Algebra Lineal - 1ra Edicion 2013 - Ernesto Aranda PDF

́ Algebra lineal con

aplicaciones y Python
Ernesto Aranda
́ Algebra lineal con aplicaciones y Python

Ernesto Aranda
T ́ıtulo: ́Algebra lineal con aplicaciones y Python Primera Edición, 2013
cb Ernesto Aranda Ortega, 2013

Impreso por Lulu.com
Composición realizada con LATEX
Todas las imágenes del libro han sido realizadas por el autor a excepción de las figuras 2.1 y 2.3b, debidas a Alain Matthes y la figura 2.4a de
Bogdan Giusca
Este libro está disponible en descarga gratuita en la dirección

http://matematicas.uclm.es/earanda/?page_id=152
“Aprender matemáticas es un proceso de aprender a hacer algo, no de adquirir

conocimientos.”
J.M. Sanz-Serna Diez lecciones de Cálculo Numérico1

1
Universidad de Valladolid, 1998.
Pr ́ologo
La palabra álgebra proviene del término árabe yabr que significa “reducción” y aparece por primera vez
en el tratado del matemático persa Muhammad ibn Musa al-Jwarizmi titulado Kitab al-yabr wa-l-muqabala
(“Compendio de cálculo por el método de completado y balanceado”) y dedicado especialmente a la solución de
́
ecuaciones (lineales y cuadráticas). Es por ello que, a lo largo de la historia, el principal objetivo del Algebra haya
sido la resolución de ecuaciones. Sin embargo, en el s. XIX comienza a aparecer una temática transversal que se
alimenta de problemas provenientes de la geometr ́ıa, el análisis, la teor ́ıa de números y por supuesto, la teor ́ıa
de ecuaciones, que desemboca en el estudio de estructuras matemáticas abstractas conformando lo que hoy en d
́ıa se conoce comoálgebra moderna. Este texto está dedicado esencialmente al estudio de una de tales
estructuras abstractas, los espacios vectoriales, dentro de lo que se conoce comoálgebra lineal, y en el que los
sistemas de ecuaciones lineales juegan un papel central.
́
La división temática de este texto comprende los contenidos correspondientes a la asignatura de Algebra
de los grados de ingenier ́ıa de la Universidad de Castilla-La Mancha, en los que el autor imparte docencia desde
hace a ̃nos, aunque el material que presentamos puede ser también una referencia útil en carreras cient
́ıfico-técnicas en las que es habitual una formación en álgebra lineal, al constituir ésta una herramienta
matemática básica en numerosas disciplinas.
En lo que se refiere a los contenidos del texto, habr ́ıa que dividir el libro en dos partes: en los tres
primeros temas que tratan sobre números complejos, matrices y determinantes y sistemas de ecuaciones
lineales presentamos las herramientas esenciales que conforman el soporte básico del cual se nutren el resto de
temas. Aunque es probable que el lector haya tenido contacto con estos conceptos en cursos anteriores,
seguramente encontrará que el tratamiento de los mismos y la notación empleada no le son tan habituales. Sin
embargo hemos de resaltar la importancia que supone entender y manejar apropiadamente el lenguaje
matemático. Por ello hemos inclu ́ıdo en un primer apéndice (apéndi- ce A) una serie de conceptos generales en
el que tratamos de familiarizar al lector con la notación y el uso de sentencias lógicas de una forma intuitiva, a la
vez que introducimos unas cuantas nociones de teor ́ıa de conjuntos, funciones y estructuras algebraicas. El
tratamiento en este apéndice dista mucho de ser ma- temáticamente riguroso y solo pretende fijar algunas ideas
básicas en el lector.
3
r ́ ologo 4 P
4P r ́ ologo 4 P
r ́ ologo
Aunque aparece al final del texto, recomendamos encarecidamente la lectura del mismo antes de abordar los
demás temas.
En una segunda parte, que comenzar ́ıa con el tema 4, se desarrolla el material t ́ıpico en un curso de
álgebra lineal: espacios vectoriales, aplicaciones lineales, diagonalización y espacios eucl ́ıdeos. Hemos inclu ́ıdo
además un tema dedicado al estudio de ecuaciones lineales en diferencias y otro al espacio af ́ın, con los que
cubrimos los contenidos especificados en los descriptores de la asignatura para el primer curso de los nuevos
grados de ingenier ́ıa.
En cada uno de los temas se pretende ofrecer al lector varias perspectivas de la materia. As ́ı, se ha
proporcionando una relación de definiciones y resultados con un enfoque muy matemático, incluyendo una buena
cantidad de demostraciones que pueden ser omitidas en cursos de corte más técnico, a la vez que hemos
tratado de ilustrar estos resultados con numerosos ejemplos. Por otro lado, hemos inclu ́ıdo en cada tema alguna
aplicación relevante que pone de ma- nifiesto que el álgebra no solo no es una disciplina abstracta, sino que por
el contrario, sus herramientas juegan un papel destacado en diversas aplicaciones. Y además, teniendo en cuenta
la realidad actual en la que los ordenadores están cada vez más presentes en todos los contextos, hemos tratado
de ilustrar el uso del lenguaje de programación Python para llevar a cabo buena parte de los cálculos involucrados
en cada uno de los temas.
Es importante se nalar
̃ que éste no es un libro para aprender a programar en Python pues no hace un tratamiento
profundo de una serie importante de caracter ́ısticas del lenguaje. No obstante, con las indicaciones inclu ́ıdas en
cada tema, creemos que el lector podrá usar el lenguaje para el propósito que planteamos aqu ́ı, que no es más
que ayudar en los cálculos, en ocasiones tediosos, que son necesarios realizar a lo largo del texto. En cualquier
caso inclu ́ımos en un segundo apéndice (apéndice B) una breve introducción de los aspectos esenciales para el
manejo de Python, de obligada lectura para los profanos en el lenguaje. Como en cualquier otra asignatura de
matemáticas, el aspecto esencial que se persigue es la adquisición de destrezas más que conocimientos. Tal y
como reza la cita con la que abrimos este texto: aprender matemáticas es un proceso de aprender a hacer algo,
no de adquirir conocimientos. Obviamente no debe interpretarse esto como una invitación a dejar de lado los
contenidos teóricos de la asignatura, por otra parte imprescindibles. Pero es fundamental tener presente que el
aprendizaje debe ir encaminado a la resolución de problemas. No es sino mediante los ejercicios como el lector
podrá poner a prueba el éxito de su aprendizaje y es por ello que recomendamos encarecidamente que sea ésa la
labor central de su trabajo. El estudio de la teor ́ıa es simplemente una condición necesaria para poder resolver
los problemas.
En ese sentido hemos inclu ́ıdo en cada tema una sección final con ejercicios de diversa naturaleza. Por una
parte aparecen ejercicios de repaso con los que se pretende que el lector pueda comprobar la correcta
adquisición de conocimientos y herramientas básicas de cada tema. El apartado de problemas comprende
ejercicios más variados en los que se requiere ir un paso más allá que en los
Pr ́ ologo 5
ejercicios de repaso, bien precisando del uso simultáneo de varios conceptos o de algunas técnicas más
depuradas. Hay también un apartado dedicado a ejercicios teóricos de naturaleza más matemática y con los que
se persigue que el lector ponga en práctica técnicas similares a las aprendidas en las demostraciones de los
resultados, y finalmente, hay un breve apartado de ejercicios adicionales de carácter opcional que tienen que ver
con las aplicaciones y/o el uso de Python que reservamos para el lector interesado. Hemos marcado con *
aquellos ejercicios que pueden resultar de mayor dificultad y hemos inclu ́ıdo en el apéndice C las soluciones a
los ejercicios de repaso.
La versión electrónica de este libro estará siempre disponible en descarga directa en la dirección que
figura al final de la página de créditos. Agradecemos de antemano al lector cualquier sugerencia que nos haga
llegar para mejorar el contenido de este libro.
Ciudad Real, 28 de enero de 2013. El autor.
́Indice general
Prólogo ................................................................. 3
1 Números complejos ............................................. 11

1.1 El cuerpo de los números complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Representación gráfica: módulo y argumento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Forma trigonométrica y forma polar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4 Potencia y ra ́ız n-ésima de un número complejo . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Una breve incursión en el mundo fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Matrices y determinantes ...................................... 35

2.1 Matrices: primeras definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.3 Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Cálculo de la inversa mediante operaciones elementales. . . . . . . . . . . . . . . . . . . 54
2.5 Determinante de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.7 Aplicación de los determinantes al cálculo de la inversa . . . . . . . . . . . . . . . . . . . 74
2.8 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.9 Breve introducción a la Teor ́ıa de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.10 Ejercicios.............................................................. 84
8 ́ Indice general 8 ́ Indice general 8 ́ Indice general
3 Sistemas de ecuaciones lineales .............................. 91

3.1 Sistemas de ecuaciones lineales: primeras definiciones . . . . . . . . . . . . . . . . . . . . 91 3.2 Teorema de
́
Rouché-Frobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 3.3 Algebra Lineal Numérica . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 3.4 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 119 3.5 Aplicación: resolución de ecuaciones diferenciales. . . . . . . . . . . . . . . . . . . . . . . . .
124 3.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

4.1 La estructura de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 4.2 Independencia lineal
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 4.3 Bases y dimensión de un espacio vectorial
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 4.4 Cambios de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . 157 4.5 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
4.6 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 4.7 Aplicación: Lights
Out!, primera parte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182 4.8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5.1 Aplicaciones lineales entre espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . 191 5.2 Matriz de una
aplicación lineal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 5.3 Operaciones entre aplicaciones
lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200 5.4 Cambio de base en una aplicación lineal . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 204 5.5 Núcleo y rango de una aplicación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
209 5.6 Cálculos con Python. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214 5.7 Aplicación a
la Criptograf ́ıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215 5.8 Ejercicios . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
6 Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
6.1 Valores y vectores propias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228 6.2 Polinomio caracter
́ıstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234 6.3 Forma canónica de Jordan . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
́ Indice general 9
6.4 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270 6.5 Aplicación:

osciladores acoplados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276 6.6 Ejercicios . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
7 Ecuaciones lineales en diferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285

7.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285 7.2 Ecuaciones y
sistemas lineales de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . 288 7.3 Ecuaciones de orden superior . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294 7.4 Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 299 7.5 Aplicación: modelos biológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
305 7.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
8 Espacio vectorial eucl ́ıdeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

8.1 Producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311 8.2 Ortogonalidad . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317 8.3 Método de los m ́ınimos cuadrados. . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337 8.4 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 340 8.5 Aplicación: Lights Out!, segunda parte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
8.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
9 Espacio af ́ın ...................................................... 349

9.1 Espacio af ́ın y espacio métrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349 9.2 Variedades afines .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353 9.3 Problemas métricos . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357 9.4 Aplicaciones afines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 362 9.5 Aplicación: movimientos r ́ıgidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
365 9.6 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367 9.7 Ejercicios . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370
A Conceptos generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375

eor ́ıa de conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375 A.2
A.1 T
Funciones..............................................................377
10 ́ Indice general 10 ́ Indice general 10 ́ Indice general
A.3 Estructuras algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379 A.4 Principio de

inducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 380
B Introducción a Python ......................................... 383

B.1 Instalación de Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384 B.2 Aspectos básicos
del lenguaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 386 B.3 Bucles y condicionales . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 389 B.4 Módulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 391
C Soluciones a los ejercicios de repaso ........................ 399

C.1 Números complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 399 C.2 Matrices y
determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400 C.3 Sistemas de ecuaciones lineales .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402 C.4 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 404 C.5 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . 405 C.6 Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 407 C.7
Ecuaciones lineales en diferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 410 C.8 Espacio vectorial eucl
́ıdeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411 C.9 Espacio af ́ın . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412
́ Indice terminológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
́ Indice de autores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 418
Bibliograf ́ ıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 421
1 N ́umeros complejos
Este tema está dedicado a introducir un nuevo conjunto de números: los números complejos,
habitualmente denotado como C, y que será necesario usar en determinados momentos a lo largo de
este texto. Se pretende dar una introducción rápida a las operaciones algebraicas con números
complejos, su representación gráfica y el cálculo de potencias y ra ́ıces. Además veremos un resultado
́
central, conocido como el Teorema Fundamental del Algebra, que nos será de especial utilidad en el
tema 6. Dedicaremos también una sección a la realización de cálculos con Python y veremos cómo los
números complejos permiten definir objetos interesantes como los fractales.
1 1 EL CUERPO DE LOS N ́UMEROS COMPLEJOS
El conjunto de números complejos surge de forma parecida al resto de conjuntos numéricos. El lector
debe conocer que el conjunto de números enteros (denotado por Z) se necesita para poder realizar la
operación diferencia en el conjunto de números naturales (N), mientras que el conjunto de números
racionales (Q) es introducido para permitir la división entre números enteros. En la misma l ́ınea, el
conjunto de números complejos viene a cubrir la imposibilidad en el conjunto de números reales (R) de
obtener la ra ́ız de un número negativo.1
Recordemos que la resolución de una ecuación de segundo grado en R depende del signo del
discriminante
− b ± √ 2
ax2 + bx + c = 0 ⇒ x = b − 4ac
2a
de modo que:
(i) si b2 − 4ac > 0 tenemos dos soluciones,
El término número complejo fue introducido por el alemán Carl Friedrich Gauss hacia 1831
1
aunque ya en los trabajos de
matemáticos griegos surge la primera referencia conocida a ra ́ıces cuadradas de números negativos como resultado de una
imposible sección de una pirámide. Mucho más tarde, el matemático italiano Gerolamo Cardano se dio cuenta de que pod ́ıan
manejarse cantidades más generales que los números reales cuando intentaba encontrar una fórmula para resolver ecuaciones
cúbicas, en torno al a no
̃ 1540.
11
12 Tema 1 N ́ umeros complejos 12 T
ema 1 N ́ umeros complejos 12 Tema 1 N ́ umeros complejos
(ii) si b2 − 4ac = 0 hay una única solución (doble),
(iii) si b2 − 4ac < 0 no hay solución (real).
El conjunto de números complejos se introduce con la finalidad de evitar la discusión anterior. Para ello
comenzamos con la siguiente definición:
Definición 1.1
√
Se define la unidad imaginaria como i = −1, o de forma equivalente, i2 = −1.
− b ± √
Con esta definición, si b2 − 4ac < 0 ⇒ −(b2 − 4ac) > 0 y x = b2 − 4ac
= − b ± √ √
2a −1 −(b2 − 4ac)
= − b ± i√
2a −b2 + 4ac
2a
Observemos que i es un nuevo número,2 aquel cuyo cuadrado es −1, que permite salvar la imposibilidad
existente en R de realizar operaciones que involucren ra ́ıces negativas. A partir de este nuevo número,
definimos los números complejos del siguiente modo:
Definición 1.2
Un número complejo es una expresión de la forma z = α + iβ, donde α, β ∈ R. α es denominada la parte
real, Re(z), mientras que β es la parte compleja o imaginaria, Im(z). Esta expresión se conoce como
forma binomial o cartesiana del número complejo.
As ́ı, dos números complejos serán iguales si sus partes reales e imaginarias respectivas son iguales.
Nota 1.1
Si β = 0 ⇒ z = α ∈ R; es decir, los números reales forman un subconjunto de los números complejos,
aquellos cuya parte imaginaria es nula. Si α = 0 el número complejo z = iβ se denomina imaginario puro.
La notación se debe al suizo Leonhard Euler, que la introdujo en 1777, aunque la adopción por parte de Gauss en 1801 fue la que
2
lo hizo un s ́ımbolo habitual. En ingenier ́ıa eléctrica, electrónica y áreas relacionados, la unidad imaginaria es a menudo escrita
como j para evitar la confusión con la intensidad de corriente eléctrica, tradicionalmente denotada por i.
1.1 El cuerpo de los n ́ umeros complejos 13
Operaciones con números complejos
La suma, resta y multiplicación de números complejos3 se realiza siguiendo las operaciones algebraicas
habituales para binomios, es decir,
(α1 + iβ1) ± (α2 + iβ2)=(α1 ± α2) + i(β1 ± β2)
(α1 + iβ1)(α2 + iβ2) = α1α2 + iα1β2 + iα2β

1 + i2β1β2
= (α1α2 − β1β
2) + i(α1β2 + α2β
1)
Nótese cómo se ha usado que i2 = −1.
Ejemplo 1.1
Realicemos algunas operaciones básicas:
(2 + 3i) + (5 − 2i)=7 − i (1 + i) − (2 + 5i) = −1 − 4i (3 + 2i) + (5 − 2i)=8 (1+ i) − (1 + 2i) = −i (2 +

3i)(5 − 2i) = 16 + 11i (1 + i)(2 + 5i) = −3+7i (3 + 2i)(5 − 2i)=19+4i (1 + i)(1 + 2i) = −1+3i
Para efectuar la división de números enteros necesitamos la siguiente defini- ción:
Definición 1.3
Si z = α + iβ ∈ C, se define el conjugado de z, y se denotará por z, como el número complejo z = α − iβ.
Es decir, el conjugado de un número complejo no es más que un nuevo número complejo que tiene la
misma parte real, y su parte imaginaria es la opuesta. La operación de conjugación posee las siguientes
propiedades:
Proposición 1.1
Si z,w ∈ C se verifica:
́
Las reglas para estas operaciones fueron desarrolladas por el matemático italiano Rafael Bombelli en un tratado de Algebra
3
publicado en 1572.
(i) z = z.
(ii) z + w = z + w.
(iii) z = z ⇔ z es real.
(iv) z = −z ⇔ z es imaginario puro.
(v) Si z = α + iβ = 0, entonces zz = α2 + β2 ∈ R+ = {x ∈ R : x > 0}.
(vi) z1z2 = z1 · z2

La demostración se deja como ejercicio al lector (ejercicio 19).
La división entre números complejos se basa en usar adecuadamente la propiedad (v). En concreto,
= (α + iβ)(γ + iδ)
α + iβ γ + iδ
= (αγ + βδ) + i(−αδ + βγ)
(γ + iδ)(γ + iδ)
= αγ + βδ
γ2 + δ2
+iβγ − αδ
γ2 + δ2 γ2 + δ2
La expresión anterior nos proporciona la forma de dividir números complejos: se trata de multiplicar
numerador y denominador por el conjugado del denominador y realizar las operaciones
correspondientes.
Ejemplo 1.2
= (2 + 3i)(5 + 2i)
2+3i 5 − 2i
= 4 + 19i
(5 − 2i)(5 + 2i)
= 4 + 19 i = (1 + i)(1 − 2i)
29 29 29 1 + i 1+2i
=3−i
(1 + 2i)(1 − 2i)
= 3 − 1 i = i(2 + i)
5 5 5 i 2 − i
= − 1+2i
(2 − i)(2 + i)
= −1 + 2 i
5 5 5
1.2 Representaci ́ on gr ́ afica: m ́ odulo y argumento 15
Nota 1.2
Las operaciones suma y producto de números complejos satisfacen las propiedades habituales de
asociatividad, conmutatividad, existencia de elemento neutro, elemento simétrico (el opuesto en el caso
de la suma y el inverso en el caso del producto) y propiedad distributiva del producto respecto de la suma
(véase el apéndice A). Como consecuencia, C, al igual que Ró Q, tiene estructura de cuerpo
conmutativo. Sin embargo es importante notar que, si bien R y Q son cuerpos ordenados (con la relación
de orden ≤), C no lo es, es decir, no tiene sentido la expresión z1 ≤ z2 para z1,z2 ∈ C (salvo que sean
números reales).

