Marketing en Contenido Digital

MODELOS LINEALES
INGENIERÍA DE SISTEMAS
 Modelos Lineales

© Corporación Universitaria
Remington
Medellín, Colombia
Derechos Reservados ©2011
Primera edición
2020
Modelos Lineales
Pablo Emilio Botero Tobón
Facultad de Ingenierías

Comité académico
Jorge Mauricio Sepúlveda Castaño
Decano de la Facultad de Ingenierías
[email protected]

David Ernesto González Parra

Director Nacional de Educación a Distancia y Virtual
[email protected]

Francisco Javier Álvarez Gómez

Coordinador CUR-Virtual
[email protected]

Pablo Emilio Botero Tobón

Asesor pedagógico y metodológico Educación a Distancia y Virtual
[email protected]

Edición y Montaje
Dirección Nacional de Educación a Distancia y Virtual
Equipo de diseño gráfico
www.uniremington.edu.co
[email protected]

Derechos reservados: El módulo de estudio del curso de MODELOS LINEALES es

propiedad de la Corporación Universitaria Remington; las imágenes fueron tomadas
de diferentes fuentes que se relacionan en los derechos de autor y las citas en la
bibliografía. El contenido del módulo está protegido por las leyes de derechos de autor
que rigen al país. Este material tiene fines educativos y no puede usarse con
propósitos económicos o comerciales. El autor(es) certificó (de manera verbal o
escrita) No haber incurrido en fraude científico, plagio o vicios de autoría; en caso
contrario eximió de toda responsabilidad a la Corporación Universitaria Remington y
se declaró como el único responsable.

Esta obra es publicada bajo la licencia Creative Commons.

Reconocimiento-No Comercial-Compartir Igual 2.5 Colombia
 Modelos Lineales

3
TABLA DE CONTENIDO
Pág.

1 UNIDAD 1 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 2X2. 11

1.1.1 OBJETIVO GENERAL 11
1.1.2 OBJETIVOS ESPECÍFICOS 11

1.2 TEMA 1 CONCEPTOS RELACIONADOS CON SISTEMAS DE DOS ECUACIONES LINEALES CON DOS
INCÓGNITAS 11

1.3 TEMA 2 MÉTODOS DE SOLUCIÓN DE SISTEMAS LINEALES DE DOS ECUACIONES CON DOS INCÓGNITAS O
SISTEMA 2X2. 12
1.3.1 MÉTODO GRÁFICO: 13
1.3.2 EJERCICIOS DE APRENDIZAJE 13
1.3.3 MÉTODO IGUALACIÓN. 18
1.3.4 EJERCICIOS DE APRENDIZAJE 18
1.3.5 MÉTODO SUSTITUCIÓN. 23
1.3.6 EJERCICIOS DE APRENDIZAJE 23
1.3.7 MÉTODO REDUCCIÓN (O MÉTODO DE ELIMINACIÓN) 28
1.3.8 EJERCICIOS DE APRENDIZAJE 28
1.3.9 MÉTODO DETERMINANTES 33
1.3.10 EJERCICIOS DE APRENDIZAJE 33
1.3.11 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES MÉTODO DETERMINANTES: 33
1.3.12 EJERCICIOS DE APRENDIZAJE 34

1.4 TEMA 3 SOLUCIÓN DE PROBLEMAS DE APLICACIÓN 37

1.4.1 EJERCICIOS DE APRENDIZAJE 37
1.4.2 EJERCICIOS DE ENTRENAMIENTO 43

2 UNIDAD 2 MATRICES 48
2.1.1 OBJETIVO GENERAL 48
2.1.2 OBJETIVOS ESPECÍFICOS 48

2.2 TEMA 1 CONCEPTOS Y DEFINICIONES 48

2.2.1 EJERCICIOS DE APRENDIZAJE 51
2.2.2 EJERCICIOS DE APRENDIZAJE 53
2.2.3 CLASIFICACIÓN DE LAS MATRICES 56

2.3 TEMA 2 ALGEBRA DE MATRICES 62

2.3.1 IGUALDAD DE MATRICES. 62
2.3.2 EJERCICIOS DE APRENDIZAJE 62
2.3.3 SUMA DE MATRICES 64
2.3.4 EJERCICIOS DE APRENDIZAJE 64
2.3.5 MULTIPLICACIÓN POR UN ESCALAR 66
2.3.6 EJERCICIOS DE APRENDIZAJE 67
2.3.7 PROPIEDADES DE LA SUMA DE MATRICES Y DE LA MULTIPLICACIÓN POR ESCALAR. 68
2.3.8 MULTIPLICACIÓN DE MATRICES O PRODUCTO MATRICIAL. 69
 Modelos Lineales

4
2.3.9 EJERCICIOS DE APRENDIZAJE 73
2.3.10 EJERCICIOS DE APRENDIZAJE 78
2.3.11 EJERCICIOS DE ENTRENAMIENTO 80

3 UNIDAD 3 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES UTILIZANDO TÉCNICAS

MATRICIALES Y APLICACIONES 87
3.1.1 OBJETIVO GENERAL 87
3.1.2 OBJETIVOS ESPECÍFICOS 87

3.2 TEMA 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES 87

3.2.1 EJERCICIOS DE APRENDIZAJE 90

3.3 TEMA 2 MÉTODOS MATRICIALES PARA SOLUCIONAR SISTEMAS DE ECUACIONES LINEALES 94

3.3.1 MÉTODO 1: ELIMINACIÓN GAUSSIANA 94
3.3.2 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES CON INFINITAS SOLUCIONES: 109
3.3.3 SISTEMAS HOMOGÉNEOS 116
3.3.4 MÉTODO 2: ELIMINACIÓN GAUSS – JORDAN 117
3.3.5 EJERCICIOS DE APRENDIZAJE 118
3.3.6 MÉTODO 3: MATRIZ INVERSA 130
3.3.7 EJERCICIOS DE APRENDIZAJE 131
3.3.8 SISTEMAS DE ECUACIONES LINEALES SOLUCIONADOS CON LA MATRIZ INVERSA 141
3.3.9 EJERCICIOS DE APRENDIZAJE 141
3.3.10 MÉTODO 4: DETERMINANTES 154
3.3.11 MATRIZ ADJUNTA: 172
3.3.12 EJERCICIO DE APRENDIZAJE 172
3.3.13 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES UTILIZANDO DETERMINANTES 175
3.3.14 EJERCICIOS DE APRENDIZAJE 176

3.4 TEMA 3 APLICACIONES: PROBLEMAS QUE SE RESUELVEN PLANTEANDO SISTEMAS DE ECUACIONES

LINEALES 179
3.4.1 EJERCICIOS DE ENTRENAMIENTO 180
3.4.2 EJERCICIOS DE ENTRENAMIENTO 185

4 UNIDAD 4 ESPACIOS Y SUBESPACIOS VECTORIALES 191

4.1.1 OBJETIVO GENERAL 191
4.1.2 OBJETIVOS ESPECÍFICOS 191

4.2 TEMA 1 ESPACIO Y SUBESPACIOS VECTORIALES 191

4.2.1 EJERCICIOS DE APRENDIZAJE 197

4.3 TEMA 2 SUBESPACIOS VECTORIALES 200

4.3.1 EJERCICIO DE APRENDIZAJE 200

4.4 TEMA 3 BASES Y DIMENSIÓN DE UN ESPACIO (SUBESPACIO) 206

4.4.1 EJEMPLOS DE BASES. 206
4.4.2 EJEMPLOS DE DIMENSIÓN. 209
4.4.3 TEOREMAS 211
4.4.4 EJERCICIOS DE APRENDIZAJE 212
 Modelos Lineales

5
4.4.5 TALLER DE ENTRENAMIENTO 217

5 UNIDAD 5 MATRICES SIMILARES Y DIAGONALIZACIÓN 218

5.1.1 OBJETIVO GENERAL 218
5.1.2 OBJETIVOS ESPECÍFICOS 218

5.2 TEMA 1 DEFINICIÓN DE MATRICES SIMILARES 218

5.2.1 EJERCICIO DE APRENDIZAJE 218

5.3 TEMA 2 MATRICES EQUIVALENTES, CONGRUENTES Y SEMEJANTES. 220

5.3.1 PROPIEDADES: 221

5.4 TEMA 3 VALORES Y VECTORES PROPIOS. 221

5.5 TEMA 4 DIAGONALIZACIÓN DE UNA MATRIZ 224

5.5.1 MATRIZ DIAGONALIZABLE. 224

5.6 TEMA 5 APLICACIONES DE LA DIAGONALIZACIÓN 227

5.6.1 EJERCICIO DE APRENDIZAJE 228
5.6.2 TALLER DE ENTRENAMIENTO 229

6 UNIDAD 6 VECTORES, RECTAS Y PLANOS EN EL ESPACIO 231

6.1.1 OBJETIVO GENERAL 231
6.1.2 OBJETIVOS ESPECÍFICOS 231

6.2 TEMA 1 VECTORES EN R2 Y R3 231

6.2.1 VECTOR 231
6.2.2 EJERCICIOS DE APRENDIZAJE 232
6.2.3 EJERCICIOS DE APRENDIZAJE 233
6.2.4 EJERCICIOS DE APRENDIZAJE 235
6.2.5 EJERCICIOS DE APRENDIZAJE 237
6.2.6 EJERCICIO DE APRENDIZAJE 239
6.2.7 EJERCICIO DE APRENDIZAJE 239
6.2.8 EJERCICIOS DE APRENDIZAJE 241
6.2.9 EJERCICIOS DE AUTOAPRENDIZAJE 242
6.2.10 EJERCICIO DE APRENDIZAJE 244
6.2.11 EJERCICIO DE APRENDIZAJE 245
6.2.12 EJERCICIO DE APRENDIZAJE 246
6.2.13 EJERCICIOS DE APRENDIZAJE 246
6.2.14 EJERCICIOS DE APRENDIZAJE 249
6.2.15 EJERCICIOS DE APRENDIZAJE 250
6.2.16 EJERCICIO DE APRENDIZAJE 251
6.2.17 EJERCICIO DE APRENDIZAJE 252

6.3 TEMA 2 RECTAS Y PLANOS R3 253

6.3.1 EJERCICIO DE APRENDIZAJE 253
6.3.2 EJERCICIO DE APRENDIZAJE 256
6.3.3 EJERCICIOS DE APRENDIZAJE 258
6.3.4 EJERCICIOS DE ENTRENAMIENTO 261
 Modelos Lineales

6
7 UNIDAD 7 SISTEMAS DE DESIGUALDADES LINEALES 266
7.1.1 OBJETIVO GENERAL 268
7.1.2 OBJETIVOS ESPECIFICOS 268
7.1.3 PRUEBA INICIAL 268

7.2 TEMA 1 PLANOS Y SEMIPLANOS 271

7.2.1 EJERCICIOS DE APRENDIZAJE 287
7.2.2 TALLER DE ENTRENAMIENTO 294

7.3 TEMA 2 DESIGUALDADES LINEALES 296

7.3.1 EJERCICIOS DE APRENDIZAJE 304
7.3.2 TALLER DE ENTRENAMIENTO 315

8 UNIDAD 8 PLANTEAMIENTO ESTÁNDAR DE UN PROBLEMA DE PROGRAMACIÓN EN DOS

VARIABLES Y MÉTODOS DE SOLUCIÓN 318
8.1.1 OBJETIVO GENERAL 318
8.1.2 OBJETIVOS ESPECIFICOS 318

8.2 TEMA 1 DEFINICIONES BÁSICAS 318

8.2.1 EJERCICIO DE APRENDIZAJE 325
8.2.2 EJERCICIOS DE APRENDIZAJE 329

8.3 TEMA 2 PLANTEAMIENTO ESTÁNDAR DE UN PROBLEMA DE PROGRAMACIÓN LINEAL EN VARIAS

VARIABLES (MAXIMIZAR O MINIMIZAR) 331
8.3.1 EJERCICIO DE APRENDIZAJE 336
8.3.2 EJERCICIO DE APRENDIZAJE 347

8.4 TEMA 3 VARIABLES 354

8.4.1 EJERCICIOS DE APRENDIZAJE 357

8.5 TEMA 4 TIPO DE SOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL 358

8.5.1 EJERCICIOS DE APRENDIZAJE 358

8.6 TEMA 5 MÉTODOS DE SOLUCIÓN 361

https://www.hiru.eus/es/matematicas/programacion-lineal 364

9 UNIDAD 9 MÉTODO SIMPLEX 365

9.1.1 OBJETIVO GENERAL 365
9.1.2 OBJETIVOS ESPECÍFICOS 365

9.2 TEMA 1 TEOREMA FUNDAMENTAL DEL MÉTODO SIMPLEX 365

9.2.1 EJERCICIO DE APRENDIZAJE 366
9.2.2 EJERCICIO DE APRENDIZAJE 367
9.2.3 EJERCICIOS DE APRENDIZAJE 376
9.2.4 TALLER DE ENTRENAMIENTO 386

10 UNIDAD 10 APLICACIONES 393

10.1.1 OBJETIVO GENERAL 393
 Modelos Lineales

7
10.1.2 OBJETIVOS ESPECÍFICOS 393

10.2 TEMA 1 PROBLEMA DE LA DIETA EN PROGRAMACIÓN LINEAL RESUELTO CON SOLVER DE EXCEL 394

10.3 TEMA 2 PROBLEMA DE MEZCLAS 396

10.3.1 EJERCICIO DE APRENDIZAJE 405
10.3.2 TALLER DE ENTRENAMIENTO 412

10.4 TEMA 3 MÉTODO HÚNGARO 415

10.4.2 EJERCICIOS DE APRENDIZAJE 417
10.4.3 TALLER DE ENTRENAMIENTO 432

11 UNIDAD 11 DUALIDAD 437

11.1.1 OBJETIVO GENERAL 437
11.1.2 OBJETIVOS ESPECÍFICOS 437

11.2 TEMA 1 PLANTEAMIENTO DUAL (MINIMIZACIÓN) DEL PROBLEMA DE MAXIMIZACIÓN. 437

11.3 TEMA 2 FORMULACIÓN DEL PROBLEMA DUAL 441

11.3.1 EJERCICIO DE APRENDIZAJE 444

11.4 TEMA 3 TEOREMAS DE DUALIDAD 447

11.4.1 EJERCICIO DE APRENDIZAJE 457

12 UNIDAD 12 ANÁLISIS DE SENSIBILIDAD 460

12.1.1 OBJETIVO GENERAL 460
12.1.2 OBJETIVOS ESPECÍFICOS 460

12.2 TEMA 1 SENSIBILIDAD 460

12.2.1 EJERCICIO DE APRENDIZAJE 465

12.3 TEMA 2 TIPOS DE ANÁLISIS DE SENSIBILIDAD 469

12.3.1 TALLER DE ENTRENAMIENTO 474

13 ANEXOS COMPLEMENTARIOS 478

13.1.1 EJERCICIO DE APRENDIZAJE 489

14 PISTAS DE APRENDIZAJE 493

15 GLOSARIO 496

16 BIBLIOGRAFÍA 498
 Modelos Lineales

PROPÓSITO GENERAL

MODELOS LINEALES

El algebra lineal es una herramienta de uso cotidiano en la elaboración de diseños y la

implementación y desarrollo de proyectos. El manejo de la conceptualización y
aplicación de este modelo permitirá un ejercicio versátil de la acción en las diferentes
áreas del conocimiento.

Se busca, además, brindar al alumno las herramientas matemáticas para que sea capaz
de modelar sistemas a partir de un conjunto de ecuaciones lineales y encontrar por
medio de técnicas matriciales soluciones dichas ecuaciones, creando así horizontes de
predicción y mejorando a toma de decisiones.
 Modelos Lineales

MODELOS LINEALES
OBJETIVO GENERAL
Identificar los diferentes conceptos, herramientas, métodos, técnicas y
procedimientos de los modelos de algebra lineal y de la Programación Lineal para
la resolución problemas de la vida cotidiana, tanto laborales como académicos.

OBJETIVOS ESPECÍFICOS
➢ Manejar los conceptos fundamentales del modelo de transformación
propuesto por el álgebra lineal, solucionando ecuaciones lineales por medio
de las matrices.

➢ Desarrollar las técnicas analíticas para la solución de sistemas de

ecuaciones, utilizando los determinantes y su aplicación en la solución de
sistemas de ecuaciones lineales.

➢ Definir un espacio y un subespacio vectorial, su polinomio característico y

sus aplicaciones.

➢ Manejar correctamente valores y vectores propios, realizando, además, el

proceso de Diagonalización.

➢ Desarrollar
3
las técnicas que permitan la manipulación de vectores en R 2 y
R , calculando, además, la norma y los ángulos directores de un vector, las
diferentes operaciones con vectores; determinando, también las diferentes
ecuaciones de una recta en el espacio, la ecuación de los diferentes planos,
las ecuaciones de una recta en el espacio y la ecuación de un plano en el
espacio, la forma de graficarlos y cómo se identifican los planos paralelos.
1.5.2.6 Reconocer planos, semiplanos y las diferentes desigualdades en
varias variables. su aplicación en el entorno de las matemáticas.

➢ Realizar el planteamiento estándar de un problema de programación en dos

variables, describiendo paso a paso sus métodos de solución.

1.5.2.8 Realizar el planteamiento estándar de un problema de

programación lineal en varias variables utilizando el método simplex y el
método simplex revisado
1.5.2.9 Aplicar en el entorno y en la realidad prácticas sobre problemas de
Programación Lineal.
 Modelos Lineales

10
➢ Realizar el planteamiento estándar de un problema de programación lineal
en varias variables utilizando el método simplex y el método simplex
revisado

➢ Aplicar en el entorno y en la realidad prácticas sobre problemas de

Programación Lineal.

➢ Realizar el Planteamiento dual (minimización) y formulación del problema

de maximización.

➢ Identificar el impacto que resulta en los resultados del problema original

luego de determinadas variaciones en los parámetros, variables o
restricciones del modelo, sin que esto pase por resolver el problema.

UNIDAD1 UNIDAD 2 UNIDAD 3 UNIDAD 4

Solución de
Introducción:
sistemas de
solución de Espacios y
ecuaciones lineales
sistemas de Matrices subespacios
utilizando técnicas
ecuaciones vectoriales
matriciales y
lineales 2 x 2
aplicaciones

UNIDAD 5 UNIDAD 6 UNIDAD 7 UNIDAD 8

Planteamiento estándar
Matrices Vectores. rectas Sistemas de de un problema de
similares y y planos en el desigualdades programación en dos
variables y métodos de
diagonalización espacio lineales solución

UNIDAD 9 UNIDAD 10 UNIDAD 11 UNIDAD 12

Análisis de
Método simplex Aplicaciones Dualidad
sensibilidad
 Modelos Lineales

11
1 UNIDAD 1 SOLUCIÓN DE SISTEMAS DE ECUACIONES
LINEALES 2X2.
1.1.1 OBJETIVO GENERAL
➢ Analizar las características y la forma de los sistemas de ecuaciones lineales de dos
ecuaciones con dos incógnitas, explicando los diferentes métodos utilizados para la
solución de los mismos (Métodos: Reducción, igualación, sustitución y gráfico) y aplicarlos
en diferentes situaciones problémicas.

1.1.2 OBJETIVOS ESPECÍFICOS

➢ Describir las características de los sistemas de ecuaciones lineales de dos ecuaciones con
dos incógnitas.

➢ Solucionar ecuaciones lineales con dos incógnitas, utilizando los métodos de: Reducción,
igualación, sustitución y gráfico; se explica, además, la forma de enfrentarse a diferentes
situaciones problémicas que se resuelven planteando sistemas de ecuaciones lineales con
dos incógnitas.

1.2 TEMA 1 CONCEPTOS RELACIONADOS CON SISTEMAS DE

DOS ECUACIONES LINEALES CON DOS INCÓGNITAS
➢ SISTEMA DE ECUACIONES:

“Es la reunión de dos o más ecuaciones con dos o más incógnitas” BALDOR

Un sistema de ecuaciones consiste en varias ecuaciones con varias incógnitas. Cuando el sistema
tiene dos ecuaciones lineales con dos incógnitas recibe el nombre de sistema lineal 2X2.

𝟐𝒙 + 𝟑𝒚 = −𝟓
Por ejemplo: El sistema { Es un sistema 2x2
𝒙 + 𝟒𝒚 = −𝟏𝟎
 Modelos Lineales

12
Solucionar un sistema 2x2 es encontrar las parejas 𝐱 ∧𝐲 que al reemplazarlas en la ecuación
se obtiene una identidad, es decir una igualdad verdadera:
Al solucionar un sistema de ecuaciones puede suceder:

1.3 TEMA 2 MÉTODOS DE SOLUCIÓN DE SISTEMAS LINEALES DE

DOS ECUACIONES CON DOS INCÓGNITAS O SISTEMA 2X2.
Para solucionar sistemas 2x2, se utilizan cinco métodos diferentes que son:

➢ Método gráfico.

➢ Método por igualación.

➢ Método por sustitución.

➢ Método por reducción.

➢ Método por regla de Cramer o determinantes.

 Modelos Lineales

13
1.3.1 MÉTODO GRÁFICO:
Este método consiste en graficar en un mismo plano cartesiano cada ecuación, y luego determinar
las coordenadas del punto de corte, los valores 𝒙 ∧𝒚 de dicho punto corresponden a la
solución del sistema.

Se presentan tres casos posibles para las gráficas de las ecuaciones de un sistema:

a) Las rectas se intersecan en un solo punto: Son las coordenadas del punto de corte.

b) Las ecuaciones describen la misma recta: Cuando al graficar ambas rectas solo se observa
una sola, esto quiere decir que el sistema tiene infinitas soluciones.

c) Las dos rectas son paralelas”: Cuando las rectas son paralelas, es decir no se cortan, esto
quiere decir que el sistema no tiene solución.

Nota: No olvide que, para graficar una línea recta, es suficiente con conocer las coordenadas de
dos puntos sobre la línea recta, en muchos casos estas coordenadas corresponden a las
intersecciones con los ejes.

1.3.2 EJERCICIOS DE APRENDIZAJE

Utilizando el método gráfico solucione los siguientes sistemas 2x2:

𝒙 + 𝒚 = −𝟏 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
1)
𝟑𝒙 + 𝒚 = 𝟑 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

PROCEDIMIENTO
a) Se realiza la gráfica de cada una de las líneas rectas, asignándole valores a 𝒙 para obtener
el correspondiente de 𝒚, se tomarán las intersecciones con los ejes, esto es:

• Puntos para graficar: 𝒙 + 𝒚 = −𝟏

 Modelos Lineales

14
PUNTOS INTERCEPTOS ECUACIÓN 1 PUNTO PARA
SOBRE LOS EJES REPRESENTAR
𝒙 + 𝒚 = −𝟏
COORDENADOS

𝑆𝑖 𝑥 = 0 𝟎 + 𝒚 = −𝟏 → 𝒚 = −𝟏 (0, −1)

𝑆𝑖 𝑦 = 0 𝒙 + 𝟎 = −𝟏 → 𝒙 = −𝟏 (−1,0)

• Puntos para graficar: 𝟑𝒙 + 𝒚 = 𝟑

PUNTOS INTERCEPTOS ECUACIÓN 2 PUNTO PARA

SOBRE LOS EJES REPRESENTAR
𝟑𝒙 + 𝒚 = 𝟑
COORDENADOS

𝑆𝑖 𝑥 = 0 𝟑 ∗ (𝟎) + 𝒚 = 𝟑 → 𝒚 = 𝟑 (0,3)

𝑆𝑖 𝑦 = 0 𝟑𝒙 + 𝟎 = 𝟑 → 𝒙 = 𝟏 (1,0)

• La gráfica la podemos ver en la figura1:

Figura 1.
 Modelos Lineales

15
Se puede observar que las dos rectas se cortan en el punto 𝒙 = 𝟐 ∧ 𝒚 = −𝟑
➢ Prueba: Se reemplazan los puntos del intercepto en cada una de la ecuación dada:

o ECUACIÓN 1:

𝒙 + 𝒚 = −𝟏 → (𝟐) + (−𝟑) = −𝟏 → 𝟐 − 𝟑 = −𝟏 → −𝟏 = −𝟏
Lo cual es verdadero.

o ECUACIÓN 2:

𝟑𝒙 + 𝒚 = 𝟑 → 𝟑(𝟐) + (−𝟑) = 𝟑 → 𝟔 − 𝟑 = 𝟑 → 𝟑 = 𝟑
Lo cual es verdadero.

a. Por lo tanto, la solución del sistema es:

𝒙 = 𝟐 ∧ 𝒚 = −𝟑, el punto p de coordenadas 𝒑(𝟐, −𝟑)

𝟐𝒙 + 𝒚 = 𝟑 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
2)
𝒙 + 𝒚 = 𝟒 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
PROCEDIMIENTO

b) Se realiza la gráfica de cada una de las líneas rectas, asignándole valores a 𝒙 para obtener
el correspondiente de 𝒚, se tomarán las intersecciones con los ejes, esto es:

• Puntos para graficar: 𝟐𝒙 + 𝒚 = 𝟑

PUNTOS INTERCEPTOS ECUACIÓN 1 PUNTO PARA

SOBRE LOS EJES REPRESENTAR
𝟐𝒙 + 𝒚 = 𝟑
COORDENADOS

𝑆𝑖 𝑥 = 0 𝟐(𝟎) + 𝒚 = 𝟑 → 𝒚 = 𝟑 (0,3)
 Modelos Lineales

16
𝑆𝑖 𝑦 = 0 𝟑 3
𝟐𝒙 + 𝟎 = 𝟑 → 𝒙 = ( , 0)
𝟐 2

• Puntos para graficar: 𝒙 + 𝒚 = 𝟒

PUNTOS INTERCEPTOS ECUACIÓN 2 PUNTO PARA

SOBRE LOS EJES REPRESENTAR
𝒙+𝒚=𝟒
COORDENADOS

𝑆𝑖 𝑥 = 0 𝟎+𝒚=𝟒→𝒚=𝟑 (0,4)

𝑆𝑖 𝑦 = 0 𝒙+𝟎=𝟒→𝒙=𝟒 (4,0)

La gráfica de estas dos rectas se puede ver en la figura 2

Figura 2.

