Rai Z Algebra

Guia de Estudio para la Experiencia Educativa
de Algebra de la Facultad de Ingeniera de la

Universidad Veracruzana
Campus: Coatzacoalcos
Autora:
Escobedo Trujillo Beatris Adriana
Francisco Alejandro Alaffita Hernandez

6 de enero de 2013
ii
Indice general
1. Introducci
on 1
2. Polinomios y races de ecuaciones segundo y tercer grado 3

2.1. Polinomios: suma, resta, multiplicacion y division . . . . . . . . . . . . . . . 3
2.1.1. Factorizacion de polinomios . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Ecuaciones algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1. Metodo de completar cuadrados. . . . . . . . . . . . . . . . . . . . . 14
3. Numeros complejos 21
3.1. Numeros complejos y sus operaciones . . . . . . . . . . . . . . . . . . . . . . 21
3.1.1. Suma y resta de n umeros complejos . . . . . . . . . . . . . . . . . . . 22
3.1.2. Multiplicacion de n
umeros complejos . . . . . . . . . . . . . . . . . . 23
3.1.3. Division de n
umeros complejos . . . . . . . . . . . . . . . . . . . . . 25
3.1.4. Forma polar de n umeros complejos. . . . . . . . . . . . . . . . . . . 26
3.1.5. El Teorema de De Moivre. . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.6. Races de numeros complejos. . . . . . . . . . . . . . . . . . . . . . . 34
3.1.7. Formula de Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4. Matrices y Sistemas de Ecuaciones. 39

4.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1.1. Operaciones con matrices. . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1.2. El determinante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2. Sistema de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.1. Eliminacion Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.2. Matriz inversa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2.3. La matriz inversa con Gauss-Jordan. . . . . . . . . . . . . . . . . . . 58
4.2.4. La matriz inversa para encontrar la solucion a un sistema de ecuaciones. 60
4.2.5. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5. Transformaciones Lineales. 65
5.1. Espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.1. Combinaciones lineales y conjunto generador. . . . . . . . . . . . . . 66
5.1.2. Dependencia e independencia lineales. . . . . . . . . . . . . . . . . . 67
iv
5.1.3. Generador de un espacio vectorial. . . . . . . . . . . . . . . . . . . . 69

5.1.4. Base y dimension de un espacio vectorial. . . . . . . . . . . . . . . . . 69
5.1.5. Base canonica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.1.6. Transformaciones lineales. . . . . . . . . . . . . . . . . . . . . . . . . 71
5.1.7. Rango y nulidad de una transformacion lineal. . . . . . . . . . . . . . 72
5.1.8. Representacion matricial de una transformacion lineal. . . . . . . . . 72
5.2. Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.2.1. Diagonalizacion de matrices . . . . . . . . . . . . . . . . . . . . . . . 102
5.2.2. 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Captulo 1
Introducci
on

Esta nota surgio de los apuntes de clase de la experiencia educativa de algebra que se
imparte en la Facultad de Ingeniera de la Universidad Veracruzana campus Coatzacoalcos.
La finalidad de esta gua es dar la pauta de los tipos de ejercicios que se deberan de presentar
dicha experiencia educativa. Siguiendo el programa de estudio de algebra, en estos apuntes
hemos desglosado cada uno de los temas de la siguiente manera.
El Captulo 2 muestra algunas operaciones aritmeticas con polinomios, as como, los
metodos para localizar las races de ecuaciones de segundo grado, tales como: factorizacion,
metodo de completar cuadrados, formula general y division sintetica.
El Captulo 3 introduce los n umeros complejos. Muestra sus operaciones algebraicas
(suma, resta, division y multiplicacion). Ademas, en este captulo se analiza la forma polar,
el Teorema de De Moivre, el metodo para encontrar la raz n-esima de un n umero complejo
y la Formula de Euler.
El Captulo 4 trata de las operaciones con matrices y los sistemas de ecuaciones lineales.
Primero estudia las tres operaciones elementales que se definen en el conjunto de matrices
(suma, resta y multiplicacion, inlcuyendo transposicion). Despues, define el determinante de
una matriz. Finalmente, hace un estudio de los sistemas de ecuaciones lineales ilustrando el
metodo de Gauss-Jordan tanto para encontrar una solucion al sistema lineal dado como para
encontrar la matriz inversa de la matriz asociada el sistema ( con esta matriz inversa tambien
podemos encontrar una solucion al sistema). Tambien, se analiza la Regla de Cramer y el
metodo de la adjunta para encontrar la matriz inversa de un sistema lineal dado.
El Captulo 5 estudia primero los conceptos de espacio vectorial, combinacion lineal, con-
junto generador, dependencia e independencia lineal, base y dimension. Despues se analizan
las transformaciones lineales y el rango y nulidad de una transformacion lineal. El captulo
finaliza con los conceptos de valores y vectores propios y diagonalizacion de matrices.
Observe que en el captulo 2 se esta trabajando con el conjunto de los n umeros reales,
mientras que en el captulo 3 nos vemos en la necesidad de trabajar en el conjunto de los
numeros complejos al no poder encontrar una solucion en los n umeros reales a la ecuacion
x2 + 1 = 0. En el captulo 4 nos cambiamos al conjunto de matrices debido a que buscamos
las soluciones de un sistema de ecuaciones lineales. En los captulos 2, 3 y 4 hemos estado
trabajando sin mencionarlo a nuestros estudiantes en espacios vectoriales, debido a que los
2
n
umeros reales (R), los n umeros complejos (C) y el conjunto de las matrices cumplen con
todos los axiomas que definen que un conjunto sea un espacio vectorial. Por lo mencionado
previamente no esta demas mencionar que el programa de la experiencia educativa de algebra
nos lleva de lo particular (captulo 2,3,4) a lo general captulo 5.
Captulo 2
Polinomios y races de ecuaciones

segundo y tercer grado
En el presente captulo mostraremos como hacer operaciones aritmeticas con polinomios.

Ademas, ilustraremos los metodos para encontrar las races de ecuaciones (polinomios) de
segundo grado.
2.1. Polinomios: suma, resta, multiplicaci

on y divisi
on
Definici
on 2.1.1 Un polinomio es la suma algebraica de dos o mas monomios. Por ejemplo:
P (x) = 3x5 + 2x4 5x3 + x2 1.
Definicion 2.1.2 Para sumar (restar) dos polinomios se suman (restan) los coeficientes
de las variables que tienen el mismo exponente. Por ejemplo: sumar el polinomio P (x) =
3x5 + 2x4 5x3 + x2 1 con el polinomio G(x) = x5 + x4 + 6x3 + 2x2 + 3.
P (x) + G(x) = (3x5 + 2x4 5x3 + x2 1) + (x5 + x4 + 6x3 + 2x2 + 3)

= (3 + 1)x5 + (2 + 1)x4 + (5 + 6)x3 + (1 + 2)x2 (1 + 3)
= 4x5 + 3x4 + x3 + 3x2 + 2.
Si ahora se restan obtenemos
P (x) G(x) = (3x5 + 2x4 5x3 + x2 1) (x5 + x4 + 6x3 + 2x2 + 3)

= (3 1)x5 + (2 1)x4 + (5 6)x3 + (1 2)x2 (1 3)
= 2x5 + x4 11x3 x2 4.
Definici on 2.1.3 Los polinomios se multiplican elemento a elemento tomando en conside-

rancion las leyes de los exponentes. Por ejemplo: multiplicar el polinomio P (x) = x4 5x3 +
4
x2 1 con el polinomio G(x) = x4 + 6x3 + 2x2 + 3.
P (x)G(x) = (x4 5x3 + x2 1)(x4 + 6x3 + 2x2 + 3)
= x8 + 6x7 + 2x6 + 3x4 5x7 30x6 10x5 15x3 + x6 + 6x5 + 2x4 + 3x2
x4 6x3 2x2 3.
= x8 + x7 27x6 4x5 + 4x4 21x3 + x2 3.
Definici on 2.1.4 Los polinomios se dividen de manera semejante a la division aritmetica,
esto es, ordenar el divisor y el dividendo de mayor a menor respecto al exponente de una de
las variables y despues proceder a buscar un n
umero que al multiplicarse con el termino de
mayor exponente del divisor se obtenga el primer termino del dividendo. Despues se hacen
las operaciones algebraicas necesarias (suma, resta o multiplicacion) y el proceso se repite.
Por ejemplo,
1. Dividir el polinomio x3 3x2 + 2x 3 entre x2 + 2x 1.
x5

x2 + 2x 1 x3 3x2 + 2x 3
x3 2x2 + x
5x2 + 3x 3
5x2 + 10x 5
13x 8
2. Dividir el polinomio 13 x4 21 x2 + x + 1 entre 2x2 + 3x 1.

1 2
6
x 14 x + 24
5
1 4
12 x2

2x2 + 3x 1 3
x +x +1
1 4 1 3
3
x 2
x + 16 x2
1 3
2
x 13 x2 +x
1 3
2
x + 34 x2 14 x
5 2
12
x + 43 x + 1
5 2
12 x 85 x + 24
5
1
8
x + 29
24
3. Dividir el polinomio 32 x5 + 12 x3 + 2x + 5 entre 2x4 + 3x3 + 2x 1.

13 x + 21
2x4 + 3x3 + 2x 1 32 x5 + 12 x3

+ 2x + 5
2 5 4 2 2 1
3
x + x + 3
x 3
x
1 2 5
x4 + 2 x3 + 3 x2 + 3 x + 5
x4 32 x3 x + 12
x3 + 23 x2 + 23 x + 11
2
2.1 Polinomios: suma, resta, multiplicaci on y divisi
on 5
4. Dividir el polinomio x + x + x + 5x 2x + 1 entre 2x5 + 3x4 x2 + x + 6.
6 5 4 2
1
2
x 14

2x5 + 3x4 x2 + x + 6 x6 + x5 + x4 + 5x2 2x + 1
3
x6 2 x5 + 2 x3 12 x2 3x
1
12 x5 + x4 + 21 x3 + 92 x2 5x + 1
1 5
2
x + 43 x4 14 x2 + 41 x + 32
7 4
4
x + 21 x3 + 17
4
x2 19
4
x + 52
5. Dividir el polinomio x5 4x4 + 5x3 x2 + 7x + 9 entre 2x5 + x4 + 7x2 + 3x + 10.
1 2
2
14 x + 18
x

2x5 + x4 + 7x2 + 3x + 10 x7 4x4 + 5x3 x + 7x + 9 2
x7 12 x6 72 x4 23 x3 5x2
12 x6 15
2
x4 + 72 x3 6x2 + 7x
1 6
2
x + 14 x5 + 47 x3 + 34 x2 + 52 x
1 5
4
x 15
2
x4 + 21
4
x3 21
4
x2 + 19
2
x +9
1 5 1 4
4x 8x 8 x 8 x 54
7 2 3
61
8
x4 + 21
4
x3 49
8
x2 + 73
8
x + 31
4
Teorema 2.1.5 (Teorema del Residuo). Si un polinomio, P (x), se divide entre x r, en-
tonces el residuo es igual al polinomio evaluado en r, es decir,
residuo = P (r).
1. Dividir P (x) = x3 3x2 + 2x entre x 2 y encontrar P (2).
x2 x

x2 x3 3x2 + 2x
x3 + 2x2
x2 + 2x
x2 2x
0
P (2) = (2)3 3(2)2 + 2(2) = 8 12 + 4 = 0.

6
2. Dividir P (x) = 2x3 x2 + x + 4 entre x 1 y encontrar P (1).
2x2 +x+2

x1 2x3 x2 +x+4
2x3 + 2x2
x2 +x
x2 +x
2x + 4
2x + 2
6
P (1) = 2(1)3 (1)2 + 1 + 4 = 2 1 + 1 + 4 = 6.
3. Dividir P (x) = 5x4 x3 + 6x2 + 2x + 7 entre x + 2 y encontrar P (2).
5x3 11x2 + 28x 54

x+2 5x4 x3 + 6x2 + 2x + 7
5x4 10x3
11x3 + 6x2
11x3 + 22x2
28x2 + 2x
28x2 56x
54x + 7
54x + 108
115
P (2) = 5(2)4 (2)3 + 6(2)2 + 2(2) + 7 = 80 + 8 + 24 4 + 7 = 115.
Ejercicios 2.1.6 Empleando el Teorema del residuo, encuentrese el residuo que se ob-
tendra al dividir la primera expresion de los problemas 1 al 16, entre la segunda.
1. x3 + 6x2 4x + 3, x 1.
2. x3 5x2 + 6x 2, x + 1.
3. x3 + 7x2 3x 4, x 2.
4. x3 + 3x2 + 9x + 4, x + 3.
5. 2x3 + 2x2 3x 5, x + 2.
6. 3x3 + 6x2 4x + 1, x + 3.
7. 2x3 3x2 2x 5, x 4.
2.1 Polinomios: suma, resta, multiplicaci
on y divisi
on 7
3 2
8. 4x + 2x + x 7, x 1.
9. 4x3 3x2 + 5x 6, x + 2.
10. 3x3 9x2 + 7x + 1, x + 4.
11. 5x3 + 6x2 + 6x 4, x + 1.
12. 6x3 5x2 + 3x + 6, x 1.
13. x5 2x4 + 3x3 5x2 2x + 4, x 2.
14. 2x4 9x2 7x 7, x + 3.
15. 16x5 + 8x4 4x3 2x2 + 4x 3, x 21 .
16. 3x6 2x5 + 2x4 3x3 + x2 x + 7, x + 2.
Definici
on 2.1.7 La Divisi on sint etica es un procedimiento mediante el cual podemos
encontrar el cociente y residuo de la division de un polinomio P (x) entre x r.
1. Encontrar el cociente y residuo de la division de P (x) = x3 3x2 + 2x 3 entre x 1.
1 3 2 3
1 1 2 0
1 2 0 3
Cociente= x2 2x.
Residuo=-3.
2. Encontrar el cociente y residuo de la division de P (x) = 3x4 + 2x3 + 3x2 + x + 5 entre
x + 2.
3 2 3 1 5
2 6 8 22 42
3 4 11 21 47
Cociente= 3x3 4x2 + 11x 21.
Residuo=47.
3. Encontrar el cociente y residuo de la division de P (x) = x5 + 5x3 + 5x 2 entre x + 3.
1 0 5 0 5 2
3 3 9 42 126 393
1 3 14 42 131 395
Cociente= x4 3x3 + 14x2 42x + 131.

Residuo=-395.
8
Ejercicios 2.1.8 Mediante el uso de la Divisi on sint etica, encuentrense el cociente y
el residuo que se producen al dividir la primera entre la segunda de las expresiones de los
problemas 1 a 32.
1. x3 2x2 + x 3, x 1.
2. 3x3 + x2 3x + 2, x + 2.
3. 2x3 + 7x2 + x 1, x + 3.
4. 3x3 + 2x2 9x + 5, x 2.
5. 3x3 + 11x2 + x + 7, x 4.
6. 2x3 + 6x2 + 5x 1, x 3.
7. 6x3 9x2 + 5x 7, x + 3.
8. x3 9x2 + x + 2, x + 1.
9. 4x4 3x3 7x2 9x 4, x 5.
10. 6x4 + 7x3 + 2x2 + 4x + 3, x + 4.
11. 3x4 + 5x3 x2 + x 3, x 1.
12. 2x4 2x3 + 6x2 4x + 4, x + 2.
13. 5x5 + x4 2x3 + 7x2 2x 5, x + 3.
14. 4x5 3x4 + 9x3 3x2 6x 3, x 2.
15. 9x5 x4 + 8x3 2x2 x + 7, x 1.
16. 10x5 + 2x4 + 4x3 3x2 4x 3, x + 1.
17. 6x3 x 1, x + 1.
18. x4 + 4x2 1, x + 2.
19. x5 6x3 + x, x 2.
20. 3x5 15x3 9x, x 3.
21. 9x4 + 7x2 4, x 31 .
22. 4x3 + 2x2 + x 3, x + 12 .
23. 8x3 + x2 4x 1, x + 34 .
24. 9x3 x2 + 5x + 2, x 32 .
on y divisi
on 9
6
25. 2x 30x 25, x 2.
26. 7x6 8x3 x, x 1.
27. 2x5 + 55x2 , x + 3.
28. 3x4 10x2 1, x 2.
29. x3 2ax2 + 7a2 x 8a3 , x + a.
30. 4x3 5ax2 3a2 x 8a3 , x 2a.
31. 7x4 + 3ax3 + 5a2 x2 + 3a3 x + 4a4 , x + a.
32. x5 8a2 x3 + 8x2 + 7a2 , x + 2a.
Ejercicios 2.1.9 Encuentrese para k un valor tal, que al dividir la primera entre la segunda
de las expresiones siguientes, el residuo tenga valor que se indica.
1. x3 4x2 10x + k; x + 2; residuo 2.
2. x3 3x2 + 5x k; x 3; residuo 1.
3. 3x3 2x2 + kx 8; x + 1; residuo 3.
4. 4x3 + 6x2 + kx + 2; x 1; residuo 4.
5. x3 + 2kx2 + 2kx 20; x 2; residuo 4.
6. x3 + 3kx2 (k + 6)x 19; x + 3; residuo 5.
7. 2x3 5kx2 (k 2 k)x 3k 12; x k; residuo 4.
8. 3x4 + (k + 1)x3 + kx2 kx + 6k 8; x + k; residuo 0.
2.1.1. Factorizaci
on de polinomios
Definici on 2.1.10 Factorizar un polinomio significa buscar dos o mas polinomios (factores)
lo mas simple posible (grado 1 preferentemente) de tal forma que al multiplicarlos se obtenga
el polinomio dado.
La factorizacion de los polinomios de grado 2 depende de la forma del polinomio dado,

es decir, el polinomio puede ser un trinomio cuadrado perfecto o uno de la forma x2 + bx + c
o de la forma ax2 + bx + c.
10
1. Cuando el polinomio resulta ser un trinomio cuadrado perfecto (TCP) la forma de fac-
torizarlo consiste en obtener las races cuadradas del primer y tercer termino respecti-
vamente del polinomio dado. Por ejemplo la factorizacion del TCP P (x) = x2 + 2x + 1
es
P (x) = x2 + 2x + 1 = (x + 1)(x + 1) = (x + 1)2 ,
debido a que las races cuadradas del primer y tercer termino de dicho polinomio son
1. Los TCP se identifican porque su primer y tercer termino tiene races cuadradas
exactas.
2. Para factorizar un polinomio de la forma x2 + bx + c se buscan dos n umeros que al

multiplicarse se obtenga el termino c y sumados den b. Lo anterior se obtiene al suponer
que tenemos una factorizacion de la siguiente forma
x2 + bx + c = (x + d)(x + e) = x2 + xe + xd + de = x2 + (d + e)x + de.
Para que la igualdad anterior se cumpla es necesario que b = d + e y (c=de), de aqu la

regla de factorizacion que mencionamos previamente.
La factorizacion del polinomio x2 + 6x + 8 es
P (x) = x2 + 6x + 8 = (x + 4)(x + 2).
3. Para factorizar un polinomio de la forma ax2 + bx + c vamos a suponer que se tiene la

siguiente factorizacion
ax2 + bx + c = (ax + d)(x + e) = ax2 + axe + xd + de = ax2 + (d + ae)x + de.
Para que la igualdad anterior sea valida se necesita que b = d + ae y (c=de). De

aqu que para factorizar un polinomio de la forma ax2 + bx + c se tenga que buscar dos
n
umeros que multiplicados den como resultado c pero que satisfagan con la igualdad
b = d + ae.
La factorizacion del polinomio P (x) = 2x2 x 10 es
P (x) = 2x2 x 10 = (2x 5)(x + 2).
Ejercicios 2.1.11 Factorizar los siguientes polinomios cuadraticos.

a) x2 + x 6.
b) 6x2 + 11x + 3.
c) 7x2 9x + 2.
d) 4x2 15x + 9.
e) 6x2 5x 6.
on y divisi
on 11
2
f ) 8x + 6x + 1.
g) 2x2 x 10.
h) x2 4x + 3.
i) x2 + 4x + 4.
j) x2 + 13x + 36.
k) x2 + 7x 18.
l) 2x2 + 7x 4.
m) x2 + 5x 24.
n) x2 + 15x + 56.
) 8x2 2x 3.
n
Como puede verse en la Seccion 1.1.1, de manera general cuando dividimos un polinomio
P (x) entre otro polinomio Q(x) obtenemos que:
P (x) = Q(x)C(x) + R(x).
donde C(x) es el cociente y R(x) es el residuo. En otras palabras,
polinomio = (divisor)(cociente) + residuo. (2.1)
Si en la ecuacion (2.1) el residuo es cero entonces
polinomio = (divisor)(cociente).
Es decir,
P (x) = Q(x)C(x).
Lo cual implica que Q(x) y C(x) son factores de P (x). En el caso particular que
Q(x) = (x r),
con r un numero entero, obtenemos que (xr) es un factor del polinomio P (x) si el residuo es
igual a cero. Esto es precisamente lo que dice el teorema del factor enunciado a continuacion.
Teorema 2.1.12 (Teorema del Factor). Si un polinomio, P (x), se divide entre x r y el

residuo es igual cero, entonces x r es un factor de P (x), esto es,
P (x) = Q(x)(x r).

