sean u1 , u2 W1 + W2 .
w W2 )
0V W2
v1 W 1 , v2 W 2
v10 W1 , v20 W2
u1 + u2 = v1 + v2 + v10 + v20 = v1 + v10 + v2 + v20

| {z } | {z }
W2
u1 + u2 W 1 + W 2 .
Sea w W1 + W2 y K.
w W1 W2 .
0V = 0V + 0V W1 + W2
W1
w W2
Entonces
u1 = v 1 + v 2 ,
u2 = v10 + v20 ,
Por lo tanto:
w W1
Entonces
Entonces
w = (u1 + u2 ) = u1 + u2
| {z } | {z }
W1
w = u1 + u2 ,
u1 W1 , u2 W2 .
w W1 + W2
W2
OBSERVACIN:
1. Si W1 , W2 V y W1 W2 = {0V } entonces el subespacio suma W1 + W2 se llama suma
directa y se escribe W1 W2 .
71
2. La unin de subespacios no es necesariamente un subespacio vectorial. Considere, por ejem

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

Entonces, V1 V2 = (x, y) R2 : x = 0 y = 0
Los elementos (1,0) y (0,1) pertenecen a V1 V2 , sin embargo (1, 0) + (0, 1) = (1, 1) 6 V1 V2 ,
ya que no se cumple la condicin que una de las componentes sea igual a 0.
EJERCICIOS:
1. En los siguientes, determine si el subconjunto dado W del espacio vectorial V es o no subespacio de V .
a) V = R2 ,
W = {(x, y) R2 : y 0}
b) V = R3 ,
W = {(x, y, z) R3 : x + 2y = 0}
c) V = R3 ,
W = {(x, y, z) R3 : x + y = 1, z = 0}
d) V = Mnn (R),
e) V = M22 (R),
f ) V = M32 (R),
g) V = R4 [x],
W = {D Mnn (R) : D es diagonal }

(
!
)
a
b
W =
M22 (R) : a, b R
0 a+b
a a
W = b b M32 (R) : a, b, c R
c c
W = {p(x) R4 [x] : p(0) = p0 (0) p(1) = p0 (1)}.
h) V = C[0, 1],
W = {f C[0, 1] : f (0) = f (1) = 0}
i) V = C[0, 1],
W = {f C[0, 1] : f (0) = 2}
2. Sea S = {A Mnn : At = A}.

3. Sea T = {A Mnn : At = A}.
Probar que S Mnn .

Probar que T Mnn .
4. Muestre que S T = Mnn (R), donde S y T son los subespacios de los ejercicios anteriores.
5. Pruebe que n m
C n [a, b] C m [a, b].
6. Considere los subespacios vectoriales de R3 :

E = {(x, y, 0) : x, y R},
F = {(0, 0, z) : z R},
G = {(0, y, z) : y, z R}.
Determine: E F, E G, G F, E + F, E + G, G + F . Haga una descripcin geomtrica y

dibuje cada uno de estos subespacios.
72
3.3. CLASE 12: E SPACIO G ENERADO . I NDEPENDENCIA LINEAL
3.3.
CLASE 12: Espacio Generado. Independencia lineal
DEFINICIN 3.3.1 Sean 1 , 2 , , n K y sean u1 , u2 , , un V , donde V es un espacio

n
X
vectorial real. La expresin
i ui es una combinacin lineal de los vectores u1 , u2 , , un .
i=1
OBSERVACIN: 0V es combinacin lineal de cualquier conjunto de vectores.

EJEMPLO 3.3.1 En R3 , el vector (0, 2, 3) es una combinacin lineal de los vectores (1, 0, 0), (1, 1, 0)
y (1, 1, 1). Para probarlo, escribimos
(0, 2, 3) = (1, 0, 0) + (1, 1, 0) + (1, 1, 1)
Luego, debemos encontrar , , R:
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.

EJERCICIOS:
1. Considere los vectores u = (2, 1, 2), v = (1, 1, 1) R3 . Escriba, si es posible, los vectores
a = (4, 5, 8) y b = (4, 1, 5) como 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 u1 = (1, 2, , 1), u2 = (, 1, 2, 3), u3 = (0, 1, , 0) R4 , determine los valores de y
en R para que uno de los vectores sea combinacin lineal de los otros dos.
3. Decidir si p (t) = t2 t + 1 es combinacin lineal de p1 (t) = (t 1)2 y p2 (t) = t.
!
!
!
1 2
0 1
1 1
4. Decidir si
es combinacin lineal de
y
.
1 0
1 1
1 0
73
DEFINICIN 3.3.2 Sea V un espacio vectorial sobre un cuerpo K y sea X V, X 6= . Consideremos todos los subespacios vectoriales de V que contienen al conjunto X. El ms chico de
todos estos conjuntos se llama espacio generado por X y corresponde a la interseccin de todos
los subespacios que contienen a X. Lo denotaremos por hXi por G(X).
OBSERVACIN: No es casualidad que este conjunto se llame espacio generado por X. Queda como
ejercicio probar que, efectivamente, el espacio generado por X es un subespacio vectorial de V .
Adems, se tiene que:
TEOREMA 3.3.1 Los elementos de G(X) son los elementos del conjunto formado por todas las
combinaciones lineales posibles de elementos de X, es decir, si X = {x1 , x2 , , xk }, entonces
hXi =
( k
X
)
i xi ,
i R
i=1
OBSERVACIN: Si S = hv1 , v2 , . . . , vn i decimos que v1 , v2 , . . . , vn generan a S o que {v1 , v2 , . . . , vn }

es un conjunto generador de S.
EJEMPLOS:
1. Si W = {(x, y) R2 : (x, y) = (1, 2), R}
2. Si W = {v V : v = u0 , R}
entonces
entonces
D
E
W = (1, 2) .
W = G(u0 ) = hu0 i.
3. En R2 considere los vectores u = (2, 1), v = (1, 1), w = (1, 4). Probemos que
R2 = G(u, v) = G(u, v, w) y que R2 6= G(u).
Para probar que R2 = G(u, v), debemos demostrar que dado cualquier (x, y) R2 , existen
, R tal que (x, y) = (2, 1) + (1, 1). La igualdad implica
)
x = 2
y = +
2y x
x+y
,
=
.
3
3
Esto significa que dado cualquier vector (x, y) R2 podemos determinar explcitamente, en funcin de x e y, los valores de los escalares y .
de donde
Anlogamente, para probar que R2 = G(u, v, w), debemos demostrar que dado cualquier
(x, y) R2 , existen , , R tal que
(x, y) = (2, 1) + (1, 1) + (1, 4). Notar que si tomamos, arbitrariamente, = 0,
los valores de y obtenidos arriba demuestran la afirmacin. Si asignamos otro valor a ,
74
tambin podemos resolver el sistema para y .

En general, entonces, podemos decir
que:
x + y 5
2y x 7
=
, =
3
3
donde es un parmetro real. Por lo tanto, en este caso tambin es posible determinar explcitamente los valores de , y . Para probar que R2 6= G(u) basta encontrar un vector en
R2 que no sea combinacin lineal de u. Por ejemplo, si tomamos el vector (1, 0) R2 vemos
que no existe R : (1, 0) = (2, 1).
4. Claramente
G((1, 0), (0, 1)) =
E
(1, 0), (0, 1)
E
(1, 2), (3, 2)
G((1, 0), (1, 2), (5, 3)) = R2
5. Anlogamente,
R2 [x] = G(1, x, x2 )
= h2, 1 + x, x x2 i
= h1, 1 + x, 1 + x + x2 i
6. Es fcil ver que, en general,
Rn [x] = G(1, x, x2 , , xn )
7. hsen , cosi = {f (x) C (R) : f (x) = sen (x) + cos(x), , R}.

(
!
!
!
!)
1 0
0 1
0 0
0 0
,
,
,
8. M22 (R) = G
0 0
0 0
1 0
0 1
EJERCICIOS:
1. Caracterizar el espacio generado por los vectores (0, 1, 2) , (1, 3, 1) y (2, 11/2, 3)
2. Encontrar un conjunto generador del subespacio
(
!
)
a b
: a, b, c R M22 (R)
b c
3. Encontrar un conjunto generador de
W = {p(x) R2 [x] : p(0) = 0} R2 [x].
DEFINICIN 3.3.3 Sean u1 , u2 , , un V . Diremos que {u1 , u2 , , un } es un conjunto:

linealmente independiente (l.i.) ssi
n
X
i ui = 0V
i = 0 i = 1, , n
i=i
75
linealmente dependiente (l.d.) ssi

n
X
1 , , n K, no todos nulos :
i ui = 0V
i=i
OBSERVACIN:
1. Tambin se dice que los vectores u1 , u2 , , un son l.i. l.d., segn corresponda.
2. En ocasiones, se dice que los vectores u1 , u2 , , un son l.i. ssi
n
X
i ui = 0V
i = 0 i = 1, , n
i=i
Sin embargo, la implicancia es obvia (condicin necesaria), por lo que preferimos enfatizar la condicin suficiente .
EJEMPLOS:
1. El conjunto {(1, 0), (0, 1)} R2 es un conjunto l.i.
Basta formar
1 (1, 0) + 2 (0, 1) = (0, 0)

de donde se concluye que 1 = 0, 2 = 0. Es decir, los vectores (1, 0), (0, 1) son l.i.
2. El conjunto {(1, 2), (3, 1)} R2 es un conjunto l.i. Anlogamente, formamos
1 (1, 2) + 2 (3, 1) = (0, 0)
1 + 32 = 0
21 2 = 0
1 = 0, 2 = 0.
3. El conjunto {(1, 2), (3, 1), (5, 1)} R2 es un conjunto l.d. Como antes, formamos
1 (1, 2) + 2 (3, 1) + 3 (5, 1) = (0, 0)
de donde
1 + 32 + 53 = 0
21 2 + 3 = 0
Este es un sistema de 2 ecuaciones con 3 incgnitas, que tiene infinitas soluciones. Luego,
hemos probado que {(1, 2), (3, 1), (5, 1)} es l.d.
Es importante mencionar que, si bien 1 = 2 = 3 = 0 es una posible solucin del sistema,
no es la nica. Lo que hemos probado es que i , no todos nulos, que satisfacen la condicin
de la definicin.
76
4. El conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} R3 es un conjunto l.i.

5. El conjunto {(1, 0, 0), (0, 1, 0), (1, 1, 0)} R3 es un conjunto l.d. Basta notar que:
(1, 1, 0) = (1, 0, 0) + (0, 1, 0). En otras palabras, 1 , 2 , 3 no todos nulos tales que
1 (1, 0, 0) + 2 (0, 1, 0) + 3 (1, 1, 0) = (0, 0, 0)
Basta tomar, por ejemplo, 1 = 1, 2 = 1, 3 = 1.
6. El conjunto {(0, 1, 0), (1, 1, 0)} R3 es un conjunto l.i.
7. El conjunto {sen , cos} C (R) es un conjunto l.i.
En efecto, formamos
1 sen x + 2 cos x = 0
Derivando, obtenemos una segunda ecuacin que nos permite determinar 1 y 2 :
1 cos x 2 sen x = 0 .
Multiplicamos la primera ecuacin por 2 y la segunda por 1 ,
las sumamos y como este sistema debe satisfacerse para todos los valores posibles de x R,
necesariamente 12 + 22 = 0. La nica posibilidad es que 1 = 2 = 0.
8. El conjunto {ex , ex } C 1 [0, 1] es un conjunto l.i., siempre que 6= .
9. El conjunto {1, x, x2 , , xn } Rn [x] es un conjunto l.i.
OBSERVACIN:
1. Todo conjunto de vectores que contenga al vector nulo 0V es un conjunto l.d. En particular,
el conjunto {0V } es l.d.
2. Si un conjunto M de vectores es l.i., todo subconjunto de M tambin es l.i.
3. Si un conjunto de vectores N es l.d., todo conjunto que contenga a N ser l.d.
EJERCICIOS:
1. Suponga que V es un espacio vectorial y que el conjunto {u, v, w} V es l.i.
Es l.i. el conjunto {u + v, v + w, w + u}?
2. Bajo que condiciones para el escalar son linealmente dependientes los vectores (, 1, 0), (1, , 1)
y (0, 1, ) de R3 ?
TEOREMA 3.3.2 Sea X V, X 6= , X 6= {0V }, X finito. Entonces, Y X tal que Y es un
conjunto l.i. y G(X) = G(Y ).
OBSERVACIN: Este teorema afirma que cualquier subconjunto finito de vectores, salvo el que
contiene slo al 0V , tiene un subconjunto l.i. de vectores.
77
3.4.
CLASE 13: Bases y dimensin.
DEFINICIN 3.4.1 Sea B V un subconjunto finito (y ordenado). Diremos que B es una base
(ordenada) de V ssi se satisfacen las siguientes dos condiciones:
1. G(B) = V
2. B es l.i.
TEOREMA 3.4.1 Todo espacio vectorial tiene una base.
EJEMPLOS:
1. C = {(1, 0), (0, 1)} es una base de R2 .
2. B = {(1, 2), (3, 1)} es una base de R2 .
3. C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 .
4. B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} es una base de R3 .
5. C = {1, x, x2 , , xn } es una base de Rn [x].
6. B = {sen , cos} es una base de V = G({sen , cos}).
(
!
!
!
!)
1 0
0 1
0 0
0 0
,
,
,
es una base de M22 (R).
7. C =
0 0
0 0
1 0
0 1

8. El conjunto B = 3, x 1, x2 + x es base del espacio vectorial R2 [x].
OBSERVACIN: Las bases que hemos denotado por C se denominan bases cannicas de los respectivos espacios vectoriales.
TEOREMA 3.4.2 Sea V un espacio vectorial que tiene una base B con n vectores, es decir, la cardinalidad de B es n. Entonces, cualquier subconjunto de V de cardinalidad n + 1 es un conjunto
l.d.
Dem.: Sea B = {v1 , , vn } y sea v V tal que v 6 B. Formamos B {v}. Este ltimo conjunto
es l.d., pues, como B es base de V , cualquier vector v puede escribirse como combinacin lineal de
los elementos de B. Luego, existen escalares 1 , , n , n+1 no todos nulos tales que
1 v1 + 2 v2 + + n vn + n+1 v = 0V
OBSERVACIN: El teorema anterior dice que una base B de V es un conjunto l.i. maximal en V .
Pero, adems, permite demostrar el siguiente
78
3.4. CLASE 13: B ASES Y DIMENSIN .
TEOREMA 3.4.3 Si el espacio vectorial V sobre el cuerpo K tiene una base constituida por n vectores, entonces toda base de V tiene cardinalidad n.
Dem.: Sean B1 = {u1 , , un } y B2 = {w1 , , wm } dos bases de V, m 6= n. Como B1 es
base, el teorema anterior implica que m n. Como B2 es base, el teorema anterior implica que
n m. Luego, m = n.
DEFINICIN 3.4.2 Sea V un espacio vectorial sobre K y sea B = {u1 , , un } una base de V .
Diremos que n N0 (finita) es la dimensin de V sobre el cuerpo K. Escribimos dimK V = n,
simplemente dimV = n cuando no hay confusin posible acerca del cuerpo de escalares.
EJEMPLOS:
1. C = {(1, 0), (0, 1)} es una base de R2 . Se conoce como la base cannica de R2 .
B = {(1, 2), (3, 1)} es otra base de R2 . Claramente, dimR R2 = 2.
2. C = {(1, 0, , 0), (0, 1, 0, , 0), , (0, 0, , 1)} es una base de Rn . Se conoce como la
base cannica de Rn . Se acostumbra escribir los vectores de la base cannica como
e1 = (1, 0, , 0), e2 = (0, 1, 0, , 0), , en = (0, 0, , 1). En este caso, dimR Rn = n.
Si el espacio considerado es R3 , en las aplicaciones fsicas los vectores de la base cannica se

denotan por i , j , k , respectivamente.
3. A = {(2, 1, 0), (0, 0, 1)} es una base del subespacio V = {(x, y, z) R3 : x + 2y = 0}.
Luego, dimR V = 2.
4. C = {1, x, x2 , , xn } es la base cannica de Rn [x]. Luego, dimR Rn [x] = n + 1.
(
5. C =
1 0
0 0
!
,
0 1
0 0
!
,
0 0
1 0
!
,
0 0
0 1
!)
es la base cannica de M22 (R).
Por lo tanto, dimR M22 (R) = 4.

