Álgebra

Adrián Tobar Nicolau

2025
II
Índice general

1. Sistemas de Ecuaciones 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Resolución de sistemas de ecuaciones lineales . . . . . . . . . . . . 2
1.2.1. Matrices escalonadas . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2. Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . . 5
1.2.3. Resolver un sistema de ecuaciones: Backward-Substitution 7
1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2. Matrices 11
2.1. Definiciones y preliminares . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1. Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Inversa de una matriz cuadrada . . . . . . . . . . . . . . . . . . . . 15
2.2.1. Cálculo de la inversa de una matriz cuadrada . . . . . . . 16
2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3. Determinantes 19
3.1. Inversa de una matriz por determinantes . . . . . . . . . . . . . . 21
3.2. Método de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3. Interpretación geométrica del determinante . . . . . . . . . . . . . 26
3.4. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.1. Cálculo del rango de una matriz . . . . . . . . . . . . . . . 28
3.4.2. Teorema de Rouché-Fröbenius . . . . . . . . . . . . . . . . 30
3.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4. Vectores 33
4.1. Introducción geométrica a los vectores. . . . . . . . . . . . . . . . 33
4.2. Vector fijo y libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.1. Vector fijo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.2. Vector libre . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.3. Relaciones entre puntos y vectores . . . . . . . . . . . . . . 36
4.3. Operaciones con vectores . . . . . . . . . . . . . . . . . . . . . . . 37

III
IV ÍNDICE GENERAL

4.3.1. Suma de vectores libres . . . . . . . . . . . . . . . . . . . . 37

4.3.2. Resta de vectores libres . . . . . . . . . . . . . . . . . . . . 37
4.3.3. Componentes de un vector . . . . . . . . . . . . . . . . . . 38
4.3.4. Producto de vector por escalar . . . . . . . . . . . . . . . . 38
4.3.5. Combinación lineal . . . . . . . . . . . . . . . . . . . . . . 39
4.3.6. Producto escalar de dos vectores y norma de un vector . . 40
4.3.7. Ángulo entre dos vectores . . . . . . . . . . . . . . . . . . . 41
4.3.8. Proyección ortogonal de un vector sobre otro . . . . . . . . 42
4.3.9. Producto vectorial . . . . . . . . . . . . . . . . . . . . . . . 43
4.3.10. Producto mixto de tres vectores . . . . . . . . . . . . . . . . 44

5. Espacios vectoriales 45
5.1. ¿Qué es un espacio vectorial? . . . . . . . . . . . . . . . . . . . . . 45
5.1.1. Subespacio vectorial . . . . . . . . . . . . . . . . . . . . . . 46
5.2. Conjuntos libres y ligados . . . . . . . . . . . . . . . . . . . . . . . 48
5.2.1. Dependencia e independencia lineal . . . . . . . . . . . . . 48
5.2.2. Rango de un conjunto de vectores y de una matriz . . . . . 49
5.2.3. Sistema generador y bases de un espacio vectorial . . . . . 50

6. Transformación lineal 55
6.1. Exhaustividad e inyectividad . . . . . . . . . . . . . . . . . . . . . 57
6.1.1. Inyectividad . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.1.2. Exhaustividad . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.1.3. Teorema del rango . . . . . . . . . . . . . . . . . . . . . . . 59
6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

7. Geometrı́a: punto, recta, plano 61

7.1. Ecuaciones de recta y plano . . . . . . . . . . . . . . . . . . . . . . 61
7.1.1. Tres puntos alineados . . . . . . . . . . . . . . . . . . . . . 61
7.1.2. Ecuaciones de la una recta en R2 . . . . . . . . . . . . . . . 62
7.1.3. Ecuaciones de una recta en R3 . . . . . . . . . . . . . . . . 63
7.1.4. Cuatro puntos coplanarios . . . . . . . . . . . . . . . . . . 64
7.1.5. Ecuaciones de un plano . . . . . . . . . . . . . . . . . . . . 64
7.1.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7.2. Posición relativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7.2.1. Posición relativa dos planos . . . . . . . . . . . . . . . . . . 66
7.2.2. Posición relativa tres planos . . . . . . . . . . . . . . . . . . 67
7.2.3. Posición relativa dos rectas . . . . . . . . . . . . . . . . . . 68
7.2.4. Posición relativa recta-plano . . . . . . . . . . . . . . . . . 70
7.3. Ángulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.3.1. Ángulo entre dos rectas . . . . . . . . . . . . . . . . . . . . 72
ÍNDICE GENERAL V

7.3.2. Ángulo entre recta y plano . . . . . . . . . . . . . . . . . . 72

7.3.3. Ángulo entre dos planos . . . . . . . . . . . . . . . . . . . . 73
7.4. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.4.1. Proyección de un punto sobre una recta . . . . . . . . . . . 73
7.4.2. Proyección de un punto sobre un plano . . . . . . . . . . . 74
7.4.3. Proyección de una recta sobre un plano . . . . . . . . . . . 74
7.5. Distancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.5.1. Distancia de un punto a una recta . . . . . . . . . . . . . . 75
7.5.2. Distancia de un punto a un plano . . . . . . . . . . . . . . 75
7.5.3. Distancia entre elementos paralelos . . . . . . . . . . . . . 76
7.5.4. Distancia entre dos rectas que se cruzan . . . . . . . . . . . 76

8. Geometrı́a en R2 : cónicas 77
8.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
8.2. Circunferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
8.2.1. Una observación sobre traslación de funciones . . . . . . . 80
8.2.2. Posición relativa recta y circunferencia . . . . . . . . . . . . 80
8.2.3. Posición relativa dos circunferencias . . . . . . . . . . . . . 82
8.3. Parábola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
8.4. Elipse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8.5. Hipérbola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.6. Clasificación de las cónicas . . . . . . . . . . . . . . . . . . . . . . . 92
8.6.1. Completar cuadrados . . . . . . . . . . . . . . . . . . . . . 93
VI ÍNDICE GENERAL
Capı́tulo 1

Sistemas de Ecuaciones

En este capı́tulo estudiaremos cómo resolver sistemas de ecuaciones.

1.1. Introducción
En una gran variedad de aplicaciones es necesario la resolución de múltiples
ecuaciones lineales, esto son ecuaciones de la forma

a1 x1 + a2 x2 + · · · a n x n = b

dónde a1 , ..., an , b son constantes reales (R). Un sistema de ecuaciones linea-

les es un conjunto de una o más ecuaciones lineales:

a11 x1 + a12 x2 + · · · a1n xn = b1 (1.1)

a21 x1 + a22 x2 + · · · a2n xn = b2 (1.2)
..
. (1.3)
am1 x1 + am2 x2 + · · · amn xn = bm (1.4)

Una solución de un sistema de ecuaciones son valores s1 , ..., sn tal que si

los sustituimos por x1 , ..., xn respectivamente se cumplirán todas las ecuaciones
lineales.
Ejemplo 1.1. El sistema de ecuaciones

x + 3y = 0
2x + y = 5

tiene como solución (3, −1).

1
2 CAPÍTULO 1. SISTEMAS DE ECUACIONES

Definición 1.1. Dos sistemas de ecuaciones son equivalentes si tienen el mismo

conjunto de soluciones.

Teorema 1. Un sistema de ecuaciones puede no tener solución (incompatible), tener

exactamente una solución (compatible determinado) o tener infinitas soluciones (com-
patible indeterminado).

Diremos que un sistema es compatible si tiene al menos una solución e in-

compatible si no tiene solución.
Para representar de manera compacta un sistema de ecuaciones podemos
usar únicamente los coeficientes de cada variable. Dado un sistema

a11 x1 + a12 x2 + · · · a1n xn = b1 (1.5)

a21 x1 + a22 x2 + · · · a2n xn = b2 (1.6)
..
. (1.7)
am1 x1 + am2 x2 + · · · amn xn = bm (1.8)

definimos su matriz de coeficientes A, su matriz de términos independintes

b y su matriz ampliada B como

     
a11 a12 ... a1n b1 a11 a12 . . . a1n b1
 a21 a22 a2n 
...  b2   a21 a22 . . . a2n b2 
   
A =  .. ..  , b =  ..  , B =  .. .
 
..
 . .  .  . . 
am1 am2 . . . amn bn am1 am2 . . . amn bm
(1.9)

En general nos referiremos a las fila i de una matriz cualquiera A como los
valores ai1 , ..., ain y a la columna j como el conjunto de valores a1j , ..., amj .

1.2. Resolución de sistemas de ecuaciones lineales

Una vez hemos fijado una manera de representar un sistema de ecuacio-
nes de forma compacta nos preguntamos cómo resolverlo, es decir, encontrar el
conjunto de sus soluciones. Para este fin definimos lo siguiente.

Definición 1.2. Dada una matriz, definimos las operaciones elementales si-
guientes.

Remplazo: Sumarle a una fila un múltiplo de otra fila. ( Fj ← Fj + kFi )

1.2. RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 3

Intercambio: intercambiar dos filas. ( Fi ↔ Fj )

Escalado: Multiplicar una fila por un número no nulo. (Fj ← kFj )
Definición 1.3. Dos matrices A, B son equivalentes por filas si hay una secuen-
cia de operaciones elementales que transforman A en B.
Observación 1.1. Si A, B son equivalentes por filas también los son B, A.
Estas operaciones son de interés por la siguiente razón.
Teorema 2. Si dos matrices ampliadas de dos sistemas de ecuaciones son equivalentes
por filas, entonces tienen el mismo conjunto de soluciones.
Dado que las operaciones elementales nos permiten modificar la matriz de
un sistema de ecuaciones sin alterar sus soluciones, nuestro objetivo será con-
vertir sus matrices en otras con las que seamos capaces de obtener fácilmente
sus soluciones. Primero observemos casos particulares. Consideremos la matriz
ampliada siguiente
 
2x1 = 10 2 0 0 10
x2 = 15 0 1 0 15 (1.10)
6x3 = 12 0 0 6 12

en este caso particular, es sencillo ver que la única solución es (5, 15, 2). Que
se obtiene de aislar en cada caso la variable xi de su ecuación. De manera similar,
en la matriz ampliada siguiente

 
1x1 + 1x2 + 2x3 = 10 1 1 2 10
0 + 1x2 + 1x3 = 9 0 1 1 9  (1.11)
0 + 0 + 2x3 = 12 0 0 2 12
podemos obtener la solución empezando desde abajo: x3 = 12/2 = 6; x2 =
9 − x2 = 9 − 6 = 3; x1 = 10 − x2 − 2x3 = 10 − 3 − 2 · 6 = −5. En general, si
podemos realizar este procedimiento podremos obtener una solución.
Ahora bien la matriz no tiene porque tener la misma cantidad de ecuaciones
que de incógnitas. Pudiéndose dar situaciones como las siguientes
 
  1 1 2 10
1 1 2 3 10 5 2 7 3 
0 1 1 0 9    (1.12)
0 1 1 9 
0 0 2 6 12
0 0 2 12
A continuación formalizamos la forma de las matrices que podemos resolver
con facilidad y como obtenerlas.
4 CAPÍTULO 1. SISTEMAS DE ECUACIONES

1.2.1. Matrices escalonadas

Empezamos definiendo el concepto de entrada principal.

Definición 1.4. La entrada principal de una fila de una matriz es el valor dife-
rente de cero más a la izquierda de la fila.

Definición 1.5. Una matriz tiene forma escalonada si:

No hay ninguna fila de ceros por encima de una fila de no todo ceros.

La entrada principal de cada fila está a la derecha de la de su fila superior.

Todas las entradas de la columna que se encuentren por debajo de una

entrada principal son cero.

Diremos que tiene forma escalonada reducida si además cumple:

Sus entradas principales valen 1.

Cada entrada principal es el único valor diferente de cero en su columna.

Las siguientes matrices ilustran posibles formas que puede coger una matriz
escalonada
   
□ ⋆ ⋆ ⋆ ⋆ 0 □ ⋆ ⋆
 0 0 □ ⋆ ⋆ 0 0 0 □

 0 0 0 □ ⋆
 
0 0 0 0 
 (1.13)
0 0 0 0 0 0 0 0 0
donde □ son las entradas principales y ⋆ son valores cualesquiera. En la
Sección 1.2.3 veremos como encontrar las soluciones de un sistema de ecuacio-
nes escalonado. Por otra parte las matrices siguientes son ejemplos de matrices
escalonadas reducidas
   
1 ⋆ 0 0 ⋆ 0 1 ⋆ 0
0 0 1 0 ⋆  0 0 0 1

0 0 0 1 ⋆ 
 
0 0 0 0
 (1.14)
0 0 0 0 0 0 0 0 0
Cualquier matriz puede ser transformada, con operaciones elementales, en
una matriz escalonada y en particular a una única matriz escalonada reducida.

Teorema 3. Cada matriz es equivalente a una única matriz escalonada reducida.

1.2. RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 5

1.2.2. Método de Gauss-Jordan

En esta subsección veremos como obtener una matriz escalonada equivalen-
te por filas a una matriz ampliada dada. Este procedimiento tiene el nombre de
método de Gauss-Jordan.
Definición 1.6. Dada una matriz A, el método de Gauss-Jordan procede de la
siguiente manera:

1. Para cada columna j = 1, ..., n.

a) Si la columna es toda ceros a partir de la fila j pasa a la siguiente
columna.
b) Busca el primer valor no nulo de la columna j empezando desde la
fila j hacia abajo (pivote). Diremos k a la fila donde has encontrado el
valor.
c) Intercambia las filas j y k.
d) (opcional) divide la fila j por el valor del pivote.
e) Para cada fila t > j con valor diferente de cero en la columna j hazlo
cero restando la fila j escalada (reemplazo).
f ) (opcional) si j < n, para cada fila t < j con valor diferente de cero en
la columna j hazlo cero restando la fila j escalada (reemplazo).

Veamos como funciona este proceso con un ejemplo.

Ejemplo 1.2. Consideremos el sistema siguiente:

0x + y + z = 3
 
0 1 1 3
x+y+z = 6  1 1 1 6 
x + 2y + z = 8 1 2 1 8

Paso 1: Empezamos por la columna j = 1:

• Paso a) La columna j = 1 no está formada solo por ceros a partir de

j = 1.
• Paso b) La primera fila con valor no nulo en la columna j = 1 es la
fila k = 2.
• Paso c) Intercambiamos las filas F1 ↔ F2 para tener pivote distinto de
0:  
1 1 1 6
 0 1 1 3 
1 2 1 8
6 CAPÍTULO 1. SISTEMAS DE ECUACIONES

• Paso e) Eliminar el 1 de la fila 3 usando fila 1 (F3 ← F3 − F1 ):

 
1 1 1 6
 0 1 1 3 
0 1 0 2

Paso 1: Pasamos a la columna j = 2:

• Paso a) La columna j = 2 no está formada solo por ceros a partir de

j = 2.
• Paso b) La primera fila con valor no nulo en la columna j = 2 es la
fila k = 2.
• Paso c) Como j = k cambiar las filas no altera la matriz.
• Paso e) Eliminamos el 1 de la fila 3 usando la fila 2 (F3 ← F3 − F2 ):
 
1 1 1 6
 0 1 1 3 
0 0 −1 −1

Paso 1: Pasamos a la columna j = 3:

• Paso a) La columna j = 3 no está formada solo por ceros a partir de

j = 3.
• Paso b) La primera fila con valor no nulo en la columna j = 3 es la
fila k = 3.
• Paso c) Como j = k cambiar filas no altera la matriz.
• Paso e) No hay ninguna fila t > j = 3.

Resultado final:  
1 1 1 6
 0 1 1 3 
0 0 −1 −1

Como podemos observar al final el proceso hemos obtenido una matriz es-
calonada.

Teorema 4. El método de Gauss-Jordan aplicado a una matriz ampliada B de un siste-

ma de ecuaciones genera una matriz escalonada equivalente por filas a B. Además si se
realizan los pasos opcionales, se obtiene su matriz escalonada reducida.
1.2. RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 7

1.2.3. Resolver un sistema de ecuaciones: Backward-Substitution

Una vez tenemos un sistema de ecuaciones con su matriz ampliada escalo-
nada, vamos a ver como obtener sus soluciones.
Definición 1.7. Dado un sistema de ecuaciones con matriz ampliada escalonada
de diremos variables básicas a la variables del sistema que son entrada princi-
pal de alguna fila. El resto de variables recibirán el nombre de variables libres.
Ejemplo 1.3. El siguiente sistema

x+y+z+t = 6
 
1 1 1 1 6
0+y+z+t = 3  0 1 1 1 3 
0 + 0 − z + t = −1 0 0 −1 1 −1

tiene como variables básicas x, y, z y como variable libre t.

El siguiente proceso nos da el conjunto de todas las soluciones de un sistema
de ecuaciones escalonado.
Definición 1.8. El método de backward-substitution procede de la siguiente
manera sobre una matriz ampliada escalonada.
1. Elimina todas las filas de ceros.
2. Si hay una fila toda cero excepto la última entrada, el sistema no tiene
solución.
3. Sustituye por un parámetro cada variable libre.
4. Para cada fila i = n, ..., 1 (es decir, empezando por la última)
a) Sustituye cada variable básica calculada por su solución.
b) Aı́sla la única variable básica para obtener su valor. (puede estar en
función de parámetros)
Ejemplo 1.4. Consideremos el siguiente sistema de ecuaciones escalonado:

1x1 + 2x2 − 1x3 = 3

0x1 + 1x2 + 4x3 = −2
0x1 + 0x2 + 0x3 = 0
Paso 1) eliminamos todas las filas de ceros.
1x1 + 2x2 − 1x3 = 3
0x1 + 1x2 + 4x3 = −2
8 CAPÍTULO 1. SISTEMAS DE ECUACIONES

Paso 2) No hay ninguna fila de ceros con término independiente cero. (el
sistema es compatible)

Paso 3) Sustituimos la variables libres por parámetros.

1x1 + 2x2 − 1λ = 3
0x1 + 1x2 + 4λ = −2

Paso 4) Trabajamos con la fila i = 2.

• Paso a) No hemos calculado ninguna variable básica.

• Paso b) Obtenemos x2 = −2 − 4λ.

Paso 4) Trabajamos con la fila i = 1.

• Paso a) Sustituimos x2 por −2 − 4λ.

1x1 + 2(−2 − 4λ) − 1λ = 3

• Paso b) Obtenemos x1 = 3 + λ − 2(−2 − 4λ) = 7 + 9λ.

Resultado: ( x1 , x2 , x3 ) = (7 + 9λ, −2 − 4λ, λ).

Podemos comprobar que es correcto sustituyendo en el sistema el resultado

obtenido:

1x1 + 2x2 − 1x3 = (7 + 9λ) + 2(−2 − 4λ) − λ =3

0x1 + 1x2 + 4x3 = 0 + (−2 − 4λ) + 4λ = −2
0x1 + 0x2 + 0x3 = 0 + 0 + 0 =0

Teorema 5. Un sistema de ecuaciones con matriz ampliada en forma escalonada tiene

solución si y sólo si, no tiene ninguna fila de la forma [0, ..., 0, b] con b ̸= 0. Además
tendrá una única solución si y sólo si no tiene variables libres.

A partir de ahora, el método esperado para resolver sistemas de ecuaciones

será el siguiente.

