Documente Academic
Documente Profesional
Documente Cultură
a la maestra en
Matematicas aplicadas del CIMAT
Introduccion
En las universidades se trazan planes de estudio para que los alumnos de areas
cientficas e ingenieras egresen lo mejor preparados, pero es indudable que en el
proceso de formacion del profesional en estas areas se busque inculcar un area es-
pecifica para poderla desarrollar en todo su potencial. Al llevar a cabo este objetivo
se dejan de lado aspectos importantes de la matematica o simplemente se dejan de
estudiar aquellas areas basicas que pertenecen al tronco comun y fundamental del
profesional en matematicas.
Los temas de estudio que se abordan estan basados en los libros [1, 2, 3, 4, 5,
6, 7, 8, 9, 10, 11] y son:
i) Algebra Lineal. Aqu se estudian los conceptos mas importantes como Es-
pacios Vectoriales, Bases, Dimensiones y Transformaciones Lineales, Ma-
trices Similares, Valores Propios, Vectores Propios y se abordan los temas
del Teorema fundamental del Algebra Lineal y Espacios Vectoriales Duales.
ii) Introduccion al Analisis Real. Los temas que se mencionan aqu son Lmi-
tes, Continuidad, Derivacion, Integracion, El Teorema Fundamental del Calcu-
lo, que son temas comunes en los cursos de Calculo de nivel superior, y los
conceptos como Convergencia Puntual, Convergencia Uniforme, El Teore-
ma de Weierstrass y El Ejemplo de Weierstrass son mas comunes en los
cursos de Analisis Matematico.
iii) Calculo para Funciones Vectoriales. Las ideas de Funciones Vectoriales,
Lmites y Continuidad para Funciones Vectoriales, Derivacion y Jacobia-
nos, El Teorema de la Funcion Inversa y El Teorema de la Funcion Implcita
se tratan de una manera muy basica, ya que algunos de los teorema aqu ex-
puestos no se demuestran, ya que se pueden revisar las debidas demostra-
ciones en textos comunes de Calculo Vectorial.
1. Algebra Lineal 9
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Recordando a Rn . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Espacios Vectoriales y Transformaciones Lineales . . . . . . . . . 12
1.4. Bases, Dimensiones y Transformaciones Lineales con Matrices . . 21
1.5. El Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.6. Primer Teorema Fundamental del Algebra Lineal . . . . . . . . . 38
1.7. Matrices Similares . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.8. Valores Propios y Vectores Propios . . . . . . . . . . . . . . . . . 43
1.9. Espacios Vectoriales Duales . . . . . . . . . . . . . . . . . . . . 50
1.10. Eliminacion Gausiana . . . . . . . . . . . . . . . . . . . . . . . . 52
1.10.1. Interpretacion Analtica . . . . . . . . . . . . . . . . . . 54
1.11. Matrices Positivas Definidas . . . . . . . . . . . . . . . . . . . . 56
5
3. Calculo para Funciones Vectoriales 89
3.1. Funciones Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 89
3.2. Lmites y Continuidad de Funciones Vectoriales . . . . . . . . . . 90
3.3. Diferenciacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.4. El Teorema De La Funcion Inversa . . . . . . . . . . . . . . . . . 96
3.5. El Teorema De La Funcion Implcita . . . . . . . . . . . . . . . . 99
6
6.7.2. Sistemas Lineales Homogeneos. . . . . . . . . . . . . . . 184
7
8
Captulo 1
Algebra Lineal
1.1. Introduccion
9
1.2. RECORDANDO A RN
1.2. Recordando a Rn
Normalmente la mayora de los estudiantes conocen el espacio vectorial deno-
tado por Rn , que consiste en el conjunto de todas las n-tuplas de numeros reales:
{(x1 , ..., xn )| xi R}
Como veremos en la siguiente seccion, lo que hace que dicho conjunto sea un
espacio vectorial es que se pueden sumar dos n-tuplas para obtener otra n-tupla:
x1
.
. .
x=
xn
Similarmente haremos lo mismo para Rm , es decir como un vector columna con
m entradas.
Sea A una matriz de m n de la forma:
a11 . . . a1n
. .
A=
.
.
.
am1 . . . amn
Entonces, A x es la m-tupla:
10
CAPITULO 1. ALGEBRA LINEAL
a11 . . . a1n x1 a11 x1 + a21 x2 + + a1n xn
. . .
.
Ax=
. = .
. . .
am1 . . . amn xn am1 x1 + am1 x2 + + amn xn
A ( x + y) = A x + A y.
Ahora relacionemos los conceptos anteriores con la resolucion de un sistema
de ecuaciones lineales de la forma:
Si denotamos por
b1 a11 . . . a1n
. . .
. yA= .
b=
.
bm am1 . . . amn
y el vector columna de las incognitas:
x1
.
x=
.
xn
obtenemos:
11
1.3. ESPACIOS VECTORIALES Y TRANSFORMACIONES LINEALES
Ax=b (1.1)
Cuando m > n (cuando existen mas ecuaciones que incognitas) esperamos
que el sistema casi siempre no tenga solucion. Veamos geometricamente este he-
cho para un ejemplo. Sea n = 2 y m = 3 as que dadas tres lineas en un plano es
usual que no tengan un punto de interseccion comun.
Cuando m < n (cuando hay mas incognitas que ecuaciones) decimos que
el sistema tiene una infinidad de soluciones. Geometricamente esto corresponde
(cuando m = 2 y n = 3) al hecho que dos planos normalmente se intersectan en
una recta. Muchos de los conceptos del algebra lineal son creados para resiolver
el caso remanente (m = n).
Supongamos que la matriz A de n n, se llama cuadrada, tiene una matriz
inversa A1 (lo cual significa que A1 tambien es de n n elementos y lo mas
importante que A1 A = I, con I la matriz identidad), entonces la solucion de
(1.1) es:
x = A1 b,
dado que:
A x = A(A1 b) = I b = b.
Por lo tanto, la solucion de nuestro sistema de ecuaciones lineales se reduce a
comprender cuando una matriz A de n n tiene una matriz inversa (Si una matriz
inversa existe, entonces hay varias formas para calcularlas.)
Uno de los teoremas claves del algebra lineal (dado posteriormente) es en esencia
una lista de muchas formas equivalentes de establecer cuando una matriz tiene
inversa, lo cual es esencial para entender cuando un sistema de ecuaciones puede
ser resuelto.
12
CAPITULO 1. ALGEBRA LINEAL
c) Para todo v, w V, v + w = w + v.
g) Para todo v V, 1 v = v.
Como una forma de notacion, los elementos de un espacio vectorial seran lla-
mados vectores y los elementos de R (o de cualquier otro campo al que hagamos
referencia), seran llamados escalares. Note que el espacio Rn dado en la seccion
anterior satisface estas condiciones.
13
1.3. ESPACIOS VECTORIALES Y TRANSFORMACIONES LINEALES
p + p = p y p = p, con R
es decir, la suma de elementos de V nos da un elemento en V y la multiplicacion
de un elemento de V por un escalar nos da un elemento en V.
Ejemplo 1.3.4 Sea X={a1 , ..., an } un conjunto con n elementos. Se define una
palabra formada por el conjunto X como una expresion del tipo x1 a1 + ... + xn an ,
donde xi R. Dos palabras x1 a1 + ... + xn an y y1 a1 + ... + yn an son iguales si
xi = yi. Se define V como el conjunto de todas las palabras, y verificamos que:
Ejemplo 1.3.5 Sea V el conjunto de las sucesiones de numeros reales, y las ope-
raciones + y definidas como sigue:
Dadas {an } y {bn } V y dado R; la suma de dos sucesiones esta definida
como la sucesion que se obtiene sumando los terminos n-esimos de las sucesiones
dadas:
{an } + {bn } = {a1 + b1 , ..., an + bn , . . . } = {an + bn }
y el producto esta definido como sigue:
{an } = { a1 , ..., an , . . . } = { an }
Es facil comprobar que es V forma un espacio vectorial real. El vector nulo es
la sucesion que tiene todos sus terminos iguales a cero. Se verifica ademas que
{an } = {an }.
14
CAPITULO 1. ALGEBRA LINEAL
La operacion 2 esta bien definida. Los axiomas (a), (c) y (d) se verifican directa-
mente. Mas aun,
15
1.3. ESPACIOS VECTORIALES Y TRANSFORMACIONES LINEALES
Ejemplo 1.3.10 Para todo espacio vectorial V, el subconjunto {0} que contiene
solamente el vector cero, es un subespacio de V puesto que
0+0=0
y
Esto es, H consiste de los vectores en R3 que estan sobre una recta que pasa por
el origen. Veamos que H es un subespacio de R3 . Si x = (at1 , bt1 , ct1 ) H y
y = (at2 , bt2 , ct2 ) H, entonces:
x = (a( t1 ), b( t2 ), c( t3 )) H.
Luego, H es un subespacio de R3 .
1 = (1/) H
y
16
CAPITULO 1. ALGEBRA LINEAL
T (v) = 0 = 0 = T (v).
Aqu T se llama transformacion cero.
A(x) = Ax
17
1.3. ESPACIOS VECTORIALES Y TRANSFORMACIONES LINEALES
(A + B)t = At + B t
y
(A)t = At
vemos que T , llamado el operador transpuesta, es una transformacion lineal.
Ejemplo 1.3.20 Sea D : C [0, 1] C[0, 1] definida por Df = f . Puesto que
(f + g) = f + g
y
(f ) = f
si f y g son diferenciables, vemos que D es lineal. D se llama operador diferen-
cial.
R1
Ejemplo 1.3.21 Sea J : C[0, 1] R y siendo definida por Jf = 0 f (x)dx.
Puesto que
Z 1 Z 1 Z 1
[f (x) + g(x)]dx = f (x)dx + g(x)dx
0 0 0
y
Z 1 Z 1
f (x)dx = f (x)dx
0 0
1
si f y g son continuas, vemos que J es lineal. Por ejemplo, T (X 3 ) = 4
. J se
llama operador integral.
18
CAPITULO 1. ALGEBRA LINEAL
Ker(T ) = {v V : T (v) = 0}
y la imagen de T es:
19
1.3. ESPACIOS VECTORIALES Y TRANSFORMACIONES LINEALES
4x y + 3z = 0
x + 2y + z = 0.
4x y + 3z = 0
x + 2y + z = 0.
1 0 79
1
0 1 9
7 1
Por lo tanto, (x, y, z) esta en el Ker(T ) si y solo si x = 9
z yy = 9
z, o si
y solo si:
7 1 7 1
(x, y, z) = ( z, z, z) = z( , , 1).
9 9 9 9
De esta manera, el Ker(T ) es la linea que pasa a traves del origen determinado
por el vector ( 7
9
, 1
9
, 1); tambien puede ser descrito como el subespacio de R3
generado por el vector ( 7 9
, 1
9
, 1).
20
CAPITULO 1. ALGEBRA LINEAL
Definicion 1.4.1 Un conjunto de vectores (v1 , ..., vn ), forman una base para el
espacio vectorial V, si dado cualquier vector v en V, existen escalares unicos
a1 , ..., an R con v = a1 v1 + ... + an vn .
21
1.4. BASES, DIMENSIONES Y TRANSFORMACIONES LINEALES CON
MATRICES
Ejemplo 1.4.3 Sea K un campo cualquiera. Consideremos el espacio vectorial
Kn de todas las n-tuplas de elementos de K. Los vectores:
e1 = (1, 0, 0, 0, ..., 0)
e2 = (0, 1, 0, 0, ..., 0)
.
.
en = (0, 0, 0, 0, ..., 1)
forman una base, llamada la base usual, de Kn . Por lo tanto, Kn tiene dimension
n.
Para entender mejor los ejemplos, y dar otros mas abstractos, veamos la si-
guiente definicion.
22
CAPITULO 1. ALGEBRA LINEAL
a1 v1 + ... + an vn = 0.
Si no existen tales numeros, entonces se dice que v1 , ..., vn son linealmente inde-
pendientes.
a1 v1 + ... + an vn = 0,
entonces ai = 0 para todo i = 1, ..., n.
E1 = (1, 0, ..., 0)
.
.
En = (0, 0, ..., 1).
Entonces E1 , ..., En son linealmente independientes, esto es, sean a1 , ..., an esca-
lares tales que:
a1 E1 + ... + an En = 0.
Y como
Ejemplo 1.4.8 Sea V el espacio vectorial de todas las funciones de una variable
t. Sean f1 , ..., fn n funciones. Decir que estas son linealmente dependientes es
equivalente a decir que existen escalares a1 , ..., an , no todos iguales a cero, tales
23
1.4. BASES, DIMENSIONES Y TRANSFORMACIONES LINEALES CON
MATRICES
que:
aet + be2t = 0
(para todos los valores de t). Derivese esta relacion. Se obtiene:
aet + 2be2t = 0.
Restese la primera relacion de la segunda. Se obtiene be2t = 0 y, por lo tanto,
b = 0. A partir de la primer relacion se deduce que aet = 0 y de aqu que a = 0.
De donde et , e2t resultan ser linealmente independientes.
Ejemplo 1.4.10 Demostrar que los vectores (1, 1) y (3, 2) son linealmente in-
dependientes.
Sean a y b dos escalares tales que:
a(1, 1) + b(3, 2) = 0.
Al escribir esta ecuacion en terminos de las componentes, encontramos que:
a 3b = 0, a + 2b = 0.
Este es un sistema de dos ecuaciones que se resuelve para a y b. Al restar la
segunda ecuacion de la primera, obtenemos 5b = 0, por lo que b = 0. Al sustituir
en cualquier ecuacion, encontramos que a = 0. Por lo tanto, a y b son iguales a
cero y los vectores son linealmente independientes.
En algunos ejemplos se ha mencionado que un conjunto de vectores genera
al espacio vectorial del que se hace mencion, para comprender este hecho, veamos
la siguiente definicion.
v = a1 v1 + ... + an vn .
24
CAPITULO 1. ALGEBRA LINEAL
Ejemplo 1.4.12 Demostrar que los vectores (1, 1) y (1, 2) forman una base de
R2 .
Tenemos que demostrar que los vectores son linealmente independientes y que
generan a R2 . Para probar la independencia lineal, supongase que a y b son nume-
ros tales que:
a(1, 1) + b(1, 2) = 0;
luego
a b = 0, a + 2b = 0.
