Complement Os Mat 022

Coordinación de Matemática II (MAT022)
Casa Central
Apuntes de Clases
Complemento
Matrices
Definición 1.1. Una matriz de orden n ⇥ m (se lee n filas por m columnas) es un arreglo rectangular de la forma
0 1
a11 a12 a13 · · · a1m
B a21 a22 a23 · · · a2m C
B C
B a31 a32 a33 · · · a3m C
B C
B .. .. .. .. .. C
@ . . . . . A
an1 an2 an3 ··· anm
Cada uno de los elementos del arreglo aij es llamada entrada, elemento o coeficiente de la matriz.
Observación 1.1. Denotaremos las matrices por letras mayúsculas A, B, C o también en la forma (aij )n⇥m ,
(bij )n⇥m
Observación 1.2. Los elementos de una matriz pueden pertenecer a cualquier conjunto numérico en particular
a R o C. Denotaremos por Mn⇥m (R) ó M (n ⇥ m, R) al conjunto de todas las matrices de orden n ⇥ m con
coeficientes reales, de manera similar Mn⇥m (C) ó M (n ⇥ m, C) denota el conjunto de todas las matrices de
orden n ⇥ m con coeficientes complejos.
Ejemplo 1.1. Construir la matriz A = (aij )3⇥3 = (i + j)3⇥3

✓ ◆
1 2 1 i
Ejemplo 1.2. 2 M2⇥3 (C)
i 0 3
Definición 1.2. Una matriz de orden n ⇥ 1 se llama matriz columna o vector columna, estos tienen la forma
0 1
a11
B a21 C
B C
B .. C
@ . A
an1
De manera similar una matriz de orden 1 ⇥ m es llamada matriz fila o vector fila y tiene la forma
a11 a12 a13 ··· a1m
Definición 1.3. A la matriz (aij )n⇥m tal que aij = 0 para todo i, j es llamada matriz nula de orden n ⇥ m y es
denotada por [0]n⇥m
0 1
0 0 ··· 0
B 0 0 ··· 0 C
B C
[0]n⇥m = B . . .
@ .. .. . . ... C
A
0 0 ··· 0
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Observación 1.3. A las matrices de orden n ⇥ n (igual numero de filas y columnas) se les denomina matrices
cuadradas de orden n.
Definición 1.4. Sea A una matriz cuadrada A = (aij )n⇥n . Los coeficientes aii para i = 1, 2, . . . , n forman la
diagonal principal de la matriz. La diagonal secundaria de A son los elementos de la forma ai,n+1 i para
i = 1, 2, . . . , n
0 1
a11
B a22 C
B C
Diagonal principal : B . C
@ .. A
ann
0 1
a1n
B C
Diagonal secundaria : B C
@ an 1,2 A
an1
Definición 1.5. Una matriz cuadrada en la cual los elementos fuera de la diagonal son todos nulos es llamada
matriz diagonal (los elementos de la diagonal no necesariamente son distintos de cero)
0 1
a11 0 0 ··· 0
B 0 a22 0 · · · 0 C
B C
B .. C
Matriz diagonal: B B 0 0 a 33 · · · . C
C
B . .. .. . C
@ . . . . . . 0 A
0 0 · · · 0 ann
Un tipo muy importante de matriz diagonal, es aquella matriz cuadrada que tiene todos los elementos de la
diagonal principal igual a 1, esta matriz es llamada Matriz identidad de orden n. Esta matriz es denotada por In .
Ejemplo 1.3. ✓ ◆
1 0
I2 =
0 1
0 1
1 0 0
I3 = @ 0 1 0 A
0 0 1
Definición 1.6. Si una matriz cuadrada de orden n es tal que todos sus elementos que estan encima de su
diagonal principal son todos ceros (no importan los demás) se denomina matriz triangular inferior; De manera
similar, una matriz triangular superior es aquella en la cual todos los elementos que se encuentran bajo la
diagonal principal son todos ceros.
0 1
a11 0 0 ··· 0
B .. C
B a21
B a22 0 . 0 C
C
Matriz triangular inferior: B ... .. ..
B .. .. C
. . . . C
B C
B . .. .. .. C
@ .. . . . 0 A
an1 an2 an3 ··· ann
0 1
a11 a12 a13 ··· a1n
B .. C
B 0
B a22 a23 . a2n C
C
B
Matriz triangular superior: B 0 .. .. .. C
0 . . . C
B C
B . .. .. .. .. C
@ .. . . . . A
0 0 0 ··· ann
MAT022 (Complementos) 2 N.C.F.

Definición 1.7. Dada una matriz cuadrada

0 1
a11 a12 a13 ··· a1n
B a21 a22 a23 ··· a2n C
B C
B a31 a32 a33 ··· a3n C
A=B C
B .. .. .. .. .. C
@ . . . . . A
an1 an2 an3 ··· ann
llamaremos
Pn traza de A a la suma de los elementos de la diagonal principal, es decir, tr (A) = a11 +a22 +· · ·+ann =
i=1 aii
Ejemplo 1.4. Calcular la traza de la matriz

0 1
1 0 0 ··· 0
B 1 2 0 ··· 0 C
B C
B 1 2 3 ··· 0 C
An = B C
B .. .. .. .. .. C
@ . . . . . A
1 2 3 ··· n
Operatoria con matrices
Igualdad de matrices: Dos matrices A y B son iguales si son del mismo orden y además aij = bij .
Ejemplo 1.5. Encontrar los valores de las incógnitas si se tiene

✓ ◆ ✓ ◆
x+1 0 2 a
2 =
x 1 b d
Suma de matrices: Si A = (aij )n⇥m y B = (bij )n⇥m se define A + B = (aij + bij )n⇥m es decir:
0 1 0 1 0 1
a11 a12 ··· a1m b11 b12 ··· b1m a11 + b11 a12 + b12 ··· a1m + b1m
B a21 a22 ··· a2m C B b21 b22 ··· b2m C B a21 + b21 a22 + b22 ··· a2m + b2m C
B C B C B C
B .. .. .. .. C+B .. .. .. .. C=B .. .. .. .. C
@ . . . . A @ . . . . A @ . . . . A
an1 an2 ··· anm bn1 bn2 ··· bnm an1 + bn1 an2 + bn2 ··· anm + bnm
Ejemplo 1.6. ✓ ◆ ✓ ◆ ✓ ◆
1 2 1 1 1 2 0 3 1
+ =
0 2 3 3 1 1 3 3 4
Observación 1.4. tr (A + B) = tr (A) + tr (B).
Multiplicación por escalar: Si A = (aij )n⇥m y ↵ 2 R o C entonces ↵A = ↵ (aij )n⇥m = (↵aij )n⇥m es decir
0 1 0 1
a11 a12 ··· a1m ↵a11 ↵a12 ··· ↵am
B a21 a22 ··· a2m C B ↵a21 ↵a22 ··· ↵a2m C
B C B C
↵B . .. .. .. C = B .. .. .. .. C
@ .. . . . A @ . . . . A
an1 an2 ··· anm ↵an ↵a2n ··· ↵amn
Producto de matrices: Sea K = R ó C. Sean A 2 M (n ⇥ m, K) y B 2 M (m ⇥ p, K) la matriz producto

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

Propiedades
Sean A, B, C matrices (con órdenes tales que las operaciones consideradas pueden ser aplicadas) y a,
escalares:
1. A + B = B + A 8. 1A = A
2. (A + B) + C = A + (B + C) 9. (AB) C = A (BC)
3. A + [0] = A 10. A (B + C) = AB + AC
4. A + ( 1) A = [0] 11. (A + B) C = AC + BC
5. ↵ (A + B) = ↵A + ↵B 12. ↵ (AB) = (↵A) B = A (↵B)
6. (↵ + ) A = ↵A + A 13. A 2 Mn⇥m ) In A = A = AIm
7. ↵ ( A) = (↵ ) A
Observación 1.5. Es muy importante notar que el producto matricial no es conmutativo incluso uno de los
productos puede no estar definido. Si consideramos A 2 M2⇥3 y B 2 M3⇥4 entonces AB esta definida y tiene
orden 2 ⇥ 4,notar que BA no esta definido.
Ejemplo 1.7.
✓ ◆✓ ◆ ✓ ◆
1 1 1 1 1 2
=
2 1 0 1 2 1
✓ ◆✓ ◆ ✓ ◆
1 1 1 1 1 2
=
0 1 2 1 2 1
se sigue ✓ ◆✓ ◆ ✓ ◆✓ ◆
1 1 1 1 1 1 1 1
6=
2 1 0 1 0 1 2 1
Observación 1.6. En matrices la ecuación AX = B con A 6= [0] y B matrices dadas no siempre tiene solución,
considere ✓ ◆ ✓ ◆
1 1 1 1
X=
0 0 1 1
Si X tiene orden n ⇥ m para que este bien definido el producto se ha de tener n = 2 el resultado seria de orden
2 ⇥ m pero sabemos que es de orden 2 ⇥ 2 luego m = 2. Pongamos entonces
✓ ◆
a b
X=
c d
entonces ✓ ◆✓ ◆ ✓ ◆ ✓ ◆
1 1 a b a+c b+d 1 1
= =
0 0 c d 0 0 1 1
de inmediato esto no puede ser pues 0 6= 1.
Observación 1.7. En matrices no es verdad que AB = [0] implique A = [0] _ B = [0] en efecto
✓ ◆✓ ◆ ✓ ◆
0 1 0 1 0 0
=
0 0 0 0 0 0
Matriz transpuesta
Definición 1.8. Sea A 2 M (n ⇥ m, K), A = (aij ) con K = R ó C. La matriz transpuesta de A es la matriz

AT 2 M (m ⇥ n, K) obtenida intercambiando las filas y columnas de la matriz A. Es decir, la i-ésima fila de A
pasa a ser la i-ésima columna de AT .
Esto significa: 0 1
a11 a12 a13 ··· a1m
B a21 a22 a23 ··· a2m C
B C
A=B .. .. .. .. .. C
@ . . . . . A
an1 an2 an3 ··· anm n⇥m

0 1
a11 a21 ··· an1
B a12 a22 ··· an2 C
B C
B ··· C
AT = B a13 a23 an3 C
B .. .. .. .. C
@ . . . . A
a1m a2m ··· anm m⇥n
Ejemplo 1.8. Si ✓ ◆
1 2 0
A=
5 7 4
entonces 0 1
✓ ◆T 1 5
1 2 0
AT = =@ 2 7 A
5 7 4
0 4
Observación 1.8. De la definición de transpuesta podemos concluir: Si A = (aij ) con i = 1, 2, . . . , n y j =

1, 2, . . . , m entonces AT = aTij con i = 1, 2, . . . , m y j = 1, 2, . . . , n donde
aTij = aji
para todo i = 1, 2, . . . , m y j = 1, 2, . . . , n.
Proposición 1.1. Sea ↵ 2 K,n 2 N,A y B matrices con órdenes apropiados para que las operaciones estén bien definidas,
se tiene:
T
1. AT =A
T
2. (A + B) = AT + B T
T
3. (↵A) = ↵ AT
T
4. (AB) = B T AT
T n
5. (An ) = AT
Observación 1.9. Se sugiere mostrar algunas de estas propiedades.
Definición 1.9. Sea A una matriz cuadrada:
A se dice simétrica si AT = A
A se dice antisimétrica si AT = A
Ejemplo 1.9. La matriz 0 1

1 0 3
A=@ 0 2 1 A
3 1 0
es simétrica y 0 1
0 3 1
B=@ 3 0 2 A
1 2 0
es antisimétrica.

Observación 1.10. Por un asunto de orden de las matrices involucradas en las de nociones anteriores, vemos
que tienen sentido, sólo si A es cuadrada, y por ende, también AT es cuadrada.
Proposición 1.2. Sean A y B matrices simétricas del mismo orden:
1. A + B es simétrica
2. Si ↵ 2 K entonces ↵A es simétrica
Proposición 1.3. Si A es una matriz cuadrada entonces:
1. A + AT es simétrica
2. AAT y AT A son matrices simétricas
3. A AT es antisimétrica
Observación 1.11. De las proposiciones anteriores podemos mostrar que una toda matriz cuadrada se puede
descomponer en una parte simétrica y otra antisimétrica en la forma
✓ ◆ ✓ ◆
A + AT A AT
A= +
2 2
además esta descomposición es única.

Proposición 1.4. Si A es una matriz antisimétrica su diagonal principal tiene solamente ceros. En efecto, de AT + A = 0
se sigue
aii + aii = 0 ) aii = 0 para cada i
Ejercicios
0 1
1 1
1
1. Considere la matriz B = @ 0 1 A calcular B, B 2 , B 4 .
1
0 0
1
0 1 0 1
✓ ◆ ✓ ◆ 2 3 0 1 2
1 1 2 4 0 3
2. Sean A = ,B = ,C =@ 5 1 4 2 AyD=@ 1 A
0 3 4 1 1 3
1 0 0 3 3
Calcular
A + B, 3A 4B, AC, BD, AT , C T B T
0 1 0 1 0 1
1 2 0 1 2 3 1 2 3
3. Sean A = @ 1 1 0 A, B = @ 1 1 1 AyC =@ 1 1 1 A
1 4 0 2 2 2 1 1 1
verifique que AB = AC ¿Qué consecuencia obtiene de esto?
4. Determine x 2 R tal que 0 10 1
2 1
0 x
x 4 1 @ 1 0
2 A@ 4 A = 0
0 2
4 1
✓ ◆ ✓ ◆
a b 1 1
5. ¿Qué condiciones deben verificar a, b, c y d para que las matrices , conmuten
c d 1 1
respecto al producto?
6. Determine 2A2 + AB si A = (i)3⇥3 y B = (j)3⇥3 .

7. Hallar una matriz A de orden 2 ⇥ 2 tal que A2 = I
8. Hallar una matriz A de orden 2 ⇥ 2,A6= 0 tal que A2 = 0

9. Hallar una matriz A no nula, tal que A2 6= 0 y A3 = 0
10. Probar que tr (AB) = tr (BA)
11. Sean A y B matrices simétricas. Determine si las siguientes son o no simétricas
a) A2 + B 2
b) A2 B2
c) ABA
d) ABAB
12. Sea 0 1
0 1 0 0 ··· 0
B 0 0 1 0 ··· 0 C
B C
B 0 0 0 1 ··· 0 C
B C
S=B .. .. .. .. .. ..C
B . . . . . .C
B C
@ 0 0 0 0 ··· 1 A
0 0 0 0 ··· 0 n⇥n
a) Determinar S n para n 2 N
b) Si A es una matriz de orden n ⇥ n encontrar una regla para calcular SA y AS.
Operaciones elementales y Matrices elementales
Definición 1.10. En una matriz podemos realizar tres tipos de operaciones elementales por fila:
(1) Intercambiar (permutar) dos de sus filas.
(2) Multiplicar una fila (es decir cada coeficiente de la correspondiente fila) por una constante distinta de
cero.
(3) Sumar el múltiplo de una fila a otra fila
Ejemplo 1.10. Ejemplos de operaciones elementales:
Intercambio entre dos filas: las filas 1 y 3

0 1 0 1
2 0 1 7 6 9
@ 5 4 3 A !@ 5 4 3 A
7 6 9 2 0 1
Multiplicación de una fila por un escalar: la fila 2, se multiplica por 3

0 1 0 1
4 0 1 4 0 1
@ 5 4 3 A ! @ 15 12 9 A
2 8 9 2 8 9
Adición del múltiplo de una fila a otra fila: Multiplicamos la fila 2 por 2 y se la sumamos a la fila 3
0 1 0 1
1 0 1 1 0 1
@ 1 0 2 A !@ 1 0 2 A
3 8 9 5 8 5

Matrices elementales
Definición 1.11. Una matriz elemental es una matriz que resulta al efectuar una operación elemental sobre la
matriz identidad In
Dado que existen tres tipos de operaciones elementales, existirán entonces tres tipos de matrices elementales;
usaremos la notación siguiente:
Eij Es la matriz elemental obtenida intercambiando (en la matriz identidad) la fila i con la fila j
Ei ( ) Es la matriz obtenida multiplicando (en la matriz identidad) la fila i por 6= 0
Eij ( ) Es la matriz obtenida sumándole a la fila i, la fila j multiplicada por
Ejemplo 1.11. Para la matriz I4 :

0 1
1 0 0 0
B 0 0 0 1 C
1. E24 = B
@ 0 0 1 0 A
C
0 1 0 0
0 1
1 0 0 0
B 0 1 0 0 C
2. E3 ( 2) = B@ 0 0
C
2 0 A
0 0 0 1
0 1
1 0 0 0
B 0 1 0 0 C
3. E31 ( 4) = B
@ 4 0 1 0 A
C
0 0 0 1
Considere ahora la matriz 0 1

1 2 1 0
B 2 5 6 4 C
A=B
@
C
3 1 0 5 A
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
0 10 1 0 1
1 0 0 0 1 2 1 0 1 2 1 0
B 0 0 0 1 CB 2 5 6 4 C B 4 C
E24 A = B CB C=B 0 2 3 C
@ 0 0 1 0 A@ 3 1 0 5 A @ 3 1 0 5 A
0 1 0 0 0 2 3 4 2 5 6 4
que es lo mismo que haber efectuado sobre la matriz A la operación elemental, intercambiar la fila 2 con la fila 4.
Si efectuamos el producto E3 ( 2) A, obtenemos
0 10 1 0 1
1 0 0 0 1 2 1 0 1 2 1 0
B 0 1 0 0 C B 4 C B C
E3 ( 2) A = B CB 2 5 6 C=B 2 5 6 4 C
@ 0 0 2 0 A@ 3 1 0 5 A @ 6 2 0 10 A
0 0 0 1 0 2 3 4 0 2 3 4
que es lo mismo que se obtiene al realizar sobre la matriz A la operación elemental, la fila 3 la multiplicamos
por -2.
Si efectuamos el producto E31 ( 4) A, obtenemos el mismo resultado de la operación elemental sobre A, la
fila 1 la multiplicamos por -4 y se la sumamos a la fila 3.
0 10 1 0 1
1 0 0 0 1 2 1 0 1 2 1 0
B 0 1 0 0 CB 2 5 6 4 C B 4 C
E31 ( 4) A = B CB C=B 2 5 6 C
@ 4 0 1 0 A@ 3 1 0 5 A @ 7 9 4 5 A
0 0 0 1 0 2 3 4 0 2 3 4
Se tiene al respecto el siguiente teorema.

Teorema
Sea E la matriz elemental obtenida al efectuar una operación elemental por fila sobre la
matriz In . Si la misma operación elemental se realiza sobre una matriz A de orden n ⇥ m,
el resultado es el mismo que el del producto E A.
Definición 1.12. Diremos que las matrices A y B son equivalentes por filas si existe una sucesión de operaciones
elementales por filas que convierte la matriz A en la matriz B. En tal caso pondremos A ⇠ B
Como hemos visto, realizar una operación elemental sobre una matriz es equivalente a multiplicar por
la izquierda esa matriz por una matriz elemental; para efectos de nuestros cálculos haremos directamente
la operación elemental sobre la correspondiente matriz, y la anotamos de la manera que muestra el ejemplo
siguiente:
Ejemplo 1.12.
0 1 0 1 0 1 0 1
1 0 1 E21 (2)
1 0 1 E31 ( 3)
1 0 1 E32 (1)
1 0 1
@ 2 4 0 A ⇠ @ 0 4 2 A ⇠ @ 0 4 2 A ⇠ @ 0 4 2 A
3 4 6 3 4 6 0 4 9 0 0 7
0 1 0 1
1 0 1 1 0 1
En este caso las matrices @ 2 4 0 Ay@ 0 4 2 A son equivalentes (por fila).
3 4 6 0 0 7
Observación 1.12. Un desarrollo análogo permite definir operaciones elementales columna.
Definición 1.13. 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.
En cada fila distinta de cero, la primera entrada o coeficiente (contado desde la izquierda), denominado
pivote, se localiza en una columna a la izquierda de cualquier entrada principal debajo de ella.
si además se cumple:
Sus pivotes son todos iguales a 1
En cada fila el pivote es el único elemento no nulo de su columna
decimos que la matriz se encuentra en forma escalonada reducida.
Ejemplo 1.13. Son matrices escalonadas

0 1 0 1
1 2 4 5 2 9 1 2 0 0
B 0 0 2 6 0 1 C B 0 0 2 0 C
A=@ B C yB =B C
0 0 0 3 4 1 A @ 0 0 0 0 A
0 0 0 0 1 1 0 0 0 0
pero la matriz 0 1
1 2 0 1 1 3
B 0 1 4 5 7 0 C
B
C=@ C
2 0 0 1 1 1 A
0 0 0 0 0 1
no es escalonada.
Ejemplo 1.14. Las siguientes matrices están en forma escalonada reducida:
0 58
1 0 1
1 2 0 0 0 3 1 0 0 12 1
2 0
B 0 0 1 0 0 9 C B 0 1 0 1 3
0 C
A=B @ 0 0 0 1 0
2 C, B = B
A @ 0 0 1 19
4 4 C
5
3 16
31
16 0 A
0 0 0 0 1 1 0 0 0 0 0 1

Definición 1.14. Un algoritmo es una secuencia finita de operaciones realizables, no ambiguas, cuya ejecución
da una solución de un problema en un tiempo finito.
El algoritmo de reducción de Gauss escalona una matriz por las por medio de operaciones elementales fila.
Aquı́ esta la descripción del algoritmo de reducción de Gauss
Sea A=(aij )m⇥n . Para k (ı́ndice 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 ı́ndice j0 más pequeño tal que la columna j0 tenga por lo
menos un coeficiente distinto de cero en Mk . Hallar el i0 más pequeño tal que ai0 j0 6= 0 e i0 k. Si i0 > k
operar en la matriz permutando filas k e i0 .
aij0
3. Para i de k + 1 a m, si aij0 6= 0 cambiar la fila i por la fila i menos akj0 la fila k.
Ejemplo 1.15. Consideremos la matriz
0 1
2 0 3
@ 1 3 6 A
0 6 15
encontrar su forma escalonada:
0 1 0 1 0 1 0 1
2 0 3 1 3 6 1 3 6 1 3 6
E12 E21 ( 2) E32 ( 1)
@ 1 3 6 A ⇠ @ 2 0 3 A ⇠ @ 0 6 15 A ⇠ @ 0 6 15 A
0 6 15 0 6 15 0 6 15 0 0 0
esta es su forma escalonada.
Observación 1.13. Mostrar también mediante ejemplos el algoritmo de Gauss- Jordan para llevar a la forma
escalonada reducida.
Definición 1.15. Sea A una matriz. Se denomina rango de la matriz A al número de filas no nulas de la matriz
escalonada equivalente a la matriz A original obtenida por ejemplo mediante el algoritmo de reducción de
Gauss. Se denota el rango de la matriz A por ⇢ (A) o bién rango (A).
Ejemplo 1.16. Determinar el rango de la matriz

0 1
1 2 3
B 4 1 0 C
B C
A=B
B 2 1 1 CC
@ 0 0 0 A
3 1 2
Proposición 1.5. Si A 2 Mn⇥m entonces ⇢ (A)  mı́n {n, m}.
Sistemas de ecuaciones lineales
Consideremos el sistema de m ecuaciones y n incógnitas

a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. ..
. . .
am1 x1 + am2 x2 + . . . + amn xn = bm
Usando matrices, el sistema se escribe como la ecuación matricial AX = B, donde
0 1 0 1 0 1
a11 a12 · · · a1n x1 b1
B a21 a22 · · · a2n C B x2 C B b2 C
B C B C B C
A=B . .. .. .. C , X=B . C , B=B . C
@ .. . . . A @ .. A @ .. A
am1 am2 ··· amn m⇥n
xn n⇥1
bm m⇥1

Definición 2.1. Considere un sistema AX = B con A 2 Mm⇥n (R), B 2 Mm⇥1 (R). Diremos que X0 2
Mn⇥1 (R) es solución del sistema si
AX0 = B
Definición 2.2. Un sistema se llama compatible si tiene al menos una solución. Si el sistema no tiene solución,
diremos que es incompatible.
Definición 2.3. Sea A 2 Mm⇥n (R). El sistema AX = 0 se llama homogéneo.
Ejercicio 2.1. Si un sistema de ecuaciones tiene dos soluciones distintas entonces tiene infinitas soluciones
distintas
Propiedades de los sistemas homogéneos
1. Un sistema homogéneo es siempre compatible, porque X = 0 es solución.