1. Aplicar el método de Gauss-Jordan (con o sin pasos opcionales).

2. Aplicar el método de Backward-Substitution.

1.3. EJERCICIOS 9

1.3. Ejercicios
Ejercicio 1. Intenta justificar la razón por la que las operaciones elementales
no alteran el conjunto de soluciones. (Indicación: comprueba en cada caso que
siguen siendo solución).

Ejercicio 2. Define un sistema de ecuaciones con 3 filas y 4 incógnitas, escribe su

matriz, matriz ampliada y de términos independientes. Aplica el algoritmo de
Gauss-Jordan con y sin los pasos opcionales para obtener su forma escalonada
y escalonada reducida. Calcula sus soluciones usando el método de Backward-
Substitution.
10 CAPÍTULO 1. SISTEMAS DE ECUACIONES
Capı́tulo 2

Matrices

Las matrices permiten la organización de grandes cantidades de datos de

forma ordenada. Ya hemos visto el caso particular de sistemas de ecuaciones,
pero tiene otras utilidades en varios contextos. En este capı́tulo formalizaremos
el estudio de las matrices en un contexto general.

2.1. Definiciones y preliminares

En esta sección damos definiciones básicas relacionadas con las matrices.

Definición 2.1. Una matriz A es una colección de elementos ordenados en filas

y columnas de un conjunto X (en general X = R). El orden m × p de una matriz
es el número de filas y columnas que tiene respectivamente.

Usaremos subı́ndices para indicar elementos particulares, por ejemplo, aij es

el elemento de la fila i y la columna j. Para explicitar esta notación diremos que
A = ( aij ) con 1 ≤ i ≤ m y 1 ≤ j ≤ p.

Definición 2.2. Dos matrices A = ( aij ) y B = (bij ) son iguales si tienen el mismo
orden y aij = bij para todos los posibles valores de i, j.

Definición 2.3. La diagonal de una matriz es el conjunto de elementos de la

forma aii .

Definición 2.4. Definimos los siguientes tipos de matrices:

Matriz fila: tiene orden 1 × p. (una fila)

Matriz columna: tiene orden m × 1. (una columna)

Matriz nula o de ceros (O, 0): tiene todas las entradas igual a cero.

11
12 CAPÍTULO 2. MATRICES

Matriz cuadrada: tiene orden m × m (mismo número de filas que de co-

lumna)

Matriz diagonal: tiene todas sus entradas cero excepto al menos una en-
trada de la diagonal.

Matriz identidad (1, I): es cuadrada, su diagonal está formada por unos y
el resto de entradas son cero.

Matriz triangular superior: todas las entradas con fila i y columna j tal que
i > j son cero.

Matriz triangular inferior: todas las entradas con fila i y columna j tal que
i < j son cero.

Matriz simétrica: es cuadrada y aij = a ji para todo i, j.

Matriz antisimétrica: es cuadrada y aij = − a ji para todo i ̸= j.

Ejercicio 3. Para cada matriz definida en la Definición 2.4 da un ejemplo.

2.1.1. Operaciones
A continuación definimos las operaciones algebraicas con matrices.

Definición 2.5. La suma de matrices de A = ( aij ) y B = (bij ), dos matrices del

mismo orden, es el resultado de sumar las entradas con misma fila y columna,
es decir, A + B = ( aij + bij ). Por ejemplo
     
1 2 3 8 5 −2 9 7 1
+ = .
−4 0 8 6 1 3 2 1 11

La suma tiene ciertas propiedades.

Teorema 6. La suma de matrices cumple las siguientes propiedades.

( A + B) + C = A + ( B + C ) (asociativa).
A + O = A (elemento neutro).

A + B = B + A (conmutativa).

A + (− A) = O (elemento opuesto).

Dónde O es la matriz de ceros del mismo orden que la matriz A. Cuando no haya
posibilidad de confusión usaremos 0 para indicar la matriz O.
2.1. DEFINICIONES Y PRELIMINARES 13

Definición 2.6. Dado A = ( aij ) y k ∈ R definimos producto de matriz por

escalar como k · A = (k · aij ), es decir, la matriz obtenida de multiplicar cada
elemento por k.

Teorema 7. El producto de matriz por escalar cumple las siguientes propiedades.

1 · A = A (elemento neutro).

k · ( A + B) = k · A + k · B (distributiva).

(k · t) · A = k · (t · A) (asociativa con escalares).

Definición 2.7. El producto de dos matrices A = ( aij ) y B = (bij ) con órdenes
p
m × p y p × k respectivamente es A · B = (∑t=1 ait bti ) con orden m × k, es decir,
la entrada ij es el resultado de multiplicar la fila i de A con la columna j de B
elemento a elemento (Véase el Ejemplo 2.1).

Ejemplo 2.1. Consideremos las siguientes matrices

 
  7 8
1 2 3
A= (2 × 3), B =  9 10 (3 × 2)
4 5 6
11 12

Queremos calcular el producto C = A · B, que será de tamaño 2 × 2.

Multiplicamos la primera fila de A con la primera columna de B:

c11 = 1 · 7 + 2 · 9 + 3 · 11 = 7 + 18 + 33 = 58.
De manera similar
c12 = 1 · 8 + 2 · 10 + 3 · 12 = 64  
58 64
c21 = 4 · 7 + 5 · 9 + 6 · 11 = 139 ⇒ C = A·B =
139 154
c22 = 4 · 8 + 5 · 10 + 6 · 12 = 154

Observación 2.1. Si consideramos un sistema de ecuaciones podemos expresarlo

de la siguiente manera
     a x +a x +···a x   
a11 a12 . . . a1n x1 11 1 12 2 1n n b1
 a21 a22 . . . a2n   x2   a21 x1 + a22 x2 + · · · a2n xn 

  b2 

· = =. .
    
 .. ..   ..  ..   .. 
 . .   .  
 .  
am1 am2 . . . amn xn a x +a x +···a x bn
m1 1 m2 2 mn n

Teorema 8. El producto de matrices tiene las siguientes propiedades.

14 CAPÍTULO 2. MATRICES

( A · B) · C = A · ( B · C ) (asociativa).
A · ( B + C ) = A · B + A · C (distributiva respecto a la suma por la izquierda).

( B + C ) · A = B · A + C · A (distributiva respecto a la suma por la derecha).

A(λ · B) = λ · A · B (conmutativa con el producto por escalar).

λ · ( A · B) = (λ · A) · B (asociativa con el producto por escalar).

1 · A = A · 1 = A (elemento neutro).
Donde 1 es la matriz identidad.
Observación 2.2. ¡El producto de matrices no es conmutativo! En general A · B ̸=
B · A.
Notación 2.1. En general, obviaremos el sı́mbolo · para compactar la escritura
del producto de matrices con matrices y/o escalares.
Ejercicio 4. Encuentra dos matrices A, B de orden 2 × 2 tal que A · B ̸= B · A.
Ejercicio 5. Encuentra matrices A, B, C no nulas tal que AB = AC pero B ̸= C.
Ejercicio 6. Encuentra matrices A, B no nulas tal que AB = O.
Observación 2.3. Cuidado con aplicar la propiedad distributiva sin tener en cuen-
ta el orden de los factores. En general A · B + C · A ̸= A · ( B + C ) ̸= ( B + C ) · A
Ejercicio 7. Encuentra matrices A, B, C no nulas tal que A · B + C · A ̸= A · ( B +
C ) ̸= ( B + C ) · A.
Otra operación que será de utilidad es la trasposición.
Definición 2.8. La traspuesta de una matriz A = ( aij ) es la matriz A T = B =
(bij ) tal que bij = a ji , es decir, es el resultado de cambiar filas por columnas.
Ejemplo 2.2. Ejemplo de traspuesta de una matriz
 
  1 4
1 2 3
A= A T = 2 5 .
4 5 6
3 6

Observación 2.4. Una matriz A es simétrica si cumple A = A T . Una matriz es

antisimétrica si A = − A T .
Ejercicio 8. Demuestra que dada una matriz cuadrada A cualquiera, M = A +
A T es simétrica.
2.2. INVERSA DE UNA MATRIZ CUADRADA 15

Ejercicio 9. Demuestra que dada una matriz cuadrada A cualquiera, M = A −

A T es antisimétrica

Ejercicio 10. Demuestra que dada una matriz cuadrada se puede expresar como
la suma de una matriz simétrica y de una antisimétrica. (Indicación: aprovecha
los resultados de los Ejercicios 8, 9).

Teorema 9. La trasposición de una matriz cumple las siguientes propiedades

( A + B)T = AT + BT .

(k · A)T = k · A T .

(( A)T )T = A.

( A · B)T = BT · AT .

Ejercicio 11. Demuestra para suma, producto y traspuesta que se cumplen sus
propiedades.

Ejercicio 12. Da dos matrices A, B no nulas tal que ( A · B) T ̸= A T · B T . Da otro

ejemplo en el ( A · B) T = A T · B T

2.2. Inversa de una matriz cuadrada

En general, para cualquier número real diferente de cero es posible encontrar
otro tal que nos da 1 (a · a−1 = 1). El problema equivalente seria encontrar una
matriz A−1 tal que A · A−1 = I, pero con las matrices no siempre existe esta
matriz A−1 , ni siquiera con las matrices cuadradas.

Definición 2.9. Una matriz cuadrada A es invertible cuando existe otra matriz
B tal que A · B = B · A = I.

Teorema 10. Si una matriz A es invertible, su inversa B es única.

Demostración. Supongamos que hay dos matrices B, C que son inversas de A

entonces
B = I · B = C · A · B = C · I = C.

Notación 2.2. La inversa de una matriz A la denotaremos como A−1 .

16 CAPÍTULO 2. MATRICES

Observación 2.5. Dado un sistema de ecuaciones Ax = b y A es una matriz in-

vertible, tener su inversa nos permite resolver el sistema de la manera siguiente
A−1 Ax = Ix = x = A−1 b. Lo que implica que todas las matrices cuadradas
invertibles son los coeficientes de un sistema de ecuaciones compatible con so-
lución única.
Ejercicio 13. Demuestra que ( A−1 )−1 = A.
Ejercicio 14. Demuestra que( A · B)−1 es B−1 · A−1 .
Ejercicio 15. Demuestra que ( A−1 ) T = ( A T )−1 .

2.2.1. Cálculo de la inversa de una matriz cuadrada

El el Capı́tulo 1 comentamos que las operaciones elementales no alteran el
conjunto de soluciones. En esta sección veremos como estas operaciones ele-
mentales nos pueden ayudar a calcular la inversa de una matriz.
Definición 2.10. Una matriz elemental es aquella obtenida de aplicar una ope-
ración elemental sobre una matriz identidad.
Ejemplo 2.3. Las siguientes matrices representar un ejemplo de matriz elemental
para cada operación.
     
1 0 0 0 0 1 0 0 0
E1 =  0 1 0 , E2 = 0 1 0 , E3 = 0 9 0
−4 0 1 1 0 0 0 0 1
Ejercicio 16. Indica que operación elemental se ha hecho sobre cada matriz ele-
mental del ejemplo 2.3. Explica que pasa cuando multiplicas una E · A y A · E
con cada matriz E del ejemplo sobre una matriz cuadrada A cualquiera.
En general, para cada operación elemental se puede obtener su matriz ele-
mental asociada realizando dicha operación sobre la matriz identidad. Además
realizar la operación elemental sobre una matriz A es equivalente a multiplicar
E · A donde E es la matriz elemental asociada a la operación.
Además, todas las matrices elementales E son invertibles. Su inversa es la
matriz que se obtiene de realizar la operación opuesta a la hecha sobre E.
Ejemplo 2.4. La operación elemental F3 ← F3 − 2F1 tiene como matriz asociada
de orden 3 × 3 a la matriz E1 . Por otro lado la operación opuesta ( F3 ← F3 + 2F1 )
tiene asociada la matriz E2 . Observese que
     
1 0 0 1 0 0 1 0 0
E1 · E2 =  0 1 0 · 0 1 0 = 0 1 0 .
−2 0 1 2 0 1 0 0 1
2.2. INVERSA DE UNA MATRIZ CUADRADA 17

Ejercicio 17. Comprueba que para cada tipo de operación elemental, su matriz
asociada tiene inversa y es la que se obtiene de hacer la operación opuesta.

Teorema 11. Una matriz cuadrada A es invertible si y solo si es equivalente por filas
a la identidad I de orden n × n. Además, la secuencia de operaciones elementales que
transforman A en I también transforma I en A−1 .

De este resultado deducimos el procedimiento para obtener la inversa de

una matriz cuadrada invertible.

Método de Gauss-Jordan (otra vez)

Usando el Teorema 11 deducimos que si ponemos A e I una al lado de la
otra y vamos realizando las mismas operaciones elementales hasta convertir A
en I, también obtendremos que I se ha convertido en A−1 . Si en algún momento
vemos que A no puede convertirse en I querrá decir que A no es invertible.

Notación 2.3. Dadas dos matrices A, B con el mismo número de filas indicamos
( A| B) como la matriz que se obtiene al añadir a la matriz A las columnas de B
a su derecha.

Ejemplo 2.5. Dadas las matrices A, B tenemos

     
1 2 5 6 1 2 5 6
A= ,B = , ( A| B) = .
3 4 7 8 3 4 7 8

Definición 2.11. El cálculo de la inversa de una matriz cuadrada A por el méto-

do de Gauss funciona de la siguiente manera:

1. Construye la matriz ( A, I ) donde I es la matriz identidad del mismo orden

que A.

2. Realiza el método de Gauss-Jordan sobre toda la matriz (incluyendo pa-

sos opcionales). Si en algún momento una columna solo está formada por
ceros, la matriz no tiene inversa.

3. El resultado final será una matriz de la forma ( I, B). La matriz B es la

inversa de A.

Ejemplo 2.6. Vamos a calcular la inversa de la matriz A usando el método de

Gauss donde  
2 4
A=
6 5
18 CAPÍTULO 2. MATRICES

Paso 1) construimos la matriz ( A| I ).

 
2 4 1 0
( A| I ) =
6 5 0 1

Paso 2) Realizamos los pasos del algoritmo de Gauss-Jordan.

     
2 4 1 0 1 2 1/2 0 1 2 1/2 0
→ → →
6 5 0 1 6 5 0 1 0 −7 −3 1
   
1 2 1/2 0 1 0 −5/14 2/7
→
0 1 3/7 −1/7 0 1 3/7 −1/7
 
−5/14 2/7
Paso 3) La matriz A −1 es .
3/7 −1/7

2.3. Ejercicios
Capı́tulo 3

Determinantes

En el Capı́tulo 2 hemos visto como calcular la inversa de una matriz cuadra-

da. Ahora bien la única estrategia que hemos desarrollado para determinar si la
inversa existe es intentar calcularla. En este capı́tulo desarrollaremos una técni-
ca para determinar si una matriz es invertible: El determinante. Esto es, un valor
que se asigna a cada matriz. Todo el capı́tulo se refiere a matrices cuadradas.
El objetivo de este capı́tulo es la explicación de la siguiente afirmación.
Afirmación 3.1. Una matriz cuadrada A es invertible si y solo si det( A) ̸= 0.
Para entender la Afirmación 3.1 necesitamos las siguientes definiciones.
Definición 3.1. El determinante de una matriz A de orden 2 × 2 es

det( A) = | A| = a11 a22 − a21 a12 .

Notación 3.1. Usaremos det( A) y | A| para denotar el determinante de la matriz

A de manera intercambiable.
Evidentemente, tener una definición exclusivamente para matrices de orden
2 × 2 no es muy útil por lo que es necesario extender esta definición a matrices
de orden n × n arbitrario.
Definición 3.2. Dada una matriz A una fila i y columna j, la submatriz (com-
plementaria) Aij es la submatriz que se obtiene de eliminar la fila i y la columna
j de A. El menor Mi,j de una matriz A es el determinante

Mi,j = det( Aij ).

Y el adjunto/cofactor es

Cij = (−1)i+ j det( Aij ).

19
20 CAPÍTULO 3. DETERMINANTES

Definición 3.3. El determinante de una matriz A es

det( A) = a11 det( A11 ) − a12 det( A12 ) + . . . + (−1)1+n a1n det( A1n )
= a11 C11 + a12 C12 + . . . + a1n C1n .

Ejemplo 3.1. Cálculo de un determinante:

 
1 2 3      
5 6 4 6 4 5
det 4 5 6 = 1 det − 2 det + 3 det .
8 9 7 9 7 8
7 8 9

El siguiente resultado nos permite trasladar este cálculo a cualquier otra fila.

Teorema 12. (Teorema de Laplace) El determinante de una matriz A coincide con

det( A) = ai1 Ci1 + ai2 Ci2 + ... + ain Cin

para cualquier fila i. Además, también se cumple

det( A) = a1i C1i + a2i C2i + ... + ani Cni

para cualquier columna i.

Ejercicio 18. Construye una matriz 4 × 4 y calcula su determinante.

Ejercicio 19. Calcula el determinante de las matrices del Ejemplo 2.3.

A continuación vamos a ver propiedades del determinante de una matriz.

Teorema 13. Dada una matriz con columnas A = (C1 | . . . |Cn ):

Sea Ci = D1 + D2 entonces

det( A) = det(C1 | . . . |Ci−1 | D1 |Ci+1 | . . . |Cn ) + det(C1 | . . . |Ci−1 | D2 |Ci+1 | . . . |Cn ).

Sea k ∈ R entonces det(C1 | . . . |k · Ci | . . . |Cn ) = k det( A). Es decir, multiplicar

una fila por un número multiplica el determinante por la misma cantidad.

Intercambiar dos filas (o columnas) cambia el signo del determinante.

Sumarle un múltiplo de una fila (o columna) a otra no altera el determinante.

Si una fila (o columna) es cero el determinante es cero.

Si una fila (o columna) es múltiple de otra, el determinante es cero.

3.1. INVERSA DE UNA MATRIZ POR DETERMINANTES 21

Cambiar filas por columnas no cambia el determinante, i.e., det( A) = det( A T ).

El determinante de una matriz triangular o diagonal es el producto de los elemen-

tos de su diagonal.

Si una fila (o columna) es combinación lineal de las otras, el determinante es cero

(Observación 3.1).

El producto de matrices se corresponde con el producto de determinantes, i.e.,

det( A · B) = det( A) · det( B)

Observación 3.1. Una fila F es combinación lineal de las filas F1 , ..., Fk si existen
números reales α1 , ..., αk tal que

F = α1 F1 + · · · + αk Fk .

Este concepto lo trataremos en detalle en los próximos capı́tulos.

Observación 3.2. El producto de una fila con los adjuntos de otra fila es cero.
Compruébalo. (Este resultado lo usaremos en la próxima sección)
Observación 3.3. Dada una matriz A escribiremos A = (C1 |C2 |...|Cn ) para refe-
rirnos a la misma matriz pero fijando el foco en sus columnas.
Observación 3.4. No es recomendable calcular determinantes a fuerza bruta, es-
pecialmente cuando la matriz tiene muchas filas. Tampoco es recomendable
aplicar la regla de Sarrus directamente para calcular el determinante de cada
menor.
Observa como el Teorema 13 nos indica que podemos restar una fila a otra
sin alterar el determinante. Esto nos facilitará el cálculo de determinantes en la
mayorı́a de los casos.

