Algebra y Geometria

Fundamentos Matemáticos
Módulos de Álgebra y Geometría

Departamento de Matemáticas, Estadística e Investigación Operativa
Universidad de La Laguna
Índice
1. Álgebra de matrices 1
1.1. Álgebra Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Definición de matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Traspuesta de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Determinantes y sus propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1. Desarrollo del determinante mediante una fila (columna). Uso de las ope-
raciones elementales en el cálculo de un determinante . . . . . . . . . . . 7
1.2.2. Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3. Rango de una matriz. Cálculo del rango usando operaciones elementales . 12
1.3. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2. Teorema de Rouché-Fröbenius. . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.3. Método de eliminación de Gauss . . . . . . . . . . . . . . . . . . . . . . 17
1.4. Diagonalización de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.1. Valores propios y vectores propios de una matriz . . . . . . . . . . . . . . 19
1.4.2. Caracterización de matrices diagonalizables . . . . . . . . . . . . . . . . . 22
1.5. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2. Geometría 27
2.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1. Definición de vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.2. Operaciones con vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.3. Dependencia lineal. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.4. Producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.5. Producto vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.1.6. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2. Geometría en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.1. Sistema de referencia cartesiano rectagular. Coordenadas . . . . . . . . . 37
2.2.2. Ecuaciones de una recta . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3
2.2.3. Problemas métricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.4. Lugares geométricos. Circunferencia . . . . . . . . . . . . . . . . . . . . . 41
2.2.5. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3. Geometría en el espacio tridimensional . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.1. Sistema de referencia cartesiano. Coordenadas . . . . . . . . . . . . . . . 46
2.3.2. Ecuaciones de planos y rectas . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.3. Distancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.3.4. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Capítulo 1
Álgebra de matrices
1.1. Álgebra Matricial

Las matrices aparecen por primera vez hacia el año 1850, introducidas por el matemático
inglés J.J. Sylvester (1814-1897). El desarrollo inicial de la teoría se debe al matemático y
astrónomo irlandés W.R. Hamilton (1805-1865), y al inglés A. Cayley (1821-1895), quien utilizó
en 1858 la notación matricial como una forma abreviada de representar un sistema de ecuaciones
lineales.
Las matrices aparecen en el cálculo numérico, en la resolución de sistemas de ecuaciones
lineales, de las ecuaciones diferenciales ordinarias y en derivadas parciales. Además las matrices
aparecen de forma natural en geometría, estadística, economía, informática, física... y actual-
mente su utilización constituye una parte esencial de los lenguajes de programación (arrays),
ya que la mayoría de los datos se introducen en los ordenadores como tablas organizadas en
filas y columnas: hojas de cálculo, bases de datos...
1.1.1. Definición de matriz

Se llama matriz de orden m × n a todo conjunto de m · n elementos aij dispuestos en m
líneas horizontales (llamadas filas) y en n líneas verticales (llamadas columnas) de la forma:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=  ··· ··· ··· ··· .

am1 am2 · · · amn

Abreviadamente puede escribirse como A = (aij ), donde el subíndice i varía entre los valores 1
y m y el subíndice j varía entre los valores 1 y n. Los subíndices indican la posición del elemento
dentro de la matriz, el primero denota la fila i y el segundo la columna j.
Ejemplo 1.1.1 La matriz
4 −1 3
A=
0 9 −2
1
2 CAPÍTULO 1. ÁLGEBRA DE MATRICES
es de orden 2 × 3 donde a11 = 4, a12 = −1, a13 = 3, a21 = 0, a22 = 9 y a23 = −2.
Obsérvese que denotamos las matrices con letras mayúsculas, A, B, C, . . . , y que en el

ejemplo anterior los elementos de la matriz son números enteros. En estas notas trabajaremos
con matrices cuyos elementos serán números reales.
Dos matrices, A = (aij ) y B = (bij ), son iguales cuando tienen el mismo orden y los
elementos que ocupan el mismo lugar en ambas son iguales. Es decir, aij = bij , para todo valor
de i y de j. Según esta definición, para que las matrices

4 a 4 −1
A= y B=
9 −7 9 b
sean iguales debe ocurrir que a = −1 y b = −7.
Ejercicio: Determina si los siguientes pares de matrices son iguales:
√
4 52 − 13 √14
24
√ 12 + 164
(i) y 6 ;
9 −7 16 9 − 49 22
14−3 1

−3 5 + −3
(ii) 2 y 21
2 .
3,5 1 6
1
Algunos tipos de matrices

Podemos clasificar las matrices según distintos criterios, como pueden ser su forma o las
propiedades de sus elementos. Atendiendo a la forma, se tiene:
Una matriz fila es aquella que sólo tiene una fila:
A = (a11 a12 · · · a1n ) .
Análogamente una matriz columna es aquella que sólo tiene una columna:
 
a11
 a21 
 
· 
A= · .

 
· 
am1
Una matriz cuadrada es aquella que tiene igual número de filas que de columnas. En este
caso diremos que la matriz es de orden n, donde n es el número de filas (y columnas).
En el caso de que una matriz tenga distinto número de filas que de columnas la matriz se
denomina rectangular.
Si A = (aij ) es una matriz de orden m × n, llamamos
1.1. ÁLGEBRA MATRICIAL 3
• diagonal principal a la línea formada los elementos aii :

 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=
 ···

··· ··· ··· 
an1 an2 · · · amn
Atendiendo a sus elementos, se tiene:
Matriz diagonal es una matriz cuadrada, en la que todos los elementos no pertenecientes
a la diagonal principal son nulos. Es importante destacar que en la definición de matriz
diagonal los elementos de la diagonal principal pueden tomar el valor que se desee, nulo
o no, así por ejemplo  
−1 0 0
 0 0 0 
0 0 8
es una matriz diagonal.
Matriz triangular superior es una matriz en la que todos los elementos por debajo de
la diagonal principal son nulos. Es decir, si A = (aij ) es cuadrada de orden n, A será
triangular superior si aij = 0, para todo i > j, como por ejemplo
 
−1 10 2 0
 0 5 3 2 
 0 0 8 6 .
 
0 0 0 5
Matriz triangular inferior es una matriz en la que todos los elementos por encima de
la diagonal principal son nulos. Es decir, si A = (aij ) es cuadrada de orden n, A será
triangular inferior si aij = 0, para todo i < j, como por ejemplo
 
−1 0 0 0
 2 5 0 0 
 1 0 8 0 .
 
9 3 4 7
1.1.2. Traspuesta de una matriz

Dada una matriz A = (aij ) de orden m × n, llamamos traspuesta de A, y se denota por At , a
la matriz de orden n × m que se obtiene cambiando filas por columnas en A, es decir, At = (bij )
donde bij = aji . Así, por ejemplo,
 
1 12
1 4 2
si A = entonces At =  4 5  .
12 5 0
2 0
Obsérvese que dada cualquier matriz A se verifica que (At )t = A.
1.1.3. Operaciones con matrices

Suma de matrices
Dadas dos matrices A = (aij ) y B = (bij ), del mismo orden m × n, se define la suma de A
y B, y se denota A + B, como la matriz (aij + bij ), es decir:
 
a11 + b11 a12 + b12 · · · a1n + b1n
 a21 + b21 a22 + b22 · · · a2n + b2n 
A+B = .
 ··· ··· ··· ··· 
am1 + bm1 am2 + bm2 · · · amn + bmn
1 4 21 7 −3 32

8 1 2
Si A = yB= , entonces A + B = .
−3 7 −1 16 2 8 13 9 7
La suma de matrices posee las siguientes propiedades:
(i) Asociativa: A + (B + C) = (A + B) + C.
(ii) Conmutativa: A + B = B + A.
(iii) Existencia de elemento neutro o cero: para toda matriz A, se tiene A + O = O + A = A,
donde O es la matriz en la que todos los elementos son 0. Esto es,
 
0 0 ··· 0
 0 0 ··· 0 
O=  ··· ··· ··· ··· .

0 0 ··· 0
O se denomina matriz cero de orden m × n.
(iv) Existencia de elemento simétrico u opuesto: para toda matriz A = (aij ), se define la
matriz opuesta −A = (−aij ) que satisface A + (−A) = −A + A = O.
En todas las identidades anteriores, A, B, C son matrices cualesquiera del mismo orden y O
es la matriz cero de dicho orden. En relación con la noción de matriz traspuesta, se satisface
(A + B)t = At + B t .
Producto de una matriz por un escalar

El producto de una matriz A = (aij ) por un número real o escalar k, es la matriz (kaij ),
que denotamos kA. Es decir, es la matriz del mismo orden que A cuyos elementos se obtienen
multiplicando los elementos de A por el número k:
 
ka11 ka12 · · · ka1n
 ka21 ka22 · · · ka2n 
kA =  ···
.
··· ··· ··· 
kam1 kam2 · · · kamn
1.1. ÁLGEBRA MATRICIAL 5
   
−1 14 −3 42
Si A =  −3 7 , entonces 3 · A =  −9 21 .
0 −1 0 −3
El producto de una matriz por un escalar posee las siguientes propiedades:
(i)∗ k(A + B) = kA + kB;
(ii)∗ (k + h)A = kA + hA;
(iii)∗ k(hA) = (kh)A;
(iv)∗ 1 · A = A;
donde A y B son matrices cualesquiera del mismo orden y h, k son números reales. En relación
con la noción de matriz traspuesta, se satisface (k · A)t = k · At .
Al multiplicar el número −1 por una matriz A = (aij ), se obtiene la matriz opuesta −A de
A. Esto es, (−1).A = −A.
   
−1 11 1 −11
Si A =  −30 17 , su matriz opuesta es −A =  30 −17 .
0 −21 0 21
Dadas dos matrices A, B del mismo orden, llamamos diferencia de A y B, que escribimos
A − B, a la suma de A con la matriz opuesta de B. Es decir A − B = A + (−B).
1 3

1 4 7 −3 −6 7 −1
Si A = 2 yB= 2 , entonces A − B = .
−3 7 −1 16 2 8 −19 5 −9
Producto de matrices
Para poder multiplicar dos matrices es necesario que el número de columnas de la primera
matriz coincida con el número de filas de la segunda matriz. Dicho producto se realiza en el
modo siguiente: dada una matriz A = (aij ) de orden m × n y una matriz B = (bij ) de orden
n × p, la matriz A · B = (cij ) es una nueva matriz de orden m × p, donde el elemento cij
es el resultado de la suma de los productos obtenidos multiplicando sucesivamente el k-ésimo
elemento de la fila i de A por el k-ésimo elemento de la columna j de B. Es decir,
n
X
cij = ai1 b1j + ai2 b2j + · · · + ain bnj = aik bkj , i = 1, . . . , m, j = 1, . . . , p.
k=1
   
−1 2 −15 0 3
−3 4 1
Si A =  −3 7 yB= , entonces A.B =  −54 2 11 . En efecto,
−9 2 2
0 −1 9 −2 −2
por ejemplo, c21 = (−3) · (−3) + 7 · (−9) = −54.
El producto de matrices posee las siguientes propiedades:
(i)♭ Si A, B, C son matrices tales que A · B y B · C están definidas, entonces A · (B · C) y

(A · B) · C también están definidas y A · (B · C) = (A · B) · C.
(ii)♭ Si A, B, C son matrices tales que A.B y B + C están definidas, entonces A · (B + C) y

A · B + A · C también están definidas y A · (B + C) = A · B + A · C.
(iii)♭ Si A, B, C son matrices tales que A + B y A · C están definidas, entonces (A + B) · C y

A · C + B · C también están definidas y (A + B) · C = A · C + B · C.
(iv)♭ Si A, B son matrices tales que A · B está definida, entonces B t · At también está definida
y (A · B)t = B t · At .
(v)♭ Si A es una matriz cuadrada de orden n e In es la matriz identidad de orden n, definida

por la matriz cuadrada  
1 0 ··· 0
 0 1 ··· 0 
 ··· ··· ··· ··· ,
In =  
0 0 ··· 1
entonces A · In = In · A = A.
Nótese que el producto de matrices no verifica la propiedad conmutativa. Por ejemplo, se

tiene

1 2 5 1 9 9 14 15 5 1 1 2
. = 6 = = . .
9 5 2 4 55 29 38 24 2 4 9 5
1.2. DETERMINANTES Y SUS PROPIEDADES 7
1.2. Determinantes y sus propiedades

En este apartado asociaremos a toda matriz cuadrada A un número real, llamado determi-
nante de A, que denotaremos |A|. Estudiaremos explícitamente la forma de calcularlo y su uso
en el álgebra lineal. Primeramente, describimos el procedimiento para calcular el determinante
de una matriz cuadrada de orden n mediante recurrencia utilizando el concepto de menor com-
plementario. La definición rigurosa de la noción de determinante se introduce a continuación.
1.2.1. Desarrollo del determinante mediante una fila (columna). Uso

de las operaciones elementales en el cálculo de un determinante
Se llama menor complementario de un elemento aij de una matriz A = (aij ) de orden n × n
al determinante de la submatriz de orden (n − 1) × (n − 1) que se obtiene al suprimir la fila i
y la columna j de la matriz original, y se denota por Mij . Se llama adjunto del elemento aij , y
lo denotaremos Aij a:
Aij = (−1)i+j Mij .

Determinante de una matriz cuadrada de orden 1: Si A = a11 es una matriz 1 × 1, su de-
terminante está dado por
|A| = a11 .

a11 a12
Determinante de una matriz cuadrada de orden 2: Si A = es una matriz 2 × 2,
a21 a22
calculamos su determinante como
|A| = ai1 Ai1 + ai2 Ai2 = a1j A1j + a2j A2j , i, j = 1, 2.
En particular, si tomamos i = 1, se observa que A11 = a22 y A12 = −a21 . Por tanto,
|A| = a11 a22 − a12 a21 .

Si tomásemos i = 2 ó j = 1, 2, |A| siempre
dacomo resultado la expresión anterior. Por ejemplo
1 7
el determinante de la matriz A = es
−2 8

1 7
|A| = = 1 · 8 − (−2) · 7 = 8 + 14 = 22.
−2 8
 
a11 a12 a13
Determinante de una matriz cuadrada de orden 3: Si A =  a21 a22 a23  es una matriz
a31 a32 a33
3 × 3, calculamos su determinante, usando esencialmente el mismo procedimiento que el visto
anteriormente para los dos casos anteriores. Así, se tiene que
|A| = ai1 Ai1 + ai2 Ai2 + ai3 Ai3 = a1j A1j + a2j A2j + a3j A3j , i, j = 1, 2, 3.
Nótese que, en este caso, los adjuntos resultan de calcular determinantes de matrices de orden
2 × 2. Estos últimos
 determinantesya sabemos como se calculan. Por ejemplo, el determinante
1 1 0
de la matriz A =  −2 8 −2  es
4 −6 7

1 1 0
8 −2 −2 −2 −2 8
|A| = −2
8 −2 = 1.
− 1.
+ 0.
= 44 + 6 = 50.
4 −6 −6 7 4 7 4 −6
7
Nótese que
8 −2 8 −2
1+1
A11 = (−1) . = = 44,
−6 7 −6 7

1+2 −2 −2
−2 −2
A12 = (−1) . = − = 6,
4 7 4 7
y
1+3
−2 8 −2 8
A13 = (−1) . = = −20.
4 −6 4 −6
Determinante de una matriz cuadrada de orden n: Calculamos un determinante de una matriz

cuadrada de orden n × n, a partir del desarrollo por filas o columnas siguiente:

a11 a12 · · · a1n

a21 a22 · · · a2n
· · · · · · · · · · · · = ai1 Ai1 + ai2 Ai2 + . . . ain Ain = a1j A1j + a2j A2j + . . . anj Anj ,

an1 an2 · · · ann
para todo 1 ≤ i, j ≤ n.
 
