Manual de Álgebra

MANUAL DE ÁLGEBRA
PARA INGENIERÍA
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA
FACULTAD DE INGENIERÍA QUÍMICA
JOSÉ LUCIO PALACIOS ARIAS
ENERO 2022
Índice general
1. Números complejos 1
1.1. Definición de números complejos . . . . . . . 2
1.2. Campo de los números complejos . . . . . . . 9
1.3. Aritmética en los complejos . . . . . . . . . . 13
1.4. Exponenciación en los complejos . . . . . . . 16
1.5. Conjugación compleja . . . . . . . . . . . . . 21
1.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . 25
1.7. Módulo de un complejo . . . . . . . . . . . . 25
1.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . 31
1.9. Forma polar de un complejo . . . . . . . . . . 31
1.10. Función exponencial . . . . . . . . . . . . . . 35
1.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . 54
I
II ÍNDICE GENERAL
1.12. Funciones trigonométricas complejas . . . . . 54
1.13. Función logaritmo . . . . . . . . . . . . . . . . 60
1.14. Raíces complejas . . . . . . . . . . . . . . . . 63
1.15. Ejercicios . . . . . . . . . . . . . . . . . . . . . 73
1.16. Ecuaciones algebraicas . . . . . . . . . . . . . 73
1.17. Ecuaciones de primer grado . . . . . . . . . . 74
1.18. Ecuaciones de segundo grado . . . . . . . . . 77
1.19. Regla de Descartes . . . . . . . . . . . . . . . 98
1.20. Algoritmo de la división . . . . . . . . . . . . 102
1.20.1. Regla de Ruffini . . . . . . . . . . . . . 106
1.20.2. Procedimiento para obtener raices de

una ecuación algebraica . . . . . . . . 114
1.21. Ejercicios . . . . . . . . . . . . . . . . . . . . . 134
1.22. Aplicaciones . . . . . . . . . . . . . . . . . . . 134
2. Teoría elemental de matrices 137
2.1. Matrices especiales . . . . . . . . . . . . . . . 147
2.2. Multiplicación de matrices . . . . . . . . . . . 150
2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . 169

ÍNDICE GENERAL III
2.4. Inversa multiplicativa de una matriz . . . . . 170
2.5. Algoritmo de Gauss . . . . . . . . . . . . . . . 181
2.6. Inversa con pivoteo . . . . . . . . . . . . . . . 186
2.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . 197
3. Sistemas de ecuaciones lineales 199
3.1. Método de la inversa . . . . . . . . . . . . . . 203
3.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . 208
3.3. Rango de una matriz . . . . . . . . . . . . . . 209
3.4. Descomposición Gaussiana y Gauss-Jordan . 220
3.4.1. Descomposición Gaussiana . . . . . . 225
3.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . 234
3.5.1. Método de Gauss-Jordan . . . . . . . 235
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . 246
3.7. Aplicaciones . . . . . . . . . . . . . . . . . . . 246
3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . 251
4. Determinantes 253
4.1. TAREA I . . . . . . . . . . . . . . . . . . . . . 267

IV ÍNDICE GENERAL
4.2. Propiedades de los determinantes . . . . . . 267
4.3. Método de Gauss para determinantes . . . . 284
4.4. Matriz adjunta . . . . . . . . . . . . . . . . . . 287
4.5. TAREA II . . . . . . . . . . . . . . . . . . . . . 290
4.6. Teorema de Cramer . . . . . . . . . . . . . . . 291
4.7. TAREA III . . . . . . . . . . . . . . . . . . . . 296
4.8. MISCELANEA DE EJERCICIOS . . . . . . . 296
4.9. Bibliografía . . . . . . . . . . . . . . . . . . . . 297

Capítulo 1
Números complejos
En este capítulo describimos lo elemental de la teoría

de los números complejos.
Los números complejos fueron propuestos inicialmen-

te en 1545, por el matemático italiano Girolamo Cardaco,
en un tratado monumental acerca de la solución de la ecua-
ción cúbica y cuártica titulado Ars Magna. Para apreciar la
dimensión de esta propuesta debe tenerse en cuenta que el
concepto de números negativos apenas había tenido acep-
tación, y que aun había controversia en relación con sus
propiedades. Las cantidades “ficticias” de Cardano fueron
ignoradas por la mayoría de sus colegas, hasta que el ge-
nio matemático Carl Friedich Gauss les dio el nombre ac-
tual y las utilizó para demostrar el Teorema Fundamental
del Algebra, el cual establece que todo polinomio que no
sea constante tiene al menos un cero. En este capítulo se
explorarán las propiedades de los números complejos y sus
1
2 CAPÍTULO 1. NÚMEROS COMPLEJOS
operaciones elementales, Además de algunas funciones con

valores complejos, que en la teoría de funciones de una va-
riable compleja extiende los conceptos del cálculo al plano
complejo y por consiguiente la derivación y la integración
complejas adquieren una nueva profundidad y elegancia, y
por lo tanto la naturaleza bidimensional del plano complejo
produce muchos resultados útiles en Matemáticas Aplica-
das en la Ingeniería. En particular a la Ingeniería de Circui-
tos Eléctricos Transitorios y Análisis de Señales, simplifi-
cando notoriamente los cálculos que llevan a la interpreta-
ción de su comportamiento.
1.1. Definición de números complejos
En esta sección describimos la definición de los núme-

ros complejos, así como tambien definimos las operaciones
suma y producto en los complejos. Demostraremos que los
números complejos cumplen las propiedades de un campo.
Los grandes matemáticos de la antigüedad descubrie-

ron que el sistema de los números reales estaba de cierta
manera incompleto, esto a consecuencia de tratar de obte-
ner la solución de ciertas ecuaciones cuadráticas tales como
t2 + 1 = 0. Estas ecuaciones no tenian solución alguna en
los números reales.
Nuestro propósito es definir un conjunto de números

complejos C que satisfaga las propiedades siguientes:
1. Que el conjunto de números complejos C contenga a

1.1. DEFINICIÓN DE NÚMEROS COMPLEJOS 3
los números reales <, es decir, < ⊂ C
2. Que las operaciones de suma y producto definidas en

C coincidan con la suma y producto en <
3. Que las ecuaciones tales como t2 + 1 = 0, entre otras,

tengan solución en C .
Definición 1.1 1. El conjunto de los números complejos es
C = {( x, y) : x, y ∈ <}
Es decir, los números complejos son pares ordenados z =

( x, y) en el plano cartesiano. La parte real del complejo z =
( x, y) es
Re(z) = x
y la parte imaginaria de z = ( x, y) es
Im(z) = y
La notación z = ( x, y) del complejo se llama forma carte-

siana o binómica.
2. Suma: La suma de dos complejos
z1 = ( x1 , y1 ), z2 = ( x2 , y2 )
se define como:
z1 + z2 = ( x1 + x2 , y1 + y2 )
es decir, es la pareja que se obtiene al sumar parte real con

parte real, y parte imaginaria con parte imaginaria.
3. Producto: El producto de dos complejos
z1 = ( x1 , y1 ), z2 = ( x2 , y2 )
se define como:
z1 z2 = ( x1 x2 − y1 y2 , x1 y2 + y1 x2 )
Figura 1.1: Números complejos

Ejemplo 1.1 Dibujar el complejo Z = (1, 3). Para ello hacemos

uso del Matlab, resultando
PLANO COMPLEJO
3 Z
2.5
1.5
Y
0.5
0
0 0.2 0.4 0.6 0.8 1
X
Figura 1.2: Complejo Z = (1, 3)

Ejemplo 1.2 1. (2, 3) + (4, 5) = (2 + 4, 3 + 5) = (6, 8)
2.
(2, 3)(4, 5) = (2(4) − 3(5), 2(5) + 3(4))
= (8 − 15, 10 + 12) = (−7, 22)
3. Si denotamos los puntos ( x, 0) del eje horizontal del plano

cartesiano como ( x, 0) = x, entonces, en este sentido
<⊂C
Por otro lado como
( x1 , 0) + ( x2 , 0) = ( x1 + x2 , 0) = x1 + x2
entonces, es en este sentido que la suma en los complejos

coincide con la suma en los reales.
4. Como
( x1 , 0)( x2 , 0) = ( x1 x2 − 0(0), x1 0 + 0x2 ) = ( x1 x2 , 0)
= x1 x2
entonces el producto en los complejos coincide con el pro-
ducto en los reales
5. Como el producto
(0, 1)(0, 1) = (0(0) − 1(1), 0(1) + 1(0)) = (−1, 0) = −1
entonces el complejo (0, 1) satisface que
(0, 1)2 = (0, 1)(0, 1) = −1

Por ello, si denotamos a este complejo como i = (0, 1), te-

nemos
i 2 = −1
que es otra condición buscada en los números complejos, es
decir, i satisfara la ecuación
t2 + 1 = 0
6. yi = (y, 0)(0, 1) = (y0 − 0(1), y(1) + 0(0)) = (0, y)
7. como
( x, 0) = x, yi = (0, y), (0, 1) = i
entonces
x + yi = ( x, 0) + (0, y) = ( x, y)
es decir
x + yi = ( x, y).
Por tanto conviene denotar al complejo z = ( x, y) como
z = x + yi, donde i2 = −1
En vitud del ejemplo precedente tenemos la siguiente

definición alternativa de números complejos, que aparece
con mayor frecuencia en los textos, y que en cierta forma es
más práctica.
Definición 1.2 1. El conjunto de los números complejos es
C = { x + yi : x, y ∈ <, i 2 = −1}
2. Suma: Si z1 = x1 + y1 i, z2 = x2 + y2 i son dos complejos

z1 + z2 = ( x1 + x2 ) + (y1 + y2 )i.
Es decir, la suma con esta segunda definición coincide con
la suma definida con la primera definición:
z1 + z2 = ( x1 + x2 ) + ( y1 + y2 ) i
= ( x1 + x2 , y1 + y2 )
3. Producto: Si z1 = x1 + y1 i, z2 = x2 + y2 i son dos com-
plejos
z1 z2 = ( x1 + y1 i )( x2 + y2 i )
= x1 x2 + x1 y2 i + y1 x2 i + y1 y2 i 2
= x1 x2 + x1 y2 i + y1 x2 i − y1 y2
= ( x1 x2 − y1 y2 ) + ( x1 y2 + y1 x2 )i.
Es decir, el producto con esta segunda definición coincide
con el producto definido con la primera definición:
z1 z2 = ( x1 x2 − y1 y2 ) + ( x1 y2 + y1 x2 ) i
= ( x1 x2 − y1 y2 , x1 y2 + y1 x2 )
Ejemplo 1.3 1. Si Z1 = 2 + 3i, Z2 = 6 − 8i, entonces

Z1 + Z2 = (2 + 6) + (3 − 8)i = 8 − 5i
2. Si Z1 = 2 + 3i, Z2 = 6 − 8i, entonces

Z1 Z2 = (2 + 3i )(6 − 8i ) = 12 − 16i + 18i + (3i )(−8i )
= 12 + 2i − 24i2
= 12 + 2i − 24(−1) = 12 + 2i + 24 = 36 + 2i
1.2. CAMPO DE LOS NÚMEROS COMPLEJOS 9
1.2. Campo de los números complejos
En esta sección describimos que el conjunto de los nú-

meros complejos cumplen las propiedades de campo, por
ello reciben el nombre del campo de los números comple-
jos.
Los números racionales Q y los números reales < cum-

plen las propidades de campo, y por la construcción que se
ha hecho se tiene la siguiente jerarquía:
Q ⊂ < ⊂ C.
Propiedades de campo de los complejos en la suma
Proposición 1.1 Los números complejos satisfacen las siguien-

tes propiedades de campo en la suma:
1. Cerradura en la suma: La suma de dos complejos es un

complejo
2. Conmutativa en la suma: a + b = b + a
3. Asociativa en la suma: Si a, b, c son complejos, entonces
( a + b) + c = a + (b + c)
4. Elemento neutro aditivo o identidad en la suma: El

cero, 0 = 0 + 0i es el neutro aditivo, en el sentido que
0+z = z
para todo z complejo.
5. Inverso aditivo: Si z = x + yi es un complejo, el inverso

aditivo de z es por definición −z = − x − yi, y se satisface
z + (−z) = 0
La demostración de estas propiedades se deducen a

partir de que las componentes de un complejo son reales,
y que < satisface estas propiedades de campo.
Ejemplo 1.4 El inverso aditivo de z = 2 − 3i es −z = −2 + 3i,

el inverso aditivo de z = 4 − 8i es −z = −4 + 8i.
Definición 1.3 Dos complejos son iguales si y sólo si sus partes

reales son iguales, y sus partes imaginarias son iguales.
Por ejemplo si z = x + yi 6= 0 entonces x 6= 0 o y 6= 0
Propiedades de campo de los complejos en el producto
Proposición 1.2 Los números complejos satisfacen las siguien-

tes propiedades de campo en el producto:
1. Cerradura en el producto: El producto de dos complejos

es un complejo
2. Conmutativa en el producto: ab = ba
3. Asociativa en el producto: Si a, b, c son complejos, en-
tonces
( ab)c = a(bc)
1.2. CAMPO DE LOS NÚMEROS COMPLEJOS 11
4. Elemento neutro multiplicativo o identidad en el pro-

ducto: El uno, 1 = 1 + 0i es el neutro multiplicativo, en el
sentido que
1z = z
La demostración de estas propiedades se deducen a

partir de que las componentes de un complejo son reales,
y que < satisface estas propiedades de campo.
Definición 1.4 (Inverso multiplicativo) Si z = a + bi es un

complejo distinto de cero, entonces el inverso multiplicativo de
z, es el complejo denotado por
1
= z −1
z
que satisface la ecuación
zz−1 = 1
Proposición 1.3 Si z = a + bi es un complejo distinto de cero,

entonces el inverso multiplicativo de z, es el complejo
1 a b
= z −1 = 2 2
− 2 i
z a +b a + b2
Demostración. Sea z−1 = x + yi el inverso multiplicati-

vo de z = a + bi, entonces de acuerdo a la definición prece-
dente, tenemos
zz−1 = 1
equivalente a
( a + bi )( x + yi ) = 1 + 0i
si y solo si
( ax − by) + (bx + ay)i = 1 + 0i
si y solo si (
ax − by = 1
.
bx + ay = 0
Y como z = a + bi es un complejo distinto de cero, entonces
a, b no son ambos cero, por tanto se debe implicar que a2 +
b2 6= 0. Luego el sistema lineal anterior tiene solución única:
(
x = a2 +a b2
y = − a2 +b b2
es decir,
a b
z −1 = − i
a2 + b2 a2 + b2
que es lo que se quería demostrar.
La última propiedad de campo en C es la propiedad

distributiva. Esta propiedad relaciona la suma y el produc-
to
Proposición 1.4 Si a, b, c, a1 , a2 , . . . , an son complejos, entonces
1. a(b + c) = ab + ac
2. b( a1 + a2 + · · · an ) = ba1 + ba2 + · · · ban

1.3. ARITMÉTICA EN LOS COMPLEJOS 13
Todas las propiedades antes mensionadas en las propo-

siciones precedentes se llaman propiedades de campo. Por
tal razón a C se le conoce como el campo de los números
complejos.
Ejemplo 1.5 Si z = 2 − 4i, entonces, Re(z) = 2, Im(z) = −4,

luego
2 −4 2 −4 1 1
z −1 = − i = − i = + i.
22 + (−4)2 22 + (−4)2 20 20 10 5
A manera de comprobación
1 1 2 2 4 4
zz−1 = (2 − 4i )( + i) = + i − i − i2
10 5 10 5 10 5
1 2 2 4 5
= + i− i+ = =1
5 5 5 5 5
1.3. Aritmética en los complejos
Las propiedades de campo en los complejos permiten

armar una aritmética semejante a la aritmética que tienen
los números reales.
Definición 1.5 (Resta) Sean z1 = x1 + y1 i, z2 = x2 + y2 i

dos complejos la resta se define como
z1 − z2 = z1 + (−z2 )
Ejemplo 1.6 Si a = 2 − 3i y b = 6 − 10i, entonces
a − b = a + (−b) = (2 − 3i ) + (−6 + 10i )
= 2 − 3i − 6 + 10i = −4 + 7i
Definición 1.6 (División) Si z y w son dos complejos, con w 6=

0, definimos la división de z por w como
z 1
= z = zw−1
w w
Ejemplo 1.7 Si z = 2 + i, w = 2 − 4i, entonces (ver ejem-

plos anteriores) como w−1 = 10
1
+ 51 i, tenemos

z −1 1 1 2 2 1 1
= zw = (2 + i ) + i = + i + i + i2
w 10 5 10 5 10 5
1 4 1 1 5 1
= + i+ i− = i = i
5 10 10 5 10 2
Las propiedades son consecuencia de las propiedades

de campo de los números complejos.
Proposición 1.5 (Leyes de los signos) Si a, b son complejos,

entonces
1. (+ a)(+b) = ab
2. (− a)(−b) = ab
3. (− a)(+b) = − ab
1.3. ARITMÉTICA EN LOS COMPLEJOS 15
4. (+ a)(−b) = − ab
+a
5. +b = ab, b 6= 0
−a
6. −b = ab, b 6= 0
−a
7. +b = − ab, b 6= 0
+a
8. −b = − ab, b 6= 0
Proposición 1.6 (Quebrados en los complejos) Sean a, b, c, d

complejos con b, d 6= 0. Entonces
a c ad+bc
1. b + d = bd
a c ad−bc
2. b − d = bd
ac ac
3. a) bd = bd
b) Si b1 , b2 , · · · , bn son complejos distintos de cero y
a1 , a2 , · · · , an son complejos cualesquiera, entonces
a1 a2 an a a · · · an
··· = 1 2
b1 b2 bn b1 b2 · · · bn
a
ad
4. bc =
bc
d
Proposición 1.7 Sean a, b, c complejos, entonces
1. Propiedad aditiva de la igualdad: Si a = b entonces

a+c = b+c
2. Propiedad cancelativa de la igualdad en la suma: Si

a + c = b + c entonces a = b
3. Propiedad multiplicativa de la igualdad: Si a = b en-

tonces ac = bc
4. Propiedad cancelativa de la igualdad en el producto:

Si ac = bc y c 6= 0, entonces a = b
Proposición 1.8 (Propiedad del dominio entero) Si
a1 a2 · · · a n = 0
entonces
a1 = 0
o bien
a2 = 0
o bien
..
.
an = 0
1.4. Exponenciación en los complejos
En esta sección describimos las definiciones de expo-

nentes enteros de los complejos. Las propiedades de los ex-
ponentes en los complejos son semejantes a las propiedades
de los exponentes de los números reales.
1.4. EXPONENCIACIÓN EN LOS COMPLEJOS 17
Definición 1.7 Si x es un complejo y n es un natural, definimos:
1. x0 = 1
2. x n = xx · · · x, donde la x se multiplica n veces por si mis-

ma.
3. Si x 6= 0, entonces x −n = ( x −1 )n
Proposición 1.9 Si m, n, m1 , m2 , ..., mt son exponentes enteros

y
x, y, x1 , · · · xs
son números complejos, entonces
1. x m1 x m2 ...x mt = x m1 +m2 +...+mt
2. ( x1 x2 ...xs )m = x1m x2m ...xsm

m m
3. yx = yxm , y 6= 0
xm
4. xn = x m−n , x 6= 0
5. ( x m )n = x mn
Describiremos algunas fórmulas importantes de los produc-

tos y cocientes notables más frecuentes:
Proposición 1.10 Si a, b, x son complejos, entonces
1. ( a + b)2 = a2 + 2ab + b2 , binomio al cuadrado

2. ( a − b)2 = a2 − 2ab + b2 , binomio al cuadrado
3. ( a + b)3 = a3 + 3a2 b + 3ab2 + b3 , binomio al cubo
4. ( a − b)3 = a3 − 3a2 b + 3ab2 − b3 , binomio al cubo
5. ( a + b)( a − b) = a2 − b2 , producto de binomios conjuga-

dos
6. ( x + a)( x + b) = x2 + ( a + b) x + ab, producto de dos

binomios con un término común x
7. Si n es un natural
x n − yn
= x n−1 + x n−2 y + x n−3 y2 + ... + xyn−2 + yn−1
x−y
8. Si n es un natural impar
x n + yn
= x n−1 − x n−2 y + x n−3 y2 − ... − xyn−2 + yn−1
x+y
9. Si n es un natural par
x n − yn
= x n−1 − x n−2 y + x n−3 y2 − ... + xyn−2 − yn−1
x+y
Ejemplo 1.8 1. i2 = −1
2. i3 = ii2 = i (−1) = −i
3. i4 = i2 i2 = (−1)(−1) = 1
4. i5 = ii4 = i
5. i51 = ii50 = i (i2 )25 = i (−1)25 = −i

1.4. EXPONENCIACIÓN EN LOS COMPLEJOS 19
6. Emplearemos la fórmula
( a − b)2 = a2 − 2ab + b2 .
Aquí a = 2, b = 3i.
(2 − 3i )2 = 22 − 2(2)(3i ) + (3i )2
= 4 − 12i + (3)2 i2
= 4 − 12i − 9
= −5 − 12i,
por tanto, (2 − 3i )2 = −5 − 12i.
Ejemplo 1.9 Expresar en forma cartesiana
(2 − 3i )3
Solución Emplearemos la fórmula:
( a − b)3 = a3 − 3a2 b + 3ab2 − b3 .

Aquí a = 2, b = 3i.
(2 − 3i )3 = 23 − 3(2)2 (3i ) + 3(2)(3i )2 − (3i )3

= 8 − 3(4)(3i ) + 3(2)(3)2 (i )2 − (3)3 (i )3
= 8 − 36i + 6(9)(−1) − 27(−i )
= 8 − 36i − 54 + 27i
= −46 − 9i.
Por tanto, (2 − 3i )3 = −46 − 9i.
Ejemplo 1.10 Expresar en forma cartesiana:
(2−i )3 (3+2i )−1

1. E = (2−i )2 (3+2i )2
(2−i )3 (3+2i )4
2. E = (2−i )2 (3+2i )2
Solución
1.
(2 − i )3 (3 + 2i )−1
E=
(2 − i )2 (3 + 2i )2
2−i
= (2 − i )(3 + 2i )−1−2 = (2 − i )(3 + 2i )−3 =
(3 + 2i )3
Pero
(3 + 2i )3 = 33 + 3(3)2 2i + 3(3)(2i )2 + (2i )3

= 27 + 54i − 36 − 8i = −9 + 46i
por tanto
2−i 2−i 1
E= 3
= = (2 − i ) .
(3 + 2i ) −9 + 46i −9 + 46i
Por otro lado
1 −9 46
= 2 2
− i
−9 + 46i (−9) + (46) (−9) + (46)2
2
1.5. CONJUGACIÓN COMPLEJA 21
9 46
=− − i
2197 2197
luego

1 9 46
E = (2 − i ) = (2 − i ) − − i
−9 + 46i 2197 2197
18 92 9 46 64 83
=− − i+ i− =− − i
2197 2197 2197 2197 2197 2197
2. Se deja como ejercicio.
1.5. Conjugación compleja
En esta sección describimos el conjugado de un com-

plejo y sus propiedades.
Definición 1.8 Sea z = a + bi un complejo, el conjugado de z es
z = a − bi
Geometricamente z es un vector simétrico respecto al eje X del

vector z. Ver figura de abajo.
Figura 1.3: Simetría de la conjugación
Ejemplo 1.11 1. Si z = 2 + 4i, entonces
z = 2 − 4i.
1.5. CONJUGACIÓN COMPLEJA 23
Figura 1.4: z = 2 + 4i, z = 2 − 4i
2. Si z = 2 − 6i, entonces
z = 2 + 6i.
3. Si z = −2 + 6i, entonces
z = −2 − 6i.
4. Si z = x = x + 0i, es decir, si z es un número real, entonces

z = x − 0i = x = z. Así si z es real entonces coincide con
su conjugado. Inversamente si un complejo z = x + yi es
igual a su conjugado, entonces
z=z
implica
x + yi = x − yi
o sea
y = −y
es decir
y=0
por tanto
z = x + yi = x
un real.
En resumen hemos demostrado que un complejo coincide
con su conjugado si y solo si el complejo es real.
Proposición 1.11 Sean z, w, z1 , z2 , · · · , zn complejos.
1. a) z = z
b) z + w = z + w
c) z1 + z2 + · · · + zn = z1 + z2 + · · · + zn
d) mz = mz, m número natural
e) z − w = z − w
2. a) zw = z w
b) z1 z2 · · · zn = z1 z2 · · · zn
c) zm = (z)m , m número natural
d) Si α1 , α2 , · · · , αn son números reales, y z1 , z2 , · · · , zn
son números complejos, entonces
α1 z1 + α2 z2 + · · · + α n z n = α1 z1 + α2 z2 + · · · + α n z n
3. Si además w 6= 0, entonces
1
a) w1 =
w
z z
b) =
w w
c) Re(z) = z−2 z , Im(z) = z−z
2i
1.6. EJERCICIOS 25
1.6. Ejercicios
Resuelva los siguientes ejercicios del libro Rees de Al-

gebra, página 212:
13, 15, 17, 21, 22, 23, 25, 33, 35, 36, 37, 38, 39, 41, 45, 46, 47
1.7. Módulo de un complejo
En esta sección describimos el módulo de un complejo

y sus propiedades.
Como un número complejo z = x + yi es considerado

como la pareja ( x, y) del plano cartesiano, entonces lo pode-
mos asociar con el vector que representa a la pareja ( x, y).
Por tanto podemos definir el módulo de z como la longitud
del vector que representa a ( x, y).
Definición 1.9 Sea z = x + yi un número complejo, el módulo

o longitud de z es
q
| z | = x 2 + y2
Ejemplo 1.12
√ √
1. |2 + 3i | = 22 + 32 = 13
p √
2. |2 − 3i | = 22 + (−3)2 = 13
√
3. |i | = |0 + 1i | = 02 + 12 = 1
√
4. Si z = 0, entonces |z| = |0 + 0i | = 02 + 02 = 0. Inver-
samente. Si z = x + yi, y | x + yi | = 0, entonces
q
x 2 + y2 = 0
implica
x 2 + y2 = 0
es decir, x = y = 0. Por tanto z = x + yi = 0. Hemos
demostrado que el único complejo con módulo cero es el cero.
5. Si z = x + yi entonces
q q
|z| = x2 + y2 = x2 + (−y)2 = |z|
6. Si z = x + yi entonces
q q
|z| = x2 + y2 = (− x )2 + (−y)2 = | − z|
p
7. Si z = x + yi entonces |z| = x 2 + y2 ≥ 0
√
8. Si z es real, es decir, si z = x + 0i, entonces |z| = x2 el
valor absoluto de z. Así si z es real su módulo coincide con
su valor absoluto.
9. Si z = x + yi, entonces
zz = ( x + yi )( x − yi ) = x2 − xyi + xyi − y2 i2
= x2 − xyi + xyi + y2 = x2 + y2 .
En particular si z = x + yi 6= 0, entonces
1 z z
= = 2
z zz x + y2
1.7. MÓDULO DE UN COMPLEJO 27
Ejemplo 1.13 Hallar 1z , cuando z = 3 − 5i. Para hacer esto,

hacemos
1 z 3 + 5i
= = 2
z zz 3 + (−5)2
3 + 5i 3 5
= = + i
34 34 34
Proposición 1.12 Sean z, w, z1 , z2 , · · · , zn son complejos, enton-

ces
1. |z| ≥ 0
2. |z| = 0 si y sólo si z = 0
3. |z| = |z|
4. | − z| = |z|
5. Desigualdad del triángulo:
a) |z + w| ≤ |z| + |w|
b) |z1 + z2 + · · · + zn | ≤ |z1 | + |z2 | + · · · + |zn |
6. |z1 z2 · · · zn | = |z1 ||z2 | · · · |zn |
7. |zm | = |z|m , m un natural
z |z|
8. = , w 6= 0

w |w|
9. zz = |z|2
i30 (2 − i )35
Ejemplo 1.14 Si Z = . Calcular | Z |.
(2 − i )33
Solución Aplicando las propiedades de la proposición

precedente: 30
i (2 − i )35

|Z| =

(2 − i )33
|i30 (2 − i )35 |
=
|(2 − i )33 |
|i30 ||(2 − i )35 |
=
|(2 − i )33 |
√ 35
30 35 1 30 5
| i | |2 − i |
= = √ 33
|2 − i |33
5
√ 35
5 √ 2
= √ 33 = 5 = 5.
5
Otra forma
30
i (2 − i )35

|Z| =

(2 − i )33
√
= |i30 (2 − i )2 | = |i30 ||(2 − i )2 | = |i |30 |(2 − i )|2 = 130 ( 5)2 = 5
(2 − i )(4 + 2i )2
Ejemplo 1.15 Sea Z = . Calcular | Z |.
i (−3 − i )
Solución Aplicando las propiedades de la proposición

precedente:
(2 − i )(4 + 2i )2
|Z| =

i (−3 − i )
1.7. MÓDULO DE UN COMPLEJO 29
|(2 − i )(4 + 2i )2 |
=
i (− 3 − i )

|(2 − i )||(4 + 2i )2 |
=
|i (−3 − i )|
|2 − i ||(4 + 2i )2 |
=
|i || − 3 − i |
|2 − i ||4 + 2i |2
=
|i || − 3 − i |
√ √ 2
5 20
= √
1 10
√
520
= √
10
r r √ √
5 1 20 10 2 2
= 20 = 20 =√ = √
10 2 2 2
√
= 10 2 ≈ 14.142135
Otra forma de resolver este problema sería hallar pri-

mero la forma cartesiana de Z, y posteriormente calcular
| Z | por definición de módulo.
Ejemplo 1.16 Sea z1 = 4 − 7i, z2 = 3 + 6i. Halle:
1. z1 + z2
2. z1 + z2
3. z1 z2
4. z1 z2
z1
5. z2
z1
6. z2
z1
7. | z2 |
Solución
1. z1 + z2 = 7 − i
2. z1 + z2 = 7 + i
3. z1 z2 = (4 − 7i )(3 + 6i ) = 12 + 24i − 21i + 42 = 54 + 3i
4. z1 z2 = 54 − 3i
z1
5. z2 = z1 z12 = (4 − 7i )( 32z+262 ) = (4 − 7i )( 332−+6i62 ) = (4 −
7i )( 3− 6i 3 6 12 24 21
45 ) = (4 − 7i )( 45 − 45 i ) = 45 − 45 i − 45 i − 45 =
42
−30 45 2
45 − 45 i = − 3 − i
z1
6. z2 = − 32 − i = − 23 + i
q q
z1
7. | z2 |=| − 23 − i |= (− 23 )2 + (−1)2 = 4
9 +1 =
q √
13 13
9 = 3 .
√
|4−7i |
Otra solución es: | zz21 |= 43− √16+49
7i
+6i = |3+6i |
= 9+36
=
√ q q √
√65 = 65 13 13
45 45 = 9 = 3
1.8. EJERCICIOS 31
1.8. Ejercicios
Halle el módulo de los ejercicios 41,45,46,47 de la pági-

na 212 del libro Rees de Álgebra.
1.9. Forma polar de un complejo
En esta sección presentamos la forma polar de un nú-

mero complejo, que es otra forma de representar a un núme-
ro complejo. Esta forma está descrita a partir del argumento
del complejo, y de su módulo.
Definición 1.10 Sea z = a + bi un complejo distinto de cero. El

argumento principal de z es el ángulo θ en radianes o en grados
que se forma entre el vector que representa a z y el eje positivo X;
con la propiedad en radianes
−π < θ ≤ π
o con la propiedad en grados
−180◦ < θ ≤ 180◦ .
Al argumento lo denotaremos por
Arg(z) = θ
Ver figura de abajo.

Figura 1.5: θ = Arg( Z )
También podemos definir el argumento general de un

complejo Z 6= 0 como el conjunto
arg( Z ) = { Arg( Z ) + 2πk, k entero}.
Aunque por el hecho de que las funciones seno y coseno son

2π periódicas, es más práctico usar el argumento principal.
Algunos autores definen el argumento de un complejo

como el ángulo θ en radianes que se forma entre el vector
que representa a z y el eje positivo X, con la propieadad
0 < θ ≤ 2π.
Al utilizar las propiedades de las funciones trigonomé-

tricas no es difícil verificar la siguiente:
Proposición 1.13 Sea z = a + bi un complejo distinto de cero.

