M AT E M T I C A S AVA N Z A DA S

TA L L E R 0 1
diego fernando corts villa*

11 de mayo de 2017

contents
1 Introduccin 3
2 Caso 1. Polinomios 3
2.1 Ejercicio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Ejercicio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Ejercicio 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Ejercicio 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.5 Ejercicio 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.6 Ejercicio 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.7 Ejercicio 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Caso. 2 Series y sucesiones 12
3.1 Ejercicio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Ejercicio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.3 Ejercicio 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Ejercicio 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.5 Ejercicio 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.6 Ejercicio 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.7 Ejercicio 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Caso 3. Algebra Lineal 26
4.1 Ejercicio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Ejercicio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 Ejercicio 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.4 Ejercicio 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.5 Ejercicio 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.6 Ejercicio 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.7 Ejercicio 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.8 Ejercicio 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.9 Ejercicio 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.10 Ejercicio 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

list of figures
Figure 1 Polinomios de Chebyshev 1-5 . . . . . . . . . . . . . . . . . . . 8
Figure 2 Polinomios de Chebyshev 6-11 . . . . . . . . . . . . . . . . . . 9
Figure 3 Polinomios de Chebyshev 12-15 . . . . . . . . . . . . . . . . . . 9
Figure 4 Polinomios de Legendre 1-5 . . . . . . . . . . . . . . . . . . . . 10
Figure 5 Polinomios de Legendre 6-11 . . . . . . . . . . . . . . . . . . . 10
Figure 6 Polinomios de Legendre 12-15 . . . . . . . . . . . . . . . . . . . 11

1
 List of Figures 2

Figure 7 Comparacin de sucesiones con arreglos automticos vs. condi-

cionales for . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Figure 8 Comparacin de sucesiones con arreglos automticos vs. condi-
cionales for . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Figure 9 Resultado de sucesin an . . . . . . . . . . . . . . . . . . . . . 17
Figure 10 Resultado de sucesin bn . . . . . . . . . . . . . . . . . . . . . 17
Figure 11 Representacin grfica de la serie 14 . . . . . . . . . . . . . . . 19
Figure 12 Representacin grfica de la serie 15 . . . . . . . . . . . . . . . 20
Figure 13 Error Absoluto para la funcin sin(x) . . . . . . . . . . . . . . . 22
Figure 14 Error Relativo para la funcin sin(x) . . . . . . . . . . . . . . . 23
Figure 15 Error Absoluto para la funcin cos(x) . . . . . . . . . . . . . . 24
Figure 16 Error Relativo para la funcin cos(x) . . . . . . . . . . . . . . . 24
Figure 17 Error Absoluto para la funcin exp(x) . . . . . . . . . . . . . . 25
Figure 18 Error Relativo para la funcin exp(x) . . . . . . . . . . . . . . . 25

* Departamento de ingeniera mecnica y mecatrnica, Universidad Nacional de Colombia, Bogot, Colombia

 introduccin 3

1 introduccin
La necesidad de dominar las matemticas con el fin de realizar investigaciones
cientficas es indiscutible en la actualidad. En este taller se busca afianzar los
conocimientos y la tcnica apra las herramientas presentadas en el curso.

2 caso 1. polinomios
2.1 Ejercicio 1

Construya un polinomio que tenga tres (3) races repetidas en x=4 y dos (2) races
repetidas en x=0. Verifique las races de la derivada de este polinomio de forma
terica y usando el comando derivat de Scilab.

Solucin:
Segn el teorema de Rolle [1] si f(x) tiene valores iguales en dos valores diferentes
de x, entonces en algn punto entre estos dos valores su derivada es igual a cero.
Con esto presente podemos definir el polinomio de la siguiente manera:

f(x) = (x 4)3 x2 (1)

Luego al expandir el polinomio (1) tenemos que:

f(x) = x5 12x4 + 48x3 64x3 (2)

siguiendo con el teorema de Rolle, derivamos (2) y encontramos:

f 0 (x) = 5x4 48x3 + 144x2 128x (3)

para encontrar las raices de (3) factorizamos usando:

f(x) = an (x 1 )m1 (x 2 )m2 . . . (x r )mr

= an xn + an1 xn1 + . . . + a1 x + a0
y cuando se encuentre una de las races del polinomio vemos

f(x) = (x )f1 (x)

f1 (x) = bn1 xn1 + bn2 xn2 + . . . + b1 x + b0

y por comparacin:

bn1 = an ,
bn2 bn1 = an1 ,
bn3 bn2 = an2 ,
..
.
b0 b1 = a1 ,
b0 = a0 .
con igual a la raz encontrada
una de las races evidentes del polinomio 3 es x=0 lo que nos deja un polinomio
de tercer grado:

f 0 (x) = x(5x3 48x2 + 144x 128) (4)

por divisin sinttica encontramos que x=4 es una raz del polinomio:
 caso 1. polinomios 4

5 48 144 128
4 20 112 128
5 28 32 0

encotnrando:

f 0 (x) = x(x 4)(5x2 28x + 32) (5)

y de nuevo por divisin sinttica tenemos que hay una raz repetida en x=4.

5 28 32
4 20 32
5 8 0

f 0 (x) = x(x 4)2 (5x 8) (6)

con lo que encontramos todas las races del polinomio

x=0
x=4
8
x=
5

A continuacin se presenta el cdigo de Scilab, en el que se verifican las races del

polinomio usando la funcin poly y roots.

1 clear
2 clc
3 f=poly ([0 0 4 4 4],"x","r");
4 df=derivat(f);
5 r1=roots(f);
6 r2=roots(df);
7 for i=1:5
8 if isreal(r1(i),0.0001)
9 r1(i)=real(r1(i));
10 end
11 end
12 disp(el polinomio f(x) es: )
13 disp(f)
14 disp(las raices del polinomio son: )
15 disp(r1)
16 disp(La derivada del polinomio es: )
17 disp(df)
18 disp(con las raices: )
19 disp(r2)

Obteniendo como solucin a ejecutar el archivo ejer01.sce lo siguiente, 8/5 = 1.6

y teniendo en cuenta que se obtiene el resultado esperado encontrado en la solucin
analtica, verificamos que el programa cumple el objetivo.

1 el polinomio f(x) es:

2
 caso 1. polinomios 5

3 2 3 4 5
4 -64x +48x -12x +x
5

6 las raices del polinomio son:

7

8 4.0000264
9 3.9999868
10 3.9999868
11 0.
12 0.
13

14 La derivada del polinomio es:

15

16 2 3 4
17 -128x +144x -48x +5x
18

19 con las raices:

20

21 4.0000002
22 3.9999998
23 1.6
24 0.

2.2 Ejercicio 2

Escriba una funcin en Scilab que tome como argumento un polinomio y propor-
cione como salida nicamente las races reales del mismo. Considere el uso de las
siguientes funciones de Scilab: poly, roots, isreal

Solucin:

Podemos usar el cdigo desarrollado en el punto anterior modificandolo para

que reciba cualquier polinomio, de la siguiente manera tenemos que:

La funcin poly tiene las siguientes condiciones:

1 p = poly(a, vname, ["flag"])

en la que a es un matriz o un nmero real, vname una cadena con el nombre

simblico de la variable y "flag" define la entrada como los coeficientes o las
races del polinomio ("roots", "coeff"), para el caso de este ejercicio usaremos
como entrada los coeficientes diferenciandolo del problema anterior.