1 3 5 2
 4 1 7 3 
Ejemplo 1.2.1 Sea la matriz A =   5 0 2 9  de orden 4 × 4, si desarrollamos por la

6 3 4 8
cuarta columna se tiene:

1 3 5 2
4 1 7 1 3 5 1 3 5 1 3 5
4 1 7 3
= −2 5 0 2 + 3 5 0 2 − 9 4 1 7 + 8 4 1 7
5 0 2 9
6 3 4 6 3 4 6 3 4 5 0 2
6 3 4 8
= −2 . 73 + 3 . 45 − 9 . 91 + 8 . 58 = −366.
Obsérvese que a medida que aumenta el orden de la matriz, el cálculo del determinante es un
proceso cada vez más largo. Para calcular determinantes de una forma más rápida y sencilla,
se utilizan las operaciones elementales que son:
(i) Intercambiar dos filas (columnas) de una matriz.
(ii) Multiplicar una fila (columna) de una matriz por un número real k no nulo.
(iii) Sumar a una fila (columna) de una matriz un múltiplo de otra.
Se tienen las siguientes propiedades:
(i)♭ Si se intercambian dos filas (columnas) de una matriz, su determinante cambia de signo.
(ii)♭ Si se multiplica una fila (columna) de una por un número real k, su determinante queda
multiplicado por k.
(iii)♭ Si se suma a una fila (columna) de una matriz un múltiplo de otra, el valor de su deter-
minante no varía.
(iv)♭ Si una matriz tiene una fila (columna) cuyos elementos son sumas de s sumandos, su
determinante es igual a la suma de los determinantes de las matrices iguales a la dada
salvo dicha fila (columna) que se sustituye por la fila (columna) formado por los primeros
sumandos, segundos sumandos, etc. Por ejemplo,

a11 a12 + b12 a13 a11 a12 a13 a11 b12 a13

a21 a22 + b22 a23 = a21 a22 a23 + a21 b22 a23 .

a31 a32 + b32 a33 a31 a32 a33 a31 b32 a33
(v)♭ Si una matriz cuadrada tiene dos filas o columnas proporcionales, su determinante es igual
a cero.
(vi)♭ Si una matriz cuadrada tiene una fila o una columna nula, su determinante es igual a
cero.
(vii)♭ El determinante del producto de dos matrices cuadradas es igual al producto de los
determinantes de las respectivas matrices. Esto es, si A, B son matrices cuadradas de
orden n × n, se tiene |A · B| = |A||B|.
(viii)♭ El determinante del producto de un escalar k por una matriz cuadrada de orden n × n
está dado por |k · A| = k n · |A|.
(ix)♭ El determinante de una matriz A coincide con el de su traspuesta, |A| = |At |.
Ejemplo 1.2.2 Queremos calcular el determinante

1 0 1 2

−1 1 2 −1
.
1 3 2 2

2 −1 0 1
Restamos a la tercera columna la primera, y a la cuarta columna el doble de la primera:

1 0 1 2 1 0 0 0

−1 1 2 −1 −1 1 3 1
= .
1 3 2 2 1 3 1 0

2 −1 0 1 2 −1 −2 −3
Desarrollamos por la primera fila y se tiene:

1 0 1 2 1 0 0 0
1 3 1
−1 1 2 −1 −1 1 3 1
= = 3 1 0 .
1 3 2 2 1 3 1 0
−1 −2 −3
2 −1 0 1 2 −1 −2 −3
Aplicando ahora las correspondientes operaciones elementales a la tercera fila de la matriz de

orden 3 × 3, se obtiene

1 0 1 2

−1 1 3 1 1 3 1
1 2 −1 = 3 1 0 = 3 1

1 = 3 1 0 = 19.
3 2 2 2 7

2 −1 0 −1 −2 −3 2 7 0
1
Dedicamos la parte final de esta subsección a exponer la definición de determinante de

una matriz cuadrada. Para ello, necesitamos introducir una serie de nociones preliminares. Se
denomina permutación de los números naturales {1, 2, . . . , n} a cualquier ordenación de dichos
números. Por ejemplo, σ = 4312 es una permutación de {1, 2, 3, 4}.
A la permutación 12 . . . n que da el orden natural de {1, 2, . . . , n}, se denomina permutación
principal de {1, 2, . . . , n}. Se dice que en una permutación dada realizamos una trasposición,
cuando en dicha permutación intercambiamos entre sí dos elementos (consecutivos o no). Por
ejemplo, σ0 = 1342 resulta de realizar una trasposición en la permutación σ = 1432.
Una permutación σ se dice que es par (impar ), si el número necesario de trasposiciones
para obtener la permutación principal a partir de σ es par (impar). Por ejemplo, σ = 1432 →
1342 → 1324 → 1234. Puesto que hemos necesitado 3 trasposiciones, decimos que σ es impar.
Definición 1.2.1 Un término de un determinante de una matriz cuadrada es todo producto

de n elementos de dicha matriz, tomados de modo que entre uno sólo de cada fila y uno sólo
de cada columna, precedido del signo + ó −, según que las permutaciones de los índices filas y
columnas sea de la misma o distinta paridad. Por ejemplo, puesto que la permutación 1234 es
par y 3421 es impar, un término del determinante de una matriz de orden 4×4 es −a13 a24 a32 a41 .
El determinante de una matriz de orden n × n es la suma de todos sus términos.
Los términos del determinante una matriz A de orden 2 × 2 son a11 a22 y −a12 a21 . Debido a
ello, su determinante está dado por |A| = a11 a22 − a12 a21 .
Los términos del determinante una matriz A de orden 3×3 son a11 a22 a33 , a13 a21 a32 , a12 a23 a31 ,
−a13 a22 a31 , −a12 a21 a33 y −a11 a23 a32 . Debido a ello, su determinante está dado por
|A| = a11 a22 a33 + a13 a21 a32 + a12 a23 a31
−a13 a22 a31 − a12 a21 a33 − a11 a23 a32 .
El número de términos del determinante de una matriz de orden n es n!. A partir de

la definición de la noción de determinante se prueba que un determinante se puede calcular
mediante la fórmula que hace uso de los adjuntos de una fila o columna. Aquí no mostraremos
dicha prueba.
1.2.2. Matriz inversa

Una matriz cuadrada A de orden n se dice que es inversible o regular, si existe una matriz
n × n, denotada por A−1 , tal que
A · A−1 = A−1 · A = In .
La matriz A−1 se llama matriz inversa de A.

No todas las matrices cuadradas tienen inversa. Una matriz se dice que singular, si no
tiene inversa. Podemos caracterizar las matrices cuadradas que son inversibles mediante su
determinante.
Teorema 1.2.1 Sea A una matriz cuadrada de orden n. Entonces A es inversible si y sólo si
su determinante es distinto de cero.
En este punto nos interesa introducir la noción siguiente: si en una matriz cuadrada A = (aij )
cada elemento se sustituye por su adjunto, se obtiene una matriz del mismo tamaño que se llama
adjunta de A, y que se denota por adj A.
Si la matriz cuadrada A es inversible, la matriz inversa de A está dada por
1
A−1 = (adj A)t .
|A|

1 2
Ejemplo 1.2.3 La matriz es inversible pues su determinante es igual a −7. Ade-
3 −1
−1 −3 −1 −2
más, su matriz adjunta es y la traspuesta de ésta es . Por tanto, la
−2 1 −3 1
matriz inversa de A es:

−1 1 −1 −2 1/7 2/7
A = = .
−7 −3 1 3/7 −1/7
1.2.3. Rango de una matriz. Cálculo del rango usando operaciones

elementales
Dada una matriz  
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A=
 ···
,
··· ··· ··· 
am1 am2 ··· amn
se dice que las m filas F1 , F2 , . . . , Fm son linealmente dependientes, si alguna de ellas es combi-
nación lineal de las demás. Cuando se dice combinación lineal de filas, ello significa el resultado
de una suma donde cada sumando sea el producto de un escalar por una fila. Por ejemplo,
2 · F1 + (−3) · F2 + 5 · F3 es una combinación lineal de las tres primeras filas.
Por otro lado, se dice que las m filas F1 , F2 , . . . , Fm son linealmente independientes, si no
son linealmente dependientes. Esto es, si ninguna ellas es combinación lineal de las demás. Un
modo de comprobar que m filas F1 , F2 , . . . , Fm son linealmente independientes, es viendo que
de la relación
α1 F1 + α2 F2 + . . . + αm Fm = 0,
se deduce que α1 = α2 = . . . = αm = 0.
De forma análoga se define la independencia lineal de las n columnas C1 , C2 , . . . , Cn de la
matriz A.
Se define el rango de una matriz como el número máximo de filas que son linealmente
independientes. Aunque no lo demostraremos aquí el siguiente teorema contiene un hecho fun-
damental del álgebra lineal.
Teorema 1.2.2 (del rango) Para una matriz cualquiera, el número máximo de filas lineal-
mente independientes y el número máximo de columnas linealmente independientes coinciden.
Existen distintos métodos para calcular el rango de una matriz:

Usando el determinante: El rango de una matriz coincide con el orden de la mayor submatriz
cuadrada con determinante distinto de cero que pueda extraerse de la misma. Se llama menor
principal, al determinante de una tal submatriz.
Método de triangulación de Gauss: Salvo para matrices con una estructura muy sencilla: dia-
gonales, triangulares, etc., el método anterior resulta con frecuencia muy largo y engorroso. Un
método alternativo y de gran utilidad es el que aquí se describe y que fue diseñado por Gauss.
Se basa en el hecho de que, al realizar una transformación elemental sobre una matriz A, se
obtiene una nueva matriz A0 de igual rango que A. Así, se hacen sucesivas transformaciones
elementales en la matriz dada A, hasta obtener una matriz triangular superior del mismo orden
que A. El rango de A coincide con el rango de la matriz triangular que es muy fácil de calcular
usando determinantes.
Ejemplo 1.2.4 Vamos a calcular el rango de la matriz

 
2 2 −3 4 −6
 1 −3 2 1 5 
A=  −1
.
5 1 2 −3 
−4 6 2 −3 −2
Para ello, la primera operación elemental será F1 ↔ F2 (intercambiar la dos primeras filas).
Esto hará que el elemento a11 sea igual a 1, lo que va facilitar el anular los restantes elementos
de la primera columna. Luego se obtiene
 
1 −3 2 1 5
 2 2 −3 4 −6 
rang(A) = rang   −1
.
5 1 2 −3 
−4 6 2 −3 −2
Realizando ahora F2 + (−2).F1 , F3 + F1 , F4 + 4.F1 e intercambiendo posteriormente la segunda

y tercera fila, F2 ↔ F3 , se obtiene la matriz
 
1 −3 2 1 5
 0 2 3 3 2 
 ,
 0 8 −7 2 −16 
0 −6 10 1 18
cuyo rango coincide con el de A. Ahora nos fijamos en el elemento a22 y vamos anulando los
elementos de la segunda columna que están debajo. Realizamos F3 + (−4).F2 , F4 + 3.F2 y se
obtiene  
1 −3 2 1 5
 0 2 3 3 2 
 .
 0 0 −19 −10 −24 
0 0 19 10 24
Seguidamente nos fijamos en el elemento a33 y anulamos los elementos de la tercera columna
que están debajo. Para ello, F4 + F3 y se obtiene la matriz triangular superior
 
1 −3 2 1 5
 0 2 3 3 2 
 .
 0 0 −19 −10 −24 
0 0 0 0 0
Está claro que una submatriz cuadrada que determina el rango es

 
1 −3 2
 0 2 3 .
0 0 −19
Por tanto, el rango de la matriz dada A es 3.

Ejemplo 1.2.5 Ahora queremos calcular el rango de la matriz

 
2 2 −3 4 −6
 1 −3 2 1 5 
B=  −1
.
5 1 2 −3 
−4 6 2 −3 4
Procediendo en el mismo modo que en el ejemplo, se obtiene la matriz triangular superior

 
1 −3 2 1 5
 0 2 3 3 2 
 .
 0 0 −19 −10 −24 
0 0 0 0 6
Está claro que una submatriz cuadrada que determina el rango es

 
1 −3 2 5
 0 2 3 2 
 .
 0 0 −19 −24 
0 0 0 6
Por tanto, en este caso, el rango de la matriz dada B es 4.

1.3. SISTEMAS DE ECUACIONES LINEALES 15
1.3. Sistemas de ecuaciones lineales

En esta sección mostraremos un método, conocido como método de eliminación Gauss que
nos permitirá resolver cualquier sistema de ecuaciones lineales.
1.3.1. Sistemas de ecuaciones lineales

Se llama ecuación lineal en las incógnitas x1 , . . . , xn con coeficientes en R a toda ecuación
de la forma
a1 x1 + . . . + an xn = b, (1)
donde a1 , . . . , an ∈ R son los coeficientes de la ecuación y b ∈ R es el término independiente de
la misma.
Una n-upla (s1 , . . . , sn ) ∈ Rn es una solución de (o satisface, o verifica) la ecuación (1) si
a1 s1 + a2 s2 + · · · + an sn = b.
Un sistema de ecuaciones lineales es un conjunto finito de ecuaciones lineales de la forma:

a11 x1 + . . . + a1n xn = b1 

a21 x1 + . . . + a2n xn = b2 

.. .. (2)
. . 


am1 x1 + . . . + amn xn = bm 
y diremos que tiene por solución a (s1 , . . . , sn ) ∈ Rn , si la n-upla es solución de todas las
ecuaciones que forman el sistema.
Un sistema de ecuaciones lineales queda determinado por sus coeficientes y sus términos
independientes. Dichos números podemos escribirlos en dos matrices, la matriz formada por los
coeficientes se denomina matriz asociada al sistema y si a ésta le añadimos una columna con los
términos independientes, se obtiene la matriz ampliada, más concretamente la matriz asociada
al sistema anterior es  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 .. .. .. 
 
 . . . 
am1 am2 · · · amn
y su matriz ampliada es  
a11 a12 ··· a1n b1

 a21 a22 ··· a2n b2 
.. .. .. ..  .
 
. . . . 



am1 am2 · · · amn bm
Usando su matriz asociada y el producto de matrices, el sistema (2) se puede dar a través
de la ecuación matricial:
    
x1 b1

a11 a12 · · · a1n
 a21 a22  x2   b2
· · · a2n 

. = .
· · · · · ·   ...   ..
   
 ··· ··· 
. 
am1 am2 · · · amn xn bm
Se dice que es la expresión matricial del sistema en cuestión.
1.3.2. Teorema de Rouché-Fröbenius.

