RESUMEN ÁLGEBRA

Unidad N°1:
PLANOS Y RECTAS
Rectas
Ecuación Paramétrica Vectorial

Esta expresión se conoce como ecuación vectorial de la recta. La denominación paramétrica

proviene del parámetro k y es este escalar, él que nos permite encontrar uno a uno cada punto de
la recta.

Ejemplo 1:

a. Informe la ecuación paramétrica vectorial de la recta que pasa por el punto P = (2,3) y tiene como
vector director a 𝑢⃗ = (−2,1).

Planos
Todo plano π en R3 puede determinarse al especificar un punto P sobre el plano y un vector no
nulo, 𝑛⃗ , normal al mismo.

Ecuación vectorial normal del plano

Ecuación general del plano

Si 𝑛⃗ = (𝑎, 𝑏, 𝑐) y 𝒙⃗ = (𝑥, 𝑦, 𝑧), entonces en términos de componentes la ecuación anterior se

convierte en:

A tener en cuenta:
El producto vectorial entre dos vectores normales (n) da como resultado otro vector
normal perpendicular a los dos vectores anteriores
Condiciones de paralelismo y perpendicularidad entre planos

Planos Paralelos

Para que los planos sean paralelos sus vectores normales tiene que ser paralelos.

Planos Perpendiculares
Dos planos son perpendiculares sí, y sólo si, sus vectores normales son perpendiculares.

Condiciones de paralelismo y perpendicularidad entre rectas y planos

Una recta es paralela a un plano sí, y sólo si, el vector director de la recta es perpendicular al
vector normal del plano.

Una recta es perpendicular a un plano sí, y sólo si, el vector director de la recta es paralelo al
vector normal del plano π.

Ángulos entre dos planos

En consecuencia, para encontrar el ángulo entre los planos, aplicamos la fórmula de cálculo del
ángulo entre vectores:

Ángulo entre recta y plano

Sea una recta no paralela ni perpendicular a un plano. Para calcular el ángulo α entre la recta y el
plano es necesario calcular primero el ángulo agudo entre el vector director de la recta y el vector
normal del plano, es decir:

Se define el ángulo entre la recta r y el plano π, al ángulo que se obtiene de realizar la diferencia
entre 90º y el ángulo β entre los vectores:

Distancia de un punto a un plano

Distancia de un punto a una recta en 𝑹𝟑

Distancia entre planos paralelos

Unidad N°2: MATRICES

Definición de matriz

Una matriz es una forma eficiente de ordenar información en filas y columnas.

Una matriz A de orden mxn es un arreglo rectangular de mn números reales (o complejos)

ordenados en m filas (o renglones) horizontales y n columnas verticales
Tamaño u orden de una matriz

El tamaño de una matriz está determinado por el número de filas y de columnas. Una matriz de
orden o tamaño mxn es un arreglo rectangular de elementos dispuestos en m filas y n columnas.

Clasificación de matrices

Según su tamaño, la ubicación de sus elementos, etc., las matrices se clasifican de la siguiente
manera:

 Matriz fila:
La matriz fila se compone por una sola fila, es decir

 Matriz columna:
La matriz columna se compone por una sola columna.

 Matriz cuadrada:

 Matriz Triangular Superior:

Una matriz A 𝜖 ℳ𝑛⃗𝑥𝑛⃗ es triangular superior si todos los elementos ubicados debajo de la
diagonal principal son nulos, esto es:
  Matriz Triangular Inferior:
Una matriz A 𝜖 ℳ𝑛⃗𝑥𝑛⃗ es triangular inferior si todos los elementos ubicados encima de la
diagonal principal son nulos, esto es:

 Matriz Diagonal:
Una matriz A=[𝑎𝑖𝑗] 𝜖 ℳ𝑛⃗𝑥𝑛⃗ es una matriz diagonal si todos los elementos que están fuera
de la diagonal principal son cero:

 Matriz Identidad:
Una matriz identidad es una matriz diagonal en la que los componentes de la diagonal
principal son iguales a uno:

 Matriz Nula:
Es la matriz que tiene todos sus elementos iguales a 0. La notaremos con la letra Ɵ

Traza de una matriz

La traza de una matriz cuadrada A, a la que designaremos por tr(A), o por traza(A), es la suma de
los elementos de la diagonal principal.