1 s = poly(v, "x", "coeff")

s crea el polinomio con el smbolo "x" y con los coeficientes como entradas
de v (v(1) es el termino constante del polinomio). (Aqu poly y coeff son
funciones inversas).

La funcin roots encuentra las races del polinomio definido:

1 x=roots(p)
2 x=roots(p,algo)
 caso 1. polinomios 6

el valor de p es el polinomio de entrada definido a travs de la funcin poly y

algo determina el algoritmo usado para encontrar las races; "e" es el mtodo
basado en los valores propios de la matriz y "f" corresponde al algoritmo
rpido RPOLY, basado en el mtodo de Jenkins-Traub.

isreal retorna verdadero si la variable es real y falso si no lo es.

1 t=isreal(x)
2 t=isreal(x,eps)

Para probar el funcionamiento de estas funciones se usan los siguientes poli-

nomios:
x5 4x4 + 11x3 + 4x2 10x 52
Que tiene una raz real y 4 races complejas.

1 clear
2 clc
3 p=[-52 -10 4 11 -4 1]; //coeficientes del polinomio
4 f=poly (p,"x","coeff");//define el polinomio
5 r=roots(f);//calcula las raicse del polinomio
6 rr=0;//vector de almacenamiento raices reales
7 j=1;
8 for i=1:6
9 if isreal(r(i),0.00001)
10 rr(j)=real(r(i));//almacena las raices reales
11 j=j+1;
12 end
13 end
14 disp(el polinomio f(x) es: )
15 disp(f)
16 disp(Las raices de f(x) son: )
17 disp(r)
18 disp(las raices del reales son: )
19 disp(rr)

Obteniendo como resultado los siguiente:

1 el polinomio f(x) es:

2 2 3 4 5
3 -52 -10x +4x +11x -4x +x
4

5 Las raices de f(x) son:

6

7 2. + 3.i
8 2. - 3.i
9 2.
10 -1. + 1.i
11 -1. - 1.i
12

13 las raices del reales son:

14

15 2.

El siguiente polinomio tiene 4 races reales: x4 + 8x3 + 23x2 + 28x + 12

1 el polinomio f(x) es:

2 2 3 4
3 12 +28x +23x +8x +x
 caso 1. polinomios 7

5 Las raices de f(x) son:

6

7 -3.
8 -2.0000001
9 -1.9999999
10 -1.
11

12 las raices del reales son:

13

14 -3.
15 -2.0000001
16 -1.9999999
17 -1.

2.3 Ejercicio 3

Investigue y documente el uso y aplicaciones de los polinomios primer tipo de

Tchebyschev dados por las siguientes relaciones de recurrencia:

T0 (x) = 1
T1 (x) = x
Tn+1 (x) = 2xTn (x) Tn1 (x)
Solucin:

Los polinomios de Chebyshev del primer tipo son un conjunto de polinomios

ortogonales definidos como las soluciones a la ecuacin diferencial de Chebyshev
y denotados Tn (x). Se utilizan como una aproximacin a un ajuste de mnimos
cuadrados, y son un caso especial del polinomio de Gegenbauer con alfa = 0. Tam-
bin estn ntimamente conectados con frmulas trigonomtricas de ngulo mlti-
ple.
Son usados ampliamente para el anlisis de redes elctricas pues las series ortog-
onales permiten analizar sistemas invariantes y periodos en el tiempo. [2] Para
determinar sus races se usa la formulacin:
 2k 1 
xk = cos
2n
Para k = 1, 2, .., n

2.4 Ejercicio 4

Grafique el comportamiento de los primeros 15 Polinomios de Tchebyshev de Primer

Tipo en el rango 1 < x < 1

Solucin:

A continuacin se muestran los algoritmos usados para implementar las rela-

ciones de recurrencia mostradas en el punto anterior.

1 function T=chebyshev(n,x)
2 m=length(x);
3 T=zeros(1,m);
4 T1=ones(1,m);
5 T2=x;
6 if n==1 then
 caso 1. polinomios 8

Figure 1: Polinomios de Chebyshev 0-5

7 T=T1;
8 else
9 if n==2 then
10 T=x;
11 else
12 for j=2:n
13 T=2*x.*T2-T1;
14 T1=T2;
15 T2=T;
16 end
17 end
18 end
19 endfunction

Para las grficas se us el siguiente script:

1 clf();
2 clear
3 clc
4 x=[-1:0.01:1];
5 exec(chebyshev.sci,-1)
6 for i=1:5
7 plot2d(x,chebyshev(i,x),i);
8 end
9 legend(P1,P2,P3,P4,P5)
10 title(Polinomios Chebyshev)

2.5 Ejercicio 5

Investigue y documente el uso y aplicaciones de los polinomios de Legendre dados

por las siguientes relaciones:
P0 (x) = 1
P1 (x) = x
(n + 1)Pn+1 (x) = (2n + 1)xPn (x) nPn1
Solucin:
 caso 1. polinomios 9

Figure 2: Polinomios de Chebyshev 6-11

Figure 3: Polinomios de Chebyshev 12-15

Los polinomios de Legendre aparecen en la solucin de una ecuacin de Laplace

de un potencial 2 (x), en una regin del espacio de carga libre, usando el mtodo
de separacin de variables, donde las condiciones lmite tienen simetra axial.[2]
Los polinomios de Legendre, a veces llamados funciones de Legendre del primer
tipo, coeficientes de Legendre, o armnicos zonales, son soluciones a la ecuacin
diferencial de Legendre. Los polinomios de Legendre Pn (x) se ilustran arriba para
x en [1, 1] yn = 1, 2, ..., 5.

2.6 Ejercicio 6

Grafique el comportamiento de los primeros 15 Polinomios de Legendre en el rango

1 < x < 1

Desarrollando el algoritmo propio de Scilab se us para encontrar los 15 poli-

nomios.

1 l = nearfloat("pred",1);
2 x = linspace(-l,l,200);
3 y = legendre(0:5, 0,x);
 caso 1. polinomios 10

Figure 4: Polinomios de Legendre 1-5

Figure 5: Polinomios de Legendre 6-11

4 clf()
5 plot2d(x,y, leg="P0@P1@P2@P3@P4@P5")
6 xtitle("Polinomios de Legendre")

2.7 Ejercicio 7

Escriba una funcin de Scilab que tome como argumento un polinomio y propor-
cione como salida otro polinomio cuyas races sean los inversos algebraicos de TO-
DAS las races del polinomio original.
Nota: este tipo de polinomios si existen, suelen denominarse polinomios inversos.
Ayuda: Verifique que ninguna de las races es cero, de lo contrario use un mensaje de error
y salga de la funcin.

Solucin:

Para desarrollar el script descrito en el problema se usan los procedimientos de

los puntos anteriores, primero se definen los coeficientes de entrada para el poli-
nomio original y crearlo usando la funcin poly para luego a travs de la funcin
 caso 1. polinomios 11

Figure 6: Polinomios de Legendre 12-15

roots definir las races que sern invertidas.

Se plantea un control a travs de el condicional if que permite identificar una raz
igual a cero y detener el proceso anunciando un error.