6. Para las matrices reales de orden m n se tiene que dimR Mmn (R) = m n.
7. Si K es un cuerpo, entonces, mirando este cuerpo como espacio vectorial sobre si mismo se
tiene dimK K = 1.
8. Considerando Cn como un espacio vectorial sobre C, se tiene que dimC Cn = n.
En cambio, considerando Cn como un espacio vectorial sobre R, se tiene que dimR Cn = 2n.
79
EJERCICIOS:
1. Determine una base y la dimensin de cada uno de los siguientes subespacios:
a) A = {(x, y, z) R3 : x y = 0, z 2x = 0} R3
b) B = {(2x, x, x + 2y, y) R4 : x, y R} R4
c) C = {(x, y, z, t) R4 : x + 3t = 0} R4
2. Determine la dimensin de B C del ejercicio anterior. Encuentre, si es posible, una base.
3. Encontrar la dimensin del subespacio
(
!
)
a b
: a, b, c R M22 (R)
b c
4. Encontrar la dimensin de
TEOREMA 3.4.4
W V
W = {p(x) R2 [x] : p(0) = 0} R2 [x].
dimW dimV
Dem. Supongamos que dimV = n. Notamos que si un conjunto de vectores es l.i. en W , tambin
es l.i en V . Ahora, cualquier conjunto l.i. en W tiene cardinalidad, a lo ms n.
Si W = {0V }, entonces dimW = 0. Si W 6= {0V }, sea v1 W no nulo y consideremos
W1 = hv1 i. Si W1 = W , entonces dimW = 1 y la afirmacin queda probada. Si W1 6= W ,
escogemos un v2 W tal que v2 6 W1 y formamos W2 = hv1 , v2 i y procedemos anlogamente.
Seguimos inductivamente hasta formar Wk = hv1 , , vk i = W . Claramente, el proceso termina
porque es posible encontrar a lo ms n vectores l.i. en W . Luego, dimW = k n.
TEOREMA 3.4.5 (completacin de una base) Sea V un espacio vectorial sobre K, de modo que
dimK V = n. Sea W V con dimK W = m, y base B = {u1 , u2 , , um }; entonces, existen
vectores um+1 , um+2 , , un V : B {um+1 , um+2 , , un } es una base de V .
Dem. La demostracin es anloga a la del teorema anterior.
EJERCICIOS:
1. Sea A = {(1, 2, 3), (2, 1, 1)}. Verifique que A es l.i. y complete este conjunto para obtener
una base de R3 .
2. Sea A = {1, 1 + x, x2 + x3 }. Verifique que A es l.i. y complete este conjunto para obtener una
base de R3 [x].
80
3.4. CLASE 13: B ASES Y DIMENSIN .
(
3. Sea A =
1 1
2
0
!
,
0 1
3
4
!
,
1 0
1 1
!)
. Verifique que A es l.i. y complete este
conjunto para obtener una base de M (R, 2 2).
TEOREMA 3.4.6 Sea V un espacio vectorial con dimK V = n. Si B V, B = {u1 , , un } es un

conjunto l.i., entonces B es una base de V .
OBSERVACIN: El teorema 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.
EJERCICIOS:
1. Determine si los siguientes son base de R4 . Si no lo son, forme una base de R4 utilizando el
mximo posible de vectores del conjunto dado.
a) A = {(0, 1, 1, 0), (1, 0, 2, 1), (1, 3, 0, 0), (2, 2, 0, 1)}
b) B = {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}
2. Determine si los siguientes son base de R2 [x]. Si no lo son, forme una base de R2 [x] utilizando
el mximo posible de vectores del conjunto dado.
a) C = {1, 1 + x, 1 + x + x2 }
b) D = {x + x2 , 1 + x, 1 + x2 }
TEOREMA 3.4.7 Sea B = {u1 , , un } V . B es una base de V ssi todo vector de V puede ser
escrito de manera nica como una combinacin lineal de los vectores ordenados u1 , , un .
OBSERVACIN: Este teorema dice que dado un vector cualquiera en un espacio vectorial V con
una base dada B, los coeficientes del vector con respecto a esa base ordenada B son nicos, vale
decir, si
v V, ! i R, i = 1, , n : v = 1 u1 + 2 u2 + + n un
Esto permite definir las coordenadas de v con respecto a la base B, usando los coeficientes i que
acompaan a los vectores ui . La matriz columna .

se llama matriz de coordenadas de v
..
n
con respecto a la base B. Usaremos la notacin [v]B .
81
EJEMPLOS:
1. En R3 , considere las bases ordenadas B = {(1, 2, 3), (1, 0, 1), (0, 2, 0)} y la base cannica
de R3 . Determine la matriz de coordenadas del vector (2, 8, 6) con respecto a ambas bases,
es decir, encuentre [(2, 8, 6)]B y [(2, 8, 6)]C .
Como (2, 8, 6) = 1 (1, 2, 3) + 3 (1, 0, 1) 5 (0, 2, 0),
se tiene que
[(2, 8, 6)]B = 3
5
Como (2, 8, 6) = 2 (1, 0, 0) + 8 (0, 0, 1) 6 (0, 0, 1),
se tiene que
[(2, 8, 6)]C = 8
6
2. En R2 [x], considere las bases ordenadas B = {1, x + 1, x2 + 1} y la base cannica de R2 [x],
con n = 2. Determine la matriz de coordenadas del polinomio p(x) = 2x+3x2 con respecto
a ambas bases.
Tenemos que
p(x) = 2 x + 3x2
= 1 (1) + 2 (x + 1) + 3 (x2 + 1)
= (1 + 2 + 3 ) 1 + 2 x 3 x2
luego,
1 + 2 + 3 =
2
2 = 1
3 =
3
Resolviendo, obtenemos [p(x)]B = (6, 1, 3) y, como antes, las coordenadas con respecto
a la base C coinciden con el vector, vale decir, [p(x)]C = (2, 1, 3).
82
3.5.
1. Determine, justificando su respuesta, si los siguientes conjuntos son subespecies de R2 :

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

Determinar todos los R para los cuales {u~1 , u~2 , u~3 } es una base de R3 .
3.
83
84
Captulo 4
Diagonalizacin
4.1.
CLASE 14: Valores y Vectores Propios
Hasta ahora la mayora de nuestros clculos los hemos motivado o llevado a sistemas de ecuaciones algebraicas. Daremos ahora una motivacin algo diferente. Muchas aplicaciones estn relacionadas con ecuaciones diferenciales, como vimos en la parte de clculo de este curso. Incluso,
la ecuacin puede ser ms compleja y que varias cantidades estn relacionadas a travs de sus
variaciones. Por ejemplo, consideremos las ecuaciones
du1
dt
du2
dt
= 7u1 4u2
= 5u1 2u2
Estas dos ecuaciones relacionan las variaciones de las funciones u1 y u2 , y pueden ser escritas en la
forma matricial
!
!
!
u01
7 4
u1
=
u02
5 2
u2
o de manera equivalente
u0 = Au
donde
u0 =
u01
u02
!
,
A=
7 4
5 2
!
y
u=
u1
u2
Como las soluciones de la ecuacin diferencial (de variable separable) u0 = u tienen la forma
u = et , buscamos soluciones de la ecuacin anterior de la forma
u1 = 1 et
u2 = 2 et
Si estas expresiones son soluciones, entonces (derivando y sustituyendo)
1 et = 71 et 42 et
2 et = 51 et 22 et
85
C APTULO 4. D IAGONALIZACIN
de donde
7 4
5 2
1
2
!
=
1
2
En decir, podemos construir soluciones para

du1
dt
du2
dt
= 7u1 4u2
= 5u1 2u2
de la forma
u1 = 1 et
u2 = 2 et
siempre y cuando podamos encontrar y x =
1
2
!
que cumplan la ecuacin
Ax = x
Claramente, x = 0 satisface esta igualdad, pero no nos entrega informacin til sobre la solucin
del sistema. Lo que realmente necesitamos son escalares y vectores x 6= 0 que cumplan Ax = x.
Como podemos escribir la ecuacin Ax = x en la forma
(A I) x = 0
esto significa que para que el sistema de ecuaciones homogneo tenga soluciones no nulas, los
escalares interesantes son aquellos para los cuales det (A I) = 0. Estas observaciones motivan las siguientes definiciones:
DEFINICIN 4.1.1 Sean A una matriz de orden n n, un escalar y x un vector no nulo de orden
n 1, que satisfacen
Ax = x
Diremos que es un valor propio de la matriz A y x es un vector propio asociado al valor propio . El
conjunto de todos los valores propios de la matriz A se denota (A) y se llama espectro de A.
OBSERVACIN:
(A)
A I es singular
det(A I) = 0
Es decir, para encontrar los valores propios de una matriz A se debe buscar aquellos escalares
tales que det(A I) = 0 . Note que det(A I) es un polinomio en al que llamaremos
polinomio caracterstico de la matriz A y lo denotaremos por PA ().
86
4.1. CLASE 14: VALORES Y V ECTORES P ROPIOS
Si PA () es el polinomio caracterstico de la matriz A entonces PA () = 0 es la ecuacin

caracterstica de la matriz A.
A los valores propios de una matriz A se les llama tambin valores caractersticos o eigenvalores,
y los correspondientes vectores propios se denominan, consecuentemente, vectores caractersticos o eigenvectores.
EJEMPLOS:

3 0 0
3 0 0
1
1

1. Sea A = 0 5 0 .
Entonces, 0 5 0 0 = 3 0
0 0
0 0
0
0

1

y luego v = 0 es un vector propio de A asociado al valor propio -3 de A.
0

3 0 0
0
0
0

Anlogamente, 0 5 0 1 = 5 1
y luego v = 1 es un
0
vector propio de A asociado al valor propio 5 de A,

3 0 0
0
0

0 5 0 0 = 0
0 0
1
1
0

y luego v = 0 es un vector propio
1
de A asociado al valor propio de A.

2. Generalizando esta idea, sea A = (aij ) Mnn (R) una matriz diagonal. Entonces,
a11 0
0 a22
..
.
0
..
.
..
aii
..
0
0
..
.
ann
0
0
..
.
1
..
.
0
0
0
..
.
= aii
1
..
es decir, los vectores de la base cannica de Rn son vectores propios de A, asociados a los
respectivos valores propios aii , i = 1, , n.
87
3. Encontrar los valores propios de la matriz

Solucin:
A=
7 4
5 2
!
.
Calculamos

7
4

det (A I) =
5
2

= 2 5 + 6

Luego los valores propios son las soluciones de la ecuacin

2 5 + 6 = 0
es decir,
1 = 2 y 2 = 3, de donde (A) = {2, 3}.
Determinemos ahora los correspondientes vectores propios:

Si 1 = 2, buscamos un vector x = (x y)t tal que
!
!
!
7 4
x
x
=2
5 2
y
y
!
x
es solucin del sistema homogneo
Es decir,
y
!
!
!
5 4
x
0
=
5 4
y
0
!
4
t
5
que tiene infinitas soluciones de la forma
con t R. Luego, el conjunto de
t
*
!+
4
R2 .
soluciones puede representarse como
5
Si 2 = 3, buscamos un vector x = (x y)t tal que
!
!
!
7 4
x
x
=3
5 2
y
y
!
x
Es decir,
es solucin del sistema homogneo
y
!
!
!
4 4
x
0
=
5 5
y
0
!
t
que tiene infinitas soluciones de la forma
con t R.
t
*
!+
1
soluciones puede representarse como
R2 .
1
88
Luego, el conjunto de
PROPOSICIN 4.1.1
Si es un valor propio de la matriz A de orden n n, entonces

W = {x Rn : Ax = x}
es un espacio vectorial al que llamaremos espacio propio asociado a .
OBSERVACIN: Si A es una matriz de orden n n entonces el polinomio carcterstico tiene grado

n. Por el Teorema Fundamental del Algebra, tiene entonces n races complejas, contando multiplicidades. Y, por lo tanto, si A es de orden n n, A posee a lo ms n valores propios reales.
DEFINICIN 4.1.2 Sea A una matriz y sea (A). Llamaremos
multiplicidad algebraica del valor propio a la multiplicidad de como raz del polinomio
caracterstico.
multiplicidad geomtrica del valor propio a la dimensin del espacio propio asociado W .
PROPOSICIN 4.1.2 Sea A una matriz de orden n n. Entonces:

1. La suma de los valores propios de A (contando multiplicidad algebraica) es igual a la traza
de A.
2. El producto de los valores propios de A (contando multiplicidad algebraica) es igual al determinante de A.
3. Los valores propios de una matriz triangular superior son los elementos de su diagonal principal.
EJEMPLOS:
1. Sea A =
Solucin:
=0
Para = 0 :
1 1
1 1
!
.
Determine los valores, vectores y espacios propios correspondientes.

1
1

Claramente, det(A I) =
= 2 2 = 0
1
1
=2
1 1
1 1
x
y
!
=0
x
y
!
=
x+y =0
y = x
Luego, el vector (1, 1) es un vector propio asociado al valor propio = 0, y el espacio

propio asociado es h(1, 1)i.
89
Para = 2 :
1 1
1 1
x
y
!
=2
x
y
!
=
x + y = 2x
x + y = 2y
xy =0
Luego, el vector (1, 1) es un vector propio asociado al valor propio = 0, y el espacio propio
asociado es h(1, 1)i.
!
0 1
2. Sea A =
. Determine los valores, vectores y espacios propios correspondientes.
1 0

1

Solucin: Claramente, det(A I) =
= 2 + 1 = 0 = i
1
En este caso, vemos que los valores propios no son nmeros reales, sino complejos. As, es
posible que una ecuacin caracterstica no tenga soluciones en R o que algunas soluciones
no pertenezcan a R. Por ello, es importante precisar el cuerpo que se est considerando. En
nuestro caso, ser R. En el ejemplo, entonces, podemos afirmar que esta matriz no posee
valores propios reales y por lo tanto no tiene vectores propios asociados en R2 .
1 2 3
3. Sea A = 0 2 3 . Determine los valores, vectores y espacios propios correspondientes.