Se puede observar que las dos rectas se cortan en el punto 𝒙 = −𝟏 ∧ 𝒚 = 𝟓

El punto de coordenadas: (−𝟏, 𝟓)

o Prueba en : 𝟐𝒙 + 𝒚 = 𝟑 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏.

𝟐(−𝟏) + (𝟓) = 𝟑 → −𝟐 + 𝟓 = 𝟑
 Modelos Lineales

17
𝟑 = 𝟑 Verdadero
o Prueba en: 𝒙 + 𝒚 = 𝟒 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
(−𝟏) + (𝟓) = 𝟒 → −𝟏 + 𝟒 = 𝟓

𝟒 = 𝟒 Verdadero
b. Por lo tanto, la solución del sistema es:

𝒙 = −𝟏 ∧ 𝒚 = 𝟓, el punto p de coordenadas 𝒑(−𝟏, 𝟓)

𝒙+𝒚=𝟖
3)
𝒙 + 𝒚 = 𝟏𝟐

a. La representación gráfica de estas dos ecuaciones se ve en la figura 3.

Figura 3

Se puede ver que estas dos rectas son paralelas, es decir no se cortan por lo tanto el sistema no
tiene solución.

TIPS

La pendiente de una recta está dada por el coeficiente de x

y en ambas ecuaciones el coeficiente es 1
 Modelos Lineales

18
𝒙+𝒚=𝟒
4)
𝟐𝒙 + 𝟐𝒚 = 𝟖

a. La representación gráfica de estas dos ecuaciones se puede observar en la figura 4.

Figura 4

b. Sólo se observa una sola recta, ya que las dos rectas coinciden, esto quiere decir que el
sistema tiene infinitas soluciones.

NOTA: La forma de indicar las soluciones de un sistema de ecuaciones, cuando

este tiene infinitas soluciones, se analizará en la unidad 3.

1.3.3 MÉTODO IGUALACIÓN.

Se analizará el método a través de algunos ejemplos:

1.3.4 EJERCICIOS DE APRENDIZAJE

Solucione los siguientes sistemas 2 X 2 utilizando el método igualación:

𝟑𝒙 + 𝟐𝒚 = 𝟓
1) 𝟒𝒙 + 𝟑𝒚 = 𝟏𝟐

a. PROCEDIMIENTO:
 Modelos Lineales

19
Nota: Es conveniente que enumere cada ecuación y cada resultado obtenido:
𝟑𝒙 + 𝟐𝒚 = 𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏
𝟒𝒙 + 𝟑𝒚 = 𝟏𝟐 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

b. Se despeja la misma variable de ambas ecuaciones:

➢ De la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏 se despeja 𝒙:

𝟓 − 𝟐𝒚
𝟑𝒙 + 𝟐𝒚 = 𝟓 → 𝟑𝒙 = 𝟓 − 𝟐𝒚 → 𝒙 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟑

➢ De la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 se despeja 𝒙:

𝟏𝟐 − 𝟑𝒚
𝟒𝒙 + 𝟑𝒚 = 𝟏𝟐 → 𝟒𝒙 = 𝟏𝟐 − 𝟑𝒚 → 𝒙 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒
𝟒

c. Se igualan las dos ecuaciones anteriores, Para el ejemplo vamos a igualar la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑 con
la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒:

𝟓 − 𝟐𝒚 𝟏𝟐 − 𝟑𝒚
=
𝟑 𝟒
d. Se soluciona esta ecuación para 𝒚:

𝟓 − 𝟐𝒚 𝟏𝟐 − 𝟑𝒚
= → 𝟒 ∗ (𝟓 − 𝟐𝒚) = 𝟑 ∗ (𝟏𝟐 − 𝟑𝒚) →
𝟑 𝟒
𝟐𝟎 − 𝟖𝒚 = 𝟑𝟔 − 𝟗𝒚 → −𝟖𝒚 + 𝟗𝒚 = 𝟑𝟔 − 𝟐𝟎 → 𝒚 = 𝟏𝟔 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟓

e. Se reemplaza el resultado anterior en cualquiera de las ecuaciones anteriores,

preferiblemente en la ecuación 3 o en la ecuación 4 (ya está despejada la 𝒙) .

➢ Se reemplaza la ecuación 5 en la ecuación 3:

𝟓−𝟐𝒚
𝒚 = 𝟏𝟔 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟓 𝒙= 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟑
 Modelos Lineales

20
𝟓 − 𝟐(𝟏𝟔) 𝟓 − 𝟑𝟐 −𝟐𝟕
𝒙= → 𝒙= → 𝒙= → 𝒙 = −𝟗
𝟑 𝟑 𝟑

f. Se debe dar la prueba en las ecuaciones originales con 𝒙 = −𝟗 ∧ 𝒚 = 𝟏𝟔

➢ Prueba en la ecuación 1:

𝟑𝒙 + 𝟐𝒚 = 𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏

𝟑(−𝟗) + 𝟐(𝟏𝟔) = 𝟓 → −𝟐𝟕 + 𝟑𝟐 = 𝟓 →

𝟓 = 𝟓 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐

➢ Prueba en la ecuación 2:

𝟒𝒙 + 𝟑𝒚 = 𝟏𝟐 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

𝟒(−𝟗) + 𝟑(𝟏𝟔) = 𝟏𝟐 → −𝟑𝟔 + 𝟒𝟖 = 𝟏𝟐 →

𝟏𝟐 = 𝟏𝟐 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
Por lo tanto, la solución del sistema es:

𝒙 = −𝟗 ∧ 𝒚 = 𝟏𝟔 El punto 𝒑 de coordenadas 𝒑(−𝟗, 𝟏𝟔)

𝟒𝒙 − 𝟑𝒚 = 𝟏𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
2)
𝟕𝒙 + 𝟑𝒚 = −𝟏𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

PROCEDIMIENTO

𝟒𝒙 − 𝟑𝒚 = 𝟏𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏
𝟕𝒙 + 𝟑𝒚 = −𝟏𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

a. Se despeja la misma variable de ambas ecuaciones:

 Modelos Lineales

21
➢ De la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏 se despeja 𝒙:

𝟏𝟓 + 𝟑𝒚
𝟒𝒙 − 𝟑𝒚 = 𝟏𝟓 → 𝟒𝒙 = 𝟏𝟓 + 𝟑𝒚 → 𝒙 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟒

➢ De la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 se despeja 𝒙:

−𝟏𝟎 − 𝟑𝒚
𝟕𝒙 + 𝟑𝒚 = −𝟏𝟎 → 𝟕𝒙 = −𝟏𝟎 − 𝟑𝒚 → 𝒙 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒
𝟕

b. Se igualan las dos ecuaciones anteriores, Para el ejemplo vamos a igualar la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑 con
la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒:

𝟏𝟓 + 𝟑𝒚 −𝟏𝟎 − 𝟑𝒚
=
𝟒 𝟕

c. Se soluciona esta ecuación para 𝒚:

𝟏𝟓 + 𝟑𝒚 −𝟏𝟎 − 𝟑𝒚
= → 𝟕 ∗ (𝟏𝟓 + 𝟑𝒚) = 𝟒 ∗ (−𝟏𝟎 − 𝟑𝒚) →
𝟒 𝟕
𝟏𝟎𝟓 + 𝟐𝟏𝒚 = −𝟒𝟎 − 𝟏𝟐𝒚 → 𝟐𝟏𝒚 + 𝟏𝟐𝒚 = −𝟏𝟎𝟓 − 𝟒𝟎 → 𝟑𝟑𝒚 = −𝟏𝟒𝟓

−𝟏𝟒𝟓 𝟏𝟒𝟓
𝒚= →𝒚=− 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟓
𝟑𝟑 𝟑𝟑

d. Se reemplaza el resultado anterior en cualquiera de las ecuaciones anteriores,

preferiblemente en la ecuación 3 o en la ecuación 4 (ya está despejada la 𝒙) .

➢ Se reemplaza la ecuación 5 en la ecuación 3:

𝟏𝟒𝟓 𝟏𝟓 + 𝟑𝒚
𝒚=− 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟓 𝒙= 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟑𝟑 𝟒
𝟏𝟒𝟓 𝟏𝟒𝟓 𝟏𝟔𝟓 − 𝟏𝟒𝟓
𝟏𝟓 + 𝟑 ∗ (− 𝟑𝟑 ) 𝟏𝟓 − 𝟏𝟏
𝒙= → 𝒙= →𝒙= 𝟏𝟏
𝟑 𝟒 𝟒
𝟐𝟎 𝟓
→ 𝒙= → 𝒙=
𝟒 ∗ 𝟏𝟏 𝟏𝟏
 Modelos Lineales

22
e. Se debe dar la prueba en las ecuaciones originales con 𝑥 = −9 ∧ 𝑦 = 16

➢ Prueba en la ecuación 1:

𝟒𝒙 − 𝟑𝒚 = 𝟏𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏

𝟓 𝟏𝟒𝟓 𝟐𝟎 𝟏𝟒𝟓 𝟏𝟔𝟓

𝟒( ) − 𝟑 (− )= + = 𝟏𝟓 → = 𝟏𝟓 →
𝟏𝟏 𝟑𝟑 𝟏𝟏 𝟏𝟏 𝟏𝟏
𝟏𝟓 = 𝟏𝟓 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐

➢ Prueba en la ecuación 2:

𝟕𝒙 + 𝟑𝒚 = −𝟏𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

𝟓 𝟏𝟒𝟓 𝟑𝟓 𝟏𝟒𝟓 𝟑𝟓 − 𝟏𝟒𝟓

𝟕( ) + 𝟑 (− ) = −𝟏𝟎 → − = −𝟏𝟎 → = −𝟏𝟎 →
𝟏𝟏 𝟑𝟑 𝟏𝟏 𝟏𝟏 𝟏𝟎
−𝟏𝟎 = −𝟏𝟎 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐

Por lo tanto, la solución del sistema es:

𝟓 𝟏𝟒𝟓 𝟓 𝟏𝟒𝟓
𝒙= ∧𝒚=− El punto 𝒑, de coordenadas 𝒑 ( ,− )
𝟏𝟏 𝟑𝟑 𝟏𝟏 𝟑𝟑

𝟓𝒙 − 𝟑𝒚 = 𝟏 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
3)
𝟏𝟎𝒙 − 𝟔𝒚 = 𝟖 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
PROCEDIMIENTO

𝟓𝒙 − 𝟑𝒚 = 𝟏 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏
𝟏𝟎𝒙 − 𝟔𝒚 = 𝟖 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

a. Se despeja la misma variable de ambas ecuaciones:

➢ De la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏 se despeja 𝒙:

𝟏 + 𝟑𝒚
𝟓𝒙 − 𝟑𝒚 = 𝟏 → 𝟓𝒙 = 𝟏 + 𝟑𝒚 → 𝒙 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟓
 Modelos Lineales

23
➢ De la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 se despeja 𝒙:

𝟏𝟎𝒙 − 𝟔𝒚 = 𝟖 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 → 𝟏𝟎𝒙 = 𝟖 + 𝟔𝒚 →

𝟖 + 𝟔𝒚
𝒙= 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒
𝟏𝟎

b. Se igualan las dos ecuaciones anteriores, Para el ejemplo vamos a igualar la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑 con
la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒:

𝟏 + 𝟑𝒚 𝟖 + 𝟔𝒚
=
𝟓 𝟏𝟎

c. Se soluciona esta ecuación para 𝒚:

𝟏 + 𝟑𝒚 𝟖 + 𝟔𝒚
= → 𝟏𝟎 ∗ (𝟏 + 𝟑𝒚) = 𝟓 ∗ (𝟖 + 𝟔𝒚) →
𝟓 𝟏𝟎
𝟏𝟎 + 𝟑𝟎𝒚 = 𝟒𝟎 + 𝟑𝟎𝒚 → 𝟑𝟎𝒚 − 𝟑𝟎𝒚 = 𝟒𝟎 − 𝟏𝟎 →

𝟎 = 𝟑𝟎 𝑭𝒂𝒍𝒔𝒐
Se eliminó la variable 𝒚 se llegó a una igualdad falsa, esto quiere decir que el sistema no tiene
solución.

1.3.5 MÉTODO SUSTITUCIÓN.

Se analizará el método a través de algunos ejemplos:

1.3.6 EJERCICIOS DE APRENDIZAJE

1) Solucione el siguiente sistema 2x2.
𝟐𝒙 + 𝟑𝒚 = −𝟓
{
𝒙 + 𝟒𝒚 = −𝟏𝟎

PROCEDIMIENTO

a. Para identificar las ecuaciones es conveniente numerarlas:

 Modelos Lineales

24
𝟐𝒙 + 𝟑𝒚 = −𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
{
𝒙 + 𝟒𝒚 = −𝟏𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

b. De una de las ecuaciones despeje una de las variables. Por facilidad despeje de la ecuación
#2 la 𝒙, queda:

De ecuación #2: 𝒙 + 𝟒𝒚 = −𝟏𝟎 → 𝒙 = −𝟏𝟎 − 𝟒𝒚 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑,

c. La ecuación obtenida (ecuación 3) se reemplaza en la ecuación 1 (se despeja en una ecuación

y se tiene que reemplazar en la otra):

Queda: 𝟐(−𝟏𝟎 − 𝟒𝒚) + 𝟑𝒚 = −𝟓

Se obtiene una ecuación lineal con una incógnita

d. Se despeja la variable de la ecuación anterior:

−𝟐𝟎 − 𝟖𝒚 + 𝟑𝒚 = −𝟓 → −𝟖𝒚 + 𝟑𝒚 = −𝟓 + 𝟐𝟎 → −𝟓𝒚 = 𝟏𝟓 →

𝟏𝟓
−𝟓𝒚 = 𝟏𝟓 → 𝒚 = → 𝒚 = −𝟑 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒
−𝟓

e. El resultado anterior se remplaza o sustituye en cualquiera de las ecuaciones anteriores,

preferiblemente en la ecuación #3 (ya está despejada la 𝒙:

➢ Sustituyendo ecuación 𝒚 = −𝟑 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒 en la ecuación

𝒙 = −𝟏𝟎 − 𝟒𝒚 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑, se tiene:

𝒙 = −𝟏𝟎 − 𝟒 ∗ (−𝟑) → 𝒙 = −𝟏𝟎 + 𝟏𝟐 → 𝒙 = 𝟐

f. PRUEBA
➢ En la ecuación 1: 𝟐𝒙 + 𝟑𝒚 = −𝟓

𝟐 ∗ (𝟐) + 𝟑 ∗ (−𝟑) = −𝟓 → 𝟒 − 𝟗 = −𝟓 →
 Modelos Lineales

25
−𝟓 = −𝟓 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐

➢ En la ecuación 2: 𝒙 + 𝟒𝒚 = −𝟏𝟎

𝟐 + 𝟒 ∗ (−𝟑) = −𝟏𝟎 → 𝟐 − 𝟏𝟐 = −𝟏𝟎 →

−𝟏𝟎 = −𝟏𝟎 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐

g. Por lo tanto la solución del sistema es: 𝒙 = 𝟐, 𝒚 = −𝟑 que se puede dar también como la
pareja ordenada (𝟐, −𝟑) correspondiendo siempre el primer valor a 𝒙, el segundo valor a 𝒚.

______________________________________________________________________________

2) Utilizando el método sustitución solucione el sistema:

𝟑𝒙 − 𝟓𝒚 = 𝟏𝟎
{
𝒚 + 𝟐𝒙 = 𝟏𝟏

PROCEDIMIENTO
a. Para identificar las ecuaciones es conveniente numerarlas:
𝟑𝒙 − 𝟓𝒚 = 𝟏𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
{
𝒚 + 𝟐𝒙 = 𝟏𝟏 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

b. De cualquiera de las ecuaciones se despeja una de las variables:

➢ En este caso se despejará 𝒚 de la ecuación 2:
𝒚 + 𝟐𝒙 = 𝟏𝟏 → 𝒚 = 𝟏𝟏 − 𝟐𝒙 Ecuación 3

➢ Se reemplaza la ecuación 3 en la ecuación 1:

𝟑𝒙 − 𝟓𝒚 = 𝟏𝟎 → 𝟑𝒙 − 𝟓 ∗ (𝟏𝟏 − 𝟐𝒙) = 𝟏𝟎 → 𝟑𝒙 − 𝟓𝟓 + 𝟏𝟎𝒙 = 𝟏𝟎 →
𝟔𝟓
𝟑𝒙 + 𝟏𝟎𝒙 = 𝟏𝟎 + 𝟓𝟓 → 𝟏𝟑𝒙 = 𝟔𝟓 → 𝒙 = → 𝒙 = 𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒
𝟏𝟑

➢ Se reemplaza la ecuación 4 en la ecuación 3:

 Modelos Lineales

26
𝒚 = 𝟏𝟏 − 𝟐𝒙 → 𝒚 = 𝟏𝟏 − 𝟐 ∗ (𝟓) → 𝒚 = 𝟏𝟏 − 𝟏𝟎 → 𝒚 = 𝟏

➢ Se reemplazan estos valores en las ecuaciones 1 y 2 para verificar su validez:

En la ecuación 1:

𝟑𝒙 − 𝟓𝒚 = 𝟏𝟎 → 𝟑 ∗ (𝟓) − 𝟓 ∗ (𝟏) = 𝟏𝟎 → 𝟏𝟓 − 𝟓 = 𝟏𝟎 →

𝟏𝟎 = 𝟏𝟎 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
En la ecuación 2:

𝒚 + 𝟐𝒙 = 𝟏𝟏 → 𝟏 + 𝟐 ∗ (𝟓) = 𝟏𝟏 → 𝟏 + 𝟏𝟎 = 𝟏𝟏 →

𝟏𝟏 = 𝟏𝟏 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
c. Por lo tanto la solución del sistema es: 𝒙 = 𝟓, 𝒚 = 𝟏 que se puede dar también como la
pareja ordenada (𝟓, −𝟏) correspondiendo siempre el primer valor a 𝒙, el segundo valor
a 𝒚.

3) Utilizando el método sustitución solucione el sistema:

𝟑𝒙 + 𝟒𝒚 = 𝟐
{
𝟔𝒙 + 𝟖𝒚 = 𝟒
PROCEDIMIENTO

a. Para identificar las ecuaciones es conveniente numerarlas:

𝟑𝒙 + 𝟒𝒚 = 𝟐 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
{
𝟔𝒙 + 𝟖𝒚 = 𝟒 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

b. De cualquiera de las ecuaciones se despeja una de las variables:

➢ De la ecuación 1 se despeja la 𝒙:

𝟐 − 𝟒𝒚
𝟑𝒙 + 𝟒𝒚 = 𝟐 → 𝟑𝒙 = 𝟐 − 𝟒𝒚 → 𝒙 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟑
 Modelos Lineales

27
➢ Se reemplaza la ecuación 3 en la ecuación 2:

𝟐 − 𝟒𝒚
𝟔𝒙 + 𝟖𝒚 = 𝟒 → 𝟔 ( ) + 𝟖𝒚 = 𝟒 → 𝟐 ∗ (𝟐 − 𝟒𝒚) + 𝟖𝒚 = 𝟒 →
𝟑
𝟒 − 𝟖𝒚 + 𝟖𝒚 = 𝟒 → 𝟒 = 𝟒 =

Se eliminó la variable 𝒚 se llegó a una igualdad verdadera (𝟒 = 𝟒), por lo tanto el sistema tiene
infinitas soluciones.

Nota: Cuando un sistema 2 x 2 tiene infinitas soluciones, para dar la solución se

acostumbra despejar la primera variable de la última ecuación.

➢ Para nuestro sistema se tiene:

De la ecuación 2 se despeja 𝒙:

𝟒 − 𝟖𝒚 𝟐 − 𝟒𝒚
𝟔𝒙 + 𝟖𝒚 = 𝟒 → 𝟔𝒙 = 𝟒 − 𝟖𝒚 → 𝒙 = →𝒙=
𝟔 𝟑

➢ Como 𝒚 puede asumir cualquier valor, se dice que la solución es:

𝟐 − 𝟒𝒕
𝒚 = 𝒕, 𝒙 = , 𝒕 𝝐 𝑹𝒆
𝟑

➢ Es decir, la solución del sistema es:

𝟐 − 𝟒𝒕
𝒙= ⩘ 𝒚 = 𝒕, 𝒄𝒐𝒏 𝒕 𝝐 𝑹𝒆
𝟑

➢ Para determinar las diferentes soluciones se le debe asignar valores a 𝒕.

Por ejemplo:

• Para 𝒕 = 𝟎 , la solución es:

𝟐 − 𝟒 ∗ (𝟎) 𝟐
𝒙= ⩘𝒚=𝟎→𝒙= ⩘𝒕=𝟎
𝟑 𝟑

• Para 𝒕 = 𝟏, la solución es:

𝟐 − 𝟒 ∗ (𝟏) 𝟐
𝒙= ⩘𝒚=𝟏→𝒙=− ⩘𝒕=𝟏
𝟑 𝟑
 Modelos Lineales

28
Nota: Si se quieren obtener más soluciones, se le asignan más valores a t.

1.3.7 MÉTODO REDUCCIÓN (O MÉTODO DE ELIMINACIÓN)

Para resolver un sistema con el método eliminación se combinan las ecuaciones, con sumas o
diferencias, de tal manera que se elimina una de las variables.

• Método de Eliminación

Se debe realizar el siguiente procedimiento:

a) IGUALAR LOS COEFICIENTES. Se multiplica una o más de las ecuaciones por números
adecuados para que el coeficiente de una de las variables en una de las ecuaciones sea el
negativo del coeficiente correspondiente de la otra (se igualan coeficientes de alguna de
las variables, pero con signo contrario).

b) SUMAR LAS ECUACIONES. Se suman las dos ecuaciones para eliminar una de las variables
y a continuación se despeja la variable que queda.

Nota: Con este método se busca que los coeficientes de una de las variables sean
iguales en ambas ecuaciones y luego se restan o se suman término a término
ambas ecuaciones.

1.3.8 EJERCICIOS DE APRENDIZAJE

Utilizando el método reducción, solucione cada una de las siguientes ecuaciones.

