Académique Documents
Professionnel Documents
Culture Documents
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
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
Ejemplo
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 .
En 2 :
Es decir:
u ux ; u y x2 x1 ; y2 y1
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
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
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
x2 x1 y2 y1
2 2
u
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
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
Ejemplo
Ejemplo Observacin
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.
Mdulo .u . u
Ejemplo
Direccin .u es igual a la direccin de u
: n n / x y x1 . y1 x2 . y2 ... xn . yn
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
d) a a 1; 2 1; 2 1.1 2.2 1 4 5 a a5
1. Conmutativa
x y y x
x (y z) x y x z
3. Asociatividad mixta
( x y ) ( x ) y
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
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
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
Ejemplo
Dado un vector OP 4;3 de su expresin cartesiana es OP 4 i 3 j
2
Ejemplos
b) Calcular u 2v 4w
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
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
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 .
OP OP0 P0 P OP0 v
x; y x0 ; y0 v x ; v y
Ecuacin Vectorial de la recta
con
Ejemplo 1
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 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
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 )
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
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
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
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
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
Hallar las ecuaciones paramtricas y en forma simtrica de la recta cuya ecuacin general es: 2 x 3 y 6 0
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
Hallar las ecuaciones vectorial, explcita, implcita, segmentaria y en forma paramtrica de la recta que pasa por P 4;5 y tiene
pendiente 2.
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
OP OP0 P0 P OP0 v
x ; y ; z x0 ; y0 ; z0 v x ; v y ; v z con
Ejemplo 2
Ejemplo 3
( 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
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 )
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
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
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
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 )
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.
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
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; 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
Ecuacin simtrica de la recta
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 )
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.
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
Alicia Fraquelli Andrea Gache 39
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 .
A partir de la ecuacin normal del plano se puede obtener muy fcilmente su ecuacin general:
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:
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
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
4 x 2 y 5 z 12 0
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
Ejemplo 1 x y30
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
Ejemplo
MATRICES Y DETERMINANTES
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
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).
Alicia Fraquelli Andrea Gache 3
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 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
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
Alicia Fraquelli Andrea Gache 5
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
A n x n Diagonal de A a11 , a22 , , an n
Diagonal principal B 1, 2 , 0
Ejemplos
Diagonal principal A 1, 3
n
A nxn Traza de A ai i a11 a22 an n Tr B 3
1
Ejemplos
Tr A 4
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
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
Alicia Fraquelli Andrea Gache 7
MULTIPLICACIN DE UNA MATRIZ POR UN ESCALAR
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:
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
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
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
Observacin
Al resolver ambos productos podemos observar que
Por lo tanto podemos concluir:
La multiplicacin de matrices en general NO es conmutativa.
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
MATRIZ DIAGONAL
A (aij ) nxn es diagonal i , j : i j aij 0
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
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 ANTISIMTRICA
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
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
A.X B
A .( A . X ) A1 .B multiplicamos ambos miembros por izquierda por A1
1
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
Alicia Fraquelli Andrea Gache 19
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
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 )
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
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.
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
6 6
Costo total 12 12 1 / 2 6 18 20 25 2 20 18 12 171 20 486 2052 9720 11772
15 15
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
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
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
Nota: Esta regla permite transformar el clculo de un determinante de orden n; en n determinantes de orden n 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
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
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
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
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
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
3 1 5 3 1 5 1 5 3 5 3 1
Alicia Fraquelli Andrea Gache 33
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
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
Alicia Fraquelli Andrea Gache 34
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
Consecuencia :
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
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
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
Observacin
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
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
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
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
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:
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
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:
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
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:
1
Si A 0 entonces : A1 Adj A
A
Demostracin:
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
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
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
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.
Ejemplo 5
Observacin
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
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.
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.
Alicia Fraquelli Andrea Gache 48
Se elige como pivote cualquier elemento no nulo de la matriz dada, y si ste no es un 1 se divide por
El transformado de todo elemento que no figure en la fila ni en la columna del pivote, se determina
Se reitera el mecanismo eligiendo como pivote un elemento no nulo que no pertenezca ni a las filas
El procedimiento finaliza cuando no es posible obtener ningn pivote (distinto de cero) en las
de la matriz.
Alicia Fraquelli Andrea Gache 49
Ejemplo 1
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
Elegimos el 1 como pivote
El procedimiento ha terminado, ya que no es posible elegir otro nuevo pivote
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
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
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
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.
T
A AT AT A
T T
A A A A A A
T T T
1 2 3 4
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
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 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
En smbolos:
A y B nxn
A es idempotente A2 A
B es idempotente B 2 B
A y B son permutables A.B B.A
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
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
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
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.
Datos: Tesis: A 1
A es ortogonal si AT A 1
o en su expresin equivalente
A es ortogonal si A. AT I
Demostracin:
A.B A.B
T 1
Datos: Tesis:
A y B nxn
A es ortogonal AT A 1
B es ortogonal BT B 1
1 2 3
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:
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
Demostracin:
Datos: Tesis:
1
A es inversible existe A1 A 0 A 1
A
Demostracin:
Datos: Tesis:
A es no singular existe A 1
B=N
B.A N
Demostracin:
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.
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.
Alicia Fraquelli Andrea Gache 66
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.
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.
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.
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.
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
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.