Entonces el argumento principal de z en radianes, es decir, −π <
θ ≤ π ), es:
1.9. FORMA POLAR DE UN COMPLEJO 33
1. Si z = a + bi está en el primer cuadrante, con, a > 0, b ≥

0, es decir, 0 ≤ θ < π2 , entonces

b
θ = Arg(z) = arctan
a
2. Si z = a + bi está en el segundo cuadrante, con, a < 0, b ≥

0, es decir, π2 < θ ≤ π, entonces

b
θ = Arg(z) = π + arctan
a
3. Si z = a + bi está en el tercer cuadrante, con, a < 0, b < 0,

es decir, − 3π
2 < θ < − π, entonces

b
θ = Arg(z) = −π + arctan
a
4. Si z = a + bi está en el cuarto cuadrante, con, a > 0, b < 0,

es decir, − π2 < θ < 0, entonces

b
θ = Arg(z) = arctan
a
5. Si z = a + bi es tal que a = 0 y b > 0, es decir, si z =

bi, b > 0, entonces
π
θ = Arg(z) =
2
6. Si z = a + bi es tal que a = 0 y b < 0, es decir, si z =

bi, b < 0, entonces
π
θ = Arg(z) = −
2
Ejemplo 1.17
1. Arg(4) = arg(4 + 0i ) = arctan 04 = 0. En general si

a > 0, entonces

0
Arg( a) = arctan =0
a
3

2. Arg(2 + 3i ) = arctan 2 = 0.9828
π
3. Arg(3i ) = 2. En general si b > 0, entonces
π
Arg(bi ) =
2
3

4. Arg(−2 + 3i ) = π + arctan −2 = π − 0.9828 =
2.1588
5. Arg(−4) = Arg(−4 + 0i ) = π + arctan −04 = π +

0 = π. En general si a < 0, entonces

0
Arg( a) = Arg( a + 0i ) = π + arctan = π+0 = π
a
6.
−3

3
Arg(−2 − 3i ) = −π + arctan = −π + arctan
−2 2
= −π + 0.9828 = −2.1588
7. Arg(−5i ) = arg(0 − 5i ) = − π2 . En general si b < 0,

entonces
π
Arg(bi ) = −
2
1.10. FUNCIÓN EXPONENCIAL 35
−3

8. Arg(2 − 3i ) = arctan 2 = −0.9828
Si Z = a + bi es un complejo distinto de cero, entonces

al consider la figura 1.5 se tiene que
a
cos θ =
|Z|
y
b
sin θ = ,
|Z|
por tanto
a = | Z | cos θ
y
b = | Z | sin θ,
luego
Z = a + bi = | Z | cos θ + | Z | sin θ i
es decir,
Z = | Z | (cos θ + sin θ i ) = r (cos θ + sin θ i ) (1.1)

√
donde θ es el argumento de Z = a + bi, y r = | Z | = a2 + b2
es el módulo de Z. A la fórmula (1.1) se le llama la forma
polar de Z.
1.10. Función exponencial
En esta sección definimos la función exponencial con

argumento complejo. También se demopstrarán las propie-
dades básicas de la función exponencial.
Definición 1.11 1. Si y es cualquier real, definimos
eyi = cos(y) + sin(y)i (1.2)
2. Si z = x + yi un complejo. La exponencial de z la definimos

como:
ez = e x+yi = e x eiy = e x [cos(y) + sin(y)i ] (1.3)
De acuerdo a la fórmula (1.1) si z = x + yi es complejo,

entonces
Z = | Z | (cos θ + sin θ i ) = r (cos θ + sin θ i ) = reiθ (1.4)
donde r = | Z |.
Ejemplo 1.18 Halle la forma polar del complejo
1. z = 2 + 3i
2. z = −2 + 3i
Solución
1. Si z = 2 + 3i, entonces por ejemplos precedentes, te-

nemos
√ θ = √Arg(z) = 0.9828. Además r = |z| =
2 + 32 = 13. Por tanto
2
z = reiθ
= r (cos θ + sin θ i )
√
= 13 (cos 0.9828 + sin 0.9828 i )
2. Si z = −2 + 3i, entonces por ejemplos precedentes,

tenemos
p √ (z) = 2.1588. Además r = |z| =
θ = Arg
2 2
(−2) + 3 = 13. Por tanto
z = reiθ
= r (cos θ + sin θ i )
√
= 13 (cos 2.1588 + sin 2.1588 i )
Las siguientes proposiciones son consecuencia de las

identidades trigonométricas.
Proposición 1.14 Si z1 , z2 , · · · , zn son n números complejos dis-

tintos de cero, entonces existe un entero k tal que
Arg(z1 z2 · · · zn ) = Arg(z1 ) + Arg(z2 ) + · · · + Arg(zn ) + 2πk

(1.5)
Esto quiere decir que el argumento de un producto de números
complejos es igual a la suma de sus argumentos salvo un múltiplo
de 2π. En particular
Arg(zn ) = nArg(z) + 2πk (1.6)
para algún k entero.
Proposición 1.15 Si z, w son complejos distintos de cero, enton-

ces existe un entero k tal que
z
Arg = Arg(z) − Arg(w) + 2πk (1.7)
w
Proposición 1.16 Si z, w son dos complejos distintos de ceros,

θ = Arg(z), ψ = Arg(w), y r = |w|, entonces
1.
zw = |z||w| [cos(θ + ψ) + sin(θ + ψ) i ] (1.8)
que en forma exponencial queda como:
zw = |z|eiθ |w|eiψ = |z||w|ei(θ +ψ)
2. Arg(w) = − Arg(w) = −ψ. Por tanto:
1 1
= [cos(−ψ) + sin(−ψ)i ] (1.9)
w |w|
equivalente a
1
= [r (cos ψ + sin ψi )]−1
r (cos ψ + sin ψi )
1
= [cos(−ψ) + sin(−ψ)i ]
r
Tambén lo anterior en forma exponencial queda como:
1 1 1 −iψ
= iψ
= e
w |w|e |w|
3.
z |z| [cos θ + sin θi ] |z|
= = [cos(θ − ψ) + sin(θ − ψ)i ]
w |w| [cos ψ + sin ψi ] |w|
(1.10)
Esta fórmula en forma exponencial es:
z |z|eiθ | z | i (θ −ψ)
= iψ
= e
w |w|e |w|
Demostración.
1. Sea z = |z| (cos θ + sin θ i ), y w = |w| (cos ψ + sin ψ i )

las formas polares de z y w respectivamente, entonces
zw = |z| (cos θ + sin θ i )|w|(cos ψ + sin ψ i )
= |z||w| (cos θ + sin θ i )(cos ψ + sin ψ i )
= |z||w|[(cos θ cos ψ − sin θ sin ψ)
+ (cos θ sin ψ + sin θ cos ψ) i ]
= |z||w| [cos(θ + ψ) + sin(θ + ψ) i ]
2. La demostración la haremos por casos, y utilizando la

definición de argumento de un complejo. Se sabe que
el conjugado de un complejo w es el vector w simétrico
a w respecto al eje X. Por tanto, tenemos:
Primer caso. Supongamos que w = a + bi es un com-
plejo en el primer cuadrante, con, a > 0, b ≥ 0, es
decir, 0 ≤ θ < π2 , entonces w = a − bi es un com-

b
plejo en el cuarto cuadrante, Arg(z) = arctan a , y,

Arg(z) = arctan −ab . Por tanto:
Arg(w) = Arg( a − bi )
−b

= arctan
a

b
= arctan −
a

b
= − arctan
a
= − Arg(w).
Segundo caso. Supongamos que w = a + bi es un com-

plejo en el segundo cuadrante, con, a < 0, b ≥ 0, es
decir, π2 < θ ≤ π, entonces w = a − bi es un comple-

b
jo en el tercer cuadrante, Arg(z) = π + arctan a , y,

Arg(z) = −π + arctan −ab . Por tanto:
−b

= −π + arctan
a

b
= −π + arctan −
a

b
= −π − arctan
a

b
= − π + arctan
a
= − Arg(w).
Tercer caso. Supongamos que w = a + bi es un com-

plejo en el tercer cuadrante, con, a < 0, b < 0, es decir,
− 3π
2 < θ < − π, entonces w = a − bi es un complejo
b
en el segundo cuadrante, Arg(z) = −π + arctan a ,

−b
y, Arg(z) = π + arctan a . Por tanto:
−b

= π + arctan
a

b
= π + arctan −
a

b
= π − arctan
a

b
= − −π + arctan
a
= − Arg(w).
Cuarto caso. Supongamos que w = a + bi es un com-

plejo en el cuarto cuadrante, con, a > 0, b < 0, es
decir, − π2 < θ < 0, entonces w = a − bi es un com-

b
plejo en el primer cuadrante, Arg(z) = arctan a , y,

Arg(z) = arctan −ab . Por tanto:
−b

= arctan
a

b
= arctan −
a

b
= − arctan
a
= − Arg(w).
Quinto caso. Si z = bi con b > 0, entonces z = −bi,

luego Arg(z) = π2 , y Arg(z) = − π2 ; por tanto
Arg(z) = − Arg(z).
Sexto caso. Si z = bi con b < 0, entonces z = −bi,

luego Arg(z) = − π2 , y Arg(z) = π2 ; por tanto
Arg(z) = − Arg(z).
Finalmente la fórmula (1.9) es consecuencia de la defi-

nición de forma polar de un complejo.
3. La fórmula (1.10) es cosecuencia de las fórmulas (1.8)

y (1.9).
Al aplicar inducción matemática sobre la fórmula (1.8)

se tiene la siguiente generalización.
Proposición 1.17 Si
z1 , z2 , · · · , z n
son n números complejos distintos de cero, con r j = |z j | y θ j =

Arg(z j ), para j = 1, 2, · · · , n. Entonces la fórma polar del com-
plejo
z = z1 · · · z n
es
z = r1 · · · rn [cos (θ1 + · · · + θn ) + sin (θ1 + · · · + θn ) i ]

(1.11)
z1 · · · zn = |z1 |eθ1 i · · · |zn |eθn i = (|z1 | · · · |z1 |)ei(θ1 +···+θn )
En particular si z = a + bi 6= 0, entonces la fórmula polar

para zn , es:
zn = ( a + bi )n = r n [cos (nθ ) + sin (nθ ) i ] (1.12)

donde r = |z|, y θ = Arg(z). Esta última fórmula se llama la
fórmula de Moivre. La fórmula de Moivre en forma exponencial
es:
(reiθ )n = r n enθi
Otra forma de escribir (1.12) es
[r (cos θ + sin θi )]n = r n [cos (nθ ) + sin (nθ ) i ] (1.13)

y un caso particular es
[cos θ + sin θi ]n = [cos (nθ ) + sin (nθ ) i ] (1.14)

(eiθ )n = enθi
La fórmula (1.13) se ha demostrado para un número na-

tural. La proposición siguiente verifica que también es váli-
da para cualquier entero.
Proposición 1.18 Si z = r (cos θ + sin θi ) es la forma polar del

complejo z, donde r = |z|, y θ = Arg(z), entonces
[r (cos θ + sin θi )]m = r m [cos(mθ ) + sin(mθ )i ] (1.15)

para todo entero m. La fórmula 1.15 se puede escribir como:
(reiθ )m = r m emθi
Demostración. Si m = 0, la fórmula (1.15) es evidente.
Si m = n un entero positivo, la fórmula (1.15) es válida

según la fórmula (1.13).
Supongamos que m es un entero negativo, entonces −m

es entero positivo. Por tanto, si suponemos que
[r (cos θ + sin θi )]−1

existe, y aplicamos (1.9) y (1.13), obtenemos:
h i−m
[r (cos θ + sin θ i )]m = (r (cos θ + sin θ i ))−1
−m
1
= (cos(−θ ) + sin(−θ ) i )
r
1
= −m [cos(−m(−θ )) + sin(−m(−θ ))i ]
r
= r m [cos (mθ ) + sin (mθ ) i ]
Como una consecuencia de todos los resultados prece-

dentes, tenemos el siguiente:
Teorema 1.1 Sean
z = x + yi, z1 = x1 + y1 i, z2 = x2 + y2 i , · · · , zn = xn + yn i
números complejos cualesquiera. Entonces,
1. ez1 ez1 = ez1 +z2
2. ez1 ez1 · · · ezn = ez1 +z2 +···+zn
e z1
3. e z2 = e z1 − z2
4. (ez )m = emz , para todo m entero, y z distinto de cero.
Demostración. Utilizaremos algunas de las propieda-

des demostradas anteriormente.
1.
e z1 e z1 = e x1 + y1 i e x2 + y2 i
= e x1 e y1 i e x2 e y2 i
= e x1 + x2 e x1 i+ x2i
= e x1 + x2 e( x1 + x2)i
= e z1 + z2
2. Se hace por inducción.

3.
e z1
=
e z2
e x1 + y1 i
=
e x2 + y2 i
e x1 e y1 i
=
e x2 e y2 i
e x1 e y1 i
=
e x2 e y2 i
= e x1 − x2 e y1 i − y2 i
= e x1 − x2 e ( y1 − y2 ) i
= e z1 − z2
(ez )m = (e x+yi )m
= (e x eyi )m
= (e x )m (eyi )m
= emx emyi
= emz
Ejemplo 1.19 Halle e4−5i
Solución. Recordar que

e x+yi = e x eyi = e x [cos(y) + sin(y)i ]
Por tanto,
e4−5i = e4 [cos(−5) + sin(−5)i ]
= e4 [0.283 + 0.9589i ]
= e4 0.283 + e4 0.9589i
= 15.4513 + 52.3542i
La forma polar de un complejo es una herramienta muy

útil para hacer algunos cálculos. Esto lo presentamos en los
siguientes ejemplos.
Ejemplo 1.20 Si z = 2 + 3i, halle la forma polar y cartesiana

de z5 .
Solución. Primero. Hallemos la forma polar.

√ √
Como r = |2 + 3i | = 22 + 32 = 13, y θ = Arg(z) =
0.9828, entonces, la forma polar de z es
√
z = 13[cos(0.9828) + i sin(0.9828)].
Segundo. Hallemos la forma cartesiana de z5 aplicando la

fórmula de Moivre:
(2 + 3i )5 = r5 [cos (5θ ) + sin (5θ ) i ]

√ 5
= 13 [cos(5(0.9828)) + sin(5(0.9828))i ]
= 609.338 [cos(4.914) + sin(4.914)i ]
= 609.338 cos(4.914) + i609.338 sin(4.914)
= 122.00 − 597.00i
es decir,
(2 + 3i )5 = 122.00 − 597.00i.
Ejemplo 1.21 Halle la forma cartesiana de:
(1 − i )6 (2 + i ) −8
z=
(1 − i )2 (2 + i ) −2
Solución.
Primero simplifiquemos la expresión z :
z
(1 − i )6 (2 + i ) −8
= (1 − i )2 (2 + i ) −2
= (1 − i )6−2 (2 + i )−8−(−2)
= (1 − i )4 (2 + i ) −6 .
Por otro lado,

√
p
r1 =| 1 − i |= 12 + (−1)2 = 2,

Arg(1 − i ) = arctan −11 = arctan(−1) = −0.7854.
y,
√p
r2 =| 2 + i |= 22 + (1)2 = 5,

Arg(2 + i ) = arctan 12 = 0.4636.
Por tanto,
√
1 − i = 2e−0.7854i ,
√
2 + i = 5e0.4636i .
Luego,
= (1 − i )4 (2 + i ) −6
√ √
= ( 2e−0.7854i )4 ( 5e0.4636i )−6
√ √
= ( 2)4 e−4(0.7854)i ( 5)−6 e−6(0.4636)i
√ √
= ( 2)4 ( 5)−6 e−4(0.7854)i−6(0.4636)i
= 4(0.0080)e−5.9232i
= 0.0320[cos(−5.9232) + sin(−5.9232)i ]
= 0.0320[0.9359 + 0.3523i ]
= (0.0320)(0.9359) + 0.0320(0.3523)i,
es decir,
z = 0.0299 + 0.0113i
Para obtener algunas identidades trigonométricas utili-

zando la variable compleja, necesitamos algunas definicio-
nes previas.
Definición 1.12 Sea n un entero no negativo, es decir, n = 0, 1, · · · .

Definimos el factorial de n de la siguiente manera:
1. 0! = 1
2. n! = (1)(2)(3) · · · (n − 1)(n)
Ejemplo 1.22
1! = 1
2! = (1)(2) = 2
3! = (1)(2)(3) = 6
4! = (1)(2)(3)(4) = 24
Observar que n! = (1)(2)(3) · · · (n − 1)(n) = (n − 1)!n.
Definición 1.13 Sean m, n dos enteros no negativos con,
0 ≤ m ≤ n.
Definimos el coeficiente binomial de la siguiente manera:

n n!
= (1.16)
m (n − m)!m!
Ejemplo 1.23
1. (n0 ) = n!
(n−0)!0!
= n!
(n)!
=1
(n−1)!n
2. (n1 ) = n!
(n−1)!1!
= ( n −1) !
=n
n n! n! n!
3. (n− 1) = (n−(n−1))!(n−1)!
= (1) ! ( n −1) !
= ( n −1) !
=n
4. (nn) = n!
(n−n)!n!
= n!
(0)!n!
= n!
n! =1
3!(4)(5) (4)(5)
5. (53) = 5!
(5−3)!3!
= 5!
(2)!3!
= (2)!3!
= 2 = 10
Con estas definiciones anteriores podemos presentar el

binomio de Newton.
Teorema 1.2 (Binomio de Newton) Si n es un número natural,

entonces,
n
n n−k k
( a + b) = ∑
n
a b (1.17)
k =0
k
para todo a, b números complejos. Al considerar el ejemplo prece-
dente, tenemos:

n n n −1 n n −2 2 n n −3 3
( a + b) = a + na b + a b + a b +···
2 3
+ nabn−1 + bn (1.18)
Ejemplo 1.24
1.
( a + b)2 = a2 + 2ab + b2 (1.19)
2.
( a + b)3 = a3 + 3a2 b + 3ab2 + b3 (1.20)
3.

4 4 4 2 2
3 4
( a + b) = a + 4a b + a b + ab3 + b4
2 3
= a4 + 4a3 b + 6a2 b2 + 4ab3 + b4 (1.21)
Cerraremos esta sección demostrando algunas identi-

dades trigonométricas.
Proposición 1.19 Para todo θ real, tenemos:
1. a)
cos(2θ ) = cos2 (θ ) − sin2 (θ ) (1.22)
b)
sin(2θ ) = 2 cos(θ ) sin(θ ) (1.23)
2. a)
cos(3θ ) = cos3 (θ ) − 3 cos(θ ) sin2 (θ ) (1.24)
b)
sin(3θ ) = 3 cos2 (θ ) sin(θ ) − sin3 (θ ) (1.25)
Demostración. En la demostración utilizaremos la fór-

mula del binomio de Newton y la fórmula de Moivre:
(cos(θ ) + i sin(θ ))n = cos(nθ ) + i sin(nθ )
1. Se sabe que
( a + b)2 = a2 + 2ab + b2 ,
por tanto, por la fórmula de Moivre con n = 2,

cos(2θ ) + sin(2θ )i = (cos(θ ) + i sin(θ ))2

= cos2 (θ ) + 2 cos(θ ) sin(θ )i
+ (sin(θ )i )2
= cos2 (θ ) + 2 cos(θ ) sin(θ )i
− sin2 (θ )
= [cos2 (θ ) − sin2 (θ )]
+ [2 cos(θ ) sin(θ )]i
es decir,
cos(2θ ) + sin(2θ )i = [cos2 (θ ) − sin2 (θ )]
+ [2 cos(θ ) sin(θ )]i,
luego, al igualar las partes reales y partes imaginarias
de estos dos complejos, tenemos,
cos(2θ ) = cos2 (θ ) − sin2 (θ ),
y,
sin(2θ ) = 2 cos(θ ) sin(θ ).
2. Se sabe que
( a + b)3 = a3 + 3a2 b + 3ab2 + b3 ,
por tanto, por la fórmula de Moivre con n = 3,
cos(3θ ) + sin(3θ )i = (cos(θ ) + i sin(θ ))3
= cos3 (θ ) + 3 cos2 (θ ) sin(θ )i
+ 3 cos(θ )(sin(θ )i )2 + (sin(θ )i )3
= cos3 (θ ) + 3 cos2 (θ ) sin(θ )i
− 3 cos(θ ) sin2 (θ ) − i sin3 (θ )
= [cos3 (θ ) − 3 cos(θ ) sin2 (θ )]
+ [3 cos2 (θ ) sin(θ ) − sin3 (θ )]i
es decir,
cos(3θ ) + sin(3θ )i = [cos3 (θ ) − 3 cos(θ ) sin2 (θ )]
+ [3 cos2 (θ ) sin(θ ) − sin3 (θ )]i,
luego, al igualar las partes reales y partes imaginarias
de estos dos complejos, tenemos,
cos(3θ ) = cos3 (θ ) − 3 cos(θ ) sin2 (θ )
y,
sin(3θ ) = 3 cos2 (θ ) sin(θ ) − sin3 (θ ).
1.11. Ejercicios
Hacer los ejercicios del libro Rees de Álgebra:
1. 33,35,39,48 de la página 216

2. 1,2,3,4,9,11 de la página 218.
1.12. Funciones trigonométricas comple-

jas
En esta sección definiremos las funciones trigonométri-

cas sobre argumento complejo. Estas definiciones las hare-
mos utilizando la definición de exponencial compleja:
ez = e x+yi = e x eyi = e x [cos y + i sin y]

1.12. FUNCIONES TRIGONOMÉTRICAS COMPLEJAS 55
Definición 1.14 (Funciones trigonométricas)
eiz −e−iz
1. sin z = 2i , para todo z
eiz +e−iz
2. cos z = 2 , para todo z
sin z eiz −e−iz
3. tan z = cos z = (eiz +e−iz )i
, para z 6= π
2 + kπ, k = 0, ±1, ±2, · · ·
cos z (eiz +e−iz )i

4. cot z = sin z = eiz −e−iz
, para z 6= kπ, k = 0, ±1, ±2, · · ·
1 2
5. sec z = cos z = eiz +e−iz
, para z 6= π
2 + kπ, k = 0, ±1, ±2, · · ·
1 2i
6. csc z = sin z = eiz −e−iz
, para z 6= kπ, k = 0, ±1, ±2, · · ·
ez −e−z
7. sinh z = 2 , para todo z
ez +e−z
8. cosh z = 2 , para todo z
senh z ez −e−z
9. tanh z = cosh z = ez +e−z
cosh z ez +e−z
10. coth z = sinh z = ez −e−z
1 2
11. sech z = cosh z = ez +e−z
1 2
12. csch z = sin z = ez −e−z
Proposición 1.20 Si z = x + yi es un complejo, entonces,
e x −e− x
1. sinh x = 2 , para todo x real
e x +e− x
2. cosh x = 2 , para todo x real
3. sin z = sin x cosh y + i cos x sinh y

4. cos z = cos x cosh y − i sin x sinh y
5. sin(iy) = i sinh y, para todo y real
6. cos(iy) = cosh(y), para todo y real
7. sinh z = cos y sinh x + i sin y cosh x
8. cosh z = cos y cosh x + i sin y sinh x
9. | sinh z|2 = sinh2 ( x ) + sin2 (y)

10. cos2 (z) + sin2 (z) = 1, para todo z complejo
11. 1 + tan2 (z) = sec2 (z), para z 6= π
2 + kπ, k = 0, ±1, ±2, · · ·
Ejemplo 1.25 Calcular:
1. sin(2 − i )
2. sinh(2 + i )
Solución.
1. Resolveremos el problema utilizando la expresión

sin z = sin x cosh y + i cos x sinh y
Aquí z = 2 − i, luego x = 2, y = −1. Por tanto,
sin(2 − i ) = sin 2 cosh(−1) + i cos 2 sinh(−1)
= (0.9093)(1.5431) + i (−0.4161)(−1.1752)
= 1.4031 + 0.4891i
2. Resolveremos el problema utilizando la expresión
sinh z = cos y sinh x + i sin y cosh x
Aquí z = 2 + i, luego x = 2, y = 1. Por tanto,
sinh(2 + i ) = cos 1 sinh 2 + i sin 1 cosh 2

= (0.5403)(3.6269) + i (0.8415)(3.7622)
= 1.9596 + 3.1659i
Ejemplo 1.26 Demostrar la identidad:
cos2 (z) + sin2 (z) = 1
zi − e−zi
Demostración. Recordar por definición que, sen(z)= e 2i
zi + e−zi
y cos(z)= e 2 .
Por tanto,
cos2 (z) + sin2 (z)

zi + e−zi zi − e−zi
= (e 2 )2 + ( e 2i )2
(ezi +e−zi )2 (ezi −e−zi )2
= 4 + −4
(ezi +e−zi )2 (ezi −e−zi )2

= 4 − 4
e2zi +2ezi e−zi +e−2zi e2zi −2ezi e−zi +e−2zi

= 4 − 4
e2zi +2ezi e−zi +e−2zi −(e2zi −2ezi e−zi +e−2zi )

= 4
e2zi +2ezi e−zi +e−2zi −e2zi +2ezi e−zi −e−2zi

= 4
4ezi e−zi
= 4
4ezi−zi
= 4
4e0
= 4
4(1)
= 4
= 1.
Ejemplo 1.27 Demostrar la identidad
1 + tan2 (z) = sec2 (z)
para z 6= π
2 + kπ, k = 0, ±1, ±2, · · ·
Demostración.
Recordar las fórmulas:

sen(z)
tan(z) = cos(z)
, cos2 (z) + sin2 (z) = 1
sin2 (z) = 1 − cos2 (z).
Por tanto,
sen(z) 2

2
1 + tan (z) = 1+
cos(z)
sen2 (z)
= 1+
cos2 (z)
1 − cos2 (z)
= 1+
cos2 (z)
1 cos2 (z)
= 1+ −
cos2 (z) cos2 (z)
1
= 1+ −1
cos2 (z)
1
=
cos2 (z)
2
1
=
cos(z)
= sec2 (z).
Ejercicio 1.12.1 Demostrar o contradecir la identidad:
1 + cot2 (z) = csc2 (z)
para z 6= kπ, k = 0, ±1, ±2, · · ·

1.13. Función logaritmo
Teorema 1.3
1. Si t es cualquier real, entonces, et > 0
2. La ecuación ew = x, tiene una única solución w, llamada

w = ln( x ).
De acuerdo al teorema precedente si
f : < → (0, ∞)
con f ( x ) = e x , entonces, su función inversa es el logaritmo

natural,
g : (0, ∞) → <
con g( x ) = ln( x ). Estas funciones satisfacen las propieda-
des:
eln x = x, para todo x positivo

ln(e x ) = x, para todo x real
Teorema 1.4
1. Si z es cualquier complejo, entonces, ez 6= 0
2. Si ew = z es una ecuación, donde w es desconocido y z es

un complejo (conocido) distinto de cero, entonces,
w = ln |z| + iArg(z) + 2kπ, k = 0, ±1, ±2, · · · (1.26)

1.13. FUNCIÓN LOGARITMO 61
De acuerdo al teorema precedente, tenemos la siguiente
Definición 1.15 Si ew = z, entonces
w = ln |z| + iArg(z) + 2kπ, k = 0, ±1, ±2, · · · (1.27)
Al valor w se le llama el logaritmo de z, y es denotado por w =

ln(z). El valor w obtenido para k = 0, es decir,
w = ln |z| + iArg(z) (1.28)
es llamado el valor principal de el logaritmo de z. En este sen-

tido
ln(z) = ln |z| + iArg(z) (1.29)
es el valor principal de el logaritmo de z.
Observación. A la función ln(z) se le conoce como una

función multivaluada.
Ejemplo 1.28 Calcular:
1. ln(i )
2. ln(−1 − i )
3. ln(2 − 3i )
Solución.
1. Recordar la fórmula:
ln(z) = ln |z| + iArg(z) + 2kπ, k = 0, ±1, ±2, · · ·
Por tanto, como z = i, tenemos,
p
|z| = |0 + 1i | = 02 + 12 = 1.
y
π
Arg(z) = .
2
Luego,
ln(i ) = ln |z| + iArg(z) + 2kπ, k = 0, ±1, ±2, · · ·
= ln |i | + iArg(i ) + 2kπ, k = 0, ±1, ±2, · · ·
π
= ln(1) + i + 2kπ, k = 0, ±1, ±2, · · ·
2
π
= 0 + i + 2kπ, k = 0, ±1, ±2, · · ·
2
π
= i + 2kπ, k = 0, ±1, ±2, · · ·
2
y por consiguiente el logaritmo principal es
π
ln(i ) = i = 1.57i
2
2. Como z = −1 − i, tenemos,
q √
|z| = | − 1 − 1i | = (−1)2 + (−1)2 = 2.
y
−1

Arg(−1 − i ) = −π + arctan
−1
= −π + arctan(1)
= −2.3562.
1.14. RAÍCES COMPLEJAS 63
Luego,
ln(−1 − i ) = ln | − 1 − i | + iArg(−1 − i ) + 2kπ

√
= ln 2 + i (−2.3562) + 2kπ
= 0.3466 − 2.3562i + 2kπ,
donde k = 0, ±1, ±2, · · · . Por tanto, el logaritmo prin-

cipal es
ln(−1 − i ) = 0.3466 − 2.3562i
3. Se deja como ejercicio.
1.14. Raíces complejas
En esta sección definiremos la raíz n− ésima de un com-

plejo, y daremos una manera práctica de como obtener las
raíces.
Definición 1.16 Sea w = a + bi un número complejo y n un

número natural. El número complejo z = x + yi es una raíz n−
ésima de w si y solo si zn = w. Si esto ocurre, escribimos
√
n
w=z
si y solo si
zn = w
Ejemplo 1.29
√
1. 4 = ±2. En efecto (±2)2 = 4.
√
2. −4 = ±2i. En efecto (±2i )2 = (±2)2 i2 = 4(−1) =
−4.
3. En general si a < 0, entonces − a > 0, por tanto

√ √
a = ± − ai
√ √
En efecto. (± − ai )2 = (± − a)2 (i )2 = (− a)(−1) = a
¿Cuántas raíces n− ésimas tiene un número complejo

w = a + bi, y cómo se obtienen?. La respuesta la proporcio-
na el siguiente teorema utilizando toda la maquinaria de la
forma polar de los números complejos.
Teorema 1.5 Sea w = a + bi 6= 0 un número complejo y n un

número natural. Supongamos que
w = r (cos θ + sin θ i )
es su forma polar, es decir, r = |w| y Arg(w) = θ. Entonces w

tiene a lo más n raices n− ésimas. Más precisamente, la ecuación
√
n
w=z
tiene las siguientes soluciones o raices:
√

n θ + 2πk θ + 2πk
zk = r cos + sen i (1.30)
n n
para k = 0, 1, 2, · · · , (n − 1).
Observación. La fórmula (1.30) es también válida cuan-

do θ está dado en grados, ya sea 0 < θ ≤ 2π, o bíén,
−π < θ ≤ π; en tal caso, la fórmula queda:
√ θ + 360◦ k θ + 360◦ k

n
zk = r cos + sin i
n n
para k = 0, 1, 2, · · · , (n − 1).
Demostración. Sea z una raíz n− ésima de w, y supon-

gamos que z = ρ(cos ψ + sin ψ i ) es su forma polar, es decir,
ρ = |z| y Arg(z) = ψ. Entonces
zn = w
es equivalente a
[ρ(cos ψ + sin ψ i )]n = r (cos θ + sin θ i ).

Que al aplicar la fórmula de Moivre se tiene
ρn (cos(nψ) + sin(nψ) i ) = r (cos θ + sin θ i ).
Esto implica que ρn = r y nψ = θ + 2π p, para p entero

√ θ +2π p
arbitrario. De donde ρ = n r y ψ = n , para p entero
arbitrario. Por tanto tenemos
z = ρ(cos ψ + sin ψ i )
√

n θ + 2π p θ + 2π p
= r cos + sin i
n n
para p entero arbitrario.
Para verificar que a lo más hay n raíces distintas divi-

damos p por n, y apliquemos el algoritmo de la división,
para obtener
p = nq + k
donde q es un entero, y k es un entero con la propiedad 0 ≤
k ≤ (n − 1). Luego entonces
z = ρ(cos ψ + sin ψ i )
√

n θ + 2π p θ + 2π p
= r cos + sin i
n n
√

n θ + 2π (nq + k ) θ + 2π (nq + k )
= r cos + sin i
n n
√

n θ + 2πnq + 2πk θ + 2πnq + 2πk
= r cos + sin i
n n
√

= r cos + 2πq + sin + 2πq i
n n
√

= r cos + sin i
n n
para k = 0, 1, 2, · · · , (n − 1). Es decir, hemos demostrado
que la raíz z satisface:
√

z= r cos + sin i
n n
para k = 0, 1, 2, · · · , (n − 1). Con lo cual queda demostrado
el teorema.
Ejemplo 1.30 Halle las raices cuadradas de w = i.

