Notasalgebra PDF

noma
Universidad Nacional Auto

de Mexico
Facultad de Ciencias

ALGEBRA PARA LA FISICA
REPORTE DE
ACTIVIDAD DOCENTE
QUE PARA OBTENER EL TITULO DE:
tico
Matema
P R E S E N T A:
MARCO ANTONIO ACEVEDO CARDONA

M. EN C. ERICK JAVIER LOPEZ
SANCHEZ
2013
ii
Agradecimientos
Agradezco de manera especial a mi director de este libro, Dr. Erick Javier

Lopez Sanchez, por el apoyo y las ensenanzas, por su paciencia al explicarme la
misma cosa hasta que las entend, sin molestarse ni quejarse; por el apoyo durante
la realizacion de este material.
A mis sinodales, el Mat. Julio Cesar Guevara Bravo, el M. en C. Jose Antonio
Gomez Ortega, el Mat. Antonio Garca Flores y el M. en C. Sergio Hernandez
Zapata, por la revision, comentarios y sugerencias que enriquecieron el libro.
No puedo dejar de agradecer a mis papas, Jose Luis y Norma, por el apoyo
moral y economico que sin condiciones me otorgaron durante toda la licenciatura.
A toda mi familia Luis Guillermo y Oscar Eduardo.
A la Dra. Bibiana Obregon, que siempre ha credo en mi y por su valiosa
amistad que me ha brindado en tiempos difciles.
A mis amigos, Alberto, Ernesto, Odn, Ricardo, Beatriz y Elisa, por sus co-
mentarios oportunos de algunos ejercicios descritos en este material.
Este trabajo no habra sido posible sin el apoyo de Esther Anahi, con su
apoyo, preguntas sobre LATEX, ideas de redaccion y de demostraciones, fueron de
gran ayuda, gracias!
Por ultimo a mis amigos que laboran en el Instituto de Biologa, Daniel Juarez,
Daniel Perez y Oscar Hernandez; que siempre me han alentado y brindado su
apoyo en lo laboral y academico.
iii
iv
Introducci
on
Generalmente los alumnos que ingresan a la universidad y en particular a ca-

rreras de ciencias basicas como Fsica, llegan con deficiencias en Matematicas,

mas especficamente en Algebra. Los estudiantes de la licenciatura en Fsica se
encuentran con el problema de que los libros y/o materiales didacticos existen-
tes para la ense
nanza del Algebra tienden a ser muy generales, ya que presentan
resultados con demostraciones que omiten algunos pasos que los autores los con-
sideran obvios, e incluyen pocos ejemplos ilustrativos, por lo que los alumnos se
desesperan, se decepcionan y llegan a abandonar la materia o/y la reprueban.
El objetivo de este trabajo es presentar un texto de apoyo en el cual se explican
detalladamente los procesos de demostracion, por mas sencillas que parezcan, para
facilitar el entendimiento sobre los mecanismos mediante los cuales se demuestran
resultados, lo que le sera u
til al alumno para el estudio de otras materias incluidas
en el tronco com un de la Facultad de Ciencias de la UNAM.
Desafortunadamente el plan de estudios 2002 de Fsica no contempla las asig-

naturas de Algebra Superior I y II que s contemplaba el plan 1968. En lugar de
ello, se propuso mezclar algunos de los temas de las dos asignaturas en una sola,

a la cual se le llamo simplemente Algebra. En esta nueva asignatura, los temas
contemplados no satisfacen plenamente los requerimientos que se necesitan en ma-
terias de semestres posteriores. El material presentado en las dos asignaturas de
Algebra
Superior es mas completo que el de Algebra y s llega a satisfacer dichos
requerimientos. Entre los temas que se suprimieron en la nueva materia esta el
de vectores y sus propiedades, necesarios para un mejor entendimiento y desem-
pe
no del estudiante en el Algebra Lineal, asignatura en la cual los profesores que
la imparten, inician suponiendo que los alumnos tienen pleno conocimiento de
los espacios vectoriales; tema fundamental para el estudio del producto tensorial.
Tambien estas definiciones son de gran ayuda para entender los temas presen-
tados en materias posteriores propias de la Fsica, tales como Mecanica Clasica
(por ejemplo, en la segunda ley de Newton F = m a, cuando la masa m no es ho-
mogenea), Mecanica de Fluidos (tensor de esfuerzos, ecuaciones de Navier-Stokes,
etc.), Electromagnetismo (ecuaciones de Maxwell) o Mecanica Cuantica (opera-
v
vi
dores, espacios duales, etc.). Por lo que, sin el tema de los espacios vectoriales, el

temario de Algebra carece de las bases teoricas para la licenciatura de Fsica.

Al escribir estas notas para el curso de Algebra para la carrera de Fsica que se
imparte en la Facultad de Ciencias de la UNAM, tuve en mente los objetivos de
cubrir el temario de la materia poniendo ejemplos tanto numericos como aplicados
a la Fsica y desglosando algunas demostraciones que se presentan.
As que propuse ejercicios para que el estudiante al terminar cada seccion,
pueda aplicar las definiciones y/o los teoremas anteriormente expuestos para re-
solverlos.
Decid incluir Espacios Vectoriales porque es un tema muy importante en la

Fsica, ademas en los cursos de Algebra Lineal I y II suele omitirse; en ocasiones
por la falta de tiempo y por lo extenso del temario, o bien, porque el profesor

suele darlo por visto, ya que debio verse en materias mas basicas como Algebra

Superior; y en las materias de Algebra Superior I y II es parte del sus temarios
pero no profundizan con el pretexto de que lo veran mas adelante en Algebra
Lineal.
El conjunto de las matrices, el conjunto de soluciones a los sistemas de ecua-
ciones lineales, el conjunto de los n umeros complejos y el de los polinomios, son
ejemplos de espacios vectoriales. Este enfoque es gracias al captulo de Espacios
Vectoriales. As, el estudiante podra observar que los vectores no son solo puntos
en Rn .
En mi experiencia, los estudiantes suelen tener complicaciones en el tema de
Funciones, que tambien se ven en otras materias como Calculo Diferencial y Geo-
metra Analtica. As que en este trabajo se exponen como relaciones entre con-
juntos de n umeros, se analizan y se muestra su clasificacion tratando de que se
vea la utilidad de entender conceptos como inyectividad, suprayectividad, etc., en
Fsica. Por ejemplo, la funcion exponencial tiene su dominio en todos los reales, sin
embargo, en un problema de decaimiento radiactivo el dominio real es el tiempo
cero, que indica el momento en el que se empezo a medir la actividad radiactiva
del elemento. As que el dominio fsico sera de cero a infinito.
En ese mismo ejemplo, la imagen de la funcion exponencial es en realidad
los reales positivos, o lo que es lo mismo, el intervalo abierto: (0, ). Pero con
la restriccion anterior, la funcion se convierte en no suprayectiva si la imagen se
restringe al intervalo (0, A], donde A es la actividad medida al tiempo cero. Esa
no suprayectividad puede ser removida al redefinirse el codominio como la imagen.
Algunos ejemplos que explique, estan relacionados con el Calculo Diferencial e
Integral I; la cual es uno de los cursos que se imparte en la Facultad de Ciencias,

con el fin de que el estudiante vea la relacion del Algebra con otras materias o
areas. Por ejemplo, con el tema de Aproximacion de Races se trata de relacionar
una aplicacion de polinomios en computacion, ya que se puede utilizar una compu-
vii
tadora para realizar los calculos, que aveces se complican. Pero estos ejemplos no
requieren un conocimiento extenso sobre estas materias o areas.

Para muchos estudiantes el curso de Algebra constituye uno de sus primeros
cursos de matematicas reales, as que como parte de la formacion, en el mis-
mo material didactico se solicita a los estudiantes que no solo realicen calculos
matematicos, sino tambien que desarrollen demostraciones, con tecnicas como la
induccion matematica por ejemplo, tecnicas por construccion o directas. En estas
notas tambien intente alcanzar un equilibrio entre la practica y la teora.
Inclu una pequena seccion de Calculo Combinatorio, para ser mas especfico,
Permutaciones, la cual lo utilice para dar la definicion formal de la funcion deter-
minante. Con esto pretendo que el formalismo expuesto ayude al estudiante, ya
que al momento de que el escribe las respuestas en un examen suele dar muchas
vueltas. Sin embargo se puede omitir la seccion de Permutaciones, y se podra op-
tar por mostrar una definicion equivalente del determinante, como por ejemplo,
el desarrollo por menores, tomando como base el determinante de una matriz de
2 2.

Decid escribir estas notas para cubrir el temario de Algebra y para que el
estudiante tenga un material de consulta y apoyo. Este material podra ser u til a
otros profesores de la Facultad de Ciencias que imparten el curso.

Este trabajo se podran utilizar como base para los cursos de Algebra Superior
I y II, completandolo al agregar los temas faltantes para estos cursos.
En cada captulo, las definiciones, los ejemplos, los teoremas y algunas ecua-
ciones estan numeradas consecutivamente a partir del n umero 1. Las referencias
a los mismos; fuera o dentro del captulo, se llevan a cabo por la notacion c.#,
donde c es el captulo correspondiente y # es el lugar que ocupa en la numeracion
respectiva en el captulo c. De esta forma, el ejemplo 2 del captulo 3 tiene la nu-
meracion 3.2. Ademas en la version digital, cada referencia (definicion, teorema,
ejemplo, etc.) tiene una liga para que con un clic se vaya a la pagina en donde se
encuentra enumerada dicha referencia.
El enfoque que utilice al hacer el trabajo pretende ser de un aprendizaje gra-
dual, es decir, los dos primeros captulos tienen los conceptos basicos que se van
utilizando en los captulos posteriores. Tambien, por ejemplo, para resolver un
sistemas de ecuaciones son necesarios los captulos de matrices y determinantes,
los cuales tienen las definiciones y teoremas requeridos para los sistemas de ecua-
ciones. As mismo para el captulo de polinomios se necesita el captulo de los
numeros complejos.
Como en la mayora de los textos, la notacion en las definiciones, teoremas,
proposiciones, etc., la he resaltado con el fin de atraer la atencion del estudiante
y que este sea capaz de recordarla con mayor facilidad. Ademas, en el captulo
de sistemas de ecuaciones desarrolle una notacion para referirme a las ecuaciones
viii
lineales (en ), a los sistemas de ecuaciones (Em,n ) y los homogeneos (Hm,n ), entre
otros (la notacion se explica en el apartado en el que se empieza a usar).
Indice general
1. Conjuntos 1
1.1. Notacion de conjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Subconjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Operaciones y propiedades . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Conjunto potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Funciones 11
2.1. Relaciones entre conjuntos . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Composicion de funciones . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Funciones inyectivas, suprayectivas y biyectivas . . . . . . . . . . . . 19
2.5. Funciones invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6. Cardinalidad de un conjunto . . . . . . . . . . . . . . . . . . . . . . . 24
2.7. Conjuntos finitos e infinitos . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8. Funciones entre conjuntos finitos . . . . . . . . . . . . . . . . . . . . 26
2.9. Induccion matematica . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3. Espacios Vectoriales 35
3.1. Definiciones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2. Subespacio vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3. Generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4. Bases y Dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4. Matrices 57
4.1. Definicion y operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2. La matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3. Matrices especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.4. Operaciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5. Matrices equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.6. Forma escalonada reducida . . . . . . . . . . . . . . . . . . . . . . . . 66
ix
x INDICE GENERAL
4.7. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.8. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.9. Matrices invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.10. Calculo de la inversa de una matriz . . . . . . . . . . . . . . . . . . . 74
5. Determinantes 81
5.1. El determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1.1. Definicion y propiedades . . . . . . . . . . . . . . . . . . . . . 84
5.2. Calculo de determinantes . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3. Calculo de la inversa de una matriz . . . . . . . . . . . . . . . . . . . 97
6. Sistemas de ecuaciones lineales 101

6.1. Definiciones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.2. Soluciones de un sistema . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.3. Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6.4. Sistemas homogeneos . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.4.1. El espacio de soluciones . . . . . . . . . . . . . . . . . . . . . 110
6.5. Sistemas no homogeneos . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.6. Criterios de existencia de soluciones . . . . . . . . . . . . . . . . . . 115
6.7. Resolucion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.8. La regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7. Numeros complejos 131

7.1. El campo de los complejos . . . . . . . . . . . . . . . . . . . . . . . . 132
7.2. El conjugado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.3. El modulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.4. Ecuaciones de segundo grado . . . . . . . . . . . . . . . . . . . . . . . 141
7.5. Representacion polar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7.6. Teorema de Moivre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
7.7. Races de n
umeros complejos . . . . . . . . . . . . . . . . . . . . . . . 146
8. Polinomios 151
8.1. Los polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2. Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3. El algoritmos de la division . . . . . . . . . . . . . . . . . . . . . . . . 154
8.4. Teorema del residuo y del factor . . . . . . . . . . . . . . . . . . . . . 155
8.5. Division sintetica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.6. Races de polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.7. Factorizacion de polinomios . . . . . . . . . . . . . . . . . . . . . . . 160
8.8. Aproximacion de races . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Captulo 1
Conjuntos
El concepto de conjunto como objeto abstracto no se comenzo a emplear en

matematicas sino hasta el siglo XIX, a medida que se despejaban las dudas sobre
la nocion de infinito. En los trabajos de Bernard Bolzano y Bernhard Riemann se
comenzo a tener ideas relacionadas con una vision conjuntista en la matematica.
Las contribuciones de Richard Dedekind al algebra estaban formuladas en termi-
nos de conjuntos, que a un prevalecen en la matematica moderna; por ejemplo, en
las relaciones de equivalencia, particiones, funciones, etc., y el mismo explico las
hipotesis y operaciones relativas a conjuntos que necesito en su trabajo. As, en
este captulo desarrollaremos las operaciones que Dedekind desarrollo.
La teora de conjuntos como disciplina independiente se atribuye usualmente
a Georg Cantor. [Eug52]
1.1. Notaci
on de conjunto
Definicion 1.1 (Conjunto y elementos). Un conjunto es una lista, coleccion o una
clase de objetos que estan bien definidos. A los objetos les llamaremos elementos
del conjunto. Ademas denotaremos a los conjuntos con letras may usculas, y a sus
elementos (cuando estos sean letras) con min usculas.
Definici
on 1.2 (Pertenencia). Diremos que un elemento x pertenece a un con-
junto A si este esta en el conjunto, y lo denotaremos x A. De lo contrario
diremos que x no pertenece a A, denotado por x A.
Ejemplo 1.3. A = {a, e, i, o, u}, B = {las personas que viven en la tierra}, N =

umeros naturales1 , Z = los n
los n umeros enteros, Q = los n
umeros racionales, R =
1
Aqu N = {0, 1, 2, . . . }
1
2 CAPITULO 1. CONJUNTOS
umeros reales y C = los n

los n umeros complejos, son ejemplos de conjuntos. Se
puede encontrar o construir una infinidad de conjuntos.
Definicion 1.4 (Extension y comprension). Diremos que un conjunto A esta de-
finido de manera extensiva si lista a todos sus elementos explcitamente, o bien,
diremos que esta definido de manera comprensiva si se especifica una propiedad
que todos sus elementos poseen.
Ejemplo 1.5. Sea A = {2, 4, 6, 8} un conjunto, el cual esta definido de ma-
nera extensiva, pero a su vez, tambien podemos definirlo como sigue, A = {n
N n es par y n 8}, y de esta forma decimos que esta en su forma comprensiva.
Observaci on 1.6. Cualquier coleccion es un conjunto? Para contestar a la pre-
gunta hagamos el siguiente razonamiento.
Sea C el conjunto de todos los conjuntos que no pertenecen a s mismos. La
pregunta es: C C?
Supongamos que la respuesta es s. Si C pertenece a C (C C), entonces C
pertenece a s mismo; por lo tanto no puede estar en C, que esta definido como
el conjunto de conjuntos que no estan en s mismos, por lo tanto C C.
Por otro lado, supongamos que la respuesta es no, es decir, C no pertenece a C
(C C), entonces C no esta en s mismo, por lo tanto debe pertenecer al conjunto
de los conjuntos que no estan en s mismos, es decir, a C, por lo que C C, y es
una contradiccion.
En este sentido el conjunto C no tiene elementos bien definidos, por lo que no
cumple con la Definicion 1.1.
Por lo tanto no cualquier coleccion es un conjunto.
1.2. Subconjunto
Definici on 1.7 (Subconjunto). Sean A, B dos conjuntos. Diremos que B es un
subconjunto de A (denotado por B A), si cada elemento x B tambien x A.
Si existe al menos un elemento de B que no pertenece a A, diremos que B no es
un subconjunto de A (denotado por B A).
Ejemplo 1.8. Sean A = {1, 3, 5}, B = {1, 2, 3, 4, 5}. Entonces utilizando la
Definicion 1.7 tenemos que A B. Sabemos tambien que N Z y al igual que
R C.
Definici
on 1.9 (El conjunto vaco). El conjunto que no contiene elementos es
llamado vaco. Lo denotaremos con = {}.
Teorema 1.10. El conjunto vaco es un subconjunto de cualquier conjunto.
1.3. OPERACIONES Y PROPIEDADES 3
Definici
on 1.11 (Igualdad de conjuntos). Sean A, B dos conjuntos. Diremos
que A es igual a B (denotada por A = B) si y solo si A B y B A.
on 1.12 (Subconjunto propio). Sean A, B . Diremos que B es un
Definici
subconjunto propio de A (denotado por B A), si B es un subconjunto de A y
B no es igual a A.
Definici on 1.13 (Conjunto finito e infinito). Sea A . Diremos que A es finito
si el numero de elementos es igual a n N, de lo contrario diremos que A es
infinito.
Esta definicion es provisional, ya que en el Captulo 2 se dara una mas formal.
Ejemplo 1.14. Sea A = {los das de la semana} y B = {x N x es par} Cual de
los conjuntos es finito y cual es infinito?.
Solucion de 1.14: Si contamos el n umero de elementos de A, resulta que hay 7
elementos, por lo que A es un conjunto finito.
Ahora si suponemos que B es finito. Entonces podemos decir que existe k N
umero mayor2 de B es de la forma 2k, pero como k + 1 N entonces
tal que el n
2(k + 1) es par, pero 2(k + 1) B, lo cual es una contradiccion. Por lo tanto B es
infinito.
1.3. Operaciones y propiedades

En esta seccion daremos las operaciones basicas sobre los conjuntos y sus
propiedades.
Definicion 1.15 (Union de dos conjuntos). Sean A, B conjuntos. Diremos que la
union de A y B (denotada por A B) es el conjunto cuyos elementos pertenecen
a A o B, en otras palabras, A B = {x x A o x B}.
Proposici on 1.16 (Propiedades de la union). Sean A, B y C conjuntos. La
operacion union cumple las siguientes propiedades:
1. A A B y B A B.
2. A B = B A (conmutatividad).
3. (A B) C = A (B C) (asociatividad).
2
Si a y b son n
umeros enteros, decimos que a es mayor que b (b a) si a b es un n
umero
natural.
Definicion 1.17 (Interseccion de dos conjuntos). Sean A, B conjuntos. Diremos

que la interseccion de A y B (denotada por AB) es el conjunto cuyos elementos
pertenecen a A y B, en otras palabras, A B = {x x A y x B}.
De manera similar a la union de conjuntos, la interseccion tiene las siguientes
propiedades.
Proposici on 1.18 (Propiedades de la interseccion). Sean A, B y C conjuntos.
La operacion interseccion cumple las siguientes propiedades:
1. A B A y A B B.
2. A B = B A (conmutatividad).
3. (A B) C = A (B C) (asociatividad).
Definicion 1.19 (Conjuntos ajenos). Sean A, B conjuntos. Diremos que son
un, es decir, si A B = entonces A y B
ajenos si no tiene elementos en com
son ajenos.
Proposicion 1.20. Sean A, B y C conjuntos. Si B A y C A entonces
(B C) A.
Demostracion. Sea x (B C). Utilizando la Definicion 1.7 debemos llegar a que
x A. As que por definicion tenemos que x B o x C. Si x B entonces x A
porque B A. Si x C entonces x A porque C A. Por lo tanto (B C) A.
La Proposicion 1.20 se puede esquematizar con el diagrama de Venn mostrado
en la Figura 1.1.
Figura 1.1: Esquematizacion de la Proposicion 1.20.
on 1.21. Sean A, B y C conjuntos. Si A B y A C entonces

Proposici
A (B C).
Demostracion. Sea x A, entonces x B ya que A B, ademas x C porque

A C, lo que nos lleva a que x B y x C, por la Definicion 1.17 tenemos que
x (B C). Por lo tanto A (B C).
La Proposicion 1.21 tambien se puede esquematizar con el diagrama mostrado

en la Figura 1.2.
Figura 1.2: Esquematizacion de la Proposicion 1.21.
Proposici on 1.22 (Distribucion de la union e interseccion). Sean A, B y C

conjuntos. Entonces se cumplen las siguientes propiedades:
1. A (B C) = (A B) (A C).
2. A (B C) = (A B) (A C).
Demostracion. La idea para la demostracion de este inciso es probar la doble

contencion, es decir, para 1, que A(BC) (AB)(AC) y (AB)(AC)
A (B C) y por la Definicion 1.11 tendremos la igualdad.
1. ). Sea x (A (B C)), entonces x A y x (B C), pero por definicion

x B o x C, con esto tenemos dos casos:
a) Si x B y x A entonces x (A B). Luego x ((A B) (cualquier

conjunto)), en particular con (AC) tenemos que x ((AB)(AC)).
b) Si x C y como x A entonces x (AC). Luego x ((AC)(cualquier
conjunto)), en particular con (AB) tenemos que x ((AB)(AC)).
Por lo tanto (A (B C)) (A B) (A C).

). Del inciso 1 de la Proposicion 1.18 tenemos que (AB) A y (AC) A;
y aplicando la Proposicion 1.20 tenemos que (A B) (A C) A. Por otro
lado, (A B) B, y en general, (A B) (B (cualquier conjunto));
en particular para el conjunto C, es decir, (A B) (B C), y de igual
manera (A C) C, y en general (A C) (B C); por lo que tenemos

(A B) (A C) A y (A B) (A C) (B C), as aplicando la
Proposicion 1.21, tenemos que (A B) (A C) (A (B C)).
Por lo tanto A (B C) = (A B) (A C).
2. Dado que la demostracion es muy similar a la del inciso anterior, se queda
como ejercicios para el estudiante.
Definici
on 1.23 (Complemento de un conjunto). Sea X el conjunto universal y
sea A un conjunto. Diremos que el complemento de A (denotado por Ac ), es el
conjunto de todos los elementos x X y x A; es decir, Ac = {x x X y x
A}.
Notemos que el complemento de un conjunto se define respecto a un conjunto
universal del cual se estan tomando los conjuntos, en este caso, el conjunto A. Esto
es, que el conjunto X contiene a cualquier conjunto, en particular al conjunto A,
es decir, A X.
Proposicion 1.24 (Propiedades del complemento). Sea A un conjunto, X el
conjunto universal, entonces se cumplen las siguientes propiedades:
1. (Ac )c = A. 2. A Ac = X. 3. A Ac = .
Demostracion. 1. Por demostrar (Ac )c = A. Sea x (Ac )c si y solo si x Ac

por definicion de complemento, si solo si x A por definicion de pertenencia.
Por lo tanto (Ac )c = A.
2. Por demostrar A Ac = X. La demostracion se deja al estudiante, y solo
debe utilizar la definicion de complemento y union de conjuntos.
3. Por demostrar A Ac = . Sea x A Ac entonces x A y x Ac por
definicion de interseccion, pero esto nos lleva a una contradiccion, con lo
que podemos concluir que x . Por lo tanto A Ac . Ademas A Ac
por la definicion.
Ahora, teniendo ya las operaciones de union, interseccion de conjuntos y el

complemento, podemos unir estas operaciones y obtener una proposicion, que se
utiliza para muchos conceptos del algebra.
Proposicion 1.25 (Leyes de DMorgan). Sean A y B conjuntos. Entonces se
cumplen las siguientes propiedades:
1. (A B)c = Ac B c . 2. (A B)c = Ac B c .
Demostracion. La demostracion la haremos por doble contencion, para poder usar

la Definicion 1.11.
1. ). Sea x (Ac B c ), entonces x Ac y x B c por la Definicion 1.17,

entonces x A o x B por la Definicion 1.23, entonces x (A B) por la
ltimo tenemos que x (A B)c por la Definicion
Definicion 1.15, y por u
1.23.
). Ahora, sabemos que A A B y que B A B por la Proposicion 1.16,
entonces (A B)c Ac y (A B)c B c (la demostracion de estas conse-
cuencias es sencilla, por lo que se queda como ejercicio para el estudiante),
aplicando la Proposicion 1.21 tenemos que (A B)c (Ac B c ).
Por lo tanto (A B)c = Ac B c .
2. Demostrar que dos conjuntos son iguales se puede hacer no solo por doble
contencion, se puede hacer utilizando las proposiciones ya vistas. La demos-
tracion de este inciso se queda como ejercicio para el estudiante.
Definicion 1.26 (Diferencia entre conjuntos). Sean A, B conjuntos. Diremos que

la diferencia entre A y B (denotada por A B) es el conjunto cuyos elementos
x tales que x A y x B; es decir, A B = {x x A y x B}.
Observaci on 1.27. Notemos que el orden en como se escriben los conjuntos

influye en el resultado, esto es, que la diferencia entre conjuntos no es conmutativa.
En otras palabras A B B A. El estudiante puede verificar que esto pasa
utilizando la definicion.
Observacion 1.28. Notemos que si utilizamos la Definicion 1.23 en la Definicion

1.26 tenemos que A B = A B c . Esto es muy u
til en la siguiente proposicion.
on 1.29. Sean A, B y C conjuntos. Entonces A (B C) = (A B)

Proposici
(A C).
La demostracion se efectuara por medio de igualdades de conjuntos, dado que

las proposiciones que se utilizaran ya fueron demostradas por doble contencion.
Pero tambien se puede hacer la demostracion usando la doble contencion.
Demostracion. Sean A, B y C conjuntos.

A (B C) = A (B C)c Definicion 1.28.
= A (B c C c ) Proposicion 1.25.
= (A B c ) (A C c ) Proposicion 1.22.
= (A B) (A C) Definicion 1.26.
Por lo tanto se vale la igualdad.
Ejercicios
1. De tres conjuntos cualesquiera y muestre que la Proposicion 1.25 se vale con
los conjuntos dados.
2. De conjuntos cualesquiera y obtenga los conjuntos de acuerdo a las opera-
ciones definidas.
3. Demuestre que la Observacion 1.29 se cumple. Hint: demuestre la doble
contencion.
1.4. Conjunto potencia

Definici
on 1.30 (Conjunto potencia). Sea A un conjunto. El conjunto potencia
de A (denotado por P (A) o bien, 2A ), es el que esta formado por todos los
subconjuntos posibles de A.
Ejemplo 1.31. Sean A = {a, b} y B = {1, 2, 3}.
Entonces
P (A) = {{a, b}, {a}, {b}, }.
Y para B
P (B) = {{1, 2, 3}, {1, 2}, {1, 3}, {2, 3}, {1}, {2}, {3}, }.
Observaci on 1.32. Si A posee n elementos, entonces P (A) tendra 2n elementos.

Pero si es infinito entonces P (A) sera infinito. La demostracion de este hecho se
realizara como un ejemplo de la seccion 2.9 del Captulo 2.
Observaci on 1.33. Del ejemplo 1.31, observamos que A, B son subconjuntos de
sus conjuntos potencia, respectivamente. Esto es porque A = A y por la Definicion
1.11 tenemos que A A; es decir, A es un subconjunto de P (A). Por lo tanto
A P (A).
1.4. CONJUNTO POTENCIA 9
Ejercicios
1. Demostrar el inciso 2 de la Proposicion 1.22.
4. Sean A, B conjuntos. Demostrar que (A B)c Ac . Hint: considere el hecho

de que A (A B).
5. Sean A, B conjuntos. Demostrar que Ac (A B)c . Hint: considere el hecho

de que (A B) A.
6. Calcule el conjunto potencia de A = {1, 2, 3, 4, 5, 6}.

Captulo 2
Funciones
El concepto de funcion como un objeto matematico independiente, capaz de ser

estudiado por s solo, surgio hasta los inicios del calculo en el siglo XVII. Rene Des-
cartes, Isaac Newton y Gottfried Leibniz establecieron la idea de funcion como
una dependencia entre dos cantidades variables. Leibniz en particular creo los
terminos funcion, variable, constante y parametro. La notacion f (x) se
utilizo por primera vez con Clairaut, y por Euler en la obra Commentarii impresa
en San Petersburgo en 1736. [CR96]
2.1. Relaciones entre conjuntos

on 2.1 (Pareja ordenada (Kuratowski)). Sean a y b A. Diremos que
Definici
una pareja formada por los elementos a y b es el conjunto {{a}, {a, b}} = (a, b).
Observaci on 2.2. De la definicion anterior podemos concluir que si dos parejas

son iguales, entonces sus elementos son iguales de acuerdo a sus posiciones; es
decir, si (a, b) = (c, d) entonces a = c y b = d. El estudiante debe ser capaz de
hacer la demostracion.
Ahora con los pares ordenados ya definidas, podemos enunciar ternas ordena-
das o triadas ordenadas de la manera siguiente:
(a, b, c) = ((a, b), c) = (a, (b, c)) = {{a}, {a, b}, {a, b, c}}
y as, se pueden construir las nadas ordenadas.
Observaci on 2.3. Si A = {a, b} entonces (a, b) = {{a}, {a, b}} P (A) y tambien
(b, a) = {{b}, {a, b}} P (A). Ahora bien si B = {x, y, z} entonces (x, y, z) =
{{x}, {x, y}, {x, y, z}} P (B) y as con cualquier triada que se pueda generar.
11
12 CAPITULO 2. FUNCIONES
Por lo que una pareja o triada ordena de un conjunto A es un subconjunto del

conjunto potencia de A.
Ejemplo 2.4. Sean C = {1, 9, 72}, D = {{72}, {72, 1}, {72, 1, 9}} P (C) y
E = {{72}, {9, 1}, {72, 1, 9}} P (C). Que triadas ordenadas son los conjuntos
D y E? D es la triada (72, 1, 9), por definicion. E no es una triada porque ninguno
de estos tres elementos: 72, 1, 9; aparece tres veces en los elementos de E para
definir al primer elemento de la triada, y ninguno aparece solo una vez para definir
al tercer elemento.
Definicion 2.5 (Producto cartesiano). Sean A y B conjuntos. El producto car-
tesiano de A con B (denotadas por A B), es el conjunto de todas las parejas
ordenadas, tales que la primer entrada es un elemento de A y la segunda es un
elemento de B, es decir, AB = {(a, b) a A y b B}. Se denota a AA = A2 .
Observaci on 2.6. As como el conjunto potencia tiene 2n elementos, donde n es el
numero de elementos de un conjunto. El producto cartesiano de A con el mismo
tiene n2 parejas ordenas, el producto A3 tiene n3 parejas, y as sucesivamente,
donde n es el n
umero de elementos de A.
Para mostrar que A2 tiene n2 parejas supongamos que A = {a1 , . . . , an }, en-
tonces las parejas ordena que podemos formar son (a1 , ), . . . , (an , ), y hay n
parejas con a1 como primer elemento, n con a2 como primer elemento, etc.
Entonces, sumando el numero total de las parejas tenemos:
n + + n = n(1 + + 1 ) = n(n) = n2 .

nsumandos
Por lo tanto hay n2 parejas ordenadas.

Ahora para mostrar que hay n3 triadas ordenadas en A3 , utilicemos que una
triada ordenada la podemos definir como (a, (b, c)) = (a, b, c) como ya se haba
dicho y ademas aplicaremos la idea anterior.
Como ya mostramos que hay n2 para A2 entonces tenemos que las triadas que
podemos formar con los elementos de A son (a1 , ( , )), . . . , (an , ( , )), y hay n2
triadas ordenadas con a1 como primer elemento, n2 con a2 como primer elemento,
etc.
As, sumando el n
umero total de las triadas ordenadas tenemos:
n2 + + n2 = n2 (1 + + 1 ) = n2 (n) = n3 .

nsumandos
Por lo tanto hay n3 triadas ordenadas.

Si el conjunto A es infinito, entonces el n
umero de parejas ordenadas tambien
sera infinito.
2.1. RELACIONES ENTRE CONJUNTOS 13
Por ejemplo, sea A = {1, 2}, el A2 tiene 4 parejas ordenas, las cuales son
(1, 1), (1, 2), (2, 1), (2, 2).
Ejemplo 2.7. En este ejemplo veremos un conjunto que es utilizado en otras
areas de las matematicas, el plano cartesiano.
1. Sea A = {1, 2} y B = {a, b, c}, entonces
A B = {(1, a), (1, b), (1, c), (2, a), (2, b), (2, c)}.
2. Sea N el conjunto de los n

umeros naturales, entonces
N N = {(a, b) a, b N} = N2 .
3. Sea R el conjunto de n
umeros reales, entonces
R R = {(a, b) a, b R} = R2 ,
a este conjunto lo definimos como el plano cartesiano.

Definici
on 2.8 (Relacion). Sean A y B conjuntos. Una relacion entre A y B es
un subconjunto R del producto cartesiano A B.
Ejemplo 2.9. En este ejemplo veremos que es lo que sucede cuando uno de los
conjuntos es vaco.
1. Sean A = y B un conjunto cualquiera. Entonces A B = por lo que
nica relacion posible es R = . Esto sucede porque el conjunto vaco no
la u
tiene elementos, si fuera diferente del vaco entonces la Definicion 2.5 no sera
correcta, y ademas porque el vaco es subconjunto de cualquier conjunto.
2. Sean A = {a} y B = {b}. Entonces A B = {(a, b)} con lo que tenemos dos
relaciones, las cuales son R1 = y R2 = {(a, b)}.
3. Sean A = {1, 2} y B = {a, b}. Entonces
A B = {(1, a), (1, b), (2, a), (2, b)}
con lo que hay 16 relaciones posibles entre A y B, cada relacion Ri

P (A B). Como ejercicios, el estudiante debera obtener las 16 relaciones
aqu mencionadas.
4. Sea Z Z. Entonces una relacion del producto cartesiano anterior sera R =
{(m, n) m n es divisible por 3}. Diremos que a se divisible por b, con
a, b Z, si existe k Z tal que a = bk.
on 2.10 (Dominio, codominio e imagen). Sea R A B una relacion.

Definici
El dominio de R (denotado por DR ), es el conjunto de todos los elementos de
A para los que existe un elemento en B de tal forma que (a, b) R; es decir,
DR = {a A b B tal que (a, b) R}.
El codominio (o contradominio) de R (denotado por CR ), es el conjunto B.
La imagen de R (denotado por ImR ), es el conjunto de todos los elementos
de B tales que existe un elemento en A de forma tal que (a, b) R; es decir,
ImR = {b B a A tal que (a, b) R}.
Ejemplo 2.11. Sean A = {a, b} y B = {1, 2, 3}. Sea R = {(a, 1), (a, 3)} una
relacion, entonces el dominio de R es DR = {a} y la imagen ImR = {1, 3}.
on 2.12 (Relacion de equivalencia). Sean R una relacion de A A.
Definici
Diremos que R es de equivalencia si se cumplen:
1. Para todo a A la pareja (a, a) R (reflexiva).
2. Si (a, b) R entonces (b, a) R (simetrica).
3. Si (a, b) y (b, c) R entonces (a, c) R (transitiva).
Ejemplo 2.13. Sean A = N.
1. Sea R = {(x, y) x = y}, R es reflexiva porque x = y, que es lo mismo que
x = x por lo que (x, x) R. Tambien es simetrica porque si (x, y) R
implica que x = y pero y = x con lo que implica que (y, x) R. Y por u
ltimo
es transitiva ya que si (x, y) R y (y, z) R, por una parte implica que
x = y y por la otra y = z con lo que tenemos que x = z, entonces (x, z) R.
Por lo tanto R es de equivalencia.
2. Sea R = {(1, 1), (1, 2), (2, 1), (2, 2)}, R no es reflexiva porque (x, x) R,
con x 1, 2. No es simetrica porque (x, y) R para x, y 1, 2. No es
transitiva porque (x, y) R para x, y 1, 2.
Ejercicios
1. Utilizando solo la Definicion 2.1, demostrar que (a, b) = (c, d) si y solo si
a = c y b = d.
2. Obtenga las 16 relaciones del inciso 3 del Ejemplo 2.9 .
3. Demuestre que la R relacion del inciso 4 del Ejemplo 2.9 es de equivalencia.
4. Obtenga el dominio e imagen de la relacion del inciso 4 del Ejemplo 2.9.
2.2. FUNCIONES 15
2.2. Funciones
A grandes rasgos, una funcion es una regla de correspondencia que asigna a
cada elemento de un conjunto, un elemento de otro. Pero con el paso de esta
seccion veremos las definiciones correctas para el concepto de funcion. Mientras
veamos un peque no ejemplo, para una regla de correspondencia. [Mic93]
Ejemplo 2.14. 1. La regla que asigna a todo n
umero su cuadrado.
x+1
umero y =
2. La regla que le asigna a cada x un n .
x+2
Definicion 2.15 (Funcion). Sean A y B conjuntos distintos del . Diremos que
una relacion f es una funcion que va de A hacia B (denotada por f A B)
si:
1. Para todo x A existe y B tal que (x, y) f , y
2. A cada elemento x A le corresponde uno y solo un elemento y B; es
decir, si (x, y1 ) y (x, y2 ) f implica que y1 = y2 .
Existen varias definiciones para el concepto de funcion, como la que enun-
ciaremos a continuacion.
Definici on 2.16. Una funcion f es una coleccion de pares ordenados (n ume-
ros), los cuales deben cumplir que, si (x, y1 ) y (x, y2 ) f con x, y1 , y2 en un
conjunto, entonces y1 = y2 .
Con la definicion de lo que es una funcion y con la Definicion 2.10 podemos
decir que el conjunto A es el dominio y B es el codominio de f . Pero daremos una
definicion mas formal del dominio de f .
Definicion 2.17 (Dominio de una funcion). Si f es una funcion, el dominio de
f (denotado por Df ; o bien, Domf ), es el conjunto de todos los a A para los
un b B tal que f (a) = b esta bien definido.
que existe alg
Ejemplo 2.18. La funcion
1 1
h(x) = + ,
x x+1
tiene sentido si se hace la restriccion de que x debe ser distinto de 0, 1; o bien,
podemos escribir de una manera mas explcita h R {1, 0} R.
Si no se hiciera la restriccion diramos que f no es un una funcion.
Ejemplo 2.19. Sean f, g, h R R dadas por las reglas de correspondencia,
1
f (x) = x2 2x + 4, g(x) = x y h(x) = .
x
Solucion de 2.19: De las tres reglas dadas solo f es funcion, ya que g no esta de-
finida para los n umeros negativos y h no tiene sentido cuando x = 0.
Para que g fuese una funcion bien definida, se debera restringir el dominio
como sigue g [0, ) R.
De la misma manera se debe hacer para h y debera de quedar como h
R {0} R.
As, las tres reglas son ahora funciones.
Definici
on 2.20 (Imagen de una funcion). Sea f una funcion; la imagen de f
(denotada por Imf ) es el conjunto de todos los elementos en B tales que existe
a A con f (a) = b; es decir, Imf = {b B a A, tal que f (a) = b} B.
Ejemplo 2.21. Del Ejemplo 2.19 podemos ver que la funcion g tiene el dominio
Dg = [0, ) y una imagen Img = [0, ). As mismo la funcion h tiene Dh = R{0}
y Imh = R {0}.
on 2.22 (Igualdad de funciones). Sean f A B y g C D dos
Definici
funciones. Diremos que f y g son iguales si y solo si se cumple lo siguiente
1. A = C y B = D, 2. f (x) = g(x) para toda x A.