3.1. Inversa de una matriz por determinantes

En esta sección daremos una fórmula para calcular la inversa de una matriz.
La fórmula funcionará siempre que el determinante de la matriz no sea cero.

Definición 3.4. La matriz de adjuntos/adjunta Adj( A) = A′ de A es la matriz

que sustituye cada entrada aij por su adjunto Cij .

Observación 3.5. En algunos textos la matriz adjunta se corresponde con la ma-

triz de adjuntos traspuesta.
Adj( A) T
Teorema 14. Una matriz cuadrada A con | A| ̸= 0 tiene inversa y es A−1 = | A|
.
22 CAPÍTULO 3. DETERMINANTES

Demostración. Dada una matriz A realizamos las operaciones en orden

   
a11 . . . a1n C11 . . . C1n
Adj( A) = adj  ... ..  =  .. .. 

.   . . 
an1 . . . ann Cn1 . . . Cnn

Ahora hacemos su traspuesta y comprobamos que pasa al multiplicarla por A

    
C11 . . . Cn1 a11 . . . a1n C11 . . . Cn1
A · Adj( A) T = A ·  ... ..  =  .. ..   .. .. 

.   . .  . . 
C1n . . . Cnn an1 . . . ann C1n . . . Cnn

Ahora observemos que cuando se multiplica la fila i con la columna i se obtiene

ai1 Ci1 + ai2 Ci2 + · · · + ain Cin = det( A).

En cambio cuando se multiplica la fila i con la columna j con i ̸= j se tiene (por

la Observación 3.2) que

ai1 Cj1 + ai2 Cj2 + · · · + ain Cjn = 0.

Entonces la matriz resultante es

 
| A| 0
A · Adj( A) T = 
 .. 
. 
0 | A|
1
Entonces al multiplicarla por | A|
obtenemos el resultado esperado.

Ejemplo 3.2. Sea  

1 2 3
A = 0 −1 4 .
5 2 1

1. Calcular el determinante det( A):

     
−1 4 0 4 0 −1
det( A) = 1 · det − 2 · det + 3 · det
2 1 5 1 5 2




= 1 (−1)(1) − (4)(2) − 2 (0)(1) − (4)(5) + 3 (0)(2) − (−1)(5)
= 1(−1 − 8) − 2(0 − 20) + 3(0 + 5)
= −9 + 40 + 15 = 46.
3.1. INVERSA DE UNA MATRIZ POR DETERMINANTES 23

2. Calcular la matriz de Adjuntos Adj( A):

Cada cofactor Cij = (−1)i+ j Mij , donde Mij es el menor asociado:

      
−1 4 0 4 0 −1
+1 · det 2 1
−1 · det +1 · det
  5 1 5 2 
 2 3 1 3 1 2 
 −1 · det 2
Adj( A) =  +1 · det −1 · det .
  1  5 1  5 2 
 2 3 1 3 1 2 
+1 · det −1 · det +1 · det
−1 4 0 4 0 −1

Calculamos cada uno:

   
(−1 − 8) −(0 − 20) (0 + 5) −9 20 5
Adj( A) = −(2 − 6) (1 − 15) −(2 − 10) =  4 −14 8  .
(8 + 3) −(4 − 0) (−1 − 0) 11 −4 −1

3. Traspuesta de la matriz de adjuntos (Adj( A) T ):

 
−9 4 11
Adj( A) T =  20 −14 −4 .
5 8 −1

4. Construir la inversa:
 
−9 4 11
1 1 
A −1 = Adj( A) T = 20 −14 −4 .
det( A) 46
5 8 −1

Y con ello hemos obtenido

 
−9 4 11
1 
A −1 = 20 −14 −4 .
46
5 9 −1

Con este hemos visto que si una matriz cumple det( A) ̸= 0 entonces tiene
inversa. Por otro lado si una matriz tiene inversa, aplicando propiedades del
determinante, se cumple que det( A)det( A−1 ) = det( AA−1 ) = det( I ) = 1 por lo
tanto su determinante no puede ser cero.
24 CAPÍTULO 3. DETERMINANTES

3.2. Método de Cramer

Los determinantes abren una metodologı́a alternativa para la resolución de
sistemas de ecuaciones.
Teorema 15. Si una matriz A es invertible el sistema Ax = b tiene solución única. En
particular x = A−1 b.
Definición 3.5. Sea A una matriz y b una matriz columna, denotamos por Ai (b)
a la matriz que se obtiene de sustituir la columna i de A por la columna b.
Teorema 16. Sea A una matriz n × n invertible, para cualquier columna b el sistema
Ax = b tiene solución única y viene dada por

det( Ai (b))
xi =
det( A)
para todo i = 1, ..., n.
Ejemplo 3.3. Consideremos el siguiente sistema de 3 ecuaciones con 3 incógnitas:

2x + y − z = 3,

− x + 3y + 2z = 1,

4x − y + 5z = 7.


En forma matricial A x = b, donde

     
2 1 −1 x 3
A =  −1 3 2 , x=  y , b = 1 .

4 −1 5 z 7

1. Cálculo de det( A):

     
3 2 −1 2 −1 3
det( A) = 2 det − 1 det + (−1) det .
−1 5 4 5 4 −1
 
3 2
det = 3 · 5 − 2 · (−1) = 15 + 2 = 17,
−1 5
 
−1 2
det = (−1) · 5 − 2 · 4 = −5 − 8 = −13,
4 5
 
−1 3
det = (−1) · (−1) − 3 · 4 = 1 − 12 = −11.
4 −1
3.2. MÉTODO DE CRAMER 25

Por tanto,
det( A) = 2 · 17 − 1 · (−13) + (−1) · (−11) = 34 + 13 + 11 = 58.

2. Construcción de las matrices A1 (b), A2 (b), A3 (b):

Sustituimos en cada caso la columna correspondiente de A por b:
     
3 1 −1 2 3 −1 2 1 3
A1 ( b ) =  1 3 2  , A2 ( b ) =  −1 1 2  , A3 ( b ) =  −1 3 1  .
7 −1 5 4 7 5 4 −1 7

3. Cálculo de det( Ai (b)):

     

3 2 1 2 1 3
det A1 (b) = 3 det − 1 det + (−1) det = 82.
−1 5 7 5 7 −1
     

1 2 −1 2 −1 1
det A2 (b) = 2 det − 3 det + (−1) det = 32.
−1 5 4 5 4 −1
     

3 1 −1 1 −1 3
det A3 (b) = 2 det − 1 det + 3 det = 22.
−1 7 4 7 4 −1

4. Solución por Cramer:

det( A1 (b)) 82 41 det( A2 (b)) 32 16 det( A3 (b)) 22 11
x= = = , y= = = , z= = = .
det( A) 58 29 det( A) 58 29 det( A) 58 29
Por tanto,
 
41 16 11
( x, y, z) = 29 , 29 , 29 .

Comprobación de la solución
Sustituimos x = 41 16
29 , y = 29 , z =
11
29 :

2 · 41 + 16 − 11 82 + 16 − 11 87
2x + y − z = = = = 3,
29 29 29
−41 + 3 · 16 + 2 · 11 −41 + 48 + 22 29
− x + 3y + 2z = = = = 1,
29 29 29
4 · 41 − 16 + 5 · 11 164 − 16 + 55 203
4x − y + 5z = = = = 7.
29 29 29
Los tres resultados coinciden con el vector b = (3, 1, 7), por lo que la solución
es correcta.
26 CAPÍTULO 3. DETERMINANTES

3.3. Interpretación geométrica del determinante

El concepto del determinante tiene relación con varios conceptos geométri-
cos que veremos en futuros capı́tulos. En esta sección introducimos una primera
parte para dar una mayor comprensión de lo que indica el determinante de una
matriz.
En general podemos representar puntos en el plano y el espacio como vec-
tores, o en particular, como matrices columna de 2 y 3 filas respectivamente.
Dados unos ejes de coordenadas en el plano el punto (1, 2) T es el que se
encuentra a 1 unidad horizontal y dos unidades verticales del origen de coor-
denadas (en sentido positivo de la dirección).
En el caso particular de los puntos (2, 0) T , (0, 1) T es fácil ver que definen un
paralelogramo.
y

x
1 2

Además, calculando su área obtenemos 1 · 2 = 2. Observemos ahora que el

determinante  
20
det =2
01
Coincidiendo con este área. De manera similar, con un paralelepı́pedo con los
puntos (1, 0, 0) T , (0, 2, 0)T , (0, 0, 3)T sabemos que su área es 1 · 2 · 3 = 6 coinci-
diendo con el determinante de sus columnas.
En general tenemos el siguiente resultado.
Teorema 17. Sea A una matriz 2 × 2, el área del paralelogramo determinado por las
columnas de A (respecto del origen de coordenadas) coincide con |det( A)|. Si A es una
matriz 3 × 3, el volumen del paralelepı́pedo determinado por las columnas de A coincide
con |det( A)|.
Lo que nos está diciendo este resultado es que, el determinante es un cálculo
de volúmenes en alguna dimensión.
Ejemplo 3.4. Calcula el volumen del paralelepı́pedo definido por (1, 2, 3) T , (5, 2, 3)T ,
(0, 1, 0)T : para este fin, calculamos el determinante de la matriz que define
 
150  
15
det 2 2 1 = 1 · det
  = 3 − 10 = −7.
23
330
3.4. RANGO DE UNA MATRIZ 27

Deducimos que el volumen es 7.

3.4. Rango de una matriz

El cálculo del determinante nos ha permitido decidir si una matriz cuadrada
es la asociada de un sistema con solución única o no. Ahora la pregunta natural
es como extender este concepto a matrices que no sean cuadradas. Para este fin
estudiamos el concepto de rango de una matriz.

Definición 3.6. Dada una matriz A de orden m × n, diremos menor de orden k

al determinante de una matriz cuadrada de orden k obtenido de eliminar todas
menos k filas y k columnas.

Observación 3.6. En el contexto de la Definición 3.6 el concepto de menor presen-

tado en la Definición 3.2 serı́a un menor de orden n − 1 dónde n es el número
de filas y columnas de A.
Ejemplo 3.5. Considera la matriz de orden 3 × 4:
 
1 2 3 4
A = 5 6 7 8 
9 10 11 12

Los determinantes

1 2 3
2 3
B= C= 5 6 7
6 7
9 10 11
son menores de orden 2 y 3 de A. El menor B está formado por la filas 1, 2 y
columnas 2, 3; el menor C está formado por la filas 1, 2, 3 y columnas 1, 2, 3.

Definición 3.7. Diremos rango de una matriz A (o rank( A)) al orden del menor
no nulo de mayor orden de la matriz. Es decir, al número de filas, o columnas,
del menor más grande diferente de cero.

Teorema 18. El rango de una matriz A de orden m × n cumple rank ( A) ≤ mı́n{m, n}.

Demostración. Los menores tienen el mismo número de filas que de columnas,

no puedes coger más del mı́nimo entre m y n por lo que rank( A) ≤ mı́n{m, n}.

Teorema 19. El rango de una matriz coincide con el número de filas/columnas lineal-
mente independientes.
28 CAPÍTULO 3. DETERMINANTES

Ahora bien, si queremos comprobar, por ejemplo, en un matriz 4 × 5 si tiene

algún menor de orden 3 diferente de cero tenemos (43)(53) = 40 matrices que
comprobar. Necesitamos una técnica capaz de darnos el orden más rápido que
la fuerza bruta.

3.4.1. Cálculo del rango de una matriz

Cálculo del rango: método de Gauss
Aprovechando que se ha presentado previamente el método de Gauss, este
nos permite realizar el cálculo del rango de manera rápida.

Teorema 20. El rango de una matriz A coincide con el número de filas no nulas de
cualquier matriz escalonada equivalente por filas a A.

Es decir, si aplicamos el método de Gauss sobre A y contamos la cantidad

de filas diferente de cero sobre la matriz resultante, este valor es el rango de A.

Cálculo del rango: método de orlado

Como método alternativo podemos utilizar el método de orlado. Este es me-
jor cuando la matriz tiene muchas más filas que columnas o viceversa.

Definición 3.8. El método de orlado para calcular el rango de una matriz fun-
ciona de la siguiente manera: Sea A una matriz de tamaño m × n:

1. Inicializa el rango r = 1.

2. Busca al menos un menor de orden 1 (es decir, un elemento distinto de

cero). Si no lo hay, entonces rank( A) = 0, y el algoritmo termina.

3. Supón que has encontrado un menor de orden r distinto de cero.

4. Intenta construir un menor de orden r + 1 que incluya el menor anterior

(es decir, que lo orle), seleccionando una fila y una columna adicionales.

5. Calcula el determinante del menor orlado:

Si el determinante es distinto de cero, actualiza el rango a r + 1 y

repite el paso 5.
Si el determinante es cero para todas las posibles orlas, entonces el
rango es r, y el algoritmo termina.

Resultado: El valor final de r es el rango de la matriz A.

3.4. RANGO DE UNA MATRIZ 29

Veamos el proceso con un ejemplo.

Ejemplo 3.6. Sea la matriz A ∈ R3×4 :
 
1 2 0 3
A = 2 4 1 6
3 6 1 9

Paso 1,2,3: Buscar un menor de orden 1 distinto de cero.

Observamos que a11 = 1 ̸= 0, por tanto existe un menor de orden 1 dis-
tinto de cero. Inicializamos el rango con r = 1.

Paso 4,5 (r = 1): Buscar un menor de orden 2 que orle al anterior.

Probamos con filas 1 y 2, columnas 1 y 2:

1 2
= 1·4−2·2 = 0
2 4

Este menor es nulo, no incrementa el rango.

Probamos con filas 1 y 2, columnas 1 y 3:

1 0
= 1 · 1 − 0 · 2 = 1 ̸= 0
2 1

Hemos encontrado un menor de orden 2 no nulo. Actualizamos r = 2.

Paso 4,5 (r = 2): Buscar un menor de orden 3 que orle al anterior.

Usamos filas 1, 2, 3 y columnas 1, 2, 3:

1 2 0
2 4 1
3 6 1

Calculamos su determinante:

4 1 2 1 2 4
=1 −2 +0
6 1 3 1 3 6

= 1(4 · 1 − 6 · 1) − 2(2 · 1 − 3 · 1) + 0 = 1(−2) − 2(−1) = −2 + 2 = 0.

30 CAPÍTULO 3. DETERMINANTES

Este menor es nulo. Probamos con otra combinación: filas 1, 2, 3 y colum-

nas 1, 2, 4:

1 2 3
2 4 6
3 6 9

Es un caso de filas proporcionales: este menor también tiene determinante

cero. Concluimos que todos los menores de orden 3 que se pueden obtener
orlando son nulos. No se puede seguir orlando.

Resultado. El mayor orden de un menor no nulo encontrado es 2. Por

tanto, el rango de la matriz es:

rango( A) = 2

3.4.2. Teorema de Rouché-Fröbenius

Una vez hemos fijado el concepto de rango y de como calcularlo damos le
resultado principal que nos da.

Teorema 21. Un sistema de ecuaciones lineal Ax = b es compatible (es decir, tiene al

menos una solución) si y solo si el rango de la matriz de coeficientes A es igual al rango
de la matriz ampliada ( A|b), es decir:

rank( A) = rank( A|b).

Además:

Si r = rank( A) = rgank( A|b) es igual al número de incógnitas, entonces el

sistema tiene una única solución (sistema compatible determinado).

Si r = rank( A) = rank( A|b) es menor que el número de incógnitas, entonces

el sistema tiene infinitas soluciones (sistema compatible indeterminado).

Si rank( A) ̸= rank( A|b), entonces el sistema es incompatible (no tiene solu-

ción).

Corolario 3.1. Un sistema de ecuaciones homogéneo, i.e., b = ⃗0 siempre tiene solución.

Demostración. Añadir una columna de ceros no aumenta el valor del rango. (Ver
esto queda como ejercicio).
3.5. EJERCICIOS 31

3.5. Ejercicios
Ejercicio 20. Comprueba que | A + B| ̸= | A| + | B| en general. Da un ejemplo
diferente de A, − A, 0 de matrices tal que | A + B| = | A| + | B|.

Ejercicio 21. Utilizando las propiedades calcula los siguientes determinantes

a a a a 1 0 2 3
12 13 14 1 a b+c
a b b b 0 1 0 6
A= ,B = , C = 15 16 17 , D = 1 b a + c
a b c c 1 1 1 2
18 19 20 a c a+b
a b c d 0 2 1 0

Ejercicio 22. Indica para cada afirmación si es verdadera o falsa e justifica la

respuesta.

1. Si una matriz 2 × 2 tiene determinante 0 entonces una columna es combi-

nación de la otra.

2. Si B es la matriz obtenida de cambiar dos filas de A entonces det( A) =

det( B).

3. Para una matriz 3 × 3 se cumple det(5A) = 5det( A).

4. Si det( A) = 2 entonces det( A3 ) = 6.

5. det( A) = −det( A T ).

6. det(− A) = det( A).

7. det( A T A) ≥ 0.

8. Si A3 = 0 entonces det( A) = 0.

9. Si u, v ∈ R2 y det(u, v) = 5 entonces 0, u, v definen un triángulo de área

10.
32 CAPÍTULO 3. DETERMINANTES
Capı́tulo 4

Vectores

En capı́tulos previos hemos enfocado nuestro interés en conjuntos de so-

luciones de sistemas de ecuaciones ( x1 , ...xn ), elementos que también hemos
planteado como matrices columna.
En esta sección enfocamos nuestro interés en los vectores. Estos los repre-
sentaremos como un segmento con un punta de flecha o conjuntos ordenados
de una longitud fijada.

4.1. Introducción geométrica a los vectores.

Nuestro estudio se fijará en la geometrı́a de dos y tres dimensiones.

Definición 4.1. El origen es un punto diferenciado del espacio que sirve de re-
ferencia.

Definición 4.2. Un eje es una recta que define una dirección respecto del origen.
Como condición todos los ejes deben contener el origen. En el plano trabajare-
mos con dos ejes X, Y y en el espacio con tres ejes X, Y, Z.

Definición 4.3. Las coordenadas de un punto son el conjunto ordenado de dis-

tancias que tiene el origen con ese punto respecto a cada eje. El signo de la dis-
tancia indicará si esta va en la dirección de los ejes o no. En tres dimensiones lo
denotaremos como ( x, y, z) donde cada entrada se corresponde con la distancia
al origen respecto a cada eje X, Y, Z respectivamente.

Observación 4.1. Dado un punto con coordenadas ( x, y, z), estos valores indican
el recorrido para llegar hasta el punto desde el origen. Avanza x unidades en el
eje X, avanza y unidades en el eje Y y avanza z unidades en el eje Z.

33
34 CAPÍTULO 4. VECTORES

Observación 4.2. El concepto de coordenada se establece sobre una distancia, ejes

y unidades fijadas, en el futuro veremos que, variar estos elementos, varia las
coordenadas que obtenemos.
Una vez hemos introducido las coordenadas de los puntos podemos forma-
lizar el concepto de los puntos del espacio de la siguiente manera
Definición 4.4. Se define un punto p en el espacio Rn como la n-tupla ( x1 , ..., xn ).
Observación 4.3. El la Definición 4.4 estamos identificando un punto en el espa-
cio con sus coordenadas, es decir, lo tratamos como si fueran lo mismo. Tened
en cuenta que hay que entender que, en general, un punto es una posición en
el espacio, en cambio las coordenadas son su posición relativa respecto a un
origen y unos ejes.