𝟒𝒙 − 𝟑𝒚 = 𝟓
1) { 𝟐𝒙 + 𝒚 = 𝟕

PROCEDIMIENTO

a. Para identificar las ecuaciones es conveniente numerarlas:

𝟒𝒙 − 𝟑𝒚 = 𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
{
𝟐𝒙 + 𝒚 = 𝟕 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
 Modelos Lineales

29
➢ Inicialmente se eliminará la 𝒙: Para igualar los coeficiente y que queden con signos
contrarios, la ecuación 1 se multiplica por 2 y la ecuación 2 se multiplica por −4:

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏 ∗ (𝟐) → 𝟖𝒙 − 𝟔𝒚 = 𝟏𝟎

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 ∗ (−𝟒) → −𝟖𝒙 − 𝟒𝒚 = −𝟐𝟖

➢ Se suman las ecuaciones obtenidas al multiplicar:

𝟖𝒙 −𝟔𝒚 = 𝟏𝟎
−𝟖𝒙 −𝟒𝒚 = −𝟐𝟖

𝟎 −𝟏𝟎𝒚 = −𝟏𝟖

➢ Queda entonces que:

−𝟏𝟖 𝟗
−𝟏𝟎𝒚 = −𝟏𝟖 → 𝒚 = →𝒚=
−𝟏𝟎 𝟓

➢ Se realiza el mismo proceso para eliminar y, esto es, se multiplica la ecuación 1 por 1 y la
ecuación 2 por

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏 ∗ (𝟏) → 𝟒𝒙 − 𝟑𝒚 = 𝟓
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 ∗ (𝟑) → 𝟔𝒙 + 𝟑𝒚 = 𝟐𝟏

𝟒𝒙 −𝟑𝒚 = 𝟓
𝟔𝒙 +𝟑𝒚 = 𝟐𝟏

𝟏𝟎𝒙 𝟎 = 𝟐𝟔

➢ Queda entonces que:

𝟐𝟔 𝟏𝟑
𝟏𝟎𝒙 = 𝟐𝟔 → 𝒙 = →𝒙=
𝟏𝟎 𝟓
Ahora sumamos ambas ecuaciones término a término:

b. PRUEBA:

En la ecuación 1:

𝟏𝟑 𝟗 𝟓𝟐 𝟐𝟕
𝟒𝒙 − 𝟑𝒚 = 𝟓 → 𝟒 ∗ ( )−𝟑∗( )=𝟓 → − =𝟓→
𝟓 𝟓 𝟓 𝟓
 Modelos Lineales

30
𝟓𝟐 − 𝟐𝟕 𝟐𝟓
=𝟓→ = 𝟓 → 𝟓 = 𝟓 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
𝟓 𝟓

➢ En la ecuación 2:

𝟏𝟑 𝟗 𝟐𝟔 𝟗
𝟐𝒙 + 𝒚 = 𝟕 → 𝟐 ∗ ( ) + ( ) = 𝟕 → + =𝟕→
𝟓 𝟓 𝟓 𝟓
𝟐𝟔 + 𝟗 𝟑𝟓
=𝟕→ = 𝟕 → 𝟕 = 𝟕 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
𝟓 𝟓

𝟏𝟑 𝟗
c. Por lo tanto la solución del sistema es: 𝒙 = , 𝒚 = que se puede dar también como la
𝟓 𝟓
𝟏𝟑 𝟗
pareja ordenada ( , ) correspondiendo siempre el primer valor a 𝒙, el segundo valor a 𝒚.
𝟓 𝟓

______________________________________________________________________________

𝟑 𝟏
𝒙− 𝒚=𝟒
2) {𝟐 𝟑
𝒙 + 𝒚 = −𝟏

a. Para identificar las ecuaciones es conveniente numerarlas:

𝟑 𝟏
𝒙 − 𝒚 = 𝟒 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
{𝟐 𝟑
𝒙 + 𝒚 = −𝟏 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

➢ Inicialmente se eliminará la 𝒙: Para igualar los coeficiente y que queden con signos
𝟑
contrarios, la ecuación 1 se multiplica por 1 y la ecuación 2 se multiplica por − 𝟐:

𝟑 𝟏
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏 ∗ (𝟏) → 𝒙− 𝒚=𝟒
𝟐 𝟑
𝟑 𝟑 𝟑 𝟑
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 ∗ (− ) → − 𝒙 − 𝒚 =
𝟐 𝟐 𝟐 𝟐
 Modelos Lineales

31
➢ Sumando término a término:

𝟑 𝟏
𝒙 − 𝒚 =𝟒
𝟐 𝟑
𝟑 𝟑 𝟑
− 𝒙 − 𝒚 =
𝟐 𝟐 𝟐

𝟏 𝟑 −𝟐𝒚 − 𝟗𝒚 𝟏𝟏 𝟑 𝟏𝟏
𝟎 − 𝒚− 𝒚= =− 𝒚 =𝟒+ =
𝟑 𝟐 𝟔 𝟔 𝟐 𝟐

➢ Queda para resolver la ecuación:

𝟏𝟏 𝟏𝟏 (𝟏𝟏) ∗ (𝟔) 𝟔𝟔
=− 𝒚= →𝒚= →𝒚= → 𝒚 = −𝟑
𝟔 𝟐 (𝟐) ∗ (−𝟏𝟏) −𝟐𝟐

➢ Se aplica el mismo proceso para eliminar la otra variable:

Para igualar los coeficientes y que queden con signos contrarios, la ecuación 1 se multiplica por
𝟏
1 y la ecuación 2 se multiplica por :
𝟑
𝟑 𝟏
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏 ∗ (𝟏) → 𝒙− 𝒚=𝟒
𝟐 𝟑
𝟏 𝟏 𝟏 𝟏
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 ∗ (𝟑) → 𝟑 𝒙 + 𝒚 = − 𝟑 Sumando término a término:
𝟑

𝟑 𝟏 =𝟒
𝒙 − 𝒚
𝟐 𝟑
𝟏 𝟏 𝟏
𝒙 𝒚 =−
𝟑 𝟑 𝟑
𝟑 𝟏 𝟗𝒙 + 𝟐𝒙 𝟏𝟏 0 𝟏 𝟏𝟐 − 𝟏 𝟏𝟏
𝒙+ 𝒙= = 𝒙 =𝟒− = =
𝟐 𝟑 𝟔 𝟔 𝟑 𝟑 𝟑

➢ Queda para resolver la ecuación:

𝟏𝟏 𝟏𝟏 𝟔 ∗ 𝟏𝟏 𝟔
𝒙= →𝒙= →𝒙= →𝒙=𝟐
𝟔 𝟑 𝟏𝟏 ∗ 𝟑 𝟑

➢ PRUEBA:
𝟑 𝟏
• En la ecuación 1: 𝒙 − 𝒚 = 𝟒
𝟐 𝟑
 Modelos Lineales

32
𝟑 𝟏
∗ (𝟐) − (−𝟑) = 𝟒 → 𝟑 + 𝟏 = 𝟒 →
𝟐 𝟑
𝟒 = 𝟒 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐

• En la ecuación 2:
𝒙 + 𝒚 = −𝟏 → 𝟐 + (−𝟑) = −𝟏 → 𝟐 − 𝟑 = −𝟏 →
−𝟏 = −𝟏 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
•
•
b. Por lo tanto, la solución del sistema es: 𝒙 = 𝟐, 𝒚 = −𝟑 que se puede dar también como
la pareja ordenada (𝟐, −𝟑) correspondiendo siempre el primer valor a 𝒙, el segundo valor a 𝒚.

______________________________________________________________________________

𝟐𝒙 + 𝟐𝒚 = 𝟏
3. {
𝒙+ 𝒚=𝟕
a. Para identificar las ecuaciones es conveniente numerarlas:

𝟐𝒙 + 𝟐𝒚 = 𝟏 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
{
𝒙 + 𝒚 = 𝟕 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏 ∗ (𝟏) → 𝟐𝒙 + 𝟐𝒚 = 𝟏 → 𝟐𝒙 + 𝟐𝒚 = 𝟏

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 ∗ (−𝟐) → 𝒙 + 𝒚 = 𝟕 → −𝟐𝒙 − 𝟐𝒚 = −𝟏𝟒

➢ Sumando término a término:

𝟐𝒙 𝟐𝒚 = 𝟏
−𝟐𝒙 −𝟐𝒚 = −𝟏𝟒
𝟎 𝟎 = −𝟏𝟑𝟑
➢ Resulta la siguiente ecuación:

𝟎 = −𝟏𝟑 𝑭𝒂𝒍𝒔𝒐

➢ Se eliminaron ambas variables y se llegó a una igualdad falsa. Por lo tanto el sistema no
tiene solución.
 Modelos Lineales

33
1.3.9 MÉTODO DETERMINANTES
Un determinante 2 x 2 es una expresión de la forma:

𝒂 𝒃
𝑫=| |
𝒄 𝒅
𝒂
En la columna 1 tenemos las entradas | |
𝒄
𝒃
En la columna 2 tenemos las entradas | |
𝒅
El determinante es un número que se obtienen como:

𝒂 𝒃
𝑫=| | = 𝒂𝒅 − 𝒃𝒄
𝒄 𝒅

Nota: Más adelante se profundizará sobre los determinantes.

1.3.10 EJERCICIOS DE APRENDIZAJE

Calcule los siguientes determinantes:

−4 −2
1. 𝐷 = | | = (−4) ∗ (6) − (−2) ∗ (5) = −24 + 10 = −14
5 6
______________________________________________________________________________

2. 𝑫 = | 𝟖 −𝟒
| = (𝟖) ∗ (𝟕) − (−𝟒) ∗ (−𝟏) = 𝟓𝟔 − 𝟒 = 𝟓𝟐
−𝟏 𝟕
______________________________________________________________________________

1.3.11 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES MÉTODO

DETERMINANTES:
Dado un sistema 2 X 2 de la forma:
 Modelos Lineales

34
𝒂𝒙 + 𝒃𝒚 = 𝑬

𝒄𝒙 + 𝒅𝒚 = 𝑭

Se debe cumplir que:

• Las variables estén en el mismo orden en las dos ecuaciones.

• El término independiente este en el lado derecho de la ecuación.
• Se deben reducir términos semejantes.

Para este sistema se pueden escribir 3 determinantes así:

1. El determinante formado por los coeficientes de las variables con sus respectivos signos:

𝒂 𝒃
𝑫=| |
𝒄 𝒅
2. El determinante formado al reemplazar la entrada de la primera columna por la entrada del
término independiente, esto es:

𝑬 𝒃
𝑫𝟏 = | |
𝑭 𝒅
3. El determinante formado al reemplazar la entrada de la segunda columna por la entrada del
término independiente, esto es:

𝒂 𝑬
𝑫𝟐 = | |
𝒄 𝑭

La solución del sistema por determinantes está dada por:

𝑫𝟏 𝑫𝟐
𝒙= , 𝒚=
𝑫 𝑫

1.3.12 EJERCICIOS DE APRENDIZAJE

Utilizando determinantes, solucionar los siguientes sistemas de ecuaciones:

𝟓𝒙 − 𝟑𝒚 = 𝟔
1) {
𝟐𝒙 + 𝟕𝒚 = 𝟒
 Modelos Lineales

35
PROCEDIMIENTO
𝟔 −𝟑
𝑫𝟏 | | (𝟔)∗(𝟕)−(−𝟑)∗(𝟒) 𝟒𝟐+𝟏𝟐 𝟓𝟒
𝟒 𝟕
• 𝒙= →𝒙= 𝟓 −𝟑 = (𝟓)∗(𝟕)−(−𝟑)∗(𝟐) = =
𝑫 | | 𝟑𝟓+𝟔 𝟒𝟏
𝟐 𝟕

𝑫𝟐 |𝟓 𝟔|
(𝟓)∗(𝟒)−(𝟔)∗(𝟐) 𝟐𝟎−𝟏𝟐 𝟖
• 𝒚= →𝒚= 𝟐 𝟒 = (𝟓)∗(𝟕)−(−𝟑)∗(𝟐) = =
𝑫 𝟓 −𝟑 𝟑𝟓+𝟔 𝟒𝟏
| |
𝟐 𝟕

➢ PRUEBA:

En la ecuación 1:

𝟓𝟒 𝟖 𝟐𝟕𝟎 𝟐𝟒
𝟓𝒙 − 𝟑𝒚 = 𝟔 → 𝟓 ∗ ( ) − 𝟑 ∗ ( ) = 𝟔 → − =𝟔→
𝟒𝟏 𝟒𝟏 𝟒𝟏 𝟒𝟏
𝟐𝟕𝟎 − 𝟐𝟒 𝟐𝟒𝟔
=𝟔→ = 𝟔 → 𝟔 = 𝟔 𝒗𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
𝟒𝟏 𝟒𝟏

En la ecuación 2:

𝟓𝟒 𝟓𝟒 𝟏𝟎𝟖 𝟓𝟔
𝟐𝒙 + 𝟕𝒚 = 𝟒 → 𝟐 ∗ ( ) + 𝟕( ) = + =𝟒→
𝟒𝟏 𝟒𝟏 𝟒𝟏 𝟒𝟏
𝟏𝟎𝟖 + 𝟓𝟔 𝟏𝟔𝟒
=𝟒→ = 𝟒 → 𝟒 = 𝟒 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
𝟒𝟏 𝟒𝟏

➢ Por lo tanto, la solución del sistema es:

𝟓𝟒 𝟖
𝒙= ,𝒚 =
𝟒𝟏 𝟒𝟏
______________________________________________________________________________

𝟑𝒙 − 𝟐𝒚 = 𝟐𝟎
2) { 𝟓𝒙 + 𝟐𝒚 = 𝟖
 Modelos Lineales

36
PROCEDIMIENTO
𝟐𝟎 −𝟐
𝑫𝟏 | | (𝟐𝟎)∗(𝟐)−(−𝟐)∗(𝟖)
• 𝒙= →𝒙= 𝟖 𝟐
𝟑 −𝟐 = (𝟑)∗(𝟐)−(−𝟐)∗(𝟓)
=
𝑫 | |
𝟓 𝟐

𝟒𝟎 + 𝟏𝟔 𝟓𝟔 𝟕
= =
𝟔 + 𝟏𝟎 𝟏𝟔 𝟐
𝟑 𝟐𝟎
𝑫𝟐 | | (𝟑)∗(𝟖)−(𝟐𝟎)∗(𝟓)
• 𝒚= →𝒚= 𝟓 𝟖
𝟑 −𝟐 = (𝟑)∗(𝟐)−(−𝟐)∗(𝟓) =
𝑫 | |
𝟓 𝟐

𝟐𝟒 − 𝟏𝟎𝟎 −𝟕𝟔 𝟏𝟗
= =−
𝟔 + 𝟏𝟎 𝟏𝟔 𝟒

➢ PRUEBA:
En la ecuación 1:

𝟕 𝟏𝟗 𝟐𝟏 𝟏𝟗
𝟑𝒙 − 𝟐𝒚 = 𝟐𝟎 → 𝟑 ∗ ( ) − 𝟐 ∗ (− ) = 𝟐𝟎 → + = 𝟐𝟎 →
𝟐 𝟒 𝟐 𝟐
𝟐𝟏 + 𝟏𝟗 𝟒𝟎
= 𝟐𝟎 → = 𝟐𝟎 → 𝟐𝟎 = 𝟐𝟎 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
𝟐 𝟐

En la ecuación 2:

𝟕 𝟏𝟗 𝟑𝟓 𝟏𝟗
𝟓𝒙 + 𝟐𝒚 = 𝟖 → 𝟓 ∗ ( ) + 𝟐 ∗ (− ) = 𝟖 → − =𝟖→
𝟐 𝟒 𝟐 𝟐
𝟑𝟓 − 𝟏𝟗 𝟏𝟔
=𝟖→ = 𝟖 → 𝟖 = 𝟖 𝒗𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐
𝟐 𝟐

➢ Por lo tanto, la solución del sistema es:

𝟕 𝟏𝟗
𝒙= ,𝒚 = −
𝟐 𝟒
APLICACIONES: Para la solución de problemas, se sugiere el siguiente procedimiento:
 Modelos Lineales

37
1.4 TEMA 3 SOLUCIÓN DE PROBLEMAS DE APLICACIÓN
a) ASIGNAR LETRAS A LAS VARIABLES: Se asignan letras para representar las cantidades
variables del problema. Por lo general, la última oración del problema indica lo que se
pregunta, de modo que eso es lo que debe representar las letras asignadas.
b) ORGANIZAR LA INFORMACIÓN SUMINISTRADA: Si es posible, trazar un diagrama, o
formar una tabla que ayude a visualizar la relación entre las cantidades que intervienen
en el problema.
c) TRADUCIR LA INFORMACIÓN SUMINISTRADA EN ECUACIONES: Traducir la información
sobre las variables que aparecen en el problema. Recuerde que una ecuación sólo es una
afirmación escrita, usando los símbolos de las matemáticas.
d) RESOLVER LAS ECUACIONES E INTERPRETAR LOS RESULTADOS: Resolver las ecuaciones
formuladas en el paso 3 y expresar con palabras lo que significan las soluciones, en
términos de los significados originales de las variables.

1.4.1 EJERCICIOS DE APRENDIZAJE

1) Una mujer planea invertir un total de US$ 2.500. Parte de él lo pondrá en un certificado de
ahorros que paga una tasa de interés del 9.5% anual y el resto lo pondrá en un fondo de
inversiones que paga una tasa de interés del 13% anual. ¿Cuánto debe invertir en cada uno
para obtener una ganancia del 11?6%, sobre su dinero después de un año?

PROCEDIMIENTO

a. CANTIDADES Y MODO DE INVERSIÓN

CANTIDAD INVERTIDA MODO DE INVERSIÓN

𝒙 Certificado de ahorros

𝒚 Fondo de inversiones

𝒙 + 𝒚 = 𝟐𝟓𝟎𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
 Modelos Lineales

38
b. RENDIMIENTOS ANUALES
REPRESENTACIÓN
MODO DE INVERSIÓN RENDIMIENTO OBTENIDO
MATEMÁTICA
𝟗. 𝟓
Certificado de ahorros 𝟗. 𝟓% 𝒅𝒆 𝒙 𝒙
𝟏𝟎𝟎
𝟏𝟑
Fondo de inversiones 𝟏𝟑% 𝒅𝒆 𝒚 𝒚
𝟏𝟎𝟎

c. GANANCIA TOTAL
PORCENTAJE MONTO CÁLCULOS TOTAL
𝟏𝟏. 𝟔
𝟏𝟏. 𝟔% 2500 ∗ 𝟐𝟓𝟎𝟎 290
𝟏𝟎𝟎
𝟗. 𝟓 𝟏𝟑
𝒙+ 𝒚 = 𝟐𝟗𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟏𝟎𝟎 𝟏𝟎𝟎

Se debe solucionar el sistema y para realizarlo se utilizará el método de determinante:

𝒙 + 𝒚 = 𝟐𝟓𝟎𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏

𝟗. 𝟓 𝟏𝟑
𝒙+ 𝒚 = 𝟐𝟗𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟏𝟎𝟎 𝟏𝟎𝟎

➢ Utilizando el método de determinantes se tiene:

𝟏 𝟏
𝑫=| 𝟗. 𝟓 𝟏𝟑 |
𝟏𝟎𝟎 𝟏𝟎𝟎
𝟐𝟓𝟎𝟎 𝟏
𝑫𝟏 = | 𝟏𝟑 |
𝟐𝟗𝟎
𝟏𝟎𝟎
𝟏 𝟐𝟓𝟎𝟎
𝑫𝟐 = | 𝟗. 𝟓 |
𝟐𝟗𝟎
𝟏𝟎𝟎
 Modelos Lineales

39
𝟐𝟓𝟎𝟎 𝟏
| 𝟏𝟑 |
(𝟐𝟓𝟎𝟎)∗(
𝟏𝟑
𝑫𝟏 𝟐𝟗𝟎 )−(𝟏)∗(𝟐𝟗𝟎) 𝟑𝟐𝟓−𝟐𝟗𝟎
• 𝒙= →𝒙= 𝟏 𝟏
𝟏𝟎𝟎
= 𝟏𝟑
𝟏𝟎𝟎
𝟗.𝟓 = →
𝑫 (𝟏)∗( )−(𝟏)∗( ) 𝟎.𝟏𝟑−𝟎.𝟎𝟗𝟓
| 𝟗.𝟓 𝟏𝟑 | 𝟏𝟎𝟎 𝟏𝟎𝟎
𝟏𝟎𝟎 𝟏𝟎𝟎

𝟑𝟓
𝒙= → 𝒙 = 𝟏𝟎𝟎𝟎
𝟎. 𝟎𝟑𝟓

𝟏 𝟐𝟓𝟎𝟎
| 𝟗.𝟓 | 𝟗.𝟓
(𝟏)∗(𝟐𝟗𝟎)−(𝟐𝟓𝟎𝟎)∗(
𝑫𝟐 𝟐𝟗𝟎 ) 𝟐𝟗𝟎−𝟐𝟑𝟕.𝟓
• 𝒚= →𝒚= 𝟏𝟎𝟎
𝟏 𝟏 = 𝟏𝟑
𝟏𝟎𝟎
𝟗.𝟓 = →
𝑫 (𝟏)∗( )−(𝟏)∗( ) 𝟎.𝟏𝟑−𝟎.𝟎𝟗𝟓
| 𝟗.𝟓 𝟏𝟑 | 𝟏𝟎𝟎 𝟏𝟎𝟎
𝟏𝟎𝟎 𝟏𝟎𝟎

𝟓𝟐. 𝟓
𝒚= → 𝒚 = 𝟏𝟓𝟎𝟎
𝟎. 𝟎𝟑𝟓

Se invierten US $1.000 en el certificado de ahorro y US$ 1.500 en el fondo de inversiones.

2) “Un hacendado compró 4 vacas y 7 caballos por 514 dólares y más tarde, a los mismos
precios, compró 8 vacas y 9 caballos por 818 dólares. Halle el costo de una vaca y el costo
de un caballo.”

PROCEDIMIENTO

a. Costo unitario
ANIMALES COMPRADOS COSTO UNITARIO (en dólares)

𝒗𝒂𝒄𝒂𝒔 𝒙

𝒄𝒂𝒃𝒂𝒍𝒍𝒐𝒔 𝒚

b. Compras totales
COMPRA RELACIÓN MATEMÁTICA

4 vacas y 7 caballos por 514 dólares 𝟒𝒙 + 𝟕𝒚 = 𝟓𝟏𝟒 Ecuación 1

8 vacas y 9 caballos por 818 dólares 𝟖𝒙 + 𝟗𝒚 = 𝟖𝟏𝟖 Ecuación 2

 Modelos Lineales

40
c. Las ecuaciones plantadas para la situación problémica son:

𝟒𝒙 + 𝟕𝒚 = 𝟓𝟏𝟒 Ecuación 1

𝟖𝒙 + 𝟗𝒚 = 𝟖𝟏𝟖 Ecuación 2

➢ Utilizando el método de determinantes se tiene:

𝟒 𝟕
𝑫=| |
𝟖 𝟗
𝟓𝟏𝟒 𝟕
𝑫𝟏 = | |
𝟖𝟏𝟖 𝟗
𝟒 𝟓𝟏𝟒
𝑫𝟐 = | |
𝟖 𝟖𝟏𝟖
𝟓𝟏𝟒 𝟕
𝑫𝟏 | | (𝟓𝟏𝟒)∗(𝟗)−(𝟕)∗(𝟖𝟏𝟖) 𝟒𝟔𝟐𝟔−𝟓𝟕𝟐𝟔
• 𝒙= →𝒙= 𝟖𝟏𝟖 𝟗
𝟒 𝟕 = (𝟒)∗(𝟗)−(𝟕)∗(𝟖)
= →
𝑫 | | 𝟑𝟔−𝟓𝟔
𝟖 𝟗

−𝟏𝟏𝟎𝟎
𝒙= → 𝒙 = 𝟓𝟓
−𝟐𝟎

𝟒 𝟓𝟏𝟒
𝑫𝟐 | | (𝟒)∗(𝟖𝟏𝟖)−(𝟓𝟏𝟒)∗(𝟖) 𝟑𝟐𝟕𝟐−𝟒𝟏𝟏𝟐
• 𝒚= →𝒚= 𝟖 𝟖𝟏𝟖
𝟒 𝟕 = (𝟒)∗(𝟗)−(𝟕)∗(𝟖)
= →
𝑫 | | 𝟑𝟔−𝟓𝟔
𝟖 𝟗

−𝟖𝟒𝟎
𝒚= → 𝒚 = 𝟒𝟐
−𝟐𝟎

d. Una vaca cuesta 55 dólares, un caballo cuesta 42 dólares.

______________________________________________________________________________

3) Una persona tiene 4100 $ en 13 monedas de 500 $ y de 200 $. Determine cuantas monedas
de 500 $ y cuantas monedas de 200$ tiene la persona.

PROCEDIMIENTO

a. Costo unitario
 Modelos Lineales

41
CANTIDAD DE MONEDAS NOMINACIÓN

𝒙 $ 𝟐𝟎𝟎

𝒚 $ 𝟓𝟎𝟎

𝒙 + 𝒚 = 𝟏𝟑 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏 𝟐𝟎𝟎𝒙 + 𝟓𝟎𝟎𝒚 = 𝟒𝟏𝟎𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

b. Se tiene que:
𝒙 + 𝒚 = 𝟏𝟑 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏

𝟐𝟎𝟎𝒙 + 𝟓𝟎𝟎𝒚 = 𝟒𝟏𝟎𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

➢ Utilizando el método de determinantes se tiene:

𝟏 𝟏
𝑫=| |
𝟐𝟎𝟎 𝟓𝟎𝟎
𝟏𝟑 𝟏
𝑫𝟏 = | |
𝟒𝟏𝟎𝟎 𝟓𝟎𝟎
𝟏 𝟏𝟑
𝑫𝟐 = | |
𝟐𝟎𝟎 𝟒𝟏𝟎𝟎

𝑫𝟏 | 𝟏𝟑 𝟏 |
(𝟏𝟑)∗(𝟓𝟎𝟎)−(𝟏)∗(𝟒𝟏𝟎𝟎) 𝟔𝟓𝟎𝟎−𝟒𝟏𝟎𝟎
• 𝒙= →𝒙= 𝟒𝟏𝟎𝟎 𝟓𝟎𝟎 = = →
𝑫 | 𝟏 𝟏 | (𝟏)∗(𝟓𝟎𝟎)−(𝟏)∗(𝟐𝟎𝟎) 𝟓𝟎𝟎−𝟐𝟎𝟎
𝟐𝟎𝟎 𝟓𝟎𝟎
𝟐𝟒𝟎𝟎
𝒙= →𝒙=𝟖
𝟑𝟎𝟎

𝑫𝟐 | 𝟏 𝟏𝟑 |
(𝟏)∗(𝟒𝟏𝟎𝟎)−(𝟏𝟑)∗(𝟐𝟎𝟎) 𝟒𝟏𝟎𝟎−𝟐𝟔𝟎𝟎
• 𝒚= →𝒚= 𝟐𝟎𝟎 𝟒𝟏𝟎𝟎 = = →
𝑫 | 𝟏 𝟏 | (𝟏)∗(𝟓𝟎𝟎)−(𝟏)∗(𝟐𝟎𝟎) 𝟑𝟔−𝟓𝟔
𝟐𝟎𝟎 𝟓𝟎𝟎
𝟏𝟓𝟎𝟎
𝒚= →𝒚=𝟓
𝟑𝟎𝟎

c. La persona tiene 8 monedas de 200 pesos y 5 monedas de 500 pesos.