1 2 REPRESENTACI ́ON GR ́AFICA: M ́ODULO Y ARGUMENTO
Un número complejo z = α+iβ puede considerarse como un par ordenado de números reales (α, β).
Estamos acostumbrados a representar geométricamente un par de este tipo como puntos en el plano
cartesiano, siendo α la abscisa y β la ordenada. As ́ı pues, la identificación entre el número complejo z y
el par (Re(z),Im(z)) nos permite representar gráficamente un número complejo como un punto del plano,
que denominaremos plano complejo,4 en el que el eje de abscisas pasa a llamarse eje real y el eje de
ordenadas eje imaginario (ver figura 1.1a).
Alternativamente, podemos representar también los números complejos como vectores en el plano, de
manera que el número complejo z = α + iβ puede identificarse con el vector que une los puntos (0,0) con
(α, β) en el plano (ver figura 1.1b). Esta otra representación permite identificar elementos importantes de
un número complejo como son su módulo y su argumento.
Definición 1.4
Dado un número complejo z = α+iβ se define su módulo, que se notará como |z|, por
√ √
|z| = zz = α2 + β2
Como se puede observar, el módulo de un número complejo coincide con el módulo del vector (la
longitud) que lo representa (ver figura 1.1b), y es igual a
También conocido como plano de Argand, aunque en realidad fue el noruego Caspar Wessel en
4
1796 el primero que mostraba
esta representación gráfica de los números complejos.
ema Tema Tema 1 1 1 N N N ́ umeros ́ umeros ́ umeros
16 16 16 T
complejos complejos complejos
(a)
o iranigamiej (b)
eβ
z = α + iβ
z = α + iβ
θ
α
α
α
Figura 1.1: Representación gráfica de un número complejo
la distancia entre el punto del plano correspondiente al número complejo y el origen, siendo por tanto un número
real positivo salvo en el origen, cuyo módulo, obviamente, es cero.
Nota 1.3
Si z ∈ R, entonces su módulo coincide con su valor absoluto, de ah ́ı que la notación empleada sea la
misma.
Las principales propiedades del módulo se resumen en el siguiente resultado:
Proposición 1.2
(i) |z| = |z| = | − z|, ∀z ∈ C.
(ii) |z1z2| = |z1||z2|, ∀z1,z2 ∈ C.
(iii) Re(z) ≤ |Re(z)|≤|z|.
(iv) Im(z) ≤ |Im(z)|≤|z|.
(v) Desigualdad triangular: |z1 + z2|≤|z1| + |z2|, ∀z1,z2 ∈ C.
(vi) |z1 − z2| ≥ ||z1|−|z2||, ∀z1,z2 ∈ C.

|
|z
1.2 Representaci ́ on gr ́ afica: m ́ odulo y argumento 17
Para la demostración véanse los ejercicios 20 y 21.
Atendiendo a la figura 1.1b, para cada número complejo z ∈ C\{0} también podemos considerar el ángulo
θ que forma el vector que define z con el semieje real positivo. Este ángulo se toma en radianes y se usa el
criterio habitual de signos, que considera ángulos positivos los recorridos en sentido antihorario y ángulos
negativos los del sentido horario. Entonces, la conocidas relaciones trigonométricas conducen a
Re(z) = |z|cosθ, Im(z) = |z|senθ (1.1)
Debido a la periodicidad de las funciones reales trigonométricas, la igualdad anterior sigue siendo válida para θ +
2kπ, para cada k ∈ Z. Teniendo esto presente podemos dar la siguiente definición:
Definición 1.5
Dado un número complejo z = α + iβ = 0 se define el argumento de z, y se notará por arg(z), al conjunto
arg(z) = {θ ∈ R : α = |z|cos θ, β = |z|senθ}
El argumento de 0 no está definido.

Se denomina argumento principal de z ∈ C\{0}, y se notará por Arg(z), al único número θ ∈ arg(z) tal que
−π<θ ≤ π.
Es importante resaltar el carácter no un ́ıvoco del argumento de un número complejo. Es decir, el
argumento no es un único valor, sino un conjunto de ellos. Este hecho tiene importantes consecuencias en la
definición de ciertas funciones complejas (que no serán tratadas en este texto) y en el cálculo de ra ́ıces que
veremos en la sección 1.4.
Nota 1.4
Gracias a la representación gráfica, la operación de conjugación puede verse de forma sencilla en

términos del módulo y el argumento. Más concretamente, el conjugado de un número complejo corresponde a un
vector simétrico respecto del eje real, por lo tanto posee el mismo módulo y opuesto argumento, es decir,
|z| = |z|, arg(z) = − arg(z)
Del mismo modo, la suma de números complejos corresponde a la suma de vectores que el lector
conocerá de cursos anteriores, la conocida como regla del paralelogramo.
ema Tema Tema 1 1 1 N N N ́ umeros ́ umeros ́ umeros complejos complejos complejos
18 18 18 T
Ejemplo 1.3
iy
Representemos en el plano complejo los números 3, √la figura 1.2). El módulo y sus argumentos 2 3− 1 2
−2+2i (véase
de cada uno de principales:

ellos es |3| = 3, |
1 i| =1y | − 2+2i| = √
√2 3+ 2 8
Arg(3) = 0, Arg(
, Arg(−2+2i) = 3π
1 i) = − π
√2 3+ 2 6 4
−2+2i
3
1 i
√2 3+ 2
Figura 1.2: Representación de números complejos del ejemplo 1.3

1 3 FORMA TRIGONOMETRICA ́Y FORMA POLAR
Si z = 0 es un número complejo, para cada θ ∈ arg(z), en virtud de (1.1), podemos escribir
z = |z|(cos θ + isenθ) (1.2)
De hecho, también es cierto si z = 0, para cualquier θ ∈ R.
1.3 Forma trigonom ́ etrica y forma polar 19
Definición 1.6
A la expresión (1.2) se le denomina forma trigonométrica de un número complejo.
Definición 1.7
Dado θ ∈ R, se define eiθ = cosθ + isenθ, que se conoce como fórmula de Euler.
Si ahora usamos (1.2) se tiene
z = |z|eiθ, θ ∈ arg(z) (1.3)
Definición 1.8
A la expresión (1.3) se le denomina forma polar5 de un número complejo.
La forma polar de los números complejos facilita la multiplicación y división de los mismos gracias a las
r i(θ −θ )
propiedades de la exponencial. As ́ı, si z1 = r1eiθ
1 y z 2 = r2eiθ
2 entoncesz1z2 = r1r2 ei(θ 1r2e
1+θ2), z1z2 = 1 2
Esto nos permite representar gráficamente el producto y el cociente de números complejos. As ́ı, el
producto de dos números complejos tiene como módulo, el producto de los módulos, y como argumento,
la suma de los argumentos. Es decir, si z,w ∈ C\{0} entonces
arg(zw) = arg(z) + arg(w)
No obstante es importante resaltar que la igualdad anterior es una igualdad entre conjuntos.6 Es decir, se
verifica que
arg(z2) = arg(z) + arg(z)
pero este hecho no es cierto para los argumentos principales. Por ejemplo, Arg((−i)2) = Arg(−1) = π pero
Arg(−i) + Arg(−i) = −π.
En ocasiones, para un número complejo escrito en forma polar como z = reiθ se usa la notación
5
z = rθ, en la que es habitual
expresar el argumento en grados.
6
Dados dos conjuntos A y B, se define la suma A + B como el conjunto A + B = {a + b : a
∈ A, b ∈ B}
20 20 20 T
1 4 POTENCIA Y RA ́IZ N-ESIMA ́DE UN NUMERO ́COMPLEJO

La potencia natural de un número complejo se calcula fácilmente usando la forma polar; si n ∈ N,
z = reiθ ⇒ zn = rneinθ Usando la forma trigonométrica se puede deducir la conocida como fórmula de de
Moivre7
cos(nθ) + isen(nθ) = (cos θ + isenθ)n (1.4)
Por otro lado, dados w ∈ C y n ∈ N, se define la ra ́ız n-ésima de w como el número complejo z tal que
zn = w. Para realizar el cálculo hemos de usar nuevamente la forma polar, pero en este caso es necesario
usar todos los valores del argumento. Más concretamente, si w = reiθ, escribiremos w = rei(θ+2kπ), de modo
√
quezn = w ⇒ z = nrei θ+2kπ
√n
n (1.5) El resultado tiene como módulo r, que es la ra ́ız n-ésima de un número real positivo, mientras
que para cada valor de k ∈ Z aparecen, inicialmente, infinitos argumentos. Sin embargo, atendiendo a
los ángulos que corresponden a estos argumentos observamos que, si tomamos cualesquiera n valores
consecutivos de k, obtenemos nángulos distintos, mientras que para el resto, los ángulos obtenidos
vuelven a repetirse. Es decir, la ra ́ız n-ésima de un número complejo da lugar a n valores distintos, los
cuales pueden obtenerse con n valores consecutivos de k; t ́ıpicamente tomaremos k = 0,1,...,n − 1.
√
Es más, atendiendo a los argumentos obtenidos se observa que las ra ́ıces n-ésimas nr (véase forman la
figura un 1.3).
pol ́ıgono regular de n lados centrado en el origen y de radio
Ejemplo 1.4
Calculemos los números complejos tales que z8 = 1 usando (1.5). En primer lugar obtenemos la forma
polar de 1 = ei2kπ, usando todos los argumentos. As ́ı
z8 =1= ei2kπ ⇒ z = ei 2kπ8 , k = 0,...,7

obteniéndose las ra ́ıces:
ei0 = 1, eiπ = −1, ei π4 e
5π4 =
=−
√2 2√2 +

2−
2i,
√2 2√2 i, ei π2 = i, ei 3π4 = e
3π2
= −i, ei
7π
4 −
= √2 2√2 +

2−
√2 2√i,
2 2i.
7
Denominada as ́ ı por el matemático francés Abraham de Moivre. La fórmula aparece publicada en un art ́ ıculo suyo en 1722.
1.4 Potencia y raız n- ́ esima de un n ́ umero complejo 21
(a) z5 = 1 (b) z8 = 1
Figura 1.3: Ra ́ıces de la unidad
Las ra ́ıces aparecen representadas en la figura 1.3b.
Ejemplo 1.5
¿Cuáles de los siguientes números complejos 1 +i, −1+i, −1−i y 1−i son ra ́ıces décimas de 32i?
√ √ √
Si escribimos cada uno de estos números en forma polar, 1 + i = 2ei π4 , −1 + i = 2ei 3π4 , −1 − i = 2e−i 3π4 ,
√
1 − i = 2e−i π4
calcular su potencia décima es fácil:

(1 + i)10 = 32ei 5π2 = 32i, (−1 + i)10 =

32ei 15π2 = −32i,
(−1 − i)10 = 32e−i 15π2 = 32i, (1 − i)10 =

32e−i 5π4 = −32i.
Luego los números buscados son 1+i y −1−i. Nótese que al tratarse del cálculo de potencias naturales no es
necesario tener en cuenta todos los argumentos a diferencia de lo que ocurre cuando calculamos ra ́ıces.
Para finalizar, daremos un resultado que será de vital importancia en el tema 6 y que afirma que C es un
cuerpo algebraicamente cerrado, es decir, que
22 Tema 1 N ́ umeros complejos 22 Tema 1 N ́ umeros complejos 22 Tema
1 N ́ umeros complejos
todo polinomio en C tiene al menos una ra ́ız. Por ejemplo, es fácil ver que R no es algebraicamente cerrado, pues
́
el polinomio x2 + 1 no tiene ra ́ıces reales. Este resultado, conocido como Teorema fundamental del Algebra,
afirma lo siguiente:
Teorema 1.1 (Teorema fundamental del ́Algebra)
Si p(x) = a0 + a1x + ··· + anxn es un polinomio con coeficientes complejos (esto
es, ai ∈ C, ∀i), entonces la
ecuación p(x) = 0 tiene n ra ́ıces contando sus multiplicidades.
Aunque existe una fácil demostración de este resultado, la maquinaria empleada para la misma excede los
objetivos de este curso.8
El interés principal que para nosotros tiene este resultado ocurre cuando el polinomio tiene coeficientes
reales (es decir, ai ∈ R, ∀i). En tal caso, el polinomio tendrá

n ra ́ıces (reales o complejas), y además, si z es una
ra ́ız compleja de p, entonces z también es ra ́ız de p (véase el ejercicio 24).
1 5 C ́ALCULO CON PYTHON
En esta sección mostraremos cómo usar Python para operar con números complejos, a la vez que
profundizaremos en el empleo del módulo SymPy presentado en el apéndice B. Es esencial que el lector posea
un m ́ınimo de conocimientos del lenguaje (que exponemos en el citado apéndice), por lo que remitimos a su
lectura antes de abordar cualquiera de las secciones dedicadas a Python.
Por otra parte, es muy conveniente que el lector realice los ejemplos que exponemos aqu ́ı para habituarse al
intérprete Python. Para facilitar la com- prensión de los ejemplos hemos numerado de forma consecutiva las l
́ıneas de órdenes introducidas en el intérprete, simulando una determinada sesión inter- activa, por lo que de un
ejemplo al siguiente se conservan las importaciones de los módulos realizadas previamente. Cuando los números
de l ́ınea comienzan de nuevo, significa que hemos abierto una nueva sesión, y por tanto debemos volver a cargar
ciertas funciones.
El primer matemático en enunciar un resultado parecido (que todas las ecuaciones de grado
8
n tienen n ra ́ıces) fue el francés Albert
Girard en 1629, aunque no menciona que tales soluciones puedan ser complejas. El resultado se aceptó como un hecho evidente por la
comunidad matemática. El primer intento serio de demostración se debió al también francés Jean Le Rond d’Alambert en 1746, pero la prueba
tiene algunos puntos negros. Aunque es aceptado que la primera demostración del resultado es debida a Gauss en 1799 en su tesis doctoral,
la prueba no es completamente rigurosa según los estándares actuales. Gauss dio otras tres pruebas del resultado a lo largo de su vida; la
última apareció en 1849, en el último art ́ ıculo que escribió, cincuenta a nos
̃ después de su primera demostración.
1.5 C ́ alculo con Python 23
1 5 1 Operaciones básicas
Comenzaremos con ejemplos de operaciones algebraicas sencillas con Python. Como se ve en la
sección B.2, los números complejos están accesibles en Python y operar con ellos es fácil. Realicemos
las siguientes operaciones:
(2 − i) − (6 + 2i) = −4 − 3i
(3 + 2i)(1 − 5i) = 13 − 13
= 3 − 1 i
1 + i 1+2i 5 5
>>> 2-1j-(6+2j) 2 (-4-3j) 3 >>> (3+2j)*(1-5j) 4 (13-13j) 5 >>> (1+1j)/(1+2j) 6
1
(0.59999999999999998-0.20000000000000001j)
Como ocurre con las calculadoras, en el momento en el que aparecen números racionales el cálculo se
vuelve engorroso. Afortunadamente tenemos el módulo SymPy para operar de forma exacta. En este
módulo tenemos definida la unidad imaginaria como I, pero hemos de usar el operador de multiplicación
(a diferencia del uso con j): por ejemplo,
= 3 − 1 i
1 + i 1+2i 5 5
>>> from sympy import I,simplify 8 >>> (1+I)/(1+2*I) 9 (1 + I)/(1 + 2*I) 10 >>>
7
simplify(_) 11 3/5 - I/5