12
1. Dividir P (x) = x3 3x2 + 2x entre x 2.
x2 x

x2 x3 3x2 + 2x
x3 + 2x2
x2 + 2x
x2 2x
0
Por lo tanto
P (x) = x3 3x2 + 2x = (x2 x)(x 2).
2. Dividir P (x) = x2 + 2x + 1 entre x + 1.
x+1
2
x+1 x + 2x + 1
x2 x
x+1
x1
0
Por lo tanto
P (x) = x2 + 2x + 1 = (x + 1)(x + 1).
Ejercicios 2.1.13 Empleando el Teorema del factor, demuestre que la segunda expresi
on
de los problemas 1 al 18 es un factor de la primera.
1. x3 + 3x2 + 4x + 2, x + 1.
2. x3 + 4x2 5x + 2, x 1.
3. 2x3 + 2x2 3x + 2, x + 2.
4. 3x3 + 4x2 + 3x + 2 , x 2.
5. 5x4 + 7x3 + 3x2 + 6x + 5, x + 1.
6. 3x4 9x3 4x2 + 9x + 9, x 3.
7. 2x5 + 7x4 + 6x3 6x2 9x + 4, x 4.
8. 3x5 + 6x4 + 7x3 8x2 7x + 5, x + 1.
9. 16x3 + 8x2 + 2x + 1, x + 21 .
10. 9x3 + 3x2 + x 1, x 13 .

2.2 Ecuaciones algebraicas 13
11. 3x3 + 2x2 3x 2, x + 23 .
12. 8x3 6x2 + 4x 3, x 43 .
13. x3 + 2ax2 + 3a2 x 2a3 , x + a.
14. 2x3 2bx2 3b2 x 2b3 , x 2b.
15. x3 x2 (2a 3) x(6a + 2) + 4a, x 2a.
16. x3 + x2 (b + 3) + x(3b + 2) + 2b, x + b.
17. xn an , x a.
18. xn a3n , x a3 .
2.2. Ecuaciones algebraicas

En esta seccion buscaremos las races de ecuaciones de segundo grado.
Definici
on 2.2.1 Una ecuacion de grado superior es una ecuacion de la forma
an xn + an1 xn1 + . . . + ax + a0 = 0,
donde an , an1 , . . . , a0 son n

umeros enteros.
Definici
on 2.2.2 Dada una ecuacion de la forma
an xn + an1 xn1 + . . . + ax + a0 = 0,
el valor x = r se llama raz de la ecuacion o del polinomio an xn + an1 xn1 + . . . + ax + a0 , si

al sustituirlo en la misma se cumple la igual con cero. Es decir, si P (x) = an xn + an1 xn1 +
+ ax + a0 , entonces P (r) = 0.
Observaci on 2.2.3 Note que si r es una raz de un polinomio P (x) entonces al dividirlo
entre x r obtenemos
P (x) = Q(x)(x r), (2.2)
por el Teorema del Factor. Esto significa que s podemos encontrar las races de un polino-
mio, entonces podemos factorizarlo. Ahora bien, de manera inversa, si podemos factorizar el
polinomio en la forma (2.2), entonces el n
umero r es una raz del polinomio ya que
P (r) = Q(r)(r r) = Q(r) 0 = 0.

14
2.2.1. M
etodo de completar cuadrados.
En esta subseccion mostraremos la forma de encontrar las races de ecuaciones cuadrati-
cas, es decir, de ecuaciones de la forma
ax2 + bx + c = 0.
Primero ilustraremos el metodo de completar cuadrados el cual nos lleva a la formula general
de segundo grado.
El metodo de completar cuadrados consiste en lo siguiente:
1. Dada una ecuacion de segundo orden:
ax2 + bx + c = 0. (2.3)
2. Se divide toda la ecuacion (2.3) por el coeficiente a que acompa

na a la variable x
quedando de la siguiente manera:
b c
x2 + + = 0. (2.4)
a a
3. Despues, se resta en ambos lados de la ecuacion (2.4) la cantidad ac , resultando:

b c
x2 + = . (2.5)
a a
4. Ahora tome el termino ab , divdalo entre 2 y eleva al cuadrado el resultado obtenido de

la operacion que acabas de hacer:
b 2 b2
a
= .
2 4a2
b2
5. Sume la cantidad 4a2
en ambos lados de la ecuacion (2.5).
b b2 c b2
x2 + + 2 = + 2. (2.6)
a 4a a 4a
6. El lado derecho de la ecuacion (2.6) es un binomio cuadrado perfecto que puede ser
factorizado de la siguiente forma:
b b c b2
x+ x+ = + 2. (2.7)
2a 2a a 4a
7. Sumando la fraccion del lado derecho de la ecuacion (2.7) obtenemos:

b 2 b2 4ac
x+ = . (2.8)
2a 4a2
8. Tomado raz cuadrada en ambos lados de la igualdad (2.8) se tiene:
r r
b 2 b2 4ac
x+ = .
2a 4a2
9. Del paso anterior tenemos:

b b2 4ac
x+ = . (2.9)
2a 2a
10. Despejando la variable x de la ecuacion (2.9) concluimos que:

b b2 4ac b b2 4ac
x= = . (2.10)
2a 2a 2a
EJEMPLOS. Resolver las siguientes ecuaciones usando el metodo de completar cua-

drados.
1. 4x2 + 5x 2 = 0.
1
Multiplicando ambos lados de la igualdad por 4
obtenemos
5 1
x2 + x = 0,
4 2
pasando el termino constante al lado derecho de la igualdad
5 1
x2 + x = , (2.11)
4 2
5
diviendo 4
entre 2 y elevandolo al cuadrado
5 2 5 2 25
4
= = ,
2 8 64
25
agregando 64
en ambos lados de la igualdad (2.11)
5 25 1 25
x2 + x + = + ,
4 64 2 64
5 25 57
x2 + x + = ,
4 64 64
factorizando 5 5 57
x+ x+ = ,
8 8 64
5 2 57
x+ =
8 64
16
sacando raz cuadrada r
5 57
x+ = ,
8 64
despejando x obtenemos las dos races
r
5 57
x1 = +
8 64
r
5 57
x2 =
8 64
2. 5x2 + 4x 2 = 0.
1
Multiplicando ambos lados de la igualdad por 5
obtenemos
4 2
x2 + x = 0,
5 5
pasando el termino constante al lado derecho de la igualdad
4 2
x2 + x = , (2.12)
5 5
4
diviendo 5
entre 2 y elevandolo al cuadrado
4 2 4 2 2 2 4
5
= = =
2 10 5 25
4
agregando 25
en ambos lados de la igualdad (2.12)
4 4 2 4
x2 + x + = + ,
5 25 5 25
sumando, multiplicando, factorizando y sacando raz cuadrada se obtienen las races
4 4 14
x2 + x + = ,
5 25 25
2 2 14
x+ x+ = ,
5 5 25
2 2 14
x+ = ,
5 25
r
2 14
x+ = ,
5 25
r
2 14
x1 = + ,
3 25
r
2 14
x2 = .
5 25
Observaci on 2.2.4 Note que a traves del metodo de completar cuadrado uno puede obtener
la bien conocida f
ormula general, ecuacion (2.10).

b b2 4ac b b2 4ac
x= = .
2a 2a 2a
Este resultado se conocio desde tiempo de los griegos. En el siglo XVI, el algebra recibe
un gran impulso con el descubrimiento, por los matematicos de la escuela italiana (Nicolo
Fontana llamado Tartaglia y Girolamo Cardano), de la resolucion por radicales de la ecuaci
on
3 2
c
ubica ax + bx + cx + d = 0.
Ejercicios 2.2.5 Resolver las siguientes ecuaciones cuadraticas por el m

etodo de com-
pletar el cuadrado.
a) 2x2 + x 20 = 0.
b) 2x2 x 8 = 0.
c) x2 4x 1 = 0.
d) 3x2 6x = 9.
e) 2x2 5x 6 = 0.
f ) 2x2 5x = 12.
g) 4x2 + 4x = 1.
h) 6x2 5x = 1.
i) 2x2 8x = 1.
j) 4x2 11 = 4x.
k) x2 2x 15 = 0.
l) 5x(x 1) 2(2x2 7x) = 8.
m) x2 (7x + 6) = x + 59.
n) x2 19x = 88.
) x2 + 7x + 12 = 0.
n
Ejercicios 2.2.6 Resolver las siguientes ecuaciones cuadraticas por la f

ormula general.
a) 2x2 3x 2 = 0.
b) 3x2 + 2x 5 = 0.
18
c) x2 6x + 8 = 0.
d) 4x2 12x + 9 = 0.
e) 7x2 + x 5 = 0.
f ) 2x2 + 5x + 1 = 0.
g) x2 x + 1 = 0.
h) 20x2 + 9x + 1 = 0.
i) x2 10x + 25 = 0.
j) x2 2x + 2 = 0.
k) 3x2 + 11x + 7 = 0.
l) x2 6x + 10 = 0.
m) 27x2 + 12x 7 = 0.
n) 9x2 12x + 4 = 0.
) 5x2 7x 90 = 0.
n
Observaci
on 2.2.7 La formula general

b b2 4ac b b2 4ac
x= = ,
2a 2a 2a
como hemos mencionado nos permite encontrar las races de ecuaciones de segundo grado
de la forma ax2 + bx + c = 0 siempre y cuando el termino conocido como discriminante,
b2 4ac, sea mayor o igual a cero. Los casos que se pueden presentar son:
1. Cuando b2 4ac > 0 existen dos races reales y diferentes. Por ejemplo: usando la
formula general encontramos que las races de la ecuacion 2x2 + 3x 1 = 0 son

3 17 3 17
x1 = + , y x2 = ,
4 4 4 4
debido a que
b2 4ac = (3)2 4(2)(1) = 17 > 0.
2. Cuando b2 4ac = 0 existen dos races reales e iguales. Para este caso se dice que la
ecucion tiene una raz de multiplicidad 2. Por ejemplo: la ecuacion x2 + 4x + 4 = 0
tiene como races
x1 = 2, y x2 = 2,
ya que
b2 4ac = (4)2 4(1)(4) = 0.
Note que x2 + 4x + 4 = (x + 2)2 , de aqu la multiplicidad 2. Por tanto, una raz es
multiplicidad n si se repite n veces en la factorizacion del polinomio.
Todos podemos preguntarnos en estos momentos Que sucede cuando el discriminante es

negativo? La respuesta es que la ecuacion de segundo grado NO tiene solucion en el conjunto
de los n
umeros reales debido a que en dicho conjunto no tenemos definida la raz cuadrada
de numeros negativos.
Note que la ecuacion x2 + 1 = 0 no tiene solucion en el conjunto de los n
umeros reales.
Para subsanar este defecto de los n
umeros reales se tiene que estudiar un conjunto en el cual
umero i que resuelva la ecuacion x2 + 1 = 0, es decir,
exista un n
i2 + 1 = 0,

umero su valor sera i = 1. En el siguiente captulo presentaremos al
s existiece tal n
conjunto de los n umeros complejos creados bajo la existencia del n
umero imaginario i.
Observaci on 2.2.8 Hasta este captulo solo hemos trabajado con n

umeros reales, dicho
conjunto cumple con las propiedades que lo hacen un espacio vectorial. Se recomienda la
lector investigar cuales son tales propiedades.
20
Captulo 3
N
umeros complejos
Los algebristas italianos del siglo XVI se enfrentaban al siguiente problema: ecuaciones
de la forma
x2 + 1 = 0
parecan no tener solucion. Lo anterior se debe a que todo n
umero real elevado al cuadrado es
positivo. Pero, por otra parte, era muy conveniente trabajar bajo el supuesto que una solucion
para esta ecuacion existiese. Fue el matematico italiano Girolamo Cardano el primero en
trabajar como si la ecuacion x2 + 1 = 0 tuviera solucion, sin embargo pensaba que esta
solucion era un n
umero imposible y por ello lo llamo imaginario.
El primero en usar los n umeros complejos fue el matematico italiano Girolamo Cardano
(15011576) quien los uso en la formula para resolver las ecuaciones c ubicas. El termino
numero complejo fue introducido por el gran matematico aleman Carl Friedrich Gauss.
Los numeros complejos se usan en ecuaciones diferenciales, cuando se estudian las soluciones
de las ecuaciones diferenciales lineales con coeficientes constantes, en ingeniera electronica y
en otros campos para una descripcion adecuada de las se nales periodicas variables. Tambien
se usan para encontrar soluciones de ecuaciones polinomicas, una raz del polinomio P (x) es
un complejo z tal que P (z) = 0. Un resultado importante de esta definicion es que todos los
polinomios de grado n tienen exactamente n soluciones en el campo complejo, esto es, tiene
exactamente n complejos z que cumplen la igualdad P (z) = 0, contados con sus respectivas
multiplicidades.
Llamemos i a una solucion de la ecuacion x2 + 1 = 0. Este no es un n umero como los
2
que conocemos (los n umeros reales) pues satisface que i = 1. Sin embargo adoptemoslo
formalmente como un nuevo n umero, el numero imaginario i.
3.1. N
umeros complejos y sus operaciones
En esta seccion definiremos el n
umero complejo y las propiedades que debe satisfacer.
Adrmas, mostraremos las operaciones de suma, resta, multiplicacion y division de estos.
Definici
on 3.1.1 Un n
umero complejo es un par ordenado de n
umeros reales, denotado
22
por (a, b) o a + bi, donde a, b son n
umeros reales. El conjunto de n
umeros complejos se
denotara por C.
Definici
on 3.1.2 Algunas veces es conveniente usar una sola letra, como z, para denotar
un n
umero complejo. As, se puede escribir
z = a + bi.
El n
umero real a se denomina la parte real de z y el n
umero real b, la parte imaginaria de z.
El conjunto de n
umeros complejos, C, satisface las siguientes propiedades.
Propiedades de los elementos de C. Sean z1 , z2 y z3 en C cualesquiera tres n

umeros
complejos, entonces:
1. z1 + z2 y z1 z2 pertenece a C ley de clausura
2. z1 + z2 = z2 + z1 ley conmutativa de la adicion
3. z1 + (z2 + z3 ) = (z1 + z2 ) + z3 ley asociativa de la adicion
4. z1 z2 = z2 z1 ley conmutativa de la multiplicacion
5. z1 (z2 z3 ) = (z1 z2 )z3 ley asociativa de la multiplicacion
6. z1 (z2 + z3 ) = z1 z2 + z1 z3 ley distributiva
7. z1 +0 = 0+z1 = z1 , 1z1 = z1 1 = z1 , el cero es llamado el elemento neutro o identico

de la adicion, y uno es llamado el elemento neutro o identico de la multiplicacion.
8. Para cualquier n umero complejo z1 6= 0, existe un numero u nico z en C tal que z +z1 =
0; z se llama el opuesto (o recproco) de z1 con respecto a la adicion y es denotado por
z1 .
9. Para cualquier z1 6= 0, existe un numero unico z en C tal que z1 z = zz1 = 1; z se llama

el inverso (o recproco) de z1 con respecto a la multiplicacion y es denotado por z1 1
o 1/z1
3.1.1. Suma y resta de n

umeros complejos
Definici
on 3.1.3 Si z1 = a + bi y z1 = c + di, entonces su suma se define como:
z1 + z2 = (a + bi) + (c + di) = (a + c) + (b + d)i,
y su resta es igual a:
z1 z2 = (a + bi) (c + di) = (a c) + (b d)i.

3.1 N
umeros complejos y sus operaciones 23
EJEMPLOS. Sumar o restar los siguientes n
umeros complejos.
1. (3 + 2i) (5 + i) = 8 + i.
2. (5 + 4i) + (1 + i) = 4 3i.
3. (8 + 4i) (2 + i) = 6 + 3i.
4. (5 + 6i) + (20 + 8i) = 25 + 14i.
5. (7 2i) (5 + 6i) = 12 8i.
6. ( 31 + 43 i) + ( 14 + 32 i) = 12
1
+ 2i.
Ejercicios 3.1.4 Sume o reste los siguientes n

umeros complejos.
1. (4 + i) (1 + i).
2. ( 21 + 4i) + (1 + 2i).
3. ( 87 + 43 i) (5 + i).
4. ( 21 + 34 i) + ( 15 + 37 i).
5. (5 i) (1 6i).
6. (2 + 3i) (5 + 2i).
7. ( 31 + 12 i) + (1 + 5i).
8. ( 71 13 i) ( 52 + i).
9. ( 61 + 32 i) + ( 19 + 17 i).
10. (3 i) (7 6i).
3.1.2. Multiplicaci
on de n
umeros complejos
Definici
on 3.1.5 Si z1 = a + bi y z1 = c + di, entonces su multiplicacion se define como:
z1 z2 = (a + bi) (c + di) = ac + adi + bci + bdi2 ,
usando la propiedad i2 = 1 y agrupando terminos en la igualdad anterior obtenemos
z1 z2 = (ac bd) + (ad + bd)i.
EJEMPLOS.
1. (3 + 2i)(9 i) = 27 3i + 18i 2i2 = 29 15i.

24
2. (i + 1)(3 + 3i) = 3 + 3i + 3i 3 = 6i.
3. (5 + 2i)(8 + 3i) = 40 15i + 18i 6 = 46 + 3i.
4. (2 i)(4 i) = 8 2i + 4i 1 = 9 + 2i.
5. (6 + i)(7 i) = 42 + 7i 6i + 1 = 43 i.
6. (18 i) i = 18i + 1.
7. ( 91 + 16 i)( 1
4
1
+ i) = 36 + 9i i
24
1
6
7
= 36 + 249
216
i 7
= 36 + 15
216
i.
8. (3 + 2i)(5 + 2i) = 15 + 6i + 10i + 4i2 = 11 + 16i.
9. (5 + i)(i) = 5i i2 = 5i (1) = 5i + 1 = 1 + 5i.
10. (5 i)(3 + 2i) = 15 10i + 3i 2i2 = 15 7i 2(1) = 15 7i + 2 = 17 7i.
11. (8 i)(20 + i) = 160 + 8i 20i i2 = 160 12i (1)2 = 161 12i.
12.
3 1 8 9 3 8 3 9 1 8 1 9
+ i + i = + i + i + i2
2 4 7 2 2 7 2 2 4 7 4 2
24 27 8 9
= + i+ i
14 4 28 8
24 9 27 8
= + + i
14 8 4 28
192 126 756 + 32
= + i
112 112
66 788
= + i
112 112
13.
1 1 7 4 1 7 1 4
+ i i = + i
2 4 2 3 2 2 2 3
1 7 1 4
+ i i2
4 2 4 3
7 4 7 4 7 1 2 7
= + i i+ = + + i
4 6 8 12 4 3 3 8
21 + 4 16 21 25 5
= + i= + i
12 24 12 24
Ejercicios 3.1.6 Multiplicar los siguientes n

umeros complejos.
1. (1 + 2i)(15 + 12i).
2. (8 + i)(i).
3.1 N umeros complejos y sus operaciones 25
3. (25 i)(3 2i).
4. ( 12 i)( 34 + i).

5. 42 + 31 i 54 + 92 i .

7
6. 4
+ 56 i 67 32 i .

3 1 1 1
7. 2
+ 3
i + 4 2
i .