Operaciones con matrices

Suma de matrices

La suma de Matrices solo se puede concretar si las matrices son del mismo orden y se realiza
sumando cada elemento de la misma fila y columna dando una matriz diferente.
Propiedades de la suma de matrices:

a) Es asociativa. (A+B)+C=A+(B+C)
b) Es conmutativa. A+B=B+A
c) La matriz Ɵ es un elemento neutro tal que A + Ɵ = A
d) Para toda Matriz A, existe su opuesta –A y se verifica que A + (-A) = Ɵ

Producto de matrices

Un producto entre matrices (A.B=C) solo se puede realizar si el número de las columnas de A debe
coincidir con el número de filas de B.

Propiedad del producto de matrices:

a) Propiedad asociativa del producto de matrices: (AB) C = A (BC) = ABC

b) Propiedad asociativa mixta: A (kB) = k (AB) = (k A) B con k ∈ R
c) Propiedad distributiva del producto con respecto a la suma:
d) Existencia del neutro para el producto de matrices (matriz identidad): A. I=I. A=A
e) El producto de matrices no es conmutativo, ya que: A.B ≠B. A
Matriz Transpuesta

La transpuesta de una matriz 𝑨 de orden nxm, se denota 𝑨𝑻, es la matriz de orden mxn, donde las
entradas en cada columna de 𝑨𝑻 son las entradas correspondientes en las filas de A.

Operaciones elementales entre las filas de una matriz

Operando con las filas de una matriz es posible obtener otras matrices a partir de las operaciones
elementales, es decir:

 Intercambio de dos filas cualesquiera.

 Producto de cualquier fila por un número real.
 Reemplazo de cualquier fila por la suma de ella más un múltiplo de otra.

CLAVE PARA ESCALONAR

Matriz Escalonada

Una matriz se llama escalonada si cumple con las siguientes propiedades:

a) Todas las filas nulas, si existen, están en la parte inferior de la matriz.

b) El primer elemento no nulo de cada fila está a la derecha del pivote de la fila anterior (esto
supone que todos los elementos debajo de un pivote son cero)

SE UTILIZAN LAS OPERACIONES ELEMENTALES ENTRE FILAS Y COLUMNAS

Rango de una matriz

Se designa rango de una matriz al número de filas no nulas que presenta cualquiera de sus formas
escalonadas.

El rango de una matriz se denota con: r (Nombre de la matriz)

Para saber el r(A) de la matriz A se necesita escalonar la matriz como el ejemplo anterior.
El número de filas que no son 0 entran en el rango de la matriz.

Si (-4) fuera 0 el rango cambiaría y sería r(R)=2

Determinante

El determinante de una matriz cuadrada es un número real.

El determinante de una matriz cuadrada A, representado por det(A) o |𝑨|, es un escalar asociado
de manera unívoca con la matriz.

1. Cálculo del determinante para una matriz de orden 2:

2. Cálculo del determinante para una matriz de orden 3. Regla de Sarrus.

Para aplicar esta regla necesitamos repetir las dos primeras filas de una matriz, debajo de la
última fila de la matriz dada, de manera que queden cinco filas. Después se deben sumar los
productos de las diagonales descendentes y se restan los productos de las diagonales
ascendentes. El resultado de esta suma es el determinante buscado.
 3. Cálculo del determinante de una matriz de orden n, por desarrollo de los cofactores de
una fila o columna.

[Link]

(ta difícil resumir esto en Word :D)

Propiedades de los determinantes

 Si A es una matriz que tiene una fila o una columna de ceros, entonces |𝑨| = 0.
 Si A es una matriz triangular, el|𝑨|es el producto de los elementos de la diagonal
principal.
 Si A y B son matrices cuadradas de orden n, entonces: det(AB) = det(A). det(B)
 Los determinantes de una matriz y de su transpuesta son iguales, es decir, si A es una
matriz cuadrada, entonces: |𝑨| = |𝑨𝑻|
 Sea A una matriz cuadrada de orden n, y B es la matriz que resulta de multiplicar una fila
de la matriz A (o una columna) por una constante, k≠0¸entonces det(B) =k. det(A)
 Si B es la matriz que resulta de intercambiar o permutando dos filas (columnas) de A,
entonces det(B) = - det(A)
 Si F es la matriz que se obtiene reemplazando los elementos de la i-ésima fila (columna) de
A por ella más k veces la fila i, entonces: det(F) = det(A).
 Si E=k A y A es de orden n, entonces: det(E)=(k)n det(A).
 Si A tiene dos filas proporcionales, entonces: det(A)=0
 Si dos filas (columnas) de A son iguales, entonces det(A) = 0.