Como podemos observar, la operación 1+i
no se realiza al momento (es tratada
1+2i como una expresión simbólica), por lo que debemos simplificarla.
Nótese el uso del guión bajo (o underscore) para referirnos al último cálculo realizado. Nótese también
que solo hemos importado las funciones del módulo que necesitamos. Podr ́ıamos haber escrito
directamente
12 >>> simplify(6/(2-I)) 13 12/5 + 6*I/5
que equivale a 6
= 12 + 6 i
2−i 5 5 El módulo SymPy también dispone de funciones para calcular el conjugado, el módulo y
el argumento de un número complejo:
ema Tema Tema 1 1 1 N N N ́ umeros ́ umeros ́ umeros
24 24 24 T
complejos complejos complejos
>>> from sympy import arg,abs,conjugate,sqrt,I 2 >>> a=sqrt(3)+I 3 >>>

1
conjugate(a) 4 3**(1/2) - I 5 >>> abs(a) 6 2 7 >>> arg(a) 8 pi/6
que realiza los cálculos
√3 + i = √ + i) = π
6
3−i
Observemos que hemos importado del módulo SymPy, además de las funciones que vamos a usar,
también la función sqrt (ra ́ız cuadrada). Recordamos aqu ́ı que esta función no viene por defecto con el núcleo
de Python y es necesario importarla. ¿Qué hubiera ocurrido si, en lugar de usar la función sqrt de SymPy,
usamos la del módulo math:
>>> from sympy import conjugate,I 2 >>> from math import sqrt 3 >>>
1
a=sqrt(2)+I 4 >>> conjugate(a) 5 1.73205080756888 - I
Insistimos en la ventaja de hacer las operaciones con funciones de SymPy, que, en la medida de lo posible,
realizará las operaciones de forma exacta. Como hemos visto en el ejemplo anterior, SymPy es capaz de
reconocer ciertos ángulos habituales, pero obviamente, no hace milagros:
>>> from sympy import arg,abs,sqrt,I 2 >>> a=sqrt(2)+I 3 >>> abs(a) 4

1
3**(1/2) 5 >>> arg(a) 6 atan(2**(1/2)/2)
que interpretamos como

√22
\\\√2 + i\\\ = √
3 arg(√2 + i) = arctan
Si necesitamos el valor real de alguna de las operaciones efectuadas con SymPy, podemos usar el método
evalf
7>>> arg(a).evalf() 8 0.615479708670387

esto es,
arctan
√2 2=
0.615479708670387 que al ser un método y no una función, no precisa importación.
1 5 2 Operaciones avanzadas
El módulo SymPy permite realizar cálculos más sofisticados con los números complejos: por ejemplo,
reconoce la fórmula de Euler, y es capaz de simplificar operaciones trigonométricas:
>>> from sympy import Symbol,E,I,re 2 >>> x=Symbol(’x’,real=True) 3 >>> a=E**(I*x) 4 >>>
1
b=a.expand(complex=True) 5 >>> b 6 I*sin(x) + cos(x) 7 >>> c=a**3 8 >>>

d=c.expand(complex=True).expand(trig=True) 9 >>> d 10 -3*cos(x) - I*sin(x) +
4*I*cos(x)**2*sin(x) 1 1 + 4*cos(x)**3 1 2 >>> re(d) 1 3 -3*cos(x) + 4*cos(x)**3 14 >>>
f=c.expand(complex=True) 1 5 >>> re(f) 1 6 cos(3*x) 1 7 >>> (re(f)-re(d)).expand(trig=True) 18
0Nótese el uso de la etiqueta adicional real=True en la función Symbol, cuyo significado
es evidente:
asume que la variable simbólica x es real. El número e viene dado por E y la parte real es r
e. El método
expand sirve para desarrollar expresiones, y admite etiquetas adicionales para usar desarrollos con
complejos o trigonométricos (admite otras varias como logaritmos, potencias, etc.).
Los cálculos prueban la fórmula:
cos(3x) = −3 cos(x) + 4 cos3(x)
¿Puede el lector encontrar una fórmula análoga para sen(3x)?
El módulo SymPy también permite encontrar las ra ́ıces complejas de polino- mios. La función solve
nos proporciona las ra ́ıces de una ecuación del siguiente modo:
>>> from sympy import Symbol,solve 2 >>> x=Symbol(’x’) 3 >>> solve(x**4-1,x) 4 [1, -1,
1
-I, I]
esto es,
x4 − 1=0 ⇒ x = 1,−1, i,−i Si el resultado esperado es amplio podemos guardarlo en una lista
>>> from sympy import I 6 >>> a=solve(x**4-I,x) 7 >>> a 8

5
[-sin(pi/8) + I*cos(pi/8), 9 -I*cos(pi/8) + sin(pi/8), 10

-cos(pi/8) - I*sin(pi/8), 11 I*sin(pi/8) + cos(pi/8)]
y luego podemos usar un bucle para, por ejemplo, obtener los valores numéricos de cada una de las soluciones:
>>> for b in a: 1 3 ... b.evalf() 14 ... 15 -0.38268343236509 +

12
0.923879532511287*I 16 0.38268343236509 - 0.923879532511287*I 17

-0.923879532511287 - 0.38268343236509*I 18 0.923879532511287 +
0.38268343236509*I
1 6 UNA BREVE INCURSI ́ON EN EL MUNDO FRACTAL
Los fractales9 son objetos geométricos cuya estructura, generalmente muy irregular, se repite en diferentes
escalas. Esencialmente podr ́ıamos decir que un fractal es un objeto de dimensión fraccionaria, aunque ser ́ıa
necesario dar una definición concreta del concepto de dimensión al que nos referimos.
Los primeros ejemplos de fractales ya aparecen a finales del siglo XIX, con la función de Weierstrass
descubierta en 1872, que es una función continua en todos sus puntos pero que no es derivable en ninguno. El
grafo de esta función es un objeto fractal. Posteriormente aparecieron otros objetos, como la curva de Koch10
(véase la figura 1.4), que se trata de una curva continua que no posee tangentes (es decir, que no es derivable)
obtenida mediante un procedimiento recursivo bastante simple: dado un segmento, se divide en tres partes, y la
parte central se sustituye por dos segmentos de igual longitud a los anteriores formando un triángulo sin la base
(véase la figura 1.4a). El proceso se repite para cada uno de los segmentos de la nueva figura, y el objeto
obtenido en el l ́ımite es la mencionada curva.
9
El término fue acu ̃nado por el matemático francés de origen polaco Benoˆıt Mandelbrot, en un art ́ıculo publicado en 1967 por la revista
Science titulado ¿Cuánto mide la costa de Gran Breta na?
̃
10
Descubierta por el matemático sueco Helge von Koch en 1904.
1.6 Una breve incursi ́ on en el mundo fractal 27
(a) Iteraciones de la curva de Koch
Figura 1.4: Curva de Koch
Es fácil darse cuenta de que la longitud de esta curva es infinita, pues en cada iteración estamos
incrementando su longitud: por ejemplo, si el segmento inicial (el de arriba a la izquierda en la figura 1.4a)
, la segunda 1 6 , la tercera (
tiene longitud 1, la primera iteración tendrá longitud 4 3 9 43)3
, . . . , y en la
(
longitud será de 43)n, de modo que la longitud l ́ımite será infinita. Este hecho
n-ésima iteración, la nos
invita a pensar que, de algún modo, este objeto no es unidimensional. Usando la definición oportuna se
puede encontrar la dimensión fractal de este objeto que es ln 4
= 1.261...
ln 3 Este tipo de objetos fueron considerados durante cierto tiempo por la comunidad
matemática como anomal ́ıas artificiales11 y apenas recibieron atención. Tras el nacimiento de la Teor ́ıa
del Caos,12 el interés por estos objetos se renue- va, ya que los fractales aparecen vinculados a la
evolución de sistemas complejos. Posteriormente, y en especial a partir de la publicación del libro de
Mandelbrot, La Geometr ́ıa Fractal de la Naturaleza (1982), los fractales son usados para des- cribir la
complejidad de ciertas formas en la naturaleza, desde las nubes hasta las redes neuronales del cerebro.
¿Qué relación hay entre los números complejos y los fractales? Uno de los fractales más conocidos, el
denominado conjunto de Mandelbrot,13 es un objeto del plano complejo que se genera de forma sencilla.
Se considera un número
11
Una galer ́ ıa de “monstruos”, como los denominó el matemático francés Henri Poincaré. 12Surgida a partir del estudio de un
modelo climático por el matemático estadounidense Edward

Lorenz en 1963.
Las primeras imágenes del mismo se obtuvieron en 1978 por Robert Brook y Peter Matelski,
13
pero fueron el matemático francés
Adrien Douady y su disc ́ıpulo John H. Hubbard quienes demostraron muchas propiedades fundamentales y lo nombraron as ́ı en
honor a Mandelbrot.
complejo cualquiera c, y se construye una sucesión por recurrencia del siguiente modo:
z0 = 0, zn+1 =
z2n +
c, n ≥ 0 En función del número c escogido, esta sucesión puede o no
estar acotada. Por ejemplo, si c = 2, la sucesión que se genera es 0,2,6,38,... que es claramente no acotada; pero
si c = −1, la sucesión queda 0,−1,0,−1,... que s ́ı está acotada. El conjunto de Mandelbrot está formado por los
números complejos c tales que la sucesión anterior permanece acotada. Es decir, −1 es un punto que está en el
conjunto de Mandelbrot, pero 2 no pertenece a dicho conjunto. Si analizamos el comportamiento de la sucesión
con todos los puntos del plano complejo obtenemos la figura 1.5a, en la que se aprecia el aspecto general del
conjunto de Mandelbrot. Las figuras 1.5b y 1.5c muestran aproximaciones (las indicadas en los recuadros) con
más detalle. Podemos ver la “autosimilitud” caracter ́ıstica de los fractales (se repiten en escalas cada vez más
peque nas)
̃ y el “orden dentro del caos” que subyace en los mismos.14
1 6 1 Generación del conjunto de Mandelbrot con Python
Adjuntamos aqu ́ı un breve programa en Python con el que obtener los gráfi- cos aqu ́ı mostrados. Para su
funcionamiento se precisa del módulo matplotlib15 para poder generar gráficos con Python.
1#! /usr/bin/python
23
from numpy import array,zeros 4 from matplotlib.pyplot import imshow,xticks,yticks,show
56
def mandelplot(size, limit, xint, yint):
78
img = zeros([size, size], int)
910
yamp=yint[1]-yint[0]
xamp=xint[1]-xint[0] 11
1213
for x in range(size): 15 c = complex(x/float(size)*xamp +
for y in range(size): 14
xint[0],y/float(size)*yamp + yint [0]) 16 z = c 17 for i in range(limit): 18 z = z**2 + c
14
Precisamente esta caracter ́ıstica de los fractales, la aparición de cierta regularidad dentro del
caos, fue lo que llamó la atención de
Mandelbrot cuando intentaba descifrar la causa de la existencia de determinado ruido en las l ́ıneas telefónicas que usaban para transmitir
información en la red de ordenadores de la compa ñ ́ ıa IBM, en la cual trabajaba.
15
Se puede descargar desde http://matplotlib.sourceforge.net/.
19 img[y,x] += 1 20 if abs(z) > 2: 21 break 22 else: 23 img[y,x] = 0
2425
img = array(img/float(img.max()))
2627
asp=yamp/xamp
2829
imshow(img,interpolation=’bilinear’,origin=’lower’,
cmap=’binary’,aspect=asp)
3031
yticks([]) 33 show()
xticks([]) 32
3435
return
363738
limite = 250 40 xint=[-2.,1.] 41
puntos = 1000 39
yint=[-1.5,1.5]
4243
mandelplot(puntos,limite,xint,yint)
El funcionamiento del programa consiste en, dado un determinado conjunto de puntos del plano
complejo, analizar las iteraciones de la sucesión que define al conjunto en cada uno de esos puntos. Si en algún
momento de la iteración el módulo es mayor que 2, automáticamente sabemos que ese número complejo no va a
pertenecer al conjunto de Mandelbrot. Por el contrario, si después de haber realizado un cierto número de
iteraciones, el módulo sigue siendo menor que 2, consideramos que ese punto está dentro del conjunto.
Analicemos con más detenimiento el código: La l ́ınea 1 es el shebang comen- tado en la sección B.1.1.
Las l ́ıneas 3 y 4 cargan las funciones a usar desde los módulos y entre las l ́ıneas 6 y 35 definimos la función que
hace todo el trabajo y que invocamos en la l ́ınea 43.
Los argumentos de entrada de la función son: size, limit, xint e yint que son definidos en las l
́ıneas 38 a 41. Estos dos últimos son dos listas que se refieren al dominio en el que se van a realizar los cálculos:
xint nos da la cota inferior y superior para la parte real de los números complejos a considerar, e yint define
las cotas para la parte imaginaria. El parámetro size define el número de subdivisiones que vamos a realizar en
cada intervalo xint e yint y el parámetro limit se refiere al número máximo de veces que vamos a realizar
la iteración que define al conjunto.
(c)
, −1] × [0, 1 ]

(b) Rectángulo [− 3 2 2
Figura 1.5: El conjunto de Mandelbrot

, 3 ]
(a) Rectángulo [−2,1] × [− 3 2 2
La función, una vez introducidos los parámetros, crea una matriz de ceros de tama ̃no size×size (l ́ınea
8); en las l ́ıneas 10 y 11 calcula la amplitud de la región a dibujar y entre las l ́ıneas 13 y 23 está el doble bucle
que recorre cada uno de los puntos c de la región a considerar (definidos en la l ́ınea 15).
Para cada punto, se entra en un bucle for-else (l ́ıneas 17–23) en el que se analiza si el punto está o
no en el conjunto de Mandelbrot. Para ello se van construyendo los elementos de la sucesión (l ́ınea 18) hasta la
iteración limit (como máximo). Si en algún elemento de la sucesión el módulo es mayor que 2 entonces se
interrumpe el bucle (l ́ıneas 20–21) y se pasa a analizar el siguiente punto. Nótese que el elemento
correspondiente a la matriz img va sumando 1 cada vez que se construye un elemento de la sucesión (l ́ınea 19).
As ́ı, si interrumpimos el bucle en un punto porque el módulo es mayor que 2, habremos asignado a la matriz el
́ındice de la sucesión en el que se ha obtenido la condición de salida.
Por el contrario, si el bucle for finaliza sin un break (es decir, los elementos de la sucesión se
mantienen todos con módulo menor o igual que 2), entonces se ejecuta el bloque else (nótese el sangrado),
poniendo el elemento de la matriz a 0 (l ́ınea 23).
Al finalizar el doble bucle (l ́ıneas 17–2

3), el programa habrá construido una matriz en la que cada
elemento guarda un ́ındice entero para cada punto del rectángulo del plano complejo analizado. Este ́ındice vale
́
0 si el punto está en el conjunto, y es distinto de 0 si no lo está. Indices altos indican que ha costado decidir si el
punto está o no en el conjunto, mientras que ́ındices bajos corresponden a puntos que rápidamente han sido
descartados por su pertenencia al conjunto. Este rango de ́ındices nos va a permitir dar color al dibujo. Si solo
hubiéramos indicado la pertenencia al conjunto con un 1 o un 0 apreciar ́ıamos menos detalles en la gráfica. El
lector puede probar con distintos valores del parámetro limit para corroborar esto.
La l ́ınea 25 normaliza los valores de la matriz img dividiendo por el mayor valor de ésta (lo que se
obtiene con img.max()). Obsérvese también la necesidad de convertir a un número real con float. La matriz
ahora tendrá valores reales entre 0 y 1.
Finalmente, la función imshow de matplotlib crea un dibujo a partir de la matriz coloreando cada p
́ıxel en función del valor (el coloreado usado en este caso ha sido binary). Las funciones xtick e ytick
eliminan la información sobre los ejes y show() muestra el resultado.
El código de la función (l ́ıneas 6–35) no se ejecuta hasta que la función no es llamada en la l ́ınea 43.
Las l ́ıneas 38–41 definen los parámetros con los que se ha obtenido la figura 1.5a. El lector puede probar
modificando estos valores para obtener distintas partes del conjunto, con diferentes niveles de aproximación.
32 32 32 T
17E JERCICIOS
Ejercicios de repaso
E.1 Realizar las siguientes operaciones con números complejos:
(3 − 2i) + (1 − 5i) (2 − 2i)+3i (1 + 2i) − (−1+2i) (2 + 5i)(3 + i) (1 + i)(1 − i) 2i − (5 + 5i)(3 − 6i)
1+3i 2 − 5i
4 − 7i 3+5i
i − 2 − i
2i(2 − i) 5
i 2 − i 1i − 2 + i
3i − i 1
+1
E.2 Obtener el conjugado de los siguientes números complejos:

1 , i − 1
i, 3 − 2i, π + e − i, e − π, i 32
E.3 Calcular el módulo y el argumento principal de los siguientes números complejos y representarlos en
el plano complejo:
√ √
−2, −i, 5 − 5i, −3 3+3i, −1 − 3i, −2 − 2i
E.4 Escribir en forma polar y trigonométrica los números complejos del ejercicio 3. E.5 Escribir en forma
ei 5π
cartesiana los siguientes números y representarlos en el plano complejo:ei7π, 3ei π4 , 2e−i 3π4 , 1 2ei π6 , 2 3 4 ,
ei 2π3
E.6 Calcular las siguientes potencias:
√ −
i5, (1 − 3i)5, (−2+2i)8, ( 1 2
10
√2 3i)
E.7 Obtener en forma binomial todas las soluciones de las siguientes ecuaciones:
i, z6
z4 = 2, z3 = 1 8 = −1
E.8 Resolver las siguientes ecuaciones en C:
z2 +5=0; z2 + z +1=0; z3 + z2 + z = 0;
z2 + 2z +5=0; z3 − 3z2 + 5z = 15; z3 + 2z2 + 4z = −3.
1.7 Ejercicios 33
Problemas
E.9 Escribir en forma cartesiana los números
√ √
(1 ( + 3 + 3i)i)2 3
, i501
+ i600,
k
∑100k=0i
Indicación: para el último usar la fórmula
k 1 − a
∑nk=0a = 1 − n+1
aE .10 ¿En qué cuadrante se encuentran los siguientes números?
(2000e
3π4 i
+ 1)7, (5000e
9π7 i
+ 2)11
6 4 12 −1
E.11 Sea z ∈ C tal que z = −64, Re(z) < 0 y Im(z) < 0. Calcular z . E.12 Calcular w = (1 − i) z , donde z
es tal que z4 + 1 = 0, Re(z) > 0 y Im(z) > 0. E.13 Si x ∈ R y n ∈ N, calcula el valor de
Å1 + cosx + isenx

ã
1 + cosx − isenx n
E.14 Determinar los números complejos que satisfacen:

(a) z = |z| (b) z = z2
E.15 Halla las números complejos que forman los vértices de un hexágono regular de centro el origen,
sabiendo que tiene uno de sus vértices en el número i.E.16 Describe los conjuntos de números complejos
que satisfacen las ecuaciones:

(a) |z| ≤ 3 (b) |z − i| > 2 ⋆ (c) |z + 1| + |z − 1| = 4
* E.17 Encontrar el lugar geométrico descrito por la ecuación
\\\ z−1z+1

\
\\ = 2.
Ejercicios teóricos
E.18 Probar que para cada z ∈ C,
z+ z
Re(z) = 2
, Im(z) = z
2i
−z
E.19 Demostrar la Proposición 1.1. E.20 Probar (i)–(iv) de la Proposición 1.2. * E

.21 En este ejercicio se
pretende demostrar la desigualdad triangular (véase
(v) de la Proposición 1.2). Para ello:
(a) Probar que 2αβ ≤ α2 + β2, ∀α, β ∈ R.
(b) Usar (a) para probar que
2 )(α2 + β2 ), ∀α
α1α2 + β1β2 ≤ »
(α21 +
β 1 2 2 1,α2 1 2
,β ,β ∈ R
(c) Usar (b) para probar que z1z2 + z1z2 ≤ 2|z1||z2|, ∀z1,z2 ∈ C.
(d) Deducir de (c) la desigualdad triangular y (vi) de la Proposición 1.2.
* E.22 Decidir si las siguientes afirmaciones son verdaderas o falsas:
es imaginario
(a) Los puntos z, w, −z y −w forman un cuadrado si y solo si z w
puro.
es imaginario puro.
(b) Los puntos z, w y 0 están alineados si y solo si z w (c) Los puntos z, w y 0 están
es real.
alineados si y solo si z w * E.23 Sean zk, k = 0,...,n − 1 las ra ıces n-ésimas de la unidad. Probar que
́
n−1
∑k=0Re(zk)=0
Indicación: usar la ayuda del ejercicio 9 E.24 Probar que si p(x) = a0+a1x+···+anxn es un polinomio con
coeficientes reales
(esto es, ai ∈ R, ∀i) y z0 e
s una ra ız de p entonces z0 t ambién es ra ız de p. ¿Es
́ ́
cierto esto si algún ai ∈ C?
Ejercicios adicionales
E.25 Usa la fórmula de Euler en Python para obtener una identidad trigo- nométrica para sen(5x) y
cos(5x). E.26 Los Conjuntos de Julia16 son fractales que se generan de forma similar al conjunto de
Mandelbrot: se considera un número complejo ξ fijo, y para cada c ∈ C se construye la sucesión
z0 = c zn+1 = z2n + ξ, n ≥ 0
El conjunto de Julia generado por ξ es el conjunto de números complejos c para los que la sucesión
anterior permanece acotada. Adaptar el código en Python de la sección 1.6.1 para dibujar los conjuntos
de Julia para ξ = 0.72 − 0.196i y ξ = −0.1+0.87i.
16
Llamados as ́ ı en honor al matemático francés de origen argelino Gaston Julia.
2 Matrices y determinantes
́
Introducimos en este tema una de las herramientas fundamentales del Alge- bra, las matrices, con las
que trabajaremos a lo largo de todo el texto. Es probable que el lector haya tenido ya un contacto previo con
estos objetos as ́ı como con los determinantes, por lo que este tema consistirá esencialmente en un repaso de
tales contenidos aunque con un enfoque más abstracto. Básicamente recordaremos las operaciones entre
matrices, el método de Gauss y el cálculo de determinantes, esperando que el lector adquiera una adecuada
soltura operacio- nal con ellos.
Puesto que el cálculo matricial es sin duda tedioso, principalmente cuando el tama ̃no de las matrices
aumenta, incluimos también una sección dedicada a la realización de estas operaciones con Python. De este
modo el lector tendrá la oportunidad de realizar los numerosos cálculos que involucren matrices a lo largo del
texto con rapidez. No obstante, es importante resaltar la importancia de saber realizar tales operaciones sin la
necesidad del ordenador. Por último, hacemos una peque ̃na incursión en una de las múltiples aplicaciones donde
aparecen las matrices: la teor ́ıa de grafos.
2 1 MATRICES: PRIMERAS DEFINICIONES
En todos los temas que siguen trabajaremos con conjuntos numéricos con los que será necesario realizar
cierto tipo de operaciones. Más concretamente, necesitaremos que tales conjuntos tengan estructura de cuerpo
conmutativo (véase el apéndice A), que denotaremos genéricamente por K, y que en la práctica puede ser Q, Ró
C. En los casos en los que sea necesario precisar el cuerpo concreto con el que trabajar lo diremos
expresamente.
A los elementos del cuerpo los denominaremos escalares y se denotarán habitualmente con letras
griegas: α, β, γ, etc. También usaremos la notación Kn para referirnos al producto cartesiano K× n ··· ×K, es decir el
conjunto de n-uplas (α1,...,αn), donde cada αi ∈ K.
35
36 Tema 2 Matrices y determinantes 36 Tema 2 Matrices y determinantes 36 Tema 2 Matrices y determinantes
Definición 2.1
Una ordenación rectangular
âa11 a12 ··· a1n a
21 a22 ··· a2n ... . .. . .. . .. a
m1 am2 ··· amnì
se denomina matriz1 de orden m × n (m filas y n columnas), donde cada aij ∈ K. Los elementos
ai1,ai2,...ain forman la fila i-ésima, que denotaremos por

Fi, mientras que los elementos a1j,a2j,...,amj
conforman la columna j- ésima,

denotada por Cj. El conjunto de matrices de orden m×n con coeficientes
en K se denota por Mm×n(K). Para simplificar la escritura es frecuente notar a
las matrices por A = (aij)1≤i≤m
o simplemente A = (a
1≤j≤n ij), donde el primer ́ındice siempre denotará las filas y el segundo las columnas.
Una matriz A ∈ M1×n(K) se dirá matriz fila y si A ∈ Mm×1(K) se dirá

matriz columna.
Definición 2.2
Dos matrices A, B ∈ Mm×n(K) son iguales si los elementos correspondientes son
iguales, es decir, aij = bij,
1 ≤ i ≤ m, 1 ≤ j ≤ n.
Las matrices aparecen en multitud de situaciones por tratarse de objetos eficaces para tratar información
de una manera ordenada. El siguiente ejemplo es una muestra de ello.
Ejemplo 2.1
Una empresa fabrica pilas eléctricas en tres tama nos:
̃ A, B y C, y dos voltajes: V1 y V2. El número de
piezas fabricadas cada d ́ıa (en miles de unidades) viene

El término fue acu ̃nado por el matemático inglés James Joseph Sylvester en 1848, aunque ordenaciones
1
de este tipo son
conocidas desde la antigüedad; por ejemplo, hay constancia de la aparición de cuadrados mágicos en la literatura china hacia el
650 a.C.
2.1 Matrices: primeras definiciones 37
dada por la matriz F, y el precio (en céntimos por unidad) en la matriz P:
F=
AB C
ÑV1 Å 20 19
V
2 22 19 21 1 V2
18 V
ã
A 70 120 P =
B 45 65 C 60 50
é
Como se puede observar, las matrices anteriores contienen la información sobre la producción diaria de
cada tipo de pila y sus precios. A partir de estas matrices podemos extraer información impl ́ıcitamente
contenida en ellas. Por ejemplo, la suma de todos los elementos de la matriz F nos proporciona la
cantidad total de pilas fabricadas de todos los tipos. Si sumamos los elementos de cada columna
obtendremos la cantidad de pilas fabricadas de los tipos A, B y C tanto en el voltaje V1 como en V2. Si por
el contrario sumamos los elementos de

cada fila, obtendremos la cantidad de pilas fabricadas por voltaje,
de todos los tipos.
Nótese sin embargo que la suma de los elementos de la matriz P no adquiere un significado relevante. Es
decir, la información que proporcionan las matrices depende completamente del contexto al que se
refieran.
Definición 2.3
Una matriz se dice cuadrada si m = n. El conjunto de matrices cuadradas de orden n con coeficientes en
K se notará por Mn(K).
Una matriz cuadrada se dice simétrica si aij = aji, ∀i, j. Se

denomina matriz traspuesta (o transpuesta) de
A = (aij) (no necesariamente
cuadrada) a la matriz AT = (aji), es decir, la que resulta al intercambiar sus

filas por sus columnas.
A partir de la definición se deduce que una matriz es simétrica si y solo si es igual a su traspuesta.
Definición 2.4
Los elementos aii, 1 ≤ i ≤ m ın{m, n} son denominados elementos diagonales, y conforman la llamada
́
diagonal principal de la matriz.
Una matriz con ceros por debajo de la diagonal principal se denomina
38 38 38 Tema Tema Tema 2 2 2 Matrices Matrices Matrices y y y determinantes determinantes determinantes
triangular superior. Si los ceros están por encima se dirá triangular inferior, y si están tanto encima como
debajo se dirá matriz diagonal.
Nota 2.1
Obsérvese que la trasposición de una matriz corresponde a una “simetr ́ıa” respecto de la diagonal
principal. De este modo, una matriz simétrica es aquella que al trasponerla, no cambia.
Ejemplo 2.2
Las traspuestas de las matrices del ejemplo 2.1 son
F T =
ê
Ü 20 22 19
19
\
P T = 18 21(
70 45 60 120
65 50Operaciones con matrices2
Las operaciones más simples que podemos realizar con matrices son la suma y el producto por un
escalar, que se definen del siguiente modo:
Definición 2.5
Dadas A, B ∈ Mm×n(K), con A = (aij) y B = (bij), y α ∈ K, se definen:
(i) la suma de A y B como la matriz A + B ∈ Mm×n(K) donde (A + B)ij =
(aij + bij).
(ii) el producto por escalar de α ∈ K y A como la matriz αA ∈ Mm×n(K)
dada por (αA)ij = αaij.
2
Fueron introducidas por el matemático inglés Arthur Cayley en 1857.
Es decir, podemos sumar matrices siempre que ambas tengan el mismo orden, y la matriz suma se
obtiene sumando los elementos que están en la misma posición. Por otro lado, el producto de una matriz
por un escalar es otra matriz en la que cada elemento está multiplicado por ese número.
Ejemplo 2.3
Dadas las matrices
A=
ê
Ü 1 0 1
1
ê
, B = 0 2Ü
001
0
∈ M3×2(R) 0 1entonces
A+B=
ê
Ü 1 0 2
1
ê
, 2A = 0 3Ü
202 2 0 4Los siguientes dos resultados establecen propiedades elementales de la suma y del producto
por un escalar. Las demostraciones de estos resultados son consecuencia inmediata de la definición y de
las correspondientes propiedades del cuerpo K.
Proposición 2.1 (Propiedades de la suma de matrices)
Si A,B,C ∈ Mm×n(K), se verifican las siguientes propiedades:
(i) Conmutativa: A + B = B + A
(ii) Asociativa: A + (B + C)=(A + B) + C
(iii) Elemento neutro: existe una única matriz 0 ∈ Mm×n(K) tal que A + 0 = A,
∀A ∈ Mm×n(K), que se
denomina matriz nula y cuyos elementos son todos

cero.
(iv) Elemento opuesto o simétrico: para cada matriz A ∈ Mm×n(K) existe una
única matriz D tal que A + D = 0. Se notará D = −A.
En consecuencia, el par (Mm×n(K),+) es un grupo conmutativo (véase el Apéndice
A).
40 40 40 Tema Tema Tema 2 2 2 Matrices Matrices Matrices y y y determinantes
determinantes determinantes
Proposición 2.2 (Propiedades del producto por un escalar)
Si α, β ∈ K y A, B ∈ Mm×n(K) se verifican las siguientes propiedades:
(i) Pseudoasociativa: α(βA)=(αβ)A
(ii) Distributiva respecto de la suma de escalares: (α + β)A = αA + βA
(iii) Distributiva respecto de la suma de matrices: α(A + B) = αA + αB
Una vez vista la operación suma de matrices, parecer ́ıa bastante natural definir el producto de matrices de
forma análoga, es decir, multiplicando los elementos que se hayan en la misma posición. Lamentablemente, el
producto de matrices no se define de ese modo, sino de una forma un poco más enrevesada:
Definición 2.6
Dadas dos matrices A ∈ Mm×n(K) y B ∈ Mn×p(K), con A = (aik) y B

= (bkj) se define el producto de A por B
como la matriz AB ∈ Mm×p(K) cuyos

elementos vienen dados por
(AB)ij =
La figura 2.1 ilustra el proceso de multiplicación. Para obtener el elemento cij de la matriz producto AB (el c22
en la figura 2.1) debemos multiplicar cada uno

de los elementos de la fila i de la matriz A (fila 2 en la figura 2.1)
por el correspondiente elemento de la columna j de la matriz B (columna 2 en la figura 2.1), y calcular la suma de
todos esos productos.
Por otra parte, hay que resaltar que para poder realizar el producto de dos matrices A y B, los órdenes de las
matrices deben guardar una relación: en concreto, el número de columnas de A debe ser igual al número de filas
de B (para efectuar el producto AB).
Ejemplo 2.4
Multipliquemos las matrices F y P del ejemplo 2.1:

a11 a12 ... a1n
a21 a2 2 ... a2n
... . .. . .. . ..
am1 am2 ... amn
B: n filas × p columnas ⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝
c11 c12 ... c1p

c21 c22 ... c2p
... . .. . .. . ..

·
cm1 cm2 ... cmp a21 +
b1 ·b
a222 +22
...+
b11 b12 ... b
21 b22 ... b1p b2p
... . .. b
n1 bn2 . .. . .. ... bnp
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢
·bn2
a2nC = AB: m filas × p columnas
Figura 2.1: Ilustración del producto de matrices
FP =
⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢
A: m filas × n columnas
⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢
(20 · 70 + 19 · 45 + 18 · 60 20 · 120 + 19 · 65 + 18 · 50
\
22 · 70 + 19 · 45 + 21 · 60 22 · 120 + 19 · 65 + 21 · 50=
(3335 4535
\
3655 4925¿Qué significado tienen las entradas de la diagonal de la matriz producto? Por ejemplo, el
elemento (FP)11 corresponde a la multiplicación del número de pilas fabricadas
de los modelos de voltaje
V1 por su precio correspondiente, de modo que

el valor 3335 nos da el beneficio por la venta de todas las
pilas de voltaje V1. Análogamente el elemento (FP)22 nos proporciona el beneficio de la venta de
todas las
pilas de voltaje V2.
¿Puede el lector averiguar el significado de los elementos diagonales de la matriz PF?
Es muy importante observar que ¡el producto de matrices no es conmutativo! En algunos casos
simplemente no es posible hacer el producto en ambos sentidos, pues los órdenes no coinciden. Cuando
s ́ı es posible hacer el producto en ambos sentidos, tampoco tiene por qué ser conmutativo, como se
muestra en el ejemplo 2.5
Ejemplo 2.5
Dadas las matrices
A=
ê
Ü 1 0 1 1
∈ M3×2(R), B = 0 1
2(1 2
\
1 , C =
2
(0 0
\
1
∈ M2×2(R)
entonces
AB =
ê
Ü 1 1 3
2
3
, BA no es posible, BC = 4 2(0 0
\
5 , CB =
(4 2
\
2 1Definición 2.7
La matriz In ∈ Mn(K), dada por
In =
ì
â 1 0 ··· 0 0
1 ··· 0 ... . .. . .. . .. 0
0 ··· 1o abreviadamente (In)ij = δij, 1 ≤ i, j ≤ n, donde δij e
s el s ımbolo de
́
Kronecker3, se denomina matriz identidad de orden n.
3
El s ́ ımbolo o delta de Kronecker viene definido por
δij =
ß1 si i = j 0 si i = j
y le debe su nombre al matemático alemán Leopold Kronecker.
El producto de matrices verifica las siguientes propiedades:
Proposición 2.3 (Propiedades del producto de matrices)
Se verifican las siguientes propiedades (siempre que los productos sean posibles):
(i) Asociativa: A(BC)=(AB)C
(ii) Distributiva respecto de la suma:
(por la izquierda): (B + C)A = BA + CA (por la derecha): A(B + C) = AB + AC
(iii) Distributiva respecto del producto por escalar:
(αA)B = A(αB) = α(AB)
(iv) Elemento neutro: se verifica ImA = A, AIn =
A, ∀A ∈ Mm×n(K), donde
las matrices In, Im s
on las
matrices identidad de órdenes n y m, respectivamente.