Ejemplo 2.23. Sean f [0, 2] [1, 1] con la regla f (x) = sin (x + ) y
2
g [0, 2] [1, 1] con la regla g(x) = cos(x).
Es facil ver que f = g, por lo que se queda como ejercicio para el estudiante.
on 2.24 (Suma, resta, multiplicacion y division de funciones). Sean f
Definici
A B y g C D funciones, definimos las siguientes operaciones:
1. (f + g)(x) = f (x) + g(x), 3. (f g)(x) = f (x) g(x),
f f (x)
4. ( )(x) = con g(x) 0.
2. (f g)(x) = f (x) g(x), g g(x)
Observaci on 2.25. De las operaciones anteriores y de la Definicion 2.15 podemos
concluir que x debe estar tanto en A como en C; es decir, Df +g = Df g = Df g =
A C, as Df /g = (A C) {x g(x) = 0}.
Ejercicios
1. Demuestre que las funciones f y g del Ejemplo 2.23 son iguales.
2. Como en la Observacion 2.25, piense y discuta cual puede ser el codominio
para las operaciones de la Definicion 2.24.
DE FUNCIONES
2.3. COMPOSICION 17
2.3. Composici
on de funciones
Otra operacion entre funciones que es igual de importante como las definidas
anteriormente, es la composicion de funciones, la cual es la aplicacion sucesiva de
funciones a ciertos elementos de un conjunto; es decir, elementos del domino para
ser precisos.
Definici on 2.26 (Composicion de funciones). Sean f A B y g B C

funciones. Diremos que la composicion de g con f (denotado por g f ) es la
funcion (g f )(x) = g(f (x)) para toda x A. Leeremos el smbolo g f como f
seguida de g.
Ejemplo 2.27. Sean f R R con f (x) = x2 + 1 y g R R con g(x) = 3x + 2.

Obtener la composicion de f g y g f .
Solucion de 2.27: Lo primero es ver si la composicion de las funciones es posible,

esto es, utilizar la Definicion 2.26. Resulta que las funciones estan definidas en
R, tanto en el dominio como en el codominio, por lo que s se puede realizar la
composicion.
Ahora procedemos a obtener las reglas de correspondencias para cada compo-
sicion.
Sea x R, entonces
(g f )(x) = g(f (x)) Definicion 2.26

= g(x2 + 1) sustituyendo el valor de f (x)
= 3(x2 + 1) + 2 sustituyendo el valor de g(x)
= 3x2 + 5 aritmetica.
Por lo tanto (g f )(x) = 3x2 + 5.

Se queda como ejercicio para el estudiante obtener la regla de correspondencia
para (f g)(x).
Observaci on 2.28. Sea f A B una funcion, donde A, B son conjuntos finitos.

Dado que son conjunto finitos podemos listar las correspondencias de los elementos
de A con los elementos de B, esto lo representaremos como sigue:
a a . . . an
f =( 1 2 ).
b1 b2 . . . b m
Ejemplo 2.29. Sean A = {a1 , a2 , a3 }, B = {b1 , b2 } y C = {c1 , c2 , c3 } conjuntos,

sean f A B y g B C, dadas por
a a a b b
f = ( 1 2 3) , g = ( 1 2) ,
b1 b1 b2 c2 c3
entonces la composicion g f A C esta dada por
a a a
g f = ( 1 2 3) .
c2 c2 c3
Definicion 2.30 (La funcion identidad). Sea A . Diremos que la funcion

identidad IA A A esta dada por IA (x) = x para toda x A.
Teorema 2.31. Sea f A B una funcion. Entonces f IA = f y IB f = f

con IA , IB las funciones identidades en A y B, respectivamente.
Demostracion. Sean f A B, IA A A y IB B B funciones, con IA (x) =

x A, IB (y) = y B y f (z) B.
Es facil ver que, las funciones f IA = f y IB f = f tiene los mismos dominios
y codominios. Solo falta ver que las reglas de correspondencias son las mismas
(por la Definicion 2.22). Sea x A, entonces
(IB f )(x) = IB (f (x)) Definicion 2.26.

= f (x) definicion de IB .
Ahora tenemos
(f IA )(x) = f (IA (x)) Definicion 2.26.

= f (x) definicion de IA .
Por lo tanto son las mismas funciones.
Proposici on 2.32 (Asociatividad de la composicion). Sean A, B, C y D ,

conjuntos y sean f A B, g B C y h C D funciones. Entonces
h (g f ) = (h g) f .
Demostracion. El estudiante debe ser capaz de hacer la demostracion, y se puede

basar en la anterior, por lo que se queda como ejercicio.
2.4. FUNCIONES INYECTIVAS, SUPRAYECTIVAS Y BIYECTIVAS 19
Ejercicios
1. Obtener la regla de correspondencia para la composicion f g del Ejemplo
2.27.
2. Demuestre la Proposicion 2.32, utilizando las Definiciones 2.22 y 2.26.
2.4. Funciones inyectivas, suprayectivas y biyec-

tivas
Las funciones pueden ser clasificadas, seg un ciertas propiedades que cumplan.
La clasificacion de funciones son tres, las inyectivas, suprayectivas y biyectivas.
Daremos las definiciones de cada una a continuacion.
on 2.33 (Funcion inyectiva). Sea f A B una funcion. Diremos que

Definici
f es inyectiva, si f (x) = f (y) con f (x) y f (y) B entonces x = y con x y
y A; o bien, si x, y A tales que x y, se sigue que f (x) f (y).
Definici on 2.34 (Funcion suprayectiva). Sea f A B una funcion. Diremos

que f es suprayectiva, si para todo y B existe un x A tal que f (x) = y; o
bien, si Imf = B.
Definicion 2.35 (Funcion biyectiva). Sea f A B una funcion. Diremos que

f es biyectiva, si es inyectiva y suprayectiva.
Ejemplo 2.36. Sea f R R una funcion dada por f (x) = x2 . Es biyectiva la

funcion f (x)?
Solucion de 2.36: Por la Definicion 2.35, hay que ver si f es inyectiva y supra-
yectiva.
Por un lado, f no es inyectiva, ya que f (1) = f (1) = 1 pero 1 1.
Por otro lado, f no es suprayectiva, ya que no existe un x R tal que f (x) =
1 R; es decir, Imf = [0, ) R.
Por lo tanto f no es biyectiva.
Ejemplo 2.37. Sea f R R una funcion dada por f (x) = ax + b con a, b R y

a 0. Es biyectiva la funcion f (x)?
Solucion de 2.37: Hay que mostrar que f (x) es inyectiva y suprayectiva, para
mostrar que es una funcion biyectiva.
Demostracion. Por un lado, f es inyectiva.

Sea x1 , x2 R y f (x1 ) = f (x2 ). Por demostrar que x1 = x2 . Tenemos:
f (x1 ) = ax1 + b Sustitucion de f (x1 ).
= ax2 + b = f (x2 ) Hipotesis y sustitucion de f (x2 ).
ax1 + b = ax2 + b Transitividad de la igualdad.
Por lo tanto
x1 = x2 Aritmetica.
Por otro lado, f es suprayectiva.
Sea y R. Por demostrar que existe x R tal que f (x) = y. Procedemos
a encontrar al elemento x, ayudandonos con lo que debe cumplir, por lo que
tenemos:
y = f (x)
= ax + b Sustitucion de f (x).
y = ax + b Transitividad de la igualdad.
Despejando x, tenemos
yb
x= Aritmetica.
a
yb
La fraccion esta bien definida, porque a, b R y ademas a 0. Por lo tanto
a
f es suprayectiva, con lo que nos lleva a que f es biyectiva.
Observaci on 2.38. Sea A un conjunto. Es facil ver que la funcion IA es

biyectiva, lo cual el estudiante puede hacer la demostracion.
Proposicion 2.39. Sean f A B y g B C dos funciones inyectivas.
Entonces g f A C es inyectiva.
Demostracion. Sea f A B y g B C funciones inyectivas. Sea g f A C
una funcion y sean a1 , a2 A.
Supongamos que g(f (a1 )) = g(f (a2 )). Por demostrar que a1 = a2 .
Como g es inyectiva (es decir, si g(b1 ) = g(b2 ) entonces b1 = b2 ) tenemos que
f (a1 ) = f (a2 ), pero ademas f es inyectiva, entonces a1 = a2 .
Por lo tanto g f es inyectiva.
2.5. FUNCIONES INVERTIBLES 21
Proposicion 2.40. Sean f A B y g B C dos funciones suprayectivas.

Entonces g f A C es suprayectiva.
Demostracion. Sean f A B y g B C dos funciones suprayectivas. Por

demostrar que g f A C es suprayectiva, es decir, para toda c C existe a A
tal que (g f )(a) = c.
Sea c C. Por demostrar que existe a A tal que (g f )(a) = c.
Como g es una funcion suprayectiva, entonces existe b B tal que g(b) = c.
Por otro lado, f es tambien una funcion suprayectiva, entonces para toda b B
existe a A tal que f (a) = b.
Por lo tanto, sustituyendo b = f (a) en g(b) = c, tenemos que g(b) = g(f (a)) = c
y por la Definicion 2.26 tenemos que g(f (a)) = c = (g f )(a).
Por lo tanto existe a A tal que (g f )(a) = c.
Ejercicios
1. Demuestre la Observacion 2.38 utilizando las definiciones correspondientes.
2. Demuestre que si f, g son dos funciones biyectivas, entonces gf es biyectiva.
3. Sean f A B y g B C funciones tales que g f es inyectiva. Demuestre

que f es inyectiva.
4. Sean f A B y g B C funciones tales que g f es suprayectiva.

Demuestre que g es suprayectiva.
2.5. Funciones invertibles

De la clasificacion de las funciones, se puede desprender una clasificacion mas,
las que son invertibles. Las funciones que tienen inversa, cumplen que son biyec-
tivas. As que daremos la teora de las funciones invertibles a continuacion.
Definicion 2.41 (Inverso derecho). Sea f A B una funcion. Si existe una

funcion g B A tal que g f = IA diremos que g es inverso derecho de f .
Definicion 2.42 (Inverso izquierdo). Sea f A B una funcion. Si existe una

funcion h B A tal que f h = IB diremos que h es inverso izquierdo de f .
Definici on 2.43 (Funcion invertible). Sea f una funcion. Diremos que f es

invertible si posee inverso izquierdo y derecho.
Teorema 2.44 (Unicidad de la funcion inversa). Sea f A B una funcion

invertible. Si g y h son funciones de B en A inversas derechas e izquierdas,
entonces g = h.
Demostracion. Sean g B A tal que g f = IA y h B A tal que f h = IB ,
es obvio que h y g tiene los mismos dominios y codominios. Entonces veamos que
tienen la misma regla de correspondencia. Tenemos:
g = g IB Teorema 2.31.
= g (f h) sustitucion de IB .
= (g f ) h Proposicion 2.32.
= IA h sustitucion de IA .
=h Teorema 2.31.
Por lo tanto g = h.
on 2.45 (La funcion inversa). Sea f A B una funcion invertible.
Definici
Por el Teorema 2.44 diremos que g B A es la funcion inversa de f y la
denotaremos con f 1 = g.
En ocasiones el Teorema 2.44 no se cumple, esto es porque la funcion dada
no tiene inversa izquierda o derecha, pero tambien se puede ver porque la dicha
funcion no es biyectiva, lo cual veremos en los siguientes teoremas, pero antes,
tenemos los siguientes ejemplos.
Ejemplo
2.46. Sea f N N dada por f (n) = n2 y g N N dada por g(n) =
n (donde n es la funcion mayor entero). Entonces tenemos que g f = IZ ,
sin embargo, f g IZ . Veamos por que.
Por un lado, tenemos:

(g f )(n) = g(f (n)) = g(n2 ) = n2 = n = n = IZ .

Observese que n2 = n, por la definicion del valor absoluto, y ademas como n 0
tenemos que n = n.
Por otro lado:
2
(f g)(n) = f (g(n)) = f ( n) = ( n) ;
es decir, si n = 2 entonces (f g)(n) = 22 = 4 n.

Ejemplo 2.47. Sea f [0, ) [0,
) dada por f (x) = x . Verificar que f
2 1
[0, ) [0, ) dada por f (x) = x es la funcion inversa de f .

1
2.5. FUNCIONES INVERTIBLES 23
Solucion de 2.47: Por la Definicion 2.45 tenemos que probar que f f 1 = I[0,)
y que f 1 f = I[0,) .

Por un lado, sea x [0, ), entonces (f f 1 )(x) = f (f 1 (x)) = f ( x) =
( x)2 = x; as que f f 1 = I[0,) .

Por otro lado, sea x [0, ), entonces (f f )(x) = f (f (x)) = f (x ) =
1 1 1 2
x2 = x; pero como 0 x, entonces x = x; es decir (f 1 f )(x) = x, as que

f 1 f = I[0,) .
Ahora, los siguientes teoremas nos ayudaran a ver si una funcion dada tie-
ne inversa izquierda, derecha o ambas, como lo hemos mencionado arriba, y la
existencia de la inversa dependera de si es biyectiva.
Teorema 2.48. Sea f A B una funcion. f tiene inverso derecho si y solo si

es inyectiva.
Demostracion. ) Sea f A B una funcion inyectiva. Por demostrar que f

tiene inverso derecho.
Como f es inyectiva tenemos que si b = f (a1 ) = f (a2 ) B entonces a1 = a2 A.
Definamos ahora g B A tal que para alg un b B g(b) = a1 . Entonces a1 =
g(b) = g(f (a1 )) = (g f )(a1 ), pero tambien a2 = g(b) = g(f (a2 )) = (g f )(a2 ),
con lo que g esta bien definida, por lo que g es el inverso derecho de f , ya que
g f = IA .
) Sea g B A el inverso derecho de f y sea f (a1 ) = f (a2 ) B. Por
demostrar que a1 = a2 A.
Entonces tenemos:
a1 = IA (a1 ) Definicion 2.30.

= g(f (a1 )) Definicion 2.41.
= g(f (a2 )) hipotesis.
= IA (a2 ) Definicion 2.41.
= a2 Definicion 2.30.
As a1 = a2 . Por lo tanto f es inyectiva.
Teorema 2.49. Sea f A B una funcion. f tiene inverso izquierdo si y solo

si es suprayectiva.
Demostracion. ) Sea f A B una funcion, sea g B A la inversa izquierda

de f y sea b B tal que g(b) = a para alg un a A. Por demostrar que f es
suprayectiva, es decir, existe a A tal que f (a) = b para toda b B.
Como g es la inversa izquierda de f , tenemos que f g = IB . Entonces b =

IB (b) = (f g)(b) = f (g(b)) = f (a), por lo que f (a) = b. Por lo tanto f es
suprayectiva.
) Sea f A B suprayectiva, es decir, para toda b B existe a A tal que
f (a) = b. Por demostrar que f tiene inverso izquierdo.
Sea g B A una funcion tal que g(b) = a para alguna b B y a A. Entonces
tenemos que b = f (a) = f (g(b)) = (f g)(b), por lo tanto f g = IB . As que g es
la inversa izquierda de f .
Corolario 2.50. Sea f A B una funcion. f es invertible si y solo si es

biyectiva.
Demostracion. La demostracion se deja al estudiante y solo debe aplicar algunos

teoremas de esta seccion.
Ejercicios
1. Para cada uno de los siguientes incisos, muestre que la funcion g es la inversa
de f .
a) Sea f (,0] [0, ) dada por f (x) = x2 ; g [0, ) (, 0] dada

por g(x) = x.
xb
b) Sea f R R dada por f (x) = ax + b; g R R dada por g(x) = .
a
c) Sea f (0, ) R dada por f (x) = log2 x; g R (0, ) dada por
g(x) = 2x .
2. Demuestre el Corolario 2.50.
2.6. Cardinalidad de un conjunto

En secciones anteriores, hemos hablado implcitamente del n umero de elemen-
tos de un conjunto, como en la Observacion 1.32. Saber el n umero de elementos
es de gran utilidad, por ejemplo; el conjunto solucion de un sistema de ecuaciones
lineales puede tener mas de una solucion, y como se vera en el Captulo 6, a partir
de dos soluciones se podra describir el resto de los elementos del conjunto.
Definicion 2.51 (Cardinalidad de un conjunto). Sea A . Diremos que la

umero cardinal de A (denotado por #A) es el n N, para el
cardinalidad o el n
cual existe una funcion biyectiva f In A donde In = {1, 2, . . . , n}.
2.7. CONJUNTOS FINITOS E INFINITOS 25
Definicion 2.52 (Conjuntos equipotentes). Sean A y B conjuntos distintos del

. Diremos que A y B son equipotentes o que tienen la misma cardinalidad si
existe una funcion f A B; o bien, f B A biyectiva.
Ejemplo 2.53. Sea A = N y B = {3x x N}. Entonces, el conjunto A tiene

la misma cardinalidad que B, ya que existe una funcion f A B dada por
f (x) = 3x, la cual es biyectiva, como ya se haba mostrado.
Ejercicios
1. Demuestre que los siguientes conjuntos tienen la misma cardinalidad
a) N, c) {n2 n Z},
b) Z, d ) {2n n Z}.
2.7. Conjuntos finitos e infinitos

En el Captulo 1 se dio la Definicion 1.13, la cual define a un conjunto finito
e infinito. Ahora ampliaremos esa definicion y separaremos esa idea muy general
en definiciones mas precisas.
on 2.54 (Conjunto finito). Sea A . Diremos que A es finito (denotado

Definici
por #A < ), si existe una funcion f In A biyectiva.
on 2.55 (Conjunto infinito). Sea A . Diremos que A es infinito

Definici
(denotado por #A = ), si no existe una funcion f In A biyectiva.
Definicion 2.56 (Conjunto infinito numerable y no numerable). Sea A .

Diremos que A es infinito numerable si existe una funcion f N A biyectiva.
Si no existe tal funcion, diremos que A es no numerable.
Observaci on 2.57. De las definiciones 2.54 y 2.56 podemos concluir que si A es

finito, entonces le podemos llamar tambien finito numerable.
Proposici on 2.58. Sean A, B conjuntos y sea f A B una funcion. Si f es

inyectiva entonces #A #B. Si f es suprayectiva entonces #A #B.
Demostracion. Sea A = {a1 , . . . , an } con ai distintas con #A = n.

Los elementos f (a1 ), . . . , f (an ) B son distintos ya que si i j y f (ai ) = f (aj )
tendramos que ai = aj porque f es inyectiva, esto nos llevara a una contradiccion
por la construccion de A. Por lo tanto B tiene al menos n elementos.
Ahora sea B = {b1 , . . . , bm } con bi distintas con #B = m.

Como f es suprayectiva tenemos que existen ai A tales que f (ai ) = bi , los m
elementos ai son distintos entre s, ya que si ai = aj tendramos que f (ai ) = f (aj );
es decir, bi = bj , lo que nos llevara a una contradiccion por la construccion de B.
Por lo tanto A tiene al menos m elementos.
Ejemplo 2.59. Es facil ver que el conjunto N es infinito numerable, ya que existe
una funcion biyectiva que es IN N N con la regla IN (n) = n.
Ejercicios
1. Demuestre que los siguientes conjuntos son infinitos numerables.
a) Z = {. . . , 1, 0, 1, . . . }, p
b) Q = { p Z , 0 q N}.
q
2. Piense y comente como podra mostrar que el conjunto I (el conjunto de

n
umeros irracionales) es infinito no numerable.
2.8. Funciones entre conjuntos finitos

Como se menciono en la Observacion 2.28, escribir funciones entre conjuntos
finitos, es basicamente escribir quien esta relacionado con quien. Tambien las
funciones entre conjuntos finitos cumple las mismas operaciones, propiedades y
teoremas que las funciones entre conjuntos infinitos.
Tomando las bases ya vistas en las secciones previas solo queda hacer ejercicios
para afirmar los conocimientos adquiridos, pero ahora sera tomando en cuenta a
los conjuntos finitos, as sera mas facil entender lo que se ha visto hasta ahora.
Ejercicios
Para los siguientes incisos, considere A, B y C conjuntos finitos y distintos del
vaco. Sean f A B y g B C dos funciones, y sea g f A C el resultado
de la composicion de f con g. De las reglas de correspondencia de f y g tales que:
1. f es inyectiva y g f no sea inyectiva.
2. g es suprayectiva y g f no sea suprayectiva.
3. f es inyectiva, g es suprayectiva y g f no es inyectiva ni suprayectiva.

MATEMATICA
2.9. INDUCCION 27
4. f no es suprayectiva, g no es inyectiva y g f es biyectiva.
Hint: recuerde la notacion utilizada en la Observacion 2.28 y que los conjuntos

son finitos.
2.9. Inducci
on matem
atica
Cuando un enunciado requiere ser demostrado y estan involucrados los n
ume-
ros naturales, hay un tipo de tecnica para demostrar dicho enunciado, se llama
induccion matematica.
Definicion 2.60 (Principio de induccion). Sea M N tal que se cumplen lo

siguiente:
1. 1 M , 2. Si n M entonces n + 1 M .
Entonces M = N.
En otras palabras lo que nos dice el principio es que si un subconjunto M N

contienen al 1 y contiene a n + 1 cada vez que n M , entonces M es todo el
conjunto de numeros naturales.
Este principio lo utilizaremos para demostrar enunciados en los cuales inter-
vengan los numeros naturales. As, el principio de induccion lo podemos traducir
en lo siguiente:
Definicion 2.61 (Equivalencia del principio de induccion). Sea P (n) un enun-

ciado, con n N. Los siguientes pasos son necesarios y suficientes para efectuar
la demostracion:
1. Se demuestra la validez de P (1),
2. Supongase que P (n) es valida (hipotesis de induccion), por demostrar P (n+

1) es valido.
Habiendo establecido la teora veamos unos peque

nos ejemplos.
n
n(n + 1)
Ejemplo 2.62. Demostrar por induccion matematica que P (n) = i = .
i=1 2
Solucion de 2.62: Como demostraremos el enunciado por induccion matematica,

el segundo paso se puede dividir en dos para que se tenga mas claro que es lo que
se esta haciendo.
1
1(1 + 1)
1. Por demostrar para P (1), lo cual es claro, ya que i = 1 = .
i=1 2
n
n(n + 1)
2. Supongamos que el enunciado P (n) es valido, es decir; i = .
i=1 2
3. Ahora debemos mostrar que se cumple para P (n + 1). En este ejemplo em-
pezamos por la hipotesis de induccion, tenemos:
n n+1
i + (n + 1) = i sumar n + 1 a la H.I.
i=1 i=1
n(n + 1)
= + (n + 1) igualdad de la H.I.
2
n(n + 1) 2(n + 1)
= +
2 2
n(n + 1) + 2(n + 1)
=
2
(n + 1)[(n + 1) + 1]
=
2
(n + 1)(n + 2)
= por aritmetica.
2
Por lo tanto se cumple P (n + 1).
Con esto se termina la demostracion del enunciado P (n).
Ejemplo 2.63. Sea P (n) = 1 + nx (1 + x)n ; con 1 x R. Demuestre que

P (n) es valido para cualquier n N
Solucion de 2.63: La demostracion se hara con induccion matematica.
1. Por demostrar que P (1), lo cual es claro, ya que 1 + 1x = (1 + x)1 .
2. Supongamos que el enunciado P (n) es valido, es decir; 1 + nx (1 + x)n .
3. Ahora debemos mostrar que se cumple para P (n + 1). Empezamos por la
hipotesis de induccion, tenemos:
(1 + x)n (1 + x) = (1 + x)n+1 multiplicar a la H.I por (1 + x).
(1 + x)(1 + nx) porque 0 1 + x.
= 1 + nx + x + nx2 por aritmetica.
1 + nx + x porque 0 nx2 .
= 1 + (n + 1)x por aritmetica.
MATEMATICA
2.9. INDUCCION 29
y tenemos que:
(1 + x)n+1 1 + (n + 1)x, transitividad.
por lo tanto se cumple el enunciado P (n + 1).
Con esto se termina la demostracion del enunciado P (n).
Ahora vamos a demostrar lo que se afirmo en la Observacion 1.32 y la demos-

tracion se realizara por induccion sobre el n
umero de elementos del conjunto.
Ejemplo 2.64. Sea A un conjunto con n elementos. Por demostrar que P (A)
tiene 2n elementos.
Solucion de 2.64:
1. Por demostrar que si A tiene un elemento, entonces P (A) = 2.

Supongamos que A = {a1 }, entonces P (A) = {, {a1 }}, con lo que P (A)
posee 2 = 21 elementos.
2. Supongamos que la afirmacion es valido para un conjunto A = {a1 , . . . , an }

de n elementos.
3. Debemos mostrar que se cumple para un conjunto A = {a1 , . . . , an+1 } de

n + 1 elementos.
Sea ai A un elemento arbitrario. Es claro que A {ai } posee n elementos y
por la hipotesis tenemos que P (A {ai }) posee 2n elementos. Sea N P (A)
cualquier subconjunto. Para el subconjunto N , N P (A {ai }) si y solo si
pasa una de las dos cosas siguientes:
a) N permanecio igual en A {ai }, es decir; ai no era elemento de N ,

b) N proviene de cierto conjunto N = N {ai }, es decir; ai era un elemento
de N .
Conforme se hace variar a los subconjuntos de A y de acuerdo con las op-

ciones anteriores obtendremos a todos los subconjuntos de A {ai }. Por lo
que P (A) tendra 2 por el n
umero de elementos de P (A {ai }), es decir,
2 2n = 2n+1 .
Por lo tanto se cumple la afirmacion dada en la Observacion 1.32.

Ejercicios
Demostrar los siguientes ejercicios:
n
1. P (n) = 6i = 3n(n + 1).
i=1
n
1 n
2. P (n) = = .
i=1 (2i 1)(2i + 1) 2n + 1
n1
n[2a + (n 1)d]
3. P (n) = (a + id) = ; con a, b R.
i=0 2
n1
5n 1
4. P (n) = 5i = .
i=0 4
n
n(n + 1)(2n + 1)
5. P (n) = i2 = .
i=1 6
n
1 n
6. P (n) = = .
i=1 n(n + 1) n+1
2
n
n(n + 1)
7. P (n) = i = [
3
].
i=1 2
8. P (n) = 2n < n2 + 2
9. P (n) = n! 2n ; donde n! = 1n es el factorial de un n

umero y 0! = 1.
10. P (n) = z n = (r(cos + i sin ))n = rn (cos(n) + i sin(n)), donde i2 = 1.

n
(a1 + an )n
11. P (n) = ai = ; donde ai+1 ai = r para toda i, con ai R.
i=1 2
n1
xn 1
12. P (n) = xi = ; donde 1 x R.
i=0 x1
Aplicaci
on hacia la Fsica
Ejemplo 2.65. Supongamos que la respiracion de un corredor se puede modelar
como una funcion seno, donde la inhalacion es la parte positiva de la funcion y la
exhalacion es la parte negativa. Si se coloca un sensor de flujo de aire en la boca
y nariz del corredor, solo se registrara que el aire paso por el sensor, pero no se
MATEMATICA
2.9. INDUCCION 31
sabra si inhalo o exhalo, as que solo se veran en el registro valores positivos. Se

hace la medicion durante 18.85s ( 6s). La grafica de estos resultados (mostrada
en un osciloscopo) se puede ver como la grafica de la composicion de dos funciones:
la del seno con la de valor absoluto.
1. Realiza esa composicion definiendo adecuadamente esa funcion composicion
(resultado de componer las dos funciones, seno y valor absoluto) y esboza
la grafica correspondiente, donde la amplitud es de 1.5lt de aire.
2. Cual es el dominio, la imagen y el codominio de la funcion composicion, es

decir, la que se registra en el osciloscopio?
3. Cuales deben ser los dominios y las imagenes de las funciones que se recu-
peran a partir de los datos obtenidos?
Solucion de 2.65:
1. Para realizar la composicion de las funciones sin(x) y el x, debemos definir
los dominios y codominios de cada una. As tenemos, f (x) = sin(x) esta de-
finida como f [0, 6] [1, 1], la funcion g(x) = 23 x esta definida como
g [1, 1] [0, 32 ]. Observamos que el 1.5 que aparece en la funcion g es la
amplitud solicitada por el problema.
Ya definidas las funciones, podemos realizar la composicion, la cual es
g(f (x)) = 32 sin(x) y esta definida por g f [0, 6] [0, 32 ].
La grafica correspondiente se muestra en la Figura 2.1.
2. El dominio de la composicion es Dgf = [0, 6], aunque el dominio pudo

haber sido R, pero no se puede hablar de un tiempo negativo.
El codominio de la composicion es Cgf = [0, 32 ], e igual que el domino, este
pudo haber sido R.
La imagen de la composicion es Imgf = [0, 32 ], y como se puede observar,
el codominio e imagen son iguales, pero no necesariamente debe ocurrir.
3. El dominio e imagen de la funcion f son: Df = [0, 6] y Imf = [1, 1], y el

dominio e imagen de la funcion g son: Dg = [1, 1] e Img = [0, 6].
Ejemplo 2.66. En cierta region siberiana de cultivo de hortalizas se encontro que

una roca contiene un material radiactivo y esta afectando a una poblacion de
bacterias haciendolas mutar, y con ello se altera un ciclo de vida para plantas
y animales que ah habitan. El material radiactivo tiene una constante de de-

caimiento de 4/da, y su actividad al tiempo que la descubrieron era de 50mr
(mili-roentgen). Se sabe que las bacterias dejan de mutar cuando la radiacion que
reciben es menor a 10mr.
1. Cuanto tiempo debe transcurrir para que las bacterias dejen de mutar?
(La actividad de la roca radioactiva se puede expresar como una funcion del
tiempo f (t) = 50e4t ).
2. Les conviene seguir considerando a esa region como cultivable? Justifique

su respuesta.
3. Encuentre el dominio e imagen de f (t) y f 1 (t).
Solucion de 2.66:
1. Dado que las bacterias dejan de mutar cuando reciben menos de 10mr, por
tanto, la funcion que nos fue proporcionada la igualamos a esa cantidad.
Entonces tenemos 10 = 50e4t . Por lo que tenemos que despejar al tiempo
de la ecuacion. As, utilizamos la funcion inversa, que es ln(t). Por lo tanto
t = 41 ln ( 15 ) 0.4023594781. La Figura 2.2 muestra la solucion que se obtu-
vo.
2. Es conveniente seguir considerando la region cultivable, ya que el tiempo

necesario para que las bacterias dejen de mutar es de 0.4023594781 das
que es aproximadamente 9.6566274744 hrs, por lo que, la region no que-
dara da
nada.
3. Tomando a f (t) = 50e4t , tenemos que el dominio es Df = [0, ) y la

imagen es Imf = (0, 50]. La funcion inversa de f esta dada por f 1 (t) =
41 ln ( 50t ), entonces tenemos que el dominio Df 1 = (0, 50] y la imagen es
Imf 1 = [0, ).
MATEMATICA
2.9. INDUCCION 33
Figura 2.1: Grafica g(f (x)) = 1.5 sin(x) para el Ejemplo 2.65.
Figura 2.2: Grafica f (t) = 50e4t para el Ejemplo 2.66.

Captulo 3
Espacios Vectoriales
Muchos conceptos comunes de la fsica, tales como la fuerza, la velocidad y

aceleraciones, involucran una magnitud (el valor de la fuerza, velocidad o ace-
leracion) y una direccion. Cualquier entidad que involucre magnitud y direccion
es com unmente llamada vector, y en su mayora estan representadas por flechas.
[Har04]
Pero veremos que en ocasiones no se representaran como flechas, esto depende
mucho del conjunto que se este considerando. Con base en lo anterior surge la
idea de espacio vectorial.
3.1. Definiciones b
asicas
En todas las definiciones, trataremos con conjuntos que son distintos del vaco,
y le daremos operaciones binarias que se pueden tomar como funciones del pro-
ducto cartesiano sobre el mismo conjunto.
Definici on 3.1 (Espacio vectorial, vectores). Sea V con la suma (denotada
por +) definida como + V V V con +(u, v) = u + v y una multiplicacion
escalar (denotada por ) definida como R V V con (c, u) = cu donde c
es un n umero real. Diremos que V es un espacio vectorial sobre R (denotado por
(V, +, )) si se cumple lo siguiente:
Para todo u, v y w vectores en V , a y b ecalares en R
1. Si u, v V , entonces u + v V (cerradura de la suma).
2. Si u V y c R, entonces cu V (cerradura de la multiplicacion escalar).
3. u + v = v + u (conmutatividad).
4. (u + v) + w = u + (v + w) (asociatividad de la suma).
35
36 CAPITULO 3. ESPACIOS VECTORIALES
5. Existe un elemento en V , denotado 0, tal que u + 0 = 0 + u = u (neutro

aditivo).
6. Existe un elemento en V , denotado u, tal que u + (u) = (u) + u = 0

(inverso aditivo).
7. (a + b)u = au + au (distributividad).
8. a(u + v) = au + av (distributividad).
9. (ab)u = a(bu) (asociatividad del producto).
10. 1u = u.
A los elementos de V les llamaremos vectores, y a los elementos que estan en R
les llamaremos escalares.
Para mostrar que un conjunto con dos operaciones es un espacio vectorial,
necesitamos conocer como estan dadas las operaciones, es decir, su regla de co-
rrespondencia.
Ejemplo 3.2. Sea S = {0, 1}, y sea la suma y la multiplicacion escalar la de los
n
umeros reales. Surgen las preguntas es la suma es cerrada? es la multiplicacion
escalar cerrada?
Solucion de 3.2: Para ver si la suma es cerrada en el conjunto S, consideramos
todos los posibles casos que son: 0 + 0 = 0, 0 + 1 = 1 y 1 + 1 = 2. Ya que 1 + 1 = 2 no
es un elemento de S, entonces la suma no es cerrada en S.
Para determinar si la multiplicacion escalar es cerrada, con la misma idea que
con la suma, tomamos los casos posibles que son: 0 0 = 0, 0 1 = 0 y 1 1 = 1. Por
lo tanto la multiplicacion escalar es cerrada en S.
Con el paso del captulo, veremos mas ejemplos de espacios vectoriales. En

otros captulos, como el de matrices o sistemas de ecuaciones, veremos que esos
objetos son tambien un espacio sobre los numeros reales. Mientras consideremos
otros que son clasicos en matematicas.
Ejemplo 3.3. Sea V = {0}, el cual consta solo del n umero real cero. V es un
espacio vectorial bajo las operaciones comunes de los n umeros reales como la
suma y la multiplicacion. Al conjunto V se le llama el espacio vectorial trivial.
El siguiente ejemplo involucra el conjunto de todas las funciones que va de
los n
umeros reales a los reales (ver [Mic93]), este conjunto es extremadamente
importante en muchas areas de las matematicas, como por ejemplo, en el analisis
matematico.

3.1. DEFINICIONES BASICAS 37
Ejemplo 3.4. Sea F el conjunto de todas las funciones que van de los reales a
los reales, es decir, F = {f f R R}. Entonces F es un espacio vectorial sobre
los n
umeros reales.
Solucion de 3.4: Para mostrar que F es un espacio vectorial hay que utilizar la
Definicion 3.1
1. Hay que mostrar que la suma de funciones es cerrada. La suma de funciones

es la funcion definida como (f + g)(x) = f (x) + g(x) para todo x R.
Sean f, g F . Entonces f + g F ya que para cualquier x R tenemos que
f (x), g(x) R, por lo que f (x) + g(x) R, por lo que (f + g)(x) esta bien
definida.
2. Hay que mostrar que la multiplicacion escalar es cerrada. El producto de

un real c por f F es la funcion definida como (cf )(x) = c[f (x)] para todo
x R.
Sea f F . Entonces cf F ya que para cualquier x R tenemos que
f (x) R, por lo que c[f (x)] R, por lo que (cf )(x) esta bien definida.
3. Ahora hay que mostrar que para cualquier f y g F tenemos que f +g = g+f .
Sea x R. Tomando la definicion de la suma de funciones, tenemos que
f (x) + g(x) = g(x) + f (x), ya que f (x), g(x) R, y los n
umeros reales son
conmutativos, por lo tanto f + g = g + f .
4. Ahora debemos mostrar la asociatividad de la suma, es decir, para cualquier

f , g y h F tenemos que (f + g) + h = f + (g + h).
Sea x R. Tomando la definicion de la suma de funciones, tenemos que; por
un lado [(f + g) + h](x) = (f + g)(x) + h(x) = [f (x) + g(x)] + h(x), por el
otro [f + (g + h)](x) = f (x) + (g + h)(x) = f (x) + [g(x) + h(x)], ademas como
f (x), g(x) y h(x) R, y los n umeros reales son asociativos, por lo tanto
(f + g) + h = f + (g + h).
5. Debemos mostrar que existe una funcion f F tal que f + g = g = f + g; para

alguna g F .
Proponemos que la funcion f sea la funcion cero, 0; es decir, f (x) = 0(x) = 0,
para toda x R, ademas 0(x) R. Por lo tanto para cualquier funcion g F
tenemos que (0 + g)(x) = 0(x) + g(x) = g(x) = g(x) + 0(x) = (g + 0)(x).
6. Aqu hay que mostrar que existe una funcion f F tal que g + f = 0 = f + g;
para alguna g F , donde 0(x) = 0 en los n
umeros reales.
Proponemos que la funcion f sea la funcion g; definida como g(x) =

[g(x)], para toda x R, ademas [g(x)] R. Por lo tanto para cualquier
funcion g F tenemos que [g +(g)](x) = g(x)g(x) = 0(x) = g(x)+g(x) =
[g + g](x).
7. Ahora hay que mostrar una de las dos propiedades de la distributividad, es
decir, para a y b R, y para f F se tiene que (a + b)f = af + bf .
Sea x R. Utilizando la definicion de la multiplicacion escalar, tenemos que
[(a+b)f ](x) = (a+b)f (x), ademas f (x) R y como los n umeros reales tiene
la propiedad distributiva, entonces (a + b)f (x) = af (x) + bf (x). Por lo tanto
(a + b)f = af + bf .
8. Ahora hay que mostrar la otra propiedad de la distributividad, es decir, para
a R, y para f y g F se tiene que a(f + g) = af + ag.
Sea x R. Utilizando la definicion de la multiplicacion escalar, tenemos que
[a(f + g)](x) = a[(f + g)(x)], ahora aplicando la definicion de la suma de
funciones tenemos, a[(f + g)(x)] = a[f (x) + g(x)], como f (x) y g(x) R y
umeros reales tiene la propiedad distributiva, entonces a[f (x) + g(x)] =
los n
af (x) + ag(x). Por lo tanto a(f + g) = af + ag.
9. Casi para terminar, hay que mostrar la asociatividad de la multiplicacion
escalar, es decir, para a y b R, y para f F se tiene que (ab)f = a(bf ).
Sea x R. Utilizando la definicion de la multiplicacion escalar, tenemos
que [(ab)f ](x) = (ab)f (x) y como f (x) R, y como los n umeros reales son
asociativos con el producto, entonces (ab)f (x) = a(bf (x)) = [a(bf )](x). Por
lo tanto (ab)f = a(bf ).
10. Para terminar, hay que mostrar que para cualquier f F y para 1 R se
tiene que 1f = f .
Sea x R. Utilizando la definicion de la multiplicacion escalas, tenemos
que (1f )(x) = 1f (x) y como f (x) R entonces 1f (x) = f (x). Por lo tanto
1f = f .
Por lo tanto (F, +, ) es un espacio vectorial sobre R.
Ejemplo 3.5. Sea el C[0, 1] el conjunto de todas las funciones continuas1 defi-
nidas en el intervalo cerrado [0, 1]. Entonces C[0, 1] es un espacio vectorial. La
demostracion es practicamente la misma que en el ejemplo anterior.
1
La continuidad de una funcion, puede pensarse como la grafica de f en el plano cartesiano
que no tiene hoyos. Se puede ver la definicion forma de continuidad en [Mic93].