0 0 2

1
2
3

Solucin: Aqu, det(A I) = 0
2
3 = (1 )(2 )2 = 0

0
0
2
de donde los valores propios son
=1
=2
Buscamos ahora los correspondientes vectores propios.
Para 1 = 1:

1 2 3
x
x

0 2 3 y = 1 y
0 0 2
z
z

0 2 3
x
0

= 0 1 3 y = 0
0 0 1
z
0

1

y = z = 0 y por lo tanto un vector propio asociado es 0 y
el espacio propio
0
correspondiente es el eje x.
Para 2 = 2:

1 2 3
x
x

0 2 3 y = 2 y
0 0 2
z
z
90

1 2 3
x
0

0 0 3 y = 0
0 0 0
z
0
2

z = 0 x = 2y y por lo tanto un vector propio asociado es 1 y el espacio propio
0
correspondiente es el generado por este vector.
EJERCICIOS:
1. Para las matrices
A=
0 1
1 0
!
,
3 1 3
B = 20 3 10
2 2 4
0 0 1
C= 0 2 0
3 0 0
determinar los polinomios caractersticos, valores propios, espacios propios asociados y las
multiplicidades correspondientes.
2. Considere la matriz
A=
a b
c d
Encontrar su polinomio caracterstico y expresar sus coeficientes en trminos de traza y determinante.

3. Determine el polinomio caracterstico, valores propios, espacios propios asociados y las multiplicidades correspondientes de la matriz
1
0 0
A = 1 2 0
1
0 1
4. Determine, si es posible, los valores, vectores y espacios propios correspondientes en cada
uno de los siguientes:
1
2
2 1
a) A =
0
2 1
b) B = 2 1
0
0
0
0
1 2
1
c) C = 2 0 2
1 2
3
1 1 1
d) D = 0 0 1
0 0 1
91
4.2.
CLASE 15: 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 IP

= det P 1 (A I) P

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

que se presenta a continuacin, es encontrar una matriz P adecuada de tal forma que P 1 AP sea
lo ms sencilla posible (ojal diagonal) para poder encontrar el polinomio carcaterstico. El clculo
anterior motiva la siguiente definicin:
DEFINICIN 4.2.1 Dos matrices A y B de orden n n se dice similares si existe una matriz no
singular P tal que P 1 AP = B.
OBSERVACIN: Como se vi arriba, dos matrices similares poseen el mismo polinomio caracterstico, y por lo tanto, el mismo espectro.
DEFINICIN 4.2.2 Diremos que una matriz A de orden n n es diagonalizable si existe una matriz
P del mismo orden y no singular tal que P 1 AP = D donde D es una matriz diagonal.
La pregunta obvia es Es toda matriz es diagonalizable? La respuesta es no. Consideremos, por

ejemplo, la matriz
!
0 1
A=
0 0
Entonces A2 = [0]22 Luego, si existiera una matriz P no singular tal que P 1 AP = D con D
diagonal se tendra
D2 =
P 1 AP

P 1 AP = P 1 A2 P
= P 1 [0] P = [0]
de donde necesariamente D = [0] y as A = [0] lo que es una contradiccin.
92
4.2. CLASE 15: D IAGONALIZACIN
Entonces cuales matrices son diagonalizables? Note lo siguiente
Ann P = D =
1 0 0
0 2 0
..
.. . .
.
. ..
.
.
0 0 n
de donde
AP = P D
Si ponemos
h
P =
v1 v2 vn
donde vi son los vectores columnas de P entonces

h
i
AP = Av1 Av2 Avn
y
PD =
1 v1 2 v2 n vn
Se sigue que i = 1, 2, . . . , n se cumple Avi = i vi , es decir, P 1 Ann 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 afirmacin
es probada fcilmente.
TEOREMA 4.2.1 Una matriz es diagonalizable si y solo si el espacio tiene una base de vectores
propios de la matriz. En tal caso podemos obtener una matriz que diagonaliza a A poniendo los
vectores de tal base como columnas de la matriz P .
EJEMPLO 4.2.1 Diagonalizar la matriz
1
4 4
A = 8 11 8
8
8
5
Solucin: El polinomio carcaterstico es ( 1) ( + 3)2 y luego los valores propios son = 1
y = 3 que tiene multiplicidad algebraica 2.
Es fcil ver que
W=1
*
+
1
= 2
2
W=3

* 1
1 +

= 1 , 0 .
0
1
93

1
1
1

Como los vectores propios 2 , 1 , 0 son L.I., la matriz es diagonalizable y
2
0
1
1
1 1 1
1
4 4
1 1 1
1 0
0
2 1 0 8 11 8 2 1 0 = 0 3 0
2 0 1
8
8
5
2 0 1
0 0 3
El problema de la diagonalizacin se reduce a poder encontrar una base de vectores propios.

Note que, en el ejemplo, las multiplicidad aritmtica y geomtrica de ambos valores propios coincidieron. Esto no es siempre as y se tiene el siguiente teorema:
TEOREMA 4.2.2 Para cada valor propio se cumple que la multiplicidad geomtrica es menor igual
que la multiplicidad algebraica.
TEOREMA 4.2.3 Sean 1 , 2 (A), 1 6= 2 . Entonces los correspondientes vectores propios
son L.I., es decir, si v1 es un vector propio asociado a 1 y v2 es un vector propio asociado a 2 ,
entonces v1 , v2 son vectores linealmente independientes.
De esta forma, de cada subespacio propio, podemos extraer a lo ms tantos vectores propios
l.i. como la multiplicidad algebraica que tenga el valor propio.
Luego el problema de la diagonalizacin se reduce al siguiente teorema:
TEOREMA 4.2.4 Una matriz es diagonalizable si y solo si para todo valor propio la multiplicidades
algebraicas y geomtricas coinciden.
COROLARIO 4.2.1 Si todos los valores propios son distintos entonces la matriz es diagonalizable.
OBSERVACIN: El recproco de este corolario no es cierto.
EJERCICIOS: Determinar si las siguientes matrices son diagonalizables
1 1 2
A= 8
11 8
10 11
7
Respuesta: A no lo es y B si.
94
1
4 4
B = 8 11 8
8
8
5
4.3. CLASE 16: A PLICACIN : FORMA CANNICA DE CUADRTICAS
4.3.
CLASE 16: Aplicacin: forma cannica de cuadrticas
Hemos estudiado el problema de la diagonalizacin en general. Ahora estudiaremos el caso

particular en que la matriz es real y simtrica.
PROPOSICIN 4.3.1 Sea A una matriz real y simtrica; entonces:
1. (A)
R.
Es decir, todos los valores propios de A son reales.
2. i , j (A), i 6= j
= vi vj . Es decir, si i 6= j son valores propios de A,
los elementos de Wi son perpendiculares a los elementos de Wj . Escribimos en este caso
W i W j .
Dem.:
1. Recordemos que si v
Rn ,
v = (v1 , , vn ), entonces
vv =
n
X
vi2 .
i=1
Matricialmente, si v es un vector columna, este producto puede representarse en la forma:
v1
.
.
vT v = (v1 vn )
.
vn
Adems, si A Mnn (R), v Rn es un vector columna, entonces Av Rn es un vector
columna.
Con estas ideas en mente, sea (A) y sea x un vector propio asociado a . Entonces
Ax = x
Ax = x
Recordemos que z C es real si y solo si z = z. Por lo anterior y aplicando x por la

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

T
Ax x =
x T AT x
= (x)T AT x
= (x)T Ax
pues A es real
pues A es simtrica
= (x) x
n
X
=
|xi |2
i=1
95
Igualando ambas expresiones, obtenemos
n
X
|xi |2 = 0
i=1
y como x 6= 0 se sigue que = , es decir, R.

2. Notar que si Ax = i x y Ay = j y entonces
i hx, yi = hi x, yi = hAx, yi

= x, AT y = hx, Ayi
= hx, j yi
= j hx, yi
Luego:
(i j ) hx, yi = 0
hx, yi = 0
de donde x y.
As, al diagonalizar una matriz simtrica, los vectores propios asociados a valores propios distintos son ortogonales. Sin embargo, si la multiplicidad algebraica de un vector propio difiere de la
multiplicidad geomtrica, los vectores propios que generan los espacios propios asociados a dicho
valor propio no tienen por qu ser perpendiculares. Para obtener una base del espacio formada por
vectores todos ortogonales entre s, podemos ortogonalizar estos vectores realizando el siguiente
proceso:
4.3.1.
Proceso de ortogonalizacin de Gram-Schmidt
Supongamos que x1 , x2 , . . . , xm son vectores L.I en Rn . Es posible construir vectores ortogonales y1 , y2 , . . . , yn tales que para cada k = 1, 2, . . . , m se cumple
G ({x1 , x2 , . . . , xk }) = G ({y1 , y2 , . . . , yk })
Los vectores yi se construyen siguiendo un anlogo a la contruccin de la proyeccin ortogonal:
y1 = x1
y2 = x2
hx2 , y1 i
y1
ky1 k2
..
.
yk+1 = xk+1
k
X
hxk+1 , yj i
j=1
96
kyj k2
yj
EJEMPLO 4.3.1 Sean x1 = (3, 0, 4) , x2 = (1, 0, 7) y x3 = (2, 9, 11) en R3 . Aplicando el proceso de

Gram - Schmidt se obtienen los vectores
y1 = (3, 0, 4)
y2 = (1, 0, 7)
h(1, 0, 7) , (3, 0, 4)i

(3, 0, 4)
k(3, 0, 4)k2
= (4, 0, 3)
y3 = (2, 9, 11)
h(2, 9, 11) , (3, 0, 4)i

h(2, 9, 11) , (4, 0, 3)i
(3, 0, 4)
(4, 0, 3)
25
25
= (0, 9, 0)
Obtenemos as un conjunto ortogonal de vectores que generan el mismo espacio vectorial que
el conjunto de los xi .
DEFINICIN 4.3.1 Diremos que una base B = {u1 , u2 , . . . , un } de un espacio vectorial V es una
base ortonormal, si los vectores de la base son ortogonales entre s y tienen norma 1.
TEOREMA 4.3.1 Sea A una matriz real y simtrica. Entonces, A es diagonalizable. Adems, existe
una base ortonormal de vectores propios asociados a A. La diagonalizacin puede ser llevada a
cabo en la forma
V T AV = D
donde V es una matriz ortonormal, es decir, es una matriz tal que V 1 = V T y sus columnas
son vectores propios ortonormales y D es la matriz diagonal que tiene los valores propios en su
diagonal principal.
De esta forma podemos describir todas las matrices simtricas de la siguiente forma:
PROPOSICIN 4.3.2 A es una matriz real simtrica si y solo si existe una matriz ortonormal V y
una matriz diagonal D tal que
A = V DV T
EJEMPLO 4.3.2 Sea
0 1 1
A= 1 0 1
1 1 0
a) Determine los valores propios y espacios propios asociados.
97
b) Verificar que para valores propios distintos i y j se cumple Wi Wj

c) Determine una base ortonormal de vectores propios
d) Encontrar una matriz ortonormal V tal que V T AV = D
Solucin:

1
1

a) |A I| = 1 1

1
1
1 1
Para = 1 :
1 1
1 1

= ( + 1)2 ( 2)

1
x
0

1 y = 0
1
z
0
que es un subespacio vectorial de dimensin 2:
(A) = {1, 2}
x+y+z =0
W1 = h(1, 0, 1), (0, 1, 1)i
Para = 2 :

2 1
1
x
0

1 2 1 y = 0
1
1 2
z
0
que es un subespacio vectorial de dimensin 1:

b) h(1, 0, 1), (1, 1, 1)i = 0
2x + y + z = 0
x 2y + z = 0
W2 = h(1, 1, 1)i
h(0, 1, 1), (1, 1, 1)i
Dejamos c) y d) como ejercicio.
4.3.2.
Formas cuadrticas.
Escribiremos los vectores de Rn como columnas por consistencia para poder multiplicarlos con
las matrices.
x1
x2
DEFINICIN 4.3.2 Si A es una matriz de orden n n y x = .

R decimos que
.
.
xn
T
F (
x ) = (
x ) A (
x)
es una forma cuadrtica en las variables (x1 , x2 , . . . , xn ).
OBSERVACIN: Note que F (

x ) R.
98
Ilustracin:
Sean A =
Formas cuadrticas en R2
a b
c d
!
,
x
y
x=
F (x) =
x y
!
R2 .
a b
c d
Entonces:
x
y
!
= ax2 + dy 2 + (b + c) xy
Note que:

x y
a b
c d
x
y
!
=
b+c
2
b+c
2
x y
x
y
y que
B=
b+c
2
b+c
2
es una matriz simtrica.

T
OBSERVACIN:
Toda forma cuadrtica F (
x ) = (
x ) A (
x ) puede ser escrita en la forma
T
F ( x ) = ( x ) B ( x ) donde B es simtrica. En efecto:

A + AT
T
T
(
x)
(x) A(x) = (x)
2
EJEMPLO 4.3.3 Escribir la forma cuadrtica F (x1 , x2 , x3 ) = x21 + 3x1 x2 2x1 x3 + x22 + x2 x3 + 2x33
en forma matricial, usando una matroz simtrica.
Solucin:
x1

1 3 2
F (x1 , x2 , x3 ) = x1 x2 x3 0 1 1 x2
0 0 2
x3
Sin embargo, podemos representarla con una matriz simtrica:
T
1 3 2
1 3 2
0 1 1 + 0 1 1
0 0 2
0 0 2
2
As
F (x1 , x2 , x3 ) =
x1 x2 x3
3
2
3
2
1
2
1
2
3
2
3
2
1
2
x1
1
2 x2
2
x3
99
TEOREMA 4.3.2 Toda forma cuadrtica en Rn puede escribirse en la forma

F (y1 , y2 , . . . , yn ) =
n
X
i yi2
i=1
llamada forma cannica asociada.
Dem.: Si F (
x ) = (
x ) A (
x ) es una forma cuadrtica podemos suponer que A es simtrica.
Toda matriz simtrica puede escribirse en la forma
A = V DV T
Entonces
T
T
(
x ) A (
x ) = (
x ) V DV T (
x)

T
= V T
x D V T (
x)
T
= (
y ) D (
y)
donde
y = V T (
x ).
DEFINICIN 4.3.3 (Clasificacin de formas cuadrticas)
T
forma cuadrtica F (
x ) = (
x ) A (
x ) es
Sea A una matriz real. Diremos que la
definida positiva si
x Rn ,
x =
6 0 se cumple que F (
x ) > 0.
definida negativa si
x Rn ,
x 6= 0 se cumple que F (
x ) < 0.
semidefinida positiva si
x Rn se cumple que F (
x ) 0.
semidefinida negativa si
x Rn , se cumple que F (
x ) 0.
indefinida si la forma cambia de signo dependiendo de

x.
OBSERVACIN: Haciendo uso de la forma cannica de una forma cuadrtica, es fcil analizar si
sta es definida positiva, negativa, indefinida, etc.
100
4.4. CLASE 17: A PLICACIN : S ECCIONES CNICAS ROTADAS
4.4.
CLASE 17: Aplicacin: Secciones cnicas rotadas
DEFINICIN 4.4.1 Una ecuacin cuadrtica en las variables x, y es una ecuacin de la forma
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
donde A, B, C, D, E son nmeros reales y al menos uno de los coeficientes A, B, C es no nulo.
Podemos escribir la ecuacin cuadrtica
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
en forma matricial:

x y
A B
B C
x
y
!
+
x
y
D E
x
y
!
+F =0
Si ponemos
L=
A B
B C
!
,
x =
K=
D E
entonces la ecuacin cuadrtica se escribe en la forma
x T L
x + K
x +F =0
Note que
x T L
x es una forma cuadrtica, donde L es una matriz simtrica.
Utilizando diagonalizacin para matrices simtricas mostraremos que siempre es posible rotar
los ejes de coordenadas de tal manera que la ecuacin con respecto al nuevo sistema no tenga
trminos en xy. El procedimiento es el siguiente:
Encontrar una matriz ortonormal V que diagonalice a la matriz L.
Utilizamos la transformacin de coordenadas
!
x
VT
=
y
x0
y0
utilizando una matriz V tal que det V = 1, garantizando as que es una matriz de rotacin.
Encontramos la ecuacin de la cnica en el nuevo sistema X 0 Y 0 en la forma
!
!
!!T
x0
x0
x0
V
LV
+ KV
+F = 0
y0
y0
y0
!T
!
!
0
0
x0
x
x
V T LV
+ KV
+F = 0
y0
y0
y0
101
Como V diagonaliza a L se sigue

