Notas de Clase Algebra Lineal y Programación Lineal PDF

ALGEBRA LINEAL Y
PROGRAMACIÓN
LINEAL
Notas de clase
Liliana María Trujillo Mestra

01/02/2014

2
Tabla de contenido
I. MATRICES .......................................................................................................................... 5
CONCEPTOS BÁSICOS ................................................................................................................ 5
Definición: Matriz.............................................................................................................. 5
Igualdad de matrices ......................................................................................................... 6
TIPOS ESPECIALES DE MATRICES .......................................................................................... 6
MATRIZ TRANSPUESTA ......................................................................................................... 8
Propiedades de la Matriz Transpuesta ............................................................................. 8
MATRIZ SIMÉTRICA Y ANTISIMÉTRICA .................................................................................. 8
OPERACIONES CON MATRICES ............................................................................................. 9
Suma de matrices.............................................................................................................. 9
Producto por escalar ....................................................................................................... 10
Multiplicación de matrices .............................................................................................. 11
II. SISTEMAS DE ECUACIONES LINEALES ............................................................................. 15
Sistemas de ecuaciones lineales con dos variables ............................................................ 15
Conjunto solución ........................................................................................................... 15
Sistemas de ecuaciones lineales de orden m x n ................................................................ 17
Sistemas consistentes e inconsistentes .......................................................................... 18
Sistemas equivalentes..................................................................................................... 19
MÉTODOS DE SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES ................................... 19
Operaciones elementales fila.......................................................................................... 19
Matriz Escalonada ........................................................................................................... 20
Matriz Escalonada Reducida ........................................................................................... 21
Método de Gauss ............................................................................................................ 21
Método de Gauss - Jordan .............................................................................................. 23
Rango de una matriz ....................................................................................................... 24
Sistema Homogéneo ....................................................................................................... 24
Sistema No Homogéneo ................................................................................................. 25
Tipos de solución............................................................................................................. 25
MATRIZ INVERSA ................................................................................................................. 26
Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

3
Definición ........................................................................................................................ 26
Propiedades .................................................................................................................... 26
Inversa de una matriz de orden 2x2 ............................................................................... 26
Procedimiento para hallar la inversa de una matriz de orden n con el método de Gauss-
Jordan.............................................................................................................................. 26
La inversa y los sistemas de ecuaciones lineales ............................................................ 27
III. DETERMINANTES ........................................................................................................ 29
Determinantes de orden 2 x 2 ............................................................................................ 29
Determinantes de orden n x n ............................................................................................ 29
Propiedades de los determinantes ..................................................................................... 30
Teoremas de los determinantes ......................................................................................... 30
Regla de Cramer .................................................................................................................. 31
IV. INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL .......................................................... 32
Conceptos básicos de programación lineal ........................................................................ 32
Modelo Estándar de Programación Lineal .......................................................................... 33
Método Gráfico ................................................................................................................... 34
Teorema de programación lineal .................................................................................... 34
Método Simplex .................................................................................................................. 41

I. MATRICES
CONCEPTOS BÁSICOS
Definición: Matriz
Una matriz es un arreglo rectangular de elementos. Por ejemplo:

2 3
𝐴 = [4 0] es una matriz de 3 x 2 (que se lee “3 por 2”) pues es un arreglo rectangular de
7 1
números con tres filas y dos columnas. En este caso los elementos son 2, 3, 4, 0, 7, 1.
En términos más generales,

𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
𝐴=[ ⋮ ⋮ … ⋮ ] = ‖𝑎𝑖𝑗 ‖
𝑎𝑚1 𝑎𝑚2 … 𝑎
𝑚𝑛
es una matriz de orden m x n, donde 𝑎11 , … , 𝑎𝑚𝑛 representan los elementos de esta matriz
dispuestos en m filas y n columnas (m y n pertenecientes a los enteros positivos)
Notación:
a) 𝐴 ∈ ℝ𝑚𝑛 , forma abreviada 𝐴 = ‖𝑎𝑖𝑗 ‖
b) 𝑎𝑖𝑗 : elementos de la matriz, para 𝑖 ∈ {1, … , 𝑚} y 𝑗 ∈ {1, … , 𝑛}, 𝑎𝑖𝑗 ∈ ℝ
c) 𝐴𝑖 = [𝑎𝑖1 𝑎𝑖2 … 𝑎𝑖𝑛 ] denota la i-ésima fila de A.
𝑎1𝑗
𝑎
d) 𝐴(𝑗) = [ 2𝑗 ] denota la j-ésima columna de A.
⋮
𝑎𝑚𝑗
Ejemplo:
3 −1 4 𝜋
Sea 𝐵 = [2 1 0 √2 ]
0 1 −1 1⁄2
a) 𝐵 ∈ ℝ3𝑥4
b) 𝑏23 = 0
𝑏32 = 1

6
c) 𝐵2 = [2 1 0 √2]
𝜋
d) 𝐵 = [ √2 ]
(4)
1⁄
2
Ejercicio
Halle los elementos de las matrices 𝐴 = [𝑎𝑖𝑗 ]2𝑥3 y 𝐵 = [𝑏𝑖𝑗 ]3𝑥2 , donde 𝑎𝑖𝑗 = i2 + j y
𝑏𝑖𝑗 = 2i − j
Igualdad de matrices
Sean 𝐴 = ‖𝑎𝑖𝑗 ‖ y 𝐵 = ‖𝑏𝑖𝑗 ‖ matrices del mismo orden m x n. decimos que A = B si y solo si
𝑎𝑖𝑗 = 𝑏𝑖𝑗 , para todo 𝑖 = 1, 2, … , 𝑚 y 𝑗 = 1, 2, … , 𝑛.
Ejemplo:
7 9 𝑥 𝑦
Sean 𝐴 = [ ]y𝐵 =[ ]
5 −2 𝑧 𝑤
Las matrices A y B tienen orden 2 x 2, y además A = B si se cumple:
𝑥 = 7, 𝑦 = 9, 𝑧 = 5, 𝑤 = −2
Ejercicio
Hallar el valor de las incógnitas para que las matrices A y B sean iguales:
𝑥 + 2𝑦 −𝑤 + 2𝑧 1 2
𝐴=[ ] 𝐵=[ ]
3+𝑤 5𝑥 − 𝑦 2𝑤 + 𝑧 3𝑦 − 1
TIPOS ESPECIALES DE MATRICES
Matriz Cuadrada: es aquella que tiene el mismo número de filas y columnas. Se dice que
tiene orden 𝑛, pues 𝑛 = 𝑚. La diagonal principal está conformada por los elementos 𝑎𝑖𝑖 ; la
suma de estos elementos se llama Traza de la matriz y se nota 𝑡𝑟(𝐴).
Ejemplo:
7 9
Sea 𝐴 = [ ]
5 2

7
A es una matriz de orden 2 x 2, tiene el mismo número de filas y de columnas. Los

elementos de la diagonal principal son: 𝑎11 = 7 y 𝑎22 = 2, luego la traza de A es:
𝑡𝑟(𝐴) = 7 + 2 = 9
Matriz Identidad: es una matriz cuadrada en la cual los elementos situados sobre la diagonal
principal son iguales a uno y el resto de los elementos son iguales a cero. Para cualquier
matriz A, se cumple 𝐼𝐴 = 𝐴 = 𝐴𝐼
Ejemplo:
1 0 0
𝐼 = [0 1 0]
0 0 1
Matriz Nula: es una matriz que tiene cualquier tamaño con todos los elementos iguales a
cero. Por lo tanto para cualquier matriz A,
𝐴 + 0 = 𝐴 , 𝐴 − 𝐴 = 0, 𝑦 0𝐴 = 0 = 0𝐴
Ejemplo:
0 0 0
0 = [0 0 0]
0 0 0
Vector fila: matriz que tiene una sola fila. Es de orden o dimensión 1 𝑥 𝑛.
Ejemplo:
𝐹 = [𝑓11 𝑓12 … 𝑓1𝑛 ]
Vector Columna: matriz que tiene una sola columna. Es de orden o dimensión 𝑚 𝑥 1.
Ejemplo:
𝑐11
𝑐
𝐶 = [ 21 ]
⋮
𝑐𝑚1
Matriz Triangular Superior: es una matriz cuadrada en la cual todos los elementos que están
por debajo de la diagonal principal son iguales a cero. La matriz 𝐴 = ‖𝑎𝑖𝑗 ‖ es triangular
superior si 𝑎𝑖𝑗 = 0 𝑝𝑎𝑟𝑎 𝑖 > 𝑗.
Ejemplo:
3 1 0
𝐴 = [0 4 7 ]
0 0 −5
Matriz Triangular Inferior: es una matriz cuadrada en la cual todos los elementos que están
por encima de la diagonal principal son iguales a cero. La matriz 𝐴 = ‖𝑎𝑖𝑗 ‖ es triangular
inferior si 𝑎𝑖𝑗 = 0 𝑝𝑎𝑟𝑎 𝑖 < 𝑗.

8
Ejemplo:
4 0 0
𝐴 = [2 1 0]
8 0 5
Matriz diagonal: una matriz cuadrada es diagonal si los elementos no diagonales son todos
nulos.
Ejemplo:
7 0 0
𝐴 = [0 −1 0]
0 0 5
MATRIZ TRANSPUESTA
Sea 𝐴 = ‖𝑎𝑖𝑗 ‖ una matriz de orden m x n. La matriz transpuesta de A, denotada por 𝐴𝑇 , se

𝑇
obtiene al intercambiar las filas por las columnas, donde 𝑎𝑖𝑗 = 𝑎𝑗𝑖 .
Ejemplo:
2 3
Si 𝐴 = [4 0]
7 1 3𝑥2
2 4 7
Al intercambiar las filas por las columnas se obtiene: 𝐴𝑇 = [ ]
3 0 1 2𝑥3
Propiedades de la Matriz Transpuesta
Si A y B son matrices y k un número real, entonces:
a) (𝐴𝑇 )𝑇 = 𝐴
b) (𝑘𝐴)𝑇 = 𝑘𝐴𝑇
c) (𝐴 + 𝐵)𝑇 = 𝐴𝑇 + 𝐵𝑇
d) (𝐴𝐵)𝑇 = 𝐵𝑇 𝐴𝑇
MATRIZ SIMÉTRICA Y ANTISIMÉTRICA
Sea A una matriz cuadrada:

9
1) Decimos que A es simétrica si 𝐴𝑇 = 𝐴, entonces 𝑎𝑖𝑗 = 𝑎𝑗𝑖

2) Decimos que A es antisimétrica si 𝐴𝑇 = −𝐴, entonces 𝑎𝑖𝑗 = −𝑎𝑗𝑖
Ejemplo:
−1 2 8 −1 2 8
Sea 𝐴 = [ 2 −5 9], 𝐴𝑇 = [ 2 −5 9]
8 9 4 8 9 4
La matriz A es simétrica porque 𝐴 = 𝐴𝑇
Nótese que en una matriz simétrica los elementos opuestos a la diagonal principal
son iguales y la diagonal principal contiene valores arbitrarios.
0 3 −1 0 −3 1
Sea 𝐵 = [−3 0 5 ], 𝐵 𝑇 = [ 3 0 −5]
1 −5 0 −1 5 0
La matriz B es antisimétrica porque 𝐵 = −𝐵𝑇
Nótese que en una matriz antisimétrica los elementos opuestos a la diagonal

principal tienen signos contrarios y la diagonal principal contiene únicamente ceros.
OPERACIONES CON MATRICES
Suma de matrices
Sean 𝐴 = ‖𝑎𝑖𝑗 ‖ y 𝐵 = ‖𝑏𝑖𝑗 ‖ matrices del mismo orden m x n. La suma de A y B, denotada A

+ B es una matriz de orden m x n, cuya componente ij-ésima es 𝑎𝑖𝑗 + 𝑏𝑖𝑗 .
𝑎11 𝑎12 … 𝑎1𝑛 𝑏11 𝑏12 … 𝑏1𝑛

𝑎21 𝑎22 … 𝑎2𝑛 𝑏21 𝑏22 … 𝑏2𝑛
𝐴=[ ⋮ ⋮ … ⋮ ]y𝐵 =[ ⋮ … ]
⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎 …
𝑚𝑛 𝑏𝑚1 𝑏𝑚2 𝑏𝑚𝑛
𝑎11 + 𝑏11 𝑎12 + 𝑏12 … 𝑎1𝑛 + 𝑏1𝑛

𝑎 + 𝑏21 𝑎22 + 𝑏22 … 𝑎2𝑛 + 𝑏2𝑛
Entonces: 𝐴 + 𝐵 = [ 21 … ]
⋮ ⋮ ⋮
…
𝑎𝑚1 + 𝑏𝑚1 𝑎𝑚2 + 𝑏𝑚2 𝑎𝑚𝑛 + 𝑏𝑚𝑛
Ejemplo:

10
−1 2 8 0 3 −1
Sean 𝐴 = [ 2 −5 9] y 𝐵 = [−3 0 5 ], calcular A + B
8 9 4 1 −5 0
Solución
−1 + 0 2 + 3 8 − 1 −1 5 7
𝐴 + 𝐵 = [ 2 − 3 −5 + 0 9 + 5] = [−1 −5 14]
8+1 9−5 4+0 9 4 4
Propiedades de la adición de matrices
 Asociativa
Dadas las matrices A, B y C de orden m×n: 𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶
 Conmutativa
Dadas las matrices A y B de orden m×n: 𝐴 + 𝐵 = 𝐵 + 𝐴
 Existencia de matriz cero o matriz nula:

Existe una matriz 0𝑚𝑥𝑛 , tal que para toda matriz A de orden mxn, se satisface:
𝐴 + 0𝑚𝑥𝑛 = 0𝑚𝑥𝑛 + 𝐴 = A
 Existencia de matriz opuesta o inverso aditivo:

Existe una matriz −𝐴𝑚𝑥𝑛 , tal que para toda matriz A de orden mxn, se satisface:
A + (-A) = 0𝑚𝑥𝑛
Producto por escalar
Si A es una matriz de orden m x n y k es un escalar (número real), podemos obtener otra

matriz de orden m x n, multiplicando cada componente de A por el escalar k.
𝑘𝑎11 𝑘𝑎12 … 𝑘𝑎1𝑛

𝑘𝑎21 𝑘𝑎22 … 𝑘𝑎2𝑛
𝑘 ∙ 𝐴 = [𝑘 ∙ 𝑎𝑖𝑗 ] = [ … ]
⋮ ⋮ ⋮
…
𝑘𝑎𝑚1 𝑘𝑎𝑚2 𝑘𝑎𝑚𝑛
Ejemplo:

11
2 −4 6
Si 𝐴 = [ ] 𝑦 𝑘 = −5, calcular −5𝐴
−1 3 5
Solución.
(−5)(2) (−5)(−4) (−5)(6) −10 20 −30
−5𝐴 = [ ]= [ ]
(−5)(−1) (−5)(3) (−5)(5) 5 −15 −25
Propiedades del producto por escalar
Sean A y B matrices de orden m x n, y k y r números reales:
 𝑘(𝑟𝐴) = (𝑘𝑟)𝐴 = 𝑟(𝑘𝐴)

 (𝑘 + 𝑟)𝐴 = 𝑘𝐴 + 𝑟𝐴
 𝑘(𝐴 + 𝐵) = 𝑘𝐴 + 𝑘𝐵
Multiplicación de matrices
El producto matricial AB se define si y solo si el número de columnas de A es igual al número

de filas de B, esto es, si la matriz A de orden m x n y la matriz B de orden n x r, el producto
matricial está definido, y la matriz resultante es de orden m x r.
𝐴𝑚𝑛 ∗ 𝐵𝑛𝑟 = 𝐶𝑚𝑟
i) Producto de vector fila por vector columna

Sea 𝐴 = ‖𝑎𝑖𝑗 ‖ una matriz de orden 1 x m y 𝐵 = ‖𝑏𝑖𝑗 ‖ una matriz de orden
mx 1, entonces:
𝑏11 𝑚
𝑎 𝑎 … 𝑎 𝑏21
𝐴𝐵 = [ 11 12 1𝑚 ] [ ] = 𝑎1 𝑏1 + 𝑎2 𝑏2 + ⋯ + 𝑎𝑚 𝑏𝑚 = ∑ 𝑎𝑖 𝑏𝑖 ∈ ℝ
⋮
𝑖=1
𝑏𝑚1
Ejemplo:
−2
Sean 𝐴 = [5 3 2] y 𝐵 = [ 6 ], calcular AB
4
Solución:

12
−2
𝐴𝐵 = [5 3 2] [ 6 ] = (5)(−2) + (3)(6) + (2)(4) = 16
4
ii) Producto de una matriz por un vector columna

𝑥1
𝑥
Sea 𝐴 = ‖𝑎𝑖𝑗 ‖ una matriz de orden m x n y 𝑋 = [ 2 ] un vector columna
⋮
𝑥𝑛
de orden n. El producto AX es un vector columna de orden m.
∑ 𝑎1𝑗 𝑥𝑗
𝑗=1
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑛
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ +𝑎1𝑛 𝑥𝑛
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2
𝐴𝑋 = [ ⋮ 𝑎 𝑥 + 𝑎22 𝑥2 + ⋯ +𝑎2𝑛 𝑥𝑛 ] = ∑ 𝑎2𝑗 𝑥𝑗
⋮ … ⋮ ] [ ⋮ ] = [ 21 1
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑥𝑛
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ +𝑎𝑚𝑛 𝑥𝑛 𝑗=1
𝑛
∑ 𝑎𝑚𝑗 𝑥𝑗
[ 𝑗=1 ]
Ejemplo:
3 6 2 −2
Sean 𝐴 = [−2 5 −1] y 𝐵 = [ 6 ], calcular AB
0 −2 4 4
Solución:
3 6 2 −2 (3)(−2) + (6)(6) + (2)(4) 38
𝐴𝐵 = [−2 5 −1] [ 6 ] = [(−2)(−2) + (5)(6) + (−1)(4)] = [30]
0 −2 4 4 (0)(−2) + (−2)(6) + (4)(4) 4
iii) Producto entre matrices

Sea 𝐴 = ‖𝑎𝑖𝑗 ‖ una matriz de orden m x n y 𝐵 = ‖𝑏𝑖𝑗 ‖ una matriz de orden
nxr. El producto AB es una matriz de orden m x r, cuya ij-ésima componente es
el producto de la matriz fila i de A por el vector columna j de B. Si C denota la
matriz producto AB, entonces el elemento ij-ésimo 𝑐𝑖𝑗 está dado por:
𝑏1𝑗 𝑛
𝑎𝑖2 … 𝑏 2𝑗
𝑐𝑖𝑗 = 𝐴𝑖 𝐵(𝑗) = [𝑎𝑖1 𝑎𝑖𝑛 ] [ ] = 𝑎𝑖1 𝑏1𝑗 + 𝑎𝑖2 𝑏2𝑗 + ⋯ + 𝑎𝑖𝑛 𝑏𝑛𝑗 = ∑ 𝑎𝑖𝑘 𝑏𝑘𝑗
⋮
𝑘=1
𝑏𝑛𝑗
Ejemplo:
3 6 2 3 −2
Sean 𝐴 = [−2 5 1] y 𝐵 = [4 1]
0 2 4 3 5

13
La matriz A es de orden 3x3 y B es una matriz de orden 3x2, podemos hallar el producto
matricial AB dado que el número de columnas de A es igual al número de filas de B. La
matriz resultante será de orden 3x2. Veamos:
3 6 2 3 −2
𝐴𝐵 = [−2 5 1] [4 1 ]
0 2 4 3𝑥3 3 5 3𝑥2
(3)(3) + (6)(4) + (2)(3) (3)(−2) + (6)(1) + (2)(5) 39 10

= [(−2)(3) + (5)(4) + (1)(3) (−2)(−2) + (5)(1) + (1)(5)] = [17 14] = 𝐶
(0)(3) + (2)(4) + (4)(3) (0)(−2) + (2)(1) + (4)(5) 20 22
Propiedades del producto de matrices
1) Sean A una matriz de orden m x n, B una matriz de orden n x r y 𝜆 un escalar,

entonces:
𝐴(𝜆𝐵) = 𝜆(𝐴𝐵) = (𝜆𝐴)𝐵
2) Asociativa: Para cualquier matriz A de orden m x n, B de orden n x r y C de orden r x

s, se tiene:
(𝐴𝐵)𝐶 = 𝐴(𝐵𝐶)
3) Distributiva respecto a la suma: Sean A, B, C y D matrices tales que A es de orden m

x n, B y C de orden n x r y D de orden r x s, se tiene:
 𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶
 (𝐵 + 𝐶)𝐷 = 𝐵𝐷 + 𝐶𝐷
4) 𝐴𝑚 𝑥 𝑛 ∙ 0𝑛 𝑥 𝑝 = 0𝑚 𝑥 𝑝
5) 𝐼𝑛 ∙ 𝐴𝑛 = 𝐴𝑛 = 𝐴𝑛 ∙ 𝐼𝑛
Nota: El producto de matrices no conmuta:

i) 𝐴𝑚 𝑥 𝑛 y 𝐵𝑛 𝑥 𝑝 entonces AB existe, pero BA no existe.
ii) 𝐴𝑚 𝑥 𝑛 y 𝐵𝑛 𝑥 𝑚 , entonces AB existe y es de orden m x m; BA existe y es de
orden n x n, por tanto, 𝐴𝐵 ≠ 𝐵𝐴.
iii) 𝐴𝑛 𝑥 𝑛 y 𝐵𝑛 𝑥 𝑛 , entonces AB existe y es de orden n x n; BA existe y es de
orden n x n, sin embargo, usualmente 𝐴𝐵 ≠ 𝐵𝐴.
Demostración de algunas propiedades