Restando la primera ecuacion de la segunda se obtiene 3b = 0, de tal manera que
b = 0. Pero de la primera ecuacion se sabe que a = 0, y se prueba as que los vec-
tores son linealmente independientes. Luego, supongase que (a, b) es un elemento
arbitrario de R2 . Se debe demostrar que existen numeros x, y tales que:
x y = a,
x + 2y = b.
3y = b a
por lo que:
ba
y= ,
3
y finalmente:
ba
x=y+a= + a.
3
25
1.4. BASES, DIMENSIONES Y TRANSFORMACIONES LINEALES CON
MATRICES
Esto prueba lo que se quera. De acuerdo con las definiciones, (x, y) son las coor-
denadas de (a, b), con respecto a la base (1, 1), (1, 2).
Hemos visto que los espacios vectoriales pueden tener muchas bases. Surge
naturalmente una pregunta: Tienen todas las bases el mismo numero de vecto-
res? En R3 , la respuesta es si. Para ver esto, notese que cualesquiera tres vectores
linealmente independientes de R3 forman una base. El teorema siguiente dice que
la pregunta formulada con anterioridad tiene una respuesta afirmativa para todos
los espacios vectoriales.
Teorema 1.4.13 Si u1 , ..., um y v1 , ..., vn son bases del espacio vectorial V, en-
tonces m = n; esto es, cualesquiera dos bases en un espacio vectorial V poseen
el mismo numero de vectores.
c1 u1 + ... + cm um = 0 (1.3)
26
CAPITULO 1. ALGEBRA LINEAL
(a11 c1 + a21 c1 + ... + am1 cm )v1 + (a12 c1 + a22 c2 + ... + am2 cm )v2 +
27
1.4. BASES, DIMENSIONES Y TRANSFORMACIONES LINEALES CON
MATRICES
v = a1 v1 + ... + an vn
w = b1 w1 + ... + bn wn
28
CAPITULO 1. ALGEBRA LINEAL
a11 a12 . . . a1n
. . . . . .
. . . . . .
. . . . . .
am1 . . . . amn
Dado cualquier vector v en V, con v = a1 v1 + ... + an vn , tenemos que:
1.5. El Determinante
Nuestro siguiente paso sera dar una definicion para el determinante de una ma-
triz. De hecho, daremos tres definiciones alternas del determinante. Las tres son
equivalentes; cada una tiene sus propias ventajas.
29
1.5. EL DETERMINANTE
det(a) = a.
30
CAPITULO 1. ALGEBRA LINEAL
det : Matrices R
que satisface:
c) det I = 1.
De esta manera, tratamos cada vector columna de una matriz como un vec-
tor en Rn , el determinante puede ser visto como un tipo especial de funcion de
Rn ... Rn a los numeros reales.
31
1.5. EL DETERMINANTE
det A = 2.
Por volumen con signo entenderemos, que si las orientaciones de los lados del
cubo unitario son cambiadas, entonces podemos tener como volumen
un numero
2 0
negativo. Por ejemplo, consideremos la matriz A = . Aqu la imagen
0 1
es el mismo paraleleppedo de area doble del ejemplo anterior, pero notemos que
la orientacion de los lados han cambiado, y por lo tanto, tenemos que:
det A = 2.
Para definir rigurosamente la orientacion es algo complicado (lo haremos en
un capitulo posterior), pero su significado es sencillo.
32
CAPITULO 1. ALGEBRA LINEAL
a11 a12 ... a1j + 1j ... a1n
a21 a22 ... a2j + 2j ... a2n
. . . .
C=
. . . .
. . . .
an1 an2 ... anj + nj ... ann
Entonces:
33
1.5. EL DETERMINANTE
Solucion:
3 5 2
det(A) = det 4 2 3
1 2 4
2 3 4 3 4 2
= 3 det 5 det + 2 det
2 4 1 4 1 2
= 3 2 5 19 + 2 10 = 69
34
CAPITULO 1. ALGEBRA LINEAL
35
1.5. EL DETERMINANTE
36
CAPITULO 1. ALGEBRA LINEAL
37
1.6. PRIMER TEOREMA FUNDAMENTAL DEL ALGEBRA LINEAL
1. A es invertible.
2. det A 6= 0.
3. ker A = 0.
38
CAPITULO 1. ALGEBRA LINEAL
1. T es invertible.
2. det T 6= 0, donde el determinante esta definida por una base elegida sobre
V.
3. ker T = 0.
5. Para cualquier base v1 , ..., vn de V, la imagen de los vectores T (v1 ), ..., T (vn )
son linealmente independientes.
T : V V
como una matriz A de n n. Desafortunadamente, si se elije una base diferente
para V, la representacion matricial de la transformacion lineal sera muy diferente
de la matriz original A. La meta de esta seccion es encontrar un criterio claro para
cuando dos matrices representan la misma transformacion lineal pero bajo dife-
rentes bases.
39
1.7. MATRICES SIMILARES
Definicion 1.7.1 Dos matrices A y B son similares si existe una matriz C inver-
tible tal que:
A = C 1 BC
Lo que queremos es ver que dos matrices son similares, precisamente, cuando
ellas representan la misma transformacion lineal. Elijamos dos bases para el es-
pacio vectorial V, es decir, v1 , ..., vn (la base v) y w1 , ..., wn (la base w). Sea A la
matriz que representa a la transformacion lineal T para la base v y sea B la matriz
que representa a la transformacion lineal para la base w. Deseamos construir la
matriz C tal que A = C 1 BC.
z = a1 v1 + ... + an vn .
z = b1 w1 + ... + bn wn ,
40
CAPITULO 1. ALGEBRA LINEAL
Rn
A Rn
C C
n
R B Rn
es decir, CA = BC, o:
A = C 1 BC
como se deseaba.
Determinar cuando dos matrices son similares es un tipo de resultado que apa-
rece con frecuencia en las aplicaciones de las matematicas. Regularmente se debe
elegir un sistema de coordenadas (alguna base) con el fin de escribir cualquier
cosa, pero las matematicas o la fsica subyacente que le interesa es independiente
de la eleccion inicial. La pregunta clave es: que se conserva cuando el sistema de
coordenadas se cambia? Las matrices similares nos permiten empezar a compren-
der estas cuestiones.
41
1.7. MATRICES SIMILARES
y
2 1
C= .
1 1
Entonces
2 1 4 2 3 1
CB = =
1 1 5 3 1 1
y
2 1 2 1 3 1
AC = = .
0 1 1 1 1 1
De esta manera CB = AC. Puesto que det C = 2 (1)(1) = 1 6= 0, C es
invertible: ya que CB = AC, tenemos C 1 CB = C 1 AC o bien B = C 1 AC.
Esto muestra que A y B son similares.
42
CAPITULO 1. ALGEBRA LINEAL
Uno de los propositos detras de las siguientes definiciones para valores pro-
pios y vectores propios es darnos las herramientas para escoger buenas bases. Sin
embargo, existen muchas otras razones para entender los valores propios y los
vectores propios.
T (v) = v.
Para una matriz A de n n elementos, un vector columna x Rn , no cero, es un
vector propio con valor propio , un escalar, si:
Ax = x.
43
1.8. VALORES PROPIOS Y VECTORES PROPIOS
Por ejemplo,
2 2 1 1
=2
6 5 2 2
1
y, de esta manera, 2 es un valor propio y es un vector propio para la
2
2 2
transformacion lineal representada por la matriz .
6 5
Por suerte, existe una forma facil para describir los valores propios de una matriz
cuadrada, la cual nos permitira observar que los valores propios de una matriz se
preservan bajo transformaciones similares.
v Av = 0,
donde el cero del lado derecho de la igualdad es el vector columna cero. Entonces,
usando la matriz identidad I, tenemos que:
0 = v Av = (I A)v.
De esta manera, la matriz I A tiene un kernel no trivial, v. Por el teorema
fundamental del algebra lineal, esto sucede precisamente cuando:
det(I A) = 0,
lo cual significa que es una raz del polinomio caracterstico P (t) = det(tI A).
Ya que todas estas direcciones se pueden invertir, tenemos nuestro teorema.
44
CAPITULO 1. ALGEBRA LINEAL
Demostracion : Para las matrices A y B que son similares, existe a lo mas una
matriz invertible C con A = C 1 BC. Entonces:
Ya que los polinomios caractersticos para matrices similares son los mismos,
esto significa que los valores propios a lo mas seran los mismos.
Corolario 1.8.4 Los valores propios para matrices similares son iguales.
De esta manera, para que verificar si dos matrices son similares se pueden
comparar los valores propios de ambas. Si los valores propios no son los mismos,
las matrices no son similares. Desafortunadamente, en general, aun teniendo valo-
res propios iguales, no se puede forzar a las matrices a ser similares. Por ejemplo,
las matrices:
1 7 1 0
A= yB=
0 2 0 2
ambos tienen valores propios de 1 y 2, pero no son similares.
45
1.8. VALORES PROPIOS Y VECTORES PROPIOS
Teorema 1.8.5 Sean 1 , ..., n los valores propios, que cuentan con multiplici-
dad, de una matriz A. Entonces:
det A = 1 , ..., n
Antes de probar este teorema, necesitamos discutir la idea de que los valores
propios cuenten con multiplicidad. La dificultad es que un polinomio puede tener
una raz que puede ser contado mas de una vez (por ejemplo, el polinomio (x2)2
tiene una raz real, que es 2, la cual se puede contar dos veces). En particular, esto
suele suceder en el polinomio caracterstico. Por ejemplo, considere la matriz:
5 0 0
0 5 0
0 0 4
el cual contiene el siguiente polinomio caracterstico cubico:
(t 5)(t 5)(t 4)
Por el teorema anterior, podemos enlistar los valores propios como 4, 5 y 5,
por lo tanto, contiene el valor propio 5 dos veces.
Demostracion Dado que los valores propios 1 , ..., n son las races (comple-
jas) del polinomio caracterstico det(tI A), tenemos que:
(t 1 ) (t n ) = det(tI A).
Poniendo a t = 0, obtenemos:
(1)n 1 n = det(A)
En la matriz (A), cada columna de A es multiplicada por (1). Usando la se-
gunda definicion de un determinante, podemos factorizar cada una de los (1) s,
como sigue:
(1)n 1 n
y as obtenemos el resultado que espervabamos.
46
CAPITULO 1. ALGEBRA LINEAL
Ahora, finalmente toca el turno para determinar una buena base para la re-
presentacon de la transformacion lineal. El criterio de lo bueno, es lo cerca que
la matriz esta de ser una matriz diagonal. Nos limitaremos a una especial, pero
muy frecuente clase: las matrices simetricas. Por simetricas, entenderemos que si
A = (aij ), entonces requeriremos que las entradas de la i-esima fila y la j-esima
columna de (aij ) a lo mas sean iguales a las entradas de la j-esima fila y la i-esima
columna de aji . De esta manera:
5 3 4
3 5 2
4 2 4
es simetrica, pero:
5 2 3
6 5 3
2 18 4
no lo es.
Teorema 1.8.6 Si A es una matriz simetrica, entonces existe una matriz B simi-
lar a A que no solo es diagonal, pero con las entradas a lo largo de la diagonal
siendo precisamente los valores propios de A.
C = (v1 , ..., vn )
47
1.8. VALORES PROPIOS Y VECTORES PROPIOS
1 0 ... 0
. . . .
B=
. . . . .
. . . .
0 0 ... n
Denotemos lo siguiente:
1 0 0
0
1
0
e1 =
. , e2 =
. , ... en =
. .
. . .
0 0 1
C 1 ACei = C 1 Avi = C 1 (i vi ) = i C 1 vi = i ei ,
3 2
Ejemplo 1.8.7 Sea A = ; el polinomio caracterstico de A es:
2 0
3 2
det(I A) = det = 2 3 4.
2
2 3 4 = 0
48
CAPITULO 1. ALGEBRA LINEAL
4 2
Ejemplo 1.8.8 Sea A = . Entonces
3 3
4 2
det(I A) = det
3 3
= ( 4)( 3) 6 = 2 7 + 6
= ( 1)( 6) = 0.
50
CAPITULO 1. ALGEBRA LINEAL
T : W V
del dual de W al dual de V como sigue. Sea w W . Entonces, dado cualquier
vector w en el espacio vectorial W, sabemos que w (w) sera un numero real. Ne-
cesitamos definir T tal que T (w ) V . De esta manera, dado cualquier vector
v V, necesitamos que T (w )(v) sea un numero real. Simplemente definimos:
T (w )(v) = w (T (v)).
Por cierto, tengamos en cuenta que la direccionde la transformacion lineal
T : V W es, en efecto, invertida a T : W V . Tambien, por transfor-
macion lineal transpuesta, entenderemos que el mapeo T no es obvio, sino que
puede ser el unico asociado a la transformacion original T .
51
1.10. ELIMINACION GAUSIANA
52
CAPITULO 1. ALGEBRA LINEAL
(2) (2)
donde los nuevos coeficientes estan dados por aij = aij li1 a1j , bi = bi li1 b1
i = 2, 3, . . . n. El sistema resultante es de n1 ecuaciones con n1 incognitas. Si
(2)
a22 6= 0, de manera analoga se puede eliminar x2 de las ultimas n 2 ecuaciones
para obtener un sistema de n 2 ecuaciones con las incognitas x3 , x4 , . . . xn . Si
escogemos
(2)
ai2
li2 = (2) , i = 3, . . . , n
a22
entonces los coeficientes del sistema pueden escribirse como
(3) (2) (2) (3) (2) (2)
aij = aij mi2 a2j , bi = bi mi2 b2 i = 3, . . . , n.
(2) (2)
Los elementos a11 , a22 , a33 , . . . que aparecen durante la eliminacion son lla-
mados pivotes. Si todos los pivotes son distintos de cero se puede continuar este
proceso de eliminacion, despues de n 1 pasos se llega a la ecuacion
a(n) (n)
nn xn = bn .