1 0
0 2
V LV =
donde 1 y 2 son los valores propios de L. De esta forma la ecuacin de la cnica queda
1 x0
2
+ 2 y 0
2
+ D 0 x0 + E 0 y 0 + F = 0
ecuacin que no tiene trminos en xy.
EJEMPLO 4.4.1 Dada la ecuacin cuadrtica

20
80
5x2 4xy + 8y 2 + x y + 4 = 0
5
5
encontrar una base en R2 de tal forma que se pueda escribir la ecuacin sin trminos xy y se pueda
identificar de que cnica se trata.
Solucin:
La forma matricial de la ecuacin cuadrtica es
x T L
x + K
x +F =0
donde
5 2
2 8
L=
!
,K =
20
80
Primero encontramos los valores propios de L :

5 2

2 8
y
x =
x
y

= 0

2 13 + 36 = 0
se sigue 1 = 4 y 2 = 9. Ahora buscamos los vectores propios asociados:
Para 1 = 4 se tiene
esto es
x
y
!
G
2
1
1 2
2 4
4 2
2 1
x
y
0
0
0
0
Para 2 = 9
102
x
y
lo que es equivalente a
x
y
1
2
!
.
Estos dos vectores son ortogonales y los normalizamos k(2, 1)k =

la matriz que diagonaliza a L con determinante 1 es
!
2
1
5
5
V =
1
2
se sigue que el cambio de coordenadas es

!
x
=
y
2
5
1
5
5 = k(1, 2)k entonces
15
2
5
x0
y0
sustituyendo se obtiene
x0
y0
!T
x0
y0
V LV
!
+ KV
x0
y0
!
+F =0
en este caso
x0
y0
!T
4 0
0 9
x0
y0
!
+
20
80
2
5
1
5
15
2
5
x0
y0
!
+4=0
es decir
4(x0 )2 + 9(y 0 )2 8x0 36y 0 + 4 = 0
que corresponde a la elipse
(x 1)2 (y 0 2)2
+
=1
9
4
OBSERVACIN: Es posible realizar el mismo procedimiento para ecuaciones cuadrticas en tres o

ms variables.
103
4.4.1.
Aproximacin geomtrica a la clasificacin de cudricas en el plano
Consideremos 2 sistemas de coordenadas en el plano cartesiano, con el mismo origen O, con

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

x0 = r cos
x = r cos( + )
y 0 = r sen
y = r sen( + )
Luego, las coordenadas de un punto (x, y) en el sistema cartesiano XY puede escribirse en la

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

!
!
!
cos sen
x0
x
=
sen
cos
y0
y
104
!
cos sen
La matriz C =
se llama matriz de rotacin. Notar que det C = 1. En genesen
cos
ral, cualquier matriz C cuyo determinante sea igual a 1, es una matriz de rotacin, que preserva la
orientacin. Ms general an, cualquier matriz C tal que det C = 1 se llama matriz ortogonal. Si
det C = 1, se dice que C es una matriz de rotacin que preserva la orientacin, y si det C = 1, se
dice que C es una matriz de rotacin que invierte la orientacin.
Volviendo a lo anterior, es claro entonces que cualquier ecuacin de la forma

Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
en el sistema coordenado XY puede ser reescrita en el sistema coordenado rotado X 0 Y 0 . Para ello,
basta sustituir las correspondientes expresiones para x e y en la ecuacin, y obtenemos:
A(x0 cos y 0 sen )2 + 2B(x0 cos y 0 sen )(x0 sen + y 0 cos ) + C(x0 sen + y 0 cos )2 +
+D(x0 cos y 0 sen ) + E(x0 sen + y 0 cos ) + F = 0
Agrupando, podemos escribir esta ltima ecuacin en la forma:

A0 (x0 )2 + 2B 0 (x0 )(y 0 ) + C 0 (y 0 )2 + D0 x0 + E 0 y 0 + F 0 = 0,
A0
= A cos2 + 2B cos sen + C sen2
B0
= 2(C A) sen cos + 2B(cos2 sen2 )
C0
= A sen2 2B sen cos + C cos2
con
D0 = D cos + E sen
E0
= D sen + E cos
F0
= F
Si transformamos la ecuacin en una en el que el trmino mixto x0 y 0 no aparezca, podemos

reconocer fcilmente la cnica, con lo aprendido en MAT021. Necesitaramos entonces que B 0 = 0,
es decir,
105
2(C A) sen cos + 2B(cos2 sen2 ) = 0
(C A) sen(2) + 2B cos(2) = 0
cotg (2) =
AC
2B
As, podemos escribir el siguiente
TEOREMA 4.4.1
Si la ecuacin Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
se transforma en
0
0
2
0
0
0
0
0
2
0
0
0
0
0
A (x ) + 2B x y + C (y ) + D x + E y + F = 0 por una rotacin en un ngulo (en sentido
positivo), entonces:
(i) C 0 + A0 = C + A
(ii) (B 0 )2 + (C 0 A0 )2 = B 2 + (C A)2
(iii) (B 0 )2 A0 C 0 = B 2 AC
Adems, existe un nico ngulo , 0 < < /2, tal que B 0 = 0, y tal ngulo est determinado
por
2B
AC
, si B 6= 0
tan(2) =
, si A 6= C.
cotg (2) =
2B
AC
Adicionalmente, el lugar geomtrico de los puntos del plano que satisfacen la ecuacin original
es:
(a) una elipse, (un punto el vaco, en el caso degenerado) si B 2 AC < 0
(b) una parbola, (una dos rectas paralelas, en el caso degenerado) si B 2 AC = 0
(c) una hiprbola (dos rectas que se intersectan, en el caso degenerado) si B 2 AC > 0
EJERCICIOS: En cada uno de los siguientes ejercicios, encuentre una base ortonormal de R2 y las
ecuaciones de rotacin correspondientes que permiten escribirla en la forma cannica e identifique
la cnica que representa.
1. 2x2 4xy y 2 + 8 = 0
4. 9x2 4xy + 6y 2 10x 20y = 5
2. x2 + 2xy + y 2 + 8x + y = 0
5. 3x2 8xy 12y 2 30x 64y = 0
3. 5x2 + 4xy + 5y 2 = 9
6. 2x2 4xy y 2 4x 8y = 14
106
4.5.
1. Dada la ecuacin
9x2 6xy + 17y 2 + 24 10 x + 56 10 y = 208
a) Encuentre la ecuacin cannica del L.G. que representa.

b) Encontrar la ecuaci?on de una directriz en el sistema x y.
c) Grafique la curva en el sistema x y.
2.
3.
107
108
Captulo 5
Sucesiones y Series Numricas
5.1.
CLASE 18: Sucesiones
Considere el problema de aproximar el valor de 2 a travs del siguiente mtodo: sabemos
que 2 I1 = [1, 2]; dividamos el intervalo en dos subintervalos de igual longitud = 12 , digamos

00
I10 = 1, 32 y I1 = 23 , 2 . Es fcil ver que 2 I10 ; llamemos I2 a tal intervalo. Ahora bien, como
2 I2 podemos dividir I2 en dos subintervalos I20 y I200 ambos de longitud 41 (longitud I2 ) = 212 , al
cual pertenezca 2; le llamamos I3 . Repetimos en forma inductiva este proceso, y de esta manera
obtenemos intervalos In tales que 2 In . Adems, la longitud de In es 21n . Sean xn , yn los

extremos izquierdo y derecho del intervalo In ; entonces
x n 2 yn
para todo n N
Se sigue que
0
Esto nos dice que
1
2 xn (yn xn ) = n
2
1
para todo n N
2n
En otras palabras, el extremo izquierdo de los intervalos In se va acercando al valor de 2 a

medida que n crece. As, por ejemplo, x10 est a distancia menor igual que
0
2 xn
1
= 9. 765 6 104
210
de
2.
En este ejemplo, a cada nmero natural le asignamos un nmero real xn que es el extremo izquierdo del intervalo In . Este tipo de asignacin se llama sucesin de nmeros reales y el proceso de se
va acercando es llamado convergencia. A continuacin formalizaremos estos conceptos.
5.1.1.
Conceptos bsicos
DEFINICIN 5.1.1 Una sucesin de nmeros reales es una funcin x : N R que asocia a cada nmero natural n un nmero real x (n) que denotaremos por xn y que llamaremos el n-simo trmino
de la sucesin.
109
C APTULO 5. S UCESIONES Y S ERIES N UMRICAS
Generalmente se denotan las sucesiones en la forma (xn ), (xn )nN , (xn )nA , {xn }nN o
(x1 , x2 , x3 , . . . , xn , . . . ). Debemos, sin embargo, distinguir entre una sucesin (que es una funcin)
y el conjunto de los valores que toma la sucesin (que es el recorrido de tal sucesin). Estos son
objetos diferentes que pueden confundirse, por ejemplo:
Considere la sucesin X : N R, n X (n) = (1)n . Si bien esta funcin toma solo dos
valores, debemos distinguirla del conjunto {1, 1} que sera el recorrido de tal sucesin. Quizs lo
que deje ms en claro la diferencia entre estos objetos, sea que en la funcin existe un cierto orden
en el que se asumen los valores, en cambio en el conjunto recorrido, sto no es relevante.
OBSERVACIN: Se acostumbra, a veces, a definir una sucesin listando los primeros trminos de
ella y detenindose cuando la regla de formacin de la sucesin sea clara; por ejemplo
(2, 4, 6, 8, . . . )
podra denotar a la sucesin de los nmeros pares. Debe tenerse presente, sin embargo, que formalmente esta manera de definir una sucesin no es del todo correcta. Nada impide afirmar que
la sucesin indicada no represente, por ejemplo, a
(2, 4, 6, 8, 2, 4, 6, 8, )
(2, 4, 6, 8, 12, 18, )
Tambin existen reglas de formacin que permitiran construir stas ... o muchas otras.
Un mtodo correcto para definir una sucesin es especificar una frmula para el trmino
n-simo de la sucesin; por ejemplo:
(2n)nN
Otro mtodo correcto para definir sucesiones, llamado mtodo inductivo, es aquel en el que se define
el trmino xn+1 basndose en una frmula recursiva, conocidos algunos valores de la sucesin. Por
ejemplo, podemos definir la sucesin de los pares mediante la frmula recursiva
x1 = 2,
xn+1 = 2 + xn
para
n1
(Note que: x1 = 2, luego x2 = 2 + x1 = 2 + 2 = 4, luego x3 = 2 + x2 = 2 + 4 = 6, etc).

Otro ejemplo clsico de este tipo de definiciones es la sucesin de Fibonacci, definida por
a1 = 1,
a2 = 1
an+1 = an + an1
para n 2
en el cual tomamos como base dos casos anteriores. Los primeros nmeros de esta sucesin sern:
a1 = 1
a2 = 1
a3 = a2 + a1 = 1 + 1 = 2
a4 = a3 + a2 = 2 + 1 = 3
a5 = a4 + a3 = 3 + 2 = 5
110
5.1. CLASE 18: S UCESIONES
OBSERVACIN:
1. Es posible representar una sucesin en la recta real mostrando los valores que toma la sucesin en determinados valores de n. Por ejemplo, la representacin en la recta real para la

sucesin n1 nN es:
2. No hay motivo para restringir la definicin de sucesin solo a sucesiones reales. Por ejemplo,
f : N C tal que f (i) = in , es una sucesin de nmeros complejos.
Ms an, es posible extender la definicin a sucesiones de funciones o sucesiones de conjuntos. Por ejemplo:
: N P(N) tal que (n) = {1, 2, , n}, es una sucesin de conjuntos.
EJEMPLOS:
1. Las progresiones son ejemplos de sucesiones. Las progresiones geomtricas corresponden a
sucesiones del tipo
x : N R
xn = a1 rn1
y las progresiones aritmticas corresponden a sucesiones de la forma

x : N R
xn = a1 + (n 1) d
2. La sucesin (1, 0, 1, 0, . . . ) tiene trmino n-simo dado por xn =

ponde a la sucesin
x : N R
n
3. El dcimo trmino de la sucesin
1
n nN
xn =
es
1(1)n
2
es decir, corres-
1 (1)n
2
1
10 .
111

1 n
n .
4. Estudiemos con ms detencin la sucesin xn = 1 +
Por el teorema del binomio:
n
X
n 1
xn =
k nk
k=0
y como

n
n!
=
k
(n k)! k!
entonces

n 1
k nk
n (n 1) (n k + 1) (n k)!
(n k)! k! nk
n (n 1) (n k + 1)
=
k!nk

2
k1 1
1
1
1
= 1 1
n
n
n
k!
=
Luego
xn

1 n
=
1+
n

n
X
1
2
k1 1
1 1
= 1+
1
1
n
n
n
k!
k=1
n
n
X
X
1
1
1+
=
k!
k!
k=1
k=0
pues

1
2
k1
1 1
1
1
1 11 = 1
n
n
n
Ahora, note que
n
n
X
X
1
1
=1+1+
k!
k!
k=0
k=2
Pero
k! 2k1
para k 2
y as
n
X
1
k!
= 1+1+
k=0
1+1+
n
X
1
k!
k=2
n
X
k=2
De esto obtenemos que

xn =
112
1
2k1

1
=1+2 1 n <3
2

1 n
1+
<3
n
n N
5. El nsimo trmino de la sucesin 2, 2 + 12 , 3 + 14 , 4 + 18 , 5 +

xn = n +
1
16 , . . .
puede ser
1
2n1
6. A pesar del ejemplo anterior, no siempre es posible determinar una frmula para el nsimo
trmino de una sucesin. Considere, por ejemplo, la sucesin de los nmeros primos:
x1 = 2,
x2 = 3,
x3 = 5,
x4 = 7
En este caso, no existe una frmula para el nsimo trmino.
EJERCICIOS: Determine una regla de formacin, o frmula para el nsimo trmino, en los siguientes casos:

1 2 3 4
, , , ,
1.
2 3 4 5

2 3
4 5
2. , , , ,
3 9 27 81
3. (1, 0, 1, 0, 1, 0, 1, 0, 1, )

4 5
6
7
3
, ,
,
,
,
4.
5 25 125 625 3125
DEFINICIN 5.1.2 Sean X = (xn ), Y = (yn ) dos sucesiones en R y sea R. Se define:

1. X como la sucesin (xn ).
2. X + Y como la sucesin (xn + yn ).
3. XY como la sucesin (xn yn ).
4. Si yn 6= 0 n N, entonces definimos
X
Y
como la sucesin
xn
yn

EJEMPLO 5.1.1
Si X = n1 nN y Y = (2n)nN entonces:
XY = (2)nN = (2, 2, 2, . . . , 2, . . . ) es una sucesin constante que solo toma el valor 2.

Y /X = 2n2 nN .
DEFINICIN 5.1.3 Una sucesin (xn ) se dice:

113
1. Acotada superiormente, si existe M R tal que xn M para todo n.

