Unidad 1 A 5 Teoria

UNIDAD 1
VECTORES-RECTA-PLANO
Vectores Recta
Representacin en 2 y 3 3 Ecuacin vectorial de la recta en el plano 22
Vectores en 2 y 3 5 Ecuacin de la recta a partir de un punto y su pendiente 25
Componentes cartesianas o rectangulares de un vector 5 Ecuacin general o implcita de la recta en el plano 25
Mdulo o Norma de un vector 9 Ecuacin de la recta en forma segmentaria 26
Clasificacin de vectores 10 Ecuacin vectorial de una recta en el espacio 30
Operaciones con vectores 11 Condicin de paralelismo y perpendicularidad 34
Adicin 11 Ecuacin de la recta dados dos puntos del plano 37

Regla del paralelogramo 11 Ecuacin de la recta dado dos puntos en el espacio 38
Regla de la poligonal 12
Sustraccin 13 Plano
Multiplicacin de un vector por un escalar 14 Ecuacin en forma vectorial 39
Producto escalar 15 Ecuacin en forma paramtrica 39
Propiedades del producto escalar 16 Ecuacin en forma general 40
Condicin de perpendicularidad de vectores 16 Ecuacin normal 40
Condiciones de paralelismo de vectores 17 Casos particulares 43
Vector asociado a un punto 18 Condiciones de paralelismo y perpendicularidad entre
46
Versores fundamentales 19 planos
Expresin cartesiana de un vector 19 Mapa conceptual 47
Operaciones con vectores en forma cartesiana 20
Alicia Fraquelli Andrea Gache 2

VECTORES, RECTAS Y PLANOS
REPRESENTACIN DE PUNTOS EN 2 Y 3
Los elementos de 2 , se asocian con los puntos del plano, cada punto P a; b se asocia con un punto de coordenada a en el eje x y la
coordenada b en el eje y
Ejemplo
La representacin del punto P 4;3 de 2

Los elementos de 3 , se asocian con los puntos del espacio, cada punto P a; b; c se asocia con un punto de coordenada a en el eje x , la
coordenada b en el eje y la coordenada c en el eje z
Ejemplo
La representacin del punto P= 3;4;2 de 3

VECTORES EN 2 Y 3
Un vector es un segmento orientado que se representa grficamente por una flecha que va desde el punto
llamado origen al punto llamado extremo.
La longitud del vector es su mdulo o norma.
La recta a la que pertenece da la direccin y la orientacin nos indica el sentido. Por lo tanto un vector
tiene origen, mdulo, direccin y sentido.
Un vector se simboliza como u . El mdulo se indica u .
COMPONENTES CARTESIANAS O RECTANGULARES DE UN VECTOR
En 2 :
Dado el vector u definido por los puntos P1 x1 ; y1 y P2 x2 ; y2 las
componentes cartesianas o rectangulares son las proyecciones de ese vector

sobre los ejes de coordenadas: ux x2 x1 , u y y2 y1
Se puede definir un vector como un par ordenado de nmeros reales. Esos

nmeros son las componentes del vector, en el orden x, y.
Es decir:
u ux ; u y x2 x1 ; y2 y1

Ejemplo 1
Sean los puntos P1 6;4 y P2 12;8 . Las coordenadas del vector definido por ellos son:

u ux ; u y x2 x1 ; y2 y1 6;4

En 3
Dado el vector u definido por los puntos P1 x1 ; y1 ; z1 y P2 x2 ; y2 ; z2 las componentes cartesianas o rectangulares son las proyecciones de
ese vector sobre los ejes de coordenadas: ux x2 x1 , u y y2 y1 , uz z2 z1
Se puede definir un vector como una terna ordenada de nmeros reales. Esos nmeros son las componentes del vector, en el orden x, y, z.
Es decir:
u ux ; u y ; uz x2 x1 ; y2 y1 ; z2 z1

Ejemplo 1
Sean los puntos P1 4;1;1 y P2 7;5;3 . Las coordenadas del vector definido por ellos son:

u ux ; u y ; uz x2 x1 ; y2 y1 ; z2 z1 7 4;5 1;3 1 3;4;2

MDULO O NORMA DE UN VECTOR

Dado el vector u ux ; u y x2 x1 ; y2 y1 , definido por los puntos P1 x1 ; x2 y P2 y1 ; y2 , aplicando el teorema de Pitgoras
podemos afirmar que:
x2 x1 y2 y1
2 2
u
En el espacio el mdulo de un vector se define:
x2 x1 y2 y1 z2 z1
2 2 2
u
Ejemplo 1

Tomando como ejemplo el vector de 2 (pgina 5) de componentes u ux ; u y 6 ;4 , su mdulo es:
x2 x1 y2 y1 12 6 8 4
2 2 2 2
u 62 42 36 16 52 2. 13
Ejemplo 2

Tomando como ejemplo el vector de 3 (pgina 7) de componentes u ux ; u y ; uz 3;4;2 , su mdulo es:
x2 x1 y2 y1 z2 z1
2 2 2
u 32 42 22 9 16 4 29

CLASIFICACIN DE VECTORES

OPERACIONES CON VECTORES
ADICIN
El vector suma o vector resultante de varios vectores libres es el que tiene por componentes la suma de las componentes correspondientes de los
sumandos.

u ux ; u y , v v ;v , u v u
x y x v x ; uy v y
1) REGLA DEL PARALELOGRAMO

Dados los vectores u y v , si se toman vectores equipolentes a u y a v con el mismo origen, se define al vector suma u v como la
diagonal de paralelogramo determinado por u y v que pasa por dicho origen.
Ejemplo

2) REGLA DE LA POLIGONAL
Dados dos vectores u y v , si se lleva a partir de un punto cualquiera del plano un vector equipolente a u y desde su extremo un vector
equipolente a v , el vector suma u v es el que tiene como origen el origen del vector u y como extremo el extremo del vector v .
Ejemplo Observacin
El vector suma es el mismo, independiente del

mtodo aplicado para hallarlo.

SUSTRACCIN
El vector diferencia de dos vectores es el que tiene por componentes la resta de las componentes correspondientes a ambos vectores. Para restar
dos vectores se suma al minuendo el vector opuesto al sustraendo. Se puede emplear cualquiera de los mtodos descriptos para la adicin.

u ux ; u y , v v x ; v y , u v u v u x v x ; u y v y u x v x ; uy v y
Aclaracin:
El vector opuesto es el que tiene
igual mdulo y direccin, pero Ejemplo
sentido contrario.

MULTIPLICACIN POR UN ESCALAR
El producto .u y 0 es otro vector cuyos elementos son:
Mdulo .u . u
Ejemplo
Direccin .u es igual a la direccin de u
Sentido si 0 el sentido de .u es igual al del vector u
si 0 el sentido de .u es opuesto al del vector u
Cuando 0 se obtiene el vector nulo

Cuando 1 entonces u u .
Ejemplo

PRODUCTO ESCALAR
El producto escalar de dos vectores en n es la funcin:
: n n / x y x1 . y1 x2 . y2 ... xn . yn
Donde: x ( x1 ; x2 ; x3 ; ... ; xn ) n e y ( y1; y2 ; y3 ; ... ; yn ) n
Ejemplo
Sean los vectores a (1;2) , b (5;4) y c ( 5;9) hallar el producto escalar indicado:
a) a b b) a c c) c b d) a a
a) a b 1;2 5;4 1.5 2.4 5 8 13 a b 13
b) a c 1; 2 5;9 1.( 5) 2.9 5 18 13 a c 13
c) c b 5; 9 5;4 (5).5 9.4 25 36 11 c b 11
d) a a 1; 2 1; 2 1.1 2.2 1 4 5 a a5

PROPIEDADES DEL PRODUCTO ESCALAR
1. Conmutativa
x y y x
2. Distributividad respecto de la adicin de vectores:
x (y z) x y x z
3. Asociatividad mixta
( x y ) ( x ) y
4. El producto escalar de un vector no nulo por s mismo es siempre positivo
x 0 x x0
Condicin de perpendicularidad
5. Dos vectores son ortogonales si y slo si su producto escalar es nulo
de vectores
x es ortogonal a y x y0

Ejemplos
Dados los vectores u (1; 3) y v ( 3; 1) de 2

a) Representarlos grficamente. Qu ngulo forman entre ellos?
Observa que los vectores son
ortogonales, ya que forman un
b) Verificar que su producto escalar es igual a 0. ngulo de 90
u v 1; 3 3;1 1. 3 3.1 3 3 0 u v 0
Hallar el valor de x, para que el vector v (4; 1; 5) sea ortogonal al vector u ( x; 2; 2) es:
u v ( x ; 2;2) (4; 1;5) 4 x 2 10 0 4 x 12 0 x 3
CONDICIN DE PARALELISMO
Dos vectores son paralelos si sus componentes son proporcionales u v v .u
Ejemplo
Los vectores u 1;3 y v ( 3; 9) de 2 son paralelos ya que sus componentes son proporcionales
ux v x 1 3

uy v y 3 9

VECTOR ASOCIADO A UN PUNTO
Se llama as al vector que tiene origen en el origen de coordenadas y extremos en el punto P
En 2 sean los puntos de coordenadas O 0;0 y P a; b el vector asociado al punto P es el vector

OP (a; b ) porque OP a 0; b 0 a; b
En 3 sean los puntos de coordenadas O 0;0;0 y P a; b ; c el vector asociado al punto P es el vector

OP a; b; c porque OP a 0; b 0; c 0 a; b; c

VERSORES FUNDAMENTALES
Se llama as a los vectores de mdulo 1 que tienen la direccin y el sentido de los semiejes positivos
EXPRESIN CARTESIANA DE UN VECTOR

Dado un vector OP a; b de 2 el mismo puede descomponerse como suma de los vectores OP a i b j

Si el vector es de 3, OP a; b ; c el mismo puede descomponerse como suma de los vectores

OP a i b j c k
Ejemplo

Dado un vector OP 4;3 de su expresin cartesiana es OP 4 i 3 j
2

OPERACIONES CON VECTORES EN FORMA CARTESIANA
Ejemplos
Sean los vectores u 2;3 v 5; 3 w 1;2 de 2
a) Expresarlos en forma cartesiana

u 2;3 u 2 i 3 j v 5; 3 v 5 i 3 j w 1;2 w i 2 j
b) Calcular u 2v 4w
u 2v 4 w 2;3 2 5; 3 4 1;2 2;3 10; 6 4;8 16; 11

u 2v 4 w 2 i 3 j 2 5 i 3 j 4 1 i 2 j 2 i 3 j 10 i 6 j 4 i 8 j 16 i 11 j

Dados los puntos de 3: A 2; 1;3 , B 0;1; 2 , C 1;1; 1 y D 3, 0, 2 realizar las siguientes operaciones :
1
a ) AB 2 CD b) AB DC c ) OA 2 BC CD
3 Para hallar las componentes del
Calculamos los vectores necesarios para realizar las operaciones indicadas: vector restamos extremo menos origen

AB B A 0; 1; 2 2; 1; 3 AB 2; 2; 5

OA A O 2; 1; 3 0; 0; 0 OA 2; 1; 3

CD D C 3; 0; 2 1; 1; 1 CD 2; 1; 3

BC C B 1; 1; 1 0; 1; 2 BC 1; 0; 1

DC C D 1; 1; 1 3; 0; 2 DC 2; 1; 3

a ) AB 2 CD 2; 2; 5 2 2; 1; 3 2; 2; 5 4; 2; 6 AB 2 CD 2; 0; 1 AB 2 CD 2 i k

b) AB DC 2; 2; 5 2; 1; 3 AB DC 0; 1; 2 AB DC j 2k
1 1 2 1
c ) OA 2 BC + CD 2; 1; 3 2 1; 0; 1 2; 1; 3 2; 1; 3 2; 0; 2 ; ; 1
3 3 3 3
1 2 4 1 2 4
OA 2 BC CD ; ; 2 OA 2 BC CD i j 2k
3 3 3 3 3 3

ECUACIN VECTORIAL DE LA RECTA
Una recta est determinada por dos puntos. La misma tambin queda determinada por un punto y una direccin, por consiguiente por un punto de
la recta y un vector paralelo a la recta.
EN EL PLANO:
Consideremos una recta l en el plano, sea un P0 punto de l y v un vector paralelo a l.
Un punto P P0 pertenece a la recta l si y solo si P0 P es paralelo a v , es decir,
P0 P v para cualquier 0 . Si 0 , entonces P0 = P, si colocamos un sistema
coordenado de tal forma que el origen O, coincida con el origen del vector v .
Por adicin de vectores OP OP0 P0 P , reemplazando P0 P v obtenemos la

ecuacin que se conoce con el nombre de ecuacin vectorial de la recta l que pasa por
el punto P y tiene la direccin del vector v
OP OP0 P0 P OP0 v
x; y x0 ; y0 v x ; v y
Ecuacin Vectorial de la recta
con
Ejemplo 1
Pasa por el punto P0 (1;4) y tiene por vector director a v (3;1 )

De acuerdo a los datos escribimos ( x ; y ) ( 1;4) (3;1) con

A partir de la ecuacin vectorial de la recta podemos hallar las llamadas ecuacin paramtrica y la ecuacin simtrica de una recta.
Sea P ( x ; y ) un punto genrico de la recta, P0 ( x0 ; y0 ) un punto de la recta y v (v x ;v y ) una direccin en el espacio.
Sabemos que la ecuacin vectorial de la recta es ( x ; y ) ( x0 ; y0 ) ( v x ; v y ) con
Si realizamos las operaciones, es decir multiplicamos por el vector v (v x ;v y ) y sumamos los vectores obtenemos por igualdad de vectores la
ecuacin paramtrica de la recta.
( x; y ) ( x0 ; y0 ) ( v x ; v y ) con Dos vectores son iguales si y slo si

sus componentes respectivas lo son.
( x; y ) ( x 0 v x ; y 0 v y )
x x0 v x

con Ecuacin paramtrica de la recta
y y0 v y

Despejando en las tres igualdades e igualando los trminos, obtenemos la expresin cartesiana de la recta
x x0
x x0 v x x x0 v x v
x x0 y y0

con
x
Ecuacin simtrica de la recta
y y v y y v y y0
vx vy
0 y 0 y
vy

Ejemplo 1
Hallar la ecuacin paramtrica y simtrica de la recta que pasa por el punto P0 (1;4) y tiene por vector director a v (3;1 )
( x ; y ) ( 1;4) (3;1) con

Ecuacin vectorial
De acuerdo a los datos escribimos
x1
x 1 3 x 1 3 x1
3 y4
y 4 y4 y 4 3
Ecuacin paramtrica Ecuacin simtrica
Ejemplo 2
Hallar la ecuacin paramtrica y cartesiana de la recta que pasa por el punto P0 (1;4) y tiene por vector director a v (3;0 )
Atencin: Como no se
puede dividir por 0, la
ecuacin queda expresada
( x ; y ) ( 1;4) (3;0 ) con
de esta forma:
De acuerdo a los datos escribimos
x1
x 1 3 x 1 3 x1
3 ;y4
y 4 0 y4 y4
3

ECUACIN DE LA RECTA A PARTIR DE UN PUNTO Y SU PENDIENTE
x x0 y y0
Partiendo nuevamente de la ecuacin simtrica de una recta
vx

vy
, donde P0 x0 ; y0 es un punto de la recta y v v x ; v y su
vector director, operando:
x x0 y y0 vy
vx

vy

vx
x x0 y y0
vy
Si llamamos m y y0 m x x 0 y m x x0 y0 Ecuacin explcita de la recta
vx
ECUACIN GENERAL O IMPLCITA DE LA RECTA EN EL PLANO
x x0 y y0
Partiendo de la ecuacin simtrica de una recta
vx

vy

, donde P0 x0 ; y0 es un punto de la recta y v v x ; v y su vector director,
operando:
x x0 y y0
v y x x0 v x y y0 v y x v y x 0 v x y v x y 0 0
vx vy
Si llamamos A vy B v x C v x y0 v y x 0 Ax By C 0 Ecuacin general o implcita de la recta

ECUACIN DE LA RECTA EN FORMA SEGMENTARIA
Partiendo de la ecuacin general de la recta, cuando A 0, B 0 y C 0 la recta corta a los ejes cartesianos, una forma para encontrar esos
puntos de corte es expresar a la recta en forma segmentaria
Ax By C
Ax By C 0 Ax By C
C C C
Dividiendo miembro a miembro por C 0 y operando:
x y
dado que A 0 y B 0 1
C C
A B
C C
Llamando a y b
A B
x y
1 Ecuacin de la recta en forma segmentaria
a b

Ejemplo 1
Hallar la ecuacin de la recta que pasa por el punto P0 1;4 y cuyo vector director es v 2;5 ,
expresarla en forma general, explcita y segmentaria
x 1 y 4
Sabemos que su ecuacin en forma simtrica es: , operando obtenemos
2 5
x 1 y 4
5 x 1 2 y 4 5 x 5 2 y 8
2 5
5x 2 y 5 8 0 5 x 2 y 3 0 Ecuacin general
x 1 y 4 5 5 5 3
x 1 y 4 y 4 x 1 y x Ecuacin explcita
2 5 2 2 2 2
5 2 3 x y
5 x 2 y 3 0 5 x 2 y 3 x y 1 Ecuacin segmentaria
3 3 3 3 3
5 2

Ejemplo 2
Hallar las ecuaciones paramtricas y en forma simtrica de la recta cuya ecuacin general es: 2 x 3 y 6 0
De la expresin implcita de la recta obtenemos la expresin explcita
2 6 2
2 x 3 y 6 0 2x 6 3 y x y y x2 Ecuacin explcita
3 3 3
2
Si m u (3;2 ) y si la ordenada al origen es 2 , la recta pasa por el punto (0;2) entonces
3
x 3
la Ecuacin vectorial es ( x ; y ) (0;2) (3;2) Ecuacin paramtrica
y 2 2
x
x 3 3 x y2
Si Forma simtrica
y 2 2 y 2 3 2
2

Ejemplo 3
Hallar las ecuaciones vectorial, explcita, implcita, segmentaria y en forma paramtrica de la recta que pasa por P 4;5 y tiene
pendiente 2.
El punto P 4;5 pertenece a dicha recta.

y2 y1 2
Si su pendiente es 2: m m 2 v (1;2) ( x ; y ) (4;5) (1;2) Ecuacin vectorial
x2 x1 1
Escribimos la ecuacin de la recta que pasa por un punto y tiene pendiente m
y y A m ( x x A ) y 5 2( x 4) y 2 x 8 5 y 2 x 3 Ecuacin explcita
2 x y 3 0 Ecuacin implcita
Como 2 x y 3 0
2 x y x y
2 x y 3 1 1 Ecuacin segmentaria
3 3 3 2 3
x 4
Si ( x ; y ) (4;5) (1;2) ( x ; y ) (4 ;5 2 ) Ecuacin paramtrica
y 5 2

ECUACIN VECTORIAL DE LA RECTA EN EL ESPACIO
Consideremos una recta l en el espacio, sea un P0 punto

de l y v un vector paralelo a l.
Un punto P P0 estar en la recta l si y solo si P0 P es paralelo
a v , es decir, P0 P v para cualquier 0 .
Si 0 , entonces P0 = P, si colocamos un sistema coordenado

de tal forma que el origen O, coincida con el origen del vector v .
Por adicin de vectores OP OP0 P0 P , reemplazando
P0 P v obtenemos la ecuacin que se conoce con el nombre de
ecuacin vectorial de la recta l que pasa por el punto P y tiene la

direccin del vector v
OP OP0 P0 P OP0 v
x ; y ; z x0 ; y0 ; z0 v x ; v y ; v z con

Ejemplo 1
Pasa por el punto P0 (2;4;1) y tiene por vector director a v (3;1;2 )
De acuerdo a los datos escribimos ( x ; y ; z ) (2;4;1) (3;1;2 ) con
Ejemplo 2
Pasa por el punto P0 ( 4; 3;2 ) y la direccin del vector v (1;3;3 )
Reemplazando en ( x; y; z ) ( x0 ; y0 ; z0 ) ( v x ; v y ; v z ) ( x; y; z ) ( 4; 3;2 ) (1;3;3 ) con
Ejemplo 3
Pasa por el punto P0 (1; 6; 6 ) y la direccin del vector v (1;0; 3 )
Reemplazando en ( x; y; z ) ( x0 ; y0 ; z0 ) ( v x ; v y ; v z ) ( x; y; z ) (1; 6;6) (1;0; 3 ) con

A partir de la ecuacin vectorial de la recta podemos hallar las llamadas ecuacin paramtrica y la ecuacin simtrica de una recta.
Sea P ( x; y; z ) un punto genrico de la recta, P0 ( x0 ; y0 ; z0 ) un punto de la recta y v (v x ;v y ; v z ) una direccin en el espacio.
Sabemos que la ecuacin vectorial de la recta es ( x ; y ; z ) ( x ; y ; z ) ( v ; v ; v ) con
0 0 0 x y z
Si realizamos las operaciones, es decir multiplicamos por el vector v (v x ;v y ; v z ) y sumamos los vectores obtenemos por igualdad de vectores
la ecuacin paramtrica de la recta.
( x; y; z ) ( x 0 ; y0 ; z 0 ) ( v x ; v y ; v z ) con
Dos vectores son iguales si y slo si
sus componentes respectivas lo son.
( x ; y; z ) ( x 0 v x ; y 0 v y ; z 0 v z )
x x0 v x

y y0 v y con Ecuacin paramtrica de la recta

z z0 v z
Despejando en las tres igualdades e igualando los primeros miembros, obtenemos la expresin simtrica de la recta
x x0
x x0 v x x x0 v x
vx
y y0 x x 0 y y0 z z 0
y y0 v y y y0 v y con Ecuacin simtrica de la recta
v vx vy vz
y
z z0
z z0 v z z z0 v z v
z

Ejemplo 1
Hallar la ecuacin paramtrica y simtrica de la recta que pasa por el punto P0 ( 4; 3;2 ) y tiene la direccin del vector v (1;3;3 )
Reemplazando en ( x; y; z ) ( x0 ; y0 ; z0 ) ( v x ; v y ; v z ) ( x; y ; z ) ( 4; 3;2 ) (1;3;3 ) con
Para obtener la expresin simtrica podemos reemplazar directamente en la frmula o realizar los siguientes pasos

x 4 x 4

y3 x 4 y 3 z 2
Si ( x ; y ; z ) ( 4; 3;2 ) (1;3;3 ) y 3 3 igualando se obtiene
3 1 3 3
z2
z 2 3 3
Ecuacin vectorial
Ecuacin simtrica
Ecuacin paramtrica
Ejemplo 2
Hallar la ecuacin paramtrica y simtrica de la recta que pasa por el punto P0 ( 5; 3;1) y tiene la direccin del vector v (0;3;2 )

x 5 0 x 5

y3 y 3 z 1
( x; y; z ) ( 5; 3;1) ( 0;3;2 ) con y 3 3 ; x5
3 3 2
z 1
z 1 2 2

CONDICIN DE PARALELISMO Y PERPENDICULARIDAD
La condicin necesaria y suficiente para que dos rectas sean paralelas es que sus vectores directores sean proporcionales. Si las
rectas estn dadas en forma explcita la condicin es que sus pendientes sean iguales, para que tengan la misma direccin.
Ejemplo 1
Las rectas r1 : ( x ; y ) ( 1;4) (3;1) con y r2 : ( x ; y ) (0;5) (6;2 ) con son paralelas dado que sus
vectores directores son proporcionales, dado que 6;2 2 3;1
1 13 1
r1 : y x m1 =
3 3 3
Si expresamos las rectas en forma explcita: m1 m2 r1 r2
1 1
r2 : y x 5 m2 =
3 3
Ejemplo 2
x 1 z 3
Hallar la ecuacin de la recta en forma vectorial de que pasa por el punto P1 ( 4;2; 1) y es paralela a la recta ; y2
2 2
x 1 z 3
Si la recta debe ser paralela a ; y 2 entonces su vector director es: v ( 2;0; 2 )
2 2
Reemplazando en ( x; y; z ) ( x0 ; y0 ; z0 ) ( v x ; v y ; v z ) ( x; y; z ) ( 4;2; 1) ( 2;0; 2 ) con

Ejemplo 3
Hallar el vector director de la recta y dar la ecuacin de la paralela que pasa por el punto indicado en cada caso, expresarla en forma vectorial
x 1 y 2 z 1
P (1; 1;5 )
3 4 2
x x 0 y y0 z z 0
Recordando que la expresin simtrica es: entonces v (v x ; v y ; v z ) (3;4;2 )
vx vy vz
Reemplazando en ( x; y; z ) ( x0 ; y0 ; z0 ) ( v x ; v y ; v z ) ( x; y; z ) (1; 1;5 ) ( 3;4;2 ) con
Ejemplo 4
Hallar el vector director de la recta y dar la ecuacin de la paralela que pasa por el punto indicado en cada caso, expresarla en forma vectorial
x 1
y3 ;z 2 R ( 2;1;1)
2
Observando la forma simtrica dada, los denominadores son las componentes del vector director de la recta por lo tanto
v (v x ; v y ; v z ) (2;1;0 )
Reemplazando en ( x; y; z ) ( x0 ; y0 ; z0 ) ( v x ; v y ; v z ) ( x; y; z ) ( 2;1;1) (2;1;0 ) con

La condicin necesaria y suficiente para que dos rectas sean perpendiculares es que el producto escalar de sus vectores directores sea nulo.
Si las rectas estn expresadas en forma explcita la condicin de perpendicularidad es que las pendientes de las rectas sean recprocas y
opuestas.
Ejemplo 1
Las rectas r1 : ( x ; y ) ( 1;4) (3;1) con y r2 : ( x ; y ) (0;5) (1; 3 ) con son perpendiculares dado que:
Si realizamos el producto escalar entre el vector director de r1 : v1 (3;1) y el de r2 : v2 (1; 3 ) , dicho producto es nulo.
r1 r2 v1 v2 0 v1 v 2 (3;1) (1; 3 ) 3.1 1. 3 0 r1 r2
1 13 1
r1 : y x m1 = 1
Si expresamos las rectas en forma explcita 3 3 3 m2 = r1 r2
m1
r2 : y 3 x 5 m 2 = 3
Ejemplo 2
Las rectas r1 : ( x ; y ; z ) (0;4;2) (3; 1;2 ) con y r2 : ( x ; y ; z ) (1;1;6) (2;2; 2) con son
perpendiculares dado que:
Si realizamos el producto escalar entre el vector director de r1 : v1 (3; 1;2 ) y el de r2 : v2 (2;2; 2 ) , dicho producto es nulo.
r1 r2 v1 v2 0
v1 v2 (3; 1;2) (2;2; 2 ) 3.2 1 .2 2. 2 0 r1 r2

ECUACIN DE LA RECTA DADO DOS PUNTOS EN EL PLANO

Sea P ( x; y ) un punto genrico de la recta y dos puntos de la misma P0 ( x0 ; y0 ) y P1 ( x1 ; y1 ) , el vector P0 P 1 ( x1 x0 ; y1 y0 )
determina la direccin de la recta, luego:
( x ; y ) ( x0 ; y0 ) ( x1 x0 ; y1 y0 ) con Ecuacin vectorial de la recta
x x0 ( x1 x0 ) x x0 y y0
con Ecuacin paramtrica de la recta con x1 x0 , y1 y0
y y 0 ( y1 y 0 ) x1 x0 y1 y0
Ejemplo
Hallar la ecuacin de la recta que pasa por los puntos P0 (1;2 ) y P1 (4 ;3)
Reemplazando en ( x ; y ) ( x0 ; y0 ) ( x1 x0 ; y1 y0 ) ( x ; y ) (1;2) ( 4 1;3 2 )
( x; y ) (1;2) ( 3;1) con Ecuacin vectorial de la recta

x 1
x 1 3 x 1 y2
Si ( x; y ) (1;2 ) ( 3;1) 3 igualando se obtiene: Ecuacin simtrica de la recta
3 1
y 2 y2
Ecuacin paramtrica de la recta

ECUACIN DE LA RECTA DADO DOS PUNTOS EN EL ESPACIO
Sea P ( x; y; z ) un punto genrico de la recta y dos puntos de la misma P0 ( x0 ; y0 ; z0 ) y P1 ( x1 ; y1 ; z1 ) , el vector

P0 P 1 ( x1 x0 ; y1 y0 ; z1 z0 ) es la direccin de la recta, luego:
( x; y; z ) ( x0 ; y0 ; z0 ) ( x1 x0 ; y1 y0 ; z1 z0 ) con
Ecuacin vectorial de la recta
x x0 ( x1 x0 )
x x0 y y0 z z0
y y0 ( y1 y0 ) con con x1 x0 , y1 y0 , z1 z0
z z (z z )
Ecuacin paramtrica x1 x0 y1 y0 z1 z0
0 1 0
Ejemplo
Hallar la ecuacin de la recta que pasa por los puntos P0 (1;2;3 ) y P1 ( 3;2;1)
Reemplazando en ( x ; y ; z ) ( x0 ; y0 ; z0 ) ( x1 x0 ; y1 y0 ; z1 z0 ) ( x; y; z ) (1;2;3 ) ( 3 1;2 2;1 3 )
( x; y ; z ) (1; 2 ;3 ) ( 2; 0 ; 2 ) con Ecuacin vectorial de la recta

x 1
x 1 2 2
x 1 z 3
Si ( x; y; z ) (1;2;3 ) ( 2;0 ; 2 ) y 2 y2 igualando se obtiene: ; y 2 Ecuacin simtrica de la recta
2 2
z3
z 3 2
2
Ecuacin paramtrica de la recta

PLANO
Existen diferentes formas de expresar la ecuacin de un plano.
ECUACIN EN FORMA VECTORIAL

El plano que contiene al punto P0 ( x0 ; y0 ; z0 ) y tiene como vectores directores los vectores u y v es el conjunto de puntos del espacio que
verifican la siguiente relacin vectorial:
P0 P u v con ,
Teniendo en cuenta que OP OP 0 P0 P , se obtiene OP OP 0 u v expresin que se conoce como ecuacin vectorial del plano.
ECUACIN EN FORMA PARAMTRICA

Desarrollando la ecuacin vectorial expresada en componentes: ( x; y ; z ) ( x0 ; y0 ; z0 ) ( ux ; u y ; uz ) (v x ; v y ; v z ) se obtiene:
x x0 u x v x

: y y0 u y v y expresin que se conoce como ecuacin en forma paramtrica.

z z 0 uz v z
ECUACIN EN FORMA GENERAL
x x0 y y0 z z0
Como OP OP 0 u v en el determinante ux uy uz la primera fila es combinacin lineal de la segunda y de la tercera.
vx vy vz
Por lo tanto dicho determinante es cero. Desarrollando el determinante, agrupando trminos e igualando a 0, nos queda una ecuacin de la forma:
: ax by cz d 0 con a , b, c y d reales que es la ecuacin en forma general, cartesiana o implcita del plano.
ECUACIN NORMAL
Otra forma de determinar la ecuacin de un plano es conociendo un punto del mismo y un vector
normal al plano.
Sea P0 ( x0 ; y0 ; z0 ) un punto dado del plano y sea n (a; b; c ) un vector normal a .
Entonces, para cualquier punto P ( x; y; z ) del plano , el vector P0 P es perpendicular a n , de

manera que:
n . P0 P 0 Expresin que recibe el nombre de ecuacin normal del plano.
A partir de la ecuacin normal del plano se puede obtener muy fcilmente su ecuacin general:
n . P0 P a( x x0 ) b( y y0 ) c( z z0 ) 0 ax by cz d 0 donde ax0 by0 cz0 d

Ejemplo 1
Determinemos las ecuaciones del plano que contiene a los puntos: P0 (1;0;0), P1 (0;1;0) y P2 (0;0;1)
Tanto P0 P1 P1 P0 , como P0 P2 P2 P0 son vectores directores del plano , de manera que: OP OP 0 P0 P1 P0 P2 , es decir:
P0; P1 P1 P0 (0;1;0) (1;0;0) (1;1;0)
P0 P2 P2 P0 (0;0;1) (1;0;0) ( 1;0;1)
( x; y; z ) (1;0;0) ( 1;1;0) ( 1;0;1) es la ecuacin vectorial del plano .
x 1

De la cual podemos deducir la ecuacin del plano en forma paramtrica: : y
z

x 1 y z
Como ( x 1; y; z ) es una combinacin lineal de los vectores ( 1;1;0) y ( 1;0;1) resulta que 1 1 0 0 resolviendo se obtiene la
1 0 1
ecuacin del plano en forma general, cartesiana o implcita: x y z 1 0

Ejemplo 2
Hallar la ecuacin del plano: que pasa por P0 (1;2;3) y cuyo vector normal es n ( 1;2;1 )

P0 P P P0 ( x x0 ; y y0 ; z z0 ) P0 P ( x 1; y 2; z 3)

P0 P n 0 ( x x0 ; y y0 ; z z0 ) n 0 ( x 1; y 2; z 3) ( 1;2;1) 0 ( x 1)( 1) ( y 2).2 ( z 3).1 0
x 1 2y 4 z 3 0 x 2y z 6 0 Ecuacin cartesiana
Ecuacin general del plano
Ejemplo 3 x 2 y 3 z 1
Hallar la ecuacin del plano: que pasa por P0 ( 1;3;2 ) y es perpendicular a la recta:
4 2 5
La recta es perpendicular al plano por lo tanto su vector director es perpendicular al mismo. El vector director de la recta es normal al plano o
sea tiene la misma direccin que la normal del plano.
x 2 y 3 z 1
El vector director de la recta es v (v x ; v y ; v z ) (4;2;5)
4 2 5
La ecuacin del plano buscada es:
( x x0 ).v x ( y y0 ).v y ( z z0 ).v z 0

( x 1).4 ( y 3).2 ( z 2).5 0
4 x 2 y 5 z 12 0

CASOS PARTICULARES
La ecuacin general del plano es Ax By Cz D 0

Si D 0 Ax By Cz 0 Plano que pasa por el origen de coordenadas
Primer Caso: Es nulo un coeficiente
a) A 0 By Cz D 0 Plano paralelo al eje x

Si adems D 0 By Cz 0 Plano que contiene al eje x
b) B 0 Ax Cz D 0 Plano paralelo al eje y
Si adems D 0 Ax Cz 0 Plano que contiene al eje y
c) C 0 Ax By D 0 Plano paralelo al eje z

Si adems D 0 Ax By 0 Plano que contiene al eje z

Segundo Caso: Son nulos dos coeficientes
D
a) A 0 B 0 Cz D 0 z Plano paralelo al plano xy
C
Si adems D 0 z0 Plano que contiene al plano xy
D
b) B 0 C 0 Ax D 0 x Plano paralelo al plano yz
A
Si adems D 0 x 0 Plano que contiene al plano yz
D
c) A 0 C 0 By D 0 y Plano paralelo al plano xz
B
Si adems D 0 y0 Plano que contiene al plano xz

Dados los siguientes planos
Indicar:
a) Si pasa por el origen de coordenadas

b) Si es paralelo a algn eje coordenado (indicar a cul)
c) Si contiene a algn eje coordenado (indicar a cul)
d) Si es paralelo a algn plano coordenado (indicar a cul)
e) Si es un plano coordenado
Ejemplo 1 x y30
En x y 3 0 los coeficientes son A 1 B 1 C 0 D 3 entonces

a) El plano no pasa por el origen de coordenadas (D = 3)
b) El plano es paralelo al eje z (C = 0)
c) El plano no contiene a ningn eje coordenado (D0)
d) El plano no es paralelo a ningn plano coordenado porque no tiene al menos dos coeficientes nulos (segundo caso)
e) El plano no es ninguno de los planos coordenados
Ejemplo 2
2x 3 0
En 2x 3 0 A 2 B 0 C 0 D 3 entonces
a) El plano no pasa por el origen de coordenadas (D=3)
b) El plano es paralelo al eje y (B= 0) y es paralelo al eje z (C=0)
c) El plano no contiene a ningn eje coordenado (D0)
d) El plano es paralelo al plano yz (B=C=0)
e) El plano no es ninguno de los planos coordenados