3.1. DEFINICIONES BASICAS 39
Ejemplo 3.6. Sea V = {x x = (x, x2 ), x R}. Es V un espacio vectorial con la

suma de dos elementos de V como un elemento de la forma (x + y, x2 + y 2 ) y la
multiplicacion escalar de un elemento de R con uno de V es un elemento de la
forma (ax, ax2 )?
Solucion de 3.6:
1. La suma definida en V no es cerrada, ya que para cualesquiera x = (x, x2 )

y y = (y, y 2 ) en V , el elemento x + y = (x + y, x2 + y 2 ) no esta en V porque
(x + y)2 x2 + y 2 .
2. La multiplicacion escalar definida en V no es cerrada, ya que para cualquier

x = (x, x2 ) en V y a R, el elemento ax = (ax, ax2 ) no esta en V porque
(ax)2 ax2 .
3. La suma es conmutativa porque para cualesquiera x = (x, x2 ) y y = (y, y 2 )

en V , tenemos que (x + y, x2 + y 2 ) = (y + x, y 2 + x2 ), ya que x y y R.
4. La suma es asociativa porque para cualesquiera x = (x, x2 ), y = (y, y 2 ) y z =

(z, z 2 ) en V , tenemos que (x+[y+z], x2 +[y 2 +z 2 ]) = ([x+y]+z, [x2 +y 2 ]+z 2 ),
ya que x, y y z R.
5. El elemento neutro aditivo esta en V , el cual es 0 = (0, 0).
6. El elemento inverso aditivo no esta en V , porque x debera ser (x, x2 ),

pero (x)2 x2 .
7. La primera de las dos propiedades distributivas se cumple, porque para

cualquier x = (x, x2 ) en V y para a y b R tenemos que ([a+b]x, [a+b]x2 ) =
(ax + bx, ax2 + bx2 ) = (ax, ax2 ) + (bx, bx2 ).
8. La otra de las propiedades distributivas se cumple, porque para cualesquiera

x y y en V y para a R tenemos que (a[x + y], a[x2 + y 2 ]) = (ax + ay, ax2 +
ay 2 ) = (ax, ax2 ) + (ay, ay 2 ).
9. La asociatividad de la multiplicacion escalar se cumple, porque para cual-

quier x en V y a y b R tenemos que ([ab]x, [ab]x2 ) = (a[bx], a[bx2 ]), por
la asociatividad de los n
umeros reales.
ltimo, 1x = x para cualquier x = (x, x2 ) en V , porque 1x = x y 1x2 = x2 .

10. Por u
Pero como la suma y la multiplicacion escalar definida en V no es cerrada entonces

(V, +, ) no es un espacio vectorial.
Antes de seguir viendo ejemplos de espacios vectoriales, enunciemos un teorema

que nos dara algunas propiedades elementales de los vectores.
Teorema 3.7. Sea v V un espacio vectorial y Sea c R. Entonces:
a) 0u = 0. c) Si cu = 0, entonces c = 0 o u = 0.
b) c0 = 0. d) (1)u = u.
Demostracion. Sea u V un espacio vectorial y c R.
a) Por el inciso 7 de la Definicion 3.1 tenemos que 0u + 0u = (0 + 0)u = 0u. Como

0u tiene inverso aditivo, 0u, entonces 0u + (0u + (0u)) = (0 + 0)u + (0u) =
0u + (0u) = 0. Por lo tanto 0u = 0.
b) Por el inciso 8 de la Definicion 3.1 tenemos que c0 = c(0 + 0) = c0 + c0. Como

c0 tiene inverso aditivo, entonces c0 + (c0) = c0 + (c0 + (c0)) = 0.
c) Sea c R y sea u V . Supongamos que cu = 0. Si c = 0 ya no hay nada que

demostrar porque se reduce al inciso anterior, por lo que supongamos que c 0.
Por demostrar que u = 0.
Por el inciso 10 de la Definicion 3.1 y por el inciso a), tenemos que
1 1 1
u = 1u = (c ) u = ( ) (cu) = ( ) 0 = 0.
c c c
Por lo tanto u = 0.
d) Ahora por el inciso 10 de la Definicion 3.1 tenemos que 1u = u, entonces

u + (1u) = 1u + (1u) = (1 + (1))u = 0u = 0. Por lo tanto (1)u es el inverso
de u. Supongamos que v es un inverso de u. Entonces u + v = u + (1)u = 0.
Agregando v en ambos lados, tenemos que (v + u) + v = (v + u) + (1)u; es decir,
0 + v = 0 + (1)u, por lo tanto v = (1)u. Por lo tanto, (1)u es el inverso de u
y (1)u = u.
Para aplicar el teorema anterior veamos un ejemplo.
Ejemplo 3.8. Sea u un vector en el espacio vectorial V , y sean a, b R. Demuestre

que si au = bu con u 0, entonces a = b.
3.2. SUBESPACIO VECTORIALES 41
Solucion de 3.8: Sean u V un espacio vectorial, y sean a, b R. Supongamos que

au = bu con u 0. Por el inciso 6 de la Definicion 3.1, el elemento bu tiene inverso
aditivo bu. Tenemos au + (bu) = au + (1)bu = au + (b)u, por el inciso 8, el
inciso d) del Teorema 3.7, tenemos (a + (b))u = (a b)u. Ahora, agregamos bu
a ambos lados de la ecuacion au = bu nos da au + (bu) = (a b)u = bu + (bu) = 0.
Por lo tanto (a b)u = 0 y como u 0 entonces (a b) = 0. Por lo tanto a = b.
Ejercicios
1. Demuestre que C[0, 1] definido en el Ejemplo 3.5 es un espacio vectorial.
2. Sea V = {0}. Demuestre que V es un espacio vectorial con la multiplicacion

escalar y suma definida como los n
umeros reales.
3. Existen espacios vectoriales sobre R con exactamente dos y tres elementos?
4. Demuestre que R2 es un espacio vectorial sobre R. Con la suma definida como

(a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 + b2 ), y la multiplicacion escalar (a1 , a2 ) =
(a1 , a2 ).
3.2. Subespacio vectoriales

El concepto de espacio vectorial esta aplicado a conjuntos, pero en los conjuntos
tenemos subconjuntos. Entonces que sucedera con el concepto de espacio vectorial
si se aplica a un subconjunto? Bueno, surgira el concepto de subespacio vectorial
y desarrollaremos toda la teora sobre el en esta seccion. Tambien veremos que
en la mayora de los caso, es conveniente mostrar que un conjunto V distinto del
vaco es un subespacio en lugar de mostrar que es un espacio vectorial.
on 3.9 (Subespacio vectorial). Sea V un espacio vectorial. Sea S V

Definici
con S . Decimos que S es un subespacio vectorial de V , si bajo las mismas
operaciones de V , S es un espacio vectorial.
Antes de considerar unos ejemplos de subespacios vectoriales, unas observa-

ciones simplificaran el trabajo, ya que son muchas propiedades a demostrar para
un espacio vectorial. As, tenemos el siguiente teorema y en la demostracion del
mismo, solo mostraremos las propiedades 5 y 6, ya que si u + v pertenecen a S,
entonces, ya que u+v = v +u estan en V entonces u+v representan el mismo vector
en S, es decir, se cumple la propiedad 3. Por lo que, de manera similar, podemos
ver que u + (v + w) = (u + v) + w en S, se cumple la propiedad 4 y de 7 a la 10. Por

lo que en realidad solo habra que mostrar cuatro de las diez propiedades; que son
la 1, 2, 5 y 6.
Teorema 3.10. Sea V un espacio vectorial sobre R y S V con S . Entonces
S es un subespacio de V si y solo si se cumplen las siguientes condiciones:
a) 0 S. c) Si c R y u S, entonces cu S.
b) Si u y v S, entonces u + v S.
Demostracion. Sea V un espacio vectorial sobre R y sea S V con S .

) Sea S un subespacio de V . Como S es un subespacio de V , entonces se
cumplen las diez propiedades de la Definicion 3.1, por lo que las condiciones a),
b) y c) quedan demostradas.
) Supongamos que cualquier u, v S y c R se cumplen las condiciones a),
b) y c). Como ya lo habamos notado, necesitamos solo mostrar la propiedad 6,
ya que la 1, 2 y 5 son nuestra hipotesis.
P6. Por demostrar que para cada u S, existe un elemento u S tal que
u + (u) = 0.
Sea u S. Entonces (1)u S por c). Pero por el Teorema 3.7 tenemos que
(1)u = u. Por lo tanto, u S y por b) tenemos que u + (u) = 0 con
u + (u) S.
Por lo tanto S es un subespacio vectorial de V .
Ejemplo 3.11. Cualquier espacio vectorial V , es un subespacio de s mismo y el
conjunto {0} es tambien un subespacio de V . Pero estos subespacios no son muy
interesantes.
Definici
on 3.12 (Subespacio vectorial propio). Sea S un subespacio vectorial de
V . Decimos que S es un subespacio propio si S V y S {0}.
Ahora veamos unos ejemplos de espacios vectoriales propios.
Ejemplo 3.13. Sea V = R2 y S = {x x = (x, nx) con x R y para algun n Z}.
Es S un subespacio vectorial de V bajo las operaciones definidas en el ejercicio
4 de la seccion anterior?
Solucion de 3.13: Para mostrar que S es un subespacio vectorial utilizaremos el
Teorema 3.10.
a) El 0 S, ya que 0 = (0, 0) = (0, n0) para alguna n Z.
3.2. SUBESPACIO VECTORIALES 43
b) Sean x y y S. Por demostrar que x + y S.

Sean x = (x, nx) y y = (y, ny) para alguna n Z, entonces x + y = (x + y, nx +
ny) = (x + y, n[x + y]) con x + y R, por lo que x + y S.
c) Sea x S y a R. Por demostrar que ax S.
Sea x = (x, nx) para alguna n Z, entonces ax = (ax, anx) = (ax, n[ax]) con
ax R, por lo que ax S.
Por lo tanto S es un subespacio vectorial de V .
Ejemplo 3.14. Sea D[0, 1] el conjunto de todas las funciones que son derivable en
el intervalo [0, 1]. Como sabemos, toda funcion que es derivable es continua (ver
[Mic93]), por lo que D[0, 1] C[0, 1]. Demostrar que D[0, 1] es un subespacio
de C[0, 1].
Solucion de 3.14: Sea x [0, 1]. El conjunto D[0, 1] no es vaco, ya que 0(x) = 0
esta en el.
Sean f (x), g(x) D[0, 1]. Debemos mostrar que f (x) + g(x) y cf (x) pertene-
cen a D[0, 1] para alg un c R.
Como sabemos, [f (x) + g(x)] = f (x) + g (x) y [cf (x)] = cf (x) (ver [Mic93])
donde la coma (prima) denota la derivada de una funcion. Vemos que, tanto
f (x) + g(x) como cf (x) son derivables, entonces f (x) + g(x), cf (x) D[0, 1].
Por lo tanto D[0, 1] es un subespacio de C[0, 1].
Ejemplo 3.15. Sea I[0, 1] el conjunto de todas funciones f C[0, 1] tales que
1
0 f (x)dx = 0. Demuestre que I[0, 1] es un subespacio de C[0, 1].
1
Solucion de 3.15: Sea x [0, 1]. Si f es continua, entonces f (x)dx existe.
0
Por lo tanto, I[0, 1] es un subconjunto de C[0, 1]. Ademas, I[0, 1] no es vaco,
ya que y = f (x) = 2x 1 I[0, 1].
1 1
Primero, 0 I[0, 1] ya que 0(x)dx = 0dx = 0.
0 0
1 1
Ahora, sean f (x) y g(x) I[0, 1] y sea c R. Entonces f (x)dx = g(x) = 0.
0 0
1 1 1
Como sabemos, [f (x) + g(x)]dx = f (x)dx + g(x) = 0 + 0 = 0 y
0 0 0
1 1
tambien cf (x)dx = c f (x)dx = c0 = 0 (ver [Mic93]). Vemos que, tanto
0 0
f (x) + g(x), cf (x) I[0, 1]. Por lo tanto I[0, 1] es un subespacio de C[0, 1].
Ejercicios
1
1. El conjunto de todas las funciones f (x) C[0, 1] tal que f (x)dx = 1
0
es un subespacio de C[0, 1]? Justifique su respuesta.
3.3. Generadores
En ocasiones nos podemos encontrar preguntas como cual es espacio o subes-
pacio vectorial mas pequeno, en cuestion del n
umero de elementos, sin considerar
el V = {0}? Para ello podremos considerar los que estan formados por un cierto
conjunto y escribir al resto en funcion del conjunto. Para ello tenemos la siguiente
definicion.
Definicion 3.16 (Combinacion lineal). Sean u1 , . . . , un vectores del espacio vec-
torial V sobre R y c1 , . . . , cn escalares, donde n N. Una combinacion linea de
los vectores ui y los escalares ci tiene la forma c1 u1 + + cn un .
Ejemplo 3.17. Sean f (x) = x2 + 1, g(x) = 4x 3 y h(x) = 2x2 + 4x 1, y para
cualquier c1 , c2 R, tenemos que h(x) = c1 f (x) + c2 g(x); es decir, h(x) es una
combinacion lineal de los vectores f (x) y g(x) del espacio vectorial C[0, 1]; y en
este caso c1 = 2 y c2 = 1.
Definici on 3.18 (El espacio generado). Sean u1 , . . . , un vectores del espacio vec-
torial V . Diremos que el espacio generado por ui (denotado por S{u1 , . . . , un })
es el conjunto de todas las combinaciones lineales de los vectores ui .
As, por definicion, todo miembro del conjunto S{u1 , . . . , un } se puede escribir
como una combinacion lineal de los vectores ui y escalares ci R.
Antes de considerar algunos ejemplos mas, mostraremos que si u1 , . . . , , un son
vectores de un espacio vectorial V , entonces S{ui } es un subespacio de V .
Teorema 3.19. Sea {u1 , . . . , un } un conjunto de vectores de V , con V un
espacio vectorial. Entonces
a) S{u1 , . . . , un } es un subespacio de V , y
b) S{u1 , . . . , un } es el subespacio vectorial con al menos n + 1 elementos de V

que contiene a u1 , . . . , un .
Demostracion. Sean ui V , con V un espacio vectorial sobre R. S{u1 , . . . , un }
no es vaco, ya que cada ui esta en el conjunto; es decir, como 1 ui = ui entonces
cada ui pertenece a S{u1 , . . . , un }, por definicion.
3.3. GENERADORES 45
a) El vector 0 pertenece a S{u1 , . . . , un } porque por el Teorema 3.7 inciso a)

tenemos que 0 = 0 u1 + + 0 un , es decir, 0 es una combinacion lineal de los
vectores ui .
Por demostrar, si u, v S{u1 , . . . , un }, entonces u + v S{u1 , . . . , un }.
Sean u, v S{u1 , . . . , un }, entonces por definicion u = a1 u1 + + an un y v =
b1 u1 + + bn un . Sumando ambos vectores tenemos u + v = (a1 + b1 )u1 + + (an +
bn )un . Por lo que u + v es una combinacion lineal de u1 , . . . , un . Por lo tanto
u + v S{u1 , . . . , un }.
Ahora, por demostrar que, si u S{u1 , . . . , un } y c R, entonces cu S{u1 , . . . ,
un }.
Sea u S{u1 , . . . , un } y sea c R, entonces por definicion, u = a1 u1 + +
an un . Multiplicando tenemos que cu = c(a1 u1 + + an un ) = (ca1 )u1 + +
(can )un . Por lo que cu es una combinacion lineal de u1 , . . . , un . Por lo tanto
cu S{u1 , . . . , un }. Por lo tanto S{u1 , . . . , un } es un espacio vectorial.
b) Ahora vamos a mostrar que S{u1 , . . . , un } es el subespacio con al menos n + 1

elementos de V .
Podemos ver que S{u1 , . . . , un } contiene a los vectores 0 y ui para todo i
{1, . . . , n}. Sea U un espacio vectorial que contiene a ui . Como U es cerrado
bajo la suma y multiplicacion escalar, U contienen a todas las combinaciones
lineales a1 u1 + + an un de ui .
Por lo tanto S{u1 , . . . , un } U . As S{u1 , . . . , un } es el subespacio con al
menos n + 1 elementos de V .
Por lo tanto se cumple el teorema.
Ejemplo 3.20. Sea f (x) = x2 + 1 y g(x) = 4x 3. Entonces S{f (x), g(x)} =

{h(x) h(x) = ax2 + bx + c; a, b, c R}, que es el espacio generado por las funciones
f (x) y g(x) C[0, 1].
Ejemplo 3.21. Sea h(x) = 12x + 3 C[0, 1]. Determinar si h(x) esta o no en
S{f (x), g(x)} donde f (x) = 2x2 1 y g(x) = x2 + 2x + 1 C[0, 1].
Solucion de 3.21: Para determinar si h(x) S{f (x), g(x)} debemos determinar
si existen escalares a, b R tales que 12x + 3 = a(2x2 1) + b(x2 + 2x + 1).
Pero esto es equivalente a
12x + 3 = (2a b)x2 + 2bx + (a + b).

Igualando los terminos del mismo grado, tenemos que
2a b = 0
2b = 12
a + b = 3
As, tenemos que b = 6 y a = 3. Por lo tanto h(x) = 3f (x) + 6g(x).
Ejercicios
1. Exprese las siguientes funciones como una combinacion lineal de f (x) =
x2 3x + 1, g(x) = 3x2 5
a) h1 (x) = 4x2 7x 2, c) h3 (x) = 18x2 8x 8,

b) h2 (x) = 4x + 11, d ) h4 (x) = 19x2 + 5x 10.
2. Sean U y V dos subespacios del espacio vectorial W , tales que U V .

Demuestre que U V es un subespacio vectorial de W .
3. Demuestre que S = {(1, 0), (0, 1)} es un generador para R2 .
3.4. Bases y Dimensiones

Los conceptos de independencia y dependencia lineal, as como las de base y
dimension, son tan importantes para cualquier espacio vectorial. As, desarrolla-
remos la teora de estos conceptos, pero primero veamos la definicion de indepen-
dencia lineal.
Definicion 3.22 (Linealmente independientes). Sea B = {u1 , . . . , un } un con-

junto de vectores del espacio vectorial V sobre R. Diremos que el conjunto B es li-
nealmente independiente, si c1 u1 ++cn un = 0, se tiene que c1 = = cn = 0 R.
Si el conjunto B de la Definicion 3.22 no es linealmente independiente, es decir,

si existe ci 0, entonces diremos que el conjunto es linealmente dependiente.
Ejemplo 3.23. Consideremos las funciones descritas en el Ejemplo 3.20. Las

cuales son f (x) = x2 +1 y g(x) = 4x3 C[0, 1]. Demostremos que son linealmente
independiente.
3.4. BASES Y DIMENSIONES 47
Solucion de 3.23: Sea la funcion cero h(x) = 0. Sean a, b R. Entonces por

la Definicion 3.22, tenemos af (x) + bg(x) = 0, entonces desarrollando tenemos
(a)x2 + (4b)x + (a 3b) = 0. A h(x) se puede ver como h(x) = 0x2 + 0x + 0, por lo
que obtenemos
a =0
4b = 0
a 3b = 0
Por lo tanto a = b = 0. As el conjunto f (x) y g(x) es linealmente

independiente.
Ejemplo 3.24. Sea B = {a = (1, 0), b = (0, 1), c = (2, 3)}. Es claro que, si
(0, 0) = a + b + c entonces, = 2, = 3 y = 1. Por lo tanto B es
linealmente dependiente. (Ver el Ejercicio 4 de la seccion 1 de este captulo.)
Ejemplo 3.25. Si consideramos el conjunto S{f (x), g(x)} de Ejemplo 3.20, po-
demos ver que el conjunto {1, x, x2 } genera a S{f (x), g(x)} y ademas es lineal-
mente independiente.
Otra forma de comprobar que un conjunto de vectores es linealmente indepen-

diente, es mostrando que los vectores generados se escriben de manera u
nica. Lo
cual formaliza el siguiente teorema.
Teorema 3.26. Sea S = {v1 , . . . , vn } un conjunto de vectores de un espacio

vectorial V sobre R. S es linealmente independiente si y solo si para cada vector
u V la representacion u = a1 v1 + + an vn es u
nica.
Demostracion. ) Sea S = {v1 , . . . , vn } un conjunto linealmente independien-

te. Supongamos que existen dos combinaciones lineales para un vector u V .
Entonces tenemos que a1 v1 + + an vn = u = b1 v1 + + bn vn . Entonces 0 =
(a1 b1 )v1 + + (an bn )vn , pero como S es linealmente independiente tenemos
que ai bi = 0 para toda i {1, . . . , n}.
Por lo tanto ai = bi . As, solo existe una representacion para u.
) Supongamos que para un u V , u tiene dos combinaciones lineales distin-
tas, es decir, u = a1 v1 + + an vn = b1 v1 + + bn vn ; con ai bi y ai , bi R para toda
i {1, . . . , n}. Por demostrar que S no es linealmente independiente.
Como v tiene dos combinaciones lineales, entonces 0 = u + (u) = (a1 b1 )v1 +
+ (an bn )vn , entonces 0 (ai bi ) para toda i {1, . . . , n} porque ai bi , por
lo que S no es linealmente independiente.
Hemos dado ya las definiciones de generado por un conjunto de vectores y la

independencia lineal de los mismos. Para unir estas dos ideas veamos la siguiente
definicion.
Definicion 3.27 (Base para un espacio V ). Sea B un conjunto de vectores de un

espacio vectorial V sobre R. Decimos que B es una base para V si todo elemento
de V se puede expresar de manera u nica como una combinacion lineal de los
elementos de B.
La definicion anterior, no nos ayuda para decidir si un conjunto B es o no una

base para un espacio vectorial V . Por ello necesitamos el siguiente teorema.
Teorema 3.28. Sea B un conjunto de vectores de V un espacio vectorial sobre

R. El conjunto B es una base para V si y solo si B es linealmente independiente
y el espacio generado es V .
Demostracion. Sea V un espacio vectorial y sea B un subconjunto de V . Por la

Definicion 3.18 tenemos que B genera a V si y solo si cada elemento de V se puede
escribir como una combinacion lineal de los elementos de B. Por el Teorema 3.7,
B es linealmente independiente en V si y solo si la representacion de cualquier
elemento de V como combinacion lineal de B es u nica. Por lo tanto, B es una
base para V si y solo si B es linealmente independiente que genera a V .
Ejemplo 3.29. Sea H = {(2, 1), (1, 2)} un conjunto de vectores de R2 . Demostrar
que H es una base para R2 .
Solucion de 3.29:
1. Hay que mostrar que H es linealmente independiente.

Sean a1 , a2 R. Por demostrar que a1 = a2 = 0. Entonces 0 = (0, 0) =
a1 (2, 1) + a2 (1, 2), realizando las operaciones de suma y multiplicacion esca-
lar tenemos, (0, 0) = (2a1 +a2 , a1 +2a2 ); igualando entrada a entrada tenemos
que:
0 =2a1 + a2
0 =a1 + 2a2
Despejando a a2 de la primer ecuacion
0 =a1 + 2(2a1 )
0 =a1
Sustituyendo el valor de a1 en la segunda ecuacion
0 =a2
Por lo tanto H es linealmente independiente.
2. Ahora hay que mostrar que H genera a R2 , es decir; para cualquier x R2 ,

existen a1 , a2 R tales que x = a1 (2, 1) + a2 (1, 2).
Sea x = (x1 , x2 ) en R2 . Entonces (x1 , x2 ) = a1 (2, 1) + a2 (1, 2), realizando
las operaciones de suma y multiplicacion escalar tenemos, (x1 , x2 ) = (2a1 +
a2 , a1 + 2a2 ); igualando entrada a entrada tenemos que:
x1 =2a1 + a2
x2 =a1 + 2a2
Despejando a a2 de la primer ecuacion
a2 =x1 + 2a1
Sustituyendo a a2 en la segunda ecuacion y realizando las operaciones tene-

mos:
x2 =2x1 3a1
Despejando a a1 tenemos:
2x1 x2
a1 =
3
ltimo, sustituyendo a a1 en la ecuacion a2 = x1 + 2a1 , tenemos:

Por u
2x2 x1
a2 =
3
Por lo tanto H es una base para R2 .
Las demostraciones para el teorema y corolario se omitiran, pero se pueden

consultar en [Har04], o bien en [Fra02]. Y en el fondo tiene que ver con el n
umero
de elementos de la base, ya que no todo conjunto con una infinidad de elementos
puede ser una base.
Teorema 3.30. Sea B = {u1 , . . . , up } una base para un subespacio U de un

espacio vectorial V . Entonces cada subconjunto de U que contiene mas de p
elementos es linealmente dependiente.
Corolario 3.31. Sean B1 = {u1 , . . . , up } y B2 = {v1 , . . . , vm } dos bases para
un subespacio U de un espacio vectorial V . Entonces m = p.
La dimension de un espacio vectorial es muy importante porque nos dice cuan-
tos vectores se necesitan para generar un espacio. Por ejemplo, si se considera el
espacio en el que vivimos, podemos decir que tiene tres dimensiones, o bien, si se
considera el tiempo, entonces tiene cuatro. Este espacio se puede considerar como
el clasico espacio R4 .
Definici on 3.32 (Dimension de un espacio V ). El numero de elementos en una
base para un espacio vectorial V es la dimension de V (denotado por dim(V )).
As, si la base B para V tiene un n umero finito de elementos, diremos que V
tiene dimension finita. De lo contrario diremos que V tiene dimension infinita.
Ejemplo 3.33. Sea H = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} un conjunto de vectores
de R3 . Demostrar que H es una base para R3 y obtener su dimension.
Solucion de 3.33: El estudiante debera probar que el conjunto H es una base
para R3 . As, la dimension de R3 es 3 porque el conjunto H tiene 3 elementos.
Ejercicios
1. Demuestre que el conjunto B descrito en el Ejercicio 3.29 es linealmente
independiente.
2. De una base para el conjunto S = {h(x) C[0, 1] h(x) = ax3 + bx2 + cx +
d; a, b, c, d R}. Hint: Observe el Ejemplo 3.29
3. Se puede dar una base para C[0, 1]? Si es posible, que dimension tiene?
Si no es posible, que puede concluir acerca de C[0, 1]?
4. Considere a V = R sobre Q. Demuestre que V es un espacio vectorial sobre
Q con las operaciones usuales de los n
umeros reales. Que dimension tiene
V?
5. Realice la demostracion del Ejemplo 3.33.
6. De una base para Rn , con n N. Cual es la dimension de Rn ? Hint: Observe
el Ejemplo 3.33.
Aplicaciones hacia la Fsica

Cinem
atica: tiro parab
olico
Ejemplo 3.34. Ya que la velocidad es un vector, se requiere conocer la velocidad
inicial v0 si suponemos que el jugador tiene t segundos para encestar, cual es la
nueva velocidad a la que debe lanzar el balon a un angulo de ? Expresa a v0 en
terminos de a, l h y el angulo inicial Se pantea la velocidad con componentes
Figura 3.1: Basquetbolista a punto de encestar.
vy
v = (vx , vy ) y sabemos que
v = ).
vx2 + vy2 , con = tan (
vx
Las ecuaciones de movimiento de la cinematica son:
ay t2
y = y0 + v0y t + (3.1)
2
x = v0x t (3.2)
v0x = v0 cos() (3.3)
v0y = v0 sin() (3.4)
vy v0y
2 2
= 2ay sy (3.5)
vy v0y = ay t (3.6)
donde ay es la aceleracion en y, en este caso es la aceleracion de la gravedad g y

va dirigida hacia abajo, y ax = 0 porque no hay gravedad horizontal; sy = y y0
es el desplazamiento en y.
De la figura 3.1, debemos calcular el tiempo que tarda en llegar a la distancia
horizontal l, sabiendo que la componente horizontal de la velocidad no cambia
porque no hay gravedad en esa direccion:

l
vx = v0x = v0 cos() =
t
As que:
l
v0 = (3.7)
t cos()
En la referencia [RR95] se explica la forma de encontrar tanto el angulo como
la velocidad inicial a partir del angulo que forma la lnea recta que une el balon
en la mano del basquetbolista y la canasta con la horizontal.
Ejercicio:
1. La distancia de 3 puntos es de 6.7m, la altura de la canasta es de 3m. Si el
jugador lanza el balon a una altura de 1.9m del suelo, cual es la velocidad
que debe imprimir el jugador para encestar 3 puntos, ya que su equipo
pierde 28-30 y quedan 3s para que termine el partido? considera el angulo
de maximo desplazamiento.
Electrost
atica
Ejemplo 3.35. Se tienen 3 cargas q, q y 2q puestas en los vertices de un triangulo
equilatero. Calcula elcampo electrico en el centro del triangulo y la fuerza sobre
la carga q. Usando la Ley de Coulomb, la fuerza que siente una carga qi debido a
Figura 3.2: Sistema de 3 cargas electricas puntuales.
otra carga q2 esta dada por la formula:

q1 q2
F = K 2 r (3.8)
r
donde r es un vector unitario en la direccion de la lnea recta que une a las cargas.
El campo electrico E debido a una carga puntual q esta dado por la formula:
q
E = K 2 r (3.9)
r
As que para calcular la fuerza que siente q debido a q y a 2q es la suma de las
fuerzas individuales: primero calculamos la fuerza que siente q debido a q, para
eso requerimos el vector unitario.
La distancia que hay entre q y q es l, y esta sobre el eje x, as que el vector
unitario es i, como estas dos cargas tienen signos contrarios, entonces se atraen,
por lo que el vector fuerza Fq,q en q esta dirigido hacia q, por lo tanto es positiva:
i = (1, 0)
q2
Fq,2q = K 2 (1, 0) (3.10)
l
Recordando que el signo es mera convencion para saber si las cargas se atraen o
se repelen. La distancia que hay entre q y 2q es l, pero esta vez tiene una direccion
diferente, tiene componenetes en x y en y, ya que esa lnea forma un angulo de

60 con la horizontal, las componentes del vector fuerza seran:
2q 2
Fq,2q = K 2 ( cos(60), sin(60)) (3.11)
l
As que la fuerta neta que siente q es F = Fq,2q + Fq,q y esta dada como:
q 2 2q 2 2q 2
F = (K 2 K 2 cos(60), 0 K 2 sen(60))
l l l
Finalmente:
q 2
F = K 2 (1 2 cos(60), 2 sen(60))
l
Para calcular el campo electrico total se debe calcular el campo de cada carga en
ese punto como vector y despues sumar vectorialmente. Primeramente se deter-
mina el centro del triangulo. Como ahora nos interesa el triangulo que se forma
al cortar el angulo de 60 en dos partes iguales, el cateto adyascente sera l/2, y el
cateto opuesto le llamaremos b y a la hipotenusa, que en realidad es la distancia
entre las cargas y el punto de interes sera d. As:
l/2 l
cos(30) = d=
d 2 cos(30)
Por otro lado,
b l sin(30) l
sin(30) = b = d sin(30) = = tan(30)
d 2 cos(30) 2
Por lo tanto, el centro tiene coordenadas:
l l tan(30)
c(xc , yc ) = ( , ) (3.12)
2 2
As que otra forma de ver la distancia de cualquiera de las cargas al centro es:
l
d= 1 + tan(30) (3.13)
2
La magnitud del vector unitario en esa direccion es 1, as que rq = c(xc , yc )/d.
Usamos la expresion (3.9) para calcular el campo debido a cada carga:
q l 1
Eq = K 2 (1, tan(30)).
d 2 d
El vector unitario para q sera rq = c(xc , yc )/d.
As que el campo de esa carga es:
ql
Eq = K 3 (1, tan(30)).
2d
Por u
ltimo, para el campo debido a la carga 2q tenemos:
2ql
Eq = K 3 (0, 1).
2d
As que, sumando componente a componente, se tiene que
Etot = Eq + Eq + E2q
ql ql ql ql ql
= (K 3
+ K 3 + 0, K 3 tan(30) K 3 tan(30) K 3 )
2d 2d d 2d d
ql
= K 3 (1, 1).
d
As que el campo resultante tiene magnitud
=K ql
E
d3
y direccion = 45.
Captulo 4
Matrices
Los arreglos rectangulares de n umeros reales (tambien llamado conjuntos de

vectores de Rn ) son utiles en muchas areas tanto de la fsica como en las ma-
tematicas, por ejemplo, para el calculo de cambio de bases entre vectores; o bien,
para funciones entre espacios vectoriales.
4.1. Definici
on y operaciones
Definicion 4.1 (Matriz y sus elementos). Sean aij R con 1 i n, 1 j m,
donde n, m N. Diremos que los aij son los elementos de una matriz A, y as una
matriz es un arreglo rectangular denotada con A = (aij ). El n
umero n nos dice
cuantos renglones y m cuantas columnas tiene la matriz A. El conjunto de todas
las matrices con elementos en R y de n renglones y m columnas es denotado por
Mnm (R).
Ejemplo 4.2. Los siguientes arreglos son ejemplos de matrices.

1 2 2 e
1. A = 3 0, 3. C = 3 1
2 0
,
1 4 0 0 0
1
4. D = ( ).
2. B = (2 1 0 3), 3
Como podemos ver, cada matriz tiene distinto tama no. La matriz A M32 (R),
B M14 (R) y as sucesivamente para las otras dos matrices.
Observaci on 4.3. Ya que una matriz puede tener cualquier n
umero de renglones
y columnas, entonces los n
umeros reales se pueden denotar en forma de matriz
como (a) M11 (R).
57
58 CAPITULO 4. MATRICES
Definici on 4.4 (Igualdad de matrices). Sean A y B dos matrices. Diremos que

A y B son iguales (denotado por A = B) si y solo si tiene el mismo tamano y
aij = bij para cada i y j.
2 1 2 1 0
Ejemplo 4.5. Sean las matrices A = ( ) y B=( ).
3 4 3 4 0
Tenemos que la matriz A B ya que no tienen el mismo tama
no, es decir, no
tienen el mismo n
umero de renglones y columnas.
on 4.6 (Suma de matrices). Sean A y B matrices en Mnm (R). La
Definici
suma de A con B (denotado por A + B) es la matriz que se obtiene al sumar los
elementos correspondientes de las matrices. La operacion suma se puede ver como
una funcion definida de la siguiente forma
+ Mnm (R) Mnm Mnm (R)
con la regla de correspondencia
+(A, B) = ([aij + bij ]).
Nota: No se pueden sumar matrices con diferentes tama

nos.
2 1 0 3 4 3 5 1
Ejemplo 4.7. Sean A = 1 0 2 4 y B = 2 2 0 1, entonces la
4 2 7 0 3 2 4 5
2 4 5 4
suma es C = A + B = 1 2 2 3 .
7 0 3 5
Definici on 4.8 (Multiplicacion escalar). Sea A Mnm (R) y R. La multi-
plicacion escalar de A con (denotado por A) es la matriz que se obtiene al
multiplicar cada elemento de A por . Al igual que la suma, podemos definir la
multiplicacion escalar como una funcion de la siguiente forma
R Mnm (R) Mnm (R)
(, A) = (aij ).
4 2 8 4 4 2
Ejemplo 4.9. Sea A = 1 3, entonces 2A = 2 6 y (1)A = 1 3.
1 0 2 0 1 0
Y OPERACIONES
4.1. DEFINICION 59
Observaci on 4.10. Si B es una matriz, B denotara a la multiplicacion escalar

(1)B. Si A y B son dos matrices, entonces AB se define como la suma A+(B) =
A + (1)B.
Antes de dar una definicion para la multiplicacion de dos matrices, debemos
dar una peque na definicion la cual involucra a los elementos del producto carte-
siano, tambien llamados vectores del espacio vectorial Rn .
Definicion 4.11 (Producto punto). Sean a = (a1 , . . . , an ) y b = (b1 , . . . , bn )

dos vectores de Rn . Diremos que el producto punto de a con b (denotado por ab)
es el numero real que se obtiene de sumar todos los productos de cada entrada
correspondiente; es decir, es la funcion definida de la siguiente manera
Rn Rn R

n
(a, b) = ai bi .
i=1
Una vez definido el producto punto, ya podemos definir la multiplicacion de

matrices.
Definici on 4.12 (Multiplicacion de matrices). Sean A Mnr (R) y B
Mrm (R). La multiplicacion de A con B (denotado por AB) es la matriz en
Mnm (R) cuyos elementos cij son el resultado del producto punto del i-esimo
renglon de A con la j-esima columna de B, es decir, es la funcion
Mnr (R) Mrm (R) Mnm (R)

r
(A, B) = ( aik bkj )
k=1
para cada i = 1, . . . , n y j = 1, . . . , m.
1 2 4 4 1 4 3
Ejemplo 4.13. Sea A = ( ) y B = 0 1 3 1.
2 6 0 2 7 5 2
Si tomamos el segundo renglon de A y la tercer columna de B tenemos que el
elemento c23 = (2 4) + (6 3) + (0 5) = 26.
12 27 30 13
Entonces el producto AB = ( ).
8 4 26 12
Observaci on 4.14. La multiplicacion de matrices no siempre es conmutativa, es

decir; AB BA. Es facil ver que no se cumple la conmutatividad y el estudiante
podra hacer una demostracion con dos matrices de M22 (R) cualesquiera.
Teorema 4.15. Sean A, B y C matrices y sean a, b R. Supongamos que

las matrices tiene los tama
nos adecuados para efectuar las operaciones. Entonces
tenemos las siguientes igualdades:
1. A + B = B + A, 6. a(B + C) = aB + aC,
2. A + (B + C) = (A + B) + C,
7. (a + b)C = aC + bC,
3. A(BC) = (AB)C,
8. (ab)C = a(bC),
4. A(B + C) = AB + AC,
5. (B + C)A = BA + CA, 9. a(BC) = (aB)C = B(aC).
La demostracion de este teorema se deja como un ejercicio para el estudiante.