2. Acotada inferiormente, si existe m R tal que m xn para todo n.
3. Acotada, si es acotada superior e inferiormente. Esto equivale a encontrar un K > 0 tal que
|xn | K para todo n.
EJEMPLOS:
1. La sucesin
1+

1 n
n
nN
es una sucesin acotada.
En efecto, es claro que 0 xn para cada n N y en los ejemplos se vi que xn < 3 para cada
n N, es decir xn [0, 3] para cada n N.
2. {(1)n }nN es una sucesin acotada pues |xn | = |(1)n | = 1 y luego xn [1, 1] para
cada n N.

3. sen n2 + 2 nN es una sucesin acotada.
4. Sea a R, y defina la sucesin xn = an . Estudiaremos si sta es o no acotada.
a) Si a [1, 1] entonces xn = an est acotada, a saber, |xn | = |a|n 1n = 1. Luego,
xn [1, 1] para todo n N.
b) Si a < 1 entonces xn no es acotada ni superior ni inferiormente. En efecto:
note que a2 > 1, de donde, para algn d > 0:
a2 = 1 + d
entonces
a2n = (1 + d)n 1 + nd
(desigualdad de Bernoulli)
Luego, no existe M R tal que xn M para todo n R.

M 1
(si tal M existiera:
M x2n 1 + nd entonces
n.
d
M 1
n> d
y llegamos a una contradiccin).
Basta considerar
Por otro lado:

a2n+1 = a (1 + d)n a (1 + nd)
de donde no puede existir m R tal que
m xn
para todo n N. (Un razonamiento similar al anterior muestra que la existencia de tal
m lleva a una contradiccin).
114
c) Si a > 1 entonces a = 1 + d con d > 0 se sigue que xn = an = (1 + d)n 1 + nd

de donde no puede estar acotada superiormente. Note que est acotada inferiormente
por 1.
DEFINICIN 5.1.4 Una sucesin (xn ) se dice:

1. Estrictamente creciente si para cada n se cumple que xn < xn+1 .
2. Creciente si para cada n se cumple que xn xn+1 .
3. Estrictamente decreciente si para cada n se cumple que xn > xn+1 .
4. Decreciente si para cada n se cumple que xn xn+1 .
5. Montona si cumple con alguna de las anteriores (en ocasiones se habla de monotona estricta si es estrictamente creciente o estrictamente decreciente)
EJEMPLOS:
1. Sea {xn } una sucesin de trminos positivos, es decir, xn 0 para todo n y defina
an =
n
X
xk
k=1
Entonces, {an } es una sucesin creciente; en efecto, para cada n se cumple

an+1 an =
n+1
X
k=1
xk
n
X
xk = xn+1 0
an+1 an
k=1
Algunos ejemplos de esto son las sucesiones que tienen por n-simo trmino:
an = 1 +
1
1
1
+ + +
1! 2!
n!
1 1
1
+ + +
2 3
n
1
1
1
an = 1 + 2 + 2 + + 2
2
3
n
an = 1 +
2. {sen (n)}nN no es una sucesin montona.

3. {(1)n }nN no es una sucesin montona.
4. (1, 2, 3, 4, . . . ) es una sucesin estrictamente creciente.
5. (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ) es una sucesin creciente.
115
DEFINICIN 5.1.5
Considere una sucesin (xn ) = (x1 , x2 , x3 , . . . ). Una subsucesin de (xn ) es
una nueva sucesin que se forma considerando algunos n digamos n1 , n2 , n3 . . . que cumplen
n1 < n2 < n3 < . . . < nk < Ms formalmente, una subsucesin de una sucesin es una
nueva sucesin que se forma al efectuar la composicin de la sucesin original con una funcin
Y : N N que es estrictamente creciente.
EJEMPLOS:
1. Dada la sucesin (xn ) podemos extraer la subsucesin de los trminos de lugares pares
(x2 , x4 , x6 , . . . ) = (x2n ). Tambin podemos extraer la de los lugares impares (x1 , x3 , x5 , . . . ) =
(x2n1 ). La primera corresponde a efectuar una composicin con la funcin Y : N N,
n Y (n) = 2n y la segunda con la funcin Y : N N, n Y (n) = 2n 1. Ambas
son estrictamente crecientes. Podramos tambin considerar Y : N N, n Y (n) = n2 y
obtenemos la subsucesin
(x1 , x4 , x9 , x16 , . . . )
2. Considere la sucesin 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . . Notar que en el lugar n = 1 est el 1. En
el lugar 1 + 2 est el 2; en el lugar 1 + 2 + 3 est el 3, en el lugar 1 + 2 + 3 + 4 est el 4. As:
x1+2+3++n = n
de donde
x n(n+1) = n
2
Luego (1, 2, 3, . . . , n, . . . ) es una subsucesin de (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ).

o
n
n(n+1)
es una subsucesin de {(1)n }. Sus primeros trminos son:
3. (1) 2
1, 1, 1, 1, 1, 1, 1, . . . .
4. Si (xn ) es una sucesin entonces (xn+1 ) = (x2 , x3 , . . . ) es una subsucesin. Similarmente
(xn+k ) es una subsucesin para k N.
5.2.
CLASE 19: Convergencia de Sucesiones
5.2.1.
El concepto de convergencia
Intuitivamente, el concepto de convergencia de una sucesin est relacionado con los valores
que toma la sucesin a medida que n crece (como el concepto de lmite). Si los valores estn tan
cerca como se quiera de un nmero L, a partir de un n en adelante, entonces decimos que la
sucesin converge a L. Ms formalmente:
116
5.2. CLASE 19: C ONVERGENCIA DE S UCESIONES
DEFINICIN 5.2.1 Sea (xn ) una sucesin y L un nmero real. Diremos que xn converge a L, o que
el lmite de la sucesin (xn ) es L, si
> 0
En tal caso escribiremos
N N : n N,
nN
|xn L| <
lm xn = L o simplemente xn L.
OBSERVACIN:
Note que |xn L| < es equivalente a pedir xn ]L , L + [. Luego, la definicin de
convergencia nos dice que a partir de N en adelante, los valores de la sucesin xn (es decir,
xN , xN +1 , xN +2 , . . . ) se encontrarn en el intervalo anterior. Como el es cualquiera, en particular podemos pedir que sea tan pequeo como queramos, lo cual formaliza la idea de estar
tan cerca de L como se quiera.
Notemos tambin que
|xn L| <
|(xn L) 0| <
||xn L| 0| <
Esto nos dice que

h
i
lm xn = L
n
i
lm (xn L) = 0
i
lm |xn L| = 0
DEFINICIN 5.2.2 Una sucesin que posee lmite se dir convergente; en caso contrario se dice
divergente.
EJEMPLOS:
1. Consideremos la sucesin xn = an con |a| < 1, a 6= 0. Intuitivamente pareciera ser
que los valores de la sucesin se acercan a cero a medida que n crece; formalicemos esto:
Notemos que |xn | = |a|n ; luego
|a| < 1
de donde
1+d=
1
|a|
1<
1
|a|
para algn nmero positivo d.
Entonces

1
|a|
n
= (1 + d) =
n
X
n
k=0

n
d
1
dk
= nd
117

De esto obtenemos
1
|a|n
nd
entonces
|xn 0| = |a|n <
de donde
1
<
nd
1
nd
1
<n
d
Estamos ahora en condiciones de mostrar que el lmite de esta sucesin es cero: Sea > 0
1

1
arbitrario; si n d
+ 1 (la parte entera de d
ms 1) entonces se cumple
|xn 0| <
En efecto:
1
d
+1>
1
d
1
<
nd
|xn 0| = |a|n <
2. Mostremos que la sucesin xn =
>
Pero
|xn 0| <
n
n+1
1
nd .
lm an = 0
1.

n
1 1

<
|xn 1| =
1 =
n+1
n + 1 n

Luego, sea > 0; entonces, existe N = 1 + 1 tal que
n N
En efecto: si n N =
|xn 1| <
1

+
1
entonces n 1 y as > n1 ; pero

n
1 1

<

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

lm
n
n+1

=1
3. Considere la sucesin xn = (1)n . Vemos que esta sucesin toma los valores 1 y 1 en forma
alternada. Si la sucesin fuese convergente, es decir, si xn L, entonces debera existir un
N N tal que para todo n N :
1
|xn L| <
4
118
Luego, si consideramos un n par mayor que N se cumplir

|1 L| <
1
4
1
1
<L1<
4
4
3
5
<L<
4
4
y si consideramos un n impar mayor que N entonces se cumplir

|1 L| = |1 + L| <
1
4
1
1
<L+1<
4
4
5
3
<L<
4
4
Claramente, no existe ningn nmero en ambos intervalos, por lo que tal L no puede existir.
Es decir, lm (1)n no existe, es decir (xn ) diverge.
n
TEOREMA 5.2.1 (Unicidad) Si el lmite de una sucesin existe, entonces es nico.

Dem.: Sea (xn ) la sucesin y supongamos que L1 y L2 son lmites de la sucesin. Si > 0 por
convergencia existirn naturales N1 y N2 tales que
n N1
|xn L1 | <
n N2
|xn L2 | <
Pues bien: si n m
ax {N1 , N2 }, entonces
|L1 L2 | = |L1 xn + xn L2 |
|xn L1 | + |xn L2 |
< 2
As, como el nmero es arbitrario no queda otra opcin ms que L1 = L2 .
TEOREMA 5.2.2 (lgebra de lmites) Si xn A y yn B, entonces

1. lm (xn + yn ) = A + B
n
2. lm (xn yn ) = AB
n

3. lm
xn
yn

=
A
si B 6= 0.
B
119
EJEMPLOS:
1
1
1. Es fcil mostrar que
0 para p N.
0. Del lgebra de lmites, se sigue que
n
np
Utilizando 2. del teorema anterior con la sucesin constante () se sigue
0
nk
cuando
2. Calcular el lmite de la sucesin

xn =
3n4 + 2n + 1
2n4 + 1
Solucin: Notemos que

n4 3 + n23 + n14
3n4 + 2n + 1

=
2n4 + 1
n4 2 + n14

=
2
n3
2+
1
n4
3+
1
n4
utilizando el lgebra de lmites y la observacin anterior se sigue que

lm
3n4 + 2n + 1
2n4 + 1
2
n3
2+
1
n4
3+

lm
1
n4
1
2
3+ 3 + 4
n
n
n

1
lm 2 + 4
n
n
3+0+0
3
=
2+0+0
2
lm
DEFINICIN 5.2.3 Sea (xn ) una sucesin. Diremos que xn tiende a infinito cuando n tiende a infinito, si
K > 0
N N :
nN
xn > K
En tal caso escribiremos lm xn = +.

n
Anlogamente, diremos que xn tiende a menos infinito cuando n tiende a infinito, si

K < 0
N N :
nN
xn < K
En tal caso escribiremos lm xn = .

n
EJEMPLOS:
1. Considere la sucesin xn = (1)n n2 entonces xn 6 +. Note que a medida que n crece, la
sucesin alterna entre nmeros positivos y negativos que van creciendo en valor absoluto.
120
2. Si xn =
n2
entonces lm xn = +. En efecto,
n
(0,5)n
0,5 < 1 1 <
as
xn =
1
1
1<
0,5
(0,5)n
n2
> n2 n
(0,5)n
Se sigue entonces lo afirmado.

OBSERVACIN:
Si (xn ) es una sucesin creciente y no acotada superiormente entonces lm xn = +.
n
TEOREMA 5.2.3 Sean (xn ) e (yn ) sucesiones:

1. Si lm xn = + y (yn ) es una sucesin acotada inferiormente entonces
n
lm (xn + yn ) = +
2. Si lm xn = + y existe > 0 tal que yn > para todo n N entonces

n
lm (xn yn ) = +
3. Si lm xn = 0, xn > 0 para todo n N y existe > 0 tal que yn > para todo n N
n
entonces

yn
lm
= +
n xn
5.2.2.
Algunas propiedades de las sucesiones
TEOREMA 5.2.4 Si (xn ) es una sucesin convergente a L entonces toda subsucesin (xnk ) converge
y tambin a L.
OBSERVACIN: Este teorema nos entrega un muy til criterio para decidir la divergencia de una
sucesin: si (xn ) es una sucesin que posee una subsucesin divergente entonces diverge. Si (xn )
posee dos subsucesiones que convergen a lmites distintos entonces la sucesin diverge.
121
EJEMPLOS:
1. La sucesin xn = (1)n es divergente.
En efecto: posee dos subsucesiones

x2n1 = 1
x2n = 1
que convergen pero a lmites diferentes.
2. Si
x1 = 2
xn+1 =
1
xn
para
n1
entonces (xn ) no puede ser convergente. En efecto, si xn L entonces

1
1
xn
L
Pero, como (xn+1 ) es una subsucesin, debiera tenerse que xn+1 L. As
xn+1 =
1
xn
L=
1
L
es decir
L2 = 1
lo que no es posible en los nmeros reales.
3. La sucesin dada por xn = (1)n n2 no es convergente; en efecto, la subsucesin x2n = 4n2
diverge.
El siguiente teorema nos dice que para n grandes los trminos de la sucesin permanecen
cercadel lmite
TEOREMA 5.2.5 Si lm xn = L y a < L entonces N N :
n N se cumple a < xn .
n
Anlogamente, si a > L entonces K N : n K se cumple a > xn .
TEOREMA 5.2.6 Si lm xn = L1 , lm yn = L2 y se cumple N N n N, n N : xn yn
n
n
entonces L1 L2 .
OBSERVACIN: xn < yn no implica necesariamente que L1 < L2 . Por ejemplo, considere las sucey yn = n1 . Entonces
siones dadas por xn = 1
n
xn < yn
pero L1 = L2 = 0.
122
TEOREMA 5.2.7 Toda sucesin convergente es acotada.

Dem.: Sea (xn ) una sucesin convergente, digamos, a L. Luego, para = 1, existe un N N tal
que para n N se cumple
|xn L| < 1
Entonces
|xn | < L + 1
para n N
Tomando M = m
ax {|x1 | , |x2 | , . . . , |xN 1 | , L + 1} se sigue
|xn | M
n N
EJEMPLOS:
1. Sabemos que xn =
n
converge a 1. Adems, sabemos que
n+1
|xn 1| <
1
n
Se deduce que para todo n N

|xn 1| < 1
y as
xn [0, 2]
2. Sabemos que

lm
3n4 + 2n + 1
2n4 + 1

=
3
2
Note adems que

4

3n + 2n + 1 3
4n 1
4n + 1

2n4 + 1 2 = 4n4 + 2 4n4 + 2
5n
5
= 3
4
4n
4n
Luego

xn

de donde

3 5
<
2 4
1 11
xn
,
4 4
TEOREMA 5.2.8 (de Bolzano-Weierstrass) Toda sucesin acotada posee una subsucesin convergente.
123
EJEMPLO 5.2.1 Muestre que la sucesin dada por xn = sen n es divergente.