2. Si C 2 Mm⇥n (R) es tal que C ⇠ A, entonces AX = 0 y CX = 0 tienen las mismas soluciones.
para ver esto, note lo siguiente sobre las matrices elementales, Eij Eij = I, Ei ( ) Ei 1 = I además
Eij ( ) Eij ( ) = I. De esta forma Si E es una matriz formada por un producto de matrices elementales
entonces existe una matriz E 1 (llamada matriz inversa de E) tal que
1
E E=I
Como A ⇠ C existe una sucesión de matrices elementales E1 , E2 , . . . , Ek tales que
E 1 E2 · · · E k A = C
pongamos E = E1 E2 · · · Ek , si X0 es tal que AX0 = 0 se sigue EAX0 = E0 = 0 entonces CX0 = 0.

Reciprocamente si CX1 = 0 entonces E 1 CX1 = 0 es decir AX1 = 0 por lo tanto los sistemas tienen las
mismas soluciones.
Sistemas no homogéneos
Con el mismo método de la sección anterior es posible mostrar que si E (A) es la matriz escalonada
equivalente por filas con A entonces
AX = B
y
E (A) X = EB
tienen las mismas soluciones (E es la matriz formada por el producto de matrices elementales que escalonan A).
El segundo sistema es mucho más fácil de resolver.
Ejemplo 2.1. Resolver 0 10 1 0 1
1 2 0 x 1
@ 0 1 2 A@ y A = @ 2 A
0 0 2 z 3
note que este sistema es
x + 2y = 1
y + 2z = 2
2z = 3
de la última ecuación obtenemos z = 32 reemplazamos este valor en la segunda ecuación y despejamos para
obtener y = 1 teniendo estos dos valores reemplazamos en la primera ecuación y obtenemos el valor x = 1.
Vemos que un método para resolver sistemas seria obtener el sistema escalonado equivalente.

Definición 2.4. Sea A 2 Mm⇥n (R) y B 2 Mm⇥1 (R). Consideremos el sistema AX = B con B 6= 0. Llamaremos
matriz ampliada del sistema a la matriz
0 1
a11 a12 · · · a1n b1
B a21 a22 · · · a2n b2 C
B C
(A, B) = B .
@ .. ... ... ... ... C
A
am1 am2 · · · amn bm
Método de solución mediante el algoritmo de Gauss: Como sabemos, AX = B y E (A) X = EB tienen las
mismas soluciones, note que la matrices E (A) y EB aparece al aplicar las operaciones elementales que escalonan
la matriz A entonces, si aplicamos el método de Gauss para obtener la escalonada de matriz ampliada del
sistema (A, B) estaremos obteniendo la matriz (E (A) , EB).
Ejemplo 2.2. Resolver el sistema 0 10 1 0 1

1 2 1 x 1
@ 3 0 1 A@ y A = @ 2 A
1 1 2 z 0
Formamos la matriz ampliada del sistema
0 1
1 2 1 1
(A, B) = @ 3 0 1 2 A
1 1 2 0
aplicamos el algoritmo de Gauss para obtener la escalonada

0 1 0 1
1 2 1 1 1 2 1 1
@ 3 0 1 2 A⇠@ 0 6 2 1 A
1
1 1 2 0 0 0 2 2
y ahora resolvemos el sistema 0 10 1 0 1

1 2 1 x 1
@ 0 6 2 A @ y A = @ 1 A
1
0 0 2 z 2
que tiene las mismas soluciones.
Teorema
Sea A 2 Mm⇥n (R) y B 2 Mm⇥1 (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 (número de incógnitas) entonces el sistema tiene

solución única.
b) Si ⇢(A) = ⇢(A, B) < n, entonces el sistema tiene infinitas soluciones.
Observación 2.1. En lugar de aplicar el algoritmo de Gauss, podemos aplicar el algoritmo de Gauss-Jordan
(matriz escalonada reducida) para resolver un sistema equivalente más simple. Dar ejemplos de este método.

Ejercicios propuestos
Usar Gauss Jordan para resolver los sistemas:
1.
2x + 3y + z = 1
3x 2y 4z = 3
5x y z = 4
x = 1, y = 1, z = 2 (solución única)
2.
2x y + 3z = 4
3x + 2y z = 3
x + 3y 4z = 1
x= 11
7
5
7 z, y= 11
7 z
6
7 (infinitas soluciones)
3.
x+y+z w = 2
2x + y + w = 5
3x + z + w = 1
3x + 2y + z = 3
(No hay solución)
Matriz Inversa
Definición 3.1. Sea A una matriz cuadrada de orden n. Se dice que A es invertible si existe una matriz cuadrada
de orden n, que denotaremos por A 1 tal que AA 1 = A 1 A = In
Observación 3.1. Si una matriz es invertible, también se suele decir que es no singular.
Observación 3.2. Si la inversa existe es única.
Observación 3.3. No todas las matrices tienen inversa. Por ejemplo, si consideramos las matrices
✓ ◆ ✓ ◆
1 3 2 2
A= B=
1 1 1 1
entonces A es invertible y B no lo es. (Verificar directamente suponiendo la existencia y resolviendo ecuaciones)

Proposición 3.1. Sean A, B 2 M (n, K) matrices no singulares (invertibles), entonces:
1. (AB) 1
=B 1
A 1
1
2. A 1
=A
1 1 T
3. AT = A
1
4. (↵A) 1
= A 1
, para todo ↵ 6= 0
↵
1 1 n
5. (An ) = A para todo entero no negativo n.
No disponemos aún de un criterio para decidir si una matriz es o no invertible. El siguiente teorema nos
provee un método para calcular la matriz inversa (en caso de existir) de una matriz cualquiera.
Teorema
Sea A una matriz cuadrada de orden n invertible. Si una sucesión de opera-
ciones elementales por filas transforma la matriz A en la matriz identidad In ,
entonces la misma sucesión de operaciones elementales convierte la matriz In
en A 1 .
En efecto, si A es equivalente por filas a la matriz In , entonces existe una sucesión de operaciones elementales
que convierte a la matriz A en la matriz In ; esto quiere decir que existe una sucesión de matrices elementales
E1 , E2 , . . . , Ek tales que Ek Ek 1 · · · E2 E1 · A = In . Si anotamos B = Ek Ek 1 · · · E2 E1 , entonces BA = In , es
decir B = A 1 .
2
Calculo de inversa
Sea A una matriz cuadrada de orden n , invertible, y suponga que queremos calcular su inversa; procedemos
como sigue:
Construimos 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 esta la matriz A), la matriz identidad; al concluir este proceso
en el lado derecho de la matriz aumentada (es decir en el lado donde originalmente se encontraba la matriz
identidad), aparece la inversa que estamos buscando.
0 1
2 1 1
Ejemplo 3.1. Calcule la inversa, en caso de existir, de la matriz A = @ 1 2 0 A
0 1 2
Desarrollo: Formamos la matriz aumentada
0 1
2 1 1 1 0 0
@ 1 2 0 0 1 0 A
0 1 2 0 0 1

y calculamos mediante operaciones elementales:

0 1 0 1
2 1 1 1 0 0 1 2 0 0 1 0
E12 E21 ( 2)
@ 1 2 0 0 1 0 A ⇠ @ 2 1 1 1 0 0 A ⇠
0 1 2 0 0 1 0 1 2 0 0 1
0 1 0 1
1 2 0 0 1 0 1 2 0 0 1 0
E32 E32 ( 3)
@ 0 3 1 1 2 0 A ⇠ @ 0 1 2 0 0 1 A ⇠
0 1 2 0 0 1 0 3 1 1 2 0
0 1 0 1
1 2 0 0 1 0 E3 ( 15 )
1 2 0 0 1 0
E23 ( 2)
@ 0 1 2 0 0 1 A ⇠ @ 0 1 2 0 0 1 A ⇠
1 2 3
0 0 5 1 2 3 0 0 1 5 5 5
0 1 0 4 3 2
1
1 2 0 0 1 0 1 0 0 5 5 5
@ 0 1 0 2 4 1 A E12 (2) @ 2 4 1 A
5 5 5 ⇠ 0 1 0 5 5 5
1 2 3 1 2 3
0 0 1 5 5 5 0 0 1 5 5 5
se sigue que 0 1
4 3 2
B 5 5 5 C
B C
B C
B 2 4 1 C
A 1
=B
B
C
B 5 5 5 C
C
B C
@1 2 3 A
5 5 5
Se puede verificar fácilmente que AA 1
= A A = I3 .
1
Teorema
Una matriz cuadrada de orden n es invertible si, y solo si, ⇢(A) = n.
Ejercicio 3.1. Suponga que A3 = [0] Muestre que I A es invertible.
Determinantes
Sea A 2 Mn (R), el determinante de A es una función
det : Mn (R) ! R
que a cada matriz A le asocia el número real det(A). También se usa la notación
det(A) = |A|
Definiremos la forma en la cual actúa esta función como sigue:
Para n = 1, det(a) = a
✓ ◆
a b
Para n = 2, det = ad bc
c d
Si A es una matriz de orden mayor que 2, el determinante de A se define de manera recursiva. Para ello
necesitamos las siguientes definiciones
Definición 4.1. Sea A 2 Mn (R). Se llama menor de orden ij de A y se denota por Mij al determinante de orden
n 1 obtenido eliminando la i-ésima fila y la j-ésima columna de la matriz A.

Definición 4.2. Se llama cofactor de orden ij de A, denotado por Cij , al número Cij = ( 1)i+j Mij
0 1
2 4 1
Ejemplo 4.1. Consideremos la matriz A = @ 0 3 2 A. Eliminemos la primera fila y la tercera columna de
5 1 6
A 0 1
2 4 1
0 3
A = @ 0 3 2 A obteniendo el menor M13 = = 15
5 1
5 1 6
Si eliminamos la segunda fila y la primera columna
0 1
2 4 1
4 1
A = @ 0 3 2 A obtenemos el menor M21 = = 25
1 6
5 1 6
Calculemos los cofactores
C13 = ( 1)1+3 M13 = 15, C21 = ( 1)2+1 M21 = 25
Definición 4.3. El determinante de A = (aij ) 2 Mn⇥n (R) es el número real

8 n n
>
> X X
>
>
< ( 1)i+j aij Mij = aij Cij , para 1  j  n (con j fijo)
i=1 i=1
det(A) = Xn Xn
>
>
>
> ( 1)i+j aij Mij = aij Cij , para 1  i  n (con i fijo)
:
j=1 j=1
0 1
2 4 1
Ejemplo 4.2. Calculemos el determinante de la matriz A = @ 0 3 2A
5 1 6
Fijemos una fila i = 1, entonces
3
X
det(A) = ( 1)i+j a1j M1j = a11 M11 a12 M12 + a13 M13
j=1
3 2 0 2 0 3
det(A) = 2 4 1 = 23
1 6 5 6 5 1
Si fijamos una columna, por ejemplo j = 1, se tiene
3
X
det(A) = ( 1)i+j ai1 Mi1 = a11 M11 a21 M21 + a31 M31
i=1
3 2 4 1 4 1
det(A) = 2 0 5 = 23
1 6 1 6 3 2
Propiedades de los determinantes
Proposición 4.1. Sean A 2 Mn⇥n (R) y B 2 Mn⇥n (R)
1. det(A) = det(AT )
2. Si todos los elementos de una fila o columna de una matriz son cero, entonces el valor del determinante es cero.
3. det(In ) = 1

4. El determinante de una matriz diagonal o triangular es igual al producto de los elementos de la diagonal.
5. Si ↵ 2 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 número k, entonces det(B) = k det(A).
10. Si B se obtiene a partir de A, sumando a una fila (o columna) otra fila (o columna) amplificada por un factor k,
entonces det(B) = det(A).
✓ ◆
1 2
Ejemplo 4.3. Sea A = , entonces el det(A) = 2. Si la primera fila de A se multiplica por 3, obtenemos
✓ ◆ 3 4
3 6
B= y det(B) = 6 = 3 det(A). Si la primera fila de A la multiplicamos por -3 y se la sumamos a la
3 4 ✓ ◆
1 2
segunda fila de A, obtenemos la matriz B = y det(B) = 2 = det(A).
0 2
Ejemplo 4.4. Calculemos el siguiente determinante usando la propiedad 10
1 3 4 1 3 4
1 7
2 5 1 = 0 1 7 = 1 · M11 = = 58
10 12
3 1 0 0 10 12
Definición 4.4. 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 4.5. Sea A = . La matriz de cofactores es C = . Por lo tanto,
c d b a
✓ ◆
d b
adj(A) =
c a
0 1 0 1
2 3 1 5 14 4
Consideremos la matriz A = @ 4 0 5 , la matriz de cofactores es C = @ 2
A 4 8 A. Por lo tanto,
2 1 1 15 6 12
0 1
5 2 15
adj(A) = @ 14 4 6 A
4 8 12
Teorema
A · adj(A) = det(A) · In y adj(A) · A = det(A) · In

Note que, sı́ det(A) 6= 0, entonces A es no singular (invertible) y
1 1
A = adj(A)
det(A)
Además, si A es no singular, entonces

1 1
1 = det(In ) = det(AA ) = det(A) det(A ) =) det(A) 6= 0
y concluimos que
1 1
det(A )=
det(A)
Teorema
Si A 2 Mn⇥n (R), entonces A es no singular sı́ y solo sı́ det(A) 6= 0
Ejercicio 4.1. Calcular el determinante

a a a a
a b b b
a b c c
a b c d
Desarrollo:
a a a a a a a a
a b b b 0 b a b a b a
=
a b c c 0 b a c a c a
a b c d 0 b a c a d a
1 b a b a
= a (b a) 1 c a c a
1 c a d a
1 b a b a
= a (b a) 0 c b c b
0 c b d b
1 c b
= a (b a) (c b)
1 d b
= a (b a) (c b) (d b (c b))
= a (b a) (c b) (d c)
Ejercicio 4.2. Resolver la ecuación
x a b a b
c x b c b =0
c a x a c
x a b a b
c x b c b
c a x a c
x a b a+b b
= c x c b
c x c x a c
x a+b b
= x x c b
x x c x a c

1 a+b b
= x 1 x c b
1 x c x a c
1 a+b b
= x 0 x c a b 0
0 x c a b x a c b
x c a b 0
= x
x c a b x a c b
2
= x (x (a + b + c))
las soluciones son x = 0 y x = a + b + c.

Ejercicio 4.3. Muestre que
y 1 + z1 z1 + x 1 x 1 + y1 x1 y1 z1
y 2 + z2 z2 + x 2 x 2 + y2 = 2 x2 y2 z2
y 3 + z3 z3 + x 3 x 3 + y3 x3 y3 z3
Desarrollo:
y 1 + z1 z1 + x 1 x 1 + y1
y 2 + z2 z2 + x 2 x 2 + y2
y 3 + z3 z3 + x 3 x 3 + y3
y1 x1 z1 + x 1 x 1 + y1 2y1 z1 + x 1 x 1 + y1
= y2 x2 z2 + x 2 x 2 + y2 = 2y2 z2 + x 2 x 2 + y2
y3 x2 z3 + x 3 x 3 + y3 2y3 z3 + x 3 x 3 + y3
y1 z1 + x 1 x 1 + y1 y1 z1 + x 1 x1
= 2 y2 z2 + x 2 x 2 + y2 = 2 y2 z2 + x 2 x2
y3 z3 + x 3 x 3 + y3 y3 z3 + x 3 x3
y1 z1 x1 x1 z1 y1
= 2 y2 z2 x2 = 2 x2 z2 y2
y3 z3 x3 x3 z3 y3
x1 y1 z1
= 2 x2 y2 z2
x3 y3 z3
Regla de Cramer
Es un método para resolver sistemas de ecuaciones. Dejar claro a los alumnos que no es bueno en aplicaciones,
su utilidad, más bien teórica, radica en poder expresar las soluciones en términos de determinantes lo que
bajo condiciones de simetrı́a adecuadas permite concluir propiedades de las soluciones, es útil teóricamente
hablando pero, para implementarlo y resolver sistemas especı́ficos es muy malo. (ver al final una comparación
entre Gauss y Cramer)
Sea
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. ..
. .
an1 x1 + an2 x2 + . . . + ann xn = bn
un sistema lineal con n ecuaciones y n incógnitas. Resolver este sistema es equivalente a resolver la ecuación
matricial AX = B, donde
0 1 0 1 0 1
a11 a12 · · · a1n x1 b1
B a21 a22 · · · a2n C B x2 C B b2 C
B C B C B C
A=B .
... ... ... C
, X = B . C, B=B.C
@ .. A @ .. A @ .. A
an1 an2 · · · ann xn bn

Si det(A) 6= 0, entonces el sistema tiene una única solución dada por:
|A1 | |A2 | |A3 | |An |

x1 = , x2 = , x3 = , ... , xn =
|A| |A| |A| |A|
donde Ai es la matriz obtenida a partir de A al reemplazar su i-ésima columna por la matriz B. La demostra-
ción se basa en escribir
1
X = A 1B = adj(A)B
det(A)
e identificar los elementos de adj(A)B como los determinantes señalados.
Ejemplo 4.6. Resolvamos el sistema

0 10 1 0 1
2 3 1 x1 1
@1 2 1A @x2 A = @ 4 A
2 1 1 x3 3
Como det(A) = 2, obtenemos
1 3 1
4 2 1
3 1 1 4
x1 = = =2
|A| 2
2 1 1
1 4 1
2 3 1 6
x2 = = =3
|A| 2
2 3 1
1 2 4
2 1 3 8
x3 = = =4
|A| 2
Una observación importante
Los sistemas que aparecen en muchas aplicaciones son de gran tamaño. Un sistema de 1000 ⇥ 1000 hoy se
considera de tamaño moderado y en algunas aplicaciones deben resolverse sistemas de ecuaciones con
cientos de miles de incógnitas.
El tiempo de cálculo del computador necesario para resolver el sistema debe ser lo menor posible. Una
medida standard del costo operacional es la cantidad de operaciones aritméticas (+, , ·, /) que requiere
un método. Este usualmente se expresa en flop (floating point operations) por segundos.
Hay métodos que en teorı́a permiten resolver cualquier sistema de ecuaciones lineales, pero que en
la práctica requieren tiempos de cálculo prohibitivos. Por lo tanto sólo sirven para sistemas de orden
pequeño.
Mal ejemplo: Regla de Cramer. Permite calcular explı́citamente la solución de un sistema Ax = b mediante:
det (Ai )
xi = para i = 1, 2, · · · , n
det (A)
donde Ai se obtiene a partir de A reemplazando en ésta su columna i-ésima por el segundo miembro
(o lado derecho) del sistema, b. Si los determinantes se calculan mediante la fórmula recursiva usual de
desarrollo por fila (o por columna), el costo operacional de la Regla de Cramer es de aproximadamente
(n + 1)! flop.

Buen ejemplo: Método de Eliminación Gaussiana. Este procedimiento se basa en el método algebraico
de transformaciones elementales. Su costo operacional es de aproximadamente 23 n3 flop.
Comparación: Una calculadora opera en un rango entre 10 y 100 flop. Un ejemplo comparativo en un
computador de 1 Gflop (109 flop) por segundo (que corresponde a un Pentium 4 o Athlon 64) serı́a:
n 10 15 20 100 1000 2000
Regla de Cramer
flop 4 ⇥ 107 2 ⇥ 1013 5 ⇥ 1019 10160 “1” “1”

tiempo 0,04 s 5,5 horas 1500 años “1” “1” “1”
Eliminación Gaussiana
flop 666 2250 5333 7 ⇥ 105 7 ⇥ 108 5 ⇥ 109

tiempo 0.s 0.s 0.s 0.s 0,73s 4,88s
Vectores
A partir de la representación de R, como una recta numérica, los elementos (a, b) 2 R2 se asocian con puntos
de un plano definido por dos rectas perpendiculares que al mismo tiempo definen un sistema de coordenadas
rectangulares donde la interseccón representa a (0, 0) y cada (a, b) se asocia con un punto de coordenada a en la
recta horizontal (eje X) y la coordenada b en la recta vertical (eje Y).
Analógamente, los elementos (a, b, c) 2 R3 se asocian con puntos en el espacio tridimensional definido con
tres rectas mutuamente perpendiculares. Estas rectas forman los ejes del sistema de coordenadas rectangulares
(ejes X, Y y Z).
Los vectores se pueden representar mediante segmentos de recta dirigidos, o flechas, en R2 y en R3 . La
dirección de la flecha indica la dirección del vector y la longitud de la flecha determina su magnitud.
Denotaremos los vectores con letras minúsculas con un flecha arriba tales como ! v ,!
w,!z . Los puntos se
denotarán con letras mayúsculas tales como A, B, C. En el contexto de los vectores, los números reales serán
llamados escalares y se denotarán con letras minúsculas tales como ↵, , .
!
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).
En lo que sigue y con el afán de generalizar, estudiaremos las propiedades de los vectores en Rn . Un vector
en el Rn es un enetupla (x1 , x2 , . . . , xn ) con cada xi 2 R. A xi se le llama componente i-ésima del vector.
! ! !
En R3 utilizaremos la notación especial i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1) y les llamaremos vectores
canónicos.
Operaciones básicas
Definición 5.1 (Igualdad de vectores). Dos vectores son iguales si tienen, en el mismo orden, los mismos
componentes. Es decir, si !
v = (v1 , v2 , . . . , vn ) y !
w = (w1 , w2 , . . . , wn ) entonces !
v =!
w si y solo si 8i = 1, . . . n
vi = w i .
Definición 5.2 (Suma de vectores). Sean !
v = (v1 , v2 , . . . , vn ) y !
w = (w1 , w2 , . . . , wn ) vectores en Rn . Se la suma
de vectores como
!v +!w = (v1 + w1 , v2 + w2 , . . . , vn + wn )

Definición 5.3 (Producto por escalar). Si !

v = (v1 , v2 , . . . , vn ) 2 Rn y k 2 R entonces
k!
v = (kv1 , kv2 , . . . , kvn )
Observación 5.1. Si !
v = (v1 , v2 , v3 ) 2 R3 entonces
! ! ! !
v = v1 i + v2 j + v3 k
Observación 5.2. Mostrar interpretación geométrica de suma, resta de vectores y multiplicación por escalar,
esto servirá cuando trabajemos con las magnitudes de estos.
Proposición 5.1. Sean !

v ,!
w,!
u 2 Rn vectores y ↵, 2 R entonces:
! !
1. v + 0 =! v 4. 1!v =!v 7. ↵ (!
v +! w ) = ↵!
v + ↵!w
! !
2. v +( ! v)= 0 5. !v +!w =! w +!
v 8. (↵ + ) v = ↵ v + !
! ! v
! !
3. 0v = 0 6. ( v + w) + !
! ! u =!v + (!
w +!
u) 9. ↵( !v ) = (↵ ) !
v
Producto punto y norma
El producto punto (o escalar) es una operación entre vectores que devuelve un escalar. Esta operación es
introducida para expresar algebraicamente la idea geométrica de magnitud.
Definición 5.4 (Producto punto). Sean !v = (v1 , v2 , . . . , vn ) y !

w = (w1 , w2 , . . . , wn ) vectores en Rn . El producto
punto (o escalar) v · w o en otra notación h!
! ! v ,!
w i se define de la siguiente manera
n
X
!
v ·!
w ⌘ h!
v ,!
wi ⌘ vi wi
i=1
Ejemplo
Teorema 5.1. Considere vectores !

v ,!
w,!
u 2 Rn vectores y ↵ 2 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)
Observación 5.3. No tiene sentido preguntarse por asociatividad ni neutro..