Inversa de una matriz

Sean A y B dos matrices de orden n, a la matriz B, se llama inversa de la matriz A, si se cumple:

A. B=B. A=I

Decimos que una matriz A es invertible o no singular si tiene inversa. Sin embargo, una matriz A
puede no tener inversa, en ese caso se llama no invertible o singular.

La inversa de A, si existe, suele notarse por: Inv(A) o por A-1

Matriz singular

Una matriz singular es una matriz cuyo determinante es igual a cero. Una matriz singular no tiene
inversa.

Calcular la Matriz Inversa

1er método:

[Link]

2do método:

[Link]
Propiedades de la inversa de una matriz

 Si A. B=A. C y A tiene inversa, entonces B=C

 Si A. B=Ѳ, entonces |𝑩| = 0
 (𝑨. 𝑩) −𝟏 = 𝑩−𝟏.𝑨−1
 (𝑨−𝟏)−𝟏 = A
 (𝑨𝑻)−𝟏 = (𝑨−𝟏)𝑻


SISTEMA DE ECUACIONES LINEALES

Un sistema de ecuaciones lineales (SEL) es una colección de una o más ecuaciones lineales que
involucran las mismas variables. Por ejemplo:

El conjunto de todas las soluciones posibles se llama conjunto solución del sistema lineal. El
conjunto solución se escribe como {CS}

Un sistema de ecuaciones lineales puede:

 No tener solución.
 Tener exactamente una solución.
 Tener una cantidad infinita de soluciones.

Se dice que un sistema de ecuaciones lineales es consistente si tiene una solución o una infinidad
de soluciones; un sistema es inconsistente cuando no tiene ninguna solución.

Expresión matricial de un sistema

Cualquier sistema de m ecuaciones lineales con n incógnitas, se puede expresar en forma

matricial del modo:
 Solución de un sistema de ecuaciones lineales

Existencia y unicidad de la solución de un sistema de ecuaciones lineales

Para saber si un SEL es compatible o no hay que analizar la matriz ampliada escalonada del sistema
y ver si cumplen las siguientes condiciones:

 Teorema 1: El sistema de ecuaciones lineales A.X=B es compatible si y sólo si el rango de la

matriz de coeficientes A es igual al rango de la matriz ampliada.

 Teorema 2: Si el sistema de ecuaciones lineales A.X=B es compatible, entonces el número

de grados de libertad (o número de variables libres) es igual al número de incógnitas (n)
menos el rango de la matriz de coeficientes A.
  Teorema 3: Si el sistema de ecuaciones lineales A.X=B es determinado si y sólo si el
número de variables libres es igual a cero.

Teorema de Rouche-Frobenius o Kronecker

Este teorema integra los teoremas anteriores y enuncia la condición que debe satisfacer un
sistema de ecuaciones lineales para ser compatible.

Método de eliminación gaussiana o Método de Gauss simple

El método de eliminación (de incógnitas), se basa en la idea de transformar un sistema lineal que
no está escalonado, en otro que sí lo esté y que sea equivalente al primero.

Interpretación geométrica de un sistema de tres ecuaciones con tres incógnitas

Analicemos los siguientes casos:

1. Los tres planos se intersecan en un solo punto. Por lo que existe una solución única para el
sistema.

2. Los tres planos se intersecan en la misma recta, por lo que cada punto sobre la recta es
una solución y el sistema tiene un número infinito de soluciones.
3. Los tres planos coinciden. Entonces cada punto sobre el plano es una solución y se tiene
un número infinito de soluciones.

4. Dos de los planos coinciden e intersecan a un tercer plano en la recta. Entonces cada
punto sobre la recta es una solución y existe un número infinito de soluciones.

5. Al menos dos de los planos son paralelos y distintos. Por lo que ningún punto puede estar
en ambos y no hay solución. El sistema es inconsistente.

6. Dos de los planos coinciden en una recta L. El tercer plano es paralelo a L (y no contiene a
L), de manera que ningún punto del tercer plano se encuentra en los dos primeros. No
existe una solución y el sistema es inconsistente.
Programación Lineal
Una inecuación lineal con 2 variables es una expresión de la forma: 𝑎𝑥 + 𝑏𝑦 ≤ 𝑐, donde a, b y c son
números reales y x e y las incógnitas.

Ejemplo:

El triángulo sombreado es la solución del sistema llamado Región Factible.

Vértices

Los vértices son los puntos donde las rectas que delimitan el conjunto solución se cortan. Para
calcularlas se resuelve los sistemas de ecuaciones lineales con dos incógnitas, que provienen de
igualar las ecuaciones de las rectas correspondientes.

