Capítulo 1-1 PDF

Capı́tulo 1
Conceptos Preliminares
1.1. Repaso de Cálculo

1.1.1. Lı́mite de una Función
Sea f una función definida en todo número de algún intervalo abierto X
que contenga a a, excepto, posiblemente, en el número a mismo. El Lı́mite
de f (x) cuando x tiende a a es L, y se escribe como:
lı́m f (x) = L
x→a
Si para cualquier ε > 0, independiente de lo pequeña que sea, existe una

δ > 0 tal que:
|f (x) − L| < ε siempre que 0 < |x − a| < δ
Con palabras, se puede decir que los valores f (x) tienden a un Lı́mite,
L, conforme x tiende a un número a si el valor absoluto de la diferencia
entre f (x) y L puede hacerse tan pequeño como se quiera, tomando x lo
suficientemente cercano a a, pero no igual que a.
Es importante darse cuenta de que no es necesario que la función esté

definida para x = a para que exista lı́m f (x).
x→a
En la Figura 1.1 se muestra una interpretación geométrica de los con-

ceptos anteriormente dados.
21
22 CAPÍTULO 1. CONCEPTOS PRELIMINARES
f (x)
f (x)
L+ε
L−ε
0
X
−δ +δ
Figura 1.1: Interpretación geométrica de Lı́mite.
Lı́mite Izquierdo
lı́m f (x) = L
x→a
Si para todo número ε > 0 existe un número correspondiente δ > 0 tal

que:
|f (x) − L| < ε siempre que a − δ < x < a
Lı́mite Derecho
lı́m f (x) = L
x→a
Si para todo número ε > 0 existe un número correspondiente δ > 0 tal

que:
|f (x) − L| < ε siempre que a < x < a + δ

1.1. REPASO DE CÁLCULO 23
Lı́mites Infinitos
Sea f una función definida en todo número de algún intervalo abierto
X que contenga a a, excepto como posiblemente en el número a mismo.
Cuando x tiende a a, f (x) crece sin Lı́mite, lo cual se escribe como:
lı́m f (x) = +∞
x→a
Si para cualquier número N > 0 existe una δ < 0 tal que f (x) > N
siempre que:
0 < |x − a| < δ
Y:
lı́m f (x) = −∞
x→a
Si para cualquier número N < 0 existe una δ > 0 tal que f (x) < N
siempre que:
0 < |x − a| < δ
Lı́mites en Infinito
Sea f una función definida en todos los números de algún intervalo
(a; +∞). El Lı́mite de f (x), cuando x crece sin Lı́mite es L, y se repre-
senta como:
lı́m f (x) = L
x→+∞
Si para cualquier ε > 0, no importa que tan pequeña sea, existe un

número N < 0, tal que:
|f (x) − L| < ε siempre que x > N

Y sea f una función definida en todos los números de algún intervalo
(−∞; a). El Lı́mite de f (x), cuando x decrece sin Lı́mite es L, y se representa
como:
lı́m f (x) = L
x→−∞
Si para cualquier ε > 0, no importa que tan pequeña sea, existe un

número N < 0 tal que:
|f (x) − L| < ε siempre que x < N
Teoremas Acerca de los Lı́mites de las Funciones

Teorema 1.1.1 Si m y b son dos constantes cualesquiera, entonces:
lı́m (mx + b) = ma + b
x→a
Teorema 1.1.2 Se tiene que:
lı́m x = a
x→a
Teorema 1.1.3 Si:
lı́m f (x) = L
x→a
Y:
lı́m g(x) = M
x→a
Entonces:
lı́m [f (x) ± g(x)] = L ± M

x→a
Teorema 1.1.4 Si:
lı́m f (x) = L
x→a
Y:
lı́m g(x) = M
x→a
Entonces:
lı́m f (x)g(x) = LM
x→a
Teorema 1.1.5 Si:
lı́m f (x) = L
x→a
Y n es cualquier entero positivo, entonces:
lı́m [f (x)]n = Ln
x→a
Teorema 1.1.6 Si:
lı́m f (x) = L
x→a
Y:
lı́m g(x) = M
x→a
Con M 6= 0, entonces:
f (x) L
lı́m =
x→a g(x) M
Teorema 1.1.7 Si:
lı́m f (x) = L
x→a
Entonces:
p
n
√
n
lı́m f (x) = L
x→a
Esto se cumple, si L > 0 y n es cualquier entero positivo, o si L ≤ 0 y
n es un entero impar positivo.
Teorema 1.1.8 El lı́m f (x) existe y es igual a L si y sólo si lı́m f (x) y
x→a x→a−
lı́m f (x) existen y son iguales a L.
x→a+
1.1.2. Continuidad de una Función

Continuidad de una Función en un Número
Se dice que la función f es Continua en el número a si y sólo si se cumplen
las tres condiciones siguientes:
1. f (a) existe.
2. lı́m f (x) existe.
x→a
3. lı́m f (x) = f (a).

x→a
Si una o más de estas tres condiciones no se cumple para a, se dice que

la función f es Discontinua en a.
Teoremas sobre la Continuidad

Teorema 1.1.9 Si f y g son dos funciones que son continuas en el número
a, entonces:
1. f ± g es Continua en a.
2. f g es Continua en a.
3. f /g es Continua en a, suponiendo que g(a) 6= 0.
Teorema 1.1.10 Una función polinomial (o polinómica) es continua en to-

do número.
Teorema 1.1.11 Una función racional es Continua en todo número de su

dominio.
Teorema 1.1.12 Si:

√
n
g(x) = x
Donde n es cualquier entero positivo, entonces g es Continua si a es
cualquier número positivo, o bien, a es un número negativo o cero, y n es
impar.
Teorema 1.1.13 Se dice que una función f es Continua en el número a,

si f está definida en algún intervalo abierto que contenga a a y si para
cualquier ε > 0 existe una δ > 0 tal que:
|f (x) − f (a)| < ε siempre que |x − a| < δ
Este teorema se emplea para demostrar el siguiente teorema importante,

relativo al lı́mite de una función compuesta.
Teorema 1.1.14 Si:
lı́m g(x) = b
x→a
Y si la función f es Continua en b, entonces:
lı́m (f ∼ g)(x) = f (b)

x→a
O, en forma equivalente:
lı́m f (g(x)) = f ( lı́m g(x))

x→a x→a
Teorema 1.1.15 Si una función g es Continua en a y una función f es

Continua en g(a), entonces la función compuesta f ∼ g es Continua en a.
Continuidad en un Intervalo
1. Se dice que una función es Continua en un intervalo abierto si solo si
es continua en todo número del intervalo abierto.
2. Se dice que una función f es Continua a la derecha del número a si y

sólo si se cumplen las siguientes condiciones:
a) f (a) existe.
b) lı́m f (x) existe.
x→a+
c) lı́m f (x) = f (a).
x→a+
3. Se dice que una función f es Continua a la izquierda del número a si

y sólo si se cumplen las siguientes tres condiciones:
a) f (a) existe.
b) lı́m f (x) existe.
x→a−
c) lı́m f (x) = f (a).
x→a−
4. Una función, cuyo dominio incluye el intervalo cerrado [a, b], se dice
que es Continua en [a, b] si y sólo si es Continua en el intervalo abierto
(a; b), y Continua a la derecha de a y a la izquierda de b.
5. Una función cuyo dominio incluye el intervalo semiabierto por la derecha

[a, b) se dice que es Continua en [a, b) si y sólo si es Continua en el
intervalo abierto (a; b) y es Continua a la derecha de a.
6. Una función cuyo dominio incluye el intervalo semiabierto por la izquier-

da (a; b] se dice que es Continua en (a; b] si y sólo si es Continua en el
intervalo abierto (a; b) y es Continua a la izquierda de b.
1.1.3. Teorema del Valor Intermedio

Si una función f es continua en el intervalo cerrado [a, b], y si f (a) 6= f (b),
entonces para cualquier número k entre f (a) y f (b) existe un número c entre
a y b tal que:
f (c) = k
En la Figura 1.2 se realiza una interpretación geométrica de este teorema.
f (x)
f (x)
f (b)
k .
(c, k)
g(x)=k
f( )
0 c b
X
Figura 1.2: Interpretación geométrica del Teorema del Valor Intermedio.
1.1.4. Teorema de Estricción

Supóngase que las funciones f , g y h se hallan definidas en algún intervalo
abierto X, el cual contiene a a, excepto posiblemente en a misma, y que:
f (x) ≤ g(x) ≤ h(x)
Para toda x en X, para la cual x 6= a. Supóngase además, que el lı́m f (x)

x→a
y el lı́m h(x) existen y son iguales a L. Entonces, el lı́m g(x) existe y es igual
x→a x→a
a L.
1.1.5. La Derivada
La Derivada de una función f es aquella función, denotada por f 0 , tal
que su valor en cualquier número x en el dominio de f , está dado por:
f (x + ∆x) − f (x)
f 0 (x) = lı́m
∆x→0 ∆x
Si a es un número particular en el dominio de f , entonces:
f (a + ∆x) − f (a)
f 0 (a) = lı́m
∆x→0 ∆x
Interpretación Geométrica de la Derivada

La recta tangente a y = f (x), en el punto (a; f (a)), es la recta que pasa
por (a; f (a)) cuya pendiente es igual a f 0 (a), la Derivada de f en a.
Por lo tanto, la Interpretación Geométrica de una Derivada es como se

muestra en la Figura 1.3.
f (x)
f (x)
f( +h)-f( )
P
0
+h
X
Figura 1.3: Interpretación geométrica de la Derivada de una función.
Si se utiliza la forma punto-pendiente de la ecuación de una recta, se

puede escribir una ecuación de la recta tangente a la curva y = f (x) en el
punto (a; f (a)), de la siguiente manera:
y − f (a) = f 0 (a)(x − a)
Diferenciabilidad y Continuidad
Teorema 1.1.16 Si una función f es Diferenciable en a, entonces f es
Continua en a.
Derivada Unilateral
Si una función f está definida en a, entonces la Derivada por la Derecha

de f en a, representada por f+0 (a), está definida como:
f (a + ∆x) − f (a)
f+0 (a) = lı́m
∆x→0+ ∆x
Y para la misma función f , la Derivada por la Izquierda en a, represen-
tada por f−0 (a), está definida como:
f (a + ∆x) − f (a)
f−0 (a) = lı́m
∆x→0− ∆x
Regla de la Cadena
Si tanto f como g son funciones derivables y F = f ∼ g es la función
compuesta definida por F (x) = f (g(x)), entonces F es derivable y F 0 se
expresa mediante el producto:
F 0 (x) = f 0 (g(x))g 0 (x)

En la notación Leibniz, si tanto y = f (u) como u = g(x) son funciones
derivables, entonces:
dy dy du
=
dx du dx
Diferencial
Si una función f está definida por y = f (x), entonces la Diferencial de
y que se presenta por dy, está dada por:
dy = f 0 (x)dx
Donde x está en el dominio de f 0 y dx constituye un incremento arbi-

trario de x.
Al dividir entre dx ambos miembros de la última ecuación, se tiene que:
dy
= f 0 (x)
dx
Si dx 6= 0. Esta ecuación expresa la Derivada como el cociente de dos

diferenciales. La notación dy/dx suele designar la Derivada de y con respecto
a x.
1.1.6. La Integral Definida

Si f es una función continua definida en el intervalo [a, b],y si se subdivide
dicho intervalo en n subintervalos de igual ancho.
b−a
∆x =
n
Denotando con x0 (= a), x1 , x2 , . . . , xn (= b) los puntos extremos de estos
subintervalos y eligiendo los puntos de muestra ξ1 , ξ2 , . . . , ξn en estos subin-
tervalos, de modo que ξ1 se encuentre en el i-ésimo subintervalo [xi−1 , xi ].
Entonces la Integral Definida de f , desde a hasta b, es:
Z b n
X
f (x)dx = lı́m f (ξi )∆x
a n→∞
i=1
El término:
n
X
f (ξi )∆x
i=1
Se conoce como la Suma de Riemann. Se sabe que si f es positiva, la

Suma de Riemann puede interpretarse como una suma de áreas de los rec-
tángulos de aproximación como se muestra en la Figura 1.4.
Entonces, se tiene que la Integral Definida se puede interpretar como el
área debajo de la curva y = f (x) desde a hasta b como se muestra en la
Figura 1.5.
f (x)
∆x
0 xi * b
X
Figura 1.4: Interpretación geométrica de la Suma de Riemann.
Propiedades de la Integral Definida

Teorema 1.1.17 Si k es cualquier constante, entonces:
Z b
kdx = k(b − a)
a
Teorema 1.1.18 Si una función f es integrable en el intervalo cerrado [a, b]

y si k es cualquier constante, entonces:
Z b Z b
kf (x)dx = k f (x)dx
a a
Teorema 1.1.19 Si las funciones f y g son integrables en [a, b], entonces

f + g es integrable en [a, b] y:
Z b Z b Z b
[f (x) + g(x)]dx = f (x)dx + g(x)dx
a a a
Teorema 1.1.20 Si f es integrable en un intervalo cerrado que contiene los

tres números a, b y c, entonces:
Z b Z c Z b
f (x)dx = f (x)dx + f (x)dx
a a c
Independiente del orden de a, b y c.
f (x)
f (x)
0 b
X
Figura 1.5: Interpretación geométrica de la Integral Definida.
Teorema 1.1.21 Si las funciones f y g son integrables en el intervalo cer-

rado [a, b] y si f (x) ≥ g(x) para toda x en [a, b], entonces:
Z b Z b
f (x)dx ≥ g(x)dx
a a
Teorema 1.1.22 Supóngase que la función f es continua en el intervalo

cerrado [a, b]. Si m y M son, respectivamente, los valores mı́nimo absoluto
y máximo absoluto de la función f en [a, b] de tal forma que:
m ≤ f (x) ≤ M
Para a ≤ x ≤ b. Entonces:
Z b
m(b − a) ≤ f (x)dx ≤ M (b − a)
a
1.1.7. Teorema del Valor Medio para las Integrales

Si una función f es continua en el intervalo cerrado [a, b], entonces existe
un número X en [a, b], tal que:
Z b
f (x)dx = f (X)(b − a)
a
Una interpretación gráfica de este teorema se muestra en la Figura 1.6.
f (x) f (x)
f (X)
0 X b
X
Figura 1.6: Interpretación geométrica del Teorema del Valor Medio.
1.1.8. Teorema del Valor Medio Ponderado o Generalizado

Si f : [a, b] → R es una función continua en [a, b] y g : [a, b] → R es
una función acotada e integrable y de signo constante en [a, b], entonces
∃X ∈ [a, b] tal que:
Z b Z b
f (x)g(x)dx = f (X) g(x)dx
a a
1.1.9. Teorema Fundamental del Cálculo

Teorema 1.1.23 Sea una función f continua en el intervalo cerrado [a, b]
y sea x cualquier número en [a, b]. Si F es la función definida por:
Z x
F (x) = f (t)dt
a
Entonces:
F 0 (x) = f (x)
Si x = a, F 0 (x) puede ser una derivada por la derecha, y si x = b, F 0 (x)
puede ser una derivada por la izquierda.
Teorema 1.1.24 Sea una función f continua en el intervalo cerrado [a, b],
y sea g una función tal que:
g 0 (x) = f (x)
Para toda x en [a, b]. Entonces:
Z b
f (t)dt = g(b) − g(a)
a
1.1.10. Integración por Partes

Toda regla de derivación tiene una regla de integración correspondiente;
por ejemplo, la Regla de Sustitución para integrar corresponde a la Regla
de la Cadena para derivar. La regla que corresponde a la del producto para
la derivación se llama Regla de Integración por Partes.
La Regla del Producto establece que si f y g son funciones derivables,

entonces:
d
[f (x)g(x)] = f (x)g 0 (x) + g(x)f 0 (x)
dx
En la notación de las integrales indefinidas, esta ecuación se convierte
en:
Z
[f (x)g 0 (x) + g(x)f 0 (x)]dx = f (x)g(x)
O sea:
Z Z
0
f (x)g (x)dx + g(x)f 0 (x)dx = f (x)g(x)
Reordenando de manera adecuada esta última ecuación, se obtiene:

Z Z
f (x)g 0 (x)dx = f (x)g(x) − g(x)f 0 (x)dx
La última ecuación se conoce como Regla de Integración por Partes.

