Practica 1

Vectores en R
2
y R
3
1.1. Deniciones y Propiedades
Una echa, que sirve para representar cantidades fsicas (fuerzas, veloci-
dades), es un vector. Para dar un vector necesitamos un origen (A) y un ex-
tremo (B) que lo determinan totalmente, proporcionando su direcci on, longitud
y sentido.
v
Vectores equivalentes son los que tiene igual direccion, longitud y sentido.
Los siguientes vectores son todos equivalentes a v
Los vectores se pueden sumar. La suma (v +w), de v y w es equivalente a
una de las diagonales del paralelogramo de lados v y w.
v
w
v w +
Tambien se puede multiplicar un vector por un n umero (escalar).
v v
- v 2 v
El resultado es un vector de igual direcci on que el dado, el n umero afecta la
longitud y el sentido del vector.
En el plano R
2
los puntos estan dados por pares de n umeros reales (sus
coordenadas); para dar un vector bastar a dar dos pares de n umeros reales que
caractericen su origen y su extremo.
v =

AB esta dado por A = (1, 2) y B = (5, 3)
w =

OC esta dado por O = (0, 0) y B = (2, 1)
9
PR

ACTICA 1. VECTORES EN R
2
Y R
3
10
1 2 5
1
2
3
O
C
A
B
x
y
Algo an alogo se puede decir en el espacio de tres dimensiones R
3
; ahora,
cada punto, en particular el origen y el extremo de un vector, estar a dado por
una terna de n umeros reales.
v =

AB esta dado por A = (2, 4, 3) y B = (4, 10, 6)
w =

OC esta dado por O = (0, 0, 0) y B = (2, 0, 0)
v
B
A
O
C
x
y
z
En adelante trabajaremos con vectores cuyo origen O tiene todas sus co-
ordenadas iguales a cero (O = (0, 0) en R
2
, O = (0, 0, 0) en R
3
) identicado
entonces el punto A con la fecha

OA.
Dados A y B en R
2
, A = (a
1
, a
2
) y B = (b
1
, b
2
), denimos la suma
A + B = (a
1
+ b
1
, a
2
+ b
2
)
y el producto por un escalar c R
cA = (ca
1
, ca
2
).
Analogamente, en R
3
, si A = (a
1
, a
2
, a
3
) y B = (b
1
, b
2
, b
3
), la suma
A + B = (a
1
+ b
1
, a
2
+ b
2
, a
3
+ b
3
)
y el producto por un escalar c R
cA = (ca
1
, ca
2
, ca
3
).
PR

ACTICA 1. VECTORES EN R
2
Y R
3
11
Propiedades:
A + (B + C) = (A + B) + C
A + B = B + A
Si c R, c(A + B) = cA + cB
Si c
1
R y c
2
R, (c
1
+ c
2
)A = c
1
A + c
2
A y (c
1
c
2
)A = c
1
(c
2
A)
O + A = A
1A = A
A + (1)A = O
OA = O
Notacion: A = (1)A
Propiedades: En este contexto,

AB es equivalente a

CD si y solo si DC = B A; en particular,

AB es
equivalente a

OP si y solo si P = B A.

AB y

CD son paralelos o tienen igual direccion si existe k en R, k ,= 0 tal
que BA = k(DC). Si k > 0,

AB y

CD tienen igual sentido; si k < 0,

AB y

CD tienen sentidos opuestos.
Longitud de un vector
En R
2
, si v = (v
1
, v
2
), la norma o longitud de v, que notaremos |v|, es
|v| =
_
v
2
1
+ v
2
2
.
v
v
2
v
1
Analogamente, en R
3
, si v = (v
1
, v
2
, v
3
) la norma o longitud de v es |v| =
_
v
2
1
+ v
2
2
+ v
2
3
Propiedades:
Si A = O, entonces |A| = 0; A ,= O, entonces |A| > 0.
|A| = | A|.
Si c R |cA| = [c[ |A|.
Desigualdad triangular: |A + B| |A| +|B|.
PR

ACTICA 1. VECTORES EN R
2
Y R
3
12
Si A y B son dos puntos de R
2
, la distancia entre A y B es la longitud del
vector B A (equivalente a

AB) y se nota d(A, B) = |B A|
B
A
B A
Analogamente, en R
3
, la distancia entre dos puntos A y B es d(A, B) =
|B A|.
Un vector A se dice unitario si |A| = 1.

Angulo entre dos vectores

Llamaremos angulo entre A y B al angulo (A, B) que determinan los dos
vectores y verica 0 (A, B) .
B
A
Producto interno o escalar
Dados dos vectores A y B llamaremos producto interno (o escalar) de A y
B al n umero real A B = |A||B| cos con = (A, B)).
Propiedad:
A B =
1
2
_
|B|
2
+|A|
2
|B A|
2
_
.
En particular si A y B son vectores en el plano, A = (a
1
, a
2
) y B = (b
1
, b
2
),
A B = a
1
b
1
+ a
2
b
2
.
En R
3
, si A = (a
1
, a
2
, a
3
) y B = (b
1
, b
2
, b
3
), A B = a
1
b
1
+ a
2
b
2
+ a
3
b
3
Observaciones:
El producto escalar de dos vectores es un n umero real.
|A| =

A A
PR

ACTICA 1. VECTORES EN R
2
Y R
3
13
Propiedades:
A B = B A
A (B + C) = A B + A C = (B + C) A
Si k R, (kA) B = k(A B) = A (kB)
Si A = O, A A = 0. Si A ,= O A A > 0
Desigualdad de Cauchy-Schwarz: [A B[ |A| |B|
De la desigualdad de Cauchy-Schwarz se deduce que si A y B son ambos
distintos de cero, vale
1
A B
|A| |B|
1
Propiedad: el angulo entre dos vectores A y B ( = (A, B)) es el unico
angulo entre 0 y que verica cos =
AB
AB
.
Diremos que dos vectores A y B son ortogonales o perpendiculares si A B = 0.
Producto vectorial
Si A = (a
1
, a
2
, a
3
) y B = (b
1
, b
2
, b
3
) son vectores de R
3
, el producto vectorial
de A y B es:
AB = (a
2
b
3
a
3
b
2
, a
3
b
1
a
1
b
3
, a
1
b
2
a
2
b
1
).
Observaci on: El producto vectorial de dos vectores de R
3
es un vector de R
3
.
Propiedades:
AB = B A
A(B + C) = AB + AC
(B + C) A = B A + C A
Si k R, (kA) B = k(AB) = A(kB)
AA = O
AB es perpendicular a A y a B
|AB|
2
= |A|
2
|B|
2
(A B)
2
|AB| = |A| |B| [ sen [ donde es el angulo formado por A y B.
Observaci on: De la ultima propiedad se deduce que |A B| es el area del
paralelogramo de vertices O, A, B, A + B.
PR