1 clear
2 clc
3 p=[12 28 23 8 1]; //coeficientes del polinomio
4 f=poly (p,"x","coeff");//define el polinomio
5 r=roots(f);//calcula las raices del polinomio
6 disp(El polinomio original es f(x): )
7 disp(f)
8 for m=1:length(r)
9 if r(m)==0
10 disp(Error: el polinomio tiene raices iguales a cero.)
11 abort
12 else
13 r_inv(m)=r(m).^-1;
14 end
15 end
16 p_inv=poly(r_inv,"y","coeff")
17 ra=roots(p_inv)
18 disp(Sus raices son: )
19 disp(r)
20 disp(el polinomio con las raices inversas es g(y): )
21 disp(p_inv)
22 disp(las raices del polinomio inverso son: )
23 disp(ra)

En este caso particular se obtiene:

1 El polinomio original es f(x):

2

3 2 3 4
4 12 +28x +23x +8x +x
5

6 Sus raices son:

7

8 -3.
9 -2.0000001
10 -1.9999999
 caso. 2 series y sucesiones 12

11 -1.
12

13 el polinomio con las raices inversas es g(y):

14

15 2 3
16 -0.3333333 -0.5y -0.5y -1y
17

18 las raices del polinomio inverso son:

19

20 0.0486345 - 0.7454733i
21 0.0486345 + 0.7454733i
22 -0.5972691

Para verificar que el control de las races igual a cero funciona tenemos que:

1 El polinomio original es f(x):

2

3 2 3 4
4 28x +23x +8x +x
5

6 Error: el polinomio tiene raices iguales a cero.

3 caso. 2 series y sucesiones

3.1 Ejercicio 1

Determine de forma numrica (usando tanto arreglos automticos como condi-

cionales for) los primeros 200 trminos de las siguientes sucesiones:

(n3 + 1)
an = (1)n (7)
(n + 1)3

bn = sin n3 (8)
Solucin:

En los siguientes scripts se evidencia las dos metodologas para encontrar la suce-
sin, las variables an y bn se identifican como arreglos automticos, mientras que
An y Bn se basan en condicionales tipo for:

1 clf()
2 clear
3 clc
4 n=1:200;
5 a_n=(-1).^n.*(n.^3+1)./(n+1).^3;
6 for j=1:200
7 A_n(j)=(-1)^j*(j^3+1)/(j+1)^3;
8 end
9 subplot(121)
10 plot2d(a_n)
11 xtitle("Sucesion a_n usando arreglos automaticos")
12 subplot(122)
13 plot2d(A_n)
14 xtitle("Sucesion a_n usando condicionales for")

Para los arreglos automticos se usan las operaciones trmino a termino an-
teponiendo el punto antes del operador.
 caso. 2 series y sucesiones 13

Figure 7: Comparacin de sucesiones con arreglos automticos vs. condicionales for

Figure 8: Comparacin de sucesiones con arreglos automticos vs. condicionales for

1 clf()
2 clear
3 clc
4 n=1:200;
5 x=[0:0.1:2*%pi];
6 b_n=sin(n.^3)
7 for i=1:200
8 B_n(i)=sin(i^3)
9 end
10 subplot(121)
11 plot2d(b_n)
12 xtitle("Sucesion b_n usando arreglos automaticos")
13 subplot(122)
14 plot2d(B_n)
15 xtitle("Sucesion b_n usando condicionales for")

3.2 Ejercicio 2

Muestre de forma grfica los trminos calculados en el punto anterior.

Solucin:

Usando los definido en el punto anterior podemos identificar que no se encuentra

diferencia en los valores de las sucesiones, en las grficas 7 y 8 se muestran las
grficas de las mismas.
 caso. 2 series y sucesiones 14

3.3 Ejercicio 3

Muestre de forma analtica si las sucesiones mostradas en ecuaciones (1) y (2) tienen
lmite y en caso afirmativo, indique cul es dicho lmite.

Solucin:

Tenemos el lmite:

(x3 + 1)
lim (1)x
x (x + 1)3
Usando la propiedad,

lim [c f(x)] = c lim f(x)

xa xa

Aplicamos esto a nuestro problema para obtener:

(x3 + 1)
= limx (1x )
(x + 1)3
1x
= limx
1
(x3 + 1)
(x + 1)3
limx (1x )
=
1
limx 3
(x + 1)
(x + 1)3
Encontramos el lmite del numerador de manera sencilla,

limx (1x ) = 1

Para encontrar el lmite del denominador necesitamos usar lgebra de la sigu-

iente manera:

(x + 1)3
1 (x + 1)3 x3 1
limx = limx 3 = limx = =1
(x3 + 1) (x + 1)
1+ 3
1 1
(x + 1)3 x
Luego tenemos que el lmite para (a) es,

(x3 + 1)
lim (1)x = 1
x (x + 1)3
Aunque podemos observar que cuando x es un valor par el lmite es igual a 1, lo
que nos verifica lo encontrado en la figura 7 en donde vemos que los valores oscilan
al rededor de 1 y-1. De la misma manera el lmite para sin(x3 ) cuanto x tiende a
infinito no tiene una solucin pues es de tipo oscilante tal y como observamos en la
figura 8.

3.4 Ejercicio 4

Para las sucesiones mostradas a continuacin (ecuaciones 9 a 12), determine de

forma numrica y analtica si existe el lmite:

sin(n)
an = (9)
(n + cos(n))
 caso. 2 series y sucesiones 15

1
bn = (10)
np
para p=1
1
cn = (11)
np
para p<1
n!
du = (12)
nn
Solucin:

Para el desarrollo de la ecuacin 9 tenemos que las funciones seno y coseno son
oscilantes al rededor de 1 y -1,

1 6 sin(n) 6 1
1 6 cos(n) 6 1
Luego podemos acomodar la inecuacin de la siguiente manera:

1 sin(n) 1
6 6
n1 (n + cos(n)) n+1
 1 
lim =0
x n 1
 1 
lim =0
x n + 1

Luego,

sin(n)
lim =0
x (n + cos(n))
Tenemos como definicin de un lmite segn [3] como:

Una sucesin tiene limite L, s y slo s, para cualquier vecindad , por pequea que
sea,existe un termino de dicha sucesin, a partir del cual, los trminos que siguen pertenecen
a dicho .

La variable est representada por e en el script, en este caso se seleccion una

vecindad de 0.00001. Mientras la diferencia entre el ltimo valor calculado y el
anterior sea mayora e la funcin while repetir el proceso hasta que se complete
cierta cantidad de iteraciones; stas estn determinadas por la variable lim que tiene
un valor de 10000. Cuando se han completado 10000 iteraciones se asigna lim a
la ltima posicin de an que almacena los valores de la sucesin.
Por ltimo se evala la ltima posicin de la variable an para determinar si el lmite
existe y cul es.

1 clear
2 clc
3 lim=10000;
4 e=0.00001;
5 dif(1,1)=1;
6 an(1,1)=sin(1)/(1+cos(1));
7 i=2;
8 while dif(1,i-1)>e
9 an(1,i)=sin(i)/(i+cos(i));
10 dif(1,i)=abs(an(1,i)-an(1,i-1));
11 i=i+1;
12 if(i==lim)
 caso. 2 series y sucesiones 16

13 an(1,i)=lim;
14 dif(1,i-1)=-1;
15 end
16 end
17

18 if i==lim then
19 disp(La sucesion no converge)
20 else
21 disp("iteraciones", i, "La sucesion converge en ")
22 end

Para encontrar el lmite de la sucesin 10 tenemos que:

1
bn =
np
Como p=1 entonces hacemos el anlisis cuando n crece la serie tiende a disminuir
hasta acercarse a 0.

luego,

1
lim =0
n n
el script usado es una modificacin del punto anterior:

1 clear
2 clc
3 lim=10000;
4 e=0.00001;
5 dif(1,1)=1;
6 i=2;
7 p=1;
8 bn(1,1)=1/1^p;
9

10 while dif(1,i-1)>e
11 bn(1,i)=1/i^p;
12 dif(1,i)=abs(bn(1,i)-bn(1,i-1));
13 i=i+1;
14 if(i==lim)
15 bn(1,i)=lim;
16 dif(1,i-1)=-1;
17 end
18 end
19

20 if i==lim then
21 disp(La sucesion no converge)
22 else
23 disp("iteraciones", i, "La sucesion converge en ")
24 end

3.5 Ejercicio 5

Muestre de forma grfica los resultados obtenidos para el punto anterior.