Quizá sea mas fácil recordarla con la siguiente notación: sean u = f (x) y
v = g(x). Entonces, se tiene du = f 0 (x)dx y dv = g 0 (x)dx, ası́ que, según la
Regla de Sustitución, la Regla de Integración por Partes se transforma en:
Z Z
udv = uv − vdu
1.1.11. Sucesiones, Series Infinitas y Convergencia

P
Dada una sucesión de números an , una expresión de la forma:
a1 + a2 + a3 + . . . + an + . . .
Es una PSerie Infinita. El número an es el n-ésimo término de la serie. La
sucesión sn , definida como:
s1 = a1
s2 = a1 + a2
..
.
n
X
sn = a1 + a2 + . . . + an = ak
k=1
..
.
Es la Sucesión de Sumas Parciales de la serie, donde el número sn es
la n-ésima Suma Parcial. Si la Sucesión de Sumas Parciales converge a un
lı́mite L, se dice que la serie Converge y que su suma es L. En este caso, se
escribe:
∞
X
a1 + a2 + . . . + an + . . . = an = L
n=1
Si la sucesión de sumas parciales de la serie no converge, se dice que la

serie Diverge.
1.1.12. Series de Potencias

Una Serie de Potencias es aquella que tiene la forma:
∞
X
cn xn = c0 + c1 x + c2 x2 + c3 x3 + . . .
n=0
En donde x es una variable y las cn son constantes llamadas coeficientes
de la serie. Para cada x, fija, la serie de la última ecuación es una serie
de constantes que se puede probar para ver si es convergente (ver apartado
1.4.11.). Una serie de potencias puede converger ante ciertos valores de x y
divergir ante otros. La suma de la serie es una función de la siguiente forma:
f (x) = c0 + c1 x + c2 x2 + . . . + cn xn + . . .
Cuyo dominio es el conjunto de todas las x para las que converge la serie.
Obsérvese que f se parece a un polinomio. La única diferencia es que f tiene
una cantidad infinita de términos.
De manera más general, se puede escribir una serie de la forma:

∞
X
cn (x − a)n = c0 + c1 (x − a) + c2 (x − a)2 + . . .
n=0
Esta clase de serie se llama Serie de Potencias en (x − a), o Serie de

Potencias Centrada en a o Serie de Potencias Alrededor de a. Nótese que al
escribir el término correspondiente a n = 0, se adopta la convención que:
(x − a)0 = 1
Aunque x = a. Obsérvese también que cuando x = a todos los términos
son 0 para n ≥ 1 y ası́ la Serie de Potencias de la última ecuación siempre
converge cuando x = a.
Teorema 1.1.25 Para una Serie de Potencias dada, sólo hay tres posibili-
dades:
1. La serie sólo converge cuando x = a.
2. La serie converge para toda x.
3. Hay un número positivo R tal que la serie converge si:
|x − a| < R
Y diverge si:
|x − a| > R
El número R se denomina Radio de Convergencia de la Serie de Poten-

cias. Por convención, R = 0 en el caso 1 y R = ∞ en el caso 2. El Intervalo
de Convergencia de una Serie de Potencias consta de todos los valores de x
para los cuales la serie converge. En el caso 1, el intervalo consta sólo de un
punto, a. En el caso 2, el intervalo es (−∞; ∞). En el caso 3, la desigualdad
|x − a| < R se puede escribir en la forma:
a−R<x<a+R
Cualquier x en un punto extremo del intervalo (esto es x = a ± R) puede
suceder cualquier cosa: la serie puede converger en uno o ambos puntos
extremos o divergir en ellos.
1.1.13. La Serie de Taylor

En este subapartado se deducirá la Serie de Taylor, la misma que es de
gran importancia dentro del campo de la matemática numérica, por lo que
se tratará de poner el suficiente énfasis y claridad en los pasos y operaciones
que llevan a su obtención. Para cumplir con este objetivo se comenzara
por suponer que f es cualquier función representable mediante una serie de
potencias:
f (x) = c0 + c1 (x − a) + c2 (x − a)2 + c3 (x − a)3 + c4 (x − a)4 + . . . (1.1)
Para |x − a| < R, donde R se definió en el Teorema 1.1.25. Se tratará de

hallar cuáles deben ser los coeficientes cn en términos de f . Para empezar,
si x = a en la ecuación 1.1, todos los términos después del primero son 0, y
se obtiene:
f (a) = c0
Si se deriva la ecuación 1.1, se tiene:
f 0 (x) = c1 + 2c2 (x − a) + 3c3 (x − a)2 + 4c4 (x − a)3 + . . . (1.2)
Para |x − a| < R. Y si se sustituye x = a en la ecuación 1.2, se tendrá:
f 0 (a) = c1
Ahora si se deriva la ecuación 1.2,
f 00 (x) = 2c2 + (2)(3)c3 (x − a) + (3)(4)c4 (x − a)2 + . . . (1.3)

Para |x−a| < R. Otra vez haciendo x = a en la ecuación 1.3. El resultado
es:
f 00 (a) = 2c2
Aplicando una vez más el procedimiento. Al derivar la serie de la ecuación
1.3,
f 000 (x) = (2)(3)c3 + (2)(3)(4)c4 (x − a) + (3)(4)(5)c5 (x − a)2 + . . . (1.4)
Para |x − a| < R. Y al sustituir x = a en la ecuación 1.4,
f 000 (a) = (2)(3)c3 = 3!c3

A estas alturas ya se puede ver un modelo. Si se continua derivando y
sustituyendo x = a, se llega a:
f (n) (a) = (2)(3)(4) . . . (n)cn = n!cn

Al despejar el n-ésimo, cn , de esta ecuación, el resultado es:
f (n) (a)
cn =
n!
Esta fórmula es válida a un para n = 0 si se adopta la convención de
que 0! = 1 y f (0) = f . De esta manera se acaba de demostrar el siguiente
teorema.
Teorema 1.1.26 Si f tiene una representación (desarrollo) en forma de

Serie de Potencias en a, esto es, si:
∞
X
f (x) = cn (x − a)n
n=0
Para |x − a| < R. Los coeficientes están expresados por la fórmula:
f (n) (a)
cn =
n!
Al sustituir esta fórmula de cn de nuevo en la serie, si f tiene un desarrollo

en Serie de Potencias en a, ha de ser de la forma:
∞
X f (n) (a)
f (x) = (x − a)n
n!
n=0
f 0 (a) f 00 (a) f 000 (a)

= f (a) + (x − a) + (x − a)2 + (x − a)3 + . . .
1! 2! 3!
(1.5)
La serie de la ecuación 1.5 se llama Serie de Taylor de la función f en a
(alrededor de a o centrada en a). En el caso especial en que a = 0 la serie
se transforma en:
∞
X f (n) (0) f 0 (0) f 00 (0) 2
f (x) = xn = f (0) + x+ x + ... (1.6)
n! 1! 2!
n=0
Este caso se da con frecuencia y se le nombra Serie de Maclaurin.
Se ha demostrado que si f puede representarse como una Serie de Po-

tencias Centrada en a, entonces f es igual a la suma de la Serie de Taylor.
Pero hay funciones que no son iguales a la suma de su Serie de Taylor.
Teorema 1.1.27 Si f (x) = Tn (x) + Rn (x), donde Tn es el Polinomio de

Taylor de n-ésimo grado de f en a y:
lı́m Rn (x) = 0
n→∞
Cuando:
|x − a| < R
Entonces f es igual a la suma de su Serie de Taylor en el intervalo:
|x − a| < R
1.2. ECUACIONES DIFERENCIALES ORDINARIAS LINEALES 41
Desigualdad de Taylor
Si:
|f (n+1) (x)| ≤ M
Para |x−a| ≤ d. Entonces el residuo Rn (x) de la Serie de Taylor satisface
la desigualdad:
M
|Rn (x)| ≤ |x − a|n+1
(n + 1)!
Para |x − a| ≤ d.
1.2. Ecuaciones Diferenciales Ordinarias Lineales

La forma general de una Ecuación Diferencial Ordinaria Lineal con Co-
eficientes Constantes es:
dn y dn−1 y
an + a n−1 + . . . + a0 y = f (x, y)
dxn dxn−1
Esta se divide en dos partes para su solución, que serán resumidas a
continuación.
1.2.1. Ecuación Homogénea (yH )

Cuando f (x, y) = 0, se dice que la ecuación diferencial es homogénea.
Entonces:
dn y dn−1 y
an + a n−1 + . . . + a0 y = 0
dxn dxn−1
Además, si en la última ecuación se hace que:
dy
=α
dx
Se obtiene la Ecuación Caracterı́stica de la parte homogénea de la Ecuación
Diferencial Ordinaria, dada por:
an αn + an−1 αn−1 + . . . + a0 = 0
Como es un polinomio de grado n, tendrá n raı́ces: α1 , α2 , . . . , αn . En el
caso particular de las ecuaciones diferenciales ordinarias de Segundo Orden,
si α1 6= α2 , la solución homogénea ,yH , está dada por:
yH = C1 eα1 x + C2 eα2 x
Si α1 = α2 , entonces:
yH = eαx (C1 + C2 x)
Si α1 y α2 son números complejos, es decir.
α=a±b i
Entonces:
yH = eax (C1 cos bx + C2 sen bx)

Y si α es solución única, la solución homogénea está dada por:
yH = C1 eαx
1.2.2. Ecuación Particular (yP )

Método de los Coeficientes Indeterminados
De forma general, la Ecuación Particular viene dada por:
yP = f (x, y)
De donde se pueden tener los siguientes casos. Si:
f (x) = B0 xn + B1 xn−1 + . . . + B n
La solución particular, yP , es:
yP = Axn + Bxn−1 + . . . + z
Si:
f (x) = B0 eφx
Entonces:
yP = Axeφx
Si:
f (x) = sen φx
Entonces:
yP = A sen φx + B cos φx
Si:
f (x) = cos φx
Entonces:
yP = A cos φx + B sen φx
1.2.3. Ecuación de Solución (y)
 er
 •1 Orden= 1 condición de contorno(Valores iniciales):
y = yH +yP y(x0 ) = y0

• n-ésimo Orden= n condiciones de contorno
1.2.4. Ejemplos:
1) Encontrar la solución de:
dy
3 − 5y + 6x − 2 = 0
dx
La condición inicial que rige a la ecuación es:
y(1) = 3
Para la solución de la ecuación, se puede escribir esta de la siguiente

manera.
dy
3 − 5y = −6x + 2
dx
Ecuación Homogénea (yH )
Haciendo:
dy
=α
dx
Entonces:
3α − 5 = 0
Despejando α:
5
α=
3
Como α tiene una solución (Ecuación Diferencial de Primer Orden),
entonces:
yH = C1 eαx
Luego:
yH = C1 e(5/3)x
Ecuación Particular (yP )
Como:
f (x) = −6x + 2
Entonces:
yP = Ax + B
Derivando yP :
yP0 = A
Ahora, resolviendo la ecuación particular:

3A − 5(Ax + B) = −6x + 2
3A − 5Ax − 5B = −6x + 2
−5Ax + 3A − 5B = −6x + 2
Si se iguala los términos del lado izquierdo a los del lado derecho, se
tiene:
−5A = −6
3A − 5B = 2
Resolviendo el sistema, finalmente se llega a:
6 8
A= B=
5 25
Reemplazando:
6 8
yP = x +
5 25
Condiciones de Contorno y Ecuación de Solución (y)
La ecuación solución viene dada por:
y = yH + yP
Entonces:
6 8
y = C1 e(5/3)x + x +
5 25
Aplicando las condiciones de contorno y despejando C1 .