Diremos que un sistema de ecuaciones es incompatible, si no admite ninguna solución. En
caso contrario, diremos que es compatible. Los sistemas compatibles a su vez pueden tener una
única solución, en cuyo caso diremos que es compatible determinado, o más de una solución que
denominaremos compatible indeterminado.
A veces nos interesa saber exclusivamente si un sistema tiene solución o no sin calcular sus
soluciones, que es lo que se conoce como discutir un sistema. La respuesta a dicha pregunta nos
la da el teorema de Rouché-Fröbenius.
Sea el sistema de m ecuaciones con n incógnitas:


 a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2

(3)

 .................................
am1 x1 + am2 x2 + . . . + amn xn = bm ,

que podemos escribir matricialmente AX = B, donde

     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
A=  y
 ··· ··· ··· ··· , X =  ··· .
B=
 
 ··· 
am1 am2 · · · amn . xn bm
El teorema de Rouché-Fröbenius caracteriza la resolubilidad del sistema en términos de los

rangos de la matriz asociada A y de la matriz ampliada del sistema A∗ . Nótese que, puesto que
A es una submatriz de A∗ , se tiene siempre rango(A) ≤ rango(A∗ ) (basta pensar el rango por
columnas).
Teorema 1.3.1 (de Rouché-Fröbenius) Sea el sistema de ecuaciones lineales A · X = B.

Entonces:
(i) Si rango(A) 6= rango(A∗ ), el sistema es incompatible.
(ii) Si rango(A) = rango(A∗ ) = n, el sistema es compatible y determinado.

(iii) Si rango(A) = rango(A∗ ) < n, el sistema es compatible e indeterminado.
1.3. SISTEMAS DE ECUACIONES LINEALES 17
Definición 1.3.1 Cuando un sistema es compatible, una incógnita se dice que es principal si
se corresponde con una columna que interviene en un menor principal fijado de la matriz aso-
ciada. Las incógnitas restantes se denominan parámetros. Asimismo, las ecuaciones principales
son aquellas que se corresponden con filas que intervienen en el menor principal fijado. Estas
ecuaciones son las que debemos tener en cuenta al resolver el sistema, pudiéndose omitir las
otras (las que no sean principales).
La resolución de los sistemas de ecuaciones lineales básicamente consiste en expresar cada

incógnita principal en función de los parámetros.
1.3.3. Método de eliminación de Gauss

Diremos que dos sistemas con el mismo número de incógnitas son equivalentes, si tienen el
mismo conjunto de soluciones.
El siguiente resultado nos indica modos de obtener sistemas equivalentes a partir de un
sistema de ecuaciones dado.
Teorema 1.3.2 Si transformamos un sistema de ecuaciones lineales en otro utilizando alguna

de las siguientes operaciones:
(i) se intercambian entre si dos ecuaciones,
(ii) se multiplica una ecuación por un número distinto de cero,
(iii) a una ecuación se le añade otra multiplicada por un número,
entonces ambos sistemas tienen el mismo conjunto de soluciones.
Las tres operaciones del teorema anterior se denominan operaciones elementales.

Denotaremos:
el intercambio entre las ecuaciones i-ésima y j-ésima, como Fi ↔ Fj ,
la multiplicación de la i-ésima ecuación por el escalar no nulo α, como αFi ,
la sustitución de la i-ésima ecuación por la misma i-ésima sumándole la j-ésima multipli-

cada por el escalar α, con i 6= j, la escribimos Fi + αFj .
Utilizando transformaciones elementales todo sistema de ecuaciones lineales se transforma

en un sistema equivalente triangular, que será más fácil de resolver.
Por ejemplo, si consideramos al sistema

x1 + 2x2 + 3x3 − x4 = 9 
x1 − x2 − 2x3 + x4 = 2
−2x1 + 2x2 − x3 + x4 = 3

tenemos que su matriz asociada y su matriz ampliada son

   
1 2 3 −1 1 2 3 −1 9
 1 −1 −2 1  y  1 −1 −2 1 2 
−2 2 −1 1 −2 2 −1 1 3
respectivamente y la escritura matricial del sistema es:
 
 x1 
 
1 2 3 −1  x2  9
 1 −1 −2 1 .
   =  2 .
x3 
−2 2 −1 1 3
x4
Realizamos sobre las filas de la matriz ampliada algunas operaciones elementales y obtenemos:
  F −F   F +2F 2  
1 2 3 −1 9 2 1
1 2 3 −1 9

3
1 2 3 −1 9
 1 −1 −2 F +2F (−1)F 2 
1 2  3 1 
0 −3 −5 2 −7 
0 3 5 −2 7 
−2 2 −1 1 3 −→ 0 6 5 −1 21 −→ 0 0 5 3 7
Se tiene que rang(A) = 3 = rang(A∗ ) < 4 = nž de incógnitas. Por tanto el sistema es compatible
indeterminado, con incógnitas principales x1 , x2 y x3 y con parámetro x4 . La última matriz es
la matriz ampliada del sistema

x1 + 2x2 + 3x3 − x4 = 9 
3x2 + 5x3 − 2x4 = 7
5x3 + 3x4 = 7

que se resuelve fácilmente: x4 = α, x3 = 75 − 35 α, x2 = 35 α y x1 = 24

5
+ 75 α. Soluciones particulares
se obtienen dando valores a α.
Diremos que un sistema de ecuaciones lineales es homogéneo, si todos sus términos indepen-
dientes son nulos, es decir, si bi = 0 para todo valor de i.
Los sistemas homogéneos son siempre compatibles pues admiten la solución (0, . . . , 0), pero
pueden ser determinados o indeterminados.
1.4. DIAGONALIZACIÓN DE MATRICES 19
1.4. Diagonalización de matrices

En este capítulo, Mn (R) denotará el conjunto de la matrices cuadradas de orden n.
Definición 1.4.1 Dadas dos matrices cuadradas A, B ∈ Mn (R), se dice que son semejantes,
si es posible encontrar una matriz regular P tal que P −1 AP = B.
Dada una matriz cuadrada A = (aij ) ∈ Mn (R), trataremos de buscar una matriz diagonal D
que sea semejante a la matriz A. Esto es, trataremos de encontrar una matriz regular P ∈ Mn (R)
de forma que P −1 · A · P = D.
Definición 1.4.2 Si, para una matriz cuadrada A, es posible encontrar la correspondiente
matriz P que cumpla la propiedad indicada, entonces se dirá que la matriz A es diagonalizable.
Queremos subrayar que hay matrices cuadradas para las que no es posible encontrar la men-
cionada matriz P . En estos casos, diremos que las matrcies no son diagonalizables.
En el ámbito de la ingeniería, existen muchas aplicaciones de la diagonalización de matrices.
Muchas veces cuando se trabaja en un determinado problema que se modela con una matriz A,
resultará equivalente estudiar el mismo problema para una matriz diagonal D que sea semejante
a A. La ventaja es que manejar la matriz diagonal resulta mas sencillo.
1.4.1. Valores propios y vectores propios de una matriz

Definición 1.4.3 Dada una matriz cuadrada A = (aij ) ∈ Mn (R), llamaremos polinomio ca-
racterístico de A, denotado por PA (x), al polinomio
PA (λ) = |A − λIn |.
Ejemplo 1.4.1 Para la matriz

 
1 −1 4
A= 3 2 −1  ,
2 1 −1
se tiene
   
1 −1 4 1 0 0 1 − λ −1 4
= −λ3 +2λ2 +5λ−6.

PA (λ) = 3
 2 −1  −λ 0 1 0 = 3
  2−λ −1
2 1 −1 0 0 1 2 1 −1 − λ
De ahí que el polinomio característico de la matriz A es
PA (λ) = −λ3 + 2λ2 + 5λ − 6.
Como se verá a continuación, nos va a interesar la descomposición del polinomio en factores de

primer grado. En este caso se tiene que PA (λ) = (−1)(λ − 1)(λ − 3)(λ + 2). Como es sabido,
cuando las raíces son enteras, estos monomios se pueden obtener considerando los divisores
del término independiente −6. Por ejemplo, el 1, se como se tiene que al sustituir λ por 1
nos da cero, −13 + 2 · 12 + 5 · 1 − 6 = 0, entonces λ − 1 es un factor de la descomposición.
Esto es, PA (λ) = (λ − 1)(−λ2 + λ + 6). Restaría descomponer el polinomio de segundo grado
−λ2 + λ + 6. Esto se puede hacer obteniendo sus raíces o siguiendo el procedimiento anterior o
resolviendo la ecuación de segundo grado −λ2 + λ + 6 = 0. Como las raíces son −2 y 3, se tiene
−λ2 +λ+6 = (−1)(λ+2)(λ−3). Por lo que finalmente se tiene PA (λ) = (−1)(λ−1)(λ+2)(λ−3).
Muchas veces, aunque no siempre, existe un modo alternativo mas sencillo de obtener el po-
linomio característico y su descomposición, utilizando operaciones elementales y las propiedades
de los determinantes. Consideramos el determinante anterior

1 − λ −1 4

PA (λ) = 3
2−λ −1 .
2 1 −1 − λ
Realizamos la operación elemental F1 ↔ F1 + F3 y obtenemos

1 − λ −1 4 3−λ 0 3 − λ 1 0 1

3 2−λ −1 = 3
2−λ −1 = (3 − λ) 3 2 − λ
−1 .

2 1 −1 − λ 2 1 −1 − λ 2 1 −1 − λ
Nótese que hemos extraído factor común en la primera fila usando una propiedad de los deter-
miantes. Realizando C3 ↔ C3 − C1 sobre el último determinante, se obtiene

1 0 0
2−λ −4
PA (λ) = (3 − λ) 3 2 − λ −4 = (−1)(λ − 3) .
2 1 −3 − λ
1 −3 − λ
Realizando ahora C2 ↔ C2 + C1 sobre el último determinante, se obtiene

2 − λ −2 − λ 2−λ 1
PA (λ) = (−1)(λ − 3) = (−1)(λ − 3)(−λ − 2) .
1 −2 − λ 1 1
Por lo que finalmente se obtiene
PA (λ) = (−1)(λ − 3)(−λ − 2)(1 − λ) = (−1)(λ − 1)(λ + 2)(λ − 3),
que es el polinomio obtenido anteriormente descompuesto en producto de monomios. Esta

forma, como producto de monomios, es la que nos resultará mas útil.
Definición 1.4.4 Se denomina valor propio o autovalor de una matriz cuadrada A, a una raíz
de su polinomio característico. Esto es, λi es un valor propio de A, si λ es sustituido por λi en
PA (λ) y resulta PA (λi ) = 0.
En el ejemplo anterior, los autovalores de A son 1, 3 y −2.


1 −1
Ejemplo 1.4.2 Si consideramos la matriz B = , el polinomio característico será
0 1
PB (λ) = (λ − 1)2 . Por tanto, B tiene un único valor propio que es 1.
Definición 1.4.5 Llamaremos multiplicidad de un valor propio λi de una matriz A, al número

de veces que λi es raíz del polinomio característico PA (λ). La denotaremos por m(λi ),
Así, los tres valores propios de la matriz A, dada en un ejemplo anterior, tienen multiplicidad
1, mientras que el único autovalor de la matriz dada B tiene multiplicidad 2.
Si λ1 , λ2 , . . . , λs son los valores propios de una matriz A de orden n con multiplicidades
respectivas m(λ1 ), m(λ2 ), . . . , m(λs ), entonces el polinomio característico de A está dado por
PA (λ) = a(λ − λ1 )m(λ1 ) (λ − λ2 )m(λ2 ) . . . (λ − λs )m(λs ) ,
donde a es un número real y m(λ1 ) + m(λ2 ) + · · · + m(λs ) = n.
Definición 1.4.6 Llamaremos vector propio asociado al valor propio λi de una matriz A, a
todo vector columna V = (v1 , v2 , . . . , vn )t que satisfaga
       
v1 v1 v1 0
 v2   v2   v2   0 
       
A ·  = λi  ·  ó equivalentemente (A − λi In )  ·  =  · .
       
 ·   ·   ·   · 
vn vn vn 0
Por otro lado, se denomina subespacio propio asociado al valor propio λi al conjunto Eλi formado
por todos los vectores propios V asociados al valor propio λi .
Ejemplo 1.4.3 Para el valor propio λ = −2 del ejemplo anterior, veamos como son los vectores
propios asociados. Para ello consideramos la ecuación matricial
    
1 − (−2) −1 4 v1 0
 3 2 − (−2) −1   v2  =  0  .
2 1 −1 − (−2) v3 0
De esta ecuación se obtiene el sistema de ecuaciones homogéneo

3v1 − v2 + 4v3 = 0 
3v1 + 4v2 − v3 = 0 ,
2v1 + v2 + v3 = 0

cuyas soluciones son v1 = −α, v2 = α, v3 = α. Por tanto, el subespacio propio E−2 está dado
por
E−2 = {(−α, α, α) | α ∈ R}.
Como E−2 tiene un sólo parámetro α, se tiene que la dimensión de E−2 es 1. Un vector propio
concreto se obtiene dando un valor a α. Por ejemplo, para α = −1, se obtiene el vector propio
~v = (1, −1, −1) que está asociado al valor propio λ = −2.
La dimensión dim Eλi del subespacio propio Eλi es el número máximo de vectores propios V ,
contenidos en Eλi , que sean linealmente independientes. Esta dimensión viene dada por
dim Eλi = n − rango(A − λIn ).
Además, la dimensión dim Eλi siempre es mayor o igual que 1 y menor o igual que la multipli-
cidad del valor propio λi . Esto es,
1 ≤ dim Eλi ≤ m(λi ).
Ejemplo 1.4.4 En el ejemplo anterior, se tiene dim E−2 = 3 − rango(A − (−2) · I3 ) = 3 − 2 = 1

y, además,
1 ≤ dim E−2 = 1 ≤ m(−2) = 1.
Finalmente, aquí nos queda señalar que dos vectores propios no nulos, V1 y V2 , asociados
respectivamente a dos valores propios distintos, λ1 y λ2 , son linealmente independientes.
1.4.2. Caracterización de matrices diagonalizables

Una condición necesaria y suficiente para que una matriz sea diagonalizable está dada a
continuación.
Teorema 1.4.1 Una matriz cuadrada A ∈ Mn (R) es diagonalizable (en Mn (R)) si y sólo si
todos los valores propios de A son reales y para cada valor propio λi se verifica que dim Eλi =
m(λi ) (para todo valor propio, la dimensión del subespacio propio coincide con la multiplicidad).
Un enunciado equivalente es el siguiente.
Teorema 1.4.2 Una matriz cuadrada A ∈ Mn (R) es diagonalizable (en Mn (R)) si y sólo si
todos los valores propios de A son reales y se pueden encontrar n vectores propios linealmente
independientes.
Una situación particular es la siguiente.
Proposición 1.4.1 Toda matriz simétrica real es siempre diagonalizable.
Ejemplo 1.4.5 Para la matriz A dada en los ejemplos anteriores, se tiene: dim E1 = 3 −
rango(A − 1 · I3 ) = 1 = m(1), dim E3 = 3 − rango(A − 3 · I3 ) = 1 = m(3) y dim E−2 =
3 − rango(A + 2 · I3 ) = 1 = m(−2). Por tanto, A es diagonalizable.