Solución. Primero
√ hallemos la forma polar de i = 0 +
2 2
1i. Como r = |i | = 0 + 1 = 1 y Arg(i ) = 2 , entonces
π
π π
i = cos + sin i
2 2
√
Segundo. Como deseamos hallar i, entonces n = 2.
Por tanto por la fórmula (1.30), tenemos
√

zk = r cos + sin i
n n
√ π π
2 + 2πk 2 + 2πk

2
= 1 cos + sin i
2 2
π π
2 + 2πk 2 + 2πk

= cos + sin i
2 2
para k = 0, 1. Si hacemos k = 0 en la anterior ecuación

obtenemos
π π 1 1
z0 = cos + sin i= √ +√ i
4 4 2 2
Al hacer k = 1 en la anterior ecuación se obtiene

5π 5π 1 1
z1 = cos + sin i = −√ − √ i
4 4 2 2
Ejemplo 1.31 Resuelva la ecuación:
z3 + 3 − 5i = 0
Solución. Resolver la ecuación

z3 + 3 − 5i = 0
es equivalente a hallar z tal que
z3 = −3 + 5i,
es decir,hallar z con la propiedad,
√
3
−3 + 5i = z.
Por tanto, z es una de las raíces cúbicas de −3 + 5i. Halle-
mos entonces las raíces cúbicas de −3 + 5i:
Primero
p la forma polar de −3 + 5i. Como r =
hallemos √
2 2
|w| = (−3) + 5 = 34, y

5
Arg(w) = π + arctan = 2.1112,
−3
entonces en virtud de la fórmula (1.30), las raíces cúbicas de
w, son para k = 0, 1, 2:
√

zk = r cos + sin i
n n
q√
3 2.1112 + 2πk 2.1112 + 2πk
= 34 cos + sin i
3 3
√
6

2.1112 + 2πk

2.1112 + 2πk

= 34 cos + sin i
3 3
es decir, para k = 0, 1, 2:
√6

2.1112 + 2πk

2.1112 + 2πk

zk = 34 cos + sin i
3 3
(1.31)
Si hacemos k = 0 en la ecuación (1.31), obtenemos

√
6

2.1112

2.1112

z0 = 34 cos + sin i
3 3
= 1.372288848018884 + 1.164660945889614i
Al hacer k = 1 en la ecuación (1.31), se obtiene

√
6

2.1112 + 2π

2.1112 + 2π

z1 = 34 cos + sin i
3 3
= −1.694767192292625 + 0.606115471841839i
Por último al hacer k = 2 en la ecuación (1.31), se obtie-

ne
√
6

2.1112 + 4π

2.1112 + 4π

z2 = 34 cos + sin i
3 3
= 0.322481541926578 − 1.770767476659242i.
Para calcular en Matlab las raíces de la ecuación alge-

braica
an x n + an−1 x n−1 + ... + a1 x + a0 = 0,
donde ai son reales o complejos, procedemos de la siguiente
manera:
Primero. Definimos un vector p = [ an , an−1 , ..., a1 , a0 ]
Segundo. Se utiliza la instrucción roots(p)

√
Por ejemplo hallar n w = z.
Para resolver el problema hay que considerar las si-

guientes equivalencias:
√
n
w=z
es equivalente a
zn = w
equivalente a
zn − w = 0
equivalente a
zn + 0zn−1 + 0zn−2 + ...0z − w = 0
luego, definamos el vector p de la siguiente forma:
p = [1, 0, 0, ..., 0, −w]
Por último hagamos
roots(p)
En nuestro caso particular:

√
3
w=z
es equivalente a
z3 = w
equivalente a
z3 − w = 0
equivalente a
z3 + 0z2 + 0z − w = 0
luego,
p=[1,0,0,-w], y finalmente
roots(p) genera las raíces:
0.322481541926578 - 1.770767476659242i
1.372288848018884 + 1.164660945889614i
-1.694770389945460 + 0.606106530769629i
Ejemplo √1.32 Calcular las raíces quintas de la unidad, es decir,

calcular 5 1
Solución.
Primero. w = 1 = 1 + 0i
√
Segundo. r = 12 + 02 = 1, θ = arctan( 01 ) = 0
La fórmula para hallar las raíces es:
√

zk = r cos + sin i
n n
para k = 0, 1, 2, · · · , (n − 1). Por tanto, para nuestro caso

particular, tenemos:
√
5

0 + 2πk

0 + 2πk

zk = 1 cos + sen i , k = 0, 1, 2, 3, 4
5 5
es decir,

2πk 2πk
zk = cos + sen i, k = 0, 1, 2, 3, 4
5 5
Luego si variamos los valores de k, obtenemos:
z0 = cos(0) + sen(0)i = 1 + 0i = 1
z1 = cos( 2π 2π
5 ) + sen ( 5 )i = 0.3090 + 0.9510i
z2 = cos( 4π 4π
5 ) + sen ( 5 )i = −0.8090 + 0.5877i
z3 = cos( 6π 6π
5 ) + sen ( 5 )i = −0.8090 − 0.5877i
z4 = cos( 8π 8π
5 ) + sen ( 5 )i = 0.3090 − 0.9510i
Calculemos en Matlab las raices quintas de la unidad.

Las instrucciones son las siguientes:
√
5
1 = z si y solo si
z5 = 1
z5 − 1 = 0
1z5 + 0z4 + 0z3 + 0z2 + 0z − 1 = 0
p = [1, 0, 0, 0, 0, −1]
roots(p) genera los valores:
-0.809016994374948 + 0.587785252292473i
-0.809016994374948 - 0.587785252292473i
1.15. EJERCICIOS 73
0.309016994374947 + 0.951056516295153i
0.309016994374947 - 0.951056516295153i
1.000000000000000 + 0.000000000000000i
1.15. Ejercicios
Hacer los ejercicios del libro Rees: 1,3,5,15,17,19,22,23,33,38

de la página 222-223.
1.16. Ecuaciones algebraicas
En esta sección describiremos lo básico de las ecuacio-

nes algebraicas de grado n.
Definición 1.17
1. Sea n un número natural. Una ecuación algebraica de grado

n con coeficientes en C es una ecuación que se puede llevar
a la forma
an x n + an−1 x n−1 + ... + a1 x + a0 = 0, an 6= 0
donde los coeficientes ai , i = 0, 1, 2, · · · , n son complejos.

En particular una ecuación de grado uno tiene la forma
ax + b = 0, a 6= 0
y una ecuación de grado dos tiene la forma

ax2 + bx + c = 0, a, b, c ∈ C , a 6= 0
2. Una valor x = x0 es una solución (también llamada raíz o

cero) de la ecuación
an x n + an−1 x n−1 + ... + a1 x + a0 = 0, an 6= 0
si x = x0 satisface dicha ecuación, es decir, se tiene
an x0n + an−1 x0n−1 + ... + a1 x0 + b = 0
Observar que el lado derecho de la ecuación
an x n + an−1 x n−1 + ... + a1 x + a0 = 0, an 6= 0

es un polinomio algebraico de grado n.
1.17. Ecuaciones de primer grado
En esta sección describimos la información para resol-

ver ecuaciones de primer grado.
Proposición 1.21
Si
ax + b = c, a, b, c ∈ C , a 6= 0
es una ecuación de primer grado, entonces

c−b
x=
a
1.17. ECUACIONES DE PRIMER GRADO 75
2. En particular
1.
ax = b
implica
b
x = , a 6= 0
a
3. En particular
x
= b, a 6= 0
a
implica
x = ab
4. O más general
a c
x = , b, d 6= 0
b d
implica
bc
x=
ad
Ejemplo 1.33 Resuelva la ecuación
3x − 2 = 6
Solución La ecuación
3x − 2 = 6
implica que 3x = 6 + 2, es decir
8
x=
3
Ejemplo 1.34 Resuelva la ecuación
(4 + i ) x − 2 + 5i = 6 − 3i
Solución De la ecuación
(4 + i ) x − 2 + 5i = 6 − 3i
se obtiene
(4 + i ) x = 6 − 3i + 2 − 5i = 8 − 8i
es decir,
8 − 8i
x =
4+i
(8 − 8i )(4 − i )
=
(4 + i )(4 − i )
32 − 8i − 32i − 8
=
42 + 12
24 − 40i
=
17
24 40
= − i
17 17
Teorema 1.6 (Teorema fundamental del Álgebra) Toda ecua-

ción algebraica de grado n con coeficientes es C tiene a lo más n
soluciones (raíces o ceros) distintas en el campo de los números
complejos
1.18. ECUACIONES DE SEGUNDO GRADO 77
1.18. Ecuaciones de segundo grado
Hay dos métodos clásicos para resolver una ecuación

de segundo grado que según el teorema fundamental del
Álgebra a lo más tiene dos soluciones distintas. El primer
método es utilizando la factorización y el segundo es utili-
zando la fórmula general.
Ecuaciones de segundo grado resueltas por factorización
El método de factorización se basa en la siguiente
Proposición 1.22 (Propiedad del dominio entero) Si ai , i =

1, 2, ..., n son reales o complejos con a1 a2 ...an = 0, entonces
a1 = 0
o bien
a2 = 0
..
.
o bien
an = 0
Para describir el método de factorización veamos los

siguientes ejemplos.
Ejemplo 1.35 Resuelva las ecuaciones de segundo grado utili-

zando factorización:
En estos ejercicios utilizamos frecuentemente la fórmula
(t + a)(t + b) = t2 + ( a + b)t + ab
1. Cuando la ecuación de segundo grado es incomplerta de la

forma
ax2 + bx = 0, a 6= 0
entonces
ax2 + bx = 0
es equivalente a
x ( ax + b) = 0
equivalente a
x = 0, ax + b = 0
equivalente a
b
x = 0, x = −
a
Por ejemplo resolver
5x2 = −3x
5x2 + 3x = 0
x (5x + 3) = 0
x = 0, 5x + 3 = 0
3
x = 0, x = −
5
2. Cuando la ecuación es incompleta de la forma
ax2 + c = 0
esta es equivalente a
ax2 = −c
c
x2 = −
a
r
c
x= −
a
o r
c
x=− −
a
Por ejemplo la ecuación
3x2 + 9 = 0
3x2 = −9
9
x2 = −
3
x 2 = −3
√ √
x = −3 = 3i
0 √ √
x = − −3 = − 3i
3. x2 − 5x − 24 = 0
Para resolver el problema seguimos las equivalencias:
x2 − 5x − 24 = 0
( x − 8)( x + 3) = 0
si y solo si
x − 8 = 0, x + 3 = 0
si y solo si
x = 8, x = −3
4. 2x2 + 3x − 2 = 0
2x2 + 3x − 2 = 0
2
(2x2 + 3x − 2) = 0
2
(2x )2 + 3(2x ) − 4
=0
2
(2x + 4)(2x − 1)
=0
2
(2x + 4)
(2x − 1) = 0
2
( x + 2)(2x − 1) = 0
si y solo si
x + 2 = 0, 2x − 1 = 0
es decir
1
x = 2, x =
2
5. 20 − 3x − 9x2 = 0
20 − 3x − 9x2 = 0
−9x2 − 3x + 20 = 0
−[9x2 + 3x − 20] = 0

9 2
− 9x + 3x − 20 = 0
9
(9x )2 + 3(9x ) − 180

− =0
9
(9x + 15)(9x − 12)

− =0
9
(9x + 15)(9x − 12)

− =0
(3)(3)
9x + 15 9x − 12

− =0
3 3
− [(3x + 5)(3x − 4)] = 0
(−3x − 5)(3x − 4) = 0
si y solo si
−3x − 5 = 0, 3x − 4 = 0
es decir
5 4
x = − ,x =
3 3
6. Resolver para x de la ecuación
6x2 − 11a − 10a2 = 0, a 6= 0
6x2 − 11a − 10a2 = 0

6h 2 i
6x − 11a − 10a2 = 0
6
(6x )2 − 11a(6x ) − 60a2

=0
6
(6x − 15a)(6x + 4a)
=0
(2)(3)
(6x − 15a) (6x + 4a)
=0
3 2
(2x − 5a)(3x + 2a) = 0
si y solo si
2x − 5a = 0, 3x + 2a = 0
es decir
2x = 5a, 3x = −2a
o sea x = 25 a, x = − 32 a
6 4 5
7. x −4 − x = 12
6 4 5
− =
x−4 x 12
6 4 5
− − =0
x − 4 x 12
6(12x ) − 4(12( x − 4)) − 5( x ( x − 4))
=0
12x ( x − 4)
72x − 48x + 192 − 5x2 + 20x
=0
12x ( x − 4)
−5x2 + 44x + 192
=0
12x ( x − 4)
−5x2 + 44x + 192 = 0
multiplicando por -1 la ecuación se tiene
5x2 − 44x − 192 = 0

5
(5x2 − 44x − 192) = 0
5
(5x )2 − 44(5x ) − 960
5
(5x − 60)(5x + 16)
=0
5
5x − 60
(5x + 16) = 0
5
( x − 12)(5x + 16) = 0
si y solo si
x − 12 = 0, 5x + 16 = 0
si y solo si
16 1
x = 12, x = − = −3
5 5
8. Resolver la ecuación de cuarto grado
x4 + 2x2 = −1
Primero
x4 + 2x2 = −1
es equivalente a
x4 + 2x2 + 1 = 0
haciendo el cambio de variable t = x2 la ecuación anterior

queda
t2 + 2t + 1 = 0
(t + 1)(t + 1) = 0
t + 1 = 0, t + 1 = 0
sustituyendo t por x2 en la anterior expresión
x2 + 1 = 0, x2 + 1 = 0
o sea
x2 = −1, x2 = −1
√
x = ± −1 = ± i
o √
x = ± −1 = ± i
es decir, las raíces son x = i con multiplñicidad 2, y x =
−i, también con multiplicidad 2.
Ecuaciones de segundo grado resueltas por fórmula gene-

ral
El segundo método se basa en el siguiente
Teorema 1.7 La ecuación de segundo grado
ax2 + bx + c = 0, a, b, c ∈ C , a 6= 0
tiene a lo más dos raíces, expresadas de la siguiente manera:

√
−b ± b2 − 4ac
x=
2a
√
donde sólo se considera un valor (cualquiera) de b2 − 4ac.
En particular si los coeficientes de la ecuación de segun-

do grado son todos reales, entonces tenemos la siguiente
Proposición 1.23 La ecuación de segundo grado

ax2 + bx + c = 0, a, b, c ∈ <, a 6= 0
tiene a lo más dos raíces, expresadas de la siguiente manera:
√
−b + b2 − 4ac
x=
2a
o √
−b − b2 − 4ac
x=
2a
1. En particular si el discriminante D = b2 − 4ac = 0, enton-

ces sólo hay una raíz de multiplicidad 2, es decir, se repite
b
dos veces, x = − 2a
2. Si el discriminante D = b2 − 4ac > 0, entonces hay dos

raíces reales distintas
√
−b + b2 − 4ac
x=
2a
o √
−b − b2 − 4ac
x=
2a
3. Si D = b2 − 4ac < 0, entonces hay dos raices complejas
distintas p
−b + −(b2 − 4ac)i
x=
2a
o p
−b − −(b2 − 4ac)i
x=
2a
Ejemplo 1.36 Resuelva por la fórmula general las siguientes

ecuaciones:
1. x2 − 3x = −2
Como
x2 − 3x = −2
entonces
x2 − 3x + 2 = 0
luego a = 1, b = −3, c = 2, por tanto al aplicar la fórmula
general
p
−(−3) + (−3)2 − 4(1)(2)
x=
2(1)
o p
−(−3) − (−3)2 − 4(1)(2)
x=
2(1)
es decir √
3+9−8
x=
2
o √
3− 9−8
x=
2
es decir √
3+ 1
x=
2
o √
3− 1
x=
2
es decir
3+1
x=
2
o
3−1
x=
2
es decir
x=2
o
x=1
2. x2 + 4 = 0
Como x2 + 4 = 0 es equivalente a
x2 + 0x + 4 = 0
entonces a = 1, b = 0, c = 4, por tanto aplicando la fór-

mula general
p
−0 + 02 − 4(1)(4)
x=
2(1)
o p
−0 − 02 − 4(1)(4)
x=
2(1)
es decir √
−16
x=
2
o √
− −16
x=
2
es decir √
16i
x=
2
o √
− 16i
x=
2
o sea
4i
x=
2
o
−4i
x=
2
o sea
x = 2i
o
x = −2i
3. En la ecuación x2 − 2x + 1 = 0, tenemos a = 1, b =
−2, c = 1, entonces por la fórmula general
p
−(−2) + (−2)2 − 4(1)(1)
x=
2(1)
o p
−(−2) − (−2)2 − 4(1)(1)
x=
2(1)
equivalente a
√
2+ 0
x=
2
o √
2− 0
x=
2
equivalente a
2
x=
2
o
2
x=
2
es decir
x=1
o
x=1
Ejemplo 1.37 Resolver la ecuación
ix2 + 2ix − 3 − 4i = 0 (1.32)
Solución De la ecuación (1.32) se obtiene que a = i, b =

2i, c = −3 − 4i, por tanto por la fórmula general
√
−b ± b2 − 4ac
x=
2a
tenemos
p
−2i ± (2i )2 − 4(i )(−3 − 4i )
x =
2i
= √
−2i ±
−4 + 12i − 16
=
√ 2i
−2i ± −20 + 12i
=
2i
es decir, √
−2i ±
−20 + 12i
x= . (1.33)
2i
√
Como −20 + 12i genera dos raices complejas, a saber
1877 1373
+ i
1456 295
1877 1373
− − i
1456 295
entonces al sustituir la primera raiz en la ecuación (1.33),

tenemos
−2i ± ( 1877 1373

1456 + 295 i )
x= (1.34)
2i
es decir,

1877
−2i + 1456 + 1373
295 i
x1 =
2i
1877
−2i + + 1373
1456 295 i
=
2i
1877 1373
−2i + 1456 + 295 i (−i )
=
2
−2 − 1877
1456 i + 1373
295
=
2
783 992
= − i
590 1539
De forma semejante, de la ecuación(1.34) se obtiene

−2i − 18771456 + 1373
295 i
x2 =
2i
1877
−2i − 1456 − 1373 295 i
=
2i
1877 1373
−2i − 1456 − 295 i (−i )
=
2
−2 + 1877
1456 i − 1373
295
=
2
1963 992
= − + i
590 1539
Es decir, la ecuación (1.32) tiene las dos raíces
783 992
x1 = − i
590 1539
y
1963 992
x2 = − + i
590 1539
En Matlab esto se obtiene con las siguientes instruccio-

nes: Primero definimos el vector de coeficientes
p = [i, 2i, −3 − 4i ]
y segundo, hacemos roots(p). Obteniendo las mismas raí-

ces.
Ejemplo 1.38 Resuelva por fórmula general la ecuación:
2ix2 − (3 − i ) x + 4i − 1 = 6i − 2
Solución La ecuación es equivalente a la ecuación
2ix2 − (3 − i ) x + 4i − 1 − 6i + 2 = 0
es decir,
2ix2 − (3 − i ) x + 1 − 2i = 0
Aquí a = 2i, b = −(3 − i ) = −3 + i, c = 1 − 2i; por tanto
por la fórmula general
√
−b ± b2 − 4ac
x=
2a
obtenemos
p
(−3 + i )2 − 4(2i )(1 − 2i )
−(−3 + i ) ±
x =
2(2i )
√
3 − i ± 9 − 6i − 1 − 8i − 16
=
√ 4i
3 − i ± −8 − 14i
=
4i
es decir, √
3−i± −8 − 14i
x=
4i
Hallemos laspraíces cuadradas de √w = −8 − 14i. Para

ello r = |w| = 2 2
(−8) + (−14) = 260, y θ = −π +
arctan( −−14
8 ) = − 2.0899. Por tanto
√

θ + 2πk θ + 2πk
zk = r cos + sen i , k = 0, 1
2 2
√
4

−2.0899

−2.0899

z0 = 260 cos + sen i
2 2
= 2.0155 − 3.4730i
√
4

−2.0899 + 2π

−2.0899 + 2π

z1 = 260 cos + sen i
2 2
= −2.0155 + 3.4730i
Por último sustituyendo z0 = 2.0155 − 3.4730i en la

ecuación √
3 − i ± −8 − 14i
x=
4i
se obtiene
3 − i ± (2.0155 − 3.4730i )
x=
4i
Por tanto
3 − i + (2.0155 − 3.4730i )
x1 = = −1.1183 − 1.2539i
4i
3 − i − (2.0155 − 3.4730i )
x2 = = 0.6183 − 0.2461i
4i
En matlab las intruciones para resolver la ecuación son:

Primero. Se define el vector p = [2i − 3 + i1 − 2i ]. Se-

gundo. Se aplica la intrucción roots( p), obteniendo las mis-
mas raíces.
Después de haber resuelto las ecuaciones de segundo

grado podemos dar una versión del teorema fundamental
del Álgebra de un polinomio con coeficientes reales.
Definición 1.18 Un polinomio algebraico de segundo grado
P( x ) = ax2 + bx + c
con coeficientes en < es irreducible en <, si tiene dos raices son

complejas; es decir, si su discriminante D = b2 − 4ac es negativo.
Observemos que todo polinomio cuadrático irreduci-

ble con coeficientes en < no se puede factorizar en dos fac-
tores lineales, es decir, de la forma
P( x ) = ax2 + bx + c = a( x − α)( x − β)
con coeficientes en <.
Ejemplo 1.39 ¿El polinomio
P( x ) = 2x2 + 3x + 10
es irreducible en <?
Solución Como el discriminante
D = b2 − 4ac = 32 − 4(2)(10) = 9 − 40 = −31 < 0

entonces el polinomio
P( x ) = 2x2 + 3x + 10
es irreducible en <, es decir, la ecuación
2x2 + 3x + 10 = 0
tiene dos raices complejas.
Ejemplo 1.40 ¿El polinomio

P( x ) = x2 + x − 2
es irreducible en <?
Solución Como el discriminante

D = b2 − 4ac = 12 − 4(1)(−2) = 1 + 8 = 9 > 0
entonces el polinomio
P( x ) = x2 + x − 2
no es irreducible en <, es decir, la ecuación
x2 + x − 2 = 0
tiene dos raices reales. Ocupando la fórmula general o fac-
torizando el polinomio se obtiene
x2 + x − 2 = ( x − 1)( x + 2) = 0
que nos indica que las raices del polinomio
P( x ) = x2 + x − 2
son x = 1 y x = −2. Por tanto la factorización de P( x ) es
P( x ) = x2 + x − 2 = ( x − 1)( x + 2)
dos factores lineales.
Teorema 1.8 (Teorema fundamental del Álgebra) Sea el poli-

nomio algebraico de grado n con coeficientes en <:
P ( x ) = a n x n + a n −1 x n −1 + · · · + a 1 x + a 0 .
Entonces
P ( x ) = a n x n + a n −1 x n −1 + · · · + a 1 x + a 0
= a n ( x − r 1 ) α1 ( x − r 2 ) α2 · · · ( x − r p ) α p
·( x2 + b1 x + c1 ) β1 ( x2 + b2 x + c2 ) β2 · · · ( x2 + bt x + ct ) β t
donde en los factores lineales de la forma x − ri , los ri son reales; y
los factores cuadráticos de la forma x2 + bi x + ci son irreducibles
en <.
A los valores αi y a los valores β i se les llama la multiplicidad

de las raices reales o complejas respectivamente.
Teorema 1.9 Si z = α + βi es una raíz compleja de multiplici-

dad m de la ecuaíón algebraica de grado n:
a n x n + a n −1 x n −1 + · · · + a 1 x + a 0 = 0 (1.35)
con coeficientes en <. Entonces también z = α − βi es una raíz
de multiplicidad m de la ecuación (1.35). Es decir, las raíces com-
plejas vienen en parejas, una y su conjugada.
Demostración. El teorema es consecuencia de las pro-

piedades de la conjugación.
Supongamos que z = α + βi es una raíz de la ecuación

(1.35), entonces z satisface dicha ecuación, es decir, se tiene:
a n z n + a n −1 z n −1 + · · · + a 1 z + a 0 = 0
Conjugando la ecuación precedente se obtiene
a n z n + a n −1 z n −1 + · · · + a 1 z + a 0 = 0
equivalente a
a n z n + a n −1 z n −1 + · · · + a 1 z + a 0 = 0
equivalente a
a n z n + a n −1 z n −1 + · · · + a 1 z + a 0 = 0
y como el conjugado de un real es el mismo real, y zi = zi ,

entonces la anterior ecuación queda:
a n z n + a n −1 z n −1 + · · · + a 1 z + a 0 = 0
lo cual comprueba que z es también raíz de la ecuación

(1.35). La multiplicdad de la raíz conjugada se deduce del
teorema fundamental del Álgebra.
Como una consecuencia del teorema precedente tene-

mos la siguiente
Proposición 1.24 Todo ecuación algebraica de grado impar con

coeficientes en los reales tiene por lo menos una raíz real
Demostración. Como las raíces complejas vienen en con-

jugadas, puede haber a lo más n − 1 raices complejas, y una
real.
1.19. Regla de Descartes
En esta sección se presentará una regla que permite de-

terminar el número máximo de raíces positivas o de raíces
negativas de una ecuación algebraica.
Si ordenamos los términos de un polinomio algebraico

de potencias mayor a menor, entonces, se dice que ocurre
una variación de signos en el polinomio cuando difieren
los signos de dos términos consecutivos. Por ejemplo, en
el polinomio
p( x ) = 2x4 − 5x3 − 6x2 + 7x + 3
los signos de los términos son + − − + + . Por tanto, hay

dos variaciones de signos, una de positivo a negativo y otra
de negativo a positivo. De igual manera en la expresión
p( x ) = x4 − 2x3 + 3x2 + 6x − 4
hay tres variaciones de signos + − + + −.
Teorema 1.10 (De Descartes) Consideremos una ecuacion al-

gebraica con coeficientes reales:
p( x ) = an x n + an−1 x n−1 + ... + a1 x + a0 = 0.
1. Sea α el número de variaciones en el polinomio p( x ).
a) Si α es par, entonces el posible número de raíces posi-

tivas de la ecuación p( x ) = 0 es: 0, 2, 4, · · · , α.
1.19. REGLA DE DESCARTES 99
b) si α es impar, entonces el posible número de raíces po-

sitivas de la ecuación p( x ) = 0 es: 1, 3, 5, · · · , α.
2. Sea β el número de variaciones en el polinomio p(− x ).
a) Si β es par, entonces el posible número de raíces nega-

tivas de la ecuación p( x ) = 0 es: 0, 2, 4, · · · , β.
b) Si β es impar, entonces el posible número de raíces ne-
gativas de la ecuación p( x ) = 0 es: 1, 3, 5, · · · , β.
Ejemplo 1.41 Hallar el número de raíces positivas y negativas

de la ecuación:
x4 − 3x3 − 5x2 + 7x − 3 = 0
Solución En el polinomio
p( x ) = x4 − 3x3 − 5x2 + 7x − 3
hay tres variaciones de signos: + − − + −; es decir, α = 3.

Por tanto, en la ecuación
x4 − 3x3 − 5x2 + 7x − 3 = 0
el número posible de raíces positivas es 1, 3.
Por otro lado como
p(− x ) = (− x )4 − 3(− x )3 − 5(− x )2 + 7(− x ) − 3

= x4 + 3x3 − 5x2 − 7x − 3
entonces
p(− x ) = x4 + 3x3 − 5x2 − 7x − 3,

tiene una sola variación en signos: + + − − −, es decir,

β = 1. Por tanto, el número posible de raíces negativas de
la ecuación
x4 − 3x3 − 5x2 + 7x − 3 = 0
es 1.
Ejemplo 1.42 Hallar el número de raíces positivas y negativas

de la ecuación:
x5 + 2x4 + x3 + 2x2 + 3x + 6 = 0
Solución En el polinomio
p( x ) = x5 + 2x4 + x3 + 2x2 + 3x + 6
hay cero variaciones de signos: + + + + + +; es decir,
α = 0. Por tanto, en la ecuación
x5 + 2x4 + x3 + 2x2 + 3x + 6 = 0
el número de raíces positivas es 0.
Por otro lado, como

p(− x ) = (− x )5 + 2(− x )4 + (− x )3 + 2(− x )2 + 3(− x ) + 6
= − x5 + 2x4 − x3 + 2x2 − 3x + 6
entonces
p(− x ) = − x5 + 2x4 − x3 + 2x2 − 3x + 6,
tiene 5 variaciones en signos: − + − + − +; es decir,
β = 5. Por tanto, el número posible de raíces negativas de
la ecuación
x5 + 2x4 + x3 + 2x2 + 3x + 6 = 0
es 1, 3, 5.
1.19. REGLA DE DESCARTES 101
Ejemplo 1.43 Demostrar que la ecuación

x4 + 1 = 0
sólo tiene raíces complejas.
Solución. Es claro que la ecuación tiene coeficientes reales,

por lo tanto podemos aplicar la regla de Descartes.
Los signos del polinomio p( x ) = x4 + 1 son:+ +, es

decir, no hay cambios de signos, por tanto, α = 0, luego,
el número de raices positivas es cero, osea, no hay raíces
positivas.
Los signos del polinomio

p(− x ) = (− x )4 + 1 = x4 + 1
son:+ +, es decir, no hay variación de signos, por tanto,
β = 0, luego, el número de raices negativas es cero, osea, no
hay raíces negativas. También es claro que x = 0 no es raíz
de la ecuación
x4 + 1 = 0.
Así pues, la ecuación no tiene raíces reales, y por consi-
guiente sólo tiene raíces complejas, que deben ser conju-
gadas debido a que los coeficientes del polinomio p( x ) =
x4 + 1 son reales.
Ejemplo 1.44 Ver los siguientes videos:
1. https: // www. youtube. com/ watch? v= Xv-vXTbZamA

2. https: // www. youtube. com/ watch? v= JdC07NdfLow
3. https: // www. youtube. com/ watch? v= wfPFQZbSrMA
1.20. Algoritmo de la división
El trabajo que hasta ahora se ha hecho con las ecuacio-

nes ha consistido casi exclusivamente en el manejo de pro-
blemas de primer grado y de segundo grado. Sin embar-
go, las aplicaciones prácticas del álgebra frecuentemente re-
quieren ecuaciones que ni son cuadráticas ni son de primer
grado, y resulta importante poder resolver tales ecuaciones
con tiempo y esfuerzo mínimo.
El algoritmo de la división nos proporciona un método

para resolver ecuaciones de grado mayor o igual a 2.
Teorema 1.11 (Algoritmo de la división) Sean p( x ) y q( x )

dos polinomios algebraicos, donde el grado de p( x ) es mayor o
igual que el grado de q( x ), es decir,
grad( p) ≥ grad(q)
entonces existe un único polinomio c( x ) y un único polinomio

r ( x ) con la propiedad:
p( x ) = q( x )c( x ) + r ( x ) (1.36)
donde grad(r ) < grad(q). Al polinomio p( x ) se le llama el divi-

dendo, a q( x ) se le llama el divisor, a c( x ) se le llama el cocien-
te, y al polinomio r ( x ) se le llama el residuo.
Observar que la ecuación (1.36) es equivalente a la ecua-

ción:
p( x ) r(x)
= c( x ) + (1.37)
q( x ) q( x )
1.20. ALGORITMO DE LA DIVISIÓN 103
Definición 1.19 Bajo las hipótesis del teorema precedente, si r ( x ) =

0, entonces se dice que el polinomio q( x ) divide al polinomio p( x ),
y se escribe q( x ) | p( x ).
El siguiente teorema permite ”disminuir” el grado a

un polinomio, o también sirve para degradar el grado de
una ecuación en uno.
Teorema 1.12 Si x = r es una raiz del polinomio algebraico de

grado n:
p( x ) = an x n + an−1 x n−1 + ... + a1 x + a0

es decir, x = r satisface la ecuación
an x n + an−1 x n−1 + ... + a1 x + a0 = 0

entonces x − r divide al polinomio p( x ), o sea, existe un polino-
mio c( x ) tal que
p( x ) = ( x − r )c( x ) (1.38)
donde grad(c( x )) = n − 1. Es decir, el residuo de la división de
p( x ) por el binomio x − r es cero.
El teorema precedente tiene un recíproco:
Teorema 1.13 Si el residuo de dividir el polinomio
p( x ) = an x n + an−1 x n−1 + ... + a1 x + a0

por el polinomio x − r, es cero, entonces x = r es una raiz del po-
linomio p( x ), es decir, x − r es una raiz de la ecuación algebraica
an x n + an−1 x n−1 + ... + a1 x + a0 = 0