µ ¶
6 8
3 = C1 e(5/3)(1) + (1) +
5 25
3 = 5, 2945C1 + 1, 52
1, 48 = 5, 2945C1
C1 = 0, 28 = 7/25
Sustituyendo el valor de C1 en y.
7 (5/3)x 6 8
y= e + x+
25 5 25
2) Resolver la siguiente ecuación diferencial ordinaria de segundo orden:

Ã√ !
d2 y dy 3
2
+ + y = sen x
dx dx 2
Las condiciones de contorno son:
y(5) = −2
Y:
y(10) = 1
La ecuación solución estará dada por:
Si se hace que:
dy
=α
dx
Entonces:
α2 + α + 1 = 0
Resolviendo el polinomio de segundo grado:

p
−1 ± (1)2 − (4)(1)(1)
α=
(2)(1)
Luego:
√
1 3
α=− ± i
2 2
De donde:
√
1 3
a=− b=
2 2
Como las soluciones de α son números complejos.
yH = eax (C1 cos bx + C2 sen bx)
yH = e−0,5x [C1 cos(0, 866)x + C2 sen(0, 866x)]
Como:
Ã√ !
3
f (x) = sen x
2
Entonces:
yP = A sen(0, 866x) + B cos(0, 866x)
Si se deriva yP , se tiene:
yP0 = 0, 866A cos(0, 866x) − 0, 866B sen(0, 866x)
Derivando yP por segunda vez:

yP00 = −0, 75A sen(0, 866x) − 0, 75B cos(0, 866x)
Resolviendo la ecuación particular yP ,
−0, 75A sen(0, 866x) − 0, 75B cos(0, 866x) + 0, 866A cos(0, 866x)
−0, 866B sen(0, 866x) + A sen(0, 866x) + B cos(0, 866x)
= sen(0, 866x)
Igualando términos (coeficientes):
(−0, 75A − 0, 866B + A) sen(0, 866x) = sen(0, 866x)
Y:
(−0, 75B + 0, 866A + B) cos(0, 866x) = 0
Operando, se llega al siguiente sistema de dos ecuaciones con dos in-

cógnitas:
0, 25A − 0, 866B = 1
0, 25B + 0, 866A = 0
Resolviendo el sistema:
A = 0, 307 B = −1, 065
Reemplazando los valores de A y B:
yP = 0, 307 sen(0, 866x) − 1, 065 cos(0, 866x)

La ecuación solución viene dada por:
y = yH + yP
Entonces:
y = e−0,5x [C1 cos(0, 866x) + C2 sen(0, 866x)] + 0, 307 sen(0, 866x)
− 1, 065 cos(0, 866x)
Aplicando la condición y(10) = 1, se tiene:
1 = 6, 74E −3 (−0, 7215C1 + 0, 6923C2 ) + 0, 2125 + 0, 7684
Operando:
−4, 86E −3 C1 + 4, 66E −3 C2 − 0, 0191) = 0
Aplicando la condición y(5) = −2, se tiene:
−2 = 0, 082(−0, 3731C1 − 0, 927C2 ) − 0, 2848 + 0, 3973
Operando:
−0, 0306C1 − 0, 076C2 + 2, 1125 = 0
Resolviendo el sistema de ecuaciones que se obtuvo al aplicar las condi-

ciones de contorno, se llega a:
C1 = 16, 387
Y:
C2 = 21, 19
Sustituyendo los valores de C1 y C2 en y, finalmente se obtiene:

y = e−0,5x [16, 387 cos(0, 866x) + 21, 19 sen(0, 866x)]
+ 0, 307 sen(0, 866x) − 1, 065 cos(0, 866x)
3) Encontrar la ecuación solución de la siguiente ecuación diferencial.
d2 y dy
2
−5 + 6y = e2x + x2
dx dx
Los valores de contorno para esta ecuación son:
y(−2) = 0, 5
Y:
y(6) = −1, 5
Para la solución de la ecuación homogénea se hace:
α2 − 5α + 6 = 0
Resolviendo el polinomio de segundo grado, se obtiene:
α1 = 3 α2 = 2
Como α1 es diferente a α2 , entonces:
yH = C1 eα1 x + C2 eα2 x
Sustituyendo los valores de α1 y α2 .
yH = C1 e3x + C2 e2x
Como:
f (x) = e2x + x2
Entonces:
yP = Axe2x + Bx2 + Cx + D
Derivando yP .
yP0 = Ae2x + 2Axe2x + 2Bx + C
Derivando yP0 , se tiene:
yP00 = 2Ae2x + 2Ae2x + 4Axe2x + 2B
Luego:
2Ae2x + 2Ae2x + 4Axe2x + 2B − (5)(Ae2x
+2Axe2x + 2Bx + C) + (6)(Axe2x + Bx2 + Cx + D)
= e2x + x2
Operando:
4Ae2x + 4Axe2x + 2B − 5Ae2x − 10Axe2x
−10Bx − 5C + 6Axe2x + 6Bx2 + 6Cx + 6D
= e2x + x2
Agrupando e igualando términos:
(4A − 5A)e2x + (6B)x2 + (−10B + 6C)x + (4A − 10A
+6A)xe2x + (2B − 5C + 6D) = e2x + x2

Finalmente, se llega al siguiente sistema de ecuaciones:
−A = 1
6B = 1
−10B + 6C = 0
2B − 5C + 6D = 0
Resolviendo el sistema, se llega a:
A = −1 B = 0, 1666
C = 0, 2777 D = 0, 1758
Reemplazando los valores de A, B, C y D.
yP = −xe2x + 0, 1666x2 + 0, 2777x + 0, 1758
Sumando la ecuación particular yP y la ecuación homogénea yH , se

obtiene la ecuación solución, como sigue:
y = C1 e3x + C2 e2x − xe2x + 0, 1666x2 + 0, 2777x
+ 0, 1758
Aplicando las condiciones de contorno y despejando C1 y C2 , se llega

a:
C1 = −9
Y:
C2 = 9, 65
Sustituyendo los valores de C1 y C2 en y.

1.3. REPASO DEL CÁLCULO DIFERENCIAL EN VARIAS VARIABLES53
y = −9e3x + 9, 65e2x − xe2x + 0, 1666x2 + 0, 2777x
+ 0, 1758
1.2.5. Series de Fourier

Supóngase que f y f 0 son simplemente continuas en el intervalo −L ≤
x ≤ L. Además, supóngase que f está definida fuera del intervalo −L ≤ x ≤
L, de modo que es periódica con periodo 2L. Entonces f tiene una Serie de
Fourier.
a0 X ³ mπx ´
∞
mπx
f (x) = + am cos + bm sen
2 L L
m=1
Cuyos coeficientes se expresan por las siguientes ecuaciones:

Z L
1 mπx
am = f (x) cos dx
L −L L
Y:
Z L
1 mπx
bm = f (x) sen dx
L −L L
Para m = 0 : ∞. La Serie de Fourier converge a f (x) en todos los puntos
en los que f es continua y a [f (x+) + f (x−)]/2 en todos los puntos en los
que f es discontinua.
1.3. Repaso del Cálculo Diferencial en Varias Va-

riables
1.3.1. Funciones de Varias Variables
Supóngase que D es un conjunto de n-adas de números reales (x1 , x2 , . . . , xn ).
Una función real f en D es una regla que asigna un único número real, ası́:
w = f (x1 , x2 , . . . , xn )
A cada elemento en D. El conjunto D es el Dominio de la función,
mientras que el conjunto de valores w asumidos por f es el Rango de la
función. El sı́mbolo w es la Variable Dependiente de f y se dice que f es una

función de las n Variables Independientes (x1 a xn . Las xj son las Variables
de Entrada de la función y w es la Variable de Salida de la función.
Curva de Nivel Gráfica y Superficie

El conjunto de puntos en el plano donde una función f (x, y) tiene un
valor constante f (x, y) = c es una Curva de Nivel de f . El conjunto de todos
los puntos (x, y, f (x, y)) en el espacio, para (x; y) en el dominio de f , se
llama la Gráfica de f . A la Gráfica de f también se le llama Superficie:
z = f (x, y)
En la Figura 1.7 se muestra la Gráfica de la función f (x, y) = 100 − x2 −
y2 en conjunto con sus Curvas de Nivel Proyectadas sobre el plano x − y.
Las Curvas de Nivel, cada 20 unidades de desnivel, de la función f (x, y) =
100 − x2 − y 2 (Figura 1.7), se muestran en la Figura 1.8.
Superficie de Nivel
El conjunto de puntos (x, y, z) en el espacio donde una función de tres
Variables Independientes tiene un valor constante f (x, y, z) = c, es una
Superficie de Nivel de f . Esto se ilustra en la Figura 1.9.
1.3.2. Lı́mites y Continuidad en Dimensiones Superiores

Lı́mite de una Función de Dos Variables
Se dice que una función f (x, y) tiende al Lı́mite L cuando (x; y), tiende
a (x0 ; y0 ), y se escribe:
lı́m f (x, y) = L
(x,y)→(x0 ,y0 )
Si para cada número ε > 0, existe un número correspondiente δ > 0 tal

que para todo (x; y) en el dominio de f :
|f (x, y) − L| < ε
Siempre que:
p
0< (x − x0 )2 + (y − y0 )2 < δ
100 f(x,y) 2 2
f(x,y) = 100 − x − y
50
0
10
10
0
y 0
x
−10 −10
Figura 1.7: Función en dos variables f (x, y) = 100 − x2 − y 2 y sus Curvas

de Nivel proyectadas sobre el plano x − y.
Función Continua de Dos Variables

Una función f (x, y) es Continua en el punto (x0 ; y0 ) si:
1. f está definida en (x0 ; y0 ).
2. lı́m f (x, y) existe.

(x,y)→(x0 ,y0 )
3. lı́m f (x, y) = f (x0 , y0 )

(x,y)→(x0 ,y0 )
Una función es Continua si es continua en cada punto de su dominio.

f(x,y)=60
f(x,y)=80
y0 f(x,y)=100
f(x,y)=40
−7
−7 0 7
x
Figura 1.8: Curvas de Nivel, cada 20 unidades, de la función f (x, y) =

100 − x2 − y 2 .
Criterio de Dos Trayectorias

Si una función f (x, y) tiene distintos lı́mites a lo largo de dos trayectorias
distintas cuando (x; y) tiende a (x0 ; y0 ), entonces lı́m f (x, y) no
(x,y)→(x0 ,y0 )
existe.
1.3.3. Derivadas Parciales

La Derivada Parcial de f (x, y) con respecto a x en el punto (x0 ; y0 ) es:
¯
∂f ¯¯ f (x0 + h, y0 ) − f (x0 , y0 )
¯ = lı́m
∂x (x0 ,y0 ) h→0 h
Si el lı́mite existe.
La Derivada Parcial de f (x, y) con respecto a y en el punto (x0 ; y0 ) es:

¯
∂f ¯¯ f (x0 , y0 + h) − f (x0 , y0 )
= lı́m
∂y ¯(x0 ,y0 ) h→0 h
p
Figura 1.9: Superficies de Nivel de la función f (x, y) = x2 + y 2 + z 2 .
1.3.4. El Teorema de Schwartz
Sea f una función escalar de dos variables. Supóngase que para cada
(x; y) del dominio, D, de f existen:
∂f ∂f ∂2f
(x, y), (x, y), (x, y)
∂x ∂y ∂x∂y
∂2f
Y que es continua en (x; y). Entonces también existe la otra
∂x∂y
derivada cruzada en (x0 ; y0 ), y se verifica que:
∂2f ∂2f
(x0 , y0 ) = (x0 , y0 )
∂y∂x ∂x∂y
1.3.5. Diferenciabilidad
El Teorema del Incremento
Supóngase que las primeras derivadas parciales de f (x, y) están definidas

en una región abierta R que contiene el punto (x0 ; y0 ) y que son continuas
en este punto. Entonces el cambio en el valor de f , resultante de moverse de
(x0 ; y0 ) a otro punto (x0 + ∆x; y0 + ∆y) en R, es:
∆z = f (x0 + ∆x, y0 + ∆y) − f (x0 , y0 )
Y satisface una ecuación de la forma:
∂f ∂f
∆z = (x0 , y0 )∆x + (x0 , y0 )∆y + ε1 ∆x + ε2 ∆y
∂x ∂y
Donde cada ε1 , ε2 → 0 cuando ∆x, ∆y → 0.
Función Diferenciable
Una función z = f (x, y) es Diferenciable en (x0 ; y0 ) si:
∂f ∂f
(x0 , y0 ), (x0 , y0 )
∂x ∂y
Existen, y ∆z satisface una ecuación de la forma:
∂f ∂f
∆z = (x0 , y0 )∆x + (x0 , y0 )∆y + ε1 ∆x + ε2 ∆y
∂x ∂y
Donde cada ε1 , ε2 → 0 cuando ∆x, ∆y → 0. Se dice que f es Diferen-
ciable si es diferenciable en cada punto de su dominio.
Teorema 1.3.1 Si las derivadas parciales de una función f (x, y) son con-
tinuas en toda una región abierta R, entonces f es Diferenciable en cada
punto de R.
En otras palabras, la continuidad de las derivadas parciales implica difer-

enciabilidad.
Teorema 1.3.2 Si una función f (x, y) es Diferenciable en (x0 ; y0 ), en-

tonces f es continua en (x0 ; y0 ).
1.3.6. La Regla de la Cadena

Regla de la Cadena para Funciones de Dos Variables Independien-
tes
Si w = f (x, y) tiene derivadas parciales continuas y si x = x(t), y = y(t)
son funciones diferenciables en t, entonces la composición w = f (x(t), y(t))
es una función diferenciable de t y:
dw ∂f dx ∂f dy
= +
dt ∂x dt ∂y dt
Regla de la Cadena para Funciones de Tres Variables Indepen-

dientes
Si w = f (x, y, z) es diferenciable, y x, y, z son funciones diferenciables
de t, entonces w es una función diferenciable de t y:
dw ∂f dx ∂f dy ∂f dz
= + +
dt ∂x dt ∂y dt ∂z dt
Regla de la Cadena para Dos Variables Independientes y Tres

Variables Intermedias
Supóngase que w = f (x, y, z), x = g(r, s), y = h(r, s) y z = k(r, s). Si
las cuatro funciones son diferenciables, entonces w tiene derivadas parciales
con respecto a r y s, dadas por:
∂w ∂w ∂x ∂w ∂y ∂w ∂z
= + +
∂r ∂x ∂r ∂y ∂r ∂z ∂r
∂w ∂w ∂x ∂w ∂y ∂w ∂z
= + +
∂s ∂x ∂s ∂y ∂s ∂z ∂s
Una Fórmula para la Derivación Implı́cita

Supóngase que F (x, y) es diferenciable y que la ecuación F (x, y) = 0
define a y como una función diferenciable de x. Entonces, en cualquier punto
donde:
∂F
6= 0
∂y
Se tiene que:
∂F
dy
= − ∂x
dx ∂F
∂y
1.3.7. Derivadas Direccionales y Vector Gradiente

Si z = f (x, y), entonces las derivadas parciales están definidas como:
¯
∂f ¯¯ f (x0 + h, y0 ) − f (x0 , y0 )
¯ = lı́m
∂x (x0 ,y0 ) h→0 h
¯
∂f ¯¯ f (x0 , y0 + h) − f (x0 , y0 )
¯ = lı́m
∂y (x0 ,y0 ) h→0 h
Y representan la razón de cambio de z en las direcciones x y y, es decir,

en las direcciones de vectores unitarios i y j.
Supóngase ahora que se desea hallar la razón de cambio de z en (x0 ; y0 )

en la dirección de un vector unitario arbitrario:
½ ¾
a
{u} =
b
Entonces, la Derivada Direccional de f en (x0 ; y0 ) en la dirección de un

vector unitario {u} es:
∂f f (x0 + ha, y0 + hb) − f (x0 , y0 )