0 −1
Sin embargo, dim E1 = 2 − rango(B − 1 · I2 ) = 2 − rango = 1 6= m(1) = 2. Por
0 0
tanto, la matriz B no es diagonalizable.
Antes ya se señaló que para toda matriz cuadrada A y todo autovalor λi de A se verifica
1 ≤ dim Eλi ≤ m(λi ). Así, si un autovalor λi tiene multiplicidad 1, se tiene que 1 ≤ dim Eλi ≤
m(λi ) = 1 y de aquí que dim Eλi = m(λi ) = 1.
Proposición 1.4.2 Si una matriz real de orden n × n tiene n autovalores reales distintos,
entonces la matriz es diagonalizable.
Si la matriz A es diagonalizable sabemos que tiene que existir P ∈ Mn (R) tal que P −1AP =
D, siendo D una matriz diagonal.
¿Cómo se determinan D y P ?. La matriz D es una matriz diagonal cuya diagonal prin-
cipal está formada por los autovalores de A, repetidos cada uno tantas veces como indica su
multiplicidad.
Ejemplo 1.4.6 Para la matriz A, dada en ejemplos anteriores, podemos tomar

 
1 0 0
D1 =  0 3 0 .
0 0 −2
Tambien podríamos tomar  
−2 0 0
D2 =  0 1 0  .
0 0 3
El orden de los elementos en la diagonal condicionará el orden de las columnas de la matriz P .

Veamos ahora como determinar las columnas de P . Dichas columnas serán vectores propios
linealmente independientes y se dispondrán en un orden que corresponda con el orden en que
aparecen los valores propios λi en la matriz diagonal D. Así, para cada autovalor λi , si V =
(v1 , . . . , vn )t es un autovector asociado a λi , entonces
       
v1 v1 v1 0
 ·   ·   ·   · 
       
A·  ·  = λi ·  ·  ,
   ó  ·  =  · .
(A − λi In ) ·    
 ·   ·   ·   · 
vn vn vn 0
El sistema homogéneo que se obtiene tendrá dim Eλi = m(λi ) parámetros. Dando el valor
1 al primer parámetro de los que dependen las soluciones y 0 a los restantes parámetros,
obtendremos una primera solución (v1 , . . . , vn ) del sistema. Haciendo lo mismo para el segundo
parámetro, el tercero, etc., tendremos al final m(λi ) vectores propios linealmente independientes.
La matriz requerida P se obtendrá colocando ordenadamente estas soluciones como columnas
P.
Ejemplo 1.4.7 Para la matriz A usada en ejemplos anteriores, tendremos que hacer lo siguien-
te:
Para el autovalor λ1 = 1, hemos de resolver el sistema
      
0 −1 4 v1 0 −v2 + 4v3 = 0 
 3 1 −1  ·  v2  =  0  , esto es, 3v1 + v2 − v3 = 0 ,
2 1 −2 v3 0 2v1 + v2 − 2v3 = 0

obtenido considerando la matriz A − 1 · I3 . Las soluciones de este sistema son de la forma

(v1 , v2 , v3 ) = (−α, 4α, α) y dependen de 1 = m(λ1 ) parámetro. Dando al parámetro α el valor
1, tenemos el vector propio (−1, 4, 1) que está asociado al autovalor 1.
Para el autovalor 3, hemos de resolver el sistema
      
−2 −1 4 v1 0 −2v1 − v2 + 4v3 = 0 
 3 −1 −1  ·  v2  =  0  , esto es, 3v1 − v2 − v3 = 0 ,
2 1 −4 v3 0 2v1 + v2 − 4v3 = 0

obtenido considerando la matriz A − 3 · I3 . Las soluciones de este sistema son de la forma

(v1 , v2 , v3 ) = (β, 2β, β) y dependen de 1 = m(3) parámetro. Dando al parámetro β el valor 1,
tenemos el vector propio (1, 2, 1) que está asociado al autovalor 3.
Para el autovalor −2, hemos de resolver el sistema
      
3 −1 4 v1 0 3v1 − v2 + 4v3 = 0 
 3 4 −1  ·  v2  =  0  , esto es, 3v1 + 4v2 − v3 = 0 ,
2 1 1 v3 0 2v1 + v2 − v3 = 0

obtenido considerando la matriz A − (−2) · I3 . Las soluciones de este sistema son de la forma
(v1 , v2 , v3 ) = (−γ, γ, γ) y dependen de 1 = m(−2) parámetro. Dando al parámetro γ el valor 1,
tenemos el vector propio (−1, 1, 1) que está asociado al autovalor −2.
De lo anterior se tiene  
1 0 0
D1 =  0 3 0  = P1−1 AP1 ,
0 0 −2
donde  
−1 1 −1
P1 =  4 2 1 .
1 1 1
También se tiene  
−2 0 0
D2 =  0 1 0  = P2−1 AP2 ,
0 0 3
donde  
−1 −1 1
P2 =  1 4 2 .
1 1 1
1.5. PROBLEMAS 25
1.5. Problemas
1. Consideramos las siguientes matrices:
   
2 3 7 4
4 −2 3 −1 6
A= , B= , C =  12 6 5  , D =  1  .
7 0 8 −2 1
1 3 6 5
Justifica si las siguientes operaciones están bien definidas y realiza aquellas que sí lo están:
A2 , A.B, B.A, 5D, 3C − 7D, −B.
2. Calcula, usando operaciones elementales, los determinantes de las siguientes matrices:
   
1 0 −1 2 2 3
(i) A =  2 2 −1 ; (ii) B =  1 −1 0 ;
1 0 0 −1 2 1
 
1 0 0 0  
 1 2 0 0  1 −1 0
(iii) C=  1 1 3 0 ;
 (iv) D= 1 0 −1 .
−6 2 3
1 1 1 4
 
2 1 −3 0
 3 5 −2 1 
(v) E=  −1 3 −1 −1 .

4 0 −1 3
3. Determina si las siguientes matrices son inversibles y calcula la inversa de aquellas que
son regulares:
   
1 0 −1 2 2 3
(i) A =  2 2 −1  , (ii) B =  1 −1 0 .
1 0 0 −1 2 1
 
1 0 0 0  
 1 2 0 0  1 −1 0
(iii) D=  1 1 3 0 
; (iv) E =  1 0 −1 .
−6 2 3
1 1 1 4
4. Calcula el rango de las siguientes matrices, usando el método de triangulización de Gauss:
   
1 8 −1 2 −2 33
2
(i) A =  12 2 −1 ; (ii) B =  13 −1 0 ;
1 0 10 −1 2 11
 
1 0 −5 0
 1 2 0 0 
(iii) D=  1 1
.
3 0 
1 1 −1 4
5. Calcula el rango de las siguientes matrices, usando el método de triangulización de Gauss:

   
1 2 3 4 5 5 2 20 −2 8
 2 3 4 5 6   8 2 10 0 −6 
(i) A=  3 4 5 6 7 ;
 (ii) B =  2
;
2 2 −1 −3 
4 5 6 7 8 3 −1 5 1 0
6. Usa el método de eliminación de Gauss para resolver los sistemas de ecuaciones lineales:

x−z = 0 
2x + 3y = 13
(i) ; (ii) 3x + y = 1 .
x − y = −1
−x + y + z = 4

7. Aplicando los métodos de Gauss, discutir cada uno de los siguientes sistemas y busca sus
soluciones en caso de tenerlas:

2x + 2y = 5 −x + y = 1 x − 3y + z = 1
(i) ; (ii) ; (iii) ;
x − 4y = 0 x+y =2 x + y + 2z = 14
 
4y + z = 20 
 2x + z + w = 5 

−x − y = 1 2x − 2y + z = 0 y − w = −1
 
(iv) ; (v) ; (vi) .
−3x − 3y = 2 x+z =5   3x − z − w = 0 
x + y − z = 10 4x + y + 2z + w = 9
 
8. Estudia si las siguientes matrices son diagonalizables y, en caso afirmativo, encuentra la

matriz diagonal y la matriz de paso asociada:
 
1 −1 −1 1  
 0 1 0 0
0 −1 1  
(i) A=  0 −1 ; (ii) B= 0 1 0 ;
0 1 
−2 −4 −1
0 0 0 1
 
1 0 0 0  
 0 1 5 −10  1 3 0
(iii) C=  1 0 2
; (iv) E= 3 1 0 .
0 
0 0 −2
1 0 0 3
9. Estudiar si las siguientes matrices son diagonalizables y, en caso afirmativo, para cada
matriz X donde X = A, B, C, E, hallar una matriz regular P y una matriz diagonal D
tal que P −1 XP = D.
   
0 −1 −1 1 −5 1 1 6
 1 0 1 −3   −1 2 −1 3 
A=
 −2
, B= ,
0 −1 2   9 0 3 −9 
−1 −1 −1 2 1 1 1 0
   
−1 2 2 0 1 −2 −2 0
 −2 1 −2 6   −1 1 2 2 
C=
 6 0
, E= .
3 −6   1 0 −1 −2 
2 2 2 −3 −1 −2 −2 −1
Capítulo 2
Geometría
A lo largo del curso consideraremos el plano afín euclídeo (o simplemente el plano) y el

espacio afín euclídeo tridemsional (o el espacio tridimensional). Sus elementos se denominarán
puntos que se representarán por letras mayúsculas P , Q, R etc. Nociones básicas en estos
espacios son el concepto de recta, de plano y la distancia entre dos puntos. A lo largo de este
curso, estos conceptos los supondremos conocidos de manera intuitiva.
2.1. Vectores
2.1.1. Definición de vector
Comenzaremos estableciendo el concepto de vector, válido tanto en el plano como en el
espacio tridimensional. Motivaciones para dicho concepto las podemos encontrar en la física.
Por un lado, hay magnitudes denominadas escalares, tales como la masa, el volumen, la energía,
la temperatura, etc; que quedan completamente descritas por un número. Por otro lado, hay
magnitudes denominadas vectoriales, como la velocidad, la aceleración, la fuerza, el campo
eléctrico, etc., que para ser descritas necesitan, además de un dato numérico, información sobre
su dirección.
Definición 2.1.1 Dados dos puntos A y B (ambos del plano, o bien ambos del espacio tridi-
−→
mensional), llamaremos vector AB al segmento orientado que tiene por origen el punto A y por
extremo el punto B. Cuando el origen y el extremo coinciden en un mismo punto P , se tiene el
−→ − →
vector nulo, denotándose P P = 0 .
AB
A
Los datos relevantes de un vector son:
27
28 CAPÍTULO 2. GEOMETRÍA
−→
- Módulo: Es la distancia entre el origen y el extremo del vector. Se denota por kABk.
- Dirección: Está determinada por la recta que contiene al vector. Dos vectores se dicen
que tienen la misma dirección, si las respectivas rectas que los contienen son paralelas o
coinciden.
- Sentido: Indica cómo se recorre la recta sobre la que está el vector. Así, el sentido del
−→
vector AB indica que la recta mencionada se recorre desde el origen A hacia el extremo
−→
B. Mientras que el sentido del vector BA indica que la recta se recorre en sentido inverso.
−→ −→
Los vectores AB y BA tienen la misma dirección y sentidos distintos.
Obsérvese que el módulo del vector nulo es 0, mientras que no tiene dirección ni sentido
determinados.
Como el módulo, la dirección y el sentido deben caracterizar a un vector, podemos establecer
lo siguiente.
Definición 2.1.2 Dos vectores no nulos diremos que son iguales cuando tienen el mismo mó-
dulo, la misma dirección y el mismo sentido
−→ −→
La denominada regla del paralelogramo establece que dos vectores P Q y SR son iguales si
−→ −→
y sólo si lo son P S y QR.
P
Q PQ = SR PS = QR
S
Además es importante resaltar que, por convenio, para denotar este paralelogramo se enu-
merarán sus puntos de manera circular. Esto es, se podrá llamar P QRS, P SRQ, QRSP , etc.
2.1.2. Operaciones con vectores

Ahora introducimos dos operaciones básicas: la suma de vectores y el producto de un número
real (que se denominará en adelante escalar) por un vector. La siguiente definición de estas
operaciones es válida tanto en el plano como en el espacio tridimensional.
Definición 2.1.3 La suma de dos vectores ~u y ~v es el vector ~u + ~v obtenido poniendo ~v a

continuación de ~u. Esta suma también se puede obtener trazando la diagonal del paralelogramo
que determinan representantes de ~u y ~v con igual origen.
v u+v
v
u
2.1. VECTORES 29
Propiedades de la suma de vectores:

(i) Asociativa: ~u + (~v + w) ~ para todos ~u, ~v , w
~ = (~u + ~v) + w, ~ vectores.
~
(ii) Elemento neutro o cero: ~u + 0 = ~u, para todo vector ~u.
(iii) Elemento simétrico u opuesto: ~u + (−~u) = ~0, para todo vector ~u, donde −~u es un vector
con el mismo módulo y la misma dirección que ~u pero con sentido contrario al de ~u.
(iv) Conmutativa: ~u + ~v = ~v + ~u, para todos ~u, ~v vectores.
Definición 2.1.4 El producto de un escalar a ∈ R por un vector ~u es un nuevo vector a~u tal
que:
a) Su módulo es el valor absoluto de a por el módulo de ~u. Esto es, ka~uk = |a|.k~uk.
b) Su dirección coincide con la de ~u.
c) Si a > 0, el sentido de a~u coincide con el de ~u. En cambio, si a < 0, el sentido de a~u será
el opuesto al de ~u.
-2 w
3/2 w
Producto de un número real por un vector
Si a = 0 ó ~u = ~0, entonces a~u = ~0.

Propiedades del producto de un escalar por un vector:
(i)′ Asociativa: a(b~u) = (ab)~u, para todo vector ~u y escalares a, b.
(ii)′ Distributiva respecto al escalar: (a + b)~u = a~u + b~u, para todo vector ~u y escalares a, b.
(iii)′ Distributiva respecto al vector: a(~u + ~v ) = a~u + a~v , para todo escalar a y vectores ~u,
~v.
(iv)′ Productos distinguidos: 0 ~u = ~0 y 1 ~u = ~u, para todo vector ~u. Obsérvese que (−1)~u =
−~u.
Por último, debemos señalar que todos los vectores del plano junto con las operaciones defi-
nidas, forman lo que en Matemáticas se llama un espacio vectorial por satisfacer las propiedades
antes indicadas. Lo mismo sucede con los vectores del espacio tridimensional.
2.1.3. Dependencia lineal. Bases

Una expresión de la forma a1~u1 + a2~u2 + · · · + an ~un , donde a1 , a2 , . . . , an son escalares y ~u1 ,
~u2 , . . . , ~un vectores, será llamada combinaciones lineale de los vectores ~u1 , ~u2 , . . . , ~un . Existe
una combinación lineal trivial, cuando a1 = a2 = · · · = an = 0, que se llamará combinación
lineal nula de ~u1 , ~u2 , . . . , ~un .
Las combinaciones lineales nos permitirán introducir las importantes nociones de dependen-
cia e independencia lineal.
Definición 2.1.5 Un conjunto de vectores ~u1 , ~u2, . . . , ~un serán linealmente dependientes cuan-
do uno ellos sea combinación lineal de los demás. Por ejemplo, cuando ~un = a1 ~u1 +· · ·+an−1~un−1,
donde a1 , . . . , an−1 son escalares. Finalmente, diremos que los vectores ~u1 , . . . , ~un son linealmen-
te independientes cuando no son linealmente dependientes.
De esta definición se deduce directamente que el vector nulo es linealmente dependiente con
cualquier otro vector, ~0 = 0 w.
~
Nota 2.1.1
- Dos vectores ~u y ~v son linealmente dependientes cuando ~u = a~v ó ~v = a~u, donde a es un

escalar. Ello equivale a que ~u y ~v sean vectores paralelos.
- Tres vectores ~u, ~v y w