4.2. Vector fijo y libre

Una vez hemos definido el concepto de punto y sus coordenadas, podemos
definir los vector como magnitudes geométricas. Desplazamiento, fuerza y ve-
locidad son ejemplos de magnitudes geométricas.
Definición 4.5. Un vector es una magnitud geométrica que se representa me-
diante un segmento orientado en el espacio. Este tiene tres propiedades: una
longitud/módulo, una dirección (la recta que lo contiene) y un sentido (orien-
tación sobre la dirección).

módulo sentido

dirección

Figura 4.1: Propiedades de un vector.

En general, es posible descomponer un vector en varios. Si se descompone

en vectores paralelos a los ejes, a dichos vectores se les llama componentes (o
proyecciones sobre los ejes).
Definición 4.6. Se definen las componentes de un vector como sus proyecciones
sobre los ejes.
Distinguimos dos formas de vectores: fijos y libres.
4.2. VECTOR FIJO Y LIBRE 35

vy ⃗v

x
vx

Figura 4.2: Descomposición de un vector en sus componentes.

4.2.1. Vector fijo

−→
Definición 4.7. Dados dos puntos A, B, definimos el vector fijo AB como el
vector que tiene como origen A y extremo B.

módulo extremo
origen

dirección

Definición 4.8. Dados los puntos A = ( a1 , ..., an ) y B = (b1 , ..., bn ) y su vector

−→ −→
fijo AB las componentes de AB son

(b1 − a1 , . . . , bn − an ).
−→
En general, escribiremos AB = (b1 − a1 , . . . , bn − an ).
Observación 4.4. Un vector y sus componentes forman triángulos rectángulos,
por lo que usando el teorema de Pitágoras, sabemos que el módulo de un vector
es la raı́z de la suma de los cuadrados de sus componentes.
Ejercicio 23. Dibuja un vector con origen el origen de coordenadas, calcula sus
componentes y comprueba que su módulo es la raı́z de la suma de sus cuadra-
dos.
Un vector fijo puede ser caracterizado mediante:
Las coordenadas del origen y extremo.

Componentes y origen o extremo.

36 CAPÍTULO 4. VECTORES

Módulo, dirección, sentido y origen o extremo.

Definición 4.9. Llamaremos vector fijo en el origen al vector con origen, el
origen de coordenadas.

Vectores equivalentes
Dos vectores fijos pueden coincidir en todas sus propiedades exceptuando
su origen. En este sentido decimos que son equivalentes.
Definición 4.10. Dos vectores fijos son equivalentes si tienen las mismas com-
ponentes.
Ejercicio 24. Comprueba que si dos vectores fijos son equivalentes, coincide su
módulo.
Ejercicio 25. Dado el vector AB = (1, 4, 2) con A = (1, 1, 1) construye un vector
equivalente con origen (2, 2, 2) y otro con extremo (2, 2, 2).

4.2.2. Vector libre

El concepto de vector libre, será identificar a todos los vectores fijos equiva-
lentes como una “clase” de vector.
Definición 4.11. Un vector libre es una familia de vectores fijos con el mismo
módulo, dirección y sentido.
Los vectores libres pueden ser caracterizados por
Módulo, dirección, sentido.
Componentes.
Un vector fijo de su familia.

4.2.3. Relaciones entre puntos y vectores

Dado un punto p con coordenadas ( x, y, z) calcular el vector fijo en el origen
−→
con extremo p es hacer el calculo ( x − 0, y − 0, z − 0). Es decir que el vector OP
−→
tiene componentes iguales a las coordenadas de p. Es más, OP visto como vector
libre también tiene las mismas componentes. Esto nos da una correspondecia
entre los tres elementos
punto ( x, y, z) ↔ vector libre ( x, y, z) ↔ vector fijo en el origen ( x, y, z)
Observación 4.5. Las coordenadas de un punto extremo coinciden con las com-
ponentes de su vector fijo en el origen y con vector libre con esas componentes.
4.3. OPERACIONES CON VECTORES 37

4.3. Operaciones con vectores

Suma, resta, multiplicación por escalar, combinación lineal, proyección, pro-
ducto escalar, mixto, módulo

4.3.1. Suma de vectores libres

Dados dos vectores libres definimos sus suma como la suma de sus compo-
nentes
Definición 4.12. La suma de dos vectores libres es la suma de sus componen-
tes, i.e., −
→
v +−
→
w = (v1 , . . . , vn ) + (w1 , . . . , wn ). Geométricamente, esta operación
coincide con poner un vector a continuación del otro (Figura 4.3).

⃗b ⃗a
⃗a + ⃗b
⃗a ⃗b

Figura 4.3: Ejemplo suma de vectores. Se observa como el orden de los suman-
dos no altera el resultado.

En general, la suma de varios vectores no será nada más que ir concatenando

el extremo de uno con el origen del siguiente.
Teorema 22. La suma de vectores cumple las siguientes propiedades:
(⃗u + ⃗v) + w ⃗ ).
⃗ = ⃗u + (⃗v + w
⃗u + w
⃗ =w
⃗ + ⃗u.
⃗u + ⃗0 = ⃗0 + ⃗u = ⃗u.
⃗u + (−⃗u) = (−⃗u) + ⃗u = ⃗0.

4.3.2. Resta de vectores libres

De manera similar definimos la resta de vectores libres
Definición 4.13. La resta de vectores libres es diferencia entre sus componen-
tes,i.e., −
→
v −−
→w = (v1 , . . . , vn ) − (w1 , . . . , wn ). Geométricamente, esta operación
coincide con poner un ambos vectores un origen común y construir el vector
que va del extremo de − →
w al extremo de − → v (Figura 4.3).
38 CAPÍTULO 4. VECTORES

⃗a − ⃗b

⃗b
⃗a
−
→
Figura 4.4: Ejemplo resta de vectores −
→
a − b . Se puede comprobar visualmente
−−−−→ − → →
como ( a − b) + b = − a.

4.3.3. Componentes de un vector

Como hemos visto anteriormente para obtener las componentes de un vec-
tor fijo AB es suficiente con calcula la diferencia de las coordenadas, i.e., B − A.
Ahora bien, esto también puede verse exclusivamente como un cálculo sobre
−→ −→ −→
vectores. Dado el punto origen O aplicando la resta OB − OA = AB.

−→
AB
−→
OA
−→
OB

O
Figura 4.5: Relación entre OA, OB y AB.

4.3.4. Producto de vector por escalar

Definimos el producto de vector por escalar como el resultado de multiplicar
sus componentes por el escalar.
Definición 4.14. Sea v un vector con componentes (v1 , . . . , vn ) y λ ∈ R defini-
mos λ · v como el vector con componentes (λv1 , · · · , λvn ).
Teorema 23. Multiplicar un vector por escalar diferente de 0 preserva la dirección. El
sentido se invertirá si λ < 0 y el módulo se escalará λ veces.
En particular, diremos que dos vectores son paralelos cuando uno es λ veces
el otro para algún λ.
Definición 4.15. Dos vectores u, v son paralelos/proporcionales si existe λ ∈ R
tal que u = λv. Por convenio, el vector ⃗0 = (0, . . . , 0) es proporcional a todos
los vectores.
4.3. OPERACIONES CON VECTORES 39

Teorema 24. El producto de vector por escalar cumple las siguientes propiedades:
α · (⃗u + w
⃗ ) = α · ⃗u + α · w
⃗.
(α + β) · ⃗u = α · ⃗u + β · ⃗u.
(α · β) · ⃗u = α · ( β · ⃗u).
1 · ⃗u = ⃗u.

4.3.5. Combinación lineal

Una vez tenemos definido el concepto de suma y producto por escalar se
nos abre el concepto de combinación lineal.
Definición 4.16. Dados los vectores u1 , . . . , uk y los valores reales α1 , . . . , αk lla-
maremos combinación lineal a la operación
α1 u1 + · · · + α k u k ,
en particular diremos que un vector v es combinación lineal de u1 , . . . , uk si
existen α1 , . . . , αk tal que
v = α1 u1 + · · · + α k u k .
Diremos que u1 , . . . , uk son linealmente dependientes si existe algún ui que sea
combinación lineal de los demás. En el caso contrario diremos que son lineal-
mente independientes.
Este concepto es de gran importancia ya que nos indica la relación entre
vectores.
Ejercicio 26. Dados los vectores u = (0, 2, 3), v = (1, 2, 2) y w = (2, 6, 7) estudia
si alguno es combinación lineal de los demás.
Ejercicio 27. Demuestra que si v es combinación lineal de u1 , . . . , uk entonces
existen β 1 , · · · , β k+1 tal que
0 = β 1 u1 + · · · + β k uk + β k+1 v.
Ejercicio 28. Demuestra que si v ̸= ⃗0 es combinación lineal de u1 , . . . , uk enton-
ces existe al menos un ui y β 1 , · · · , β k tal que
ui = β 1 u1 + · · · + β i−1 ui−1 + β i+1 ui+1 + βkuk + β k+1 v.
Ejercicio 29. Demuestra que si 0 = α1 u1 + · · · + αk uk y no todos los αi = 0,
entonces existe al menos un ui y valores β 1 , · · · , β k tal que
ui = β 1 u1 + · · · + β i−1 ui−1 + β i+1 ui+1 + βkuk + β k+1 v.
40 CAPÍTULO 4. VECTORES

4.3.6. Producto escalar de dos vectores y norma de un vector

La suma y resta de vectores nos da un vector, la multiplicación de vector
por escalar da un vector. En este caso definimos una operación que dados dos
vectores resulta en un escalar.
Definición 4.17. El producto escalar entre dos vectores u, v es
u · v = u1 v1 + u2 v2 + · · · + u n v n .

√ particular, llamaremos norma o longitud de un vector u al resultado de

En
u · u y lo denotaremos por ||u||.
En general, para calcular la distancia entre dos puntos será suficiente con
calcular la longitud del vector fijo que definen.
Observación 4.6. En general la longitud de un vector será el resultado de su nor-
ma. Comprueba este resultado con un vector de R2 y R3 usando el teorema de
Pitágoras.
Observación 4.7. El concepto de norma puede alterarse definiéndose ası́ normas
diferentes en función del concepto de longitud que nos intereses. Estas varia-
ciones están fuera de los objetivos de este curso.
Definición 4.18. Diremos que un vecto u es unitario si ||u|| = 1.
Teorema 25. El producto escalar de vectores cumple las siguientes propiedades:
⃗u · ⃗v = ⃗v · ⃗u.
⃗ ) = ⃗v · ⃗u + ⃗v · w
⃗v(⃗u + w ⃗.
(λ · ⃗u) · ⃗v = λ · (⃗u · ⃗v).
Si ⃗v ̸= ⃗0 entonces ⃗u · ⃗u > 0.
⃗0 · ⃗0 = 0.
Teorema 26. La norma de un vector cumple las siguientes propiedades:
∥λ · ⃗u∥ = |λ| · ∥⃗u∥.
|⃗u · ⃗v| ≤ ∥⃗u∥ · ∥⃗v∥.
∥⃗u + ⃗v∥2 = ∥⃗u∥2 + ∥⃗v∥2 si y solo si son perpendiculares (teorema de Pitágoras).
∥⃗u + ⃗v∥ ≤ ∥⃗u∥ + ∥⃗v∥.
Ejercicio 30. Utilizando las propiedades de la norma, explica el proceso para
convertir un vector no nulo en un vector unitario con la misma dirección y sen-
tido.
4.3. OPERACIONES CON VECTORES 41

4.3.7. Ángulo entre dos vectores

Saber el ángulo que forman dos vectores facilita el trabajo en diseño de es-
tructuras, para imponer perpendicularidad,...

Teorema 27. Dados dos vectores u, v el ángulo que forman α cumple

u · v = ||u|| · ||v|| cos α.

Demostración. Dados dos vectores w, t consideramos primer sus vectores nor-

w
malizados u = ||w ||
y v = ||tt|| . Primero desarrollamos ||u − v||2 obteniendo

||u − v||2 = (u − v)(u − v)

= u · u − 2u · v + v · v
= 1 − 2u · v + 1
= 2(1 − u · v ).

Por otro lado, usando el teorema de Pitágoras, (Figura 4.6) tenemos que

||u − v||2 = sin2 α + (1 − cos α)2

= sin2 α + cos2 α + 1 − 2 cos α
= 2(1 − cos α).

Igualando ambas partes tenemos que

2(1 − u · v) = ||u − v||2 = 2(1 − cos α).

Lo que nos da u · v = cos α. Ahora desarrollando u y v tenemos

w · t = ||w|| · ||t|| cos α

concluyendo el resultado.

Observación 4.8. Observad que u·v

= ||u|||·||
||u||·||v||
u·v|
v||
= | cos α| ≤ 1. Por lo tan-
to |u · v| ≤ ||u|| · ||v||. Esta desigualdad de conoce como la desigualdad de
Cauchy-Schwarz.

Definición 4.19. Diremos que dos vectores u, v son ortogonales si u · v = 0. Si

además son unitarios, diremos que son ortonormales.

Observación 4.9. En particular, si u, v ̸= ⃗0 y tenemos que u · v = ||u|| · ||v|| cos α =

0 entonces cos α = 0 por lo tanto α = π2 .
42 CAPÍTULO 4. VECTORES

⃗v

⃗u − ⃗v
sin α
α
cos α ⃗u

Figura 4.6: Relación de u, v, u − v y el ángulo α que forman.

4.3.8. Proyección ortogonal de un vector sobre otro

Cuando nos referimos a la componentes de un vector hablamos de su des-
composición en una suma de vectores ortogonales (cada uno paralelo a un eje).
En este sentido es posible definir estas componentes sobre un vector cualquiera.

Definición 4.20. Sean ⃗u, ⃗v ∈ Rn con ⃗v ̸= ⃗0. La proyección ortogonal de ⃗u sobre

⃗v es el vector dado por:

⃗u · ⃗v ⃗u · ⃗v
proj⃗v (⃗u) = 2
⃗v = ⃗v
∥⃗v∥ ⃗v · ⃗v

Teorema 28. La proyección proj⃗v (⃗u) es el único vector en la dirección de ⃗v tal que:

(⃗u − proj⃗v (⃗u)) · ⃗v = 0

Demostración.

⃗u · ⃗v
 
(⃗u − proj⃗v (⃗u)) · ⃗v = ⃗u − ⃗v · ⃗v
⃗v · ⃗v
⃗u · ⃗v
 
= ⃗u · ⃗v − ⃗v · ⃗v
⃗v · ⃗v
= ⃗u · ⃗v − ⃗u · ⃗v
= 0.

Intuitivamente la proyección ortogonal de un vector ⃗u sobre otro vector ⃗v (no

nulo) es el vector en la dirección de ⃗v que representa la “sombra” de ⃗u cuando
se proyecta perpendicularmente sobre ⃗v. Véase Figura 4.7.
4.3. OPERACIONES CON VECTORES 43

⃗u

proj⃗v (⃗u) ⃗v

Figura 4.7: Proyección de ⃗u sobre ⃗v.

4.3.9. Producto vectorial

Definición 4.21. El producto vectorial entre dos vectores u, v ∈ R3 , denotado
por u × v (o u ∧ v) es
 
u2 u3 u1 u3 u1 u2
u×v = ,− ,
v2 v3 v1 v3 v1 v2
Por comodidad, este resultado se suele expresar como el determinante
i j k
u × v = u1 u2 u3
v1 v2 v3
dónde el término de la i es la primera entrada, el de la j la segunda y el de la k
el de la tercera.
Teorema 29. El vector u × v es ortogonal a u y v.
Ejercicio 31. Comprueba que u × v es ortogonal a u y v.
Geométricamente, el producto vectorial de dos vectores u, v es otro vector
con módulo el aréa del paralelogramo que definen u, v y que es ortogonal a
ambos.
Teorema 30. El producto vectorial cumple las siguientes propiedades:
⃗u × ⃗v = −⃗v × ⃗u.
⃗u × (⃗v +⃗s) = ⃗u × ⃗v + ⃗u ×⃗s.
(⃗v +⃗s) × ⃗u = ⃗v × ⃗u +⃗s × ⃗u.
α · (⃗u × ⃗v) = (α · ⃗u) × ⃗v = ⃗u × (α · ⃗v).
⃗u × ⃗u = ⃗0.
44 CAPÍTULO 4. VECTORES

4.3.10. Producto mixto de tres vectores

El producto mixto de tres vectores se define como el determinante de la ma-
triz de los tres vectores en filas.

Definición 4.22. El producto mixto de u, v, w ∈ R3 se denota por {u, v, w} y

viene dado por
u1 u2 u3
{u, v, w} = v1 v2 v3
w1 w2 w3

Cumple todas las propiedades de los determinantes. Geométricamente su

valor absoluto es el volumen del paralelepı́pedo determinado por u, v, w. En
particular será 0 si los vectores son coplanarios. Véase Figura 4.8.

⃗
w

⃗v
⃗u
Figura 4.8: Paralelepı́pedo definido por u, v, w.

Ejercicio 32. Comprueba que el producto mixto coincide con u · (v × w).

Capı́tulo 5

Espacios vectoriales

Un vector puede ser utilizado para conceptualizar fuerzas, velocidades, dis-

tancias entre otras magnitudes. También podemos definir el conjunto de todos
los vectores. Dentro de este conjunto se pueden realizar operaciones, por ejem-
plo, si a un cuerpo se le ejercen unas fuerzas se puede calcular el vector que re-
presenta la suma de sus fuerzas o descomponerlas en fuerzas paralelas a unos
ejes.
La abstracción de un conjunto de vectores junto a unas operaciones es habi-
tualmente lo que se conoce como un espacio vectorial. En este capı́tulo reintro-
duciremos los vectores desde una perspectiva independiente a la geométrica.

5.1. ¿Qué es un espacio vectorial?

En el sentido más general, un espacio vectorial es conjunto con una suma
interna y un producto por escalar.

Definición 5.1. Un espacio vectorial es un conjunto V con una operación suma

+ en V y una multiplicación por escalar · que cumple las siguientes propieda-
des:
Dados los vectores u, v, v ∈ V y los escalares α, β ∈ F.

u + v ∈ V y αv ∈ V para cualesquiera u, v, α.

u + v = v + u para cualquier u, v.

(u + v) + w = u + (v + w) y (αβ)v = α( βv) cualesquiera u, v, w, α, β.

Existe un elemento 0 ∈ V tal que v + 0 = 0 + v para cualquier v.

Para cada v existe un w tal que v + w = 0.

45
46 CAPÍTULO 5. ESPACIOS VECTORIALES

Existe un e ∈ F tal que ev = v para cualquier v.

α(u + v) = αu + αv y (α + β)v = αv + βv cualesquiera u, v, α, β.

Ahora bien ¿Qué es F?¿Qué es V?¿Cómo funciona la suma y el producto?

Aunque serı́a posible trabajar de manera completamente general (y casi to-
dos los resultados que presentemos serán generales), nos fijaremos principal-
mente en el caso V = Rn y F = R.
Entonces para nosotros, la mayor parte de la veces, un espacio vectorial será
lo siguiente.