Máximos y Mínimos

Cuando se tiene una ecuación de la función objetivo, representado con F(x, y) = A · x + B · y+ C se

pueden obtener los máximos y mínimos reemplazando los vértices obtenidos en la ecuación de la
función. El mayor resultado representa el máximo, y el menor el mínimo.

Ejemplo: Los vértices (0,-1), (5,-1) y (3,-3)

Vemos que el valor máximo se alcanza para el vértice (5,1) y que dicho valor es 15000. La misma
solución que se obtuvo antes. El valor mínimo sería -9000.

Tipos de Conjunto Solución

Factible con solución única

No acotada Superiormente/Inferiormente
un problema de máximos no tiene solución si la región factible no está acotada superiormente, y
un problema de mínimos no tiene solución si la región no está acotada inferiormente.

Con solución Múltiple

Si buscamos el valor mínimo, todos los puntos comprendidos entre A y E cumplen esa condición,
es decir, hay infinitas soluciones.

Forma geométrica para encontrar máximos y mínimos

Se saca el vector director que se da por 𝑣⃗ = (−B, A) de la ecuación de la función. Después se trazan
rectas paralelas a este vector que pasen por los vértices de la región factible (si es acotada), o por
todo el borde de la región factible (cuándo no es acotada) y se observa en qué vértice la función F
se hace máxima (o mínima) sin más que tener en cuenta cuál de las rectas tiene mayor (o menor)
ordenada en el origen, es decir, qué recta corta en un punto mayor o menor al eje y.

Se observa gráficamente que, de las tres paralelas trazadas, la que corta al eje y en un punto mayor
es la que pasa por el punto (5,1), que por tanto será la solución óptima al problema de máximos
planteado.
ESPACIOS VECTORIALES
Un espacio vectorial (V, +, ..., R) es un conjunto no vacío de elementos denominados vectores. Para
comprobarlo se realizan dos operaciones, una que recibe el nombre de “suma de vectores” y otra
que recibe el nombre de “producto de vectores por números reales” o “producto por escalares”,
que verifica los siguientes axiomas:



Subespacios Vectoriales

Un subconjunto S, no vacío, de un espacio vectorial V se dice que es un subespacio vectorial de V si

S es por sí solo un espacio vectorial con las operaciones definidas en V.

Para demostrar que un subespacio vectorial pertenece al espacio vectorial se comprueban tres
axiomas, dos de los nombrados anteriormente y el que demuestra que el subespacio vectorial trivial
de origen {(0,0,0)} pertenece a el subespacio vectorial a analizar. Si no es así, el subespacio NO
pertenece al espacio vectorial.

Ejemplo: El conjunto es un subespacio vectorial del espacio

vectorial

1. El vector 0 ϵ R3, está en S ya que, si reemplazamos el vector nulo en la ecuación del plano,
obtendremos que verifica la igualdad, es decir: 0+0-0=0⟶ 0 ϵ S es decir 𝑆 ≠ ∅
2. Debemos probar que si los vectores 𝑢⃗ 𝑦 𝑣⃗ 𝜖 𝑆, entonces 𝑢⃗ + 𝑣⃗ 𝜖 S
Entonces: 𝑢⃗ = (𝑥, 𝑦, 𝑧) = (𝑥, 𝑦, 𝑥 + 𝑦) 𝜖 𝑆 y 𝑣⃗ = (𝑥′, 𝑦′, 𝑧′) = (𝑥′, 𝑦′, 𝑥′ + 𝑦′)𝜖 S
𝑢⃗ + 𝑣⃗ = (𝑥 + 𝑥 ′, 𝑦 + 𝑦 ′, 𝑧 + 𝑧 ′) = (𝑥 + 𝑥 ′, 𝑦 + 𝑦 ′, 𝑥 + 𝑦 + 𝑥 ′ + 𝑦 ′)
Aplicando propiedades de la suma en el conjunto de los números reales y reemplazando el
vector 𝑢⃗ + 𝑣⃗ en la definición de S, para ver si la verifica, resulta:
𝑥 + 𝑦 − 𝑧 = (𝑥 + 𝑥 ′ ) + ( 𝑦 + 𝑦 ′ ) − (𝑧 + 𝑧 ′ ) = (𝑥 + 𝑥′) + ( 𝑦 + 𝑦′) − ( 𝑥 + 𝑦 + 𝑥 ′ + 𝑦′) = 0
Por lo tanto, 𝑢⃗ + 𝑣⃗ 𝜖 S
3. Para probar que el producto de cualquier número real por un vector de S, también
pertenece a S, se define que: k 𝜖 𝑹, 𝑢⃗ ϵ S, entonces
k. 𝑢⃗ = 𝑘. (𝑥, 𝑦, 𝑧) = 𝑘. (𝑥, 𝑦, 𝑥 + 𝑦) = (𝑘. 𝑥, 𝑘. 𝑦, 𝑘. 𝑥 + 𝑘. 𝑦)
Reemplazando el vector resultante k. 𝑢⃗ en la definición de S y al aplicar las propiedades de
la multiplicación en R, tendremos que:
𝑘. 𝑥 + 𝑘. 𝑦 − (𝑘. 𝑥 + 𝑘. 𝑦) = 0
 Por lo tanto, 𝑘. 𝑢⃗ 𝜖 𝑆. En consecuencia, dado que se cumplen las tres condiciones, S es un
subespacio vectorial de (R3,+, . , R)

