Facultad de Ciencias
ALGEBRA PARA LA FISICA
REPORTE DE
ACTIVIDAD DOCENTE
tico
Matema
P R E S E N T A:
M. EN C. ERICK JAVIER LOPEZ
SANCHEZ
2013
ii
Agradecimientos
iii
iv
Introducci
on
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
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
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
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.
1
2 CAPITULO 1. CONJUNTOS
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.
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.
4 CAPITULO 1. CONJUNTOS
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.
1. A (B C) = (A B) (A C).
2. A (B C) = (A B) (A C).
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 = .
1. (A B)c = Ac B c . 2. (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.
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.
Ejercicios
1. Demostrar el inciso 2 de la Proposicion 1.22.
Funciones
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}}
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
n + + n = n(1 + + 1 ) = n(n) = n2 .
nsumandos
n2 + + n2 = n2 (1 + + 1 ) = n2 (n) = n3 .
nsumandos
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)}.
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 ,
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
16 CAPITULO 2. FUNCIONES
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.
Sea x R, entonces
a a . . . an
f =( 1 2 ).
b1 b2 . . . b m
18 CAPITULO 2. FUNCIONES
a a a b b
f = ( 1 2 3) , g = ( 1 2) ,
b1 b1 b2 c2 c3
a a a
g f = ( 1 2 3) .
c2 c2 c3
Ahora tenemos
Ejercicios
1. Obtener la regla de correspondencia para la composicion f g del Ejemplo
2.27.
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.
Solucion de 2.37: Hay que mostrar que f (x) es inyectiva y suprayectiva, para
mostrar que es una funcion biyectiva.
20 CAPITULO 2. FUNCIONES
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.
Ejercicios
1. Demuestre la Observacion 2.38 utilizando las definiciones correspondientes.
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) ;
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) =
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.
Ejercicios
1. Para cada uno de los siguientes incisos, muestre que la funcion g es la inversa
de f .
Ejercicios
1. Demuestre que los siguientes conjuntos tienen la misma cardinalidad
a) N, c) {n2 n Z},
b) Z, d ) {2n n Z}.
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
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:
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.
1. 1 M , 2. Si n M entonces n + 1 M .
Entonces M = N.
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).
y tenemos que:
Ejemplo 2.64. Sea A un conjunto con n elementos. Por demostrar que P (A)
tiene 2n elementos.
Solucion de 2.64:
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
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
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.
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 ).
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.
Figura 2.1: Grafica g(f (x)) = 1.5 sin(x) para el Ejemplo 2.65.
Espacios Vectoriales
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
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
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 .
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.
38 CAPITULO 3. ESPACIOS VECTORIALES
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
Solucion de 3.6:
a) 0u = 0. c) Si cu = 0, entonces c = 0 o u = 0.
b) c0 = 0. d) (1)u = u.
1 1 1
u = 1u = (c ) u = ( ) (cu) = ( ) 0 = 0.
c c c
Por lo tanto u = 0.
Ejercicios
1. Demuestre que C[0, 1] definido en el Ejemplo 3.5 es un espacio vectorial.
a) 0 S. c) Si c R y u S, entonces cu S.
b) Si u y v S, entonces u + v S.
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].
44 CAPITULO 3. ESPACIOS VECTORIALES
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
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
2a b = 0
2b = 12
a + b = 3
Ejercicios
1. Exprese las siguientes funciones como una combinacion lineal de f (x) =
x2 3x + 1, g(x) = 3x2 5
a =0
4b = 0
a 3b = 0
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.
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:
0 =2a1 + a2
0 =a1 + 2a2
0 =a1 + 2(2a1 )
0 =a1
3.4. BASES Y DIMENSIONES 49
0 =a2
x1 =2a1 + a2
x2 =a1 + 2a2
a2 =x1 + 2a1
x2 =2x1 3a1
Despejando a a1 tenemos:
2x1 x2
a1 =
3
2x2 x1
a2 =
3
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.
3.4. BASES Y DIMENSIONES 51
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)
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
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
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
3.4. BASES Y DIMENSIONES 55
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.