14
Propiedad asociativa: Debemos mostrar que la ij-ésima componente de (𝐴𝐵)𝐶 es igual a la

ij-ésima componente de 𝐴(𝐵𝐶). Luego,
𝑛 𝑟 𝑛 𝑛 𝑟
(𝐴𝐵)𝐶 = (∑ 𝑎𝑖𝑗 𝑏𝑗𝑘 ) 𝑐𝑘𝑙 = ∑ (∑ 𝑎𝑖𝑗 𝑏𝑗𝑘 ) 𝑐𝑘𝑙 = ∑ ∑(𝑎𝑖𝑗 𝑏𝑗𝑘 𝑐𝑘𝑙 )
𝑗=1 𝑘=1 𝑗=1 𝑗=1 𝑘=1
𝑛 𝑛 𝑟
𝐴(𝐵𝐶) = 𝑎𝑖𝑗 (∑ 𝑏𝑗𝑘 𝑐𝑘𝑙 ) = ∑ ∑(𝑎𝑖𝑗 𝑏𝑗𝑘 𝑐𝑘𝑙 )

𝑗=1 𝑗=1 𝑘=1
Propiedad distributiva: Debemos demostrar que (𝐵 + 𝐶)𝐷 = 𝐵𝐷 + 𝐶𝐷
(𝐵 + 𝐶)𝐷 = (‖𝑏𝑖𝑗 ‖ + ‖𝑐𝑖𝑗 ‖) ∙ ‖𝑑𝑗𝑘 ‖ = ‖𝑏𝑖𝑗 + 𝑐𝑖𝑗 ‖ ∙ ‖𝑑𝑗𝑘 ‖ = ‖∑(𝑏𝑖𝑗 + 𝑐𝑖𝑗 )𝑑𝑗𝑘 ‖
𝑗=1
𝑚 𝑚 𝑚
= ‖∑(𝑏𝑖𝑗 𝑑𝑗𝑘 + 𝑐𝑖𝑗 𝑑𝑗𝑘 )‖ = ‖∑(𝑏𝑖𝑗 𝑑𝑗𝑘 ) + ∑(𝑐𝑖𝑗 𝑑𝑗𝑘 )‖

𝑗=1 𝑗=1 𝑗=1
𝑚 𝑚
= ‖∑(𝑏𝑖𝑗 𝑑𝑗𝑘 )‖ + ‖∑(𝑐𝑖𝑗 𝑑𝑗𝑘 )‖ = 𝐵𝐷 + 𝐶𝐷

𝑗=1 𝑗=1
Las demás demostraciones se dejan como ejercicio.

15
II. SISTEMAS DE ECUACIONES LINEALES
Una ecuación es un enunciado o proposición que plantea la igualdad de dos expresiones,

donde al menos una de ellas contiene cantidades desconocidas llamadas variables o
incógnitas.
Un sistema de ecuaciones es un conjunto integrado por más de una ecuación. Si un sistema

consta de m ecuaciones y n incógnitas, se dice que el sistema es de dimensión “m x n”.
Sistemas de ecuaciones lineales con dos variables
Consideremos la ecuación de la forma:

𝑎𝑥 + 𝑏𝑦 + 𝑐 = 0 Ecuación de la recta
donde 𝑎, 𝑏 y 𝑐 son constantes, y 𝑥 y 𝑦 son variables.
Ahora consideremos el sistema de dos ecuaciones lineales:

𝑎1 𝑥 + 𝑏1 𝑦 + 𝑐1 = 0, con 𝑎1 ∙ 𝑏1 ≠ 0
𝑎2 𝑥 + 𝑏2 𝑦 + 𝑐2 = 0, con 𝑎2 ∙ 𝑏2 ≠ 0
𝑥 y 𝑦 representan simultáneamente los mismos valores. Este sistema de ecuaciones lineales
se representa mediante dos rectas en dos dimensiones.
Conjunto solución
Al resolver sistemas de ecuaciones, se busca obtener los valores de las variables que
satisfagan simultáneamente las ecuaciones del sistema.
Ejemplo: En el sistema de ecuaciones:
2𝑥 + 4𝑦 = 20
3𝑥 + 𝑦 = 10
Se quiere encontrar los valores de 𝑥 y 𝑦 tal que satisfagan ambas ecuaciones al mismo
tiempo.
Conjunto solución 𝑆 = {(𝑥, 𝑦)|2𝑥 + 4𝑦 = 20 𝑦 3𝑥 + 𝑦 = 10}
El conjunto S puede ser un conjunto nulo, un conjunto finito o un conjunto infinito.
Gráficamente, se trata de determinar si las dos rectas que representan las ecuaciones tienen
puntos en común. Las posibles soluciones en forma gráfica que puede adoptar el sistema de
ecuaciones son:

16
Solución única: las rectas se interceptan. La

solución está dada en el punto (𝑥1 , 𝑦1 )
Ninguna solución: Rectas paralelas. No

tienen puntos de intersección en común.
No hay valores para las variables que
satisfagan ambas ecuaciones.
Infinidad de soluciones: Las rectas

coinciden. Un número infinito de puntos es
común a las dos rectas.
En un sistema 2 x 2 de ecuaciones lineales:

𝑦 = 𝑚1 𝑥 + 𝑘1
𝑦 = 𝑚2 𝑥 + 𝑘2
Donde 𝑚1 y 𝑚2 representan las pendientes de cada recta respectivamente y 𝑘1 y 𝑘2
representan las intersecciones respectivas con el eje 𝑦.
I. El sistema tiene solución única si 𝑚1 ≠ 𝑚2
II. El sistema no tiene solución si 𝑚1 = 𝑚2 y 𝑘1 ≠ 𝑘2
III. Hay infinitas soluciones si 𝑚1 = 𝑚2 y 𝑘1 = 𝑘2
Ejemplo:
Hallar el conjunto solución del sistema:
2𝑥 + 4𝑦 = 20
3𝑥 + 𝑦 = 10

17
En primer lugar graficamos las dos rectas:

𝑦 = − 1⁄2 𝑥 + 5
𝑦 = −3𝑥 + 10
Un primer análisis índica que el sistema tiene solución única, ya que las pendientes de las
rectas son diferentes.
Conjunto solución 𝑆 = {(2,4)|2𝑥 + 4𝑦 = 20 𝑦 3𝑥 + 𝑦 = 10}
Sistemas de ecuaciones lineales de orden m x n
Definición: Un sistema de m ecuaciones lineales con n incógnitas es un conjunto de

ecuaciones de la forma:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
donde
1. Para cada 𝑖 ∈ {1, … , 𝑚} y 𝑗 ∈ {1, … , 𝑛}, 𝑎𝑖𝑗 y 𝑏𝑖 son escalares conocidos.

2. 𝑥1 , 𝑥2 , … , 𝑥𝑛 son las n incógnitas.
3. Se trata de buscar todos los posibles valores de 𝑥1 , 𝑥2 , … , 𝑥𝑛 que satisfagan las m
ecuaciones simultáneamente.
Un sistema de ecuaciones lineales como el anterior puede escribirse en forma matricial

como 𝐴𝑋 = 𝐵 donde
𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛
𝐴=[ ⋮ ⋮ … ⋮ ] es la matriz de coeficientes
𝑚𝑛
𝑥1
𝑥
𝑋 = [ 2 ] es el vector de incógnitas
⋮
𝑥𝑛
𝑏1
𝑏
𝐵 = [ 2 ] es el vector de términos independientes
⋮
𝑏𝑚

18
La matriz
𝑎11 𝑎12 … 𝑎1𝑛 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑏2
[ ⋮ ⋮ … ⋮ | ⋮ ]
𝑚𝑛 𝑏𝑚
que denotaremos por [𝐴|𝐵] es llamada Matriz Aumentada del sistema 𝐴𝑋 = 𝐵, que está
compuesta por los coeficientes de las variables del sistema y los términos independientes.
Ejemplo:
Representar en la forma matricial 𝐴𝑋 = 𝐵 el siguiente sistema de ecuaciones:
𝑥1 − 2𝑥2 + 3𝑥4 + 𝑥5 = 100

3𝑥1 − 3𝑥3 + 𝑥4 = 60
4𝑥2 − 𝑥3 + 2𝑥4 + 𝑥5 = 125
Representación Matricial:
𝑥1
1 −2 0 3 1 2𝑥 100
[3 0 −3 1 0] 𝑥3 = [ 60 ]
0 4 −1 2 1 𝑥4 125
[𝑥5 ]
Sistemas consistentes e inconsistentes
Si un sistema de ecuaciones tiene solución, se dice que el sistema es consistente, en caso

contrario, se dirá que es inconsistente.
Ejemplos: El sistema
3𝑥 + 2𝑦 − 𝑧 = 4
𝑥 − 2𝑦 + 𝑧 = 0
2𝑥 + 𝑦 − 𝑧 = 1
Es consistente, puesto que la 3-upla (1,2,3) correspondiente a 𝑥 = 1,𝑦 = 2, 𝑧 = 3 es una
solución del sistema. Veamos que al reemplazar las variables 𝑥, 𝑦 y 𝑧 por sus
correspondientes valores en todas las ecuaciones se verifican las igualdades:
3(1) + 2(2) − (3) = 4
(1) − 2(2) + (3) = 0
2(1) + (2) − (3) = 1
El sistema
3𝑥 + 𝑦 = 1
3𝑥 + 𝑦 = −2

19
Es inconsistente, puesto que al reemplazar 3𝑥 + 𝑦 por 1 en la segunda ecuación obtenemos

1 = −2, lo cual es falso.
Sistemas equivalentes
Dos sistemas de ecuaciones son equivalentes, cuando toda solución de uno de ellos, lo es
también del otro.
Ejemplo:
Los sistemas de ecuaciones
3𝑥 + 𝑦 = 3 6𝑥 + 2𝑦 = 6
{ y {
5𝑥 + 3𝑦 = 5 10𝑥 + 6𝑦 = 10
son equivalentes, puesto que la solución única de los dos sistemas es 𝑥 = 1 y 𝑦 = 0
Observación: El segundo sistema de ecuaciones se puede obtener del primero,

multiplicando la primera ecuación por (2) y la segunda ecuación por (2).
MÉTODOS DE SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES
El método básico para resolver un sistema de ecuaciones lineales es sustituir el sistemas

dado por un nuevo sistema que tenga el mismo conjunto solución, pero a su vez sea más
simple. Para esto, se utiliza un algoritmo que consiste en la aplicación de tres tipos de
operaciones con el fin de eliminar incógnitas de manera sistemática.
Operaciones elementales fila
Sea A una matriz de orden m x n. Se pueden realizar tres tipos de operaciones con las filas
de una matriz A, que llamaremos operaciones elementales de fila.
Para 𝑟, 𝑠 ∈ {1,2, … , 𝑚}:
1. 𝐸𝑟𝑠 (𝑐): operación elemental que consiste en sustituir la fila r por la resultante de
sustraer a la fila r, c veces la fila s.
2. 𝑃𝑟𝑠 : operación elemental que consiste en intercambiar las filas r y s.
3. 𝑀𝑟 (𝑐): operación elemental que consiste en sustituir la fila r por el resultado de
multiplicar la fila r por una constante 𝑐 ≠ 0.
Ejemplo:

20
Sea
1 −2 3
𝐴 = [−2 4 1]
4 −2 0
Realizar sobre las filas de A la operación elemental indicada en cada caso:
a. 𝐸21 (2)
b. 𝑃23
c. 𝑀3 (1⁄2)
Solución
1 −2 3 𝐸21 (2) 1 −2 3
a. 𝐴 = [−2 4 1] → [−4 8 −5]
4 −2 0 4 −2 0
Otra notación puede ser 𝑓2 → 𝑓2 − 𝑐𝑓1:, que indica la fila 2 se va a sustituir por el
resultado de restar de la fila 2, c veces la fila 1.
1 −2 3 𝑃23 1 −2 3
b. 𝐴 = [−2 4 1] → [ 4 −2 0]
4 −2 0 −2 4 1
1 −2 3 𝑀3 (1⁄ ) 1 −2 3
2
c. 𝐴 = [−2 4 1] → [−2 4 1]
4 −2 0 2 −1 0
Matriz Escalonada
Una matriz U de orden m x n, es escalonada si satisface las siguientes condiciones, en las

que llamaremos pivote a la primera componente distinta de cero de cada fila no nula.
1. Primero vienen las filas distintas de cero y luego las filas de ceros.
2. Debajo de cada pivote en la columna correspondiente, todas las componentes son
ceros.
3. El pivote de cada fila está a la derecha del pivote de la fila anterior.
Ejemplo:
0 1 −2 3 1
𝑈 = [0 0 1 −1 0 ] es escalonada, los pivotes están en las columnas 2, 3 y 5
0 0 0 0 −2

21
0 −1 2 1
𝐴 = [0 0 1 0 ] no es escalonada
1 0 0 −2
Ejemplo
1 2 −2 4 1 2 −2 4 𝑓3 →𝑓3 −(−2)𝑓2 1 2 −2 4
Sea 𝐴 = [−3 −6 −1 0] 𝑓2𝑓→𝑓→𝑓2 −(−3)𝑓 1 [
0 0 −7 12 ] → [0 0 −7 12]
3 3 −4𝑓1
4 8 6 2 0 0 14 −14 0 0 0 10
Matriz Escalonada Reducida
Una matriz m x n tiene la forma escalonada reducida por filas, cuando satisface las
siguientes condiciones:
- Tiene la forma escalonada
- El primer elemento no nulo de cada fila es 1 y es el único elemento distinto de cero
de la respectiva columna.
Ejemplo:
Las matrices
1 0 0 4 1 2 0 0 1
𝐴 = [0 1 0 12] , 𝐵 = [0 0 1 0 5] están en la forma escalonada reducida.
0 0 1 14 0 0 0 1 2
Método de Gauss
Para resolver un sistema de ecuaciones lineales por el método de Gauss, se utilizan las
operaciones elementales entre filas, para transformar la matriz aumentada del sistema
original, en la matriz aumentada en forma escalonada de un sistema equivalente. Los pasos
a seguir son:
I. Formar la matriz aumentada [𝐴|𝐵]
II. Transformar la matriz aumentada a su forma escalonada mediante operaciones
elementales fila.
III. Escribir el sistema correspondiente a la forma escalonada y de este sistema se
obtiene la solución.
Ejemplo: Problema de la mezcla de productos

Una compañía elabora tres productos que deben ser procesados en tres departamentos. En
la siguiente tabla se resumen las horas requeridas por unidad de cada producto en cada

22
departamento. Además las horas de trabajo disponibles semanales en cada departamento.

Se desea determinar el número de artículos que se pueden elaborar de cada uno de los
productos aprovechando al máximo las capacidades semanales de los tres departamentos.
Producto Horas
disponibles
Departamento X Y Z a la semana
A 2 3,5 3 1200
B 3 2,5 2 1150
C 4 3 2 1400
Solución:
En primer lugar nombremos la variable de decisión, es decir, qué es lo que queremos hallar.
𝑥𝑖 : Número de unidades fabricadas por semana del producto 𝑖, con 𝑖 = {𝑋, 𝑌, 𝑍}
Luego, construimos el sistema de ecuaciones:
2𝑥1 + 3.5𝑥2 + 3𝑥3 = 1200
3𝑥1 + 2.5𝑥2 + 2𝑥3 = 1150
4𝑥1 + 3𝑥2 + 2𝑥3 = 1400
Ahora bien, según el método de Gauss, debemos formar la matriz aumentada:

7
2 3.5 3 1200 2 2 3 1200
[3 2.5 2 |1150] = [3 5 2 |1150]
4 3 2 1400 4 32 2 1400
Y realizar operaciones elementales fila:
2 7⁄2 3 1200 𝑀1 (1⁄ ) 1 7⁄4 3⁄2 600 𝑓 → 𝑓 − 3𝑓

2 2 2 1
[3 5⁄2 2 |1150] → [ 3 5⁄2 2 |1150]
𝑓3 → 𝑓3 − 4𝑓1
4 3 2 1400 4 3 2 1400
1 7⁄4 3⁄2 600 𝑀2 (−4⁄11) 1 7⁄4 3⁄2 600 𝑓3 →𝑓3 +4𝑓2

[0 −11⁄4 −5⁄2 | −650 ] → [0 1 10⁄11 2600⁄11] →
|
0 −4 −4 −1000 0 −4 −4 −1000
1 7⁄4 3⁄ 2 600
[0 1 10⁄11 | 2600⁄11 ] la matriz está en forma escalonada, luego escribimos el
0 0 −4⁄11 −600⁄11
sistema de ecuaciones final:
7 3
𝑥1 + 𝑥2 + 𝑥3 = 600
4 2
10 2600
𝑥2 + 𝑥3 =
11 11
−4 −600
𝑥 =
11 3 11

23
Despejando cada una de las incógnitas, tenemos que:
𝑥1 = 200, 𝑥2 = 100 y 𝑥3 = 150
Se concluye que se deben fabricar semanalmente 200 unidades del producto X, 100
unidades del producto Y, y 150 unidades del producto Z, aprovechando todos los recursos
disponibles.
Método de Gauss - Jordan
Para resolver un sistema de ecuaciones lineales por el método de Gauss - Jordan, se utilizan
las operaciones elementales entre filas, para transformar la matriz aumentada del sistema
original, en la matriz aumentada en forma escalonada reducida de un sistema equivalente.
Los pasos a seguir son:
I. Formar la matriz aumentada [𝐴|𝐵]
II. Transformar la matriz aumentada a su forma escalonada reducida mediante
operaciones elementales fila.
III. Escribir el sistema correspondiente a la forma escalonada y de este sistema se
obtiene la solución.
Ejemplo.
Tres compuestos se combinan para formar tres tipos de fertilizantes. Una unidad del
fertilizante tipo I requiere 10 kg del compuesto A, 30 del B y 60 del C; una unidad del
fertilizante tipo II requiere 20 kg del compuesto A, 30 del B y 50 del C; unidad del tipo III
requiere 50 kg de A y 50 del C. Si hay disponibles 1600 kg del compuesto A, 1200 kg del B y
3200 kg del C, ¿cuántas unidades de cada tipo de fertilizante se pueden producir si se usa
todo el material químico disponible?
Solución:
La variable de decisión es
𝑥𝑖 : Cantidad de fertilizante tipo 𝑖 a producir , con 𝑖 = {𝐼, 𝐼𝐼, 𝐼𝐼𝐼}
Luego, construimos el sistema de ecuaciones inicial:
Compuesto A: 10𝑥1 + 20𝑥2 + 50𝑥3 = 1600
Compuesto B: 30𝑥1 + 30𝑥2 = 1200
Compuesto C: 60𝑥1 + 50𝑥2 + 50𝑥3 = 3200
Siguiendo el método de Gauss-Jordan, debemos formar la matriz aumentada:

24
10 20 50 1600
[30 30 0 |1200]
60 50 50 3200
Y realizar operaciones elementales fila:
10 20 50 1600 𝑀1 (1⁄ ) 1 2 5 160 𝑓 → 𝑓 − 30𝑓

10 2 2 1
[30 30 0 |1200] → [30 30 0 |1200]
𝑓3 → 𝑓3 − 60𝑓1
60 50 50 3200 60 50 50 3200
1 2 5 160 𝑀2 (−1⁄ ) 1 2 5 160 𝑓1 → 𝑓1 − 2𝑓2
30
[0 −30 −150 |−3600] → [0 1 5 | 120 ]
𝑓 → 𝑓3 + 70𝑓2
0 −70 −250 −6400 0 −70 −250 −6400 3
1 0 −5 −80 𝑀3 (1⁄ ) 1 0 −5 −80 1 0 0 20
100 𝑓1 →𝑓1 +5𝑓3
[0 1 5 | 120 ] → [0 1 5 | 120 ] 𝑓2 →𝑓2 −5𝑓3
[0 1 0 |20]
0 0 100 2000 0 0 1 20 0 0 1 20
La matriz está es forma escalonada reducida, el sistema final es el siguiente:
𝑥1 = 20
𝑥2 = 20
𝑥3 = 20
Se concluye que se debe producir 20 unidades del fertilizante tipo I, 20 unidades del
fertilizante tipo II, y 20 unidades del fertilizante tipo I, utilizando todo el material químico
disponible.
Rango de una matriz
Sea A una matriz de orden m x n, el rango de A, denotado por 𝑅𝐴 , es el número de filas

distintas de cero de su forma escalonada o escalonada reducida.
Sistema Homogéneo
Considere el sistema de m ecuaciones con n variables:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
Se dice que es homogéneo si todos los términos independientes 𝑏1 , 𝑏2 , … 𝑏𝑚 son cero.