 Modelos Lineales

42
______________________________________________________________________________

1
4) “La diferencia de dos números es 40 y 8 de su suma es 11. Halle los dos números.”

PROCEDIMIENTO

a. Sean:
𝒙: 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒐

𝒚: 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒐

b. De acuerdo a las condiciones dadas, se tiene que:

𝒙 − 𝒚 = 𝟒𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏

𝟏
(𝒙 + 𝒚) = 𝟏𝟏 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟖

Nota: La ecuación 2 se pude expresar de la siguiente forma:

𝟏
(𝒙 + 𝒚) = 𝟏𝟏 → 𝒙 + 𝒚 = 𝟖𝟖
𝟖

➢ Por lo tanto, se debe solucionar el sistema:

𝒙 − 𝒚 = 𝟒𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏

𝒙 + 𝒚 = 𝟖𝟖 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

c. Se tiene que:
𝒙 − 𝒚 = 𝟒𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏

𝒙 + 𝒚 = 𝟖𝟖 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

➢ Utilizando el método de determinantes se tiene:

𝟏 −𝟏
𝑫=| |
𝟏 𝟏
𝟒𝟎 −𝟏
𝑫𝟏 = | |
𝟖𝟖 𝟏
 Modelos Lineales

43
𝟏 𝟒𝟎
𝑫𝟐 = | |
𝟏 𝟖𝟖

𝑫𝟏 |𝟒𝟎−𝟏|
(𝟒𝟎)∗(𝟏)−(−𝟏)∗(𝟖𝟖) 𝟒𝟎+𝟖𝟖
• 𝒙= →𝒙= 𝟖𝟖 𝟏 = = →
𝑫 |𝟏 −𝟏| (𝟏)∗(𝟏)−(−𝟏)∗(𝟏) 𝟏+𝟏
𝟏 𝟏
𝟏𝟐𝟖
𝒙= → 𝒙 = 𝟔𝟒
𝟐

𝟏 𝟒𝟎
𝑫𝟐 | | (𝟏)∗(𝟖𝟖)−(𝟒𝟎)∗(𝟏) 𝟖𝟖−𝟒𝟎
• 𝒚= →𝒚= 𝟏 𝟖𝟖
𝟏 −𝟏 = (𝟏)∗(𝟏)−(−𝟏)∗(𝟏)
= →
𝑫 | | 𝟏+𝟏
𝟏 𝟏

𝟒𝟖
𝒚= → 𝒚 = 𝟐𝟒
𝟐

d. Los números son 𝒙 = 𝟔𝟒 y 𝒚 = 𝟐𝟒.

1.4.2 EJERCICIOS DE ENTRENAMIENTO

3 x − 2 y = −10
1. Dado el sistema:  indique si el punto (2,8) es o no es solución del
 7 x + 6 y = 62
sistema. Justifique su respuesta.

2. Solucione los siguientes sistemas de ecuaciones utilizando dos métodos diferentes.

 6 x − 9 y = 15
a. 
− 4 x + 3 y = 21
7 3 5
x+ y =
5 4 6
b. 3 1
12x − y =
7 2
 x − 11y = 18
c. 6 x + 12 y = 21

 Modelos Lineales

44
3. Para solucionar las siguientes situaciones problémicas, plantee sistemas de ecuaciones 2X2 y
resuélvalas utilizando el método que desee.

a. En 30 billetes de 10 mil pesos y de 5 mil pesos se tienen 210 mil pesos. Diga cuantos billetes
de 10 mil pesos y cuantos billetes de 5 mil pesos hay.
b. En un cine hay 700 personas entre adultos y niños. Cada adulto pagó 7 mil pesos y cada niño
pagó 5 mil pesos por su entrada. La recaudación es de $ 4’100 000. ¿Cuántos adultos y
cuántos niños hay en el cine?

4. Solucione los siguientes sistemas 2 X 2 y las situaciones problémicas planteadas, utilizando el

método que desee.

− 3x + 11y = 20  −14x + 5 y = 42

 12 3
 5 x + 41 =
2
 4
− 8 x + y = 10
 7

5. Solucione los siguientes problemas de aplicación, justificando cada uno de los procesos
realizados:

a. Una persona tiene $ 7’000.000 para invertir. Una parte la invierte a una tasa de interés del
4.5% anual, el cuádruple de la parte anterior la invierte a una tasa de interés del 6% anual y el
resto lo invierte a una tasa de interés del 5% anual. Si el interés total ganado en un año es de
$ 435.000, Determine el interés ganado en cada una de las inversiones.

b. Una fábrica dispone de dos máquinas para producir dos artículos A y B. Para producir una
unidad del artículo A se requiere utilizar la máquina I cinco horas y la máquina II seis horas 30
minutos. Para producir una unidad del artículo B se necesita tres horas y media y dos horas en
cada máquina respectivamente. Si la máquina I se encuentra disponible al mes 715 horas y la
máquina II 700 horas. Determine cuantas unidades de cada artículo se pueden producir
mensualmente.
 Modelos Lineales

45
6. Resuelva los siguientes sistemas 2X2 y las situaciones problémicas utilizando cualquiera de los
métodos desarrollados anteriormente:

a. 13x − 14 y = 0  2 x − y = 15

 4
 x − 2y = 5
7 5
 x + y = −4
b.  6 9

2 5 7 15 7 5
x+ y =  x− y =
c. 9 6 4 2 18 4

 4 4
 7 x − 8 y =
3
7 5
 x+ y = −11
d. 12 18

2 5 7 5 17 5
x+ y =  x− y =
e. 5 4 10 4 18 9

a. Una persona invirtió $ 3’800.000: Parte a una tasa de interés del 6% anual y el resto a una tasa
de interés del 7% anual. El interés ganado al final de un año, fue equivalente a una tasa del
6.5% de la inversión inicial. ¿Cuánto fue invertido a cada tasa?

b. 6 Libras de café y 5 libras de azúcar costaron $ 8100 y 5 libras de café y 4 libras de azúcar
costaron $ 6650. Halle el precio de una libra de café y el precio de una libra de azúcar.

c. Una persona tiene:

1. $ 3400 en monedas de $ 50 y $100. Si tiene en total 47 monedas. ¿Cuántas monedas
tienen de cada denominación?
 Modelos Lineales

46
2. $ 99000 en billetes de $ 1000, $ 5000 y $ 10000; si tiene 26 billetes, y la cantidad de
billetes de $ 1000 es el doble de la de $ 5000. ¿Cuántos billetes tiene de cada denominación?

d. Un hacendado compró 5 vacas y 7 caballos por $ 44.5 millones, luego a los mismos precios
compró 8 vacas y 3 caballos por $ 26.1 millones. Halle el costo de cada vaca y de cada caballo.

e. El doble de un número menor más el triple de otro número mayor es 44. El doble del número
mayor menos el triple del número menor es igual a -1. ¿Cuáles son los números?

f. “La suma de dos números es 190 y de su diferencia es 2. Halle los números. R: 104 y 86.”

g. En un cine 15 entradas de adulto y 20 entradas de niño cuestan $ 220 000. 12 entradas de

adulto y 25 entradas de niño cuestan $ 221000. Determine el valor de la entrada para
niño y el valor de la entrada para adulto.

h. “Las edades de A y de B están en la relación 5 a 7. Dentro de 2 años la relación entre la edad

de A y la edad de B será de 8 a 11. Halle las edades actuales. R: 30 y 42 años.”

i. “La edad actual de A guarda con la edad actual de B la relación 2 a 3. Si la edad que tenía A
hace 4 años se divide por la edad que tendrá B dentro de 4 años, el resultado es . Halle las
edades actuales de A y de B.”

j. “Cuando empiezan a jugar A y B la relación de lo que tiene A y lo que tiene B es 10 a 13. Después
que A le ha ganado 10 mil pesos a B la relación entre lo que tiene A y lo que le queda a B es
12 a 11. ¿Con cuánto dinero empezó a jugar cada uno? R: 50 mil pesos y 65 mil pesos.”

k. “Si A le da a B 1 millón de ambos quedan con lo mismo. Si B le da a A 1 millón de pesos, A

quedará con el triple de lo que le queda a B. ¿Cuánto dinero tiene cada uno?”

l. Si B le da a A 2 dólares ambos quedan con lo mismo y si A le da a B 2 dólares; B queda con el

doble de lo que le queda a A. ¿Cuánto tienen cada uno?
 Modelos Lineales

47
m. “Si Pedro le da a Juan 3 millones de pasos, ambos quedan con igual cantidad de dinero. Si
Juan le da a Pedro 3 millones de pasos, este tiene 4 veces lo que le queda a Juan. ¿Cuánto
dinero tiene cada uno?”

n. Si A le da a B 50 mil pesos, ambos quedan con el mismo dinero. Si B le da a A 50 mil pesos, A

queda con 5 veces el dinero de B, ¿cuánto dinero tiene cada uno?
o. “Hace 10 años la edad de A era el doble que la edad de B; dentro de 10 años la edad de B será
los de la edad de A. Halle las edades actuales.”
p. “Hace 6 años la edad de A era el doble que la edad de B; dentro de 6 años será los de la edad
de B. Halle las edades actuales. R: 42 y 24 años.”

q. “La edad actual de un hombre es los de la edad actual de su esposa. Dentro de 4 años la edad
de su esposa será los de la edad de su esposo. Halle las edades actuales. R: 36 y 20 años.”

r. “Un padre le dice a su hijo: Hace 6 años tu edad era de la mía; dentro de 9 años será los .
Halle ambas edades.”

s. “Pedro le dice a Juan: Si me das 15, tendré 5 veces lo que tú. Juan le dice a Pedro: Si me das
20, tendré 3 veces lo que tú. ¿Cuánto tiene cada uno?”.

t. Un grupo de 65 personas, entre adultos y niños entraron a cine. Si la entrada para adultos
cuesta a $7.500 y tiene un costo de $2.000 más que la entrada para niños y en total se obtuvo
un ingreso por entradas de $ 407.500. Determine: ¿Cuál fue el ingreso obtenido por la
entrada de los niños?
 Modelos Lineales

48
2 UNIDAD 2 MATRICES
2.1.1 OBJETIVO GENERAL
➢ Interpretar el concepto de matriz, entradas de una matriz, orden de una matriz, matriz
cuadrada, entre otros y algunos tipos de matrices especiales, identificando, también, las
características que deben cumplirse para que dos matrices sean iguales, así como la
explicación de las diferentes operaciones que pueden efectuarse con matrices.

2.1.2 OBJETIVOS ESPECÍFICOS

➢ Realizar las operaciones básicas con matrices.

➢ Identificar algunos tipos de matrices y sus propiedades.

2.2 TEMA 1 CONCEPTOS Y DEFINICIONES

ALGO DE HISTORIA.
Conexión con la historia

CRONOLOGÍA

Año Acontecimiento

200 a. C En China los matemáticos usan series de números

1848 d. C J.J. Sylvester introduce el término “matiz”.

1858 Cayley publica Memorias sobre la teoría de matrices.

1878 Frobenius demuestra resultados fundamentales en álgebra matricial.

1925 Werner Heisenberg utiliza la teoría

 Modelos Lineales

49
El origen de las matrices es muy antiguo. Los cuadrados latinos y los cuadrados mágicos se
estudiaron desde hace mucho tiempo. Un cuadrado mágico, 3 por 3, se registra en la literatura
china hacia el 650 a. C.2

Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un importante texto
matemático chino que proviene del año 300 a. C. a 200 a. C., Nueve capítulos sobre el Arte de las
matemáticas (Jiu Zhang Suan Shu), es el primer ejemplo conocido de uso del método de matrices
para resolver un sistema de ecuaciones simultáneas.3 En el capítulo séptimo, "Ni mucho ni poco",
el concepto de determinante apareció por primera vez, dos mil años antes de su publicación por
el matemático japonés Seki Kōwa en 1683 y el matemático alemán Gottfried Leibniz en 1693.

Los "cuadrados mágicos" eran conocidos por los matemáticos árabes, posiblemente desde
comienzos del siglo VII, quienes a su vez pudieron tomarlos de los matemáticos y astrónomos de
la India, junto con otros aspectos de las matemáticas combinatorias. Todo esto sugiere que la
idea provino de China. Los primeros "cuadrados mágicos" de orden 5 y 6 aparecieron en Bagdad
en el 983, en la Enciclopedia de la Hermandad de Pureza (Rasa'il Ihkwan al-Safa).2

Después del desarrollo de la teoría de determinantes por Seki Kowa y Leibniz para facilitar la
resolución de ecuaciones lineales, a finales del siglo XVII, Cramer presentó en 1750 la ahora
denominada regla de Cramer. Carl Friedrich Gauss y Wilhelm Jordan desarrollaron la eliminación
de Gauss-Jordan en el siglo XIX.

Fue James Joseph Sylvester quien utilizó por primera vez el término «matriz» en 1848/1850.

En 1853, Hamilton hizo algunos aportes a la teoría de matrices. Cayley introdujo en 1858 la
notación matricial, como forma abreviada de escribir un sistema de m ecuaciones lineales con n
incógnitas.

Cayley, Hamilton, Hermann Grassmann, Frobenius, Olga Taussky-Todd y John von Neumann
cuentan entre los matemáticos famosos que trabajaron sobre la teoría de las matrices. En 1925,
Werner Heisenberg redescubre el cálculo matricial fundando una primera formulación de lo que
iba a pasar a ser la mecánica cuántica. Se le considera a este respecto como uno de los padres de
la mecánica cuántica.

Olga Taussky-Todd (1906-1995), durante la II Guerra Mundial, usó la teoría de matrices para
investigar el fenómeno de aeroelasticidad llamado fluttering.

Tomado de es.wikipedia.org/wiki/Matriz_(matemáticas) 30 de septiembre de 2013

“Los orígenes de cada una de las áreas que componen el álgebra lineal se diluyen a través de la
historia de la humanidad. En textos chinos y babilonios de más de 2000 años de antigüedad se
han encontrado sistemas de ecuaciones lineales enunciados a partir de problemas reales, pero
con el indudable propósito de educar al estudiante en los procedimientos matemáticos. El
 Modelos Lineales

50
término matriz se mencionó por primera vez en un artículo escrito por el matemático inglés James
Sylvester en 1850, pero el concepto de producto de matrices fue desarrollado por “El Príncipe de
la matemática” Karl Friederich Gauss (1777 – 1855), quién lo presento en su obra Disquisitiones
Arithmeticae a partir de la composición de transformaciones lineales. Por su parte, el también
matemático inglés Arthur Cayley introdujo en un artículo publicado en 1855 la noción de Inversa
de una matriz. Al igual que Sylvester, Calyley se hizo abogado y durante los primeros años de
ejercicio profesional conoció a Sylvester, con quien entabló una am amistad que permaneció
durante 40 años y fue muy fructífera para el desarrollo del álgebra lineal”.

➢ DEFINICIÓN DE MATRIZ:
Una matriz es un arreglo en dos dimensiones (rectangular) de elementos, llamados entradas de una
matriz.
Las matrices se usan generalmente para describir:
• Sistemas de ecuaciones lineales,
• Sistemas de ecuaciones diferenciales, o
• Representar una aplicación lineal (dada una base).

Notas:
• Las matrices se describen en el campo de la teoría de matrices.
• Las matrices se utilizan para múltiples aplicaciones y sirven, en particular, para representar los
coeficientes de los sistemas de ecuaciones lineales o para representar las aplicaciones lineales; en
este último caso las matrices desempeñan el mismo papel que los datos de un vector para las
aplicaciones lineales.
• Pueden sumarse, multiplicarse y descomponerse de varias formas, lo que también las hace un
concepto clave en el campo del álgebra lineal.

➢ REPRESENTACIÓN DE UNA MATRIZ:

• Para la representación simbólica de matrices se utilizan letras mayúsculas como A, B, C,
entre otras.

• Los elementos dentro de la matriz se encierran entre paréntesis o entre corchetes,

nunca entre llaves.

• Cada elemento se distribuye en FILAS (o renglones) y en COLUMNAS.

 Modelos Lineales

51
LAS FILAS: Son los arreglos horizontales y se enumeran de arriba hacia abajo.

LAS COLUMNAS: Son los arreglos verticales y se enumeran de izquierda a derecha.

Cada elemento dentro de la matriz tiene una posición definida y se identifica por la fila y la
columna a la cual pertenece, por lo tanto, para nombrar un elemento cualquiera, se utiliza la
notación de doble subíndice: 𝒂𝒊 𝒋 dónde: 𝑖 𝑒𝑠 𝑙𝑎 𝑓𝑖𝑙𝑎, 𝑦 𝑗 𝑒𝑠 𝑙𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎

Por lo tanto, cada elemento de una matriz se identifica por su fila y su columna. Por ejemplo el
elemento 𝒂𝟐𝟒 se ubica en la fila 2 y en la columna 4.

(Siempre el primer subíndice corresponde a la fila y el segundo subíndice corresponde a la

columna).

2.2.1 EJERCICIOS DE APRENDIZAJE

1) Para la siguiente matriz:

𝟖 −𝟗 𝟖 −𝟗 𝟖
−𝟑 𝟐 −𝟑 𝟐 −𝟓
𝟎 −𝟕 𝟎 −𝟕 𝟐
𝑨 = 𝟖 −𝟗 𝟖 −𝟗 −𝟒
−𝟑 𝟐 −𝟑 𝟐 𝟑
𝟎 −𝟕 𝟎 −𝟕 −𝟐
[ 𝟎 −𝟓 𝟑 𝟗 𝟏]

Identifique el elemento correspondiente a las siguientes posiciones (entradas): Complete la tabla

ENTRADA FILA COLUMNA ELEMENTO

𝐀𝟑𝟒
𝐀𝟓𝟒
𝐀𝟒𝟐 Fila 4 Columna 2 −9
𝐀𝟓𝟑
𝐀𝟔𝟓
𝐀𝟕𝟏 Fila 7 Columna1 0
𝐀𝟒𝟒
 Modelos Lineales

52

2) Para la matriz:

𝟐 𝟎 𝟎 −𝟗 𝟐
𝑩 = [−𝟖 −𝟑 𝟏 −𝟖 −𝟒 ]
𝟏 𝟗 𝟐 𝟗 𝟏𝟐

Identifique el elemento correspondiente a las siguientes posiciones (entradas): Complete la tabla

ENTRADA FILA COLUMNA ELEMENTO

𝐵31 Fila 3 Columna 1 1
𝐵34
𝐵22
𝐵53 Fila 5 Columna 3 12
𝐵15
𝐵23

➢ ORDEN DE UNA MATRIZ:

Se dice que el orden de una matriz (es decir el número de elementos que tiene) se obtiene al
indicar en forma de multiplicación el número de FILAS por el número de COLUMNAS, esto es:
Una matriz 𝑨 de 𝒎 filas y 𝒏 columnas se denota por 𝑨𝒎×𝒏 y se dice que su orden es 𝒎 × 𝒏
.

Nota:

1. Una matriz A de orden 𝒎 × 𝒏 también se puede simbolizar como: 𝑨𝒊 𝒋 .

2. El primer valor corresponde al número de FILAS y el segundo valor al NÚMERO DE

COLUMNAS;

de esta manera se puede indicar exactamente la posición de la entrada o elemento.

En forma general una matriz 𝑨 de orden 𝒎 × 𝒏 se escribe como:

 Modelos Lineales

53
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 … 𝒂𝟏𝒏
𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 … 𝒂𝟐𝒏
𝑨= : : : : :
: : : : :
[𝒂𝒎𝟏 𝒂𝒎𝟐 𝒂𝒎𝟑 … 𝒂𝒎𝒏 ]

Generalizando, se dice que el símbolo 𝒂𝒊 𝒋 denota la entrada en la 𝒇𝒊𝒍𝒂 𝒊 y en la 𝒄𝒐𝒍𝒖𝒎𝒏𝒂 𝒋.

2.2.2 EJERCICIOS DE APRENDIZAJE

1) Construya una matriz A 3 X 5 donde el resto son ceros:

ENTRADA VALOR
𝒂𝟏𝟏 1

𝒂𝟏𝟒 -8

𝒂𝟐𝟐 6

𝒂𝟐𝟓 4

𝒂𝟑𝟑 -7

𝒂𝟑𝟒 2

Demás entradas 0

PROCEDIMIENTO
a. Se construye una matriz genérica:
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟒 𝒂𝟏𝟓
𝑨 = [𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 𝒂𝟐𝟒 𝒂𝟐𝟓 ]
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟒 𝒂𝟑𝟓

b. Se reemplazan los valores dados en la matriz genérica:

 Modelos Lineales

54
𝟏 𝟎 𝟎 −𝟖 𝟎
𝑨 = [ 𝟎 𝟔 𝟎 𝟎 𝟒]
𝟎 𝟎 −𝟕 𝟐 𝟎

2) Construya una matriz columna de tres entradas, tal que:

ENTRADA VALOR
𝐚𝟐𝟏 14

𝐚𝟏𝟏 -9

𝐚𝟑𝟏 16

PROCEDIMIENTO
a. Se construye una matriz genérica:
𝒂𝟏𝟏
𝑨 = [ 𝒂𝟐𝟏 ]
𝒂𝟑𝟏

b. Se reemplazan los valores dados en la matriz genérica:

−𝟗
𝑨 = [ 𝟏𝟒 ]
𝟏𝟔

3) Si 𝑨 = [𝒂𝒊 𝒋 ] y tiene un orden 𝟑 × 𝟒 con la condición de que 𝒂𝒊 𝒋 = 𝒊 + 𝒋

∀ 𝒊 𝒋, escribir la matriz.

PROCEDIMIENTO
a. Se construye una matriz genérica:
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟒
𝑨 = [𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 𝒂𝟐𝟒 ]
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟒

b. Aplicando la fórmula: 𝒂𝒊 𝒋 = 𝒊 + 𝒋
 Modelos Lineales

55
𝒂𝟏𝟏 = 𝟏 + 𝟏 𝒂𝟏𝟐 = 𝟏 + 𝟐 𝒂𝟏𝟑 = 𝟏 + 𝟑 𝒂𝟏𝟒 = 𝟏 + 𝟒
𝑨 = [𝒂𝟐𝟏 = 𝟐 + 𝟏 𝒂𝟐𝟐 = 𝟐 + 𝟐 𝒂𝟐𝟑 = 𝟐 + 𝟑 𝒂𝟐𝟒 = 𝟐 + 𝟒 ]
𝒂𝟑𝟏 = 𝟑 + 𝟏 𝒂𝟑𝟐 = 𝟑 + 𝟐 𝒂𝟑𝟑 = 𝟑 + 𝟑 𝒂𝟑𝟒 = 𝟑 + 𝟒

c. La matriz queda:
𝟐 𝟑 𝟒 𝟓
𝑨 = [𝟑 𝟒 𝟓 𝟔]
𝟒 𝟓 𝟔 𝟕

4) Construya la matriz B de orden 3 × 3, que cumpla las siguientes condiciones:

ENTRADA CONDICIÓN

𝟏. 𝒂𝒊 𝒋 = 𝟏 𝒊 = 𝒋(Igual subíndice)

𝟐. 𝒂𝒊𝒋 = 𝟎 𝒊 ≠ 𝒋 (Diferente subíndice)

aij = 1, para i = j  aij = 0, para i  j

PROCEDIMIENTO

a. Se construye una matriz genérica:

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑
𝑨 = [𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ]
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑

b. Para la primera condición:

𝒊 = 𝒋, (Igual subíndice) se tiene:

𝒂𝟏𝟏 = 𝟏

𝒂𝟐𝟐 = 𝟏

𝒂𝟑𝟑 = 𝟏
 Modelos Lineales

56

c. Para la segunda condición:

𝒊 ≠ 𝒋 (Diferente subíndice)

𝒂𝟏𝟐 = 𝟎

𝒂𝟏𝟑 = 𝟎

𝒂𝟐𝟏 = 𝟎

𝒂𝟐𝟑 = 𝟎

𝒂𝟑𝟏 = 𝟎

𝒂𝟑𝟐 = 𝟎

d. La matriz queda:
𝟏 𝟎 𝟎
𝑨 = [𝟎 𝟏 𝟎]
𝟎 𝟎 𝟏

2.2.3 CLASIFICACIÓN DE LAS MATRICES

2.2.3.1 MATRIZ CUADRADA:
Es una matriz donde el número de Filas es igual al número de columnas, se denota como 𝐴𝑛 .

Nota: Siempre se debe especificar que es una matriz cuadrada.