CONDICIN DE PERPENDICULARIDAD Y PARALELISMO ENTRE PLANOS:
Sean 1 y 2 dos planos cualesquiera, n1 y n2 sus vectores normales respectivamente:
1 2 n1 n2 (Las componentes de los vectores normales son proporcionales)
1 2 n1 n2 (El producto escalar de los vectores normales es cero)
Ejemplo
Determinar cules de los siguientes planos son paralelos y cules perpendiculares
:2 x y z 1 el vector normal es n1 (2; 1;1)
:3 x y2z 4 el vector normal es n2 (3;1; 2) 2n1 n3

: 4 x 2 y 2 z 5 el vector normal es n3 (4; 2;2) n2 n4 0
: x y z 1 el vector normal es n4 ( 1;1; 1)

UNIDAD 2
MATRICES Y DETERMINANTES
Alicia Fraquelli Andrea Gache

Matrices 3 Matriz simtrica 16
Orden de una matriz 3 Matriz antisimtrica 16
Igualdad de matrices 4 Matriz Inversa 17
Matriz nula 5 Propiedades 17
Matriz fila 5 Matriz ortogonal 18
Matriz columna 5 Matriz Idempotente 18
Matriz opuesta 5 Matriz Involutiva 18
Matriz cuadrada 6 Ecuaciones Matriciales 19
Matriz diagonal 6 Aplicaciones Econmicas de Matrices 23
Traza de una matriz cuadrada 6 Determinantes 25
Operaciones 7 Clculo de determinantes de rdenes 1,2 y 3 26
Adicin de matrices 7 Clculo de determinantes por los adjuntos de una lnea ( Laplace) 28
Propiedades 7 Propiedades de los determinantes 30
Sustraccin de matrices 7 Determinantes y sus propiedades_ Ejemplos 37
Multiplicacin de una matriz por un escalar 8 Clculo de determinantes por el mtodo de Gauss 40
Propiedades 8 Matriz Adjunta - Propiedad 41
Multiplicacin de matrices 9 Condicin necesaria y suficiente para la existencia de inversa 42
Propiedades 12 Clculo de la matriz inversa usando determinantes 43
Consecuencias 12 Rango. Clculo de rango usando determinantes 44
Matrices cuadradas especiales 13 Clculo de rango de una matriz por el Mtodo de Gauss- Jordan 47
Matriz triangular superior 13 Propiedades de las Matrices 53
Matriz triangular inferior 13 Comprendiendo la Matriz Insumo Producto 65
Matriz Diagonal 13 Matriz Insumo Producto 67
Matriz escalar 14 Elementos de que forman la Matriz Insumo Producto 68
Matriz identidad 14 Modelo Abierto de Leontief 71
Matriz Traspuesta - Propiedades 15 Matriz Insumo Producto - Ejemplos 72

MATRICES
El conjunto de todas las matrices de m filas y n columnas definidas sobre un cuerpo1 se anota con m x n
Notacin rectangular:
a11 a12 ... a1n

a a22 ... a2 n
A 21 m xn
... ... ... ...

am 1 am 2 ... amn

A aij m x n es la matriz de m filas y n columnas definida sobre el cuerpo (racionales, reales o complejos)
Cada elemento aij posee dos subndices: el primero i hace referencia a la fila que ocupa el mismo en la matriz y el segundo j a la columna.
Una matriz es un arreglo rectangular de nmeros reales, si est definida sobre el cuerpo de los nmeros reales.
Ejemplos
1 3 7 1
2 0 1
Los siguientes arreglos son ejemplos de matrices A 0 1 2 B 0 C
3 5 6 1 4 1 3

ORDEN DE UNA MATRIZ La matriz A es de orden 3x3 ya

que tiene tres filas y tres
Se llama orden de una matriz al nmero de filas por el nmero de columnas de dicha matriz. columnas, B es de orden 3x1 y C
El orden de una matriz de m filas y n columnas es mxn. es de orden 2x3
1
Un cuerpo es una estructura algebraica en la cual las operaciones llamadas adicin y multiplicacin se pueden realizar y cumplen las propiedades: asociativa, conmutativa y distributiva de la
multiplicacin respecto de la adicin, adems de la existencia de inverso aditivo, de inverso multiplicativo y de un elemento neutro para la adicin y otro para la multiplicacin, los cuales
permiten efectuar las operaciones de sustraccin y divisin (excepto la divisin por cero).
IGUALDAD DE MATRICES
Dos matrices A y B del mismo orden son iguales si y slo si los elementos que ocupan idnticas posiciones son iguales, es decir i , j : aij bij
Ejemplo 1
a 1

Sean A 2 y B b 3 x 1 , hallar los valores de a, b y c para que las matrices A y B sean iguales.
3x1
c 5

a 1 a 1

Aplicando la definicin de igualdad de matrices 2 b 2 b A B a 1 b 2 c 5
c 5
c 5
Ejemplo 2
2x y 4 9 4
Hallar los valores de x , y para que las matrices A y B sean iguales, siendo A y B
2x 2

2x 2
1 3 1 x y
Aplicando la definicin de igualdad de matrices escribimos:
2 x y 9
44
2 x y 9
A B entonces debemos resolver el sistema y para ello aplicamos el mtodo de reduccin por sumas y restas.
1 1 x y3
3 x y
Si sumamos miembro a miembro las ecuaciones, resulta 3 x 12 x 4
Reemplazando el valor de x en cualquiera de las ecuaciones del sistema, por ejemplo en la primera: y 9 2 x y 1
Luego A B x4 y1

MATRIZ NULA
N es la matriz nula i , j : nij 0
0 0 0 0
Ejemplos 0 0 0
N 0 0 0 N 0 N
0 0 0 0 0 0 0

Para cada tipo de matrices, existe una matriz nula
MATRIZ FILA
Es la matriz que tiene una fila y n columnas. El orden de una matriz fila es 1 x n
1
A 1 2 3 B 1 4 C 0 1 4
Ejemplos 2
La matriz A es de orden 1x3 ya que tiene una fila y

tres columnas, B es de orden 1x2 y C es de orden 1x4
MATRIZ COLUMNA
Es la matriz que tiene m filas y una columna. El orden de una matriz columna es m x 1
1
Ejemplos 2
A 0 B
8 5
La matriz A es de orden 3x1 ya que tiene tres filas y
una columna, B es de orden 2x1
MATRIZ OPUESTA
Es la matriz cuyos elementos son opuestos a los de la matriz A
Ejemplos
1 0 1 0 Los elementos de la matriz opuesta de A son opuestos a
A A los de A
2 3 2 3
MATRIZ CUADRADA
Una matriz cuadrada es aquella donde el nmero de filas es igual al nmero de columnas, en cualquier otro caso es una matriz rectangular.
1 1 6
1 0
Ejemplos A B 0 2 1 C 2
2 3 3 5 0

La matriz A es de orden 2x2 ya que

DIAGONAL DE UNA MATRIZ CUADRADA tiene dos filas y dos columnas, B es
de orden 3x3 y C es de orden 1x1

A n x n Diagonal de A a11 , a22 , , an n
Diagonal principal B 1, 2 , 0
Ejemplos
Diagonal principal A 1, 3
TRAZA DE UNA MATRIZ CUADRADA
n
A nxn Traza de A ai i a11 a22 an n Tr B 3
1
Ejemplos
Tr A 4

OPERACIONES CON MATRICES
ADICIN DE MATRICES DEL MISMO ORDEN SOBRE EL MISMO CUERPO
Sean A (aij ) m x n B (bij ) m x n : A B C siendo C (cij ) m x n / i , j : aij bij cij
PROPIEDADES DE LA ADICIN DE MATRICES

+ es ley de composicin interna2 en m x n
+ es asociativa en m x n
+ es conmutativa en m x n
+ tiene neutro en m x n y es la Matriz Nula
+ tiene simtrico en m x n para cada matriz A y es la Matriz Opuesta (A)
Ejemplo Sean A y B 3 x 3
1 0 1 4 2 1 1 0 1 4 2 1 1 4 0 2 1 ( 1) 5 2 0

A 2 0 2 y B 1 3 0 A B 2 0 2 1 3 0 2 ( 1) 0 3 2 0 1 3 2
3 0 3 0 1 1 3 0 3 0 1 1 3 0 0 1 3 1 3 1 4

SUSTRACCIN DE MATRICES DEL MISMO ORDEN SOBRE EL MISMO CUERPO
Sean A (aij ) m x n B (bij ) m x n : A B A ( B )
Sean A y B 3 x 3 del ejemplo anterior

Ejemplo
1 0 1 4 2 1 1 0 1 4 2 1 1 4 0 2 1 ( 1) 3 2 2

A 2 0 2 y B 1 3 0 A B 2 0 2 1 3 0 2 ( 1) 0 3 2 0 3 3 2
3 0 3 0 1 1 3 0 3 0 1 1 3 0 0 1 3 1 3 1 2

2
Ley de Composicin Interna definida en un conjunto no vaco A es toda funcin " " : Ax A en A, es decir : a A, b A : a b A
MULTIPLICACIN DE UNA MATRIZ POR UN ESCALAR
. : x mxn m x n / A (aij ) m x n : .A B / i , j : .aij bij
Ejemplos 1 0 1 4 2 1

Sean A 2 0 2 y C = 1 3 0 3 x 3 entonces si queremos calcular
3 0 3 0 1 1

1
2 1 2
1 0 1 5.1 5.0 5.1 5 0 5 4 2 1
1 1 1
0
3
5.A 5. 2 0 2 5.2 5.0 5.2 10 0 10 C 1 3 0
2 2 2 2
3 0 3 5.3 5.0 5.3 15 0 15
0 1 1
0 1 1

2 2
PROPIEDADES:
El neutro de (; ) es el cero y cualquiera sea A : 0. A N

.N N
.A N 0 A N
El neutro de (;.) es el uno y cualquiera sea A : 1. A A
Distributividad del . respecto de la adicin de matrices : .( A B ) . A . B

Distributividad del . respecto de la adicin de escalares : ( ). A . A . A
Asociatividad mixta: .( . A) ( . ). A

MULTIPLICACIN DE MATRICES
Dadas dos matrices A y B, su producto es otra matriz P cuyos elementos se obtienen multiplicando escalarmente los elementos de las filas de A
por los elementos de las columnas de B, los elementos de P son de la forma:
n
pij aik bkj
k 1
Para poder realizar la multiplicacin, el nmero de columnas de A debe coincidir con el nmero de filas de B.
Si A tiene orden m x n y B orden n x p, la matriz P ser de orden m x p, es decir P tendr tantas filas como la matriz A y tantas columnas como la
matriz B.
Ejemplo 1
3 1
1 0 1
Sean A y B = 0 2 Comprobamos que se puede realizar la multiplicacin de la matriz A y B ya que el nmero de
2 3 0 1 1

columnas de A es igual al nmero de filas de B. El resultado de la multiplicacin es una matriz P de orden 2x2
3 1
1 0 1 2 2
0 2
3 1 3 1 2 3 0 6 8
1 0 1 1 0 1 _ _ 1 1
A y B = 0 2 0 2
2 3 0 1 1 2 3 0 _ _ p11 1.3 0.0 1 .1 2 p12 1.1 0.2 1 . 1 2
1 1
p21 2.3 3.0 0.1 6 p22 2.1 3.2 0. 1 8
2x 3 3x 2 2x 3 3x 2 2x 2

Ejemplo 2
La matriz A es de orden 3x3 lo mismo
que la matriz B, por lo tanto la matriz
P =A.B es de orden 3x3
1 0 1 4 2 1

Sean A 2 0 2 y B = 1 3 0
3 0 3 0 1 1

3x 3 3x 3
1 0 1 4 2 1 4 3 0

A.B 2 0 2 . 1 3 0 = 8 6 0 p11 1.4 0. 1 1.0 4
3 0 3 0 1 1 12 9 0

Ejemplo 3
La matriz A es de orden 3x3 y la matriz
B es de orden 3x1, por lo tanto la
matriz P =A.B es de orden 3x1
1 0 1 2

Sean A 2 0 2 y B = 1
3 0 3 4
Observacin
3x 3 3x 1 La multiplicacin no puede resolverse ya que
el nmero de columnas de B no es el mismo que el
1 0 1 2 6 nmero de filas de A, requisito para poder realizarlo.

A.B 2 0 2 . 1 12
3 0 3 4 18


Ejemplo 4
1 1

3 1 2 4 0 2 Hallar, si es posible A.B y B.A
Sean A y B =
2 5 3 2 3 5

2 4
1 1 1 1 5 4 1 6

3 1 2 4 0 2 5 32 0 2 3 1 2 4 4 10 6 4
A.B . B A
3 5 15 15
.
2 5 3 2 3 5 2 5 3 2 1 28 21 2

2 4 2 4 14 18 8 16
La matriz A es de orden 2x4 y la matriz La matriz B es de orden 4x2 y la matriz

B es de orden 4x2, por lo tanto la A es de orden 2x4, por lo tanto la
matriz A.B es de orden 2x2 matriz B.A es de orden 4x4
Observacin
Al resolver ambos productos podemos observar que
Por lo tanto podemos concluir:
La multiplicacin de matrices en general NO es conmutativa.

PROPIEDADES DE LA MULTIPLICACIN DE MATRICES
1. La multiplicacin de matrices es asociativa: A . B . C A . B .C

2. La multiplicacin de matrices es distributiva respecto de la adicin de matrices, es decir: A . B C A . B A . C
CONSECUENCIAS DE LAS PROPIEDADES
1. Si A . B N no implica que A N B N
2. Si A . B A . C no implica que B C
A B A2 B 2 2 AB , ya que
2
3. En general A . B B . A
4. En general A B . A B A2 B 2 , ya que A . B B . A
0 1 1 1 2 5 3 7
Ejemplo Sean A , B , C , D , se puede verificar que:
0 2 3 4 3 4 0 0
0 1 3 7 0 0
A . D N sin embargo A N D N , ya que A.D .
0 2 0 0 0 0
0 1 1 1 3 4 0 1 2 5 3 4
A . B A . C no implica que B C , ya que A.B . , A.C . pero B C
0 2 3 4 6 8 0 2 3 4 6 8

MATRICES CUADRADAS ESPECIALES
MATRIZ TRIANGULAR SUPERIOR
Es toda matriz cuadrada A tal que: i j aij 0
1 1 6 Observa que los elementos que se encuentran por

Ejemplos 1 1 debajo de la diagonal principal son nulos ya que en
A B 0 2 1
0 3 0 0 1 todos se cumple que i j

MATRIZ TRIANGULAR INFERIOR
Es toda matriz cuadrada A tal que: i j aij 0

1 0 0 Observa que los elementos que se encuentran por
Ejemplos 1 0 encima de la diagonal principal son nulos ya que en
A B 0 2 0
2 3 1 0 1 todos se cumple que i j

MATRIZ DIAGONAL
A (aij ) nxn es diagonal i , j : i j aij 0
1 0 0 Observa que en toda matriz Diagonal los elementos

Ejemplos 1 0
A B 0 2 0 que se encuentran fuera de la diagonal principal
0 3 0 0 1 son nulos, ya que en ellos se cumple que i j


MATRIZ ESCALAR
Es toda matriz diagonal tal que i : aii k
4 0 0 Observa que en toda matriz Escalar los elementos

Ejemplos 3 0 que se encuentran en la diagonal principal son
A B 0 4 0 iguales.
0 3 0 0 4

MATRIZ IDENTIDAD O UNIDAD
Es toda matriz escalar tal que i : aii 1
aij 1 si i j
Podemos definir tambin diciendo I es la identidad i , j :
aij 0 si i j
1 0 0
Ejemplos 1 0 Observa que:
I I 0 1 0 En toda matriz Identidad los elementos que se
0 1 0 0 1
encuentran en la diagonal principal son siempre
igual a 1
La matriz Identidad, cualquiera sea su orden
siempre se simboliza I

TRASPOSICIN DE MATRICES CUADRADAS Y RECTANGULARES
MATRIZ TRASPUESTA
Dada A (aij ) mxn se llama matriz traspuesta de A y se anota AT y AT ( a ji ) nxm
PROPIEDADES:
( AT )T A
A B AT BT
T
A . B BT . AT
T
k A k . AT k
T
Ejemplos 3 2

3 1 2 4 1 5
A
2 x4
AT 4 x2
2 5 3 2 2 3

4 2 Observa que en al trasponer una matriz se cambian
las filas por las columnas o viceversa.
1 2
1 0 3
B = 0 5 3 x 2 BT
2x3
3 4 2 5 4


MATRIZ SIMTRICA
Sea A ( aij ) nxn
A es simtrica A AT
A es simtrica i , j : aij a ji
Observa que los elementos simtricos respecto de
1 2 6 la diagonal principal son iguales.
Ejemplos 1 2
A B 2 5 0
2 3 6 0 4

MATRIZ ANTISIMTRICA
Sea A (aij ) nxn

A es antisimtrica A AT
A es antisimtrica i , j : aij a ji
Analicemos que sucede cuando i = j, por definicin:

a11 a11 2a11 0 a11 0
a22 a22 2a22 0 a22 0
Despus del planteo observamos que los aii son cero
ann ann 2ann 0 ann 0
0 2 3 Observa que los elementos simtricos respecto

Ejemplos 0 1
A B 2 0 4 de la diagonal principal son opuestos y que los
1 0 3 4
0 elementos de la diagonal principal son nulos.

MATRIZ INVERSA
Sea A (aij ) nxn es inversible , es no singular, es regular o admite inversa si existe una matriz denominada A1 que multiplicada a izquierda o
a derecha por la matriz A da la matriz identidad.
En smbolos: A nxn , si A1 nxn A . A1 A1 . A I
Las matrices A y B son inversas ya que A . B B . A I
3 1 3 1 3 1
2 1
2 2 1
2 2 1 2
1 1 0 1 1 0 1 0 0 1 1 0 1 0 0
1 1
A 3 0 1 B
1
A.B 3 0 1 .
5 5 5
1 1 0 1 0 B.A 1 . 3 0 1 0 1 0
2 2 2 2 2
2
1 3 2 1 3 2 0 0 1 1 3 2 0 0 1
3
9 3
2 9 2 9 3
2

2 2 2 2 2 2
De las operaciones realizadas resulta que : A.B I B.A I B A 1
PROPIEDADES:
Como hallar la inversa de una matriz se desarrolla ms
( A1 )1 A adelante.
A . B
1
B 1 . A1 Observacin
A A
T 1
1 T
k A
1
k 1 . A1 k 0 k

MATRIZ ORTOGONAL
Una matriz cuadrada es ortogonal si y slo si su inversa es igual a su traspuesta
A (aij ) nxn es ortogonal A1 AT
Una expresin equivalente a la anterior es:

A (aij ) nxn es ortogonal A. AT I
Ejemplo 1 0 1 0 1 0 1 0
A es ortogonal ya que : A. A
T
. I
0 1 0 1 0 1 0 1
MATRIZ IDEMPOTENTE
A (aij ) nxn es idempotente A2 A
Ejemplo 2 1 2 1 2 1 2 1
A es idempotente ya que : A. A . A
2
2 1 2 1 2 1 2 1
MATRIZ INVOLUTIVA
A (aij ) nxn es involutiva A2 I
Ejemplo
1 1 1 1 1 1 1 0
A es involutiva ya que : A. A . I
0 1 0 1 0 1 0 1

ECUACIONES MATRICIALES
Sean A y B matrices inversibles resolvemos las siguientes ecuaciones:
A.X B
A .( A . X ) A1 .B multiplicamos ambos miembros por izquierda por A1
1
( A1 .A ).X A1 .B aplicamos la propiedad asociativa

I .X A1 .B aplicamos la definicin de matriz inversa
X A1 .B por definicin de neutro en la multiplicacin de matrices
X .A B
1
( X .A ) . A B.A1 ............... multiplicamos ambos miembros por derecha por A1
X .( A . A1 ) B.A1 ............... aplicamos la propiedad asociativa
X .I B.A1 ............... aplicamos la definicin de matriz inversa
X B.A1 ............... por definicin de neutro en la multiplicacin de matrices
A.X .B C
A1 .( A . X ) . B A1 .C ............... multiplicamos ambos miembros por izquierda por A 1
( A1 .A ).X . B A1 .C ............... aplicamos la propiedad asociativa
I .X .B A1 .C ............... aplicamos la definicin de matriz inversa
X .B A1 .C ............... por definicin de neutro en la multiplicacin de matrices
( X . B ).B 1 A1 .C . B 1 ....... multiplicamos ambos miembros por derecha por B 1
X . ( B. B 1 ) A1 .C . B 1 ....... aplicamos la propiedad asociativa
X .I A1 .C . B 1 ....... aplicamos la definicin de matriz inversa
X A1 .C . B 1 ....... por definicin de neutro en la multiplicacin de matrices
2 1 2 1
Ejemplo 1 Dadas las matrices A y B Resolver la ecuacin matricial A.X B
3 2 1 5
2 1 2 1
Si A A 1 A 1 0 , existe la matriz inversa
3 2 3 2
A.X B
A 1
A X A 1 B
2 1 2 1 2 1 3 7 3 7
A 1
A X A 1 B Como A1 X A 1 B . X
3 2 3 2 1 5 4 13 4 13
I X A 1 B
X A 1 B
1 1 1 0 1 1
Ejemplo 2 Dadas las matrices A B C Calcular el valor de X en las siguientes ecuaciones
1 2 0 2 1 0
a) X .A B I
X .A B I
X .A.A1 ( B I )A1 2 1 1 0 1 0 2 1 2 0 2 1 4 2 4 2
1
Si A1 X . . X
X .I ( B I ) A 1 1 0 2 0 1 1 1 0 3 1 1 3 3 3 3
X ( B I ) A 1

b) X .A B C
2 1
Como el determinante A 1 0 entonces existe A1 luego si la calculamos es A1
1 1
X A B B C B
X A B B C B
X A N C B
X A C B
1 1 1 0 2 1 0 1 2 1 1 1
X A A 1 C B A 1 X C B A 1 . .
1 0 0 2 1 1 1 2 1 1 4 3
X A A
1
C B A 1
1 1
X I C B A 1 X
4 3
X C B A 1
c) A.X B C
A.X B C
A.X B B C B
A.X N C B
2 1 1 1 1 0 2 1 0 1 1 4 1 4
A.X C B X A 1 . C B . . X
1 1 1 0 0 2 1 1 1 2 1 3 1 3
A1 .A.X A1 .( C B )
I .X A1 .( C B )
X A1 .( C B )

d) A.X B.X C
A.X B.X C
( A B ).X C
( A B )1 .( A B ).X ( A B )1 C
I .X ( A B )1 C
X ( A B )1 C
4 1 3 4 3 4
1
1 1 2 1 1 1 7 7 1 1 7 7 7
1
1 1 1 0 7
X = . . . X
1 2 0 2 1 0 1 4 1 0 1 2 1 0 1

1 1 1

7 7 7 7 7 7
e) X .A B 2C
XA B 2C
XA B B 2C B
XA N 2C B
XA 2C B
X .A.A1 ( 2C B ).A 1
X .I ( 2C B ).A1
X ( 2C B ).A1
1 1 1 0 2 1 1 2 2 1 0 1 0 1
X 2 . . . X
1 0 0 2 1 1 2 2 1 1 6 4 6 4

APLICACIONES ECONMICAS DE MATRICES
Las matrices son una herramienta importante para expresar y discutir problemas que surgen en la vida real. En Economa a menudo es necesario
calcular y combinar ciertos costos y cantidades de productos. Las matrices permiten representar esos datos y sus operaciones el clculo de los
mismos.
Ejemplo 1
Una empresa de muebles fabrica tres modelos de estanteras: A, B y C. En dos tamaos, grande y estndar. Produce diariamente 100 estanteras
grandes y 500 estndar de tipo A, 700 grandes y 650 estndar de tipo B, y 400 grandes y 520 estndar de tipo C. Cada estantera grande lleva
10 tornillos y 6 soportes, y cada estantera estndar lleva 15 tornillos y 5 soportes, en cualquiera de los tres modelos.
Podemos representar la informacin del problema a partir de matrices, en la Matriz de Produccin, en las filas los modelos A, B, C y en las
columnas los tipos: grande (G) y estndar (E) y en la Matriz de los Insumos de las estanteras (T) tornillos y (S) soportes por tamao:
G E
T S
A 100 500
G 10 6
Matriz de Produccin : B 700 650 Matriz de los insumos de las estanteras
E 15 5
C 400 520
A partir de operaciones con matrices podemos calcular una matriz que represente la cantidad de tornillos y de soportes necesarios para la
produccin diaria de cada uno de los seis modelos tamao de estantera.
100 500 8500 3100

Matriz que expresa el nmero de tornillos y soportes para cada modelo de estantera: 10 6
700 650 . 15 5 16750 7450
400 520
11800 5000
Ejemplo 2 Ejercicio 12 de la Gua de Trabajos Prcticos 2
Un fabricante que elabora dos artculos, sillas y escritorios, desea fabricar 12 sillas y 20 escritorios. La fabricacin de sillas requiere, por unidad:
12 unidades de madera, 1 2 botella de barniz y 6 horas/hombre. Los escritorios requieren, tambin por unidad: 25 unidades de madera, 2
botellas de barniz y 20 horas/hombre.
Los costos de tales requerimientos son: U / MADERA U / BOT.DE BARNIZ MANO DE OBRA
Madera $6 por unidad
SILLAS 12 1/2 6
Barniz $18 por unidad
1 hora/hombre $15 ESCRITORIOS 25 2 20
Aplique clculo matricial para obtener:

a) El costo de elaboracin de 12 sillas y 20 escritorios
b) El costo total por cada tipo de artculo.
6 6

Costo total 12 12 1 / 2 6 18 20 25 2 20 18 12 171 20 486 2052 9720 11772
15 15

Cada silla $ 171 y las 12 sillas $2052

Cada escritorio $ 486 y los 20 escritorios $9720
Costo total $ 11772

DETERMINANTES
Dada una matriz cuadrada
a11 a12 a1 j a1n

a 21 a 22 a2 j a2n

A
ai1 ai 2 a ij ain

a n1 a n 2 a nj a nn

La funcin que le asigna a dicha matriz un nmero real se denomina determinante de A y se simboliza por |A| det(A) (A). Tambin se
suele escribir:
a 11 a 12 a1 j a 1n
a 21 a 22 a2 j a2n

A
ai1 ai2 a ij a in

a n1 an2 a nj a nn

CLCULO DE DETERMINANTES DE RDENES 1, 2 Y 3
Si A 1 x1 : A a11 det( A) a11
A 1 x1 : A 2 det( A ) 2
Ejemplos
2 2
B 1 x 1 : B det( B )
3 3
5 5
C 1 x 1 : C det( B )
2 2
a 11 a 12 a a 12
Si A 2 x 2 : A det( A ) 11 a 11 .a 22 a 12 .a 21
a 21 a 22 a 21 a 22
1 5 1 5
Ejemplos A 2 x2 : A det( A ) 1.4 5.2 6
2 4 2 4
1 5 1 5
B 2 x2 : B det( B ) 1 .6 5.3 21
3 6 3 6
1 5 1 5
C 2 x2 : C det( B ) 1.6 5. 3 21
3 6 3 6

a11 a12 a13 a11 a12 a13

Si A 3x3
: A a21 a22 a23 det( A ) a21 a22 a23 a11 a 22 a 33 a12 a 23 a 31 a13 a 21 a 32 a13 a 22 a 31 a12 a 21 a 33 a11 a 23 a 32
a a33
31 a32 a31 a32 a33
Ejemplos
2 0 5 2 0 5

A 3x3
: A 7 1 2 det( A ) 7 1 2
4 4 3 4 4 3

2. 1. 3 0. 2. 4 5. 7 .4 5. 1. 4 2. 2 . 4 0 . 7 . 3 6 0 140 20 16 0 182
2 0 5 2 0 5

B 3x3
: B 1 1 2 det( B ) 1 1 2
4 0 3 4 0 3

2. 1. 3 1. 0. 5 4. 0.2 5. 1. 4 2. 0. 2 3 .0 . 1 6 0 0 20 0 0 26

CLCULO DE UN DETERMINANTE POR LOS ADJUNTOS DE UNA LNEA (REGLA DE LAPLACE)
Sea A una matriz cuadrada y aij uno cualquiera de sus elementos:

Si se suprime la fila i y la columna j de la matriz A se obtiene una submatriz Mij que recibe el nombre de matriz complementaria del elemento
aij. Sea la matriz:
a11 a12 a1 j a1n

a21 a22 a2 j a2 n

A
ai 1 ai 2 aij ain

a an 2 anj ann
n1
a22 a2 n
La matriz complementaria del elemento a11 es la matriz que resulta de suprimir en la matriz A la fila 1 y la columna 1: M 11

a ann
n2
Llamamos menor complementario del elemento aij al determinante de la matriz complementaria del elemento aij, y se representa por ij
Se llama adjunto de aij, y se representa por Aij, al nmero 1
i j
ij
El determinante de una matriz cuadrada es igual a la suma de los elementos de una fila o columna cualquiera, multiplicados por sus
respectivos adjuntos.
Si desarrollamos un determinante de orden n por los adjuntos de la 1 fila se tiene:

n
A a1j .A1j a11 . A11 a12 . A12 a1n . A1n
j 1
Nota: Esta regla permite transformar el clculo de un determinante de orden n; en n determinantes de orden n 1

Ejemplos Calculemos nuevamente el determinante la matriz A, aplicando la regla enunciada
Adjunto del elemento a13
Elemento a13
Desarrollaremos el determinante para su clculo por los
adjuntos de la fila 1
2 0 5 2 0 5
2 1 2 3 7 2 4 7 1
A 3x3
: A 7 1 2 det( A ) 7 1 2 2. 1 0. 1 5. 1
4 4 3 4 3 4 3 4 4
4 4 3
= 2. 1 11 0. 1 1 3 5. 1 32 22 0 160 182
2 3 4
2 0 5 2 0 5
3 7 2 4 2 5 2 5
2 0. 1 1. 1 4. 1
5
A 3x3
: A 7 1 2 det( A ) 7 1
4 4 3 4 3 4 3 7 2
4 4 3
= 0. 1 13 1. 1 2 6 4 . 1
3 4 5
39 0 26 156 182
Desarrollaremos el determinante
para su clculo por los adjuntos El determinante de una matriz no cambia si lo
de la columna 2. desarrollamos por una fila o una columna
Observacin

PROPIEDADES DE LOS DETERMINANTES
1. El determinante de una matriz es igual al de su traspuesta A AT
Aplicamos para resolver los determinantes de orden

Ejemplo 1 5 1 5 dos la definicin:
A det( A ) 1.4 5.2 6
2 4 2 4
det( A )
a11 a12
a11 .a22 a12 .a21
a21 a22
1 2 1 2
AT det( A )
T
1.4 2.5 6
5 4 5 4
2. Si una matriz cuadrada tiene una lnea con todos los elementos nulos, su determinante vale cero.
Ejemplos 1 0 1 0
A det( A ) 1.0 0.2 0
2 0 2 0
4 5 4 5
B det( B ) 4.0 5.0 0
0 0 0 0
3. Si una matriz cuadrada tiene dos lneas paralelas iguales, su determinante vale cero.
1 1 1 1
Ejemplos A det( A ) 1.2 1.2 0
2 2 2 2 Observa que en A la C1 C 2 y en
la matriz B: F1 F2
3 5 3 5
B det( B ) 3.5 5.3 0
3 5 3 5

4. Si dos lneas paralelas de una matriz cuadrada son proporcionales, su determinante se anula.
Ejemplos 1 1 1 1
A det( A ) 1.2 1.2 0
2 2 2 2 Observa que en A la F2 2F1 y
en la matriz B: C2 2C1
3 6 3 6
B det( B ) 3.8 6.4 0
4 8 4 8
5. Si permutamos dos lneas paralelas de una matriz cuadrada, su determinante cambia de signo con respecto al inicial
1 5 1 5
Ejemplo A det( A ) 1.4 5.2 6
2 4 2 4
Observa que el determinante de A
y de Ason opuestos.
2 4 2 4
A det( A ) 2.5 1.4 6
1 5 1 5
6. Si A y B son dos matrices cuadradas del mismo orden, entonces se verifica: A .B A . B

1 5 1 5 3 1 3 1
Ejemplos A det( A ) 1.4 5.2 6 B det( B ) 3.5 1.1 14
2 4 2 4 1 5 1 5
1 5 3 1 8 26 8 26
A.B . det( A.B ) 8.22 26.10 84
2 4 1 5 10 22 10 22
det( A.B ) det( A ).det( B ) ( 6) .14 84

7. Si se multiplican todos los elementos de una lnea de una matriz cuadrada por un nmero, el determinante queda multiplicado por dicho
nmero.
Esta propiedad permite factorear una fila o una columna del determinante de una matriz
Ejemplo 1 5 1 5 Observa la primera fila de la matriz que

A det( A ) 1. 4 5 .2 6 se ha multiplicado la primera fila de
2 4 2 4
A es la primera fila de A por 3, por lo
tanto el determinante de la matriz A se
3 15 3 15 obtiene multiplicando al determinante
A det( A ) 3.4 15.2 18 de A por dicho nmero.
2 4 2 4
1 5
det( A ) 3. 3. 6 18
2 4
Consecuencia:
Si A es una matriz de orden n, se verifica que kA k n A
8. En todo determinante la suma de los productos de los elementos una lnea cualquiera por los adjuntos de otra paralele es cero
Ejemplo Observa que se han multiplicado los

elementos de la fila 1 de A por los
adjuntos de la fila 2
2 0 5
3 0 5 4 2 5 5 2 0
A 7 1 2 2. 1 0. 1 5. 1 2. 1 20 0. 26 5. 1 8 40 0 40 0
4 4 3 4 3 4 3 4 4


9. Si a una lnea de una matriz cuadrada se le suma otra paralela, su determinante no vara.
Ejemplo 1 5 1 5 Observa que la fila 2 de A F2 se

A det( A ) 1.4 5.2 6
2 4 2 4
obtuvo sumando a la fila 2 F2 de A
la fila 1 F1 , es decir: F2 F2 F1
1 5 1 5
A det( A ) 1.9 5.3 6
3 9 3 9
10. Si a una lnea de una matriz cuadrada se le suma otra paralela multiplicada por un nmero, su determinante no vara.
Ejemplo 1 5 1 5
A det( A ) 1.4 5.2 6
2 4 2 4 Observa que la fila 2 de A F2 se
obtuvo sumando a la F1 de A la F2 F2 F1
1 5 1 5 multiplicada por 2, es decir: F2 F2 2F1
A det( A ) 1.14 5.4 6
4 14 4 14
Consecuencia:
Si una fila (columna) de una matriz cuadrada es combinacin lineal de las restantes filas (columnas), su determinante vale cero.
Ejemplo Observa que la fila 3 F3 es F3 F1 F2 , es decir es una combinacin lineal de las dos primeras filas
Desarrollamos el determinante por la primera fila por la Regla de Laplace

2 0 3 2 0 3
2 1 2 1 2 1 1
A 1 1 2 det A 1 1 2 2. 1 0 . 1 3. 1 2.3 0. 1 1 3. 2 6 0 6 0
3 4
3 1 5 3 1 5 1 5 3 5 3 1

11. Si todos los elementos de una lnea (fila o columna) de una matriz cuadrada se descomponen en dos sumandos, entonces su determinante es
igual a la suma de dos determinantes que tienen en esa lnea los primeros y segundos sumandos, respectivamente, y en las dems los mismos
elementos que el determinante inicial
a11 a12 a1j b1j a1n a11 a12 a1 j a1 n a11 a12 b1 j a1n

a 21 a 22 a 2j b 2j a 2n a21 a22 a2 j a2 n a21 a22 b2 j a2 n

det det det
a i1 a i2 a ij b ij a in ai 1 ai 2 aij ain ai 1 ai 2 bij ain

a anj bnj a a ann
n1 an2 ann n1 a n 2 anj ann n1 a n 2 bnj
Ejemplo Desarrollamos el determinante por la segunda columna por la Regla de Laplace
2 0 5 2 0 5
3 7 2 4 2 5 2 5
2 0. 1 1. 1 4. 1
5
A 7 1 2 det( A ) 7 1 182
4 4 3 4 3 4 3 7 2
4 4 3
2 0 5 2 0 3 2 0 2
2 1 1 4 7 1 2 1 1 4 7 1
det( A ) 7 1 2 7 1 1 7 1 1 = 2 . 1 3 . 1 + 2. 1 2. 1
4 1 4 4 4 2 4 4
4 4 3 4 4 1 4 4 2
1 2
desarrollamos el determinante "1 " por la primera fila desarrollamos el determinante "2" por la primera fila
2. 5 3. 32 2. 6 2. 32 182
Observa que se ha descompuesto la
tercera columna del determinante de A
12. El determinante de una matriz triangular es igual al producto de los elementos de la diagonal principal
n
A aii a11 .a22 .a33 ann
i 1
Ejemplos
2 0 2 0
A det( A ) 2 .3 6
0 3 0 3
Observa que en A es una matriz 1 0 0 1 0 0

diagonal que es un caso particular
de matriz triangular B 3 2 0 det( B ) 3 2 0 1.2.4 8
5 1 4
5 1 4
Consecuencia :
Si I es la matriz identidad de orden n su determinante vale 1.
1 0 1 0
Ejemplos I det( I ) 1 .1 1
0 1 0 1
1 0 0 1 0 0

I 0 1 0 det( I ) 0 1 0 1 .1.1 1
0 0 1
0 0 1

1
13. A es una matriz regular, entonces A 1
A
Ejemplos 2 2 2 2
A det( A ) 2.2 1.2 2
1 2 1 2 Observa que el determinante de A y
el de su inversa son recprocos.
1 1 1 1
1 1
A 1
1 det( A1 )
1 1.1 1 .
1 1 2 2
2 2
14. Si A es una matriz ortogonal, entonces se verifica que A 1 A 1
1 0 1 0
Ejemplos A es ortogonal det A 1 1 0 0 1
0 1 0 1
0 1 0 1
B es ortogonal det B 0 0 1. 1 1
1 0 1 0
La recproca de esta propiedad no es cierta, es decir si una

matriz tiene determinante 1 o -1 no implica que sea
ortogonal
Observacin

DETERMINANTES Y SUS PROPIEDADES
Resolveremos a continuacin ejercicios para aplicar las propiedades de los determinantes.
Ejercicio 1
a b c 3m 3n 3p
Sabiendo que : A m n p 2 y B a b c
r s t 1 1 1
r s t
3 3 3
a) Hallar el det (B) aplicando propiedades. Justificar

1
b) Hallar el det A1 B T
2
c) Hallar el det C si det 4 AT A1 B 1C BT 27
1 1
a) B 3.( 1 ). ( 1) A 3 .( 1 ) . . ( 1) .2 2 B 2
3 3 Cambio de
Factoreamos signo por
las tres filas permutacin
de filas
3
1 1 T 1 1 1 1 1 1 1 1 T 1
b) .A . B . A1 . BT . . B . . 2 .A .B
2 2 8 A 8 2 8 2 8
1 1 27
c) 4. AT .A1 .B 1 .C .BT 27 4 . AT . A1 . B 1 . C . B T 27 64. A .
3
. . C . B 27 simplificando 64 C 27 C
A B 64

Ejercicio 2
a b c 2m 2n 2p
Sabiendo que A m n p 3 y B a 3m b 3n c 3 p
r s t 2 2 2
r s t
3 3 3
a) Hallar el det (B) aplicando propiedades. Justificar
b) Hallar el det 4 AT B 1
c) Hallar el det A1 B 2
2 2
a) B 2. . ( 1). A 2. . ( 1) .3 4 B 4 Recuerda que en la segunda fila cuando sumamos o restamos el determinante no se altera.
3 3 Cambio de
Factoreamos signo por
la primera y permutacin
tercera fila de filas
1 1
b) 4. AT .B 1 4 . AT . B 1 = 64. A .
3
= 64.3. = 48 4. AT .B 1 48
B 4
1 1 16 16
c) A1 .B 2 A1 . B 2 B 4 A1 .B 2
2 2

A 3 3 3

Ejercicio 3
m n p q r s
Sabiendo que A q r s 7 y B m 4t n 4u p 4v
t u v 3t 3u 3v
a) Calcular el B aplicando propiedades. Justificar

2
b) Calcular AT 1 .BT aplicando propiedades. Justificar
3
c) Calcular el C sabiendo que 3AT B 1 A1 C 1 BT 6
a) B 3.( 1). A 3 . ( 1) .7 21 B 21
Factoreamos Cambio de
la primera signo por
fila permutacin
de filas
1 1 1
2 2 1 1 1 27 81 2 81
b) AT .B T AT . BT . BT . BT . B .( 21 ) AT .B T
3 3 2 T 3
3
2 8 8.7 8 8
A AT . A

3 3 27
1 1 1 1 9
c) 3AT B 1 A1C 1 BT 6 3 AT . B 1 . A1 . C 1 . BT 6 27 A .
3
. . . B 6 simplificando 27 6 C
B A C C 2

CLCULO DE DETERMINANTES POR EL MTODO DE GAUSS
El mtodo de Gauss facilita el clculo de los determinantes usando las propiedades de stos. Dicho mtodo consiste en hallar un determinante
equivalente al dado con el mismo valor del original pero triangular. De esta forma el problema se reduce al clculo del determinante de una
matriz triangular, usando la propiedad 11 de los determinantes.
Para conseguir triangularizar el determinante se pueden aplicar las siguientes operaciones:
Permutar 2 filas 2 columnas.