53
1.10. ELIMINACION GAUSIANA
54
CAPITULO 1. ALGEBRA LINEAL
55
1.11. MATRICES POSITIVAS DEFINIDAS
negativa. Uno puede verificar que el unico caso en donde f es igual a cero es cuan-
do el vector (x1 , x2 , x3 ) es igual a cero. Notese que los mismos numeros aparecen
en la factorizacion 1.8. De este ejemplo podemos ver que la factorizacion LDLT
es esencialmente la misma que la descomposicion en matrices de estructura muy
simple. (Lo cual queda por demostrarse en el caso general).
Ejemplo 1.11.1
G = (x1 x2 )2 + 2x23
la cual es cero para cualquier multiplo del vector (1, 1, 0).
En general una forma cuadratica puede tomar valores positivos, cero o ne-
gativos. Los casos en que solo toma valores positivos (negativos) para vectores
distintos de cero son muy importantes en las aplicaciones. Tomese la siguiente
terminologa:
Teorema 1.11.4 Una matriz simetrica es positiva definida si y solo si sus pivotes
son positivos. En este caso xT Ax tiene un mnimo valor en x = 0
56
CAPITULO 1. ALGEBRA LINEAL
Teorema 1.11.5 Toda matriz simetrica positiva definida A, admite una factoriza-
cion simetrica de la forma
los numeros positivos pi son los pivotes que van en la diagonal de la matriz D y
los vectores li son las columnas de la matriz L.
Teorema 1.11.7 Una matriz A es positiva definida si todas las submatrices A(k)
tienen determinante positivo.
57
1.11. MATRICES POSITIVAS DEFINIDAS
58
Captulo 2
Introduccion al Analisis Real
2.1. Lmites
Definicion 2.1.1 Una funcion f : R R tiene un lmite L en a si dado cual-
quier numero real > 0, existe un numero real > 0 tal que para todo numero
real x con:
0 <| x a |< ,
tenemos que:
| f (x) L |< .
59
2.1. LIMITES
lm f (x) = L.
xa
lm x2 = 4
x2
Solucion: Verificaremos esto ahora. Usaremos el truco de utilizar un ejem-
plo cuya respuesta ya sabemos para comprobar la razonabilidad de la definicion.
De esta manera, para cualquier > 0, debemos encontrar un > 0 tal que si
0 <| x 2 |< , tendremos que:
| x2 4 |< .
Propongamos
= mn ,1 .
5
Como sucede a menudo, el trabajo inicial en la busqueda de la expresion co-
rrecta para no se muestra. Ademas, el 5 en el denominador puede ser cambiado
por otro numero mayor. Sea 0 <| x 2 |< . Queremos ver que | x2 4 |< .
Ahora
| x2 4 |=| x 2 | | x + 2 | .
Dado que x esta a una distancia de 2:
| x + 2 |< (2 + ) + 2 = 4 + 5.
60
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
De esta manera:
| x2 4 |=| x 2 | | x + 2 |< 5 | x 2 |< 5 = .
5
lm b = b
xc
Solucion: Para ser mas explcitos, sea f (x) = b para toda x R. Queremos
demostrar que lmxc f (x) = b. Si > 0 esta dado, se hace = 1. (De hecho,
cualquier estrictamente positiva servira aqui.) Entonces si 0 <| x c |< 1, se
tiene | f (x) b |=| b b |= 0 < . Puesto que > 0 es arbitrario, de la definicion
de lmite se concluye que lmxc f (x) = b.
lm x = c
xc
lm x2 = c2
xc
| h(x) c2 |=| x2 c2 |
menor que una > 0 preasignada tomando x lo suficientemente cerca de c. Para
ello, se observa que x2 c2 = (x + c)(x c). Ademas, si | x c |< 1, entonces
| x || c | +1
de donde
| x + c || x | + | c | 2 | c | +1.
61
2.1. LIMITES
| x2 c2 | (2 | c | +1) | x c |< .
Puesto que se cuenta con una manera de elegir > 0 para una eleccion arbitraria
de > 0, se infiere que lmxc h(x) = lmxc x2 = c2 .
Ejemplo 2.1.6 Dado que lmxc f (x) = L y lmxc g(x) = M, demostrar que
lm (f (x) + g(x)) = L + M.
xc
Solucion: Sea > 0 dado. Se quiere hallar un numero positivo tal que para
toda x
Ya que lmxc f (x) = L, entonces existe un numero 1 > 0 tal que para toda x
62
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
2.2. Continuidad
Definicion 2.2.1 Una funcion f : R R es continua a a si:
lm f (x) = f (a).
xa
lm f (x) 6= f (0).
xa
63
2.2. CONTINUIDAD
| x 0 |< .
Pero:
| f (x) f (0) |> .
Por lo tanto, esta funcion no es continua en x = 0.
64
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
Solucion: Demostraremos la continuidad de x en el punto x0 > 0 haciendo
uso de la definicion 2.2.1. Transformemos y estimemos el modulo de la diferencia
| x x0 | | x x0 |
0 | x x0 |= .
x + x0 x0
Como el lmxx0 =| x x0 | y 1/ x0 es constante, entonces
| x x0 |
lm = 0.
xx0 x0
De aqu se desprende que
lm | x x0 |= 0,
xx0
por lo que
lm x= x0 .
xx0
De modo que la funcion x es continua en cada punto x0 > 0.
Demostraremos que la funcion x es continua en el puntox0 = 0 por la
derecha. Sea un numero positivo arbitrario. La desigualdad | x 0 |< es
equivalente a la desigualdad 0 x < 2 . Tomemos = 2 , entonces la desigual-
dad 0 x < se deduce la desigualdad x < . De forma que lmx0
+ x=0
y, por lo tanto, la funcion x es continua por la derecha en el punto x0 = 0.
2.3. Diferenciacion
Definicion 2.3.1 Una funcion f : R R es diferenciable en a si el limite
f (x) f (a)
lm
xa xa
existe. Este lmite es llamado la derivada de f en a y es denotada por (entre mu-
df
chos otros smbolos) f (a) o dx (a).
65
2.3. DIFERENCIACION
actual definicion de una lnea tangente debe incluir la definicion anterior de deri-
vada.
f (x) f (a)
.
xa
Ahora, vamos a hacer que x se aproxime a a. Las lneas secantes correspon-
diente se aproximaran a la lnea tangente. Por lo tanto, las pendientes de las lneas
secantes se aproximaran a la pendiente de la recta tangente.
f (x) f (a)
f (x) = limxa .
xa
Parte del poder de las derivadas es que hay toda una maquinaria del calculo
para la diferenciacion, lo que nos permite evitar, por lo general, la toma real de un
lmite.
Ejemplo 2.3.2 Veamos ahora un ejemplo de una funcion que no tiene derivada
en el origen, es decir:
f (x) =| x | .
Solucion: Esta funcion tiene un punto afilado en el origen y por lo tanto no
hay lnea tangente aparente. Vamos a mostrar que de las especificaciones de la
definicion, que f (x) =| x | no es diferenciable en x = 0. De este modo, queremos
mostrar que:
f (x) f (0)
limx0 .
x0
no existe. Por suerte:
f (x) f (0) |x| 1, x > 0
= =
x0 x -1, x < 0
66
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
f (x + h) f (x) 0
f (x) = lm = lm = 0.
h0 h h0 h
x
Solucion: Tenemos f (x) = x1
y
(x + h)
f (x + h) = ,
(x + h) 1
de modo que
x+h x
f (x + h) f (x) x+h1
x1
=
h h
1 (x + h)(x 1) x(x + h 1)
=
h (x + h 1)(x 1)
1 h
= ,
h (x + h 1)(x 1)
1 1
f (x) = lm = .
h0 (x + h 1)(x 1) (x 1)2
67
2.4. INTEGRACION
1
= 1
(x 1)2
2.4. Integracion
Intuitivamente, la integral de una funcion positiva f (x) con un dominio a
x b debe ser el area bajo la curva y = f (x) por encima del eje x.
Por supuesto, esto no es riguroso, ya que no se tiene aun ni siquiera una buena
definicion para el area. La idea principal es que el area de un rectangulo con una
altura a y anchura b es ab.
ba
t = .
n
y
68
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
a = t0
t1 = t0 + t
t2 = t1 + t
.
.
.
tn (= b) = tn1 + t.
20 1
Por ejemplo, sobre el intervalo [0, 2] con n = 4, tenemos que t = 4
= 2
y:
t0 = 0
1
t1 =
2
t2 = 1
3
t3 =
2
t4 = 2
Sobre cada intervalo [tk1 , tk ], elijase los puntos lk y uk tal que para todos los
puntos t sobre [tk1 , tk ], tenemos que:
f (lk ) f (t)
y
f (uk ) f (t).
Hacemos estas elecciones a fin de garantizar que el rectangulo con base [tk1 , tk ]
y de altura f (lk ) esta justo debajo de la curva y = f (x), y que el rectangulo con
base [tk1 , tk ] y de altura f (uk ) esta sobre la curva y = f (x).
Definicion 2.4.1 Sea f (x) una funcion real definida sobre el intervalo cerrado
[a, b]. Para cada entero positivo n la suma inferior de f (x) se define como:
69
2.4. INTEGRACION
n
X
L(f, n) = f (lk )t
k=1
Tengamos en cuenta que la suma inferior L(f, n) es la suma de las areas de los
rectangulos debajo de nuestra curva, mientras que la suma superior U(f, n) es la
suma de las areas de los rectangulos que sobresalen por encima de nuestra curva.
Definicion 2.4.2 Una funcion real f (x) con dominio en el intervalo cerrado [a, b],
se dice que es integrable si los siguientes dos lmites existen y son iguales:
Asimismo, encontramos
70
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
Resulta entonces
n
X
Sn = f (xk )xk
k=1
n
X
= (k x)x
k=1
= (1 + 2 + ... + n)(x)2
n(n + 1) 5 2
= ( )
2 n
25 1
= (1 + )
2 n
71
2.4. INTEGRACION
5
25 1 25
Z
xdx = lm Sn = lm (1 + ) = .
0 n+ n+ 2 n 2
Podemos seleccionar los ck como queramos. Escogemos que cada ck sea el ex-
tremo derecho de este subintervalo, una seleccion que nos lleva a una aritmetica
mas manejable. Entonces, c1 = x1 , c2 = x2 , y as sucesivamente. Los rectangulos
definidos por estas selecciones tienen las areas
72
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
n
X
Sn = f (ck )x
k=1
Xn
= k 2 (x)3
k=1
n
X
3
= (x) k2
k=1
3
b n(n + 1)(2n + 1)
=
n3 6
3
b (n + 1)(2n + 1)
=
6 n2
3 2
b 2n + 3n + 1
=
6 n2
3
b 3 1
= 2+ + 2 .
6 n n
Ahora podemos usar la definicion de la integral para hallar el area bajo la parabola
desde x = 0 hasta x = b como
Z b
x2 dx = lm Sn
0 n
b3
3 1
= lm 2+ + 2
n 6 n n
3
b b2
= (2 + 0 + 0) = .
6 3
73
2.5. EL TEOREMA FUNDAMENTAL DEL CALCULO
El hecho sorprendente es que la derivada de esta nueva funcion F (x) sera sim-
plemente la funcion original f (x). Esto significa que para encontrar la integral de
f (x), debe, en lugar de atarearse con sumas superiores e inferiores, simplemente
tratar de encontrar una funcion cuya derivada es f (x).
Resumiendo:
Teorema 2.5.1 (Teorema Fundamental del Calculo): Sea f (x) una funcion con-
tinua real definida sobre el intervalo cerrado [a, b], y definase:
Z x
F (x) = f (t)dt.
a
Entonces:
dG(x)
= f (x),
dx
74
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
entonces:
Z b
f (x)dx = G(b) G(a).
a
F (x + h) F (x)
limh0 = f (x).
h
Tengamos en cuenta que hemos reformulado ligeramente la definicion de la
derivada de limxx0 (f (f ) f (x0 ))/(x x0 ) a limh0 (f (x + h) f (x))/h.
Ambas son equivalentes. Ademas, para simplificar, solo mostraremos esto para x
en el intervalo abierto (a, b) y tomamos el lmite solo para valores de h positivos.
Considere lo siguiente:
R x+h Rx
F (x + h) F (x) a
f (t)dt a
f (t)dt
=
h h
R x+h
f (t)dt
= x .
h
Sobre el intervalo [x, x + h], para cada h defina lh y uh tal que para todos los
puntos t sobre [x, x + h], tenemos que:
f (lh ) f (t)
y
f (uh ) f (t).
Entonces tenemos que:
Z x+h
f (lh )h f (t)dt f (uh )h.
x
Dividiendo por h > 0, nos da:
R x+h
x
f (t)dt
f (lh ) f (uh ).
h
75
2.5. EL TEOREMA FUNDAMENTAL DEL CALCULO
y as, obtenemos nuestro resultado. Ahora, toca el turno de probar la parte b):
Aqu, daremos una funcion G(x) cuya derivada es:
dG(x)
= f (x).
dx
Rx
Mantengamos la notacion de la parte a), es decir, que F (x) = a
f (t)dt. Ten-
ga en cuenta que F (a) = 0 y
Z b
f (t)dt = F (b) F (a).
a
Por la parte a), sabemos que la derivada de F (x) es la funcion f (x). Por lo
tanto las derivadas de F (x) y G(x) coinciden, lo que significa que:
F (x) = G(x) + c.
Entonces:
Z b
f (t)dt = F (b) F (a)
a
= (G(b) + c) (G(a) + c)
= G(b) G(a)
como se deseaba.
76
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
dy dy du
=
dx du dx
Z u
d du
= cos tdt
du 1 dx
du
= cos u
dx
2
= cos x 2x
= 2x cos x2 .
y(1) = 5.
Solucion: La funcion
Z x
F (x) = tan tdt
1
es una antiderivada de tan x. Por lo tanto, la solucion general de la ecuacion es
Z x
y= tan tdt + C.