Definición 5.2. Un espacio vectorial es un conjunto Rn para algún n fijado,

con la operación suma + habitual y la multiplicación por escalar · dada por
λ · v = (λv1 , λv2 , . . . , λvn ).

Observación 5.1. Todas las propiedades de la Definición 5.1 se cumplen para la

Definición 5.2 gracias a las propiedades de + y · ası́ que no es necesario explici-
tarlas.
Observación 5.2. Ojo, una vez más estamos haciendo el abuso de reducir el con-
cepto de vector a un elemento de Rn cuando el vector puede ser una fuerza,
posición,... (Informal) Este abuso es como decir que tú eres tu nombre y no la
persona. Esto no es un problema, porque en general los vectores de nuestro
interés los podremos asociar con sus coordenadas.

Ejercicio 33. Comprueba si los siguientes conjuntos son espacios vectoriales

Los polinomios de grado dos o menos con coeficientes reales { ax2 + bx +

c | a, b, c ∈ R} con la suma y producto usual.

Los polinomios de grado exactamente dos con coeficientes reales { ax2 +

bx + c | a, b, c ∈ R, a ̸= 0} con la suma y producto usual.

Las matrices 3x2 con términos reales.

Las matrices 3x2 con términos enteros.

El conjunto de las funciones continuas en R.

5.1.1. Subespacio vectorial

Un espacio vectorial puede contener dentro de si subconjuntos que también
forman un espacio vectorial. A estos conjuntos se les llama subespacios vecto-
riales.
5.1. ¿QUÉ ES UN ESPACIO VECTORIAL? 47

Definición 5.3. Un subespacio vectorial V de un espacio vectorial H es un sub-

conjunto V ⊂ H que cumple las siguientes condiciones:
0 ∈ V.

Si u, v ∈ V entonces u + v ∈ V.

Si u ∈ V, dado un escalar α ∈ F, entonces αu ∈ V.

Ejemplo 5.1. El conjunto V = {( a, b, c) ∈ R3 | a = 1} no es un subespacio
vectorial de R3 ya que, por ejemplo (1, 0, 0) ∈ V pero 2(1, 0, 0) = (2, 0, 0) ∈
/
V.

El conjunto de las matrices triangulares superiores 2 × 2 con coeficientes

reales es un subespacio de el conjunto de las matrices reales 2 × 2 ya que
la suma de dos matrices triangulares superiores lo sigue siendo, al multi-
plicar por escalar sigue siendo triangular superior y la matriz de ceros es
triangular superior.

El conjunto V = R>0 no es un subespacio vectorial de R ya que el cero no

está en V.

Espacio generado por un conjunto de vectores

Definición 5.4. Sean v1 , . . . , vn vectores del espacio vectorial V, denotamos por
span{v1 , . . . , vn } (o ⟨v1 , . . . , vn ⟩) al conjunto de vectores que son combinación
lineal de v1 , . . . , vn .
Es decir, todos los vectores que se obtienen de la forma v = α1 v1 + · · · + αn vn
para algún valor de α1 , . . . , αn .
Observación 5.3. Por convenio span{} = {0}.
La definición del span de un conjunto de vectores es de utilidad por el si-
guiente resultado
Teorema 31. Sean v1 , . . . , vn vectores del espacio vectorial V, entonces span{v1 , . . . , vn }
es un subespacio vectorial de V.
Este teorema nos permite decidir si un subconjunto es espacio vectorial sim-
plemente estudiando si puede expresarse como una suma de vectores.
Ejemplo 5.2. Sea H el conjunto

H = {(2a + 4b, − a + 5b, a, b) | a, b ∈ R}.

Vamos a ver que H es un subespacio de R4 .

48 CAPÍTULO 5. ESPACIOS VECTORIALES

Escribimos los vectores en H como vectores fila. Un vector arbitrario en H

tiene la forma:

(2a + 4b, − a + 5b, a, b) = a(2, −1, 1, 0) + b(4, 5, 0, 1).

Esto muestra que H = Span{v1 , v2 }, donde

v1 = (2, −1, 1, 0), v2 = (4, 5, 0, 1).

Por lo tanto, H es un subespacio de R4 según el Teorema 31, ya que está

generado por una combinación lineal de vectores de R4 .
Ejemplo 5.3. Sea H el conjunto

H = {(3s, 2 + 5s) : s ∈ R}.

Vamos a ver que H no es un subespacio de R2 . Para este fin basta ver que
(0, 0) ∈
/ H. Fijaos que en este caso no podemos descomponer los elementos
de H en sumas de vectores de R2 .

Afirmación 5.1. Los subespacios de Rn siempre son el span de algún subconjunto

vectores.

Para justificar la Afirmación 5.1 hace falta estudiar varios conceptos antes.

5.2. Conjuntos libres y ligados

Dada la definición de span de un conjunto de vectores una pregunta que nos
podemos plantear es si eliminar alguno de esos vectores altera el subespacio
vectorial que generamos. En este sentido, la respuesta está ligada al concepto
de combinacion lineal.

5.2.1. Dependencia e independencia lineal

Definición 5.5. Diremos que un conjunto de vectores v1 , . . . , vn es linealmente
dependiente si alguno de ellos se puede expresar como una combinación lineal
de los demás.

Ejemplo 5.4. Los vectores (4, −5, 7), (0, −3, 5), (1, 0, −3), (−1, 3, 4) son linealmen-
te dependientes ya que

31 52 16
(4, −5, 7) = (0, −3, 5) + (1, 0, −3) + (−1, 3, 4)
9 9 9
5.2. CONJUNTOS LIBRES Y LIGADOS 49

Ahora obsérvese que según aumentamos el número de vectores, comprobar

si cada uno de ellos es combinación lineal de los demás llevarı́a mucho trabajo
(una comprobación para cada vector). Por ese motivo es más sencillo comprobar
si ninguno de ellos es combinación lineal de los demás, es decir, si son lineal-
mente independientes.
Definición 5.6. Diremos que un conjunto de vectores v1 , . . . , vn es linealmente
independiente si la única solución del sistema de ecuaciones

0 = α1 v1 + · · · + α n v n

es (α1 , . . . , αn ) = (0, . . . , 0). Por otra parte serán linealmente independientes si

existe una solución no nula.
Observación 5.4. Nos referimos a 0 = α1 v1 + · · · + αn vn como un sistema de
ecuaciones ya que si vemos cada vector como una matriz columna, podemos
expresar la ecuación como
   
α 0

 .1   . 
v1 | v2 | . . . | vn  ..  =  ..  .
αn 0

Observación 5.5. Por convenio la lista vacı́a de vectores es linealmente indepen-

diente. Una lista con el vector cero siempre es linealmente dependiente
Teorema 32. Si v1 es combinación lineal de v2 , . . . , vn entonces span{v1 , v2 , . . . , vn } =
span{v2 , v3 , . . . , vn }.
Demostración. Se deja como ejercicio.

5.2.2. Rango de un conjunto de vectores y de una matriz

Dado el Teorema 32, nos interesa saber cuantos vectores podemos eliminar
de una lista y aún ası́ obtener el mismo subespacio.
Definición 5.7. Dado un conjunto de vectores v1 , · · · , vn diremos que tiene ran-
go r ( o rank {v1 , · · · , vn } = r) si hay, como mı́nimo, un subconjunto de r vectores
linealmente independiente y ningún subconjunto de r + 1 vectores linealmente
independiente.
Aplicando el Teorema 32 sabemos que si tenemos un conjunto de vectores
de rango r podemos ir eliminando vectores linealmente dependientes hasta ob-
tener un subconjunto de r vectores linealmente independientes sin alterar el
subespacio que generan.
50 CAPÍTULO 5. ESPACIOS VECTORIALES

Ahora bien, para calcular cuales son los vectores que indican el rango es su-
ficiente con expresar la matriz de los vectores por filas y en función del método
encontrar dichos vectores.

Teorema 33. Dado un conjunto de vectores v1 , · · · , vn , con rango k, un subconjunto

de vectores de tamaño k linealmente independiente coincide con las filas no nulas de la
matriz escalonada obtenida por el método de Gauss (ajustando a cambios de fila). En el
caso de usar el método de orlado sobre la matriz con los vectores por filas, los vectores
linealmente independientes son aquellos que corresponden con las filas del menor no
nulo de mayor orden encontrado.

Ejemplo 5.5. ADD example

5.2.3. Sistema generador y bases de un espacio vectorial

Por la definición de span, todo vector v en el span{v1 , . . . , vn } es combina-
ción lineal de v1 , . . . , vn . Esto permite escribir cualquier vector como la suma de,
como máximo n vectores. Esto resulta de gran utilidad ya que dado un vector
cualquiera podemos realizar la siguiente asignación. Dado

v = α1 v1 + · · · + α n v n

podemos expresar v como (α1 , . . . , αn ). Es decir, le podemos asignar unas coor-

denadas o componentes. Entonces la pregunta es ¿Siempre existen vectores que
generan un espacio vectorial? ¿Son únicas las coordenadas de cada vector?

Definición 5.8. Diremos que un conjunto de vectores v1 , . . . , vn ∈ V es un sis-

tema generador de V si todo vector v ∈ V es combinación lineal suya, es decir,
siempre existen α1 , . . . , αn tal que v = α1 v1 + · · · + αn vn .

Ejemplo 5.6. Los vectores (1, 0), (1, 1) son un sistema generador de R2 ya que
para cualquier vector ( a, b) ∈ R2 tenemos

( a, b) = ( a − b)(1, 0) + b(1, 1).

Ejemplo 5.7. Los vectores (2, −3, 5), (−1, 3, 2) no son un sistema generado de R3
ya que el sistema

(4, −5, 7) = α1 (2, −3, 5) + α2 (−1, 3, 2))

no tiene solución (podemos comprobarlo con el Teorema de Rouché-Fröbenius).

5.2. CONJUNTOS LIBRES Y LIGADOS 51

Observación 5.6. Con el temario del que disponemos ahora mismo, comprobar
que un conjunto de vectores v1 , . . . , vn es un sistema generador de Rn consiste
en comprobar que el sistema
   
x b

 .1   .1 
v1 | v2 | . . . | vn  ..  =  ..  .
xn bn

siempre tiene solución para cualquier valor de b. Donde los vectores está escri-
tos en columna.

Definición 5.9. Diremos que un conjunto de vectores v1 , . . . , vn ∈ V es base de

V si son un sistema generador y son linealmente independientes.

Teorema 34. Todo sistema generador v1 , . . . , vn ∈ V contiene una base. Es decir, dado
un sistema generador, eliminar sucesivamente vectores linealmente dependientes resulta
en una base.

Teorema 35. Si v1 , . . . , vn ∈ V es base de V entonces para cada vector v ∈ V existe

exactamente una única solución para el sistema

v = α1 v1 + · · · + α n v n .

Demostración. Supongamos que, para algún v ∈ V hay dos soluciones para el

sistema, entonces

v = α1 v1 + · · · + α n v n
v = β 1 v1 + · · · + β n v n .

Si realizamos la diferencia obtenemos

0 = v = ( α1 − β 1 ) v1 + · · · + ( α n − β n ) v n .

Pero como no todos los valores de α y β son iguales hemos encontrado una
combinación lineal de v1 , . . . , vn . Contradicción con ser linealmente indepen-
dientes.

Con el Teorema 35 concluimos que si encontramos una base del espacio vec-
torial, este nos dará coordenadas únicas para cada vector. Por desgracia, el he-
cho de que exista una base no implica que tenga que existir una base finita.
Por suerte, todos los casos de nuestro interés si que tendrán bases finitas. Estos
espacios se llaman espacios de dimensión finita.
52 CAPÍTULO 5. ESPACIOS VECTORIALES

Dimensión de un espacio vectorial

Asumiendo que existen bases finitas, la siguiente pregunta es ver cual es la
base con menos número de vectores de un espacio vectorial. Por suerte tenemos
un resultado que simplifica el trabajo.
Teorema 36. Todas las bases de un espacio vectorial tienen el mismo número de vecto-
res.
Teorema 37. Para cualquier n, en el espacio vectorial Rn los vectores

e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, . . . , 0, 1)

son base. Esta base se la denomina base canónica.

Demostración. Se deja como ejercicio. Demuestra que son linealmente indepen-
dientes y sistema generador.
Definición 5.10. Diremos dimensión del espacio al número de vectores en sus
cualquiera de sus bases. Por convenio V = {0} tiene dimensión 0.
Observación 5.7. La dimensión de Rn es n. Cuidado que la dimensión de un
subespacio V ⊆ Rn no tiene dimensión n en general.
Ejercicio 34. Justifica o da un contraejemplo:
Si un subespacio V de Rn tiene dimensión n entonces es exactamente Rn .

Un subespacio W de un espacio V siempre tiene una dimensión menor o

igual a la de V.

Coordenadas y cambio de base

Definición 5.11. Dada una base B = {v1 , . . . , vn } de un espacio vectorial V y
un vector v ∈ V. Las coordenadas de v en la base B son los únicos valores
(α1 , . . . , αn ) tal que
v = α1 v1 + . . . α n v n .
Convenio 5.1. Las bases tienen un orden fijado, de esta manera las coordenadas
también respecto a los vectores.
Convenio 5.2. Si se nos dan las coordenadas de un vector sin especificar su base,
se asume que son las coordenadas del vector en la base canónica.
Es habitual en muchos ámbitos tener que comparar resultados obtenidos
en diferentes bases. Entonces la pregunta es ¿Dados dos bases, como paso las
coordenadas de un vector de una base a otra?
5.2. CONJUNTOS LIBRES Y LIGADOS 53

Teorema 38. Sea v ∈ Rn un vector cuyas coordenadas en la base B = {v1 , . . . , vn } son

v B = ( a1 , . . . , an ). Sea B′ = {w1 , . . . , wn } otra base de Rn . Sean Q y P las matrices
cuyas columnas son los vectores de las bases B y B′ , respectivamente (en el orden de la
base). Entonces, las coordenadas v B′ = (b1 , . . . , bn ) de v en la base B′ se obtienen en
dos pasos:

1. Primero, obtenemos las coordenadas ve = (c1 , . . . , cn ) de v en la base canónica:

( c1 , . . . , c n ) T = Q · ( a1 , . . . , a n ) T

2. Luego, pasamos de la base canónica a la base B′ :

(b1 , . . . , bn )T = P−1 · (c1 , . . . , cn )T

En un solo paso serı́a

(b1 , . . . , bn )T = P−1 Q · ( a1 , . . . , an )T

Observación 5.8. El primer paso del Teorema 38 es equivalente a desarrollar

( c1 , . . . , c n ) = a1 v1 + · · · + a n v n

y el segundo paso es resolver el sistema

Pv TB′ = veT

para v B′ o, lo que es lo mismo,

b1 w1 + · · · + bn wn = ( a1 , . . . , an ).

Ejemplo 5.8. Sea la base B = {⃗v1 = (1, 2) T , ⃗v2 = (3, 1) T } y la base B′ = {⃗

w1 =
T T T
⃗ 2 = (1, −1) }. Sea v B = (2, −1) las coordenadas del vector v res-
(2, 1) , w
pecto de la base B.
Paso 1: Calcular las coordenadas de v en la base canónica.
La matriz de la base B es:  
1 3
Q=
2 1
Multiplicamos:
      
1 3 2 1 · 2 + 3 · (−1) −1
vcanónica = Q · v B = = = = (−1, 3)T
2 1 −1 2 · 2 + 1 · (−1) 3

Paso 2: Calcular las coordenadas de v en la base B′ .

54 CAPÍTULO 5. ESPACIOS VECTORIALES

La matriz de la base B′ es:

 
2 1
P= , det( P) = −3
1 −1

Entonces su inversa es:

  1 1

−1 1 −1 −1 3 3
P = = 1
−3 −1 2 3 − 23

Multiplicamos:
1 1
   −1+3   2
  T
−1 3 3 −1 3 3
2 7
v B′ = P · vcanónica = = −1−6 = = , −
1
3 − 23 3 3 − 37 3 3

Conclusión: Las coordenadas del vector v en la base B′ son:

7 T
 
2
v B′ = , −
3 3
Capı́tulo 6

Transformación lineal

En el contexto de cambio de base hemos visto como dicho cambio se co-

rresponde con multiplicar las coordenadas de un vector por una matriz. Ahora
bien, esta matriz es la misma para cualquier vector dadas dos bases. Podemos
definir la función
f ( x ) = Ax
que para cada vector con coordenadas x la imagen f ( x ) son sus coordenadas en
otra base.
Esta idea abre todo un nuevo espacio de estudio ¿Que pasa cuando multi-
plico una matriz con un vector columna? ¿ Qué tipos de funciones hay?¿Cómo
se comportan? Estas funciones se conocen como transformaciones/aplicaciones
lineales.

Definición 6.1. Sean E y F espacios vectoriales. Diremos que f : E → F es una

transformación lineal si cumple:

f ( x + y) = f ( x ) + f (y) para cualesquiera x, y ∈ E.

f (λx ) = λ f ( x ) para cualquier λ ∈ R.

Notación 6.1. La notación f : E → F es una manera de indicar que la variable x

es un elemento de E y que el resultado f ( x ) es un elemento de F.

Ejercicio 35. Sea la transformación lineal T : R2 → R2 dada por:

  
−1 0 x1
T (⃗x ) =
0 −1 x2

Describe geométricamente qué le hace T a cada vector ⃗x ∈ R2 .

55
56 CAPÍTULO 6. TRANSFORMACIÓN LINEAL

Ejercicio 36. Sea la transformación lineal T : R2 → R2 dada por:

  
0,5 0 x1
T (⃗x ) =
0 0,5 x2
Describe geométricamente qué le hace T a cada vector ⃗x ∈ R2 .
Ejercicio 37. Sea la transformación lineal T : R2 → R2 dada por:
  
0 0 x1
T (⃗x ) =
0 1 x2
Describe geométricamente qué le hace T a cada vector ⃗x ∈ R2 .
Ejercicio 38. Sea la transformación lineal T : R2 → R2 dada por:
  
0 1 x1
T (⃗x ) =
1 0 x2
Describe geométricamente qué le hace T a cada vector ⃗x ∈ R2 .
Teorema 39. Dada una transformación lineal f : E → F se cumplen la siguientes
propiedades:
f (0) = 0.
f (− x ) = − f ( x ).
f ( α1 v1 + . . . α n v n ) = α1 f ( v1 ) + . . . α n f ( v n ).
Definición 6.2. Dada una transformación lineal f : E → F diremos matriz aso-
ciada a la matriz A tal que Ax = f ( x ) para todo x ∈ E.
Teorema 40. Dada una transformación lineal f : E → F, su matriz asociada A cumple
A = ( f (e1 ) | · · · | f (en ))
donde los ei son los vectores de la base canónica y f (ei ) su imagen en columna.
Ejemplo 6.1. Ejemplo 6.3.1. Sea f : R3 → R2 definida por
f ( x1 , x2 , x3 ) = ( x1 + x2 , x2 − x3 ).
La matriz asociada a f es la matriz que tiene por columnas las imágenes de los
vectores de la base canónica de R3 :

f (1, 0, 0) = (1, 0), f (0, 1, 0) = (1, 1), f (0, 0, 1) = (0, −1)

Por tanto, la matriz asociada es:
 
1 1 0
A= .
0 1 −1
6.1. EXHAUSTIVIDAD E INYECTIVIDAD 57

6.1. Exhaustividad e inyectividad

Si consideramos la transformación
 
1 1
T (x) = x
0 0

podemos ver como todos los vectores de la forma (0, a) tienen la misma imagen,
el vector 0. Por otro lado también vemos que ningún vector tiene como imagen
el vector (1, 1). En esta sección discutimos cuando se dan (o no) estos casos y
como identificarlos.