(x0 , y0 ) = lı́m
∂{u} h→0 h
Teorema 1.3.3 Si f es una función diferenciable de x y y, entonces f tiene

una Derivada Direccional en la dirección de cualquier vector unitario {u} y:
∂f ∂f ∂f
(x, y) = (x, y)a + (x, y)b
∂{u} ∂x ∂y
Vector Gradiente
Si f es una función de dos variables x y y, entonces el Gradiente de f

es la función vectorial ∇f definida por:
∂f ∂f
∇f = i+ j
∂x ∂y
1.3.8. Linealización, Aproximación Lineal Estándar

La Linealización de una función f (x, y) en un punto (x0 ; y0 ), donde f
es diferenciable, es:
∂f ∂f
L(x, y) = f (x0 , y0 ) + (x0 , y0 )(x − x0 ) + (x0 , y0 )(y − y0 )
∂x ∂y
La aproximación:
f (x, y) ' L(x, y)
Es la Aproximación Lineal Estándar de f en x0 , y0
1.3.9. Diferencial Total

Supóngase un movimiento desde (x0 ; y0 ) a un punto (x0 + dx; y0 + dy)
cercano, el cambio resultante:
∂f ∂f
df = (x0 , y0 )dx + (x0 , y0 )dy
∂x ∂y
En la linealización de f se conoce como la Diferencial Total de f .
1.3.10. Polinomio de Taylor de Dos Variables

Supóngase que f (x, y) y sus derivadas parciales hasta de orden n + 1 son
continuas en toda una región rectangular abierta R, con centro en un punto
(a; b). Entonces, en R:
µ ¶¯ µ
∂f ∂f ¯¯ 1 2
2∂ f
f (a + h, b + k) = f (a, b) + h +k + h + 2hk
∂x ∂y ¯(a,b) 2! ∂x2
¶¯
∂2f 2
2∂ f ¯
¯
+k
∂x∂y ∂y ¯(a,b)
2
µ
1 ∂3f ∂3f
+ h3 3 + 3h2 k 2 + 3hk 2
3! ∂x ∂x ∂y
¶¯
∂3f 3
3∂ f ¯
¯
+ k +s
∂x∂y 2 ∂y 3 ¯(a,b)
µ ¶ ¯
1 ∂ ∂ n ¯¯
+ h +k f¯
n! ∂x ∂y (a,b)
µ ¶ ¯
1 ∂ ∂ n+1 ¯¯
+ h +k f¯
(n + 1)! ∂x ∂y ¯
(a+ch,b+ck)
Los términos de las primeras n derivadas se evalúan en (a; b). El último

término se evalúa en algún punto (a + ch < b + ck) sobre el segmento de
recta que une (a; b) con (a + h; b + k).
1.4. Conceptos Básicos de Topologı́a

1.4.1. Conjunto
Un conjunto es una colección de objetos (fı́sicos o abstractos) bien definidos

por medio de alguna o algunas propiedades en común.
Un conjunto está bien definido si se sabe si un determinado elemento

pertenece o no al conjunto. En este texto no se entrará en detalle sobre la
Teorı́a de Conjuntos, ya que se dan por entendidos todos sus conceptos y
algebra operativa (Algebra de Boole).
1.4. CONCEPTOS BÁSICOS DE TOPOLOGÍA 63
1.4.2. Conjunto Conexo

Un conjunto se dice que es Conexo si no puede expresarse como la unión
de dos abiertos disjuntos no vacı́os.
Un conjunto X se dice que es Conexo por Caminos o Arco Conexo si

todo par de puntos pueden unirse mediante un camino, esto es, ∀x, x ∈
X ∃φ : [0, 1] → X continua de tal manera que φ(0) = x y φ(1) = y. Todo
Conjunto Conexo por Caminos es Conexo, pero no todo Conjunto Conexo
es Conexo por Caminos.
1.4.3. Número Cardinal

El Cardinal indica el número o cantidad de los elementos constitutivos
de un conjunto. Este se diferencia del Ordinal, porque este introduce orden
y de ahı́ jerarquı́a. El cardinal en cambio nombra al número de elementos
constitutivos de un conjunto.
1.4.4. Conjunto Numerable

Se denomina como Conjunto Numerable a cualquier conjunto que es
finito o puede ponerse en biyección con el Conjunto de los Números Naturales
N, lo que significa asignar a cada elemento del conjunto en cuestión un valor
de N de manera inyectiva y sobreyectiva simultáneamente.
Ası́ los conjuntos numerables tendrán el mismo cardinal de N.
1.4.5. Producto Cartesiano

El Producto Cartesiano de dos conjuntos A y B es el conjunto de todos
los pares ordenados en los que el primer componente pertenece a A y el
segundo a B, entonces:
A × B = {(x, y)| x ∈ A ∧ y ∈ B}
1.4.6. Topologı́a
Sea X un conjunto cualquiera y P (X) el conjunto de sus partes. Una
Topologı́a sobre X es un conjunto T ⊂ P (X) que cumpla que:
1. X, ∅ ∈ T
2. Si A, B ∈ T , entonces A ∩ B ∈ T
3. Si A ⊂ T , entonces ∪G∈A G ∈ T
A los elementos de T se les denomina Conjuntos Abiertos y a sus com-

plementarios Cerrados. Al par (X; T ) se le denomina Espacio Topológico y
a los elementos de X se les suele denominar puntos.
1.4.7. Espacio Topológico

Un Espacio Topológico (X; T ) es un conjunto X de puntos, provisto
de una Topologı́a T , es decir de una colección de subconjuntos de X que
satisfacen las siguientes propiedades:
1. ∅ ∈ T, X ∈ T
2. O1 , O2 ∈ T → O1 ∩ O2 ∈ T (es cerrado para intersecciones finitas)
3. ∀i ∈ I, Oi ∈ T → ∪i∈I Oi ∈ T
Al conjunto X se le denomina Substrato del Espacio Topológico.
1.4.8. Base Topológica

Una familia (B) ⊂ T se dice que es Base (de la Topologı́a T ) si para
cualquiera que sea el G ∈ T existe un conjunto M ⊂ (B) de manera que
G = ∪B∈M B.
1.4.9. Entornos
Si X es un Espacio Topológico y p es un punto perteneciente a X, un
entorno de p es un conjunto V que contiene un Conjunto Abierto U que
contiene a p.
p∈U ⊆V
Dado un punto p ∈ X, una base de entornos de p es un conjunto {V :

∃ U ∈ T | p ∈ U ⊂ V }.
1.4.10. Espacio Métrico

Un Espacio Métrico es un conjunto M de puntos, con una función dis-
tancia asociada (llamada Métrica), d, de tal forma que {d : M × M →
R; ∀x, y, z ∈ M }, esta función debe satisfacer las siguientes condiciones:
1. d(x, y) ≥ 0
2. d(x, x) = 0
3. Si d(x, y) = 0, entonces x = y
4. d(x, y) = d(y, x)
5. d(x, z) ≤ d(x, y) + d(y, z) (desigualdad triangular)
Topologı́a de un Espacio Métrico

La distancia dota a M de una Topologı́a, definiendo un subconjunto U
como abierto cuando: {∀u ∈ U, ∃ε > 0|B(u, ε) ⊂ U }. A dicha Topologı́a se
le denomina Topologı́a Inducida por d en M .
Se puede entonces interpretar intuitivamente que un conjunto abierto es

entonces una parte que tiene un cierto “espesor” al rededor de cada uno de
sus puntos.
Un subespacio métrico (E; d) de un espacio métrico (M ; d) es subespacio

topológico del espacio topológico (X; T ), donde T es la topologı́a en M
inducida por d. Es decir, E hereda de M la topologı́a inducida por d.
Un entorno V de un punto a de un espacio métrico M es un subconjunto

V ⊂ M de forma que exista un r > 0 tal que la bola abierta B(a, r) ⊂ V . El
conjunto {B(a, r) : a ∈ M, r ∈ R, r > 0} es base de la topologı́a inducida
por d y también es base de entornos de dicha topologı́a.
1.4.11. Convergencia
Una sucesión de elementos xn de un Espacio Métrico (M ; d) Converge a
un elemento x ∈ M si para todo número ε > 0, existe un entero positivo N
(que depende de ε) tal que:
n ≥ N → d(xn , x) < ε
En tal caso, se tiene que:
lı́m xn = x
n→∞
Intuitivamente, esto significa que los elementos xn de la sucesión se

pueden hacer arbitrariamente cercanos a x si n es lo suficientemente grande.
A partir de esta definición es posible demostrar que si una sucesión converge,
lo hace hacia un único lı́mite.
1.4.12. Propiedad de Hausdorff

Dados dos puntos x y y de un Espacio Topológico X, se dice que ambos
puntos gozan de la Propiedad de Hausdorff si existen dos entornos Ux de x
y Uy de y, de forma que:
Ux ∩ Uy = ∅
Un Espacio Topológico se dice que es un Espacio de Hausdorff, o que

verifica la Propiedad de Hausdorff (o que es T2 ), si todo par de puntos del
espacio verifican la Propiedad de Hausdorff.
Todo Espacio Métrico (y por tanto todo Espacio Normado) es un Espacio

de Hausdorff
1.4.13. Bola Abierta

Sea (E; d) un Espacio Métrico (basta con que sea Pseudométrico, lo que
implica que basta con que d sea Pseudodistancia). Sea un número real r > 0.
Sea a ∈ E. Se define la Bola Abierta de centro a y de radio r como el conjunto
{x ∈ E : d(a, x) < r}. Toda Bola Abierta es un Conjunto Abierto.
Una de las maneras más usuales de denotar a este conjunto es B(a, r)
Cuando se habla de Espacios Euclı́deos, la Bola es redonda por lo que

esta coincide en esos casos con los puntos encerrados en el interior de una
superficie esférica. En el caso particular del plano, la figura entonces obteni-
da, es decir el conjunto es {(x, y) ∈ R2 : (x − a)2 + (y − b)2 < r2 } es el disco
(abierto) de centro (a; b) y radio r.
1.4.14. Bola Cerrada

Sea (E; d) un Espacio Métrico (basta con que sea Pseudométrico, lo
que implica que basta con que d sea Pseudodistancia). Sea un número real
r > 0. Sea a ∈ E. Se define la Bola Cerrada de centro a y de radio r como el
conjunto {x ∈ E : d(a, x) ≤ r}. Toda Bola Cerrada es un Conjunto Cerrado.
Una de las maneras más usuales de denotar a este conjunto es B(a, r) o

B̄(a, r)
Cuando se habla de Espacios Euclı́deos, la Bola es redonda por lo que

esta coincide en esos casos con los puntos encerrados en el interior de una
superficie esférica (entendiendo que se consideran los puntos de la propia
superficie esférica como puntos de la bola). En el caso particular del plano,
la figura entonces obtenida, es decir el conjunto es {(x, y) ∈ R2 : (x − a)2 +
(y − b)2 ≤ r2 } es el disco (cerrado) de centro (a; b) y radio r.
1.4.15. Primer Axioma de Numerabilidad

Un espacio topológico (X; T ) cumple el Primer Axioma de Numerabili-
dad si cada punto del espacio tiene una Base de Entornos Numerable.
Todo Espacio Métrico cumple el Primer Axioma de Numerabilidad, pues

B(x, 1/n) forma una base de vecindades para el punto x ∈ X.
1.4.16. Segundo Axioma de Numerabilidad o IIAN

Un espacio topológico (X; T ) cumple el Segunda Axioma de Numerabi-
lidad o es Segundo Numerable si tiene una Base Numerable.
1.4.17. Aplicación Continua

Sean (X; TX ) y (Y ; TY ) dos espacios topológicos. Una Aplicación f :
X → Y se dice que es Continua si f −1 (G) es un abierto de X, cualquiera
que sea el abierto G de Y .
Entonces, si x ∈ X, se dice que f es Continua en x cuando se obtiene

que f −1 (V ) es un Entorno de x, cualquiera que sea el entorno V de f (x).
Por lo que, f es continua cuando y sólo cuando es continua en x ∈ X,

cualquiera que sea éste; es decir, cuando sea continua en cada uno de los
puntos de su dominio.
1.4.18. Conjunto Dirigido

Un Conjunto Dirigido es un par (D; ∼) en el que D es un conjunto y ∼
es una relación en D que verifica las siguientes propiedades:
1. ∀x ∈ D, x ∼ x (Propiedad Reflexiva).
2. ∀x, y, z ∈ D| x ∼ y ∧ y ∼ z → x ∼ z (Propiedad Transitiva).
3. ∀x, y ∈ D∃z ∈ D| x ∼ z ∧ y ∼ z.
Usualmente, la relación ∼ se lee como “menor o igual”.
En particular todo Conjunto Totalmente Ordenado es un Conjunto Di-

rigido.
1.4.19. Red
Una Red en un conjunto X es una aplicación Υ : (D, ∼) → X entre un
Conjunto Dirigido (D; ∼) y un conjunto X. Se suele representar por (xd )d∈D ,
donde xd := Υ(d).
Lı́mite de una Red

Sea (X; T ) un Espacio Topológicoµy (xd )d∈D una
¶ Red en X. Se dice que
x ∈ X es un punto lı́mite de la Red x ∈ lı́m xd si la Red está eventual-
d∈D
mente en cada entorno de x, es decir, si cualquiera que sea el entorno V de
x, existe un d0 ∈ D de tal forma que para cada d ∈ D con d0 ∼ d se cumple
que xd ∈ V .
De la definición se desprenden dos consecuencias:

1. El Lı́mite de una Red no siempre ha de existir. Existen redes que
carecen de lı́mite.
2. En caso de existir, el Lı́mite de una Red no necesariamente es un único
elemento, sino que es un conjunto de elementos. En caso de espacios
topológicos con la Propiedad de Hausdorff (T2 ), el lı́mite, se reduce a
un único punto.
Punto de Acumulación
Se dice que una Red (xd )d∈D tiene como punto de acumulación (o acu-
mula en) x ∈ X si la Red está frecuentemente en cada entorno de x, es decir,
si para todo V entorno de x, y para todo d ∈ D, ∃d0 ∈ D, d ∼ d0 |xd0 ∈ V .
Además, toda Red Convergente tiene a su lı́mite como punto de acumu-

lación.
1.4.20. Continuidad
En espacios topológicos generales, esta caracterización se hace mediante
redes. Ası́, se cumple que si (X; T1 ) y (X; T2 ) son dos espacios topológicos,
g : X → Y será continua en el punto x0 ∈ X ↔ ∀(xd )d∈D → x0 , se cumple
que g(xd ) → g(x0 ).
1.4.21. Espacio Compacto

