Notas de clase

Segundo intento

J. Garcı́a León.
Departamento de Matemáticas
Facultad de Ciencias
UNAM
Universidad Autónoma de la Ciudad de México
UACM
e-mail: jgarcia@servidor.unam.mx

28 de mayo de 2009
Índice general

I Introducción 3
0.1. Primeros intentos . . . . . . . . . . . . . . . . . . . . . . . . . 4

II ¿De que tratan Cálculo III y IV? 5

0.2. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.3. Los dominios y sus métricas . . . . . . . . . . . . . . . . . . . 7

III Espacios vectoriales 10

0.4. Distancia y ángulo . . . . . . . . . . . . . . . . . . . . . . . . 11
0.4.1. Norma Euclideana . . . . . . . . . . . . . . . . . . . . 12
0.4.2. Suma vectorial . . . . . . . . . . . . . . . . . . . . . . 13
0.4.3. Producto escalar . . . . . . . . . . . . . . . . . . . . . 15
0.4.4. Espacios vectoriales abstractos . . . . . . . . . . . . . . 16
0.4.5. Norma abstracta . . . . . . . . . . . . . . . . . . . . . 19
0.4.6. Distancia . . . . . . . . . . . . . . . . . . . . . . . . . 20
0.4.7. Otras normas, otras distancias . . . . . . . . . . . . . . 22
0.4.8. p-ésima norma . . . . . . . . . . . . . . . . . . . . . . 27
0.4.9. Circunferencias unitarias . . . . . . . . . . . . . . . . . 31
0.5. Ángulo entre vectores, norma y producto punto . . . . . . . . 35
0.5.1. Producto punto y ángulo . . . . . . . . . . . . . . . . . 35
0.5.2. Producto punto . . . . . . . . . . . . . . . . . . . . . . 38
0.5.3. Dos teoremas previos . . . . . . . . . . . . . . . . . . . 40
0.5.4. Producto punto y norma . . . . . . . . . . . . . . . . . 42

IV Movimientos rı́gidos, producto punto y norma 45

0.6. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

1
0.6.1. Transformaciones del plano y matrices . . . . . . . . . 46
0.6.2. Coordenadas polares . . . . . . . . . . . . . . . . . . . 52
0.6.3. Traslaciones y Espacios afines . . . . . . . . . . . . . . 54
0.6.4. Rotaciones . . . . . . . . . . . . . . . . . . . . . . . . . 56
0.6.5. Reflexiones . . . . . . . . . . . . . . . . . . . . . . . . 59
0.6.6. Movimientos Rı́gidos . . . . . . . . . . . . . . . . . . . 64

2
 Parte I

Introducción

3
0.1. Primeros intentos
Debemos confesar que hubo momentos en los cuales el Algebra lı́neal y el
Cálculo tienen tan fuerte intersección que no sabiamos cual era el caso desa-
rrollar unas notas ası́, sin embargo el tiempo nos mostró que en efecto valı́a la
pena intentarlo, aún en el caso que mencionamos anteriormente, pues estas
notas dejan las puertas abiertas para dos grandes ramas de las matemáticas:
Análisis Matemático y Algebra lı́neal, amén de todos sus derivados.

Por último, debemos declarar nuestro peor enemigo el tiempo

asignado para cubrir los programas, dados los mini-semestres apro-
bados por los consejeros correspondientes, el tiempo se reduce con-
tinuamente obligandonos a privilegiar algunos temas sobre otros,
que de acuerdo al sentido común, reduce nuestras posibilidades de
profundizar la materia y ofrecer mejores cursos a los estudiantes.

Madison, Wisconsin 28 de Mayo del 2009.

4
 Parte II

¿De que tratan Cálculo III y

IV?

5
0.2. Introducción
La pregunta puede tener varias respuestas, una de ellas es la más simple y
a su ves la más complicada, también la más generalizada: Mientras el Cálculo
I y II trata de las funciones de una variable, el Cálculo III y IV trata de las
funciones varias variables.
La respuesta es bastante clara cuando ya se tiene cierto grado de conoci-
miento de la materia, sin embargo, para un estudiante novicio en la materia
resultarı́a por demás bastante general y chocante dicha respuesta, estas no-
tas es un intento de dar una explicación que pretendemos sea lo más sencilla
posible.
Los cuatro cursos tienen un común denominador: En todos se estudian
continuidad, derivada e la integral de funciones, dicho generalmente, sin em-
bargo, hay una diferencia entre ellos, los dominios e imagenes estan ubicados
en espacios que difieren en dimensión.
En los pasillos hemos escuchado con cierta frecuencia lo siguiente:

“sólo aumenta una coordenada y sale igual”,

es claro que aquı́ la idea que se tiene de aumentar dimensión es sólo aumentar
coordenadas, lo cual es incorrecto, el proceso es complejo y ésta es una de
las diferencias entre Análisis y Cálculo1 .
En particular queremos hacer enfasis en la riqueza de teoremas que se
presentan en los dos últimos cursos de la materia; los teoremas de Green,
Gauss y Stokes cuya versión en los dos primeros cursos no existe. Notese
que tampoco es un asunto de aumentar pocas variables, el problema es más
profundo.
Si quisieramos explicar la diferencia entre los Cálculos de manera gráfica,
diriamos que en los dos primeros cursos las funciones se graficarian - depen-
diendo que queremos mostrar - como en la figura 1, mientras que en Cálculo
III y IV las dibujariamos como en la figura 2. Noten que en el primer caso
el dominio de la función es un intervalo Iab , que puede ser abierto, cerra-
do o ninguno de los anteriores, mientras en el segundo caso se trata de un
conjunto arbitrario que denotamos como Ω. En ambos casos tenemos que
trabajar con los conceptos de lı́mite, continuidad, derivada e integración, por
supuesto sabemos que - también en ambos casos - tienen una intepretación
1
Mientras en Análisis se manejan espacios de dimensión arbitraria, en Cálculo sólo se
trabaja con espacios de dimensión finita.

6
 Y

f(a)
f(b)

X
a b

Figura 1: Gráfica de una función sobre un disco

si bien no igual, al menos semejante. La derivada en un punto representa un

número o una función en el primer caso, en el segundo es un vector o una
matrı́z. Al tratar con integral hablamos de longitud y área, al generalizar
estos conceptos nos concentramos en el caso de volúmen o “hipervolúmen”.

0.3. Los dominios y sus métricas

Si bien los dominios de las funciones de una variable real son subconjuntos
de R, no quiere decir que éstos sean simples y geométricamente tratables,
pueden ser tan raros como el conjunto de Cantor, con esto queremos insistir
que los primeros cursos de Cálculo no son simples y sencillos, por el contrario,
pueden ser bastante complejos y por supuesto hay problemas que aún en
nuestros dı́as estan lejos de ser aclarados del todo.
Al aumentar dimensiones al dominio de nuestras funciones, aumenta la
cantidad de problemas por resolver pues la complejidad de los dominios se
diversifica. Contrario a lo que se piensa, esto le pone sabor a los dos últimos
cursos y le da interes ilimitado.
En este contexto, debemos entender de manera precisa el significado de

7
 z

x
Ω

Figura 2: Gráfica de una función sobre un disco

métrica, éste va ligado indisolublemente al concepto de longitud de arco de

una curva, material de Cálculo III. Notese también que estos conceptos son
abordados en los primeros cursos, como métrica o distancia se usa el concepto
de valor absoluto en los números reales. La métrica es importante para la
definir los conceptos centrales del Cálculo:

Lı́mite,

derivada,

integral.

La geometrı́a de los subconjuntos de Rn debe ser abordada de manera si

bien no exahustiva, al menos de manera que los estudiantes adquieran una
idea más exacta de los dominios que manejamos. Esta parte del programa de
Cálculo III se llama “Topologı́a”de Rn , el comportamiento de las funciones
depende de la forma de sus dominios y por tanto se hace necesario estu-
diar la topologı́a en este contexto. Los principales conceptos como conjunto
abierto, cerrado, compacto, conexo, etc. son nuevos para los estudiantes en
su mayorı́a, por lo cual se requiere un poco más de cuidado y tiempo para

8
su exposición. Sólo resta decir que hay tres clases de funciones que tiene su
interes separar:

α : R → Rn ,

F : Rn → R,

F : Rn → Rm ,

las primeras son representadas por curvas, mientras la segunda clase son
representadas por superficies, el último caso corresponde ya a la generalidad
de funciones sobre espacios Euclideanos, estas tres clases de funciones tienen
que ser estudiadas de manera separada.

9
 Parte III

Espacios vectoriales

10
0.4. Distancia y ángulo
En los elementos de Euclides, uno de varios teoremas establece que dos
triangulos son congruentes si y solamente si los lados correspondientes son
iguales. En otras palabras, si observamos la figura 3 el teorema establece que

C' b'
C

B'
b
c c'
a'
a
B A'
A

Figura 3: Triangulos congruentes

los triangulos son semejantes si y sólo si se dan las siguientes igualdades:

a = a0

b = b0

c = c0 .
Aquı́ a representa la distancia entre los puntos A y B, a0 la distancia entre
A0 y B 0 , b entre B y C y ası́ sucesivamente. Existen también teoremas para
la semejanza de triángulos, por ejemplo: “Dos triangulos son semejantes si
y sólo si sus tres ángulos interiores correspondientes son iguales”. Si bien
los conceptos de distancia y ángulo ya habán sido estudiados por los griegos,
ambos se han desarrollado a lo largo de la historia. En nuestros dı́as estos con-
ceptos tienen un significado mucho más amplio y preciso, se pueden aplicar a

11
problemas diversos, de tal manera que son conceptos bastantes generales que
merecen ser estudiados. El Cálculo nos permite entender estos dos conceptos
que siguen estudiandose y profundizar sus propiedades y aplicaciones.
En la actualidad la distancia es conocida cómo métrica también, en Rn ,
el concepto de norma se ajusta a esa necesidad de definir distancia entre
dos puntos, la norma es un concepto que se desarrolla par el estudio de los
espacios vectoriales (EV) llamados Espacios normados. No podemos ocultar
la complejidad que tiene el estudio de los EV, éstos son estudiados de manera
más profunda en Algebra lı́neal que se cursa el mismo semestre.
En estas notas, nos proponemos dar una explicación lo más sencilla po-
sible de estos conceptos que son parte escencial de los cursos de Cálculo
vectorial (Cálculo III y IV).