Multiplicar o dividir una lnea por un nmero no nulo.
Sumarle o restarle a una lnea otra paralela multiplicada por un nmero no nulo.
Ejemplos
Observa el determinante de la matriz, la misma no es
0 0 3 1 1 5 triangular, permutamos sus filas y as la obtenemos.
1 1 5 0 2 4 6 Calculamos el determinante como multiplicacin de los
0 2 4 0 0 3 elementos de la diagonal.
1 0 3 1 0 3
Observa los determinantes de las matrices, las mismas
2 1 4 F2 2F1 0 1 2 4 no son triangulares, por lo tanto efectuamos
1 0 1 F3 F1 0 0 4 operaciones entre sus filas para obtenerlas.
Calculamos el determinante de las mismas como
multiplicacin de los elementos de la diagonal.
1 0 0 2 1 0 0 2 1 0 0 2
0 1 1 1 0 1 1 1 0 1 1 1
11
0 1 2 1 0 1 2 1 F3 F2 0 0 1 2
6 1 1 0 F4 6F1 0 1 1 12 F4 F2 0 0 0 11

MATRIZ ADJUNTA
Dada una matriz cuadrada A, se llama matriz adjunta de A, y se representa por Adj(A), a la traspuesta de la matriz que resulta de sustituir cada
elemento por su adjunto.
Adj( A ) ( Aij )T
Ejemplos
2 1 3 4
A Reemplazamos cada elemento por su adjunto Aij
4 3 1 2
T
3 4 3 1

Trasponer la matriz de los adjuntos Adj A Aij
T

1 2 4 2
1 0 1 8 12 7

B 3 2 0 Reemplazamos cada elemento por su adjunto Aij 1 1 1
5 1 4 2 2
3
T
8 12 7 8 1 2

Trasponer la matriz de los adjuntos Adj A Aij
T
1 1 1 12 1 3
2 2 7 1 2
3
PROPIEDAD:
Sea A nxn se verifica que: A . Adj A Adj A . A A . I
2 1 3 1 2 1 3 1 3 1 2 1 2 0 1 0
A , A 2 Adj A A.Adj A Adj A .A . . 2 . A .I
4 3 4 2 4 3 4 2 4 2 4 3 0 2 0 1

CONDICIN NECESARIA Y SUFICIENTE PARA LA EXISTENCIA DE MATRIZ INVERSA

Es condicin necesaria y suficiente para la existencia de la inversa de una matriz A aij nxn es que A 0
Si existe A1 , entonces : A 0
Demostracin:
Por definicin de matriz inversa... A . A 1 I

Aplicando determinantes en ambos miembros A . A 1 I
Por propiedad del determinante del producto y propiedad del determinante de la Identidad. A . A1 1 1 0
Por lo tanto... A 0
1
Si A 0 entonces : A1 Adj A
A
Demostracin:
Partiendo de la propiedad de la matriz Adjunta A . Adj A A .I

Si tomamos en consideracin que A 0 podemos dividir miembro a miembro la expresin anterior, simplificando y sabiendo que la
inversa si existe es nica, entonces
A1 ya que A . A1 I
A . Adj A A .I Adj A 1
A I A 1 Adj A
A A A A

CLCULO DE LA MATRIZ INVERSA USANDO DETERMINANTES
Ejemplos
2 1 2 1
Sea A 1) Calculamos el determinante de A A = 2 0 A es regular
4 3 4 3
3 1
2) Hallamos la matriz Adjunta de A Adj A
4 2
3 1
1 1 3 1
3) Hallamos la matriz inversa de A aplicando la relacin : A 1
.Adj A . 2 2
2 4 2
1
A
2
1 0 1 1 0 1

B 3 2 0 1) Calculamos el determinante de B B 3 2 0 = 1 0 B es regular
5 1 4
5 1 4
8 1 2

2) Hallamos la matriz Adjunta de B Adj B 12 1 3
7 1 2

8 1 2 8 1 2
1 1
3) Hallamos la matriz inversa de A aplicando la relacin : B 1
.Adj B . 12 1 3 12 1 3
B 1
7 1 2 7 1 2

CLCULO DEL RANGO DE UNA MATRIZ USANDO DETERMINANTES
El rango de una matriz A
nxn
se define como el orden del determinante de mayor orden no nulo que puede obtenerse de la matriz
Consideremos la matriz A = (aij):
a 11 a 12 ... a 1n

a a 22 ... a 2 n
A 21
... ... ... ...

a ... a nn
n1 a n 2
1. Si det(A) 0 entonces el rango de A coincide con el orden de la matriz r(A) = n

2. Si det(A) = 0 entonces r(A) < n y el rango de A coincide con el orden del primer determinante no nulo que se pueda obtener a partir de la
matriz A.
Ejemplo 1
1 2 3

Dada la matriz A 0 1 2 determinar el rango usando determinantes
3 1 4

1 2 3
1 2 2 3 2 3
A 0 1 2 1 1 0. 1 3 1 r A 3
2 3 4
Calculamos el determinante de A 50
1 4 1 4 1 2
3 1 4

Ejemplo 2
1 2 3

Dada la matriz A 0 1 2 determinar el rango usando determinantes
1 3 5

1 2 3
Calculamos el determinante de A A 0 1 2 0 dado que F3 F1 F2 r A 3
1 3 5
1 2
Calculamos los determinantes de orden 2 hasta hallar uno no nulo 1 0 r A 2
0 1
Ejemplo 3
1 2 3
Dada la matriz A determinar el rango usando determinantes
0 3 5
Teniendo en cuenta que es una matriz de orden 2x3, concluimos que el rango de A no puede ser 3, calculamos entonces los determinantes de
1 2
orden 2 3 0 r A 2
0 3

Ejemplo 4
2 1 3
Dada la matriz A determinar el rango usando determinantes
4 2 6
Teniendo en cuenta que es una matriz de orden 2x3, concluimos que el rango de A no puede ser 3.
Consideramos entonces los determinantes de orden 2, los que son nulos dado que las filas son proporcionales.
Finalmente calculamos los determinantes de orden 1, hasta encontrar un determinante no nulo 2 20 r A 1
Ejemplo 5
1 0 0 El rango de la matriz I nxn es r I n

Dada la matriz I 0 1 0 determinar su rango usando determinantes
0 0 1

1 0 0
Sabemos por propiedades de los determinantes que I 0 1 0 1 por lo tanto r I 3
0 0 1
Observacin

CLCULO DEL RANGO DE UNA MATRIZ POR EL MTODO DE GAUSS JORDAN
Sea una matriz A no nula debemos elegir cualquier elemento de la misma distinto de cero al que llamaremos pivote
a b c d e

f g h i j
Supongamos que la matriz A es y elegimos como elemento a a
k l m n o

Si a 1 entonces debemos dividir la fila por dicho nmero
Pivote
a b c d e b c d e
a b c d e 1

a a a a a

a a a a
A continuacin escribimos la matriz donde la fila del pivote queda
f g h i j
f g h i j f g h i j como est y la columna que lo contiene se completa con ceros.
k o o k o
l m n

k l m n

l m n

b c d e Los restantes nmeros que son los transformados de los coeficientes g, h, i, j, l, m, n, o, se

1 a a a a
calculan utilizando la regla del rectngulo
0 e
1 e
El transformado de j es: a o sea 1.j f .
0 a
f j
0 d
1 d
El transformado de i es: a o sea 1.i f .
a
1
c
c f i
El transformado de h es: a o sea 1.h f .
a
f h
b
1 b
El transformado de g es: a o sea 1.g f .
a
f g Alicia Fraquelli Andrea Gache 47
Completamos el procedimiento y la nueva matriz es:
b
1 b
El transformado de l es: a o sea 1. l k .
a
k l
b c d e
1 c
a a a a
1 c
b c d e El transformado de m es: a o sea 1.m k .
1. g f . 1.h f . 1.i f . 1. j f . a
0
a a a a
k m

b c d e
0 1.l k . 1.m k . 1.n k . 1. o k . d
a a a a 1 d
El transformado de n es: a o sea 1.n k .
0 a
k n
e
1 e
El transformado de o es: a o sea 1.o k .
a
k o
Obtenidos todos los transformados, en la etapa siguiente se reitera el procedimiento eligiendo un pivote que no figure ni en las filas ni en las
columnas de los pivotes anteriores.
Cundo finaliza el procedimiento?
El procedimiento finaliza cuando no es posible obtener ningn pivote (distinto de cero) en las condiciones ya sealadas anteriormente.
Estamos entonces en condiciones de determinar el rango de la matriz, observamos las columnas de la misma y concluimos:
Rango de una matriz es el nmero de columnas cannicas distintas. Llamamos columna cannica a la
columna que tiene un elemento
igual a 1 y los restantes elementos
son ceros.
Se elige como pivote cualquier elemento no nulo de la matriz dada, y si ste no es un 1 se divide por
dicho nmero la fila correspondiente.
A continuacin se escribe la fila del pivote.
Los restantes elementos de la columna del pivote se transforman en ceros.
El transformado de todo elemento que no figure en la fila ni en la columna del pivote, se determina
siguiendo la regla del rectngulo.
Se reitera el mecanismo eligiendo como pivote un elemento no nulo que no pertenezca ni a las filas
ni a las columnas de los pivotes anteriores
El procedimiento finaliza cuando no es posible obtener ningn pivote (distinto de cero) en las
condiciones sealadas anteriormente.
Concluido el procedimiento se cuenta la cantidad de columnas cannicas distintas, y ese es el rango
de la matriz.
Ejemplo 1
1 2 1 1 Recordemos que: El pivote puede

ser cualquier elemento no nulo (0).
1 1 0 2
Calcular el rango de la matriz A Si algn elemento es la unidad, se
0 1 2 1
lo elegir como pivote para evitar
2 2 1 2
clculos.
Elegimos el 1 como pivote

La fila del pivote queda igual
1 2 1 1
1 2 1 1
0 1 1 3
1 1 0 2
Los restantes nmeros se calculan aplicando la regla del rectngulo
0 1 2 1 0 1 2 1

2 2 1 2 0 2 3 4

La columna del pivote se completa con ceros
Escribimos la matriz obtenida en el paso

anterior y volvemos a pivotear.
1 0 3 1 1 0 0 7
1 2 1 1 1 0 3 1

0 1 1 3 0 0 1 2 0 0 1 2 0 0 1 2

0 1 2 1 0 1 2 1 Escribimos la matriz obtenida en el paso 0 1 2 1 0 1 0 5
anterior y volvemos a pivotear.
0 2 3 4 0 0 1 2 0 0 1 2 0 0 0 0

El procedimiento ha terminado, ya que no es posible elegir otro nuevo pivote

Resumiendo, esta es la secuencia de pasos realizados:
1 2 1 1 1 2 1 1 1 0 3 1 1 0 0 7

1 1 0 2 0 1 1 3 0 0 1 2 0 0 1 2
0 1 2 1 0 1 2 1 0 1 2 1 0 1 0 5

2 2 1 2 0 2 3 4 0 0 1 2 0 0 0 0
El rango de la matriz A es 3 y se anota r A 3 ya que el nmero de columnas cannicas distintas es 3
Ejemplo 2

0 6 8 0 0 0 Aclaracin
4 2 0 0 6 8 En la fila 1 no podemos elegir
1 0 1
4 4
B 2 1 0 0 3 4 .F 0 1 pivotes porque todos los elementos
3 2 3 3
1 1 2 1 1 2 son nulos. El procedimiento termin.
1 1 2
1 0 2

3
Importante!!
La fila 3 no puede volver a ser
elegida y decidimos pivotear en la 2,
como no hay unos multiplicamos r B 2 ya que hemos obtenido dos columnas cannicas distintas
por 1/3para obtenerlo

Ejemplo 3
1 1 2 1 3 1 1 2 1 3 1 1 2 1 3 1 0 0 1 3
1
C 2 1 2 2 6 0 3 6 0 0 F2 0 1 2 0 0 0 1 2 0 0
3 2 4 3 9 0 1 2 6 18 3 0 1 2 6 18 0 0
0 6 18 1
F3
6
1 0 0 1 3 1 0 0 0 0

0 1 2 0 0 0 1 2 0 0
0 0 0 1 3 0 0 0 1 3

r C 3 ya que hemos obtenido tres columnas cannicas distintas
Ejemplo 4
Aclaracin
NO podemos tomar pivotes en la segunda fila porque todos los elementos
son nulos. El procedimiento termin.
1 1 0 1 1 1 0 1 Nos quedan tres columnas cannicas iguales pero la definicin exige
D
2 2 0 2 0 0 0 0 columnas cannicas distintas por ello tomamos a una sola de ellas y el
rango es 1
r D 1

PROPIEDADES DE MATRICES
1) La suma de una matriz cuadrada y su traspuesta es una matriz simtrica.
AA
T
En smbolos: A nxn : A AT es simtrica Datos: A nxn Tesis: A AT es simtrica A AT T
A AT AT AT AT A A AT
T T
Demostracin: Partiendo de uno de los miembros de la tesis
1 2 3
1. Por propiedad de la traspuesta de una suma.
2. Por propiedad de la traspuesta de la traspuesta de una matriz.
3. Por propiedad conmutativa de la adicin.
2) La diferencia de toda matriz cuadrada y su traspuesta es una matriz antisimtrica
En smbolos: A nxn : A A T es antisimtrica Datos: A nxn Tesis: A AT es antisimtrica A AT = ( A AT)T
T
A AT AT A
T T
A A A A A A
T T T
1 2 3 4
1. Por propiedad de la traspuesta de una suma.

2. Por propiedad de la traspuesta de la traspuesta de una matriz.
3. Por propiedad distributiva de . con respecto a +
4. Por propiedad conmutativa de la adicin.

3) Si A y B son matrices simtricas de orden n, la condicin necesaria para que A. B sea simtrica es que A y B conmuten.
En smbolos:
I) Si A. B es simtrica A. B = B. A II) Si A y B conmutan A. B es simtrica.
A nxn es simtrica A AT A nxn es simtrica A AT

Datos: B nxn es simtrica B BT Datos: B nxn es simtrica B BT
A.B A.B A.B B.A
T
A.B nxn es simtrica A y B conmutan
A.B
T
Tesis: A. B = B. A Tesis: A.B
Demostracin: Partiendo de uno de los miembros de la tesis Demostracin: Partiendo de uno de los miembros de la tesis
A.B
T
A.B A.B
T
BT .AT B.A BT .AT B.A A.B
1 2 3 1 2 3
1. Por datos. 1. Por propiedad de la traspuesta de un producto.

2. Por propiedad de la traspuesta de un producto. 2. Por datos ( A AT B BT )
3. Por datos 3. Por datos ( A y B conmutan A.B B.A )

4) El producto de dos matrices antisimtricas de orden n es una matriz antisimtrica si y solo si: A. B = B. A
En smbolos: Siendo A y B matrices antisimtricas de orden n; A.B es antisimtrica A.B = B.A
I) Si A. B es antisimtrica A. B = B. A II) Si A. B = B. A A. B es antisimtrica.
Datos: Datos:
A nxn es antisimtrica A A T
A nxn es antisimtrica A A T
B nxn es antisimtrica B B
T
B nxn es antisimtrica B B
T
A.B nxn es antisimtrica A.B A.B

T
A.B B.A
A. B B. A A.B A.B
T
Tesis: Tesis:
Demostracin: Partiendo de uno de los miembros de la tesis Demostracin: Partiendo de uno de los miembros de la tesis
A.B A.B
T
BT .AT B . A B.A A.B
T
B T
.AT BT .AT B.( A ) B.A A. B
1 2 3 4 1 2 3 4 5
1. Por datos. 1. Por propiedad de la traspuesta de un producto.

2. Por propiedad de la traspuesta de un producto. 2. Por operatoria.
3. Por datos. 3. Por datos.
4. Por regla de signos. 4. Por operatoria.
5. Por datos.

5) Si A y B son matrices cuadradas, idempotentes y permutables, entonces A.B es idempotente.
En smbolos:
Si A y B matrices de orden n, idempotentes y permutables A. B es idempotente
A.B es idempotente : A.B A.B

2
Datos: Tesis:
A y B nxn
A es idempotente A2 A
B es idempotente B 2 B
A y B son permutables A.B B.A
A.B A.B . A.B

2
A.A. B.B A2 .B 2 A.B
1 2 3 4
1. Por definicin de potenciacin de matrices.

2. Por asociatividad del producto de matrices y por datos.
4. Por datos.

6) Si A es idempotente y B es ortogonal, entonces BT . A . B es idempotente.
Datos: Tesis:
A y B nxn
B
2
T
.A.B BT .A.B
A es idempotente A A 2
B es ortogonal B T B 1
Demostracin: Partiendo de uno de los miembros de la tesis:
B B .A.B . BT .A.B B
2
T
.A.B T T
.A. ( B.BT ).A.B BT .A.I .A.B B T .A.A.B BT .A2 .B BT .A.B
1 2 3 4 5 6

2. Por asociatividad del producto de matrices.
3. Por datos B es ortogonal B.BT I
4. Por ser I elemento neutro de la multiplicacin de matrices cuadradas
6. .Por datos A es idempotente A2 A

7) Si A + B = I y A. B = N A y B son idempotentes.
Datos: Tesis:
A B I
A2 A B 2 B
A.B N *
Demostracin:
Por datos................................................................ A B I BI A
Reemplazando B en (*)................................ A .( I A ) N
Aplicando propiedad distributiva................... A . I A . A N
Por ser I elemento neutro del producto. ............... A A2 N
Por clculo ................................................................. A2 A
De igual modo por datos ....................................... A B I A I B

Reemplazando A en (*).............................. ( I B ) . B N
Aplicando propiedad distributiva................ I . B B . B N
Por ser I elemento neutro del producto............... B B 2 N
Por clculo............................................................... B 2 B

8) A y B son permutables A .I y B .I son permutables.
I) Si A.B B.A A .I y B .I son permutables II) Si A .I y B .I son permutables A.B B.A
Datos: A y B son permutables A.B B.A Datos: A .I . B .I = B .I . A .I
Tesis: A .I . B .I B .I . A .I Tesis: A.B B.A
Demostracin:
Demostracin:
1.
A .I . B .I A.B A I IB 2 I 2 A.B A B 2 I 1. A .I . B .I B .I . A .I
B .I . A .I B.AB I I A 2 I 2 =B.A B A 2 I 2. A.B A I IB 2 I 2 B.AB I I A 2 I 2
A.B A B 2 I B.A B A 2 I
2. Dado que por datos A.B B.A 3. A.B B.A
3. Concluimos que A .I . B .I B .I . A .I
1. Aplicando propiedad distributiva, I como elemento neutro de la 1. Partiendo de los datos dados.
multiplicacin 2. Aplicando propiedad distributiva, I como elemento neutro de la

multiplicacin
2. Por datos
3. Llegamos a lo que se quiere demostrar 3. Cancelando, llegamos a lo que se quiere demostrar.

9) El determinante de una matriz ortogonal es igual a 1
Datos: Tesis: A 1
A es ortogonal si AT A 1
o en su expresin equivalente
A es ortogonal si A. AT I
Demostracin:
Si A es ortogonal .......................................................................................... A.AT I

Aplicamos determinantes en ambos miembros de la igualdad...................... A . AT I
Aplicando propiedades de determinante de un producto y I 1................. A . AT 1
Aplicando propiedades de determinante de la traspuesta ............................. A . A 1
2
Operando ..................................................................................................... A 1
Concluimos ................................................................. ................................. A 1

10) Si A y B son ortogonales, entonces A. B es ortogonal
A.B A.B
T 1
Datos: Tesis:
A y B nxn
A es ortogonal AT A 1
B es ortogonal BT B 1
A.B BT .AT B 1 .A1 A.B

T 1
1 2 3
1. Por propiedad de la traspuesta de un producto.

2. Por datos.
3. Por propiedad de la inversa de un producto.

A .B
1
11) Si A y B son cuadradas y regulares, entonces B 1 . A1
Datos: Tesis:
A .B
1
A y B nxn B 1 . A1
A es regular existe A 1
B es regular existe B 1
Demostracin:
(A . B) . (A . B )1 = I ................ Por definicin de matriz inversa

A1 .(A . B) . (A . B)1 = A1 . I ................ Premultiplicando ambos miembros por A1
I. B . (A . B)1 = A1 ................ Por asociativa, elemento neutro y matriz inversa
B . (A . B)1 = A1 ................ Por definicin de elemento neutro
1
B . B. (A . B)1 = B 1 . A1 ................ Premultiplicando ambos miembros por B 1
I . (A . B)1 = B 1 . A1 ................ Por definicin de matriz inversa, asociatividad
1 1 1
(A . B) = B . A ................ Por definicin de elemento neutro

12) Si A y B son inversibles, entonces A. B es inversible.
Datos: Tesis:
1
A es inversible existe A A 0
B es inversible existe B 1 B 0 A . B es inversible A . B 0
Demostracin:
A .B A . B 0
1 2
1. Por propiedad del determinante de un producto.

2. Por datos, A 0 y B 0 por lo tanto el producto tambin es distinto de cero.
A fin de simplificar la demostracin
tomaremos el caso que A 2 x 2
13) Si A . A N , entonces A N
T
Demostracin:
a a12 a11 a21

Sea A 11 A
T
partiendo que por datos sabemos que A. A N , entonces
T
a21 a22 a12 a22

a11 a12 a11 a21 0 0 a 211 a12 2 a11 . a21 a12 . a22 0 0

a21 a22 a12 a22 0 0 a21 . a11 a22 . a12 a 2 21 a22 2 0 0
Por igualdad de matrices, concluimos que:
a 211 a12 2 0, ahora bien la nica posibilidad que la suma de los cuadrados de dos nmeros reales sea nula es que cada uno de ellos lo sean, luego: a11 0 y a12 0
Del mismo modo:
a 2 21 a22 2 0 a21 0 y a22 0. A N

14) El determinante de una matriz inversible y el de su inversa son nmeros recprocos.
Datos: Tesis:
1
A es inversible existe A1 A 0 A 1
A
Demostracin:
Si la matriz es inversible, existe A1 , por definicin de matriz inversa........................................... A . A 1 I

Aplicando determinantes en ambos miembros............................................................................... A . A 1 I
Por propiedad del determinante del producto y propiedad del determinante de la Identidad.......... A . A 1 1
1
Por lo tanto como A 0 A1 0 ntonces se verifica que....................................................... A 1
A
15) Si A es no singular y B.A = N, entonces B = N
Datos: Tesis:
A es no singular existe A 1
B=N
B.A N
Demostracin:
Por datos............................................................................................................ B.A N

1
Sabiendo que A es no singular, multiplicamos ambos miembros por A ........... B.A.A-1 N .A-1
Por definicin de inversa.................................................................................... B.I N
Por ser I elemento neutro de la multilicacin ..................................................... B N

COMPRENDIENDO LA MATRIZ INSUMO PRODUCTO (MIP)
El Gobierno, mediante el decreto 1098/97 del 22/10/97, declar de inters nacional la realizacin de un proyecto para la elaboracin de una
Matriz de Insumo Producto (MIP). Tal proyecto fue llevado a cabo en el mbito de la Secretara de Poltica Econmica con la participacin
conjunta del Instituto Nacional de Estadstica y Censos (INDEC) y la Subsecretara de Programacin Macroeconmica.
Con relacin al proyecto el INDEC hizo un relevamiento de la informacin de las empresas referida a 1997, desde abril de ese ao.
El modelo de insumo producto fue desarrollado en la dcada del 30 por Wassily Leontief culminando con la publicacin, durante 1941, de
las matrices de Estados Unidos de los aos 1919 y 1929. A partir de entonces, diversos pases comenzaron a elaborar los cuadros de insumo
producto. La Argentina elabor el cuadro del ao 1950, con la colaboracin de la Comisin Econmica para Amrica Latina (CEPAL) y para los
aos 1953, 1963 y 1973, con la intervencin del Banco Central de la Repblica Argentina (BCRA).
Qu es la Matriz Insumo Producto?

La MIP es un registro ordenado de las transacciones entre los sectores productivos orientadas a la satisfaccin de la demanda final:
consumo de las familias o del gobierno, inversiones fsicas o exportaciones; en el proceso de generacin de dichos bienes intermedios que se
compran y se venden entre s. De esta manera se puede ilustrar la interrelacin entre los diversos sectores productivos y los impactos directos e
indirectos que tiene sobre stos un incremento en la demanda final. As, la MIP permite cuantificar el incremento de la produccin de todos
los sectores, derivado del aumento en la demanda final de uno de ellos en particular.
Cul es su utilidad?
En materia de decisiones empresariales
Para el empresario, que conoce al sector de la economa, al que pertenecen los compradores de los bienes y servicios que l produce, pero no
conoce al sector al que pertenecen los clientes de sus compradores, la MIP le ofrece una descripcin detallada de la ruta que siguen los
bienes y servicios hasta llegar a la demanda final; y le da la posibilidad de evaluar la participacin de su empresa y as expandirse en el
mercado.
Finalidad Estadstica
La MIP otorga un marco de consistencia para las estimaciones que provienen de distintas fuentes: encuestas industriales, encuestas de gastos de
los hogares, estadsticas de comercio exterior, etc.

Proyecciones de Comercio Exterior
Cuando la balanza de pagos impone restricciones a la poltica econmica, el nivel de importaciones puede ser determinado a travs de ejercicios
de insumo- producto y se puede obtener la demanda directa de importaciones, como tambin la demanda indirecta de todos los sectores
involucrados.
Tambin se puede analizar las exportaciones y los insumos directos o indirectos que ellas requieran, algunos de los cuales pueden ser importados.
Anlisis de Precios y Costos

La MIP permite determinar el efecto en el nivel general de los precios de la economa, ya sea como consecuencia de la modificacin de
alguno de los precios de los bienes o servicios (nacionales e importados), as como de la modificacin de las tasas tributarias al ofrecer una
completa interrelacin entre los sectores productivos.
Polticas de empleo
La MIP permite medir los impactos directos e indirectos de las decisiones que se toman para reducir el desempleo. Por ejemplo la expansin de
la actividad de la construccin, por obras pblicas o el sector privado, tendrn influencia en la actividad misma, as como en todos los sectores
vinculados a la misma, y el efecto que se produce con la incorporacin de mano de obra se puede cuantificar slo con una matriz de estas
caractersticas.
Consideraciones Finales
La MIP es un importante instrumento analtico que describe en forma cuantitativa las relaciones entre los sectores, productos e insumos de la
economa.
Constituye una herramienta central en el anlisis econmico ya que permite indagar las repercusiones sectoriales frente a las variaciones
que son consecuencia de las decisiones de los particulares o de los responsables de la definicin de la poltica econmica.
Esta herramienta permite analizar las debilidades y fortalezas del sistema de estadsticas econmicas del pas.
En tiempos donde la tecnologa y las comunicaciones generan sobreabundancia de informacin, los servicios estadsticos nacionales
deben favorecer su adecuada interpretacin en base a esquemas integradores, entre los cuales la MIP ocupa un lugar destacado.
Nota: Se utiliz como bibliografa la publicacin del Indec Comprendiendo la Matriz de Insumo Producto. Si deseas conocer cmo se
construy la MIPA 97, las distintas matrices que se elaboraron y los resultados que se obtuvieron, ingresa a la pgina de Internet
http://www.indec.mecon.gov.ar/ y utilizando el buscador hallaras toda la informacin.
MATRIZ INSUMO PRODUCTO
Una economa nacional o conjunto de todas las actividades econmicas que se realizan en un pas, puede resumirse, en forma ms o menos
detallada, mediante una matriz que recoge las transacciones que tienen lugar entre los distintos sectores de actividades en que fue dividido aquel
sistema econmico nacional.
El mtodo, debido principalmente a W. Leontief, busca estudiar la interdependencia entre los distintos sectores de la economa.
Consideraremos una economa hipottica donde hay n sectores (fbricas) que producen un solo tipo de producto final cada uno. Cada uno de
dichos sectores necesita para su produccin, ciertos insumos (materia prima), que son los productos finales de los otros sectores. Es decir que la
produccin de una industria depende de los requerimientos de insumo de las n industrias.
La tabla Insumo Producto nos sirve para registrar el destino de las mercaderas y servicios elaborados por un sector (productos), los que a su
vez son adquiridos por otros sectores (como insumos) o por sus demandantes finales.
Tambin existen otros factores de la produccin tales como mano de obra, utilidades, etc. Adems influye la demanda final, es decir el consumo
de los hogares, el gobierno, etc.
El anlisis de la matriz insumo producto consiste en determinar la produccin de cada uno de los sectores si la demanda final cambia,
suponiendo que el resto de la economa no vara.
Podemos decir tambin que el anlisis muestra como la produccin de bienes primarios, intermedios y terminados se ve afectada por un cambio
en la demanda de bienes terminados.
La tabla viene determinada por un cuadro de doble entrada, donde cada fila o columna est asociada a algn sector productivo que pertenece al
sistema econmico nacional.

ELEMENTOS QUE FORMAN LA MATRIZ INSUMO PRODUCTO
Demanda Final Producto Total

S1 S2 Sn
(H ) (X)
S1 b11 b12 b1n h1 x1
S2 b21 b21 b2 n h2 x2
Sn bn1 bn1 bnn hn xn

Valor Agregado
(V . A)
VA1 VA2 VAn hi VA j
Producto Total
(X)
x1 x2 xn xi x j
Llamaremos S1, S2,..., Sn a los n sectores o industrias. Estos pueden ser: Agricultura, Industrias Extractivas, Industrias Fabriles, Construccin y
Obras Pblicas, Agua, Gas y Electricidad, Comercio Interior, Transportes, Servicios, etc.
La Tabla constituye una matriz de orden n+1 que puede particionarse en las siguientes submatrices:
b11 b12 b1 n

La matriz B bij
b b22 b2 n
21 de n por n, llamada matriz de las transacciones interindustriales representa el valor de los productos

bn1 bn 2 bnn
de la industria o sector i que son usados como insumos por la industria o el sector j en un ao.
Los bij son mayores o iguales a cero.

Los bij pueden ser interpretados econmicamente de dos maneras:
Si se lee la matriz por filas representa el valor de las ventas realizadas por el sector i al sector j.
Si se lee por columnas, representa el valor de las compras que el sector j efectu al sector i. Estos valores suelen efectuarse a precio de
productor, es decir, descontando del valor de la compra o de la venta, los mrgenes comerciales, los gastos de transporte y los impuestos
indirectos.
h1

h
La matriz H (demanda final) = 2 de una sola columna (n x 1) tiene como elementos a los hi que representan la demanda final del sector i.

hn
Es decir representa el valor de las ventas efectuadas a los pases extranjeros (exportaciones), consumo privado, consumo pblico (es decir las
ventas a familias e instituciones estatales), bienes de capital (edificios, maquinaria, medios de transporte) vendidos, adems de las diferencias de
los stocks o existencias de bienes del sector que no fueron consumidos durante el ao al que se refiere la tabla.
La matriz V.A (valor agregado) = V . A1 V . A2 V . An de una sola fila (1 x n), tiene como elementos a los V.Aj que representan lo gastado
por la industria j en otros factores de la produccin, es decir es la suma de las remuneraciones percibidas por los factores de produccin.
Detallamos a continuacin estos factores y las remuneraciones que le corresponden:
FACTOR REMUNERACIN
Trabajo Salarios
Capital Intereses
Recursos Materiales Rentas
Capacidad Empresaria Beneficios
La matriz X (producto total o valor bruto de produccin), de una sola columna (n x 1), tiene como elementos xi que son los valores de produccin
del sector i.