Combinación Lineal

Sean (V,+, . , R) un espacio vectorial, 𝐴 = {𝑣⃗ 1, 𝑣⃗ 2, 𝑣⃗ 3, … , 𝑣⃗ 𝑛⃗ } un conjunto de vectores de V, y 𝑤⃗

un vector de V

PARA RESOLVER COMBINACIONES LINEALES UNA VEZ QUE SE PRESENTA EL SISTEMA DE

ECUACIONES SE PUEDE ESCALONAR CON EL METODO DE GAUSS-JORDAN.

Espacios Lineales

Dados un espacio vectorial V y un subconjunto 𝐴 = {𝑢⃗ 1, 𝑢⃗ 2, 𝑢⃗ 3, … , 𝑢⃗ 𝑛⃗ } de vectores no vacío

de V, el espacio lineal generado por A, es el conjunto de todas las combinaciones lineales de los
vectores de A igualada a un vector genérico del espacio vectorial V.

Espacio lineal = Lin[A]

Dependencia e independencia lineal

Sea un espacio vectorial V, y un conjunto de vectores 𝐴 = {𝑣⃗ 1, 𝑣⃗ 2, 𝑣⃗ 3, … , 𝑣⃗ 𝑛⃗ } ⊂ 𝑉, se dice que:

 Independencia lineal: El conjunto A es linealmente independiente si la única forma de

expresar al vector nulo, 0 𝜖 𝑉, como combinación lineal de los vectores de A, es con todos
los escalares 𝑘1, 𝑘2, … , 𝑘𝑛⃗ iguales a cero.

 Dependencia lineal: El conjunto A es linealmente dependiente si para escribir al vector nulo,

0 𝜖 𝑉, no es necesario que los escalares 𝑘1, 𝑘2, … , 𝑘𝑛⃗ sean todos nulos.

Propiedades:

a. v es linealmente independiente sí, y solo si v no es el vector nulo.

 b. Si el vector nulo pertenece a un conjunto de vectores 𝑨 = {𝒗⃗ 𝟏, 𝒗⃗ 𝟐, 𝒗⃗ 𝟑, … , 𝒗⃗ 𝒏 },
entonces el conjunto A es linealmente dependiente.
c. Un conjunto de vectores 𝑨 = {𝒗⃗ 𝟏, 𝒗⃗ 𝟐, 𝒗⃗ 𝟑, … , 𝒗⃗ 𝒏 } es linealmente dependiente sí, y
sólo si, algún vector de A es combinación lineal de los vectores restantes.
d. Dos vectores de un conjunto 𝑨 = {𝒖⃗ , 𝒗⃗ } en un espacio vectorial R2 son linealmente
dependientes sí, y solo si uno es combinación lineal del otro
e. Si 𝑨 = {𝒗⃗ 𝟏, 𝒗⃗ 𝟐, 𝒗⃗ 𝟑, … , 𝒗⃗ 𝒏 } es linealmente independiente, entonces todo subconjunto
𝑩 = {𝒗⃗ 𝟏, 𝒗⃗ 𝟐, 𝒗⃗ 𝟑, … , 𝒗⃗ 𝒌 } no vacío de A, es linealmente independiente.