4 1 10 1
8. 7 3
i 7
+ 2
i .
9. (6 + 4i)(23 2i).
10. (18 i)(i).
3.1.3. Divisi
on de n
umeros complejos
Antes de ver como se dividen los n
umeros complejos necesitamos la siguiente definicion.
Definici
on 3.1.7 (Conjugado de un n umero complejo) Sea z = a + bi un n
umero complejo,
entonces su conjugado es el n
umero complejo
z = a bi.
EJEMPLOS.
a) Si z = 3 + 2i, entonces su conjugado es z = 3 2i.
b) Si z = 3 i, entonces su conjugado es z = 3 + i.
c) Si z = 2 + 4i, entonces su conjugado es z = 2 4i.
Definici
on 3.1.8 Si z1 = a + bi y z1 = c + di, entonces su division se define como:
z1 (a + bi) (a + bi)(c di) (ac + bd) + (bc ad)i

= = = .
z2 (c + di) (c + di)(c di) c2 + d 2
EJEMPLOS.
3+2i (3+2i)(4+i) 12+3i+8i2 10 11
1. 4i
= (4i)(4+i)
= 16+1
= 17
+ 17
i
3
+ 12 i 107 66
2. 4
5
+ 79 i
= 72
36
i
2
(3+2i) (3+2i)(52i) 156i+10i+4 19 4

3. (5+2i)
= (5+2i)(52i)
= 25+4
= 29
29
i
26
(5+i) (5+i)(i) 5i+i2
4. i
= (i)2
= i2
= 1 + 5i.
(5i)
5. (3+2i)
= 1 + i.
(8i) 159 28
6. (20+i)
= 401
401
i.
( 81 21 i) 1 13
7. ( 23 + 21 i)
= 40
40
i.
Ejercicios 3.1.9 Dividir los siguientes n

umeros complejos.
(1+2i)
1. (5+1i)
.
(8+i)
2. i
.
(25i)
3. (32i)
.
( 12 i)
4. ( 34 +i)
.
( 42 + 31 i)
5. ( 54 + 29 i)
.
( 74 + 56 i)
6. ( 67 32 i)
.
( 23 + 31 i)
7. ( 14 + 12 i)
.
( 74 13 i)
8. ( 10 + 12 i)
.
7
(6+4i)
9. (232i)
.
(18i)
10. i
.
3.1.4. Forma polar de n

umeros complejos.
Sea z = a + bi un n
umero complejo, entonces,

|r| = a2 + b2
se llama el modulo o valor absoluto de z (denotado por el mod z o |z|); y es llamado la

amplitud o argumento de z (denotado por arg z), es el angulo que forma la recta OP con el
eje positivo x.
3.1 N
Im
b P
r
o a
Re
Se puede deducir que

z = a + bi = r cos() + isen() ,
llamada la forma polar del n umero complejo, y (r, ) se llaman coordenadas polares.
A cualquier numero complejo z 6= 0 le corresponde solamente un valor de en 0 < 2.
No obstante, cualquier otro intervalo de longitud 2, por ejemplo < , se puede
emplear. Cualquier eleccion particular, tomada anticipadamente, se llama la parte principal
y el valor de se llama su valor principal.
EJEMPLOS.
1. Sea el n
umero complejo z = i, entonces z se puede expresar como z = 0 + 1i. Como
sabemos el modulo de z esta dado por:

|r| = a2 + b2 = 0 + 12 = 1,
Im
i
90=/2
Re
el angulo en este caso es:

90 = rad.
2
Por lo tanto, la forma polar del n
umero complejo z = i es:

z = 1 cos + isen .
2 2
28
umero complejo z = 1 + i.
2. Expresar en forma polar el n
El angulo es
3
= 135 = 90 + 45 = + = rad,
2 4 4
y el modulo es dado por p
|r| = (1)2 + (1)2 = 2.
Por tanto la forma polar de z = 1 + i es
3 3
z = 2 cos + isen .
4 4
umero complejo z = 1.
Observe que z = 1 = 1 + 0i, por lo que
p
|r| = (1)2 + (0)2 = 1, y = rad,
con estos datos la forma polar de z = 1 es

z = 1 cos() + isen() .
umero complejo z = 4 3i.

Note que p
|r| = (4)2 + (3)2 = 16 + 9 = 25 = 5.
La tan = 3
4
implica que = 36,86 . Pero el angulo que nos interesa es el que tiene
sentido contrario a las manecillas del reloj, por lo que el angulo que ocuparemos es
= 323,4 = 1,79rad, obteniendo de esta manera que

z = 5 cos(1,79) + isen(1,79) .

Para este problema 8
= tan1 = 57,99 ,
5
implicando que
= 360 = 302,01 1,67.
Por otra parte, p

|r| = (8)2 + (5)2 = 64 + 25 = 89,
obteniendo finalmente que

z = 89 cos(1,67) + isen(1,67) .
3.1 Numeros complejos y sus operaciones 29
umero complejo z = 4 + 5i.
El angulo es:
5
= tan1 = 51,34 0,285rad.
4
El modulo es:
p
|r| = (5)2 + (4)2 = 25 + 26 = 41.
Ocupando lo anterior, la forma polar de z es:

z = 41 cos(0,285) + isen(0,285) .
umero complejo z = 3 i.
Dado que
3
= tan1 = 18,43 ,
1
el angulo requerido es:
= 18,43 + 180 = 198,43 1,1rad.
el modulo es: p
|r| = (1)2 + (3)2 = 10.

z = 10 cos(1,1) + isen(1,1) .

Dado que
17
1
= tan = 64,79 ,
8
el angulo requerido es:
= 360 64,79 = 295,21 1,65rad.
el modulo es:
p
|r| = (17)2 + (8)2 = 289 + 64 = 353.

z = 353 cos(1,65) + isen(1,65) .
30
(32i)3
9. Encontrar la forma polar del n
umero complejo z = 5i
.
Primero expresamos z en su forma rectangular, para ello note que
(3 2i)(3 2i)(3 2i)

z =
5i
(5 12i)(3 2i)
=
5i
9 46i
=
5i
9 46i 5 + i 1 239i
= =
5i 5+i 26
1 239i
= .
26 26
La tan = 239
1
, implicando que = tan1 (239) = 89,76 . Por lo que, el angulo
requerido es
= 360 = 270,3 1,50rad.
El modulo es
r r r
1 2 239 2 1 57121 169
|r| = + = + = .
26 26 676 676 2
Por tanto, la forma polar es:
r
169
z= cos(1,50) + isen(1,50) .
2
8+1
3i
10. Encontrar la forma polar del n
umero complejo z = 4+i .
Note primero que
8 + i 3 + i 25 5i
= + .
3 i 3 + i 10 10
Por tanto
25 + 5i 4 i 19 3
z = 10 10
= i,
4 + i 4 i 30 10
con lo cual 9
tan = ,
19
9
= tan1 ,
19
3.1 N

por tanto = 25,34 . Pero el angulo que nos interesa es = 360 , con lo cual
= 334,66 1,85.
La norma es r
9 19
|r| = ( )2 + ( )2
30 30
r
82 361
|r| = +
900 900
r
442
|r| =
30
Por lo que la forma polar es
r
442
z= cos(1,85) + sen(1,85) .
30
(3+2i)3
11. Encontrar la forma polar de z = (55i)+(8i) .
42i
Note que
(3 + 2i)3 (3 + 2i)3 9 + 46i
z= (55i)+(8i)
= 136i = 32 1 ,
42i 42i 10
+ 10 i
debido a que 13 6i 4 + 2i 64 + 2i 32 1
= = + i
4 2i 4 + 2i 20 10 10
y
(3 + 2i)(3 + 2i)(3 + 2i) = (9 + 6i + 6i 4)(3 + 2i) = (5 + 12i)(3 + 2i) = 9 + 46i.
Entonces:
9 + 46i
z = 32 1
10
+ 10 i
9 + 46i 32 1
i
10 10
= 32 1 32 1
10
+ 10
i 10
10
i
288 9 1472
10
+ 10
i+ 10
i + 46
10
= 1024 1
100
+ 100
242
10
+ 1481
10
i
= 1025
100
2420 14910
= + i
1025 1025
484 2962
= + i. (3.1)
205 205
32
Por lo tanto, = tan1 ( 2962
484
) = 80,71 . Pero el angulo que nos interesa es = 180 =
99,29 ,55.
La norma del vector es
r r
2962 2 484
2 8788
|r| = + = .
205 205 41
De donde la forma polar es
r
8788
z= cos(,55) + isen(,55) .
41
Ejercicios 3.1.10 Expresar en forma polar los siguientes n

umeros complejos.
1. 1 + 2i.
2. 3 4i
1
3. 3
2i.
4. 7 i.
5. i.
7
6. 4
+ 2i.
3
7. 2
+ 31 i.
8. 10
7
+ 12 i.
9. 23 2i.
10. 18 2i.
3.1.5. El Teorema de De Moivre.

Abraham de Moivre (1667-1754) Fue un matematico frances, conocido por la formula
de Moivre y por predecir el da de su muerte a traves de un calculo matematico. Se cuenta co-
mo anecdota que cuando preguntaban a Newton sobre alg un tema de disciplina matematica,
este apuntaba: consulten a Abraham de Moivre, que de esto sabe mas que yo.
Si z1 = a1 + ib1 = r1 (cos 1 + isen1 ) y z2 = x2 + iy2 = r2 (cos 2 + isen2 ), entonces
z1 z2 = r1 r2 {cos(1 ) cos(2 ) sin(1 ) sin(2 ) + i(cos(1 ) sin(2 ) + sin(1 ) cos(2 )).}(3.2)
Usando las identidades trigonometricas para el cos(1 + 2 ) y sin(1 + 2 ) en (3.2), obte-

nemos que
3.1 N
z1 z2 = r1 r2 cos(1 + 2 ) + i sin(1 + 2 ). (3.3)

De manera similar, pero ahora usando las identidades trigonometricas para el cos(1 2 ) y
sin(1 2 ) se tiene que
z1 r1
= cos(1 2 ) + isen(1 2 ).
z2 r2
Una generalizacion de (3.3) conduce a
z1 z2 zn = r1 r2 rn cos(1 + 2 + + n ) + isen(1 + 2 + + n )
y si z1 = z2 = = zn = z, la expresion anterior queda
z n = r(cos + isen)n = rn (cos n + isen),
que se llama frecuentemente la formula de De Moivre.
A continuacion presentamos dos ejemplos.
umero complejo z = i, entonces encontrar z 6 .
1. Sea el n
El n
umero complejo z = i se puede expresar como z = 0+1i. Como sabemos el modulo
de z esta dado por:
|r| = a2 + b2 = 0 + 12 = 1,

90 = rad.
2
Por lo tanto, z 6 es:
6 6
z6 = cos + i sin = cos 3 + i sin 3 .
2 2
umero complejo z = 1 + i, entonces encontrar z 13 .

2. Sea el n
El angulo es
3
= 135 = 90 + 45 = + = rad,
2 4 4
|r| = (1)2 + (1)2 = 2.
Por tanto, z 13 es
13
(13)3 (13)3 13
39 39
z=2 2 cos + i sin =2 2 cos + i sin .
4 4 4 4
34
3.1.6. Races de n
umeros complejos.
Definici
on 3.1.11 Un n umero w es llamado una raz n-esima de un n
umero complejo z si
wn = z, y escribimos w = z 1/n .
Sea w = {cos() + i sin()} una raz n-esima de un n

umero complejo z = r{cos() +
i sin }, entonces del Teorema de De Moivre
wn = n {cos(n) + i sin(n)} = r{cos() + i sin }. (3.4)
umeros complejos se observa que n = r o bien, que

Al comparar los modulos de los n

= r,

donde r denota la n-esima raz real positiva de r. Ademas, para que en (3.5) se cumplan
las igualdades cos(n) = cos() y sin(n) = sin(), esto implica que los angulos sean iguales
o diferir por un multiplo de 2. Es decir,
n = + 2k, k = k = 0, 1, 2, , n 1
o
2k
= + , k = 0, 1, 2, , n 1.
n n
As, los valores w que satisfacen wn = z estan dados por
z 1/n = [r(cos + i sin )]1/n

+ 2k + 2k
1/n
= r cos + i sin con k = 0, 1, 2, , n 1.
n n
de lo cual se deduce que hay n valores para z 1/n , esto es, n diferentes races n-esimas de z,
si z 6= 0.
A continuacion presentamos algunos ejemplos.
1. Obtener las races c

ubicas de z = i.
Primero note que |r| = 1, angulo es = 90 = 2 , n = 3 y k = 0, 1, 2. Con estos datos
se tiene que para
k = 0,

1 +2(0) +2(0)
z1 = (1) 3 cos 2 3 + isen 2 3 ,

z1 = cos 6 + isen 6 .
k = 1,

1 +2(1) +2(1)
z2 = (1) 3 cos 2 3 + isen 2 3 ) ,
3.1 Numeroscomplejos
y sus
operaciones 35
5 5
z2 = cos 6 + isen 6 .
k = 2,

1 +2(2) +2(2)
z3 = (1) 3 cos 2 3 + i sin 2 3

z3 = cos 9 6
+ isen 9
6
,

z3 = cos 3 2
+ isen 3
2
.
2. Obtener las races cuartas de z = i.

Note que z = 0 + i, por lo que |r| = 1, el angulo es = 90 = 2 , n = 4 y k = 0, 1, 2, 3.
Con estos datos
k = 0,

1 +2(0) +2(0)
z1 = 1 4 cos 2 4 + isen 2 4 ,

z1 = cos 8 + isen 8 .
k = 1,

1 +2(1) +2(1)
z2 = 1 4 cos 2
4
+ isen 2
4
,

5
z2 = cos 8
+ isen 9
8
.
k = 2,

1 +2(2) +2(2)
z3 = 1 4 cos 2 4 + isen 2 4 ,

z3 = cos 98
+ isen 9
8
.
k = 3,

1 +2(3) +2(3)
z4 = 1 4 cos 2 4 + isen 2 4 ,

z4 = cos 13
8
+ isen 13
8
.
3. Sea z = 2 i, obtener z 3 , dividirlo en 1 + i y al resultado sacarle races cuadradas.

Note que
z 3 = (2 i)(2 i)(2 i) = (4 2i 2i 1)(2 i) = (3 4i)(2 i) = 6 3i 8i 4
con lo que
z 3 = 2 11i.
As,
z3
w= 1+i
= ( 211i
1+i
)( 1i
1+i
) = 29 13
2
i.
36
El angulo de w es = tan1 ( 13
9
) = 55,3 . El angulo que nos interesa es
= 180 + = 235,3 1,3.
La norma es
r r r
13 2
9 2 169 81 125
|r| = ) +( = + = .
2 2 4 4 2
Tomando n = 2, = 1,3 y k = 1, 0. Las races cuadradas son
k = 0,
r 1
125 2 1,3+2(0) 1,3+2(0)
z1 = 2
cos 2
+ isen 2
,
r 1
125 2 1,3 1,3
z1 = 2
cos 2
+ isen 2
.
k = 1,
r 1
125 2 1,3+2(1) 1,3+2(1)
z2 = 2
cos 2
+ isen 2
,
r 1
125 2 3,3 3,3
z2 = 2
cos 2 + isen 2 .
3.1.7. F
ormula de Euler.
Leonhard Paul Euler (1707-1783). Fue un matematico y fcsico suizo. Trabajo practi-
camente en todas las areas de las matematicas: geometra, calculo, trigonometra, algebra,
teora de n
umeros, etc. Tambien definio la funcion exponencial para numeros complejos, y
descubrio su relacion con las funciones trigonometricas [].
Al suponer que el desarrollo de la serie infinita
ex = 1 + x + x2 /2! + x3/3! +
del calculo elemental se aplica cuando x = i, podemos llegar al resultado
ei = cos + isen. (3.5)
En el caso especial en que y = 0, se reduce a ee . Se puede ver que en terminos de (3.5) el

teorema de De Moivre se reduce esencialmente a
(ei )n = ein
.
A continuacion presentamos dos ejemplos.
3.1 Numeros complejos y sus operaciones 37
1. El n
umero complejo z = i se puede expresar como z = 0+1i. Como sabemos el modulo
de z esta dado por:
|r| = a2 + b2 = 0 + 12 = 1,

90 = rad.
2
Por lo tanto, z = i es:
z = cos + i sin = e 2 i.
2 2
umero complejo z = 1 + i tiene el angulo
2. El n
3
= 135 = 90 + 45 = + = rad,
2 4 4
|r| = (1)2 + (1)2 = 2.
Por tanto, 3 i
z= 2e 4 .
38
Captulo 4
Matrices y Sistemas de Ecuaciones.
4.1. Matrices
ARTHUR CAYLEY. El matematico ingles Arthur Cayley (1821-1895) desarrollo, en
1857, el algebra de matrices, es decir, las reglas que indican como se suman y multiplican
las matrices. Cayley esta clasificado como el tercer matematico mas prolfico en la historia;
lo sobrepasan solo Euler y Cauchy. Ademas de desarrollar la teora de matrices, Cayley
fue pionero con sus contribuciones a la geometra analtica, la teora de determinantes, la
geometra de n dimensiones, la teora de curvas y superficies, el estudio de formas binarias, la
teora de funciones elpticas y el desarrollo de la teora de invariantes. Para mayor informacion
se recomienda al lector [].
Definicion 4.1.1 Una matriz es un arreglo rectangular de n
umeros. Los n
umeros en el
arreglo se denominan elementos de la matriz.
Algunos ejemplos de matrices son

1 5 0
4 1 9 , 1 8 0 9
, [6].
10 7 6 6
3 7 1
Definici
on 4.1.2 El tamano de una matriz se describe en terminos del n
umero de filas y
columnas que continene. As, por ejemplo la matriz

1 5 0
4 1 9
3 7 1
no 3 3. Mientras la matriz
tiene tama

a11 a12 . . . a1n
a21 a22 . . . a2n
A = ..

.. ..
. . .
am1 am2 . . . amn
40
no m n. Es decir, m filas por n columnas.
tiene tama
Para facilitar la notacion de matrices, algunas veces se representan como
Amn o A = {aij }.
El smbolo aij indica el elemento o entrada de la matriz que se encuentra en la fila i y en la

columna j.
El conjunto de matrices de tama no m n sera denotado por Mmn .
Definicion 4.1.3 Una matriz es cuadrada si m = n y rectangular en caso contrario. Una

matriz rectangular m 1 de una sola columna puede llamarse vector columna, y de la misma
manera se habla de vectores fila al tratar con matrices 1 m.
Definicion 4.1.4 Dos matrices son iguales si tienen el mismo tama

no y sus elementos
correspondientes son iguales.
La estructura de las matrices cuadradas es tal que permite definir tres regiones dentro de la
estructura de una matriz Ann .
a) La diagonal principal, formada mediante {aii } i.
b) El triangulo superior, formado por los elementos {aij } con i < j.
c) El triangulo inferior, formado por los elementos {aij } con i > j.
Definici
on 4.1.5 Las tres regiones mencionadas producen una subclasificacion inmediata
en las matrices cuadradas que son llamadas:
1. Diagonales si para todo i 6= j, aij = 0 y existe aii 6= 0.
2. Triangulares para las que existe aii 6= 0 y
2.1) Superiores si para todo i > j : aij = 0 y existe aji 6= 0.

2.2) Inferiores si para todoi < j : aij = 0 y existe aji 6= 0.
3. Estrictamente triangulares si son triangulos superiores o inferiores y aii = 0; para todo

i.
4. Tridiagonales si los elementos no nulos se encuentran u nicamente en la diagonal prin-

cipal y en las subdiagonales: ai;i+1 y ai+1;i ; para todo i.
Definicion 4.1.6 Una matriz cuadrada formada por unos en la diagonal principal y ceros
en el resto de las entradas se llama matriz identidad y se denota como Inn .
4.1 Matrices 41
Ejemplo: Para n = 3 se tiene
1 0 0
I33 = 0 1 0
0 0 1
Definici
on 4.1.7 Por potencia de una matriz cuadrada Ann se entiende aqu el producto
de A por s misma realizando un determinado n
umero de veces; as:
A2 = AA,
A3 = A2 A,
An = An1 A.
Por convencion se asignara: A0 = Inn .
on 4.1.8 Una matriz es idempotente si A2 = A, y periodica de perodo n si An =

Definici
A.
Ejemplo: la matriz
2 3 5
A = 1 4 5
1 3 4

2 3 5
es idempotente debido a que A2 = 1 4 5 .
1 3 4
on 4.1.9 Una matriz involutiva es la que A2 = I y es nilpotente de ndice n si

Definici
n
A = 0.
Ejemplo: La matriz
0 0 0 0 0

1 0 0 0 0

N =
0 1 0 0 0 ,

0 0 1 0 0
0 0 0 1 0
es nilpotente de ndice 5, ya que N 5 = 0. En efecto:

0 0 0 0 0
0 0 0 0 0

N2 = 1 0 0 0 0

0 1 0 0 0
0 0 1 0 0
42
0 0 0 0 0

0 0 0 0 0

3
N =
0 0 0 0 0

1 0 0 0 0
0 1 0 0 0

0 0 0 0 0

0 0 0 0 0

4
N =
0 0 0 0 0

0 0 0 0 0
1 0 0 0 0

0 0 0 0 0

0 0 0 0 0

5
N =
0 0 0 0 0 .

0 0 0 0 0
0 0 0 0 0
Definici
on 4.1.10 La traza de una matriz cuadrada Ann se define como la suma de los
elementos en la diagonal principal, es decir,
n
X
T r(A) = aii .
i=1
4.1.1. Operaciones con matrices.