La suma de los elementos de la fila i representa el total de bienes producidos por el sector i y consumidos por el sector j incluyendo al propio
sector i.
n
xi b ij hi Producto total de la industria i = Valor bruto de las ventas = Salidas totales de cada sector = Output total
j 1
La suma de los elementos de la columna j representa el total de los insumos de ese sector provenientes de los n sectores incluyendo el propio
sector j.
n
xj b ij V . Aj Producto total de la industria j = Valor bruto de las compras = Entradas totales de cada sector = Imput total
i1
Definimos una nueva matriz , que llamaremos A ( matriz de los coeficientes tcnicos o tecnolgicos o coeficientes de utilizacin directa ) ,
bij
cuyos elementos son los aij tal que: aij bij aij . x j
xj
a11 a12 a1 n

a a 22 a2 n
luego A = 21

a n1 an 2 ann
Como cada columna representa la estructura de costos de cada sector, si se divide cada elemento bij por el producto total del sector j o sea xj se
obtienen los coeficientes tecnolgicos .Dichos elementos son adimensionales.
aij es el valor de los bienes intermedios producidos por el sector i, que el sector j necesita adquirir para producir una unidad.
Se debe recordar que el subndice i indica la industria vendedora y el subndice j la industria compradora.
La regla prctica para calcular los coeficientes es dividir cada elemento bij de la columna por el producto total que figura al pie de la misma.

MODELO ABIERTO DE LEONTIEF
Sabemos que:
n n
x b h b a x luego x a x h Expresin que satisface cada fila de la M.I.P
i ij i ij ij j i ij j i
j 1 j 1
En forma matricial:
X A X H
X A X H
I A X H Expresin de la ecuacin de Leontief para una economa abierta
Si IA es una matriz regular o sea inversible entonces
X I A
1
H Expresin usada para determinar el producto total ante una variacin de la demanda.
Cabe recordar:
I A es la matriz de Leontief
I A es la matriz de los coeficientes de requerimientos directos o indirectos.
1
Los coeficientes tcnicos no tienen en cuenta la forma en que cada sector est relacionado con los dems.
Si en un sector de la economa se produce un aumento en la demanda final, este sector deber incrementar su produccin y con ella se
incrementar el nivel de insumos para satisfacer el nuevo nivel de demanda final, es decir va a demandar mayor cantidad de insumos de cada uno
de los sectores e incluso de s mismo.
El aumento en la demanda final de un sector influye sobre l y sobre los sectores que le proveen insumos.
Para medir las repercusiones directas e indirectas que resultan del aumento en una unidad de la demanda final debemos recurrir a la matriz de los
coeficientes de requerimientos directos e indirectos.
Ejemplo 1
Planteamos el siguiente problema:
Una economa cerrada de un pas (sin intercambio con el sector externo) dividida en tres sectores: A (agricultura), I (industria) y S (servicios)
presenta la siguiente tabla de insumo producto correspondiente a un ao base.
Agricultura Industria Servicios Demanda Producto

Sectores
A I S Final (H) Total (X)
Agricultura
50 100 50 800 1000
A
Industria
100 100 100 700 1000
I
Servicios
100 300 100 1500 2000
S
Valor
Agregado 750 500 1750 3000 -----
V.A
Producto
1000 1000 2000 ----- 4000
Total (X)
El anlisis imput - output tiene mltiples aplicaciones, veamos en nuestro ejemplo

1500

Supongamos que las producciones de los sectores y las demandas finales estn limitadas segn lo indican las matrices X 2000 y
2500

1000

H 1000 .
1500

Se desea saber que suceder si la demanda aumenta al mximo.
X I A .H
1
Para resolver debemos aplicar:
50 100 50
Comencemos a calcular: B 100 100 100
100 300 100

50 100 50 1 1 1 19 1 1

1000 1000 2000 20 10 40 20 10 40
A A I A
100 100 100 1 1 1 1 9 1 157
IA
1000 1000 2000 10 10 20 10 10 20 200
100 300 100 1 3 1 1 3 19

1000 1000 2000 10 10 20 10 10 20

19 1 1 21 41 11 168 41 11
20
10 10 25 400 400 157 314 314

3 1 1
.Adj( I A )
1 9 9 1 1 20 180 10
( I A )T Adj ( I A) 10 ( I A)
10 10 10 10 20 IA 157 157 157

1
1 19 3 59 169 24 59 169
40 20 25 200 157 157
20 200 157
168 41 11
157 314 314
1000 1253

X ( I A ) . H
1 20 180 10

1000 Aproximadamente X 1369
157 157 157 1500 2143

24 59 169
157 157
157
1500

Como los lmites productivos, estaban dados por X 2000 vemos que la demanda puede ser satisfecha.
2500


Ejemplo 2
A B DF PT
A 4 4 4 12
Dada la matriz de insumo - producto de una economa hipottica de dos industrias A y B en B 6 6 12 24
millones de pesos, construir el cuadro completo si la demanda final se duplica para la industria VA 2 14 16 -
A y se duplica para la industria B. PT 12 24 - 36
4 4 1 1 1 1 2 1
3
12 6 1 0 3 6 3
X I A H
1 24 6
A IA
6 6 1 1 0 1 1 1 1 3

12 24 2 4 2 4 2 4
2 1

3 6 2 3 1 1 5
IA
1 3 3 4 2 6 12 3 1 9 2
4
2 4 1 1 1 6 5 5
( I A) Adj( I A ) ( I A )1 ( I A ) 1
2 1 3 1 IA 5 1 2 6 8
3 4
2 6 12 2 3 5 5
( I A )T Adj( I A )
1 3 1 2

6 4 2 3
A B DF PT
9 2 A 8 8 8 24
5 5 8 24
X I A
1
H X Tabla para la nueva demanda B 12 12 24 48
6 8 24 48
VA 4 28 32
5 5
PT 24 48 72

UNIDAD 3
SISTEMAS DE ECUACIONES LINEALES

Introduccin a sistemas de ecuaciones lineales 2
Sistemas de ecuaciones lineales 4
Clasificacin de los sistemas de ecuaciones lineales 6
Mapa conceptual sistemas en R2 7
Mapa conceptual sistemas en R3 8
Expresin matricial de un sistema de ecuaciones lineales 9
Transformaciones elementales de un sistema de ecuaciones 12
Resolucin de un sistema de ecuaciones lineales 14
a) Eliminacin gaussiana 14
b) Mtodo de Gauss - Jordan 20
Teorema de Rouch - Frobenius 20
c) Por inversin de la matriz de los coeficientes del sistema 23
d) Regla de Cramer 25
Sistemas homogneos 29
Anlisis de un sistema en funcin de un parmetro 34
I. Empleando el mtodo de Gauss - Jordan 35
II. Empleando determinantes y el mtodo de Gauss - Jordan 37
Ejercicio resuelto de la gua de trabajos prcticos 44
Aplicaciones Econmicas 47
Demanda 47
Oferta 50
Equilibrio de mercado 52
La incidencia de un impuesto en el precio de equilibrio 53
Dominio y conjunto imagen de las funciones econmicas 53
Ejercicios resueltos de la gua de trabajos prcticos 54
Mapa conceptual de sistemas de ecuaciones lineales 56

INTRODUCCIN A SISTEMAS DE ECUACIONES LINEALES
Seguramente te preguntars para qu debes estudiar este tema, te mostraremos algunos situaciones donde la intuicin, la astucia,..., no son
suficientes para resolver ciertas situaciones.
Problema 1
Una compaa minera extrae mineral de dos minas de Jujuy y Salta. ste contiene en la mina de Jujuy el 1% de nquel y 2% de
cobre, para la mina de Salta el 2% de nquel y 5% de cobre. Qu cantidad de mineral se deber extraer de cada mina para obtener 4 toneladas de
nquel y 9 toneladas de cobre?
Solucin:
Cul es el problema? Qu buscamos?
Queremos saber el nmero de toneladas de mineral que hay que extraer de cada una de las minas y para ello asignamos letras a esos nmeros que
no conocemos, que son nada ms, ni nada menos que las incgnitas o variables de nuestro problema,
Llamamos x al nmero dc toneladas que se extrae de mineral de la mina de Jujuy e y al nmero de toneladas de mineral que se extrae de Ia
mina de Salta.
Establecemos las relaciones algebraicas entre las variables con los datos que disponemos y para ayudarnos a contestar armamos la tabla:
Cunto se obtiene de nquel de la mina de Jujuy? La respuesta es el 1%, lo expresamos como: 0,01x.
Jujuy Salta Demanda
Y de la mina de Salta? Es el 2%, lo expresamos como: 0,02y luego como necesitamos satisfacer la demanda de
nquel 1% 2% 4
4 toneladas de nquel escribimos la ecuacin correspondiente: 0, 01 x 0, 02 y 4
cobre 2% 5% 9
Anlogamente para el cobre nos hacemos las mismas preguntas y obtenemos las respectivas respuestas.
Cunto se obtiene de cobre de la mina de Jujuy? Es el 2%, lo expresamos como: 0,02x.
Y de la mina de Salta? Es el 5%, lo expresamos como: 0,05y luego como necesitamos satisfacer la demanda de 9 toneladas de cobre escribimos
la ecuacin correspondiente: 0, 02 x 0, 05 y 9
Para calcular entonces cuantas toneladas de mineral hay que extraer de cada mina deberemos resolver el sistema de dos ecuaciones lineales con
0, 01 x 0, 02 y 4
dos incgnitas
0, 02 x 0, 05 y 9
Seguramente con tus conocimientos previos podrs resolverlo, pero si la cantidad de componentes del mineral aumenta a 4, y la cantidad de
minas de extraccin son 5 el sistema a resolver la situacin problemtica se complica porque tendr 4 ecuaciones y 5 incgnitas.

Problema 2
Andrs y Pablo son agentes de la bolsa que invierten en el Mercado de Valores. Entre ellos se establece el siguiente dilogo:
Andrs - Compr bonos NAC, PROV y CAB
Pablo - Qu cantidad tens de cada una de ellos?
Andrs - adivin?
Pablo - Decime el valor total de tus acciones en tres das distintos y te dir cuntos tens de cada uno.
Andrs Bueno, al precio de cierre: el 9 de octubre los bonos valan $138.900, el 16 de octubre, $131220 y el 23 de octubre, $121280
Pablo investiga que sucedi esos das y recopila la siguiente informacin.
El 9 de octubre el precio de NAC, PROV y CAB era respectivamente $16,98, $9,00 y $9,00; el 16 de octubre $15,90, $8,72, $8,52 y el 23 de
octubre $14,08, $8,20, $8,76.
Qu cantidad de bonos de cada clase tiene Andrs?
Solucin
Cul es el problema? El nmero de bonos que tiene Andrs de cada tipo.
Como en el problema anterior les asignamos letras a la cantidad de bonos de cada especie: x cantidad de bonos que tiene de NAC, y cantidad
de bonos que tiene de PROV, z cantidad de bonos que tiene de CAB
Establecemos las relaciones algebraicas entre las variables con los datos que disponemos y para ayudarnos a contestar la pregunta armamos la
siguiente tabla:
NAC PROV CAB
9/10 16,98 9,00 9,00 138.900 De la primera fila surge la primera ecuacin: 16,98x 9,00 y 9,00z 138.900
16/10 15,90 8,72 8,52 131.220 De la segunda fila surge la segunda ecuacin: 15,90 x 8,72 y 8,52z 131.220
23/10 14,08 8,20 8,76 121.280 De la tercera fila surge la tercera ecuacin: 14,08x 8, 20 y 8,76z 121.280
16, 98 x 9, 00 y 9, 00 z 138.900

Por lo tanto Pablo conocer la cantidad de bonos de cada clase que posee Andrs si resuelve el sistema 15, 90 x 8, 72 y 8, 52 z 131.220
14, 08 x 8, 20 y 8, 76 z 121.280

Desarrollaremos a continuacin los conceptos necesarios para trabajar adecuadamente con los sistemas de ecuaciones.
SISTEMAS DE ECUACIONES LINEALES
Un sistema de ecuaciones lineales es un conjunto de m ecuaciones lineales con n incgnitas que se expresa de la siguiente forma:
a11 x1 a12 x2 a1n xn b1

Una ecuacin lineal es aquella donde
a21 x1 a22 x2 a2 n xn b2 sus incgnitas estn relacionadas
entre s mediante sumas y afectadas

por el exponente uno.
am1 x1 am 2 x2 am n xn bm

Los nmeros reales a11 , a12 , , a1n en general aij son los coeficientes de las incgnitas.
Las incgnitas del sistema estn representadas por x1 , x2 , , xj , , xn .
Los nmeros reales b1 , b2 , , bi , , bm son los trminos independientes del sistema.
Ejemplos 4 x1 2 x2 x3 5 x4 2 4 x 2 y 2
5 x 2y z 3 x 4 y 3
x1 3 x2 2 x3 2 x4 1

2 x1 x2 6 x3 3 x4 1 x 3 y 2z 1 2x y 1
5x x 3x x 2 2 x y 4z 7 5 x y 0
1 2 3 4
Sistema de cuatro ecuaciones Sistema de tres ecuaciones Sistema de cuatro ecuaciones
con cuatro incgnitas con tres incgnitas con dos incgnitas
En el caso que las incgnitas sean 2 se suelen designar simplemente

por x e y en vez de x1 y x2, y en el caso de tres, x, y, z en lugar de x 1, x2
y x3 pero esto es indiferente a la hora de resolver el sistema.

Solucin del sistema: es el conjunto de valores de la n-upla x1; x2 ;; xn que satisfacen simultneamente a todas y cada una de las ecuaciones
del sistema.
Conjunto solucin: es el conjunto formado por todas las soluciones del sistema.
Frente a un sistema de ecuaciones se presentan dos situaciones sobre las que debemos prestar atencin, su discusin y resolucin:
A lo largo del transcurso de la siguiente unidad desarrollaremos como discutir y resolver los sistemas de ecuaciones lineales proponindoles
distintas alternativas desde la teora y la prctica.

CLASIFICACIN DE LOS SISTEMAS DE ECUACIONES LINEALES
A continuacin les proponemos observar los dos mapas conceptuales referidos a los sistemas de ecuaciones de dos ecuaciones con dos incgnitas
y de tres ecuaciones con tres incgnitas, los mtodos de resolucin, su representacin en el plano y en el espacio y su clasificacin.
Observacin 1
Dado un sistema de dos ecuaciones
lineales con dos incgnitas, cada
ecuacin del mismo representa
grficamente una recta en el plano. A
partir del siguiente mapa conceptual
sintetizamos los posibles mtodos de
resolucin analtica, la resolucin
grfica y su interpretacin geomtrica.

Observacin 2
En el caso de un sistema de tres ecuaciones
lineales con tres incgnitas, cada ecuacin
del sistema representa grficamente un plano
en el espacio. Del mismo modo que en la
observacin 1 a partir del siguiente mapa
conceptual sintetizamos los posibles mtodos
de resolucin analtica, la resolucin
grfica y su interpretacin geomtrica.
EXPRESIN MATRICIAL DE UN SISTEMA DE ECUACIONES LINEALES
Usando la multiplicacin de matrices un sistema de ecuaciones lineales se puede expresar de la siguiente forma:
a11 a12 a1n x1 b1

a21 a22 a2 n x2 b2
. O bien A.X = B

am 1 am 2 am n xn bm
mxn nx1 mx 1
a11 a12 a1n

a21 a22 a2 n
La matriz A es la matriz de los coeficientes,de orden m x n

am 1 am 2 am n
x1 b1

x b
X 2 es la matriz de las incgnitas , de orden n x 1 B 2 es la matriz de los trminos independientes,de orden m x 1

xn bm
La matriz de las incgnitas X y la matriz de los

trminos independientes B son ambas matrices
columna.

Tambin usaremos la matriz ampliada, que se representa por A', que es la matriz de los coeficientes a la cual le hemos agregado la matriz
columna de los trminos independientes:
a11 a12 a1n b1

a21 a22 a2 n b2
A'

am 1 am 2 am n bm
Ejemplo 1
2x 3 y z 1
Dado el sistema 3 x 2 y 4 z 3 entonces las matrices del sistema son:
5x y z 4

2 3 1 x 1 2 3 1 1

A 3 2 4 X y B 3 A ' 3 2 4 3
5 1 1 z 4 5 1 1 4

2 3 1 x 1

En forma matricial el sistema se expresa A. X B 3 2 4 . y 3 y si efectuamos la operacin en el primer miembro obtenemos:
5 1 1 z 4

2 x 3 y z 1 2 x 3 y z 1

3 x 2 y 4 z 3 Dos matrices del mismo orden son iguales si los elementos que ocupan idnticas posiciones son iguales entonces 3 x 2 y 4z 3
5x y z 4
5x y z 4
Sistema original

Ejemplo 2
x y 1
Dado el sistema y z 0 si queremos escribir las matrices correspondientes al sistema deberemos observar que las variables en la tercera
z x 2

x y 1
ecuacin no estn ordenadas, debiera estar primero la x y despus la z entonces escribimos nuevamente el sistema y z 0 luego
x z 2

escribimos las matrices:
1 1 0 x 1 1 1 0 1

A 0 1 1 X y B 0 A' 0 1 1 0
1 0 1 z 2 1 0 1 2

1 1 0 x 1

La forma matricial del sistema es A. X B 0 1 1 . y 0
1 0 1 z 2

Ejemplo 3
2 x 3 y z t 3
Dado el sistema entonces las matrices del sistema son:
x 5 y 4z t 5
x x

2 3 1 1 y 3 2 3 1 1 3 2 3 1 1 y 3
A X B A' La forma matricial del sistema es A. X B .
1 5 4 1 z 5 1 5 4 1 5 1 5 4 1 z 5

t 2 x4 2 x1
t
4 x1

TRANSFORMACIONES ELEMENTALES EN UN SISTEMA DE ECUACIONES
Para resolver un sistema hay que transformarlo en otro sistema ms simple, equivalente al sistema original, o sea debe tener las mismas
soluciones.
Dos sistemas de ecuaciones son

equivalentes s y slo si tienen el
mismo conjunto solucin
Se llaman operaciones o transformaciones elementales a aquellas modificaciones en un sistema de ecuaciones que lo transforman en otro
equivalente.
Las siguientes transformaciones son elementales:
a) Permutar el orden de las ecuaciones del sistema.
x 3 y z 1 E1 3 x 2 y 4 z 3 E2
Ejemplo es equivalente al sistema que resulta de permutar
3 x 2 y 4 z 3 E2 x 3 y z 1 E1
5x y z 4 E E2 con E1 5x y z 4 E
3 3

b) Multiplicar una ecuacin del sistema por un nmero real distinto de cero.

x 3 y z 1 E1 es equivalente al sistema que resulta de multiplicar x 3y z 1 E1
Ejemplo
3 x 2 y 4 z 3 E2 1 3 x 2 y 4z 3 E2
5x y z 4 E E3 por
3 5 1 1
x y z
4

1
E
5 5 5 5 3
c) Sumar a una ecuacin otra cualquiera del sistema.
x 3 y z 1 E1 x 3y z 1 E1
Ejemplo
es equivalente al sistema que resulta de sumar
3 x 2 y 4 z 3 E2 3 x 2 y 4z 3 E2
5x y z 4 E E3 con E1 6x 4 y
3 5 E3 + E1
d) Sumar a una ecuacin otra cualquiera del sistema multiplicada por un nmero real distinto de cero.
x 3 y z 1 E1 es equivalente al sistema que resulta de x 3y z 1 E1

Ejemplo
3 x 2 y 4 z 3 E2 reemplazazar E2 por E2 3 E1 7 y 7z 6 E2 3 E1
5x y z 4 E 5 x y z 4
3 E3
Los sistemas obtenidos en cada caso son equivalentes al dado y tienen el mismo conjunto solucin.

RESOLUCIN DE UN SISTEMA DE ECUACIONES LINEALES
a) ELIMINACIN GAUSSIANA
El mtodo de Gauss consiste en la aplicacin de las transformaciones elementales presentadas anteriormente, por ejemplo, dado un sistema de
ecuaciones lineales de tres ecuaciones con tres incgnitas:
a11 x1 a12 x2 a13 x3 b1 a11 x1 a12 x 2 a13 x 3 b 1

Se transforme en otro sistema ms
a21 x1 a22 x2 a23 x3 b2 simple equivalente al anterior
a '22 x2 a '23 x3 b '2
a x a x a x b a '33 x3 b '3
31 1 32 2 33 3 3
Los sistemas con estas caractersticas los llamamos a11 a12 a13

triangulares o escalonados ya que si observamos A 0 a '22 a '23
0 a '33
la matriz de los coeficientes del sistema 0
transformado es triangular superior.
Conseguida la triangulacin resolvemos por sustituciones sucesivas empezando desde la ltima ecuacin hasta llegar a la primera ecuacin.

Generalizamos para un sistema de m ecuaciones lineales con n incgnitas:
a11 x1 a12 x2 a13 x3 a1n xn b1

a11 x1 a12 x2 a13 x3 a1 n xn b1
'
a x2 a' x3 a' xn b'
a21 x1 a22 x2 a23 x3 a2 n xn b2 22 23 2n 2
' ' '
a31 x1 a32 x2 a33 x3 a3 n xn b3 mediante transformaciones elementales obtenemos : a x3 a xn b
33 3n 3

am 1 x1 am 2 x2 am 3 x3 am n xn bm
a'm n xn b'm

O sea el mtodo consiste entonces en:
1) Reducir la matriz ampliada del sistema de ecuaciones lineales mediante operaciones elementales de filas a una matriz escalonada por filas
donde: i , j : i j ai j 0
En lenguaje coloquial la implicacin anterior significa que los elementos que se encuentran por debajo de la diagonal principal de la matriz
de los coeficientes del sistema deben ser cero.
a11 a12 a13 a1n b1

0 a' a' a' b'
22 23 2n 2

0 0 a' a' b
'
33 3n 3

0 0 0 a'm n b'm


2) Discutir el sistema para determinar si existe o no solucin y de existir determinar si la solucin es nica o son infinitas soluciones.
Despus de aplicar el mtodo de eliminacin gaussiana se obtiene el sistema escalonado equivalente.
El sistema puede presentar las siguientes situaciones:
Que haya alguna ecuacin de la forma 0 x1 0 x2 0 x3 0 xn c o sea 0 c y c 0 , entonces el sistema que resulta es
un Sistema incompatible que no tiene solucin.
Que el nmero de ecuaciones sea igual al nmero de incgnitas y entonces el sistema que resulta es un Sistema compatible
determinado que tiene una solucin nica.
Que el nmero de ecuaciones sea menor que el nmero de incgnitas y entonces el sistema que resulta es un Sistema compatible
indeterminado que tiene infinitas soluciones.
3) Resolver el sistema, es decir hallar la solucin del mismo para ello debemos encontrar el valor de las incgnitas del mismo una vez reducida la
matriz ampliada a la forma escalonada por filas y lo haremos utilizando el mtodo de sustitucin por retroceso.
A continuacin trabajaremos con ejemplos para reafirmar los pasos del mtodo.

Ejemplo 1
x y 2z 1
x 2 y z 2 Observacin Para que el proceso resulte ms sencillo trabajaremos con la matriz ampliada del sistema.
x 3y z 5 111111
Efectuamos las transformaciones elementales para escalonar la matriz de los coeficientes:

1 1 2 1 F1 1 1 2 1 1 1 2 1 x y 2z 1

1 2 1 2 F2 F2 F1 0 1 3 3 0 1 3 3 entonces el sistema equivalente es: y 3 z 3
1 3 1 5 F3 F3 F1 0 2 1 4 F3 2 F2 0 0 5 10

5 z 10 z=2
El sistema escalonado obtenido tiene la misma cantidad de ecuaciones que de incgnitas y por lo tanto es un sistema compatible determinado.
Sabiendo que z =2 hacemos sustitucin por retroceso y hallamos las incgnitas restantes.
Se sustituye en la segunda ecuacin y 3 z 3 o sea

y 3.2 3
y 6 3
y 3 6 y se obtiene y3
Se sustituye en la tercera ecuacin x y 2. z 1 o sea
x 3 2.2 1
x 3 4 1
x 1 3 4 y se obtiene x 6 luego S = 6 ; 3 ; 2 SCD

Ejemplo 2
x y z0
x 2 y 3z 0
3 x 5 y 7z 1
Escribimos la matriz ampliada del sistema dado y mediante operaciones elementales procedemos a obtener el sistema escalonado
Recuerden: la primera columna de la matriz ampliada

corresponde a los coeficientes de la incgnita x, la
segunda a los de y, la tercera a los de z
1 1 1 0 1 1 1 0 1 1 1 0

1 2 3 0 F2 F1 0 1 2 0 0 1 2 0
3 5 7 1 F3 3 F1 0 2 4 1 F3 2 F2 0 0 0 1

Observando la ltima fila de la matriz ampliada vemos que resulta: 0x + 0y + 0z = 1 o sea 0 = 1 Absurdo.
Entonces el sistema no tiene solucin o sea es un Sistema Incompatible y el conjunto solucin se expresa S SI

x 2 y 5z 4
Ejemplo 3
2 x y 3
8 y 16 z 8 Observamos que en la matriz

ampliada la ltima fila tiene
1 2 5 4 1 2 5 4 1 2 5 4 1 2 5 4 todos sus coeficientes nulos o sea

2 1 3 F2 2 F1 0 5 10 5 1 / 5 F2 0 1 2 1 0 1 2 1
0 que resulta: 0x + 0y + 0z = 0
0 8 16 8 0 8 16 8 1 / 8 F 0 1 2 1 F F 0 0 0 0 o sea 0 = 0
3 3 2
El sistema equivalente obtenido tiene dos ecuaciones con tres incgnitas, o sea tiene menos ecuaciones que incgnitas por lo tanto es un sistema
x 2 y 5z 4
compatible indeterminado
y 2z 1
Para poder hallar el conjunto solucin del sistema obtenido debemos calcular el grado de libertad y lo hallamos de la siguiente forma:
n de incgnitas n de ecuaciones grado de libertad

3 2 1
Elegimos como variable libre a la variable z y obtenemos a x y a y en funcin de ella:

x 2 y 5 z 4 (1)

y 2z 1 y 1 2z
Reemplazamos en (1) : x 2(1 2 z ) 5 z 4 x 2 4 z 5 z 4 x 4 2 4 z 5 z x 2 z

Hacemos z obtenemos y 1 2 x 2
El conjunto solucin se expresa: S ( x; y; z ) 3 / x 2 y 1 2 z SCI
Tambin podemos expresar el conjunto solucin como: S ( x; y; z ) (2 ;1 2 ; ) ( x; y; z ) (2;1;0) (1;2;1)

b) MTODO DE GAUSS-JORDAN
Es aplicable a cualquier sistema de ecuaciones lineales
a11 a12 a1n b1

a21 a22 a2 n b2
Se escribe la matriz ampliada del sistema de ecuaciones dado A ' y a continuacin se calculan los rangos de A

am 1 am 2 am n bm
y A aplicando Gauss-Jordan lo que nos permite discutir el sistema, clasificarlo aplicando la tesis del Teorema de Rouch Frbenius y
posteriormente obtener el conjunto solucin.
TEOREMA DE ROUCH FRBENIUS
Dado un sistema de ecuaciones con matriz de coeficientes A, matriz ampliada A' y rangos respectivos r y r' se verifica:
1. El sistema de ecuaciones es compatible cuando rango(A) = rango(A')
2. En caso de que el sistema sea compatible existen dos posibilidades:
Si r = r' = n (n de incgnitas) Sistema compatible determinado (una nica solucin)
Si r = r' = h < n (n de incgnitas) Sistema compatible indeterminado (infinitas soluciones)
Al valor n h se le llama grado de libertad del sistema.

Ejemplo 1
x y 2z 1

Discutir la compatibilidad y resolver el siguiente sistema de ecuaciones x 2 y z 2
x 3y z 5

Calculamos los rangos de la matriz de los coeficientes A y matriz ampliada A aplicando Gauss Jordan y a continuacin clasificamos, utilizamos
la tesis del teorema de Rouch - Frbenius
(1) 1 2 1 1 1 2 1 1 0 5 4 1 0 4
5 1 0 0 6

1 2 1 2 0 (1) 3 3 0 1 3 3 0 1 3 3 0 1 0 3
1 3 1 5 0 2 1 4 0 0 5 10 1 5 F3 0 0 2 0 0 1 2
(1)
r ( A) 3 r ( A ') 3 r ( A) r ( A ') 3 n de incgnitas S 6 ; 3 ; 2 SCD
Ejemplo 2
x y z 0

Discutir la compatibilidad y resolver el siguiente sistema de ecuaciones x 2 y 3 z 0
3 x 5 y 7z 1

(1) 1 1 0 1 1 1 0 1 0 1 0

1 2 3 0 0 (1) 2 0 0 1 2 0 r ( A) 2 r ( A ') 3 r ( A) r ( A ') S= SI No existe solucin
3 5 7 1 0 2 4 1 0 0 0 1


Ejemplo 3
3 x y 2z 2

Discutir la compatibilidad y resolver el siguiente sistema de ecuaciones x z 1
2 x y 3z 1

Escribimos la matriz ampliada del sistema de ecuaciones, calculamos los rangos de la matriz de los coeficientes A y matriz ampliada A
aplicando Gauss Jordan, a continuacin clasificamos el sistema y si es posible encontramos el conjunto solucin:
3 1 2 2 0 1 5 1 F3 .( 1) 0 (1) 5 1 0 1 5 1

(1) 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1
2 1 3 1 0 1 5 1 0 1 5 1 0 0 0 0

r ( A) = 2
r( A') = 2
Aplicando Rouch Frobenius r(A) = r(A') = 2 < 3 el sistema tiene infinitas soluciones o sea es SCI
y 5z 1
El sistema equivalente obtenido es Sabemos que n h = grado de libertad , en nuestro caso 3 2 1
x z1
y 1 5z y 1 5
Elegimos como variable libre a z entonces Si le asignamos a z el nmero real entonces
x 1 z x 1
S ( x; y; z ) 3 / x 1 y 1 5 z SCI
Tambin podemos expresar el conjunto solucin como: S ( x; y; z ) (1 ; 1 5 ; ) ( x; y; z ) (1; 1;0) (1; 5;1)

c) POR INVERSIN DE LA MATRIZ DE LOS COEFICIENTES DEL SISTEMA
Si A.X = B, entonces X = A1B.
Es aplicable si la matriz de los coeficientes del sistema de ecuaciones lineales es cuadrada y regular o sea es inversible.
El sistema de ecuaciones resulta compatible determinado o sea tiene una nica solucin.
Ejemplo 1
2 x y 3
A.X B X A1 B
4 x 5 y 7
2 1 2 1
La matriz de los coeficientes es A A 14 0, A1
4 5 4 5
Entonces se puede resolver por el mtodo matricial, calculamos la inversa de A
5 1
2 1 2 4 5 1 1 1 5 1 14 14
1
A AT AdjA A AdjA
4 5 1 5 4 2 A 14 4 2 2 1

7 7
5 1 11 11
14 14
3 7 7
X A 1 . B . X
2 1 7 1 1

7 7 7 7

Ejemplo 2
2 x1 2 x 2 2 x 3 0
2 x1 4 x2 3 x3 0 A.X B X A1 B
5 x 13 x 10 x 0
1 2 3
Desarrollamos el determinante por

La matriz de los coeficientes es la primera fila
2 2 2 2 2 2
4 3 2 3 2 4
A 2 4 3 A 2 4 3 2 2 2
5 13 10 13 10 5 10 5 13
5 13 10
= 2(40 39) 2( 20 15) 2(26 20) 2(1) 2( 5) 2(6)
= 2 + 10 12 = 0 como A 0 A1
El sistema no se puede resolver por el mtodo matricial.

Podemos afirmar que este sistema no es compatible determinado, deberemos utilizar otro mtodo para conocer si existen infinitas soluciones o no
existe solucin.

d) REGLA DE CRAMER
Esta regla se puede aplicar si la matriz de los coeficientes del sistema de ecuaciones lineales es cuadrada y regular.
Esto significa que el sistema de ecuaciones tiene la misma cantidad de ecuaciones que de incgnitas y que el determinante de la matriz de los
coeficientes del sistema es distinto de cero.
El sistema que cumple estas condiciones resulta ser compatible determinado o sea tiene solucin nica.
A un sistema de ecuaciones lineales que cumple estas condiciones se lo llama: Sistema de Cramer.
1
Sabemos que dado un sistema de ecuaciones de la forma A.X = B donde la matriz A es de orden n y regular es X A .B .
Podemos deducir, a partir de la expresin anterior, usando operaciones y propiedades de las matrices y de los determinantes, la regla de Cramer.
X A 1 B
1
AX B X Adj A B
A
A1
x1
A
x1 A11 A1 n b1 A11 b1 A12 b2 A1 n bn A1 A2
A12
x
x2 1 A21 A22 A2 n b2 1 A21 b1 A22 b2 A2 n bn 1 A2
2 A
A A A

xn An1 An 2 Ann bn An1 b1 An 2 b2 Ann bn An
x An
n
A

Vemos entonces que el valor de cada incgnita xi se obtiene como un cociente cuyo denominador es el determinante de la matriz de coeficientes
del sistema, y cuyo numerador es el determinante que se obtiene al sustituir la columna de los coeficientes de la incgnita considerada del
determinante anterior por la columna de los trminos independientes.
A1 A2 An
x1 , x2 , , xn
A A A
a11 a12 a1n

a21 a22 a2 n
Siendo el denominador A y los respectivos numeradores los siguientes:

a n1 an 2 ann
b1 a12 a1n a11 b1 a1n a11 a12 b1

b2 a22 a2 n a21 b2 a2 n a21 a22 b2
A1 , A2 , An

bn an 2 ann a n1 bn ann a n1 an 2 bn
Observa las columnas sealadas: surgen de

sustituir la columna de los coeficientes de la
incgnita considerada del determinante
anterior por la columna de los trminos
independientes del sistema.

Ejemplo 1
4 x1 3 x3 6 Observa con atencin las incgnitas del
sistema para escribir correctamente la
Dado el siguiente sistema 3 x2 4 x3 5
2 x 5 x 4 matriz de los coeficientes del mismo.
1 3
4 0 3 Observacin:

El primer paso es escribir la matriz de los coeficientes A 0 3 Todos los determinantes los
4 y calcular su determinante
2 0 5
desarrollamos por la primera
fila.
4 0 3
3 4 0 4 0 3
A 0 3 4 4 0 3 4 15 0 8 3 6 42 A 42 0
0 5 2 5 2 0
2 0 5
Como el determinante de la matriz de los coeficientes es distinto de cero se puede aplicar Cramer, entonces calculamos los determinantes de cada
una de las incgnitas
6 0 3
3 4 5 4 5 3
A1 5 3 4 6 0 3 6 15 0 9 3 12 126 A1 126
0 5 4 5 4 0
4 0 5
4 6 3
5 4 0 4 0 5
A2 0 5 4 4 6 3 4 9 6 8 3 10 42 A2 42
4 5 2 5 2 4
2 4 5
4 0 6
3 5 0 5 0 3
A3 0 3 5 4 0 6 4 12 0 10 6 6 84 A3 84
0 4 2 4 2 0
2 0 4
A1 A2 42 A3
S 3; 1;2
126 84
x1 3, x2 1, x3 2
A 42 A 42 A 42

Ejemplo 2
x y z = 1

Consideramos el siguiente sistema 8x 2y + z = 2
x + 3y + 5z = 6

1 1 1

Como en el caso anterior calculamos el determinante de la matriz de los coeficientes del sistema o sea A 8 2 1
1 3 5

1 1 1
2 1 8 1 8 2
A 8 2 1 1 1 1 1 13 1 39 1 26 0
3 5 1 5 1 3
1 3 5
A 0
La matriz de los coeficientes es cuadrada pero no es regular, entonces el sistema, no es un sistema de Cramer, por lo tanto esto implica que el
sistema dado no es compatible determinado.
Para determinar si el sistema es compatible indeterminado o incompatible deberemos resolverlo por eliminacin gaussiana o por el mtodo de
Gauss - Jordan

SISTEMAS HOMOGNEOS
Sea el sistema de ecuaciones lineales expresado en forma matricial A.X = B, si B matriz de los trminos independientes es la matriz nula, el
sistema de ecuaciones lineales se llama homogneo.
Observacin
111111
Un sistema de ecuaciones lineales homogneo siempre admite solucin ya que se cumple SIEMPRE que r A =r A
a) Si r A =r A = n (nmero de incgnitas) SISTEMA COMPATIBLE DETERMINADO
Una nica solucin y es la solucin nula o trivial
b) Si r A =r A < n SISTEMA COMPATIBLE INDETERMINADO
Infinitas soluciones entre las cuales est la trivial
Propiedades:
Cualquier mltiplo de una solucin de un sistema homogneo es solucin del mismo.
La suma de dos soluciones de un sistema homogneo es solucin del mismo.
La diferencia de dos soluciones de un sistema homogneo es solucin del mismo.
Cualquier combinacin lineal de dos soluciones de un sistema homogneo es solucin del mismo.