Norma
Definición 5.5. Consideremos el vector !

v = (v1 , v2 , . . . , vn ) 2 Rn . La norma o magnitud de !
v denotada por
k!
v k es dada por
n
!1/2
p X
k!vk= ! v ·! v = vi2
i=1
La distancia entre dos vectores es definida por d (!
v ,!
w ) = k!
v !
w k.
Observación 5.4. En R y R la norma mide la magnitud del vector o si hablamos del punto la distancia del
2 3
punto al origen. Note que al considerar la interpretación geométrica de la resta de vectores, la expresión para
distancia entre dos puntos es de forma natural la magnitud del vector resta.
Proposición 5.2. Consideremos los vectores !

v ,!
w 2 Rn y ↵ 2 R entonces:
!
1. k v k 0 y k v k = 0 , v = 0 . De esta propiedad obtenemos d (!
! ! ! v ,! w) 0, además d (!
v ,!
w) = 0 , !
v =!
w.
2. k↵! v k = |↵| k!
vk
!
3. k v !wk = kw !
! v k es decir 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)
Definición 5.6. Un vector se dice unitario si su norma es 1.
!
Ejemplo 5.1. Si !
v 6= 0 entonces !
w =!
v / k!
v k es unitario. !
v✓ = (cos ✓, sen ✓) es unitario.
Ángulo entre vectores
Considere !v y!
w vectores en R3 entonces, ! v ,!w y!
v !
w forman un triangulo con lasos de magnitudes
! ! !
k v k, kwk y k v !
w k respectivamente, por el teorema del coseno para triángulos se sigue que
k!
v ! w k = k! v k + k! 2 k!
v k k!
2 2 2
wk w k cos ✓
por otro lado
k! ! (!v ! w ) · (! !
2
v wk = v w)
= ! 2
k v k + kwk! 2
2!
v ·!
w
se sigue
!
v ·!w = k!v k k!w k cos ✓
! !
En el caso general, si v y w vectores en R entonces por la desigualdad de C-S
n
!
v ·! w
1 ! ! 1
k v k kwk
entonces existe un único ✓ 2 [0, ⇡] tal que
!
v ·! w
cos ✓ = ! !
k v k kwk
Definición 5.7. Si !
v y!
w son vectores en Rn no nulos, el ángulo ✓ entre !
v y!
w es el único ✓ 2 [0, ⇡] tal que
! ! ! !
v · w = k v k k w k cos ✓
denotaremos tal ángulo por ]!v ,!
w.
Definición 5.8. Sean !
v y!w son vectores en Rn no nulos, diremos que:
1. !v y! w son perpendiculares si ]!
v ,!
w = ⇡ , esto es equivalente a !
2 v ·!
w =0
2. !
v y!
w son paralelos si ]!
v ,!
w = 0 _ ]!
v ,!
w = ⇡, esto es equivalente a !
v = !
w para álgún 2 R.

Proyecciones
Geométricamente lo que queremos es determinar un vector que se obtiene al proyectar ortogonalmente el

!
vector !
u 6= 0 sobre el vector !
w . Si denotamos a este vector con proy!
u
w
entonces, se debe cumplir
!
u
proy!
w = t!
w
!
w · (!
u !
tw) = 0
entonces !
! w ·!
u
w ·! t k!
2
u wk = 0 ) t = ! 2
kwk
se sigue !
!
!
w ·!
u
u
proy! = !
w
k!
w 2
wk
!
u y!
w son vectores en Rn , !
w 6= 0 . Se define el vector proyección de !
u sobre !
w como el
vector !
!
!
w ·! u !
u
proy! w = w
k!
2
wk
!
Observación 5.5. El vector !
u u
proy!
w
(representar gráficamente) es llamado componente de !
u ortogonal a !
w.
Ejemplo 5.2. Considere un triángulo en R3 determinado por los vértices en los puntos A, B, C. Encuentre su
área.
Solución: Sean !
u = B A, ! w = C A entonces la altura del triángulo es
!
h= !
u u
proy!
w
se sigue que
1 ! ! !
área = kwk u u
proy!
w
2
Producto cruz en R3
En la sección anterior resolvimos el problema de proyectar un vector sobre otro de manera perpendicular, en
esta sección definiremos un vector que es perpendicular a dos vectores dados del espacio.
u = (u1 , u2 , u3 ) y !
v = (v1 , v2 , v3 ) vectores en R3 . Definimos el producto cruz !
u ⇥!
v
con el vector
! ! ! !
u ⇥!v = (u2 v3 u3 v2 ) i (u1 v3 u3 v1 ) j + (u1 v2 u2 v1 ) k
! ! !
recordemos que i = (1, 0, 0), j = (0, 1, 0) y k = (0, 0, 1) entonces
!
u ⇥!
v = ((u2 v3 u3 v 2 ) , (u1 v3 u3 v1 ) , (u1 v2 u2 v1 ))
Observación 5.6. La definición de producto cruz se puede recordar y trabajar como un determinante
! ! !
i j k
!
u ⇥!
v = u1 u2 u3
v1 v2 v3
Observación 5.7. El vector !

u ⇥!
v es perpendicular a !
u y!
v . Note que en dos dimensiones esto no tiene
sentido.

Ejemplo 5.3. Sean !

u = (1, 2, 1) y !
u = (1, 0, 1) calcular !
u ⇥!
v.
Notemos que
! ! !
i j k ! 2 1 ! 1 1 ! 1 2
!
u ⇥!
v = 1 2 1 = i 0 1
j
1 1
+ k
1 0
1 0 1
! ! ! ! !
= 2i j (0) + k ( 2) = 2i 2 k = ( 2, 0, 2)

u = (u1 , u2 , u3 ) , !
v = (v1 , v2 , v3 ) y !
w = (w1 , w2 , w3 ) vectores en R3 entonces
u1 u2 u3
!
u · (!
v ⇥!
w) = v1 v2 v3
w1 w2 w3
En efecto: Sabemos que

✓ ◆
! v2 v3 v1 v3 v1 v2
v ⇥!
w = , ,
w2 w3 w1 w3 w1 w2
y si !
u = (u1 , u2 , u3 ) entonces
! v2 v3 v1 v3 v1 v2
u · (!
v ⇥!
w) = u1 u2 + u3
w2 w3 w1 w3 w1 w2
u1 u2 u3
= v1 v2 v3
w1 w2 w3
(es el desarrollo del determinante por la primera fila en cofactores).

Note además que
u1 u2 u3
!u · (!
v ⇥! w ) = v 1 v 2 v 3 = (! u ⇥!
v)·!
w
w1 w2 w3
Teorema 5.2. El producto vectorial cumple las siguientes propiedades

⇣ !⌘
1. 8!u 2 R3 ! u ⇥!u = 0
2. 8!
u,!
v 2 R3 ( !
u ? (!
u ⇥!
v) y!
v ? (!
u ⇥!
v ))
3. 8!
u,!
v 2 R3 ((!
u ⇥!
v)= (!
v ⇥!
u ))
4. 8!
u,!
v ,!
w 2 R3 ((!
u +!
v)⇥!
w =!
u ⇥!
w +!
v ⇥!
w)
5. 8!
u,!
v ,!
w 2 R3 ( !
u ⇥ (!
v +!
w) = !
u ⇥!
v +!
u ⇥!
w)
6. 8!
u,!
v 2 R3 (8 2 R) ( (!
u ⇥!
v)=( !
u)⇥!
v =!
u ⇥( !
v ))
Observación 5.8. Demostrar algunas utilizando propiedades de los determinantes y la proposición anterior
Ejemplo 5.4. Simplificar

[(!
u +!
v ) ⇥ (2!
u !
v )] · !
u

Desarrollo: Por las propiedades recién enunciadas
(!u +!v ) ⇥ (2!u ! v)

= ( u + v ) ⇥ (2 u ) + (!
! ! ! u +! v)⇥( ! v)
= !u ⇥ (2 u ) + v ⇥ (2 u ) + u ⇥ ( !
! ! ! ! v)+!v ⇥( !v)
= 2 (!
u ⇥! u ) + 2 (!
v ⇥! u ) (!u ⇥! v ) (!
v ⇥!
v)
= 0 + 2 (!
v ⇥!
u) (!
u ⇥!
v)+0
= 3(u ⇥ !
! v)
luego
[(!
u +! v ) ⇥ (2!u ! v )] · !
u
= ! ! !
( 3 ( u ⇥ v )) · u = 0
Teorema 5.3 (Identidad de Lagrange). Para cada !

v ,!
w en R3 se tiene
(!
v ·!
w ) + k!
v ⇥!
w k = k!
v k k!
2 2 2 2
wk
Gracias a la identidad de Lagrange, podemos mostrar lo siguiente, como !

v ·!
w = k!
v k k!
w k cos ✓ se sigue
(k!
v k k!
w k cos ✓) + k!
v ⇥!
w k = k!
v k k!
2 2 2 2
wk
luego
k!
v ⇥! k!
v k k! k!v k k!
2 2 2 2 2
wk = wk w k cos2 ✓
k!
v k k!
2 2
= w k 1 cos2 ✓
k!
v k k!
2 2
= w k sin2 ✓
esto nos lleva a la siguiente:

v e!
w vectores en R3 se cumple
k!
v ⇥!
w k = k!
v k k!
w k |sin ✓|
donde ✓ 2 [0, ⇡] es el ángulo que forman !

v e!
w.
Ejercicio 5.1. Considere un paralelógramo determinado por dos vectores ! u y! v en R3 si ]!

u,!v = ✓ entonces
! ! ! !
el área del paralelógramo es A = k u k k v k sen ✓ = k u ⇥ v k. Notar que de esta forma se puede calcular el área
de un triángulo por
k!u ⇥!vk
A=
2
Ejercicio 5.2. Considere un paralelepipedo en el espacio determinado por tres vectores no coplanares ! u,! v ,!w 2
R3 entonces el volúmen del paralelepı́pedo esta dado por
0 1
u1 u2 u3
V = |!
w · (!
u ⇥!
v )| = det @ v1 v2 v3 A
w1 w2 w3
Rectas en el espacio
!
Definición 6.1. Sea !
p un punto dado y d un vector no nulo. Definimos la recta que pasa por !
p y es paralela a
!
d como el conjunto de puntos n o
!
L= ! p + d : 2R

!
Observación 6.1. El vector d se llama vector director de la recta L.
!
En términos de coordenadas, sea ! p = (x0 , y0 , z0 ), d = (d1 , d2 , d3 ). El punto (x, y, z) está en la recta si
x = x0 + d1
y = y0 + d 2
z = z0 + d 3
Esta forma de escribir la ecuación de la recta se llama forma paramétrica, de parámetro .
Si en cada ecuación anterior, despejamos el parámetro obtenemos

x x0
=
d1
y y0 x x0 y y0 z z0
= =) = =
d2 d1 d2 d3
z z0
=
d3
Estas son las ecuaciones simétricas de la recta.
Si conocemos dos puntos ! p1 y !p2 , la ecuación de la recta que pasa por ellos es
L = (x1 , y1 , z1 ) + t(x1 x2 , y1 y2 , z1 z2 ), t2R
La forma paramétrica de la ecuación de la recta que pasa por dos punto es:
x = x1 + t(x1 x2 )
y = y1 + t(y1 y2 )
z = z1 + t(z1 z2 )
y la forma simétrica es:
x x1 y y1 z z1
= =
x1 x2 y 1 y2 z1 z2
! !
Definición 6.2. Dos rectas L1 = ! p1 + t d 1 , t 2 R y L 2 = !p2 + r d2 , r 2 R son paralelas si sus vectores
! !
directores son paralelos. Es decir, d1 = ad2 con a 2 R y a 6= 0
Planos
Definición 7.1. Un conjunto ⇧ ⇢ R3 es un plano si existe un vector !

p y dos vectores !
u y!
v no paralelos tales
que
⇧ = {!p + ↵! u + ! v : ↵, 2 R}
En términos 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 paramétricas del plano.
Un plano en R3 se puede determinar especificando un punto contenido en él y un vector normal al plano, es
decir, un vector perpendicular a él.
En efecto, dado el punto P = (x0 , y0 , z0 ) y el vector !
n = (n1 , n2 , n3 ) un punto Q = (x, y, z) 2 ⇧ 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

Por lo tanto, la ecuación general de un plano es
ax + by + cz + d = 0
donde el vector (a, b, c) es normal al plano.
Observación 7.1. Un plano puede ser determinado conociendo 3 puntos no colineales. En efecto, sean P1 , P2 ,
! ! ! ! !
P3 los puntos, formamos los vectores P1 P2 y P1 P3 . El vector !
n = P1 P2 ⇥ P1 P3 es perpendicular a P1 P2 y a
! ! !
P1 P3 . Luego, n es normal al plano. Usamos cualquiera de los 3 puntos Pi y n y obtenemos la ecuación del
plano.
Ejemplo 7.1. Determine la ecuación del plano que pasa por los puntos
P1 = (2, 2, 1), P2 = ( 1, 0, 3), P3 = (5, 3, 4)
Formemos los vectores

! !
P 1 P2 = P2 P1 = ( 3, 2, 2) y P1 P3 = P3 P1 = (3, 1, 3)
ahora el vector normal

! ! !
n = P1 P2 ⇥ P1 P3 = (8, 15, 3)
Por lo tanto, la ecuación del plano es dada por:
(x 2, y + 2, z 1) · (8, 15, 3) = 0 () 8x + 15y 3z + 17 = 0
Teorema 7.1. Dados dos planos
⇧1 = a 1 x + b 1 y + c 1 z + d 1 = 0 y ⇧2 = a 2 x + b 2 y + c 2 z + d 2 = 0
se tiene:
1. ⇧1 k ⇧2 () a1 = ka2 , b1 = kb2 , c1 = kc2 con k 2 R y k 6= 0

2. ⇧1 ? ⇧2 () (a1 , b1 , c1 ) · (a2 , b2 , c2 ) = 0
3. ⇧1 = ⇧2 () a1 = ka2 , b1 = kb2 , c1 = kc2 , d1 = kd2 con k 2 R y k 6= 0.
!
Teorema 7.2. Consideremos la recta L = !
p + d y el plano ⇧ = ↵x + y + z + = 0. Se tiene
!
1. L k ⇧ () (↵, , ) · d = 0
! !
2. L ? ⇧ () d k (↵, , ) () ↵ = kd1 , = kd2 , = kd3 , donde k 6= 0 y (d1 , d2 , d3 ) = d .
Definición 7.2. Llamaremos haz de planos coaxiales a aquellos planos que pasan por una recta L, llamada eje
del haz.
Dados dos planos ⇧1 y ⇧2 tal que ⇧1 \ ⇧2 = L, la ecuación del haz de planos está dada por
⇧1 + ⇧2 = 0
Teorema 7.3 (Distancia punto recta). Consideremos la recta L que pasa por el punto P0 = (x0 , y0 , z0 ) y tiene como
!
vector director a d . Sea P = (x, y, z) un punto que no pertenece a L. La distancia de P a L está dada por:
! !
|| d ⇥ P0 P ||
d(P, L) = !
|| d ||

Teorema 7.4 (Distancia punto plano). Dado un punto P0 = (x0 , y0 , z0 ) y un plano ⇧ = ax + by + cz + d = 0. La

distancia entre P0 y ⇧ está dada por:
|ax0 + by0 + cz0 + d|
d(P0 , ⇧) = p
a 2 + b2 + c 2
!
Teorema 7.5 (Distancia entre rectas). Sea L1 la recta que pasa por el punto P1 y tiene dirección d1 . Sea L2 la recta que
!
pasa por el punto P2 y tiene dirección d2 . La distancia mı́nima entre L1 y L2 esta dada por:
!
| P1 P2 · !n| ! !
dmin (L1 , L2 ) = , donde !
n = d1 ⇥ d2
||!
n ||
1. Determine si las rectas
L1 : x = 2t 3, y = 3t 2, z= 4t + 6 y L2 : x = r + 5, y= 4r 1, z=r 4
se cortan.
Solución. Si existe un punto P tal que P = L1 \ L2 , debe existir t1 2 R y r1 2 R tales que
2t1 3 = r1 + 5, 3t1 2= 4r1 1, 4t1 + 6 = r1 4
La solución de este sistema de 3 ecuaciones y dos incógnitas es:
t1 = 3 y r1 = 2
Reemplazamos el valor del parámetro t1 en L1 o reemplazamos el valor del parámetro r1 en L2 , para

obtener el punto donde se intersectan: P = (3, 7, 6).
2. Determinar la ecuación de la recta que pasa por P (1, 4, 0) y es perpendicular a las rectas
8
< x = 3+t x+4 2y 1 1
L1 : y = 4 + t , L2 : = , z=
: 6 3 2
z = 1+t
! ! !
Solución. Sea L : (1, 4, 0) + d , con 2 R, la recta buscada y sean d 1 = (1, 1, 1) y d 2 = (4, 1, 0) los
vectores directores de L1 y L2 respectivamente. Como
! ! ! ! ! ! !
L?L1 ^ L?L2 =) d ? d 1 ^ d ? d 2 =) d // d 1 ⇥ d 2 = ( 1, 4, 3)
Por lo tanto, la ecuación de la recta L es
L : (1, 4, 0) + ( 1, 4, 3), con 2R
3. Hallar la ecuación del plano que pasa por (3, 1, 2) y es paralelo al plano 2x + 4y 3z + 10 = 0
Solución. El plano buscado tiene por ecuación 2x + 4y 3z + d = 0. Para determinar d, usamos que el
punto (3, 1, 2) debe pertenecer al plano, entonces debe satisfacer la ecuación
2(3) + 4( 1) 3(2) + d = 0 =) d = 4
Por lo tanto, el plano pedido es

2x + 4y 3z + 4 = 0

4. Hallar la ecuación del plano determinado por el punto (1, 0, 2) y la recta L :

x+3 y 5 z 1
= =
3 3 1
Solución. Vamos a escribir la recta como intersección de 2 planos. Para esto, consideramos las igualdades
siguientes:
x+3 y 5 y 5 z 1
= y =
3 3 3 1
De la primera igualdad, se tiene
x+3 y 5
= () 3x 9 = 3y 15 () x + y 2=0
3 3
De la segunda igualdad , obtenemos

y 5 z 1
= () y 5= 3z + 3 () y + 3z 8=0
3 1
La ecuación del haz de planos que tiene a L como eje del haz es:
(x + y 2) + (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 ecuación del haz, obteniendo
1
(1 + 0 2) + (0 + 3(2) 8) = 0 =) =
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 intersección del plano ⇧ con la recta que pasa por A y es perpendicular
a ⇧.
b) Determine el punto D, punto de intersección de la recta L con el plano ⇧
c) Hallar un punto C 2 L tal que el volumen del tetraedro de vértices A, B, C, D sea 4.
Solución. Denotemos por LA : (1, 0, 1) + r(2, 1, 1) la recta que pasa por A e intersecta perpendicular-
mente a ⇧
T
a) Como B 2 LA ⇧ =) B 2 LA ^ B 2 ⇧ =) B = (1 + 2r, r, 1 r) y debe satisfacer la ecuación del
plano, es decir,
2(1 + 2r) + r (1 r) 7 = 0 =) r = 1 =) B = (3, 1, 0)
T
b) Analogamente, si D 2 L ⇧ =) D = ( 1, 1 + t, 5t) y
2( 1) + (1 + t) 5t 7 = 0 =) t = 2 =) D = ( 1, 1, 10)
c) Si C 2 L =) C = ( 1, 1 + t, 5t), entonces
! ! !
BC = ( 4, t, 5t), BD = ( 4, 2, 10), BA = ( 2, 1, 1)
1 ! ! !
El volumen del tetraedro de vértices A, B, C, D es dado por V = |BC · BD ⇥ BA|. Como se quiere
6
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).
6. Hallar la ecuación del plano que contiene a la recta L : x = 2y = 3z 1, sabiendo que dicho plano está a
una distancia de 27 unidades del origen.
Solución. El haz de planos que contiene a la recta L tiene por ecuación
(x 2y) + (x 3z + 1) = 0 () x(1 + ) 2y 3 z+ =0
La distancia del origen (0,0,0) al haz de planos está dada por
| |
d(O, haz) = p
(1 + )2 + ( 2)2 + ( 3 )2
Pero el plano pedido debe estar a 2

7 del origen, entonces
| | 2
p =
(1 + )2 + ( 2)2 + ( 3 )2 7
Esta ecuación cuadrática tiene 2 soluciones:

10
=2 =
9
Por lo tanto, tenemos 2 soluciones
⇧1 : (x 2y) + 2(x 3z + 1) = 0 () 3x 2y 6z + 12 = 0
y
10
⇧2 : (x 2y) (x 3z + 1) = 0 () x + 18y 30z + 10 = 0
9
7. Hallar la distancia mı́nima entre las rectas
L1 : (1, 1, 4) + t(0, 1, 3) y L2 : x = 4 + , y = 5, z= 3+2
! !
Solución. El vector director de L1 es d1 = (0, 1, 3) y el vector director de L2 es d2 = (1, 0, 2). Entonces
! ! !
n = d1 ⇥ d2 = (2, 3 1)
Ahora, sea P1 = (1, 1, 4) y P2 = (4, 5, 3), entonces

!
P1 P2 = P 2 P1 = (3, 4, 7)
Reemplazando en la fórmula, obtenemos

!
| P1 P2 · !n| |(3, 4, 7) · (2, 3 1)| 1
dmin (L1 , L2 ) = = =p
||!
n || ||(2, 3 1)|| 14

Espacios vectoriales
Definición 8.1. Sea V un conjunto no vacı́o y sea K un cuerpo (los cuerpos que consideraremos en este curso
serán R ó C). Supongamos que en V se han definido dos operaciones, que llamaremos adición y producto por
escalar, del siguiente modo:
I. La adición toma dos elementos de V , llamésmoslos u y v, y mediante la operación los lleva a un elemento
w 2 V con w = u + v.
II. El producto por escalar toma un elemento ↵ del cuerpo K y un u 2 V , y mediante la operación los lleva a un
elemento w 2 V con w = ↵ · u
Diremos que (V, +, ·) es un espacio vectorial sobre K si y solamente si las operaciones satisfacen las
siguientes propiedades:
1. 8 u, v 2 V , u + v = v + u
2. 8 u, v, w 2 V, u + (v + w) = (u + v) + w
3. 9 0V 2 V tal que u + 0V = u, 8 u 2 V
4. 8 u 2 V, 9 ( u) 2 V tal que u + ( u) = 0V
5. 8 u, v 2 V, 8 ↵ 2 K, ↵ · (u + v) = ↵ · u + ↵ · v
6. 8 u 2 V, 8 ↵, 2 K, (↵ + ) · u = ↵ · u + ·u
7. 8 u 2 V, 8 ↵, 2 K, (↵ ) · u = ↵ · ( · u)
8. 8 u 2 V, 1 · u = u
Los elementos de V se llaman vectores y los del cuerpo K se llaman escalares.
Ejemplo 8.1. (R2 , +, ·) es un espacio vectorial sobre R, con las siguientes operaciones: Si u, v 2 R2 , con
u = (u1 , u2 ), v = (v1 , v2 ) y ↵ 2 R definimos
u + v = (u1 + v1 , u2 + v2 ) y ↵ · u = (↵u1 , ↵u2 )

Este espacio vectorial se identifica, geométricamente, con el plano cartesiano, y sus elementos son los
vectores en (R2 , +, ·).
Ejemplo 8.2. (R3 , +, ·) es un espacio vectorial sobre R, con las siguientes operaciones: si u, v 2 R3 , con
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y ↵ 2 R definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 ) y ↵ · u = (↵u1 , ↵u2 , ↵u3 )

Este espacio vectorial se identifica, geométricamente, con el espacio cartesiano, y sus elementos son los vectores
en (R3 , +, ·).
Ejemplo 8.3. La generalización (Rn , +, ·) es un espacio vectorial sobre R, con las siguientes operaciones: Si
u, v 2 Rn , con u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) y ↵ 2 R definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
↵ · u = (↵u1 , ↵u2 , . . . , ↵un )
Ejemplo 8.4. (C , +, ·) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v 2 C2 , con
2
u = (u1 , u2 ), v = (v1 , v2 ) y ↵ 2 C definimos
u + v = (u1 + v1 , u2 + v2 ) y ↵ · u = (↵u1 , ↵u2 )

Debe tenerse presente que, en este caso, todos los números involucrados son números complejos, por lo cual las
operaciones mencionadas son entre elementos en C.