~ son linealmente dependientes cuando uno de ellos es combinación
lineal de los otros dos. Por ejemplo, cuando ~u = a~v +bw.
~ Esto implica que ~u está contenido
en un plano que contenga a ~v y w. ~ Por tanto, la dependencia lineal de tres vectores
geométricamente significa que los tres vectores pueden ser incluidos en un mismo plano
(son coplanarios).
A partir de lo dicho en la nota anterior, se puede afirmar lo siguiente.
Proposición 2.1.1 El número máximo de vectores independientes en el plano es 2, mientras

que el número máximo de vectores independientes en el espacio tridimensional es 3. Esto se
resume diciendo que el plano tiene dimensión 2 y el espacio tridimensional tiene di-
mensión 3.
Ahora introducimos el concepto de base de vectores.
Definición 2.1.6 Una base en el plano es un conjunto de 2 vectores independientes. Una base
en el espacio tridimensional es un conjunto de 3 vectores independientes.
La principal propiedad de una base es la siguiente.
Proposición 2.1.2 Dada una base en el plano (espacio tridimensional) y un vector en el plano
(espacio tridimensional), entonces dicho vector se expresa de forma única como combinación
lineal de los vectores de la base dada.
Por tanto, fijada una base del plano (espacio tridimensional), todo vector está caracterizado
por un único par (terna) números reales.
2.1. VECTORES 31
Definición 2.1.7 Fijada una base B = {~e1 , ~e2 } del plano, se llamarán componentes de un
vector ~s al único par de números reales (a1 , a2 ) tal que ~s = a1~e1 + a2~e2 . Análogamente, fijada
una base B = {~e1 , ~e2 , ~e3 } del espacio tridimensional, se llamarán componentes de un vector ~s a
la única terna de números reales (a1 , a2 , a3 ) tal que ~s = a1~e1 + a2~e2 + a3~e3 .
En el plano, fijada una base B = {~e1 , ~e2 }, si las componentes de un vector ~u son (u1 , u2),
se suele escribir ~u = (u1 , u2). En este sentido ~e1 = (1, 0), pues ~e1 = 1 ~e1 + 0 ~e2 . Análogamente
~e2 = (0, 1) y ~0 = (0, 0). De forma análoga, si en el espacio tridimensional se fija una base
B = {~e1 , ~e2 , ~e3 }, podemos escribir ~e1 = (1, 0, 0), ~e2 = (0, 1, 0), ~e3 = (0, 0, 1) y ~0 = (0, 0, 0).
Por otro lado, las componentes de los vectores funcionan bien con respecto a las operaciones.
Las siguientes propiedades enunciadas en el plano (en el espacio tridimensional es similar) son
de muy fácil demostración:
- Si ~u = (u1 , u2 ) y ~v = (v1 , v2 ), entonces ~u + ~v = (u1 + v1 , u2 + v2 ).

- Si ~u = (u1 , u2 ) y a ∈ R, entonces a~u = (au1 , au2 ).
Así, si ~u = (u1 , u2 ), ~v = (v1 , v2 ) y a, b ∈ R, entonces a~u + b~v = (au1 + bv1 , au2 + bv2 ).
Ejemplo 2.1.1 Dados ~u = (1, 2, −3) y ~v = (−2, 1, 5), entonces
2~u + (−3)~v = 2(1, 2, −3) + (−3)(−2, 1, 5) = (8, 1, −21).
Para ver si una familia de vectores es independiente basta con estudiar el rango de la matriz
formada por las componentes de esos vectores. En efecto:
- Dos vectores ~u = (u1 , u2) y ~v = (v1 , v2 ) del plano son independientes, si

u1 v1 u1 v1
Rang = 2, o equivalentemente si 6= 0.
u2 v2 u2 v2
- Dos vectores ~u = (u1 , u2 , u3 ) y ~v = (v1 , v2 , v3 ) del espacio tridimensional son independien-

tes, si  
u1 v1
Rang  u2 v2  = 2.
u3 v3
- Tres vectores ~u = (u1 , u2, u3 ), ~v = (v1 , v2 , v3 ) y w

~ = (w1 , w2 , w3 ) del espacio tridimensional
son independientes, si
 
u1 v1 w1 u1 v1 w1

Rang  u2 v2 w2  = 3, o equivalentemente, si u2 v2 w2 6= 0.
u3 v3 w3 u3 v3 w3
Ejemplo 2.1.2
(i) Sean los vectores ~u = (0, 1) y ~v = (2, 1). Como se tiene

0 2
= −2 6= 0.
1 1
~u y ~v son linealmente independientes.

(ii) Sean los vectores ~u = (1, 0, 1) y ~v = (0, 2, 1). Como se tiene
 
1 0
Rang  0 2  = 2,
1 1
~u y ~v son linealmente independientes.
(iii) Sean los vectores ~u = (1, 0, 1), ~v = (0, −1, 1) y w
~ = (1, 1, 0). Como se tiene

1 0 1

0 −1 1 = 0,

1 1 0
~u, ~v y w
~ son linealmente dependientes.
(iv) Sean los vectores ~u = (1, 0, 1), ~v = (0, 1, 1) y w
~ = (1, 1, 0). Como se tiene

1 0 1

0 1 1 = −2 6= 0,

1 1 0
~u, ~v y w
~ son linealmente independientes.
Tanto en el plano como en el espacio tridimensional es habitual trabajar con las bases
formadas por vectores de módulo 1 y perpendiculares u ortogonales entre sí.
Definición 2.1.8 Se denomina base ortonormal, a aquella cuyos vectores son unitarios (de
módulo 1) y tienen direcciones perpendiculares entre sí.
Nota 2.1.2 Tanto en geometría como en física, se suele trabajar en el plano con la base orto-
normal constituida por los vectores unitarios {~i, ~j}, donde ~i es horizontal y con sentido hacia
la derecha y ~j es vertical y con sentido hacia arriba. Asímismo, en el espacio tridimensional, se
considera usualmente la base ortonormal {~i, ~j, ~k}, donde el sentido del vector ~k es el resultante
de girar el vector ~i sobre el vector ~j como si se tratara de un "sacacorchos".
j k
i j
i
2.1. VECTORES 33
2.1.4. Producto escalar

A partir de ahora, salvo que indiquemos otra cosa, trabajaremos siempre con la base {~i, ~j}
en el plano y con la base {~i, ~j, ~k} en el espacio tridimensional, expresando todos los vectores
en función de componentes con respecto a dichas bases. Bajo estas premisas definiremos el
producto escalar que, como su nombre indica, va a ser un número real.
Definición 2.1.9 Dados dos vectores ~u y ~v , llamaremos producto escalar de ~u y ~v al producto

de los módulos de ambos vectores por el coseno del ángulo que forman.
~u · ~v = k~ukk~vk cos(~u, ~v).
Propiedades del producto escalar:

(i) ~u · ~u = 0 si y sólo si ~u = ~0.
(ii) Conmutativa: ~u · ~v = ~v · ~u, para todo par de vectores ~u, ~v .
(iii) a (~u · ~v ) = (a ~u) · ~v = ~u · (a ~v ), para todo escalar a y todo par de vectores ~u, ~v .
(iv) Distributiva: ~u · (~v + w) ~ para toda terna de vectores ~u, ~v , w.
~ = (~u · ~v ) + (~u · w), ~
Obsérvese que ~0 · ~u = 0 = ~u · ~0, para todo vector ~u. Además, que ~i · ~i = ~j · ~j = ~k · ~k = 1 y

~i · ~j = ~i · ~k = ~j · ~k = 0.
Cálculo de componentes respecto de la base ortonormal {~i, ~j, ~k}: Dado ~u = (u1 , u2 , u3), se tiene
que u1 = ~u · ~i, u2 = ~u · ~j y u3 = ~u · ~k.
Si ~u = u1~i + u2~j + u3~k y ~v = v1~i + v2~j + v3~k, usando las propiedades anteriores, se deduce
~u · ~v = u1 v1 + u2 v2 + u3 v3 .
Esta es la expresión del producto escalar en términos de componentes. En particular, si ~u y ~v

son del plano ~i ~j, la expresión anterior sería ~u · ~v = u1 v1 + u2 v2 .
Ejemplo 2.1.3 Dados ~v = (2, 3) y w

~ = (1, −1), entonces
~v · w
~ = 2 · 1 + 3 · (−1) = −1.
Por otro lado, si ~a = (1, 0, −2) y ~b = (1, 2, 3), entonces
~a · ~b = 1 · 1 + 0 · 2 + (−2) · 3 = −5.
Utilizando el producto escalar, se puede obtener una expresión para calcular el módulo de
un vector. En efecto, dado un vector ~u = u1~i + u2~j + u3~k, se tiene
~u · ~u = k~uk k~uk 1.
Por tanto,
√ q
k~uk = ~u · ~u = u21 + u22 + u23 .
√ p
En el plano, la expresión correspondiente es k~uk = ~u · ~u = u21 + u22 .
Nótese que, dado un vector ~u = u1~i+u2~j +u3~k, siempre es posible obtener un vector unitario
1
con igual dirección y sentido que ~u. Este vector no sería otro que ~u.
k~uk
Por otro lado, se observa que dos vectores ~u y ~v son perpendiculares si y sólo si ~u · ~v = 0.
Para dos vectores paralelos ~u y ~v se tiene ~u · ~v = k~ukk~v k.
√ √
Ejemplo 2.1.4 Sea ~u = (1, 2, 3), su módulo es k~uk = 12 + 22 + 32 = 14. Vectores unitarios
paralelos a ~u son
( √114 , √214 , √314 ), (− √114 , − √214 , − √314 ).
El primero tiene el mismo sentido que ~u y el segundo tiene sentido opuesto al de ~u.
El vector ~v = (−2, 1, 0) es perpendicular a ~u, ya que ~v · ~u = (−2) · 1 + 1 · 2 + 0 · 3 = 0.
2.1.5. Producto vectorial

Definición 2.1.10 Dados dos vectores ~u y ~v del espacio tridimensional, su producto vectorial
es un nuevo vector ~u × ~v tal que:
(i) Su módulo es el producto de los módulos de los dos vectores por el seno del ángulo que
forman. Esto es,
k~u × ~vk = k~ukk~vk sen(~u, ~v).
(ii) Su dirección es perpendicular a ~u y ~v . Esto es, ~u · (~u × ~v ) = 0 y ~v · (~u × ~v ) = 0.
(iii) Su sentido está determinado por la regla del sacacorchos: el resultante de girar el vector
~u sobre el vector ~v como si se tratara de un "sacacorchos".
A partir de la definición del producto vectorial se tiene

~i × ~j = ~k = −~j × ~i, ~k × ~i = ~j = −~i × ~k, ~j × ~k = ~i = −~k × ~j.
Propiedades del producto vectorial:
(i) Anticonmutativa: ~u × ~v = −~v × ~u, para todo par de vectores ~u, ~v.
(ii) Distributiva: ~u × (~v + w) ~ para toda terna de vectores ~u, ~v , w.

~ = (~u × ~v ) + (~u × w), ~
(iii) (a~u) × ~v = ~u × (a~v ) = a(~u × ~v), para todo escalar a y todo par de vectores ~u, ~v.
2.1. VECTORES 35
Dados ~u = u1~i + u2~j + u3~k y ~v = v1~i + v2~j + v3~k, usando las propiedades del producto
vectorial, se tiene que la expresión del producto vectorial en términos de componentes está
dada por
u2 u3 u3 u1 u1 u2
~u × ~v = ~i + ~ ~
v2 v3 v3 v1 j + v1 v2 k.
Para ayudar a recordarla, la última expresión se suele escribir:
~i ~j ~k

~u × ~v = u1 u2 u3 .
v1 v2 v3
Ejemplo 2.1.5 Si ~u = (1, 2, 3) y ~v = (−2, 1, 1), entonces
~i ~j ~k

~u × ~v = 1 2 3 = −1~i − 7 ~j + 5~k = (−1, −7, 5).

−2 1 1
Nótese que (−1, −7, 5) es ortogonal a (1, 2, 3) y a (−2, 1, 1).
Nota 2.1.3 Si dos vectores ~u y ~v son paralelos, entonces ~u × ~v = ~0.

Si ~u y ~v son perpendiculares, k~u × ~vk = k~ukk~vk.
Una interpretación geométrica del producto vectorial viene dada por el cálculo del área de
−→ −−→
un paralelogramo. Si consideramos dos vectores AB y AD representantes de ~u y ~v con mismo
origen, formamos el paralelogramo ABCD.
D C
v
H u
El área del paralelogramo ABCD viene dado por

−→ −−→
Área ABCD = kABk kDHk,
−−→ −−→
donde H es el punto señalado en la anterior figura. Como kDHk = kADk sen α, simplemente
sustituyendo obtenemos que
−→ −−→ −→ −−→
Área ABCD = kABk kADk sen α = kAB × ADk = k~u × ~vk.
2.1.6. Problemas
En estos ejercicios supondremos fijadas, salvo indicación adicional, la base {~i, ~j} en el plano
y la base {~i, ~j, ~k} en el espacio tridimensional. Además, adoptaremos el siguiente convenio de
−→ −→
notación: que dado un vector − →
u = P Q, diremos que Q = P + P Q = P + − →u . Es decir, que
cuando al punto P le aplicamos el vector ~u, trazándolo con origen en P , el extremo del vector
obtenido es el punto Q.
1. Averiguar si los vectores ~u = (2, 1, 3), ~v = (3, 2, 1) y w

~ = (1, 0, 0) son linealmente inde-
pendientes. Expresar el vector (1, 1, 3) como combinación lineal de dichos vectores.
2. Encontrar un escalar a tal que el vector (a, 1, −1) dependa linealmente de los vectores
(1, 1, 0) y (0, 1, 1).
3. Calcular las componentes del vector 2~u − 3~v respecto de la base formada por los vectores
−~u, ~v + w
~ y ~v − w,
~ siendo ~u = (−1, 0, 1), ~v = (3, 1, −1) y w
~ = (−1, 1, 0).
4. Encontrar todos los vectores unitarios proporcionales a ~u = (1, 2, 3).
5. Encontrar un vector de módulo 5 que sea perpendicular a (2, 1, 3) y (−1, 1, 0). ¿Cuántos
hay?
√ √
~ = (0, 2/2, 2/2) de manera que ~u, ~v y
6. Encontrar dos vectores ~u, ~v perpendiculares a w
~ formen una base ortonormal.
w
7. En el espacio tridimensional, dados los vectores ~u = (−1, 0, 1), ~v = (3, 2, 1) y w

~ = (0, 1, 1)
a) Dar un vector unitario en la misma dirección que la de ~u = (−1, 0, 1)

b) Dar un vector perpendicular a ~u y ~v .
c) Probar que {~u, ~v , w}
~ forman una base de vectores en el espacio tridimensional.
d ) Hallar las componentes del vector ~a = (1, 2, 3) respecto de la base {~u, ~v , w}.
~
8. Determinar los escalares a para los que el producto vectorial (1, a, 0) × (−1, 1, 0) sea un
vector unitario.
−→
9. En el espacio tridimensional, se tiene el paralogramo ABCD de modo que AB = (1, 1, 1)
−−→
y AD = (1, 1, 2). Calcular el área del paralelogramo ABCD. Usar este dato para calcular
el área del triángulo ABC.
10. Calcular el producto vectorial de ~u = (1, 0, −1) y ~v = (1, −1, 0).