6.1.1. Inyectividad
Definición 6.3. Una transformación lineal f : E → F es inyectiva si para todo
x, y ∈ E si f ( x ) = f (y) implica x = y o alternativamente, si x ̸= y entonces
f ( x ) ̸= f (y)
Intuitivamente, una función es inyectiva si no hay dos elementos con la mis-
ma imagen.
Con las herramientas que tenemos disponibles hasta ahora, una transforma-
ción lineal T ( x ) = Ax será inyectiva si y solo si el sistema

Ax = b

tiene solución única para cualquier valor de b.

Ejemplo 6.2. Comprueba si la transformación lineal
 
0 1
T (x) = x
0 2

es inyectiva: Imponemos el sistema de ecuaciones con b arbitrario

    
0 1 x1 b
= 1
0 2 x2 b2

Si estudiamos el rango de la matriz A obtenemos que el rango es 1. El teorema

de Rouché-Frobenius dice que el sistema tendrá solución única solo si el rango
coincide con el número de incógnitas, por lo tanto este sistema será compati-
ble indeterminado o incompatible. Concluimos que no es una transformación
inyectiva.
En general este procedimiento es funcional y válido. Por comodidad se de-
sarrolla la siguiente teorı́a que facilita el cálculo.
58 CAPÍTULO 6. TRANSFORMACIÓN LINEAL

Definición 6.4. Dada una transformación lineal f : E → F denominamos núcleo/kernel

de f y lo denotamos por ker f al conjunto

ker f = { x ∈ E | f ( x ) = 0}.

Es decir, si f ( x ) = Ax, el núcleo son las soluciones del sistema Ax = 0.

Teorema 41. Una transformación lineal es inyectiva si y solo si Ker f = {0}.

Demostración. Si la transformación es inyectiva no hay dos elementos con la

misma imagen y por lo tanto, como f (0) = 0, el 0 es el único elemento del ker f .
Por otro lado, supongamos que hay dos elementos x ̸= y con la misma imagen.
Usando las propiedades de transformación

f ( x ) − f (y) = f ( x − y) = 0

lo que implica que el ker f tiene un elemento diferente de 0.

Es decir, la transformación lineal es inyectiva si y solo si Ax = 0 es un siste-

ma compatible determinado.
Si estamos interesados en el cálculo exacto de una base del núcleo es sufi-
ciente con descomponer la solución obtenida en una suma de vectores.
Ejemplo 6.3. Sea la transformación lineal T : R3 → R2 dada por la matriz:
 
1 2 1
A=
0 1 1

calcula de una base del núcleo:

Buscamos los vectores ⃗x = ( x1 , x2 , x3 ) T tales que:
 
x
1 2 1  1
   
0
A⃗x = ⃗0 ⇒ x2 =
0 1 1 0
x3

Esto es el sistema: (
x1 + 2x2 + x3 = 0
x2 + x3 = 0

Utilizando cualquiera de los métodos disponibles obtenemos que las solu-

ciones del sistema son de la forma (−λ, λ, −λ) = λ(−1, 1, −1) por lo que una
base de ker f es {(−1, 1, −1)}.
6.1. EXHAUSTIVIDAD E INYECTIVIDAD 59

6.1.2. Exhaustividad
Definición 6.5. Dada una transformación lineal f : E → F denominamos ima-
gen de f y lo denotamos por Im f al conjunto
Im f = {y ∈ F | f ( x ) = y para algún x ∈ E}.
Es decir, todos los elementos y de F cumplen y = f ( x ) para algún x de E.
Definición 6.6. Una transformación lineal f : E → F es exhaustiva si Im f = F.
Si estamos interesado en saber que forma tiene exactamente la imagen de
una transformación, el siguiente resultado nos permite obtener una base suya.
Teorema 42. Si {v1 , . . . , vn } es base de E y f : E → F es una transformación lineal
entonces { f (v1 ), . . . , f (vn )} es un sistema generador de Im f .
Este resultado nos permite calcular la base de la imagen de cualquier trans-
formación lineal con facilidad. Utilizamos una base de E, por ejemplo la base
canónica, calculamos su imagen, eliminamos los vectores linealmente depen-
dientes y obtenemos ası́ una base de Im f .
Ejemplo 6.4. Sea la transformación lineal T : R3 → R2 dada por la matriz:
 
1 2 1
A=
0 1 1
Calcula una base de la imagen:
Calculamos la imagen de la base canónica que nos da:
     
T 1 T 2 T 1
T (1, 0, 0) = , T (0, 1, 0) = , T (0, 0, 1) =
0 1 1
Ahora estudiamos la independencia lineal obteniendo que
(1, 1) = (2, 1) − (1, 0).
Eliminamos (1, 1) del conjunto. Como (2, 1), (1, 1) son linealmente indepen-
dientes sabemos que una base de la imagen es {(2, 1), (1, 0)}.

6.1.3. Teorema del rango

Las dimensiones del núcleo y del la imagen se relacionan por el teorema del
rango. Este resultado es de utilidad para comprobar que los cálculos han sido
realizados correctamente.
Teorema 43. Sea f : E → F una transformación lineal, entonces
dim E = dim ker f + dim Im f
Corolario 6.1. Sea f : E → F una transformación lineal, si dim E < dim F la
transformación no es exhaustiva. Si dim E > dim F la transformación no es inyectiva.
60 CAPÍTULO 6. TRANSFORMACIÓN LINEAL

6.2. Ejercicios
Ejercicio 39. Sea f : R3 → R2 la transformación lineal definida por:

f ( x1 , x2 , x3 ) = (2x1 − x2 , x2 + x3 ).

Calcula la matriz asociada a f respecto de las bases canónicas de R3 y R2 . Cal-

cula una base del núcleo ker( T ) y una base de la imagen Im( T ).

Ejercicio 40. Sea T : R3 → R2 la transformación lineal dada por la matriz:

 
1 2 3
A=
0 1 4

Calcula una base del núcleo ker( T ) y una base de la imagen Im( T ).

Ejercicio 41. Sea T : R4 → R3 la transformación lineal dada por:

 
1 0 2 −1
A = 0 1 1 3 
0 0 0 0

Determina una base del núcleo y de la imagen de T.

Ejercicio 42. Sea T : R3 → R3 definida por:

 
1 2 1
A= 2 4
 2
0 0 0

Calcula una base del núcleo y de la imagen de T.

Ejercicio 43. Sea T : R2 → R3 dada por:

 
1 0
A = 0 1 
1 −1

Determina una base del núcleo y una base de la imagen de T.

Capı́tulo 7

Geometrı́a: punto, recta, plano

En este capı́tulo estudiaremos la geometrı́a euclidea, en particular los con-

ceptos de punto, recta y plano.

7.1. Ecuaciones de recta y plano

En el contexto del estudio de vectores hemos definido el concepto de puntos
visto como una tupla y desde el punto de vista geométrico como una posición
del espacio. Siguiendo con estas definiciones extendemos a los conceptos de
recta y plano.

Definición 7.1. Dado un punto P ∈ Rn y un vector no nulo ⃗v ∈ Rn , la recta

−→
definida por P, ⃗v es el conjunto formado por los puntos Q tal que PQ es paralelo
a ⃗v.

De manera similar definimos el concepto de plano.

Definición 7.2. Dado un punto P ∈ Rn y dos vectores linealmente indepen-

⃗ ∈ Rn el plano definido por P, ⃗v, w
dientes ⃗v, w ⃗ es el conjunto de puntos Q tal
−→
que PQ es combinación lineal de ⃗v, w
⃗.

Ahora dadas estas definiciones estudiamos como construir la fórmula de

estos elementos.

7.1.1. Tres puntos alineados

Definición 7.3. Tres puntos A, B, C en el espacio están alineados si los vectores
−→ −→
AB, BC son paralelos.

61
62 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

Observemos que desarrollar esta definición para tres puntos ( a1 , a2 , a3 ), (b1 , b2 , b3 ),

(c1 , c2 , c3 ) de R3 , obtenemos lo siguiente.
−→ −→
AB = λ BC con λ ̸= 0.
Ahora desarrollamos las coordenadas de cada vector
−→ −
→
AB = (b1 − a1 , b2 − a2 , b3 − a3 ) = λ(c1 − b1 , c2 − b2 , c3 − b3 ) = λ BC.
Ahora igualando componente a componente obtenemos
b1 − a1 = λ(c1 − b1 ), b2 − a2 = λ(c2 − b2 ), b3 − a3 = λ(c3 − b3 ).
Si aislamos λ e igualamos obtenemos
b1 − a1 b − a2 b − a3
= 2 = 3 = λ.
c1 − b1 c2 − b2 c3 − b3
Usaremos esta relación para construir la fórmula de una recta en R2 y R3 .

7.1.2. Ecuaciones de la una recta en R2

A partir de la definición de una recta con punto P = ( p1 , p2 ) y vector v =
−→
(v1 , v2 ), un punto X será parte de la recta si el vector PX es paralelo a ⃗v. Consi-
deremos ahora X = ( x, y) un punto cualquiera.
Para que X pertenezca a la recta, tiene que cumplir que
−→
PX = ( x − p1 , y − p2 ) = λ(v1 , v2 ) = λ⃗v.
Siguiendo el proceso de la Sección 7.1.1 obtenemos
x − p1 y − p2
= =λ
v1 v2
o equivalentemente
x = p1 + λv1
y = p2 + λv2
Por otro lado, si PQ y ⃗v son paralelos, entonces el rango de la matriz que definen
es 1. Eso implica que la matriz que definen tiene determinante cero
x − p1 y − p2
= ( x − p1 )v2 − (y − p2 )v1 = 0.
v1 v2
Todos estos resultados son maneras equivalentes de definir una recta.
Definición 7.4. Dada una recta r en R2 definimos las siguientes ecuaciones para
expresarla.
7.1. ECUACIONES DE RECTA Y PLANO 63

Ecuación vectorial Ecuación punto-pendiente

( x − x0 , y − y0 ) = λ ( v1 , v2 ). ( y − y0 ) = m ( x − x0 ).

Ecuación paramétrica
Ecuación general o implı́cita
x = x0 + λv1
y = y0 + λv2 . Ax + By + C = 0.

Ecuación continua Ecuación explı́cita

x − x0 y − y0
= = λ. y = mx + b.
v1 v2

7.1.3. Ecuaciones de una recta en R3

De manera similar, realizamos el mismo estudio para rectas en R3 . Sea P =
( p1 , p2 , p3 ) un punto, ⃗v = (v1 , v2 , v3 ) un vector y X = ( x, y, z) un punto genéri-
co. Imponemos el paralelismo
−→
PX = ( x − p1 , y − p2 , z − p3 ) = λ(v1 , v2 , v3 ) = λ⃗v.
Siguiendo el proceso de la Sección 7.1.1 obtenemos
x − p1 y − p2 z − p3
= = =λ
v1 v2 v3
o equivalentemente
x = p1 + λv1
y = p2 + λv2
z = p3 + λv3 .
Por otro lado, si PQ y ⃗v son paralelos, entonces el rango de la matriz que definen
es 1.
 
x − p1 v1
x − p1 v1 y − p2 v2
rank  y − p2 v2  = 1 ⇒ = =0
y − p2 v2 z − p3 v3
z − p3 v3
lo que se traduce en
v2 ( x − p1 ) − v1 ( y − p2 ) = 0
v3 ( y − p2 ) − v2 ( z − p3 ) = 0
Todos estos resultados son maneras equivalentes de definir una recta.
64 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

Definición 7.5. Dada una recta r en R2 definimos las siguientes ecuaciones para
expresarla.

Ecuación vectorial Ecuación continua

( x − x0 , y − y0 , z − z0 ) = λ ( v1 , v2 , v3 ). x − x0 y − y0 z − z0
= = = λ.
v1 v2 v3
Ecuación paramétrica
Ecuación cartesiana
x = x0 + λv1
y = y0 + λv2 Ax + By + Cz = D
z = z0 + λv3 . Ex + Fy + Gz = H.

7.1.4. Cuatro puntos coplanarios

Definición 7.6. Cuatro puntos A, B, C, D ∈ R3 no alineados son coplanarios si
−→ −→ −→
los vectores AB, AC, AD son linealmente dependientes.
−→ −→ −→
Si los vectores AB, AC, AD son linealmente dependientes tenemos que el
determinante de la matriz que forman es cero

b1 − a1 b2 − a2 b3 − a3
c1 − a1 c2 − a2 c3 − a3 = 0
d1 − a1 d2 − a2 d3 − a3

De manera equivalente

a1 a2 a3 1 a1 a2 a3 1
b1 − a1 b2 − a2 b3 − a3
b1 − a1 b2 − a2 b3 − a3 0 b1 b2 b3 1
c1 − a1 c2 − a2 c3 − a3 = = =0
c1 − a1 c2 − a2 c3 − a3 0 c1 c2 c3 1
d1 − a1 d2 − a2 d3 − a3
d1 − a1 d2 − a2 d3 − a3 0 d1 d2 d3 1

7.1.5. Ecuaciones de un plano

Dados tres puntos A, B, C no alineados estos determinan un único plano.
Veamos como describir ese plano dado un punto genérico X = ( x, y, z).
−→ −→
Al ser puntos no alineados AB = ⃗v, AC = w ⃗ son linealmente independien-
−→ −→ −→
tes. Por otro lado el vector AX será combinación lineal de AB, AC. Esto quiere
decir
−→
AX = λ⃗v + µw
⃗
7.1. ECUACIONES DE RECTA Y PLANO 65

que podemos desarrollar como

x = a1 + λv1 + µw1
     
x − a1 v1 w1
 y − a2  = λ v2  + µ w2  ⇒ y = a2 + λv2 + µw2
z − a3 v3 w3 z = a3 + λv3 + µw3

También podemos desarrollar el determinante siguiente que será 0

v 1 w1 x − a 1
v2 w2 y − a2 = 0 = Ax + By + Cz + D
v 3 w3 z − a 3

Definición 7.7. Dado un plano π en R3 definimos las siguientes ecuaciones para

expresarlo

Ecuación vectorial
     
x − a1 v1 w1
 y − a 2  = λ  v 2  + µ  w2  .
z − a3 v3 w3

Ecuación paramétrica
x = a1 + λv1 + µw1 ,
y = a2 + λv2 + µw2 ,
z = a3 + λv3 + µw3 .

Ecuación general
0 = Ax + By + Cz + D.

Ecuación de un plano dado un vector normal

En el caso particular de que en vez de darnos 3 puntos se nos de un punto y
un vector perpendicular al plano (vector normal), se puede obtener la ecuación
del plano de la siguiente manera. Sea ⃗n = (n1 , n2 , n3 ) el vector normal al plano,
A = ( a1 , a2 , a3 ) un punto del plano y ( x, y, z) un punto genérico del plano. Sa-
−→
bemos que AX = ( x − a1 , y − a2 , z − a3 ) es un vector en el plano, por lo tanto
−→
⃗n · AX = n1 ( x − a1 ) + n2 (y − a2 ) + n3 (z − a3 ) = 0

que es exactamente la ecuación general del plano.

66 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

7.1.6. Ejercicios
Ejercicio 44. Dados los tres puntos A = (1, 1, 2), B = (2, 1, 0), C = (1, 1, 1)
estudia si están alineados, si lo están, calcula la recta que definen y expresala
con cada tipo de ecuación de la Definición 7.4. Si no están alineados calcula el
plano que definen con cada tipo de ecuación de la Definición 7.7. Haz el mismo
proceso para los puntos siguientes

(1, 0, 1), (1, 1, 2), (3, 1, 4) (1, 0, 0), (0, 1, 0), (0, 0, 1) (0, 0, 1), (1, 1, 0), (3, 3, 1)

Ejercicio 45. Para cada ecuación de la Definición 7.4 obtén cada otra ecuación
para la misma recta.

Ejercicio 46. Para cada ecuación de la Definición 7.7 obtén cada otra ecuación
para el mismo plano.

7.2. Posición relativa

Una vez podemos definir puntos, rectas y planos en el espacio, el siguiente
paso es saber su posición relativa en el espacio.

7.2.1. Posición relativa dos planos

Dos planos pueden ser coincidentes si tienen los mismos puntos, paralelos
si no se cortan y secantes si se cortan en una recta. Este estudio se corresponderá
con el estudio del sistema
(  
Ax + By + Cz = D A B C D
⇒ (7.1)
A′ x + B′ y + C ′ z = D ′ A′ B′ C ′ D ′

Denotaremos como R A ≤ 2 al rango de su matriz asociada, R B ≤ 2 al rango de

su matriz ampliada y n = 3 al número de incógnitas.

Coincidentes. Si R A = R B = 1 < 3 = n, tenemos un sistema compa-

tible indeterminado. Para tener R A = R B = 1 tenemos que los vectores
( A, B, C, D ), ( A′ , B′ , C ′ , D ′ ) son proporcionales. Concluimos que hay un
solo plano.

Paralelos. Si R A = 1 y R B = 2 el sistema es incompatible. Para que R A = 1

tenemos que
A B C
= = ,
A′ B′ C′
7.2. POSICIÓN RELATIVA 67

es decir,sus vectores normales son proporcionales. Por otro lado si R B = 2

A B C D
′
= ′ = ′ ̸= ′ .
A B C D
Secantes. Si R A = R B = 2 < 3 = n, tenemos un sistema compatible
indeterminado. Para tener R A = 2 tenemos que los vectores ( A, B, C ),
( A′ , B′ , C ′ ) son linealmente independientes. La Ecuación 7.1 define una
recta.
Observación 7.1. Dada la Ecuación 7.1 de dos planos π1 , π2 secantes estos defi-
nen una recta intersección r. En particular sabemos que los vectores ⃗n = ( A, B, C ),
⃗ ′ = ( A′ , B′ , C ′ ) son vectores normales de cada plano. Como r pertenece a π1 ,
n
la recta r es perpendicular a ⃗n y análogamente también es perpendicular a n ⃗′.
Por lo tanto podemos calcular el vector director de r como el producto vectorial
⃗n × n⃗′.

7.2.2. Posición relativa tres planos

Tres planos pueden ser coincidentes si tienen los mismos puntos, paralelos
si no se cortan, secantes en un punto, en una recta o dos a dos. Este estudio se
corresponderá con el estudio del sistema

 Ax + By + Cz = D
 
 A B C D
A′ x + B′ y + C ′ z = D ′ ⇒  A′ B′ C ′ D ′  (7.2)
 ′′
 ′′ ′′ ′′ A ′′ B′′ C ′′ D ′′
A x+B +C z = D
Denotaremos como R A ≤ 3 al rango de su matriz asociada, R B ≤ 3 al rango de
su matriz ampliada y n = 3 al número de incógnitas.
Secantes en un punto. Si R A = R B = n = 3 es un sistema compatible
determinado y se cortan en un punto.
Se cortan 2 a 2 o dos planos paralelos y uno secante. Si R A = 2 y R B = 3
es un sistema incompatible. Como R A = 2, hay dos planos secantes en
⃗ ′ = ( A′ , B′ , C ′ ) los vectores normales de los
un recta. Sean ⃗n = ( A, B, C ), n
planos secantes. Si n⃗′′ = ( A′′ , B′′ , C ′′ ) es proporcional a alguno de ellos,
entonces esos dos planos son paralelos, si no es el caso, los planos se cortan
dos a dos.
Se cortan en una recta. Si R A = R B = 2 < 3 = n es un sistema compatible
indeterminado. Como R A = R B = 2, es equivalente a un sistema de dos
ecuaciones con tres incógnitas, es decir, determina una recta.
68 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

Paralelos. Si R A = 1 y R B = 2 tenemos un sistema incompatible. Si R A =

1 los tres planos son paralelos y R B = 2 implica que no hay puntos en
común. (Ejercicio 47).