Solo debe ocupar las definiciones que hemos dado antes. Puede comenzar con una
matriz de 2 2, pero se debe hacer la demostracion para cualquier tama no de las
matrices.
Con todas estas definiciones se puede ver a las matrices como un espacio
vectorial sobre los n
umeros reales, y el estudiante debe verificar esta afirmacion.
Ejercicios
1. Sea A, B M22 (R). Como deben ser las matrices A y B para que AB =
BA? Hint: Utilice la Definicion 4.4 y vea como deben ser los elementos de
las matrices.
2. Demuestre el Teorema 4.15.
4.2. La matriz transpuesta

Siguiendo con nuestro estudio de las matrices, tenemos una operacion (funcion)
que transforma una matriz de tama no n m en una de m n. As, esta funcion
(la transpuesta) vincula a dos espacios vectoriales.
on 4.16 (La transpuesta de A). Sea (aij ) = A Mnm (R). La matriz

Definici
transpuesta de A (denotada por At ) es la matriz que se obtiene de cambiar el i-
esimo renglon por la i-esima columna, o bien, cambiar a la j-esima columna por
4.3. MATRICES ESPECIALES 61
el j-esimo renglon, as At Mmn (R). Se puede ver a la operacion transpuesta

como
t Mnm (R) Mmn (R)
t(A) = t((aij )) = (aji ).
1 2 1 2 1
Ejemplo 4.17. Sea A = 2 5. Entonces At = ( ).
1 0 2 5 0
Teorema 4.18. Suponiendo que los tama nos de las matrices A y B son los
adecuados para poder ejecutar las operaciones y R, tenemos:
1. (At )t = A, 3. (A)t = At ,
2. (A + B)t = At + B t , 4. (AB)t = B t At .
3 4 9 3
Ejemplo 4.19. Sean A = ( ) y sea = 4. Entonces At = ( ) y
1 3 12 9
9 12 t 9 3
(A)t = (( )) = ( ). Entonces, podemos decir que el inciso del teorema
3 9 12 9
anterior es valido para una matriz de 2 2.
Ejercicios
1. Demuestre el Teorema 4.18. Hint: Utilice la Definicion 4.16.
4.3. Matrices especiales

Ahora veamos unas matrices, las cuales se pueden comparar con los vectores
identidad y nulo de Rn con las operaciones previamente dadas.
on 4.20 (Matriz cuadrada). Sea A Mnn (R) un matriz. Diremos que

Definici
A es cuadrada de orden n, o simplemente de orden n.
Ejemplo 4.21. Las siguientes matrices son cuadradas de orden 2 y 3, respecti-

vamente.
1. A = (
1 2
), 1 2 3
3 4 2. B = 4 5 6.
7 8 9
on 4.22 (Matriz identidad). Sea A Mnn (R) una matriz cuadrada de

Definici
orden n. Diremos que A es la matriz identidad de orden n (denotada por In ) si
cumple que aij = 1 con i = j y aij = 0 con i j.
Ejemplo 4.23. Las siguientes matrices son identidad de orden 2 y 3, respectiva-
mente.
1. I2 = (
1 0
), 1 0 0
0 1 2. I3 = 0 1 0.
0 0 1
Teorema 4.24. Sea A Mnm (R). Entonces In A = A y AIm = A, donde In y

Im son las matrices identidad de orden n y m, respectivamente.
Demostracion. La demostracion de este teorema no es difcil, solo se debe usar
las definiciones 4.12 y 4.22, as que el estudiante debe ser capaz de realizarla.
Definici on 4.25 (Matriz cero). La matriz cuyos elementos son todos iguales a
cero se llama matriz cero. Denotaremos a dicha matriz como 0nm para denotar
a la matriz cero con n renglones y m columnas.
Si 0nm y A Mnm (R) son matrices, es facil ver que A+0nm = A. Por lo tanto,
en esta ecuacion, la matriz 0nm se comporta exactamente igual que el n umero 0
que en la ecuacion a + 0 = a de los n
umeros reales.
Como ya se sabe que algunas propiedades de los n umeros reales no son vali-
das para las matrices, sera malo suponer que cualquier matriz cero hereda las
propiedades del n umero real cero. Como por ejemplo
1. Si ab = ac y a 0, entonces b = c. (A este resultado se le conoce como la ley

de la cancelacion para la multiplicacion.)
2. Si ad = 0, entonces a = 0 o bien d = 0.
Como veremos en el siguiente ejemplo, los anteriores resultados para los n

umeros
reales no siempre son verdaderos para las matrices.
0 1 1 1 2 5
Ejemplo 4.26. Sean las matrices A = ( ), B = ( ), C = ( ) y D=
0 2 3 4 3 4
3 7
( ).
0 0
4.3. MATRICES ESPECIALES 63
3 4
En este caso, AB = AC = ( ).
6 8
No obstante tenemos que A 022 , as que es incorrecto cancelar a A en
ambos lados de la ecuacion y escribir B = C. Por lo tanto la ley de cancelacion no
es valida, en general para las matrices.
Ademas AD = 022 , pero A 022 y D 022 , por lo que el resultado 2 no es
valido para las matrices.
Teorema 4.27. Sea A una matriz cualquiera y 0 la matriz cero. Suponiendo los
tama
nos son tales que las operaciones indicadas se pueden efectuar, tenemos
1. A + 0 = 0 + A = A, 3. 0 A = A,
2. A A = 0, 4. A0 = 0; 0A = 0.
Demostracion. La demostracion se queda como ejercicio para el estudiante, y solo

debe usar las definiciones adecuadas, procediendo por igualdades.
Definici
on 4.28 (Diagonal principal). Sea A una matriz cuadrada de orden n.
Diremos que los elementos, a11 , . . . , ann estan en la diagonal principal de A.
Definicion 4.29. Sea A una matriz cuadrada de orden n. Diremos que los ele-
mentos aij con i > j estan debajo de la diagonal principal. Y los elementos aij
con i < j diremos que estan arriba de la diagonal.
Definicion 4.30 (Matriz diagonal). Sea A una matriz cuadrada de orden n.

Diremos que A es diagonal si todos sus elementos que no estan en la diagonal
principal son iguales a cero.
Ejemplo 4.31. Las siguientes matrices son diagonales.
1. A = (
1 0
), 1 0 0 0 0 0
0 1 2. B = 0 3 0, 3. C = 0 1 2.
0 0 2 0 0 2
Definicion 4.32 (Matriz triangular). Sea A una matriz cuadrada de orden n.

Diremos que A es una matriz triangular si todos los elementos debajo (o arriba)
de la diagonal son cero.
Ejemplo 4.33. Las siguientes matrices son ejemplos de matrices triangulares.

1 1 1 0 1 0 0
1. A = ( ), 2. B = ( ),
0 1 3 2 3. C = 2 0 0.
1 5 3
Definicion 4.34 (Matriz simetrica y antisimetrica). Sea A una matriz cuadrada

de orden n. Diremos que A es simetrica si A = At . Y si A = At diremos que es
antisimetrica.
Ejemplo 4.35. Sea B una matriz de orden n. Demuestre que BB t es simetrica.
Solucion de 4.35: La demostracion se hara mediante las propiedades de la funcion

transpuesta. Sea B una matriz de orden n. Por demostrar que BB t = (BB t )t .
(BB t )t = (B t )t B t por el inciso 4 del Teorema 4.18.

= BB t por el inciso 1 del Teorema 4.18.
Por lo tanto BB t es simetrica.
Definicion 4.36 (Submatriz). Sea A Mnm (R). Diremos que B es una subma-
triz de A, si B se obtiene de suprimir cualquier n
umero de renglones y columnas
de la matriz A.
1 2 3 4
Ejemplo 4.37. Sea A = 5 4 3 2, entonces la submatriz B que resulta de
3 1 3 1
4 2
eliminar el primer renglon y la primer y tercer columnas es B = ( ).
1 1
Ejercicios
3. Demuestre que, si A y B son matrices cuadradas de orden n tales que AB =

BA, entonces (A + B)2 = A2 + 2AB + B 2 .
4. Sea A una matriz de orden n. Demuestre que B + B t es simetrica y que

B B t es antisimetrica.
4.4. OPERACIONES ELEMENTALES 65
4.4. Operaciones elementales

Las operaciones que se realizan a los renglones de una matriz son muy u
tiles
para el calculo de la matriz inversa o para obtener una matriz equivalente (lo
cual se vera en las futuras secciones). Pero para ello necesitamos primero las
definiciones correctas y ver unos ejemplos.
on 4.38 (Operaciones elementales). Sea A Mnm (R) una matriz. Las

Definici
operaciones elementales por renglones en la matriz A son:
1. Intercambiar los renglones i-esimo y j-esimo de A, y lo denotamos por Pij .
2. Multiplicar el i-esimo renglon de A por R con 0, denotado por

Mi ().
3. Sumar veces el i-esimo renglon al j-esimo de A, denotado por Aij ().
1 2 3
Ejemplo 4.39. Sea A = 4 5 6. Aplicando solo operaciones elementales, ob-
7 8 9
tenga una matriz triangular.
Solucion de 4.39: Partiendo de la matriz original A y aplicando las operaciones

1 2 3 A12 (4) 1 2 3 A13 (7)
elementales necesarias tenemos, A = 4 5 6 A = 0 3 6
7 8 9 7 8 9
1 2 3
A23 (2) 1 2 3
A = 0 3 6 A = 0 3 6. Por lo tanto la matriz A es la

0 6 12 0 0 0
matriz triangular buscada.
Ejercicios
1 2 3
1. Encuentre una matriz diagonal partiendo de A = 2 5 3.
1 0 8
1 6 4
2. Encuentre una matriz triangular partiendo de A = 2 4 1.
1 2 5
4.5. Matrices equivalentes

En muchas ocasiones, trabajar con una matriz resulta difcil, por ejemplo, si
esta tiene a todos sus elementos distintos de cero, para simplificar el trabajo se
busca una matriz que sea manejable. La equivalencia de matrices se puede pensar
como la igualdad entre dos matrices, salvo que una de ellas tendra que ser mas
manejable que otra.
on 4.40 (Matrices equivalentes). Sean A y B matrices en Mnm (R).

Definici
Diremos que A y B son equivalentes (denotado por A B) si se puede obtener
una partiendo de la otra mediante un n
umero finito de operaciones elementales.
Ejemplo 4.41. En la Solucion de 4.39 tenemos que A A A A .

Tambien las dos matrices siguientes son equivalentes, pues la segunda se ob-
tiene de la primera sumando el tercer renglon al segundo.
1 3 2 4 1 3 2 4
0 1 2 3 0 1 2 3 .
2 1 3 4 2 2 5 7
Ejercicios
1. Encuentre una matriz equivalente tal que tenga ceros en la primer columna,
partiendo del segundo renglon, es decir, el u
nico elemento distinto de cero
de la primer columna es a11 ; para cada una de las siguientes matrices:
a) A = (
1 0 1 0
). 1 0 1 0
3 1 3 1 c) C = 3 1 3 1.
2 2 2 2
1 2 3
2 3 4
d) D = .
1 2 3 3 4 5
b) B = ( ). 4
2 1 3 5 6
4.6. Forma escalonada reducida

Definicion 4.42 (Matriz escalonada reducida). Sea A Mnm (R). Diremos que
A esta en su forma escalonada reducida si cumple las siguientes condiciones:
4.6. FORMA ESCALONADA REDUCIDA 67
1. Todos los renglones (si los hay) cuyos elementos son todos cero aparecen en
la parte inferior de A.
2. El primer n umero diferente de cero (comenzando por la izquierda) en cual-

quier renglon cuyos elementos no son todos cero es 1.
3. Si dos renglones sucesivos tienen elementos distintos de cero, entonces el

primer 1 en el renglon de abajo esta mas hacia la derecha que el primer 1
en el renglon de arriba.
4. Cualquier columna que contiene el primer 1 de un renglon, tiene ceros en

el resto de sus elementos. El primer n
umero diferente de cero en un renglon
(si lo hay) se llama pivote para ese renglon.
Ejemplo 4.43. Las siguientes matrices estan en la forma escalonada reducida.
1 0 0 3. C = (
1 0 0 5
),
1. A = 0 1 0, 0 0 1 2
0 0 1
1 0 0 0 1 0 2 5
2. B = 0 1 0 0, 4. D = 0 1 3 4.
0 0 0 1 0 0 0 0
on 4.44 (Matriz escalonada). Sea A Mnm (R). Diremos que A esta en

Definici
su forma escalonada si se cumplen las condiciones 1, 2 y 3 de la Definicion 4.42.
Ejemplo 4.45. Las siguientes matrices estan en su forma escalonada.
1 2 3 3. C = (
1 0 2 5
),
1. A = 0 1 5, 0 0 1 2
0 0 1
1 1 6 4 1 3 2 5
2. B = 0 1 2 8, 4. D = 0 1 3 6.
0 0 0 1 0 0 0 0
Ejemplo 4.46. Describir de manera explcita todas las matrices escalonadas re-
ducidas de M12 (R).
Solucion de 4.46: Sea R. Aplicando la Definicion 4.42 deducimos que todas

las matrices tienen una de estas tres formas:
1. (1 ), 2. (0 1), 3. (0 0).
Ejercicios
1. Describa de manera explcita todas las matrices escalonadas reducidas de
M22 (R). Hint: hay cuatro formas que describen a las matrices escalonadas
reducidas.
4.7. Rango de una matriz

El rango de una matriz, en el fondo es la dimension del espacio generado por
los renglones de la matriz, ya que los renglones los podemos ver como los vectores
de Rm . Ya hemos definido las operaciones suma y multiplicacion escalar para R2
en el Ejercicio 4, de la seccion 1 del Captulo 3 , que en esta seccion se utilizara.
Pero se definiran nuevamente.
Definici on 4.47 (Suma, multiplicacion escalar e igualdad de R2 ). Sea a = (a1 , a2 )

y b = (b1 , b2 ) dos vectores en R2 ; y sea R. La suma de a+b es (a1 +b1 , a2 +b2 )
y la multiplicacion escalar de a es (a1 , a2 ). Y decimos que a es igual a b
(denotado por a = b) si y solo si a1 = b1 y a2 = b2 .
La definicion anterior se puede extender para el espacio vectorial Rn , as que

no se tiene que definir la suma o multiplicacion escalar para cada n N.
on 4.48 (Rango de una matriz). Sea A Mnm (R). Diremos que el

Definici
rango de A (denotado mediante r(A)) es el n
umero de maximo de renglones
linealmente independientes.
2 1 0
Ejemplo 4.49. Sea A = ( ). Entonces el r(A) = 2, ya que si tomamos una
0 1 1
combinacion lineal de los renglones y es igualada al vector 0 = (0, 0, 0), tenemos:
1 (2, 1, 0) + 2 (0, 1, 1) = (0, 0, 0) Definicion 3.22.

= (21 , 1 , 0) + (0, 2 , 2 )
= (21 , 1 + 2 , 2 ) Definicion 4.47.
4.7. RANGO DE UNA MATRIZ 69
Por lo tanto tenemos
0 = 21
0 = 1 + 2
0 = 2 Definicion 4.47.
Lo que nos lleva a que 1 = 0 = 2 . Por lo tanto el rango de la matriz A es 2.
Obtener el rango de una matriz suele ser algo complicado, ya que si la ma-
triz es bastante grande, se complica determinar el n umero maximo de renglones
linealmente independientes. As, para simplificar el calculo del rango, tenemos los
siguientes teoremas.
Teorema 4.50 (El rango y las operaciones elementales). Las operaciones elemen-
tales no alteran el rango de un matriz.
El siguiente corolario es una consecuencia inmediata del teorema anterior.
Corolario 4.51 (El rango de matrices equivalentes). Sean A y A matrices en

Mnm (R) tales que A A . Entonces r(A) = r(A ).
Observaci on 4.52. Debido al Corolario 4.51 concluimos que el rango de una

matriz A es el n
umero de renglones distintos de cero de la matriz escalonada
reducida de A.
Ejemplo 4.53. De la Solucion de 4.39 tenemos que el r(A) = 2 = r(A ). Es facil

verificar que los renglones 1 y 2 de A son linealmente independientes y que los

renglones 1, 2 y 3 de A no lo son.
Las demostraciones de los teoremas o corolarios fueron omitidas, pero se pue-

den consultar en [Fra02]; o bien, en [How84].
Ejercicios
1. Encuentre el rango de las siguientes matrices:
1 1 2 0 1 1 1 0
2 1 3 1 2 1 1 0
a) A = ,
0 1 1 1 b) B =
3 2 1 1.
1 2 1 3 1 1 5 0

2 1 7 0
4.8. Matrices elementales

En secciones previas se definieron las operaciones elementales, estas nos lle-
varan a otro tipo de matrices, las cuales seran definidas a continuacion.
Definicion 4.54 (Matriz elemental). Sea A una matriz cuadrada de orden n. Di-
remos que A es elemental si es posible obtenerla a partir de la matriz In mediante
una sola operacion elemental.
Ejemplo 4.55. Las siguientes matrices son elementales.
1 0
1. ( ), la cual se obtuvo por aplicar M2 (3) a la matriz I2 .
0 3
1 0 0 0
0 0 0 1
2. , la cual se obtuvo por aplicar P24 a la matriz I4 .
0 0 1 0
0 1 0 0
1 0 3
3. 0 1 0, la cual es de aplicar A31 (3) a la matriz I3 .
0 0 1
Teorema 4.56. Sea A Mnm (R) y sea B que resulta de aplicar una sola
operacion en los renglones de A. Si E es la matriz elemental que se obtiene al
ejecutar la misma operacion en los renglones de In , entonces B = EA.
Se omitira la demostracion del teorema, pero la idea de la demostracion es
tener tres casos, es decir, uno por cada operacion elemental. Suponiendo que B se
obtuvo a partir de A aplicando una operacion elemental, aplicar las definiciones
de igualdad y de multiplicacion de matrices.
1 0 2 3
Ejemplo 4.57. Sea la matriz A = 2 1 3 6 y aplicamos la operacion A13 (3),
1 4 4 0
1 0 2 3
obtenemos la matriz B = 2 1 3 6. Por otro lado tenemos que la matriz
4 4 10 9
1 0 0
elemental correspondiente a la operacion que aplicamos a A es E = 0 1 0. Con
3 0 1
esto tenemos que EA = B (el estudiante debe hacer los calculos para comprobar
la igualdad).
4.9. MATRICES INVERTIBLES 71
Ejercicios
4 3 1
1. Sea A = 4 8 9, expresar a A como:
1 2 1
a) E2 (E1 B), b) E3 (E2 (E1 B)), c) E4 (E3 (E2 (E1 B))).
(donde Ei son matrices elementales, B es una matriz que el estudiante elija

pero que sea equivalente con A, ademas B; en el inciso c); debera ser una
matriz triangular superior).
4.9. Matrices invertibles

As como en las funciones, el concepto de invertible esta presente en las matri-
ces, y en esta seccion se desarrollara la teora respecto a este concepto. Ademas

en los cursos de Algebra Lineal, las funciones y las matrices seran relacionadas.
Otra forma de resolver el Ejemplo 4.26, es ver que la matriz A no es invertible,
y al final de la seccion el alumno observara la facilidad del ejemplo mencionado.
Definici
on 4.58 (Matriz invertible). Sea A una matriz cuadrada de orden n.
Diremos que A es invertible si existe una matriz B de orden n tal que AB =
BA = In . A la matriz B se le llama la inversa de A.
3 5 2 5
Ejemplo 4.59. La matriz B = ( ) es la inversa de A = ( ) ya que:
1 2 1 3
2 5 3 5 1 0
AB = ( )( )=( ) = I2
1 3 1 2 0 1
y ademas
3 5 2 5 1 0
BA = ( )( )=( ) = I2 .
1 2 1 3 0 1
a b
Ejemplo 4.60. Sea A = ( ) una matriz de orden 2. Si ad bc 0 y B =
c d
1 d b
( ) una matriz de orden 2, entonces AB = BA = I2 . Por lo tanto, la
ad bc c a
matriz B es una formula para calcular la inversa de A.
Teorema 4.61 (Unicidad de la matriz inversa). Si B y C son inversas de la

matriz A de orden n, entonces B = C.
Demostracion. Sea A una matriz de orden n invertible. Supongamos que B es tal
que AB = BA = In y que C es tal que AC = CA = In . Por demostrar que B = C.
Multiplicando por C a BA = In tenemos que (BA)C = In C = C pero (BA)C =
B(AC) = BIn = B. Por lo tanto B = C. Es analogo si se multiplica por C a
AB = In .
Como consecuencia del teorema anterior, denotaremos a la matriz inversa de
A como A1 .
Teorema 4.62. Sean A y B matrices cuadradas de orden n invertibles, entonces
1. AB es invertible, 2. (AB)1 = B 1 A1 .
Demostracion. Sean A y B matrices cuadradas de orden n invertibles. Si podemos

mostrar que (AB)(B 1 A1 ) = (B 1 A1 )(AB) = In , entonces habremos demostra-
do que AB es invertible.
Entonces sean A1 y B 1 las matrices inversas, entonces
In = AA1 porque A es invertible.
= AIn A1 Teorema 4.24.
= A(BB 1 )A1 porque B es invertible.
= (AB)(B 1 A1 ) Teorema 4.15.
En forma analoga tenemos que (B 1 A1 )(AB) = In .
1 2 3 2 7 6
Ejemplo 4.63. Sean A = ( ), B = ( ) y AB = ( ). Aplicando la
1 3 2 2 9 8
3 2
formula que se obtuvo en el Ejemplo 4.60, obtenemos A1 = ( ), B 1 =
1 1
1 1 1 = ( 4 3 4 3
( 3 ) y (AB) 7 ). Ademas B 1 A1 = ( 9 7 ).
1 2 2 2
9
2 2
As como existe la potencia de n
umeros reales, la hay en las matrices. Es muy
u
til cuando se necesita obtener la inversa de una matriz que es la multiplicacion
de ella misma.
Definicion 4.64 (Potencias en matrices). Sea A una matriz cuadrada de orden
n y s N. Definimos As = AAA . Tambien, si A es invertible, As = (A1 )s =

sf actores
A1 A1 A1 . Ademas A0 = In .

sf actores
4.9. MATRICES INVERTIBLES 73
Teorema 4.65. Sea A una matriz cuadrada de orden n invertible, entonces

1
1. Para todo k R con k 0, kA es invertible y (kA)1 = A1 .
k
2. A1 es invertible y (A1 )1 = A.
3. As es invertible y (As )1 = (A1 )s para s N.
Demostracion. Sea A una matriz cuadrada de orden n invertible. Tomando la idea

del Teorema 4.62 para demostrar cada inciso tenemos
1. Sea 0 k R.
1 1
(kA) ( A1 ) = (kA)A1
k k
1
= ( k) AA1 Teorema 4.15.
k
= In porque A es invertible.
1
En forma similar, ( A1 ) (kA) = In .
k
2. Como AA1 = A1 A = In , se sigue que A1 es invertible y ademas (A1 )1 =
A.
3. Se hara por induccion sobre s N.
a) Por demostrar que A0 es invertible. Por definicion A0 = In , In es inver-

tible porque In In = In , por lo que In1 = In .
b) Supongamos que se cumple para s, es decir, As es invertible y (As )1 =
(A1 )s .
c) Por demostrar que se cumple para s + 1, es decir, As+1 es invertible y
(As+1 )1 = (A1 )s+1 . Como A y As son invertibles, por el Teorema 4.62
tenemos que AAs = As+1 es invertible y ademas
(As+1 )1 = (AAs )1
= (As )1 A1
= (A1 )s A1 Hip. Ind.
= (A1 )s+1 Definicion 4.64.
Con esto se termina la demostracion.

Teorema 4.66. Toda matriz elemental es invertible, y su inversa es tambien una

matriz elemental.
Demostracion. Sea E una matriz elemental de orden n. Entonces In se puede

obtener aplicando una sola operacion elemental de E, digamos e0 . Sea E0 la matriz
que resulta de aplicar e0 a la matriz In . Entonces por el Teorema 4.56 tenemos
que E0 E = In .
Para completar la demostracion, basta con probar que EE0 = In .
Puesto que E0 es una matriz elemental, existe una operacion elemental, diga-
mos e1 , que al aplicarsela a E0 da como resultado In . Sea E1 la matriz que resulta
aplicar e1 a In . Entonces por el Teorema 4.56 tenemos que E1 E0 = In . Multipli-
cando por E1 a E0 E = In tenemos que E1 E0 E = E1 , es decir; E = E1 , as tenemos
que E1 E0 = EE0 = In . Por lo tanto E es invertible.
1 0 1 0
Ejemplo 4.67. Sea E = ( ). Entonces E 1 = ( ).
1 1
1 0 1 0 1 0
Entonces EE 1 = ( )( )=( ) = E 1 E.
1 1 0 1
Observaci on 4.68. Del Ejemplo 4.67 y del Teorema 4.66 tenemos que si E es
una matriz elemental de orden n, la cual se obtuvo de aplicar una de las siguientes
operaciones Pij , Mi () o Aij (). La matriz E 1 es una matriz elemental de orden
n que se obtiene de aplicar una de las siguientes operaciones Pji , Mi ( 1 ) o Aij ().
Teorema 4.69. Sea A una matriz cuadrada de orden n. Si A es invertible,

entonces At es invertible y (At )1 = (A1 )t .
Demostracion. Sea A una matriz de orden n invertible, es decir, existe B = A1

tal que AB = BA = In . Por el Teorema 4.18 tenemos que (AB)t = B t At = In
y (BA)t = At B t = In , por lo que At es invertible y B t es la inversa, es decir,
(At )1 = B t = (A1 )t .
4.10. C
alculo de la inversa de una matriz
Como ya habamos mencionado, la ley de la cancelacion no aplica a las matri-
ces, pero se puede hacer un tipo de cancelacion siempre y cuando la matriz sea
invertible, ahora veremos como obtener la matriz inversa de una matriz A.
Teorema 4.70. Sea A una matriz de orden n. Si A es equivalente a In entonces

A es invertible.

4.10. CALCULO DE LA INVERSA DE UNA MATRIZ 75
Demostracion. Supongamos que A es equivalente a In , es decir; A se puede reducir

a In mediante una sucesion finita de operaciones elementales, digamos E1 , . . . , Ek .
Por el Teorema 4.56, tenemos Ek . . . E1 A = In . Por el Teorema 4.66, E1 , . . . , Ek
son invertibles. As, A = E11 . . . Ek1 In = E11 . . . Ek1 , por lo que A es un producto
de matrices invertibles. Por lo tanto A es invertible.
La demostracion anterior nos da una forma de encontrar la matriz inversa de

una matriz.
1 2 3
Ejemplo 4.71. Encuentre la matriz inversa de A = 2 5 3.
1 0 8
Solucion de 4.71: Se quiere transformar a A en la matriz identidad mediante

operaciones elementales, y al mismo tiempo, aplicar las mismas operaciones ele-
mentales a I3 para obtener A1 . Esto se puede lograr escribiendo la matriz I3 a
la derecha de A y aplicando las operaciones en los renglones de las dos matrices
hasta que el lado izquierdo se haya transformado en I3 . As, la matriz tendra la
forma (I3 RRRRR A1 ). Entonces
1 2 3 RRR 1 0 0 A12 (2) 1 2 3 RRR 1 0 0
A = 2 5 3 RRRRR 0 1 0 0 1 3 RRRRR 2 1 0
1 0 8 RRR 0 0 1 1 0 8 RRR 0 0 1
1 2 3 RRR 1 0 0 1 2 3 RRR 1 0 0
A13 (1) A23 (2)
0 1 3 RRR 2 1 0 0 1 3 RRRRR 2 1 0
R
R
0 2 5 RRR 1 0 1 0 0 1 RRR 5 2 1
1 2 3 RRR 1 0 0 1 2 3 RRR 1 0 0
M3 (1) A32 (3)
R
0 1 3 RRR 2 1 0 0 1 0 RRRRR 13 5 3
R
0 0 1 RRR 5 2 1 0 0 1 RRR 5 2 1
1 2 0 RRR 14 6 3 1 0 0 RRR 40 16 9
A31 (3) A21 (2)
0 1 0 RRRRR 13 5 3 0 1 0 RRRRR 13 5 3
0 0 1 RRR 5 2 1 0 0 1 RRR 5 2 1
40 16 9
Por lo tanto, A1 = 13 5 3.
5 2 1
Dada una matriz, muy frecuentemente, no se sabe si es invertible o no. Si se
trata de aplicar el procedimiento anterior a una matriz que no es invertible enton-
ces sera imposible reducir el lado izquierdo a In mediante operaciones elementales.
As que en algun momento durante el proceso, aparecera un renglon de ceros en
el lado izquierdo. Lo que podemos concluir es que la matriz no es invertible.
1 6 4
Ejemplo 4.72. Sea la matriz A = 2 4 1.
1 2 5
Solucion de 4.72: Entonces tenemos

1 6 4 RRR 1 0 0 A12 (2) 1 6 4 RRR 1 0 0
A = 2 4 1 RRRRR 0 1 0 0 8 9 RRRRR 2 1 0
1 2 5 RRR 0 0 1 1 2 5 RRR 0 0 1
1 6 4 RRR 1 0 0 1 6 4 RRR 1 0 0
A13 (1) A23 (1)
0 8 9 RRRRR 2 1 0 0 8 9 RRRRR 2 1 0
0 8 9 RRR 1 0 1 0 0 0 RRR 1 1 1
As la matriz no es invertible, ya que el tercer renglon es igual a ceros.
Ejercicios
1. Calcule la matriz inversa de cada una de las siguientes matrices (si las hay):
2 3 2 4 6
a) A = ( ).
4 5 c) A = 4 5 6 .
3 1 2
1 3 4
2 4 d ) A = 2 5 7.
b) A = ( ). 0 1 1
1 3
2. Demuestre que Mnm (R) es un espacio vactorial. Hint: recuerde que no es

necesario mostrar todas las propiedades del espacio vectorial.
3. Es el conjunto de todas las matrices un espacio vectorial sobre R con las

operaciones definidas en este captulo? Hint: El conjunto de todas las ma-
trices M (R) contiene a Mnm (R); es decir, Mnm (R) M (R).
Aplicaciones hacia la Fsica

Las transformaciones de Galileo
Una transformacion de Galileo es un cambio de coordenadas y velocidades
que dejan fijas las ecuaciones de Newton. La condicion anterior equivale a que la
transformacion entre las coordenadas de un sistema de referencia y otro sistema
que se mueve respecto al primero sea tambien una transformacion de Galileo.

Tambien permiten relacionar las observaciones que se realizan del movimiento

de una partcula desde dos sistemas de referencia.
Galileo propuso que si se tiene un sistema S en reposo y uno en movimiento S ,
a velocidad constante v respecto del primero a lo largo del sentido positivo del eje
x. Si las coordenadas de un punto del espacio para el sistema S son P = (x, y, z)
y para el sistema S son P = (x , y , z ), se establece un conjunto de ecuaciones
de transformaciones de coordenadas. Por lo que si se desea hallar las coordenadas
de S a partir de S se tienen las ecuaciones:
x =x vt
y =y
z =z
En cuanto al tiempo, tenemos
t = t
Las ecuaciones anteriores se pueden escribir en forma matricial como:
x 1
0 0 v x
y 0
1 0 0 y
=
z 0 0 1 0 z
t 0 0 0 1 t
Las transformaciones de Galileo para la posicion se pueden derivar respecto

al tiempo para obtener las relaciones de transformacion para la velocidad, y si
derivamos nuevamente, obtendremos las de la aceleracion.
dx d(x vt)
u = = =uv Para la velocidad.
dt dt
du d(u v)
a = = =a Para la aceleracion.
dt dt
Las ecuaciones anteriores son las transformaciones mas simples de Galileo,
pero en general se consideran del tipo anterior pero en cualquier direccion, como
se muestra en la Figura 4.1.
Las transformaciones de Lorentz

Las transformaciones de Lorentz, dentro de la teora de la relatividad especial,
son un conjunto de ecuaciones que dan cuenta de como se relacionan las medidas
Figura 4.1: Cambio de coordenadas en distintos sistemas de referencias.
de una magnitud fsica obtenidas por dos observadores diferentes, de manera si-
milar que las transformaciones de Galileo, pero permiten preservar el valor de la
velocidad de la luz constante para todos los observadores. Estas ecuaciones esta-
blecen la base matematica de la teora de la relatividad especial de Einstein, ya que
las transformaciones de Lorentz precisan el tipo de geometra del espacio-tiempo
requeridas por la teora de Einstein (matematicamente el conjunto de todas las
transformaciones de Lorentz forman el grupo de Lorentz).
Una de las consecuencias de que en mecanica relativista no exista un tiempo
absoluto, es que tanto el intervalo de tiempo entre dos sucesos, como las distancias
efectivas medidas por diferentes observadores en diferentes estados de movimiento
son diferentes. Eso implica que las coordenadas de tiempo y espacio medidas por
dos observadores difieran entre s. Sin embargo, debido a la objetividad de la
realidad fsica las medidas de unos y otros observadores son relacionables por
reglas fijas: las transformaciones de Lorentz para las coordenadas.
Para examinar la forma concreta que toman estas transformaciones de las
coordenadas se consideran dos sistemas de referencia S y S . Supongamos que
cada uno de ellos representa un mismo punto P (representable por un instante de
tiempo y tres coordenadas espaciales) por dos sistemas de coordenadas diferentes,
es decir, PS = (t, x, y, z) y PS = (t , x , y , z ).
Puesto que los dos conjuntos de cuatro coordenadas representan el mismo
punto, estas deben estar relacionadas de alg un modo. Las transformaciones de
Lorentz dicen que si el sistema S esta en movimiento uniforme a velocidad v a

lo largo del eje x del sistema S y en el instante inicial (t = t = 0) el origen de

las coordenadas de ambos sistemas coinciden, entonces las coordenadas atribuidas

por los dos observadores estan relacionadas por las siguientes expresiones:
x vt t vx2
x = t = c
1 vc2 1 vc2
2 2
y = y z = z
Donde c es la velocidad de la luz en el vaco. Las relaciones anteriores se pueden

escribir tambien en forma matricial:
ct 0 0 ct

x 0 0 x

=
y 0 0 1 0 y
z 0 0 0 1 z
1 v
Donde = y= .
1 vc2
2 c
La transformacion de Lorentz anterior toma esa forma por el supuesto de que
el origen de coordenadas de ambos sistemas de referencia sea el mismo para t = 0;
si se elimina esta restriccion la forma de las ecuaciones se complica. Si, ademas,
se elimina la restriccion de que la velocidad relativa entre los dos sistemas se
de seg
un el eje x y que los ejes de ambos sistemas de coordenadas sean paralelos, las
expresiones de la transformacion de Lorentz se complican mas aun, denominandose
la expresion general transformacion de Poincare.
Captulo 5
Determinantes
Permutaci
on
Esta seccion puede ser omitida por el estudiante, pero sin ella, sera imposible la
comprension y la definicion de la funcion determinante para las matrices cuadradas
de orden n.
Definici on 5.1 (Permutacion). Una permutacion de un conjunto de enteros I =
{1, . . . , n} es un arreglo de enteros sin repeticion. Para denotar una permutacion
general del conjunto se escribira i = (j1 , . . . , jn ), donde i (1) = j1 es el primer
entero de la permutacion, i (2) = j2 es el segundo entero de la permutacion, y
as sucesivamente. Y el n umero de permutaciones para el conjunto I es de n!.
Ejemplo 5.2. Sea I = {1, 2, 3}, las permutaciones de I son 1 = (1, 2, 3), 2 = (2,
1, 3), 3 = (3, 1, 2), 4 = (1, 3, 2), 5 = (2, 3, 1) y 6 = (3, 2, 1).
Definici
on 5.3 (Inversion). Se dice que ocurre una inversion en la permutacion
i = (j1 , . . . , jn ) siempre que un entero se encuentre precedido por un entero
mayor, es decir, siempre que ji > jk con i < k.
El Algoritmo 5.1 sirve para calcular el n
umero de inversiones en una permu-
tacion.
Definicion 5.4 (Permutaciones pares o impares). Se dice que una permutacion
i es par si el n
umero de inversiones es un n
umero par, de lo contrario se dice
que la permutacion es impar.
Ejemplo 5.5. Utilizando el Algoritmo 5.1, calcular el n
umero de inversiones y
decir si es una permutacion par o impar:
1 = (6, 1, 3, 4, 5, 2) = 5 + 0 + 1 + 1 + 1 = 8 es una permutacion par,
81
82 CAPITULO 5. DETERMINANTES
Algoritmo 5.1: Calcula el n umero de inversiones de una permutacion

Data: i una permutacion
Result: numero de inversiones
1 numeroInversion = 0, n N;
2 foreach s {1, . . . , n 2} do
3 foreach h {s + 1, . . . , n} do
4 if js jh then
5 numeroInversion + = 1;
6 return numeroInversion;
2 = (2, 4, 1, 3) = 1 + 2 + 0 = 3 es una permutacion impar.
Definicion 5.6 (Producto elemental). Sea A Mnn (R). Un producto elemental

de A se define como cualquier producto de n elementos de A, donde todos los
factores pertenecen a columnas y renglones diferentes.
Ejemplo 5.7. Encontrar todos los productos elementales de las siguientes matri-
ces:
a a
1. A = ( 11 12 ). b11 b12 b13
a21 a22 2. B = b21 b22 b23 .
b31 b32 b33
Solucion de 5.7:
1. Puesto que cada producto elemental tiene dos factores, y ademas cada factor
pertenece a un renglon diferente, un producto elemental se puede escribir
como: a1 a2 donde los espacios en blanco designa los numeros de las colum-
nas. Puesto que cada factor pertenece a una columna diferente, los n
umeros
de las columnas deben ser 1 2 o 2 1, por lo tanto los u nicos productos
elementales son: a11 a21 y a12 a21
2. De la misma forma que en el inciso anterior, tenemos que a1 a2 a3 es un

producto elemental; y de igual forma en los espacios se debera poner los
elementos de las permutaciones del conjunto {1, 2, 3}, por lo tanto tenemos
los siguientes productos:
a11 a22 a33 , a13 a21 a32 , a12 a23 a31 ,

a12 a21 a33 , a11 a23 a32 , a13 a22 a31 .
5.1. EL DETERMINANTE 83
Observaci on 5.8. Una matriz A Mnn (R) posee n! productos elementales, los
cuales son de la forma a1j1 anjn , donde i = (j1 , . . . , jn ) es una permutacion del
conjunto {1, . . . , n}.
Definicion 5.9 (Producto elemental con signo). Sea A Mnn (R), un produc-
to elemental con signo de A es un producto elemental multiplicado por 1 o 1,
es decir, a1j1 anjn . Si la permutacion asociada i = (j1 , . . . , jn ) es par se
multiplicara por 1 al producto elemental, y se multiplicara por 1 si i es impar.
Observacion 5.10. Es facil ver que si A Mnn (R) entonces A, At tiene el mismo
n
umero de productos elementales con signo.
Ejemplo 5.11. Tomando los productos elementales del inciso a) del Ejemplo 5.7,
tenemos lo siguiente:
Prod Elem. Perm Asoc. Par o impar Prod. Elem. signo

a11 a22 1 = (1, 2) par a11 a22
a12 a21 2 = (2, 1) impar a12 a21
Esto quiere que decir que el producto elemental a11 a22 , tiene asociada la per-
mutacion 1 = (1, 2), la cual es par, y por lo tanto el producto elemental con signo
es a11 a22 .
Ahora tomamos los productos elementales del inciso b), y obtenemos:
Prod Elem. Perm Asoc. Par o impar Prod. Elem. signo

a11 a22 a33 1 = (1, 2, 3) par a11 a22 a33
a11 a23 a32 2 = (1, 3, 2) impar a11 a23 a32
a12 a21 a33 3 = (2, 1, 3) impar a12 a21 a33
a12 a23 a31 4 = (2, 3, 1) par a12 a23 a31
a13 a21 a32 5 = (3, 1, 2) par a13 a21 a32
a13 a22 a31 6 = (3, 2, 1) impar a13 a22 a31
5.1. El determinante
El determinante de una matriz, es una funcion entre dos espacios vectoriales,
uno es el de las matrices y el otro es el de los n
umeros reales. Si hubiesemos definido
matrices con entradas de n umeros complejos entonces el determinante sera una

funcion entre las matrices y los complejos, y como se vera, los n
umeros complejos
es un espacio vectorial. Esta idea del determinante suena algo descabellada pero
en realidad es de lo mas com un en matematicas.
5.1.1. Definici
on y propiedades
on 5.12 (El determinante). Sea A Mnn (R). El determinante de la
Definici
matriz A (denotado por det(A)) se define como la suma de todos los produc-
tos elementales con signo (vease la Definicion 5.9) de A. Dicho de otra forma,
tenemos que
det Mnn (R) R
n!
det(A) = a1i (1) ani (n) .
i=1
Observaci on 5.13. Del Ejercicio 5.11 podemos concluir que el determinante de

una matriz A M22 (R) es det(A) = a11 a22 a12 a21 , y tambien podemos decir que
det(A ) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a11 a23 a32 a12 a21 a33 a13 a22 a31 para

una matriz A M33 (R).