𝐴𝑋 = 0
Ejemplo:
3𝑥 + 𝑦 = 0
El sistema es homogéneo, ya que los términos independientes con cero.
5𝑥 + 3𝑦 = 0

25
Sistema No Homogéneo
Considere el sistema de m ecuaciones con n variables:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
Se dice que es no homogéneo si por lo menos uno de los términos independientes

𝑏1 , 𝑏2 , … 𝑏𝑚 es diferente de cero.
𝐴𝑋 = 𝐵
Ejemplo:
El sistema
𝑥1 − 2𝑥2 + 3𝑥4 + 𝑥5 = 10
3𝑥1 − 3𝑥3 + 𝑥4 = 0
4𝑥2 − 𝑥3 + 2𝑥4 + 𝑥5 = 12
Es no homogéneo, ya que no todos los términos independientes con cero.
Tipos de solución
Sea 𝑅𝑐 el rango de la matriz de coeficientes, 𝑅𝐴 el rango de la matriz aumentada, y 𝑛

el número de variables, entonces tenemos diferentes soluciones de acuerdo al tipo
de sistema:
𝑥1 + 3𝑥2 − 3𝑥3 = 0 1 0 −15 0
Solución
𝑅𝑐 = 𝑛 𝑥1 + 4𝑥2 + 𝑥3 = 0 [0 1 4 | 0]
única
Sistema 2𝑥1 + 𝑥2 + 𝑥3 = 0 0 0 27 0
Homogéneo 𝑥1 + 2𝑥3 − 4𝑥4 = 0
Infinitas 1 0 2 −4 0
𝑅𝑐 < 𝑛 𝑥1 + 𝑥2 − 2𝑥3 + 3𝑥4 = 0 [ | ]
soluciones 0 1 −4 7 0
3𝑥1 − 𝑥2 − 2𝑥3 = 2 1 0 1 0
No tiene
𝑅𝑐 < 𝑅𝐴 2𝑥2 − 𝑥3 = −1 [0 1 2 |0]
solución
3𝑥1 − 5𝑥2 = 3 0 0 0 1
𝑅𝑐 = 𝑅𝐴 𝑥1 + 𝑥2 + 𝑥3 = −2 1 0 0 6
Sistema No Solución
y 2𝑥1 + 4𝑥2 + 3𝑥3 = 3 [0 1 0 |3]
Homogéneo única
𝑅𝐴 = 𝑛 𝑥2 + 2𝑥3 = 2 0 0 1 2
𝑅𝑐 = 𝑅𝐴 4𝑥1 + 4𝑥3 = 8 1 0 −1 0 −1
Infinitas
y 𝑥2 − 6𝑥3 = −3 [0 1 2 0| 2 ]
soluciones
𝑅𝐴 < 𝑛 3𝑥1 + 𝑥2 − 3𝑥3 = 3 0 0 0 1 3

26
MATRIZ INVERSA
Definición
Sea A una matriz cuadrada de orden n. Decimos que A es invertible si existe una matriz B de
orden n, tal que 𝐴𝐵 = 𝐵𝐴 = 𝐼𝑛 . Entonces, B es la inversa de A y escribimos 𝐴−1 = 𝐵.
Ejemplo:
3 5 2 −5
𝐴−1 = [ ] es la inversa de 𝐴 = [ ]
1 2 −1 3
Propiedades
Sean A, B y C matrices cuadradas de orden n, e invertibles:

1. 𝐴𝐵 es invertible y su inversa es (𝐴𝐵)−1 = 𝐵−1 𝐴−1
2. 𝐴 es invertible si y solo si 𝐴𝑇 es invertible, (𝐴𝑇 )−1 = (𝐴−1 )𝑇
3. Si 𝐴𝐵 = 𝐼𝑛 y 𝐶𝐴 = 𝐼𝑛 , entonces 𝐵 = 𝐶 = 𝐴−1
4. Si A es invertible, entonces 𝐴−1 es invertible y (𝐴−1 )−1 = 𝐴
1
5. 𝑘𝐴 es invertible y (𝑘𝐴)−1 = 𝐴−1 , 𝑘 ≠ 0.
𝑘
Inversa de una matriz de orden 2x2
La matriz D es invertible si y solo si 𝑎𝑑 − 𝑏𝑐 ≠ 0.
𝑎 𝑏 1 𝑑 −𝑏
Sea 𝐷 = [ ], su inversa estará dada por 𝐷−1 = [ ]
𝑐 𝑑 𝑎𝑑−𝑏𝑐 −𝑐 𝑎
2 3
Ejemplo. Hallar la inversa de la matriz 𝐺 = [ ]
1 3
Solución.
1 3 −3 1 3 −3
𝐺−1 = [ ]= [ ]
(2)(3) − (1)(3) −1 2 3 −1 2
Procedimiento para hallar la inversa de una matriz de orden n con el método de

Gauss-Jordan
Para hallar la inversa de una matriz A con el método de Gauss-Jordan se deben seguir los
siguientes pasos:

27
Paso 1. Construir una matriz aumentada con la matriz A y la matriz Identidad a la derecha,
así [𝐴𝑛 |𝐼𝑛 ]
Paso 2. Aplicar operaciones elementales entre filas para llevar la matriz aumentada a la
forma escalonada reducida.
Entonces, podemos encontrar dos situaciones:
i) Si la forma escalonada reducida es [𝐼𝑛 |𝐵], entonces A es invertible, 𝐵 = 𝐴−1

ii) Si la forma escalonada reducida es [𝐶|𝐷], donde C posee por lo menos una fila
de ceros, entonces A no es invertible.
Ejemplo: Determinar la inversa de la matriz A
1 0 1
𝐴 = [ 3 1 0]
0 −3 1
Solución. Construir una matriz aumentada con la matriz A y la matriz Identidad, luego
realizar operaciones elementales hasta llegar a la forma escalonada reducida.
1 0 1 1 0 0 𝑓2 →𝑓2 −3𝑓1 1 0 1 1 0 0 𝑓3 →𝑓3 +3𝑓2 1 0 1 1 0 0 𝑀3 (−1⁄ )

8
[3 1 0 |0 1 0] → [0 1 −3 |−3 1 0] → [0 1 −3 |−3 1 0] →
0 −3 1 0 0 1 0 −3 1 0 0 1 0 0 −8 −9 3 1
− 1⁄8 3⁄8 1⁄
1 0 1 1 0 0
𝑓 → 𝑓1 − 𝑓3 1 0 0 8
[0 1 −3 | −3 1 0 ] 1 0 1 0 || 3⁄8 − 1⁄8 − 3⁄8
9 ⁄ − 3⁄ − 1⁄ 𝑓2 → 𝑓2 + 3𝑓3
0 0 1 0 0 1 9
8 8 8 [ ⁄8 − 3⁄8 − 1⁄8]
La matriz quedó de la forma [𝐼𝑛 |𝐵], lo que indica que la inversa de la matriz A es la matriz
− 1⁄8 3⁄8 1⁄
8
𝐵= 3 1 3
⁄8 − ⁄8 − ⁄8 = 𝐴−1
9 3 1
[ ⁄8 − ⁄8 − ⁄8]
La inversa y los sistemas de ecuaciones lineales
Si A es una matriz invertible, entonces el sistema de ecuaciones 𝐴𝑋 = 𝐵, tiene una solución

dada por 𝑋 = 𝐴−1 𝐵. Veamos:
Tenemos el sistema 𝐴𝑋 = 𝐵 multiplicando por 𝐴−1 a ambos lados de la igualdad,
obtenemos 𝐴−1 𝐴𝑋 = 𝐴−1 𝐵, luego por definición 𝐴−1 𝐴 = 𝐼, entonces 𝐼𝑋 = 𝐴−1 𝐵 y por
propiedad del producto entre matrices, tenemos finalmente que 𝑋 = 𝐴−1 𝐵

28
Ejemplo.
Un panadero vende 2 clases de panecillos: regulares y extradulces. Cada lote de masa para
panecillos regulares emplea 50 lb de harina y 2 lb de azúcar. Cada lote de masa para
panecillos extradulces utiliza 49 lb de harina y 4 lb de azúcar. El panadero dispone de 690 lb
de harina y 48 lb de azúcar. ¿Cuántos lotes de cada tipo de panecillo deberá producir para
emplear toda la harina y todo el azúcar?
Solución:
Variables de decisión:
𝑥1 = Cantidad de lotes a producir del panecillo regular
𝑥2 = Cantidad de lotes a producir del panecillo extradulce
50𝑥1 + 49𝑥2 = 690

Sistema de ecuaciones {
2𝑥1 + 4𝑥2 = 48
Escrito en forma matricial 𝐴𝑋 = 𝐵
50 49 𝑥1 690
[ ] [𝑥 ] = [ ]
2 4 2 48
Verifiquemos que la matriz A tiene inversa:
𝑎𝑑 − 𝑏𝑐 ≠ 0, 𝑙𝑢𝑒𝑔𝑜, (50 ∗ 4) − (49 ∗ 2) = 102 ≠ 0 ∴ 𝐴 𝑡𝑖𝑒𝑛𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎
1 4 −49
La inversa de la matriz A es: 𝐴−1 = 102 [ ]
−2 50
La solución del sistema está dado por

𝑋 = 𝐴−1 𝐵
𝑥1 1 4 −49 690 1 408 4
[𝑥 ] = [ ][ ]= [ ]=[ ]
2 102 −2 50 48 102 1020 10
Conclusión: Se debe producir 4 lotes del panecillo regular y 10 lotes del panecillo
extradulce, empleando todo el azúcar y la harina.

III. DETERMINANTES
Determinantes de orden 2 x 2
𝑎 𝑏
Sea 𝐴 = [ ] una matriz de orden 2x2. El determinante de la matriz A, que se denota
𝑐 𝑑
det(A) ó |𝐴|, está dado por det(𝐴) = 𝑎𝑑 − 𝑏𝑐
4 6
Ejemplo: Calcular el determinante de la matriz 𝐴 = [ ]
7 8
𝑑𝑒𝑡(𝐴) = 4 ∗ 8 − 6 ∗ 7 = −10
Determinantes de orden n x n
El determinante de una matriz de orden n x n se puede calcular realizando un
procedimiento llamado Desarrollo por cofactores por una fila o por una columna de la
matriz A.
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
Sea 𝐴 = [ ⋮ ⋮ … ⋮ ]
𝑎𝑛1 𝑎𝑛2 … 𝑎
𝑛𝑛
 Desarrollo en cofactores por la fila i
|𝐴| = 𝑎𝑖1 𝐶𝑖1 + 𝑎𝑖2 𝐶𝑖2 + ⋯ + 𝑎𝑖𝑛 𝐶𝑖𝑛
𝑖 = 1, 2, … , 𝑛
 Desarrollo en cofactores por la columna j
|𝐴| = 𝑎1𝑗 𝐶1𝑗 + 𝑎2𝑗 𝐶2𝑗 + ⋯ + 𝑎𝑛𝑗 𝐶𝑛𝑗
𝑗 = 1, 2, … , 𝑛
Donde
Cofactor i,j (𝑪𝒊𝒋 ): Se define como