La demostración de estas propiedades se basa exclusivamente en las definiciones de las operaciones
correspondientes, aunque resulta un poco tediosa. A modo de ilustración, probaremos la asociatividad.
Demostración: (i) Consideremos las matrices
A = (aij)1≤i≤m 1≤j≤n, B = (bjk)1≤j≤n
y C = (c
1≤k≤p kl)1≤k≤p 1≤l≤q
Nótese que los órdenes de las matrices deben ser los adecuados, pues en caso
contrario no se podr ́ıan realizar los productos. Veamos que el elemento il de la matriz A(BC) es igual al
elemento il de la matriz (AB)C.
Observemos que el elemento il de A(BC) se obtiene al multiplicar la fila i de A por la columna l de BC. As ́ı
pues, concentrémonos en BC. Sus elementos (BC)jl se obtienen (por definición) como:
(BC)jl =
∑pk=1bikckl Si
ahora calculamos A(BC),
((A(BC))il =

( ∑pk=1bikckl\
= ∑pk=1∑n aijbikckl j=1
aij(BC)jl =
∑naij j=1
∑nj=1
Ahora hagamos lo mismo con (AB)C. Los elementos de AB son:
(AB)ik =
∑nj=1aijbjk
y por tanto:
((AB)C)il =

∑p(AB)ikckl =
∑pk=1( ∑na
ijbjkj=1
\ckl = ∑pk=1k=1
∑nj=1
aijbj kck l
Puesto que los sumatorios son intercambiables, se obtiene el resultado.
Terminamos esta apartado sobre operaciones con matrices viendo cómo afecta la trasposición a la suma
y el producto de matrices.
Proposición 2.4 (Propiedades de la trasposición de matrices)
Si A, B son matrices y α un escalar, entonces
(i) (AT)T = A.
(ii) (αA)T = αAT.
(iii) (A + B)T = AT + BT.
(iv) (AB)T = BTAT.
Demostración: La demostración de (i)–(iii) es muy sencilla y se deja como ejercicio al lector. Para probar
(iv) supongamos que A es una matriz de orden m×n con elementos (aij) y B una matriz de orden n × p con
b lj las
entradas bjl. Denotando por a ji y entradas de AT Si ahora denotamos y BT, por respectivamente, cil
a las entradas está

de la claro
matriz que
AB, a
ij entonces = a ji y
blj sabemos = b jl.
que
cil =
∑nj=1
aijbjl
Denotando por c li las entradas de (AB)T, entonces
= c = c
(AB)Tli li il =
∑nj=1
∑nj=1 a
ijbjl =
T T
b lja ji =
(B A )li
2.2 Inversa de una matriz 45
2 2 INVERSA DE UNA MATRIZ
Es sabido que el inverso de un escalar es otro escalar tal que, al multiplicar por éste, se obtiene el
elemento neutro de la multiplicación, es decir, el uno. De forma similar podemos definir la inversa de una
matriz, teniendo presente que el elemento neutro del producto es la matriz identidad (véase (iv) de la
Proposición 2.3).
Definición 2.8
Dada una matriz cuadrada A ∈ Mn(K), se dice que la matriz B ∈ Mn(K) es
su inversa si AB notará B =
A−1.
= BA = In, donde In ∈ Mn(K) es la matriz identidad. Se

Si existe una tal matriz se dirá que A es regular o invertible. En caso contrario se dirá que A es singular.
Nótese que la inversa solo está definida para matrices cuadradas, y como muestra el siguiente ejemplo,
no siempre existe.
Ejemplo 2.6
(i) Las matrices
A=
\
( 2 3 2 2y B =
\
(−1 3
21
BA (o = también I2 (el lector A
−1verifican manera que que B AB = A= −1 −1
= Bpuede ).
comprobarlo fácilmente), de
(ii) Sin embargo, la matriz A =
0
(1 0
\
0
no posee inversa, pues si existiera
una tal matriz B =
(a c db
\
, se deber ́ıa verificar
I2 = AB =
(1 0
\(
a 0 0c db
\
=
(a b
\
0 0lo que es imposible.

46 Tema 2 Matrices y determinantes 46 Tema 2 Matrices y determinantes 46
Tema 2 Matrices y determinantes
Teorema 2.1
Si una matriz tiene inversa, entonces ésta es única.
Demostración: En muchas ocasiones, para probar la unicidad de un objeto matemático, es habitual suponer que
existen dos de tales objetos, y deducir, usando sus propiedades, que en realidad son iguales. De lo que se sigue
que el objeto es único. ́Este es el método que empleamos aqu ́ı: supongamos que B y C son dos inversas de A,
es decir, BA = AC = In. Entonces,
B = BIn = B(AC)=(BA)C = InC = C
Es decir, B = C, luego la inversa es única.
La siguiente proposición nos permite relajar ligeramente la definición de inversa, no siendo necesario
comprobar la conmutatividad del producto.
Proposición 2.5
−1
Si A, B ∈ Mn(K) y verifican que AB = In, entonces BA = In y por tanto B
= A .
A pesar de que puede parecer evidente el resultado, la demostración requiere un cierto esfuerzo, por lo que
la omitiremos.
El siguiente resultado nos muestra cómo funciona la inversión con el producto y la trasposición de matrices.
Proposición 2.6
Si A, B ∈ Mn(K), se tiene:
(i) Si A y B son invertibles, entonces AB es invertible y (AB)−1 = B−1A−1.
(ii) Si A es invertible, entonces AT es invertible y (AT)−1 = (A−1)T.
Demostración:
(i) Bastará ver que (AB)(B−1A−1) = In, lo cual es evidente usando la

propiedad asociativa del producto de matrices.
2.3 Sistemas de ecuaciones lineales 47
(ii) Si A es invertible, sabemos que AA−1 = In, de modo que calculando

traspuestas
= I
(AA−1)T = In T n
Por otro lado, (AA−1)T = (A−1)TAT como vimos en (iv) de la Proposi- ción 2.4. Es decir, el producto de AT con
(A−1)T es la matriz identidad, por tanto una es la inversa de la otra.
El paso siguiente consiste en encontrar una forma de calcular inversas de matrices. El primer método que
vamos a ver, el método de Gauss, probablemente es ya conocido por el lector. Para recordarlo, haremos una
breve incursión en los sistemas de ecuaciones lineales, que retomaremos con mayor detenimiento en el tema
siguiente.
2 3 SISTEMAS DE ECUACIONES LINEALES
Posiblemente, el ejemplo más habitual del uso de matrices está en la represen- tación de sistemas de
ecuaciones lineales, cuya definición damos a continuación.
Definición 2.9
Se denomina sistema de ecuaciones lineal de m ecuaciones con n incógnitas a una expresión del tipo
siguiente:
)⎢⎢⎢⎢⎢⎬⎢⎢⎢⎢⎢⎠
a11x1 + a12x2 + ··· + a1nxn = b1 a21x1 + a22x2 + ··· + a2nxn (2.1)
= b2 ... a
m1x1 + am2x2
(2.1)
+ ··· + amnxn = bm
donde los aij son denominados coeficientes, xi son las incógnitas y bi el término independiente.

Los sistemas de ecuaciones lineales aparecen frecuentemente en la resolución numérica de ecuaciones

en derivadas parciales, en el planteamiento de problemas que provienen de la F ́ısica, la Econom ́ıa, etc. En el
tema 3 abordaremos cuestiones relacionadas con la resolución de este tipo de sistemas. De momento nos
bastará con definir qué entendemos por solución de un sistema.
Definición 2.10
Se denomina solución del sistema (2.1) a toda n-upla ( ̄x1,..., ̄xn) ∈ Kn que convierte
la expresión (2.1)
en una identidad.
Las matrices son muy adecuadas para simplificar la escritura de un sistema. As ́ı, si consideramos las
matrices
A=
âa11 ··· a1n a
21 ··· a2n ... . .. . .. a
m1 ··· amnì
∈ Mm×n(K), x =
âx1x2 ...xnì
∈ Mn×1(K),
b=
âb1b2 ...bmì
∈ Mm×1(K)
el producto de matrices nos permite escribir el sistema de forma simple como Ax = b.
El lector seguramente conocerá el método de eliminación habitualmente empleado para resolver sistemas
lineales. El método está basado en las siguientes propiedades:
Proposición 2.7
Se verifican las siguientes propiedades:
(i) Si multiplicamos una ecuación por un escalar distinto de cero, las solucio-
nes de (2.1) no var ́ıan.
(ii) Si intercambiamos dos ecuaciones en el sistema (2.1), las soluciones del
mismo no cambian.
(iii) Si sustituimos una ecuación por el resultado de sumar o restar dicha ecuación con un múltiplo de otra,
las soluciones del sistema (2.1) no var ́ıan.
La demostración es muy sencilla y se deja al lector. Estas propiedades nos permiten poner en marcha un
método simple y directo para resolver sistemas lineales conocido como método de Gauss.4
4
Este método ya aparece en un libro de matemáticas chino titulado Jiuzhang suanshu o
Método de Gauss
El objetivo de este método es la transformación del sistema original en uno más fácil de resolver
mediante la aplicación de las propiedades descritas en la Proposición 2.7. Lo veremos directamente a
través de un ejemplo.
Ejemplo 2.7
Resolver mediante el método de Gauss el siguiente sistema:
x + 2y + 3z = 7 x − 3y + 2z = 5 x + y + z = 3
)⎢⎢⎬⎢⎢⎠
Realizaremos las siguientes operaciones con las ecuaciones del sistema:
x + 2y + 3z = 7 x − 3y + 2z = 5 x + y + z = 3
)⎢⎢⎬⎢⎢⎠
)2a −1a −−−−→ 3a −1a x + 2y + 3z −5y − z −y − 2z = = = 7 −2 −4
⎢⎢⎬⎢⎢⎠
−−−−→ 1a ↔2a x + 2y + 3z = 7
−y − 2z = −4 −5y − z = −2
)⎢⎢⎬⎢⎢⎠
)⎢⎢⎬⎢⎢⎠
En cada transformación del sistema hemos usado alguna de las propiedades de la Proposición 2.7. En
concreto, en la primera transformación hemos sustituido la segunda ecuación por la diferencia entre la
segunda y la primera ecuación, y luego hemos hecho lo propio entre la tercera y la primera. De esta
forma hemos eliminado la variable x en las dos últimas ecuaciones. En la segunda transformación
simplemente hemos intercambiado las ecuaciones segunda y tercera con objeto de simplificar el siguiente
paso. Finalmente hemos llegado a un sistema en el que han desaparecido las dos primeras variables de
la última ecuación y la primera variable en la segunda ecuación. El sistema resultante (denominado
sistema triangular) es muy fácil de resolver. Empezamos por resolver la última ecuación (z = 2), y su valor
lo sustituimos en la anterior, de manera que ésta es también fácil de resolver (y = 0). Sucesivamente,
sustituimos los valores obtenidos en la ecuación anterior para obtener la solución de la primera incógnita
(x = 1). A este método de resolver un sistema triangular se le llama una subida.
Nueve cap ́ ıtulos del arte matemático cuyo origen algunos historiadores marcan alrededor del a no
̃ 200 a.C.
x + 2y + 3z = 7 −−−−−→ 5·2a−3a −y − 2z = −4 −9z = −18
Como hemos visto, el método de Gauss consiste en “triangular” el sistema dado de importante manera
observar que que pueda el papel resolverse de las fácilmente incógnitas mediante es superfluo. una
Unicamente ́subida. Es son necesarios los coeficientes de las mismas en el sistema as ́ı como el término
independiente, es decir, podemos trabajar fácilmente con matrices, como vemos en el siguiente ejemplo.
Ejemplo 2.8
Resolver el sistema mediante el método de Gauss:
x + 3y + z = −3 3x + 9y + 4z = −7 2x − y + z = 6
)⎢⎢⎬⎢⎢⎠
En forma matricial, Ü
1 3 1 −3 3 9 4 −7 2 −1 1 6
ê
−−−−−→ F 3−2F1 Ü

F2−3F1
1 3 1 −3 0 0 1 2 0 −7 −1 12
ê
−−−−−→ F 2↔F3 Ü

1 3 1 −3 0 −7 −1 12 0 0 1 2
ê
Resolvemos mediante una subida y obtenemos z = 2, y = −2 y x = 1. La terna (1,−2,2) es solución de este
sistema.
Es habitual marcar con una l ́ınea la separación entre la matriz de los coeficientes del sistema y los
términos independientes. Por otra parte, nótese que hemos operado con las ecuaciones a través de las
filas de la matriz, conveniente- mente notadas como Fi. Es muy aconsejable anotar en cada paso las
operaciones realizadas.

Obsérvese además que la matriz resultante es una matriz triangular superior.
Matrices elementales
Las operaciones llevadas a cabo en el método de Gauss se conocen como operaciones elementales y
pueden ser interpretadas mediante multiplicación de matrices elementales que definimos a continuación:
Definición 2.11
(i) Eij es la matriz que se obtiene de la identidad cuando intercambiamos la
fila i con la fila j, es decir:
Eij =
⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢
(ii) Ei(λ) es la matriz obtenida al multiplicar la fila i por λ en la matriz
identidad, es decir:Ei(λ) =
1
...
0 ··· 1 ←−Fila i ... . .. . .. 1

··· 0 ←−Fila j
...
1
⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝ 1

...
1
λ1
...
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢ ←−
Fila i
1
(iii) Eij(λ) es la matriz obtenida de la matriz identidad al sumar a la fila j, la

fila i previamente multiplicada por λ, esto es:
Col. i ↓
Col. j ↓
Eij(λ) = ⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝ 1

...
1 ... . .. λ ··· 1 ...
⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢ ←−
Fila ←−Fila i j
1
El siguiente resultado nos dice cómo funciona el método de Gauss a través de las operaciones con
matrices elementales.
Proposición 2.8
Sea A ∈ Mm×n(K) y sean E y F matrices elementales de orden m y n, respectivamente. Entonces el
producto EA es la matriz que se obtiene de A cuando aplicamos a sus filas la misma transformación que
aplicamos a la identidad para obtener E.
Análogamente, AF es la matriz que se obtiene de A cuando aplicamos a sus columnas la misma
transformación que aplicamos a la identidad para obtener F.
Demostración: Probemos solamente que el resultado es cierto para la matriz elemental E = Eij(λ). El resto
de las pruebas es similar y se deja al lector.

