Apuntes Algebra Lineal Completo

INSTITUTO TECNOLOGICO
SUPERIOR DE CALKINI EN EL
ESTADO DE CAMPECHE
APUNTES DE ALGEBRA
LINEAL PARA
INGENIERIA
Docente:
L. M. Angel Can M. C. M.
Indice general
I
Parcial 1
1. N
umeros complejos
1.1. Antecedentes. . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Definiciones y Propiedades Fundamentales. . . . . . . . . . . .
1.3. La unidad imaginaria i. . . . . . . . . . . . . . . . . . . . . . .
1.4. Interpretacion geometrica, modulo y argumento. Forma Polar.
1.5. Exponenciales complejos y teorema de DeMoivre . . . . . . . .
1.6. Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.1. Los polinomios como funciones . . . . . . . . . . . . .
1.6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.3. Suma y Producto de polinomios . . . . . . . . . . . . .
1.6.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.5. Division con residuo. . . . . . . . . . . . . . . . . . . .
1.6.6. Races de polinomios. . . . . . . . . . . . . . . . . . . .
1.7. Practicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.1. Practica 1 . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.2. Practica 2 . . . . . . . . . . . . . . . . . . . . . . . . .
1.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II
Parcial 2
2. Matrices
2.1. Definiciones basicas .
2.2. Operaciones Basicas
2.2.1. Igualdad . . .
2.2.2. Suma . . . . .
2.2.3. Multiplicacion
9
9
10
14
15
19
20
21
21
21
22
22
22
23
23
24
26
29
. . . .
. . . .
. . . .
. . . .
por un
. . . . .
. . . . .
. . . . .
. . . . .
escalar
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
31
32
32
32
33
INDICE GENERAL
2.2.4. Multiplicacion . . . . . . . . . . . . . . . . . . . . .
2.3. Definiciones complementarias . . . . . . . . . . . . . . . .
2.4. Propiedades de las operaciones . . . . . . . . . . . . . . . .
2.4.1. Propiedades de la suma y multiplicacion por escalar
2.4.2. Propiedades de la multiplicacion de Matrices . . . .
2.5. Clasificacion de las Matrices . . . . . . . . . . . . . . . . .
2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Operaciones Elementales Renglon. . . . . . . . . . . . . . .
2.8. Algoritmo de reducccion de Gauss . . . . . . . . . . . . . .
2.8.1. Algoritmo de reduccion de Gauss-Jordan. . . . . . .
2.9. Calculo de la Inversa de una Matriz. . . . . . . . . . . . .
2.10. El Determinante de una matriz cuadrada. . . . . . . . . .
2.11. La matriz Adjunta. . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
3. Sistemas de Ecuaciones Lineales

3.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Clasificacion de los Sistemas de Ecuaciones Lineales. . . . . .
3.2.1. Interpretacion Grafica de las soluciones . . . . . . . .
3.2.2. Ecuaciones lineales degeneradas . . . . . . . . . . . .
3.3. Metodos de solucion de los sistemas de Ecuaciones Lineales.
3.3.1. Sistemas equivalentes. . . . . . . . . . . . . . . . . .
3.3.2. Forma Triangular y Escalonada . . . . . . . . . . . .
3.3.3. Forma Escalonada Reducida. . . . . . . . . . . . . .
3.4. Algoritmo de reducccion de Gauss-Jordan. . . . . . . . . . .
3.4.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . .
III
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
34
34
35
36
41
42
43
44
45
46
48
.
.
.
.
.
.
.
.
.
.
53
53
54
55
59
60
60
61
63
64
64
Parcial 3
4. Espacios Vectoriales
4.1. Definicion de Espacios Vectoriales . . . . . . .
4.1.1. Propiedades de los Espacios Vectoriales
4.2. Subespacios Vectoriales . . . . . . . . . . . . .
4.2.1. Propiedades de los subespacios . . . .
4.3. Combinaciones Lineales . . . . . . . . . . . . .
4.4. El Conjunto Generado . . . . . . . . . . . . .
4.4.1. Dependencia e Independencia Lineal. .
4.5. Producto Interno. . . . . . . . . . . . . . . . .
67
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
69
69
71
71
72
72
73
74
75
INDICE GENERAL
4.5.1. Normas . . . . . . . . . . . . . . . . . . . . . . . . .
4.6. Base Ortonormal y proceso de Ortonormalizacion de GrahmSchmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Algoritmo de Grahm-Schmidt . . . . . . . . . . . . .
4.6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . .
4.7. Practicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.1. Practica 1 . . . . . . . . . . . . . . . . . . . . . . . .
5. Transformaciones Lineales
5.1. Definicion . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Propiedades de las transformaciones Lineales
5.2. El Kernel y la Imagen . . . . . . . . . . . . . . . .
5.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . .
5.4. Matrices y Transformaciones Lineales . . . . . . . .
5.5. Cambio de Base . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 76
.
.
.
.
.
76
77
79
79
79
.
.
.
.
.
.
81
81
83
84
87
87
89
INDICE GENERAL
Parte I
Parcial 1
Captulo 1
N
umeros complejos
El presente material tiene como finalidad complementar el material de
aprendizaje del alumno y no debe ser tomado como u
nico recurso de
estudio. Es responsabilidad del alumno leer el presente material de manera
anticipada y prepararse para las clases en que se aborden los temas as como
tambien investigar de manera mas amplia los temas aqu tratados.
1.1.
Antecedentes.
Al inicio de los estudios que una persona realiza, uno de primeros conceptos adquiridos es el de n
umero. De hecho el primer conjunto de n
umeros
estudiado es aquel que nos sirve para contar objetos materiales, los n
umeros
naturales: N = {1, 2, 3, ...} y con ello inicia nuestra formacion matematica.
Habiendo conocido este conjunto tambien definimos la primera operacion que
podemos realizar con este conjunto de n
umeros: la suma.
Ahora que podemos sumar, deseamos deshacer esta operacion y por ello
definimos la operacion inversa a la suma: la resta, sin embargo esta u
ltima
presenta problemas cuando nos topamos con cosas del tipo: 4 8 =? dado
que la respuesta no tiene explicacion sobre el conjunto de n
umeros naturales
que conocemos hasta el momento. Es entonces cuando pasamos al siguiente
nivel en los n
umeros: los enteros: Z = {0, 1, 2, }.
Posteriormente se inventa una nueva operacion que nos permite simplificar las sumas extensas: la multiplicacion, 2 + 2 + 2 + 2 = 4 2 = 8, y
nuevamente nos enfrentamos al problema de deshacer aquellos resultados
que obtenemos con esta nueva operacion. Esto nos lleva a la definicion de
9

CAPITULO 1. NUMEROS
COMPLEJOS
10
la operacion inversa a la multiplicacion: la division. Sin embargo esta nueva

operacion nos presenta un nuevo tipo de problemas dado que divisiones del
tipo 84 tienen respuesta dentro de Z pero divisiones del tipo 83 no lo tienen.
Para resolver el problema anterior definimos un nuevo conjunto de n
umeros,
a
1
los racionales : Q = { b |b 6= 0}. Y este conjunto resuelve el problema anterior.
Nuevamente creamos una nueva operacion que no ayudara a simplificar
la ultilicacion: 2 2 2 2 = 24 . Y de la misma manera que en los conjuntos anteriores tambien buscamos una operacion inversa a la potenciaion y
esta nos llevara ante la necesidad de definir
umeros,
un nuevo conjunto de n
esto debido a que expresiones del tipo 2 no tienen explicacion dentro del
conjunto de los n
umeros racionales. Esto nos sirve para definir a los n
umeros
irracionales.
Hasta este punto hemos mostrado de manera superficial aquellos problemas que han planteado la necesidad de definir a los diferentes conjuntos de
n
umeros hasta llegar al conjunto universalmente conocido, los reales: R. Sin
embargo quedaba pendiente un problema que no se resolva con ayuda delos
irracionales, puesto que a pesar de poder explicar expresiones
del tipo 2,
a
un no exisa una explicacion logica para el resultado de 1. PArtiremos
a partir de este punto para definir el siguiente nivel dentro de los conjuntos
de n
umeros, los complejos.
1.2.
Definiciones y Propiedades Fundamentales.
Definici
on 1.2.1 (N
umeros Complejos). Si a y b son n
umeros reales, el
par (a, b) es llamado un n
umero complejo, y donde la igualdad, suma y
multiplicacion de estos pares estan definidas como sigue:
(a) Igualdad: (a, b) = (c, d) significa que a = c y b = d.
(b) Suma: (a, b) + (c, d) = (a + c, b + d).
(c) Producto: (a, b)(c, d) = (ac bd, ad + bc).
Notaci
on. Denotamos por C al conjunto de todos los n
umeros complejos.
1
En realidad el conjunto de los racionales se define con ayuda de relaciones de equivalencia pero este no es el objetivo de este curso, por lo cual bastara con la definicion
dada
1.2. DEFINICIONES Y PROPIEDADES FUNDAMENTALES.
11
Como se vera mas adelante, existen diferentes formas de representar a los

n
umeros complejos, sin embargo partiremos de la definicion anterior.
Definici
on 1.2.2. Los n
umeros a y b son llamados componentes de (a, b). El
primer componente, a, es tambien llamado parte real del n
umero complejo;
la segunda componente, b, es llamada parte imaginaria.
Ejemplo
Debemos observar que esta definicion nos plantea las reglas de las operaciones basicas de n
umeros complejos. Por ejemplo, si queremos sumar el
complejo (1, 1) con el complejo (5, 3) simplemente aplicamos la regla descrita en la definicion:
(a, b) + (c, d) = (a + c, b + d)
(1, 1) + (5, 3) = (1 + 5, 1 + 3)
= (6, 2).
Por otro lado si queremos multiplicarlos, simplemente seguimos las reglas
de la definicion:
(a, b) (c, d) = (ac bd, ab + bc)
(1, 1) (5, 3) = ((1)(5) (1)(3), (1)(3) + (1)(5))
= (5 + 3, 3 5)
= (8, 2).
Teorema 1.2.1. Las operaciones de suma y multiplicacion de n
umeros complejos satisfacen las leyes asociativa, conmutativa y distributiva. Es decir, si
x, y, z son n
umeros complejos arbitrarios, tenemos lo siguiente:
Ley asociativa: x + (y + z) = (x + y) + z y x(yz) = (xy)z.
Ley conmutativa: x + y = y + x y xy = yx.
Ley distributiva: x(y + z) = xy + xz.
Hay que remarcar que en este teorema las variables x, y, z representan
n
umeros complejos y que dichas propiedades deberan expresarse con los
smbolos usados para complejos, por ejemplo, supongamos que tenemos:

CAPITULO 1. NUMEROS
COMPLEJOS
12
x = (a1 , b1 )
y = (a2 , b2 )
z = (a3 , b3 )
entonces la ley conmutativa debera escribirse como:
(a1 , b1 ) + (a2 , b2 ) = (a2 , b2 ) + (a1 , b1 )
Ejercicio 1. Siguiendo la idea anterior, Como debera describirse las propiedades
asociativa y la distributiva para n
umeros complejos?
Notese el hecho de que la formula x + y = y + x representa lo que la
operacion de los complejos como parejas ordenadas debe cumplir.
Teorema 1.2.2. Existen 2 propiedades mas dentro del conjunto de los complejos:
Existencia de los neutros:
(Aditivo) 0 C tal que x C, x + 0 = x.
(Multiplicativo) 1 C tal que x C, x 1 = x.
Existencia de los inversos:
(Aditivo) x C, x C tal que x + (x) = 0.
(Multiplicativo) x 6= 0 C, x1 C tal que x (x1 ) = 1.
Los neutros (aditivo y multiplicativo) son representados por el 0 y el 1
aunque en realidad estos son solo smbolos que representan a ciertos n
umeros
complejos particulares que son faciles de reconocer ya que:
(0, 0) + (a, b) = (a, b) y (a, b)(1, 0) = (a, b)
De manera similar, cuando definimos el inverso aditivo de x C como
x en realidad estamos describiendo al inverso de cada complejos (a, b) como
(a, b) = (a, b).
1.2. DEFINICIONES Y PROPIEDADES FUNDAMENTALES.
13
Para definir al inverso multiplicativo debemos usar la definicion de la multiplicacion, dado que para todo complejo x = (a, b) 6= 0 podemos encontrar
otro complejo x1 = (c, d) tal que
x x1 = 1
(a, b)(c, d) = (1, 0)
de hecho, sabemos que esta ecuacion es equivalente a resolver el siguiente par
de ecuaciones
ac bd = 1, ad + bc = 0
el cual tiene solucion u
nica:
b
a
,
d
=
.
a2 + b2
a2 + b 2
Ejercicio 2. Justifique los 2 parrafos anteriores.
c=
La condicion (a, b) 6= 0 asegura que a2 + b2 6= 0 con lo cual el recpro1

para representar al
co (c, d) esta bien definido. Escribimos (a, b)1 o (a,b)
recproco de (a, b). As pues tenemos:

1
a
b
=
,
.
(a, b)
a2 + b 2 a2 + b 2
Con el desarrollo anterior podemos definir la division de n
umeros complejos como sigue:

1
a
b
(c, d)
= (c, d)
= (c, d)
,
,
(a, b)
(a, b)
a2 + b2 a2 + b2
siempre que (a, b) 6= 0.
Consideremos el subconjunto C0 de C consistente de todos los n
umeros
complejos de la forma (a, 0), esto es, todos los n
umeros complejos con parte
imaginaria cero. La suma o el producto de dos miembros de C0 esta de nuevo
en el conjunto C0 . De hecho tenemos:
(a, 0) + (b, 0) = (a + b, 0) y (a, 0)(b, 0) = (ab, 0).
con esto observamos que los elementos de C0 se comportan como si fueran
n
umeros reales. De hecho podemos formalizar esta observacion si definimos
una funcion biyectiva f : R C dada por f (a) = (a, 0) para toda a R, con
la cual es facil probar que el conjunto de los n
umeros reales es un subconjunto
de los n
umeros complejos (bajo isomorfismo), R C, (de hecho podemos
afirmar que R es un subcampo de C). As podemos pensar en el sistema de
los n
umeros complejos como una extension del sistema de los n
umeros reales.