𝐶𝑖𝑗 = (−1)𝑖+𝑗 |𝑀𝑖𝑗 |
Menor i, j ( 𝑴𝒊𝒋 ): es la matriz que resulta al suprimir la fila i columna j en la matriz A.
Ejemplo: Calcular el determinante de la matriz A

30
2 3 5 −2
𝐴=[ 0 −2 2 −4]
5 0 1 6
−1 4 0 1
Solución: desarrollaremos el determinante en cofactores por la primera fila. Aplicamos la

definición de factor como sigue:
𝐷𝑒𝑡(𝐴) = 2(−1)1+1 |𝑀11 | + 3(−1)1+2 |𝑀12 | + 5(−1)1+3 |𝑀13 | + (−2)(−1)1+4 |𝑀14 |
−2 2 −4 0 2 −4 0 −2 −4 0 −2 2
𝐷𝑒𝑡(𝐴) = 2 | 0 1 6 | − 3 | 5 1 6 | + 5 | 5 0 6 |+ 2| 5 0 1|
4 0 1 −1 0 1 −1 4 1 −1 4 0
1 6 0 6 0 1 1 6 5 6 5 1
𝐷𝑒𝑡(𝐴) = 2 (−2 | | −2| | − 4| |) − 3 (0 | |− 2| | − 4| |)
0 1 4 1 4 0 0 1 −1 1 −1 0
0 6 5 6 5 0
+ 5 (0 | |+ 2| | − 4| |)
4 1 −1 1 −1 4
0 1 5 1 5 0
+ 2 (0 | |+ 2| | + 2| |)
4 0 −1 0 −1 4
𝐷𝑒𝑡(𝐴) = 2(−2 + 48 + 16) − 3(−22 − 4) + 5(22 − 80) + 2(2 + 40) = −4
Propiedades de los determinantes
Sean A y B matrices cuadradas

i) 𝑑𝑒𝑡(𝐴𝑇 ) = det(𝐴)
ii) det(𝐴𝐵) = det(𝐴) ∗ det(𝐵)
1
iii) 𝑑𝑒𝑡(𝐴−1 ) =
det(𝐴)
𝑛
iv) det(𝑘𝐴) = 𝑘 det(𝐴), donde 𝑘 ∈ 𝑅 y n es el orden de la matriz
Teoremas de los determinantes
1. El determinante de una matriz es cero si:

Posee dos líneas iguales
Todos los elementos de una línea son nulos.
Los elementos de una línea son combinación lineal de las otras, F3 = F1 + F2
2. En una matriz triangular, el determinante es igual al producto de los elementos de la
diagonal principal.
3. Si B es la matriz que resulta de intercambiar dos líneas de A, entonces 𝑑𝑒𝑡(𝐵) =
−𝑑𝑒𝑡(𝐴) .
4. Si a los elementos de una línea se le suman los elementos de otra paralela
multiplicados previamente por un número real el valor del determinante no varía.

31
5. Si B es la matriz que resulta de multiplicar una línea de A por un número real 𝑘,

entonces 𝑑𝑒𝑡(𝐵) = 𝑘𝑑𝑒𝑡(𝐴).
6. Si todos los elementos de una fila o columna están formados por dos sumandos,
dicho determinante se descompone en la suma de dos determinantes.
Regla de Cramer
Este método sirve para resolver sistemas de ecuaciones lineales de orden nxn donde la
matriz de coeficientes es invertible.
Regla de Cramer para sistemas lineales 2x2
Tenemos el sistema de ecuaciones:
𝑎11 𝑥1 + 𝑎12 𝑥2 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 = 𝑏2
𝑎11 𝑎12
Si |𝐴| = |𝑎 𝑎22 | ≠ 0
21
Entonces:
𝑏 𝑎12 𝑎 𝑏1
| 1 | 𝑏1 𝑎22 − 𝑏2 𝑎12 | 11 | 𝑎11 𝑏2 − 𝑎21 𝑏1
𝑏2 𝑎22 𝑎21 𝑏2
𝑥1 = = 𝑥2 = =
|𝐴| 𝑎11 𝑎22 − 𝑎21 𝑎12 |𝐴| 𝑎11 𝑎22 − 𝑎21 𝑎12
Regla de Cramer para sistemas lineales 3x3
Tenemos el sistema de ecuaciones:
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 = 𝑏2
𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 = 𝑏3
𝑎11 𝑎12 𝑎13
Si |𝐴| = |𝑎21 𝑎22 𝑎23 | ≠ 0
𝑎31 𝑎32 𝑎33
Entonces:
𝑏1 𝑎12 𝑎13 𝑎11 𝑏1 𝑎13 𝑎11 𝑎12 𝑏1

|𝑏2 𝑎22 𝑎23 | |𝑎21 𝑏2 𝑎23 | |𝑎21 𝑎22 𝑏2 |
𝑏3 𝑎32 𝑎33 𝑎31 𝑏3 𝑎33 𝑎31 𝑎32 𝑏3
𝑥1 = 𝑥2 = 𝑥3 =
|𝐴| |𝐴| |𝐴|

IV. INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL
La programación lineal es una técnica de modelación matemática utilizada para la

optimización de objetivos y la toma de decisiones en una empresa y así manejar mejor sus
recursos como el número de máquinas, horas de trabajo, inventarios, demanda, etc.
La programación lineal resuelve problemas determinísticos en administración, tales como

problemas de costo, utilidad, inversión, ingresos; niveles de contaminación en ecología;
mezclas en química; etc.
Conceptos básicos de programación lineal
Función objetivo: Expresión matemática que sirve para representar el criterio destinado a
evaluar en la resolución de problemas. Es por tanto, una función lineal que debe
maximizarse o minimizarse.
Restricciones: Limitaciones que se imponen a un problema.
Restricciones de no negatividad: conjunto de restricciones que exigen que todas las
variables sean positivas.
Variables de decisión: cantidades desconocidas que deben determinarse para solucionar un
problema de decisión.
Región factible: es el conjunto de todos los puntos del plano cartesiano que satisfacen
todas las restricciones del problema de programación lineal.
Solución factible: es un vector X que satisface el conjunto de restricciones.
Solución no factible: Solución que infringe una o más restricciones, por lo tanto no existe
ninguna solución del problema de programación lineal.
Solución óptima: Es una solución factible que maximiza o minimiza el valor de la función
objetivo.
Solución degenerada: Aquella en la cual no se incluye por lo menos una variable de
decisión.
Solución no acotada: la solución se presenta en el infinito. Esto sucede cuando el modelo
matemático no es lo suficientemente preciso.
Precio sombra: Mide el valor marginal del recurso i, es decir, la tasa a la que Z puede
aumentar si se incrementa en una unidad la cantidad disponible de dicho recurso.
Costo reducido: Indica cuánto se puede incrementar (maximizando) o decrementar
(minimizando) el coeficiente de la variable en la función objetivo antes de que la solución
óptima pueda variar. Esto indica que no resultará rentable producir el producto 𝑥𝑖 a menos
que el beneficio que éste genere aumente en dicho valor.

33
Modelo Estándar de Programación Lineal
Supóngase que existe cualquier número (m) de recursos limitados de cualquier tipo, que se
pueden asignar entre cualquier número (n) de actividades competitivas de cualquier clase.
Etiquétense los recursos con números (1, 2, ..., m) al igual que las actividades (1, 2, ..., n).
Sea xj (una variable de decisión) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la
medida de efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada
incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso
i (para i = 1, 2, ..., m). Por último defínase aij como la cantidad de recurso i que consume
cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el
modelo matemático para el problema general de asignar recursos y actividades. En
particular, este modelo consiste en elegir valores de x1, x2, ..., xn para:
Maximizar 𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + . . . + 𝑐𝑛 𝑥𝑛 ,
sujeto a las restricciones:
≥
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 𝑏1
<
≥
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 𝑏2
<
⋮
≥
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚
<
𝑥1 ≥ 0, 𝑥2 ≥ 0,..., 𝑥3 ≥ 0
En forma matricial:
𝑥1
𝑥
𝑀𝑎𝑥 𝑍 = [𝑐1 𝑐2 … 𝑐𝑛 ] [ 2 ]
⋮
𝑥𝑛
Sujeta a
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑏2
[ ⋮ ⋮ … ⋮ ][ ⋮ ] ≤ [ ⋮ ]
𝑚𝑛 𝑥𝑛 𝑏𝑚
En forma abreviada tenemos:

Maximizar 𝑍 = 𝐶𝑋
Sujeta a 𝐴𝑋 ≤ 𝐵
𝑥𝑗 ≥ 0, 𝑗 = 1,2, … , 𝑛
Donde
X: es la matriz de variables de decisión.
C: es la matriz de coeficientes de cada variable (precios, costos, etc.)
A: es la matriz tecnológica (requerimientos de insumos por unidad)
B: es la matriz de recursos disponibles (o demanda)

34
Método Gráfico
Dado un problema de programación lineal se debe:

1. Graficar cada una de las restricciones.
2. Encontrar la “Región de factibilidad”, que es la intersección de los hiperplanos
generados al graficar las restricciones.
3. Encontrar las coordenadas de los vértices del polígono.
4. Evaluar la función objetivo en cada vértice del polígono
5. Hacer el análisis de eficiencia y eficacia.
Teorema de programación lineal
Considere una función objetivo de dos variables, sujeta a ciertas restricciones lineales, las
cuales generan como región factible un polígono regular convexo. El valor máximo o mínimo
de la función objetivo, se encuentra en uno de los vértices de la región factible.
Ejemplo 1. Problema de producción.
La compañía Sigma produce bibliotecas y escritorios para los cuales ha establecido un precio
de venta por unidad de $9.000 y $10.000 respectivamente. Para la producción de dichos
artículos la compañía cuenta con una disponibilidad mensual de 700 metros de madera, 800
metros de tubo y 900 pliegos de papel lija. ¿Qué cantidad de bibliotecas y escritorios se
debe fabricar mensualmente si se sabe que una biblioteca consume 7 metros de madera, 10
metros de tubo y 6 pliegos de papel lija; mientras que para producir un escritorio se
requieren 10 metros de madera, 8 metros de tubo y 15 pliegos de papel lija?
Solución
Para la construcción de modelos tenga en cuenta: hacer un análisis de la información,
definir las variables, establecer la función objetivo y determinar las restricciones.
Definición de variables
La compañía debe decidir cuántas bibliotecas y escritorios se deberán producir
mensualmente para lograr una máxima utilidad, por tanto las variables son:
𝑥1 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑖𝑏𝑙𝑖𝑜𝑡𝑒𝑐𝑎𝑠 𝑎 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑟 𝑝𝑜𝑟 𝑚𝑒𝑠
𝑥2 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑐𝑟𝑖𝑡𝑜𝑟𝑖𝑜𝑠 𝑎 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑟 𝑝𝑜𝑟 𝑚𝑒𝑠
Función objetivo
Se trata de maximizar el ingreso de la compañía, pues nos dan información de precios de
venta de cada uno de los artículos que producen.
𝑀𝑎𝑥 𝑍 = 9000 𝑥1 + 10000𝑥2
Restricciones