Ejemplo 8.5. (C3 , +, ·) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v 2 C3 , con
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y ↵ 2 C definimos
u + v = (u1 + v1 , u2 + v2 , u3 + v3 ) y ↵ · u = (↵u1 , ↵u2 , ↵u3 )

Análogamente, las operaciones se realizan entre números complejos.
Ejemplo 8.6. La generalización (Cn , +, ·) es un espacio vectorial sobre C, con las siguientes operaciones: Si
u, v 2 Cn , con u = (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn ) y ↵ 2 C definimos
u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
y
↵ · u = (↵u1 , ↵u2 , . . . , ↵un )
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.
Ejemplo 8.7. Consideremos el conjunto
Rn [x] = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn , ai 2 R, i = 0, . . . , n}
es decir, Rn [x] es el conjunto de los polinomios con coeficientes reales en una variable real de grado menor o igual
a n (incluyendo al polinomio nulo). (Rn [x], +, ·) es un espacio vectorial sobre R con la adición y el producto por
escalar habitual de polinomios, vale decir, si p (x) = a0 +a1 x+a2 x2 +. . .+an xn y q (x) = b0 +b1 x+b2 x2 +. . .+bn xn
entonces
(p + q)(x) = p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + . . . + (an + bn )xn
(↵p)(x) = ↵p(x) = ↵a0 + ↵a1 x + ↵a2 x2 + . . . + ↵an xn , 8↵ 2 R

Ejemplo 8.8. Consideremos el conjunto de las funciones a valores reales F = {f : A ✓ R ! R} premunido
de la adición usual de funciones y del producto por escalar usual: (f + g)(x) = f (x) + g(x) y (↵ · f )(x) =
↵(f (x)) 8f, g 2 F, 8x2 A, 8↵ 2 R. Con estas operaciones, (F, +, ·) es un espacio vectorial sobre R.
Ejemplo 8.9. El espacio de las funciones continuas definidas en un intervalo [a, b], que denotamos por
(C[a, b], +, ·) con las operaciones recién definidas para las funciones, es un espacio vectorial sobre R.
Ejemplo 8.10. 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.
Ejemplo 8.11. Consideremos el conjunto de las matrices de orden m ⇥ n con entradas reales, que denotaremos
Mm⇥n (R). Recordemos que una matriz real es un arreglo de números reales: Si A, B 2 Mm⇥n (R), definimos la
suma de matrices:
A + B = (aij )m⇥n + (bij )m⇥n = (aij + bij )m⇥n
El producto por escalar queda definido por:
↵ · A = ↵ · (aij )m⇥n = (↵ aij )m⇥n
De esta manera, (Mm⇥n (R), +, ·) es un espacio vectorial sobre R.
Ejemplo 8.12. Análogamente, las matrices con entradas complejas (Mm⇥n (C), +, ·) con las operaciones análogas
a las descritas arriba, forman un espacio vectorial sobre C.
Ejemplo 8.13. El conjunto de todos los polinomios de grado menor o igual a n con coeficientes complejos, i.e.
Cn [x] = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn , ai 2 C, n 2 N}, dotado de la suma y el producto habitual de
polinomios, es un espacio vectorial sobre C.
Ejercicio 8.1. Sea V un K espacio vectorial y sea X un conjunto. Considere F (X, V ) el conjunto de todas las
funciones de X es V. Se definen
(f + g) (x) = f (x) + g (x)
(↵ · f ) (x) = ↵ · f (x)
muestre que (F (X, V ) , +, ·) es un espacio vectorial.

Observación 8.1. Probar que alguno de los ejemplos anteriores es un espacio vectorial
Proposición 8.1. Sea V un K-espacio vectorial:
1. El neutro aditivo 0V es único.
2. Para cada v 2 V el inverso aditivo v es único.

3. Es válida la ley de cancelación para la adición de vectores.
4. 8v 2 V , 0 · v = 0V
5. 8↵ 2 K, 8v 2 V , ( ↵) v = (↵v)
Ejercicios
1. Determine si (R, +, ·) es un espacio vectorial sobre C. Justifique.

2. Determine si (C, +, ·) es un espacio vectorial sobre R. Justifique.
3. Determine si (Mm⇥n (R), +, ·) es un espacio vectorial sobre C. Justifique.

4. Determine si (Mm⇥n (C), +, ·) es un espacio vectorial sobre R. Justifique.
Subespacios vectoriales
Definición 8.2. 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.
Observación 8.2. La definición anterior no permite averiguar, de manera simple, si un determinado subconjunto
es o no subespacio de un espacio vectorial dado. El siguiente teorema nos brinda un método sencillo para este
efecto.
Teorema 8.1. 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 2 S entonces u + v 2 S.
2. Si ↵ 2 K, u 2 S entonces ↵ · u 2 S.
Observación 8.3. Si S  V entonces 0V 2 S.
En adelante, escribiremos V en lugar de (V, +, ·) para un espacio vectorial sobre K. Si (S, +, ·) es un subespacio
vectorial de (V, +, ·) escribiremos S  V .
Todo espacio vectorial tiene, de manera natural, dos subespacios vectoriales, llamados subespacios vecto-
riales triviales del espacio vectorial V . Estos son: el mismo espacio vectorial V , vale decir, V  V y el espacio
vectorial nulo, vale decir el espacio vectorial cuyo único elemento es el neutro aditivo de V : {0V }  V .
Ejemplo 8.14. Considere W = {(x, y) 2 R2 : y = 0}. Probemos que W es un subespacio vectorial de R2 . Para
ello, debemos verificar:
1. W 6= ;, lo cual es cierto pues (0, 0) 2 W .

2. (x, y), (u, v) 2 W ) (x, y) + (u, v) 2 W .

En efecto: (x, y), (u, v) 2 W ) y = 0 ^ v = 0. Por lo tanto, (x, y) + (u, v) = (x, 0) + (u, 0) = (x + u, 0). Es
decir, la segunda componente de la suma de dos vectores en W da como resultado un vector que también
pertenece a W .
3. 2 R, (x, y) 2 W ) · (x, y) 2 W .
En efecto: (x, y) 2 W ) y = 0. Por lo tanto, · (x, y) = · (x, 0) = ( x, 0) 2 W .
Como las tres condiciones se satisfacen, hemos probado que W  R2 .

Ejemplo 8.15. Considere W = {(x1 , x2 , · · · , xn ) 2 Rn : xn = 0}. Probemos que W es un subespacio vectorial
de Rn . Para ello, debemos verificar:
1. W 6= ;, lo cual es cierto pues (0, 0, · · · , 0) 2 W .

2. (x1 , x2 , · · · , xn ), (u1 , u2 , · · · , un ) 2 W ) (x1 , x2 , · · · , xn ) + (u1 , u2 , · · · , un ) 2 W .
En efecto: (x1 , x2 , · · · , xn ), (u1 , u2 , · · · , un ) 2 W ) xn = 0 ^ un = 0. Por lo tanto, (x1 , x2 , · · · , xn ) +
(u1 , u2 , · · · , un ) = (x1 , x2 , · · · , 0) + (u1 , u2 , · · · , 0) = (x1 + u1 , x2 + u2 , · · · , 0). Es decir, la n ésima compo-
nente de la suma de dos vectores en W da como resultado un vector que también pertenece a W .
3. 2 R, (x1 , x2 , · · · , xn ) 2 W ) · (x1 , x2 , · · · , xn ) 2 W .
En efecto: (x1 , x2 , · · · , xn ) 2 W ) xn = 0. Por lo tanto, · (x1 , x2 , · · · , xn ) = · (x1 , x2 , · · · , 0) =
( x1 , x2 , · · · , 0) 2 W .
Como las tres condiciones se satisfacen, hemos probado que W  Rn .

Ejemplo 8.16. Sea (1, 2) 2 R2 y consideremos W = {(x, y) 2 R2 : (x, y) = ↵ · (1, 2), ↵ 2 R}. Probemos que
W es un subespacio vectorial de R2 .
1. W 6= ;, lo cual es cierto pues (0, 0) = 0 · (1, 2) 2 W .

2. Debemos probar ahora que (x1 , x2 ), (u1 , u2 ) 2 W ) (x1 , x2 ) + (u1 , u2 ) 2 W .
En efecto: (x1 , x2 ), (u1 , u2 ) 2 W ) 9↵, 2 R : (x1 , x2 ) = ↵ · (1, 2),
(u1 , u2 ) = · (1, 2). Por lo tanto, (x1 , x2 ) + (u1 , u2 ) = ↵ · (1, 2) + · (1, 2) = (↵ + ) · (1, 2) 2 W,
pues ↵ + 2 R.
3. Probemos ahora que 2 R, (x1 , x2 ) 2 W ) · (x1 , x2 ) 2 W .
En efecto: (x1 , x2 ) 2 W ) · (x1 , x2 ) = · (↵ · (1, 2)) = ( ↵) · (1, 2) 2 W, pues 2 R.
Gráficamente, este espacio vectorial se representa por una recta en el plano, en la misma dirección que el
vector (1, 2).
Ejemplo 8.17. Como en el ejemplo anterior, sea V un espacio vectorial real, y sea u0 2 V, con
u0 6= 0V . Consideremos W = {v 2 V : v = ↵ · u0 , ↵ 2 R}. Probemos que W es un subespacio vectorial de V .
1. W 6= ;, lo cual es cierto pues tomando 0 2 R, 0 · u0 = 0V 2 W .

2. Probemos que v1 , v2 2 W ) v1 + v2 2 V. En efecto: v1 , v2 2 V ) 9↵, 2 R : v1 + v2 =
↵ · u0 + · u0 = (↵ + ) · u0 2 V
3. Probemos ahora que 2 R, v 2 W ) · v 2 W. En efecto: v 2 W ) ·v = · ↵ · u0 = ( ↵) · u0 2 W.
Debido a la analogı́a con el ejemplo anterior (4.-), este espacio vectorial recién descrito se denomina recta
vectorial, con dirección u0 .
Ejemplo 8.18. Sea E = {(x, y, z) 2 R3 : 2x + y = 0}. Probemos que E  R3 .
1. E 6= ;, lo cual es cierto pues (0, 0, 0) 2 E.

2. Probemos que:
(x, y, z), (u, v, w) 2 E ) (x, y, z) + (u, v, w) = (x + u, y + v, z + w) 2 E. Este último vector pertenece a
E () 2(x + u) + y + v = 0, condición que se cumple pues como (x, y, z), (u, v, w) 2 E ) 2x + y =
2u + v = 0 de donde 2x + y + 2u + v = 2(x + u) + y + v = 0. Luego, la suma de los vectores
pertenece a E.

3. Análogamente para el producto por escalar.

⇢✓ ◆
a b
Ejemplo 8.19. Sea S = 2 M2⇥2 (R) : a = b y c = d entonces S  M2⇥2 (R)
c d
Proposición 8.2. 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 2 W1 , v 2 W2 }
Observación 8.4. Si W1 , W2  V y W1 \ W2 = {0V } entonces el subespacio suma W1 + W2 es llamado suma

directa y se escribe W1 W2 .
Observación 8.5. La unión de subespacios no es necesariamente un subespacio vectorial. Considere por ejemplo
V1 = (x, y) 2 R2 : x = 0 y V1 = (x, y) 2 R2 : y = 0 .
Ejercicios
1. Sea S = {A 2 Mn⇥n : At = A} Probar que S  Mn⇥n .

2. Sea T = {A 2 Mn⇥n : At = A} Probar que T  Mn⇥n .
3. Muestre que S T = Mn⇥n (R)
4. n m ) C [a, b]  C m [a, b].
n
5. Considere los subespacios vectoriales de R3 :

E = {(x, y, 0) : x, y 2 R}, F = {(0, 0, z) : z 2 R}, G = {(0, y, z) : y, z 2 R}.
Determine: E \ F, E \ G, G \ F, E + F, E + G, G + F . Haga una descripción geométrica y dibuje cada
uno de estos subespacios.
Combinaciones lineales
DefiniciónP8.3. Sean ↵1 , ↵2 , · · · , ↵n 2 K y sean u1 , u2 , · · · , un 2 V , donde V es un espacio vectorial real. La
n
expresión i=1 ↵i ui es una combinación lineal de los vectores u1 , u2 , · · · , un .
Observación 8.6. 0v es combinación lineal de cualquier conjunto de vectores.

Ejemplo 8.20. El vector de R3 , (0, 2, 3) es una combinación lineal de los vectores (1, 0, 0),(1, 1, 0)y (1, 1, 1).
Para probarlo, escribimos
(0, 2, 3) = ↵ · (1, 0, 0) + · (1, 1, 0) + · (1, 1, 1)
luego, debemos encontrar ↵, , 2 R:
0 = ↵+ +
2 = +
3 =
Resolviendo, determinamos que = 3, = 5, ↵ = 2.
Notar que (0, 2, 3) no es combinación lineal de los vectores (1, 1, 0), (1, 1, 1), pues, usando el mismo
razonamiento, si (0, 2, 3) = ↵ · (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) 2 R3 . Escriba, si es posible, los vectores a =
( 4, 5, 8) y b = (4, 1, 5) como combinación lineal de u y v. Determine los valores de x para los cuales
el vector (x, 4, 7) es una combinación lineal de u y v.
2. Dados u1 = (1, 2, ↵, 1), u2 = (↵, 1, 2, 3), u3 = (0, 1, , 0) 2 R4 , determine los valores de ↵ y para que
uno de los vectores sea combinación lineal de los otros dos.
2
3. Decidir si p (t) = t2 t + 1 es combinación lineal de p1 (t) = (t 1) y p2 (t) = t
✓ ◆ ✓ ◆ ✓ ◆
1 2 0 1 1 1
4. Decidir si es combinación lineal de y .
1 0 1 1 1 0
Espacio generado. Dependencia e independencia lineal.
Definición 8.4. 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 más chico de todos estos conjuntos se llama espacio
generado por X y corresponde a la intersección de todos los subespacios que contienen a X. Lo denotaremos
por hXi ó por G(X).
El espacio generado por X es un subespacio vectorial de V . Además, se tiene que:
Teorema 8.2. Los elementos de G(X) son los elementos del conjunto formado por todas las combinaciones lineales posibles
de elementos de X, es decir, si X = {x1 , x2 , · · · , xk }, entonces
( k )
X
hXi = ↵ i x i , ↵i 2 R
i=1
Observación 8.7. Si S = hv1 , v2 , . . . , vn i decimos que v1 , v2 , . . . , vn generan a S o que es un conjunto generador

de S.
Ejemplo 8.21. Si W = {(x, y) 2 R2 : (x, y) = ↵ · (1, 2), ↵ 2 R} entonces W = h(1, 2)i.
Ejemplo 8.22. Si W = {v 2 V : v = ↵ · u0 , ↵ 2 R} entonces W = G(u0 ) = hu0 i.
Ejemplo 8.23. En R considere los vectores u = (2, 1), v = ( 1, 1), w = (1, 4). Probemos que R2 = G(u, v) =
2
G(u, v, w) y que R2 6= G(u).

Para probar que R2 = G(u, v), debemos demostrar que dado cualquier (x, y) 2 R2 , existen ↵, 2 R tal que
(x, y) = ↵ · (2, 1) + · ( 1, 1). La igualdad implica
x = 2↵
y = ↵+
x+y 2y x
de donde ↵= , = .
3 3
Esto significa que dado cualquier vector (x, y) 2 R2 podemos determinar explı́citamente, en función
de x e y, los valores de ↵ y .
Análogamente, para probar que R2 = G(u, v, w), debemos demostrar que dado cualquier (x, y) 2 R2 ,
existen ↵, , 2 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 afirmación. Si asignamos otro valor a , también podemos resolver el sistema
para ↵ y . En general, entonces, podemos decir que:
x+y 5 2y x 7
↵= , =
3 3
donde es un parámetro real. Por lo tanto, en este caso también es posible determinar explı́citamente los
valores de ↵, y .Para probar que R2 6= G(u) basta encontrar un vector en R2 que no sea combinación lineal
de u. Por ejemplo, si tomamos el vector (1, 0) 2 R2 vemos que no existe ↵ 2 R : (1, 0) = ↵ · (2, 1).

Claramente
G((1, 0), (0, 1)) = h(1, 0), (0, 1)i
= h( 1, 2), (3, 2)i
= G((1, 0), ( 1, 2), (5, 3)) = R2
Análogamente,
R2 [x] = G(1, x, x2 )
= h2, 1 + x, x x2 i
= h1, 1 + x, 1 + x + x2 i
Ejemplo 8.24. Rn [x] = G(1, x, x2 , · · · , xn )

Ejemplo 8.25. hsin, cosi = {f (x) 2 C 1 (R) : f (x) = ↵ sin(x) + cos(x), ↵, 2 R}.
⇢✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
1 0 0 1 0 0 0 0
Ejemplo 8.26. M2⇥2 (R) = G , , ,
0 0 0 0 1 0 0 1
Ejercicio 8.2. Caracterizar el espacio generado por los vectores (0, 1, 2) , ( 1, 3, 1) y (2, 11/2, 3)
Ejercicio 8.3. Encontrar un conjunto generador del subespacio
⇢✓ ◆
a b
: a, b, c 2 R  M2⇥2 (R)
b c
Definición 8.5. Sean u1 , u2 , · · · , un 2 V . Diremos que {u1 , u2 , · · · , un } es un conjunto:
1. linealmente independiente (l.i.) ssi

n
X
↵i · ui = 0V ) ↵i = 0 8i = 1, · · · , n
i=i
2. linealmente dependiente (l.d.) ssi

n
X
9↵1 , · · · , ↵n 2 K, no todos nulos : ↵i · ui = 0V
i=i
Ejemplo 8.27. El conjunto {(1, 0), (0, 1)} ⇢ R2 es un conjunto l.i. Basta formar
↵1 (1, 0) + ↵2 (0, 1) = (0, 0)
de aquı́ se concluye que ↵1 = 0, ↵2 = 0. También decimos que los vectores (1, 0), (0, 1) son l.i.
Ejemplo 8.28. El conjunto {(1, 2), (3, 1)} ⇢ R2 es un conjunto l.i. Análogamente, formamos ↵1 (1, 2) +
↵2 (3, 1) = (0, 0) )
↵1 + 3↵2 = 0
2↵1 ↵2 = 0. De aquı́, ↵1 = 0, ↵2 = 0.
Ejemplo 8.29. 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)
se sigue
↵1 + 3↵2 + 5↵3 = 0
2↵1 ↵2 + ↵3 = 0
Este es un sistema de 2 ecuaciones con 3 incógnitas, que tiene infinitas soluciones. Luego, hemos probado que
{(1, 2), (3, 1), (5, 1)} es l.d.
Es importante mencionar que, si bien ↵1 = ↵2 = ↵3 = 0 es una posible solución del sistema, no es la única.
Lo que hemos probado es que 9↵i , no todos nulos, que satisfacen la condición de la definición.