2.2. GEOMETRÍA EN EL PLANO 37
2.2. Geometría en el plano

En esta sección desarrollaremos técnicas para trabajar con puntos, rectas y otras nociones
básicas, consideradas dentro del plano.
2.2.1. Sistema de referencia cartesiano rectagular. Coordenadas

En esta sección consideraremos la referencia cartesiana rectangular R = {O;~i, ~j}, donde O
es un punto fijado e {~i, ~j} es la base descrita en la nota 2.1.2 de la sección anterior.
−−→
Dado un punto X del plano sabemos que el vector OX, denominado vector posición del
punto X, se puede expresar de manera única como combinación lineal de los vectores de la base
fijada {~i, ~j}.
Definición 2.2.1 Se llaman coordenadas de un punto X respecto a R al único par de escalares

−−→
(x, y) verificando que OX = x~i + y~j (o equivalentemente X = O + x~e1 + y~e2). Escribiremos
X(x, y).
X=(5/2,2)
j OX = 5/2 i + 2 j
Así, las coordenadas del origen de coordenadas son O(0, 0) (pues O = O + 0~i + 0 ~j2 ). Si
llamamos P = O + ~i y Q = O + ~j, las coordenadas de estos puntos son P (1, 0) y Q(0, 1).
Si tenemos dos puntos con sus respectivas coordenadas, P (p1 , p2 ) y Q(q1 , q2 ), entonces las
−→
componentes del vector que une dichos puntos vienen dadas por P Q = (q1 − p1 , q2 − p2 ). En
efecto,
−→ −→ −→ −→ −→
P Q = P O + OQ = −OP + OQ = (q1 − p1 )~i + (q2 − p2 )~j.
La recta que pasa por el origen O y tiene ~i como vector director, se denomina eje de abscisas.
En cambio, la recta que pasa por el origen O y tiene ~j como vector director, se denomina eje
de ordenadas.
2.2.2. Ecuaciones de una recta

Dada una recta r del plano. Si tomamos dos puntos distintos P y Q de r, podemos considerar
−→
el vector P Q que será paralelo a r.
Definición 2.2.2 Se define vector director de una recta r a todo vector ~v no nulo que sea
paralelo a r.
−→
Así, el vector P Q = (q1 − p1 , q2 − p2 ), considerado anteriormente, es un vector director de r.
Ecuaciones paramétricas de una recta: Si conocemos un punto P (p1, p2 ) y un vector

director ~v = (v1 , v2 ) de r, se pueden obtener las ecuaciones de r. En efecto, si X(x, y) es un
−−→ −−→
punto cualquiera de r, entonces el vector P X es paralelo a ~v. Por lo que P X = λ~v, donde λ es
un escalar. En coordenadas,
x − p1 = λv1 ,
y − p2 = λv2 .
Pasando las coordenadas del punto P al segundo miembro, se obtienen unas ecuaciones para-
métricas de r:
x = p1 + λv1 ,
r≡
y = p2 + λv2 .
Ecuación general o implícita de una recta: De las ecuaciones paramétricas de una recta
r, se obtiene
x − p1 = λv1 ,
y − p2 = λv2 .
Por tanto, se tiene que
x − p1 v1
y − p2 v2 = 0.

De esto último, se obtiene

v2 (x − p1 ) − v1 (y − p2 ) = 0.
Operando sobre esta igualdad, se tiene que
v2 x − v1 y + p2 v1 − p1 v2 = 0.
Denotando ahora a = v2 , b = −v1 y c = p2 v1 − p1 v2 , se obtiene una ecuación general (o

implícita) de la recta
r ≡ ax + by + c = 0.
Obsérvese que el vector ~a = (a, b) = (v2 , −v1 ) es perpendicular a r. En efecto, ~a · ~v = v2 v1 +
(−v1 ) v2 = 0.
A partir de un vector ~a = (a, b) perpendicular y un punto P (p1 , p2 ) de la recta r, una
ecuación implícita también se puede obtener considerando lo siguiente. Si X(x, y) es punto
−−→
cualquiera de r, entonces ~a · P X = 0. Por tanto,
r ≡ a(x − p1 ) + b(y − p2 ) = 0.
Nota 2.2.1 La ecuación general de la recta que pasa por dos puntos P y Q puede obtenerse
de una manera más directa.
−−→ −→
Sabemos que P X = (x − p1 , y − p2 ) es proporcional a P Q = (q1 − p1 , q2 − p2 ) si y sólo si

x − p1 y − p2
q1 − p1 q2 − p2 = 0.

Pero es simple comprobar que este determinante coincide con

x y 1

p1 p2 1 = 0

q1 q2 1
y basta desarrollarlo para obtener de nuevo la ecuación implícita de r.
Despejando el parámetro λ en las ecuaciones paramétricas de una recta, se obtiene una

ecuación continua de la recta
x − p1 y − p2
r≡ = .
v1 v2
Si en la ecuación general de una recta r, despejamos la coordenada y
a c
r ≡ y = − x− ,
b b
se obtiene lo que clásicamente se denomina la ecuación explícita de una recta. Recordando que
a = v2 y b = −v1 , la ecuación explícita se escribe
r ≡ y = mx + n,
donde m = vv12 . Se dice que m es la pendiente y n es la ordenada en el origen de r. La pendiente

expresa el valor de la tangente del ángulo que forma r con el eje de abcisas OX y el punto de
coordenadas (0, n) es el punto de corte de r con el eje de ordenadas OY .
Ejemplo 2.2.1 En el plano, para calcular las ecuaciones de la recta r que pasa por el punto
P (1, 2) y tiene por vector director a ~u = (2, 3) basta con sustituir esas coordenadas y compo-
nentes. Así,

x = 1 + 2λ, x−1 y−2
r≡ (ecuación paramétrica); r≡ = , (ecuación continua);
y = 2 + 3λ, 2 3
3 1
r ≡ 3x − 2y + 1 = 0, (ecuación implícita); r ≡y = x+ , (ecuación explícita).
2 2
Ejemplo 2.2.2 En el plano, calculemos la ecuación general de la recta r que pasa por los
puntos P (1, 2) y Q(3, 2).
En virtud de la Nota 2.2.1, esta ecuación será:

x y 1

r ≡ 1 2 1 = 0 ≡ 2y − 4 = 0.
3 2 1
Se observa que dos rectas paralelas tienen los mismos vectores directores. Esto se tiene en
cuenta en el problema siguiente.

x = 1 − 2λ,
Ejemplo 2.2.3 Hallemos la ecuación general de la recta s que es paralela a r ≡
y = 1 + 3λ
y pasa por el punto P (1, 2).
Observemos que un vector director de r es ~v = (−2, 3). Por lo que ecuación general de s viene
dada por
s ≡ 3x + 2y + c = 0.
Para determinar c, simplemente consideramos que la recta s pasa por P (1, 2). Esto es, 3.1 +
2.2 + c = 0. De ahí, c = −7 y
s ≡ 3x + 2y − 7 = 0.
Finalmente, si dos rectas r y s son perpendiculares, sus respectivos vectores directores, ~v y

~ también lo son. Por lo que deben satisfacer ~v · w.
w, ~
Ejemplo 2.2.4 Hallemos la ecuación general de la recta s que es perpendicular a r ≡ x + 2y −

3 = 0 y pasa por el punto P (1, −1).
Observemos que un vector director de r es ~v = (2, −1). El vector w
~ = (1, 2) es perpendicular a
~v. Luego w
~ = (1, 2) nos sirve como vector director de s. Por lo que ecuación general de s viene
dada por
s ≡ 2x − y + c = 0.
Para c, consideramos que la recta s pasa por P (1, −1). Esto es, 2.1 − 1.(−1) + c = 0. De ahí,
c = −3 y
s ≡ 2x − y − 3 = 0.
2.2.3. Problemas métricos

Distancia entre dos puntos: Dados dos puntos P (p1 , p2 ) y Q(q1 , q2 ) del plano, la distancia
−→
entre ellos viene dada por el módulo del vector P Q = (q1 − p1 , q2 − p2 ). De ahí que
−→ p
d(P, Q) = kP Qk = (q1 − p1 )2 + (q2 − p2 )2 .
Distancia de un punto a una recta: Dado un punto P (p1 , p2 ) y una recta r ≡ ax+by+c = 0,
se desea obtener la distancia existente desde el punto a la recta. Para ello, consideramos la recta
s que pase por P y sea perpendicular a r. Dichas rectas, r y s, se intersecan en un punto H. La
distancia buscada d(P, r) coincide con la distancia d(P, H) entre los puntos P y H. Si X(x, y)
es un punto cualquiera de r distinto H, el triángulo de vértices X, H y P será rectángulo, con
ángulo recto en el vértice H. Por tanto,
−−→ −−→
d(P, r) = kP Hk = |kP Xk cos ϕ|,
−−→ −−→
donde ϕ es el ángulo que forman los vectores P X y P H. Sabemos que ~n = ( √a2a+b2 , √a2b+b2 ) es
−−→
un vector unitario perpendicular a r. Además, | cos ϕ| = | cos(P X, ~n)|. Por lo que

−−→ −−→ −−→ (x − p1 )a + (y − p2 )b
d(P, r) = |kP Xk cos(P X, ~n)| = |P X · ~n| =
√ .
a2 + b2
Teniendo ahora en cuenta que X(x, y) está en r por lo que ax + by = −c, se obtiene

ap1 + bp2 + c
d(P, r) = √ .
a2 + b2
Un uso adicional de esta expresión es el cálculo de la distancia entre dos rectas paralelas.
Basta hallar la distancia desde un punto de una de ellas hasta la otra recta.
2.2.4. Lugares geométricos. Circunferencia

Un lugar geométrico es un conjunto de puntos caracterizados por una propiedad. La expre-
sión en coordenadas de dicha propiedad es lo que se conoce como ecuación del lugar geométrico.
Para comprender mejor este concepto veremos una serie de ejemplos ilustrativos.
Mediatriz de un segmento: Dado un segmento de extremos P = (p1 , p2 ) y Q = (q1 , q2 ).
Mediatriz de dicho segmento es el lugar geométrico de los puntos X = (x, y) del plano que son
equidistantes de los extremos P y Q.
Se observa que el punto medio M del segmento equidista de P y Q. Esto es, satisface la
propiedad que define el lugar geométrico considerado. Por tanto, M debe estar en la mediatriz
de nuestro segmento.
Ejemplo 2.2.5 Hallemos la ecuación de la mediatriz del segmento de extremos B = (0, 1) y

C = (−3, −2).
Si X = (x, y) es un punto cualquiera de la mediatriz, debe satisfacer
p p
d(X, P ) = d(X, Q), lo que implica (x − 0)2 + (y − 1)2 = (x + 3)2 + (y + 2)2 .
Elevando ahora ambos miembros al cuadrado y desarrollando los binomios, se obtiene
x2 + y 2 + 1 − 2y = x2 + 9 + 6x + y 2 + 4 + 4y.
Cancelando términos y escribiendo todo en un sólo miembro de la ecuación, resulta la ecuación
m ≡ x + y + 2 = 0.
Un modo alternativo de proceder es el siguiente: el punto medio del segmento BC es M =

0−3 1−2 3 1 −−→
( , ) = (− , − ). Como un vector ortogonal a BC = (−3, −3) es ~u = (1, −1), la
2 2 2 2
ecuación mediatriz del segmento BC es
3
x+ 2
y + 21
= ≡ x + y + 2 = 0.
1 −1
Circunferencia: Dado un punto C(a, b) del plano y un escalar positivo r. Se denomina cir-
cunferencia de centro C y radio r, al lugar geométrico formado por los puntos del plano cuya
distancia a C es igual a r.
Si X(x, y) es uno de los puntos de una circunferencia C, entonces satisface d(X, C) = r.
Esto es, p
(x − a)2 + (y − b)2 = r.
Elevando al cuadrado obtenemos
C ≡ (x − a)2 + (y − b)2 = r 2 .
Esta es la ecuación general de la circunferencia en términos de las coordenadas de su centro

C(a, b) y su radio r. Si en la ecuación desarrollamos los binomios y pasamos r 2 al primer
miembro, resulta
C ≡ x2 + y 2 + mx + ny + p = 0,
donde m = −2a, n = −2b y p = a2 + b2 − r 2 .
Ejemplo 2.2.6 Hallar la ecuación de la circunferencia que pasa por los puntos A(2, 3), B(1, −1)
y C(−3, 1).
Supongamos que la ecuación de la circunferencia es
x2 + y 2 + mx + ny + p = 0.
Las coordenadas de los puntos A, B y C deben satisfacer dicha ecuación. Por tanto,
4 + 9 + 2m + 3n + p = 0,
1 + 1 + m − n + p = 0,
9 + 1 − 3m + n + p = 0.
Resolviendo este sistema de ecuaciones con incógnitas m, n y p, se obtiene

5 26 49
m= , n=− , p=− .
9 9 9
La ecuación pedida es
C ≡ 9x2 + 9y 2 + 5x − 26y − 49 = 0.
Ejemplo 2.2.7 Hallar la ecuación de la circunferencia que pasa por los puntos A(0, 1), B(4, 3)
y cuyo centro está situado en la recta x + 2y = 0.
Un primer método: Sabemos que el centro C de la circunferencia debe estar en la mediatriz
del segmento AB. Dicha mediatriz pasa por M(2, 2), punto medio del segmento AB, y tiene
−→
como vector perpendicular AB = (4, 2). En principio, su ecuación es 4x + 2y + c = 0. Como M
satisface dicha ecuación, se tiene
4.2 + 2.2 + c = 0, c = −12.

Luego una ecuación de la mediatriz es 2x + y − 6 = 0.