En primer lugar observemos que si denotamos por ekl los coeficientes de la matriz
E, entoncesekl =
si k = l, ⎢kλ 0 si k = j y l = i, en el resto.
⎛⎢ 1
1 ≤ k, l ≤ m
La matriz producto EA tiene como elementos
(EA)kp =
∑ml=1
eklalp, 1 ≤ k ≤ m, 1 ≤ p ≤ n
Si k = j, el único elemento ekl con 1 ≤ l ≤ m no nulo es ekk (es decir, el único elemento
de la fila k no nulo
es el de la diagonal), luego (EA)kp = akp. Esto es, todas

las filas (salvo la j-ésima) de la matriz producto
son iguales a A.
En la fila j, sólo hay dos elementos no nulos, eji = λ y ejj = 1, luego
(EA)jp = λaip + ajp, 1 ≤ p ≤ n

luego la fila j-ésima del producto EA corresponde a la suma de los elementos de la fila i de A
multiplicados por λ, más los elementos de la fila j. Esto prueba el resultado.
Ejemplo 2.9
Consideremos la matriz A =
ê
Ü −1 3 4 2
1 0 2 −1 −1(i) Multipliquemos por la izquierda por la matriz E3(2):
E3(2) =
ê
Ü 1 0 0 0
10
ê
⇒ E3(2)A = 0
0 2Ü
−1 3 4 2
1 0 4 −2 −2La operación realizada equivale a multiplicar por 2 la tercera fila de A.
(ii) Multipliquemos a la izquierda por la matriz E13(−2):
E13(−2) =
Ü
ê
100010
ê
⇒ E13(−2)A = −2
0 1Ü
−1 3 4 2
1 0 4 −7 −9El producto es equivalente a multiplicar por −2 la primera fila de A y sumarla a la
tercera.
(iii) Multipliquemos a la izquierda por la matriz E23:
E23 =
ê
Ü 1 0 0 0
01
ê
⇒ E23A = 0
1 0Ü
−1 3 4 2
−1 −1 2 1 0El producto equivale a intercambiar entre s ́ı las filas segunda y tercera.
El lector puede comprobar qué sucede cuando las multiplicaciones se realizan a la derecha.
Gracias a estas matrices elementales, es evidente que el método de Gauss no supone más que la
multiplicación sucesiva de matrices elementales. Es por ello que ahora, más que nunca, se hace
indispensable anotar las operaciones realizadas entre las filas de la matriz, pues cada una de ellas
corresponderá a una multiplicación por una matriz elemental. En la sección 3.3.1 usaremos este hecho
con más detalle para resolver sistemas de una forma particular.
2 4 CALCULO ́DE LA INVERSA MEDIANTE OPERACIONES ELEMENTALES

En esta sección vamos a usar el método de Gauss para calcular la matriz inversa de una matriz
cuadrada. Comencemos con un ejemplo sencillo.
Ejemplo 2.10
Consideremos la matriz
A=
(2 1
\
4 3y calculemos su inversa.
Para ello debemos buscar una matriz B ∈ M2×2 tal que AB = I2. Si ponemos,

B=
(x1 x2
x3 x4 \ entonces
AB = I2 ⇒
(2 1
\(
x1 x2 4
3x3 x4\
=
(1 0
\
0 1lo cual equivale a resolver el sistema

2x1 + x3 = 1 2x
2 + x3 = 0 4x
1 + 3x3 = 0 4x
2 + 3x4 = 1
)⎢⎢⎢⎢⎬⎢⎢⎢⎢⎠
Antes de resolver este sistema por el método de Gauss podemos observar que dicho sistema está
desacoplado, es decir, podemos resolver independientemente las ecuaciones primera y tercera, por un
lado, y la segunda y la cuarta por otro.
Resolviendo el primero de esto sistemas mediante Gauss se obtiene:
( 2 1 1 4
30
\
−−−−−→ F 2−2F1 ( 2 1 1 0

1 −2
\
de donde x3 = −2 y x1 = No
obstante, existe una alternativa 32, después de a la resolución resolver
mediante una subida. mediante una subida para resolver el sistema: podemos diagonalizar la matriz de
los coeficientes siguiendo el esquema descrito por el método de Gauss, es decir, haciendo ceros ahora
por
2.4 C ́ alculo de la inversa mediante operaciones elementales 55
encima de la diagonal principal:
( 2 1 1 0
1 −2
Ñ
1 0 3 2 0 1 −2
é
De hecho, hemos dado un peque ̃no paso más; una vez diagonalizada la matriz hemos multiplicamos
adecuadamente cada fila para que en la diagonal de la matriz de los coeficientes obtengamos un 1. De
este modo se observa que el término independiente muestra exactamente la solución de sistema,
mientras que la matriz de los coeficientes se ha transformado en la matriz identidad. Esta “extensión” del
método de Gauss es conocida como método de Gauss-Jacobi.
Procedemos del mismo modo con el otro par de ecuaciones para encontrar x2 y x4:
( 2 1 0 4
31
\
−−−−→ F 1−F2 ( 2 0 3 0

1 −2
\
−−−→ 1 2 F 1 \
−−−−−→ F 2−2F1 ( 2 1 0 0

11
\
−−−−→ F 1−F2 ( 2 0 −1 0

11
\
−−−→
12 F1 Ñ
1 0 − 1 2 0 1 1
é
de donde dada por
deducimos que x2 = − 1 2 y
x4 = 1. As ı pues, la inversa de A viene
́
A−1 =
é
Ñ
1
2 −2
32 − 1No obstante, es interesante observar que los dos sistemas desacoplados, cuya solución nos
ha permitido obtener la matriz inversa, tienen la misma matriz de coeficientes (igual a la matriz A), por lo
que la aplicación del método de Gauss-Jacobi realiza exactamente las mismas operaciones en ambos.
Por tanto, es posible resolver ambos sistemas simultáneamente si escribimos juntos los dos términos
independientes:
( 2 1 1 0 4
301
F2−2F2 \
F1−F2
−−−−−→
1Ñ
12 F
1 0 0 1 3 2 −2 é
− 1
2 1
Vemos que la matriz de inicio esta formada por la “unión” de la matriz A e I2, mientras
que la matriz final
está formada por I2 y A−1. Dicho de otro modo, las

operaciones elementales que nos conducen desde la
matriz A a la matriz identidad, son las que nos llevan desde la matriz identidad a A−1.
Como hemos podido ver en este ejemplo, el cálculo de la inversa de una matriz A ∈ Mn(K) por el método
de Gauss consiste en diagonalizar la matriz (A

| In) hasta conseguir la identidad mediante
transformaciones elementales. La matriz resultante en la derecha es la inversa de la dada.

Ejemplo 2.11
Encontrar la inversa de la matriz
A=
ê
Ü 1 2 0 0
1 3 2 −1 −8Escribimos la matriz junto con la identidad de orden 3:
A=
Ü
1 2 0 1 0 0 0 1 3 0 1 0 2 −1 −8 0 0 1
ê
−−−−−→ F 3−2F1 Ü

1 2 0 1 0 0 0 1 3 0 1 0 0 −5 −8 −2 0 1
ê
−−−−−→ F 3+5F2 Ü

1 2 0 1 0 0 0 1 3 0 1 0 0 0 7 −2 5 1
ê
−−−→ 17 F3 Ü

1 2 0 1 0 0 0 1 3 0 1 0 0 0 1 − 2 7 5 7 1 7
ê
−−−−−→ F 2−3F3 Ü

− 8 − 3
1 2 0 1 0 0 0 1 0 6 7 7 7 0 0 1 − 2 7
ê
−−−−−→ F 1−2F2 57

17
Ü
− 8 − 3
1 0 0 − 5 7 16 6 6
7 7 0 1 0 7 7 7 0 0 1 − 2 7
ê
Luego,
A−1 =
57
17
8 − 3 2
Ü− 5 7 16
7 6 7
7−
7 6 7 − 7
17ê 57 El
lector puede comprobar que en efecto AA−1 = I3.
2.4 C ́ alculo de la inversa mediante operaciones elementales 57
Ejemplo 2.12
Calcular la inversa de
A=
(2 4
\
3 6Procediendo como en el ejemplo anterior: ( 2 4 1 0 3

601
\
−−−→
1Ñ
12 F
12é
1 0
2
−−−−−→ F 2−3F1 3

601
Ñ
0 1
é 1 2 1 2 0 0 − 3 2
Podemos observar en este caso que no hay forma alguna de obtener la matriz identidad mediante
transformaciones elementales de A. Esto significa que no existe A−1.
En definitiva, mediante el método de Gauss tenemos un método para, mediante operaciones
elementales, obtener una matriz triangular superior. Si los elementos diagonales de esta matriz son todos
distintos de cero, es posible realizar nuevas operaciones que nos conduzcan a una matriz diagonal, y por
tanto, aplicando (i) de la Proposición 2.7 llegar a la matriz identidad mediante operaciones elementales.
Puesto que la aplicación de operaciones elementales equivalen a multiplicar por matrices elementales,
podemos escribir:
···E −1
Ek ···E2E1 A = I ⇒ A = (Ek ···E2E = E1 −1
)−1
1 −1
E2 k donde E1
, ..., Ek son las matrices elementales
correspondientes a las operaciones

realizadas. Por ejemplo, en el ejemplo 2.11, las matrices
elementales usadas son:E1 = E13(−2), E2 = E23(5), E3 = E3( 1 7), E4 = E32(−3), E5 = E21(−2)
Es fácil demostrar que las matrices elementales son invertibles, y su inversa es un matriz elemental.5 De
este modo se tiene el siguiente resultado.
Teorema 2.2
Una matriz es invertible si y sólo si es producto de matrices elementales.
5
Basta observar que para llegar a la identidad desde una matriz elemental debemos realizar la
operación elemental “inversa”.
Nota 2.2
Como ya hemos visto, la definición del producto de matrices nos permite ver el sistema (2.1) en forma
matricial como Ax = b. Si resulta que este sistema es cuadrado, esto es, tiene el mismo número de ecuaciones
que de incógnitas (m = n), y además la matriz de los coeficientes es invertible, multiplicando por A−1 a la izquierda
obtenemos A−1Ax = A−1b. Puesto que A−1A = In e Inx = x, se sigue que x = A−1b.
2 5 DETERMINANTE DE UNA MATRIZ
El concepto de determinante6 se va a definir de manera inductiva. Para una visión general del método de
inducción matemática, que será usado con frecuencia en las demostraciones de esta sección, nos remitimos al
apéndice A.
Comenzaremos con un par de definiciones previas.
Definición 2.12
Se denomina submatriz de una matriz A ∈ Mm×n(K) dada, a cualquier matriz

obtenida de A eliminando un
conjunto determinado de filas y/o columnas.
Definición 2.13
Se denomina matriz adjunta del elemento ij de una matriz A, y se deno- tará por Aij, a la submatriz obtenida al
eliminar la fila i y la columna j de dicha

matriz.
Nótese que la matriz adjunta de un elemento cualquiera tiene siempre un orden menos que la matriz inicial
(véase la figura 2.2).
6
Los determinantes aparecen con anterioridad a las matrices. El de orden dos ya aparece en la
obra de Cardano en 1545, en relación con
la solución de sistemas lineales de dos ecuaciones con dos incógnitas. Los de orden superior aparecen casi simultáneamente en las obras del
japonés Kowa Seki y el alemán Gottfried Wilhelm von Leibniz alrededor del a ̃no 1680. Pero es el francés Augustin Louis Cauchy el que en
1812 comienza a usar los determinantes en el sentido actual, probando varias de sus propiedades.
2.5 Determinante de una matriz 59
â ì a11 a
12 ... a1n a
21 a22 ... a2n A
= ... . .. . .. . .. −→
A22 =

2 ... amn
am1 am
à í a11 a
13 ... a1n a31 ... a33 ... ... ... a3n ... am1 am3 ... amn
Figura 2.2: Matriz adjunta del elemento 2 2

Definición 2.14
Sea A ∈ Mn(K). Se define el determinante de A, que denotaremos por detA ó
|A|, del siguiente modo:
Si n = 1, |A| = a11.
Si n > 1,
|A| = a11|A11| − a21|A21| + ··· + (−1)n+1an1|An1| =
i+1
∑ni=1(−1) ai1|Ai1|
donde |Ai1| es el determinante de la matriz adjunta del elemento i1, que corresponde
a una matriz
cuadrada de orden n − 1.
Veamos cómo desarrollar la definición de determinante en los casos n =2y n = 3:
(i) Si n = 2, A =
(a11 a1 2
a21 a22\, entonces
|A| = a11|A11| − a21|A21| = a11a22 −

a21a12
(ii) Si n = 3, A =
Üa11 a12 a13 a
21 a22 a23 a
31 a32 a33ê, entonces
|A| = a11|A11| − a21|A21| + a31|A31| =

= a11
\\\\\aa22 32 a23
a33\\\\\ −
a21
\\\\\aa12 32 a1 3
a33\\\\\ +
a31
\\\\\aa12 22 a13 a23\\\\\
= a11a22a33 − a11a32a23 − a21a1 2a3 3 + a21a3 2a1 3

a11 a12
a21 a2 2
++a11 a12 a13
+a21 a22 a23

+a31 a32 a33 −a
11 a12 a13
−a21 a22 a13
−−(a) Orden dos

(b) Regla de Sarrus
Figura 2.3: Fórmulas para los determinantes de orden dos y tres
+a31a12a23 − a31a22a13
Como se puede observar, el determinante de una matriz es un número que se calcula mediante sumas y
productos de sus coeficientes. El determinante de una matriz de orden dos tiene una expresión fácil de
recordar, pues se trata de calcular el producto de los elementos de la diagonal principal y restarle el
producto de los elementos de la diagonal opuesta (véase la figura 2.3a)
Sin embargo, para el determinante de orden tres aparecen seis productos, que dificultan la memorización
de la fórmula que proporciona su valor. No obstante, existe una sencilla regla mnemotécnica para
recordar la expresión del determinante de una matriz de orden tres, la conocida como regla de Sarrus,7
que nos indica cuáles son los productos con signo positivo y cuáles los de signo negativo (véase la figura
2.3b).
Es importante resaltar que estas reglas (que parecen tener un cierto parecido) no son extensibles a
determinantes de orden superior. En particular, ¡la regla de Sarrus sólo es válida para determinantes de
orden tres! Por otra parte, aunque la regla tiene un cierto “encanto” que la hace muy popular entre los
estudiantes, veremos más adelante que es preferible calcular determinantes de orden tres empleando
alguna de las propiedades que siguen. Al fin y al cabo, la regla de Sarrus obliga al cálculo de seis
productos, que pueden hacerse un tanto engorrosos.
El resto de la sección está dedicada a presentar una serie de propiedades que nos permitirán simplificar
el cálculo de determinantes.
7
Introducida por el matemático francés Pierre Frédéric Sarrus en 1833.
2 5 1 Propiedades de los determinantes
Proposición 2.9
Si una matriz cuadrada A tiene una fila completa de ceros, entonces su determinante es nulo.
Demostración: Procederemos por inducción en el orden de la matriz. Si n = 1 el resultado es evidente.
Supongamos ahora que el resultado es cierto para las matrices de orden n−1, y probémoslo para orden
n. Supongamos además que la fila j-ésima es nula, es decir aj1 = ··· = ajn = 0. Entonces, por definición,
|A| =
i+1
∑ni=1(−1) ai1|Ai1|
Ahora bien, cada matriz Ai1 tiene orden n−1 (pues es la adjunta de una matriz de
orden n) y todas, salvo
Aj1, tienen una fila completa de ceros. Por hipótesis de
inducción, |Ai1| = 0 ∀i = j. Luego
|A| =
i+1
∑ni=1(−1) ai1|Ai1| = (−1)j+1aj1|Aj1|
pero este último sumando también es nulo, pues aj1 = 0 (ya que está en la fila j); de aqu ́ı se tiene el
resultado.
Proposición 2.10
Se verifica: \\\\\\\\\\\\\\\
\\\\\\\\\\\\\\\ a
11 ··· ... . .. a
i1 + bi1 ··· ... . .. a
n1 ··· a1n ...
ain + bin . .. ann

=
\\\\\\\\\\\\\\\aaan1 11 ... ... i 1 ··· a1n ... . ..
··· ain . .. . ..
··· ann\\\\\\\\\\\\\\\ +
\\\\\\\\\\\\\\\aabn1 11 i1 ... ... ··· a1n . .. . ..
··· bin . .. . ..
··· ann\\\\\\\\\\\\\\\
(2.2)
Demostración: Nuevamente procedemos por inducción en n. Al igual que antes, para n = 1 el
resultado es trivial. Supongamos ahora el resultado cierto para el orden n − 1 y probémoslo para n.
Denotaremos por C a la matriz del primer miembro de la igualdad en (2.2) y por A y B a las de la derecha,
respectivamente. Queremos probar que |C| = |A| + |B|.
Por definición,
|C| = a11|C11| + ··· + (−1)i+1(ai1 + bi1)|Ci1| + ··· + (−1)n+1an1|Cn1|
observemos ahora que cada matriz Cj1 con j = i es de orden n − 1 y mantiene la

misma estructura que C,
por tanto podemos usar la hipótesis de inducción y asegurar que |Cj1| = |Aj1| + |Bj1|, si j = i. As ı pues,
́
|C| = a11(|A11| + |B11|) + ··· + (−1)i+1(ai1 + bi1)|Ci1|
+ ··· + (−1)n+1an1(|An1| + |Bn1|)
Finalmente, basta observar que Ci1 = Ai1 = Bi1 (pues todas las matrices tienen las
mismas filas excepto la
i-ésima) y aplicar la definición de determinante para obtener lo deseado.
Proposición 2.11
Si B es la matriz obtenida al multiplicar los elementos de una fila de la matriz A por un escalar λ ∈ K,
entonces |B| = λ|A|.
Demostración: Nuevamente el resultado es trivial para n = 1. Para probar el caso n, supuesto que se
satisface el caso n − 1, vemos que si
A=
\\\\\\\\\\\\\\\a11 ··· a1n ... . .. . .. a
i1 · ·· ain ... . .. . .. a
n1 ··· ann\\\\\\\\\\\\\\\
\\\\\\\\\\\\\\\ \a11 ... λai1 ... an1 ··· ... ··· ... ··· a1n ... λain ... ann entonces B =
\\\\\\\\\\\\\\
Por tanto,
|B| = a11|B11| + ··· + (−1)i+1λai1|Bi1| + ··· + (−1)n+1an1|Bn1|
Como en la demostración anterior, cada matriz Bj1, con j = i, tiene orden n