Un subconjunto K de un Espacio Topológico X se dice Compacto si
todo recubrimiento abierto suyo tiene un subrecubrimiento finito; es decir,
si ∀{Ui }i∈I tal que Ui son todos los abiertos y ∪i∈I Ui ⊃ K, existe F ⊂ I
finito tal que ∪i∈F ⊃ K.
Nótese que, en particular, K podrı́a ser X. En este caso se habla de un

Espacio Compacto.
K es Compacto si y sólo si toda Red contenida en K tiene un Punto de

Acumulación.
1.4.22. Conexión Mediante un Camino

Un espacio X es Camino-conectado (o 0-conectado) si para dos puntos
cualquiera x y y en X existe una Función Continua f en el intervalo unidad
[0, 1] de X con f (0) = x y f (1) = y. Esta función es llamada camino de x a
y.
1.4.23. Espacio Simplemente Conectado

Se dice que un Espacio Topológico X es Simplemente Conectado (o 1-
conectado) si es Camino-conectado y cualquier aplicación continua f : S 1 →
X (donde S 1 es el Circulo Unitario en un 2-Espacio Euclı́deo) puede ser

reducido a un punto en el siguiente sentido:
Existe una aplicación continua F : D2 → X (donde D2 es el Disco

Unitario en un 2- Espacio Euclı́deo) tal que F restringido a S 1 es f .
De forma equivalente se puede decir que X es Simplemente Conectado

si y sólo si este es Camino-conectado, y cada vez que p : [0, 1] → X y q :
[0, 1] → X son dos caminos (aplicaciones continuas) con los mismos puntos
iniciales y finales (p(0) = q(0) y p(1) = q(1)), entonces p y q. Intuitivamente,
esto significa que p puede ser “continuamente deformado” hasta obtener q
mientras mantenga fijos sus puntos inicial y final.
Informalmente un objeto es Simplemente Conectado si está formado por

una sola pieza y no posee ningún agujero que lo atraviese.Por ejemplo una
esfera es Simplemente Conectada ya que todo anillo en la superficie puede
ser reducido a un punto.
1.5. Matrices y Temas Afines

1.5.1. Espacio Vectorial
Sea F un cuerpo y {V } un conjunto no vacı́o con reglas de adición y
multiplicación por escalar que asignan a todo {x}, {y} ∈ {V } una suma
{x} + {y} ∈ {V } y a todo {x} ∈ {V }, k ∈ F un producto k{x} ∈ {V }.
Entonces, se dice que {V } es un Espacio Vectorial sobre F (y los elementos
de {V } se llaman vectores) si se cumplen las siguientes propiedades:
1. ∀{x}, {y}, {z} ∈ {V }, ({x} + {y}) + {z} = {x} + ({y} + {z}).
2. ∃{0}| {x} + {0} = {x}, ∀{x} ∈ {V }.
3. ∀{x} ∈ {V }∃ − {x}| {x} + (−{x}) = {0}.
4. ∀{x}, {y} ∈ {V }, {x} + {y} = {y} + {x}.
5. ∀k ∈ F ∧ ∀{x}, {y} ∈ {V }, k({x} + {y}) = k{x} + k{y}.
6. ∀a, b ∈ F ∧ ∀{x} ∈ {V }, (a + b){x} = a{x} + b{x}.
7. ∀a, b ∈ F ∧ ∀{x} ∈ {V }, (ab){x} = a(b{x}).
8. ∀1 ∈ F, 1{x} = {x}, ∀{x} ∈ {V }.

1.5. MATRICES Y TEMAS AFINES 71
Las propiedades anteriores se dividen naturalmente en dos clases. Las

cuatro primeras se relacionan únicamente con la estructura aditiva de {V }
y pueden resumirse que diciendo que {V } es un Grupo Conmutativo bajo
la adición. En consecuencia, toda suma de vectores de la forma:
{x1 } + {x2 } + . . . + {xm }

No requiere paréntesis ni depende el orden de los sumandos. El vector
cero es único, el negativo −{x} de {x} es único y se cumple la Ley Cancel-
ativa:
{x} + {z} = {y} + {z} → {x} = {y}

Para todo vector {x}, {y}, {z} ∈ {V }. También la Sustracción está
definida por:
{x} − {y} = {x} + (−{y})

Por otra parte, las cuatro propiedades restantes se refieren a la “acción”
del cuerpo F sobre {V }. Utilizando estás propiedades se tienen las siguientes
propiedades simples de un Espacio Vectorial.
Teorema 1.5.1 Sea {V } un Espacio Vectorial sobre un cuerpo F.
1. ∀k ∈ F ∧ {0} ∈ {V }, k{0} = {0}.
2. ∀0 ∈ F ∧ ∀{x} ∈ {V }, 0{x} = {0}.
3. Si k{x} = {0}, donde k ∈ F ∧ {x} ∈ {V }, entonces k = 0 ∨ {x} = {0}.
4. ∀k ∈ F ∧ ∀{x} ∈ {V }, (−k){x} = k(−{x}) = −k{x}.
Subespacio
Sea {W } un Subconjunto de un Espacio Vectorial sobre un cuerpo F,
{W } se llama un Subespacio de {V } si {W } es a su vez un Espacio Vectorial
sobre F con respecto a las operaciones de adición de vectores y multiplicación
por escalar en {V }. Un criterio simple para identificar un Subespacio, es el
siguiente.
Teorema 1.5.2 {W } es un Subespacio de {V } si y solamente si:
1. {W } no es vacı́o.
2. {W } es cerrado para la adición de vectores {x}, {y} ∈ {W } → {x} +

{y} ∈ {W }.
3. {W } es cerrado para la multiplicación por escalar {x} ∈ {W } →

k{x} ∈ {W }, ∀k ∈ F.
Corolario 1.5.3 {W } es un Subespacio de {V } si solamente si:
1. {0} ∈ {W } (o {W } 6= ∅).
2. {x}, {y} ∈ {W } → a{x} + b{y} ∈ {W }, ∀a, b ∈ F.
Teorema 1.5.4 La intersección de cualquier número de subespacios de un

Espacio Vectorial {V } es un Subespacio de {V }.
Combinación Lineal, Subespacio Generado

Sea {V } un Espacio Vectorial sobre un cuerpo F y sean {x1 }, . . . , {xm } ∈
{V }. Cualquier vector en {V } de la forma:
a1 {x1 } + a2 {x2 } + . . . + am {xm }

Donde los ai ∈ F, se llama una Combinación Lineal de {x1 }, . . . , {xm }.
Como una aplicación se tiene el siguiente teorema.
Teorema 1.5.5 Sea {S} un subconjunto no vacı́o de {V }. El conjunto de

todas la combinaciones lineales de vectores en {S}, denotada por L : {S} ó
L({S}), es un Subespacio de {V } que contiene a {S}. Además, si {W } es
otro Subespacio de {V } que contiene a {S}, entonces L : {S} ⊂ {W }.
En otras palabras, L : {S} es el menor Subespacio de {V } que contiene a

{S} y se llama el Subespacio Generado por {S}. Por conveniencia, se define
L : ∅ = {0}.
1.5.2. Matriz
Una matriz [A] es un ordenamiento regular de escalares (números o fun-
ciones):
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
[A] =  . .. 
 .. . 
am1 am2 · · · amn
Si una matriz tiene m filas y n columnas, se dice que su tamaño es de m

por n (se escribe m × n). Una matriz de n × n se llama matriz cuadrada de
orden n.
El término aij representa el elemento de la i-ésima fila y la j-ésima

columna de una matriz [A] de tamaño m × n; con ello, una matriz [A],
m × n, se escribe en la forma [A] = (aij ) m × n, o simplemente [A] = aij .
Una matriz [A], 1 × 1, es sólo un escalar (un número o una función).
1.5.3. Igualdad de Matrices

Dos matrices de m × n, [A] y [B], son iguales si aij = bij para toda i y j.
1.5.4. Matriz Columna

Una matriz columna {x} es cualquier matriz con n filas y una columna:
 

 x11 


 
x21 
{x} = .. = (xi1 ) n × 1

 . 


 

xn1
Una matriz columna se llama también vector columna o simplemente
vector.
1.5.5. Producto de Matrices por Escalares

Si k es un escalar y [A] una matriz de m × n, el producto de k por [A]
es una nueva matriz que se define de la siguiente manera:
 
ka11 ka12 · · · ka1n
 ka21 ka22 · · · ka2n 
 
k[A] =  . ..  = (kaij ) m × n
 .. . 
kam1 kam2 · · · kamn
En donde k es un escalar; es decir, un número o una función.
Ejemplo:
a)
   
2 −3 10 −15
5  4 −1 = 20 −5 
1
5 6 1 30
b)
   
 1   et 
et −2 = −2et
   
4 4et
Es de notar que para toda matriz [A], el producto k[A] es igual al pro-
ducto [A]k, en otras palabras, el producto de una matriz por un escalar, o
viceversa, posee propiedad conmutativa, por ejemplo:
½ ¾ ½ ¾ ½ ¾
−3t 2 2e−3t 2
e = = e−3t
5 5e−3t 5
1.5.6. Suma de Matrices

La suma de dos matrices de m × n, [A] y [B], se define como la matriz:
[A] + [B] = (aij + bij ) m × n

En otras palabras, para sumar dos matrices del mismo tamaño, se suma
los elementos correspondientes.
Ejemplo:
La suma de:
 
2 −1 3
[A] =  0 4 6
−6 10 −5
Más:
 
4 7 −8
[B] = 9 3 5
1 −1 2
Es:
   
2+4 −1 + 7 3 + (−8) 6 6 −5
[A] + [B] =  0 + 9 4+3 6 + 5  =  9 7 11 
−6 + 1 10 + (−1) −5 + 2 −5 9 −3
Ejemplo:
 2 
 3t − 2et 
La matriz t2 + 7t se puede expresar como la suma de tres vec-
 
5t
tores columna:
 2             
 3t − 2et   3t2   0   −2et   3   0   −2 
t2 + 7t = t2 + 7t + 0 = 1 t2 + 7 t+ 0 et
             
5t 0 5t 0 0 5 0
La diferencia de dos matrices de m × n se define en le forma acostum-

brada: [A] − [B] = [A] + (−[B]), en donde −[B] = (−1)[B].
1.5.7. Multiplicación de Matrices

Sea [A] una matriz con m filas y n columnas, y [B] otra con n filas y
p columnas. El producto [A] · [B] se define como la siguiente matriz m × p
n
X
cuyo elemento en la posición (i, j) es aik bkj . Es decir:
k=1
   
a11 a12 ··· a1n b11 b12 ··· b1p
 a21 a22 ··· a2n   b21 b22 ··· b2p 
   
[A] · [B] =  . ..  ·  .. .. 
 .. .   . . 
am1 am2 ··· amn bn1 bn2 ··· bnp
 
a11 b11 + a12 b21 + · · · + a1n bn1 ··· a11 b1p + a12 b2p + · · · + a1n bnp
=  a21 b11 + a22 b21 + · · · + a2n bn1 ··· a21 b1p + a22 b2p + · · · + a2n bnp 
am1 b11 + am2 b21 + · · · + amn bn1 ··· am1 b1p + am2 b2p + · · · + amn bnp
Ã n !
X
= aik bkj (m × p)
k=1
El producto [A] · [B] = [C] sólo está definido cuando el número de colum-
nas en la matriz [A] es igual al número de filas en [B]. El tamaño del producto
se puede determinar con:
[A]m×n · [B]n×p = [C]m×p
Se debe observar también que los elementos de la i-ésima fila de la matriz

producto [A] · [B] se forman aplicando la definición del producto escalar de
la i-ésima fila de [A] por cada una de las columnas de [B]. En efecto, dados
dos vectores de n Componentes: [a] = [a1 , a2 , . . . , an ] y [b] = [b1 , b2 , . . . , bn ],
el producto escalar de [a] por [b] se define como:
[a] · [b] = a1 b1 + a2 b2 + . . . + an bn
Ası́, el elemento de la posición (i, j) de [A] · [B] es ai bj , siendo ai la

i-ésima fila de [A] y bj la j-ésima columna de [B].
Ejemplo:
Si:
· ¸
4 7
[A] =
3 5
Y:
· ¸
9 −2
[B] =
6 8
Entonces:
· ¸ · ¸
(4)(9) + (7)(6) (4)(−2) + (7)(8) 78 48
[A] · [B] = =
(3)(9) + (5)(6) (3)(−2) + (5)(8) 57 34
Ejemplo:
El producto de una matriz [A], m × n, y un vector columna {b}, n × 1,

es un vector columna [A] · {b} de tamaño m × 1. Ası́, por ejemplo:
       
2 −1 3  −3   (2)(−3) + (−1)(6) + (3)(4)   0 
0 4 5 · 6 = (0)(−3) + (4)(6) + (5)(4) = 44
     
1 −7 9 4 (1)(−3) + (−7)(6) + (9)(4) −9
1.5.8. La Matriz Identidad

Para un entero positivo n, la matriz de n × n:
 
1 0 0 ··· 0
0 1 0 · · · 0
 
[1]n =  . .. 
 .. . 
0 0 0 ··· 1
Es la Matriz Identidad. Para toda matriz [A], n × n:
[A] · [1]n = [1]n · [A] = [A]

También se comprueba con facilidad que si {x} es una matriz columna
n × 1, entonces [1]n · {x} = {x}.
1.5.9. La Matriz Cero

Una matriz, m × n, cuyos elementos son todos el número cero se llama
Matriz Cero y se representa con [0]m×n ; por ejemplo:
 
½ ¾ · ¸ 0 0
0 0 0
[0]2×1 = , [0]2×2 = , [0]3×2 = 0 0
0 0 0
0 0
Y ası́ sucesivamente. Cuando el tamaño de la matriz cero se puede de-
ducir por el contexto, o cuando se a dado explı́citamente con anterioridad, se
suele prescindir del subı́ndice que indica el tamaño y se escribe simplemente
[0]. Por ejemplo, si [A] y [0] son matrices de m × n, entonces:
[A] + [0] = [0] + [A] = [A]
1.5.10. Propiedad Conmutativa