Hay definiciones equivalentes sobre el determinante de una matriz, y con el

paso de algunos teoremas podremos definir de manera adecuada. Mientras veremos
algunas propiedades.
De la Observacion 5.10 obtenemos el siguiente teorema.
Teorema 5.14 (El Determinante y la Transpuesta). Sea A Mnn (R) entonces
det(At ) = det(A).
La idea para la demostracion de este teorema es utilizar el hecho de que el
determinante es la suma de los productos elementales con signo, pero cada pro-
ducto tiene elementos de cada columna y de cada renglon. En este caso, lo u nico
que pasa es que los factores apareceran en distinto orden y solo el producto que
no cambia es el que tiene a los elementos aii .
1 2
Ejemplo 5.15. Sea A = ( ). Calcular el determinante de A y At .
5 3
1 5
Solucion de 5.15: Primero calculemos At = ( ). Ahora utilizando la formula
2 3
de la Observacion 5.13 tenemos que det(A) = (1)(3) (5)(2) = 7 y por otro lado
det(At ) = (1)(3) (2)(5) = 7.
Ahora veamos un ejemplo el cual nos dara pauta para poder enunciar un
teorema, el cual involucra la suma de matrices.
3 1 3 1
Ejemplo 5.16. Sean A = ( ) y B =( ), la suma de A y B es A + B =
2 5 1 3
4 3
( ). Uno podra pensar que el determinante de la suma de dos matrices es
3 8
igual a la suma de los determinantes de las dos matrices, as como en el producto
escalar de una matriz con un escalar, pero en realidad no es as. Para que esto
sea cierto, las matrices A, B deberan tener una caracterstica que mas adelante
se mencionara. Por ahora tenemos que det(A) = 1, det(B) = 8 y det(A + B) = 23,
por lo tanto det(A + B) det(A) + det(B) en general.
A pesar de este resultado, existe una relacion importante que involucra la suma
de dos matrices y que en ciertas circunstancias es muy u til.
a11 a12 a a12
Ejemplo 5.17. Sean A = ( ) y A = ( 11 ). Aplicando la formula de
a21 a22 a21 a22

la Observacion 5.13 tenemos que:
det(A) + det(A ) = (a11 a22 a12 a21 ) + (a11 a22 a12 a21 )
= a11 (a22 + a22 ) a12 (a21 + a21 )
Pero por otro lado tenemos que:
a11 a12
a11 (a22 + a22 ) a12 (a21 + a21 ) = det [ ].
a21 + a21 a22 + a22

Por lo que:
a a a a a11 a12
det [ 11 12 ] + det [ 11 12 ] = det [ ].
a21 a22 a21 a22 a21 + a21 a22 + a22
Como se menciono en el ejemplo anterior, tenemos el siguiente teorema para

la suma de matrices, el cual es mucho mas general. Y la demostracion es aplicar
la misma idea que la del ejemplo.
Teorema 5.18. Sean A, A y A matrices en Mnn (R), tales que solo difieren

en el i-esimo renglon. Supongamos que el i-esimo renglon de A se obtiene de la
sumar los renglones i-esimos de A y A . Entonces det(A ) = det(A) + det(A ).

1 7 5 1 7 5 1 7 5
Ejemplo 5.19. Sean A = 2 3 , A = 2 0 3 y A = 2 0 3 .

0
1 + 0 4 + 1 7 1 1 4 7 0 1 1
Por un lado el det(A) = 49, el det(A ) = 21 y el det(A ) = 28, por

lo tanto
det(A ) = det(A) + det(A ).

El Teorema 5.18 se cumple para ciertas matrices y la operacion suma, pero

el siguiente teorema se cumple para cualesquiera dos matrices y la operacion
multiplicacion.
Teorema 5.20. Sean A y B matrices en Mnn (R) entonces el det(AB) =

det(A) det(B).
3 1 1 3
Ejemplo 5.21. Sean A = ( ) y B =( ), entonces tenemos que AB =
2 1 5 8
2 17
( ). Obteniendo el determinante de cada matriz, tenemos det(A) = 1, det(B) =
3 14
23 y det(AB) = 23.
Ejemplo 5.22. El objetivo del ejemplo es mostrar que si la forma escalonada

reducida R de una matriz cuadrada no tiene renglones que tengan solamente
ceros, y as, R debe ser la matriz identidad.
Consideremos la siguiente matriz de 3 3, y supongamos que tiene la forma
escalonada reducida
r11 r12 r13
R = r21 r22 r23
r31 r32 r33
O el u
ltimo renglon de la matriz R esta compuesta solo de ceros o no lo esta.
Si no lo esta, entonces la matriz no tiene renglones de ceros, y por consecuencia,
en cada uno de los tres renglones el primer elemento distinto de cero es 1. Ya
que estos unos aparecen progresivamente a la derecha, a medida que se recorre la
matriz de arriba hacia abajo, estos unos deben aparecer en la diagonal principal
de R. Puesto que los demas elementos que pertenecen a la misma columna de
cualquiera de estos unos son ceros, as R debe ser I3 . Por lo tanto o R tiene un
renglon de ceros o bien, R = I3 .
El ejemplo anterior nos ayudara para la demostracion del siguiente teorema,

el cual es de gran utilidad para determinar si una matriz es invertible o no.
Teorema 5.23 (Criterio de la inversa de una matriz). Una matriz A Mnn (R)
es invertible si y solo si det(A) 0.
Demostracion. ) Sea A Mnn (R) invertible, entonces por definicion tene-

mos que In = AA1 , as aplicando el determinante tenemos que det(In ) = 1 =
det(AA1 ) = det(A)det(A1 ) y a su vez aplicamos el Teorema 5.20. Por lo tanto
det(A) 0.
) Supongamos que det(A) 0. El proposito es mostrar que A es equivalente
por renglones renglones a la matriz In y as aplicar el Teorema 4.70.
Sea R la forma escalonada reducida de A. Dado que R se puede obtener de la
aplicacion de una sucesion finita de operaciones elementales en los renglones de A
como en el Ejemplo 5.22, es posible encontrar matrices elementales E1 , . . . , Ek ta-
les que Ek E1 A = R, o bien, A = E11 Ek1 R. Aplicando el determinante tenemos
que
det(A) = det(E11 )det(Ek1 )det(R)
Y por la hipotesis de que det(A) 0 tenemos que det(R) 0. Por lo que R
no tiene renglones iguales a cero. Por lo tanto R es equivalente a In . As, A es
invertible.
El teorema anterior nos da un criterio para ver si una matriz A es invertible,
as, nos ahorraramos mucho tiempo en vez de solo aplicar operaciones elementales
o alg un otro algoritmo, y despues de mucho tiempo darnos cuenta que en la matriz
no posee una matriz inversa.
El siguiente corolario es una consecuencia directa del Teorema 5.23 y la apli-
cacion del Teorema 5.20, as que la demostracion se le deja al estudiante como un
ejercicio.
1
Corolario 5.24. Sea A Mnn (R) invertible, entonces det(A1 ) = .
det(A)
La demostracion no es difcil, por lo que el estudiante debe ser capaz de hacerla.
Solo aplique los teoremas antes vistos.
Ejercicios
1. Demuestre el Corolario 5.24.
2. Encuentre el numero de inversiones de cada una de las siguientes permuta-
ciones del conjunto {1, 2, 3, 4, 5} y clasifquelas en par o impar.
a) (3, 4, 1, 5, 2). b) (4, 2, 5, 3, 1). c) (5, 4, 3, 2, 1).
3. Calcule el determinante de cada una de las siguientes matrices, suponiendo

que k R.
a) A = (
1 2
), 1 0 3
1 3 c) C = 4 0 1,
2 8 6
k 3 9
k1 2 d ) D = 2 4 k + 1.
b) B = ( ), 1 k2
4 k3 3
1 2
4. Para que valores de R, el det(A) = 0. Suponga que A = ( ).
1 4
1 2 7
5. Verifique el Teorema 5.14 con la matriz A = 1 0 6.
3 2 8
6. Utilizando el Teorema 5.23, determine cuales de las matrices siguientes son

invertibles:
1 0 0 0 7 5
a) A = 3 6 7 , b) B = 0 1 1.
0 8 1 0 4 2
b + c c + a b + a

7. Sin realizar calculos, demuestre que det a b c = 0, con a, b, c

1 1 1

R.
8. Para que valor(es) de k R no es invertible A? Suponiendo que A =

k 3 2
( ).
2 k 2
5.2. C
alculo de determinantes
Una de las formas mas sencillas para calcular el determinante de una ma-
triz, es llevar a la matriz a su forma escalonada. Este metodo es de importancia
porque evita los calculos tan extensos que se requieren para aplicar directamen-
te la definicion. As que consideremos dos clases de matrices para las cuales sus
determinantes se pueden calcular facilmente, independientemente de sus tama nos.
Teorema 5.25 (Determinante nulo). Sea A Mnn (R). Si A tiene un renglon

compuesto solamente de ceros, entonces el det(A) = 0.

5.2. CALCULO DE DETERMINANTES 89
Demostracion. Sea A Mnn (R) tal que el renglon ri = (0, . . . , 0). Por la Defi-
nicion 5.12 tenemos que cada producto elemental con signo de A tiene la forma
()a1 an , pero el ai = 0. Dado que el det(A) es la suma de todos los productos
elementales con signo, obtenemos que det(A) = 0.
As, toda matriz que se pueda reducir a una matriz con un renglon igual a
cero, su determinante sera cero, y con ello no habra necesidad de hacer calculos
tan extensos y concluir lo mismo.
Como ya se ha visto en el captulo anterior, consideremos una matriz triangu-
lar, la cual es otra clase de matrices; y para esta matriz se puede determinar el
determinante de una forma facil.
a11 0 0 0
a a 0 0
Ejemplo 5.26. Calcule el det(A) si 21 22 .
a31 a32 a33 0
a41 a42 a43 a44
Solucion de 5.26: El u nico producto elemental de A que es diferente de cero es,

a11 a22 a33 a44 . Esto lo obtenemos de considerar el producto elemental de la forma
a1j1 a2j2 a3j3 a4j4 . Dado que a12 = a13 = a14 = 0, debemos tener que j1 = 1 para
que el producto elemental se distinto de cero. Si j1 = 1 entonces j2 1 ya que
todos los factores deben pertenecer a columnas distintas. Ademas a23 = a24 = 0,
debemos tener que j2 = 2 para que el producto elemental sea distinto de cero.
Aplicando el mismo razonamiento, tenemos que j3 = 3 y j4 = 4. Dado que el signo
de la permutacion (1, 2, 3, 4) es par, entonces a11 a22 a33 a44 es el u
nico producto
elemental con signo, con esto tenemos que det(A) = a11 a22 a33 a44 .
Con un argumento analogo aplicado a cualquier matriz triangular, se puede

producir la demostracion del siguiente teorema.
Teorema 5.27. Sea A Mnn (R). Si A es triangular, entonces el det(A) =

a11 ann .
2 7 3 8 3
0 3 7 5 1

Ejemplo 5.28. Calcular el determinante de A =
0 0 6 7 6. Con la apli-
0 0 0 9 8

0 0 0 0 4
cacion del teorema anterior tenemos que det(A) = (2)(3)(6)(9)(4) = 1296.
Teorema 5.29 (Determinante y Operaciones Elementales). Sean A y A matrices

cuadradas de orden n.
1. Si A es el resultado de multiplicar un renglon de A por un R, entonces

det(A ) = det(A).
2. Si A es el resultado de intercambiar dos renglones de la matriz A, entonces

el det(A ) = det(A).
3. Si A es el resultado de sumar un m
ultiplo de un renglon a otro, es decir, el
renglon j de A es de la forma i + j, entonces det(A ) = det(A).

Para la demostracion, solo se debe aplicar las definiciones del determinante y

la de operaciones elementales, notando que forma tiene los productos elementales
de las matrices.
Observaci on 5.30. Lo que nos dice el Teorema 5.14 es que el Teorema 5.29
tambien es valido para las columnas y no solo para los renglones de una matriz.
1 2 3
Ejemplo 5.31. Sea A = 0 1 4 y suponiendo que el determinante de A es
1 2 1
igual a 2, calcular los determinantes de:
4 8 12 1 2 3
1. A1 = 0 1 4 , 3. A3 = 2 3 2.
1 2 1 1 2 1
0 1 4
2. A2 = 1 2 3,
1 2 1
Solucion de 5.31: De un vistazo rapido a todas las matrices nos podemos dar
cuenta que se puede utilizar el Teorema 5.29, y as calcular los determinantes.
1. Como se puede observar, la matriz A1 es el resultado de multiplicar por 4 al

primer renglon de A, es decir; (4, 8, 12) = 4 (1, 2, 3). Por lo tanto tenemos
que el det(A1 ) = 4 det(A) = 4(2) = 8.
2. Ahora, la matriz A2 es el resultado de intercambiar el renglon 1 por el renglon

2 de la matriz A. As el det(A2 ) = (1) det(A) = (1) (2) = 2
3. Por u
ltimo tenemos que la matriz A3 se obtiene de sumar dos veces el renglon
3 al renglon 2 de la matriz A, es decir; (2, 3, 2) = 2 (1, 2, 1) + (0, 1, 4),
sabiendo esto tenemos que det(A3 ) = det(A) = 2

El siguiente ejemplo ilustra el uso de los Teoremas 5.14 y 5.29.
1 2 7
Ejemplo 5.32. Sea A = 4 8 5. Calcular el determinante de la matriz A.
2 4 3
Solucion de 5.32: El determinante de la matriz A es igual a 0, ya que la segunda

columna es igual a dos veces la primer columna, es decir, (2, 8, 4) = 2(1, 4, 2)+
1 0 7
(0, 0, 0), por lo que la matriz A se obtiene de la matriz A = 4 0 5 y el
2 0 3
determinante de A es igual a 0.

Observaci on 5.33. De la Definicion 4.8 y con la aplicacion del Teorema 5.29

podemos obtener la siguiente formula para el determinante de una matriz por un
escalar y la cual es
det(A) = n det(A).
3 1
Ejemplo 5.34. Sea A = ( ). El determinante de A es igual a 4, ahora calcu-
2 2
15 5
lamos el de 5A = ( ) el cual es igual a 100 = 52 4 = 52 det(A).
10 10
Ya hemos establecido los teoremas necesarios, ahora podemos dar un metodo

alternativo para calcular el determinante. Este metodo evitara efectuar un gran
n
umero de operaciones requeridas para el calculo del determinante. La idea basica
de este metodo consiste en aplicar las operaciones elementales en los renglones
(o columnas) de una matriz A, para transformarla en una matriz R con la forma
escalonada. Como ya hemos visto, la forma escalonada de una matriz es triangular
superior, dicha forma nos indica que debemos aplicar el Teorema 5.27 tomando en
cuenta tambien el Teorema 5.29. Veamos como utilizar esta idea con el siguiente
ejemplo.
0 1 5
Ejemplo 5.35. Calcule el determinante de A = 3 6 9.
2 6 1
Solucion de 5.35: Para llevar a la matriz A a su forma escalonada tenemos

que aplicar el Teorema 5.29, para al final aplicar el Teorema 5.27. El estudiante
debera ser capaz de obtener una matriz escalonada, y proponemos la siguiente

1 2 3

solucion: det(A) = (3)(55) det 0 1 5 = (3)(55)(1).

0 0 1

1 3 2 4
2 6 4 8
Ejemplo 5.36. Calcule el determinante de A = .
3 9 1 5
1 1 4 8
Solucion de 5.36: De un vistazo, podemos ver que el segundo renglon de A es

multiplo del primero. As que aplicando A12 (2) tenemos la matriz
1 3 2 4
0 0 0 0
A .
3 9 1 5
1 1 4 8
Por lo tanto det(A) = 0 por la aplicacion del Teorema 5.25.
Observaci on 5.37. Del ejemplo anterior, observamos que si una matriz cuadrada
contiene un renglon que es combinacion lineal de otros dos, es posible obtener un
renglon de ceros. As el estudiante puede comprobar que las siguientes matrices
contienen una combinacion lineal de otros dos.
3 7 9 4 4 4
1. 1 3 2 , 2. 9 2 5 .
5 13 13 17 10 13
Tambien existe otro forma de calcular determinantes. Para establecer esta

forma hay que ver mas definiciones y teoremas. Incluso, estas definiciones nos
llevaran a un metodo para calcular la matriz inversa de A.
on 5.38 (El menor del elemento aij de A). Sea A Mnn (R). Dire-
Definici
mos que el menor del elemento aij (denotado por Mij ) es el determinante de la
submatriz que se obtiene al suprimir el i-renglon y la j-columna de A.
Definici
on 5.39 (El cofactor del elemento aij de A). Diremos que el numero
(1) Mij (denotado por Cij ) se llama cofactor del elemento aij de la matriz
i+j
A.

8 1 4
Ejemplo 5.40. Sea A = 5 2 6.
3 1 4
El menor del elemento a11 es:
2 6
M11 = det [ ] = 8 6 = 2.
1 4
El cofactor del elemento a11 es:
C11 = (1)1+1 M11 = M11 = 2.

De forma analoga, el menor del elemento a32 es:
8 4
M32 = det [ ] = 48 20 = 28.
5 6
El cofactor del elemento a32 es:
C32 = (1)3+2 M32 = M32 = 28.
Observaci on 5.41. De nuestro ejemplo anterior, observamos que el cofactor y el

menor de un elemento aij difiere solo en el signo, es decir, Cij = Mij , ya que el
signo esta relacionado con el renglon y columna del elemento aij .
a11 a12 a13

Ejemplo 5.42. Calcule el determinante de la matriz A = a21 a22 a23 .
a31 a32 a33
Como ya sabamos de secciones pasadas, el determinante de A esta definido
por la siguiente formula:
det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a12 a22 a31 a12 a21 a33 a11 a23 a32 .
Pero esta ecuacion puede ser escrita de la siguiente forma:
det(A) = a11 (a22 a33 a23 a32 )

+ a21 (a13 a32 a12 a33 )
+ a31 (a12 a23 a13 a22 ).
Pero podemos observar que el cofactor del elemento a11 de la matriz A es

C11 = a22 a33 a23 a32 , ademas C21 = a13 a32 a12 a33 y C31 = a12 a23 a13 a22 , por lo
tanto el determinante se puede escribir como:
det(A) = a11 C11 + a21 C21 + a31 C31 .

A esta forma de calcular el determinante se le conoce como desarrollo por
cofactores a lo largo de la primer columna.
Teorema 5.43 (Desarrolo por cofactores). Sea A Mnn (R). Diremos que el
desarrollo por cofactores para calcular el det(A) a lo largo del i-esimo renglon
esta dado por
n
det(A) = aik Cik .
k
4 2 1

Ejemplo 5.44. Calcule el det 1 2 4, usando el desarrollo por cofactores a lo

1 5 1

largo del renglon 1.
Solucion de 5.44: Por el Teorema 5.43 tenemos que:
2 4
C11 = (1)1+1 M11 = det [ ] = 2 20 = 18
5 1
1 4
C12 = (1)1+2 M12 = (1)det [ ] = (1)(1 4) = 3
1 1
1 2
C13 = (1)1+3 M13 = det [ ]=52=3 Definicion 5.39.
1 5
Por lo que el determinante nos queda:
det(A) = 4C11 + 2C12 + 1C13

= 4(18) + 2(3) + 3
= 72 + 6 + 3
= 63 Teorema 5.43.

En general, la mejor tactica para calcular un determinante mediante el desa-

rrollo por cofactores consiste en desarrollarlo a lo largo del renglon o columna que
posea el mayor n umero de ceros.
Incluso, el calculo de los determinantes mediante el desarrollo por cofactores
no suele ser tan eficiente como la reduccion de la matriz en su forma triangular,
en ocasiones es posible combinar metodos para producir una tecnica de calculo
mas eficaz. El siguiente ejemplo ilustra la idea de desarrollar el determinante a lo
largo de una columna que posee el mayor n umero de ceros.
3 4 2 7
1 5 1 8
Ejemplo 5.45. Consideremos la matriz A = . Para calcular el deter-
2 1 0 3
3 4 1 1
minante de A, podemos intentar llevar a dicha matriz a su forma escalonada, pero
tal vez el n
umero de operaciones elementales que debemos aplicar sea seis, que
son el n
umero de elementos que hay debajo de la diagonal principal. Sin embargo,
lo que es seguro es que podemos aplicar tres operaciones para que una columna
que tenga al menos tres ceros.
Aplicando las operaciones elementales A12 (3), A32 (2) y A42 (3), a la matriz
A; obtendremos la siguiente matriz
0 11 1 17
1 5 1 8
A = .
0 9 2 13
0 11 2 23
Por lo que el det(A), aplicando el Teorema 5.43 a lo largo de la primer columna,
es:
11 1 17

det(A) = det 9 2 13 = 88.

11 2 23

La formula del Teorema 5.43 es igual a cero cuando los elementos son mul-
tiplicados por cofactores diferentes a los que le corresponden, es decir, a11 C31 +
a12 C32 + a13 C33 = 0, para una matriz de orden 3.
a11 a12 a13
Para mostrar que esto es verdad, consideremos una matriz A = a21 a22 a23
a31 a32 a33
a11 a12 a13
y la matriz A = a21 a22 a23 .

a11 a12 a13
Ahora consideremos los cofactores C31

, C32

y C33

de los elementos del tercer
renglon de A . Dado que los dos primeros renglones de A y A son iguales, y al

momento de calcular los cofactores de las matrices solo incluyen a los elementos
de los dos primeros renglones, obtenemos que C31 = C31
, C32 = C32

y C33 = C33

.
Como la matriz A tiene dos renglones iguales (por su construccion), entonces

det(A ) = 0.
Por otro lado, si calculamos el det(A ) mediante un desarrollo por cofactores
a lo largo del tercer renglon obtenemos:
det(A ) = a11 C31

+ a12 C32

+ a13 C33

= a11 C31 + a12 C32 + a13 C33
Pero el det(A ) = 0 tenemos
a11 C31 + a12 C32 + a13 C33 = 0
La idea anterior se puede utilizar para hacer una demostracion en general del
Teorema 5.43, para ser mas formales en el aspecto matematico.
Ejercicios
1. Calcule el determinante de la matriz A del Ejemplo 5.44 utilizando el Teo-
rema 5.43 pero a lo largo de la primer columna.
2. Utilizando el desarrollo por cofactores, calcular el determinante de A =

1 3 2 4
2 6 4 8
. Verifique que el determinante es igual si A se lleva a la
3 9 1 5
1 1 4 8
forma escalonada.
a b c

3. Suponga que det d e f = 5, calcular los siguientes determinantes

g h i

d e f a + d b + e c + f

a) det g h i , c) det d e f ,

a b c g h i

a b c a c
b

b) det 2d 2e 2f , d ) det d 3a e 3b f 3c.

g h i 2g 2h 2i

4. Utilizando el desarrollo de cofactores, muestre que

0 0 a13

det 0 a22 a23 = a13 a22 a31

a31 a32 a33

5.3. C
alculo de la inversa de una matriz
Para dar una formula para la matriz inversa de A, debemos dar las definiciones
necesarias, junto con otro tipo de matrices que no se dio anteriormente.
on 5.46 (Matriz de cofactores de A). Sea A = (aij ) una matriz cuadrada
Definici
de orden n, y Cij es el cofactor de aij . Diremos que la matriz
C11 . . . C1n
CA = ...
Cn1 . . . Cnn
es la matriz de cofactores de A.
Definici
on 5.47 (La matriz adjunta de A). Sea A una matriz cuadrada de orden
n y CA su matriz de cofactores. Diremos que la matriz adjunta de A (denotada
t
por adj(A)) es la matriz CA .
Ejemplo 5.48. Calcule la matriz de cofactores y la adjunta de la matriz A =
3 2 1
1 4 3.
4 0 1
Solucion de 5.48: Utilizando la Definicion 5.39, el estudiante debera obtener los
siguientes cofactores: C11 = 4, C12 = 13, C13 = 16, C21 = 2, C22 = 7, C23 = 8,
C31 = 2, C32 = 8 y C33 = 10. Por lo que tenemos que la matriz de cofactores que
buscamos es:
4 13 16
CA = 2 7 8 .
2 8 10
Ahora la matriz adjunta que buscamos es:
4 2 2
CAt = 13 7 8 .
16 8 10
Teorema 5.49. Sea A Mnn (R) una matriz. Si A es invertible, entonces

1
A1 = adj(A).
det(A)
La demostracion del teorema anterior no se hara, pero la idea basica es mostrar
que A adj(A) = det(A)In , esto puede ser algo misterioso, pero si se piensa en la
formula del teorema e intentamos despejar a la adj(A), podremos multiplicar
en ambos lados por A. Una vez mostrado A adj(A) = det(A)In , bastara con
multiplicar en ambos lados por A1 y despejar para obtener la formula deseada.
Ejemplo 5.50. Calcule la matriz inversa del Ejemplo 5.48 utilizando la formula
del Teorema 5.49.
Solucion de 5.50: Primero debemos ver que la matriz A sea invertible, para
ello utilizamos el Teorema 5.23. Entonces, calculando el determinante tenemos
que det(A) = 2 (aqu el estudiante debera ser capaz de llegar a este resultado).
Como ya hemos calculado la matriz adjunta de A, podemos aplicar la formula del
Teorema 5.49.
Por lo tanto tenemos que
1 2 1 1
A 1
= adj(A) = 13
2
7
2 4 .
det(A) 8 4 5
Notemos que para matrices de orden mayor que 33, el metodo para encontrar
la matriz inversa descrito en la seccion 4.10 es operacionalmente mayor que el
descrito por la formula del Teorema 5.49. Dicha formula es u
til para el estudio de
las propiedades de la matriz inversa.
Ejercicios
1. Utilizando el Teorema 5.49, calcule la inversa de las siguientes matrices:
1 1 0 2 0 1
a) 0 1 0, b) 1 1 4.
2 0 1 3 7 3
2. Para que valores de la matriz A no admite una inversa?

1 1 3
a) 0 1, b) 1 1 0 .
6 1 0 3 2 0
Captulo 6
Sistemas de ecuaciones lineales
En los captulos anteriores ya se ha dado las definiciones basicas necesarias

para resolver sistemas de ecuaciones lineales, los cuales se utilizan en muchas
areas de la fsica, ya que son u
tiles para modelar los fenomenos como sistemas de
ecuaciones, los cuales se presenta en la vida cotidiana.
6.1. Definiciones b
asicas
Una recta en el plano cartesiano puede ser representado algebraicamente me-
diante una ecuacion de la forma a1 x1 + a2 x2 = b en donde ai , b R. Generalizando,
tenemos la siguiente definicion.
Definici on 6.1 (Ecuacion lineal). Diremos que una ecuacion lineal en las varia-
bles x1 , . . . , xn (denotada por en ) es aquella que se puede expresar de la forma
a1 x1 + + an xn = b,
con ai y b R.
Ejemplo 6.2. Las siguientes son ecuaciones lineales:
5x + 3y = 7 17
y= x+z+1
2
3x1 2x2 x3 + 2x4 = a para alg

un a R
x1 + x2 = para alg
un , , R.
Se puede observar que en una ecuacion lineal no aparecen productos o races

de ninguna variable, es decir, no hay xa para alguna a Q con a 1. En otras
101
102 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
palabras, todas las variables estan elevadas a la potencia 1, y no aparecen como

argumentos de funciones trigonometricas, logartmicas o exponenciales, es decir;
cos(x), ln(x) o ex .
Ejemplo 6.3. Las siguientes ecuaciones no cumplen con la Definicion 6.1

3 3x + 2y z + xz = 4,
4x + y 5 = 2,
2

y 2 sin2 x = 0, x1 + 2x2 + x3 = 1.
Definici on 6.4 (Solucion de una ecuacion lineal). Sea s Rn . Diremos que s

es una solucion a la ecuacion lineal en si se satisface la ecuacion al substituir
x 1 = s1 , . . . , x n = s n .
Definici on 6.5 (Espacio solucion de una ecuacion lineal). Diremos que el espacio
solucion (denotado por Sen ) es el conjunto formado por todas las soluciones a una
ecuacion lineal en .
Ejemplo 6.6. Encontrar el conjunto solucion de cada una de las siguientes ecua-
ciones:
1. 4x + 2y = 1 2. x1 4x2 + 7x3 = 5
Solucion de 6.6:
1. Podemos asignar un valor arbitrario a x e intentar despejar y, o bien, escoger

un valor para y y despejar a x. Tomando el primer camino, asignamos a x
un valor arbitrario t, con esto obtenemos que:
1
x = t, y = 2t
2
Estas formulas describen el conjunto solucion en terminos de un parametro
arbitrario t. As, las soluciones numericas especficas se pueden obtener dan-
do valores especficos a t. Por ejemplo, si t = 3 se obtiene la solucion x = 3,
y = 11
2 , y si t = 2 obtenemos la soluci
1
on x = 12 , y = 32 .
Si seguimos el segundo camino, y le asignamos a y un valor arbitrario t,
obtenemos
1 1
x= t+ , y=t
2 4
Estas formulas son diferentes de las primeras, pero describen al mismo con-
junto solucion a medida que t varia sobre todos los n
umeros reales posibles.
6.2. SOLUCIONES DE UN SISTEMA 103
2. Siguiendo la idea anterior, el alumno podra ser capaz de obtener la solucion

a la ecuacion lineal, pero debe dar dos valores arbitrarios a dos variables al
mismo tiempo.
Definici on 6.7 (Sistema de ecuaciones lineales). Diremos que un sistema de ecua-

ciones lineales es un conjunto de m ecuaciones lineales en las variables x1 , . . . , xn
(denotado por Em,n ), es decir, un sistema de ecuaciones tiene la siguiente forma:
a11 x1 + + a1n xn = b1

am1 x1 + + amn xn = bm
Ejemplo 6.8. Sean x, y, z R, los siguientes conjuntos de ecuaciones son dos
sistemas, el primero es un sistema de dos ecuaciones con dos variables y el segundo
es uno de tres ecuaciones con tres variables.
x + 3y = 8 2x + 4y + 5z = 1
3x + 4y = 1 4x + 10y + 5z = 6
3x + y + z = 5
Ejercicios
1. Encontrar las ecuaciones que describen al conjunto solucion del inciso 2. del
Ejemplo 6.6.
6.2. Soluciones de un sistema

Definici on 6.9 (Solucion de un sistema de ecuaciones lineales). Sea s Rn .
Diremos que s es una solucion al sistema de ecuaciones lineales Em,n si s es
solucion a cada una de las ecuaciones.
Ejemplo 6.10. El siguiente sistema de dos ecuaciones con tres incognitas E2,3
12x1 3x2 + 9x3 = 3
3x1 + x2 + 9x3 = 4
tiene la solucion x1 = 1, x2 = 2, x3 = 1, dado que estos valores satisfacen las dos
ecuaciones. Sin embargo, x1 = 1, x2 = 8, x3 = 1 no es una solucion ya que estos
valores solamente satisfacen la primera de las dos ecuaciones del sistema.
Se podra pensar que todos los sistemas de ecuaciones tienen solucion, pero en
realidad no es as. Con el paso de unas definiciones y/o teoremas veremos cuando
un sistema de ecuaciones tiene o no solucion.
Ejemplo 6.11. Consideremos el siguiente sistema E2,2 :
4x + 4y =4
2x + 2y =6
1
Si multiplicamos a la primer ecuacion por y a la segunda ecuacion del sistema
4
1
por , el sistema resultante es:
2
x + y =1
x + y =3
lo cual se contradicen entre s, ya que estamos diciendo que 1 = 3, lo cual no es
cierto.
Definici on 6.12 (Sistemas inconsistente y consistente). Si un sistema de ecua-
ciones lineales Em,n no tiene soluciones, diremos que Em,n es inconsistente. Si
existe al menos una solucion, se dira que Em,n es consistente.
As, el sistema E2,2 del Ejemplo 6.11 es inconsistente, ya que no hay una pareja
ordenada que satisfaga las dos ecuaciones lineales al mismo tiempo.
Observaci on 6.13. Supongamos que tenemos un sistema de dos ecuaciones li-
neales con dos variables (como sabemos estas ecuaciones representan rectas en el
plano cartesiano), entonces una de las tres posibilidades siguientes ocurre,
1. El sistema no tiene solucion, porque las rectas son paralelas y no existe una
interseccion.
2. El sistema tiene una u
nica solucion, ya que existe una interseccion entre las
rectas.
3. El sistema tiene una infinidad de soluciones, y ocurre cuando las rectas son
la misma pero con distinta ecuacion lineal.
Aun cuando solo se considero un caso en particular de un sistema E2,2 en la
observacion anterior, la idea se puede extender para un sistema Em,n .
El empleo de dos subndices para los coeficientes de las variables en un Em,n de
la Definicion 6.7 es u
til porque se adoptara para determinar la colocacion de los
coeficientes en el sistema. As, el primer subndice del coeficiente aij nos indica la
ecuacion a la que pertenece aij , y el segundo nos indica a que variable multiplica.
6.2. SOLUCIONES DE UN SISTEMA 105
Definicion 6.14 (Matriz aumentada del sistema). Sea Em,n un sistema de ecua-
ciones lineales. Diremos que la matriz aumentada tiene la siguiente forma:
a11 . . . a1n b1

am1 . . . amn bm
y esta formada por los coeficientes de las variables xi ; es decir, aij y los terminos
independientes bj .
Ejemplo 6.15. Consideremos el siguiente sistema E3,3 :
2x1 + x2 + 3x3 = 8
2x1 + 3x2 4x3 = 4
3x1 6x2 8x3 = 0
2 1 3 8
La matriz aumentada para el sistema E3,3 es 2 3 4 4.
3 6 8 0
La idea basica para resolver un sistema de ecuaciones lineales consiste en reem-

plazar el sistema dado por un nuevo sistema que tenga el mismo conjunto solucion,
pero que el nuevo sistema sea mas facil de resolver. En s, la idea es utilizar las
operaciones elementales de matrices (vease la seccion 4.4) y la matriz aumentada
para el sistema dado originalmente.
Ejemplo 6.16. Resuelva el siguiente sistema de ecuaciones lineales E3,3
2x + y 3z = 2
x + 3y 9z = 6
4x + 2y 3z = 2
Solucion de 6.16: Lo que primero haremos sera obtener la matriz aumentada para
2 1 3 2
el sistema E3,3 , la cual es la siguiente A = 1 3 9 6. Ahora si aplicamos las
4 2 3 2
siguientes operaciones elementales A13 (2), A12 ( 21 ), M3 ( 13 ), M2 ( 25 ) y M1 ( 21 ) en
1 2 2 1
1 3
el mismo orden, obtenemos la siguiente matriz A = 0 1 3 2

0 0 1 2
As, hemos simplificado el sistema dado E3,3 por uno que es mas simple. El

nuevo sistema de ecuaciones es E3,3 :
1 3
x+ y z = 1
2 2
y 3z = 2
z =2
Ahora, a simple vista, tenemos que z = 2, y este valor se podra substituir en las
ecuaciones anteriores para as obtener los valores de x, y.
Para el valor de y, tenemos que y 3(2) = 2 con lo que y = 4. Y para el x,
tenemos x+ 21 (4) 23 (2) = 1, por lo tanto x = 0. Por lo tanto s = (0, 4, 2) es solucion

a E3,3 . Es facil ver que s tambien es solucion a E3,3 y el estudiante podra hacerlo,
y solo debe seguir la Definicion 6.9.
Ahora, en el siguiente ejemplo, solucionaremos un sistema de dos ecuaciones

lineales con dos variables. As, tambien, podremos observar cuando un E2,2 tiene
solucion u
nica.
Ejemplo 6.17. Consideremos el siguiente sistema E2,2 con la forma:
a11 x + a12 y = b1
a21 x + a22 y = b2
b1
Primero consideremos, si a12 = 0, podemos despejar x = y podemos usar este
a11
valor para obtener y de la segunda ecuacion.
b2
Si a22 = 0, entonces x = y podemos usar el valor para obtener y de la
a21
segunda ecuacion.
Si a12 = a22 = 0, entonces E2,2 solo tiene una variable, la cual es x.
Supongamos que a12 y a22 son distintas de cero. Ahora multiplicando por a22
la primer ecuacion y por a12 a la segunda, obtenemos el siguiente sistema E2,2

:
a11 a22 x + a12 a22 y = a22 b1

a12 a21 x + a12 a22 y = a12 b2
Ahora restando ambas ecuaciones en E2,2

, obtenemos:
(a11 a22 a12 a21 )x = a22 b1 a12 b2 .

Supongase que a11 a22 a12 a21 0. Por lo que podemos dividir, as
6.3. SISTEMAS EQUIVALENTES 107
a22 b1 a12 b2
x=
a11 a22 a12 a21
Y por u ltimo podremos substituir el valor de x en alguna de las dos ecuaciones
de E2,2 .

Observaci on 6.18. En el ejemplo anterior, hemos supuesto que a11 a22 a12 a21
0, lo cual nos dice que solo hay una unica solucion. Pero si esta diferencia es
igual a cero, puede ocurrir una de las siguientes cosas, que tenga una infinidad
de soluciones o no tenga ninguna. Y tambien con el paso de unas definiciones
podremos asociar esta diferencia con el determinante de 2 2 para una matriz A.
Ejercicios
1. Considere el siguiente sistema E2,2
6x 4y = 16
12x + 3y = 21
Son verdaderos o falsos los siguientes enunciados:
a) El sistema E2,2 es inconsistente.

b) Una solucion a E2,2 es (1, 2).
c) En la recta x = 2 se encuentra una solucion.
d ) Las ecuaciones son equivalentes.
2. Encuentre las soluciones (si las hay) de los siguientes sistemas. En cada caso,
calcule el valor de a11 a22 a12 a21
a) x 3y = 4 c) 2x y = 3
4x + 2y = 6 5x + 7y = 4
b) 5x 7y = 4 d ) 2x 8y = 5
x + 2y = 3 3x + 12y = 8
6.3. Sistemas equivalentes

En la seccion anterior, utilizamos la equivalencia de sistemas de ecuaciones
lineales que no habamos dado una definicion formal. La idea de la equivalencia
se puede deducir de las matrices.

Definici
on 6.19 (Sistemas equivalentes). Sean Em,n y Ek,n dos sistemas de
ecuaciones lineales. Diremos que los sistemas son equivalentes si tiene el mismo
conjunto solucion.
Si en la definicion anterior consideramos el concepto de matriz, obtenemos lo

siguiente.

Definicion 6.20 (Sistemas equivalentes (en forma matricial)). Sean Em,n , Em,n
dos sistemas de ecuaciones. Sean A y A las matrices aumentadas correspondien-
tes. Diremos que los sistemas son equivalentes si A es equivalente por renglones
(o columnas) a A .
Podramos pensar que la Definicion 6.20 es menos general que la 6.19, pero en
realidad son igual de generales, ya que si la matriz A tiene r-renglones iguales a
cero, es decir, m r = k-renglones distintos de cero, en realidad tenemos el sistema
de ecuaciones Ek,n

. As, el n
umero de ecuaciones puede cambiar de un sistema a
otro.
Es conveniente destacar que cuando un sistema de ecuaciones es equivalente
a otro, el n
umero de variables no cambia. Si esto no sucede, entonces la solucion
para un sistema no satisfara al otro.
Ejemplo 6.21. Sea E3,3 el sistema
x1 x2 + 2x3 = 2
3x1 4x2 + 2x3 = 3
2x1 + 2x2 + 3x3 = 2
y E3,3

el sistema
x1 x2 + 2x3 = 2
x2 4x3 = 9
4x2 x3 = 6
Los sistemas de ecuaciones anteriores son equivalentes, ya que para pasar de E3,3
a E3,3

, realizamos las siguientes operaciones: restamos 3e13 a e23 y 2e13 a e33 para
obtener e2 3 y e3 , respectivamente.
3
Si, ahora pensamos en la forma matricial de los sistemas de ecuaciones, tendr-

amos que aplicar las siguientes operaciones elementales a la matriz A del sistema
E3,3 ; A12 (3) y A13 (2), para as obtener la matriz A del sistema E3,3

.