ACTICA 1. VECTORES EN R
2
Y R
3
14
Rectas
Dados en el plano R
2
un vector A y un punto P la ecuaci on parametrica de
la recta L que pasa por P en la direccion de A es:
X = tA + P (t R).
P
A
L
Si A = (a
1
, a
2
) y P = (p
1
, p
2
), se escribe: (x, y) = t(a
1
, a
2
) + (p
1
, p
2
) o
_
x = ta
1
+ p
1
y = ta
2
+ p
2
.
Si c = a
2
p
1
a
1
p
2
, la recta L es el conjunto de soluciones de la ecuacion
a
2
x a
1
y = c.
Para describir una recta en R
2
podemos utilizar la ecuaci on parametrica
X = tA + P (donde X = (x, y)) o utilizar la ecuaci on implcita ax + by = c.
Dados en R
3
un vector A y un punto P la ecuaci on parametrica de la recta
L que pasa por P en la direccion de A es:
X = tA + P (t R).
Si A = (a
1
, a
2
, a
3
) y P = (p
1
, p
2
, p
3
) tenemos (x, y, z) = t(a
1
, a
2
, a
3
) +
(p
1
, p
2
, p
3
) o
_
_
_
x = ta
1
+ p
1
y = ta
2
+ p
2
z = ta
3
+ p
3
.
Si c = a
2
p
1
a
1
p
2
y d = a
3
p
2
a
2
p
3
, la recta L es el conjunto de soluciones
de sistema
_
a
2
x a
1
y = c
a
3
y a
2
z = d
.
Para describir una recta en R
3
podemos utilizar la ecuaci on parametrica
X = tA + P (donde X = (x, y, z)) o un sistema de dos ecuaciones lineales con
tres incognitas.

Angulo entre dos rectas

Para denir el angulo entre dos rectas usaremos sus vectores direccion,
eligiendo entre los angulos que estos forman, el unico tal que 0 /2.
Dos rectas en R
2
o en R
3
son perpendiculares si sus direcciones lo son.
Dos rectas en R
2
o en R
3
son paralelas si sus direcciones lo son.
PR

ACTICA 1. VECTORES EN R
2
Y R
3
15
Planos en R
3
Dados un vector N y un punto Q de R
3
, la ecuaci on del plano que pasa
por Q y es perpendicular a N es : (X Q) N = 0. El plano es el conjunto
de todos los puntos de X tales que (X Q) es perpendicular a N. Diremos que
N es un vector normal al plano.
Si X = (x
1
, x
2
, x
3
) y N = (a, b, c), la ecuacion resulta:
: ax
1
+ bx
2
+ cx
3
= d (donde d = Q N).
Dos planos son paralelos si sus vectores normales lo son. Una recta es paralela
a un plano si el vector direccion de la recta y el vector normal al plano son
perpendiculares.
Dados un punto P y un plano cuya normal es N, se dene distancia de P
a como la distancia de P a P

, donde P

es el punto de interseccion del plano

con la recta de direccion N que pasa por P.
Si Q es un punto en el plano, esta distancia es:
d(P, ) =
[(QP) N[
|N|
.
Si P = (x
0
, y
0
, z
0
) y : ax + by + cz = k entonces:
d(P, ) =
[ax
0
+ by
0
+ cz
0
k[

a
2
+ b
2
+ c
2
.
En el desarrollo de la pr actica, para simplicar la notaci on, suprimiremos
las echas arriba de los vectores.
Vectores en R
n
Llamaremos punto o vector en R
n
a la n-upla X = (x
1
, x
2
, x
3
, . . . , x
n
) donde
x
1
, x
2
, x
3
, . . . , x
n
son n umeros reales. Estos n umeros son las coordenadas de X.
Si A = (a
1
, a
2
, a
3
, . . . , a
n
) y B = (b
1
, b
2
, b
3
, . . . , b
n
) decimos que A = B si y
solo si a
1
= b
1
, a
2
= b
2
, a
3
= b
3
, . . ., a
n
= b
n
.
Denimos la suma A+B = (a
1
+b
1
, a
2
+b
2
, . . . , a
n
+b
n
) y el producto por
un escalar (c R) cA = (ca
1
, ca
2
, ca
3
, . . . , ca
n
).
Propiedades:
A + (B + C) = (A + B) + C
A + B = B + A
Si c R, c(A + B) = cA + cB
Si c
1
R y c
2
R, (c
1
+ c
2
)A = c
1
A + c
2
A y (c
1
c
2
)A = c
1
(c
2
A)
O + A = A
1A = A
A + (1)A = O
0A = O
PR

ACTICA 1. VECTORES EN R
2
Y R
3
16
Notacion: A = (1)A
Llamaremos norma de A = (a
1
, a
2
, a
3
, . . . , a
n
) al n umero
|A| =
_
a
2
1
+ a
2
2
+ + a
2
n
.
Propiedades:
Si A = O, entonces |A| = 0; si A ,= O, entonces |A| > 0.
|A| = | A|
Si c R, |cA| = [c[ |A|.
Desigualdad triangular: |A + B| |A| +|B|.
Si A = (a
1
, a
2
, a
3
, . . . , a
n
) y B = (b
1
, b
2
, b
3
, . . . , b
n
), llamaremos distancia
entre A y B a la longitud del vector AB
d(A, B) = |B A| =
_
(b
1
a
1
)
2
+ (b
2
a
2
)
2
+ + (b
n
a
n
)
2
Si A = (a
1
, a
2
, a
3
, . . . , a
n
) y B = (b
1
, b
2
, b
3
, . . . , b
n
) llamaremos producto
escalar de A y B al n umero real
A B = a
1
b
1
+ a
2
b
2
+ + a
n
b
n
Propiedades:
A B = B A
A (B + C) = A B + A C = (B + C) A
Si k R, (kA) B = k(A B) = A (kB)
Si A = O, A A = 0. Si A ,= O A A > 0
Desigualdad de Cauchy-Schwarz: [A B[ |A| |B|
Dados en R
n
un vector A y un punto P la ecuaci on parametrica de la recta
L que pasa por P en la direccion de A es:
X = tA + P (t R).
Practica 2
Sistemas lineales y matrices
2.1. Deniciones y propiedades
Un sistema lineal de m ecuaciones con n inc ognitas es un conjunto de m
ecuaciones lineales en las variables (x
1
, x
2
, . . . , x
n
):
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
. +
.
.
. +
.
.
. +
.
.
. =
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= b
m
donde las a y las b con subndices representan constantes.
Cuando b
i
= 0 para todo i, 1 i m, se dice que el sistema es homogeneo.
Una n-upla (s
1
, s
2
, . . . , s
n
) es una solucion del sistema si y solo si al reemplazar
x
i
por s
i
, 1 i n, se satisface cada una de las m ecuaciones. Un sistema se
dice incompatible si no tiene ninguna soluci on. Un sistema se dice compatible
si tiene alguna soluci on. Si un sistema compatible tiene una soluci on unica es
determinado, y si tiene innitas soluciones es indeterminado.
Por matriz ampliada o matriz aumentada del sistema, entendemos el arreglo
rectangular de n umeros:
_
_
_
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
b
m
_
_
_
_
_
En general, dados los n umeros naturales n y m, se llama matriz de m las
y n columnas con coecientes reales, al arreglo rectangular
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
,
donde a
ij
R. Abreviadamente A = (a
ij
).
26
PR