Definici
on 4.1.11 (Transposici on). Sea A Mmn , la matriz transpuesta de A = {aij },
T (T )
que se notara A = {aij }, es una matriz construida de tal modo que:
(a) AT Mnm ,
(T )
(b) aij = aji ; i, j
Ejemplo: la Transpuesta de la matriz

2 3 5
A = 1 4 5
1 3 4
es
2 1 1
A = 3 4 3 .
5 5 4
Una forma sencilla de recordar la transposicion es que intercambia las filas por las co-
lumnas de A. Es sencillo demostrar, a partir de esta definicion se cumple:
4.1 Matrices 43
1. (AT )T = A
2. (A + B)T = AT + B T
3. (A)T = AT
4. (AB)T = B T AT
Aqu unos ejemplos:

1 2 3 1 1 4
1. Sea A = 1 3 4 , entonces su transpuesta es AT = 2 3 2 y la
4 2 2 4 4 2
1 2 3
T T T
transpuesta de A es (A ) = 1 3 4 .
4 2 2

1 2 2 3
2. Sean A = 1 3 y B = 3 4 , entonces
4 2 2 2

3 5
T 3 4 2
A + B = 4 1 implicando que (A + B) = .
5 1 0
2 0

T 1 1 4 T 2 3 2
Por otra parte, A = yB = , entonces
2 3 2 3 4 2

T T 3 4 2
A +B = .
5 1 0
Obteniendo que AT + B T = (A + B)T .

1 2 3 6
3. Sea A = y = 3, entonces A = , con lo cual
1 3 3 9

T 3 3
(A) = .
6 9

T 1 1 T 3 3
Por otra parte, A = y A = . Por lo tanto, (A)T = AT .
2 3 6 9
1 5 2 1
Sean A = yB= , entonces
3 0 1 1

7 4 T 7 6
AB = implicando que (AB) = .
6 3 4 3
44
T 1 3 T 2 1
Por otra parte, A = yB = , entonces
5 0 1 1

T T 7 6
B A = .
4 3
Obteniendo que (AB)T = B T AT .
Multiplicaci on por un escalar k. En esta operacion cada entrada se multiplica por el

escalar k. Es decir,

a b c ka kb kc
k d f g = kd kf kg
h i j kh ki kj
Suma. En esta operacion se suma entrada con entrada. Esto es,

a b c a1 b1 c 1 a + a1 b + b1 c + c 1
d f g + d1 f1 g1 = d + d1 f + f1 g + g1
h i j h1 i1 j1 h + h1 i + i1 j + j1
Multiplicaci
on. Esta operacion se multiplica fila por columna de la siguiente manera,

a b c a1 b 1 c1 aa1 + bd1 + ch1 ab1 + bf1 + ci1 ac1 + bg1 + cj1
d f g d1 f1 g1 = da1 + f d1 + gh1 db1 + f f1 + gi1 dc1 + f g1 + gj1
h i j h1 i1 j1 ha1 + id1 + jh1 hb1 + if1 + ji1 hc1 + ig1 + jj1
Observaci on 4.1.12 Para que las matrices A y B se puedan multiplicar se tiene que cumplir
que el n
umero de columnas de A sea igual al n umero de filas de B. Es decir, si el tama no
de la matriz A es m n, entonces el tama no de la matriz B debe de ser de n p. De cual
podemos deducir que el tama no de la matriz C que resulta de la multiplicacion de Amn Bnp
es m p.
De maneral general, en terminos de las entradas aij de la matriz A y de las entradas bij
de la matriz B, la entrada cij de la matriz C = AB es dada por
n
X
cij = aik bkj 1 i m, 1 j p.
k=1
Ejemplos.

4 1 0 12 3 0
3 2 7 9 = 6 14 18
2 3 5 4 6 10
4.1 Matrices 45

2 4 3 1 2 3 3 6 6
1 0 3 + 1 3 4 = 2 3 1
2 5 1 4 2 2 2 3 3

4 3 0
Sean la matrices: A= 5 2 B=
5 0 1

4 3 0
A*B= 5 2 = 5(4) + 2(5) 5(3) + 2(0) 5(0) + 2(1) = 30 15 2
5 0 1

5
Sean la matrices: A= 30 15 2 B= 3
5

5
A*B= 30 15 2 3 = 30(5) 15(3) 2(5) = 205

5

2 1
1 0 2
Sean la matrices: A= B = 2 0
1 1 3
4 5

2 1
1 0 2 1(2) + 0(2) + 2(4) 1(1) + 0(0) + 2(5)
A*B= 2 0 = =
1 1 3 1(2) + 1(2) + 3(4) 1(1) + 1(0) + 3(5)
4 5
10 11
8 14
4.1.2. El determinante.
Definici
on 4.1.13 Sea A una matriz cuadrada. La funcion determinante se denota por det,
y det(A) se define como la suma de los productos elementales con signo de A. El n
umero
det(A) se denomina determinante de A.
1. El determinante de una matriz A22 se define como

a11 a12
det(A) = det = a11 a22 a21 a12 .
a21 a22
2. Mientras que el determinante de una matriz A33 se obtiene de la regla de Sarrus como

a11 a12 a13
det(A) = det a21 a22 a23
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a12 a21 a33 a11 a23 a32 .
46
3. Dadas las componentes explcitas de la matriz A = {aij } de tamano n n. Para cada
i y j se define la matriz Aij como aquella matriz que se obtiene de A eliminandole la
fila i y la columna j. En general, el determinante de una matriz Ann tomando i = 1,
esta dado por
n
X
det(A) = aij (1)i+j det(Aij ). (4.1)
j=1
Esta forma de obtener el determinante se conoce como el metodo de cofactores.
on 4.1.14 Sea A = {aij } una matriz de tama

Definici no nn triangular superior o inferior.
Entonces
det(a) = a11 a12 . . . ann .
El determinante de una matriz cuadrada Ann tiene las siguientes propiedades:
1. El intercambio de dos filas (o columnas) de A cambia de signo el determinante.
2. Multiplicar todos los elementos de una fila (o columna) de A por un escalar multiplica
el determinante por este escalar.
3. Si una matriz A tiene dos renglones o columnas iguales entoces su determinante es

cero.
4. Si en una matriz Ann un renglon es un multiplo escalar de otro entonces su determi-

nante es cero.
5. La sustitucion de una fila (o columna) de A por una combinacion lineal de filas ( o

columnas) de A deja invariante el valor del determinante.
6. Un determinante es nulo si algunas filas (o columnas) de la matriz A son linealmente

dependientes del resto.
Respecto a las operaciones matriciales, se tiene:
1. Det(A) = n Det(A) si A M(mn)
2. Det(AB) = Det(A)Det(B)
3. Det(AT ) = Det(A)
4. Det(Ap ) = (Det(A))p
EJEMPLOS.

3 5
1. Det = (3)(2) (1)(5) = 6 + 5 = 11.
1 2
4.1 Matrices 47
2.

2 4 6
5

6 4 4
6 + 6 4 5

Det 4 5 6 = 2
1 2 3 2 3 1
3 1 2
= 2(10 6) 4(8 18) + 6(4 15)
= 2(16) 4(26) + 6(11)
= 32 + 104 66 = 98 + 104 = 6.

1 5 4
3. Sea A = 3 2 1 y = 2 entonces
4 1 5

h 1 5 4 i 2 10 8
4 2

6 2

Det(A) = Det 2 3 2 1
= Det 6 4 2
= 2 10

2 10 8 10
4 1 5 8 2 10

6 4
+ 8 = 2(40 4) 10(60 16) + 8(12 32) = 2(36) 10(44) + 8(20)
8 2
= 72 440 160 = 528. (4.2)
Por otra parte

1 5 4 1 5 4
3 3
Det(A) = 2 Det 3 2 1
= 8Det 3 2
1
4 1 5 4 1 5
2 1
3 1

3 2

= 8 (1) 5
4 5 + 4 4 1

1 5

= 8 (10 1) 5(15 4) + 4(3 8)
= 8(9 55 20) = 528. (4.3)
En este ejemplo podemos apreciar que la propiedad 1 se cumple debido a que las
cantidades (4.2) y (4.3) son iguales.
1
2
2
4. Sea A = 3 , entonces
4
5
1 3
Det(AT ) = Det 2 4 = ( 21 )(5) ( 34 )(2) = 52 23 = 22 = 1.
1 2 5
2
Det(A) = Det 3 2 = ( 12 )(5) ( 34 )(2) = 52 32 = 1.
4
5
En este ejemplo podemos apreciar que la propiedad 3 vale.
48
i 4
5. Sea A = y p = 2 entonces
3+i 1
h i 4

i 4 i

i2 4(3 + i) 4i 4

2
Det(A ) = Det = Det
3+i 1 3+i 1 3i + i2 + 3 + i 12 4i + 1

1 12 4i 4 4i 13 4i 4 4i
= Det = Det
3i 1 + 3 + i 11 4i 2 + 4i 11 4i
= (13 4i)(11 4i) (2 + 4i)(4 4i)
= (13)(11) + (13)(4i) + 44i + 16i2 (8 8i 16i 16i2 )
= (13)(11) + 52i + 44i 16 + 8 + 8i + 16i 16
= (13)(11) + 96i 24 + 24i
= (13)(11) + 120i 24
= 143 24 + 120i
= 119 + 120i. (4.4)
Ademas,
Det(A) = i (3 + i)(4) = i + 12 + 4i = 12 + 5i
por lo que
2
Det(A) = (12 + 5i)2 = (122 + 2(12)(5i) + (5i)2 = 144 + 120i + 25i2
= 144 + 120i 25 = 119 + 120i. (4.5)
1 12

4 3
6. Sean A = 1 yB= , entonces
3
4 1 2
1 1 4 3

Det(AB) = Det 1 2
4 1 2
3 1
3 2

4+
= Det 4 2 3 2
+4 3 8
39
2
2
= Det 16
3
7
63 32 189 64 253
= = = . (4.6)
2 3 6 6 6
Por otra parte,
1

1 2
Det(A) = Det 1
3
4
1 1 1 23
= (1)(4) =4 = .
3 2 6 6
4.1 Matrices 49
y

4 3
Det(B) = Det = 8 3 = 11.
1 2
por lo que
23 253
Det(A)Det(B) = (11) = . (4.7)
6 6
1 3

7. Calcular el determinante de la matriz A = 2 4
2
3
25
5 2 3
1
Det(A) =
2 2 3 4
5 1 5 2 7
= = = .
4 2 4 4 4

1 2 3
8. Calcular el determinante de A = 1 2 0
3 1 0

2 0 1 0 1 2
Det(A) = (1) 2
3 0 + 3 3

1 0 1
= 0 0 + 3(1 (6)) = 3(5) = 15.
Ejercicios 4.1.15 Resolver los siguientes ejercicios.

12 2 6
1. Encontrar el determinante de la matriz 3A, donde A = 1 2 1 .
3 1 1

12 2 6
2. Encontrar el determinante de la matriz 3A B, donde A = 1 2 1 y
3 1 1

1 1 6
B = 1 2 10 .
3 1 1
50
1 1 6
3. Encontrar el determinante de la matriz AB T , donde A = 1 2 12 y
3 1 7

1 11 6
B = 1 2 6 .
3 7 1

12 9 6
4. Encontrar el determinante de la matriz 51 A BA, donde A = 1 4 1 y
3 5 1

9 6 6
B = 1 0 5 .
5 1 1

12 7 6
5. Encontrar el determinante de la matriz 14 A B T AT , donde A = 8 4 1 y
3 5 7

9 5 5
B = 1 4 5 .
5 14 4
4.2. Sistema de Ecuaciones Lineales

CARL FRIEDRICH GAUSS, 1777-1855. El mas grande matematico del siglo XIX.
Carl Friedrich Gauss se considera uno de los tres matematicos mas importantes de todos
los tiempos siendo Arqumides y Newton los otros dos. Indeciso entre las carreras de ma-
tematicas y de filosofa, Gauss elegio la de matematicas despues de dos descubrimientos
asombrosos. Primero invento el metodo de mnimos cuadrados una decada antes de que
Legendre publicara sus resultados. Segundo, un mes antes de cumplir 19 a nos, resolvio un
problema cuya solucion se haba buscado durante mas de dos mil anos: Gauss demostro como
construir, con solo regla y compas, un polgono regular cuyo n
umero de lados no es multiplo
de 2,3 o 5. Gauss dio la primera demostracion matematica rigurosa del teorema fundamental
del algebra, que todo polinomio de grado n tiene, contando multiplicidades, exactamente n
races. En 1811 descubrio un resultado que llevo a Cauchy a desarrollar la teora de variable
compleja. En este libro se le encuentra en el metodo de eliminacion de Gauss-Jordan. Para
mayor informacion leer por ejemplo [].
Consideremos un sistema de m ecuaciones lineales con n incognitas x1 , ..., xn :
4.2 Sistema de Ecuaciones Lineales 51
a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x2 + a22 x2 + . . . + a2n xn = b2
.. .. ..
. . .
am1 x1 + am2 x2 + . . . + amn xn = bm (4.8)
donde los aij , bj pertenecen al cuerpo real R. El sistema se dice homogeneo si las constantes
b1 , . . . , bm son todas 0. Una n-upla u = (k1 , ..., kn ) de n
umeros reales es una solucion (o
tambien una solucion particular) si satisface cada una de las ecuaciones; el conjunto de
todas las soluciones se llama el conjunto solucion general.
El sistema de ecuaciones lineales
a11 x1 + a12 x2 + . . . + a1n xn = 0

a21 x2 + a22 x2 + . . . + a2n xn = 0
.. .. ..
. . .
am1 x1 + am2 x2 + . . . + amn xn = 0 (4.9)
se llama el sistema homogeneo asociado con el sistema (4.8). El sistema anterior siempre tiene
una solucion, la n-upla cero 0 = (0, 0, ..., 0) llamada la solucion cero o la solucion trivial.
Cualquier otra solucion, si existe, se llama una solucion distinta de cero o no trivial.
Definici
on 4.2.1 Si tomamos

a11 a12 . . . a1n b1 x1
a21 a22 . . . a2n b2 x2
A= , b = , X = ,

.. .. .. .. .. ..
. . . . . .
am1 am2 . . . amn bm xn
entonces la representacion matricial del sistema de ecuaciones lineales (4.8) es:
AX = b. (4.10)
Operaciones elementales con filas.
i Multiplicar (o dividir) un renglon por un n

umero diferente de cero.
ii Sumar un m
ultiplo de un renglon.
iii Intercambiar dos renglones.

NOTACION
52
1. Ri cRi , quiere decir reemplaza el i-enesimo renglon por ese mismo renglon multipli-
cado por c. [Para multiplicar el i-enesimo renglon por c, se multiplica cada n
umero
en el i-enesimo renglon por c.
2. Rj Rj + cRi , significa sustituye el j-enesimo renglon por la suma del renglon j mas
el renglon i multiplicado por c.
3. Ri Rj quiere decir ntercambiar los renglones i y j.
4. A B indica que las matrices aumentadas A y B son equivalentes; es decir , que los
sistemas que representan tienen las misma solucion.
Definicion 4.2.2 Una matriz E de tama no n n se llama elemental si se obtiene de la

no n n con una sola operacion elemental de fila.
matriz identidad I de tama
EJEMPLOS.

4 0
1. La matriz E1 = es elemental ya que se puede obtener de la matriz identidad
0 1
usando la primera operacion emental de fila o renglon, es decir, se obtiene multiplicando
la fila 1 de la matriz identidad por 4.

1 2
2. La matriz E2 = es elemental ya que se puede obtener de la matriz identidad
0 1
usando la segunda operacion emental de fila o renglon, es decir, se obtiene reemplazando
la fila 1 de la matriz identidad por la fila 1 mas 2 veces la fila 2.

1 2
Observaci on 4.2.3 Sea A = , si realizamos a la matriz A la operacion elemental
4 3
1 2
R2 R2 + 3R1 , obtenemos A1 = . Ahora, obtengamos la matriz elemental que se
7 9
1 0
genera con la misma operacion R2 R2 + 3R1 , esta es E1 = . Note que
3 1

1 0 1 2 1 2
E1 A = = = A1 .
3 1 4 3 7 9
Lo anterior muestra que al multiplicar la matriz elemental E1 por A, el resultado es una

matriz A1 a la cual se le ha realizado la misma operacion elemental de fila que a E1 .
Observaci on 4.2.4 Sea AX = b la representacion matricial (4.10) del sistema lineal (4.8).
Si nosotros tuvieramos varias matriaces elementales E1 , E2 , . . . En tal que
(En (En1 , . . . (E1 A))) = I,

es decir, si al hacerle varias operaciones elementales de fila a la matriz A llegamos a la matriz
identidad, entonces aplicando las mismas operaciones de fila al vector b en la representaci on
matricial del sistema lineal obtendramos
AX = b
(En (En1 , . . . (E1 A)))X = (En (En1 , . . . (E1 b)))
IX = (En (En1 , . . . (E1 b)))
X = (En (En1 , . . . (E1 b))). (4.11)
En la ecuacion (4.11) vemos que al multiplicar por las matrices elementales (hacer varias
operaciones elementales de fila ) ambos lados de la igualdad AX = b encontramos la soluci
on
X del sistema lineal.
4.2.1. Eliminaci
on Gaussiana
La observacion 4.2.4 nos da el metodo de eliminacion Gaussina, este metodo consiste en
aplicar varias operaciones elementales de fila a la matrices A y b del sistema de ecuaciones
lineales de tal forma que lleguemos a la matriz identidad. Para esta finalidad se tiene que
definir primero la matriz aumentada (A|b), la cual es la matriz A agregandole una columna
que contiene los elementos del vector b.
EJEMPLOS.
1. Encontrar la solucion del sistema
4x + 2y = 1
8x + 3y = 2.

4 2 x 1
Sean A = ,X= ,yb= . Entonces la matriz aumentada es
8 3 y 2

4 2 : 1
(A|b) = .
8 3 : 2
Aplicando operaciones elementales de fila se obtiene
1 12 : 41
1

4 2 : 1 2R1 +R2 4 2 0: 1 R ,R2
4 1
1 R2 +R1
(A|b) = 2
8 3 : 2 0 1 : 4 0 1 : 4
1 0 : 47

0 1 : 4
implicando que
7
x = , y = 4.
4
54
x
3y = 2
2
4x 2y = 0.
1

3
2
x 2
Sean A = ,X= yb= .
4 2 y 0
1
2
3 : 2
La matriz aumentada es (A|b) = .
4 2 : 0
Aplicando operaciones elementales de fila:
1 1
3 : 2 2R1 1 6 : 4 4R1 +R2 1 6 : 4 R2
(A|b) = 2 22

4 2 : 0 4 2 : 0 0 22 : 16
4

1 6 : 4 6R2 +R1 1 0 : 11
8 8 .
0 1 : 11 0 1 : 11
La solucion es
4

x 11
= 8 .
y 11
Debido a que det(A) = 1 + 12 = 11, el sistema tiene u

nica solucion.
4x 8y = 5
3x 6y = 1.

4 8 x 5
Sean A = ,X= yb= La matriz aumentada es
3 6 y 1

4 8 ; 5
(A|b) = .
3 6 : 1

1 2 : 54 1 2 : 45
1
4 8 ; 5 R
4 1 3R1 +R2
(A|b) = 11
3 6 : 1 3 6 : 1 0 0 : 4
x 2y
0 0
Como el det(A) = 24 + 24 = 0, el sistema NO tiene solucion. De hecho las rectas son
paralelas.
3x + 2y = 8
6x + 4x = 16.
4.2 Sistema de Ecuaciones
Lineales
55
3 2 x 8
Sean A = ,X= yb= .
6 4 y 16
la matriz aumentada es
3 2 : 8
(A|b) = .
6 4 : 16
Aplicando
operacioneselementales de fila:
3 2 : 8 2R1 +R2 3 2 : 8 3x + 2y 8
(A|b) = =
6 4 : 16 0 0 : 0 0+0 0
Debido a que det(A) = 12 12 = 0, el sistema NO tiene solucion. De hecho las rectas
son paralelas.
2x z = 1
3y + 4z = 0
x + y + z = 2.