− 1 y la misma estructura que
B. Por hipótesis de inducción, |Bj1| = λ|Aj1|.
Por otra parte, está claro que Bi1 = Ai1, as ı pues, sustituyendo en la ecuación anterior
́
|B| = a11λ|A11| + ··· + (−1)i+1λai1|Ai1| + ··· + (−1)n+1an1λ|An1| = λ|A|
Proposición 2.12
Si B es la matriz que se obtiene de A intercambiando dos de sus filas, entonces |B| = −|A|.
Demostración: Como antes, procederemos por inducción en el orden de la matriz. Comenzamos
probando el caso n = 2 (pues el caso n = 1 no adquiere significado en esta situación). Es claro que
\\\\\aa11 21 a12
a22\\\\\ =
a11a22 − a12a21 = −(a21a12 − a11a22) = −
\\\\\aa21 11 a2 2 a1 2\\\\\
Para probar el caso n, supuesto que se verifica el caso n − 1, empezaremos probando que el resultado es
cierto si intercambiamos dos filas consecutivas.
Sea A = (aij) y sea B la matriz obtenida al intercambiar dos filas consecutivas,
i − 1 e i. Entonces:
B = \\\\\\\\\\\\\\\\\ a
11 \ ... a
i1 a
i−1,1 . .. a
n1 ··· a1n . .. . ..
··· ain ··· ai−1,n . .. . ..
··· ann
\\\\\\\\\\\\\\\\ ←−Fila ←− i − 1

Fila i
Usando la definición de determinante,
|B| = a11|B11|+···+(−1)iai1|Bi−1,1|+(−1)i+1ai−1,1|Bi1|+···+(−1)n+1an1|Bn1| (2.3)
Ahora usamos la hipótesis de
inducción en cada matriz Bj1, j = i− 1,i. Puesto que

son matrices de orden n−1 obtenidas al intercambiar
dos filas consecutivas de las correspondientes matrices Aj1, entonces |Bj1| = −|Aj1|, si j = i − 1,i.
Por otro lado, es fácil darse cuenta que Bi−1,1 = Ai1 y que Bi1 = Ai−1,1. Finalmente,
sustituyendo en (2.3)
|B| = −a11|A11| + ··· + (−1)iai1|Ai1| + (−1)i+1ai−1,1|Ai−1,1|
+ ··· + (−1)n+1an1|An1| = −|A|

Para probar el caso general, es decir, cuando intercambiamos dos filas no necesariamente consecutivas,
es suficiente observar que el intercambio de la fila i con la fila j equivale a realizar 2k − 1 cambios
consecutivos, donde k = |i − j|. Por tanto, el signo se altera 2k − 1 veces, que al ser un número impar,
supone un cambio de signo en el valor del determinante.
Proposición 2.13
Si una matriz tiene dos filas iguales su determinante es nulo.
Demostración: La demostración es consecuencia inmediata de la proposición anterior, puesto que si
intercambiamos dos filas iguales, el determinante de la matriz debe cambiar de signo, aunque la matriz es
la misma, por lo que |A| = −|A| ⇒ |A| = 0.
El siguiente resultado es consecuencia de las proposiones anteriores y ju- gará un papel fundamental en
el cálculo de determinantes.
Proposición 2.14
Si B es la matriz obtenida de A al sumar a una fila de A, un múltiplo de otra fila de la matriz, entonces |B|
= |A|.
Demostración: En efecto, si B es de la forma especificada en el enunciado:
|B| = \\\\\\\\\\\\\\\\\\\\\ a
11 ··· ... . .. a
j1 ··· ... . .. a
i1 + λaj1 ··· ... . .. a
n1 ··· ain aaa+ nn 1n jn . .. . ..
... λajn \ \\\\\\\\\\\\\\\\\\\\
podemos hacer uso de las Proposiciones 2.10 y 2.11 para descomponer el determinante del siguiente
modo:
|B| =
\\\\\\\\\\\\\\\\\\\\\a11 ··· a1n ... . .. . .. a
j1 ··· ajn ... . .. . .. a
i1 ··· ain ... . .. . .. a
n1 ··· ann\\\\\\\\\\\\\\\\\\\\\
\\\\\\\\\\\\\\\\\\\\\a11 ··· a1n ... . .. . .. a
j1 ··· ajn +
λ
... . .. . .. a

j1 ··· ajn ... . .. . .. a
n1 ··· ann\\\\\\\\\\\\\\\\\\\\\
y este último determinante es nulo puesto que tiene dos filas iguales.
Nótese que la transformación efectuada en esta proposición es una de las transformaciones t ́ıpicas que
se llevan a cabo en el método de Gauss, y que no altera el valor del determinante.
El resultado que sigue a continuación nos da un caracterización inmediata de las matrices regulares, esto
es, las que poseen inversa.
Proposición 2.15
A es una matriz regular si y sólo si |A| = 0.
Demostración:
Observemos en primer lugar que las Proposiciones 2.11, 2.12 y 2.14 afirman que los determinantes de
las matrices elementales son |Eij| = −1, |Ei(λ)| = λ y
|Eij(λ)| = 1, pues tales matrices han sido obtenidas de
la identidad mediante las

operaciones se ̃naladas en los resultados mencionados, y es fácil ver que el
determinante de la matriz identidad (de cualquier orden) es 1. Por tanto, se deduce que
det(EA) = det(E) det(A) para cualquier matriz elemental E y cualquier matriz A. Luego
det(E1 ···EkA) = det(E1)···det(Ek) det(A)
para cualesquiera matrices elementales E1, ..., Ek. Como por el Teorema 2.2, A
es regular si y sólo si es
producto de matrices elementales, es decir, A = E 1 ···E k, se tendrá que
det(A) = det(E 1 ···E k) = det(E 1)···det(E k) = 0
Proposición 2.16
Si A, B ∈ Mn(K) entonces det(AB) = det(A) det(B).
Demostración: Si det(A) = 0 ó det(B) = 0 entonces Aó B es singular, y por tanto también lo es AB (véase
Proposición 2.6), luego det(AB) = 0 (por la Proposición 2.15).
Si det(A) y det(B) no son nulos, ambas son matrices invertibles y por tanto serán producto de matrices
elementales. La demostración de la Proposición 2.15 nos da el resultado.
Proposición 2.17
det(A) = det(AT)
El resultado se puede demostrar por inducción y se deja al lector (ejercicio 27).
Nota 2.3
Como consecuencia de este último resultado, las proposiciones 2.9–2.14, que enuncian propiedades por
filas, pueden ser también enunciadas por columnas.
Finalmente, usando la nota 2.3 y la proposición 2.12 se tiene el siguiente resultado:
Teorema 2.3 (Desarrollo por filas o columnas)
Si A = (aij) entonces
|A| =
i+j
∑n(−1) aij|Aij| j=1y también
|A| =
i+j
∑ni=1(−1) aij|Aij|
En definitiva, podemos desarrollar el determinante mediante los adjuntos de cualquier fila o columna.
En el siguiente ejemplo veremos como aplicar algunas de las propiedades anteriores para obtener el
valor de los determinantes.
Ejemplo 2.13
Calcular el valor de los siguientes determinantes:
(i)
\\\\\\\\
\\\\\\\\\\ 1
5 9 13 3 15 1 2 6 10 14 5 25 0 3 7 11 15 1
\
5 7 \\\\\\\
\
4 8 12 16 \\\\\\\\\
(i) Observemos que
\\\\\\\\
\\\\\\\\ 2
(ii)
\
7 11 4 5 13 1 2 4 \\\\\\\
(iii)
\
3 15 1 5 25 0 1 5 7 \\\\\\\
\= 5 ·
\
\\\\\\\3 3 1 5 5 0 1 1 7 \\\\\\\
= 5 · 0=0
donde hemos aplicado la Proposición 2.11 a la segunda fila y luego la Proposición 2.13 a las filas uno y
dos. En consecuencia, es inmediato observar que si una matriz tiene una fila (o columna) múltiplo de otra,
entonces su determinante es cero.
(ii) Si aplicamos la Proposición 2.14 a las filas dos y tres,
\
\\\\\\\\ 2
7 11 4 5 13 1 2 4 \\\\\\\
\
\\\\\\\\2 7 4 4 5 8 1 2 2 \\\\\\\
vemos que el determinante resultante tiene las filas una y dos proporcio- nales, luego por el comentario
anterior el determinante es nulo.
(iii) Aplicando la Proposición 2.14 obtenemos un determinante con dos colum-
nas iguales,
\\\\\\\\\\
\
F3
21
= −F 5 9 13 2 6 10 14 3 7 11 15 12 164 8 \\\\\\\\\
\\\\\\\\\\ 1 1 3 CC2−C4−C=
\
135 9 1 7 1 11 13 1 15 1 1 1 1 \\\\\\\\\
=0
En todos los casos anteriores hemos llegado a determinantes que tienen dos filas o columnas idénticas,
lo que hace que el valor del determinante sea nulo. Obviamente, eso no va a ocurrir en general, pero en
ocasiones merece la pena perder un poco de tiempo realizando operaciones sencillas en el determinante
para ver si es posible obtener este hecho. Cuando esto no ocurre, la mejor forma de calcular un
determinante es seguir los pasos que comentamos en el siguiente ejemplo.
Ejemplo 2.14
Calcular el valor del determinante:
\
\\\\\\\\\\−1 −3 2 2 4 1 1 1 3 0 −1 1 −2 5 3 1 \\\\\\\\\
En lugar de proceder directamente desarrollando por una fila o columna haremos uso de los resultados
anteriores (esencialmente la Proposición 2.14) a fin de lograr el mayor número de ceros en una misma fila
o columna, de manera que al usar el Teorema 2.3, tengamos un número elevado de sumandos que
quedarán multiplicados por cero. As ́ı pues, trataremos de hacer ceros en la tercera columna (pues ya
hay uno y los cálculos son más sencillos):
\
\\\\\\\\\\−1 −3 2 2 4 1 1 1 3 0 −1 1 −2 5 3 1 \\\\\\\\\
\
\\\\\\\\\\−7 −3 4 2 1 1 2 1 0 0 0 1 −5 5 4 1 \\\\\\\\\
desarrollando por la tercera columna
\ \
= − \\\\\\\−7 −3 4 1 1 2 5 5 4 \\\\\\\
\
= 4 \\\\\\\\−7 18 4 1 0 0 10 145 \\\\\\\
F3+F4 F1−3F
\
\\\\\ 4
18 10 14 \\\\ = 2 · 2F2−F1 F 3−2F=
1 =
\
\\\\2 9 5
\
7 \\\\ =
−124.
2.6 Rango de una matriz 69
Nota 2.4
Es muy importante observar que en todas las transformaciones que hemos realizado en el ejemplo
anterior, la fila o columna que transformamos no se multiplica por ningún número, pues de hacerlo, el
determinante quedar ́ıa multiplicado por dicho número.
En las dos siguientes secciones usaremos el cálculo de determinantes para obtener el rango de una
matriz y su matriz inversa.
2 6 RANGO DE UNA MATRIZ
Una de las principales aplicaciones de los determinantes reside en el cálculo de rangos,8 que será de
mucha utilidad a lo largo de todo este texto. Es por ello que el método que vamos a ver en esta sección adquiere
especial importancia.
Definición 2.15
Se denomina menor de orden k de una matriz A ∈ Mm×n(K) al determinante

de una submatriz cuadrada
de A de orden k.
Definición 2.16
Se llama rango de una matriz A ∈ Mm×n(K) al mayor orden de entre todos los
menores de A no nulos.
Es decir, si rango(A) = r, toda submatriz cuadrada de A de orden mayor que r tiene determinante nulo, y
al menos existe una submatriz cuadrada de orden r con determinante no nulo. Nótese que es inmediato que si A
∈ Mm×n(K) entonces rango(A) ≤ m ́ın{m, n}
Teorema 2.4
El rango de una matriz no se altera si:
(i) Intercambiamos entre s ́ı dos filas (o dos columnas).
8
Definido por primera vez por el matemático alemán Ferdinand Georg Frobenius en 1878.
(ii) Trasponemos una fila con una columna (esto es, intercambiar la fila i con
la columna i).
(iii) Multiplicamos los elementos de una fila (o columna) por un escalar distinto
de cero.
(iv) Sumamos a una fila (o columna) los elementos de otra fila (o columna)
multiplicados por un escalar.
La demostración de este resultado se deduce directamente de las propiedades de los determinantes.
Cálculo del rango de una matriz: método del orlado.
La definición de rango nos indica una forma de proceder con su cálculo: encontrar el mayor orden de entre
todos los menores no nulos. Para ello, podr ́ıamos considerar todos los menores de una matriz y calcular sus
determinantes, sin embargo, el siguiente método, conocido como método del orlado, nos proporciona un
procedimiento en el que no es necesario obtener todos los menores de la matriz.
En primer lugar denominaremos menor básico a cualquier menor distinto de cero. A las filas y columnas de A
que conforman ese menor se les denomina filas y columnas básicas.
Para calcular el rango de una matriz se procede como sigue:
(i) Se suprimen todas las filas o columnas completamente nulas. Si todas las
filas de una matriz son nulas entonces rango(A) = 0.
(ii) Tomamos una fila donde exista un menor de orden uno no nulo. La fila y
columna correspondientes a ese menor se consideran como básicas.9
(iii) Orlamos, esto es, a nadimos

̃ a la fila y columna básicas una nueva fila y una nueva columna, para formar un
menor de orden dos. Si este menor es nulo, orlamos con la misma fila y una nueva columna, hasta encontrar un
menor de orden dos distinto de cero. Si todos los menores de orden dos obtenidos al orlar con la misma fila y
todas las posibles columnas son nulos, podemos eliminar la fila en cuestión (puesto que no aporta rango a la
matriz), y proceder con la siguiente, repitiendo el mismo procedimiento.
Obviamente, si se considera cualquier otro menor de orden uno distinto de cero, las filas y
9
columnas básicas ser ́ıan otras. El
procedimiento que lleva a cabo el método del orlado no es único.
(iv) Una vez encontrado un menor de orden dos distinto de cero, consideramos como básicas las filas y
columnas que la componen y orlamos para encontrar un menor de orden tres no nulo, repitiendo el
procedimiento anterior.
(v) Si al orlar un menor de orden k con todas las filas y columnas disponibles no encontramos un menor
de orden k + 1 distinto de cero, entonces rango(A) = k.
Ejemplo 2.15
Calcular el rango de la matriz
A=
⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝0 0 0 0 1 1 0 −3 0 2 0 0 0 1 1 1 4 −5 0 1 −4 3 1

0 1 ⎢⎢⎢⎢⎢⎢⎢⎢⎢ 1
−1 1 1 1∈ M6×5(R)
Está claro que el rango máximo de esta matriz es 5, puesto que no es posible construir un menor de
orden 6. Puesto que la cuarta fila es completa de ceros, podemos eliminarla y proseguir sin ella. En la
matriz resultante buscamos un menor de orden uno distinto de cero; por ejemplo, el formado por la fila 1,
columna 2, que a partir de ahora, son consideradas básicas.
⎛⎢⎢⎢⎢⎢⎢⎢⎝0 0 0 1 1 −3 2 1 0 0 0 1 1 4 −5 1 −4 3 1

1 ⎢⎢⎢⎢⎢⎢⎢ 1
−1 1 1 1∈ M5×5(R)
Orlamos este menor hasta encontrar uno distinto de cero. Es fácil ver que orlando con la segunda fila y la
cuarta columna, el menor
\\\\\ 1
−3 1
\
4 \\\\ =
0
Las filas básicas son ahora {1,2}, y las columnas básicas {2,4}. A continuación orlamos con la tercera fila
y la quinta columna (es inmediato ver que, orlando
con la primera o la tercera columna no podemos conseguir un menor distinto de cero). El menor \\\\\\\\
\
1 −3 2 1 4 −5 −43 1 \\\\\\\ =
0
De este modo, orlando con la tercera fila no hay forma de obtener un menor distinto de cero, por lo que
podemos eliminar dicha fila.
Orlamos con la cuarta fila y la columna primera; el menor
\
\\\\\\\\0 0 1 1 −3 1 1 4 1 \\\\\\\
=0
Luego las filas básicas son ahora {1,2,4} y las columnas básicas {1,2,4}.
Orlamos con la quinta fila y la tercera columna,
\
\\\\\\\\\\0 0 1 1 1 −3 1 −1 0 0 1 1 1 4 1 1 \\\\\\\\\
=0
Por tanto podemos eliminar la columna tercera. Finalmente, orlando con la quinta columna: \\\\\\\\\\0 0 1 1
\
1 −3 1 −1 1 4 1 1 3 1 1 1 \\\\\\\\\
=0
Puesto que no quedan más filas por orlar, el rango(A) = 4.
Es importante resaltar que, en todo el procedimiento, una vez que consegui- mos un menor básico de un
cierto orden, no lo perdemos, es decir, a la hora de buscar menores básicos de orden superior usamos
siempre el menor que ya tenemos completándolo con más filas y columnas, esto es, orlándolo.
Cálculo del rango mediante el método de Gauss
Existe una alternativa para el cálculo del rango de una matriz usando el método de Gauss descrito en la
sección 2.3. Dado que las operaciones involu-
cradas en el método de Gauss no modifican el rango (como consecuencia de las propiedades de los
determinantes), para realizar este cálculo procedemos a triangular la matriz del mismo modo que
hacemos con un sistema, es decir, haciendo nulos todos los elementos que quedan por debajo de la
diagonal principal. El rango de la matriz resultará igual al número de filas no nulas que resulten tras la
triangulación.
Ejemplo 2.16
Calcular el rango de la matriz
A=

