(UTN Frre) Algebra y Geometria Analitica

UTN- FRRe- Álgebra y Geometría Analítica
MATRICES
Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de

ecuaciones lineales y de diversos problemas relacionados con la ingeniería.
Además de su utilidad para el estudio de sistemas de ecuaciones lineales, las
matrices aparecen de forma natural en geometría, estadística, economía,
informática, física, etc...
La utilización de matrices constituye actualmente una parte esencial de los
lenguajes de programación, ya que la mayoría de los datos se introducen en los
ordenadores como tablas organizadas en filas y columnas: hojas de cálculo, bases
de datos, etc.
CONCEPTO DE MATRIZ
Cuando necesitamos presentar alguna información que requiera el uso de tablas o

cuadros de números necesitaremos una nueva herramienta matemática: Las
matrices.
Una matriz de clase “mxn” es un conjunto de “m.n” números reales ordenados en

“m” renglones (o filas) y “n” columnas.
El orden o clase de una matriz también se denomina dimensión o tamaño,

siendo “m” y “ “n números naturales.
Las matrices se denotan con letras mayúsculas: A, B, C, y los elementos de las

mismas con letras minúsculas y subíndices que indican el lugar ocupado: a, b, c,
Un elemento genérico que ocupe la fila “i” y la columna “j” se escribe aij
Si el elemento genérico aparece entre paréntesis representa a toda la matriz:
A = (aij)
[Escriba aquí]
Cuando nos referimos indistintamente a filas o columnas hablamos de líneas.

El número total de elementos de una matriz Am×n es m·n
MATRICES IGUALES
Dos matrices A = (aij)m×n y B = (bij)p×q son iguales, sí y solo si, tienen en los
mismo lugares elementos iguales, es decir :
ALGUNOS TIPOS DE MATRICES
Hay algunas matrices que aparecen frecuentemente y que según su forma y sus
elementos reciben nombres diferentes:
Tipo de matriz Definición Ejemplo

Aquella matriz que tiene
FILA una sola fila, siendo su
orden 1×n
COLUMNA una sola columna,
siendo su orden m×1
distinto número de filas
RECTANGULAR que de columnas, siendo
su orden m×n ,
Dada una matriz A, se
llama traspuesta de A a
la matriz que se obtiene
cambiando
TRASPUESTA
ordenadamente las filas
por las columnas.
Se representa
por At ó AT
La matriz opuesta de
una dada es la que
resulta de sustituir cada
OPUESTA
elemento por su
opuesto. La opuesta
de A es - A.
[Escriba aquí]
Si todos sus elementos

son cero. También se
NULA
denomina matriz cero y
se denota por 0m×n ó N

igual número de filas que
de columnas, m = n, Diagonal principal
diciéndose que la matriz
es de orden n.
Diagonal principal: son
CUADRADA los elementos a11 , a22 ,
..., ann :
Diagonal Diagonal secundaria
secundaria: son los
elementos aij con i+j =
n+1
:
Es una matriz cuadrada
que es igual a su
SIMÉTRICA
traspuesta.
A = At , aij = aji
que es igual a la opuesta 0 −2 4
ANTISIMÉTRICA de su traspuesta. A= ( 2 0 −6)
A = -At , aij = -aji −4 6 0
Necesariamente aij = 0
que tiene todos sus
elementos nulos excepto
los de la diagonal
principal.
DIAGONAL
Si A es cuadrada y
además aij =0 siempre
que i sea distinto a j, A
se llama matriz diagonal.

que tiene todos sus
ESCALAR elementos nulos excepto
los de la diagonal
principal que son iguales
[Escriba aquí]
Si A es diagonal y
además  i : aii =k,
siendo k un número real
distinto a cero, A se
llama matriz escalar.
que tiene todos sus
elementos nulos excepto
IDENTIDAD los de la diagonal
principal que son iguales
a 1. También se
denomina matriz unidad.
7 −2 4
TRIANGULAR Es una matriz cuadrada (0 8 −6)
SUPERIOR tal que aij =0  i > j 0 0 1
7 0 0
TRIANGULAR Es una matriz cuadrada (5 8 0)
INFERIOR tal que aij =0  i < j 6 8 1
OPERACIONES CON MATRICES
SUMA DE MATRICES
La suma de dos matrices A = (aij)m×n y B = (bij)p×q de la misma dimensión

(equidimensionales) : m = p y n = q es otra matriz C = A+B = (cij)m×n = (aij+bij)
[Escriba aquí]
Al conjunto de matrices de orden mxn la simbolizamos Mmxn
Al conjunto de matrices, cuyos elementos son números reales, simbolizaremos: Rmxn
PROPIEDADES: Sea Mmxn el conjunto de matrices de orden mxn
1) Ley de cierre:  A, B  Mmxn : A+B = S  Mmxn

2) Asociativa :  A, B, C  Mmxn : A+(B+C) = (A+B)+C
3) Conmutativa :  A, B  Mmxn : A+B = B+A
4) Elem. neutro :  Nm×n ( matriz nula) /  A  Mmxn : N+A = A+N = A
5) Elem. simétrico :  A  Mmxn  -A ( matriz opuesta -A ) / A + (-A) = (-A) + A
= N (matríz nula)
Actividad: Demostrar las propiedades. Puedes consultar el libro Álgebra Lineal

cuyo autor es Stanley Grossman (Solicítalo en la Biblioteca de la FRRe).
Debido a que se cumplen las cinco propiedades arriba enunciadas, podemos

afirmar que el conjunto de matrices Mmxn con la operación + constituye una
Estructura algebraica que se denomina : Grupo Abeliano.
Lo simbolizamos: ( Mmxn ; + ) es un Grupo Abeliano
Otra Propiedad: (A+B+C+…+M)T = AT + BT + CT + … + MT
[Escriba aquí]
PRODUCTO DE UN NÚMERO REAL POR UNA MATRIZ
Para multiplicar un escalar por una matriz se multiplica el escalar por todos los
elementos de la matriz, obteniéndose otra matriz del mismo orden. Sea λ un
escalar y A una matriz:
Esta operación es una ley de composición externa con las siguientes propiedades:
PRODUCTO DE MATRICES
Dadas dos matrices A = (aij)m×n y B = (bij)p×q donde n = p, es decir, el número

de columnas de la primera matriz A es igual al número de filas de la matriz B , se
define el producto A·B de la siguiente forma:
El elemento a que ocupa el lugar (i, j) en la matriz producto se obtiene sumando

los productos de cada elemento de la fila ”i” de la matriz A por el correspondiente
de la columna “j” de la matriz B.
Por ejemplo, multiplicar A de clase 1x3 por B de clase 3x1
y , A.B=(3.4+2.5+0.1) = ( 22 ) matriz de 1x1
[Escriba aquí]
Si multiplicamos A de clase 2x2 por B de clase 2x3, obtenemos una matriz de

clase 2x3.
Sean las matrices:
Es conveniente disponer las matrices así:
El producto B.A no es posible. ¿Porqué?

La multiplicación de matrices no es conmutativa.
Observamos que el producto de matrices está definido solamente cuando el

número de columnas de A es igual al número de filas de B.
Amxp . Bpxq
Multiplicamos estas dos matrices:
𝑏11 𝑏12 … 𝑏1𝑗 … 𝑏1𝑞

𝑏21 𝑏22 … 𝑏2𝑗 … 𝑏2𝑞
. . ...
Amxp . Bpxq . . ……
. . .
(𝑏 𝑝1 𝑏𝑝2 𝑏𝑝𝑗 … 𝑏𝑝𝑞 )
𝑎11 𝑎12 … 𝑎1𝑝 𝑐11 𝑐12 … 𝑐1𝑗 … 𝑐1𝑞

𝑎21 𝑎22 … 𝑎2𝑝 𝑐21 𝑐22 𝑐2𝑗 … 𝑐2𝑞
. . ... . . ...
𝑎𝑖1 𝑎𝑖2 … 𝑎𝑖𝑝 𝑐𝑖1 𝑐𝑖2 𝑐𝑖𝑗 … 𝑐𝑖𝑞
. . . . . .
( 𝑎 𝑚1 𝑎𝑚2 … 𝑎𝑚𝑝 ) ( 𝑐 𝑚1 𝑐𝑚2 𝑐𝑚𝑗 … 𝑐𝑚𝑞 )
[Escriba aquí]
Actividad:
a) Escribe a que es igual los elementos c11 , c12 , c2j , cij de la matriz producto.
b) Exprésalos usando el símbolo de sumatoria . Consulta Algebra L. de Grossman
DEFINICIÓN DE PRODUCTO DE MATRICES:
El producto de dos matrices Amxp y Bpxq es igual a otra matriz Cmxq , donde :
p
cij =  aik bkj
k =1
i = 1,..., m
j = 1,..., q
PROPIEDADES:
1) En general el producto de matrices no es conmutativo.
Sean A, B y C matrices tales que sea posible el producto entre ellas:
2) A.(B+C)=A.B+A.C
3) A.(B.C)=(A.B).C
4) Si A.B= N (matriz nula) no implica que A o B sea la matriz nula.
Actividad:
Multiplicar:
5) Si A.B = A.C no implica que B=C
Actividad:
Verificar con las matrices hallando los productos A.B y A.C
6) Transpuesta de un producto
a) (k.A)T= k.AT
b) (A.B) T = B T. A T
[Escriba aquí]
POTENCIAS DE UNA MATRIZ:
Sea la matriz A ∈ Rnxn (conjunto de matrices cuadradas) y n un número entero

positivo, se define An como :
An = A.A.A…A (n factores).
Por ejemplo, A4 = A.A.A.A
Actividad: Escribe una matriz de 4x4 y calcula A2 , A3 , A4 . Puedes usar Geogebra
PARTICION DE MATRICES
En muchos casos es conveniente, antes de efectuar operaciones, subdividir las

matrices en matrices más pequeñas.
Por ejemplo, la matriz A, podemos separarlas en columnas
𝟐 𝟎 𝟏 𝟐 𝟎 𝟏
𝑨 = (−𝟔 𝟒 𝟓) subdividimos en 𝑨𝟏 = (−𝟔) 𝑨𝟐 = (𝟒) 𝑨𝟑 = (𝟓)
𝟕 𝟖 𝟗 𝟕 𝟖 𝟗
Entonces: A = (A1 A2 A3 )
Otro ejemplo:
− 2 4 3 0 5
5 1
9 0 4 - 2 4 3 0 5 
A= A11 =   A12 =  
8 2 −1 7 7  5 9 0 4 1 
 
3 0 1 8 4
8 2 - 1 7 7 
A21 =   A22 =  
3 0 1  8 4 
A A12 
A =  11
 A21 A22 
Página en la que se puede profundizar el tema:
[Escriba aquí]
https://aga.frba.utn.edu.ar/
http://www.abaco.com.ve/lineal/libroLineal2009_Capitulo_2.pdf
DEPENDENCIA LINEAL ENTRE FILAS (COLUMNAS) DE UNA MATRIZ
 Combinación lineal entre filas:
Si observamos la siguiente matríz, podemos ver que

Fila 3 = Fila 1 +Fila 2 = F1 + F2
 0 4 4 − 7
A = − 1 6 5 4 
− 1 10 9 − 3
• Combinación lineal entre columnas:
 0 4 − 4 − 7
A = − 1 6 − 7 4 
 9 1 8 − 5
En éste caso se observa que: Columna 3= columna 1 +(-1) columna 2 =
C1 + (-1).C2
Es decir que : Columna 3= C1-C2
COMBINACIÓN LINEAL DE FILAS (COLUMNAS
En forma genérica, podemos definir Combinación lineal de Filas:
La fila Fi es combinación lineal de las filas F1, F2, F3, …Fn si existen los escalares
k1, k2, k3, …kn distintos de cero, tal que:
Fi= k1.F1+k2.F2+k3.F3+…+kn.Fn
FILAS (C0LUMNAS) LINEALMENTE INDEPENDIENTES (LI)
Las filas F1, F2, F3, …Fn son Linealmente independientes (LI) si la igualdad:
k1.F1+k2.F2+k3.F3+…+kn.Fn = 0 (fila nula) se cumple únicamente cuando todos
los escalares k1, k2, k3, …kn son nulos.
[Escriba aquí]
FILAS (C0LUMNAS) LINEALMENTE DEPENDIENTES (LD)
Las filas F1, F2, F3, …Fn son Linealmente dependientes (LD) si existen los
escalares k1, k2, k3, …kn distintos de cero, tal que se cumpla:
k1.F1+k2.F2+k3.F3+…+kn.Fn = 0 (fila nula)
RANGO DE UNA MATRIZ
El rango de una matriz A es el número máximo de filas, o de columnas,

linealmente independientes de dicha matriz.
OPERACIONES ELEMENTALES
Son las operaciones que podemos realizar en una matriz sin que su rango varíe:
1) Intercambio de dos filas

2) Multiplicación de todos los elementos de una fila por un número distinto de
cero.
3) Sustitución de una fila por el resultado de la suma de dicha fila con otra fila,
que además pueden ser multiplicadas por escalares distintos de cero.
Aplicando operaciones elementales, en forma reiterada, se puede conseguir

anular las filas que sean LD.
Al anularse las filas LD, aquellas filas donde, por lo menos, un elemento sea
distinto de cero será LI.
Por lo que podemos decir que, luego de aplicar las operaciones elementales,
anulando todas las filas LD, el Rango va a ser igual a la cantidad de filas no
nulas
Ejemplo:
A= F2 = F2 +(-2). F1 y F3 = F3+(-3). F1
F3 = F3 +(-1). F2
El rango es 2, porque no es posible anular más filas.
[Escriba aquí]
DETERMINANTES
Determinante es toda función que asigna a cada matriz cuadrada un escalar

llamado determinante de la matriz.
El determinante de una matriz cuadrada es un número que se obtiene a partir de

los elementos de la matriz.
DETERMINANTES DE PRIMER ORDEN
Si la matriz es de 1x1, el determinante es igual al único elemento de dicha matriz
DETERMINANTES DE SEGUNDO ORDEN

𝑎11 𝑎12
Dada una matriz de orden dos 𝐴 = (𝑎 𝑎22 ), se llama determinante de la
21
matriz al número que se obtiene así: a 11 .a 22 - a 21 .a 12 .
Se representa det( A) ó |𝐴|.
Ejemplo
3 4
A =( ) det(A) = 3.5 – 2.4 = 15 – 8 = 7
2 5
DETERMINANTES DE TERCER ORDEN.
Sea A una matriz cuadrada de orden 3, se llama determinante de A al número

que se obtiene aplicando la Regla de Sarrus.
Observación: La regla de Sarrus es válida únicamente para determinantes de

orden 3
REGLA DE SARRUS : El valor del determinante se obtiene mediante la
suma de tres productos a los que se les resta la suma de otros tres
productos.
Los términos que se suman están formados por el producto de los

elementos de la diagonal principal y los productos de los elementos
de las diagonales paralelas con su correspondiente vértice
opuesto.
[Escriba aquí]
Los términos que se restan están formados por los productos

de los elementos de la diagonal secundaria y los productos de los
elementos de las diagonales paralelas con su
correspondiente vértice opuesto.
Ejemplo
DEFINICION AXIOMATICA DE DETERMINANTE
Se llama determinante de la matriz A a la función de los vectores columna de

dicha matriz que satisface los siguientes axiomas:
A1) D(A1 A2 … 𝐴𝑗` +𝐴𝑗`` …An ) = D(A1 A2 … 𝐴𝑗` …An ) + D(A1 A2 …𝐴𝑗`` …An )
A2) D(A1 A2 … 𝛼𝐴𝑗 …An ) = 𝛼D(A1 A2 … 𝐴𝑗 …An ) donde 𝛼 es un escalar
A3) D(A1 A2 … 𝐴𝑗 …𝐴𝑘 …An ) = −D(A1 A2 …𝐴𝑘 … 𝐴𝑗 …An )
A4) D (I) = 1
PROPIEDADES QUE SE DEDUCEN DE LOS AXIOMAS
Estas propiedades son generales para determinantes de cualquier orden.
1) El determinante no varía si se traspone la matriz. Es decir: det A = det AT.

(Esta propiedad permite enunciar las demás sólo para filas o columnas).
2) Si dos columnas son iguales el determinante vale cero.
[Escriba aquí]
Demostramos: suponemos que las columnas iguales son 𝐴𝑗 = 𝐴𝑘

. D(A1 A2 … 𝐴𝑗 …𝐴𝑘 …An ) = −D(A1 A2 …𝐴𝑘 … 𝐴𝑗 …An ) por el axioma A3
D(A) = - D(A) , como el único número que es igual a su opuesto es el cero,
concluimos que si dos columnas son iguales el determinante es cero.
3) Si una columna es nula, el determinante es nulo.
4) El determinante no varía si a una columna se le suma una combinación
lineal de las restantes (n-1) columnas.
5) Si en un determinante las columnas son Linealmente dependientes el
determinante es nulo.
6) Sean las matrices cuadradas A y B de orden n
D( A. B ) = D(A) . D( B)
7) Si una matriz cuadrada es triangular (superior o inferior) su determinante es
igual al producto de los elementos de su diagonal principal.
MENOR COMPLEMENTARIO DEL ELEMENTO a i j :
Sea A una matriz cuadrada de orden nxn. Se llama menor complementario del
elemento a i j al determinante de la matriz de orden (n-1) x(n-1) que se obtiene de
A eliminando la fila i y la columna j.
Se indica M i j
𝑎11 𝑎12 𝑎13
𝑎
Si A=( 21 𝑎22 𝑎23 )
𝑎31 𝑎32 𝑎33
Los menores complementarios de la columna 1 serán

𝑎22 𝑎23 𝑎12 𝑎13 𝑎12 𝑎13
M11 = |𝑎 𝑎33 | M21 = |𝑎32 𝑎33 | M31 = |𝑎 𝑎23 |
32 22
Actividad 1: Hallar los menores complementarios de la primera columna de la

matriz A
1 2 3
A = (1 1 −1)
2 0 5
Rta: M11 = 5 , M21 = 10 , M31 = -5
[Escriba aquí]
COFACTOR O ADJUNTO DEL ELEMENTO a i j :
Sea A una matriz cuadrada de orden nxn. El cofactor o adjunto A i j de A esta dado
por:
A i j = ( -1 ) i+j . Mi j
Si i + j es par: A i j = Mi j
Si i + j es impar: A i j = - Mi j
Actividad 2: Hallar los adjuntos de la primera columna de la matriz A de la

actividad anterior.
Rta: A11 = 5 , A21 = -10 , A31 = -5
DESARROLLO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA

LINEA
El determinante de una matriz cuadrada de orden nx n es igual a la suma de los

productos de los elementos de una línea (fila o columna) cualquiera por sus
adjuntos respectivos.
Det( A) = ai 1. Ai 1+ ai 2. Ai 2+ … +ai n .Ai n= ∑𝑛𝑗=1 𝑎𝑖𝑗 . 𝐴𝑖𝑗 Desarrollo de un

determinante por los elementos de la fila i.
O también
Det( A) = a1 j. A1 j+ a2 j. A2 j + … + an j. An j = ∑𝑛𝑖=1 𝑎𝑖𝑗 . 𝐴𝑖𝑗 Desarrollo de un

determinante por los elementos de la columna j.
Observación: Mediante el desarrollo de un determinante por los elementos de una

línea podemos hallar el valor de cualquier determinante cualquiera sea el orden.
Actividad 3: Hallar el valor del determinante de la matriz A de la actividad anterior:

a) Desarrollándolo por la primera columna.
b) Desarrollándolo por la tercera fila.
Más Propiedades de los determinantes
8) En todo determinante la suma de los productos de los elementos de una línea

por los adjuntos de una paralela es nula.
9) Si todos los elementos de una línea son nulos excepto uno de ellos, el
determinante es igual al producto del elemento no nulo por su correspondiente
adjunto.
[Escriba aquí]
Actividad 4: Dado el determinante:

2 −3 0 1
5 4 2 0
| |
1 −1 0 3
−2 1 0 0
a) ¿Qué línea conviene elegir para desarrollarlo?
b) Resolverlo Rta: - 22
MATRIZ REGULAR
Una matriz cuadrada es regular cuando su determinante es no nulo.
MATRIZ SINGULAR
Una matriz cuadrada es singular cuando su determinante es nulo.
MATRIZ ADJUNTA
Definición: Dada una matriz A cuadrada se llama adjunta de A a la matriz que se

obtiene reemplazando cada elemento de la transpuesta de A por su adjunto.
Sea la matriz cuadrada
𝑎11 𝑎12 … 𝑎1𝑛 𝐴11 𝐴21 … 𝐴𝑛1

𝑎21 𝑎22 … 𝑎2𝑛 𝐴12 𝐴22 … 𝐴𝑛2
A=( … … … … ) ⇒ 𝐴𝑑𝑗 𝐴 = ( )
… … … …
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝐴1𝑛 𝐴2𝑛 … 𝐴𝑛𝑛
1 0 1 2 3 −1
Actividad 1: Hallar la Adjunta de A=(2 1 0) Rta: (−4 1 2)
1 3 2 5 −3 1
Propiedad de la matriz adjunta: El producto de una matriz cuadrada por su

adjunta es igual al determinante de dicha matriz por la matriz identidad.
Simbólicamente: ∀ 𝐴 ∈ 𝑀𝑛𝑥𝑛 : 𝐴. 𝐴𝑑𝑗 𝐴 = |𝐴|. 𝐼
Demostración:
Multiplicamos A. adj A:
𝐴11 𝐴21 … 𝐴𝑛1

𝐴 𝐴22 … 𝐴𝑛2
A. Adj A ( 12 )
… … … …
𝐴1𝑛 𝐴2𝑛 … 𝐴𝑛𝑛
[Escriba aquí]
𝑎11 𝑎12 … 𝑎1𝑛 |𝐴| 0 … 0

𝑎21 𝑎22 … 𝑎2𝑛 0 |𝐴| … 0
(… … … … ) (… )
… … …
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 0 0 … |𝐴|
Observemos que:
✓ Al multiplicar la primera fila de A por la primera columna de Adj A
obtenemos:
a11 A11 + a12 A12 +…+ a1n A1n = |𝐴| por ser el desarrollo del det. A por la
primera fila.
✓ Al multiplicar la primera fila de A por la segunda columna de Adj A
obtenemos:
a11 A21 + a12 A22 +…+ a1n A2n = 0 por ser la suma de los productos de los
elementos de una línea por los adjuntos de una paralela ( Propiedad 8 de
determinantes).
En forma análoga se obtienen el resto de los elementos de A. Adj A
|𝐴| 0 … 0
0 |𝐴| … 0
Además: ( ) = |𝐴|. 𝐼
… … … …
0 0 … |𝐴|
Podemos afirmar entonces que: 𝐴. 𝐴𝑑𝑗 𝐴 = |𝐴|. 𝐼
Actividad 2: verificar la propiedad demostrada para la matriz de la actividad

anterior.
MATRIZ INVERSA
Definición: Si A es una matriz cuadrada de orden nxn , la inversa de A es una

matriz llamada A-1 de orden nxn que cumple la siguiente propiedad:
A. A-1 = A-1 .A = I
Donde I es la matriz identidad de orden nxn.
Si existe A-1 , se dice que la matriz A es invertible o no singular.

Si una matriz A no tiene inversa se llama no invertible o singular.
Una condición necesaria y suficiente para que una matriz A sea invertible es que
su determinante sea distinto de cero.
PROPIEDADES:
1) La inversa de una matriz es única.
[Escriba aquí]
Demostración: Suponemos que existen dos matrices B y C que son inversas de A
Si B es inversa de A: A.B=B.A = I (1)

Si C es inversa de A: A.C=C.A = I (2)
Vamos a probar que B=C

B=B.I por prop. de matriz identidad
B=B.(A.C) por (2)
B=(B.A).C por prop. asociativa
B=I.C por (1)
B=C por prop. de matriz identidad
Queda demostrado entonces que, si existen dos matrices inversas de A, estas son
iguales.
2) Si A es una matriz invertible, entonces A-1 es invertible y :

(A -1) -1 = A
3) Si A es una matriz invertible, entonces At es invertible y :
(A t ) -1 =(A-1 ) t
4) Si A y B son matrices invertibles del mismo orden, entonces A.B es
invertible y :
(A.B) -1 = B-1 . A-1
5) Si A es una matriz invertible y c es un escalar distinto de cero, entonces c.A
es una matriz invertible y:
𝟏
(c.A)-1 = 𝒄 .A-1
6) Si A es una matriz invertible, entonces An es invertible para todos los
enteros no negativos n y :
(An )-1 =(A-1 ) n
Actividad 3: Demostrar las propiedades 2) y 4) .

Sugerencia: Consultar el texto Algebra Lineal de David Poole.pag 166.
CÁLCULO DE LA MATRIZ INVERSA UTILIZANDO LA MATRIZ ADJUNTA
Sea la matriz A cuadrada y no singular. Sabemos que por propiedad de la matriz

adjunta:
𝐴. 𝐴𝑑𝑗 𝐴 = |𝐴|. 𝐼
Dividimos esta igualdad por |𝐴| que es distinto de cero porque A es no singular
[Escriba aquí]
𝐴. 𝐴𝑑𝑗𝐴 |𝐴|. 𝐼
=
|𝐴| |𝐴|
𝐴. 𝐴𝑑𝑗𝐴
=𝐼
|𝐴|
Por definición de matriz inversa: 𝐴. 𝐴−1 = 𝐼
Como la inversa es única:

𝐴𝑑𝑗𝐴
𝐴−1 =
|𝐴|
Actividad 4: Calcular la inversa de la matriz A .Verificar que A.A-1 =I
1 1 0
𝐴 = (0 2 1)
1 0 1
Actividad 5: Ingresar al siguiente sitio de internet donde se explica otro método

para hallar la inversa de una matriz: http://www.youtube.com/watch?v=dD3EgWBAI-
I&feature=related
[Escriba aquí]
SISTEMAS DE ECUACIONES LINEALES
Muchos problemas de ingeniería o de la vida cotidiana tratan sobre resolver

simultáneamente varias ecuaciones lineales para hallar las soluciones comunes a
todas ellas. También resultan muy útiles en geometría (las ecuaciones lineales se
interpretan como rectas y planos, y resolver un sistema equivale a estudiar la
posición relativa de estas figuras geométricas en el plano o en el espacio).
Un sistema de ecuaciones lineales es un conjunto de ecuaciones lineales que

podemos escribir de la siguiente forma:
En forma resumida, usando el símbolo de sumatoria:

𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 , 1 ≤ 𝑖 ≤ 𝑚
𝑗=1
Este es un sistema con "m" ecuaciones y "n" incógnitas,

donde los aij son números reales, llamados coeficientes del sistema,
los valores bi son números reales, llamados términos independientes del
sistema,
las xj son las incógnitas del sistema.
La solución del sistema es un conjunto ordenado de números reales (s 1, s2, ..., sn)
tales que al sustituir las incógnitas x1, x2, ... , xn por los valores s1, s2, ..., sn se
verifican a la vez las "m" ecuaciones del sistema. La colección de todas las
soluciones del sistema se llama Conjunto solución S
[Escriba aquí]
Todo sistema de ecuaciones lineales se puede indicar mediante una notación

matricial:
Donde :
• A es la matriz del sistema o matriz de los coeficientes de

dimensión m×n formada por los coeficientes del sistema.
• X es la matriz columna formada por las incógnitas, de clase nx1
• B es la matriz columna formada por los términos independientes, de
clase mx1
Llamamos matriz ampliada de dimensión m×(n+1) a la matriz que se obtiene al

añadir a la matriz del sistema (A) la columna de los términos independientes, y la
denotamos por A´, es decir
Ejemplo: Consideramos el sistema siguiente
x +z = 0

2 x + y = 3
3x + 2 y + z = 8

Su expresión matricial será: 𝐴. 𝑋 = 𝐵 . Donde:
1 0 1 𝑥 0
𝐴 = (2 1 0), 𝑋 = (𝑦) , 𝐵 = (3)
3 2 1 𝑧 8
[Escriba aquí]
1 0 1 0
La matriz ampliada es 𝐴 = (2 1 0 3)
3 2 1 8
Clasificación:
• Atendiendo a la cantidad de ecuaciones y de incógnitas los sistemas se

clasifican en
Cuadrados: tienen la misma cantidad de ecuaciones y de incógnitas
Rectangulares: No coinciden cantidad de ecuaciones con cantidad de incógnitas
• Atendiendo a sus términos independientes:
Sistemas Homogéneos: todos los términos independientes son nulos.
Sistemas No Homogéneos: no todos los términos independientes son

nulos.
• Atendiendo a sus soluciones los sistemas se clasifican en
Ejemplos:
2𝑥 + 4𝑦 = 0
Sistema Cuadrado y Homogéneo: { ,
3𝑥 − 2𝑦 = 0
4𝑥 − 6𝑦 = 2
Sistema Rectangular y No Homogéneo {2𝑥 + 4𝑦 = 1
3𝑥 − 4𝑦 = 0
[Escriba aquí]
Sistemas cramerianos: Un sistema de ecuaciones lineales es crameriano si es

cuadrado y el determinante de la matriz de los coeficientes es distinto de cero.
Teorema de Cramer
Un sistema crameriano tiene solución única.
Demostración: Sea el sistema crameriano A.X=B
Como el sistema es crameriano podemos asegurar que |𝐴| es no nulo, entonces

existe A-1 / A.A-1 = A-1 .A=I
Premultiplicamos por A-1 a la expresión A.X=B
A-1 . A.X= A-1 .B
I.X= A-1 .B
X= A-1 .B
Como A-1 es única y B está dada por el sistema, esta solución es única.
Regla de Cramer
Mediante esta regla podemos hallar la solución única de un sistema crameriano
Sea el sistema crameriano
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑏2
(… … … … ).(…) = (…)
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥𝑛 𝑏𝑛
Que lo expresamos A.X=B
Deducción: Por el Teorema de Cramer sabemos que la solución de un sistema

crameriano es X= A-1 .B
𝐴𝑑𝑗 𝐴
Además A-1 = |𝐴|
[Escriba aquí]
Resolvemos: X= A-1 .B
𝑏1
𝑏
( 2)
…
𝑏𝑛
𝐴11 𝐴21 … 𝐴𝑛1 𝑥1

1 𝐴 𝐴22 … 𝐴𝑛2 𝑥2
. ( 12 ) (…)
|𝐴| … … … …
𝐴1𝑛 𝐴2𝑛 … 𝐴𝑛𝑛 𝑥𝑛
𝐴11 .𝑏1+ 𝐴21 .𝑏2+⋯+ 𝐴𝑛1 .𝑏𝑛

𝑥1= |𝐴|
, donde A11 , A21 …An1 son los adjuntos de la primera
columna, por lo que podemos decir que el numerador es el desarrollo de un
determinante por la primera columna, siendo esta la columna de los términos
independientes.
𝐴12 .𝑏1+ 𝐴22 .𝑏2+⋯+ 𝐴𝑛2 .𝑏𝑛
𝑥2= |𝐴|
, donde A12 , A22 …An2 son los adjuntos de la segunda
columna, por lo que podemos decir que el numerador es el desarrollo de un
determinante por la segunda columna, siendo esta la columna de los términos
independientes.
𝐴1𝑛 .𝑏1+ 𝐴2𝑛 .𝑏2+⋯+ 𝐴𝑛𝑛 .𝑏𝑛
𝑥𝑛= |𝐴|
, donde A1n , A2n …Ann son los adjuntos de la columna n,
por lo que podemos decir que el numerador es el desarrollo de un determinante
por la columna n, siendo esta la columna de los términos independientes.
Por lo que es válido decir:
El valor de cada incógnita xi se obtiene de un cociente cuyo denominador es el

determinante de la matriz de los coeficientes(A), y cuyo numerador es el
determinante que se obtiene al cambiar la columna i del determinante anterior por
la columna de los términos independientes.
Simbólicamente, si expresamos las matrices particionadas en columnas:
𝐷𝑒𝑡(𝐵𝐴2 𝐴3 … 𝐴𝑛)
𝑥1 =
𝐷𝑒𝑡(𝐴)
𝐷𝑒𝑡(𝐴1 𝐵𝐴3 … 𝐴𝑛)

𝑥2 =
𝐷𝑒𝑡(𝐴)
[Escriba aquí]
𝐷𝑒𝑡(𝐴1 𝐴2 … 𝐵)
𝑥𝑛 =
𝐷𝑒𝑡(𝐴)
Actividad 1: Verificar que el siguiente sistema es crameriano. Resolverlo aplicando

la regla de Cramer
𝑦 +5𝑧 = −1
{𝑥 +2𝑦 +4𝑧 = −1
3𝑥 +6𝑦 +6𝑧 = −3
Rta.: S= {(1; -1; 0)}
Otro método de resolución de sistemas cramerianos
Método de la matriz inversa:
Por el Teorema de Cramer sabemos que el sistema A.X=B tiene como única
solución X= A-1 .B
𝑥+𝑦 =3
Ejemplo: Sea el sistema {
𝑥−𝑦 =1
1 1
1 1
A=( ) , A-1 = (21 2
−1)
1 −1
2 2
X= A-1 .B
1 1
3 2
X= (21 2
−1) . (1)=(1) Solución: x=2 , y= 1
2 2
Actividad 2: Resolver aplicando el método de la matriz inversa el sistema dado en

la actividad 1.
[Escriba aquí]
Teorema de Rouché-Fröbenius
Sea el sistema de ecuaciones lineales, cuya expresión matricial es A.X=B
Enunciado: El sistema de ecuaciones lineales A.X=B es compatible si y sólo si, el

rango de la matriz de los coeficientes(A) es igual al rango de la matriz ampliada
con la columna de los términos independientes. Es determinado si dicho rango es
igual al número de incógnitas e indeterminado si el rango es menor al número de
incógnitas del sistema. Si estos rangos son distintos el sistema es incompatible.
Es decir, la condición necesaria y suficiente para que un sistema

de m ecuaciones y n incógnitas tenga solución es que r(A) = r(A`),
Para los sistemas indeterminados la solución puede hallarse

despejando k incógnitas principales en función de (n-h) incógnitas denominadas
parámetros y que pueden tomar cualquier valor real (grados de libertad).
Sugerencia: Accede al siguiente sitio de internet:
http://recursostic.educacion.es/descartes/web/materiales_didacticos/sistemas_de_ecuacio
nes_lineales_2bcnt/discusion_por_el_teorema_de_rouche.htm
Método de resolución de Gauss
Los métodos dados hasta ahora sirven para resolver únicamente sistemas
cramerianos, que siempre son compatibles determinados.
Es necesario buscar otros procedimientos que nos permitan encontrar el conjunto

solución para cualquier tipo de sistemas de ecuaciones lineales.
Para ello vamos a definir:
Sistemas Equivalentes: Dos sistemas de ecuaciones lineales son equivalentes sí

admiten el mismo conjunto solución.
Teorema Fundamental de Equivalencia: en un sistema de ecuaciones se puede

sustituir una ecuación por una combinación lineal de las restantes, obteniendo un
sistema equivalente.
[Escriba aquí]
Consecuencia: Dado un sistema de ecuaciones lineales podemos obtener un

sistema equivalente si:
a) Permutamos ecuaciones.
b) Multiplicamos una ecuación por un escalar distinto de cero.
c) Sumamos a una ecuación otra multiplicada por un escalar distinto de cero.
Método de resolución de Gauss o eliminación gaussiana
Para resolver un sistema de ecuaciones lineales se busca un sistema equivalente

más sencillo aplicando las operaciones mencionadas en el teorema anterior.
𝑥+𝑧=0
Ejemplo 1: Resolver el sistema { 2𝑥 + 𝑦 = 0
3𝑥 + 2𝑦 + 𝑧 = 8
Las operaciones aplicadas son: F 2 = 1. F 2 -2. F 1 1 0 1 0

2 1 0 0
3 2 1 8
F 3 = 1. F 3 – 3. F 1
1 0 1 0
0 1 -2 0
0 2 -2 8
F 3 = 1. F 3 -2. F 2
1 0 1 0
0 1 -2 0
0 0 2 8
Clasificamos el sitema aplicando el Teorema de Rouché F.
Rango de A: r(A) = 3
Rango de A`: r(A`) = 3 Sistema Compatible Determinado
Número de incógnitas: n = 3 S.C.D.
Buscamos el conjunto solución:
𝑥+𝑧 =0
El sistema equivalente es {𝑦 − 2𝑧 = 0
2𝑧 =8
De la última ecuación vemos que z=4
Reemplazando “ z ” en la segunda ecuación y = 8
De la primera ecuación despejamos “ x “ y sustituimos “ z “ por su valor
x= - 4
[Escriba aquí]
El conjunto solución S= {( - 4 ; 8 ; 4)}
Sugerencia: Visita la siguiente página:
http://www.youtube.com/user/juanmemol?feature=chclk#p/search/0/8_LPIhxJiN4
Caso particular: Sistemas Homogéneos
Ya dijimos que los sistemas homogéneos son aquellos que tienen todos los
términos independientes nulos. Tomemos como ejemplo el sistema anterior pero
con la columna de los términos independientes nula
Ejemplo 2:
𝑥+𝑧 =0
{ 2𝑥 + 𝑦 = 0
3𝑥 + 2𝑦 + 𝑧 = 0
Aplicando eliminación gaussiana obtendremos el siguiente cuadro, la única

diferencia con el anterior será que la última columna será nula, si analizamos por
el Teorema de RF
Rango de A: r(A) = 3 1 0 1 0
2 1 0 0
3 2 1 0
Rango de A`: r(A`) = 3 Sistema Compatible .
1 0 1 0
Determinado 0 1 -2 0
0 2 -2 0
Número de incógnitas: n = 3 S.C.D. 1 0 1 0