ACTICA 2. SISTEMAS LINEALES Y MATRICES 27

Llamamos las de A a las n-uplas A
i
= (a
i1
, a
i2
, . . . , a
in
) con i = 1, . . . , m;
llamamos columnas de A a las m-uplas A
j
= (a
1j
, a
2j
, . . . , a
mj
) con j = 1, . . . , n.
Con esta notacion, A = (A
1
, A
2
, . . . , A
n
) y tambien A =
_
_
_
_
_
A
1
A
2
.
.
.
A
m
_
_
_
_
_
.
Decimos que dos sistemas de ecuaciones son equivalentes cuando tienen el
mismo conjunto de soluciones.
Propiedad: Las siguientes operaciones sobre las ecuaciones de un sistema dan
lugar a un sistema equivalente al dado:
Multiplicar una de las ecuaciones por una constante no nula.
Intercambiar dos de las ecuaciones.
Sumar un m ultiplo de una de las ecuaciones a otra ecuacion.
Las anteriores operaciones sobre las ecuaciones se corresponden con las sigu-
ientes operaciones sobre las las de la matriz aumentada del sistema. Se denom-
inan operaciones elementales sobre las las:
Multiplicar una de las las por una constante no nula.
Intercambiar dos de las las.
Sumar un m ultiplo de una de las las a otra la.
El metodo de eliminaci on de Gauss para resolver sistemas lineales, con-
siste en llevar la matriz aumentada del sistema planteado, va la aplicaci on
sistematica de operaciones elementales sobre sus las, a la forma escalonada en
las las reducidas, que a continuaci on describiremos. La resolucion del sistema
resultante, que es equivalente al original, es inmediata.
Se dice que una matriz se encuentra en la forma escalonada en las las
reducidas, si se cumplen las siguientes condiciones:
Si una la no consta unicamente de ceros, entonces su primer coeciente
no nulo es un 1 (a este 1 se lo denomina 1 principal).
Si existen las que constan s olo de ceros (las nulas), se agrupan en la
parte inferior de la matriz.
Si dos las son no nulas, el 1 principal de la la inferior se presenta m as
a la derecha que el 1 principal de la la superior.
Cada columna que contenga un 1 principal tiene ceros en todas las dem as
posiciones.
Si una matriz tiene s olo las primeras tres propiedades se dice que esta en la
forma escalonada en las.
Llamaremos rango la (o rango) de la matriz A al n umero de las no nulas
que tiene la matriz escalonada en las las equivalentes a A.
En el conjunto de las matrices de m las y n columnas con coecientes
reales, notando R
mn
, estan denidos la suma y el producto por escalares, de
las siguiente manera: si A = (a
ij
) R
mn
, B = (b
ij
) R
mn
y k R, entonces
PR

ACTICA 2. SISTEMAS LINEALES Y MATRICES 28

A + B = (a
ij
+ b
ij
) R
mn
kA = (ka
ij
) R
mn
Es decir, suma y producto por escalares se calculan coordenada a coordenada,
en forma an aloga a como se hace en R
n
.
Si A =
_
_
_
A
1
.
.
.
A
m
_
_
_ R
mn
y B =
_
B
1
, . . . , B
s
_
R
ns
, el producto de A
por B es
AB =
_
_
_
_
_
A
1
B
1
A
1
B
2
A
1
B
s
A
2
B
1
A
2
B
2
A
2
B
s
.
.
.
.
.
.
.
.
.
.
.
.
A
m
B
1
A
m
B
2
A
m
B
s
_
_
_
_
_
R
ms
.
Notemos que para multiplicar A y B hay que calcular el producto escalar de
cada la de A por cada columna de B. Es posible calcular AB solo si la cantidad
de columnas de A coincide con la cantidad de las de B.
Propiedades:
Es asociativo: (AB)C = A(BC)
Es distributivo: A(B + C) = AB + AC y (A + B)C = AC + BC
La matriz identidad I =
_
_
_
_
_
_
1 0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0 1
_
_
_
_
_
_
R
nn
, verica AI = IA
para toda matriz cuadrada de A R
nn
. La matriz I es el elemento neutro
para este producto.
Notacion: El sistema
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
. +
.
.
. +
.
.
. +
.
.
. =
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= b
m
puede escribirse AX = B, con A = (a
ij
) R
mn
, X =
_
_
_
x
1
.
.
.
x
n
_
_
_ R
n1
,
B =
_
_
_
b
1
.
.
.
b
m
_
_
_ R
m1
.
En adelante identicamos X R
n1
con x R
n
y B R
m1
con b R
m
.
As el sistema se escribira Ax = b.
PR

ACTICA 2. SISTEMAS LINEALES Y MATRICES 29

Propiedades: Sean A R
mn
, b R
m
, S
0
= x R
n
/ Ax = 0, S
b
=
x R
n
/ Ax = b
Si x S
0
e y S
0
, entonces x + y S
0
. Si x S
0
y k R, entonces
kx S
0
.
Esto dice que la suma de dos soluciones de un sistema homogeneo es
tambien solucion, y que los m ultiplos son tambien soluciones.
Si x S
b
e y S
b
, entonces x y S
0
.
Esto es, la diferencia entre dos soluciones de un sistema no homogeneo, es
solucion del sistema homogeneo asociado.
Sea s una soluci on particular de Ax = b(s S
b
), entonces S
b
= S
0
+ s =
y R
n
/ y = x +s, con x S
0
.
Esto signica que cualquier soluci on de Ax = b puede obtenerse sumando
una soluci on particular con una otra del sistema homogeneo asociado.
Una matriz cuadrada A R
nn
se dice inversible si existe B R
nn
tal
que AB = BA = I. Cuando B existe, es unica y notamos B = A
1
.
Propiedad: Si A R
nn
y C R
nn
son inversibles, entonces AC es in-
versible y vale (AC)
1
= C
1
A
1
.
Se dice que E R
nn
es una matriz elemental si puede obtenerse a partir
de la matriz identidad de n n realizando una sola operaci on elemental sobre
las las.
Propiedades:
Si la matriz elemental E resulta al efectuar cierta operacion sobre las las
de I R
nn
y A R
nn
, entonces el producto EA es la matriz que
resulta al efectuar la misma operacion sobre las las de A.
Toda matriz elemental es inversible y su inversa es una matriz elemental.
Diremos que dos matrices son equivalentes por las si puede obtenerse una
de la otra por medio de una sucesi on nita de operaciones elementales sobre las
las.
Propiedad: Si A R
nn
, son equivalentes:
A es inversible.
Ax = b tiene solucion unica, cualquiera sea b R
n
.
Ax = 0 tiene unicamente la solucion trivial.
A es equivalente por las a I R
nn
.
Practica 3
Determinantes
3.1. Deniciones y propiedades
Una permutaci on del conjunto 1, 2, . . . , n es un arreglo de estos n umeros
en cierto orden, sin omisiones ni repeticiones. Para una permutaci on cualquiera
se escribira (j
1
, j
2
, . . . , j
n
), donde j
i
es el i-esimo elemento de la permutacion.
Se dice que ocurre una inversi on en una permutaci on (j
1
, j
2
, . . . , j
n
) siempre
que un entero mayor precede a uno menor. Diremos que una permutaci on es
par, si el n umero total de inversiones es un n umero par, y diremos que es impar
si el n umero total de inversiones es impar.
Sea A R
nn
, A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
Por producto elemental tomado de A se entiende cualquier producto de n
elementos tomados de A, sin que dos cualesquiera de ellos provengan de una
misma la ni de una misma columna.
Una matriz A R
nn
admite n! (n! = n (n 1) (n 2) . . . 3 2 1)
productos elementales. Estos son de la forma a
1j
1
a
2j
2
. . . a
njn
donde (j
1
, j
2
, . . . ,
j
n
) es una permutacion de 1, 2, . . . , n.
Se denomina producto elemental con signo tomado de A a un producto ele-
mental a
1j
1
a
2j
2
. . . a
njn
multiplicado por +1 o por 1 seg un la permutaci on (j
1
,
j
2
, . . . , j
n
) sea respectivamente par o impar.
Se dene el determinante de A como la suma de todos los productos elemen-
tales con signo tomados de A. Notamos
det(A) = [A[ =