1
77
2.6. CONVERGENCIA PUNTUAL DE FUNCIONES
Z 1
5 = tan tdt + C
1
5 = 0+C
C = 5.
f (x) : [a, b] R
si para todo en [a, b]:
lm fn () = f ().
n
78
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
estara arbitrariamente cerca del numero f (). La importancia de una buena no-
cion de convergencia de funciones se deriva de la practica frecuente de solucionar
aproximadamente un problema y luego, utilizando la aproximacion, para entender
la verdadera solucion. Por desgracia, la convergencia puntual no es tan util o tan
potente como el tema de la proxima seccion, la convergencia uniforme, en el que
la tolerancia del lmite puntual de funciones (funciones, por ejemplo, continuas
o integrables) no garantiza la tolerancia del lmite, como veremos en el siguiente
ejemplo.
fn (x) = xn
para todo x en [0, 1]. Pongamos:
1, x = 1
f (x) =
0, 0 x < 1
Claramente, f (x) no es continua a el punto x = 1, mientras todas las funcio-
nes fn = xn son continuas en todo el intervalo. De hecho, observaremos que la
sucesion fn (x) no converge puntualmente a f (x).
lm fn (1) = lm 1 = 1 = f (1).
n n
Ahora, sea 0 < 1. Usaremos (sin probar) el hecho de que para cualquier
numero < 1, el lmite de n se aproximara a 0 cuando n se aproxime a . En
particular:
lm fn () = lm n
n n
= 0
= f ()
79
2.7. CONVERGENCIA UNIFORME
Casi todas las propiedades deseables de las funciones en las sucesiones seran
heredadas por el lmite. La principal excepcion es la diferenciabilidad, pero in-
cluso en este caso un resultado parcial es cierto. Como un ejemplo de como estos
argumentos funcionan, vamos a mostrar que:
lm f (x) = f ().
x
De esta manera, dado cualquier > 0, debemos encontrar algun > 0 tal que
0 <| x |< , tenemos que:
| f (x) f () |< .
Por la convergencia uniforme, existe un entero positivo N tal que:
| f (x) fN (x) |<
3
80
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
para todo x. Por supuesto, cada funcion fN (x) es continua a el punto . De esta
manera, existe un > 0 tal que para 0 <| x |< , tenemos que:
| f (x) fN () |< .
3
Ahora, mostraremos que para 0 <| x |< , debemos tener:
| f (x) f () |< .
para todo x
Usaremos el truco de anadir, apropiadamente, terminos cuya suma sea cero y
entonces aplicaremos la desigualdad del triangulo (| A + B || A | + | B |).
Tenemos que:
y hemos terminado.
Definicion 2.7.3 Sea f1 (x), f2 (x), ... una sucesion de funciones. La serie de fun-
ciones:
X
f1 (x) + f2 (x) + ... = fk (x)
k=1
81
2.7. CONVERGENCIA UNIFORME
para toda n N:
X
| f (x) fk (x) |< ,
k=1
para toda x.
Ahora tenemos:
Esto se sigue del hecho de que la suma finita de funciones continuas es conti-
nua y del teorema previo.
x3 x5
sen x = x +
3! 5!
converge uniformemente, 0 x r.
82
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
P
2. La serie k=1 Mk converge.
P
Entonces k=1 fk (x) converge uniforme y absolutamente.
83
2.8. LA M-PRUEBA DE WEIERSTRASS
n N, tenemos que:
X
| fk (x) |< ,
k=n
P
para todo x A. Si k=n fk (x) converge o no, ciertamente tenemos:
X
X
| fk (x) | | fk (x) | .
k=n k=1
P
Dado que k=1 Mk converge, sabemos que podemos encontrar una N tal que
para toda n N, tenemos que:
X
Mk < .
k=n
ak
Mk =
k!
Notese que, para todo x [a, a], tenemos que 0 <| x |n /n! an /n!.
De esta manera, si podemos mostrar que la serie
P P ak
k=1 Mk = k=1 k! converge,
obtendremos la convergencia uniforme. Por el criterio de la razon, ak
P
k=1 k! con-
vergera si el lmite de la razon:
ak+1
Mk+1 ( (k+1)! )
lm = lm k
k Mk k ( a )
k!
84
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
Definase:
X 1
f (x) = k
{10k x}.
k=1
10
Nuestro objetivo es:
85
2.9. EL EJEMPLO DE WEIERSTRASS
1
funcion 100 100x es continua en todas partes, pero no es diferenciable a sus 199
1 1
puntos angulados. Entonces, la suma parcial 10 10x+ 100 100x es continua en todas
partes, pero no es diferenciable a sus 199 puntos angulados. De manera similar,
1
1000
1000x es tambien continua, pero ahora pierde diferenciabilidad a sus 1999
puntos angulados. A medida que continuamos, en cada borde P afilado, perdemos
1 k
diferenciabilidad. Cuando vamos agregando los terminos en 10k
10 x, eventual-
mente pierden diferenciabilidad en cada punto.
1 1
k
{10k x} .
10 2 10k
La serie:
X 1 1X 1
=
k=1
2 10k 2 k=1 10k
es una serie geometrica y de esta manera, a lo mas, convergera (solo se tiene que
utilizar la prueba
P de1 la razon). Entonces, por la M-Prueba de Weierstrass, la se-
k
rie f (x) = k=1 10k {10 x} converge uniformemente. Dado que cada funcion
1 k
10k
10 x es continua, tenemos que f (x) a lo mas sera continua.
Es mucho mas difcil mostrar que f (x) es no diferenciable a cada punto; esto
sera un trabajo bastante delicado. Fijemos cualquier x. Debemos mostrar que:
f (x + h) f (x)
lm
h h
no existe. Debemos encontrar una sucesion, hm , de numeros que se aproximen a
cero tal que la sucesion f (x+hhmm)f (x) no converge.
x = a.a1 a2 ....,
donde a es cero o uno y cada ak es un entero entre cero y nueve. Sea:
86
CAPITULO 2. INTRODUCCION AL ANALISIS REAL
10m ,
6 4 o si am =
si am = 6 9
hm = m
10 , si am = 4 o si am = 9
Entonces:
a.a1 ...(am + 1)am+1 ..., si am 6= 4 o si am 6= 9
x + hm =
a.a1 ...(am 1)am+1 ..., si am = 4 o si am = 9
Vamos a estar observando en varios 10n (x + hm ). El factor 10n solo cambiara
donde el punto decimal se pose. En particular, si n > m, entonces:
{10n (x + hm )} = {10n x}
Si n m, entonces:
87
2.9. EL EJEMPLO DE WEIERSTRASS
Existen dos casos. Siguiendo con Spivak, consideraremos solamente el caso cuan-
do 10k x = .ak+1 ... < 21 . He aqu por que tuvimos que romper nuestra definicion
de hm en dos casos separados. Por nuestra eleccion de hm , {10k (x + hm )} y
{10k x} difieren solamente en el (m k)-esimo termino de la expansion decimal.
De esta manera:
1
{10k (x + hm )} {10k x} = .
10mk
Entonces 10mk ({10k (x + hm )} {10k x}) sera, segun lo previsto, un mas o
menos uno.
88
Captulo 3
Calculo para Funciones Vectoriales
89
3.2. LIMITES Y CONTINUIDAD DE FUNCIONES VECTORIALES
Definicion 3.2.1 Sean a = (a1 , ..., an ) y b = (b1 , ..., bn ) dos puntos en Rn . En-
tonces la distancia entre a y b, denotada por | a b |, es:
p
| a b |= (a1 b2 )2 + (a2 b2 )2 + ... + (an bn )2 .
La longitud de a esta definida por:
q
| a |= a21 + ... + a2n .
Note que hemos usado la palabra longituddado que podemos pensar al pun-
to a en Rn como un vector del origen a el punto.
Una vez que tenemos la nocion de distancia, podemos aplicar las herramientas
del analisis real. Por ejemplo, una definicion razonable de lmite sera:
L = (L1 , ..., Lm ) Rm .
a el punto a = (a1 , ..., an ) Rn si dado cualquier > 0, existe un > 0 tal que
para todo x Rn , si:
0 <| x a |< ,
90
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
tenemos que:
| f (x) L |< .
Denotamos este limite por:
lm f (x) = L
xa
x4 y
Ejemplo 3.2.4 Estudiemos el lmite lm(x,y)(0,0) x4 +y 4
. Si nos acercamos al ori-
gen por una recta del tipo y = kx obtenemos
x4 y x4 (kx)
lm = y = kx = lm
(x,y)(0,0) x4 + y 4 x0 x4 + (kx)4
k
= lm x
x0 1 + k 4
= 0.
Esto no prueba en absoluto que el valor del lmite sea cero. Lo que nos dice es que
si tal lmite existe, este debe ser cero. Un argumento que concluye que el lmite
de hecho existe y vale cero, requiere la aplicacion directa de la definicion. Segun
4 4
x y x y
x4 + y 4 x4 |y|
91
3.3. DIFERENCIACION
vemos que
4
p xy
|y| x2 + y 2 < = 4 |y| < .
x + y4
Es decir, con = nos queda
4
xy
0 < ||(x, y) (0, 0)|| < = 4 0 <
x + y4
x4 y
lo que nos dice que efectivamente lm(x,y)(0,0) x4 +y 4
= 0.
3.3. Diferenciacion
Para funciones de una sola variable, la derivada es la pendiente de la lnea
tangente (la cual es, recalcando, la mejor aproximacion lineal de la funcion origi-
nal), y podemos usarla para encontrar la ecuacion de la lnea tangente. De manera
similar, si queremos la derivada de una funcion vectorial, una herramienta que
podemos utilizar es encontrar la mejor aproximacion lineal a la funcion.
92
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
f (x) f (a)
f (a) = lm .
xa xa
Desafortunadamente, para una funcion vectorial f : Rn Rm con n y m mas
grandes que uno, esta definicion de una variable es absurda, dado que no pode-
mos dividir vectores. Podemos, sin embargo, manipular algebraicamente el lmite
hasta que tengamos una formulacion que pueda ser generalizada, naturalmente, a
las funciones de f : Rn Rm , y que estara de acuerdo con nuestra definicion.
f (x) f (a)
f (a) = lm
xa xa
es verdadero si y solo si:
f (x) f (a)
0 = lm f (a),
xa xa
lo cual es equivalente a:
93
3.3. DIFERENCIACION
94
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
g f : Rn Rl
es tambien diferenciable con derivada dada por: si f (a) = b, entonces:
De esta manera, la regla de la cadena nos dice que para encontrar la derivada
de la composicion g f debemos multiplicar la matriz Jacobiano por g al mismo
tiempo que la multiplicamos por f .
Una de las claves intuitivas detras de la derivada de una variable es que f (a)
es la pendiente de la lnea tangente a la curva y = f (x) a el punto (a, f (a)) en
el plano R2 . De hecho, la lnea tangente que pasa a traves de (a, f (a)) nos da la
ecuacion:
95
3.4. EL TEOREMA DE LA FUNCION INVERSA
x = 4vw 2 , y = 5v 2 + 10w 3, z = v 3 .
Entonces
u u x u y u z
= + +
v x v y v z v
= (6xy 2 z 2 + 6yz cos(xyz))(4w 2 ) + (6x2 yz 2 + 6xz cos(xyz))(10v)
+ (6x2 y 2z + 6xy cos(xyz))(3v 2 )
u u x u y u z
= + +
w x w y w z w
= (6xy 2 z 2 + 6yz cos(xyz))(8vw) + (6x2 yz 2 + 6xz cos(xyz))(30w 2)
+ (6x2 y 2z + 6xy cos(xyz))(0)
96
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
Que propiedades para las matrices se pueden utilizar para obtener las propieda-
des correspondientes para las funciones con valores vectoriales?
Este tipo de preguntas nos puede llevar al corazon del analisis numerico. Nos
limitaremos a ver que si la derivada de la matriz (el Jacobiano) es invertible, en-
tonces la funcion con valores vectoriales tambien debe tener una relacion inversa,
por lo menos a nivel local. Este teorema, y su pariente cercano el Teorema de la
Funcion Implcita, son dos herramientas tecnicas fundamentales que aparecen a
lo largo de las matematicas.
Teorema 3.4.1 (Teorema de la Funcion Inversa) Para una funcion vectorial con-
tinuamente diferenciable f : Rn Rm , suponemos que det Df (a) 6= 0, en
algun punto a en Rn . Entonces existe una vecindad abierta U de a en Rn y una
vecindad abierta V de f (a) en Rm tal que f : U V es uno a uno, sobreyectiva
y tiene una imagen inversa diferenciable g : V U (esto es, g f : U U
es la identidad y f g : V V es la identidad).
Por que la funcion f tiene una inversa? Pensemos que f esta siendo aproxi-
mada por la funcion lineal:
97
3.4. EL TEOREMA DE LA FUNCION INVERSA
decir:
{x :| x a |< } U.
Ejemplo 3.4.2 Sea
p
{(x, y) R2 :| (x, y) (0, 0) |= x2 + y 2 1}
el cual no es abierto (es, de hecho, cerrado lo que significa que su complemento
es abierto en el plano R2 ), mientras que el conjunto:
x4 + y 4
= u, sen x + cos y = v.
x
Establecer para que puntos (x, y) se puede resolver para x y y en terminos de u y
v.
Solucion: Aqu las funciones son u = f1 (x, y) = (x4 + y 4 )/x y v =
f2 (x, y) = sen x + cos y. Queremos conocer los puntos cerca de los cuales po-
demos resolver para x y y como funciones de u y v. Segun el teorema de la fun-
cion inversa, primero debemos calcular (f1 , f2 )/(x, y). Tomemos el dominio
98
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
!
f1 f1 3x4 y 4 4y 3
(f1 , f2 ) x y
= det f2 f2 = x2 x
(x, y) x y cos x sen y
sen y 4 4 4y 3
= )(y 3x ) cos x.
x2 x
y = f (x)
aunque gran parte de nuestras experiencias tempranas con las matematicas son
con tales funciones. Por ejemplo, es imposible escribir el crculo:
x2 + y 2 = 1
como la grafica de una funcion de una variable, dado que para cualquier valor de
x (ademas de 1 y 1) puede que no existan valores correspondientes para y sobre
el crculo o pueden que existan dos valores correspondientes para y sobre el crcu-
lo. Esto es desafortunado. Las curvas en el plano que pueden ser descritas como
y = f (x) son mas faciles de trabajar. Sin embargo, podemos dividir el crculo en
su mitad superior e inferior. Para cada mitad, la variable y puede ser escrita como
una funcion de x: para la parte superior, tenemos:
y= 1 x2 ,
99
3.5. EL TEOREMA DE LA FUNCION IMPLICITA
y = mx + b,
entonces, no debe sorprendernos que el crculo pueda ser escrito como y = f (x),
al menos localmente.
x1 , ..., xn , y1 , ..., yk
que frecuentemente abreviamos como (x, y). Sean:
100
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
V = {y = (x)}.