Coincidente. Si R A = R B = 1 tenemos un sistema compatible indetermi-

nado. Para que R B = 1 las tres ecuaciones son equivalentes y tenemos un
plano como solución.

Ejercicio 47. Indica como identificar si dos planos son coincidentes y uno para-
lelo o secante.

7.2.3. Posición relativa dos rectas

Para el estudio de la posición relativa entre dos rectas tenemos dos aproxi-
maciones en función de si usamos su forma cartesiana o paramétrica.

Forma cartesiana
Dadas dos rectas en forma cartesiana, el estudio de su posición relativa se
traduce en el estudio del sistema


 Ax + By + Cz = D 
A B C D

 A′ x + B′ y + C ′ z = D ′

 A′ B′ C ′ D ′ 
⇒
 E F G H
 (7.3)
 Ex + F + Gz = H
E′ F ′ G ′ H ′


 ′
E x + F′ + G′ z = H ′
Denotaremos como R A ≤ 3 al rango de su matriz asociada, R B ≤ 4 al rango
de su matriz ampliada y n = 3 al número de incógnitas.

Se cruzan. Si R A = 3 y R B = 4 es un sistema incompatible. Las rectas se

cruzan.

Paralelas. Si R A = 2 y R B = 3 es un sistema incompatible. Como R A = 2

hay dos vectores normales linealmente dependientes de los otros dos, esto
implica que las rectas son paralelas.

Se cortan. Si R A = R B = 3 = n es un sistema compatible determinado. Se

cortan en un punto.

Coincidentes. Si R A = R B = 2 < 3 = n es un sistema compatible indeter-

minado. Las rectas son coincidentes.
7.2. POSICIÓN RELATIVA 69

Figura 7.1: Secantes en un punto Figura 7.2: Secantes dos a dos

Figura 7.3: Dos paralelos Figura 7.4: Secantes en una recta

Figura 7.5: Paralelos Figura 7.6: Coincidentes

Figura 7.7: Posiciones relativas entre 3 planos.

70 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

ℓ2 ℓ2

ℓ1 ℓ1

Figura 7.8: Lı́neas cruzadas Figura 7.9: Lı́neas paralelas

ℓ2
ℓ1 = ℓ2

ℓ1P

Figura 7.10: Lı́neas intersectantes Figura 7.11: Lı́neas idénticas

Figura 7.12: Cuatro posiciones relativas de dos rectas en el espacio.

Forma paramétrica
Dadas dos rectas con vectores directores ⃗v, w
⃗ y puntos A, B respectivamente,
el estudio de su posición relativa se traduce en el estudio de los rangos de ⃗v, w
⃗
y ⃗v, w ⃗
⃗ , AB.

Si rank {⃗v, w
⃗ } = 1 los vectores directores son proporcionales.
−→
• Si rank {⃗v, w
⃗ , AB} = 1 son coincidentes.
−→
• Si rank {⃗v, w
⃗ , AB} = 2 son paralelas.

rank {⃗v, w
⃗ } = 2 los vectores directores son linealmente independientes.
−→
• Si rank {⃗v, w
⃗ , AB} = 2 se cortan.
−→
• Si rank {⃗v, w
⃗ , AB} = 3 se cruzan.

7.2.4. Posición relativa recta-plano

De manera similar distinguimos dos formas de estudio de la posición relati-
va entre una recta y un plano.
7.2. POSICIÓN RELATIVA 71

ℓ
ℓ

ℓ
P

Figura 7.13: Contenida Figura 7.14: Paralela Figura 7.15: Secante

Figura 7.16: Tres casos de posición relativa de una recta y un plano.

Ecuación general y cartesiana

El estudio de su posición relativa se traduce en el estudio del sistema

 Ax + By + Cz = D
 
 A B C D
A′ x + B′ y + C ′ z = D ′ ⇒  A′ B′ C ′ D ′  (7.4)
E F G H

Ex + F + Gz = H


Denotaremos como R A ≤ 3 al rango de su matriz asociada, R B ≤ 3 al rango

de su matriz ampliada y n = 3 al número de incógnitas.

Recta contenida en el plano. Si R A = R B = 2 < 3 = n tenemos un sistema

compatible indeterminado.
Recta paralela al plano. Si R A = 2 y R B = 3 tenemos un sistema incom-
patible. Como R A = 2 la recta es paralela al plano.
Recta corta el plano. Si R A = R B = 3 tenemos un sistema compatible
determinado. La recta corta el plano.

Ecuación general y paramétrica

Dada la ecuación paramétrica de la recta
x = x0 + λv1
y = y0 + λv2
z = z0 + λv3 .
y la ecuación general del plano Ax + By + Cz + D = 0 sustituimos x, y, z por
valor en la ecuación paramétrica
A( x0 + λv1 ) + B(y0 + λv2 ) + C (z0 + λv3 ) + D = 0 (7.5)
y resolvemos para λ, en función del resultado distinguimos casos.
72 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

Si tiene solución única, la recta corta el plano.

Si no tiene solución, la recta es paralela al plano.
Si tiene infinitas soluciones, la recta está contenida en el plano.

7.3. Ángulos
Una vez sabemos si los elementos son coincidentes, se cortan o son paralelos
o se cruzan podemos estudiar el ángulo que forman.

7.3.1. Ángulo entre dos rectas

Dadas dos rectas, siempre consideraremos el ángulo más pequeño de los que
forman. En el caso de R2 dos rectas no paralelas siempre se cortan formando un
ángulo.
Dos rectas en R3 pueden cruzarse, en este caso, definimos el ángulo que
forman como el que se obtiene de proyectar (próxima sección) ambas rectas
en un plano paralelo a estas. Por suerte este proceso no es necesario porque el
resultado solo depende del vector director de las rectas.

Figura 7.17: Ángulo entre dos rectas

Teorema 44. Dadas dos rectas con vectores directores u, v respectivamente el ángulo α
que forman cumple
|u · v|
cos α = .
|u||v|

7.3.2. Ángulo entre recta y plano

Teorema 45. Dada una recta r con vector director ⃗v y un plano π, el ángulo β que
forman es el complementario entre el ángulo que forman r y el vector normal ⃗n del
plano. Esto es
|v · n|
cos(90 − β) = .
|v||n|
7.4. PROYECCIONES 73

90 − β
β

Figura 7.18: Ángulo entre un plano y una recta que lo corta.

7.3.3. Ángulo entre dos planos

Teorema 46. El ángulo que forman dos planos que se cortan es el ángulo que forman
sus vectores normales.

⃗n1
⃗n2

Figura 7.19: Ángulo entre dos planos.

7.4. Proyecciones
El concepto de proyección consiste en ver la “sombra” que genera un objeto
sobre otro. Damos la definición formal para cada caso.

7.4.1. Proyección de un punto sobre una recta

Definición 7.8. La proyección ortogonal de un punto P sobre una recta r con
−→
vector director ⃗v es el único punto Q ∈ r tal que PQ es perpendicular a ⃗v.

En R2 calcular la proyección de una recta sobre un punto es la intersección

de r con la recta perpendicular a r que pasa por P.
74 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

Para calcular la proyección de un punto sobre una recta en R3 damos dos

métodos. Sea P un punto y r una recta con vector director ⃗v.
Con un punto genérico
Dado punto genérico de la recta X = A + λ · ⃗v.
−→
Calculamos el vector PX.
−→
Resolvemos PX · ⃗v = 0 respecto a λ.

La proyección es A + λ · ⃗v.
Con un plano

Calculamos el plano π que es perpendicular a r y contiene P (esto es di-

recto por ser su vector normal ⃗v).

La solución es la intersección entre π y r.

7.4.2. Proyección de un punto sobre un plano

Definición 7.9. La proyección ortogonal de un punto P sobre un plano π con
−→
vector normal ⃗n es el único punto Q ∈ π tal que PQ es paralelo a ⃗n.
Podemos calcular la proyección ortogonal de un punto P sobre un plano π
con vector normal ⃗n de la siguiente manera:
Calculamos la recta que pasa por P y tiene vector director ⃗n.

La solución es la intersección de π con r.

7.4.3. Proyección de una recta sobre un plano

Definición 7.10. La proyección ortogonal de una recta r sobre un plano π con
vector normal ⃗n es el conjunto de puntos s ⊆ π formado por las proyecciones
ortogonales de cada punto de r sobre π.
Teorema 47. La proyección ortogonal s de una recta r sobre un plano π es una recta o
un punto.
Para calcular proyección ortogonal s de una recta r sobre un plano π pode-
mos realizar el siguiente procedimiento distinguiendo casos.
Si la recta es paralela al plano
Calculamos la proyección Q de un punto cualquiera de la recta al plano.
7.5. DISTANCIAS 75

La recta que pasa por Q y es paralela a r es la solución.

Si la recta no es paralela al plano

Calculamos las proyecciones Q, R de dos punto cualquiera de la recta al

plano. (La proyección del punto de intersección es él mismo)

La recta que pasa por P y Q es la solución.

7.5. Distancias
7.5.1. Distancia de un punto a una recta
Definición 7.11. La distancia de un punto a una recta es la distancia del punto
a su proyección ortogonal sobre la recta.

Teorema 48. La distancia entre un punto P y una recta r en R3 con vector director ⃗v
es
−
→
| PC × ⃗v|
d( P, r ) =
|⃗v|
donde C es un punto cualquiera de la recta.

Demostración. contenidos...

Observación 7.2. En el caso de un punto y una recta en R2 , podemos usar la

fórmula del Teorema 48 simplemente añadiendo una tercera componente igua-
lada a cero, por ejemplo, el punto (2, 2) lo puedo ver como el punto (2, 2, 0) de
R3 y la recta y = 2x + 1 la puedo ver como la recta y = 2x + 1, z = 0.

7.5.2. Distancia de un punto a un plano

Definición 7.12. La distancia de un punto a un plano es la distancia del punto
a su proyección ortogonal sobre el plano.

Teorema 49. La distancia de un punto P = ( p1 , p2 , p3 ) a un plano π dado por Ax +

By + Cz + D = 0 satisface

| Ap1 + Bp2 + Cp3 + D |

d( P, π ) = √ .
A2 + B2 + C 2

Demostración. contenidos...
76 CAPÍTULO 7. GEOMETRÍA: PUNTO, RECTA, PLANO

7.5.3. Distancia entre elementos paralelos

Definición 7.13. La distancia entre dos rectas paralelas es la distancia de un
punto cualquiera de una recta a su proyección ortogonal sobre la otra.

Definición 7.14. La distancia entre una recta y un plano paralelos es la distancia

de un punto cualquiera de la recta a su proyección ortogonal sobre el plano.

Definición 7.15. La distancia entre dos planos paralelos es la distancia de un

punto cualquiera del plano a su proyección ortogonal sobre el otro.

7.5.4. Distancia entre dos rectas que se cruzan

Definición 7.16. La distancia entre dos rectas r, s que se cruzan (y no son pa-
−→
ralelas) es la distancia entre los dos únicos puntos P ∈ r, Q ∈ s tal que PQ es
perpendicular a r y s simultáneamente.

Para calcular la distancia entre dos rectas que se cruzan se puede realizar el
siguiente procedimiento.

Calcula el plano π1 que contiene a r y es paralelo a s

Calcula el plano π2 que contiene a s y es paralelo a r.

La distancia entre los planos π1 , π2 es la solución.

Capı́tulo 8

Geometrı́a en R2: cónicas

En este capı́tulo estudiaremos las cónicas, su definición como lugar geométri-

co, como secciones de un cono doble y como las ecuaciones de segundo grado
que las definen.

8.1. Introducción
Una cónica es cada una de las secciones planas obtenidas de la intersección
de un plano con un cono doble de revolución. Para formalizar este concepto
primero formalizamos el concepto de circunferencia sobre un plano y el de cono
doble.
Definición 8.1. Dado un plano π y un punto O ∈ π definimos la circunferencia
de radio r ∈ R>0 con centro O sobre π como el lugar geométrico de los puntos
del plano π que están a distancia r de O.
La coletilla “el lugar geométrico de los puntos del plano” es habitual en la
definición de conceptos geométricos. Se puede entender, en la mayorı́a de los
casos, como “los puntos que cumplen...”.
Definición 8.2. Dado π un plano, P un punto exterior a π y projπ ( P) la pro-
yección de P sobre π. El cono recto (doble) con vértice P respecto al plano
π con radio r es el conjunto de rectas que pasan por P y por un punto de la
circunferencia de radio r ∈ R>0 con centro projπ ( P).
La Figura 8.1 muestra la forma de un cono recto doble. El objetivo de estudio
de este capı́tulo son las figuras planas que se obtienen de seccionar un cono
doble con un plano. Estas formas se conocen como cónicas (véase la Figura 8.2).
Observación 8.1. En el contexto de la Definición 8.2, El concepto de cono rec-
to viene de usar como centro de la circunferencia la proyección de P sobre el

77
78 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

plano. En el caso de usar otro punto estarı́amos hablando de conos oblicuos.

A su vez estos conos puedes generalizarse usando una elipse en vez de una
circunferencia como intersección con el plano π.

r projπ ( P)

Figura 8.1: Cono recto.

8.2. Circunferencia
Aunque hemos definido la circunferencia como elemento necesario para la
formalización de cono también es, en particular, el resultado de la sección de un
cono C por un plano paralelo al que define a C.
Definición 8.3. La circunferencia es el lugar geométrico de los puntos del plano
que equidistan de un punto fijo C llamado centro. El radio de la circunferencia
es la distancia de uno de sus puntos al centro.
Teorema 50. La circunferencia de radio r con centro C = ( a, b) tiene por ecuación
( x − a )2 + ( y − b )2 = r 2 (8.1)
8.2. CIRCUNFERENCIA 79

Parábola Hipérbola

Circunferencia

Elipse

Figura 8.2: Cónicas vistas como secciones de un cono recto doble.

Demostración. Sea P = ( x, y) un punto genérico de la circunferencia. Por defini-

ción
q
−
→ −→ − → q
d( P, C ) = ∥CP∥ = CP · CP = ( x − a)2 + (y − b2 ) = r ⇒ ( x − a)2 + (y − b2 ) = r2

Observación 8.2. En la Ecuación 8.1 podemos desarrollar los cuadrados para ob-
tener
x2 + y2 + Ax + By + G = 0. (8.2)
donde A = −2a, B = −2b, G = a2 + b2 − r2 . En este caso el centro ( a, b) =
   2
2
− A2 , − B2 y r2 = A2 + B2 − G. Es decir, dada una ecuación de la forma 8.2
solo será una circunferencia si cumple dichas igualdades.

Ejercicio 48. Construye la fórmula de la circunferencia con radio 3 y centro

(1, 7).

Ejercicio 49. ¿Es x2 + y2 − 2x + 4y − 4 una circunferencia?

Ejercicio 50. Encuentra la ecuación de la circunferencia que pasa por los puntos
(2, 0), (2, 3), (1, 3).
80 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

8.2.1. Una observación sobre traslación de funciones

Ahora que tenemos la circunferencia como primer ejemplo cónica definida
por una función de dos variables podemos estudiar como trabajar la traslación
de figuras.

¿Qué pasa si dada una circunferencia centrada en el origen de coordenadas,

la desplazo por el vector ( a, b)?

Si desplazamos una circunferencia por el vector ( a, b) tenemos que el centro

que era (0, 0) pasa a ser ( a, b). Entonces la ecuación ha cambiado a

( x − a )2 + ( y − b )2 = r 2 .

Con estas observaciones lo que concluimos es que ajustar una ecuación a un

nuevo punto de referencia consiste en aplicar la traslación por el vector que une
los orı́genes. En general tenemos el siguiente resultado

Teorema 51. Dada una ecuación f ( x, y) = 0, la ecuación f ( x − a, y − b) = 0 se

corresponde con una traslación por el vector ( a, b).

Ejercicio 51. Experimenta con el Teorema 51 en alguna herramienta de repre-

sentación gráfica (GeoGebra, Desmos,...) para ver el efecto de la traslación en
ecuaciones de tu interés.

8.2.2. Posición relativa recta y circunferencia

Para estudiar la posición relativa recta-circunferencia es suficiente con estu-
diar la distancia entre el centro de la circunferencia y la recta

Teorema 52. Dada una recta s y una circunferencia X con centro C y radio r su posi-
ción relativa es:

Si d(C, s) > r la recta es exterior a X.

Si d(C, s) = r la recta es tangente a X.

Si d(C, s) < r la recta es secante a X .

Si queremos encontrar los puntos de intersección basta resolver el sistema

formado por ambas ecuaciones. Obsérvese que en función del número de solu-
ciones (0, 1, 2) podemos determinar su posición relativa.
8.2. CIRCUNFERENCIA 81

Construcción recta tangente a una circunferencia dado un punto de sus pun-

tos
Para calcular una tangente que pasa por un punto de la circunferencia es
conveniente el resultad siguiente
Teorema 53. Toda recta tangente a una circunferencia es perpendicular al radio que va
del centro al punto de tangencia.
Teorema 54. Dada una circunferencia C con centro (c1 , c2 ) y uno de sus puntos A =
( a1 , a2 ) la recta tangente a C por el punto A viene dado por
u1
y − a2 = − ( x − a1 )
u2
−→
donde (u1 , u2 ) = (c1 , c2 ) − ( a1 , a2 ) = AC.
Demostración. La recta solución pasa por A por lo tanto es de la forma y − a2 =
m( x − a1 ). Ahora el vector director de la recta (m, 1) tiene que ser perpendicular
a (u1 , u2 ). Claramente (− uu21 , 1) cumple la condición.

Observación 8.3. En el caso particular de que u1 = 0 esto quiere decir que la recta
tangente es vertical y su fórmula es x − a1 = 0.

Construcción recta tangente a una circunferencia dado punto exterior

Teorema 55. Los pasos para construir las rectas tangentes a una circunferencia con
centro ( a, b) y radio r dado un punto exterior P = ( x0 , y0 ) son los siguientes.

1. Ecuación de la circunferencia:

( x − a )2 + ( y − b )2 = r 2

2. Ecuación de una recta que pasa por P:

y − y0 = m ( x − x0 )

donde m es la pendiente.
3. Sustituir la recta en la circunferencia:

( x − a )2 + [ m ( x − x0 ) + y0 − b ]2 = r 2 .

4. Desarrollar la expresión anterior para obtener una ecuación cuadrática

en x:
Ax2 + Bx + C = 0.
82 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

5. Condición de tangencia: la recta es tangente si la ecuación tiene una única

solución real, es decir:
∆ = B2 − 4AC = 0.