a
1j
1
a
2j
2
. . . a
njn
Propiedades: Sea A R
nn
Si A contiene una la de ceros, det(A) = 0.
Si A es una matriz triangular de n n, det(A) es el producto de los
elementos de la diagonal, es decir det(A) = a
11
a
22
. . . a
nn
.
37
PR

ACTICA 3. DETERMINANTES 38
Si A

es la matriz que se obtiene cuando una sola la de A se multiplica

por una constante k, entonces det(A

) = k det(A).
Si A

es la matriz que se obtiene al intercambiar dos las de A, entonces

det(A

) = det(A).
Si A

es la matriz que se obtiene al sumar un m ultiplo de una de las las

de A a otra la, entonces det(A

) = det(A).
Si A R
mn
, la matriz transpuesta de A es la matriz A
t
R
nm
que tiene
como las a las columnas de A.
Propiedades:
Si A R
nn
, entonces det(A
t
) = det(A).
Si A R
nn
, B R
nn
y k R, entonces det(kA) = k
n
det(A),
det(AB) = det(A) det(B).
A es inversible si y solo si det(A) ,= 0.
Si A es inversible, entonces det(A
1
) =
1
det(A)
.
Desarrollo del determinante por cofactores
Si A es una matriz cuadrada, entonces el menor del elemento a
ij
se denota
M
ij
y se dene como el determinate de la submatriz que queda al eliminar de
A la i-esima la y la j-esima columna. El n umero (1)
i+j
M
ij
se denota C
ij
y
se conoce como cofactor del elemento a
ij
.
Se puede calcular el determinante de una matriz A R
nn
multiplicando
los elementos de cualquier la (o columna) por sus cofactores y sumando los
productos que resulten.
Es decir, para cada 1 i n y 1 j n,
det(A) = a
1j
C
1j
+ a
2j
C
2j
+ + a
nj
C
nj
(desarrollo por cofactores a lo largo de la j-esima columna)
y
det(A) = a
i1
C
i1
+ a
i2
C
i2
+ + a
in
C
in
(desarrollado por cofactores a lo largo de la i-esima la)
Si A R
nn
y C
ij
es el cofactor de a
ij
entonces la matriz
_
_
_
_
_
C
11
C
12
. . . C
1n
C
21
C
22
. . . C
2n
.
.
.
.
.
.
.
.
.
.
.
.
C
n1
C
n2
. . . C
nn
_
_
_
_
_
se conoce como matriz de cofactores tomados de A. La transpuesta de esta
matriz se denomina adjunta de A y se denota adj(A).
Propiedad: Si A es una matriz inversible, entonces A
1
=
1
det(A)
adj(A).
PR

ACTICA 3. DETERMINANTES 39
Regla de Cramer
Si Ax = b es un sistema de n ecuaciones con n incognitas tal que det(A) ,= 0,
entonces la unica soluci on del sistema es (x
1
, x
2
, . . . , x
n
) con
x
1
=
det(A
1
)
det(A)
, x
2
=
det(A
2
)
det(A)
, . . . , x
n
=
det(A
n
)
det(A)
donde A
j
es la matriz que se obtiene al reemplazar la j-esima columna de A por
b.
3.2. Ejercicios
Ejercicio 3.1 Calcular, usando la denici on, los determinantes de las sigu-
ientes matrices.
(a)
_
2 4
1 3
_
(b)
_
_
3 5 1
0 2 1
0 0 3
_
_
(c)
_
_
1 2 0
2 0 2
0 3 1
_
_
(d)
_
_
_
_
3 1 5 0
0 0 0 0
1 1 2 1
2 3 1 4
_
_
_
_
(e)
_
_
_
_
_
_
0 0 0 0 3
0 0 0 1 0
0 0 5 0 0
0 4 0 0 0
2 0 0 0 0
_
_
_
_
_
_
Ejercicio 3.2 Calcular los determinantes de las siguientes matrices usando
propiedades.
(a)
_
_
2 0 1
3 2 2
0 0 0
_
_
(b)
_
_
2 0 0
4 1 0
0 2 5
_
_
(c)
_
_
_
_
_
_
1 0 0 0 0
0 2 0 0 0
0 0 3 0 0
0 4 0 4 0
1 0 0 0 5
_
_
_
_
_
_
Ejercicio 3.3 Determinar los valores de k para los cuales det(A) = 0.
(a) A =
_
2 k + 4
k 2 4
_
(b) A =
_
_
k 2 1
0 k
2
1 2
0 0 k 2
_
_
Practica 4
Espacios vectoriales -
Subespacios
4.1. Deniciones y propiedades
Espacios vectoriales
Un espacio vectorial real V, o espacio vectorial sobre R, es un conjunto de
elementos llamados vectores, junto con dos operaciones: suma y producto por un
escalar, que satisfacen las siguientes propiedades:
Si u V y v V, entonces la suma u +v V.
Si k R y v V, entonces el producto kv V.
Si u, v y w V, entonces (u +v) +w = u + (v +w).
Existe un elemento en V, notado 0, tal que 0 +u = u +0 = u para todo
u V.
Para cada elemento u V existe u V tal que u+(u) = u+u = 0.
Si u y v V, entonces u +v = v +u.
Si u y v V y c R, entonces c(u +v) = cu + cv.
Si a y b R y v V, entonces (a + b)v = av + bv.
Si a y b R y v V, entonces (ab)v = a(bv).
Si u V, entonces 1u = u (1 R).
Notacion: u v = u + (v)
Propiedades: Sea V un espacio vectorial real
0v = 0 para todo v V.
k0 = 0 para todo k R.
(1)v = v para todo v V.
(v +w) = v w para todo v y w V.
k(v w) = kv kw para todo v y w V, k R.
kv = 0 si y solo si k = 0 o v = 0.
45
PR