De esta manera, lo que queremos es encontrar k funciones 1 , ..., k tal que
para todo x Rn , tendremos:
Teorema 3.5.1 (Teorema de la Funcion Implcita): Sean f1 (x, y), ..., fk (x, y), k
funciones continuamente diferenciables sobre Rn+k y supongase que p = (a, b)
Rn+k es un punto para el cual:
101
3.5. EL TEOREMA DE LA FUNCION IMPLICITA
f
= 2y.
y1
Esta matriz no es invertible (el numero es cero) solo cuando y = 0, es decir, a los
dos puntos (1, 0) y 1, 0; solo a estos dos puntos no estara definida una funcion
implcita .
como f (x, y). Definamos una nueva funcion F : Rn+k Rn+k por:
102
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
Sea esta funcion inversa G : Rn+k Rn+k descrito por las funciones reales
G1 , ..., Gn+k y, de esta manera:
Gi (x, y) = xi .
Reetiquetemos las ultimas k funciones hechas para la funcion G, por:
103
3.5. EL TEOREMA DE LA FUNCION IMPLICITA
Inversa.
x3 + 3y 2 + 8xz 2 3z 3 y = 1
como grafica de una funcion diferenciable z = k(x, y).
z0 (16x0 9z0 y0 ) 6= 0.
lo cual significa, a su vez,
z0 6= 0 y 16x0 6= 9z0 y0 .
Ejemplo 3.5.3 Mostrar que cerca del punto (x, y, u, v) = (1, 1, 1, 1) podemos re-
solver
xu + yvu2 = 2
xu3 + y 2 v 4 = 2
F1 (x, y, u, v) = xu + yvu2 2
F2 (x, y, u, v) = xu3 + y 2 v 4 2
104
CAPITULO 3. CALCULO PARA FUNCIONES VECTORIALES
y el determinante
F1 F1
= det u v en (1, 1, 1, 1)
F2 F2
u v
x + 2yuv yu2
= det en (1, 1, 1, 1)
3u2 x 4y 2v 3
3 1
= det = 9.
3 4
u v u
x + u + y u2 + 2yvu = 0
x x x
u v
3xu2 + u3 + 4y 2v 3 = 0.
x x
u v
3+ = 1
x x
u v
3 +4 = 1.
x x
105
3.5. EL TEOREMA DE LA FUNCION IMPLICITA
106
Captulo 4
Topologa de Conjuntos
107
4.1. DEFINICIONES BASICAS
A (U1 , ..., Un ).
No debe ser de todo claro por que esta definicion sera util, mucho menos impor-
tante. Parte de su significado se vera en la seccion siguiente, cuando se discuta el
Teorema de Heine-Borel.
108
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
f : [0, 1] X
con:
f (0) = a y f (1) = b.
[0, 1] = {x R : 0 x 1}
es el intervalo unitario. Para hacer esta ultima definicion bien definida, tendramos
que poner una topologa en el intervalo [0, 1], pero esto no es difcil y de hecho se
hace en la siguiente seccion.
109
4.1. DEFINICIONES BASICAS
X = {a, b, c, d, e}.
Notese que 1 es una topologa de X porque verifica los tres axiomas necesarios.
Sin embargo, 2 no es una topologa de X porque la union
110
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
G, H , a G, b H
y
GH =
Luego (R, ) es un espacio de Hausdorff.
111
4.2. LA TOPOLOGIA ESTANDAR DE RN
Con esto, podemos definir una topologa sobre R( n), especificando a los conjun-
tos abiertos de la siguiente manera:
{x :| x a |< }
esta contenido en U.
Ua Ub = .
112
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
|ab | = |ax+xb|
|ax|+|xb|
d d
< +
3 3
2d
=
3
< d.
lm f (x) = f (a),
xa
esto significa que, dado cualquier > 0, existe algun > 0 tal que si | x a |< ,
entonces:
Esta definicion lmite de continuidad captura gran parte de la idea intuitiva de que
una funcion es continua si se puede representar graficamente sin levantar el lapiz
del papel. Ciertamente, queremos que esta definicion anterior de la continuidad
este relacionada con nuestra nueva definicion, que requiere que la imagen inversa
de un conjunto abierto sea abierto. Una vez mas, la justificacion de la version de
la imagen inversa de la continuidad es que puede extenderse a contextos donde la
version del lmite (mucho menos el requisito de no levantar el lapiz del papel) no
tiene sentido.
113
4.2. LA TOPOLOGIA ESTANDAR DE RN
lm f (x) = f (a)
xa
lm f (x) = f (a).
xa
Sea > 0. Debemos encontrar algun > 0 tal que si | x a |< , entonces:
U = {y Rm :| y f (a) |< }.
El conjunto U es abierto en Rm . Por supuesto, la imagen inversa:
f 1 (U) = {x Rn : f (x) U}
= {x Rn :| f (x) f (a) |< }
es abierto en Rn . Dado que a f 1 (U), existe algun numero real > 0 tal que el
conjunto:
{x :| x a |< }
esta contenido en f 1 (U), por la definicion de conjunto abierto en Rn . Pero en-
tonces, si | x a |< , tenemos que f (x) U o, en otras palabras:
lm f (x) = f (a).
xa
114
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
{y Rm :| y f (a) |< }
este contenido en el conjunto U. Dado lmxa f (a) = f (a), por la definicion
de lmite, dado este > 0, a lo mas existe algun > 0 tal que si | x a |< ,
entonces:
{x :| x a |< }
esta contenido en el conjunto f 1 (U), lo cual significa que f 1 (U) es necesaria-
mente un conjunto abierto. De esta manera, las dos definiciones de continuidad
coinciden.
| x |< r
115
4.2. LA TOPOLOGIA ESTANDAR DE RN
1 1
Un = ( , 1 )
n n
1 1
= {x : < x < 1 }
n n
Esta coleccion sera una cubierta abierta del intervalo, dado que cada punto en
(0, 1) esta en algun Un . (De hecho, una vez que el punto dado esta en un conjunto
Un , este estara en cada conjunto Un+k futuro.) Pero notese que la subcoleccion
finita no cubre todo el intervalo (0, 1). De esta manera, el intervalo (0, 1) no puede
ser compacto.
Ejemplo 4.2.8 En este ejemplo veremos un intervalo que es cerrado pero no aco-
tado. Una vez mas, una cubierta abierta explicita se dara para los que no existen
subcubiertas finitas. El intervalo [0, ) = {x : 0 x} es cerrado pero definitiva-
mente es, a lo mas, no acotado.
Tambien es no compacto, como se puede observar con la siguiente cubierta abier-
ta:
116
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
P
Demostracion: Sea una cubierta abierta de [a, b]. Necesitamos encontrar
una subcubierta finita. Definase un nuevo conjunto:
X
Y = {x [a, b] : existe una subcubierta finita en del intervalo [a,x]}.
Nuestra meta es mostrar que el punto b de nuestro intervalo esta en este nuevo
conjunto Y .
{x :| x a |< } U.
Dado que es la mnima cota superior de Y , a lo mas existe un x Y que es
arbitrariamente cercano a , pero menor que este. De esta manera, podemos en-
contrar un x Y U con:
x < .
Dado que x Y , existe una subcubierta finita U1 , ..., UN del intervalo [a, x]. En-
tonces, la coleccion finita U1 , ..., UN , U cubre a P
[a, ]. Pero esto significa que,
dado que cada conjunto abierto Uk y U estan en , el intervalo [a, ] tiene una
117
4.2. LA TOPOLOGIA ESTANDAR DE RN
Ahora suponemos que a < b. Lo que queremos con esto es obtener una contra-
diccion. Sabemos que esta en elPconjunto Y . Por lo tanto, existe una subcubierta
finita U1 , ..., Un de la coleccion la cual cubre al intervalo [a, ]. Seleccionese
los conjuntos abiertos de manera que el punto este en el conjunto abierto Un .
Dado que Un es abierto, existe un > 0 con:
{x :| x a |< } Un .
Dado que el punto b es estrictamente mayor que el punto , en realidad podemos
encontrar un punto x que este en el conjunto Un y que satisface:
a < x < b.
Pero entonces, la subcubierta finita U1 , ..., Un no cubre solo al intervalo [a, ],
sino tambien al intervalo mas grande [a, x], forzando a que el punto x este en el
conjunto Y . Esto es imposible, dado que es el elemento mas grande posible en
el conjunto Y . Dado que solo supusimos que < b, a lo mas hemos tenido que
= b, como se deseaba.
118
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
: X X R
tal que para todos los puntos x, y, z X tenemos que:
119
4.3. ESPACIOS METRICOS
{x :| x a |< }
esta contenido en U.
Ejemplo 4.3.4 La funcion d definida por d(a, b) = |a b|, donde a y b son nume-
ros reales, es una metrica llamada metrica usual de la recta real R. Ademas, la
funcion d definida por
p
d(p, q) = (a1 b1 )2 + (a2 b2 )2
donde p = ha1 , a2 i y q = hb1 , b2 i son puntos del plano R2 , es una metrica llamada
metrica usual de R2 . A no ser que se especifiquen otras metricas distintas, se
entendera que las metricas usuales son las que se utilizan al trabajar con R y R2 .
120
CAPITULO 4. TOPOLOGIA DE CONJUNTOS
Definicion 4.4.3 Un espacio topologico es segundo contable si este tiene una base
con un numero contable de elementos.
Ejemplo 4.4.4 En este ejemplo Rn , con la topologa usual, es segundo contable.
Una base contable puede ser construida como sigue. Para cada entero positivo k
y cada p Qn (lo cual significa que cada coordenada del punto p es un numero
racional), definase:
1
U(p, k) = {x Rn :| x p |< }.
k
121
4.4. BASES PARA LAS TOPOLOGIAS
Hay un numero contable de tales conjuntos U(p, k) y se puede mostrar que estos
forman una base.
Los espacios topologicos mas razonables son segundos contables. Aqu da-
mos un ejemplo de un espacio metrico que no es segundo contable. Sea X cual-
quier conjunto no contable (uno podra hacer que, por ejemplo, X sea los nume-
ros reales). Definase una metrica sobre X colocando (x, y) = 1 si x 6= y y
(x, x) = 0. Se puede mostrar que esta define una metrica sobre X y, de esta
manera, define una topologa sobre X. Sin embargo, esta topologa es extrana.
Cada punto x es, as mismo, un conjunto abierto, dado que el conjunto abierto
{y X : (x, y) < 1/2} = x. Usando el hecho de que existen un numero no
contable de puntos en X, podemos mostrar que este espacio metrico no es segun-
do contable.
122
Captulo 5
El Teorema Clasico de Stokes
Este captulo examina algunos casos especiales del teorema de Stokes, casos
especiales que se conocan mucho antes de que la gente se dio cuenta de la exis-
tencia de un teorema general. Por ejemplo, veremos que el Teorema Fundamental
del Calculo es un caso especial del Teorema de Stokes (aunque para demostrar
el Teorema de Stokes, se utiliza el Teorema Fundamental del Calculo, por lo que
logicamente el Teorema de Stokes no implica el Teorema Fundamental del Calcu-
lo). Fue en en el siglo XIX que la mayora de estos casos especiales se descu-
brieron. Estos casos especiales son importantes y utiles, ya que forman los temas
estandar en la mayora de los cursos de calculo multivariable y clases de introduc-
cion a la electricidad y al magnetismo. Se trata del Teorema Green, el Teorema de
la Divergencia y el Teorema de Stokes. En este captulo se desarrolla la matemati-
ca necesaria para estos casos especiales. Vamos a esbozar el estado y las pruebas
123
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
F : Rn Rm .
Si x1 , ..., xn son coordenadas para Rn , entonces el campo vectorial F sera descrito
por las m funciones reales fk : Rn R como sigue:
f1 (x1 , ..., xn )
.
F(x1 , ..., xn ) =
. .
.
fm (x1 , ..., xn )
124
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
Ejemplo 5.1.3 Ahora consideremos el campo vectorial F(x, y) = (x, y). La re-
presentacion de este campo vectorial en R2 consiste en vectores que apuntan en
diferentes direcciones sin tocar al origen, es decir, como si representara el flujo de
agua fuera del origen (0, 0)
Ejemplo 5.1.4 Para este ejemplo, sea F(x, y) = (y, x). Lo cual podra repre-
sentarse como un flujo de vectores los cuales forman crculos de diferentes dimen-
siones, es decir, como si se tratara de una banera de hidromasaje o un remolino de
agua (ver ejercicios).
a) F (V ) = U M
125
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
F : R1 R2
dada por:
126
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
lm xn = x.
n
M = M M.
Dada una variedad con frontera, llamaremos a la parte sin frontera el interior.
r : [1, 2] R2
donde:
r(t) = (t, t2 ).
La imagen bajo r del intervalo abierto (1, 2) es una 1-variedad (dado que el
Jacobiano es la matriz de 2 1 con (1, 2t), la cual siempre tiene rango uno). La
frontera consiste de los dos puntos r(1) = (1, 1) y r(2) = (2, 4).
Ejemplo 5.1.10 Nuestro siguiente ejemplo es una 2-variedad que tiene una fron-
tera que consiste de un crculo. Sea:
r : {(x, y) R2 : x2 + y 2 1} R3
127
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
definida por:
r(x, y) = (x, y, x2 + y 2 ).
Ejemplo 5.1.11 Sea el crculo unitario en el plano. Ya vimos que es una 1-variedad.
Sin embargo, no hay puntos lmites. Por otro otro lado, el crculo unitario es
as mismo la frontera de una 2-variedad, es decir, el disco unitario en el plano.
De una manera similar, la esfera unitaria en R3 es una 2-variedad, no acotada, que
es as misma la frontera de la bola unitaria, una 3-variedad. (No es casualidad que
en estos dos casos el lmite de la frontera sea el conjunto vacio.)
128
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
f1 (t)
.
F (t) =
. .
.
fn (t)
Este mapeo frecuentemente se escribira como:
x1 (t)
.
. .
.
xn (t)
Se requiere que cada componente de la funcion fi : R R sea diferenciable.