CAPITULO 1. NUMEROS
COMPLEJOS
14
1.3.
La unidad imaginaria i.
Definici
on 1.3.1. El n
umero complejo (0, 1) es denotado por i y es llamado
la unidad imaginaria.
Es facil probar con la definicion anterior, que el complejo i tiene la
propiedad de que su cuadrado
(0, 1)2 = i2 = (1, 0) = (1, 0) = 1
y por tanto x = i es solucion de la ecuacion x2 + 1 = 0. Esto nos acerca a
la solucion del problema planteado en la seccion 1.1
Esta propiedad anterior del n
umero comlejo i nos permite formar la siguiente lista:
i0
i1
i2
i3
i4
i5
i6
..
.
=1
=i
= 1
= (i2 )i = (1)i = i
= (i3 )i = (i)i = (i2 ) = (1) = 1
= (i4 )i = (1)i = i
= (i5 )i = (i)i = i2 = 1
Claramente podemos ver cierta relacion entre las potencias de i.

Ejercicio 3. Calcule i99
Ahora podemos relacionar la idea de pares ordenados (con respecto a la
definicion de n
umeros complejos) con la notacion que usaron los matematicos
al inicio del estudio de los n
umeros complejos. Primero notemos que de la
definicion de multiplicacion tenemos
(b, 0)(0, 1) = (0, b)
y as tenemos que:
(a, b) = (a, 0) + (0, b) = (a, 0) + (b, 0)(0, 1).
por tanto si escribimos a = (a, 0), b = (b, 0) e i = (0, 1), tenemos (a, b) =
a + bi. Esto se resume en el siguiente teorema:
Teorema 1.3.1. Cada complejo (a, b) puede ser expresado en la forma a+bi.
Esta representacion recibe el nombre deforma binomial
GEOMETRICA,
1.4. INTERPRETACION
MODULO
Y ARGUMENTO. FORMA POLAR.15
1.4.
Interpretaci
on geom
etrica, m
odulo y argumento. Forma Polar.
Como un n
umero complejo (x, y) es un par ordenado de n
umeros reales,
este puede ser representado geometricamente por un punto en el plano, o por
una flecha o un vector geometrico del origen al punto (x, y), como lo muestra
la figura 1:
y
r=
+i
y=r SenHL
Hx,yL
x=r CosHL
x
Figura 1.1: Representacion geometrica

En este contexto, el plano xy es usualmente referido como el plano complejo. El eje x es llamado el eje real; el eje y es el eje imaginario. Es usual
intercambiar el uso de las palabras n
umero complejo y punto. As nos
referiremos al punto z = a + ib como aquel correspondiente al punto (a, b) en
el plano xy asociado al complejo z.
Las operaciones de suma y resta de n
umeros complejos tiene una interpretacion geometrica simple. si dos complejos z1 y z2 son representados por
flechas del origen a z 1 y z2 , entonces la suma z1 + z2 esta determinada por
la ley de los paralelogramos: La flecha del origen a z1 + z2 es la diagonal del
paralelogramo determinado por 0, z1 y z2 como se ilustra en el ejemplo de
la figura 2:
La otra diagonal del paralelogramo esta relacionada con la diferencia de
z1 y z2 . La flecha de z1 a z2 es paralela e igual en longitud a la flecha de 0 a
z2 z1 , la flecha en la direccion opuesta, de z2 a z1 , esta relacionada con la
diferencia z1 z2 .
Si (x, y) 6= (0, 0) podemos expresar x e y en coordenadas polares, para
ello bastara observar detenidamente la figura 1. Usando las definiciones de
las funciones trigonometricas Seno y Coseno es facil ver que se cumple:

CAPITULO 1. NUMEROS
COMPLEJOS
16
y
z1 +z2
z2
z1
z1 -z2
Figura 1.2: Interpretacion geometrica de la suma y resta.
x = rCos, y = rSen
y con ello obtenemos:
x + iy = r(Cos + iSen).
Esta u
ltima expresion es conocida como la representacion de los n
umeros
complejos en la forma polar. Observese que lo u
nico que debemos hacer para
cambiar un n
umero escrito en forma polar a la forma binomial es simplemente
evaluar las funciones trigonometricas dadas y multiplicar por el valor r.
Definici
on 1.4.1. El n
umero r, el cual representa la distancia de (x, y) al
origen, es llamado el modulo o valor absoluto de x + iy y es denotado por
|x + iy|, as pues tenemos:
p
|x + iy| = x2 + y 2 .
Definici
on 1.4.2. El angulo polar
se representa como
ArcT an( a )
Arg(a, b) = 180 + ArcT an( ab )

360 + ArcT an( ab )
es llamado el argumento de x + iy. Y
si a y b > 0
si a < 0 y b > 0 o bien si a, b < 0
si a > 0 y b < 0
GEOMETRICA,
1.4. INTERPRETACION
MODULO
Y ARGUMENTO. FORMA POLAR.17
Nosotros solo definimos a como un argumento y no como el argumento,
debido a que para un punto (x, y) el angulo esta determinado solamente
hasta m
ultiplos de 2. Algunas veces es deseable asignar un u
nico argumento
a un n
umero complejo, esto se puede realizar restringiendo a pertenecer a
un intervalo semi-abierto de longitud 2. Usualmente usamos el intervalo
[0, 2). Denotamos este por arg(x + iy).
Ejemplos
Vamos a calcular el modulo y el argumento de los siguieets complejos:
1. ( 3, 1)
Para calcular el modulo simplemente sustituimos en la formula:
q
k( 3, 1)k = ( 3)2 + 12 = 2
Y el argumento sera:
Arg( 3, 1) = ArcT an
= 30
2. (1, 3)
Para calcular el modulo simplemente sustituimos en la formula:
q
k(1, 3)k = 12 + ( 3)2 = 2

Arg(1, 3) = 180 + ArcT an
!
3
= 180 + (60 ) = 120
1
3. (2, 2) Para calcular el modulo simplemente sustituimos en la formula:

p
k(2, 2)k = (2)2 + (2)2 = 8 = 2 2

Arg(2, 2) = 180 + ArcT an
2
2
= 180 + 45 = 225

CAPITULO 1. NUMEROS
COMPLEJOS
18
4. (2, 2) Para calcular el modulo simplemente sustituimos en la formula:

p
k(2, 2)k = (2)2 + 22 = 8 = 2 2

Arg(2, 2) = 360 + ArcT an
2
2
= 360 + (45 ) = 315
Como el valor absoluto de un n

umero complejo z es simplemente la longitud de un segmento de linea, no debe sorprendernos el hecho de que tiene las
mismas propiedades que el valor absoluto de los n
umeros reales: por ejemplo
tenemos
Teorema 1.4.1. Sea z un n
umero complejo y |z| su norma (valor absoluto),
entonces
|z| > 0 si z 6= 0.
|z1 z2 | = |z2 z1 |.
|z1 + z2 | |z1 | + |z2 |.
|z1 z2 | = |z1 ||z2 |.
| zz12 | =
|z1 |
.
|z2 |
Definici
on 1.4.3. Si z = x + iy, el conjugado complejo de z es el n
umero
complejo z = x iy.
Geometricamente, z representa la refleccion de z con respecto al eje real
x. La definicion de conjugado implica que
Teorema 1.4.2. Sea z un n
umero complejo y sea z su conjugado, entonces:
z1 + z2 = z1 + z2 .
z1 z2 = z1 z2 .
(z1 /z2 ) = z1 /z2 .
zz = |z|2 .
1.5. EXPONENCIALES COMPLEJOS Y TEOREMA DE DEMOIVRE 19
1.5.
Exponenciales complejos y teorema de

DeMoivre
Deseamos extender la definicion de ex de tal forma que la expresion tenga

sentido cuando x sea remplazada por un n
umero complejo z. Deseamos que
esta extension sea tal que la ley de los exponentes ea eb = ea+b siga siendo
valida para todos los complejos a y b. Ademas tambien deseamos que ez
coincida con la exponencial usual cuando z sea real.
Definici
on 1.5.1. Si z = x + iy, definimos ez como el complejo dado por la
ecuacion
ez = ex (Cosy + iSeny).
Esta definicion resulta de gran utilidad para demostrar un teorema muy
conocido: El teorema de Moivre, pero antes de presentarlo, sugerimos
desarrollar una practica que nos dara una idea del funcionamiento de dicho
teorema (ver practica 1)
Teorema 1.5.1. Si n es un entero positivo, entonces
(Cos + iSen )n = Cos n + iSen n
Con ayuda de este u
ltimo teorema, conocido como elteorema de DeMoire,
podemos inclusive calcular las races de cualquier n
umero complejo, de hecho
la formula para calcular cualquier raz esta dada por le siguiente teorema (ver
practica 2):
Teorema 1.5.2. Si n es cualquier n
umero entero y positivo, y r y son,
respectivamente, el modulo y el argumento de cualquier n
umero complejo,
entonces
[r(Cos + iSen()]n = rn (Cosn + iSenn
Teorema 1.5.3. Si a y b son complejos, tenemos
ea eb = ea+b

CAPITULO 1. NUMEROS
COMPLEJOS
20
Teorema 1.5.4. Cada complejo z 6= 0 puede ser expresado en la forma

z = rei
donde r = |z| y = arg(z) + 2n siendo n un entero. Esta representacion es
llamada la forma exponencial de z.
Esta representacion de los n
umeros complejos en forma exponencial es
especialmente u
til en relacion con la multiplicacion y division de los n
umeros
complejos. Por ejemplo, si z1 = r1 ei y z2 = r2 ei , tenemos
z1 z2 = r1 ei r2 ei = r1 r2 e+ .
1.6.
Polinomios
Llamamos polinomios a las expresiones

a0 + a1 x + ... + an xn
donde a0 , a1 , ..., an son n
umeros complejos. A estos n
umeros se les llama coeficientes del polinomio. Al smbolo x se le llama indeterminada. a0 , a1 x, ..., an xn
son los terminos del polinomio. Los coeficientes ai pueden ser todos reales,
en cuyo caso decimos que se trata de un polinomio con coeficientes reales, o
pueden ser todos racionales (o enteros), y diremos entonces que el polinomio
tiene coeficientes racionales (o enteros).
Haremos varias observaciones:
Cuando ai = 0 se conviene en que se puede omitir el termino ai xi al
escribir el polinomio.
Se conviene en escribir xi en lugar de 1xi , y axi en lugar de (a)xi o
de +(a)xi .
El termino a0 tambien puede escribirse como a0 x0 . Nos referimos al
termino ai xi como al termino de grado i. Al termino de grado cero le
llamamos termino independiente. Al polinomio 0 le llamamos polinomio
nulo.
No es necesario escribir los terminos de un polinomio siempre en el
mismo orden.
Definici
on 1.6.1. El grado de un polinomio no nulo es el mayor de los
grados de los terminos que tienen coeficiente diferente de cero.
1.6. POLINOMIOS
1.6.1.
21
Los polinomios como funciones
Al polinomio a0 + a1 x + .. + an xn le corresponde la funcion que a cada

complejo le asocia el complejo:
a0 + a1 + ... + an n
que se obtiene al poner en lugar de la indeterminada x y darle a los signos
+ en el sentido usual de suma. Si a esa funcion la denotamos por f tenemos:
f () = a0 + a1 + ... + an n
Se acostumbra denotar el polinomio al que le corresponde la funcion f con
f (x).
1.6.2.
Ejercicios
1. Si sabemos que el termino independiente de un polinomio f (x) es 3,

cuanto vale f (0)?, por que?
2. Existe alg
un polinomio no nulo de la forma f (x) = a + bx + cx2 tal
que f (0) = f (1) = f (1) = 0?
1.6.3.
Suma y Producto de polinomios
Definicion de la suma
(a0 +a1 x+a2 x2 +...)+(b0 +b1 x+b2 x2 +...) = (a0 +b0 )+(a1 +b1 )x+(a2 +b2 )x2 +...)
Definicion del producto
(a0 +a1 x+a2 x2 +...)(b0 +b1 x+b2 x2 +...) = a0 b0 +(a1 b0 +a0 b1 )x+(a0 b2 +a1 b1 +a2 b0 )x2 +...
El coeficiente de xn en la suma es an + bn , y en el producto es
X
ai b j .
i+j=n
Proposici
on 1.6.1. El grado de la suma de dos polinomios no nulos es
menor o igual que el maximo de los grados de los sumandos.
Proposici
on 1.6.2. El grado del producto de dos polinomios no nulos es la
suma de los grados de los factores.