6.4. SISTEMAS HOMOGENEOS 109
Ejemplo 6.22. Sea E3,3 el siguiente sistema de ecuaciones
2x1 + x2 3x3 = 2
2x1 4x2 + 2x3 =3
6x1 + 3x2 9x3 = 6
4x1 + 2x2 3x3 =2
y sea E3,3

el siguiente sistema
2x1 + x2 3x3 = 2
2x1 4x2 + 2x3 =3
4x1 + 2x2 3x3 =2
Los anteriores sistemas de ecuaciones son equivalentes, porque el segundo sistema

se obtuvo al suprimir e33 del primer sistema, ya que e33 = 3e13 . Si pensamos en las
matrices de cada sistema, podemos observar que la matriz para E3,3
, tendra un el
u
ltimo renglon igual a ceros, y para obtener dicha matriz, se debera aplicar las
operaciones A13 (3) y P34 a la matriz del sistema E3,3 .
Ejercicios
Encuentre un sistema de ecuaciones lineales equivalente, que sea mas facil de
resolver.
1. 3x + 2y + z = 1 3. x + my + z = 1
5x + 3y + 4z = 2 mx + y + (m 1)z = m
x + y z = 1, x + y + z = m + 1,
4. x + y + 2t = 3
2. 2x 5y + 4z + u v = 3 3x y + z t = 1
x 2y + z u + v = 5 5x 3y + 2z 4t = 8
x 4y + 6z + 2u + v = 10, 2x + y + z + t = 2.
6.4. Sistemas homog

eneos
Un tipo especial de sistema de ecuaciones es el homogeneo, el cual consiste en
que el vector b = 0 Rn . En ocasiones el sistema es facil de resolver, pero en otras,
no tanto.
Definici
on 6.23 (Sistema de ecuaciones homogeneo). Sea Em,n un sistema de
ecuaciones lineales. Diremos que el sistema Em,n es homogeneo (denotado por
Hm,n ) si bi = 0 para toda i = 1, . . . , m.
Definicion 6.24 (Solucion trivial). Sea Hm,n un sistema homogeneo. Diremos
que el vector 0 = (0, . . . , 0) Rn es la solucion trivial para el sistema Hm,n .
Dicha solucion siempre satisface las ecuaciones de Hm,n .
Ejemplo 6.25. Sea H2,2 el siguiente sistema:
3x + 4y =0
x y =0
Entonces, una solucion para el sistema, es (0, 0) = 0, ya que al substituir 0 en

cada una de las ecuaciones, se satisfacen.
Ejemplo 6.26. Consideremos el siguiente sistema H3,3 :
x1 + 2x2 x3 = 0
3x1 3x2 + 2x3 = 0
x1 11x2 + 6x3 = 0
El estudiante debe ser capaz de obtener las operaciones para llegar al siguiente
sistema equivalente H3,3

:
1
x1 x3 = 0
9
5
x2 x 3 = 0
9
Por lo que, el vector ( 91 x3 , 59 x3 , x3 ) define las soluciones para H3,3

. Estas solucio-
nes son infinitas, ya que se le puede dar cualquier valor a x3 . Si x3 = 0, se obtiene
la solucion trivial. Si x3 = 1, tenemos la solucion ( 91 , 59 , 1), etc.
6.4.1. El espacio de soluciones

Definicion 6.27 (Espacio de soluciones de un sistema de ecuaciones). Sea Em,n
un sistema de ecuaciones lineales. El espacio de soluciones para el sistema Em,n
es el conjunto SEm,n = Se1n Sem
n
.
Ejemplo 6.28. Consideremos el Ejemplo 6.26. El conjunto solucion para H3,3
esta definido por SH3,3 = {s R3 s = ( 19 t, 59 t, t) , t R}.

6.4. SISTEMAS HOMOGENEOS 111
Observaci on 6.29. El espacio de soluciones para Hm,n es no vaco, ya que al

menos esta la solucion trivial en SHm,n , ademas es un espacio vectorial.
Ejemplo 6.30. Resuelva el siguiente sistema H2,3 :
x + y z =0
4x 2y + 7z = 0
De igual forma que en los sistemas anteriores, obtenemos la matriz aumentada, la
1 1 1 0
cual es ( ). As, aplicando operaciones elementales a la matriz aumen-
4 2 7 0
1 0 56 0
tada, obtenemos la siguiente matriz ( ). Por lo que la solucion al siste-
0 1 116 0
ma H2,3 esta dada por ( 65 z, 11
6 z, z); o bien, SH2,3 =
{s R3 s = ( 65 z, 11
6 z, z) , z R}.
Ejemplo 6.31. Sea SHm,n el espacio solucion para el sistema Hm,n . Demuestre
que:
1. SHm,n . 2. Si R, a, b SHm,n , entonces

a + b SHm,n .
Solucion de 6.31: Sea Hm,n un sistema homogeneo, sea SHm,n el espacio solucion.
1. Se desea demostrar que SHm,n , pero esto es cierto ya que como se men-
ciono en la Definicion 6.24, entonces 0 SHm,n .
2. Sean a, b SHm,n , y sea R. Por demostrar que a + b SHm,n ; es decir,
que a + b es solucion al sistema Hm,n .
Por la Definicion 6.9, se tiene que ver que a + b satisfaga cada una de las
ecuaciones del sistema Hm,n .
Sin perdida de generalidad, consideremos una de las ecuaciones de Hm,n ,
que denotaremos como hin , para alguna i = 1, . . . , m. Substituyendo a + b
en hin , tenemos:
ai1 (a + b) + + ain (a + b)
= ai1 (a) + ai1 (b) + + ain (a) + ain (b) dist. de R
= (ai1 (a)) + + (ain (a)) + ai1 (b) + + ain (b) asoc., conmut. de R
= (ai1 (a) + + ain (a)) + (ai1 (b) + + ain (b)) dist. de R
=0+0 porque a, b SHm,n .
Por lo que a + b es solucion para hin , con ello tenemos que a + b es solucion
al sistema Hm,n , por lo tanto a + b SHm,n .
Ejercicios
Encuentre todas las soluciones (el conjunto solucion si lo hay) de los siguientes
sistemas homogeneos. Hint: Utilice las operaciones elementales sobre las matrices
aumentadas de cada sistema para obtener un sistema equivalente que sea mas
facil de resolver.
1. 2x y = 0 3. x 3y = 0
3x + 4y = 0, 2x + 6y = 0,
2. x + y z = 0 4. x + y z = 0
2x 4y + 3z = 0 2x 4y + 3z = 0
x 7y 6z = 0, 5x + 13y 10z = 0.
6.5. Sistemas no homog

eneos
Ya hemos definido un sistema de ecuaciones. En la Definicion 6.7 manejamos;
de manera implcita, el sistema en una forma expandida, despues hemos dado
una definicion en la cual utilizamos el concepto de matriz (la aumentada para el
sistema Em,n ). En la siguiente definicion utilizaremos, de igual forma, el concepto
de matriz y tambien el de nada para simplificar a un mas la definicion de un
sistema de ecuaciones.
Definici on 6.32 (Sistema de ecuaciones lineales (matrices y vectores en Rn )).

Sea Em,n un sistema de ecuaciones. Diremos que la matriz del sistema es la que
se forma con los coeficientes de las variables, es decir A = (aij ). Tambien diremos
x1
que las variables estan representadas por la matriz x = (o bien, el vector en
xn
b1
R ). Y los terminos independientes estan representados por la matriz b =
n
bm
m
(o bien, el vector en R ). As diremos que el sistema Em,n se puede escribir como
Ax = b.

6.5. SISTEMAS NO HOMOGENEOS 113
Ejemplo 6.33. Consideremos el siguiente sistema de ecuaciones E2,2 :
3x + 2y = 4
2x 4y = 1
Entonces podemos escribir el sistema E2,2 como:
3 2 x 4
( )( ) = ( ).
2 4 y 1
Si aplicamos el producto de matrices a A y x, obtenemos las ecuaciones lineales

originales, es decir, antes de reescribir el sistema.
Definici
on 6.34. Sea Em,n un sistema de ecuaciones lineales. Diremos que Em,n
es no homogeneo si b 0, donde 0 Mm1 (R).
Ejemplo 6.35. Los siguientes sistemas son no homogeneos:
3 2 8 4 5 1 x 3
x
2
1. ( ) y = ( ). 2. 3 4 2 y = 2.
1 4 2 4 1 8 1 z 9
z
Definici
on 6.36 (Sistema homogeneo asociado). Sea Em,n un sistema no ho-
mogeneo de la forma Ax = b. Diremos que el sistema homogeneo asociado de
Em,n (denotado por HEm,n ) es de la forma Ax = 0.
Teorema 6.37. Sean x1 y x2 en SEm,n para un sistema no homogeneo Em,n .

Entonces x1 x2 es una solucion al sistema homogeneo asociado de Em,n .
Demostracion. Sea Em,n un sistema de ecuaciones lineales no homogeneo, y sean

x1 y x2 soluciones a Em,n . Debemos probar que la diferencia es una solucion
al sistema homogeneo asociado HEm,n , entonces x1 x2 debe satisfacer HEm,n al
substituir la diferencia.
Consideremos que el sistema Em,n esta en la forma Ax = b y HEm,n tiene la
forma Ax = 0. Entonces tenemos que:
Ax1 = b
Ax2 = b Porque x1 , x2 SEm,n .
Restando ambos sistemas tenemos:
Ax1 Ax2 = b b
=0 Resta de matrices.
= A(x1 x2 ) Distributiva de matrices.
Por lo tanto x1 x2 es solucion a HEm,n .
Corolario 6.38. Sea Em,n un sistema no homogeneo. Sean x y y soluciones

para Em,n , ademas x es una solucion particular. Entonces existe una solucion h
a HEm,n tal que y = x + h.
La demostracion de este corolario se queda como un ejercicio para el estudiante.

Solo debe aplicar el Teorema 6.37 para determinar la existencia de h.
Ejemplo 6.39. Encuentre todas las soluciones al sistema no homogeneo E3,3
x1 + 2x2 x3 = 2
2x1 + 3x2 + 5x3 = 5
x1 3x2 + 8x3 = 1
usando los resultados anteriores.
Solucion de 6.39: Consideremos la matriz aumentada de E3,3 , la cual es:
1 2 1 2
2 3 5 5
1 3 8 1
1 0 13 4
El alumno debe ser capaz de obtener la siguiente matriz 0 1 7 1, apli-
0 0 0 0
cando operaciones elementales a lo largo de los renglones.
As tenemos que x1 = 4 13t, x2 = 1 + 7t y x3 = t, para cualquier t R, con
esto tenemos que la soluciones son y = (x1 , x2 , x3 ) = (4 13t, 1 + 7t, t), del la
cual podemos descomponer en x = xp + xh con xp = (4, 1, 0) y xh = t(13, 7, 1).
Por ejemplo si t = 1 otra solucion al sistema E3,3 sera y = (9, 6, 1).
6.6. CRITERIOS DE EXISTENCIA DE SOLUCIONES 115
Ejercicios
1. Utilizando la Definicion 6.32, realice una demostracion alterna del Ejemplo
6.31.
2. Pase los siguientes sistemas a su forma matricial y nadas.
a) 3x + 2y z = 4 b) x + 7y 4z = 1
x y + 3z = 0 3x y 2z = 3
2x + y 4z = 8, 4x y 8z = 11.
3. Muestre que la solucion xh del Ejemplo 6.39 es solucion al sistema ho-

mogeneo asociado de E3,3 , para alguna t R.
4. Demuestre el Corolario 6.38
6.6. Criterios de existencia de soluciones

Como ya se definio, los sistemas de ecuaciones consistentes son aquellos que
tiene al menos una solucion. Ahora veremos que hay una subclasificacion de estos
sistemas.
Definicion 6.40 (Sistemas consistentes determinados e indeterminados). Sea

Em,n un sistema de ecuaciones lineales. Diremos que Em,n es determinado si
posee una unica solucion. Y diremos que Em,n es indeterminado si posee una
infinidad de soluciones.
Antes de dar un criterio para la existencia de soluciones, el siguiente lema nos

sera de utilidad para la demostracion de dicho criterio.
Lema 6.41. Sea Em,n . Existe una solucion x1 Rn al sistema Em,n , si y solo

si, x1 es tambien solucion al sistema Em,n representado por SAx = Sb, donde
S es una matriz invertible.
Demostracion. ) Sea Em,n un sistema de ecuaciones lineales. Sea x1 una solucion

al sistema Em,n y sea S Mmm (R) una matriz invertible. Entonces como x1 es
solucion, se satisface la igualdad al substituir la solucion, es decir, Ax1 = b, entonces
multiplicar por S tenemos que SAx1 = Sb, por lo tanto x1 es solucion al sistema
Em,n
representado por SAx = Sb.
) Sea Em,n un sistema de ecuaciones lineales. Sea x1 una solucion al sistema
Em,n y sea S Mmm (R) una matriz invertible. Entonces como x1 es solucion,

entonces se da la igualdad al substituir x1 en SA(x1 ) = Sb, como S es invertible

entonces S 1 SA(x1 ) = S 1 Sb, as tenemos que x1 es solucion al sistema Em,n , ya
que la multiplicacion nos da Im A(x1 ) = Im b, lo que es lo mismo A(x1 ) = b.
Teorema 6.42 (Existencia de soluciones). Sea Em,n un sistema de ecuaciones.
Tiene una solucion si y solamente si el rango de la matriz del sistema A es igual
al rango de la matriz aumentada A . Si A y A tiene el mismo rango r, entonces
r de las variables pueden expresarse como una combinacion lineal de los elementos
de b, y el resto n r variables se le pueden asignar valores arbitrarios.
Demostracion. Sea Em,n un sistema, y sean A y A . Supongamos que r(A) = r.
Transformando a la matriz A en una matriz escalonada reducida mediante
operaciones elementales. Entonces los primeros r-renglones de A son diferentes de
0. Ahora supongamos que los primeros elementos que diferentes de cero, de los
r-renglones, estan en las columnas k1 , . . . , kr , respectivamente. Como a la matriz
escalonada reducida de A se puede obtener mediante la multiplicacion de una
matriz invertible S entonces multiplicamos al sistema por S, lo cual nos da el
sistema SAx = Sb.
Ahora, los u ltimos (m r)-renglones de la matriz SA son iguales a 0, por lo
que los u ltimos (m r)-renglones de SAx son iguales a 0. Por lo tanto si Ax = b
es consistente, los u ltimos (m r)-renglones de Sb estan necesariamente formados
por ceros.
Ahora, consideramos que los u ltimos (m r)-renglones de Sb son ceros y sean
b1 , . . . , br los elementos de Sb distintos de cero. Denotaremos por pij el elemento
que se encuentra en la iesimo renglon y la jesima columna de SA. Entonces el
sistema de ecuaciones SAx = Sb proporciona el siguiente conjunto de r ecuaciones:
xk1 + p1k1 +1 xk1 +1 + + p1n xn = b1

xk2 + p2k2 +1 xk2 +1 + + p2n xn = b2
=
xkr + prkr +1 xkr +1 + + prn xn = br
donde p1kj = 0 para j = 2, . . . , r; p2kj para j = 3, . . . , r . . . , pr1kj = 0 para j = r.

As las variables xk1 , . . . , xkr pueden ser expresadas como una combinacion lineal
las variables xj restantes y de las constantes br , y aplicando el Lema 6.41, tenemos
que esta combinacion es una solucion al sistema.
Ahora tenemos que los u ltimos (m r)-renglones de SA estan compuestos de
ceros y que el sistema Ax = b tiene una u nica solucion si y solamente si las u ltimas
(m r)-renglones de Sb, entonces si Ax = b tiene una solucion, SA y SA tiene el
mismo rango, puesto que SA es la matriz SA con la columna b. As, si Ax = b

tiene una solucion, A y A tiene el mismo rango r. Recprocamente, si A y A
6.6. CRITERIOS DE EXISTENCIA DE SOLUCIONES 117
tienen el mismo rango r, SA y SA tienen el mismo rango y de aqu que SA tiene

mr-renglones iguales a cero, y el sistema Ax = b tiene una solucion. Por lo tanto,
el sistema Em,n tiene solucion si y solamente si A y A tiene el mismo rango.
Ejemplo 6.43. Considere el sistema E3,4 dado por:
x y + 2z + w = 2
3x + 2y + w = 1
4x + y + 2z + 2w = 3
Determine si existe una solucion, y si s, obtenga un sistema equivalente que sea
mas facil de resolver, mediante operaciones elementales.
Solucion de 6.43: Escribamos el sistema E3,4 en su forma matricial, lo cual tene-
mos:
x
1 1 2 1 y 2
3 2 0 1 = 1
4 1 2 2 z 3
w
Consideremos la matriz aumentada A del sistema. Aplicando operaciones elemen-
tales, llevaremos a A a una matriz escalonada reducida y simultaneamente a A
en una matriz escalonada reducida.
1 1 2 1 2
A = 3 2 0 1 1
4 1 2 2 3
4 3
1 0 5 5 1
0 1 56 25 1
0 0 0 0 0
Por lo tanto, el rango de ambas matrices es 2. Por lo tanto es sistema E3,4 es
consistente indeterminado. As un sistema equivalente a E3,4 es de la forma:
4 3 x
1 0 5 5 y

1
0 1 56 25 = 1
0 0 0 0 z 0
w
dando las ecuaciones

4 3
x = z w + 1
5 5
6 2
y = z+ w 1
5 5
Cuando estos valores de x y y se substituyen en las ecuaciones del sistema original,

las ecuaciones se reduciran a identidades. Tambien se puede dar valores arbitrarios
a z y w, as, el sistema tiene un n
umero infinito de soluciones.
Ejercicios
Utilice el Teorema 6.42 para determinar si existe una solucion para los siguien-
tes sistemas. Si s hay solucion, aplique operaciones elementales a los renglones de
la matriz aumentada para encontrar un sistema equivalente mas facil de resolver
y de la solucion.
1. 6x + 4y + 3z 84w = 0 4. 4x + 7y 14z = 10
x + 2y + 3z 48w = 0 2x + 3y 4z = 4
x 2y + z 12w = 0 x + y + z = 6,
4x 4y z 24w = 0,
5. 2x y 2z = 0
2. x + y + 2z = 9
x 2y + z = 0
x+yz =0
2x 3y z = 0,
2x y + z = 3
x + 3y + 2z = 1,
6. 4x y + z = 5
3. 3x 2y + z + 6 = 0 2x 3y + 5z = 1
2x + 5y 3z 2 = 0 x + y 2z = 2
4x 9y + 5z + 14 = 0, 5x z = 2.
6.7. Resoluci
on de sistemas
Ya hemos resuelto varios sistemas de ecuaciones lineales, y en esencia hemos
ocupado las operaciones elementales e intentado dejar el sistema dado en uno mas
facil de resolver, de tal forma que una variable sea facil de determinar para despues
substituirla en las demas ecuaciones. Ahora daremos el algoritmo de eliminacion
de Gauss1 -Jordan2 para resolver los sistemas de ecuaciones lineales.
1
Carl Frederich Gauss (1777-1875). Se le suele llamar el prncipe de las matematicos. Hizo
importantes contribuciones a la teora de los n umeros, a la teora de funciones, a la probabilidad
y la estadstica. Descubri
o un metodo para calcular las orbitas de los asteroides; fue el autor de
descubrimientos b asicos en la teora de electromagnetismo e invento el telegrafo.
2
Camille Jordan (1838-1922). Fue profesor en la Ecole Polytechnique de Pars. Fue pionero
en varias ramas de las matem aticas, incluyendo la teora de las matrices. Es famoso, por el
teorema de las curvas de Jordan, el cual afirma que una curva cerrada simple (tal como una
DE SISTEMAS
6.7. RESOLUCION 119
Pseudo-Algoritmo 6.44 (Eliminacion de Gauss-Jordan). Sea A Mmn (R) la

matriz aumentada para un sistema Em,n . El objetivo es obtener una matriz A
en su forma escalonada reducida de la matriz A.
Etapa 1: Localizar en el extremo izquierdo la columna de la matriz A que no
conste exclusivamente de ceros.
Etapa 2: Si es necesario, intercambiar el renglon superior con otro renglon,
de tal manera que el elemento que esta al inicio de la columna encontrada en la
Etapa 1 sea diferente de cero.
Etapa 3: Si el elemento que ahora esta al comienzo de la columna que se
ha encontrado en la Etapa 1 es a 1, entonces, aplicar la operacion elemental
Mi ( a1 ), para que el primer elemento sea 1.
Etapa 4: Sumar m ultiplos adecuados del primer renglon a los renglones sub-
secuentes, de tal forma que en la columna localizada en la Etapa 1, todos los
elementos despues del primero sean cero.
Etapa 5: Cubrir el primer renglon y la columna encontrada en la Etapa 1 y
comenzar de nuevo en la Etapa 1 aplicada a la submatriz resultante. Proseguir
de esta manera hasta que la matriz A este en su forma escalonada y pasar a la
Etapa 6.
Etapa 6: Comenzado por el u ltimo renglon, y avanzando hacia arriba, sumar
multiplos adecuados de cada renglon a los renglones superiores de el, de tal manera
que se obtenga una matriz en su forma escalonada reducida A .
0 0 2 0 7 12
Ejemplo 6.45. Consideremos la siguiente matriz 2 4 10 6 12 28 , la
2 4 5 6 5 1
cual es la aumentada para un sistema E3,5 . Aplicando el algoritmo de la elimina-
cion de Gauss-Jordan, resolveremos el sistema.
Primero, localicemos la columna extrema izquierda que no conste de ceros, la
cual es C1 = (0, 2, 2).
Segundo, como el primer elemento de C1 es cero, necesitamos intercambiar el
primer renglon con el renglon que tenga el primer elemento distinto de cero, el
cual es el segundo renglon. Por lo que, aplicamos la operacion elemental P21 a los
renglones, por lo que la matriz resultante es:
2 4 10 6 12 28
0 0 2 0 7 12
2 4 5 6 5 1
Tercero, como el primer elemento de C1 = (2, 0, 2) es 2, aplicamos la operacion

circunferencia o un cuadrado) divide al plano en dos regiones conexas ajenas. [How84]
M1 ( 12 ), por lo que, obtenemos la matriz
1 2 5 3 6 14
0 0 2 0 7 12
2 4 5 6 5 1
Cuarto, ahora se debemos hacer a todos los elementos de bajo de primer ele-
mento de C1 = (1, 0, 2), as, aplicamos la operacion A13 (2), por lo tanto obtene-
mos la matriz
1 2 5 3 6 14
0 0 2 0 7 12
0 0 5 0 17 29
Quinto, obtenemos la submatriz que se obtiene de cubrir el primer renglon, y
buscamos la primer columna extrema izquierda que no conste de ceros, la cual es
C3 = (2, 5).
Como el primer elemento es 2, entonces hay que aplicar la operacion M2 ( 21 )
y obtenemos la matriz
1 2 5 3 6 14
0 0 1 0 27 6
0 0 5 0 17 29
Ahora hay que hacer ceros de bajo del primer elemento de C3 = (1, 5), por lo
que aplicamos la operacion A23 (5), con ello obtenemos la matriz
1 2 5 3 6 14
0 0 1 0 27 6
0 0 0 0 1 1
2
Obtenemos la submatriz que se obtiene de cubrir el primer y segundo renglon.

Buscamos la primer columna extrema izquierda que no conste de ceros, la cual es
C5 = ( 21 ).
Aplicamos la operacion M3 (2), lo cual nos da la matriz
1 2 5 3 6 14
0 0 1 0 72 6
0 0 0 0 1 2
Esta ultima matriz esta en su forma escalonada, con lo que procedemos con el
Paso 6.
Sexto, tomando el u ltimo renglon, sumamos m ultiplos adecuados para obte-
ner ceros en las posiciones restantes de C5 . Aplicando las operaciones A32 ( 72 ) y
DE SISTEMAS
6.7. RESOLUCION 121
A31 (6) obtenemos la matriz
1 2 5 3 0 2
0 0 1 0 0 1
0 0 0 0 1 2
Y por u ltimo, tenemos que hacer ceros en las otras posiciones de la columna
C3 , as que aplicamos la operacion A21 (5), con lo que obtenemos la matriz
1 2 0 3 0 7
0 0 1 0 0 1 = A
0 0 0 0 1 2
As la matriz A es la forma escalonada reducida de la matriz A. Por lo que el

sistema E3,5 esta resuelto.
Ejemplo 6.46. Considere el siguiente sistema de ecuaciones E4,6
x1 + 3x2 2x3 + 2x5 =0
2x1 + 6x2 5x3 2x4 + 4x5 3x6 = 1
5x3 + 10x4 + 15x6 =5
2x1 + 6x2 + 8x4 + 4x5 + 18x6 =6
Resuelva el sistema utilizando la eliminacion de Gauss-Jordan.
Solucion de: 6.46 La matriz aumentada del sistema E4,6 es
1 3 2 0 2 0 0
2 6 5 2 4 3 1

0 0 5 10 0 15 5
2 6 0 8 4 18 6
Aplicando las operaciones A12 (2) y A14 (2) obtenemos la matriz
1 3 2 0 2 0 0
0 0 1 2 0 3 1

0 0 5 10 0 15 5
0 0 4 8 0 18 6
Ahora aplicamos las siguientes operaciones M2 (1), A23 (5) y A24 (4) tenemos
1 3 2 0 2 0 0
0 0 1 2 0 3 1

0 0 0 0 0 0 0
0 0 0 0 0 6 2
Por ultimo, aplicamos P34 , y despues M3 ( 16 ), obtenemos la matriz escalonada

siguiente
1 3 2 0 2 0 0
0 0 1 2 0 3 1

0 0 0 0 0 1 31
0 0 0 0 0 0 0
Ahora para obtener la matriz en su forma escalonada reducida aplicamos A32 (3)
y A21 (2), obtenemos la matriz en su forma escalonada reducida siguiente
1 3 0 4 2 0 0
0 0 1 2 0 0 0

0 0 0 0 0 1 13
0 0 0 0 0 0 0
Por lo que el sistema correspondiente es
x1 + 3x2 + 4x4 + 2x5 = 0

x3 + 2x4 = 0
1
x6 =
3
Como nos podemos dar cuenta, la u ltima ecuacion se suprimio del sistema original.
Despejando las variables x1 , x3 y x6 , obtenemos
x1 = 3x2 4x4 2x5

x3 = 2x4
1
x6 =
3
Par terminar, si a las variables x2 , x4 y x5 se les asignan valores arbitrarios r,
s y t R, respectivamente, el conjunto de soluciones quedara definido por las
siguientes igualdades x1 = 3r 4s 2t, x2 = r, x3 = 2s, x4 = s, x5 = t y x6 = 31 .
A menudo es mas conveniente resolver un sistema de ecuaciones lineales lle-

vando la matriz aumentada a la forma escalonada, en vez de seguir adelante hasta
obtener la forma escalonada reducida. Cuando aplicamos este u ltimo metodo, el
sistema de ecuaciones correspondiente se puede resolver mediante una tecnica
conocida como substituci on en reversa.
El siguiente teorema toma un sistema de ecuaciones lineales especifico, es decir,
cuando el sistema tiene el mismo n umero de variables que ecuaciones, y nos da
una otro criterio de la existencia junto con la solucion en especifico.
DE SISTEMAS
6.7. RESOLUCION 123
Teorema 6.47. Sea En,n un sistema de ecuaciones lineales. Si la matriz de coe-

ficientes A del sistema es invertible, entonces el sistema tiene una u
nica solucion
1
dada por x = A b.
Demostracion. Sea En,n y sea A la matriz de coeficientes invertible. Para mostrar
que existe la solucion, consideramos el sistema como sigue:
Ax = b
(A A)x = A1 b
1
Porque A es invertible.
Por lo tanto x = A1 b existe, ya que A1 b existe.
Para mostrar la unicidad, supongamos que existe dos soluciones x1 y x2 . Por
el Teorema 6.37 tenemos que x1 x2 es solucion al sistema homogeneo asociado
de En,n , es decir A(x1 x2 ) = 0. Como A es invertible, entonces multiplicamos por
A1 al sistema homogeneo asociado, lo cual nos da:
(A1 A)(x1 x2 ) = A1 0
x1 x2 = A1 0 Porque A1 A = In .
=0 Porque A1 0 = 0.
Por lo tanto x1 = x2 .
Ejemplo 6.48. Considere el siguiente sistema de ecuaciones lineales E2,2 de la
forma
2x1 5x2 = 2
x1 + 3x1 = 3
Utilizando el Teorema 6.47 se puede resolver el sistema. Para saber que la
matriz de coeficientes de E2,2 es invertible, aplicamos el Teorema 5.23, con lo
que el det(A) = 1, por lo tanto A es invertible. Aplicando ahora el Teorema 5.49
3 5
tenemos que A1 = ( ).
1 2
Por lo tanto
3 5 2 21
x=( )( ) = ( )
1 2 3 8
El siguiente corolario es una consecuencia inmediata del Teorema 6.47, pero
aplicado a un sistema Hn,n . As la demostracion se queda como un ejercicio para
el estudiante.
Corolario 6.49. Sea Hn,n un sistema de ecuaciones lineales homogeneo. Si la
matriz de coeficientes A del sistema es invertible, entonces el sistema solo tiene
a 0 = (0, . . . , 0) como solucion.
Ejercicios
1. Resuelva cada uno de los siguientes sistemas de ecuaciones, utilizando los
teoremas y la eliminacion de Gauss-Jordan.
a) 3x + 1y = 3 3x + 2y z = 8
5x + 2y = 1, 5x 4y 3z = 0,
b) 2x 3y = 0 e) x + 2y + 3z = 1
4x + 4y = 3, 2x + 5y + 3z = 0
x + 8z = 4,
c) 3x1 + 4x2 = 4 f ) x + 6y + 4z = 1
5x1 + 6x2 = 9, 2x + 4y z = 1
d ) x + y + 3z = 0 x + 2y + 5z = 1,
2. Demuestre el Corolario 6.49, utilice el Teorema 6.47.
6.8. La regla de Cramer

En esta ultima seccion, veremos otra forma de resolver un sistema de ecuacio-
nes lineales En,n . Primero tomamos en cuenta el concepto de matriz (la aumenta-
da) para resolver dicho sistema, despues consideramos matrices (la de coeficientes,
las variables x y los terminos independientes b) para dar una representacion ma-
tricial, luego consideramos un sistema con n variables y n ecuaciones junto con
su representacion matricial para aplicar el criterio de la inversa de la matriz de
coeficientes y obtener una solucion al sistema. Ahora aplicaremos el concepto de
determinantes a la matriz de coeficientes y a la matriz b. As, el siguiente teorema
nos da la relacion entre las matrices de coeficientes y su determinante.
Teorema 6.50 (Regla de Cramer). Sea En,n un sistema de ecuaciones lineales.

Sea A la matriz de coeficientes de En,n tal que det(A) 0, entonces el sistema
tiene una u
nica solucion de la forma
det(A1 ) det(An )
x1 = , . . . , xn =
det(A) det(A)
donde Aj es la matriz que se obtiene de remplazar los elementos de la j-esima

columna de A por los elementos de b.
6.8. LA REGLA DE CRAMER 125
Para la demostracion del teorema, como se sabe que si det(A) 0 es invertible

entonces tenemos una solucion u nica, as que solo nos faltara mostrar que la
solucion tiene la forma que nos dice el teorema.
Demostracion. Sea En,n un sistema de ecuaciones lineales. Sea A la matriz de
coeficientes de En,n . Supongamos que det(A) 0, entonces por el Teorema 5.23
tenemos que A es invertible, y aplicando el Teorema 6.47 tenemos que x = A1 b,
pero por el Teorema 5.49 tenemos que
1
x= adj(A) b
det(A)
1
= Ct b por Definicion 5.47.
det(A) A
Cn1 b1
1 11
C
=
det(A)
C1n Cnn bn
Ahora multiplicando las matrices CAt y b, tenemos

b C + + bn Cn1
1 1 11
=
det(A)
b1 C1n + + bn Cnn
b1 C1j + + bn Cnj
Por lo que cada elemento de x tiene la forma xj = .
det(A)
a11 . . . a1j1 b1 a1j+1 . . . a1n
Ahora, considerese la matriz Aj = . Da-
an1 . . . anj1 bn anj+1 . . . ann
do que Aj difiere de A u nicamente en la columna j, los cofactores de los elementos
b1 , . . . , bn de Aj son iguales a los cofactores de los elementos de la j-esima columna
de A. Por lo que el desarrollo por cofactores del det(Aj ) a lo largo de la j-esima
columna esta dado por
det(Aj ) = b1 C1j + + bn Cnj
det(Aj )
Por lo tanto xj = .
det(A)
Ejemplo 6.51. Sea E3,3 un sistema de ecuaciones lineales dado por
x1 + 2x3 = 6
3x1 + 4x2 + 6x3 = 30
x1 2x2 + 3x3 = 8
Resuelva el sistema E3,3 utilizando la Regla de Cramer.
Solucion de 6.51: Primero obtengamos las matrices que la Regla de Cramer

requiere, las cuales son cuatro, una de ellas es la matriz de coeficientes y el resto
las que determinan la solucion.
1 6 2
1 0 2 A2 = 3 30 6
A = 3 4 6 1 8 3
1 2 3
6 0 2 1 0 6
A1 = 30 4 6 A3 = 3 4 30
8 2 3 1 2 8
As, det(A1 ) = 40, det(A2 ) = 72, det(A3 ) = 152 y det(A) = 44, aplicando la
formula para encontrar la solucion tenemos que x1 = 40 11 = 11 , x2 = 44 = 11 y
10 72 18
x3 = 44 = 11 .
152 38
Observaci on 6.52. Para resolver un sistema de En,n mediante la Regla de Cra-

mer, se necesitan calcular n+1 determinantes para las matrices en Mnn (R). Para
sistemas con mas de tres ecuaciones, la eliminacion de Gauss-Jordan requiere efec-
tuar menos operaciones ya que solamente se necesita reducir la matriz aumentada
a su forma escalonada reducida. Sin embargo, la Regla de Cramer proporciona
una formula para cada elemento de la solucion.
Ejercicios
1. Sea Hn,n un sistema de ecuaciones lineales homogeneo. Sea A la matriz de
coeficientes de Hn,n invertible. Utilizando la Regla de Cramer, muestre que
nica solucion de Hn,n es 0.
la u
2. Resuelva cada uno de los siguientes sistema con la Regla de Cramer.
a) 3x1 4x2 = 5 c) x + y 2z = 1
2x1 + x2 = 4, 2x y + z = 2
x 2y 4z = 4,
b) 4x1 + 5x2 = 2 d ) 2x1 x2 + x3 = 8
11x1 + x2 + 2x3 = 3 4x1 + 3x2 + x3 = 8
x1 + 5x2 + 2x3 = 1, 6x1 + 2x2 + 2x3 = 15.
3. Sea En,n sistema con coeficientes enteros y constantes enteras, es decir, A

Mnn (Z) y b Mn1 (Z). Demuestre que si det(A) = 1, entonces la solucion
tiene elementos enteros, es decir x Mn1 (Z).
Aplicaci
on hacia la Fsica
Circuitos el
ectricos
Para resolver circuitos electricos se deben tomar en cuenta una serie de conven-
ciones, as como la ley de Ohm: El voltaje en un elemento electrico es proporcional
a la corriente que pasa por el:
V = RI (6.1)
Las reglas de Kirchhoff que dicen:
1. La suma de las corrientes en un nodo es cero.
2. La suma de los voltajes en una malla es cero.
Lo que nos dice la primera ley es que toda la corriente que entra a un nodo es
toda la que va a salir de ese nodo, es la conservacion de la carga. La segunda hace
alusion a la conservacion de la energa.
Las convenciones que se deben seguir son:
1. El sentido de la corriente que se elija para una malla debe ser el mismo para
todas las demas, y com unmente se usa el antihorario.
2. Las corrientes salen del polo positivo de las fuentes y entran por el polo
positivo de los demas elementos electricos.
Ejemplo 6.53. Considere el circuito de la Figura 6.1. Calcular:
1. la intensidad de la corriente por la resistencia de 4,
2. la diferencia de potencial en bornes de ab, f c y ed.
Solucion de 6.53:
1. El sentido de la intensidad por la resistencia de 4 no se conoce, ya que

1 tiende a que la corriente circule de a a b, y 2 tiende a lo contrario. Por
consiguiente, supondremos un sentido arbitrario y se elige el que se presenta
en la propia figura del circuito.
Figura 6.1: Circuito para el Ejemplo 6.53.
Seg
un la primera ley de Kirchhoff:
I2 = I1 + I3 En el nodo f . (6.2)
Seg
un la segunda ley de Kirchhoff:
Malla f cbaf 3 2I2 5I2 4I3 = 0 (6.3)
Malla f cdef 3 2I2 5I2 + 2 1I1 = 0 (6.4)
El sistema de ecuaciones que resulta es:
I1 + 7I2 = 5
7I2 + 4I3 = 3
I2 I3 I1 = 0
Al quedarnos con la matriz aumentada y realizar operaciones elementales
por renglon, llegamos a la solucion
1 7 0 5 A13 (1),A21 (1),M2 ( 71 ) 1 0 4 2

0 7 4 3 0 1 47 37
1 1 1 0 0 8 1 5
1 0 4
34
2 M ( 39 ),A (4),A ( 4 ) 1 0 0 39
A23 (8) 3 31 32
0 1 74 1911
3 7 7 1127
7 0 1 0
0 0 39 11 0 0 1 11
7 7 39
As que: I1 = 0.872A, I2 = 0.590A y I3 = 0.282A. La corriente por la resis-

tencia de 4 vale 0.282A y su sentido es de a a b; el signo menos nos indica
que el sentido de la corriente es contrario al que se haba supuesto.
2. Las diferencias de potencial (D.d.p) o cadas de tension en ab, f c y ed deben

de ser iguales. Usando la Ley de Ohm (6.1) se tiene:
a) D.d.p en bornes de ab = 4 0.282A = 1.13V.

b) D.d.p en bornes de f c = 3V + (2 + 5) 0.590A = 1.13V.
c) D.d.p en bornes de ed = 2V (1 0.872A) = 1.13V.
Ejemplo 6.54. Hallar las intensidades de corriente de I1 , I2 y I3 por las ramas

del circuito representado en la Figura 6.2. Suponga tambien, que los sentidos de
circulacion que se indican.
Figura 6.2: Circuito para el Ejemplo 6.54.
Solucion de 6.54: Seg

un la primera ley de Kirchhoff:
En el nodo d I1 + I2 + I3 = 0. (6.5)
Seg
un la segunda ley de Kirchhoff:
La malla abdca 15 I1 9.5I1 + 10 + 0.5I3 = 0 (6.6)

Antes de continuar, veamos que en la rama dc, el sentido de d a c es contrario al

supuesto para las corrientes I2 ; por consiguiente, al pasar por la batera se eleva la
tension en el valor de su f em, de 10V, y lo mismo ocurre en su resistencia interna,
en la que sube su tension en 0.5I2 .
La malla cdf ec 10 0.5I2 + 1.4I3 3 + 0.1I3 = 0 (6.7)
Tambien, observemos:
1. En la rama cd, el sentido de c a d es el mismo que el se supone para la
corriente I2 , por consiguiente, existe una cada de tension en la batera en
el valor de su f em, de 10V, y otra cada en bornes de su resistencia interna,
0.5I2 .
2. En df e, el sentido de d a f y de f a e es contrario al que se supuso para
I3 ; por tanto, sube la tension en 1.4I3 , vuelve a subir en 0.1I3 y cae en 3V,
debido a la f em de la batera.
El sistema de ecuaciones que resulta es:
I1 + I2 + I3 =0
10.5I1 0.5I2 =25
0.5I2 + 1.5I3 =13
Usamos la Regla de Cramer para resolver este sistema. Entonces sean:

RRR 1 1 1 RRRR
RRR R
D = RRR10.5 0.5 0 RRRR = 21.75
RRR R
RR 0 0.5 1.5RRRR
El determinante de la matriz de coeficientes y
RRR 0 1 1 RRRR RRR 1 0 1 RRRR RRR 1 1 0 RRRR
RRR R R
R R R
R R
D1 = RRR25 0.5 0 RRRR , D2 = RRRR10.5 25 0 RRRR , D3 = RRRR10.5 0.5 25RRRR .
RRR R RRR R RRR R
RR13 0.5 1.5RRRR RR 0 13 1.5RRRR RR 0 0.5 13RRRR
Los valores de los determinantes son: D1 = 43.5, D2 = 174 y D3 = 130.5. Con
esto las corrientes quedan como:
43.5 174 130.5
I1 = = 2A; I2 = = 8A; I3 = = 6A.
21.75 21.75 21.75
El signo negativo que aparece en I2 indica que el sentido de circulacion de dicha
intensidad es contrara a la que se haba supuesto.
Captulo 7
N
umeros complejos
Para este captulo supondremos que el estudiante tiene una cierta familiaridad
con las principales propiedades de los n umeros reales. El conjunto de los n
umeros
reales fue el resultado de la b usqueda de un sistema (con ciertas reglas) que
incluyeran a los racionales, y que ademas proporcionara soluciones a las ecuaciones
polinomiales de la forma x2 2 = 0.
Se hizo una consideracion similar, la cual dio origen a la extension de los
numeros reales. A principios del siglo XVI, Geronimo Cardano1 considero ecuacio-
nes cuadraticas (y cubicas) tales como x2 + 2x +2 = 0 que no son satisfechas por
ningun numero real. La formula cuadratica (b b2 4ac)/2a da expresiones bien
definidas para las dos soluciones a la ecuacion con la forma ax2 + bx + c = 0, pero
esta f
ormula podra requerir races cuadradas de n
umeros negativos, por ejemplo
1 1 para la ecuacion x + 2x + 2 = 0. Cardano noto que si estos
2 n
umeros
complejos son tratados como n umeros ordinarios con la regla 1 1 = 1
estos resolvan las ecuaciones.
En el siglo XVIII, con los trabajos de Leonhard Euler se revelo una profunda
relacion entre los numeros complejos y las funciones trigonometricas, es decir,
e = cos() + i sin().
i
No fue hasta los trabajos de Casper Wessel (1797), Jean Robert Argand (1806),
Karl Friedrich Gauss (1831) y William R. Hamilton (1837), que se clarifico el
significado de los n umeros complejos y se comprendio que no tenan nada de
1
Geronimo Cardano (1501-1576) fue un medico notable, ademas de un celebre matematico
italiano del Renacimiento, un astr ologo de vala y un estudioso del azar. Filosofo y destacado
enciclopedista, fue autor de una de las primeras autobiografas modernas. Nacido en Pava,
Italia, era hijo ilegtimo de Fazio Cardano, un abogado con talento para las matematicas que fue
amigo de Leonardo Da Vinci. En 1520, entro en la Universidad de Pava y estudio medicina en
Padua consiguiendo excelentes calificaciones. Finalmente, obtuvo una considerable reputacion
como medico en Saccolongo (cerca de Padua) y sus servicios fueron altamente valorados en las
cortes (atendi o al Papa y al arzobispo escoces de St. Andrews).
131
132 CAPITULO 7. NUMEROS
COMPLEJOS
imaginario en ellos (aunque el termino se emplea a

un).
7.1. El campo de los complejos

Lo primero que haremos sera definir a los numeros complejos y mostrar que
tienen propiedades que son adecuadas para que las manipulaciones algebraicas
usuales se cumplan. La idea basica de los n umeros complejos se le atribuye a
Jean Robert Argand, quien sugirio usar puntos en el plano para representar a los
numeros complejos, pero esta idea ya no es utilizada com
unmente.