ACTICA 4. ESPACIOS VECTORIALES - SUBESPACIOS 46

Subespacios
Sea V un espacio vectorial real, y sea W un subconjunto de V; W es un
subespacio de V si se satisfacen las siguientes tres condiciones:
El vector 0 de V pertenece a W.
Si u y v son elementos de W, entonces su suma u +v pertenece a W.
Si v es un elemento de W y c es un n umero real, entonces el producto cv
pertenece a W.
Observaci on: W es un espacio vectorial real.
Propiedad: Si S y T son subespacios de un espacio vectorial V, entonces la
interseccion S T es un subespacio de V.
Combinaciones Lineales
Sean V un espacio vectorial sobre R y v
1
, . . . , v
n
elementos de V; se dice que
un vector w es una combinaci on lineal de v
1
, . . . , v
n
si se puede expresar en la
forma w = k
1
v
1
+ + k
n
v
n
, donde k
1
, . . . , k
n
son n umeros reales.
Si todo elemento de V es un combinacion lineal de v
1
, . . . , v
n
decimos que
v
1
, . . . , v
n
genera V o que v
1
, . . . , v
n
es un conjunto de generadores de V.
W=

r
i=1
k
i
v
i
/ k
i
R es un subespacio de V que se denomina subespacio
generado por v
1
, . . . , v
r
y se nota W= v
1
, . . . , v
r
).
Propiedad: Si W es un subespacio de V y v
1
, . . . , v
r
, son vectores de W, en-
tonces v
1
, . . . , v
r
) W. O sea v
1
, . . . , v
r
) es un subespacio de V que contiene
a los vectores v
1
, . . . , v
r
.
Dependencia e Independencia lineal
Sea V un espacio vectorial sobre R, y sean v
1
, . . . , v
n
elementos de V; decimos
que v
1
, . . . , v
n
es linealmente dependiente si existen n umeros reales a
1
, . . . , a
n
,
no todos iguales a cero, tales que a
1
v
1
+ . . . + a
n
v
n
= 0.
Decimos que v
1
, . . . , v
n
es linealmente independiente si y solo si se satis-
face la siguiente condicion: siempre que a
1
, . . . , a
n
sean n umeros reales tales que
a
1
v
1
+ + a
n
v
n
= 0, entonces a
1
= = a
n
= 0.
Propiedades: Sea V un espacio vectorial sobre R y sean v
1
, v
2
, v
3
, v
4
vectores
de V; son equivalentes:
v
1
, v
2
, v
3
, v
4
es linealmente independiente.
v
1
, kv
2
, v
3
, v
4
con k R, k ,= 0, es linealmente independiente.
v
1
+ kv
2
, v
2
, v
3
, v
4
con k R, es linealmente independiente.
De aqu en mas, cuando decimos espacio vectorial entenderemos espacio
vectorial sobre R.
PR

ACTICA 4. ESPACIOS VECTORIALES - SUBESPACIOS 47

Bases
Una base de un espacio vectorial V es una sucesion de elementos v
1
, . . . , v
n
de V tales que:
v
1
, . . . , v
n
genera V.
v
1
, . . . , v
n
es linealmente independiente.
Se dice que un espacio vectorial V, diferente de cero, es de dimensi on nita
si contiene un sucesion nita de vectores que forman una base de V.
Propiedad: Dos bases cualesquiera de un espacio vectorial V de dimension
nita tienen el mismo n umero de vectores.
Si V es un espacio vectorial de dimension nita, la dimensi on de V es el
n umero de vectores que tiene cualquier base de V. Si V = 0, entonces V no
tiene base y se dice que su dimension es cero.
Sea V un espacio vectorial, y B = v
1
, . . . , v
n
una base de V. Si v =
a
1
v
1
+ + a
n
v
n
, entonces (a
1
, . . . , a
n
) son las coordenadas de v con respecto
a la base B, y notamos (v)
B
= (a
1
, . . . , a
n
).
Observaci on: Las coordenadas de un vector dependen de la base. Recuerde
que cuando se da una base v
1
, . . . , v
n
, importa el orden en que se dan los
vectores.
Suma de subespacios
Sea V un espacio vectorial, y sean S y T subespacios de V; se dene la suma
de S y T como S +T = v V/ v = s +t, con s S y t T.
Propiedades:
S +T es un subespacio de V.
Si dimV = n, entonces dim(S +T) = dimS + dimT dim(S T).
Sea V un espacio vectorial; si S y T son subespacios de V que verican
simultaneamente S +T = V y S T = 0, entonces V es la suma directa de S
y T, y se nota V = S T.
En general, si W V verica W= S +T y S T = 0, se dira que W es la
suma directa de S y T, y se notar a W= S T.
Espacio Eucldeo
Llamamos espacio eucldeo de dimension n al espacio vectorial R
n
con el
producto interno (x
1
, x
2
, . . . , x
n
) (y
1
, y
2
, . . . , y
n
) = x
1
y
1
+ x
2
y
2
+ . . . + x
n
y
n
.
Si C = v
1
, v
2
, . . . , v
r
es un conjunto de vectores de R
n
, diremos que C es
un conjunto ortogonal de vectores si todos los pares de vectores distintos de C
son ortogonales.
Es decir:
i, j 1 i, j r v
i
v
j
= 0 si i ,= j
PR

ACTICA 4. ESPACIOS VECTORIALES - SUBESPACIOS 48

Si C = v
1
, v
2
, . . . , v
r
es un conjunto de vectores de R
n
, diremos que C
es un conjunto ortonormal de vectores si es un conjunto ortogonal y todos sus
vectores tienen norma 1.
Es decir:
i, j 1 i, j r v
i
v
j
= 0 si i ,= j y
i 1 i r |v
i
| = 1
Propiedades:
Si C es un conjunto ortogonal de vectores que no contiene al vector nulo,
C es un conjunto linealmente independiente.
Todo conjunto ortonormal de vectores es linealmente independiente.
Una base ortogonal de R
n
, es una base de R
n
que es tambien un conjunto
ortogonal.
Una base ortonormal de R
n
, es una base de R
n
que es tambien un conjunto
ortonormal.
Propiedades:
Todo conjunto ortonormal de vectores de R
n
se puede extender a una base
ortonormal de R
n
.
R
n
admite una base ortonormal.
Todo subespacio S de R
n
admite una base ortonormal.
Si B = v
1
, v
2
, . . . , v
n
es una base ortonormal de R
n
y v R
n
, entonces
(v)
B
= (v.v
1
, v.v
2
, . . . , v.v
n
).
Si S es un subespacio de R
n
, el conjunto x R
n
/ x s = 0 para todo s S
se llama complemento ortogonal de S y se nota S

.
Propiedades:
S

es un subespacio de R
n
.
S S

= 0.
dimS

= n dimS y S S

= R
n
.
_
S

= S.
Si S = v
1
, v
2
, . . . , v
r
), w es ortogonal a v para todo v S si y solo si
w v
i
= 0 para 1 i r.
Observaci on: Si S = v
1
, v
2
, . . . , v
r
), para hallar S

basta buscar n r vec-

tores linealmente independiente que sean ortogonales a todos los v
i
.
Si v = s
1
+ s
2
con s
1
S y s
2
S