CAPITULO 1. NUMEROS
COMPLEJOS
22
1.6.4.
Ejercicios
1. Encuentre un polinomio de grado dos f (x) tal que f (0) = 1, f (2) =

1, f (3) = 0.
1.6.5.
Divisi
on con residuo.
Proposici
on 1.6.3. Sea f (x) cualquier polinomio y sea g(x) un polinomio
no nulo. Existen dos u
nicos polinomios, q(x) y r(x), que satisfacen las condiciones siguientes:
1. f (x) = g(x)q(x) + r(x).
2. grado de r(x) < grado de g(x).
Los polinomios q(x) y r(x) son el cociente y el residuo respectivamente.
Los polinomios f (x) y g(x) son el dividendo y el divisor, respectivamente.
1.6.6.
Races de polinomios.
Se dice que a es raz de f (x) si f (a) = 0. A las races de f (x) tambien se

les llama ceros de f (x). Las races de f (x) son las soluciones de la ecuacion
f (x) = 0, entendiendo por ecuacion una ecuacion que solo es verdadera si en
lugar de x se ponen ciertos n
umeros a los cuales llamamos soluciones de la
ecuacion.
Proposici
on 1.6.4. Sea f (x) un polinomio y sea a C. Existen un polinomio q(x) (cociente) y r C (resto), tales que
f (x) = (x a)q(x) + r.
Ademas q(x) y r son u
nicos.
Teorema 1.6.5. El residuo de la division de f (x) entre xa es igual a f (a).
Teorema 1.6.6. Sea f (x) un polinomio de grado n > 0 con coeficientes
complejos. Existen n n
umeros complejos 1 , 2 , ..., n , no necesariamente
diferentes dos a dos, y un compljeo c tales que
f (x) = c(x 1 )(x 2 ) (x n )
ademas esta factorizacion es u
nica.
Definici
on 1.6.2. es raz de multiplicidad m del polinomio f (x) de grado
positivo si (x )m divide a f (x) pero (x )m+1 no lo divide.

1.7. PRACTICAS
1.7.
Pr
acticas
1.7.1.
Pr
actica 1
23
Vamos a estudiar el producto de n

umeros complejos con ayuda de la forma
polar. Para ello usaremos dos identidades trigonometicas:
Sen(a + b) = Sen(a)Cos(b) + Sen(b)Cos(a)
Cos(a + b) = Cos(a)Cos(b) Sen(a)Sen(b)
1. Supongamos que z1 y z2 son dos n
umeros complejos tales que sus
modulos y argumentos son (r1 , 1 ) y (r2 , 2 ), respectivamente. Como
quedara la representacion de los n
umeros en forma polar?
2. Ahora deseamos calcular el producto de esos n
umeros z1 z2 con ayuda
de la representacion polar. Escriba el resultado usando la formula del
producto de complejos.
3. El resultado anterior se puede simplificar usando las identidades trigonometricas que mencionamos al principio. Como quedara el resultado?
4. Supongamos que z3 = z1 z2 , este es un complejo y se puede expresar
en forma polar con ayuda del paso anterior. cual es el modulo y el
argumento de z3 ?
5. El resultado anterior nos da informacion sobre el modulo y el argumento
de un producto de complejos. Escriba dos teoremas que expliquen este
resultado: Supongamos que ... entonces el modulo (argumento) del
producto ....
6. Repetiremos los pasos pero ahora simplemente multiplicaremos z1 z1 ,
es decir z12 . Como quedara la representacion polar del resultado?
7. Continuando con la idea del paso anterior, ahora queremos determinar
el resultado en forma polar de z13 = z12 z1 . Escribalo en forma polar.
8. Ahora calcule en forma polar los resultados de z14 , z25 , ... Cual es el
patron que se repite en todos los casos?

CAPITULO 1. NUMEROS
COMPLEJOS
24
9. Como quedara la representacion polar del caso general z1n ? Escriba

las conclusiones en forma de teorema.
1.7.2.
Pr
actica 2
1. Vamos a calcular las races sextas del n

umero complejo (1,0), posteriormente vamos a generalizar los resultados para tratar de hallar las
races en cualquier otra potencia y por u
ltimo calcularemos las races
de un complejo diferente a (1, 0).
2. Dado que conocemos la forma polar de escribir los n
umeros complejos,
usaremos esta herramienta: Escribimos el complejo (1,0) en forma polar
(es decir, buscamos escribirlo de la forma r(Cos +i Sen ).) Cuanto
vale r, ?
3. Dado que queremos calcular las races sextas, podemos encontrar facilmente algunas de ellas sin necesidad de hacer muchas cuentas, cuales
seran? (se deben encontrar al menos 2 races sextas reales). Sera que
estas que encontramos son todas las que existen?, existiran mas races
reales (complejas)?
4. Dado que no podemos encontrar mas soluciones reales, entonces
supondremos que las demas soluciones son complejas, y como no conocemos realmente cuales son estas soluciones, simplemente supongamos
quep
z = r(Cos +i Sen ) es una raz sexta, es decir, se cumple
6
que (1, 0) = zen los pasos siguientes trataremos de encontrar el valor especfico de z, es decir, trataremos de determinar su modulo y su
argumento. Para empezar, de acuerdo con el teorema de Moivre podemos calcular (al menos simbolicamente) el valor de z 6 , como quedara
z 6 ? Ademas de acuerdo con la ecuacion anterior podemos, inclusive,
determinar (despejando) el valor de z 6 que sucede con r y con ?
5. Dado que z es raz sexta del complejo (1,0), entonces podemos igualar
el resultado anterior con el primero, es decir (1, 0) = z 6 . Como se
escribira la igualdad en terminos polares?
6. Comparemos, Cual es el argumento de z, z 6 y (1,0)?, Cual es su
modulo? (Usar incognitas o variables, si es necesario, por ejemplo el
valor del paso 2). Complete la siguiente tabla

1.7. PRACTICAS
25
z z 6 (1, 0)
Argumento
Modulo
7. Usando el hecho de que z 6 = (1, 0), podemos igualar las u
timas dos
columnas de la tabla anterior (por que?), y con ello despejar los valores
del modulo y el argumento de z hallados en el paso 4. Que valores
obtenemos para r y ?
8. Como mencionamos anteriormente no conocamos el valor real de z
puesto que no conocamos su modulo ni su argumento, sin embargo
con ayuda de las propiedades conocidas hemos podido encontrar esos
valores (cuales fueron estas propiedades?), con lo cual podemos dar
otra raz sexta de (1,0). Escriba la solucion final para z.
9. De acuerdo con la definicion del argumento, existen varias alternativas
a elegir para representar el argumento, de hecho sabemos que si el argumento del complejo (1,0) es (de hecho sabemos que = 0) tambien
podemos tomar como angulo al valor +2 (en este caso especfico
sera 0 + 2), por que podemos cambiar el angulo sin preocuparnos de
estar haciendo algo incorrecto? Como varan los pasos anteriores con
respecto a este nuevo angulo?
10. Repita todos los pasos anteriores y determine el valor final de z (nuevamente) es el mismo que el resultado del paso 7? por que?
11. Podemos repretir los pasos anteriores si consideramos ahora el valor
del angulo igual a +2(2). El resulado para z es el mismo a alguno
de los anteriores? cuantos valores de z diferentes podemos encontrar?
que hay que hacer para encontrar todos los valores de z?
12. Supongamos ahora que en lugar de calcular las races sextas queremos
calcular las races octavas, que hay que cambiarle al proceso para
obtener las respuestas?
13. Por u
ltimo supongamos que no queremos las races del complejo (1,0)
sino mas bien queremos calcular las races de un complejo (a, b) cuyo
modulo sea R y su argumento sea que cambiaramos para obtener
las respuestas al problema?

CAPITULO 1. NUMEROS
COMPLEJOS
26
1.8.
Ejercicios
1. Exprese los siguientes n

umeros complejos en la forma a + bi :
a) (1 + i)2
b) 1/(1 + i)
c) 1 + i + i2 + i3
2. Calcule los valores absolutos de los siguiente n

umeros complejos
a) 1 + i2 + i3
b) 2(1 i) + 3(2 + i)
c) 3 + 3i
3. En cada caso determine los valores de x y y que satisfacen la relacion

dada:
a) x + iy = x iy
b) x + iy = kx + iyk
c) (x + iy)2 = (x iy)2
4. Exprese cada uno de los siguientes n

umeros complejos en la forma a+bi
a) ei/2
b) i + e2i
c) 3ei
5. En cada caso determine los valores reales x e y que satisfacen las relaciones dadas:
a) x + iy = xeiy
b) x + iy = yeix
1.8. EJERCICIOS
27
6. Realice las siguientes operaciones con n

umeros complejos y calcule el
modulo del resultado:

( 3, 43 )( 3, 4 3 )
(5,8)
(10,8)
( 4+6i
)
3
(2+3i)
7. Calcule las siguientes potencias de i :

i99
i4x+j donde x = 2010, 2011 y j = 1, 2, 3.
8. Convertir a la forma polar y exponencial los siguientes complejos:
(7, 7)
(7, 7)
(0, 5)
9. Encuentrese las soluciones de las siguientes ecuaciones:
x2 + x + 1 = 0
x2 + 5 = 0
x2 + 1
x2 2x + 2 = 0
10. Demuestre que si a + bi es solucion de la ecuacion x2 + k = 0 con k > 0,
real, entonces la otra solucion sera a bi.
11. Calcule las races sextas de 1 y -1.
12. Si es real encuentre expresiones en terminos de ei para las siguientes
funciones:
Cos
Sen
13. Encuentre dos n
umeros complejos z, w tales que

zw 6= z w.

CAPITULO 1. NUMEROS
COMPLEJOS
28
14. Calcule
1i 3
2
15. Para que parejas de n

umeros complejos u y v se cumplen las siguientes
ecuaciones?
uv = uv
u + (u + v) u v = u
16. Determine los valores de los complejos z, u, v que satisfacen cada
igualdad.
zz = |z|2
|uv| = |u||v|
|u| = |v|
17. Determine el cociente indicado en forma binomial
1
i4 1
1+i
;
;
i
Cos( 4 ) + iSen( 4 ) i 1
18. Determine 4 n
umeros complejos tales que su conjugado tenga modulo
4.
19. Convierta el resultado de las siguientes operaciones a las distintas representaciones de n
umeros complejos.
(Cos(35o ), Sen(35o )) (Cos(55o ), Sen(55o ))
(0, 1)85
6
5e 3
Parte II
Parcial 2
29
Captulo 2
Matrices
2.1.
Definiciones b
asicas
Definici
on 2.1.1. Una matriz sobre un campo F es un arreglo rectangular
de elementos del campo F, ordenados en filas y columnas (para los objetivos
de nuestro curso, bastara con considerara que F = R o bien F = C).
El smbolo Mmn (F ) denota la coleccion de todas las matrices de m
renglones con n columnas sobre el campo F.
Las matrices usualmente seran denotadas por letras may
usculas, y la
ecuacion A = [aij ] significa que el elemento en el i-esimo renglon y la
j-esima columna de la matriz A es igual a aij .
En ocasiones tambien es conveniente escribir aij = (A)ij .
Ejemplo 1. La formula aij = 1/(i + j) para 1 i 3, 1 j 4 define
una matriz A de 3 renglones con 4 columnas que tiene la forma:
1 1 1 1
2
A = 13
1
4
Nota 2.1.1. Dada una matriz de la
a11
a21
A = ..
.
an1
3
1
4
1
5
4
1
5
1
6
5
1
6
1
7
forma
a12 ... a1m

a22 ... a2m
.. . .
..
.
.
.
an2 ... anm
31
CAPITULO 2. MATRICES
32
es usualmente llamada matriz de orden n m.
2.2.
2.2.1.
Operaciones B
asicas
Igualdad
Definici
on 2.2.1 (Igualdad de Matrices). Diremos que dos matrices A y B
son iguales si tienen la misma dimension y sus correspondientes elementos
son iguales; es decir si A y B Mmn (F ) y si A = [aij ], B = [bij ], con
aij = bij para 1 i m, 1 j n.
Las matrices
1
2
1
A=
3
1
4
1
1+1
1
1+2
1
1+3
1
1+4
1
B=
2+1
1
2+2
1
2+3
1
2+4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
1
6
1
7
1
3+1
1
3+2
1
3+3
1
3+4
son iguales ya que el valor de cada elemento aij es igual al valor de cada
entrada bij .
Por otro lado, las matrices
1 1 1
2
3
4
1 1 1 1
2
3
4
5
1 1 1
3 4 5
1 1 1 1
A=
3 4 5 6 B = 1 1 1
4 5 6
1
1
1
1
1
5
1
6
1
7
no son iguales.
2.2.2.
Suma
Definici
on 2.2.2 (Suma de Matrices). Sean A = [aij ] y B = [bij ] matrices de igual dimension. Entonces A + B es la matriz obtenida al sumar los
correspondientes elementos de A y B; es decir
A + B = [aij ] + [bij ] = [aij + bij ].