Ejemplo 8.30. El conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⇢ R3 es un conjunto l.i.
Ejemplo 8.31. 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, 9↵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 ↵1 = 1, ↵2 = 1, ↵3 = 1.
Ejemplo 8.32. El conjunto {(0, 1, 0), (1, 1, 0)} ⇢ R3 es un conjunto l.i.
Ejemplo 8.33. El conjunto {sin, cos} ⇢ C (R) es un conjunto l.i. En efecto, formamos
↵1 sin x + ↵2 cos x = 0
derivando, obtenemos una segunda ecuación que nos permite determinar ↵1 y ↵2 : ↵1 cos x ↵2 sin x = 0 .
Multiplicamos la primera ecuación por ↵2 y la segunda por ↵1 , las sumamos y como este sistema debe
satisfacerse para todos los valores posibles de x 2 R, necesariamente, ↵12 + ↵22 = 0. La única posibilidad es
que ↵1 = ↵2 = 0.
Ejemplo 8.34. El conjunto {e↵x , e x } ⇢ C 1 [0, 1] es un conjunto l.i., siempre que ↵ 6= .
Ejemplo 8.35. El conjunto {1, x, x2 , · · · , xn } ✓ Rn [x] es un conjunto l.i.
Observaciones
1. Todo conjunto de vectores que contenga al vector nulo 0V es un conjunto l.d. En particular, el conjunto
{0V } es l.d.
2. Si un conjunto M de vectores es l.i., todo subconjunto de M también es l.i.
3. Si un conjunto de vectores N es l.d., todo conjunto que contenga a N será l.d.
Teorema 8.3. Sea X ⇢ V, X 6= , X 6= {0V }, X finito. Entonces, 9Y ✓ X tal que Y es un conjunto l.i. y
G(X) = G(Y ).
Este teorema afirma que cualquier subconjunto finito de vectores, salvo el que contiene sólo al 0V , tiene un
subconjunto l.i. de vectores.
Bases y dimensión.
Definición 8.6. 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 8.4. Todo espacio vectorial tiene una base.

Ejemplos
1. B = {(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 , es llamada base canónica 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 = {sin, cos} es una base de V = G({sin, cos}).
⇢✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
1 0 0 1 0 0 0 0
7. B = , , , es una base de M2⇥2 (R). Se llama base canónica de
0 0 0 0 1 0 0 1
M2⇥2 (R).
8. El conjunto B = 3, x 1, x2 + x es base del espacio vectorial R2 [x].
Teorema 8.5. 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.
Teorema 8.6. Si el espacio vectorial V sobre el cuerpo K tiene una base constituida por n vectores, entonces toda base de
V tiene cardinalidad n.
DEMOSTRACIÓN: Sean B1 = {u1 , · · · , un } y B2 = {w1 , · · · , wm } dos bases de V, m 6= n. Como B1 es base,

el teorema anterior implica que m  n. Como B2 es base, el teorema anterior implica que n  m. Luego, m = n.
Definición 8.7. Sea V un espacio vectorial sobre K, B = {u1 , · · · , un } una base de V . Diremos que n es la
dimensión de V sobre el cuerpo K. Escribimos dimK V = n.
Ejemplos
1. C = {(1, 0), (0, 1)} es una base de R2 . Se conoce como la base canónica de R2 . B = {(1, 2), (3, 1)} es otra
base de R2 . Claramente, dimR R2 = 2.
2. C = {(1, 0, · · · , 0), (0, 1, 0, · · · , 0), · · · , (0, 0, · · · , 1)} es una base de Rn . Se conoce como la base canónica de
Rn . Se acostumbra escribir los vectores de la base canónica como e1 = (1, 0, · · · , 0), e2 = (0, 1, 0, · · · , 0), · · · , en =
(0, 0, · · · , 1). En este caso, dimR Rn = n. Si el espacio considerado es R3 , en las aplicaciones fı́sicas los
! ! !
vectores de la base canónica se denotan por i , j , k , respectivamente.
3. A = {( 2, 1, 0), (0, 0, 1)} es una base de V = {(x, y, z) 2 R3 : x + 2y = 0}. Luego, dimR V = 2.
4. C = {1, x, x2 , · · · , xn } es la base canónica de Rn [x]. Luego, dimR Rn [x] = n + 1.
⇢✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
1 0 0 1 0 0 0 0
5. C = , , , es la base canónica de M2⇥2 (R). Por lo tanto,
0 0 0 0 1 0 0 1
dimR M2⇥2 (R) = 4.
6. Para las matrices reales de orden m ⇥ n se tiene que dimR Mm⇥n (R) = m · n.
7. Si K es un cuerpo, entonces, mirando este cuerpo como espacio vectorial sobre si mismo se tiene dimK K =
1.
8. Mirando Cn como un espacio vectorial sobre C, se tiene que dimC Cn = n.
9. Mirando Cn como un espacio vectorial sobre R, se tiene que dimR Cn = 2n.

Ejercicios
1. Determine una base y la dimensión de cada uno de los siguientes subespacios:
a) A = {(x, y, z) 2 R3 : x y = 0, z 2x = 0}  R3
b) B = {(2x, x, x + 2y, y) 2 R4 : x, y 2 R}  R4
c) C = {(x, y, z, t) 2 R4 : x + 3t = 0}  R4
2. Determine la dimensión de B \ C del ejercicio anterior. Encuentre, si es posible, una base.
Teorema 8.7. W  V =) dimW  dimV
Teorema 8.8 (completación de una base). Sea V un espacio vectorial sobre K, con dimK V = n. Sea W ✓ V
con dimK W = m, y base B = {u1 , u2 , · · · , um }; entonces, existen vectores um+1 , um+2 , · · · , un 2 V : B [
{um+1 , um+2 , · · · , un } es una base de V .
Ejercicios
1. Sea A = {(1, 2, 3), (2, 1, 1)}. Verifique que A es l.i. y complete este conjunto para obtener una base de R3 .
2. Sea A = {1, 1 + x, x2 + x3 }. Verifique que A es l.i. y complete este conjunto para obtener una base de R3 [x].
⇢✓ ◆ ✓ ◆ ✓ ◆
1 1 0 1 1 0
3. Sea A = , , . Verifique que A es l.i. y complete este conjunto para
2 0 3 4 1 1
obtener una base de M (R, 2 ⇥ 2).
Teorema 8.9. Sea V un espacio vectorial, dimK V = n. Si B ⇢ V, B = {u1 , · · · , un } es un conjunto l.i., entonces B es
una base de V .
Observación 8.8. El teorema es útil si se conoce la dimensión de un espacio vectorial V . En este caso, para
probar que un conjunto es base de V , basta probar que el conjunto es l.i.
Ejercicios
1. Determine si los siguientes son base de R4 . Si no lo son, forme una base de R4 utilizando el máximo
posible de vectores del conjunto dado.
a) A = {(0, 1, 1, 0), (1, 0, 2, 1), ( 1, 3, 0, 0), (2, 2, 0, 1)}

b) B = {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}
2. Determine si los siguientes son base de R2 [x]. Si no lo son, forme una base de R2 [x] utilizando el máximo
posible de vectores del conjunto dado.
a) C = {1, 1 + x, 1 + x + x2 }
b) D = {x + x2 , 1 + x, 1 + x2 }
Teorema 8.10. Sea B = {u1 , · · · , un } ✓ V . B es una base de V ssi todo vector de V puede ser escrito de manera única
como una combinación lineal de los vectores u1 , · · · , un .

Observación 8.9. 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 B son únicos, vale decir, si
v 2 V, 9! ↵i , i = 1, · · · , n : v = ↵1 · u1 + ↵2 · u2 + · · · + ↵n · un
Esto permite definir las coordenadas de

0 v con
1respecto a la base B, usando los coeficientes ↵i que acompañan
↵1
B ↵2 C
B C
a los vectores ui . La matriz columna B . C se llama matriz de coordenadas de v con respecto a la base B.
@ .. A
↵n
Usaremos la notación [v]B .
Ejemplos
1. En R3 , considere las bases ordenadas B = {(1, 2, 3), (1, 0, 1), (0, 2, 0)} y la base canónica de R3 . De-
termine 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
0 1
1
[(2, 8, 6)]B = @ 3 A
5
Como (2, 8, 6) = 2 · (1, 0, 0) + 8 · (0, 0, 1) se tiene que
6 · (0, 0, 1),
1 0
2
[(2, 8, 6)]C = @ 8 A
6
2. En R2 [x], considere las bases ordenadas B = { 1, x + 1, x2 + 1} y la base canónica de R2 [x], con n = 2.

Determine la matriz de coordenadas del polinomio p(x) = 2 x + 3x2 con respecto a ambas bases.
Tenemos que
p(x) = 2 x + 3x2
= ↵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).
Valores y vectores propios
Hasta ahora la mayorı́a de nuestros cálculos los hemos motivado o llevado a sistemas de ecuaciones
algebraicos, daremos una motivación algo distinta para lo que sigue. Muchas aplicaciones están relacionadas
con ecuaciones diferenciales como vimos en la parte de cálculo, puede la ecuación sea algo más compleja y
estén relacionadas varias cantidades a través de sus variaciones por ejemplo consideremos las ecuaciones
du1
= 7u1 4u2
dt
du2
= 5u1 2u2
dt

estas dos ecuaciones nos dicen la forma en la cual están relacionadas las variaciones de las funciones u1 y u2 .
Estas ecuaciones pueden ser escritas en la forma matricial
✓ 0 ◆ ✓ ◆✓ ◆
u1 7 4 u1
0 =
u2 5 2 u2
o de manera equivalente
u0 = Au
donde ✓ ◆ ✓ ◆ ✓ ◆
u01 7 4 u1
u0 = ,A= yu=
u02 5 2 u2
como las soluciones de la ecuación u0 = u tienen la forma u = ↵e t
buscamos soluciones de la ecuación
anterior de la forma
t
u1 = ↵1 e
t
u2 = ↵2 e
si estas expresiones son soluciones entonces (derivando y sustituyendo)

t t t
↵1 e = 7↵1 e 4↵2 e
t t t
↵2 e = 5↵1 e 2↵2 e
esto implica ✓ ◆✓ ◆ ✓ ◆
7 4 ↵1 ↵1
=
5 2 ↵2 ↵2
En resumen, podemos construir soluciones para
du1
= 7u1 4u2
dt
du2
= 5u1 2u2
dt
en la forma
t
u1 = ↵1 e
u2 = ↵2 e t
✓ ◆
↵1
siempre y cuando podamos encontrar yx= que cumplan
↵2
Ax = x
claramente x = 0 satisface esta igualdad pero no nos entrega información útil sobre la solución del sistema. Lo
que realmente necesitamos son escalares y vectores x 6= 0 que cumplan Ax = x.
La ecuación Ax = x la podemos reescribir en la forma
(A I) x = 0
esto es, el sistema de ecuaciones homogéneo tiene soluciones no nulas, se sigue que los escalares interesantes
son aquellos para los cuales det (A I) = 0. Estas observaciones motivan las siguientes definiciones:
Definición 9.1. Si A es una matriz de orden n ⇥ n, un escalar y x un vector de orden n ⇥ 1 distinto del nulo
que satisfacen
Ax = x
entonces 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 es denotado por (A) y es llamado el espectro de A.

Observación 9.1. 2 (A) , A I es singular, det(A I) = 0
Para encontrar los valores propios de una matriz A debemos buscar aquellos escalares tales que det(A I) =
0 . Note que det(A I) es un polinomio en al que llamaremos polinomio caracterı́stico de la matriz A y lo
denotaremos por PA ( ).
Si PA ( ) es el polinomio caracterı́stico de la matriz A entonces PA ( ) = 0 es llamada la ecuación carac-
terı́stica de la matriz A.
Ejemplo 9.1. Encontrar los valores propios de

✓ ◆
7 4
A=
5 2
Desarrollo: Calculamos
7 4 2
det (A I) = = 5 +6
5 2
luego los valores propios son las soluciones de la ecuación
2
5 +6=0
es decir 3 y 2 se sigue (A) = {2, 3} en este caso.
Observación 9.2. Si A es de orden n ⇥ n entonces el polinomio carcterı́stico tiene grado n, por lo tanto tiene
n posibles valores complejos que satisfacen la ecuación (contando multiplicidades). Hay a lo más n valores
propios reales si A es de orden n ⇥ n.
Si hemos encontrado un valor propio podemos buscar los vectores propios asociados de la siguiente forma,
en el ejemplo anterior tomemos = 2 entonces
✓ ◆✓ ◆ ✓ ◆
7 4 x x
=2
5 2 y y
✓ ◆
x
se sigue que es solución del sistema homogéneo
y
✓ ◆✓ ◆ ✓ ◆
5 4 x 0
=
5 4 y 0
✓ 4 ◆
tiene infinitas soluciones de la forma 5t con t 2 R es decir el conjunto de las soluciones lo podemos
t
⌧✓ 4 ◆
representar como 5  R2 .
1
Proposición 9.1. Si es un valor propio de la matriz A de orden n ⇥ n entonces W = {x : Ax = x} es un espacio
vectorial (de quien es subespacio) al que llamaremos espacio propio asociado a .
Definición 9.2. Sea A una matriz y 2 (A). Llamaremos Multiplicidad algebraica del valor propio a la
multiplicidad de como raı́z del polinomio caracterı́stico y llamaremos multiplicidad geométrica a la dimensión
de W es espacio propio asociado.
Proposición 9.2. Sea A una matriz:
1. La suma de los valores propios de A (contando multiplicidad algebraica) es igual a la traza de A.

2. El producto de los valores propios de A (contando multiplicidad algebraica) es igual al determinante de A.
3. Los valores propios de una matriz triangular son los elementos de su diagonal principal.

1. Considere una matriz ✓ ◆

a b
A=
c d
encontrar su polinomio caracterı́stico y expresar sus coeficientes en términos de traza y determinante.
2. Para las siguientes matrices
0 1 0 1
✓ ◆ 3 1 3 0 0 1
0 1
A= , B = @ 20 3 10 A y C = @ 0 2 0 A
1 0
2 2 4 3 0 0
determinar los polinomios caracterı́sticos, valores propios, espacios propios asociados y las multiplicidades
correspondientes.
Diagonalización
Notemos lo siguiente, si P es una matriz no singular de orden n ⇥ n y A es una matriz del mismo orden
entonces
1 1 1
det P AP I = det P AP P IP
1
= det P (A I) P
1
= det P det (A I) det (P )
= det (A I)
se sigue que B = P 1 AP y A tienen el mismo polinomio caracterı́stico, la idea serı́a considerar una matriz P
adecuada de tal forma que P 1 AP fuera lo más sencilla posible para poder encontrar el polinomio carcaterı́stico.
Este cálculo motiva la siguiente definición:
Definición 10.1. Dos matrices A y B de orden n ⇥ n se dice similares si existe una matriz no singular P tal que
P 1 AP = B.
El problema fundamental es el siguiente, dada una matriz cuadrada A reducir esta a su forma más simple
a través de una transformación por similaridad P 1 AP . Las matrices más fáciles de calcular su polinomio
caracterı́stico son las matrices diagonales:
Definición 10.2. Diremos que una matriz A de orden n ⇥ n es diagonalizable si existe una matriz P del mismo
orden y no singular tal que P 1 AP = D donde D es una matriz diagonal.
Es válido preguntar ¿Toda matriz es diagonalizable? la respuesta es no, por ejemplo si consideramos la
matriz ✓ ◆
0 1
A=
0 0
entonces A2 = [0]2⇥2 entonces si existiera una matriz P no singular tal que P 1
AP = D con D diagonal
entonces
D2 = P 1
AP P 1
AP = P 1
A2 P
1
= P [0] P = [0]
se sigue D = [0] y ası́ A = [0] lo que es una contradicción.

Entonces ¿Cuales matrices son diagonalizables? Note lo siguiente

0 1
1 0 ··· 0
B 0 2 ··· 0 C
B C
P 1 An⇥n P = D = B . . .. C
@ .. .. . . . . A
0 0 ··· n
de donde
AP = P D
si ponemos ⇥ ⇤
P = v1 v2 ··· vn
donde vi son los vectores columnas de P entonces
⇥ ⇤
AP = Av1 Av2 ··· Avn
y ⇥ ⇤
PD = 1 v1 2 v2 ··· n vn
se sigue que 8i = 1, 2, . . . , n se cumple Avi = i vi , es decir, P 1 An⇥n P = D implica que P tiene en sus
columnas n vectores propios linealmente independientes y D es la matriz diagonal que tiene por entradas los
valores propios de la matriz A. La recı́proca de esta afirmación es probada fácilmente.
Teorema 10.1. 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 .
Ejercicio 10.1. Diagonalizar la matriz

0 1
1 4 4
A=@ 8 11 8 A
8 8 5
2
Desarrollo: El polinomio carcaterı́stico es ( 1) ( + 3) se sigue que los valores propios son = 1 y = 3
que tiene multiplicidad
0 1 algebraica 2. 0 1 0 1 0 1 0 1 0 1
* 1 + * 1 1 + 1 1 1
W =1 = @ 2 A y W = 3 = @ 1 A , @ 0 A . Como los vectores @ 2 A , @ 1 A , @ 0 A son
2 0 1 2 0 1
L.I. la matriz es diagonalizable y
0 1 1 0 10 1 0 1
1 1 1 1 4 4 1 1 1 1 0 0
@ 2 1 0 A @ 8 11 8 A@ 2 1 0 A=@ 0 3 0 A
2 0 1 8 8 5 2 0 1 0 0 3
Todo el problema de la diagonalización se reduce a encontrar una base de vectores propios. Note que casa
valor propio tiene asociado un espacio propio y de cada uno de esos espacios propios podemos extraer una
base, se tiene el siguiente teorema:
Teorema 10.2. Para cada valor propio se cumple que la multiplicidad geométrica es menor igual que la multiplicidad
algebraica
De esta forma de cada subespacio podemos extraer a lo más tantos vectores como multiplicidad algebraica
tenga el valor propio
Teorema 10.3. Valores propios correspondientes a vectores propios diferentes son linealmente independientes.
Observación 10.1. Se recomienda demostrar este teorema, los que siguen son corolarios de este y del teorema
de las multiplicidades.

Luego el problema de la diagonalización se reduce al siguiente teorema:
Teorema 10.4. Una matriz es diagonalizable si y solo si para todo valor propio la multiplicidades algebraicas y geométricas
coinciden.
Corolario 10.1. Si todos los valores propios son distintos entonces la matriz es diagonalizable (el recı́proco no es verdad)
Ejercicio 10.2. Determinar si las siguientes matrices son diagonalizables

0 1 0 1
1 1 2 1 4 4
A= @ 8 11 8 A yB =@ 8 11 8 A
10 11 7 8 8 5
Resp: A no es y B si.
Aplicación a obtención de forma canónica de formas cuadráticas.
En la clase anterior estudiamos el problema de la diagonalización en general, ahora estudiaremos el caso

particular en que la matriz es real y simétrica.
Proposición 10.1. Sea A una matriz real y simétrica entonces
1. A tiene valores propios reales

2. Si i 6= i son valores propios de A, los elementos de W i son perpendiculares a los elementos de W j (esto se
escribe W i ? W j )
Dem.: Relacionar el producto punto con el producto de matrices para que lo siguiente quede un poco más
claro.
Supongamos que 2 (A) y x es un vector propio asociado entonces
Ax = x
recordemos que un z 2 C es real si y solo si z = z, note lo siguiente

n
X n
X
T T 2
Ax x= x x= xi xi = |xi |
i=1 i=1
y
T
⇣ ⌘
Ax x = x T AT x
T
= (x) AT x
T
= (x) Ax
Xn
2
= |xi |
i=1
de esto obtenemos
n
X 2
|xi | = 0
i=1
y como x 6= ✓ se sigue = .

Para la segunda parte notar que si Ax = ix y Ay = jy entonces
i hx, yi = h i x, yi = hAx, yi
⌦ ↵
= x, AT y = hx, Ayi
= hx, j yi
= j hx, yi
se sigue
( i j ) hx, yi = 0 ) hx, yi = 0
Si intentamos diagonalizar una matriz simétrica los vectores propios asociados a valores propios distintos son
ortogonales, pero los vectores que generan los espacios propios no tienen porque serlo, sin embargo podemos
realizar el siguiente proceso:
Proceso de ortogonalización 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 análogo a la contrucción de la proyección ortogonal
y1 = x1
hx2 , y1 i
y2 = x2 2 y1
ky1 k
..
.
k
X hxk+1 , yj i
yk+1 = xk+1 2 yj
j=1 kyj k
Ejemplo 10.1. Sean x1 = (3, 0, 4) , x2 = ( 1, 0, 7) y x3 = (2, 9, 11) en R3 aplicando el proceso de gram Schmidt
se obtienen los vectores
y1 = (3, 0, 4)
h( 1, 0, 7) , (3, 0, 4)i
y2 = ( 1, 0, 7) 2 (3, 0, 4)
k(3, 0, 4)k
= ( 4, 0, 3)
h(2, 9, 11) , (3, 0, 4)i h(2, 9, 11) , ( 4, 0, 3)i
y3 = (2, 9, 11) (3, 0, 4) ( 4, 0, 3)
25 25
= (0, 9, 0)
obtenemos ası́ un conjunto ortogonal de vectores que generan lo mismo que el conjunto de los xi .
Definición 10.3. 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 y tienen norma 1.
Teorema 10.5. Sea A una matriz real simétrica entonces A es diagonalizable, además existe una base ortonormal de
vectores propios asociados a A. La diagonalización puede ser llevada a cabo en la forma
V T AV = D
donde V es una matriz ortonormal, es decir V T = V 1 y sus columnas son los vectores propios ortonormales y D es la
matriz diagonal que tiene los valores propios en su diagonal principal.
De esta forma podemos describir todas las matrices simétricas de la siguiente forma:

Proposición 10.2. A es una matriz real simétrica si y solo si existe una matriz ortonormal V y una matriz diagonal D
tal que
A = V DV T
Ejemplo 10.2. Sea 0 1

0 1 1
A=@ 1 0 1 A
1 1 0
1. Determine los valores propios y espacios propios asociados.

2. Verificar que para valores propios distintos i y j se cumple W i
?W j
3. Determine una base ortonormal de vectores propios

4. Encontrar una matriz ortonormal V tal que V T AV = D
Formas cuadráticas.
Escribiremos los vectores de Rn como columnas por comodidad para multiplicarlos con las matrices.
Definición 10.4. Si A es una matriz de orden n ⇥ n y !
x = (x , x , . . . , x ) 2 Rn decimos que
1 2 n
F (!
x ) = (!
x ) A (!
T
x)
es una forma cuadrática en las variables (x1 , x2 , . . . , xn ).
Observación 10.2. Note que F (!

x ) 2 R.
Definición 10.5 (clasificación de formas cuadráticas). Sea A una matriz:
1. Decimos que la forma cuadrática F (!

x ) = (!
x ) A (!
x ) es definida positiva si 8!
x 2 Rn , !
T
x 6= ✓ se cumple
!
F ( x ) > 0.

x ) = (!
x ) A (!
x ) es definida negativa si 8!
x 2 Rn , !
T
x 6= ✓ se cumple
!
F ( x ) < 0.

x ) = (!
x ) A (!
x ) es semidefinida positiva si 8!
T
x 2 Rn se cumple
!
F ( x ) 0.

x ) = (!
x ) A (!
x ) es semidefinida negativa si 8!
T
x 2 Rn ,se cumple
!
F ( x )  0.
5. Si la forma cambia de signo se dice que es indefinida.
Ejemplo 10.3. Formas cuadráticas en R2 .

✓ ◆✓ ◆
a b x
x y = ax2 + dy 2 + (b + c) xy
c d y
note que ✓ ◆✓ ◆ ✓ ◆✓ ◆
b+c
a b x a 2 x
x y = x y b+c
c d y 2 d y
pero ✓ ◆
b+c
a 2
b+c
2 d
es una matriz simétrica.