, s
1
se llama proyecci on ortogonal de v
sobre S.
Propiedad: Esta proyeccion ortogonal es el punto de S que esta a menor
distancia de v, es decir que |v s
1
| |v s| s S.
Practica 5
Transformaciones lineales
5.1. Deniciones y propiedades
Sean V y Wespacios vectoriales sobre R. Una transformaci on lineal f : V
W es una funci on que satisface las siguientes dos propiedades:
Si u V y v V, f(u +v) = f(u) + f(v).
Si k R y u V, f(ku) = kf(u).
Son transformaciones lineales:
La funci on nula 0 : V W dada por 0(v) = 0, para todo v V.
La funci on identidad id : V V, dada por id(v) = v, para todo v V.
Propiedades: Cualquier transformaci on lineal f : V W satisface:
f(0) = 0.
f(v) = f(v) para todo v V.
f(v w) = f(v) f(w) para todo v y w V.
f(a
1
v
1
+. . . +a
n
v
n
) = a
1
f(v
1
) +. . . +a
n
f(v
n
) para todo a
i
R, v
i
V.
Notacion: Si f : V W, S V, T W, w W, notamos:
f(S) = w W/ w = f(s), con s S
f
1
(w) = v V / f(v) = w
f
1
(T) = v V / f(v) T
Propiedades:
Si S es subespacio de V, entonces f(S) es subespacio de W.
Si T es subespacio de W, entonces f
1
(T) es subespacio de V.
60
PR

ACTICA 5. TRANSFORMACIONES LINEALES 61

Teorema: Si v
1
, v
2
, , v
n
es una base de V, y w
1
, w
2
, , w
n
son vectores
(no necesariamente distintos) en W, entonces hay una unica transformaci on
lineal f : V W tal que f(v
1
) = w
1
, f(v
2
) = w
2
, . . . , f(v
n
) = w
n
.
Este teorema nos dice que una transformaci on lineal esta completamente
determinada por los valores que toma en una base.
Notacion: Si f : V W es una transformaci on lineal, llamamos:
n ucleo de f al conjunto Nu f = v V / f(v) = 0.
imagen de f al conjunto Imf = w W/ w = f(v), con v V.
Observaci on: Imf = f(V).
Propiedades: Si f : V W es una transformaci on lineal, entonces:
Nu f es un subespacio de V.
Imf es un subespacio de W.
Si v
1
, . . . , v
n
es un conjunto de generadores de V, entonces f(v
1
), . . .,
f(v
n
) es un conjunto de generadores de Imf.
Si f(v
1
), . . . , f(v
r
) es linealmente independiente, entonces v
1
, , v
r

es linealmente independiente.
Denicion: Decimos que una transformaci on lineal f : V W es:
monomorsmo si es inyectiva, esto es, si verica f(v) = f(w) v = w.
epimorsmo si es suryectiva, esto es, si Imf = W.
isomorsmo si es biyectiva, es decir, si es monomorsmo y epimorsmo.
Propiedades: Si f : V W es una transformaci on lineal, entonces:
f es monomorsmo Nu f = 0.
Si f es monomorsmo y v
1
, . . . , v
r
es linealmente independiente, en-
tonces f(v
1
), . . . , f(v
r
) es linealmente independiente.
f es isomorsmo si y solo si: Si v
1
, . . . , v
n
es base de V, entonces
f(v
1
), . . . , f(v
n
) es base de W.
Teorema de la dimension: Si f : V W es una transformaci on lineal,
entonces
dimV = dimNu f + dimImf
Propiedades:
Si f : V W y g : W U son transformaciones lineales, la composicion
g f : V U, dada por (g f)(v) = g(f(v)), es transformacion lineal.
Si f : V Wes isomorsmo, la funcion inversa f
1
: WV, que cumple
f f
1
= id
W
y f
1
f = id
V
, es isomorsmo.
Si f : V W y g : W U son isomorsmos, (g f) es isomorsmo y
verica:
(g f) = f
1
g
1
.
PR

ACTICA 5. TRANSFORMACIONES LINEALES 62

Denicion: Una transformaci on lineal p : V V es un proyector si p p = p.
Propiedades: Si p : V V es un proyector, entonces
V = Nu p Imp
Para todo v Imp, p(v) = v
Dada la transformaci on lineal f : R
n
R
m
, existe un unica matriz A
R
mn
tal que f puede escribirse en la forma
f(x
1
, x
2
, . . . , x
n
) = A
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
, o f(x) = Ax.
Esta matriz A tal que f(x) = Ax se denomina matriz de la trasformaci on
lineal f, y escribimos A = M(f).
Propiedad: Las columnas de M(f) son un conjunto de generadores de Imf.
Denicion: Si A R
mn
, el rango columna de A es la dimension del sube-
spacio generado por las columnas de A; el rango la de A es la dimension del
subespacio generado por las las de A.
Teorema: Si A R
mn
, entonces rango la de A = rango columna de A.
Esta igualdad nos permite hablar de rango de A, que notamos rg A.
Propiedad: dimImf = rg M(f).
Teorema: Si A R
mn
, la dimension del subespacio de soluciones de Ax = 0
es n rg A.
Denicion: Sean B = v
1
, . . . , v
n
base de un espacio vectorial V de dimen-
sion n y B

= w
1
, . . . , w
m
base de un espacio vectorial W de dimension m.
Si f : V W es una transformaci on lineal y f(v
j
) = a
1j
w
1
+. . . +a
mj
w
m
,
1 j n, llamamos matriz asociada a f en las bases B y B

, a la matriz de
mn:
M
BB
(f) =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
Notar que en la columna j de M
BB
(f) estan las coordenadas de f(v
j
) en
base B

.
La matriz M
BB
(f) es tal que si v V, M
BB
(f)(v)
B
= (f(v))
B
.
Observaci on: Si f : R
n
R
m
y E y E

son las respectivas bases canonicas,

M
EE
(f) = M(f).
Notacion: Si W= V y B

= B, escribimos M
B
(f) en lugar de M
BB
(f).
PR

ACTICA 5. TRANSFORMACIONES LINEALES 63

Propiedad: rg M
BB
(f) = dimImf; de esto se deduce que el rango de una
matriz asociada a una transformacion lineal no depende de las bases elegidas.
Propiedad: (matriz de la composici on)
Sean U, V y W espacios vectoriales, y sean B, B

y B

bases de U, V y W
respectivamente. Si f : U V y g : V W son transformaciones lineales, se
tiene:
M
BB
(g f) = M
B