Definicion 5.1.12 Sea f (x1 , ..., xn ) una funcion real definida sobre Rn . La inte-
gral de trayectoria de la funcion f a lo largo de la curva C es
Z Z
f ds = f (x1 , ..., xn )
C C
Z b r !
dx1 2 dxn 2
= f (x1 (t), ..., xn (t)) ( ) + ... + ( ) dt.
a dt dt
Notese que:
r !
b
dx1 2 dxn 2
Z
f (x1 (t), ..., xn (t)) ( ) + ... + ( ) dt,
a dt dt
aunque pareciera que tiene un aspecto muy difcil, se trata de la integral de una
sola variable, en este caso, t.
129
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
Teorema 5.1.13 Sea una curva C en Rn descrita por dos diferentes parametriza-
ciones:
F : [a, b] Rn
y
G : [c, d] Rn ,
x1 (t) y1 (u)
. .
R
con F (t) =
. y G(u) = . . La integral de trayectoria f ds
C
. .
xn (t) yn (u)
es independiente de la parametrizacion elegida, esto es:
Z b r !
dx1 2 dxn 2
f (x1 (t), ..., xn (t)) ( ) + ... + ( ) dt =
a dt dt
Z b r !
dy1 2 dyn 2
f (y1(u), ..., yn (u)) ( ) + ... + ( ) du.
a du du
130
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
p
s (x1 )2 + (x2 )2
r !
x1 2 x2 2
= ( ) +( ) t.
t t
f (x, y) = x2 + 3y
usando cada una de las parametrizaciones.
Primero, definase:
F : [a, b] R2
131
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
por
De esta manera, tenemos que x(t) = t y y(t) = 2t. Denotemos este segmento
de lnea por C. Entonces:
r
1
dx 2 dy
Z Z
f (x, y)ds = (x(t)2 + 3y(t)) ( ) + ( )2 dt
C 0 dt dt
Z 1
= (t2 + 6t) 5 dt
0
t3 1
2
1
= 5 + 3t
3 0 0
1
= 5( + 3)
3
10
= 5.
3
G : [0, 2] C
donde
t
G(t) = ( , t).
2
t
Aqu tenemos que x(t) = 2
y y(t) = t. Entonces
132
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
r
2
dx dy
Z Z
2
f (x, y)ds = (x(t) + 3y(t)) ( )2 + ( )2 dt
C 0 dt dt
Z 2 2 r
t 1
= ( + 3t) + 1 dt
0 4 4
2 !
5 t3 2 3t2
= +
2 12 0 2 0
5 8
= ( + 6)
2 12
10
= 5.
3
como se deseaba.
r : D R3 ,
dada por
r r
Z Z Z Z
f (x, y, z)dS = f (x(u, v), y(u, v), z(u, v)) | | dudv.
S D u v
133
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
r r
Aqu | u v | denota la longitud del producto cruz (lo cual, en un momento,
r r
mostraremos que es la longitud de cierto vector normal) de los vectores u y v ,
y es, por lo tanto, el determinante de:
i j k
r r x y z
= u u u
.
u v x x x
v v v
De esta manera, el area infinitesimal dS es
r r
longitud de dudv =
u v
y z z y x z x z x y x y
u v ) ( u v ), ( v u ) ( u v ), ( u v ) (( v u )) dudv
(
RR
Teorema 5.1.17 La integral S
f (x, y, z)dS es independiente de la parametri-
zacion de la superficie S.
134
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
r r
con dS = (longitud del vector normal u v
) dudv.
r r
Como breve notacion, en el siguiente ejemplo usaremos Tu = u
y Tv = v
.
0 2, 0
y por lo tanto
Despues evaluamos
135
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
r (T T ) = (xi + yj + zk) (T T )
= [(cos sen )i + (sen sen )j + (sen )k]
(sen )[(sen cos )i + (sen sen )j + (cos )k]
= (sen )(sen2 cos2 + sen2 sen2 + cos2 )
= sen .
As,
Z Z Z Z Z 2
r dS = sen dd = (2)d = 4.
D 0
5.1.5. El Gradiente
El Gradiente de una funcion puede ser visto como un metodo para la diferen-
ciacion de funciones.
M = {f (x1 , ..., xn ) = 0}
136
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
5.1.6. La Divergencia
La divergencia de un campo vectorial puede ser vista, de una forma razonable,
como la diferenciacion de un campo vectorial. (En la siguiente seccion veremos
que el rotacional de un campo vectorial es otra forma).
Sea F(x, y, z) : R3 R3 un campo vectorial dado por las siguientes tres
funciones:
f1 f2 f3
div(F) = + + .
x y z
De esta manera:
x (y 2 ) (0)
div(F) = + + = 1 + 2y.
x y z
Si uno trata de esbozar este campo vectorial, notara que para valores muy
grandes de y, el campo vectorial se expande mas y mas rapido.
5.1.7. El Rotacional
El rotacional de un campo vectorial es otra forma en la cual podemos exten-
der la idea de diferenciacion de campos vectoriales. El Teorema de Stokes nos
mostrara que el rotacional de un campo vectorial mide que tanto se puede girar,
voltearse o enrrollarse un campo vectorial. La definicion exacta es
137
5.1. PRELIMINARES ACERCA DEL CALCULO VECTORIAL
i j k
rot(F) = det x y z
f1 f2 f3
f3 f2 f3 f1 f2 f1
= , ( ), .
y z x z x y
Notemos que
i j k
rot(F) = det x y z
y x 0
= (0, 0, 2).
lo cual refleja que la accion del remolino esta en el plano xy, perpendicular al eje
z.
138
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
5.1.8. Orientabilidad
Requeriremos que nuestras variedades sean orientables. Para una superficie,
la orientabilidad significa que podemos elegir un campo vectorial normal sobre
la superficie tal que varia continuamente y nunca se desvanece. Para una curva,
la orientabilidad significa que podemos elegir un vector tangente unitario, a cada
punto, tal que este varie continuamente. El ejemplo estandar de una superficie no
orientable es la banda de Moebius, obtenida al poner un medio giro en una banda
de papel y entonces, unir los extremos.
Para una variedad orientable, siempre existiran dos elecciones para la orienta-
cion, dependiendo sobre cual direccion se elijan para la normal o para la tangen-
te. Ademas, una superficie orientada S con la curva limite S la cual induce una
orientacion S, la cual tiene una region tridimensional que induce una orientacion
sobre sus superficies de fronteras. Si sucede que se elige la orientacion incorrecta
inducida para una frontera, las diferentes versiones de los Teoremas de Stokes se
veran afectados solo por un factor de (1). No nos asustemos si se encuentran los
ultimos parrafos vagos o sin sentido. Estos fueron colocados de manera delibera-
da. Para definir la orientacion rigurosa en realidad se tiene que hacer un poco mas
de trabajo. En primer lugar, se aborda a el sujeto u objeto de estudio, es lo mejor
para poder concentrarse en los ejemplos basicos y, solo entonces, nos preocupare-
mos por el signo correcto procedente de las orientaciones inducidas.
139
5.2. EL TEOREMA DE LA DIVERGENCIA Y EL TEOREMA DE STOKES
f : [a, b] R
una funcion diferenciable real sobre el intervalo [a, b]. Entonces
b
df
Z
f (b) f (a) = dx.
a dx
df
Aqu, la derivada dx
es integrada sobre el intervalo:
[a, b] = {x R : a x b},
la cual tiene como frontera a los puntos a y b. La orientacion sobre la frontera
sera de b y a, o:
[a, b] = b a.
Entonces, el Teorema Fundamental del Calculo puede ser interpretado estable-
ciendo que el valor de f (x) sobre la frontera es igual a el promedio (la integral)
de la derivada sobre el interior.
140
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
Sobre el lado izquierdo tenemos una integral del campo vectorial F sobre la
frontera. Del lado derecho tenemos una integral de la funcion div(F) (la cual in-
volucra derivadas del campo vectorial) sobre el interior.
Teorema 5.2.3 (El Teorema de Stokes) Sea M una superficie en R3 con curva
frontera compacta M. Sea n(x, y, z) el campo vectorial normal unitario a M y
sea T(x, y, z) que denota el vector tangente unitario inducida a la curva M. Si
F(x, y, z) es cualquier campo vectorial, entonces
Z Z Z
F TdS = curl(F) nds.
M M
El segundo metodo involucra dos pasos. El primero, es mostrar que dada dos
regiones R1 y R2 , las cuales tienen una frontera en comun, tenemos que:
Z Z Z
f uncion + f uncion = f uncion.
R1 R2 (R1 R2 )
141
5.3. UNA INTERPRETACION FISICA DEL TEOREMA DE LA
DIVERGENCIA
Una vez mas, todos estos teoremas son equivalentes. De hecho, para mu-
chos matematicos, estos teoremas, usualmente, son conocidos simplemente como
Teorema de Stokes.
Definicion 5.3.1 Sea S una superficie en R3 con campo vectorial normal unitario
n(x, y, z). Entonces, el flujo de un campo vectorial F(x, y, z) a traves de la super-
ficie S es
Z Z
F n dS.
S
Intuitivamente, lo que queremos es que el flujo mida la cantidad de desplazamien-
to del campo vectorial a traves de la superficie S.
142
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
esta golpeando la cabeza de la hoja de goma, por lo que es muy difcil mantenerla
en su lugar. Caso C, ningun esfuerzo es necesario para mantener la hoja aun, ya
que el agua sigue fluyendo sobre la hoja. El esfuerzo necesario para mantener la
hoja aun en el caso B se ve que es mas o menos a mitad de camino entre el es-
fuerzo necesario en los casos A y C. La clave para cuantificar de alguna manera
estas diferencias de cambio es medir el angulo entre el campo vectorial F de la
corriente y el campo vectorial normal n a la membrana. Claramente, el producto
punto F n funciona. De esta manera, usando el hecho de que el flujo esta definido
por
Z Z
F ndS,
S
el flujo a traves de la superficie A es mayor que el flujo a traves de la superficie
B que a su vez es mayor que el flujo a traves de la superficie C, la cual tiene flujo
igual a 0.
Definicion 5.4.1 Sea C una curva suave en R3 con campo vectorial tangente uni-
tario T(x, y, z). La circulacion de un campo vectorial F(x, y, z) a lo largo de la
curva C es
Z
F Tds.
C
143
5.4. UNA INTERPRETACION FISICA DEL TEOREMA DE STOKES
Coloquemos un alambre delgado (una curva C) en esta corriente con una pe-
quena cuenta atada a este, con la cuenta libre para poder moverse libremente hacia
arriba y hacia abajo, mediante el alambre.
144
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
f1
Z Z Z Z Z
f1 n1 dS = dxdydz
x
Z ZM Z Z ZM
f2
f2 n2 dS = dxdydz
M y
Z Z ZM
f3
Z Z
f3 n3 dS = dxdydz
M M z
145
5.5. ESBOZO DE UNA PRUEBA DEL TEOREMA DE LA DIVERGENCIA
f3
Z Z Z Z Z
f3 (x, y, z)n3 (x, y, z) dS = dxdydz,
M M z
dado que las otras dos ecuaciones se cumplen por razones similares.
Z Z Z Z Z Z
f3 n3 dS = f3 n3 dS + f3 n3 dS
M Mparte superior Mcostado
Z Z
+ f3 n3 dS
Mparte inf erior
Z Z Z Z
= f3 n3 dS + f3 n3 dS,
Mparte superior Mparte inf erior
Entonces:
146
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
Z Z Z Z Z Z
f3 n3 dS = f3 n3 dS + f3 n3 dS
M Mparte superior Mparte inf erior
Z Z Z Z
= f3 (x, y, t(x, y))dxdy + f3 (x, y, b(x, y))dxdy
Z ZR R
donde el signo menos delante del ultimo termino viene del hecho de que la normal
a los puntos de Mparte inf erior estan hacia abajo. Pero esto es justo
t(x,y)
f3
Z Z Z
dxdydz,
R b(x,y) z
por el Teorema Fundamental del Calculo. Esto, a su vez, es igual a:
f3
Z Z Z
dxdydz,
M z
lo cual es lo que queramos demostrar.
147
5.6. ESBOZO DE UNA PRUEBA DEL TEOREMA DE STOKES
La demostracion del primer paso sera debido a que como los rectangulos po-
seen un lado en comun, llamemosle l, las orientaciones estaran en direcciones
opuestas. Esto fuerza a que el valor del producto punto (F T) a lo largo de l
tomado como un lado del rectangulo R1 tenga signo opuesto con respecto al valor
de (FT) a lo largo de l tomado como un lado del rectangulo R2 . De esta manera:
Z Z
F Tds = F Tds.
lR1 lR2
Z Z X Z Z
rot(F) ndS = rot(F) n
M rectangulos pequenos
XZ
= FTds,
(cada rectangulo)
dado que supusimos que el Teorema de Stokes era cierto sobre rectangulos infini-
tamente pequenos. Pero, por el primer paso, la suma anterior es igual a la integral
simple sobre la frontera de la union de los rectangulos pequenos
Z
F Tds,
M
lo cual nos da el Teorema de Stokes. Por lo tanto, todo lo que necesitamos mostrar
es que el Teorema de Stokes es cierto para rectangulos infinitamente pequenos.
148
CAPITULO 5. EL TEOREMA CLASICO DE STOKES
f2 f1
rot(F) n = .
x y
Queremos mostrar que:
f2 f1
Z
( )dxdy = F Tds,
x y R
por el cambio de la variable t a 1 t. De esta manera, las integrales para los lados
149
5.6. ESBOZO DE UNA PRUEBA DEL TEOREMA DE STOKES
Entonces
Z Z Z Z Z
F Tds = F Tds + F Tds + F Tds + F Tds
R I II III IV
Z 1
= (f1 (tx, 0)x + f2 (x, ty)y f1 (tx, y)x
0
f2 (0, ty)y)dt
Z 1 Z 1
= (f2 (x, ty) f2 (0, ty))ydt (f1 (tx, y)
0 0
f1 (tx, 0))xdt
Z 1
f2 (x, ty) f2 (0, ty) f1 (tx, y) f1 (tx, 0)
= ( )xydt,
0 x y
la cual converge a:
1
f2 f1
Z
dxdydt,
0 x y
cuando x, y 0. Pero, esta ultima integral es
f2 f1
( )dxdy
x y
que es lo que estabamos buscando.