2.2. OPERACIONES BASICAS
Si
1
2
1
A=
3
1
4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
1
6
1
7
33
1
2
1
B=
3
1
4
2
3
3
4
1
4
1
5
1
5
1
6
4
5
1
6
1
7
Entonces, por la definicion anterior
1 1 1 1
A + B = 0 0 0 0
2
5
2
4
2.2.3.
2
6
2
7
Multiplicaci
on por un escalar
Definici
on 2.2.3 (Multiplicacion por un escalar). Sea A = [aij ] y t F (=
R, = C)1 . Entonces tA es la matriz obtenida de multiplicar todos los elementos de A por t; es decir
tA = t[aij ] = [taij ]
Sean
1
2
1
A=
3
1
4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
1
6
1
7
t=2
Entonces
tA =
2
2.2.4.
1
2
1
3
1
4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
2
2
=
3

1
2 17
2
1
6
2
3
1
2
2
5
1
2
2
5
1
3
2
5
1
3
2
7
Multiplicaci
on
Definici
on 2.2.4. Sean A = [aij ] una matriz de tama
no m n y B = [bjk ]
una matriz de tama
no np; (es decir, el n
umero de columnas de A es igual al
1
en este caso decimos que t es un escalar
34
n
umero de renglones de B). Entonces definimos la multiplicacion AB como
la matriz de m p, C = [cij ] donde los elementos (i, j) estan definidos por
la formula
n
X
cik =
aij bjk = ai1 b1k + ... + ain bnk
j=1

1 2
5 6
15+27 16+28
19 22
=
=
3 4
7 8
35+47 36+48
43 50
2.3.
Definiciones complementarias
Definici
on 2.3.1 (La Inversa Aditiva de una Matriz). Sea A = [aij ]. Entonces A es la matriz obtenida al reemplazar los elementos de A por sus
inversos aditivos (negativos); es decir
A = [aij ] = [aij ]
Definici
on 2.3.2. Para cada m, n la matriz en Mmn (F ), cuyos elementos
son todos cero, es llamada la matriz cero (de tama
no m n) y es denotada
por el smbolo 0.
Definici
on 2.3.3 (Resta de Matrices). La resta matrices esta definida para
dos matrices A = [aij ] y B = [bij ] del mismo tama
no, de la manera usual; es
decir
A B = [aij ] [bij ] = [aij bij ]
2.4.
Propiedades de las operaciones
2.4.1.
Propiedades de la suma y multiplicaci

on por escalar
Teorema 2.4.1. Sean A, B y C matrices de dimension nm y sean s, t F,

entonces:
1. (Asociativa para la suma)
(A + B) + C = A + (B + C).
2.4. PROPIEDADES DE LAS OPERACIONES
35
2. (Conmutativa para la suma)

A + B = B + A.
3. (Neutro aditivo)
0 + A = A.
4. (Inverso aditivo)
A + (A) = 0.
5. (Distributiva por la derecha)
(s + t)A = sA + tA, (s t)A = sA tA.
6. (Distributiva por la izquierda)
t(A + B) = tA + tB.
7. (Asociativa para la multiplicacion por escalar)
s(tA) = (st)A.
8. 1A = A, 0A = 0, (1)A = A.
9. tA = 0 t = 0 o bien A = 0.
2.4.2.
Propiedades de la multiplicaci
on de Matrices
Teorema 2.4.2. Para la multiplicacion de matrices tenemos las siguientes

propiedades:
1. (AB)C = A(BC) si A, B, C son de tama
no m n, n p, p q
respectivamente
2. t(AB) = (tA)B = A(tB), A(B) = (A)B = (AB)
3. (A + B)C = AC + BC si A, B son de tama
no m n y C es de n p
4. D(A + B) = DA + DB si A y B son de m n y D es de p m
Nota 2.4.3. A pesar de que tenemos las propiedades anteriores una com
un
en aritmetica y que no se cumple para matrices es la siguiente:
AB = BA A, B matrices que se puedan multiplicar.
36
2.5.
Clasificaci
on de las Matrices
Matriz Triangular.
Definici
on 2.5.1. Se dice que una matriz es triangular superior si todos los
elementos que estan por debajo de la diagonal principal son nulos.
Definici
on 2.5.2. Se dice que una matriz es triangular inferior si todos los
elementos que estan por encima de la diagonal principal son nulos.
Ejemplos
Triangular Superior:
1 4 2
0 3 4
0 0 1
Triangular Inferior:
1 0 0
2 8 0
4 9 7
Matriz Diagonal.
Definici
on 2.5.3. Se llama diagonal principal de una matriz A a la diagonal formada por los elementos aii . La Matriz diagonal, es una matriz
cuadrada donde sus elementos aij = 0 si i 6= j.
Una matriz diagonal es una matriz cuadrada en que las entradas o valores
son todos nulas salvo en la diagonal principal, y estos incluso pueden ser nulos
o no. Otra forma de decirlo es que es diagonal si todos sus elementos son nulos
salvo algunos de la diagonal principal.
Ejemplos
MATRIZ DIAGONAL:

1 0
0 4
DE LAS MATRICES
2.5. CLASIFICACION
37
Matriz Escalar.
Definici
on 2.5.4. Matriz Escalar es el nombre que recibe aquella matriz
diagonal en la cual los elementos que conforman la diagonal principal son
iguales.
Ejemplo
MATRIZ ESCALAR
2 0 0
0 2 0
0 0 2
Matriz Identidad.
Definici
on 2.5.5. Se llama matriz identidad de orden n y se nota In a una
matriz cuadrada de orden n en la que los elementos de la diagonal principal
son 1 y el resto 0.
La matriz identidad es una matriz diagonal.
Ejemplos
MATRIZ IDENTIDAD

1 0
0 1
;
1 0 0
0 1 0
0 0 1
.
Matriz Per
odica.
Definici
on 2.5.6. Una matriz A se llama periodica, si existe k, el menor
n
umero entero y positivo, para el cual se cumple Ak+1 = A. Se dice que la
matriz A tiene como periodo k.
Ejemplo MATRIZ PERIODICA

1 0
0 1
2

=
1 0
0 1
38
Matriz Nilpotente.
Definici
on 2.5.7. Sea A una matriz cuadrada. Si existe un entero positivo
p para el cual Ap = 0, entonces decimos que A es nilpotente de orden p.
Tambien llamada matriz nulipotente.
Ejemplo
MATRIZ NILPOTENTE
2
0 8 0
0 0 0
0 0 0 = 0 0 0
0 5 0
0 0 0
Matriz Idempotente
Definici
on 2.5.8. Una matriz idempotente1 es una matriz la cual es igual
a su cuadrado, es decir: A es idempotente si A A = A2 = A.
Ejemplo.
MATRIZ IDEMPOTENTE

1 0
0 1
2

=
1 0
0 1
Matriz Involutiva
Definici
on 2.5.9. Una matriz A es involutiva si cumple con A2 = I.
Ejemplo:
MATRIZ INVOLUTIVA

1 0
0 1
2

=
1 0
0 1
Matriz Transpuesta
Definici
on 2.5.10. Se llama matriz traspuesta de una matriz A a aquella
matriz cuyas filas coinciden con las columnas de A y las columnas coinciden
con las filas de A. Es representada por el smbolo At .
DE LAS MATRICES
2.5. CLASIFICACION
39
La matriz transpuesta se puede obtener intercambiando las filas por las

columnas de una matriz dada.
Ejemplo:
MATRIZ TRANSPUESTA

1 2
1 3
t
A=
A =
3 4
2 4
1 2 3
1 4 7
B = 4 5 6 Bt = 2 5 8 .
7 8 9
3 6 9
Matriz Sim
etrica
Definici
on 2.5.11. Una matriz A es simetrica si cumple con A = At .
Ejemplo:
MATRIZ SIMETRICA:
1 2
2 0
A=
3 5
(A = At )
3
1 2 3
5 At = 2 0 5 = A
6
3 5 6
4 5 2
4 5 2
B = 5 0 3 B t = 5 0 3 = B.
2
3 9
2
3 9
Matriz Antisim
etrica.
Definici
on 2.5.12. Una matriz A es antisimetrica, cuando cumple con A =
At .
Ejemplo:
MATRIZ ANTISIMETRICA:
0 2 4
0 2 At =
A= 2
4 2 0
(At = A)
0 2 4
0 2 4
2 0 2 = 2
0 2 = A.
4 2 0
4 2 0
40
Matriz Compleja.
Definici
on 2.5.13. Sea A una matriz de tama
no mxn, se llama compleja si
sus elementos con n
umeros complejos.
Ejemplo:
MATRIZ COMPLEJA

A=
1 + i 2 3i
2 4i 3 + 8i

.
Matriz Conjungada.
Definici
on 2.5.14. Sea A una matriz compleja, la matriz conjugada de A
se forma con los conjugados de cada elemento de A, se representa por A.
Ejemplo:
MATRIZ CONJUGADA
2+i
3
1 + 4i
2i
3
1 4i
5
2 2i Ac = 4 + i
5
2 + 2i .
A= 4i
1
3 i 1 + 3i
1
3 + i 1 3i
Matriz Hermtica.
Definici
on 2.5.15. Sea A es una matriz compleja, decimos que A es una
matriz hermtica (o hermitiana) si cumple que At = A .
Ejemplo:
MATRIZ HERMITICA:

3
2+i
3
2i
3
2+i
c
ct
A=
A =
A =
= A.
2i
1
2+i
1
2i
1
Matriz Antihermtica
Definici
on 2.5.16. Si A es una matriz compleja y ademas cumple con
At = A, entonces se llama matriz antihermitiana, hermihermtica o antihermtica.
2.6. EJERCICIOS
41
Ejemplo:
MATRIZ ANTIHERMITICA: (A = A)

i
2+i
i
2i
c
A=
A =
...
2 + i 3i
2 i 3i

ct
A =
i 2 i
2 i 3i

=
i
2+i
2 + i 3i

= A.
Matroz Ortogonal.
Definici
on 2.5.17. Una matriz cuadrada es ortogonal si A At = At A = I.
Ejemplo:
MATRIZ ORTOGONAL:
1
2
12
A=
AA =
2.6.
1
2
12
1
2
1
2
1
2
1
2
1
2
1
2
At =
1
2
1
2
12
12
1
2
1
2

=
Ejercicios

Sea A =
1 2
1 3

yB=
3 1 2
4 3 1

,
1. cuales son las dimensiones de A y B?

2. que operaciones se pueden realizar entre A y B?
3. cual es la dimension de AB?
4. Calcule el elemento (2,3) y el elemento (3,2) de AB
5. Calcule AB
6. Sea Ri = (ai,1 , ai,2 ), Cual es el valor de R2 ?
1 0
0 1

.
42
7. Si sabemos que X M2x2 (R) y que AX = A, quien es X?

8. Si sabemos que X M2x2 (R) y que AX = 022 , quien es X?
2.7.
Operaciones Elementales Rengl

on.
Vamos a definir unas funciones f : Mnn Mnn usando los renglones

Ri de una matriz dada A, de la siguiente manera:
f (Ri , Rj ) Ri
donde el resultado de la formula
f (Rj )
lo vamos a colocar en Ri de la matriz A. Por ejemplo:
(R1 + R2 ) R1
significa que el resultado (R1 + R2 ) (la suma del renglon 1 mas el renglon 2)
lo vamos a colocar en R1 (el renglon 1).
En particular vamos a definir 3 tipos diferentes de formulas que podemos
usar sobre las matrices, estas son llamadas operaciones elementales renglon,
puesto que como mencionamos anteriormente, u
nicamente utilizan los renglones de una matriz.
A continuacion definimos las operaciones elementales que usaremos para
realizar la reduccion de las matrices:
Definici
on 2.7.1. Sea
R1
A = ...
Rm
una matriz, donde cada Ri representa el renglon i de la matriz, entonces
definimos las siguientes operaciones elementales renglon:
1.- Intercambiar el renglon i-esimo y la j-esimo. Es decir,
DE GAUSS
2.8. ALGORITMO DE REDUCCCION
R1
...
Ri
...
Rj
...
Rm
Ri Rj

R1
...
Rj
...
Ri
...
Rm
43
2.- Reemplazar el renglon i por un m

ultiplo constante no cero de el mismo.
Es decir,
R1
R1
...
kRi Ri ...
Ri k Ri
...
...
Rm
Rm
3.- Reemplazar el renglon i por una combinacion de el mismo mas un
m
ultiplo constante del renglon j
R1
R1
...
...
(kRj +Ri )Ri
Ri
k Rj + Ri
...
...
Rm
Rm
2.8.
Algoritmo de reduccci
on de Gauss
Definici
on 2.8.1. Forma Escalonada: Una matriz se dice que es escalonada, escalonada por filas, o que esta en forma escalonada si:
1. Todas las filas cero, estan en la parte inferior de la matriz.
2. El primer elemento no nulo (es decir diferenete de cero) de cada fila
llamado pivote, esta a la derecha del pivote de la fila anterior (esto
supone que todos los elementos debajo del pivote son cero).
Definici
on 2.8.2. Forma Escalonada Reducida: Esta es una matriz que
cumple las condiciones de escalonada y ademas:
44
1. Todos los elementos pivotes son iguales a 1.