Definici umeros Complejos). Sea i = 1. Diremos que el conjunto de
on 7.1 (N
umeros complejos (denotados por C) es {z z = x + yi, tal que ; x, y R}.
los n
La definicion anterior es la notacion estandar, pero en ocasiones se podra es-
cribir un n umero complejo z = (x, y) donde x, y R, es decir, como puntos en
el plano cartesiano R2 . Identificaremos a los n umeros reales x con puntos en el
eje x, as x y (x, 0) representaran al mismo punto (x, 0) en R2 . Tambien el eje y
sera llamado el eje imaginario y el punto (0, 1) sera denotado por i, por lo tanto
i = (0, 1). Notese tambien que i2 = i i = 1.
Definici umeros complejos). Sea z C con
on 7.2 (Parte real e imaginaria de los n
z = x + iy. Diremos que la parte real de z (denotada por Re(z)) es x y la parte
imaginaria (denotada por Im(z)) es y. Dicho en forma de funciones, tenemos
que
Re C R; Re(z) = x
y ademas
Im C R; Im(z) = y.
Definici
on 7.3 (Igualdad de n umeros complejos). Sean z, w C. Diremos que
z y w son iguales si y solo si Re(z) = Re(w) y Im(z) = Im(z).
La definicion anterior se obtiene de la igualdad entre parejas ordenadas y el
considerar a los numeros complejos como puntos en el plano cartesiano de n
umeros
reales.
Definicion 7.4 (Suma de n umeros complejos). Sean z, w C con z = z1 + z2 i,
w = w1 + w2 i . La suma de z con w es el n umero complejo z + w = (z1 + w1 ) +
(z2 + w2 )i. Dicho en forma de funcion, la suma es
+CCC
+(z, w) = (z1 + w1 ) + (z2 + w2 )i.

7.1. EL CAMPO DE LOS COMPLEJOS 133
Definici on 7.5 (Multiplicacion escalar). Sea z C con z = z1 + iz2 y sea c R.

La multiplicacion escalar esta dada por cz = cz1 + icz2 . Dicho en la forma de
funcion, la multiplicacion escalar es
R C C;
con la regla
(c, z) = cz.
Ejemplo 7.6. Sea z = 1 + 3i y w = 4 + 2i. Entonces z + w = (1 + 3i) + (4 + 2i) = 5 + 5i.

Ahora Re(z + w) = 5 e Im(z + w) = 5. Podramos decir que Re(z + w) = Re(z) +
Re(w) y de igual forma Im(z + w) = Im(z) + Im(w). Pero la demostracion se
queda como un ejercicio para el estudiante.
Ejemplo 7.7. Sea z = 1 + 9i y c = 3. Entonces la multiplicacion escalar es 3z =

3 + 27i.
Definici on 7.8 (Multiplicacion de n umeros complejos). Sean z, w C con z =

z1 +z2 i y w = w1 +w2 i. La multiplicacion de z con w es el numero complejo zw =
(z1 w1 z2 w2 ) + (z1 w2 + z2 w1 )i. Dicho en forma de funcion, la multiplicacion es
CCC
con la regla
(z, w) = (z1 w1 z2 w2 ) + (z1 w2 + z2 w1 )i
Ejemplo 7.9. Sean z = 3 + i8 y w = 1 + i2. Entonces z w = (3 + 8i)(1 + 2i) =

(3 16) + (6 + 8)i = 13 + 14i.
Por abuso de la notacion, se omitira el punto entre los n umeros complejos

cuando se este multiplicando. La formula para la multiplicacion de dos n
umeros
complejos se puede obtener si se considera la ley distributiva y asociativa de los
n
umeros reales. As, surge una proposicion para los numeros complejos, que se
obtiene de las propiedades de los numeros reales.
Proposici on 7.10 (Leyes conmutativa, asociativa y distributiva). Sean z, w,

s C con z = z1 + z2 i, w = w1 + w2 i y s = s1 + s2 i, entonces se cumplen lo
siguiente:
1. zw = wz (conmutativa). 3. z(w + s) = zw + zs (distributiva).

2. z(ws) = (zw)s (asociativa).
COMPLEJOS
Demostracion. Sean z, w, s C. Las demostraciones se deben hacer por igualda-

des, aplicando las propiedades de los n
umeros reales.
1. Conmutativa. Sean z = z1 + z2 i y w = w1 + w2 i, entonces
zw = (z1 + z2 i)(w1 + w2 i) Por hipotesis.

= (z1 w1 z2 w2 ) + (z1 w2 + z2 w2 )i Definicion 7.8.
= (w1 z1 w2 z2 ) + (w2 z1 + w1 z2 )i
= (w1 z1 w2 z2 ) + (w1 z2 + w2 z1 )i conmutativa de + y en R.
= (w1 + w2 i)(z1 + z2 i) Definicion 7.8.
= wz Hipotesis.
2. Se deja como ejercicio para el estudiante.
3. Se deja como ejercicio para el estudiante.
Definicion 7.11 (Identidad de la suma). Diremos que 0 = 0 + 0i es la identidad

de la suma, ya que para todo z C, se tiene que z + 0 = 0 + z = z.
Definicion 7.12 (Inverso de la suma). Sea z C con z = z1 + z2 i. Diremos

que el inverso de z bajo la suma es z C con z = z1 z2 i, de forma que
z + (z) = (z) + z = 0.
Definici on 7.13 (Identidad de la multiplicacion). Diremos que 1 C con 1 =

1 + 0i es la identidad de la multiplicacion, tal que para todo z C, se tiene que
z 1 = 1 z = z.
Proposici on 7.14 (Leyes de cancelacion). Sean z, w, s C. Se cumple los si-

guientes enunciados:
1. Si z + w = z + s, entonces w = s.
2. Si zw = zs y z 0, entonces w = s.
Demostracion. 1. Esta demostracion se queda como ejercicio para el estudian-

te. Solo debe utilizar la definicion de la suma y de igualdad de numeros
complejos.
7.1. EL CAMPO DE LOS COMPLEJOS 135
2. Sean z, w y s C tales que zw = zs. Debemos mostrar que w = s.

zw = zs De la hipotesis.
0 = zw zs Definicion 7.12.
= z(w s) Proposicion 7.10
Si z 0, entonces tenemos las siguientes ecuaciones que se obtienen de hacer

la multiplicacion indicada. Sea h1 = w1 s1 y h2 = w2 s2
0 = z1 h1 z2 h2
0 = z2 h1 + z1 h2 Definicion 7.8.
Despejando h1 de la primer ecuacion, tenemos

z2 h2
h1 = Aritmetica.
z1
Substituyendo el valor de h1 en la segunda ecuacion, tenemos
z2 h2
0 = z2 ( ) + z1 h2
z1
z 2 + z12
= h2 ( 2 )
z1
= h2 (z12 + z22 ) Aritmetica.
Entonces, tenemos
h2 = 0 Porque z 0.
= w 2 s2
Por lo tanto w2 = s2 , y sustituyendo h2 en h1 , tenemos
h1 = 0 Porque z 0.
= w 1 s1
Por lo tanto w1 = s1 . Por lo tanto w = s.
El estudiante podra suponer que w s 0 y llegara a que z = 0, lo cual es

equivalente a lo que se ha hecho anteriormente.
COMPLEJOS
Definici umeros complejos). Sea z, w C con z = z1 + z2 i

on 7.15 (Division de n
y w = w1 + w2 i con w 0. Diremos que la division de z entre w (denotada por
z1 w1 + z2 w2 + (z2 w1 z1 w2 )i
z/w) es el n umero complejo s = . Dicho en forma
w12 + w22
de funcion, tenemos que
/ C C C;
con la regla
z1 w1 + z2 w2 + (z2 w1 z1 w2 )i
/(z, w) =
w12 + w22
Ejemplo 7.16. Sean z = 3 + i y w = 2 + 2i. Entonces
(6 + 2) + (2 6)i 8 4i 1
z/w = = = 1 i.
2 +2
2 2 8 2
z
Observacion 7.17. De la Definicion 7.15 podemos decir que zw1 = , as,
w
1
diremos que z = .
1
z
Ejercicios
1. Demuestre el inciso 2. y 3. de la Proposicion 7.10. Hint: proceda por igual-
dades como en la demostracion de 1.
2. Demuestre que Re(z +w) = Re(z)+Re(w) y que Im(z +w) = Im(z)+Im(w)

para cualesquiera z, w C.
3. Demuestre que existe una identidad u

nica para la suma de n
umeros com-
plejos.
4. Demuestre que existe una identidad u

nica para la multiplicacion de n
umeros
complejos.
5. Demuestre que existe un u

nico inverso para la suma de n
umeros complejos.
6. Es C un espacio vectorial sobre R? Es posible dar una base para C? Si es

posible, cual es y que dimension tiene? Si no es posible, por que?
7.2. EL CONJUGADO 137
7.2. El conjugado
Definici on 7.18 (El conjugado de un n umero complejo). Sea z C con z =
z1 + z2 i. Diremos que el conjugado de z (denotado por z) es el n
umero complejo
z = z1 z2 i. En su forma de funcion tenemos que
C C; z = z1 z2 i.
Dado que los complejos son una extension de los n umeros reales, entonces
diremos que R C, as que los reales se podran escribir en su forma compleja
como x = x + i0 para alg
un x R.
Observaci on 7.19. Supongamos que z, z C, si multiplicamos ambos n umeros,
obtenemos que z z = z12 + z22 + 0i = z12 + z22 . Por lo tanto podemos expresar a la
zw
division en terminos del conjugado de un complejo como sigue z/w = .
ww
Ejemplo 7.20. Sea z = 3 4i, entonces z = 3 + 4i. Ahora si w = 1 + 2i entonces
w = 1 2i. Si multiplicamos ambos conjugados, tenemos z w = (3 + 4i)(1 2i) =
11 2i. Si multiplicamos z w = 11 + 2i y le aplicamos el conjugado tenemos z w
= 11 2i.
El ejemplo anterior nos hace pensar que z w = z w, por lo que tenemos la
siguiente proposicion que nos da algunas propiedades de la conjugacion de los
numeros complejos.
on 7.21. Sean z, w C. Entonces se cumplen los siguientes enuncia-
Proposici
dos:
1. z + w = z + w. (z + z)
5. Re(z) =
2
2. z w = z w. y
(z z)
z z Im(z) = .
3. ( )= . 2i
w w
4. z = z si y solo si z R. 6. z = z.
Demostracion. Solo se mostrara el inciso 2. Los demas se quedan como ejercicios

para el estudiante.
2. Sean z = z1 + z2 i, w = w1 + w2 i C. Entonces tenemos
z w = (z1 + z2 i)(w1 + w2 i)
= (z1 w1 z2 w2 ) + (z1 w2 + z2 w1 )i Definicion 7.8.
= (z1 w1 z2 w2 ) (z1 w2 + z2 w1 )i Definicion 7.18.
COMPLEJOS
Por otro lado
z w = (z1 + z2 i)(w1 + w2 i)
= (z1 z2 i)(w1 w2 i) Definicion 7.18.
= (z1 w1 z2 w2 ) (z1 w2 + z2 w1 )i Definicion 7.8.
Por lo tanto z w = z w.
Ejercicios
1. Demuestre los incisos 1, 3, 4, 5 y 6 de la Proposicion 7.21. Hint: Utilice las
definiciones y procesa por igualdades.
2. Muestre que la Proposicion 7.21 se cumple para los complejos z = 2 + 3i y

w = 4 + 9i.
7.3. El m
odulo
Como ya hemos mencionado, los n umeros complejos son una extension de los
n
umeros reales, y como la definicion de los complejos nos dice que un complejo es
z = z1 + z2 i con z1 , z2 R, podemos considerar a los complejos como el producto
cartesiano R2 . Con esta idea, podemos definir el modulo de un n umero complejo.
Definici
on 7.22 (El modulo de un n umero complejo). Sea z C con z = z1 +z2 i.

Diremos que el modulo de z (denotado por z) es el n umero real z = z12 + z22 .
Dicho en forma de funcion, tenemos que

C R; z = z12 + z22 .

Ejemplo 7.23. Sea z = 3+2i C. El modulo de z es z = 32 + 22 = 9 + 4 = 13.
Ahora si multiplicamos a z con su conjugado z, tenemos que z z = 9 + 4 = 13.
El ejemplo anterior nos hace pensar que z z = z2 , lo cual es cierto. Por lo que
tenemos la siguiente proposicion.
Proposici on 7.24. Sea z C. Entonces z z = z2 y en consecuencia, si z 0

z
entonces z 1 = 2 .
z

7.3. EL MODULO 139
La demostracion de la proposicion anterior se deja como un ejercicio para el

estudiante.
Como ya hemos mencionado, los n umeros complejos pueden ser vistos como el
plano cartesiano. As, tambien se puede ver un complejo como una pareja ordena.
Si consideramos el segmento de recta A0, donde A es el punto que representa a
un complejo y 0 al punto origen, se formara un angulo con el eje x. Con esta idea
tenemos la siguiente definicion.
Definici
on 7.25 (Argumento de un numero complejo). Sea z C con z = z1 +z2 i.
Diremos que el argumento de z (denotado por arg(z)) es [0, 2) R tal que
z2
tan() = . Dicho en forma de funcion, tenemos
z1
arg C [0, 2); arg(z) = .
3
Ejemplo 7.26. Sea z = 3 + 3i un complejo. Entonces tan() = = 1, despejando2
3

el angulo, tenemos = .
4
Como hemos definido, el argumento de un n umero complejo esta entre el in-
tervalo 0 < 2, as cada uno de los n
umeros complejos distinto de cero tiene
un argumento bien definido sin ambig uedad. Sin embargo, es claro que podemos
agregar m ultiplos enteros de 2 a , y as, obtener el mismo n
umero complejo.
Por lo que arg(z) = + 2n, para un n Z.
As como, existen propiedades del conjugado de un n umero complejo, hay
propiedades para el modulo.
Proposicion 7.27. Sean z, w C. Entonces z w = zw y arg(z w) =

[arg(z) + arg(w)](mod 2).
La demostracion de esta proposicion se dejara al estudiante, pero despues de

ver la seccion de Representacion Polar de un n umero complejo. Ya que con la de-
finicion le sera mas facil de realizar dicha demostracion. Ademas de la proposicion
que nos da una propiedad del modulo, tenemos las siguientes.
on 7.28. Sean z, w C. Entonces se cumplen las siguientes igualdades:

Proposici
2
Recuerde que las funciones inversas son arc cos(), arcsin() y arctan() par cos(), sin()
1
y tan(), respectivamente. No se confunda con cos1 () = , por ejemplo.
cos()
COMPLEJOS
1. Si z 0, 3. z = z.
entonces w/z = w/z.
4. z + w z + w.
2. Re(z) z y Im(z) z. 5. z w z w.
Demostracion. Solo se demostrara el inciso 4 y 5, y las demas se queda como

ejercicio para el estudiante.
4. Sean z, w C. Tenemos que
z + w2 =(z + w)(z + w) Proposicion 7.24.
=(z + w)(z + w)
=zz + ww + wz + zw Proposicion 7.21
Pero wz es el conjugado de zw por la Proposicion 7.21
=z2 + w2 + 2Re(zw) Proposicion 7.21.

z2 + w2 + 2zw Por el inciso 2.
=z2 + w2 + 2zw Proposicion 7.27.
Pero z2 + w2 + 2zw = (z + w)2 . Por lo tanto z + w z + w.
5. Sean z, w C. Aplicando el inciso anterior a los complejos w y z w, tenemos

z = w + (z w) w + z w, entonces z w z w. Haciendo lo mismo
pero para los complejos z y w z, tenemos que w z w z. Por un lado
w z = 1(z w), por otro w z = z w, por lo que z w (z w).
Por lo tanto z w z w (z w).
Ejercicios
1. Demuestre la Proposicion 7.24.
2. Demuestre los incisos 1, 2 y 3 de la Proposicion 7.28.
3. Sean z = 9 + 2i y w = 2 + 5i. Obtenga el modulo y el argumento de z + w,
z w, w z, zw, z/w y w/z.
4. Muestre que la Proposicion 7.28 es valida para los complejos z = 1 + 2i y
w = 4 + 3i.
7.4. ECUACIONES DE SEGUNDO GRADO 141
7.4. Ecuaciones de segundo grado

Como hemos mencionado antes, el uso de los n umeros complejos nos permi-
te sacar races cuadradas de n
umeros reales negativos, pero para todo n
umero
complejo siempre es posible obtener su raz.
Proposicion 7.29. Sea z C. Entonces existe w C tal que w2 = z. (Como en

umeros reales, w tambien satisface la ecuacion.)
los n
Demostracion. Sea z = z1 +z2 i C con z1 , z2 R. Se quiere encontrar w = x+yi C

tal que z1 + z2 i = (x + yi)2 = (x2 y 2 ) + 2xyi, por lo que tenemos que resolver
las ecuaciones x2 y 2 = z1 y 2xy = z2 . Las soluciones existe, ya que se pueden
representar graficamente en le plano R2 las ecuaciones y observar que hay dos
intersecciones.
Sabemos que (x2 +y 2 )2 = (x2 y 2 )2 +4x2 y 2 = z12 +z22 , por lo que x2 +y 2 = z12 + z22 .
Entonces sumando
0 = z1 z1 a estaultima ecuacion en el lado derecho, tenemos
z1 + z1 + z2
2 2
z1 + z12 + z22
que x2 = y y2 = . Ahora, haciendo
2 2

z + z 2 + z 2 z + z 2 + z 2

1
1
= 1 2
y= 1 2
2 2

donde zj denota la raz cuadrada de n umeros reales positivo. Por lo tanto si
z2 > 0, tenemos que x = y y = , o bien, x = y y = , si z2 < 0, tenemos que
x = y y = , o bien, x = y y = . Por lo tanto la solucion a la ecuacion es
w = ( + i), donde = 1 si z2 0 y = 1 si z2 < 0.
Observacion 7.30. De la construccion de y en la demostracion anterior,

podemos concluir:
1. Las races cuadradas de un n

umero complejo son reales si y solo si el n
umero
complejo es real y positivo.
2. Las races cuadradas de un n umero complejo son complejas de la forma

z = 0 + iz2 con z2 R si y solo si el n
umero complejo es real y negativo.
umero complejo es 0 = z.
3. Las races cuadradas coinciden si y solo si el n
az +
Observaci on 7.31. Se puede mostrar que para una ecuacion de la forma 2
b b2 4ac
bz + c = 0, con z, a, b, y c C, tiene soluciones de la forma z = ,
2a
donde u es la raz cuadrada del complejo u, utilizando la Proposicion 7.29.
COMPLEJOS
Ejemplo 7.32. Resuelva w2 + i = 0 para z C.
Solucion de 7.32:
Tenemos que w2 = i, entonces sustituyendo en la formula
tenemosque z1 + z2 i = ( + i). Haciendo z1 = 0 y z2 = 1. Tenemos que
2 2
w = ( i).
2 2
Ejercicios
1. Resuelva cada una de las siguientes ecuaciones:
a) z 2 = 3 + 4i. c) z 4 = i. Hint: haga w = z 2 y re-

b) (z + 1)2 = 3 + 4i. suelva.
2. Simplifique las siguientes expresiones:

a) 1+ i. b) 1 + i. c) i
7.5. Representaci
on polar
Como ya se ha definido los conceptos de Modulo (tambien llamado norma
o valor absoluto) y Argumento de un n umero complejo, podemos hablar de su
representacion en coordenadas polares.
Definici on 7.33 (Coordenadas polares de un n umero complejo). Sea z C. La

representacion polar de z es de la forma (cos() + i sin()), donde = z y
= arg(z).

Ejemplo 7.34. Sea z = 1 + i, entonces z = 2 y arg(z) = 4 por lo que z =

2 (cos ( ) + i sin ( )). El estudiante ya debe ser capaz de obtener el modulo y
4 4
argumento del complejo z.
Ahora si consideramos la funcion exponencial de un n

umero real x, en su
desarrollo como polinomio de Taylor, que es
x x2
ex = 1 + + +
1! 2!
POLAR
7.5. REPRESENTACION 143
(dicho polinomio se obtiene de un estudio de calculo real como en [Mic93]). Si

consideramos x = yi para alg
un y R tenemos que
yi (yi)2 y2 y2 y3 y5
eyi = 1 + + + = (1 + + ) + i (y + + )
1! 2! 2! 4! 3! 5!
pero como se ve en [Mic93], las series
y2 y2 y3 y5
(1 + + ) = cos(y) , (y + + ) = sin(y),
2! 4! 3! 5!
por lo que tenemos la siguiente definicion, y es facil ver que ex+yi = ex eyi , ya que
solo se aplican leyes de los exponentes de los n
umero reales.
on 7.35 (La funcion ez ). Sea z C. Diremos que la funcion exponencial

Definici
es
eCC
ez = ex (cos(y) + i sin(y))
Ejemplo 7.36. Sea z = 1 + 4 i, entonces

1+ 4 i 2 2
e =e
z
= e (cos ( ) + i sin ( )) = e ( + i) .
4 4 2 2

2
El n
umero se obtiene de evaluar al coseno y seno en el punto .
2 4
Al igual que en las propiedades de las leyes de los exponentes en los n umeros
reales, hay propiedades que se cumplen con la definicion anterior, y son u
tiles para
demostrar teoremas del area de Variable Compleja, como se estudia en
on 7.37. Sea z, w C. Entonces se cumplen las siguientes propiedades:

Proposici
1. ez+w = ez ew .
i 3i
4. e 2 = i, ei = 1, e 2 = i y
e2i = 1.
2. ez nunca es 0.
5. ew = 1 si y solo si w = 2ni con
3. ez = ex , donde z = x + yi. n Z.
Demostracion. Solo se mostrar el primer inciso, los demas se dejan como ejercicios
para el estudiante, y solo debera aplicar las definiciones correspondientes.
COMPLEJOS
1. Sean z = z1 + z2 i y w = w1 + w2 i. Entonces z + w = (z1 + w1 ) + (z2 + w2 )i y

tenemos
ez+w = ez1 +w1 (cos(z2 + w2 ) + i sin(z2 + w2 ))

= [ez1 (cos(z2 ) + i sin(z2 ))][ew1 (cos(w2 ) + i sin(w2 ))]
= ez ew
Por la igualdad de sin(x + y) y cos(x + y) y las leyes de los exponentes.
Ejercicios
1. Demuestre la Proposicion 7.27, utilizando la representacion polar de un
n
umero complejo.
2. Demuestre los incisos faltantes de la Proposicion 7.37.
3. Demuestre que la funcion ez es biyectiva definida como e C {0} C {0}.
eiz eiz eiz + eiz

4. Sean sin(z) = y cos(z) = , con z C. Demuestre que 1 =
2i 2
sin2 (z) + cos2 (z).
7.6. Teorema de Moivre

Con la representacion polar de un n umero complejo se simplifican las opera-
ciones de multiplicacion y division, ya que si consideramos la Proposicion 7.27,
tenemos que dichas operaciones quedan definidas como sigue.
Proposici on 7.38 (Multiplicacion y division en forma polar). Sean z = [cos()+

i sin()] y w = [cos() + i sin()] complejos. Entonces la multiplicacion y di-
vision de z y w estan dadas por
z w = [cos( + ) + i sin( + )]
y
z
= [cos( ) + i sin( )]
w
con 0.
7.6. TEOREMA DE MOIVRE 145
Esta proposicion puede ser demostrada utilizando las igualdades de la suma de

angulos de las funciones trigonometricas. As que, la demostracion se deja como
un ejercicio para el estudiante.
Si consideramos la multiplicacion de z C consigo mismo, tenemos que z 2 =
(cos(2) + i sin(2)). Ahora si multiplicamos a z 2 con z, tenemos que z 3 =
2
3 (cos(3)+i sin(3)). Entonces como podemos suponer z n = n (cos(n)+i sin(n)).

A esta formula se le conoce como la formula de DMoivre.
Teorema 7.39 (De Moivre). Sea z C y sea n N. Entonces z n = n [cos(n) +

i sin(n)], con = z y = arg(z).
La demostracion de este teorema se hace por induccion sobre n, para la cual

se sugiere que empiece desde n = 2 para que la idea que se aplica al demostrar
para dicha n sea aplicada para cuando n = k + 1. El estudiante debe demostrar
el teorema, y se debe acordar de las igualdades de la suma de angulos para las
funciones seno y coseno.

1 i 3
Ejemplo 7.40. Sea z = + , entonces la representacion polar es
2 2
2 2
z = cos ( ) + i sin ( ) .
3 3
Elevando z a la 5 potencia, tenemos
10 10
z 5 = cos ( ) + i sin ( ).
3 3
Ejercicios
1. Demuestre la Proposicion 7.38.
2. Demuestre por induccion sobre n el Teorema 7.39.
3. Para cada uno de los siguientes n

umeros complejos, eleve cada uno a la
cuarta, quinta y sexta potencia.
a) z = 3 + 8i d ) w/z
b) w = 9 + 2i e) z/w
c) w + z f ) wz
COMPLEJOS
7.7. Races de n
umeros complejos
Como ya habamos visto, las races cuadradas de un complejo, pero si ahora
queremos sacar las races n-esimas, como le debemos hacer?
Bueno la idea es utilizar la formula de DMoivre para resolver las races. Es
decir, queremos resolver z n = w para z, cuando w esta dado. Supongamos que
w = r[cos() + i sin()] y que z = [cos() + i sin()].
Entonces por la formula de DMoivre z n = n [cos(n) + i sin(n)], como la
nica, tenemos que n = r = w y que n = + 2k donde
representacion polar es u
k N.
Por lo que tenemos
+ 2k + 2k
z= n
r [cos ( ) + i sin ( )] .
n n
Cada uno de los valores de k = 0, 1, . . . , n 1 da un valor diferente de z. Por
lo que hay exactamente n races n-esimas de cada n umero complejo.
Ejemplo 7.41. Sea z 3 = 1. Pero la representacion polar de 1 = (cos 0 + i sin 0).
Entonces las races terceras son
2k 2k
z = cos ( ) + i sin ( ) , y k = 0, 1, 2.
3 3
Esto es,
1 + i 3 1 i 3
z = 1, , .
2 2
Por lo que tenemos el siguiente corolario que formaliza la idea de obtener las
races n-esimas de un n
umero complejo dado.
Corolario 7.42 (Las races n-esimas de z). Sea z = [cos()+i sin()] complejo,
con 0. Entonces las races n-esimas de z estan dadas por n n
umeros complejos
de la forma
+ 2k + 2k
zk = n
[cos ( ) + i sin ( )]
n n
para cada
k = 0, 1, . . . , n 1.
Observaci on 7.43. Si consideramos a z = 1, las n races de 1, son 1 y n 1
puntos que estan igualmente espaciados alrededor del crculo unitario. Dicho de
otra forma, se forma un n polgono de radio 1.
7.7. RAICES DE NUMEROS
COMPLEJOS 147
Ejercicios
1. Escriba en terminos de sin() y cos() usando la formula de DMoivre a
cos(3) y sin(3), y cos(4) y sin(4).
2. Resuelva cada una de las siguientes ecuaciones.
a) z 5 2 = 0, d ) z 3 4 i = 0,
b) z 6 + 8 = 0, e) z 6 i = 0,
c) z 4 + 3 2i = 0, f ) z 1 0 i 3 = 0.
Aplicaci
on hacia la Fsica
Ondas
Una onda esta definida por algunos parametros como la longitud de onda ,
que es la distancia entre cresta (el punto mas alto de la onda) y cresta, valle (punto
mas bajo de la onda) y valle. La amplitud A, que es la distancia entre cero y la
altura de la cresta (o la profundidad del valle, ver figura 7.1). El periodo T que
es el tiempo que tarda en repetirse el patron, que es lo mismo que el tiempo que
tarda en recorrer un punto en la onda una distancia ; y la frecuencia , que es
el inverso multiplicativo del periodo ( = 1/T ). [HE86]
Figura 7.1: Onda.
Como puede observarse en la figura 7.1, la onda puede representarse por una
funcion tipo senoidal.
Ondas planas
Una onda plana es un plano que se desplaza en direccion k perpendicular al
plano. Si r es un vector que representa un punto en el plano que se desplaza (ver
figura 7.2).
COMPLEJOS
Figura 7.2: (a) Onda plana que viaja en direccion k.

(b) Muestra los valles y las crestas
de una onda plana.
La funcion de onda para este caso esta dada por [HE86]:
r, t) = A ei(kr+t)

( (7.1)
donde k es el numero de onda (una frecuencia espacial, k = 2/) y es la

frecuencia angular ( = 2/), mismos que cumplen la relacion

v= (7.2)
k
con v la velocidad de la onda. [HE86]
Ondas esf
ericas
Si se considera una fuente puntual ideal de luz, la radiacion que emana de ella
lo hace radialmente hacia afuera, uniformemente en todas direcciones. Entonces
se tiene una onda esferica (ver figura 7.3).
La funcion de onda para este caso esta dada por [HE86]:
A
(r, t) = ( ) eik(rvt) (7.3)
r
donde v esta dada por la ecuacion (7.2). [HE86]

7.7. RAICES DE NUMEROS
COMPLEJOS 149
Figura 7.3: Onda esferica.
Ondas cilndricas
Una onda cilndrica se puede obtener haciendo pasar una onda plana a traves
de una rendija, como se muestra en la figura 7.4(a). Si el cilindro se ubica como
lo indica la figura 7.4(b), sa funcion de onda esta dada por [HE86]:
A
(r, t) ( ) eik(rvt) (7.4)
r
Figura 7.4: (a) Onda plana que viaja en direccion k.