Los resultados se observan en las figuras 9, 10

Las series para 11 y 12 se muestran en las figuras 11 y 12 respectivamente del
siguiente punto.
 caso. 2 series y sucesiones 17

Figure 9: Resultado de sucesin an

Figure 10: Resultado de sucesin bn

3.6 Ejercicio 6

Muestre de forma numrica y analtica (de ser posible) si existe el lmite para las se-
ries indicadas a continuacin en ecuaciones 13 a 14. Tales series se indican tambin
a continuacin:
X sin(n)
(13)
a
(n + cos(n))
X 1
(14)
a
np
para p<1
X n!
(15)
a
nn
Solucin:

Para definir la convergencia de una serie usamos dos pruebas que nos permiten
determinar s la serie tiene un valor finito cuando los trminos tienden a infinito.
 caso. 2 series y sucesiones 18

PRUEBA DE LA RAZN

La serie genrica converge si:

an1
r = lim <1
n an
Si r > 1 la serie diverge, y si r = 1 el criterio no es suficiente para decidir; sin
embargo, si para r = 1 podemos demostrar que:

r 0 > 1 convergente
an+1 r0
: 1 r 0 < 1 divergente
an n
r 0 = 1 lapruebanodecide
PRUEBA DE LA INTEGRAL
P RL
f(n) con f disminuyendo monotnicamente converge o diverge si f(x)dx
converge o diverge cuando L .

rea de rectngulos:

X ZL
f(n) < lim f(x)dx
L 1
2
R
si 1 f(x)dx converge la serie converge.

X Z
f(n)dx > f(x)dx
1 1

Si la integral no converge entonces la serie no converge.

Ntese que es irrelevante el lmite inferior de la integral, lo que importa es el lmite
cuando L .

La serie 13 se muestra en la figura 9 del punto anterior evidenciando que converge

en 0.
Para identificar la serie 14 usamos la prueba de la integral de la siguiente manera:

1
= f(t)
np
1
f(t) = p
t

X Z
1
= dp
np tp
n=1

por lo tanto:

Z Zb
tp+1 b
 p+1
1p+1

1 b
dt = lim tp dt = lim |1 = lim
1 tp b 1 b p + 1 b p + 1 p + 1

ya que tenemos a p < 1 podemos decir que p > 1 p + 1 > 0 lo que nos
indica que el lmite es igual a infinito. Finalmente la serie es divergente para valores
de p < 1.
 caso. 2 series y sucesiones 19

Figure 11: Representacin grfica de la serie 14

Usando el script mostrado a continuacin vemos como a medida que los trminos
avanzan en el eje positivo de la funcin los valores divergen, se hace un barrido de
los valores de p menos a uno en la figura 11.

1 clear
2 clc
3 clf()
4 m=500;
5 for j=-0.5:0.1:0.9
6 ser2(1,1)=1/1^j;
7 for i=2:m
8 ser2(1,i)=1/i^j+ser2(1,i-1)
9 end
10 n=1:1:size(ser2,2);
11 plot2d(n,ser2)
12 xtitle("Serie 1/n^p")
13 end

Para encontrar el lmite dela serie 15 de manera analtica usamos al prueba de la

razn de la siguiente manera.

an+1 (n + 1)!(nn )
lim = lim
n an n n!(n + 1)n+1

(n + 1)(nn ) nn
lim = lim
n (n + 1) n+1 n (n + 1)n
 n
n 1
lim =
n n + 1 e
Teniendo en cuenta que,

1
<1
0<
e
Se evidencia converge. Numricamente vemos que la convergencia se da al redor
del punto 1.9.

1 clear
2 clc
3 clf()
4 m=100;
 caso. 2 series y sucesiones 20

Figure 12: Representacin grfica de la serie 15

5 for j=-0.5:0.1:0.9
6 ser3(1,1)=factorial(1)/1^1;
7 for i=2:m
8 ser3(1,i)=factorial(i)/(i^i)+ser3(1,i-1)
9 end
10 n=1:1:size(ser3,2);
11 plot2d(n,ser3)
12 xtitle("Serie n!/n^n")
13 end

3.7 Ejercicio 7

Obtenga curvas de error absoluto y error relativo para la Serie de Taylor alrededor
de x = 0 de las siguientes relaciones matemticas, en funcin de las posicin (-1 < x
< 1). Obtenga curvas usando 2, 7, 11 y 21 trminos de la serie.

f1 (x) = sin(x) (16)

f1 (x) = cos(x) (17)

f1 (x) = exp(x) (18)

Solucin:

Para las definiciones de error absoluto 19 y relativo 20 tenemos que:

Et = |Valor Verdadero Valor Aproximado| (19)

 
 Valor Verdadero Valor Aproximado 
t = 
  (20)
Valor Verdadero 

Mientras que para definir el polinomio de Taylor tenemos qu:

X
n
f(i) (x0 )
Tn [f(x), x0 ] = (x x0 )i
i!
i=0
 caso. 2 series y sucesiones 21

Y como sabemos que el punto central es x0 = 0 se convierte en el caso especial

de Polinomio de MacLaurin. Los polinomios para las funciones anteriores son:

x3 x5 (1)n x2n+1 X
+
(1)k x2k+1
sin(x) = x + + + = (x <)
3! 5! (2n + 1)! (2k + 1)!
k=0

x2 x4 (1)n x2n X
+
(1)k x2k
sin(x) = 1 + + + = (x <)
2! 4! (2n)! (2k)!
k=0

x x2 x3 xn X
n
xk
ex = 1 + + + ++ = (x <)
1! 2! 3! n! k!
k=0
Buscamos las derivadas de sin(x) de modo que,

f(x) = sin(x) f(0) = 0

f 0 (x) = cos(x) f 0 (0) = 1
f 00 (x) = sin(x) f 00 (0) = 0
f 000 (x) = cos(x) f 000 (0) = 1
fIV (x) = sin(x) fIV (0) = 0
fV (x) = cos(x) fV (0) = 1
en donde evidenciamos que se comporta de manera peridica variando entre 1 y
-1 luego implementamos el cdigo a continuacin:

1 clear
2 clf()
3 clc
4 function r=seno(x,n)
5 t=size(x,2);
6 r=zeros(1,t);
7 der= [0 1 0 -1];
8 nums=[0:1:(n-1)];
9 facts=factorial(nums);
10 exec(cshift.sci,-1);
11 for i=1:t
12 der= [0 1 0 -1];
13 mac=zeros(1,n);
14 for j=1:n
15 mac(j)=(der(1)*x(i)^(nums(j)))/(facts(j));
16 der=cshift(der, [1 -1]);
17 end
18 r(1,i)=sum(mac);
19 end
20 endfunction
21 x=linspace(-1,1,200);
22

23 p3 = seno(x,3);
24 p7 = seno(x,7);
25 p11 =seno(x,11);
26 p21 = seno(x,21);
27