35
La compañía debe tener en cuenta las siguientes limitaciones en los 3 recursos que tiene
para fabricar dichos productos:
Madera: 7 𝑥1 + 10𝑥2 ≤ 700
Tubo: 10 𝑥1 + 8𝑥2 ≤ 800
Papel lija: 6 𝑥1 + 15𝑥2 ≤ 900
También se deben considerar las restricciones de no negatividad, ya que en este caso no se

deben producir unidades negativas de ningún producto:
𝑥1 , 𝑥2 ≥ 0
El modelo matemático completo queda así:
𝑀𝑎𝑥 𝑍 = 9000 𝑥1 + 10000𝑥2

Sujeto a
7 𝑥1 + 10𝑥2 ≤ 700 metros de madera
10 𝑥1 + 8𝑥2 ≤ 800 metros de tubo
6 𝑥1 + 15𝑥2 ≤ 900 pliegos de papel lija
𝑥1 , 𝑥2 ≥ 0 restricciones de no negatividad
Ahora resolverlo por el método gráfico:
1. Se debe graficar cada restricción, inicialmente suponiendo una igualdad y luego en
el plano se le da el sentido:
Primera restricción:
Se supone la igualdad y se hallan los puntos de corte con los ejes, dándole valores de cero a
cada incógnita. Por ejemplo, si 𝑥1 = 0, despejando 𝑥2 es igual a 70, esto conforma el
par ordenado ((𝑥1 , 𝑥2 ) = (0,70). De igual forma se calcula el otro punto, cuando
𝑥2 = 0, entonces 𝑥1 es igual a 100, y se genera el par ordenado (100,0)
𝑠𝑖 𝑥1 = 0 ⇒ 𝑥2 = 70 ∴ (0,70)
7 𝑥1 + 10𝑥2 = 700 ⇒ {
𝑠𝑖 𝑥2 = 0 ⇒ 𝑥1 = 100 ∴ (100,0)
Estos puntos se marcan en el gráfico y se juntan mediante una línea recta. Y dado
que la restricción es menor o igual, se sombrea la región comprendida desde la recta
hasta el origen, que garantiza consumir como máximo 700 metros de madera.
Para la segunda restricción se aplica el mismo procedimiento de la primera

restricción para hallar los puntos de corte con los ejes:
𝑠𝑖 𝑥1 = 0 ⇒ 𝑥2 = 100 ∴ (0,100)
10 𝑥1 + 8𝑥2 = 800 ⇒ {
𝑠𝑖 𝑥2 = 0 ⇒ 𝑥1 = 80 ∴ (80,0)
El área factible para el recurso del tubo también se encuentra desde la recta hasta el punto
de origen (0,0).

36
Y para la tercera restricción, se utiliza el mismo procedimiento, obteniendo:

𝑠𝑖 𝑥1 = 0 ⇒ 𝑥2 = 60 ∴ (0,60)
6 𝑥1 + 15𝑥2 = 900 ⇒ {
𝑠𝑖 𝑥2 = 0 ⇒ 𝑥1 = 150 ∴ (150,0)
El área sombreada corresponde a la disponibilidad de 900 pliegos de papel lija (se puede
consumir menos de esto, pues la restricción es menor o igual)
2. Polígono de factibilidad: es la intersección de los hiperplanos generados al graficar

las restricciones.
Donde
𝑐1 : es la primera restricción
𝑐2 : es la segunda restricción
𝑐3 : es la tercera restricción
Los puntos A, B, C, D, y E son los vértices de la región factible (ó polígono de factibilidad)
3. El tercer paso es encontrar las coordenadas de los vértices del polígono:

Las coordenadas de los vértices son:
𝐴(0,0) está ubicado en el origen
𝐵(80,0)es el corte de la restricción 2 con el eje 𝑥1
600 350
𝐶 ( 11 ,
11
) es la intersección entre las restricciones de madera y tubo
Veamos
7 𝑥1 + 10𝑥2 = 700 metros de madera
10 𝑥1 + 8𝑥2 = 800 metros de tubo

37
Para hallar el valor de las variables de este sistema 2x2, se puede realizar por igualación,
sustitución, eliminación o cualquier otro método conocido.
Utilizando el método de eliminación:
7 𝑥1 + 10𝑥2 = 700 multiplicando la ecuación (1) por (-10)
10 𝑥1 + 8𝑥2 = 800 multiplicando la ecuación (2) por (7)
Tenemos
−70 𝑥1 − 100𝑥2 = −7000
70 𝑥1 + 56𝑥2 = 5600
−44𝑥2 = −1400
350
Simplificando se obtiene el valor de 𝑥2 = , tomando este valor y reemplazándolo en
11
cualquiera de las ecuaciones del sistema se halla el valor de 𝑥1 . Reemplazando en la
ecuación (1) tenemos:
350
7 𝑥1 + 10 ( 11 ) = 700
Y despejando 𝑥1 se obtiene:
350
700 − 10 ( ) 4200 600
11
𝑥1 = = =
7 77 11
100 140
𝐷( 3
, 3 ) es la intersección entre las restricciones de madera y papel lija. Se resuelve de
igual manera que el punto anterior:
7 𝑥1 + 10𝑥2 = 700 metros de madera

6 𝑥1 + 15𝑥2 = 900 pliegos de papel lija
Utilizando el método de eliminación:

7 𝑥1 + 10𝑥2 = 700 multiplicando la ecuación (1) por (6)
6 𝑥1 + 15𝑥2 = 900 multiplicando la ecuación (2) por (-7)
Tenemos
42 𝑥1 + 60𝑥2 = 4200
−42 𝑥1 − 105𝑥2 = −6300
−45𝑥2 = −2100
140
Simplificando se obtiene el valor de 𝑥2 = , tomando este valor y reemplazándolo en
3
cualquiera de las ecuaciones del sistema se halla el valor de 𝑥1 . Reemplazando en la
ecuación (1) tenemos:
140
7 𝑥1 + 10 ( 3
) = 700
Y despejando 𝑥1 se obtiene:

38
140
700 − 10 ( ) 700 100
3
𝑥1 = = =
7 21 3
𝐸(0,60) es el corte de la restricción 3 con el eje 𝑥2
4. El cuarto paso es evaluar la función objetivo en cada vértice del polígono. La función
objetivo es:
𝑀𝑎𝑥 𝑍 = 9000 𝑥1 + 10000𝑥2
Por lo tanto, evaluemos cada vértice en la función objetivo:
𝑍𝐴 = 9000 (0) + 10000(0) = 0
𝑍𝐵 = 9000 (80) + 10000(0) = 720.000
600 350
𝑍𝐶 = 9000 ( ) + 10000 ( ) = 809.090,9
11 11
100 140
𝑍𝐷 = 9000 ( ) + 10000 ( ) = 766.666,67
3 3
𝑍𝐸 = 9000 (0) + 10000(60) = 600.000
El mayor valor se obtiene en el punto C, por lo tanto, este problema tiene única solución,
600 350
entonces la compañía Sigma debe producir de bibliotecas y de escritorios. Con
11 11
estas cantidades de producción se halla el ingreso máximo de $809.090,9.
5. Análisis de eficiencia y eficacia

Con base en la solución obtenida se puede calcular cuánto de cada recurso se consume y
cuánto sobra; tan solo basta reemplazar los valores de las variables en cada una de las
restricciones. Veamos la siguiente tabla:
Recurso Disponibilidad Consumo Sobrante

Madera 700 metros 7(600/11)+10(350/11)=700 0
Tubo 800 metros 10(600/11)+8(350/11)=800 0
Lija 900 metros 6(600/11)+15(350/11)=8850/11 1050/11
Estos datos indican que se consume toda la madera y todos los metros de tubo, y se
consumen 8850/11 pliegos de papel lija, es decir se usa en un 89.39%
Ejemplo 2
La fábrica de calzado "Épsilon" produce zapatos para hombre y zapatos para dama a un
costo de $20.000 cada uno de ellos. Además, se ha establecido, mediante un estudio de
mercado que habrá una venta mínima de 20 zapatos para dama y que la venta mínima entre
los dos artículos será de 50 unidades. También se sabe que hay una disponibilidad de 540
horas-hombre por semana para la producción de dichos artículos. ¿Qué cantidad de cada

39
tipo de zapato se debe fabricar si se sabe que producir un par de zapatos para hombre se
requieren 6 horas y un par de zapatos para dama requiere 9 horas?
Modelo matemático
Variables de decisión. La compañía debe decidir cuántos zapatos para hombre y para dama
se deberán producir con la disponibilidad horaria y demanda que tienen:
𝑥1 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑧𝑎𝑝𝑎𝑡𝑜𝑠 𝑑𝑒 ℎ𝑜𝑚𝑏𝑟𝑒 𝑎 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑟
𝑥2 : 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑧𝑎𝑝𝑎𝑡𝑜𝑠 𝑑𝑒 𝑑𝑎𝑚𝑎 𝑎 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑟
Función objetivo. Se trata de minimizar el costo de producción.