3 0 1 x 1
Sean A = 0 3 4 , X = y y b = 0 .
1 1 1 z 2
La matriz aumentada es

2 0 1 : 1
(A|b) = 0 3 4 : 0 .
1 1 1 : 2
Aplicando operaciones elementales de fila encontramos:

1 1
12 : 1

2 0 1 : 1 1
R1
1 0 2
: 2 1
R2
1 0 2
4 R +R3
(A|b) = 0 3 4 : 0 2 0 3 4 : 0 3 0 1 3
: 0 1
1 1 1 : 2 1 1 1 : 2 1 1 1 : 2
1 1 1 1
1 0 12 1

1 0 2 : 2
1 0 2 : 2
: 2 4 R3 +R2
4 R2 +R3 4 6R3 4
0 1
3
: 0 0 1 3
: 0 0 1 3
: 0 3
3 5 1 5
0 1 2
: 2
0 0 6
: 2
0 0 1 : 15
1 0 12 : 1

2 1
R3 +R1
1 0 0 : 7
0 1 0 : 20 2 0 1 0 : 20
0 0 1 : 15 0 0 1 : 15

x 7
Lo cual implica que la solucion es: y = 20
z 15
56
4.2.2. Matriz inversa.
Definici
on 4.2.5 Sea Anm ; la inversa por la derecha de A es una matriz Rmn tal que:
Anm Rmn = Inn ,
de la misma manera, la inversa por la izquierda de A es una matriz Lmn tal que:
Lmn Anm = Imm .
En las matrices cuadradas, si A posee inversa, esta es u

nica y lo es por la derecha y por
la izquierda; a la matriz que posee inversa se la denomina regular o no-singular, en caso
contrario, singular.
Observaci on 4.2.6 De acuerdo a la Definicion 4.2.5, si la matriz A del sistema de ecua-

ciones lineales (4.8) tiene inversa, entonces
AX = b
1
A AX = A1 b
AA1 X = A1 b
IX = A1 b,
X = A1 b,
es decir X = A1 b es la solucion del sistema. Lo anterior significa que si conocemes la matriz

inversa de la matriz A asociada al sistema de ecuaciones lineales tambien conocemos la
solucion del sistema. Para encontrar dicha matriz inversa A1 , recordemos de la observaci on
4.2.4 que
(En (En1 , . . . (E1 A))) = I,
lo cual nos dice que
A1 = (En (En1 , . . . (E1 I) (4.12)
por la Definicion 4.2.5. La ecuacion (4.12) practicamente nos dice que el metodo de eli-
minacion Gaussina nos ayuda a encontrar la matriz inversa al hacerle varias operaciones
elementales de fila a la matriz identidad.
Ilustraremos con un ejemplo lo mencionado anteriormente. Para ello, sea

4 2
A= .
8 3
Haremos varias operaciones elementales de fila a la matriz A hasta llevarla a la matriz
identidad. La primera operacion elemental es:
1 12
1

4 2 F
4 1
A=
8 3 8 3
Si aplicamos esta misma operacion elemental a la matriz identidad, encontramos la matriz
elemental E1 . Note que E1 multiplicada por A le hace a la matriz A la operacion elemental
de fila F1 14 F1 , esto es,
1
1
1 12

0
4 4
0 4 2
E1 = ; E1 A = =
0 1 0 1 8 3 8 3
La segunda operacion de fila es F2 8F1 + F2 .
1 12 1

8F1 +F2 1
2
8 3 0 1
Si aplicamos la operacion F2 8F1 + F2 a la matriz identidad, encontramos la matriz ele-
mental E2 . Note que E2 multiplicada por E1 A le hace a la matriz E1 A la operacion elemental
de fila F2 8F1 + F2 , es decir,
1 21 1

1 0 1 0 1 2
E2 = ; E2 (E1 A) = =
8 1 8 1 8 3 0 1
La tercera operacion elemenetal es F2 (1)F2
1
1 12

1 (1)F2
2
0 1 0 1
Si aplicamos la operacion F2 (1)F2 a la matriz identidad, encontramos la matriz
elemental E3 . Note que E3 multiplicada por E2 E1 A le hace a la matriz E2 E1 A la operaci
on
elemental de fila F2 8F1 + F2 , es decir,
1 1

1 0 1 0 1 2
1 2
E3 = ; E3 (E2 (E1 A)) = =
0 1 0 1 0 1 0 1
La cuarta operacion elemental es F1 12 F2 + F1 .
1 21

12 F2 +F1 1 0

0 1 0 1
Si aplicamos la operacion F1 21 F2 + F1 a la matriz identidad, encontramos la ma-
triz elemental E4 . Note que E4 multiplicada por E3 E2 E1 A le hace a la matriz E3 E2 E1 A la
operacion elemental de fila F1 21 F2 + F1 , es decir,
58
1 12 1 12 1 12

1 0
E4 = ; E4 (E3 (E2 (E1 A))) = = .
0 1 0 1 0 1 0 1
Finalmente hemos llegado a la matriz identidad. Luego la inversa es dada por:
1
1 12
3 1

1 4
0 1 0 1 0 1 0 4 2
A = E4 E3 E2 E1 I = = .
0 1 8 1 0 1 0 1 0 1 2 1
Para comprobrar que A1 es la inversa de A multiplique AA1 para obtener

3 1

1 4 2 4 2
1 0
AA = = .
8 3 2 1 0 1
4.2.3. La matriz inversa con Gauss-Jordan.

El metodo de Gauss-Jordan tambien nos sirve para encontrar la matriz inversa A1 de
una matriz A dada, siempre y cuando esta exista. La manera de hacerlo consiste en hacerle
operaciones elementales de fila a la matriz aumentada B = (A|I) (B es la matriz que tiene a
la matriz A y la matriz identidad I) hasta llevar a A a la matriz identidad. En los siguientes
ejemplos ilustramos la manera de encontrar la matriz inversa.

4 2
1. Sea A = ,
8 3
1 12 : 14 0 1 1
1

4 2 : 1 0 R
4 1 8R1 +R2 1 : 0
2 4
8 3 : 0 1 8 3 : 0 1 0 1 : 2 1
0 : 34 12 1 0 : 34 1
1

R +R1
2 2 1 R2
2

0 1 : 2 1 0 1 : 2 1
Entonces la matriz inversa es :
43 1

2 .
2 1
1

2
3
2. Sea A = ,
4 2
1

3 : 1 0 2R1 1 6 : 2 0 4R1 +R2 1 6 : 2 0
2
4 2 : 0 1 4 2 : 0 1 0 22 : 8 1
4 6

1
R
22 2 1 6 : 2 0 6R2 +R1 1 0 : 22
8 1 8
22
1
0 1 : 22 22
0 1 : 22 22
Entonces la matriz inversa es :
2 3

11 11
4 1 .
11 22

4 8
3. Sea A = ,
3 6
1 2 : 41 0 1

4 8 : 1 0 1
R
4 1 3R1 +R2 1 2 : 0
4
3
3 6 : 0 1 3 6 : 0 1 0 0 : 4 1
Dado que la segunda fila de la u
ltima matriz tiene puros ceros, conclumos que la matriz
dada NO tiene inversa.

3 2
4. Sea A = ,
6 4
1 23 : 13 0 1 32 : 1
1

3 2 : 1 0 R
3 1 6R1 +R2 0
3
6 4 : 0 1 6 4 : 0 1 0 0 : 2 1
De manera similar al ejemplo anterior, debido a que la segunda fila de la u

ltima matriz
tiene puros ceros, conclumos que la matriz dada NO tiene inversa.
60
4.2.4. La matriz inversa para encontrar la soluci
on a un sistema
de ecuaciones.
La manera de usar la matriz inversa para encontrar la solucion de un sistema de ecuaciones
es:
Sea el sistema
4x + 2y = 1
8x + 3y = 2.
En forma matricial el sistema anterior se expresa como

4 2 x 1
= (4.13)
8 3 y 2
Por otra parte, la matriz inversa de la matriz asociada al sistema

4 2
8 3
es
43 1

2 .
2 1
Multiplicando por esta inversa en ambos lados de la igualdad (4.13) obtenemos
3 1
3 1

4 2
4 2 x 4 2
1
= . (4.14)
2 1 8 3 y 2 1 2
Pero note que

43 1

2
4 2 1 0
=
2 1 8 3 0 1
y
34 1

2
1 1/4
= .
2 1 2 0
Sustituyendo estas u
ltimas expresiones en (4.14) obtenemos

1 0 x 1/4
=
0 1 y 0
Lo cual es lo mismo que

x 1/4
= .
y 0
Onteniendo de esta forma que x = 1/4 y y = 0.

La inversa de una matriz cuadrada Ann se denota como A1 y se cumple:
1. AA1 = A1 A = In (A1 )1 = A
2. (A)1 = 1 A1
3. (AB)1 = B 1 A1
4. (AT )1 = (A1 )T
on 4.2.7 Las matrices para las que AT = A1 son llamadas ortogonales.
Definici
Dada una matriz A = {aij } Mnm a cada elemento de A puede hacerse corresponder
un nuevo elemento matricial {ij }, llamado adjunto, que se calcula como el determinante de
A sin la fila i y la columna j. Describiendo como Aij a la matriz A sin la fila i y la columna
j, el adjunto al elemento aij es
ij = (1)i+j Det(Aij )
.
A la matriz Adj(A) = {ij } se le llama matriz adjunta de A.
La matriz inversa de una matriz dada puede calcularse mediante la matriz adjunta con
la siguiente formula:
1
A1 = Adj(A)T . (4.15)
det(A)
EJEMPLOS.

2 4 6
1. Calcular la matriz inversa de: B = 5 4 6 .
3 1 2
El determinante de la matriz B es det(B) = 42. Mientras que la matriz adjunta es

14 28 7
Adj(B) = 14 22 10
0 18 12
con lo que usando la formula (4.15) obtenemos
14 14

42 42
0
A1 = 28
42
22
42
18
42

7 10 12
42 42 42
2. Encuentre la matriz inversa de A si:

3 1
a) A = .
2 6
El determinantes toma el valor de det(A) = 20. La matriz adjunta es

6 2 T 6 1
AdjA = , por lo que AdjA = .
1 3 2 3
3 1
1 10 20
Con lo que finalmente A = 1 3 .
10 20
62
4 2 0
b) A = 0 1 0 .
6 1 6

6 0 6
El determinante vale det(A) = 24. La matriz adjunta es AdjA = 12 24 8
0 0 4
6 12 0
T
y AdjA = 0 24 0
6 8 4
1 1
4 2
0
con lo que A1 = 0 1 0 .
1 1 1
4 3 6
T
3 1 0
c) A = 1 0 1 .
1 2 1
T
3 1 0 3 1 1
Note primero que A = 1 0 1 = 1 0 2 .
1 2 1 0 1 1
El determinante de A vale det(A) = 8. Mientras que la matriz adjunta es
1 1 1

2 2 2 4 8 8
AdjA = 1 3 7 . As, A1 = 1 4
3
8
3
8
.
1 7 1
1 3 1 4 8 8
4.2.5. Regla de Cramer

La regla de Cramer es un teorema en algebra lineal, que da la solucion de un sistema
lineal de ecuaciones en terminos de determinantes. Recibe este nombre en honor a Gabriel
Cramer (1704 - 1752).
Sea
a11 x1 + a12 x2 + + a1n xn = b1 ,

a21 x1 + a22 x2 + + a2n xn = b2 ,
.. .
. = ..
an1 x1 + an2 x2 + + ann xn = bn (4.16)
un sistema
lineal, donde:

a11 a1n x1 b1
A = ... .. , X = .. y B = .. son las matrices asociadas al sistema

. . .
an1 ann xn bn
(4.16).
Regla de Cramer. Definamos = detA, A(i|B) es la matriz A con la columna i
reemplazada por la matriz B y i = det(A(i|B)). Si 6= 0, entonces
i
xi = ,

para i = 1, n
EJEMPLOS
1. Resolver usando la regla de cramer el siguiente sistema
2x y = 2,
4x + 2y = 1.
Como puede verse las matrices asociadas al sistema son:

2 1 2
A= ,B=
4 2 1
Donde
= 8,
2 1
1 = det = 4 + 1 = 5,
1 2
2 2
2 = det = 2 8 = 6,
4 1
por lo tanto, x = 85 , y = 34 .
x
+ 2y = 0,
3
2x + 3y = 1.
Las matrices asociadas del sistema son:

1
3
2 0
A= ,B=
2 3 1
64
Donde
= detA = 1 +4 = 5.
0 2
1 = det = 0 2 = 2,
1 3
1
0 1 1
2 = det 3 = 0= ,
2 1 3 3
por lo tanto x1 = 25 , x2 = 1
15
1
3x y = 4,
2
3
8z = 9,
5
1 1
x + y + z = 3.
3 2
Como puede verse las matrices asociadas del sistema son:
3 21

0 4
3
A= 0
5
8 , B = 9

1 1
3 2
1 3
Donde:
3

5
8 1 0 8 3 4 1 8 227
= 3det 1 + det 1 = 3( + ) + ( ) =
2
1 2 3
1 5 1 2 3 15
1

4 2 0 3
3 8 1 9 8 3 4 1 349
1 = det 9 5
8 = 4det 1 5 + = 4( + ) + (9 + 24) =
1 2
1 2 3 1 5 1 2 10
3 2
1

3 4 0
8 32 265
2 = det 0
9 8 = 3(9 + 24) 4( = 3(33) =
1 3 3 3
3
3 1
12 4

3
3 68
3 = det 0

5
9 = .
1 1 18
3 2
3
1047 1325 170
por lo tanto, x1 = 454
, x2 = 227
, x3 = 681
.
Captulo 5
Transformaciones Lineales.
5.1. Espacio vectorial

Un espacio vectorial definido sobre un cuerpo K (n umeros reales o complejos), V (K),
es un conjunto, cuyos elementos reciben el nombre de vectores, sobre el que se define una
estructura algebraica compuesta por dos operaciones, una de composicion interna, la suma
de vectores:
x, y V : x + y V,
y otra operacion de composicion externa, el producto de un escalar por un vector:
x V y K : x V.
La suma vectorial adquiere la siguiente estructura :

a) El elemento neutro es el llamado vector nulo o cero, y se define mediante:
0 V , tal que x V : x + 0 = 0 + x = x.
b) El elemento recproco de un vector x V es el vector negativo de x, notado x, tal

que:
x V, y x V : x + (x) = 0.
c) La suma es asociativa x, y, z V :
x + (y + z) = (x + y) + z.
d) La suma es conmutativa: x, y V :
x + y = y + x.
El producto por un escalar se define con la siguiente estructura: x, y V y , K

1. ( + )x = x + x.
66
2. (x + y) = x + y.
3. ()x = (x).
4. 1x = x.
En este contexto cualquier conjunto matricial, por ejemplo, el conjunto de matrices de

dimensiones m n, Mmn (k), es un espacio vectorial. Algunos ejemplos de espacios vecto-
riales son: el conjunto de los n
umeros reales (R), el conjunto de los n
umeros complejos (C),
el conjunto de las rectas que pasan por el origen, el conjunto de los planos que contienen el
origen, (0, 0, 0), etc.
5.1.1. Combinaciones lineales y conjunto generador.

Sea V (K) un espacio vectorial y Z V (K) un conjunto arbitrario de V , cuyos elementos
se denotan como zi con i N. Al igual que en los conjuntos matriciales a partir de un conjunto
de escalares {1 , 2 , . . .} K, es posible construir un nuevo elemento de V :
X
x= i zi ,
iN
que recibe el nombre de combinaci on lineal de los vectores de Z con coeficientes

{1 , 2 , . . .}. Al escoger diversos coeficientes, se construye un nuevo subconjunto de V , deno-
tado como G[Z], llamado conjunto generado por Z y formado por todas las combinaciones
lineales de Z. Asimismo, Z es el generador de G[Z].
Ejemplo.
1. Debido a que R3 es un espacio vectorial, tenemos que el vector v = (2, 3, 5) es

combinacion lineal de los vectores v1 = (1, 0, 0), v2 = (0, 1, 0) y v3 = (0, 0, 1) ya que
(2, 3, 5) = 2(1, 0, 0) + 3(0, 1, 0) 5(0, 0, 1) = 2v1 + 3v2 5v3 .
En este caso los coeficientes son: 1 = 2, 2 = 3 y 3 = 5.
2. Debido a que R3 es un espacio vectorial, tenemos que el vector v = (a, b, c) con a, b, c

R es combinacion lineal de los vectores v1 = (1, 0, 0), v2 = (0, 1, 0) y v3 = (0, 0, 1) ya
que
(a, b, c) = a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1) = av1 + bv2 + cv3 .
En este caso los coeficientes son: 1 = a, 2 = b y 3 = c.
Como mencionamos, al escoger diversos coeficientes construmos un nuevo subconjunto
de R3 , el cual en este caso resulta ser de nuevo R3 , debido a que podemos darle cualquier
valor a las constantes a, b, c. De esta manera el conjunto generado por los vectores
v1 = (1, 0, 0), v2 = (0, 1, 0) y v3 = (0, 0, 1) es G[v1 , v2 , v3 ] = R3 .
5.1 Espacio vectorial 67
3. Debido a que elconjunto
de matrices de dimension 22 es un espacio vectorial, tenemos
3 2
que la matriz es combinacion lineal de las matrices
0 1

1 0 0 1 0 0 0 0
, , y . En efecto,
0 0 0 0 1 0 0 1

3 2 1 0 0 1 0 0 0 0
=3 +2 +0 +1 .
0 1 0 0 0 0 1 0 0 1
4. Debido a que elconjunto
de matrices de dimension 22 es un espacio vectorial, tenemos
a b
que la matriz es combinacion lineal de las matrices
c d
1 0 0 1 0 0 0 0
, , y . En efecto,
0 0 0 0 1 0 0 1

a b 1 0 0 1 0 0 0 0
=a +b +c +d .
c d 0 0 0 0 1 0 0 1
n 1 0 0 1 0 0 0 0 o
El conjunto generado por las matrices , , ,
0 0 0 0 1 0 0 1
es el conjunto de todas las matrices de dimension 2 2. Esto se puede generalizar para
encontrar el conjunto generador de las matrices de dimension n m.
5.1.2. Dependencia e independencia lineales.

Sea Z = {zi | i N} V un subconjunto de vectores de un espacio vectorial V . Si
umeros {1 , 2 , . . .} no todos iguales a cero, tal que:
existen n
X
i zi = 0, (5.1)
iN
entonces, se denomina a Z linealmente dependiente en caso contrario a Z se le llama

linealmente independiente. Notese que el smbolo a la derecha del signo igual no es cero,
sino que simboliza al vector nulo del espacio vectorial V .
Ejemplos
1. Es el conjunto {(3, 4, 1), (4, 5, 9), (3, 4, 2)} R3 linealmente dependiente o indepen-
diente?
Para responder la pregunta hay que plantear la igualdad (5.1). Si existen escalares i no
todos cero y se satisface la igualdad (5.1) entonces los vectores dados seran lineamente
dependiente. Por el contrario si todos los coeficientes son iguales a cero entonces el
conjunto dado es linealmente independiente.
1 (3, 4, 1) + 2 (4, 5, 9) + 3 (3, 4, 2) = (0, 0, 0) (5.2)
(31 , 41 , 1 ) + (42 , 52 , 92 ) + (33 , 43 , 23 ) = (0, 0, 0) (5.3)
(31 + 42 33 , 41 + 52 + 43 , 1 + 92 + 23 ) = (0, 0, 0) (5.4)
68
esto implica que:
31 + 42 33 = 0,
41 + 52 + 43 = 0,
1 + 92 + 23 = 0.
Debido a que el determinante de la matriz asociada al sistema anterior es diferente de

cero (187), el sistema tiene u
nica solucion y esta es la solucion trivial 1 = 0, 2 = 0,
y 3 = 0. Por lo tanto, no hay escalares diferente de cero que satisfagan (5.2)-(5.4),
esto implica que el conjunto de vectores {(3, 4, 1), (4, 5, 9), (3, 4, 2)} es linealmente
independiente.
2. Es el conjunto {(1, 2, 1), (3, 6, 3), (4, 8, 4)} R3 linealmente dependiente o indepen-
diente?
1 (1, 2, 1) + 2 (3, 6, 3) + 3 (4, 8, 4) = (0, 0, 0) (5.5)

(1 , 21 , 1 ) + (32 , 62 , 32 ) + (43 , 83 , 43 ) = (0, 0, 0) (5.6)
(1 + 32 + 43 , 21 + 62 + 83 , 1 + 32 + 23 ) = (0, 0, 0) (5.7)
esto implica que:
1 + 32 + 43 = 0,
21 + 62 + 83 = 0,
1 + 32 + 43 = 0.
Debido a que el determinante de la matriz asociada al sistema anterior es cero, el

sistema tiene una infinidad de soluciones por lo tanto podemos encontrar 1 , 2 , y 3
no todas cero tal que satisfacen (5.5)-(5.7), esto implica que el conjunto de vectores
{(1, 2, 1), (3, 6, 3), (4, 8, 4)} es linealmente dependiente.
3. El conjunto de polinomios de grado n forma un espacio vectorial. Es el conjunto {x2 +
2x, 3x + 1, 8x2 + 2} linealmente dependiente o independiente?
1 (x2 + 2x) + 2 (3x + 1) + 3 (8x2 + 2) = 0x2 + 0x + 0 (5.8)

1 x2 + 21 x + 32 x + 2 , +83 x2 + 23 = 0x2 + 0x + 0 (5.9)
x2 (1 + 83 ) + x(21 + 32 ) + 2 + 23 = 0x2 + 0x + 0 (5.10)
esto implica que:
1 + 83 = 0,
21 + 32 = 0,
2 + 23 = 0.
Debido a que el determinante de la matriz asociada al sistema anterior es diferente
de cero, el sistema tiene u
nica solucion. Esta es la solucion trivial 1 = 0, 2 = 0, y
3 = 0. Por lo tanto, no hay escalares diferente de cero que satisfagan (5.8)-(5.10),
esto implica que el conjunto de polinomios {x2 + 2x, 3x + 1, 8x2 + 2} es linealmente
independiente.
OBSERVACION. Debido a que el conjunto de polinomios de grado n forma un espacio
vectorial nosotros podemos asociar a cada polinomio un vector, en este caso, el po-
linomio x2 + 2x tiene asociado el vector (1, 2, 0), el polinomio 3x + 1 tiene asociado
el vector (0, 3, 1) y el polinomio 8x2 + 2 tiene asociado el vector (8, 0, 2). Probar que
el conjunto de polinomios es linealmente independiente (LI) o dependiente (LD) es lo
mismo que probar si los vectores asociados son LI o LD y caemos a los ejemplos 1 y 2.
5.1.3. Generador de un espacio vectorial.