56 CAPITULO 3. ESPACIOS VECTORIALES
Captulo 4
Matrices
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
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
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
(, 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
Rn Rn R
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
60 CAPITULO 4. MATRICES
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).
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.
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.
1. A = (
1 2
), 1 2 3
3 4 2. B = 4 5 6.
7 8 9
1. I2 = (
1 0
), 1 0 0
0 1 2. I3 = 0 1 0.
0 0 1
2. Si ad = 0, entonces a = 0 o bien d = 0.
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.
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.
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
1 1 1 0 1 0 0
1. A = ( ), 2. B = ( ),
0 1 3 2 3. C = 2 0 0.
1 5 3
Definicion 4.36 (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
1. Demuestre el Teorema 4.24.
1 2 3
Ejemplo 4.39. Sea A = 4 5 6. Aplicando solo operaciones elementales, ob-
7 8 9
tenga una matriz triangular.
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
66 CAPITULO 4. MATRICES
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
1. Todos los renglones (si los hay) cuyos elementos son todos cero aparecen en
la parte inferior de A.
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
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).
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.
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:
0 = 21
0 = 1 + 2
0 = 2 Definicion 4.47.
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.
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
70 CAPITULO 4. MATRICES
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
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.
72 CAPITULO 4. MATRICES
1. AB es invertible, 2. (AB)1 = B 1 A1 .
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.
(As+1 )1 = (AAs )1
= (As )1 A1
= (A1 )s A1 Hip. Ind.
= (A1 )s+1 Definicion 4.64.
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 ().
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.
1 2 3
Ejemplo 4.71. Encuentre la matriz inversa de A = 2 5 3.
1 0 8
1 6 4
Ejemplo 4.72. Sea la matriz A = 2 4 1.
1 2 5
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
x =x vt
y =y
z =z
t = t
x 1
0 0 v x
y 0
1 0 0 y
=
z 0 0 1 0 z
t 0 0 0 1 t
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.
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
x vt t vx2
x = t = c
1 vc2 1 vc2
2 2
y = y z = z
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.
80 CAPITULO 4. MATRICES
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
6 return numeroInversion;
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
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:
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:
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
84 CAPITULO 5. DETERMINANTES
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
con la regla de correspondencia
n!
det(A) = a1i (1) ani (n) .
i=1
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.
5.1. EL DETERMINANTE 85
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
det(A) + det(A ) = (a11 a22 a12 a21 ) + (a11 a22 a12 a21 )
= a11 (a22 + a22 ) a12 (a21 + a21 )
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
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 ).
86 CAPITULO 5. DETERMINANTES
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 ).
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.
Teorema 5.23 (Criterio de la inversa de una matriz). Una matriz A Mnn (R)
es invertible si y solo si det(A) 0.
5.1. EL DETERMINANTE 87
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) 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
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.
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.
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
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.
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).
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.
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
5.2. CALCULO DE DETERMINANTES 91
1 2 7
Ejemplo 5.32. Sea A = 4 8 5. Calcular el determinante de la matriz A.
2 4 3
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
0 1 5
Ejemplo 5.35. Calcule el determinante de A = 3 6 9.
2 6 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
1 3 2 4
0 0 0 0
A .
3 9 1 5
1 1 4 8
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
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.
5.2. CALCULO DE DETERMINANTES 93
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:
8 4
M32 = det [ ] = 48 20 = 28.
5 6
El cofactor del elemento a32 es:
det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a12 a22 a31 a12 a21 a33 a11 a23 a32 .
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.
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
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
96 CAPITULO 5. DETERMINANTES
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:
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.
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
98 CAPITULO 5. DETERMINANTES
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
1 1 3
a) 0 1, b) 1 1 0 .
6 1 0 3 2 0
100 CAPITULO 5. DETERMINANTES
Captulo 6
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.
5x + 3y = 7 17
y= x+z+1
2
x1 + x2 = para alg
un , , R.
101
102 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
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:
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.
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 .
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
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
0 0 1 2
106 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
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.
