www.elsolucionario.

org

28/02/2008
Álgebra y Geometría Analítica Unidad 1

MATRICES

Definición: una matriz es un arreglo rectangular de símbolos o números encerrados entre corchetes. Los
números del arreglo se denominan elementos y están ubicados en “p” filas y “q” columnas (Antón, 47)

Ejemplos:

⎡a 11 a 12 ..... a 1q ⎤
⎡1⎤ ⎢ ⎥
⎡a b c ⎤
A =⎢ ⎥ B = ⎢⎢0⎥⎥ ⎢
A=⎢
a 21 a 22 ..... a 2q ⎥
[ ]
= a1j
⎣d e f ⎦ ............................. ⎥
⎢⎣0⎥⎦ ⎢ ⎥
⎢⎣a p1 a p 2 .... a pq ⎥⎦

Matriz cuadrada; una matriz es cuadrada si tiene igual número de filas que de columnas.
Ejemplos:
⎡a b c ⎤
⎡1 0⎤
A =⎢ ⎥ B = ⎢⎢d e f ⎥⎥
⎣ 0 1 ⎦ ⎢⎣g h i ⎥⎦
Matriz nula:
⎡0 0 ⎤
Es aquella en que aij=0 para todo i,j . Se simboliza: O = ⎢ ⎥
⎣0 0 ⎦
Matriz diagonal: una matriz cuadrada es diagonal si verifica que aij = 0 para todo i ≠ j.
⎡1 0 0⎤
⎡1 0 ⎤
Ejemplo: A = ⎢⎢0 2 0⎥⎥ B =⎢
⎣ 0 − i ⎥⎦
⎣⎢0 0 0⎦⎥
⎧1 si i = j
Matriz identidad: es aquella matriz cuadrada que verifica que: a ij ⎨
⎩0 si i ≠ j

⎡1 0 0 ⎤
Ejemplo: I = ⎢⎢0 1 0⎥⎥
⎢⎣0 0 1⎥⎦

Matriz transpuesta: si A es cualquier matriz mxn, entonces la transpuesta de A, denotada At, se define como
la matriz nxm que se obtiene al intercambiar las filas y la columnas de A. Es decir, la primera fila de A es la 1º
columna de At, la segunda fila de A es la 2º columna de At, y así sucesivamente. (Antón, 57). O sea que (At)ij
=(A)ji.

Prof A. Schilardi 1
2008
Álgebra y Geometría Analítica Unidad 1

⎡1 2⎤ ⎡1 3 ⎤
Ejemplo: A = ⎢ ⎥ At = ⎢ ⎥
⎣3 4⎦ ⎣ 2 4⎦

Propiedades:

a) (At)t = A
b) (α.A)t = α.At (α escalar)
c) si A y B son matrices pxq: (A+B)t = At + Bt
d) Si A y B son matrices de orden pxq y qxr respectivamente, entonces: (A.B)t = Bt. At

Matriz simétrica: una matriz cuadrada A es simétrica si A = At (Antón,97)

⎡ 2 − 3⎤
Ejemplo: A = ⎢ ⎥
⎣− 3 0 ⎦

Matriz antisimétrica: una matriz cuadrada A se denomina antisimétrica si At = -A (Antón, 102)

⎡ 0 1⎤
Ejemplo: A=⎢ ⎥
⎣− 1 0⎦

Matriz triangular: Una matriz cuadrada en la que todos los elementos arriba de la diagonal principal son cero
se denomina triangular inferior, y una matriz cuadrada en la que todos los elementos debajo de la diagonal
principal son cero se denomina triangular superior. Una matriz que es triangular inferior y superior se
denomina triangular. (Antón, 95)
⎡1 2 9 ⎤ ⎡1 0 0 ⎤
⎢ ⎥
Ejemplo: A = ⎢0 0 2⎥ es triangular superior B = ⎢⎢2 3 0⎥⎥ es triangular inferior
⎢⎣0 0 1⎥⎦ ⎢⎣4 - 5 0⎥⎦

Traza de una matriz: se denomina traza de una matriz a la suma de los elementos de su diagonal principal y
n
se escribe tr(A) = ∑a
i =1
ii

Propiedades:
o tr(A+B) = tr(A) + tr(B)
o tr(kA) = k. tr(A)
o tr(At) = tr(A)
o tr(A.B) = tr(B.A)

Operaciones con matrices

Prof A. Schilardi 2
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 1

Suma: sean A y B matices del mismo orden, entonces la suma A+B es la matriz obtenida al sumar los
elementos correspondientes de B con los de A . O sea: (A+B)ij = (Aij)+(B)ij = aij + bij
Ejemplo:
⎡1 2⎤ ⎡- 5 4 ⎤ ⎡− 4 6⎤
A=⎢ ⎥ B=⎢ ⎥ A+B = ⎢ ⎥
⎣3 4⎦ ⎣- 8 0⎦ ⎣ − 5 4⎦

Propiedades:

a) A + B = B +A
b) A+(B+C) = (A+B)+C
c) A+O=A
d) A+(-A) = O

Producto por un escalar: Si A es una matriz y c un escalar, el producto c.A es la matriz que se obtiene al
multiplicar cada elemento de A por c. O sea: (c.A)ij = c.(A)ij = c.aij

Propiedades:
a) c(A+B) = cA+cB con c escalar y A y B matrices del mismo orden
b) (c+d)A = cA+dA con c y d escalares
c) (c.d)A = c.(d.A)=(d.c)A con c y d escalares

Producto de matrices: Si A es una matriz pxq y B es una matriz qxr, entonces el producto A.B es la matriz
pxr cuyos elementos se determinan así: “para el elemento ij de A.B multiplicar entre sí los elementos
correspondientes de la fila i de A y la columna j de B y luego sumar los productos.
⎡1 2⎤ ⎡5 6 7 ⎤ ⎡1.5 + 2.8 1.6 + 2.9 1.7 + 2.10 ⎤
Ejemplo: A = ⎢ ⎥ B = ⎢8 9 10⎥ A.B = ⎢3.5 + 4.8 3.6 + 4.9 3.7 + 4.10⎥ =
⎣3 4⎦ ⎣ ⎦ ⎣ ⎦

En forma general:

⎡ a 11 a 12 a 13 L a 1q ⎤ ⎡ b11 b 12 b 13 L b1r ⎤ ⎡ c11 c12 L c1r ⎤

⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢L L L L L ⎥.⎢ L L L L L ⎥ = ⎢L L L L⎥
⎢a p1 a p2 a p3 L a pq ⎥⎦ ⎢⎣b q1 b q2 b q3 L b qr ⎥⎦ ⎢⎣c p1 c p2 L c pr ⎥⎦
⎣

donde:

c11 = a11.b11 + a12.b21+….+a1q.bq1

c21 = a21.b11 + a22.b21 +……+ a2q.bq1
……………………………………….
q
Cij = ai1.b1j + ai2.b2j +……..+ aiq.bqj = ∑a
k =1
ik .bkj con 1 ≤ i ≤ p y 1 ≤ j ≤r

Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 1

Propiedades:

a) (A.B).C = A.(B.C)
b) A(B+C) = A.B+A.C
c) (A+B).C = A.C + B.C

Comentario: por la condición que deben cumplir las matrices A y B para que su producto esté definido,
podemos decir que en algunos casos aunque A.B esté definido no necesariamente B.A lo estará. Además,
aunque ambos productos estén definidos, no siempre el resultado de multiplicar A.B es igual que el resultado de
B.A. Por lo tanto podemos decir que “ el producto de matrices no verifica la propiedad conmutativa”. O sea:
A.B ≠ B.A

Potencia de una matriz: si k es un entero y A una matriz cuadrada : A k = 1

A. A. A........
42
4 43 4A
k veces

Operaciones elementales
Existen sólo tres operaciones elementales:

ƒ intercambiar dos filas (o columnas) entre sí.

ƒ Multiplicar una fila (o columna) por un escalar distinto de cero.
ƒ Sumar a una fila (o columna) un múltiplo de otra fila (o columna)

Matrices elementales
Son aquellas matrices que se obtienen mediante una sola operación elemental sobre la matriz identidad.
⎡1 0 3⎤ ⎡1 0 0 ⎤
⎡1 0 ⎤ ⎢ ⎥
Ejemplo: E1 = ⎢ ⎥ E 2 = ⎢0 1 0 ⎥ E 3 = ⎢⎢0 0 1⎥⎥
⎣0 − 2⎦ (-2)F2 ⎢⎣0 0 1⎥⎦ F +·3F ⎢⎣0 1 0⎥⎦ F ↔ F
1 3 2 3

Sea A una matriz mxn y E una matriz elemental de mxm, la multiplicación por izquierda de A por E realiza la
misma operación elemental en las filas de A que la realizada en la identidad para obtener E. Si la operación se
hace por derecha, se opera sobre las columnas.

Matrices equivalentes

Prof A. Schilardi 4
2008
Álgebra y Geometría Analítica Unidad 1

Definición: Una matriz B es equivalente por filas a A si existe una secuencia finita E1, E2, E3........Ek de
matrices elementales tales que: B = Ek, Ek-1, ......E1.A

Matrices escalonadas
Una matriz está escalonada por filas si satisface:
9 Todas las filas que tienen sólo ceros están en la parte inferior de la matriz
9 Si un renglón no consta completamente de ceros, entonces el primer elemento distinto de cero de la fila
es un uno ( uno principal).
9 En dos filas consecutivas cualesquiera que no conste completamente de ceros, el uno principal del
renglón aparece más a la derecha que el uno principal del renglón anterior.

⎡1 3 4⎤ ⎡1 4 2 ⎤
Ejemplo: A = ⎢⎢0 0 1⎥⎥ B = ⎢⎢0 1 0⎥⎥
⎢⎣0 0 0⎥⎦ ⎢⎣0 0 1⎥⎦

Matriz escalonada reducida: son las matrices escalonadas que tienen ceros por encima y por debajo del
uno principal.
⎡1 0 0 ⎤
Ejemplo: A = ⎢⎢0 1 0⎥⎥
⎢⎣0 0 1⎥⎦

Una matriz A puede llevarse a escalonada o escalonada reducida utilizando operaciones elementales. De esta
manera se obtiene la forma escalonada o escalonada reducida equivalente de A. (Método de Gauss-Jordan)

Rango de una matriz: es la cantidad de filas distintas de cero de la forma escalonada equivalente de una
matriz.

Inversa de una matriz

Sea A una matriz cuadrada de orden mxm, una matriz C de orden mxm es la inversa de A si: A.C = C.A =I
La escribimos: C = A-1
⎡ 2 − 5⎤ ⎡3 5⎤
Ejemplo: A = ⎢ ⎥ C = ⎢1 2⎥ A.C = C.A = I
⎣− 1 3 ⎦ ⎣ ⎦

Propiedad
Si una matriz tiene inversa, ésta es única.

Demostración: sea A , C y D matrices de orden mxm, y sean C y D dos inversas de A.

Prof A. Schilardi 5
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 1

A.C=I
D(A.C)=DI
(D.A).C = D
I.C = D
C = D luego la inversa es única

Las matrices que tienen inversa se las llama invertibles o no singulares.

Propiedades : Si A y B son matrices invertibles de mxm:

a) A.B es inversible ⇒ (A.B)-1 = B-1.A-1
Demostración:
(A.B).(B-1.A-1)=
=A.(B.B-1).A-1 =
=I
luego B-1A-1 es la inversa de A.B

1 −1
b) (k.A ) −1 = A con k escalar
k
c)(A-1)-1=A
d) (Am)-1 = (A-1)m
e) (At)-1 = (A-1)t
f) I-1 = I

Cálculo de la inversa

Para encontrar una matriz X=A-1 tal que A.X = I, debemos ampliar la matriz A con la identidad y trabajar de la
siguiente manera:

⎡ 2 − 5⎤ ⎡ 2 -5 M 1 0 ⎤ ⎡1 0 M 3 5⎤
A=⎢ ⎥ [A M I] = ⎢− 1 3 M 0 1 ⎥ → ⎢0 1 M 1 2 ⎥
⎣− 1 3 ⎦ ⎣ ⎦ ⎣ ⎦

Prof A. Schilardi 6
2008
Álgebra y Geometría Analítica Unidad 1

Alumno: Curso: fecha:

EVALUACIÓN

ƒ Si A es una matriz que se obtiene a partir de I5 (identidad de orden 5) permutando las dos primeras filas
y luego multiplicando la última fila por (-3) entonces el rango de A es:
3 ( ) 2( ) 1 ( ) 5( ) NRAC ( )
ƒ Si A2 = I, entonces A.(A+B) es igual a:
AB-I ( ) 2I+AB ( ) AB + I ( ) I+B ( ) NRAC ( )

ƒ Determinar si las siguientes proposiciones son verdaderas (V) o falsas (F )

Si A es una matriz de orden nxn, entonces A es inversible

Si A es una matriz simétrica, entonces A es diagonal
Cualquiera sea la matriz A, la matriz A.At es simétrica
Toda matriz antisimétrica admite matriz inversa
La suma de matrices diagonales inversibles es una matriz diagonal inversible
Si A.B = 0, entonces A = 0 ó B = 0
Si A es una matriz diagonal, entonces A es simétrica
Si A = 0 ó B= 0, entonces A.B = 0
La traza de la matriz ( 2I + 0) es igual a 6
Toda matriz equivalente por filas a la matriz 3.I admite inversa
La suma de matrices diagonales inversibles, es una matriz diagonal inversible.

Prof A. Schilardi 7
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 2

DETERMINANTES
A cada matriz cuadrada es posible asociarle un número real llamado determinante. O sea, a cada matriz A
de orden nxn, es posible asociar un escalar det(A).

Producto elemental : un producto elemental de una matriz A de orden nxn se define como cualquier
producto de m elementos de A donde todos los factores pertenecen a filas y columnas distintas.
⎡a a12 ⎤
A = ⎢ 11 ⎥ producto elemental = a 11 .a 22
⎣ 21
a a 22 ⎦

producto elemental = a 12 .a 21

Signo de un producto elemental:

Una permutación del conjunto de enteros {1,2,3....,n} es un arreglo de éstos en algún orden sin omisiones ni
repeticiones. (Antón, 108)
Inversión: ocurre una inversión en una permutación, siempre que un entero mayor precede a un menor.

Permutación Cantidad de inversiones

1) 1,2,3 0
2) 1,3,2 1
3) 3,1,2 2

Se dice que una permutación es impar si el número total de inversiones es impar. En caso contrario, la
permutación es par.
Un producto elemental con signo de A, será el producto a1 j1 .a 2 j2 ....a njn multiplicado por (+1) si {j1;j2;...jn}
es una permutación par, o estará multiplicado por (-1) si {j1;j2;...jn}es una permutación impar.

Definición de determinante

Sea A una matriz cuadrada. La función determinante (det(A) o ⏐A ⏐) se define como la suma de todos los
productos elementales con signo de A.
a11 a12
Ejemplo: det( A) = = a11 .a 22 − a12 .a 21
a 21 a 22

Propiedades

a) det(At) = det(A)
b) si A es una matriz triangular, el det(A) es el producto de los elementos de la diagonal.
c) Si A tiene una fila o columna completa de ceros, entonces det(A) = 0

Prof A. Schilardi 1
2008
Álgebra y Geometría Analítica Unidad 2

d) Si A es una matriz que tiene dos filas o columnas idénticas, entonces det(A) = 0
e) Si A’ es la matriz que se obtiene de multiplicar a una sola fila o columna de A por una constante k,
entonces det(A’) = k det(A)
f) Si A’ es la matriz que se obtiene de intercambiar dos filas o columnas de A, entonces det(A’) = -
det(A)
g) Si A’ es la matriz que se obtiene de sumarle a una fila o columna de A un múltiplo de otra, entonces
det(A’)=det(A)
h) Si A y B son matrices cuadradas de igual orden, entonces det(A.B)=det(A).det(B)
i) A es inversible ⇔ det(A) ≠ 0
Demostración:
?
⇒) A es inversible ⇒ det( A) ≠ 0
A es invertible ⇒ A.A-1 = I ⇒ Det(A.A-1) = det(I) ⇒ det(A).det(A-1) = 1 ⇒ det(A) ≠ 0

?
⇐ ) det( A) ≠ 0 ⇒ A es inversible

Ek.Ek-1.......E1.A = R ⇒
⇒ det (Ek).det(Ek-1) .......det(E1) .det(A) = det(R) ⇒
⇒ det (R ) ≠ 0
⇒ R no tiene ninguna fila de ceros
⇒ R=I
⇒ A es equivalente por filas a I
⇒ A es inversible

1
j) Si A es invertible : det( A −1 ) =
det( A)
Demostración:
Si A es invertible A.A-1 = I
det(A.A-1) det(I)
det(A).det(A-1) = 1
1
det(A-1) =
det( A)

Cálculo de determinantes de matrices de mxm

Menor complementario : Si A es una matriz cuadrada, entonces el menor complementario del elemento
aij (se anota Mij) se define como el determinante de la submatriz que queda después de quitar la i-ésima
fila y la j-ésima columna de A.
El número (-1)i+j Mij se denota Cij y se denomina cofactor del elemento aij.

Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 2

Desarrollo por cofactores

El determinante de una matriz cuadrada A se puede calcular como:
det(A) = a1jC1j+a2jC2j+......+anjCnj
det(A) = ai1Ci1 + ai2Ci2 + .....+ ain

Matriz adjunta: Si A es cualquier matriz cuadrada y Cij es el cofactor de aij, entonces la matriz

⎡ c11 c12 K c1n ⎤

⎢ K K K K ⎥ se denomina matriz de cofactores de A. A la transpuesta de esta matriz se la
⎢ ⎥
⎢⎣c n1 c n 2 K c nn ⎥⎦
denomina adjunta de A y se escribe Adj(A).

Cálculo de la inversa

1
Se A es una matriz invertible: A −1 = . Adj ( A)
det( A)

Prof A. Schilardi 3
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 2

Alumno: Curso: fecha:

Evaluación
En el siguiente ejercicio una sola es la respuesta correcta. Márquela con una cruz:
a b c g h i
ƒ Si d e f = 5 entonces 2d 2e 2f es igual a :
g h i a b c
10 ( ) -10 ( ) -5 ( ) 5( ) NRAC ( )

Sean C y D matrices de 3x3. Completar las siguientes expresiones para que resulten proposiciones
verdaderas.
Det( C-2Ct)= ............................
Det ((-DC) = ............................
Det( 3C-1) =............................
Det(2(CD)-1) = ............................
Det (5(DC)t)= ............................

Prof A. Schilardi 4
2008
Álgebra y Geometría Analítica Unidad 3

SISTEMAS DE ECUACIONES LINEALES

Una ecuación lineal con n incógnitas tiene la forma : a1x1+a2x2+.....+anxn donde los ai son números reales y
a los xi se los denomina incógnitas o variables.

Un sistema de ecuaciones lineales con “n” ecuaciones y “p” incógnitas tiene la forma:

⎧a11 x1 + a12 x 2 + a13 x3 + ........ + a1 p x p = b1

⎪
⎪a 21 x1 + a 22 x 2 + a 23 x3 + ........ + a 2 p x p = b2
⎨
⎪...............................................................
⎪a x + a x + a x + ......... + a x = b
⎩ n1 1 n2 2 n3 3 np p n

El conjunto de todos los valores que puede tomar x1,x2,x3,.....,xn es el conjunto solución S.
Ejemplo:
⎧ x1 + x 2 = 2
i) ⎨ S={(2;0)}
⎩ x1 − x 2 = 2

⎧ x1 + x 2 = 2
ii) ⎨ S=∅
⎩ x1 + x 2 = 1

⎧ x1 + x 2 = 2
iii) ⎨ S tiene infinitos elementos
⎩− x1 − x 2 = −2

determinado
Tiene
COMPATIBLE
solución
SEL indeterminado

No tiene
INCOMPATIBLE
solución

Prof A. Schilardi 1
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 3

Forma matricial

Matriz de términos
independientes
⎡1 1 ⎤ ⎡ x1 ⎤ ⎡2⎤ ⎡1 1 M 2⎤
i) ⎢ ⎥.⎢ ⎥ = ⎢ ⎥ ⎢1 − 1 M 2⎥ matriz ampliada o aumentada (A’)
⎣1 − 1⎦ ⎣ x 2 ⎦ ⎣2⎦ ⎣ ⎦

Matriz de
Matriz de incógnitas
A.X = B
coeficientes

Sistemas equivalentes:

Dos sistemas de ecuaciones son equivalentes si tienen el mismo conjunto solución. Dos matrices ampliadas
equivalentes corresponden a sistemas de ecuaciones lineales equivalentes.

Sistemas de ecuaciones homogéneos:

Un sistema de ecuaciones es homogéneo cuando la matriz de términos independientes es la matriz nula. En

forma matricial: A .X = 0

“todo sistema de ecuaciones lineales homogéneo siempre es compatible”.

“Si un sistema homogéneo es compatible determinado, entonces S = { 0nx1 } (solución trivial).

Teorema de Rouché-Frobenius

Un sistema de ecuaciones lineales es COMPATIBLE si la matriz de coeficientes y la matriz

ampliada tienen igual rango.
A . X = B es compatible ⇔ ρ(A) = ρ(A’)
Si un sistema de ecuaciones lineales es compatible:
a) Si ρ(A) = ρ(A’) = n (nº de incógnitas) ⇒ el sistema es DETERMINADO.
b) Si ρ(A) = ρ(A’) < n (nº de incógnitas) ⇒ el sistema es INDETERMINADO.

Método de eliminación Gaussiana

Nos permite encontrar el conjunto solución de un sistema buscando un sistema equivalente cuya matriz
aumentada sea ESCALONADA. (Antón, 29)

Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 3

Método de Gauss-Jordan

Nos permite encontrar el conjunto solución de un sistema buscando un sistema equivalente cuya matriz
aumentada sea ESCALONADA REDUCIDA. (Antón, 35)

Teorema:

Si A es una matriz inversible de nxn, entonces para cada matriz B de orden nx1, el sistema A . X = B
tiene exactamente una sola solución y esta es : X = A-1. B
Demostración
A.X=B ⇒ A-1.( AX) = A-1.B ⇒I.X = A-1B ⇒ X = A-1.B

Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 3

Alumno: Curso: fecha:

Evaluación
En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.

ƒ Si la matriz A de orden n es equivalente por filas a In, entonces el sistema A X=0

Es compatible ( ) es compatible determinado ( ) es compatible indeterminado ( )
tiene solución S = { X∈ Rn / X = A-1 } ( ) NRAC ( )

ƒ Si la matriz de coeficientes de un sistema de ecuaciones lineales, A, es de orden 3x5 entonces el

número máximo de variables libres es:
3( ) 5 ( ) 2 ( ) 4 ( ) NRAC ( )

⎧ x1 − x 2 + x3 − x 4 = t
ƒ El sistema ⎨ es compatible determinado si:
⎩ x 2 − 2 x3 + 3 x 4 = 1
t=0 ( ) t no existe ( ) t = -1 ( ) t ∈R ( ) NRAC ( )

ƒ Si A es una matriz inversible de orden nxn, X es de orden nx1, y B es de nx1, entonces la

ecuación matricial A.X = B admite solución:
X = B-1.A ( ) X = A-1B no admite solución ( )

X=I( ) NRAC ( )

Prof A. Schilardi 4
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4

VECTORES Y ESPACIOS VECTORIALES

Los vectores en R2 se pueden representar como:

w v = (x1;x2)
v v = x 1 i + x2 j
x2 v = x1 x0 + x2 y0
x1 v y w son representaciones del mismo vector

módulo o norma euclidiana: es la longitud del vector. Es decir que : v = x12 + x 22

Si P1(x1;y1) y P2(x2;y2) son dos puntos del plano, el vector P1 P2 = ( x2-x1;y2-y1) y la distancia entre P1 y
P2 es la norma del vector P1 P2

Producto por un escalar:

Siendo α un número real, definimos el producto α v = α(x1;x2) = (αx1 ; αx2).

Suma de vectores

u= (u1;u2)
v = (v1;v2)
u + v = (u1+v1 ; u2+v2 )

Propiedades

ƒ u,v ∈ R2 : u + v = v + u
ƒ u,v,w ∈ R2 : u + (v+w) = (u+v) +w
ƒ 0 = ( 0;0) elemento neutro: u+0 = u

Prof A. Schilardi
2008 1
Álgebra y Geometría Analítica Unidad 4

Vectores en R3

u u = (u1 ; u2 ; u3)

u = u12 + u 22 + u 32

Vectores unitarios : un vector es unitario si su norma es 1. Si v = 1 entonces v es un versor. Los

versores cuya dirección es la de los ejes cartesianos se denominan versores fundamentales. ¿Cómo obtener
un versor a partir de un vector?
v
v =a entonces es un versor
a
Demostración
v 1 1 v
= v = .a = 1 luego es un versor
a a a a

distancia euclidiana entre vectores: la distancia entre dos vectores u y v se define como:
d (u, v) = u − v

Producto escalar (o producto punto)

Si u y v son dos vectores en R2 o R3 y θ es el ángulo entre u y v, entonces el producto punto o escalar se

define como (Antón, 164)
⎧ u . v cos θ u ≠ 0 y v ≠ 0
u • v⎨
⎩0 u=0 o v=0

2
2 2
PQ = u + v − 2 u v cos θ

PQ = v − u
p Q
u v cos θ =
1
2
(
u + v − v−u
2 2 2
)
u 2
v como v−u = ( v1 − u1 ) 2 + ( v 2 − u 2 ) 2 + ( v3 − u 3 ) 2
demostrar que u • v = u1v1 + u 2 v 2 + u 3 v3

Prof A. Schilardi
2008 2
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4

Propiedades:

o u•v=v•u
o u •(v+w) = u • v + u • w
o α (u • v) = (αu) • v α escalar

u•v
Ángulo entre vectores: cosθ =
u.v

Ángulos directores

Sean i, j, k vectores unitarios a lo largo de los ejes positivos de x,y,z de un sistema de coordenadas
rectangulares de un espacio tridimensional. Si v=(a,b,c) es un vector diferente de cero, entonces los ángulos
a, b, g entre v y los vectores i, j, k, respectivamente, se denominan ángulos directores de v.
A los números cos(a), cos (b), cos(g), se los denomina cosenos directores de v.

Propiedades: sea v = (a,b,c) un vector de R3, y a, b, g sus ángulos directores, entonces:

a
a) cos( a) =
v
b) cos (a) + cos2(b) + cos2(g) = 1
2

Producto vectorial o producto cruz

Si u(u1;u2;u3) y v(v1;v2;v3) son vectores de R3 entonces u × v es un vector definido por:

u × v = (u2v3-u3v2 ; u3v1 – u1v3 ; u1v2 – u2v1)

que en notación de determinantes es:

x y z
u × v = u1 u2 u3
v1 v2 v3

Prof A. Schilardi
2008 3
Álgebra y Geometría Analítica Unidad 4

Propiedades:

‰ u × v = -(v × u)
‰ u ×(v+w) = u ×v + u ×w
‰ k.(u ×v) = ku × v = u × kv k escalar
‰ u×0= 0
‰ u ×u= 0
u × v = u v − (u • v ) 2
2 2 2
‰

Interpretación geométrica

u×v = u v − ( u . v cosθ ) 2
2 2 2

= u . v (11
−4cos θ)
2 2 2
u 24 3
h
sen 2θ

v u × v = u . v senθ

A = b . h = u v senθ = u × v
Producto mixto:

Si u , v , w son vectores de un espacio tridimensional, entonces u• ( v × w) se denomina producto mixto y

se calcula como :
u1 u 2 u 3
u • (v × w) = v1 v2 v3
w1 w2 w3

v × w = sup erf parale log

h = proy v× w u = u cos α
V = (sup parale log).h = v × w . u cos α
V = u • (v × w ) (siempre positivo) u
h
w
α

v
Propiedad:

o (u × v ) • w = u • (v × w)

Prof A. Schilardi
2008 4
Álgebra y Geometría Analítica Unidad 4

RECTAS EN R3 (Grossman, 204)

R
P(x,y,z)
P0(x0;y0;z0)

P0 P = λv
OP = OP0 + P0 P
OP = ( x0 ; y 0 ; z 0 ) + λ .v
OP = ( x0 ; y 0 ; z 0 ) + λ .(v1 ; v 2 ; v3 )
v

Ecuación vectorial de
la recta

Ecuaciones paramétricas:

OP = ( x0 ; y 0 ; z 0 ) + λ (v1 ; v 2 ; v3 )
( x; y; z ) = ( x0 + λv1 ; y 0 + λv 2 ; z 0 + λv3 )
⎧ x = x0 + λv1
⎪
⎨ y = y 0 + λv 2
⎪ z = z + λv
⎩ 0 3

Ecuaciones simétricas:

x − x0
λ=
v1
y − y0 x − x0 y − y 0 z − z 0
λ= = =
v2 v1 v2 v3
z − z0
λ=
v3

Prof A. Schilardi
2008 5
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4

PLANOS EN R3
OP = OP0 + P0 P
P0 P = λ1v + λ 2 u
P(x;y;z)
P0(x0;y0;z0)
OP = OP0 + λ1v + λ 2 u

ecuación
vectorial del
plano
u

Ecuación general (Grosssman, 208)

(n x ; n y ; n z ) = n vector normal → n ⊥ π

n(nx;ny;nz) P0 P ∈ π → P0 P ⊥ n → P0 P • n = 0

[( x; y; z) − ( x 0 ; y 0 ; z 0 )]• (n x ; n y ; n z ) = 0
P0(x0;y0;z0)
( x − x 0 ; y − y 0 ; z − z 0 ) • (n x ; n y ; n z ) = 0
π
P(x;y;z) ( x − x 0 )n x + ( y − y 0 )n y + (z − z 0 )n z = 0
xn x − x 0 n x + yn y − y 0 n y + zn z − z 0 n z = 0
xn x + yn y + zn z − ( x 0 n x + y 0 n y + z 0 n z ) = 0

Ecuación general del

plano

Prof A. Schilardi
2008 6
Álgebra y Geometría Analítica Unidad 4

ESPACIOS VECTORIALES
Definición: Sea V un conjunto en el cual se definen las operaciones de adición y multiplicación por un
escalar. Se dice que el conjunto V con estas operaciones es un ESPACIO VECTORIAL si satisface:

9 A1) x∈ V , y∈ V : (x+y) ∈ V
9 A2) (x+y)+z = x+(y+z) para todo x,y,z ∈ V
9 A3) existe un e ∈ V tal que : x+e = e+x = x
9 A4) para cada x∈ V existe un – x∈ V tal que : x+(-x) = e
9 A5) x+y = y+x para todo x,y ∈ V
9 A6) x∈ V, α∈ R entonces : α.x ∈ V
9 A7) α, β ∈ R y x∈ V entonces : (α + β)x = αx + βx
9 A8) α ∈ R y x,y ∈ V entonces: α(x+y) = αx + αy
9 A9) α, β ∈ R , x ∈ V entonces : (α.β) x = α( βx)
9 A10) x ∈ V entonces : 1.x = x

Propiedades:
?
P1) 0.u = 0 con 0∈ R y u ∈ V (espacio vectorial)
Demostración: 0.u = (0+0) u = 0.u + 0.u ⇒ 0.u = 0.u + 0.u ⇒ 0.u + (-0.u) = 0.u + 0.u + (-0.u) ⇒ 0 =
0.u

?
P2) (-1).u = − u u ∈ V (espacio vectorial)
Demostración: 0 = 0.u = (1+ (-1)).u = u+(-1). u ⇒ 0 = u+(-1)u ⇒ 0+(-u) = u+(-1) u + (-u) ⇒ -u = (-1)u

?
P3) k .0 = 0 con 0∈ V (espacio vectorial) y k ∈ R
Demostración: k.0= k(u+(-u) ) = k.u + k.(-u) = ku + (-ku) = 0 ⇒ k.0 = 0

SUBESPACIOS VECTORIALES
Definición: “un subconjunto S ≠ ∅ de un espacio vectorial V es subespacio de V si S es espacio
vectorial por sí solo, bajo las operaciones de adición de vectores y multiplicación por un escalar definidas
en V”.

Prof A. Schilardi
2008 7
Álgebra y Geometría Analítica Unidad 4

Teorema (condición necesaria y suficiente para la existencia de subespacios)

“V es espacio vectorial y S es subconjunto de V, distinto del conjunto vacío. Entonces S es subespacio de

V sí y solo sí:

™ S es cerrado para la adición de vectores.

™ S es cerrado para el producto por un escalar

Demostración

?
⇒ ) S es subespacio ⇒ se verifican las dos condiciones enunciadas.

Si S es subespacio de V entonces es espacio vectorial por sí mismo. Por lo tanto, como las dos condiciones
corresponden a dos de los axiomas de espacio vectorial, está demostrado.

?
⇐ ) se verifican las dos condiciones ⇒ S es subespacio vectorial.

Por hipótesis es un subconjunto de un espacio vectorial y muestra las mismas propiedades de V. (axiomas
A2,A5,A7, A8,A9) . Además los axiomas A1 y A6 corresponden a las dos condiciones, por lo tanto faltaría
demostrar que se verifican los axiomas del elemento neutro y del opuesto.
Por ser cerrado para el producto por un escalar : k.u ∈ S con k ∈ R y u ∈ S
- Si k = 0 entonces 0.u ∈ S entonces 0.u = 0 ∈ S .
- Si k = -1 entonces -1.u ∈ S entonces -1.u = -u ∈ S

Propiedad:
“ sea S un subespacio de V entonces S contiene al vector nulo”

Combinación lineal

Sea un espacio vectorial V . Sean v1,v2,.....,vn vectores de V y λ1, λ2,...., λn escalares. Se dice que la
expresión λ1v1 + λ2 v2 + ......+ λn vn es una combinación lineal de los vectores de V. (Antón, 270)

Propiedad:

Si v1,v2,.....,vn son vectores de un espacio vectorial V, entonces el conjunto W de todas las combinaciones
lineales de v1,v2,.....,vn es un subespacio de V.

Demostración:

Prof A. Schilardi
2008 8
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4

™ α1, α2, ....., αn ∈ R y β1, β2,...., βn ∈ R

α1v1 + α2v2 + .....+ αn vn es una combinación lineal de v1,v2,.....,vn

β1 v1 + β2 v2 +.... + βnvn es otra combinación lineal de v1,v2,.....,vn

entonces : (α1+β1) v1 + (α2 +β2) v2 + .....+ (αn + βn) vn es una combinación lineal de v1,v2,.....,vn
Luego es cerrado para la suma.

™ k∈ R y α1v1 + α2v2 + .....+ αn vn es una combinación lineal de v1,v2,.....,vn

k( α1v1 + α2v2 + .....+ αn vn ) = (k.α1)v1 + (k.α2 )v2 + .....+ (k.αn) vn combinación lineal de
v1,v2,.....,vn. Entonces es cerrado para el producto por un escalar.

Como W es cerrado para la suma y el producto por un escalar, entonces es subespacio de V.

Espacio generado
Sea S = { v1,v2,.....,vn } un conjunto de vectores en un espacio vectorial V. Entonces el conjunto W de
todas las combinaciones lineales de los vectores de S se denomina espacio generado por v1,v2,.....,vn , y
se dice que los vectores v1,v2,.....,vn generan a W. (Antón, 272)

Independencia lineal

Sea S = { v1,v2,.....,vn } un conjunto de vectores en un espacio vectorial V. Entonces la ecuación λ1v1 + λ2

v2 + ......+ λn vn = 0 tiene al menos una solución que es : λ1 , λ2 ,....... ,λn = 0.
Si ésta es la UNICA solución entonces S es un conjunto linealmente independiente.
Si existen otras soluciones entonces S es linealmente dependiente. (Antón, 277)

Teorema 1

Un conjunto S con dos o mas vectores es linealmente dependiente si y sólo sí al menos uno de los vectores
es una combinación lineal de los demás vectores de S. (Antón, 279)

Demostración
?
⇒ ) S es linealmente dependiente ⇒ un vector es C.L de los demás.
Si S es linealmente dependiente entonces λ1v1 + λ2 v2 + ......+ λn vn = 0 con λi ≠ 0
Supongamos que λ1 ≠ 0 entonces
λ1v1 = - λ2 v2 - ......- λn vn
− λ2 λ λ
v1 = v 2 − 3 v3 − ........ − n v n
λ1 λ1 λ1

Prof A. Schilardi
2008 9
Álgebra y Geometría Analítica Unidad 4

Luego v1 es combinación lineal de los demás.

?
⇐ ) un vector es C.L de los demás ⇒ S es linealmente dependiente

supongamos que v1 es combinación lineal de los demás, entonces

v1 = λ2 v2 + λ3 v3 +......+ λn vn
v1 - λ2 v2 - λ3 v3 -......- λn vn = 0 ⇒ λ1 = 1

entonces S es linealmente dependiente.

Teorema 2

a) Sea S = { v1,v2,.....,vr } un conjunto de vectores de Rn con r > n, entonces S es linealmente

dependiente
b) ningún conjunto con menos de n vectores generan a Rn.

Demostración de a)

Supongamos v1=( v11, v12,......, v1n )

v2 = (v21, v22 , ....., v2n)
.....................................
vr = (vr1, vr2, ......., vrn)

λ1v1 + λ2 v2 + ......+ λr vr = 0

⎧λ 1 v11 + λ 2 v 21 + ......... + λ r v r1 = 0
⎪λ v + λ v + ......... + λ v = 0
⎪ 1 12 2 22 r r2
⎨
⎪....................................................
⎪λ 1 v1n + λ 2 v 2 n + ......... + λ r v r n = 0
⎩

Entonces existen soluciones no triviales, luego S es linealmente dependiente como queríamos demostrar.

Teorema 3

Todo vector no nulo de un espacio vectorial constituye un conjunto linealmente independiente.

Demostración:

Sea V un espacio vectorial y u ∈ V con u ≠ 0

Para que { u } cumpla la definición de L.I debemos demostrar que : α.u = 0 ⇒ α=0

Prof A. Schilardi
2008 10
Álgebra y Geometría Analítica Unidad 4

α.u = 0 ⇒ α=0 ò u=0

Entonces : α = 0, luego {u} es L.I

Teorema 4

El vector nulo de cualquier espacio vectorial es un conjunto linealmente dependiente.

Demostración

Para cualquier α ∈ R, α ≠ 0 se verifica que : α.0 = 0 luego {0} es L.D

Teorema 5

Todo conjunto al que pertenezca el vector nulo es linealmente dependiente.

Demostración

A = { u1, u2 , .....,un } con uj = 0

Se verifica que:
λ1v1 + λ2 v2 +.. ..+ λj vj +.....+ λn vn = 0
0v1 + 0 v2 +.. ..+ λj vj +.....+ 0 vn = 0 con λj ≠ 0
Por lo que no necesariamente λj es cero entonces A es linealmente dependiente.

Base y dimensión
Sea V un espacio vectorial y B = { v1,v2,.....,vr } un conjunto finito de vectores de V. Se dice que B es una
base de V si: (Antón, 290)

ƒ B es un conjunto linealmente independiente

ƒ B genera al espacio vectorial V

Dimensión
Sea V un espacio vectorial y B una base que consta de “n” vectores, decimos que V tiene dimensión n. Se
anota dim (V). Además, por definición el espacio vectorial {0} tiene dimensión cero. (Antón, 298)

Decimos que V tiene dimensión finita si hay un conjunto finito de vectores que formen una base, sino se
dice que V tiene dimensión infinita.

Coordenadas

Prof A. Schilardi
2008 11
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4

Si B = { v1,v2,.....,vn } es una base de un espacio vectorial V, entonces cada vector de V se puede expresar
de modo único como combinación lineal de los vectores de B. O sea:
v = λ1v1 + λ2 v2 +.....+ λn vn
donde λ1 , λ2 ,....... ,λn son únicos.
A los escalares se los denomina coordenadas del vector en la base B.
Podemos nombrar las coordenadas de un vector como los elementos de una matriz de nx1 tal que:

⎡ λ1 ⎤
⎢λ ⎥
[v]B = ⎢ 2⎥ esta matriz es la matriz de coordenadas de v respecto a B
⎢M⎥
⎢ ⎥
⎣λ n ⎦

Teorema

Para una base, las coordenadas de un vector son únicas.

Demostración

Sea V un espacio vectorial y B = { v1,v2,.....,vn } una base de V. Entonces existen λ1 , λ2 ,....... ,λn escalares
tales que
λ1v1 + λ2 v2 +....+ λn vn = u ∈ V
supongamos que existe otra:

α1v1 + α2 v2 +.. ...+ αn vn = u ∈ V

(λ1-α1) v1 + (λ2- α2) v2 +....+ (λn - αn ) vn = 0

Entonces
λ1-α1 = 0 → λ1 = α1
λ2- α2 = 0 → λ2 = α2
λn - αn = 0 → λn = αn

Luego los escalares son únicos.

Cambio de base

Si se cambia la base de un espacio vectorial de una base inicial B = { u1,u2,.....,un } a una nueva base B’=
{ u’1,u’2,.....,u’n } entonces la matriz de coordenadas inicial [v]B está relacionada con [v]B’ por medio de la
ecuación
[v]B’ = P. [v]B

Donde las columnas de P son las coordenadas de los vectores de B con respecto a la base B’
P = [[u1 ]B ' M[u 2 ]B ' M.........M[u n ]B ' ] matriz de transición de B → B’ (Antón, 401)

Prof A. Schilardi
2008 12
Álgebra y Geometría Analítica Unidad 4

Alumno: Curso: fecha:

Evaluación:

1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.

ƒ El volumen de la caja determinada por los vectores (1;4;0) , (1, 3, 3) y (0,1,-2) es igual a
10 ( ) 0 ( ) -1 ( ) 1 ( ) NRAC ( )

ƒ la ecuación de la recta que pasa por los puntos (2,-1,3) y (1,0,-1) es

x−2 z −3 z −1
(x,y,z)=(2,-1,3) + k(1,0,-1) , k ∈R ( ) = y +1 = ( ) x −1 = y = (
−1 −4 3
)
(x,y,z)= (1,0,-1) + k(2,-1,3) ( ) NRAC ( )

ƒ si en R3 se considera el conjunto de vectores S={u;v;w} entonces se puede asegurar que:

S es una base de R3 ( ) S es linealmente independiente ( ) S genera a R3 ( )
NRAC ( )

ƒ Sea S={(t;-t ; r ; s) ∈R4} el espacio solución de un sistema de ecuaciones lineales homogéneo,

entonces una base de S es:
{(1;-1;0;0) ;(0;0;1;0) ; (0;0;0;1)} ( ) {(1;-1;0;0);(0;0;1;1)} ( ) {(1;-1;1;1)} ( )
NRAC ( )

ƒ La matriz de cambio de base o de pasaje de la base {(-1;0);(0;1) } a la base canónica es:

⎡− 1 0⎤ ⎡1 0 ⎤ ⎡ 0 1⎤ ⎡1 0⎤
P=⎢ ⎥ ( ) P=⎢ ⎥ ( ) P=⎢ ⎥ ( ) P=⎢ ⎥ ( )
⎣ 0 1⎦ ⎣0 − 1⎦ ⎣− 1 0⎦ ⎣0 1 ⎦

NRAC ( )

2) Completar las siguientes proposiciones:

o La norma de un vector perteneciente a la circunferencia de radio 1 en R2 es ...................
o El ángulo entre el eje y y la recta (x,y,z)=(1,2,-1) + k(2,3,0) , k ∈R es ...........
o el valor de h para que los vectores (2,3,1),(h, -6,-2) y (1,-1,0) sean coplanares es.............
o la ecuación del plano paralelo a z = 3 que pasa por el origen es...........................
o la distancia entre los puntos (1,-1,0) y (2,-2,3) es.................................
o un vector ortogonal al plano determinado por los vectores (-1,1,2) y(3,1,0) es..............
o un ejemplo de conjunto de vectores linealmente dependientes en R3 es ..................
o el vector de coordenadas de v = (1;-2) en la base {(0;-1);(2;0) } es.........
Prof A. Schilardi
2008 13
Álgebra y Geometría Analítica Unidad 4

o una base del subespacio S = { (x;y;z) ∈ R3 / y = 0} es ................

o la norma euclidiana del vector u=(1;0;-1;-4) de R4 es...........
o un ejemplo de un conjunto generador de R3 y que no sea base de R3 es..............
o la dimensión del espacio generado por {(1;0;2);(1;0;0);(0;1;0)} es..............................

3) Dado el siguiente sistema de ecuaciones:

⎛ x + 2y − z = 0 π1
⎜
⎜ 2x + y − 2z = 0 π 2
⎜ 3x + 3 y − 3z = 0 π
⎝ 3

3.1) interpretar geométricamente el conjunto solución.

3.2) Hallar la ecuación de una recta ortogonal al plano π3 y que pase por el origen.
3.3)3
determinar un punto que pertenezca al plano π2.
3.4) determinar un plano paralelo no coincidente al plano π1.

Prof A. Schilardi
2008 14
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 5

ESPACIOS VECTORIALES CON PRODUCTO INTERIOR

Producto interior (Antón,339)

Definición: “un producto interior sobre un espacio vectorial V es una función que asocia a cada par de vectores
u y v de V, un número real < u; v > de forma que los siguientes axiomas se cumplen para los vectores u,v,w
en V y escalares k.
o A1 ) < u; v > = < v; u >
o A2 ) < u + v ; w > = < u; w > + < v ; w >
o A3) < k.u; v > = k. < u; v >
o A4 ) < u; u > ≥ 0 donde < u; u > = 0 ⇔ u = 0

Propiedades

9 < 0; u > = < u; 0 > = 0

Demostración: < 0; u > = < 0 + 0; u > = < 0; u > +< 0; u > ⇒ 0 = < 0; u >

9 < u; v + w > = < u; v > + < v ; w >

Demostración
< u; v + w > = < v + w ; u> = < v; u > + < w ; u > = < u; v > + < u; w >

9 < u ; k.v > = k < u; v >

Demostración:
< u ; k.v > = < k.v ; u > = k. < v ; u > = k. < u ; v >

Desigualdad de Cauchy-Schwarz

Sean u,v dos vectores de un espacio vectorial real con producto interior, entonces:

< u; v > ≤ u . v

(Antón, 354)
Otras expresiones equivalentes:

< u; v > 2 ≤< u, u > . < v; v >

< u; v > 2 u
2 2
v

Prof A. Schilardi 1
2008
Álgebra y Geometría Analítica Unidad 5

Norma o longitud

Sean u un vector de un espacio vectorial con producto interior, entonces la norma o longitud de un vector
u se define como:
1
u =< u; u > 2

Propiedades (Antón, 355)

ƒ u ≥0
ƒ u =0 ⇔ u=0
ƒ k .u = k . u
ƒ u+v ≤ u + v desigualdad triangular

Distancia entre dos vectores

Sean u,v dos vectores de un espacio vectorial con producto interior, entonces la distancia entre u y v se define
como:

d (u; v) = u − v

Propiedades

• d ( u; v) ≥ 0
• d ( u; v ) = 0 ⇔ u = v
• d (u; v ) = d (v; u )
• d (u; v ) ≤ d (u; w) + d (v; w) desigualdad triangular

Ángulo entre vectores

< u; v >
cosθ =
u . v

Vectores ortogonales

En un espacio vectorial con producto interior dos vectores u y v son ortogonales si < u ; v > = 0

Prof A. Schilardi 2
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 5

Teorema de Pitágoras generalizado

Si u y v son dos vectores ortogonales en un espacio vectorial con producto interior entonces

u+v = u + v
2 2 2

Demostración:

u + v =< u + v; u + v >=< u; u + v > + < v; u + v >=< u; u > + < u; v > + < v; u > + < v; v >= u + v
2 2 2

Bases ortonormales

Un conjunto de vectores de un espacio vectorial con producto interior se denomina conjunto ortogonal si todas
las parejas de vectores distintos en el conjunto son ortogonales. Un conjunto ortogonal en el que cada vector
tiene norma uno se denomina conjunto ortonormal. Si este conjunto es base de un espacio vectorial, se
denomina base ortonormal.

Teorema

Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es linealmente independiente.

Demostración

Sea W = { v1;v2;....;vn} un conjunto ortogonal con vi ≠ 0

Suponga que:
w = λ1 v1 + λ2 v2 + .... + λn vn = 0 (1)

hagamos: < w ; vi > = < 0; vi > = 0

entonces: < w; vi > = λ1 < v1 ; vi > + λ2 < v2; vi > + .... + λn < vn ; vi > = 0 (2)

como W es ortogonal: <vj ; vi > = 0 ⇔ i ≠ j

entonces por (2) se reduce a: λi < vi ; vi > = 0 Por hipótesis: vi ≠ 0 ⇒ λi = 0 como i es arbitrario:

λ1 = λ2 = .......= λn = 0 luego W es linealmente independiente.

Matriz ortogonal
Se dice que Q es una matriz ortogonal si los vectores columna de Q forman una conjunto ortonormal de Rn
(con el producto euclideano).

Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 5

Teorema

Si Q es una matriz ortogonal, entonces Q es invertible y además: Q-1 = Qt.

Propiedades

ƒ la inversa de una matriz ortogonal es ortogonal

ƒ el producto de matrices ortogonales es ortogonal
ƒ si Q es ortogonal, entonces det(Q) = 1 ó det(Q) = -1

Prof A. Schilardi 4
2008
Álgebra y Geometría Analítica Unidad 5

Alumno: Curso: fecha:

Evaluación

1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.

o Sean los vectores u=(u1;u2) y v=(v1;v2) en R2 . La función definida por: < u ; v > = 4u1v1-3u2v2 :
No es producto interior porque no verifica el axioma de simetría ( )
No es producto interior porque no verifica el axioma de homogeneidad ( )
No es producto interior porque no verifica el axioma de positividad ( )
Es producto interior ( )
NRAC ( )

Prof A. Schilardi 5
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 6

TRANSFORMACIONES LINEALES

Definición: Si T: V→ W es una función de un espacio vectorial V en un espacio vectorial W, entonces T se

llama transformación lineal de V en W si para todos los vectores u,v de V y todos los escalares λ se cumple
:

‰ T (u + v) = T(u) + T(v)
‰ T (λu) = λ T(u)

Nota: en el caso en que V = W se dice que T es un operador lineal sobre V.(Antón, 447)

Expresión matricial:

Sea T: R2 → R3 tal que T(x1;x2) = (x2 ; x1 ; x1+x2) se puede escribir como:

⎛ x2 ⎞ ⎡0 1 ⎤
⎛ x1 ⎞ ⎜ ⎟ ⎛ x1 ⎞ ⎢ ⎡x ⎤
T ⎜⎜ ⎟⎟ = ⎜ x1 ⎟ o como matrices T⎜⎜ ⎟⎟ = ⎢1 0⎥⎥ . ⎢ 1 ⎥
⎝ x2 ⎠ ⎜ x + x ⎟ ⎝ x 2 ⎠ ⎢1 1 ⎥ ⎣ x 2 ⎦
⎝ 1 2⎠ ⎣ ⎦

T(u) = A.u

Teorema

Si T es una transformación lineal de Rn en Rm, entonces existe una matriz A de mxn tal que T(x) = A.x
Además, siendo B = { e1;e2;.....;en) una base de Rn, el j-ésimo vector columna de A está dado por: aj = T(ej)
con j = 1,2,...,n.

Demostración:

Si x ∈ Rn ⇒ x = (x1;x2;......,xn)
x = x1 e1 + x2 e2 + .....+ xn en

T(x) = x1 T(e1) + x2 T(e2 ) + .....+ xn T (en)

Prof A. Schilardi
2008 1
Álgebra y Geometría Analítica Unidad 6

⎡ x1 ⎤
⎢x ⎥
T ( x) = [a1 M a 2 M L M a n ]⎢ 2 ⎥ = A.x
⎢M⎥
⎢ ⎥
⎣ xn ⎦

Propiedades: (Antón, 453)

Si T: V → W es una transformación lineal, entonces:

o T( 0v ) = 0w

Demostración:
T(0) = T (0.v)=0.T(v) = 0

o T(-v) = - T(v) para todo v de V

Demostración:
T(-v) = T((-1).v) = (-1).T(v) = -T(v)

o T(v-w) = T(v) – T(w) para todo v,w de V.

Demostración:
T(v-w) = T(v+(-1)w) = T(v) + T((-1)w) = T(v) + (-1)T(w) = T(v) – T(w)

Núcleo de una transformación lineal

Sea T: V → W una transformación lineal , el núcleo de T (ker(T)) es el conjunto que consta de todos los
elementos de V que se transforman en el cero de W. O sea que:

Ker(T) = N(T) = {x∈ V ; T(x) = A.x = 0w }

Imagen o Recorrido de una transformación lineal

Sea T: V → W una transformación lineal, la imagen de T (Im(T)) es el conjunto de todos los vectores de W
que son imagen de por lo menos un vector de V. O sea que:

Im(T) = {w∈ W ; w = T(v) para algún v de V }

Prof A. Schilardi
2008 2
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 6

Teorema:

Si T: V → W una transformación lineal entonces:

ƒ 1) El ker(T) es un subespacio de V.
ƒ 2) El Im(T) es un subespacio de W.

Demostración de 1)
Sean v1,v2 vectores del núcleo de V y k un escalar:
- T(v1 + v2) = T(v1) + T(v2) = 0 + 0 = 0 ⇒ v1 + v2 ∈ ker(T)
- T(kv1) = k T(v1) = k.0 = 0 ⇒ k.v1 ∈ Ker(T)

Luego ker (T) es subespacio de V.

Demostración de 2):

Sea w1 y w2 elementos de Im(T) y k un escalar. Existe un v1 ∈ V tal que T(v1) = w1 y v2 ∈ V tal que T(v2)
= w2.
Busquemos v1 + v2 = a ∈ V ⇒ T(a) ∈ Im(T) pero T(a) = T(v1 + v2) = T(v1) +T( v2 ) = w1 + w2 ⇒ w1 + w2
∈ Im(T)
También existe un b = kv1 ∈ V ⇒ T(b) ∈ Im(T)
T(b) = T(k.v1) = k T(v1) = k.w1 ∈ Im(T)

Luego Im(T) es subespacio de W.

Nulidad de una transformación lineal

Sea T: V → W una transformación lineal, la dimensión del núcleo de T se denomina nulidad de la

transformación lineal.

Teorema :

Sea T: V → W una transformación lineal cuyo ker(T) = {0}. Si v1;v2;.....;vn son elementos linealmente
independientes de V, entonces T( v1) ;T(v2) ;.....; T(vn) son elementos linealmente independientes de W.

Demostración: Sean λ1; λ2;....; λn escalares tales que:

λ1 T(v1)+ λ2 T(v2) + .... + T(vn) λn = 0
T(λ1.v1) + T( λ2v2) + .... + T( λnvn) = 0
T(λ1.v1 + λ2v2 + .... + λnvn) = 0

Como v1;v2;.....;vn son linealmente independientes entonces λ1v1 + λ2 v2 + ..... + λn vn = 0 cuando λ1 = λ2 =....
= λn = 0
Luego T( v1) ;T(v2) ;.....; T(vn) son linealmente independientes

Prof A. Schilardi
2008 3
Álgebra y Geometría Analítica Unidad 6

Teorema de la dimensión

Sea T: V → W una transformación lineal de un espacio vectorial V de dimensión “n” en un espacio

vectorial W entonces:

Dim (ker(T)) + dim(Im(T)) = n O lo que es lo mismo Nul(T) +rango (T) = n

Teorema:

Sea T: V → W una transformación lineal, entonces las siguientes proposiciones son equivalentes

a) T es inyectiva
b) Ker(T) = {0}
c) Nulidad(T) = 0
d) Im(T) = V

Demostración a)⇔ b)

?
a) ⇒ b) T es inyectiva ⇒ ker(T) ={0}
v ∈ Ker(T) ⇒ T(v) = 0 y T(0) = 0 ⇒ v = 0 luego ker(T) = {0}

?
b) ⇒ a) ker(T) = {0} ⇒ T es inyectiva

Tomemos v ≠ w dos vectores de V entonces v-w ≠ 0 (1)

Debemos demostrar que no es cierto que T(v) = T(w). Si lo fuera: T(v) – T(w) = 0 ⇒ T(v-
w) = 0 ⇒ v-w ∈ ker(T) o sea que v-w = 0 ⇒ v = w !!!!
Luego T es inyectiva.

Matrices de la transformación lineal

Suponga que T: V → W una transformación lineal . Si se eligen B y B’ para V y W respectivamente, entonces

para todo x en V, la matriz de coordenadas [x]B es un vector de Rn y la matriz de coordenadas [T(v)]B’ es un
vector de Rm
x T T(x) ∈ W

[x]B [T(v)]B’
A

Prof A. Schilardi
2008 4
Álgebra y Geometría Analítica Unidad 6

Matrices semejantes (Antón, 498)

Sean A y B dos matrices cuadradas, entonces se dice:

“B es semejante a A si existe una matriz

inversible P tal que B = P-1. A. P

Propiedades:

Si A y B son semejantes entonces:

• A y B tienen el mismo determinante

• A y B tienen el mismo rango
• An y Bn son semejantes con n∈ Z+

Prof A. Schilardi
2008 5
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 6

Alumno: Curso: fecha:

Evaluación:

1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.
⎡2 1 ⎤
o La dimensión del núcleo de la transformación lineal matricial definida por A = ⎢ ⎥ es:
⎣0 2⎦
no existe ( ) 2 ( ) 1 ( ) 0( ) NRAC ( )

o Si A es una matriz de 5x2, entonces por el teorema de la dimensión se puede asegurar que:

La nulidad de A es como mínimo 1 ( ) La nulidad de A es 5 ( )

El rango de la transformación lineal es 0 ( ) el rango de la transformación es 2 ( ) NRAC ( )

o La matriz asociada a la transformación lineal T:R3 → R2 / T(x;y;z) = (x; y; -z) es :

⎡1 0 0 ⎤ ⎡1 0 0 ⎤
A=⎢ ⎥ ( ) A=⎢ ⎥ ( )
⎣0 1 1 ⎦ ⎣0 1 - 1⎦
⎡1 0 ⎤
⎡0 1 1 ⎤
A=⎢ ⎥ ( ) A = ⎢⎢0 1 ⎥⎥ ( ) NRAC ( )
⎣1 0 0⎦ ⎢⎣0 - 1⎥⎦

2) Completar las siguientes proposiciones:

¾ El núcleo del operador lineal identidad I:V→ V es .......................

¾ La imagen de la transformación lineal matricial T: R2 → R3 T(x;y) = (x;0;0) es..................
¾ La imagen del operador lineal identidad I:V→ V es .......................
¾ Si T:Rn → Rn es un operador lineal de matriz asociada con determinante no nulo, entonces la dimensión
del núcleo es ....... y la dimensión de la imagen es ........

3) Indicar si las siguientes proposiciones son verdaderas o falsas:

ƒ La imagen de la transformación lineal nula 0: V → W es W ( )

ƒ Si T(0) = 0 entonces T es una transformación lineal ( )
ƒ Si A es la matriz de 2x4 de la transformación lineal matricial T y el rango de T es 2, entonces la nulidad
de T es 2. ( )
ƒ Si T:R3 → R2 / T(x;y;z) = (x+2 ; z-y ) es una transformación lineal. ( )
ƒ Si A es la matriz de 3x5 de la transformación lineal matricial T, entonces la nulidad de T es un número
entero mayor o igual que 3 y menor o igual que 5. ( )
ƒ Él núcleo del operador lineal identidad en R3 es R3 ( )

Prof A. Schilardi
2008 6
Álgebra y Geometría Analítica Unidad 7

VALORES Y VECTORES PROPIOS

Supongamos una transformación lineal T: V→ V y queremos hallar un v ∈ V tal que T(v) // v. O sea T(v)
= λ.v ( ⊗) con λ escalar.

Si λ ≠ 0 satisface (⊗) decimos que λ es un valor propio, valor característico o eigenvalor de T y al

vector v se lo llama vector propio, vector característico o eigenvector correspondiente al valor propio λ.

Definición:

Si A es una matriz mxn entonces un vector x diferente de cero en Rn se denomina vector propio de A si A.x
es un múltiplo escalar de x. Es decir: A.x = λ.x para algún escalar λ. El escalar λ se denomina valor propio
de A y se dice que x es un vector propio de A correspondiente a λ. (Antón, 415)

Para calcularlos:
A.x = λ x ⇒ Ax - λ.x = 0 ⇒ (A- λ.I) x = 0

Det(A- λ.I) = 0

Ecuación
característica

Los vectores propios de A correspondientes a un valor propio λ, son los vectores x distintos de cero del
espacio solución de (A- λ.I) x = 0

Multiplicidad geométrica

Suponga que λ es un valor propio de A, entonces la multiplicidad geométrica de λ es la dimensión del espacio
característico que le corresponde .

Multiplicidad algebraica

La cantidad de veces que aparece (λ - λ0) en el polinomio característico es la multiplicidad algebraica de λ0

Teorema:

Si λ es un valor propio de A, entonces multiplicidad geométrica ≤ multiplicidad algebraica

Prof A. Schilardi 1
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 7

Teorema:

Si A y B son matrices semejantes de nxn, entonces tienen la misma ecuación característica y por lo tanto los
mismos valores propios.

Demostración:
Si A y B son semejantes ⇒ B = P-1 .A .P ⇒ B - λ I = P-1 .A .P - λ I

det(B - λ I) = det ( P-1 .A .P - λ I ) = det (P-1 .A .P - P-1 λ I.P ) =

det( P-1 (A- λ I ).P) = det (P-1 ) det (A- λ I ) det (P) = det (A- λ I )
⇒ det(B - λ I) = det (A- λ I )

Propiedades

9 Si λ es valor propio de A, entonces k.λ es valor propio de k.A con k∈ R.

Demostración:
Si λ es valor propio de A ⇒ A.x = λ.x ⇒ k.(A.x) = k. (λ.x) ⇒ (k.A).x = (k. λ).x
⇒ k. λ es valor propio de k.A

9 Si λ es valor propio de una matriz A no singular, entonces λ-1 es valor propio de A-1
Demostración :
Si λ es valor propio de A ⇒ A.x = λ.x ⇒ A-1 A.x = A-1λ.x ⇒ I.x = λ.(A-1.x) ⇒
λ-1.x = A-1.x ⇒ λ-1 es valor propio de A-1

9 Si λ es valor propio de A, entonces λ4 es valor propio de A4

Demostración :
Si λ es valor propio de A ⇒ A.x = λ.x
Por otro lado: A x = A3.(A.x) = A3 (λ.x) = A2A (λ.x) = λ A2 (A.x) = λ A2 λ.x = λ2 A2 x = λ2 A.A x = λ2 A.
4

λx = λ3 A.x = λ4.x ⇒ A4.x = λ4.x ⇒ λ4 es valor propio de A4

9 Si λ es valor propio de una matriz A y esta es no singular, entonces λ es no nulo.

Demostración:
Si λ es valor propio de A ⇒ det (A-λI) = 0
Pero si λ = 0 entonces det (A) = 0 !!!!!!

9 Si λ es valor propio de A, entonces (λ-k) es valor propio de A-k.I con k ∈ R

Demostración:
Si λ es valor propio de A ⇒ A.x = λ.x
Además: (A-k.I).x = A.x – k.Ix = λ.x -kx = (λ-k) .x ⇒ (A-k.I).x = (λ-k) .x ⇒ (λ-k) es valor
propio de A-k.I

Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 7

9 El determinante de una matriz es el producto de sus valores propios y la traza de dicha matriz es
la suma de sus valores propios.

Diagonalización

Una matriz Anxn es diagonalizable si existe una matriz D (diagonal) que sea semejante a A. O sea:

Anxn es diagonalizable ⇔ D = P-1 A P

Teorema:

Una matriz Anxn es diagonalizable ⇔ tiene n vectores propios linealmente independientes y además D tiene
la forma:
⎡λ1 0 0 L 0⎤
⎢0 λ 0 L 0 ⎥⎥
D=⎢ 2

⎢L L L L L⎥
⎢ ⎥
⎣0 0 0 L λn ⎦

corolario:

Si Anxn tiene n valores propios distintos, entonces es diagonalizable.

Diagonalización ortogonal

Se dice que una matriz A nxn es diagonalizable ortogonalmente si existe una matriz ortogonal Q tal que:

Qt. A .Q = D
Teorema:

Sea Anxn entonces las siguientes afirmaciones son equivalentes:

a) A es diagonalizable ortogonalmente
b) A tiene un conjunto de n vectores propios ortonormales

Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 7

Diagonalización de matrices simétricas

Si A es una matriz simétrica , entonces todos sus valores propios son reales y la multiplicidad geométrica
coincide con la algebraica para cada valor propio. O sea que:

Toda matriz simétrica es diagonalizable

Propiedad:

Los vectores propios correspondientes a valores propios distintos de una matriz simétrica son ortogonales.

Prof A. Schilardi 4
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 7

Alumno: Curso: fecha:

Evaluación

1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.

o La matriz A de 4x4 es diagonalizable si

Admite matriz inversa ( ) tiene rango menor que 4 ( )
tiene 4 vectores propios linealmente independientes ( )
la multiplicidad geométrica del valor propio λ1 es 2 y de λ2 es 2 ( ) NRAC ( )

o La matriz A de 3x3 es diagonalizable ortogonalmente si

Tiene un valor propio de multiplicidad algebraica 2 ( ) es simétrica ( )
Tiene dos espacios característicos distintos ( )
La Multiplicidad geométrica del valor propio λ1 es 1 y de λ2 es 1 ( ) NRAC ( )

o Si A es una matriz de 3x3, det(A) = 10 y dos de sus vectores propios son λ1 = 2 y λ2 = 10, entonces
los valores propios de –A son:
1 −1
; 2 ; 10 ( ) ; − 2 ; − 10 ( ) -2 ; -2 ; -10 ( )
2 2
0 ; 2; 10 ( ) NRAC ( )

2) Determinar si las siguientes proposiciones son verdaderas o falsas.

ƒ Si 2 es un valor propio de 3.A entonces 1,5 es un valor propio de A-1 ( )

ƒ Si la matriz A 2x2 tiene autovalores 2 y 3 es diagonalizable ( )
ƒ Si la matriz A es simétrica entonces los autovectores correspondientes a autovalores diferentes son
ortogonales. ( )
ƒ Sea A inversible. Si 1 es autovalor de la matriz 2 A, entonces 0,5 es autovalor de A-1 ( )

Prof A. Schilardi 5
2008
Álgebra y Geometría Analítica Unidad 8

FORMAS CUADRÁTICAS

Una forma cuadrática de 2 variables se define como una expresión del tipo: ax2 + bxy + cy2 o :

⎡ b⎤
⎢a 2 ⎥ ⎡ x ⎤ = x t Ax
[x y] ⎢
b ⎥⎢ ⎥ Forma
⎢ c ⎥ ⎣ y⎦ matricial
⎣2 ⎦

Una forma cuadrática se denomina definida positiva si xt A.x > 0 para todo x ≠ 0 y una matriz simétrica A. Se
denomina matriz positiva definida si xt A x es una forma cuadrática definida positiva.

Si xt A x ≥ 0 para todo x ≠ 0 ⇒ A y la forma cuadrática es semidefinida positiva

Si xt A x < 0 para todo x ≠ 0 ⇒ A y la forma cuadrática es definida negativa

Si xt A x ≤ 0 para todo x ≠ 0 ⇒ A y la forma cuadrática es semidefinida negativa

Si xt A x tiene valores positivos y negativos ⇒ A y la forma cuadrática es indefinida

Propiedades:

Una matriz A simétrica es:

9 Definida positiva ⇔ sus valores propios son positivos

9 Semidefinida positiva ⇔ sus valores propios son no negativos
9 Definida negativa ⇔ sus valores propios son negativos
9 Semidefinida negativa ⇔ sus valores propios son no positivos

Cónicas

Las cónicas son las representaciones gráficas de ecuaciones cuadráticas en x e y. De la forma:

ax2 + bxy + cy2 + dx + ey +f = 0

forma cuadrática asociada

Prof A. Schilardi 1
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 8

Una cónica no degenerada está en posición normal si se puede expresar de la siguiente manera

¾ (y-k)2 = 2p(x-h) representa una parábola

( x − h) 2 ( y − k ) 2
¾ + = 1 representa una elipse
a2 b2
( x − h) 2 ( y − k ) 2
¾ − = 1 representa una hipérbola
a2 b2

PARÁBOLA

Una parábola es el lugar geométrico de todos los puntos del plano que equidistan de una recta fija ( directriz) y
de un punto fijo (foco) no situado sobre dicha recta.

M P(x;y)
p
Ecuación de la directriz D: x = - entonces x +
2
p
=0
2
p
F( ;0)
2
p 2 p
PF = PM ⇒ (x − ) + y2 = x +
2 2
trabajando la expresión obtenemos:
D
p p2 p2 p
x − 2x +
2
+y =x +
2 2
+ 2x
2 4 4 2
simplificando y sumando nos queda:
P( semiparámetro)

Ecuación cartesiana
y2 = 2 p x de la parábola que
abraza al eje x con
vértice en el (0;0)

x2 = 2 p y x2 = -2py

Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 8

Si el vértice de la parábola no coincide con (0;0) :

V(h;k)
(x-h)2 = ± 2p(y-k)

(y-k)2 = ± 2p(x – h)

Desarrollando estas ecuaciones:

(y-k)2 = 2p(x-h) ⇒ y2 -2px – 2ky + k2 + 2ph = 0

Si llamamos a -2p = d
-2k = e
k2 +2ph = f obtenemos la ecuación general y2 + dx +ey +f = 0

Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 8

HIPÉRBOLA

Se denomina hipérbola al lugar geométrico de los puntos del plano cuya diferencia de la distancias a dos
puntos fijos llamados focos es una constante igual a “2 a”

P(x;y)
c > a

2b F1 P − F2 P = 2a
F2 F1 F1 P = ( x − c) 2 + y 2
F2 P = ( x + y ) 2 + y 2

2a por lo tanto nos queda:

2c ( x − c ) 2 + y 2 − ( x + c ) 2 + y 2 = 2a

( x − c ) 2 + y 2 = 2a + ( x + c ) 2 + y 2
Elevando al cuadrado y desarrollando los cuadrados :
x 2 − 2 xc + c 2 + y 2 = 4a 2 + 4a ( x + c) 2 + y 2 + ( x + c) 2 + y 2 ⇒ x 2 − 2 xc + c 2 + y 2 = 4a 2 + 4a ( x + c) 2 + y 2 +
x 2 + 2 xc + c 2 + y 2
− 4 xc − 4a 2 = 4a ( x + c) 2 + y 2 ⇒ xc + a 2 = − a ( x + c) 2 + y 2 elevamos al cuadrado
[ ]
x 2 c 2 + 2 xca 2 + a 4 = a 2 ( x 2 + 2 xc + c 2 + y 2 ⇒ x 2 c 2 + 2 xca 2 + a 4 = a 2 x 2 + 2 xca 2 + a 2 c 2 + a 2 y 2
− a 2 (c 2 − a 2 ) + x 2 ( c 2 − a 2 ) − a 2 y 2 = 0 llamamos b 2 = c 2 − a 2
b 2 x 2 − a 2b 2 − a 2 y 2 = 0 ⇒ b 2 x 2 − a 2 y 2 = a 2b 2
x2 y2
− =1 ecuación cartesiana
a2 b2

a = semieje real
b = semieje imaginario
c = semidistancia focal

( x − h) 2 ( y − k ) 2
si el centro de la hipérbola está en C(h;k) : − =1
a2 b2
Ecuación
ax2 + cy2 +dx +ey +f = 0 general de la hipérbola

Prof A. Schilardi 4
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 8

ELIPSE

Se denomina elipse al lugar geométrico de los puntos del plano cuya suma de las distancias a dos puntos fijos
llamados focos es una constante igual a “2 a”.

a>c
F2 F1 2b

F1 P + F2 P = 2a

2c
F1 P = ( x − c) 2 + y 2
F2 P = ( x + c) 2 + y 2
2a

( x − c ) 2 + y 2 + ( x + c ) 2 + y 2 = 2a

trabajando de manera similar que en la hipérbola: a2b2-x2b2-a2y2 = 0 ⇒ x2 y2 ecuación

+ =1 cartesiana
a2 b2

Ecuación general
b2x2 +a2 y2 –a2b2 = 0 de la elipse

a = semieje mayor
b = semieje menor
c = semidistancia focal
c
excentricidad
a

( x − h) 2 ( y − k ) 2
Si el centro de la elipse no coincide con (0;0): + = 1 ecuación cartesiana
a2 b2

ax2 + cy2 + dx + ey +f = 0 Ecuación general

Prof A. Schilardi 5
2008
Álgebra y Geometría Analítica Unidad 8

Forma matricial

Todas las cónicas tienen como ecuación general: ax2 + bxy +cy2 +dx +ey +f = 0

Forma cuadrática
⎡ b⎤
⎢a 2⎥ ⎡x ⎤ ⎡x ⎤ ⎡ x⎤
[x y] ⎢b ⎥ ⎢ y ⎥ + [1
d e] ⎢ ⎥ + f = 0
23 ⎣ y ⎦
el vector ⎢ ⎥ está en coordenadas de la base
⎢ c⎥ ⎣ ⎦ K
⎣ y⎦
⎣2 ⎦
canónica

Si la cónica está rotada ( no está en posición normal) b ≠ 0 entonces podemos girar los ejes para que en un
nuevos sistema de ejes x’-y’ se encuentre en posición normal. Esto se hace así:

1. encontrar Q que diagonalice ortogonalmente a la forma cuadrática ( con los vectores propios)
2. asegurarse que esta transformación sea una rotación (det(Q) = 1)

⎡ x⎤ ⎡ x'⎤
3. cambiar las coordenadas del vector x = Q.x’ ⎢ y ⎥ = Q ⎢ y '⎥
⎣ ⎦ ⎣ ⎦
y encontrar la ecuación en el nuevo sistema x’-y’ sustituyendo:
xtAx + kx + f = 0 ⇒ (Qx’)t A (Qx’) + k (Qx’) + f = 0 ⇒ (x’)t ( Qt. A .Q).x’ + (kQ) x’ + f = 0
como Q diagonaliza ortogonalmente a A entonces:
⎡λ 0⎤
Q t . A.Q = ⎢ 1 ⎥
⎣ 0 λ2 ⎦

⎡λ 0 ⎤ ⎡ x' ⎤ ⎡ x' ⎤
4. Volvemos a escribir : [x' y '] ⎢ 1 + [d e] [Q] ⎢ y '⎥ + f = 0 que es :
⎣0 λ2 ⎥⎦ ⎢⎣ y '⎥⎦ ⎣ ⎦

λ1 x’2 + λ2 y’2 +d’x’ +e’y’ +f = 0 No contiene el producto

cruzado

Teorema de los ejes principales en R2

Sea ax2 + bxy +cy2+dx +ey +f = 0 la ecuación de la cónica y sea xt A x = ax2 + bxy +cy2 su forma
cuadrática asociada., los ejes coordenados se pueden girar de modo que la ecuación de la cónica en el nuevo
sistema de coordenadas sea de la forma: λ1 x’2 + λ2 y’2 +d’x’ +e’y’ +f = 0 donde λ1 y λ2 son los valores

Prof A. Schilardi 6
2008
Álgebra y Geometría Analítica Unidad 8

propios de A. La rotación se puede efectuar mediante la sustitución x = Q x’ ( cambio de variable) donde Q

diagonaliza ortogonalmente a xt A x y det(Q) = 1.

Clasificación de las cónicas según sus valores propios:

• λ1. λ2 > 0 elipse

• λ1. λ2 = 0 parábola
• λ1. λ2 < 0 hipérbola

SUPERFICIES CUÁDRICAS
Podemos aplicar lo visto a ecuaciones cuádricas con 3 variables para estudiar superficies cuádricas.
Una ecuación de la forma ax2 + by2 + cz2 + dxy +e xz +f yz +g x + hy +iz +j = 0 (1) donde no todos los
coeficientes a,b,c,d,....,j son cero se denomina ecuación cuádrica.
A la expresión ax2 + by2 + cz2 + dxy +e xz +f yz se la denomina forma cuadrática asociada
La expresión de (1) en forma matricial es:

⎡ d e⎤
⎢a 2⎥
⎢d
2 ⎡ x⎤ ⎡ x⎤
f⎥ ⎢ y⎥ + ⎢ y⎥ + j = 0
[x y z] ⎢ b ⎥
⎢ ⎥ [g h i] ⎢ ⎥
⎢2 2⎥
⎢e ⎢⎣ z ⎥⎦ ⎢⎣ z ⎥⎦
c⎥
f
⎢⎣ 2 2 ⎥⎦

Teorema de los ejes principales en R3

Sea ax2 + by2 + cz2 + dxy +e xz +f yz +g x + hy +iz +j = 0 la ecuación de una cuádrica. Sea xt A x = ax2 + by2
+ cz2 + dxy +e xz +f yz su forma cuadrática asociada.
Los ejes de coordenadas se pueden girar de tal modo que la ecuación de la cuádrica en el sistema de
coordenadas x’-y’-z’ sea de la forma :
λ1 x’2 + λ2 y’2 + λ3 z’2 +g’ x’ +h’ y’ + i’z’ +j = 0

donde λ1; λ2 ; λ3 son los valores propios de A, la rotación se puede efectuar con la sustitución x = Q.x’ donde
Q es la matriz que diagonaliza ortogonalmente a xt. A. X y det(Q) = 1

Prof A. Schilardi 7
2008
 www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 8

ELIPSOIDE

x 2 y2 z2
+ + =1
a 2 b2 c2

HIPERBOLOIDE DE UNA HOJA

x 2 y2 z2
+ − =1
a 2 b2 c2

HIPERBOLOIDE DE DOS HOJAS

x 2 y2 z2
− − =1
a 2 b2 c2

Prof A. Schilardi 8
2008
Álgebra y Geometría Analítica Unidad 8

PARABOLOIDE ELÍPTICO

x 2 y2
+ = 2cz
a 2 b2

PARABOLOIDE HIPERBÓLICO

x 2 y2
− = 2cz (c > 0)
a 2 b2

Prof A. Schilardi 9
2008
Álgebra y Geometría Analítica Unidad 8

Alumno: Curso: fecha:

Evaluación

1) Completar:

a) Dada la ecuación de la cónica 3x2 +10 xy + 3y2 –16 = 0

ƒ Los autovalores de la matriz de la forma cuadrática son ..............

ƒ Conociendo los autovalores de la matriz, la cónica es una .....................
ƒ La matriz P que diagonaliza ortogonalmente a la forma cuadrática es.....................
ƒ La ecuación de la cónica referida al sistema rotado es..........................
ƒ El ángulo de rotación es .............................

2) En los incisos siguientes una sola es la respuesta correcta. Márquela con una cruz

⎡1 0 0 ⎤
‰ La matriz
⎢0 2 0⎥ es:
⎢ ⎥
⎢⎣0 0 3⎥⎦
Indefinida ( ) semidefinida positiva ( ) definida positiva ( ) NRAC ( )

‰ La ecuación x2 + y = 4-x representa:

Una elipse trasladada ( ) una hipérbola con eje real paralelo al eje x ( )
una parábola con directriz x = -1/4 ( ) NRAC ( )

‰ la ecuación x2 + y2 + z2 = 4 representa:
una elipse trasladada ( ) un elipsoide ( ) un hiperboloide ( ) NRAC ( )

‰ la ecuación 25 x2 +9y2 +150 x – 18 y +9 = 0 representa:

una elipse de distancia focal igual a 4 ( ) una elipse de semieje mayor igual a 25 ( )
una hipérbola de semieje real igual a 5 ( ) NRAC ( )

Prof A. Schilardi 10
2008