(b) Muestra los valles y las crestas
de una onda plana.
COMPLEJOS
Como se puede observar, la funcion que representa a una onda, cualquiera que
sea la geometra de esta (de las aqu presentadas), siempre lleva el termino de la
exponencial imaginaria, Puede explicar porque?
Como se explico anteriormente, la onda puede representarse con una funcion
senoidal, as que la onda real esta representada por la parte real de la exponencial
imaginaria, pero se usa esta forma compleja por las propiedades derivativas de la
funcion exponencial. [HE86]
Ejercicios
1. Grafique las funciones de onda dadas por las ecuaciones (7.1), (7.3) y (7.4)
en dos casos:
a) Para t = 3s, x (0, 22]m,

b) Para x = 1m, t [0, 20]s.
usando los valores:
a) r = (x, 0, 0), r =
r,
b) k = (3.8, 0.4, 1.1), k = k,

c) = 6Hz.
Captulo 8
Polinomios
En este captulo veremos otro objeto de estudio, que es importante en ma-

tematicas y que tambien es utilizado en muchas areas de la fsica. Los polinomios
son utiles para la aproximacion de funciones como el sin(x), o bien, ex , as como
se vio en la seccion anterior, la funcion exponencial esta escrita en forma de poli-
nomio como se ve en [Mic93]. Esta forma de escribir a la funcion exponencial es de
gran ayuda y tiene muchas aplicaciones en la vida. Por ejemplo, una calculadora
utiliza el desarrollo en forma de polinomio de la funcion sin(x) para calcular el
resultado, ya que las u nicas operaciones que hace una calculadoras son sumas y
multiplicaciones.
8.1. Los polinomios

Como se ha visto en el captulo de Sistemas de Ecuaciones, un polinomio tiene
su estructura muy parecida a la de una ecuacion linea, solo que, el grado de las
variables no es 1.
Definicion 8.1 (Polinomio, coeficiente y grado). Diremos que un polinomio con
variable x tiene la forma p(x) = an xn + + a1 x1 + a0 , con ai R tal que an 0
y n N. A los terminos ai les llamaremos coeficientes del polinomio. El n umero
n es el grado del polinomio (denotado por gr(p)).
Definici
on 8.2 (Termino independiente y polinomio cero). El termino a0 se
puede escribir de la forma a0 x0 . A este termino le llamaremos independiente. El
polinomio cero o nulo es de la forma p(x) = 0 = 0(x), con 0 R.
Definici
on 8.3 (El conjunto de polinomios). Diremos que el conjunto de polino-
mios con coeficientes reales y variable x (denotado por R[x]) es el conjunto
{p(x) gr(p) < }.
151
152 CAPITULO 8. POLINOMIOS
Ejemplo 8.4. Los siguientes son polinomios con variable x de grado 5, 6, 7 y 8,

respectivamente
p(x) = 3 + x + x3 + 4x5 , h(x) = x + 25 x2 + x4 + x7 ,
g(x) = 1 x6 , f (x) = 73 + 4x4 + 12 x6 + x8 .
Observaci on 8.5. A los polinomios se les puede pensar como funciones con va-
riable x, as que cuando se hable de p(x) cuando x = 3, sustituiremos el valor de
x en el polinomio, es decir, p(3) = an (3)n + an1 (3)n1 + .
8.2. Operaciones
Tambien se puede pensar a los polinomios como si tuvieran una infinidad de
terminos. Si tenemos un polinomio p(x) de grado n, podemos decir que a partir
del termino n + 1, el polinomio tendra coeficientes iguales a cero, por ejemplo
2 5x2 = 2 x5 + 0x3 + . Con esta idea, es facil definir la suma y el producto entre
polinomios.
Definicion 8.6 (Suma de polinomios). Sean g(x) y p(x) R[x] con grado n y
m, respectivamente. La suma de g(x) con p(x) (denotada por g(x) + p(x)) es
el polinomio de la forma
k
g(x) + p(x) = (gi + pi )xi
i=0
con k = m
ax{n, m}.
Ejemplo 8.7. Sean g(x) = 5 + x + 3x2 y p(x) = 1 + 2x2 + 4x3 + 3x6 , entonces la
suma de g(x) + p(x) = 6 + x + 5x2 + 4x3 + 3x6 .
Observaci on 8.8. De la Definicion 8.6, si p(x) es un polinomio, entonces p(x)

es el polinomio inverso aditivo, y cumple que p(x) + (p(x)) = 0. Esto no se
cumple, para el inverso multiplicativo, ya que no hemos definido polinomios de
grado menor que cero.
on 8.9 (Multiplicacion de polinomios). Sean g(x) y p(x) R[x] con

Definici
grado n y m, respectivamente. La multiplicacion de g(x) con p(x) (denotada
por g(x)p(x)) es el polinomio de la forma
k
g(x)p(x) = gi xi p(x)
i=0
8.2. OPERACIONES 153
con k = m
ax{n, m}; o bien,
g(x)p(x) = g0 p0 + (g0 p1 + g1 p0 )x + (g0 p2 + g1 p1 + g2 p0 )x2 +
k i
g(x)p(x) = ( gh pih ) xi
i=0 h=0
con k = m
ax{n, m}.
Observaci on 8.10. Como hemos dicho antes, si consideramos a los polinomios
como una funcion, y tomamos a x como una variable de los R o C, la Definicion
8.9 se puede obtener de aplicar la ley distributiva, conmutativa y asociativa de
estos conjuntos.
Ejemplo 8.11. Sea g(x) = 1 x3 y p(x) = 1 + x + x2 , entonces g(x)p(x) = 1(1 +
x + x2 ) x3 (1 + x + x2 ) = 1 + x + x2 x3 x4 x5 .
Definicion 8.12 (Multiplicacion escalar). Sea p(x) R[x] y sea c R. Entonces
la multiplicacion escalar esta dada por
n
(cp)(x) = c[p(x)] = (cai )xi .
i=0
Tambien la multiplicacion escalar se puede ver como una funcion como

R R[x] R[x];
n
c[p(x)] = (cai )xi .
i=0
Ejercicios
1. Sume y multiplique cada uno de los siguientes polinomios.
a) g(x) = 8 + 4x4 + 9x6 + 17 x , p(x) = 4 + 4x3 + 8x5
3 10
b) g(x) = 9 + x9 , p(x) = 3 + x4 x5
c) g(x) = 15 x , p(x) = x3 x5
4 2
d) g(x) = 16x4 + x8 x9 , p(x) = 1 + x3 4x5

2. Demuestre que el conjunto R[x] es un espacio vectorial con la suma y la
multiplicacion escalar definidas. Hint: recuerde que no es necesario mostrar
todas las propiedades de la Definicion 3.1.
3. Es posible dar una base para R[x]? Si es posible, cual es y que dimension
tiene? Si no es posible, por que?
8.3. El algoritmos de la divisi

on
As como en los numeros enteros, en los polinomios existe la propiedad de
divisibilidad sobre R y la cual es analoga a la de los enteros. As que tenemos el
siguiente teorema.
Teorema 8.13 (Algoritmo de la division). Sean g(x) y f (x) polinomios de R[x].
Existen q(x), r(x) R[x] unicos, tales que f (x) = g(x)q(x)+r(x), donde r(x)
puede ser el polinomio cero o de un grado menor que el grado de g(x).
Demostracion. Sean f (x) = a0 + + an xn y g(x) = b0 + + bm xm con gm 0 dos
polinomios. Debemos mostrar que existen los polinomios q(x) y r(x) tales que
f (x) = g(x)q(x) + r(x).
Si f (x) es el polinomio cero, o bien, si el grado de f (x) es menor que el grado
de m, tenemos que f (x) = 0 g(x) + f (x).
Supongamos por tanto que n m. Entonces podemos formar la suma siguiente
an
f (x) xnm g(x) = f1 (x).
bm
As, f1 (x) R[x] de grado menor que n. Por lo que procedemos mediante
induccion. Supongamos que el algoritmo es valido para todos los polinomios de
grado menor que n. Por lo que f1 (x) = q1 (x)g(x) + r(x), donde r(x) es cero o
de grado menor que n. Entonces podemos substituir f1 (x) en la diferencia antes
escrita, por lo que tenemos
an
f (x) xnm g(x) = q1 (x)g(x) + r(x)
bm
an
f (x) = [ xnm + q1 (x)] g(x) + r(x)
bm
= q(x)g(x) + r(x)
y as, f (x) tiene la representacion deseada.
Ahora solo nos falta mostrar que son u nicos los polinomios q(x) y r(x). Para
ello, supongamos que existen otros polinomios tales que f (x) = q1 (x)g(x) + r1 (x),
donde r1 (x) es cero o de grado menor que n. Por lo que tenemos
f (x) = q(x)g(x) + r(x)
= q1 (x)g(x) + r1 (x) Substitucion
Restando f (x) f (x)
0 = q(x)g(x) q1 (x)g(x) + r(x) r1 (x)

0 = g(x)[q(x) q1 (x)] + r(x) r1 (x) Distributiva de R.
g(x)[q1 (x) q(x)] = r(x) r1 (x)
8.4. TEOREMA DEL RESIDUO Y DEL FACTOR 155
El segundo multiplicando de esta ecuacion es cero o de grado menor que n, por lo

que q1 (x) q(x) = 0, es decir, q1 (x) = q(x) y r(x) = r1 (x).
Ejemplo 8.14. Sean f (x) = x4 + x3 x2 x 1 y g(x) = x2 . Entonces sean

q(x) = x2 + x 1 y r(x) = x 1, por lo que f (x) = g(x)q(x) + r(x).
Ejemplo 8.15. Sean f (x) = x4 + x3 x2 x 1 y g(x) = x2 1. Entonces sean

q(x) = x2 + x y r(x) = 1, por lo que f (x) = g(x)q(x) + r(x).
Este algoritmo se puede ver como una division normal de numeros reales, solo
que, en el caso de los polinomios utilizamos las leyes de los exponentes y la ley
distributiva.
Definici
on 8.16 (Cociente y residuo). Considere el algoritmo de la division. El
polinomio q(x) se llama el cociente y el r(x) es el residuo.
Ejercicios
Exprese los siguientes polinomios utilizando el algoritmo de la division y el
polinomio g(x) = x3 1.
1. f (x) = x4 + 4x3 x 8, 3. f (x) = 13 x4 x2 + 19,
2. f (x) = x8 x7 + x6 x5 + x + 9, 4. f (x) = ax4 b.
8.4. Teorema del residuo y del factor

Los siguientes teoremas son una consecuencia inmediata del Teorema 8.13 y
los cuales son u
tiles para encontrar una factorizacion de un polinomio p(x).
Teorema 8.17 (Del Residuo). Sea p(x), g(x) R[x] con g(x) = x a. Cuando
se divide el polinomio p(x) entre x a, el residuo es p(a).
Demostracion. Sea p(x) y g(x) = xa. Entonces por el Teorema 8.13, tenemos que
existen polinomios q(x) y r(x) tales que p(x) = (x a)q(x) + r(x), donde r(x) = r,
ya que r(x) es de grado menor que g(x). Entonces p(a) = (a a)q(a) + r = 0 + r.
Por lo tanto el residuo es p(a).
Teorema 8.18 (Del Factor). Sea p(x), g(x) R[x] con g(x) = x a. El poli-
nomio p(x) es divisible entre x a si y solo si p(a) = 0. As, decimos que x a
es un factor de p(x).
Demostracion. Sean p(x) y g(x) = x a R[x], por el Teorema 8.13, tenemos que
p(x) = (x a)q(x) + r.
) Supongamos que p(x) = (xa)q(x). Si x = a, entonces p(a) = (aa)q(a) = 0
por lo que el residuo es p(a) = 0.
) Supongamos que p(a) = 0, como p(x) = (x a)q(x) + r entonces tenemos
que p(x) = (x a)q(x) con lo que (x a) es un factor de p(x).
Ejercicios
1. Compruebe que es valido el Teorema 8.18 con los siguientes polinomios
a) f (x) = x3 1 y g(x) = x 1. b) f (x) = x6 1 y g(x) = x 1.
2. Compruebe que es valido el Teorema 8.17 con los siguientes polinomios
a) f (x) = x4 + x3 x2 x 1 y b) f (x) = x8 x7 + x6 x5 + x + 9 y
g(x) = x + 1. g(x) = x 1
8.5. Divisi
on sint
etica
Para encontrar con mayor facilidad el cociente q(x) y el residuo r(x), cuando
se divide un polinomio f (x) entre el polinomio x a, introduciremos el metodo
de la division sintetica.
Sea f (x) = a0 + a1 x + + an xn y q(x) = b0 + b1 x + + bn1 xn1 entonces
f (x) = (x a)q(x) + r
= (r ab0 ) + (b0 ab1 )x + + (bn2 abn1 )xn1 + bn1 xn
Igualando los coeficientes de f (x) cuando se expresa en estas dos formas, tenemos
que
an = bn1 , an1 = bn2 abn1 , . . . , a0 = r ab0
Para realizar los calculos podemos arreglar a los coeficientes como lo muestra
el Cuadro 8.1
an an1 ... a1 a0 a
abn1 ... ab1 ab0
bn1 = an bn2 = an1 + abn1 ... b0 = a1 + ab1 r = a0 + ab0
Cuadro 8.1: Division sintetica

8.6. RAICES DE POLINOMIOS 157
As, listando simplemente los coeficientes y realizando multiplicaciones y sumas

sencillas, puede leerse el cociente y el residuo directamente de la u ltima lnea.
Veamos un ejemplo.
Ejemplo 8.19. Encontrar el cociente y residuo al dividir el polinomio f (x) =

3x3 4x + 2 entre g(x) = x + 3. Aplicando la division sintetica, se tiene: lo cual nos
3 0 4 2 3
9 27 69
3 9 23 67
Cuadro 8.2: Division sintetica de f (x)/g(x)
proporciona que q(x) = 3x2 9x + 23 como cociente y r(x) = 67 como residuo.
Ejercicios
Encontrar el cociente y residuo de
1. f (x) = x4 + 7x3 + 10x2 5 entre g(x) = x 2,
2. f (x) = 3x5 + 6x3 3x entre g(x) = x + 1,
3. f (x) = x4 8x3 + x2 1 entre g(x) = x 1
4. f (x) = x6 + 8x5 4x4 5x + 9 entre g(x) = x + 3.
8.6. Races de polinomios

Cuando se considera un polinomio p(x) y es igualado a un valor de c R, es
decir, p(x) = c, este se convierte en una ecuacion de grado n. Ahora nos interesa
saber para que valores de x R o C, la ecuacion se satisface.
on 8.20 (Races de un polinomio). Sea p(x) R[x]. Sea a R o C.

Definici
Diremos que a es una raz de p(x) si p(a) = 0.
Las races se pueden ver como las intersecciones sobre el eje x del plano carte-
siano, cuando estas son reales. Cuando son complejas se pueden considerar como
traslaciones del eje x a la curva descrita por el polinomio.
Ejemplo 8.21. Sea f (x) = x2 1, entonces una raz para el polinomio f (x) es 1,
ya que f (1) = 12 1 = 1 1 = 0, pero tambien 1 es una raz.
Como se puede observar, en el ejemplo anterior, el polinomio tiene dos races,

y el grado del polinomio es 2. Entonces esto nos da pie para enunciar el teorema
fundamental del algebra.

Teorema 8.22 (Fundamental del Algebra). Sea p(x) R[x] y p(x) a0 con
a0 R. Sea n el grado de p(x), entonces el polinomio p(x) tiene n races.
El teorema anterior es equivalente con el siguiente teorema.
Teorema 8.23. Sea p(x) R[x] de grado n, entonces tiene al menos n races.
Observaci on 8.24. Como ya se sabe, la formula general de segundo grado, da las

races para un polinomio de grado 2. Como un buen ejercicio, el estudiante puede
obtener esta formula, considerando un polinomio f (x) = ax2 + bx + c. La idea es
utilizar el algoritmo de la division, para expresar a f (x) de la forma (xh)(x+h),
donde h esta en terminos de los coeficientes de f (x).
Ejemplo 8.25. Sea p(x) = x2 + 2x + 1, entonces sus races son x1 = 1 y x2 =

1. Como estas races son iguales, entonces podemos decir que este polinomio
solo tiene una raz, pero tambien se puede interpretar como dos races que son
iguales.
Observaci on 8.26. Ya se vio que el algoritmo de la division sintetica nos ayuda

a encontrar el cociente y el residuo de un polinomio f (x) dividido entre x a,
pero si se considera el Teorema 8.18, tenemos que si el residuo r(x) = 0, entonces
diremos que x = a es una raz del polinomio f (x), ya que cuando se sustituye a
en el polinomio nos da cero, es decir, f (a) = 0.
Hasta ahora solo hemos dicho que la division sintetica y el Teorema 8.18 nos
ayudan a encontrar las races cuando dividimos un polinomio p(x) entre (x a),
pero la pregunta que surge es que a ponemos en el polinomio (xa)? El siguiente
teorema nos da la respuesta cuando el polinomio cumple ciertas condiciones, y as,
con la division sintetica podemos saber si a es una raz de p(x).
Teorema 8.27 (Races racionales). Sea c/d Q tal que m.c.d(c, d) = 11 , es una
raz racional para el polinomio p(x) Z[x], entonces c divide a a0 y d divide a
an .
Demostracion. Sea p(x) = a0 + a1 x + + an xn , con ai Z. Como c/d Q es raz de

p(x), entonces
a0 + a1 (c/d) + + an (c/d)n = 0,
1
m.c.d denota el m
aximo com
un divisor de c y d como se puede ver en [Eug52]
8.6. RAICES DE POLINOMIOS 159
y de aqu que el entero
a0 dn + a1 cdn1 + + an1 cn1 d + an cn = 0.
Por lo que d(a0 dn1 + a1 cdn2 + + an1 cn1 ) + an cn = 0, as d divide a an cn , pero

m.c.d(cn , d) = 1 (ver [Eug52]), entonces d divide a an .
En una forma semejante, tenemos que a0 dn + c(a1 dn1 + + an cn1 ) = 0, as c
divide a a0 dn , pero m.c.d(c, dn ) = 1, entonces c divide a a0 .
Corolario 8.28. Todos las races racionales de un polinomio p(x) Z[x] con
p(x) = a0 + a1 x + + an1 xn1 + xn son enteras y divisores de a0 .
El corolario se sigue inmediatamente del Teorema 8.27. La demostracion se

deja como un ejercicio para el estudiante.
Ejemplo 8.29. Encontrar una de las races del polinomio p(x) = 6x4 7x3 +
6x2 1. De acuerdo con los teoremas o corolarios vistos, las races posibles son
1, 1/2, 1/3, 1/6. Aplicando la division sintetica y el Teorema 8.18, tenemos
que 1/2 es una raz de p(x), ya que por el Cuadro 8.3, tenemos que el residuo es
cero.
6 7 6 0 1 1/2
3 2 2 1
6 4 4 2 0
Cuadro 8.3: Division sintetica de p(x) y x 21
Por lo que p(x) = (x 12 )(6x3 4x2 + 4x + 2).
Ejercicios
1. Obtenga la formula general de segundo grado, considerando un polinomio
f (x) = ax2 + bx + c. Hint: puede utilizar el algoritmo de la division sintetica
o bien completar el cuadrado perfecto.
2. Utilice la formula del inciso anterior, para obtener las races de los siguientes
polinomios.
a) f (x) = x2 x 1 c) f (x) = 4x2 5x 9

b) f (x) = x2 + 2x + 1 d ) f (x) = 2x2 9x + 1
3. Resuelva el inciso anterior utilizando el Teorema 8.27, o bien, el Corolario

8.28.
4. Demuestre el Corolario 8.28, aplicando el Teorema 8.27.
5. Encuentre las races de los siguientes polinomios utilizando el Teorema 8.27
o el Corolario 8.28:
a) p(x) = x4 + 9x3 + 28x2 + 36x + 16,
b) p(x) = 9x4 + 12x3 + 10x2 + x 2,
c) p(x) = x3 25x 48,
d ) p(x) = 2x3 + 3x3 + 3x + 1.
8.7. Factorizaci
on de polinomios
As como en los n umeros primos2 , hay un concepto
umeros enteros existen los n
parecido pero aplicado a los polinomios, el cual se llama polinomio irreducible.
Definicion 8.30 (Polinomio irreducible). Sea p(x) R[x]. Diremos que p(x) es
irreducible sobre R si no existen q(x) y g(x) R[x] tal que p(x) = g(x)q(x).
Observaci on 8.31. Esta definicion no contradice el Teorema 8.22, ya que si un
polinomio es irreducible sobre R, no implica que sea irreducible sobre C, pero
en este caso se obtendra un polinomio p(x) C[x], es decir, un polinomio con
coeficientes en los n
umeros complejos. As tenemos que existe otra equivalencia
del Teorema 8.22.

Teorema 8.32 (Fundamental del Algebra). Sea p(x) C[x] de grado n N.
Entonces p(x) tiene n raz en C.
Observaci on 8.33. Tomando en cuenta el Teorema 8.32 podemos observar que
el conjunto R[x] C[x], as, ninguno de los teoremas vistos se contradice.
Ejemplo 8.34. Un polinomio
irreducible

sobre R es p(x) = 2x2 + 1, pero p(x) se
puede expresar como (x i 22 ) (x + i 22 ) sobre C. Otro polinomio irreducible es
de grado uno, y es de la forma (x a) = p(x). As, cuando hablemos de polinomios
irreducibles, solo hablaremos de los que son irreducibles sobre R.
El siguiente teorema se enunciara sin una demostracion formal, pero la idea es
que se debe aplicar el algoritmo de la division y obtener una representacion para
el polinomio g(x).
2
Los n
umeros primos son aquellos que son solo divisibles entre el 1 y s mismo [Eug52].
DE POLINOMIOS
8.7. FACTORIZACION 161
Teorema 8.35. Sea f (x), g(x) y p(x) R[x] polinomios, con p(x) irreducible
sobre R. Si p(x) es un factor de f (x)g(x), entonces p(x) es un factor de g(x)
o de f (x).
Ejemplo 8.36. Sean f (x) = x2 + 2x + 1, g(x) = 2x3 2x2 + x 1 y p(x) = 2x2 + 1.

Entonces tenemos que f (x)g(x) = 2x5 +2x4 x3 x2 x1. Utilizando el algoritmo
de la division, tenemos que f (x)g(x) = (2x2 + 1)(x3 + x2 x 1).
Teorema 8.37 (Factorizacion u nica). Sea p(x) R[x] de grado n N. Entonces

p(x) puede expresarse como un elemento de R multiplicado por un producto de
polinomios irreducibles sobre R. La descomposicion es u
nica excepto el orden en
que se presenten los factores.
Demostracion. Sea p(x) R[x]. Primero demostraremos que es posible la des-

composicion. Si p(x) es un polinomio irreducible, la descomposicion esta hecha.
Ahora, supongamos que p(x) no es irreducible y de grado mayor que 1, as que
p(x) = g(x)h(x), donde g(x) y h(x) son de grado menor que p(x). As, la demos-
tracion se hara por induccion.
Supongamos que la descomposicion es posible para todos los polinomios de
grado menor que el grado de p(x), por lo que tenemos: g(x) = cp1 (x)pr (x) y
h(x) = c p1 (x)ps (x) donde c,, c R y pi (x), pi (x) R[x] son irreducibles.
Entonces tenemos:
p(x) = g(x)h(x) = cc p1 (x)pr (x)p1 (x)ps (x)
Por lo tanto la descomposicion se realiza. Ahora solo falta probar que la des-
composicion es u
nica. Supongamos que existe otra descomposicion, es decir,
p(x) = cp1 (x)pn (x) = dq1 (x)qm (x)
Puestos que estos polinomios son irreducibles, entonces c = d y puesto que pi (x)
es irreducible, entonces pi (x) divide a algunos qi (x), pero como pi (x) y qi (x) son
irreducibles, entonces el cociente es e R, por lo que pi (x) = qi (x). Dividiendo
entre e, obtenemos
p (x) = p2 (x)pn (x) = q1 (x)qi1 (x)qi+1 (x)qm (x)
As, p (x) es un polinomio de grado menor que el grado de p(x). Con esto, se
puede hacer una hipotesis de induccion para ver que la descomposicion es unica
para todos los polinomios de grado menor que p(x). Por lo tanto, la descompo-
sicion de p (x) es u nica con n = m y los conjuntos de polinomios son iguales.
Entonces tenemos que la descomposicion es u nica para p(x).
Ya que hemos dicho que un polinomio se puede descomponer o factorizar en

productos de polinomios irreducibles, pero que polinomios irreducibles debemos
poner para encontrar la factorizacion de p(x)?. Bueno pues la respuesta esta dada
por el siguiente teorema.
Teorema 8.38. Sea p(x) C[x] de grado n. Supongamos que r1 , , rn son las
races de p(x), entonces p(x) = an (x r1 )(x rn ).
La demostracion del teorema se puede hacer por induccion sobre el grado del
polinomio, ya que si p(x) es de grado 1, entonces tiene la forma deseada, por
lo que habra que suponerse que el teorema es valido para polinomios de grado
menor que k y demostrar para los de grado k + 1. Veamos un ejemplo de como
descomponer un polinomio en factores irreducibles.
Ejemplo 8.39. Sea p(x) = 2x4 6x3 3x2 3x 2 C[x]. Factorizar el polinomio
p(x) en factores irreducibles. Como ya hemos visto, la division sintetica y el teo-
rema de las races racionales, podemos
encontrar las races de p(x). Por lo tanto
2 2
tenemos que x1 = 1, x2 = 2, x3 = i y x4 = i . Las races x3 y x4 se pueden
2 2
obtener de la formula general de segundo grado.
Por lo tanto tenemos que p(x) = (x 1)(x 2) (x i 22 ) (x + i 22 ). Aqu el
estudiante debe ser capaz de obtener al menos las races x1 y x2 .
Tambien el polinomio se podra poner con polinomios irreducibles sobre R de
la siguiente forma p(x) = x(x 1)(x 2)(2x2 + 1).
Ejercicios
1. Sea p(x) R[x]. Demuestre que si z C es una raz para p(x), entonces z
tambien es una raz para p(x).
2. Encuentre la factorizacion de los siguientes polinomios sobre los n umeros

racionales y sobre los complejos. (Recuerde que las races de los polinomios
son las races de la unidad sobre los complejos)
a) x3 1, c) x5 1,
b) x4 1, d ) x6 1.
3. De una forma general de los polinomios irreducibles de grado n = 2.
4. De una factorizacion para los siguientes polinomios en C[x].

DE RAICES
8.8. APROXIMACION 163
a) x4 4x3 + 5x2 4x + 4, d ) 8x4 4x3 6x2 + 5x 1,

b) x4 + 2x3 x2 4x 2, e) x5 x4 + 2x3 2x2 + x 1,
c) x3 7x2 + 15x 9, f ) x6 2x4 4x2 + 8.
8.8. Aproximaci
on de races
Ya hemos hablado de la teora de las races de un polinomio, y hemos dicho que
un polinomio tiene races racionales o enteras, es decir, a Q o Z, pero que sucede
cuando las races no son enteras o racionales y son reales? Por ejemplo, la soluci on
del polinomio x 3 = 0, pero en este ejemplo es facil ver que la solucion es 3
2
y que a su vez es un n umero real. Hay polinomios en los cuales no se ve tan

rapidamente una solucion y mas cuando estas son reales.
El metodo de Newton-Raphson es iterativo que nos permite aproximar las
races para un polinomio p(x) = 0, partiendo de una raz inicial. As, construimos
una sucesion de aproximaciones. Para ello debemos dar un teorema.
Teorema 8.40 (Derivada de un polinomio). Sea p(x) = a0 + a1 x + + an xn un
polinomio en C[x]. Entonces la derivada de p(x) (denotada por p (x)) es
n
p (x) = iai xi1 .
i=1
Definicion 8.41 (Metodo de Newton-Raphson). Sea x0 C y sea p(x) C[x].

La sucesion que se aproximan a una raz del polinomio esta dada por
p(xi )
xi+1 = xi .
p (xi )
Este metodo no solo se puede aplicar a los polinomios, tambien se puede aplicar
a cualquier tipo de ecuacion, solo hay que igualar a cero dicha ecuacion.
1
Ejemplo 8.42. Consideremos la ecuacion ex = . En este caso, es imposible
x
despejar a la variable x, pero si se hacen las graficas de cada una de las funciones,
1
y = ex , y = en un intervalo x [0, 4], se puede observar que las curvas se
x
intersectan en un punto del intervalo, por lo que hay una solucion, es decir, hay
una raz para x.
Para aplicar el metodo de Newton-Raphson, consideramos los siguientes pasos:
1. Expresamos la ecuacion en la forma p(x) = 0, e identificamos la funcion, la
1
cual es p(x) = ex .
x
1
2. Calculamos la derivada de p(x), la cual es p (x) = ex + .
x2
3. Construimos la sucesion de aproximaciones que es
exi x1i
xi+1 = xi .
exi + x12
i
4. Tomamos una estimacion inicial de la solucion. En este caso podemos tomar

por ejemplo x0 = 1, y calculamos las siguientes aproximaciones. Desde el
punto de vista practico, si deseamos aproximar la solucion con 6 decima-
les, podemos detener los calculos cuando dos aproximaciones consecutivas
coincidan hasta el decimal 8. En nuestro caso, obtendramos
x0 =1
x1 = 0.53788284
x2 = 0.56627701
x3 = 0.56714258
x4 = 0.56714329
x5 = 0.56714329
Por lo que podemos tomar como solucion a x5 .

Ejemplo 8.43. Sea p(x) = x3 + 2x2 + 7x 20, utilizando el metodo de Newton-
Raphson obtendremos una de las races. Entonces
1. Calculamos la derivada de p(x) que es 3x2 + 4x + 7 = p (x).
2. Construimos la sucesion de aproximaciones que es
x3 + 2x2 + 7x 20
xi+1 = xi
3x2 + 4x + 7
3. Tomamos una estimacion inicial de la solucion. En este caso podemos tomar
por ejemplo x0 = 1, y calculamos las siguientes aproximaciones. Desde el
punto de vista practico, si deseamos aproximar la solucion con 2 decima-
les, podemos detener los calculos cuando dos aproximaciones consecutivas
coincidan hasta el decimal 3. En nuestro caso, obtendramos
x0 =1
x1 = 1.714285
x2 = 1.585701369
x3 = 1.580148781
DE RAICES
Ejercicios
Calcule una de las races de los siguientes polinomios utilizando el metodo de
Newton-Raphson.
1. p(x) = 7x3 2, 3. p(x) = 9x3 2x2 + x 19,
2. p(x) = 3x4 + 4x3 3x2 + x 3, 4. p(x) = 5x5 2x3 13.
Aplicaci
on hacia la Fsica
Ejemplo 8.44. El medicamento administrado a un paciente produce una concen-
t
tracion en la corriente sangunea dada por c(t) = Ate 3 miligramos por mililitro,
t horas despues de inyectarle A unidades. La maxima concentracion segura es de
1mg/ml.
1. Que dosis debera inyectarsele al paciente para alcanzar la maxima concen-

tracion segura, y cuando se presenta esa concentracion?
2. Una cantidad adicional del medicamento debera administrarse al paciente

despues de que la concentracion disminuya a 0.25mg/ml. Determina, con
una aproximacion al minuto mas cercano, cuando debe aplicarse la segunda
inyeccion.
Solucion de 8.44:
1. Para determinar el valor de A y de t, debemos tomar que la concentracion

segura es de 1mg/ml, por lo que debemos encontrar un maximo para la
funcion c(t), y esto se puede hacer usando el criterio de maximos y mnimos
que se ve en [Mic93].
t t
Por lo tanto obtenemos la derivada de c(t) que es c (t) = Ae 3 (1 ).
3
Supongamos que A 0. Ahora igualando a cero a la c (t), tenemos que
t = 3hrs. Ya que tenemos el valor de t, lo substituimos en la funcion para
e
encontrar el valor de A, as tenemos, c(3) = 3Ae1 , por lo tanto A = .
3
As la funcion que modela la concentracion en la corriente sangunea es
e t
c(t) = te 3 . La Figura 8.1 representa la concentracion, y podemos observar
3
que tiene un maximo cuando t = 3.
2. Como ya tenemos la funcion que modela exactamente la concentracion, de-

bemos aproximar el valor de t con la dicha funcion para que la concentracion
sea 0.25mg/ml. Entonces utilizaremos el metodo de la Definicion 8.41.
e t 1
Entonces tenemos que 0 = te 3 = f (t) y calculamos la derivada de f (t),
3 4
e t t
la cual es f (t) = e 3 [1 ]. Ahora tomando como t0 = 5 calculamos el

3 3
valor buscado (existen dos valores posibles como se observa en la Figura 8.1,
pero consideraremos la que mayor a t = 3, ya que se le inyectara una dosis
extra cuando disminuya la concentracion):
t3n
e
3 tn e 14
tn+1 = tn e t3n
3e
[1 t3n ]
t0 =5
t1 = 10.3087992038135
t2 = 11.0214000687461
t3 = 11.0775713306088
t4 = 11.0779035751036
t5 = 11.0779035866691
t6 = 11.0779035866691
Por lo tanto tenemos que t = 11.0779035866691hrs = 11hrs 4min para que

la concentracion sea 14 mg/ml.
DE RAICES
Figura 8.1: Grafica de la concentracion del Ejemplo 8.44.

Bibliografa
[Aka99] TERRENCE J. Akai. Metodos Numericos Aplicados a la Ingeniera.

Limusa, Mexico, 1999.
[CR96] JOHN Fritz COURANT Richard. Introduccion al calculo y al analisis

matematico. Limusa, Mexico, 1996.
[Eug52] DICKSON Leonard Eugene. Number Theory and Its History. McGraw-
Hill, E.U.A, 1952.

[Fra02] CARDENAS
Humberto; LLUIS Emilio; RAGGI Francisco; TOMAS

Francisco. Algebra superior. Trillas, Mexico, 2002.
[Har04] GERBER Harvey. Elementary Linear Algebra. Brooks/Cole Pub. Co.,

U.S.A, 2004.

[HE86] ZAJAC A. HECHT E. Optica. Addison-Wesley Iberoamericana, U.S.A,
1986.

[How84] ANTON Howard. Introduccion al Algebra Lineal. Limusa, Mexico, 1984.
[J.96] MARSDEN Jerrold E.; HOFFMAN Michael J. Analisis Basico de Va-

riable Compleja. Trillas, Mexico, 1996.
[M.06] APOSTOL Tom M. Calculus. Reverte, Mexico, 2006.
[Mic93] SPIVAK Michael. Calculo infinitesimal. Reverte, Mexico, 1993.

[Roy75] WEISS Marie J; DUBISCH Roy. Algebra superior. Limusa, Mexico,
1975.
[RR95] KRANE Robert RESNICK Robert, HALLIDAY David. Fsica. Conti-

nental, Mexico, 1995.
[S08]
STANLEY I; GROSSMAN S. Algebra lineal. McGran Hill, Mexico, 2008.
169
170 BIBLIOGRAFIA
[SD69] KRANE Robert SCHAUM Daniel, HALLIDAY David. Teora y proble-

mas de fsica general. Mc Graw Hill, Mexico, 1969.
Indice alfab
etico
conjunto, 1 divisible, 13
ajeno, 4
cardinalidad, 24 ecuacion lineal, 101
complemento de, 6 espacio solucion, 102
propiedades, 6 solucion de, 102
comprension, 2 espacio vectorial, 35
diferencia de, 7 base de, 48
combinacion lineal, 44
disjunto, 4
dependiente, 46
elemento, 1
independiente, 46
equipotente, 25
dimension de, 50
extension, 2
el generado por ui , 44
finito, 25
subespacio, 41
finito e infinito, 3
subespacio propio, 42
igualdad de, 3
vector, 35
infinito, 25
numerable, 25 funcion, 15
interseccion de, 4 biyectiva, 19
distribucion, 5 composicion de, 17
propiedades, 4 asociatividad, 18
leyes de DMorgan, 6 dominio, 15
pertenencia, 1 identidad, 18
potencia, 8 igualdad, 16
subconjunto, 2 imagen, 16
propio, 3 inversa de, 22
union de, 3 derecho, 21
propiedades, 3 izquierda, 21
universo, 6 invertible, 21
vaco, 2 unicidad, 22
inyectiva, 19
determinante operaciones de, 16
de una matriz, 84 Spivak, 15
desarrollo por cofactores, 94 suprayectiva, 19
171
172 INDICE ALFABETICO

matriz, 57 division de, 136

adjunta de, 97 forma polar, 144
antisimetrica, 64 el conjugado, 137
aumentada de un sistema, 105 propiedades, 137
cero, 62 el modulo de, 138
cofactor del elemento, 92 en coordenadas polares, 142
cuadrada, 61 igualdad entre, 132
de cofactores, 97 ley de cancelacion, 134
diagonal, 63 multiplicacion de, 133
diagonal principal, 63 forma polar, 144
elemental, 70 identidad, 134
elementos, 57 multiplicacion escalar de, 133
arriba y debajo, 63 numero de Euler, 143
equivalente, 66 raz n-esima de, 146
escalonada, 67 raz cuadrada de, 141
escalonada reducida, 66 real e imaginaria, 132
identidad, 62 suma de, 132
igualdad de, 58 identidad, 134
inversa, 71 inverso, 134
determinante de, 87
invertible, 71 pareja ordenada, 11
la transpuesta, 60 permutacion, 81
propiedades, 61 calculo de inversiones, 82
menor del elemento, 92 inversion en la, 81
multiplicacion de, 59 par o impar, 81
multiplicacion escalar, 58 plano cartesiano, 13
operaciones elementales, 65 polinomios, 151
potencia de, 72 algoritmo de la division, 154
rango de, 68 aproximacion de races, 163
simetrica, 64 cero, 151
submatriz, 64 cociente y residuo, 155
suma de, 58 coeficientes de, 151
triangular, 63 derivada de, 163
el conjunto de, 151
n
umeros complejos, 132 grado de, 151
argumento de, 139 irreducibles, 160
asociativa de, 133 multiplicacion de, 152
conmutativa de, 133 multiplicacion escalar de, 153
De Moivre, 145 races de, 157
distributiva de, 133 races enteras, 159
INDICE ALFABETICO
173
suma de, 152

termino independiente, 151
teorema de factorizacion u
nica, 161
teorema de races racionales, 158
teorema del factor, 155
teorema del residuo, 155
teorema fundamental del algebra, 158
principio de induccion, 27
equivalencia, 27
producto cartesiano, 12
producto elemental, 82
signo de, 83
producto punto, 59
relacion, 13
codominio, 14
de equivalencia, 14
dominio, 14
imagen, 14
sistema de ecuaciones lineales, 103

consistente
determinado e indeterminado, 115
consistente e inconsistente, 104
eliminacion de Gauss-Jordan, 119
equivalentes, 108
matricial, 108
espacio de soluciones, 110
homogeneo, 110
homogeneo asociado, 113
matrices y nadas, 112
regla de Cramer, 124
solucion de, 103
solucion trivial, 110
174 INDICE ALFABETICO

Indice de figuras
1.1. Esquematizacion de la Proposicion 1.20. . . . . . . . . . . . . . . . . 4

1.2. Esquematizacion de la Proposicion 1.21. . . . . . . . . . . . . . . . . 5
2.1. Grafica g(f (x)) = 1.5 sin(x) para el Ejemplo 2.65. . . . . . . . . . 33

2.2. Grafica f (t) = 50e4t para el Ejemplo 2.66. . . . . . . . . . . . . . . 33
3.1. Basquetbolista a punto de encestar. . . . . . . . . . . . . . . . . . . . 51

3.2. Sistema de 3 cargas electricas puntuales. . . . . . . . . . . . . . . . . 52
4.1. Cambio de coordenadas en distintos sistemas de referencias. . . . . 78
6.1. Circuito para el Ejemplo 6.53. . . . . . . . . . . . . . . . . . . . . . . 128

6.2. Circuito para el Ejemplo 6.54. . . . . . . . . . . . . . . . . . . . . . . 129
7.1. Onda. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

7.2. (a) Onda plana que viaja en direccion k.
(b) Muestra los valles y las
crestas de una onda plana. . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.3. Onda esferica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7.4. (a) Onda plana que viaja en direccion k.
(b) Muestra los valles y las
crestas de una onda plana. . . . . . . . . . . . . . . . . . . . . . . . . . 149
8.1. Grafica de la concentracion del Ejemplo 8.44. . . . . . . . . . . . . . 167
175

Notasalgebra PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Notasalgebra PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

noma

Universidad Nacional Auto

QUE PARA OBTENER EL TITULO DE:

MARCO ANTONIO ACEVEDO CARDONA

Agradezco de manera especial a mi director de este libro, Dr. Erick Javier

Generalmente los alumnos que ingresan a la universidad y en particular a ca-

4.7. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

6. Sistemas de ecuaciones lineales 101

7. Numeros complejos 131

El concepto de conjunto como objeto abstracto no se comenzo a emplear en

Ejemplo 1.3. A = {a, e, i, o, u}, B = {las personas que viven en la tierra}, N =

umeros reales y C = los n

1.3. Operaciones y propiedades

Definicion 1.17 (Interseccion de dos conjuntos). Sean A, B conjuntos. Diremos

Figura 1.1: Esquematizacion de la Proposicion 1.20.

on 1.21. Sean A, B y C conjuntos. Si A B y A C entonces

Demostracion. Sea x A, entonces x B ya que A B, ademas x C porque

La Proposicion 1.21 tambien se puede esquematizar con el diagrama mostrado

Figura 1.2: Esquematizacion de la Proposicion 1.21.

Proposici on 1.22 (Distribucion de la union e interseccion). Sean A, B y C

Demostracion. La idea para la demostracion de este inciso es probar la doble

1. ). Sea x (A (B C)), entonces x A y x (B C), pero por definicion

a) Si x B y x A entonces x (A B). Luego x ((A B) (cualquier

Por lo tanto (A (B C)) (A B) (A C).

manera (A C) C, y en general (A C) (B C); por lo que tenemos

Demostracion. 1. Por demostrar (Ac )c = A. Sea x (Ac )c si y solo si x Ac

Ahora, teniendo ya las operaciones de union, interseccion de conjuntos y el

Demostracion. La demostracion la haremos por doble contencion, para poder usar

1. ). Sea x (Ac B c ), entonces x Ac y x B c por la Definicion 1.17,

Definicion 1.26 (Diferencia entre conjuntos). Sean A, B conjuntos. Diremos que

Observaci on 1.27. Notemos que el orden en como se escriben los conjuntos

Observacion 1.28. Notemos que si utilizamos la Definicion 1.23 en la Definicion

on 1.29. Sean A, B y C conjuntos. Entonces A (B C) = (A B)

La demostracion se efectuara por medio de igualdades de conjuntos, dado que

Demostracion. Sean A, B y C conjuntos.

1.4. Conjunto potencia

Observaci on 1.32. Si A posee n elementos, entonces P (A) tendra 2n elementos.

2. Demostrar el inciso 2 de la Proposicion 1.24.

3. Demostrar el inciso 2 de la Proposicion 1.25.

4. Sean A, B conjuntos. Demostrar que (A B)c Ac . Hint: considere el hecho

5. Sean A, B conjuntos. Demostrar que Ac (A B)c . Hint: considere el hecho

6. Calcule el conjunto potencia de A = {1, 2, 3, 4, 5, 6}.

El concepto de funcion como un objeto matematico independiente, capaz de ser

2.1. Relaciones entre conjuntos

Observaci on 2.2. De la definicion anterior podemos concluir que si dos parejas

y as, se pueden construir las nadas ordenadas.

Por lo que una pareja o triada ordena de un conjunto A es un subconjunto del

Por lo tanto hay n2 parejas ordenadas.

Por lo tanto hay n3 triadas ordenadas.

2. Sea N el conjunto de los n

a este conjunto lo definimos como el plano cartesiano.

A B = {(1, a), (1, b), (2, a), (2, b)}

con lo que hay 16 relaciones posibles entre A y B, cada relacion Ri

on 2.10 (Dominio, codominio e imagen). Sea R A B una relacion.

Definici on 2.26 (Composicion de funciones). Sean f A B y g B C

Ejemplo 2.27. Sean f R R con f (x) = x2 + 1 y g R R con g(x) = 3x + 2.

Solucion de 2.27: Lo primero es ver si la composicion de las funciones es posible,

(g f )(x) = g(f (x)) Definicion 2.26

Por lo tanto (g f )(x) = 3x2 + 5.

Observaci on 2.28. Sea f A B una funcion, donde A, B son conjuntos finitos.

Ejemplo 2.29. Sean A = {a1 , a2 , a3 }, B = {b1 , b2 } y C = {c1 , c2 , c3 } conjuntos,

entonces la composicion g f A C esta dada por

Definicion 2.30 (La funcion identidad). Sea A . Diremos que la funcion