𝑀𝑖𝑛 𝑍 = 20.000 𝑥1 + 20.000𝑥2
Restricciones. La compañía debe tener en cuenta las siguientes limitaciones:

Horas- Hombre: 6𝑥1 + 9𝑥2 ≤ 540
Venta mínima entre los dos artículos: 𝑥1 + 𝑥2 ≥ 50
Venta mínima zapatos dama: 𝑥2 ≥ 20
Restricciones de no negatividad: 𝑥1 , 𝑥2 ≥ 0
Modelo matemático completo:

𝑀𝑖𝑛 𝑍 = 20.000 𝑥1 + 20.000𝑥2
Sujeto a
6𝑥1 + 9𝑥2 ≤ 540
𝑥1 + 𝑥2 ≥ 50
𝑥2 ≥ 20
𝑥1 , 𝑥2 ≥ 0
Solución por el método gráfico.
Graficar cada restricción:
𝑠𝑖 𝑥1 = 0 ⇒ 𝑥2 = 60 ∴ (0,60)
6𝑥1 + 9𝑥2 = 540 ⇒ {
𝑠𝑖 𝑥2 = 0 ⇒ 𝑥1 = 90 ∴ (90,0)
𝑠𝑖 𝑥1 = 0 ⇒ 𝑥2 = 50 ∴ (0,50)
𝑥1 + 𝑥2 = 50 ⇒ {
𝑠𝑖 𝑥2 = 0 ⇒ 𝑥1 = 50 ∴ (50,0)
𝑥2 = 20
El polígono de factibilidad es el siguiente:

40
Las coordenadas de los vértices son:

𝐴(30,20)
𝐵(60,20)
𝐶(0,60)
𝐷(0,50)
La función objetivo evaluada en cada vértice es:

𝑍𝐴 = 20.000 (30) + 20.000(20) = 1.000.000
𝑍𝐵 = 20.000 (60) + 20.000(20) = 1.600.000
𝑍𝐶 = 20.000 (0) + 20.000(60) = 1.200.000
𝑍𝐷 = 20.000 (0) + 20.000(50) = 1.000.000
El mínimo valor se obtiene en los puntos A y D, por lo tanto, este problema tiene múltiples
soluciones, entonces la compañía Épsilon tiene dos alternativas de producción con mínimo
costo: a) producir 30 zapatos para hombre y 20 para dama ó
b) producir sólo 50 zapatos para dama.
Con estas cantidades el costo mínimo es de $1.000.000
Análisis de eficiencia y eficacia

Con base en la solución obtenida 𝑥1 = 30 y 𝑥2 = 20 se puede calcular cuánto de cada
recurso se consume y cuánto sobra; tan solo basta reemplazar los valores de las variables en
cada una de las restricciones. Veamos la siguiente tabla:

41
Recurso Disponibilidad Consumo Sobrante

H-H 540 H-H 6(30)+9(20)=360 180
Venta min
dos 50 30 + 20 = 50 0
artículos
Venta min
20 20 = 20 0
dama
Estos datos indican que hay una subutilización de las H-H, pues sólo se utilizó
aproximadamente un 66,66% de la disponibilidad. Se cumplió con la demanda mínima de
zapatos para dama y con la cantidad mínima demandada entre los dos artículos que era de
50 zapatos.
Método Simplex
REGLAS DE EQUIVALENCIA
Primera regla
Maximizar CX es equivalente a minimizar –CX
Ejemplo: Max Z = 3x1 + 4x2 es equivalente a Min (-Z) = -3x1 - 4x2
O también se puede realizar a la inversa:
Minimizar CX es equivalente a Maximizar –CX
Ejemplo: Min Z = 7x1 + 9x2 es equivalente a Max (-Z) = -7x1 - 9x2
Segunda regla
Una desigualdad 𝐴𝑋 ≤ 𝐵 es equivalente a −𝐴𝑋 ≥ −𝐵
Ejemplo:
3𝑥1 + 6 𝑥2 + 4𝑥3 ≤ 150 es equivalente a −3𝑥1 − 6 𝑥2 − 4𝑥3 ≥ −150
Tercera regla
Toda restricción de la forma AX = B se puede establecer como la intersección de dos
desigualdades así: 𝐴𝑋 ≤ 𝐵 y 𝐴𝑋 ≥ 𝐵
Para la aplicación y solución de un problema mediante el método simplex se deben tener en

cuenta los siguientes pasos:
PASO 1. Lleve la función objetivo a maximización mediante la aplicación de la primera regla

de equivalencia.
PASO 2. Transforme todas las restricciones a igualdades de la siguiente manera (esto se

realiza para formar los vectores unitarios que generan la primera solución básica factible):
 Restricción ≤ : sume una variable de holgura.

42
 Restricción ≥: reste una variable de exceso y sume una variable artificial para
generar el vector unitario, y penalice la función objetivo.
 Restricción =: sume una variable artificial para generar el vector unitario y penalice
la función objetivo.
PASO 3. Lleve toda todos los coeficientes al tablero simplex tal como se muestra en la tabla
1.
 En el CJ ubique todos los coeficientes de las variables en la función objetivo.
 En el CB coloque los coeficientes de la función objetivo, pero sólo de las variables
básicas.
 Ubique en la base las variables básicas, que son aquellas que generan dentro de las
restricciones los vectores unitarios. (Siempre serán las variables de holgura y las
variables artificiales)
 En el XB se asignan los valores del término independiente en cada una de las
restricciones (en el tablero inicial).
 Debajo de cada variable ubique el vector de cada una de ellas en las restricciones
(coeficientes de las variables en las restricciones).
PASO 4. Evalué si la solución actual es óptima. Para esto calcule los ZJ-CJ de la siguiente
manera:
𝑍𝐽 − 𝐶𝐽 = ∑𝑚𝐵=1(𝐶𝐵 𝐾𝐵 ) − 𝐶𝐽 , donde:
𝐶𝐵 son los coeficientes de las variables básicas en la función objetivo;

𝐶𝐽 son los coeficientes de la función objetivo y
𝐾𝐵 es cada uno de los vectores de las variables a través de las diferentes soluciones.
Los vectores 𝐶𝐵 y 𝐾𝐵 van cambiando de tablero en tablero a medida que se avanza hacia la
solución óptima del problema.
Si todos los 𝑍𝐽 − 𝐶𝐽 son mayores o iguales que cero; la solución se hace óptima.
De lo contrario continúe con el paso 5.
Tabla 1
CJ
Base XB Cociente
CB X1 X2 H1 H2 H3
ZJ - CJ Z=

43
PASO 5. Seleccione la variable que entra a la base: entra a la base aquella variable que tenga
el 𝑍𝐽 − 𝐶𝐽 más negativo. En caso de haber empate entre dos a más variables; el empate se
rompe arbitrariamente.
PASO 6. Seleccione la variable que sale de la base: para seleccionar la variable que
𝑋
abandonará la base aplique la siguiente regla: MIN {𝐾𝐵 } teniendo en cuenta sólo aquellos
𝐵
valores de 𝐾𝐵 mayores que cero (positivos). 𝐾𝐵 es el vector columna de la variable que

entra a la base.
PASO 7. Selección del pivote: el pivote es aquella posición donde se intercepta la columna
de la variable que entra (𝐾𝐵 ) y la fila de la variable que sale.
PASO 8. Mediante operaciones matriciales entre filas convierta la posición pivote en uno.
PASO 9. Utilizando operaciones matriciales convierta las demás posiciones de vector 𝐾𝐵 en
ceros.
PASO 10. Determine nuevamente el vector 𝐶𝐵 y regrese al paso 4. Continúe con este ciclo
hasta que se den las condiciones de optimalidad que pide el cuarto paso.

Notas de Clase Algebra Lineal y Programación Lineal PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Notas de Clase Algebra Lineal y Programación Lineal PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

ALGEBRA LINEAL Y

Liliana María Trujillo Mestra

Liliana María Trujillo Mestra

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

Una matriz es un arreglo rectangular de elementos. Por ejemplo:

En términos más generales,

Liliana María Trujillo Mestra

TIPOS ESPECIALES DE MATRICES

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

A es una matriz de orden 2 x 2, tiene el mismo número de filas y de columnas. Los

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

Sea 𝐴 = ‖𝑎𝑖𝑗 ‖ una matriz de orden m x n. La matriz transpuesta de A, denotada por 𝐴𝑇 , se

Propiedades de la Matriz Transpuesta

Si A y B son matrices y k un número real, entonces:

MATRIZ SIMÉTRICA Y ANTISIMÉTRICA

Sea A una matriz cuadrada:

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

1) Decimos que A es simétrica si 𝐴𝑇 = 𝐴, entonces 𝑎𝑖𝑗 = 𝑎𝑗𝑖

La matriz A es simétrica porque 𝐴 = 𝐴𝑇

La matriz B es antisimétrica porque 𝐵 = −𝐵𝑇

Nótese que en una matriz antisimétrica los elementos opuestos a la diagonal

OPERACIONES CON MATRICES

Sean 𝐴 = ‖𝑎𝑖𝑗 ‖ y 𝐵 = ‖𝑏𝑖𝑗 ‖ matrices del mismo orden m x n. La suma de A y B, denotada A

𝑎11 𝑎12 … 𝑎1𝑛 𝑏11 𝑏12 … 𝑏1𝑛

𝑎11 + 𝑏11 𝑎12 + 𝑏12 … 𝑎1𝑛 + 𝑏1𝑛

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

Propiedades de la adición de matrices

 Existencia de matriz cero o matriz nula:

 Existencia de matriz opuesta o inverso aditivo:

Producto por escalar

Si A es una matriz de orden m x n y k es un escalar (número real), podemos obtener otra

𝑘𝑎11 𝑘𝑎12 … 𝑘𝑎1𝑛

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

Propiedades del producto por escalar

Sean A y B matrices de orden m x n, y k y r números reales:

 𝑘(𝑟𝐴) = (𝑘𝑟)𝐴 = 𝑟(𝑘𝐴)

El producto matricial AB se define si y solo si el número de columnas de A es igual al número

𝐴𝑚𝑛 ∗ 𝐵𝑛𝑟 = 𝐶𝑚𝑟

i) Producto de vector fila por vector columna

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

ii) Producto de una matriz por un vector columna

iii) Producto entre matrices

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

(3)(3) + (6)(4) + (2)(3) (3)(−2) + (6)(1) + (2)(5) 39 10

Propiedades del producto de matrices

1) Sean A una matriz de orden m x n, B una matriz de orden n x r y 𝜆 un escalar,

𝐴(𝜆𝐵) = 𝜆(𝐴𝐵) = (𝜆𝐴)𝐵

2) Asociativa: Para cualquier matriz A de orden m x n, B de orden n x r y C de orden r x

3) Distributiva respecto a la suma: Sean A, B, C y D matrices tales que A es de orden m

Nota: El producto de matrices no conmuta:

Demostración de algunas propiedades

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

Propiedad asociativa: Debemos mostrar que la ij-ésima componente de (𝐴𝐵)𝐶 es igual a la

𝐴(𝐵𝐶) = 𝑎𝑖𝑗 (∑ 𝑏𝑗𝑘 𝑐𝑘𝑙 ) = ∑ ∑(𝑎𝑖𝑗 𝑏𝑗𝑘 𝑐𝑘𝑙 )

Propiedad distributiva: Debemos demostrar que (𝐵 + 𝐶)𝐷 = 𝐵𝐷 + 𝐶𝐷

= ‖∑(𝑏𝑖𝑗 𝑑𝑗𝑘 + 𝑐𝑖𝑗 𝑑𝑗𝑘 )‖ = ‖∑(𝑏𝑖𝑗 𝑑𝑗𝑘 ) + ∑(𝑐𝑖𝑗 𝑑𝑗𝑘 )‖

= ‖∑(𝑏𝑖𝑗 𝑑𝑗𝑘 )‖ + ‖∑(𝑐𝑖𝑗 𝑑𝑗𝑘 )‖ = 𝐵𝐷 + 𝐶𝐷

Las demás demostraciones se dejan como ejercicio.

Algebra Lineal y Programación lineal Liliana María Trujillo Mestra

II. SISTEMAS DE ECUACIONES LINEALES

Una ecuación es un enunciado o proposición que plantea la igualdad de dos expresiones,

Un sistema de ecuaciones es un conjunto integrado por más de una ecuación. Si un sistema