2. Todos los elementos por encima de los pivotes son nulos.
Ejemplos
Esta es una matriz en forma escalonada.
0 2 1
0 0 8
0 0 0
Matriz en forma escalonada, aunque
2 3
0 3
0 0
sin renglones cero:
0
0
1
Esta es una matriz en forma escalonada reducida.
0 1 0
0 0 1
0 0 0
Esta matriz esta en forma escalonada, ademas es la identidad.
1 0 0
0 1 0
0 0 1
Existen dos algoritmos que nos ayudan a convertir matrices en formas
mas simples, estos son:
1. Algoritmo de Gauss: Convierte la matriz en una escalonada.
2. Algoritmo de Gauss-Jordan: Convierte la matriz en una forma escalonada reducida.
2.8.1.
Algoritmo de reducci
on de Gauss-Jordan.
A continuacion listamos los pasos del algoritmo de reduccion de Gauss

par simplificar los sistemas de ecuaciones:

2.9. CALCULO
DE LA INVERSA DE UNA MATRIZ.
45
1. Realizar la operacion elemental 1 hasta conseguir que el primer renglon

tenga como primer elemento a un valor diferente de cero.
2. Se divide el primer renglon entre una constante, para hacer el elemento
a11 igual a 1 . Esto se logra con operaciones tipo 2.
3. Se eliminan los elementos de la primera columna de los demas renglones usando las operaciones del tipo 3.
4. Se usa la operacion del tipo 1 para conseguir que el segundo renglon
tenga como primer elemento a un elemento diferente de cero.
5. Se repiten los pasos 2 y 3 con el elemento a22 .
6. Se repiten los pasos anteriores con cada elemento (aii ) hasta conseguir
transformar el sistema a la forma escalonada.
Ejemplo:
Aplicar el algoritmo
para calcular la forma escalonada
de Gauss-Jordan
6 5 3
reducida de la matriz 2 1 4 .
0 8 7
Unicamente
mostraremos la cadena de operaciones usadas y los resulados
obtenidos:
5
1
5
1
1
1
6 5 3
3
1
6
2
6
2
R1 R1
R2 R2
+R2 R2
2 1 4 2R1
0 2 5 2
2 1 4 6
3
0 8 7
0 8 5 7 1
0 5 8 1 7
5
1
1 6 2
1 6 2
1 6 2
1
R3 R3
+R3 R3
2 +R1 R1
0 1 15 8R2
0 1 15 67
0 1 15 5/6R
2
2
2
7
0 0 67
0 0 1
0 8 23
1 0 4
1 0 0
1 0 0
3 +R1 R1
3 +R2 R2
0 1 15 23/4R
0 1 15 15/2R
0 1 0
2
2
0 0 1
0 0 1
0 0 1
2.9.
C
alculo de la Inversa de una Matriz.
Podemos aplicar el algoritmo de Gauss-Jordan para calcular la inversa de

una matriz cuadrada, u
nicamente necesitamos formar una matriz especialcon
ayuda de la identidad:
46
Calcularemos la
inversa
7
Gauss-Jordan: A = 5
9
de
8
2
0
la siguiente
matriz por medio de algoritmo de
3
3
4
1 78 37 17 0 0
7 8 3 1 0 0
1
R
R
1
1
2 R2
5 2 3 0 1 0 5R1 +R
5 2 3 0 1 0 7
9 0 4 0 0 1
9 08 43 0 1 0 1
3
1
8
0 0
1 7
1 7 7 7 0 0
7
7
7
R2 R2
+R3 R3
0 54 6 5 1 0 54
0 54 6 5 1 0 9R1
7
7
7
7
7
7
72
1
9
9
0
4
0
0 1
0
0
1
7
7
7
8
3
1
5
1
4
0 0
0
1 7
1
0
8
72
7
7
9
27
27
R +R R
R +R R
7
0 1 1 5 7 0 7 21 1 0 1 1 5
7 23 3
0
9
54
54
9
54
54
1
9
1
9
72
0 1
0 72
7
7
7
0 7 5 7 1 7 40 1
1
4
5
1 0 9 27 27 0
1 0 9 27 27 0
5
R +R R
R3 R3
7
5
7
1
0 1 1 5
9 31 1
0
0
0
1
9
54
54
9
54
54
1
4
0 0 1 13 4
1
3
0 0 1 43 163 15
4
16
5
1 0 0 27 27 9
1
0
0
1
27
27
9
R3 +R2 R2
7
0 1 1 5
0 1 0 7 1 1
0 9
9
54
54
54
54
9
1
4
1
4
0 0 1
0
0
1
1
1
3
3
3
3
Por u
ltimo, la matriz inversa de la matriz A es aquella que queda en el
lado derecho:
4 16 5
A1 =
2.10.
27
7
54
1
3
27
1
54
4
3
9
1
9
El Determinante de una matriz cuadrada.
Definici
on 2.10.1. Sea S = {1, 2, 3, ..., n} el conjunto de enteros de 1 a n,
odenados en forma creciente. Cualquier reordenamiento de la forma j1 j2 ...jn
de los elementos de S se llama una permutaci
on de S.
Ejemplos
Si S = {1, 2, 3, 4} algunas permutaciones seran:
3142
2.10. EL DETERMINANTE DE UNA MATRIZ CUADRADA.
47
2134
4321
1234
Ademas las permutaciones se pueden definir como funciones, as por ejemplo, para la permutacion 3142 tenemos la funcion:
f (1) = 3, f (2) = 1, f (3) = 4, f (4) = 2.
Denotamos al conjunto de todas las permutaciones de S con el smbolo
Sp
Definici
on 2.10.2. Se dice que una permutacion j1 j2 ...jn del conjunto S =
{1, 2, ..., n} tiene una inversi
on si un entero mayor jr aparece antes de uno
menor ji en dicha permutacion.
Ademas, una permutacion se denomina par o impar si el n
umero total de
inversiones en ella es par o impar, respectivamente.
Ejemplos
La permutacion 2134, tiene u
nicamente una inversion, por lo tanto es
impar.
Por otro lado, la permutacion 4132 tiene 4 inversiones por lo tanto es par
Definici
on 2.10.3. Dada una permutacion p Sp , definimos el signo de p
como:

+ Si p es par
Sgn(p) =
Si p es impar
Definici
on 2.10.4. Sea A = (aij ) una matriz de n n. Definimos el determinante de A (que se escribe como det(A) o |A|) como
det(A) = |A| =
Sgn()a1(1) a2(2) ... an(n)
Sp
donde la suma vara sobre todas las permutaciones Sp consideradas como

funciones.
48
2.11.
La matriz Adjunta.
Definici
on 2.11.1. Sea A una matriz de n n y sea Mij la matriz de
(n 1) (n 1) que se obtiene de A eliminando el renglon i y la columna
j. Mij se llama el menor i, j de A.
Ejemplo:
2 1 4
5 . Encuentre M13 y M32 .
Sea A = 0 1
6 3 4

0 1
M13 =
.
6 3

M32 =
2 4
0 5

.
Definici
on 2.11.2. Sea A una matriz de n n. El cofactor i, j de A, denotado por Aij , esta dado por
Aij = (1)i+j |Mij |
donde |Mij | es el determinante del menor ij.
Ejemplos: (Usaremos la matriz A anterior)

0 1
1+3
4
A13 = (1) |M13 | = (1) det
= 1 (6) = 6.
6 3

2 4
3+2
5
A32 = (1) |M32 | = (1) det
= (1)(10) = 10.
0 5
Teorema 2.11.1. Sea A una matriz de n n. Entonces el determinante de
A, denotado por det(A) esta dado por
det(A) = |A| = a11 A11 + a12 A12 + ... + a1n A1n =
n
X
esta definicion es llamada expansi

on por cofactores.
Ejemplos:
k=1
a1k A1k
2.11. LA MATRIZ ADJUNTA.
49
3 2 9
1.- Sea A = 4 8 1 , entonces de acuerdo con el teorema anterior,
3 2 9
el determinante sera:

8
1
A11 = (1)1+1 |M11 | = (1)2 det
= 1 (74) = 74.
2
9

4 1
A12 = (1)1+2 |M12 | = (1)3 det
= (1) (39) = 39.
3 9
4 8
A13 = (1)1+3 |M13 | = (1)4 det
= 1 (16). = 16.
3 2
Luego,el determinante sera:
det(A) = (3) (74) + (2)(39) + (9)(16) = 0
2 1 4
5 , Por cofactores tendramos:
2.- Sea A = 0 1
6 3 4

1 5

1+1
2
= 19
A11 = (1) |M11 | = (1)

3
4

0 5

= (30) = 30
A12 = (1)1+2 |M12 | = (1)3

6
4

0 1
= 6
A13 = (1)1+3 |M13 | = (1)4
6 3
As pues el determinante sera:
Det(A) = a11 A11 + a12 A12 + a13 A13
= 2(19) + (1)(30) + 4(6)
= 38 + 30 + 4(6)
= 68 24
= 92
El teorema anterior tambien funciona si se lo aplicamos a
Nota 2.11.2.
cualquier otro renglon diferente del primero, inclusive funciona si se lo
aplicamos a columnas.
Este metodo para calcular el determinante tambien es llamado expansi
on por cofactores.
50
Si acomodamos todos los signos que se forman en los cofactores por el

elemento (1)i+j , dentro de la matriz con su correspondiente coordenada(i, j), entonces nos
quedara una matriz como la siguiente:
+ +
+ +
+ +
+ +
Definici
on 2.11.3. Sea A una matriz de n n y sea B la matriz formada
por los cofactores de A, es decir
A11 A12 ... A1n

A21 A22 .. A2n
B=
..
.. ..
..
An1 An2 .. Ann
Entonces la adjunta de A, escrito Adj(A), es
de n n.
A11 A21
A
12 A22
Adj(A) = B T =
..
..
A1n A2n
la transpuesta de la matriz B
... An1
.. An2
..
..
.. Ann
Teorema 2.11.3. Sea A una matriz de n n. Entonces A es invertible si y

solo si det(A) 6= 0. Ademas si det(A) 6= 0, la inversa de A esta dada por:
A1 =
1
Adj(A).
det(A)
Ejemplo:
2 1 4
5 y calculamos su adjunta:
Sea A = 0 1
6 3 4
A11 = 19 A12 = 30 A13 = 6
A21 = 8 A22 = 32 A23 = 12
A31 = 9 A32 = 10 A33 = 2
det(A) = 1(32) + 5(12) = 32 60 = 92
19 30 6
19 8
9
Cof(A) = 8 32 12 = Adj(A) = 30 32 10
9 10 2
6 12 2
2.11. LA MATRIZ ADJUNTA.

Pot u
ltimo
A1
19
2
9
19 8
9
23
92
92
8
5
1
1
30 32 10 = 15
Adj(A) = 92
= det(A)
46
23
46
3
3
1
6 12 2
46
46
23
51
52
Captulo 3
Sistemas de Ecuaciones
Lineales
3.1.
Definiciones
Definici
on 3.1.1. Una ecuacion lineal en n incognitas x1 , x2 , ..., xn es una
ecuacion de la forma
a1 x1 + a2 x2 + ... + an xn = b
Por ejemplo una ecuacion lineal sera 2x + 3y = 6.
Definici
on 3.1.2. Un sistema de m ecuaciones lineales en n incognitas
x1 , ..., xn es una familia de ecuaciones lineales
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2
..
.
am1 x1 + am2 x2 + ... + amn xn = bm
Nosotros deseamos determinar si un sistema de esta forma tiene una solucion, es decir, determinar si existen numeros x1 , x2 , ..., xn los cuales satisfagan
cada una de las ecuaciones al mismo tiempo.
53
CAPITULO 3. SISTEMAS DE ECUACIONES LINEALES
54
Usando el hecho de la existencia de soluciones podemos diferenciar dos tipos

de sistemas de ecuaciones lineales:
3.2.
Clasificaci
on de los Sistemas de Ecuaciones Lineales.
Definici
on 3.2.1. Un sistema de ecuaciones lineales es consistente (o cmpatible) si tiene por lo menos una solucion. Un sistema es inconsistente (o
incompatible) si carece de solucion.
(
Sistemas consistentes (compatibles)
Sistemas de ecuaciones
Sistemas inconsistentes (incompatibles)
Si sabemos que un sistema de ecuaciones lineales tiene
Ejercicio 4.
al menos una solucion, cuantas soluciones tiene en total?
Existe un sistema que tenga exactamente una solucion?, dos?, n?,
infinitas?
Definici
on 3.2.2. De acuerdo al n
umero de soluciones que posea un sistema
de ecuaciones, los podemos clasificar en:
Determinados: si solo poseen una u
nica solucion.
Indeterminados: si poseen infinitas soluciones.
Con estas u
ltimas definiciones, nuestra clasificacion de los sistemas de
ecuaciones lineales queda de la siguiente
manera:

Determinados
Consistentes
Indeterminados
sistemas de ecuaciones lineales
Inconsistentes
Ejemplos
Consideremos los sistemas de ecuaciones lineales
DE LOS SISTEMAS DE ECUACIONES LINEALES.55

3.2. CLASIFICACION
2x + 3y = 6
4x + 6y = 2
2x + 3y = 6
3x 2y = 8
Las graficas de estas ecuaciones forman lneas rectas, y dependiendo de la
forma de las graficas sera el tipo de solucion que tengamos para los sistemas
de ecuaciones.La grafica para el primer sistema sera:
2.0
1.5
1.0
0.5
2.5
3.0
3.5
4.0
-0.5
-1.0
Como podemos observar la primera ecuacion tiene una solucion, puesto

que las graficas se intersectan en un punto. De hecho, las coordenadas de ese
punto son los valores solucion para las incognitas (x, y). Por otro lado, para
el segundo sistema su grafica sera:
En el caso del segundo sistema de ecuaciones observamos que sus graficas
no se intersectan por lo cual no existen soluciones (coordenas) que satisfagan
el sistema.
3.2.1.
Interpretaci
on Gr
afica de las soluciones
Para cada sistema de ecuaciones lineales podemos observar lo siguiente:

Cada una de las ecuaciones involucradas en un sistema de ecuaciones se
puede despejar para as obtener una funcion en terminos de cierto
n
umero de variables.
56
-4
-2
-2
Dicha funcion puede ser representada en el hiperespacio Rn . Y las graficas resultante son conocidas como hiperplanos.
En R2 , las graficas representan lineas rectas, enR3 , las graficas representan planos.
Cada uno de los puntos pertenecientes a las correspondientes graficas
se corresponde con un punto solucion de la respectiva ecuacion.
Podemos conocer el tipo de sistema de ecuacciones lineales con el que
trabajamos si conocemos las graficas de las ecuaciones lineales con las
que trabajamos.
El punto en el que todas las graficas se intersecten, representara la
solucion del sistema.
Con base en las observaciones anteriores podemos distinguir tres casos
especiales que se pueden presentar en los sistemas de 2 ecuaciones lineales
con 2 variables:
Compatible Determinado.
Las graficas de las ecuaciones del sistema se cortan en un solo punto:
Compatible Indeterminado.
Las graficas de las ecuaciones del sistema se cortan en infinitos puntos
(estan sobrepuestas):

3.2. CLASIFICACION
10
-4
-2
-5
-10
15
10
-4
-2
-5
-10
Incompatible.
Las graficas de las ecuaciones del sistema no se cortan:
Con base en estas observaciones podemos listar algunas de las caractersticas principales que debe cumplir un sustema compatible indeterminado:
La solucion generica consiste en expresar una o mas variables como
funcion matematica del resto.
Al menos una ecuacion se puede hallar como combinacion lineal del
resto, es decir, es linealmente dependiente.
El determinante de la matriz asociada al sistema es cero.
58

10
-4
-2
-5
-10
Ejercicio 5. Como podemos extender el analisis anterior a un problema de

dimension n?
Pensemos ahora en un sistema de 3 ecuaciones con 3 incognitas:
2u + v + w = 5
4u 6v = 2
2u + 7v + 2w = 9
Observando su grafica vemos claramente que el sistema tiene una solucion
u
nica.
Ejercicio 6. De las siguientes afirmaciones con respecto a la solucion de un
sistema de 2 ecuaciones con 2 incognitas, cual de ellas no es verdadera?
Es un par ordenado que satisface ambas ecuaciones.
Su grafica consiste en el (los) punto(s) de interseccion de las graficas
de las ecuaciones.
Su grafica es la abcisa de las graficas de las ecuaciones.
Si el sistema es inconsistente no existe solucion.
Cual de las siguientes afirmaciones es cierta para un sistema incompatible
de 2 por 2?