Un sistema de ecuaciones lineales homogneo cuadrado tiene solucin nica si el determinante de los coeficientes es distinto de cero y esa
solucin es la nula o trivial.
Ejemplo 1
1 1 2
x y 2z 0

3 x y 2 z 0 La matriz de los coeficientes del sistema homogneo es A 3 1 2
x 2y z 0
1 2
1
Calculamos el determinante de A, esto es posible porque es una matriz cuadrada de orden 3:
1 1 2
1 2 3 2 3 1
A 3 1 2 1 1 2 1(3) 1(1) 2(5) 12 0
2 1 1 1 1 2
1 2 1
Si el determinante es distinto de cero entonces el rango de la matriz A es tres y es igual que el nmero de incgnitas, luego el sistema es
compatible determinado o sea tiene una nica solucin y es la nula o trivial.
La solucin del sistema homogneo es S 0;0;0

Un sistema de ecuaciones lineales homogneo cuadrado tiene infinitas soluciones si el determinante de los coeficientes es igual a cero y la
solucin nula o trivial es una de las infinitas soluciones.
Ejemplo 2
1 1 1
x y z 0

x y =0 La matriz de los coeficientes del sistema homogneo es A 1 1 0

x 3 y 2 z 0 1 3 2
Desarrollamos el determinante por
Calculamos el determinante de A, esto es posible porque es una matriz cuadrada de orden 3: la segunda fila
1 1 1
1 1 1 1 1 1
A 1 1 0 1 1 0 1( 1) 1(1) 0(2) 1 1 0 0
3 2 1 2 1 3
1 3 2
El determinante es cero, el rango de A no es tres y es menor que el nmero de incgnitas, el sistema es compatible indeterminado.
Si queremos conocer las infinitas soluciones deberemos resolver el sistema por eliminacin gaussiana o por Gauss - Jordan
(1) 1 1 0 1 1 0 1 1 0 0
x 2 yy z 00 tomamos y como variable libre xz y2 y
1

1 1 0 0 0 2 1 0 0 0 0 0 El sistema equivalente es y
1 3 2 0 0 2 (1) 0 0 2 1 0

si hacemos y entonces
S x; y; z / x z 2 y o bien S ; ; 2 , 1;1; 2 ,
Obtenemos algunas de las infinitas soluciones del sistema si le damos distintos valores al parmetro
= 0 : S1 0; 0;0 , =1: S 2 1;1; 2 , = 2: S3 2; 2; 4 , = 3: S4 3; 3; 6 , = 7: S5 7; 7; 14
Observa las soluciones halladas y vers que las mismas te sirven de ejemplo de las propiedades enunciadas en la pgina 29.

Ejemplo 3
2x 3 y 0

Sea el sistema homogneo A.X = 0 tal que 2x y 0
x y 0

Escribimos la matriz ampliada correspondiente al sistema dado y calculamos los rangos de A y A usando Gauss Jordan
2 3 0 4 0 0 4 0 0 0 0 0

2 (1) 0 2 1 0 2 1 0 0 1 0 r A r A ' nmero de incgnitas SCD
1 1 0 1 0 0 F .( 1) (1) 0 0 1 0 0
3
r ( A) 2
r ( A ') 2
x 0
Luego el sistema equivalente es y la solucin del sistema es S 0;0 solucin nula o trivial.
y 0
Te preguntars por qu es el sistema equivalente?

Observando la ltima matriz ampliada vemos que:
la primera fila se escribe como 0. x 0. y 0 entonces 0=0
la segunda fila se escribe como 0. x 1. y 0 entonces y0
la tercera fila se escribe como 1. x 0. y 0 entonces x0

Ejemplo 4
x y z 0
2 x 2 y 4z 0

Sea el sistema homogneo A.X = 0 tal que:
3 x y 5z 0
x 3 y 3 z 0
Escribimos la matriz ampliada correspondiente al sistema dado y calculamos los rangos de A y A usando Gauss Jordan
1 1 1 0 1 1 1 0 1 1 1 0 1 0 3 / 2 0
1
2 2 4 0 0 4 2 0 .F2 0 (1) 1 / 2 0 0 1 1/ 2 0
4 r ( A) r ( A ') 2 3( nmero de incgnitas) SCI
3 1 5 0 0 4 2 0 0 4 2 0 0 0 0 0

1 3 3 0 0 4 2 0 0 4 2 0 0 0 0 0
r ( A) 2
r ( A ') 2
3
x 2 z 0 3 1
Luego el sistema equivalente al dado es: tomamos z como variable libre o sea x z y z y si hacemos z
y 1 z 0 2 2
2
La solucin del sistema es:
3 1 3 1 3 1
S x; y; z / x y z o bien S ; ; , ; ; 1 ,
2 2 2 2 2 2

ANALISIS DE UN SISTEMA EN FUNCIN DE UN PARMETRO
Ejemplo 1
En el siguiente sistema de ecuaciones lineales determinar todos los valores de k para los cuales el sistema tiene:
a) Solucin nica.
b) Ninguna solucin.
c) Infinitas soluciones.
x1 x2 x3 2

2 x1 4 x2 2 x3 6

x1 x2 ( k 5) x3 k
2
Vamos a resolver el ejercicio por dos caminos diferentes:
I) Anlisis empleando el mtodo de Gauss - Jordan
II) Anlisis empleando determinantes y el mtodo de Gauss Jordan.

I. ANLISIS EMPLEANDO EL MTODO DE GAUSS JORDAN
Comenzamos a partir de la matriz ampliada correspondiente al sistema:

(1) 1 1 2 1 1 1 2 1 1 1 2 1 0 3 1 1 0 3 1
1
2 4 2 6 0 2 4 2 F2 . 0 (1) 2 1 0 1 2 1 0 1 2 1
1 1 k2 5 k 0 0 k2 4 k 2 2
0 0 k 4 k 2 0 0 k 4 k 2 F .
2 2
1 1
0 0 (1)
k 4 k 2
3 2

k 2 k 2
k5
1 0 0 k 2

0 1 0 k
Considerando que r A = r A = 3 nmero de incgnitas, aplicando el Teorema de Rouch - Frbenius
k 2
clasificamos al sistema como un SISTEMA COMPATIBLE DETERMINADO solucin nica siempre que k 2 k 2
0 0 1 1

k 2
r ( A) 3
r ( A') 3
k5
x1
k2

k
El sistema equivalente en la forma escalonada reducida es: x2 Por lo tanto el conjunto solucin es:
k2
1
x3
k2
k5 k 1
S ( x1 ; x2 ; x3 ) 3 / x1 x2 x3 k 2 k 2
k2 k2 k 2

Qu pasa si k = 2?
Reemplazamos k por 2 en la matriz ampliada del sistema antes de pivotear por tercera vez
1 0 3 1 1 0 3 1 1 0 3 1 1 0 3 0

0 1 2 1 Reemplazamos por k 2 0 1 2 1 0 1 2 1 0 1 2 0
0 0 k2 4 k 2 0 0 0 4 F . 1 0 0 0 (1) 0 0 0 1
3 4
r ( A) 2
r ( A ') 3
Por lo tanto r (A)r (A), luego para k = 2 el sistema es un SISTEMA INCOMPATIBLE (ninguna solucin)
Qu pasa si k = 2?
Reemplacemos k por 2 en la matriz ampliada del sistema antes de pivotear por tercera vez.
1 0 3 1 1 0 3 1

0 1 2 1 Reemplazamos por k 2 0 1 2 1
0 0 k2 4 k 2 0 0 0 0

r ( A) 2
r ( A ') 2
Por lo tanto r (A) = r(A)= 2 < 3 (nmero de incgnitas), luego para k = 2 el sistema es un SISTEMA COMPATIBLE INDETERMINADO
(infinitas soluciones)

II. ANLISIS EMPLEANDO DETERMINANTES Y EL MTODO DE GAUSS-JORDAN.
Como el sistema de ecuaciones es cuadrado, sabemos que si | A | 0 el sistema es compatible determinado, por lo tanto en primer lugar
vamos a buscar cules son los valores que no anulan al determinante de A para poder determinar cules son los valores de k que hacen que el
sistema sea un SCD.
Planteamos | A | 0
1 1 1
4 2 2 2 2 4
A 2 4 2 1 1.( 1) ( 1) 0
1 k 5 2
1 k 5
2
1 1
1 1 k 5 2
A 4 k 2 5 2 2 k 2
5 2 2 4 0
A 4 k 2 22 2k 2 12 2 0
A 4 k 2 22 2k 2 12 2 0
A 2 k 2 22 12 2 0
A 2 k 2 8 0 2 k 2 8 k 2 4 k 2 k 2 , el sistema es compatible determinado
Entonces s k 2 k 2 , el sistema es compatible determinado. (SCD)
Falta analizar que ocurre cuando k 2 k 2
Estas situaciones ya han sido anteriormente analizadas en el apartado I de todas formas volveremos a estudiar cada situacin:

Para k = 2
1 1 1 2

La matriz de los coeficientes del sistema de ecuaciones inicialmente es 2 4 2 6
1 1 k2 5 k

(1) 1 1 2 1 1 1 2

Reemplazamos por k 2 y aplicamos Gauss - Jordan 2 4 2 6 0 2 4 2
1 1 1 2 | 0 0 0 4 |

Si observamos la ltima fila sealada vemos que se puede expresar como 0x 0y 0z 4 o sea 0 4 absurdo, no tiene sentido
continuar con el mtodo de Gauss Jordan, entonces el sistema resulta un SISTEMA INCOMPATIBLE (S.I)
Para k = 2
1 1 1 2

La matriz de los coeficientes del sistema de ecuaciones inicialmente es 2 4 2 6
1 1 k2 5 k

Reemplazamos por k 2 y aplicamos Gauss Jordan
(1) 1 1 2 1 1 1 2 1 1 1 2 1 0 3 1 Resumen:
1 SCD k 2 k 2
2 4 2 6 0 2 4 2 F2 . 2 0 (1) 2 1 0 1 2 1 luego r ( A) r ( A ') 2 3
1 1 1 2 0 0 0 0 0 0 0 0 0 0 0 0
SCI k 2
r ( A) 2
r ( A') 2 SI k 2
El sistema resulta un SISTEMA COMPATIBLE INDETERMINADO (SCI)

Ejemplo 2
k x ky k
Discutir en funcin del parmetro k el sistema
x ky 1
k k k k k
La matriz de los coeficientes y la matriz ampliada asociadas a este sistema son las siguientes A y A'
1 k 1 k 1
Es un sistema cuadrado, sabemos que si A 0 el sistema es compatible determinado, por lo tanto en primer lugar vamos a buscar cules son
los valores que no anulan al determinante de A para poder determinar cules son los valores de k que hacen que el sistema sea un SCD.
k k
Calculamos el determinante de la matriz de los coeficientes A entonces A k 2 k k .( k 1) 0 k 1 k 0
1 k
Si k 1 k 0 , el sistema resulta un SISTEMA COMPATIBLE DETERMINADO. (SCD)
Analizamos ahora que sucede si k 1 k 0 , para ello reemplazamos en la matriz ampliada del sistema cada uno de los valores, aplicamos
Gauss-Jordan para determinar los rangos en cada caso y aplicar el teorema de Rouch Frobenius para clasificar el sistema.
k k k 1 1 1 0 0 0
A' k 1 r ( A) r ( A ') 1 2
1 k 1 (1) 1 1 1 1 1

r ( A) 1 k 1 k 0 SISTEMA COMPATIBLE

r ( A ') 1

k k k 0 0 0 INDETERMINADO (SCI)
A' k 0 r ( A) r ( A ') 1 2
1 k 1 1 0 1

r ( A) 1
r ( A ') 1
Luego k para que el sistema resulte SISTEMA INCOMPATIBLE.

Ejemplo 3
9 x 14 y k 1 z 2

Dado el siguiente sistema 3x 4 y z 0
k 1 x 2 y 3z
2k
a) Analizarlo para los distintos valores de k
b) Hallar el conjunto solucin del sistema homogneo asociado al dado para k = 1
a)
9 x 14y k 1 z 2 9 14 k 1 2

3x 4y z 0 3 4 1 0
k 1 x 2y 3z 2k k 1 2 3 2k

Si el determinante de un sistema no homogneo es distinto de cero entonces el sistema es compatible determinado
9 14 k 1
3 4 1 0 4k 2 28k 24 0 SCD k 1 k 6
k 1 2 3
9 1
1 9 1 1 0
F . (1) 0
9 14 0 2 9 14 0 2 1 14 14
14 7

4 r ( A) r ( A ') 2 3
7
3
Si k 1 3 4 (1) 0 3 4 1 0 3 4 1 0 0 1
7 7 SCI k 1
0
3 2 9 14 0 2
2 9 14 0 2 0 0 0 0


1 1 1 1
9 14 5 2 6 6 0 2
F1 .
6 (1) 1 0 3 1 1 0
3 1 1 0 3 1 1 0 0

Si k 6 3 4 (1) 0 3 4 1 0 3 4 1 0 0 1 1 1 0 1 1 1 0 1 1 0
5 3 12 14 14 0 12 14 14 0 12 50 3 0 0 0 (1) 0 0 0 1
2 0 0 0 F3 .
3 50
r ( A) 2 y r ( A ') 3 r ( A) r ( A ') SI k 6
b)
9
1 9 1 0 0
F1 . (1) 0 0
14 14
9 x 14 y 0 14
9 14 0 0 9 14 0 0
3
3x 4 y z 0 3 4 (1) 0 3 4 1 0 3 4 1 0 0 1 0
7
2 y 3z 0 3 0 9 14 0 0 9 14 0 0
0 2
0 0 0 0

9 9
14 x y 0 y 14 x
r ( A) r ( A ') 2 3( n de incognitas )
3 xz 0 z 3 x
7 7
9 3
Hacemos x S ( x; y; z ) 3 / x y z
14 7
9 3 9 3
Podemos expresar el conjunto como S ( x; y; z ) ; ; ( x; y; z ) 1; ;
14 7 14 7

Ejemplo 4 Volvamos a aplicar slo Gauss Jordan para resolver el siguiente ejercicio:
En el siguiente sistema de ecuaciones lineales determinar todos los valores de k para los cuales el sistema resultante tenga:
a) solucin nica b) ninguna solucin c) infinitas soluciones
x y kz 4
z2
( k 2 4) z k 2
1 1 k 4 1 1 0 4 2k 1 1 0 4 2k 1 1 0 0

0 0 (1) 2 0 0 1 2 0 0 1 2 0 0 1 0
0 0 k 2 4 k 2 0 0 0 2 k 2 k 6 0 0 0 (1) 0 0 0 1
F . 1 2
2k k 6 0 k
3
k 2

3 2
2 k k 6 2
r ( A) 2 r ( A ') 3 2 3
Como los rangos son distintos el sistema es incompatible cundo?

3
Observando los pasos realizados SI k k2
2
3
Debemos ahora resolver el sistema para k k2 y clasificarlo para dichos valores.
2

3
a ) Si k reemplazamos en la matriz ampliada sealada con " *" obtenemos
2
3
1 1 0 4 2
2 1 1 0 7
0 0 1 3
2 0 0 1 2 luego r ( A) r ( A ') 2 2 3 S.C.I k =
2
0 0 0 2 3 2 3 6 0 0 0 0

2 2
b ) Si k 2 reemplazamos en la matriz ampliada sealada con " *" obtenemos
Resumen:
1 1 0 4 2.2 1 1 0 0
SCD k
0 0 1 2 0 0 1 2 luego r ( A) r ) A ') 2 2 3 S.C.I k = 2
0 0 0 2.2 2 2 6 0 0 0 0
3
SCI k k2
2
3
SI : k k 2
Del anlisis realizado se desprende que no existen valores de k para que el sistema sea compatible determinado. 2

EJERCICIO RESUELTO DE LA GUA DE TRABAJOS PRCTICOS 3
Ejercicio 9
a 0 b 2
Sea A = a a 4 4 la matriz ampliada de un sistema de ecuaciones lineales. Para qu valores de a y de b el sistema:
0 a 2 b

a) tiene solucin nica?
b) es compatible indeterminado y el rango de la matriz del sistema es igual a 2?
c) es compatible indeterminado y tiene dos variables libres?
d) es incompatible?
1 (1) 0 b 2 1 0 b 2 1 0 b 2
F1 a0
a 0 b 2 a a a a a a a
1
a a 4 4 a a 4 4 0 a 4 b 2 F2 a 0 0 (1) 4 b 2
0 a 2 b 0 a 2 b 0 a a
2 b a a

0 a 2 b
1 0 b 2 1 0 b 2 1 0 0 2b
a a a a a

0 1 4b 2 0 1 4b 2 0 1 0 b 2
a a 1 a a a
F3 b2 0 b 2
0 0 b2 b 2 b2 0 0 (1) 1 0 0 1 1
1) r A = r A = 3 = n (nmero de incgnitas) S .C .D a 0 b 2

2) a 0 b 2 no podemos tomar b 2 como pivote.
1 0 b 2 1 0 2 2
a a a a

0 1 4b 2 Reemplazamos b por 2 y obtenemos 0 1 2 2
a a a a

0 0 b 2 b 2 0 0 0 0
r A r A 2 3( nmerodeincgnitas) S .C .I a 0 b 2 Como n h 3 2 1 el grado de libertad es 1
3) a 0 b 2 . Partiendo del enunciado

a 0 b 2 0 0 b 2 0 0 b 2
Reemplazamos a por 0
a a 4 4 0 0 4 4 0 0 4 4
0 a 2 b y obtenemos : 0 0 2 b 1
F3 . b
2 0 0 (1)
2
4 b2 4 b2
0 0 0 0 0 0
2 2 0 0 0 0
1
0 0 0 4 2b F2 . 4 2b 0 b 2 0 0 0 (1) 0 0 0 1
4 2b
b b 0 0 1 0
0 0 1 0 0 1
2 2
r A 1y r A 2 r A r A S .I a 0 b 2

4) a 0 b 2 . La matriz original nos queda al reemplazar por estos valores:
a 0 b 2 0 0 2 2 0 0 2 2 0 0 0 0

a a 4 4 0 0 4 4 0 0 4 4 0 0 0 0
0 a 2 b 0 0 2 2 1 0 0 (1) 1 0 0 1 1
F
3
2
r A r A 1 < 3 ( nmero de incgnitas) S .C . I a 0 b 2 Como n h 3 1 2 el grado de libertad es 2
Respuestas del ejercicio:
a) Tiene solucin nica cuando a 0 b 2
b) Es compatible indeterminado, el rango de la matriz del sistema es 2 cuando a 0 b 2
c) Es compatible indeterminado y tiene dos variables libres cuando a 0 b 2
d) Es incompatible cuando a 0 b 2

APLICACIONES ECONMICAS DE LOS SISTEMAS DE ECUACIONES LINEALES
DEMANDA, OFERTA Y EQUILIBRIO
Partiendo del concepto de mercado perfecto, en el sentido que hay un nmero muy grande de compradores y vendedores, de forma que cada uno
realiza transacciones que son pequeas en relacin con el volumen total de transacciones; vamos a centrarnos en el estudio de la oferta y la
demanda en un mercado para un bien determinado.
DEMANDA
Existen factores que determinan las cantidades que los consumidores desean adquirir de cada bien por unidad de tiempo, tales como las
preferencias, la renta o los ingresos en el perodo, los precios de los dems bienes y, por sobre todo, el precio del bien en cuestin.
DEMANDA
Es la relacin entre el precio de un bien y las cantidades que est dispuesto a adquirir en el mercado en un determinado
momento, manteniendo constante los dems factores que puedan afectarla.
LEY DE LA DEMANDA:
El precio de un bien y la cantidad demandada del mismo, poseen una relacin inversa debido a que mientras mayor sea el precio, menor ser la
cantidad demandada, y por el contrario, cuando el precio disminuye aumenta la cantidad demandada. Esta relacin inversa se conoce como "Ley
de la Demanda", y se cumple para casi todos los bienes. Si un supermercado aumenta el precio de una gaseosa, la cantidad vendida en el corto
plazo disminuir.
Excepciones a esta ley la constituyen por ejemplo la demanda de servicios necesarios como el agua, o de medicamentos oncolgicos, entre otros.

CURVA DE DEMANDA:
Si se consideran constantes todos los factores salvo el precio del bien, esto es, si aplicamos la condicin ceteris paribus, podemos hablar de la
tabla de demanda del bien A por un consumidor determinado. Esta ofrece informacin sobre la cantidad que el mercado absorbera a cada uno de
los precios. A partir de la recoleccin de datos reales de la demanda individual de un comprador, se confecciona la tabla de Demanda
Bajo la condicin ceteris paribus y para un precio del bien A determinado, la suma de las demandas individuales nos dar la demanda global o
de mercado de ese bien.
Observamos que la relacin emprica entre el precio del bien y la cantidad demandada es inversa, a medida que aumenta el precio del bien
disminuye la cantidad de artculos que los compradores estn dispuestos a adquirir.
TABLA DE DEMANDA
Cantidad
Precio (p) demandada
(q)
$2 10
$4 8
$6 6
$8 4
$10 2

LA CURVA Y LA FUNCIN DE LA DEMANDA
La curva de la demanda de un bien, como expresin grfica de la demanda, muestra las cantidades del bien en cuestin que sern demandadas
durante un periodo de tiempo determinado por una poblacin especfica a cada uno de los posibles precios.
Decimos entonces que la cantidad demandada de un bien (QA) es funcin del precio de ese bien (PA), pudiendo expresar esta relacin de la
siguiente forma:
QA = f (PA)
La funcin de demanda - precio recoge ceteris paribus la relacin entre la cantidad demandada
de un bien y su precio. Al trazar la curva de demanda suponemos que se mantienen constantes los
dems factores que pueden afectar a la cantidad demandada, tales como la renta o ingresos.
Con los datos obtenidos se confecciona el grfico de la demanda.

OFERTA
De igual manera que en el caso de la demanda, la oferta individual que realiza un productor depender de numerosos factores, entre los que
podemos nombrar la tecnologa utilizada, los precios de los factores de la produccin (Tierra, Capital, Trabajo, etc.), y el precio del bien que se
desea ofrecer.
Para analizar la oferta individual de un bien, aplicaremos la condicin de "ceteris paribus", y consideraremos temporariamente constantes todos
los factores, a excepcin del precio del bien que se analiza.
OFERTA
Es la relacin entre la cantidad que el productor est dispuesto a ofrecer a la venta de un bien, y el precio al que dicha
cantidad se ofrece en el mercado, en un determinado momento.
TABLA DE OFERTA
pA qA
Mientras que la tabla de demanda muestra el comportamiento de los consumidores, la tabla de oferta seala el
2 0
comportamiento de los productores.
3 2
La tabla de oferta relaciona los precios con las cantidades que los productores estaran dispuestos a ofrecer. A precios
4 4
bajos, los costos de produccin no se llegaran a cubrir y los productores no produciran nada.
5 6
Tomemos por ejemplo, las cantidades ofrecidas del bien A para distintos precios
6 8

LA CURVA Y LA FUNCIN DE OFERTA
Representamos grficamente los valores de la tabla y obtenemos una curva, donde a cada precio le corresponde una cantidad ofrecida
determinada. La unin de todos los puntos conforma la "Curva de la Oferta".
A cada precio pA le corresponde una cantidad ofrecida qA, si unimos los distintos puntos (pA ; qA), obtenemos la curva de oferta del bien A
La grfica corresponde a una funcin lineal

O = f (P)
y es la representacin de la relacin que existe entre la cantidad ofrecida de un bien (O) en un

determinado momento y el precio de dicho bien (P), manteniendo constante todos los dems
factores que puedan afectar a la cantidad ofrecida, por ejemplo: tecnologa.
Se caracteriza por tener pendiente positiva, ya que al aumentar el precio aumentar tambin la
cantidad ofrecida.
Si confeccionamos una tabla donde se relacionen los diferentes precios con las cantidades que
un productor est dispuesto a ofrecer en cada unidad de tiempo, obtenemos una relacin a la que
llamaremos "Oferta individual" de un determinado bien. La suma de las ofertas individuales
para cada productor, se conoce como "Oferta global o de Mercado".
Qu sucede si los precios son muy bajos? Los productores no ofrecern nada, debido a que no
se cubren los costos de produccin. Pero si los precios aumentan, la situacin cambia y
empezarn a ofrecer sus productos en el mercado, en forma creciente, porque a mayor precio del producto, mayor ser la oferta del mismo.

EQUILIBRIO DE MERCADO
Cuando ponemos en contacto a consumidores y productores con sus respectivos planes de consumo y produccin, podemos analizar cmo se
lleva a cabo la coordinacin de ambos tipos de agentes. El precio de equilibrio es aquel para el que la cantidad demandada es igual a la cantidad
ofrecida. Esta cantidad es la cantidad de equilibrio.
Para analizar la determinacin del precio de equilibrio de un mercado dibujemos en un mismo grfico las curvas de oferta y demanda.
Analticamente la determinacin de dicho punto corresponde a la resolucin del sistema de ecuaciones lineales formado por la ecuacin de la
oferta y demanda.
Solo al precio PE se igualan la cantidad demandada y ofrecida. Si el precio fuese mayor que P E, el exceso de oferta o excedente, hara descender
el precio hasta PE y, si fuese menor, el exceso de demanda o escasez, lo hara subir.
Son el exceso de oferta, entendido como la cantidad en que la oferta es mayor que la demanda cuando el precio es superior al de equilibrio, y el
exceso de demanda, entendido como la magnitud en que la cantidad demandada excede a la ofrecida, cuando el precio es menor al de equilibrio,
los elementos que presionan sobre el precio y lo hacen tender hacia el precio de equilibrio y, por tanto, a igualar la oferta y la demanda.

INCIDENCIA DE UN IMPUESTO EN EL PRECIO DE EQUILIBRIO
Cuando se establece un impuesto por unidad de producto vendida, el productor no se conformar con el mismo precio que anteriormente obtena,
de modo que la funcin de oferta se desplazar hacia arriba indicando que el precio que obtiene por cada unidad de producto es el que le permite
cubrir el impuesto. El desplazamiento de la curva de oferta tendr la cuanta del mismo. Segn que la demanda sea ms o menos rgida, el
consumidor pagara una menor o mayor parte del impuesto. En cualquier caso, el efecto del impuesto ha sido disminuir la cantidad total
producida.
La incidencia del impuesto depende entonces, de la inclinacin de la curva de demanda. Si sta es vertical (la cantidad inicial no vara), todo el
impuesto lo pagan los consumidores, mientras que si es horizontal, el impuesto recae ntegramente en el productor ya que el precio del bien no
aumenta, y por tanto, esto supone solo una disminucin de la cantidad ofrecida.
CUL ES EL DOMINIO Y EL CONJUNTO DE LAS IMGENES DE LA FUNCIN?
Nos enfrentamos aqu con un problema: al fijar el dominio y el conjunto imagen, hemos supuesto que la cantidad demandada depende del precio,
y no el precio de la cantidad demandada.
Desde el punto de vista matemtico es indiferente considerarlo de una u otra forma, y desde la ptica econmica el anlisis se simplifica al
suponer que el precio est determinado por el mercado, o sea el conjunto de todos los oferentes y demandantes, por lo tanto, para cada uno
individualmente el precio es un dato. Observe en la grfica que la variable independiente precio se mide sobre el eje vertical, mientras que la
variable dependiente cantidad se mide en el eje horizontal.
Esta forma responde a una convencin entre los economistas para poder comparar grficos, siempre los valores monetarios se representan en el
eje "y", y como tal lo mantendremos en este curso, pero desde el punto de vista matemtico, en realidad no graficamos a la funcin oferta o
demanda, sino, sus funciones inversas.
Fuente: Economa. Principios y Aplicaciones. Francisco Mochn-Vctor Beker. Editorial Mc Graw Hill Captulo 3 La oferta, la demanda y el mercado. Pps 42-48
Captulo 4 El papel del Estado en la Economa pps. 68-69

EJERCICIOS RESUELTOS DE LA GUA DE TRABAJOS PRCTICOS 3
Ejercicio 27
Sea p = 8/100 q + 50 la ecuacin de oferta para cierto fabricante, y supngase que la ecuacin de demanda para su producto sea
p = 7/100 q + 65.
a) Determine el precio de equilibrio

b) Si se carga un impuesto de $ 1,50 por unidad al fabricante Cmo se ver afectado el precio original de equilibrio si la demanda permanece
igual?
c) Determine los ingresos totales que obtiene el fabricante en el punto de equilibrio tanto antes como despus del impuesto.
8 7
Ecuacin de la oferta p q 50 Ecuacin de la demanda p q 65
100 100
Antes del impuesto Despus del impuesto
p p p p 1,50
v c nc vv
8 7 impuesto
q 50 q 65 precio nuevo
de compra
precio viejo
de venta
100 100
8 7 7 8
q q 65 50 q 65 q 50 1,50
100 100 100 100
15 8 7
q 15 q 100 p $58 65 50 1,50 q q
100 100 100
15
13,50 q q 90 p $58,70
I = D.p 100.58 $5800 100
I = D.p 90.58,70 $5283

Ejercicio 28
Las ecuaciones de oferta y demanda para cierto producto son: 3q 200p + 1800 = 0 y 3q + 100p 1800 = 0 respectivamente, en donde p
representa el precio por unidad y q el nmero de unidades por intervalo.
a) Obtenga el precio de equilibrio. Grafique.

b) Determine el precio de equilibrio cuando se carga al proveedor con un impuesto de 27 centavos por unidad.
3 3
Ecuacin de la oferta : 3q 200 p 1800 0 p q9 Ecuacin de la demanda : 3q 100 p 1800 0 pc q 18
v 200 100
Antes del impuesto Despus del impuesto
p p p p 0, 27
v c nc vv
impuesto
3 3 precio nuevo precio viejo
q9 q 18 de venta
200 100 de compra
3 3 3 3
q q 18 9 q 18 q 9 0, 27
200 100 100 200
9
q 9 q 200 p $12
200 3 3
18 9 0, 27 q q
200 100
9
8,73 q q 194 p $12,18
200

UNIDAD 4
ESPACIOS VECTORIALES
Espacios vectoriales 3
Significado geomtrico de + y . 4
Definicin de subespacio 5
Condiciones suficientes 6
Combinacin lineal 9
Subespacio generado 11
Sistemas de ecuaciones lineales homogneos y los espacios
13
vectoriales
Dependencia e independencia lineal 14
Propiedades 16
Sistemas de generadores 18
Base de un espacio vectorial 20
Base de un subespacio vectorial 23
Dimensin de un espacio vectorial 24
Coordenadas de un vector 25
Aplicaciones Econmicas 27
Ecuacin presupuestaria 27
Recta balance o recta de posibilidades de consumo 27
Plano balance 29
Propiedad 30

ESPACIOS VECTORIALES
Sea V un conjunto no vaco, K un cuerpo, y dos funciones que llamaremos suma y producto por un escalar se dice que (V ; ; K ; )
es un espacio vectorial si y slo si se verifican las siguientes propiedades:
es L.C . I en V
1.
: V V V / u V v V u v V
es asociativa en V
2.
u V v V w V : u (v w ) ( u v ) w
es conmutativa en V
3.
u V v V : u v v u
4. Existe elemento neutro para la suma en V, el neutro es el vector nulo al que se denota con 0
0 V / u V : u 0 0 u u
5. Todo elemento de V admite opuesto en V. El opuesto de u se denota con u
u V , u V / u ( u ) ( u ) u 0
6. es L.C.E en V con operadores o escalares en K
: K V V / K u V u V
7. El producto satisface la asociatividad mixta
K , K , u V : ( u ) . u
8. El producto es distributivo respecto de la suma en K
K , K , u V : u u u
9. El producto es distributivo respecto de la suma en V
K , u V , v V : u v u v
10. La unidad del cuerpo es neutro del producto en V, donde 1 es la unidad o identidad de K
1 K , u V : 1 u u
Los elementos del espacio vectorial V se los denomina vectores.

En general usamos K =, entonces V es un espacio vectorial real.
En adelante, designaremos a los vectores con letras latinas minsculas: u , v , w , ... y a los escalares con letras griegas minsculas: ,
Utilizaremos en adelante para las operaciones y suma y producto por un escalar respectivamente, simplemente y .
Si V = 2 y K =
La adicin se define:
: 2 2 2 / a; b 2 , c; d 2 : a; b c; d a c; b d
El producto por un escalar se define:
. : 2 2 / , a; b 2 : . a; b ( a; b )
( 2 ; ; ; . ) es un espacio vectorial porque cumple con los axiomas enumerados anteriormente.
SIGNIFICADO GEOMTRICO DE + Y .
el vector . a ; b resulta del mismo sentido que a ; b

el vector . a ; b resulta de sentido contrario que a ; b
el vector . a ; b es el vector nulo
el vector . a ; b es una dilatacin de a ; b
el vector . a ; b es una contraccin de a ; b

DEFINICIN DE SUBESPACIO
Un subconjunto no vaco S de un espacio vectorial real V es subespacio de V si S es un espacio vectorial con las mismas leyes definidas en V y
sobre el mismo cuerpo K =
( S ; ; ; . ) es subespacio vectorial de ( V ; ; ; . )
Cualquiera sea ( V ; ; ; . ) se define:

Subespacios triviales: son los subespacios de V: V y 0
Subespacio propio: es todo subespacio de V que no sea trivial.
Ejemplo
Sea ( 2 ; ; ; . ) un espacio vectorial, T y S subconjuntos de 2 tal que T x ; y 2 / y x 1 y S x ; y 2 / y 2 x

Representamos grficamente en el plano ambos conjuntos
T no es Subespacio de 2 porque el 0;0 T S es Subespacio de 2 ya que cumple con

todos los axiomas de espacio vectorial.

CONDICIONES SUFICIENTES
Si el conjunto no vaco S V es cerrado para la suma y para el producto por un escalar entonces ( S ; ; ; . ) es subespacio de ( V ; ; ; . )
H) ( V ; ; ; . ) espacio vectorial real
S
S V
u S v S u v S
u S .u S
T) ( S ; ; ; . ) es subespacio vectorial de ( V ; ; ; . )
Estas condiciones adems son necesarias.
Ejemplo11
Ejemplo
En 2 toda recta S que pase por el origen de coordenadas es un subespacio.