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
:
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
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
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.
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.
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
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
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.
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
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.
Ejemplo 6.31. Sea SHm,n el espacio solucion para el sistema Hm,n . Demuestre
que:
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 .
112 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
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.
3x + 2y = 4
2x 4y = 1
3 2 x 4
( )( ) = ( ).
2 4 y 1
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).
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.
Ax1 = b
Ax2 = b Porque x1 , x2 SEm,n .
114 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
Ax1 Ax2 = b b
=0 Resta de matrices.
= A(x1 x2 ) Distributiva de matrices.
x1 + 2x2 x3 = 2
2x1 + 3x2 + 5x3 = 5
x1 3x2 + 8x3 = 1
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.
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.
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.
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
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
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
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
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
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
122 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
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 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.
124 CAPITULO 6. SISTEMAS DE ECUACIONES LINEALES
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,
det(A1 ) det(An )
x1 = , . . . , xn =
det(A) det(A)
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
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
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.
6.8. LA REGLA DE CRAMER 127
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:
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.
Solucion de 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 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
En el nodo d I1 + I2 + I3 = 0. (6.5)
Seg
un la segunda ley de Kirchhoff:
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
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
+CCC
R C C;
con la regla
(c, z) = cz.
CCC
con la regla
(z, w) = (z1 w1 z2 w2 ) + (z1 w2 + z2 w1 )i
1. Si z + w = z + s, entonces w = s.
2. Si zw = zs y z 0, entonces w = s.
0 = z1 h1 z2 h2
0 = z2 h1 + z1 h2 Definicion 7.8.
Entonces, tenemos
h2 = 0 Porque z 0.
= w 2 s2
h1 = 0 Porque z 0.
= w 1 s1
(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.
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.
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.
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.
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.
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()
140 CAPITULO 7. NUMEROS
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.
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
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.
142 CAPITULO 7. NUMEROS
COMPLEJOS
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:
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.
x x2
ex = 1 + + +
1! 2!
POLAR
7.5. REPRESENTACION 143
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.
ez = ex (cos(y) + i sin(y))
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.
144 CAPITULO 7. NUMEROS
COMPLEJOS
Ejercicios
1. Demuestre la Proposicion 7.27, utilizando la representacion polar de un
n
umero complejo.
z w = [cos( + ) + i sin( + )]
y
z
= [cos( ) + i sin( )]
w
con 0.
7.6. TEOREMA DE MOIVRE 145
Ejercicios
1. Demuestre la Proposicion 7.38.
a) z = 3 + 8i d ) w/z
b) w = 9 + 2i e) z/w
c) w + z f ) wz
146 CAPITULO 7. NUMEROS
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).
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]
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).
148 CAPITULO 7. NUMEROS
COMPLEJOS
r, t) = A ei(kr+t)
( (7.1)
v= (7.2)
k
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
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
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) r = (x, 0, 0), r =
r,
b) k = (3.8, 0.4, 1.1), k = k,
c) = 6Hz.
Captulo 8
Polinomios
151
152 CAPITULO 8. POLINOMIOS
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 .
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
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
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.
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).
156 CAPITULO 8. POLINOMIOS
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) = 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
3 0 4 2 3
9 27 69
3 9 23 67
Ejercicios
Encontrar el cociente y residuo de
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.
158 CAPITULO 8. POLINOMIOS
Teorema 8.23. Sea p(x) R[x] de grado n, entonces tiene al menos n races.
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 .
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 .
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
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.
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).
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,
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
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).
162 CAPITULO 8. POLINOMIOS
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).
a) x3 1, c) x5 1,
b) x4 1, d ) x6 1.
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
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
Ejercicios
Calcule una de las races de los siguientes polinomios utilizando el metodo de
Newton-Raphson.
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.
Solucion de 8.44:
[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.
[S08]
STANLEY I; GROSSMAN S. Algebra lineal. McGran Hill, Mexico, 2008.
169
170 BIBLIOGRAFIA
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
relacion, 13
codominio, 14
de equivalencia, 14
dominio, 14
imagen, 14
175