Los dos teoremas precedentes se dicen en corto de la

siguiente manera: x = r es una raíz del polinomio p( x ) si y
solo si el residuo de la división de p( x ) por el binomio x − r
es cero.
Describimos ahora algunos ejemplos de la división de

un polinomio por un polinomio.
Ejemplo 1.45 Obtener la división del polinomio a3 + b3 por el

polinomio b + a
Solución Primero ordenamos los coeficientes de la lite-

ral (con respecto a la que se va a dividir) de mayor a menor.
En este caso vamos a dividir con respecto a a, es claro que
tambien se puede con respecto a b. Asi que dividimos el po-
linomio a3 + b3 por el polinomio a + b.
Segundo, los cálculos del algoritmo están dados en la

tabla siguiente:
a3 + b3 a+b
− a3 − a2 b a2 − ab + b2
− a2 b + b3
+ a2 b + ab2
ab2 + b3
− ab2 − b3
0
Por tanto
a3 + b3
= a2 − ab + b2 ,
a+b
o de forma equivalente
a3 + b3 = ( a + b)( a2 − ab + b2 ),
con lo que se demuestra que el polinomio a + b divide al
polinomio a3 + b3 .
Ejemplo 1.46 Demostrar que el polinomio 2a − 3b no divide al

polinomio
8a3 − 6a2 b + 5ab2 − 9b3
Solución Aplicaremos el algoritmo de la división, di-

vidiendo el polinomio
8a3 − 6a2 b + 5ab2 − 9b3
por el polinomio 2a − 3b.
8a3 − 6a2 b + 5ab2 − 9b3 2a − 3b

−8a3 + 12a2 b 4a2 + 3ab + 7b2
6a2 b + 5ab2 − 9b3
−6a2 b + 9ab2
14ab2 − 9b3
−14ab2 + 21b3
12b3
Por tanto, como el residuo 12b3 es distinto de cero, entonces,
el polinomio 2a − 3b no divide al polinomio
8a3 − 6a2 b + 5ab2 − 9b3 ,
y se tiene,
8a3 − 6a2 b + 5ab2 − 9b3 12b3
= 4a2 + 3ab + 7b2 + .
2a − 3b 2a − 3b
Ejemplo 1.47 Aplicando el teorema del algoritmo de la división,

analice si x = 2 es una raíz de la ecuación
2x4 + x3 − 9x2 − 4x + 4 = 0
Solución Para hacer esto apliquemos el algoritmo de la

división, dividiendo el polinomio
2x4 + x3 − 9x2 − 4x + 4
por x − 2.
2x4 + x3 − 9x2 − 4x + 4 x−2

−2x4 + 4x3 2x3 + 5x2 + x − 2
5x − 9x2 − 4x + 4
3
−5x3 + 10x2
x2 − 4x + 4
− x2 + 2x
−2x + 4
2x − 4
0
Como el residuo es cero, entonces x = 2 es raíz de la ecua-
ción
2x4 + x3 − 9x2 − 4x + 4 = 0.
1.20.1. Regla de Ruffini
Otra alternativa para hallar la división de un polinomio

p( x ) entre un binomio de la forma x − a es la técnica llama-
da de Ruffini (Paolo Ruffini su descubridor a principios del
siglo XIX). Antes de aplicar el algoritmo de Ruffini, primero

debemos ordenar el polinomio de potencia mayor a menor,
y además completar con coeficientes ceros a los términos
que no aparecen. Por ejemplo si la ecuación fuera
3x − x2 + 9x5 − 5 = 0,
entonces, debemos poner primero la ecuación en la forma:
9x5 + 0x4 + 0x3 − x2 + 3x − 5 = 0.
Ejemplo 1.48 Muestre apicando la regla de Ruffini que x = 2

es una raíz de la ecuación
4 + x3 + 2x4 − 9x2 − 4x = 0.
Solución Primero. Debemos ordenar el polinomio de

potencia mayor a menor, y además completar con coeficien-
tes ceros a los términos que no aparecen. En nuestro caso,
después de ordenar, tenemos:
2x4 + x3 − 9x2 − 4x + 4 = 0.
La tabla se presenta de la manera siguiente:
2 1 -9 -4 4 2
4 10 2 -4
2 5 1 -2 0
Como el residuo es cero, entonces, x = 2 es raíz de la ecua-

ción
4 + x3 + 2x4 − 9x2 − 4x = 0.
Ejemplo 1.49 Resolver por la regla de Ruffini si x = 5 es raíz

de la ecuación
x3 + x2 − 2x − 5 = 0.
Solución Primero. Debemos ordenar el polinomio de

tes ceros a los términos que no aparecen. En nuestro caso, no
hay necesidad de hacerlo, pues todo está en regla.
Haremos la división del polinomio
x3 + x2 − 2x − 5
por el binomio x − 5 empleando la regla de Ruffini. Si el

residuo de dicha división es cero, entonces x = 5 es raíz de
la ecuación
x3 + x2 − 2x − 5 = 0,
si el residuo es distinto de cero, entonces, x = 5 no es raíz
de la ecuación.
La división se presenta en la siguiente tabla.
1 1 -2 -5 5
5 30 140
1 6 28 135
Como el residuo es 135 distinto de cero, entonces, x = 5 no
es raíz de la ecuación.
El algoritmo de la división muestra que
x3 + x2 − 2x − 5 135
= 1x2 + 6x + 28 + ,
x−5 x−5
o bién,
x3 + x2 − 2x − 5 = ( x − 5)(1x2 + 6x + 28) + 135.
Ejemplo 1.50 Ver los siguientes videos de apoyo sobre algorit-

mo de la división:
1. https: // www. youtube. com/ watch? v= skLnWGAOwzI
2. https: // www. youtube. com/ watch? v= IU1EjLle6bg
3. https: // www. youtube. com/ watch? v= jiHdUHmjK1M
4. https: // www. youtube. com/ watch? v= jipIaR4S3FA
5. https: // www. youtube. com/ watch? v= teWWwWouz6M
Ocuparemos el teorema 1.12 para hallar las raíces de la

siguiente ecuación.
Ejemplo 1.51 Hallar las raíces de la ecuación
2x4 + x3 − 9x2 − 4x + 4 = 0 (1.39)
Solución Este problema lo resolveremos hallando raí-

ces por inspección y aplicando el algoritmo de la división.
Primero. Se halla por inspección que x = 2 es raíz de la

ecuación (1.39). En efecto, sea
p( x ) = 2x4 + x3 − 9x2 − 4x + 4,
entonces, como
p(2) = 2(24 ) + 23 − 9(22 ) − 4(2) + 4 = 0,
x = 2 es raiz de la ecuación (1.39).
Segundo. Utilizando el teorema (1.12) disminuiremos

el grado de la ecuación (1.39). Para hacer esto, apliquemos
el algoritmo de la división, dividiendo el polinomio p( x )
por x − 2.
2x4 + x3 − 9x2 − 4x + 4 x−2

−2x4 + 4x3 2x3 + 5x2 + x − 2
5x − 9x2 − 4x + 4
3
−5x3 + 10x2
x2 − 4x + 4
− x2 + 2x
−2x + 4
2x − 4
0
Esto implica que,
2x4 + x3 − 9x2 − 4x + 4 = ( x − 2)(2x3 + 5x2 + x − 2).
Tercero. Se halla por inspección una raíz del polinomio
2x3 + 5x2 + x − 2.
x = −1 es raíz de dicho polinomio. En efecto,
2(−1)3 + 5(−1)2 + (−1) − 2 = −2 + 5 − 1 − 2 = 0.

Es claro que si x = −1 es raíz del polimonio
2x3 + 5x2 + x − 2,
entonces, también es raíz del polinomio
p( x ) = 2x4 + x3 − 9x2 − 4x + 4.
Cuarto. Utilizando el teorema (1.12) disminuiremos el

grado del polinomio
2x3 + 5x2 + x − 2.
Para hacer esto, apliquemos el algoritmo de la división, di-

vidiendo el polinomio
2x3 + 5x2 + x − 2
por x − (−1) = x + 1.
2x3 + 5x2 + x − 2 x+1

−2x3 − 2x2 2x2 + 3x − 2
3x2 + x − 2
−3x2 − 3x
−2x − 2
2x + 2
0
Es decir,
2x4 + x3 − 9x2 − 4x + 4 = ( x − 2)(2x3 + 5x2 + x − 2)

= ( x − 2)( x + 1)(2x2 + 3x − 2)
o sea,
2x4 + x3 − 9x2 − 4x + 4 = ( x − 2)( x + 1)(2x2 + 3x − 2)
Por último, resolvamos por fórmula general la ecuación

de segundo grado
2x2 + 3x − 2 = 0.
Las raíces de esta ecuación son

1
x = , x = −2.
2
En resumen, las raíces de la ecuación (1.39) son

1
x1 = 2, x2 = −1, x3 = , x4 = −2.
2
En Matlab las instrucciones para hallar las raíces de la

ecuación
p( x ) = 2x4 + x3 − 9x2 − 4x + 4 = 0
son:
Primero. Definir el polinomio
p = [2, 1, −9, −4, 4].
Segundo. Escribir la instrucción roots( p).

El siguiente teorema describe una forma práctica de ha-

llar raíces de una ecuación algebraica con coeficientes ente-
ros.
Teorema 1.14 (Raíces racionales). Sea la ecuación algebraica

de grado n
an x n + an−1 x n−1 + ... + a1 x + a0 = 0 (1.40)
donde los coeficientes ai son todos enteros.
Si la ecuación (1.40) tiene una raíz racional, entonces esta

raíz tiene como numerador un factor de a0 , y como denominador
un factor de an . En particular si la ecuación
x n + an−1 x n−1 + ... + a1 x + a0 = 0 (1.41)
tiene coeficientes enteros. Entonces toda raíz racional de dicha

ecuación es un entero y factor de a0 .
Ejemplo 1.52 Hallar las posibles raíces de la ecuación
4x4 − 4x3 − 25x2 + x + 6 = 0
aplicando el teorema precedente.
Solución Ocuparemos el teorema precedente. Aquí a4 =

4 y a0 = 6.
Para aplicar el teorema precedente, primero hallemos

los factores de a0 = 6 y a4 = 4. Y posteriormente, halle-
mos todas las cocientes posibles con numerador un factor
de a0 = 6 y con denominador un factor de a4 = 4. Estos co-

cientes son las posibles raíces racionales de la ecuación (si
es que tiene raíces racionales).
Primero. Los factores enteros de a0 = 6 (se incluyen

factores negativos) son:
±1, ±2, ±3, ±6,
mientras que los factores enteros de a4 = 4 (se incluyen fac-
tores negativos) son:
±1, ±2, ±4.
Segundo. Las posibles raíces racionales (después de desechar
los cocientes que se repiten) son:
1 1 3 3
±1, ± , ± , ±2, ±3, ± , ± , ±6
2 4 2 4
1.20.2. Procedimiento para obtener raices de una

ecuación algebraica
A continuación se presentará un esquema de los pasos

que se sugieren deben seguirse para determinar las raíces
(si es que existe alguna) de una ecuación algebraica.
1. Se aplica el teorema de Descartes para hallar el núme-

ro máximo de raíces positivas y negativas. Esto sólo se
puede hacer si la ecuación tiene coeficientes reales.
2. Se enlistan todas las posibilidades de raíces raciona-
les utilizando el teorema de (1.14). Esto sólo se puede
hacer si la ecuación tiene coeficientes enteros.
3. Se ensayan las posibles raíces, hasta que se haya en-

contrado alguna raíz (si es que existe alguna). Para
hacer esto, se aplica el algoritmo de Ruffini sobre las
posibles raíces halladas en el paso anterior, o sobre po-
sibles raíces dadas por inspección.
4. Si se encuentra una raíz. Se repiten los dos pasos ante-

riores para el polinomio cociente (ecuación degrada-
da) hallado en el paso precedente (el que se halla en el
algoritmo de Ruffini). El proceso finaliza hasta encon-
trar un polinomio cociente de segundo grado, este se
termina de resolver por factorización o empleando la
fórmula general.
Ejemplo 1.53 Hallar las raíces de la ecuación
4x4 − 4x3 − 25x2 + x + 6 = 0 (1.42)
Solución Es claro que la ecuación (1.42) tiene coeficien-

tes enteros.
Primero. Apliquemos la regla de Descartes. En este pro-

blema
P( x ) = 4x4 − 4x3 − 25x2 + x + 6,
y
P(− x ) = 4(− x )4 − 4(− x )3 − 25(− x )2 + (− x ) + 6

= 4x4 + 4x3 − 25x2 − x + 6
es decir,
P(− x ) = 4x4 + 4x3 − 25x2 − x + 6.

Entonces las variaciones de los signos de p( x ) son dos:
+ − − + +
luego hay α = 2 variaciones de signos en p( x ), por tanto,
hay 0 o 2 posibles raíces positivas. De forma similar como
las variaciones de los signos de p(− x ) son dos, es decir, β =
2, entonces hay 0 o 2 posibles raíces negativas.
Segundo. Apliquemos el teorema de raíces racionales.

Los factores de a0 = 6 son:
±1, ±2, ±3, ±6,

y los factores del coeficiente a4 = 4 son
±1, ±2, ±4.

Luego las posibles raíces racionales (desechando los cocien-
tes que se repiten) son:
1 1 3 3
±1, ± , ± , ±2, ±3, ± , ± , ±6.
2 4 2 4
Tercero. Se procede a ensayar las posibles raíces racio-

nales halladas en el paso anterior. Aplicaremos la regla de
Ruffini. Para ello, primero ebemos ordenar el polinomio de
tes ceros a los términos que no aparecen. En nuestro caso, no
hay necesidad de hacerlo, pues todo está en regla.
Veamos si x = 1 es raíz de la ecuación (1.42). Para ello

aplicamos el algoritmo de Ruffini, dividiendo el polinomio
4x4 − 4x3 − 25x2 + x + 6

por el polinomio x − 1.
+4 -4 -25 +1 +6 1
+4 0 -25 -24
+4 0 -25 -24 -18
Como el residuo es −18 6= 0, entonces, x = 1 no es raíz de
la ecuación (1.42).
Analicemos si x = 2 es raíz de la ecuación (1.42):
+4 -4 -25 +1 +6 2
+8 +8 -34 -66
+4 +4 -17 -33 -60
Como el residuo es −60 6= 0, entonces, x = 2 no es raíz de
la ecuación (1.42).
Analicemos si x = 3 es raíz de la ecuación (1.42):
+4 -4 -25 1 6 3
+12 +24 -3 -6
+4 +8 -1 -2 0
Como el residuo es 0, entonces, x = 3 es raíz de la ecuación
(1.42). Y por tanto, el polinomio cociente hallado en el paso
anterior es
4x3 + 8x2 − x − 2,
la ecuación degradada es la ecuación que se obtiene a partir
de este último polinomio, es decir, la ecuación degradada es
4x3 + 8x2 − x − 2 = 0.
Cuarto. Apliquemos nuevamente el teorema de las raí-

ces al polinomio (cociente),
4x3 + 8x2 − x − 2.
Aquí a0 = −2 y a3 = 4. Los factores de a0 = −2 son
±1, ±2,
y los factores de a3 = 4 son
±1, ±2, ±4.
Por tanto, las posibles raíces racionales (según el teorema
(1.14)) del polinomio
4x3 + 8x2 − x − 2
son
1 1
±1, ± , ± , ±2
2 4
No es necesario considerarlas todas, puesto que ante-

riormente se encontró que 1 y 2 no son raíces de la ecuación
original.
1
Analicemos si x = 4 es raíz de la ecuación degradada
4x3 + 8x2 − x − 2 = 0.
Al aplicar nuevamente el algoritmo de Ruffini, tenemos:
1
+4 8 -1 -2 4
+1 + 94 5
16
5 27
+4 9 4 - 16
Como el residuo es − 27
16 6 = 0, entonces, x =
1
4 no es raíz de
la ecuación
4x3 + 8x2 − x − 2 = 0.
1
Analicemos si x = 2 es raíz de la ecuación
4x3 + 8x2 − x − 2 = 0.
Al aplicar nuevamente el algoritmo de Ruffini, tenemos:
1
+4 8 -1 -2 2
+2 +5 +2
+4 +10 +4 0
1
Como el residuo es 0, entonces, x = 2 es raíz de la ecuación
4x3 + 8x2 − x − 2 = 0.
Además, la ecuación degradada en este último algoritmo es
la ecuación de segundo grado:
4x2 + 10x + 4 = 0,
que al resolverla por la fórmula general tiene las raíces
1
x = −2, x = − .
2
En resumen la ecuación (1.42) tiene las siguientes raíces

1 1
x1 = 3, x2 = , x3 = −2, x4 = − .
2 2
El codigo en Matlab para resolver la ecuación (1.42) es:

Primero. Definir el vector de coeficientes del polinomio
4x4 − 4x3 − 25x2 + x + 6,
es decir,
p = [4, −4, −25, 1, 6]
Segundo. Aplicar la sentencia roots( p).
Ejemplo 1.54 Hallar todas las raíces de la ecuación
9x3 − x + 2
Solución Es claro que la ecuación tiene coeficientes en-

teros.
Primero. Apliquemos la regla de Descartes. Aquí
p( x ) = 9x3 − x + 2,
por tanto,
p(− x ) = 9(− x )3 − (− x ) + 2 = −9x3 + x + 2,
es decir,
p(− x ) = −9x3 + x + 2.
Los cambios de signos de p( x ) son
+, −, +
por tanto, α = 2 indica que hay dos cambios de signos en

p( x ), lo cual muestra que hay 0 o 2 raíces positivas.
Los cambios de signos de p(− x ) son
−, +, +
por tanto, β = 1 indica que hay un cambio de signo en

p(− x ), lo cual muestra que hay posiblemente una sóla raíz
negativa.
Segundo. Apliquemos el teorema de las raíces.
El factor a0 = 2, y sus factores son
±1, ±2.
El factor a3 = −9, y sus factores son
±1, ±3, ±9
Por tanto, las posibles raíces racionales son
1 2 2
±1, ±3, ± , ±2, ± , ± .
9 3 9
Tercero. Apliquemos la regla de Ruffini para ver cuáles

de estos candidatos de posibles raíces son en verdad raíces
de la ecuación; recuerden que antes de aplicar la regla de
Ruffini debemos completar con coeficientes ceros a aquellos
términos que no aparezcan en el polinomio de la ecuación,
y ordenar los términos del polinomio de potencia mayor a
menor.
En nuestro caso, la ecuación es:
9x3 − x + 2 = 0,
por tanto, antes de aplicar el algoritmo de Ruffini, debemos

completar con ceros los coeficientes que no aparecen en la
ecuación. Después de completar los términos, nuestra ecua-

ción queda de la manera siguiente:
9x3 + 0x2 − x + 2 = 0.
Ensayemos el valor x = 1
9 0 -1 2 1
9 9 8
9 9 8 10
Como el residuo 10 es distinto de cero, entonces, x = 1 no

es raíz de la ecuación original.
9 0 -1 2 3
27 81 240
9 27 80 242
Como el residuo 242 es distinto de cero, entonces, x = 3

no es raíz de la ecuación original. Después de ensayar con
algunos otros valores, se halla que x = − 32 es una raíz:
9 0 -1 2 - 23
-6 4 -2
9 -6 3 0
Como el residuo es cero, entonces, x = − 32 es raíz de la

ecuación original. La ecuación degradada es
9x2 − 6x + 3 = 0.
Resolvamos esta ecuación de segundo grado para hallar las

dos raíces que faltan.
Utilizando la fórmula general:

√
−b ± b2 − 4ac
x =
2a p
−(−6) ± (−6)2 − 4(9)3
=
2(9)
√
6 ± 36 − 108
=
√ 18
6 ± −72
=
18
√
6 ± 72i
=
18√
6 72
= ± i
18 √ 18
1 2
= ± i,
3 3
es decir, √
1 2
x= ± i.
3 3
En resumen, las raíces de la ecuación
9x3 − x + 2
son √ √
2 1 2 1 2
x1 = − , x2 = + i, x3 = − i.
3 3 3 3 3
x3 − 2x2 − 5x + 6 = 0
Solución Es claro que la ecuación tiene coeficientes en-

teros.
Primero. Apliquemos la regla de Descartes. Aquí

p( x ) = x3 − 2x2 − 5x + 6,
por tanto,
p(− x ) = (− x )3 − 2(− x )2 − 5(− x ) + 6 = − x3 − 2x2 + 5x + 6,
es decir,
p(− x ) = − x3 − 2x2 + 5x + 6,
Los cambios de signos de p( x ) son
+, −, −, +
por tanto, α = 2 indica que hay dos cambios de signos en
p( x ), lo cual muestra que hay 0 o 2 raíces positivas.
Los cambios de signos de p(− x ) son

−, −, +, +
por tanto, β = 1 indica que hay un cambio de signo en
p(− x ), lo cual muestra que hay posiblemente una sóla raíz
negativa.
Segundo. Apliquemos el teorema de las raíces.

±1, ±2, ±3, ±6.

±1.
Por tanto, las posibles raíces racionales son
±1, ±2, ±3, ±6.
Tercero. Apliquemos la regla de Ruffini para ver cuáles

de estos candidatos de posibles raíces son en verdad raíces
de la ecuación; recuerden que antes de aplicar la regla de
Ruffini debemos completar con coeficientes ceros a aquellos
términos que no aparezcan en el polinomio de la ecuación,
y ordenar los términos del polinomio de potencia mayor a
menor. En nuestro caso, todo está en regla, y por tanto no
hay necesidad de hacer algo:
x3 − 2x2 − 5x + 6 = 0.
1 -2 -5 6 1
1 -1 -6
1 -1 -6 0

ción original. Esto implica que la ecuación degradada es
1x2 − 1x − 6 = 0,
la cual se puede resolver con la fórmula general para obte-

ner las dos raíces que faltan. En nuestro caso, seguiremos
aplicando la regla de Ruffini con el valor x = 3:
1 -2 -5 6 3
3 3 -6
1 1 -2 0

ción original.
Ensayamos ahora con x = −2:
1 -2 -5 6 -2
-2 8 -6
1 -4 3 0
Como el residuo es cero, entonces, x = −2 es raíz de la

ecuación original.
En resumen, las raíces de la ecuación
x3 − 2x2 − 5x + 6 = 0
son x1 = 1, x2 = 3, x3 = −2.
Ejemplo 1.56 Obtener todas las raíces de la ecuación
x5 − 6x4 + 9x3 = 0
Solución La ecuación a resolver es equivalente a la

ecuación:
x3 ( x2 − 6x + 9) = 0.
Que al aplicarle la propiedad del dominio entero, tenemos
x3 = 0 ⇔ x = 0, x = 0, x = 0
ó
x2 − 6x + 9 = 0.
Resolvamos por factorización (también se puede resolver

por la fórmula general) la ecuación de segundo grado
x2 − 6x + 9 = 0.
Esta ecuación queda de la siguiente manera:
x2 − 6x + 9 = ( x − 3)2 = 0.
Al aplicar la propiedad del dominio entero a la ecuación

anterior, tenemos
( x − 3)2 = 0,
si y solo si
( x − 3)( x − 3) = 0,
si y solo si
( x − 3) = 0,
ó
( x − 3) = 0,
si y solo si
x = 3,
ó
x = 3.
De los argumentos anteriores, se tiene que las raíces de nues-
tra ecuación
x5 − 6x4 + 9x3 = 0
son
x1 = 0, x2 = 0, x3 = 0, x4 = 3, x1 = 3,
es decir, la raíz x = 0 tiene multiplicidad 3, y la raíz x = 3
tiene multiplicidad 2.
x4 + 16 = 0.
Solución Es claro (sin aplicar la regla de Descartes) que

la ecuación no tiene raíces reales.
La ecuación a resolver es equivalente a la ecuación:
x4 = −16,
y ésta, es equivalente a la ecuación:

√
4
x= −16.
Hallemos las raíces cuartas de w = −16 aplicando la

fórmula
√

4 θ + 2πk θ + 2πk
xk = r cos + i sin ,
4 4
para k = 0, 1, 2, 3. Aquí r = |w| y θ = arg(w).
Como
r = |w| = | − 16| = 16
y
θ = arg(−16) = π,
entonces, al sustituir r = 16 y θ = π en la fórmula
√

4 θ + 2πk θ + 2πk
xk = r cos + i sin ,
4 4
para k = 0, 1, 2, 3, tenemos,
√ 4

π + 2πk

π + 2πk

xk = 16 cos + i sin ,
4 4
para k = 0, 1, 2, 3. Y al simplificarla queda de la manera si-
guiente:

π + 2πk π + 2πk
xk = 2 cos + i sin ,
4 4
para k = 0, 1, 2, 3.
Si k = 0, tenemos,
h π π i
x0 = 2 cos + sin i
4π 4
π
= = 2 cos + 2 sin i
4 4
1 1
= 2√ + 2√ i
2 2
√ √
= 2 + 2i
Si k = 1, tenemos,

π + 2π π + 2π
x1 = 2 cos + sin i
4 4

π + 2π π + 2π
= = 2 cos + 2 sin i
4 4

3π 3π
= = 2 cos + 2 sin i
4 4
1 1
= −2 √ + 2 √ i
2 2
√ √
= − 2 + 2i
Si k = 2, tenemos,

π + 4π π + 4π
x2 = 2 cos + sin i
4 4

π + 4π π + 4π
= = 2 cos + 2 sin i
4 4

5π 5π
= = 2 cos + 2 sin i
4 4
1 1
= −2 √ − 2 √ i
2 2
√ √
= − 2 − 2i
por último, si k = 3, tenemos,

π + 6π π + 6π
x3 = 2 cos + sin i
4 4

π + 6π π + 6π
= = 2 cos + 2 sin i
4 4

7π 7π
= = 2 cos + 2 sin i
4 4
1 1
= 2√ − 2√ i
2 2
√ √
= 2 − 2i
En resumen, las raíces de nuestra ecuación son:

√ √ √ √
x0 = 2 + 2i, x1 = − 2 + 2i.
y, √ √ √ √
x2 = − 2 − 2i, x3 = 2 − 2i.
Ejemplo 1.58 Calcular todas las raíces de la ecuación
x3 − 2x2 + x − 2 = 0.
Solución. Se calcula por inspección que x = i es una

solución de la ecuación. En efecto:
x3 − 2x2 + x − 2 = i3 − 2i2 + i − 2 = −i + 2 + i − 2 = 0.
Por razones pedagógicas comprobaremos que x = i es una

raíz de la ecuación, aplicando el algoritmo de Ruffini:
1 -2 1 -2 i
i -1-2i 2
1 -2+i -2i 0
Como el residuo es cero, entonces, x = i es raíz de la ecua-

ción original. Además como la ecuación tiene todos sus co-
eficientes reales, y x = i es una raíz de dicha ecuación, en-
tonces, la conjugada de x = i, es decir, −i, también debe ser
raíz de dicha ecuación. Por tanto, por el teorema fundamen-
tal del Álgebra, los binomios x − i y x − (−i ) = x + i deben
ser factores del polinomio
p( x ) = x3 − 2x2 + x − 2,
es decir,
p( x ) = x3 − 2x2 + x − 2 = ( x − i )( x + i )q( x ),
donde es claro que el polinomio q( x ) debe ser de grado uno.
La expresión
x3 − 2x2 + x − 2 = ( x − i )( x + i )q( x ),
significa que el polinomio de segundo grado

( x − i )( x + i ) = x2 + 1
divide al polinomio
p( x ) = x3 − 2x2 + x − 2.
Apliquemos el algoritmo de la división para obtener la raíz
faltante de la ecuación
x3 − 2x2 + x − 2 = 0.
Al aplicar el algoritmo de la división, dividiendo
p( x ) = x3 − 2x2 + x − 2
por el polinomio x2 + 1, tenemos:
x3 − 2x2 + x − 2 x2 + 1
− x3 − x x−2
−2x2 − 2
2x2 + 2
0
Esto significa que el polinomio degradado es x − 2. Por tan-
to, tenemos,
0 = x3 − 2x2 + x − 2 = ( x − i )( x + i )( x − 2)
equivalente (por propiedad del dominio entero) a las ecua-
ciones:
x − i = 0, x + i = 0, x − 2 = 0,
que al resolverlas, se obtienen todas las raíces de la ecuación
original:
x1 = i, x2 = −i, x3 = 2.
1. https: // www. youtube. com/ watch? v= ZvluxjtYe0o
2. https: // www. youtube. com/ watch? v= 6lI8Z_ A4DRM
3. https: // www. youtube. com/ watch? v= 05O16EtcR-Y
4. https: // www. youtube. com/ watch? v= Xv-vXTbZamA
5. https: // www. youtube. com/ watch? v= ozzalwEBhw0
6. https: // www. youtube. com/ watch? v= stIFJ0GnS84
Ejercicio 1.20.1 Hallar todas las raíces de cada ecuación:
1.
3x3 − 10x2 + 12x − 3 = 0
2.
4x3 + 4x2 − 7x − 12 = 0
3.
2x4 + x3 − 9x2 − 4x + 4 = 0
4.
4x4 − 4x3 − 25x2 + x + 6 = 0
5.
4x5 − 17x4 + 12x3 + 62x2 − 112x + 24 = 0
6.
6x5 − 13x4 + 27x3 + 22x2 − 78x + 36 = 0
1.21. Ejercicios
1. De las páginas 239-240 del libro Rees de Álgebra hacer
los siguientes ejercicios (y comprobarlos en Matlab):
21,23,26,29,30,36.
2. De la página 243 del libro Rees de Álgebra hacer los si-

guientes ejercicios (y comprobarlos en Matlab): 1,3,5,9,13
Ejercicio 1.21.1 Hallar todas las raíces de los ejercicios 24,31 y

33 del libro Rees página 239-240.
1.22. Aplicaciones
En esta sección veremos una aplicación de una ecua-

ción algebraica de tercer grado.
La ecuación de Van der Walls para un gas real es

a
P + 2 (V − b) = RT (1.43)
V
equivalente a la ecuación cúbica:
PV 3 − ( Pb + RT )V 2 + aV − ab = 0 (1.44)
donde
P es presión en atm
T es temperatura en K
R constante universal de los gases en atm − L/( gmolK ) =
0.08205
1.22. APLICACIONES 135
V es el volumen molar del gas en L/gmol

a, b constantes particulares de cada gas.
Hallar el volumen para el gas CO2 , con P = 10 atm, y

T = 80◦ .
Para este gas a = 3.599, b = 0.04267, y T = 80 + 273.2 =

353.2 K.
Aplicando el siguiente programa en Matlab se obtiene

el volumen V.
Figura 1.6: Volumen molar de un gas

Capítulo 2
Teoría elemental de
matrices
En este capítulo describimos la teoría elemental de las

matrices. Las matrices juegan un papel muy importante en
las Matemáticas, Física e Ingeniería, y en muchas areas de
las ciencias.
Definición 2.1 Una matriz es arreglo rectangular de números

reales o complejos, dispuestos en m filas y n columnas:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=  ··· ··· ··· ··· 

am1 am2 · · · amn

Cuando la matriz es de orden 1 × n, le llamaremos una matriz
renglón o un vector renglón de n elementos:

A = a1 a2 · · · a n
137
138 CAPÍTULO 2. TEORÍA ELEMENTAL DE MATRICES
Cuando la matriz es de orden m × 1, le llamaremos una matriz

columna o un vector columna de m elementos:
 
a1
 a2 
A=
 
.. 
 . 
am
Figura 2.1: Matriz

139
El número de filas y columnas determinan el orden de

la matriz, y se denota por Am×n . Al elemento que está en la
i-ésima fila y la j-ésima columna (1 ≤ i ≤ m, 1 ≤ j ≤ n),
lo denotamos como aij o bién como [ A]ij . Si la matriz tiene
el mismo número de filas que de columnas se llama matriz
cuadrada.
Ejemplo 2.1

1 −2 10

7
 
 

 3 −2 0 5 

A= 
1
 

 8 7 9 −3 

 
−8 0 0 −1
En este ejemplo, A es una matriz cuadrada de orden

4 × 4, y
a11 = 1, a12 = −2, a13 = 10, a14 = 7, a21 = 3, · · · , a44 = −1
Ejemplo 2.2

1 + i −2 + 4i 10 − 3i

7
 
 

 3 −2 + i 0 5 
B= .
1
 

 8 7 9 −3 
 
−8 + 12i 0 0 −1 − i
Es una matriz con elementos en los complejos.
1. https: // www. youtube. com/ watch? v= m6w5vLA3Lnw

2. https: // www. youtube. com/ watch? v= m6w5vLA3Lnw
Definición 2.2 Dos matrices X y Y son iguales si tienen el mis-

mo orden y además tienen los mismos elementos en la posición ij,
es decir,
X=Y
si y solo si
[ X ]ij = [Y ]ij
para todo i = 1, 2, · · · , m y para toda j = 1, 2, · · · , n.
Ejemplo 2.4 Las matrices