Observación 10.3. Toda forma cuadrática F (! x ) = (! x ) A (!x ) puede ser escrita en la forma F (!
T
x) =
! T !
( x ) B ( x ) donde B es simétrica. En efecto
✓ ◆
A + AT
(!x ) A (!
x ) = (! (!
T T
x) x)
2
Ejemplo 10.4. Escribir la forma cuadrática x21 + 3x1 x2 2x1 x3 + x22 + x2 x3 + 2x33 en forma matricial
0 10 1
1 3 2 x1
x1 x2 x3 @ 0 1 1 A @ x2 A
0 0 2 x3
podemos representarla con una matriz simétrica

0 1T 0 1
1 3 2 1 3 2
@ 0 1 1 A +@ 0 1 1 A 0 1
3
0 0 2 0 0 2 1 2 1
=@ 3
2 1 1
2
A
2 1
1 2 2
ası́ 0 10 1
3
1 2 1 x1
x1 x2 x3 @ 3
1 1 A@
x2 A
2 2
1
1 2 2 x3
Teorema 10.6. Toda forma cuadrática en Rn puede escribirse en la forma

n
X
2
F (y1 , y2 , . . . , yn ) = i yi
i=1
llamada forma canónica asociada.
Dem.: Si F (!x ) = (!x ) A (!

T
x ) es una forma cuadrática podemos asumir que A es simétrica. Toda matriz
simétrica puede escribirse en la forma
A = V DV T
entonces
(!
x ) A (! (!
x ) V DV T (!
T T
x) = x)
T! T T !
= V x D V (x)
(!
y ) D (!
T
= y)
donde !
y = V T (!
x ).
Observación 10.4. Haciendo uso de la forma canónica es fácil analizar si es definida positiva, negativa, indefi-
nida etc.
Secciones cónicas rotadas

Definición 10.6. Una ecuación cuadrática en las variables x, y es una ecuación de la forma
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
donde A, B, C, D, E son números reales y al menos uno de los coeficientes A, B, C es no nulo.

Podemos escribir la ecuación cuadrática
Ax2 + 2Bxy + Cy 2 + Dx + Ey + F = 0
en forma matricial ✓ ◆✓ ◆ ✓ ◆
A B x x
x y + D E +F =0
B C y y
si ponemos ✓ ◆ ✓ ◆
A B x
L= ,!
x = yK = D E
B C y
entonces la ecuación cuadrática se escribe en la forma
!
x T L!
x + K!
x +F =0
note que !
x T L!
x es una forma cuadrática.
Utilizando diagonalización para matrices simétricas mostraremos que siempre es posible rotar los ejes de
coordenadas de tal manera que la ecuación con respecto al nuevo sistema no tenga términos en xy.
Encontrar una matriz ortonormal V que diagonalice L.

Utilizamos la transformación de coordenadas
✓ ◆ ✓ 0 ◆
x x
VT =
y y0
utilizando V tal que det V = 1 (garantiza que es una rotación)

Encontramos la ecuación de la cónica en el nuevo sistema X 0 Y 0 en la forma
✓ ✓ 0 ◆◆T ✓ 0 ◆ ✓ 0 ◆
x x x
V LV + KV +F = 0
y0 y0 y0
✓ 0 ◆T ✓ 0 ◆ ✓ 0 ◆
x x x
V T LV + KV +F = 0
y0 y0 y0
como V diagonaliza a L se sigue ✓ ◆

1 0
V T LV =
0 2
donde 1 y 2 son los valores propios de L. De esta forma la ecuación de la cónica queda
2 2
1 (x0 ) + 2 (y 0 ) + D0 x0 + E 0 y 0 + F = 0
ecuación que no tiene términos en xy.
Ejemplo 10.5. Dada la ecuación cuadrática

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

Primero encontramos los valores propios de L :

5 2
= 0
2 8
2
13 + 36 = 0
se sigue 1 =4y 2 = 9. Ahora buscamos los vectores propios asociados:
Para 1 = 4 se tiene ✓ ◆✓ ◆ ✓ ◆
1 2 x 0
=
2 4 y 0
✓ ◆ ✓ ◆
x 2
esto es 2G
y 1
Para 2 =9 ✓ ◆✓ ◆ ✓ ◆
4 2 x 0
=
2 1 y 0
✓ ◆ ✓ ◆
x 1
lo que es equivalente a 2G .
y 2
p
Estos dos vectores son ortogonales y los normalizamos k(2, 1)k = 5 = k( 1, 2)k entonces la matriz que
diagonaliza a L con determinante 1 es
!
p2 p1
V = 5 5
p1 p2
5 5
se sigue que el cambio de coordenadas es

✓ ◆ !✓ ◆
x p2 p1 x0
= 5 5
y p1 p2
y0
5 5
sustituyendo se obtiene
✓ ◆T ✓ ◆ ✓ ◆
x0 x0 x0
V T LV + KV +F =0
y0 y0 y0
en este caso
✓ ◆T ✓ ◆✓ ◆ !✓ ◆
⇣ ⌘ p2 p1
x0 4 0 x0 20
p 80
p 5 5 x0
+ p1 p2
+4=0
y0 0 9 y0 5 5
5 5
y0
es decir
4(x0 )2 + 9(y 0 )2 8x0 36y 0 + 4 = 0
que corresponde a la elipse
2 2
(x‘ 1) (y 0 2)
+ =1
9 4
4 2 0 2

a
Observación 10.5. Es posible realizar el mismo procedimiento para ecuaciones cuadráticas en tres o más
variables.
En cada uno de los siguientes ejercicios, encuentre una base ortonormal de R2 y las ecuaciones de rotación
correspondientes que permiten escribirla en la forma canónica e identifique la cónica que representa.
1. 2x2 4xy y2 + 8 = 0
2. x2 + 2xy + y 2 + 8x + y = 0
3. 5x2 + 4xy + 5y 2 = 9
4. 9x2 4xy + 6y 2 10x 20y = 5
5. 3x2 8xy 12y 2 30x 64y = 0
6. 2x 2
4xy y 2
4x 8y = 14
Sucesiones
Conceptos básicos
Definición 11.1. Una sucesión de números reales es una función x : N ! R que asocia a cada número natural n
un número real x (n) que denotaremos por xn y que llamaremos el n-ésimo término de la sucesión.
Generalmente se denotan las sucesiones en la forma (xn ), (xn )n2N , (xn )n2A , {xn }n2N o (x1 , x2 , x3 , . . . , xn , . . . ).
Debemos sin embargo, distinguir entre una sucesión que es una función y el conjunto de los valores que toma la
sucesión (el recorrido de tal sucesión).
Podemos representar una sucesión en la recta real mostrando los valores que toma la sucesión en determinado
valor de n, por ejemplo la representación para la sucesión n1 n2N es:
0 1
... 11 1 1 1 1 1
n 76 5 4 3 2
1 ( 1)n
Ejemplo 11.1. La sucesión 1, 0, 1, 0, . . . tiene término n-ésimo dado por xn = 2 es decir, corresponde la la
sucesión
x : N!R
n
1 ( 1)
n ! xn =
2
Ejemplo 11.2. El décimo término de la sucesión 1
n n2N corresponde a 10 .
1
Ejemplo 11.3. La sucesión 2, 2 + 12 , 3 + 14 , 4 + 18 , 5 + 1

16 , . . . , corresponde a la sucesión de término n-ésimo dado
por
1
xn = n +
2n 1
Definición 11.2. Sean X = (xn ), Y = (yn ) dos sucesiones en R y sea ↵ 2 R. Se define:
1. ↵X como la sucesión (↵xn )

2. X + Y como la sucesión (xn + yn )
3. XY como la sucesión (xn yn )

⇣ ⌘
4. Si yn 6= 0 entonces definimos X
Y como la sucesión xn
yn
Ası́ por ejemplo, si X = n1 n2N y Y = (2n)n2N entonces XY = (2)n2N = (2, 2, 2, . . . , 2, . . . ) es una sucesión
constante que solo toma el valor 2. Y /X = 2n2 n2N .
Definición 11.3. Una sucesión (xn ) se dice:
1. Acotada superiormente, si existe un M 2 R tal que xn  M para todo n.
2. Acotada inferiormente, si existe un m 2 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.
4. Estrictamente creciente si para cada n se cumple xn < xn+1 .
5. Creciente si para cada n se cumple xn  xn+1 .

6. Estrictamente decreciente si para cada n se cumple xn > xn+1 .
7. Decreciente si para cada n se cumple xn xn+1 .
8. Monótona si cumple con alguna de las anteriores (en ocasiones se habla de monotonı́a estricta si es
estrictamente creciente o estrictamente decreciente)
n
Ejemplo 11.4. La sucesión 1 + n1 n2N
es una sucesión acotada, es claro que 0  xn para cada n 2 N y en
los ejemplos se vió que xn < 3 para cada n 2 N, es decir xn 2 [0, 3] para cada n 2 N.
n n
Ejemplo 11.5. {( 1) }n2N es una sucesión acotada, a saber, |xn | = |( 1) | = 1 luego xn 2 [ 1, 1] para cada
n 2 N.
Ejemplo 11.6. Sea a 2 R, y defina la sucesión xn = an estudiaremos si es o no acotada.
1. Si a < 1 entonces xn no es acotada ni superior ni inferiormente, en efecto, note que a2 > 1, se sigue que
a2 = 1 + d
donde d > 0 entonces

n
a2n = (1 + d) 1 + nd
por la desigualdad de Bernoulli luego no existirá un M 2 R tal que xn  M para todo n 2 R (si tal M
existiera
M x2n 1 + nd
entonces
M 1
n
d
basta considerar n > M 1
d y llegamos a una contradicción) Por otro lado
n
a2n+1 = a (1 + d)  a (1 + nd)
de donde no puede existir m 2 R tal que

m  xn
para todo n 2 N (Razonar de manera similar para mostrar que la existencia de tal m nos lleva a una
contradicción).

n
2. Si a 2 [ 1, 1] entonces xn = an esta acotada, a saber, |xn | = |a|  1n = 1 luego xn 2 [ 1, 1] para todo
n 2 N.
n
3. Si a > 1 entonces a = 1 + d con d > 0 se sigue que xn = an = (1 + d) 1 + nd de donde no puede estar
acotada superiormente. Note que esta acotada inferiormente por 1.
Ejemplo 11.7. sin n2 + 2 n2N
es una sucesión acotada.
Ejemplo 11.8. Suponga que {xn } es una sucesión de términos positivos, es decir, xn 0 para todo n y se define
n
X
an = xk
k=1
entonces {an } es una sucesión creciente, en efecto, para cada n se cumple

n+1
X n
X
an+1 an = xk xk = xn+1 0
k=1 k=1
se sigue
an+1 an
algunos ejemplos de esto son las sucesiones
1 1 1
an = 1 ++ + ··· +
1! 2! n!
1 1 1
an = 1 + + + · · · +
2 3 n
1 1 1
an = 1 + 2 + 2 + · · · + 2
2 3 n
Ejemplo 11.9. {sin (n)}n2N no es una sucesión monótona.
n
Ejemplo 11.10. {( 1) }n2N no es una sucesión monótona.
Ejemplo 11.11. 1, 2, 3, 4, . . . es una sucesión estrictamente creciente.
Ejemplo 11.12. 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . es una sucesión creciente.
Definición 11.4. Considere una sucesión (xn ) = (x1 , x2 , x3 , . . . ). Una subsucesión de (xn ) es una nueva sucesión
que se forma considerando algunos n digamos n1 , n2 , n3 . . . que cumplen n1 < n2 < n3 < . . . . Una subsucesión
de una sucesión corresponde a efectuar una composición de la sucesión original con una función Y : N ! N
que sea estrictamente creciente.
Ejemplo 11.13. Dada la sucesión (xn ) podemos extraer la subsucesión de los términos de lugares pares
(x2 , x4 , x6 , . . . ) = (x2n ) también podemos extraer la de los lugares impares (x1 , x3 , x5 , . . . ) = (x2n 1 ). La
primera corresponde a efectuar una composición con la función Y : N ! N, n ! Y (n) = 2n y la segunda con
la función Y : N ! N, n ! Y (n) = 2n 1 ambas son estrictamente crecientes. Podrı́amos también considerar
Y : N ! N, n ! Y (n) = n2 y obtenemos la subsucesión
(x1 , x4 , x9 , x16 , . . . )
Ejemplo 11.14. Considere la sucesión 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . entonces podemos notar lo siguiente, en el
lugar n = 1 está el 1, en el lugar 1 + 2 esta el 2, en el lugar 1 + 2 + 3 está el 3 en el lugar 1 + 2 + 3 + 4 esta el 4 ası́
x1+2+3+···+n = n
se sigue que
x n(n+1) = n
2
luego 1, 2, 3, . . . , n, ... es una subsucesión de 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . .

n(n+1)
n
Ejemplo 11.15. Note que ( 1) 2
es una subsucesión de ( 1) sus primeros términos son 1, 1, 1, 1, 1, 1, 1, . . . .
Ejemplo 11.16. Si (xn ) es una sucesión entonces (xn+1 ) = (x2 , x3 , . . . ) es una subsucesión. Similarmente (xn+k )
es una subsucesión para k 2 N.

El concepto de convergencia
Hablando de manera informal, el concepto de convergencia esta relacionado con los valores que toma la
sucesión a medida que n crece, si los valores están tan cerca de un número L como queramos a partir de un
n en adelante, entonces decimos que la sucesión converge a este L, es esto lo que pasamos a formalizar a
continuación:
Definición 11.5. Sea (xn ) una sucesión y L un número real. Diremos que xn converge a L, o que el lı́mite de la
sucesión (xn ) si para todo " > 0 existe un N 2 N tal que, para cada n 2 N, n N implica |xn L| < ". En tal
caso pondremos lı́mn!1 xn = L o simplemente xn ! L.
Observación 11.1. Note que |xn L| < " es equivalente a pedir xn 2 ]L ", L + "[, luego la definición de
convergencia nos dice que a partir de N en adelante los valores de xn (xN , xN +1 , xN +2 , . . . ) se encontrarán en
el intervalo anterior y como el " es cualquiera, podemos pedirlo tan pequeño como queramos.
Observación 11.2. Notemos también que
|xn L| < " , |(xn L) 0| < "

, ||xn L| 0| < "
esto nos dice que h i h i h i

lı́m xn = L , lı́m (xn L) = 0 , lı́m |xn L| = 0
n!1 n!1 n!1
Definición 11.6. Una sucesión que posee lı́mite se dirá convergente, en caso contrario se dice divergente.
Ejemplo 11.17. Consideremos la sucesión xn = an con |a| < 1 pero distinto de cero. Intuitivamente pareciera
ser que los valores de la sucesión se acercan a cero a medida que n crece, formalicemos esto. Notemos que
n
|xn | = |a| luego
1
|a| < 1 ) 1 <
|a|
se sigue que
1
1+d=
|a|
para algún número positivo d. Entonces
✓ ◆n n ✓ ◆
X
1 n n
= (1 + d) = dk
|a| k
k=0
✓ ◆
n
d = nd
1
de esto obtenemos
1 n
|a|
nd
entonces
n 1
|xn 0| = |a| <
nd
entonces
1 1
<", <n
nd "d
ya estamos en condiciones
⇥1⇤ de mostrar que el lı́mite de esta sucesión es cero: Sea entonces, " > 0 un número
arbitrario, si n "d + 1 (la parte entera de "d mas 1) entonces se cumple
1
|xn 0| < "

⇥ ⇤ n
En efecto n 1
"d +1> 1
"d implica " > 1
nd pero |xn 0| = |a| < 1
nd entonces |xn 0| < ", ası́
lı́m an = 0
n!1

Ejemplo 11.18. Considere la sucesión xn = n

n+1 entonces intuitivamente xn ! 1 mostremos que eso es correcto.
n 1 1
|xn 1| = 1 = <
n+1 n+1 n
⇥ ⇤
de esto se sigue: Sea " > 0 entonces existe N" = 1" + 1 tal que n N" implica
|xn 1| < "

⇥1⇤
en efecto, si n N" = " + 1 entonces n 1
" ası́ " > 1
n pero
n 1 1
|xn 1| = 1 = <
n+1 n+1 n
ası́
|xn 1| < "
hemos demostrado ✓ ◆
n
lı́m =1
n!1 n+1
n
Ejemplo 11.19. Considere la sucesión xn = ( 1) , Si se dan varios valores de n vemos que esta sucesión toma
los valores 1 y 1 en forma alternada. Si xn ! L entonces deberı́a existir un N 2 N tal que para n N
1
|xn L| <
4
luego si consideramos un n par mayor que N se cumplirá
1 1 1
|1 L| < , <L 1<
4 4 4
3 5
, <L<
4 4
y si consideramos un n impar mayor que N entonces se cumplirá
1 1 1
| 1 L| = |1 + L| < , <L+1<
4 4 4
5 3
, <L<
4 4
n
claramente no existe ningún número en ambos intervalos por lo que tal L no puede existir es decir lı́mn!1 ( 1)
no existe, es decir (xn ) diverge.
Teorema 11.1 (Unicidad). Si el lı́mite de una sucesión existe, entonces es único.
Sea (xn ) la sucesión y supongamos que L1 y L2 son lı́mites de la sucesión. Si " > 0 por convergencia existirán
naturales N1 y N2 tales que
n N1 ) |xn L1 | < "

n N2 ) |xn L2 | < "
pues bien, si n máx {N1 , N2 } entonces
|L1 L2 | = |L1 xn + xn L2 |
 |xn L1 | + |xn L2 |
< 2"
ası́, como el número " es arbitrario no queda otra opción más que L1 = L2 .
Teorema 11.2 (Álgebra de lı́mites). Si xn ! A y yn ! B entonces
1. lı́mn!1 (xn + yn ) = A + B
2. lı́mn!1 (xn yn ) = AB

⇣ ⌘
3. lı́mn!1 xn
yn = A
B si B 6= 0.
Es fácil mostrar que n1 ! 0 del álgebra de lı́mites de sigue que 1

np ! 0 para p 2 N utilizando 2 del teorema
anterior con la sucesión constante ↵ se sigue
↵
! 0 cuando n ! 1
nk
Ejemplo 11.20. Calcular el lı́mite de la sucesión
3n4 + 2n + 1
xn =
2n4 + 1
Desarrollo: Notemos que
3n4 + 2n + 1 n4 3 + n23 + 1
n4 3 + n23 + 1
n4
= =
2n4 + 1 n4 2 + n14 2 + n14
utilizando el álgebra de lı́mites y la observación anterior se sigue que
✓ 4 ◆ ✓ ◆
3n + 2n + 1 3 + n23 + 1
n4
lı́m = lı́m
n!1 2n4 + 1 n!1 2 + n14
lı́mn!1 3 + n23 + 1
n4
=
lı́mn!1 2 + n14
3+0+0 3
= =
2+0+0 2
Definición 11.7. Sea (xn ) una sucesión, diremos que xn tiende a infinito cuando n tiende a infinito, si para todo
K > 0 existe un N 2 N tal que n N implica xn > K, en tal caso escribiremos lı́mn!1 xn = +1. Diremos que
xn tiende a menos infinito cuando n tiende a infinito, si para todo K < 0 existe un N 2 N tal que n N implica
xn < K, en tal caso escribiremos lı́mn!1 xn = 1.
n
Ejemplo 11.21. Considere la sucesión xn = ( 1) n2 entonces xn 6! +1 note que a medida que n crece la
sucesión se alterna entre números positivos y negativos que van creciedo en valor absoluto.
n2
Ejemplo 11.22. Si xn = (0,5)n entonces lı́mn!1 xn = +1. En efecto,
1 1
0,5 < 1 ) 1 < )1< n
0,5 (0,5)
ası́
n2 2
xn = n >n n
(0,5)
se sigue entonces lo afirmado.
Observación 11.3. Si (xn ) es una sucesión creciente y no es acotada superiormente entonces lı́mn!1 xn = +1.
Teorema 11.3. Sean (xn ) e (yn ) sucesiones:
1. Si lı́mn!1 xn = +1 y (yn ) es una sucesión acotada inferiormente entonces
lı́m (xn + yn ) = +1
n!1
2. Si lı́mn!1 xn = +1 y existe ↵ > 0 tal que yn > ↵ para todo n 2 N entonces
lı́m (xn yn ) = +1
n!1
3. Si lı́mn!1 xn = 0, xn > 0 para todo n 2 N y existe ↵ > 0 tal que yn > ↵ para todo n 2 N entonces
✓ ◆
yn
lı́m = +1
n!1 xn

Algunas propiedades de las sucesiones
Teorema 11.4. Si (xn ) es una sucesión convergente a L entonces toda subsucesión (xnk ) converge y también a L.
Este teorema nos entrega un muy útil criterio de divergencia, si (xn ) es una sucesión que posee una
subsucesión divergente entonces diverge. Si (xn ) posee dos subsucesiones que convergen a lı́mites distintos
entonces la sucesión diverge.
n
Ejemplo 11.23. La sucesión xn = ( 1) es divergente, en efecto, posee dos subsucesiones x2n = 1 y x2n 1 = 1
que convergen pero a lı́mites diferentes.
Ejemplo 11.24. Si
1
x1 = 2 y xn+1 =
para n 1
xn
entonces (xn ) no puede ser convergente. En efecto, si xn ! L entonces
1 1
!
xn L
pero xn+1 ! L (es una subsucesión) y como
1
xn+1 =
xn
y los lı́mites son únicos se sigue
1
L=
L
es decir
L2 = 1
lo que no es posible en los números reales.
n
Ejemplo 11.25. xn = ( 1) n2 no es convergente, en efecto, la subsucesión x2n = 4n2 diverge.
El siguiente teorema nos dice que para “n grandes” los términos de la sucesión permanecen cerca del lı́mite
Teorema 11.5. Si lı́mn!1 xn = L y a < L entonces existe un N 2 N tal que para cada n N se cumple a < xn . Si
a > L entonces existe un K 2 N tal que para cada n K se cumple a > xn .
Teorema 11.6. Si lı́mn!1 xn = L1 , lı́mn!1 yn = L2 y se cumple xn  yn para n 2 N entonces L1  L2 .
Observación 11.4. xn < yn no implica necesariamente que L1 < L2 por ejemplo considere las sucesiones
xn = n1 y yn = n1 entonces
x n < yn
pero L1 = L2 = 0.
Teorema 11.7. Toda sucesión convergente es acotada.
Sea (xn ) una sucesión convergente digamos a L. Existe un N 2 N tal que para n N se cumple
|xn L| < 1
entonces
|xn | < L + 1 para n N
tomando M = máx {|x1 | , |x2 | , . . . , |xN 1| , L + 1} se sigue
|xn |  M para todo n 2 N
Ejemplo 11.26. Sabemos que xn = n
n+1 converge a 1 además sabemos
1
|xn 1| <
n
se sigue que para todo n 2 N
|xn 1| < 1
ası́
xn 2 [0, 2]

Ejemplo 11.27. Sabemos que ✓ ◆

3n4 + 2n + 1 3
lı́m =
n!1 2n4 + 1 2
note además que
3n4 + 2n + 1 3 4n 1 4n + 1
=  4
2n4 + 1 2 4n4 + 2 4n + 2
5n 5
 = 3
4n4 4n
luego
3 5
xn <
2 4
esto implica 
1 11
xn 2 ,
4 4
Algunos resultados de convergencia
Teorema 11.8. Toda sucesión creciente y acotada superiormente converge. De manera similar, toda sucesión decreciente y
acotada inferiormente converge.
Supongamos que (xn ) es una sucesión creciente y acotada superiormente. Definamos
A = {xn : n 2 N} ✓ R
por hipótesis A es no vacı́o 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) ası́ existe un n0 tal que
l " < xn0
como la sucesión es creciente, para n n0 se sigue
x n0  x n
ası́
l " < xn0  xn
también note que xn  l para todo n 2 N se sigue que
l " < xn < l + "
para todo n n0 ası́ |xn l| < ". En conclusión, si (xn ) es creciente y acotada superiormente entonces
lı́m xn = sup {xn : n 2 N}

n!1
(recordar que el supremo no tiene porque pertenecer al conjunto). Se deja de ejercicio mostrar el caso decreciente
y acotada inferiormente.
Ejemplo 11.28. Sabemos de los ejemplos que

n
X 1
xn =
k!
k=0
es una sucesión creciente y acotada superiormente por 3 por el teorema anterior sabemos que esta sucesión
converge.