B
(g)M
BB
(f)
Propiedad: Si f : V W es un isomorsmo, y B y B

son bases de V y W
respectivamente,
M
B

B
(f
1
) = (M
BB
(f))
1
.
Denicion: Si B y B

son dos bases del espacio vectorial V, llamamos matriz

de cambio de base de B a B

, a la matriz C
BB
= M
BB
(id).
Propiedad: C
B

B
= (C
BB
)
1
Propiedad: Si f : V V es transformacion lineal y B y B

son bases de V,
M
B
(f) = C
BB
M
B
(f)C
B

B
o, en virtud de la propiedad anterior,
M
B
(f) = (C
B

B
)
1
M
B
(f)C
B

B
5.2. Ejercicios
Ejercicio 5.1 Determinar cuales de las siguientes funciones son transforma-
ciones lineales (t.l.):
(a) f : R
2
R
2
, f(x
1
, x
2
) = (0, x
1
)
(b) f : R
2
R
2
, f(x
1
, x
2
) = (2x
1
5, x
1
+ x
2
)
(c) f : R
2
R
3
, f(x
1
, x
2
) = (x
1
+ 3x
2
, x
2
, x
1
)
(d) f : R
2
R, f(x
1
, x
2
) = x
1
.x
2
(e) f : R
2
R
32
, f(x
1
, x
2
) =
_
_
x
1
x
1
+ x
2
0 x
2
x
1
0
_
_
(f) f : R
22
R, f(A) = det(A)
(g) f : R
3
R, f(x) = v x, con v = (2, 1, 3)
(h) f : R
3
R
4
, f(x) = A x, con A R
43
Ejercicio 5.2 Interpretar geometricamente las t.l. f : R
2
R
2
.
(a) f(x
1
, x
2
) = (x
1
, 0)
(b) f(x
1
, x
2
) = (0, x
2
)
(c) f(x
1
, x
2
) = (x
1
, x
2
)
(d) f(x
1
, x
2
) = (x
2
, x
1
)
PR

ACTICA 5. TRANSFORMACIONES LINEALES 64

Ejercicio 5.3 Decidir si existe una t.l. f que satisface las condiciones dadas;
en caso armativo, si es unica, encontrar la expresi on de f(x).
(a) f : R
2
R
2
, f(2, 1) = (1, 2), f(1, 0) = (1, 1)
(b) f : R
2
R
3
, f(1, 3) = (0, 0, 1), f(3, 1) = (0, 0, 2)
(c) f : R
3
R
2
, f(1, 2, 1) = (2, 0), f(1, 0, 1) = (1, 3), f(0, 2, 2) = (3, 3)
(d) f : R
3
R
3
,
f(0, 1, 1) = (1, 2, 3), f(1, 2, 1) = (1, 0, 1), f(1, 3, 2) = (0, 2, 3)
(e) f : R
3
R
3
, f(1, 1, 1) = (1, 0, 0), f(1, 1, 0) = (2, 4, 0), f(1, 0, 0) = (1, 2, 0)
Ejercicio 5.4
(a) Sea f : R
3
R
2
la t.l. denida por f(x
1
, x
2
, x
3
) = (x
1
x
2
, x
2
+x
3
) y sean
v = (2, 3), S = (1, 2, 1)), T = x R
2
/ 3x
1
2x
2
= 0. Describir f(S) ,
f
1
(v) y f
1
(T).
(b) Sea f : R
33
R
22
denida por
f
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
_
a
11
+ a
22
+ a
33
0
a
31
a
12
_
y sean
S =
_
_
_
1 0 0
0 0 0
0 0 1
_
_
,
_
_
0 0 1
0 0 0
0 0 0
_
_
_
;
T = (a
ij
) R
22
/ a
11
a
12
= a
21
= 0.
Describir f(S) y f
1
(T).
Ejercicio 5.5 Sea f : R
2
R
2
la t.l. denida por
f(x
1
, x
2
) = (3x
1
+ x
2
, 6x
1
2x
2
).
(a) Cuales de los siguientes vectores pertenecen a Nu f?
(5, 15) (3, 4) (1, 1) (0, 0)
(b) Cu ales de los siguientes vectores pertenecen a Imf?
(1, 2) (6, 12) (5, 0) (0, 0)
(c) Mostrar 4 vectores que pertenezcan a Imf.
(d) Mostrar 4 vectores que pertenezcan a Nu f.
Ejercicio 5.6 Hallar bases de Nu f y de Imf en cada caso.
(a) f : R
3
R
3
, f(x
1
, x
2
, x
3
) = (x
1
, 0, 0)
(b) f : R
3
R
3
, f(x
1
, x
2
, x
3
) = (x
1
+2x
2
+3x
3
, 4x
1
+5x
2
+6x
3
, 7x
1
+8x
2
+9x
3
)
Practica 6
N umeros Complejos y
Polinomios
6.1. Deniciones y propiedades
Parte 1: N umeros complejos
El conjunto C de los n umeros complejos es:
C =
_
z = a + bi / a, b R; i
2
= 1
_
.
Si z C, la representacion a + bi se llama forma bin omica de z.
La parte real de z es a: Re z = a.
La parte imaginaria de z es b: Imz = b.
Si z, w C, entonces:
z = w Re z = Re w e Imz = Imw
Si z = a + bi y w = c + di son dos n umeros complejos, entonces:
Su suma es: z + w = (a + c) + (b + d)i
Su producto es: zw = (ac bd) + (ad + bc)i
Notacion:
a + (b)i = a bi a + 0i = a 0 + bi = bi
Si z C, z = a + bi, llamaremos conjugado de z a z = a bi; y llamaremos
m odulo de z al n umero real no negativo [z[ =

a
2
+ b
2
.
Observaciones:
[z[
2
= zz
Si z ,= 0, z
1
=
z
[z[
2
Propiedades: (conjugado)
74
PR

ACTICA 6. N

UMEROS COMPLEJOS Y POLINOMIOS 75

z = z
z + w = z + w
zw = z w
Si z ,= 0, z
1
= (z)
1
z + z = 2 Re z
z z = 2(Imz)i
Propiedades: (modulo)
z = 0 [z[ = 0
[zw[ = [z[[w[
[z[ = [z[
[z[ = [ z[
Si z ,= 0 [z
1
[ = [z[
1
Si w ,= 0

z
w

=
[z[
[w[
Si z C, z = a +bi, z ,= 0, llamaremos argumento de z al unico n umero real
arg z que verica simult aneamente:
0 arg z < 2 ; cos arg z =
a
[z[
; sen arg z =
b
[z[
.
Si z C, la representacion z = [z[(cos arg z + i sen arg z) se llama forma
trigonometrica de z.
Si z = (cos + i sen ) y w = (cos + i sen ), con , > 0 y , R,
entonces:
z = w = (es decir [z[ = [w[) y = + 2k para alg un k Z
Teorema de De Moivre: Sean z, w C, z ,= 0, w ,= 0. Si z = [z[(cos +
i sen ) y w = [w[(cos + i sen ) entonces:
zw = [z[[w[(cos ( + ) + i sen ( + ))
Corolario:
z
1
= [z[
1
(cos () + i sen ())
z = [z[ (cos () + i sen ())
z
w
=
[z[
[w[
(cos( ) + i sen( ))
z
n
= [z[
n
(cos(n) + i sen(n)) n Z
Si w C, w ,= 0, una raz n-esima de w es un n umero z C tal que z
n
= w.
Propiedad: Si z es una raz n-esima de w entonces:
z = [w[
1/n
_
cos
arg w + 2k
n
+ i sen
arg w + 2k
n
_
para alg un entero k tal que 0 k n 1.
Si z C, z = [z[(cos + sen ), la notacion exponencial de z es
z = [z[e
i
Propiedades: Si , R
e
i
= e
i
= e
i
e
i
e
i
= e
i(+)
PR