2.2.3.2 EJERCICIOS DE AUTOAPRENDIZAJE

1) Sea la matriz:
𝟏 𝟑 −𝟓
𝑨 = [𝟒 −𝟏𝟎 𝟏𝟏 ]
𝟕 −𝟖 𝟐
 Modelos Lineales

57
Es una matriz que tiene 3 filas y 3 columnas, por lo tanto, se define como una matriz cuadrada
de orden 3.

______________________________________________________________________________

2) Sea la matriz:
𝟐 𝟑 𝟒 𝟓
𝑨=[ 𝟑 𝟒 𝟓 𝟔 ]
−𝟕 𝟐 𝟑 −𝟗
𝟎 𝟏 𝟎 −𝟏
Es una matriz que tiene 4 filas y 4 columnas, por lo tanto, se define como una matriz cuadrada
de orden 4.

______________________________________________________________________________

3) Sea la matriz:
𝟐 𝟓
𝑩=[ ]
𝟏 −𝟑
Es una matriz que tiene 2 filas y2 columnas, por lo tanto, se define como una matriz cuadrada de
orden 2.

______________________________________________________________________________

2.2.3.3 MATRIZ NULA O MATRIZ CERO

Es una matriz de orden 𝒎 × 𝒏 donde todas las entradas (elementos) son iguales a cero.

2.2.3.4 EJERCICIOS DE APRENDIZAJE

1. La matriz nula de orden 𝟑 × 𝟓 es:

𝟎 𝟎 𝟎 𝟎 𝟎
𝑪=[ 𝟎 𝟎 𝟎 𝟎 𝟎]
𝟎 𝟎 𝟎 𝟎 𝟎
 Modelos Lineales

58
2. La matriz nula de orden 2 (entiéndase matriz cuadrada de orden 2 X 2) es:
𝟎 𝟎
𝑫=[ ]
𝟎 𝟎

3. La matriz nula de orden 3 (entiéndase matriz cuadrada de orden 3 X3) es:

𝟎 𝟎 𝟎
𝑴 = [𝟎 𝟎 𝟎]
𝟎 𝟎 𝟎

2.2.3.5 MATRIZ IDENTIDAD

Es una matriz cuadrada que cumple las siguientes condiciones:

• Es una matriz cuadrada.

• Las entradas (elementos) de la diagonal principal son iguales a 1.

Nota: Se define como Diagonal Principal de una matriz las entradas (elementos)
donde 𝒊 = 𝒋 (Igual subíndice), esto es:

𝒂𝟏𝟏 , 𝒂𝟐𝟐 , 𝒂𝟑𝟑 …

• Las demás entradas (elementos) son iguales a cero.
• La matriz identidad se simboliza con la letra: 𝑰, se le debe colocar el subíndice indicando el
orden, esto es:

➢ 𝑰𝟐 : Matriz Identidad de orden 2:

𝟏 𝟎
𝑰𝟐 = [ ]
𝟎 𝟏

➢ 𝑰𝟑 : Matriz Identidad de orden 3:

𝟏 𝟎 𝟎
𝑰 𝟑 = [𝟎 𝟏 𝟎]
𝟎 𝟎 𝟏
 Modelos Lineales

59
➢ 𝑰𝟒 ∶ Matriz Identidad de orden 4:

𝟏 𝟎 𝟎 𝟎
𝑰 𝟒 = [𝟎 𝟏 𝟎 𝟎]
𝟎 𝟎 𝟏 𝟎
𝟎 𝟎 𝟎 𝟏

➢ 𝑰𝒏 : Matriz Identidad de orden n con 𝒏 𝝐 𝒁+ .

2.2.3.6 TRANSPUESTA DE UNA MATRIZ

Sea 𝑨 = [𝒂𝒊 𝒋 ] una matriz de orden 𝒎 × 𝒏, se define como la matriz Transpuesta de 𝑨 a la matriz
de orden 𝒏 × 𝒎, obtenida al intercambiar las filas por las columnas en la matriz 𝑨, que se
simboliza por 𝑨′ 𝒐 𝑨𝑻 , por lo tanto:

Si 𝑨 = [𝒂𝒊 𝒋 ] → 𝑨𝑻 = [𝒂𝒋 𝒊]

Se dice, entonces, que sí:

𝒂𝟏𝟏 𝒂𝟏𝟐 … 𝟓𝒂𝟏𝒏

𝒂 𝒂𝟐𝟐 … 𝒂𝟐𝒏
𝑨 = [ 𝟐𝟏
: : : : ]
𝒂𝒎𝟏 𝒂𝒎𝟐 … 𝒂𝒎𝒏

Entonces:
𝒂𝟏𝟏 𝒂𝟐𝟏 … 𝒂𝒎𝟏
𝒂 𝒂𝟐𝟐 … 𝒂𝒎𝟐
𝑨𝑻 = [ 𝟏𝟐
: : : : ]
𝒂𝟏𝒏 𝒂𝟐𝒏 … 𝒂𝒎𝒏

NOTA: Para determinar la transpuesta de una matriz A, basta con poner las columnas como filas
o las filas como columnas.

2.2.3.7 EJERCICIOS DE APRENDIZAJE

Dadas las siguientes matrices, escriba la transpuesta de cada una de ellas:
 Modelos Lineales

60
1. Sea:

𝟒 𝟑 𝟐
𝟒 −𝟑 𝟐 𝟑
𝑨 = [−𝟑 −𝟐 −𝟏] → 𝑨𝑻 = [𝟑 −𝟐 𝟒 𝟓]
𝟐 𝟒 𝟔
𝟐 −𝟏 𝟔 𝟕
𝟑 𝟓 𝟕

La matriz 𝑨 es de orden 𝟒 × 𝟑, por lo tanto su transpuesta 𝑨𝑻 es de orden 𝟑 × 𝟒

2. Sea:

𝟏 𝟖 𝟗 𝟏 𝟓 𝟕
𝑪 = [𝟓 𝟒 𝟎 ] → 𝑪 𝑻 = [𝟖 𝟒 −𝟐]
𝟕 −𝟐 −𝟏 𝟗 𝟎 −𝟏

La matriz 𝑪 es de orden 𝟑 × 𝟑, por lo tanto su transpuesta 𝑪𝑻 es de orden 𝟑 × 𝟑,

resultan del mismo orden ya que son matrices cuadradas.

3. Sea:

−𝟑
𝑻
𝑫 = [−𝟑 −𝟐 −𝟏 ] → 𝑫 = [ −𝟐]
−𝟏

La matriz 𝑫 es de orden 𝟏 × 𝟑, por lo tanto su transpuesta 𝑪𝑻 es de orden 𝟑 × 𝟏

2.2.3.8 MATRIZ SIMÉTRICA

Una matriz cuadrada 𝑨 de orden 𝒏 se llama matriz simétrica Si y solo sí:

𝑨𝑻 = 𝑨
Por ejemplo:

𝟐 𝟑 𝟖
• 𝑨 = 𝑨𝑻 = [𝟑 −𝟏 𝟔]
𝟖 𝟔 𝟐
 Modelos Lineales

61
𝟓 𝟗 𝟒 −𝟏𝟎
• 𝑩 = 𝑩𝑻 [ 𝟗
𝟒
𝟑
𝟎
𝟎
𝟗
𝟏 ]
𝟖
−𝟏𝟎 𝟏 𝟖 𝟎

2.2.3.9 MATRIZ TRIANGULAR SUPERIOR

Es una matriz que cumple las siguientes condiciones:

• Es una matriz cuadrada.

• Todas las entradas debajo de la diagonal principal son iguales a cero.

Por ejemplo:

𝟓 𝟗 𝟒 −𝟏𝟎
[𝟎 𝟑 𝟗 𝟏 ]
𝟎 𝟎 𝟗 𝟖
𝟎 𝟎 𝟎 𝟑

2.2.3.10 MATRIZ TRIANGULAR INFERIOR

Es una matriz que cumple las siguientes condiciones:

• Es una matriz cuadrada.

• Todas las entradas encima de la diagonal principal son iguales a cero.

Por ejemplo:

𝟓 𝟎 𝟎 𝟎
[−𝟗 𝟑 𝟎 𝟎 ]
−𝟖 𝟒 𝟗 𝟎
𝟐 𝟏 𝟓 𝟑

2.2.3.11 MATRIZ TRIANGULAR

Es una matriz que cumple las siguientes condiciones:

• Es una matriz cuadrada.

• Todas las entradas por encima y por debajo de la diagonal principal son iguales a cero.
 Modelos Lineales

62
𝟓 𝟎 𝟎 𝟎
[𝟎 𝟑 𝟎 𝟎 ]
𝟎 𝟎 𝟗 𝟎
𝟎 𝟎 𝟎 𝟑

2.2.3.12 MATRIZ DIAGONAL

Una matriz diagonal es una matriz cuadrada en que las entradas son todas cero, excepto en
la diagonal principal, y éstas pueden ser cero o no.

Por ejemplo:

𝟑 𝟎 𝟎 𝟎
𝟎 𝟓 𝟎 𝟎
𝑨 = [𝟎 𝟏 𝟎]
𝟎
𝟎 𝟎 𝟎 𝟒

2.3 TEMA 2 ALGEBRA DE MATRICES

2.3.1 IGUALDAD DE MATRICES.
Dos matrices A y B son iguales si cumplen las siguientes condiciones:

• Las matrices tienen el mismo orden.

• Si las entradas correspondientes de A y de B son iguales.

Por lo tanto:

𝑨 = 𝑩 ↔ 𝒂𝒊 𝒋 = 𝒃𝒊 𝒋, ∀ 𝒊, 𝒋

2.3.2 EJERCICIOS DE APRENDIZAJE

1) Las matrices:

𝟖 𝟐 𝟖 𝟐
𝑨 = [𝟓 𝟏 ] 𝒚 𝑩 = [𝟓 𝟏]
𝟎 −𝟐 𝟎 −𝟐
 Modelos Lineales

63
Son iguales, ya que tienen el mismo orden (ambas son matrices de orden 𝟑 × 𝟐 ), además sus
entradas correspondientes son iguales:

Valor de entrada en A y
ENTRADA EN A ENTRADA EN B
en B
𝒂𝟏𝟏 𝒃𝟏𝟏 𝟖
𝒂𝟏𝟐 𝒃𝟏𝟐 𝟐
𝒂𝟐𝟏 𝒃𝟐𝟏 𝟓
𝒂𝟐𝟐 𝒃𝟐𝟐 𝟏
𝒂𝟑𝟏 𝒃𝟑𝟏 𝟎
𝒂𝟑𝟐 𝒃𝟑𝟐 −𝟐

______________________________________________________________________________

𝒛 𝟏𝟎 𝟑
2) Para que la matriz𝑨 = [𝟏𝟔 𝒙 𝒚] y la matriz 𝑩 = [𝒘 𝒑 𝟗], sean iguales, se debe
𝟖 𝟓 𝟗
cumplir que:

Igualando las respectivas entradas se tiene:

Valor de entrada en A y
ENTRADA EN A ENTRADA EN B
en B
𝒂𝟏𝟏 𝒃𝟏𝟏 𝒛 = 𝟏𝟔
𝒂𝟏𝟐 𝒃𝟏𝟐 𝒙 = 𝟏𝟎
𝒂𝟏𝟑 𝒃𝟏𝟑 𝒚=𝟑
𝒂𝟐𝟏 𝒃𝟐𝟏 𝒘=𝟖
𝒂𝟐𝟐 𝒃𝟐𝟐 𝒑=𝟓
𝒂𝟐𝟑 𝒃𝟐𝟑 𝟗=𝟗
______________________________________________________________________________
 Modelos Lineales

64
2.3.3 SUMA DE MATRICES
Para sumar (restar) matrices se deben tener en cuenta las siguientes condiciones:

• Las matrices deben tener el mismo orden.

• Se suman (o se restan) las entradas correspondientes (los elementos en sus respectivas

posiciones).

• Se obtiene como resultado una matriz del mismo orden de las que se sumaron (o se
restaron).

En general:

Si 𝑨 = [𝒂𝒊 𝒋 ] y 𝑩 = [𝒃𝒊 𝒋 ], son matrices de orden 𝒎 × 𝒏, la suma 𝑨 + 𝑩 es una

matriz de orden 𝒎 × 𝒏 obtenida al sumar las entradas correspondientes, esto es:

𝑨 + 𝑩 = [𝒂𝒊 𝒋 ] + [𝒃𝒊 𝒋 ] = [𝒂𝒊 𝒋 + 𝒃𝒊 𝒋 ]

2.3.4 EJERCICIOS DE APRENDIZAJE

Dadas las siguientes matrices encuentre la suma (o diferencia de las mismas):

1. Sean:

𝟑 𝟕 𝟐 𝟗 𝟑 −𝟐 𝟏𝟐 𝟏𝟓
−𝟏 𝟔 𝟐 𝟒 𝟒 𝟓 𝟏𝟔 −𝟗
𝑨=[ 𝟖 𝟎 𝟏 −𝟖 ] 𝒚 𝑩 = [ 𝟕 𝟗 −𝟖] →
−𝟖
𝟏 𝟑 −𝟓 𝟒 −𝟓 𝟔 𝟑 −𝟔

a. Se suman las respectivas entradas (los elementos en sus posiciones):

𝟑+𝟑 𝟕−𝟐 𝟐 + 𝟏𝟐 𝟗 + 𝟏𝟓
−𝟏 + 𝟒 𝟔+𝟓 𝟐 + 𝟏𝟔 𝟒−𝟗
𝑨+𝑩=[ ]→
𝟖+𝟕 𝟎−𝟖 𝟏+𝟗 −𝟖 − 𝟖
𝟏−𝟓 𝟑+𝟔 −𝟓 + 𝟑 𝟒−𝟔
 Modelos Lineales

65
b. Se obtiene la matriz suma con el mismo orden de los sumandos:
𝟔 𝟓 𝟏𝟒 𝟐𝟒
𝟑 𝟏𝟏 𝟏𝟖 −𝟓 ]
𝑨+𝑩=[ −𝟖
𝟏𝟓 𝟏𝟎 −𝟏𝟔
−𝟒 𝟗 −𝟐 −𝟐

______________________________________________________________________________

2. Sean:

−𝟏 −𝟗 𝟏 −𝟗 𝟏𝟎 𝟒
𝑨=[ 𝟐 −𝟖 𝟑] 𝒚 𝑩 = [−𝟖 𝟒 −𝟑 ] →
−𝟓 𝟒 𝟗 𝟎 −𝟕 −𝟏𝟐

a. Se suman las respectivas entradas (los elementos en sus posiciones):

−𝟏 − 𝟗 −𝟗 + 𝟏𝟎 𝟏+𝟒
𝑨+𝑩=[ 𝟐−𝟖 −𝟖 + 𝟒 𝟑−𝟑 ]→
−𝟓 + 𝟎 𝟒−𝟕 𝟗 − 𝟏𝟐

b. Se obtiene la matriz suma con el mismo orden de los sumandos:

−𝟏𝟎 𝟏 𝟓
𝑨 + 𝑩 = [ −𝟔 −𝟒 𝟎 ]
−𝟓 −𝟑 −𝟑
______________________________________________________________________________

3. Sean:

𝟏 −𝟓 𝟒 −𝟗 −𝟑 𝟔
𝑨=[ ]𝒚 𝑩 = [ ]
𝟑 −𝟖 𝟐 𝟓 𝟖 −𝟐

Realice las siguientes operaciones:

𝟏−𝟗 −𝟓 − 𝟑 𝟒+𝟔 −𝟖 −𝟖 𝟏𝟎
➢ 𝑨+𝑩=[
𝟑+𝟓 −𝟖 + 𝟖 𝟐−𝟐
]→𝑨+𝑩=[
𝟖 𝟎 𝟎
]

−𝟗 + 𝟏 −𝟑 − 𝟓 𝟔+𝟒 −𝟖 −𝟖 𝟏𝟎
➢ 𝑩+𝑨=[
𝟓+𝟑 𝟖−𝟖 −𝟐 + 𝟐
]→𝑩+𝑨=[
𝟖 𝟎 𝟎
]
 Modelos Lineales

66
𝟏 − (−)𝟗 −𝟓 − (−𝟑) 𝟒−𝟔
➢ 𝑨−𝑩=[
𝟑−𝟓 −𝟖 − 𝟖 𝟐 − (−𝟐)
]→

𝟏+𝟗 −𝟓 + 𝟑 𝟒−𝟔 𝟏𝟎 −𝟐 −𝟐
➢ 𝑨−𝑩=[
𝟑−𝟓 −𝟖 − 𝟖 𝟐+𝟐
]→𝑨−𝑩=[
−𝟐 −𝟏𝟔 𝟒
]

−𝟗 − 𝟏 −𝟑 − (−𝟓) 𝟔 − 𝟒
➢ 𝑩−𝑨=[
𝟓−𝟑 𝟖 − (−𝟖) −𝟐 − 𝟐
]→

−𝟗 − 𝟏 −𝟑 + 𝟓 𝟔−𝟒 −𝟏𝟎 𝟐 𝟐
➢ 𝑩−𝑨=[
𝟓−𝟑 𝟖+𝟖 −𝟐 − 𝟐
]→𝑩−𝑨=[
𝟐 𝟏𝟔 −𝟒
]

−𝟗 − 𝟗 −𝟑 − 𝟑 𝟔+𝟔 −𝟏𝟖 −𝟔 𝟏𝟐
➢ 𝑩+𝑩=[
𝟓+𝟓 𝟖+𝟖 −𝟐 − 𝟐
]→ 𝑩+𝑩=[
𝟏𝟎 𝟏𝟔 −𝟒
]

______________________________________________________________________________

2.3.5 MULTIPLICACIÓN POR UN ESCALAR

En matrices se denomina escalar a los números reales y/o constantes; para indicar que un
número 𝒌 es un escalar, se escribe: 𝒌 𝝐 𝑹𝒆 .

Sea 𝑨 una matriz de orden 𝒎 × 𝒏 y 𝒌 𝝐 𝑹𝒆 .

La multiplicación de 𝒌 ∗ 𝑨 = 𝑨 ∗ 𝒌 se llama Multiplicación de una matriz por

un escalar.
Esta se obtiene al multiplicar cada entrada (cada elemento) de la matriz 𝑨 por el escalar 𝒌 ,
es decir,

𝒌 ∗ 𝑨 = 𝒌 ∗ [𝒂𝒊 𝒋 ] = [𝒌𝒂𝒊 𝒋 ]
 Modelos Lineales

67
2.3.6 EJERCICIOS DE APRENDIZAJE
Dada la siguiente matriz:

−𝟏 𝟑 −𝟔
𝑨=[ 𝟗 𝟖 𝟐]
−𝟏𝟎 −𝟒 𝟎

1. Hallar 𝟑𝑨:

−𝟏 𝟑 −𝟔 −𝟏 𝟑 −𝟔
𝑨=[ 𝟗 𝟖 𝟐 ] → 𝟑𝑨 = 𝟑 ∗ [ 𝟗 𝟖 𝟐 ]→
−𝟏𝟎 −𝟒 𝟎 −𝟏𝟎 −𝟒 𝟎
𝟑 ∗ −𝟏 𝟑∗𝟑 𝟑 ∗ −𝟔 −𝟑 𝟗 −𝟏𝟖
𝟑𝑨 = [ 𝟑 ∗ 𝟗 𝟑∗𝟖 𝟑 ∗ 𝟐 ] → 𝟑𝑨 = [ 𝟐𝟕 𝟐𝟒 𝟔 ]
𝟑 ∗ −𝟏𝟎 𝟑 ∗ −𝟒 𝟑∗𝟎 −𝟑𝟎 −𝟏𝟐 𝟎
______________________________________________________________________________

𝟐
2. Hallar 𝟑 𝑨:

−𝟏 𝟑 −𝟔 𝟐 𝟐 −𝟏 𝟑 −𝟔
𝑨=[ 𝟗 𝟖 𝟐 ]→ 𝑨= ∗[ 𝟗 𝟖 𝟐 ]→
𝟑 𝟑
−𝟏𝟎 −𝟒 𝟎 −𝟏𝟎 −𝟒 𝟎

𝟐 𝟐 𝟐 𝟐 ∗ −𝟏 𝟐 ∗ 𝟑 𝟐 ∗ −𝟔
∗ −𝟏 ∗𝟑 ∗ −𝟔
𝟑 𝟑 𝟑 𝟑 𝟑 𝟑
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐∗𝟗 𝟐∗𝟖 𝟐∗𝟐
𝑨= ∗𝟗 ∗𝟖 ∗𝟐 → 𝑨= →
𝟑 𝟑 𝟑 𝟑 𝟑 𝟑 𝟑 𝟑
𝟐 𝟐 𝟐 𝟐 ∗ −𝟏𝟎 𝟐 ∗ −𝟒 𝟐 ∗ 𝟎
[𝟑 ∗ −𝟏𝟎 𝟑
∗ −𝟒
𝟑
∗𝟎 ] [ 𝟑 𝟑 𝟑 ]
𝟐 𝟔 −𝟏𝟐 𝟐
− − 𝟐 −𝟒
𝟑 𝟑 𝟑 𝟑
𝟐 𝟏𝟖 𝟏𝟔 𝟒 𝟐 𝟏𝟔 𝟒
𝑨= → 𝑨= 𝟔
𝟑 𝟑 𝟑 𝟑 𝟑 𝟑 𝟑
−𝟐𝟎 −𝟖 𝟎 −𝟐𝟎 −𝟖
[ 𝟑 𝟎]
𝟑 𝟑 ] [ 𝟑 𝟑
______________________________________________________________________________
 Modelos Lineales

68

3. Hallar: −𝟓𝑨

−𝟏 𝟑 −𝟔 −𝟏 𝟑 −𝟔
𝑨=[ 𝟗 𝟖 𝟐 ] → −𝟓𝑨 = 𝟓 ∗ [ 𝟗 𝟖 𝟐 ]→
−𝟏𝟎 −𝟒 𝟎 −𝟏𝟎 −𝟒 𝟎
−𝟓 ∗ −𝟏 −𝟓 ∗ 𝟑 −𝟓 ∗ −𝟔 𝟓 −𝟏𝟓 𝟑𝟎
−𝟓𝑨 = [ −𝟓 ∗ 𝟗 −𝟓 ∗ 𝟖 −𝟓 ∗ 𝟐 ] → −𝟓𝑨 = [−𝟒𝟓 −𝟒𝟎 −𝟏𝟎] →
−𝟓 ∗ −𝟏𝟎 −𝟓 ∗ −𝟒 −𝟓 ∗ 𝟎 𝟓𝟎 𝟐𝟎 𝟎

2.3.7 PROPIEDADES DE LA SUMA DE MATRICES Y DE LA

MULTIPLICACIÓN POR ESCALAR.
Sean 𝑨, 𝑩 𝒚 𝑪 Tres matrices de orden 𝑚 × 𝑛, ∝ 𝑦 𝑘 dos escalares, se cumple que:

PROPIEDAD ENUNCIADO
1. Toda matriz sumada con la matriz nula es igual a
𝟏. 𝑨𝒎𝒏 + 𝟎𝒎𝒏 = 𝑨𝒎𝒏
la misma matriz.
2. Toda matriz multiplicada por la matriz nula es
𝟐. 𝟎 ∗ 𝑨 = 𝟎
igual a la matriz nula.
3. La suma de matrices, cumple la propiedad
𝟑. 𝑨 + 𝑩 = 𝑩 + 𝑨
conmutativa de la suma.
4. La multiplicación de una matriz por un escalar,
𝟒. 𝒌 ∗ 𝑨 = 𝑨 ∗ 𝒌 cumple la propiedad conmutativa de la
multiplicación.
5. Toda matriz multiplicada por el escalar 1
𝟓. 𝟏 ∗ 𝑨 = 𝑨
(Elemento neutro), es igual a la misma matriz.
6. Al multiplicar una matriz por el escalar -1, se
𝟔. − 𝟏 ∗ 𝑨 = −𝑨
cambian todos los signos de la matriz.
7. Propiedad distributiva de la suma de matrices
𝟕. 𝒌 ∗ (𝑨 + 𝑩) = 𝒌 ∗ 𝑨 + 𝒌 ∗ 𝑩
respecto a un escalar.
8. Propiedad distributiva de la suma de escalares
𝟖. (𝒌+∝) ∗ 𝑨 = 𝒌 ∗ 𝑨+∝∗ 𝑨
respecto a una matriz.
 Modelos Lineales

69
9. Una suma transpuesta de matrices es igual a la
𝑻 𝑻 𝑻 suma de cada una de las transpuestas de los
𝟗. (𝑨 + 𝑩) = 𝑨 + 𝑩
sumandos.