3.2. CLASIFICACION
3.0
2.5
2.0
1.5
1.0
4
0.5
1.0
No existe una solucion. La grafica del sistema esta sobre el eje y. la

grafica de la solucion es una linea recta. La grafica de la solucion es el
punto interseccion de dos rectas.
Cual de las siguientes ecuaciones forma un sistema consistente indeterminado con la ecuacion x+2y=-5?
y=
1
x
2
5
2
6x 3y = 15
6y = 3x + 15
3.2.2.
Ecuaciones lineales degeneradas
Definici
on 3.2.3. Una ecuacion lineal se dice degenerada si tiene la forma
0x1 + 0x2 + ... + 0xn = b
es decir, si cada coeficiente es igual a cero.
Ademas la solucion de tal ecuacion se halla como sigue:
Teorema 3.2.1. Consideremos una ecuacion degenerada
0x1 + 0x2 + ... + 0xn = b.
60
Si b6= 0, la ecuacion no tiene solucion.

Si b=0, todo vector u = (k1 , ..., kn ) es una solucion.
Por la primera incognita de una ecuacion lineal, entendemos la primera
con coeficiente no nulo. Su posicion p en la ecuacion es entonces el menor
valor entero de j para el cual aj 6= 0.
Teorema 3.2.2. Consideremos una ecuacion no degenerada a1 x1 + ... +
an xn = b con primera incognita xp Entonces:
Cualquier conjunto de valores de las incognitas xj con j6=p dara una
solucion particular de la ecuacion (las incognitas xj se llaman variables
libres).
Toda solucion de la ecuacion se obtiene en el paso anterior.
3.3.
3.3.1.
M
etodos de soluci
on de los sistemas de
Ecuaciones Lineales.
Sistemas equivalentes.
Definici
on 3.3.1. Se dice que dos sistemas de ecuaciones lineales con las
mismas incognitas son equivalentes si tienen el mismo conjunto solucion.
Una forma de producir un sistema que sea equivalente a uno dado, con
ecuaciones L1 , ..., Lm , es efectuar una sucesion de las siguientes operaciones
elementales:
Definici
on 3.3.2. Definimos 3 tipos de operaciones elementales para los
sistemas de ecuaciones lineales:
Intercambiar las ecuaciones i-esima y j-esima: Li Lj .(Operacion de
tipo I).
Multiplicar la ecuacion i-esima por un escalar no nulo k: kLi Li , k 6=
0. (Operacion de Tipo II).
Sustituir la ecuacion i-esima por ella misma mas k veces la j-esima:
(kLj + Li ) Li . (Operacion de Tipo III).
Estas operaciones elementales nos sirven para formar sistemas equivalentes pero mas faciles de resolver. En particular nos interesan 2 tipos de
sistemas.

3.3. METODOS
DE SOLUCION
3.3.2.
Forma Triangular y Escalonada
Definici
on 3.3.3. Un sistema de ecuaciones lineales esta en forma triangular
si el n
umero de ecuaciones es igual al n
umero de incognitas y si xk es la
primera incognita de la k-esima ecuacion. Por tanto, un sistema de ecuaciones
lineales triangular tiene la forma
a11 x1 + a12 x2 + + a1n xn = b1

a22 x2 + + a2n xn = b2
..
.
ann xn = bn
Ejemplo:
El siguiente sistema de ecuaciones lineales se encuentra en forma triangular:
2x 4y + 2z + 8w = 2
6y + 0z 4w = 3
2z w = 8
w = 0.
Definici
on 3.3.4. Un sistema de ecuaciones esta en forma escalonada si
ninguna ecuacion es degenerada y la primera incognita de cada ecuacion
esta a la derecha de la primera incognita de la ecuacion anterior:
a11 x1 + a12 x2 + ... + a1n xn = b1

a2j2 xj2 + ... + a2n xn = b2
..
.
arjr xr + ... + arn xn = bn
Nota 3.3.1. Un sistema triangular tambien esta en forma escalonada.
En caso de que un sistema este escrito en forma escalonada y tenga menos
ecuaciones que incognitas, entonces no puede tener una solucion u
nica.
62
10
5
0
-5
-10
-50
-10
-5
0
5
10
Por ejemplo si el sistema tiene 3 incognitas pero solo 2 ecuaciones, las graficas
se veran de la siguiente forma:
y como se puede observar, las soluciones estan dadas por la lnea que se
forma en la interseccion de los planos.
Teorema 3.3.2. Consideremos el sistema de r ecuaciones lineales con
n incognitas, en forma escalonada. Existen dos casos:
r=n. Hay tantas ecuaciones como incognitas. Entonces el sistema tiene
solucion u
nica.
r<n. Hay menos ecuaciones que incognitas. Entonces podemos asignar
arbitrariamente valores a las n-r variables libres y obtener una solucion
del sistema.
Definici
on 3.3.5. La matriz asociada a un sistema de ecuaciones lineales
es la matriz que se forma al acomodar los coeficientes de todas las variables
involucradas en las ecuaciones lineales, poniendo cero en aquella variables
que no aparezcan en una ecuacion.
De la misma manera formamos la matriz aumentada, usando la matriz de coeficientes y a
nadiendole una columna al final, la cual se toma de los terminos
independientes del sistema.
Ejemplo:

3.3. METODOS
DE SOLUCION
El sistema dado por:
c1 + c2 + c3 = 0
3c1 + 2c2 c3 = 0
9c1 + 4c2 + c3 = 1
tiene como matriz de coeficientes a la matriz:
1 1 1
3 2 1
9 4 1
y la matriz aumentada:
1 1 1 0
3 2 1 0
9 4 1 1
.
3.3.3.
Forma Escalonada Reducida.
Definici
on 3.3.6. Un sistema se encuentra en la forma escalonada reducida
por renglones si se cumplen las siguientes condiciones:
Todos las ecuaciones degeneradas aparecen en la parte inferior del sistema.
El primer n
umero diferente de cero en cualquier renglon no degenerado
es 1.
Si dos renglones sucesivos tienen elementos distintos de cero, entones el
primer 1 del renglon de abajo esta a la derecha del primer 1 del renglon
de arriba.
Cualquier columna que contiene el primer 1 en un renglon tiene 0 en el
resto de sus elementos.
64
3.4.
Algoritmo de reduccci
on de Gauss-Jordan.
Definici
on 3.4.1. A continuacion listamos los pasos del algoritmo de reduccion de Gauss par simplificar los sistemas de ecuaciones:
1. Realizar la operacion elemental tipo 1 hasta conseguir que el primer
renglon tenga como primer valor un n
umero diferente de 0.
2. Se divide el primer renglon entre una constante, para hacer el valor de
la primera columna igual a 1.
3. Se eliminan los valores de la primera columna de los demas renglones
usando las operaciones del tipo 3. Es decir los convertimos en cero.
4. Se usa la operacion del tipo 1 para conseguir que el segundo renglon
tenga como segunda columna a un valor diferente de cero.
5. Se repiten los pasos 2 y 3 con el (renglon 2)-(columna 2).
6. Se repiten los pasos anteriores hasta conseguir transformar la matriz a
la forma escalonada (o escalonada reducida seg
un se desee).
3.4.1.
Ejemplos
El sistema de ecuaciones es...
2x + 4y + 6z
8
4x + 5y + 6z = 10
3x + 7y + 6z
11
Empezamos el proceso de reduccion de Gauss con ayuda de la matriz aumentada del sistema:
Operacion tipo 2, en el renglon 1 multiplicado por el escalar 21
1 2 3
4
4 5 6 10
3 7 6
11
Operacion tipo 3, con el renglon 1 multiplicado por el escalar -4 sumado al
renglon 2
1
2
3
4
0 3 6 6
3
7
6
11
DE GAUSS-JORDAN.
3.4. ALGORITMO DE REDUCCCION
65

renglon 3
1
2
3
4
0 3 6 6
0
1 3
1
Operacion tipo 2, en el renglon multiplicado por el escalar 13
1 2
3
4
0 1
2 2
0 1 3
1
renglon 3
1 2
3
4
0 1
2 2
0 0 5
3
Operacion tipo 2, en el renglon 3 multiplicado por el escalar 15

1 2 3
4
0 1 2 2
3
0 0 1
5
Por u
ltimo observamos que el sistema ya se encuentra en forma escalonada
y este se puede resolver por medio del metodo de sustitucion hacia atras.
Ejercicio 7. Consideremos el siguiente sistema de ecuaciones S:
a1 x + a2 y + a3 z = b1
c1 x + c2 y + c3 z = b2
d1 x + d2 y + d3 z = b3
A este sistema le aplicamos la operacion elemental de tipo 3: (k EC1 + EC3 )
EC3 . Llamemos S 0 al sistema recien creado. Por otro lado, sabemos que una
solucion del sistema S esta dado por los valores x = t1 , y = t2 , z = t3 .
Explique por que estas soluciones tambien son solucion del sistema S 0 .
Ejercicio 8. Considere el siguiente sistema de ecuaciones lineales:
x+y+z =1
2x + 3y + 4z = 6
3x + 4y + Az = B
66

1. Determine todos los valores posibles para A y B de tal forma que el
sistema siempre tenga solucion u
nica.
sistema siempre tenga soluciones infinitas.
sistema siempre sea incompatible.
Parte III
Parcial 3
67
Captulo 4
Espacios Vectoriales
4.1.
Definici
on de Espacios Vectoriales
Para poder definir un espacio vectorial necesitamos 4 elementos principalmente:

1 Conjunto no vaco V
1 Conjunto de n
umeros (campo).
2 Operaciones (suma y multiplicacion por escalar).
Definici
on 4.1.1. Un conjunto no vaco V es llamado un espacio vectorial
sobre un campo F (generalmente F=R) cuando las operaciones de suma y
multiplicacion por escalar satisfacen las siguientes propiedades:
Cerradura para la suma y multiplicacion por escalar:
u, v V, u + v V
u V, c F, c u V
Asociativa para la suma:
u + (v + w) = (u + v) + w = u + v + w.
Conmutativa para la suma:
u + v = v + u.
69
CAPITULO 4. ESPACIOS VECTORIALES
70
Elemento neutro Aditivo.(neutro aditivo):

0 V tal que v + 0 = 0 + v = v.
Inverso aditivo:
Para toda v V v V tal que v + (v) = 0.
Asociativa para la multiplicacion por escalares:
(rs)u = r(su) = rsu.
Distributiva por la izquierda:
r(u + v) = ru + rv.
Distributiva por la derecha:
(r + s)u = ru + su.
Neutro multiplicativo
1v = v para toda v V.
Nota 4.1.1. Para reforzar y comprender mejor la definicion, recomendamos
realizar la practica 1 de este captulo.
Ejemplos de Espacios Vectoriales
V = R2 conK = R.
V = R3 con K=R.
V = Mnxm (R), conK = R.
V=R[x], con K=R, (V es el conjunto de los polinomios en la variable
x).
R3 [x] (polinomios de grado menor o igual a 3).
4.2. SUBESPACIOS VECTORIALES
4.1.1.
71
Propiedades de los Espacios Vectoriales
Teorema 4.1.2. Sea V un espacio vectorial sobre un cuerpo K. Entonces se

cumpen las siguientes propiedades:
El neutro aditivo es u
nico.
Para cada elemento del espacio vectorial, su inverso aditivo es u
nico.
0F v = 0v
0v = 0v .
Si ku=0, donde kK y uV, entonces k = 0F o u = 0V .
(-1)*v=-v.
Para todo kK y todo uV, (-k)u=k(-u)=-ku.
Ejercicio 9. Cuales son los inversos en los E. V.: Mnn , Rn y R[x]?
4.2.
Subespacios Vectoriales
Ejercicio 10. Consideremos el siguiente conjunto: (sea R)