Alicia Fraquelli Andrea Gache 71
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.
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
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
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
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.
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.
Alicia Fraquelli Andrea Gache 3
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:
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
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.
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.
Alicia Fraquelli Andrea Gache 6
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.
Usando la multiplicacin de matrices un sistema de ecuaciones lineales se puede expresar de la siguiente forma:
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
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
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
Para resolver un sistema hay que transformarlo en otro sistema ms simple, equivalente al sistema original, o sea debe tener las mismas
soluciones.
Se llaman operaciones o transformaciones elementales a aquellas modificaciones en un sistema de ecuaciones que lo transforman en otro
equivalente.
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
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
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.
Los sistemas obtenidos en cada caso son equivalentes al dado y tienen el mismo conjunto solucin.
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:
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
Conseguida la triangulacin resolvemos por sustituciones sucesivas empezando desde la ltima ecuacin hasta llegar a la primera ecuacin.
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.
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.
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
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.
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
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
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:
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.
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)
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)
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
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)
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
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
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
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 + 10 12 = 0 como A 0 A1
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
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
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
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
Propiedades:
Cualquier combinacin lineal de dos soluciones de un sistema homogneo es solucin del mismo.
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
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
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
Observa las soluciones halladas y vers que las mismas te sirven de ejemplo de las propiedades enunciadas en la pgina 29.
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
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
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
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
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)
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
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
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)
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
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)
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
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
En el siguiente sistema de ecuaciones lineales determinar todos los valores de k para los cuales el sistema resultante tenga:
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
3
Debemos ahora resolver el sistema para k k2 y clasificarlo para dichos valores.
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
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 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
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 1y r A 2 r A r A S .I a 0 b 2
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
d) Es incompatible cuando a 0 b 2
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.
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 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.
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
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
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.
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.
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.
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
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.
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
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.
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
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
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
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
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 )
SIGNIFICADO GEOMTRICO DE + Y .
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 ; ; ; . )
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 ; ; ; . )
S
S V
u S v S u v S
u S .u S
T) ( S ; ; ; . ) es subespacio vectorial de ( V ; ; ; . )
Ejemplo11
Ejemplo
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
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
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 )
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.
Ejemplo 1
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 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
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
Ejemplo 1
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
Alicia Fraquelli Andrea Gache 11
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 .
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.
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
Ejemplo
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 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
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
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
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
Ejemplo
Demostrar que si u , v L. I . en V u ; v u L. I . en V
Demostracin.
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.
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
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
Se debe demostrar que cualquier vector de 3 se puede expresar como combinacin lineal de A
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
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
Ejemplo
Verificar que el conjunto B 1;1;1 , 1;1;0 , 1;0;0 es una base del espacio (3 , , , .)
Ejemplo
Verificar que el conjunto B 1;1 , 1;2 es una base del espacio (2 ; ; ;.)
(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
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.
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.
Observacin
El subespacio nulo carece de base, pues el conjunto { } es linealmente dependiente
Ejemplo
.(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 )
La dimensin de un espacio vectorial es el cardinal de cualquiera de sus bases. Dimensin de V se denota: dim (V).
Ejemplo 1
Ejemplo 2
Base de S B (1 ; 0 ; 1) , (0 ; 1 ; 1 ) dim S 2
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.
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
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
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
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
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)
x1 x2
1 Recta de posibilidades de consumo o Recta Balance
5 10
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
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
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
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
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
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
Atencin:
Si tomamos dos puntos cualesquiera del
conjunto, el segmento que ellos determinan
NO est totalmente incluido dentro de l.
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:
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.
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 Infinita
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
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
.
V1 0;4
V2 0; 3
V3 4;0
V4 8;0
x 2 y 20
x 10
x0
y0
V1 0;0
V2 0;10
V3 10;0
V4 10;5
x y 10
x7
x2
y0
x y
V1 2;0
V2 2;2
V3 5;5
V4 7;3
V5 7;0
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:
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.
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.
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).
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.
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.
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.
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
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?
3 x y 200
Maximizar : Z x; y 30 x 50 y Sujeto a x y 100
x 20
y 10
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
Ejercicio 2 b
Maximizar: Z 2 x 3 y
2 x y 10
Sujeta a
x 2y 8
Con x 0 , y 0
Minimizar: Z = 7x + 3y
3 x y 2
Sujeto a x y 9
x y 1
Con x 0 , y 0
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.
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.
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:
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
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
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.
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
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
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:
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
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
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.
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
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
X 1 0 X 3 0 X 4 0 s1 0 X 2 90 s2 5 s3 360
variables no bsicas variables bsicas
Es la solucin ptima?
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
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
de la solucin
problema X1 X2 X3 X4 s1 s2 s3 de la
Solucin
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
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.
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.
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).
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
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
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
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
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.
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
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
ck xk x1(x) x2(y) S1 S2 b
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
ck xk x1(x) x2(y) S1 S2 b
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
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
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
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.
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
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
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
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.
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:
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
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.
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.
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:
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
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)
INGRESO MARGINAL
Es el incremento en el resultado provocado por el ingreso en la solucin de una unidad adicional de una actividad.
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
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:
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.
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.
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.
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
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
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
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
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.
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 II. Editorial El Ateneo. Buenos Aires. 1996
Indec: MIPA 97