⎛ ⎢⎢⎢⎢⎢⎢⎢⎝1 2 3 4 6 7 8 9 11 12 13 14 16
17 18 19
⎢⎢⎢⎢⎢⎢⎢ 5
10 15 20∈ M5×4(R)
Triangulamos mediante el método de Gauss, haciendo ceros en la primera columna por debajo de la
primera fila, y luego haciendo ceros en la segunda columna, por debajo de la segunda fila

⎛ ⎢⎢⎢⎢⎢⎢⎢⎝1 2 3 4 6 11 7 12 8 13 9 14 16
17 18 19

10 15 20⎛ ⎢⎢⎢⎢⎢⎢⎢⎝1 0 0 0 6 −5 −10 −15 F 2−2F1
⎢⎢⎢⎢⎢⎢⎢ 5
4−4F1 11
F3−3F1 F −10 −−−−−→ F 5−5F1 −20
−30 −15 −30 −45 16
⎢⎢⎢⎢⎢⎢⎢ 0
−20 −40 −60F3−2F2 F4−3F2 −−−−−→ F 5−4F2 ⎛⎢⎢⎢⎢⎢⎢⎢⎝1 6 0 −5 0 0 0 0 11 −10 0 0 −15 16

0 0 ⎢⎢⎢⎢⎢⎢⎢ 0
0 0 0Dado que la matriz obtenida es triangular y que el número de filas no nulas es dos, el
rango de la matriz A es 2.
2 7 APLICACION ́DE LOS DETERMINANTES AL CALCULO ́DE LA INVERSA

Finalmente, veamos cómo se usan los determinantes para calcular la inversa de una matriz.
Definición 2.17
Dada una matriz cuadrada A, se denomina adjunta de una matriz (o matriz de cofactores) de A a la matriz
adj(A) ∈ Mn(K) dada por
(adjA)ij = (−1)i+j|Aij|
Es decir, la adjunta de una matriz es una nueva matriz en la que cada elemento ij es igual al determinante
de la matriz adjunta de ese elemento, multiplicada por (−1)i+j, es decir, con un determinado signo, que
dependerá de la “posición” de ese elemento. A partir de la matriz de cofactores se obtiene la inversa de
una matriz, según muestra el siguiente resultado.
Teorema 2.5 (Inversa de una matriz)
Sea A ∈ Mn(K) una matriz invertible. Entonces
1
A−1 =
adj(A)T
detA
Demostración: Denotemos por cij = (adj(A))ij. Entonces,

Aadj(A)T =
Üa11 ··· a1n . .. . .. . .. a

n1 ··· annêÜc11 ··· cn1 . .. . .. . .. c 1n ··· cnnê
=
⎛⎢⎢⎢⎢⎢ ⎢⎢⎢⎢⎢k
(Aadj(A)T)jj =
T
∑najkcjk si j = i k=1(Aadj(A) )ij =
∑nk=1aikcjk si j = i
2.7 Aplicaci ́ on de los determinantes al c ́ alculo de la inversa 75
Ahora bien, por la definición de la adjunta y el Teorema 2.3
(Aadj(A)T)jj =
∑nk=1ajkcjk =
j+k
∑n(−1) ajk|Ajk| = |A| (2.4) k=1Por otra parte, si B es la matriz siguiente, en la que las filas i y j son iguales,
B=
⎛⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎝a11 ··· a1n ... . .. . .. a
i1 ··· ain ←−Fila i
... . .. . .. a
i1 ··· ain ←−Fila j
n1 ··· ann ⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

... . .. . .. a
y desarrollamos su determinante por la fila j, entonces
|B| =
∑nk=1aikcjk = 0 (2.5)
pues B tiene dos filas iguales. De (2.4) y (2.5) se sigue el resultado.
Nota 2.5
Obsérvese que el resultado anterior solo tiene sentido si |A| = 0, que es, precisamente, la condición de no
singularidad obtenida en la Proposición 2.15.
Ejemplo 2.17
Calcular la inversa de la matriz
A=
Ü
ê
1 2 0 −1 1 2 0 1 3En primer lugar calculamos |A| = 7. Puesto que éste no es cero, procedemos a
calcular la matriz adjunta,adj(A) =
Ü
ê
1 3 −1 −6 3 −1 4 −3 3y finalmente,
1
A−1 = 7
Ü
ê
1 −6 4 3 3 −3 −1 −1 32 8 CALCULO ́CON PYTHON
En este tema hemos introducido las matrices, con las que vamos a realizar multitud de cálculos a lo largo
de todo el texto, y en esta sección nos centraremos en mostrar cómo se pueden llevar a cabo con
Python. No obstante, insistimos encarecidamente en la importancia que tiene saber hacer realizar todas
estas operaciones “a mano”, sin necesidad de usar el ordenador.
En el apéndice B introdujimos los módulos NumPy y SymPy, gracias a los cuales es posible trabajar
fácilmente con matrices:
>>> from numpy import matrix 2 >>> a=matrix(’1. 2 ; 3 4’) 3 >>> a 4 matrix([[ 1., 2.], 5 [
1
3., 4.]])
Las operaciones más comunes se realizan de forma natural: por ejemplo:
(
3 1 3 2
\
4
=
(3 6
\ (
9 12 1 3 2
\
4
+
2
(3 1
\
4
=
(4 4
\
4 8(1 3 2
\(
3 41 2
\
4
=
( 5 10
\ (
13 22 1 3 2
\
4 2
=
( 7 10
\
15 22se pueden realizar con el siguiente código:

6 >>> b=matrix(’3. 2; 1 4’)

7 >>> 3*a 8 matrix([[ 3., 6.], 9 [ 9., 12.]]) 10 >>> a+b 11 matrix([[ 4., 4.], 12 [ 4., 8.]]) 13
>>> a*b 1 4 matrix([[ 5., 10.], 15 [ 13., 22.]]) 16 >>> a**2 17 matrix([[ 7., 10.], 18 [ 15.,
22.]])
También tenemos atributos sencillos con los que construir la matriz traspuesta y la inversa:
>>> a.T 20 matrix([[ 1., 3.], 21 [ 2., 4.]]) 22 >>> a.I 23 matrix([[-2. , 1. ], 24 [ 1.5,
19
-0.5]])
es decir, (1 3
2
\
4 T
=
(1 3
\ (
2 4 1 3 2
\
4 −1
=
(−2 1
1 \
2
32 − Recordemos que el módulo NumPy trabaja con números reales, por lo que en determinados
momentos nos encontraremos con resultados como estos:
>>> c=matrix(’1 1; 4 1’) 26 >>> c.I 27 matrix([[-0.33333333, 0.33333333], 28 [ 1.33333333,
25
-0.33333333]])
Si queremos cálculos exactos, debemos usar el módulo SymPy:
>>> from sympy import Matrix 30 >>> C=Matrix(c) 31 >>> C.inv() 32 [-1/3, 1/3] 33 [ 4/3,
29
-1/3]
Nótese que la función para definir matrices en SymPy no es la misma que en NumPy (Python es sensible
a las mayúsculas). En la l ́ınea 30, usamos la función Matrix para convertir una matriz de NumPy en
una de SymPy. El cálculo de la matriz inversa ahora no es posible con el atributo I, pues no está definido
para objetos de SymPy. Es por eso que debemos usar el método inv() ( l ́ınea 31).

Algebra Lineal - 1ra Edicion 2013 - Ernesto Aranda PDF

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal - 1ra Edicion 2013 - Ernesto Aranda PDF

Cargado por

Información del documento

Título 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

Algebra Lineal - 1ra Edicion 2013 - Ernesto Aranda PDF

Cargado por

Copyright:

Formatos disponibles

́ Algebra lineal con

́ Algebra lineal con aplicaciones y Python

T ́ıtulo: ́Algebra lineal con aplicaciones y Python Primera Edición, 2013

cb ​Ernesto Aranda Ortega, 2013

Composición realizada con L​A​T​E​X

Este libro está disponible en descarga gratuita en la dirección

“Aprender matemáticas es un proceso de aprender a hacer algo, no de adquirir

J.M. Sanz-Serna Diez lecciones de Cálculo Numérico​1

Ciudad Real, 28 de enero de 2013. El autor.

1 ​Números complejos ​............................................. 11

1.2 ​Representación gráfica: módulo y argumento ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.3 ​Forma trigonométrica y forma polar ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.4 ​Potencia y ra ́ız n-ésima de un número complejo . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.5 ​Cálculo con Python ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.6 ​Una breve incursión en el mundo fractal ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2 ​Matrices y determinantes ​...................................... 35

2.2 ​Inversa de una matriz ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.3 ​Sistemas de ecuaciones lineales ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

2.4 ​Cálculo de la inversa mediante operaciones elementales​. . . . . . . . . . . . . . . . . . . 54

2.5 ​Determinante de una matriz ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

2.6 ​Rango de una matriz ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

2.7 ​Aplicación de los determinantes al cálculo de la inversa ​. . . . . . . . . . . . . . . . . . . 74

2.8 ​Cálculo con Python ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

2.9 ​Breve introducción a la Teor ́ıa de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

8 ​ ́ Indice general ​8 ​ ́ Indice general ​8 ​ ́ Indice general

3 ​Sistemas de ecuaciones lineales ​.............................. 91

4 ​Espacios vectoriales ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

6.4 ​Cálculo con Python ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270 6.5 ​Aplicación:

7 ​Ecuaciones lineales en diferencias ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . 285

8 ​Espacio vectorial eucl ́ıdeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

9 ​Espacio af ́ın ...................................................... 349

A ​Conceptos generales ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375

A.3 ​Estructuras algebraicas ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379 A.4 ​Principio de

B ​Introducción a Python ​......................................... 383

C ​Soluciones a los ejercicios de repaso ​........................ 399

́ Indice terminológico ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413

́ Indice de autores ​. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 418

Operaciones con números complejos

(α​1 ​+ iβ​1​) ± (α​2 ​+ iβ​2​)=(α​1 ​± α​2​) + i(β​1 ​± β​2​)

(α​1 ​+ iβ​1​)(α​2 ​+ iβ​2​) = α​1​α​2 ​+ iα​1​β​2 ​+ iα​2β

Nótese cómo se ha usado que i​2 ​= −1.

Realicemos algunas operaciones básicas:

(2 + 3i) + (5 − 2i)=7 − i (1 + i) − (2 + 5i) = −1 − 4i (3 + 2i) + (5 − 2i)=8 (1+ i) − (1 + 2i) = −i (2 +

Para efectuar la división de números enteros necesitamos la siguiente defini- ción:

Si z = α + iβ ∈ C, se define el conjugado de z, y se denotará por z, como el número complejo z = α − iβ.

(vi) z​1​z​2 ​= z​1 ​· z​2

Figura 1.1: Representación gráfica de un número complejo

Las principales propiedades del módulo se resumen en el siguiente resultado:

(i) |z| = |z| = | − z|, ∀z ∈ C.

(ii) |z​1​z​2​| = |z​1​||z​2​|, ∀z​1​,z​2 ​∈ C.

(iii) Re(z) ≤ |Re(z)|≤|z|.

(iv) Im(z) ≤ |Im(z)|≤|z|.

(v) Desigualdad triangular: |z​1 ​+ z​2​|≤|z​1|​ + |z​2​|, ∀z​1​,z​2 ​∈ C.

(vi) |z​1 ​− z​2​| ≥ ||z​1​|−|z​2​||, ∀z​1​,z​2 ​∈ C.

Para la demostración véanse los ejercicios ​20 ​y ​21​.

Re(z) = |z|cosθ, Im(z) = |z|senθ (1.1)

Dado un número complejo z = α + iβ = 0 se define el argumento de z, y se notará por arg(z), al conjunto

arg(z) = {θ ∈ R : α = |z|cos θ, β = |z|senθ}

El argumento de 0 no está definido.

cb Ernesto Aranda Ortega, 2013

Composición realizada con LATEX

J.M. Sanz-Serna Diez lecciones de Cálculo Numérico1

1 Números complejos ............................................. 11

1.2 Representación gráfica: módulo y argumento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.3 Forma trigonométrica y forma polar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.4 Potencia y ra ́ız n-ésima de un número complejo . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.5 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.6 Una breve incursión en el mundo fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2 Matrices y determinantes ...................................... 35

2.2 Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.3 Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

2.4 Cálculo de la inversa mediante operaciones elementales. . . . . . . . . . . . . . . . . . . 54

2.5 Determinante de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

2.6 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

2.7 Aplicación de los determinantes al cálculo de la inversa . . . . . . . . . . . . . . . . . . . 74

2.8 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

2.9 Breve introducción a la Teor ́ıa de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

8 ́ Indice general 8 ́ Indice general 8 ́ Indice general

3 Sistemas de ecuaciones lineales .............................. 91

4 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

6.4 Cálculo con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270 6.5 Aplicación:

7 Ecuaciones lineales en diferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285

8 Espacio vectorial eucl ́ıdeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

9 Espacio af ́ın ...................................................... 349

A Conceptos generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375

A.3 Estructuras algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379 A.4 Principio de

B Introducción a Python ......................................... 383

C Soluciones a los ejercicios de repaso ........................ 399

́ Indice terminológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413

́ Indice de autores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 418

(α1 + iβ1) ± (α2 + iβ2)=(α1 ± α2) + i(β1 ± β2)

(α1 + iβ1)(α2 + iβ2) = α1α2 + iα1β2 + iα2β

Nótese cómo se ha usado que i2 = −1.

(vi) z1z2 = z1 · z2

(ii) |z1z2| = |z1||z2|, ∀z1,z2 ∈ C.

(v) Desigualdad triangular: |z1 + z2|≤|z1| + |z2|, ∀z1,z2 ∈ C.

(vi) |z1 − z2| ≥ ||z1|−|z2||, ∀z1,z2 ∈ C.

Para la demostración véanse los ejercicios 20 y 21.

Figura 1.2: Representación de números complejos del ejemplo 1.3

1 4 POTENCIA Y RA ́IZ N-ESIMA ́DE UN NUMERO ́COMPLEJO

z8 =1= ei2kπ ⇒ z = ei 2kπ8 , k = 0,...,7

(a) z5 = 1 (b) z8 = 1

Las ra ́ıces aparecen representadas en la figura 1.3b.

(−1 − i)10 = 32e−i 15π2 = 32i, (1 − i)10 =

Teorema 1.1 (Teorema fundamental del ́Algebra)

reales (es decir, ai ∈ R, ∀i). En tal caso, el polinomio tendrá

1 5 C ́ALCULO CON PYTHON

simplify(_) 11 3/5 - I/5

>>> from sympy import arg,abs,conjugate,sqrt,I 2 >>> a=sqrt(3)+I 3 >>>

conjugate(a) 4 3**(1/2) - I 5 >>> abs(a) 6 2 7 >>> arg(a) 8 pi/6

a=sqrt(2)+I 4 >>> conjugate(a) 5 1.73205080756888 - I

>>> from sympy import arg,abs,sqrt,I 2 >>> a=sqrt(2)+I 3 >>> abs(a) 4

3(1/2) 5 >>> arg(a) 6 atan(2(1/2)/2)

7>>> arg(a).evalf() 8 0.615479708670387

b=a.expand(complex=True) 5 >>> b 6 I*sin(x) + cos(x) 7 >>> c=a**3 8 >>>

>>> from sympy import I 6 >>> a=solve(x**4-I,x) 7 >>> a 8

[-sin(pi/8) + Icos(pi/8), 9 -Icos(pi/8) + sin(pi/8), 10

>>> for b in a: 1 3 ... b.evalf() 14 ... 15 -0.38268343236509 +

0.923879532511287I 16 0.38268343236509 - 0.923879532511287I 17

1 6 UNA BREVE INCURSI ́ON EN EL MUNDO FRACTAL

1 6 1 Generación del conjunto de Mandelbrot con Python

, −1] × [0, 1 ]

Al finalizar el doble bucle (l ́ıneas 17–2

E.2 Obtener el conjugado de los siguientes números complejos:

Å1 + cosx + isenx

E.14 Determinar los números complejos que satisfacen:

que satisfacen las ecuacio- nes:

E.19 Demostrar la Proposición 1.1. E.20 Probar (i)–(iv) de la Proposición 1.2. * E

2 1 MATRICES: PRIMERAS DEFINICIONES

conjunto de n-uplas (α1,...,αn), donde cada αi ∈ K.

ai1,ai2,...ain forman la fila i-ésima, que denotaremos por

Una matriz A ∈ M1×n(K) se dirá matriz fila y si A ∈ Mm×1(K) se dirá

Una matriz cuadrada se dice simétrica si aij = aji, ∀i, j. Se

(i) la suma de A y B como la matriz A + B ∈ Mm×n(K) donde (A + B)ij =

(ii) el producto por escalar de α ∈ K y A como la matriz αA ∈ Mm×n(K)

dada por (αA)ij = αaij.

Si α, β ∈ K y A, B ∈ Mm×n(K) se verifican las siguientes propiedades:

Dadas dos matrices A ∈ Mm×n(K) y B ∈ Mn×p(K), con A = (aik) y B

como la matriz AB ∈ Mm×p(K) cuyos