L = {(x, y)|y = x}
Probar que este es un espacio vectorial.
Cuales son los elementos del conjunto?
Que elementos no pertenecen al conjunto?
Cual sera el 0V , 0F ?
Definici
on 4.2.1. Sea S un subconjunto no vaco de un espacio vectorial V
sobre F (simbolicamente SV). Si S es tambien un espacio vectorial sobre F
usando las mismas operaciones de suma y multiplicacion por escalar, entonces
decimos que S es un subespacio vectorial de V sobre F.
72
4.2.1.
Propiedades de los subespacios
Teorema 4.2.1. Sea V un espacio vectorial sobre F y SV un conjunto

no vaco, entonces S es un subespacio vectorial de V si y solo si cumple las
siguientes condiciones:
El conjunto S es cerrado bajo la suma: Cualquiera dos elementos de S sumados dan como resultado un elemento que tambien esta en
S.
El conjunto S es cerrado bajo la multiplicaci
on por escalares: Cualquier elemento de S multiplicado por cualquier escalar
da como resultado un elemento que tambien esta en S.
Teorema 4.2.2. Sea U un subespacio de un espacio vectorial V. Entonces
U contiene al vector cero de V (0V ).
Ejercicios
Compruebe
los siguientes
conjuntos son subespacios vectoriales.
que
a 0
a, b R M2x2 (R).
W =
0 b
W={(a,b,0)|a, b R} R3 .
W = {(a, a2 , b)} R3
W = {ax + 3ax2 } R[x]
4.3.
Combinaciones Lineales
Definici
on 4.3.1. Dado un espacio vectorial V y un conjunto U = {v1 , ..., vn }
de elementos de V, decimos que wV es una combinacion lineal de U si existen elementos escalares c1 , ..., cn tales que
w = c1 v1 + ... + cn vn .
Ejercicios
El problema principal al demostrar que algo es combinacion lineal de
otros consiste en encontrar los escalares que cumplen la igualdad anterior.
Pruebe que los vectores dados son combinacion lineal de los conjuntos dados:
4.4. EL CONJUNTO GENERADO
73
1. (5,4,2) c. l. de {(1, 2, 0), (3, 1, 4}, (1, 0, 3)}.

2 3
1 0
0 1
2.
c. l. de
,
0 2
0 1
0 0
3. 3x3 2x2 + 7x 2 c. l. de {x + 1, x 1, x2 , x3 }.
4.4.
El Conjunto Generado
DEFINICION
Dado un conjunto W = {v1 , v2 , ..., vn } de vectores de un espacio vectorial,
definimos el conjunto generado por W, representado Span(W ), como el conjunto formado por todas las combinaciones lineales que se pueden formar con
< v1 , v2 , ..., vn >
los vectores de W. (Tambien se representa por gen(W)
gen(W), o bien<
>)
TEOREMA
Dado un conjunto W = {v1 , v2 , ..., vn } de vectores de un espacio vectorial V,
entonces Span(W) es un subespacio vectorial de V .
DEFINICION
Dado un conjunto W = {v1 , v2 , ..., vn } de vectores de un espacio vectorial V,
decimos que W es un conjunto de generadores de V si Span(W ) = V.
Ejercicios
1. Como se veran los vectores del espacio generado por W en cada uno
de los casos siguientes?
{(1, 0), (1, 1)}.

1 1
0 0
,
.
0 0
1 1
{1, x + 1, x2 4x, x5 + 2x3 } .
2. Determine si los siguientes elementos son combinacion lineal del conjunto dado
2 7x + 8x2 de {1-x, 3 x2 }.
2 7x + 8x2 de {x2 + 1, x2 1, x + 6}.

2 7
2 1
0 0
3 1
0 0
de
,
,
,
9 4
0 0
2 1
0 0
3 1
74
3. Muestre que los espacios generados por los siguientes conjuntos son los
dados:
{x2 + 1, x2 1, x + 6} es R2 [x].

4.4.1.
2 1
0 0

0 0
3 1
0 0
,
,
,
es M22 (R).
2 1
0 0
3 1
Dependencia e Independencia Lineal.
Definici
on 4.4.1. Sea V un espacio vectorial sobre un campo K. Se dice
que los vectores v1 , ..., vm V son linealmente dependientes sobre K,
o simplemente dependientes, si existen escalares a1 , ..., am K, no todos 0,
tales que
a1 v1 + a2 v2 + ... + am vm = 0V
En caso contrario se dice que los vectores son linealmente independientes
sobre K, o simplemente independientes.
Teorema 4.4.1. Sea V un espacio vectorial y sean {v1 , v2 , ..., vn } V, entonces:
Si 0 es uno de los vectores v1 , ..., vm , los vectores deben ser linealmente
dependientes.
Cualquier vector no nulo v es por s solo linealmente independiente.
Si dos de los vectores son iguales, o si uno es un m
ultiplo escalar de
otro, los vectores son linealmente dependientes.
Si un conjunto S de vectores es linealmente independiente, necesariamente lo es cualquier subconjunto de S.
Ejercicios
1. Determine cual de los siguientes conjuntos es linealmente dependiente
o independiente:
u=(1,-1,0), v=(1,3,-1) y w=(5,3,-2)
u=x, v = x2 + x, w = x2 .
4.5. PRODUCTO INTERNO.
75

2 1
4 2
1 2
0 4
u=
, v=
, w=
, x=
.
0 1
0
2
1 0
1 3
2. Determine cual de los siguientes conjuntos es l. i.

0
s1 =
,
.
1

1
1
s2 =
,
.
1
1

1
0
1
s3 =
,
,
0
1
1
1
0
s4 = {x, x + 1, x2 , x2 x + 1}
Teorema 4.4.2. Para un conjunto no vaco de vectores S = {u1 , u2 , ..., un }
en un espacio V, las siguientes afirmaciones son verdaderas
Si S contiene un subconjunto l. d, entonces S por s mismo es l. d.
Si S es l. i. entonces cualquier subconjunto de S es l. i.
4.5.
Producto Interno.
Definici
on 4.5.1. Un producto interno en un espacio vectorial real (o complejo) V es una funcion que mapea cada par ordenado de vectores (x, y) a un
escalar real (o complejo) < x|y > tal que las siguientes cuatro propiedades
se cumplan:
1. < x|y > es real con < x|x > 0, y < x|x >= 0 si y solo si x = 0.
2. < x|y >= < x|y >.
3. < x|y + z >=< x|y > + < x|z >.
4. < x|y >=< y|x > para espacios reales.
76
4.5.1.
Normas
Definici
on 4.5.2. Si V es un espacio vectorial con producto interno <x|y>,
entonces
p
kvk = < v|v >
define una norma en V.
Teorema 4.5.1.
Si V es un espacio vectorial con producto interno, y si

p
definimos = < | > , entonces
k < x|y > k kxk kyk.
la igualdad se cumple si y solo si y=x con =
<x|y>
.
kxk2
Preguntas
Calcule los productos de los vectores dados en cada espacio vectorial, con
la formula dada
interno.
para elproducto

2 0
3 7
1.- M22 (R),
,
con < A, B >= tr (At B) .
3 4
2 1
P
2.- R3 , (1, 3, 8), (2, 4, 9)con < A, B ai bi .
4.6.
Base Ortonormal y proceso de Ortonormalizaci

on de Grahm-Schmidt
Definici
on 4.6.1 (Base Ortogonal). Sea V un espacio vectorial con producto
interno y sea w = {v1 , v2 , ..., , vn } una base de V , entonces decimos que w es
una base ortogonal si se cumple que
< vi , vj >= 0
para cada pareja diferente de elementos de w.
Definici
on 4.6.2 (Bases Ortonormal). Sea V un espacio vectorial con producto interno y sea w = {v1 , v2 , . . . , vn } un base de V , entonces decimos que
w es una base ortonormal si se cumple que
1. < vi , vj >= 0 para cada pareja diferente de elementos de w.
2. kvj k = 1 para cada vector de la base.
DE GRAHM-SCHMIDT77
4.6. BASE ORTONORMAL Y PROCESO DE ORTONORMALIZACION
4.6.1.
Algoritmo de Grahm-Schmidt
Definici
on 4.6.3. Sea {v1 , v2 , ..., vm } una base de un espacio vectorial V
Paso 1: Elecci
on de primer vector unitario
v1
u1 =
.
|v1 |
Paso 2: Elecci
on del segundo vector ortogonal a u1 .
v20 = v2 (v2 u1 ) u1
Paso 3: Elecci
on del segundo vector unitario
u2 =
v20
.
|v20 |
0
Paso 4: Continuaci
on del proceso para calcular el vector Vk+1
0
vk+1
= vk+1 (vk+1 u1 ) u1 (vk+1 u2 ) u2 ... (vk+1 uk ) uk
Paso 5: Normalizaci
on
v0
.
uk+1 = k+1
0

vk+1
Ejemplos
Vamos a aplicar el proceso de Grahm-Schmidt en el espacio vectorial
V = R3 con la base S = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} :
Paso 1:
u1 = || vv11k =
(1,1,1)
k(1,1,1)k
(1,1,1)
1 , 1 , 1
3
3
3
Paso 2:
v20 = v2 (v2 u1 ) u1
h

i

1 , 1 , 1
= (0, 1, 1) (0, 1, 1) 13 , 13 , 13
3
3
3

1 , 1 , 1
= (0, 1, 1) 0 + 13 + 13
3
3
3
2 2 2
, ,
3 3 3
= (0, 1, 1)
=
2 1 1
, ,
3 3 3
78
Paso 03:
v
u2 = v20
| 2|
2 1 1
( 3 ,3,3)
= 2
k( 3 , 13 , 13 )k
,1,1
( 2
3 3 3)
=
6/9
,1,1
( 2
3 3 3)
2/3
q

= 23 , 16 , 16
Paso 4
v30 = v3 (v3 u1 ) u1 (v3 u2 ) u2
h

i
h
q
i q
2 1 1
1 , 1 , 1 (0, 0, 1)
= (0, 0, 1) (0, 0, 1) 13 , 13 , 13
,
,
23 , 16
3
3
3
3
6
6
q

2 1 1
1 , 1 , 1
1
= (0, 0, 1) 13
,
,
3
3
3
3
6
6
6
= (0, 0, 1)
= 0, 12 , 12
1 1 1
, ,
3 3 3
13 , 16 , 16
Paso 05:
v
u3 = v30
| 3|
(0, 1 , 1 )
= 0, 21 , 21
k( 2 2 )k
(0, 1 , 1 )
= 21 2
2

1 1
= 0, 2 , 2
la base ortonormal
obtenida
n Concluimos
que
q

o es:
1
1
1
2
1
1
1
1
, ,
, 3 , 6 , 6 , 0, 2 , 2
3
3
3

4.7. PRACTICAS
4.6.2.
79
Ejercicios
3
1.- Encuentre una base ortonormal
para el conjunto
de vectores en R
x
que esta sobre el plano = y : 2x y + 3z = 0 .
z
3
2.- Construya
una
base
ortonormal
para R comenzando con la base
0
1
1
{v1 , v2 , v3 } = 1 , 1 , 0 .
0
1
1
3.- Construya una base ortonormal para el conjunto de vectores formado
por las soluciones del sistema
x 3y + z = 0
2x + 2y 3z = 0
4x 8y + 5z = 0
4.7.
Pr
acticas
4.7.1.
Pr
actica 1
Complete la siguiente tabla con la informacion que se solicita en cada

espacio vectorial
R2
Mmn (R)
Como se llaman?
Suma
Mult por Esc.
R[x]
Polinomios
0 0
.. . .
.
.
0 0
Neutro Aditivo (0V )

Inversos Aditivos
Conmutativa
Distrib. por la izq.
Como se ven ?
(a, b) = (a, b)
p 0 + p 1 x + p 2 x2 + + p n xn
80
Captulo 5
Transformaciones Lineales
5.1.
Definicion
Definici
on 5.1.1. Sean U y V espacios vectoriales sobre un campo F.
Una transformacion lineal de U sobre V esta definida como una funcion
lineal T que mapea a U sobre V. Es decir,
T (x + y) = T (x) + T (y)
y
T (x) = T (x)
o bien equivalentemente
T (x + y) = T (x) + T (y)
Un operador lineal sobre U es una transformacion lineal de U en s mismo.
Ejemplos Las siguientes transformaciones son lineales:
Proyeccion:
L : R3 R3
definida como L(x, y, z) = (x, y, 0)
Dilatacion:
L : R3 R3
definida como L(u) = ru, r > 1.
81
CAPITULO 5. TRANSFORMACIONES LINEALES
82
Contraccion:
L : R3 R3
definida como L(u) = ru, 0 < r < 1.
Reflexion:
L : R2 R2
definida como L(x, y) = (x, y)
Rotacion:
L : R2 R2
definida como