Esta afirmacin puede justificarse utilizando las condiciones suficientes antes mencionadas y las
interpretaciones geomtricas de la adicin de vectores en el plano (regla del paralelogramo) y la
multiplicacin de vectores por un escalar.
Veamos, S no es vaco porque el origen de coordenadas pertenece a S.
Adems si sumamos dos vectores contenidos en la recta S aplicando la adicin de vectores se
comprueba fcilmente que el vector resultante pertenece a la misma recta.
Por ltimo si multiplicamos un vector cualquiera de S por un escalar, el vector que se obtiene tiene la
misma direccin que el primero y por lo tanto pertenece a S

Ejemplo 2
En 3 todo plano que contenga al origen de coordenadas o una recta que pasa por el origen es un subespacio.
Para justificar esta afirmacin utilizamos los mismos argumentos que en el ejemplo anterior
Ejemplo 3
Sea (3; ; ;.) espacio vectorial demostrar que S x ; y ; z 3 / x y z es un subespacio vectorial de 3

S ? si, porque 3;1;2 S ya que 3 = 1 + 2
S V? si por definicin de S La primera componente es la suma
u S v S u v S ? de la segunda y la tercera, por lo
tanto u v S
u S u x1 ; y1 ; z1 S x1 y1 z1 u y1 z1 ; y1 ; z1
v S v x 2 ; y2 ; z 2 S x 2 y2 z 2 v y 2 z 2 ; y 2 ; z 2
u v y1 z1 ; y1 ; z1 y2 z2 ; y2 ; z2 y1 z1 y2 z 2 ; y1 y2 ; z1 z 2 y1 y2 z1 + z 2 ; y1 y2 ; z1 z2
u S .u S ?
u S u x1 ; y1 ; z1 S x1 y1 z1 u y1 z1 ; y1 ; z1

.u . y1 z1 ; y1 ; z1 y1 z1 ; y1 ; z1 y1 z1 ; y1 ; z1
La primera componente es la suma de la
segunda y la tercera, por lo tanto
.u S
Como en S se cumplen las condiciones suficientes enunciadas entones S es subespacio vectorial de 3

Ejemplo
Ejemplo 4 4
Sea ( 2 ; ; ;.) espacio vectorial demostrar que S x ; y 2 / x y 5 no es un subespacio vectorial de 2
S no es subespacio ya que para que un vector pertenezca a S la suma de sus componentes debe ser 5 entonces el vector nulo no pertenece a S
Ejemplo 5
x 5 x
Demostrar que H / x es un S.E.V de
2x2
0 x
0 0
1) H (cuando x = 0) adems de asegurarnos que tiene el vector nulo con esto demostramos que H (1ra.condicin de subespacio)
0 0
2) H 2 x 2 por definicin de H (2da.condicin de subespacio)
3) Probaremos que + es ley interna en H:
x 5 x y 5 y x y 5 x 5 y x y 5( x y )
H
0 x 0 y 0 x y 0 ( x y )
4) Demostramos que . es ley externa sobre H:

x 5 x x (5 x ) x 5( x )
H
0 x .0 ( x ) 0 ( x )
Con 1), 2), 3) y 4) se demuestra que H es un S.E.V de 2 x 2

COMBINACIN LINEAL
Sea A v1 , v 2 , v 3 , , v n una familia de vectores del espacio vectorial real (V ; ; ;.) ; se llama combinacin lineal de la familia A V a
todo vector cuya expresin es de la forma:
n
x i vi 1v1 2 v2 n vn / i vi A
i 1
Un vector x V es combinacin lineal de v1 , v 2 , v 3 , , v n si existen escalares 1 , 2 , ... , n tales que el vector x 1v1 2v2 ... nvn
Si los escalares son todos nulos se obtiene el vector nulo.
El vector nulo es combinacin lineal de cualquier conjunto de vectores v1 , v 2 , v 3 , , v n ya que: 0 0v1 0v 2 0v n .
Ejemplo 1
En 3, w (2;2;2) es combinacin lineal de la familia A v1 ( 2;1;3), v 2 (1;0;2) porque w 2v1 (2)v2 .

2
w i vi 1 v1 2 v2
i 1
1 (2;1;3) 2 (1;0;2) (2;2;2) (21 ; 1 ;31 ) ( 2 ; 0 ;2 2 ) (2;2;2) (2 1 2 ; 1 ; 3 1 2 2 ) (2;2;2)
2 1 2 2 2 1 2 2 1 2 0 1 2

1
1 2 1 0 2 0 2 1 0 2 1 2 2 2
3 2 2
1 3 2 2 1 0 2 0 0 0
2

el vector se puede escribir como CL de la familia A: 2 (2;1;3) ( 2) (1;0;2) (2;2;2)

Ejemplo 2
En 3 w (4; 4;4) es combinacin lineal de A {(1;1;1)} ya que (4;4;4) 4.(1;1;1)
Ejemplo 3
En 3, w (1; 2; 3) no es C.L de la familia A v1 (1;0; 1) , v 2 (0;1; 1) , v 3 (1; 1; 2)

3
w i vi 1 v1 2 v 2 3 v 3
i 1
1 (1; 0 ; 1) 2 (0; 1 ; 1) 3 (1; 1 ; 2) (1; 2; 3)
( 1 ; 0 ; 1 1 ) (0; 2 ; 1 2 ) ( 3 ; 3 ; 2 3 ) (1; 2; 3)
( 1 3 ; 2 3 ; 1 2 2 3 ) (1; 2; 3)
1 3 1 1 0 1 1 1 1 1 1 0 1 1
0 1 0 1 1 1 0 1 0

2 3 2 0 1 1 2 0 1 1 2 0 1 1 2 0 1 1 2 0 1 1 0
2 3 1 1 2 3
0 0 0

1 0 1 1 4 0 0 0 6 F . 1 1 0 0 0 1
2 3
3
6
r(A) 2 r(A') 3 S.I i w no es combinacin lineal de la familia A

SUBESPACIO GENERADO
El conjunto de todas las combinaciones lineales de una familia de vectores A de un espacio vectorial real V es un subespacio que se denota con
y se lee subespacio generado por A.
n

Si A v1 , v2 , v3 , , v n V entonces A v i i / i vi A V
i 1
A los vectores del subespacio generado se los denomina generadores
Ejemplo 1
Sea A v1 (1;0;1) , v 2 (0;1;1) 3 A 1 (1;0;1) 2 (0;1;1)} / 1 2

1 (1;0;1) 2 (0;1;1) ( x; y; z )
( 1 ; 0 ; 1 ) (0; 2 ; 2 ) ( x; y; z )
( 1 ; 2 ; 1 2 ) ( x; y; z )
1 x 1 0 x 1 0 x 1 0 x

2 y 0 1 y 0 1 y 0 1 y
z
1 1 1 z 0 1 z x 0 0 z x y
2

Para que el sistema tenga solucin debe ser compatible y para eso z x y 0
Luego el conjunto de vectores que se pueden escribir como combinacin lineal de los vectores de A son aquellos que cumplen: z x y 0 o
sea z x y , entonces A ( x; y; z ) 3 / z x y
Ejemplo 2
Analice si el vector g 2,14, 34, 7 pertenece al subespacio de 4 generado por los vectores v1 1, 4, 5, 2 y v2 1, 2, 3, 1 .
(1;4; 5;2) (1;2;3;1) ( a; b; c; d )
Una alternativa es 1 1 a 1 1 a 1 1 a 1 0 a 1( d 2a ) 1 0 a d

b 4a 0
hallar el subespacio
4 2 b 0 2 b 4a 0 2 0 b 4a 2( d 2a ) 0 0 b 2d
generado por los

vectores. Y luego 5 3 c 0 8 c 5a 0 8 c 5 a 0 0 c 5a 8( d 2a ) 0 0 c 11a 8d
determinar si el vector
g , cumple con la 2 1 d 0 1 d 2a 0 1 d 2a 0 1 d 2a 0 1 d 2a
condicin del mismo
b 2 d 0 b 2d

11a c 8d 0 c 11a 8d Otra alternativa es, empleando la
definicin de subespacio generado,
determinar si el vector g es combinacin
A {(a; b; c; d ) / b 2d c 11a 8d }
lineal de los vectores v1 y v 2
El vector g 2,14, 34, 7 cumple con esta condicin del subespacio que generan los vectores v1 y v 2
El otro mtodo se fundamenta en que si un vector pertenece a un subespacio se puede escribir como CL de los vectores que lo genera.
(1;4; 5;2) (1;2;3;1) (2;14; 34;7) Resolviendo 5 y 3

SISTEMA DE ECUACIONES LINEALES HOMOGNEOS Y LOS ESPACIOS VECTORIALES
El conjunto solucin de un sistema de ecuaciones lineales homogneos es un subespacio vectorial, es por ello que nos referimos al espacio
solucin de un sistema A. X 0
Ejemplo 1
x y0
Sea el sistema homogneo hallar el conjunto solucin es un subespacio?
2 x y 0
1 1 0 1 1 0 1 1 0 1 0 0
1 r ( A) r ( A ') 2 n de incog .
ro

2 1 0 0 3 0 F2 . 0 1 0 0 1 0
3
SCD el conjunto solucin es S {(0;0)} o sea S es un subespacio trivial
Ejemplo 2
4 x 2 y 0
Sea el sistema homogneo hallar el conjunto solucin es un subespacio?
2x y 0
4 2 0 F1 2 F2 0 0 0
r ( A) r ( A ') 1 2 (n de incog.)
ro
2x y 0
2 1 0 2 1 0
SCI el conjunto solucin es S ( x; y ) 2 / y 2 x
La solucin es el conjunto de puntos de la recta que pasa por el origen: y = 2x

S es un subespacio propio.
Se puede demostrar que el conjunto solucin es un subespacio verificando las condiciones suficientes para la existencia de un subespacio.
DEPENDENCIA E INDEPENDENCIA LINEAL
Una familia A v1 , v2 , v3 , , v n V es linealmente independiente si y slo si la nica solucin de la ecuacin 1v1 2v 2 n v n 0 es
la trivial, es decir: 1 2 ... n 0.
n
A es L. I
i 1
i vi 0 i 0
Ejemplo
A 1;0;1 , 0;1;1 , 1;1;0 3 es un conjunto linealmente independiente?
1 (1;0;1) 2 (0;1;1) 3 (1;1;0) (0;0;0)

( 1 ; 0 ; 1 ) (0; 2 ; 2 ) ( 3 ; 3 ;0) (0;0;0) Para analizar si los vectores son LI, planteamos
( 1 3 ; 2 3 ; 1 2 ) (0;0;0) la combinacin lineal del vector nulo
1 + 3 0

2 3 0
0
1 2
1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 0 0 r ( A) 3 r ( A ') 3 n 3 S .C . D

0
1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 0 0 1 0 2 0 3 0
F3 .( 1 / 2)
1 1 0 0 0 1 0 0 0 2 0 0 0 0 1 0 A es L. I

1 0 0 1

Observa que el vector nulo es combinacin lineal de los vectores, todos los escalares son cero

Una familia A v1 , v2 , v3 , , v n V es linealmente dependiente si y slo si no es linealmente independiente.
Una familia A v1 , v2 , v3 , , v n V es linealmente dependiente si y slo si la ecuacin 1v1 2 v 2 n v n 0 admite una solucin no
trivial, es decir, existen escalares 1 , 2 , . . . , n no todos nulos
n
A es L. D i / i vi 0 i 0
i 1
Ejemplo
A 1; 1;0 , 1;1;2 , 1;0;1 3 es un conjunto linealmente dependiente?
1 (1; 1;0) 2 (1;1;2) 3 (1;0;1) (0;0;0) Para analizar si los vectores son LD, planteamos la
combinacin lineal del vector nulo
( 1 ; 1 ; 0) ( 2 ; 2 ;2 2 ) ( 3 ; 0 ; 3 ) (0;0;0)
( 1 2 3 ; 1 2 ; 2 2 3 ) (0;0;0)
1 2 3 0 1 1 1 0 1 1 1 0
1 1 0 0

1 2 0 1 1 0 0 0 2 1 0 0 2 1 0 r ( A) 2 r ( A ') 2 n 3 SCI

22 3 0 0 2 1 0 0 2 1 0 0 0 0 0

1 2 0 2 2 3 0 1 2 3 2 2 A es L. D Observa que el vector nulo es combinacin lineal de los
vectores, pero con escalares distintos de cero

PROPIEDADES
Todo vector no nulo de un espacio vectorial constituye un conjunto L.I
El vector nulo de cualquier espacio vectorial constituye un conjunto L.D
Todo conjunto al que pertenezca el vector nulo es L.D
Un conjunto finito y no vaco de vectores es L.D si y solo si algn vector es C.L de los dems
Un conjunto finito y no vaco de vectores es L.I si y solo si ningn vector es C.L de los dems
Son equivalentes las siguientes proposiciones:
a) A es L.I
b) Toda combinacin lineal de la familia A cuyo resultado sea el vector nulo es la trivial
c) Ningn vector de A es combinacin lineal de los dems
a) A es L.D
b) Existe una combinacin lineal de la familia A con escalares no todos nulos, cuyo resultado es el vector nulo
c) Algn vector de A es combinacin lineal de los dems

PROPIEDADES
Sea ( V ; ; ; . ) un espacio vectorial real y v1 , v2 , v3 , , vn vectores de V
Si v1 , v2 , v3 , , vn son vectores linealmente independientes entonces

a) v , v , v ,, v 0 , son linealmente independientes
1 2 3 n
b) v .v , v , v , v , son linealmente independientes

1 2 2 3 4
Ejemplo
Demostrar que si u , v L. I . en V u ; v u L. I . en V
Demostracin.
. u . v u 0 planteamos la C.L. nula de u y v u (I)
Aplicando la propiedad distributiva de la ley externa . del E.V. y la propiedad asociativa de + del E.V. de vectores
. u .v . u 0
Luego: ( ). u + . v 0 (por propiedad distributiva recproca de la ley externa respecto de la +de escalares)
Como por hiptesis u , v es L.I. en V esto implica que en la C.L. nula los escalares son ceros (nicamente), entonces debe cumplirse:
0 y 0 Resolviendo este sistema resulta un S.C.D.: 0 esto implica que en (I) los escalares de la C.L. nula son
nicamente ceros, por lo tanto u , v u es L.I. en V, que es la tesis.

SISTEMA DE GENERADORES
Si todo elemento de V es una combinacin lineal de v1 , v2 , v3 , , vn se dice que la familia A v1 , v2 , v3 , , vn genera V o que
v1 , v2 , v3 , , vn es un sistema de generadores de V.
Ejemplo 1
A 1;1;1 , 1;1;0 , 1;0;0 3 es sistema de generadores de 3?
Se debe demostrar que cualquier vector de 3 se

puede expresar como combinacin lineal de A, para
1 (1;1;1) 2 (1;1;0) 3 (1;0;0) ( x; y; z ) ello planteamos la combinacin del vector
( 1 ; 1 ; 1 ) ( 2 ; 2 ; 0) + ( 3 ; 0 ; 0) ( x; y; z )
( 1 2 3 ; 1 2 ; 1 ) ( x; y; z )
1 2 3 x 1 1 1 x 1 1 x 1 1 0 1 y
1 1 1 x y
1 1 0

1 + 2 y 1 1 0 y 0 0 1 y x F2 ( 1) 0 0 1 x y 0 0 1 x y 0 0 1 x y

1 z 1 0 0 z 0 1 1 z x 0 1 1 z x 0 1 0 z y F3 ( 1) 0 1 0 y z

1 0 0 z

0 0 1 x y r ( A) 3 r ( A ') 3 n 3 S .C . D
0 1 0 y z

Dado que el sistema es compatible determinado, tiene solucin nica, por lo tanto para cada vector de la forma (x; y; z) encuentro los valores
de 1 , 2 , 3 para obtener cualquier vector de 3

Ejemplo 2 A 1;1;0 , 2;2;0 , 0;0;1 3 es sistema de generadores de 3?
Se debe demostrar que cualquier vector de 3 se puede expresar como combinacin lineal de A
1 (1;1;0) 2 (2;2;0) 3 (0;0;1) ( x; y; z )

( 1 ; 1 ; 0) (2 2 ; 2 2 ; 0) (0; 0 ; 3 ) ( x; y; z )
( 1 2 2 ; 1 2 2 ; 3 ) ( x; y; z )
1 2 2 x 1 2 0 x 1 2 0 x

1 2 2 y 1 2 0 y 0 0 0 y x

3 z 0 0 1 z 0 0 1 z

Para que el sistema tenga solucin debe ser compatible y para ello y x 0
La familia A no genera 3, sino un subespacio del mismo S x; y; z 3 / x y
Ejemplo 3 A 1;3 , 3;9 2 es sistema de generadores de 2?
Para que el sistema tenga solucin

Se debe demostrar que cualquier vector de 2 se puede expresar como combinacin lineal de A debe ser compatible y para ello
=
1 (1;3) 2 (3;9) ( x; y ) La familia A no genera 2, sino un
(1 ; 31 ) (3 2 ; 9 2 ) ( x; y ) subespacio del mismo.
1 3 2 x 1 3 x 1 3 x
(1 3 2 ;31 9 2 ) ( x; y )
31 9 2 y 3 9 y 0 0 y 3x

BASE DE UN ESPACIO VECTORIAL
Sea A v1 , v2 , . . . , v n una familia de vectores del espacio vectorial real (V ; ; ;.)
A V es una base de V si y slo si A es un conjunto linealmente independiente y sistema de generadores de V.
En smbolos: A V es base de V A es L.I = V
Ejemplo
Verificar que el conjunto B 1;1;1 , 1;1;0 , 1;0;0 es una base del espacio (3 , , , .)
(1;1;1) (1;1;0) (1;0;0) (0;0;0)

1 1 1 0 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0
1 1 1 0
1

1 1 0 0 0 0 1 0 0
0 1 0 0 0 1 0 ( 1) F1 0 0

1 0 0 0 1 0

1 0 0 0 0 1 1 0 ( 1) F3 0 1 1 0 0 1 1 0 0 1 1 0 0 1 0 0

r ( A) r ( A ') 3 n de incgnitas SCD
ro
(1;1;1) (1;1;0) (1;0;0) (x;y;z)

1 1 1 x 1 x 1 0 0 1 0 0 z 1 0
1 1 1 x

1 1

z

0 z

1 1 0 y 0 0 1 y x
0 0 1 y x 0 0 1 y x ( 1 )F1 0 0 1 x y 0 0 1 x y

1 0 0 z 0 1 1 z x ( 1 )F3 0 1 1 x z 0 1 1 x z

x z 0 1 0 z y
0 1 1
r ( A) r ( A ') 3 n ro de incgnitas SCD genera todo el espacio La familia de vectores es linealmente independiente y generadora
de por lo tanto es una base de .
3 3

Observacin
n vectores de constituyen una base de , siempre que sean L.I. o Sistemas
de generadores, ya que si se cumple una de las condiciones se verifica la otra.
Ejemplo
Verificar que el conjunto B 1;1 , 1;2 es una base del espacio (2 ; ; ;.)
(1;1) (1;2) (0;0)

Dado que el conjunto B est formado por dos vectores de 2 basta con
probar que el conjunto de vectores es LI o Generador de 2 , observa
1 1 0 1 1 0 1 0 0

que siendo LI se cumple que tambin es generador y al mismo tiempo si
1 2 0 0 1 0 0 1 0 se prueba primero que es generador, podemos asegurar que es LI
r ( A) r ( A ') 2 n de incgnitas SCD entonces B es LI
(1;1) (1;2) ( x; y )
1 1 x 1 1 x 1 0 2x y

1 2 y 0 1 y x 0 1 y x
r ( A) r ( A ') 2 n ro de incgnitas SCD entonces B genera todo el espacio

Ejemplo 2
Qu valores del nmero real k hacen que el conjunto de vectores 1;0; k , k;1;0 , k 1;1; k sea una base de 3?
Para que el conjunto dado sea una base de 3, como tiene tres vectores es suficiente exigir que sean LI.
Formamos la combinacin lineal nula:
1 . 1;0; k 2 . k ;1;0 3 k 1;1; k 0;0;0
llegamos al sistema :
1 k 2 k 1 3 0

2 3 0
k k 3 0
1
1 k k 1
A 0 1 1 k k 2 k k 1 k k 2 k 2 k 0
k 0 k
El sistema es compatible indeterminado, o sea existen infinitas soluciones no triviales, y por lo tanto el conjunto es siempre LD. Esto significa
que no es base para ningn valor de k.

BASE DE UN SUBESPACIO VECTORIAL
De igual forma un conjunto B v1 , v 2 , v 3 , , v n es base de un subespacio S de un espacio vectorial V si y slo si B es un conjunto

linealmente independiente que genera S.
En smbolos: B S es base de S B es L.I B = S
Observacin
El subespacio nulo carece de base, pues el conjunto { } es linealmente dependiente
Ejemplo
Determinar una base del subespacio de (3 ; ; ;.) si S x ; y ; z 3 / z x y

( x ; y ; z ) ( x ; y ; x y ) ( x ; 0 ; x ) (0 ; y ; y ) x(1 ; 0 ; 1) y (0 ; 1 ; 1) v1 (1 ; 0 ; 1) y v2 (0 ; 1 ; 1) generadores de S son L. I ?
Debemos demostrar que son L. I
.(1 ; 0 ; 1) .(0 ; 1 ; 1) (0 ; 0 ; 0)
( ; 0 ; ) (0 ; ; ) (0 ; 0 ; 0)
( ; ; ) (0 ; 0 ; 0) 0 0 v1 (1 ; 0 ; 1) y v2 (0 ; 1 ; 1) son L. I
Base de S B (1 ; 0 ; 1) , (0 ; 1 ; 1 )

DIMENSIN DE UN ESPACIO VECTORIAL
La dimensin de un espacio vectorial es el cardinal de cualquiera de sus bases. Dimensin de V se denota: dim (V).
Por definicin el subespacio nulo posee dimensin cero.

Observacin
Ejemplo 1
Cuando definimos base de un espacio vectorial, demostramos que:

El conjunto B 1;1;1 , 1;1;0 , 1;0;0 constituye una base de ( 3 ; ; ;.) Por lo tanto dim 3 3
El conjunto B 1;2 , 1;1 constituye una base de (2 ; ; ;.) Por lo tanto dim 2 2
dim n n
Ejemplo 2
Determinar la dimensin del subespacio de ( 3 ; ; ;.) S x ; y ; z 3 / z x y

Teniendo en cuenta que la base del S la hallamos en el apartado anterior y que la misma es:
Base de S B (1 ; 0 ; 1) , (0 ; 1 ; 1 ) dim S 2

COORDENADAS DE UN VECTOR
Una base ordenada de un espacio vectorial V de dimensin finita es una base en la cual se ha establecido un orden.
Por ejemplo:
Si consideramos la base ordenada de 2: B1 1;0 , 0;1 :
(1;0) es el primer elemento de B1, mientras que (0;1) es el segundo elemento de B1.
La base ordenada de 2, B2 0;1 , 1;0 es distinta de la base B1, a pesar de que los vectores que las componen son los mismos.
Sea B v1 , v2 , . . . , vn una base ordenada de ( V; ; ; .) :
Cada v V puede expresarse de modo nico como combinacin lineal de los vectores de la base B o sea: v 1v1 2v2 . . . nvn
siendo 1, 2,..., n las coordenadas de v en la base B del espacio vectorial real V
v B 1 2 3 n B
Ejemplo
Las coordenadas del vector v 2 ;3 , respecto de la base B1 1;0 , 0;1 son: v B 2 3B , dado que 2. 1;0 3 0;1 2;3

Ejemplo
Vamos a determinar las coordenadas del vector v 2 ;3 respecto de:

a) B1 1;0 , 0 ;1
b) B2 0 ;1 , 1 ;0
c) B3 1; 1 , 1 ;2
a ) 1 (1;0) 2 (0;1) (2;3)

( 1 ; 0 ) (0 ; 2 ) (2;3)
( 1 ; 2 ) (2;3 ) 1 2 2 3 v B
2 3
1
b ) 1 (0;1) 2 (1;0) (2;3) Observa que las coordenadas del

vector dependen de la base elegida
(0 ; 1 ) ( 2 ; 0 ) (2;3)
( 2 ; 1 ) (2; 3) 1 3 2 2 v B
3 2
2
c ) 1 (1;1) 2 (1;2) (2;3)

( 1 ; 1 ) ( 2 ; 2 2 ) (2;3)
( 1 2 ; 1 2 2 ) (2;3)
1 2 2 1 1 2 1 1 2 1 0 1
1 1 2 1 v 1 1
1 2 2 3 1 2 3 0 1 1 0 1 1 B
3

APLICACIONES ECONMICAS
VECTOR DE PRECIOS ECUACIN PRESUPUESTARIA PLANO BALANCE
Si el poseedor de un ingreso I lo destina en su totalidad a la compra de dos tipos de bienes que designaremos A y B, cuyos precios
respectivamente son p1 y p2, podemos escribir el vector de precios p p1 ; p2 y el vector cantidad adquirida de bienes q x1 ; x2 donde
x1 es la cantidad adquirida de bien A y x2 es la cantidad adquirida de bien B.
El producto escalar de los vectores p y q da el ingreso destinado a la compra de los bienes
p. q I p1 ; p2 . x1 ; x2 I p1 x1 p2 x2 I Expresin de la ecuacin presupuestaria o recta balance
Esta es la ecuacin que contiene todos los presupuestos que tienen el mismo gasto
p1 x1 p2 x2
Dividiendo miembro a miembro por I se obtiene 1 luego
I I
x1 x
2 1
I I Expresin segmentaria de la recta balance o recta de posibilidades de consumo
p1 p2
I
Cantidad mxima del bien A si se destina todo el ingreso I para la compra de ese bien
p1
I
Cantidad mxima del bien B si se destina todo el ingreso I para la compra de ese bien
p2

Ejemplo 1
Un consumidor tiene un ingreso de $ 900 y lo destina a la compra de dos bienes A y B, cuyos precios unitarios son respectivamente p1 = $180
y p2 = $90.
a) Escribir el vector de precios y representarlo grficamente. p ( p1 ; p2 ) (180 ;90)
b) Escribir la ecuacin presupuestaria y grafique la recta de posibilidades de

consumo. Cmo es la posicin del vector de precios y la recta de posibilidades
de consumo?
180 x1 90 x2 900 Ecuacin presupuestaria

180 x1 90 x2 900 180 x1 90 x2
1
900 900 900 900
x1 x2
1 Recta de posibilidades de consumo o Recta Balance
5 10
El vector precios es ortogonal a la recta de posibilidades de consumo

En el caso de tres bienes:
Si el poseedor de un ingreso I lo destina en su totalidad a la compra de tres tipos de bienes que designaremos A, B y C, cuyos precios
respectivamente son p1 , p2 y p3, podemos escribir el vector de precios p p1 ; p2 ; p3 y el vector cantidad adquirida de bienes
q x1 ; x2 ; x3 donde x1 es la cantidad adquirida de bien A, x2 es la cantidad adquirida de bien B y x3 es la cantidad adquirida de bien C
El producto escalar de los vectores p y q da el ingreso destinado a la compra de los bienes
p.q I p1 ; p2 ; p3 . x1 ; x 2 ; x 3 I p1 x1 p2 x2 p3 x3 I Expresin de la ecuacin presupuestaria o plano balance
Esta es la ecuacin que contiene todos los presupuestos que tienen el mismo gasto.
Dividiendo miembro a miembro por I se obtiene
p1 x1 p x px x1 x x
2 2 3 3 1 luego 2 3 1
I I I I I I
p1 p2 p3
Expresin segmentaria de plano balance

I
Cantidad mxima del bien A si se destina todo el ingreso para la compra de ese bien
p1
I
Cantidad mxima del bien B si se destina todo el ingreso para la compra de ese bien
p2
I
Cantidad mxima del bien C si se destina todo el ingreso para la compra de ese bien
p3

PROPIEDAD El vector de precios es perpendicular al plano balance.
Ejemplo 2
El plano balance que contiene todos los presupuestos que tienen un gasto de $ 300 para la adquisicin de tres bienes, escrito en forma
x1 x2 x3
segmentaria es 1
6 6 3
a) Representarlo
6 Cantidad mxima del
bien B si se destina todo
3 Cantidad mxima del el ingreso $300 para la
bien C si se destina todo compra de ese bien
el ingreso $300 para la
compra de ese bien
6 Cantidad mxima del

bien A si se destina todo
el ingreso $300 para la
compra de ese bien

b) Escribir la ecuacin presupuestaria
x1 x x
2 3 1
6 6 3
Como el ingreso es de $ 300 , se multiplica miembro a miembro por 300
300 x1 300 x2 300 x3
300 50 x1 50 x2 100 x3 300 v precios p p1 ; p2 ; p3 50;50;100
6 6 3
50 x1 50 x2 100 x3 300 Ecuacin presupuestaria
Ejemplo 3
Sabiendo que:
i) El vector de precios es un mltiplo escalar del vector (6; 8; 7).
ii) Una de las posibilidades de consumo es x1 ; x2 ; x3 20; 25;15
iii) El ingreso es igual a $ 5100.
Hallar:
a) La ecuacin presupuestaria. b) El vector de precios.
p ( p1 ; p2 ; p3 ) ( 6;8;7) (6 ;8 ;7 )
Para hallar un mltiplo escalar del vector, multiplicamos 20.6 25.8 15.7 5100 120 200 105 5100
por al vector, y obtenemos el vector de precios.
Teniendo en cuenta que conocemos una posibilidad de 425 5100 12
consumo podemos plantear que: b) p ( p1 ; p2 ; p3 ) 12(6;8;7) (72;96;84)
a) 72 x1 96 x2 84 x3 5100 Ecuacin presupuestaria

UNIDAD5
PROGRAMACIN LINEAL
Introduccin a la programacin lineal 2
Conjuntos convexos 2
Definicin 2
Propiedades de los conjuntos convexos 4
Vrtices o puntos extremos de un conjunto convexo 4
Interseccin de conjuntos convexos 5
Conjuntos polidricos convexos 5
Programacin lineal 10
Caractersticas de un problema de programacin lineal 11
Planteo de un problema de programacin lineal 12
Supuestos bsicos de la programacin lineal 14
Resolucin grfica de un problema de programacin lineal 15
Casos especiales 16
Ejemplos de resolucin grfica Casos especiales 17
Ejercicios resueltos de la gua de trabajos prcticos 20
Mtodo simplex Introduccin - Procedimiento 22
Maximizacin: 23
A) Solucin ptima nica: Fases para la solucin 23
B) Soluciones no acotadas 42
C) Soluciones ptimas mltiples 44
Mtodo dual 47
Relaciones entre los problemas dual y primal 48
Aspectos Econmicos: Anlisis post-ptimo 50
Anlisis de sensibilidad 51
Mapa conceptual de Programacin lineal 57

INTRODUCCIN A LA PROGRAMACIN LINEAL
CONJUNTOS CONVEXOS
El estudio de la convexidad de conjuntos, tiene especial importancia en el desarrollo de los algoritmos de resolucin de los problemas de
optimizacin, tema que desarrollaremos en este captulo.
DEFINICIN:
Un conjunto S de puntos de n es un conjunto convexo si y slo si, dados dos puntos P y Q de S, el segmento que los une est incluido
totalmente en S.
En smbolos:
S es un conjunto convexo Si P S Q S PQ S
Te presentamos ejemplos de conjuntos convexos de 2 , en todos se verifica la definicin
Los siguientes ejemplos corresponden a conjuntos no convexos en el plano
Atencin:
Si tomamos dos puntos cualesquiera del
conjunto, el segmento que ellos determinan
NO est totalmente incluido dentro de l.

Antes de definir formalmente a un conjunto convexo es necesario enunciar la definicin de segmento:
Dados dos puntos de n , P y Q se llama segmento cerrado de extremos P y Q al conjunto: P (1 ) Q n , con [0, 1]
Para que comprendas esta definicin, vamos a ejemplificarla en 2 , determinemos el segmento que une a los puntos P 1;2 y Q 3;5
dicho segmento est formado por todos los puntos de la forma:
1;2 1 3;5 con 0;1 Observacin:

Si = 0 obtenemos el punto Q , si 1 obtenemos el punto P Lo que estamos planteando no es ms que
1 una combinacin lineal de vectores. Toda
y si por ejemplo combinacin lineal que tenga los
3
escalares no negativos y que sumen uno,
1;2 3;5 ;4
1 2 7
obtenemos el punto A = se la llama combinacin lineal convexa.
3 3 3
Podemos ahora definir formalmente a un conjunto convexo
Un conjunto S n es convexo si y slo cumple que: P , Q S P (1 ) Q S , con [0,1] es decir, dados dos puntos P y
Q cualesquiera del conjunto, el segmento determinado por ellos est totalmente contenido en el conjunto.
En 2 , un conjunto convexo coincide con lo que llamamos un polgono convexo.

PROPIEDADES DE LOS CONJUNTOS CONVEXOS
Son conjuntos convexos "por definicin" Por ejemplo 2 es un

conjunto convexo
a) El conjunto vaco ( ) es un conjunto convexo.
b) Los conjuntos de un nico punto {P}, tambin son conjuntos convexos.
c) Tambin el conjunto n es un conjunto convexo.
VRTICES O PUNTOS EXTREMOS DE UN CONJUNTO CONVEXO
Un punto V de un conjunto convexo S es un vrtice o punto extremo del conjunto, si se cumple que:
P , Q S si V = P (1 ) Q S , entonces 0 1
En palabras, si V pertenece a algn segmento incluido en un conjunto polidrico S, entonces V debe pertenecer a uno de sus extremos:
Vrtice o
Punto Extremo

INTERSECCIN DE CONJUNTOS CONVEXOS
La interseccin, finita o infinita, de conjuntos convexos es un conjunto Interseccin Finita

convexo.
Interseccin Infinita
CONJUNTOS POLIDRICOS CONVEXOS

Se llama as a la interseccin de dos o ms conjuntos convexos, pudiendo definirse como: C X n / A. X B A mxn B m
a11 x1 a12 x2 a1n xn b1
a x a x a x b
21 1 22 2 2n n 2
C no es ms que el conjunto solucin del siguiente sistema de inecuaciones:
............................................
am 1 x1 am 2 x2 amn xn bm
a11 x1 a12 x2 b1
a x a x b
21 1

Si n = 2 C X 2 / A. X B A mx 2 B m Es decir el conjunto solucin del siguiente sistema de inecuaciones:
22 2
......................
2

am 1 x1 am 2 x2 bm

Veamos los siguientes ejemplos en 2

Ejemplo 1 3 x1 2 x2 6
Representar el siguiente conjunto convexo en 2 x1 4 x2 8 y hallar las coordenadas de sus vrtices, si stos existen.
x 0
1
0 x2 6
V1 0;6
V2 0;3
Los vrtices del conjunto convexo son:
4 9
V3 ;
5 5
V4 8;0
Sugerencia
En caso que lo necesites pods consultar como se representa una
inecuacin lineal en
2
.

Ejemplo 2
3 x1 4 x2 12

Te presentamos aqu un segundo ejemplo, sea el siguiente conjunto convexo x1 2 x2 8 , su representacin es:
x 0, x 0
1 2
Los vrtices del mismo son:
V1 0;4
V2 0; 3
V3 4;0
V4 8;0

Ejemplo 3
x 2 y 20
x 10
x0
y0
Sus vrtices son:
V1 0;0
V2 0;10
V3 10;0
V4 10;5

Ejemplo 4
Finalmente un ltimo ejemplo,
x y 10
x7
x2
y0

x y
Te animas a reconocer sus vrtices?
V1 2;0
V2 2;2
V3 5;5
V4 7;3
V5 7;0

PROGRAMACIN LINEAL
En cualquier empresa, muchas de las decisiones que se toman tienen por objeto hacer el mejor uso
posible (optimizacin) de los recursos de la misma. Por recursos de una empresa entendemos la
maquinaria que sta posea, sus trabajadores, capital financiero, instalaciones, y las materias primas
que disponga.
Tales recursos pueden ser usados para fabricar productos (electrodomsticos, muebles, comida, ropa,
etc.) o servicios (horarios de produccin, planes de marketing y publicidad, decisiones financieras,
etc.).
La Programacin Lineal (PL) es un modelo matemtico diseado para ayudar a los directivos de las
empresas en la planificacin y toma de decisiones referentes a la asignacin de los recursos.
Como ejemplos de problemas donde la Programacin Lineal desarrolla un papel fundamental,
podemos citar:
1. A partir de los recursos disponibles, determinar las unidades a producir de cada

bien de forma que se maximice el beneficio de la empresa.
2. Elegir materias primas en procesos de alimentacin, para obtener mezclas con

determinadas propiedades al mnimo costo.
3. Determinar el sistema de distribucin que minimice el costo total de transporte,

desde diversos centros de produccin a varios puntos de distribucin.
4. Desarrollar un plan de produccin que, satisfaciendo las demandas futuras de los

productos de una empresa, minimice al mismo tiempo los costos totales de
produccin e inventario.