La suma de matrices y la multiplicación de una matriz por un escalar
cumplen con la Propiedad Conmutativa. Es decir, que dadas dos matrices
cuadradas [A] y [B] de n × n, y k ∈ R; se cumplen las siguientes relaciones:
[A] + [B] = [B] + [A]

Y:
k[A] = [A]k
Sin embargo, esta propiedad no se cumple en el caso de la multiplicación

de matrices, por lo que:
[A] · [B] 6= [B] · [A]
1.5.11. Propiedad Asociativa

Aunque no se demostrará, la multiplicación matricial es asociativa. Si
[A] es una matriz de m × p, [B] una matriz de p × r y [C] una matriz de
r × n, entonces:
[A] · ([B] · [C]) = ([A] · [B]) · [C]

Es una matriz de m×n. El paréntesis indica la prioridad en la operación.
Ası́, [A] · ([B] · [C]) significa que se multiplique primero [B] y [C] y entonces
se haga el producto de [A] por el resultado obtenido al multiplicar [B] y [C].
Nótese que la asociatividad indica que independientemente de la prioridad
en las operaciones, el resultado es el mismo.
1.5.12. Propiedad Distributiva

Si todos los productos están definidos, la multiplicación es distributiva
respecto a la suma:
[A] · ([B] + [C]) = [A] · [B] + [A] · [C]

Y:
([B] + [C]) · [A] = [B] · [A] + [C] · [A]
1.5.13. Determinante de una Matriz

Con toda matriz cuadrada [A], hay un número asociado llamado deter-
minante de la matriz que se representa mediante |A|. La fórmula general
para calcular el determinante de la matriz cuadrada [A] de orden n es:
X
a1σ(1) a2σ(2) . . . anσ(n)
σ
Donde el sumatorio está extendido a las n! permutaciones σ de los
números (1, 2, . . . , n). Ası́, si n = 3, las 3! = 6 permutaciones posibles de
(1, 2, 3) son: (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2) y (3, 2, 1). Por lo tan-
to, si [A] es 3 × 3 entonces:
|A| = a11 a22 a33 + a11 a23 a32 + a12 a21 a33 + a12 a23 a31 + a13 a21 a32 + a13 a22 a31
Por lo general para matrices cuadradas de tamaño grande el cálculo del

determinante es una labor costosa. No obstante, existe una formulación que
permite reducir el cálculo del determinante de una matriz n × n a la suma de
n determinantes de matrices de tamaño (n−1)×(n−1). Esta formulación es
conocida como Desarrollo del Determinante por los Elementos de una Fila,
y que se debe, aunque con una formulación mucho más general, a Laplace:
|A| = ai1 Ai1 + ai2 Ai2 + . . . + ain Ain

En donde Aij = (−1)i+j |Ã|ij y [Ãij ] es la matriz que se obtiene de [A]
al quitar la i-ésima fila y la j-ésima columna.
Ejemplo:
Si:
 
3 6 2
[A] =  2 5 1
−1 2 4
Desarrollando |A| por los elementos de la primera fila:
¯ ¯
¯3 6 2¯¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ ¯5 1¯ ¯ 2 1¯ ¯ 2 5¯
|A| = ¯¯ 2 5 ¯ ¯
1¯ = 3 ¯ ¯ − 6¯¯ ¯ + 2¯¯ ¯
¯−1 2 ¯ 2 4¯ −1 4¯ −1 2¯
4
|A| = 3(20 − 2) − 6(8 + 1) + 2(4 + 5) = 18

Si [A] tiene una fila (o columna) con muchos elementos cero, por como-
didad se debe desarrollar ese determinante por los elementos de esa fila (o
columna).
1.5.14. Rango de una Matriz

Se define el rango de una matriz [A], m × n, como el tamaño de la mayor
submatriz cuadrada de [A] con determinante distinto de cero.
El cálculo del rango de una matriz es una tarea muy costosa cuando se
quiere utilizar esta definición. De hecho, casi nunca se utiliza.
1.5.15. Espacio Rango o Imagen

El Espacio Imagen (Rango) de una matriz [A], n × m, es el espacio
vectorial que contiene los vectores {y}, m × 1, de la forma:
{y} = [A] · {x}

Es decir, el espacio vectorial span (columnas de [A]) por ello también se
llama Espacio Columna de [A].
1.5.16. Espacio Nulo o Kernel

El Kernel de una matriz [A], m × n, es el espacio vectorial de los vectores
{x}, n × 1, tales que.
[A] · {x} = {0}
1.5.17. Matrices No Singulares y Singulares

Sea [A] una matriz de n × n. Si |A| =
6 0, se dice que [A] es No Singular.
Si |A| = 0, entonces [A] es Singular.
1.5.18. Inversa de una Matriz

Sea [A] una matriz n × n. Si existe una matriz [B] de n × n tal que:
[A] · [B] = [B] · [A] = [1]n

En donde [1]n es la Matriz Identidad, entonces [B] es la inversa de [A] y
se representa con [B] = [A]−1 .
El siguiente teorema especifica una condición necesaria y suficiente para

que una matriz cuadrada de números reales o complejos tenga inversa.
Teorema 1.5.6 Una matriz de números reales o complejos [A] n × n tiene

inversa [A]−1 si y sólo si [A] es no singular.
El teorema que sigue describe un método para hallar la inversa de una

matriz no singular.
Teorema 1.5.7 Sea [A] una matriz no singular de n × n, y sea, como en

el apartado 1.5.13., Aij = (−1)i+j Mij , donde Mij es el determinante de la
matriz de (n − 1) × (n − 1) obtenido al eliminar la i-ésima fila y la j-ésima

columna de [A]. Entonces:
1
[A]−1 = [Aij ]T (1.7)
|A|
Cada Aij en éste teorema es tan sólo el cofactor (o menor con signo, o
adjunto del elemento aij de la matriz [A]) del elemento aij correspondiente
a [A].
Para una matriz de 2 × 2:

· ¸
a11 a12
[A] =
a21 a22
Se tiene A11 = a22 , A12 = −a21 , A21 = −a12 y A22 = a11 . Entonces:
· ¸T · ¸
−1 1 a22 −a21 1 a22 −a12
[A] = =
|A| −a12 a11 |A| −a21 a11
Para una matriz no singular de 3 × 3:
¯ ¯
¯a11 a12 a13 ¯
¯ ¯
[A] = ¯¯a21 a22 a23 ¯¯
¯a31 a32 a33 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯a22 a23 ¯ ¯a21 a23 ¯ ¯a21 a22 ¯
A11 ¯
=¯ ¯ , A12 ¯
= −¯ ¯ , A13 ¯
=¯ ¯ ,
a32 a33 ¯ a31 a33 ¯ a31 a32 ¯
etc. Para calcular la inversa, se transpone llegando a:

 
A11 A21 A31
1 
[A]−1 = A12 A22 A32 
|A|
A13 A23 A33
Ejemplo:
Calculase la inversa de:
 
2 2 0
[A] = −2 1 1
3 0 1
Puesto que |A| = 12 6= 0, la matriz dada es no singular. Los cofactores

correspondientes a los elementos de cada fila de [A] son:
¯ ¯ ¯ ¯ ¯ ¯
¯1 1¯ ¯−2 1¯ ¯−2 1¯
A11 ¯
=¯ ¯=1 A12 ¯
=¯ ¯=5 A13 ¯
=¯ ¯ = −3
0 1¯ 3 1¯ 3 0¯
¯ ¯ ¯ ¯ ¯ ¯
¯2 0¯ ¯2 0¯ ¯2 2¯
A21 ¯
=¯ ¯ = −2 A22 ¯
=¯ ¯=2 A23 ¯
=¯ ¯=6
0 1¯ 3 1¯ 3 0¯
¯ ¯ ¯ ¯ ¯ ¯
¯2 0¯ ¯ 2 0¯ ¯ 2 2¯
A31 = ¯¯ ¯=2 A32 = ¯¯ ¯ = −2 A33 = ¯¯ ¯=6
0 1¯ −2 1¯ −2 1¯
De acuerdo con 1.7:

 1 
  12 − 61 1
6
1 −2 2  
1   5 
−1
[A] = 5 2 −2 = 

 12
1
6 − 16 

12  
−3 6 6
− 41 1
2
1
2
Se puede, y conviene, comprobar que, en efecto, [A]−1 ·[A] = [A]·[A]−1 =

[1]3 .
Dado que la ecuación 1.7 para hallar la inversa de una matriz, se basa en
el cálculo de determinantes, para hallar la inversa de matrices no singulares
de tamaños grandes no se emplea, en la práctica este método. Existen otros
métodos mucho más eficaces, desde el punto de vista del cálculo, que tienen
que ver con la factorización de matrices, sin embargo, estos métodos no serán
objeto de estudio en el presente trabajo.
1.5.19. Adjunta de una Matriz

La Adjunta de una Matriz [A] = (aij ), m × n, es la matriz [Aij ] de todos
los adjuntos de cada elemento aij de [A], definidos como Aij = (−1)i+j Mij
donde Mij es el determinante de la matriz de (n − 1) × (n − 1) obtenido
al eliminar la i-ésima fila y la j-ésima columna de [A]. Esto se ilustro con
mayor amplitud en los ejemplos del apartado 1.5.18.
1.5.20. Transpuesta de una Matriz

La Transpuesta de la matriz [A] = (aij ), m × n, es la matriz [A]T n × m
representada por:
 
a11 a21 . . . am1
 a12 a22 . . . am2 
 
[A]T =  . .. 
 .. . 
a1n a2n . . . amn
En otras palabras, las filas de [A] se convierten en las columnas de su

transpuesta, [A]T .
Las siguientes operaciones que involucran a la transpuesta de una matriz

si satisfacen siempre que la operación sea posible:
1. ([A]T )T = [A]
2. ([A] + [B])T = [A]T + [B]T
3. ([A] · [B])T = [B]T · [A]T
4. Si [A]−1 existe, ([A]−1 )T = ([A]T )−1
5. |[A]T | = |A|
Ejemplo:
La transpuesta de:
 
3 6 2
[A] = 6 5 2
2 1 4
Es:
 
3 6 2
[A]T = 6 5 1
2 2 4
1.5.21. Matriz Simétrica

Una matriz [A] cuya transpuesta es ella misma se llama Matriz Simétrica.
Si:
[A] = [A]T
Entonces:
[A] = [A]sim
Ejemplo:
En un estudio, se reportó que la longitud de ala promedio que resulta de
aparear tres variedades de mutantes de las moscas de la fruta (Drosophila
Melanogaster) puede expresarse en la forma de la Matriz Simétrica.
 
1, 59 1, 69 2, 13
[A] = 1, 69 1, 31 1, 72
2, 13 1, 72 1, 85
Donde aij denota la longitud de ala promedio de la crı́a resultante de
aparear un macho del tipo i con una hembra del tipo j.
¿Qué significado fı́sico se asocia con la simetrı́a de la matriz?
La interpretación fı́sica que se da a la Matriz Simétrica [A], es que el

ancho de ala promedio de la crı́a resultado de aparear un macho de variedad
i con una hembra de variedad j es el mismo que tuviera la crı́a resultado de
aparear un macho de variedad j con una hembra de variedad i.
1.5.22. Formas Cuadráticas

Para cualquier matriz [A] de n×n y cualquier vector {x} de n×1, ambos
con elementos reales, la expresión:
{x}T · [A] · {x}
Es denominada Forma Cuadrática. No se pierde generalidad al suponer

en una Forma Cuadrática que [A] es una Matriz Simétrica, ya que para
cualquier matriz [A] se cumple que:
µ ¶
T T [A] + [A]T
{x} · [A] · {x} = {x} · · {x}
2
Entonces [A] puede ser reemplazada por ([A] + [A]T )/2, la cual siempre
es una Matriz Simétrica.
1.5.23. Matriz Definida Positiva

Una Matriz Simétrica [A] de n × n se denomina Definida Positiva si:
{x}T · [A] · {x} > 0
Para que la definición sea precisa se debe especificar que la matriz de

1 × 1 generada por la operación {x}T · [A] · {x} tiene como único elemento
un número positivo ya que la operación se realiza de la siguiente manera:
   
a11 a12 · · · a1n   x1 

 a21  
 a22 · · · a2n 

 x2 
{x}T · [A] · {x} = (x1 , x2 , . . . , xn ) ·  . .. ..  · ..
 .. . .    . 


 

an1 an2 · · · ann xn
Realizando primero la operación [A] · {x}.

 n 
 X 

 a1j xj 


 


 j=1 


 


 Xn 


 a2j xj 

{x}T · [A] · {x} = (x1 , x2 , . . . , xn ) · j=1

 .. 


 


 . 


 Xn 


 


 anj xj 

 
j=1
Finalmente:
n X
X n
T
{x} · [A] · {x} = aij xi xj
i=1 j=1
Si [A] es una matriz de n×n Definida Positiva, entonces [A] es no singular.

1.5.24. Matriz Bandada

Una matriz [A] de n × n, se llama Matriz Bandada si existen enteros p
y q, tales que:
1<p
q<n
Con la propiedad:
½
Si i + p ≤ j
aij = 0
Si j + q ≤ i
La definición de Matriz Bandada fuerza a estas matrices a concentrar

todos sus elementos no cero al rededor de la diagonal principal. Dos casos
especiales de Matrices Bandadas que ocurren frecuentemente en la práctica
tienen p = q = 2 y p = q = 4. La matriz con ancho de banda 3 se presenta
cuando p = q = 2 y toma el nombre de Matriz Tridiagonal, ya que tiene la
forma:
 
a11 a12 0 ··· 0
 ..  ..
a21 a22 a23 .  .
 