Sea Z = {zi | i N} V tal que: x V x G[Z], a Z se le llama generador del
espacio vectorial V y se denota como V = G[Z]. Existe un n
umero infinito de generadores
de V .
Ejemplos:
n 1 0 0 1 0 0 0 0 o
1. El conjunto generado por las matrices , , ,
0 0 0 0 1 0 0 1
es el espacio vectorial de todas las matrices de dimension 2 2.
2. El espacio vectorial generado por los vectores {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es R3 .
3. El espacio vectorial generado por los polinomios {x, x2 , . . . , xn } es el conjunto de poli-

nonios de grado n, P(n).
5.1.4. Base y dimensi

on de un espacio vectorial.
on 5.1.1 Por base de un espacio vectorial V , se entiende un conjunto Z = {zi | i
Definici
N} V que satisface:
1. Los elementos de Z forman un conjunto linealmente independiente, y
2. V = G[Z].
Los ejemplos 1, 2 y 3 dados en la seccion anterior forma una base para el respectivo
espacio vectorial que generan.
Definici
on 5.1.2 La dimensi on, denotada por Dim V , de un espacio vectorial dado es
el n
umero de vectores linealmente independientes, necesarios para generar dicho espacio: el
n
umero de vectores de una base.
70
La dimension del espacio puede escribirse como un subndice del smbolo empleado para
representarlo. As, Dim Vn = n. Si el numero de vectores que componen una base es infinito,
se dice que el espacio es de dimension infinita y se nota V . En cualquier espacio vectorial
existen un numero infinito de bases posibles.
Ejemplos:
n 1 0 0 1
1. Como el espacio vectorial de las matrices 22 tiene como base al conjunto , ,
o 0 0 0 0
0 0 0 0
, el cual tiene 4 elementos, la dimension de este espacio vectorial
1 0 0 1
es 2 2=4.
2. La dimension de el espacio vectorial de todas las matrices de n m es nm.
3. El conjutno {(1, 0, 0), (0, 1, 0), (0, 0, 1)} de 3 elementos genera a R3 , por tanto su di-
mension es 3.
4. La dimension del espacio vectorial Rn es n.
5. El espacio vectorial de polinonios de grado n, P(n) es generado por los n polinomios

{x, x2 , . . . , xn }, por tanto su dimension es n.
5.1.5. Base can

onica.
Sea Vn (K) un espacio vectorial y B = {zi | i = 1, 2, . . . n} una base de Vn . Se cumplira en-
tonces:
X n
x Vn (K) : x = i zi .
i
Al conjunto A = {i | i = 1, 2, . . . n} K se le llama coordenadas de x respecto a la

base B. La representacion de un vector respecto a una base dada es u
nica.
Ejemplos de bases canonicas son los siguientes:
1. La base canonica del conjunto de pares ordenados (a, b), es decir, R2 es
B = {(1, 0), (0, 1)},
debido a que cualquier par ordenado (a, b) se puede escribir como combinacion lineal
de los elementos de la base dada.
(a, b) = a(1, 0) + b(0, 1).
En este caso las coordenadas de (a, b) respecto a la base canonica son a, b. Cabe emen-
cionar que si existe otra base para R2 entonces la coordenadas de (a, b) cambiaran.
2. Generalizando, la base canonica del conjunto de ternas ordenadas (a, b, c), es decir, R3
es
B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)},
debido a que cualquier terna ordenada (a, b, c) se puede escribir como combinacion
lineal de los elementos de la base dada.
(a, b, c) = a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1).
En este caso las coordenadas de (a, b, c) respecto a la base canonica son a, b, c.

3. Se deja al estudiante deducir cual es la base canonica del espacio vectorial Rn .
4. El espacio vectorial de las matrices 2 2 tiene como base canonica al conjunto
n 1 0 0 1 0 0 0 0 o
, , , .
0 0 0 0 1 0 0 1
5.1.6. Transformaciones lineales.

Sean U(K) y V (K) dos espacios vectoriales. Un homomorfismo de U sobre V es una
transformacion T que conserva las dos operaciones que definen el espacio vectorial. Esto es,
si x, y U y , K, entonces se preservaran la suma y el producto por un escalar en el
sentido del apartado anterior, o lo que es lo mismo:
T (x + y) = T (x) + T (y)
Esta condicion impone la linealidad a la transformacion T ; por tanto, un homomorfismo

puede llamarse transformaci on lineal o tambi en operador o aplicaci on lineal. El
termino operador lineal se reserva para las aplicaciones lineales entre espacios vectoriales
funcionales.
Las transformaciones lineales T : U V pueden coleccionarse en un conjunto L, que
adquiere facilmente a su vez estructura de espacio vectorial.
EJEMPLO:
Sea T : R2 R2 tal que T (x, y) = (3x, 3y). Demostrar que T es una transformacion
lineal.
Dem. Sean X = (x1 , y1 ), Y = (x2 , y2 ) en R2 y , n
umeros reales, entonces
X + Y = (x1 , y1 ) + (x2 , y2 )
= (x1 + x2 , y1 + y2 ).
Usando lo anterior tenemos que:
T (X + Y ) = T (x1 + x2 , y1 + y2 )
= (3(x1 + x2 ), 3(y1 + y2 ))
= (3x1 + 3x2 , 3y1 + 3y2 ). (5.11)
72
Por otra parte
T (X) + T (Y ) = (3x1 , 3y1 ) + (3x2 , 3y2 )

= (3x1 + 3x2 , 3y1 + 3y2 ). (5.12)
Dado que (5.11) y (5.12) son iguales, podemos concluir que T es una transformacion
lineal.
5.1.7. Rango y nulidad de una transformaci

on lineal.
Definicion 5.1.3 El espacio del rango, R, de una transformacion lineal es el conjunto de
todas sus imagenes. As, si T : U V , entonces
R = {x V | u U : T (u) = x}.
El rango de T se deifne como Dim(R).
Sea T : R2 R2 una transformacion lineal tal que T (x, y) = (3x, 3y). Entonces
R T = {(x, y) R2 | (w, z) R2 : T (w, z) = (x, y)}

= {(x, y) R2 |(3w, 3z) = (x, y)}
= {(x, y) R2 |x = 3w, y = 3z} = {3(w, z) | (w, z) R2 }.
Definicion 5.1.4 El n ucleo (kernel), N (ker), de una transformacion lineal es el conjunto

de todos los vectores cuya imagen es el vector 0. As:
N = {u U|T (u) = 0 V}.
La nulidad de T es la Dim(N ).
Sea T : R2 R2 una transformacion lineal tal que T (x, y) = (3x, 3y). Entonces
Ker T = {(x, y) R2 |T (x, y) = (0, 0)}

= {(x, y) R2 |(3x, 3y) = (0, 0)}
= {(x, y) R2 |3(x, y) = (0, 0)} = {(0, 0)}
on 5.1.5 La transformacion unidad I se define de tal manera que para todo u

Definici
U : I(u) = u.
5.1.8. Representaci
on matricial de una transformaci
on lineal.
Sea L = {T |T : Um Vn }, y sean A = {ai | i = 1, . . . m}, B = {bj | j = 1, . . . n} dos
bases de Un y Vn , respectivament. Al aplicar T sobre los vectores de A, puede escribirse:
T (ai ) Vn ; i
y por consiguiente:
n
X
T (ai ) = tji bj ; i
j=1
es decir, que si construimos las matrices A = (a1 , a2 , , am ) y B = (b1 , b2 , , bm )
T (A) = (T (a1 ), T (a2 ), T (an ))

X n n
X n
X
= tji bj , tj2 bj , , tjn bj
j j j
= (Bt1 , Bt2 , , Btm )
si ti = (t1i , t2i , , tni )T ; i = 1, , n; entonces:
T (A) = B(t1 , t2 , , tm )T ,
y llamando:
TBA = (t1 , t2 , , tm ),
se encuentra finalmente que

T (A) = BTBA .
La hipermatriz TBA tiene en sus submatrices columna las coordeenadas de la imagenes de

los vectores de la base A, referidas a la base B.
EJEMPLO.
1. Sea T : R3 R4 definida como:

xy
x y+z
T y =
2x y z .

z
x + y + 2z
Probar que T es una transformacion lineal y encontrar representacion matricial.
Sean u = (x1 , y1 , z1 ), v = (x2 , y2 , z2 ) vectores en R3 .
a) Entonces u + v = (x1 + x2 , y1 + y2 , z1 + z2 )
74

x1 + x2 (y1 + y2 )
y1 + y2 + z1 + z2
T (u + v) =
2(x1 + x2 ) (y1 + y2 ) (z1 + z2 )
(x1 + x2 ) + y1 + y2 + 2(z1 + z2 )

(x1 y1 ) + (x2 y2 )
(y1 + z1 ) + (y2 + z2 )
=
(2x1 y1 z1 ) + (2x2 y2 z2 )
(x1 + y1 + 2z1 ) + (x2 + y2 + 2z2 )

x1 y 1 x2 y 2
y1 + z1
y2 + z2
=
zx1 y1 z1 + (2x2 y2 + 2z1 )
= T (u) + T (v).

x1 + x1 + 2z1 x2 + y2 + 2z2
b)

T (u) = T (x1 , y1 , z1 )
= T (x1 , y1 , z1 )

x1 y1 x1 y 1
y1 + z1 y1 + z1
= =
2x1 y1 z1 = T (u).

2x1 y1 z1
x1 + y1 + 2z1 x1 + y1 + 2z1
La Representaci
on Matricial
es:
1
1 0
T 0 = = 1(1, 0, 0, 0) + 0(0, 1, 0, 0) + 2(0, 0, 1, 0) 1(0, 0, 0, 1)
2
0
1

1
0 1
T 1 = = 1(1, 0, 0, 0) + 1(0, 1, 0, 0) 1(0, 0, 1, 0) + 1(0, 0, 0, 1)
1
0
1

0
0 1
T 0 = = 0(1, 0, 0, 0) + 1(0, 1, 0, 0) 1(0, 0, 1, 0) + 2(0, 0, 1, 0)
1
1
2

1 1 0
0 1 1
AT =
2 1 1 .

1 1 2
5.2 Valores y vectores propios 75
Ejercicios 5.1.6 Demostrar si las siguientes funciones son transformaciones lineales.
1. T : R2 R2 ; T (x, y) = (0, y)
2. T : R3 R3 ; T (x, y, z) = (1, y, z)
3. T : R3 R3 ; T (x, y, z) = (y, z, 1)
4. T : R2 R; T (x, y) = x/y
5. Sea C[0, 1] el conjunto de funciones continuas en [0, 1]. T : C[0, 1] C[0, 1]; T f (x) =
f (1)
6. T : R2 R2 ; T (x, y) = (0, y)
7. T : R3 R2 ; T (x, y, z) = (y, z)
8. T : R4 R2 ; T (w, x, y, z) = (aw + bx, cy + dz)
5.2. Valores y vectores propios

En algebra lineal, los vectores propios, autovectores o eigenvectores de una transformacion
lineal son los vectores no nulos que, cuando son transformados por la transformacion, dan
lugar a un m ultiplo escalar de s mismos, con lo que no cambian su direccion.
Definici on 5.2.1 Sea T : V V es una transformacion lineal en un cierto espacio vectorial

V y AT su representacion matricial. Sean v un vector diferente de cero en V y un escalar
tales que
AT v = v,
entonces decimos que v es un vector propio de la transformacion AT , y su valor carac-
terstico (propio) asociado es .
Definicion 5.2.2 Sea A := AT una matriz de n n. Entonces es una valor caracterstico

de A si satisface:
p() = det(A I) = 0. (5.15)
La ecuacion (5.15) se denomina la ecuacion caracterstica de A y p() se denomina el
polinomio caracterstico de A.
Como sera evidente en los ejemplos, p() es un polinomio de grado n en . En efecto, sea

a b
A= ,
c d
una matriz 2 2, entonces

76

a b
0
A I =
c d
0

a b
=
c d
y el polinomio caracterstico de A es
p() = det(A I)
= (a )(d ) bc
= 2 2(a + d) + (ad bc).
De acuerdo con el teorema fundamental del algebra, cualquier polinomio de grado

n con coeficientes reales o complejos tiene exactamente n races (contando multiplicidades).
Esto significa, por ejemplo, que el polinomio ( 1)5 tiene cinco races, todas iguales al
n
umero 1.
Como cualquier valor caracterstico de A es una raz de la ecuacion caracterstica de A,
se concluye que contando multiplicidades, toda matriz de n n tiene exactamente n valores
caractersticos.
EJEMPLOS
1. Encontrar los valores y vectores caractersticos de la matriz:

4 2
A=
3 3
Sea

4 2
det(A I) =

3 3
= (4 )(3 ) 6
= 2 7 + 6
= ( 1)( 6).
De donde los valores caractersticos de A son 1 = 1 y 2 = 6.

Para 1 = 1 se resuelve (A I)v = 0 que es lo mismo:

3 2 x1 0
= .
3 2 x2 0
Es claro que cualquier vector caracterstico correspondiente a 1 = 1 satisface 3x1 +
2x2 = 0. Un vector caracterstico de este tipo es:

2
v1 =
3
De manera similar, la ecuacion (A 6I)v = 0 significa que:

2 2 x1 0
= .
3 3 x2 0
Entonces

1
v2 =
1
es un vector carcaterstico correspondiente a 2 = 6.

Observe que v1 y v2 son linealmente independientes ya que uno no es m
ultiplo del otro.
Nota. No es importante si se establece 1 = 1 y 2 = 6 o 1 = 6 y 2 = 1. Los
resultados no cambian, en el sentido que para un valor caracterstico dado corresponde
un vector caracterstico en particular.
2. Encontrar los valores y vectores caractersticos de una matriz de 3 3 dada por

1 1 4
A= 3 2 1
2 1 1
Primero encontraremos los valores caractersticos

1 1 4

det(A I) = 3 2 1

2 1 1
= (3 22 5 + 6) = ( 1)( + 2)( 3)
Por lo tanto, los valores caractersticas de A son 1 = 1, 2 = 2 y 3 = 3.

Para 1 = 1 se tiene

0 1 4 x1 0
(A I)v = 3 1 1 x2 = 0
2 1 2 x3 0
Reduciendo renglones se obtiene, sucesivamente,

78
0 1 4 | 0 0 1 4 | 0
3 1 1 | 0 3 0 3 | 0
2 1 2 | 0 2 0 2 | 0

0 1 4 | 0 0 1 4 | 0
1 0 1 | 0 1 0 1 | 0
2 0 2 | 0 0 0 0 | 0
As, x1 = x3 , x2 = 4x3 , un vector caracterstico es

1
v1 = 4 .
1
Para 2 = 2 se tiene [A (2I)]v = (A + 2I)v = 0,

3 1 4 x1 0
3 4 1 x2 = 0 .
2 1 1 x3 0
Esto lleva a

3 1 4 | 0 3 1 4 | 0
3 4 1 | 0 15 0 15 | 0
2 1 1 | 0 5 0 5 | 0

3 1 4 | 0 1 1 0 | 0
1 0 1 | 0 1 0 1 | 0
5 0 5 | 0 0 0 0 | 0
Entonces x2 = x1 , x3 = x1 y un vector caracterstico es:

1
v2 = 1 .
1
Por u
ltimo, para 3 = 3 se tiene:

2 1 4 x1 0
(A 3I)v = 3 1 1 x2 = 0
2 1 4 x3 0
5.2 Valores y vectores
propios 79
2 1 4 | 0 2 1 4 | 0
3 1 1 | 0 5 0 5 | 0
2 1 4 | 0 0 0 0 | 0

2 1 4 | 0 2 1 0 | 0
1 0 1 | 0 1 0 1 | 0
0 0 0 | 0 0 0 0 | 0
Por lo tanto, x3 = x1 , x2 = 2x1 , y

1
v3 = 2 .
1
Observaci on. En este y otros ejemplos existe un n umero infinito de formas de elegir el
vector caracterstico. Se selecciono arbitrariamente un ejemplo sencillo haciendo una o mas
de las xi igual a un n umero conveniente. En este caso, una de las xi se hizo igual 1. Otra
seleccion comun es escalar el vector caracterstico para que sea unitario.
Observaci on 5.2.3 Recordemos que si v es un vector propio asociado al valor propio

entonces se cumple que:
Av = v
que es lo mismo que:
Av v = 0
(A I)v = 0
entonces
v Ker(A I)
EJEMPLOS.
1. Encontrar el vector y valor propio de A, asi como su n

ucleo usando A como:

4 2
A= .
3 3
Primero calculamos
80

4 2
|A I| =
3 3
= (4 )(3 ) 6
= 12 7 + 2 6
= 2 7 + 6
= ( 6)( 1)
donde los valores propios son:
1 = 6
2 = 1.
Para 1 = 6

4 2 6 0 2 2
A 6I = = .
3 3 0 6 3 3
Reduciendo por filas:

2 2 1 1 1 1

3 3 3 3 0 0
por lo tanto

1 1 x xy 0
= =
0 0 y 0 0
De donde:
Ker(A 6I) = {(x, y) R2 |x = y}

= {x(1, 1)|x R}
y el vector propio es:
v1 = (1, 1).
Para = 1
41 2 3 2
AI = = .
3 31 3 2
1 23 x + 23 y

3 2 x 0
= =
3 2 0 0 y 0 0
por lo que:
2
Ker(A I) = {(x, y)|x = y}
3
2
= {( y, y)}
3
2
= {y( , 1)}
3
en donde el valor propio es:
v2 = ( 23 , 1).
2. Para
1 2
A= .
3 1
Sea

1 2
det(A I) = det
3 1
= (1 )(1 ) + 6
= 2 2 + 7
De donde los valores caractersticos de A son
p r
2 4 4(7)(1) 2 24
= = = 1 6
2(1) 2 4

1 = 1 + i 6 y 2 = 1 i 6

Para 1 = 1 + i 6 tenemos que
82

1 (1 + i 6) 2 i 6 2
A (1 + i 6)I = =
3 1 (1 + i 6) 3 i 6
Reduciendo por filas :
" q # " q #
i 6 2 1 i 23 x x + i 23 y 0
= =
3 i 6 0 0 y 0 0
Por lo que:
q
Ker(A I) = {(x, y) R2 |x = i 23 }
q
= {y(i 23 , 1)|y R}

r
2
v1 = (i , 1).
3
Comprobacion:
Av = v
q ! q !

1 2 i 23 i 23
= (1 + i 6)
3 1 1 1
q ! q !
2 i 23 2i 2
3
=
1+i 6 1+i 6

Para 2 = 1 i 6 se tiene que

1 (1 i 6) 2 i 6 2
A (1 i 6)I = =
3 1 (1 i 6) 3 i 6

" q # " q #
i 6 2 1 i 23 x x i 23 y 0
= =
3 i 6 0 0 y 0 0
Por lo que:
q
Ker(A I) = {(x, y) R |x = i 23 }
2
q
= {y(i 23 , 1)|y R}

r
2
v2 = (i , 1).
3
Comprobacion:
Av = v
q ! q !