El centro C es la intersección de las rectas 2x + y − 6 = 0 y x + 2y = 0. Luego C(4, −2).
Para el radio r, p
r = d(C, A) = (0 − 4)2 + (1 + 2)2 = 5.
La ecuación pedida es (x − 4)2 + (y + 2)2 = 25. O bien
x2 + y 2 − 8x + 4y − 5 = 0.
Un segundo método: Sabemos que el centro C(a, b) equidista de A(0, 1) y de B(4, 3). Por tanto,
debe satisfacer la ecuación
(a − 0)2 + (b − 1)2 = (a − 4)2 + (b − 3)2 .
Desarrollando los cuadrados de los binomios y cancelando términos se obtiene
0 = 2a + b − 6.
Como el centro está en la recta x+2y = 0, se tiene que a+2b = 0. De las dos últimas ecuaciones
a = 4 y b = −2. Luego la circunferencia está dada por
(x − 4)2 + (y + 2)2 = (0 − 4)2 + (1 + 2)2 .
De esta ecuación se obtiene finalmente
x2 + y 2 − 8x + 4y − 5 = 0.
2.2.5. Problemas
1. En el plano y respecto de una referencia rectangular R = {O;~i, ~j}, dada la recta s ≡
4x + 3y + 2 = 0 y el punto P (2, 5), se considera el cuadrado de centro P , cuyos lados son
paralelos y perpendiculares a s y miden 4. Hallar las ecuaciones generales de las rectas
que conforman sus lados.
2. En el plano, los puntos de la recta x + 2y = 9 son equidistantes a los puntos A y B. Si A
tiene coordenadas (2, 1), hallar las coordenadas de B.
3. En el plano, dados los puntos A(0, 1) y B(1, 2), hallar las coordenadas de los puntos P
de la recta x + y = 2, tales que las rectas P A y P B sean perpendiculares.
4. En el plano, hallar el punto simétrico del punto A(3, −2) respecto de la recta r ≡ 2x −
2y − 1 = 0. (Si H es el punto de r tal que d(A, r) = d(A, H), H es el punto medio entre
A y su simétrico respecto de r.)
5. En el plano, hallar la distancia entre las rectas r ≡ 2x + 4y − 1 = 0 y s ≡ x + 2y + 3 = 0.
6. Hallar la distancia del punto medio M del segmento que une A(3, 2) y B(4, −6) a la recta
r ≡ 2x − 3y + 5 = 0.
7. En el plano, hallar las coordenadas de los puntos de la recta r ≡ 2x + 3y + 4 = 0 que
estén a la distancia 2 de la recta s ≡ 3x + 4y − 6 = 0.
8. En el plano, por el punto P (1, 2) trazar una perpendicular a la recta r ≡ 2x + y + 1 = 0.
Dar la ecuación de dicha perpendicular y encontrar el punto de ella que equidiste de P y
de r.
9. En el plano, hallar un punto de la recta x + y + 1 = 0 que sea equidistante de los puntos
A(1, 2) y B(−1, 1).
10. En el plano, hallar la distancia al origen de una recta que sea perpendicular a la bisectriz
del primer cuadrante y pase por el punto A(1, 2).
11. En el plano, hallar la ecuación de la altura correspondiente al vértice A de un triángulo
ABC, siendo A(2, 1), B(1, 3) y C(5, 0).
12. Dadas las ecuaciones de dos lados de un paralelogramo r ≡ 8x + 3y + 1 = 0 y s ≡
2x + y − 1 = 0, así como la ecuación de una de sus diagonales d ≡ 3x + 2y + 3 = 0,
determinar las coordenadas de los vértices de este paralelogramo.
13. En el plano se considera el punto P (−2, 1) y la recta r ≡ 3x + 4y + 2 = 0. Sea el cuadrado
de centro en P, cuyos lados son paralelos y perpendiculares a r y miden 2. Hallar las
ecuaciones de dichos lados.
14. En el plano, hallar la ecuación de la circunferencia concéntrica con x2 +y 2 −4x+6y−17 = 0
que sea tangente a la recta r ≡ 3x − 4y + 7 = 0. (Si una recta r es tangente a una
circunferencia, la distancia del centro de la circunferencia a r coincide con el radio.)
15. Determinar la ecuación de la circunferencia que pasa por los puntos A(−3, 2) y B(4, 1),
y es tangente al eje OX.
16. Calcular la ecuación de la circunferencia que pasa por el punto A = (1, 2), su centro se
halla en la recta de ecuación x + y = 5 y es tangente a la recta 3x + y − 3 = 0.
17. Hallar la ecuación de la circunferencia que tiene como extremos de uno de sus diámetros
los puntos A(1, −1) y B(3, 2).
√
18. Encontrar la ecuación de la circunferencia de radio r = 10 que pasa por P (7, 5) y es
tangente a la recta x − 3y + 4 = 0.
19. En el plano, hallar la ecuación de la circunferencia que pasa por los puntos M(0, −3),
N(7, 0) y P (7, −3).
2.3. Geometría en el espacio tridimensional

En esta sección desarrollaremos técnicas para trabajar con puntos, rectas, planos y otras
nociones básicas, consideradas en el espacio tridimensional.
2.3.1. Sistema de referencia cartesiano. Coordenadas

Al trabajar en el espacio tridimensional a lo largo de la sección, consideraremos la referencia
cartesiana rectangular R = {O;~i, ~j, ~k}.
X=(-1,3,1/2)
k
OX = -1 i + 3 j + 1/2 k
j
i
Análogamente a lo hecho en el plano se pueden definir las coordenadas de un punto respecto
de la referencia fijada.
Definición 2.3.1 Fijada la referencia referencia cartesiana rectangular R = {O;~i, ~j, ~k} en el
espacio tridimensional, se llaman coordenadas de un punto X respecto a R, a la única terna de
−−→
escalares (x, y, z) verificando que OX = x~i+ y~j + z~k (o equivalentemente X = O + x~i+ y~j + z~k).
Esto se denotará por X(x, y, z).
Como también sucedía en el plano, las coordenadas de los puntos distinguidos de la referencia
son O(0, 0, 0), P = O + ~i = (1, 0, 0), Q = O + ~j = (0, 1, 0) y R = O + ~k = (0, 0, 1) .
2.3.2. Ecuaciones de planos y rectas

Las nociones de recta o plano en el espacio tridimensional se asumen conocidas de manera
intuitiva. Así, sabemos que por dos puntos distintos pasa una única recta, y por tres puntos no
alineados pasa un único plano.
Ecuaciones de un plano
Consideramos el plano π que pasa por tres puntos no alineados P (p1 , p2 , p3 ), Q(q1 , q2 , q3 ) y
−→ −→
R(r1 , r2 , r3 ). Nótese que los vectores P Q = (q1 −p1 , q2 −p2 , q3 −p3 ) y P R = (r1 −p1 , r2 −p2 , r3 −p3 )
−→ −→
son vectores linealmente independientes paralelos a π. Por tanto, {P Q, P R} constituyen una
base para los vectores ~v que son paralelos al plano π.
2.3. GEOMETRÍA EN EL ESPACIO TRIDIMENSIONAL 47
Definición 2.3.2 Se dice que dos vectores ~u y ~v constituyen un par de vectores directores de
un plano π, si son paralelos a π y linealmente independientes. En consecuencia, {~u, ~v} es una
base para el conjunto de vectores paralelos a π.
Ecuaciones paramétricas: Dados un punto P de un plano y par de vectores directores ~u =

(u1, u2 , u3 ) y ~v = (v1 , v2 , v3 ) de dicho plano. Si X(x, y, z) es un punto cualquiera del plano π, el
−−→ −−→
vector P X será paralelo a π. Por tanto, P X = λ~u + µ~v . En coordenadas,

 x − p1 = λu1 + µv1 ,
y − p2 = λu2 + µv2 ,
z − p3 = λu3 + µv3 .

Pasando al segundo miembro las coordenadas del punto P , se obtienen que las ecuaciones
paramétricas del plano π viene dadas por

 x = p1 + λu1 + µv1 ,
π≡ y = p2 + λu2 + µv2 ,
z = p3 + λu3 + µv3 .

Ecuación general o implícita.

Eliminando los parámetros λ y µ de la ecuación paramétrica obtenemos la ecuación general
(o implícita) de π.
−−→
También como los vectores P X, ~u y ~v son linealmente dependientes, el determinante de la
matriz formada por sus componentes debe ser nulo. Esto es,

x − p1 y − p2 z − p3

u1 u 2 u 3
= 0.

v1 v2 v3
Basta desarrollar este determinante para obtener la ecuación general de π, que será de la forma
π ≡ ax + by + cz + d = 0.
Nótese que
u2 u3 u1 u3 u1 u2
a = , b = − , c = ,
v2 v3 v1 v3 v1 v2
son las componentes del producto vectorial ~u × ~v . Por lo que el vector (a, b, c) = ~u × ~v es
perpendicular al plano π.
a = (a,b,c)
= ax + by + cz + d = 0
A partir de un vector ~a = (a, b, c) perpendicular y un punto P = (p1 , p2 , p3 ) del plano π,

una ecuación implícita también se puede obtener considerando lo siguiente. Si X = (x, y, z) es
−−→
punto cualquiera de π, entonces ~a · P X = 0. Por tanto,
π ≡ a(x − p1 ) + b(y − p2 ) + c(z − p3 ) = 0.
Ejemplo 2.3.1 Calculemos las ecuaciones del plano π que pasa por los puntos P (1, 0, 0),
−→ −→
Q(−1, 6, 1) y R(0, 3, 0). Como los vectores P Q(−2, 6, 1) y P R(−1, 3, 0) son independientes
(no son proporcionales), constituyen un par de vectores directores del plano. Por tanto, las
ecuaciones paramétricas de π vienen dadas por

 x = 1 − 2λ − µ,
π≡ y = 6λ + 3µ,
z = λ.

La ecuación implícita se obtendrá entonces de la siguiente manera:

x−1 y z

π ≡ −2 6 1 = 0 ≡ 3x + y − 3 = 0.
−1 3 0
Así, un vector ortogonal al plano obtenido es ~a = (3, 1, 0).
Ecuaciones de una recta

La obtención de las ecuaciones de una recta no difiere mucho de lo hecho en el capítulo
anterior.
Ecuaciones paramétricas: Dada una recta r que pasa por el punto P (p1, p2 , p3 ) y tiene al
vector no nulo ~v = (v1 , v2 , v3 ) como vector director, las ecuaciónes paramétricas de r vienen
dada por: 
 x = p1 + λv1 ,
r≡ y = p2 + λv2 ,
z = p3 + λv3 .

Ecuaciónes implícitas:
Es obtenida a partir de las ecuaciónes paramétricas, se tiene que

 x − p1 = λv1 ,
y − p2 = λv2 ,
z − p3 = λv3 .

Teniendo en cuenta que (v1 , v2 , v3 ) 6= (0, 0, 0), se tiene v1 6= 0 ó v2 6= 0 ó v3 6= 0. Supongamos

que v1 6= 0, en tal caso tndremos en cuenta que el par (x − p1 , y − p2 ) es proporcional al par
(v1 , v2 ) y que el par (x − p1 , z − p3 ) es proporcional al par (v1 , v3 ). Por consiguiente, se tienen

los determinantes nulos

x − p1 v1 x − p1 v1
= 0,
y − p3 v3 = 0.

y − p2 v2
Desarrollando estos determinantes se obtienen las igualdades
v2 (x − p1 ) − v1 (y − p2 ) = 0,

v3 (x − p1 ) − v1 (z − p3 ) = 0.
De estas se obtienen las ecuaciones
v2 x − v1 y − v2 p1 + v1 p2 = 0,

r ≡
v3 x − v1 z − v3 p1 + v1 p3 = 0.
Se observa que cada ecuación representa un plano. Además, nótese que las ecuaciones no son
proporcionales (el rango de la matriz asociada al sistema es 2, ya que v1 6= 0). Luego se trata
de dos planos distintos cuya intersección es la recta r.
Así, toda recta en el espacio tridimensional es intersección de planos. No debe extrañar que
las ecuaciónes implícitas no sea únicas, pues toda recta se puede poner como intersección de
muchos pares distintos de planos.
Para terminar observemos que considerada una recta r como intersección de dos planos

a1 x + a2 y + a3 z + a0 = 0,
r≡
b1 x + b2 y + b3 z + b0 = 0,
el producto vectorial ~a ×~b, donde ~a y ~b son los respectivos vectores perpendiculares a los planos,
es un vector director de r.
a
b
a xb
r
Ecuaciónes continuas:
Cuando v1 6= 0, v2 6= 0 y v3 6= 0, se puede despejar λ en las ecuaciones paramétricas de la
recta r y se obtiene
x − p1 y − p2 z − p3
r≡ = = ,
v1 v2 v3
denominadas ecuaciones continuas de la recta.
Ejemplo 2.3.2 Calculemos las ecuaciones de la recta r que pasa por los puntos P (−3, 2, 0) y
−→
Q(−2, 1, 2). El vector P Q = (1, −1, 2) es director de la recta, luego sus ecuaciones paramétricas
son 
 x = −3 + λ,
r≡ y = 2 − λ,
z = 2λ.

y−2
La ecuación continua de la recta viene dada por r ≡ x + 3
1 = −1 = 2 .
z
Las ecuaciones implícitas:
(−1)(x + 3) − 1(y − 2) = 0, x + y + 1 = 0,

r ≡ ≡
2(x + 3) − 1z = 0. 2x − z + 6 = 0.
Para obtener la dirección de r a partir de sus ecuaciónes implícitas haremos el producto vectorial
de dos vectores ortogonales a los planos que determinan (mediante intersección) a r. La dirección
de r estará entonces generada por el vector

1 0 0 1 1 1
~v = (1, 1, 0) × (2,0, −1) = , , = (−1, 1, −2)
0 −1 −1 2 2 0
−→
que efectivamente es paralelo a P Q.
Ejemplo 2.3.3 Deseamos obtener unas ecuaciones paramétricas de la recta

x + y + 2z + 1 = 0,

r ≡
2x − y − z + 6 = 0.
Para ello, determinamos unas incógnitas principales del sistema de ecuaciones que da la recta.
De la matriz asociada
1 1 2
,
2 −1 −1
obtenemos el menor no nulo
1 1
= −3 6= 0.
2 −1
Por tanto, las incógnitas x e y pueden actuar como principales. Resolviendo el sistema
x + y = −2z − 1 = 0,

2x − y = z − 6 = 0,
obtenemos x = − 31 z − 73 , y = − 53 z + 34 . Tomando como parámetro z = λ, se obtienen las

ecuaciones paramétricas 
7 1
 x = − 3 − 3 λ,

r ≡ y = 43 − 35 λ,

 z = λ.
Nótese que r es la recta que pasa por el punto P (− 73 , 34 , 0) y tiene como vector director ~v =
(− 31 , − 53 , 1).
Paralelismo
En el espacio tridimensional, hay que considerar, además del paralelismo entre rectas, el
paralelismo entre recta y plano y entre dos planos. Se tiene:
a) Dos rectas r y s con respectivos vectores directores ~u y ~v son paralelas, si los vectores ~u
y ~v son proporcionales.
b) Una recta r con vector director ~u y un plano π con par de vectores directores ~v y w ~ son
paralelos, si ~u es combinación lineal de ~v y w.
~ Además, si ~a(a1 , a2 , a3 ) es perpendicular a
π entonces r y π son paralelos si y sólo si ~u es perpendicular a ~a, ~u · ~a = 0.
c) Dos planos π ≡ a1 x + a2 y + a3 z + a0 = 0 y τ ≡ b1 x + b2 y + b3 z + b0 = 0 son paralelos, si los
respectivos vectores perpendiculares ~a = (a1 , a2 , a3 ) y ~b = (b1 , b2 , b3 ) son proporcionales.
u
u
a
v b || a
v
w
Rectas paralelas Recta paralela a un plano Planos paralelos
Obsérvese que, en el apartado b) anterior, para comprobar el paralelismo entre una recta r
con vector director ~u y un plano π con par de vectores directores ~v y w,
~ basta comprobar que

u1 u2 u3

v1 v2 v3 = 0.

w1 w2 w3
Por otro lado, otra manera de expresar el apartado c) es decir que dos planos son paralelos
si y sólo si existe un mismo vector perpendicular a ambos. En consecuencia, los planos paralelos
a un plano dado π : a1 x + a2 y + a3 z + a0 = 0 son de la forma τ : a1 x + a2 y + a3 z + k = 0
Ejemplo 2.3.4 Calculemos la ecuación del plano τ que pasa por el punto P (0, 1, 7) y es paralelo
al plano π ≡ 4x + 6y − 2z + 5 = 0.
Como τ es paralelo a π su ecuación debe ser de la forma τ ≡ 4x + 6y − 2z + k = 0. Pero como
pasa por el punto P = (0, 1, 7) debe suceder que 4.0 + 6.1 − 2.7 + k = 0, o lo que es lo mismo
k = 8. Luego el plano buscado tiene por ecuación τ ≡ 4x + 6y − 2z + 8 = 0. Simplificando,
τ ≡ 2x + 3y − z + 4 = 0.
2.3.3. Distancias
Distancia entre dos puntos: Seguiremos considerando fijada la referencia R = {O;~i, ~j, ~k}. La
distancia entre dos puntos P (p1 , p2 , p3 ) y Q(q1 , q2 , q3 ) del espacio tridimensional está dada, como
−→
en el plano, por el módulo del vector P Q = (q1 − p1 , q2 − p2 , q3 − p3 ). Esto es,
−→ p
d(P, Q) = kP Qk = (q1 − p1 )2 + (q2 − p2 )2 + (q3 − p3 )2 .
Distancia desde un punto a un plano: La distancia d(P, π) desde un punto P (p1, p2 , p3 ) a un

plano π ≡ ax + by + cz + d = 0 es la menor de las distancias entre P y puntos de π. El punto
H de π tal que d(P, H) = d(P, π) es el obtenido al intersecar con π la recta perpendicular a
π que pasa por el punto P . Siguiendo un procedimiento similar al seguido en geometría plana
para hallar la distancia desde un punto a una recta, se obtiene
|ap1 + bp2 + cp3 + d|
d(P, π) = √ .
a2 + b2 + c2
p (P)
r
P
Ejemplo 2.3.5 Hallemos la distancia desde el punto A(1, 2, −3) al plano π ≡ x+ y + z + 1 = 0.