6. Resolver ∆ = 0 respecto de m: obtenemos pendientes de las tangentes.

7. Sustituir cada valor de m en la ecuación de la recta:

y − y0 = m ( x − x0 ).

Esto da las ecuaciones de las tangentes desde P a la circunferencia.

Ejercicio 52. Calcula la fórmula de m del Teorema 55.

8.2.3. Posición relativa dos circunferencias

Teorema 56. La posición de dos circunferencias con centros C1 , C2 y radios r1 , r2 es:

Si d(C1 , C2 ) > r1 + r2 son exteriores.

Si d(C1 , C2 ) = r1 + r2 son tangentes exteriores.

Si d(C1 , C2 ) = |r1 − r2 | son tangentes interiores.

Si |r1 − r2 | < d(C1 , C2 ) < r1 + r2 son secantes.

Si d(C1 , C2 ) < |r1 − r2 | son interiores.

8.3. Parábola
Definición 8.4. Dado una recta l (directriz) y un punto F (foco) exterior a la
recta, la parábola es el lugar geométrico de los puntos del plano que equidistan
de la recta r y el punto F.

Nuestro estudio de las parábolas se reducirá a estas con directriz paralela a

alguno de los ejes de coordenadas.

Definición 8.5. Dada una parábola a partir de una recta l y un punto F, se defi-
nen los siguientes elementos.

Foco: el punto F.

Directriz: la recta l.
8.3. PARÁBOLA 83

r1 r2 r1 r2
C1 C2 C1 C2

Figura 8.3: Exteriores. Figura 8.4: Tangentes exteriores.

r1 r2 r1 r2
C1 C2 C1 C2

Figura 8.6: Secantes.

Figura 8.5: Tangentes interiores.

r1 r2
C1 C2

Figura 8.7: Interiores.

Figura 8.8: posiciones relativas entre dos circunferencias.

84 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

Parámetro: la distancia del foco a la directriz, denotado por 2p.

Eje: recta perpendicular a la directriz que pasa por el foco.
Radio vector: segmento que une punto de la parábola con el foco.
Vértice: punto V de intersección de la parábola con su eje.

l y

Q F
x
V

Figura 8.9: Parábola (rojo), directriz (azul), eje (verde), foco (F), vértice (V). y
punto de corte entre el eje y la directriz (Q).

Teorema 57. La ecuación de una parábola con coordenadas: origen el vértice V, eje OX
el eje de la parábola, eje OY la recta paralela a la directriz l que pasa por V (Figura 8.9)
es
4px = y2
donde 2p es el parámetro.
Demostración. Por definición sabemos que F = ( p, 0) y la directriz es una recta
vertical con ecuación x = − p. Sea X = ( x, y) un punto genérico de la parábola,
tenemos
−→
d( X, l ) = x + ||VQ|| = x + p.
Por otro lado tenemos
−→ −→ −→
q
d( F, X ) = || FX || = ||VX − VF || = ||( x, y) − ( p, 0)|| = ||( x − p, y)|| = ( x − p)2 + y2 ,

ahora por definición de parábola

q
x + p = d( X, l ) = d( F, X ) = ( x − p )2 + y2 .
8.3. PARÁBOLA 85

Simplificando obtenemos

( x + p )2 = ( x − p )2 + y2
x2 + p2 + 2px = x2 + p2 − 2px + y2
4px = y2 .

Ahora bien podemos usar el eje como OY o tener a F a la izquierda de la

directriz. En estos casos tenemos lo siguiente.
Teorema 58. Dada una parábola, si V es el origen de coordenadas:
Si F = ( p, 0) y la directriz l es x = − p: su función es 4px = y2 .

Si F = (− p, 0) y la directriz l es x = p: su función es −4px = y2 .

Si F = (0, p) y la directriz l es y = − p: su función es 4py = x2 .

Si F = (0, − p) y la directriz l es y = p: su función es −4py = x2 .

Usando los mismo razonamientos que en la Subsección 8.2.1 podemos tras-
ladar por un vector estas funciones para obtener lo siguiente.
Teorema 59. Dada una parábola, si V = (α, β):
Si F = ( p + α, β) y la directriz l es x = − p + α: su función es 4p( x − α) =
( y − β )2 .
Si F = (− p + α, β) y la directriz l es x = p + α: su función es −4p( x − α) =
( y − β )2 .
Si F = (α, p + β) y la directriz l es y = − p + α: su función es 4p(y − β) =
( x − α )2 .
Si F = (α, − p + β) y la directriz l es y = p + α: su función es −4p(y − β) =
( x − α )2 .
En general tenemos
Teorema 60. Las ecuación de una parábola con eje vertical es de la forma

y = ax2 + bx + c

y la ecuación de una parábola con eje horizontal es de la forma

x = ay2 + by + c.
86 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

Observación 8.4. Dada una ecuación como la presentada en el Teorema 60 se

pueden obtener la forma del Teorema 59 completando cuadrados.
Ejemplo 8.1. Completamos cuadrados de 0 = 2y2 + 3y + x + 5:

x 3 5
0 = 2y2 + 3y + x + 5 ⇒ − = y2 + y + + k − k
2 2 2

Ahora imponemos que y2 + 32 y + k = (y − β)2 y obtenemos

3 5
y2 + y + + k = y2 − 2βy + β2
2 2
donde deducimos
3 3
y = −2βy ⇒ β = −
2 4
5 5 9 31
+ k = β2 ⇒ + k = ⇒k=− .
2 2 16 16

2
Obtenemos − 2x = y + 34 + 31
16 , ahora agrupamos y concluimos que
   2
1 31 3
−4 · x+ = y+ .
8 8 4

8.4. Elipse
Definición 8.6. La elipse es el lugar geométrico de los puntos del plano cuya
suma de distancias a dos puntos fijos F1 , F2 llamados focos es constante.

De manera similar a la parábola, solo estudiaremos las elipses que con vector
−−→
F1 F2 paralelo a alguno de los ejes de coordenadas.

Definición 8.7. Dada una elipse con focos F1 , F2 como se representa en la Figu-
ra 8.10 definimos los siguientes elementos.
−−→
Distancia focal: longitud del vector F1 F2 , denotado por 2c.

Centro: punto medio entre los focos, denotado por O.

Ejes de la elipse: segmentos AA‘ (eje mayor), BB‘ (eje menor), denotamos
sus longitudes como 2a, 2b respectivamente.

Vértices de la elipse: puntos A, A′ , B, B′ .

8.4. ELIPSE 87

b a
A′ F1 F2 A
x
O c

B′

Figura 8.10: Partes de una elipse (rojo).

Excentricidad de la elipse: ratio e = ac . Este valor cumple 0 < e ≤ 1 a

más próximo a 0 más similar a una circunferencia, a más próximo a 1 más
degenerada.

Teorema 61. Dado un punto de la elipse Q, se cumple que d( Q, F1 ) + d( Q, F2 ) = 2a.

En particular, la distancia de B a F2 (y a F1 ) es a (Figura 8.10).
Demostración. Sobre estos ejes tenemos que los focos son F1 = (−c, 0), F2 =
(c, 0). Veamos el valor que tiene que dar la suma de distancias para ser parte de
la elipse. Estudiamos el punto A. Como A es un punto de la elipse, veamos que

d( A, F1 ) + d( A, F2 ) = 2a.

Ahora bien,
−→ )
d( A, F1 ) = || AO|| + c −→
−→ ⇒ d( A, F1 ) + d( A, F2 ) = 2|| AO||.
d( A, F2 ) = || AO|| − c

Análogamente obtenemos
−−→
d( A′ , F1 ) + d( A′ , F2 ) = 2|| A′ O||

lo que implica que

−−→ −−→
2|| A′ O|| = 2|| A′ O|| = 2a.
Ahora, por simetrı́a (B está en el eje OY), d( B, F1 ) = d( B, F2 ) y tenemos que

d( B, F1 ) + d( B, F2 ) = 2d( B, F1 ) = 2d( B, F2 ) = 2a.

88 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

Teorema 62. Una elipse cumple a2 = b2 + c2 .

Demostración. Forman un triángulo rectángulo.
Teorema 63. La ecuación de una elipse con origen O el centro de la elipse, y ejes OX,
OY paralelos a los ejes de la elipse (Figura 8.10) viene dado por
x 2 y2
+ 2 =1
a2 b
donde 2a, 2b son las longitudes de los ejes.
Demostración. Por el Teorema 61 sabemos que un punto Q = ( x, y) está en la
elipse si y solo si d( Q, F1 ) + d( Q, F2 ) = 2a. Ahora bien, sobre los ejes que hemos
fijado tenemos
q q
d( Q, F1 ) + d( Q, F2 ) = ( x + c)2 + (y − 0)2 + ( x − c)2 + (y − 0)2
= 2a.
Desarrollamos
q q
( x − c)2 + (y − 0)2 = 2a − ( x + c)2 + (y − 0)2
 q 2
2 2 2 2
( x − c) + (y − 0) = 2a − ( x + c) + (y − 0)
q
2 2 2 2 2 2
x + c − 2xc + y = 4a + ( x + c) + (y − 0) − 4a ( x + c)2 + (y − 0)2
q
4a ( x + c)2 + (y − 0)2 = 4a2 + 4xc
q
a ( x + c)2 + (y − 0)2 = a2 + xc
   2
a2 ( x + c)2 + (y − 0)2 = a2 + xc

Volvemos a desarrollar y usamos a2 = c2 + b2

a2 x2 + a2 c2 + 2a2 xc + a2 y2 = a4 + x2 c2 + 2a2 xc
a2 x 2 + a2 c2 + a2 y2 = a4 + x 2 c2
a2 x 2 + a2 ( a2 − b2 ) + a2 y2 = a4 + x 2 ( a2 − b2 )
b2 x 2 + a2 y2 = a2 b2
x 2 y2
+ 2 = 1.
a2 b
8.5. HIPÉRBOLA 89

Ahora podemos desplazar el origen y/o intercambiar los ejes dando lo si-
guiente.

Teorema 64. Dada una elipse, si el centro de la elipse O es el origen de coordenadas

x2 y2
Si el eje mayor es horizontal: su función es a2
+ b2
= 1.
y2 x2
Si el eje mayor es vertical: su función es a2
+ b2
= 1.
Y en general.

Teorema 65. Dada una elipse, con centro O = (α, β):

( x − α )2 ( y − β )2
Si el eje mayor es horizontal: su función es a2
+ b2
= 1.
( y − β )2 ( x − α )2
Si el eje mayor es vertical: su función es a2
+ b2
= 1.

8.5. Hipérbola
Definición 8.8. La hipérbola es el lugar geométrico de los puntos del plano
cuya diferencia de distancias entre dos puntos fijos F1 , F2 , llamados focos, es
constante.
−−→
Una vez más solo estudiaremos hipérbolas con vector F1 F2 paralelo a alguno
de los ejes de coordenadas.

Definición 8.9. Dada una hipérbola con focos F1 F2 , como se representa en la

Figura 8.11 definimos los siguientes elementos.
−−→
Distancia focal: longitud del vector F1 F2 denotado por 2c.

Centro de la hipérbola: punto medio entre los focos, denotado por O.

Vértices de la hipérbola: puntos A, A′ (vértices reales) y B, B′ (vértices

imaginarios).

Ejes de la hipérbola: segmentos AA′ (eje real), BB′ (eje imaginario), deno-
tamos sus longitudes como 2a, 2b respectivamente. Los puntos B, B′ son
elegidos para que la diagonal sea igual a 2c.

Excentricidad: el ratio e = ac . Este valor cumple e > 1. A más grande, más

próximo a dos rectas verticales, a más cercano a 1 más oblicuas.
90 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

B
c
A′ b A
F1 O a F2

B′

Figura 8.11: Hipérbola (rojo), ası́ntotas (verde).

Teorema 66. La diferencia de distancias para cualquier punto de la hipérbola es 2a

(Figura 8.11).

Demostración. Sobre estos ejes tenemos que los focos son F1 = (−c, 0), F2 =
(c, 0). Veamos el valor que tiene que dar la diferencia de distancias para ser
parte de la elipse. Estudiamos el punto A. Como A es un punto de la elipse,
veamos que
d( A, F1 ) − d( A, F2 ) = 2a.
Ahora bien,
−→ )
d( A, F1 ) = || AO|| + c −→
−→ ⇒ d( A, F1 ) − d( A, F2 ) = 2|| AO||.
d( A, F2 ) = c − || AO||

Análogamente obtenemos
−−→
d( A′ , F1 ) − d( A′ , F2 ) = 2|| A′ O||

lo que implica que

−−→ −−→
2|| A′ O|| = 2|| A′ O|| = 2a.
8.5. HIPÉRBOLA 91

Teorema 67. Una hipérbola cumple c2 = a2 + b2 .

Demostración. Aplicación directa del teorema de Pitágoras.
Teorema 68. La ecuación de una hipérbola con origen O el centro de la hipérbola, y ejes
para OX, OY paralelos a los ejes de la hipérbola (Figura 8.11) viene dado por

x 2 y2
− 2 =1
a2 b
Demostración. Por el Teorema 61 sabemos que un punto Q = ( x, y) está en la
hipérbola si y solo si d( Q, F1 ) − d( Q, F2 ) = 2a. Ahora bien, sobre los ejes que
hemos fijado tenemos
q q
d( Q, F1 ) − d( Q, F2 ) = ( x + c) + (y − 0) − ( x − c)2 + (y − 0)2
2 2

= 2a.
Desarrollamos
q q
( x + c) + (y − 0) = 2a + ( x − c)2 + (y − 0)2
2 2
 q 2
2 2 2 2
( x + c) + (y − 0) = 2a + ( x − c) + (y − 0)
q
2 2 2 2 2 2
x + c − 2xc + y = 4a + ( x + c) + (y − 0) + 4a ( x + c)2 + (y − 0)2
q
4a ( x − c)2 + (y − 0)2 = −4a2 + 4xc
q
a ( x − c)2 + (y − 0)2 = − a2 + xc
   2
2 2 2 2
a ( x − c) + (y − 0) = − a + xc

Volvemos a desarrollar y usamos c2 = a2 + b2

a2 x2 + a2 c2 − 2a2 xc + a2 y2 = a4 + x2 c2 − 2a2 xc
a2 x 2 + a2 c2 + a2 y2 = a4 + x 2 c2
a2 x 2 + a2 ( a2 + b2 ) + a2 y2 = a4 + x 2 ( a2 + b2 )
b2 x 2 − a2 y2 = a2 b2
x 2 y2
− 2 = 1.
a2 b
92 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

Teorema 69. Dada una hipérbola, si el centro de la elipse O es el origen de coordenadas

x2 y2
Si el eje real es horizontal: su función es a2
− b2
= 1.
y2 x2
Si el eje real es vertical: su función es a2
− b2
= 1.
Y en general.

Teorema 70. Dada una hipérbola, con centro O = (α, β):

( x − α )2 ( y − β )2
Si el eje real es horizontal: su función es a2
− b2
= 1.
( y − β )2 ( x − α )2
Si el eje real es vertical: su función es a2
− b2
= 1.
Definición 8.10. Las ası́ntotas de la hipérbola
( x − α )2 ( y − β )2
Si la fórmula es a2
− b2
=1:

b
y − β = ± ( x − α)
a

( y − α )2 ( x − β )2
Si la fórmula es a2
− b2
=1:

b
x − α = ± (y − β)
a

8.6. Clasificación de las cónicas

En general una cónica es una curva formada por todos los puntos del plano
cuyas coordenadas verifican una ecuación de segundo grado del tipo:

Ax2 + Bxy + Cy2 + Dx + Ey + F = 0.

Si dicha ecuación carece de término en xy (B = 0), representa a una cónica

cuyos ejes son paralelos a los ejes coordenados.
Si tenemos una ecuación del tipo

Ax2 + Cy2 + Dx + Ey + F = 0

y:

Si C = 0, y A, E ̸= 0, tendremos una parábola de eje vertical.

8.6. CLASIFICACIÓN DE LAS CÓNICAS 93

Si A = 0, y C, D ̸= 0, tendremos una parábola de eje horizontal.

Si 0 ̸= A ̸= C ̸= 0 y del mismo signo, podemos tener una elipse (se nece-

sita que al completar cuadrados el término independiente sea negativo).

Si 0 ̸= A = C ̸= 0 y del mismo signo, podemos tener una circunferen-

cia (se necesita que al completar cuadrados el término independiente sea
negativo).

Si 0 ̸= A ̸= C ̸= 0 y de distinto signo, tenemos una hipérbola.

A continuación veremos como completar cuadrados en cada caso.

8.6.1. Completar cuadrados

En general, para completar un cuadrado de un polinomio de la forma x2 +
2
bx + c basta sumar y restar b4 y agrupar. Esto es

P( x ) = x2 + bx + c
b2 b2
= x2 + bx + − + c
4 4
 2 2
b b
= x+ − + c.
2 4

Para una parábola de eje vertical tenemos (el caso de parábola de eje hori-
zontal es análogo)

0 = Ax2 + Dx + Ey + F
 
2 D E F
= A x + x+ y+
A A A
D2 D2
 
2 D E F
= A x + x+ − + y+
A 4A2 4A2 A A
2 !
D2

D E F
=A x+ − 2
+ y+
2A 4A A A
2
D2

D
= A x+ + Ey − + F.
2A 4A
94 CAPÍTULO 8. GEOMETRÍA EN R2 : CÓNICAS

Esto es
2
D2
  
D E F
x+ = −4 y− + .
2A 4A 4AE E
Para una elipse con A, B > 0 (en caso contrario multiplicamos por −1) tene-
mos

0 = Ax2 + By2 + Dx + Ey + F
x 2 y2 D E F
= + + x+ y+
B A AB AB AB
x 2 y 2 D E D2 D2 F
= + + x+ y+ 2 2
− 2 2
+
B A AB AB 4A B 4A B AB
x 2 y2 D E D2 D2 F
= + + x+ y+ 2B
− 2B
+
B
 2 A AB AB 4A 4A AB
D2 y2 D2

x D E F
= + x+ 2
+ + y− 2
+
B AB 4A B A AB 4A B AB
D2 y2 D2
 
1 D E F
= x2 + x + 2
+ + y − 2
+
B A 4A A AB 4A B AB
 2 2 2
1 D y E D F
= x+ + + y− +
B 2A A AB 4A2 B AB
D 2


x + 2A y2 E D2 F
= + + y− 2
+
B A AB 4A B AB
D 2 E 2



x + 2A y + 2B D2 E2 F
= + − 2
− 2 + .
B A 4A B 4B A AB
Esto es
D

2 E

2
x + 2A y + 2B D2 E2 F
+ = 2
+ 2
−
B A 4A B 4B A AB
D 2 E 2



x+ 2A y + 2B
  +  =1
D2 E2 F D2 E 2 F
4A2
+ 4BA − A 4AB + 4B 2 − B

D E2 F 2
y será una elipse cuando 4A 2 B + 4B2 A − AB > 0.
En el caso A > 0 > B tenemos una hipérbola y el procedimiento es análogo
al de la elipse.
Ejercicio 53. Elige valores de A, B, D, E, F al azar y completa cuadrados de
Ax2 + By2 + Dx + Ey + F = 0.