1 −2 10

7
 
 

 3 −2 0 5 

A= 
1
 

 8 7 9 −3 

 
−8 0 0 −1
Y

3
B=
7
son matrices distintas pues tienen distintos ordenes, y las matri-
ces
141

3
C=
−2
y

3
D=
5
son distintas pues el elemento C21 = −2 6= 5 = D21 .
Definición 2.3 (Suma de matrices y producto escalar por

una matriz) Sean A y B dos matrices del mismo orden m × n.
Definimos:
1. La suma de la matriz A con B es la matriz de orden m × n

denotada con A + B que resulta de sumar las entradas res-
pectivas de la matriz A con la matriz B, es decir, las coor-
denadas de A + B son:
[ A + B]ij = [ A]ij + [ B]ij ,
para cada i = 1, 2, · · · , m y para cada j = 1, 2, · · · , n.
2. Si α es un número (escalar) real o complejo, la matriz αA

es la matriz de orden m × n que resulta de multiplicar la
matriz A por el escalar α. Es decir, las coordenadas de αA
son
[αA]ij = α[ A]ij ,
para cada i = 1, 2, · · · , m y para cada j = 1, 2, · · · , n.
Observar que si n es un natural, entonces nA = A + A +
· · · + A, donde la suma se realiza n veces.
Ejemplo 2.5 Si

1 2 −3
A=
0 −5 8
y
2 −1 6
B=
−3 0 −2
Halle
1. A + B
2. 3A
3. 2A + 4B
Solución.
1.
3 1 3
A+B =
−3 −5 6
2.
3 6 −9
3A =
0 −15 24
3. Como
2 4 −6
2A =
0 −10 16
y
8 −4 24
4B =
−12 0 −8
entonces

10 0 18
2A + 4B =
−12 −10 8
143
Definición 2.4 1. Sea A una matriz de orden m × n. La in-

versa aditiva de A es la matriz denotada por − A, donde
− A = (−1) A
2. Si A, B son matrices del mismo orden m × n, definimos
A − B = A + (− B), llamada la resta.
3. La matriz cero o nula de orden m × n es la matriz que tiene
todos sus elementos ceros. Se denota como O = Om×n .
Ejemplo 2.6 Si

1 2 −3
A=
0 −5 8
entonces
−1 −2 3
−A =
0 5 −8
Las propiedades de campo en los reales y complejos

dan lugar a las siguientes propiedades de las matrices.
Proposición 2.1 Sean A, B, C matrices de orden m × n. Enton-

ces:
1. Conmutativa: A + B = B + A
2. Asociativa: ( A + B) + C = A + ( B + C )
3. Elemento neutro aditivo o identidad en la suma:
A + O = A,
para cada matriz A.
4. Inverso aditivo en la suma:
A + (− A) = O
5. Para cada α, β, α1 , α2 , · · · , α p escalares (reales o complejos),

se tiene
a) α( β) A = (αβ) A
b) (α1 + α2 + · · · + α p ) A = α1 A + α2 A + · · · α p A
Ejemplo 2.7 Si

1 2 −3
A=
0 −5 8
y
2 −1 6
B=
−3 0 −2
Halle la expresión
E = 2A − B + 3A − B − 3B − 4A
Solución. Por la proposición precedente tenemos
E = 2A − B + 3A − B − 3B − 4A = A − 5B = A + (−5) B
es decir,
−9 7 −33
E=
15 −5 18
Con las propiedades anteriores de matrices se puede

demostrar facilmente la siguiente.
145
Proposición 2.2 Si X, A, B son matrices del mismo orden con
X+A= B
entonces
X = B − A,
más aún si α es un escalar distinto de cero, entonces
αX + A = B
implica
B−A
X=
α
Ejemplo 2.8 Si

1 2 −3
A=
0 −5 8
y

2 −1 6
B=
−3 0 −2
Halle X de las siguientes ecuaciones
1. X + A = B
2. 2X + 3A = B − 4A
Solución.
1. La ecuación
X+A= B
implica
X = B−A
es decir,
1 −3 9
X=
−3 5 −10
2. La ecuación
2X + 3A = B − 4A
implica
2X = B − 4A − 3A = −7A + B
o sea
−7A + B
X=
2
es decir,
−5 −15
 
27
 2 2 2 
X=
 

 −3 35 −58 
2 2 2
2.1. MATRICES ESPECIALES 147
2.1. Matrices especiales
En esta sección definimos algunas matrices importan-

tes que con frecuencia aparecen en la teoría de matrices.
Definición 2.5
1. Una matriz diagonal es una matriz D cuadrada de orden

n × n con elementos en su diagonal principal:
[ D ]11 = d11 , [ D ]22 = d22 , · · · , [ D ]nn = dnn

y ceros en sus restantes elementos, es decir, D es de la forma:
 
d11 0 0 ··· 0
 0 d22 0 · · · 0 
D=  ··· ··· ··· ··· ··· 

0 0 0 · · · dnn
Esta matriz la denotaremos por D = diag(d11 , d22 , · · · , dnn ).

2. Una matriz escalar es una matriz E cuadrada de orden
n × n con elementos en su diagonal principal:
[ E]11 = α, [ E]22 = α, · · · , [ E]nn = α

y ceros en sus restantes elementos, es decir, E es de la forma:
 
α 0 0 ··· 0
 0 α 0 ··· 0 
E=  ··· ··· ··· ··· ··· 

0 0 0 ··· α
Es decir, E = diag(α, α, · · · , α).

3. La matriz identidad de orden n × n es la matriz I = In×n =

In = diag(1, 1, · · · , 1), es decir, la matriz identidad tiene
la forma:
 
1 0 0 ··· 0
 0 1 0 ··· 0 
In =  ··· ··· ··· ··· ··· 

0 0 0 ··· 1
4. Una matriz triangular superior es una matriz cuadrada

de orden n × n que tiene por abajo de su diagonal principal
todos sus elementos ceros.
5. Una matriz triangular inferior es una matriz cuadrada de

orden n × n que tiene por encima de su diagonal principal
todos sus elementos ceros.
A las matrices triangulares superior o inferior se les llama
simplemente matrices triangulares.
Ejemplo 2.9 1.
 
0 0 0
 0 0 0 
O4×3 =
 0

0 0 
0 0 0
2.  
−1 0 0
D =  0 −3 0 
0 0 9
es decir, D = diag(−1, −3, 9).
2.1. MATRICES ESPECIALES 149
3.  
9 0 0
E= 0 9 0 
0 0 9
es decir, E = diag(9, 9, 9).
4.  
1 0 0
I3 =  0 1 0 
0 0 1
es decir, I3 = diag(1, 1, 1).
5.  
2 −3 0 6
 0 −6 9 0 
T=
 0 0 4 8 

0 0 0 −5
es una matriz triangular superior.
6.  
−4 0 0 0
 2 7 0 0 
A=
 −9

8 6 0 
−5 4 3 −1
es una matriz triangular inferior.
Ejemplo 2.10 Ver el siguiente video de apoyo: https: // www.

youtube. com/ watch? v= qHJcD2a1Qwo
2.2. Multiplicación de matrices
En esta sección describimos la multiplicación de matri-

ces y sus propiedades.
Para poder entender mejor la definición de producto

de matrices, primero definimos el producto punto (también
llamado producto escalar o producto euclidiano de dos vec-
tores)
Definición 2.6 Sea V un vector renglón de orden 1 × n,

V = v1 v2 · · · v n
y W un vector columna de orden n × 1,
 
w1
 w2 
W =  .. 
 
 . 
wn
El producto punto de V y W se define de la siguiente manera:
n
V ·W = ∑ v k w k = v 1 w1 + v 2 w2 + · · · + v n w n
k=1‘
Ejemplo 2.11 Sean V y W dos vectores:

V = −2 3 8
 
−6
W= 1 
−5
Halle V · W.
2.2. MULTIPLICACIÓN DE MATRICES 151
Solución. Aplicando la definición de producto punto,

tenemos:
V · W = (−2)(−6) + (3)(1) + (8)(−5) = 12 + 3 − 40 = −25
Veamos ahora la definición de producto de matrices.
Definición 2.7 Sea A una matriz de orden m × n y B una ma-

triz de orden n × p, donde m, n, p son números naturales. La ma-
triz producto AB es la matriz de orden m × p cuyos elementos en
la posición [ AB]ij son los siguientes:
n n
[ AB]ij = ∑ [ A]ik [ B]kj = ∑ aik bkj = ai1 b1j + ai2 b2j + · · · + ain bnj
k =1 k =1
para i = 1, 2, · · · , m y j = 1, 2, · · · , p. Esta definición significa

que el elemento en el i-ésimo renglón y en la j-ésima columna del
producto AB es el producto punto de la fila i-ésima de A (matriz
de la izquierda) por la columna j-ésima de B (matriz de la derecha).
Con la definición de producto punto de vectores, la de-

finición de producto de matrices nos queda de la manera
siguiente:
 
F1 · C1 F1 · C2 · · · F1 · C p
 F2 · C1 F2 · C2 · · · F2 · C p 
AB = 
 ···

··· ··· ··· 
Fm · C1 Fm · C2 · · · Fm · C p
donde Fi representa la fila de i-ésima de la matriz A, y Cj
representa la columna de j-ésima de la matriz B, para i =
1, 2 · · · , m y j = 1, 2, · · · , p.
Observar que el elemento
[ AB]ij = Fi · Cj ,
para i = 1, 2, · · · , m y para j = 1, 2, · · · , p. Esto lo podemos

ver en el siguiente esquema:
 
a11 a12 · · · a1n
· · · · · ·
 
 a21 a22 · · · a2n  b11 b12 b1j b1p
 
 · · · · · · · · · · · ·   b21 b22 · · · b2j · · · b2p 
  
 ai1 ai2 · · · ain   · · · · · · · · · · · · · · · 
 
 ··· ··· ··· ···  bn1 bn2 · · · bnj · · · bnp
NOTA. Asegúrese de entender que el producto de dos

matrices estará bien definido cuando el número de colum-
nas de la primera matriz es igual al número de renglones de
la segunda matriz; es decir,
Figura 2.2: Producto de matrices bien definido

Ejemplo 2.12 Sea
 
−1 3
A =  4 −2 
5 0
y

−3 2
B=
−4 1
Halle AB
Solución. Primero es recomendable observar que A es

una matriz de orden 3 × 2 y B es una matriz de orden 2 × 2,
por tanto sí podemos realizar el producto AB, que es una
matriz de orden 3 × 2.
Según la definición precedente, las coordenadas de AB

son las siguientes:
[ AB]11 = F1 · C1

−3
= −1 3
−4
= (−1)(−3) + (3)(−4)
= 3 − 12
= −9
[ AB]12 = F1 · C2

2

= −1 3
1
= (−1)(2) + (3)(1)
= −2 + 3
= 1
[ AB]21 = F2 · C1

−3
= 4 −2
−4
= (4)(−3) + (−2)(−4)
= −12 + 8
= −4
[ AB]22 = F2 · C2

2

= 4 −2
1
= (4)(2) + (−2)(1)
= 8−2
= 6
[ AB]31 = F3 · C1

−3
= 5 0
−4
= (5)(−3) + (0)(−4)
= −15 + 0
= −15
[ AB]32 = F3 · C2

2
= 5 0
1
= (5)(2) + (0)(1)
= 10 + 0
= 10
Por tanto  
−9 1
AB =  −4 6 
−15 10
Observar que el producto BA no está definido, pues los ór-
denes B2×2 A3×2 muestran que no se puede definir dicho
producto; más precisamente no se satisface que el número
de columnas de B sea igual al número de filas de A.
1. https: // www. youtube. com/ watch? v= eRBuGozq6Us

2. https: // www. youtube. com/ watch? v= Tjrm3HsqBXE
3. https: // www. youtube. com/ watch? v= hfztTmI-U_ w
Ejemplo 2.14 Sea

1 2
A=
−1 0
y
0 5
B=
3 4
Halle AB y BA
Solución. Haciendo los productos indicados, tenemos

6 13
AB =
0 −5
y
−5 0
BA =
−1 6
lo que demuestra que en general el producto de matrices
no es conmutativo.
Teorema 2.1 Sean A, B, C, B1 , B2 , · · · , Br matrices cuyos orde-

nes permitan la suma y multiplicación indicadas. Entonces
1. Asociativa: ( AB)C = A( BC )
2. Distributiva: A( B + C ) = AB + AC
3. Distributiva:
A( B1 + B2 + · · · + Br ) = AB1 + AB2 + · · · + ABr
4. Distributiva: ( A + B)C = AC + BC
5. Distributiva:
( B1 + B2 + · · · + Br )C = B1 C + B2 C + · · · + Br C
6. Para todo α, β son escalares, α( AB) = (αA) B = A(αB) y

(αA)( βB) = (αβ) AB
7. AO = O y OA = O para O la matriz nula de orden apro-
piado.
8. a) Si la matriz A es de orden m × n, y In es la matriz
identidad de orden n × n, entonces
AIn = A
b) Si la matriz A es de orden m × n, y Im es la matriz

identidad de orden m × m, entonces
Im A = A
c) En particular si la matriz A es cuadrada de orden n ×

n, e In es la matriz identidad de orden n × n, entonces
AIn = In A = A
es decir, toda matriz cuadrada conmuta con la matriz

identidad.
Demostración.
1. Por las propiedades de las sumatorias y la definición

de productos de matrices, si suponemos que la matriz
A tiene orden m × n, la matriz B es de orden n × p,
y la matriz C tiene orden p × r, entonces para cada
i = 1, 2, · · · , m y j = 1, 2, · · · , r, tenemos:
p
[( AB)C ]ij = ∑ [( AB)]ik [C]kj
k =1
p n
= ∑ ( ∑ [ A]is [ B]sk )[C]kj
k =1 s =1
n p
= ∑ [ A]is ∑ [ B]sk [C]kj
s =1 k =1
n
= ∑ [ A]is [( BC)]sj
s =1
= [ A( BC )]ij
es decir, hemos demostrado que
[( AB)C ]ij = [ A( BC )]ij
para cada i = 1, 2, · · · , m y j = 1, 2, · · · , r. Aplican-

do la definición de igualdad de matrices, esto significa
que ( AB)C = A( BC ).
2. Suponiendo que la matriz A es de orden m × n y las

matrices B y C tienen ordenes n × p, entonces, para
cada i = 1, 2, · · · , m y j = 1, 2, · · · , p, tenemos:
n
[ A( B + C )]ij = ∑ [ A]ik [ B + C]kj
k =1
n
= ∑ [ A]ik ([ B]kj + [C]kj )
k =1
n n
= ∑ [ A]ik [ B]kj + ∑ [ A]ik [C]kj
k =1 k =1
= [ AB]ij + [ AC ]ij
es decir, para cada i = 1, 2, · · · , m y j = 1, 2, · · · , p,

tenemos
[ A( B + C )]ij = [ AB]ij + [ AC ]ij
lo que significa (por definición de igualdad de matri-

ces) que A( B + C ) = AB + AC.
Ejemplo 2.15 Si

6 5
AB =
0 3
y

3 0
AC =
−1 6
Hallar la expresión
E = A( B + C ) + 2AB + (− A)(−3B) − (−3A)(4C ) − 10AC

Solución. Aplicando las propiedades precedentes, te-

nemos
E = A( B + C ) + 2AB + (− A)(−3B) − (−3A)(4C ) − 10AC
= AB + AC + 2AB + 3AB + 12AC − 10AC
= + 3AC
6AB
45 30
=
−3 36
Definición 2.8 Si A es una matriz cuadrada de orden n × n:
1. A0 = In
2. Si p es un natural, A p = AA · · · A, p veces.
No es difícil verificar la siguiente.
Proposición 2.3 (Leyes de los exponentes) Si A es una ma-

triz cuadrada de orden n × n, y p, r, r1 , r2 , · · · , rk son enteros no
negativos, entonces
1. A p Ar = Ar A p = A p+r , es decir, las potencias de una

matriz cuadrada conmutan.
2. Ar1 Ar2 · · · Ark = Ar1 +r2 +···+rk
3. ( A p )r = A pr
4. Si P( x ) = am x m + am−1 x m−1 + · · · + a1 x + a0 y Q( x ) =
b p x p + b p−1 x p−1 + · · · + b1 x + b0 son dos polinomios al-
gebraicos, entonces como las potencias de A conmutan, te-
nemos que
P( A) Q( A) = Q( A) P( A)
es decir, el producto de los polinomios evaluados en la ma-

triz A conmutan. Aquí entendemos la evaluación de los po-
linomios P, Q evaluados en A de la siguiente manera:
P ( A ) = a m A m + a m −1 A m −1 + · · · + a 1 A + a 0 I
Q( A) = b p A p + b p−1 A p−1 + · · · + b1 A + b0 I
Ejemplo 2.16
1. A2 A3 A4 = A9
2. ( A3 )4 = A12
3. Para todo número natural p, I p = I.
Ejemplo 2.17
1. Si A es una matriz cuadrada, y
P( x ) = x2 − 1 = ( x − 1)( x + 1),
entonces,
P( A) = A2 − 1I = ( A − 1I )( A + 1I ) = ( A − I )( A + I ),
es decir,
A2 − I = ( A − I )( A + I ).
2. Si A es una matriz cuadrada, y

P( x ) = x2 + 4x − 12 = ( x − 2)( x + 6),
entonces,
P( A) = A2 + 4A − 12I = ( A − 2I )( A + 6I ),
es decir,
A2 + 4A − 12I = ( A − 2I )( A + 6I ).
Ejercicio 2.2.1 Del libro Larson, páginas 48-49, resolver los ejer-
cicios 1, 5d), 15, 17, 19.
Definición 2.9 Sea A una matriz de orden m × n, la matriz

conjugada de A es la matriz de orden m × n, denotada por A que
consta de los elementos conjugados de A, es decir, [ A]ij = [ A]ij ,
para cada i = 1, 2, · · · , m y j = 1, 2, · · · , n. Es claro que si to-
dos los componentes de A son números reales, entonces A = A.
Así que la definición de matriz conjugada tiene sentido sólo para
matrices con coeficientes complejos.
Como el conjugado de una suma es la suma de con-

jugados, y el conjugado de un producto es el producto de
conjugados, entonces la siguiente proposición es verdade-
ra.
Proposición 2.4 Si A, B, A1 , A2 , · · · , A p son matrices del mis-

mo orden m × n, de números complejos, y
α, β, α1 , α2 , · · · , α p
son escalares, entonces
1. A = A
2. A + B = A + B
3. A1 + A2 + · · · + A p = A1 + A2 + · · · + A p
4. αA = αA
5. α1 A1 + α2 A2 + · · · + α p A p = α1 A1 + α2 A2 + · · · + α p A p
6. AC = A C
7. Si A es una matriz cuadrada de orden n × n y p es un

número natural, entonces A p = ( A) p
Demostración. Las demostraciones se basan en las pro-

piedades de los conjugados de los números complejos.
1. Sea A una matriz de orden m × n. Aplicando dos veces

la definición de conjugados. Para cada i = 1, 2, · · · , m
y para cada j = 1, 2, · · · , n, tenemos:
[ A]ij = [ A]ij
= [ A]ij
= [ A]ij
Es decir, Para cada i = 1, 2, · · · , m y para cada j =

1, 2, · · · , n
[ A]ij = [ A]ij
lo cual significa que (al aplicar igualdad de matrices)
A = A.
2. Sean A, B una matriz de orden m × n. Aplicando la

definición de conjugados. Para cada i = 1, 2, · · · , m y
para cada j = 1, 2, · · · , n, tenemos:
[ A + B]ij = [ A + B]ij
= [ A]ij + [ B]ij
= [ A]ij + [ B]ij
= [ A]ij + [ B]ij
1, 2, · · · , n
[ A + B]ij = [ A]ij + [ B]ij
A + B = A + B.
3. Se aplica inducción sobre el caso precedente.
4. Sea A una matriz de orden m × n. Aplicando la de-
finición de conjugados y sus propiedades. Para cada
i = 1, 2, · · · , m y para cada j = 1, 2, · · · , n, tenemos:
[αA]ij = [αA]ij
= α[ A]ij
= α[ A]ij
= α[ A]ij
= [αA]ij
1, 2, · · · , n
[αA]ij = [αA]ij
αA = αA.
Definición 2.10 Sea A una matriz de orden m × n, la matriz

transpuesta de A, es la matriz denotada por At = A0 , de orden
n × m, y definida de la siguiente manera:
[ At ]ij = [ A] ji
para i = 1, 2, · · · , n y j = 1, 2, · · · , m. Es decir, si
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=  ··· ···

··· ··· 
entonces  
a11 a21 ··· am1
a12 a22 ··· am2 
At = 


 ··· ··· ··· ··· 
a1n a2n ··· amn
Ejemplo 2.18 Sea

 
1 −2
A= 4 0 
−5 −8
Halle At
Solución.
t 1 4 −5
A =
−2 0 −8
Teorema 2.2 Sean A, B, C, A1 , A2 , · · · , A p matrices (de tama-

ño tal que las operaciones con matrices están definidas), y
α, α1 , · · · , α p
escalares. Entonces
1. ( At )t = A
2. ( A + B)t = At + Bt
3. ( A1 + A2 + · · · + A p )t = A1t + A2t + · · · + Atp
4. (αA)t = αAt
5. (α1 A1 + α2 A2 + · · · + α p A p )t = α1 A1t + α2 A2t + · · · +

α p Atp
6. ( AB)t = Bt At
7. ( ABC )t = C t Bt At
8. ( A1 A2 · · · A p−1 A p )t = Atp Atp−1 · · · A2t A1t
9. Si en particular la matriz A es cuadrada, y k es un número

natural, entonces ( Ak )t = ( At )k
10. Si I es la matriz identidad de cualquier orden, entonces
I t = I.
Más generalmente si D es una matriz diagonal, entonces
Dt = D
11. ( A)t = ( At )
Demostración. Estas propiedades se deducen de la de-

finición de transposición de matrices y de las definiciones
de suma de matrices y producto de una matriz por un esca-
lar.
1. Si A es una matriz de orden m × n, entonces para cada

i = 1, 2, · · · , n y para cada j = 1, 2, · · · , m, tenemos:
[( At )t ]ij = [ At ] ji
= [ A]ij
Es decir, tenemos que para cada i = 1, 2, · · · , n y para

cada j = 1, 2, · · · , m
[( At )t ]ij = [ A]ij
que significa (por igualdad de matrices) que ( At )t =

A.
2. Sean A, B matrices de orden m × n, entonces para cada

[( A + B)t ]ij = [ A + B] ji
= [ A] ji + [ B] ji
= [ At ]ij + [ Bt ]ij
= [ At + Bt ]ij

cada j = 1, 2, · · · , m
[( A + B)t ]ij = [ At + Bt ]ij
que significa (por igualdad de matrices) que ( A + B)t =

At + Bt .
3. Inducción sobre el caso precedente.

4. Si A es una matriz de orden m × n, entonces para cada

[(αA)t ]ij = [αA] ji

= α[ A] ji
= α[ At ]ij
= [αAt ]ij

cada j = 1, 2, · · · , m
[(αA)t ]ij = [αAt ]ij
que significa (por igualdad de matrices) que (αA)t =

αAt .
Definición 2.11
1. Una matriz cuadrada A es simétrica si coincide con su

transpuesta, es decir, A = At o At = A
2. Una matriz cuadrada A es antisimétrica si coincide con

la inversa aditiva de su transpuesta, es decir, A = − At o
At = − A
3. Una matriz cuadrada A es hermitiana si coincide con la

transpuesta de su conjugada, es decir, A = ( A)t o ( A)t =
A
4. Una matriz cuadrada A es unitaria si AAt = At A = I
5. Una matriz cuadrada A es ortogonal si AAt = At A = I

2.3. EJERCICIOS 169
Proposición 2.5
1. Toda matriz diagonal es una matriz simétrica

2. La matriz identidad de cualquier orden es una matriz simé-
trica
3. La matriz nula cuadrada de cualquier orden es una matriz
simétrica
4. Si A es matriz cuadrada de cualquier orden, entonces la
t
matriz B = A+2 A es una matriz simétrica.
5. Si A es matriz cuadrada de cualquier orden, entonces la
t
matriz B = A−2 A es una matriz antisimétrica.
6. La suma de matrices simétricas es una matriz simétrica.
7. La suma de matrices antisimétricas es una matriz antisimé-
trica.
1. https: // www. youtube. com/ watch? v= aTsgBk34zyY

2. https: // www. youtube. com/ watch? v= quBzBTr5LHg https:
// www. youtube. com/ watch? v= 6YRiq_ NVapw
2.3. Ejercicios
Hacer los siguientes ejercicios del libro Larson séptima

edición, páginas 59-61: 1,7,13 a),b),15,17,33,37,67,69,73 a),74.
2.4. Inversa multiplicativa de una ma-

triz
En esta sección definimos la inversa multiplicativa de

una matriz.
Definición 2.12 Sea A una matriz cuadrada de orden n × n, de-

cimos que A es invertible (no singular o no degenerada) si existe
una matriz X de orden n × n que satisface
AX = XA = In
Si esto ocurre a X la llamaremos la inversa multiplicativa de la

matriz A, y la denotaremos por X = A−1 . Es decir, A−1 satisface
la relación
AA−1 = A−1 A = In
Observación. Supongamos que la matriz A es inverti-

ble, entonces existe A−1 tal que
AA−1 = A−1 A = In
Supongamos que existe una matriz Y que también es la in-

versa de la matriz A, entonces debemos tener
AY = YA = In .
Si multiplicamos por la matriz A−1 a la izquierda de la ecua-

ción
AY = In
2.4. INVERSA MULTIPLICATIVA DE UNA MATRIZ 171
tenemos
A−1 ( AY ) = A−1 In
asociando
( A−1 A)Y = A−1 In
In Y = A−1 In
Y = A −1
es decir, hemos demostrado que la inversa multiplicativa de
la matriz A es única.
Ejemplo 2.20
1. La matriz nula O de cualquier orden n × n no es invertible,

pués OX = XO = O 6= In para toda matriz cuadrada X
de orden n × n.
2. La matriz identidad I de cualquier orden es una matriz in-
vertible, e I −1 = I
Ejemplo 2.21 Halle la inversa de la matriz

1 −2
A=
3 4
Solución. Supongamos que matriz X de orden 2 × 2 es

la inversa de A. Por tanto X satisface la ecuación:
AX = XA = I2 .
Sea
x y
X=
z u
las coordenadas de X.
De la ecuación AX = I se obtiene

1 −2 x y 1 0
=
3 4 z u 0 1
que al realizar la multiplicación, obtenemos:

x − 2z y − 2u 1 0
=
3x + 4z 3y + 4u 0 1
al hacer la igualdad de matrices, obtenemos el sistema de
ecuaciones lineales:

 x − 2z = 1


y − 2u = 0


 3x + 4z = 0
3y + 4u = 1

Al resolver el sistema se obtiene:

2 1 3 1
x = ,y = ,z = − ,u =
5 5 10 10
Por tanto
2 1
 
5 5
A −1 =  
3 1
− 10 10
Ejemplo 2.22 Ver los ejemplos 1 y 2 de la página 63 del libro

Larson séptima edición.
El siguiente ejemplo muestra que hay matrices no nulas

que no son invertibles.
Ejemplo 2.23 Halle la inversa de la matriz

1 2
A=
2 4
Solución. Supongamos que matriz X de orden 2 × 2 es

la inversa de A. Por tanto X satisface la ecuación:
AX = XA = I2 .
Sea
x y
X=
z u
las coordenadas de X.
De la ecuación AX = I se obtiene

1 2 x y 1 0
=
2 4 z u 0 1
que al realizar la multiplicación, obtenemos:

x + 2z y + 2u 1 0
=
2x + 4z 2y + 4u 0 1
al hacer la igualdad de matrices, obtenemos el sistema de

ecuaciones lineales:


 x + 2z = 1

y + 2u = 0


 2x + 4z = 0
2y + 4u = 1

De las ecuaciones
(
x + 2z = 1
2x + 4z = 0
despejamos x de la primera ecuación para obtener
x = 1 − 2z
que al sustituir en la segunda ecuación, tenemos
2(1 − 2z) + 4z = 0
2 − 4z + 4z = 0
2=0
el cual es un absurdo que proviene de suponer que la matriz
A tiene inversa. Por tanto la matriz no es invertible.
Proposición 2.6 Sean A, B, C, A1 , A2 , · · · , A p matrices inver-

tibles del mismo orden, entonces
1. La matriz A−1 es invertible, y ( A−1 )−1 = A.
2. Para todo escalar α 6= 0, tenemos,
1 −1
(αA)−1 = α−1 A−1 = A
α
3. La matriz AB es invertible, y,
( AB)−1 = B−1 A−1

4. La matriz A1 A2 · · · A p−1 A p es invertible, y,
( A 1 A 2 · · · A p −1 A p ) −1 = A − 1 −1 −1 −1
p A p −1 · · · A 2 A 1
5. Para todo número natural p, la matriz A p es invertible, y,
( A p ) −1 = ( A −1 ) p
6. La matriz At es invertible, y,
( A t ) −1 = ( A −1 ) t .
Así pués una matriz A es ortogonal si A−1 = At , y una

matriz A es unitaria si A−1 = ( At ).
7. Por el caso precedente, y por la propiedad ( At )t = A, tene-

mos A es invertible si y solo si At es invertible.
8. Si la matriz A es ortogonal entonces A−1 es una matriz

ortogonal.
9. El producto de matrices ortogonales es una matriz ortogo-

nal.
10. Si la matriz A es unitaria entonces A−1 es una matriz uni-

taria.
11. El producto de matrices unitarias es una matriz unitaria.
Demostración.
1. Este resultado es cierto por la unicidad de la inversa.

2. Como

1 −1 1
(αA) A = α AA−1
α α
= 1I
= I
y

1 −1 1
A (αA) = α A −1 A
α α
= 1I
= I
entonces

1 −1 1 −1
(αA) A = A (αA) = I
α α
luego por la unicidad de la inversa debemos concluir

que (αA)−1 = α−1 A−1 = α1 A−1 .
3. Como
( AB)( B−1 A−1 ) = A( BB−1 ) A−1

= A ( I ) A −1
= ( AI ) A−1
= AA−1
= I
( B−1 A−1 )( AB) = B −1 ( A −1 A ) B

= B −1 ( I ) B
= B−1 ( IB)
= B −1 B
= I
entonces
( AB)( B−1 A−1 ) = ( B−1 A−1 )( AB) = I

que ( AB)−1 = B−1 A−1 .
4. Inducción sobre el caso precedente.
5. Es un caso particular del caso precedente.
6. Supongamos que la matriz A es invertible, entonces

existe A−1 tal que
AA−1 = A−1 A = I
Al transponer la ecuación AA−1 = I, tenemos
( A −1 ) t A t = I t = I
de forma semejante si transponemos la ecuación
A −1 A = I
se obtiene
A t ( A −1 ) t = I t = I
es decir, hemos obtenido
( A −1 ) t A t = A t ( A −1 ) t = I

que la matriz At es invertible, y ( At )−1 = ( A−1 )t .
Definición 2.13 (Exponentes negativos) Sea A una matriz in-

vertible y k un número natural, definimos
A − k = ( A −1 ) k = A −1 A −1 · · · A −1
k veces el producto.
De acuerdo a la definición no es difícil verificar la si-

guiente.
Proposición 2.7 (Más sobre leyes de los exponentes) Si A es

una matriz invertible y p, r, r1 , r2 , · · · , rk son enteros cualesquie-
ra, entonces
1. Si k es un natural, entonces A−k = ( A−1 )k = ( Ak )−1
2. A p Ar = Ar A p = A p+r , es decir, las potencias de una

matriz cuadrada invertible conmutan.
3. Ar1 Ar2 · · · Ark = Ar1 +r2 +···+rk
4. ( A p )r = A pr
Ejemplo 2.24 Si A es una matriz invertible de cualquier orden.

1. A2 A−3 A8 = A2−3+8 = A7
2. ( A−3 )4 = A−12
3. Para todo número entero p, I p = I.
Ejemplo 2.25 Ver el ejemplo 6 de la página 68 del libro Larson

séptima edición.
Proposición 2.8 (Propiedades de cancelación)
1. Si A es una matriz invertible de orden n × n, y X, B son

matrices de orden n × p, entonces:
AX = B
implica
X = A −1 B
.

αAX = B
implica
1 −1
X= A B
α
para todo escalar α 6= 0.

AX = AB
implica
X=B

matrices de orden m × n, entonces:
XA = B
implica
X = BA−1

αXA = B
implica
1
X= BA−1
α
para todo escalar α 6= 0.