Solucin:
Considere los intervalos Ik = 2k + 6 , 2k + 2 para k 1. Note que la longitud
de Ik es 2 6 = 3 > 1. Luego, cada Ik debe tener un nmero natural, que llamaremos nk . Por
estar en ese tipo de intervalos se debe cumplir 12 sen (nk ) 1. Por ser acotada, el teorema
de Bolzano-Weierstrass dice que {sen (nk )} debe tener una subsucesin convergente {sen (nkl )} y
como sen (nkl ) 21 se sigue
1
lm sen (nkl )
l
2

Considere ahora los intervalos Ju = 2u 2 , 2u 6 para u N. Note que la longitud de Ju

es 2 6 = 3 > 1. Se sigue que cada Ju debe tener un natural que llamaremos nu . Se sigue que
1 sen (nk ) 1
el teorema de Bolzano-Weierstrass dice que {sen (nu )}
2 ; luego, por ser acotada,

debe tener una subsucesin convergente sen nup y como sen nup 12 se sigue

1
lm sen nup
p
2
Claramente

lm sen nup =
6 lm sen (nkl )
De esto obtenemos que (sen n) posee dos subsucesiones que convergen, pero a lmites diferentes;
as, (sen n) es una sucesin divergente.
5.2.3.
Algunos resultados de convergencia
TEOREMA 5.2.9 Toda sucesin creciente y acotada superiormente converge. De manera similar,
toda sucesin decreciente y acotada inferiormente converge.
Dem.:
Supongamos que (xn ) es una sucesin creciente y acotada superiormente. Definamos

A = {xn : n N} R
Por hiptesis, A es no vaco y acotado superiormente; por el axioma del supremo, se sigue que
existe el supremo de este conjunto y lo denotaremos por l. Sea > 0 arbitrario. Como l < l se
sigue que l no es cota superior de A (l es la menor cota superior del conjunto), as existe un n0
tal que
l < xn0
Como la sucesin es creciente, para n n0 se sigue
xn0 xn
de donde
l < xn0 xn
124
Tambin, note que xn l para todo n N. Se sigue que

l < xn < l +
n n0
As, |xn l| < . En conclusin, si (xn ) es creciente y acotada superiormente entonces

lm xn = sup {xn : n N}
(recordar que el supremo no tiene porque pertenecer al conjunto). Se deja de ejercicio mostrar el
caso decreciente y acotada inferiormente.
EJEMPLOS:
n
X
1
es creciente y acotada superiormente por 3. Por el
k!
k=0
teorema anterior, sabemos que esta sucesin converge.
1. Sabemos que la sucesin
xn =
2. Estudie la convergencia de la sucesin definida por
a1 =
an+1 =
Solucin:
2
para n 1
2 + an
Notemos que a1 < a2 y a2 < a3 . Se puede demostrar por induccin que

an an+1 para todo n N
Para el paso inductivo notar que

an an+1
pero an+1 =
an + 2 y an+2 =
an + 2 an+1 + 2
p
an + 2 an+1 + 2
an+1 + 2. As,
an an+1
an+1 an+2
Se sigue que la sucesin es creciente. Tambin es facil demostrar por induccin que
an 2
Claramente,
n N
2 2. Como antes, para el paso inductivo notamos que:

an 2
an + 2 4
an + 2 4
an+1 2
125
De esta forma, {an } es una sucesin creciente y acotada superiormente por 2, luego converge.
En este caso podemos adems encontrar el lmite: como an+1 = 2 + an si an L,
entonces an+1 L (es una subsucesin) y note que

2 + an 2 + L. Entonces, por
unicidad del lmite, se sigue
L= 2+L
de donde
L2 L 2 = 0
L = 2
L = 1
Como an 0, se sigue L 0, y as la nica posibilidad es L = 2.
TEOREMA 5.2.10 (Del sandwich) Sean (xn ) , (yn ) y (zn ) sucesiones. Si lm xn = L, lm yn = L

n
n
y se cumple xn zn yn n N0 . Entonces (zn ) converge y lm zn = L.
n
El teorema del Sandwich para sucesiones es muy til para clculo de lmites, como ya vimos
en MAT021. Veamos algunos ejemplos:
EJEMPLOS:
1. Considere la sucesin xn =
entonces
n
a donde a > 0. Mostremos que lm xn = 1. En efecto, si a > 1
n
donde dn 0
a = 1 + dn
Se sigue que
a = (1 + dn )n ndn
y as
a
dn 0
n
Por el teorema del Sandwich se sigue

lm dn = 0
Luego, por lgebra de lmites

lm
a = lm (1 + dn ) = 1
n
Si 0 < a < 1 entonces

a=
Entonces
126
1
,
d
d>1
1
a=
n
d
Utilizando lo recin mostrado y el lgebra de lmites se sigue

1
1
n
=1
=
lm a = lm
n
n
n
d
lmn n d
Si a = 1, es claro.
2. Calcular
Solucin:
lm
2n + 3 n .
Note que
3n 2n + 3n 3n + 3n
de donde
2n + 3n
Pero
lm 3 = lm
y por el teorema del Sandwich:
lm
3. Calcular
lm
Solucin:
n
2 3n = 3 2

n
3 2 =3
2n + 3 n = 3
n
X
i=1
1
n2 + i
Notemos que
n2 + 1 n2 + i n2 + n
i = 1, 2, . . . , n
Entonces
p
p
p
n2 + 1 n 2 + i n2 + n
As, para i = 1, 2, . . . , n:
de donde
n
X
i=1
Pero
n
X
i=1
entonces
1
1
1
2
2
+n
n +i
n +1
n2
n2 + n
2
n +n
n
X
i=1
n2 + i
n
X
i=1
n2 + 1

n
X
n
1
n
=
y
=
2
2
2
n + n i=1
n +1
n +1
n
X
n
n2 + n
i=1
1
n2 + i
n
n2 + 1
Aplicando el teorema del Sandwich, se obtiene

n
X
1
lm
=1
2+i
n
n
i=1
127
Ahora enunciaremos un teorema que relaciona el clculo de lmites de funciones con el clculo
de lmites de sucesiones, lo que es muy til pues ya contamos con la regla de LHpital.
TEOREMA 5.2.11 Si lm f (x) = L y xn = f (n) entonces lm xn = L.

x
EJEMPLOS:
1. Sea xn = 1 +

1 n
n .
Definiendo f (x) = 1 +

1 x
x
vemos que f (n) = xn y

1 x
lm xn = lm 1 +
=e
n
x
x
2. Sea xn =
n. Definiendo f (x) = x1/x y calculando

lm
lm x1/x = 1 se sigue
n
n=1
Este lmite tambin se puede calcular a travs del teorema del Sandwich.
TEOREMA 5.2.12 Si (xn ) es una sucesin que converge a cero y (yn ) es una sucesin acotada entonces (xn yn ) converge a cero.
EJEMPLO 5.2.2
sen n
lm
=0
n
n

Note que sen n no converge pero, como n1 0, slo necesitamos que est acotada.
TEOREMA 5.2.13 Sea A R un conjunto que es unin de intervalos abiertos. Sea f : A R una
funcin y a A. La funcin f es continua en a si y solo si para toda sucesin (an ) con an A,
n N y an a se cumple f (an ) f (a).
EJERCICIOS: Determine si las siguientes sucesiones convergen. En caso afirmativo, determine su

lmite.

1. (an ) =
n+4
2n + 1
2. (an ) = ( n + 1 n)
128
n
n
3. (an ) =
sen
2n + 1
2

2 + 2n
4. (an ) =
1 + 2n
5.3. CLASE 20: S ERIES N UMRICAS
5.3.
CLASE 20: Series Numricas
DEFINICIN 5.3.1 Una serie de nmeros reales es un par ordenado ((ak ) , (Sn )) de sucesiones de
nmeros reales las cuales estn relacionadas de la siguiente forma:
n N : Sn = a1 + a2 + + an =
n
X
ak
k=1
o equivalentemente
k N : ak = Sk Sk1
donde tomamos S0 = 0 por convencin.
La primera sucesin del par es llamada sucesin de trminos de la serie y la segunda sucesin
es llamada sucesin de sumas parciales de la serie.
Por simplicidad utilizaremos la sugerente notacin histrica para una serie ((ak ) , (Sn ))
+
X
ak ((ak ) , (Sn ))
k=1
En esta notacin encontramos de manera explcita la sucesin de trminos (ak ) y la sucesin de

sumas parciales es dada por
n
X
ak
Sn =
k=1
OBSERVACIN:
Si ((ak ) , (Sn )) es una serie, cada una de las sucesiones que la conforma determina la otra.
En algunos casos es conveniente usar la sucesin de trminos en la forma am , am+1 , am+2
para algn m Z; en tal caso usamos la notacin para la serie
ak
k=m
DEFINICIN 5.3.2 Diremos que la serie
+
X
ak
converge, si existe un nmero real L tal que la
k=1
sucesin de sumas parciales Sn converge a L, es decir

lm Sn = L
n+
129
En este caso, escribimos

lm Sn =
n+
+
X
ak = L
k=1
Si la serie no converge diremos que es divergente.
EJEMPLOS:
1. La serie
+
X
k es divergente.
k=1
En efecto, la sucesin de sumas parciales Sn =
n
X
k=
k=1

lm Sn = lm
2. La serie
n (n + 1)
2
n (n + 1)
, de donde
2

= +
+
X
1
es convergente.
2k
k=1
En efecto, la sucesin de sumas parciales es Sn =
n
X
1
1 1 21n
=
, entonces
2 12
2k
k=1
lm Sn = lm
+
X
ak y
k=1
+
X
+
X
k=1
(ak ) = A
k=1
2.
+
X
k=1
(ak + bk ) =
+
X
k=1
!
ak
+
X
!
bk
=A+B
k=1

+
X
1
EJERCICIOS: Es convergente la serie
k k ?
3
k=1
130
1
2n+1
1
2
!
=1
bk dos series convergentes a A y B respectivamente. Sea
tambin R entonces:
1.
1
2
5.3. CLASE 20: S ERIES N UMRICAS

+
X
PROPOSICIN 5.3.2 Si
ak es una serie convergente, entonces lm ak = 0.

k
k=1
Dem.:
Si lm Sn = L, entonces
n
lm an =
lm (Sn Sn1 ) = lm Sn lm Sn1
= LL=0
OBSERVACIN: La proposicin anterior nos entrega una condicin necesaria pero no suficiente para
+
X
la convergencia de una serie. Es decir, para que
ak converja, es necesario que lm ak = 0. Sin
k
k=1
embargo, sto no es suficiente. De esta manera, al menos se dispone de un criterio para determinar
+
+
X
X
la divergencia de algunas series: si
ak es una serie en la cual lm an 6= 0, entonces
ak
n
k=1
k=1
diverge.
El siguiente ejemplo muestra que, a pesar que lm ak = 0, una serie puede ser divergente.
k
EJEMPLOS:
1. La serie
+
X
k=1

ln
k
k+1
En efecto: Sn =
n
X
k=1

diverge.

ln
k
k+1

=
n
X
(ln k ln (k + 1)) = ln (n + 1),
de donde
k=1
lm ln (n + 1) =
n+
y luego la serie diverge. Pero, note que

lm ln
k
k+1

=0
2. Determine los valores de a R+ para los cuales diverge la serie
X
an + 1
.
3an + 2
n=0
Supongamos que existe algn a R para el cual la serie converge. En este

an + 1
1
an + 1
caso, se debiera cumplir que
lm
= 0. Pero, lm
= , a R+ .
n 3an + 2
n 3an + 2
3
Luego, la serie diverge a R+ .
Solucin:
131
EJERCICIOS: Muestre que las siguientes series divergen:

1.-
+
X
(1)k
+
X
1
k
k
k=1
2.-
k=1
3.-
+
X
k
ln k
4.-
k=1
+
X
k=1
k!
2k! + 1
En general, encontrar expresiones explcitas para las sumas parciales no es tarea fcil y solo en
contados casos es conveniente analizar la convergencia de una serie de esta manera. Veremos dos
ejemplos muy importantes en los cuales podemos encontrar expresiones para las sumas parciales.
+
X
DEFINICIN 5.3.3 Sea (bk ) una sucesin de nmeros reales. La serie
(bk bk+1 ) se llama serie
k=1
telescpica.
PROPOSICIN 5.3.3 Una serie telescpica
+
X
(bk bk+1 ) es convergente si y solo si la sucesin
k=1
(bk ) es convergente y, en tal caso,

+
X
(bk bk+1 ) = b1 lm bk
k
k=1
Dem.:
Simplemente encontrar la expresin de las sumas parciales y tomar lmite.
EJEMPLOS:
1. Mostrar que la serie
+
X
k=1
1
converge, y encuentre su lmite.
4k 2 1
2. Muestre que
X
k=1
k+1 k
=1
k2 + k
DEFINICIN 5.3.4 Sean a, r R, r, a 6= 0. Una serie de la forma
ark
se llama serie geomtrica
k=0
de razn r.
OBSERVACIN: Note que, si a = 0 o r = 0, el valor de este lmite es 0.
PROPOSICIN 5.3.4 La serie
ark converge si y solo si |r| < 1; en este caso
k=0
X
k=0
132
ark =
a
1r
5.4. C RITERIOS DE CONVERGENCIA DE S ERIES
Dem.:
Se basa en la suma de una progresin geomtrica.
Si r = 1 entonces Sn = an y es clara la divergencia.

Supongamos que r 6= 1; entonces
Sn = a + ar + + arn1
se sigue

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

lm Sn = lm a
si |r| > 1:
1 rn
1r

=
a
1r
lm arn 6= 0, luego la serie diverge.
si r = 1, ak = a (1)k y vale el mismo razonamiento anterior.
EJEMPLOS:
1. Calcular
+
X
(1)k 2k
k=2
3k+1
2. Para qu valores de x R es convergente la serie

+
X
(1)n xn + 3n x2n
k=1
4n
5.4.
Criterios de convergencia de Series
5.4.1.
Criterio de la integral. Criterio de comparacin y comparacin al lmite.
Como una serie no es sino una sucesin de sumas parciales, una serie ser convergente si lo es
la correspondiente sucesin de sumas parciales. Si ak 0 para todo k N decimos que la serie
X
ak es una serie de trminos positivos. En este caso, la sucesin de sumas parciales Sn satisface
k=1
Sn+1 Sn = an+1 0
Sn+1 Sn
n N
As, {Sn } es una sucesin creciente, y luego converge si y solo si es acotada. Por lo tanto, en el caso
de series de trminos positivos, ellas sers convergentes si y solo si la sucesin de sumas parciales
es acotada, como se enuncia en el siguiente
133
TEOREMA 5.4.1 Sea {ak } una sucesin de trminos positivos. Entonces, la serie
ak converge
k=1
si y solo si la sucesin de sumas parciales

Sn =
n
X
ak
es acotada;
en tal caso:
k=1
ak = sup {Sn : n N}
k=1
EJEMPLO 5.4.1 La serie

k
X
2 +k
k=1
3k + k
es convergente. En efecto:
2k + k
2k + 2 k
2
3k + k
3k
luego
Sn =

n k
X
2 +k
k=1
3k + k
k
2
3
k
n
k
X
X
2
2
2
2
=4
3
3
k=1
k=1
Luego, la sucesin de sumas parciales est acotada y la serie converge.