1 2 i 23 i 23
= (1 i 6)
3 1 1 1
q ! q !
2 + i 23 2+i 2
3
= .
1i 6 1i 6
3. Para
5 4
A=
3 3
Sea

5 4
det(A I) = det
3 3
= (5 )(3 ) 12
= 2 8 + 3

84

p
8
64 4(3)(1)
= = 4 13
2(1)

1 = 4 + 13 y 2 = 4 13

Para 1 = 4 + 13

5 (4 + 13) 4 1 13 4
A (4 + 13)I = =
3 3 (4 + 13) 3 1 13
1

1 13 4 1 (1 13) x x + 13 (1 13)y 0
3 = =
3 1 13 0 0 y 0 0
Por lo que:

Ker(A I) = {(x, y) R2 |x= 13 (1 13)y}
= {y( 31 (1 13), 1)|y R}
1
v1 = ( (1 + 13), 1).
3
Comprobacion:
Av = v

1
1
5 4 3
(1 + 13) (1 + 13)
= (4 + 13) 3
3 3 1 1
1
1
3
(17+
5 13) 3
(17 +
5 13)
=
4 + 13 4 + 13

Para 2 = 4 13

5 (4 13) 4 1+ 13 4
A (4 13)I = =
3 3 (4 13) 3 1 + 13
1

1+ 13 4 1 ( 13 1) x x + 13 ( 13 1)y 0
3 = =
3 1 + 13 0 0 y 0 0
Por lo que:
2 1

Ker(A I) = {(x, y)
R |x = 3
( 13 1)y}
1
= {y( 3 ( 13 1), 1)|y R}
1
v1 = ( (1 13), 1).
3
Comprobacion:
Av = v

1
1
5 4 (1 13) (1 13)
3 = (4 13) 3
3 3 1 1
1
1
3
(17
5 13) 3
(17 5 13)
=
4 13 4 13
4. Para
1 2
A=
2 4
Sea
86

1 2
det(A I) = det
2 4
= (1 )(4 ) 1
= 2 5
1 = 5 y 2 = 0
Para 1 = 5

15 2 4 2
A 5I = =
2 45 2 1
1 12 x 12 y

4 2 x 0
= =
2 1 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |y = 2x}

= {x(1, 2)|x R}
v1 = (1, 2).
Comprobacion:
Av = v

1 2 1 1
= (5)
2 4 2 2

5 5
=
10 10
Para 2 = 0

10 2 1 2
A 5I = =
2 40 2 4

1 2 1 2 x x + 2y 0
= =
2 4 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 2y}

= {y(2, 1)|y R}
v2 = (2, 1).
Comprobacion:
Av = v

1 2 2 2
= (0)
2 4 1 1

0 0
= .
0 0
5. Para la matriz

3 1
A= .
4 3
Sea

3 1
det(A I) = det

4 3
= (3 )(3 ) + 4
= 2 6 + 13
88
p
6 36 4(13)(1)
= = 3 2i
2(1)
1 = 3 + 2i y 2 = 3 2i
Para 1 = 3 + 2i

3 (3 + 2i) 1 2i 1
A (3 + 2i)I = =
4 3 (3 + 2i) 4 2i
1 12 i x 12 iy

2i 1 x 0
= =
4 2i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 21 iy}

= {y( 12 i, 1)|y R}
1
v1 = ( i, 1).
2
Comprobacion:
Av = v
1 1

3 1 2
i 2
i
= (3 + 2i)
4 3 1 1
1 + 32 i 1 + 32 i

=
3 + 2i 3 + 2i
Para 2 = 3 2i

3 (3 2i) 1 2i 1
A (3 2i)I = =
4 3 (3 2i) 4 2i
1
x + 12 iy

2i 1 1 i x 0
2 = =
4 2i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 21 iy}

= {y( 12 i, 1)|y R}
1
v1 = ( i, 1).
2
Comprobacion:
Av = v
12 i 12 i

3 1
= (3 2i)
4 3 1 1
1 32 i 1 32 i

= .
3 2i 3 2i
6. Para la matriz
6 7
A=
3 2
Sea

6 7
det(A I) = det

3 2
= (6 )(2 ) 21
= 2 8 + 9
90
1 = 9 y 2 = 1
Para 1 = 9

69 7 3 7
A 9I = =
3 29 3 7
1 73 x 73 y

3 7 x 0
= =
3 7 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 73 y}
= {y( 73 , 1)|y R}
7
v1 = ( , 1).
3
Comprobacion:
Av = v
7 7

6 7 3 3
= (9)
3 2 1 1

21 21
=
9 9
Para 2 = 1

6+1 7 7 7
A + 1I = =
3 2+1 3 3

7 7 1 1 x x+y 0
= =
3 3 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = y}
= {y(1, 1)|y R}
v1 = (1, 1).
Comprobacion:
Av = v

6 7 1 1
= (1)
3 2 1 1

1 1
= .
1 1
7. Para la matriz
10 2
A=
5 4
Sea

10 2
det(A I) = det

5 4
= (10 )(4 ) + 10
= 2 14 + 50

p
14 196 4(50)(1)
= =7i
2(1)
92
1 = 7 + i y 2 = 7 i
Para 1 = 7 + i

10 (7 + i) 2 3i 2
A (7 + i)I = =
5 4 (7 + i) 5 3 i
1 35 51 i x ( 35 + 15 i)y

3i 2 x 0
= =
5 3 i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = ( 53 + 15 i)y}

= {y( 53 + 15 i, 1)|y R}
3 1
v1 = ( + i, 1).
5 5
Comprobacion:
Av = v
3
+ 15 i 3
+ 51 i

10 2 5 5
= (7 + i)
5 4 1 1

4 + 2i 4 + 2i
=
7+i 7+i
Para 1 = 7 i

10 (7 i) 2 3+i 2
A (7 i)I = =
5 4 (7 i) 5 3 + i
1 35 + 15 i x + ( 51 i 35 )y

3+i 2 x 0
= =
5 3 + i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = ( 35 15 i)y}

= {y( 35 51 i, 1)|y R}
3 1
v1 = ( i, 1).
5 5
Comprobacion:
Av = v
3
15 i 3
51 i

10 2 5 = (7 i) 5
5 4 1 1

4 2i 4 2i
= .
7i 7i
8. Para la matriz
3 2
A=
4 1
Sea

3 2
det(A I) = det

4 1
= (3 )(1 ) 8
= 2 4 5
1 = 5 y 2 = 1
94
Para 1 = 5

35 2 2 2
A 5I = =
4 15 4 4

2 2 1 1 x xy 0
= =
4 4 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = y}
= {y(1, 1)|y R}
v1 = (1, 1).
Comprobacion:
Av = v

3 2 1 1
= (5)
4 1 1 1

5 5
=
5 5
Para 1 = 1

3+1 2 4 2
A + 1I = =
4 1+1 4 2

1 21 x + 12 y

4 2 x 0
= =
4 2 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 12 y}
= {y( 21 , 1)|y R}
1
v1 = ( , 1).
2
Comprobacion:
Av = v
21 12

3 2
= (1)
4 1 1 1
1 1

2 = 2 .
1
9. Para la matriz
1 4
A=
2 3
Sea

1 4
det(A I) = det

2 3
= (1 )(3 ) 8
= 2 4 5
1 = 5 y 2 = 1
Para 1 = 5
96

15 4 4 4
A 5I = =
2 35 2 2

4 4 1 1 x xy 0
= =
2 2 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = y}
= {y(1, 1)|y R}
v1 = (1, 1).
Comprobacion:
Av = v

1 4 1 1
= (5)
2 3 1 1

5 5
=
5 5
Para 1 = 1

1+1 4 2 4
A + 1I = =
2 3+1 2 4

2 4 1 2 x x + 2y 0
= =
2 4 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 2y}

= {y(2, 1)|y R}
v1 = (2, 1).
Comprobacion:
Av = v

1 4 2 2
= (2)
2 3 1 1

2 2
= .
1 1
10. Para la matriz

2 3 1
A= 2 1 3
1 3 2
Sea

2 3 1

det(A I) = det 2
1 3

1 3 2
= 3 + 52 + 8 12
= (3 52 8 + 12)
= ( 6)( + 2)( 1)
1 = 6 , 2 = 2 y 3 = 1
Para 1 = 6 se tiene [A 6I]v = 0

98

4 3 1 x1 0
[A 6I]v = 2 5 3 x 2
= 0
1 3 4 x3 0
Reduciendo:

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 3 1 | 0
7 7
2 5 3 | 0 0 2 2 | 0 0 72 72 | 0 0 1 1 | 0
1 3 4 | 0 1 3 4 | 0 1 3 4 | 0 1 3 4 | 0

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 3 1 | 0
0 1 1 | 0 0 1 1 | 0 0 1 1 | 0 0 1 1 | 0
1 3 4 | 0 0 15
4
15
4
| 0 0 1 1 | 0 0 0 0 | 0

4 0 4 | 0 1 0 1 | 0
0 1 1 | 0 0 1 1 | 0
0 0 0 | 0 0 0 0 | 0
As, x1 = x3 , x2 = x3 , un vector caracteristico es:
v1 = (1, 1, 1)
comprobacon:

2 3 1 1 1 6
2 1 3 1 = (6) 1 = 6
1 3 2 1 1 6
Para 2 = 2 se tiene [A + 2I]v = 0

4 3 1 x1 0
[A + 2I]v = 2 3 3 x2 = 0
1 3 4 x3 0
Reduciendo:

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 3 1 | 0
2 3 3 | 3 5
0 0 2 2 | 0 0 3 5 | 0 0 3 5 | 0
9 15
1 3 4 | 0 1 3 4 | 0 1 3 4 | 0 0 4 4
| 0

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 0 4 | 0
0 3 5 | 0 0 3 5 | 0 0 1 53 | 0 0 1 35 | 0
0 3 5 | 0 0 0 0 | 0 0 0 0 | 0 0 0 0 | 0
1 0 1 | 0
0 1 5 | 0
3
0 0 0 | 0
As, x1 = x3 , 3x2 = 5x3 , un vector caracterstico es:
v2 = (3, 5, 3)
comprobacon:

2 3 1 3 3 6
2 1 3 5 = (2) 5 = 10
1 3 2 3 3 6
Para 3 = 1 se tiene [A I]v = 0

1 3 1 x1 0
[A I]v = 2 0 3 x2 = 0
1 3 1 x3 0
Reduciendo:

1 3 1 | 0 2 0 3 | 0 2 0 3 | 0 2 0 3 | 0
2 0 3 | 0 1 3 1 | 0 0 3 12 | 0 0 6 1 | 0
1 3 1 | 0 1 3 1 | 0 1 3 1 | 0 1 3 1 | 0

2 0 3 | 0 2 0 3 | 0 2 0 3 | 0 2 0 3 | 0
0 6 1 | 0 0 6 1 | 0 0 6 1 | 0 0 1 61 | 0
0 3 12 | 0 0 6 1 | 0 0 0 0 | 0 0 0 0 | 0
1 0 23 | 0

0 1 1 | 0
6
0 0 0 | 0
As, 2x1 = 3x3 , 6x2 = x3 , un vector caracteristico es:
v3 = (9, 1, 6)
comprobacon:

2 3 1 9 9 9
2 1 3 1 = (1) 1 = 1 .
1 3 2 6 6 6
100
11. Para la matriz
1 2 1
A= 1 0 1
4 4 5
Sea:

1 2 1

det(A I) = det 1
1

4 4 5
= 3 + 62 11 + 6
= (3 62 + 11 6)
= ( 3)( 2)( 1)
1 = 3 , 2 = 2 y 3 = 1

2 2 1 x1 0
[A 6I]v = 1 3 1 x2 = 0
4 4 2 x3 0
Reduciendo:

2 2 1 | 0 4 4 2 | 0 4 4 2 | 0 2 2 1 | 0
1 3 1 | 0 1 3 1 | 0 0 2 1 | 0 0 2 1 | 0
2 2
4 4 2 | 0 2 2 1 | 0 2 2 1 | 0 2 2 1 | 0

2 2 1 | 0 2 2 1 | 0 2 2 1 | 0 2 2 1 | 0
0 4 1 | 0 0 4 1 | 0 0 4 1 | 0 0 1 14 | 0
2 2 1 | 0 2 2 1 | 0 0 0 0 | 0 0 0 0 | 0
0 21 | 0 1 0 14 |

2 0
0 1 14 | 0 0 1 41 | 0
0 0 0 | 0 0 0 0 | 0
As, 4x1 = x3 , 4x2 = x3 , un vector caracterstico es:
v1 = (1, 1, 4)
comprobacon:

1 2 1 1 1 3
1 0 1 1 = (3) 1 = 3
4 4 5 4 4 12

1 2 1 x1 0
[A 2I]v = 1 2 1 x2 = 0
4 4 3 x3 0
Reduciendo:

1 2 1 | 0 4 4 3 | 0 4 4 3 | 0 4 4 3 | 0
1 2 1 | 0 1 2 1 | 0 0 1 1 | 0 0 4 1 | 0
4
4 4 3 | 0 1 2 1 | 0 1 2 1 | 0 1 2 1 | 0

4 4 3 | 0 4 4 3 | 0 4 4 3 | 0 4 4 3 | 0
0 4 1 | 0 0 4 1 | 0 0 4 1 | 0 0 4 1 | 0
1 2 1 | 0 0 1 14 | 0 0 4 1 | 0 0 0 0 | 0
1

4 4 3 | 0 4 0 2 | 0 1 0 2
| 0
0 1 1 | 0 0 1 1
4 | 0 0 1 1
4 | 0
4
0 0 0 | 0 0 0 0 | 0 0 0 0 | 0
As, 2x1 = x3 , 4x2 = x3 , un vector caracteristico es:
v2 = (2, 1, 4)
comprobacon:

1 2 1 2 2 4
1 0 1 1 = (2) 1 = 2
4 4 5 4 4 8

0 2 1 x1 0
[A I]v = 1 1 1 x2 = 0
4 4 4 x3 0
Reduciendo:
102

0 2 1 | 0 4 4 4 | 0 4 4 4 | 0 1 1 1 | 0
1 1 1 | 0 1 1 1 | 0 0 0 0 | 0 0 0 0 | 0
4 4 4 | 0 0 2 1 | 0 0 2 1 | 0 0 2 1 | 0
1 0 21 | 0

1 1 1 | 0 1 1 1 | 0
0 2 1 | 0 0 1 1 | 0 0 1 1 | 0
2 2
0 0 0 | 0 0 0 0 | 0 0 0 0 | 0
v3 = (1, 1, 2)
comprobacon:

1 2 1 1 1 1
1 0 1 1 = (1) 1 = 1 .
4 4 5 2 2 2
5.2.1. Diagonalizaci
on de matrices
Para mayor comprension de los estudiantes en el proceso de diagonalizacion de matrices
volveremos a calcular los valores y vectores propios.
1. Diagonalizar la siguiente matriz

4 2
A= .
3 3
Primero calculamos

4 2
|A I| =

3 3
= (4 )(3 ) 6
= 12 7 + 2 6
= 2 7 + 6
= ( 6)( 1)
donde los valores propios son:

1 = 6
2 = 1.
Para 1 = 6

4 2 6 0 2 2
A 6I = = .
3 3 0 6 3 3

2 2 1 1 1 1

3 3 3 3 0 0
por lo tanto

1 1 x xy 0
= =
0 0 y 0 0
De donde:
Ker(A 6I) = {(x, y) R2 |x = y}

= {x(1, 1)|x R}
v1 = (1, 1).
Para = 1

41 2 3 2
AI = = .
3 31 3 2
1 23 x + 23 y

3 2 x 0
= =
3 2 0 0 y 0 0
por lo que:
104
2
Ker(A I) = {(x, y)|x = y}
3
2
= {( y, y)}
3
2
= {y( , 1)}
3
en donde el valor propio es:
v2 = ( 23 , 1).
Matriz de cambio de base
1 23

B=
1 1
3 2

1 5 5
B =
35 3
5
3 2
1 23

1 5 5
4 2
B AB =
35 3
5
3 3 1 1
18 12
1 23

= 5 5
35 3
5
1 1

6 0
= .
0 1

1 2
A=
3 1
Sea

1 2
det(A I) = det

3 1
= (1 )(1 ) + 6
= 2 2 + 7

p r
2 4 4(7)(1) 2 24
= = = 1 6
2(1) 2 4

1 = 1 + i 6 y 2 = 1 i 6

Para 1 = 1 + i 6

1 (1 + i 6) 2 i 6 2
A (1 + i 6)I = =
3 1 (1 + i 6) 3 i 6
" q # " q #
i 6 2 1 i 23 x x + i 23 y 0
= =
3 i 6 0 0 y 0 0
Por lo que:
q
Ker(A I) = {(x, y) R |x = i 23 }2
q
= {y(i 23 , 1)|y R}

r
2
v1 = (i , 1).
3
Comprobacion:
Av = v
q ! q !

2 2
1 2 i i
3 = (1 + i 6) 3
3 1 1 1
q ! q !
2 i 23 2i 2
3
=
1+i 6 1+i 6
106

Para 2 = 1 i 6

1 (1 i 6) 2 i 6 2
A (1 i 6)I = =
3 1 (1 i 6) 3 i 6
" q # " q #
i 6 2 1 i 23 x x i 23 y 0
= =
3 i 6 0 0 y 0 0
Por lo que:
q
Ker(A I) = {(x, y) R2 |x = i 23 }
q
= {y(i 23 , 1)|y R}

r
2
v2 = (i , 1).
3
Comprobacion:
Av = v
q ! q !

1 2 i 23 i 23
= (1 i 6)
3 1 1 1
q ! q !
2 + i 23 2+i 2
= 3
1i 6 1i 6
Matriz de cambio de base:
" q q #
i 3 i 23
2
B=
1 1
q
3 1
i 8 2
B 1 = q
i 38 1
2
q
" q q #
i 38 21
2 2
1 2 i i
B 1 AB = q 3 3
i 8 23 1 3 1 1 1
q q " q q #
32 + i 38 12 + i 32 i 2
i 2
= q q 3 3 .
3 3 1 3 1 1
2 i 8 2 i 2

1+i 6 0
=
0 1i 6

5 4
A=
3 3
Sea

5 4
det(A I) = det
3 3
= (5 )(3 ) 12
= 2 8 + 3

p
8 64 4(3)(1)
= = 4 13
2(1)

1 = 4 + 13 y 2 = 4 13

Para 1 = 4 + 13

5 (4 + 13) 4 1 13 4
A (4 + 13)I = =
3 3 (4 + 13) 3 1 13

108
1

1 13 4 1 (1 13) x x + 13 (1 13)y 0
3 = =
3 1 13 0 0 y 0 0
Por lo que:

Ker(A I) = {(x, y) R2 |x= 13 (1 13)y}
= {y( 31 (1 13), 1)|y R}
1
v1 = ( (1 + 13), 1).
3
Comprobacion:
Av = v

1
1
5 4 3
(1 + 13) (1 + 13)
= (4 + 13) 3
3 3 1 1
1
1
3
(17 +
5 13) 3
(17 +5 13)
=
4 + 13 4 + 13

Para 2 = 4 13

5 (4 13) 4 1+ 13 4
A (4 13)I = =
3 3 (4 13) 3 1 + 13
1

1+ 13 4 1 ( 13 1) x x + 13 ( 13 1)y 0
3 = =
3 1 + 13 0 0 y 0 0
Por lo que:
2 1

Ker(A I) = {(x, y)
R |x = 3
( 13 1)y}
1
= {y( 3 ( 13 1), 1)|y R}
1
v1 = ( (1 13), 1).
3
Comprobacion:
Av = v

1
1
5 4 (1 13) (1 13)
3 = (4 13) 3
3 3 1 1
1
1
3
(17
5 13) 3
(17 5 13)
=
4 13 4 13

1 13 1 13
+
B= 3 3 3 3
1 1
"
3
1

13
#
1 26
13 2
26
B = 3 1 13
26 13 2
+ 26
"
3
1

13
#
13 5 4 1 13 1 13
1 26 2 26
+
B AB = 3 3 3 3
3
26 13 1
2
+ 2613 3 3 1 1
"
3
#
+ 613 3
+ 2913 1 13 1 13

2 2 +
= 3
3 3 3 3
.
2
613 3
2
2913 1 1

4+ 13 0
=
0 4 13
110
4. Diagonalizar la matriz dada
1 2
A=
2 4
Sea

1 2
det(A I) = det

2 4
= (1 )(4 ) 1
= 2 5
1 = 5 y 2 = 0
Para 1 = 5

15 2 4 2
A 5I = =
2 45 2 1
1 12 x 12 y

4 2 x 0
= =
2 1 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |y = 2x}

= {x(1, 2)|x R}
v1 = (1, 2).
Comprobacion:
Av = v

1 2 1 1
= (5)
2 4 2 2

5 5
=
10 10
Para 2 = 0

10 2 1 2
A 5I = =
2 40 2 4

1 2 1 2 x x + 2y 0
= =
2 4 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 2y}

= {y(2, 1)|y R}
v2 = (2, 1).
Comprobacion:
Av = v

1 2 2 2
= (0)
2 4 1 1

0 0
=
0 0

112

1 2
B=
2 1
1 2

1 5 5
B =
25 1
5
1 2

1 2 1 2
B 1 AB = 2
5 5
1
5 5 2 4 2 1
1 2 1 2
= .
0 0 2 1

5 0
=
0 0
5. Diagonalizar la matriz que se presenta a continuacion.