XA = BA
implica
X=B
Demostración.
2.5. ALGORITMO DE GAUSS 181
1. Supongamos AX = B, entonces al multiplicar esta

ecuación por A−1 a la izquierda se obtiene
A−1 ( AX ) = A−1 B
asociando
( A −1 A ) X = A −1 B
( I ) X = A −1 B
X = A −1 B
2. De forma semejante que el caso 1.
2.5. Algoritmo de Gauss
En esta sección describimos el algoritmo de Gauss para

obtener la inversa de una matriz. Para poder presentar el
algoritmo debemos primero describir algunos conceptos.
Definición 2.14 Sea X una matriz de orden m × n. Hay tres

operaciones elementales de renglones sobre la matriz X:
1. Intercambio o permuta de dos renglones cualesquiera

Ri y R j de la matriz X. Esta operación se denota por
Ri ↔ R j
2. Multiplicar un renglón Ri cualquiera de la matriz X por

un escalar α distinto de cero. Esta operación se denota
por
Ri ← αRi
ó
αRi → Ri
3. Sumar el múltiplo de un renglón a otro renglón de la

matriz X. Esta operación se denota por
Ri ← Ri + αR j
ó
Ri + αR j → Ri .
Aquí α es cualquier escalar distinto de cero.
Ejemplo 2.26 Sea la matriz de orden 4 × 3:

 
−1 4 8
 −2 6 −3 
A=  0

4 9 
4 −5 10
Realizar las siguientes operaciones con renglones:
1. R1 ← − R1
2. R2 ↔ R3
3. R3 ← R3 + 2R1
4. R4 ← R4 − 4R1
5. R2 ← 14 R2
6. R3 ← R3 + 2R2
7. R4 ← R4 − 11R2
2
8. R3 ← − 29 R3
69
9. R4 ← R4 − 4 R3
10. R1 ← R1 + 4R2
11. R1 ← R1 − R3
12. R2 ← R2 − 94 R3
Solución.
   
−1 4 8 1 −4 −8
 −2 6 −3   −2 6 −3 
A=  R1 ← − R1  
 0 4 9   0 4 9 
4 −5 10 4 −5 10
   
1 −4 −8 1 −4 −8
 −2 6 −3 
 R2 ↔ R3  0 4 9 

 
 0 4 9   −2 6 −3 
4 −5 10 4 −5 10
   
1 −4 −8 1 −4 −8
 0 4 9   0 4 9 
 −2 6 −3  R3 ← R3 + 2R1  0
   
−2 −19 
4 −5 10 4 −5 10
   
1 −4 −8 1 −4 −8
 0 4 9   0 4 9 
 0 −2 −19  R4 ← R4 − 4R1  0
   
−2 −19 
4 −5 10 0 11 42
   
1 −4 −8 1 −4 −8
9
 R2 ← 1 R2 
 0 4 9   0 1 
 4 
 0 −2 −19  4  0 −2 −19 
0 11 42 0 11 42
1 −4 −8
   
1 −4 −8
9 9
 0 1   0 1 4

 0 −2 −19  R3 ← R3 + 2R2 
 4   
29 
0 0 −2
0 11 42 0 11 42
1 −4 −8 1 −4 −8
   
9 9
 0 1
4
  0 1 4

 0 0 − 29  R4 ← R4 − 11R2  29 
   
2
0 0 −2
0 11 42 69
0 0 4
1 −4 −8 1 −4 −8
   
 0 1 9 2 9 
4
  0 1 4 
 0 0 − 29  R3 ← − 29 R3 
  
2
0 0 1 
69 69
0 0 4
0 0 4
1 −4 −8
   
1 −4 −8
 0 1 9  69  9 
 4 R ← R −
4 4 R 3
 0 1 4 
 0 0 1  4  0 0 1 
69 0 0 0
0 0 4
   
1 −4 −8 1 0 1
9 
 0 1
4  R ← R + 4R 
 0 1 94 
1 1 2
 
 0 0 1   0 0 1 
0 0 0 0 0 0
   
1 0 1 1 0 0
 0
 1 94  
 R1 ← R1 − R3  0 1 94 

 0 0 1   0 0 1 
0 0 0 0 0 0
   
1 0 0 1 0 0
 0 9  9 0 1 0 
1 4  
R ← R2 − R3 
0 1  2
 
 0 4  0 0 1 
0 0 0 0 0 0
Con las operaciones elementales de renglones sobre una

matriz podemos describir el método de Gauss para hallar la
inversa multiplicativa de una matriz cuadrada A de orden
n × n.
Los pasos del método de Gauss son:

1. Construir la matriz aumentada, es decir, la matriz [ A I ],

donde la matriz I es la matriz identidad del mismo or-
den que la matriz A. Observar que la matriz [ A I ] es
de orden n × 2n.
2. Por medio de operaciones elementales de renglones

sobre la matriz aumentada [ A I ], reducir (si esto es
posible) esta matriz a una matriz de la forma [ I B].
3. Si la matriz aumentada [ A I ] se redujo a la matriz

[ I B], entonces la matriz inversa de A es B, es decir,
A−1 = B. Si no fué posible reducir la matriz aumen-
tada a la forma [ I B], entonces la matriz A no tiene
inversa.
2.6. Inversa con pivoteo
Las operaciones de renglones de matrices para hallar la

inversa de una matriz se pueden aplicar en diferentes or-
denes, sin embargo, se sugiere la forma práctica siguiente,
llamada escaloneo con pivote:
1. Construir la matriz aumentada, es decir, la matriz [ A I ],

donde la matriz I es la matriz identidad del mismo or-
den que la matriz A.
2. Si el elemento en el posición (1, 1) es cero, se hace un

intercambio de renglones, de tal forma que el nuevo
elemento en esta posición resulte ser distinto de cero.
Para lograr esto, aplicamos la operación Ri ↔ R j .
2.6. INVERSA CON PIVOTEO 187
3. Se reduce el elemento a11 a uno (pivotear), esto se hace

con la operación.
1
R1 ← R1
a11
4. Se hacen ceros a la columna del pivote (uno) de la pri-

mera columna. Para lograr esto, se ocupa la operación
sumar a un renglón el múltiplo de otro renglón, es de-
cir,
Ri ← Ri + αR j .
5. Si el elemento en el posición (2, 2) es cero, se hace un

intercambio de renglones, de tal forma que el nuevo
elemento en esta posición resulte ser distinto de cero.
Para lograr esto, aplicamos la operación Ri ↔ R j .
6. Se reduce el elemento a22 a uno (pivotear), esto se hace
con la operación.
1
R2 ← R2
a22
7. Se hacen ceros a la columna del pivote (uno) de la se-

gunda columna. Para lograr esto, se ocupa la opera-
ción sumar a un renglón el múltiplo de otro renglón,
es decir,
Ri ← Ri + αR j .
8. Se repiten los dos pasos precedentes para las posicio-

nes
(3, 3), (4, 4), · · · , (n, n)
hasta reducir la matriz aumentada [ A I ] a una matriz
de la forma [ I B].
Ejemplo 2.27 Aplicaremos la técnica de escaloneo con pivote.

−1 −4
A=
−1 −3
Solución.
1. Formemos la matriz aumentada [ A I ]:

−1 −4 1 0
−1 −3 0 1
2. Reducir la matriz aumentada a la forma [ I B].

Pivoteamos el elemento en la posición (1, 1):

−1 −4 1 0 1 4 −1 0
R1 ← − R1
−1 −3 0 1 −1 −3 0 1
Hacemos ceros a los elementos de la primera columna:

1 4 −1 0 1 4 −1 0
R2 ← R2 + R1
−1 −3 0 1 0 1 −1 1
Pivoteamos el elemento en la posición (2, 2). En nues-

tro caso, ya es pivote dicho elemento. Por tanto, hace-
mos ceros a los elementos de la segunda columna:

1 4 −1 0 1 0 3 −4
R1 ← R1 − 4R2
0 1 −1 1 0 1 −1 1
3. La inversa de A es

−1 3 −4
A =
−1 1

2 4
A=
4 8
Solución.

2 4 1 0
4 8 0 1

1 2 12 0
 

2 4 1 0 1
R1 ← R1  
4 8 0 1 2
4 8 0 1
Hacemos ceros a los elementos de la primera columna:
1 2 21 0 1 2 12 0
   
  R2 ← −4R1 + R2  
4 8 0 1 0 0 −2 1
Como aparece ceros en los primeros dos elementos del

renglón inferior de la última matriz, resulta obvio que
jamás podremos reducir la última matriz a la forma

[ I B]. Por tanto la matriz

2 4
A=
4 8
no tiene inversa.

 
1 −1 0
A= 1 0 −1 
−6 2 3
Solución.

 
1 −1 0 1 0 0
 1 0 −1 0 1 0 
−6 2 3 0 0 1

tro caso, esto ya se cumple, por tanto, haremos ceros a
los elementos de la primera columna:
Aplicamos la operación
R2 ← − R1 + R2
a la matriz anterior, para obtener,

 
1 −1 0 1 0 0
 0 1 −1 −1 1 0 
−6 2 3 0 0 1
Aplicamos ahora la operación,
R3 ← 6R1 + R3
a la matriz precedente, y obtenemos,

 
1 −1 0 1 0 0
 0 1 −1 −1 1 0 
0 −4 3 6 0 1

tro caso, esto ya se tiene, por tanto, hacemos ceros los
elementos de la segunda columna:
Para lograr esto, primero aplicamos la operación
R3 ← 4R2 + R3
a la matriz anterior, y se obtiene,

 
1 −1 0 1 0 0
 0 1 −1 −1 1 0 
0 0 −1 2 4 1
y segundo, aplicamos la operación
R1 ← R2 + R1
a la matriz precedente, obteniendo,

 
1 0 −1 0 1 0
 0 1 −1 −1 1 0 
0 0 −1 2 4 1

Aplicando la operación
R3 ← − R3
a la matriz anterior, tenemos:
 
1 0 −1 0 1 0
 0 1 −1 −1 1 0 
0 0 1 −2 −4 −1
Hacemos ceros a los elementos de la tercera columna:

Aplicando
R2 ← R2 + R3
a la matriz anterior, tenemos:
 
1 0 −1 0 1 0
 0 1 0 −3 −3 −1 
0 0 1 −2 −4 −1
Por último, aplicando,

R1 ← R1 + R3
a la matriz precedente, tenemos:
 
1 0 0 −2 −3 −1
 0 1 0 −3 −3 −1 
0 0 1 −2 −4 −1
3. La inversa de la matriz es
 
−2 −3 −1
A −1 =  − 3 − 3 − 1 
−2 −4 −1
De acuerdo a las reglas del algoritmo de Gauss para

hallar la inversa de una matriz, tenemos lo siguiente:
Proposición 2.9
1. Toda matriz cuadrada de cualquier orden que tenga algún

renglón de ceros, no es invertible.
2. Si en el algoritmo de Gauss para hallar la inversa de una
matriz A, la matriz aumentada [ A I ] se termina reducien-
do a una matriz aumentada de la forma [C D ], donde la
matriz C tiene algún renglón de ceros, y la matriz D no es
la identidad, entonces la matriz A no es invertible.
3. Toda matriz que tenga una columna de ceros no es inverti-
ble. Esto es consecuencia de que una matriz A es invertible
si y solo si su matriz transpuesta At es invertible.
Ejemplo 2.30 La matriz

 
1 2 3
A= 0 0 0 
0 −2 8
no es invertible.
Ejemplo 2.31 Consideremos una matriz diagonal

D = diag(d11 , d22 , · · · , dnn )
es decir,  
d11 0 0 ··· 0
 0 d22 0 ··· 0 
D=
 ··· ··· ···

··· ··· 
0 0 0 · · · dnn
1. Si algún elemento de su diagonal principal es cero, entonces

la matriz D no es invertible (tiene un renglón de ceros).
2. Supongamos que todos los elementos de la diagonal princi-

pal de D son distintos de cero. Hallemos su inversa: Halle-
mos la matriz aumentada [ D I ]:
 
d11 0 0 ··· 0 1 0 0 ··· 0
 0 d22 0 · · · 0 0 1 0 ··· 0 
 
 ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· 
0 0 0 · · · dnn 0 0 ··· 0 1
Al aplicar las propiedades de renglones

1 1 1
R1 ← R1 , R2 ← R2 , · · · , R n ← Rnn
d11 d22 dnn
se obtiene:
· · · 0 d111 0
 
1 0 0 0 ··· 0
1
 0 1 0 ··· 0 0 d22 0 · · · 0
 

 ··· ··· ··· ··· ··· ··· ··· ··· ··· ···
 

0 0 0 ··· 1 0 0 · · · 0 d1nn
es decir, la inversa de D, es

−1 1 1 1
D = diag , ,··· ,
d11 d22 dnn
o sea:
1
 
d11 0 0 ··· 0
0 d122 0 ··· 0
 
−1
D =
 
··· ··· ··· ··· ···

 
0 0 0 · · · d1nn
Los anteriores argumentos nos indican que una matriz diagonal es

invertible si y solo si todos los elementos de su diagonal principal
son distintos de cero.
Ejemplo 2.32 La inversa de

 
2 0 0
D =  0 −3 0 
0 0 54
es  1 
20 0
D −1 =  0 − 13 
0 0 54
Se puede demostrar sin tanta dificultad la siguiente.
Proposición 2.10 Una matriz triangular superior o inferior es

invertible si y solo si todos los elementos de su diagonal principal
son distintos de cero.
Ejemplo 2.33 La matriz triangular inferior

 
−1 0 0
A= 3 7 0 
0 8 −10
es invertible. Mientras que la matriz triangular inferior
 
4 0 0
B= 3 0 0 
9 8 −10
no es invertible.
2.7. EJERCICIOS 197
Ejemplo 2.34 La matriz triangular superior

 
−1 9 40
A= 0 9 0 
0 0 10
es invertible. Mientras que la matriz triangular superior
 
4 −6 7
B= 0 0 3 
0 0 20
no es invertible.
1. https: // www. youtube. com/ watch? v= 7VUzNRtBt2E

2. https: // www. youtube. com/ watch? v= MRWPhA5RQyA
3. https: // www. youtube. com/ watch? v= lrh5MKNZihQ
4. https: // www. youtube. com/ watch? v= W214PLI0quQ
5. https: // www. youtube. com/ watch? v= h1_ eYHONNz0
Ejercicio 2.6.1 Hacer los ejercicios 14, 15 Y 23 de la página 71

del libro LARSON.
2.7. Ejercicios
Hacer los siguientes ejercicios del libro Larson séptima

edición, páginas 71-73: 7,8,13,15,41,42,57,58,59,60,69,70.
Capítulo 3
Sistemas de ecuaciones
lineales
En este capítulo nuestro objetivo principal es definir el

concepto de un sistema lineal de ecuaciones, y describir al-
gunos métodos básicos para resolverlos, entre ellos, el mé-
todo de la inversa, método de descomposición Gaussiana y
el método d Gauss Jordan.
Los sistemas lineales son de gran importancia en varias

aplicaciones de las ciencias, así como en el desarrollo de la
misma Matemática.
Definición 3.1 1. Un sistema lineal de m ecuaciones con n

incógnitas x1 , x2 , ..., xn es el sistema que se puede llevar a
199
200CAPÍTULO 3. SISTEMAS DE ECUACIONES LINEALES
la forma
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
..
.
am1 x1 + am2 x2 + ... + amn xn = bm
Este sistema tiene la forma matricial
AX = b
donde  
a11 a12 ... a1n
 a21 a22 ... a2n 
A=
 ...

... ... ... 
am1 am2 ... amn
 
x1
 x2 
X =  ..
 

 . 
xn
 
b1
 b2 
b=
 
.. 
 . 
bm
Si m = n el sistema se llama cuadrado. A la matriz A

se le llama matriz principal del sistema lineal. Si los co-
eficientes independientes b = 0, el sistema se llama lineal
homogéneo, en caso contrario se llama lineal no homo-
géneo.
201
2. X = X0 es una solución del sistema lineal

AX = b
si X0 satisface al sistema lineal, es decir, si
AX0 ≡ b
Ejemplo 3.1 Los tres primeros sistemas son lineales, mientras

que el cuarto sistema no es lineal.
1.
4x1 − 8 = x2 − x3
2x1 + 5x2 + 2x3 = 3
x1 + 2x2 + 4x3 = 1
es equivalente a
4x1 − x2 + x3 = 8
2x1 + 5x2 + 2x3 = 3
x1 + 2x2 + 4x3 = 1
equivalente a
AX = b
donde  
4 −1 1
A= 2 5 2 
1 2 4
 
8
b=  3 
1
y  
x1
X =  x2 
x3
2.
x2 + x3 = 4
2x1 + 2x2 + x3 = 6
x1 − 2x3 = 6
es equivalente a
AX = b
donde  
0 1 1
A=  2 2 1 
1 0 −2
 
4
b=  6 
6
y  
x1
X =  x2 
x3
3.
x4 + x3 + x1 = 4
2x4 + 2x3 + x1 − 5x2 = 0
x4 + x3 − 3x2 = −2
es equivalente a
AX = b
donde  
1 1 1 0
A =  2 2 1 −5 
1 1 0 −3
 
4
b= 0 
−2
3.1. MÉTODO DE LA INVERSA 203
y  
x4
 x3 
X= 
 x1 
x2
4.
x12 + x2 + x3 = 4
2x1 + 2x2 + x3 = 6
x1 + x2 + 2x3 = 6
3.1. Método de la inversa
El método de la inversa para resolver sistemas lineales

se basa en el siguiente
Teorema 3.1 El sistema lineal cuadrado AX = b tiene solución

única si y solo si la matriz principal A es invertible. Más aún si
A es invertible, entonces
X = A −1 b
Demostración. Demostraremos sólo una parte del teo-

rema. Si A es invertible, entonces existe su inversa A−1 .
Multiplicando a la izquierda por A−1 la ecuación
AX = b,
resulta,
A−1 ( AX ) = A−1 b,
asociando,
( A −1 A ) X = A −1 b
( I ) X = A −1 b
X = A −1 b
Corolario 3.1 El sistema lineal cuadrado homogéneo AX = 0

tiene solución única si y solo si la matriz principal A es inverti-
ble. Más aún si A es invertible, entonces
X=0
es la única solución (solución trivial).
Observación. Si AX = 0 es un sistema lineal cuadrado

homogéneo , entonces X = 0 es siempre solución del siste-
ma AX = 0, pués A0 ≡ 0; pero cuando A es invertible, esta
solución es única. Esto significa que si A no es invertible,
entonces el sistema lineal cuadrado AX = 0 tiene al menos
una solución distinta a la solución trivial.
Ejemplo 3.2 Resolver los sistemas lineales por el método de la

inversa:
1.
4x − y + z = 8
2x + 5y + 2z = 3
x + 2y + 4z = 1
2.
x1 + x2 + x3 = 4
2x1 + 2x2 + x3 = 6
x1 + x2 + 2x3 = 6
Solución.
1. Primero. Llevar el sistema lineal a la forma matricial.

Según ejemplos precedentes, el sistema es equivalente
a
AX = b
donde  
4 −1 1
A= 2 5 2 
1 2 4
 
8
b=  3 
1
y  
x
X= y 
z
Segundo. Se halla la inversa de la matriz A. Al aplicar
el algoritmo de Gauss para hallar la inversa de una
matriz, se tiene que
 16 2 7 
69 23 − 69
 
−1 2 5 2
 
A  − 23
= − 23 
23 
 
1 3 22
− 69 − 23 69
Tercero. Se aplica la fórmula
X = A−1 b.
En nuestro caso
 16 2 7   139 
69 23 − 69   69
  8  
−1 2 5 2  3  =  − 3
   
 − 23
X=A b= − 23 
23   23 
  1  
1 3 22
− 69 − 23 69 − 13
69
es decir,  139 
69
 
3
 
 − 23
X= 

 
− 13
69
o sea,
139 3 13
x= ,y = − ,z = − .
69 23 69
El punto
 139 
69
 
3
 
 − 23
X= 

 
− 13
69
es la intersección de los tres planos generados por las
ecuaciones, respectivamente, ver figura de abajo.
2. Se deja como ejercicio al lector.

Figura 3.1: Intersección de planos
Ejemplo 3.3 Leer el ejemplo 8 página 70 del libro Larson.
Ejemplo 3.4 Ver los siguientes videos.
1. https: // www. youtube. com/ watch? v= k54ASqdBwKI
2. https: // www. youtube. com/ watch? v= -YhUfG8DXwk
Ejercicio 3.1.1 Hacer el ejercicio 48 del libro Larson, página 72.

3.2. Ejercicios
Resuelva los siguientes sistemas lineales por el método

de la matriz inversa. Libro Larson, página 72. Ejercicios: 45,
47, 49 Y 50. Los ejercicios 49 y 50 sólo se harán con Matlab.
Comprobar todos sus resultados en Matlab.
3.3. RANGO DE UNA MATRIZ 209
3.3. Rango de una matriz
En esta sección describimos el concepto de rango de

una matriz. Este concepto está relacionado con los sistemas
lineales.
Para definir el rango de una matriz necesitamos prime-

ro introducir algunos conceptos.
Definición 3.2 El espacio de vectores de n dimensiones es el con-

junto
<n = {V : V = ( x1 , x2 , · · · , xn ), xi ∈ <} (3.1)
donde n es un número natural. A los elementos de <n se les llama

vectores o n tuplas.
Si n = 1, <1 = < el conjunto de numeros reales; si n = 2,

<2 es el plano cartesiano, y si n = 3, <3 es el espacio tridimen-
sional.
El espacio <n es de gran importancia en las matemá-

ticas, y lo analizaremos con más profundidad en el último
capítulo del curso.
Las filas o columnas de una matriz se pueden identi-

ficar con vectores (sólo que no tienen comas). Más aún los
vectores en <n se pueden ver como matrices renglón. Por
ello mismo podemos definir la suma de vectores y el pro-
ducto de un escalar por un vector de manera semejante que
en las matrices.
Definición 3.3 Si <n es el espacio de vectores n dimensional.

Definimos:
1. Suma: Si V = ( x1 , x2 , · · · , xn ) y W = (y1 , y2 , · · · , yn )
son vectores en <n :
V + W = ( x1 + y1 , x2 + y2 , · · · , x n + y n )
2. Producto escalar por un vector: Si α es un escalar, y V =

( x1 , x2 , · · · , xn ) es un vector en <n :
αV = (αx1 , αx2 , · · · , αxn )
Como los vectores renglón o vectores columna se pue-

den ver como matrices renglón o matrices columna (salvo
las comas), y como la suma de vectores y el producto de
un escalar por un vector son las mismas que las definicio-
nes en las matrices, entonces las siguientes propiedades son
evidentes.
Proposición 3.1 Sean A, B, C vectores renglón (o vectores co-

lumna) en <n . Entonces:
1. Conmutativa: A + B = B + A
2. Asociativa: ( A + B) + C = A + ( B + C )
3. Elemento neutro aditivo o identidad en la suma:
A + O = A,
donde 0 es el vector con entradas todas cero (vector nulo).

4. Inverso aditivo:
A + (− A) = O
5. Para cada α, β, α1 , α2 , · · · , α p escalares (reales o complejos),

se tiene
a) α( β) A = (αβ) A
b) (α1 + α2 + · · · + α p ) A = α1 A + α2 A + · · · α p A
Definición 3.4 Sean V1 , V2 , · · · , Vp una colección de vectores

en el espacio <n . Una combinación lineal de estos p vectores
es una suma de la forma
c1 V1 + c2 V2 + · · · + cn Vn (3.2)
donde los ci son escalares arbitrarios.
Ejemplo 3.5 Si V1 = (1, 0, −2), V2 = (4, 5, −6) y V3 = (−3, 8, 7)

son vectores en <3 , entonces una combinación lineal de estos tres
vectores es por ejemplo
6V1 − 2V2 + V3
Definición 3.5 Sea V1 , V2 , · · · , Vp una colección de vectores en

el espacio <n . Si uno de los vectores es la combinación lineal de
los restantes vectores, decimos que los vectores son linealmente
dependientes, en caso contrario son linealmente independien-
tes.
Es prática la siguiente proposición.

Proposición 3.2 Una colección de vectores V1 , V2 , · · · , Vp en el

espacio <n son linealmente independientes si y solo si la ecua-
ción (donde los α son considerados como incógnitas)
α1 V1 + α2 V2 + · · · + α p Vp = 0 (3.3)
soló tiene como solución a
α1 = α2 = · · · = α p = 0
la solución trivial.
Observación. Notar que la ecuación (3.3) siempre tiene co-

mo solución a la solución trivial.
Ejemplo 3.6 Los vectores V = (1, −4) y W = (2, −8) son

vectores linealmente dependientes pués
W = 2V
Ejemplo 3.7 Consideremos los vectores
A = (1, 2, 3), B = (−1, 0, 2), C = (−1, 1, 0).
¿ Los vectores son linealmente independientes?
Solución. Utilicemos la proposición precedente. Consi-

deremos la ecuación:
α1 A + α2 B + α3 C = 0 (3.4)
equivalente a
(α1 , 2α1 , 3α1 ) + (−α2 , 0, 2α2 ) + (−α3 , α3 , 0) = (0, 0, 0)

equivalente a
(α1 − α2 − α3 , 2α1 + α3 , 3α1 + 2α2 ) = (0, 0, 0)

equivalente al sistema lineal
α1 − α2 − α3 = 0
2α1 + α3 = 0
3α1 + 2α2 = 0
cuya solución es la trivial
α1 = α2 = α3 = 0,
por tanto los vectores A, B, C son linealmente independien-

tes en el espacio <3 .
Ahora ya estamos en condiciones de definir el rango de

una matriz.
Definición 3.6 Sea A una matriz de orden m × n. El rango de

la matriz A es el número máximo de filas linealmente inde-
pendientes.
Observar que el rango de una matriz denotado por rang( A)

satisface 1 ≤ rang( A) ≤ m.
Proposición 3.3 Sea A una matriz de orden m × n. El número

máximo de filas linealmente independientes en la matriz A, es de-
cir, rang( A) es igual al número máximo de columnas linealmente
independientes en A. Por esta razón tenemos que
1 ≤ rang( A) ≤ m
y
1 ≤ rang( A) ≤ n.
Es decir
rang( A) = rang( At )
Teorema 3.2 Una matriz cuadrada A de orden n × n es inverti-

ble si y solo si rang( A) = n, es decir, el número máximo de filas
y columnas linealmente independientes de A es n.
El concepto de matriz escalonada y matriz escalonada

reducida por renglones está relacionada con el rango de una
matriz y con los métodos de descomposición gaussiana y
Gauss Jordan para resolver sistemas de ecuaciones lineales.
Definición 3.7 Una matriz A de orden m × n es escalonada

por renglones si A satisface las propiedades siguientes:
1. El primer elemento distinto de cero de cada renglón está en

almenos una posición más a la derecha del primer elemento
distinto de cero del renglón precedente superior.
2. Si la matriz tiene renglones nulos, estos deben estar en los

renglones inferiores de A.
Ejemplo 3.8 1. Las matrices

 
3 2 3 4 5
A =  0 −2 −1 2 6 
0 0 0 0 7
 
2 3 −1 6
B= 0 0 9 0 
0 0 0 0
y  
0 0 9 0 0
C= 0 0 0 0 6 
0 0 0 0 0
son escalonadas.
2. Las matrices
 
0 1 2 3
D= 0 0 3 1 
0 0 5 −2
y  
0 3 4
E =  −6 0 0 
0 1 0
no son escalonadas.
Definición 3.8 Una matriz A de orden m × n es escalonada

reducida por renglones si A satisface las propiedades siguientes:
1. El primer elemento distinto de cero de cada renglón es uno

(pivote) y está en almenos una posición más a la derecha
del primer elemento distinto de cero del renglón precedente
superior.
2. Todos los elementos en la columna de cada pivote deben ser

ceros.
3. Si la matriz tiene renglones nulos, estos deben estar en los

renglones inferiores de A.
Ejemplo 3.9 1. Las matrices

 
1 0 0 4 0
A= 0 1 1 2 0 
0 0 0 0 1
 
1 3 0 6
B= 0 0 1 0 
0 0 0 0
y  
0 0 1 0 0
C= 0 0 0 0 1 
0 0 0 0 0
son escalonadas reducidas por renglones.
2. Las matrices
 
0 1 0 3
D= 0 0 3 1 
0 0 0 −2
y  
0 1 4
E =  −6 0 0 
0 5 0
no son escalonadas reducidas por renglones.
Observación. Es claro que toda matriz escalonada re-

ducida por renglones es escalonada por renglones.
Definición 3.9 Dos matrices A y B del mismo orden m × n son

equivalentes si se puede obtener una de la otra mediante un nú-
mero finito de operaciones elementales por renglones. Si esto ocu-
rre escribimos A ∼ B.
Teorema 3.3 Las operaciones elementales por renglones en una

matriz A no alteran su rango. Es decir, si la matriz A es equiva-
lente a la matriz B entonces
rang( A) = rang( B)
Teorema 3.4 El rango de una matriz escalonada por renglones o

escalonada reducida por renglones es el número de renglones no
nulos que tiene la matriz.
Ejemplo 3.10 Los rangos de las matrices escalonadas por ren-

glones:
 
3 2 3 4 5
A =  0 −2 −1 2 6 
0 0 0 0 7
 
2 3 −1 6
B= 0 0 9 0 
0 0 0 0
y
 
0 0 1 0 0
C= 0 0 0 0 1 
0 0 0 0 0
son respectivamente 3, 2 y 2.
Los dos teoremas precedentes nos proporcionan una

manera práctica de hallar el rango de una matriz A. La téc-
nica consiste en: Primero aplicar un número finito de ope-
raciones elementales por renglones a la matriz A para re-
ducirla a una matriz equivalente B, de tal forma que B sea
una matriz escalonada por renglones. Segundo. Aplicar la
fórmula:
rang( A) = rang( B) = número de renglones no nulos de B.
Ejemplo 3.11 Hallar el rango de la matriz A. ¿ A es invertible?.

 
1 −1 3 −5
 2 −3 4 −10 
A=  −3

3 −9 15 
3 −3 −6 −4
Solución. Primero apliquemos a la matriz A las opera-

ciones
R2 ← −2R1 + R2 , R3 ← 3R1 + R3 , R4 ← −3R1 + R4
para obtener
   
1 −1 3 −5 1 −1 3 −5
 2 −3 4 −10  ∼ B =  0 −1 −2 0 
 
A=  −3
.
3 −9 15   0 0 0 0 
3 −3 −6 −4 0 0 −15 11
Segundo. Aplicando la operación R3 ↔ R4 a la matriz B se
obtiene  
1 −1 3 −5
 0 −1 −2 0 
B∼C= .
 0 0 −15 11 
0 0 0 0
Tercero. La matriz C es escalonada por renglones y su

rango es 3, el número de renglones distintos de cero. Por
tanto el rango de la matriz A es rang( A) = rang(C ) = 3.
Por último. La matriz A no es invertible pués el rango de A
es 3<4.
3.4. Descomposición Gaussiana y Gauss-

Jordan
Los siguientes conceptos son de suma importancia.
Definición 3.10 Dos sistemas de ecuaciones lineales son equi-

valentes si tienen el mismo conjunto de soluciones.
Proposición 3.4 Si un sistema lineal de ecuaciones S2 es obteni-

do de un sistema lineal S1 mediante un número finito de operacio-
nes elementales de renglones, entonces los sistemas S1 y S2 son
equivalentes, es decir, tienen el mismo conjunto de soluciones. En
otras palabras las operaciones elementales por renglones aplicadas
a un sistema lineal no cambia su conjunto de soluciones.
El algoritmo de descomposición Gaussiana y el de Gauss-

Jordan son algoritmos que se encargan de reducir un siste-
ma lineal de ecuaciones S1 a un sistema lineal de ecuacio-
nes S2, de tal forma que el sistema S2 sea más simple de
resolver. La descomposición Gaussiana reduce el sistema li-
neal S1 a un sistema lineal S2, donde la matriz aumentada
del sistema S2 es escalonada por renglones; y el método de
Gauss-Jordan reduce el sistema lineal S1 a un sistema lineal
S2, donde la matriz aumentada del sistema S2 es escalo-
nada reducida por renglones. Ambas reducciones se hacen
con operaciones elementales de renglones sobre sus matri-
ces aumentadas, correspondientes a sus sistemas.
Definición 3.11 Consideremos el sistema lineal de m ecuacio-

3.4. DESCOMPOSICIÓN GAUSSIANA Y GAUSS-JORDAN221
nes con n incógnitas x1 , x2 , ..., xn

a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2
..
.
am1 x1 + am2 x2 + ... + amn xn = bm .
Este sistema tiene la forma matricial
AX = b
donde  
a11 a12 ... a1n
 a21 a22 ... a2n 
A=
 ...