2.3.8 MULTIPLICACIÓN DE MATRICES O PRODUCTO MATRICIAL.

Para multiplicar dos matrices existe una condición fundamental que dice:

La multiplicación de dos matrices se puede realizar si y solo si el número de columnas de la

primera matriz es igual al número de filas de la segunda matriz,

# Columnas de la primera matriz= # Filas de la segunda matriz

Por lo tanto, el matriz producto tendrá el número de filas de la primera matriz y el número de
columnas de la segunda matriz.

En forma general:

𝑨𝒎𝒏 ∗ 𝑩𝒏𝒒 = 𝑪𝒎𝒒

Como se observa en la forma general:

• 𝑛: Columnas de la primera y filas de la segunda.

• En la matriz producto 𝑪𝒎𝒒 , se tiene las filas de la primera y las columnas de la segunda.

Ejemplo: Dado el producto de las siguientes matrices se obtiene como resultado otra matriz que
contiene el número de filas de la primera y el número de columnas de la segunda:

MULTIPLICACIÓN RESULTADO ORDEN DE LA MATRIZ RESULTANTE

𝑨𝟑𝒙𝟓 𝑩𝟓𝒙𝟒 𝐶3𝑥4 3×4

𝑨𝟓𝒙𝟔 𝑩𝟔𝒙𝟑 𝐶5𝑥3 5×3

 Modelos Lineales

70
𝑨𝟐𝒙𝟏 𝑩𝟏𝒙𝟔 𝐶2𝑥6 2×6

No se puede realizar, ya que las columnas de la primera

𝑨𝟒𝒙𝟕 𝑩𝟒𝒙𝟑
matriz (7), son diferentes a los filas de la segunda matriz (4).

2.3.8.1 PROCEDIMIENTO PARA MULTIPLICAR MATRICES.

Si 𝑨𝒎𝒏 es una matriz de orden 𝒎 × 𝒏 y 𝑩𝒏𝒒 es una matriz de orden 𝒏 × 𝒒, la multiplicación de la
matriz 𝑨 por la matriz 𝑩 dará una matriz 𝑪𝒎𝒒 de orden 𝒎 × 𝒒.

Para determinar las entradas de la matriz 𝑨𝒎𝒏 𝑩𝒏𝒒 = 𝑪𝒎𝒒 , se procede de la siguiente manera:

 a11 a12  a1n  b11 b12  b1q 

a a  a  b b  b 
= 21 22 2 n  B = 
21 22 2 q
Amxn
     nxq
   
   
 m1 m 2
a a  a mn  
bn1 bn 2  b nq 

 a11 a12  a1n  b11 b12  b1q 

a a 22  a 2 n  b21 b22  b2 q 

La multiplicación 𝑨𝒎𝒏 𝑩𝒏𝒒 =  
21

      
  
a m1 a m 2  a mn  bn1 bn 2  bnq 

Dará una matriz 𝑪𝒎𝒒 de la forma:

 c11 c12  c1q 

c c 22  c 2 q 
=
21
C mq
    
 
c m1 cm 2  c mq 

Las entradas de la matriz 𝑪𝒎 𝒒 se obtienen de la siguiente manera:

➢ FILA 1
 Modelos Lineales

71
➢ 𝑪𝟏𝟏 : Se obtiene multiplicando las correspondientes entradas de la primera fila de la primera
matriz por las correspondientes entradas de la primera columna de la segunda matriz como
se observa en la figura1:

Figura 1

Esto es: 𝑪𝟏𝟏 = 𝒂𝟏𝟏 𝒃𝟏𝟏 + 𝒂𝟏𝟐 𝒃𝟐𝟏 + 𝒂𝟏𝟑 𝒃𝟑𝟏 + ⋯ + 𝒂𝟏𝒏 𝒃𝒎𝟏

➢ 𝑪𝟏𝟐 Se obtiene multiplicando las correspondientes entradas de la primera fila de la primera

matriz por las correspondientes entradas de la segunda columna de la segunda matriz
como se observa en la figura 2:

Figura 2

Esto es: 𝑪𝟏𝟐 = 𝒂𝟏𝟏 𝒃𝟏𝟐 + 𝒂𝟏𝟐 𝒃𝟐𝟐 + 𝒂𝟏𝟑 𝒃𝟑𝟐 + ⋯ + 𝒂𝟏𝒏 𝒃𝒏𝟐

Nota: De igual manera se obtienen las demás entradas de la primera fila de la matriz C, en
general se multiplica la primera fila de la primera matriz por todas y cada una de las columnas
de la segunda matriz.
 Modelos Lineales

72
➢ FILA 2:

➢ Para hallar 𝑪𝟐𝟏 , se efectúa la multiplicación que muestra la figura 3

Figura 3

Esto es: 𝑪𝟐𝟏 = 𝒂𝟐𝟏 𝒃𝟏𝟏 + 𝒂𝟐𝟐 𝒃𝟐𝟏 + 𝒂𝟐𝟑 𝒃𝟑𝟏 + ⋯ + 𝒂𝟐𝒏 𝒃𝒏𝟏

Para hallar 𝑪𝟐𝟐 se utiliza la figura 4

Figura 4

Esto es: 𝑪𝟐𝟏 = 𝒂𝟐𝟏 𝒃𝟏𝟐 + 𝒂𝟐𝟐 𝒃𝟐𝟐 + 𝒂𝟐𝟑 𝒃𝟑𝟐 + ⋯ + 𝒂𝟐𝒏 𝒃𝒏𝟐

Nota: De igual manera se obtienen las demás entradas de cada una de las filas de la matriz C, en
general se multiplican todas y cada una de las filas de la primera matriz por todas y cada una de
las columnas de la segunda matriz (siguiendo el proceso descrito en la secuencia anterior).

______________________________________________________________________________
 Modelos Lineales

73
2.3.9 EJERCICIOS DE APRENDIZAJE
1. Dadas las siguientes matrices A y B, hallar 𝑨𝑩 𝒚 𝑩𝑨
𝟏 𝟎 −𝟑
𝟐 𝟏 𝟔
𝑨=[ ] 𝒚𝑩=[ 𝟎 𝟒 𝟐]
𝟏 −𝟑 𝟐
−𝟐 𝟏 𝟏

PROCEDIMIENTO

a. Recuerde que:

𝑨𝑩 = 𝑪

𝑨 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟑,

𝑩 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟑 × 𝟑

Por lo tanto: 𝑪 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟑, Filas de la primera matriz y las columnas de la segunda
matriz, obteniendo en forma general una matriz 𝑪 de la forma:

𝒄𝟏𝟏 𝒄𝟏𝟐 𝒄𝟏𝟑

𝑪 = [𝒄 𝒄𝟐𝟐 𝒄𝟐𝟑 ] ∗∗
𝟐𝟏

➢ Cálculo de las entradas de la matriz C

➢ Para hallar 𝒄𝟏𝟏 se realiza la siguiente operación:

𝒄𝟏𝟏 = (𝟐) ∗ (𝟏) + (𝟏) ∗ (𝟎) + (−𝟔) ∗ (−𝟐) = 𝟏𝟒

➢ Para hallar𝒄𝟏𝟐 :
 Modelos Lineales

74

𝒄𝟏𝟐 = (𝟐) ∗ (𝟎) + (𝟏) ∗ (𝟒) + (−𝟔) ∗ (𝟏) = −𝟐

➢ Para hallar 𝒄𝟏𝟑 :

𝒄𝟏𝟑 = (𝟐) ∗ (−𝟑) + (𝟏) ∗ (𝟐) + (−𝟔) ∗ (𝟏) = −𝟏𝟎

➢ Para hallar𝒄𝟐𝟏 :

𝒄𝟐𝟏 = (𝟏) ∗ (𝟏) + (−𝟑) ∗ (𝟎) + (𝟐) ∗ (−𝟐) = −𝟑

➢ Para hallar𝒄𝟐𝟐 :

𝒄𝟐𝟐 = (𝟏) ∗ (𝟎) + (−𝟑) ∗ (𝟒) + (𝟐) ∗ (𝟏) = −𝟏𝟎

 Modelos Lineales

75
➢ Para hallar𝒄𝟐𝟑 :

𝒄𝟐𝟑 = (𝟏) ∗ (−𝟑) + (−𝟑) ∗ (𝟐) + (𝟐) ∗ (𝟏) = −𝟕

b. Reemplazando en **, se tiene:

𝟏𝟒 −𝟐 −𝟏𝟎
𝑨𝑩 = 𝑪 = [ ]
−𝟑 −𝟏𝟎 −𝟕

➢ Cálculo de BA: Analizando el orden de las matrices:

𝑩 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟑 × 𝟑 (Primera matriz).

𝑨 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟑 (Segunda matriz).

Como B es de orden 3 x 3 y A es de orden 2 X 3, la multiplicación no se puede efectuar.

(𝟑 ≠ 𝟐)

TIPS

Para efectuar la multiplicación de matrices se tiene que cumplir que:

# columnas de la primera matriz = # Filas de la segunda matriz.

______________________________________________________________________________

2. Dadas las siguientes matrices A y B, hallar 𝑨𝑩 𝒚 𝑩𝑨

𝟒 𝟑 −𝟑 𝟐
𝑨=[ ] 𝒚 𝑩=[ ]
−𝟐 𝟓 𝟔 𝟕
 Modelos Lineales

76
PROCEDIMIENTO

a. Recuerde que:
𝑨𝑩 = 𝑪

𝑨 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐,

𝑩 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐

Por lo tanto: 𝑪 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐, Filas de la primera matriz y las columnas de la segunda
matriz, obteniendo en forma general una matriz 𝑪 de la forma:

𝒄𝟏𝟏 𝒄𝟏𝟐
𝑪 = [𝒄 𝒄𝟐𝟐 ] ∗∗
𝟐𝟏

➢ Cálculo de las entradas de la matriz C

➢ Cálculo de AB:

Como 𝑨 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐 y 𝑩 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐, la multiplicación se puede realizar y dará

una matriz 𝑪 𝒅𝒆 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐.

Efectuando las operaciones:

𝟒 𝟑 −𝟑 𝟐 (𝟒) ∗ (−𝟑) + (𝟑) ∗ (𝟔) (𝟒) ∗ (𝟐) + (𝟑) ∗ (𝟕)

𝑪 = 𝑨𝑩 = [ ][ ]=[ ]→
−𝟐 𝟓 𝟔 𝟕 (−𝟐) ∗ (−𝟑) + (𝟓) ∗ (𝟔) (−𝟐) ∗ (𝟐) + (𝟓) ∗ (𝟕)

−𝟏𝟐 + 𝟏𝟖 𝟖 + 𝟐𝟏 𝟔 𝟐𝟗
𝑪 = 𝑨𝑩 = [ ]→𝑪=[ ] ∗∗
𝟔 + 𝟑𝟎 −𝟒 + 𝟑𝟓 𝟑𝟔 𝟑𝟏

➢ Cálculo de BA:

𝑩=𝑪

𝑩 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐 (Primera matriz).

𝑨 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐 (Segunda matriz).

 Modelos Lineales

77
Por lo tanto: 𝑪 𝒆𝒔 𝒅𝒆𝒍 𝒐𝒓𝒅𝒆𝒏 𝟐 × 𝟐, Filas de la primera matriz y las columnas de la segunda
matriz, obteniendo en forma general una matriz 𝑪 de la forma:

𝒄𝟏𝟏 𝒄𝟏𝟐
𝑪 = [𝒄 𝒄𝟐𝟐 ] ∗∗
𝟐𝟏

Efectuando las operaciones:

−𝟑 𝟐 𝟒 𝟑 (−𝟑) ∗ (𝟒) + (𝟐) ∗ (−𝟐) (−𝟑) ∗ (𝟑) + (𝟐) ∗ (𝟓)

𝑪 = 𝑩𝑨 = [ ][ ]=[ ]→
𝟔 𝟕 −𝟐 𝟓 (𝟔) ∗ (𝟒) + (𝟕) ∗ (−𝟐) (𝟔) ∗ (𝟑) + (𝟕) ∗ (𝟓)

−𝟏𝟐 − 𝟒 −𝟗 + 𝟏𝟎 −𝟏𝟔 𝟏
𝑪 = 𝑨𝑩 = [ ]→𝑪=[ ] ∗∗
𝟐𝟒 − 𝟏𝟒 𝟏𝟖 + 𝟑𝟓 𝟏𝟎 𝟓𝟑

NOTA: Con la solución de los ejercicios se ve claramente que la multiplicación de matrices no es

conmutativa, es decir, que en términos generales 𝑨𝑩 ≠ 𝑩𝑨.

______________________________________________________________________________

2.3.9.1 PROPIEDADES DE LA MULTIPLICACIÓN DE MATRICES:

Sean: 𝑨, 𝑩, 𝑪 Tres matrices cuyos productos se pueden efectuar y 𝒌 𝝐 𝑹𝒆 , entonces:

PROPIEDAD ENUNCIADO
𝑨𝑩 ≠ 𝑩𝑨. La multiplicación de matrices no cumple la propiedad
conmutativa.
𝑨(𝑩𝑪) = (𝑨𝑩)𝑪. En la multiplicación de matrices se cumple la propiedad
asociativa.
𝒌(𝑨𝑩) = 𝑨(𝒌𝑩) = (𝑨𝑩)𝒌 Propiedad asociativa de la multiplicación de matrices
respecto a un escalar
𝑨(𝑩 + 𝑪) = 𝑨𝑩 + 𝑨𝑪 Propiedad distributiva (a la izquierda) de la multiplicación
respecto a la suma.
(𝑨 + 𝑩)𝑪 = 𝑨𝑪 + 𝑩𝑪 Propiedad distributiva (a la derecha) de la multiplicación
respecto a la suma.
𝑨𝑰 = 𝑨 La multiplicación de una matriz 𝑨 por la matriz identidad 𝑰 es
igual a la misma matriz 𝑨.
 Modelos Lineales

78
𝑰𝑨 = 𝑨 La multiplicación de la matriz identidad 𝑰 por una matriz 𝑨, es
igual a la misma matriz 𝑨.
(𝑨𝑩)𝑻 = 𝑩𝑻 𝑨𝑻 La matriz transpuesta de un producto de matrices, es igual a la
matriz transpuesta de la segunda matriz por la matriz
transpuesta de la primera matriz.

2.3.9.2 POTENCIA DE UNA MATRIZ:

Sea 𝑨 una matriz cuadrada de orden 𝒏.

POTENCIA IGUAL A… RESULTADO

𝑨𝟎 = 𝑰

𝑨𝟏 = 𝑨

𝑨𝟐 = 𝑨𝟐 = 𝑨𝑨

𝑨𝟑 = 𝑨𝟑 = 𝑨𝟐 𝑨
Y así sucesivamente.

2.3.10 EJERCICIOS DE APRENDIZAJE

−𝟏 𝟏𝟎
1. Sea la matriz: 𝐴 = [
𝟒 𝟓
], hallar:
𝟏 𝟎
a. 𝑨𝟎 = [ ]
𝟎 𝟏
______________________________________________________________________________

−𝟏 𝟏𝟎
b. 𝑨𝟏 = [ ]
𝟒 𝟓
______________________________________________________________________________
 Modelos Lineales

79
−𝟏 𝟏𝟎 −𝟏 𝟏𝟎
c. 𝑨𝟐 = 𝑨𝑨 = [ ][ ]→
𝟒 𝟓 𝟒 𝟓
______________________________________________________________________________

(−𝟏) ∗ (−𝟏) + (𝟏𝟎) ∗ (𝟒) (−𝟏) ∗ (𝟏𝟎) + (𝟏𝟎) ∗ (𝟓)

𝑨𝑨 = [ ]→
(𝟒) ∗ (−𝟏) + (𝟓) ∗ (𝟒) (𝟒) ∗ (𝟏𝟎) + (𝟓) ∗ (𝟓)
𝟏 + 𝟒𝟎 −𝟏𝟎 + 𝟓𝟎 𝟒𝟏 𝟒𝟎)
𝑨𝑨 = [ ] → 𝑨𝑨 = [ ] = 𝑨𝟐
−𝟒 + 𝟐𝟎 𝟒𝟎 + 𝟐𝟓 𝟏𝟔 𝟔𝟓
______________________________________________________________________________

−𝟏 𝟏𝟎 𝟒𝟏 𝟒𝟎)
d. 𝑨𝟑 = 𝑨𝑨𝟐 = [ ][ ]→
𝟒 𝟓 𝟏𝟔 𝟔𝟓

(−𝟏) ∗ (𝟒𝟏) + (𝟏𝟎) ∗ (𝟏𝟔) (−𝟏) ∗ (𝟒𝟎) + (𝟏𝟎) ∗ (𝟔𝟓)

𝑨𝟑 = [ ]→
(𝟒) ∗ (𝟒𝟏) + (𝟓) ∗ (𝟏𝟔) (𝟒) ∗ (𝟒𝟎) + (𝟓) ∗ (𝟔𝟓)
−𝟒𝟏 + 𝟏𝟔𝟎 −𝟒𝟎 + 𝟔𝟓𝟎 𝟏𝟏𝟗 𝟔𝟏𝟎
𝑨𝟑 = [ ] → 𝑨𝟐 𝑨 = [ ] = 𝑨𝟑
𝟏𝟔𝟒 + 𝟖𝟎 𝟏𝟔𝟎 + 𝟑𝟐𝟓 𝟐𝟒𝟒 𝟒𝟖𝟓
______________________________________________________________________________

𝟑𝟎 𝟏
2. Si 𝑩 = [𝟐−𝟖 𝟗]
𝟓𝟒 𝟑
𝟏 𝟎 𝟎
a. 𝑩𝟎 = 𝑰𝟑 = [𝟎 𝟏 𝟎]
𝟎 𝟎 𝟏
𝟑 𝟎 𝟏
b. 𝑩𝟏 = [𝟐 −𝟖 𝟗]
𝟓 𝟒 𝟑

c. ACTIVIDAD: Compruebe, siguiendo el procedimiento del ejercicio anterior, que:

𝟏𝟒 𝟒 𝟔
𝟐
➢ 𝑩 = [𝟑𝟓 𝟏𝟎𝟎 −𝟒𝟑]
𝟑𝟖 −𝟐𝟎 𝟓𝟎
𝟖𝟎 −𝟖 𝟔𝟖
𝟑
➢ 𝑩 = [ 𝟗𝟎 −𝟗𝟕𝟐 𝟖𝟎𝟔]
𝟑𝟐𝟒 𝟑𝟔𝟎 𝟖
 Modelos Lineales

80
𝟐𝟕𝟕𝟏𝟐 𝟑𝟏𝟔𝟏𝟔 −𝟒𝟔𝟒
𝟒
➢ 𝑩 = [𝟏𝟖𝟎𝟖𝟔𝟒 𝟏𝟐𝟑𝟒𝟐𝟐𝟒 −𝟕𝟕𝟎𝟖𝟔𝟒]
𝟔𝟎𝟗𝟏𝟐 −𝟑𝟒𝟗𝟔𝟑𝟐 𝟑𝟏𝟐𝟐𝟓𝟔

2.3.11 EJERCICIOS DE ENTRENAMIENTO

1. Escriba la matriz en cada caso:

a. Matriz A de orden 4X7 tal que: aij = 5i − j para i = j aij = i + j para i  j

b. Matriz cuadrada B de orden 5 tal que: aij = (− 1)i + j para i  j , aij = i + j para i = j y .
______________________________________________________________________________
2. ALGEBRA DE MATRICES.

Para las matrices:

− 5 5 2   11 4 − 8
A =  0 4 − 7  B = − 10 15 5 
 6 7 6   0 5 4 
Hallar:

a. ( A + B )( A − B )
b. ( A + B )T
c. ( A + B )2
d. A2 − B 2
____________________________________________________________________________

3. Encuentre los valores de x, y, z, w; de tal manera que se cumpla cada igualdad:

 Modelos Lineales

81
 x y  12 − 3 1 0
 z w  9 5  = 0 1 
a.
    
x y  2 y + 1 4 x − 3  − 2 x 3 y + 12 
5 −
  =
− z   w − 3 z + w + 20
2
b.
 4 z 5 w  w
____________________________________________________________________________

4. ACTIVIDAD
i+ j
cuando i = j y aij = (− 1) cuando i  j
i+ j
a. Escriba la matriz A de orden 6X 6 tal que aij =
2
y aij = j − i cuando i  j
b. Escriba la matriz A de orden 4X 5 tal que aij = 2i + 5 j cuando i = j y aij = (i + j ) 2 cuando
i j
c. Escriba la matriz A de orden 5X 3 tal que aij = i − 3 j cuando i  j , aij = (− 1)1+ j cuando i = j
i−2j
y a ij = cuando i  j
3
i+ j
d. Escriba la matriz A de orden 6X 6 tal que aij = (− 1) cuando i  j , aij =
i+ j
cuando i = j y
2
aij = j − 4i cuando i  j
j
e. Escriba la matriz A de orden 4X 5 tal que aij = i * j cuando i  j , a ij = cuando i  j y
i
aij = 2 j + 3i cuando i = j
____________________________________________________________________________

5. Halle los valores correspondientes de cada letra:

 5 − 31 2  a − 5 b c  − 2 4 1 
 12 0 4 +  d e + 3 f  =  3 1 − 5

− 2 13 5  g − 4 h i   10 4 23 
a.
1 0 −4 3   a 2 b 1   0 e+7 −2 4 
−1 − 2 0 + =
 1   5 c+9 −2 d   f − 5 3 g 1 
b.
 Modelos Lineales

82
1 a 2 b   −1 1 g −5 
k  c 3 d 7  =  3 h + 10 −6 i + 12 
 e f 3 4   1 0 j −3 m 
c.
____________________________________________________________________________

6. Halle x, y, w, z, de tal manera que se cumpla la igualdad:

 3 x + y − 3 z + 1  5 6 + 5w 
a.   =  
 w−2 10   2 − 7 z 2 x − y + z 

 5x − y + 4 4   8 w
  =  
 z x + 2 y   7 y − 3 15 
b.

 w + 3z x − y   − 3 4x − 3y + 5
  =  
c.  2 x + 3 y 5 z − 10   20 3w − 2 

 7 − 3x − 3 + 5z   x − 3 y z+w 
=
4 + 5 y 10 + 2 w − z  2 y − x 2 z − w + 7
d.    

1 2  x y  1 0
3 4  z w = 0 1
e.     
3 4   x y  51 19 
9 − 5  z w =  0 − 62
f.     
____________________________________________________________________________

7. Halle:
AT , BT , A + B, 2 A − 3B  4B − 3 A
 Modelos Lineales

83
Con:

3 −5 8   − 3 12 6 
 0 − 9 − 3  8 6 7 
  
A = 13 14 7   B =  5 − 14 7 
   
8 0 9 − 34 7 9
12 5 − 9  12 9 13

____________________________________________________________________________

AT , A + B, B − A, ( A + B ) , AT + B T  2 A − 3B
T
8. Hallar: Con:

 4 9 10 − 5   34 − 2 4 6 
   
A =  2 45 6 − 7   B =  7 − 6 7 − 8 
 9 4 − 9 23  5 5 7 43 
  

____________________________________________________________________________

9. Hallar AB  BA Para las matrices:

 3 6 7 8
2 8 − 9  
  −3 4 6 7
 5 10 7 
A=  B= 9 0 − 4 23
−1 6 7  
   7 3 8 9
 4 −9 3 
  − 6
 5 4 7 

____________________________________________________________________________

10. Hallar CD  DC Con:

4 − 9 0 
1 7 9 4 5 8 − 2
 
C = 6 7 3 2   D =  
6 − 5 2 
0 8 9 4  
7 8 6

____________________________________________________________________________
 Modelos Lineales

84
11. Dadas las matrices:

 7 − 3 12 7 
A =    B =  
5 9   0 − 4
Halle:

a. AB − BA
b. 2 AB
c. ( A + B )( A − B )
d. A2 − B 2
e. ( A + B )2
f. ( A − B )2
g. (A T
+ BT )
T

h. A 2 − AB + BA − B 2
i. A 2 + AB + BA + B 2
j. A 2 − AB − BA + B 2
____________________________________________________________________________

 4 2  − 5 12 
12. Para las matrices: A =    B =   compruebe que:
 7 5   1 6 
a. ( A + B)( A − B)  A2 − B 2
b.
( A − B )2  A 2 − 2 AB + B 2
c.
( A − B )2 = A 2 − AB − BA + B 2
 Modelos Lineales

85
d. ( A + B )2 = A2 + AB + BA + B 2
e. ( A + B )2  A 2 + 2 AB + B 2
f.
AI 2 = A
g.
BI 2 = B
h. ( A + B)( A − B) = A2 − AB + BA − B 2
____________________________________________________________________________

13. Encuentre los valores de x, y, z  w de manera que se cumpla la igualdad:

 x y  4 3   1 0 
   =  
 z w  − 2 5   0 1 
____________________________________________________________________________

14. Encuentre los valores de x, y, z  w tal que se cumpla la igualdad:

 x y  3 6  10 45 
   =  
 z w  7 10   6 23 
____________________________________________________________________________

15. Encuentre los valores de x, y, z  w tal que se cumpla la igualdad:

 x y 11 − 4   4 5 
   =  
 z w  3 2   6 3 
____________________________________________________________________________

16. Encuentre los valores de x, y, z  w tal que se cumpla la igualdad:

 Modelos Lineales

86
 3 − 2  x y   8 10 
   =  
 4 13  z w   − 4 13 
____________________________________________________________________________

17. Escriba las siguientes matrices:

a. Identidad de orden 6.

b. Identidad de orden 4.

c. Nula de orden 5X3.

d. Nula de orden 3X6

 Modelos Lineales

87
3 UNIDAD 3 SOLUCIÓN DE SISTEMAS DE ECUACIONES
LINEALES UTILIZANDO TÉCNICAS MATRICIALES Y
APLICACIONES
3.1.1 OBJETIVO GENERAL
➢ Desarrollar las técnicas analíticas para solucionar sistemas de ecuaciones lineales en forma
matricial, explicando, además, en qué consisten los sistemas consistentes e inconsistentes y
el algoritmo para la solución de sistemas de ecuaciones lineales por los métodos: Eliminación
Gaussiana, Eliminación Gauss – Jordán, Matriz inversa y determinantes.