[A] = 
 0 a32 a33 0 
a34 
 .. .. .. .. 
 . . . an−1,n 
.
0 ··· 0 an,n−1 ann
1.5.25. Matrices Triangulares

Matriz Triangular Superior
Una matriz [U ] de n × n se denomina como Triangular Superior si es que
tiene para cada j, los elementos:
uij = 0 Para i = j + 1, j + 2, · · · , n.
Ejemplo:
 
1 1 0 3
0 −1 −1 −5 
[U ] = 
0 0

3 13 
0 0 0 −13
Matriz Triangular Inferior

Una matriz [L] de n × n es conocida como Matriz Triangular Inferior si
es que tiene para cada j, los elementos:
lij = 0 Para i = 1, 2, · · · , j − 1.
Ejemplo:  
1 0 0 0
2 3 0 0
[L] = 
3

4 1 0
−1 −3 0 2
Matriz Diagonal
Una matriz [D] de n × n es Diagonal si es que cumple para sus elementos
que:
dij = 0 Si i 6= j.
Una Matriz Diagonal es a la vez triangular superior e inferior.
Ejemplo:  
3 0 0 0
0 5 0 0
[D] = 
0

0 −1 0
0 0 0 8
El cálculo del determinante de una matriz arbitraria puede requerir de
gran número de operaciones. Sin embargo, en una matriz en forma triangular
el determinante es fácil de calcular, de la manera siguiente:
n
Y
|A| = aii
i=1
La demostración de este resultado consiste en expander la matriz y cada
submatriz utilizando la primera fila o la primera columna.
1.5.26. Matriz Dispersa

Se dice que una Matriz Cuadrada es Dispersa cuando sus elementos no
nulos están distanciados de manera desordenada unos de otros y además
esta posee una gran cantidad de elementos nulos (ceros).
1.5.27. Matriz Skyline

Cuando se tiene una Matriz Dispersa, realizando operaciones lı́citas, se
pueden reordenar las filas y columnas de la matriz, de tal manera que sus
elementos no nulos se concentren en bandas y de esta manera prescindir de
una gran cantidad de bandas y filas de elementos nulos, con el objetivo de
optimizar el uso de la memoria del computador. Si la matriz es simétrica,
esta se puede almacenar de forma triangular reduciendo, ası́, la cantidad de
datos que se deberı́an almacenar.
1.5.28. Suma Directa o Matriz Escalonada

Sean [A1 ], [A2 ], . . . , [Am ] matrices cuadradas de ordenes n1 , n2 , . . . , nm ,
respectivamente. La generalización:
 
A1 0 . . . 0
 0 A2 . . . 0 
 
[A] =  .. .. . . ..  = [[A1 ] ⊕ [A2 ] ⊕ . . . ⊕ [Am ]]
 . . . . 
0 0 . . . Am
Se llama Suma Directa o Matriz Escalonada de las matrices [Ai ].
Se puede demostrar que si [A] = [A1 ] ⊕ [A2 ] ⊕ . . . ⊕ [Am ] y [B] = [B1 ] ⊕

[B2 ] ⊕ . . . ⊕ [Bm ], en donde [Ai ] y [Bi ] son del mismo orden, para i = 1 : n,
se verifica que:
[A] · [B] = [A1 ] · [B1 ] ⊕ [A2 ] · [B2 ] ⊕ . . . ⊕ [Am ] · [Bm ]
Ejemplo:
Sean las matrices:
· ¸
1 2
[A1 ] = [2] , [A2 ] =
3 4
Y:
 
1 2 −1
[A3 ] = 2 0 3 
4 1 −2
La Suma Directa: [A1 ] ⊕ [A2 ] ⊕ [A3 ] es la Matriz Escalonada:
 
2 0 0 0 0 0
0 1 2 0 0 0
 
0 3 4 0 0 0
[A1 ] ⊕ [A2 ] ⊕ [A3 ] = 
0

 0 0 1 2 −1
0 0 0 2 0 3
0 0 0 4 1 −2
1.5.29. Derivada de una Matriz de Funciones

Si [A(t)] = (aij (t)) es una matriz de m × n cuyos elementos son funciones
diferenciables en un intervalo común, entonces se define la derivada de [A(t)]
como la matriz cuyo elementos son las derivadas de los elementos de [A(t)].
Es decir:
· ¸
d[A(t)] daij (t)
=
dt dt (m×n)
1.5.30. Integral de una Matriz de Funciones

Si [A(t)] = (aij (t)) es una matriz de m × n cuyos elementos son funciones
continuas en un intervalo que contiene a t y a t0 , entonces la integral de [A(t)]
es una matriz cuyos elementos son las integrales de los elementos de [A(t)].
Es decir:
Z t ·Z t ¸
[A(t)]dt = aij (t)dt
t0 t0 (m×n)
En otras palabras, para derivar o integrar una matriz de funciones, tan

sólo hay que derivar o integrar cada uno de sus elementos. La derivada de
una matriz también se representa con [A(t)]0 .
Ejemplo:
Si:
 
 sen 2t 
{x(t)} = e3t
 
8t − 1
Entonces:
 d
  
 dt (sen 2t)   2 cos 2t 
{x(t)}0 = d 3t
dt (e ) = 3e3t
 d   
dt (8t − 1)
8
Y:
 R   1 
 t  1
Z t  0R sen 2s ds   − 2 cos 2t + 2 
t 3s 1 3t 1
{x(t)}dt =
 R 0 e ds

=
 3e − 3 
0  t (8s − 1) ds  4t2 − t
0
1.5.31. El Problema de los Valores Propios

La resolución analı́tica de sistemas lineales de ecuaciones diferenciales
con coeficientes constantes se basa en la búsqueda de Vectores y Valores
Propios de la matriz del sistema. Para sistemas de dimensión pequeña (a
lo más 3) la forma más sencilla y rápida de calcular los Valores Propios es
obteniendo las raı́ces del polinomio caracterı́stico de la matriz. Para sistemas
de dimensión mayor que 3 (y muy especialmente, por motivos que serı́a largo
y complicado de explicar, para sistemas de dimensión 5 ó más) el uso de
programas apropiados de computador puede ser el único modo de calcular
los Valores Propios de una matriz. Una vez obtenidos estos por el método que
sea, la eliminación de Gauss-Jordan sirve para hallar los Vectores Propios.
Valores Propios y Vectores Propios

Sea [A] una matriz de n × n. Se dice que un número λ es un Valor Propio
de [A] si existe un vector solución {v}, no cero, del sistema lineal:
[A] · {v} = λ{v} (1.8)

El vector solución {v} se dice que es un Vector Propio de [A] correspon-
diente al valor propio λ.
El término hı́brido Eigenvalor se usa como traducción de la palabra alem-

ana Eigenwert que significa “Valor Propio”. A los Valores Propios y Vectores
Propios se les llama también Valores Caracterı́sticos y Vectores Caracterı́s-
ticos, respectivamente.
Teorema 1.5.8 Todos los Valores Propios de una Matriz Simétrica son
reales, de forma equivalente, los de para una Matriz Definida Positiva tam-
bién lo son.
Ejemplo:
Compruébese que:
 
 1 
{v} = −1
 
1
Es un vector propio de la matriz:
 
0 −1 −3
[A] =  2 3 3
−2 1 1
En efecto, al multiplicar [A] · {v} se obtiene:
      
0 −1 −3  1   −2   1 
[A]·{v} =  2 3 3 · −1 = 2 = (−2)· −1 = (−2)·{v}
     
−2 1 1 1 −2 1
Por lo tanto:
[A] · {v} = (−2) · {v}

Con lo que -2 es valor propio de [A] y {v} vector propio correspondiente
al valor propio -2.
Si se aplica las propiedades del álgebra de matrices, se puede expresar la

ecuación 1.8 en la forma alternativa:
λ{v} − [A] · {v} = {0}

Y también:
[λ[1]n − [A]] · {v} = {0} (1.9)

En donde [1]n es la matriz identidad. Si se escribe {v} en función de sus
componentes:
 

 v1 
 v2 
 
{v} = ..

 . 


 

v3
La ecuación 1.9 equivale a:
(λ − a11 )v1 − a12 v2 − ... − a1n vn = 0

−a21 v1 + (λ − a22 )v2 − . . . − a2n vn = 0
.. .. .. .. (1.10)
. . . .
−an1 v1 − an2 v2 − . . . + (λ − amn )vn = 0
Una vez conocido el valor propio λ, el sistema 1.10 es un sistema alge-

braico lineal homogéneo de n ecuaciones con n incógnitas. Es homogéneo
porque los términos independientes son todos iguales a cero, y las incógnitas
son las componentes de un vector propio correspondiente al valor propio λ.
Por ser un sistema homogéneo hay siempre una solución obvia (o trivial):
v1 = v2 = . . . = vn = 0
Pero para que {v} sea un vector propio, por definición, debe ser distinto
de cero. Ası́ pues, la solución trivial no sirve.
Ahora bien, se sabe que un sistema homogéneo de n ecuaciones lineales

con n incógnitas tiene una solución no trivial si y sólo si, el determinante de
la matriz de coeficientes es igual a cero. Ası́, para hallar una solución {v}
distinta de cero de la ecuación 1.10 se debe cumplir:
|λ[1]n − [A]| = 0 (1.11)
Al examinar 1.11 se ve que el desarrollo del |λ[1]n − [A]| por cofactores

da un polinomio de grado n en λ. La ecuación 1.11 se llama Ecuación Ca-
racterı́stica de [A]. Ası́ los valores propios de [A] son las raı́ces de la ecuación
caracterı́stica. Para hallar un vector propio que corresponda al valor propio
λ, se resuelve el sistema de ecuaciones.
[λ[1]n − [A]] · {v} = {0}
Aplicando la eliminación de Gauss-Jordan a la matriz aumentada (Ver

Capı́tulo 4):
(λ[1]n − [A]|{0}n×1 )
Ejemplo:
Determı́nense los valores y encuentrese un vector propio para cada valor

propio de:
 
1 2 1
[A] =  6 −1 0 
−1 −2 −1
Solución
Calculando el determinante para encontrar la ecuación caracterı́stica (se

puede hacerlo, por ejemplo, usando los cofactores de la segunda fila):
¯ ¯
¯λ − 1 −2 −1 ¯¯
¯
|λ[1]3 − [A]| = ¯¯ −6 λ + 1 0 ¯¯
¯ 1 2 λ + 1¯
Luego:
λ3 + λ2 − 12λ = 0
Operando:
λ(λ + 4)(λ − 3) = 0
Los valores propios son:
λ1 = 0
λ2 = −4
λ3 = 3
Para hallar los vectores propios se debe aplicar el algoritmo de Gauss-

Jordan a [λ[1]3 − [A]|0] con cada uno de los tres valores propios calculados.
Para λ1 = 0:
   
−1 −2 −1 0 1 2 1 0 6R1 + R2
−1R1
[0I3 − [A]|0] =  −6 1 0 0   −6 1 0 0  −R1 + R3
−→ −→
1 2 1 0 1 2 1 0
     1

1 2 1 0 1 1 2 1 0 1 0 13
0
− 13 R2 −2R2 + R1
 0 13 6 0   0 1 6
0   0 1 6
0 
−→ 13 −→ 13
0 0 0 0 0 0 0 0 0 0 0 0
Ası́, el sistema es compatible (deberı́a serlo porque ya se ha visto que

|0[1]3 − [A]| = 0 y tiene infinitas soluciones). El Método de Gauss-Jordan
indica que se pueden despejar las incógnitas v1 y v2 en función de v3 . Es
decir, las soluciones son:
1
v1 = − v3
13
Y:
6
v3 v2 = −
13
Las infinitas soluciones del sistema se obtienen dando valores distintos a
v3 . Como se pide encontrar un vector propio se da a v3 un valor cualquiera.
En efecto, cualquier valor de v3 valdrı́a para obtener un vector propio, pero si
se quiere que las componentes de este vector sean números enteros se puede
escoger v3 = −13. Ası́ un vector propio serı́a:
 
 1 
v1 = 6
 
−13
Se procede de la misma forma con λ2 = −4.
   
−5 −2 −1 0 1 2 −3 0 −6R1 + R2
R31
[−4[1]3 − [A]|0] =  −6 −3 0 0   −6 −3 0 0  −5R1 + R2
−→ −→
1 2 −3 0 −5 −2 −1 0
     
1 2 −3 0 1 1 2 −3 0 −2R2 + R1 1 0 1 0
 0 R
9 2
9 −18 0   0 1 −2 0  −8R2 + R3  0 1 −2 0 
−→ −→
0 8 −16 0 0 8 −16 0 0 0 0 0
La solución general del sistema será:
v1 = −v3
Y:
v2 = 2v3
Eligiendo v3 = 1 se obtiene un vector propio correspondiente al valor

propio λ2 = −4:
 
 −1 
v2 = 2
 
1
Por último, cuando λ3 = 3, la eliminación de Gauss-Jordan da:
   
2 −2 −1 0 operaciones 1 0 1 0
[3[1]3 − [A]|0] =  −6 4 0 0  por filas  0 1 3
2
0 
1 2 4 0 −→ 0 0 0 0
Ası́:
v1 = −v3
Y:
2
v2 = − v3
3
Escogiendo v3 = −2 se obtiene un vector propio asociado al valor propio
λ = 3:
 
 2 
v3 = 3
 
−2
Cuando una matriz [A] de tamaño n × n tiene n valores propios dis-

tintos, λ1 , λ2 , . . . , λn , se demuestra que se puede obtener un conjunto
de n vectores propios linealmente independientes v1 , v2 , . . . , vn ; cada
uno correspondiente a un valor propio. (Que n vectores v1 , v2 , . . . , vn
sean linealmente independientes significa que la única forma de que la suma
α1 v1 +α2 v2 +. . .+αn vn sea el vector cero es cuando α1 = α2 = . . . = αn = 0.
Cuando la ecuación caracterı́stica tiene raı́ces repetidas, quizá no sea

posible hallar n vectores propios de [A] linealmente independientes.
1.5.32. Normas de Vectores

Sea {V } un espacio vectorial sobre un cuerpo Fn (R o C). Una función
v : {V } −→ R es una norma de {V } si v satisface las siguientes propiedades:
1. Si {x} 6= {0}, entonces: v({x}) > 0, ∀{x} ∈ {V }
2. v(α{x}) = |α|v({x}), ∀α ∈ Fn
3. v({x} + {y}) ≤ v({x}) + v({y}), ∀{x}, {y} ∈ {V } (desigualdad

triangular)
Cualquier operador v que cumpla estas tres condiciones, y en cualquier

geometrı́a, será un operador norma.
Normas `p o de Hölder
Norma `1
n
X
k{x}k1 = |xi |
i=1
Norma `2 o Norma Euclı́dea

v
u n
uX
k{x}k2 = t |xi |2
i=1
Norma `∞
k{x}k∞ = máx |xi |
1≤i≤n
Norma `p
Ã n !1/p
X
k{x}kp = |xi |p , ∀p ∈ R
i=1
Vector Normal
Un vector es normal si su norma es 1.