Base de un espacio vectorial

Sean u, v y w vectores en un espacio vectorial V y sea k cualquier escalar real. Un producto interior
sobre V es una función que asocia un número real 〈𝒖⃗, 𝒗⃗〉 con cada par de vectores u y v, que cumple
los siguientes axiomas:

Sea V un espacio vectorial de dimensión n, β una base ordenada para V, u, v ϵ V. Se llama producto
euclídeo a la función que a cada par de vectores u y v asocia un número real que se calcula mediante
la siguiente expresión:

Notación simbólica: 〈𝑢⃗, 𝑣⃗〉𝛽

Normas de un producto Euclídeo

(Es igual a obtener el módulo de un vector.)

(Se elige el mayor valor absoluto.)

Vectores ortonormales

Los vectores de un conjunto V son ortonormales si y solo sí:

 Son ortogonales: es decir que su producto euclídeo = 0

 Son vectores unitarios: si su módulo (o norma dos) da = 1

Bases ortogonales y bases ortonormales

Un conjunto S de vectores en un espacio V con producto interior se llama ortogonal si todo par de
vectores en S es ortogonal. Si, además, cada vector en ese conjunto es unitario, entonces S se
denomina conjunto ortonormal.
Proceso de Ortonormalización de Gram- Schmidt

Este proceso se utiliza para poder ortonormalizar los vectores de una base y así obtener una base
ortonormalizada.

Consta de tres pasos:

1. Partiendo de un conjunto linealmente independiente incluido en un espacio vectorial con

producto interno.
2. Se convierte el conjunto dado en un conjunto ortogonal.
3. Se procede a normalizar cada uno de los vectores del conjunto ortogonal a fin de obtener
una base ortonormal.

A continuación, se explicará el proceso en cuestión:

Sea un conjunto 𝛼 = {𝒖⃗𝟏, 𝒖⃗𝟐, 𝒖⃗𝟑} linealmente independiente, incluido en 𝑅3.

1. Etapa 1: Elegimos cualquier de los vectores del conjunto 𝛼, supongamos 𝒖⃗𝟏 y procedemos
a normalizarlo para obtener su vector unitario.

2. Etapa 2: Ahora se obtiene el ortogonal al

Finalmente normalizamos al vector 𝒗⃗′𝟐 para obtener el vector 𝒗⃗𝟐

3. Etapa 3: Ahora se construye el vector 𝒗⃗′3

Finalmente normalizamos al vector 𝒗⃗′𝟑 para obtener el vector 𝒗⃗3

Transformaciones Lineales

Para comprobar si los espacios vectoriales realizan una transformación lineal se tiene que
corroborar si cumplen las dos condiciones necesarias y suficientes.
Resumen de los efectos geométricos de algunas transformaciones lineales de T: 𝑹 𝟐 → 𝑹 2
Como encontrar la función de las transformaciones lineales a través de vectores

Núcleo de una transformación lineal

El conjunto de los vectores del dominio cuyas imágenes por T es el vector nulo del codominio, se
denomina núcleo o kernel de la transformación: 𝑵(𝑻)

El núcleo siempre se iguala a un vector nulo (0,0,0)

Sea T: 𝑉⟶𝑊 una transformación lineal, llamaremos NULIDAD de una transformación lineal a la
dimensión del núcleo y se denotará: n(T)=dim 𝑵(𝑻)

Ejemplo:
Imagen de una transformación lineal

El conjunto imagen o recorrido de una transformación es el conjunto de todos los vectores del
codominio W, tales que son imagen de, por lo menos un vector del dominio V.

Sea T: 𝑉⟶𝑊 una transformación lineal, llamaremos rango de una transformación lineal a la
dimensión del espacio imagen y se denotará: r(T)=dim 𝑹(𝑻)

La imagen siempre se iguala a un vector genérico (a,b,c)

Ejemplo (continuando el anterior):

Teorema de la dimensión del núcleo y la imagen de una transformación lineal

Clasificación de las Transformaciones Lineales

Las Transformaciones Lineales pueden ser:

 Inyectivas
 Sobreyectivas
 Biyectivas

La inyectividad, sobreyectividad y biyectividad dan información acerca de cómo se relacionan los

elementos del conjunto inicial o dominio con el conjunto final o codominio.

Función Inyectiva

Una función f es inyectiva si a elementos distintos del dominio les corresponden elementos distintos
en el codominio de f.

Las funciones Inyectivas son MONOMORFISMOS.