Ejemplo 11.29. Considere la sucesión definida por

p
a1 = 2
y p
an+1 = 2 + an para n 1
q
p p p p p
(es decir la sucesión 2, 2 + 2, 2 + 2 + 2, . . . ) estudiar su convergencia.
Desarrollo: Notemos que a1 < a2 y a2 < a3 se puede demostrar por inducción que
an  an+1 para todo n 2 N
para el paso inductivo notar que
an  an+1 ) an + 2  an+1 + 2
p p
) an + 2  an+1 + 2
p p
pero an+1 = an + 2 y an+2 = an+1 + 2 ası́
an  an+1 ) an+1  an+2
se sigue que la sucesión es creciente. También es fácil demostrar por inducción que an  2 para todo n 2 N. De
esta forma, {an } es una sucesión creciente y acotada superiormente por p 2, luego converge.
En este caso podemos además
p encontrar
p el lı́mite: Como a n+1 = 2 + an si an ! L entonces an+1 ! L (es
una subsucesión) y note que 2 + an ! 2 + L entonces, por unicidad del lı́mite se sigue
p
L= 2+L
de esto obtenemos
L2 L 2 = 0)
L = 2_L= 1
como an 0 se sigue L 0 y ası́ la única posibilidad es L = 2.
Teorema 11.9 (Del sandwich). Sean (xn ) , (yn ) y (zn ) sucesiones. Si lı́mn!1 xn = L, lı́mn!1 yn = L y se cumple
xn  zn  yn para n N0 entonces (zn ) converge y lı́mn!1 zn = L.
El teorema del Sandwich para sucesiones es muy útil para cálculo de lı́mites vamos a dar algunos ejemplos:
p
Ejemplo 11.30. Considere la sucesión xn = n a donde a > 0, mostremos que lı́mn!1 xn = 1. En efecto, si a > 1
entonces p
n
a = 1 + dn
donde dn 0 se sigue que
n
a = (1 + dn ) ndn
ası́
a
dn 0
n
por el teorema del Sandwich se sigue
lı́m dn = 0
n!1
luego por algebra de lı́mites p
n
lı́m a = lı́m (1 + dn ) = 1
n!1 n!1
si 0 < a < 1 entonces
1
a=
d
con d > 1 entonces
p1
a= p n
n
d
utilizando lo recién mostrado y el álgebra de lı́mites se sigue
✓ ◆
p 1 1
lı́m n a = lı́m pn
= p =1
n!1 n!1 d lı́mn!1 n d
si a = 1 es claro.

Ejemplo 11.31. Calcular p

n
lı́m 2n + 3n
n!1
Desarrollo: Note que

3n  2n + 3n  3n + 3n
se sigue p p
p
n n
3 2n + 3 n  2 · 3n = 3 2
pero ⇣ p ⌘
n
lı́m 3 = lı́m 3 2 =3
n!1 n!1
se sigue por el teorema del Sandwich que

p
n
lı́m 2n + 3n = 3
n!1
Ejemplo 11.32. Calcular

n ✓
X ◆
1
lı́m p
n!1
i=1
n2 + i
Desarrollo: Notemos que
n 2 + 1  n2 + i  n 2 + n
para i = 1, 2, . . . , n entonces p p p
n2 + 1  n2 + i  n2 + n
ası́, para i = 1, 2, . . . , n
1 1 1
p p p
n2 +n n2 +i n2 +1
se sigue
n ✓
X ◆ n ✓
X ◆ n ✓
X ◆
1 1 1
p  p  p
i=1
n2 + n i=1
n2 + i i=1
n2 + 1
pero
n ✓
X ◆ n ✓
X ◆
1 n 1 n
p =p y p =p
i=1
n2 + n n2 + n i=1 n2 + 1 n2 + 1
entonces ✓ ◆
X n
n 1 n
p  p p
n2 + n i=1
n2 + i n2 + 1
aplicando el teorema del Sandwich se obtiene
n ✓
X ◆
1
lı́m p =1
n!1
i=1
n2 + i
Ahora enunciaremos un teorema que relaciona el cálculo de lı́mites de funciones con el cálculo de lı́mites de
sucesiones, lo que es muy útil pues ya contamos con L’Hôpital.
Teorema 11.10. Si lı́mx!1 f (x) = L y xn = f (n) entonces lı́mn!1 xn = L.
1 n 1 x
Ejemplo 11.33. Sea xn = 1 + n , definiendo f (x) = 1 + x se sigue que f (n) = xn y
✓ ◆x
1
lı́m xn = lı́m 1+ =e
n!1 x!1 x
p
Ejemplo 11.34. Sea xn = n
n definiendo f (x) = x1/x y calculando lı́mx!1 x1/x = 1 se sigue
p
lı́m n n = 1
n!1
este lı́mite también se puede calcular a través del teorema del Sandwich.

Teorema 11.11. Si (xn ) es una sucesión que converge a cero y (yn ) es una sucesión acotada entonces (xn yn ) converge a
cero.
Ejemplo 11.35. ✓ ◆
sin n
lı́m =0
n!1 n
note que sin n no converge pero solo necesitamos que este acotada.
Teorema 11.12. Sea A ✓ R un conjunto que es unión de intervalos abiertos. Sea f : A ! R una función y a 2 A. La
función f es continua en a si y solo si para toda sucesión (an ) con an 2 A, n 2 N y an ! a se cumple f (an ) ! f (a).
Series numéricas. Series Geométricas. Convergencia de una serie.
En esta parte del curso estudiaremos las “sumas infinitas” a las cuales llamaremos series.
Definición 12.1. Una serie de números reales es un par ordenado ((ak ) , (Sn )) de sucesiones de números reales
las cuales están relacionadas de la siguiente forma
n
X
8n 2 N : Sn = a1 + a2 + · · · + an = ak
k=1
o equivalentemente
8k 2 N : ak = Sk Sk 1
donde tomamos S0 = 0 por convención.

La primera sucesión del par es llamada sucesión de términos de la serie y la segunda sucesión es llamada
sucesión de sumas parciales de la serie.
Por simplicidad utilizaremos la sugerente notación histórica para una serie ((ak ) , (Sn ))
+1
X
ak ⌘ ((ak ) , (Sn ))
k=1
en esta notación encontramos de manera explı́cita la sucesión de términos (ak ) y la sucesión de sumas parciales
es dada por
Xn
Sn = ak
k=1
Observación 12.1. Si ((ak ) , (Sn )) es una serie cada una de las sucesiones que la conforma determina la otra.
Observación 12.2. En algunos casos es conveniente usar la sucesión de términos en la forma am , am+1 , am+2
para algún m 2 Z, en tal caso usamos la notación para la serie
1
X
ak
k=m
+1
X
Definición 12.2. Diremos que la serie ak converge, si existe un número real L tal que la sucesión de sumas
k=1
parciales Sn converge a L, es decir
lı́m Sn = L
n!+1
en este caso pondremos

+1
X
lı́m Sn = ak = L
n!+1
k=1
Si la serie no converge diremos que es divergente.

+1
X
Ejemplo 12.1. la serie k es divergente.
k=1
n
X n (n + 1)
En efecto, la sucesión de sumas parciales Sn = k= se sigue
2
k=1
✓ ◆
n (n + 1)
lı́m Sn = lı́m = +1
n!1 n!1 2
+1
X 1
Ejemplo 12.2. La serie es convergente.
2k
k=1
n
X 1 1
1 2n+1
En efecto, la sucesión de sumas parciales es Sn = = 2
1 entonces
2k 2
k=1
✓1 1 ◆
2 2n+1
lı́m Sn = lı́m 1 =1
n!1 n!1
2
P+1 P+1
Proposición 12.1. Sean k=1 ak y k=1 bk dos series convergentes a A y B respectivamente. Sean también ↵ 2 R
entonces:
P+1
1. k=1 (↵ak ) = ↵A
P+1 ⇣P ⌘ ⇣P ⌘
+1 +1
2. k=1 (ak + bk ) = k=1 ak + k=1 bk = A + B
P+1
Ejercicio 12.1. ¿Es convergente la serie k=1 k 1
3k
?
+1
X
Proposición 12.2. Si ak es una serie convergente entonces lı́m ak = 0.
k!1
k=1
Demostración: Si lı́mn!1 Sn = L entonces
lı́m an = lı́m (Sn Sn 1) = lı́m Sn lı́m Sn 1

n!1 n!1 n!1 n!1
= L L=0
+1
X
La proposición anterior nos entrega un criterio de divergencia útil en algunos casos: Si ak es una serie
k=1
+1
X
en la cual lı́mn!1 an 6= 0 entonces ak diverge.
k=1
Lamentablemente el criterio anterior no es una equivalencia:
+1
X ◆ ✓
k
Ejemplo 12.3. La serie diverge.
ln
k+1
k=1
n
X ✓ ◆ Xn
k
En efecto: Sn = ln = (ln k ln (k + 1)) = ln (n + 1) se sigue
k+1
k=1 k=1
lı́m ln (n + 1) = 1
n!+1
luego la serie diverge pero note que ✓ ◆

k
lı́m ln =0
k!1 k+1

Ejercicio 12.2. Muestre que las siguientes series divergen:

+1
X +1
X +1
X +1
X
k 1 k k!
1.- ( 1) 2.- p 3.- 4.-
k
k ln k 2k! + 1
k=1 k=1 k=2 k=1
Encontrar expresiones explı́citas para las sumas parciales no es tarea fácil y solo en contados casos es
conveniente analizar la convergencia de una serie por tales medios. Veremos dos ejemplos muy importantes en
los cuales podemos encontrar expresiones para las sumas parciales.
+1
X
Definición 12.3. Si (bk ) es una sucesión de números reales la serie (bk bk+1 ) es llamada serie telescópica.
k=1
Para este tipo de series tenemos el siguiente criterio de convergencia:

+1
X
Proposición 12.3. Una serie telescópica (bk bk+1 ) es convergente si y solo si la sucesión (bk ) es convergente y en
k=1
tal caso
+1
X
(bk bk+1 ) = b1 lı́m bk
k!1
k=1
Observación 12.3. La demostración es simplemente encontrar la expresión de las sumas parciales y tomar
lı́mite.
Ejemplo 12.4. Mostrar la convergencia de la serie

+1
X 1
4k 2 1
k=1
y encuentre su lı́mite.
Ejemplo 12.5. Muestre que

n p p
X k+1 k
p =1
k=1
k2 + k
Definición 12.4. Sean a, r 2 R, r, a 6= 0. Una serie de la forma

n
X
ark
k=0
es llamada serie geométrica de razón r.
Observación 12.4. Analizar casos a = 0, r = 0.

Pn
Proposición 12.4. Una serie geométrica k=0 ark es convergente si y solo si |r| < 1, en este caso
1
X a
ark =
1 r
k=0

La demostración se basa en la suma de una progresión geométrica. Si r = 1 entonces Sn = an es clara la

divergencia. Supongamos que r 6= 1 entonces
Sn = a + ar + · · · + arn 1
se sigue ✓ ◆
1 rn
Sn = a
1 r
luego si |r| < 1 entonces ✓ ◆
1 rn a
lı́m Sn = lı́m a =
n!1 n!1 1 r 1 r
k
si |r| > 1 entonces lı́mk!1 ar 6= 0 luego la serie diverge. Si r =
n
1, ak = a ( 1) vale el mismo razonamiento
anterior.
+1
X k
( 1) 2k
Ejemplo 12.6. Calcular k+1
3
k=2
Ejemplo 12.7. Para que valores de x 2 R es convergente la serie

+1 ✓
X n ◆
( 1) xn + 3n x2n
4n
k=1
Algunos criterios de convergencia
Recordemos que la convergencia o divergencia

P1de una serie depende de la sucesión de sumas parciales.
Si ak 0 para todo k 2 N decimos que la serie k=1 ak es una serie de términos positivos, en este caso, la
sucesión de sumas parciales Sn cumple con
Sn+1 Sn = an+1 0
luego para cada n 2 N, Sn+1 Sn , ası́ {Sn } es una sucesión creciente, este tipo de sucesiones convergen si y
solo si están acotadas por lo tanto la tarea de convergencia se transforma en mostrar que la sucesión de sumas
parciales es acotada.
1
X
Teorema 12.1. Sea {ak } una sucesión de términos positivos entonces la serie ak converge si y solo si la sucesión de
k=1
sumas parciales
n
X
Sn = ak
k=1
es acotada, en tal caso
1
X
ak = sup {Sn : n 2 N}
k=1
1 ✓ k
X ◆
2 +k
Ejemplo 12.8. La serie es convergente, en efecto
3k + k
k=1
✓ ◆k
2k + k 2k + 2 k 2
k
 2
3 +k 3k 3
luego
n ✓ k
X ◆ n
X ✓ ◆k 1 ✓ ◆k
X
2 +k 2 2
Sn =  2 2 =4
3k + k 3 3
k=1 k=1 k=1
luego la sucesión de sumas parciales esta acotada y la serie converge.

Vamos a enunciar algunos criterios que explotan esta idea de acotamiento para mostrar convergencia.
Teorema 12.2 (Criterio de la integral). Sea f : [1, +1[ ! R+ una función continua (a valores positivos) y decreciente
en [1, +1[ si
ak = f (k) para k 2 N
1
X Z 1
entonces ak converge si y solo si f (x) dx converge.
k=1 1
Dem.: Note que

ak = f (k)  f (x)  f (k 1) = ak 1 para x 2 [k 1, k]
se sigue que
Z k
ak  f (x) dx  ak 1 para k 2
k 1
entonces
n
X Z n n
X1
ak  f (x) dx  ak
k=2 1 k=1
se sigue que Z n
Sn x1  f (x) dx  Sn 1
1
R +1 R +1
si 1 f (x) dx < 1 (la integral impropia converge) entonces Sn es acotada y luego converge, si 1
f (x) dx
diverge, como Z n
f (x) dx  Sn 1
1
la serie es divergente.
Observación 12.5. La integral y la serie no necesariamente convergen al mismo valor.
Ejemplo 12.9. La serie

1
X 1
kp
k=1
converge si y solo si p > 1. En particular

1
X 1
k
k=1
diverge.
Ejemplo 12.10. La serie
1
X 1
n=2
n ln n
es divergente.
P1(Criterio de comparaci
Teorema 12.3 ón directa). SeanP
P1 {ak } y {bk } sucesiones tales
1 P1 que 0  ak  bk para cada
k k0 . Si k=1 ak diverge entonces k=1 bk diverge y si k=1 bk converge entonces k=1 ak converge.
Ejemplo 12.11. analizar la convergencia de las siguientes series:
1
X 1
1. p
n=1
2 n + 3n
1
X 1
2. n+1
n=1
2

1
X 1
3.
n=1
n + ln n
1
X 1
4. 3 + 3n + 4
n=1
n
X1
3 sen2 n
5.
n=0
n!
Teorema 12.4 (Criterio de comparación al lı́mite). Sean {ak } y {bk } sucesiones de números positivos tales que
ak
lı́m =L>0
k!1 bk
1
X P1
entonces ak converge si y solo si k=1 bk converge.
k=1
Ejemplo 12.12. Analizar la convergencia o divergencia de las siguientes series:

X1
3n3 5n2
1.
n=1
2n6 + 4n 1
1
X 1
2. p
3
n=1
n3 + 1
1
X ✓ ◆
1
3. arctan
n=1
n2
Los criterios de comparación directa y comparación al lı́mite 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.
Criterio de la razón o de D’ Alembert

Sea {xn }n2N una sucesión de números reales no nulos tales que
xn+1
lı́m =r
n!1 xn
entonces:
P1 P1
1. Si 0  r < 1 entonces n=1 |xn | y n=1 xn convergen.
P1 P1
2. Si r > 1 entonces n=1 |xn | y n=1 xn divergen.
3. Si r = 1 entonces el criterio no entrega información.
xn+1
Demostración: Supongamos que 0  r < 1 y sea R = r+1
2 entonces r < R < 1. Como lı́mn!1 xn =r
se sigue que existe un N0 2 N tal que n N0 )
xn+1
R
xn
de esta forma
|xn+1 | |xn |
 n
Rn+1 R

|xn |
para n N0 . Luego an = Rn es una sucesión decreciente luego para n N0
an  aN0
se sigue, para n N0
|xn |
 aN0 ) |xn |  aN0 Rn
Rn
por el criterio de compararción se sigue que
X1
|xn |
n=N0
converge y ası́
1
X
|xn |
n=1
converge. Ahora bien

|xn | xn |xn | + xn
|xn | = +
2 2
y las series
1 ✓
X ◆ X 1 ✓ ◆
|xn | xn |xn | + xn
,
n=1
2 n=1
2
P1
son series de términos positivos y convergen por comparación directa con la serie n=1 |xn |
|xn | xn |xn | + xn
 |xn | y  |xn |
2 2
luego
1
X 1 ✓
X ◆ 1 ✓
X ◆
|xn | + xn |xn | xn
xn =
n=1 n=1
2 n=1
2
es convergente.
Si r > 1 es fácil mostrar el limite del termino general no puede ser cero y por tanto ambas series divergen.
Cuando r = 1 el criterio no entrega información por ejemplo considerar
X1 X1
1 1
es divergente y 2
es convergente
n=1
n n=1
n
ambas dan r = 1.
Ejercicio 12.3. Analizar la convergencia o divergencia de las siguientes series.
X1 n
( 2)
1.
n=1
n!
X1 n
( 1) n25
2. n+1
n=1
3
X1
n!
3. n
n=1
n
X1
n!
4. n
n=1
5

Criterio de la raı́z o criterio de Cauchy
Sea {xn }n2N una sucesión de números reales tales que

p
lı́m n |xn | = r
n!1
entonces:
P1 P1
1. Si 0  r < 1 entonces n=1 |xn | y n=1 xn convergen.
P1 P1
2. Si r > 1 entonces n=1 |xn | y n=1 xn divergen.
3. Si r = 1 entonces el criterio no entrega información.
Observación 12.6. La demostración es similar (solo demostrar uno)
Ejercicio 12.4. Decidir si las siguientes series son o no convergentes

1
X 1
1. n
n=3
(ln n)
1 ✓
X ◆n
n
2.
n=1
2n + 1
X1 ✓ ◆n
ln n
3.
n=1
1000
Los criterios anteriores permiten obtener conclusiones incluso en casos en que la serie no es de términos
positivos
Ejercicio 12.5. Para que valores x 2 R es convergente la serie

X1
xn + 2x2n
n=1
n
Definición 12.5. Diremos que una serie es alternante si sus términos se alternan entre positivo y negativo, es
n n+1
decir, tienen la forma ( 1) an o ( 1) an donde an 0 para todo n 2 N.
Ejemplo 12.13. Son series alternates

X1 n 1 1
( 2) X ( 1) X
n
n
, y ( 1)
n=1
n! n=1 n n=1
Teorema 12.5 (Criterio de Leibnitz). Sea (xn )n2N una sucesión de términos positivos decreciente tales que
lı́m xn = 0
n!1
1
X n+1
entonces ( 1) xn converge, además
n=1
|S Sn | < |xn+1 |
lo que nos permite medir la rapidez de convergencia.

Ejemplo 12.14. Las series

X1 n+1 X1 n
( 1) ( 1) ln n
y
n=1
n n=1
n
son convergentes.
X1 n+1
( 1)
Vamos a analizar a que valor converge la serie . Recordemos que
n=1
n
1 xn+1
1 + x + x2 + · · · + xn = para x 6= 1
1 x
reemplazando x se sigue
n+1
n 1 ( 1) xn+1
1 x + x2 · · · + ( 1) xn = para x 6= 1
1+x
si integramos la igualdad anterior obtenemos
Z !
x n+1
x2 x3 n xn+1 1 ( 1) tn+1
x + · · · + ( 1) = dt
2 3 n+1 0 1+t
para x > 0. Si evaluamos en x = 1 se obtiene

Z !
n 1 n+1
1 1 ( 1) 1
( 1) tn+1
1 + ··· + = dt
2 3 n+1 0 1+t
Z 1✓ ◆ Z 1 !
n+1
1 ( 1) tn+1
= dt + dt
0 1+t 0 1+t
pero
Z 1 ✓ ◆
1
dt = ln 2
0 1+t
entonces !
n
X k Z 1 n+1
( 1) ( 1) tn+1
= ln 2 + dt
k+1 0 1+t
k=0
luego si ponemos
n
X k
( 1)
Sn =
k+1
k=0
entonces Z 1
tn+1
|Sn ln 2| = dt
0 1+t
pero como t 2 [0, 1] se sigue 1  1 + t  2 luego
1
1
1+t
ası́ Z Z
1 1
tn+1 1
|Sn ln 2|  dt  tn+1 dt =
0 1+t 0 n+2
se sigue que
1
X k 1
X k+1
( 1) ( 1)
= = ln 2
k+1 k
k=0 k=1
es decir
1 1 1 1
1 + + · · · = ln 2
2 3 4 5

Convergencia condicional y absoluta
Las series de términos generales no tienen porque ser alternantes, por ejemplo la serie
X1
sen n
n=1
n2
no es alternante pero tampoco es de términos positivos.