Vamos a enunciar algunos criterios que explotan esta idea de acotamiento para mostrar convergencia de series, tal como se hizo ya en clculo, para el anlisis de convergencia de las integrales
impropias.
TEOREMA 5.4.2 (Criterio de la integral) Sea f : [1, +[ R+ una funcin continua (a valores
positivos) y decreciente en [1, +[. Si
ak = f (k) para k N,
Z
ak
converge
f (x) dx
converge.
k=1
Dem.:
entonces
Note que para x [k 1, k]:

ak = f (k) f (x) f (k 1) = ak1
de donde
Z
ak
f (x) dx ak1
para k 2
k1
entonces
n
X
k=2
134
Z
ak
f (x) dx
1
n1
X
k=1
ak
se sigue que
n
Z
Sn x1
f (x) dx Sn1
1
f (x) dx < (es decir, si la integral impropia converge) entonces Sn es acotada y luego
Z +
f (x) dx diverge, como
converge; ahora, si
Si
f (x) dx Sn1
1
la serie es divergente.
OBSERVACIN: La integral y la serie no necesariamente convergen al mismo valor.
EJEMPLOS:
X
X
1
1
1. La serie
converge si y solo si p > 1. En particular,
diverge.
kp
k
k=1
2. La serie
X
k=2
k=1
1
es divergente.
n ln n
TEOREMA 5.4.3 (Criterio de comparacin) Sean {ak } y {bk } sucesiones tales que 0 ak bk pa
X
X
X
X
ra cada k k0 . Si
ak diverge entonces
bk diverge y si
bk converge entonces
ak
converge.
k=1
k=1
k=1
k=1
EJERCICIOS: Analizar la convergencia de las siguientes series:

1.
X
k=1
2.
X
k=1
3.
X
k=1
2 n + 3n
4.
1
n
2 +1
5.
X
k=1
1
n3 + 3n + 4
X
3 sen2 n
k=1
n!
1
n + ln n
135
TEOREMA 5.4.4 (Criterio de comparacin al lmite) Sean {ak } y {bk } sucesiones de nmeros positivos tales que
ak
lm
= L > 0;
entonces
k bk
X
k=1
ak
converge
bk
converge.
k=1
EJERCICIOS: Analizar la convergencia o divergencia de las siguientes series:
X
3n3 5n2
1.
2n6 + 4n 1
k=1
2.
X
k=1
3.
X
k=1
136
1
n3 + 1

arc tan
1
n2
5.4.2.
CLASE 21: Criterios del cuociente y de la raz
Los criterios de comparacin directa y comparacin al lmite utilizan la convergencia o divergencia de una serie auxiliar para concluir sobre la convergencia o divergencia de la serie dada.
Ahora mostraremos dos criterios que utilizan el comportamiento de la misma serie para concluir
sobre su convergencia o divergencia.
TEOREMA 5.4.5 (Criterio del cuociente) Sea {xn }nN una sucesin de nmeros reales no nulos tales que

xn+1

=r
lm
n xn
entonces:
1. Si 0 r < 1 entonces
|xn | y
n=1
2. Si r > 1 entonces
xn convergen.
n=1
|xn | y
n=1
xn divergen.
n=1
3. Si r = 1 entonces el criterio no entrega informacin.
Dem.:
Supongamos que 0 r < 1 y sea R =
r+1
2

xn+1

=r
entonces r < R < 1. Como lm
n
xn
se sigue que
N0 N
De esta forma
As, an =
tal que para

xn+1

xn R
n N0 :
|xn |
|xn+1 |
n
Rn+1
R
para n N0 .
|xn |
es una sucesin decreciente, luego para n N0 :
Rn
an aN0
Se sigue, para n N0 :
|xn |
aN0
Rn
|xn | aN0 Rn
Por el criterio de comparacin:
|xn |
converge y as
|xn |
converge.
n=1
n=N0
Ahora bien, podemos escribir

|xn | =
|xn | xn |xn | + xn
+
2
2
137

y las series

X
|xn | xn
2
n=1

X
|xn | + xn
n=1
son series de trminos positivos y convergen por comparacin directa con la serie
|xn | pues
n=1

|xn | xn
|xn |

2
Luego
xn =
n=1

|xn | + xn
|xn |

2

X
|xn | + xn
2
n=1

X
|xn | xn
2
n=1
es convergente.
Si r > 1 es fcil mostrar el lmite del trmino general no puede ser cero y por tanto ambas series
son divergentes.
Cuando r = 1 el criterio no entrega informacin. Basta notar, por ejemplo, que
X
1
n
es divergente y
X
1
n2
es convergente
n=1
n=1
y para ambas se obtiene r = 1.

EJERCICIOS: Analizar la convergencia o divergencia de las siguientes series.
1.
n=1
2.
X
n!
3.
nn
X
(2)n
n!
n=1
X
(1)n n25
n=1
4.
3n+1
X
n!
5n
n=1
TEOREMA 5.4.6 (Criterio de la raz) Sea {xn }nN una sucesin de nmeros reales tales que
p
lm n |xn | = r.
n
Entonces:
1. Si 0 r < 1 entonces
|xn | y
n=1
2. Si r > 1 entonces
X
n=1
138
|xn | y
xn convergen.
n=1
X
n=1
xn divergen.
5.5. S ERIES A LTERNADAS
3. Si r = 1, el criterio no entrega informacin.

OBSERVACIN: La demostracin es similar a la del teorema anterior.
EJERCICIOS:
1. Decidir si las siguientes series son o no convergentes:
1
(ln n)n
n=3
n

X
n
b)
2n + 1
n=1

X
ln n n
c)
1000
a)
n=1
2. Para qu valores x R es convergente la serie
X
xn + 2x2n
n=1
5.5.
Series Alternadas
DEFINICIN 5.5.1 Diremos que una serie es alternante o alternada si sus trminos se alternan entre
positivo y negativo, es decir, tienen la forma (1)n an o (1)n+1 an donde an 0 para todo
n N.
EJEMPLO 5.5.1 Son series alternates
X
(2)n
n=1
n!
X
(1)n
n=1
(1)n
n=1
TEOREMA 5.5.1 (Criterio de Leibnitz) Sea (xn )nN una sucesin de trminos positivos decreciente
tales que
lm xn = 0
n
Entonces, la serie alternada
(1)n+1 xn converge, y adems
n=1
|S Sn | < |xn+1 |
Esta ltima relacin permite medir la rapidez de convergencia.
139

EJEMPLOS: Las series
X
(1)n+1
n=1
X
(1)n ln n
n=1
son convergentes.
X
(1)n+1
Veamos a qu valor converge la serie
n=1
1 + x + x2 + + xn =
Recordemos que
1 xn+1
para x 6= 1
1x
Reemplazando x por x se sigue que

1 (1)n+1 xn+1
1+x
1 x + x2 + (1)n xn =
para x 6= 1
Si integramos la igualdad anterior obtenemos

x2 x3
xn+1
x
+
+ (1)n
=
2
3
n+1
1 (1)n+1 tn+1
1+t
Z
0
!
dt
para x > 0.
Si evaluamos en x = 1 se obtiene
(1)n
1 1
1 + +
2 3
n+1
Pero
!
1 (1)n+1 tn+1
=
dt
1+t
0
!

Z 1
Z 1
1
(1)n+1 tn+1
=
dt +
dt
1+t
1+t
0
0
Z
1
entonces
n
X
(1)k
k=0
k+1
1
1+t
Z

dt = ln 2
(1)n+1 tn+1
1+t
= ln 2 +
0
luego, si ponemos
Sn =
n
X
(1)k
k=0
entonces
k+1
|Sn ln 2| =
0
Como t [0, 1] :
1 1 + t 2 y luego
1
1
1+t
140
tn+1
dt
1+t
!
dt
5.5. S ERIES A LTERNADAS
As
Z
|Sn ln 2|
0
se sigue que
X
(1)k
k=0
k+1
es decir
1
5.5.1.
tn+1
dt
1+t
tn+1 dt =
X
(1)k+1
k=1
1
n+2
= ln 2
1 1 1 1
+ + = ln 2
2 3 4 5
Convergencia condicional y absoluta
Las series de trminos generales no tienen porqu ser alternantes; por ejemplo la serie
X
sen n
n=1
n2
no es alternante pero tampoco es de trminos positivos.

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

2 2
n
n
entonces
sen n
1
1
2
2
2
n
n
n
se sigue
0
sen n + 1
2
2
2
n
n
Por comparacin directa

X
sen n + 1
n=1
X
sen n
n=1
n2
es convergente, y de esta forma
n2
=

X
sen n + 1
n=1
n2
X
1
n2
es convergente.
n=1
En este caso, note que era fcil analizar la convergencia de de la serie de trminos positivos

X
sen n
2
n
n=1
comparndola directamente con
X
n=1
1
.
n2
141
TEOREMA 5.5.2 Si la serie
|xn | converge entonces
n=1
xn converge.
n=1
Dem.: Utilizar
|xn | xn |xn | + xn
+
2
2
X
y comparacin para obtener la convergencia de
xn como en la demostracin del criterio del
|xn | =
n=1
cuociente.
X
(1)k+1
OBSERVACIN: El recproco no es cierto. Considere, por ejemplo, la serie
que es conk
k=1

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

k
k
k=1
k=1
DEFINICIN 5.5.2 Una serie

Si
xk se dice absolutamente convergente si
xk converge pero
k=1
|xk | es convergente.
k=1
k=1
|xk | diverge, diremos que es condicionalmente convergente.
k=1
EJERCICIOS: Decidir si las series
X
(1)n
n + ln n
k=1
X
(2)n
k=1
n2 3n
son absoluta o condicionalmente convergentes.
Reordenamiento de series
Sabemos que
X
(1)k+1
k=1
= ln 2
es condicionalmente convergente, si reordenamos la serie en la forma

1
1
1
1 1 1 1 1 1 1 1
1 + + + +
+
...
2
3
4
5
6
7
8
9
10
11
12

1
1
1 1
1
1
1
1
1
1
=
1
+
2
4
3 6
8
5 10
12
7 14
1 1 1 1
1
1
1
=
+ +
+
...
2 4 6 8 10 12 14

1
1 1 1 1 1 1
=
1 + + + ...
2
2 3 4 5 6 7
1
=
ln 2
2
142
entonces si podemos reordenar los sumandos obtenemos

ln 2 =
1
ln 2
2
contradiccin!!!
En las series, que son sumas infinitas, no da lo mismo el orden en que sumen los trminos.
P
TEOREMA 5.5.3 Si an es una serie absolutamente convergente entonces todos los reordenamientos convergen al mismo valor.
5.6.
1. Estudie la convergencia absoluta y condicional de la serie
X
(1)n+1
n=0
2n + 1
2.
3.
143
144
Captulo 6
Series de Potencias
6.1.
CLASE 22: Series de Potencias
DEFINICIN 6.1.1 Sea {Cn }nN{0} una sucesin de nmeros reales y sea x0 R. Una serie de
potencias es una serie de la forma
+
X
Cn (x x0 )n
n=0
(donde usamos la convencin (x x0 )0 = 1). Los trminos de la sucesin se llaman coeficientes de

la serie de potencias.
EJEMPLOS:
1. Las series
+ n
X
x
+ n
X
x
n!
n
n=0
no es una serie de potencias.
n=0
2. Notar que
+
X
+
X
(x 2)n
n=0
2n
son series de potencias, en cambio,
+
X
cos(nx)
n=0
n2 + 1
xn converge si |x| < 1 y diverge si |x| 1. Adems,
n=0
+
X
1
=
xn ,
1x
x ] 1, 1[
n=0
Luego, la serie converge en un intervalo; esta propiedad es una caracterstica comn a las
series de potencias.
Por simplicidad de clculos pongamos x0 = 0
TEOREMA 6.1.1 Si una serie de potencias
+
X
Cn xn converge en x = a, a 6= 0, entonces converge
n=0
absolutamente x: |x| < |a|. Si la serie diverge en x = b, b 6= 0, entonces diverge x: |x| > |b|.
145
C APTULO 6. S ERIES DE P OTENCIAS
Dem.:
Sea b R con |b| < |a|. Como la serie
+
X
Cn an converge, se sigue que
n=0
lm Cn an = 0
1
|Cn | < n ,
|a|
As,
Pero |b/a| < 1
nN
N : n N
|Cn
bn |
|Cn an | < 1
n
b
< ,
a
nN

X
X b n
converge y as
|Cn bn | converge.
a
+
X
Cn bn
converge absolutamente.
n=0
Suponga que
+
X
Cn dn diverge y |h| > |d|; si
n=0
+
X
Cn hn converge, se produce una contradiccin con
n=0
la parte anterior.
COROLARIO 6.1.1 Para una serie de potencias de la forma
+
X
Cn xn se cumple una y slo una de
n=0
las siguientes:
a)
+
X
Cn xn converge slo para x = 0.
n=0
b)
+
X
Cn xn converge para todo x R.
n=0
c) Existe R R+ tal que

x : |x| < R
+
X
Cn x n
converge absolutamente
Cn x n
diverge
n=0
x : |x| > R
+
X
n=0
Dem.: Sea
(
I=
x R {0} :
+
X
)
Cn xn converge
n=0
y suponga que I 6= R; entonces existe x0 R, x0 6= 0 :
+
X
n=0
Cn xn0
converge, y x1 :
+
X
Cn xn1
n=0
diverge. Luego, I 6= y es acotado superiormente, por lo tanto tiene supremo. Sea R = sup I.
Luego, por el teorema anterior este R tiene las propiedades dadas.
146
6.1. CLASE 22: S ERIES DE P OTENCIAS
DEFINICIN 6.1.2 El valor de R del teorema anterior se llama radio de convergencia de la serie y, por
convencin, en el primer caso se dice que R = 0 y en (b) R = .
OBSERVACIN:
+
X
El mismo resultado es aplicable a las series de la forma
Cn (x x0 )n .
n=0
Basta poner u = x x0 de donde la serie queda
+
X
Cn un
R : |u| < R converge,
n=0
|u| > R diverge.

En resumen, se cumple uno de los siguientes:
I.- La serie converge slo para x = x0 .
II.- La serie converge para todo x R.
III.- Existe un R > 0, llamado radio de convergencia, tal que
+
X
Cn (x x0 )n
n=0
a) converge absolutamente si |x x0 | < R.

b) diverge si |x x0 | > R.
Los puntos extremos del intervalo ]x0 R, x0 + R[ se deben analizar por separado y dan
origen al intervalo de convergencia que es el conjunto en el cual la serie de potencias converge.
Este conjunto slo puede tener alguna de las siguientes formas:
{x0 },
R,
[a, b[,
[a, b],
]a, b],
]a, b[
R+ no puede ser el intervalo de convergencia de una serie de potencias.
EJEMPLOS: Hallar el intervalo de convergencia de las series:

a)
b)
+
X
n x
d)
+ n
X
x
n2
n=0
n=1
+ n
X
x
+
X
(x 3)2n
n=0
c)
n n
n!
e)
n=1
n2 5n
+ n
X
x
n=1
147
Solucin:
p
n
n a
a) Apliquemos el criterio de la raz:
nn |x|n = n|x|, de donde
n =
p
lm n nn |x|n = lm n|x| = +
si x 6= 0
n
Luego, la serie diverge para x 6= 0. El intervalo de convergencia para
+
X
nn xn es {0}.
n=0
b) En este caso, aplicamos el criterio del cuociente:
Luego,
+ n
X
x
n=0
n!
lm
|an+1 |
=
|an |
|an+1 |
=0
|an |
|x|n+1
(n+1)!
|x|n
n!
|x|
n+1
x R
converge x R.
+ n
X
|x|n
|x|
x
= lm
=
|x|.
Luego,
la
serie
n n n
n
n
n
n=1
|x| > 1. Analicemos qu sucede si |x| = 1:
c) lm
x=1
+
X
1
,
n
converge si |x| < 1y diverge si
que diverge (serie armnica)
n=1
x = 1 :
+
X
(1)n
n=1
que converge, por el criterio de Leibnitz
Por lo tanto, el intervalo de convergencia es [1, 1[.

r
+ n
n
X
x
n |x|
d) lm
=
|x|.
Luego,
la
serie
converge si |x| < 1 y diverge si |x| > 1. Ahora
2
n
n
n2
n=1
analizamos |x| = 1:
+
X
1
x=1
:
converge
n2
n=1
x = 1 :
+
X
(1)n
n=1
n2
converge
El intervalo de convergencia es [1, 1].

r
n
|x 3|2
n (x 3)
e) Notemos que lm
=
.
As,
la
serie
converge
si
|x
3|
<
5 y diverge
n
n2 5n
5
+
X 1
si |x 3| > 5. Si |x 3| = 5, la serie es
, que converge. Finalmente el intervalo
n2
n=1

de convergencia es I = 3 5, 3 + 5 .
148

+
X
OBSERVACIN: Si una serie de potencias
Cn (x x0 )n tiene radio de convergencia R > 0
n=0
entonces es posible definir una funcin

f : ]x0 R, x0 + R[ R
7 f (x) =
+
X
Cn (x x0 )n
n=0
Podemos preguntarnos, es f continua? es f derivable?