CARACTERSTICAS DE UN PROBLEMA DE PROGRAMACIN LINEAL
Las tcnicas de Programacin Lineal han sido ampliamente utilizadas en mbitos tan diferentes como el militar, industrial, financiero, de
marketing, e incluso agrcola. A pesar de tal diversidad de aplicaciones, todos los problemas de Programacin Lineal
tienen cuatro propiedades comunes:
1. Variables no negativas.
Todas las variables que intervienen en el problema deben ser no negativas
2. Existencia de una funcin lineal de las variables cuyo valor se desea optimizar.
Pretenden optimizar (maximizar o minimizar) alguna cantidad (funcin objetivo). As, por ejemplo, el principal
objetivo de un banquero sera maximizar beneficios, mientras que el principal objetivo de una empresa transportista
podra ser minimizar los costos de los envos.
3. Las variables estn sometidas a ciertas restricciones que se expresan matemticamente a travs de un conjunto
de inecuaciones y/o ecuaciones lineales
Habr que tener en cuenta las restricciones que limitan el grado en el cual es posible modificar las variables que
afectan a nuestra funcin objetivo.
As, a la hora de decidir cuntas unidades de cada bien se han de producir, se deber considerar, entre otras, las
limitaciones de personal y maquinaria de la que se dispone.
4. El problema debe presentar distintas alternativas posibles

Si una compaa produce cuatro bienes diferentes, la direccin puede usar Programacin Lineal para determinar las
cantidades de recursos que asigna a la produccin de cada uno de ellos (podra optar por hacer una asignacin
ponderada, dedicar todos los recursos a la produccin de un nico bien abandonando la produccin del resto, etc.).

PLANTEO DE UN PROBLEMA DE PROGRAMACIN LINEAL
Una empresa fabrica dos modelos de mesas de computacin: M1 y M2.

Para su produccin se necesita un trabajo manual de 20 minutos para el modelo M1 y de 30 minutos para el modelo M2 y un trabajo de
mquina de 20 minutos para M1 y de 10 minutos para M2.
Se dispone de 100 horas al mes de trabajo manual y de 80 horas al mes de trabajo de mquina.
Sabiendo que el beneficio por unidad es de $1,5 para M1 y $1 para M2, planificar la produccin para obtener el mximo beneficio.
Nos limitamos ahora a plantear formalmente el problema (ya lo resolveremos ms adelante):
Llamaremos: X al nmero de unidades producidas al mes de M1 Y al nmero de unidades producidas al mes de M2
Datos : Funcin objetivo : Z x ; y 1, 5x y

20x 30y 6000
20x 10y 4800

Restricciones
x 0
y 0
Problema : Maximizar Z
Las dos ltimas restricciones, si bien no constan de forma explcita en el enunciado del problema, s figuran de forma implcita, pues el nmero
de mesas a producir no puede ser inferior a 0.

SUPUESTOS BSICOS DE LA PROGRAMACIN LINEAL
Desde un punto de vista tcnico, hay cinco supuestos que debe cumplir todo problema de programacin lineal:
1. Los coeficientes, tanto de la funcin objetivo como de las restricciones, son conocidos con exactitud y adems no varan durante el perodo
de tiempo en que se realiza el estudio (supuesto de certidumbre).
2. Tanto en la funcin objetivo como en las restricciones hay proporcionalidad: si para la

produccin de un bien empleamos 5 horas de un determinado recurso (mano de obra,
maquinaria, etc.), para producir diez unidades de dicho bien sern necesarias 50 horas del
mismo recurso.
3. Aditividad de actividades: tanto en la funcin objetivo como en las restricciones, la contribucin

de cada variable es independiente de los valores del resto de las variables, siendo el total de
todas las actividades igual a la suma de cada actividad individual.
Por ejemplo, si producimos dos tipos de bienes, uno que nos reporte un beneficio de $20
/unidad, y otro que nos reporte un beneficio de $10 /unidad, la produccin de un bien de cada
tipo supondr un beneficio total de $30 /unidad.
4. Las soluciones del problema son, en general, nmeros reales no necesariamente enteros
(supuesto de divisibilidad). Para aquellos problemas en los cuales slo tenga sentido obtener
soluciones enteras (cuando las soluciones se refieran a objetos indivisibles), se usarn tcnicas
de Programacin Lineal Entera (PLE).
5. Las variables de nuestro modelo toman siempre valores positivos (supuesto de no negatividad),
dado que no tiene sentido hablar de cantidades negativas de objetos fsicos.

RESOLUCIN GRFICA DE UN PROBLEMA DE PROGRAMACIN LINEAL
El mtodo grfico de resolucin tan slo es aplicable a problemas con dos variables x e
y. Para aquellos casos en que el nmero de variables del problema sea superior a dos, no
ser posible encontrar la solucin a partir de un grfico bidimensional y, por lo tanto,
tendremos que usar mtodos de resolucin analticos. Aun as, el mtodo grfico es de un
gran valor pedaggico dado que nos permite vislumbrar de una forma intuitiva las ideas
bsicas de la Programacin Lineal.
Volviendo al ejemplo de las mesas de computacin, dado que en l tenemos slo dos
variables, podremos representar cada una de las restricciones en el plano real, la interseccin
de las mismas se denomina regin factible (polgono ABCD):
La teora establece que, dado un problema de Programacin Lineal que tenga solucin, sta
vendr dada por uno de los vrtices (o puntos extremos) del polgono que configura la regin
factible.
Por lo tanto, ser suficiente hallar las coordenadas de dichos vrtices (intersecciones de
rectas) y determinar (sustituyendo en la funcin objetivo) cul de ellos es la solucin ptima.
En nuestro ejemplo, tenemos slo cuatro puntos posibles a ser solucin del problema (los
cuatro vrtices del polgono), sustituyendo sus coordenadas en la funcin objetivo
obtenemos:
Z (0; 0) = 0 Z (0; 200) = 200 Z (210; 60) = 375 Z (240; 0) = 360
Como en este caso buscamos maximizar Z (x; y), concluimos que el punto ptimo es el
(210; 60), dado que con l obtenemos el valor mximo de la funcin objetivo. As pues, la
solucin a nuestro problema es fabricar 210 mesas de tipo M1 y slo 60 mesas de tipo M2, y con ello conseguimos el mayor beneficio de $375.

CASOS ESPECIALES
A la hora de resolver un problema de Programacin Lineal, nos podemos encontrar con cualquiera de estas cuatro situaciones especiales que
conviene conocer:
No Factibilidad: Puede ocurrir que el problema propuesto no tuviese solucin. ste sera el caso en que las restricciones fuesen incompatibles,
que ningn punto del plano (o, en general, del espacio real n-dimensional) puede cumplir simultneamente todas las limitaciones a las que
estamos sometidos, es decir, la regin factible es un conjunto vaco.
No Acotacin: En ocasiones, podemos encontrarnos con problemas que no tengan una solucin finita; as por ejemplo, en un problema de
maximizacin podramos tener alguna variable que pudiese incrementarse indefinidamente sin violar ninguna de las restricciones, permitiendo a
la funcin objetivo tomar valores tan grandes como se desee. Grficamente, tendramos una regin factible no acotada.
Redundancia: Algunas restricciones pueden estar de ms por no aportar nada nuevo a la forma de la regin factible, ya que hay otras que
resultan ser ms restrictivas (esto suele ocurrir en problemas extensos, donde resulta difcil reconocer restricciones redundantes).
Soluciones Mltiples: Un problema de Programacin Lineal puede tener ms de una solucin ptima (e incluso infinita). En el caso grfico de
dos variables, si dos vrtices consecutivos de la regin factible son solucin ptima del problema, entonces todos los puntos del segmento
comprendido entre ellos tambin sern ptimos.

EJEMPLOS DE RESOLUCIN GRFICA - CASOS ESPECIALES
La tabla adjunta muestra las unidades de nitrgeno (N) y de fsforo (P) que contiene cada kilo de los abonos A y B. Se desea
Ejemplo 1 obtener un abono que, como mnimo, contenga 9 unidades de N y 9 unidades de P. El precio de A es de 10 $ / kg. y el de B es
de 20 $/ kg. Calcular las cantidades que deben comprarse de A y de B para satisfacer las necesidades minimizando el costo.
Abono A Abono B Requerimientos Llamamos 3x + y 9

Nitrgeno 3 1 9
Fsforo 1 3 9
X al n de kilos de A Planteo : Minimizar Z(x;y) = 10x + 20y Sujeto a : x 3y 9
Y al n de kilos de B
x , y 0
Costo 10 $ / kg. 20 $ / kg.
Al representar la regin de soluciones factibles observamos que es una regin abierta y evaluando Z ( x ;y ) en cada uno de los vrtices se
obtiene:
Z(0 ; 9) = 180 Z (9/4 ; 9/4) = 67,5 Z (9 ; 0) = 90
Por lo tanto, la solucin ptima es utilizar 9/4 kilos de A y 9/4 kilos de B, lo que
supone un costo (mnimo) de $ 67,5.
Resolver el mismo ejercicio pero suponiendo que el precio de B es de 30 $/ kg
entonces debemos considerar una nueva funcin objetivo Z x ; y 10 x 30 y
Evaluamos Z en los vrtices de la regin graficada ya que las restricciones no han
cambiado:
Observamos que dos vrtices consecutivos arrojan el mismo valor ptimo por lo tanto,
tendremos infinitas soluciones ya que cualquier punto del segmento que une los dos
ltimos vrtices (stos incluidos) ser un ptimo, obtenindose en ellos un costo
(mnimo) de $ 90.
Z(0;9)= 270 Z (9/4 ; 9/4) = 90 Z (9 ; 0) = 90
Dichas soluciones las dejaremos indicadas a travs de la combinacin lineal convexa

9 9
de dichos vrtices: S 4 ; 4 (1 ) (9; 0) con 0 1


Ejemplo 2
Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones de la temporada
anterior. Para ello lanzan dos ofertas, A y B: la oferta A consiste en un lote de tres
camisas y un pantaln, que se vende a $ 30; y la oferta B consiste en un lote de una
camisa y un pantaln, que se vende a $ 50. No se desea ofrecer menos de 20 lotes de la
oferta A ni menos de 10 lotes de la B. Cuntos lotes ha de vender de cada tipo para
maximizar la ganancia?
Sean: x = n de lotes tipo A e y = n de lotes tipo B
3 x y 200

Maximizar : Z x; y 30 x 50 y Sujeto a x y 100
x 20
y 10

Representando el conjunto de restricciones y determinando los vrtices de la regin de

soluciones factibles se obtiene la poligonal ABCD:
Evaluando en los vrtices de la misma se obtiene:
Z (20; 80) = 4.600 Z (50; 50) = 4.000 Z (190/3; 10) = 2.400 Z (20; 10) = 1.100
Observar que, en este caso, se hace innecesario calcular Z (20; 10), pues es claro que su
valor ser inferior al de Z (20; 80) y al de Z (190/3; 10).
En definitiva, la empresa debe vender 20 lotes de tipo A y 80 de tipo B, para una ganancia
(mxima) de $ 4.600

Sintetizamos en este esquema los pasos
a seguir para resolver un problema de
programacin lineal por el mtodo
grfico.
A continuacin resolveremos algunos
ejercicios de la prctica para afianzar
los conceptos.

EJERCICIOS RESUELTOS DE LA GUA DE TRABAJOS PRCTICOS
Ejercicio 2 b
Maximizar: Z 2 x 3 y
2 x y 10
Sujeta a
x 2y 8
Con x 0 , y 0
La regin factible es acotada

Hallamos los vrtices:
( 0;0 ) ( 0 ; 4 ) ( 5;0 ) resultan inmediatos
2 x y 10
( 4 ; 2 ) es solucin del sistema
x 2y 8
Evaluamos la funcin objetivo en los vrtices

Z( 0;0 ) 2.0 3.0 0 Z( 0;0 ) 0
Z( 0; 4 ) 2.0 3.4 12 Z( 0; 4 ) 12
Z( 5;0 ) 2.5 3.0 10 Z( 5;0 ) 10
Z( 4; 2 ) 2.4 3.2 14 Z ( 4 ; 2 ) 14
La funcin tiene mximo en ( 4 ; 2 ) y es 14

Ejercicio 2 c
Minimizar: Z = 7x + 3y
3 x y 2

Sujeto a x y 9
x y 1

Con x 0 , y 0
La regin factible es acotada y es un segmento

Hallamos los extremos (vrtices):
( 0;1 ) resulta inmediato
x y 9
( 4 ; 5 ) es solucin del sistema
x y 1
Evaluamos la funcin objetivo en los vrtices

Z ( 0 ;1 ) 7.0 3.1 3 Z ( 0 ;1 ) 3
Z ( 4 ;5 ) 7.4 3.5 43 Z ( 4 ;5 ) 43
La funcin tiene mnimo en ( 0;1 ) y es 3

MTODO SIMPLEX
INTRODUCCIN
Mucha gente sita el desarrollo de la programacin lineal entre los avances cientficos ms importantes de la mitad del siglo XX, y esta
afirmacin es verdadera si tenemos en cuenta que su impacto desde 1950 ha sido extraordinario.
Un modelo de programacin lineal proporciona un mtodo eficiente para determinar una decisin ptima, (o una estrategia ptima o un plan
ptimo) escogida entre un gran nmero de decisiones posibles.
El mtodo simplex es un procedimiento matricial para resolver problemas donde se aplique la programacin lineal.
En la solucin grfica observamos que la solucin ptima est asociada siempre con un vrtice de la regin de soluciones factibles.
El mtodo simplex est basado fundamentalmente en este concepto. Careciendo de la ventaja visual asociada con la representacin grfica del
espacio de soluciones, el mtodo simplex emplea un proceso iterativo que comienza en un vrtice factible, normalmente el origen, y se desplaza
sistemticamente de un vrtice factible a otro, hasta que se llega por ltimo al vrtice ptimo.
Presentaremos este procedimiento matemtico que permite obtener la solucin de un problema de Programacin lineal para un conjunto de n
variables con m restricciones.
PROCEDIMIENTO
Trabajaremos sobre un ejercicio e indicaremos los pasos necesarios para resolver el problema de programacin lineal, con el fin de ver cmo
opera el algoritmo (conjunto de procedimientos, que cuando se siguen en forma ordenada proporcionan una solucin ptima a un problema) y
analizar e interpretar los resultados que es nuestro objetivo. Cada nueva solucin nos dar un valor de la funcin objetivo igual o mejor que la
solucin previa.

MTODO SIMPLEX:
MAXIMIZACIN
A continuacin analizaremos los tres tipos de solucin que se pueden presentar al maximizar la funcin objetivo sujeta a restricciones
estructurales y de no negatividad.
A - SOLUCIN PTIMA NICA
La Compaa AFG fabrica 4 productos que requieren para su elaboracin, de materia prima con una disponibilidad diaria de 180 kilos,
un volumen de almacenamiento total disponible de 230 metros cbicos y una disponibilidad de mano de obra de 450 operarios.
Para elaborar una cantidad de cada uno de los productos se requieren los siguientes insumos:
Recursos Productos 1 2 3 4 Disponibilidad
Materia prima Kg./unidad 2 2 1,5 4 180
Volumen de almacenamiento m3/ unidad 2 2,5 2 1,5 230
Mano de obra/unidad 2 1 3 2 450
Ganancias $ / unidad 5 6,5 5 5.5
Cuntas unidades de cada producto deben fabricarse para maximizar el beneficio?

FASES PARA LA SOLUCIN
I) Planteo del Problema
Identificamos y definimos la funcin objetivo.

Para ello consideramos a X1 , X2 , X3 , X4 como las variables decisorias que representan las unidades a fabricar de cada uno de los
productos respectivos.
Adems los coeficientes de contribucin C j asociados con cada una de estas variables se encuentran en la ltima fila de la tabla y son:
C1 5 , C2 6.5 , C3 5 , C4 5.5
Teniendo en cuenta que la idea es maximizar el beneficio, obtenemos la funcin objetivo: Max Z 5 X1 6.5 X 2 5 X 3 5.5 X 4
Escribimos las restricciones del problema por medio de inecuaciones.
Restriccin 1 Materias primas 2X1 2X 2 1.5X 3 4X4 180 kg.

Restriccin 2 Volumen de almacenamiento 2X1 2.5X 2 2X 3 1.5X 4 230 m 3
Restriccin 3 Mano de obra 2X1 X 2 3X 3 2X4 450 operarios
Existe adems la condicin de no negatividad de las variables: X1 , X2 , X3 , X4 0 Recordemos que las variables de
un problema de programacin
lineal deben ser no negativas.
En sntesis el problema queda planteado matemticamente de la siguiente forma:
2X1 2X 2 1.5X 3 4X 4 180

2X1 2.5X 2 2X 3 1.5X 4 230
Max Z = 5X1 6.5X 2 5X 3 5.5X4 Sujeta a
2X1 X 2 3X 3 2X 4 450
X , X , X , X 0
1 2 3 4

II) Transformacin del conjunto de restricciones en un sistema de ecuaciones lineales.
Las desigualdades que representan las restricciones, se transforman en igualdades, mediante la adicin de variables denominadas de holgura
que denominamos s j que no afectarn la funcin objetivo por cuanto se les asigna un coeficiente de contribucin cero.
Las variables de holgura deben cumplir la restriccin de no negatividad, para absorber el faltante que determina la desigualdad.
Max Z 5X1 6.5X 2 5X 3 5.5X 4 0s1 0s 2 0s 3

El problema se transforma entonces en:
2X1 + 2X 2 + 1.5X 3 + 4X 4 +s1 = 180

2X1 + 2.5X 2 + 2X 3 + 1.5X 4 +s 2 = 230

Sujeto a 2X1 + X 2 + 3X 3 + 2X 4 +s 3 = 450
X , X , X , X 0
1 2 3 4
s1 , s 2 , s 3 0
III) Solucin Bsica Inicial
Se toma una solucin bsica inicial que es aquella en la cual las variables originales del problema son nulas.
En una solucin bsica las variables se clasifican en:
Variables Bsicas: Aquellas que son no nulas en la solucin. Variables No Bsicas: Aquellas que son nulas en la solucin
La solucin bsica inicial en nuestro problema ser entonces:
X1 0 X 2 0 X 3 0 X 4 0 s1 180 s2 230 s3 450

variables no bsicas variables bsicas

IV) Construccin de la tabla inicial del Simplex
Ahora que el problema tiene la forma que requiere el mtodo simplex, se puede construir la primera tabla o matriz de trabajo.
Las tablas en el mtodo simplex son una serie de cuadros que se construyen con la finalidad de llevar un registro de los clculos efectuados.
Dicha tabla se construye tomando los coeficientes de las variables del problema y colocndolos en las filas y columnas respectivamente.
La estructura de la tabla del Simplex para nuestro problema es:
Cj
Ck Xk X1 X2 X3 X4 s1 s2 s3 b La primera fila Cj est constituida por los coeficientes
de contribucin de las variables de la funcin objetivo
En nuestro problema observando la funcin objetivo la
fila se completa as:
Zj Cj 5 6.5 5 5.5 0 0 0
Cj Zj
En la segunda fila estn los ttulos de las columnas subsiguientes: Nombre de las variables originales del problema, de las variables de holgura y
de los trminos independientes
Ck Xk X1 X2 X3 X4 s1 s2 s3 b
La primera columna Ck est formada por los coeficientes de contribucin de las variables que integran la solucin dada. Ck Xk
En este caso las variables s1, s2 y s3 forman lo que se denomina la solucin inicial bsica y factible dada, de la que se 0 s1
parte, y sus coeficientes de contribucin son cero (0). 0 s2
La segunda columna est integrada por la nombres de las variables de la base de la solucin. 0 s3
Las siguientes columnas contienen los nombres y los coeficientes de las variables que integran las ecuaciones de las restricciones.
X1 X2 X3 X4 s1 s2 s3 Valor de la solucin
2 2 1.5 4 1 0 0 180
2 2.5 2 1.5 0 1 0 230
2 1 3 2 0 0 1 450

La tabla contiene los siguientes datos
Cj 5 6.5 5 5.5 0 0 0
Ck Xk X1 X2 X3 X4 s1 s2 s3 b La penltima fila Zj se calcula
0 s1 2 2 1.5 4 1 0 0 180 multiplicando escalarmente el vector
0 s2 2 2.5 2 1.5 0 1 0 230 columna Ck por los vectores columnas de
0 s3 2 1 3 2 0 0 1 450 las variables bsicas y no bsicas del
Zj 0 0 0 0 0 0 0 0 problema:
Cj Zj 50 = 5 6.50 = 6.5 50 = 5 5.50 = 5.5 00 = 0 00 = 0 00 = 0 Z se calcula de la siguiente forma:
0.2+0.2+0.2=0 0.1,5+0.2+0.3=0 0.1+0.0+0.0=0 0.0+0.0+0.1=0

0.180+0.230+0.450=0
0.0+0.1+0.0=0
0.2+0.2,5+0.1=0 0.4+0.1,5+0.2=0
0.4+0.1,5+0.2=0 0.0+0.1+0.0=0
Los valores Zj pueden interpretarse desde el punto de vista econmico como la utilidad bruta que se obtendra al introducir una unidad de la
variable correspondiente, Xj.
Por ejemplo en la columna 1, si se introduce una unidad de X1 en la solucin, el valor de s1, debe reducirse en 2 para mantener la igualdad en la
primera fila (ecuacin de restriccin), s2 debe reducirse en 2 para conservar la igualdad en la segunda fila y s3 debe reducirse en 2 para la misma
razn.
Finalmente se ubica la fila Cj Zj que es el resultado de restar los valores Zj que se acaban de calcular, de los coeficientes de contribucin de la
funcin objetivo Cj:
Cj Zj 5 6.5 5 5.5 0 0 0
INDICADORES
Cj Zj representa la utilidad neta que se obtiene al introducir una unidad Xj en la solucin, tambin se podra interpretar como el costo de
oportunidad al no introducir una unidad Xj. Los elementos de la fila Cj Zj se los llama indicadores

La primera tabla completa es la que presentamos a continuacin:
La TABLA I nos presenta toda la
Cj 5 6.5 5 5.5 0 0 0 informacin que se requiere para resolver
Ck Xk X1 X2 X3 X4 s1 s2 s3 b un problema de programacin lineal, los
0 s1 2 2 1.5 4 1 0 0 180 valores de la solucin que se presentan en
0 s2 2 2.5 2 1.5 0 1 0 230 el lado derecho de la tabla, las razones o
0 s3 2 1 3 2 0 0 1 450 tasas de sustitucin de una variable por
otra, las cuales aparecen en el cuerpo de la
Zj 0 0 0 0 0 0 0 0
tabla y el costo de oportunidad que se
Cj Zj 5 6.5 5 5.5 0 0 0 muestra en la parte inferior de la tabla.
El mtodo simplex funciona desplazndose de un vrtice de la regin factible a otro que le sea adyacente. La tabla original representa el vrtice
que se encuentra en el origen, ya que se tiene X1 = 0, X2 = 0, X3 = 0, X4 = 0, esto significa no fabricar los cuatro productos, esta sera la
SOLUCIN INICIAL BSICA FACTIBLE del problema, en la cual: s1 = 180 s2 = 230 s3 = 450
Solucin Basica Inicial X1 ; X 2 ; X 3 ; X 4 ; s1 ; s2 ; s3 0;0;0;0;180;230;450 donde Z 0
El mtodo simplex funciona incluyendo en la solucin la variable que ms costo de oportunidad Cj Zj tenga y sacando una de las variables de
las que menor utilidad bruta Zj tiene, en cada iteracin o cambio de tabla.
Con este mtodo y sin hacer uso de una grfica, se puede determinar que variable entra en la solucin y cul de ellas sale, aplicando las
siguientes reglas:
Regla para determinar la variable entrante: Para determinar qu variable entra en la solucin se selecciona la que tenga mayor valor para
Cj Zj
Regla para determinar la variable saliente: Se calcula el cociente entre los valores de la solucin (columna b) y los coeficientes de la
columna de la variable entrante, (slo para los coeficientes positivos). La variable que sale es la corresponde a la fila que tenga el cociente ms
pequeo.

Observamos la TABLA I y aplicamos:
la regla de entrada: el mayor valor Cj Zj es 6.5 entonces seleccionamos X2 para entrar en la solucin y sombreamos la columna
correspondiente.
la regla de salida: efectuamos los cocientes, uno para cada fila de los coeficientes de la columna b con sus correspondientes de la columna de
la variable entrante X2 y obtenemos los siguientes valores 180/2 = 90, 230/2.5 = 92, 450 /1 = 450, como el cociente ms pequeo es 90,
correspondiente a la primera fila entonces s1 ser la variable que sale de la solucin. Sombreamos la fila correspondiente.
Cj 5 6.5 5 5.5 0 0 0
La interseccin de la columna de la variable que Ck Xk X1 X2 X3 X4 s1 s2 s3 b
entra X2 y la fila de la variable que sale s1, ambas 0 s1 2 2 1.5 4 1 0 0 180 1802 = 90 Variable saliente
sombreadas, se denomina elemento pivote el cual
0 s2 2 2.5 2 1.5 0 1 0 230 2302.5 = 92
mostramos dentro de un crculo.
0 s3 2 1 3 2 0 0 1 450 4501 = 450
Zj 0 0 0 0 0 0 0 0
Cj Zj 5 6.5 5 5.5 0 0 0
Variable entrante
Despus de aplicar las reglas de entrada y salida el siguiente paso del mtodo simplex es transformar la tabla en una nueva solucin, usando el
elemento pivote. Esto puede hacerse mediante el proceso de eliminacin de Gauss o el mtodo de Gauss-Jordan, el cual transforma la tabla, pero
mantiene la misma solucin para las ecuaciones de restriccin
Cj 5 6.5 5 5.5 0 0 0
Ck Xk X1 X2 X3 X4 s1 s2 s3 b
En el ejemplo el elemento a tomar como pivote es 2, debemos entonces primero para 0 s1 1 0.75 2 0.5 0 0 90
tomar pivote igual a 1, multiplicar la fila 1 de nuestra tabla por , de manera que 0 s2 2 2.5 2 1.5 0 1 0 230
obtenemos la siguiente tabla: 0 s3 2 1 3 2 0 0 1 450
Zj 0 0 0 0 0 0 0 0
Cj Zj 5 6.5 5 5.5 0 0 0

Aplicamos Gauss-Jordan y tomando como pivote al elemento mencionado, obtenemos la siguiente tabla
Cj 5 6.5 5 5.5 0 0 0
Variables del Valor
C k Variables problema
de la solucin
X1 X2 X3 X4 s1 s2 s 3 de la La fila del pivote se escribe como en la tabla anterior y la columna del
Solucin pivote se completa con ceros (sombreadas en amarillo)
6.5 X2 1 1 0.75 2 0.5 0 0 90
Los restantes nmeros de la segunda y tercera fila los completamos con la regla
0 s2 0.5 0 0.125 3.5 1.25 1 0 5 del rectngulo (escritos en verde)
0 s3 1 0 2.25 0 0.5 0 1 360
La fila Zj la calculamos multiplicando escalarmente el vector columna Ck por
Zj 6.5 6.5 4.875 13 3.25 0 0 585 los vectores columnas de las variables bsicas y no bsicas del problema.
Cj Zj 1.5 0 0.125 7.5 3.25 0 0
En lugar de S1 variable saliente, escribimos el nombre de la variable entrante: X2 y en

la columna de la izquierda el coeficiente respectivo de la misma en la funcin objetivo.
Observando la tabla podemos determinar las variables bsicas y las no bsicas:
X 1 0 X 3 0 X 4 0 s1 0 X 2 90 s2 5 s3 360
variables no bsicas variables bsicas
Podemos escribir una nueva solucin:
Segunda Solucin Factible X1 ; X 2 ; X 3 ; X 4 ; s1 ; s2 ; s3 0;90;0;0;0;5;360 donde Z 585
Es la solucin ptima?

A esta tabla la denominamos: TABLA II
Cj 5 6.5 5 5.5 0 0 0
Variables del Valor
La Tabla II todava no nos da la solucin ptima ya que la fila
Ck Variables problema X1 X2 X3 X4 s1 s2 s3 de la
de la solucin Solucin C j Z j tiene un valor positivo de costo de oportunidad.
6.5 X2 1 1 0.75 2 0.5 0 0 90
0 s2 0.5 0 0.125 3.5 1.25 1 0 5 Ahora iniciamos la segunda iteracin del algoritmo.
0 s3 1 0 2.25 0 0.5 0 1 360 Como 0.125 es el valor positivo ms alto de la fila C j Z j , la
Zj 6.5 6.5 4.875 13 3.25 0 0 585 variable X 3 es la variable entrante.
Cj Zj 1.5 0 0.125 7.5 3.25 0 0
Al calcular los cocientes se ve que la segunda fila tiene el cociente
ms pequeo (40); por ello s2 es la variable saliente en esta tabla.
Cj 5 6.5 5 5.5 0 0 0
Variables del Valor
C k Variables
de la solucin
problema X1 X2 X3 X4 s1 s2 s3 de la
Solucin
6.5 X2 1 1 0.75 2 0.5 0 0 90 90 0.75 = 120

0 s2 0.5 0 0.125 3.5 1.25 1 0 5 5 0.125 = 40 Variable saliente
0 s3 1 0 2.25 0 0.5 0 1 360 3602.25 = 160

Zj 6.5 6.5 4.875 13 3.25 0 0 585
Cj Zj 1.5 0 0.125 7.5 3.25 0 0
Variable entrante
Al tomar el elemento ubicado en la columna tres y la fila dos como pivote, y dividiendo la fila dos por 0.125 se obtiene la siguiente tabla:

Cj 5 6.5 5 5.5 0 0 0
Variables del Valor
Ck Variables problema X1 X2 X3 X4 s1 s2 s3 de la
de la solucin Solucin
6.5 X2 1 1 0.75 2 0.5 0 0 90
Aplicamos nuevamente Gauss-Jordan tomando como
0 s2 4 0 28 10 8 0 40 pivote el elemento elegido oportunamente, realizamos
todos los pasos necesarios y obtenemos la TABLA III:
0 s3 1 0 2.25 0 0.5 0 1 360
Zj 6.5 6.5 4.875 13 3.25 0 0 585
Cj Zj 1.5 0 0.125 7.5 3.25 0 0
Cj 5 6.5 5 5.5 0 0 0
Variables del Valor
Ck Variables
de la solucin
problema X1 X2 X3 X4 s1 s2 s3 de la
Solucin
6.5 X2 4 1 0 23 8 6 0 60 Como ningn valor C j Z j es positivo, la

5 X3 4 0 1 28 10 8 0 40 solucin encontrada es la ptima; en este punto ya
0 s3 10 0 0 63 22 18 1 270 no es posible incrementar la utilidad neta.
Zj 6 6.5 5 9.5 2 1 0 590 La solucin ptima en la tercera tabla es:

Cj Zj 1 0 0 4 2 1 0
Siendo X1, X4, s1 y s2 las variables no bsicas de la solucin ptima (no figuran en la columna de las variables de la solucin por ende su
solucin es nula y X2, X3 y s3 son las variables bsicas.
Solucin Optima X1 ; X 2 ; X 3 ; X 4 ; s1 ; s2 ; s3 0;60;40;0;0;0;270 donde Z 590

Interpretacin de los resultados
En esta tabla observamos que la utilidad neta Cj Zj para cada variable es cero o negativo, lo cual significa que hemos alcanzado la tabla ptima
o solucin ptima del problema de programacin lineal desde el punto de vista matemtico.
Qu significan estos resultados como ayuda a la toma de decisiones de esta organizacin?
Recordamos que en nuestro ejercicio tenemos 4 variables decisorias de las cuales solamente en la base se encuentran X2 y X3, esto indica que se
deben producir del producto 2, 60 unidades y del producto 3, 40 unidades para lograr un beneficio ptimo de $590.
En otras palabras no hay combinacin alguna bajo las condiciones de nuestro ejemplo que supere este beneficio.
La variable (holgura) s3 que en nuestro ejemplo representa los operarios disponibles para la produccin de los productos (ver restricciones)
significa que hay unos 270 operarios sin producir de un total de 450.
Qu importancia tiene para nosotros la informacin restante dada por esta solucin?
Por ejemplo, el costo de oportunidad de la variable decisoria (no bsica) X4 = 4 indica que por cada unidad que se fabrique de este producto
nuestro beneficio ptimo se reduce en este valor; tambin las variables de holgura s1, s2 que nos indica materia prima y volumen de
almacenamiento respectivamente significa que si empleamos un kilo ms de materia prima (s1) nuestro beneficio se reduce en $ 2 por kilo.
Recuerde que la solucin obtenida cumple todas las restricciones.

El mtodo simplex implica la realizacin de un nmero considerable de pasos, un resumen de esos pasos principales es el
siguiente:
a) Cambiar las desigualdades de las restricciones por igualdades agregando variables de holgura.
Preparar la primera tabla.
b) Seleccionar la columna clave para entrar en la solucin, tomando como criterio el valor positivo ms alto de Cj Zj.
Si ningn valor Cj Zj es positivo. Se ha alcanzado la solucin ptima.
c) Calcular el cociente entre los valores de la columna b y los coeficientes positivos de la columna clave.
Elegir la fila clave, tomando el cociente ms pequeo.
d) Transformar la tabla estableciendo como pivote el elemento que se encuentra en la interseccin de la fila y la columna
claves.
Usando el mtodo de eliminacin de Gauss o Gauss - Jordan, calcular de nuevo los valores Zj y Cj Zj y regresar
al paso b).

A continuacin resolveremos el Ejercicio: 4 y 5 a) de la gua de Trabajos Prcticos en forma grfica y analtica para que puedas vincular el
procedimiento del Mtodo Simplex con la resolucin grfica del mismo.
Maximizar Z x 2 y (Funcional lineal o funcin objetivo)

2x y 8 x 0
Sujeta a las restricciones Con condiciones de no negatividad
2 x 3 y 12 y 0
RESOLUCIN GRFICA ANALTICA
La regin de factibilidad es acotada.