... ... ... 
am1 am2 ... amn
 
x1
 x2 
X =  .. 
 
 . 
xn
 
b1
 b2 
b =  ..  .
 
 . 
bm
La matriz aumentada correspondiente a este sistema es
AU = [ A|b]
Ejemplo 3.12 Consideremos el sistema lineal

(
2x = y − 4
3x = −2y + 5.
Hallar la matriz aumentada del sistema.
Solución. Primero. Pasar el sistema lineal a la forma

matricial. El sistema lineal anterior es equivalente al siste-
ma: (
2x − y = −4
3x + 2y = 5.
equivalente al sistema
AX = b,
donde
2 −1
A=
3 2

−4
b=
5
y
x
X= .
y
La matriz aumentada del sistema es
AU = [ A|b],
es decir,
2 −1 −4
AU = [ A|b] =
3 2 5
Teorema 3.5 Un sistema lineal de ecuaciones

AX = b,
(donde A es la matriz principal de orden m × n) tiene al menos
una solución (sistema consistente) si y solo si el rango de la
matriz aumentada es igual al rango de la matriz A, es decir,
rang( A) = rang([ A|b]).
O sea, si
rang( A) 6= rang([ A|b])
entonces el sistema lineal
AX = b
no tiene solución (sistema inconsistente).
Teorema 3.6 Sea AX = b un sistema lineal de ecuaciones, don-

de A tiene orden m × n).
1. Si rang( A) 6= rang([ A|b]) entonces el sistema lineal

AX = b
no tiene solución.
2. Si en el sistema lineal AX = b tenemos:
m=n
y
rang( A) = n
entonces el sistema lineal tiene solución única
X = A −1 b
3. Si en el sistema lineal AX = b tenemos:
m = n, rang( A) = rang([ A|b])
y
rang( A) 6= n
entonces el sistema lineal tiene infinitas soluciones. El nú-

mero de variables libres es
n − rang( A)
4. Si en el sistema lineal AX = b
m 6= n, rang( A) = rang([ A|b])
y
n = rang( A)
entonces el sistema lineal tiene solución única.
5. Si en el sistema lineal AX = b
m 6= n, rang( A) = rang([ A|b])
y
n − rang( A) ≥ 1
entonces el sistema lineal tiene infinitas soluciones. El nú-

mero de variables libres es
n − rang( A)
3.4.1. Descomposición Gaussiana
En este apartado describimos la técnica de descompo-

sición Guassiana para resolver un sistema de ecuaciones li-
neales.
De acuerdo a los argumentos descritos previamente, el

método de descomposición Gaussiana para resolver un sis-
tema de ecuaciones lineales tiene los siguientes pasos:
1. Pasar el sistema lineal en la forma matricial AX = b
2. Construir la matriz aumentada del sistema lineal, es

decir, la matriz AU = [ A|b]
3. Reducir la matriz aumentada AU = [ A|b] por medio

de operaciones elementales de renglones a una matriz
aumentada AU 0 = [ B|c] escalonada por renglones.
4. Construir el nuevo sistema lineal correspondiente a la

nueva matriz aumentada que es escalonada por ren-
glones.
5. Aplicar sustitución hacia atrás al nuevo sistema li-

neal:
AU 0 = [ B|c]
para hallar los valores de las incógnitas.
Ejemplo 3.13 Resolver por descomposición Gaussiana el siguien-

te sistema lineal:
x−y−z = 2 (3.5)
3x − 3y + 2z = 16 (3.6)
2x − y + z = 9 (3.7)
Solución. Primero. Pasemos el sistema lineal a la forma

matricial: El sistema lineal es equivalente a
AX = b
donde  
1 −1 −1
A =  3 −3 2 
2 −1 1
 
2
b =  16 
9
 
x
X =  y .
z
Segundo. Se construye la matriz aumentada del sistema AU =
[ A | b ]:  
1 −1 −1 2
[ A | b ] =  3 −3 2 16  .
2 −1 1 9
Tercero. Reducir la matriz aumentada a una matriz esca-
lonada por renglones. Esto se logra aplicando operaciones
elementales de renglones en la matriz aumentada:
Hacemos ceros los elemetos de la primera columna ex-

ceto al uno de la posición AU11 . Para lograr esto aplicamos
las operaciones
R2 ← −3R1 + R2 , R3 ← −2R1 + R3 :
   
1 −1 −1 2 1 −1 −1 2
[ A | b ] =  3 −3 2 16  ∼  0 0 5 10  .
2 −1 1 9 0 1 3 5
Aplicamos la operación R2 ↔ R3 :
   
1 −1 −1 2 1 −1 −1 2
 0 0 5 10  ∼  0 1 3 5 .
0 1 3 5 0 0 5 10
La cual es una matriz escalonada por renglones. Observar
que el rango de la matriz principal y de la matriz aumenta-
da en la última matriz obenida, es tres, por tanto el sistema
original al menos tiene una solución, es decir, el sistema es
consistente.
Cuarto. Construir el nuevo sistema lineal correspon-

diente a la nueva matriz aumentada que es escalonada por
renglones:
x−y−z = 2 (3.8)
y + 3z = 5 (3.9)
5z = 10 (3.10)
Quinto. Aplicar sustitución hacia atrás al sistema lineal pre-
cedente para hallar las incógnitas. Más precisamente, des-
pejamos z de la ecuación (3.10) y obtenemos z = 2; poste-
riormente usamos el valor de z = 2 para obtener el valor de
y de la ecuación (3.9), el valor obtenido es y = 5 − 3z = −1;

finalmente, usamos los valores z = 2 y y = −1 en la ecua-
ción (3.8) para obtener el valor de x = 2 + y + z = 3. Es
decir, los valores son x = 3, y = −1, z = 2; por lo tanto
el punto solución del sistema o la intersección de los tres
planos es (ver figura inferior):
 
3
X =  −1 
2
Intersección de planos
P1:x−y−z=2
P2:3x−3y+2z=16
25 P3:2x−y+z=9
20
15
10
5
z
−5
−10
−15
5 5
0 0
−5 −5 x
y
Figura 3.2: Solución única


te sistema lineal:
x1 + 3x2 − 5x3 + x4 = 4 (3.11)

2x1 + 5x2 − 2x3 + 4x4 = 6 (3.12)

AX = b
donde
1 3 −5 1
A=
2 5 −2 4

4
b=
6
 
x1
 x2 
X= x3  .

x4
[ A | b ]:
1 3 −5 1 4
[ A|b] = .
2 5 −2 4 6
Tercero. Reducir la matriz aumentada a una matriz es-

calonada por renglones. Esto se logra aplicando operacio-
nes elementales de renglones en la matriz aumentada:
Aplicamos la operación R2 ← −2R1 + R2 :


1 3 −5 1 4 1 3 −5 1 4
[ A|b] = ∼ .
2 5 −2 4 6 0 −1 8 2 −2
que el rango de la matriz principal y de la matriz aumenta-
da en la última matriz obenida, es dos, por tanto el sistema
original al menos tiene una solución, es decir, el sistema es
consistente.

diente a la nueva matriz aumentada que es escalonada por
renglones:
x1 + 3x2 − 5x3 + x4 = 4 (3.13)

− x2 + 8x3 + 2x4 = −2 (3.14)
Quinto. Aplicar sustitución hacia atrás al sistema lineal pre-
cedente para hallar las incógnitas. Más precisamente, des-
pejamos x2 de la ecuación (3.14) y obtenemos
x2 = 2 + 8x3 + 2x4 ;
posteriormente usamos el valor de x2 para obtener el valor
de x1 de la ecuación (3.13), el valor obtenido es
x1 = −2 − 19x3 − 7x4 .
Como las variables x3 y x4 son valores arbitrarios en <, en-
tonces toda solución del sistema original tiene la forma:
 
−2 − 19x3 − 7x4
 2 + 8x3 + 2x4 
X= 
 x3 
x4
es decir,

    
−2 −19 −7
 2  8 
 + x4  2  ,
  
X=
 0 
 + x3  (3.15)
 1   0 
0 0 1
donde los parámetros x3 , x4 son valores en < arbitrarios. Pa-
ra cada valor de x3 , x4 se obtiene una solución del sistema
original, es decir, el sistema lineal tiene múltiples solucio-
nes. Por ejemplo si hacemos x3 = x4 = 0, en la ecuación
(3.15), se obtiene la solución:
 
−2
 2 
X=  0 .


te sistema lineal:
2y + 3z = 4 (3.16)
2x − 6y + 7z = 15 (3.17)
x − 2y + 5z = 10 (3.18)

AX = b
donde  
0 2 3
A =  2 −6 7 
1 −2 5
 
4
b =  15 
10
 
x
X=  y .
z
[ A | b ]:  
0 2 3 4
[ A|b] =  2 −6 7 15  .
1 −2 5 10
   
0 2 3 4 1 −2 5 10
[ A|b] =  2 −6 7 15  ∼  2 −6 7 15  .
1 −2 5 10 0 2 3 4
   
1 −2 5 10 1 −2 5 10
 2 −6 7 15  ∼  0 −2 −3 −5 
0 2 3 4 0 2 3 4
Aplicamos la operación R2 ← − 21 R2 :
   
1 −2 5 10 1 −2 5 10
 0 −2 −3 −5  ∼  0 1 23 52 
0 2 3 4 0 2 3 4
Aplicando las operaciones R1 ← R1 + 2R2 , R3 ← R3 −

2R2 :
   
1 −2 5 10 1 0 8 15
 0 1 32 25  ∼  0 1 32 5 .
2
0 2 3 4 0 0 0 −1

que el rango de la matriz principal de la última matriz ob-
tenida es 2, mientras que el rango de la matriz aumentada
es tres, por tanto el sistema original no tiene solución, pués
los rangos son distintos, es decir, el sistema lineal es incon-
sistente.
Notar que el sitema lineal correspondiente a la última

matriz aumentada es:
x + 8z = 15 (3.19)
3 5
y+ z = (3.20)
2 2
0 = −1 (3.21)
La ecuación (3.21) es un absurdo. Por tal motivo, esta es otra

forma de indicar que el sistema original no tiene solución
(Ver figura de abajo).
Ver los siguientes videos de apoyo del método de eli-

minación Gaussiana:
1. https://www.youtube.com/watch?v=IW90DfygZC4
P1:2y+3z=4
P2:2x−6y+7z=15
P3:x−2y+5z=10
15
10
5
z
−5
10
0
−10
10 5 0 −5 −10 x
−10
y
Figura 3.3: Sistema inconsistente
2. https://www.youtube.com/watch?v=WYYgLgfL4q4
3. https://www.youtube.com/watch?v=siJMeYzwQVE
4. https://www.youtube.com/watch?v=gV1laf270Gc&t=0s
3.5. Ejercicios
Resolver por eliminación Gaussiana los siguientes ejer-

cicios del libro Grossman página 26: 3, 14, 15, 18, 19
3.5. EJERCICIOS 235
3.5.1. Método de Gauss-Jordan
En este apartado describimos el método de Gauss-Jordan

para resolver un sistema de ecuaciones lineales.
De acuerdo a los argumentos descritos previamente, el

método de Gauss-Jordan para resolver un sistema de ecua-
ciones lineales tiene los siguientes pasos:
1. Pasar el sistema lineal en la forma matricial AX = b
2. Construir la matriz aumentada del sistema lineal, es

decir, la matriz AU = [ A|b]
3. Reducir la matriz aumentada AU = [ A|b] por medio

de operaciones elementales de renglones a una matriz
aumentada AU 0 = [ B|c] escalonada reducida por ren-
glones.
4. Construir el nuevo sistema lineal correspondiente a la

nueva matriz aumentada que es escalonada reducida
por renglones.
5. Obtener las soluciones del sistema lineal reducido pre-

cedente.
Ejemplo 3.16 Resolver por el método de Gauss-Jordan el siste-

ma lineal:
x−y−z = 2 (3.22)
3x − 3y + 2z = 16 (3.23)
2x − y + z = 9 (3.24)

AX = b
donde  
1 −1 −1
A =  3 −3 2 
2 −1 1
 
2
b =  16 
9
 
x
X=  y .
z
[ A | b ]:
 
1 −1 −1 2
[ A | b ] =  3 −3 2 16  .
2 −1 1 9
Hacemos ceros los elemetos de la primera columna ex-

ceto al uno de la posición AU11 . Para lograr esto aplicamos
las operaciones
R2 ← −3R1 + R2 , R3 ← −2R1 + R3 :
3.5. EJERCICIOS 237
   
1 −1 −1 2 1 −1 −1 2
[ A | b ] =  3 −3 2 16  ∼  0 0 5 10  .
2 −1 1 9 0 1 3 5
   
1 −1 −1 2 1 −1 −1 2
 0 0 5 10  ∼  0 1 3 5 .
0 1 3 5 0 0 5 10
Aplicamos la operación R1 ← R2 + R1 :
 
1 0 2 7
 0 1 3 5 .
0 0 5 10
Aplicamos la operación R3 ← 51 R3 :
 
1 0 2 7
 0 1 3 5 .
0 0 1 2

 
1 0 0 3
 0 1 3 5 .
0 0 1 2

 
1 0 0 3
 0 1 0 −1  .
0 0 1 2
La cual es una matriz escalonada reducida por renglones.

Observar que el rango de la matriz principal y de la matriz
aumentada en la última matriz obenida, es tres, por tanto

el sistema original al menos tiene una solución, es decir, el
sistema es consistente.

diente a la nueva matriz aumentada que es escalonada re-
ducida por renglones:
x = 3 (3.25)
y = −1 (3.26)
z = 2 (3.27)
Quinto. Del sistema lineal precedente se obtiene, x = 3, y =

−1, z = 2; por lo tanto el punto solución del sistema o la
intersección de los tres planos es (ver figura de abajo):
 
3
X =  −1 
2
3.5. EJERCICIOS 239
P1:x−y−z=2
P2:3x−3y+2z=16
25 P3:2x−y+z=9
20
15
10
5
z
−5
−10
−15
5 5
0 0
−5 −5 x
y
Figura 3.4: Solución única

ma lineal:
x1 + 3x2 − 5x3 + x4 = 4 (3.28)

2x1 + 5x2 − 2x3 + 4x4 = 6 (3.29)

AX = b
donde
1 3 −5 1
A=
2 5 −2 4

4
b=
6
 
x1
 x2 
X=
 x3  .

x4
[ A | b ]:
1 3 −5 1 4
[ A|b] = .
2 5 −2 4 6
Tercero. Reducir la matriz aumentada a una matriz es-

calonada reducida por renglones. Esto se logra aplicando
operaciones elementales de renglones en la matriz aumen-
tada:

1 3 −5 1 4 1 3 −5 1 4
[ A|b] = ∼ .
2 5 −2 4 6 0 −1 8 2 −2
Aplicamos la operación R2 ← − R2 :

1 3 −5 1 4
.
0 1 −8 −2 2

1 0 19 7 −2
.
0 1 −8 −2 2
Observar que el rango de la matriz principal y de la matriz
3.5. EJERCICIOS 241
aumentada en la última matriz obenida, es dos, por tanto

el sistema original al menos tiene una solución, es decir, el
sistema es consistente.

diente a la nueva matriz aumentada que es escalonada re-
ducida por renglones:
x1 + 19x3 + 7x4 = −2 (3.30)

x2 − 8x3 − 2x4 = 2 (3.31)
Quinto. Despejar x1 de la ecuación (3.30), y x2 de la ecuación

(3.31), para obtener
x1 = −2 − 19x3 − 7x4
y
x2 = 2 + 8x3 + 2x4 .
Como las variables x3 y x4 son valores arbitrarios en <, en-
tonces toda solución del sistema original tiene la forma:
 
−2 − 19x3 − 7x4
 2 + 8x3 + 2x4 
X= 
 x3 
x4
es decir,

    
−2 −19 −7
 2  8 
 + x4  2  ,
  
X=
 0 
 + x3  (3.32)
 1   0 
0 0 1
donde los parámetros x3 , x4 son valores en < arbitrarios. Pa-

ra cada valor de x3 , x4 se obtiene una solución del sistema
original, es decir, el sistema lineal tiene múltiples solucio-
nes. Por ejemplo si hacemos x3 = x4 = 0, en la ecuación
(3.32), se obtiene la solución:
 
−2
 2 
X=  0 .


ma lineal:
2y + 3z = 4 (3.33)
2x − 6y + 7z = 15 (3.34)
x − 2y + 5z = 10 (3.35)

AX = b
donde  
0 2 3
A =  2 −6 7 
1 −2 5
 
4
b =  15 
10
3.5. EJERCICIOS 243
 
x
X =  y .
z
[ A | b ]:
 
0 2 3 4
[ A|b] =  2 −6 7 15  .
1 −2 5 10
Tercero. Reducir la matriz aumentada a una matriz escalo-
nada reducida por renglones. Esto se logra aplicando ope-
raciones elementales de renglones en la matriz aumentada:
   
0 2 3 4 1 −2 5 10
[ A|b] =  2 −6 7 15  ∼  2 −6 7 15  .
1 −2 5 10 0 2 3 4

   
1 −2 5 10 1 −2 5 10
 2 −6 7 15  ∼  0 −2 −3 −5 
0 2 3 4 0 2 3 4
Aplicamos la operación R2 ← − 12 R2 :
   
1 −2 5 10 1 −2 5 10
 0 −2 −3 −5  ∼  0 1 23 52 
0 2 3 4 0 2 3 4
Aplicando las operaciones R1 ← R1 + 2R2 , R3 ← R3 −

2R2 :
   
1 −2 5 10 1 0 8 15
 0 1 32 52  ∼  0 1 23 5 .
2
0 2 3 4 0 0 0 −1

Observar que el rango de la matriz principal de la última
matriz obtenida es 2, mientras que el rango de la matriz au-
mentada es tres, por tanto el sistema original no tiene solu-
ción, pués los rangos son distintos, es decir, el sistema lineal
es inconsistente.
Notar que el sitema lineal correspondiente a la última

matriz aumentada es:
x + 8z = 15 (3.36)
3 5
y+ z = (3.37)
2 2
0 = −1 (3.38)
La ecuación (3.38) es un absurdo. Por tal motivo, esta es otra

forma de indicar que el sistema original no tiene solución
(Ver figura de abajo).
3.5. EJERCICIOS 245
P1:2y+3z=4
P2:2x−6y+7z=15
P3:x−2y+5z=10
15
10
5
z
−5
10
0
−10
10 5 0 −5 −10 x
−10
y
Figura 3.5: Sistema inconsistente
Ejemplo 3.19 Ver el ejemplo 1.2.2 página 12 del libro Gross-

man.
Ejemplo 3.20 Ver el ejemplo 1.2.6 página 15 del libro Gross-

man.
Ver los siguientes videos de apoyo del método de Gauss-

Jordan:
1. https://www.youtube.com/watch?v=wUDZyeLSPck
2. https://www.youtube.com/watch?v=a5FOMHC5ZNc
3.
4. https://www.youtube.com/watch?v=dFmGzr1j6eY
5. https://www.youtube.com/watch?v=em0ZWErimyU
6. https://www.youtube.com/watch?v=91xUg1L7O7s
3.6. Ejercicios
Resolver por el método de Gauss-Jordan los siguientes

ejercicios del libro Grossman página 26: 3, 14, 15, 18, 19
3.7. Aplicaciones
En esta sección describimos algunas aplicaciones de los

sistemas de ecuaciones lineales.
Ejemplo 3.21 (Balanceo de reacciones químicas). Al balan-

cear reacciones químicas tales como la de la fotosíntesis:
CO2 + H2O → C6 H12O6 + O2 .
se buscan enteros positivos x1 , x2 , x3 y x4 , que no tengan un di-
visor común diferente de 1, de manera que en
x1 (CO2 ) + x2 ( H2O) → x3 (C6 H12O6 ) + x4 (O2 )
el número de átomos de cada elemento químico involucrado es el
mismo en cada lado de la reacción. El número de átomos de un
elemento químico lo indica un subíndice; por ejemplo, en CO2

hay un átomo de C (carbono) y dos átomos de O (oxígeno). Esto
nos lleva a un sistema homogéneo de ecuaciones:
C : x1 = 6x3 (3.39)
O : 2x1 + x2 = 6x3 + 2x4 (3.40)
H : 2x2 = 12x3 (3.41)
Resolver el sistema lineal precedente.
Solución. El sistema lineal es equivalente a

x1 − 6x3 = 0 (3.42)
2x1 + x2 − 6x3 − 2x4 = 0 (3.43)
2x2 − 12x3 = 0 (3.44)
Pasemos el sistema lineal a la forma matricial: El siste-

ma lineal es equivalente a
AX = b
donde  
1 0 −6 0
A =  2 1 −6 −2 
0 2 −12 0
 
0
b=  0 
0
y  
X1
 X2 
X=
 X3  .

X4
Construimos la matriz aumentada del sistema:

 
1 0 −6 0 0
AU =  2 1 −6 −2 0  .
0 2 −12 0 0
Aplicamos la sentencia rre f ( AU ) en Matlab para reducir la
matriz AU a la forma escalonada por renglones, obtenien-
do:  
1 0 0 −1 0
AU =  0 1 0 −1 0  .
0 0 1 − 61 0
El sistema lineal correspondiente a la matriz aumentada re-
ducida precedente es:
x1 − x4 = 0 (3.45)
x2 − x4 = 0 (3.46)
1
x3 − x4 = 0. (3.47)
6
Despejando x1 , x2 y x3 de las ecuaciones (3.45), (3.46) y (3.47),
respectivamente, se obtiene:
x1 = x4 (3.48)
x2 = x4 (3.49)
1
x3 = x4 . (3.50)
6
Como la variable x4 se puede considerar como un paráme-
tro libre en los reales, entonces la solución del sistema origi-
nal es de la forma:
   
x4 1
 x4   1 
X=  1 x4  = x4  1 
  
6 6
x4 1
es decir,  
1
 1 
X = x4 
 1 
 (3.51)
6
1
donde x4 ∈ <. En el caso de nuestro problema, es perti-
nente considerar valores de x4 > 0. Por ejemplo si x4 = 6,
entonces
x1 = 6, x2 = 6, x3 = 1, x4 = 6
es una solución al problema de balanceo.
Ejemplo 3.22 Un viajero que acaba de regresar de Europa gastó

$30 diarios en Inglaterra, $20 diarios en Francia y $20 diarios en
España por concepto de hospedaje. En comida gastó $20 diarios en
Inglaterra, $30 diarios en Francia y $20 diarios en España. Sus
gastos adicionales fueron de $10 diarios en cada país. Los registros
del viajero indican que gastó un total de $340 en hospedaje, $320
en comida y $140 en gastos adicionales durante su viaje por estos
tres países. Calcule el número de días que pasó el viajero en cada
país o muestre que los registros son incorrectos debido a que las
cantidades gastadas no son compatibles una con la otra.
Solución. Sea
x = número de días que estuvo en Inglaterra
y = número de días que estuvo en Francia

y
z = número de días que estuvo en España.
De acuerdo a las hípotesis del problema el modelo lineal es:
30x + 20y + 20z = 340 (3.52)

20x + 30y + 20z = 320 (3.53)
10x + 10y + 10z = 140. (3.54)
Al obtener la matriz aumentada del sistema, tenemos:

 
30 20 20 340
AU =  20 30 20 320 
10 10 10 140
Aplicando la instrucción rre f ( AU ) en Matlab, se obtiene:
x = 6, y = 4, z = 4
Para el caso donde el sistema lineal cuadrado AX = b

tenga matriz principal invertible, también se puede aplicar
la sentecia en Matlab
X = A\B
para poder hallar la solución.
Ejemplo 3.23 Ver el ejemplos 1.2.8, 2.2.9 y 2.2.10 página 17-19

del libro Grossman.
Ver los siguientes videos de apoyo sobre aplicaciones

de sistemas de ecuaciones lineales:
1. https://www.youtube.com/watch?v=Jixqs1Akers
3.8. EJERCICIOS 251
2. https://www.youtube.com/watch?v=ypOOKiXi888
3. https://www.youtube.com/watch?v=SCGPlyAoDg0
4. https://www.youtube.com/watch?v=-SnuG0zdsRA
5. https://www.youtube.com/watch?v=-Ip03K7hG44
6. https://www.youtube.com/watch?v=XxqSSSBZ0Ic
7. https://www.youtube.com/watch?v=TDjfqU589D0
Ejercicio 3.7.1 Hacer los siguientes ejercicios del libro Becerril

por el método de eliminación Gaussiana y Gauss-Jordan:
1. Página 41. Ejecicio 14
2. Página 45. Ejecicio 7
3.8. Ejercicios
Resolver los siguientes ejercicios del libro BECERRIL

página 48 y 49 : 18,20, 21, 23. También resolver el ejercicio 3
b) de la página 44 del libro Grossman.
Capítulo 4
Determinantes
En este capítulo el objetivo es describir la teoría eleme-

tal de los determinantes. El determinante es una función so-
bre las matrices cuadradas de orden n × n, denotadas por
Mn . El concepto de determinante de una matriz aparece en
diversas areas de las Matemáticas.
Definición 4.1 Sea M1 = < las matrices de orden 1 × 1 que

se pueden identificar con los números rales. El determinante es
una función sobre el conjunto M1 = <, definido de la siguiente
manera:
det : M1 → <
det(( A)) = A (4.1)
253
254 CAPÍTULO 4. DETERMINANTES
Ejemplo 4.1
1.
det(−4) = −4
2.
det(9) = 9
Definición 4.2 1. Sea A una matriz cuadrada de orden n × n

y sean i, j ∈ {1, 2, · · · , n}. El menor Aij de A es la matriz
denotada por Aij de orden (n − 1) × (n − 1) que se obtiene
de A eliminando la fila i y la columna j.
2. Sea A una matriz cuadrada de orden n × n y sean i, j ∈

{1, 2, · · · , n}. El cofactor cij de A es
cij = (−1)i+ j det( Aij ) (4.2)
Figura 4.1: Menor de una matriz

255
Ejemplo 4.2 Consideremos la matriz

3 −9
A=
8 7
1. Calcular los menores A11 , A12 , A21 , A22
2. Calcular los cofactores c11 , c12 , c21 , c22
Solución.
1. El menor A11 es la matriz que se obtiene de A al elimi-

narle su fila 1 y columna 1. A11 = 7
El menor A12 es la matriz que se obtiene de A al elimi-
narle su fila 2 y columna 1. A21 = −9
2. El cofactor c11 = (−1)1+1 det( A11 ) = 1 det(7) = 7

El cofactor c12 = (−1)1+2 det( A12 ) = −1 det(8) = −8
El cofactor c21 = (−1)2+1 det( A21 ) = −1 det(−9) =
−1(−9) = 9
El cofactor c22 = (−1)2+2 det( A22 ) = 1 det(3) = 3
Definición 4.3 (Determinantes por cofactores). Sea n ≥ 2

un número natural y sea Mn el conjunto de todas las matrices
cuadradas de orden n × n (los elementos de las matrices pueden
ser reales o complejos).
1. El determinante es una función sobre el conjunto Mn , y

es definido de la siguiente manera sobre la i-esima fila,
i = 1, 2, · · · , n:
det : Mn → <
n
det( A) = ∑ aij cij (4.3)
j =1
= ai1 (−1)i+1 det( Ai1 ) + · · · + ain (−1)i+n det( Ain )
2. El determinante es una función sobre el conjunto Mn , y es

definido de la siguiente manera sobre la j-esima columna,
j = 1, 2, · · · , n:
det : Mn → <
n
det( A) = ∑ aij cij (4.4)
i =1
= a1j (−1)1+ j det( A1j ) + · · · + anj (−1)n+ j det( Anj )
Proposición 4.1 El determinante de una matriz A es el mismo

al ser desarrollado por cualquier fila o columna de la matriz A.
Esto tiene como consecuencia que
det( A) = det( At ).
257
Ejemplo 4.3 Si A es una matriz de orden 2 × 2, por ejemplo

a11 a12
A=
a21 a22
entonces al calcular det( A) por la primera fila se tiene:
det( A) = a11 (−1)1+1 det( A11 ) + a12 (−1)1+2 det( A12 )

= a11 (−1)2 det( a22 ) + a12 (−1)3 det( a21 )
= a11 a22 − a12 a21
es decir,
a11 a12
det = a11 a22 − a12 a21 (4.5)
a21 a22
Ejemplo 4.4

2 3
det = (2)(−5) − (3)(6) = −10 − 18 = −28
6 −5
Ejemplo 4.5

7 −3
det = (7)(5) − (−3)(6) = 35 + 18 = 53
6 5
Ejemplo 4.6 Consideremos la matriz

 
3 −9 3
A= 8 7 5 
4 −3 0
1. Calcular el menor A23

2. Calcular el cofactor c23
Solución.
1. La matriz A tiene la forma:

 
3 −9 3
A= 8 7 5 
4 −3 0

narle su fila 3 y columna 2. Por tanto,

3 3
A32 =
4 0
2. El cofactor c32 es
c32 = (−1)3+2 det( A32 ) = −1[(3)(0) − (3)(4)] = 12

259
Ejemplo 4.7 Al calcular por cofactores el determinante de A so-

bre el primer renglón se obtiene:
 
2 −1 0
det  3 −4 −5  = 2(−1)1+1 det( A11 )
0 1 6
+ (−1)(−1)1+2 det( A12 )
+ 0(−1)1+3 det( A13 )
= 2 det(A11 ) + det(A12 )
−4 −5 3 −5
= 2 det + det
1 6 0 6
= 2[(−4)(6) − (1)(−5)] + [3(6) − 0(−5)]
= 2[−24 + 5] + [18 − 0]
= 2(−19) + 18
= −20
Proposición 4.2 (Regla de Sarrus). Al desarrollar por cofacto-

res el determinante de la matriz
 
a b c
A= d e f 
g h i
se obtiene
 
a b c
det  d e f  = [ aei + dhc + gb f ] − [ceg + f ha + ibd].
g h i
(4.6)
Esta técnica es más fácil de aprender a partir del siguiente dia-
grama y sólo es válida para determinantes de matrices de orden
3 × 3.
a b c
d e f
g h i
a b c
d e f
Ejemplo 4.8 Calcular el determinante de las siguientes matri-

ces ocupando la ecuación (4.6).
1.  
−1 4 −3
A12 = 3 1 2 
−2 −1 6
2.  
2 −3 4
A32 =  −1 4 −3 
−2 −1 6
Solución.
1. Ocuparemos la fórmula (4.6). Por la gráfica:

261
−1 4 −3
3 1 2
−2 −1 6
−1 4 −3
3 1 2
tenemos
 
−1 4 −3
det  3 1 2  = [−6 + 9 − 16] − [6 + 2 + 72]
−2 −1 6
= (−13) − (80)
= −93,
es decir,
 
−1 4 −3
det  3 1 2  = −93 (4.7)
−2 −1 6
2. Ocuparemos la fórmula (4.6). Por la gráfica:

2 −3 4
−1 4 −3
−2 −1 6
2 −3 4
−1 4 −3
tenemos
 
2 −3 4
det  −1 4 −3  = [48 + 4 − 18] − [−32 + 6 + 18]
−2 −1 6
= (34) − (−8)
= 42,
es decir,  
2 −3 4
det  −1 4 −3  = 42 (4.8)
−2 −1 6
Ejemplo 4.9 Hallar el determinante de la siguiente matriz:

 
2 −4 −3 4
 −1 0 4 −3 
A=
 3 −4

1 2 
−2 0 −1 6
263
Solución. Aprovechando que tenemos dos ceros en la

segunda columna de la matriz A, calculamos el determinan-
te de la matriz a partir del desarrollo de cofactores sobre su
segunda columna.
det( A) = (−4)(−1)1+2 det( A12 )

+ 0(−1)2+2 det( A22 )
+ (−4)(−1)3+2 det( A32 )
+ 0(−1)4+2 det( A42 )
= 4 det( A12 ) + 4 det( A32 ),
es decir,
det( A) = 4 det( A12 ) + 4 det( A32 ). (4.9)
donde  
−1 4 −3
A12 = 3 1 2 
−2 −1 6
y
 
2 −3 4
A32 =  −1 4 −3 
−2 −1 6
son las matrices del ejemplo precedente.
Sustituyendo valores de (4.7) y (4.8) en (4.9), se tiene:
det( A) = 4(−93) + 4(42) = −204. (4.10)
Para calcular el determinante de una matriz A en Matlab

se utiliza la instrucción det( A).
Proposición 4.3 El determinante de una matriz triangular su-

perior o inferior es el producto de los elementos de su diagonal
principal. Luego el determinante de una matriz triangular es dis-
tinto de cero si y solo si todos los elementos de su diagonal prin-
cipal son distintos de cero. En particular, como toda matriz dia-
gonal es una matriz triangular superior e inferior, entonces, el
determinante de estas matrices es el producto de los elementos de
su diagonal principal. Por ejemplo, el determinante de la matriz
identidad (de cualquier orden) es uno.
Demostración. La demostración se hará por inducción

sobre el orden de una matriz triangular superior; el caso de
una matriz triangular inferior se trata de forma semejante.
Supongamos que

a b
T=
0 c
es una matriz triangular superior de orden 2 × 2. Entonces

a b
det = ac − b0 = ac,
0 c
es decir,
a b
det = ac
0 c
con lo que se cumple la conclución para el caso 2 × 2.
Supongamos que
 
a b c
T= 0 d e 
0 0 f
265
es una matriz triangular de orden 3 × 3. Entonces al calcular

el determinante de T por el desarrollo de cofactores sobre la
primera columna, y considerar que la conclución es cierta
para todas las matrices de orden 2 × 2, tenemos:
 
a b c
1 + 1 d e
det  0 d e  = a(−1) det = ad f ,
0 f
0 0 f
es decir,  
a b c
det  0 d e  = ad f ,
0 0 f
lo que significa que la conclución es cierta para todas las
matrices de orden 3 × 3. De manera semejante se demuestra
que la conclución es cierta para todas las matrices de orden
4 × 4, etc.
Ejemplo 4.10
 
2 −3 8
det  0 −4 0  = (2)(−4)(−1) = 8
0 0 −1
Ejemplo 4.11
 
2 −3 8
det  0 0 7  = (2)(0)(−1) = 0
0 0 −1
Ejemplo 4.12
 
2 0 0
det  5 7 0  = (2)(7)(−1) = −14
−8 9 −1
Ejemplo 4.13
 
2 0 0
det  0 8 0  = (2)(8)(−1) = −16
0 0 −1
Ejercicio 4.0.1 Hacer los siguientes ejercicios del libro Gross-

man, página 187.
1. Ejercicios 1 y 3 por el método de cofactores.
2. Ejercicios 5 y 7. Hacer los ejercicios empleando la fórmula

(4.6).
3. Ejercicios 11 y 12 por el método de cofactores.
Ejemplo 4.14 Ver los siguientes videos de apoyo sobre determi-

nantes.
1. https: // www. youtube. com/ watch? v= bsUUVmeqsdY
2. https: // www. youtube. com/ watch? v= 8OnOZvc5rFQ
3. https: // www. youtube. com/ watch? v= 0iXeaZwPkzo
4. https: // www. youtube. com/ watch? v= sJ-HD18D1dw
5. https: // www. youtube. com/ watch? v= 5ZwF95rkzvU
6. https: // www. youtube. com/ watch? v= ajvwN6FogKI

Este determinante se calcula con el método de Gauss.
4.1. TAREA I 267
4.1. TAREA I
Hacer los siguientes ejercicios del libro Larson:
1. Páginas 110-111. Ejercicios 19, 21, 27, 28, 39, 41, 45, 49
2. Páginas 118. Ejercicios 25, 27, 31
3. Páginas 136. Ejercicios 1, 3, 5, 17, 19, 25, 27
4.2. Propiedades de los determinantes
En esta sección describimos algunas propiedades de los

determinantes.
Proposición 4.4 El determinante de una matriz A que tenga

una fila (columna) de ceros es cero. Esto se escribe en corto co-
mo:
R1
 
 R2 
 . 
 . 
 . 
 R
 
det  i−1  = 0

 0 
 R i +1 
 
 . 
 .. 
Rn
Demostración. El resultado es inmediato, sólo hay que

desarrollar por cofactores en la fila (columna) que contiene
a los ceros.
Ejemplo 4.15
 
2 −3 8
det  0 0 0 =0
100 90 2
Ejemplo 4.16
 
2 −3 0
det  8 9 0 =0
100 90 0
Proposición 4.5 Si el renglón Ri de la matriz A es de la forma

Ri = αRi0 , entonces
det( A) = α det( B), (4.11)
en donde B es la matriz que se obtiene de A cambiando sólo el

renglón Ri por el renglón Ri0 , es decir:
· · · a1n a11 a12 · · ·

   
a11 a12 a1n
 a21 a22 · · · a2n   a21 a22 · · · a2n 
.. .. .. .. .. .. .. ..
   