150
Captulo 6
Ecuaciones Diferenciales Ordinarias
6.1. Introduccion
Una ecuacion de la forma
151
6.1. INTRODUCCION
y = 2x
d2 y 2 dy 3
+ x ( ) 15y = 0
dx2 dx
4 2 5
(y ) x (y ) + 4xy = xex
4 2
dy 3 dy
1 = x
dx4 dx
Si en (6.1) F es un polinomio, entonces por definicion, el grado de la ecuacion
diferencial es el maximo exponente asociado con la derivada de orden mayor y (n) .
Los grados de las ecuaciones diferenciales anteriores son 1, 1, 4 y 2 respectiva-
mente.
f (x) = x2 + C
Solucion: Como
f (x) = 5C1 e5x 5C2 e5x
y
f (x) = 25C1 e5x + 25C2 e5x = 25f (x)
tenemos que f (x) 25f (x) = 0. Esto demuestra que f (x) es una solucion de
y 25y = 0.
152
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
Las condiciones como las que se propuso en el ejemplo 6.1.2, se llaman con-
diciones a la frontera para la ecuacion diferencial. Si la solucion general contiene
un parametro, es suficiente una condicion a la frontera para hallar una solucion
particular. Si la solucion general contiene dos parametros como la del ejemplo 1,
se necesitan dos condiciones a la frontera para poder encontrar soluciones par-
ticulares. Si intervienen mas de dos parametros, se pueden hacer afirmaciones
semejantes.
153
6.1. INTRODUCCION
o
(x2 6y 2)y + 3x2 + 2xy = 0.
Por lo tanto y = f (x) satisface la ecuacion diferencial.
o equivalentemente
Z Z
M(x)dx + N(y)dy = C.
Esta ultima ecuacion es una solucion (implcita) de (6.2). Un artificio util para
recordar este metodo, es escribir (6.2) en la forma
dy
M(x) + N(y) =0
dx
Despues se halla la solucion integrando formalmente. Se dice que la ecuacion
(6,2) es separable, ya que, se pueden separar las variables x y y.
dy
2x(y + 3) + (x2 4) = 0.
dx
154
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
2x 1 dy
+ = 0.
x2 4 y + 3 dx
Por lo tanto, la ecuacion dada es separable. Integrando obtenemos
ln | x2 4 | + ln | y + 3 |= C1
o
ln | (x2 4)(y + 3) |= C1 .
Esto tambien se puede escribir
155
6.2. ECUACIONES DIFERENCIALES EXACTAS
y = C1 cos x + C2 sen x.
y = y, o y + y = 0.
dy
P (x, y) + Q(x, y) = 0,
dx
es una ecuacion diferencial exacta si y solo si
P Q
= .
y x
es exacta.
Teorema 6.2.4 Una ecuacion diferencial exacta P (x, y) + Q(x, y)y = 0 tiene
una solucion de la forma F (x, y) = C donde C es una constante y F es una
funcion de x y y tal que Fx = P y Fy = Q. Mas aun, para cualquier F con estas
propiedades y cualquier constante C, F (x, y) = C es una solucion.
157
6.2. ECUACIONES DIFERENCIALES EXACTAS
o equivalentemente
Fx (x, y) = 3x2 y 2y 3 + 3
Fy (x, y) = x3 6xy 2 + 2y.
Integrando Fx (x, y) con respecto a x obtenemos
F (x, y) = x3 y 2xy 3 + 3x + y 2 + C1 .
158
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
x3 y 2xy 3 + 3x + y 2 = C
es una solucion de la ecuacion diferencial, donde la constante C1 se incluye en la
constante C. Esta solucion se puede comprobar por derivacion implcita.
x2 seny + y cos x = C
es una solucion de la ecuacion diferencial dada, donde otra vez la constante C1 se
incluye en C. Finalmente, la condicion a la frontera implica que
2 1
+ 0=C
2 2 6
159
6.3. ECUACIONES DIFERENCIALES HOMOGENEAS
2
x2 sen y + y cos x = .
8
Analogamente, si
1 x
f (x, y) = ey
+y x2
2
160
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
para alguna funcion g. Para comprobar este hecho, derivamos (6.6), obteniendo as
dy dv
=v+x .
dx dx
Sustituyendo xv en lugar de y en (6.5) obtenemos
dv
P (x, xv) + Q(x, xv)(v + x ) = 0.
dx
Si P y Q son funciones homogeneas de grado n, entonces
1 Q(1, v) dv
+ = 0, (6.6)
x P (1, v) + Q(1, v) dx
siempre y cuando los denominadores sean diferentes de cero. Hemos demostrado
que si y = vx es una solucion de (6.5), entonces v es una solucion de (6.7). Inver-
samente, si v resuelve (6.7), entonces invirtiendo nuestro argumento, vemos que
y = vx es una solucion de (6.5). No es recomendable memorizar la forma (6.7).
Es mejor recordar la sustitucion y = vx que se usa para simplificar la ecuacion
homogenea. Tambien se puede usar la sustitucion x = vy para resolver la ecua-
cion.
161
6.3. ECUACIONES DIFERENCIALES HOMOGENEAS
y hacemos la sustitucion
dv
(x2 v 2 x2 v) + x2 (v + x ) = 0
dx
dv
x2 (v 2 v) + x2 (v + x ) = 0
dx
dv
(v 2 v) + v + x = 0
dx
2 dv
v +x = 0
dx
1 1 dv
+ = 0
x v 2 dx
Integrando obtenemos
1
ln | x | = C1 .
v
Como v = y/x, esta ultima ecuacion es equivalente a
x
ln | x | = C1 .
y
Sea C1 = ln | C |. Entonces
x x x
ln | x | ln | C |= , o ln | |= .
y C y
Esto se puede escribir x/C = ex/y o x = Cex/y . Tambien se puede encontrar la
solucion en forma explcita.
162
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
hacemos la sustitucion
dy dv
x = vy, 1=v +y
dx dx
obteniendo
dv
(y vy cot v) + y cot v(v + y ) = 0.
dy
Dividiendo ambos lados por y y simplificando llegamos a
dv
(1 v cot v) + cot v(v + y ) = 0
dy
dv
1 + y cot v = 0.
dy
163
6.4. ECUACIONES DIFERENCIALES LINEALES DE PRIMER ORDEN
y
Z
ln | |= P (x)dx
C
y R
= e P (x)dx
C
R
P (x)dx
ye = C.
Ahora observamos que
R R R
Dx [ye P (x)dx
] = y e P (x)dx + P (x)ye P (x)dx
R
= e P (x)dx [y + P (x)y].
R
P (x)dx
Por consiguiente, si multiplicamos ambos lados de (6.8) por e podemos
escribir la ecuacion resultante como
R R
P (x)dx P (x)dx
Dx [ye ] = Q(x)e .
Esto nos da la solucion (implcita) de (6.8) siguiente:
R
Z R
P (x)dx
ye = Q(x)e P (x)dx dx + D. (6.8)
Si despejamos
R y de esta ecuacion obtenemos una solucion explcita. La expre-
sion e P (x)dx se llama un factor de integracion de (6.8). Hemos demostrado que
164
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
al multiplicar ambos lados de (6.8) por esta expresion, llegamos a una ecuacion
cuya solucion es (6.9).
5
y + y = 3x3
x
que es de la forma (6,8) con P (x) = 5/x y Q(x) = 3x3 . De acuerdo con la
discusion anterior, el factor de integracion que necesitamos es
5
R
P (x)dx
e = e5 ln|x| = eln|x| =| x |5 .
Si x > 0 entonces | x |5 = x5 , mientras que si x < 0, entonces | x |5 = x5 .
En ambos casos, al multiplicar los dos lados de la primera ecuacion por | x |5
obtenemos
x9
x5 y = +C
3
o equivalentemente
x4 C
y= + 5
3 x
es una solucion.
La ecuacion de Bernoulli
165
6.4. ECUACIONES DIFERENCIALES LINEALES DE PRIMER ORDEN
w = Dx w = (1 n)y n y
y por lo tanto
1
y n y = w.
1n
Sustituyendo esta expresion en lugar de y n y en (6.11) obtenemos
1
w + P (x)w = Q(x).
1n
Esta ecuacion diferencial lineal de primer orden se puede resolver usando el meto-
do del factor de integracion. Una vez hallado w, la solucion de (6.10) se puede
expresar como y 1n = w (y y = 0).
y + 2x1 y = x6 y 3 .
Solucion: Esta es una ecuacion de Bernoulli de la forma (6.10) con n = 3. Al
multiplicar ambos lados de la ecuacion por y 3 y hacer la sustitucion w = y 1n =
y 2 obtenemos
y 3y + 2x1 y 2 = x6
1
w + 2x1 w = x6
2
w + 4x1 = 2x6 .
166
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
escribimos
x4 w 4x5 w = 2x2 .
En consecuencia
2
x4 w = x3 + C
3
o
2
w = x7 + Cx4 .
3
Finalmente, como w = y 2 , la solucion de la ecuacion dada es
2
y 2 = x7 + Cx4
3
o
2
( x7 + Cx4 )y 2 = 1.
3
167
6.5. ECUACIONES DIFERENCIALES LINEALES DE SEGUNDO ORDEN
y + by + cy = 0 (6.12)
donde b y c son constantes. Antes de tratar de encontrar soluciones particulares de
esta ecuacion, demostraremos el siguiente resultado.
y = C1 f (x) + C2 g(x)
es una solucion.
168
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
m2 + bm + c = 0. (6.13)
La ecuacion (6.14) se llama la ecuacion auxiliar de y + by + cy = 0. Esta se
puede obtener a partir de la ultima ecuacion, sustituyendo m2 en lugar de y , m
en lugar de y y 1 en lugar de y. En los casos simples se pueden hallar las races de
la ecuacion auxiliar (6.14) por medio de una factorizacion. En general, aplicando
la formula cuadratica, vemos que las races de la ecuacion auxiliar son
b b2 4c
m= . (6.14)
2
Por consiguiente, la ecuacion auxiliar tiene dos races distintas m1 y m2 , o una
raz doble m, o dos races complejas conjugadas, dependiendo de si b2 4c es po-
sitivo, cero o negativo respectivamente. El teorema siguiente es una consecuencia
de la observacion que se halla a continuacion del teorema 6.5.1.
y = C1 em1 x + C2 em2 x .
y = C1 e5x + C2 e2x .
Teorema 6.5.4 Si la ecuacion auxiliar tiene una raz doble m, entonces la solu-
cion general de y + by + cy = 0 es
y = C1 emx + C2 xemx .
169
6.5. ECUACIONES DIFERENCIALES LINEALES DE SEGUNDO ORDEN
del teorema 6.5.1, es suficiente demostrar que y = xemx tambien es una solucion.
Sustituyendo xemx en lugar de y en y + by + cy = 0 obtenemos
y 6y + 9y = 0.
Solucion: La ecuacion auxiliar m2 6m + 9 = 0, o equivalentemente (m
2
3) = 0, tiene la raz doble m = 3. Por lo tanto, de acuerdo con el teorema 6.5.2,
la solucion general es
ay + by + cy = 0
como se ilustra en el ejemplo siguiente.
6y 7y + 2y = 0.
Solucion: La ecuacion auxiliar 6m2 7m + 2 = 0 se puede factorizar como
sigue:
(2m 1)(3m 2) = 0.
Por lo tanto las races son m1 = 1/2 y m2 = 2/3. Aplicando el teorema 6.5.2,
vemos que la solucion general de la ecuacion dada es
y = C1 ex/2 + C2 e2x/3 .
170
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
(2i)2 = 22 i2 = 4(1) = 4.
Tambien 2i es una solucion de x2 = 4.
Como i2 = 1, a veces usamos el smbolo 1 en lugar de i y escribimos
13 = 13i, 2 + 25 = 2 + 25i = 2 + 5i
etcetera. Las races de una ecuacion cuadratica ax2 + bx + c = 0, donde a, b y c
son numeros reales y a 6= 0, estan dadas por la formula cuadratica
b b2 4ac
x= .
2a
171
6.5. ECUACIONES DIFERENCIALES LINEALES DE SEGUNDO ORDEN
Si b2 4ac < 0, entonces las races son numeros complejos. Por ejemplo, si apli-
camos la formula cuadratica a la ecuacion x2 4x + 13 = 0 obtenemos
4 16 52 4 36 4 6i
x= = = = 2 3i.
2 2 2
Por lo tanto esta ecuacion tiene las dos races complejas 2 + 3i y 2 3i.
z1 = s + ti
y
z2 = s ti
donde s y t son numeros reales. Podemos suponer, de acuerdo con el teorema
6.5.2, que en este caso la solucion general de la ecuacion diferencial y +by +cy =
0 sera
y = C1 ez1 x + C2 ez2 x
es decir
x2 xn
ex = 1 + x + + ... + + ...
2! n!
x3 x5 x2n+1
senx = x + ... + (1)n + ...
3! 5! (2n + 1)!
172
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
x2 x4 x2n
cos x = 1 + ... + (1)n + ...
2! 4! (2n)!
para todo numero real x. Debido a que se pueden generalizar las definiciones y los
teoremas de series infinitas en las cuales intervienen numeros complejos, entonces
definimos ez , senz y cos z para todo numero complejo z como sigue:
z2 zn
ez = 1 + z + + ... + + ...
2! n!
z3 z5 z 2n+1
senz = z + ... + (1)n + ... (6.16)
3! 5! (2z + 1)!
z2 z4 z 2n
cos z = 1 + ... + (1)n + ...
2! 4! (2z)!
z2 z3 z4 z5
eiz = 1 + iz i + + i ...
2! 3! 4! 5!
lo cual tambien se puede escribir en la forma
z2 z4 z3 z5
eiz = (1 + ...) + i(z + ...).
2! 4! 3! 5!
Usando las formulas para cos z y sen z en (6.17) obtenemos el importante resul-
tado siguiente.
173
6.5. ECUACIONES DIFERENCIALES LINEALES DE SEGUNDO ORDEN
y = C1 e(s+ti)x + C2 e(sti)x
= C1 esx+txi + C2 esxtxi
= C1 esx etxi + C2 esx etxi
o equivalentemente
y 10y + 41y = 0
Solucion Las races de la ecuacion auxiliar m2 10m + 41 = 0 son
10 100 164 10 64 10 8i
m= = = = 5 4i.