Para que una transformación sea inyectiva la nulidad del núcleo n(T)=0

Función sobreyectiva

Una función f es sobreyectiva si todo elemento del conjunto final o codominio tiene al menos un
elemento del conjunto inicial A o dominio al que le corresponde.
Las Sobreyectivas son EPIMORFISMOS

Para que una transformación sea sobreyectiva el rango de la imagen tiene que ser igual a la
dimensión del codominio. R(T)=Dim(W)

Función biyectiva

Una función f es biyectiva si es al mismo tiempo es inyectiva y sobreyectiva. Es decir, si todo

elemento del conjunto final o codominio tiene un único elemento del conjunto inicial o dominio al
que le corresponde (condición de función sobreyectiva) y todos los elementos del conjunto inicial,
A, tiene una única imagen en el conjunto final, B (condición de función inyectiva).

Una función biyectiva es un ISOMORFISMO

Endomorfismo

Si la dimensión del dominio es igual a la dimensión del codominio la Transformación Lineal es un

endomorfismo.

Automorfismo

Cuando una Transformación Lineal es un endomorfismo y a su vez es un isomorfismo se vuelve un

AUTOMORFISMO
UNIDAD 5
Cambio de Base

Sean 𝛼 = {𝑢⃗1, … , 𝑢⃗𝑛⃗ } y 𝛽 = {𝑣⃗1, … , 𝑣⃗𝑛⃗ } bases para un espacio vectorial V de dimensión finita. La
matriz de orden nxn cuyas columnas son las matrices de coordenadas [𝑢⃗1 ]𝛽, … ,[𝑢⃗𝑛⃗ ]𝛽 de los
vectores de la base 𝛼 con respecto a la base 𝛽, denotada por P se llama matriz de paso o matriz de
cambio de base de 𝜶 𝒂 β

Para calcular la matriz de paso o de cambio de base primero hay que igualar un vector de la base de
llegada a toda la base de salida.

Ejemplo
Si se calcula la matriz P con los vectores de salida igualados a toda la base de llegada se obtiene la
matriz P inversa o P-1

Matrices Semejantes

Se dice que dos matrices A y B de orden nxn son semejantes si existe una matriz P invertible de
orden nxn tal que:

Si A es semejante a B, escribimos 𝐴~𝐵.

Propiedades de las matrices semejantes

Si A y B son matrices semejantes de orden nxn, entonces:

a) |𝐴| = |𝐵|

b) 𝑇𝑟𝑎𝑧𝑎 (𝐴) = 𝑇𝑟𝑎𝑧𝑎(𝐵)

c) 𝐴 es invertible si B es invertible y en ese caso 𝐴 −1 es semejante a 𝐵 −1

d) A y B tienen los mismos valores propios.

Valores y Vectores Propios

Obtención de valores y vectores propios

Multiplicidades algebraica y geométrica

La multiplicidad algebraica de un valor propio 𝜆 es su multiplicidad como raíz del polinomio

característico 𝑝(𝜆). El número de veces que un valor propio λ se repite como raíz del polinomio
característico se llama multiplicidad algebraica y se representa por ma(λ).

El número máximo de vectores propios linealmente independientes que tiene asociado un valor
propio λ, se llama multiplicidad geométrica de λ y se representa por mg(λ). La multiplicidad
geométrica de un valor propio 𝜆 es igual a la dimensión del espacio propio asociado 𝑊𝜆.

Para cada valor propio 𝜆 de una matriz A, se verifica que: mg(λ) ≤ ma(λ)

Propiedades de los valores y vectores propios

- La suma de los valores propios de una matriz A es igual a la traza de la matriz.

𝜆1 + 𝜆2 = 𝑡𝑟(𝐴)

- El producto de los valores propios de una matriz A es igual al determinante de la matriz.

𝜆1. 𝜆2 = det (𝐴)

- 𝐴 𝑦 𝐵 𝑠𝑒𝑚𝑒𝑗𝑎𝑛⃗𝑡𝑒𝑠 ⇒𝑝𝐴 (𝜆) = 𝑝𝐵 (𝜆)⇒𝑡𝑖𝑒𝑛⃗𝑒𝑛⃗ 𝑙𝑜𝑠 𝑚𝑖𝑠𝑚𝑜𝑠 𝑣⃗𝑎𝑙𝑜𝑟𝑒𝑠 propios.

- Los vectores propios asociados a valores propios distintos son linealmente independientes.

- Si 𝐴 es invertible y tiene a 𝜆 como valor propio entonces 1/𝜆 es valor propio de 𝐴−1.

- Si 𝐴 es simétrica y ortogonal entonces los valores propios son 1 y -1.

Diagonalización de una matriz

Condiciones que tiene que cumplir una matriz para ser diagonalizable

 𝑨 tiene que tener 𝒏 vectores propios linealmente independientes.