0.4.1. Norma Euclideana

En la actualidad el concepto de distancia tiene una definición precisa,
para un curso de Cálculo III éste requiere tiempo antes de llegar a ésta.
Para empezar avanzar en este tema usaremos nuestra experiencia de cur-
sos anteriores, en particular Geometrı́a Analı́tica. Sabemos que el plano Eu-
clideano, o simplemente plano lo definimos como:
R2 = {(x, y) : x, y ∈ R},
gráficamente lo podemos ilustrar como en la siguiente figura 4, aquı́ la in-
tersección de ambas rectas -que llamamos ejes- es el origen y lo denotamos
por (0, 0). Gracias al teorema de pitagoras, podemos definir la distancia del
punto (x, y) al origen como sigue:
p
dist = x2 + y 2 .
como gráficamente se muestra en la figura 5.
Ahora, veremos detenidamente R2 y como generalizamos sus propiedades
geométricas más importantes. De nuestro mismo curso de Geometrı́a Analı́ti-
ca al punto v = (x, y) lo llamamos un vector y su distancia al origen recién
definida es conocida como norma Euclideana o módulo del vector, ésta es
denotada por kvk, esto es:
p
kvk2 := x2 + y 2 , (1)
el porqué del indice se explicará más tarde, en la sección 0.4.8.

12
 y ( x, y)

Figura 4: Plano Euclideano

0.4.2. Suma vectorial

Empecemos con las propiedades algebraicas y tratemos de ver su contra-
parte geométrica. Si v y u son vectores en el plano, digamos v = (x, y) y
u = (z, w) entonces su suma esta definida por:

v + u = (x + z, y + w). (2)

De la figura 6, usando triángulos congruentes, tenemos que:

ξ − z = x, y η − w = y,

ası́, la suma de dos vectores v + u es en realidad la diagonal del pararlelepido

generado por los vectores v y u.
Aplicando la definición de norma Euclideana dada por la ecuación (1), de
la figura 6 obtenemos la llamada desigualdad del triangulo:

kv + uk2 ≤ kvk2 + kuk2 . (3)

Notese que hacemos uso del teorema de Geometrı́a Euclideana que establece:

13
 ( x, y)

y y

( 0, 0 ) x

Figura 5: Distancia a origen

La suma de las distancias de dos lados cualesquiera en todo triangulo,

siempre es mayor o igual que la longitud del tercer lado.
Vale la pena recordar esta desigualdad, pués a pesar de su aparente
inocencia, juega un papel muy importante dentro de las matemáticas su-
periores.
Podemos resumir las propiedades algebraicas de la suma vectorial de la
siguiente manera:

Es cerrada.

Es asociativa.

Es conmutativa.

Existe un elemento neutro, 0 = (0, 0).

Todo vector tiene un inverso aditivo.

En realidad sus demostración es rutina y se obtiene de la definición.

14
 η v+u

v
y

w
u

x z ξ

Figura 6: Suma vectorial

0.4.3. Producto escalar

Otra operación definida en R2 es la multiplicación escalar, es decir: si
tenemos v = (x, y) ∈ R2 y c ∈ R, entonces c v es un nuevo vector definido
por:
c v = (cx, cy). (4)
En la figura 7 se muestra una interpretación gráfica el producto escalar defi-
nido por la ecuación (4).
Si relacionamos norma con producto escalar, tenemos la siguiente propie-
dad:
kcvk2 = |c|kvk2 .
Las propiedades del producto escalar también se pueden enlistar de la
siguiente manera:
1v = v.

Asociatividad b(cv) = (bc)v.

Distribuye suma vectorial: c(v + u) = cv + cu.

15
 cv=( cx, cy)
cy

v=( x, y)
y

x cx

Figura 7: Producto escalar

Es distribuido vectorialmente: (a + b) v = av + bv.

Hasta aquı́ se puede hacer un resumen de las propiedades generales de
norma y producto escalar, sin embargo, conviene generalizar nuestros con-
ceptos a un espacio “más grande”, es decir:

Rn = {(x1 , x2 , . . . xn ) : xi ∈ R}.

Permitanos denotar por v = (xi ) un elemento de Rn , definimos la suma, el

producto escalar y la norma como sigue:
v + u = (xi + yi ), si x = (xi ) y y = (yi ).

c v = (cxi ), para c ∈ R y v ∈ Rn .
Pn 1
2 2
kvk2 = ( i = 1 xi ) .

0.4.4. Espacios vectoriales abstractos

En este punto creemos que se puede definir de manera abstarcta el con-
cepto de Espacio Vectorial (EV).

16
 Básicamente un espacio vectorial sobre el campo R es un conjunto V con
dos operaciones definidas:
Suma vectorial “+ ”, v + u.
Producto escalar “·”, c · v.
Estas operaciones satisfacen las propiedades:

Suma:
1. Cerradura: Si v & u ∈ V , entonces v + u ∈ V .
2. Conmutatividad: Si v, & u ∈ V , entonces v + u = u + v.
3. Asociatividad: Si v, u & w ∈ V , entonces (v + u) + w = v + (u + w).
4. Si v & u ∈ V , entonces existe w ∈ V tal que v + w = u.

Producto escalar:

1. Si c ∈ R y v ∈ V , entonces c · v ∈ V .
2. Si a, b ∈ R y v ∈ V , entonces a · (b v) = (ab) · v.
3. 1 · v = v, para toda v ∈ V .
4. Si a, b ∈ R y v ∈ V , entonces (a + b) · v = a · v + b · v.
5. Si c ∈ R y v, u ∈ V , entonces c · (v + u) = c · v + c · u.
De esta manera, cualquier espacio vectorial (EV) debe satisfacer todas
estas propiedades que deben ser checadas estrictamente si queremos probar
que un cierto conjunto V , con suma y producto escalar definidos es un (EV).
También queremos hacer notar que a menos que se diga lo contrario, el punto
· lo omitiremos de aqui en adelante.
Antes de continuar, creemos que vale la pena demostrar el siguiente:
Lema 0.4.1 (Existencia del neutro aditivo) Sea V un espacio vectorial,
entonces existe un único 0 ∈ V tal que:
v + 0 = v,
para cualquier v ∈ V .

17
Dem.

Sea v ∈ V , de la propiedad 4 de la suma, tomando v = u, tenemos

que existe un vector w ∈ V tal que v + w = v. Ası́ concluimos que existe
un elemento neutro en V que por el momento depende de v, tal elemento le
llamamos w = 0(v).
Nuestra tarea entonces es demostrar que si u ∈ V es cualquier otro
vector, entonces u + 0(v) = u. Permitasenos denotar por 0 dicho vector en
lugar de 0(v).
Sea u ∈ V , por la propiedad 4 de la suma tenemos que que existe z ∈ V
de tal manera que u = z + v, ası́ tenemos:

u + 0 = (z + v) + 0

= z + (v + 0)

= z +v

= u.

Al vector 0 le llamaremos vector cero o nulo. La unicidad es inmediata, si 0

y 00 son dos vectores nulos, entonces

0 = 0 + 00

= 00 + 0

= 00 .

De esta manera el vector nulo es único.

Un corolario inmediato e importante es la existencia del inverso aditivo:

Corolario 0.4.2 (Existencia del inverso aditivo) Sea V un espacio vec-

torial (EV) sobre R, si v ∈ V , entonces existe w ∈ V de tal manera que
v + w = 0.

Dem.

18
 Claramente por la propiedad 4 de la suma, sólo hay que tomar u = 0. El
inverso aditivo de v lo denotaremos por − v.

Esta definición de EV nos permite ir má allá de nuestra intuición, pues

existen ejemplos de EV’s que no son Rn .

Ejemplo 0.4.3 Sea V el conjunto de las funciones continuas con dominio

D ⊂ R y contradominio R. Definimos la suma y el producto escalar del
siguiente modo:
Si x ∈ D, entonces (f + g)(x) = f (x) + g(x).
Si c ∈ R y x ∈ D, entonces (cf )(x) = cf (x).
De nuestro primer curso de Cálculo sabemos que estas dos operaciones
satisfacen las propiedades enumeradas anteriormente, ası́ éstas satisfacen la
definición de EV, por tanto el conjunto de funciones continuas es un EV. Se
recomienda al estudiante rehacer los argumentos importantes de la demostra-
ción.

0.4.5. Norma abstracta

Hasta ahora hemos visto el concepto de “norma Euclideana”, que geométri-
camente respresenta la “la distancia”del origen al punto que representa el
vector. En otras palabras, la norma es una función con dominio V e imagen
R+ ∪ {0}.
Las propiedades que nos interesan de esta función son las siguientes:
kvk ≥ 0, para todo v ∈ Rn .
kvk = 0, si solamente si v = 0.
kcvk = |c|kvk, para todo c ∈ R y v ∈ Rn .
Si v, u ∈ Rn , entonces kv + uk ≤ kvk + kuk.
De este modo tenemos la siguiente definición general de norma:
Definition 0.4.4 Sea V un EV sobre R. Una norma es una funcón v 7→
kvk ∈ R, tal que

19
 1. kvk ≥ 0, para todo v ∈ V .

2. kvk = 0, si solamente si v = 0.

3. kcvk = |c|kvk, para todo c ∈ R y v ∈ V .

4. Si v, u ∈ V , entonces kv + uk ≤ kvk + kuk.

Ası́, decimos que un EV normado es una pareja (V, k · k), donde V es en

EV y k · k es una norma sobre V .
Al igual que la definición abstracta de EV, esta definición de norma nos
permite aumentar nuestros ejemplos y profundizar su estudio.

Ejemplo 0.4.5 Sea V como en el ejemplo 0.4.3, con D = [a, b]. Sea kf k
definida como sigue:

kf k = max{|f (x)| : x ∈ [a, b]}.

Nuevamente, de Cálculo I sabemos que esta definición de norma satisface las

propiedades antes mencionadas de la definición, es rutina checar que en efec-
to se cumplen (altamenente recomendable para los estudiantes hacer esto).

0.4.6. Distancia
Noten que hasta el momentos hemos logrado, con mediana precisión, dar
una definición de distancia. Solamente hemos definido el concepto de nor-
ma en un espacio vectorial, sin embargo podemos empezar a investigar las
diferencias que posiblemente tienen. Primero que nada, la norma es una fun-
ción del espacio vectorial en los números reales, la distancia, según nuestra
intuición, por cada dos puntos le debemos asociar un número que tiene que
ser positvo. Dicho de manera simbolica: Si v, u ∈ V entonces una distancia
entre ellos debe ser un número no negativo, por demás, la distancia de uno al
otro debe ser la misma que del otro al uno. En este punto ya creemos nece-
sario definir de manera abstracta el concepto de distancia que manejaremos
a lo largo del curso:

Definition 0.4.6 Sea V un espacio vectorial arbitrario, una distancia o

métrica d es una función de V × V en los números reales tal que:

1. Si v, u ∈ V , entonces d(v, u) ≥ 0.

20
 2. d(v, u) = 0, si y solamente si v = u.

3. d(v, u) = d(u, v), para cualesquiera v, u ∈ V .

4. d(v, u) ≤ d(v, w) + d(w, u), donde v, u y w ∈ V .

A un EV con una distancia o métrica lo llamaremos un EV métrico. Ası́ si

una función d se ufana de ser distancia en un EV, tiene que satisfacer todas
estas porpiedades y deben ser corroboradas una por una.

Ejemplo 0.4.7 Sea V un EV normado, y definimos d una distancia o métri-

ca en V como sigue: Sea v, u ∈ V , entonces:

d(v, u) = kv − uk. (5)

Comprobar que satisface todas las propiedades es cosa de rutina y se reco-

mienda a los estudiantes hacerlas.

Hemos afirmado arriba que no es lo mismo una distancia y una norma,

en realidad debemos aclarar este punto. El ejemplo anterior nos habla de
que dada una norma produce una distancia, sin embargo la pregunta intere-
sante es la inversa, es decir si toda distancia produce una norma, el ejemplo
siguiente muestra que no es ası́.

Ejemplo 0.4.8 Sea V un EV, definamos la función d : V × V −→ R,

como sigue: 
1 si v =6 u,
d(v, u) =
0 si v = u.
Trabajaremo un poco más de cerca la demostración que d es una distancia en
este ejemplo:

1. Por definición tenemos d(v, u) ≥ 0 para cualesquiera vectores v y u,

por tanto satisface la primera propiedad.

2. Para corroborar la segunda propiedad, es simplemente por definición:

d(v, u) = 0 si y sólo si v = u.

3. La tercera es de la siguiente forma: Si v = u no tenemos que probarlo,

basta usar la propiedad anterior.
Si v 6= u entonces d(v, u) = 1 = d(u, v)

21
 4. La desigualda del triángulo se demuestra de la siguiente manera: Si
v = u, es inmediato: d(v, u) = 0. En caso contrario, si w diferente
de alguno de los dos e igual al restante, digamos w = v, pero w 6= u
entonces se tiene una igualdad: d(v, u) = d(w, u) = 1. La desigualdad
estricta se obtiene tomando w diferente de v y u, ası́ tenemos d(v, u) <
d(v, w) + d(w, u) = 1 + 1 = 2.

De este modo hemos probado que d en efecto es una métrica, la tentación

de definir una norma para el EV una norma como d(v, 0) = kvk es grande,
sin embargo notamos que la propiedad 3 de norma no es satisfecha por esta
métrica, por tanto no toda distancia induce una norma.

El ejemplo 0.4.7 prácticamente lo podemos escribir como teorema:

Teorema 0.4.9 Sea V un EV normado. Si k · k es la norma, entonces esta

induce una distancia definida como en la ecuación (5) del ejemplo 0.4.7.

Dem.

La demostración es solamente checar una por una de las propiedades de

distancia o métrica y se deja como ejercicio.

Obs 0.4.10 Hemos visto que en un EV, la norma y la distancia no son

iguales, si bien un EV normado lo podemos considerar como un EV métrico,
lo contrario no es posible. No esta por demás decir que una distancia se
puede definir en conjuntos más generales, mientras la norma es exclusiva de
espacios vectoriales.

0.4.7. Otras normas, otras distancias

Estamos en condiciones de adentrarnos un poco más a la geometrı́a del
plano y dar respuestas más precisas a los conceptos derivados de la Geometrı́a
Euclideana, entre otros el concepto de distancia.
Primero veremos que el aspecto geométrico de las circunferencias depende
de como está definida la distancia en R2 . Sabemos que una circunferencia es
el conjunto de puntos cuya distancia a uno fijo, llamado centro, es la misma,
dicha distancia también sabemos que se llama radio. En particular estamos

22
interesados cuando el radio es unitario y el centro es el origen, es decir si C
es el centro de la circunferencia y r > 0 el radio, nos proponemos analizar
el caso cuando C = (0, 0) ∈ R2 y r = 1. Tomaremos también distintas
distancias definidas en R2 y usaremos el hecho que toda norma induce una
distancia (Teorema 0.4.9)..

Ejemplo 0.4.11 Recordemos que la norma Euclideana en R2 la definimos

mediante la ecuación (1), es decir:
p
kvk2 = x2 + y 2 .

En este caso, es claro que la circunferencia unitaria se define mediante la

ecuación:
kvk2 = 1,
en otras palabras, el conjunto de puntos que satisfacen:

x2 + y 2 = 1,

ésta, efectivamente representa una circunferencia en el plano Euclideano,

como se muestra la figura 8.
Naturalmente, esta norma induce la métrica usual en el plano R2 , notese
que ésta es la circunferencia según nuestro sentido común.

Ahora veremos dos normas, que si bien son comúnes en Analisis y otras
materias, la primera impresión acerca de ellas es extraña pues ya no co-
rresponde con nuestra intuición, veremos dos ejemplos para ilustrar nuestras
palabras.

Ejemplo 0.4.12 Tomemos R2 nuevamente y definamos la siguiente norma:

kvk1 = |x| + |y|. (6)

Nuevamente, la demostración de que ésta es una norma la posponemos para

un apartado posterior. Volviendo entonces al problema de como es la circun-
ferencia unitaria, ahora con esta norma, se reduce a encontrar las soluciones
de la ecuación:
kvk1 = 1. (7)
La ecuación (7) implica que − 1 ≤ x ≤ 1 y − 1 ≤ y ≤ 1. Para encontrar
la solución, tomemos primero el siguiente hecho 1 = x + 1 − x, ası́ si

23
 y

1
r=
x

Figura 8: kvk2 = 1

0 ≤ x ≤ 1, entonces la solución es y = 1 − x ≥ 0 que es el segmento

de recta que une los puntos (0, 1) y (1, 0). De otro modo si − 1 ≤ x ≤ 0,
entonces y = 1 + x ≥ 0 es la solución y gráficamente es la recta que une
los puntos (− 1, 0) y (0, 1). Procediendo del mismo modo, 1 = y + 1 − y
tenemos entonces que las soluciones que nos faltan son los segmentos que
unen los puntos (− 1, 0) con (0, −1), y (0, − 1) con (1, 0).
De este modo, el conjunto solución de la ecuación (7) se grafica como
sigue:
Por supuesto el resultado es un “curiosa circunferencia”que no coincide
con nuestra intuición, sin embargo hay tiempo para empezar a acostumbrar-
nos a este tipo de sorpresas.

El siguiente ejemplo es el último de esta serie, estos tres ejemplos son

suficientes para generalizar las propiedades que nos interesan, en la sección
0.4.8 abundaremos más sobre este tema.

24
 y

Figura 9: kvk1 = 1

Ejemplo 0.4.13 Supongamos que en R2 definimos la siguiente norma:

kvk∞ = máx{|x|, |y|}. (8)

Aquı́ naturalmente v = (x, y), como dijimos anteriormente, la demostración

de que la ecuación (8) define una norma, y ésta está bien definida se hará más
adelante, por lo pronto nos interesa sólo el aspecto geométrico.
Lo primero que notamos es lo siguiente:
Si kvk1 = 1, quiere decir por definición:

máx{|x|, |y|} = 1. (9)

Ahora, si |x| = máx{|x|, |y|} entonces − 1 ≤ y ≤ 1, lo cual quiere decir

que el conjunto
A1 = {(1, y) : − 1 ≤ y ≤ 1}
es parte de la solución de la ecuación (9). Siguiendo la misma linea de razo-

25
 y

Figura 10: kvk∞ = 1

namiento, tenemos que los conjuntos:

A2 = {(− 1, y) : − 1 ≤ y ≤ 1},

A3 = {(x, 1) : − 1 ≤ x ≤ 1},

A4 = {(x, − 1) : − 1 ≤ x ≤ 1},

también son soluciónes de la ecuación (9), los cuatro completan todas las
soluciones.
La figura 10 nos muestra gráficamente como es entonces el conjunto de
soluciones, aquı́ tenemos otra “curiosa circunferencia”que no coincide con
nuestra intuición.

Como se indicó al principio de este apartado, nuestra noción de geometrı́a

en realidad depende de como definamos distancia, en este caso fue como
definimos el concepto de norma.

Obs 0.4.14 El concepto de distancia es mucho más general que el concepto

de norma y que para poder abordar el problema de manera general necesita-

26
mos herramientas más complicadas, más aún, el problema esta muy lejos de
ser agotado.
Las normas recién definidas se pueden generalizar inmediatamente a R3
de manera natural, con la norma Euclideana la esfera de radio unitario es
precisamente una esfera, sin embargo, con la norma k · k1 obtendremos un
“diamante”como “esfera de radio unitario”, mientras que con la norma k · k∞
obtendremos un cubo, es recomedable que el estudiante trate de analizar esto
por su propia cuenta.

0.4.8. p-ésima norma

Terminamos esta sección mostrando cual es el común denominador entre
circunferencias unitarias definidas por cada norma. Notemos en primer lugar
que !1
Xn
kuk1 = |xi |1 ,
i=1

donde u = (xi ). La norma Euclideana esta definida de la siguiente manera:

n
! 12
X
kuk2 = |xi |2 .
i=1

La norma p-ésima se define del mismo modo, es decir:

Si p ≥ 1 y u = (xi ), entonces:
p
! p1
X
kukp = |xi |p . (10)
i=1

Demostrar que la ecuación (10) en efecto define una norma se compli-

ca al probar la desigualdad del triángulo, en este caso se conoce como la
desigualdad de Minkovski:
Teorema 0.4.15 [Teorema de Minkovski] Sea a1 , . . . , ak y b1 , . . . , bk cua-
lesquiera numeros reales. Si p ≥ 1, entonces

k
! p1 k
! p1 k
! p1
X X X
(ai + bi )p ≤ (ai )p + (bi )p . (11)
i=1 i=1 i=1

27
 Para demostrar este teorema, recurrimeremos a otra desigualdad conocida
como la desigualdad de Hölder:

Teorema 0.4.16 Sean p y q números mayores que la unidad, tales que:

1 1
+ = 1. (12)
p q
Si a1 , . . . , ak y b1 , . . . , bk son cualesquiera números reales, entonces:

k

k
! p1 k
! 1q
X  X X
ai b i  ≤ |ai |p |bi |q . (13)
 

 
i=1 i=1 i=1

f ( x )= xp-1
b

Figura 11: Desigualdad de Hölder

Obs 0.4.17 Dos números p y q mayores que la unidad y que satisfacen la

ecuación (12), se llaman conjugados.

Obs 0.4.18 La ecuación (13) se puede presentar en términos de producto

punto y normas: |u · v| ≤ kukp kvkq .

28
Dem. (Teorema 0.4.16)
Sean a y b dos números reales, sin pérdida de generalidad supongamos
que ambos son positivos. De la gráfica de la función f (x) = xp − 1 , tenemos
la siguiente desigualdad:
Z a Z b
1
p−1
ab ≤ x dx + y p − 1 d y. (14)
0 0

En la figura 11 la zona sombreada con gris muestra la diferencia en la de-

sigualdad (14), ahora, calculando las integrales del lado derecho tenemos:
ap bq
ab ≤ + . (15)
p q
Sean a1 , . . . , ak y b1 , . . . , bk cualesquiera números diferentes de cero y
definimos:
ai bi
āi = Pk 1 y b̄i = Pk 1 . (16)
( i = 1 api ) p ( i = 1 bqi ) q
De aqui obtenemos:
X k Xk
āpi = b̄qi = 1. (17)
i=1 i=1

Ahora, usando las ecuaciones (15), tenemos que para cada i se cumple:
q
¯ āi p b¯i
āi bi ≤ + . (18)
p q
Sumando ambos lados de la ecuación (18), tenemos:
Pk ¯ Pk  a¯i p b¯i
q

ā
i=1 i ib ≤ i=1 p
+ q

= 1
Pk
āi p + 1
Pk q (19)
p i=1 q i = 1 bi

= 1,
aplicando la ecuación (17) y el hecho que p y q son conjugados. Ahora,
aplicando la definición (16) obtenemos
k k
! p1 k
! 1q
X X X
ai b i ≤ api bqi ,
i=1 i=1 i=1

29
que es la ecuación (13).

Pasemos ahora a demostrar la desigualdad de Minkovski;

Dem. (Teorema 0.4.15)
Primero observamos el siguiente hecho:
Si p ≥ 1, a1 , . . . , ak y b1 , . . . , bk son números positivos, entonces

(ai + bi )p = ai (ai + bi )p − 1 + bi (ai + bi )p − 1 . (20)

Puesto que el caso p = 1 de antemano esta resuelto, supondremos que p > 1.

De la ecuación (20), tenemos:
k
X k
X k
X
(ai + bi )p = ai (ai + bi )p − 1 + bi (ai + bi )p − 1 . (21)
i=1 i=1 i=1

Sea q el conjugado de p, aplicando la desigualdad de Hölder a los sumandos

derechos de la ecuación (21), tenemos:

Pk P  1q P  p1
p k (p − 1)q k p
i=1 (ai + bi ) ≤ i = 1 (ai + bi ) i = 1 ai
(22)
P  1 P 1
k (p − 1)q q k p p
+ i = 1 (ai + bi ) i = 1 bi

como q es el conjugado de p, entonces satisface dos ecuaciones:

(p − 1) q = p
(23)
1
q
= 1 − p1 .

Al substituir los exponenentes (23) en (22), tenemos:

Pk P 1 − p1 P  p1
p k p k p
i=1 (ai + bi ) ≤ i = 1 (ai + bi ) i = 1 ai
(24)
P 1 − p1 P  p1
k p k p
+ i = 1 (ai + bi ) i = 1 bi .

30
Factorizando los sumandos del lado derecho de (24), y despejando obtenemos
la desigualdad deseada (11) del Teorema de Minkovski 0.4.15.

Con esto demostramos el hecho que k · kp es una norma para p ≥ 1.

0.4.9. Circunferencias unitarias

En la sección anterior 0.4.8, demostramos que la p-norma es, en efec-
to, una norma para cualquier p ≥ 1. Inmediatamente surge una pregunta
natural:
¿Hay alguna relación entre las normas k · k1 , k · k2 y k · k∞ ?.

0.8

0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1
x

Figura 12: Circunferencia kvk3 = 1

Una forma de interpretar esta pregunta es, cual es la diferencia entre las
formas de las circunferencias unitarias para p0 s distintas. En otras palabras
cual es el lugar geométrico del conjunto solución en R2 de la ecuación:

kvkp = 1,

donde p ≥ 1 esta dada.

31
 Para responder esta pregunta, analizaremos ejemplos para distintos valo-
res de p, los casos p = 1, 2 y p = ∞ han sido estudiados. Al tratar graficar
la circunferencia unitaria con la p-norma, tenemos sorpresas agradables. La
figura 12, es una parte la gráfica de la circunferencia unitaria obtenida con
la 3-norma en R2 , es decir;
kvk3 = 1,
mientras que la figura 13 representa la gráfica de la cuarta parte de la cir-
cunferencia en R2 con la 5-norma:

kvk5 = 1.

Ambas figuras fueron hechas en computadora, notamos entonces que hay un

0.8

0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1
x

Figura 13: kvk5 = 1

parecido extraordinario entre estas circunferencias, prácticamente “son casi

iguales”, hecho por demás nada extraño. Al sobreponer las circunferencias
kvk1 = 1, kvk2 = 1, kvk3 = 1 y kvk5 = 1, obtenemos la figura 14.
Notamos que conforme aumentamos esl número p, la circunferencia se
“cuadra”, pero ¿que tanto se “cuadra”?. Para saber la respuesta notamos
inmediatamente que si v = (x, y), entonces:

21 1
x2 + y 2 ≤ 2 2 máx{|x|, |y|}.

32
Figura 14: Circunferencias unitarias con normas k · k1 , k · k2 , k · k3 y k · k5 .

Esta es una forma de decir que en todo triángulo rectángulo la suma de

los catetos es mayor que la hipotenusa. Del mismo modo se tiene la misma
ecuación para p = 3:

31 1
x3 + y 3 ≤ 2 3 máx{|x|, |y|}.

Para p ≥ 1 arbitraria, tenemos que se cumple la siguiente aseveración:

Si p ≥ 1, entonces:
1 1
(xp + y p ) p ≤ 2 p máx{|x|, |y|},

la demostración es simple y se deja como ejercicio.

33
 Para el caso general v = (xi ) ∈ Rn tenemos una regla similiar:

n
! p1
X 1
|xi |p ≤ n p máx |xj |, (25)
1≤j ≤n
i=1

su demostración puede ser de la siguiente manera:

Sabemos, por definición de máximo:

|xi | ≤ máx |xj |,

1≤j ≤n

para cualquier 1 ≤ i ≤ n. Elevando a la p-ésima potencia y sumando las

correspondientes desigualdades y obtenemos:
n
X
|xi |p ≤ n máx |xj |p ,
1≤j ≤n
i=1

sólo falta extraer la p-ésima raı́z para obtener el resultado.

Ahora bien, recordando los teoremas de lı́mite y sucesiones vistos en cálcu-
lo I y II, sabemos de antemano que el siguente lı́mite es cierto:
1
lı́m n p = 1. (26)
p→∞

Esto quiere decir, regresando al caso de R2 , si p ≥ 1 la circunferencia

unitaria con la p-ésima norma estara por debajo el cuadrado unitario y por
encima encima de la hipotenusa x + y = 1, del triángulo con catetos x = 1
ey = 1.
Por otro lado, es de esperarse que si 1 ≤ p ≤ 2 y p → 2, entonces las
circunferencia se aproximará a nuestra circunferencia Euclideana kvk2 = 1.
A manera de conclusión tenemos:
La circunferencia unitaria kvkp = 1, para p ≥ 1, es una “curva”contenida
en la la zona gris, como se muestra en la figura 15.

Obs 0.4.19 Hemos mencionado en la conclusión que la circunferencia uni-

taria es una curva, sin embargo no hemos desarrollado en tema de curvas,
por lo cual el tema tendrá que esperar hasta el tema correspondiente.

34
 y

Figura 15: Lugar geométrico de kvkp = 1

0.5. Ángulo entre vectores, norma y produc-

to punto
Otro problema de la geometrı́a Euclideana es del ángulo entre rectas, en
nuestro caso ángulo entre vectores, en esta sección trataremos de abordar-
lo desde la perspectiva de los espacios vectoriales. A menos que se diga lo
contrario, usaremos como norma en esta sección a la norma Euclideana.

0.5.1. Producto punto y ángulo

Primero recordaremos la ley de los cosenos, de la figura 16 obtenemos
inmediatamente las siguientes formulas:
2

 (a + x) + y 2 = c2 ,
x2 + y 2 = b2 , (27)
b cos(π − θ) = x.


Desarrollando las ecuaciones (27), tenemos la famosa ley de los cosenos:

c2 = a2 + b2 − 2ab cos(θ). (28)

35
 c b y

θ
a x

Figura 16: Ley de los cosenos

La ecuación (28) es también conocida como teorema de Pitagoras gene-

ralizado, esta fórmula la conservaremos para aplicarla posteriormente.
Puesto que estamos trabajando en términos vectoriales, por ejemplo que-
remos calcular el ángulo entre los vectores u y v, la proyección de u sobre v
la denotaremos por “u · v”, dicha notación sera utilizada de aquı́ en adelante
a menos que se diga lo contrario, por simplicidad suponemos que kvk2 = 1.
De la figura 17 se obtiene inmediatamente la siguiente fórmula:
u·v
cos θ = ,
kuk
en otras palabras:
kuk cos θ = u · v.
Ahora, esta fórmula da pie a la siguiente definición:
Definition 0.5.1 Si u y v son dos vectores en R2 , definimos el producto
punto, denotado como u · v, mediante la siguiente igualdad:

u · v = kuk kvk cos θ, (29)

donde θ es el ángulo entre los dos vectores.

36
 u

θ
u.v v

Figura 17: proyección de u sobre v.

Suena extraño el hecho que queremos definir “ángulo”entre dos vectores,

y éste lo usamos para definir un “producto raro”en el plano. Para salirle al
paso a este lı́o, simplemente definimos el ángulo θ entre los vectores u y v,
distintos de cero como:
u·v
θ := arc cos . (30)
kuk kvk
El único camino entonces, es definir de otra manera el producto u · v, ası́ usan-
do la fórmula (28), tenemos en términos vectoriales la siguiente relación:

kv − uk2 = kuk2 + kvk2 − 2kuk kvk cos θ. (31)

Se puede ver directamente esta relación de la figura 18.

Tomado como coordenadas u = (x, y) y v = (z, w), tenemos, por defi-
nición:
u · v = kuk kvk cos θ, (32)
de la ecuación (31) encontramos el valor de cos θ:
1 kuk2 + kvk2 − ku − vk2
 
cos θ = ,
2 kuk kvk

37
 u
v-u

θ
v

Figura 18: Ley de cosenos versión vectorial.

que al substituir en la ecuación (32) obtenemos la expresión:

1
kuk2 + kvk2 − ku − vk2 .


u·v =
2
Aplicando la definición de norma Euclideana dada por la ecuación (1),
usando las coordenadas de u y v tenemos la ecuación buscada:
u · v = x z + y w. (33)
De este modo el ángulo entre dos vectores se definie como en la ecuación
(30), donde el producto en el numerador esta dado por la ecuación (33).
Obs 0.5.2 Noten que la generalización a Rn es inmediata: Si u = (xj ) e
v = (yj ), entonces X
u·v = xj y j .
j

0.5.2. Producto punto

Formalmente el producto punto es una función tal que a dos vectores le
asiciamos un número real, esta función cumple varias propiedades interesan-

38
tes, que se pueden checar una a una sin mayor problema:
Para toda u, v y w ∈ V , y para todo c ∈ R.
1. u · u ≥ 0
2. u · v = v · u.
3. (u + v) · w = u · w + v · w.
4. (c u) · v = u · (c v) = c (u · v).
5. Si u es tal que u · v = 0 para cualquier v, entonces u = 0.
Finalmente, un espacio vectorial V que tiene definido un producto pun-
to, se denota por (V, ·) y se le llama espacio vectorial con producto punto,
algunos autores prefieren llamarle espacio vectorial con producto interno.
También diremos que dos vectores u y v son perpendiculares si y sólo si
u · v = 0. En algebra lineal los vectores perpendiculares se acostumbra a
llamarlos vectores ortogonales. Inicialmente esta definición se ajusta a la defi-
nición de producto punto que dimos para R2 , sin embargo no dejan de existir
los conjuntos que retan nuestra intuición, como lo veremos en el siguiente:
Ejemplo 0.5.3 Tomemos V como el conjunto de las funciones continuas
sobre el intervalo [a, b]. Probar que V es un EV no es difı́cil, como lo men-
cionamos en el ejemplo 0.4.3. Definimos en V el producto punto como sigue;
si f, g ∈ V entonces: Z b
f ·g = f g d x. (34)
a
Demostrar que en efecto es un producto punto, es sólo checar que satisface
las propiedades anteriores:
Rb
1. f · f = a f 2 d x ≥ 0.
Rb Rb
2. f · g = a f g d x = a g f d x = g · f .
Rb Rb Rb
3. f · (g + h) = a f (g + h)d x = a f g d x + a f h d x = f · g + f · h.
Rb Rb
4. (cf ) · g = a (cf ) g d x = c a f g d x = c (f · g).
5. RSi f es tal que f · g = 0, para cualquier g función continua, entonces
b
a
f g d x = 0, esto es f g = 0, ası́ f = 0.
Concluimos que en efecto la ecuación (34) define un producto punto.

39
0.5.3. Dos teoremas previos
Los siguientes teoremas son en realidad auxiliares, nos permitimos pri-
mero demostrarlos dada la sencilles de su demostración y su interpretación
gemétrica accesible. Estos teoremas sonn utilizados en la sección 0.5.4 para
conectar el producto punto con la norma.

Teorema 0.5.4 Sea u un vector en un espacio vectorial con producto punto

V . Si v es un vector no nulo existen a ∈ R y w vector ortogonal a u tal que:

v = a u + w. (35)

Dem. (Teorema 0.5.4)

La figura 19, sugiere como hacer la demostación. Los casos obvios son
u = 0 o v ortogonal a u, por ello los descartamos en esta demostración. Lo
que buscamos es un número real a y un vector ortogonal a u que satisfagan
la ecuación (35), pero esa ecuación es equivalente a la siguiente:

w = v − a u.

Además, u · w = 0, por tanto:

u · v − a u · u = 0.

En otras palabras, tenemos:

u·v
a = . (36)
u·u

Obs 0.5.5 Notese que entonces es imprecindible que ambos vectores no sean
nulos. Este proceso de buscar vectores ortonormales es muy usado en Algebra
lineal y es conocido como proceso de Granmm-Scmith.

Teorema 0.5.6 Sea V un espacio vectorial con producto punto. Entonces

√ √
|u · v| ≤ u · u v · v, (37)

para cualesquiera u y v vectores en V .

40
 u v

au
w

Figura 19: Ilustración del teorema 0.5.4

Dem. Notese que si el producto punto esta definido por la ecuación (29),
entonces el resultado es inmediato:

| cos θ| ≤ 1.

El problema ahora es buscar una demostración que se ajuste a la definición

general de producto punto. Sean u y v dos vectores tales que no son nulos,
por la propiedades de producto punto tenemos:

(u − v) · (u − v) ≥ 0. (38)

De la ecuación (38), obtenemos:

u · u − 2 u · v + v · v ≥ 0. (39)

Supongamos ahora que u · u = v · v = 1, es claro de la ecuación (39):

|u · v| ≤ 1. (40)

Sean
u v
ū = √ y v̄ = √ ,
u·u v ·v

41
entonces tenemos:
ū · ū = v̄ · v̄ = 1.
Por último aplicamos a los vectores ū y v̄ la ecuación (40) para obtener:
 
 u v 
√
 u · u · √v ·
 ≤ 1,
v

despejando según las propiedades del producto punto entonces tenemos la

ecuación (37).

0.5.4. Producto punto y norma

Observamos que la norma Euclideana en R2 puede ser obtenida directa-
mente del producto punto:

u · u = kuk2 . (41)

Para demostrar que la ecuación (41) define una norma, hay checar las pro-
piedades una a una las propiedades de norma:
√
1. kuk = u · u ≥ 0, por la propiedad 1 de la definición de producto
punto.

2. Para demostrar la segunda propiedad de norma, necesitamos el teorema

0.5.4 (enunciado arriba).
Demostraremos el hecho siguiente: u · u = 0 si y sólo si u = 0. Para
ello usaremos la propiedad 5 de la definición de producto punto.
⇒)
Supongamos que u satisface u · u = 0, tenemos que demostrar que
u · v = 0 para cualquier v no nulo. Sea v un vector no nulo de V ,
por teorema 0.5.4 tenemos que existe un número real a y un vector
ortogonal a u tal que satisfacen la ecuación (35). Multiplicando por el
vector u en ambos lados de dicha ecuación tenemos:
u · v = u · (au) + u · w
= a(u · u) + u · w (42)
= 0.

42
 Como el vector v es arbitrario, tenemos que por la propiedad 5 del
producto punto u = 0.
⇐)
Es inmediato.
3. Tenemos por definición:
kcuk2 = (cu) · (cu)

= |c|2 (u · u)

= |c|2 kuk2 .
El resultado se obtiene sacando raices cuadradas en ambos lados de las
igualdades.
4. Sólo falta demostrar la desigualdad del triangulo, ésta es una conse-
cuencia del teorema 0.5.6, ası́, tenemos:
ku + vk2 = (u + v) · (u + v)

= (u · u) + 2u · v + (v · v)
(43)
2 2
≤ kuk + 2kuk kvk + kvk

= (kuk + kvk)2 .
Entonces la desigualdad se obtiene sacando raı́z cuadrada de ambos
lados en la ecuación (43).

Obs 0.5.7 Regresando a la figura 17, gracias al producto punto, damos una
reinterpretación del teorema 0.5.6, esto es el viejo teorema de la geometrı́a
Euclidenana: En todo triángulo rectángulo cualquier cateto es menor que la
hipotenusa.

El siguiente teorema y su corolario se desprenden inmediatamente de la

discusión anterior, su demostración ya es ha sido dada y sólo entonces los
enumeramos como resultados interesantes:
Teorema 0.5.8 Sea V un EV con producto punto (V, · ). Entonces V es un
EV normado, con la norma inducida por la ecuación (41).

43
Corolario 0.5.9 Todo EV con producto punto es un espacio métrico con la
métrica inducida por el producto punto.

Obs 0.5.10 Los problemas inversos son bastante interesantes, sin embargo,
estos son problemas de Análisis bastante difiı́ciles que no se abordan en los
cursos de cálculo dada su complejidad.

44
 Parte IV

Movimientos rı́gidos, producto

punto y norma

45
0.6. Introducción
En Cálculo III y IV, cambiar coordenadas en ocasiones nos facilita resolver
un problema, por ello es conveniente empezar a estudiar algunos cambios de
coordenadas del plano R2 , el caso general de Rn tendrá que esperar hasta
mejores momentos. En esta sección abordaremos los cambios de coordenadas
más simples y comunes, el tener una idea geométrica ayuda a entender el
caso general y a comprender su profundidad.

0.6.1. Transformaciones del plano y matrices

2
Formalmente una transformación del plano en el plano es una función
T : R2 −→ R2 , que satisface dos propiedades simples:

1. T (v + u) = T (v) + T (u), para todo v, u ∈ R2 ,

2. T (cv) = c T (v), para todo c ∈ R y v ∈ R2 ,

en Algebra lı́neal son conocidas como transformaciones lineales. Ejemplos

abundandan, de hecho en las siguientes seccionesveremos ejemplos.
Las transformaciones lineales las podemos sumar y multiplicar por es-
calares al igual que hicimos en Cálculo I y II, lo curioso es que la suma y
producto escalar de transformaciones lineales son lineales nuevamete y por
tanto el conjunto de transformaciones lineales en el plano, con la suma y el
producto escalar forman un espacio vectorial EV. La composición entre trans-
formaciones lineales es definida del mismo modo, tambi—én esta resulta un
transformación lı́neal, si T1 y T2 son transformaciones lineales:

1. T2 ◦ T1 (v + u) = T2 ◦ T1 (v) + T2 ◦ T1 (u), para cualesquiera vectores

v y u.

2. T2 ◦ T1 (cv) = c T2 ◦ T1 (v), para todo c ∈ R.

Notese que no todas las transformaciones lineales son imvertibles, por

ejemplo la proyección:
π(x, y) = x,
2
El sentido de la palabra “función”es el mismo que la dada en los cursos anteriores de
Cálculo: A cada vector v ∈ R2 le asociamos un único vector T (v) ∈ R2 , y todo vector en
R2 tiene su asociado en R2 .

46
es lineal, pero no es invertible. Por supuesto, la pregunta natural es ¿cuando
una transformación lı́neal es invertible?. Esta pregunta tiene respuesta en los
cursos de Algebra lı́neal, en estas notas trataremos de dar una explicación a
través de relacionar las transformaciones lineales con las matrices.
De acuerdo a la definición dada en Algerbra Superior, una matrı́z 2 × 2
es un arreglo de la forma:  
a b
 , (44)
c d
donde a, b, c y d ∈ R. Las matrices también las podemos sumar del siguiente
modo:      
x y a b x+a y +b
 +  =  , (45)
z w c d z +c w +d
de esta manera, no es difı́cil notar lo siguiente: tenemos las primeras propie-
dades de conmutatividad y asociatividad de la suma matricial, además de la
existencia de tanto el nuetro como el inverso aditivos.
La multiplicación escalar la definimos como sigue:
   
a b αa αb
α  =  , (46)
c d αc αd

donde α ∈ R. Con estas operaciones, el conjunto de las matrices 2 × 2 es

un EV, la domostración es de rutina y se deja para los estudiantes. Si las
matrices las denotamos por letras mayúsculas A, B, C . . . entonces A + B
esta definida por la ecuación (45), mientras que α A esta definida por (46).

Dada una matrı́z A existe una manera de asociarle una transformación

lı́neal de la siguiente forma:
Si la matriz tiene la forma:
 
a b
A =  , (47)
c d

47
definimos lA : R2 −→ R2 como sigue:


 (a, c) ; v = (1, 0),



lA (v) = (b, d) ; v = (0, 1), (48)




α (a, c) + β (b, d) ; v = (α, β).


Demostrar que la transformación definida por (48) esta bien definida y es

lineal no es difı́cil, este es un teorema de Algebra lı́neal:
Si v = (α, β) y u = (γ, δ), entonces:
lA (v + u) = (α + γ) (a, c) + (β + δ) (b, d)

= [α (a, c) + β (b, d)] + [γ (a, c) + δ (b, d)] (49)

= lA (v) + lA (u).
Esto significa en palabras que dada una matrı́z A, ésta tiene una trans-
formación lı́neal lA asociada, el inverso también es cierto:

Dada una transformación lı́neal l, existe una matrı́z Al asociada: Si

l(1, 0) = (a, c) y l(0, 1) = (c, d),
entonces la matrı́z Al esta dada por:
 
a b
Al =  . (50)
c d
Gracias a esta forma de relacinonar matrices y transformaciones lineales,
es lo mismo trabajar con unas u otras, un hecho que de por si es claro es el
siguiente: La suma y producto escalar de transformaciones lineales correspon-
de con la suma y producto escalar de matrices, ası́ lo natural es preguntarse
a que corresponde la composición de transformaciones, la respuesta la da el
producto de matrices AB 3 :
    
a b e f ae + bg af + b h
AB =    =  . (51)
c d g h ce + dg cf + dh
3
La demostración proviene de los cursos de Algebra lı́neal, para ello se necesitan con-
ceptos como el de combinaciones lineales y bases de un EV.

48
Obs 0.6.1 En general no es verdad la conmutatividad en el producto de ma-
trices, por el contrario en general se tiene la relación:
AB 6= BA.
El producto matricial (51) es interesante; las propiedades de la composi-
ción de transformaciones lineales nos dicen que la composición es asociativa,
por tanto el producto matricial también debe serlo. La matrı́z
 
1 0
I =  ,
0 1
satisafece la pripiedad AI = IA = A para cualquier matriz A, a esta
matrı́z se le llama matrı́z identidad y a ésta le corresponde precisamente con
la transformación identidad I(v) = v.
El siguiente paso es buscar las condiciones bajo las cuales dada una trans-
formación lı́neal l es inversitble, por la discusión anterior l tiene una matrı́z
asociada A, ahora si l tiene inversa A debe también tener una matrı́z inversa,
que en el contexto matricial quiere decir que existe B matrı́z tal que:
AB = BA = I. (52)
El hablar de que una transformación sea invertible quiere decir que no com-
prime el plano en una recta o un punto, es decir que si tomamos dos vectores
que generan un paralelepipedo con área no nula, bajo la transformacón l
siguen generando un paralelepipedo con área no nula. Siguiendo esta idea,
si v = (a, c) y u = (b, d) son vectores como se muestra en la figura 20,
tomamos la matrı́z A aquélla que tiene como columnas a los vectores v y u.
El área en gris en la figura 20 se calcula como sigue:
det A = a d − b c, (53)
que se conoce como el determinante de la matrı́z A. Noten que si ac = db ,
quiere decir que los vectores v y u son paralelos y por tanto el área compren-
dida entre ellos es nula. Ası́ el área en gris es no nula siempre y cuando dichos
vectores no sean paralelos, en otras palabras el determinante de la matrı́z es
no nulo. De esta manera tenemos un teorema de Algebra lineal:
Teorema 0.6.2 Sea l : R2 −→ R2 una transformación lineal. l es una
transformación invertible si y sólo si su matrı́z asociada A satisface:
det A 6= 0.

49
 v

Figura 20: Área entre vectores

La demostración la dejamos como buen ejercicio para los estudiantes, un

comentario pertinente es el siguiente:

Obs 0.6.3 Dada una transformación lı́neal l, definimos el determinante de

la transformación como sigue:

det l = det A,

donde A es la única matrı́z asociada a la transformación l.

Obs 0.6.4 Cuando det A 6= 0, donde A es una matrı́z 2 × 2, decimos que

la matrı́z es invertible y denotamos su matrı́z inversa como A− 1 .

Como conclusiones tenemos:

1. El conjunto de las matrices y el de las transformaciones lineales son

EVs.

2. Una matrı́z es una transformación lı́neal e inversamente.

50
 3. Una transformación lineal es invertible si y sólo si su matrı́z asociada
es un amatriz invertible.

Una propiedad importante que relaciona el producto matricial con los

determinantes esta contenida en el siguiente teorema:

Teorema 0.6.5 Sean A y B dos matrices 2 × 2, entonces

1. El producto matricial AB satisface la ecuación:

det (AB) = det A det B. (54)

2. Si A es una matrı́z invertible con matrı́z inversa A− 1 , entonces

det A− 1 = (det A)− 1 . (55)

Dem.

1. La demostración de la ecuación (54) es solamente hacer calculos, si

   
a b e f
A =   y B =   (56)
c d g h

entonces:  
ae + bg af + bh
det AB = det  , (57)
ce + dg cf + dh
haciendo calculos tenemos:
det AB = adeh + bcgf − adf g − bceh

= ad(eh − f g) − bc(eh − f g)
(58)
= (ad − bc)(eh − f g)

= det A det B.

51
 2. La ecuación (55), se demuestra aplicando el resultado anterior, ecuación
(54): Sabemos que
AA− 1 = I,
ası́, aplicando la ecuación (54), tenemos:
1 = det I = det AA− 1 = det A det A− 1 ,
de aqui se obtiene la ecuación (55).

Obs 0.6.6 Con esto concluimos la parte de matrices y transformaciones li-

neales del plano en el plano, solamente queremos hacer notar que las nociones
de determinante y matrı́z inversa se generalizan para el caso de matrices cua-
dradadas n × n, con n número natural arbitrario. El hecho que nos hallamos
limitado al caso plano es debido a que queriamos facilitar la exposición y por
lo limitado del espacio y tiempo, aún asi creemos que es un buen ejercicio
para los estudiantes generalizar las nociones aqui expuestas y dar sus propias
demostraciones.

0.6.2. Coordenadas polares

Empecemos a estudiar un poco más de cerca a R2 , pues ya sabemos
que es un espacio vectorial con norma Euclideana bien definida, de hecho
podriamos usar cualquier otra norma, pero preferimos no abandonar nuestra
idea geométrica.
Si tomamos v = (x, y) ∈ R2 un vector no nulo en el plano, sabemos
que sus coordenadas rectangulares son (x, y). Consideraremos dos cantides
adicionales:
El ángulo entre el eje X y el vector v al cual denotamos por θ
p
La distancia r = x2 + y 2 .
En realidad éstas son cantidades que hemos discutido anteriormente a lo
largo de estas notas. La relación que existe entre ambas se puede obtener
directamente de la Figura 21:

 x = r cos θ,
(59)
y = r sin θ.


52
 y
r

θ
x

Figura 21: Coordenadas polares

De esta manera tenemos dos formas de ubicar un punto en R2 , ya sea por

medio de las cantidades x e y, o por las cantidades r y θ. Las primeras
son conocidas como coordenadas rectangulares, mientras las segundas como
coordenadas polares. La notación es también común, lo importante ahora es
saber como pasar de unas coordenadas a otras mediante la relación (59) o
bien por la ecuación:
 p
 r = x2 + y 2 ,
(60)
θ = arctan xy , si x 6= 0.


Obs 0.6.7 Notese que la cantidad r es en realidad la norma en R2 , mientras

que la cantidad θ se puede calcular mediante el producto punto:
v · e1
θ = arc cos ,
kvk

donde e1 = (1, 0). Aquı́, la función arc cos y la consideramos como la función
inversa de cos x.

53
Ejemplo 0.6.8 En coordenadas polares, el lugar geométrico de todos los
puntos que satisfacen la ecuación:

r = constante > 0,

es una circunferencia, mientras que la ecuación:

θ = constante,

respresenta una recta.

Noten que las coordenadas polares nos permiten dar una transformación
del plano en el plano, como sigue:

(x, y) 7→ (r, θ),

ésta lamentablemente no es lı́neal. Naturalmente, podemos plantearnos el

problema de la invertibilidad, por fortuna esta transformación sı́ es invertible,
regresaremos a ella hasta el tema de derivadas.

0.6.3. Traslaciones y Espacios afines

En R2 una traslación es vista de la siguiente manera:
Si u = (a, b) ∈ R2 es un vector fijo no nulo, entonces trasladar el plano es
encontrar “nuevos ejes”X 0 e Y 0 de tal manera que “nuevo origen”es el vector
u. En la Figura 22 notamos que tal cambio de coordenadas se representa
mediante la transformación:
 0
 x = x − a,
(61)
 0
y = y − b.

Formalmente un traslación la entenderemos como una función,

Tu : R2 −→ R2 ,

definida como
Tu (v) = v − u. (62)
La imagen de esta traslación le asignamos una notación especial:

R2u = {Tu (v) : v ∈ R2 }, (63)

54
 y'
y

b
x'
x
a

Figura 22: Ilustración de las traslaciones

y sus elementos los denotamos por vu , es decir v 7→ vu . A pregunta explı́cita

de si R2u es un EV, la respuesta es no, dado que la suma no es cerrada.
Otra interpretación común es que R2u es el conjunto de vectores “ancla-
dos”en u, como se muestra en la figura 23.
El conjunto R2u se conoce como Espacio Vectorial afı́n a R2 , o simplemente
Espacio afı́n. En este conjunto podemos definir una distancia o métrica de
manera precisa, usando la estructura de EV de R2 : Si vu wu ∈ R2u , definimos
la d distancia entre estos como:

d(vu , wu ) = kv − wk. (64)

Comprobar que en efecto es una distancia es rutina. Como conclusión pode-

mos decir que si bien R2u no es un EV, al menos es un conjunto donde tenemos
un distancia bien definida, a estos conjuntos los llamaremos Espacios afines
métricos.
Obs 0.6.9 En la literatura existen varias definiciones de Espacio afı́n, aun-
que la interpretación geométrica es la misma, la que más se ajusta a los pro-
positos de Cálcuo, es aquella que se basa en los axiomas de Weil, que resulta
complicada pero técnicamente simplifica el manejo de los espacios afines.

55
 Y

u
X
(0,0)

Figura 23: Espacio afı́n R2u

Un comentario pertinente es el siguiente: Si u = 0, entonces la traslación

se satiface:
T0 (v) = I (v) = v,
que es la traslación que deja fijo el origen. Notamos también que Tu y T− u
son traslaciones tal que:
Tu ◦ T− u = I.
De acuerdo a la notación que hemos asumido esta ecuación la podemos es-
cribir como:
vu + v− u = v.
La interpretación geométrica de este es clara y se recomienda a los estudian-
tes desarrollarla, en Algebra Moderna se estudia con mayor generalidad las
traslaciones consideradas como un grupo.

0.6.4. Rotaciones
Rotar R2 un ángulo θ, significa encontrar “nuevas coordenadas”que de-
penden del ángulo, al igual que en los casos anteriores también usaremos la

56
visualización geométrica para obtener las nuevas coordenadas. En esta parte
del material usaremos la regla de Cramer vista en Geometrı́a analı́tica, para
resolver sistemas de ecuaciones 2 × 2.

Y
X'
Y'
y
α θ
y' x'
x X

Figura 24: Rotaciones

Según la Figura 24, si v es un vector no nulo, al rotar los ejes X e Y por un

ángulo θ, obtenemos nuevos ejes X 0 e Y 0 , y el ángulo α representa el ángulo
del vector v respecto a los nuevos ejes. Por supuesto, visto en coordenadas
polares en ambas coordenadas, tenemos que la cantidad r no se altera, es
decir: p p
r = x2 + y 2 = (x0 )2 + (y 0 )2 .
Si x0 e y 0 son la nuevas coordenadas, entonces según la ecuación (59):
 0
 x = r cos α
(65)
 0
y = r sin α.
Aplicando la misma regla, pero usando las coordenadas originales x e y,
tenemos: 
 x = r cos(α + θ)
(66)
y = r sin(α + θ).


57
Recordando las formulas de trigonometrı́a elemental:

 cos(α + θ) = cos α cos θ − sin α sin θ,

sin(α + θ) = sin α cos θ + sin θ cos α,



sustituyendolas en la ecuación (66), y aplicando la ecuación (65) tenemos:


 x = x0 cos θ − y 0 sin θ,
(67)
y = y 0 sin θ + x0 cos θ.


De este modo tenemos una forma explı́cita para intercambiar coordenadas,

ası́, si nuestras incógnitas son x0 e y 0 tenemos un sistema de 2 ecuaciones con
2 incógnitas, que según la regla de Cramer tiene como solución:
 0
 x = x cos θ + y sin θ,
(68)
 0
y = − y sin θ + x cos θ.

Notamos dado que una rotación es una transformación lineal del plano en el
plano, que este cambio de coordenadas podemos representarlo mediante una
matrı́z:  
cos θ − sin θ
Rθ =  . (69)
sin θ cos θ
a la cual llamaremos matrı́z de rotación. De este modo el sistema (67) tiene
la forma matricial:
    0 
x cos θ − sin θ x
  =   . (70)
0
y sin θ cos θ y

De esta manera una rotación será representada por una matrı́z Rθ y su matrı́z
inversa es R− θ , lo cual quiere decir Rθ R− θ = I, donde I es la matrı́z diagonal
unitaria:  
1 0
I =  ,
0 1
la interpretación geométrica de R− θ es clara.

58
 Contrariamente a las traslaciones vistas en la sección 0.6.3, si θ es un
ángulo fijo la imagen de Rθ es nuevamente R2 , el cual es un EV. No es difı́cil
también ver, que si v ∈ R2 , entonces:

kvk = kRθ vk. (71)

En palabras la ecuación (71) nos dice que la rotación deja intacta la distancia,
lo cual intuitivamente es claro, pues lo único que varia es el ángulo.

Obs 0.6.10 Formalmente una rotación Rθ es una transformación v 7→ Rθ v

lı́neal. Además por la ecuación (71) conserva normas, este tipo de transfor-
maciones comunmente se conocen como Isometrı́as.

Noten que si Rθ es una rotación, entonces det Rθ = 1 y por el teorema

0.6.2 es una matrı́z invertible, no es difı́cil notar que Rθ− 1 = R−θ . También,
si θ1 y θ2 son angulos cualesquiera, se satisface:

Rθ2 Rθ1 = Rθ2 + θ2 ,

por tanto tenemos la relación, de acuerdo a la ecuación (54) del teorema

0.6.5:
det Rθ2 + θ2 = det Rθ2 det Rθ1 , (72)
la interpretación geométrica la dejamos para los estudiantes como buen ejer-
cicio.

0.6.5. Reflexiones
Existe otro tipo de movimientos en R2 que nos interesa abordar y son las
reflexiones. La idea es simple, la Figura 25 muestra tres reflexiones del vector
v = (x, y):

Respecto al eje X : (x, y) 7→ (x, − y) = (x0 , y 0 ).

Respecto al eje Y : (x, y) 7→ (− x, y) = (x0 , y 0 ).

Respecto al origen (0, 0) : (x, y) 7→ (− x, − y) = (x0 , y 0 ).

Notese que al reflejar dos veces con la misma reflexión es regresar al punto
de partida, por lo cual podemos decir que dada una reflexión, entendida como
una transformación del plano en el plano es biyectiva según la definición

59
 (-x, y) ( x, y)

(-x,-y) (x, -y )

Figura 25: Reflexiones

general de ésta, por tanto tiene una transformación inversa, y su inversa es

ella misma.
Toda reflexión - al igual que las rotaciones - tiene representación matri-
cial (ver sección 0.6.4), por ejemplo la reflexión respecto al eje X se puede
representar mediante el producto matricial:
 0    
x 1 0 x
  =   . (73)
y0 0 −1 y

Existen otro tipo de reflexiones, por ejemplo respecto a la recta y = x,

como se muestra en la Figura 26, esta reflexión se formula como sigue:

(x, y) 7→ (y, x).

La matrı́z asociada a esta reflexión esta dada por:

 
0 1
 . (74)
1 0

60
 x
y=
v'

Figura 26: Reflexion respecto a la recta y = x.

De igual manera al reflejar respecto a la recta y = − x, tenemos:

(x, y) 7→ (− x, − y),

y su matrı́z asociada es  
0 −1
 . (75)
−1 0
De manera general estamos de acuerdo que podemos reflejar respecto a
cualquier recta de la forma y = mx, en la figura 27 muestra como es posible
esto.
El siguiente paso entonces es encontrar la matrı́z asociada a esta reflexión,
denotemos por el momento la recta con la letra l y la reflexión respecto a l
como Rl , ahora, sabemos que si θ es el ángulo entre l y el eje X entonces
satisface:
tan θ = m.
La idea geométrica es la siguiente, rotamos primero la recta l hasta hacerla
coincidir con el eje X, es decir, aplicamos la rotación R− θ , después aplicamos
la reflexión respecto al eje X, la cual denotamos por RX , y como último paso

61
 mx
v'

y=
v

Figura 27: Reflexion respecto a la recta y = mx.

rotamos el eje X hasta hacerlo coincidir con l. De este modo tenemos la

siguiente ecuación matricial:

Rl = Rθ RX R− θ . (76)

Obs 0.6.11 Se puede reflejar en general respecto a cualquier recta en el

plano, sin embargo, gracias a las traslaciones, sin pérdida de generalidad
podemos reducirlo sólo a las rectas que pasan por el origen.

Obs 0.6.12 Otro modo de decir lo recién descubierto es: Para encontrar
cualquier reflexión nos basta concer solamente RX o RY , puesto que se ob-
tiene multiplicando alguna de ellas con una rotación por la izquierda y su
rotación inversa por la derecha.

Combinando las ecuaciones (76) y (55) del teorema 0.6.5, tenemos el

siguiente resultado:

Teorema 0.6.13 Sea l una reflexión en el plano, entonces

det l = − 1. (77)

62
Dem. Sabemos:
det l = det Rθ RX R− θ = det Rθ det RX det R− θ = (1)(− 1)(1),
como se habia mencionado anteriormente, por tanto toda reflexión tiene de-
terminante igual a la unidad.

Gracias entonces al producto matricial tenemos una estrecha relación en-

tre las rotaciones y las reflexiones. Noten que la reflexión respecto al origen,
denotada por R(0, 0) es una rotación de π radianes:
 
−1 0
Rπ =  , (78)
0 −1
a su ves Rπ es lo mismo que reflejar respecto al eje X primero, y después
reflejar respecto al eje Y , dicho de otro modo:
Rπ = RY RX ,
donde RY significa la reflexión respecto al eje Y y RX la reflexión respecto
al eje X como ya habiamos mencionado. En efecto es este un hecho general:
Teorema 0.6.14 Dos reflexiones respecto a dos rectas que se intersectan
en el origen hacen una rotación. Además, si Rθ es una rotación es dicha
rotación, entonces
det Rθ = 1. (79)

La demostración del teorema 0.6.14 y del siguiente 0.6.15 los dejaremos

para mejor tiempo, este último teorema que es bastante claro por sı́ mismo:
Teorema 0.6.15 Sea l una recta que pasa por el origen y Rl su reflexión.
Si v ∈ R2 , entonces:
kRl vk = kvk. (80)

Obs 0.6.16 La ecuación (80) del teorema 0.6.15 nos dice que en efecto, toda
reflexión es una isometrı́a.

63
0.6.6. Movimientos Rı́gidos
Sabemos que una rotación y una reflexión conservan ángulos, entonces
tenemos los primeros ejemplos de lo que llamaremos movimiento rı́gido.

Y
X'

θ
X

Y'

Figura 28: Movimiento rı́gido

Definition 0.6.17 Sea T : R2 −→ R2 una Transformación lı́neal, decimos

que T es un movimiento rı́gido siempre y cuando:

T (u) · T (v) = u · v, (81)

para cualesquiera u, v ∈ R2 vectores no nulos.

Obs 0.6.18 Noten que la noción de “preservar”el ángulo es a través del

producto punto.

Obs 0.6.19 Hay una deficinicón general del concepto de movimiento rı́gido
como un “cambio suave de coordenadas en el plano”, sin embargo, la palabra
suave causa tal desconcierto que tendrı́amos que esperar al tema de derivadas
para dar una definición precisa del concepto de suavidad.

64
 Como sabemos, dada una transformación lı́neal tiene un amatrı́z asociada
esta la denotaremos por R, también es muy claro que el producto de dos
movimientos rigidos es un movimiento rı́gido, y dado un movimiento rı́gido,
este puede invertirse, en otras paralbras tenemos:

Teorema 0.6.20 Sean R y R0 dos movimientos rigidos, entonces:

1. R R0 es un movimiento rı́gido.

2. Si R es un movimiento riı́gido, existe la matrı́z inversa, o movimiento

rigı́do inverso R− 1 .

Dem.

1. La demostración es sólo desarrollar la siguiente cadena:

(RR0 ) u · (RR0 ) v = R (R0 u) · R (R0 v)

= (R0 u) · (R0 v) (82)

= u · v,

que se obtiene usando la definición.

2. Se deja al los estudiantes como ejercicio, lo único que tiene que demos-
trar en realidad es det R 6= 0 de acuerdo con el teorema 0.6.5.

Sabemos que el producto punto y la distancia estan estrechamente ligadas

a través de la ecuación:
kuk2 = u · u,
ası́ que de este modo es natural pensar que si una transformación preserva
ángulos, entonces debe preservar distancias, en efecto tenemos el siguiente
corolario inmediato:

Corolario 0.6.21 Sea R una mtrı́z de movimiento rı́gido, entonces R pre-

serva distancias.

65
Dem. Sabemos que kuk2 = u · u, entonces si u es un vector en el plano:

kRuk2 = (Ru) · (Ru)

= u·u (83)

= kuk2 .

Observando ahora la Figura 28 (al principio de esta sección), tenemos lo

siguiente:

Si T es lı́neal y preserva ángulos, entonces en particular preserva el

ángulo recto de π2 radianes.

El ángulo θ representa una rotación de los ejes X e Y , después Y 0 es

obtenida reflejando respecto al eje X 0 .

Ası́, tenemos que si T es un movimiento rı́gido en el plano, entonces éste debe

ser producto de rotaciones y reflexiones:
Teorema 0.6.22 Si T es un movimiento rı́gido en el plano, entonces T es
producto de rotaciones y reflexiones.

La demostración la dejamos para otro momento, dado que se nos agota el

espacio y tiempo.

Sabemos también de sobra que una traslación también preserva ángulos,

sin embargo las traslaciones no son en general transformaciones lineales (ver
sección 0.6.3), ellas son transformaciones afines. Por esta simple razón no
les asociamos una matrı́z 2 × 2 como lo hicimos con las transformaciones
lı́neales, terminamos esta sección abordando este problema de como asociar
una matrı́z a una traslación.
Recordamos que si u es un vector no nulo, entonces Tu (v) = vu ∈ R2u ,
donde este último es un conjunto conocido como conjunto afı́n al espacio

66
vectorial R2 . En esta sección nos proponemos asignarle a Tu una matrı́z con
la cual podamos trabajar comodamente. Poniendo en términos de sistema de
ecuaciones lı́neales, tenemos:

 x − a = x0
(84)
0
y − b = y,


donde u = (a, b) ∈ R2 . Transformamos el sistema (84) del siguiente modo:


 x−a =
 x0



y −b = y0 (85)




1 = 1.


Ahora, poniendo el sistema (85) en términos matriciales tenemos:

    0 
1 0 −a x x
    
    
 0 1 − b   y  =  y0  . (86)
    
    
0 0 1 1 1
La matrı́z del lado izquierdo en (86) la llamaremos matrı́z de traslación,
con esto de paso damos contenido a la frase “toda matrı́z de esa forma tiene
una traslación Tu asociada e inversamente”. Si rotamos el plano en un ángu;o
θ, tenemos una matrı́z asociada Rθ , según la ecuación (69). Al aplicarle a la
rotación Rθ una traslación Tu tendrı́amos una matrı́z de la forma:
 
cos θ − sin θ − a
 
 
Tu Rθ :=  sin θ cos θ − b 

. (87)
 
0 0 1
Esta forma matricial (87) es un abuso de notación, debemos de admitirlo,
sin embargo, la interpretación geométrica es bastante clara; primero rotamos
el plano un ángulo θ y después trasladamos el origen al punto u4 , esta forma
4
Estudiar una matrı́z de traslación tiene sentido y se justifica formalmente, sin embargo
preferimos postponer esta discusión para seguirle imprimiendo el sabor gemétrico al tema.

67
de trabajar con rotaciones y traslaciones tiene sentido también al trabajar
con las reflexiones y las traslaciones. Recordamos también, que gracias a la
ecuación (76) sabemos que si Rl es una reflexión, entonces ésta tiene la forma:
Rl = Rθ RX R− θ o Rl = Rθ RY R− θ , (88)
donde RX y RY son las rotaciones primarias. Por el teorema 0.6.22 sabemos
que todo movimiento rı́gido es producto de rotaciones y traslaciones, lo cual
nos facilita el trabajo pues basta conocer tres tipos de matrices solamente,
las demás son producta de estas, la primera matrı́z esta dada por (87) y las
otras son las correspondientes a reflexiones;
respecto al eje X:  
1 0 −a
 
 
Tu RX :=  0 − 1 − b 
 (89)
 
0 0 1
y respecto al eje Y :
 
−1 0 −a
 
 
Tu RY :=  0 1 − b .
 (90)
 
0 0 1
No es difı́cil demostrar que el producto de dos matrices de movimien-
to rı́gido es un movimiento rı́gido, esto quiere decir geométricamente que
si movemos rigidamente el plano, se siguen conservando los ángulos dados,
tenemos entonces una definición precisa:
Definition 0.6.23 Por un movimiento rı́gido general en el plano, entende-
remos una matrı́z de la forma (87), (89) y (90), o bien el pructo de estas
tres principales matrices.
En otras palabras un movimiento rı́gido general en el plano, o simplemente
movimiento rı́gido, es una matrı́z de la forma:
 
a b e
 
 
R =   c d f ,
 (91)
 
0 0 1

68
tal que:  
a b
det   = ad − bc = ± 1. (92)
c d
Siguiendo el mismo razonamiento hecho anterirormente, concluimos que
todo movimiento R rigido preserva distancia:

kR(v)k = kvk, (93)

para cualquier v ∈ R2 . En otras palabras se trata de una isometrı́a según la
observación 0.6.10, por tanto las distancias no se ven alteradas.
Finalizaremos estas notas con un teorema de caracterización de las ma-
trices de movimientos rı́gidos, posteriormente veremos una aplicación simple
de éstos.

Teorema 0.6.24 Sea  

a b e
 
 
 c d f
R =  , (94)

 
0 0 1
un movimiento en el plano R2 . Entonces R preserva distancia si y sólo si:
 2

 a + c2 = 1,



b 2 + d2 = 1, (95)




ab + cd = 0.


Dem. La demostración es solamente hacer cálculos, supongamos que u =

(x, y) y v = (z, w). Sean ū = (x, y, 1) y v̄ = (z, w, 1), entonces:

kRū − Rv̄k2 = (a2 + c2 )(x − z)2

+ 2(ab + cd)(x − z)(y − w) (96)

+ (b2 + d2 )(y − w)2 .

69
Por otro lado, sabemos que:

ku − vk2 = (x − z)2 + (y − w)2 , (97)

entonces la ecuación

kRū − Rv̄k2 = ku − vk2 . (98)

es verdadera siempre y cuando se satisfagan las ecuaciones (95), como se

habı́a afirmado.

Volviendo al problema que dio origen a estas notas (ver sección 0.4), el
demostrar que un par de triangulos sean congruentes, en el lenguaje mo-
derno quiere decir que podamos rotar, reflejar y trasladar un triángulo para
hacerlo coincidir con el otro, es decir, si podemos encontrar una rotación,
una reflexión y una traslación tal que la imagen del primer triángulo sea el
segundo bajo estos movimientos. Si revisamos cuidadosamente los elementos,
es esta la descripción que se hace para demostrar cuando dos triángulos son
congruentes, entonces lo mismo se puede decir acerca de los polı́gonos, de
hecho tenemos un teorema general que presentamos sin demostración:
Teorema 0.6.25 Sean P1 y P2 dos polı́gonos cualesquiera en el plano. De-
cimos que P1 y P2 son congruentes sı́ y sólo si existe un movimiento rı́gido
R tal que:
R
P1 −→ P2 .

Obs 0.6.26 Notese que un caso particular en el teorema 0.6.25 es cuando

P1 y P2 son triángulos.

Con esto damos por concluida esta parte que se extendio más allá de lo
esperado, tenemos la esperanza que estas notas sirvan de algo, aunque es el
primer tema y requiere aún de más trabajo al menos es un principio.

Fin

70