0 1 -2 0
0 0 2 0
Buscamos el conjunto solución:
𝑥+𝑧 =0
El sistema equivalente es {𝑦 − 2𝑧 = 0
2𝑧 =0
De la última ecuación vemos que z = 0
Reemplazando “ z ” en la segunda ecuación y = 0
De la primera ecuación despejamos “ x “ y sustituimos “ z “ por su valor

obteniendo x = 0
El conjunto solución S= {( 0 ; 0 ; 0)} llamada Solución Trivial
[Escriba aquí]
Observación 1: Como un sistema homogéneo es aquel que tiene todos sus

términos independientes nulos, podemos observar que r(A) = r(A*) siempre, luego
siempre son compatibles, ya que tienen al menos la solución (0,0,0,... , 0) que se
denomina solución trivial.
Observación 2: Si un sistema de ecuaciones homogéneo es compatible

determinado solo admitirá la solución trivial, por lo que luego de clasificar se puede
indicar en forma inmediata el conjunto solución.
Ejemplo 3:
Rango de A: r(A) = 2
Rango de A`: r(A`) = 2 Sistema Compatible Indeterminado (S.C.I.)
Número de incógnitas: n = 3
Ejemplo 4: Consideremos el sistema anterior pero con la columna de los términos

independientes nula, queda un sistema homogéneo
2x-4y+6z=0 x-2y+3z=0
y+2z=0 El sistema equivalente será: y+2z=0
x-3y+z=0
r(A) = r(A`) = 2 (Recordar que estos rangos siempre son iguales cuando el
sistema es homogéneo)
[Escriba aquí]
Número de incógnitas: n = 3 S.C.I. Existen infinitas soluciones

además de la trivial. Las soluciones distintas de cero se llaman soluciones no
triviales.
Hallamos el conjunto solución:
De la segunda ecuación del sistema equivalente despejamos y
y= -2z , llamando z= ℷ y= -2 ℷ
De la primera ecuación: x= 2y– 3z
x= 2.(-2 ℷ) – 3 ℷ
x= - 7ℷ
Conjunto solución: S = { ( - 7ℷ ; - 2 ℷ ; ℷ ) ℷ ∈ 𝑅 }
Actividad 3: Dándole distintos valores al parámetro ℷ obtiene algunas soluciones

del sistema, luego verifícalos.
Ejemplo 5:
x - y+2z = 3
x + 2y-z = - 3
2y-2z = 1
Rango de A: r(A) = 2 1 -1 2 3
1 2 -1 -3
0 2 -2 1
Rango de A`: r(A`) = 3
1 -1 2 3
0 3 -3 -6
Como el rango de A es distinto al rango de A´ el Sistema es 0 2 -2 1
Incompatible ( S.I.) 1 -1 2 3
0 3 -3 -6
0 0 0 15
El conjunto solución: S = { } = Ø
Actividad 4: Resuelve el sistema homogéneo asociado al ejemplo 5
Actividad 5: Ingresa y contesta !
http://ntic.educacion.es/w3/eos/MaterialesEducativos/mem2000/algebra/test/testsis
t.htm
[Escriba aquí]
Aplicación: Redes eléctricas
Las fuentes normales de energía eléctrica son las baterías o los generadores.
Estas fuentes que se simbolizan en un circuito o red así : producen una

tensión eléctrica que se mide en volts ( V ).
Los hornos y los tostadores son ejemplos de resistores eléctricos cuya función
consiste en convertir energía eléctrica en calor. El símbolo se emplea para
representar un resistor, cuya resistencia se expresa en ohms (Ω).
Las corrientes eléctricas medidas en amperes ( A ) se indican con la letra I. Una

corriente I puede ser considerada negativa si (-) si fluye en dirección opuesta a la
indicada.
La corriente, la resistencia y la tensión o voltaje en una red eléctrica están

relacionadas por medio de las leyes de Ohms y de Kirchhoff.
Ley de Ohm: La relación entre la corriente I, en amperes, y la tensión o voltaje V,

en volts, a través de una resistencia R, en ohms, está dada por:
V=I.R
Leyes de Kirchhoff:
1. La suma algebraica de las corrientes entrantes a un punto de unión o nodo

de una red eléctrica es igual a la suma algebraica de las corrientes
salientes de dicho nodo.
2. La suma de las tensiones o voltajes alrededor de un circuito cerrado o malla
de una red eléctrica es cero.
Actividad 5: Resuelve el siguiente Problema:
Calcular las corrientes i1, i2, i3 del siguiente circuito, planteando las correspondientes
ecuaciones:
[Escriba aquí]
Para profundizar estos temas y ejercitar consulta la siguiente bibliografía existente

en la Biblioteca de la facultad:
Álgebra Lineal – Stanley I. Grossman- Editorial Mc Graw Hill.
Nociones de Geometría Analítica y Álgebra Lineal – Ana María Kozak y otros-

Editorial Mc Graw Hill.
Álgebra Lineal – Harvey Gerber – Grupo Editorial Iberoamérica
VECTORES
En muchas ocasiones de nuestra vida cotidiana empleamos magnitudes, algunas

escalares, las que quedan definidas mediante un escalar (número real) y la unidad
correspondiente, y otras vectoriales, que requieren se indique una intensidad, una
dirección y un sentido.
Actividad 1: ¿Cuáles de estas magnitudes son escalares y cuáles vectoriales?
La longitud de un cable,
La velocidad de una lancha,
La memoria de una PC,
La aceleración de la gravedad,
La fuerza que debemos aplicar sobre una puerta para cerrarla.
[Escriba aquí]
Sugerencia: Formen un grupo de dos a cuatro integrantes. Lean la Introducción del capítulo
1 del libro “Álgebra Lineal una Introducción Moderna” de Poole, David, luego lleven a cabo
el juego de la pista de carreras.
Vector: Dada una recta y dos puntos A y B llamamos vector geométrico a todo segmento
de recta orientado: AB = V
El vector queda perfectamente determinado si se dan esos dos puntos. El primer punto se
llama origen y el segundo extremo.
Un vector tiene tres características:
• Dirección
• Sentido
• Módulo
Llamamos dirección del vector AB a la dirección de la recta r, llamada recta de soporte

Lamamos sentido del vector AB al que determinan los puntos A y B tomados en ese
orden.

Llamamos módulo de un vector AB a la longitud de segmento AB . Notación: V = AB
Clasificación de vectores:
En Física y considerando el contexto en el cual se aplican, los vectores pueden

clasificarse, así tenemos:
Vectores fijos: Son los vectores que quedan definidos cuando especificamos módulo,
dirección, sentido y punto de aplicación.
Vectores deslizantes: Son los vectores que quedan definidos cuando especificamos
módulo, dirección, sentido y línea de acción.
Vectores equipolentes: Dos o más vectores son equipolentes si tienen igual dirección,
igual sentido e igual módulo.
Vector libre:
Es el vector representante de infinitos vectores equipolentes.
[Escriba aquí]
Vectores iguales: Dos vectores son iguales cuando tienen igual dirección, sentido, módulo
y punto de aplicación.
Vectores en Sistemas de coordenadas
Vectores en el plano R2
El plano R2 es el conjunto de todos los pares ordenados de números reales, en general se

define de la siguiente manera:
𝑅 2 = {(𝑥1 , 𝑥2 )/𝑥1 , 𝑥2 ∈ 𝑅}
Consideremos el plano R 2 con los ejes cartesianos “xy”. Cada par ordenado de números
reales (a,b) es un punto del plano R2 .
El conjunto de todos los puntos en el plano corresponde al conjunto de todos los vectores
con origen en el origen de coordenadas.
En R2 existen dos vectores particulares que nos permiten representar


otros vectores en el
plano. Si denotamos el vector horizontal (1,0) por el símbolo “ i ” y el vector vertical (0,1)

por el símbolo “ j ”.
(0,1)
(1,0)
o x
Cualquier vector del plano (a,b) será: (a,b) = a(1,0) + b(0,1) y lo podemos escribir:
  
v = (a, b) = a i + b j

de esta forma descomponemos el vector v en sus componentes horizontal(a) y vertical
(b).
 
Los vectores “ i ” y “ j ” se denominan versores.
Observa que: Un punto P de coordenadas (a, b), determina un vector de componentes

(a, b)
[Escriba aquí]
Vectores en el espacio R3
El espacio R3 es el conjunto de todas las ternas ordenadas de números reales, en

general se define de la siguiente manera:
𝑅 3 = {(𝑥1 , 𝑥2 , 𝑥3 )/𝑥1 , 𝑥2 , 𝑥3 ∈ 𝑅}
Vimos que todo punto del plano se puede representar como un par ordenado de números
reales, de igual manera un punto del espacio se puede representar por una terna
ordenada de números reales.
Para representar vectores en R3, consideramos tres rectas perpendiculares entre sí en un
punto, que determinan los ejes: “x”; “y” y “z” .
Denotando respectivamente a los vectores:
   z
(1,0,0) = i ; (0,1,0) = j ; (0,0,1) = k
(0,0,1)
   
⇒ v = (a, b, c) = a i + b j + ck
y
(0,1,0)
(1,0,0)
x
Sugerencia: Visita la página: http://www.vitutor.com/analitica/vectores/vectores_espacio.html
Vectores en el espacio Rn
Se define Rn como el conjunto de todas las n-uplas ordenadas de números reales.
𝑅 𝑛 = {(𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 )/𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 ∈ 𝑅}
Un vector de Rn lo podemos indicar como vector renglón o vector columna.

𝑥1
𝑥2
𝑥3
𝑣⃗ = (𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑖 … 𝑥𝑛 ) ó .
𝑥𝑖
.
(𝑥𝑛 )
La componente i-ésima del vector 𝑣⃗ , la simbolizamos: 𝑥𝑖
En Rn no es posible representar gráficamente los vectores, solo se trabaja en forma

analítica.
[Escriba aquí]
Módulo de un vector
⃗⃗⃗ se indica : |v
El módulo de un vector v ⃗⃗|
  
Sea el vector v = a i + b j
Vemos en el gráfico que queda formado un triángulo, rectángulo en “a”. Aplicando el

Teorema de Pitágoras, podemos afirmar que:
2 
v = a 2 + b 2 | v |= a 2 + b 2
En forma análoga se obtiene el módulo de un vector en R3 y en Rn
Si 𝑣⃗ = 𝑎𝑖⃗ + 𝑏𝑗⃗ + 𝑐𝑘⃗⃗ ⇒ |𝑣⃗| = √𝑎2 + 𝑏 2 + 𝑐 2
𝑣 = (𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑖 … 𝑥𝑛 ) ⟹ |𝑣⃗| = √𝑥12 + 𝑥22 + 𝑥32 + ⋯ + 𝑥𝑖2 + ⋯ 𝑥𝑛2

Si ⃗⃗⃗
Actividad 2: Hallar el módulo del vector 𝐴⃗=2𝑖⃗ − 5𝑗⃗ + 3𝑘⃗⃗
Distancia entre dos puntos
[Escriba aquí]
La distancia entre los puntos P1 y P2 es igual al módulo del vector P1 P2 :

P1P2 = ( x2 − x1 ) 2 + ( y2 − y1 ) 2 aplicando el Teorema de Pitágoras.
Este concepto se generaliza para R3 y Rn
Actividad 3: Hallar la distancia entre los puntos A(2, 3, 5) y B(4, -1, 2) de R3

y entre P(2;5;-4;0;-2) y Q(1;-3;2;0;6) de R5
Vectores Paralelos:
Dos vectores no nulos ⃗⃗⃗

𝑣 y ⃗⃗⃗⃗⃗,
𝑤 son paralelos si y sólo si existe un escalar k, diferente de cero, tal que ⃗⃗⃗
𝑣=
k⃗⃗⃗⃗⃗.
𝑤
Ejemplo: ⃗⃗⃗=
𝑣 (6; 4) y 𝑤
⃗⃗⃗= (3; 2)
Observa que sus componentes son proporcionales
Operaciones entre vectores
Suma de vectores en forma gráfica
Dados dos o más vectores:

Ej.
Regla del polígono
Regla del paralelogramo (2 vectores)
  
Para 3 vectores se repite el procedimiento considerando el vector v 1 + v2
y v3 .
Actividad 4:
a) Dibujar tres vectores cualesquiera.
b) Con regla y escuadra calcular las sumas, luego comparar los resultados obtenidos:
𝑣
⃗⃗⃗⃗⃗1 + ⃗⃗⃗⃗⃗
𝑣2 y ⃗⃗⃗⃗⃗
𝑣2 + 𝑣
⃗⃗⃗⃗⃗1
⃗⃗⃗⃗⃗+𝑣
(𝑣 1 ⃗⃗⃗⃗⃗)
2 + ⃗⃗⃗⃗⃗
𝑣3 y 𝑣
⃗⃗⃗⃗⃗+ ⃗⃗⃗⃗⃗2 + ⃗⃗⃗⃗⃗
1 (𝑣 𝑣3 )
Vector nulo: Cuando la suma de vectores conduce a un polígono cerrado, su resultante

es un vector de módulo cero, llamado vector nulo.
[Escriba aquí]
Suma de vectores en forma analítica
Si conocemos las componentes de los vectores, podemos resolver la suma

analíticamente.
⃗⃗⃗⃗⃗1 = (𝑥1 , 𝑦1 ) y ⃗⃗⃗⃗⃗

Sean los vectores del plano R2 : 𝑣 𝑣2 = (𝑥2 , 𝑦2 )
𝑣 𝑣2 = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 )
⃗⃗⃗⃗⃗1 + ⃗⃗⃗⃗⃗
Esta definición se extiende para el espacio R3

Sean los vectores del espacio R3
⃗⃗⃗⃗⃗1 = (𝑥1 , 𝑦1 , 𝑧1 , ) y ⃗⃗⃗⃗⃗

𝑣 𝑣2 = (𝑥2 , 𝑦2 , 𝑧2 , )
𝑣 𝑣2 = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 , 𝑧1 + 𝑧2 )
⃗⃗⃗⃗⃗1 + ⃗⃗⃗⃗⃗
Ejemplo:
Sumamos los vectores 𝑣 ⃗⃗⃗⃗⃗1 = (3; −2 ) y ⃗⃗⃗⃗⃗

𝑣2 = (1; 4 )
𝑣 𝑣2 = (3 + 1, −2 + 4 ) = (4; 2)
⃗⃗⃗⃗⃗1 + ⃗⃗⃗⃗⃗
Actividad 5: Representa en un sistema de ejes coordenados los vectores del ejemplo

anterior y resuelve la suma en forma gráfica
Vector Opuesto
Sea el vector 𝑣⃗ , llamaremos vector opuesto al vector −𝑣⃗ , que tiene el mismo módulo y
dirección que 𝑣⃗ , pero sentido contrario.
Diferencia de vectores en forma gráfica
⃗⃗ y 𝑣⃗ es igual a otro vector 𝑑⃗ , tal que:

La diferencia entre dos vectores 𝑢
𝑢 ⃗⃗ + (−𝑣
⃗⃗ − 𝑣⃗ = 𝑢 ⃗
⃗⃗⃗⃗⃗⃗)=𝑑
También podemos decir que 𝑢 ⃗⃗ − 𝑣⃗=⃗⃗⃗⃗
𝑑 ⃗⃗ = 𝑣⃗ + 𝑑⃗
𝑢
Actividad 6: Dibujar dos vectores, luego con regla y escuadra calcular : 𝑣

⃗⃗⃗⃗⃗-𝑣
1 ⃗⃗⃗⃗⃗
2 y 𝑣2 ⃗⃗⃗⃗⃗1
⃗⃗⃗⃗⃗-𝑣
[Escriba aquí]
Diferencia de vectores en forma analitica
Si conocemos las componentes de los vectores, podemos resolver la resta

analíticamente.
⃗⃗⃗⃗⃗1 = (𝑥1 , 𝑦1 ) y ⃗⃗⃗⃗⃗

Sean los vectores del plano R2 : 𝑣 𝑣2 = (𝑥2 , 𝑦2 )
𝑣
⃗⃗⃗⃗⃗1 − ⃗⃗⃗⃗⃗
𝑣2 = 𝑣⃗⃗⃗⃗⃗1 + (− ⃗⃗⃗⃗⃗
𝑣2 ) = (𝑥1 , 𝑦1 ) + (−𝑥2 , −𝑦2 ) = (𝑥1 − 𝑥2 , 𝑦1 − 𝑦2 )
Esta definición se extiende para el espacio R3
Sean los vectores del espacio R3
⃗⃗⃗⃗⃗1 = (𝑥1 , 𝑦1 , 𝑧1 , ) y ⃗⃗⃗⃗⃗

𝑣 𝑣2 = (𝑥2 , 𝑦2 , 𝑧2 , )
𝑣 𝑣2 = (𝑥1 − 𝑥2 , 𝑦1 − 𝑦2 , 𝑧1 − 𝑧2 )
⃗⃗⃗⃗⃗1 − ⃗⃗⃗⃗⃗
Producto de un vector por un escalar


Dados el vector v 1
y el escalar   R
El producto de un vector por un número real es otro vector.
 
∀ v ∈ V ∧ ∀ λ ∈ R : v.λ ∈ V
Conociendo las componentes del vector
⃗⃗⃗⃗⃗1 = (𝑥1 , 𝑦1 ) y el número real 𝜆 ⟹ 𝜆. 𝑣

Sea el vector: 𝑣 ⃗⃗⃗⃗⃗1 = (𝜆. 𝑥1 ; 𝜆. 𝑦1 )
Ejemplo: Si 𝑣⃗ = (−4; 3) 𝑦 𝜆 = −5 ⇒ 𝜆. 𝑣⃗ = −5. (−4; 3) = (20; −15)

1
Actividad 7: Dibujar un vector, luego multiplicarlo por: 2, -2 y 2
¿En qué se diferencia el vector original y el que se obtiene al multiplicarlo por un número
real positivo? Y si el número es negativo?
Propiedades de la suma vectorial y el producto de un vector por un escalar:
Vamos a enunciar las propiedades algebraicas de estas dos operaciones, aclarando que
son válidas en R2 , R3 y Rn .
En forma genérica llamamos V al conjunto de vectores.
[Escriba aquí]
Propiedades de la suma
1. Ley interna:
   
∀ v1 , v 2 ∈ V ⇒v1 + v 2 ∈ V
2. La suma es asociativa:
        
∀ v1 , v 2 , v 3 ∈ V : (v1 + v 2 ) + v 3 = v1 + (v 2 + v 3 )
3. La suma es conmutativa:
     
∀ v1 , v 2 ∈ V ⇒ v1 + v 2 = v 2 + v1

4. Existencia del vector nulo: o (neutro)
      
∃ o ∈ V /∀ v ∈ V : v + o = o + v = v 
5. Existencia del elemento opuesto o simétrico: − v
    
 v  V  ( − v)  V / v + ( − v) = o
 el par (V;+) es Grupo Abeliano
Propiedades del producto de un vector por un escalar
1. Ley externa:
 
∀ v1  V∧ ∀ λ ∈ R : v1 . λ ∈ V
2. Distributividad del producto respecto a la suma de vectores:
     
∀ v1 , v2 ∈ V ∧ ∀ λ ∈ R ⇒ λ . (v1 + v2 ) = λ .v1 + λ .v2
3. Distributividad del producto respecto a la suma de escalares:
   
∀ v ∈ V ∧ ∀ λ1 , λ 2 ∈ R ⇒v . (λ1 + λ 2 ) = v.λ1 + v.λ 2
4. Asociatividad
  
∀ v ∈ V ∧ ∀ λ1 , λ 2 ∈ R ⇒λ1. (λ 2 . v ) = (λ1. λ 2 ) . v
5. Elemento neutro
 para el producto:
 
∀ v ∈ V , 1∈ R :1.v = v
Producto escalar o Producto Punto

   
Dados los vectores A y B cuyos módulos son A y B , ω̂ es el ángulo
comprendido entre ellos.
Definición:
 
El producto escalar de dos vectores ( A y B ) es el número real que se obtiene
multiplicando sus módulos por el coseno del ángulo ω̂ que forman.
(Aclaración: 0  ˆ  180 )
   
Notación: A . B ( A escalar B )
    
A . B = A . B . cos ω
si ω̂ < 90º  cos ω > 0  El producto escalar es positivo
[Escriba aquí]
si ω̂ > 90º  cos ω < 0  El producto escalar es negativo

si ω̂ = 90º  cos ω = 0  El producto escalar es nulo
Vectores perpendiculares: Dos vectores no nulos son perpendiculares si su producto

escalar es nulo.   

Si A ⊥ B  cos 90º = 0  A . B = 0
 
Actividad 8: Sean los vectores A y B cuyos módulos son 5 y 4 respectivamente, ω̂ =
60 es el ángulo que forman. Calcular el producto escalar
 
A . B
Producto de un vector por si mismo
El producto escalar de un vector por sí mismo es igual al cuadrado del módulo.

      2
A . A = A . A . cos
 0 º = A . A = A
1
Propiedades del producto escalar
1. Conmutativa:
   
A.B = A . B . cos ω      
     cos ω = cos (- ω)  A . B = B. A
B. A = B . A . cos (-ω)

2. Asociativa de la multiplicación por un escalar:
     
λ(A . B) = (λA) . B = A .(λ B)
3. Distributiva respecto a la suma de vectores:
      
A .(B + C) = A . B + A . C
Expresión en coordenadas:
Producto de versores: multiplicamos escalarmente los versores
[Escriba aquí]
   
i.i = i . i . cos 0º = 1.1.1 = 1   
    . i j k
i.j= i . j . cos 90º = 1.1.0 = 0 
    i 1 0 0

i .k = i . k . cos 90º = 1.1.0 = 0 j 0 1 0

k 0 0 1
 
Dados los vectores A y B en función de sus componentes
   
A = x 1 i + y1 j + z1 k
B = x 2 i + y2 j + z2k
          
A . B = x1x 2 i 2 + x1 y 2  i . j + x 1z 2  j . i + y1 y 2 j 2 + y1 z 2 
i .k + y1 x 2  j .k + z1 x 2 k. i + z1 y 2 k. j + z1z 2 k 2
0 0 0 0 0 0
 
A . B = x 1 x 2 + y1 y 2 + z 1 z 2
El producto escalar de dos vectores dados en coordenadas cartesianas es igual a la suma

de los productos de las componentes homólogas.
   
A = 2 i + 3 j − 5k   
Ejemplo:       A . B = 2 − 6 + 10 = 6
B = i − 2 j − 2k 
Actividad 9 : Hallar el producto escalar 𝐴⃗.𝐵 ⃗⃗=5𝑖⃗+3𝑗⃗ − 4𝑘⃗⃗

⃗⃗ , siendo 𝐴⃗=3𝑖⃗-2𝑗⃗ y 𝐵
Interpretación geométrica del producto escalar:

 
    proy de B/A
A . B = A . B . cos α  cos α = 
α B
 
    proy de B/A   
proy de  A.B = A . B .  = A . proy de B/A
B
 
    proy de A/B
B . A = B . A . cos (-α)  cos (-α) = 
proy de A
 
    proy de A/B   
α  B. A = B . A .  = B . proy de A/B
A
El producto escalar de dos vectores es igual al módulo de uno de ellos por la proyección
del otro sobre él.
[Escriba aquí]
Producto vectorial o Producto Cruz
Definición:
El producto vectorial de dos vectores es el vector C con las siguientes características:
  
Notación : A  B = C
𝐴 𝐵
O también ⃗⃗⃗⃗ ⃗⃗ = 𝐶⃗
 
a) Dirección: perpendicular al plano determinado por A y B .
b) Sentido: el determinado por el triedro directo o regla del tirabuzón.
  
c) Módulo: C = A . B . sen ω z
Interpretación geométrica del módulo del producto vectorial

 
El módulo de A  B está representado geométricamente por el área del paralelogramo
determinado por los mismos vectores.
   
A  B = A . B . sen ω
h 
sen  =   h = B . sen 
B
   h
 A B = A .h

A . h = área del paralelogramo
[Escriba aquí]
Anulación del producto vectorial

 
¿Cuando A  B = ⃗0⃗ (vector nulo)?
El producto vectorial será igual al vector nulo si se cumple alguna de las siguientes
situaciones:
 
1. A = ⃗0⃗  A = 0
 
2. B = 0 ⃗⃗  B = 0
 
3. sen ω = 0  ω = 0º o ω = 180º
Propiedades del producto vectorial

   
1. Propiedad no conmutativa: A  B  B  A
  
A B = C
  
B  A = −C
      
2. Propiedad distributiva: A  ( B + C) = ( A  B) + ( A  C)
     
3. Propiedad no asociativa: A  ( B  C)  ( A  B)  C
Expresión en coordenadas
z
Producto de versores
   
i  i = vector nulo porque i . i . sen 0º = 0
   
j  j = vector nulo porque j . j . sen 0º = 0
   
k  k = vector nulo porque k . k . sen 0º = 0 y
      
i i = j  j = k k =0
Como cada versor es perpendicular a los otros dos
       
i  j = k , además i . j . sen 90º = i . j . 1 = 1 x  
     x i j k
j  k = i además j . k . sen 90º = 1    
     i 0 k −j
k  i = j , además k . i . sen 90º = 1    
         j −k 0 i
i  k = − j ; k  j = −i ; j  i = −k    
k j −i 0
   
A = a1 i + a 2 j + a 3k
[Escriba aquí]    
B = b1 i + b 2 j + b 3 k
Dados los vectores:
    
( )     
A  B = a1b1.0 + a1b2 .k + a1b3 .(− j ) + a2b1 − k + a2b2 .0 + a2b3 .i + a3b1 .j + a3b2 .(− i )+ a3b3 .0
       
A  B = a1b2 k − a1b3 j − a2 b1k + a2 b3 i + a3b1 j − a3b2 i
    
A  B = i (a2 b3 − a3b2 )+ j (a3 b1 − a1b3 ) + k (a1b2 − a2 b1 )

− j (a1b3 − a3b1 )
i j k
  a a 3  a1 a 3  a1 a2
A B = i 2 −j +k = a1 a2 a3
b2 b3 b1 b3 b1 b2
b1 b2 b3
Obteniendo un determinante simbólico, si lo desarrollamos por la primera fila
obtendremos el paso anterior.
   
Ejemplo A = 2i − 3 j + k
   
B = 3 i + 2 j + 4k
  
i j k
  −3 1 2 1 2 −3   
A B = 2 − 3 1 = i −j +k = −14i − 5 j + 13k
2 4 3 4 3 2
3 2 4
⃗⃗ , siendo 𝐴⃗=2𝑖⃗-4𝑘⃗⃗ y 𝐵
Actividad 10: Hallar el producto vectorial 𝐴⃗𝑋𝐵 ⃗⃗=3𝑖⃗+2𝑗⃗ + 𝑘⃗⃗
Producto mixto
  
Se llama producto mixto de 3 vectores A ; B y C al escalar que resulta de
  
resolver A . (B  C) .
Dados:
  y z 2  x2 z 2  x2 y2 
BC = 2 i− j+ k
y3 z3 x3 z3 x3 y3
[Escriba aquí]
Realizando el producto escalar:

x1 y1 z1
   y z2 x z2 x y2
A . ( B  C) = x1 2 − y1 2 + z1 2 = x2 y2 z2
y3 z3 x3 z3 x3 y3
x3 y3 z3
    
A  (B . C) carece de sentido por ser B . C un escalar entonces puede omitirse los
  
paréntesis y escribir A  B . C
Actividad 11: Dados los vectores .
Calcular y comparar los resultados obtenidos : 𝐴⃗. (𝐵

⃗⃗𝑋𝐶⃗), 𝐵
⃗⃗. (𝐴⃗𝑋𝐶⃗)
𝐴⃗. (𝐶⃗𝑋𝐵) 𝑦 𝐶⃗. (𝐵
⃗⃗𝑋𝐴⃗),
Interpretación geométrica del producto mixto:
Sean tres vectores A, B y C que no están en el mismo plano y forman un paralelepípedo.

El valor absoluto del producto mixto de A, B y C es igual al volumen del paralelepípedo
formado por dichos vectores.
Demostración: Consideremos tres vectores, A, B y C que están en distintos planos. Ver el

gráfico siguiente:
[Escriba aquí]
El producto vectorial entre A y B es igual a un vector perpendicular a la base del

paralelepípedo, llamaremos P a dicho vector.
Además, sabemos que el módulo de P es igual al área del paralelogramo formado por los
vectores A y B, que es la base de dicho cuerpo geométrico.
El Producto mixto entre A, B y C es: ( A  B).C = P.C = P . C . cos (a)
 es el ángulo que forman los vectores P y C
h
cos  =  C . cos = h (b)
C
Observemos que h es la altura del paralelepípedo
Reemplazando en (a) lo obtenido en (b)
(A  B).C = P .h = área de la base por la altura = Volumen del paralelepípedo.

Condición de coplanaridad de tres vectores:
Tres vectores del espacio R3 se denominan coplanares si, considerados con un origen
común, sus direcciones quedan incluidas en un mismo plano.
Para comprobar si tres vectores no nulos son o no coplanares podemos aplicar el
producto mixto, ya que se cumple lo siguiente:
Si tres vectores son coplanares, el producto mixto es nulo.
[Escriba aquí]

• Álgebra Lineal – Stanley I. Grossman- Editorial Mc Graw Hill.

• Nociones de Geometría Analítica y Álgebra Lineal – Ana María Kozak y otros-
• Álgebra Lineal – Harvey Gerber – Grupo Editorial Iberoamérica
• Álgebra Lineal una Introducción Moderna - Poole, David –Editorial Thomson.
Otro libro muy interesante para consultar:
Álgebra Lineal – Ron Larson y David F. Falvo – Editorial CENGAGE Learning.
Sitio muy interesante para consultar:
http://www.fra.utn.edu.ar/catedras/algebra/lecturas/
ESPACIO VECTORIAL
Definición de Espacio Vectorial:
La cuaterna (V; + ; R ; · ) , donde:

V es un conjunto no vacío llamado conjunto de vectores,
R es el conjunto de números reales, llamados también escalares,
+: suma de vectores, llamada operación interna,
.: producto de un vector por un escalar, llamada operación externa,
es un Espacio Vectorial si se verifican los diez axiomas enunciados a continuación para la
suma vectorial y el producto de un vector por un escalar
1) Ley interna:
   
∀ v1 , v 2 ∈ V : v1 + v2 ∈ V
2) La suma es asociativa:
        
∀ v1 , v 2 , v 3 ∈ V : (v1 + v 2 ) + v 3 = v1 + (v 2 + v 3 )
3) La suma es conmutativa:
     
∀ v1 , v 2 ∈ V : v1 + v2 = v2 + v1

4) Existencia del vector nulo: o (neutro)
      
∃ o ∈ V /∀ v ∈ V : v + o = o + v = v
 
5) Para cada v de V existe un vector − v llamado elemento opuesto o simétrico:
    
 v  V  ( −v )  V / v + ( −v ) = o
[Escriba aquí]
 el par (V ; +) es Grupo Abeliano
6) Ley externa:
 
∀ v1  V∧ ∀ λ ∈ R : v1 . λ ∈ V
7) Distributividad del producto respecto a la suma de vectores:

     
∀ v1 , v 2 ∈ V ∧ ∀ λ ∈ R : λ . (v1 + v 2 ) = λ .v1 + λ .v 2
8) Distributividad del producto respecto a la suma de escalares:

   
∀ v ∈ V ∧ ∀ λ1 , λ 2 ∈ R : v . (λ1 + λ 2 ) = v.λ1 + v.λ 2
9) Asociatividad
  
∀ v ∈ V ∧ ∀ λ1 , λ 2 ∈ R : λ1 . (λ 2 . v ) = (λ1 . λ 2 ) . v
10) Elemento
 neutro para
 el producto:
∀ v ∈ V , 1∈ R :1.v = v
Observación: Cualquier conjunto V no vacío, que cumple con los diez axiomas
enunciados, se denomina Espacio vectorial y sus elementos se llaman vectores.
Las matrices y los polinomios cumplen con estas propiedades, por lo tanto, tienen
estructura de Espacio vectorial.
Ejemplos de Espacio Vectorial:
(R2 ; +; R; . ) , (R3 ; +; R; . ) , (R4 ; +; R; . ) , (M3 ; +; R; . ) , (P2 ; +; R; . )
Sugerencia: Consulta el texto Álgebra Lineal de Stanley Grossman (sexta edición)

Capítulo 4, para profundizar y ver más ejemplos.
Propiedades: Sea el Espacio Vectorial (V; +; R; . )
1) ∀ k∈ R, ⃗0⃗ ( vector nulo) ∈ V: k. ⃗0⃗ = ⃗0⃗

2) ∀ 𝑣⃗ ∈ V, 0 ∈ R : 0. 𝑣⃗ = ⃗0⃗ (vector nulo)
3) ∀ k∈ R, 𝑣⃗ ∈ V: (- k). 𝑣⃗ = - (k. 𝑣⃗ )
Subespacios de Espacios Vectoriales
Un subconjunto S de un Espacio Vectorial V es un subespacio si es un Espacio Vectorial

con las mismas operaciones definidas en V.
Definición: Un subconjunto no vacío S de un Espacio Vectorial se denomina subespacio

de V si S es un Espacio vectorial con las mismas operaciones de suma y multiplicación
por un escalar definidas en V.
El siguiente Teorema facilita la demostración de que un conjunto S es subespacio de un

determinado espacio vectorial V
[Escriba aquí]
Teorema:
Sea (V; +; R; . ) un espacio vectorial , el conjunto S es subespacio de V, si y solo si, se

verifican:
1) S es no vacío
2) S está incluido en V
3) ∀ 𝑣 ⃗⃗⃗⃗⃗,
1 ⃗⃗⃗⃗⃗⃗
𝑣2 ∈ S : 𝑣
⃗⃗⃗⃗⃗1 + ⃗⃗⃗⃗⃗⃗
𝑣2 ∈ S
4) ∀ k ∈ R, ∀ 𝑣⃗ ∈ S: k. 𝑣⃗ ∈ S
Observaciones:
1) Todo subespacio de un espacio vectorial contiene al vector nulo.
2) Si S no contiene al vector nulo, S no es un espacio vectorial.
Esta última observación es útil para demostrar que un subconjunto de un espacio
vectorial V no es subespacio de V.
Ejemplos de subespacios:
Subespacios triviales: Considerando el espacio vectorial (V, +, R, . ), podemos apreciar

que existen dos subespacios llamados triviales porque no es necesario demostrar este
hecho, ellos son:
• S= V, V es subespacio de si mismo
• S= { ⃗0⃗}, que es el conjunto cuyo único elemento es el vector nulo.
Otros subespacios :
• S= { (x,y) ∈ R2 / y= 2x } es subespacio de ( R2 , +, R, . )
• S= { A ∈ M2 / A es una matriz simétrica} es subespacio de ( M2 , +, R, .)
Actividad 1: Probar que los dos últimos conjuntos S son subespacio del espacio vectorial
respectivo.
Combinación lineal de vectores
Recordemos que un vector de R3 se puede escribir así: 𝑣⃗ = a 𝑖⃗+b𝑗⃗ + c𝑘⃗⃗

Podemos decir entonces que el vector 𝑣⃗ es combinación lineal de los vectores 𝑖⃗ , 𝑗⃗ y 𝑘⃗⃗ .
En forma genérica:
Si A= v1 ; v2 ; v3 ;...; vn es un conjunto de vectores del espacio vectorial
(V;+;R;) y α1; α2; α3;…;αn son números reales, entonces cualquier vector de la forma:
   
1v1 +  2 v2 +  3v3 + ... +  n vn
[Escriba aquí]
se denomina combinación lineal de dicho conjunto de vectores.

   
La combinación lineal 1v1 +  2v2 + 3v3 + ... +  nvn
n
 
se puede expresar así:  v /   R  v  A
i =1
i i i i
Gráficamente:
Ejemplos:
• En R2, el vector: (-3,11) es combinación lineal de los vectores:
(2,1); (-1,3) y (2,0)
Lo comprobamos: (-3,11) = 2. (2,1) + 3. (-1,3) + (-2). (2,0)
 2 3 3
 
• En M2x3; la matriz  12 5 4  es combinación lineal de
1 0 3  0 1 − 1
   
0 1 2 y  4 1 0 
 2 3 3 1 0 3  0 1 − 1
. Lo comprobamos:   = = 2.  + 3. 
12 5 4   0 1 2 4 1 0 
• Podemos decir que el polinomio P(x) = 5x2 + 3x -4 es combinación lineal de los

monomios x2 , x y x0
• ¿El vector V = ( 1 , - 2 , - 5 ) es combinación lineal de
 
v1 = (1, 1,1) y v 2 = (1, 2,3)?
  
Solución: para que V sea combinación lineal de v 1
y v 2
deben existir escalares
  
α1 y α2 / α1 v1 +α2 v 2 = V  α1 (1, 1,1) + α2 (1, 2,3) = (1, - 2,- 5) 
(α1, α1, α1) + (α2, 2α2, 3α2) = (1, - 2, - 5)
Sumando ternas:
(α1+α2, α1+2α2, α1+3α2) = (1, - 2,- 5)
Igualando las ternas, obtenemos un Sistema de ecuaciones lineales:
[Escriba aquí]
α1 + α 2 = 1

α1 + 2α 2 = −2
α + 3α = −5
 1 2
α 1 + α 2 = 1  α1 = 1 − α 2 
  1 − α 2 = −2 − 2α 2  α 2 = −3
α1 + 2α 2 = −2  α1 = −2 − 2α 2 
α1 + 3α2 = - 5  α1= -5 - 3α2
 α1 = - 5 - 3.(-3)  α1 = 4

(1, - 2,- 5) = 4 (1, 1,1) + ( - 3) (1, 2,3)
  
Luego V puede expresarse como combinación lineal de v 1
y v 2
Como vemos, el Sistema de ecuaciones lineales resultó ser compatible determinado, por
lo que la combinación lineal es única.
Actividad 2: Si el Sistema de ecuaciones lineales resulta ser compatible indeterminado,

¿Cómo será la combinación lineal? ¿Y Si el Sistema de ecuaciones lineales resultante es
incompatible?

Actividad 3: Averiguar si el vector V = (1, 2, 5) es combinación lineal de
 
v1 = (1, 0,1) y v 2 = (1, 2,-3).

Actividad 4: Averiguar si el vector V = (2, 3) es combinación lineal de
  
v1 = (1,1), v 2 = (1,2) y v3 = (1,-2)
Sugerencia: Consulta el texto Álgebra Lineal de Stanley Grossman (sexta edición) pág.
299, para profundizar y ver más ejemplos.
Dependencia e independencia lineal

    
Si A = v1 ; v 2 ; v 3 ;...; v n  es un conjunto de vectores, entonces la combinación
lineal (c.l.):
    
1v1 +  2 v2 +  3v3 + ... +  n vn = 0
tiene al menos una solución:
α1 = 0 α2 = 0 α=0 ... α =0
 n
Si esta solución es única, entonces se dice que A es un conjunto linealmente
independiente (l.i.). 
Si existen otras soluciones, se dice que A es linealmente dependiente(l.d.).
Gráficamente:
  
2v1 + 3v 2 = V
[Escriba aquí]
   
2v
la c. l. 1 + 3v 2 + ( −1)V =0
  
 v1 ; v 2 y V son l. d.
Cualquiera de estos vectores es combinación lineal de los restantes, es decir podemos

obtener el vector nulo sin que los coeficientes de la combinación lineal sean nulos.
Definición:
    
A = v1 ; v 2 ; v 3 ;...; v n  se dice que A es un conjunto

Dado un conjunto
linealmente dependiente si existen números reales α1 ; α 2 ; α 3 ;...; α n no todos nulos
    
tales que 1v1 +  2 v2 +  3 v3 + ... +  n vn = 0
Teorema: dos vectores de un Espacio Vectorial son linealmente dependientes si y solo si

uno de ellos es múltiplo escalar del otro.
Ejemplos:
 
• Los vectores: v 1 = (2,−1,0,3)
y v 2 = (−6,3,0,−9)
pertenecientes a R4, son
linealmente dependientes porque: v2 = −3v1 o lo que es lo mismo decir que
  
v2 + 3v1 = o
• Los vectores (- 2;4) y (1, - 2) pertenecientes a R2 son linealmente dependientes
Lo comprobamos: α1 (−) + α 2 (−) = (0,0)
 (−α1 α1 ) + (α 2 −α 2 ) = (0,0) , esta igualdad nos conduce a un Sistema de

ecuaciones Homogéneo
− α1 + α 2 = 0  α 2 = 2α1

α1 − α 2 = 0  α 2 = 2α1
El sistema se transforma en una sola ecuación, es un sistema de ecuaciones Homogéneo

indeterminado (con infinitas soluciones), significa que entre esas infinitas soluciones
existirán escalares no nulos que verifiquen la combinación lineal expresada al comienzo.
 1 = k , k  R

 2 = 2k
Como son vectores de R2, podemos representarlos gráficamente y comprobar que son
vectores con la misma dirección
[Escriba aquí]
-x x
-y
  
Actividad 5: Averiguar si los vectores v 1
= (1,1) , v 2
= (1,2) y v3 = (1,-2) son l.d.
Independencia lineal
En el plano R 2 es posible ver en forma gráfica que dados dos vectores 𝑣 ⃗⃗⃗⃗⃗1 y ⃗⃗⃗⃗⃗
𝑣2 con
direcciones distintas, no es posible encontrar un escalar tal que se pueda expresar uno de
ellos como múltiplo del otro, es decir no existe un escalar α tal que 𝑣
⃗⃗⃗⃗⃗1 = α. ⃗⃗⃗⃗⃗
𝑣2
De igual forma se puede decir que no existe α tal que:

⃗⃗⃗⃗⃗1 - α. ⃗⃗⃗⃗⃗
𝑣 𝑣2 = 0⃗⃗ (Vector nulo)
  
La igualdad  1v1 +  2 v 2 = 0 solamente se verifica si α1 = α2 = 0, es decir cuando los
coeficientes de la combinación lineal del vector nulo son todos nulos, en este caso
decimos que los vectores son linealmente independientes.
Definición:
    
Dado un conjunto A = v1 ; v 2 ; v 3 ;...; v n  se dice que A es un conjunto

linealmente independiente si la combinación lineal.

    
 1v1 +  2 v2 +  3 v3 + ... +  n vn = 0
Se verifica únicamente cuando α1 = α 2 = α 3 = ... = α n = 0
[Escriba aquí]

Ejemplo: Verificar que el conjunto A = (1,0,0); (0,1,0); (0,0,1) es linealmente
independiente.
α1(1,0,0) + α2(0,1,0) + α3(0,0,1) = (0,0,0)
 (α1, 0,0) + (0, α2, 0) + (0, 0, α3) = (0, 0,0)
 (α1, α2, α3) = (0,0,0)
Por igualdad de ternas obtenemos un Sistema de ecuaciones Homogéneo

α1 = 0 
 
α 2 = 0  α 1 = α 2 = α 3 = 0 A es linealmente independiente
α 3 = 0 
Podemos ver que si el Sistema de ecuaciones Homogéneo es determinado (solo
admite la solución trivial) los vectores son l.i.
Actividad 6: Averiguar si los siguientes conjuntos de vectores son l.d. o l.i..

a) {(1,2,3);(0,1,4);(2,0,4)}
1 2 0 2 1 −1
b) {( );( );( )}
3 1 −1 1 0 1
c) { x2 +4x; 3x+1; 2x-5}
Sistema de generadores de un Espacio Vectorial

    
Un conjunto de vectores A = v1 ; v 2 ; v 3 ;...; v n  es un sistema de generadores (o

conjunto generador) de un Espacio Vectorial V si A  V y cada vector en V es una
   
combinación lineal de v1 ; v 2 ; v 3 ;...; v n .
Simbólicamente:
   n   
A es S.G. de V   v  V : v =  α i vi , v i  A ,  i  R
i =1
Ejemplos:
 
1) Los vectores
i = (1,0) y j = (0,1) generan R2.
  
2) Los vectores
i = (1,0,0) , j = (0,1,0) y k = (0,0,1) generan R3.
a b 1 0 0 1  0 0 0 0
3) Como  = a.  + b.  + c.  + d . 
c d   0 0  0 0 1 0 0 1
1 0 0 1 0 0 0 0
Observamos que:   ;   ;   y   generan a M22.
0 0 0 0 1 0 0 1
4) ¿Dos vectores de R3 generan a R3 ? Por ejemplo:¿El conjunto A={ (1, 2, 3)

; (1, 0, 1) es generador de R3 ? Averígualo!
[Escriba aquí]
5) El conjunto {(1,0),(0,1),(1,1)} es generador de R2 ?

Si (a,b) es cualquier vector de R2 deben existir escalares
α1 , α 2 , α 3 / α1 (1,0) + α 2 (0,1) + α 3 (1,1) = (a , b)
 (α1 ,0) + (0, α 2 ) + (α 3 , α 3 ) = (a , b)
α1 + α 3 = a  α1 = a − α 3
 ;
α 2 + α 3 = b  α 2 = b − α 3
α = a − k
haciendo : α 3 = k   1
α 2 = b − k
Esto nos dice que el conjunto {(1,0),(0,1),(1,1)} es generador de R2.

Observemos que si el Sistema de ecuaciones obtenido es Compatible, el conjunto de
vectores considerado es generador del espacio vectorial.
Actividad 7: Averiguar si los siguientes conjuntos son generadores del espacio vectorial
respectivo.
a) {(1,2,3);(0,1,4);(2,0,4)} de R3
1 2 0 2 1 −1
b) {( );( );( )} de M2 (R)
3 1 −1 1 0 1
c) { x2 +4x; 3x+1; 2x-5} de P2
Base de un espacio vectorial

    
Si un conjunto A = v1 ; v 2 ; v 3 ;...; v n  es un conjunto de vectores del espacio
vectorial (V; +; R; ·) siendo este un sistema de generadores y un conjunto linealmente
independiente, este conjunto es una base de dicho espacio vectorial.
Definición:
Un conjunto de vectores v 1; v 2 ; v 3 ;...; v n  es una base de un espacio vectorial V
si:
i) v 1; v 2 ; v 3 ;...; v n  es linealmente independiente.
ii) v 1; v 2 ; v 3 ;...; v n  genera a V.
La diferencia entre sistema de generadores y base es que una base no tiene vectores
superfluos, tiene sólo los necesarios para poder representar a los demás vectores del
espacio.
Para determinar si un conjunto de vectores es base de un espacio vectorial, debemos
comprobar que se cumplan las dos condiciones dadas en la definición: deben ser l.i. y
generador del espacio vectorial.
Actividad 8: Considera los conjuntos de la actividad anterior y determina si son base.
[Escriba aquí]
Base canónica: La determinan los vectores fundamentales o versores que son los
vectores unidad sobre los ejes coordenados y con igual sentido que los ejes positivos.
z
0 1
x
R (0,0,1)
R _ recta _ base unidimensional (0,1,0)
y
y
(1,0,0) R3
x
(0,1)
x R3 _ espacio _ base tridimensional
(1,0)
R2
R2 _ plano _ base bidimensional
Ejemplos: en (R2; +; R; ·)

A = (1,0); (0,1); (1,1) es un Sistema Generador de R2 pero no es linealmente
independiente  no es base.

B = (1,0); (0,1) es un Sistema Generador de R2 y es linealmente independiente  es
base. Es la base canónica de R2

C = (1,0) no es un Sistema Generador de R2  no es base de R2, aunque es linealmente
independiente
Sean:
1 0 0 1 0 0 0 0
M1 =   ; M2 =   ; M3 =   ; M4 =   el conjunto de matrices cuadradas
0 0 0 0 1 0 0 1

S = M1 ; M 2 ; M3 ; M 4  es una base del espacio vectorial M22.
a b
Para comprobar que S genera a M22, consideremos una matriz arbitraria  
c d
expresamos:
a b 1 0 0 1 0 0 0 0
  = a   + b   + c   + d  
c d 0 0 0 0 1 0 0 1
para verificar que es linealmente independiente esta combinación lineal igualamos:
1 0 0 1 0 0 0 0 0 0
a   + b   + c   + d   =  
0 0 0 0 1 0 0 1 0 0
[Escriba aquí]
en consecuencia:
a b 0 0
  =  
 c d  0 0
Por lo tanto: a = b = c = d = 0 y en consecuencia S es linealmente independiente.
Nota: para indicar que v 1; v 2 ; v 3 ;...; v n  es una base del Espacio Vectorial (V ; + ; R; ·)
utilizaremos el símbolo v.
Dimensión
El número de vectores de una base de un Espacio Vectorial se conoce como la

dimensión del espacio.
Si la dimensión del espacio es “p” se dice que el espacio es “p” dimensional.
Cuando un espacio vectorial tiene una base que consiste en un número finito de
vectores, entonces el espacio es de dimensión finita.
Teorema
Un espacio Vectorial tiene dimensión finita k  k es el máximo número de
vectores en un conjunto linealmente independiente.
Definición
La dimensión de un Espacio Vectorial es el número cardinal de cualquiera de sus
bases.
Si el vector V consiste sólo en el vector nulo, diremos que su dimensión es 0.
Ejemplos:
1_ (C2 ; + ; R ; ·) tiene dimensión 4 y c = (1,0); (0,1); (i,0); (0, i ). Constituye la base
canónica.
2_ (Rn ; + ; R ; ·) tiene dimensión n y e = (1,0,...,0); (0,1,...,0); (0,0,1,...,0);...; (0,0,...,1)
.Constituye la base canónica.
3_ (R2 ; + ; R ; ·) tiene dimensión 2 y e = (1,0); (0,1). Constituye la base canónica.
4_ (R3 ; + ; R ; ·) tiene dimensión 3 y e = (1,0,0); (0,1,0); (0,0,1).Constituye la base
canónica de R3.
Coordenadas de un vector
Sea V un Espacio Vectorial

  
El conjunto B = {v1 , v 2 ,..., v n
} es una base de dicho espacio vectorial.
Todo vector se puede expresar en forma única como combinación lineal de los
vectores de la base B, es decir existen escalares únicos
   
x1 , x 2 ,..., x n / v = x1v1 + x 2 v 2 + ... + x n v n

Estos escalares se denominan coordenadas del vector v respecto de la base B.
[Escriba aquí]
 x1 
x 
Se indica v

B =  2
 
 
x n 
Cambio de base
Sea V un espacio vectorial de dimensión ‘n’

  
B1 = {v1 , v 2 ,..., v n
} base de V
  
B2 = {u1 , u 2 ,..., u n } base de V

Sea x  V
Como B1 es base de V:
 x1 
x 
x = x 1 v1 + x 2 v 2 +  + x n v n ⇒x B1
   
=  2

 
x n 
Como B2 es base de V:
 y1 
y 
x = y1u 1 + y 2 u 2 +  + y n u n ⇒x B2
   
=  2
 
 
y n 
Podemos representar la situación descripta mediante el siguiente diagrama:
 
¿Qué relación existe entre las coordenadas de x en B1 y las coordenadas de x en B2?
[Escriba aquí]
Además, podemos ver que cada vector de B1 es combinación lineal de los vectores de B2
 p11 
p 
   


v1 = p11u 1 + p 21u 2 +  + p n1u n ⇒ v1 B2 =  21 
  
 
 p n1 
 p12 
p 
v 2 = p12 u 1 + p 22 u 2 +  + p n 2 u n ⇒v 2 B2 =  22 
    
  
 
p n 2 

 p1n 
p 
v n = p1n u 1 + p 2 n u 2 +  + p nn u n ⇒v n B2
    
=  2n 
  
 
 p nn 
Al expresar cada vector de B1 en función de los vectores de la base B2

 p11   p12   p1n   p11 p12  p1n   x 1 
p  p  p  p p 22  p 2 n   x 2 
x B = x1  21 
+ x2  22 
++ xn  2n 
=  21
2
               
        
 p n1  p n 2   p nn   p n1 p n 2  p nn   x n 

P
P se llama: matriz de transición de la base B1 a la base B2, ó matriz de paso de B1 a B2 ó
matriz de cambio de base.
Cada columna de P corresponde a las coordenadas de los vectores de B1 en la base B2
P es cuadrada y sus columnas son las coordenadas de los vectores de la base B1 en la
base B2, dichas coordenadas son únicas para cada vector.
Teorema: Sea P la matriz de transición de B1 a B2 , entonces P-1 es la matriz de transición

de B2 a B1 .
Demostración:
Sea Q la matriz de transición de B2 a B1 [𝑥⃗]𝐵1 = 𝑄[𝑥⃗]𝐵2 (1)
Pero [𝑥⃗]𝐵2 = 𝑃[𝑥⃗]𝐵1

Sustituyendo en(1) : [𝑥⃗]𝐵1 = 𝑄𝑃[𝑥⃗]𝐵1  𝑄𝑃 = 𝐼  𝑄 = 𝑃−1

• Álgebra Lineal – Stanley I. Grossman- Editorial Mc Graw Hill.
[Escriba aquí]
• Nociones de Geometría Analítica y Álgebra Lineal – Ana María Kozak y otros-

• Álgebra Lineal – Harvey Gerber – Grupo Editorial Iberoamérica
• Álgebra Lineal una Introducción Moderna - Poole, David –Editorial Thomson.
•
Otro libro muy interesante para consultar:Álgebra Lineal – Ron Larson y David F.
Falvo – Editorial CENGAGE Learning.
Sitio para investigar: http://hgm.shibanazihuatanejo.com/AL/index.html
TRANSFORMACIONES LINEALES
Las funciones son muy importantes en todas las ramas de la matemática
A f
B
x y
Sabemos que la función f: A→B asigna como imagen a un elemento x de A, otro elemento
y de B, es decir transforma elementos de un conjunto A en elementos de un conjunto B.
Veremos ahora funciones que transforman elementos de un espacio vectorial V en
elementos de un espacio vectorial W, y que además conservan las operaciones interna y externa.
Estas funciones se denominan Transformaciones Lineales.
Definición:
Sea T una función definida de un espacio vectorial V en un espacio vectorial W. T es una
transformación lineal si se cumple lo siguiente:
I. u,vV: T(u+v) = T(u) + T(v)
II. uV, kR: T(k.u) = kT(u)
T W
u T(u)
v T(v)
u+v T(u+v) = T(u) + T(v)
Ejemplos: ku T(ku) = k.T(u)

2 2
1) T: R →R / T(x,y) = (2x,y)
T(4,3) = (8,3) ; T(0,0) = (0,0)
[Escriba aquí]
Probamos que es una transformación lineal, demostrando que se cumplen I y II.

I. T[(x1,y1) + (x2,y2)] = T(x1,y1) + T(x2,y2) (a probar)
Para probar partimos del primer miembro de la igualdad, sumamos los vectores y
aplicamos la fórmula para hallar la imagen por T. luego, vemos si se puede descomponer esta
imagen en la suma correspondiente al segundo miembro de la igualdad.
T[(x1,y1) + (x2,y2)] T(= x 1 + x 2 , y1 + y 2 ) [2(x
= 1+x2);(y1+y2) =
↓      ↓ ↓
sumamos x y hallamos prop dist
la imagen por T
(2x1+2x2 , y1+y2) (2x1,y1) + (2x2,y2) = T(x1,y1) + T(x2,y2)  se cumple I
=
↓ 1,y1)
II. T[k(x1,y1)] = k.T(x (a probar)
Expresamoscomo
. la suma de dos
pares ordenados
T[k(x1,y1)] T( = k .x 1 , k .y1 ) (2k.x
= 1 , k.y1) 1,y1) = k.T(x1,y1)  se cumple II
k.(2x=
↓  ↓ ↓
mult ip.k porx y aplicamos fact or
el par ord. T común k
Como se probaron I y II T es una transformación lineal
2) ¿Es T una transformación lineal? T: R2→R2 / T(x,y) = (x+2,y)

I. T[(x1,y1) + (x2,y2)] = T(x1,y1) + T(x2,y2)
T[(x1,y1) + (x2,y2)] = T(x1+x2 , y1+ y2) = [(x1+x2)+2;(y1+y2)] =
( x 1 + 2; y1 ) + ( x 2 ; y 2 )  T(x1,y1) + T(x2,y2)  no se cumple I  no es una T. L.
   
= T (x1 , y1 ) ≠T (x2 , y 2 )
Algunas transformaciones lineales especiales:
La transformación cero:
T: V→W / vV: T(v) = Ow
La transformación identidad:
T: V→W / vV: T(v) = v
La transformación de reflexión:
T: R2→R2 / T(x1,y1) = (-x1,y1) _ Se puede verificar fácilmente que T es una T.L.
Geométricamente T toma un vector de R2 y lo refleja respecto al eje y.
y
y1
T( )
x
-x1 x1
[Escriba aquí]
PROPIEDADES
Teorema: Sea la T.L. T: V→W. Entonces:

a) T(Ov) = Ow (siendo Ov: vector nulo de V; Ow: vector nulo de W)
b) T(-v) = -T(v) vV
c) u,vV; k1,k2 escalares arbitrarios: T(k1.u + k2.v) = k1.T(u) + k2.T(v)
Demostramos:
a) T(Ov) = Ow Sabiendo que por Prop de los Esp. Vect. El vector nulo Ov =0.v
T(Ov) = T(0.v) = 0. T(v) = Ow
↓ 
T es T .L. wW
Consecuencia: Si T es una T.L.→ T(Ov) = Ow
La recíproca no es válida, el hecho de que la imagen del vector nulo de V sea el vector nulo de W
no garantiza que T sea una T. L.
Por ejemplo T(x,y) = (x2,y)
T(0,0) = (0,0) Pero T no es una T. L.
b) T(-v) = -T(v)
T(-v) = T[(-1).v] = -1 .T(v) = -T(v) (-v= -1.v por prop. de los Esp. Vectoriales)
↓
T es T .L.
Consecuencia:
T(u-v) = T(u) - T(v)
T(u-v) = T[u+(-v)] = T(u) + T(-v) = T(u) + [-T(v)] = T(u) - T(v)
↓
T es T .L.
c) T(k1.u + k2.v ) = T(k1.u) + T(k2.v) = k1.T(u) + k2.T(v)

↓ ↓
T es T .L. por II
por I
Subespacios asociados a una transformación lineal
Sean V y W dos espacios vectoriales y T: V→W una Transformación Lineal.

Existen dos subespacios muy importantes, asociados a toda T.L.: el Núcleo y el conjunto Imagen.
Núcleo o Kernel de una T.L.:

El Núcleo o Kernel de una T.L. definida entre dos espacios vectoriales V y W, es el conjunto
de los vectores del dominio V (o primer espacio vectorial) que tienen como imagen al vector nulo
del segundo espacio vectorial W.
T
V W
NT = {vV/T(v ) = Ow}
NT  V (El núcleo de T está incluido
N ampliamente en V)
Ow
Ov
[Escriba aquí]
Propiedad del Núcleo:

Sea T: V→W una T.L.
El Núcleo de T es un subespacio de V.
Demostración:
1º) NT   como V s un espacio vectorial, existe en él el vector nulo Ov, además se probó que
T(Ov) = Ow  OvNT porque su imagen por T es el vector nulo de W.
2º) NT  V se cumple por definición de núcleo.
3º) v1,v2 NT: (v1 + v2)NT
Sea v1NT  T(v1) = Ow (a)
v2NT  T(v2) = Ow (b)
Sumamos v1 + v2 y hallamos su imagen por T
T(v1+v2) =T(v1) + T(v2) Ow=+ Ow = Ow  v1+v2NT
↓ ↓
T es T .L. por
(a) y (b)
4º) Si kK; vNT  k.vNT

Si vNT  T(v) = Ow (c)
= w = Ow  k.vNT porque su imagen es Ow.
T(k.v) =k.T(v) k.O
↓ ↓
por (II) por (c)
de T .L.
Por 1), 2), 3) y 4) NT es un subespacio de V
Conjunto Imagen de una T.L.:

Sea T: V→W una T.L.
Se llama conjunto Imagen de T al conjunto de vectores del segundo espacio vectorial (W) que son
imagen por T de algún vector del primer espacio vectorial V.
T
V W
ImT = {wW/ w = T(v ); vV}
ImT
v w
Ov Ow
u w’
Propiedad:
Sea T: V→W una T.L. El conjunto imagen de una transformación lineal es un subespacio de
W.
Demostración:
1°) ImT  ; Ow es imagen de Ov por ser una T una transformación lineal OwImT.
2°) ImT  W se cumple por definición de Conjunto Imagen.
[Escriba aquí]
3°) w1ImT, w2ImT: w1+w2  ImT

w1ImT  w1 = T(v1); v1V (a)
w2ImT  w2 = T(v2); v2V (b)
= 1) + T(v2) T(v1=+v2)  w1+w2  ImT
Sumamos: w1 + w2 T(v
↓ ↓
por T es T .L.
(a) y (b)
4°) kK; wImT  k.wImT
wImT  w = T(v) (c)
=  k.wImT
k.w =k.T(v) T(k.v)
↓ ↓
por (c) por (II)
de T .L.
Por 1), 2), 3) y 4) ImT es un subespacio de W.
Podemos resumir estas dos propiedades mediante el siguiente esquema:

T
V W
ImT
NT
Ov Ow
NT  V ImT  W
Ejemplos:
1) T: Mn→Mn/T(A) = AT
I_ T(A + B) = (A + B)T = AT + BT = T(A) + T(B)
II_ T(k.A) = (k.A)T = k.AT = k.T(A)
Es una T.L.
Núcleo: T(A) = N (matriz nula)

T(A) = AT
AT = N (matriz nula) si A = N (matriz nula)
N = matriz nula  NT = {N}
Conjunto Imagen: Toda matriz tiene su transpuesta en Mn  ImT = Mn

 a b 
2) T: M2(R)→R2/ T   = (a+d ; b+c)
 c d 
 a b1   a 2 b 2   a b1    a b 2 
I_ T  1 +  = T  1  + T  2 
 c1 d1   c 2 d 2   c1 d 1   c 2 d 2 
[Escriba aquí]
 a b1   a 2 b 2   a + a 2 b1 + b 2  
T  1 +  = T  1  =
 c1 d1   c 2 d 2   c1 + c 2 d1 + d 2 
[(a1+a2) + (d1+d2) ; (b1+b2) + (c1+c2)] = [(a1+d1) + (a2+d2) ; (b1+c1) + (b2+c2)] =
 a b1    a b 2 
(a1+d1 ; b1+c1) + (a2+d2 ; b2+c2) = T  1  + T  2 
 c1 d 1   c 2 d 2 
 a b   a b 
II_ T k .  = k. T  
  c d   c d 
 a b   k .a k .b 
T k .  = T   = (k.a+k.d ; k.b+k.c) = [k.(a+d) ; k.(b+c)] =
 c d   k .c k .d 
 a b 
k.(a+d ; b+c) = k. T  
 c d 
Por I y II T es una T.L.
Hallamos el Núcleo:
 a b 
T   = (0,0)
 c d 
a + d = 0 ⇒ a = -d ⇒ a y d son núm. op.
(a+d ; b+c) = (0,0)  
b + c = 0 ⇒ b = -c ⇒ b y c son núm. op.
 − d − c 
N T =  
 c d 
Hallamos el Conjunto Imagen:
 a b 
T   = ( a+ d ; b+ c )  ImT = R2
 c d  ∈R ∈R
Teorema fundamental de las transformaciones lineales

Sea T: V→W una transformación lineal entre dos espacios vectoriales V y W.
  
Si B = { v ; ;…; v
1 v2 n
} es una base de V, entonces T está determinada de manera única por los
  ); …; T(  ).
valores de T( v1 ); T( v 2 vn
Demostración:

Sea x un vector perteneciente a V. Como B es una base de V, existen k1, k2,…, kn escalares
únicos, tales que:
   
x = k1v1 + k 2 v 2 + ... + k n v n
   
T(x) = T(k1v1 + k 2 v 2 + ... + k n v n )
Como T es una T.L.
   
T(x) = k1T(v1 ) + k 2 T(v 2 ) + ... + k n T(v n )

Como k1, k2,…, kn son determinados de manera única, el valor de T( x ) es determinado también de
modo único por T( v ); T(  );…; T(  ).
1 v2 vn
Ejemplos:
[Escriba aquí]
 1  2
 
1. Sea T: R3→R2 una T.L. Las imágenes por T de los vectores canónicos son T  0  =   ;
   3 
 0 
 0  − 1  0 
  =   y   = 1
T 1   T 0  
   0    1
 0   1 
 2 
Hallar T  1 
 
 −1
2 1 0 0
       
 1  = 2.  0  + 1.  1  + (-1).  0 
 −1 0 0 1
 2   1   0   0 
         2  − 1  1
T  1  = 2. T  0  + 1. T  1  + (-1). T  0  = 2.   + 1.   + (-1).  
         3 0  1
 −1  0   0   1 
 2 
   4   − 1  − 1  2 
T  1  =   +   +   =  
   6   0   − 1  5 
 −1
 1   4
 1     0   
2. T: R →R es una T.L. T   =  3   T   =  0 
2 3
 0   − 2   1   1 
   
 − 1
Hallar T  
 2 
 − 1 1 0
  = (-1).   + 2.  
2 0 1
 1   4  7 
 − 1  1   0       
T   = (-1). T   + 2. T   = (-1).  3  + 2.  0  =  − 3 
 2   0   1   − 2 1  4 
     
1  2  1  3 
3. T: R2→R2 una T.L. Una base de R2 es B =  ;   además T   =  2  y
1  − 1 1  
 2   0 
T   =  
 −1  − 4 
 0 
 − 6 
[Escriba aquí]
 x 
 y 
 0 
Como B no es la base canónica, en primer lugar, debemos hallar k1 y k2 para el vector  
 − 6
 1 2  0 
k1.   + k2.   = 
 1  −1  − 6 
k1 + 2k 2 = 0

 k1 − k 2 = −6
Resto  3k 2 = 6
k2 = 2
k1 = -2.k2  k1 = -2.2  k1=-4
 0   1 2
  = -4.   + 2.  
 − 6  1  −1
 0  1  2   3  0 
 T   = -4. T   + 2. T   = -4.  2  + 2.  − 4 
 − 6  1  −1    
 0   − 12   0   − 12 
 T   =  + = 
 − 6   − 8   − 8   − 16 
 x 
Hallamos T  
 y 
x 1  2 
Primero hallamos las coordenadas de   en la base  ;  
y   1  − 1
 1  2  x
k1.   + k2.   = 
 1  −1  y 
 k1 + 2 k 2 = x

 k1 − k 2 = y
Resto  3k 2 = x − y
k2 = 1 x − 1 y
3 3
k1 = y + k2  k1 = y + 1 x − 1 y  k1= 1 x + 2 y
3 3 3 3
[Escriba aquí]
x  1 2
   =  x + y  .   +  x − y  .  
1 2 1 1
 y 3 3  1 3 3   −1
k1 k2
 x  1  2 
 T   =  x + y  . T   +  x − y  . T  
1 2 1 1
 y  33  1 3 3   −1
k1 k2
 x   3  0 
 T   =  1 x + 2 y  .   +  1 x − 1 y  .  
 y   3 3   2  3 3   − 4
 x   x + 2y   0   x + 2y 
 T   = 2 4  
+  − x + 4 y  =  2
4 
 y   x + y  − x + 8 y
3 3   3 3   3 3 
1  1+ 2   3  2   2−2   0 
Verifico hallando T   =  − 2 + 8  =    T   =  − 2 .2 + 8 .( −1)  =  
1  3 3   2   −1  3 3   − 4 
Matriz asociada a una transformación lineal para bases cualesquiera
Sea T: Vn→Wm una T.L.

  
B1 = { v ,
1 v2
,…, v n
} base del espacio vectorial Vn de dimensión ‘n’;
  
B2 = { w 1 , w 2 ,…, w m } base del espacio vectorial Wm de dimensión ‘m’.
  
Entonces existe y es única la matriz A de clase mn tal que  x  Vn : T(x )B2 = A.xB1 , donde las

columnas de A son las coordenadas de las imágenes por T de los vectores v i
de la base B1 de Vn
en la base B2.
[Escriba aquí]
La situación planteada es la siguiente:

T
Vn Wm
T( )
c.l.
T( ) c.l.
T( ) c.l.
B1
c.l
. T( )
B2
Demostración:
Como B1 es base de Vn:
 x1 
x 
     
 x  Vn : x = x1v1 + x2v2 + ... + xnvn  x B1 =  2

 
 xn 
   
La imagen por T de x: T( x ) = x 1 T( v1 ) + x 2 T( v 2 ) + ... + x n T( v n )
  
W W W
Las imágenes por T de los vectores de B1 pertenecen a Wm  pueden ser expresados
como combinación lineal de los vectores de B2.
[Escriba aquí]
 a 11 
a 
    
T( v1 ) = a 11 w 1 + a 21 w 2 +  + a m1 w m  T( v1 )B2 =  21 
  
 
a m1 
 a 12 
a 
    
T( v 2 ) = a 12 w 1 + a 22 w 2 +  + a m2 w m  T( v 2 )B2 =  22 
  
 
a m2 

 a 1n 
a 
    
T( v n ) = a 1n w 1 + a 2n w 2 +  + a mn w m  T( v n )B2 =  2n 
  
 
a mn 
 a 11   a 12   a 1n 
 a 21   a 22  a 
T(x )B = x 1   + x 2   + ... + x n  2n 
        
2
 m1 
a  m2 
a a mn 
 a 11 a 12  a 1n   x 1 
a a 2n   x 2 
T(x )B =  21
a 22 
. 
      
2
a m1 a m2  a mn   x n 
T(x )B 2

= A.xB1
La matriz A es de clase mn donde m es la dimensión del segundo espacio vectorial (W) y
n es la dimensión de primer espacio vectorial (V).
Además, cada columna de A corresponde a las coordenadas de las imágenes de los
vectores de B1 en la base B2.
Ejemplo:
Sea la Transformación lineal T:R2 →R3 / T(x,y) = (2x+y ; x-y ; x+4y)
y las bases B1= {(0,2), (2,0)} de R2 y B2= {(1,0,2), (0, −1,0), (0,0, −1)} de R3
a) Hallar la matriz de la transformación lineal referida a las bases B1 y B2
b) Hallar la imagen por T del vector x=(1,-1) directamente y usando la matriz obtenida.
Resolvemos:
Las columnas de la matriz son las coordenadas en B2 de las imágenes de los vectores de B1
T(0,2)=(2 , -2 , 8)
Hallamos las coordenadas de (2 , -2 , 8) en la segunda base
[Escriba aquí]
1 0 0 2
𝑘1 . (0) + 𝑘2 . (−1) + 𝑘3 . ( 0 ) = (−2)
2 0 −1 8
k1 =2
-k2 =-2
2 k1 – k3 =8
Resolviendo el sistema: k1 =2 , k2 =2 y k3 = -4
T(2,0)=(4 ,2 ,2)
Hallamos las coordenadas de (4 ,2 ,2) en la segunda base
1 0 0 4
𝑘1 . (0) + 𝑘2 . (−1) + 𝑘3 . ( 0 ) = (2)
2 0 −1 2
k1 = 4
-k2 = 2
2 k 1 – k3 = 2
Resolviendo el sistema: k1 =4 , k2 = -2 y k3 = 6
La matriz de la transformación lineal es:
2 4
𝐴 = ( 2 −2)
−4 6
b) Hallamos la imagen del vector (1,-1) directamente aplicando la fórmula de la
transformación lineal
T(1,-1)=(1 , 2 , -3)
c) Hallamos la imagen del vector (1,-1) usando la matriz de la transformación lineal

Mediante la matriz A obtenemos las coordenadas de la imagen del vector en la
segunda base
[𝑇(1, −1)]B2 = A.[𝑥]𝐵1
Calculamos [𝑥]𝐵1
0 2 1
𝑘1 . ( ) + 𝑘2 . ( ) = ( )
2 0 −1
2k2 =1
1 1
2k1= -1 Resolviendo k2 = 2
y k1 = - 2
[Escriba aquí]
1
−
[𝑥]𝐵1 = ( 1 2)
2
1
2 4 −2 1
[𝑇(1, −1)]B2 = A.[𝑥]𝐵1 = ( 2 −2). ( 1 ) =(−2) coordenadas del vector en la
−4 6 2 5
segunda base
1 0 0 1
T(1, −1) = (0) + (−2). (−1) + 5. ( 0 ) = ( 2 )
2 0 −1 −3
Cambio de base sobre la matriz de la transformación lineal
Consideremos la transformación lineal T definida entre los espacios vectoriales V y W

T:V→W
V es un espacio vectorial de dimensión n
W es un espacio vectorial de dimensión m
En cada espacio vectorial tenemos dos bases distintas
B1 ={𝑣1 , 𝑣2,… 𝑣𝑛 } base de V
B1’ ={𝑣′1 , 𝑣′2 ,… 𝑣′𝑛 } base de V
B2 ={𝑤1 , 𝑤2,… 𝑤𝑚 } base de W
B2’ ={𝑤′1 , 𝑤′2,… 𝑤′𝑚 } base de W
Conocidas las matrices:
A matriz de la transformación lineal referida a las bases B1 y B2
A´ matriz de la transformación lineal referida a las bases B´1 y B´2
P1 matriz de transición o de cambio de base de B´1 a B1 del espacio vectorial V
P2 matriz de transición o de cambio de base de B´2 a B2 del espacio vectorial W
La situación planteada es la siguiente:
[Escriba aquí]
Sabemos que:
Las coordenadas de un vector x de V referidas a la base B1 simbolizamos: [𝑥]𝐵1
Las coordenadas de un vector x de V referidas a la base B’1 simbolizamos: [𝑥]𝐵′1
Las coordenadas de la imagen de x por T referidas a la base B2 simbolizamos: [𝑇(𝑥)]𝐵2
Las coordenadas de la imagen de x por T referidas a la base B’2 simbolizamos: [𝑇(𝑥)]𝐵′2
[𝑇(𝑥)]𝐵2 =A. [𝑥]𝐵1 (1)

[𝑇(𝑥)]𝐵′ 2 =A´. [𝑥]𝐵´1 (2)
[𝑥]𝐵1 = P1 . [𝑥]𝐵´1 (3)
[𝑇(𝑥)]𝐵2 = P2 . [𝑇(𝑥)]𝐵´2 (4)
Nos interesa encontrar la relación existente entre las matrices de la transformación lineal y las de
cambio de base
Si en (1) reemplazamos [𝑇(𝑥)]𝐵2 por (4) y [𝑥]𝐵1 por (3)
P2 . [𝑇(𝑥)]𝐵´2 = A. P1 . [𝑥]𝐵1 premultiplicando por 𝑃2−1
𝑃2−1 . P2 . [𝑇(𝑥)]𝐵´2 = 𝑃2−1 . A. P1 . [𝑥]𝐵1 recordemos que 𝑃2−1 . P2 = I
[𝑇(𝑥)]𝐵´2 = 𝑃2−1 . A. P1 . [𝑥]𝐵´1 Pero tambien por (2) [𝑇(𝑥)]𝐵´2 =A´. [𝑥]𝐵´1
Como la matriz A es única

A´ = 𝑷−𝟏
𝟐 . A. P1
[Escriba aquí]
LA RECTA EN EL PLANO
• Recta que pasa por un punto y es paralela a un vector


Consideremos la recta ‘r’ que pasa por P1 y es paralela al vector u .
y
r
P Las coordenadas del punto P1 son
y (x1,y1);

P1 Las componentes del vector u son
y1 (ux,uy);
Tomamos un punto genérico de la
recta ‘r’, P = (x,y); queda así
determinado el vector
P1P = (x − x1 ; y − y1 ) que es
uy 
paralelo al vector u .
x
ux x1 x
Al ser estos dos vectores paralelos existe la combinación lineal:


P1P = λ.u ; λ  R Ecuación Vectorial;  se denomina parámetro
Si en la ecuación vectorial reemplazamos cada vector por sus componentes:

( x − x1 ; y − y1 ) = λ.(u x , u y )
( x − x1 ; y − y1 ) = (λ.u x , λ.u y )
x − x 1 = λ.u x
De esta igualdad de vectores:  (I )
 y − y1 = λ.u y
x = x1 + λ. u x
- Si de (I ) despejamos x e y:  λ  R Ecuaciones Paramétricas
 y = y1 + λ. u y

u = (ux,uy) vector // recta
P1(x1,y1) punto perteneciente a la recta
Por cada valor que asignamos a , obtendremos un punto perteneciente a la recta.
P1(x1,y1)  recta
x − x1 
λ=
u x  x − x 1 y − y1
- Si de (I ) despejamos :  = Ecuación Simétrica
y − y1  ux uy
λ=
u y 
(ux,uy) vector director de la recta

[Escriba aquí]

En la ecuación simétrica: u no debe tener ninguna
componente nula
Ejemplo:
Escribir las ecuaciones: vectorial, simétrica y paramétrica de la recta que pasa por P1 = (-

3,2) y es paralela a u = (2,-5)
y
Tomamos un punto genérico P(x,y) 
recta
P 
 P1P = λ.u Ec. Vectorial
P1
2 Reemplazando cada vector por sus
componentes
2 (x + 3;y − 2) =  .(2;-5)
-x x
-3 (x + 3;y − 2) = ( .2;- .5)
 x + 3 = 2λ
 (I )
 y − 2 = −5λ
De (I ) despejamos x e y
-5 x = −3 + 2λ
  Ecs. Paramétricas
 y = 2 − 5λ
-y
 x+3
=
 2  x + 3 = y − 2 Ecuación Simétrica
De (I ) despejamos   
 = y − 2 2 −5

 −5
[Escriba aquí]
Posiciones particulares de una recta
1. Recta que pasa por el origen de coordenadas

y
Como la recta pasa por el origen de coordenadas el punto
(0,0) pertenece a la misma. Reemplazamos sus
r coordenadas en la ecuación simétrica:
x−0 y−0 x y
=  =  Despejando y
ux uy ux uy
uy uy
uy y= . x  Llamando ‘m’ al cociente
α ux ux
x y = m.x Ecuación explicita de la recta que pasa por el
ux
origen de coordenadas
Observación:
uy
= m , es la tangente trigonométrica del ángulo α que forma la recta con el semieje positivo de
ux
las x, ‘m’ se llama pendiente.
2. Recta que corta a los ejes coordenados:

y La recta corta al eje ‘y’ en el punto (0,b)
r  reemplazando las coordenadas de este punto
en la ecuación simétrica:
x−0 y−b uy
(0,b) =  y−b = .x
ux uy ux
uy uy
 y= .x + b
ux
x
ux uy
Llamando ‘m’ al cociente
ux
y = mx + b Ecuación explícita, donde
m: pendiente
b: ordenada al origen
[Escriba aquí]
3. Recta paralela al eje ‘x’:

La recta corta al eje ‘y’ en el punto (0,b).
y Reemplazamos (0,b) en las ecuaciones paramétricas.

El vector director es u = (u x ,0)
x = 0 + λ.u x
(0,b) r  ;λR
y = b + λ.0
x = λ.u x
 la abscisa recorre el conjunto R
y = b
x  La ecuación de la recta // al eje x es: y = b
ux
Ejemplo:
y r: recta // al eje x, corta al eje y en (0;3)  la ecuación es y = 3
3 r
4. Recta paralela al eje ‘y’:

y
r La recta ‘r’ corta al eje ‘x’ en el punto (a,0).

El vector director de la recta es u = (0, u y )
Con estos datos podemos escribir las ecuaciones
paramétricas.
uy x = a + λ.0
 ;λR
y = 0 + λ.u y
x x = a
(a,0)  la ordenada recorre el conjunto R
y = λ.u y
 La ecuación de la recta // al eje y es: x = a
[Escriba aquí]
Ejemplo:
y
r es una recta // al eje y, que corta al eje x en el valor r-2
 la ecuación es x = −2
5. Ecuaciones de los ejes x e y:

y -2
-x
Ecuación eje x: y = 0 0
Ecuación eje y: x = 0
-x x -y
(0,0)
-y
Ecuación de la recta que pasa por dos puntos:
y
Conociendo dos puntos pertenecientes a
una recta, podemos hallar su ecuación.
Si tenemos como datos
r P1 ( x1 , y1 )  recta

y2
P2
P2 ( x 2 , y 2 )  recta
y P Podemos determinar el vector
y2 − y1
y1
P1 α P1P2 = (x 2 − x1 , y 2 − y1 ) que dirige la
recta.
x2 − x1
Considerando un punto genérico de la
recta P(x,y), queda determinado el vector
x P1P = (x − x1 , y − y1 )
x1 x x2
Como P1 P es paralelo al vector P1P2  son linealmente dependientes:
 P1P = λ . P1P2 ; λ  R Ecuación Vectorial
Reemplazando cada vector por sus componentes:

(x − x1 ; y − y1 ) = λ.(x 2 − x1 ; y 2 − y1 )
(x − x1 ; y − y1 ) = λ.(x 2 − x1 ) ; λ.( y 2 − y1 )  por igualdad de vectores
[Escriba aquí]
x − x1 = λ.( x 2 − x1 ) 
 (I ) P1(x1,y1)  recta
y − y1 = λ.( y 2 − y1 ) 
 x − x1
λ = x 2 − x1 x − x1 y − y1

Si de (I ) despejamos :   =
λ = y − y1 x 2 − x 1 y 2 − y1
 y 2 − y1
Números directores
Componentes del vector
De la ecuación simétrica despejamos y − y1
y 2 − y1
 y − y1 = .( x − x1 ) Ecuación de la recta que pasa por dos puntos
x 2 − x1
m: pendiente
m: tg α
Ecuación del haz de rectas:

y
y − y1 = m.(x − x1 ) Ecuación del haz de rectas que

pasan por P1
Por cada valor que le asignamos a ‘m’ tendremos una
P1
de las infinitas rectas que pasan por P1
y1
x
x1
[Escriba aquí]
Ejemplo:
a) Hallar la ecuación de la recta que pasa por los puntos P1(2;3) y P2(1;5).
b) Hallar la ecuación del haz de rectas que pasa por P1.
y y − y1
a) y − y1 = 2 .( x − x1 )
x 2 − x1
7 5−3 2
y−3 = .( x − 2)  y − 3 = .( x − 2)
1− 2 −1
P2 y = −2.( x − 2) + 3
5
m
y = −2x + 4 + 3
P1 b) y = −2 x + 7
3
y − y1 = m.( x − x 1 )
y − 3 = m.( x − 2)
x y = m.( x − 2) + 3
1 2
Recta que pasa por un punto y es perpendicular a un vector

y
Si contamos con los siguientes datos:

 Un vector n perpendicular a la recta r que tiene

como componentes n = (A,B).
y P  Un punto perteneciente a la recta P1(x1,y1)
B Considerando un punto genérico de la recta ‘r’ P(x,y)
y1
7 P 1 queda determinado el vector
P1P = (x − x1 ; y − y1 ) .

Como n es perpendicular al vector P1 P , el producto
r 
escalar n  P1P = 0 → Ec. Vectorial
x
x x1 A
Resolviendo el producto escalar:


n  P1P = 0  (A, B).( x − x1 ; y − y1 ) = 0
A( x − x 1 ) + B( y − y1 ) = 0
Ax − Ax 1 + By − By 1 = 0
Ax + By − Ax 1 − By 1 = 0
  
C
[Escriba aquí]
Llamando ‘C’ a: − Ax 1 − By1

Ax + By + C = 0 Ecuación general o implícita

n = (A, B) Vector ⊥ r
 Dada la ecuación general podemos obtener la ecuación explicita de la recta

 A
 − =m 1
A C  B
Si Ax + By + C = 0  y = − x −  
B B − C = b 2

 B
m b
 y = m.x + b Ecuación explícita
 A partir de la ecuación general, vemos las posiciones particulares de la recta.

y
b
C
• Si A = 0  By + C = 0  y = −  y = b  recta // eje x x
B por 2
• Si B = 0  Ax + C = 0  x = −
C
 x=a  recta // eje y a x
A
. x  y = mx  recta que pasa por el origen de

A
• Si C = 0  Ax + By = 0  y = −
B por1
coordenadas.
• Si A = 0  C = 0  By = 0  y = 0  Ecuación del eje x
• Si B = 0  C = 0  Ax = 0  x = 0  Ecuación del eje y
Ecuación segmentaria de la recta:

Consideremos una recta que no pasa por el origen de coordenadas. Esta recta cortará a los
ejes coordenados x e y en los puntos P y Q respectivamente.
y
En la ecuación general: A  0; B  0  C  0
La recta corta al eje x en el punto P donde y = 0 Q(0,q)
C q
Si y = 0  Ax + C = 0  x = − = p  P(p,0)
A
La recta corta al eje y en el punto Q donde x = 0
[Escriba aquí] P(p,0) x

p
0
C
Si x = 0  By + C = 0  y = − = q  Q(0,q)
B
Si en la ecuación general pasamos el término C al 2do miembro
A B −C x y
Ax + By = −C  x+ y=  + =1
dividido − C −C −C C −C
por − C −
A B
p q
x y
 + = 1 Siendo ‘p’ es el valor donde la recta corta al eje x y ‘q’ es el valor donde la recta
p q
corta al eje y
Ejemplo: Sea la recta de la ecuación 4x −6y −12 = 0

y
1 1 3 x
4 x 6 y 12
− =
12 12 12 -2
3 2
x y
+ =1
3 −2
Ángulo entre dos rectas:

r2
α̂ + β̂ = 180
 
r1: A1x + B1y + C1 = 0  n 1 = (A1,B1), n 1 ⊥ r1
 
β r2: A2x + B2y + C2 = 0  n 2 = (A2,B2), n 2 ⊥ r2
α α
Los ángulos que forman las rectas son los
mismos que los que forman sus vectores
normales
r1
Hallamos el producto escalar de los vectores normales

 
    n n
n1  n 2 = n1 . n 2 . cosα̂  cos = 1 2
n1 . n2
[Escriba aquí]
(A1 , B1 )  (A 2 , B 2 ) A1. A2 + B1. B2

cosα̂ =  cos =
A1 + B1 . A 2 + B 2
2 2 2 2
A1 + B1 . A2 + B2
2 2 2 2
Ejemplo: Hallar el ángulo que forman las rectas r1: x −3y −6 = 0 y r2: 2x −y −4 = 0

r1: x −3y −6 = 0  n 1
= (1,-3)

r2: 2x −y −4 = 0  n 2 = (2,-1)
 
n1  n 2 (1,−3)  (2,−1)
cosα̂ =   =
n1 . n 2 12 + (−3) 2 . 2 2 + (−1) 2
1.2 + (−3).( −1) 5
cosˆ = =  α̂ = 45
10. 5 50
Graficamos:
x 3y 6 x y y
r1: − =  + =1 r2
6 6 6 6 −2
2x y 4 x y
r2: − =  + =1
4 4 4 2 −4 r1
2 6 x
-2
-4
Condición de perpendicularidad:
   
Si r1⊥r2  n 1 ⊥ n 2  n 1  n 2 = 0  A1.A2 + B1.B2 = 0
 A1.A2 = −B1.B2
A1 B A −1 A C
=− 2  1 =  (Recordando: Ax + By + C = 0 ; y = x− )
B1 A2 B1 A 2 B B
B2
m: pendiente
A A −1
Como 1 = m1 ; 2 = m 2  m1 =
B1 B2 m2
Si dos rectas son perpendiculares sus pendientes son recíprocas y opuestas.
2 −3
Ejemplo: Si y = x − 1  una recta perpendicular y = x
3 2
[Escriba aquí]
Condición de paralelismo:

Si r1//r2  n 1
// n 2  sus componentes son proporcionales
Si dos rectas son paralelas sus pendientes
  son iguales.
4
Ejemplo: Si y = x + 8  una recta
5
m1 m2 4
paralela es y = x − 2
5
Distancia de un punto a una recta:

y Sea la recta r: Ax + By + C = 0
P1(x1,y1) no pertenece a la recta

n (A,B) ⊥ recta
Considerando un punto P(x,y) genérico de la
y1 P1
α recta  queda determinado PP1 (x1−x ; y1−y)
y P α
d Hallando el producto escalar:

 
PP1  n = PP1 . n . cosα
x
x x1 d   d
r Pero cos α =  PP1  n = PP1 . n .
PP1 PP1

PP1  n
d=  
n
( x 1 − x; y1 − y)  (A, B) A.( x 1 − x ) + B.( y1 − y) Ax 1 − Ax + By 1 − By
d= = =
A 2 + B2 A 2 + B2 A 2 + B2
 C 
Ax 1 + By 1 − Ax − By Ax 1 + By 1 + C Ax 1 + By 1 + C
d= =  d=
A 2 + B2 A 2 + B2 A 2 + B2
Observación: los signos de C y el denominador son siempre opuestos

Ejemplo 1: Hallar la distancia de r: 2x −2y −4 = 0 a P1(3,4)

r: 2x −2y −4 = 0  n = (2,-2)  P1 ( 3 , 4 )
x1 y1
[Escriba aquí]
C

2.3 − 2.4 4 6−8− 4 −6
d= = = = 2,12
 2 2 + (−2) 2 + 8 + 8

Recordar que el signo de C
es siempre opuesto al Como se tiene un valor negativo, el origen de
denominador. Significa que coordenadas y el punto P1 están en el mismo
si C es negativo (-4) semiplano respecto de la recta
tomamos  positiva 
Graficamos: y
2x 2 y 4
− =
4 4 4 P1 d
x y 4
+ =1
2 −2
x
0 2 3
-2
Ejemplo 2: Hallar la distancia entre r: 4x −3y +12 = 0  P1 ( 1 , 1 )

x1 y1
4.1 − 3.1  12 4 − 3 + 12 13
d= = = = 2,6
4 2 + (−3) 2 − 25 −5
Resultado  0  origen de coordenadas

y P1 en el mismo semiplano
Graficamos:
1 y
1
4 x − 3 y − 12
+ =
− 12 − 12 − 12 4
3 4
x y
+ =1
−3 4 P1
x
-3 0
[Escriba aquí]
Ejemplo 3: Hallar la distancia entre r: x +y −3 = 0  P1 ( 4 , 3 )

x1 y1
4−3−3 4
d= = = 2,82
 12 + 12 2
Resultado positivo significa que el
origen de coordenadas y P1 están en
distintos semiplanos respecto de la
recta
Graficamos: y
x y 3
+ =
3 3 3
x y 3 P1
+ =1
3 3
3 4 x
0
La recta en el espacio
Consideremos la siguiente situación: tenemos una recta en el espacio tridimensional, que

es paralela a un vector llamado u y pasa por el punto P1(x1,y1,z1).
z r 
u = (u x , u y , u z ) // recta
P Datos 
P1 ( x 1 , y1 , z1 )  recta
Sea un punto genérico de la recta P(x, y, z)
P1
 queda determinado el vector P1 P , de
 componentes P1P = (x − x1 ; y − y1 ; z − z1 )
u 
y Como P1 P es paralelo al vector u  se cumple
la siguiente combinación lineal:

P1P = λ .u ; λ  R Ecuación Vectorial
de la recta que pasa por P1
x 
y es // u
[Escriba aquí]
Reemplazando los vectores por sus componentes en la ecuación vectorial:
( x − x 1 ; y − y1 ; z − z1 ) = λ(u x , u y , u z )
( x − x 1 ; y − y1 ; z − z1 ) = (λu x , λu y , λu z )
x − x 1 = λu x 

Por igualdad de vectores: y − y1 = λu y  (I )

z − z 1 = λu z 
x = x1 + λ u x

 de (I ) despejamos las variables:  y = y1 + λ u y λ  R Ecuaciones Paramétricas

 z = z1 + λ u z
= (ux,uy,uz) vector // recta

P1(x1,y1,z1) punto  a la recta
 de (I ) despejamos :
x − x1 
= 
ux 
y − y1  x − x 1 y − y1 z − z 1
=   = = Ecuación Simétrica
uy  Por propiedad ux uy uz
de la igualdad
z − z1 
= 
u z 
[Escriba aquí]
Recta que pasa por dos puntos
Si conocemos dos puntos pertenecientes a una recta en el espacio, también podemos

obtener las ecuaciones: vectorial, paramétrica y simétrica de dicha recta.
z P ( x , y , z ) punto  recta
Datos  1 1 1 1
r P2 ( x 2 , y 2 , z 2 ) punto  recta
Queda determinado el vector
P1
P1P2 = (x 2 − x1 ; y 2 − y1 ; z 2 − z1 )
Considerando un punto genérico de la recta P(x,y,z)
P2
 P1P = (x − x1 ; y − y1 ; z − z1 )
P
y Como P1P2 es paralelo a P1 P , podemos escribir la
siguiente combinación lineal:
P1P = λ . P1P2 ; λ  R Ecuación Vectorial
x
Reemplazando los vectores por sus componentes en la ecuación vectorial:
( x − x 1 ; y − y1 ; z − z 1 ) = λ ( x 2 − x 1 ; y 2 − y1 ; z 2 − z 1 )
( x − x 1 ; y − y1 ; z − z1 ) = λ( x 2 − x 1 ), λ( y 2 − y1 ), λ(z 2 − z1 )
x − x 1 = λ( x 2 − x 1 )

Por igualdad de vectores: y − y1 = λ( y 2 − y1 )  (I )
z − z1 = λ(z 2 − z1 ) 
 de (I ) despejamos las variables:
x = x 1 + λ ( x 2 − x 1 )

 y = y1 + λ( y 2 − y1 ) ; λ  R Ecuaciones Paramétricas
 z = z + λ(z − z )
 1 2 1
 de (I ) despejamos :
[Escriba aquí]
x − x1 
λ= 
x 2 − x1 
y − y1  x − x1 y − y1 z − z1
λ=   = = Ecuación Simétrica
y 2 − y1  Por propiedad x 2 − x1 y 2 − y1 z 2 − z1
z − z1 
de la igualdad
λ= 
z 2 − z1 
CÓNICAS
Con el nombre de cónicas se conoce a las curvas: circunferencia, parábola, elipse e

hipérbola.
Estas curvas se obtienen como intersección de un plano con un cono recto de dos hojas.
Según la inclinación del plano respecto al eje del cono resultan las distintas curvas.
Circunferencia
Parábola Elipse Hipérbola
Lugar geométrico de R2: Dada una ecuación E ( x , y) = 0 el conjunto de todos los puntos
de R2 cuyas coordenadas la satisfacen, se denomina lugar geométrico o grafica de la ecuación
 Por ejemplo; la ecuación general de segundo grado en dos variables:
Ax 2 + Bxy + Cy 2 + Dx + Ey + F = 0
[Escriba aquí]
Circunferencia
Se denomina circunferencia al lugar geométrico formado por todos los puntos P que
equidistan de un punto fijo C de este plano, llamado centro. La distancia entre C y P se conoce
como radio (r)
Ecuación de la circunferencia
P(x,y)
y
r
yc θ
C
x
0 xc x
Sea un punto P(x,y), perteneciente a la circunferencia, y el punto C(xc , yc) llamado centro.
Por el teorema de Pitágoras:
( x − xc ) 2 + ( y − y c ) 2 = r 2 Ecuación ordinaria de la circunferencia con centro en C (xc, yc )
Partiendo de la ecuación (x − x c ) 2 + ( y − y c ) 2 = r 2
Resolvemos los cuadrados: x − 2.x.x c + x c + y − 2.y.y c + y c = r
2 2 2 2 2
Reagrupamos e igualamos a cero: x + y − 2.x c .x − 2.y c .y + x c + y c − r = 0

2 2 2 2 2
Comparamos con la ecuación de segundo grado completa en dos variables

Ecuación de segundo grado: Ax 2 + Bxy + Cy 2 + Dx + Ey + F = 0
 + 
y − 2.x c .x − 2.y c .y + x c + y c − r = 0
2 2 2 2 2
Circunferencia: x    
Ax 2 Cy 2 Dx Ey F
Comprobamos así que:
A=C
B=0
[Escriba aquí]
D = −2.x c −D
 xc =
2
−
E = −2.y c  y c = E
2
F = x c 2 + yc 2 − r 2  r = x c 2 + yc 2 − F
La ecuación general de la circunferencia: x 2 + y 2 + Dx + Ey + F = 0

También se llama
Ecuación Implícita
Ejemplo:
x 2 + y2 −
 4x −
 2y +
 4=0
D E F
− D − (−4) xc = 2
xc = = 
2 2
− E − ( −2 )
C = (2,1)
yc = =  yc = 1
2 2
r= x c + yc − F = 2 2 + 12 − 4  r = 1
2 2
Con estos datos se puede graficar la circunferencia

y
C
1
x
2
[Escriba aquí]
Casos particulares:
1. Circunferencia con centro en el origen

y
C(0,0)  E. Canónica
E. General o Implícita
C
x
2. El centro está ubicado sobre el eje y

y
C(0,yc)  E. Ordinaria
C
E. General o Implícita
yc
x
3. El centro se encuentra sobre el eje x.
C(xc , 0)  E. Ordinaria
C E. General o Implícita
x
xc
[Escriba aquí]
Intersecciones: Vamos a considerar los siguientes casos
I ) Circunferencia y recta
II ) Circunferencia y circunferencia
I ) Dadas una circunferencia y una recta, se pueden presentar las siguientes situaciones:
r
r
r
P2
P
P1 C C C
Recta secante Recta tangente Recta exterior

La recta tiene dos Recta y circunferencia No tienen puntos en
puntos en común con tienen un punto en común
la circunferencia común
x 2 + y 2 + Dx + Ey + F = 0 Circunferencia
Sea el siguiente sistema: 
Ax + By + C = 0 Recta
Para hallar los puntos de intersección:

1º) Se despeja una de las variables de la ecuación de la recta
2º) Se reemplaza la variable despejada en la ecuación 1 obteniéndose así una ecuación de
segundo grado en una variable
3º) Se resuelve la ecuación cuadrática
− b  b 2 − 4.a.c
x=  se pueden presentar tres casos
2.a
1 b 2 − 4.a.c 0  x1  x2  existen dos puntos de intersección  la recta es secante a la
circunferencia
2 b 2 − 4.a.c = 0  x1 = x2  existe un punto de intersección  la recta es tangente a la
circunferencia
3 b 2 − 4.a.c 0  las raíces x1, x2  R  No existe intersección  la recta es exterior a la
circunferencia
x 2 + y 2 − 2x + 4 y + 1 = 0 1
Ejemplo: Resolver 
x + y − 1 = 0 2
[Escriba aquí]
Despejamos ‘y’ de 2  y = −x + 1 3
Reemplazamos ‘y’ en 1  x 2 + (− x + 1) 2 − 2.x + 4.(− x + 1) + 1 = 0

x 2 + x 2 − 2.x + 1 − 2.x − 4.x + 4 + 1 = 0
x1 = 3
8  64 − 4.2.6 8  4
2.x − 8.x + 6 = 0  x =
2
=
2.2 4 x2 = 1
Existen dos puntos de intersección  la recta es secante
Hallamos las coordenadas de los puntos de intersección
Si x1 = 3  reemplazamos x1 en 3
y1 = −3 + 1  y1 = −2  P1 (3,−2)
Si x2 = 1  y2 = −1 + 1  y1 = 0  P2 (1,0)
Para graficar hallamos las coordenadas del centro y el radio de la circunferencia

− (−2)
xc =  xc = 1
2
−4
yc =  y c = −2
2
Para graficar la recta podemos hallar su ecuación segmentaria

y
y + x −1 = 0
y x
+ =1
1 1
1
P2 3
x
P1
-2
C
[Escriba aquí]
II ) Dadas dos circunferencias, se pueden presentar las siguientes situaciones
P1
P C2 P
C2
C2
C1 C1 C1 C2
C1 P2
Secantes Tangentes Exteriores
x 2 + y 2 − 2x − 4 y + 4 = 0
Ejemplo: Resolver el sistema 
x 2 + y 2 + 4x − 2 y − 4 = 0
Restando miembro a miembro: − 6x − 2 y + 8 = 0

Ecuación de una recta. Es la recta que pasa por los puntos de intersección.
O bien: y = −3x + 4
 Ahora el problema se reduce a resolver un nuevo sistema formado por una de las
circunferencias (cualquiera de ellas) y la recta obtenida.
x 2 + y 2 − 2 x − 4 y + 4 = 0 1
 2
 y = −3x + 4
Reemplazamos y en 1  x 2 + (−3x + 4) 2 − 2x − 4.(−3x + 4) + 4 = 0
x 2 + 9x 2 − 24x + 16 − 2x + 12x −16 + 4 = 0

x1 = 1
14  (−14) 2 − 4.10.4 14  6
10x 2 − 14x + 4 = 0  x = =
2.10 20 x2 = 2
5
Hallamos las coordenadas de P1 y P2
x1 = 1  y1 = −3.1 + 4 = 1  P1 (1,1)
x2 =
2
5
 y2 = −3.
2
5
(
+ 4 = 14/5  P2 2 ,14
5 5
)
[Escriba aquí]
Graficamos: y
▪ x 2 + y 2 − 2x − 4 y + 4 = 0
− ( −2) P2
xc = =1
2 14
5
− ( −4 ) C1 (1,2)
yc = =2 2
C1
2
C2
r = 12 + 2 2 − 4 = 1 1
P1
▪ x + y + 4x − 2 y − 4 = 0
2 2
x
−4 -2 -1 1 2
xc = = −2 2
5
2
− ( −2 )
C2 (−2,1)
yc = =1
2
r = (−2) 2 + 12 + 4 = 3
Parábola
Se denomina parábola al lugar geométrico de todos los puntos del plano que equidistan de
una recta denominada directriz, y de un punto fijo exterior a la misma, llamado foco.
Deducción de la ecuación:
Hallamos la ecuación de una parábola con vértice en el origen de coordenadas y foco
sobre el eje x positivo.
y
Q P
Llamamos ‘p’ a la distancia de la directriz al foco. (p:
parámetro)
p
Las coordenadas del foco F( 2 ;0)
y
La ecuación de la directriz: x = − p2
V F Consideramos un punto genérico P(x,y)
x  Por definición de parábola se cumple que la
x−p
p p
2 2 2 distancia de P al foco es igual a la distancia de P a la
directriz
d
FP = PQ
[Escriba aquí]
Por teorema de Pitágoras
Además del grafico vemos que

(
 x − p2 )2 + y 2 = (x + p 2 )2
Resolviendo:
2 2
p p p p
x 2 − 2. .x +   + y 2 = x 2 + 2. .x +  
2 2 2 2
Cancelando términos:
− p.x + y 2 = p.x  y 2 = p.x + p.x  y 2 = 2px Ecuación Canónica
También podemos expresar: y =  2px Ecuación Explícita
Lado Recto:
Es el segmento perpendicular al eje focal, que pasa por el foco uniendo dos puntos de la
curva.
L r = 2.y  L r = 2. 2.p.x
p
En F (foco) x=  L r = 2. 2.p. p  L r = 2. p 2
2 2
 L r = 2p
Posiciones de la parábola:
Vamos a considerar parábolas con vértice en el origen de coordenadas y eje focal
coincidente con uno de los ejes coordenados. Son cuatro posiciones distintas, ya vimos una.
y
y y
d
F d
F V p
2 V p
x x 2 x
p p p
2 V p
2 2 2
d F
Ecuación: y2 = −2px Ecuación: x2 = 2py Ecuación: x2 = −2py
F  − p ,0  ; d: x =
p F  0, p  ; d: y = −p F  0,− p  ; d: y =
p
 2  2  2 2  2 2
[Escriba aquí]
Parábola con centro desplazado con respecto al origen de coordenadas:
y
y’
y’ P
y
V F
x’
k x’
x
h x
La ecuación de la parábola referida al sistema de ejes x’y’ es y' = 2px ' I

2
Como el vértice está en (h,k), si referimos x’ e y’ respecto al sistema xy, tendremos que para un
punto genérico de la parábola P(x,y) se cumple que:
x' = x − h
y' = y − k
 Reemplazando en I  ( y − k ) 2 = 2p( x − h ) Ecuación Ordinaria de la Parábola
Resolviendo e igualando a cero, llegamos a la ecuación general:

y 2 − 2ky + k 2 = 2px − 2ph
y 2 − 2ky + k 2 − 2px + 2ph = 0
y 2 + (−2)p x + (−2)k y + k 2 + 2ph = 0
   
D E F
Recordando que la ecuación de segundo grado en dos variables es:
Ax 2 + Bxy + Cy 2 + Dx + Ey + F = 0
En este caso tendríamos:
y 2 + Dx + Ey + F = 0 Ecuación General
[Escriba aquí]
Considerando otra de las posibles posiciones, si el eje es paralelo al eje y  la ecuación será
( x − h ) 2 = 2p( y − k ) Ecuación Ordinaria
y
Resolviendo
x 2 − 2hx + h 2 = 2 py − 2 pk
F x 2 − 2hx − 2 py + h 2 + 2 pk = 0
 
k F
d
x 2 + Dx + Ey + F = 0 Ecuación General
x
h
Conclusión: En la parábola A = 0  C = 0; B = 0
Elipse
Es el lugar geométrico de los puntos del plano tales que la suma de sus distancias a dos
puntos fijos llamados focos, es constante. (A la constante la simbolizamos 2a)
Elementos
y
B1 Eje mayor: A 1A 2 = 2a
b Eje menor: B1B 2 = 2b

a a
A2 A1
x Vértices: A1(a , 0) A2(−a , 0)
F2
c c
F1 B1(0 , b) B2(0 , −b)
b
Focos: F1(c , 0) F2(−c , 0)
B2
Eje focal: eje x
Relación entre a, b y c: Sea un punto de la elipse 
B1
 
Por teorema de Pitágoras:
a a
b
F2 F1
c c
0
[Escriba aquí]
Posiciones de la elipse:
y y
B1 A1
F2
A2 A1
x
F2 0 F1 B2 B1
x
0
B2 F1
x 2 y2 A2
+ =1
a 2 b2
Focos sobre eje x x 2 y2
+ =1
 a2 divide a x2 b2 a 2
Focos sobre eje y 
a2 divide a y2
Elipse desplazada respecto al origen de coordenadas:

y
y’
x’ = x − h (x − h) 2 ( y − k) 2
y’ = y − k
 + =1 1
y
y’ a2 b2
Ecuación Ordinaria de la
k x’ elipse con centro en
0’ x’ o’(h,k)
x x
0’ h
Resolvemos (1) para hallar la ecuación general:

b 2 (x 2 − 2 h x + h 2 ) + a 2 ( y 2 − 2 k y + k 2 )
=1
a 2b2
[Escriba aquí]
b2x 2 − 2 b2h x + b2h 2 + a 2 y2 − 2 a 2k y + a 2k 2 = a 2b2

b2 x 2 + a2 y 2 + (−2) b 2 h x + (−2) a 2 k y + b2  +
h 2 k−a
2 2
a =0
2 2
b
   
A C D E F
Comparando con la ecuación de segundo grado en dos variables:
Ax2 + Bxy + Cy2 + Dx + Ey + F = 0
Vemos que B = 0, además el signo de A será siempre igual al signo de C

A x 2 + C y2 + D x + E y + F = 0
Ejemplo: Obtener la ecuación de una elipse cuyo foco es F(4,0) y un vértice A1(5,0)
Hacemos un esquema representando los datos
Como A1 = (5,0)  a =5 
b = a −c
2 2
Como F1 = (4,0)  c=4 
b = 25 − 16  b=3 y
F2(−4,0) B1(0,3)
A2(−5,0) B2(0,−3) B1
3
2 2
x y
Ecuación: + =1
25 9 A2 F2 F1 A1
x
−5 −4 0 4 5
−3
B2
Ecuación explícita
Partimos de la ecuación canónica, despejamos y
2 a −x 
2 2
x 2 y2 y2 x2  
+ 2 = 1  2 = 1 − 2  y = b .
2
2 2 
a b b a  a 
y2 =
b2 2
a 2
( ) b
. a − x2  y =  . a2 − x2
a
I
[Escriba aquí]
Hipérbola
Es el lugar geométrico de los puntos del plano tales que el valor absoluto de la diferencia de sus
distancias a dos puntos fijos llamados focos es constante. A esta constante la simbolizamos: 2 a
y
P1
P1 pertenece a la hipérbola si y solo si
F2 F1
x
Elementos de la hipérbola:
y
Focos: Son los puntos fijos
P de la definición. F1 y F2
B1 Distancia focal: Es la
distancia entre los focos.
b a Vértices: Son las
F2 A2 A1 F1 H intersecciones del eje focal
x
con la hipérbola. A1 y A2
c c
Eje real: Es el segmento
B2 A1A 2 = 2 a
Eje conjugado: Es el segmento B1B 2 = 2 b

Centro: Intersección de los ejes real y conjugado: o (En este caso coincide con el origen de
coordenadas).
Excentricidad: es el cociente entre c y a.
e = ; como en la hipérbola c  a  e  1
c
a
Relación entre a, b y c: En la hipérbola se cumple: a 2 + b 2 = c 2
Entre a y b se pueden dar las siguientes situaciones
abab
Si a = b la hipérbola se llama equilátera
[Escriba aquí]
Si el eje focal es el eje x, la ecuación canónica será:

𝑥2 𝑦2
− =1
𝑎2 𝑏 2
Si el eje focal es el eje y el término positivo será y

y2 x2
La ecuación: − =1
a2 b2
Asíntotas de las hipérbolas: Son las rectas que incluyen a las diagonales del rectángulo de lados 2a
y 2b ¿Cuáles son las ecuaciones de las asíntotas?
y
r Recordemos que la forma explícita de la ecuación de
r’
toda recta es
B1 y = mx + h
Siendo m la pendiente y h la ordenada al origen
b Luego las ecuaciones explícitas de r y r’:
F2 A2 A1 F1 x Asíntota r: y = b x
a o a a
b −b
Asíntota r’: y = x
a
B2
Ecuación de la hipérbola de ejes paralelos a los ejes coordenados
En forma análoga a lo visto en elipse, si el centro de la hipérbola no coincide con el origen

de coordenadas, pero el eje focal es paralelo a uno de los ejes coordenados, su ecuación ordinaria
será:
(x − h) 2 ( y − k) 2
− =1
a2 b2
Siendo (h , k) las coordenadas del centro
Resolviendo los cuadrados de los binomios, sacando común denominador e igualando a cero:
[Escriba aquí]
b 2 (x 2 − 2 h x + h 2 ) − a 2 ( y 2 − 2 k y + k 2 )
=1
a 2b2
b2x 2 − 2 b2h x + b2h 2 − a 2 y2 + 2 a 2k y − a 2k 2 − a 2b2 = 0
b2 x 2 −
 a 2 y 2 − 2 b 2 h x + 2 a 2 k y + b2  −
h 2 k−a
2 2
a b = 0
2 2
 
A C D E F
 A x 2 + C y 2 + D x + E y + F = 0 Ecuación General de la Hipérbola
de ejes paralelos a los ejes coordenados
Vemos que signo A  signo C
Ejemplos:
x 2 y2
1. − =1
9 16
Variable +: x  focos sobre el eje x
a2 = 9  a = 3
b2 = 16  b = 4
c2 = a2 + b2  c2 = 9 + 16  c = 5
4
Asíntotas: y =  x
3
Focos: F1(5,0) ; F2(−5,0)
Vértices: A1(3,0) ; A2(−3,0) - B1(0,4) ; B2(0,−4)
y
B1
4
F2 A2 A1 F1 x
−5 −3 0 3 5
−4
B2
2.
[Escriba aquí]
y2 x 2
− =1
16 9
Variable +: y  focos sobre el eje y
a2 = 16  a = 4
b2 = 9  b = 3
c2 = a2 + b2  c2 = 16 + 9  c = 5
3
Asíntotas: y =  x
4
Focos: F1(0,5) ; F2(0,−5)
Vértices: A1(0,4) ; A2(0,−4) - B1(3,0) ; B2(−3,0)
5 F1
4 A1
B2 B1
0 x
−3 3
−4 A2
F2 −5
[Escriba aquí]
[Escriba aquí]

(UTN Frre) Algebra y Geometria Analitica

Cargado por

Copyright:

Formatos disponibles

(UTN Frre) Algebra y Geometria Analitica

Cargado por

Información del documento

Descripción original:

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

(UTN Frre) Algebra y Geometria Analitica

Cargado por

Copyright:

Formatos disponibles

UTN- FRRe- Álgebra y Geometría Analítica

Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de

Cuando necesitamos presentar alguna información que requiera el uso de tablas o

Una matriz de clase “mxn” es un conjunto de “m.n” números reales ordenados en

El orden o clase de una matriz también se denomina dimensión o tamaño,

Las matrices se denotan con letras mayúsculas: A, B, C, y los elementos de las

Si el elemento genérico aparece entre paréntesis representa a toda la matriz:

Cuando nos referimos indistintamente a filas o columnas hablamos de líneas.

ALGUNOS TIPOS DE MATRICES

Tipo de matriz Definición Ejemplo

Si todos sus elementos

Aquella matriz que tiene

Es una matriz cuadrada

OPERACIONES CON MATRICES

La suma de dos matrices A = (aij)m×n y B = (bij)p×q de la misma dimensión

Al conjunto de matrices de orden mxn la simbolizamos Mmxn

Al conjunto de matrices, cuyos elementos son números reales, simbolizaremos: Rmxn

PROPIEDADES: Sea Mmxn el conjunto de matrices de orden mxn

1) Ley de cierre:  A, B  Mmxn : A+B = S  Mmxn

Actividad: Demostrar las propiedades. Puedes consultar el libro Álgebra Lineal

Debido a que se cumplen las cinco propiedades arriba enunciadas, podemos

Lo simbolizamos: ( Mmxn ; + ) es un Grupo Abeliano

Otra Propiedad: (A+B+C+…+M)T = AT + BT + CT + … + MT

PRODUCTO DE UN NÚMERO REAL POR UNA MATRIZ

Dadas dos matrices A = (aij)m×n y B = (bij)p×q donde n = p, es decir, el número

define el producto A·B de la siguiente forma:

El elemento a que ocupa el lugar (i, j) en la matriz producto se obtiene sumando

Por ejemplo, multiplicar A de clase 1x3 por B de clase 3x1

y , A.B=(3.4+2.5+0.1) = ( 22 ) matriz de 1x1

Si multiplicamos A de clase 2x2 por B de clase 2x3, obtenemos una matriz de

Es conveniente disponer las matrices así:

El producto B.A no es posible. ¿Porqué?

Observamos que el producto de matrices está definido solamente cuando el

𝑏11 𝑏12 … 𝑏1𝑗 … 𝑏1𝑞

𝑎11 𝑎12 … 𝑎1𝑝 𝑐11 𝑐12 … 𝑐1𝑗 … 𝑐1𝑞

DEFINICIÓN DE PRODUCTO DE MATRICES:

1) En general el producto de matrices no es conmutativo.

Sean A, B y C matrices tales que sea posible el producto entre ellas:

5) Si A.B = A.C no implica que B=C

Verificar con las matrices hallando los productos A.B y A.C

POTENCIAS DE UNA MATRIZ:

Sea la matriz A ∈ Rnxn (conjunto de matrices cuadradas) y n un número entero

Por ejemplo, A4 = A.A.A.A

Actividad: Escribe una matriz de 4x4 y calcula A2 , A3 , A4 . Puedes usar Geogebra

En muchos casos es conveniente, antes de efectuar operaciones, subdividir las

Página en la que se puede profundizar el tema:

DEPENDENCIA LINEAL ENTRE FILAS (COLUMNAS) DE UNA MATRIZ

 Combinación lineal entre filas:

Si observamos la siguiente matríz, podemos ver que

• Combinación lineal entre columnas:

COMBINACIÓN LINEAL DE FILAS (COLUMNAS

En forma genérica, podemos definir Combinación lineal de Filas:

FILAS (C0LUMNAS) LINEALMENTE INDEPENDIENTES (LI)

FILAS (C0LUMNAS) LINEALMENTE DEPENDIENTES (LD)

k1.F1+k2.F2+k3.F3+…+kn.Fn = 0 (fila nula)

RANGO DE UNA MATRIZ

El rango de una matriz A es el número máximo de filas, o de columnas,

1) Intercambio de dos filas