Puede demostrarse que: 𝑃 −1 . 𝐴. 𝑃 = 𝐷 donde 𝐷 es una matriz diagonal cuyos elementos son los
respectivos valores propios:

Secciones Cónicas
Una sección cónica es la figura plana que se obtiene como
intersección de un doble cono recto con un plano. Según las
distintas posiciones del plano de intersección se obtienen las
diferentes secciones cónicas, o simplemente cónicas, cuyos
nombres son circunferencia, elipse, parábola, hipérbola.

La ecuación se suele decir que está en forma canónica (o

estándar).

Sea un cono circular y si el plano secante es:

a) Perpendicular al eje del cono, la cónica se llama

circunferencia.

b) No paralelo a ninguna generatriz del cono y oblicuo respecto al eje del cono, la curva se denomina
elipse.

c) Paralelo a una generatriz del cono, la cónica se denomina parábola.

d) Paralelo al eje del cono, la sección cónica se designa hipérbola.

Las anteriores son las denominadas cónicas normales o no degeneradas, pero cuanto hay
orientaciones del plano de corte que motivan situaciones límite, conducen a las denominadas
cónicas degeneradas.

Si el plano de corte:

a) es perpendicular al eje del cono y pasa por su vértice, la intersección es un punto.

b) contiene a una generatriz, y pasa por el vértice, ambas superficies tienen en común una recta.

c) contiene al eje del cono, la intersección de ambas superficies es un par de rectas que se cortan
en el vértice del cono.

Se denomina cónica a una curva plana abierta o cerrada tal que el cociente entre, la distancia
entre P, uno cualesquiera de sus puntos, y un punto fijo F y la distancia entre el punto P y una
recta fija d, es constante.
Elipse

Se denomina elipse al conjunto de puntos del plano tales que la suma de sus distancias a dos puntos
fijos llamados focos es constante. Una elipse es una curva plana cerrada.

Elipse horizontal

Elementos

 Focos: F1= (c, 0) y F2= (-c, 0)

 Vértices: A= (a, 0) y A’= (-a, 0) B= (0, b) y B’=(0,-b)

 Excentrididad:
 Punto c:

 Directrices:
 Para cualquier elipse se cumple que e<1

La ecuación que describe simbólicamente a una elipse de este tipo es

Elipse vertical

La ecuación canónica que describe una elipse vertical es

Sus focos son F1= (0, c) y F2= (0,-c)

Sus directrices son:

Vértices: A= (a, 0) y A’= (-a, 0) B= (0, b) y B’=(0,-b)

Hipérbola

Se denomina hipérbola al conjunto de puntos del plano tales que el valor absoluto de la diferencia
de las distancias a dos puntos fijos llamados focos es una constante. Se llama centro de la hipérbola
al punto medio del segmento que une los focos.

Hipérbola horizontal

La siguiente es la ecuación canónica de una hipérbola horizontal.

Vértices: Son los puntos A1= (a, 0), A2= (-a, 0), B1= (0, b), B2=(0,-
b)

Son los puntos F1= (c, 0) y F2= (-c,0)

Para cualquier hipérbola, e >1

Directrices: n 𝑥 = ± 𝑎/e

Hipérbola vertical

F1= (0, c) y F2= (0,-c)

Para cualquier hipérbola, e >1

Directrices: 𝑦 = ± 𝑏/e

Vértices: Son los puntos A1= (a, 0), A2= (-a, 0), B1= (0, b), B2=(0,-b)

Resumiendo

Parábola

Dada una recta fija d y un punto fijo F en el plano, se llama parábola al conjunto puntos del plano
tales que equidistan de la recta y del punto.

Vértice: V= (0,0)

F= (c, 0)

e=1
Directriz: Es la recta de ecuación x =-c

La directriz no corta a la curva.

Superficies Cuádricas
Se llama superficie al conjunto de puntos cuyas coordenadas satisfacen una ecuación de la forma
𝐹(𝑥, 𝑦, 𝑧) = 0
Elipsoide

Esfera

Hiperboloide de una hoja (H1)

Hiperboloide de dos hojas (H2)

Cono (C)

Paraboloide elíptico (PE)

Paraboloide hiperbólico (PH)

Par de planos secantes

Par de planos paralelos

Por ejemplo: 4𝑥2 = 1

Plano doble

Por ejemplo: 𝑦2 = 0

Punto: P = (x, y, z)

Cilindro elíptico (CE)

Cilindro hiperbólico (CH)

Cilindro Parabólico (CP)