28 z=sin(x);
 caso. 2 series y sucesiones 22

Figure 13: Error Absoluto para la funcin sin(x)

29 e_abs3=abs(z-p3);
30 e_abs7=abs(z-p7);
31 e_abs11=abs(z-p11);
32 e_abs21=abs(z-p21);
33 e_rel3=e_abs3./abs(z);
34 e_rel7=e_abs7./abs(z);
35 e_rel11=e_abs11./abs(z);
36 e_rel21=e_abs21./abs(z);
37 subplot (221)
38 plot(x,e_abs3)
39 xtitle("Tres Terminos")
40 subplot (222)
41 plot(x,e_abs7)
42 xtitle("Siete Terminos")
43 subplot (223)
44 plot(x,e_abs11)
45 xtitle("Once Terminos")
46 subplot (224)
47 plot(x,e_abs21)
48 xtitle("Veintiun Terminos")

donde usamos el vector der=[0 1 0 -1] para definir los signos de la serie de acuerdo
a las derivadas hallas anteriormente, dentro de la funcin se usa cshift para mover
los valores de posicin y de esta manera paso a paso encontrar cada trmino.

Los resultados de los errores son registrados en las figuras 13 y 14.

De la misma manera encontramos las derivadas para la funcin coseno 17

f(x) = cos(x) f(0) = 1

f (x) = sin(x) f 0 (0) = 0
0

f 00 (x) = cos(x) f 00 (0) = 1

f 000 (x) = sin(x) f 000 (0) = 0
fIV (x) = cos(x) fIV (0) = 1
fV (x) = sin(x) fV (0) = 0
luego implementamos el cdigo de la siguiente manera:
 caso. 2 series y sucesiones 23

Figure 14: Error Relativo para la funcin sin(x)

1 clear
2 clf()
3 clc
4 function r=coseno(x,n)
5 t=size(x,2);
6 r=zeros(1,t);
7 der= [1 0 -1 0];
8 nums=[0:1:(n-1)];
9 facts=factorial(nums);
10 exec(cshift.sci,-1);
11 for i=1:t
12 der= [1 0 -1 0];
13 mac=zeros(1,n);
14 for j=1:n
15 mac(j)=(der(1)*x(i)^(nums(j)))/(facts(j));
16 der=cshift(der, [1 -1]);
17 end
18 r(1,i)=sum(mac);
19 end
20 endfunction
21 x=linspace(-1,1,200);
22

23 p3 = coseno(x,3);
24 p7 = coseno(x,7);
25 p11 =coseno(x,11);
26 p21 = coseno(x,21);
27

28 z=cos(x);

Obteniendo como resultado las figuras 15 y 16.

Finalmente para la ecuacin 18 encontramos las derivadas de la siguiente manera,

evidenciando que para esa funcin todas sus derivadas evaluadas en x = 0 son 1.

f(x) = exp(x) f(0) = 1

f 0 (x) = exp(x) f 0 (0) = 1
f 00 (x) = exp(x) f 00 (0) = 1
f 000 (x) = exp(x) f 000 (0) = 1
 caso. 2 series y sucesiones 24

Figure 15: Error Absoluto para la funcin cos(x)

Figure 16: Error Relativo para la funcin cos(x)

fIV (x) = exp(x) fIV (0) = 1

fV (x) = exp(x) fV (0) = 1
El script usado para encontrar las curvas de error es diferente al usado anterior-
mente debido a que en este caso los coeficientes de la serie se mantienen constantes
en 1, luego no es necesario un ciclo para determinar los coeficientes de cada tr-
mino.

1 function r=expo(x,n)
2 t=size(x,2);
3 r=zeros(1,t);
4 nums=[0:1:(n-1)];
5 facts=factorial(nums);
6 for i=1:t
7 r(1,i)=sum(x(1,i)^nums./facts);
8 end
9 endfunction
10 x=linspace(-1,1,200);
11

12 p3 = expo(x,3);
 caso. 2 series y sucesiones 25

Figure 17: Error Absoluto para la funcin exp(x)

Figure 18: Error Relativo para la funcin exp(x)

13 p7 = expo(x,7);
14 p11 = expo(x,11);
15 p21 = expo(x,21);
16

17 z=exp(x);

Obteniendo como resultados las figuras 17 y 18.

Con el ejercicio identificamos que el error disminuye sustancialmente a medida

que aumentan el nmero de trminos usados para la aproximacin a la funcin,
logrando para 21 trminos errores del orden de 1 1015 . Adicionalmente vemos
como en la parte ms alejada del punto de evaluacin el error aumenta, luego para
estas funciones los mejores valores para ser tomados en cuenta son los ms cercanos
al punto de evaluacin, para esta caso x = 0.
 caso 3. algebra lineal 26

4 caso 3. algebra lineal

4.1 Ejercicio 1

Muestre que si una lista de vectores (v1 , ..., vn ) genera un espacio vectorial V (spans
V), entonces la lista dada por:

(v1 v2 , v2 v3 , ..., vn1 vn , vn )

es tambin una lista generadora del espacio vectorial V.

Solucin:

Debemos garantizar que v pertenece al espacio vectorial V, para esto se debe

poder conseguir como una combinacin lineal de la lista generadora usando es-
calares a1 , a2 , a3 , ...an que F.

v = a1 v1 + a2 v2 + a3 v3 + + an1 vn1 + an vn
Luego podemos sumar y restar sin afectar de modo que:

v = a1 v1 (a1 v2 + a1 v3 + + a1 vn ) + (a1 v2 + a1 v3 + + a1 vn ) + a2 v2

(a2 v3 + a2 v4 + + a2 vn ) + (a2 v3 + a2 v4 + + a2 vn ) + + an vn
y finalmente asociar,

v = a1 (v1 v2 ) + (a1 + a2 )(v2 v3 ) + + (a1 + a2 + + an )nn

en el paso anterior evidenciamos que la combinacin lineal tambin genera el
vector v.

4.2 Ejercicio 2

Muestre que si una lista de vectores (v1 , ..., vn ) es linealmente independiente en

espacio vectorial V, entonces la lista dada por:
(v1 v2 , v2 v3 , ..., vn1 vn , vn )
es tambin una lista linealmente independiente en el espacio vectorial V.
Solucin:

Para demostrar el planteamiento propuesto, tenemos que:

Lema de dependencia lineal: Si (v1 , , vm ) es linealmente dependiente en V, y

v1 6= 0, entonces existe un j {2, , m} tal que lo siguiente es cierto:

vj span(v1 , , vj1 )

Si el j-simo trmino es removido de (v1 , , vm ), entonces el espacio gener-

ado por la lista remanente es igual al espacio generado por (v1 , , vm )

y segn el teorema: En un espacio vectorial finito-dimensional (finite-dimensional),

la longitud de cada lista de vectores linealmente independiente es menor o igual que
la longitud de cada lista de vectores generadora del espacio vectorial.[4]

Luego usando una combinacin lineal como la presentada en el punto anterior

podemos determinar,
 caso 3. algebra lineal 27

0 = a1 v1 + a2 v2 + + an vn
S y solo s a1 = a2 = = an = 0

por asociatividad tenemos que

0 = a1 (v1 v2 ) + (a1 + a2 )(v2 v3 ) + + (a1 + + an1 )(vn1 vn ) + (a1 + + an )vn

Siguiendo lo descrito anteriormente,la lista (v1 v2 , v2 v3 , ..., vn1 vn , vn ) es

linealmente independiente s y solo s:

a1 = (a1 + a2 ) = = (a1 + + an1 ) = (a1 + + an ) = 0

y como se define segn el planteamiento que a1 = a2 = = an = 0 entonces

podemos deducir que la lista es linealmente independiente tambin.