Bola Unitaria
Sea {V } un espacio vectorial sobre un cuerpo Fn , y sea d({x}, {y})
definida en {V }. Una Bola Unitaria se define como el conjunto de todos los
vectores cuya distancia al origen sea 1, o lo que es igual, el conjunto de todos
los vectores normales.
Equivalencia de Normas
Sean µ y v normas definidas en {V }, espacio vectorial sobre un cuerpo
Fn . Se dice que µ y v son equivalentes si existen números reales positivos c1
y c2 tales que.
v({x})
c1 ≤ ≤ c2 , ∀{x} ∈ {V }
µ({x})
Teorema 1.5.9 Todas las normas definidas en un espacio vectorial de di-

mensión finita son equivalentes.
Corolario 1.5.10 Todas las normas definidas en {V }, espacio vectorial so-

bre un cuerpo Fn , son funciones continuas.
Corolario 1.5.11 Si {V } es un espacio vectorial de dimensión finita, en-

tonces, la esfera unidad en {V }, respecto a cualquier norma, es un conjunto
compacto.
Distancia Entre Vectores

Sea {V } un espacio vectorial sobre un cuerpo Fn , y sea k · k una norma
definida en {V }. Se define la distancia entre los vectores {x} y {y} como la
operación d : {V } ∧ {V } −→ Fn , tal que:
d({x}, {y}) = k{x} − {y}k

Toda función de distancia satisface las siguientes propiedades:
1. ∀{x}, {y} ∈ {V } d({x}, {y}) ≥ 0
2. d({x}, {y}) = 0 si y sólo si {x} = {y}
3. ∀{x}, {y} ∈ {V } d({x}, {y}) = d({y}, {x})
4. ∀{x}, {y}, {z} ∈ {V } d({x}, {y}) ≤ d({x}, {z}) ⊕ d({z}, {y})

Vectores Ortogonales
Un conjunto de vectores {x1 }, {x2 } . . . {xk } es ortogonal si:
½
= 0 si i 6= j
{x1 } · {x2 }
6= 0 si i = j
Vectores Ortonormales
Un conjunto de vectores {x1 }, {x2 } . . . {xk } es ortonormal si es ortogo-
nal y todos sus vectores son normales, es decir si:
½
0 si i 6= j
{x1 } · {x2 } = δij =
1 si i = j
En donde δij se conoce como la función delta de Kronecker.
1.5.33. Normas de Matrices

Sean µ, v y ρ normas definidas sobre cuerpos Fm×n , Fn×p y Fm×p , res-
pectivamente. Se dice que µ, v y ρ son Consistentes si para toda matriz
[A] ∈ Fm×n y [B] ∈ Fn×p se verifica.
ρ[[A] · [B]] ≤ [µ[A]] · [v[B]]
En particular una norma v definida en un cuerpo Fn×n se dice que es

Consistente si.
v[[A] · [B]] ≤ [v[A]] · [v[B]] ∀[A], [B] ∈ Fn×n
Una norma v definida en un cuerpo Fn×n Consistente, también se dice

que es Multiplicativa o Submultiplicativa.
Una norma definida en un cuerpo Fn×n se dice que es una norma de

matriz si es Consistente.
Si µ es una norma en un cuerpo Fn×n y v en Fn entonces, µ es Consistente

o compatible con la norma de vector v si para toda [A] ∈ Fn×n y todo vector
{x} ∈ Fn .
v[[A] · {x}] ≤ [µ[A]] · [v{x}]

La Norma de Frobenius
La Norma de Frobenius viene dada por:
 1/2
Xm X
n
k[A]kF =  |aij |2 
i=1 j=1
Si m = n es una Norma de Matriz, por lo que:

p
k[A]kF = T r([A] · [A])
Donde T r es la Traza de una matriz, definida por:

n
X
T r([A]) = aii
i=1
Además:
Ã n X
n
! n n 
X XX
k[A] · [B]k2F = |aik |2  |bkj |2 
i=1 k=1 k=1 j=1
O:
k[A] · [B]k2F = k[A]k2F · k[B]k2F
Norma de Matriz Inducida

Sea [A] una matriz que representa una transformación lineal [A] : Rn −→
Rn .Se define la norma de la matriz [A] inducida por una norma vectorial
como:
k[A] · {x}kv
f ([A]) = sup
{x}6=0 k{x}kv
O:
f ([A]) = sup k[A] · {x}kv

k{x}kv =1
Aplicando el Corolario 1.5.10 se puede reescribir la Norma de una

Matriz Inducida como:
k[A] · {x}kv
f ([A]) = máx = máx k[A] · {x}kv
{x}6=0 k{x}kv k{x}kv =1
Para toda matriz [A] ∈ Fn×n y todo vector {x} ∈ Fn .
Teorema 1.5.12 Sea k · kv una norma vectorial en Fn y sea k · k una norma

de matriz. Las normas k · kv y k · k son consistentes.
Teorema 1.5.13 Si µ es otra norma de matriz consistente con k · kv , en-

tonces:
k[A]k ≤ µ([A]), ∀[A] ∈ Fn×n
Las Normas Inducidas `1 , `2 y `∞
1. La Norma Inducida por `1
n
X
k[A]k1 = máx |aij | = máx kaj k1
1≤j≤n 1≤j≤n
i=1
2. La Norma Inducida por `2

Llamada también Norma Espectral o Norma de Operador, está dada
por:
q
k[A]k2 = máx λi ([A]T · [A])
1≤i≤n
Donde λi ([A]T [A]) es el valor propio i-ésimo de [A]T [A]. La matriz

resultante del producto [A]T [A] es siempre simétrica, por lo que sus
valores propios son reales y no pueden ser negativos.
3. La Norma Inducida por `∞
n
X
k[A]k∞ = máx |aij |
1≤i≤n
j=1
Ejemplo:
Calcular la norma espectral para la matriz [A] siguiente:

· ¸
1 2
[A] =
3 4
De acuerdo con la definición de Norma Inducida, la Norma Espectral se
obtiene de resolver el problema de maximización siguiente.
p
k[A]k = √ máx (x1 + 2x2 )2 + (3x1 + 4x2 )2
x1 2 +x2 2 =1
En lugar de abordar el problema de maximización, se pueden calcular

los valores propios de [A]T [A], cuyo polinomio caracterı́stico es:
¯ ¯
¯λ − 10 −14 ¯
T ¯
|λ[1] − [A] · [A]| = ¯ ¯=0
−14 λ − 20¯
Resolviendo el determinante, se obtiene:
λ2 − 30λ + 4
Y las raı́ces de este polinomio son:
√
λ = 15 ± 221
Eligiendo el signo + se tiene el valor propio máximo, por lo tanto.
q
√
k[A]k = 15 + 221 = 5, 465
1.5.34. Espacio Euclı́deo

Un Espacio Euclı́deo es un Espacio Vectorial normado de dimensión finita
en el que la norma es heredada de un producto escalar.
Formalmente, para cada número entero no negativo n, el espacio euclı́deo

n-dimensional es el conjunto Rn que posee una Función Distancia (Métrica)
dada por la Norma Euclı́dea (Norma de Hölder `2 ).
El término “Espacio Euclı́deo n-dimensional” es usualmente abreviado a

“n-Espacio Euclı́deo” y se denota por En .
1.6. Repaso de Cálculo Vectorial

1.6.1. Campos Conservativos
Sea {F } un campo definido en una región abierta D en el espacio, y
supóngase que para dos puntos cualesquiera A y B en D, el trabajo:
Z B
{F }d{r}
A
Realizado al moverse desde A hasta B es el mismo sobre todas las trayec-
torias desde A hasta B y en donde en R3 , d{r} = (dx, dy, dz). Entonces,
la integral:
Z
{F }d{r}
Es independiente de la trayectoria en D y al campo {F } se le llama

Campo Conservativo en D.
1.6.2. Función Potencial

Si {F } es un campo definido en D y:
{F } = ∇f
Para alguna función escalar f en D, entonces f recibe el nombre de
Función Potencial de {F }.
1.6.3. Rotacional
Si:
{F } = P i + Qj + RK
Es un campo vectorial en R3 y existen todas las derivadas parciales de P ,
Q y R, entonces el Rotacional de {F } es el campo vectorial en R3 definido
por:
µ ¶ µ ¶ µ ¶
∂R ∂Q ∂P ∂R ∂Q ∂P
∇ ∧ {F } = − i+ − j+ − k
∂y ∂z ∂z ∂x ∂x ∂y
Como se pude ver en la ecuación, el Rotacional de un campo vectorial

{F } es el producto vectorial entre el gradiente, ∇, y dicho campo.
1.6. REPASO DE CÁLCULO VECTORIAL 103
Teorema 1.6.1 Si {F } es un campo vectorial definido en todo R3 cuyas

funciones componentes tienen derivadas parciales continuas y:
∇ ∧ {F } = {0}
Entonces, {F } es un campo vectorial conservativo.
1.6.4. Divergencia
Si:
{F } = P i + Qj + Rk
Es un campo vectorial en R3 y existen las derivadas parciales:
∂P ∂Q ∂R
, ,
∂x ∂y ∂z
Entonces, la Divergencia de {F } está dada por:
∂P ∂Q ∂R
∇{F } = + +
∂x ∂y ∂z
Como se ve en la ecuación, la Divergencia de un campo vectorial {F } es
el producto escalar o producto punto entre el gradiente, ∇, y dicho campo.
1.6.5. Teorema de Stokes

Sea S una superficie suave a trozos y orientada, que está limitada por
una curva frontera C, cerrada, suave a trozos y positivamente orientada (anti
horaria). Sea {F } un campo vectorial cuyas componentes tienen derivadas
parciales continuas en una región abierta de R3 que contiene a S. Entonces:
Z Z Z
{F }d{r} = (∇ ∧ {F })d{S}
C S
El Teorema de Stokes dice que la integral de lı́nea de la componente

tangencial de {F } alrededor de la curva frontera de S, es igual a la integral
de superficie de la componente normal del rotacional de {F }.
1.6.6. Teorema de Green

Sea C una curva cerrada simple positivamente orientada (anti horaria),
diferenciable por trozos, en el plano y sea D la región limitada por C. Si L
y M tienen derivadas parciales continuas en una región abierta que contiene
D, entonces:
Z Z Z µ ¶
∂M ∂L
(Ldx + M dy) = − dA
C D ∂x ∂y
1.6.7. Teorema de la Divergencia

Sean H y U dos subconjuntos abiertos en R3 donde U ⊂ H es simple-
mente conectado (simplemente conexo) y el borde de U , S es una superficie
regular o regular a trozos.
Sea:
{F } : H → R3
Un campo vectorial de clase C 1 , esto es, {F } cuenta con derivadas par-
ciales de primer orden continuas. Entonces:
Z Z Z Z Z
∇{F }dV = {F }{n}dS
V S
Donde los vectores normales a la superficie, {n}, son externos al volumen

V.

Capítulo 1-1 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Capítulo 1-1 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Capı́tulo 1

1.1. Repaso de Cálculo

Si para cualquier ε > 0, independiente de lo pequeña que sea, existe una

|f (x) − L| < ε siempre que 0 < |x − a| < δ

Es importante darse cuenta de que no es necesario que la función esté

En la Figura 1.1 se muestra una interpretación geométrica de los con-

Figura 1.1: Interpretación geométrica de Lı́mite.

Si para todo número ε > 0 existe un número correspondiente δ > 0 tal

|f (x) − L| < ε siempre que a − δ < x < a

Si para todo número ε > 0 existe un número correspondiente δ > 0 tal

|f (x) − L| < ε siempre que a < x < a + δ

Si para cualquier ε > 0, no importa que tan pequeña sea, existe un

|f (x) − L| < ε siempre que x > N

Si para cualquier ε > 0, no importa que tan pequeña sea, existe un

|f (x) − L| < ε siempre que x < N

Teoremas Acerca de los Lı́mites de las Funciones

Teorema 1.1.2 Se tiene que:

Teorema 1.1.3 Si:

lı́m [f (x) ± g(x)] = L ± M

Teorema 1.1.4 Si:

Teorema 1.1.5 Si:

Teorema 1.1.6 Si:

1.1.2. Continuidad de una Función

3. lı́m f (x) = f (a).

Si una o más de estas tres condiciones no se cumple para a, se dice que

Teoremas sobre la Continuidad

Teorema 1.1.10 Una función polinomial (o polinómica) es continua en to-

Teorema 1.1.11 Una función racional es Continua en todo número de su

Teorema 1.1.12 Si:

Teorema 1.1.13 Se dice que una función f es Continua en el número a,

|f (x) − f (a)| < ε siempre que |x − a| < δ

Este teorema se emplea para demostrar el siguiente teorema importante,

Teorema 1.1.14 Si:

lı́m (f ∼ g)(x) = f (b)

lı́m f (g(x)) = f ( lı́m g(x))

Teorema 1.1.15 Si una función g es Continua en a y una función f es

2. Se dice que una función f es Continua a la derecha del número a si y

3. Se dice que una función f es Continua a la izquierda del número a si

5. Una función cuyo dominio incluye el intervalo semiabierto por la derecha

6. Una función cuyo dominio incluye el intervalo semiabierto por la izquier-

1.1.3. Teorema del Valor Intermedio

En la Figura 1.2 se realiza una interpretación geométrica de este teorema.

Figura 1.2: Interpretación geométrica del Teorema del Valor Intermedio.

1.1.4. Teorema de Estricción

f (x) ≤ g(x) ≤ h(x)

Para toda x en X, para la cual x 6= a. Supóngase además, que el lı́m f (x)

Si a es un número particular en el dominio de f , entonces:

Interpretación Geométrica de la Derivada

Por lo tanto, la Interpretación Geométrica de una Derivada es como se

Figura 1.3: Interpretación geométrica de la Derivada de una función.

Si se utiliza la forma punto-pendiente de la ecuación de una recta, se

Si una función f está definida en a, entonces la Derivada por la Derecha

F 0 (x) = f 0 (g(x))g 0 (x)

Donde x está en el dominio de f 0 y dx constituye un incremento arbi-

Al dividir entre dx ambos miembros de la última ecuación, se tiene que:

Si dx 6= 0. Esta ecuación expresa la Derivada como el cociente de dos

1.1.6. La Integral Definida

Se conoce como la Suma de Riemann. Se sabe que si f es positiva, la

Figura 1.4: Interpretación geométrica de la Suma de Riemann.

Propiedades de la Integral Definida

Teorema 1.1.18 Si una función f es integrable en el intervalo cerrado [a, b]

Teorema 1.1.19 Si las funciones f y g son integrables en [a, b], entonces

Teorema 1.1.20 Si f es integrable en un intervalo cerrado que contiene los