Hallamos los vrtices de la regin factible:
(0;0) , (4;0) y (0;4) resultan inmediatos, mientras que

2x y 8
(3;2) es solucin del sistema
2 x 3 y 12
Evaluamos la funcin objetivo en los vrtices:

Z 0;0 0 2.0 0
Z 0;4 0 2.4 8
Z 3;2 3 2.2 7
Z 4;0 4 2.0 4
Maximiza en (0;4) y es Z 8 o sea Mximo: 0;4;8

RESOLUCION UTILIZANDO MTODO SIMPLEX
El simplex nos permite hallar los mximos y los mnimos de una funcin en cierta regin. Se puede aplicar aunque haya ms de dos variables.
Primero cada inecuacin la convertimos en una ecuacin agregando una variable de holgura o Slack que se suma en caso de menor igual y se
resta en caso de mayor o igual.
Las variables de holgura no aportan nada al valor de la funcional,
2 x y 8 2. x 1.y 1. S1 0. S 2 8
por eso tienen en la expresin de la funcional coeficiente cero.
2 x 3 y 12 2. x 3. y 0. S1 1. S 2 12
Z x 2.y Z 1.x 2.y 0.S1 0.S2
En la solucin ptima estas variables indican la cantidad de recursos disponibles no utilizados. Si valen cero significa que se han utilizado todos
los recursos y se dice que el recurso est saturado.
El mtodo distingue dos tipos de variables: bsicas y no bsicas
cj 1 2 0 0 Bsicas:
Se identifican porque
ck xk x1(x) x2(y) S1 S2 b en la tabla la columna
que encabezan es un
0 S1 2 1 1 0 8 Primera restriccin vector cannico
0 S2 2 3 0 1 12 Segunda restriccin No Bsicas:

Valor inicial de la En la solucin valen
Zj 2.0 + 2.0 = 0 1.0 + 3.0 = 0 1.0 + 0.0 = 0 0.0 + 1.0 = 0 8.0 + 12.0 = 0 funcin objetivo cero.
cj zj 10=1 20=2 00=0 00=0
En cada paso se trata de transformar una variable no bsica en bsica tratando de maximizar la funcin.
Completamos la tabla con los cj que son los coeficientes de la funcional Z = 1.x+2.y +0.S1+0.S2

S1 y S2 son las variables bsicas (encabezan columnas de vectores cannicos), x e y son las variables no bsicas
Solucin bsica inicial x; y; S1 ; S 2 0; 0; 8; 12 Z 0 Observa que esta solucin inicial corresponde a la que
se obtiene en el vrtice (0; 0) de la resolucin grfica
La tabla inicial representa el vrtice que se encuentra en el origen. Hemos obtenido el primer vrtice de la regin de factibilidad V1 0;0
Ahora se debe elegir una variable de entrada entre las no bsicas y una variable de salida entre las bsicas
Entre las no bsicas x e y elegimos aquella que corresponde a

cj 1 2 0 0
la columna de coeficiente positivo de mayor valor en la fila
ck xk x1(x) x2(y) S1 S2 b cj zj
0 S1 2 1 1 0 8 8/1 = 8 En nuestro caso es y luego la variable de entrada es y.
0 S2 2 3 0 1 12 12/3 = 4 Pintamos la columna
zj 0 0 0 0 0 Entre las bsicas S1 o S2 elijo la variable de salida, para eso
cj zj 1 2 0 0 calculo los cocientes entre los elementos de la columna b con
los respectivos coeficientes de la columna de entrada o sea y
cj 1 2 0 0 Elegimos la fila cuyo cociente positivo es menor o sea en nuestro caso la

variable de salida es S2. Pintamos le fila correspondiente
ck xk x1(x) x2(y) S1 S2 b
0 S1 2 1 1 0 8 Para transformar la tabla debemos utilizar el mtodo del pivote, el
nmero que resulta de la interseccin de la columna y fila elegida es 3.
2 y 2/3 0 1/3 4
Como el pivote debe ser 1, divido la fila por 3
zj 0 0 0 0 0
Se obtiene el pivote y se debe sustituir S2 y en su lugar poner y y
cj zj 1 2 0 0 donde est el coeficiente 0 de S2 poner el 2 de la y.

cj 1 2 0 0
ck xk x1(x) x2(y) S1 S2 b Escribimos la fila del pivote y completamos la columna con tantos ceros
0 S1 0 como sean necesarios.
2 y 2/3 1 0 1/3 4 Los restantes nmeros en este caso de la primera fila los calculamos por la
regla del rectngulo
zj
cj zj Luego calculamos z j y c j z j
En esta nueva tabla las variables bsicas son: S1 = 4, y = 4, la funcin

cj 1 2 0 0
Z 8 , las variables no bsicas son: x = 0, S2 = 0
Obtenemos una nueva solucin y la misma nos da otro vrtice de la
0 S1 4/3 0 1 1/3 4 regin de factibilidad adyacente al anterior: V = (0; 4)
2 y 2/3 1 0 1/3 4
Observando la ltima fila nos encontramos frente a la solucin ptima ya
zj 4/3 2 0 2/3 Z=8 que ninguno de los c j z j es positivo, o sea en este punto no es posible
cj zj 1/3 0 0 2/3 incrementar la utilidad neta. Luego:
( ) ( )
Solucin ptima x; y; S1 ; S2 0; 4; 4; 0 Z 8
Observa que esta solucin ptima coincide con el vrtice

(0; 4) de la resolucin grfica, en el cual se optimiza Z
Adems de la solucin se concluye que del recurso 1: sobran 4 unidades y del recurso 2: no sobran unidades o sea el recurso 2 se dice est
saturado.

Representamos grficamente para que visualicen la situacin:
( ) En la columna de x1(x) el valor de c j z j 1 / 3 significa que: si x aumenta de

0 a 1 el valor de Z disminuye en $ 1/3, significa que si quisiramos fabricar una
unidad del producto 1 dejaramos de ganar $ 1/3, a esto se lo denomina costo de
oportunidad del producto 1
Z (0;4) 0 2.4 8
10 10 23
Z (1; ) 1 2.
3 3 3
10 23 1
Z (0;4) Z (1; ) 8 ( )
3 3 3
( x; y ) (0;4) (1 )(3;2)
2
x (1 )3 como x 1 1 (1 )3
3 10
( x; y ) 1;
2 2 10 3
y 4 2(1 ) reemplazando y 4. 3 2(1 3 ) y 3

( ) En la columna de S2 el valor de c j z j 2 / 3 , significa que: si S2 aumenta en 12 a 13, entonces Z aumenta en $ 2/3. A este valor se lo
denomina Contribucin marginal del recurso 2

La contribucin marginal representa el aumento de la funcin Objetivo si tuviramos una unidad ms del recurso S2. Influye directamente en la
decisin de incorporar o no ms unidades segn el costo, ya que si tuviramos que pagar para obtener una unidad de ese recurso no se pagara
ms de esa cifra porque si no perderamos plata. Se lo conoce como precio sombra (precio mximo adicional por cada unidad que se est
dispuesto a pagar).
En el caso de S1 la contribucin marginal es cero ya que el recurso no se us totalmente.

Frente a esta situacin el sistema se modifica, ya que la disponibilidad cambia.
2 x y 8
13 13
2 x 3 y 13 (1 unidad ms). Interseccin con el eje x : 2 ;0 , Interseccin con el eje y : 0 ; 3

Z (0;4) 0 2.4 8
13 13 26
Z (0; ) 0 2.
3 3 3
13 26 2
Z (0;4) Z (0; ) 8 ( )
3 3 3
Si realizamos nuevamente el proceso ahora contando con una unidad ms del segundo recurso, es decir en cambio de 12 unidades, 13 unidades.
Podramos observar que al finalizar el mtodo Simplex, Z, es decir nuestra funcin objetivo ha aumentado en aproximadamente $2/3
cj 1 2 0 0
0 S1 2 1 1 0 8 8/1=8
0 S2 2 3 0 1 13 13/3=4,33
Zj 0 0 0 0 0
cj zj 1 2 0 0

cj 1 2 0 0
0 S1 2 1 1 0 8
0 S2 2/3 0 1/3 13/3
Zj 0 0 0 0 0
cj zj 1 2 0 0
cj 1 2 0 0
0 S1 4/3 0 1 1/3 11/3
2 y 2/3 1 0 1/3 13/3
Zj 4/3 2 0 2/3 26/3 8,67
cj zj 1/3 0 0 2/3
Observacin a tener en cuenta:

El mtodo Simplex es un proceso de iteracin, para hallar la solucin ptima inicia el proceso en el vrtice (0;0) de la
regin de factibilidad y recorre los vrtices de la misma a travs de las aristas hasta encontrar la solucin que optimiza la
funcin objetivo. El criterio de eleccin de las variables entrante y saliente nos garantiza el recorrido mnimo en la
bsqueda del ptimo.

B. SOLUCIONES NO ACOTADAS.
Hemos analizado ya grficamente la posibilidad de que un problema de programacin lineal puede no tener valor ptimo mximo debido a que
la regin de soluciones factibles es no acotada. En este caso decimos que el problema tiene una solucin no acotada.
Esta situacin se puede advertir a travs del mtodo Simplex cuando no hay cocientes posibles en la tabla del simplex para una variable que
entra.
Ejemplo 4 x1 2 x2 4

3 x1 x2 6
Maximizar Z 2 x1 7 x 2 sujeta a
5 x1 7.5
x , x 0
1 2
Si analizamos la tabla inicial observamos que:
Cj 2 7 0 0 0
Ck Xk X1 X2 s1 s2 s3 b La variable entrante en este caso es X2 y cmo se puede
ver en la tabla no hay cocientes posibles de realizar; dado
0 s1 4 2 1 0 0 4 No hay cociente que el divisor es negativo o nulo, Si recordamos que el
0 s2 3 1 0 1 0 6 No hay cociente cociente representa el valor con el que entra en la prxima
0 5 0 0 0 1 7.5 solucin la variable entrante, se advierte claramente que
s3 No hay cociente
este valor no puede ser negativo.
Zj 0 0 0 0 0 0
Cj Zj 2 7 0 0 0
Variable Entrante

En general, tomaremos la siguiente regla:
Si no existen cocientes posibles de realizar en una tabla del simplex, entonces el problema de programacin lineal tiene una solucin no acotada.
Si representamos grficamente la regin de soluciones factibles vemos que la misma corresponde a una regin abierta, por lo tanto como nuestro
objetivo es maximizar la funcin objetivo ello no es posible.

C. SOLUCIONES PTIMAS MLTIPLES
En general, adoptaremos la siguiente regla para el caso de soluciones mltiples:
En una tabla que contiene una solucin ptima, un indicador nulo para una variable no bsica sugiere la posibilidad de
que existan soluciones ptimas mltiples
x1 2 x2 3 x3 6
Ejemplo
Maximizar Z = x1+ 4x2 + 6x3, sujeta a 2 x1 5 x2 x3 10
x ,x ,x 0
1 2 3
La tabla inicial del simplex es:
Cj -1 4 6 0 0
Aclaracn:
Ck Xk X1 X2 X3 s1 s1 b V.S V. E ( variable entrante)
0 s1 1 2 1 0 6 6 3=2 V. S (variable saliente)
0 s2 2 5 1 0 1 10 10 1=10
Zj 0 0 0 0 0 0
Cj Zj 1 4 6 0 0
V.E
Solucin bsica inicial x1 ; x 2 ; x 3 ; S1 ; S 2 0;0;0;6;10 Z 0

Tomando como pivote el elemento que se encuentra en la interseccin de la variable entrante y saliente, obtenemos la siguiente tabla al dividir la
fila del pivote por 3.
Cj 1 4 6 0 0
Ck Xk X1 X2 X3 s1 s1 b
0 s1 1/3 2/3 1/3 0 2 V.S
0 s2 2 5 1 0 1 10
Zj 0 0 0 0 0 0
Cj Zj 1 4 6 0 0
V.E
Aplicamos Gauss-Jordan y calculamos posteriormente los Z j y los C j Z j la tabla que obtenemos es
Cj 1 4 6 0 0
Ck Xk X1 X2 X3 s1 s2 b Como todos los indicadores son no positivos, tenemos entonces una solucin
ptima, que escribimos:
6 X3 1/3 2/3 1 1/3 0 2
0 s2 7/3 17/3 0 1/3 1 8
Solucin Optima x1 ; x2 ; x 3 ; S1 ; S 2 0;0;2;0;8 Z 12
Zj 2 4 6 2 0 12
Cj Zj 3 0 0 2 0
Observacin:
El indicador de la variable no bsica X2 vemos que es nulo,
lo que sugiere la idea de soluciones mltiples.

Si consideramos entonces a X2 como variable entrante, queda despus de efectuar los cocientes que X3 es la variable saliente.
Cj 1 4 6 0 0
Ck Xk X1 X2 X3 s1 s2 b V.S
6 X3 1/3 2/3 1 1/3 0 2 22/3=3
7/3 17/3 1/3
No hay
0 s2 0 1 8 cociente
Zj 2 4 6 2 0 12
Cj Zj 3 0 0 2 0
V.E
Multiplicamos la primera fila por 3/2 para obtener como pivote a 1, luego aplicamos Gauss-Jordan y calculamos posteriormente los Z j y los
C j Z j . La tabla que obtenemos es:
Cj 1 4 6 0 0 Como los indicadores son no positivos, la solucin es ptima

Ck Xk X1 X2 X3 s1 s2 b
X1 = 0 X2 = 3 X3 = 0 s1 = 0 s2 = 25 Z = 12
4 X2 1/2 1 3/2 1/2 0 3
0 s2 1/2 0 17/2 5/2 1 25 Solucin Optima x1 ; x2 ; x3 ; S1 ; S 2 0;3;0;0;25 Z 12
Zj 2 4 6 2 0 12
C j Z j 3 0 0 -2 0 En la ltima solucin X3 es no bsica y su indicador es nulo. Sin embargo,
si se repitiera el proceso para determinar otras soluciones ptimas, se
volvera a la segunda tabla. Por ello, el procedimiento no ofrece otras soluciones ptimas.
Por lo tanto: las soluciones ptimas mltiples del problema planteado se expresan de la siguiente forma:
S (0;0; 2) (1 ) (0; 3;0) con 0 1

MTODO DUAL
Dado cualquier problema de programacin lineal, al que se denomina primal, se le puede asociar otro problema de programacin lineal que se
denomina dual.
El dual es un problema de PL que se obtiene matemticamente de un modelo primal de PL dado.
Los problemas dual y primal estn relacionados de tal forma que la solucin ptima de cualquiera de los dos problemas conduce en forma
automtica a la solucin ptima del otro. Se dice que ambos problemas son mutuamente duales.
El concepto de dualidad indica que para cada problema de PL hay una asociacin y una relacin muy importante con otro problema de
programacin lineal, llamado precisamente dual.
La relacin entre el problema dual y su asociado, es decir el problema original, presenta varias utilidades:
Aporta elementos que aumentan sustancialmente la comprensin de la PL.
El anlisis de dualidad es una herramienta til en la solucin de problemas de PL, por ejemplo: cuando hay ms restricciones que variables.
Cmo convertir un problema primal a dual?

Un problema dual se formula a partir del problema primal de la siguiente forma:
1. Si el primal es un problema de maximizacin su dual ser un problema de minimizacin y viceversa.
2. Los coeficientes de la funcin objetivo del problema primal se convierten en los coeficientes del vector de la disponibilidad en el problema
dual.
3. Los coeficientes del vector de disponibilidad del problema original se convierten en los coeficientes de la funcin objetivo (vector de costo o
precio) en el problema dual.
4. La matriz de los coeficientes de las restricciones del dual es la traspuesta de la matriz de los coeficientes de las restricciones del original.
5. Los signos de desigualdad del problema dual son contrarios a los del primal. Si todas las restricciones del problema original son de ( ) ,
entonces todas las restricciones de su dual son de ( ) .
Aclaracin: Las restricciones de igualdad, se sustituyen por dos restricciones de desigualdad, una de forma y la otra de forma
6. Cada restriccin en un problema corresponde a una variable en el otro problema. Si el primal tiene m restricciones (variables de holgura) y n
variables estructurales, el dual tendr n restricciones y m variables. As, las variables Xn del primal se convierte en nuevas variables Ym en el
dual.

Original Dual Dual Original
Maximizar Z c1 x1 c2 x 2 cn xn Minimizar W b1 y1 b2 y2 bm ym
a11 x1 a12 x2 a1 n xn b1 a11 y1 a21 y2 a m 1 ym c1

a21 x1 a22 x2 a2 n xn b2 a12 y1 a22 y2 a m 2 y m c2

sujeta a : sujeta a :
am 1 x1 am 2 x2 amn xn bm a1n y1 a2 n y2 amn ym cn

x1 , x2 , , xn 0 y1 , y2 , , ym 0
RELACIONES ENTRE LOS PROBLEMAS DUAL Y PRIMAL.
Si el original tiene solucin ptima, tambin la tiene el dual, y el valor ptimo de la funcin objetivo del original es la misma que la de su dual.
Si el problema primal tiene solucin factible y regin de soluciones factibles no acotada, entonces el problema dual no tiene solucin factible.
Si si es la variable de holgura asociada con la i-sima restriccin del dual, entonces el indicador de la columna de si de la tabla del Simplex
final del dual, en valor absoluto, es el valor de Xi de la solucin ptima del original.

As se puede resolver el problema original simplemente resolviendo su dual. En ocasiones esto resulta ms conveniente que resolver en forma
directa el original.
Ejemplo
Veamos cmo se halla el problema dual de un problema de programacin lineal dado (primal)
I) Sea el siguiente PROBLEMA PRIMAL: El PROBLEMA DUAL queda planteado del siguiente modo:
Maximizar Z = 45 x1 17 x 2 55 x 3 Minimizar W 200 y1 5000 y 2 4000 y 3
x1 x2 x3 200 y1 9 y2 10 y3 45

9 x1 8 x2 10 x3 5000 y1 8 y2 7 y3 17
Sujeta a : Sujeta a :
10 x1 7 x2 21 x3 4000 y1 10 y2 21 y3 55
x , x , x 0 y , y , y 0
1 2 3 1 2 3
II) Sea el siguiente PROBLEMA PRIMAL: El PROBLEMA DUAL queda planteado del siguiente modo:
Minimizar Z 2 x1 3 x2 Maximizar W 12 y1 3 y2
x1 2 x2 12 y1 4 y2 2

Sujeta a : 4 x1 2 x2 3 Sujeta a: 2 y1 2 y2 3
x , x 0 y , y 0
1 2 1 2

ASPECTOS ECONMICOS: ANLISIS POST-PTIMO
En Programacin Lineal un sistema de produccin se representa mediante un modelo o matriz en el que se incluyen:
costos o ingresos generados por unidad de actividad (funcin objetivo)
aportes y requerimientos de insumos y productos por unidad de cada actividad considerada (coeficientes insumo/producto).
disponibilidad de recursos, especificaciones tcnicas y empresariales a respetar ( RHS : Right-Hand-Side , trminos independientes del
conjunto de restricciones)
TASA MARGINAL DE SUSTITUCIN TCNICA

Es la relacin tcnica que define el reemplazo de dos actividades entre s manteniendo constante el uso de un determinado recurso.
INGRESO MARGINAL
Es el incremento en el resultado provocado por el ingreso en la solucin de una unidad adicional de una actividad.
CONTRIBUCIN MARGINAL DE LOS RECURSOS (PRECIO SOMBRA)
Cuando el objetivo es maximizar el resultado, el Costo de Oportunidad es el beneficio que se deja de percibir por no contar con
una unidad adicional de un recurso.
El Costo de Oportunidad de un recurso se determina en base al mejor uso alternativo. En trminos econmicos, es equivalente al
Valor del Producto Marginal del recurso (VPMg)
Los recursos escasos se asignan a aquellas actividades en las que el valor del producto marginal de cada recurso sea mayor.
El valor de los recursos obtenido de acuerdo al criterio de VPMg es interno, propio de cada situacin evaluada en funcin de las
alternativas consideradas tanto en sus aspectos de mercado (costos y precios) como tcnicos (funciones de produccin asociadas a
cada alternativa), y de la abundancia o escasez relativa de los recursos disponibles.
Por consiguiente, el Costo de Oportunidad Interno de un recurso puede diferir de su valor de mercado

COSTO DE OPORTUNIDAD DE LOS PRODUCTOS
En un problema de maximizacin, el Costo Marginal es el incremento en el costo total resultante de agregar una unidad de
actividad en la solucin.
En PL, el Costo Marginal de una actividad se calcula valuando los recursos consumidos por cada actividad segn el Costo de
Oportunidad Interno de los recursos.
PRINCIPIO DE OPTIMIZACIN (SIMPLEX)
En un problema de maximizacin, conviene incrementar la participacin de una actividad en el plan en tanto el Ingreso
Marginal sea mayor que el Costo Marginal que se incurra.
Se llega a una solucin ptima siguiendo un mecanismo iterativo, en la que cada solucin mejora sobre la previa a partir de
incluir actividades que aportan ms que lo que cuestan.
Se llega a una solucin ptima cuando no hay sustituciones factibles que permitan lograr un resultado mayor. Para todas las
actividades incluidas en el ptimo se cumple el principio:
Ingreso Marginal = Costo Marginal
COSTO DE SUSTITUCIN (COSTO REDUCIDO)
Indica la diferencia entre el Ingreso Marginal y el Costo Marginal para cada actividad.
En una solucin ptima, las actividades incluidas en el plan cumplen con la condicin Ingreso Marginal = Costo Marginal, por
lo que el Costo de Sustitucin de las mismas es igual a 0.
Las actividades no incluidas en el plan tienen un Costo Marginal mayor que su Ingreso Marginal. El Costo de Sustitucin
indica la magnitud de esta diferencia.

ANLISIS DE SENSIBILIDAD
En el mundo real, las condiciones de trabajo no suelen permanecer estticas, sino en continuo estado de cambio. As son usuales las variaciones
en los precios (tanto de productos finales como de materias primas, mano de obra, etc.), y en las cantidades de recursos disponibles. Adems,
continuamente se producen cambios en los mtodos productivos y mejoras tecnolgicas que logran aumentar la productividad.
El Anlisis de Sensibilidad (o de Post-optimalidad) se encarga precisamente de estudiar cmo afectara a la solucin ptima obtenida y a la
funcin objetivo el cambio (dentro de un rango predeterminado) de uno de los parmetros, manteniendo fijos los restantes.
Por ejemplo, si un fabricante estima al revisar los clculos que los beneficios por cada unidad de producto vendida es de $ 5,5 en vez de la
estimacin inicial de $5, o si resulta que ahora disponemos de recursos adicionales (cmo diez horas ms de mano de obra, o de una nueva
mquina), el Anlisis de Sensibilidad nos ayudar a conocer cmo afectarn estos cambios a la solucin ptima obtenida y a los beneficios totales.
Conviene hacer notar que este tipo de anlisis tan slo tiene sentido para modelos lineales no enteros (no se usa en modelos enteros ni
cuadrticos).
CONCEPTOS FUNDAMENTALES
CONCEPTOS BSICOS EN ANLISIS DE SENSIBILIDAD
El Anlisis de Sensibilidad se utiliza para examinar los efectos de cambios en tres reas diferenciadas del problema:
1. En los coeficientes de la funcin objetivo (coeficientes objetivo). Los cambios en los coeficientes objetivos NO afectan la forma de la regin
factible, por lo que no afectarn a la solucin ptima (aunque s al valor de la funcin objetivo).
2. En los coeficientes tecnolgicos (aquellos coeficientes que afectan a las variables de las
restricciones, situados a la izquierda de la desigualdad). Los cambios en estos coeficientes
provocarn cambios sustanciales en la forma de la regin factible. Grficamente (en el caso de 2
variables) lo que vara es la pendiente de las rectas que representan las restricciones.
3. En los recursos disponibles (los trminos independientes de cada restriccin, situados a la

derecha de la desigualdad). Intuitivamente (para 2 variables), los cambios en los recursos suponen
desplazamientos paralelos de las rectas asociadas a las restricciones, lo cual har variar la forma
de la regin factible y, con ello, a la solucin ptima.
Hay dos maneras de estudiar la sensibilidad de una solucin respecto a cambios en alguna de las reas antes mencionadas.
La primera de ellas sera volver a resolver todo el problema cada vez que alguno de los datos originales se haya modificado. Obviamente,
utilizando este mtodo, podra llevar bastante tiempo determinar todas las variantes cuando nos encontremos ante un conjunto amplio de posibles
cambios.
La otra forma (Anlisis de Sensibilidad) consistira en, una vez resuelto el problema, analizar cmo afectara a la solucin obtenida y al valor de
la funcin objetivo la variacin dentro de un rango tolerable, de uno de los parmetros, manteniendo fijos los restantes.
Por supuesto, en caso de que queramos estudiar los efectos de la variacin de ms de un parmetro (o de un parmetro ms all del rango de
tolerancia) deberemos reprogramar el problema.
1) CAMBIOS EN LOS COEFICIENTES OBJETIVO: Distinguiremos entre variables bsicas, que son las que toman valores no nulos en
la solucin ptima, y variables no bsicas, las cuales toman el valor 0. Dentro de los rangos especificados, los cambios en uno de los
coeficientes objetivo no alterarn la solucin ptima, pero s harn variar el valor final de la funcin objetivo.
(Ejemplificaremos al final del apartado.)
2) CAMBIOS EN LOS COEFICIENTES TECNOLGICOS: Estos cambios se deben a menudo a innovaciones tecnolgicas o a mejoras
en la productividad. Este tipo de cambios no producir variacin alguna en la funcin objetivo, pero s alterar sustancialmente la forma de
la regin factible, por lo que la solucin ptima tambin variar. Su anlisis puede llegar a ser muy complejo, motivo por el cual lo
omitiremos.
3) CAMBIOS EN LOS RECURSOS: Los valores que quedan a la derecha de las desigualdades (Right-Hand-Side) representan la
disponibilidad de recursos de la empresa (horas de mano de obra, materias primas, etc.). Los cambios que se puedan producir en estos valores
afectarn tambin a la forma de la regin factible y, por extensin, al valor de la solucin ptima. A pesar de ello, si el parmetro que vara
lo hace dentro de un rango predeterminado, seremos capaces de predecir (va precios sombra) cmo este cambio afectar a la funcin
objetivo, pues la base (conjunto de variables bsicas de la solucin) no variar.

Ejemplo
Queremos resolver el siguiente problema de Programacin Lineal referido a una compaa que produce dos tipos de lanchas acuticas, la que
desea maximizar el beneficio.
La Compaa AA SA fbrica dos tipos de lanchas acuticas que requieren para su elaboracin, de mano de obra con una disponibilidad diaria
de 1000 horas, y materia prima con un total disponible de 1200 kilos. El modelo 2 requiere para su elaboracin de un motor, de los cuales la
empresa dispone de un total de 200.
El beneficio que arrojan cada uno de los modelos se halla indicado en la tabla siguiente. As como las cantidades de cada insumo que son
necesarias para su elaboracin.
Surge entonces el planteo de la siguiente situacin:
Modelos
1 2
Insumo
Mano de obra/unidad 2 4
Materia prima Kg./unidad 6 2
Motores Tipo 2 1
Beneficio $ / unidad 30 80
(a) Cul es la mejor combinacin productiva? Cul es el beneficio mximo?

(b) Cunto valen los precios sombra? Una vez alcanzada la solucin ptima, qu recurso tiene un valor Maximizar B = 30x1 + 80x2
marginal ms elevado?
2 x1 4 x2 1000
(c) Para cada recurso, cul es el rango de tolerancia en el que son vlidos los precios sombra?
(d) Cules son los rangos de tolerancia en que pueden variar los coeficientes de la funcin objetivo? 6 x1 2 x2 1200
Sujeto a
x2 200
x , x 0
1 2
Comencemos a responder las preguntas formuladas en los tems anteriores

(a) La tabla simplex inicial que corresponde a este caso es
Cj 30 80 0 0 0
Ck Xk X1 X2 s1 s2 s3 b
0 s1 2 4 1 0 0 1000 10004= 250
0 s2 6 2 0 1 0 1200 12002= 600
0 s3 0 0 0 1 200 2001= 200 V.S
Zj 0 0 0 0 0 0
C j -Z j 30 80 0 0 0
V. E
Pivoteando en el elemento indicado obtenemos la siguiente tabla
Cj 30 80 0 0 0
Ck Xk X1 X2 s1 s2 s3 b
0 s1 2 0 1 0 4 200 2002 = 100
V.S
0 s2 6 0 0 1 2 800 8006= 133.3
80 X2 0 1 0 0 1 200 No hay cociente
Zj 0 80 0 0 80 16000
C j Z j 30 0 0 0 80
V. E

Cj 30 80 0 0 0 Cj 30 80 0 0 0
Ck Xk X1 X2 s1 s2 s3 b Ck Xk X1 X2 s1 s2 s3 b
0 s1 0 1/2 0 2 100 30 X1 1 0 1/2 0 2 100
0 s2 6 0 0 1 2 800 0 s2 0 0 3 1 10 200
80 X2 0 1 0 0 1 200 80 X2 0 1 0 0 1 200
Zj 0 80 0 0 80 16000 Zj 30 80 15 0 20 19000
Cj Zj 30 0 0 0 80 Cj Zj 0 0 15 0 20
Se observa en el output que lo ptimo ser producir 100 lanchas de tipo 1 y 200 de tipo 2, lo cual nos proporcionar un beneficio de $19.000.
Dado que la solucin ptima alcanzada es:
X1 = 100 lanchas mod.1 X2 = 200 lanchas mod. 2
s1 = 0 mano de obra s2 = 200 kg. Materia prima s3 = 0 motores tipo 2
B = $ 19.000
(b) El precio sombra de la primera restriccin es de $ 15, lo cual significa que estaramos dispuestos a pagar hasta $15 por disponer de una hora
ms de mano de obra. El precio sombra de la segunda restriccin es 0, lo cual resulta lgico dado que no agotamos toda la materia prima
disponible (en el ptimo an nos sobran 200 kg.). Finalmente, estaramos dispuestos a pagar hasta $20 por disponer de un motor adicional
de tipo 2, lo que convierte este recurso en el de mayor valor marginal.
(c) Los precios sombra anteriores son vlidos en los rangos establecidos por el output. As, por ejemplo, nuestros beneficios aumentaran en
$15 por cada hora extra de que dispusisemos hasta un mximo de 1.066,67 horas, cifra a partir de la cual deberamos replantear el
problema para poder hacer un anlisis correcto. Por otro lado, perderemos $15 por cada hora que se deduzca de las disponibles inicialmente
(1.000) hasta un mximo de 200 horas deducidas (a partir de aqu cabra reprogramar).
(d) El coeficiente de X1 en la funcin objetivo puede variar entre 0 y 40 pesos sin que por ello cambie la solucin ptima (aunque s los
beneficios obtenidos). Por su parte, el coeficiente de X2 podra variar entre 60 e infinito.
Calcularemos dichos valores en cada caso

ANLISIS DE SENSIBILIDAD DEL COEFICIENTE EN LA FUNCIN OBJETIVO DE LA VARIABLE X1
Si reemplazamos en la tabla ptima del Simplex el coeficiente de X1 en la funcin objetivo por c1
Cj c1 80 0 0 0
Ck Xk X1 X2 s1 s2 s3 b Para que la solucin siga siendo ptima los indicadores deben ser no
c1 X1 1 0 1/2 0 2 100 positivos por lo tanto:
0 s2 0 0 3 1 10 200 2c1 80 0 2c1 80 c1 40 (1)
80 X2 0 1 0 0 1 200 0.5 c1 0 c1 0 (2)

Zj c1 80 0.5c1 0 2c1+80 100c1+16000 Considerando que c1 representa el beneficio de las lanchas tipo 1,
C j Z j 0 0 0.5c1 0 2c1 80 entonces de (1) y (2) 0 c1 40
ANLISIS DE SENSIBILIDAD DEL COEFICIENTE EN LA FUNCIN OBJETIVO DE LA VARIABLE X2

Si reemplazamos en la tabla ptima del Simplex el coeficiente de X2 en la funcin objetivo por c2
Cj 30 c2 0 0 0
Ck Xk X1 X2 s1 s2 s3 b Para que la solucin siga siendo ptima los indicadores deben
30 X1 1 0 1/2 0 2 100 ser no positivos por lo tanto:
0 s2 0 0 3 1 10 200 60 c2 0 60 c2 c2 60
c2 X2 0 1 0 0 1 200 Considerando que c2 representa el beneficio de las lanchas tipo 2

Zj 30 c2 15 0 60 + c2 3000+200C2 entonces 60 c2
C j Z j 0 0 15 0 60 c2

BIBLIOGRAFA CONSULTADA
Anton, Howard. Introduccin al lgebra Lineal. Tercera edicin. Editorial Limusa. Grupo Noriega. Mxico. 1997.
Font, E.; Fraquelli, A.; Lazzari, L.; Loicono, T.; Montero de Diharce, Beatriz; Mouli, P.; Thompson, S. y Wartenberg, R.: lgebra
con aplicaciones a las ciencias econmicas. Ediciones Macchi. Buenos Aires. 1999.
Grossman, Stanley. lgebra Lineal. Quinta Edicin. Editorial Mc. Graw Hill. Interamericana de Mxico. 1997.
Lipshutz, Seymour. lgebra Lineal. Serie de Compendios Shaum, 1992.
Haeussler, Ernest. Paul, Richard. Matemticas para Administracin y Economa. Segunda edicin. Grupo Editorial Iberoamericana S.
A. de C. V. Mxico. 1992.
Rojo, Armando. lgebra lineal I. Editorial El Ateneo. Buenos Aires. 1995
Rojo, Armando. lgebra lineal II. Editorial El Ateneo. Buenos Aires. 1996
Indec: MIPA 97
Fraquelli, A; Gache, A: Material Didctico Foro de lgebra. FCE, UBA

Unidad 1 A 5 Teoria

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Unidad 1 A 5 Teoria

Transféré par

Droits d'auteur :

Formats disponibles

UNIDAD 1

Adicin 11 Ecuacin de la recta dados dos puntos del plano 37

Alicia Fraquelli Andrea Gache 2

La representacin del punto P 4;3 de 2

Alicia Fraquelli Andrea Gache 3

La representacin del punto P= 3;4;2 de 3

Alicia Fraquelli Andrea Gache 4

COMPONENTES CARTESIANAS O RECTANGULARES DE UN VECTOR

Dado el vector u definido por los puntos P1 x1 ; y1 y P2 x2 ; y2 las

componentes cartesianas o rectangulares son las proyecciones de ese vector

Se puede definir un vector como un par ordenado de nmeros reales. Esos

Alicia Fraquelli Andrea Gache 5

Alicia Fraquelli Andrea Gache 6

Alicia Fraquelli Andrea Gache 7

Alicia Fraquelli Andrea Gache 8

En el espacio el mdulo de un vector se define:

Alicia Fraquelli Andrea Gache 9

Alicia Fraquelli Andrea Gache 10

1) REGLA DEL PARALELOGRAMO

Alicia Fraquelli Andrea Gache 11

El vector suma es el mismo, independiente del

Alicia Fraquelli Andrea Gache 12

Alicia Fraquelli Andrea Gache 13

El producto .u y 0 es otro vector cuyos elementos son:

Sentido si 0 el sentido de .u es igual al del vector u

si 0 el sentido de .u es opuesto al del vector u

Cuando 0 se obtiene el vector nulo

Alicia Fraquelli Andrea Gache 14

El producto escalar de dos vectores en n es la funcin:

Donde: x ( x1 ; x2 ; x3 ; ... ; xn ) n e y ( y1; y2 ; y3 ; ... ; yn ) n

a) a b 1;2 5;4 1.5 2.4 5 8 13 a b 13

b) a c 1; 2 5;9 1.( 5) 2.9 5 18 13 a c 13

c) c b 5; 9 5;4 (5).5 9.4 25 36 11 c b 11

Alicia Fraquelli Andrea Gache 15

2. Distributividad respecto de la adicin de vectores:

4. El producto escalar de un vector no nulo por s mismo es siempre positivo

Alicia Fraquelli Andrea Gache 16

Dados los vectores u (1; 3) y v ( 3; 1) de 2

Dos vectores son paralelos si sus componentes son proporcionales u v v .u

Alicia Fraquelli Andrea Gache 17

Se llama as al vector que tiene origen en el origen de coordenadas y extremos en el punto P

En 2 sean los puntos de coordenadas O 0;0 y P a; b el vector asociado al punto P es el vector

En 3 sean los puntos de coordenadas O 0;0;0 y P a; b ; c el vector asociado al punto P es el vector

Alicia Fraquelli Andrea Gache 18

EXPRESIN CARTESIANA DE UN VECTOR

Alicia Fraquelli Andrea Gache 19

Sean los vectores u 2;3 v 5; 3 w 1;2 de 2

a) Expresarlos en forma cartesiana

u 2v 4 w 2;3 2 5; 3 4 1;2 2;3 10; 6 4;8 16; 11

Alicia Fraquelli Andrea Gache 20

Alicia Fraquelli Andrea Gache 21

Por adicin de vectores OP OP0 P0 P , reemplazando P0 P v obtenemos la

Pasa por el punto P0 (1;4) y tiene por vector director a v (3;1 )

Alicia Fraquelli Andrea Gache 22

Sabemos que la ecuacin vectorial de la recta es ( x ; y ) ( x0 ; y0 ) ( v x ; v y ) con

( x; y ) ( x0 ; y0 ) ( v x ; v y ) con Dos vectores son iguales si y slo si

Alicia Fraquelli Andrea Gache 23

( x ; y ) ( 1;4) (3;1) con

Ecuacin paramtrica Ecuacin simtrica

Alicia Fraquelli Andrea Gache 24

vector director, operando:

ECUACIN GENERAL O IMPLCITA DE LA RECTA EN EL PLANO

Si llamamos A vy B v x C v x y0 v y x 0 Ax By C 0 Ecuacin general o implcita de la recta