2 2 2
174
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
Por lo tanto, aplicando el teorema 6.5.4, vemos que la solucion general de la ecua-
cion diferencial es
y + by + cy = k(x) (6.20)
donde b y c son constantes y la funcion k es continua.
Dy = y = f (x)
y
D 2 y = y = f (x).
Tambien usaremos el operador diferencial lineal
L = D 2 + bD + c
donde por definicion
175
6.6. ECUACIONES DIFERENCIALES LINEALES NO HOMOGENEAS
y 4y = 6x 4x3 .
Solucion: Examinando la ecuacion dada, observamos que yp = x3 es una
solucion particular. La ecuacion complementaria es y 4y = 0. Aplicando el
teorema 6.5.2, vemos que la solucion general es
yc = C1 e2x + C2 e2x .
Entonces, segun el teorema 6.6.1, la solucion general de la ecuacion no homogenea
dada es
yc = C1 e2x + C2 e2x + x3 .
176
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
yp = (uy1 + vy2 ) + (u y1 + v y2 )
yp = (uy1 + vy2) + (u y1 + v y2 ) + (u y1 + v y2 ) .
Sustituyendo estas expresiones en L(yp ) = yp + byp + cyp y rearreglando los
terminos, obtenemos
u y1 + v y2 = 0
u y1 + v y2 = k(x). (6.25)
Se puede mostrar que este sistema de ecuaciones siempre tiene una pareja unica
de soluciones u y v . Ahora se pueden encontrar u y v integrando, y usando (6.24)
se halla yp .
y + y = cot x.
177
6.6. ECUACIONES DIFERENCIALES LINEALES NO HOMOGENEAS
u cos x + v sen x = 0
u sen x + v cos x = cot x.
Resolviendo este sistema obtenemos
L(y) = y + by + cy = enx
donde enx no es una solucion de L(y) = 0, es razonable suponer que existe una
solucion particular de la forma yp = Aenx , ya que enx es el resultado de aplicar
y + by + cy a cualquier solucion de la ecuacion diferencial dada. Esto nos su-
giere usar Aenx como una solucion de prueba para la ecuacion dada y tratar de
encontrar el valor del coeficiente A. Este procedimiento se llama el metodo de los
coeficientes indeterminados y se ilustra en el ejemplo siguiente.
178
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
y + 2y 8y = e3x .
Solucion: Como las races de la ecuacion auxiliar m2 + 2m 8 de la ecuacion
complementaria y + 2y 8y = 0 son 2 y 4, inferimos de la seccion anterior
que la solucion general de la ecuacion complementaria es
yc = C1 e2x + C2 e4x .
De acuerdo con los comentarios anteriores, buscamos una solucion particular de
y + 2y 8y = e3x , de la forma yp = Ae3x . Como yp = 3Ae3x y yp = 9Ae3x , al
sustituir esto en la ecuacion dada obtenemos
9A + 6A 8A = 1,
o
1
A= .
7
3x
Por lo tanto yp = (1/7)e , y segun el teorema 6.6.1, la solucion general es
1
y = C1 e2x + C2 e4x + e3x .
7
A continuacion enunciamos, sin demostrarlas, tres reglas para encontrar so-
luciones de prueba de las ecuaciones diferenciales no homogeneas de segundo
orden con coeficientes constantes.
179
6.6. ECUACIONES DIFERENCIALES LINEALES NO HOMOGENEAS
(iii) Si
y + by + cy = esx sen tx
o
y + by + cy = esx cos tx
y s + ti no es una solucion de la ecuacion auxiliar m2 + bm + c = 0, en-
tonces existe una solucion particular de la forma
y 3y 18y = xe4x .
Solucion: Como las races de la ecuacion auxiliar m2 3m 18 = 0 son
6 y 3, sabemos de la seccion anterior que la solucion general de la ecuacion
y 3y 18y = 0 es
y = C1 e6x + C2 e3x .
Como 4 no es una raz de la ecuacion auxiliar, se sigue de (ii) del teorema 6.6.2,
que existe una solucion particular de la forma
yp = (A + Bx)e4x .
Derivando obtenemos
14A + 5B 14Bx = x.
180
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
14A + 5B = 0 y 14B = 1.
Esto nos da B = 1/14 y A = 5/196. Por consiguiente
5 1 1
yp = ( x)e4x = (5 + 14x)e4x .
196 14 196
Aplicando el teorema 6.6.1, concluimos que
1
y = C1 e6x + C2 e3x (5 + 14x)e4x
196
es la solucion general.
yp = A cos x + Bsen x.
Entonces
yp = Asen x + B cos x
yp = A cos x Bsen x.
Sustituyendo esto en la ecuacion dada obtenemos
181
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
1 4 1
yp = cos x + sen x = (cos x + 4sen x)
170 170 170
y la solucion general es
1
y = e5x (C1 cos x + C2 sen x) + (cos x + 4sen x).
170
x1 (t)
x2 (t)
X=
. ,
.
xn (t)
a11 (t) a12 (t) . . a1n (t) f1 (t)
a21 (t) a22 (t) . . a2n (t)
f2 (t)
A(t) =
. . , F(t) =
.
. . .
an1 (t) an2 (t) . . ann (t) fn (t)
182
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
dx1
= a11 (t)x1 + a12 (t)x2 + + a1n (t)xn + f1 (t)
dt
dx2
= a21 (t)x1 + a22 (t)x2 + + a2n (t)xn + f2 (t)
dt
.
.
.
dxn
= an1 (t)x1 + an2 (t)x2 + ... + ann (t)xn + fn (t)
dt
(6.26)
dX
= A(t)X + F(t). (6.27)
dt
Si el sistema es homogeneo, (6.28) se convierte en
dX
= A(t)X. (6.28)
dt
Las ecuaciones (6.28) y (6.29) tambien se escriben como X = AX + F y
X = AX, respectivamente.
dx
= 2x + 5y + et 2t
dt
dy
= 4x 3y + 10t
dt
183
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
et 2t
dX 2 5
= X+
dt 4 3 0 10t
o bien
2 5 1 t 2
X = X+ e + t
4 3 0 10
x
en donde X = .
y
Ejemplo 6.7.2 La forma matricial del sistema homogeneo
dx
= 2x 3y
dt
dy
= 6x + 5y
dt
es
dX 2 3
= X
dt 6 5
x
en donde X = .
y
Definicion 6.7.3 Un vector solucion en un intervalo I es cualquier matriz colum-
na
x1 (t)
z2 (t)
X= .
.
xn (t)
cuyos elementos son funciones diferenciables, y tal que satisface el sistema (6.28)
en el intervalo.
184
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
dx
= x + 3y
dt
dy
= 5x + 3y
dt
cuya solucion general es
1 2t 3
X = c1 e + c2 e6t .
1 5
Puesto que ambos vectores solucion tienen la forma basica
k1
Xi = ei t , i = 1, 2,
k2
k1 y k2 constantes, esto nos induce a preguntar si siempre es posible encontrar una
solucion de la forma
k1
k2
t
e = ket
X= . (6.29)
.
kn
para el sistema lineal no homogeneo de primer orden dado en la forma general
X = AX (6.30)
donde A es una matriz de constantes de n n.
ket = Aket .
Despues de simplificar cancelando et y reordenando los terminos obtenemos
Ak = k
185
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
o bien
(A I)k = 0. (6.31)
Para encontrar una solucion no trivial X de (6.31) hay que obtener un vector no
trivial k que satisfaga (6.32). Pero para que (6.32) tenga soluciones no triviales se
debe tener
det(A I) = 0.
A esta ecuacion se le conoce como ecuacion caracterstica de la matriz A. En
otras palabras, X = ket sera una solucion del sistema de ecuaciones diferencia-
les (6.31) si y solo si es un valor propio de A, y k es un vector propio corres-
pondiente a .
X1 = k1 e1 t , X2 = k2 e2 t , ..., Xn = kn en t
es un conjunto fundamental de soluciones de (6.31) en < t < .
X = c1 k1 e1 t + c2 k2 e2 t + + cn kn en t .
186
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
La ecuacion caracterstica es
2 3
det(A I) = det = 2 3 4 = 0.
2 1
Puesto que 2 3 + 4 = ( + 1)( 4) vemos que los valores propios son
1 = 1 y 2 = 4.
3k1 + 3k2 = 0
2k1 + 2k2 = 0
Por lo tanto k1 = k2 . Escogiendo k2 = 1 el vector propio relacionado resulta
ser
1
k1 = .
1
Para 2 = 4 tenemos
2k1 + 3k2 = 0
2k1 3k2 = 0
de manera que k1 = 3k2 /2 y, por consiguiente, con k2 = 2, el vector propio co-
rrespondiente es
3
k2 = .
2
Puesto que la matriz de coeficientes A es una matriz de 2 2 y dado que se han
obtenido dos soluciones linealmente independientes de (6.33),
1
X1 = et
1
y
3
X2 = e4t .
2
187
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
dx
= 4x + y + z
dt
dy
= x + 5y z
dt
dz
= y 3z
dt
(6.34)
188
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
1 = + i
y
2 = i,
189
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
dx
= 6x y
dt
dy
= 5x + 4y
dt
(6.38)
es
6 1
det(A I) = det = 2 10 + 29 = 0.
5 4
Por la formula cuadratica obtenemos
1 = 5 + 2i, 2 = 5 2i.
Ahora bien, para 1 = 5 + 2i tenemos que resolver
(1 2i)k1 k2 = 0
k1 (1 + 2i)k2 = 0.
190
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
y
1
X2 = e(52i)t .
1 + 2i
Teorema 6.7.7 Sea A la matriz de los coeficientes del sistema homogeneo (6.31),
y supongamos que A tiene elementos reales; sea k el vector propio correspon-
diente al valor propio complejo 1 = + i, y reales. Entonces
X1 = k1 e1 t y X2 = k1 e1 t
x = c1 e(5+2i)t + c2 e(52i)t
y = c1 (1 2i)e(5+2i)t + c2 (1 + 2i)e(52i)t
y, usando
ei = cos() + isen ()
191
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
o, en terminos de vectores,
x cos 2t
X= = C1 e5t
y cos 2t + 2sen 2t
sen 2t
+C2 e5t (6.40)
2 cos 2t + sen 2t
Por supuesto, en este caso es posible verificar que cada vector de (6.41) es una
solucion de (6.39). Ademas, las soluciones son linealmente independientes en
< t < . Podemos suponer tambien que C1 y C2 son completamente arbi-
trarias y reales. Por lo tanto, (6.41) es la solucion general de (6.39).
192
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
1
B1 = [k1 + k1 ]
2
1
B2 = [k1 k1 ] (6.42)
2
podemos enunciar el siguiente teorema:
(2 2i)k1 + 8k2 = 0
k1 + (2 2i)k2 = 0
193
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
1 = 1 + i
y
2 = 1 = 1 i.
Ahora bien, vemos que un vector propio asociado con 1 es
2
k1 = .
i
194
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
De (6.43) obtenemos
2
B1 =
0
0
B2 = .
1
Por consiguiente, de (6.44) resulta
2 0 t 0 2
X = c1 cos t + sen t e + c2 cos t sen t et
0 1 1 0
2 cos t t 2sen t
= c1 e + c2 et .
sen t cos t
195
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
(i) Puede ser que para algunas matrices A de n n sea posible encontrar m
vectores propios k1 , k2 , ..., km , linealmente independientes, que correspon-
den a un valor propio 1 de multiplicidad m n. En este caso, la solucion
general del sistema contiene la combinacion lineal
c1 k1 e1 t + c2 k2 e1 t + ... + cm km e1 t .
X1 = k11 e1 t
X2 = k21 te1 t + k22 e1 t
.
.
.
tm1 1 t tm2 1 t
Xm = km1 e + km2 e + ... + kmm e1 t ,
(m 1)! (m 2)!
196
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
197
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
198
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
(A 1 I)k = 0 (6.47)
y
(A 1 I)P = k. (6.48)
La primera ecuacion (6.48) simplemente dice que k debe ser un vector propio de
A asociado a 1 . Resolviendo (6.48) obtenemos la solucion X1 = ke1 t . Para en-
contrar la segunda solucion X2 , solamente necesitamos despejar el vector P del
sistema adicional (6.49).
(A + 3I)P = k
o bien
6 18 p1 3
= .
2 6 p2 1
Desarrollando esta ultima expresion resulta
6p1 18p2 = 3
2p1 6p2 = 1
199
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
Puesto que este sistema es equivalente a una sola ecuacion, tenemos un numero
infinito de valores posibles para p1 y p2 . Por ejemplo, eligiendo p1 = 1, obtene-
mos p2 = 1/6. Sin embargo, por simplicidad elegiremos p1 = 1/2 de modo que
1/2
p2 = 0. Por lo tanto, P = . Por consiguiente, de (6.47) obtenemos
0
3 3t 1/2
X2 = te + e3t .
1 0
Entonces, la solucion general de (6.45) es
3 3t 3 3t 1/2 3t
X = c1 e + c2 te + e .
1 1 0
t2
X3 = k e1 t + Pte1 t + Qe1 t (6.49)
2
en donde
k1 p1 q1
k2
p2
q2
k=
. , P =
. yQ=
. .
. . .
kn pn qn
Sustituyendo (6.50) en el sistema X = AX encontramos que los vectores colum-
na k, P y Q deben satisfacer
(A 1 I)k = 0, (6.50)
(A 1 I)P = k, (6.51)
y
(A 1 I)Q = P. (6.52)
Por supuesto, las soluciones de (6.51) y (6.52) pueden utilizarse para formular las
soluciones X1 y X2 .
200
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
(A 2I)k = 0
es
1
k = 0 ;
0
una solucion de
(A 2I)P = k
es
0
P = 1 ;
0
y finalmente, una solucion de
(A 2I)Q = P
es
0
Q = 6/5 .
1/5
De (6.47) y (6.50) vemos que la solucion general del sistema es
1 1 0
X = c1 0 e2t + c2 0 te2t + 1 e2t +
0 0 0
201
6.7. SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES
1 2 0 0
t
c3 0 e2t + 1 te2t + 6/5 e2t .
2
0 0 1/5
202
Bibliografa
203