L(u) =
Cos Sen
Sen Cos
Ejercicios
1.- Encuentre las formulas de las transformaciones lineales que transforman el vector dado en el vector se
nalado:
(2, 4, 3) (6, 12, 9)
(2, 0, 3) (1, 0, 1,5)
(1, 1) (1, 1)
(2, 1, 4) (0, 1, 4)
(1, 1) (2, 2)
2.- Representemos por Rn [x] al espacio vectorial de todos los polinomios
de grado n. Sea L : R1 [x] R2 [x], definida como
L[p(t)] = tp(t) + t2
L es una transformacion lineal?
5.1. DEFINICION
5.1.1.
83
Propiedades de las transformaciones Lineales
Definici
on 5.1.2. Una transformacion lineal L : V W es uno a uno (o
inyectiva) si para todo v1 , v2 en V, v1 6= v2 implica que L(v1 ) 6= L(v2 ).
Definici
on 5.1.3. Una transformacion Lineal L : V W es suprayectiva
(o sobre) si todo w W es la imagen de, al menos, un v V
Definici
on 5.1.4. Una transformacion que es inyectiva y suprayectiva se dice
que es una biyeccion (o biyectiva). Estas funciones siempre son invertibles.
Definici
on 5.1.5. Dos espacios vectoriales U y V sobre un campo K, son
isomorfos si existe una aplicacion lineal biyectiva F : V U. La aplicacion
F se denomina entonces isomorfismo entre V y U.
Ejercicio
1.- Sea L : Mmn Mnm , definida como
L(A) = AT
Es L una transformacion lineal?
Es 1-1?
Es sobre?
Es isomorfismo?
Proposici
on 5.1.1. Sea T : V W una transformacion lineal inyectiva y
sea {v1 , ..., vn } un conjunto de vectores l. i. de V, entonces {T (v1 ), ..., T (vn )}
es un conjunto de vectores l. i. en W.
Ejemplo 1
Consideremos la transformacion lineal T : R2 R2 dada por T (v) = Av T
donde

3 5
A=
2 4
y los vectores linealmente independientes {(1, 0), (0, 1)}. Entonces el conjunto
resultante de aplicar la transformacion es un conjunto l. i.
Ejemplo 2
Consideremos la transformacion Proyeccion:
L : R3 R2
84
definida como L(x, y, z) = (x, y)

Entonces el conjunto de vectores {L(3, 1, 1), L(2, 4, 2), L(1, 1, 3)} es un
conjunto de vectores l. i.?
Teorema 5.1.2. Si L : V W es una transformacion lineal, entonces
L(c1 v1 + c2 v2 + ... + ck vk ) = c1 L(v1 ) + c2 L(v2 ) + ... + ck L(vk )
Teorema 5.1.3. Sea L : V W una transformacion lineal. Entonces:
L(0V ) = 0W .
L(u v) = L(u) L(v).
Corolario 5.1.4. Sea T : V W una funcion. Si T (0V ) 6= 0W , entonces T
no es una transformacion lineal.
Teorema 5.1.5. Sea L : V W una transformacion lineal de un espacio
vectorial V de dimension n en un espacio vectorial W. Ademas, sea S =
{v1 , ..., vn } una base de V.
Si u es cualquier vector en V, entonces L(u) queda completamente determinada por {L(v1 ), ..., L(vn )}.
Ejemplos Sea L : Q1 Q2 una transformacion lineal para la cual
sabemos que
L(t + 1) = t2 1;
L(t 1) = t2 + t
A que es igual L(7t + 3)?

A que es igual L(at + b)?
5.2.
El Kernel y la Imagen
Definici
on 5.2.1. Sea L : V W una transformacion lineal. El n
ucleo (o
kernel) de L, o n
ucleo(L) es el subconjunto de V que consta de todos los
vectores v tales que L(v) = 0. Es decir
ker(L) = {v V | L(v) = 0}
5.2. EL KERNEL Y LA IMAGEN
85
Definici
on 5.2.2. Si L : V W es una transformacion lineal, definimos la
imagen de V bajo L como el conjunto de vectores w W tales que existe un
v V que cumple que L(v) = w. Es decir
Im(L) = {w W | L(v) = w para alg
un v V }
Este conjunto se representa por Im(L).
Ejercicios
1.- Sea L : R2 R2 definida como
L(x, y) = (x + y, x y).
El L uno a uno?
Cual es el kernel de L?
2.- Sea L : R3 R2 dada por
L(x, y, z) = (x, y)
Es L uno a uno?
Cual es el kernel de L?
Cual es la imagen de L?
Teorema 5.2.1. Sea T : U W una transformacion lineal, entonces el
Kernel de T (Ker(T )) y la imagen de T (Im(T )) forman subespacios vectoriales de U y W respectivamente
Teorema 5.2.2. Sea T : U W una transformacion lineal, entonces el
Kernel de T (Ker(T )) y la imagen de T (Im(T )) forman subespacios vectoriales de U y W respectivamente
Teorema 5.2.3. Supongamos que v1 , v2 , ..., vn generan un espacio vectorial
V y que F : V U es lineal. Entonces F (v1 ), F (v2 ), ..., F (vn ) generan a
Im(F ).
Ejercicio
1.- Sea L : R3 R3 definida como

a1
1 0 1
a1
L a2 = 1 1 2 a2
a3
2 1 3
a3
86
L es sobre?
L es uno a uno?
Determine el kernel de L? una base del kernel.
Determine una base para Im(L)?
Determine una base para la imagen de la transformacion.
Teorema 5.2.4. Sea V de dimension finita y sea F : V W una aplicacion
lineal. Entonces
dim(V ) = dim(Ker(F )) + dim(Im(F )).
Nota 5.2.5. Sea F : V U una transformacion lineal. Se define el Rango
de F como la dimension de su imagen y la nulidad de F como la dimension
de su n
ucleo.
Definici
on 5.2.3. Definimos el rango de una matriz cuadrada A como el
n
umero de pivotes que posee en la forma escalonada, y la nulidad de la
matriz como n rango, donde n es la dimension de la matriz
Ejemplo Sea T : R4 R3 la transformacion definida por
T (x, y, s, t) = (x y + s + t, x + 2s t, x + y + 3s 3t)
Encontremos una base y la dimension de la imagen de T :
T (1, 0, 0, 0) = (1, 1, 1)
T (0, 0, 1, 0) = (1, 2, 3)
T (0, 1, 0, 0) = (1, 0, 1) T (0, 0, 0, 1) = (1, 1, 3)
Necesitamos encontrar vectores l. i. que generen al espacio vectorial dado
por estos vectores
Para conseguir este proposito, construimos la matriz cuyas filas son estos
vectores imagen y la reducimos a su forma escalonada reducida:
1 1 1
1
1
1
1 0
1
0 1 2
1
0 0 0
2
3
0 0 0
1 1 3
De este modo (1, 1, 1), (0, 1, 2) constituyen una base de Im(T ), luego
dim(Im(T )) = 2, o en otras palabras, rango(t) = 2.
5.3. EJERCICIOS
87
Nota 5.2.6.
Tarea 1: Completar el proceso anterior para llevar la matriz
original a la forma escalonada.
Tarea 2: Encontrar una base y la dimension de Ker(T ).
5.3.
Ejercicios
ejercicios
1. Escoja dos matrices cuadradas A1 y A2 de dimension 3. Tales que A1
sea no singular y A2 sea singular.
2. Defina dos transformaciones T1 y T2 ambas de R3 R3 , dadas por
Ti (v) = Ai v T .
3. Determine si las transformaciones son inyectivas y suprayectivas (para
cada caso.)
4. Determine bases para Ker(Ti ) e Im(Ti ) para i = 1, 2. Cuales son las
dimensiones?
5.4.
Matrices y Transformaciones Lineales
Supongamos que {v1 , ..., vn } es una base de un espacio vectolrial V sobre

un cuerpo K, y para v V supongamos que
v = a1 v1 + ... + an vn
Entonces el vector vector coordenado de v relativo a la base S, se denota y
define como

a1
..
[v]s = . = [a1 , ..., an ]T
an
Sea T uhn operador lineal en un espacio vectorial V sobre un cuerpo K y
supongamos que S = {u1 , ..., un } es una base de V. Ahora T (u1 ), ..., T (un )
88
son vectores en V por lo tanto cada uno de ellos es combinacion lineal de los
vectores de la base S, digamos
T (u1 ) = a11 u1 + ... + a1n un
..
.
T (un ) = an1 u1 + ... + ann un
Definici
on 5.4.1. La transpuesta de la matriz de los coeficientes anterior,
denotada por ms (T ) o [T ]s , se denomina la representacion matricial de T
relativa a la base S, es decir
a11 a12 ... a1n

a21 a22 ... a2n
[T ]s = ..
. . . ..
.
.
an1 an2 ... ann
Ejemplos
Sea V el espacio vectorial de los polinomios en t sobre R de grado 3
y D : V V el operador de derivacion. Calculemos la matriz de D en
la base {1, t, t2 , t3 }.
Consideremos el operador lineal F : R2 R2 definido por F (x, y) =
(4x 2y, 2x + y) y las bases de R2 :
S = {u1 = (1, 1), u2 = (1, 0)},
E = {e1 = (1, 0), e2 = (0, 1)}
Calculemos la representacion matricial de F.

Teorema 5.4.1. Sean S = {u1 , ..., un } una base de V y T un operador lineal
en V. Entonces, para todo vector v V,
[T ]s [v]s = [T (v)]s .
Esto es, si multiplicamos el vector coordenado de v por la representacion
matricial de T, conseguimos el vector coordenado de T (v).
Teorema 5.4.2. Sean S = {u1 , ..., un } una base de un espacio vectorial V
sobre K y M el algebra de Matrices n-cuadradas sobre K. En tal caso, la
aplicacion m : A(V ) M definida por m(T ) = [T ]s es un isomorfismo entre
espacios vectoriales. Es decir, para todo par de operaciones F, G A(V ) y
todo k K tenemos:
5.5. CAMBIO DE BASE
89
m(F + G) = m(F ) + m(G) o sea [F + G]s = [F ]s + [G]s

m(kF ) = km(F ), o sea [kF ] = k[F ]
m es inyectiva y suprayectiva.
5.5.
Cambio de Base
Definici
on 5.5.1. Sean S = {u1 , ..., un } una base de V y S 0 = {v1 , ..., vn }
otra base. Supongamos que para i = 1, 2, ..., n
vi = ai1 u1 + ai2 u2 + ... + ain un
La transpuesta P de la matriz de coeficientes precedente se llama matriz de
cambio de base (o matriz de transicion) desde la antigua base S hasta la
nueva base S 0 .

Apuntes Algebra Lineal Completo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes Algebra Lineal Completo

Cargado por

Copyright:

Formatos disponibles

INSTITUTO TECNOLOGICO

3. Sistemas de Ecuaciones Lineales

la operacion inversa a la multiplicacion: la division. Sin embargo esta nueva

Definiciones y Propiedades Fundamentales.

1.2. DEFINICIONES Y PROPIEDADES FUNDAMENTALES.

Como se vera mas adelante, existen diferentes formas de representar a los

1.2. DEFINICIONES Y PROPIEDADES FUNDAMENTALES.

La condicion (a, b) 6= 0 asegura que a2 + b2 6= 0 con lo cual el recpro1

Claramente podemos ver cierta relacion entre las potencias de i.

Figura 1.1: Representacion geometrica

Figura 1.2: Interpretacion geometrica de la suma y resta.

es llamado el argumento de x + iy. Y

k(1, 3)k = 12 + ( 3)2 = 2

Arg(1, 3) = 180 + ArcT an

3. (2, 2) Para calcular el modulo simplemente sustituimos en la formula:

k(2, 2)k = (2)2 + (2)2 = 8 = 2 2

Arg(2, 2) = 180 + ArcT an

4. (2, 2) Para calcular el modulo simplemente sustituimos en la formula:

k(2, 2)k = (2)2 + 22 = 8 = 2 2

Arg(2, 2) = 360 + ArcT an

= 360 + (45 ) = 315

Como el valor absoluto de un n

1.5. EXPONENCIALES COMPLEJOS Y TEOREMA DE DEMOIVRE 19

Exponenciales complejos y teorema de

Deseamos extender la definicion de ex de tal forma que la expresion tenga

Teorema 1.5.4. Cada complejo z 6= 0 puede ser expresado en la forma

Llamamos polinomios a las expresiones

Los polinomios como funciones

Al polinomio a0 + a1 x + .. + an xn le corresponde la funcion que a cada

1. Si sabemos que el termino independiente de un polinomio f (x) es 3,

Suma y Producto de polinomios

1. Encuentre un polinomio de grado dos f (x) tal que f (0) = 1, f (2) =

Se dice que a es raz de f (x) si f (a) = 0. A las races de f (x) tambien se

Vamos a estudiar el producto de n

9. Como quedara la representacion polar del caso general z1n ? Escriba

1. Vamos a calcular las races sextas del n

1. Exprese los siguientes n

2. Calcule los valores absolutos de los siguiente n

3. En cada caso determine los valores de x y y que satisfacen la relacion

4. Exprese cada uno de los siguientes n

6. Realice las siguientes operaciones con n

7. Calcule las siguientes potencias de i :

15. Para que parejas de n

Nota 2.1.1. Dada una matriz de la

a12 ... a1m

es usualmente llamada matriz de orden n m.

Entonces, por la definicion anterior

en este caso decimos que t es un escalar

Propiedades de las operaciones

Propiedades de la suma y multiplicaci

Teorema 2.4.1. Sean A, B y C matrices de dimension nm y sean s, t F,

2.4. PROPIEDADES DE LAS OPERACIONES

2. (Conmutativa para la suma)

Teorema 2.4.2. Para la multiplicacion de matrices tenemos las siguientes

Ejemplo MATRIZ PERIODICA

La matriz transpuesta se puede obtener intercambiando las filas por las

1. cuales son las dimensiones de A y B?

7. Si sabemos que X M2x2 (R) y que AX = A, quien es X?

Operaciones Elementales Rengl

Vamos a definir unas funciones f : Mnn Mnn usando los renglones

2.- Reemplazar el renglon i por un m

(kRj +Ri )Ri

1. Todos los elementos pivotes son iguales a 1.

sin renglones cero: