Teorico Aga - 230524 - 074445

VECTORES
VECTORES
Magnitudes
Escalares Vectoriales
Quedan determinadas cuando especificamos su: Quedan determinadas cuando especificamos su:
Magnitud-Valor numérico Módulo-Valor numérico, intensidad de la magnitud
Unidad- utilizada en la medición. Dirección- es la línea de acción del vector (ref ángulo)
Sentido- es la orientación del vector (punta de flecha)
Ejemplos Ejemplos Dirección

 Volumen de un tanque de agua: 100l.  Los autos que se desplazan en una misma calle recta
 Área de un terreno: 250𝑚2 o en calles paralelas están desplazándose en la
 Temperatura corporal: 370° misma dirección.
 Una recta vertical.
Ejemplos Sentido
 Los autos que se desplazan en una misma calle doble
mano lo pueden hacer en dos sentidos por ejemplo
Este–Oeste u Oeste-Este
 En una recta vertical el sentido será hacia arriba o
hacia abajo
VECTORES
Definición
Un vector es un segmento orientado que se utiliza para
representar las magnitudes vectoriales
Elementos
Recta: que determina la dirección
La punta de la flecha indica el sentido
B Extremo
𝑎ത 𝑉𝑒𝑐𝑡𝑜𝑟
A Origen
𝛼 á𝑛𝑔𝑢𝑙𝑜 𝑞𝑢𝑒 𝑖𝑛𝑑𝑖𝑐𝑎 𝑙𝑎 𝑑𝑖𝑟𝑒𝑐𝑐𝑖ó𝑛
Los vectores se indican con letra minúscula con un El módulo del vector (intensidad de la
guion o Flecha por encima magnitud) se indica:
𝑎ത 𝑜 𝑎Ԧ ; 𝐴𝐵 𝑜 𝐴𝐵 𝑎ത
y es número positivo
VECTORES
Clases de Vectores
Vectores
Aplicados Equipolentes
(fijos) Tienen distinto origen
Tienen el mismo origen e igual módulo, dirección y sentido
Deslizables o Axiales Libres

𝑎ത
Se desplazan sobre la misma Se desplazan paralelamente
recta de acción a su recta de acción
𝑏ത
𝑐ҧ
𝑐ҧ
Ejemplo: Peso de 𝑏ത
un cuerpo
𝑐ҧ
Ejemplo: Velocidad
de un vehículo
VECTORES
Suma/Resta de Vectores
𝑎ത + 𝑏ത Método del paralelogramo Método del polígono 𝑏ത
𝑎ത + 𝑏ത
𝑎ത 𝑎ത 𝑎ത
𝑏ത 𝑎ത + 𝑏ത
𝑏ത
𝑎ത + 𝑏ത 𝑒𝑠 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑚𝑎𝑦𝑜𝑟 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑜
𝑎ത − 𝑏ത = 𝑎ത + (−𝑏) −𝑏 𝑏ത
Se suma el opuesto del sustraendo, 𝑎ത − 𝑏ത
igual módulo y dirección 𝑎ത 𝑎ത − 𝑏ത 𝑎ത
pero distinto sentido
−𝑏 𝑏ത
𝑎ത − 𝑏ത 𝑒𝑠 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑚𝑒𝑛𝑜𝑟 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑜
Propiedades
Conmutativa 𝑎ത + 𝑏ത = 𝑏ത + 𝑎ത
Asociativa 𝑎ത + (𝑏ത + 𝑐ҧ = 𝑎ത + 𝑏ത + 𝑐ҧ
Elemento neutro 𝑎ത + 0ത = 0ത + 𝑎ത = 𝑎ത
Elemento opuesto 𝑎ത + −𝑎 = −𝑎 + 𝑎ത = 0ത
VECTORES
Producto de un vector por un escalar
Cuando multiplicamos un vector por un escalar, obtenemos otro vector, en el que cambia
- Sólo el módulo (λ veces), si el escalar es positivo y

- El módulo (λ veces) y el sentido, si el escalar es negativo
- Si el escalar es mayor a
2𝑎ത uno, agranda el vector
𝑎ത
1ൗ 𝑎ത 𝑏ത −1𝑏ത −3ൗ 𝑏ത - Si el escalar es menor a
2 4 uno, achica al vector
Propiedades
Asociativa 𝜆𝑘 𝑎ത = 𝜆(𝑘𝑎)
ത
Distributiva respecto a la suma de vectores 𝜆 𝑎ത + 𝑏ത = 𝜆𝑎ത + 𝜆𝑏ത
Distributiva respecto a la suma de escalares 𝜆 + 𝑘 𝑎ത = 𝜆𝑎 + (𝑘𝑎)
Elemento neutro 1𝑎ത = 𝑎ത
VECTORES
Componentes de un vector
En el plano ℝ 2
𝑂𝑟𝑖𝑔𝑒𝑛 𝑥0 ; 𝑦0 𝐸𝑥𝑡𝑒𝑟𝑚𝑜 (𝑥1 ; 𝑦1 )
y
𝑆𝑖 𝑠𝑒 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑎 𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟, 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟𝑚𝑒𝑛𝑡𝑒, 𝑠𝑜𝑏𝑟𝑒 𝑙𝑜𝑠 𝑒𝑗𝑒𝑠 𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑙𝑎𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑎1 𝑦 𝑎2
y1
𝑎2 𝑆𝑖𝑒𝑛𝑑𝑜 𝑎1 = 𝑥1 − 𝑥0 𝑎2 = 𝑦1 − 𝑦0
𝑎ത
y0 𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑎ത = 𝑎1 ; 𝑎2 𝑦 𝑎ത = 𝑎12 + 𝑎22
x0 𝑎1 x1 x 𝑉𝑒𝑟𝑠𝑜𝑟: 𝑠𝑜𝑛 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑚ó𝑑𝑢𝑙𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜

y 𝑖ҧ 𝑣𝑒𝑟𝑠𝑜𝑟 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑥 𝑦 𝑗ҧ 𝑣𝑒𝑟𝑠𝑜𝑟 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑦
𝐿𝑎𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑎𝑚𝑏𝑜𝑠 𝑣𝑒𝑟𝑠𝑜𝑟𝑒𝑠 𝑠𝑜𝑛: 𝑖 ҧ = 1; 0 𝑗 ҧ = (0; 1)
β
𝑎ത
𝑎2 𝑗ҧ α
ഥ = 𝒂𝟏 𝒊ҧ + 𝒂𝟐 𝒋 ҧ
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝒂 𝑬𝒙𝒑𝒓𝒆𝒔𝒊ó𝒏 𝒄𝒂𝒓𝒕𝒆𝒔𝒊𝒂𝒏𝒂 𝒅𝒆𝒍 𝒗𝒆𝒄𝒕𝒐𝒓 𝒆𝒏 𝑹𝟐
𝑖ҧ
x Ángulos directores
𝑎1
Un vector forma con los semiejes positivos de los ejes coordenados x e y, ángulos α y β, llamados ángulos
directores, porque indican la dirección y sentido del vector. Los ángulos son mayores o iguales a 0° y menores o iguales a
180°. 𝑎 2
𝑎 2
𝑎 2
+ 𝑎 2
𝑎ത 2
𝑎1 𝑎2 𝑐𝑜𝑠 2 𝛼 = 2
1
𝑐𝑜𝑠 2 𝛽 = 2
2
𝑐𝑜𝑠 2 𝛼 + 𝑐𝑜𝑠 2 𝛽 =
1 2
= 2=1
cos 𝛼 = cos 𝛽 = 𝑎ത 𝑎
ത 𝑎
ത 2 𝑎ത
𝑎ത 𝑎ത
VECTORES
En el espacio ℝ3
z 𝑂𝑟𝑖𝑔𝑒𝑛 𝑥0 ; 𝑦0 ; 𝑧0 𝐸𝑥𝑡𝑒𝑟𝑚𝑜 (𝑥1 ; 𝑦1 ; 𝑧1 )
𝑆𝑖 𝑠𝑒 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑎 𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟, 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟𝑚𝑒𝑛𝑡𝑒, 𝑠𝑜𝑏𝑟𝑒 𝑙𝑜𝑠 𝑒𝑗𝑒𝑠

𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑙𝑎𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑎𝑥 ; 𝑎𝑦 𝑦 𝑎𝑧
𝑆𝑖𝑒𝑛𝑑𝑜 𝑎𝑥 = 𝑥1 − 𝑥0 𝑎𝑦 = 𝑦1 − 𝑦0 𝑎𝑧 = 𝑧1 − 𝑧0
𝑎𝑧
𝑎ത 𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑎ത = 𝑎𝑥 ; 𝑎𝑦 ; 𝑎𝑧 𝑦 𝑎ത = 𝑎𝑥2 + 𝑎𝑦2 + 𝑎𝑧2
𝑘ത 𝑎𝑦
𝑖ҧ
𝑎𝑥 𝑗ҧ y
𝐸𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑎ത 𝑒𝑠 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑒𝑝í𝑝𝑒𝑑𝑜
𝑉𝑒𝑟𝑠𝑜𝑟: 𝑠𝑜𝑛 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑚ó𝑑𝑢𝑙𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜

x 𝑖 ҧ 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑥 𝑖 ҧ = (1 , 0 , 0)
𝑗 ҧ 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑦 𝑗 ҧ = (0 , 1 , 0) 𝑘ത 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑧 𝑘ത = (0 , 0 , 1)
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠, ഥ
ഥ = 𝒂𝒙 𝒊ҧ + 𝒂𝒚 𝒋 ҧ + 𝒂𝒛 𝒌
𝒂 𝑬𝒙𝒑𝒓𝒆𝒔𝒊ó𝒏 𝒄𝒂𝒓𝒕𝒆𝒔𝒊𝒂𝒏𝒂 𝒅𝒆𝒍 𝒗𝒆𝒄𝒕𝒐𝒓 𝒆𝒏 𝑹𝟑
VECTORES
En n dimensiones ℝ𝑛
Si n es un número entero positivo, ℝ𝑛 denota las n dimensiones, donde podemos denotar un vector de la
siguiente manera:
𝑎1
𝑎2 ¿Cómo interpretamos
𝑎ത = 𝑎3 ℝ𝑛 ?
⋮
𝑎𝑛
Este tipo de vectores es el más utilizado en Álgebra, ya que como veremos en la unidad 8 de Espacios
Vectoriales, se pueden expresar determinados objetos de esta forma, por ejemplo, el listado de precios en algún
comercio (panadería) como el que sigue:
Hemos puesto 6 ítems, con lo que n, en este caso es 6, pero un
𝑝𝑎𝑛 𝑓𝑟𝑎𝑛𝑐é𝑠 $30 automóvil podemos también, expresarlo como un vector con
𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 $25 alrededor de 1.700 ítems, o un edificio con alrededor de 500 ítems,
𝑚𝑒𝑑𝑖𝑎𝑙𝑢𝑛𝑎𝑠 $22
𝑃𝑟𝑒𝑐𝑖𝑜𝑠 = 𝑔𝑟𝑖𝑠𝑖𝑛𝑒𝑠 = con lo que, en el caso del automóvil, n será 1.700 y en el edificio será
$15
𝑓𝑎𝑐𝑡𝑢𝑟𝑎𝑠 $32 500.
𝑝𝑎𝑛 𝑚𝑖𝑔𝑛𝑜𝑛 $35 Como conclusión, diremos que todo el desarrollo que sigue, que lo
haremos en ℝ2 𝑜 ℝ3 , será válido para ℝ𝑛
Ángulos directores
VECTORES
𝛼, 𝛽 𝑦 𝛾 𝑠𝑜𝑛 𝑙𝑜𝑠 á𝑛𝑔𝑢𝑙𝑜𝑠 𝑞𝑢𝑒 𝑓𝑜𝑟𝑚𝑎 𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑐𝑜𝑛 𝑙𝑎 𝑝𝑎𝑟𝑡𝑒
z 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑗𝑒𝑠 𝑥, 𝑦 𝑦 𝑧, 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒
𝐿𝑜𝑠 𝑐𝑜𝑠𝑒𝑛𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑠𝑜𝑛 𝑙𝑜𝑠 𝑐𝑜𝑠𝑒𝑛𝑜𝑠 𝑑𝑒 𝑑𝑖𝑐ℎ𝑜𝑠 á𝑛𝑔𝑢𝑙𝑜𝑠
𝑎𝑥 𝑎𝑦
cos 𝛼 = cos 𝛽 =
𝑎𝑥2 + 𝑎𝑦2 + 𝑎𝑧2 𝑎𝑥2 + 𝑎𝑦2 + 𝑎𝑧2
𝑎ത
𝑎𝑧 𝛾 𝑎𝑧
cos 𝛾 =
𝛽 𝑎 𝑎𝑥2 + 𝑎𝑦2 + 𝑎𝑧2
𝑦
𝑎𝑥 y
𝛼
𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑞𝑢𝑒 𝑙𝑖𝑔𝑎 𝑙𝑜𝑠 𝑐𝑜𝑠𝑒𝑛𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑢𝑛 𝑣𝑒𝑐𝑡𝑜𝑟
𝒄𝒐𝒔𝟐 𝜶 + 𝒄𝒐𝒔𝟐 𝜷 + 𝒄𝒐𝒔𝟐 𝜸 = 𝟏
x Igualdad y paralelismo de Vectores
- Dos vectores son iguales si tiene igual módulo, dirección y sentido
- Dos vectores son paralelos si sus cosenos directores son iguales 𝒂𝒙 𝒂𝒚 𝒂𝒛 ഥ
𝒂
= = =±
𝑎𝑥 = 𝑎ത cos 𝛼 ; 𝑎𝑦 = 𝑎ത cos 𝛽 ; 𝑎𝑧 = 𝑎ത cos 𝛾 𝒃𝒙 𝒃𝒚 𝒃𝒛 ഥ
𝒃
𝑏𝑥 = 𝑏ത cos 𝛼 ; 𝑏𝑦 = 𝑏ത cos 𝛽 ; 𝑏𝑧 = 𝑏ത cos 𝛾 𝑳𝒂 𝒄𝒐𝒏𝒅𝒊𝒄𝒊ó𝒏 𝒏𝒆𝒄𝒆𝒔𝒂𝒓𝒊𝒂 𝒚 𝒔𝒖𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆 𝒑𝒂𝒓𝒂 𝒒𝒖𝒆 𝒅𝒐𝒔
𝐷𝑖𝑣𝑖𝑑𝑖𝑒𝑛𝑑𝑜 𝑚𝑖𝑒𝑚𝑏𝑟𝑜 𝑎 𝑚𝑖𝑒𝑚𝑏𝑟𝑜 𝑦 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑛𝑑𝑜 𝑞𝑢𝑒 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒔𝒆𝒂𝒏 𝒑𝒂𝒓𝒂𝒍𝒆𝒍𝒐𝒔 𝒆𝒔 𝒒𝒖𝒆 𝒔𝒖𝒔 𝒄𝒐𝒎𝒑𝒐𝒏𝒆𝒏𝒕𝒆𝒔
𝑎ത 𝑦 𝑏ത 𝑠𝑜𝑛 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑠, 𝑛𝑜𝑠 𝑞𝑢𝑒𝑑𝑎 𝒉𝒐𝒎ó𝒍𝒐𝒈𝒂𝒔, 𝒔𝒆𝒂𝒏 𝒑𝒓𝒐𝒑𝒐𝒓𝒄𝒊𝒐𝒏𝒂𝒍𝒆𝒔
VECTORES
Producto escalar, Producto punto o Producto Interno
El producto escalar entre dos vectores, es el número (escalar) que se obtiene al multiplicar el módulo del
primer vector por el módulo del segundo vector por el coseno del ángulo que forman dichos vectores
𝑎ത 𝑎ത . 𝑏ത = 𝑎ത . 𝑏ത cos 𝜃 0° ≤ 𝜃 ≤ 180°
𝜃
𝑎ത . 𝑏ത
𝑏ത 𝑃𝑜𝑑𝑒𝑚𝑜𝑠 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝜃 𝑐𝑜𝑚𝑜 = cos 𝜃
𝑎ത 𝑏 ത
Condición de Perpendicularidad
𝜋
𝑆𝑖 𝜃 = 90° 𝑜 𝜃= ⟹ cos 𝜃 = 0
2
𝑃𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝑠𝑒𝑟á 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑐𝑒𝑟𝑜 𝑠𝑖𝑒𝑛𝑑𝑜 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑦 𝑏ത 𝑛𝑜 𝑛𝑢𝑙𝑜𝑠
𝐿𝑢𝑒𝑔𝑜 𝒂 ഥ=𝟎
ഥ . 𝒃 ⟹ 𝒂 ഥ
ഥ⊥𝒃 𝑒𝑠 𝑙𝑎 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟𝑖𝑑𝑎𝑑
𝑐𝑢𝑎𝑛𝑑𝑜 ℎ𝑎𝑏𝑙𝑎𝑚𝑜𝑠 𝑑𝑒 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠 𝑛𝑜𝑠 𝑟𝑒𝑓𝑒𝑟𝑖𝑚𝑜𝑠 𝑎 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑠𝑜𝑛 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟𝑒𝑠
VECTORES
Expresión cartesiana del producto escalar en R3
𝐶𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑛𝑑𝑜 𝑑𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑦 𝑏ത 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑑𝑜𝑠 𝑒𝑛 𝑠𝑢 𝑓𝑜𝑟𝑚𝑎 𝑐𝑎𝑟𝑡𝑒𝑠𝑖𝑎𝑛𝑎
𝑎ത = 𝑎𝑥 𝑖 ҧ + 𝑎𝑦 𝑗 ҧ + 𝑎𝑧 𝑘ത 𝑦 𝑏ത = 𝑏𝑥 𝑖 ҧ + 𝑏𝑦 𝑗 ҧ + 𝑏𝑧 𝑘ത 𝑎ത . 𝑏ത = 𝑎𝑥 𝑖 ҧ + 𝑎𝑦 𝑗 ҧ + 𝑎𝑧 𝑘ത . (𝑏𝑥 𝑖 ҧ + 𝑏𝑦 𝑗 ҧ + 𝑏𝑧 𝑘)
ത
ത 𝑏ത = 𝑎𝑥 𝑏𝑥 𝑖.ҧ 𝑖 ҧ + 𝑎𝑥 𝑏𝑦 𝑖.ҧ 𝑗 ҧ + 𝑎𝑥 𝑏𝑧 𝑖.ҧ 𝑘ത + 𝑎𝑦 𝑏𝑥 𝑖.ҧ 𝑗 ҧ + 𝑎𝑦 𝑏𝑦 𝑗.ҧ 𝑗 ҧ + 𝑎𝑦 𝑏𝑧 𝑗.ҧ 𝑘ത + 𝑎𝑧 𝑏𝑥 𝑘.

𝑎. ത 𝑖 ҧ + 𝑎𝑧 𝑏𝑦 𝑘.
ത 𝑗 ҧ + 𝑎𝑧 𝑏𝑧 𝑘.
ത 𝑘ത
1 0 0 0 1 0 0 0 1
𝑅𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑎𝑛𝑑𝑜 𝒂 ഥ = 𝒂𝒙 𝒃𝒙 + 𝒂𝒚 𝒃𝒚 + 𝒂𝒛 𝒃𝒛
ഥ .𝒃
𝐸𝑥𝑝𝑟𝑒𝑠𝑖ó𝑛 𝑐𝑎𝑟𝑡𝑒𝑠𝑖𝑎𝑛𝑎 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟:
𝑬𝒔 𝒍𝒂 𝒔𝒖𝒎𝒂𝒕𝒐𝒓𝒊𝒂 𝒅𝒆 𝒍𝒐𝒔 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒆 𝒍𝒂𝒔 𝒄𝒐𝒎𝒑𝒐𝒏𝒆𝒏𝒕𝒆𝒔 𝒉𝒐𝒎ó𝒍𝒐𝒈𝒂𝒔
𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝑒𝑛𝑡𝑟𝑒 𝑣𝑒𝑟𝑠𝑜𝑟𝑒𝑠 𝑦 𝑟𝑒𝑐𝑜𝑟𝑑𝑎𝑛𝑑𝑜 𝑞𝑢𝑒 𝑖 ҧ = 𝑗 ҧ = 𝑘ത = 1

𝑖ҧ . 𝑖ҧ = 1 𝑖 ҧ . 𝑖 ҧ = 𝑖 ҧ 𝑖 ҧ cos 0° = 1
𝑝𝑢𝑒𝑠 𝑖ҧ . 𝑗ҧ = 0 𝑝𝑢𝑒𝑠 𝑖 ҧ . 𝑗 ҧ = 𝑖 ҧ . 𝑗 ҧ cos 90° = 0
𝐷𝑒 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑓𝑜𝑟𝑚𝑎 𝑗 ҧ . 𝑗 ҧ = 𝑘ത . 𝑘ത = 1 𝑇𝑎𝑚𝑏𝑖é𝑛 𝑖 ҧ . 𝑘ത = 𝑗 ҧ . 𝑖 ҧ = 𝑗 ҧ . 𝑘ത = 𝑘ത . 𝑖 ҧ = 𝑘ത . 𝑗 ҧ = 0
VECTORES
Producto escalar. Ejemplo 1
𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑎ത . 𝑏ത 𝑠𝑖𝑒𝑛𝑑𝑜 𝑎ത = 2 ; −3 ; 1 𝑏ത = −3 ; 2 ; 4
𝑎ത . 𝑏ത = 2 . −3 + −3 . 2 + 1 . 4 = −8
Ejemplo 2
𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑟 𝜃 𝑎ത = 1 ; 3 𝑏ത = (−3 ; 2)
𝑎ത . 𝑏ത 𝑎ത . 𝑏ത
𝑎ത . 𝑏ത = 𝑎ത . 𝑏ത cos 𝜃 ⟹ = cos 𝜃 ⟹ 𝜃 = 𝑎𝑟𝑐𝑜𝑠
𝑎ത 𝑏 ത 𝑎ത 𝑏ത
1 . −3 + 3 . 2 3
𝜃 = 𝑎𝑟𝑐𝑜𝑠 = 𝑎𝑟𝑐𝑜𝑠
12 + 32 . (−3)2 +22 10 . 13
3
𝜃 = 𝑎𝑟𝑐𝑜𝑠 = 74°
130
VECTORES
Proyección Ortogonal
En algunas circunstancias es útil descomponer un vector como la suma de dos vectores perpendiculares
𝑎ത = 𝑤1 + 𝑤2
𝑤2 𝑎ത
𝑤1 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑦𝑒𝑐𝑐𝑖ó𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑑𝑒 𝑎ത 𝑠𝑜𝑏𝑟𝑒 𝑏ത
𝑤2 𝑒𝑠 𝑙𝑎 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑑𝑒 𝑎ത 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑎 𝑏ത
𝑤1 𝑏ത
𝑆𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑛 𝑐𝑜𝑚𝑜
𝑎ത . 𝑏ത
𝑤1 = 2 . 𝑏ത
𝑏ത
𝑎ത . 𝑏ത
𝑤2 = 𝑎ത − 2 . 𝑏ത
𝑏ത
𝑉𝑒𝑟 𝑑𝑒𝑚𝑜𝑠𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑎𝑝𝑢𝑛𝑡𝑒
VECTORES
Producto Vectorial
Si queremos mover una tuerca con una llave notaremos que el sentido en el que avanza la tuerca es
perpendicular a la llave que se emplea y a la fuerza aplicada, y además intuitivamente nos podemos dar
cuenta de que cuanto mayor es la distancia entre la fuerza aplicada y el punto de apoyo (llave más larga) y
cuanto mayor es la intensidad de la fuerza aplicada más fácil es mover la tuerca por lo que tenemos en juego
tres vectores,
- El vector que caracteriza a la distancia del punto de apoyo a la fuerza,
- La fuerza que se aplica
- Un vector perpendicular a ambos que describe el movimiento de la
tuerca.
¿Existe algún modelo matemático que describa la situación?.
Sí, el producto vectorial.
Esta operación que permite obtener al vector que caracteriza el

movimiento de la tuerca,
se denomina vector momento : m = F x d.
VECTORES
Producto Vectorial. Producto Cruz. Producto Externo
𝑆𝑒 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑒𝑛𝑡𝑟𝑒 𝑑𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑦 𝑏ത 𝑎𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑐ҧ 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟 𝑎𝑙 𝑝𝑙𝑎𝑛𝑜 𝑞𝑢𝑒 𝑒𝑙𝑙𝑜𝑠 𝑓𝑜𝑟𝑚𝑎𝑛
𝑞𝑢𝑒 𝑡𝑖𝑒𝑛𝑒 𝑝𝑜𝑟 𝑚ó𝑑𝑢𝑙𝑜 𝑎𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑚ó𝑑𝑢𝑙𝑜𝑠 𝑑𝑒 𝑎ത 𝑦 𝑏ത 𝑝𝑜𝑟 𝑒𝑙 𝑠𝑒𝑛𝑜 𝑑𝑒𝑙 á𝑛𝑔𝑢𝑙𝑜 𝑞𝑢𝑒 𝑓𝑜𝑟𝑚𝑎𝑛 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑙𝑜𝑠
𝒂 ഥ= 𝒂
ഥ𝒙𝒃 ഥ 𝒔𝒆𝒏 𝜽
ഥ . 𝒃 𝟎° ≤ 𝜽 ≤ 𝟏𝟖𝟎°
𝐻𝑒𝑚𝑜𝑠 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑜 𝑚ó𝑑𝑢𝑙𝑜 𝑦 𝑑𝑖𝑟𝑒𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑐,ҧ
𝑐ҧ 𝑎ℎ𝑜𝑟𝑎 𝑐𝑢á𝑙 𝑠𝑒𝑟á 𝑠𝑢 𝑠𝑒𝑛𝑡𝑖𝑑𝑜?
𝑼𝒕𝒊𝒍𝒊𝒛𝒂𝒎𝒐𝒔 𝒍𝒂 𝒓𝒆𝒈𝒍𝒂 𝒅𝒆 𝒍𝒂 𝒎𝒂𝒏𝒐 𝒅𝒆𝒓𝒆𝒄𝒉𝒂
𝑏ത
Si con la mano derecha orientamos el dedo índice con el primer vector y el
𝜃 dedo mayor con el segundo vector, el dedo pulgar extendido nos da el vector
producto vectorial entre ambos vectores.
𝑎ത
Otra forma, es si ponemos la palma de la mano sobre el vector que
premultiplica (𝑎)
ത y la hacemos girar en el sentido del vector que posmultiplica
ത la posición del dedo gordo nos dará el sentido del vector resultante
(𝑏),
El módulo del vector que representa el producto vectorial es igual al área del
paralelogramo construido con los vectores que intervienen en dicho producto
vectorial.
Si quieren repasar vean este video
https://www.youtube.com/watch?v=-2ELkfk2FGw
VECTORES
Producto Vectorial
Condición de paralelismo
El producto de dos vectores es igual a cero cuando el ángulo formado por los vectores es igual a 0° 𝑜 180°
𝑆𝑖 𝑎ത 𝑥 𝑏ത = 0 ⟹ 𝑎ത || 𝑏ത 𝑦𝑎 𝑞𝑢𝑒 𝑠𝑒𝑛 0° = 𝑠𝑒𝑛 180° = 0
Ninguno de los vectores es el vector nulo
Propiedades
1) 𝑎ത 𝑥 𝑏ത = −𝑏ത 𝑥 𝑎ത 𝑎𝑛𝑡𝑖𝑐𝑜𝑚𝑛𝑢𝑡𝑎𝑡𝑖𝑣𝑎
2) 𝑎ത 𝑥 𝑏ത + 𝑐ҧ = 𝑎ത 𝑥 𝑏ത + 𝑎ത 𝑥 𝑐ҧ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑎 𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑠𝑢𝑚𝑎

3) 𝑎ത + 𝑏ത 𝑥 𝑐ҧ = 𝑎ത 𝑥 𝑐ҧ + 𝑏ത 𝑥 𝑐ҧ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑎 𝑎 𝑑𝑒𝑟𝑒𝑐ℎ𝑎 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑠𝑢𝑚𝑎
4) 𝜆 𝑎ത 𝑥 𝑏ത = 𝜆𝑎ത 𝑥 ഥ𝑏 = 𝑎ത 𝑥 𝜆𝑏ത 𝐴𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑎 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑟 𝑒𝑠𝑐𝑎𝑙𝑎𝑟

5) 𝑎ത 𝑥 0ത = 0ത 𝑥 𝑎ത = 0ത
6) 𝑎ത 𝑥 𝑎ത = 0ത
VECTORES
Producto Vectorial
Expresión cartesiana
𝐶𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑛𝑑𝑜 𝑑𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑦 𝑏ത 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑑𝑜𝑠 𝑒𝑛 𝑠𝑢 𝑓𝑜𝑟𝑚𝑎 𝑐𝑎𝑟𝑡𝑒𝑠𝑖𝑎𝑛𝑎
𝑎ത = 𝑎𝑥 𝑖 ҧ + 𝑎𝑦 𝑗 ҧ + 𝑎𝑧 𝑘ത 𝑦 𝑏ത = 𝑏𝑥 𝑖 ҧ + 𝑏𝑦 𝑗 ҧ + 𝑏𝑧 𝑘ത 𝑎ത 𝑥 𝑏ത = 𝑎𝑥 𝑖 ҧ + 𝑎𝑦 𝑗 ҧ + 𝑎𝑧 𝑘ത 𝑥 (𝑏𝑥 𝑖 ҧ + 𝑏𝑦 𝑗 ҧ + 𝑏𝑧 𝑘)
ത
ത 𝑏ത = 𝑎𝑥 𝑏𝑥 𝑖𝑥
𝑎𝑥 ҧ 𝑖 ҧ + 𝑎𝑥 𝑏𝑦 𝑖𝑥 ҧ 𝑘ത + 𝑎𝑦 𝑏𝑥 𝑗𝑥
ҧ 𝑗 ҧ + 𝑎𝑥 𝑏𝑧 𝑖𝑥 ҧ 𝑖 ҧ + 𝑎𝑦 𝑏𝑦 𝑗𝑥 ҧ 𝑘ത + 𝑎𝑧 𝑏𝑥 𝑘𝑥
ҧ 𝑗 ҧ + 𝑎𝑦 𝑏𝑧 𝑗𝑥 ത 𝑖 ҧ + 𝑎𝑧 𝑏𝑦 𝑘𝑥
ത 𝑗 ҧ + 𝑎𝑧 𝑏𝑧 𝑘𝑥
ത 𝑘ത
0 𝑘ത −𝑗 ҧ −𝑘ത 0 𝑖ҧ 𝑗ҧ −𝑖 ҧ 0
𝑅𝑒𝑎𝑔𝑟𝑢𝑝𝑎𝑛𝑑𝑜 𝑒𝑛 𝑙𝑜𝑠 𝑣𝑒𝑟𝑠𝑜𝑟𝑒𝑠 ഥ = 𝒂𝒚 𝒃𝒛 − 𝒂𝒛 𝒃𝒚 𝒊ҧ + 𝒂𝒛 𝒃𝒙 − 𝒂𝒙 𝒃𝒛 𝒋ҧ + (𝒂𝒙 𝒃𝒚 − 𝒂𝒚 𝒃𝒙 )𝒌

ഥ𝒙𝒃
𝒂 ഥ
𝑅𝑒𝑛𝑜𝑚𝑏𝑟𝑎𝑛𝑑𝑜 𝑙𝑎𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 ഥ𝒙𝒃

𝒂 ഥ = 𝒄𝟏 𝒊ҧ + 𝒄𝟐 𝒋 ҧ + 𝒄𝟑 𝒌
ഥ
𝒆𝒙𝒑𝒓𝒆𝒔𝒊ó𝒏 𝒄𝒂𝒓𝒕𝒆𝒔𝒊𝒂𝒏𝒂
𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑒𝑛𝑡𝑟𝑒 𝑣𝑒𝑟𝑠𝑜𝑟𝑒𝑠 𝑦 𝑟𝑒𝑐𝑜𝑟𝑑𝑎𝑛𝑑𝑜 𝑞𝑢𝑒 𝑖 ҧ = 𝑗 ҧ = 𝑘ത = 1
𝑖ҧ 𝑥 𝑖ҧ = 0 𝑝𝑢𝑒𝑠𝑖 ҧ 𝑥 ത𝑖 = 𝑖 ҧ 𝑖 ҧ sen 0° = 0 𝐷𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑚𝑜𝑑𝑜 ത𝑖 𝑗ҧ 𝑘ത
𝐷𝑒 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑓𝑜𝑟𝑚𝑎 𝑗 ҧ 𝑥 𝑗 ҧ = 𝑘ത 𝑥 𝑘ത = 0 ҧ 𝑗 ҧ = 𝑘ത ; 𝑗𝑥ҧ 𝑘ത = 𝑖 ҧ ; 𝑘𝑥
𝑖𝑥 ത 𝑖ҧ = 𝑗ҧ ത𝑖 0 𝑘ത -𝑗 ҧ
𝑠𝑒𝑛𝑡𝑖𝑑𝑜 𝑑𝑒 𝑔𝑖𝑟𝑜 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜
𝐸𝑛 𝑐𝑎𝑚𝑏𝑖𝑜 𝑖 ҧ 𝑥 𝑗 ҧ = 𝑖 ҧ 𝑗 ҧ sen 90° = 𝑘ത 𝑗ҧ −𝑘ത 0 ത𝑖
ҧ 𝑘ത = −𝑗 ҧ ; 𝑘𝑥
𝑖𝑥 ത 𝑗 ҧ = −𝑖 ҧ ; 𝑗𝑥ҧ 𝑖 ҧ = −𝑘ത
𝑉𝑒𝑐𝑡𝑜𝑟 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟 𝑘ത 𝑗ҧ - ത𝑖 0
𝑠𝑒𝑛𝑡𝑖𝑑𝑜 𝑑𝑒 𝑔𝑖𝑟𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜
VECTORES
Ejemplo
Podemos utilizar determinantes para calcular el vector producto vectorial
𝑖ҧ 𝑗ҧ 𝑘ത 𝑉𝑒𝑟𝑠𝑜𝑟𝑒𝑠
𝑎ത 𝑥 𝑏ത = 𝑎𝑥 𝑎𝑦 𝑎𝑧 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑑𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑞𝑢𝑒 𝑝𝑟𝑒𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎
𝑏𝑥 𝑏𝑦 𝑏𝑧 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑑𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑞𝑢𝑒 𝑝𝑜𝑠𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎
𝑎ത = 0 ; 1 ; −4 𝑏ത = 2 ; −1 ; 1 𝑎ത 𝑥 𝑏ത =?
𝑖ҧ 𝑗ҧ 𝑘ത 1 −4 0 −4 +𝑘ത 0 1
𝑎ത 𝑥 ഥ𝑏 = 0 1 −4 = + 𝑖 ҧ −𝑗 ҧ
−1 1 2 1 2 −1
2 −1 1
1 −4 0 −4 0 1 ത − 2)
= +𝑖 ҧ − 𝑗ҧ + 𝑘ത = 𝑖 ҧ 1 − 4 −𝑗 ҧ 0 + 8 +𝑘(0
−1 1 2 1 2 −1
ഥ = −𝟑𝒊ҧ − 𝟖𝒋 ҧ − 𝟐𝒌
ഥ𝒙𝒃
𝒂 ഥ
VECTORES
Producto Mixto
𝑆𝑒 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑚𝑖𝑥𝑡𝑜 𝑑𝑒 3 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑏ത 𝑦 𝑐ҧ 𝑦 𝑠𝑒 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑝𝑜𝑟 𝑎ത 𝑥 𝑏ത . 𝑐ҧ 𝑎𝑙 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜
𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑦 𝑏ത 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑑𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑚𝑒𝑛𝑡𝑒 𝑝𝑜𝑟 𝑐ҧ
𝐸𝑙 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑚𝑖𝑥𝑡𝑜 𝑒𝑠 𝑒𝑙 𝑣𝑜𝑙𝑢𝑚𝑒𝑛 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑒𝑝í𝑝𝑒𝑑𝑜

𝑐𝑜𝑠𝑡𝑟𝑢𝑖𝑑𝑜 𝑝𝑜𝑟 𝑙𝑜𝑠 3 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠
𝑣ҧ = 𝑎ത 𝑥 ഥ𝑏
𝑎ത 𝑥 𝑏ത = 𝑎ത 𝑏ത 𝑠𝑒𝑛 𝜃 = 𝑆𝑢𝑝 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑜
𝜑𝑐ҧ
𝑏ത 𝑣ҧ . 𝑐ҧ = 𝑣ҧ 𝑐ҧ cos 𝜑 = 𝑣ҧ . ℎ = 𝑆𝑢𝑝 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑜 . ℎ = 𝑉𝑜𝑙𝑢𝑚𝑒𝑛
ℎ
𝜃 𝑆𝑖 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑣𝑜𝑙𝑢𝑚𝑒𝑛 𝑒𝑠 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝜑 > 90°
𝑎ത
Expresión cartesiana
𝑃𝑟𝑜𝑐𝑒𝑑𝑒𝑚𝑜𝑠 𝑎 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑟 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑎ത 𝑦 𝑏ത 𝑒𝑛 𝑓𝑜𝑟𝑚𝑎 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑦 𝑙𝑢𝑒𝑔𝑜 𝑒𝑙 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑒𝑛 𝑓𝑜𝑟𝑚𝑎 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝑝𝑜𝑟 𝑐ҧ
𝑎ത 𝑥 𝑏ത = 𝑎𝑦 𝑏𝑧 − 𝑎𝑧 𝑏𝑦 𝑖 ҧ + 𝑎𝑧 𝑏𝑥 − 𝑎𝑥 𝑏𝑧 𝑗 ҧ + 𝑎𝑥 𝑏𝑦 − 𝑎𝑦 𝑏𝑥 𝑘ത 𝑦 𝑐ҧ = 𝑐𝑥 𝑖 ҧ + 𝑐𝑦 𝑗 ҧ + 𝑐𝑧 𝑘ത
ഥ . 𝒄ത = 𝒂𝒚 𝒃𝒛 − 𝒂𝒛 𝒃𝒚 𝒄𝒙 + 𝒂𝒛 𝒃𝒙 − 𝒂𝒙 𝒃𝒛 𝒄𝒚 + 𝒂𝒙 𝒃𝒚 − 𝒂𝒚 𝒃𝒙 𝒄𝒛
ഥ𝒙𝒃
𝒂
𝐸𝑠 𝑙𝑎 𝑠𝑢𝑚𝑎𝑡𝑜𝑟𝑖𝑎 𝑑𝑒 𝑙𝑎𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 ℎ𝑜𝑚ó𝑙𝑜𝑔𝑎𝑠
VECTORES
𝐸𝑛 𝑢𝑛 𝑜𝑟𝑑𝑒𝑛 𝑝𝑟á𝑐𝑡𝑖𝑐𝑜 𝑝𝑜𝑑𝑒𝑚𝑜𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒𝑠 𝑝𝑎𝑟𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑚𝑖𝑥𝑡𝑜
𝒂𝒙 𝒂𝒚 𝒂𝒛
ഥ . 𝒄ത =
ഥ𝒙𝒃
𝒂 𝒃𝒙 𝒃𝒚 𝒃𝒛 Disposición en el
determinante
𝒄𝒙 𝒄𝒚 𝒄𝒛
Orden del producto
Ejemplo
𝑎ത = 1 ; 0 ; 0 𝑏ത = 0 ; 1 ; 1 𝑐ҧ = (0 ; 0 ; 5)
𝟏 𝟎 𝟎
ഥ . 𝒄ത = 𝟎 𝟏 𝟏 = +𝟏 𝟏
ഥ𝒙𝒃
𝒂
𝟏
−𝟎
𝟎 𝟏
+𝟎
𝟎 𝟏
= 𝟓 𝑼𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒅𝒆 𝒗𝒐𝒍𝒖𝒎𝒆𝒏
𝟎 𝟓 𝟎 𝟓 𝟎 𝟎
𝟎 𝟎 𝟓
Combinación lineal
ℎത
𝑎ത = 𝑎1 + 𝑎2 + 𝑎3 (1)
𝑎ത 𝑎1 = p. 𝑒ҧ
𝑎3
𝑎2 = q. 𝑔ҧ (2)
𝑎3 = r. ℎത
𝑎2 𝑔ҧ
𝑎1 Reemplazamos (2) en (1)
𝑎ത = p. 𝑒ҧ + q. 𝑔ҧ + r. ℎത Expresamos el vector 𝑎ത
𝑒ҧ
como combinación lineal de
los vectores 𝑒,ҧ 𝑔ҧ y ℎത
p, q y r son escalares que me permiten

establecer la combinación lineal
Combinación lineal
Dependencia o Independencia Lineal
Los vectores 𝑒,ҧ 𝑔ഥ 𝑦 ℎത serán linealmente independientes
0ത = p. 𝑒ҧ + q. 𝑔ҧ + r. ℎത cuando la única posibilidad de expresar al vector nulo como
combinación lineal de ellos es mediante escalares todos
nulos (solución trivial), es decir: p = q = 𝑟 = 0
Si podemos llegar al vector nulo con coeficientes distintos de 0, los

vectores son linealmente dependientes
Por ejemplo, si tenemos los vectores 𝑢ത = 1,2,3 𝑦 𝑣ҧ = 2,4,6
2𝑢ത + −1 𝑣ҧ = 0 se puede obtener el vector nulo como combinación

lineal de los vectores 𝑢ത y 𝑣ഥ través de los
escalares 2 y -1.
Rectas
Unidad 2
Álgebra y Geometría Analítica

Geometría Analítica
Es una parte de la matemática que tiene por objeto el
estudio y análisis de los lugares geométricos
(deducción de ecuaciones y construcción de gráficas)
Lugares geométricos (Son figuras cuyos puntos cumplen

dos condiciones)
• Todo punto de la figura goza de una propiedad determinada
• Todo punto que goza de esa propiedad pertenece a la figura
RECTA
DEFINICIÓN: Es el lugar geométrico de todos los puntos, tales que,
pasando por un punto de coordenadas conocidas, se encuentran
sobre una misma dirección, dada por un vector conocido
𝑦
𝑎ത 𝑃 𝑥; 𝑦 𝑝𝑢𝑛𝑡𝑜 𝑔𝑒𝑛𝑒𝑟𝑖𝑐𝑜
Representa a los infinitos puntos de la recta
𝑃(𝑥; 𝑦)
𝑃1 𝑥1 ; 𝑦1 𝑝𝑢𝑛𝑡𝑜 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜
𝑃1 (𝑥1 ; 𝑦1 )
𝑎ത vector dirección
𝑂 𝑥
Ecuaciones de la RECTA
𝑃 𝑥; 𝑦 𝑝𝑢𝑛𝑡𝑜 𝑔𝑒𝑛é𝑟𝑖𝑐𝑜 𝑃1 𝑥1 ; 𝑦1 𝑝𝑢𝑛𝑡𝑜 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝑎ത vector dirección
Representa a los infinitos puntos de la recta λ: parámetro
−∞ < λ < ∞
𝑦
𝑂𝑃 = 𝑂𝑃1 + 𝑃1 𝑃
𝑎ത
𝑃1 𝑃 𝑎ത ∴ 𝑃1 𝑃 = λ𝑎ത
λ𝑎ത 𝑃(𝑥; 𝑦)
𝑂𝑃 = 𝑂𝑃1 + λ𝑎ത
𝑃1 (𝑥1 ; 𝑦1 )
𝑂 𝑥
−∞ < λ < ∞
𝑦
𝑂𝑃 = 𝑂𝑃1 + 𝑃1 𝑃
𝑎ത
𝑦 𝑃1 𝑃 𝑎ത ∴ 𝑃1 𝑃 = λ𝑎ത
λ𝑎ത 𝑃(𝑥; 𝑦)
𝑦1 𝑂𝑃 = 𝑂𝑃1 + λ𝑎ത
𝑃1 (𝑥1 ; 𝑦1 ) 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒑𝒂𝒓𝒂𝒎é𝒕𝒓𝒊𝒄𝒂
𝑂𝑃 = x − 0 𝑖 ҧ + (𝑦 − 0) 𝑗 ҧ = 𝑥 𝑖 ҧ + 𝑦𝑗 ҧ = (𝑥; 𝑦)
𝑎2 𝑎ത
𝑂𝑃1 = 𝑥1 − 0 𝑖 ҧ + (𝑦1 − 0) 𝑗 ҧ = 𝑥1 𝑖 ҧ + 𝑦1 𝑗 ҧ = (𝑥1 ; 𝑦1 )
𝑂 𝑥1 𝑎1 𝑥 𝑥
λ 𝑎ത =λ(𝑎1 − 0) 𝑖 ҧ + 𝑎2 − 0 𝑗 ҧ = λ 𝑎1 𝑖 ҧ + 𝑎2 𝑗 ҧ = λ(𝑎1 ; 𝑎2 )
Expresándola con las componentes (𝑥; 𝑦) = (𝑥1 ; 𝑦1 ) + λ(𝑎1 ; 𝑎2 )
Despejando λ
𝑥 − 𝑥1 𝑦 − 𝑦1 𝑅2
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒑𝒂𝒓𝒂𝒎é𝒕𝒓𝒊𝒄𝒂 =
𝑎1 𝑎2
(𝑥; 𝑦) = (𝑥1 ; 𝑦1 ) + λ(𝑎1 ; 𝑎2 ) 𝑅2
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒔𝒊𝒎é𝒕𝒓𝒊𝒄𝒂
(𝑥; 𝑦; 𝑧) = (𝑥1 ; 𝑦1 ; 𝑧1 ) + λ (𝑎1 ; 𝑎2 ; 𝑎3 ) 𝑅3 𝑥 − 𝑥1 𝑦 − 𝑦1 𝑧 − 𝑧1
= = 𝑅3
𝑎1 𝑎2 𝑎3
𝑥 = 𝑥1 + λ 𝑎1 Igualando las
2
𝑦 = 𝑦1 + λ 𝑎2 𝑅 𝑦 − 𝑦1 = 𝑎2 𝑥 − 𝑥1
componentes
homólogas
𝑎1
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒄𝒂𝒓𝒕𝒆𝒔𝒊𝒂𝒏𝒂 𝒑𝒂𝒓𝒂𝒎é𝒕𝒓𝒊𝒄𝒂
𝑥 = 𝑥1 + λ 𝑎1 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒄𝒕𝒂 𝒒𝒖𝒆 𝒑𝒂𝒔𝒂 𝒑𝒐𝒓 𝒖𝒏 𝒑𝒖𝒏𝒕𝒐
𝑦 = 𝑦1 + λ 𝑎2 𝑅 3
𝑧 = 𝑧1 + λ 𝑎3
−∞ < λ < ∞
𝑦 𝑂𝑃 = 𝑂𝑃1 + 𝑃1 𝑃
𝑎ത
𝑃1 𝑃 𝑎ത ∴ 𝑃1 𝑃 = λ𝑎ത
𝑦 λ𝑎ത 𝑃(𝑥; 𝑦) 𝑂𝑃 = 𝑂𝑃1 + λ𝑎ത
𝑦1 𝛼 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒑𝒂𝒓𝒂𝒎é𝒕𝒓𝒊𝒄𝒂
𝑃1 (𝑥1 ; 𝑦1 ) 𝑠𝑒𝑛 𝛼 𝑎2
𝑡𝑔𝛼 = = =m
cos 𝛼 𝑎1
𝑎2 𝑎ത 𝑂𝑃 = x − 0 𝑖 ҧ + (𝑦 − 0) 𝑗 ҧ = 𝑥 𝑖 ҧ + 𝑦𝑗 ҧ = (𝑥; 𝑦)
𝛼 𝑂𝑃1 = 𝑥1 − 0 𝑖 ҧ + (𝑦1 − 0) 𝑗 ҧ = 𝑥1 𝑖 ҧ + 𝑦1 𝑗 ҧ = (𝑥1 ; 𝑦1 )
𝑂 𝑥1 𝑎1 𝑥 𝑥
λ 𝑎ത = (𝑎1 − 0) 𝑖 ҧ + 𝑎2 − 0 𝑗 ҧ = λ 𝑎1 𝑖 ҧ + 𝑎2 𝑗 ҧ = λ(𝑎1 ; 𝑎2 )
Expresándola con las componentes (𝑥; 𝑦) = (𝑥1 ; 𝑦1 ) + λ(𝑎1 ; 𝑎2 )
Despejando λ
𝑥 − 𝑥1 𝑦 − 𝑦1 𝑅2
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒑𝒂𝒓𝒂𝒎é𝒕𝒓𝒊𝒄𝒂 =
𝑎1 𝑎2
(𝑥; 𝑦) = (𝑥1 ; 𝑦1 ) + λ(𝑎1 ; 𝑎2 ) 𝑅2
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒔𝒊𝒎é𝒕𝒓𝒊𝒄𝒂
(𝑥; 𝑦; 𝑧) = (𝑥1 ; 𝑦1 ; 𝑧1 ) + λ (𝑎1 ; 𝑎2 ; 𝑎3 ) 𝑅3 𝑥 − 𝑥1 𝑦 − 𝑦1 𝑧 − 𝑧1
= = 𝑅3
𝑎1 𝑎2 𝑎3
𝑥 = 𝑥1 + λ 𝑎1 Igualando las
2
𝑦 = 𝑦1 + λ 𝑎2 𝑅 𝑦 − 𝑦1 = 𝑎2 𝑥 − 𝑥1
componentes
homólogas
𝑎1
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒄𝒂𝒓𝒕𝒆𝒔𝒊𝒂𝒏𝒂 𝒑𝒂𝒓𝒂𝒎é𝒕𝒓𝒊𝒄𝒂
𝑥 = 𝑥1 + λ 𝑎1 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒄𝒕𝒂 𝒒𝒖𝒆 𝒑𝒂𝒔𝒂 𝒑𝒐𝒓 𝒖𝒏 𝒑𝒖𝒏𝒕𝒐
𝑦 = 𝑦1 + λ 𝑎2 𝑅 3
𝑦 − 𝑦1 = 𝑚 𝑥 − 𝑥1
𝑧 = 𝑧1 + λ 𝑎3
𝑚: 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎
𝑦 − 𝑦1 = 𝑚 𝑥 − 𝑥1 𝑦 − 𝑦1 = 𝑚 𝑥 − 𝑥1 𝑚 = 𝑎2 = 𝑦2 − 𝑦1
𝑎1 𝑥2 − 𝑥1
𝑦 = 𝑚x − 𝑚𝑥1 + 𝑦1 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒄𝒕𝒂 𝒒𝒖𝒆 𝒑𝒂𝒔𝒂 𝒑𝒐𝒓 𝒅𝒐𝒔 𝒑𝒖𝒏𝒕𝒐𝒔
𝑦2
𝑏
ord. al origen 𝑦 − 𝑦1 = 𝑦2 − 𝑦1 𝑥 − 𝑥1 𝑦1
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒆𝒙𝒑𝒍í𝒄𝒊𝒕𝒂 𝑥2 − 𝑥1
𝑦 = 𝑚x + b 𝑥1 𝑥2
𝑦 − 𝑚x − b = 0 Dividimos por –C
𝐴 𝐵 𝐶
𝑥+ y+ =0
−𝐶 −𝐶 −𝐶
Multiplicamos por B 𝐵𝑦 − 𝐵𝑚x − Bb = 0 1 1
𝑥+ y=1
𝐴 𝐶 −𝐶 −𝐶 𝑏
𝐴 𝐵
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝒐 𝒈𝒆𝒏𝒆𝒓𝒂𝒍
−𝐶 −𝐶 1 1
=𝑎; =𝑏 𝑎
A𝑥 + 𝐵y + 𝐶 = 0 𝐴 𝐵 𝑥+ y=1
A: positivo (+) 𝑎 𝑏
A; B; C enteros
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒔𝒆𝒈𝒎𝒆𝒏𝒕𝒂𝒓𝒊𝒂
Ejemplo
Hallar la ecuación de la recta que pasa por el punto M (-3; 1) y tiene la dirección del vector 𝑎ത (5; 4). Expre
se la misma en sus formas vectorial, paramétrica, simétrica, general o implícita, explícita y segmentaría.
Solución:
La ecuación de la recta en su forma vectorial está dada por: 𝑂𝑃 = 𝑂𝑀 + 𝜆𝑎, ത en donde el vector 𝑂𝑃 está defin
ido por las coordenadas del origen del sistema de coordenadas cartesianas (0, 0) y el punto genérico “P” de coo
rdenadas (x ; y) y el vector 𝑂𝑀 por las coordenadas del origen del sistema (0 , 0) y las coordenadas del punto
M(-3; 1), y el vector “𝑎ത ” por sus componentes (𝑎1 ; 𝑎2 ) = (5 ; 4), o sea determinando los vectores:
𝑥 − 𝑥0 = 𝑥 − 0 = 𝑥 𝑥𝑀 −𝑥𝑂 = −3 − 0 = −3
𝑂𝑃 = ; 𝑂𝑀 =
𝑦 − 𝑦0 = 𝑦 − 0 = 𝑦 𝑦𝑀 − 𝑦𝑂 = 1 − 0 = 1
y sustituyendo en la ecuación dada en su forma vectorial resulta:
𝑥, 𝑦 = −3,1 + 𝜆(5,4)
a ésta última expresión podemos también escribirla:
𝑥 − 𝑥0 = 𝑥𝑀 − 𝑥0 − a1 x = 𝑥𝑀 − a1 x = −3 + 5 𝜆
𝑦 − 𝑦0 = 𝑦𝑀 − 𝑦0 − a2 y = 𝑦𝑀 − a2 y=1+4𝜆
de donde resulta la ecuación de la recta en su forma paramétrica. y esta última expresión también puede ser
escrita como:
𝑥+3
𝑥 + 3 = 5𝜆 =𝜆 𝑥+3 𝑦−1
⟹ 5 ⟹ = 𝐹𝑜𝑟𝑚𝑎 𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎
𝑦 − 1 = 4𝜆 𝑦−1 5 4
=𝜆
4
si ahora tomamos la última ecuación y la escribimos:
4 𝑥+3 =5 𝑦−1 ⇒ 4𝑥 + 12 = 5𝑦 − 5 ⇒ 4𝑥 − 5𝑦 + 12 + 5 = 0
de donde resulta
4𝑥 − 5𝑦 + 17 = 0 𝑓𝑜𝑟𝑚𝑎 𝑮𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 𝒊𝒎𝒑𝒍í𝒄𝒊𝒕𝒂
y de esta última fórmula: 4 17
4𝑥 + 17 = 5𝑦 ⇒ 𝑦 = 𝑥 + 𝐹𝑜𝑟𝑚𝑎 𝒆𝒙𝒑𝒍í𝒄𝒊𝒕𝒂
5 5 17
si en esta última igualdad hacemos x = 0 , resulta:  𝑦 = que es la ordenada al origen, si en cambio e
5
17
s: y = 0 resulta  𝑥 = − que es la abscisa al origen y con estos dos valores de ordenada y abscisa al
4
origen, podemos escribir:
𝑥 𝑦 𝑥 𝑦
+ =1 ⟹ + =1 𝑞𝑢𝑒 𝑒𝑠 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑠𝑢 𝑓𝑜𝑟𝑚𝑎 𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑎𝑟𝑖𝑎
𝑎 𝑏 17 17
−
4 5
Ángulo de dos rectas
𝑟1 (𝑎1 ; 𝑎2 ) 𝑟2 (𝑏1 ; 𝑏2 )
𝑦 𝑟2 Aplicando el producto escalar

Podemos determinar el ángulo ∝
𝑟1ҧ . 𝑟2ҧ = 𝑟1ҧ 𝑟2ҧ cos 𝛼
𝛼 𝑟1 𝑟1ҧ . 𝑟2ҧ
cos 𝛼 =
𝑟1ҧ 𝑟2ҧ
𝑎1 𝑏1 + 𝑎2 𝑏2
cos 𝛼 =
𝑎1 2 + 𝑎2 2 𝑏1 2 + 𝑏2 2
0 𝑥
𝑎1 𝑏1 + 𝑎2 𝑏2
𝛼 = arccos
𝑎1 2 + 𝑎2 2 𝑏1 2 + 𝑏2 2
𝑟2 Por trigonometría 𝛼 = 𝛼2 − 𝛼1
𝑦
𝛼
𝑟1 tan 𝛼2 − tan 𝛼1
tan 𝛼 = tan( 𝛼2 − 𝛼1 ) =
1 + tan 𝛼1 tan 𝛼2
𝑚2 − 𝑚1
tan 𝛼 =
1 + 𝑚1 𝑚2
𝛼1 𝛼2
0 𝑥 𝑚2 − 𝑚1
𝛼 = 𝑎𝑟𝑐𝑡𝑎𝑛
1 + 𝑚1 𝑚2
Condiciones de perpendicularidad
1 + 𝑚1 𝑚2
𝑟1 𝑟2 𝛼 = 90° 𝑐𝑜𝑡𝑎𝑛 90° = 0 0= 1 + 𝑚1 𝑚2 = 0
𝑚2 − 𝑚1
−1
𝑚1 =
𝑚2
𝑎1 𝑏1 + 𝑎2 𝑏2
𝛼 = 90° cos 𝛼 = 0 0=
𝑎1 𝑏1 + 𝑎2 𝑏2 = 0
𝑎1 2 + 𝑎2 2 𝑏1 2 + 𝑏2 2
Condiciones de paralelismo
𝑟1 𝑟2 𝑟1 = 𝑘 𝑟2
𝑟1 (𝑎1 ; 𝑎2 ) 𝑎1 𝑖 ҧ + 𝑎2 𝑗 ҧ = 𝑘(𝑏1 𝑖 ҧ + 𝑏2 𝑗)ҧ 𝑎1 = 𝑘 𝑏1 𝑎1 𝑎2

𝑘= =
𝑟2 (𝑏1 ; 𝑏2 ) 𝑎2 = 𝑘 𝑏2 𝑏1 𝑏2
Familia o haz de rectas
Satisfacen una unica condición geométrica
Rectas paralelas Rectas concurrentes

𝑦 𝑦
𝑦1
0 𝑥 0 𝑥1 𝑥
𝒚 = 𝒎𝒙 + 𝒌 𝑦 − 𝑦1 = 𝑘 (𝑥 + 𝑥1 )
−∞ < 𝑘 < ∞
−∞ < 𝑘 < ∞
k: constante arbitraria
Tienen la misma pendiente o coeficiente Pasan por un punto y tienen distintas
angular pendientes
Satisfacen una unica condición geométrica
Rectas que pasan por el punto intersección de otras dos
𝑦
𝑟1 𝑟2 𝑟1 : 𝐴1 𝑥 + 𝐵1 y + 𝐶1 = 0
𝑟2 : 𝐴2 𝑥 + 𝐵2 y + 𝐶2 = 0
Determinamos la ecuación de cualquier recta que pasa por

la intersección de otras dos sin conocer el punto
0 𝑥
𝐴1 𝑥 + 𝐵1 y + 𝐶1 + 𝑘(𝐴2 𝑥 + 𝐵2 y + 𝐶2 ) = 0 −(𝐴1 + 𝑘𝐴2 ) (𝐶1 + 𝑘𝐶2 )

y= 𝑥−
(𝐵1 +𝑘𝐵2 ) (𝐵1 +𝑘𝐵2 )
−∞ < 𝑘 < ∞
(𝐴1 +𝑘𝐴2 )𝑥 + (𝐵1 +𝑘𝐵2 )y + (𝐶1 + 𝑘𝐶2 ) = 0 𝑚 𝑏
Ejemplo
Dadas las rectas 𝑟ഥ1 : 4x + 2y – 13 = 0 y 𝑟ഥ2 : 3x – 7y + 3 = 0 , se pide determinar la ecuación de la recta que
pasando por el punto de intersección de 𝑟ഥ1 y 𝑟ഥ2 sea perpendicular a la recta 𝑟ഥ3 : 2x – y + 4 = 0 , utilizando fa
milias de rectas.
Solución:
La familia de rectas determinada por 𝑟ഥ1 y 𝑟ഥ2 está dada por una ecuación de la forma:
𝑟ഥ1 +  𝑟ഥ2 = 0  4x + 2y – 13 +  (3x – 7y + 3) = 0 
4x + 2y – 13 + 3x -7y + 3 = 0  (4 + 3)x + (2 - 7)y – 13 + 3 = 0
y llamando a esta última ecuación
𝑟ഥ4 : (4 + 3)x + (2 - 7)y – 13 + 3 = 0
vemos que la misma representa la familia de rectas que pasan por la intersección de 𝑟ഥ1 y 𝑟ഥ2 . Esta ecuación
(𝑟ഥ4 ) tiene como vector dirección:
a (a1; a2)  a [(2-7); (4+3)]
y la recta 𝑟ഥ3 , como vector dirección
b (b1, b2)  b (-1; 2)
Recordar que si dos rectas son perpendiculares, el producto escalar de sus vectores dirección tiene que ser
igual a cero, o sea: 𝑎ത . 𝑏ത = a1.b1 + a2.b2 = 0 
(2 - 7) (-1) + (4 + 3) . 2 = -2 + 7 + 8 + 6 = 0  13 + 6 = 0  13 = - 6 
6

13
valor éste que reemplazamos en la ecuación de 𝑟ഥ4 y nos queda:
  6    6   6 
 4  3   13   x   2  7   13   y  13  3   13   0 
       
 18   42  18 34 68 187
4  x  2  y  13  0  x  y  0 
 13   13  13 13 13 13
y multiplicando todo por 13 resulta finalmente:
34 x + 68 y - 187 = 0
Forma Normal de la Ecuación de la RECTA en R2
𝑛ത = 𝐴𝑖 ҧ + 𝐵 𝑗 ҧ 𝑃1 𝑃 = x − 𝑥1 𝑖 ҧ + (𝑦 − 𝑦1 ) 𝑗 ҧ 𝑃1 𝑃 𝑛ത ∴ 𝑃1 𝑃 . 𝑛ത = 0
𝑟: recta que pasa por el punto 𝑃1 y es 𝑃1 𝑃 . 𝑛ത = 𝐴𝑖 ҧ + 𝐵 𝑗 ҧ x − 𝑥1 𝑖 ҧ + 𝑦 − 𝑦1 𝑗 ҧ = 0
perpendicular a un vector 𝑛ത
𝑝∶ Distancia desde el origen hasta la recta 𝐴 x − 𝑥1 + 𝐵 𝑦 − 𝑦1 = 0
en dirección normal
𝐴x − 𝐴𝑥1 + 𝐵𝑦 − 𝐵𝑦1 = 0
𝑦 𝐴x + 𝐵𝑦 − (𝐴𝑥1 + 𝐵𝑦1 ) = 0
𝑟 𝑛(𝐴;
ത 𝐵) Dividiendo por 𝑛ത (módulo del vector normal)
𝐵
𝐴 𝐵 𝐴 𝐵
x+ 𝑦− 𝑥 + 𝑦 =0
𝑛ത 𝑛ത 𝑛ത 1 𝑛ത 1
𝑦1 𝑃1 (𝑥1 ; 𝑦1 ) 𝐴 𝐵
Siendo: = 𝑐𝑜𝑠𝜔 = 𝑠𝑒𝑛𝜔
𝑝 𝑛ത 𝑛ത
𝑦 𝑃(𝑥; 𝑦)
𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − (𝑐𝑜𝑠𝜔 𝑥1 + 𝑠𝑒𝑛𝜔 𝑦1 ) = 0
𝜔
𝑂 𝑥1 𝐴𝑥 𝑥 𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − 𝑝 = 0
Forma Normal de la Ecuación de la RECTA en R2
𝐴 𝐵 𝐴 𝐵
x+ 𝑦− 𝑥1 + 𝑦 =0
𝑦𝑦 𝑛ത 𝑛ത 𝑛ത 𝑛ത 1
𝑟𝑟 𝑛(𝐴;
ത 𝐵)
𝐴 𝐴 𝐵
Siendo: = 𝑐𝑜𝑠𝜔 = 𝑠𝑒𝑛𝜔
𝑛ത 𝑛ത
𝑦𝑦11 𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − (𝑐𝑜𝑠𝜔 𝑥1 + 𝑠𝑒𝑛𝜔 𝑦1 ) = 0

𝑃𝑃11(𝑥
(𝑥11; ;𝑦𝑦11))
𝑝𝑝 𝑐𝑜𝑠𝜔 𝑥1 + 𝑠𝑒𝑛𝜔 𝑦1 = p
𝑃(𝑥; 𝑦)
𝑦𝑦 𝑝2 = 𝑥1 2 + 𝑦1 2
𝜔𝜔
𝑂𝑂 𝑥𝑥11 𝐵𝑥 𝑥𝑥 𝑝𝑝 = 𝑥1 𝑥1 + 𝑦1 𝑦1
𝑥1 𝑦1
𝑥1 𝑦1 𝑝 = 𝑥1 + 𝑦1
𝑐𝑜𝑠𝜔 = 𝑠𝑒𝑛𝜔 = 𝑝 𝑝
𝑝 𝑝
𝑐𝑜𝑠𝜔 𝑥1 + 𝑠𝑒𝑛𝜔 𝑦1 = p
Recta
Transformación de la ecuación general o implícita
a la forma normal
A𝑥 + 𝐵y + 𝐶 = 0 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝒐 𝒈𝒆𝒏𝒆𝒓𝒂𝒍
𝐴 𝐵 𝐴 𝐵
Forma Normal x+ 𝑦− 𝑥1 + 𝑦 =0
𝑛ത 𝑛ത 𝑛ത 𝑛ത 1
𝐴 𝐵 𝐶
x+ 𝑦+ =0
± 𝐴2 + 𝐵2 ± 𝐴2 + 𝐵2 ± 𝐴2 + 𝐵2
𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − 𝑝 = 0 El signo del radical lo escogemos

de modo tal
que el resultado sea −𝑝
Cálculo de la distancia de una recta a un punto
𝑛ത : Vector normal
𝑟0 “𝑝” distancia desde el origen hasta la recta “𝑟”

𝑦
𝑟 𝑛(𝐴;
ത 𝐵) Queremos determinar la distancia “𝑑” desde la recta
𝐴
“𝑟” hasta el punto 𝑃0
𝑃0 (𝑥0 ; 𝑦0 ) " 𝑃0 " pertenece a la recta " 𝑟0 ” que es paralela a “𝑟”
Entonces la ecuación de la recta “𝑟0 ” // a “𝑟” es

𝑝 𝑑
𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − (𝑝 + 𝑑) = 0
𝜔 𝜔
𝑂 𝐵 𝑥 𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − 𝑝 = 𝑑
𝐴 𝐵 𝐶 𝐴𝑥 + 𝐵𝑦 + 𝐶
x+ 𝑦+ =𝑑 𝑑=
± 𝐴2 + 𝐵2 ± 𝐴2 + 𝐵2 ± 𝐴2 + 𝐵2 ± 𝐴2 + 𝐵 2
Iguales consideraciones respecto al signo que las indicadas en la forma normal de la
ecuación de la recta
r ∶ A𝑥 + 𝐵y + 𝐶 = 0 𝑃0 (𝑥0 ; 𝑦0 )
Distancia de la recta “r” al punto 𝑃0
𝐴𝑥0 + 𝐵𝑦0 + 𝐶
𝑑=
± 𝐴2 + 𝐵 2
𝑟
𝑦
𝑦 𝑟
𝑂 𝑥
𝑂 𝑥
𝑃0 𝑦 el origen en ≠ semiplanos respecto de la recta

Interpretación del signo
𝑃0 𝑦 el origen en el mismo semiplano respecto de la rec
Rectas en el espacio
Rectas paralelas Rectas concurrentes
𝑧 𝑧
𝑦 𝑦
𝑥 𝑥
Se intersectan en un plano común
Comparten un mismo plano
Rectas alabeadas
Los planos son
𝑧 paralelos
𝑥 Las rectas no son paralelas y

no tienen intersección
Distancia en 𝑹𝟑 entre un punto y una recta y entre
𝑟
dos rectas paralelas
0
𝑧
𝑟 Queremos determinar la distancia “𝑑” desde
la recta “𝑟” hasta el punto 𝑃0
𝑃0 (𝑥0 ; 𝑦0 ; 𝑧0 ) "𝑃0 " pertenece a la recta " 𝑟0 ” que es paralela a

𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 ) 𝛼 “𝑟”
𝑑 𝑎ത ∶ Dirección de la recta “𝑟” que pasa por el
𝑎ത punto 𝑃1
Considerando el producto vectorial
𝑂 𝑦
𝑎ത = (𝑎1 ; 𝑎2 ; 𝑎3 ) 𝑑 𝑃1 𝑃0 ˄ ഥ𝑎 = 𝑃1 𝑃0 ഥ𝑎 𝑠𝑒𝑛𝛼
𝑠𝑒𝑛𝛼 =
𝑃1 𝑃0 𝑃1 𝑃0 𝑠𝑒𝑛𝛼 = 𝑑
Para la distancia es lo mismo ya que 𝑃1 𝑃0 ˄ ഥ𝑎
podemos decir que 𝑟0 pasa por 𝑃0 𝑃1 𝑃0 ˄ ഥ𝑎 = ഥ𝑎 𝑑 =𝑑
𝑥 ഥ𝑎
Distancia entre dos rectas alabeadas en 𝑹𝟑
Las rectas alabeadas pertenecen a distintos planos y no son paralelas
𝑧 "𝑃1 " pertenece a la recta " 𝑟1 ” y tiene la dirección
𝑟2 de 𝑎1
𝑛ത
𝑎2 "𝑃2 " pertenece a la recta " 𝑟2 ” y tiene la dirección
de 𝑎2
𝑃2 (𝑥2 ; 𝑦2 ; 𝑧2 )
𝑛ത es perpendicular a 𝑟1 y a 𝑟2
𝑟1
𝑑 Por lo que podemos decir que 𝑛ത = 𝑎1 ˄𝑎2
𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 )
La proyección de 𝑃1 𝑃2 sobre la normal (𝑛)
ത es 𝑑
𝑎1
𝑂 𝑦
𝑃1 𝑃2 . 𝑛ത = 𝑃1 𝑃2 𝑛ത cos 𝛼
𝑃1 𝑃2 cos 𝛼 = 𝑑
𝑃1 𝑃2 . (𝑎1 ˄𝑎2 ) 𝑃1 𝑃2 . 𝑛ത
=𝑑 =𝑑
𝑥 𝑎1 ˄𝑎2 𝑃1 𝑃2 . 𝑛ത = 𝑛ത 𝑑 𝑛ത
Plano
Unidad 2
Álgebra y Geometría Analítica

PLANO
Ecuación vectorial del plano determinada por un punto
𝑧 y la dirección de su Normal
𝑃1 𝑥1 ; 𝑦1 ; 𝑧1 𝑝𝑢𝑛𝑡𝑜 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝑦
𝑃 𝑥; 𝑦; 𝑧 𝑝𝑢𝑛𝑡𝑜 𝑔𝑒𝑛𝑒𝑟𝑖𝑐𝑜.
𝑛(𝐴;
ത 𝐵; 𝐶) Ambos pertenecen al plano (𝜋)
𝛾 Definimos el vector 𝑃1 𝑃
𝛽 𝑛ത 𝐴; 𝐵; 𝐶 : Vector normal
𝑃 𝑥; 𝑦; 𝑧
𝑂 𝛼 𝑦
𝑃1 𝑃 𝑛ത ∴ 𝑃1 𝑃 . 𝑛ത = 0
𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 )
𝜋
𝑃1 𝑃 . 𝑛ത = 0
𝑥 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒅𝒆𝒍 𝒑𝒍𝒂𝒏𝒐
PLANO
𝑃1 𝑃 . 𝑛ത = 0
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒅𝒆𝒍 𝒑𝒍𝒂𝒏𝒐
𝑛ത = 𝐴𝑖 ҧ + 𝐵𝑗 ҧ + 𝐶 𝑘ത
𝑃1 𝑃 = x − 𝑥1 𝑖 ҧ + (𝑦 − 𝑦1 ) 𝑗 ҧ + (𝑧 − 𝑧1 ) 𝑘ത
𝑃1 𝑃 . 𝑛ത = 𝐴𝑖 ҧ + 𝐵 𝑗 ҧ + 𝐶 𝑘ത x − 𝑥1 𝑖 ҧ + 𝑦 − 𝑦1 𝑗 ҧ + 𝑧 − 𝑧1 𝑘ത = 0
𝐴 x − 𝑥1 + 𝐵 𝑦 − 𝑦1 + 𝐶 𝑧 − 𝑧1 = 0
𝐴x − 𝐴𝑥1 + 𝐵𝑦 − 𝐵𝑦1 + 𝐶𝑧 − 𝐶𝑧1 = 0
𝐴x + 𝐵𝑦 + 𝐶𝑧 − (𝐴𝑥1 + 𝐵𝑦1 + 𝐶𝑧1 ) = 0
𝐴, 𝐵 𝑦 𝐶 son las componentes de su Normal 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 𝐴, 𝐵 𝑦 𝐶: 𝑒𝑛𝑡𝑒𝑟𝑜𝑠

Números directores 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒈𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝐴: positivo (+)
PLANO
Ecuación segmentaría del plano
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒈𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 Siendo: 𝐴, 𝐵, 𝐶, 𝐷 ≠ 0

Tenemos un plano en cualquier posición en el espacio
Veremos donde se intercepta el plano a los ejes coordenados

𝑧
−𝐷
Si: 𝑦=0 ∧ 𝑧=0 𝐴x + 𝐷 = 0 x= =𝑎
𝐴
𝑎; 0; 0
𝑥
PLANO


𝑧
−𝐷
Si: 𝑦=0 ∧ 𝑧=0 𝐴x + 𝐷 = 0 x= =𝑎
𝐴
−𝐷
𝑥=0 ∧ 𝑧=0 By + 𝐷 = 0 𝑦= =𝑏
𝐵
0; 𝑏; 0
𝑦
𝑎; 0; 0
𝑥
PLANO


𝑧 0; 0; 𝑐 −𝐷
Si: 𝑦=0 ∧ 𝑧=0 𝐴x + 𝐷 = 0 x= =𝑎
𝐴
−𝐷
𝑥=0 ∧ 𝑧=0 By + 𝐷 = 0 𝑦= =𝑏
𝐵
0; 𝑏; 0 −𝐷
𝑥=0 ∧ 𝑦=0 C𝑧 + 𝐷 = 0 𝑧= =c
𝑦 𝐶
𝑎; 0; 0
𝑥
PLANO
−𝐷 −𝐷 −𝐷
x= =𝑎 𝑦= =𝑏 𝑧= =c
𝐴 𝐵 𝐶
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒈𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
En la ecuación general dividiendo por (-D):
𝑧 0; 0; 𝑐
𝐴 𝐵 𝐶 𝐷
x+ 𝑦+ 𝑧+ =0
−𝐷 −𝐷 −𝐷 −𝐷
1 1 1
x+ 𝑦+ 𝑧−1=0
0; 𝑏; 0 −𝐷 −𝐷 −𝐷
𝐴 𝐵 𝐶
𝑦 Los valores de “a”,”b”, ”c”
1 1 1 son las distancias desde el
x+ 𝑦+ 𝑧 =1
𝑎 𝑏 𝑐 origen de coordenadas hasta
𝑎; 0; 0 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝑺𝒆𝒈𝒎𝒆𝒏𝒕𝒂𝒓í𝒂 las intersecciones del plano
𝑥 con cada eje
PLANO
Ecuación vectorial del plano determinado por tres puntos
Por tres puntos no alineados pasa un único plano
Entonces para determinar la ecuación del plano 𝜋:
𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 ); 𝑃2 (𝑥2 ; 𝑦2 ; 𝑧2 ); 𝑃3 (𝑥3 ; 𝑦3 ; 𝑧3 ) tres puntos conocidos
𝑧
𝑃 𝑥; 𝑦; 𝑧 Tendremos también el punto genérico 𝑃 𝑥; 𝑦; 𝑧
𝑃3 (𝑥3 ; 𝑦3 ; 𝑧3 ) Formando los vectores 𝑃1 𝑃 𝑃1 𝑃3 𝑃1 𝑃2
𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 )
𝑃2 (𝑥2 ; 𝑦2 ; 𝑧2 ) Si tres vectores son coplanares, el producto mixto
𝜋 es igual a cero
𝑦
𝑃1 𝑃 . 𝑃1 𝑃2 ∧ 𝑃1 𝑃3 = 0
𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒅𝒂 𝒑𝒐𝒓 𝒕𝒓𝒆𝒔 𝒑𝒖𝒏𝒕𝒐𝒔
𝑥
PLANO
Ecuación vectorial del plano determinado por tres puntos
𝑃1 𝑃 . 𝑃1 𝑃2 ∧ 𝑃1 𝑃3 = 0
𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒅𝒂 𝒑𝒐𝒓 𝒕𝒓𝒆𝒔 𝒑𝒖𝒏𝒕𝒐𝒔
𝑛ത
𝑧 Recordando que 𝑃1 𝑃2 ∧ 𝑃1 𝑃3 = 𝑛ത 𝑛ത 𝑃1 𝑃
𝑃1 𝑃 . 𝑛ത = 0
𝑃3 (𝑥3 ; 𝑦3 ; 𝑧3 )
𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 ) 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 𝒅𝒆𝒍 𝒑𝒍𝒂𝒏𝒐
𝜋 𝑃2 (𝑥2 ; 𝑦2 ; 𝑧2 )
𝑥 − 𝑥1 𝑦 − 𝑦1 𝑧 − 𝑧1
𝑦
𝑃1 𝑃 . 𝑃1 𝑃2 ∧ 𝑃1 𝑃3 = 𝑥2 − 𝑥1 𝑦2 − 𝑦1 𝑧2 − 𝑧1 = 0
𝑥3 − 𝑥1 𝑦3 − 𝑦1 𝑧3 − 𝑧1
𝑥
Ángulo entre planos
𝜋1 : 𝐴1 𝑥 + 𝐵1 𝑦 + 𝐶1 𝑧 + 𝐷1 = 0 𝑛1 =(𝐴1 ; 𝐵1 ; 𝐶1 )
𝜋2 : 𝐴2 𝑥 + 𝐵2 𝑦 + 𝐶2 𝑧 + 𝐷2 = 0 𝑛2 =(𝐴2 ; 𝐵2 ; 𝐶2 )
𝑛2
El ángulo "𝛼 "que forman los planos 𝜋1 y 𝜋2 ,
𝛼 es el mismo que forman sus vectores normales
𝑛1
𝑛1 y 𝑛2
𝜋1
𝛼 Aplicando el producto escalar
Podemos determinar el ángulo ∝
𝑛1 . 𝑛2
𝑛1 . 𝑛2 = 𝑛1 𝑛2 cos 𝛼 cos 𝛼 =
𝜋2 𝑛1 𝑛2
𝐴1 𝐴2 + 𝐵1 𝐵2 + 𝐶1 𝐶2
cos 𝛼 =
𝐴1 2 + 𝐵1 2 + 𝐶1 2 𝐴2 2 + 𝐵2 2 + 𝐶2 2
Condición de perpendicularidad 𝜋1 : 𝐴1 𝑥 + 𝐵1 𝑦 + 𝐶1 𝑧 + 𝐷1 = 0 𝑛1 =(𝐴1 ; 𝐵1 ; 𝐶1 )
𝜋2 : 𝐴2 𝑥 + 𝐵2 𝑦 + 𝐶2 𝑧 + 𝐷2 = 0 𝑛2 =(𝐴2 ; 𝐵2 ; 𝐶2 )
Si: 𝜋1 𝜋2 𝑛1 𝑛2
𝑛2
𝛼 = 90° cos 90° = 0
𝜋1 𝛼
𝛼 𝐴1 𝐴2 + 𝐵1 𝐵2 + 𝐶1 𝐶2
𝑛1 0=
𝐴1 2 + 𝐵1 2 + 𝐶1 2 𝐴2 2 + 𝐵2 2 + 𝐶2 2
𝜋2 Entonces el producto escalar de sus

normales será igual a cero
𝐴1 𝐴2 + 𝐵1 𝐵2 + 𝐶1 𝐶2 = 0
Condición de paralelismo 𝑛1 =(𝐴1 ; 𝐵1 ; 𝐶1 )
𝜋1 : 𝐴1 𝑥 + 𝐵1 𝑦 + 𝐶1 𝑧 + 𝐷1 = 0
𝑛1 𝜋2 : 𝐴2 𝑥 + 𝐵2 𝑦 + 𝐶2 𝑧 + 𝐷2 = 0 𝑛2 =(𝐴2 ; 𝐵2 ; 𝐶2 )
Si: 𝜋1 𝜋2 𝑛1 𝑛2
𝜋1 𝑛2 De acuerdo a lo conocido de vectores sabemos que

podemos expresar uno de ellos como combinación
lineal del otro
𝜋2
𝑛1 = k 𝑛2
(𝐴1 ; 𝐵1 ; 𝐶1 ) = 𝑘(𝐴2 ; 𝐵2 ; 𝐶2 )
𝐴1 = 𝑘 𝐴2
𝐴1 𝐵1 𝐶1
𝐵1 = 𝑘 𝐵2 𝑘= = =
𝐴2 𝐵2 𝐶2
𝐶1 = 𝑘 𝐶2
Posiciones relativas del plano
-respecto a los ejes y planos coordenados-
Si 𝐴 = 0
𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
𝑧 𝜋 𝜋𝑦𝑧
𝜋 𝑒𝑗𝑒 𝑥
𝜋
𝑦
𝑥
Si 𝐴 = 0 Si 𝐵 = 0
𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 𝐴x + 𝐶𝑧 + 𝐷 = 0
𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧
𝜋 𝑒𝑗𝑒 𝑥 𝜋 𝑒𝑗𝑒 𝑦
𝜋
𝜋
𝑦 𝑦
𝑥 𝑥
Si 𝐴 = 0 Si 𝐵 = 0 Si 𝐶 = 0
𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 𝐴x + 𝐶𝑧 + 𝐷 = 0 𝐴x + 𝐵𝑦 + 𝐷 = 0
𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧 𝑧 𝜋 𝜋𝑥𝑦

𝜋 𝑒𝑗𝑒 𝑥 𝜋 𝑒𝑗𝑒 𝑦 𝜋 𝑒𝑗𝑒 𝑧
𝜋
𝜋
𝜋
𝑦 𝑦 𝑦
𝑥 𝑥 𝑥
Regla: plano // al eje que NO figura y ⊥ al plano que forman los ejes que SI figuran
en la ecuación del plano
Si 𝐴 = 0 Si 𝐵 = 0 Si 𝐶 = 0
𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 𝐴x + 𝐶𝑧 + 𝐷 = 0 𝐴x + 𝐵𝑦 + 𝐷 = 0

𝜋
𝜋
𝜋
𝑦 𝑦 𝑦
𝑥 𝑥 𝑥
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
Si D=0 el plano pasa por el origen de sistemas de coordenadas
Si 𝐴 = 0 𝑦 𝐷 = 0
𝐵𝑦 + 𝐶𝑧 = 0
𝑧 𝜋 𝜋𝑦𝑧
𝜋 𝑒𝑗𝑒 𝑥
𝜋
𝑦
𝑥
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
Si 𝐴 = 0 𝑦 𝐷 = 0 Si 𝐵 = 0𝑦𝐷 =0
𝐵𝑦 + 𝐶𝑧 = 0 𝐴x + 𝐶𝑧 = 0
𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧
𝜋 𝑒𝑗𝑒 𝑥 𝜋 𝑒𝑗𝑒 𝑦
𝜋
𝜋
𝑦 𝑦
𝑥 𝑥
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
Si 𝐴 = 0 𝑦 𝐷 = 0 Si 𝐵 = 0𝑦𝐷 =0 Si 𝐶 = 0 𝑦 𝐷 = 0
𝐵𝑦 + 𝐶𝑧 = 0 𝐴x + 𝐶𝑧 = 0 𝐴x + 𝐵𝑦 = 0

𝜋 𝑒𝑗𝑒 𝑥 𝜋 𝑒𝑗𝑒 𝑦 𝜋 𝜋 𝑒𝑗𝑒 𝑧
𝜋
𝜋
𝑦 𝑦 𝑦
𝑥 𝑥 𝑥
Regla: la ecuación con dos variables representa un plano que pasa por el origen
y contiene al eje coordenado que NO aparece en la ecuación del plano
Si 𝐴 = 0 𝑦 𝐷 = 0 Si 𝐵 = 0𝑦𝐷 =0 Si 𝐶 = 0 𝑦 𝐷 = 0
𝐵𝑦 + 𝐶𝑧 = 0 𝐴x + 𝐶𝑧 = 0 𝐴x + 𝐵𝑦 = 0

𝜋
𝜋
𝜋
𝑦 𝑦 𝑦
𝑥 𝑥 𝑥
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
Si 𝐴 = 0 𝑦 𝐵 = 0
𝐶𝑧 + 𝐷 = 0
𝜋 𝜋𝑥𝑦
𝑧
𝜋 𝑒𝑗𝑒 𝑧
𝑥
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
Si 𝐴 = 0 𝑦 𝐵 = 0 Si 𝐴=0𝑦𝐶 =0
𝐶𝑧 + 𝐷 = 0 𝐵𝑦 + 𝐷 = 0
𝜋 𝜋𝑥𝑦
𝑧 𝑧 𝜋 𝜋𝑥𝑧
𝜋 𝑒𝑗𝑒 𝑧 𝜋 𝑒𝑗𝑒 𝑦
𝜋
𝜋
𝑦 𝑦
𝑥 𝑥
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0
Si 𝐴 = 0 𝑦 𝐵 = 0 Si 𝐴=0𝑦𝐶 =0 Si 𝐵 = 0 𝑦 𝐶 = 0
𝐶𝑧 + 𝐷 = 0 𝐵𝑦 + 𝐷 = 0 𝐴x + 𝐷 = 0
𝜋 𝜋𝑥𝑦 𝜋 𝜋𝑥𝑧 𝜋 𝜋𝑦𝑧
𝑧 𝑧 𝑧
𝜋 𝑒𝑗𝑒 𝑧 𝜋 𝑒𝑗𝑒 𝑦 𝜋 𝑒𝑗𝑒 𝑥
𝜋
𝜋
𝜋
𝑦 𝑦 𝑦
𝑥 𝑥 𝑥
Regla: plano // al plano que forman las variables que NO figuran y ⊥ al eje de la
variable que SI figura en la ecuación del plano
Si 𝐴 = 0 𝑦 𝐵 = 0 Si 𝐴=0𝑦𝐶 =0 Si 𝐵 = 0 𝑦 𝐶 = 0
𝐶𝑧 + 𝐷 = 0 𝐵𝑦 + 𝐷 = 0 𝐴x + 𝐷 = 0
𝜋 𝜋𝑥𝑧 𝜋 𝜋𝑦𝑧
𝜋 𝜋𝑥𝑦
𝑧 𝑧 𝜋 𝑒𝑗𝑒 𝑦 𝑧
𝜋 𝑒𝑗𝑒 𝑧 𝜋 𝑒𝑗𝑒 𝑥
𝜋
𝜋
𝜋
𝑦 𝑦 𝑦
𝑥 𝑥 𝑥
Familia o haz de planos
Planos paralelos Planos concurrentes
𝑛(𝐴;
ത 𝐵; 𝐶)
𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 )
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝑘 = 0
𝑘1 x − 𝑥1 + 𝑘2 𝑦 − 𝑦1 + 𝑘3 𝑧 − 𝑧1 = 0
−∞ < 𝑘 < ∞
k: constante arbitraria
Para cada valor de “k” se tiene un plano Pasan por un punto y cambian las
Paralelo El vector normal es el mismo 𝑛ത 𝐴; 𝐵; 𝐶 componentes del vector normal
Planos que pasan por la recta intersección de otros dos
𝜋1 : 𝐴1 𝑥 + 𝐵1 y + 𝐶1 𝑧+𝐷1 = 0
𝜋2 : 𝐴2 𝑥 + 𝐵2 y + 𝐶2 𝑧 + 𝐷2 = 0
La intersección entre dos planos no paralelos ni coincidentes definen

una recta y los infinitos planos que pasan por ella definen el haz
𝐴1 𝑥 + 𝐵1 y + 𝐶1 𝑧 +𝐷1 +𝑘(𝐴2 𝑥 + 𝐵2 y +𝐶2 𝑧 + 𝐷2 ) = 0

−∞ < 𝑘 < ∞
(𝐴1 +𝑘𝐴2 )𝑥 + (𝐵1 +𝑘𝐵2 )y + 𝐶1 + 𝑘𝐶2 𝑧 + (𝐷1 +𝑘𝐷2 ) = 0
Ecuación Normal del Plano
𝑛:
ത vector que parte desde el origen y es perpendicular al plano
𝑧 𝑃1 𝑥1 ; 𝑦1 ; 𝑧1 𝑝𝑢𝑛𝑡𝑜 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝑃 𝑥; 𝑦; 𝑧 𝑝𝑢𝑛𝑡𝑜 𝑔𝑒𝑛𝑒𝑟𝑖𝑐𝑜 .

𝑝∶ Distancia desde el origen hasta el plano
𝑃1 𝑃 . 𝑛ത = 0
𝐴 x − 𝑥1 + 𝐵 𝑦 − 𝑦1 + 𝐶 𝑧 − 𝑧1 = 0
𝑛(𝐴;
ത 𝐵; 𝐶) Dividiendo por 𝑛ത (módulo del vector normal)
𝐴 𝐵 𝐶
𝛾 x − 𝑥1 + 𝑦 − 𝑦1 + 𝑧 − 𝑧1 = 0
𝑝 𝑛ത 𝑛ത 𝑛ത
𝛽 𝑃1 (𝑥1 ; 𝑦1 ; 𝑧1 ) 𝐴 𝐵 𝐶
𝑂 𝛼 𝑦 Siendo: = 𝑐𝑜𝑠𝛼 = 𝑐𝑜𝑠𝛽 = 𝑐𝑜𝑠𝛾
𝑛ത 𝑛ത 𝑛ത
𝜋 𝑐𝑜𝑠𝛼 x − 𝑥1 + 𝑐𝑜𝑠𝛽 𝑦 − 𝑦1 + 𝑐𝑜𝑠𝛾 𝑧 − 𝑧1 = 0
𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − (𝑥1 𝑐𝑜𝑠𝛼 + 𝑦1 𝑐𝑜𝑠𝛽 + 𝑧1 𝑐𝑜𝑠𝛾) = 0
𝑥
𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − 𝑝 = 0
Planos
Transformación de la ecuación general o implícita
a la forma normal
𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝒐 𝒈𝒆𝒏𝒆𝒓𝒂𝒍
𝐴 𝐵 𝐶 𝐷
x+ 𝑦+ 𝑧+ =0
± 𝐴2 + 𝐵2 + 𝐶2 ± 𝐴2 + 𝐵2 + 𝐶2 ± 𝐴2 + 𝐵2 +𝐶 2 ± 𝐴2 + 𝐵2 +𝐶 2
Forma Normal 𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − 𝑝 = 0 El signo del radical lo escogemos

de modo tal
que el resultado sea −𝑝
Distancia desde un plano a un punto
𝑧 y entre dos planos paralelos
El plano 𝜋 tiene por ecuación normal:
𝑄0 (𝑥0 ; 𝑦0 ; 𝑧0 ) 𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − 𝑝 = 0
𝑑 𝑛(𝐴;
ത 𝐵; 𝐶)
𝑄0 (𝑥0 ; 𝑦0 ; 𝑧0 ) se encuentra en un plano paralelo a 𝜋
𝑝
𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − (𝑝 + 𝑑) = 0
𝑂
𝑦 𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − 𝑝 = 𝑑
𝜋 Como 𝑄0 pertenece al segundo plano sus coordenadas
satisfacen la ecuación
𝑥 𝑥0 𝑐𝑜𝑠𝛼 + 𝑦0 𝑐𝑜𝑠𝛽 + 𝑧0 𝑐𝑜𝑠𝛾 − 𝑝 = 𝑑
Interpretación del signo 𝑄0 𝑦 el origen en ≠ subespacios respecto del plano

(d) 𝑄0 𝑦 el origen en el mismo subespacio respecto del plano
Cónicas
Unidad N°3
Definición
Es el lugar geométrico de la intersección de un plano
con una superficie cónica
eje La superficie cónica se genera por

Cónicas directriz
la rotación de una recta llamada generatriz
que pasa por una curva fija llamada directriz
generatriz y por un punto llamado vértice de cono que
interseca al eje del cono
vértice
Definición
Es el lugar geométrico de la intersección de un plano
con una superficie cónica
La superficie cónica se genera por

la rotación de una recta llamada generatriz
Cónicas que pasa por una curva fija llamada directriz
y por un punto llamado vértice de
cono que intersecta al eje del cono
Intersecciones del plano con la superficie cónica
Circunferencia Elipse
Plano al eje Plano se inclina
Parábola Hipérbola
Plano al eje
Plano a la generatriz
Circunferencia
Plano al eje
Elipse
Plano al eje
Parábola
Plano al eje
Hipérbola
Ecuación General de las Cónicas
Término rectangular Términos lineales
𝐴𝑥 2 + 𝐵𝑥𝑦 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
Términos cuadráticos Término independiente
Término rectangular Términos lineales
𝐴𝑥 2 + 𝐵𝑥𝑦 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
Término rectangular: indica un giro de la cónica con respecto a los ejes

coordenados
Términos lineales
𝐴𝑥 2 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
𝐸𝑛 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑡𝑜𝑚𝑒𝑛 𝐴 𝑦 𝐶 𝑣𝑎𝑚𝑜𝑠 𝑎 𝑡𝑒𝑛𝑒𝑟 𝑙𝑎𝑠

𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎𝑠 𝑐ó𝑛𝑖𝑐𝑎𝑠
Circunferencia
Definición: lugar geométrico de un punto que se mueve en un plano
de tal manera que se encuentran siempre a una distancia
constante de un punto fijo de ese plano.
𝑦
𝑃(𝑥; 𝑦)
𝑟
𝐶(ℎ; 𝑘)
𝑥
Circunferencia
Circunferencia
𝑦
𝑦 𝑃(𝑥; 𝑦) 𝐶𝑃 = 𝑟
𝑟
𝑘
𝐶(ℎ; 𝑘)
ℎ 𝑥 𝑥
Circunferencia
𝑦
𝐶𝑃 = 𝑟
𝑦 𝑃(𝑥; 𝑦)
𝑟 (𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟
𝑘
𝐶(ℎ; 𝑘)
(𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟 2
Segunda Ecuación ordinaria
ℎ 𝑥 𝑥
Circunferencia
𝑦 𝐶𝑃 = 𝑟
(𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟
(𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟 2

𝑟 Segunda Ecuación ordinaria
𝐶(0; 0) 𝑥 Si el centro 𝐶(0; 0)
𝑥 2 + 𝑦2 = 𝑟2
Primer Ecuación ordinaria
Forma canónica
Circunferencia
Relación entre la ecuación ordinaria y la general
(𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟 2 𝐴𝑥 2 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0

Segunda Ecuación ordinaria Ecuación General de las Cónicas
Desarrollando los cuadrados e igualando a cero
𝑥 2 − 2𝑥ℎ + ℎ2 + 𝑦 2 − 2𝑦𝑘 + 𝑘 2 − 𝑟 2 = 0
𝑥2 + 𝑦 2 − 2ℎ𝑥 − 2𝑘𝑦 + 𝑘 2 + ℎ2 − 𝑟 2 = 0
𝐴 𝐶 𝐷 𝐸 𝐹
𝑥 2 + 𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
Donde: 𝐴 = 𝐶
Forma general
Circunferencia
Paso de la forma general a la ordinaria
𝑥 2 + 𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0 (𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟 2
Forma general Segunda Ecuación ordinaria
Primero ordenamos en "𝑥" y en "𝑦“ y pasamos

lo demás al otro miembro
𝑥 2 + 𝐷𝑥 + 𝑦 2 + 𝐸𝑦 = −𝐹
Completamos cuadrados para "𝑥" y para "𝑦"
Completar cuadrados
2 2 2 𝐷
(𝑥 + ℎ) = 𝑥 + 2ℎ𝑥 + ℎ 𝐷 = 2ℎ =ℎ
2
2
𝑥2 + 𝐷𝑥 + 𝑦2 + 𝐸𝑦 = −𝐹 𝐷
= ℎ2
2
2
𝐷 2 2 𝐷 𝐷2
(𝑥 + ) = 𝑥 + 𝐷𝑥 + = ℎ2
2 2 4
Circunferencia
𝑥 2 + 𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0 (𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟 2
Forma general Segunda Ecuación ordinaria
Primero ordenamos en "𝑥" y en "𝑦“ y pasamos

lo demás al otro miembro
𝑥 2 + 𝐷𝑥 + 𝑦 2 + 𝐸𝑦 = −𝐹
Completamos cuadrados para "𝑥" y para "𝑦"
2 2
𝑫𝟐 𝑬𝟐 𝑫𝟐 𝑬𝟐 𝐷 𝐸
𝑥2 + 𝐷𝑥 + 2
+ 𝑦 + 𝐸𝑦 + = −𝐹 + + 𝑥+ + 𝑦+ = 𝑟2
𝟒 𝟒 𝟒 𝟒 2 2
2 2 2
𝐷 𝐸 −4𝐹 + 𝐷2 + 𝐸
𝑥+ + 𝑦+ =
2 2 4
Circunferencia
2 2
𝐷 𝐸 (𝑥 − ℎ)2 +(𝑦 − 𝑘)2 = 𝑟 2
𝑥+ + 𝑦+ = 𝑟2
2 2 Segunda Ecuación ordinaria
Si 𝑟 = 0 Punto (− 𝐷 ; − 𝐸 )
2 2
Si 𝑟 < 0 No representa un lugar geométrico en R
𝐷 𝐸
Si 𝑟 > 0 Circunferencia con centro en 𝐶(− 2 ; − 2 ) y radio
1
𝑟= −4𝐹 + 𝐷2 + 𝐸 2
2
Elipse
Definición: Es el lugar geométrico de un punto que
se mueve en un plano de manera que la suma
de sus distancias a dos puntos fijos (focos)
𝑦 de ese plano se mantiene constante y mayor
que la distancia entre ellos (2a).
𝑃(𝑥; 𝑦)
𝐹′ 𝐹 𝑥
Elipse
de ese plano se mantiene constante y mayor
Elipse
𝑦 de ese plano se mantiene constante y mayor
𝑃(𝑥; 𝑦)
𝑃𝐹 + 𝑃𝐹′ = 2𝑎
𝐹′ 𝐹 𝑥
Elipse
Definición: Es el lugar geométrico de un punto que se mueve en un plano de manera que la suma de
sus distancias a dos puntos fijos (focos) de ese plano se mantiene constante y
mayor que la distancia entre ellos (2a).
𝑃𝐹 + 𝑃𝐹′ = 2𝑎 𝑐𝑒𝑛𝑡𝑟𝑜: 𝐶(0; 0)

𝑦
𝐹 𝑦 𝐹 ′ : 𝑓𝑜𝑐𝑜𝑠 𝐹 ′ 𝐹: 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑓𝑜𝑐𝑎𝑙 = 2𝑐
𝑃(𝑥; 𝑦)
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥

𝑐 𝑐
Elipse

𝑦
𝑉 𝑦 𝑉 ′ : 𝑣é𝑟𝑡𝑖𝑐𝑒𝑠 𝑉 ′ 𝑉: 𝑒𝑗𝑒 𝑚𝑎𝑦𝑜𝑟 = 2𝑎

𝑃(𝑥; 𝑦)
𝑉′(−𝑎; 0) 𝑉(𝑎; 0)
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥
𝑎 𝑎
Elipse

𝑦

𝐴 (0; 𝑏) 𝑃(𝑥; 𝑦)
𝐴′ 𝐴: 𝑒𝑗𝑒 𝑚𝑒𝑛𝑜𝑟 = 2𝑏
𝑏
𝑉′(−𝑎; 0) 𝑉(𝑎; 0)
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥
𝑏
𝐴′(0; −𝑏)
Elipse
𝑃𝐹 + 𝑃𝐹′ = 2𝑎
𝑦

𝐴(0; 𝑏)
𝑃(𝑥; 𝑦)
𝐿 𝐴′ 𝐴: 𝑒𝑗𝑒 𝑚𝑒𝑛𝑜𝑟 = 2𝑏
2
𝑉′(−𝑎; 0) 2𝑏
𝑉(𝑎; 0) 𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜 =
𝑎
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥
𝐿’
𝐴′(0; −𝑏)
Elipse
𝑃𝐹 + 𝑃𝐹′ = 2𝑎
𝑦

𝐴(0; 𝑏) 𝑃(𝑥; 𝑦)
𝐿 𝐴′ 𝐴: 𝑒𝑗𝑒 𝑚𝑒𝑛𝑜𝑟 = 2𝑏
2
2𝑏
𝑉′(−𝑎; 0) 𝑉(𝑎; 0) 𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜 =
𝑎
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥 𝑎
𝑏 𝑏2 + 𝑐 2 = 𝑎2
𝐿’ 𝑐
𝐴′(0; −𝑏)
𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙
Elipse 𝑃𝐹 + 𝑃𝐹′ = 2𝑎
𝑎 (𝑐 − 𝑥)2 +𝑦 2 + (𝑐 + 𝑥)2 +𝑦 2 = 2𝑎
𝑏 𝑏2 + 𝑐 2 = 𝑎2
𝑐 𝑅𝑒𝑙𝑖𝑧𝑎𝑚𝑜𝑠 𝑢𝑛𝑎 𝑠𝑒𝑟𝑖𝑒 𝑑𝑒 𝑝𝑎𝑠𝑜𝑠 𝑎𝑙𝑔𝑒𝑏𝑟𝑎𝑖𝑐𝑜𝑠 𝑦 𝑙𝑙𝑒𝑔𝑎𝑚𝑜𝑠 𝑎:
𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑥 2 𝑎2 − 𝑐 2 + 𝑎2 𝑦 2 = 𝑎2 𝑎2 − 𝑐 2
𝑦
𝐴 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑏2 = 𝑎2 − 𝑐 2
𝑥 2 𝑏2 + 𝑎2𝑦 2 = 𝑎2𝑏2
𝐴(0; 𝑏) 𝑃(𝑥; 𝑦) 𝐷𝑖𝑣𝑖𝑑𝑖𝑚𝑜𝑠 𝑝𝑜𝑟 𝑎2 𝑏2
𝐿
𝑥 2 𝑏2 𝑎2𝑦 2 𝑎2𝑏2
+ =
𝑉′(−𝑎; 0) 𝑉(𝑎; 0) 𝑎2 𝑏2 𝑎2𝑏2 𝑎2𝑏2
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥 𝑥2 𝑦2
+ =1
𝑎2 𝑏2
𝐿’ Primer Ecuación ordinaria
𝐴′(0; −𝑏)
Forma canónica
Elipse(𝐴𝑛á𝑙𝑖𝑠𝑖𝑠)
𝑏
𝑥 2
𝑦 2 S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑦: 𝑦=∓ 𝑎2 − 𝑥 2
+ =1 𝑎
𝑎2 𝑏2
Primer Ecuación ordinaria 𝑂𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 𝑑𝑒 𝑦 𝑐𝑢𝑎𝑛𝑑𝑜: −𝑎 ≤ 𝑥 ≤ 𝑎
𝑎 2
Forma canónica S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑥: 𝑥=∓ 𝑏 − 𝑦2
𝑏
𝑦 𝑂𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 𝑑𝑒 𝑥 𝑐𝑢𝑎𝑛𝑑𝑜: −𝑏 ≤ 𝑦 ≤ 𝑏
𝐿𝑎 𝑒𝑙𝑖𝑝𝑠𝑒 𝑒𝑠𝑡á 𝑙𝑖𝑚𝑖𝑡𝑎𝑑𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑟𝑒𝑐𝑡á𝑛𝑔𝑢𝑙𝑜 𝑐𝑢𝑦𝑜𝑠

𝐴(0; 𝑏) 𝑃(𝑥; 𝑦)
𝐿 𝑙𝑎𝑑𝑜𝑠 𝑠𝑜𝑛 𝑙𝑎𝑠 𝑟𝑒𝑐𝑡𝑎𝑠: 𝑥 = ∓𝑎 𝑦 = ∓𝑏
𝑉′(−𝑎; 0) 𝑉(𝑎; 0)
𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥
𝐿’
𝐴′(0; −𝑏)
𝑦
𝑃(𝑥; 𝑦) 𝑆𝑒𝑔𝑚𝑒𝑛𝑡𝑜𝑠: 𝐵𝐵′ : 𝑐𝑢𝑒𝑟𝑑𝑎

𝐷 𝐿 𝐵
𝐸
𝐸𝐸 ′ : 𝑐𝑢𝑒𝑟𝑑𝑎 𝑓𝑜𝑐𝑎𝑙
𝐹′(−𝑐; 0) 𝑥 𝐷𝐷′ : 𝑑𝑖á𝑚𝑒𝑡𝑟𝑜

𝐵’
𝐸′ 𝐷’ 𝐿’ 𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜
𝑃𝐹 ′ : 𝑟𝑎𝑑𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟
Elipse(𝐴𝑛á𝑙𝑖𝑠𝑖𝑠) 2𝑏 2
𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜:
𝑎
𝑦 𝑥2 𝑦2
+ =1
𝑎2 𝑏2
𝐴(0; 𝑏) 𝑏
S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑦: 𝑦=∓ 𝑎2 − 𝑥 2
𝐿 𝑎
𝑉′(−𝑎; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) S𝑖 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑚𝑜𝑠 𝑥 = 𝑐

𝐹′(−𝑐; 0) 𝐶(0; 0) 𝐹(𝑐; 0) 𝑥 𝑏
𝑦=∓ 𝑎2 − 𝑐 2
𝑎
𝐿’
𝐴′(0; −𝑏) 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑏2 = 𝑎2 − 𝑐 2
𝑏 𝑏2
𝑦=∓ 𝑏2 𝑦=∓
𝑎 𝑎
′
2𝑏2
𝐿𝐿 : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜:
𝑎
𝑐
𝐸𝑥𝑐𝑒𝑛𝑡𝑟𝑖𝑐𝑖𝑑𝑎𝑑: 𝑒 =
𝑦 𝑎
𝑐<𝑎 𝑒<1
0<𝑐<𝑎
Si “c” está más cerca de “a” entonces la

elipse se ve más aplastada
𝑥
Si “c” está más cerca de “0” entonces la
elipse es más redondeada
¿Y si e = 0?
El foco se encuentra en el centro y lo
que tenemos es una circunferencia
Elipse
Los elementos son los mismos que en el
caso anterior, pero cambian las coordenadas!
𝑦 𝑉(0; 𝑎)
𝑥2 𝑦2
+ =1 Elipse vertical
𝑏2 𝑎2
𝐿’ 𝐿
𝐹(0; 𝑐)
𝑃(𝑥; 𝑦)
𝐴′(−𝑏; 0) 𝐴(𝑏; 0)
𝑥
𝐹′(0; −𝑐) 𝑥2 𝑦2
+ =1 Elipse horizontal
𝑎2 𝑏2
𝑉′(0; −𝑎)
Elipse
Con centro (ℎ; 𝑘) de coordenadas y eje focal paralelo con el eje x
𝑦′
Trasladamos los ejes coordenados “x” e “y” de
𝑦 modo que coincidan con el nuevo centro (h; k)
𝑃(𝑥; 𝑦)
𝑘 𝐶(ℎ; 𝑘) 𝑥′
ℎ 𝑥
Traslación de ejes
𝑦′
𝑦
′ 𝑥′ = x − h
𝑃′(𝑥′; 𝑦′) 𝑥= 𝑥 +h
𝑦 𝑦′
𝑃(𝑥; 𝑦) 𝑦 = 𝑦′+ k 𝑦′ = y − k
𝑦′
𝑘
𝑜(ℎ; 𝑘) 𝑥′ 𝑥′
𝑦 𝑥′
𝑘
𝑜 ℎ 𝑥 𝑥
ℎ
𝑥
Elipse
Con centro (ℎ; 𝑘) de coordenadas y eje focal paralelo con el eje x
𝑦′
𝑦 modo que coincidan con el nuevo centro (h; k)
𝐴(ℎ; 𝑘 + 𝑏) 𝑃(𝑥; 𝑦)
𝐿 Entonces
𝑥 = 𝑥′ + h 𝑥′ = x − h
𝑉′(ℎ − 𝑎; 𝑘) 𝑉(ℎ + 𝑎; 𝑘)
𝑘 𝑦 = 𝑦′ + k 𝑦′ = y − k
𝐹′(ℎ − 𝑐; 𝑘) 𝐶(ℎ; 𝑘) 𝐹(ℎ + 𝑐; 𝑘) 𝑥′
𝑥 ′2 𝑦′2
𝐿’ + =1
𝑎2 𝑏2
𝐴′(ℎ; 𝑘 − 𝑏)
(𝑥 − ℎ)2 (𝑦 − 𝑘)2
+ =1
ℎ 𝑥 𝑎2 𝑏2
Elipse
Con centro (ℎ; 𝑘) de coordenadas y eje focal paralelo con el eje y
𝑦′ 𝑉(ℎ; 𝑘 + 𝑎)
𝑥 ′2 𝑦′2
𝑦 𝐿 + 2 =1
𝐿’ 𝑏2 𝑎
𝐹(ℎ; 𝑘 + 𝑐)
𝑃(𝑥; 𝑦)
𝐴′(ℎ − 𝑏; 𝑘) 𝐴(ℎ + 𝑏; 𝑘) (𝑥 − ℎ)2 (𝑦 − 𝑘)2

+ =1
𝑘 𝐶(ℎ; 𝑘) 𝑏2 𝑎2
𝑥′ Segunda Ecuación ordinaria
𝐹′(ℎ; 𝑘 − 𝑐)
𝑉′(ℎ; 𝑘 − 𝑎)
ℎ 𝑥
Elipse Relación entre la ecuación ordinaria y la ecuación general
(𝑥 − ℎ)2 (𝑦 − 𝑘)2 𝑀𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑝𝑜𝑟 𝑎2 𝑏2
+ =1
𝑎2 𝑏2
2 2
(𝑥 − ℎ) (𝑦 − 𝑘)
Segunda Ecuación ordinaria 𝑎2 𝑏2 2 + 𝑎2 𝑏2 2 = 𝑎2 𝑏2
𝑎 𝑏
𝐴𝑥 2 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0 𝑏2 𝑥 2 − 2ℎ𝑥 + ℎ2 + 𝑎2 𝑦 2 − 2𝑘𝑦 + 𝑘 2 = 𝑎2 𝑏2
𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖𝑚𝑜𝑠 𝑒 𝑖𝑔𝑢𝑎𝑙𝑎𝑚𝑜𝑠 𝑎 𝑐𝑒𝑟𝑜
𝑏2 𝑥 2 − 2𝑏2 ℎ𝑥 + 𝑏2 ℎ2 + 𝑎2 𝑦 2 − 2 𝑎2 𝑘𝑦 + 𝑎 2 𝑘 2 − 𝑎2 𝑏2 = 0
𝑏2 𝑥 2 + 𝑎2 𝑦 2 − 2𝑏2 ℎ𝑥 − 2 𝑎 2 𝑘𝑦 + 𝑎2 𝑘 2 + 𝑏2 ℎ2 − 𝑎2 𝑏2 = 0
𝐴 𝑦 𝐶 mismo signo 𝐴𝑥 2 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
Forma general
Parábola
Definición: lugar geométrico de un punto que se mueve en un plano de tal
manera que su distancia a una recta fija situada en el plano
(directriz,𝑙𝑑 ) , es siempre igual a su distancia a un punto fijo
del plano (foco, F) y que no pertenece a la recta
𝑦
𝑙𝑑
𝑃(𝑥; 𝑦)
V 𝐹 𝑥
Parábola
Parábola
𝑦
𝑙𝑑 𝑃𝐹 = 𝑃𝐷
𝑃(𝑥; 𝑦)𝐿 𝑙𝑑 : 𝑟𝑒𝑐𝑡𝑎 𝑓𝑖𝑗𝑎, 𝑑𝑖𝑟𝑒𝑐𝑡𝑟𝑖𝑧
𝑦
𝐷 𝐹 ∶ 𝑓𝑜𝑐𝑜
𝑉 ∶ 𝑣é𝑟𝑡𝑖𝑐𝑒
𝑎
𝐴 V 𝐹 𝑥 𝑎: 𝑒𝑗𝑒 𝑑𝑒 𝑙𝑎 𝑝𝑎𝑟á𝑏𝑜𝑙𝑎
𝐴: 𝑖𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑙𝑑 y 𝑎
𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜

𝐿’
Parábola
𝑦
𝑙𝑑 𝑃𝐹 = 𝑃𝐷
𝑃(𝑥; 𝑦)𝐿
𝑦 𝑃𝐹 = (𝑝 − 𝑥)2 +𝑦 2 𝑃𝐷 = (−𝑝 − 𝑥)2 +(𝑦 − 𝑦)2 = 𝑥 + 𝑝
𝐷
(𝑝 − 𝑥)2 +𝑦 2 = 𝑥 + 𝑝
2
2
(𝑝 − 𝑥)2 +𝑦 2 = 𝑥+𝑝
𝐴(−𝑝; 0) V 𝑥 𝐹(𝑝; 0) 𝑥
𝑝 𝑝 (𝑝 − 𝑥)2 +𝑦 2 = 𝑥 + 𝑝 2
𝑝2 − 2𝑝𝑥 + 𝑥 2 + 𝑦 2 = 𝑥 2 + 2𝑝𝑥 + 𝑝2
Primer Ecuación ordinaria 𝑦 2 = 4𝑝𝑥
o 𝑦 = ±2 𝑝𝑥
𝐿’ Forma canónica
Parábola(𝐴𝑛á𝑙𝑖𝑠𝑖𝑠)
o 𝑦 = ±2 𝑝𝑥
Forma canónica
𝑂𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 𝑑𝑒 𝑦 𝑐𝑢𝑎𝑛𝑑𝑜: 𝑝 y 𝑥 𝑡𝑖𝑒𝑛𝑒𝑛 𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑠𝑖𝑔𝑛𝑜

𝑝>0 𝑝<0
Estará definida para valores de x =R+ Estará definida para valores de x =R-
Se extiende hacia la derecha al ±∞ Se extiende hacia la izquierda al ±∞
𝑦 𝑝>0 𝑝<0 𝑦
+∞ +∞
La parábola es
simétrica
respecto al eje
𝑥 de la parábola. 𝑥
-∞
x =R+ -∞ x =R-
o 𝑦 = ±2 𝑝𝑥
Forma canónica
𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜

𝑦
𝑙𝑑 𝐹(𝑝; 0) S𝑖 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑚𝑜𝑠 𝑥 = 𝑝
𝑃(𝑥; 𝑦)𝐿
𝑦 𝑦 = ±2 𝑝𝑝
𝑦 = ±2𝑝
V 𝐹(𝑝; 0) 𝑥
𝐿𝐿′ = 4𝑝
𝐿’
𝑦
𝑙𝑑 𝐸
𝑃(𝑥; 𝑦) 𝐿
𝐷 𝑆𝑒𝑔𝑚𝑒𝑛𝑡𝑜𝑠: 𝐵𝐵′ : 𝑐𝑢𝑒𝑟𝑑𝑎
𝐵
V 𝐹(𝑝; 0) 𝑥 𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜
𝐵’
𝐸′
𝐿’
Parábola
Con vértice en el origen de coordenadas y eje coincidente con el eje y

𝑦
Primer Ecuación ordinaria 𝑥 2 = 4𝑝𝑦
𝑎 o 𝑥 = ±2 𝑝𝑦
Forma canónica
𝑦
𝐿’ 𝐹(0; 𝑝) 𝐿
𝑝<0
𝑃(𝑥; 𝑦)
𝑙𝑑
V 𝑥
𝑙𝑑 𝑃(𝑥; 𝑦)
V 𝑥
𝐿’ 𝐿
𝑝>0 𝐹(0; −𝑝)
𝑎
Parábola
Con centro de coordenadas (ℎ; 𝑘) y eje paralelo con el eje x

modo que coincidan con el nuevo centro (h; k)
𝑦 𝑦′ 𝑥 = 𝑥′ + h 𝑥′ = x − h
𝑃(𝑥; 𝑦)𝐿 𝑦 = 𝑦′ + k 𝑦′ = y − k
𝑦′2 = 4𝑝𝑥′
𝑘 (y − k)2 = 4𝑝(x − h)
V(h; k) 𝐹(ℎ + 𝑝; 𝑘) 𝑥′
ℎ 𝐿’ 𝑥
𝑙𝑑 : 𝑥 = ℎ − 𝑝
Parábola
Con centro de coordenadas (ℎ; 𝑘) y eje paralelo con el eje y

𝑦 𝑦′ 𝑥 = 𝑥′ + h 𝑥′ = x − h
𝑦 = 𝑦′ + k 𝑦′ = y − k
𝐿’ 𝐹(ℎ; 𝑘 + 𝑝) 𝐿 𝑥′2 = 4𝑝𝑦′

𝑃(𝑥; 𝑦)
𝑘 (x − h)2 = 4𝑝(y − k)
V(h; k) 𝑥′
𝑙𝑑 : 𝑦 = 𝑘 − 𝑝
ℎ 𝑥
Parábola
Relación entre la ecuación ordinaria y la ecuación general
(y − k)2 = 4𝑝(x − h) (x − h)2 = 4𝑝(y − k)

Segunda Ecuación ordinaria Segunda Ecuación ordinaria
𝑦 2 − 2𝑘𝑦 + 𝑘 2 = 4𝑝x − 4𝑝h 𝑥 2 − 2ℎ𝑥 + ℎ2 = 4𝑝y − 4𝑝k
𝑦 2 − 4𝑝x − 2𝑘𝑦 + 𝑘 2 + 4𝑝h = 0 𝑥 2 − 2hx − 4𝑝𝑦 + ℎ2 + 4𝑝k = 0

𝐶 𝐷 𝐸 𝐹 𝐴 𝐷 𝐸 𝐹
𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0 𝐴𝑥 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
Forma general Forma general
𝐴=0 𝐶≠0 𝐷≠0 𝐶=0 𝐴≠0 𝐸≠0

Hipérbola
Definición: Es el lugar geométrico de un punto que se mueve en un plano
de manera que el valor absoluto de la diferencia de sus
distancias a dos puntos fijos (focos) del plano se mantiene
constante y menor que la distancia entre dichos puntos.
𝑦
𝑃(𝑥; 𝑦)
𝐹′ 𝐹 𝑥
Hipérbola
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝑃(𝑥; 𝑦) 𝑙: 𝑒𝑗𝑒 𝑓𝑜𝑐𝑎𝑙
𝑙
𝐹′(−𝑐; 0) 𝑐 𝑐 𝐹(𝑐; 0) 𝑥
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝑉′(−𝑎; 0) 𝑙 𝑉 𝑦 𝑉 ′ : 𝑣é𝑟𝑡𝑖𝑐𝑒𝑠 𝑉 ′ 𝑉: 𝑒𝑗𝑒 𝑡𝑟𝑎𝑛𝑠𝑣𝑒𝑟𝑠𝑜 = 2𝑎
𝐹′(−𝑐; 0) 𝑎 𝑉𝑎(𝑎; 0) 𝐹(𝑐; 0) 𝑥
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝐴(0; 𝑏)
𝑏
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) 𝑥
𝑏 𝐴′ 𝐴: 𝑒𝑗𝑒 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑜 = 2𝑏
𝐴′(0; −𝑏)
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝐿
𝐴(0; 𝑏)
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) 𝑥
𝐴′ 𝐴: 𝑒𝑗𝑒 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑜 = 2𝑏
𝐴′(0; −𝑏) ′
2𝑏2
𝐿𝐿 : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜 =
𝑎
𝐿’
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝐿 𝑙: 𝑒𝑗𝑒 𝑓𝑜𝑐𝑎𝑙
𝑃(𝑥; 𝑦)
𝐴(0; 𝑏) 𝐹 𝑦 𝐹 ′ : 𝑓𝑜𝑐𝑜𝑠 𝐹 ′ 𝐹: 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑓𝑜𝑐𝑎𝑙 = 2𝑐
𝑉 𝑦 𝑉 ′ : 𝑣é𝑟𝑡𝑖𝑐𝑒𝑠 𝑉 ′ 𝑉: 𝑒𝑗𝑒 𝑡𝑟𝑎𝑛𝑠𝑣𝑒𝑟𝑠𝑜 = 2𝑎
𝑉′(−𝑎; 0) 𝑙
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) 𝑥 𝐴′ 𝐴: 𝑒𝑗𝑒 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑜 = 2𝑏
2𝑏2
𝐴′(0; −𝑏) 𝐿𝐿′ : 𝑙𝑎𝑑𝑜
𝑟𝑒𝑐𝑡𝑜 =
𝑎
𝑏
𝐿’ 𝐴𝑠í𝑛𝑡𝑜𝑡𝑎𝑠: 𝑦 = ± 𝑥
𝑎
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝑃(𝑥; 𝑦)
𝑉′(−𝑎; 0) 𝑙
𝑐 2𝑏2
𝐴′(0; −𝑏) 𝑏 𝐿𝐿′ : 𝑙𝑎𝑑𝑜
𝑏 2 + 𝑎2 = 𝑐 2 𝑎
𝑎 𝑏
𝐿’ 𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝐴𝑠í𝑛𝑡𝑜𝑡𝑎𝑠: 𝑦 = ± 𝑥
𝑎
Hipérbola
𝑦
𝑃(𝑥; 𝑦)
𝑐 𝑏
𝑙 2 + 𝑎2 = 𝑐 2
𝑎 𝑏
𝐹(𝑐; 0) 𝑥
𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙
𝐿’
Hipérbola
𝑦
𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝑃(𝑥; 𝑦)
𝑉′(−𝑎; 0) 𝑙
𝑐 2𝑏2
𝐴′(0; −𝑏) 𝑏 𝐿𝐿′ : 𝑙𝑎𝑑𝑜
𝑏 2 + 𝑎2 = 𝑐 2 𝑎
𝑎 𝑏
𝐿’ 𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝐴𝑠í𝑛𝑡𝑜𝑡𝑎𝑠: 𝑦 = ± 𝑥
𝑎
Hipérbola 𝑃𝐹 − 𝑃𝐹′ = 2𝑎
𝑐 𝑏 (𝑐 − 𝑥)2 +𝑦 2 − (𝑐 + 𝑥)2 +𝑦 2 = 2𝑎
𝑎 𝑏2 + 𝑎2 = 𝑐 2
𝑅𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑅𝑒𝑙𝑖𝑧𝑎𝑚𝑜𝑠 𝑢𝑛𝑎 𝑠𝑒𝑟𝑖𝑒 𝑑𝑒 𝑝𝑎𝑠𝑜𝑠 𝑎𝑙𝑔𝑒𝑏𝑟𝑎𝑖𝑐𝑜𝑠 𝑦 𝑙𝑙𝑒𝑔𝑎𝑚𝑜𝑠 𝑎:
𝑥 2 𝑐 2 − 𝑎2 − 𝑎2 𝑦 2 = 𝑎2 𝑐 2 − 𝑎2
𝑦
𝐴 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑏2 = 𝑐 2 − 𝑎2
𝐿 𝑥 2 𝑏2 − 𝑎2𝑦 2 = 𝑎2𝑏2
𝑃(𝑥; 𝑦)
𝐴(0; 𝑏) 𝐷𝑖𝑣𝑖𝑑𝑖𝑚𝑜𝑠 𝑝𝑜𝑟 𝑎2 𝑏2
𝑥 2 𝑏2 𝑎2𝑦 2 𝑎2𝑏2
𝑉′(−𝑎; 0) 𝑙 − =
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) 𝑥 𝑎2 𝑏2 𝑎2𝑏2 𝑎2𝑏2
𝑥2 𝑦2
𝐴′(0; −𝑏) − =1
𝑎2 𝑏2
𝐿’ Primer Ecuación ordinaria
Forma canónica
Hipérbola(𝐴𝑛á𝑙𝑖𝑠𝑖𝑠)
𝑥2 𝑦2 𝑏
− =1 S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑦: 𝑦=± 𝑥 2 − 𝑎2
𝑎2 𝑏2 𝑎
Primer Ecuación ordinaria 𝐿𝑎 ℎ𝑖𝑝é𝑟𝑏𝑜𝑙𝑎 𝑛𝑜 𝑒𝑠𝑡𝑎 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑝𝑎𝑟𝑎: −𝑎 < 𝑥 < 𝑎
Forma canónica
𝑎
𝑦 S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑥: 𝑥=∓ 𝑦 2 + 𝑏2
𝑏
𝑂𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 𝑑𝑒 𝑥 𝑝𝑎𝑟𝑎
𝐿
𝑃(𝑥; 𝑦) 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 𝑑𝑒 𝑦
𝐴(0; 𝑏)
𝐿𝑎 ℎ𝑖𝑝é𝑟𝑏𝑜𝑙𝑎 𝑛𝑜 𝑒𝑠 𝑢𝑛𝑎 𝑐𝑢𝑟𝑣𝑎 𝑐𝑒𝑟𝑟𝑎𝑑𝑎
𝑉′(−𝑎; 0)
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) 𝑥 𝑐𝑜𝑛𝑠𝑡𝑎 𝑑𝑒 𝑑𝑜𝑠 𝑟𝑎𝑚𝑎𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠 𝑦 es
simétrica respecto a ambos ejes coordenados
𝐴′(0; −𝑏)
y al origen
𝐿’
𝑥2 𝑦2
𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜 − =1
𝑎2 𝑏2
𝑏
S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑦: 𝑦=± 𝑥 2 − 𝑎2
𝑎
𝑦
𝐹(𝑐; 0) S𝑖 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑚𝑜𝑠 𝑥 = 𝑐
𝑃(𝑥; 𝑦)𝐿 𝑏 2
𝐿 𝑦=∓ 𝑐 − 𝑎2
𝐴(0; 𝑏) 𝑎
𝑑𝑒 𝑙𝑎 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑏2 = 𝑐 2 − 𝑎2
𝑉′(−𝑎; 0)
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0) 𝑥 𝑏 𝑏2
𝑦=∓ 𝑏2 𝑦=∓
𝑎 𝑎
𝐴′(0; −𝑏)
2
𝐿’ 2𝑏
𝐿’ 𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜:
𝑎
𝐴𝑠í𝑛𝑡𝑜𝑡𝑎𝑠 𝑥2 𝑦2
− =1
𝑎2 𝑏2
𝑏
S𝑖 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑦: 𝑦=± 𝑥 2 − 𝑎2
𝑎
𝑏 𝑏 Escrita de la forma: 𝑏 𝑎2
𝑦=− 𝑥 𝑦= 𝑥 𝑦 =± 𝑥 1− 2
𝑎 𝑎 𝑎 𝑥
𝐿 𝑃(𝑥; 𝑦)𝐿
𝐴(0; 𝑏) Si un punto de la hipérbola se mueve
de modo que aumenta x: 𝑎 2
𝑉′(−𝑎; 0) →0
𝑥2
𝐹′(−𝑐; 0) 𝑉(𝑎; 0) 𝐹(𝑐; 0)
𝑏
𝑦=± 𝑥
𝐴′(0; −𝑏) 𝑎
𝐿’
𝐿’
𝑦
𝐸 𝐵
𝐿 𝑆𝑒𝑔𝑚𝑒𝑛𝑡𝑜𝑠: 𝐵𝐵′ : 𝑐𝑢𝑒𝑟𝑑𝑎
𝐷 𝑃(𝑥; 𝑦)
𝐹′(−𝑐; 0) 𝐹(𝑐; 0) 𝑥 𝐷𝐷′ : 𝑑𝑖á𝑚𝑒𝑡𝑟𝑜
𝐸′ 𝐷’ 𝐿𝐿′ : 𝑙𝑎𝑑𝑜 𝑟𝑒𝑐𝑡𝑜

𝐿’
𝐵’
𝑃𝐹 ′ : 𝑟𝑎𝑑𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟
𝑐
𝐸𝑥𝑐𝑒𝑛𝑡𝑟𝑖𝑐𝑖𝑑𝑎𝑑: 𝑒 =
𝑦 𝑎
𝑎<𝑐 𝑒>1
Si “c” está más cerca de “a” es decir que

𝑒 se aproxima a 1 las ramas se cierran
𝑥
Si “c” se aleja de a , es decir 𝑒 se hace mas
grande las ramas se abren
Hipérbola
𝑦 𝑦2 𝑥2
𝑙 − =1
𝑎2 𝑏2
Primer Ecuación ordinaria
𝐹(0; 𝑐) 𝐿
𝐿’ Forma canónica
𝑃(𝑥; 𝑦)
𝑉(0; 𝑎)
𝐴′(−𝑏; 0) El eje transverso se corresponde con la
𝐴(𝑏; 0) 𝑥 variable que tiene coeficiente positivo
𝑉′(0; −𝑎)
𝐿’ 𝐿
𝐹′(0; −𝑐)
Hipérbola
Centro (h; k) y eje paralelo al eje coordenado “x”

𝑦′
𝑦 𝑥 = 𝑥′ + h 𝑥′ = x − h
𝑦 = 𝑦′ + k 𝑦′ = y − k
𝐿 𝑃(𝑥; 𝑦)𝐿
𝐴(ℎ; 𝑘 + 𝑏)
𝑥′2 𝑦′2
𝑉′(ℎ − 𝑎; 𝑘) − =1
𝑘 0’ 𝑎2 𝑏2
𝐹′(ℎ − 𝑐; 𝑘) 𝑉(ℎ + 𝑎; 𝑘)𝐹(ℎ + 𝑐; 𝑘) 𝑥′
𝐴′(ℎ; 𝑘 − 𝑏) (𝑥 − ℎ)2 (𝑦 − 𝑘)2

𝐿’ − =1
𝑎2 𝑏2
𝐿’ Segunda Ecuación ordinaria
0 ℎ 𝑥
Hipérbola
Centro (h; k) y eje paralelo al eje coordenado “y”
𝑦′ Trasladamos los ejes coordenados “x” e “y” de

𝑙 modo que coincidan con el nuevo centro (h; k)
𝑦 𝑥 = 𝑥′ + h 𝑥′ = x − h
𝐹(ℎ; 𝑘 + 𝑐) 𝐿
𝐿’ 𝑃(𝑥; 𝑦) 𝑦 = 𝑦′ + k 𝑦′ = y − k
𝑉(ℎ; 𝑘 + 𝑎)
𝐴′(ℎ − 𝑏; 𝑘) 𝐴(ℎ + 𝑏; 𝑘)
𝑘 𝑦′2 𝑥′2
𝑥′ − =1
𝑉′(ℎ; 𝑘 − 𝑎) 𝑎2 𝑏2
𝐿’ 𝐿
𝐹′(ℎ; 𝑘 − 𝑐) (𝑦 − 𝑘)2 (𝑥 − ℎ)2
− =1
𝑎2 𝑏2
ℎ 𝑥
Hipérbola
Relación entre la ecuación ordinaria y la ecuación general
(𝑥 − ℎ)2 (𝑦 − 𝑘)2 𝑀𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑝𝑜𝑟 𝑎2 𝑏2
− =1
𝑎2 𝑏2 (𝑥 − ℎ)2
(𝑦 − 𝑘) 2
Segunda Ecuación ordinaria 𝑎2 𝑏2 2 − 𝑎2 𝑏2 2 = 𝑎2 𝑏2
𝑎 𝑏
𝐴𝑥 2 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0 𝑏2 𝑥 2 − 2ℎ𝑥 + ℎ2 − 𝑎2 𝑦 2 − 2𝑘𝑦 + 𝑘 2 = 𝑎2 𝑏2
𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑖𝑚𝑜𝑠 𝑒 𝑖𝑔𝑢𝑎𝑙𝑎𝑚𝑜𝑠 𝑎 𝑐𝑒𝑟𝑜
𝑏2 𝑥 2 − 2𝑏2 ℎ𝑥 + 𝑏2 ℎ2 − 𝑎2 𝑦 2 + 2 𝑎2 𝑘𝑦 − 𝑎 2 𝑘 2 − 𝑎2 𝑏2 = 0
𝑏2 𝑥 2 − 𝑎2 𝑦 2 − 2𝑏2 ℎ𝑥 + 2 𝑎 2 𝑘𝑦 − 𝑎2 𝑘 2 + 𝑏2 ℎ2 − 𝑎2 𝑏2 = 0
𝐴 𝑦 𝐶 distinto signo 𝐴𝑥 2 + 𝐶𝑦 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹 = 0
Forma general
Hipérbola 𝐸𝑞𝑢𝑖𝑙𝑎𝑡𝑒𝑟𝑎 𝑜 𝑅𝑒𝑐𝑡𝑎𝑛𝑔𝑢𝑙𝑎𝑟
𝑦
Las longitudes de los ejes
transverso y conjugado
son iguales.
𝑎=𝑏
𝑥
Hipérbola 𝐶𝑜𝑛𝑗𝑢𝑔𝑎𝑑𝑎𝑠
𝑦 Si la longitud del eje transverso
de una hipérbola es igual a la
longitud del eje conjugado de
otra y viceversa
𝑥
Ambas hipérbolas tienen el centro común,
ambas asíntotas también son comunes
y los focos equidistan del centro.
https://www.youtube.com/watch?v=iX3ofAj
GGjo
Cuádricas
Unidad N° 9
Superficies Cuádricas
Se trata de una generalización de las cónicas
Pasamos del plano al espacio de tres dimensiones

Las superficies definidas por una ecuación de segundo grado en las
variables “x”, “y”, “z”, reciben el nombre de cuádricas.
Ecuación General
Representa una rotación de los ejes = 0
Término
Términos rectangulares independiente
𝑨𝒙𝟐 + 𝑩𝒚𝟐 + 𝑪𝒛𝟐 + 𝑫𝒙𝒚 + 𝑬𝒙𝒛 + 𝑭𝒚𝒛 + 𝑮𝒙 + 𝑯𝒚 + 𝑰𝒛 + 𝑲 = 𝟎

Términos lineales
Términos cuadráticos Representa una traslación = 0
Superficies Cuádricas
Se trata de una generalización de las cónicas
Pasamos del plano al espacio de tres dimensiones
Las superficies definidas por una ecuación de segundo grado en las

variables “x”, “y”, “z”, reciben el nombre de cuádricas.
Ecuación General
𝑨𝒙𝟐 + 𝑩𝒚𝟐 + 𝑪𝒛𝟐 + 𝑲 = 𝟎

Con Centro
Son superficies simétricas respecto
al origen
Cuádricas
Sin Centro
Son superficies que carecen de
simetría
Cuádricas con centro
Se representan con la
ecuación 𝑴𝒙𝟐 + 𝑵𝒚𝟐 + 𝑷𝒛𝟐 = 𝐑
donde M, N , P son distintos
de cero y R es positivo
Hiperboloide
Elipsoide
Hiperboloide de dos hojas
Los coeficientes de una hoja
De los coeficientes M, N, P
M, N, P
De los coeficientes M, N, P Uno es positivo
son positivos
Dos son positivos
𝑴𝒙𝟐 + 𝑵𝒚𝟐 + 𝑷𝒛𝟐 = 𝐑
Podemos dividir dicha ecuación por “R”
𝑴 𝟐 𝑵 𝟐 𝑷 𝟐 𝑹
𝒙 + 𝒚 + 𝒛 =
𝑹 𝑹 𝑹 𝑹
Puede expresarse como: 𝒙𝟐 𝒚𝟐 𝒛𝟐 Haciendo:
+ + =𝟏
𝑹 𝑹 𝑹 𝑹
=𝒂𝟐
𝑹
=𝒃𝟐
𝑹
= 𝒄𝟐
𝑴 𝑵 𝑷 𝑴 𝑵 𝑷
Resultado: 𝒙𝟐 𝒚𝟐 𝒛𝟐
± 𝟐± 𝟐± 𝟐=𝟏
𝒂 𝒃 𝒄
Es una figura geométrica generada por la
Elipsoide rotación de un disco ovalado o una
elipse en su eje mayor.
Esta superficie es el
equivalente a
una elipse en R3, la
cual se caracteriza por
tener ciertas trazas
circulares y elípticas
𝒙𝟐 𝒚𝟐 𝒛𝟐 Todos
Elipsoide 𝟐
+ 𝟐+ 𝟐=𝟏
𝒂 𝒃 𝒄 positivos
Dependiendo de los valores

de 𝑎; 𝑏 o 𝑐, el hiperboloide va
a ser estirado según ese eje,
o sea que si 𝑎 > 𝑏 >𝑐 va a
estar estirado en el eje x y
así sucesivamente
Elipsoide
Trazas
Traza sobre el Para obtener la traza sobre el plano xy, realizamos la intersección
de la superficie con el plano de ecuación z= 0.
plano xy
𝒙𝟐 𝒚𝟐 𝒛𝟐
𝟐
+ 𝟐+ 𝟐=𝟏
𝒂 𝒃 𝒄
𝒛=𝟎
𝒙𝟐 𝒚𝟐
𝟐
+ 𝟐=𝟏
𝒂 𝒃
Esta ecuación representa los puntos de una elipse
sobre el plano de ecuación z = 0 (plano xy)
Elipsoide
Trazas
Traza sobre el Para obtener la traza sobre el plano xz, realizamos la intersección
de la superficie con el plano de ecuación y= 0.
plano xz
𝒙𝟐 𝒚𝟐 𝒛𝟐
𝟐
+ 𝟐+ 𝟐=𝟏
𝒂 𝒃 𝒄
𝒚=𝟎
𝒙𝟐 𝒛𝟐
𝟐
+ 𝟐=𝟏
𝒂 𝒄
sobre el plano de ecuación y = 0 (plano xz)
Elipsoide
Trazas
Traza sobre el Para obtener la traza sobre el plano yz, realizamos la intersección
de la superficie con el plano de ecuación x= 0.
plano yz
𝒙𝟐 𝒚𝟐 𝒛𝟐
𝟐
+ 𝟐+ 𝟐=𝟏
𝒂 𝒃 𝒄
𝒙=𝟎
𝒚𝟐 𝒛𝟐
𝟐
+ 𝟐=𝟏
𝒃 𝒄
sobre el plano de ecuación x = 0 (plano yz)
Elipsoide
Trazas
𝑥2 𝑧2 𝑦2 𝑧2
2
+ 2=1 Traza xz + 2=1
𝑎 𝑐 𝑏 2 𝑐
Traza yz
𝑥2 𝑦2
2
+ 2=1
𝑎 𝑏
Traza xy
Elipsoide
Formación del elipsoide a partir
de sus cónicas
Elipsoide
Ejemplos reales
Gran Teatro
Cybertecture Egg
Nacional (Pekín,
(Mumbai, India)
China)
𝟐 𝟐 𝟐
Hiperboloide 𝒙 𝒚 𝒛 De los
± 𝟐 ± 𝟐 ± 𝟐 = 𝟏 coeficientes dos
de una hoja 𝒂 𝒃 𝒄
son positivos
El eje del hiperboloide corresponde a la variable
cuyo coeficiente es negativo
𝒙𝟐 𝒚𝟐 𝒛𝟐 𝒙𝟐
𝒚𝟐
𝒛 𝟐 𝒙𝟐 𝒚𝟐 𝒛𝟐
𝟐
+ 𝟐− 𝟐=𝟏 − 𝟐+ 𝟐=𝟏 − 𝟐+ 𝟐+ 𝟐=𝟏
𝒂 𝒃 𝒄 𝒂 𝟐 𝒃 𝒄 𝒂 𝒃 𝒄
𝒙𝟐 𝒚𝟐 𝒛𝟐
Hiperboloide 𝟐
+ 𝟐− 𝟐=𝟏 Trazas
𝒂 𝒃 𝒄
de una hoja Traza sobre el plano xy
Para obtener la traza sobre el plano xy, realizamos la intersección de la
superficie con el plano de ecuación z= 0.
𝒙𝟐 𝒚𝟐
𝒛=𝟎 𝟐
+ 𝟐=𝟏
𝒂 𝒃
Esta ecuación representa los puntos de
una elipse/circunferecia sobre el
plano de ecuación z = 0 (plano xy)
𝒙𝟐 𝒚𝟐 𝒛𝟐
Hiperboloide 𝟐
𝒂 𝒃 𝒄
de una hoja Traza sobre el plano xz
Para obtener la traza sobre el plano xz, realizamos la intersección de la
superficie con el plano de ecuación y = 0.
𝒙𝟐 𝒛𝟐
𝒚=𝟎 𝟐
− 𝟐=𝟏
𝒂 𝒄
una hipérbola sobre el plano de
ecuación y = 0 (plano xz)
𝒙𝟐 𝒚𝟐 𝒛𝟐
Hiperboloide 𝟐
𝒂 𝒃 𝒄
de una hoja Traza sobre el plano yz
Para obtener la traza sobre el plano yz, realizamos la intersección de la
superficie con el plano de ecuación x = 0.
𝒚𝟐 𝒛𝟐
𝒙=𝟎 𝟐
− 𝟐=𝟏
𝒃 𝒄
ecuación x = 0 (plano yz)
Hiperboloide
𝑥2 𝑧2
de una hoja Traza xz 𝑎 2
− 2=1
𝑐
Trazas
𝑥2 𝑦2
2
+ 2=1
𝑎 𝑏
Traza xy
𝑦2 𝑧2
2
− 2=1
𝑏 𝑐
Traza yz
Hiperboloide
de una hoja Ejemplos reales
Planetario McDonnell. St. Louis, EEUU
Torre Port Kobe. Japón

Puente Corporation Street.
Manchester, Inglaterra
Torres de refrigeración.
Hiperboloide
𝒙𝟐 𝒚𝟐 𝒛𝟐
de dos hojas ± 𝟐± 𝟐± 𝟐=𝟏
𝒂 𝒃 𝒄
De los coeficientes dos son negativos
El eje del hiperboloide corresponde a la
variable cuyo coeficiente es positivo
𝒙𝟐 𝒚𝟐 𝒛𝟐 𝒙𝟐 𝒚𝟐 𝒛𝟐 𝒙𝟐 𝒚𝟐 𝒛𝟐
𝟐
− 𝟐− 𝟐=𝟏 − 𝟐+ 𝟐− 𝟐=𝟏 − 𝟐− 𝟐+ 𝟐=𝟏
𝒂 𝒃 𝒄 𝒂 𝒃 𝒄 𝒂 𝒃 𝒄
Hiperboloide 𝒙𝟐 𝒚𝟐 𝒛𝟐
de dos hojas 𝟐
− 𝟐− 𝟐=𝟏 Trazas
𝒂 𝒃 𝒄
Traza sobre el plano xy
𝒙𝟐 𝒚𝟐
𝒛=𝟎 𝟐
− 𝟐=𝟏
𝒂 𝒃
ecuación z = 0 (plano xy)
de dos hojas 𝟐
𝒂 𝒃 𝒄
Traza sobre el plano xz
𝒙𝟐 𝒛𝟐
𝒚=𝟎 𝟐
− 𝟐=𝟏
𝒂 𝒄
de dos hojas 𝟐
𝒂 𝒃 𝒄
Traza sobre el plano yz
𝒚𝟐 𝒛𝟐
𝒙=𝟎 − 𝟐− 𝟐=𝟏
𝒃 𝒄
Valor no lógico: la suma de dos números
negativos es igual al número uno positivo.
Pero si se mueve un plano paralelo al plano
yz obtendremos una elipse o circunferencia
Hiperboloide
de dos hojas Traza xz Trazas
Traza xy
Traza yz Traza plano

No hay a yz
Hiperboloide
Ejemplos reales
de dos hojas
Cuádricas sin centro
Se representan con la
ecuación 𝑴𝒙𝟐 + 𝑵𝒚𝟐 = 𝑺𝒛
donde M, N , S son distintos
de cero
Paraboloide 𝒙𝟐 𝒚𝟐 Paraboloide
± 𝟐 ± 𝟐 = 𝒄𝒛
Elíptico 𝒂 𝒃
Hiperbólico
Los coeficientes cuadráticos
son positivos Uno de los coeficientes
cuadráticos es positivo y el
otro negativo
Paraboloide
Es una figura geométrica generada por el
Elíptico desplazamiento de parábolas, si las
parábolas son iguales, el paraboloide
resulta ser de revolución y podría
generarse también mediante el giro de la
parábola alrededor de su eje.
Paraboloide
𝒙𝟐 𝒚𝟐
Elíptico ± 𝟐 ± 𝟐 = 𝒄𝒛 Los coeficientes cuadráticos
𝒂 𝒃 son positivos
Para cada forma podemos tener dos variaciones,
según sea “c” positivo o negativo.
𝒙𝟐 𝒚𝟐 𝒙𝟐 𝒛𝟐 𝒚𝟐 𝒛𝟐
𝟐
+ 𝟐 = 𝒄𝒛 𝟐
+ 𝟐 = 𝒄𝒚 𝟐
+ 𝟐 = 𝒄𝒙
𝒂 𝒃 𝒂 𝒃 𝒂 𝒃
Paraboloide 𝒙𝟐 𝒚𝟐
± ± = 𝒄𝒛 Los coeficientes
Elíptico 𝒂 𝒃 cuadráticos son positivo
Para cada forma podemos tener dos variaciones, según sea
𝟐 𝟐
“c” positivo o negativo.
𝒙 𝒚 𝒙𝟐 𝒛𝟐 𝒚 𝟐 𝒛𝟐
𝟐
+ 𝟐 = −𝒄𝒛 + 𝟐 = −𝒄𝒚 + 𝟐 = −𝒄𝒙
𝒂 𝒃 𝒂 𝟐 𝒃 𝒂 𝟐 𝒃
𝟐
+ 𝟐 = 𝒄𝒛 Trazas
Elíptico 𝒂 𝒃
𝒙𝟐 𝒚𝟐
𝒛=𝟎 + 𝟐=𝟎
𝒂 𝟐 𝒃
Esta ecuación representa un punto sobre
el plano de ecuación z = 0 (plano xy). Si
el plano se desplaza hacia z (Plano
paralelo al plano xy) positivo se tendrá
una elipse/circunferencia
+ = 𝒄𝒛 Trazas
Elíptico 𝒂 𝒃
𝒙𝟐
𝒚=𝟎 𝟐
= 𝒄𝒛
𝒂
una parábola sobre el plano de
+ = 𝒄𝒛 Trazas
Elíptico 𝒂 𝒃
𝒚𝟐
𝒙=𝟎 𝟐
= 𝒄𝒛
𝒃
una parábola sobre el plano de
ecuación x = 0 (plano yz)
Paraboloide Trazas
Elíptico
Traza xz
Traza yz
Traza plano a xy
Traza xy
Paraboloide Ejemplos reales
Elíptico
Paraboloide Es una figura geométrica,
Hiperbólico una superficie, que en una
dirección tiene las secciones
en forma de parábola con los
lados hacia arriba y, en la
sección perpendicular, las
secciones son en forma de
parábola con los lados hacia
abajo.
Paraboloide
𝒙𝟐 𝒚𝟐 Los coeficientes
Hiperbólico ± 𝟐 ± 𝟐 = 𝒄𝒛
𝒂 𝒃 cuadráticos son distintos
(uno positivo y el otro
negativo)
𝒙𝟐 𝒚𝟐 𝒙𝟐 𝒛𝟐 𝒚 𝟐
𝒛 𝟐
𝟐
− 𝟐 = 𝒄𝒛 − 𝟐 = 𝒄𝒚 − 𝟐 = 𝒄𝒙
𝒂 𝒃 𝒂 𝟐 𝒃 𝒂 𝟐 𝒃
Paraboloide
Hiperbólico 𝒙𝟐 𝒚𝟐 Trazas
𝟐
− 𝟐 = 𝒄𝒛
𝒂 𝒃
𝒙𝟐 𝒚𝟐
𝒛=𝟎 𝟐
− 𝟐=𝟎
𝒂 𝒃
Esta ecuación representa rectas sobre
el plano de ecuación z=0 (Plano xy).
Cuando el plano es de ecuación z = k
(plano paralelo al plano xy) se
obtienen hipérbolas
Paraboloide
𝟐
− 𝟐 = 𝒄𝒛
𝒂 𝒃
superficie con el plano de ecuación y= 0.
𝒙𝟐
𝒚=𝟎 𝟐
= 𝒄𝒛
𝒂
Esta ecuación representa una parábola
sobre el plano y= 0 (plano xz)
Paraboloide
𝟐
− 𝟐 = 𝒄𝒛
𝒂 𝒃
superficie con el plano de ecuación x= 0.
𝒚𝟐
𝒙=𝟎 − 𝟐 = 𝒄𝒛
𝒃
Esta ecuación representa una parábola
sobre el plano x= 0 (plano yz)
Paraboloide
Hiperbólico Trazas
Traza xz Traza yz
Traza xy
Paraboloide
Hiperbólico Ejemplos reales
𝑛
VECTORES EN n DIMENSIONES ℝ
VECTORES EN n DIMENSIONES
En n dimensiones ℝ𝑛
Si n es un número entero positivo, ℝ𝑛 denota las n dimensiones, donde podemos denotar un vector de la
siguiente manera:
𝑎1
𝑎2 ¿Cómo interpretamos
𝑎ത = 𝑎3 ℝ𝑛 ?
⋮
𝑎𝑛
Este tipo de vectores es el más utilizado en Álgebra, ya que como veremos en la unidad 8 de Espacios
Vectoriales, se pueden expresar determinados objetos de esta forma, por ejemplo, el listado de precios en algún
comercio (panadería) como el que sigue:
Hemos puesto 6 ítems, con lo que n, en este caso es 6, pero un
𝑝𝑎𝑛 𝑓𝑟𝑎𝑛𝑐é𝑠 $30 automóvil podemos también, expresarlo como un vector con
𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 $25 alrededor de 1.700 ítems, o un edificio con alrededor de 500 ítems,
𝑚𝑒𝑑𝑖𝑎𝑙𝑢𝑛𝑎𝑠 $22
𝑃𝑟𝑒𝑐𝑖𝑜𝑠 = 𝑔𝑟𝑖𝑠𝑖𝑛𝑒𝑠 = con lo que, en el caso del automóvil, n será 1.700 y en el edificio será
$15
𝑓𝑎𝑐𝑡𝑢𝑟𝑎𝑠 $32 500.
𝑝𝑎𝑛 𝑚𝑖𝑔𝑛𝑜𝑛 $35 Como conclusión, diremos que todo el desarrollo que vimos, que lo
hicimos en ℝ2 𝑜 ℝ3 , será válido para ℝ𝑛
Definición
Un vector de ℝ𝑛 es un conjunto ordenado de n números reales, los cuales son llamados componentes. Lo
denotaremos de la siguiente manera: 𝑣1
𝑣2
𝑣 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 = 𝑣3
⋮
Igualdad de vectores 𝑣𝑛
Dos vectores 𝑣 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 y 𝑢 = 𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 en ℝ𝑛 son iguales si:
𝑣1 = 𝑢1 , 𝑣2 = 𝑢2 , 𝑣3 = 𝑢3 , … , 𝑣𝑛 = 𝑢𝑛
Suma/Resta de vectores
La suma de dos vectores 𝑣 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 y 𝑢 = 𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 en ℝ𝑛 se define por:
𝑣 + 𝑢 = (𝑣1 + 𝑢1 , 𝑣2 + 𝑢2 , 𝑣3 + 𝑢3 , … , 𝑣𝑛 + 𝑢𝑛 )
Propiedades
1) Uniforme: 𝑎 = 𝑎′ , 𝑏 = 𝑏′ ⇔ 𝑎 + 𝑏 = 𝑎′ + 𝑏′
2) Asociativa: 𝑎 + 𝑏 + 𝑐 = 𝑎 + (𝑏 + 𝑐)
3) Conmutativa: 𝑎 + 𝑏 = 𝑏 + 𝑎
4) Del cero: existe un único vector, llamado el cero 0 (0, 0, 0, …, 0) , que sumado con cualquier otro vector no lo altera: 0 +
𝑎 =𝑎+0=𝑎
5) Del opuesto: dado un vector 𝑎 (𝑎1 , 𝑎2 , 𝑎3 , … , 𝑎𝑛 ), existe uno opuesto −𝑎 (−𝑎1 , −𝑎2 , −𝑎3 , … , −𝑎𝑛 ) (es decir el opuesto de
un vector es aquel que tiene las componentes con los signos opuestos o contrarios) que sumado con aquel da por resultado el
vector cero: 𝑎 + −𝑎 = 0
Ingeniería y vectores de ℝ𝑛
Volviendo al ejemplo de la panadería, supongamos que en la panadería hay el siguiente stock de productos:
𝑝𝑎𝑛 𝑓𝑟𝑎𝑛𝑐é𝑠 100 𝑝𝑎𝑛 𝑓𝑟𝑎𝑛𝑐é𝑠 50
𝑝𝑎𝑛 𝑚𝑖ñó𝑛 150 𝑝𝑎𝑛 𝑚𝑖ñó𝑛 100
𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 ℎ𝑜𝑗𝑎𝑙𝑑𝑟𝑒 260 𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 ℎ𝑜𝑗𝑎𝑙𝑑𝑟𝑒 60
𝑃1 = = e ingresa la siguiente mercadería: 𝑃2 = =
𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 𝑐𝑜𝑚𝑢𝑛𝑒𝑠 350 𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 𝑐𝑜𝑚𝑢𝑛𝑒𝑠 35
𝑓𝑎𝑐𝑡𝑢𝑟𝑎𝑠 230 𝑓𝑎𝑐𝑡𝑢𝑟𝑎𝑠 23
𝑚𝑒𝑑𝑖𝑎𝑙𝑢𝑛𝑎𝑠 525 𝑚𝑒𝑑𝑖𝑎𝑙𝑢𝑛𝑎𝑠 125
100 50 150 𝑝𝑎𝑛 𝑓𝑟𝑎𝑛𝑐é𝑠

150 100 250 𝑝𝑎𝑛 𝑚𝑖ñó𝑛
260 60 320 𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 ℎ𝑜𝑗𝑎𝑙𝑑𝑟𝑒
el stock final será 𝑃𝑓 = 𝑃1 + 𝑃2 = + = =
350 35 385 𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 𝑐𝑜𝑚𝑢𝑛𝑒𝑠
230 23 253 𝑓𝑎𝑐𝑡𝑢𝑟𝑎𝑠
525 125 650 𝑚𝑒𝑑𝑖𝑎𝑙𝑢𝑛𝑎𝑠
Producto de un vector por un escalar
Dado 𝑣 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 un vector en ℝ𝑛 y 𝑘 un escalar, entonces la multiplicación queda:
Propiedades: 𝑘𝑣 = 𝑘𝑣1 , 𝑘𝑣2 , 𝑘𝑣3 , … , 𝑘𝑣𝑛
1) El producto de un escalar por un vector es distributivo respecto a la suma de escalares:
(λ+σ)𝑎=λ𝑎+σ𝑎
En efecto, siendo λ 𝑎 y σ 𝑎 de la misma dirección que 𝑎 , su suma nos da un vector de la misma dirección, cuyo módulo es el
valor absoluto de la suma algebraica de dos segmentos cuyo sentido depende de los signos de λ y σ y cuyos valores absolutos son
λ𝑎 yσ𝑎 .
2) Es distributiva con respecto a la suma de vectores:
λ (𝑎 + 𝑏) = λ 𝑎 + λ 𝑏
3) Goza este producto de la propiedad asociativa respecto del producto de escalares:
λ (σ .𝑎) = (λ.σ) 𝑎 = σ (λ.𝑎)
4) Elemento neutro
1𝑎 = 𝑎
Ingeniería y vectores de ℝ𝑛
Siguiendo con el ejemplo de la panadería, supongamos que el dueño decide aumentar el precio 20%, lo que queda:
𝑝𝑎𝑛 𝑓𝑟𝑎𝑛𝑐é𝑠 $ 40 $ 40 $ 48
𝑝𝑎𝑛 𝑚𝑖ñó𝑛 $ 50 $ 50 $ 60
𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 ℎ𝑜𝑗𝑎𝑙𝑑𝑟𝑒 $ 60 $ 60 $ 72
𝑃= = 𝑎𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑒𝑙 𝑎𝑢𝑚𝑒𝑛𝑡𝑜 𝑑𝑒𝑙 20% 𝑃𝑓 = 1,2 . =
𝑐𝑟𝑖𝑜𝑙𝑙𝑜𝑠 𝑐𝑜𝑚𝑢𝑛𝑒𝑠 $ 50 $ 50 $ 60
𝑓𝑎𝑐𝑡𝑢𝑟𝑎𝑠 $ 30 $ 30 $ 36
𝑚𝑒𝑑𝑖𝑎𝑙𝑢𝑛𝑎𝑠 $ 25 $ 25 $ 30
Módulo de un vector en ℝ𝑛
Sea 𝑣 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 , un vector de ℝ𝑛 , el módulo de dicho vector estará dado por:
𝑣 = 𝑣1 2 + 𝑣2 2 + 𝑣3 2 + ⋯ + 𝑣𝑛 2
Producto escalar de dos vectores en ℝ𝑛

El producto escalar o interior entre dos vectores 𝑣 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 y 𝑢 = 𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑛 en ℝ𝑛 , estará dado por:
𝑣 . 𝑢 = 𝑣1 . 𝑢1 + 𝑣2 . 𝑢2 + 𝑣3 . 𝑢3 + ⋯ + 𝑣𝑛 . 𝑢𝑛
Propiedades:
a) Conmutativo: 𝑎 . 𝑏 = 𝑏 . 𝑎
b) Distributiva respecto a la suma de vectores: 𝑎 . 𝑏 + 𝑐 = 𝑎 . 𝑏 + 𝑎 . 𝑐
c) Si se multiplica uno de los vectores por un número, el producto escalar quedará multiplicado por dicho número
𝜆 .𝑎 .𝑏 = 𝜆 𝑎 .𝑏 = 𝜆 .𝑏 .𝑎 con la condición de que λ  0
d) Dos vectores 𝑎 𝑦 𝑏 de ℝ𝑛 se denominan ortogonales (perpendiculares) si 𝑎 . 𝑏 = 0
Combinación lineal 𝑎1 = 𝜆1 𝑒ҧ
ℎത 𝑎ത = 𝑎1 + 𝑎2 + 𝑎3 (1) 𝑎2 = 𝜆2 𝑔ҧ (2)
𝑎3 = 𝜆3 ℎത
𝑎ത Reemplazamos (2) en (1)
𝑎3
Expresamos el vector 𝑎ത
𝑎ത = 𝜆1 𝑒ҧ + 𝜆2 𝑔ҧ + 𝜆3 ℎത como combinación lineal
de los vectores 𝑒,ҧ 𝑔ҧ y ℎത
𝑎2 𝑔ҧ 𝜆1 , 𝜆2 𝑦 𝜆3 son escalares que me
𝑎1
permiten establecer la combinación
lineal
𝑒ҧ
El vector 𝑣 de ℝ𝑛 , es combinación lineal del conjunto de vectores 𝐴 = 𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 , si y solo si,

existen escalares 𝜆1 , 𝜆2 , 𝜆3 , … , 𝜆𝑛 , tales que:
𝑣 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3 + … + 𝜆𝑛 𝑣𝑛
Ingeniería y combinación lineal de vectores
Supongamos que tenemos 4 tachos de pintura colores rojo, amarillo, azul y verde (conjunto A).
Queremos pintar nuestra pieza de color verde (vector 𝑣 de la ecuación anterior), entonces, combinando linealmente
el tacho azul, el amarillo y el verde, logramos lo que necesitamos de la siguiente forma:
𝑉𝑒𝑟𝑑𝑒 = 500𝑚𝑙 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑜 + 500𝑚𝑙 𝑎𝑧𝑢𝑙 + 500𝑚𝑙 𝑑𝑒 𝑟𝑜𝑗𝑜
Lo que estamos haciendo es combinar linealmente (a través de escalares 𝜆1 = 500𝑚𝑙, 𝜆2 = 500𝑚𝑙 𝑦 𝜆3 = 500𝑚𝑙)
3 colores (vectores rojo, azul y amarillo) para obtener lo que necesitamos.
Dependencia e independencia lineal de vectores
Para determinar analíticamente si un conjunto de vectores es linealmente independiente o dependiente, se
debe investigar qué tipo de combinación lineal genera al vector nulo.
Diremos que un conjunto de vectores 𝑨 = 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 es linealmente independiente, si la
única forma de escribir el vector nulo (0) como combinación lineal de los vectores de A es con todos
escalares nulos. Es decir:
𝟎 = 𝝀𝟏 𝒗𝟏 + 𝝀𝟐 𝒗𝟐 + 𝝀𝟑 𝒗𝟑 + … + 𝝀𝒏 𝒗𝒏 ⟹ 𝝀𝟏 = 𝝀𝟐 = 𝝀𝟑 = ⋯ = 𝝀𝒏 = 𝟎
En caso contrario, 𝑨 = 𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 , … , 𝒗𝒏 es linealmente dependiente si para escribir el vector nulo no
necesitamos que los escalares sean todos nulos. Es decir, existe 𝝀𝒊 , tal que 𝝀𝒊 ≠ 𝟎 con 𝒊 = 𝟏; 𝟐; 𝟑; … ; 𝒏
Consideremos ahora los vectores 𝑢ത = (1, 2, 3) y 𝒗 ഥ = ( 2, 4, 6). Podemos expresar:
ഥ=0
2 𝑢ത + (-1) 𝒗
ഥ a través de los escalares 2
es decir, se puede obtener el vector nulo como combinación lineal de los vectores 𝑢ത y 𝒗
y -1.
Tenemos entonces que aparte de la combinación lineal trivial, que siempre se puede formar, puede existir otra
combinación, en donde los escalares no sean todos nulos.
Ingeniería y Dependencia e independencia lineal de vectores

Volviendo al caso anterior de la pintura, si queremos obtener el color cero (suponiendo que exista), combinando
linealmente el rojo, el azul y el amarillo, nos queda:
0 = 𝜆1 𝑟𝑜𝑗𝑜 + 𝜆2 𝑎𝑧𝑢𝑙 + 𝜆3 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑜
Al ser estos 3 los colores primarios, la única combinación de 𝜆1 , 𝜆2 𝑦 𝜆3 , es que todos tengan el valor cero, ahora
tomemos los 4, o sea sumemos el verde, lo que nos queda:
0 = 𝜆1 𝑟𝑜𝑗𝑜 + 𝜆2 𝑎𝑧𝑢𝑙 + 𝜆3 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑜 + 𝜆4 𝑣𝑒𝑟𝑑𝑒
Vemos que 𝜆1 , 𝜆2 , 𝜆3 𝑦 𝜆4 , van a ser distintos de 0, ya que combinando linealmente el azul y el amarillo obtenemos
color verde, si le sumamos más verde (en este caso 𝜆4 sería negativo pero ≠ 0), vemos que los escalares son distintos
de cero, por lo que ese conjunto A es linealmente dependiente.
MATRICES
MATRICES
Es un cuadro ordenado de elementos de un conjunto, como: números reales, complejos y/o letras, que están
alineados horizontalmente formando filas y verticalmente formando columnas
𝑆𝑒 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑛 𝑐𝑜𝑛
𝑢𝑛𝑎 𝑙𝑒𝑡𝑟𝑎 𝑚𝑎𝑦ú𝑠𝑐𝑢𝑙𝑎 𝑦 𝑎11 𝑎12 … 𝑎1𝑛
𝑑𝑜𝑠 𝑠𝑢𝑏í𝑛𝑑𝑖𝑐𝑒𝑠, 𝑑𝑜𝑛𝑑𝑒 𝑒𝑙 𝑎21 𝑎22 … 𝑎2𝑛 𝑚 𝑥 𝑛 𝑖𝑛𝑑𝑖𝑐𝑎 𝑒𝑙
𝐴 = "m" filas
𝑝𝑟𝑖𝑚𝑒𝑟𝑜 𝑛𝑜𝑠 𝑑𝑖𝑐𝑒 𝑙𝑎 𝑚𝑥𝑛 ⋮ ⋮ ⋮ ⋮ 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠 𝑦 𝑒𝑙 𝑎 𝑚1 𝑎 𝑚2 … 𝑎 𝑚𝑛
𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑖𝑗 : 𝑖𝑛𝑑𝑖𝑐𝑎 𝑒𝑙 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑞𝑢𝑒
𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 "n" columnas 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑎 𝑙𝑎 𝑓𝑖𝑙𝑎 "𝑖"𝑦 𝑎 𝑙𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 "𝑗"
𝐸𝑗𝑒𝑚𝑝𝑙𝑜: 𝑎22 , 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎
𝑙𝑎 𝑓𝑖𝑙𝑎 2 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 2
Matriz Rectangular Matriz Diagonal
Matriz Transpuesta Matriz Escalar
Matriz Identidad
Matriz Cuadrada
Tipos de matrices Matriz Simétrica
Matriz Fila
Matriz Antisimétrica
Matriz Columna
Matriz Triangular: superior e inferior
Matriz Escalonada Matriz Inversa
Matriz Nula Matriz Ortogonal
MATRICES
Matriz Rectangular
Tiene diferente número de filas y de columnas
𝐴𝑚𝑥𝑛 𝑚≠𝑛
𝑛 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠
𝑛 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠
𝑉𝑒𝑟𝑡𝑖𝑐𝑎𝑙 𝐻𝑜𝑟𝑖𝑧𝑜𝑛𝑡𝑎𝑙
𝑀𝑎𝑦𝑜𝑟 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑀𝑎𝑦𝑜𝑟 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒
𝑓𝑖𝑙𝑎𝑠 𝑞𝑢𝑒 𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 𝑚 𝑓𝑖𝑙𝑎𝑠 𝑐𝑜𝑙𝑢𝑛𝑎𝑠 𝑞𝑢𝑒 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠 𝑚 𝑓𝑖𝑙𝑎𝑠
𝑚>𝑛 𝑛>𝑚
Matriz Transpuesta
Matriz que tiene por filas y columnas, las columnas y filas de la matiz A en ese orden. Se simboliza 𝐴𝑡
𝐴𝑛𝑥𝑝 ⟹ 𝐴𝑡𝑝𝑥𝑛
Ejemplo
−1 2
−1 3 4
𝐴= 3 5 = 𝐴3𝑥2 𝐴𝑡 = = 𝐴2𝑥3
2 5 −2
4 −2
MATRICES
Matriz Cuadrada
Tiene igual número de filas y de columnas
𝐴𝑛𝑥𝑛
Matriz Diagonal
Todos los elementos son nulos menos los de la diagonal principal
𝐴𝑛𝑥𝑛 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 ⟺ 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗 ; 𝑎𝑖𝑗 = 0
𝑎11 0 0 3 0 0 𝐷𝑒𝑓𝑖𝑛𝑖𝑚𝑜𝑠 𝑐𝑜𝑚𝑜 𝑻𝑹𝑨𝒁𝑨 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑎 𝑙𝑎
𝐴= 0 𝑎22 0 𝑃𝑜𝑟 𝑒𝑗𝑒𝑚𝑝𝑙𝑜 𝐴 = 0 5 0 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙
0 0 𝑎33 0 0 2 Σ𝑎𝑖𝑗 𝑝𝑎𝑟𝑎 𝑖 = 𝑗
Matriz Escalar
Matriz diagonal con los elementos de la diagonal principal todos iguales
𝛼 0 0 3 0 0
𝐴= 0 𝛼 0 𝑃𝑜𝑟 𝑒𝑗𝑒𝑚𝑝𝑙𝑜 𝐴 = 0 3 0
0 0 𝛼 0 0 3
MATRICES
Matriz Identidad
Matriz escalar donde los elementos de la diagonal principal son “1”
1 0 0
𝑎𝑖𝑗 = 1 𝑝𝑎𝑟𝑎 𝑖=𝑗 𝐴= 0 1 0
0 0 1
Matriz Simétrica
𝐴𝑛𝑥𝑛 𝑒𝑠 𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 𝑠𝑖 𝐴 = 𝐴𝑡
𝑎𝑖𝑗 = 𝑎𝑗𝑖 4 7 −4 4 7 −4
𝐴= 7 1 2 𝐴𝑡 = 7 1 2
𝐴 𝑒𝑠 𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 𝑠𝑖 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑠𝑢 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑡𝑎
−4 2 3 −4 2 3
𝐿𝑎 𝑠𝑖𝑚𝑒𝑡𝑟í𝑎 𝑒𝑠 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙
Matriz Antisimétrica
𝐴 = −𝐴𝑡 ⟺ 𝑠𝑖 𝑎𝑖𝑗 = −𝑎𝑖𝑗 ; 𝑎𝑖𝑖 = 0 0 4 3 0 −4 −3

𝐴 𝑒𝑠 𝑎𝑛𝑡𝑖𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 𝑠𝑖 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑙𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑐𝑎𝑚𝑏𝑖𝑎𝑑𝑎 𝑑𝑒 𝐴 = −4 0 −5 −𝐴𝑡 = 4 0 5
𝑠𝑖𝑔𝑛𝑜 𝑦 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑒𝑠 𝑎 𝑐𝑒𝑟𝑜 −3 5 0 3 −5 0
MATRICES
Matriz Triangular
Triangular Superior
Los elementos por encima de la diagonal principal son no nulos y el resto nulos
3 2 1
𝑃𝑎𝑟𝑎 𝑖 > 𝑗 ; 𝑎𝑖𝑗 = 0 𝑃𝑜𝑟 𝑒𝑗𝑒𝑚𝑝𝑙𝑜 𝐴 = 0 5 4
0 0 2
Triangular Inferior
Los elementos por debajo de la diagonal principal son no nulos y el resto nulos
3 0 0
𝑃𝑎𝑟𝑎 𝑖<𝑗 ; 𝑎𝑖𝑗 = 0 𝑃𝑜𝑟 𝑒𝑗𝑒𝑚𝑝𝑙𝑜 𝐴 = 2 5 0
7 6 2
Matriz Inversa
𝐴 .𝐵 = 𝐵 . 𝐴 = 𝐼 ⟶ 𝐵 = 𝐴−1
𝐴−1 𝑒𝑠 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑑𝑒 𝐴
𝐿𝑢𝑒𝑔𝑜 𝐴 . 𝐴−1 = 𝐴−1 . 𝐴 = 𝐼
Matriz Ortogonal
𝐴 . 𝐴𝑡 = 𝐴𝑡 . 𝐴 = 𝐼
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐴−1 = 𝐴𝑡
MATRICES
Matriz Fila Matriz Columna
𝐴1𝑥𝑛 = 𝑎11 𝑎12 … 𝑎1𝑛 𝑎11
𝑎21
𝑈𝑛𝑎 𝑓𝑖𝑙𝑎 𝐴𝑚𝑥1 = ⋮ 𝑈𝑛𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎
𝑎𝑚1
Matriz Escalonada
Tiene forma similar a la matriz triangular superior. No necesariamente cuadrada.
Los elementos nulos aparecen en la parte inferior de la matriz Los elementos no nulos aparecen más hacia la
derecha que en el renglón anterior
4 5 −2 1 4
𝐴= 0 3 −1 2 9
0 0 4 −10 7
0 0 0 0 0
Matriz Nula
Matriz cuyos elementos son todos ceros 𝑎𝑖𝑗 = 0
𝑆𝑒 𝑑𝑒𝑛𝑜𝑡𝑎 0𝑚𝑥𝑛
MATRICES
Igualdad de Matrices
Dos matrices son iguales si tienen el mismo orden y sus elementos correspondientes son iguales
𝐸𝑛 𝑠í𝑚𝑏𝑜𝑙𝑜𝑠
𝐴𝑚𝑥𝑛 = 𝐵𝑚𝑥𝑛 ⟺ 𝑎𝑖𝑗 = 𝑏𝑖𝑗
Mismo orden: igual Elementos correspondientes

cantidad de filas (m) que iguales: misma ubicación
de columnas (n)
Suma de Matrices
Condición Necesaria:
Ambas matrices deben ser del mismo orden Propiedades de la suma
𝐸𝑛 𝑠í𝑚𝑏𝑜𝑙𝑜𝑠 Conmutativa 𝑨+𝑩=𝑩+𝑨

𝐴𝑚𝑥𝑛 + 𝐵𝑚𝑥𝑛 = 𝐶𝑚𝑥𝑛
Asociativa 𝑨+ 𝑩+𝑪 = 𝑨+𝑩 +𝑪
𝐿𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑠𝑢𝑚𝑎 𝐶 𝑡𝑖𝑒𝑛𝑒 𝑒𝑙 𝑚𝑖𝑠𝑚𝑜
Elemento neutro 𝑨+𝟎=𝟎+𝑨=𝑨
𝑜𝑟𝑑𝑒𝑛 𝑞𝑢𝑒 𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝐴 𝑦 𝐵
Elemento inverso 𝑨 + −𝑨 = 𝟎
𝑎𝑖𝑗 + 𝑏𝑖𝑗 = 𝑐𝑖𝑗
Transpuesta de la suma (𝑨 + 𝑩)𝒕 = 𝑨𝒕 + 𝑩𝒕
𝐿𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑐𝑖𝑗 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒𝑛 𝑠𝑢𝑚𝑎𝑛𝑑𝑜 𝑙𝑜𝑠
𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝐴 𝑦 𝐵
MATRICES
Multiplicación por un escalar
𝐶𝑎𝑑𝑎 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑎𝑖𝑗 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑠𝑒 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑛 𝑝𝑜𝑟 𝑒𝑙 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝜆

𝜆𝐴 = 𝐴𝜆 = 𝜆𝑎𝑖𝑗
Propiedades de la multiplicación por un escalar
1 − 𝐴𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑎 𝜆1 𝜆2 𝐴 = 𝜆1 𝜆2 𝐴
2 − 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑎 𝑐𝑜𝑛 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝜆 𝐴 + 𝐵 = 𝜆𝐴 + 𝜆𝐵
3 − 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑎 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑒𝑠 (𝜆1 +𝜆2 )𝐴 = 𝜆1 𝐴 + 𝜆2 𝐴
4 − 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑛𝑒𝑢𝑡𝑟𝑜 𝑆𝑖 𝜆 = 1 ⟹ 𝜆𝐴 = 𝐴
MATRICES
Multiplicación de Matrices
Condición necesaria
El número de columnas de la matriz que premultiplica debe ser igual que el número de filas de la matriz que
postmultiplica
En símbolos
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑖𝑙𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜
𝐴 𝑚 𝑥 𝑛 . 𝐵 𝑛 𝑥 𝑝 = 𝐶𝑚 𝑥 𝑝
𝐶𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠
𝑁𝑒𝑐𝑒𝑠𝑎𝑟𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐵 = 𝑛ú𝑚𝑒𝑟𝑜
𝑑𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜
Ejemplo
2 1 1
1 2 0
𝐷𝑎𝑑𝑎𝑠 𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝐴= 𝐵= 1 2 0 𝐸𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝐴 . 𝐵?
0 1 −2
−2 −2 1
𝑉𝑒𝑎𝑚𝑜𝑠 𝑠𝑖 𝑐𝑢𝑚𝑝𝑙𝑒 𝑙𝑎
𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑛𝑒𝑐𝑒𝑠𝑎𝑟𝑖𝑎
𝐴2 𝑥 3 . 𝐵3 𝑥 3 = 𝐶2 𝑥 3 La matriz producto 𝑪
estará constituida por
Siiiiii dos filas y tres columnas
MATRICES
Disposición Práctica
Para calcular el término cij del producto, se multiplica término a
𝑅𝑒𝑠𝑜𝑙𝑣𝑒𝑟𝑒𝑚𝑜𝑠 𝐴𝑚𝑥𝑛 . 𝐵𝑛𝑥𝑝 = 𝐶𝑚𝑥𝑝
término la fila “i” del primer factor por la columna “j” del segundo factor
Matriz que postmultiplica y se efectúan las sumas de dichos productos.
𝐵𝑛𝑥𝑝
𝐴𝑚𝑥𝑛 𝐶𝑚𝑥𝑝
Matriz que premultiplica Matriz Producto Cálculo de los elementos de la matriz C
𝑏11 𝑏12 𝑐11 = 𝑎11 𝑏11 + 𝑎12 𝑏21 + 𝑎13 𝑏31

𝑏21 𝑏22
𝑐21 = 𝑎21 𝑏11 + 𝑎22 𝑏21 + 𝑎23 𝑏31
𝑏31 𝑏32
𝑎11 𝑎12 𝑎13 𝑐11 𝑐12 𝑐12 = 𝑎11 𝑏12 + 𝑎12 𝑏22 + 𝑎13 𝑏32
𝑎21 𝑎22 𝑎23 𝑐21 𝑐22 𝑐22 = 𝑎21 𝑏12 + 𝑎22 𝑏22 + 𝑎23 𝑏32
𝑐𝑖𝑗 = ෍ 𝑎𝑖𝑘 𝑏𝑘𝑗

𝑘=1
MATRICES
Veamos un ejemplo 2 1 1
1 2 0
𝐷𝑎𝑑𝑎𝑠 𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝐴= 𝐵= 1 2 0 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝐴 . 𝐵
0 1 −2
−2 −2 1
𝐴2𝑥3 𝐵3𝑥3 = 𝐶2𝑥3
2 1 1
1 2 0 𝑐11 = 1 . 2 + 2 . 1 + 0 . −2 = 4 𝑐21 = 0 . 2 + 1 . 1 + (−2) . −2 = 5
−2 −2 1
𝑐12 = 1 . 1 + 2 . 2 + 0 . −2 = 5 𝑐22 = 0 . 1 + 1 . 2 + (−2) . −2 = 6
1 2 0 4 5 1
0 1 −2 5 6 −2 𝑐13 = 1 . 1 + 2 . 0 + 0 . 1 = 1 𝑐23 = 0 . 1 + 1 . 0 + −2 . 1 = −2
Propiedades
No es conmutativa 𝐴 . 𝐵 ≠ 𝐵 . 𝐴 excepto A . 𝐴−1 = 𝐴−1 . 𝐴 = 𝐼
Asociativa 𝐴 . 𝐵 .𝐶 = 𝐴 .𝐵 .𝐶
Distributiva respecto a la suma de matrices 𝐴 . 𝐵 + 𝐶 = 𝐴 .𝐵 + 𝐴 .𝐶
A derecha 𝐴 + 𝐵 .𝐶 = 𝐴 .𝐶 + 𝐴 .𝐵
Elemento neutro 𝐴 .𝐼 = 𝐼 .𝐴 = 𝐴
Transpuesta del producto (𝐴 . 𝐵)𝑡 = 𝐵𝑡 . 𝐴𝑡
Asociativa para la multiplicación por escalar 𝜆 𝐴 . 𝐵 = 𝜆𝐴 . 𝐵
Multiplicación por la matriz nula 𝐴 .0 = 0 .𝐴 = 0
OPERACIONES ELEMENTALES
𝒆𝒊 𝒍 2 −1
𝒆𝟐 𝟑
2 −1
5 2 −3 0
Intercambiar fila ¨𝑖¨
con la fila ¨𝑙¨
−3 0 5 2
𝒆𝒊 (λ) 2 −1
𝒆𝟑 (−𝟏)
2 −1
5 2 5 2
Multiplicar fila ¨𝑖¨ −3 0 3 0
por escalar λ≠ 0
𝒆𝒊 𝒍(λ)
2 −1 2 −1
Sumar a la fila ¨𝑖¨, la fila 5 2 𝒆𝟐 𝟑 (𝟐) −1 2
¨𝑙¨ previamente −3 0 −3 0
multiplicada por un
escalar λ
¿ PARA QUÉ UTILIZAMOS ESTAS OPERACIONES ?

Matriz Reducida por Filas
1 5 0 0 4
0 0 1 0 −2 Matriz rectangular
0 0 0 1 2 horizontal 4x5
0 0 0 0 0
1 0 0 0 Filas linealmente
0 1 0 0 Matriz cuadrada
independientes
0 0 1 0 4x4
0 0 0 1 Matriz Identidad
1 0 0 −3 Filas linealmente
0 1 0 0 Matriz
dependientes
cuadrada
0 0 1 2 4x4
0 0 0 0
Debe satisfacer las siguientes condiciones:
1 5 0 0 4
0 0 1 0 −2 Tiene forma escalonada , es decir, los primeros elementos no
0 0 0 1 2 nulos de una fila, se encuentran a la derecha de los de
cualquier fila anterior. A dichos elementos no nulos se los
0 0 0 0 0 denomina elementos conductores.
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
1 0 0 −3
0 1 0 0
0 0 1 2
0 0 0 0
1 5 0 0 4
0 0 0 0 0 cualquier fila anterior. A dichos elementos no nulos se los
denomina elementos conductores.
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
1 0 0 −3
0 1 0 0
0 0 1 2
0 0 0 0
1 5 0 0 4
1 0 0 0
Los elementos conductores suelen hacerse
0 1 0 0 iguales a uno (para facilitar las operaciones).
0 0 1 0
0 0 0 1
1 0 0 −3
0 1 0 0
0 0 1 2
0 0 0 0
1 5 0 0 4
1 0 0 0
0 0 1 0
0 0 0 1 En las columnas de los elementos
conductores, los restantes elementos
1 0 0 −3
son ceros.
0 1 0 0
0 0 1 2
0 0 0 0
1 5 0 0 4
1 0 0 0
0 0 1 0
0 0 0 1 En las columnas de los elementos
conductores, los restantes elementos
1 0 0 −3
son ceros.
0 1 0 0
0 0 1 2 Las filas nulas (si existen),
0 0 0 0 están debajo de las no nulas.
Rango de una matriz
Es la cantidad de vectores fila/columna linealmente independientes.
Corresponde a la cantidad de filas no nulas de la matriz reducida por filas o escalonada
El rango de una matriz no cambia por aplicar operaciones elementales de filas sobre ella.
Matriz Elemental
Es una matriz cuadrada de orden 𝑛𝑥𝑛 que se obtiene realizando una operación elemental
en la matriz identidad
El producto de E. A es la misma matiz que resultaría de efectuar la misma operación sobre
las filas de la matriz A
Matrices Equivalentes por filas
Si la matriz C, se obtiene de la matriz A, mediante una sucesión finita de operaciones
elementales de fila se dice que C es equivalente por filas a A
Matriz Inversa
𝑈𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐵 𝑒𝑠 𝑙𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝐴 𝑠𝑖
𝐴 . 𝐵 = 𝐼 ⟹ 𝐵 = 𝐴−1 𝑒𝑠 𝑙𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑑𝑒 𝐴
𝑦 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑞𝑢𝑒 𝐴 . 𝐴−1 = 𝐴−1 . 𝐴 = 𝐼
Condición para su existencia
El determinante de la matriz A es distinto de cero
Los vectores fila de la matriz son linealmente independientes (filas no nulas)
Obtención de la matriz inversa mediante operaciones elementales
𝐴 𝐼
Se aplican operaciones elementales
hasta obtener la matriz reducida por 𝑒𝑖𝑗 ⋮
⋮
filas
𝐼 𝐴−1
Si en el proceso se obtiene la matriz identidad entonces la matriz A tiene inversa

De lo contrario no (se anula alguna fila o aparece un cero en la diagonal principal)
MATRIZ A IDENTIDAD CC
Matriz Inversa 2 −1 −3 1 0 0 −1 MATRIZ INVERSA
1 0 1 0 1 0 3 𝒆𝟏𝟐(𝟑)
2 −1 0 0 0 1 2 2 −1 −3
5 −1 0 1 3 0 8 𝐴= 1 0 1
1 0 1 0 1 0 3 𝒆𝟏(−𝟏) 2 −1 0
2 −1 0 0 0 1 2
−5 1 0 −1 −3 0 −8 FILA 1 + FILA 2 . (3)
1 0 1 0 1 0 3 𝒆𝟑𝟏(𝟏) 2 −1 −3 1 0 0 −1
2 −1 0 0 0 1 2 3 0 3 0 3 0 9
−5 1 0 −1 −3 0 −8 5 −1 0 1 3 0 8
1 0 1 0 1 0 3 𝒆 𝟏
𝟑(− ൗ𝟑)
−3 0 0 −1 −3 1 −6 FILA 3 + FILA 1 . (1)
−5 1 0 −1 −3 0 −8 2 −1 0 0 0 1 2
1 0 1 0
1ൗ
1 0 3 𝒆𝟏𝟑(𝟓) −5 1 0 −1 −3 0 −8
1 − 1ൗ3
1 0 0 3 2 −3 0 0 −1 −3 1 −6
0 1 0 2ൗ
3 2 − 5ൗ3 2 FILA 1 + FILA 3 . (5)
1 0 1 0 1 0 3 𝒆𝟐𝟑(−𝟏) −5 1 0 −1 −3 0 −8
1ൗ 1 5 5
1 0 0 3 1 − ൗ3 2 5 0 0 5 − 10
2ൗ 5 3 3
0 1 0 3 2 − ൗ3 2
−1ൗ 0 1ൗ 2 5
0 0 1 3 3 1 0 1 0 2 − 2
3 3
1 0 0 1ൗ
3 1 − ൗ3
1 2
1ൗ − 1ൗ3
1 0 0 3 1
2
0 1 0 2ൗ 2 −5ൗ
3 3 2
0 0 1 −1ൗ
3 0 1ൗ
3 1
Matriz Inversa
Justificación del método
Se pueden encontrar matrices elementales, tales que
𝐸𝑘 … 𝐸2 𝐸1 𝐴 = 𝐼𝑛 𝐿𝑎 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠 𝑒𝑛 𝑜𝑟𝑑𝑒𝑛 𝑖𝑛𝑣𝑒𝑟𝑠𝑜 𝑝𝑜𝑟 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑒𝑠
𝑖𝑔𝑢𝑎𝑙 𝑎 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑
𝐸𝑘 … 𝐸2 𝐸1 𝐴𝐴−1 = 𝐼𝑛 𝐴−1 𝑃𝑜𝑠𝑡𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑝𝑜𝑟 𝑙𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑑𝑒 𝐴
𝐸𝑘 … 𝐸2 𝐸1 𝐼 = 𝐴−1
Propiedades
1 − 𝐴 . 𝐴−1 = 𝐴−1 . 𝐴 = 𝐼
2 − (𝐴 . 𝐵)−1 = 𝐵−1 . 𝐴−1
3 − 𝐴 𝑛 = 𝐴 .𝐴 .𝐴 …𝐴 𝑛 𝑣𝑒𝑐𝑒𝑠 ⟹ (𝐴−1 )𝑛 = 𝐴−1 . 𝐴−1 . 𝐴−1 … 𝐴−1 𝑛 𝑣𝑒𝑐𝑒𝑠
4 − (𝐴−1 )−1 = 𝐴
5 − (𝐴𝑛 )−1 = (𝐴−1 )𝑛

−1
1 −1
6 − (𝜆. 𝐴) = 𝐴
𝜆
DETERMINANTES
DETERMINANTES
Definición: el determinante de una matriz, es un número asociado a la misma, es un valor
intrínseco de la matriz. Solo las matrices cuadradas tienen determinante.
Es una “función con valores reales de una variable matricial” en el sentido que asocia un número
real f(X) con una matriz X.
𝑎11 𝑎12
Lo denotamos de las siguientes formas: det (A) , det 𝑎
21 𝑎22 o 𝐴
DETERMINANTES
Definición: el determinante de una matriz, es un número asociado a la misma, es un valor
intrínseco de la matriz. Solo las matrices cuadradas tienen determinante.
Es una “función con valores reales de una variable matricial” en el sentido que asocia un número
real f(X) con una matriz X.
𝑎11 𝑎12
Lo denotamos de las siguientes formas: det (A) , det 𝑎
21 𝑎22 o 𝐴
det(𝑨) ≠ 𝟎 det(𝑨) = 𝟎
Matriz regular: Matriz Singular:
“A” tiene “n” vectores fila/columna “A” tiene algún vector fila/columna que es
Linealmente Independientes combinación lineal de los otros, existe dependencia
lineal
El rango de la matriz será 𝑅(𝐴) = 𝑛 El rango de la matriz será 𝑅(𝐴) < n
DETERMINANTES
𝑎11 𝑎12
det (A) , det 𝑎
21 𝑎22 o 𝐴
Determinante de A: Suma de los productos elementales
Producto elemental de una matriz A n x n se entiende

por cualquier producto de n elementos de A, de los
cuales ningún par de elementos proviene del mismo
renglón o de la misma columna
 a11 a12 a13 . . . . . a1n  “A”, cuadrada, de orden n x n (n2 elementos) se obtiene el valor del
a a22 a23 . . . . . a2 n  determinante de “A”, formando la sumatoria de todos los productos posibles
 21
 a31 a32 a33 . . . . . a3n  de “n” elementos de la matriz
A 
 . . . ..... .  n2 Matriz de 2x2, n = 2 22 = 4 4 elementos
 . . . ..... . 
  32 = 9 9 elementos
 an1 an 2 an 3 . . . . . ann  Matriz de 3x3, n = 3
Condición: en cada producto haya siempre un elemento de cada fila y uno de cada columna,
anteponiendo a cada uno de estos productos el signo más (+) o el signo menos (-) según las permutaciones
que indican las filas y las columnas sean de clase par o impar respectivamente.
Número de
Permutación Clasificación
inversiones
(1, 2, 3) 0 Par
(1, 3, 2) 1 Impar
Permutaciones de {1, 2, 3} : (2, 1, 3) 1 Impar
(2, 3, 1) 2 Par
(3, 1, 2) 2 Par
(3, 2, 1) 1 Impar
EJEMPLO: MATRIZ CUADRADA DE SEGUNDO ORDEN
𝑎11 𝑎12
𝐴 = 𝑎 = 𝑎11 𝑎22
21 𝑎22
𝑎11 𝑎12
𝐴 = 𝑎 = 𝑎11 𝑎22 𝑎12 𝑎21
21 𝑎22
𝑎11 𝑎12
𝐴 = 𝑎 = 𝑎11 𝑎22 𝑎12 𝑎21
21 𝑎22
Producto elemental Permutación asociada Par o impar Producto elemental con signo
𝑎11 𝑎22 (1, 2) Par
𝑎11 𝑎12
𝐴 = 𝑎 = 𝑎11 𝑎22 𝑎12 𝑎21
21 𝑎22
𝑎11 𝑎22 (1, 2) Par 𝑎11 𝑎22
𝑎11 𝑎12
𝐴 = 𝑎 = 𝑎11 𝑎22 𝑎12 𝑎21
21 𝑎22
𝑎11 𝑎22 (1, 2) Par 𝑎11 𝑎22
𝑎12 𝑎21 (2, 1) Impar 𝑎12 𝑎21

𝑎11 𝑎12
𝐴 = 𝑎 = 𝑎11 𝑎22 𝑎12 𝑎21
21 𝑎22
Det (A)(2x2) =Producto de la diagonal principal Producto de la diagonal secundaria

EJEMPLO: MATRIZ CUADRADA DE TERCER ORDEN
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 =
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎11 𝑎23 𝑎32
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎11 𝑎23 𝑎32 𝑎12 𝑎23 𝑎31
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎11 𝑎23 𝑎32 𝑎12 𝑎23 𝑎31 𝑎12 𝑎21 𝑎33
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎23 𝑎32 (1, 3, 2) Impar − 𝑎11 𝑎23 𝑎32
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎23 𝑎32 (1, 3, 2) Impar − 𝑎11 𝑎23 𝑎32
𝑎12 𝑎21 𝑎33 (2, 1, 3) Impar − 𝑎12 𝑎21 𝑎33
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎23 𝑎32 (1, 3, 2) Impar − 𝑎11 𝑎23 𝑎32
𝑎12 𝑎21 𝑎33 (2, 1, 3) Impar − 𝑎12 𝑎21 𝑎33
𝑎12 𝑎23 𝑎31 (2, 3, 1) Par 𝑎12 𝑎23 𝑎31
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎23 𝑎32 (1, 3, 2) Impar − 𝑎11 𝑎23 𝑎32
𝑎12 𝑎21 𝑎33 (2, 1, 3) Impar − 𝑎12 𝑎21 𝑎33
𝑎12 𝑎23 𝑎31 (2, 3, 1) Par 𝑎12 𝑎23 𝑎31
𝑎13 𝑎21 𝑎32 (3, 1, 2) Par 𝑎13 𝑎21 𝑎32
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎23 𝑎32 (1, 3, 2) Impar − 𝑎11 𝑎23 𝑎32
𝑎12 𝑎21 𝑎33 (2, 1, 3) Impar − 𝑎12 𝑎21 𝑎33
𝑎12 𝑎23 𝑎31 (2, 3, 1) Par 𝑎12 𝑎23 𝑎31
𝑎13 𝑎21 𝑎32 (3, 1, 2) Par 𝑎13 𝑎21 𝑎32
𝑎13 𝑎22 𝑎31 (3, 2, 1) Impar − 𝑎13 𝑎22 𝑎31
𝑎11 𝑎12 𝑎13

𝑎31 𝑎32 𝑎33
𝑎13 𝑎21 𝑎32 𝑎13 𝑎22 𝑎31
𝑎11 𝑎22 𝑎33 (1, 2, 3) Par 𝑎11 𝑎22 𝑎33
𝑎11 𝑎23 𝑎32 (1, 3, 2) Impar − 𝑎11 𝑎23 𝑎32
𝑎12 𝑎21 𝑎33 (2, 1, 3) Impar − 𝑎12 𝑎21 𝑎33
𝑎12 𝑎23 𝑎31 (2, 3, 1) Par 𝑎12 𝑎23 𝑎31
𝑎13 𝑎FLORENCIA
21 𝑎32MURATORE (3, 1, 2) Par 𝑎13 𝑎21 𝑎32
𝑎13 𝑎22 𝑎31 (3, 2, 1) Impar − 𝑎13 𝑎22 𝑎31
MATRIZ CUADRADA DE CUARTO ORDEN
𝑎11 𝑎12 𝑎13 𝑎14

𝑎21 𝑎22 𝑎23 𝑎24
A = 𝑎 𝑎32 𝑎33 𝑎34 = 11 22 33 44
a a a a + a11 a23 a34 a42 + a11 a24 a32 a43 + a12 a21
31
𝑎41 𝑎42 𝑎43 𝑎44 a34 a43 + a12 a23 a31 a44+a12 a24 a33 a41 + a13 a21 a32 a44 +
a13 a22 a34 a41 + a13 a24 a31 a42 + a14 a21 a33 a42 +a14 a22 a31
a43 + a14 a23 a32 a41 – a11 a22 a34 a43 – a11 a23 a32 a44 –
a11a24 a33 a42 –a12 a21 a33 a44 – a12 a23 a34 a41 – a12 a24 a31
a43 – a13 a21 a34 a42 – a13 a22 a31 a44 – a13 a24 a32 a41 – a14
a21 a32 a43 – a14 a22 a33 a41 – a14 a23 a31 a42
La cantidad de términos de cada desarrollo es igual a factorial de “n”
n
(2 x 2) n=2  n = 2 = 2.1 = 2
(3 x 3) n=3  n = 3  3.2.1 = 6
(4 x 4) n=4  n = 4 = 4.3.2.1 = 24
10 x 10 incluiría el cálculo de 10!= 3.628.800
Por esta razón, cuando el determinante es mayor a tercer

orden, se hace muy difícil resolverlo por este método.
MÉTODOS DE CÁLCULO DE DETERMINANTES
• Regla de
• Método de Sarrus
• Matrices de 3x3
Triangulación
• Matrices ≥ 3x3
Métodos • Método de
de cálculo Cofactores
• Método de Chío
Regla de Sarrus
• Solo para matrices de orden 3
Agregar debajo de la tercera O a continuación de la tercera

fila, las dos primeras filas columna, las dos primeras columnas
𝑎11 𝑎12 𝑎13 𝑎11 𝑎12 𝑎13 𝑎12 𝑎13
𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎21 𝑎22 𝑎23 𝑎22 𝑎23 =
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32 𝑎33 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
Regla de Sarrus
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 =
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
Regla de Sarrus
Y luego realizar los productos cruzados:
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
La diagonal principal de la matriz (es decir la que va del extremo superior

izquierdo al extremo inferior derecho) y sus dos paralelas, salen a conformar
la sumatoria con el signo positivo (+)
Regla de Sarrus
Vamos con las diagonales negativas
𝑎11 𝑎12 𝑎13

𝐵 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13 𝑎31 𝑎22 𝑎13 𝑎11 𝑎32 𝑎23 𝑎21 𝑎12 𝑎33
𝑎21 𝑎22 𝑎23
La diagonal secundaria (la que va del extremo inferior izquierdo al extremo

superior derecho) y sus dos paralelas con signo negativo ( - )
Regla de Sarrus
Veamos un ejemplo
2 −1 1 Efectuamos el producto cruzado como indican las flechas
𝐴 = 3 4 −2 De arriba para abajo el signo correspondiente es positivo
1 −3 5 2 . 4 . 5 + 3 . −3 . 1 + 1 . −1 . −2
Agregamos las dos 2 −1 1 De abajo para arriba el signo correspondiente es negativo
filas abajo
3 4 −2
−1 . 4 . 1 − 2 . −3 . −2 − 3 . −1 . 5
Resolviendo nos queda

𝐴 = 2 . 4 . 5 + 3 . −3 . 1 + 1 . −1 . −2 − 1 . 4 . 1 − 2 . −3 . −2 − 3 . −1 . 5
𝐴 = 40 − 9 + 2 − 4 − 12 + 15
𝑨 = 𝟑𝟐
Método de Cofactores
• Consideraciones previas
Menor complementario de un elemento 𝒂𝒊𝒋 de una matriz (𝑴𝒊𝒋 )

Es el determinante asociado a la submatriz de orden “n-1” que se obtiene luego de
suprimir la fila y la columna de dicho elemento
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑

𝐀 = 𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 = El menor complementario del elemento 𝑎23
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝑴𝟐𝟑
Menor complementario de un elemento 𝒂𝒊𝒋 de una matriz

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑

𝐀 = 𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 = El menor complementario del elemento 𝑎23
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝑴𝟐𝟑

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑

𝐀 = 𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 =
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑
El menor complementario del elemento 𝑎23

𝑴𝟐𝟑

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟏 𝒂𝟏𝟐

𝐀 = 𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 = 𝑴𝟐𝟑 =
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟏 𝒂𝟑𝟐
El menor complementario del elemento 𝑎23

𝑴𝟐𝟑
Adjunto o Cofactor de un elemento 𝒂𝒊𝒋 de una matriz (𝑪𝒊𝒋 )

Es el menor complementario con signo + o - según la suma de los
subíndices sea par o impar respectivamente
El adjunto o cofactor del elemento 𝒂𝒊𝒋 es 𝑪𝒊𝒋 = (−𝟏)𝒊+𝒋 𝑴𝒊𝒋

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑
𝐀 = 𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 = El adjunto o cofactor del elemento 𝑎23
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝑪𝟐𝟑
𝑪𝟐𝟑 = (−𝟏)𝟐+𝟑 𝑴𝟐𝟑 = (−𝟏)𝟓 𝑴𝟐𝟑 = − 𝑴𝟐𝟑

• Matrices de orden igual o mayor que 3
El determinante es igual a la suma de los productos de los
elementos de una línea cualquiera por sus cofactores
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑
𝐀 = 𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 Si desarrollamos por los elementos de la primer
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 fila, tendremos:
𝐀 = 𝒂𝟏𝟏 (−𝟏)𝟏+𝟏 𝑴𝟏𝟏 + 𝒂𝟏𝟐 (−𝟏)𝟏+𝟐 𝑴𝟏𝟐 + 𝒂𝟏𝟑 (−𝟏)𝟏+𝟑 𝑴𝟏𝟑
𝐀 =𝒂𝟏𝟏 𝑪𝟏𝟏 + 𝒂𝟏𝟐 𝑪𝟏𝟐 + 𝒂𝟏𝟑 𝑪𝟏𝟑

Demostraremos que el determinante es igual a la suma de los productos
de los elementos de una línea cualquiera por sus cofactores
𝑎11 𝑎12 𝑎13
𝐴 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎31 𝑎22 𝑎13 𝑎11 𝑎32 𝑎23 𝑎21 𝑎12 𝑎33
𝑎11(𝑎22 𝑎33 𝑎32 𝑎23 )
𝑎11 𝑎12 𝑎13
𝐴 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎31 𝑎22 𝑎13 𝑎11 𝑎32 𝑎23 𝑎21 𝑎12 𝑎33
𝑎11(𝑎22 𝑎33 𝑎32 𝑎23 ) 𝑎12 (𝑎31𝑎23 𝑎21 𝑎33 )
𝑎11 𝑎12 𝑎13
𝐴 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎31 𝑎22 𝑎13 𝑎11 𝑎32 𝑎23 𝑎21 𝑎12 𝑎33
𝑎11(𝑎22 𝑎33 𝑎32 𝑎23 ) 𝑎12 (𝑎31𝑎23 𝑎21 𝑎33 ) 𝑎13 (𝑎21 𝑎32 𝑎31 𝑎22 )
𝑎11 𝑎12 𝑎13
𝐴 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎31 𝑎22 𝑎13 𝑎11 𝑎32 𝑎23 𝑎21 𝑎12 𝑎33
𝑎11 𝑎12 𝑎13
𝐴 = 𝑎21 𝑎22 𝑎23 = 𝑎11 𝑎22 𝑎33 𝑎21 𝑎32 𝑎13 𝑎31 𝑎12 𝑎23
𝑎31 𝑎32 𝑎33
𝑎31 𝑎22 𝑎13 𝑎11 𝑎32 𝑎23 𝑎21 𝑎12 𝑎33
𝑎22 𝑎23 𝑎21 𝑎23 𝑎21 𝑎22
𝑎32 𝑎33 𝑎31 𝑎33 𝑎31 𝑎32
𝑴𝟏𝟏 −𝑴𝟏𝟐 𝑴𝟏𝟑
𝐀 =𝒂𝟏𝟏 𝑴𝟏𝟏 − 𝒂𝟏𝟐 𝑴𝟏𝟐 + 𝒂𝟏𝟑 𝑴𝟏𝟑
𝐀 =𝒂𝟏𝟏 𝑪𝟏𝟏 + 𝒂𝟏𝟐 𝑪𝟏𝟐 + 𝒂𝟏𝟑 𝑪𝟏𝟑

Veremos un ejemplo, resolviendo la misma matriz que resolvimos en Sarrus
2 −1 1 + - +
𝐴 = 3 4 −2 = 2 . (−1)1+1 4 −2 + −1 . −1 1+2 3 −2
+ 1 . (−1)1+3 3 4
1 −3 5 −3 5 1 5 1 −3
𝐴 = 2 . 1 4 . 5 − −3 −2 + −1 −1 3 . 5 − 1 −2 + 1 . 1 3 . −3 − 1 . 4 =
= 28 + 17 − 13
𝑨 = 𝟑𝟐
Determinación de la Matriz inversa por medio de la Matriz Adjunta
𝑆𝑒𝑎 𝐴𝑛𝑥𝑛 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑑𝑒 𝑜𝑟𝑑𝑒𝑛 𝑛 𝑦 𝑟𝑒𝑔𝑢𝑙𝑎𝑟, 𝑜 𝑠𝑒𝑎 𝐴 ≠ 0
Procedimiento
1 − 𝐴 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑎𝑟𝑚𝑎𝑟 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑜𝑓𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 − 𝐶𝐴
2 − 𝑇𝑟𝑎𝑛𝑠𝑝𝑜𝑛𝑖𝑒𝑛𝑑𝑜 𝐶𝐴 𝑜𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝐶𝐴𝑡 𝑞𝑢𝑒 𝑒𝑠 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑎𝑑𝑗𝑢𝑛𝑡𝑎 𝑑𝑒 𝐴 − 𝐴𝑑𝑗 (𝐴)
3 − 𝑀𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑝𝑜𝑟 𝑠𝑢 𝑎𝑑𝑗𝑢𝑛𝑡𝑎, 𝑜𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝑑𝑜𝑛𝑑𝑒 𝑙𝑎
𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 𝑒𝑠𝑡á 𝑐𝑜𝑛𝑠𝑡𝑖𝑡𝑢𝑖𝑑𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝐴
𝐴 0 0
𝐴 . 𝐴−1 . 𝐴𝑑𝑗 𝐴 Pos multiplicando
𝐴 . 𝐴𝑑𝑗 𝐴 = 0 𝐴 0 = 𝐼 . 𝐴−1 por 𝐴−1
𝐴
0 0 𝐴 𝑨𝒅𝒋 𝑨
𝐴 . 𝐴𝑑𝑗 𝐴 = 𝐴 . 𝐼 = 𝑨−𝟏
𝑨
Dividiendo ambos miembros por 𝐴 La inversa de una matriz cuadrada cuyo
𝐴 . 𝐴𝑑𝑗 𝐴 𝐴 .𝐼 determinante es regular se obtiene
= multiplicando el reciproco del determinante de
𝐴 𝐴
la matriz A por la adjunta de A
Determinación de la Matriz inversa por medio de la Matriz Adjunta
Veamos un ejemplo 2 1 −2
Encontrar la matriz inversa de A 𝐴= 0 1 2
1 2 3 −1 0
𝐴11 = (−1)1+1 =2
−1 0
0 2 2 6 −3 2 2 4
𝐴12 = (−1)1+2 =6
3 0 𝐶𝐴 = 2 6 5 𝐴𝑑𝑗 𝐴 = 𝐶𝐴𝑡 = 6 6 −4
0 1 4 −4 2 −3 5 2
𝐴13 = (−1)1+3 = −3
3 −1
1 −2 2 1 −2
𝐴21 = (−1)2+1 =2
−1 0 𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑒𝑙 det 𝐴 𝐴 = 0 1 2 = 6 + 6 + 4 = 16
2 −2 3 −1 0
𝐴22 = (−1)2+2 =6
3 0
2 1 2 2 4 2 2 4 𝟏 𝟏 𝟏
𝐴23 = (−1)2+3 =5
3 −1 6 6 −4 16 16 16 𝟖 𝟖 𝟒
1 −2 6 6 4 𝟑 𝟑 𝟏
𝐴31 = (−1)3+1 =4 𝐴−1 = −3 5 2 =
− = −
1 2 16 16 16 16 𝟖 𝟖 𝟒
2 −2 3 5 2 𝟑 𝟓 𝟏
𝐴32 = (−1)3+2 = −4 − −
0 2 16 16 16 𝟏𝟔 𝟏𝟔 𝟖
2 1
𝐴33 = (−1)3+3 =2
0 1
Propiedades de los determinantes
1ª Propiedad: “Si se permutan filas por columnas ó columnas por filas de una
matriz, los correspondientes determinantes son iguales”.
2ª Propiedad: “Si se permutan dos filas (o dos columnas) de una matriz, los
correspondientes determinantes son opuestos”, es decir, tienen el mismo valor
absoluto pero distinto signo.
Consecuencia de la segundad propiedad: “El determinante de toda matriz que
tenga dos filas (o dos columnas) idénticas es nulo”.
3ª Propiedad: “Si se multiplican todos los elementos de una línea de una matriz por
un mismo número , el determinante correspondiente queda multiplicado por ”.
Consecuencia de la tercera propiedad: “El determinante de una matriz es nulo si
los elementos de una línea son proporcionales a los correspondientes de otra
paralela a ella”.
4ª Propiedad: “Si una línea de una matriz es el vector nulo, su determinante es
nulo”. En efecto, según la 3ª propiedad, separando como factor común del
determinante, el elemento nulo, resultaría:
0 . A  = 0
5ª Propiedad: “Si los elementos de una línea de una matriz son polinomios de “m”
términos, puede descomponerse el determinante correspondiente en suma de “m”
determinantes , que tienen las mismas restantes líneas y en lugar de aquella, la
formada por los primeros sumandos, por los segundos, . . . . . . , y por los m-ésimos
respectivamente”.
Consecuencia de la quinta propiedad: “El determinante de una matriz no
varía sí a una línea se le suma una combinación lineal de otra o de otras”.
6ª Propiedad: “Si una matriz es triangular, entonces el determinante asociado es
igual al producto de los elementos de la diagonal”.
7ª Propiedad: “El determinante de un producto de matrices es igual al producto de
sus determinantes”.
A. B  A . B
8ª Propiedad: “El determinante de una matriz es el recíproco del determinante de la
inversa de la matriz ”.
1 −1
1
𝐴 = −1 → 𝐴 =
𝐴 𝐴
Método de Chío
En función de la consecuencia de la quinta propiedad, al
resolver en cada paso se reduce el orden del determinante
de la matriz hasta llegar a un total de 2 orden
Veamos un ejemplo
Encuentre el determinante de la matriz A
1 2 −1 2
3 0 1 5
𝐴=
1 −2 0 3
−2 −4 1 6
1 2 −1 2 0 4 −1 −1
𝑒13 (−1)
3 0 1 5 0 6 1 −4
𝐴 =
1 −2 0 3 𝑒23 (−3) 𝐴 =
1 −2 0 3
−2 −4 1 6 𝑒43 (2) 0 −8 1 12
Pivote 1
Desarrollando por cofactores
4 −1 −1 𝑒12 (1) 10 0 −5
1+3 𝐴 = 1 6 1 −4
𝐴 = −1 6 1 −4 𝑒32 (−1)
−8 1 12 −14 0 16
Pivote 2
Desarrollando nuevamente por cofactores
2+2 10 −5
𝐴 = −1 .1 = 1.1 10 . 16 − [ −5 . −14 ሿ = 1 .1 160 − 70 = 90
−14 16
Método de Triangulación
Si la matriz es triangular el determinante = producto de los

elementos de la diagonal principal
Por lo tanto se aplican operaciones elementales de fila (𝑒𝑖𝑗 ) para

triangular la matriz y hacer el producto de la diagonal principal
Método de Triangulación
Algunas operaciones elementales de fila modifican el resultado del

determinante (propiedades de los determinantes) por lo que si se
realizan ciertas operaciones, al determinante obtenido tengo que
contrarrestarle estas modificaciones.
Multiplicado por (-1) según tantas veces se aplicó la
operación de cambio de fila (𝑒𝑖𝑗 )
Multiplicando por el reciproco de λ según se haya
aplicado la operación de multiplicar una fila por un
escalar (𝑒𝑖 (λ))
SISTEMAS DE ECUACIONES
LINEALES
Sistemas de Ecuaciones Lineales (SEL)
Una ecuación lineal es una expresión de la forma:
𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏
Donde:
𝑥1 ; 𝑥2 ; … ; 𝑥𝑛 𝑠𝑜𝑛 𝑙𝑎𝑠 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠 𝑞𝑢𝑒 𝑒𝑠𝑡á𝑛 𝑒𝑙𝑒𝑣𝑎𝑑𝑎𝑠 𝑎 𝑙𝑎 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎 1
𝑎1 ; 𝑎2 ; … ; 𝑎𝑛 𝑠𝑜𝑛 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑒𝑠, 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎𝑑𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠, 𝑞𝑢𝑒 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑛 𝑎 𝑙𝑎𝑠 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠
𝑏 𝑠𝑒 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎 𝑡é𝑟𝑚𝑖𝑛𝑜 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
Definimos un Sistema de Ecuaciones Lineales (SEL) como un conjunto finito de
ecuaciones lineales
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 𝑏1
En general para un sistema de “m” ecuaciones con 𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏
“n” incógnitas, tenemos = 2
Que lo podemos ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1 escribir 𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑛
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2 Cantidad de Matriz de Matriz de
Matriz principal A
ecuaciones “m” términos
⋮ ⋮ ⋮ ⋮ ⋮ incógnitas
independientes
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + 𝑎𝑚3 𝑥3 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
Cantidad de incógnitas “n” 𝑨 . 𝑿=𝑩

𝑅𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑢𝑛 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠, 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑟 𝑢𝑛 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
𝑆 = 𝑥1 ; 𝑥2 ; 𝑥3 ; … ; 𝑥𝑛
𝑞𝑢𝑒 𝑠𝑜𝑛 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 (𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜)
𝐸𝑥𝑖𝑠𝑡𝑒 𝑒𝑙 𝑐𝑎𝑠𝑜 𝑒𝑛 𝑞𝑢𝑒 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑒𝑚𝑜𝑠 𝑢𝑛 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛, 𝑓𝑜𝑟𝑚𝑎𝑑𝑜 𝑝𝑜𝑟 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝑆 = 𝑆1 ; 𝑆2 ; … ; 𝑆𝑛 (𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜)
𝑆𝑖 𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑠𝑜𝑛 𝑒𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑓𝑖𝑙𝑎𝑠 (𝑠𝑒 𝑝𝑢𝑒𝑑𝑒 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛𝑎 𝑎 𝑡𝑟𝑎𝑣é𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑓𝑖𝑛𝑖𝑡𝑎 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠 𝑎 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑙𝑎 𝑝𝑟𝑖𝑚𝑒𝑟𝑎) 𝑙𝑜𝑠 𝑠𝑖𝑠𝑡𝑒𝑚𝑎𝑠 𝑑𝑒 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑡𝑖𝑒𝑛𝑒𝑛 𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛.
𝑃𝑎𝑟𝑎 𝑠𝑎𝑏𝑒𝑟 𝑠𝑖 𝑢𝑛 𝑆𝐸𝐿 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛, 𝑟𝑒𝑐𝑢𝑟𝑟𝑖𝑚𝑜𝑠 𝑎𝑙 𝑇𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑅𝑜𝑢𝑐ℎ𝑒 − 𝐹𝑟𝑜𝑏𝑒𝑛𝑖𝑢𝑠, 𝑞𝑢𝑒 𝑑𝑖𝑐𝑒:
𝑈𝑛 𝑆𝐸𝐿 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛, 𝑠í 𝑦 𝑠𝑜𝑙𝑜 𝑠í, 𝑒𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 𝐴 𝑒𝑠

𝑖𝑔𝑢𝑎𝑙 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑎𝑚𝑝𝑙𝑖𝑎𝑑𝑎(𝐴′ )
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑏1
𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 ′ 𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 𝑏2
𝐴= 𝐴 =
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 𝑏𝑛
A la matriz principal le agregamos la columna de
los términos independientes
Definimos rango de una matriz A (r(A)) como la cantidad de filas no nulas que tiene la reducida por
filas de dicha matriz A
La solución del sistema de ecuaciones está constituida por el conjunto de soluciones comunes a todas
ellas.
En función de esta solución, los sistemas pueden ser:
′
Determinado Solución única
𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑟 𝐴 = 𝑟 𝐴 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛
Sistema Indeterminado Infinitas soluciones
𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑟 𝐴 ≠ 𝑟 𝐴′ 𝑁𝑂 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛
En función del valor de los términos independientes los sistemas pueden ser:
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 0
𝐻𝑜𝑚𝑜𝑔é𝑛𝑒𝑜𝑠: 𝑙𝑜𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑠𝑜𝑛 𝑡𝑜𝑑𝑜𝑠 𝑛𝑢𝑙𝑜𝑠, 𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 0
=
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛, 𝑙𝑎 𝑡𝑟𝑖𝑣𝑖𝑎𝑙 𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 𝑥𝑛 0
Sistema
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 𝑏1
𝑁𝑂 𝐻𝑜𝑚𝑜𝑔é𝑛𝑒𝑜𝑠: 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑡é𝑟𝑚𝑖𝑛𝑜 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏2
𝑒𝑠 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑜 𝑑𝑒 𝑐𝑒𝑟𝑜 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ =
⋮
𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑛
Sistemas homogéneos
𝑇𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑙𝑒𝑠 𝑎 𝑐𝑒𝑟𝑜, 𝑠𝑒 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑐𝑜𝑚𝑜:
𝐴𝑥 = 0 𝑑𝑜𝑛𝑑𝑒 𝑣𝑒𝑚𝑜𝑠 𝑞𝑢𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐵=0
𝐸𝑠𝑡𝑜𝑠 𝑠𝑖𝑠𝑡𝑒𝑚𝑎𝑠 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑡𝑖𝑒𝑛𝑒𝑛 𝑝𝑜𝑟 𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛, 𝑙𝑎 𝑡𝑟𝑖𝑣𝑖𝑎𝑙
𝑥1 = 𝑥2 = 𝑥3 = ⋯ = 𝑥𝑛 = 0
1 0 0 0
𝑟 𝐴 = 𝑟 𝐴′ = 𝑛 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 0 1 0 0
Cuadrada 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐷 (𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛) 0 0 1 0
nxn 0
𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 1 0 3 0
0 1 5
𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐼 (∞ 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠) 0 0 0 0
Matriz 1 0 0 0
Principal
Vertical 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐷 (𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛) 10 00 31 0
m>n 𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 00 10 50 0
Rectangular 0 0 0 0
mxn
Horizontal 𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 < 𝑚 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒
0 0 0 0
m<n 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐼 (∞ 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠)
1 0 0 2 4 0 1 0 0 2 4 0
0 1 0 7 3 0 0 1 0 7 3 0
0 0 1 8 5 0 0 0 0 0 0 0
Sistemas NO homogéneos
𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑡é𝑟𝑚𝑖𝑛𝑜 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑒𝑠 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑜 𝑑𝑒 𝑐𝑒𝑟𝑜, 𝑠𝑒 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑐𝑜𝑚𝑜:
𝐴𝑥 = 𝐵 1 0 0 2
𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐷 (𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛) 0 0 1 7
Cuadrada 1 0 3 5
nxn 𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 0 1 5 2
1 0 3 5
𝑟 𝐴 ≠ 𝑟 𝐴′ → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑆𝐼 1 0 0 4
0 1 5 2
𝑁𝑂 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 0 0 0 4 0 1 0 3
Matriz 01 00 13
𝑟 𝐴 = 𝑟 𝐴′ = 𝑛 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 22
Principal 00 01 05
08
𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐷 (𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛)
Vertical
𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 01
0 00 02
0 03
00
m>n 0 1
0 0 0 58
0
′ → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑆𝐼 0 0 0 0
Rectangular 𝑟 𝐴 ≠ 𝑟 𝐴 0 0 0 0
𝑁𝑂 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 0 0 0 0
mxn 1 00 2 4 4
𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 < 𝑚 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 2
0 10 7 3
Horizontal 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑆𝐶𝐼 (∞ 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠) 0 01 8 5 8
m<n ′
𝑟 𝐴 ≠ 𝑟 𝐴 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑆𝐼 1 00 2 4 2
𝑁𝑂 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 0 10 7 3 3
0 0 0 0 0 5
¿Cómo hacemos para resolver un SEL?
1- Método de Gauss
Este método se puede aplicar a cualquier tipo de SEL, cuadrado, rectangular, homogéneo y no
homogéneo
Pasos a realizar:
1- Escribir la matriz ampliada/coeficientes
2- Reducir la matriz, hasta llegar a la forma escalonada y clasificar la solución
3- A partir de la matriz reducida por filas, en forma escalonada, escribir el sistema resolvente (sin los
términos nulos ni las ecuaciones nulas)
4- Si el sistema es compatible determinado, despejar las incógnitas comenzando por la última ecuación,
𝑥n y continuar con 𝑥n-1, …, 𝑥2, 𝑥1 terminando con la primer incógnita.
5- Si el sistema es compatible indeterminado, Despejar las incógnitas principales en términos de las no
principales.
6- Reemplazar las incógnitas no principales por parámetros
7- Escribir la solución como conjunto de n-uplas. (Solución general)

8- Para obtener soluciones particulares asignar valores particulares a los parámetros.
Ejemplo 1
2 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑎
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 1 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑚𝑝𝑙𝑖𝑎𝑑𝑎 𝑓𝑜𝑟𝑚𝑎 𝑒𝑠𝑐𝑎𝑙𝑜𝑛𝑎𝑑𝑎
𝑥1 − 2𝑥2 + 3𝑥3 = 11 1 −2 3 11
4𝑥1 + 𝑥2 − 𝑥3 = 4 1 −2 3 11
4 1 −1 4 0 9 −13 −40
2𝑥1 − 𝑥2 + 3𝑥3 = 10 2 −1 3 10 4 4
0 0 − −
3 3
2 − 𝑇𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑅𝑜𝑢𝑐ℎ𝑒 𝐹𝑟𝑜𝑏𝑒𝑛𝑖𝑢𝑠 3 − 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑅𝑒𝑠𝑜𝑙𝑣𝑒𝑛𝑡𝑒 4ൗ − 𝐷𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙𝑒𝑠
5
𝑟 𝐴 = 𝑟 𝐴′ = 𝑛 𝑥1 − 2𝑥2 + 3𝑥3 = 11 𝑥1 = 2
3=3=3 9𝑥2 − 13𝑥3 = −40 𝑥2 = −3
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 4 4
− 𝑥3 = − 𝑥3 = 1
𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎 3 3
6 − 𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑖𝑧𝑎𝑟 7 − 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑙 8 − 𝑆𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑃𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟𝑒𝑠

𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑆 = { 𝑥1 ; 𝑥2 ; 𝑥3 = 2 ; −3 ; 1 } 𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒
Ejemplo 2
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 1 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑚𝑝𝑙𝑖𝑎𝑑𝑎 𝑓𝑜𝑟𝑚𝑎 𝑒𝑠𝑐𝑎𝑙𝑜𝑛𝑎𝑑𝑎
𝑥1 + 2𝑥2 − 2𝑥3 = 3 1 2 −2 3
2𝑥1 − 5𝑥2 + 4𝑥3 = 6 1 2 −2 3
2 −5 4 6 0 −9 8 0
−𝑥1 + 16𝑥2 − 14𝑥3 = −3 −1 16 − 14 − 3 0 0 0 0
2 − 𝑇𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑅𝑜𝑢𝑐ℎ𝑒 𝐹𝑟𝑜𝑏𝑒𝑛𝑖𝑢𝑠 3 − 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑅𝑒𝑠𝑜𝑣𝑒𝑛𝑡𝑒 4ൗ − 𝐷𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙𝑒𝑠

5
𝑟 𝐴 = 𝑟 𝐴′ = 𝑛 𝑥1 + 2𝑥2 − 2𝑥3 = 3 2
2=2<3 −9𝑥2 + 8𝑥3 = 0 𝑥1 = 3 + 𝑥3
9
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 8
𝐼𝑛𝑓𝑖𝑛𝑖𝑡𝑎𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑥2 = 𝑥3
9
6 − 𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑖𝑧𝑎𝑟 7 − 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑙
2 2 8
𝑥1 = 3 + 𝑡 𝑆 = 𝑥1 ; 𝑥2 ; 𝑥3 = 3 + 𝑡 ; 𝑡 ; 𝑡 8 − 𝑆𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑃𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟𝑒𝑠
𝑥3 = 𝑡 → 9 9 9
8 𝑆𝑖 𝑡 = 0 → 𝑥1 ; 𝑥2 ; 𝑥3 = 3; 0; 0
𝑥2 = 𝑡 2 8 31 8
9 𝑆 = 𝑥1 ; 𝑥2 ; 𝑥3 = 3; 0; 0 + 𝑡 ; ;1 Si t = 1 → 𝑥1 ; 𝑥2 ; 𝑥3 = ; ;1
−∞ < 𝑡 < ∞ 9 9 9 9
2- Método de Gauss-Jordan
Este método se puede aplicar a cualquier tipo de SEL, cuadrado, rectangular, homogéneo y no
homogéneo
Pasos a realizar:
1- Escribir la matriz ampliada/coeficientes
2- Reducir la matriz, hasta llegar a la reducida por filas y clasificar la solución
3- A partir de la matriz reducida por filas escribir el sistema resolvente (sin los términos nulos ni las
ecuaciones nulas)
4- Despejar las incógnitas principales en términos de las no principales.

5- Reemplazar las incógnitas no principales por parámetros
6- Escribir la solución como conjunto de n-uplas. (Solución general)
7- Para obtener soluciones particulares asignar valores particulares a los parámetros.

Ejemplo 1 – Sistema No homogéneo
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 1 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑚𝑝𝑙𝑖𝑎𝑑𝑎 2 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑎

𝑥1 + 𝑥2 + 𝑥3 = 6 1 1 1 6
𝑥1 − 𝑥2 − 𝑥3 = −4 1 0 0 1
1 −1 −1 −4
𝑥1 + 𝑥2 − 𝑥3 = 0 0 1 0 2
1 1 −1 0
0 0 1 3
2 − 𝑇𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑅𝑜𝑢𝑐ℎ𝑒 𝐹𝑟𝑜𝑏𝑒𝑛𝑖𝑢𝑠 3 − 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑅𝑒𝑠𝑜𝑣𝑒𝑛𝑡𝑒 4 − 𝐷𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝑖𝑛𝑐ó𝑔𝑖𝑡𝑎𝑠 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙𝑒𝑠

𝑟 𝐴 = 𝑟 𝐴′ = 𝑛 𝑥1 = 1 𝑥1 = 1
3=3=3 𝑥2 = 2 𝑥2 = 2
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑥3 = 3 𝑥3 = 3
𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎

𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑆 = { 𝑥1 ; 𝑥2 ; 𝑥3 = 1 ; 2 ; 3 } 𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒
Ejemplo 2 – Sistema homogéneo
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 1 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑚𝑝𝑙𝑖𝑎𝑑𝑎 2 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑎

𝑥1 + 𝑥2 + 5𝑥3 − 4𝑥4 = 0 1 1 5 −4 0
2𝑥1 + 𝑥2 + 7𝑥3 − 3𝑥4 = 0 1 0 2 −2 0
2 1 7 −3 0
0 1 3 1 0
2 − 𝑇𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑅𝑜𝑢𝑐ℎ𝑒 𝐹𝑟𝑜𝑏𝑒𝑛𝑖𝑢𝑠 3 − 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑅𝑒𝑠𝑜𝑣𝑒𝑛𝑡𝑒 4 − 𝐷𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙𝑒𝑠
𝑟 𝐴 = 𝑟 𝐴′ < 𝑛 𝑥1 + 2𝑥3 − 2𝑥4 = 0 𝑥1 = −2𝑥3 + 2𝑥4
2=2<4 𝑥2 + 3𝑥3 + 𝑥4 = 0 𝑥2 = −3𝑥3 − 𝑥4
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜
𝐼𝑛𝑓𝑖𝑛𝑖𝑡𝑎𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
6 − 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑙
5 − 𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑖𝑧𝑎𝑟 𝑆 = 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 = −2𝑡 + 2𝑠 ; −3 𝑡 − 𝑠 ; 𝑡; 𝑠
𝑥1 = −2𝑡 + 2𝑠 𝑆 = 𝑡 −2; −3; 1; 0 + 𝑠 2 ; −1 ; 0; 1
𝑥3 = 𝑡 𝑦 𝑥4 = 𝑠 →
𝑥2 = −3𝑡 − 𝑠
−∞ < 𝑡 < ∞
−∞ < 𝑠 < ∞ 7 − 𝑆𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑃𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟𝑒𝑠
𝑆𝑖 𝑡 = 0 𝑦 𝑠 = 1 → 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 = 2; −1; 0; 1
Si t = 1 𝑦 𝑠 = 0 → 𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 = −2 ; −3 ; 1; 0
Ejemplo 3 – Sistema no homogéneo
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 1 − 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑚𝑝𝑙𝑖𝑎𝑑𝑎 3 3
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 = 3 1 1 1 1 3 1 0 0
𝑥1 − 𝑥2 − 2𝑥3 − 𝑥4 = 0 2 2
4 −1 −2 −1 0 1 3
2𝑥1 + 0𝑥2 + 3𝑥3 + 0𝑥4 = 5 2 0 3 0 5 0 1 − 1
0𝑥1 + 2𝑥2 − 𝑥3 + 2𝑥4 = 3 2 2
0 2 −1 2 3 0 0 0 0 2 𝟎=𝟐
0 0 0 0 0
2 − 𝑇𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑅𝑜𝑢𝑐ℎ𝑒 𝐹𝑟𝑜𝑏𝑒𝑛𝑖𝑢𝑠 4 − 𝐷𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙𝑒𝑠
3 − 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑅𝑒𝑠𝑜𝑣𝑒𝑛𝑡𝑒
𝑟 𝐴 ≠ 𝑟 𝐴′
𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒
𝑵𝑶 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛

𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑁𝑜 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒
3- Método matricial
Este método se puede aplicar a SEL cuadrado y no homogéneo Compatible Determinado
Partimos de la expresión matricial de un

𝐴 . 𝑋=𝐵
Matriz de
sistema de ecuaciones lineales Matriz Matriz de términos
Cuadrada Incógnitas independientes
𝑆𝑖 𝐴 𝑒𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑦 𝑟𝑒𝑔𝑢𝑙𝑎𝑟 𝑜 𝑛𝑜 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟,

𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 det 𝐴 ≠ 0 ⟹ 𝑒𝑥𝑖𝑠𝑡𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎, 𝐴−1. 𝐴 . 𝑋 = 𝐴−1 . 𝐵
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑝𝑜𝑑𝑒𝑚𝑜𝑠 𝑝𝑟𝑒𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑟 𝑝𝑜𝑟 𝐴−1
𝐼 . 𝑋 = 𝐴−1 . 𝐵
𝑆𝑖 𝑒𝑥𝑖𝑠𝑡𝑒 𝐴−1 ⟹ 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜
𝑆𝑖 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝐴−1 ⟹ 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐶𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒 𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑿 = 𝑨−𝟏 . 𝑩
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝐼𝑛𝑐𝑜𝑚𝑝𝑎𝑡𝑖𝑏𝑙𝑒
Ejemplo
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝐸𝑥𝑝𝑟𝑒𝑠𝑖ó𝑛 𝑀𝑎𝑡𝑟𝑖𝑐𝑖𝑎𝑙 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑀𝑎𝑡𝑟𝑖𝑧

𝑥1 − 2𝑥2 = −1 3 −2 𝑥1 −1 𝑅𝑒𝑔𝑢𝑙𝑎𝑟
=
−2𝑥1 + 4𝑥2 = 6 −2 4 𝑥2 6 3 −2
𝑑𝑒𝑡 =8≠0
−2 4
Sistema Compatible
Determinado
𝐶á𝑙𝑐𝑢𝑙𝑜 𝑑𝑒 𝑙𝑎 𝐼𝑛𝑣𝑒𝑟𝑠𝑎 𝐶á𝑙𝑐𝑢𝑙𝑜 𝑑𝑒 𝑙𝑎𝑠 𝐼𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠
1 1 𝑋 = 𝐴−1 . 𝐵
1 1
𝐴−1 = 2 4
1 3 𝑥1 −1 𝑥1 1
𝑥2 = 2 4 . → 𝑥 =
4 8 1 3 6 2 2
4 8
𝑺 = 𝒙𝟏 ; 𝒙𝟐 = (𝟏 ; 𝟐)
4- Método de Cramer
Este método se puede aplicar a SEL cuadrado, homogéneo y no homogéneo Compatible Determinado
𝑆𝑖 𝐴 𝑒𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑦 𝑟𝑒𝑔𝑢𝑙𝑎𝑟 𝑜 𝑛𝑜 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟,

𝐴 . 𝑋=𝐵
𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 det 𝐴 ≠ 0 ⟹ 𝑒𝑙 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑡𝑖𝑒𝑛𝑒 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎
Cada incógnita es igual al cociente de dos determinantes
𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑑𝑜𝑛𝑑𝑒 𝑙𝑎 𝑐𝑜𝑝𝑙𝑚𝑛𝑎 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑎 𝑙𝑎 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎

𝐴𝑋𝑖 𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟, 𝑠𝑒 𝑟𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑎 𝑝𝑜𝑟 𝑙𝑜𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
=
𝐴𝑀𝑃 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑀𝑎𝑡𝑟𝑖𝑧 𝑃𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 𝐴
Ejemplo 1
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑀𝑎𝑡𝑟𝑖𝑧 Sistema Compatible

2𝑥1 + 𝑥2 = 3 𝑅𝑒𝑔𝑢𝑙𝑎𝑟 Determinado
𝑥1 + 5𝑥2 = 6 2 1 Única solución
𝑑𝑒𝑡 =9≠0
1 5
3 1 2 3 𝑥1 1
𝑥1 = 6 5 = 1 𝑥2 = 1 6 =1 𝑥2 =
1 𝑺 = 𝒙𝟏 ; 𝒙𝟐 = (𝟏 ; 𝟏)
9 9
Ejemplo 2
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑀𝑎𝑡𝑟𝑖𝑧 Vemos que
2𝑥1 + 𝑥2 = 3 𝑅𝑒𝑔𝑢𝑙𝑎𝑟 𝑟 𝐴 ≠ 𝑟 𝐴′
4𝑥1 + 2𝑥2 = 5 2 1
𝑑𝑒𝑡 =0
4 2
3 1 2 3
5 2 1
𝑥2 = 4 5 = −2 ⟹ 𝑺𝒊𝒔𝒕𝒆𝒎𝒂 𝑰𝒏𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆
𝑥1 = =
0 0 0 0
Ejemplo 3
𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑀𝑎𝑡𝑟𝑖𝑧 Vemos que

2𝑥1 + 𝑥2 = 3 𝑅𝑒𝑔𝑢𝑙𝑎𝑟 𝑟 𝐴 = 𝑟 𝐴′ = 1
4𝑥1 + 2𝑥2 = 6 2 1
𝑑𝑒𝑡 =0
4 2
3 1 2 3
0 6 =0 ⟹ 𝑺𝒊𝒔𝒕𝒆𝒎𝒂 𝑪𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆 𝑰𝒏𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒅𝒐
𝑥1 = 6 2 = 𝑥2 = 4
0 0 0 0
HASTA ACÁ ES PARA EL PRIMER PARCIAL

Espacios Vectoriales
Unidad N° 8
Un ESPACIO VECTORIAL “V” (EV) es un conjunto no vacío de

objetos denominados vectores donde están definidas dos
operaciones llamadas “suma” y “producto por un escalar” que
satisfacen los siguientes diez axiomas:
Matrices, polinomios,
funciones
continuas, vectores, números
(estructuras algebraicas)
1 SUMA
Si “u” y “v” ∈ “V” entonces u+v ∈V
Ley de composición interna LCI
2 CONMUTATIVA Ley de cerradura para la suma vectorial
Si “u” y “v” ∈ “V” entonces u+v=v+u

Axiomas 3 ASOCIATIVA
Si “u” , “v” y “w” ∈ “V” entonces (u+v)+w=u+(v+w)
4 ELEMENTO NEUTRO
Si “0” ∈ “V” entonces ∀𝑢 ∈ “V” se cumple u+0=0+u=u
3
5 ELEMENTO INVERSO
∀𝑢 ∈ "V"∃ − 𝑢 ∈ “V” : u+(-u)=(-u)+(u)=0
6 PRODUCTO POR ESCALAR

Si “u” ∈ “V” y “k” es un escalar entonces ku ∈ V
Ley de composición externa LCE
7 ASOCIATIVA Ley de cerradura de la multiplicación por escalar
Si “u” ∈ “V” , “k” y “m” son escalares entonces
Axiomas k(mu)=(km)u
8 DISTRIBUTIVA RESPECTO A LA SUMA DE VECTORES
Cualquier objeto que Si “u” y “v” ∈ “V” y “k” es un escalar entonces k(u+v)=ku+kv
satisfaga los 10
axiomas lo podemos 9 DISTRIBUTIVA RESPECTO A LA SUMA DE ESCALARES
denominar Vector Si “u” ∈ “V” , “k” y “m” son escalares entonces (k+m)u=ku+mu
del espacio vectorial
1
que corresponda 0
ELEMENTO NEUTRO
∀𝑢 ∈ "V"𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 1𝑢 = 𝑢
Subespacios vectoriales
Un conjunto no vacío W de un espacio vectorial V es un subespacio de V si
W es un espacio vectorial bajo las operaciones de suma y multiplicación
por escalar definidas sobre V
Condiciones necesarias y suficientes para que un subconjunto no vacío de un
espacio vectorial sea un subespacio
El vector “0” ∈ 𝑉 esta 𝑒n Se cumple la LCE para el

𝑊 producto por escalar
Se cumple la LCI para la Se cumple la ley del elemento

suma inverso para la suma
DEFINICIONES
Combinación Lineal
Se dice que un vector “w” es combinación (CL) de los vectores

𝑣1, 𝑣2, … , 𝑣𝑛 si se puede expresar como
𝑤 = 𝑘1 𝑣1 + 𝑘2 𝑣2 + … + 𝑘𝑛 𝑣𝑛 𝑠𝑖𝑒𝑛𝑑𝑜 𝑙𝑜𝑠 𝑘𝑖 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑒𝑠

Interpretación a la ingeniería
Combinación lineal
Podemos pensar en elementos que se obtengan a partir de la participación de otros, y así acercarnos al
concepto de combinación lineal. Podemos pensar que un auto es combinación lineal de chapa, pintura,
vidrios, plásticos, motor, etc; un edificio, como combinación lineal de hormigón, ladrillos, arena,
cemento, etc, el dulce de leche como combinación lineal de leche y azúcar, la mayonesa como
combinación lineal de aceite y huevos; en general, a cualquier elemento se lo puede interpretar como
combinación lineal de las partes que lo componen, donde los coeficientes son las cantidades con que
intervienen. Podemos generalizar que cualquier plato de comida es una combinación lineal de sus
ingredientes.
7
DEFINICIONES
Conjunto Generador
Los vectores 𝑣1, 𝑣2, … , 𝑣𝑛 pertenecientes al espacio vectorial V

generan a V si todo otro vector de V se puede expresar como CL de
ellos
Entonces ∀ vector 𝑣 ∈ 𝑉 , ∃ escalares 𝑎1 , 𝑎2 , … , 𝑎𝑛 tales que
𝑤 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + … + 𝑎𝑛 𝑣𝑛 𝑠𝑖𝑒𝑛𝑑𝑜 𝑙𝑜𝑠 𝑎𝑖 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑒𝑠

DEFINICIONES
Base
Dado un espacio vectorial V y un conjunto de vectores
𝑆 = 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 de dicho espacio vectorial, diremos que S es base del
espacio vectorial V si se cumple que
S es Linealmente Independiente
S genera a V
Recordemos que los vectores de la base S serán linealmente independientes si se pueden
expresar como 0= 𝑎1 𝑣1 + 𝑎2 𝑣2 + … + 𝑎𝑛 𝑣𝑛 𝑠𝑖𝑒𝑛𝑑𝑜 𝑙𝑜𝑠 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑒𝑠 𝑎𝑖 = 0
DEFINICIONES
Base
Todo conjunto de “n” vectores linealmente independientes en R n genera
a Rn ; por lo tanto:
Todo conjunto de “n” vectores linealmente independientes en Rn es una
base de Rn”.
DEFINICIONES
Base
En Rn se define un conjunto 𝑆 = 𝑒1 , 𝑒2 , . . . , 𝑒𝑛 ; siendo:
𝑒1 = (1, 0, 0, . . . , 0) ; 𝑒2 = (0, 1, 0, . . . , 0) ; 𝑒𝑛 = (0, 0, 0, . . . ,1)
Siendo 𝑒1 , 𝑒2 , . . . , 𝑒𝑛 linealmente independientes.
Además cualquier vector “v” en Rn se puede expresar como combinación lineal, o
sea: v = 𝑘1 𝑒1 + 𝑘2 𝑒2 + . . . + 𝑘n 𝑒𝑛 ∴ “S” genera a Rn y ∴ “S” es una base para Rn
Esta base se conoce como base canónica ó estándar para Rn.

EJEMPLOS
Base canónica ó estándar
𝑅 2 𝑆 = 𝑒1 , 𝑒2 𝑒1 = (1,0) 𝑒2 = (0,1)
3
𝑅 𝑆 = 𝑒1 , 𝑒2 , 𝑒3 𝑒1 = (1,0,0) 𝑒2 = (0,1,0) 𝑒3 = (0,0,1)
𝑛 𝑆 = 𝑒1 , 𝑒2 , . . . , 𝑒𝑛 𝑒1 = (1,0, … , 0) 𝑒2 = (0,1, … , 0) 𝑒n = (0,0, … , 1)

𝑅
DEFINICIONES
Dimensión
Si S =  v1, v2, . . . . , vn  es una base para un espacio vectorial “V”, entonces todo
conjunto con más de “n” vectores es “Linealmente Dependiente”.
Si S =  v1, v2, . . . . , vr  es un conjunto “Linealmente Independiente” en un espacio
“V” de dimensión “n” y “ r  n ”, entonces se puede agrandar “S” hasta formar una
base para “V” , es decir, existen los vectores vr+1, vr+2, . . . . , vn tales que v1, v2, . . .
. , vr, vr+1, vr+2, . . . . ,vn  es una base para “V”.
Dependencia e independencia lineal
Un conjunto de elementos es linealmente independiente (LI), si ninguno de ellos se puede obtener a partir de los demás. Por el contrario,
si algún elemento del conjunto se puede obtener a partir de los otros, ese conjunto de elementos es linealmente dependiente (LD).
Por ejemplo: 𝐴 = 𝑎𝑧ú𝑐𝑎𝑟 ; 𝑙𝑒𝑐ℎ𝑒 , es LI, pero 𝐵 = 𝑎𝑧ú𝑐𝑎𝑟 ; 𝑙𝑒𝑐ℎ𝑒 ; 𝑑𝑢𝑙𝑐𝑒 𝑑𝑒 𝑙𝑒𝑐ℎ𝑒 es LD, ya que el dulce de leche se puede obtener
a partir de azúcar y leche. Lo mismo ocurre con este caso:𝐴 = ℎ𝑢𝑒𝑣𝑜𝑠 , 𝑎𝑐𝑒𝑖𝑡𝑒 es LI, pero 𝐵 = ℎ𝑢𝑒𝑣𝑜𝑠 , 𝑎𝑐𝑒𝑖𝑡𝑒 , 𝑚𝑎𝑦𝑜𝑛𝑒𝑠𝑎 es LD
Conjunto generador
Un conjunto de elementos A constituye un conjunto generador de otro conjunto V, si cualquier elemento de V se puede expresar como
combinación lineal de los elementos de A.
Así podemos pensar que el conjunto A de ingredientes de una empresa de autos es el depósito, donde están todos los materiales para
armar un auto, es un conjunto generador del conjunto de autos producidos V que arma dicha empresa.
Este concepto podemos trasladarlo a una empresa constructora. Así el conjunto de elementos que trabaja en un depósito de materiales de
construcción, constituye un conjunto generador de los departamentos o casas que ofrece esa empresa.
Si por ejemplo se pide un auto o una casa que no estuviesen disponibles, quiere decir que el conjunto de materiales con el que se está
trabajando, no es un conjunto generador.
Base
Definimos Base como un conjunto LI y que genera el espacio vectorial. Podemos decir que para que un conjunto de materiales sea una
base, debe permitir generar todos los productos que lleguemos a producir, pero además no debe haber elementos que se puedan obtener a
partir de otros.
14
Espacios
ESPACIOS RENGLONES (FILAS) Y O COLUMNAS/
Vectoriales ESPACIOS VECTORIALES MATRICIALES
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛 Son espacios vectoriales asociados con matrices
𝐴= ⋮ ⋮ ⋱ ⋮ Se utilizan para hallar vectores que constituyan una
𝑎m1 𝑎m2 … 𝑎mn base
𝑟1 = (𝑎11 𝑎12 … 𝑎1𝑛 ) Espacio renglones (filas)
𝑟2 = (𝑎21 𝑎22 … 𝑎2𝑛 ) “m” vectores Es el subespacio R n
generado
filas
𝑟𝑚 = (𝑎m1 𝑎m2 … 𝑎m𝑛 ) por los “m” vectores fila de A
“n” elementos
Espacio columnas 𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎22 𝑎2𝑛 “m”
Es el subespacio Rm generado 𝑐1 = ⋮ 𝑐2 = ⋮ 𝑐𝑛 = ⋮
elementos
por los “n” vectores columna de A 𝑎m1 𝑎m2 𝑎m𝑛
“n” vectores columna
ESPACIOS RENGLONES (FILAS) Y O COLUMNAS/ ESPACIOS
VECTORIALES MATRICIALES
2 1 0
EJEMPLO 𝐴=
3 −1 4
Vectores r1 = (2; 1; 0) dos vectores fila con tres elementos,

renglón/fila r2 = (3; -1; 4) Pertenecen a R3
tres vectores columnas 2 1 0

𝑐1 = 𝑐2 = 𝑐3 = Vectores columnas
con dos elementos 3 −1 4
Pertenecen a R 2
ESPACIOS RENGLONES (FILAS) Y O COLUMNAS/ ESPACIOS
VECTORIALES MATRICIALES
Observaciones
Las operaciones elementales sobre renglones no
cambian el espacio de renglones de una matriz.
Podemos determinar la matriz escalonada donde los
vectores fila de dicha matriz distintos de cero
constituyen una base para el espacio de renglones
de A
ESPACIOS RENGLONES (FILAS) Y O COLUMNAS/ ESPACIOS VECTORIALES
MATRICIALES
Los renglones y columnas podemos escribirlos en forma vertical y horizontal
respectivamente por lo que el espacio de columnas de A es igual al espacio de
renglones de 𝐴𝑡
𝒕
Espacio de columnas de A = Espacio de renglones de 𝑨
2 3
EJEMPLO 2 1 0 3 vectores columna 𝑡
𝐴 = 1 −1 3 vectores fila
𝐴=
3 −1 4 con 2 elementos
0 4
con 2 elementos
Espacio de columnas de A Espacio de renglones de 𝐴𝑡
𝑅2 𝑅2
Si “A” es una matriz cualquiera, entonces el espacio de renglones y el espacio
de columnas de “A” tienen la misma dimensión.
La dimensión del espacio de renglones y/o columnas de una matriz “A” se

conoce como Rango de “A” (cantidad de vectores de la base)
ESPACIOS RENGLONES (FILAS) Y O COLUMNAS/ ESPACIOS VECTORIALES
MATRICIALES
Si 𝐴𝑛𝑥𝑛 y tiene rango “n”
A es invertible
det (A) ≠ 0
Los vectores fila/columna de A son LI
𝐴. 𝑥 = 0 y 𝐴. 𝑥 = 𝑏 tienen
solución
RELACIÓN ENTRE CONCEPTO DE BASE Y COORDENADAS
El punto “P” tiene por coordenadas (𝑎; 𝑏)
𝑃(𝑎; 𝑏)
Considerando los vectores unitarios 𝑖 ҧ y 𝑗 ҧ
𝑏𝑗 ҧ
perpendiculares entre si y con un mismo punto de origen
obtenemos los vectores 𝑎𝑖 ҧ y 𝑏𝑗 ҧ de modo que
𝑗ҧ
𝑂 𝑖ҧ 𝑎𝑖 ҧ 𝑂𝑃 = 𝑎𝑖 ҧ + 𝑏𝑗 ҧ
Expresamos el vector 𝑂𝑃 como combinación lineal de los

vectores 𝑖yҧ 𝑗aҧ través de escalares 𝑎 y 𝑏
a y b son las coordenadas del punto “P”

RELACIÓN ENTRE CONCEPTO DE BASE Y COORDENADAS
Generalizando
Si S = 𝑣1 , 𝑣2 , 𝑣3 ,. . . , 𝑣𝑛  es una base para un espacio vectorial “V”,
entonces, todo otro vector 𝑢ത de dicho espacio vectorial se puede expresar como
𝑢ത = 𝑐1 𝑣1 + 𝑐2 𝑣2 + 𝑐3 𝑣3 + ⋯ + 𝑐𝑛 𝑣𝑛
Es la expresión del vector 𝑢ത en función de la base “S”
A los escalares 𝒄𝟏 ; 𝒄𝟐 ; 𝒄𝟑 ; … ; 𝒄𝒏 se los denomina

coordenadas del vector 𝒖 ഥ relativas a la base “S”
𝑐1
𝑢ത 𝑆 = (𝑐1 , 𝑐2 , … , 𝑐𝑛 )
ഥ
𝑐2 Matriz de coordenadas de 𝒖
Vector de coordenadas de 𝒖 ഥ 𝑢ത 𝑠 = ⋮ relativas a la base “S”
relativas a la base “S” 𝑐n
Cambio de Base – Matriz de transición
𝑣ഥ ∈ 𝑉 Demostraremos que:
𝑣ҧ 𝐵´ = 𝑃 𝑣ҧ 𝐵
𝐵: 𝐵𝑎𝑠𝑒 𝐼𝑛𝑖𝑐𝑖𝑎𝑙 𝐵´: 𝐵𝑎𝑠𝑒 𝑁𝑢𝑒𝑣𝑎
𝑣ҧ 𝐵 𝑣ҧ 𝐵´ P: 𝐵→ 𝐵’
P es la matriz de transición de B a B’
Cuál es la
relación entre
ambas?
Sean: 𝐵 = 𝑢ത1 , 𝑢ത 2 𝐵𝑎𝑠𝑒 𝐼𝑛𝑖𝑐𝑖𝑎𝑙 𝐵′ = 𝑤
ഥ1 , 𝑤
ഥ2 𝐵𝑎𝑠𝑒 𝑁𝑢𝑒𝑣𝑎
𝑉
Relacionamos los vectores de la Base 𝑢ത1 = 𝑎𝑤

ഥ 1 + b𝑤
ഥ2
inicial 𝐵 con los vectores de la base nueva
𝑢ത 2 = 𝑐 𝑤
ഥ1 + 𝑑 𝑤
ഥ2
𝐵′:
Matrices de coordenadas de los 𝑢ത1 𝐵´ = 𝑎 𝑢ത 2 𝐵´ = 𝑐

vectores de la base inicial B en 𝑏 𝑑
relación a la nueva base B’
Sean: 𝑣ҧ ∈ 𝑉 𝐸𝑥𝑝𝑟𝑒𝑠𝑎𝑟𝑒𝑚𝑜𝑠 𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 𝑣ҧ 𝑒𝑛 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠
𝑑𝑒 𝑙𝑎 𝑏𝑎𝑠𝑒 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝐵
𝑣ҧ = 𝑘1 𝑢ത1 + 𝑘2 𝑢ത 2
Matriz de coordenadas de 𝑣ҧ en
𝑘1
𝑣ҧ 𝐵 = 𝑘
relación a la base inicial B 2 𝑢ത1 = 𝑎𝑤
ഥ 1 + b𝑤
ഥ2
𝑣ҧ = 𝑘1 𝑢ത1 + 𝑘2 𝑢ത 2 𝑢ത 2 = 𝑐 𝑤
ഥ1 + 𝑑 𝑤
ഥ2
𝑣ҧ = 𝑘1 (𝑎𝑤 ഥ 2 ) +𝑘2 (𝑐 𝑤
ഥ 1 + b𝑤 ഥ1 + 𝑑 𝑤
ഥ2 )
Vector ̅ expresado en función de los
vectores de la nueva base 𝐵’
𝑣ҧ = 𝑘1 (𝑎𝑤 ഥ 2 ) +𝑘2 (𝑐 𝑤
ഥ 1 + b𝑤 ഥ1 + 𝑑 𝑤
ഥ2 )
Reagrupando 𝑣ҧ = 𝑘1 𝑎 + 𝑘2 𝑐 𝑤
ഥ1 + 𝑘1 𝑏 + 𝑘2 𝑑 𝑤
ഥ2
𝑘1 𝑎 + 𝑘2 𝑐 𝑎 𝑐 𝑘1
Entonces 𝑣ҧ 𝐵´ = 𝑘 𝑏 + 𝑘 𝑑 = 𝑏 𝑑 𝑘2
1 2
𝑷 𝑣ҧ 𝐵
P: 𝐵→ 𝐵’
P: Matriz de Transición de la
base B a la base B’
𝑎 𝑐
𝑃=
𝑏 𝑑
Son las coordenadas de los vectores de la base inicial respecto a la nueva base
𝑎 𝑐
𝑢ത1 𝐵´ = 𝑢ത 2 𝐵´ =
𝑏 𝑑
Las columnas de la 𝑢ത1 𝐵´ 𝑢ത 2 𝐵´ … 𝑢ത 𝑛 𝐵´

matriz P serán:
Si queremos pasar de la base B’ → B,
consideramos a la base B’ como base inicial y a B como base nueva
Así obtendremos una matriz Q que nos permitirá realizar la transición de B’ a B
Partimos de 𝑣ҧ 𝐵´ = 𝑃 𝑣ҧ 𝐵 P: 𝐵→ 𝐵’
−1 −1
Premultiplicando por 𝑃 −1
𝑃 𝑣ҧ 𝐵´ = 𝑃 𝑃 𝑣ҧ 𝐵
−1
𝑣ҧ 𝐵 = 𝑃 𝑣ҧ 𝐵´
−1
𝑃 −1
: 𝐵’→ 𝐵 𝑄 = 𝑃
Resumiendo:
−1
∀𝑣ҧ se tiene 𝑣ҧ 𝐵´ = 𝑃 𝑣ҧ 𝐵 y 𝑣ҧ 𝐵 =𝑃 𝑣ҧ 𝐵´
𝑃es invertible
𝑃 es la matriz de transición de la base B a la base
B’
−1
𝑃 es la matriz de transición de la base B’ a la base
B
Cambio de base
Cambiar la base en una empresa, significa cambiar los materiales, pero cumpliendo con las condiciones de
base, o sea poder generar todos los productos sin repetir elementos, por ejemplo, cuando en un vehículo se
hace una mejora en el cambio de modelo (agregan GPS, EDB, etc).
Estas son simplemente algunas ideas para desestructurar un poco la estructura de espacio vectorial y
algunos conceptos vinculados a ella.
Podemos pensar en otros ejemplos.
Si una empresa trabaja con un conjunto de empleados que es una base, quiere decir que trabaja con la
cantidad mínima necesaria para poder generar el conjunto de tareas que realiza la empresa. Si el conjunto de
empleados es un conjunto generador, pero no es LI, es decir que no es base, quiere decir que hay tareas que
se superponen, sobra gente.
29
APLICACIONES O
TRANSFORMACIONES LINEALES
V F W Estudiaremos ahora las funciones con valor vectorial de una variable
vectorial, es decir, funciones que tienen la forma w = F(v), en donde
𝑣1 la variable independiente “v” y la variable dependiente “w”, son
𝑤1 vectores.
𝑣2
𝑤2
Si “V” y “W” son espacios vectoriales y “F” ó “T” es una función que
𝑣3 𝑤3 asocia un vector único en “W” con cada vector en “V”, se dice que
“F” ó “T” aplica o mapea “V” en “W” y ello se escribe como:F: V  W.
Imagen Además, si “F” ó “T” asocia el vector w al vector v, se escribe w =
Codominio F(v) y se dice que w es la imagen de v bajo “F”.
Dominio
Definición:
Si la expresión F:VW es una función del espacio vectorial “V” hacia el espacio vectorial “W”, entonces “F” es una
transformación lineal si se cumple:
1- F(u + v) = F(u) + F(v) para todos los vectores u y v  V;
2- F(ku) = kF(u) para todos los vectores u en V y todos los escalares “k”.
Transformación Matricial
Sea “A” una matriz de orden m x n. Si se utiliza la notación matricial para vectores en Rm y Rn, entonces es posible definir
una función T:RnRm por medio de:
T(x) = Ax
Aplicando las propiedades de la multiplicación de matrices, se obtiene:
A(u + v) = Au + Av , y , A(ku) = k (Au)
Transformación Cero
Sean “V” y “W” dos espacios vectoriales cualesquiera. La aplicación T:VW tal que T(v) = 0 para todo vector “v” que
pertenece al espacio vectorial “V” es una transformación lineal que se conoce como transformación cero. A fin de ver que
“T” es lineal, obsérvese que:
T(u + v) = 0 ; T(u) = 0 ; T(v) = 0 ; y T(ku) = 0
Por lo tanto,
T(u + v) = T(u) + T(v) ; y ; T(ku) = kT(u)
Transformación Identidad
Sea “V” cualquier espacio vectorial. La aplicación T:VV definida por “T(v) = v” se conoce como transformación identidad
sobre “V”.
Si T:VV es una transformación lineal de un espacio vectorial “V” en sí mismo, entonces “T” es un operador lineal sobre
“V”.
Sea “V” cualquier espacio vectorial y “k” cualquier escalar fijo. La función “T: VV” definida por: T(v) = kv es un
operador lineal sobre “V”.
Núcleo
Si la expresión T:VW representa una transformación lineal, entonces el conjunto de vectores en “V” (conjunto de salida) que
“T” aplica hacia 0 (cero) se conoce como núcleo, kernel o espacio nulo de “T”.
ker(T) = x tal que Ax = 0
V T W El núcleo es el espacio solución del sistema homogéneo, que siempre es
compatible
Otra manera distinta de definir el núcleo, es: “Dados los espacios
vectoriales “V” y “W” y sea F:VW una aplicación lineal. El conjunto
0 de elementos “v” que pertenecen al espacio vectorial “V”, tales que
F(v) = 0w, se conoce como núcleo, kernel o espacio nulo de F.”
Imagen o Recorrido Vemos que el núcleo pertenece al espacio vectorial de salida.
Si la expresión T: V  W representa una transformación lineal, entonces el conjunto de todos los vectores en “W” que son
imágenes bajo “T” de al menos algún vector que pertenece a “V”, se conoce como imagen o recorrido de “T”.
V T W
R(T) = b tal que Ax = b es compatible
Imagen: sistema no homogéneo que será compatible si “b” está en
el espacio de columnas de la matriz A
0
Propiedades de las transformaciones lineales.
1- T(0) = 0
2- T(-v) = -T(v) para todos los vectores “v  V”.
3- T(v – w) = T(v) – T(w) para todos los vectores “v” y “w” que pertenecen a “V”.
4- El núcleo de “T” es un subespacio de “V”
5- El recorrido de “T” es un subespacio de “W”
6- La dimensión del recorrido de “T” se conoce como “rango de T”
7- La dimensión del núcleo, se denomina “nulidad de T”
Teorema de la Dimensión
Si la expresión T:VW es una transformación lineal desde un espacio vectorial “V” con una dimensión “ n ” hacia un espacio
vectorial “W”, entonces:
(rango de T) + (nulidad de T) = n
Teorema
Si “A” es una matriz de orden “m x n”, entonces la dimensión del espacio de soluciones de AX = 0 es:
Nulidad de T = n – rango de A
Ejemplo:
Dado el siguiente sistema de ecuaciones lineales homogéneo:
2𝑥1 + 2𝑥2 − 𝑥3 + ⋯ + 𝑥5 = 0 el cual se puede resolver a través de las operaciones elementales
−𝑥1 − 𝑥2 + 2𝑥3 − 3𝑥4 + 𝑥5 = 0 por filas (Método de Gauss-Jordan), resulta
𝑥1 + 𝑥2 − 2𝑥3 + ⋯ − 𝑥5 = 0
… … … … … 𝑥3 + 𝑥4 + 𝑥5 = 0
2 2 −1 0 1 4 1 1 0 0 1 3 1𝑥1 + 1𝑥2 + 1𝑥5 = 0 ⇒ 𝑥1 = −𝑥2 − 𝑥5
−1 −1 2 −3 1 −2 0 0 1 0 1 2 1𝑥3 + 1𝑥5 = 0 ⇒ 𝑥3 = −𝑥5
⇒ ⇒
1 1 −2 0 −1 −1 0 0 0 1 0 1
1𝑥4 = 0 ⇒ 𝑥4 = 0
0 0 1 1 1 3 0 0 0 0 0 0
y haciendo x2 = s y x5 = t , resulta el conjunto solución: lo que demuestra que los vectores:
𝑥1 −𝑥2 − 𝑥5 −𝑠 − 𝑡 −1 −1 −1 −1
𝑥2 𝑥2 𝑠 1 0 1 0
𝑥 = 𝑥3 = −𝑥5 = −𝑡 = 0 𝑠 + −1 𝑡 𝑣1 = 0 ; 𝑣2 = −1
𝑥4 𝑥4 0 0 0 0 0
𝑥5 𝑥5 𝑡 0 1 0 1
generan el espacio de soluciones. Como estos vectores son linealmente independientes, el conjunto {𝑣1 , 𝑣2 } es una base y el
espacio de soluciones es bidimensional. Este espacio de soluciones del sistema homogéneo analizado (Ax = 0) constituye el
núcleo de la transformación. (El núcleo es el “espacio de soluciones” del sistema homogéneo).
Dijimos también que el conjunto solución tiene dos vectores, es decir que es bidimensional, por lo tanto, la dimensión del núcleo
es dos (2) y por ende la nulidad de la transformación es dos (2). (Recordar que la dimensión del núcleo se denomina “nulidad”).
Debido a que la matriz de los coeficientes del sistema analizado tiene cinco (5) columnas (5 incógnitas)  n = 5 ; por el teorema
que expresa:
Rango de T + Nulidad de T = nº de columnas del sistema ó número de columnas de “A”
y además:
rango de T = rango de A entonces tendremos:
rango de A + Nulidad de T = nº de columnas de la transformación ( n ) de donde se puede expresar:
rango de A = n – Nulidad de T o sea:
rango de A = 5 – 2  rango de A = 3 lo que también se puede observar en la matriz reducida por filas,
la cual posee tres (3) filas no nulas  rango de A = 3
Transformaciones lineales de Rn hacia Rm
S = {v1, v2, . . . . , vn} Base para V T: V  W es una transformación lineal
Si conocemos las imágenes de los vectores base T(v1), T(v2), . . . . , T(vn), podemos conocer la imagen T(v) de cualquier vector
v = k1v1 + k2v2 + . . . . + knvn [T(k1v1 + k2v2 + . . . . + knvn) = k1T(v1) + k2 T(v2) + . . . . + kn T(vn)]
T(v) = k1 T(v1) + k2 T(v2) + . . . . + kn T(vn) Una transformación lineal, está completamente determinada por sus “valores”
en una base
Ejemplo:
Consideremos la base S = {v1, v2, v3} para ℝ3, donde: v1 = (1; 1; 1) ; v2 = (1; 1; 0) ; v3 = (1; 0; 0) y sea T: ℝ3ℝ2 una
transformación lineal tal que: T(v1) = (1; 0) ; T(v2) = (2; -1) ; T(v3) = (4; 3)
encontrar T(2 ; -3 ; 5) es decir nos piden hallar la imagen [T(v)] del vector (2 ; -3 ; 5).
Solución:
Lo primero que encontraremos será el vector v = (2 ; -3 ; 5) como combinación lineal de los vectores de la base, o sea de v1, v2 y v3.
v = k1v1 + k2v2 + k3v3  (2 ; -3 ; 5) = k1 (1; 1; 1) + k2 (1; 1; 0) + k3 (1; 0; 0)
𝑘1 = 5 (2 ; -3 ; 5) = 5 v1 – 8 v2 + 5 v3
1𝑘1 + 1𝑘2 + 1𝑘3 = 2 de donde tendremos:
1𝑘1 + 1𝑘2 + 0𝑘3 = −3 Resolviendo resulta ⇒ 𝑘2 = −8
𝑘3 = 5 T(2 ; -3 ; 5) = 5 Tv1 – 8 Tv2 + 5 Tv3
1𝑘1 + 0𝑘2 + 0𝑘3 = 5
T(2 ; -3 ; 5) = 5 (1, 0) – 8 (2; -1) + 5 (4; 3)  T(2 ; -3 ; 5) = (9; 23)
Matriz estándar de la transformación
Podemos demostrar que toda transformación lineal de ℝn hacia ℝm, es una transformación matricial.
Concretamente, si la transformación T: ℝn ℝm es cualquier transformación lineal, entonces es posible encontrar una matriz “A”
de orden m x n, tal que dicha transformación “T” sea la multiplicación por la matriz “A”.
Vamos a verificar esto y para ello sea: e1, e2, . . . . , en la base estándar para ℝn y supóngase que “A” es la matriz de orden “m x
n” que tiene a:
T(e1), T(e2), . . . . , T(en) como sus vectores columnas.
Por ejemplo, si la transformación T: ℝ2 ℝ2 está dada por:
𝑥1 𝑥 + 2𝑥2 1 1 0 2 1 2
𝑇 𝑥 = 1 entonces: 𝑇 𝑒1 = 𝑇 = 𝑦 𝑇 𝑒2 = 𝑇 = 𝐴=
2 𝑥1 − 𝑥2 0 1 1 −1 1 −1
 
Y de forma más general, si: T(e1) T(e2)
𝑎11 𝑎12 𝑎1𝑛 𝑎11 𝑎12 … 𝑎1𝑛
𝑎 𝑎 𝑎 𝑎21 𝑎22 … 𝑎2𝑛
𝑇(𝑒1 ) = 21 ; 𝑇(𝑒2 ) = 22 ; … ; 𝑇(𝑒𝑛 ) = 2𝑛 entonces es: 𝐴= ⋮
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑎m1 𝑎m2 … 𝑎mn
  
T(e1) T(e2) T(en)
Se puede demostrar entonces que la transformación lineal T: ℝn ℝm es la multiplicación por “A”.
𝑥1
Para ello, obsérvese que si: 𝑥2
𝑥 = ⋮ = 𝑥1 𝑒1 + 𝑥2 𝑒2 + ⋯ + 𝑥𝑛 𝑒𝑛
𝑥𝑛
Por lo tanto, por la linealidad de la transformación “T”, tendremos: T(X) = x1 T(e1) + x2 T(e2) + . . . . . + xn T(en) (1)
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛
Por otra parte:
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛
𝐴𝑥 = ⋮ ⋮ ⋱ ⋮ ⋮ = ⋮ =
𝑎m1 𝑎m2 … 𝑎mn 𝑥𝑛 𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛
𝑎11 𝑎12 𝑎1𝑛
𝑎 𝑎 𝑎
= 𝑥1 21 + 𝑥2 22 + ⋯ + 𝑥𝑛 2𝑛 = 𝑥1 𝑇 𝑒1 + 𝑥2 𝑇 𝑒2 + ⋯ + 𝑥𝑛 𝑇 𝑒𝑛 (2)
⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛
Si se comparan las expresiones (1) y (2), se llega a la conclusión de que T(X) = Ax , es decir, la transformación “T” es la
multiplicación por la matriz “A”.
“A” se la llama “matriz estándar” para la transformación “T”
Como conclusión, podemos decir que: “la matriz estándar para una transformación matricial es
la propia matriz de la transformación”.
Transformaciones lineales en el plano (T:R2R2)
a b 
Sea T:R2R2 una transformación lineal en el plano y A    es la matriz estándar para
dicha transformación “T”, entonces: c d 
 x   a b   x   ax  by 
T   .  
 y   c d   y   cx  dy 
Podemos interpretar a los elementos de la matriz como componentes de los vectores o como
coordenadas
y y
(ax + by , cx + dy) (ax + by , cx + dy)
(x , y) (x , y)
x x
Movimientos en el plano
1- Reflexiones
Se definen respecto a cualquier recta en el plano. La transformación lineal aplica como un
espejo respecto de la recta. Hay simetría
Respecto al eje y Respecto al eje x Respecto a la recta x = y

y y (y , x)
y (x , y)
(-x , y) (x , y) (x , y)
x
x (x , -y) x
2- Rotaciones
Si T:R2R2 es una transformación matricial y 𝜎 es un ángulo fijo de modo que 𝑇 (x) = 𝐴x
Siendo la matriz estándar
La imagen 𝑇 𝑥 es el vector que se obtiene al hacer girar “𝑥” un ángulo "𝜎"
σ Operador de rotación
1 0 
0° 0 1 
 
 2 2
  
 2 2 
45°  2 2 
 
 2 2 
 0 1
90° 1 0 
 
 1 0 
180°  0 1
 
 0 1
270°  1 0 

3- Expansiones y compresiones
3-a- En la dirección del eje x
Se producen cuando a la coordenada “x” de cada punto en el plano se la multiplica por una
constante 𝒌 > 𝟎
y y y
(1/2 x , y) (x , y) (2x , y)
x x x
Compresión 𝟎 < 𝒌 < 𝟏 Figura Inicial Dilatación/Expansión
k= 𝟏/𝟐 𝒌 > 𝟏 k= 2
Matriz estándar
3-b- En la dirección del eje y
Se producen cuando a la coordenada “y” de cada punto en el plano se la multiplica por una
constante 𝒌 > 𝟎
y y y
(x , 2y)
(x , y)
(x , ½ y)
x x x
Compresión 𝟎 < 𝒌 < 𝟏 Figura Inicial Dilatación/Expansió
k= 𝟏/𝟐 n 𝒌 > 𝟏 k= 2
Matriz estándar
4- Deslizamientos cortantes o cizallamientos
4-a- En dirección del eje x
Se producen cuando se mueve cada punto (x; y) del plano paralelo al eje x en una cantidad
“ky” hacia una nueva posición (x+ky; y) siendo k una constante.
y y y
(x+k , y) (x , y) (x+k , y)
x x x
𝒌<0 Figura Inicial 𝒌 >0
Los puntos sobre el eje x no se mueven pues y = 0 Los puntos más lejanos al eje x se
mueven más que los más cercanos
 x   x  ky  1  1  0  k  1 k 
T ( x)       T    ; T     MT   
 y  y  0 0 1   1  0 1 
4-b- En dirección del eje y
Se producen cuando se mueve cada punto (x; y) del plano paralelo al eje y en una cantidad
“kx” hacia una nueva posición (x; y)+kx siendo k una constante.
y y y
(x , y+k)
(x , y)
(x , y+k)
x x x
𝒌<0 Figura Inicial 𝒌 >0
Los puntos sobre el eje y no se mueven pues x = 0 Los puntos más lejanos al eje y se
mueven más que los más cercanos
 x  x  1   1  0 0  1 0
T ( y)       T 0   k  ; T 1   1   MT   
  
y y  kx           k 1 
Observaciones:
1- La multiplicación por la matriz identidad de orden 2 por 2 aplica cada punto en sí mismo.
A esta transformación se la denomina transformación identidad.
2- Si se efectúan en sucesión un número muy grande, pero finito, de transformaciones
lineales de Rn a Rn, entonces es posible obtener el mismo resultado mediante una sola
transformación matricial.
Hallar una transformación matricial de R2 hacia R2 que primero lleve a cabo un
deslizamiento cortante en un factor de 2 en la dirección de “x” ; y a continuación, realice una
reflexión respecto a la recta “y = x”
1 2 
La matriz estándar para el deslizamiento cortante es: A1   
0 1 
0 1 
y para la reflexión es: A2   
1 0 
de modo que la matriz estándar para el deslizamiento cortante seguido por la reflexión es:
 0 1  1 2  0 1 
A2 . A1       
1 0   0 1  1 2 
Transformaciones inversas
Sea T:R2R2 la multiplicación por una matriz invertible “A” y supóngase que la
transformación “T” aplica el punto (x, y) hacia el punto (x' ,y'). Entonces:
 x   x '  x '  x 
1
A.    ; A .  
 y   y '  y '  y 
A partir de estas ecuaciones se deduce que si la multiplicación por “A” aplica (x, y) hacia (x',
y'), entonces la multiplicación por “A-1 regresa (x', y') hacia su posición original (x, y). Es por
esta razón que se dice que la multiplicación por “A” y la multiplicación por “A-1 son
transformaciones inversas.
Ejemplo:
Si T:R2R2 comprime al plano en ½ en dirección del eje y para regresar cada punto a su
posición original se debe dilatar el plano un factor 2 en dirección del eje y
1 0 
Entonces: A    comprime en dirección del eje y
 0 1/ 2 
1 1 0 
A   expande en dirección del eje y
0 2 
Matrices de las transformaciones lineales
A[x]B = [T(x)]B'
Cálculo Directo
x T(x) 1- Calcular la matriz de coordenadas [x]B ;
2- Multiplicar [x]B desde la izquierda por la matriz “A” , para
producir [T(x)]B'
Multiplíquese por A 3- Reconstruir T(x), a partir de su matriz de coordenadas
[x]B [T(x)]B' [T(x)]B'
Supóngase que “V” es un espacio de “n” dimensión con base B = {u1, u2, . . . , un} y que W es
un espacio de “m” dimensión con base B' = {v1, v2, . . . , vm} a  11
1   a11 a12 . . . . . a1n  1   a 11  a 
 a11 a12 . . . . . a1n  0  a a 22 . . . . . a 2n  0  a   21 
a    21    21 
 21 a 22 . . . . . a 2n  [u1 ]B = 0  de modo que: A.[u1 ]B =  . . . . . . . . . 0   .   .  = [T(u1 )]B'
         
A= . . . . . . . .  .  . . . . . . . .  .  .   . 
  0  a m1 a m2 . . . . . a mn   0  a m1  a m1 
 . . . . . . . . 
 a m1 a m2 . . . . . a mn  0   a11 a12 . . . . . a1n   0   a12   a12 
1  a a 22 . . . . . a 2n  1   a   a 
A[u1]B = [T(u1)]B    21    22   22 
[u 2 ]B = 0  de modo que: A.[u 2 ]B =  . . . . . . . . .  0    .   .  = [T(u 2 )]B'
         . 
A[u2]B = [T(u2)]B' .  . . . . . . . .  .  .   
0  a m1 a m2 . . . . . a mn   0  a m2   a m2 
La matriz única “A” que se obtiene de esta manera Matriz de T con respecto a las bases B
se conoce como matriz de la transformación “T” y B'  A = [ [T(u1)]B' ¦[T(u2)]B' ¦. . . . . .
con respecto a las bases B y B'. ¦[T(un)]B' ]
En una Empresa autopartista que fabrica cables para abastecer a una terminal de producción de automotores, se desea conocer la
cantidad, en metros, de cable y de terminales, en unidades, necesarios para poder producir las partes solicitadas por la terminal
automotriz, según el siguiente programa mensual de producción de dicha terminal:
Modelo Estándar 4x2 Estándar 6x2 Base 4x2
Producción (un) 50 500 1.000
Las cantidades utilizadas de cables y terminales por unidad son las siguientes:
Estándar 4x2 Estándar 6x2 Base 4x2
Cable (mt) 28 92 48
Terminales (un) 200 250 150
Solución
Tenemos una transformación lineal de ℝ3→ ℝ2, porque conocemos la producción de vehículos (vector x de ℝ3), las cantidades
utilizadas (ley, matriz A) y debemos determinar cuántos metros de cable y cuantas unidades de terminales debo comprar para
poder llevar a cabo la producción (vector de ℝ2), entonces Vector
50 transformado
58 92 48 58 . 50 + 92 . 500 + 48 . 1.000 96.900
𝑇 𝑥 = 𝐴𝑥 = 500 = = que nos dice
200 250 150 200 . 50 + 250 . 500 + 150 . 1.000 285.000 cuánto de
1.000 cada insumo
necesitamos
Matriz A, también Vector x, cantidad de cable Combinación lineal
llamada matriz de por unidad a producir, es el entre cantidades Para llevar a cabo dicha producción solicitada
insumo-producto, ya que que necesitamos unitarias por producto por la terminal automotriz, debo comprar
me dice la cantidad de transformar para saber cuál y cantidad de
insumos necesarios para va a ser nuestra necesidad producto para lograr 96.900 metros de cable y 285.000 unidades de
elaborar cada producto de cada uno la necesidad total terminales.
Semejanza (similaridad)
Teorema:
Sea la expresión T: VV un operador lineal sobre un espacio vectorial de dimensión finita
“V”. Si “A” es la matriz de la transformación “T” con respecto a una base “B”, y “A' ” es la
matriz de la misma transformación “T” con respecto a una base “B' ”, entonces:
A' = P-1.A.P
en donde “P” es la matriz de transición de la base B' hacia la base B.
Del análisis de lo desarrollado, obtenemos la siguiente conclusión: “Si “A” y “B” son matrices
cuadradas, se dice que la matriz “B” es semejante a la matriz “A”, si existe una matriz
inversible “P”, tal que:
B = P-1.A.P
Nótese que la ecuación B = P-1.A.P se puede escribir también como: A = P.B.P-1 o bien,
como:
A = (P-1)-1.B.P-1
Si ahora hacemos: Q = P-1 , se obtiene: A = Q-1.B.Q con lo que se afirma que la matriz “A”
es semejante a la matriz “B”.
Por lo tanto, la matriz “B” es semejante a la matriz “A” sí y sólo sí, la matriz “A” es semejante
a la matriz “B”. En general, simplemente diremos que las matrices “A” y “B” son semejantes.
Con ésta terminología, se afirma que dos matrices que representan el mismo operador lineal
( T:VV ) con respecto a bases diferentes son semejantes.
AUTOVALORES Y AUTOVECTORES
Definición
Sea 𝑇:𝑉 → 𝑉 una transformación lineal
Queremos hallar vectores no nulos 𝑣 𝜖 𝑉 ∶ 𝑣 𝑦 𝑇(𝑣) sean paralelos (no cambia su

dirección), es decir, que el vector obtenido de la TL sea múltiplo del vector 𝑣
𝑇(𝑣 )= 𝜆. 𝑣 Siendo 𝜆 y las componentes de 𝑣 reales o complejas
La transformación se puede representar por la matriz A, es decir,
𝐴. 𝑣 = 𝜆. 𝑣
Valor característico asociado a la T o Vector característico asociado a la T o matriz

matriz A Valor propio, autovalor, A correspondiente al valor característico 𝜆
eigenvalor Vector propio, autovector, eigenvector
Veamos un ejemplo:
1 6 6 3
Sean 𝐴 = ,𝑢 = 𝑦𝑣= , 𝑠𝑜𝑛 𝑢 𝑦 𝑣 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑑𝑒 𝐴?
5 2 −5 −2
Solución:
1 6 6 −24 6
𝐴𝑢 = = = −4 = −4𝑢
5 2 −5 20 −5
1 6 3 −9 3
𝐴𝑣 = = ≠𝜆
5 2 −2 11 −2
Entonces u es un vector propio correspondiente a un valor propio (-4), pero v

no es un vector propio de A, porque Av no es múltiplo de v.
Cálculo de Autovalores y Autovectores
𝐴 es una matriz cualquiera de orden 𝑛 𝑥 𝑛
𝐴 𝑣 = 𝜆.𝐼 𝑣
𝐴 𝑣 − 𝜆.𝐼 𝑣 = 0
Representa un sistema de ecuaciones homogéneo de

(𝐴 − 𝜆.𝐼) . 𝑣 = 0
“n” ecuaciones y “n” incógnitas
det (𝐴 − 𝜆.𝐼) = 0 Desarrollando el determinante obtenemos un polinomio

𝑃(𝜆) que se denomina polinomio característico
𝑃 (𝜆) = det (𝐴 − 𝜆.𝐼) = 0 Se denomina Ecuación Característica

Procedimiento para calcular valores y vectores característicos
1- Hallar el polinomio característico, 𝑃 (𝜆) = det (𝐴 − 𝜆 .𝐼)
2- Determinar las raíces (autovalores)de la ecuación característica,
𝑃 (𝜆) = det (𝐴 − 𝜆.𝐼) = 0.
El orden de la matriz indica la cantidad de valores característicos,
“n” valores
3- Hallar los autovectores que corresponden a cada valor característico,
para ello resolver el sistema homogéneo (𝐴 − 𝜆.𝐼) . 𝑣 = 0
Veamos un ejemplo
Hallar los autovalores y autovectores de la matriz A
 3 2
A=  
 1 0 
1- P() = det(A-I) 2- P() = 0
 3 2 1 0   3 2  0 3   2 
𝐴 − 𝜆.𝐼 =     0 1    1 0    0     1 P() = 2-3+2=0
 1 0           
3  9- 4.2 3 1
3  2 
P() = det   = (3-) (-)+2
=
2

2
 1   
1 = 2 2= 1
P() = 2-3+2
3- (𝐴 − 𝜆.𝐼) . 𝑣 = 0
3   2  3  2 2  1 2
Para 1 = 2  1  
     1  2 
 
 1 2 
 
 1 2   x1  0  1x1  2 x2  0  x1   2 x2 1

 1 2   x  0
.      x   x1
    
2
   2    11x 2 x2 0  1 x 2 x2 2
 x   t   1 
 x1   1    t  1
x  1   si x1  t  x   u1 = 1 ,  
 2
x   x1  1 t   1   2
 2   2   2
Para cada valor de “t” obtenemos los infinitos autovectores asociados a 1.
3   2  3  1 2  2 2
Para 2 = 1  1  
     1 1 
 
 1 1
 
 2 2  x1  0  2 x  2 x2  0 2 x   2 x2  x1   x2
 1 1 .  x   0   1   1
   2   1x1  1x2  0   x1  1 x2   x1  x2
 x   x  - t   1
x   1    2   si x2  t  x   t  1 t  u 2 =  1 , 1
 x2   x2     
Para cada valor de “t” obtenemos los infinitos autovectores asociados a 2.
Para terminar con el ejemplo
Para cada valor “t” tenemos infinitos autovectores asociados a 1 = 2 𝑦 2 = 1 Los
infinitos autovectores forman un autoespacio asociado a un autovalor
Propiedades
1- Una matriz simétrica tiene todos sus valores propios reales
2- Los valores propios de una matriz son los recíprocos de los valores propios de la
matriz inversa
3- Cuando el valor propio es cero, el vector correspondiente es el vector nulo
4- Los valores propios de una matriz son iguales a los de la matriz transpuesta
5- Los valores propios de una matriz triangular son los elementos de la diagonal
principal
6- Si una matriz se multiplica por una constante, los valor propios resultaran
multiplicados por dicha contante, pero los vectores propios no cambian.
7- Los vectores propios de autoespacios diferentes de una matriz simétrica son
siempre ortogonales entre si.
8- La suma de los valores propios de una matriz cualquiera es igual a la traza (valor
de la suma de los elementos de la diagonal principal) de dicha matriz
DIAGONALIZACIÓN
¿Por qué nos interesa diagonalizar una matriz?
Porque facilita cálculos como por ejemplo la potenciación
Definición
Se dice que una matriz cuadrada es diagonalizable si existe una matriz cuadrada P
tal que
P diagonaliza a la matriz A P es Matriz diagonal Respecto a la Base B’

la matriz de transición de B’ a B
A matriz estándar Respecto a la base B
Las matrices A y D son semejantes o similares “A” puede reducirse a una forma
diagonal “D” mediante un cambio de base
DIAGONALIZACIÓN
Teorema
Si A es una matriz de n x n entonces las siguientes proposiciones son equivalentes
1- A es diagonalizable
2- A tiene “n” autovectores linealmente independientes
Demostración
Suponemos que A es diagonalizable, entonces por definición:
𝑃-1𝐴 𝑃 = D
Premultiplicando por P
𝑃 𝑃-1𝐴 𝑃 = 𝑃 D ⇒ 𝐴 𝑃 = 𝑃 D
Partimos de
 p11 p12 . . . . . . p1n   1 0 ...... 0   1 p11 2 p12 . . . . . . n p1n 
p
 21 p 22 . . . . . . p 2n   0 2 . . . . . . 0  1 p 21 2 p22 . . . . . . n p 2n 
AP  .

. ...... . . .
 
. ...... .  .
 
. ...... . 
= [𝜆1𝑃1 𝜆2𝑃2 … 𝜆n𝑃n ]
 . . ...... .   . . ...... .   . . ...... . 
 p n1 p n2 . . . . . . p nn   0 0 ...... n  1 p n1 2 p n 2 . . . . . . n p nn 
Además
DIAGONALIZACIÓN
𝐴𝑃1 = 𝜆1 𝑃1 𝜆1 ; 𝜆2 ; … ; 𝜆𝑛 𝑠𝑜𝑛 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝐴
𝐴𝑃2 = 𝜆2 𝑃2
Como 𝐴 𝑃 = P 𝐷 entonces … … …
𝑃1 ; 𝑃2 ; … ; 𝑃𝑛 𝑠𝑜𝑛 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 A
𝐴𝑃n= 𝜆𝑛𝑃n
correspondientes a cada 𝜆
Supuesto que P es invertible, sus vectores columna 𝑃1 ; 𝑃2 ; … ; 𝑃𝑛 no son cero , por

lo tanto 𝜆1; 𝜆2; … ; 𝜆𝑛 son los autovalores de A y 𝑃1 ; 𝑃2; … ; 𝑃𝑛 son los autovectores
correspondientes
Los vectores 𝑃1 ; 𝑃2; … ; 𝑃𝑛 son linealmente independiente por lo que la matriz A

tienen ”n” autovectores linealmente independientes.
DIAGONALIZACIÓN
¿Cuándo una matriz es diagonalizable?
 Una matriz 𝐴𝜖𝑅 𝑛𝑥𝑛 es diagonalizable si tiene “n” vectores propios LI. Siendo los
elementos de la diagonal principal de la matriz D los autovalores y los vectores
columna de la matriz de transición P los autovectores de A
 Si los autovalores son reales y distintos la matriz A es diagonalizable
 Si hay autovalores múltiples la matriz puede ser o no diagonalizable. La

dimensión de los subespacios propios debe ser igual al orden de multiplicidad del
autovalor.
 Si los autovalores son complejos la matriz no es diagonalizable

DIAGONALIZACIÓN
Procedimiento para diagonalizar una matriz
1- Hallar el polinomio característico, 𝑃 (𝜆)= det (𝐴 − 𝜆.I)
2- Determinar los autovalores, 𝑃 (𝜆) = det (𝐴 − 𝜆.𝐼) = 0.
3- Hallar los autovectores asociados a los autovalores , (𝐴 − 𝜆.𝐼) . 𝑣 = 0
4- Armar la matriz de transición P
5- Calcular la matriz diagonal D, 𝑃−1𝐴 𝑃 = D
Veamos un ejemplo
DIAGONALIZACIÓN
 3 2 0 
A   2 3 0  ¿Es diagonalizable?
 0 0 5 
1- p() = det (A - I) = 0

  3 2 0   0 0   3   2 0 
det   2 3 0    0  0    0 det  2 3   0 
   
 0 0 5   0 0   
   0 0 5   

(3-)(3-)(5-) – (-2)(-2)(5-) = 0  (9 - 3 - 3 + 2).(5 - ) - 4(5 - )= 0 
45 - 15 - 15 + 52 - 9 + 32 + 32 - 3 – 20 + 4 = 0 
 -3 + 112 - 35 + 25 = 0  3 - 112 + 35 - 25 = 0

DIAGONALIZACIÓN
2- Aplicamos la Regla de Rufini – Teorema del Resto (serán divisorios de dicho
polinomio los divisores del término independiente), en éste caso:  1 ;  5 y  25.
Entonces partiendo de:
3 - 112 + 35 - 25 = 0
tendremos:
1 -11 35 -25
(x-5) 5 5 - 30 25
1 -6 5 0  1 = 5
nos quedó ahora el polinomio de segundo grado: 12 - 6 + 5 = 0 el cual puede

resolverse aplicando la fórmula para dichas ecuaciones:
6  36  20 6  16 6  4   5
    2
2 2 2  3  1
resultando finalmente las raíces del polinomio p(): 1=2= 5 y 3= 1 (valores
característicos).
DIAGONALIZACIÓN
3- Utilizando  = 5 en la expresión:
3   2 0   x  0
 2 3   0  .  y   0 

 0 0 5     z   0 
tendremos
 2 2 0   x  0  2 x  2 y  0 z  0
 2 2 0  .  y   0   2 x  2 y  0 z  0  2 x  2 y  0 z  0
      
 0 0 0   z  0  
0 x  0 y  0 z  0
2
2x   2 y  0z  x   y  0z  x   y  0z
2
y haciendo y = s ; z = t , resulta:
 x   1s   1 0
x   y    1s    1  s   0  t
 z   1t   0  1 
A pesar de que “z = 0”, se toma z = t para que aparezca el vector [0 0 1] que sería
de alguna manera quien representaría al vector propio correspondiente al doble
valor (dos veces) del valor propio 1=2 = 5. Además nuestro sistema de ecuaciones
lineales tiene tres ecuaciones con tres incógnitas que son x, y, z.
DIAGONALIZACIÓN
Si ahora utilizamos  = 1, tendremos:
3   2 0   x  0
 2 3   0  .  y   0 
     
 0 0 5     z   0 
 2 2 0   x  0   2x  2 y  0z  0
 2 2 0  .  y   0   2 x  2 y  0 z  0 2 x  2 y  0 z  0 2 x  2 y  x  y
         
 0 0 4   z  0   0 x  0 y  4 z  0  z0
0 x  0 y  4 z  0
y haciendo y = t  nos resulta finalmente:
 x   t  1 
x   y    t   1  t
 z   0   0 
DIAGONALIZACIÓN
4- Confeccionamos ahora la matriz modal, o sea la matriz “P” 
P = [p1p2p3]
lo que nos queda
-1 0 1 
P   1 0 1 
 0 1 0 
5- Debemos resolver ahora: P-1. A .P para obtener  D. Para ello es necesario hallar
P-1.  1 1 0
 2 2 
P  0
-1
0 1
 
 1 2 1
2
0

y ahora podemos efectuar:
P-1. A . P = D
3 -2 0 -1 0 1 resultando:
-2 3 0 1 0 1
0 0 5 0 1 0 5 0 0
- ½ ½ 0 -5/2 5/2 0 5 0 0 D  0 5 0 
0 0 1 0 0 5 0 5 0 0 0 1 
½ ½ 0 ½ ½ 0 0 0 1
ESPACIOS DE PRODUCTOS INTERIORES
Definición
Un producto interior sobre un espacio vectorial “V” es una función que asocia un
número real  u, v  con cada pareja de vectores u y v en V, de tal manera que se
satisfacen los axiomas siguientes para todos los vectores que pertenecen a V y todos
los escalares k.
1- = < v , u >
2- = < u, w > + < v, w >
3- < k u, v > = k < u, v >
4- < v, v >  0 y < v, v > = 0 sí y sólo sí v = 0
Definición
En un espacio de productos interiores, se dice que dos vectores u y v son ortogonales
si = 0 . Además, si “u” es ortogonal a cada vector en un conjunto W, se dice
que “u” es ortogonal a W.
Conviene destacar que la ortogonalidad depende de la selección del producto
interior. Dos vectores pueden ser ortogonales con respecto a un producto interior
pero no con respecto a otro.
Teorema de Pitágoras generalizado
Si u y v son vectores ortogonales en un espacio de productos interiores, entonces
Demostración:
y en esta última expresión, el sumando correspondiente al producto interior de u y v

es cero por ser los vectores ortogonales (perpendiculares), o sea: 2 = 0, de
donde resulta finalmente:
Bases ortonormales
En muchos problemas referentes a espacios vectoriales, la selección de una base
para el espacio se hace según convenga al que lo resuelve. La mejor estrategia es
elegir la base a fin de simplificar la solución del problema.
En los espacios de productos interiores, el mejor procedimiento es elegir una
base en la que todos los vectores sean ortogonales entre sí.
Definición:
Se dice que un conjunto de vectores en un espacio de productos interiores es un conjunto
ortogonal si todas las parejas de vectores distintos en el conjunto son ortogonales.
Un conjunto ortogonal en el que cada vector tiene norma 1 se conoce como ortonormal.
Ejemplo:
1 1 1 1
Dados los vectores 𝑣1 = 0 , 1 , 0 ; 𝑣2 = ,0 , ; 𝑣3 = ( , 0, − )
2 2 2 2
El conjunto 𝑆 = {𝑣ҧ1 , 𝑣ҧ 2 , 𝑣ҧ 3 }
es ortonormal si R3 tiene el producto euclidiano interior, ya que
< 𝑣ҧ1 , 𝑣ҧ 2 > = < 𝑣ҧ 2 , 𝑣ҧ 3 > = < 𝑣ҧ1 , 𝑣ҧ 3 > = 0 𝑦 𝑣ҧ1 = 𝑣ҧ 2 = 𝑣ҧ 3 =1

Normalización del vector
1
Si “𝑣”
ҧ es un vector diferente de cero en un espacio de productos interiores, entonces el vector 𝑣ത
𝑣ҧ , 𝑡𝑖𝑒𝑛𝑒 𝑛𝑜𝑟𝑚𝑎 1
Este proceso de multiplicar un vector “𝑣”
ҧ diferente de cero por el recíproco de su longitud, a fin de obtener un vector de
norma uno, se denomina normalización de 𝑣ҧ
Teorema
Si S = {𝑣1 , 𝑣2 , . . ., 𝑣𝑛 } es una base ortonormal para un espacio de productos interiores V, y “ത
𝑢” es cualquier vector en V,
entonces
ത 𝑣1>𝑣1 + <𝑢,
𝑢ത = <𝑢, ത 𝑣2 >𝑣2 + . . . . + <𝑢ത , 𝑣𝑛 > 𝑣𝑛
Demostración:
𝑢ത = k1 𝑣1 + k2𝑣2 + . . . . + kn 𝑣𝑛 ki = <𝑢ത , 𝑣ഥ𝑖 > para i = 1, 2, . . . ,n.
<𝑢ത , 𝑣ഥ𝑖 > = <k1𝑣1 + k2𝑣2 + . . . . + kn𝑣2 , 𝑣ഥ𝑖 > = k1 <𝑣1 , 𝑣ഥ𝑖 > + k2 <𝑣2 , 𝑣ഥ𝑖 > + . . . . + kn <𝑣𝑛 , 𝑣ഥ𝑖 >
<𝑣ഥ𝑖 , 𝑣ഥ𝑖 > = ||𝑣ഥ𝑖 ||2 = 1 y <𝑣ഥ𝑖 , 𝑣ഥ𝑗 > = 0 si: j  i
<𝑢,
ത 𝑣ഥ𝑖 > = ki
Teorema
Si S = {𝑣ҧ 1, 𝑣ҧ 2, . . ., 𝑣ҧ n} es un conjunto ortogonal de vectores diferentes de cero en un espacio de productos interiores,
entonces S es linealmente independiente.
Demostración:
k1𝑣ҧ 1 + k2𝑣ҧ 2 + . . . . + kn𝑣ҧ n = 0 k1 = k2 = . . . . = kn = 0 <k1𝑣ҧ 1 + k2𝑣ҧ 2 + . . . . + kn𝑣ҧ n , 𝑣ҧ i > = <0, 𝑣ҧ i > = 0
k1 <𝑣ҧ 1 , 𝑣ҧ i > + k2 <𝑣ҧ 2 , 𝑣ҧ i > + . . . . + kn <𝑣ҧ n , 𝑣ҧ i > = 0 Por la ortogonalidad del conjunto S, <𝑣ҧ j , 𝑣ҧ i > = 0 cuando j  i
ki<𝑣ҧ i , 𝑣ҧ i > = 0
Dado que hemos supuesto que los vectores en S son diferentes de cero y por el axioma de positividad para los productos
interiores, resulta <𝑣ҧ i , 𝑣ҧ i>  0 . Por lo tanto ki = 0 . Ya que el subíndice “i” es arbitrario, se tiene k1 = k2 = . . . . . = kn = 0 ,
por lo tanto, el conjunto “S” es linealmente independiente.
Teorema
Sea “V” un espacio de productos interiores y {𝑣ҧ 1, 𝑣ҧ 2, . . . , 𝑣ҧ r} un conjunto ortonormal de vectores en “V”. Si “W” indica el
espacio generado por los vectores 𝑣ҧ 1, 𝑣ҧ 2, . . ., 𝑣ҧ r, entonces todo vector “𝑢ത ” que pertenezca a “V” se puede expresar en la
forma: 𝑢ത = 𝑤
ഥ1 + 𝑤 ഥ 1 está en “W” y 𝑤
ഥ 2 en donde 𝑤 ഥ 2 es ortogonal a “W”
Siendo entonces: 𝑤
ഥ 1 = < 𝑢,
ത 𝑣ҧ 1>𝑣ҧ 1 + < 𝑢,
ത 𝑣ҧ 2>𝑣ҧ 2 + . . . . + < 𝑢ത , 𝑣ҧ r>𝑣ҧ r y
𝑤ഥ 2 = 𝑢ത - < 𝑢,ത 𝑣ҧ 1>𝑣ҧ 1 - < 𝑢ത , 𝑣ҧ 2>𝑣ҧ 2 - . . . . - < 𝑢ത , 𝑣ҧ r>𝑣ҧ r
𝑢ത 𝑤
ഥ2 De la observación de la figura, podemos decir que a 𝑤 ഥ 1 se le da el nombre de proyección
𝑤
ഥ1 ortogonal de 𝑢ത sobre W y esto se indica por proyw 𝑢ത . El vector 𝑤 ഥ 2 = 𝑢ത – proyw 𝑢ത se conoce
W como componente de 𝑢ത ortogonal a W.
Teorema
Todo espacio de productos interiores diferente de cero y de dimensión finita tiene una base ortonormal.
Demostración:
Sea “V” cualquier espacio de productos interiores diferente de cero y con dimensión “n” y supóngase que S={𝑢ത 1, 𝑢ത 2, . . . . .
. , 𝑢ത n} es cualquier base para “V”. La sucesión siguiente de pasos produce una base ortonormal {𝑣ҧ 1, 𝑣ҧ 2, . . . , 𝑣ҧ n} para “V”.
Paso 1º - Sea 𝑣ҧ 1 = 𝑢ത 1/||ത
𝑢1|| . El vector 𝑣ҧ 1 tiene norma igual a 1.
Paso 2º - Para construir un vector 𝑣ҧ 2 de norma uno y que además sea ortogonal a 𝑣ҧ 1, se calcula la componente de 𝑢ത 2
ortogonal al espacio W1 generado por 𝑣ҧ 1 y a continuación se normaliza, es decir:
u 2  proyw1 u 2 u 2  u 2 , v1  v1
v2  
u 2  proyw1 u 2 u 2  u 2 , v1  v1
Paso 3º - Para construir un vector 𝑣ҧ 3 de norma uno y que sea ortogonal tanto a 𝑣ҧ 1 como a 𝑣ҧ 2, se calcula la componente de 𝑢ത 3
ortogonal al espacio W2 generado por los vectores 𝑣ҧ 1 y 𝑣ҧ 2 y luego se normaliza, es decir:
u 3  proyw2 u 3 u 3  u 3 , v1  v1  u 3 , v 2  v2
v3 = 
u 3  proyw2 u 3 u 3  u 3 , v1  v1  u 3 , v2  v2
Paso 4º - Para determinar un vector 𝑣ҧ 4 de norma uno que sea ortogonal a 𝑣ҧ 1, 𝑣ҧ 2 y ഥ𝑣3 se calcula la componente de 𝑢ത 4 ortogonal
al espacio W3 generado por 𝑣ҧ 1, 𝑣ҧ 2 y ഥ𝑣3 y se normaliza; por lo tanto
u 4 - proy w3 u 4 u 4 - v1 - v 2 - v3
v4 = =
u 4 - proy w3 u 4 u 4 - v1 - v 2 - v3
Bien hasta aquí toda la materia, espero que la hayan disfrutado y sobre todo hayan aprendido algo,
muchos éxitos con el resto de la carrera.

Teorico Aga - 230524 - 074445

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teorico Aga - 230524 - 074445

Cargado por

Copyright:

Formatos disponibles

VECTORES

Ejemplos Ejemplos Dirección

Deslizables o Axiales Libres

- Sólo el módulo (λ veces), si el escalar es positivo y

x0 𝑎1 x1 x 𝑉𝑒𝑟𝑠𝑜𝑟: 𝑠𝑜𝑛 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑚ó𝑑𝑢𝑙𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜

𝑆𝑖 𝑠𝑒 𝑝𝑟𝑜𝑦𝑒𝑐𝑡𝑎 𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟, 𝑝𝑒𝑟𝑝𝑒𝑛𝑑𝑖𝑐𝑢𝑙𝑎𝑟𝑚𝑒𝑛𝑡𝑒, 𝑠𝑜𝑏𝑟𝑒 𝑙𝑜𝑠 𝑒𝑗𝑒𝑠

𝑉𝑒𝑟𝑠𝑜𝑟: 𝑠𝑜𝑛 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑚ó𝑑𝑢𝑙𝑜 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜

𝑗 ҧ 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑦 𝑗 ҧ = (0 , 1 , 0) 𝑘ത 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑒𝑗𝑒 𝑧 𝑘ത = (0 , 0 , 1)

ത 𝑏ത = 𝑎𝑥 𝑏𝑥 𝑖.ҧ 𝑖 ҧ + 𝑎𝑥 𝑏𝑦 𝑖.ҧ 𝑗 ҧ + 𝑎𝑥 𝑏𝑧 𝑖.ҧ 𝑘ത + 𝑎𝑦 𝑏𝑥 𝑖.ҧ 𝑗 ҧ + 𝑎𝑦 𝑏𝑦 𝑗.ҧ 𝑗 ҧ + 𝑎𝑦 𝑏𝑧 𝑗.ҧ 𝑘ത + 𝑎𝑧 𝑏𝑥 𝑘.

𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝑒𝑛𝑡𝑟𝑒 𝑣𝑒𝑟𝑠𝑜𝑟𝑒𝑠 𝑦 𝑟𝑒𝑐𝑜𝑟𝑑𝑎𝑛𝑑𝑜 𝑞𝑢𝑒 𝑖 ҧ = 𝑗 ҧ = 𝑘ത = 1

¿Existe algún modelo matemático que describa la situación?.

Sí, el producto vectorial.

Esta operación que permite obtener al vector que caracteriza el

𝑆𝑖 𝑎ത 𝑥 𝑏ത = 0 ⟹ 𝑎ത || 𝑏ത 𝑦𝑎 𝑞𝑢𝑒 𝑠𝑒𝑛 0° = 𝑠𝑒𝑛 180° = 0

Ninguno de los vectores es el vector nulo

2) 𝑎ത 𝑥 𝑏ത + 𝑐ҧ = 𝑎ത 𝑥 𝑏ത + 𝑎ത 𝑥 𝑐ҧ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑣𝑎 𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑠𝑢𝑚𝑎

4) 𝜆 𝑎ത 𝑥 𝑏ത = 𝜆𝑎ത 𝑥 ഥ𝑏 = 𝑎ത 𝑥 𝜆𝑏ത 𝐴𝑠𝑜𝑐𝑖𝑎𝑡𝑖𝑣𝑎 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑟 𝑒𝑠𝑐𝑎𝑙𝑎𝑟

𝑅𝑒𝑎𝑔𝑟𝑢𝑝𝑎𝑛𝑑𝑜 𝑒𝑛 𝑙𝑜𝑠 𝑣𝑒𝑟𝑠𝑜𝑟𝑒𝑠 ഥ = 𝒂𝒚 𝒃𝒛 − 𝒂𝒛 𝒃𝒚 𝒊ҧ + 𝒂𝒛 𝒃𝒙 − 𝒂𝒙 𝒃𝒛 𝒋ҧ + (𝒂𝒙 𝒃𝒚 − 𝒂𝒚 𝒃𝒙 )𝒌

𝑅𝑒𝑛𝑜𝑚𝑏𝑟𝑎𝑛𝑑𝑜 𝑙𝑎𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 ഥ𝒙𝒃

𝐸𝑙 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑚𝑖𝑥𝑡𝑜 𝑒𝑠 𝑒𝑙 𝑣𝑜𝑙𝑢𝑚𝑒𝑛 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑒𝑝í𝑝𝑒𝑑𝑜

p, q y r son escalares que me permiten

Si podemos llegar al vector nulo con coeficientes distintos de 0, los

Por ejemplo, si tenemos los vectores 𝑢ത = 1,2,3 𝑦 𝑣ҧ = 2,4,6

2𝑢ത + −1 𝑣ҧ = 0 se puede obtener el vector nulo como combinación

Álgebra y Geometría Analítica

Lugares geométricos (Son figuras cuyos puntos cumplen

𝑦 𝑟2 Aplicando el producto escalar

𝑟1 (𝑎1 ; 𝑎2 ) 𝑎1 𝑖 ҧ + 𝑎2 𝑗 ҧ = 𝑘(𝑏1 𝑖 ҧ + 𝑏2 𝑗)ҧ 𝑎1 = 𝑘 𝑏1 𝑎1 𝑎2

Rectas paralelas Rectas concurrentes

Determinamos la ecuación de cualquier recta que pasa por

𝐴1 𝑥 + 𝐵1 y + 𝐶1 + 𝑘(𝐴2 𝑥 + 𝐵2 y + 𝐶2 ) = 0 −(𝐴1 + 𝑘𝐴2 ) (𝐶1 + 𝑘𝐶2 )

y multiplicando todo por 13 resulta finalmente:

𝑦𝑦11 𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − (𝑐𝑜𝑠𝜔 𝑥1 + 𝑠𝑒𝑛𝜔 𝑦1 ) = 0

𝑥 𝑐𝑜𝑠𝜔 + 𝑦 𝑠𝑒𝑛𝜔 − 𝑝 = 0 El signo del radical lo escogemos

𝑟0 “𝑝” distancia desde el origen hasta la recta “𝑟”

𝑃0 (𝑥0 ; 𝑦0 ) " 𝑃0 " pertenece a la recta " 𝑟0 ” que es paralela a “𝑟”

Entonces la ecuación de la recta “𝑟0 ” // a “𝑟” es

Distancia de la recta “r” al punto 𝑃0

𝑃0 𝑦 el origen en ≠ semiplanos respecto de la recta

𝑥 Las rectas no son paralelas y

𝑃0 (𝑥0 ; 𝑦0 ; 𝑧0 ) "𝑃0 " pertenece a la recta " 𝑟0 ” que es paralela a

Álgebra y Geometría Analítica

𝐴, 𝐵 𝑦 𝐶 son las componentes de su Normal 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 𝐴, 𝐵 𝑦 𝐶: 𝑒𝑛𝑡𝑒𝑟𝑜𝑠

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒈𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 Siendo: 𝐴, 𝐵, 𝐶, 𝐷 ≠ 0

Veremos donde se intercepta el plano a los ejes coordenados

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒈𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 Siendo: 𝐴, 𝐵, 𝐶, 𝐷 ≠ 0

Veremos donde se intercepta el plano a los ejes coordenados

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒈𝒆𝒏𝒆𝒓𝒂𝒍 𝒐 í𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒂 𝐴x + 𝐵𝑦 + 𝐶𝑧 + 𝐷 = 0 Siendo: 𝐴, 𝐵, 𝐶, 𝐷 ≠ 0

Veremos donde se intercepta el plano a los ejes coordenados

𝜋2 Entonces el producto escalar de sus

𝜋1 𝑛2 De acuerdo a lo conocido de vectores sabemos que

𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧 𝑧 𝜋 𝜋𝑥𝑦

𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧 𝑧 𝜋 𝜋𝑥𝑦

𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧 𝑧 𝜋 𝜋𝑥𝑦

𝑧 𝜋 𝜋𝑦𝑧 𝑧 𝜋 𝜋𝑥𝑧 𝑧 𝜋 𝜋𝑥𝑦

La intersección entre dos planos no paralelos ni coincidentes definen

𝐴1 𝑥 + 𝐵1 y + 𝐶1 𝑧 +𝐷1 +𝑘(𝐴2 𝑥 + 𝐵2 y +𝐶2 𝑧 + 𝐷2 ) = 0

𝑧 𝑃1 𝑥1 ; 𝑦1 ; 𝑧1 𝑝𝑢𝑛𝑡𝑜 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝑃 𝑥; 𝑦; 𝑧 𝑝𝑢𝑛𝑡𝑜 𝑔𝑒𝑛𝑒𝑟𝑖𝑐𝑜 .

Forma Normal 𝑥𝑐𝑜𝑠𝛼 + 𝑦𝑐𝑜𝑠𝛽 + 𝑧𝑐𝑜𝑠𝛾 − 𝑝 = 0 El signo del radical lo escogemos

Interpretación del signo 𝑄0 𝑦 el origen en ≠ subespacios respecto del plano

eje La superficie cónica se genera por

La superficie cónica se genera por

Plano al eje Plano se inclina