4.3 Ejercicio 3

Considere que U es un subespacio R5 definido como:

U = {(x1 , x2 , x3 , x4 , x5 ) R5 : x1 = 3x2 y x3 = 7x4 }

Encuentre una base para U
Solucin:

Para encontrar una base para U se deben determinar el nmero de parmetros

necesarios. Se tienen 5 incgnitas (x1 , x2 , x3 , x4 , x5 ) y dos ecuaciones, por lo tanto
an son necesarios tres parmetros que sern asignados a las variables x2 , x4 y x5
ya que x1 y x3 tienen equivalencia dada por las dos ecuaciones suministradas.
x2 = , x4 = , x5 =
Las cinco ecuaciones que se necesitan para generar la base son:
x1 = 3
x2 =
x3 = 7
x4 =
x5 =

Si se expresa como un combinacin lineal de vectores al factorizar las constantes:

x1 3 0 0

x2


1


0


0


x3 =
0 +
7 +
0

x4 0 1 0
x5 0 0 1
Como los vectores no son proporcionales, se dice que una base del subespecie U
es:

B = {(3, 1, 0, 0, 0), (0, 0, 7, 1, 0), (0, 0, 0, 0, 1)}

 caso 3. algebra lineal 28

4.4 Ejercicio 4

Para las matrices indicadas a continuacin, indique el tipo de transformaciones

lineales que representan y encuentre el resultado de aplicar dicha transforamcin a
una base cannica del espacio vectorial origen:

1 1/2
A = 1/3 1/4 (21)
1/5 1/6
 
B= 5 2 (22)

 
4 5/4 9/4
C= (23)
1 2 3
Solucin:

De acuerdo a lo estudiado en [4] la matriz 21 se describe como una transforma-

cin lineal de segundo a tercer orden.

T L(F2 , F3 )
Debido al nmero de columnas (dos) y el nmero de filas (tres) descrita por,

T (x, y) = (x + y/2, x/3 + y/4, x/5 + y/6)

Teniendo en cuenta que la base cannica para el espacio F2 = {(1, 0)i, (0, 1)j}
cuando se usa la transformacin, se encuentran dos vectores en F3 , el primero de
ellos la primera columna de la matriz A y el segundo la segunda columna:

1 1/2   1 1/2
1/3 1/4 1 0
= 1/3 1/4
0 1
1/5 1/6 1/5 1/6
Luego los dos vectores mencionados son:

T (1, 0) = (1, 1/3, 1/5) y T (0, 1) = (1/2, 1/4, 1/6)

De manera similar se procede para la matriz 22 en la que encontramos una trans-

formacin lineal:

T L(F2 , F1 )

T (x, y) = (5x 2y)

 
1 0
( 5 2 ) =( 5 2 )
0 1
En donde tenemos que,

T (1, 0) = 5 y T (0, 1) = 2
Para la matriz 23 tenemos una transformacin lineal:

T L(F3 , F2 )
T (x, y, z) = (4x + 5/4y + 9/4z, x + 2y + 3z)
 caso 3. algebra lineal 29

Aqu el espacio de origen es F3 luego la base cannica es F3 = {(1, 0, 0)i, (0, 1, 0)j, (0, 0, 1)k}
con la que encontramos que:

  1 0 0  
4 5/4 9/4 4 5/4 9/4
0 1 0 =
1 2 3 1 2 3
0 0 1
Encontrando que:

T (1, 0, 0) = (4, 1), T (0, 1, 0) = (5/4, 2) y T (0, 0, 1) = (9/4, 3)

4.5 Ejercicio 5

Considerando las matrices indicadas anteriormente, indique si las siguientes opera-

ciones son posibles. En caso afirmativo, indique los comandos de Scilab que usted
empleara para obtener el resultado e indique tal resultado:

(a) A C (d) B A CT A (g) 2C 6AT BT

(b) A B (e) A C C A
(c) A + CT (f) A AT + CT C

Solucin:

La multiplicacin entre matrices debe cumplir una caracterstica particular asoci-

ada con las dimensiones de los espacios vectoriales involucrados en la transforma-
cin lineal. Sean Amxn y Bnxl matrices m n y n l, respectivamente, es decir que
el nmero de columnas de A es igual al nmero de filas de B. La matriz producto AB es la
matriz cuya componente ij est dada por el producto de la i-sima fila de A por la j-sima
columna de B.
Usando la definicin anterior tenemos que:

Columnas de A = 2 y filas de C = 2; luego es posible la operacin (a).

Columnas de A = 2 y filas de B = 1; luego no es posible la operacin (b).

Como definicin de la traspuesta de una matriz tenemos que, sea A = (aij ) una
matriz en Mmn (<), la traspuesta de A, denota AT , es la matriz AT = (aji ) Mmn (<)
[4], adems el tamao de las matrices debe ser igual para operar la suma,luego ten-
emos que:
A32 y C23 hallando la traspuesta tenemos que CT32 luego es posible realizar la
operacin (c).

Verificamos que, B12 y A32 y vemos que el nmero de columnas de B es difer-

ente al nmero de filas de A luego la operacin (d) no es posible.

Segn vemos A32 y C23 luego las dos operaciones de producto son posi-
bles pero el resultado de estas son de diferente tamao A32 C23 = E133
y C23 A32 = E222 luego la operacin (e) no es posible.

A32 y AT23 con esto podemos ver que es posible y su resultado para el pro-
ducto es una matriz F133 , ahora CT32 y C23 de igual manera vemos que la
matriz resultante del este producto es F233 , como F1 y F2 tienen el mismo tamao
la operacin (f) es posible.

Finalmente tenemos que 2C23 y 6AT23 tienen el mismo tamao luego esa op-
eracin de resta es posible pero B12 as mismo BT21 y no es posible el producto
 caso 3. algebra lineal 30

debido a que las columnas del resultado anterior no son iguales a las filas de la
traspuesta de B, por lo que la operacin (g) no es posible.
A continuacin est e cdigo con la implementacin de las operaciones posibles:

1 clear
2 clc
3 A=[1,1/2;1/3,1/4;1/5,1/6];
4 B=[5,-2];
5 C=[4,5/4,9/4;1,2,3]
6 a=A*C
7 c=A+C
8 f=A*A+C*C
9 disp(a,a=)
10 disp(c,c=)
11 disp(f,f=)

Obteniendo como resultado:

1 a=
2

3 4.5 2.25 3.75

4 1.5833333 0.9166667 1.5
5 0.9666667 0.5833333 0.95
6

7 c=
8

9 5. 1.5
10 1.5833333 2.25
11 2.45 3.1666667
12

13 f=
14

15 18.25 7.4583333 12.283333

16 7.4583333 5.7361111 8.9208333
17 12.283333 8.9208333 14.130278

4.6 Ejercicio 6

Indique una secuencia adecuada de operaciones fila para llevar la matriz indicada
a continuacin a una forma escalonada por filas cannica

4 1 0
A = 2 3 1
4 1 5
Solucin:

4 1 0 1 1 0
A = 2 3 1 R2 R2 2R1 R3 R3 4R1 = 0 5 1
4 1 5 0 5 5

1 1 0
R3 R3 R2 R2 R2 1/4R3 = 0 5 0
0 0 4

1 0 0
R1 R1 + 1/5R2 R2 R2 /5 R3 R3 /4 = 0 1 0
0 0 1
 caso 3. algebra lineal 31

4.7 Ejercicio 7

Represente el siguiente sistema de ecuaciones lineales como una ecuacin matri-

cial, e indique las operaciones elementales requeridas para obtener la solucin del
sistema:

x + y + 2z w = 3
2x + 5y z 9w = 3
2x + y z + 3w = 11
x 3y + 2z + 7w = 5
Solucin:

Reescribamos el sistema de ecuaciones en forma de matrices y la resolvamos por

el mtodo de eliminacin de Gauss-Jordan

|

1 1 2 1 3
2 5 1 9 | 3
| 11

2 1 1 3
1 3 2 7 | 5
de la segunda lnea sustraemos la primera lnea, multiplicamos por 2; de la tercera
lnea sustraemos la primera lnea, multiplicamos por 2; de la cuarta lnea sustrae-
mos la primera lnea, multiplicamos por 1:

|

1 1 2 1 3
0 5 5 7 | 9
| 17

0 1 5 5
0 4 0 8 | 8
la segunda lnea la dividimos por 3, de la primera lnea sustraemos la segunda y
multiplicamos por 1; a la tercera lnea sumamos la segunda lnea,multiplicada por
1; y a la cuarta lnea sumamos la segunda lnea multiplicada por 4.

|

1 0 11/3 4/3 6
0 1 5/3 7/3 | 3
| 20

0 0 20/3 8/3
0 0 20/3 4/3 | 20
de la primera lnea sustraemos la tercera lnea y multiplicamos por 11/3 ; a la
segunda lnea sumamos la tercera lnea multiplicada por 5/3 y a la cuarta lnea le
sumamos la tercera lnea multiplicada por 20/3.

| 5

1 0 0 2.8
0 1 0 3 | 2
| 3

0 0 1 0.4
0 0 0 4 | 0
la cuarta lnea la dividimos en -4, de la primera lnea restamos la cuarta lnea y
multiplicamos por 2.8; a la segunda lnea sumamos la cuarta lnea multiplicada por
3 y a la tercera lnea le sumamos la cuarta lnea multiplicada por 0.4.

| 5

1 0 0 0
0 1 0 0 | 2
| 3

0 0 1 0
0 0 0 1 | 0
Luego la solucin al sistema de ecuaciones es:
 caso 3. algebra lineal 32

x = 5, y = 2, z = 3 y w = 0

Verificamos,

(5) + 2 + 2 3 0 = 5 + 2 + 6 + 0 = 3
2(5) + 5 2 3 9 0 = 10 + 10 3 + 0 = 3
2(5) + 2 3 + 3 0 = 10 + 2 3 0 = 11
(5) 3 2 + 2 3 + 7 0 = 5 6 + 6 0 = 5

4.8 Ejercicio 8

Considerando la matriz de coeficientes del sistema de ecuaciones del punto anterior

como la matriz A, encuentre: det(A), A3 , los valores propios de A, los vectores
propios asociados a A.

1 1 2 1
2 5 1 9
A=
2

1 1 3
1 3 2 7
Solucin:

1 1 2 1 
 5
  
2 1 9   2 1 9 
5 1 9 
= 1 1
 
1 2

det
2 1 3 1 3 
1 1 3 
 3
  
2 7   1 2 7 
1 3 2 7
   
 2 5 9   2 5 1 
   
+2  2 1
 3  + 1 
 2 1 1  = 80

 1 3 7   1 3 2 

Para resolver A3 primero operamos la operacin AA de la siguiente manera:

1 1 2 1 1 1 2 1 6 11 3 11
2 5 1 9 2
5 1 9 1
53 18 113

2 =
1 1 3 2 1 1 3 5 3 10 7
1 3 2 7 1 3 2 7 6 33 17 81
Luego tenemos que,

6 11 3 11 1 1 2 1 11 91 18 191
1 53 18 113 2 5 1 9 42 587 259 1323
=
5 3 10 7 2 1 1 3 26 21 17 101
6 33 17 81 1 3 2 7 55 385 190 909
Dada una matriz cuadrada A de orden 3 se dice que el nmero 0 es un valor
propio de A si existe un vector columna tridimensional c no nulo, tal que [5]

A c = 0 c
El vector c se llama vector propio de A asociado al valor propio 0 .

1 1 2 1 1 0 0 0 1 1 2 1
2 5 1 9 0 1 0 0 2 5 1 9
det
2
= det
1 1 3 0 0 1 0 2 1 1 3
1 3 2 7 0 0 0 1 1 3 2 7
 caso 3. algebra lineal 33

= ( (( 12) 3) + 104) + 80 = 4 123 32 + 104 + 80

Resolvemos encontrando que:

0.81723 . . . , 2.30885 . . . , 3.71582 . . . , 11.41026 . . .

Buscamos el vector para = 0.81723

1 1 2 1 1 0 0 0 1.81723 1 2 1
2 5 1 9 0 1 0 0 2 5.81723 1 9
(0.81723) =
2 1 1 3 0 0 1 0 2 1 0.18277 3
1 3 2 7 0 0 0 1 1 3 2 7.81273

Ahora buscamos resolver,

1.81723 1 2 1 x 0

2 5.81723 1 9 y
0
=
2 1 0.18277 3 z 0
1 3 2 7.81273 w 0
Reducir matriz a su forma escalonada reducida por renglones:

2 5.81723 1 9 1 0 0 2.73501
0 5 0 1 0 2.76309
5.90862 2 12.31723 =
0 0 1.22099 1.95789 0 0 1 1.60353
0 0 0 3.0E 15 0 0 0 3.0E 15
Ahora con la matriz escalonada encontramos el vector:

2.73501
2.76309

1.60353
1
de las miasma manera se encuentran los vectores respecto a los otros valores pro-
pios luego tenemos qu los vectores propios son:

2.73501 12.45706 3.30028 0.22234
2.76309 4.61315 4.13686 1.48680
1.60353 , 17.80268 , 2.91305 ,

0.08610
1 1 1 1

4.9 Ejercicio 9

Identifique las definiciones, consideraciones y posibles aplicaciones de los sigu-

ientes tipos de matrices: Definida Positiva, Auto-adjunta, Hermitiana, Toeplitz, Uni-
taria, Ortogonal, Singular.

Solucin:

Matriz Definida Positiva

Una matriz definida positiva es aquella para la cual el producto XT [A]X es
mayor que cero, para todo vector X distinto de cero [6]. Si A es una matriz
 caso 3. algebra lineal 34

simtrica de n n y x es un vector de tamao n entonces la forma cuadrtica

de A est dada por:

a11 a12 a1n a1
a21 a22 a2n a2
A= x =

.. .. .. ..
. . . .
an1 an2 ann an

Si para todo x diferente de 0 a forma cuadrtica es mayor a 0, entonces se

dice que es definida positiva, al igual que la matriz simtrica A. La matriz A
cumple las siguientes propiedades:
El determinante es mayor a 0.
La matriz inversa tambin es definida positiva.
La matriz identidad tambin es definida positiva.
Todas las races son positivas.
Teorema de Aitken: la matriz A se puede expresar como el producto de
dos matrices cuyo determinante sea distinto de cero.