3 1
A=
4 3
Sea

3 1
det(A I) = det

4 3
= (3 )(3 ) + 4
= 2 6 + 13

p
6 36 4(13)(1)
= = 3 2i
2(1)
1 = 3 + 2i y 2 = 3 2i
Para 1 = 3 + 2i

3 (3 + 2i) 1 2i 1
A (3 + 2i)I = =
4 3 (3 + 2i) 4 2i

1 12 i x 12 iy

2i 1 x 0
= =
4 2i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 21 iy}

= {y( 12 i, 1)|y R}
1
v1 = ( i, 1).
2
Comprobacion:
Av = v
1 1

3 1 2
i 2
i
= (3 + 2i)
4 3 1 1
1 + 32 i 1 + 32 i

=
3 + 2i 3 + 2i
Para 2 = 3 2i

3 (3 2i) 1 2i 1
A (3 2i)I = =
4 3 (3 2i) 4 2i
1
x + 12 iy

2i 1 1 i x 0
2 = =
4 2i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 21 iy}

= {y( 12 i, 1)|y R}
114
1
v1 = ( i, 1).
2
Comprobacion:
Av = v
12 i 12 i

3 1
= (3 2i)
4 3 1 1
1 32 i 1 32 i

=
3 2i 3 2i
i 21 i 21

B=
1 1
1

1 i 2
B = 1
i 2
i 12
1
i 2 i 12

1 3 1
B AB = 1
i 2 3 4 3 1 1 1 1
2 3i 2 + i i 2 i 2
=
2 + 3i 23 i 1 1 .

3 + 2i 0
=
0 3 2i
6. Diagonalizar la matriz que se da.

6 7
A=
3 2
Sea

6 7
det(A I) = det

3 2
= (6 )(2 ) 21
= 2 8 + 9
1 = 9 y 2 = 1
Para 1 = 9

69 7 3 7
A 9I = =
3 29 3 7
1 73 x 73 y

3 7 x 0
= =
3 7 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 73 y}
= {y( 73 , 1)|y R}
7
v1 = ( , 1).
3
Comprobacion:
Av = v
7 7

6 7 3 3
= (9)
3 2 1 1
116

21 21
=
9 9
Para 2 = 1

6+1 7 7 7
A + 1I = =
3 2+1 3 3

7 7 1 1 x x+y 0
= =
3 3 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = y}
= {y(1, 1)|y R}
v1 = (1, 1).
Comprobacion:
Av = v

6 7 1 1
= (1)
3 2 1 1

1 1
=
1 1
7

3
1
B=
1 1
3 3

1 10 10
B = 3 7
10 10
3 3
7
1 10 10
6 7 3
1
B AB = 3 7
10 10 37 2 1 1
27 27

10 10 3
1
= 3 7 .
10
10
1 1

9 0
=
0 1
7. Diagonalizar la matriz que se presenta a continuacion.

10 2
A=
5 4
Sea

10 2
det(A I) = det

5 4
= (10 )(4 ) + 10
= 2 14 + 50

p
14 196 4(50)(1)
= =7i
2(1)
1 = 7 + i y 2 = 7 i
Para 1 = 7 + i

10 (7 + i) 2 3i 2
A (7 + i)I = =
5 4 (7 + i) 5 3 i
1 35 51 i x ( 35 + 15 i)y

3i 2 x 0
= =
5 3 i 0 0 y 0 0
118
Por lo que:
Ker(A I) = {(x, y) R2 |x = ( 53 + 15 i)y}

= {y( 53 + 15 i, 1)|y R}
3 1
v1 = ( + i, 1).
5 5
Comprobacion:
Av = v
3
+ 15 i 3
+ 51 i

10 2 5 5
= (7 + i)
5 4 1 1

4 + 2i 4 + 2i
=
7+i 7+i
Para 1 = 7 i

10 (7 i) 2 3+i 2
A (7 i)I = =
5 4 (7 i) 5 3 + i
1 53 + 15 i x + ( 51 i 35 )y

3+i 2 x 0
= =
5 3 + i 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = ( 35 15 i)y}

= {y( 35 51 i, 1)|y R}

3 1
v1 = ( i, 1).
5 5
Comprobacion:
Av = v
3
15 i 3
51 i

10 2 5 = (7 i) 5
5 4 1 1

4 2i 4 2i
=
7i 7i
3
+ i 51 3
i 15

B= 5 5
1 1
i 25 1
+ i 32

1 2
B =
i 25 1
2
i 32
i 25 12 + i 32 3
+ i 51 35 i 15

1 10 2 5
B AB = 5 1 3
5i 2 352 i 2 5 3 4 1 3
1
1
1
2
i 2
2 + 11i 5
+ i5 5
i 5
= 5 35
2
+ i 2 2 11i 1 1

7+i 0
=
0 7i
8. Diagonalizar la matriz dada.

3 2
A=
4 1
Sea

3 2
det(A I) = det

4 1
= (3 )(1 ) 8
= 2 4 5
120
1 = 5 y 2 = 1
Para 1 = 5

35 2 2 2
A 5I = =
4 15 4 4

2 2 1 1 x xy 0
= =
4 4 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = y}
= {y(1, 1)|y R}
v1 = (1, 1).
Comprobacion:
Av = v

3 2 1 1
= (5)
4 1 1 1

5 5
=
5 5
Para 1 = 1

3+1 2 4 2
A + 1I = =
4 1+1 4 2
1 21 x + 12 y

4 2 x 0
= =
4 2 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 12 y}
= {y( 21 , 1)|y R}
1
v1 = ( , 1).
2
Comprobacion:
Av = v
21 12

3 2
= (1)
4 1 1 1
1 1

2 = 2
1
1 12

B=
1 1
2 1

1 3 3
B =
23 2
3
122
2 1
1 12

1 3 23 3
B AB = 2 2

10
3 4 1 1 1 1
3
5
3
1 2 3
= 2 2
3
3 1 1

5 0
=
0 1
5.2.2. 8

1 4
A=
2 3
Sea

1 4
det(A I) = det
2 3
= (1 )(3 ) 8
= 2 4 5
1 = 5 y 2 = 1
Para 1 = 5

15 4 4 4
A 5I = =
2 35 2 2

4 4 1 1 x xy 0
= =
2 2 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = y}
= {y(1, 1)|y R}
v1 = (1, 1).
Comprobacion:
Av = v

1 4 1 1
= (5)
2 3 1 1

5 5
=
5 5
Para 1 = 1

1+1 4 2 4
A + 1I = =
2 3+1 2 4

2 4 1 2 x x + 2y 0
= =
2 4 0 0 y 0 0
Por lo que:
Ker(A I) = {(x, y) R2 |x = 2y}

= {y(2, 1)|y R}
v1 = (2, 1).
Comprobacion:
Av = v
124

1 4 2 2
= (2)
2 3 1 1

2 2
=
1 1

1 2
B=
1 1
1 2

1 3 3
B =
13 1
3
1 2

1 3 3
1 4 1 2
B AB =
13 13 2 3 1 1
5 10

3 3
1 2
= 1
3
31 1 1 .

5 0
=
0 1
9. Diagonalizar la matriz dada.

2 3 1
A= 2 1 3
1 3 2
Sea

2 3 1

det(A I) = det 2 1 3

1 3 2
3 2
= + 5 + 8 12
= (3 52 8 + 12)
= ( 6)( + 2)( 1)
1 = 6 , 2 = 2 y 3 = 1

4 3 1 x1 0
[A 6I]v = 2 5 3 x2 = 0
1 3 4 x3 0
Reduciendo:

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 3 1 | 0
2 5 3 | 0 0 7 7 | 0 0 7 7 | 0 0 1 1 | 0
2 2 2 2
1 3 4 | 0 1 3 4 | 0 1 3 4 | 0 1 3 4 | 0

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 3 1 | 0
0 1 1 | 0 0 1 1 | 0 0 1 1 | 0 0 1 1 | 0
1 3 4 | 0 0 15
4
15
4
| 0 0 1 1 | 0 0 0 0 | 0

4 0 4 | 0 1 0 1 | 0
0 1 1 | 0 0 1 1 | 0
0 0 0 | 0 0 0 0 | 0
As, x1 = x3 , x2 = x3 , un vector caracteristico es:
v1 = (1, 1, 1)
comprobacon:

2 3 1 1 1 6
2 1 3 1 = (6) 1 = 6
1 3 2 1 1 6
Para 2 = 2 se tiene [A + 2I]v = 0

4 3 1 x1 0
[A + 2I]v = 2 3 3 x2 = 0
1 3 4 x3 0
Reduciendo:

4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 3 1 | 0
2 3 3 | 0 0 3 5 | 0 0 3 5 | 0 0 3 5 | 0
2 2
1 3 4 | 0 1 3 4 | 0 1 3 4 | 0 0 49 15
4
| 0
126
4 3 1 | 0 4 3 1 | 0 4 3 1 | 0 4 0 4 | 0
0 3 5 | 0 0 3 5 | 0 0 1 53 | 0 0 1 35 | 0
0 3 5 | 0 0 0 0 | 0 0 0 0 | 0 0 0 0 | 0

1 0 1 | 0
0 1 53 | 0
0 0 0 | 0
As, x1 = x3 , 3x2 = 5x3 , un vector caracteristico es:
v2 = (3, 5, 3)
comprobacon:

2 3 1 3 3 6
2 1 3 5 = (2) 5 = 10
1 3 2 3 3 6

1 3 1 x1 0
[A I]v = 2 0 3 x2 = 0
1 3 1 x3 0
Reduciendo:

1 3 1 | 0 2 0 3 | 0 2 0 3 | 0 2 0 3 | 0
2 0 3 | 0 1 3 1 | 0 0 3 1 | 0 0 6 1 | 0
2
1 3 1 | 0 1 3 1 | 0 1 3 1 | 0 1 3 1 | 0

2 0 3 | 0 2 0 3 | 0 2 0 3 | 0 2 0 3 | 0
0 6 1 | 0 0 6 1 | 0 0 6 1 | 0 0 1 1 | 0
6
0 3 12 | 0 0 6 1 | 0 0 0 0 | 0 0 0 0 | 0
1 0 23 | 0

0 1 1 | 0
6
0 0 0 | 0
As, 2x1 = 3x3 , 6x2 = x3 , un vector caracteristico es:
v3 = (9, 1, 6)
comprobacon:

2 3 1 9 9 9
2 1 3 1 = (1) 1 = 1
1 3 2 6 6 6

1 3 9
B = 1 5 1
1 3 6
11 15 7

40 40 20
B 1 = 1
24
5
40 1
12

1 1
15 0 15
11 15 7

40 40 20
2 3 1 1 3 9
1 5 1
B 1 AB = 24
40 12
2 1 3 1 5 1
1 1
15 0 15
1 3 2 1 3 6
33 27 21

20 12 10
1 3 9
1 1 1
= 12 4
6 1 5 1 .
1 1
15 0 15
1 3 6

6 0 0
= 0 2 0
0 0 1
10. Diagonalizar la matriz que se da a continuacion.

1 2 1
A= 1 0 1
4 4 5
Sea:

1 2 1

det(A I) = det 1
lambda 1

4 4 5
= 3 + 62 11 + 6
= (3 62 + 11 6)
= ( 3)( 2)( 1)
128
1 = 3 , 2 = 2 y 3 = 1

2 2 1 x1 0
[A 6I]v = 1 3 1 x2 = 0
4 4 2 x3 0
Reduciendo:

2 2 1 | 0 4 4 2 | 0 4 4 2 | 0 2 2 1 | 0
1 3 1 | 0 1 3 1 | 0 0 2 1 | 0 0 2 1
| 0
2 2
4 4 2 | 0 2 2 1 | 0 2 2 1 | 0 2 2 1 | 0

2 2 1 | 0 2 2 1 | 0 2 2 1 | 0 2 2 1 | 0
0 4 1 | 0 0 4 1 | 0 0 4 1 | 0 0 1 14 | 0
2 2 1 | 0 2 2 1 | 0 0 0 0 | 0 0 0 0 | 0
0 21 | 0 1 0 14 |

2 0
0 1 14 | 0 0 1 41 | 0
0 0 0 | 0 0 0 0 | 0
v1 = (1, 1, 4)
comprobacon:

1 2 1 1 1 3
1 0 1 1 = (3) 1 = 3
4 4 5 4 4 12

1 2 1 x1 0
[A 2I]v = 1 2 1 x2 = 0
4 4 3 x3 0
Reduciendo:

1 2 1 | 0 4 4 3 | 0 4 4 3 | 0 4 4 3 | 0
1 2 1 | 0 1 2 1 | 0 0 1 1 | 0 0 4 1 | 0
4
4 4 3 | 0 1 2 1 | 0 1 2 1 | 0 1 2 1 | 0

4 4 3 | 0 4 4 3 | 0 4 4 3 | 0 4 4 3 | 0
0 4 1 | 0 0 4 1 | 0 0 4 1 | 0 0 4 1 | 0
1 2 1 | 0 0 1 14 | 0 0 4 1 | 0 0 0 0 | 0
1

4 4 3 | 0 4 0 2 | 0 1 0 2
| 0
0 1 1 | 0 0 1 1
4 | 0 0 1 14 | 0
4
0 0 0 | 0 0 0 0 | 0 0 0 0 | 0
v2 = (2, 1, 4)
comprobacon:

1 2 1 2 2 4
1 0 1 1 = (2) 1 = 2
4 4 5 4 4 8

0 2 1 x1 0
[A I]v = 1 1 1 x2 = 0
4 4 4 x3 0
Reduciendo:

0 2 1 | 0 4 4 4 | 0 4 4 4 | 0 1 1 1 | 0
1 1 1 | 0 1 1 1 | 0 0 0 0 | 0 0 0 0 | 0
4 4 4 | 0 0 2 1 | 0 0 2 1 | 0 0 2 1 | 0
1 0 21 | 0

1 1 1 | 0 1 1 1 | 0
0 2 1 | 0 0 1 1 | 0 0 1 1 | 0
2 2
0 0 0 | 0 0 0 0 | 0 0 0 0 | 0
v3 = (1, 1, 2)
130
comprobacon:

1 2 1 1 1 1
1 0 1 1 = (1) 1 = 1
4 4 5 2 2 2

1 2 1
B= 1 1 1
4 4 2
1

1 0 2
B 1 = 1 1 0
0 2 12
1

1 0 2
1 2 1 1 2 1
B 1 AB = 1 1 0 1 0 1 1 1 1
1
0 2 2 4 4 5 4 4 2
3
3 0 2
1 2 1
= 2 2 0 1 1 1 .
1
0 2 2 4 4 2

3 0 0
= 0 2 0
0 0 1

Diagonalizar una matriz A es de gran importancia en el Algebra Lineal, debido a que se
cumple lo siguiente:
A = BDB 1 .
Donde la matriz D es aquella matriz que tiene en su diagonal los valores propios de la matriz
A. Usando este hecho se tiene que
An = B 1 Dn B
facilitando mucho el calculo de las potencias de A, dado que siendo una matriz diagonal, el
calculo de su pesima potencia es simple. Por ejemplo, si

a 0 0
D= 0 b 0
0 0 c
,
entonces

an 0 0
D n = 0 bn 0
0 0 cn
.
Lo anterior vale para toda matriz diagonal n n.

No solo pueden calcularse potencias de una matriz, tambien puede calcularse la exponen-
cial de la matriz A como:
eA = BeD B 1 .
132
Bibliografa
[1] Garza Olvera Benjamn: Aritmetica y algebra. Matematicas I. Direccion General de Edu-
cacion Tecnologica Industrial. Mexico (1997).

[2] Grossman S.I.: Algebra lineal. 6ta ed. Mc Graw Hill, Mexico (2008).
134

Rai Z Algebra

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Rai Z Algebra

Transféré par

Droits d'auteur :

Formats disponibles

Guia de Estudio para la Experiencia Educativa

de Algebra de la Facultad de Ingeniera de la

Escobedo Trujillo Beatris Adriana

Francisco Alejandro Alaffita Hernandez

2. Polinomios y races de ecuaciones segundo y tercer grado 3

4. Matrices y Sistemas de Ecuaciones. 39

5.1.3. Generador de un espacio vectorial. . . . . . . . . . . . . . . . . . . . 69

Polinomios y races de ecuaciones

En el presente captulo mostraremos como hacer operaciones aritmeticas con polinomios.

2.1. Polinomios: suma, resta, multiplicaci

P (x) = 3x5 + 2x4 5x3 + x2 1.

P (x) + G(x) = (3x5 + 2x4 5x3 + x2 1) + (x5 + x4 + 6x3 + 2x2 + 3)

Si ahora se restan obtenemos

P (x) G(x) = (3x5 + 2x4 5x3 + x2 1) (x5 + x4 + 6x3 + 2x2 + 3)

Definici on 2.1.3 Los polinomios se multiplican elemento a elemento tomando en conside-

2. Dividir el polinomio 13 x4 21 x2 + x + 1 entre 2x2 + 3x 1.

3. Dividir el polinomio 32 x5 + 12 x3 + 2x + 5 entre 2x4 + 3x3 + 2x 1.

5. Dividir el polinomio x5 4x4 + 5x3 x2 + 7x + 9 entre 2x5 + x4 + 7x2 + 3x + 10.

1. Dividir P (x) = x3 3x2 + 2x entre x 2 y encontrar P (2).

P (2) = (2)3 3(2)2 + 2(2) = 8 12 + 4 = 0.

P (1) = 2(1)3 (1)2 + 1 + 4 = 2 1 + 1 + 4 = 6.

3. Dividir P (x) = 5x4 x3 + 6x2 + 2x + 7 entre x + 2 y encontrar P (2).

5x3 11x2 + 28x 54

P (2) = 5(2)4 (2)3 + 6(2)2 + 2(2) + 7 = 80 + 8 + 24 4 + 7 = 115.

Cociente= x4 3x3 + 14x2 42x + 131.

9. 4x4 3x3 7x2 9x 4, x 5.

10. 6x4 + 7x3 + 2x2 + 4x + 3, x + 4.

11. 3x4 + 5x3 x2 + x 3, x 1.

12. 2x4 2x3 + 6x2 4x + 4, x + 2.

13. 5x5 + x4 2x3 + 7x2 2x 5, x + 3.

14. 4x5 3x4 + 9x3 3x2 6x 3, x 2.

15. 9x5 x4 + 8x3 2x2 x + 7, x 1.

16. 10x5 + 2x4 + 4x3 3x2 4x 3, x + 1.

20. 3x5 15x3 9x, x 3.

21. 9x4 + 7x2 4, x 31 .

22. 4x3 + 2x2 + x 3, x + 12 .

26. 7x6 8x3 x, x 1.

27. 2x5 + 55x2 , x + 3.

28. 3x4 10x2 1, x 2.

29. x3 2ax2 + 7a2 x 8a3 , x + a.

30. 4x3 5ax2 3a2 x 8a3 , x 2a.

31. 7x4 + 3ax3 + 5a2 x2 + 3a3 x + 4a4 , x + a.

32. x5 8a2 x3 + 8x2 + 7a2 , x + 2a.

1. x3 4x2 10x + k; x + 2; residuo 2.

3. 3x3 2x2 + kx 8; x + 1; residuo 3.

4. 4x3 + 6x2 + kx + 2; x 1; residuo 4.

5. x3 + 2kx2 + 2kx 20; x 2; residuo 4.

6. x3 + 3kx2 (k + 6)x 19; x + 3; residuo 5.

7. 2x3 5kx2 (k 2 k)x 3k 12; x k; residuo 4.

8. 3x4 + (k + 1)x3 + kx2 kx + 6k 8; x + k; residuo 0.

La factorizacion de los polinomios de grado 2 depende de la forma del polinomio dado,

2. Para factorizar un polinomio de la forma x2 + bx + c se buscan dos n umeros que al

x2 + bx + c = (x + d)(x + e) = x2 + xe + xd + de = x2 + (d + e)x + de.

Para que la igualdad anterior se cumpla es necesario que b = d + e y (c=de), de aqu la

P (x) = x2 + 6x + 8 = (x + 4)(x + 2).

3. Para factorizar un polinomio de la forma ax2 + bx + c vamos a suponer que se tiene la

ax2 + bx + c = (ax + d)(x + e) = ax2 + axe + xd + de = ax2 + (d + ae)x + de.

Para que la igualdad anterior sea valida se necesita que b = d + ae y (c=de). De

P (x) = 2x2 x 10 = (2x 5)(x + 2).

Ejercicios 2.1.11 Factorizar los siguientes polinomios cuadraticos.

P (x) = Q(x)C(x) + R(x).

donde C(x) es el cociente y R(x) es el residuo. En otras palabras,

polinomio = (divisor)(cociente) + residuo. (2.1)