Los criterios de razón y cociente no entregan información, sin embargo con las herramientas que tenemos
podemos analizar su convergencia, notemos que
sen n 1
 2
n2 n
entonces
1 sen n 1
  2
n2 n2 n
se sigue
sen n + 1 2
0  2
n2 n
por comparación directa
1 ✓
X ◆
sen n + 1
n=1
n2
es convergente y de esta forma
X1 1 ✓ ◆ 1
sen n X sen n + 1 X 1
=
n=1
n2 n=1
n2 n=1
n 2
es convergente.
En este caso, note que era fácil analizar la convergencia de de la serie de términos positivos
X1
sen n
n=1
n2
P1
comparándola directamente con n=1 n2 .
1
1
X 1
X
Teorema 12.6. Si la serie |xn | converge entonces xn converge.
n=1 n=1
Demostración: Utilizar
|xn | xn |xn | + xn
|xn | = +
2 2
1
X
y comparación para obtener la convergencia de xn como en la demostración del criterio del cociente.
n=1
P1 ( 1)k+1 P1 ( 1)k+1 P1
El recı́proco no es verdad. Por ejemplo la serie k=1 k en convergente pero k=1 k = 1
k=1 k
no lo es.
P1 P1 P1
PUna
Definición 12.6.
1
serie k=1 xk se dice absolutamente convergente si k=1 |xk | es convergente. Si k=1 xk
converge pero k=1 |xk | diverge diremos que es condicionalmente convergente.
Ejercicio 12.6. Decidir si las series
1
X n 1
X n
( 1) ( 2)
y
n + ln n n2 3n
k=1 k=1
son absoluta o condicionalmente convergentes.

Reordenamiento de series
Sabemos que
1
X k+1
( 1)
= ln 2
k
k=1
es condicionalmente convergente, si reordenamos la serie en la forma
1 1 1 1 1 1 1 1 1 1 1
1 + + + + + ...
✓ 2 ◆3 4 ✓5 6 ◆ 7 8 ✓ 9 10◆ 11 12 ✓ ◆
1 1 1 1 1 1 1 1 1 1
= 1 + + +
2 4 3 6 8 5 10 12 7 14
1 1 1 1 1 1 1
= + + + ...
2 ✓ 4 6 8 10 12 14 ◆
1 1 1 1 1 1 1
= 1 + + + ...
2 2 3 4 5 6 7
1
= ln 2
2
entonces si podemos reordenar los sumandos obtenemos
1
ln 2 = ln 2
2
contradicción!!!
En las series, sumas infinitas no da lo mismo el orden en que sumen los términos.
P
Teorema 12.7. Si an es una serie absolutamente convergente entonces todos los reordenamientos convergen al mismo
valor.
Clase 2
Sea {Cn }n2N[{0} una sucesión de números reales y x0 2 R. Una serie de potencias es una serie de la forma
+1
X
Cn (x x0 ) n
n=0
(donde usamos la convención (x x0 )0 = 1) los términos de la sucesión son llamados coeficientes de la serie de
potencias.
+1 n X
X +1 n X +1
x x (x 2)n
Ejemplo 13.1. , , son series de potencias,
n=0
n! n=0 n n=0 2n
+1
X
Ejemplo 13.2. Notar que xn converge si |x| < 1 y diverge si |x| 1, además
n=0
+1
X
1
= xn x 2] 1, 1[
1 x n=0
la serie converge en un intervalo, esta propiedad es común a las series de potencias
Por simplicidad de cálculos pongamos x0 = 0

Teorema 13.1. Si una serie de potencias

+1
X
Cn xn
n=0
converge en x = a, a 6= 0 entonces converge absolutamente 8x, |x| < |a| y si la serie diverge en x = b, b 6= 0 entonces
diverge 8x, |x| > |b|
Demostración: Sea b 2 R con |b| < |a|, como la serie

+1
X
C n an cv
n=0
se sigue que lı́mn!1 Cn an = 0 =) 9N/n N
|Cn an | < 1
b n
ası́ |Cn | < 1
|a|n n N =) |Cn bn | < a n N
P b n
P
Pero |b/a| < 1 =) a converge y ası́ |Cn bn | converge.
+1
X
) C n bn converge absolutamente
n=0
P+1 P+1
Suponga que n=0 Cn dn diverge y |h| > |d|, se n=0 Cn hn cv. Se produce una contradicción con la parte
anterior.
Corolario 13.1. Para una serie de potencias de la forma
+1
X
Cn xn
n=0
se cumple una y sólo una de las siguientes:

+1
X
a) Cn xn converge sólo para x = 0.
n=0
+1
X
b) Cn xn converge para todo x 2 R.
n=0
c) Existe R 2 R+ tal que

P+1
8x, |x| < R n=0 Cn xn converge abs.
P+1
8x, |x| > R n=0 Cn xn div
Demostración: Sea ( )
+1
X
I= x2R {0} : Cn x cv
n
n=0
P+1 P+1
y suponga que I 6= R, entonces existe x0 2 R, x0 6= 0/ n=0 Cn xn0 cv y 9x1 / n=0 Cn xn1 diverge, I 6= ; y es
acotado superiormente ) tiene supremo.
( +1
)
X
R = sup x 2 R {0} : Cn x cv
n
n=0
del teorema anterior este R tiene las propiedades dadas.
R es llamado radio de convergencia por convención en el primer caso que R = 0 y en (b) R = 1.

El mismo resultado es aplicable a las series de la forma

+1
X
Cn (x x0 ) n
n=0
P+1
ponga u = x x0 , n=0 Cn un ) 9R/|u| < R converge, |u| > R diverge.
En resumen se cumple uno de los siguientes:
I.- La serie converge sólo para x = x0 .

II.- La serie converge para todo x 2 R.
III.- Existe un R > 0 llamado radio de convergencia, tal que
+1
X
Cn (x x0 ) n
n=0
a) Converge absolutamente si |x x0 | < R.

b) Diverge si |x x0 | > R.
Observación 13.1. Los puntos extremos del intervalo ]x0 R, x0 + R[ se deben analizar por separado y dan
origen al intervalo de convergencia que es el conjunto en el cual la serie de potencias converge. Este conjunto
sólo puede tener alguna de estas formas:
{x0 }, R, [a, b[, [a, b], ]a, b], ]a, b[
Ejemplo 13.3. R+ no puede ser el intervalo de convergencia de una serie de potencias.

Ejemplo 13.4. Hallar el intervalo de convergencia de las series:
+1
X
a) nn x n
n=0
+1 n
X x
b)
n=0
n!
+1 n
X x
c)
n=1
n
+1 n
X x
d)
n=1
n2
+1
X (x 3)2n
e)
n=1
n 2 5n
Desarrollo:
p
a) Apliquemos el criterio de la raı́z n
nn |x|n = n|x|,
p
lı́m n nn |x|n = lı́m n|x| = +1 si x 6= 0
n!1 n!1
P+1
luego la serie diverge para x 6= 0. El intervalo de convergencia para n=0 nn xn es {0}
|x|n+1
|an+1 | (n+1)! |x|
b) = |x|n
= n+1
|an |
n!
|an+1 |
) lı́m =0 8x 2 R
n!1 |an |
P+1 xn
) n=0 n! converge 8x 2 R

q
|x|n |n|
c) lı́mn!1 n
n = lı́mn!1 p
n n = |x| converge si |x| < 1, diverge si |x| > 1, hay que analizar |x| = 1
P+1
x=1 , 1
n=1 n diverge
P+1 ( 1)n
x= 1 , n=1 n converge, Leibnitz
El intervalo de convergencia es [ 1, 1[
q
n
d) lı́mn!1 n |x|
n2 = |x|, se sigue que: |x| < 1 converge y si |x| > 1 diverge. Ahora analizamos |x| = 1
P+1
x=1 , 1
n=1 n2 converge
P+1 ( 1)n
x= 1 , n=1 n2 converge
El intervalo de convergencia es [ 1, 1]
q 2 p p
n
e) Notemos que lı́mn!1 n (xn2 53)n = |x 53| . La serie converge si |x 3| < 5 y diverge si |x 3| > 5. Si |x
p P+1 1 ⇥ p p ⇤
3| = 5 la serie es n=1 n2 y converge. Finalmente el intervalo de convergencia es I = 3 5, 3 + 5
P+1
Observación 13.2. Si una serie de potencias n=0 Cn (x x0 )n tiene radio de convergencia R > 0 entonces es
posible definir una función
f: ]x0 R, x0 + R[ ! R
P+1
x ! f (x) = n=0 Cn (x x0 ) n
podemos preguntarnos ¿f es continua? ¿f es derivable?.
P+1
Si f (x) = n=0 Cn (x x0 )n se dice que f está expresada como serie de potencias. Se presentan dos
problemas fundamentales:
I.- Si una función es dada en serie de potencias entonces determina sus propiedades.
II.- Dada una función f ¿Es expresable en serie de potencias? Por ejemplo f (x) = ex ¿es expresable en serie
de potencias?.
P+1
Teorema 13.2. Si f (x) = n=0 Cn (x xo )n es una serie de potencias de radio de convergencia R > 0 entonces
+1
X
nCn (x x0 ) n 1
n=1
tiene el mismo radio de convergencia, además

+1
X
f 0 (x) = nCn (x x0 ) n 1
8x, |x x0 | < R
n=1
P+1
Corolario 13.2. Si f (x) = n=0 Cn (x x0 )n tiene radio de convergencia R > 0, f es continua en
]x0 R, x0 + R[
Ejemplo 13.5. En los extremos del intervalo no se sabe, hay que analizar por separado.
Corolario 13.3. Si R > 0 es el radio de convergencia de la serie
+1
X
f (x) = Cn (x x0 ) n
n=0
entonces f 2 C 1 (]x0 R, x0 + R, [), además
f (k) (0)
= Ck
k!

P+1 xn
Ejemplo 13.6. f (x) = n=0 n! tiene radio de convergencia infinito, f además es C 1 (R)
+1
X +1 n
X
xn 1 x
f 0 (x) = = = f (x)
n=1
(n 1)! n=0
n!
además f (0) = 1, existe una única función que cumple esas dos propiedades
+1 n
X x
ex =
n=0
n!
en efecto, supongamos que f 0 (x) = f (x) en R y f (0) = 1 si
f (x) ) g 0 (x) = 0 ) g(x) = cte ) g(x) = 1 ) f (x) = ex
g(x) = e x
P+1
Teorema 13.3 (Integración de series de potencias). Sea f (x) = n=0 Cn xn una serie de potencias con radio de
convergencia R > 0 entonces 8x 2 ] R, R[,
Z x Z x X+1
! +1
X Cn n+1
f (t) dt = Cn tn dt = x
0 0 n=0 n=0
n +1
+1
X
1
Ejemplo 13.7. = xn |x| < 1 se sigue:
1 x n=0
+1
X
1
= ( 1)n xn |x| < 1
1 + x n=0
luego
+1
X ( 1)n xn+1
ln(1 + x) = |x| < 1
n=0
n+1
+1
X
1
Ejemplo 13.8. Notemos que 2
= ( 1)n x2n |x| < 1 luego
1+x n=0
+1
X ( 1)n x2n+1
arctan(x) = |x| < 1
n=0
2n + 1
Ejercicios
1
1. Expresar en serie de potencias con centro en 1.
1 x
2. Hallar serie de potencias para
2x 3x 1
,
x2 + 1 x2 1
centrada en x = 0
3. Sea (
ex 1
x 6= 0
f (x) = x
1 x=0
muestre que f 2 C 1 (R). Encuentre su serie de potencias.
Z 1 +1
X
2 ( 1)n
4. Muestre que e x dx = como es alternante
0 n=0
(2n + 1)n!
|I SN |  |aN +1 |
5. Calcule el valor de
+1
X n
2 n
n=0

Polinomios de Taylor
Si f : I ✓ R ! R es una función derivable en x = x0 entonces

f (x) f (x0 )
f 0 (x) = lı́m
x!x0 x x0
esto significa que para x ⇠ x0
f (x) f (x0 ) = (x x0 )f 0 (x0 )
0 f (x) ⇡ f (x0 ) + (x x0 )f (x0 ) esto es, los valores de f (x) se aproximan por el polinomio de grado 1 p(x) =
0
f (x0 ) + (x x0 )f 0 (x0 ). Es lógico pensar que mientras mas derivable es la función mejor es la aproximación que
podremos realizar.
Definición 13.1. Dado n 2 N y f : I ✓ R ! R una función n veces derivable en x0 2 I, se define el n ésimo
polinomio de Taylor de f alrededor de x0 como:
f (2) (x0 ) f (n) (x0 )
Pnx0 (x) = f (x0 ) + f 0 (x0 )(x x0 ) + (x x0 ) 2 + . . . + (x x0 ) n
2! n!
Ejemplos
1. Si f (x) = ex encontrar p5 (x) al rededor de 0. f (n) (0) = e0 = 1

x2 x3 x4 x5
) P5 (x) = 1 + x + + + +
2! 3! 4! 5!
2. Si f (x) = ln(x + 1) encontrar el n ésimo término alrededor de 0.
3. Lo mismo para f (x) = sin(x) x0 = 2⇡
1
4. Pn (x) en x0 = 0 para f (x) =
1 x
Definición 13.2. Se define el n ésimo resto “rn (x)” de f en x0 por
rn (x) = f (x) Pn (x)
donde Pn es el n ésimo polinomio de Taylor de f .
Teorema 13.4. Si n 2 N y f (n+1) existe en un intervalo I que contiene a x0 , entonces para cada x 2 I, x 6= x0 existe
tx entre x0 y x tal que
f (x) = Pn (x) + rn (x)
con
f (n+1) (tx )
rn (x) = (x x0 )n+1
(n + 1)!
Observación 13.3. (note que es una generalización del Teorema del Valor Medio)
Ejemplo 13.9. Aproximar el número e con un error menor a 0, 001
Solución: f (x) = ex
|rn (1)| = |f (1) Pn (1)| < 0, 001
por el Teorema de Taylor existe tx 2 ]0, 1[ tal que
f (n+1) (t1 )
|rn (1)| = (1 0)n+1
(n + 1)!
e t1
=
(n + 1)!
4
<
(n + 1)!
4 1
) < n 6
(n + 1)! 1000

Series de Taylor
Definición 13.3. Supongamos que f tiene derivadas de todo orden en x = x0 . Llamaremos serie de Taylor de f
en x0 a la serie de potencias
X+1 (n)
f (x0 )
(x x0 )n
n=0
n!
si x0 = 0 se llama serie de Maclaurin de f .

Observación 13.4. Puede ocurrir que la serie anterior sea convergente o no para un x 6= x0 y en caso de
convergencia puede ser a f (x) o a un número distinto de f (x)
⇢ 1
6 0
e x2 x =
Ejemplo 13.10. La serie de Taylor no converge a la función f (x) =
0 x=0
1
f 2 C 1 (R), f (n) (0) = 0 ) serie de Taylor⌘ 0 entonces pero si x 6= 0, f (x) = e x2 6= 0.
Para asegurar la convergencia de la serie de Taylor de la función respectiva tenemos el siguiente teorema.
Teorema 13.5. 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 2 I y n N (N fijo) entonces la serie de Taylor de f en x0 converge a f (x) para cada
x 2 I es decir
+1 (n)
X f (x0 )
f (x) = (x x0 )n x2 I
n=0
n!
Demostración: Por el Teorema de Taylor del Resto
f (n+1) (tx )
rn (x) = (x x0 )n+1
(n + 1)!
luego
n+1
M |x x0 |
|rn (x)| 
(n + 1)!
pero
(x x0 )n+1
lı́m =0
n!+1 (n + 1)!
por lo tanto
lı́m rn (x) = 0
n!+1
lo que prueba el teorema.
Ejemplos
+1
X ( 1)n x2n+1
1. f (x) = sin(x) = x2 R
n=0
(2n + 1)!
+1
X ( 1)n x2n
2. f (x) = cos(x) = x2 R
n=0
(2n)!
+1 n
X x
3. f (x) = ex = x2 R
n=0
n!

La serie binomial
Consideremos la serie
↵ (↵ 1) 2 ↵ (↵ 1) (↵ 2)
1 + ↵x + x + x3 + . . .
2! 3!
1
X ↵ (↵ 1) · · · (↵ n + 1)
= 1+ xn
n=1
n!
X1 ✓ ◆
↵ n
= 1+ x
n=1
n
donde hemos usado la notación ✓ ◆

↵ ↵ (↵ 1) · · · (↵ n + 1)
=
n n!
es una serie de potencias, su radio de convergencia es
↵(↵ 1)···(↵ n+1)(↵ n)
(n+1)! ↵ n
lı́m ↵(↵ 1)···(↵ n+1)
= lı́m =1
n!1 n!1 n+1
n!
se sigue que
1 ✓ ◆
X ↵
f (x) = 1 + xn
n=1
n
es una función derivable en ] 1, 1[ más aun:
X1 ✓ ◆
↵ n
f 0 (x) = n x 1
n=1
n
X1 ✓ ◆ 1 ✓ ◆
↵ n 1 X ↵ n
(1 + x) f 0 (x) = n x + n x
n=1
n n=1
n
X1 ✓ ◆ X1 ✓ ◆
↵ (↵ 1) · · · (↵ n + 1) ↵ n
= n xn 1 + n x
n=1
n! n=1
n
X1 ✓ ◆
↵ (↵ 1) · · · (↵ n + 1)
= xn 1 +
n=1
(n 1)!
1
X ↵ (↵ 1) · · · (↵ n + 1) n
x
n=1
(n 1)!
1 ✓
X ◆ 1
X
↵ (↵ 1) · · · (↵ n) ↵ (↵ 1) · · · (↵ n + 1) n
= ↵+ xn + x
n=1
n! n=1
(n 1)!
X1 ✓ ◆ X1
↵ (↵ 1) · · · (↵ n) n ↵ (↵ 1) · · · (↵ n + 1)
= ↵+ x + n xn
n=1
n! n=1
n!
1 ✓
X ◆
↵ (↵ 1) · · · (↵ n + 1)
= ↵+ ((↵ n) + n) xn
n=1
n!
1 ✓
X ◆
↵ (↵ 1) · · · (↵ n + 1)
= ↵+↵ xn
n=1
n!
1 ✓ ◆ !
X ↵ (↵ 1) · · · (↵ n + 1) n
= ↵ 1+ x = ↵f (x)
n=1
n!

entonces
↵f (x)
f 0 (x) =
(1 + x)
entonces
f0 ↵
= ) ln f (x) = ↵ ln (1 + x) + C
f 1+x
↵
) f (x) = K (1 + x)
notar que f (0) = 1 y ası́ K = 1, se sigue que, para x 2 ] 1, 1[

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

1
X 1 1 1
1/2 1 ··· n+1
(1 + x) =1+ 2 2 2
xn
n=1
n!
entonces
1
X 1 1 1
1/2 1 ··· n+1 n
1 x2 =1+ 2 2 2
( 1) x2n
n=1
n!
y ası́
1
X 1 1 1
1 ··· n+1 n
arcsin x = x + 2 2 2
( 1) x2n+1
n=1
n! (2n + 1)
ası́
1
X 1 1 1
1 ··· n+1 n
arcsin x = x+ 2 2 2
( 1) x2n+1
n=1
n! (2n + 1)
X1 1 1
+ 1 · · · 12 + n 1
= x+ 2 2
x2n+1
n=1
n! (2n + 1)
X1
1 · 3 · 5 · · · (2n 1) 2n+1
= x+ x válido en ] 1, 1[
n=1
2n n! (2n + 1)

Complement Os Mat 022

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Complement Os Mat 022

Cargado por

Copyright:

Formatos disponibles

Coordinación de Matemática II (MAT022)

Ejemplo 1.1. Construir la matriz A = (aij )3⇥3 = (i + j)3⇥3

a11 a12 a13 ··· a1m

MAT022 (Complementos) 2 N.C.F.

Definición 1.7. Dada una matriz cuadrada

Ejemplo 1.4. Calcular la traza de la matriz

Operatoria con matrices

Ejemplo 1.5. Encontrar los valores de las incógnitas si se tiene

Producto de matrices: Sea K = R ó C. Sean A 2 M (n ⇥ m, K) y B 2 M (m ⇥ p, K) la matriz producto

MAT022 (Complementos) 3 N.C.F.

Definición 1.8. Sea A 2 M (n ⇥ m, K), A = (aij ) con K = R ó C. La matriz transpuesta de A es la matriz

MAT022 (Complementos) 4 N.C.F.

Observación 1.8. De la definición de transpuesta podemos concluir: Si A = (aij ) con i = 1, 2, . . . , n y j =

Observación 1.9. Se sugiere mostrar algunas de estas propiedades.

Definición 1.9. Sea A una matriz cuadrada:

Ejemplo 1.9. La matriz 0 1

MAT022 (Complementos) 5 N.C.F.

Proposición 1.2. Sean A y B matrices simétricas del mismo orden:

Proposición 1.3. Si A es una matriz cuadrada entonces:

además esta descomposición es única.

MAT022 (Complementos) 6 N.C.F.

7. Hallar una matriz A de orden 2 ⇥ 2 tal que A2 = I

8. Hallar una matriz A de orden 2 ⇥ 2,A6= 0 tal que A2 = 0

Operaciones elementales y Matrices elementales

Intercambio entre dos filas: las filas 1 y 3

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

MAT022 (Complementos) 7 N.C.F.

Ejemplo 1.11. Para la matriz I4 :

Considere ahora la matriz 0 1

Se tiene al respecto el siguiente teorema.

MAT022 (Complementos) 8 N.C.F.

Ejemplo 1.13. Son matrices escalonadas

MAT022 (Complementos) 9 N.C.F.

Ejemplo 1.16. Determinar el rango de la matriz

Sistemas de ecuaciones lineales

Consideremos el sistema de m ecuaciones y n incógnitas

MAT022 (Complementos) 10 N.C.F.

Propiedades de los sistemas homogéneos

1. Un sistema homogéneo es siempre compatible, porque X = 0 es solución.

Como A ⇠ C existe una sucesión de matrices elementales E1 , E2 , . . . , Ek tales que

pongamos E = E1 E2 · · · Ek , si X0 es tal que AX0 = 0 se sigue EAX0 = E0 = 0 entonces CX0 = 0.

MAT022 (Complementos) 11 N.C.F.

Ejemplo 2.2. Resolver el sistema 0 10 1 0 1

aplicamos el algoritmo de Gauss para obtener la escalonada

y ahora resolvemos el sistema 0 10 1 0 1

que tiene las mismas soluciones.

a) Si ⇢(A) = ⇢(A, B) = n (número de incógnitas) entonces el sistema tiene

MAT022 (Complementos) 12 N.C.F.

Usar Gauss Jordan para resolver los sistemas:

(No hay solución)

entonces A es invertible y B no lo es. (Verificar directamente suponiendo la existencia y resolviendo ecuaciones)

MAT022 (Complementos) 13 N.C.F.

Proposición 3.1. Sean A, B 2 M (n, K) matrices no singulares (invertibles), entonces:

MAT022 (Complementos) 14 N.C.F.

y calculamos mediante operaciones elementales:

Ejercicio 3.1. Suponga que A3 = [0] Muestre que I A es invertible.

Sea A 2 Mn (R), el determinante de A es una función

Definiremos la forma en la cual actúa esta función como sigue:

MAT022 (Complementos) 15 N.C.F.

Calculemos los cofactores

C13 = ( 1)1+3 M13 = 15, C21 = ( 1)2+1 M21 = 25

Definición 4.3. El determinante de A = (aij ) 2 Mn⇥n (R) es el número real

Propiedades de los determinantes