Matriz Auto-Adjunta
Si se tiene A y B es la matriz de cofactores de B, entonces la adjunta de A es
la traspuesta de B:

a11 a12 a1n
a21 a22 a2n
A=

.. .. ..
. . .
an1 an2 ann

A11 A12 A1n
A21 A22 A2n
B=

.. .. ..
. . .
An1 An2 Ann

A11 A21 An1
A12 A22 An2
adjA =

.. .. ..
. . .
A1n A2n Ann
Con la matriz adjunta se puede calcular la inversa de una matriz, definicin
de bases ortonormales, definicin de la derivada de un determinante, la ma-
triz adjunta como la funcin resulta ser continua. Y cumple las siguientes
propiedades:

adj(AT ) = adj(A)T
adj(AB) = adj(B)adj(A)
adj(I) = I
A adj(A) = adj(A)A = det(A)I para matrices cuadradas
adj(A) = n+1 adj(A) para matrices cuadrdas n n
det(adj(A)) = det = (A)n1 para matrices cuadrdas n n
 caso 3. algebra lineal 35

Matriz Hermitiana
Si A es una matriz compleja y A es la matriz traspuesta conjugada entonces
si A = A es una matriz Hermitiana. La matriz Hermitiana es la equivalente
a la simtrica en los reales, y cumple las mismas propiedades.

a11 a12 a1n
a21 a22 a2n
A=

.. .. ..
. . .
an1 an2 ann

a11
a12
a1n

a21
a22
a2n
A =

.. .. ..
. . .

an1
an2
ann
Al igual que las matrices simtricas, se puede diagonalizar unitariamante. Es
decir que se pueden obtener valores propios y cada uno de ellos estar ligado
a un vector propio, los autovalores sern reales. Algunas propiedades de estas
matrices son:
AA = A A
AA = I
A = B + iC entonces B es una matriz simtrica y C antisimtrica.
A1 tambin es una matriz Hermitiana.
Los elementos de la diagonal son reales.
El determinante es un nmero real.
Matriz Toeplitz
La matriz A que pertenece al espacio de los complejos de n n se llamaba
Matriz Toeplitz si cada diagonal paralela a la principal es constante:

a11 a12 a1n

a21 a11 a1(n1)


a31 a21 a1(n2)

A= .. .. .. ..

. . . .




a(n1)1 a(n2)2 a1(n1)
an1 a(n1)2 a11
Si la matriz Toeplitz tiene tres diagonales no nulas con coeficientes a0, a1 y a2
los valores y vectores propios respectivamente son:

k
val = a0 + 2 a1 a2 cos
n+1

Con 1 6 k 6 n.

s !n
a2 j kjp
vect = sin
a1 n+1
j=1

Su equivalente en el espacio es una elipse.

Esta matriz tiene muchas aplicaciones en el estudio de procesos aleatorios en

tiempo discreto, en procesos estacionarios que producen matrices de covari-
anza.
 caso 3. algebra lineal 36

Matriz Unitaria
Se dice que una matriz es unitaria si AA = I y A A = I. A es una matriz
que pertenece al espacio vectorial complejo y A es la matriz traspuesta con-
jugada.
Algunas de sus propiedades son:

A y A* son unitarias.
Si A y B son unitarias entonces AB tambin es unitaria.
A1 es unitaria.
El espacio generado por A es un subconjunto de la esfera unitaria.
Las filas de A forman una base ortonormal de Cn
Las columnas de A forman una base ortonormal de Cn
det(A) = 1.

Matriz Ortogonal
Se dice que una matriz es ortogonal si AAT = I y AT A = I. A es una matriz
que pertenece al espacio vectorial real.
Algunas de sus propiedades son:

Una matriz real es ortogonal s y solo s es unitaria. Es decir, que cumple

todas las propiedades de las matrices unitarias.
A es no singular o invertible.
AT = A1 .

Matriz Singular
Una matriz singular es una matriz cuadrada que no es invertible.
Si A es singular entonces det(A) = 0;
El sistema de ecuaciones que representa A no tiene una nica solucin.
La matriz A no se puede llevar a su forma cannica por filas.

4.10 Ejercicio 10

Muestre mediante un ejemplo simple el proceso de Ortonormalizacin de Gram-

Schmidt.

Solucin:

A partir de la lista de vectores (v1 , v2 , , vn ) se tiene que los vectores ortogo-

nales que generen el mismo espacio son:

u1 = v1
v u
u2 = v2 2 1 u 1
u1 u1
..
.
vm u1 vm u 2 vm um1
um = vm u1 u2 um1
u1 u1 u2 u2 um1 um1
Los vectores ortonormales genera el mismo espacio que (v1 , v2 , v3 , , vn ) [7]
son:
u1
un1 =
k u1 k
 caso 3. algebra lineal 37

u2
un2 =
k u2 k
um
unm =
k um k
Ejemplo:

Aplicar la ortogonalizacin de GramSchmidt a la lista de vectores a1 , a2 , a3 :

4 6 5
2 3 5
a1 = 1 , a2 = 4 , a3 = 3

2 8 4
Usando la matriz de Gram compruebe que la lista de vectores b1 , b2 , b3 que se
obtiene al final es ortogonal.

1. Ponemos b1 = a1. Calculamos la norma de b1:

k b1 k2 = 16 + 4 + 1 + 4, k b1 k= 5

2. Construimos el vector b2.

hb1 , a2 i 24 6 4 16
2,1 = = =2
k b1 k2 25
De aqu que:

6 8 2
3 4 1
b2 = a2 2,1 b1 = a2 + 2b1 =
4 + 2
=
2

8 4 4
Calculamos la norma de b2:

k b2 k2 = 4 + 1 + 4 + 16 = 25, k b2 k= 5

3. Construimos el vector b3.

hb1 , a3 i 20 + 10 + 3 8 hb , a i 10 + 5 6 + 16
3,1 = 2
= = 1, 3,2 = 2 32 = =1
k b1 k 25 k b2 k 25
De aqu que,

5 4 2 1
5 2 1 2
b3 = a3 3,1 b1 3,2 b2 =
3 + 1
+
2 = 4


4 2 4 2
Calculamos la norma de b3:

k b3 k2 = 1 + 4 + 16 + 4 = 25, k b3 k= 5

Para comprobar que los vectores b1, b2, b3 son ortogonales calculamos su matriz
de Gram:

4 2 1
4 2 1 2 2 25 0 0
1 2
G(b1 , b2 , b3 ) = 2 1 2 4
1
= 0 25 0
2 4
1 2 4 2 0 0 25
2 4 2
 references 38

Podemos normalizar los vectores b1, b2, b3 (dividirlos entre sus normas) y obtener
una lista ortonormal:

4/5 2/5 1/5
2/5 1/5
, c3 = 2/5

1/5 , c2 = 2/5
c1 =
4/5
2/5 4/5 2/5

references
[1] Crlos Duque-daza and Diego Garzn. Introduccin y Algebra preliminar, 2017.

[2] Carlos Abramowitz and Irene Stegun. Handbook of Mathematical Functions

with Formulas, Graphs, and Mathematical Tables, 9th printing, 1972.

[3] Carlos Duque and Diego Garzn. Sucesiones Numricas, 2017.

[4] Carlos Duque and Diego Garzn. Algebra Lineal : Conceptos bsicos y aplica-
ciones, 2017.

[5] Juan M. Garca. Valores y vectores propios de una matriz. Universidad del Pas
Vasco, nf.

[6] Steven Chapra and Raymond Canale. Mtodos numricos para ingenieros. McGraw
Hill, 2007.

[7] Egor Maximenko. Ortogonalizacion de GramSchmidt, 2017.