ACTICA 6. N

UMEROS COMPLEJOS Y POLINOMIOS 76

Parte 2: Polinomios
En lo que sigue K signica Q, R o C
Un polinomio con coecientes en K es una expresion de la forma
P(x) = a
0
x
0
+ a
1
x
1
+ . . . + a
n
x
n
=
n

j=0
a
j
x
j
con n N
0
y a
j
K.
Indicamos K[X] = P / P es polinomio con coecientes en K, y consider-
amos en K[X] las operaciones de suma y producto usuales.
Denicion: Si P ,= 0, P(x) = a
0
x
0
+ a
1
x
1
+ . . . + a
n
x
n
y a
n
,= 0, denimos
grado de P = gr P = n
Observaci on: El Polinomio nulo no tiene grado.
Propiedades: si P ,= 0, Q ,= 0,
gr (PQ) = gr P + gr Q
gr (P + Q) maxgr P, gr Q (si P + Q ,= 0).
Dados P K[X], z K, P(x) =

n
j=0
a
j
x
j
llamaremos especializaci on de
P en z al n umero
P(z) =
n

j=0
a
j
z
j
Sea P K[X], z K. Diremos que z es raz de P si P(z) = 0.
Algoritmo de la division: Dados P, Q K[X], Q ,= 0, existen unicos S, R
K[X] tales que: P = QS + R con R = 0 o gr R < gr Q.
Se dice que Q divide a P (o que P es divisible por Q) y se nota Q[P, si el
resto de la divisi on de P por Q es el polinomio nulo, esto es, si P = QS con
S K[X].
Algunos resultados importantes
Teorema del Resto: Si P K[X] y z K, el resto de la division de P por
(x z) es igual a P(z).
Corolario: Sea P K[X] y z K; z es raz de P si y solo si (x z)[P
Teorema: Si P K[x] y a
1
, a
2
, . . . , a
r
K son races de P con a
i
,= a
j
si
i ,= j, entonces P(x) = (x a
1
)(x a
2
) . . . (x a
r
)Q(x) con Q K[X].
Corolario: Si P es un polinomio de grado n entonces P tiene a lo sumo n
races.
Teorema de Gauss: Sea P Z[X], P(x) =

n
j=0
a
j
x
j
con a
0
,= 0. Si
p
q
(con
p Z, q N y (p, q) = 1) es una raz de P, entonces p[a
0
y q[a
n
.
PR

ACTICA 6. N

UMEROS COMPLEJOS Y POLINOMIOS 77

Teorema fundamental del algebra: Si P C[X] y gr P 1, existe z C
tal que z es raz de P.
Teorema: Sea P R[X], y sea z C. Si z es raz de P z es raz de P.
Si P(x) =

n
j=0
a
j
x
j
K[X], llamaremos polinomio derivado de P a:
P(x) =
n

j=1
ja
j
x
j1
=
n1

j=0
(j + 1)a
j+1
x
j
Propiedades:
(P + Q) = P + Q
(P.Q) = (P).Q + P.Q
(kx
0
) = 0
Notacion: Designamos
(m)
P = (
(m1)
P) = ((. . . (
. .
m veces
P) . . .))
Si P K[X], diremos que z C es raz de multiplicidad k de P (k N) si
P(x) = (x z)
k
Q(x) con Q C[X] y Q(z) ,= 0.
Teorema: Sea P R[X], y sea z C; z es raz de multiplicidad k de P si y
solo si P(z) = P(z) =
2
P(z) = . . . =
(k1)
P(z) = 0 y
(k)
P(z) ,= 0
Polinomio interpolador de Lagrange
Sean a
0
, a
1
, . . . , a
n
, a
i
K, a
i
,= a
j
si i ,= j, y sean b
0
, b
1
, . . . , b
n
arbitrarios,
b
i
K. Existe un unico polinomio L K[X], con L = 0 o gr L n, que satisface
L(a
i
) = b
i
para i = 0, 1, . . . , n. Se trata del polinomio:
L(x) =
n

i=0
b
i
L
i
(x) donde L
i
(x) =
n

k=0
k=i
(x a
k
)
n

k=0
k=i
(a
i
a
k
)
Practica 7
Autovalores y Autovectores
7.1. Deniciones y propiedades
Sea A R
nn
. Un vector v R, v ,= 0, es un autovector de A (o vector
propio), si existe R tal que Av = v. El n umero se llama autovalor de A
(o valor propio).
Si Av = v, diremos que v es un autovector de A asociado al autovalor .
Sea f : V V una transformaci on lineal. Un vector v V, v ,= 0, es un
autovector de f asociado al autovalor , si f(v) = v.
El conjunto S

= v V / f(v) = v es el subespacio asociado al autovalor

.
Sea f : R
n
R
n
una transformaci on lineal. Si v es un autovector de f
asociado al autovalor , y A = M(f), entonces v es un autovector de A asociado
al mismo autovalor , pues
Av = f(v) = v.
Propiedad: es autovalor de A si y solo si la matriz AI no es inversible,
o sea, si y solo si det(AI) = 0.
El polinomio P() = det(A I) se llama polinomio caracterstico de A, y
su grado es n.
Propiedad: Sea A R
nn
. Si v
1
, . . . , v
r
son autovectores de A asociados a los
autovalores
1
, . . . ,
r
respectivamente, y
i
,=
j
i ,= j, entonces v
1
, . . . , v
r

es un conjunto linealmente independiente.

La transformaci on lineal f : V V se dice diagonalizable si existe una base
B de V tal que M
B
(f) es diagonal.
Propiedad: Si f : V V es una transformaci on lineal y B es una base de V
formada por autovectores de f, entonces M
B
(f) es diagonal.
Propiedad: Si dimV = n y f tiene n autovalores distintos, entonces f es
diagonalizable.
85
PR

ACTICA 7. AUTOVALORES Y AUTOVECTORES 86

Propiedad: Si B y B

son dos bases de V, y f : V V es una transformaci on

lineal, entonces las matrices M
B
(f) y M
B
(f) tienen los mismos autovalores.
Una matriz A R
nn
se dice diagonalizable si existe una matriz D R
nn
y una matriz inversible C R
nn
, tales que:
A = CDC
1
.
Propiedad: Una matriz A R
nn
es diagonalizable si y s olo si tiene n au-
tovectores linealmente independientes, v
1
, . . . , v
n
.
En este caso C es la matriz cuyas columnas son v
1
, . . . , v
n
, y
D =
_
_
_
_
_
_

1
0
.
.
.
2
.
.
.
.
.
.
.
.
.
.
.
.
0
n
_
_
_
_
_
_
,
donde
i
es el autovalor asociado a v
i
.
7.2. Ejercicios
Ejercicio 7.1 Para cada matriz calcular todos los autovalores y para cada
uno de ellos hallar el subespacio asociado.
(a)
_
7 5
10 8
_
(b)
_
4 2
3 3
_
(c)
_
2 1
4 2
_
(d)
_
4 1
0 4
_
(e)
_
_
2 3 1
1 1 4
1 2 1
_
_
(f)
_
3 5
1 1
_
(g)
_
_
1 2 1
0 5 4
0 8 7
_
_
Ejercicio 7.2
(a) Hallar todos los valores de k R para los cuales la matriz A tiene a 1 como
autovalor.
A =
_
_
0 0 3
1 0 1
k 1 1
_
_
(b) Para los valores de k hallados, calcular todos los autovalores de A.