. . . . . . . .
   
   
det   = α det  .
 αai1 αai2 . . . αain   ai1 ai2 . . . ain 
 . .. .. ..   .. .. .. .. 
 .. . . .   . . . . 
   
.. ..
an1 an1 . ann an1 an1 . ann
4.2. PROPIEDADES DE LOS DETERMINANTES 269
En corto, esto se escribe como:
R1 R1
   
 R2   R2 
 .   .. 
 . 
 .  .
 
 
 R i −1  R i −1
   
det   = α det  .
 
 αR i   Ri 
 R i +1  R i +1
   
 
 .  ..
 .. 
 
 . 
Rn Rn
Como un caso particular tenemos la siguiente fórmula:
det(αA) = αn det( A)
NOTA. La proposición es también válida para columnas.
Demostración. Desarrollando el determinante de A por

la fila i- ésima se tiene:
det( A) = αai1 ci1 + · · · + αain cin

= α( ai1 ci1 + · · · + ain cin )
= α det( B).
Ejemplo 4.17 Al aplicar la proposición precedente al primer ren-

glón de la matriz (factorizar 4 y por tanto pivoteamos la posición
(1, 1)) se obtiene:
5
   
4 −12 5 1 −3 4
det  8 1 −1  = 4 det  8 1 −1 
0 90 2 0 90 2
Ejemplo 4.18 Al aplicar la proposición precedente a la primera

columna de la matriz, factorizando el 4, tenemos,
   
4 −12 5 1 −12 5
det  −8 1 −1  = 4 det  −2 1 −1 
0 90 2 0 90 2
Ejemplo 4.19 Al factorizar la expresión e2x de la primera co-

lumna, y e3x de la segunda columna, tenemos:
2x
e3x

e 2x 3x 1 1
det = e e det = e5x [3 − 2] = e5x
2e2x 3e3x 2 3
Proposición 4.6 Si la matriz B se obtiene de la matriz A in-

tercambiando sólo el renglón i-ésimo por el renglón k-ésimo,
entonces,
det( B) = − det( A). (4.12)
   
R1 R1
 R2   R2 
 ..  ..
   
 .  .
 
 
 R i −1  R i −1
   
 
 Ri  Rk
   
 
det   = − det 
 R i +1  R i +1

 
 .   .. 
 ..   . 
   
 R   Ri 
 k   
 .  ..
 .. 
 
 . 
Rn Rn

Ejemplo 4.20 Intercambiando el segundo renglón y el tercero,

tenemos:
5 5
   
1 −3 4 1 − 3 4
det  8 1 −1  = − det  0 90 2 
0 90 2 8 1 −1
Ejemplo 4.21 Intercambiando la primera y el tercera columna,

tenemos:
   
1 −3 −9 −9 −3 1
det  8 1 −1  = − det  −1 1 8 
0 90 2 2 90 0
Como una consecuencia de la proposición precedente,

tenemos la siguiente.
Proposición 4.7 Si una matriz A tiene dos más renglones igua-

les, entonces el determinante de la matriz es cero.

 
R1
 R2 
 ..
 
 .


 R i −1
 

 R
 

det  =0
 R i +1 
 . 
 .. 
 
 R 
 
 .
 ..


Rn
Demostración. Si la matriz B es la matriz que se obtiene

de A al permutar dos de las filas iguales, entonces B = A; y
si aplicamos la proposición precedente, entonces
det( B) = − det( A),
equivalente a
det( A) = − det( A),
es decir,
2 det( A) = 0,
o sea,
det( A) = 0.
Ejemplo 4.22 Como el primer y tercer renglón son iguales, en-

tonces,  
2 −3 8
det  5 7 9 =0
2 −3 8
Ejemplo 4.23 Como la primera y tercera columna son iguales,

entonces,  
2xy −3 2xy
det  5xy 7 5xy  = 0
2
2xy −3x 2xy2
Proposición 4.8 Si el renglón i-ésimo de una matriz es múltiplo

de un renglón k-ésimo por un escalar α, entonces el determinante
de la matriz es cero. En corto, esto se escribe como:

 
R1
 R2 
 .. 
 
 . 
 R i −1 
 
 
 αRk 
 R i +1  = 0
det  
 . 
 .. 
 
 R 
 k 
 . 
 .. 
Rn
Demostración. El resultado es consecuencia de la pro-

posición precedente:
   
R1 R1
 R2   R2 
 ..   .. 
   
 .   . 
 R i −1   R i −1 
   
 Rk 
   
 αRk 
 Ri+1  = α det  Ri+1  = 0
det    
 .   . 
 ..   .. 
   
 R   R 
 k   k 
 .   . 
 ..   .. 
Rn Rn
Ejemplo 4.24 Como la segunda y primera columna de la matriz

son tales que C2 = −2C1 , entonces en virtud de la proposición
precedente, tenemos:
 
−1 2 8
det  3 −6 −1  = 0
5 −10 2
Proposición 4.9 Si el renglón Ri de una matriz A se expresa

como la suma de dos vectores
Ri = Ri0 + Ri00 ,
entonces,
det( A) = det( A0 ) + det( A00 ), (4.13)
en donde A0 y A00 son las matrices tales que su renglón i-ésimo
es Ri0 y Ri00 respectivamente, y los demás renglones son los mis-
mos que los de la matriz A. En corto, esto se dice de la siguiente
manera:
R1 R1 R1
     
 R2   R2   R2 
 .
.
  . 
 . 
 . 
 . 
. .  . 
 
   
 R i −1   R i −1   R i −1 
     
det  0  = det   + det 
 Ri + Ri00   Ri0   Ri00 

 R i +1   R i +1   R i +1 
     
 .. 
 ... 
 
 ... 
 
 . 
Rn Rn Rn
Demostración. Si suponemos que los renglones
Ri0 = ( ai1 , ai2 , · · · , ain )

y
Ri00 = (bi1 , bi2 , · · · , bin ),
entonces al desarrollar el determinante de A por la fila i-

ésima se tiene:
det( A) = ( ai1 + bi1 )ci1 + · · · + ( ain + bin )cin

= ( ai1 ci1 + · · · + ain cin ) + (bi1 ci1 + · · · + bin cin )
= det( A0 ) + det( A0 ).
Ejemplo 4.25 Aplicando la proposición precedente a la segunda

fila tenemos:
5 5
   
1 −3 4 1 −3 4
   
   
 8 + a 1 + b −1 + c 1 −1 
det   = det  8
  
   
0 90 2  0 90 52 
1 −3 4
 
 
+ det 
 a b c 

 
0 90 2
Proposición 4.10 Si al renglón i-ésimo de una matriz se le suma

el múltiplo de un escalar α por otro renglón k-ésimo, entonces el
determinante de la matriz no cambia. Es decir, si aplicamos la
operación Ri ← Ri + αRk , entonces, el determinante no cambia.
   
R1 R1
 R2   R2 
.. ..
   
. .
   
   
Rk Rk
   
   
 ..   .. 

det  .  
 = det  . 

 R   R i −1 
 i −1   
 R + αR   Ri 
 i k   
 R   R i +1 
 i +1   
 ..   .. 
 .   . 
Rn Rn
Demostración. La demostración es consecuencia de:

     
R1 R1 R1
 R2   R2   R2 
.. .. ..
     
. . .
     
     
Rk Rk Rk 
     
    
 ..   ..   .. 

det  .  
 = det  .  
 + det  . 
 R   R i −1   R i −1 
 i −1     
 R + αR   Ri   αRk 
 i k     
 R   R i +1   R i +1 
 i +1     
 ..   ..   .. 
 .   .   . 
Rn Rn Rn
     
R1 R1 R1
 R2   R2   R2 
.. .. ..
     
. . .
     
     
Rk Rk Rk
     
     
 ..   ..   .. 

= det  .  
 + α det  .  
 = det  . 
 + α0

 R i −1 


 R i −1 


 R i −1 


 Ri 


 Rk 


 Ri 


 R i +1 


 R i +1 


 R i +1 

 ..   ..   .. 
 .   .   . 
Rn Rn Rn
 
R1
 R2 
..
 
.
 
 
Rk
 
 
 .. 

= det  . 


 R i −1 


 Ri 


 R i +1 

 .. 
 . 
Rn
Ejemplo 4.26 Aplicando la proposición precedente efectuamos

la operación R2 ← −8R1 + R2 a la matriz para hacer cero al 8 de
la posición (2, 1):
5 5
   
1 −3 4 1 − 3 4
det  8 1 −1  = det  0 25 −11 
0 90 2 0 90 2
Ejemplo 4.27 Demostrar que
1 a a2
 
det  1 b b2  = (b − a)(c − a)(c − b).

1 c c2
Demostración.
Aplicando la proposición precedente. Efectuamos las

operaciones
C2 ← − aC1 + C2
y
C3 ← − aC2 + C3
a la matriz:
1 a a2
   
1 0 0
det  1 b b2  = det  1 b − a b2 − ab 
1 c c2 1 c − a c2 − ac
Al factorizar b − a del segundo renglón y c − a del tercer

renglón, obtenemos,
 
1 0 0
(b − a)(c − a) det  1 1 b 
1 1 c
Por último, al desarrollar por cofactores sobre la primera

fila al determinante precedente, tenemos que la expresión
anterior es igual a:

1+1 1 b
(b − a)(c − a)(1)(−1) det = (b − a)(c − a)(c − b)
1 c
Es decir, hemos demostrado que

1 a a2
 
det  1 b b2  = (b − a)(c − a)(c − b).

1 c c2
Este es un caso particular del determinante de matrices de
mayor orden, llamadas de Vandermonde.
Ejemplo 4.28 Hallar x tal que satisfaga la ecuación:

 
x 2 0
det  0 x + 1 2  = 0.
0 1 x
Solución.
Al desarrollar por cofactores sobre la primera fila, ob-

tenemos,
 
x 2 0
0 = det  0 x+1 2 
0 1 x

1+1 x+1 2
= x (−1) det
1 x
= x [( x + 1)( x ) − 2] = x [ x2 + x − 2].
Es decir,
x [ x 2 + x − 2] = 0
por tanto, por la propiedad del dominio entero,
x = 0, x2 + x − 2 = 0;
osea,
x = 0, ( x + 2)( x − 1) = 0;
lo cual implica que,
x = 0, x = −2, x = 1.
La proposición precedente se puede generalizar de la

siguiente manera.
Proposición 4.11 Si al renglón i-ésimo de una matriz se le suma

una combinación lineal de otros renglones, entonces el determi-
nante de la matriz no cambia. Es decir,
 
R1 R1
 

 R2 
  R2 
 .
..   . 
 . 



  . 
 R i −1  
 = det  R i −1 

det 
 R i + α1 R k + α2 R k + · · · + α p R k   Ri 
 
 1 2 p 
R i +1  R i +1 
   

..
  . 

 .

  .. 
Rn Rn
NOTA. La proposición es también válida para columnas
Una consecuencia de es proposición es la siguiente.
Proposición 4.12 Si un renglón de una matriz es la combina-

ción lineal de otros renglones, entonces el derminante de la matriz
es cero, es decir,
 
R1

 R2 

 .. 

 . 

 R i −1 
=0
det 
 α1 R k + α2 R k + · · · + α p R k 
 1 2 p 

 R i +1 

 .. 
 . 
Rn
NOTA. La proposición es también válida para columnas

Demostración.
 
  R1
R1  R2 
..
 

 R2 


 .


..
Rk1
   
 .   

R i −1
  .. 

det 

 =

det  . 

 α1 R k + α2 R k + · · · + α p R k   R i −1 
 1 2 p   

 R i +1 


 α1 R k 1 

 ..   R i +1 
 .   
 .. 
Rn  . 
Rn
 
R1
 R2 
..
 
.
 
 
Rk2
 
 
 .. 
+

det  . 


 R i −1 


 α2 R k 2 


 R i +1 

 .. 
 . 
Rn
···  ··· 
R1

 R2  
 .. 

 . 


 Rk p  
 .. 
+ det 
 . =0


 R i −1  

 α p Rk p  
 R i +1 
..
 
 
 . 
Rn
Teorema 4.1 Si A, B, A1 , A2 , · · · , A p son matrices cuadradas

de orden n × n, entonces
1. det( At ) = det( A)
2. det( AB) = det( A) det( B)
3. det( A1 A2 · · · A p ) = det( A1 ) det( A2 ) · · · det( A p )
4. det( A p ) = (det( A)) p , para todo número entero no nega-

tivo p.
Teorema 4.2 Una matriz cuadrada de orden n × n es invertible

si y solo si det( A) 6= 0. Si esto ocurre, entonces,
1
det( A−1 ) = (det( A))−1 = . (4.14)
det( A)
Ejemplo 4.29 Ver los siguientes videos de apoyo.
1. https: // www. youtube. com/ watch? v= e4RL4_ -OddM
2. https: // www. youtube. com/ watch? v= MK7qWhVzG60
3. https: // www. youtube. com/ watch? v= BQjqOu0HmxQ
4. https: // www. youtube. com/ watch? v= sJ-HD18D1dw
5. https: // www. youtube. com/ watch? v= C9JECoRDro8
6. https: // www. youtube. com/ watch? v= IitNtGf7Jp0

4.3. Método de Gauss para determinan-

tes
En esta sección describimos el método de Gauss para

hallar el determinante de una matriz. El método consiste en
aplicar las propiedades de los determinantes para reducir el
determinante de matriz A al determinante de una matriz T
triangular superior o inferior, cuyo valor es el producto de
los elementos de su diagonal principal.
Ejemplo 4.30 Aplicar el método de Gauss para determinantes

para hallar el determinante de la siguiente matriz.
 
4 0 8 12
 8 16 0 24 
A= 
 2 1 −1 0 
0 −2 −3 −8
Solución. Reduciremos la matriz a una matriz triangu-

lar superior.
Factorizando el 4 del primer renglón:

   
4 0 8 12 1 0 2 3
 8 16 0 24   8 16 0 24 
det   = 4 det  .
 2 1 −1 0   2 1 −1 0 
0 −2 −3 −8 0 −2 −3 −8
Aplicamos las propiedades
R2 ← −8R1 + R2
4.3. MÉTODO DE GAUSS PARA DETERMINANTES 285
y
R3 ← −2R1 + R3
   
1 0 2 3 1 0 2 3
 8 16 0 24 
  0 16 −16 0 
4 det  = 4 det  
 2 1 −1 0   0 1 −5 −6 
0 −2 −3 −8 0 −2 −3 −8
Aplicamos la propiedad R2 ↔ R3
   
1 0 2 3 1 0 2 3
 0 16 −16 0   0 1 −5 −6 
4 det   = −4 det  .
 0 1 −5 −6   0 16 −16 0 
0 −2 −3 −8 0 −2 −3 −8
Aplicamos la propiedad R3 ← −16R2 + R3

   
1 0 2 3 1 0 2 3
 0 1 −5 −6  = −4 det  0
  1 −5 −6 
−4 det 
 0 16 −16
.
0   0 0 64 96 
0 −2 −3 −8 0 −2 −3 −8
Aplicamos la propiedad R4 ← 2R2 + R4

   
1 0 2 3 1 0 2 3
 0 1 −5 −6   0 1 −5 −6 
−4 det 
 0
 = −4 det  .
0 64 96   0 0 64 96 
0 −2 −3 −8 0 0 −13 −20
Factorizamos 64 del tercer renglón.

   
1 0 2 3 1 0 2 3
 0 1 −5 −6   0 1 −5 −6 
−4 det 
 0 0
 = −4(64) det  3 .

64 96   0 0 1 2
0 0 −13 −20 0 0 −13 −20
Aplicamos la propiedad R4 ← 13R3 + R4

   
1 0 2 3 1 0 2 3
 0 1 −5 −6   0 1 −5 −6 
−256 det  3 
 = − 256 det  3 .

 0 0 1 2
 0 0 1 2
0 0 −13 −20 0 0 0 − 12
La cual es una matriz triangular superior. Por tanto,

   
4 0 8 12 1 0 2 3
 = −256 det  0 1 −5 −63 
 8 16 0 24   
det 
 2 1 −1 0   0 0 1 2

0 −2 −3 −8 1
0 0 0 −2
1
= −256(1)(1)(1)(− 2 )
= 128
Ejemplo 4.31 Ver los siguientes videos de apoyo.
1. https: // www. youtube. com/ watch? v= ajvwN6FogKI
2. https: // www. youtube. com/ watch? v= MTkh3v9BWGg
3. https: // www. youtube. com/ watch? v= WESrEM8YHQE
4. https: // www. youtube. com/ watch? v= kvEUQe4ahqk
5. https: // www. youtube. com/ watch? v= KFxaixco5Oo
6. https: // www. youtube. com/ watch? v= 4A1igGh05FM

4.4. MATRIZ ADJUNTA 287
4.4. Matriz adjunta
En esta sección definimos la matriz adjunta y describi-

mos itra técnica para hallar la inversa de una matriz cono-
cida como el método de la adjunta.
Definición 4.4 Sea A la matriz cuadrada de orden n × n.
1. La matriz de cofactores de A es la matriz
c11 c12 · · ·
 
c1n
 c21 c22 · · · c2n 
.. .. .. ..
 
. . . .
 
 
C=
 ci1 ci2 . . . cin 
 (4.15)
 .. .. .. .. 

 . . . . 

.
cn1 cn2 .. cnn
donde cij = (−1)i+ j det( Aij ) es el cofactor en la posición

(i, j).
2. La matriz adjunta de la matriz A denotada por adj( A) es

la transpuesta de la matriz de cofactores, es decir,
c11 c21 · · ·
 
cn1
 c12 c22 · · · cn2 
.. .. .. ..
 
. . . .
 
t
 
adj( A) = C = 
 c1i c2i . . . cni 
 (4.16)
 .. .. .. .. 

 . . . . 

..
c1n c2n . cnn
Ejemplo 4.32 Calcule la adjunta de la matriz

 
2 4 3
A =  0 1 −1 
3 5 7
Solución. Aplicaremos la definición (4.16). Calculemos

primero los cofactores.

1+1 1 −1
c11 = (−1) det( A11 ) = det = 12
5 7

1+2 0 −1
c12 = (−1) det( A12 ) = − det = −3
3 7

1+3 0 1
c13 = (−1) det( A13 ) = − det = −3
3 5

2+1 4 3
c21 = (−1) det( A21 ) = − det = −13
5 7
c22 = 5, c23 = 2, c31 = −7, c32 = 2, c33 = 2.

Por tanto, la matriz de cofactores es
 
12 −3 −3
C =  −13 5 2 ,
−7 2 2
4.4. MATRIZ ADJUNTA 289
y la adjunta es
 
12 −13 −7
adj( A) = C t =  −3 5 2 .
−3 2 2
Ejemplo 4.33 Ver ejemplo 3.3.2 de la página 211 del libro Gross-
man.
Teorema 4.3 Si A es una matriz cuadrada de orden n × n, en-

tonces
A adj( A) = det( A) I (4.17)
donde I es la matriz identidad de orden n × n. En particular si la
matriz A es invertible (det( A) 6= 0), entonces
1
A adj( A) = I
det( A)
es decir,
1
A −1 = adj( A). (4.18)
det( A)
Ejemplo 4.34 Calcular la inversa de la matriz A por el método

de la adjunta:  
2 4 3
A =  0 1 −1 
3 5 7
Solución. Por el ejemplo precedente se calculó que la

matriz adjunta de A es
 
12 −13 −7
adj( A) = C t =  −3 5 2 .
−3 2 2
Además, no es difícil verificar que det( A) = 3. Por tanto, en

virtud de la ecuación (4.18), tenemos,
1
A −1 = adj( A)
det( A)
 
12 −13 −7
 
1 −3

= 5 2 
3 

−3 2 2
 13 7 
4 − 3 −3
 
5 2 ,
 
=   − 1 3 3 
 
2 2
−1 3 3
es decir,
4 − 13 − 73
 
3
 
−1 5 2
 
A  −1
= .
3 3 
 
2 2
−1 3 3
Ejemplo 4.35 Ver el ejemplo 2 página 129 del libro Larson.
4.5. TAREA II
Hacer los ejercicios 20, 23, y 23 de la página 117 del libro

Grossman.
4.6. TEOREMA DE CRAMER 291
4.6. Teorema de Cramer
El siguiente resultado es llamada la regla de Cramer, y

con ella se resuelve un sistema de ecuaciones lineales cua-
drado.
Teorema 4.4 (De Cramer.) Sea AX = b un sistema lineal de

ecuaciones cuadrado, con matriz principal A de n × n. El sistema
tiene solución única si y solo si det( A) 6= 0. En tal caso:
det( A j )
xj = , j = 1, 2, · · · , n, (4.19)
det( A)
donde la matriz A j es la matriz que se obtiene de la matriz princi-

pal A intercambiando sólo la j-ésima columna de A por la matriz
columna b.
Ejemplo 4.36 Resolver el siguiente sistema de ecuaciones linea-

les por el método de Cramer.

− x + 2y − 3z = 1

2x + z = 0

3x − 4y + 4z = 2

Solución. Primero. El sistema es equivalente a AX = b,

donde,  
−1 2 −3
A= 2 0 1 
3 −4 4


x
X= y 
z
y 
1
b= 0 
2
Por el teorema de Cramer (4.19), tenemos:
det( A1 )
x= , (4.20)
det( A)
donde A1 es la matriz que se obtiene de A cambiando la
primera columna de A por la matriz b, es decir,
 
1 2 −3
A1 =  0 0 1 .
2 −4 4
Al calcular los determinantes de A y A1 se obtiene,
det( A) = 10
y
det( A1 ) = 8.
Por tanto, en virtud de la ecuación (4.20), tenemos,
8 4
x= = . (4.21)
10 5
Analogamente, por el teorema de Cramer (4.19), tenemos:
det( A2 )
y= , (4.22)
det( A)

segunda columna de A por la matriz b, es decir,
 
−1 1 −3
A2 =  2 0 1 .
3 2 4
Al calcular el determinante de A2 se obtiene,
det( A2 ) = −15.

−15 3
y= =− . (4.23)
10 2
Finalmente, por el teorema de Cramer (4.19), tenemos:
det( A3 )
z= , (4.24)
det( A)

tercera columna de A por la matriz b, es decir,
 
−1 2 1
A3 =  2 0 0 .
3 −4 2
det( A3 ) = −16.

−16 8
z= =− . (4.25)
10 5
Ejemplo 4.37 Resolver el sistema lineal de ecuaciones:

(
4y − 2x = 10
3y − 5x = 11
Solución. Primero. El sistema es equivalente a AX = b,

donde,
4 −2
A=
3 −5

y
X=
x
y
10
b=
11
Por el teorema de Cramer (4.19), tenemos:
det( A1 )
y= , (4.26)
det( A)

primera columna de A por la matriz b, es decir,

10 −2
A1 = .
11 −5
Al calcular los determinantes de A y A1 se obtiene,
det( A) = −14
y
det( A1 ) = −28.

−28
y= = 2. (4.27)
−14
Analogamente, por el teorema de Cramer (4.19), tenemos:
det( A2 )
x= , (4.28)
det( A)
segunda columna de A por la matriz b, es decir,

4 10
A2 = .
3 11
det( A2 ) = 14.

14
x= = −1. (4.29)
−14
Ejemplo 4.38 Ver los siguientes videos de apoyo:
1. https: // www. youtube. com/ watch? v= HHDjh4XKjdE
2. https: // www. youtube. com/ watch? v= lLPcHVAqY80
3. https: // www. youtube. com/ watch? v= Ei9F9NIqEGk
4. https: // www. youtube. com/ watch? v= wWiyswAREwA
5. https: // www. youtube. com/ watch? v= YLJmZIJkfxk

4.7. TAREA III
Hacer los siguientes ejercicios del libro Larson.
1. Página 119. Ejercicio 31, 32. Aplicar método de Gauss.
2. Página 136. Ejercicio 2, 6, 27, 29.
4.8. MISCELANEA DE EJERCICIOS
Hacer los siguientes ejercicios de los libros indicados.

Libro Larson
1. Página 72. 47 a). Hacer por el método de la inversa
2. Pagina 118. 31. Hacer el determinante por Gauss-Jordan
3. Página 136. 6,7
Libro Grossman.
1. Pagina 26. 15, hacer el mismo ejercicio por descompo-

sición gaussian y por el método de Gauss-Jordan.
2. Pagina 44. 3 b)
3. Pagina 119. 30, 34, 35.

4.9. BIBLIOGRAFÍA 297
4.9. Bibliografía
1. Libro Grossman: https://correobuap-my.sharepoint.
com/:b:/g/personal/josel_palacios_correo_buap_mx/
EU8Lu1XNmOVMlfpvYTQtyqoBsHn42XKQwPD8n4cJQDpYuw?
e=ubF4mS
2.
3.

Manual de Álgebra

Cargado por

Información del documento

Descripción original:

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

Manual de Álgebra

Cargado por

Copyright:

Formatos disponibles

MANUAL DE ÁLGEBRA

JOSÉ LUCIO PALACIOS ARIAS

1.1. Definición de números complejos . . . . . . . 2

1.2. Campo de los números complejos . . . . . . . 9

1.3. Aritmética en los complejos . . . . . . . . . . 13

1.4. Exponenciación en los complejos . . . . . . . 16

1.5. Conjugación compleja . . . . . . . . . . . . . 21

1.7. Módulo de un complejo . . . . . . . . . . . . 25

1.9. Forma polar de un complejo . . . . . . . . . . 31

1.10. Función exponencial . . . . . . . . . . . . . . 35

1.12. Funciones trigonométricas complejas . . . . . 54

1.13. Función logaritmo . . . . . . . . . . . . . . . . 60

1.14. Raíces complejas . . . . . . . . . . . . . . . . 63

1.16. Ecuaciones algebraicas . . . . . . . . . . . . . 73

1.17. Ecuaciones de primer grado . . . . . . . . . . 74

1.18. Ecuaciones de segundo grado . . . . . . . . . 77

1.19. Regla de Descartes . . . . . . . . . . . . . . . 98

1.20. Algoritmo de la división . . . . . . . . . . . . 102

1.20.1. Regla de Ruffini . . . . . . . . . . . . . 106

1.20.2. Procedimiento para obtener raices de

1.21. Ejercicios . . . . . . . . . . . . . . . . . . . . . 134

1.22. Aplicaciones . . . . . . . . . . . . . . . . . . . 134

2. Teoría elemental de matrices 137

2.1. Matrices especiales . . . . . . . . . . . . . . . 147

2.2. Multiplicación de matrices . . . . . . . . . . . 150

2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . 169

2.4. Inversa multiplicativa de una matriz . . . . . 170

2.5. Algoritmo de Gauss . . . . . . . . . . . . . . . 181

2.6. Inversa con pivoteo . . . . . . . . . . . . . . . 186

2.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . 197

3. Sistemas de ecuaciones lineales 199

3.1. Método de la inversa . . . . . . . . . . . . . . 203

3.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . 208

3.3. Rango de una matriz . . . . . . . . . . . . . . 209

3.4. Descomposición Gaussiana y Gauss-Jordan . 220

3.4.1. Descomposición Gaussiana . . . . . . 225

3.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . 234

3.5.1. Método de Gauss-Jordan . . . . . . . 235

3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . 246

3.7. Aplicaciones . . . . . . . . . . . . . . . . . . . 246

3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . 251

4.1. TAREA I . . . . . . . . . . . . . . . . . . . . . 267

4.2. Propiedades de los determinantes . . . . . . 267

4.3. Método de Gauss para determinantes . . . . 284

4.4. Matriz adjunta . . . . . . . . . . . . . . . . . . 287

4.5. TAREA II . . . . . . . . . . . . . . . . . . . . . 290

4.6. Teorema de Cramer . . . . . . . . . . . . . . . 291

4.7. TAREA III . . . . . . . . . . . . . . . . . . . . 296

4.8. MISCELANEA DE EJERCICIOS . . . . . . . 296

4.9. Bibliografía . . . . . . . . . . . . . . . . . . . . 297

En este capítulo describimos lo elemental de la teoría

Los números complejos fueron propuestos inicialmen-

operaciones elementales, Además de algunas funciones con

1.1. Definición de números complejos

En esta sección describimos la definición de los núme-

Los grandes matemáticos de la antigüedad descubrie-

Nuestro propósito es definir un conjunto de números

1. Que el conjunto de números complejos C contenga a

los números reales <, es decir, < ⊂ C

2. Que las operaciones de suma y producto definidas en

3. Que las ecuaciones tales como t2 + 1 = 0, entre otras,

Definición 1.1 1. El conjunto de los números complejos es

Es decir, los números complejos son pares ordenados z =