Aplicando la fórmula dada, se obtiene
√
|1 + 2 − 3 + 1| 1 3
d(A, π) = √ =√ = .
12 + 12 + 12 3 3
Una vez conocida la distancia desde un punto a un plano, es una consecuencia directa obtener
la distancia entre planos paralelos. Para ello, se halla la distancia desde un punto cualquiera de
uno de los planos hasta el otro plano. Como ocurría con las rectas paralelas, esta distancia no
depende del punto elegido.
Asimismo, la distancia entre una recta y un plano que son paralelos es la distancia desde un
punto cualquiera de la recta hasta el plano. Tampoco esta distancia depende del punto elegido
en la recta.
p (P)
Planos secantes Planos paralelos

d( , )=0 d ( , ) = d (P, ), para todo P de
r
P
r
p (P)
Plano y recta secantes Plano y recta paralelos

d ( , r) = 0 d ( r , ) = d (P, ), para todo P de r
Distancia desde un punto a una recta: La distancia d(Q, r) desde un punto Q(q1 , q2 , q3 ) a
una recta r es la menor de las distancias entre Q y puntos de r. El punto H de r tal que
d(Q, H) = d(Q, r) es el obtenido al intersecar con r el plano πQ perpendicular a r que pase por
Q. Si P (p1 , p2 , p3 ) y ~u = (u1 , u2, u3 ) son respectivamente un punto y un vector director de r,
entonces −→
kP Q × ~uk
d(Q, r) = .
k~uk
−→ −→
En efecto, si Q está r, entonces P Q = λ~u. En este caso, kP Q × ~uk = kλ~u × ~uk = k~0k = 0. En
consecuencia,
−→
kP Q × ~uk
= 0 = d(Q, r).
k~uk
Supongamos ahora que Q no está en r. En este caso, los puntos P , H y Q constituyen un

triángulo rectángulo. Luego,
−→ −→
−→ kP Q × ~uk
d(Q, r) = d(Q, H) = kP Qk sen(P Q, ~u) = .

k~uk
P
P
p (P)
r
r
Ejemplo 2.3.6 Deseamos hallar la distancia desde el punto Q(1, 4, 5) a la recta

x − 2y + 3 = 0,
r≡
3y − z − 3 = 0.
Para aplicar la fórmula vista anteriormente, necesitamos obtener un punto y un vector director
de r. Así, obtengamos las ecuaciones paramétricas de r. Considerando x y z como incógnitas
principales 
 x = −3 + 2λ,
x = 2y − 3,
r≡ ≡ y = λ,
z = 3y − 3,
z = −3 + 3λ.

Luego un punto de r es P (−3, 0, −3) y un vector director es ~u = (2, 1, 3). Ya podemos obtener
−→ −→
los vectores P Q = (4, 4, 8) y P Q × ~u = (4, 4, −4). Por tanto,
−→ √ √ √
kP Q × ~uk 42 + 42 + 42 4 3 2 42
d(Q, r) = =√ =√ = .
k~uk 22 + 12 + 32 14 7
Distancia entre dos rectas:

La distancia d(r, s) entre dos rectas paralelas r y s en el espacio tridimensional es igual a
d(Q, s), para cualquier punto Q de r. Esto es análogo a lo que sucedía para rectas paralelas en
el plano.
Dadas dos rectas r (pasando por el punto P con dirección ~u) y s (pasando por el punto Q
con dirección ~v ) que se cruzan en un espacio tridimensional, existe un único punto P0 ∈ r y un
−−−→
único punto Q0 ∈ s tales que el vector P0 Q0 es perpendicular a las rectas r y s. Pues bien, la
distancia d(r, s) entre las rectas r y s está dada por
d(r, s) = d(P0 , Q0 ).
No obstante, para calcular la distancia entre dos rectas no es estrictamente necesario deter-
minar los puntos P0 y Q0 . Esto lo que se muestra en el siguiente ejemplo.
Ejemplo 2.3.7 Consideremos las rectas


 x = 3,
x − 2 = 0,
r≡ s≡ y = λ,
z − 1 = 0,
z = 2λ − 5.

Se puede comprobar que estas rectas se cruzan. Para calcular la distancia entre ellas, conside-
raremos el plano π que contiene a s y es paralelo a r. Dicho plano pasa por el punto (3, 0, −5)
y tiene como par de vectores directores uno de s, ~vs = (0, 1, 2) y uno de r, ~vr = (0, 1, 0). Luego
una ecuación del plano π es
x−3 y z+5

π ≡ 0 1 2 = 0.
0 1 0
Esto es, π ≡ x − 3 = 0. La distancia buscada es la que hay desde un punto cualquiera de r
hasta el plano π. El punto Q(2, 0, 1) está en r y se tiene

2 − 3
d(Q, π) = √ = 1.
12
2.3.4. Problemas
En todos los problemas que se presentan a continuación vamos a suponer, como ya hemos
hecho a lo largo de todo la sección, que trabajamos en el espacio tridimensional y tenemos
fijada la referencia cartesiana rectangular {O;~i, ~j, ~k}.
1. Calcular dos vectores directores independientes del plano π ≡ 3x + y − 3 = 0.

2x − z + 6 = 0,
2. Obtener unas ecuaciones paramétricas de la recta r ≡
4x + 6y + z = 0.
3. Hallar la ecuación del plano que pasa por el punto Q(3, 2, 7) y contiene a la recta deter-
minada por los planos π ≡ x − y + z + 3 = 0 y τ ≡ x − 2y − 3z = 0.
4. Hallar la ecuación del plano que pasa por el punto A(1,

0, −1), es perpendicular al plano
x − 2y = 0,
π ≡ x − y + 2z + 1 = 0 y es paralelo a la recta r ≡
z = 0.
5. Hallar la ecuación del plano que pasa por el punto P (4, 2, −1) y es perpendicular a los
planos π ≡ x − 3y − 6 = 0 y σ ≡ x + 4z − 8 = 0.

x − y + z = 1, x−2 y+1 z
6. Dadas las rectas r ≡ ys≡ = = , determinar a ∈ R de
2x + y − z = 2, 3 2 a
modo que exista un plano π que contenga a r y sea perpendicular a s. Hallar la ecuación
del plano π que lo verifica.

x − 1 = 2y − 4,
7. Hallar la distancia del punto P (1, 4, 5) a la recta r ≡ Calcular el
3y − 6 = z − 3.
punto que da la mínima distancia de P a r.
8. En espacio tridimensional, hallar la ecuación de un plano

τ que es perpendicular al plano
x + 2y − z + 2 = 0,
π ≡ 4x + 3y − 2z − 4 = 0; y contiene a la recta r ≡
−x − y + 3z − 1 = 0.
9. En
espacio tridimensional, hallar la ecuación de un plano
τ que contiene a la recta r ≡
x + 2y − z + 2 = 0, x + y + z + 1 = 0,
y es paralelo a la recta s ≡
−x − y + 3z − 1 = 0, x − y − z − 1 = 0.
10. a) Calcular la recta r que pasa por el punto (4, 3, 2) y es ortogonal al plano π ≡
2x + y − 33 = 0.
b) Calcular la recta s que pasa por el punto Q(5, 0, 1) y es paralela al vector −
→
u (1, 0, 1 ).
2
c) Hallar la distancia entre las dos rectas r y s anteriores.
d ) Hallar la distancia desde el punto Q al plano π.
11. En el espacio tridimensional, hallar la ecuación de un plano que sea paralelo al plano
π ≡ x − 2y + 3z + 6 = 0 y diste 12 unidades del origen.

x − 4 = 0,
12. En el espacio tridimensional, calcular la distancia entre las rectas r ≡ y
z − 1 = 0,

x = 5,
s≡
2y − z = 5.

x + y + z = 1,
13. En el espacio tridimensional, sean el punto A(2, 1, 3), la recta r ≡ y el
x−y−z =0
plano π ≡ z − 1 = 0. Se pide:
a) Hallar la recta s perpendicular al plano π y que pasa por A

b) Hallar la distancia entre las rectas r y s.
14. En el espacio tridimensional y respecto de una referencia rectangular R = {O;~i, ~j, ~k}, se
considera el plano π ≡ x + y + z + 1 = 0:
(a) Hallar la ecuación general del plano τ que es perpendicular al plano π y contiene a
2x − y + 3z = 4,
la recta r de ecuación r ≡
x − y + z = 2.
(b) Dados los vectores ~u = (1, 0, 2) y ~v = (a, b, 1), determinar los escalares a, b tales que
~u y ~v sean ortogonales y su producto vectorial w ~ = ~u × ~v sea paralelo al plano π.

x − y + z = 1,
15. En el espacio tridimensional, sean el punto A(3, 2, 1), la recta r ≡ y el
x+y−z =0
plano π ≡ z − 1 = 0. Hallar la recta s (las ecuaciones implícitas) que pasa por A, que sea
paralela al plano π, y con dirección perpendicular a la de la recta r.
16. En el espacio tridimensional, calcular la distancia entre los planos π ≡ 6x−4y+2z+10 = 0,

τ ≡ 3x − 2y + z − 21 = 0.
17. En el espacio tridimensional, hallar la mínima distancia entre las rectas


 x = 1 + λ,
2x − 3y + z = 0,
r≡ y = 1 − 2λ, s≡
3x − y + 1 = 0.
z = 5 − 7λ,

18. Calcular la distancia entre las rectas r ≡ x − 2 = y − 1 = 1 − z y s ≡ −x = y − 1 = 12 z.
19. En el espacio tridimensional, dadas las rectas

x + y − 2 = 0, x − y + 3 = 0,
r≡ s≡
x − z + 1 = 0, x + z − 1 = 0,
−→
hallar un punto A de r y un punto B de s de modo que el vector AB sea perpendicular
a r y a s.

Algebra y Geometria

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Algebra y Geometria

Enviado por

Direitos autorais:

Formatos disponíveis

Fundamentos Matemáticos

Módulos de Álgebra y Geometría

1.1. Álgebra Matricial

1.1.1. Definición de matriz

am1 am2 · · · amn

Obsérvese que denotamos las matrices con letras mayúsculas, A, B, C, . . . , y que en el

Algunos tipos de matrices

Una matriz fila es aquella que sólo tiene una fila:

A = (a11 a12 · · · a1n ) .

• diagonal principal a la línea formada los elementos aii :

1.1.2. Traspuesta de una matriz

1.1.3. Operaciones con matrices

Producto de una matriz por un escalar

(i)∗ k(A + B) = kA + kB;

(ii)∗ (k + h)A = kA + hA;

(iii)∗ k(hA) = (kh)A;

(i)♭ Si A, B, C son matrices tales que A · B y B · C están definidas, entonces A · (B · C) y

(ii)♭ Si A, B, C son matrices tales que A.B y B + C están definidas, entonces A · (B + C) y

(iii)♭ Si A, B, C son matrices tales que A + B y A · C están definidas, entonces (A + B) · C y

(v)♭ Si A es una matriz cuadrada de orden n e In es la matriz identidad de orden n, definida

Nótese que el producto de matrices no verifica la propiedad conmutativa. Por ejemplo, se

1.2. Determinantes y sus propiedades

1.2.1. Desarrollo del determinante mediante una fila (columna). Uso

|A| = ai1 Ai1 + ai2 Ai2 = a1j A1j + a2j A2j , i, j = 1, 2.

|A| = a11 a22 − a12 a21 .

Determinante de una matriz cuadrada de orden n: Calculamos un determinante de una matriz

(i) Intercambiar dos filas (columnas) de una matriz.

(iii) Sumar a una fila (columna) de una matriz un múltiplo de otra.

Se tienen las siguientes propiedades:

(ix)♭ El determinante de una matriz A coincide con el de su traspuesta, |A| = |At |.

Ejemplo 1.2.2 Queremos calcular el determinante

Restamos a la tercera columna la primera, y a la cuarta columna el doble de la primera:

Desarrollamos por la primera fila y se tiene:

Aplicando ahora las correspondientes operaciones elementales a la tercera fila de la matriz de

Dedicamos la parte final de esta subsección a exponer la definición de determinante de

Definición 1.2.1 Un término de un determinante de una matriz cuadrada es todo producto

El número de términos del determinante de una matriz de orden n es n!. A partir de

1.2.2. Matriz inversa

La matriz A−1 se llama matriz inversa de A.

1.2.3. Rango de una matriz. Cálculo del rango usando operaciones

Existen distintos métodos para calcular el rango de una matriz:

Ejemplo 1.2.4 Vamos a calcular el rango de la matriz

Realizando ahora F2 + (−2).F1 , F3 + F1 , F4 + 4.F1 e intercambiendo posteriormente la segunda

Está claro que una submatriz cuadrada que determina el rango es

Por tanto, el rango de la matriz dada A es 3.

Ejemplo 1.2.5 Ahora queremos calcular el rango de la matriz

Procediendo en el mismo modo que en el ejemplo, se obtiene la matriz triangular superior

Está claro que una submatriz cuadrada que determina el rango es

Por tanto, en este caso, el rango de la matriz dada B es 4.

1.3. Sistemas de ecuaciones lineales

1.3.1. Sistemas de ecuaciones lineales

Se dice que es la expresión matricial del sistema en cuestión.

1.3.2. Teorema de Rouché-Fröbenius.

que podemos escribir matricialmente AX = B, donde

El teorema de Rouché-Fröbenius caracteriza la resolubilidad del sistema en términos de los

Teorema 1.3.1 (de Rouché-Fröbenius) Sea el sistema de ecuaciones lineales A · X = B.

(i) Si rango(A) 6= rango(A∗ ), el sistema es incompatible.

(ii) Si rango(A) = rango(A∗ ) = n, el sistema es compatible y determinado.

La resolución de los sistemas de ecuaciones lineales básicamente consiste en expresar cada

1.3.3. Método de eliminación de Gauss

Teorema 1.3.2 Si transformamos un sistema de ecuaciones lineales en otro utilizando alguna

(i) se intercambian entre si dos ecuaciones,

(ii) se multiplica una ecuación por un número distinto de cero,

(iii) a una ecuación se le añade otra multiplicada por un número,