Si f (x) =
+
X
Cn (x x0 )n se dice que f est expresada como serie de potencias. Se presentan
n=0
dos problemas fundamentales:

I.- Si una funcin est dada como serie de potencias, determinar sus propiedades.
II.- Dada una funcin f es expresable en serie de potencias? Por ejemplo, es posible expresar
la funcin f (x) = ex como serie de potencias?
TEOREMA 6.1.2 Si f (x) =
+
X
Cn (x xo )n es una serie de potencias de radio de convergencia
n=0
R > 0 entonces
+
X
nCn (x x0 )n1
n=1
tiene el mismo radio de convergencia. Adems,

0
f (x) =
+
X
nCn (x x0 )n1
x, |x x0 | < R
n=1
COROLARIO 6.1.2
Si f (x) =
+
X
Cn (x x0 )n tiene radio de convergencia R > 0, entonces f es
n=0
continua en ]x0 R, x0 + R[.

OBSERVACIN: Para los extremos del intervalo no hay informacin, se debe analizar caso a caso y
por separado.
COROLARIO 6.1.3 Si R > 0 es el radio de convergencia de la serie
f (x) =
+
X
Cn (x x0 )n
n=0
entonces f
C (]x
R, x0 + R, [). Adems, los coeficientes son

f (k) (0)
= Ck
k!
149
EJEMPLO 6.1.1 La funcin definida por la serie f (x) =
n=0
nito, f adems es C (R) y se tiene que:

f 0 (x) =
+ n
X
x
tiene radio de convergencia infi-
n!
+
+ n
X
X
xn1
x
=
= f (x)
(n 1)!
n!
n=1
n=0
Adems f (0) = 1. Existe una nica funcin que cumple esas dos propiedades:
x
e =
+ n
X
x
n=0
n!
En efecto, supongamos que f 0 (x) = f (x) en R y f (0) = 1. Si

g(x) = ex f (x) g 0 (x) = 0 g(x) = cte g(x) = 1 f (x) = ex
+
X
TEOREMA 6.1.3 (Integracin de series de potencias) Sea f (x) =
Cn xn una serie de potencias
n=0
con radio de convergencia R > 0, entonces x ] R, R[,

!
Z x
Z x X
+
+
X
Cn n+1
n
dt =
f (t) dt =
Cn t
x
n+1
0
0
n=0
n=0
EJEMPLOS:
+
1. Tenemos que
X
1
=
xn ,
1x
|x| < 1.
Entonces:
n=0
X
1
=
(1)n xn
1+x
|x| < 1
n=0
luego
ln(1 + x) =
+
X
(1)n xn+1
n=0
n+1
|x| < 1
2. Notemos que
X
1
=
(1)n x2n
2
1+x
|x| < 1.
Luego
n=0
arc tan (x) =
+
X
(1)n x2n+1
n=0
150
2n + 1
|x| < 1
3. Es importante explicitar en torno a qu punto se calcular la serie de potencias de una funcin

1
que la admita. Considerar, por ejemplo, la funcin f (x) =
.
2+x
1
1
1
=
2+x
2 1+
x
2
x n X
1 X
xn
(1)n
=
(1)n n+1 ,
2
2
2
n=0
1
1
=
=
2+x
1 + (1 + x)
n=0
(1)n (x + 1)n ,
x

< 1.
2
|x + 1| < 1.
n=0
donde en ambos casos se ha utilizado el resultado del ejemplo 1.El primer desarrollo corresponde a una serie de potencias de la funcin alrededor de x = 0,
mientras que el segundo se realiza en torno de x = 1.
EJERCICIOS:
1. Expresar
1
en serie de potencias con centro en 1.
1x
2. Hallar serie de potencias para

2x
+1
x2
3x 1
x2 1
centrada en x = 0
3. Sea
x
e 1
f (x) =
x
x 6= 0
x=0
muestre que f C (R). Encuentre su serie de potencias.

Z
4. Muestre que
ex dx =
+
X
n=0
(1)n
como es alternante
(2n + 1)n!
|I SN | |aN +1 |
5. Calcule el valor de
+
X
n
2n
n=0
151
6.2.
CLASE 23: Polinomios y Series de Taylor y MacLaurin
6.2.1.
Polinomios de Taylor
Si f : I R R es una funcin derivable en x = x0 entonces

f 0 (x) = lm
xx0
f (x) f (x0 )
x x0
esto significa que para x x0

f (x) f (x0 ) = (x x0 )f 0 (x0 )
0 f (x) f (x0 ) + (x x0 )f 0 (x0 ) esto es, los valores de f (x) se aproximan por el polinomio de grado
1 p(x) = f (x0 ) + (x x0 )f 0 (x0 ). Es lgico pensar que mientras mas derivable es la funcin mejor
es la aproximacin que podremos realizar.
DEFINICIN 6.2.1 Dado n N y f : I R R una funcin nveces derivable en x0 I, se
define el nsimo polinomio de Taylor de f alrededor de x0 como:
Pnx0 (x) = f (x0 ) + f 0 (x0 )(x x0 ) +
f (2) (x0 )
f (n) (x0 )
(x x0 )2 + . . . +
(x x0 )n
2!
n!
EJEMPLOS:
1. Si f (x) = ex encontrar p5 (x) al rededor de 0. f (n) (0) = e0 = 1
P5 (x) = 1 + x +
x2 x3 x4 x5
+
+
+
2!
3!
4!
5!
2. Si f (x) = ln(x + 1) encontrar el nsimo trmino alrededor de 0.

Pn (x) = x
3. Lo mismo para f (x) = sen (x)
4. Pn (x) en x0 = 0 para f (x) =
x2 x3 x4
xn
+
+ . . . + (1)n1
2
3
4
n
x0 = 2
1
1x
DEFINICIN 6.2.2 Se define el nsimo resto de Taylor rn (x) de f en x0 por

rn (x) = f (x) Pn (x)
donde Pn es el nsimo polinomio de Taylor de f .
152
6.2. CLASE 23: P OLINOMIOS Y S ERIES DE TAYLOR Y M AC L AURIN
TEOREMA 6.2.1 Si n N y f n+1 existe en un intervalo I que contiene a x0 , entonces para cada
x I, x 6= x0 existe tx entre x0 y x tal que
f (x) = Pn (x) + rn (x)
con
rn (x) =
f (n+1) (tx )
(x x0 )n+1
(n + 1)!
OBSERVACIN: (note que es una generalizacin del Teorema del Valor Medio)
EJEMPLO 6.2.1 Aproximar el nmero e con un error menor a 0, 001
Solucin: f (x) = ex
|rn (1)| = |f (1) Pn (1)| < 0, 001
por el Teorema de Taylor existe tx ]0, 1[ tal que

f (n+1) (t )

1
n+1
(1 0)
|rn (1)| =

(n + 1)!
=
<
6.2.2.
et1
(n + 1)!
4
(n + 1)!
4
1
<
(n + 1)!
1000
n6
Series de Taylor
DEFINICIN 6.2.3 Supongamos que f tiene derivadas de todo orden en x = x0 . Llamaremos serie
de Taylor de f en x0 a la serie de potencias
+ (n)
X
f (x0 )
n=0
n!
(x x0 )n
si x0 = 0 se llama serie de Maclaurin de f .

OBSERVACIN: Puede ocurrir que la serie anterior sea convergente o no para un x 6= x0 y en caso
de convergencia puede ser a f (x) o a un nmero distinto de f (x)
153
(
EJEMPLO 6.2.2 La serie de Taylor no converge a la funcin f (x) =
e x2
0
x 6= 0
x=0
1
f C (R), f (n) (0) = 0 serie de Taylor 0 entonces pero si x 6= 0, f (x) = e x2 6= 0.

Para asegurar la convergencia de la serie de Taylor de la funcin respectiva tenemos el siguiente
teorema.
TEOREMA 6.2.2 Supongamos que f tiene derivadas de todo orden en un intervalo I que contiene
a x0 y existe M > 0 tal que |f (n) (x)| M para todo x I y n N (N fijo) entonces la serie de
Taylor de f en x0 converge a f (x) para cada x I es decir
f (x) =
+ (n)
X
f (x0 )
n!
n=0
(x x0 )n
x I
Demostracin: Por el Teorema de Taylor del Resto

rn (x) =
f (n+1) (tx )
(x x0 )n+1
(n + 1)!
luego
|rn (x)|
M |x x0 |n+1
(n + 1)!
pero
(x x0 )n+1
=0
n+
(n + 1)!
lm
por lo tanto
lm rn (x) = 0
n+
lo que prueba el teorema.
EJEMPLOS:
1. f (x) = sen (x) =
+
X
(1)n x2n+1
n=0
2. f (x) = cos(x) =
+
X
(1)n x2n
n=0
3. f (x) = ex =
+ n
X
x
n=0
154
(2n + 1)!
n!
(2n)!
x R
x R
x R
6.3.
CLASE
Vernica Gruenberg
Stern
6.3.
24: A PLICACIONES AL C LCULO DE I NTEGRALES Y S ERIE B INOMIAL
CLASE 24: Aplicaciones al Clculo de Integrales y Serie Binomial
Consideremos la serie
( 1) 2 ( 1) ( 2) 3
x +
x + ...
2!
3!
X
( 1) ( n + 1) n
= 1+
x
n!
n=1

X
n
= 1+
x
n
1 + x +
n=1
donde hemos usado la notacin

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

(1)(n+1)(n)

n
(n+1)!
=1

lm
lm

= n
(1)(n+1)
n
n
+
1

n!
se sigue que

X
n
f (x) = 1 +
x
n
n=1
es una funcin derivable en ]1, 1[ ms aun:

X
n1
f (x) =
n
x
n
0
n=1
y

X
n1 X
n
(1 + x) f (x) =
n
x
+
n
x
n
n
n=1
n=1

X
X
( 1) ( n + 1)
n
n1
=
n
x
+
n
x
n!
n
n=1
n=1

X
( 1) ( n + 1)
=
xn1 +
(n 1)!
0
n=1
X
n=1
= +
= +
( 1) ( n + 1) n
x
(n 1)!

X
( 1) ( n)
n=1

X
n=1
n!
( 1) ( n)
n!
x +
xn +
X
( 1) ( n + 1)
n=1
X
n=1
(n 1)!
n
xn
( 1) ( n + 1) n
x
n!
155
= +

X
( 1) ( n + 1)
n!
n=1

X
(( n) + n) xn

( 1) ( n + 1)
= +
xn
n!
n=1
!

X
( 1) ( n + 1)
= 1+
xn = f (x)
n!
n=1
entonces
f 0 (x) =
f (x)
(1 + x)
entonces
f0
=
f
1+x
ln f (x) = ln (1 + x) + C
f (x) = K (1 + x)
notar que f (0) = 1 y as K = 1, se sigue que, para x ]1, 1[

(1 + x) = 1 +
X
( 1) ( n + 1)
n!
n=1
xn
esto permite el siguiente clculo

1/2
(1 + x)
=1+
X
21
n=1
entonces
1x

2 1/2
=1+
X
21
n=1
y as
arc sen x = x +
X
21
n=1

12 1 12 n + 1 n
x
n!

12 1 12 n + 1
(1)n x2n
n!

21 1 12 n + 1
(1)n x2n+1
n! (2n + 1)
as
X
21

12 1 12 n + 1
arc sen x = x +
(1)n x2n+1
n! (2n + 1)
n=1
1

1
1
X
2
2 + 1 2 + n 1
x2n+1
= x+
n! (2n + 1)
= x+
n=1
n=1
156
1 3 5 (2n 1) 2n+1
x
vlido en ]1, 1[
2n n! (2n + 1)
6.4.
1. Determine una serie de potencias alrededor de x0 = 0 (serie de Maclaurin) para la funcin

1
f (x) =
.
1+x
2.
3.
157

A MAT022 Complemento

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

A MAT022 Complemento

Caricato da

Copyright:

Formati disponibili

Coordinacin MAT022

Campus Santiago Vitacura

Vernica Gruenberg Stern

Vernica Gruenberg Stern

1.1.1. Conceptos Bsicos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.2. Operatoria con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.3. Propiedades de las Operaciones Matriciales . . . . . . . . . . . . . . . . . . . .

1.2.1. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. CLASE 3: Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. CLASE 4: Operaciones Elementales y Matrices Elementales . . . . . . . . . . . . . . .

1.4.1. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5. CLASE 5: Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . .

1.6. CLASE 6: Matriz Inversa y operaciones elementales . . . . . . . . . . . . . . . . . . .

1.6.1. Mtodo de Gauss-Jordan para calcular la inversa de una matriz . . . . . . . .

1.7. CLASE 7: Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.7.1. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . .

1.7.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.8. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1. CLASE 8: Vectores en el plano y en el espacio . . . . . . . . . . . . . . . . . . . . . . .

2.1.1. Operaciones bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.2. Producto punto y norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.3. Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.4. ngulo entre vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.5. Producto cruz en

2.2. CLASE 9: Geometra del Plano y el Espacio . . . . . . . . . . . . . . . . . . . . . . . .

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

2.3. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1. CLASE 10: Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. CLASE 11: Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3. CLASE 12: Espacio Generado. Independencia lineal . . . . . . . . . . . . . . . . . . .

3.4. CLASE 13: Bases y dimensin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.5. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1. CLASE 14: Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2. CLASE 15: Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3. CLASE 16: Aplicacin: forma cannica de cuadrticas . . . . . . . . . . . . . . . . . .

4.3.1. Proceso de ortogonalizacin de Gram-Schmidt . . . . . . . . . . . . . . . . . .

4.3.2. Formas cuadrticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.4. CLASE 17: Aplicacin: Secciones cnicas rotadas . . . . . . . . . . . . . . . . . . . . . 101

5.1. CLASE 18: Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

Conceptos Bsicos de Matrices

a11 a12 a13 a1m

a21 a22 a23 a2m

31 a32 a33 a3m

an1 an2 an3 anm

Vernica Gruenberg Stern

2. La matriz A = (aij )33 = (i + j)33

est dada por 3 4 5

3. Escriba explcitamente la matriz A = (aij ) M44 , donde aij = i2 j 2 .

Vernica Gruenberg Stern

Vernica Gruenberg Stern

Matriz triangular superior:

DEFINICIN 1.1.8 Dada una matriz cuadrada

a11 a12 a13

a21 a22 a23

A = a31 a32 a33

an1 an2 an3

a11 a12 a13 a1n

Vernica Gruenberg Stern

Operatoria con matrices

DEFINICIN 1.1.10 ( Suma de matrices) Si A = (aij )nm

y B = (bij )nm , se define la suma de

an1 + bn1 an2 + bn2 anm + bnm

DEFINICIN 1.1.11 (Multiplicacin por escalar o ponderacin) Si A = (aij )nm y R C,

a11 a12 a1m