3.1.2 OBJETIVOS ESPECÍFICOS

➢ Determinar cuándo un sistema de ecuaciones tiene solución única, infinitas soluciones o no
tiene solución.

➢ Solucionar sistemas de ecuaciones por medio de eliminación Gaussiana.

➢ Analizar los sistemas de ecuaciones homogéneas.

➢ Solucionar sistemas de ecuaciones por medio de eliminación Gauss-Jordan.

➢ Solucionar sistemas de ecuaciones lineales utilizando la matriz inversa.

➢ Solucionar sistemas de ecuaciones lineales utilizando la factorización de matrices.

➢ Solucionar sistemas de ecuaciones lineales mediante el empleo de determinantes.

3.2 TEMA 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES

➢ Definición de un sistema de 𝒎 ecuaciones con 𝒏 incógnitas

Un sistema de ecuaciones lineales consiste en varias 𝒎 ecuaciones y cada ecuación con 𝒏

incógnitas, el sistema se caracteriza por que las variables tienen potencia uno, es decir, son
 Modelos Lineales

88
sistemas lineales, no existe producto entre ellas y además no existen variables en el
denominador.

Solucionar un sistema de ecuaciones consiste en encontrar una serie de valores 𝒕𝟏, 𝒕𝟐, 𝒕𝟑, … 𝒕𝒏
que simultáneamente son solución de cada una de las ecuaciones, es decir si se remplazan todos
los 𝒕𝒊 en una ecuación se obtiene una igualdad verdadera.

EJEMPLOS

1. 𝟑𝒙𝟏 − 𝟓𝒙𝟐 + 𝟒𝒙𝟑 = 𝟏𝟎

−𝟓𝒙𝟏 + 𝟕𝒙𝟐 − 𝟏𝟏𝟎𝒙𝟑 = 𝟏

𝟏𝟐𝒙𝟏 + 𝒙𝟐 + 𝟕𝒙𝟑 = 𝟏𝟐

Es un sistema 3 X 3

2. 𝟏𝟏𝒙𝟏 + 𝟐𝒙𝟐 − 𝟖𝒙𝟑 − 𝟏𝟒𝒙𝟒 = 𝟏𝟔

−𝟖𝒙𝟏 + 𝟒𝒙𝟐 − 𝟔𝒙𝟑 + 𝟏𝟐𝒙𝟒 = 𝟏𝟐

Es un sistema 2 X 4

TIPS
Cuando en el proceso de solución de un sistema de ecuaciones se llega
a una igualdad falsa, esto quiere decir que el sistema no tiene solución.
Cuando en el proceso de solución de un sistema de un sistema de
ecuaciones se llega una igualdad verdadera, esto quiere decir que el
sistema tiene infinitas soluciones.
 Modelos Lineales

89
➢ SISTEMAS CONSISTENTES E INCONSISTENETES

1) Un sistema es consistente cuando tiene una única solución, es decir, las ecuaciones son
independientes.

2) Un sistema es inconsistente cuando no tiene solución.

3) Si el sistema tiene infinitas soluciones, se dice que el sistema es consistente pero las
ecuaciones son dependientes.

➢ FORMA MATRICIAL DE UN SISTEMA DE ECUACIONES LINEALES

La forma matricial de un sistema de ecuaciones está dada por:

𝑨𝑿 = 𝑩
Dónde:

• 𝑨 Es la matriz que contiene los coeficientes, tiene orden 𝒎 × 𝒏.

• 𝑿 Es la matriz de variables tiene orden 𝒏 × 𝟏.
• 𝑩 Es la matriz en la cual se pone el término independiente de cada una de
las ecuaciones. Es de orden 𝒎 × 𝟏.
NOTA: Para construir matrices a partir de sistemas de ecuaciones, se debe tener en cuenta lo
siguiente:

a. El término independiente debe estar aislado o despejado (casi siempre a la derecha

de la ecuación).
b. Las variables deben tener el mismo orden en todas las ecuaciones.
c. Es obligatorio colocar ceros los espacios donde falte una de las variables.

𝒏: Es el número de variables; 𝒎: Es el número de ecuaciones.

EJEMPLO: Un sistema de la forma:

 Modelos Lineales

90
𝒂𝟏𝟏 𝒙 + 𝒂𝟏𝟐 𝒚 + 𝒂𝟏𝟑 𝒛 = 𝒃𝟏
{ 𝒂𝟐𝟏 𝒙 + 𝒂𝟐𝟐 𝒚 + 𝒂𝟐𝟑 𝒛 = 𝒃𝟐
𝒂𝟑𝟏 𝒙 + 𝒂𝟑𝟐 𝒚 + 𝒂𝟑𝟑 𝒛 = 𝒃𝟑

Se puede escribir como:

𝒂𝟏𝟏 + 𝒂𝟏𝟐 + 𝒂𝟏𝟑 𝒙 𝒃𝟏

[𝒂𝟐𝟏 + 𝒂𝟐𝟐 + 𝒂𝟐𝟑 ] [𝒚] = [𝒃𝟐 ]
𝒂𝟑𝟏 + 𝒂𝟑𝟐 + 𝒂𝟑𝟑 𝒛 𝒃𝟑

• El primer arreglo se llama matriz de coeficientes.

• El segundo arreglo se llama matriz de variables, note que las variables se colocan en el
mismo orden o secuencia en que se encuentran en las ecuaciones.

• El tercer arreglo se llama matriz de constantes o matriz del término independiente.

Nota: También se puede escribir la matriz aumentada, que consiste en agregar a la

matriz de coeficientes, la matriz de constantes en el lado derecho, as:
𝒂𝟏𝟏 + 𝒂𝟏𝟐 + 𝒂𝟏𝟑| 𝒃𝟏
[ 𝒂𝟐𝟏 + 𝒂𝟐𝟐 + 𝒂𝟐𝟑| 𝒃𝟐 ]
𝒂𝟑𝟏 + 𝒂𝟑𝟐 + 𝒂𝟑𝟑 | 𝒃𝟑
MATRIZ AUMENTADA

3.2.1 EJERCICIOS DE APRENDIZAJE

Para cada uno de los siguientes sistemas de ecuaciones lineales, construya la matriz de
coeficientes, la matriz de constantes, la matriz de variables y la matriz aumentada.

𝟑𝒙 −𝟐𝒛 = 𝟏𝟎
1. {𝟓𝒙 −𝟐𝒚 +𝟒𝒛 = 𝟎
𝟕𝒚 −𝟓𝒛 = 𝟒
 Modelos Lineales

91
PROCEDIMIENTO

a. El sistema quedaría (las variables que falten- espacios en blanco- en el sistema lineal se
deben representar con cero):

𝟑𝒙 +𝟎𝒚 −𝟐𝒛 = 𝟏𝟎
{𝟓𝒙 −𝟐𝒚 +𝟒𝒛 = 𝟎
𝟎𝒙 𝟕𝒚 −𝟓𝒛 = 𝟒

b. La matriz de coeficientes: Sea C el matriz coeficiente:

𝟑 𝟎 −𝟐
𝑪 = [𝟓 −𝟐 𝟒]
𝟎 𝟕 −𝟓

c. La matriz de variables: Sea V la matriz de variables:

𝒙
𝑽 = [𝒚]
𝒛

d. El matriz término independiente: Sea B la matriz de términos independientes:

𝟏𝟎
𝑩=[𝟎]
𝟒

e. La matriz aumentada: Sea A la matriz Aumentada:

𝟑 𝟎 −𝟐| 𝟏𝟎
[𝟓 −𝟐 𝟒| 𝟎]
𝟎 𝟕 −𝟓| 𝟒

____________________________________________________________________________

𝟐𝒙 −𝒚 = 𝟏𝟎
2. { 𝟓𝒙 −𝟐𝒛 +𝟒𝒚 = 𝟏𝟏
𝟏𝟎𝒙 𝟕𝒚 −𝟓𝒛 = −𝟒
 Modelos Lineales

92
PROCEDIMIENTO
a. El sistema quedaría (las variables que falten- espacios en blanco- en el sistema lineal se deben
representar con cero):

Nota: En la segunda ecuación lineal se deben ordenar las variables, para que las
tres tengan el mismo ordenamiento.

𝟑𝒙 −𝒚 𝟎𝒛 = 𝟏𝟎
{ 𝟓𝒙 𝟒𝒚 −𝟐𝒛 = 𝟏𝟏
𝟏𝟎𝒙 𝟕𝒚 −𝟓𝒛 = −𝟒

b. La matriz de coeficientes: Sea C el matriz coeficiente:

𝟑 −𝟏 𝟎
𝑪=[𝟓 𝟒 −𝟐]
𝟏𝟎 𝟕 −𝟓

c. La matriz de variables: Sea V la matriz de variables:

𝒙
𝑽 = [ 𝒚]
𝒛

d. El matriz término independiente: Sea B la matriz de términos independientes:

𝟏𝟎
𝑩 = [ 𝟏𝟏 ]
−𝟒

e. La matriz aumentada: Sea A la matriz Aumentada:

𝟑 −𝟏 𝟎 | 𝟏𝟎
[𝟓 𝟒 −𝟐| 𝟏𝟏 ]
𝟏𝟎 𝟕 −𝟓| −𝟒
 Modelos Lineales

93
➢ FORMA ESCALONADA POR FILA DE UNA MATRIZ:

Una matriz está en su forma escalonada por, fila, si tiene la siguiente apariencia:

∗ ∗ ∗ ∗
𝟎 ∗ ∗ ∗
[𝟎 𝟎 ∗ ∗ ]
𝟎 𝟎 𝟎 ∗

Nota: PIVOTE: En una matriz es la primera entrada distinta de cero

(𝒆𝒏𝒕𝒓𝒂𝒅𝒂 ≠ 𝟎) en una fila.
Los pivotes son los primeros asteriscos de cada fila (si son diferentes de cero) y los asteriscos
restantes pueden ser o no ser ceros, de esta manera podemos decir que: una matriz está en forma
escalonada por fila si:

a. Todas las filas que contienen solo ceros están agrupadas en la parten inferior de la
matriz.
b. En cada fila que no contiene solo ceros, el pivote se encuentra a la derecha del pivote
de cada renglón por encima de él.

ACTIVIDAD
Las siguientes matrices están en su forma escalonada, verifique que cumplen con las propiedades
anteriores:

𝟒𝟓 𝟐𝟑 −𝟖 𝟐 −𝟗 𝟑 𝟏𝟓 𝟕 𝟖 𝟒
[𝟎 𝟎 𝟏𝟒 𝟏𝟓 −𝟑 𝟏], [ 𝟎 𝟐𝟑 𝟏𝟔 −𝟐]
𝟎 𝟎 𝟎 𝟏 𝟏 𝟏
𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟏𝟐 −𝟏

➢ TEOREMA PARA TRANSFORMAR LAS FILAS DE UNA MATRIZ

Dada la matriz de un sistema de ecuaciones lineales, las siguientes transformaciones conducen a

la matriz de un sistema de ecuaciones equivalente:

a) Intercambiar dos filas cualesquiera.

 Modelos Lineales

94
b) Multiplicar todos los elementos de una fila por el mismo número 𝒌 𝝐 𝑹𝒆 y 𝒌 ≠ 𝟎.

c) Sumar a los elementos de una fila, 𝒌 veces los correspondientes elementos de cualquier

otra fila, en donde 𝒌 𝝐 𝑹𝒆

➢ OPERACIONES ELEMENTALES EN UNA MATRIZ

En una matriz se pueden efectuar las siguientes operaciones, llamadas operaciones elementales
(por fila), y la matriz no se altera.

a) Sumar un múltiplo de una fila a otra fila.

b) Intercambiar dos filas.

c) Multiplicar una fila por una constante distinta de cero.

3.3 TEMA 2 MÉTODOS MATRICIALES PARA SOLUCIONAR

SISTEMAS DE ECUACIONES LINEALES

3.3.1 MÉTODO 1: ELIMINACIÓN GAUSSIANA

PROCEDIMEINTO PARA SOLUCIONAR UN SISTEMA DE ECUACIONES LINEALES POR EL MÉTODO
DE REDUCCIÓN GAUSSIANA:

Se explicará el desarrollo del método mediante algunos ejemplos:

Nota: Utilizando ELIMINACIÓN GAUSSIANA, resuelva los siguientes sistemas:

𝟐𝒙𝟏 −𝒙𝟐 −𝒙𝟑 = 𝟑
1. {−𝟔𝒙𝟏 +𝟔𝒙𝟐 +𝟓𝒙𝟑 = −𝟑
𝟒𝒙𝟏 +𝟒𝒙𝟐 +𝟕𝒙𝟑 = 𝟑
 Modelos Lineales

95
PROCEDIMIENTO
1. Se escribe la matriz aumentada asociada:
𝟐 −𝟏 −𝟏| 𝟑
[−𝟔 𝟔 𝟓 | −𝟑]
𝟒 𝟒 𝟕| 𝟑

2. Se reduce la matriz aumentada a su forma escalonada. Para ello se realizan los siguientes
pasos:
a. Se convierte en 1 la entrada 𝒂𝟏𝟏, esta entrada debe ser diferente de cero y se llama el
ELEMENTO PIVOTE.

Para el ejemplo se tiene que:

𝟏
➢ CONDICIÓN: Se multiplica la primera fila por , esto es:
𝟐

𝟏
∗𝒇
𝟐 𝟏
𝒑𝒆𝒓𝒐: 𝒇𝟐 = 𝒇𝟐 , 𝒚

𝒇𝟑 = 𝒇𝟑

➢ La matriz queda:

𝟏 𝟏 𝟏 𝟏 𝟏 𝟏 𝟑
𝟐∗ −𝟏 ∗ −𝟏 ∗ | 𝟑 ∗ 𝟏 − − |
[ 𝟐 𝟐 𝟐| 𝟐] = [ 𝟐 𝟐| 𝟐 ]
−𝟔 𝟔 𝟓 | −𝟑 −𝟔 𝟔 𝟓 | −𝟑
𝟒 𝟒 𝟕 𝟑 𝟒 𝟒 𝟕 𝟑

Nota: Si la entrada 𝒂𝟏𝟏 = 𝟎, se necesita realizar un intercambio de filas (para el ejemplo este
paso no es necesario efectuarlo).
 Modelos Lineales

96
b. Con el 1 que hay en la entrada 𝒂𝟏𝟏 , se hacen cero todas las demás entradas en la primera
columna, para ello sume un múltiplo apropiado de la primera fila a las demás filas, para el
ejemplo:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏
𝒇𝟐 = 𝒇𝟐 + 𝟔𝒇𝟏
𝒇𝟑 = 𝒇𝟑 − 𝟒𝒇𝟏

Efectuando las operaciones en cada fila se tiene:

➢ Primera fila: 𝒇𝟏 = 𝒇𝟏

𝒂𝟏𝟏 = 𝒂𝟏𝟏

𝒂𝟏𝟐 = 𝒂𝟏𝟐

𝒂𝟏𝟑 = 𝒂𝟏𝟑

𝒃𝟏 = 𝒃𝟏

➢ Segunda fila: 𝒇𝟐 = 𝒇𝟐 + 𝟔𝒇𝟏

𝒂𝟐𝟏 = −𝟔 + 𝟔(𝟏) = −𝟔 + 𝟔 = 𝟎
𝟏
𝒂𝟐𝟐 = 𝟔 + 𝟔 (− ) = 𝟔 − 𝟑 = 𝟑
𝟐
𝟏
𝒂𝟐𝟑 = 𝟓 + 𝟔 (− ) = 𝟓 − 𝟑 = 𝟐
𝟐
 Modelos Lineales

97
𝟑
𝒃𝟐 = −𝟑 + 𝟔 ( ) = −𝟑 + 𝟗 = 𝟔
𝟐

➢ Tercera fila: 𝒇𝟑 = 𝒇𝟑 − 𝟒𝒇𝟏

𝒂𝟑𝟏 = 𝟒 − 𝟒(𝟏) = 𝟒 − 𝟒 = 𝟎

𝟏
𝒂𝟑𝟐 = 𝟒 − 𝟒 (− ) = 𝟒 + 𝟐 = 𝟔
𝟐
𝟏
𝒂𝟑𝟑 = 𝟕 − 𝟒 (− ) = 𝟕 + 𝟐 = 𝟗
𝟐
𝟑
𝒃𝟑 = 𝟑 − 𝟒 ( ) = 𝟑 − 𝟔 = −𝟑
𝟐

➢ La matriz queda:

𝟏 𝟏 𝟑
𝟏 − − |
[ 𝟐 𝟐| 𝟐 ]
𝟎 𝟑 𝟐 𝟔
|
𝟎 𝟔 𝟗 −𝟑
c. Se repiten los pasos anteriores ignorando el primer renglón:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = ( )𝒇𝟐
𝟑
𝒇𝟑 = 𝒇𝟑
 Modelos Lineales

98
𝟏 𝟏 𝟑 𝟏 𝟏
𝟏 𝟏 𝟑 𝟏 − − 𝟏 − − | 𝟑
𝟏 − − | 𝟐 𝟐 | 𝟐 𝟐 𝟐
[ 𝟐 𝟐| 𝟐 ] = 𝟏 𝟏 𝟏| 𝟏 = 𝟐 | 𝟐
𝟎 𝟑 𝟐 𝟔 𝟎∗ 𝟑∗ 𝟐∗ | 𝟔∗ 𝟎 𝟏 𝟐
| 𝟑 𝟑 𝟑 𝟑 𝟑 | −𝟑
𝟎 𝟔 𝟗 −𝟑 [ 𝟎 𝟔 𝟗 −𝟑 ] [𝟎 𝟔 𝟗 ]

d. Se deben volver cero todas las entradas debajo de la entrada 𝒂𝟐𝟐 , para ello se utiliza el
1 de la entrada 𝒂𝟐𝟐
Se deben efectuar las siguientes operaciones en la matriz:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 − 𝟔𝒇𝟐

➢ Para la tercera fila se tiene:

𝒂𝟑𝟏 = 𝟎 − 𝟔(𝟎) = 𝟎 + 𝟎 = 𝟎

𝒂𝟑𝟐 = 𝟔 − 𝟔(𝟏) = 𝟔 − 𝟔 = 𝟎

𝟐
𝒂𝟑𝟑 = 𝟗 − 𝟔 ( ) = 𝟗 − 𝟒 = 𝟓
𝟑
𝒃𝟑 = −𝟑 − 𝟔(𝟐) = −𝟑 − 𝟏𝟐 = −𝟏𝟓

➢ La matriz queda:
 Modelos Lineales

99
𝟏 𝟏
𝟏 − − | 𝟑
𝟐 𝟐
𝟐 | 𝟐
𝟎 𝟏 𝟐
𝟑 | −𝟏𝟓
[𝟎 𝟎 𝟓 ]

e. Se convierte en 1 la entrada 𝒂𝟑𝟑 :

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐
𝟏
𝒇𝟑 = (𝒇 )
𝟓 𝟑

𝟏 𝟏
𝟏 𝟏 𝟏 − − 𝟑 𝟏 𝟏
𝟏 − − | 𝟑 𝟐 𝟐| 𝟏 − − | 𝟑
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐
𝟐 | 𝟐 = 𝟎 𝟏 | 𝟐 = 𝟐 | 𝟐
𝟎 𝟏 𝟐 𝟑 | 𝟏 𝟎 𝟏 𝟐
𝟑 | −𝟏𝟓 𝟏 𝟏 𝟏 ∗ − 𝟏𝟓 𝟑 | −𝟑
[𝟎 𝟎 𝟓 ] 𝟓 [𝟎 𝟎 𝟏 ]
[𝟓 ∗ 𝟎 𝟓
∗𝟎
𝟓
∗𝟓 ]

La matriz está en la forma escalonada.

3. Se reescribe el sistema y se resuelve por sustitución hacia atrás, esto es:

𝟏 𝟏 𝟏 𝟏
𝟏 − − | 𝟑 𝒙𝟏 − 𝒙𝟐 − 𝒙𝟑 𝟑
𝟐 𝟐 𝟐 𝟐 = → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
𝟐 | 𝟐 → 𝟐 = 𝟐
𝟎 𝟏 𝟐 𝒙𝟐 + 𝒙𝟑 = 𝟐→ 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟑 | −𝟑 𝟑
−𝟑 → 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
[𝟎 𝟎 𝟏 ] 𝒙𝟑
 Modelos Lineales

100
✓ De la ecuación 3 se tiene que: 𝒙𝟑 = −𝟑

✓ Se reemplaza este valor en la ecuación 2 y se despeja 𝒙𝟐 :

𝟐 𝟐
𝒙𝟐 + 𝟑 𝒙𝟑 = 𝟐 → 𝒙𝟐 + 𝟑 (−𝟑) = 𝟐 → 𝒙𝟐 − 𝟐 = 𝟐 → 𝒙𝟐 = 𝟐 + 𝟐 → 𝒙𝟐 = 𝟒

✓ Se reemplazan estos valores, 𝒙𝟑 = −𝟑 , 𝒙𝟐 = 𝟒 en la ecuación 1 y se despeja 𝒙𝟏 :

𝟏 𝟏 𝟑 𝟏 𝟏 𝟑 𝟑 𝟑 𝟑 𝟑
𝒙𝟏 − 𝒙𝟐 − 𝒙𝟑 = → 𝒙𝟏 − (𝟒) − (−𝟑) = → 𝒙𝟏 − 𝟐 + = → 𝒙𝟏 = − + 𝟐 →
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐 𝟐 𝟐 𝟐 𝟐
𝒙𝟏 = 𝟐

✓ Prueba: Se reemplazan los valores obtenidos en las ecuaciones originales, esto es:

𝟐(𝟐) −𝟒 −(−𝟑) = 𝟑→𝟒−𝟒+𝟑=𝟑→𝟑=𝟑

−𝟔(𝟐) +𝟔(𝟒) +𝟓(−𝟑) = −𝟑 → −𝟏𝟐 + 𝟐𝟒 − 𝟏𝟓 = −𝟑 → −𝟑 = −𝟑
𝟒(𝟐) +𝟒(𝟒) +𝟕(−𝟑) = 𝟑 → 𝟖 + 𝟏𝟔 − 𝟐𝟏 = 𝟑 → 𝟑 = 𝟑

Por lo tanto, la solución del sistema es:

𝒙𝟏 = 𝟐, 𝒙𝟐 = 𝟒, 𝒙𝟑 = −𝟑
______________________________________________________________________________

2. Utilizando ELIMINACIÓN GAUSSIANA Resuelva el sistema:

𝟐𝒙 + 𝟖𝒚 − 𝒛 + 𝒘 = 𝟎

𝟒𝒙 + 𝟏𝟔𝒚 − 𝟑𝒛 − 𝒘 = −𝟏𝟎

−𝟐𝒙 + 𝟒𝒚 − 𝒛 + 𝟑𝒘 = −𝟔

−𝟔𝒙 + 𝟐𝒚 + 𝟓𝒛 + 𝒘 = 𝟑

PROCEDIMIENTO
a. Se obtiene la matriz aumentada
 Modelos Lineales

101
𝟐 𝟖 −𝟏 𝟏 𝟎
[𝟒 𝟏𝟔 −𝟑 −𝟏 | −𝟏𝟎]
−𝟐 𝟒 −𝟏 𝟑 −𝟔
−𝟔 𝟐 𝟓 𝟏 𝟑

➢ Se convierte la entrada 𝒂𝟏𝟏 en 1:

• CONDICIÓN

𝟏
𝒇𝟏 = (𝒇 )
𝟐 𝟏
𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑

𝒇𝟒 = 𝒇𝟒

➢ La matriz queda:

𝟏 𝟏 𝟏 𝟏 𝟏
𝟐 𝟖 −𝟏 𝟏 𝟎 ∗𝟐 ∗𝟖 ∗ −𝟏 ∗𝟏 ∗𝟎
[𝟒 𝟏𝟔 −𝟑 −𝟏 | −𝟏𝟎] = 𝟐 𝟐 𝟐 𝟐 𝟐
−𝟐 𝟒 −𝟏 𝟑 −𝟔 𝟒 𝟏𝟔 −𝟑 −𝟏 | −𝟏𝟎 =
−𝟐 𝟒 −𝟏 𝟑 −𝟔
−𝟔 𝟐 𝟓 𝟏 𝟑 [ −𝟔 𝟐 𝟓 𝟏 𝟑 ]

𝟏 𝟒 − 𝟏⁄𝟐 𝟏⁄
𝟐 𝟎
[ 𝟒 𝟏𝟔 −𝟑 −𝟏 | −𝟏𝟎]
−𝟐 𝟒 −𝟏 𝟑 −𝟔
−𝟔 𝟐 𝟓 𝟏 𝟑

➢ Se convierten en ceros cada una de las entradas debajo del 1 anterior:

• CONDICIÓN
 Modelos Lineales

102
𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟒𝒇𝟏

𝒇𝟑 = 𝒇𝟑 + 𝟐𝒇𝟏

𝒇𝟒 = 𝒇𝟒 + 𝟔𝒇𝟏

➢ Para la fila 2 se tiene:

𝒂𝟐𝟏 = 𝟒 − 𝟒(𝟏) = 𝟒 − 𝟒 = 𝟎

𝒂𝟐𝟐 = 𝟏𝟔 − 𝟒(𝟒) = 𝟏𝟔 − 𝟏𝟔 = 𝟎
𝟏
𝒂𝟐𝟑 = −𝟑 − 𝟒 (− ) = −𝟑 + 𝟐 = −𝟏
𝟐
𝟏
𝒂𝟐𝟒 = −𝟏 − 𝟒 ( ) = −𝟏 − 𝟐 = −𝟑
𝟐
𝒃𝟐 = −𝟏𝟎 − 𝟒(𝟎) = −𝟏𝟎 − 𝟎 = −𝟏𝟎

➢ Para la fila 3:

𝒂𝟑𝟏 = −𝟐 + 𝟐(𝟏) = −𝟐 + 𝟐 = 𝟎

𝒂𝟑𝟐 = 𝟒 + 𝟐(𝟒) = 𝟒 + 𝟖 = 𝟏𝟐
𝟏
𝒂𝟑𝟑 = −𝟏 + 𝟐 (− ) = −𝟏 − 𝟏 = −𝟐
𝟐
𝟏
𝒂𝟑𝟒 = 𝟑 + 𝟐 ( ) = 𝟑 + 𝟏 = 𝟒
𝟐
𝒃𝟑 = −𝟔 + 𝟐(𝟎) = −𝟔 + 𝟎 = −𝟔

➢ Para la fila 4:
 Modelos Lineales

103
𝒂𝟒𝟏 = −𝟔 + 𝟔(𝟏) = −𝟔 + 𝟔 = 𝟎

𝒂𝟒𝟐 = 𝟐 + 𝟔(𝟒) = 𝟐 + 𝟐𝟒 = 𝟐𝟔
𝟏
𝒂𝟒𝟑 = 𝟓 + 𝟔 (− ) = 𝟓 − 𝟑 = 𝟐
𝟐
𝟏
𝒂𝟒𝟒 = 𝟏 + 𝟔 ( ) = 𝟏 + 𝟑 = 𝟒
𝟐
𝒃𝟒 = 𝟑 + 𝟔(𝟎) = 𝟑 + 𝟎 = 𝟑

➢ La matriz queda:

𝟏 𝟒 − 𝟏⁄𝟐 𝟏⁄𝟐 𝟎
[𝟎 𝟎 −𝟏 −𝟑 | −𝟏𝟎]
𝟎 𝟏𝟐 −𝟐 𝟒 −𝟔
𝟎 𝟐𝟔 𝟐 𝟒 𝟑

➢ Como la entrada 𝒂𝟐𝟐 es igual a cero (resaltada en amarillo en la matriz), se debe hacer
intercambio de fila.

➢ Se cambia 𝒇𝟐 𝒄𝒐𝒏 𝒇𝟑
La matriz queda:

𝟏 𝟒 − 𝟏⁄𝟐 𝟏⁄
𝟐 𝟎
[𝟎 𝟏𝟐 −𝟐 𝟒 | −𝟔 ]
𝟎 𝟎 −𝟏 −𝟑 −𝟏𝟎
𝟎 𝟐𝟔 𝟐 𝟒 𝟑

Se convierte en 1 la entrada 𝒂𝟐𝟐 :

• CONDICIÓN
 Modelos Lineales

104
𝟏
𝒇𝟐 = (𝒇 )
𝟏𝟐 𝟐

Efectuando la operación indicada:

𝟏 𝟒 − 𝟏⁄𝟐 𝟏⁄ 𝟎
𝟏 𝟒 − 𝟏⁄𝟐 𝟏⁄𝟐 𝟎 𝟏 𝟏
𝟐
𝟏
𝟏 𝟏
[𝟎 𝟏𝟐 −𝟐 𝟒 | −𝟔 ] → 𝟏𝟐 ∗ 𝟎 𝟏𝟐
∗ 𝟏𝟐 ∗ −𝟐 ∗ 𝟒 | 𝟏𝟐 ∗ −𝟔 →
𝟎 𝟎 −𝟏 −𝟑 −𝟏𝟎 𝟏𝟐 𝟏𝟐
𝟎 𝟎 −𝟏 −𝟑 −𝟏𝟎
𝟎 𝟐𝟔 𝟐 𝟒 𝟑
[ 𝟎 𝟐𝟔 𝟐 𝟒 𝟑 ]

𝟏 𝟏⁄
𝟏 𝟒 − ⁄𝟐 𝟐 𝟎
𝟎 𝟏 − 𝟏⁄ 𝟏⁄ 𝟏
− ⁄𝟐
𝟎 𝟎 𝟔 𝟑 |
−𝟏 −𝟑 −𝟏𝟎
[𝟎 𝟐𝟔
𝟐 𝟒 𝟑 ]

Se deben convertir en cero las entradas debajo del 1 anterior:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑

𝒇𝟒 = 𝒇𝟒 − 𝟐𝟔𝒇𝟐

➢ Para la fila 4 (resaltada en amarillo)

𝒂𝟒𝟏 = 𝟎 − 𝟐𝟔(𝟎) = 𝟎 − 𝟎 = 𝟎

𝒂𝟒𝟐 = 𝟐𝟔 − 𝟐𝟔(𝟏) = 𝟐𝟔 − 𝟐𝟔 = 𝟎
𝟏 𝟏𝟑 𝟔 + 𝟏𝟑 𝟏𝟗
𝒂𝟒𝟑 = 𝟐 − 𝟐𝟔 (− ) = 𝟐 + = =
𝟔 𝟑 𝟑 𝟑
 Modelos Lineales

105
𝟏 𝟐𝟔 𝟏𝟐 − 𝟐𝟔 𝟏𝟒
𝒂𝟒𝟒 = 𝟒 − 𝟐𝟔 ( ) = 𝟒 − = =−
𝟑 𝟑 𝟑 𝟑
𝟏
𝒃𝟒 = 𝟑 − 𝟐𝟔 (− ) = 𝟑 + 𝟏𝟑 = 𝟏𝟔
𝟐
➢ La matriz queda:

− 𝟏⁄𝟐 𝟏⁄
𝟐
𝟏 𝟒 𝟎
𝟎 𝟏 − 𝟏⁄𝟔 𝟏⁄ 𝟏
𝟑 | − ⁄𝟐
𝟎 𝟎 −𝟏 −𝟑 −𝟏𝟎
𝟎 𝟎 𝟏𝟗 𝟏𝟒 𝟏𝟔
[ − ]
𝟑 𝟑

➢ Se convierte en 1 la entrada 𝒂𝟑𝟑 :

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = −𝒇𝟑

𝒇𝟒 = 𝒇𝟒

➢ Para la fila 3: Se multiplica f_3 por-1

− 𝟏⁄𝟐 𝟏⁄
𝟐
𝟏 𝟒 𝟎
𝟏
− ⁄𝟔 𝟏 ⁄𝟑 𝟏
𝟎 𝟏 − ⁄𝟐
| →
𝟎 ∗ −𝟏 𝟎 ∗ −𝟏 −𝟏 ∗ −𝟏 −𝟑 ∗ −𝟏 −𝟏𝟎 ∗ −𝟏
𝟎 𝟎 𝟏𝟗 𝟏𝟒 𝟏𝟔
[ − ]
𝟑 𝟑

➢ Realizando las operaciones indicadas:

 Modelos Lineales

106
− 𝟏⁄𝟐 𝟏⁄
𝟐
𝟏 𝟒 𝟎
𝟏 𝟏⁄ 𝟏
𝟎 𝟏 − ⁄𝟔 𝟑 | − ⁄𝟐
𝟎 𝟎 𝟏 𝟑 𝟏𝟎
𝟎 𝟎 𝟏𝟗 𝟏𝟒 𝟏𝟔
[ − ]
𝟑 𝟑

➢ Se deben convertir en cero las entradas debajo del 1 anterior:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = −𝒇𝟑

𝟏𝟗
𝒇𝟒 = 𝒇𝟒 − 𝒇
𝟑 𝟑

➢ Para la fila 4:

𝟏𝟗
𝒂𝟒𝟏 = 𝟎 − (𝟎) = 𝟎 − 𝟎 = 𝟎
𝟑
𝟏𝟗
𝒂𝟒𝟐 = 𝟎 − (𝟎) = 𝟎 − 𝟎 = 𝟎
𝟑
𝟏𝟗 𝟏𝟗 𝟏𝟗 𝟏𝟗
𝒂𝟒𝟑 = − (𝟏) = − =𝟎
𝟑 𝟑 𝟑 𝟑
𝟏𝟒 𝟏𝟗 𝟏𝟒 𝟓𝟕 −𝟏𝟒 − 𝟓𝟕 𝟕𝟏
𝒂𝟒𝟒 = − − (𝟑) = − − = =−
𝟑 𝟑 𝟑 𝟑 𝟑 𝟑
𝟏𝟗 𝟏𝟗𝟎 𝟒𝟖 − 𝟏𝟗𝟎 𝟏𝟒𝟐
𝒃𝟒 = 𝟏𝟔 − (𝟏𝟎) = 𝟏𝟔 − = =−
𝟑 𝟑 𝟑 𝟑

➢ La matriz queda:
 Modelos Lineales

107
− 𝟏⁄𝟐 𝟏⁄𝟐 𝟎
𝟏 𝟒 𝟏 𝟏⁄ 𝟏
− ⁄𝟐
𝟎 𝟏 − ⁄𝟔 𝟑 |
𝟎 𝟎 𝟑 𝟏𝟎
𝟏 𝟕𝟏 − 𝟏𝟒𝟐
𝟎 𝟎
[ 𝟎 − 𝟑 ]
𝟑

➢ Se convierte en 1 la entrada 𝒂𝟒𝟒 :

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑

𝟑
𝒇𝟒 = − 𝒇
𝟕𝟏 𝟒

➢ La matriz queda:

− 𝟏⁄𝟐 𝟏⁄
𝟐 𝟎
𝟏 𝟒 𝟏 𝟏⁄ 𝟏
− ⁄𝟐
𝟎 𝟏 − ⁄𝟔 𝟑 |
𝟎 𝟎 𝟑 𝟏𝟎 →
𝟏 𝟕𝟏 − 𝟏𝟒𝟐
𝟎 𝟎
[ 𝟎 − 𝟑 ]
𝟑

𝟏 𝟒− 𝟏⁄𝟐 𝟏⁄
𝟐 𝟎
− 𝟏 ⁄𝟐
𝟎 𝟏− 𝟏⁄𝟔 𝟏⁄
𝟑
𝟎 𝟎 | 𝟏𝟎 →
𝟑 𝟑 𝟏 𝟑
𝟎∗− 𝟎∗− 𝟑 𝟕𝟏 𝟑 𝟏𝟒𝟐 𝟑
𝟕𝟏 𝟕𝟏 𝟎 ∗ − − ∗ − − ∗−
[ 𝟕𝟏 𝟑 𝟕𝟏 𝟑 𝟕𝟏]

𝟏 𝟏⁄
𝟏 𝟒 − ⁄𝟐 𝟐 𝟎
𝟎 𝟏 − 𝟏⁄ 𝟏⁄ 𝟏
− ⁄𝟐
𝟎 𝟎 𝟔 𝟑 |
𝟏 𝟑 𝟏𝟎
[𝟎 𝟎
𝟎 𝟏 𝟐 ]
 Modelos Lineales

108
La matriz está en la forma escalonada.

b. Se reescribe el sistema de ecuaciones:

𝟏 𝟏
✓ 𝒙 + 𝟒𝒚 − 𝟐 𝒛 + 𝟐 𝒘 = 𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏

𝟏 𝟏 𝟏
✓ 𝒚 − 𝟔 𝒛 + 𝟑 𝒘 = − 𝟐 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐

✓ 𝒛 + 𝟑𝒘 = 𝟏𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑

✓ 𝒘 = 𝟐 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒

c. El sistema se resuelve por sustitución hacia atrás, esto es:

➢ Se reemplaza la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟒 en la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑:

𝒛 + 𝟑𝒘 = 𝟏𝟎 → 𝒛 + 𝟑(𝟐) = 𝟏𝟎 → 𝒛 + 𝟔 = 𝟏𝟎 → 𝒛 = 𝟏𝟎 − 𝟔 → 𝒛 = 𝟒

➢ Se reemplazan los valores de 𝒛 , 𝒘 en la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐:

𝟏 𝟏 𝟏 𝟏 𝟏 𝟏 𝟐 𝟐 𝟏
𝒚 − 𝒛 + 𝒘 = − → 𝒚 − (𝟒) + (𝟐) = − → 𝒚 − + = − →
𝟔 𝟑 𝟐 𝟔 𝟑 𝟐 𝟑 𝟑 𝟐
𝟏
𝒚=−
𝟐
➢ Se reemplazan los valores de 𝒚, 𝒛 , 𝒘 en la 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏𝟏:

𝟏 𝟏 𝟏 𝟏 𝟏
𝒙 + 𝟒𝒚 − 𝒛 + 𝒘 = 𝟎 → 𝒙 + 𝟒 (− ) − (𝟒) + (𝟐) = 𝟎 →
𝟐 𝟐 𝟐 𝟐 𝟐

𝒙−𝟐−𝟐+𝟏=𝟎→𝒙−𝟑=𝟎→𝒙=𝟑
𝟏
La solución del sistema es: 𝒙 = 𝟑, 𝒚 = − 𝟐 , 𝒛 = 𝟒, 𝒘 = 𝟐

ACTIVIDAD: Realice la prueba reemplazando los valores en las ecuaciones originales, tome el
ejercicio anterior como ejemplo.

______________________________________________________________________________
 Modelos Lineales

109
ACTIVIDAD: Encuentre la solución del siguiente sistema, tome el ejercicio anterior como
ejemplo, resuélvalo y confróntelo con su tutor.

𝒙 +𝟐𝒚 +𝒛 = −𝟔
{𝟒𝒙 −𝟐𝒚 −𝒛 = −𝟒
𝟐𝒙 −𝒚 +𝟑𝒛 = 𝟏𝟗
Respuesta: solución del sistema es:(−𝟐, −𝟓, 𝟔)

______________________________________________________________________________

3.3.2 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES CON INFINITAS

SOLUCIONES:
3. Solucione el siguiente sistema:
𝒙 +𝒚 +𝒛 = 𝟐
{𝟓𝒙 −𝟐𝒚 +𝟐𝒛 = 𝟎
𝟖𝒙 +𝒚 +𝟓𝒛 = 𝟔

PROCEDIMIENTO
a. Se obtiene la matriz de aumentada:

𝟏 𝟏 𝟏 𝟐
[𝟓 −𝟐 𝟐 𝟎 ]
𝟖 𝟏 𝟓 𝟔

✓ Como la entrada 𝒂𝟏𝟏 es 1, por lo tanto se convierten en cero las entradas que están por
debajo del mismo:
 Modelos Lineales

110
• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟓𝒇𝟏

𝒇𝟑 = 𝒇𝟑 − 𝟖𝒇𝟏

➢ La matriz queda:

𝟏 𝟏 𝟏 𝟐 𝟏 𝟏 𝟏 𝟐
[𝟓 −𝟐 𝟐 𝟎 ] = [ 𝟓 − 𝟓(𝟏) −𝟐 − 𝟓(𝟏) 𝟐 − 𝟓(𝟏) 𝟎 − 𝟓(𝟐)]
𝟖 𝟏 𝟓 𝟔 𝟖 − 𝟖(𝟏) 𝟏 − 𝟖(𝟏) 𝟓 − 𝟖(𝟏) 𝟔 − 𝟖(𝟐)

Efectuando las operaciones indicadas:

𝟏 𝟏 𝟏 𝟐 𝟏 𝟏 𝟏 𝟐
[𝟓 − 𝟓 −𝟐 − 𝟓 𝟐 − 𝟓 𝟎 − 𝟏𝟎 ] = [ 𝟎 −𝟕 −𝟑 − 𝟏𝟎]
𝟖−𝟖 𝟏−𝟖 𝟓 − 𝟖 𝟔 − 𝟏𝟔 𝟎 −𝟕 −𝟑 − 𝟏𝟎

Se convierte en 1 la entrada 𝒂𝟐𝟐 :

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏
𝟏
𝒇𝟐 = − 𝒇𝟐
𝟕
𝒇𝟑 = 𝒇𝟑

𝟏 𝟏 𝟏 𝟐
𝟏 𝟏 𝟏 𝟐 𝟏 𝟏 𝟏 𝟏
[𝟎 −𝟕 −𝟑 − 𝟏𝟎] = [𝟎 ∗ − −𝟕 ∗ − −𝟑 ∗ − − 𝟏𝟎 ∗ − ]
𝟎 −𝟕 −𝟑 − 𝟏𝟎 𝟕 𝟕 𝟕 𝟕
𝟎 −𝟕 −𝟑 − 𝟏𝟎
 Modelos Lineales

111
Realizando las operaciones indicadas:

𝟏 𝟏 𝟏 𝟐
𝟑 𝟏𝟎
[𝟎 𝟏 ]
𝟕 𝟕
𝟎 −𝟕 −𝟑 − 𝟏𝟎

➢ Se convierten en cero las entradas que están por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 + 𝟕𝒇𝟐

𝟏 𝟏 𝟏 𝟐
𝟏 𝟏 𝟏 𝟐 𝟑 𝟏𝟎
𝟑 𝟏𝟎 𝟎 𝟏
[𝟎 𝟏 ]= 𝟕 𝟕
𝟕 𝟕 𝟑 𝟏𝟎
𝟎 −𝟕 −𝟑 − 𝟏𝟎
[𝟎 + 𝟕(𝟎) −𝟕 + 𝟕(𝟏) −𝟑 + 𝟕 (𝟕) − 𝟏𝟎 + 𝟕( )
𝟕 ]

Realizando las operaciones indicadas, se obtiene la matriz en la cual la entrada 𝒂𝟑𝟑 = 𝟎

𝟏 𝟏 𝟏 𝟐
𝟑 𝟏𝟎
[𝟎 𝟏 ]
𝟕 𝟕
𝟎 𝟎 𝟎 𝟎

b. Se reescribe el sistema:
 Modelos Lineales

112
𝟏 𝟏 𝟏 𝟐 𝒙 + 𝒚 + 𝒛 = 𝟐 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
𝟑 𝟏𝟎 𝟑 𝟏𝟎
[𝟎 𝟏 ]→{ 𝒚+ 𝒛= 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟕 𝟕 𝟕 𝟕
𝟎 𝟎 𝟎 𝟎 𝟎 = 𝟎 𝑰𝒈𝒖𝒂𝒍𝒅𝒂𝒅 𝒗𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒂

Nota: Como se llega a una igualdad verdadera, el sistema tiene infinitas soluciones.

➢ De la ecuación 2 se despeja 𝒚:

𝟑 𝟏𝟎 𝟏𝟎 𝟑
𝒚+ 𝒛= 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐 → 𝒚 = − 𝒛 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟑
𝟕 𝟕 𝟕 𝟕
Se reemplaza la ecuación 3 en la ecuación 1:

𝟏𝟎 𝟑
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏 → 𝒙 + 𝒚 + 𝒛 = 𝟐 → 𝒙 + ( − 𝒛) + 𝒛 = 𝟐 →
𝟕 𝟕
𝟏𝟎 𝟑 𝟏𝟎 𝟑
𝒙+ − 𝒛+𝒛=𝟐→𝒙=− + 𝒛 − 𝒛 + 𝟐 → Reduciendo términos semejantes:
𝟕 𝟕 𝟕 𝟕

𝟒 𝟒
𝒙= − 𝒛
𝟕 𝟕

➢ Para indicar una solución más general:

Haciendo: 𝒛 = 𝒌 donde 𝒌 𝝐 𝑹𝒆 , entonces la solución del sistema (𝒙, 𝒚, 𝒛) es:

𝟒 𝟒 𝟏𝟎 𝟑
( − 𝒌, − 𝒌, 𝒌)
𝟕 𝟕 𝟕 𝟕

➢ Para cada número real 𝒌 se obtiene una solución para el sistema dado, se revisarán
algunos valores:
 Modelos Lineales

113
𝒌 (𝒙, 𝒚, 𝒛)
𝟒 𝟒 𝟏𝟎 𝟑
( − 𝒌, − 𝒌, 𝒌) SOLUCIÓN
𝟕 𝟕 𝟕 𝟕

𝟎 𝟒 𝟒 𝟏𝟎 𝟑 𝟒 𝟏𝟎
− (𝟎), − (𝟎), 𝟎 ( , , 𝟎)
𝟕 𝟕 𝟕 𝟕 𝟕 𝟕

𝟏 𝟒 𝟒 𝟏𝟎 𝟑 (𝟎, 𝟏, 𝟏)
− (𝟏), − (𝟏), 𝟏
𝟕 𝟕 𝟕 𝟕

𝟐 𝟒 𝟒 𝟏𝟎 𝟑 𝟒 𝟒
− (𝟐), − (𝟐), 𝟐 (− , , 𝟐)
𝟕 𝟕 𝟕 𝟕 𝟕 𝟕

𝟑 𝟒 𝟒 𝟏𝟎 𝟑 𝟖 𝟏
− (𝟑), − (𝟑), 𝟑 (− , , 𝟑)
𝟕 𝟕 𝟕 𝟕 𝟕 𝟕

ACTIVIDAD: Realiza el mismo cuadro asignando 3 valores negativos.

______________________________________________________________________________

4. Solucione el siguiente sistema:

𝟐𝒙 −𝒚 −𝒛 = 𝟎
{𝟐𝒙 +𝟑𝒚 =𝟏
𝟖𝒙 −𝟑𝒛 = 𝟒

PROCEDIMIENTO
a. Se obtiene la matriz de aumentada:

𝟐 −𝟏 −𝟏 𝟎
[𝟐 𝟑 𝟎 𝟏]
𝟖 𝟎 −𝟑 𝟒

Se convierte en 1 la entrada 𝒂𝟏𝟏 :

 Modelos Lineales

114
• CONDICIÓN:

𝟏
𝒇𝟏 = (𝒇 )
𝟐 𝟏
𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑

𝟏 𝟏 𝟏 𝟏
𝟐 −𝟏 −𝟏 𝟎 ∗ (𝟐) ∗ (−𝟏) ∗ (−𝟏) ∗ (𝟎)
[𝟐 𝟑 𝟎 𝟏] → [𝟐 𝟐 𝟐 𝟐 ]→
𝟐 𝟑 𝟎 𝟏
𝟖 𝟎 −𝟑 𝟒
𝟖 𝟎 −𝟑 𝟒
𝟐 𝟏 𝟏 𝟏 𝟏
− (− ) 𝟎 𝟏 − − 𝟎
[𝟐 𝟐 𝟐 ]→[ 𝟐 𝟐 ]
𝟐 𝟑 𝟎 𝟏 𝟐 𝟑 𝟎 𝟏
𝟖 𝟎 −𝟑 𝟒 𝟖 𝟎 −𝟑 𝟒

➢ Se convierten en cero las entradas que están por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟐𝒇𝟏

𝒇𝟑 = 𝒇𝟑 − 𝟖𝒇𝟏

𝟏 𝟏
𝟏 − − 𝟎
[ 𝟐 𝟐 ]→
𝟐 𝟑 𝟎 𝟏
𝟖 𝟎 −𝟑 𝟒
 Modelos Lineales

115
𝟏 𝟏
𝟏 − − 𝟎
𝟐 𝟐
𝟏 𝟏
𝟐 − 𝟐(𝟏) 𝟑 − 𝟐(− ) 𝟎 − 𝟐 (− ) 𝟏 − 𝟐(𝟎) →
𝟐 𝟐
𝟏 𝟏
[𝟖 − 𝟖(𝟏) 𝟎 − 𝟖(− ) −𝟑 − 𝟖 (− ) 𝟒 − 𝟖(𝟎)]
𝟐 𝟐
𝟏 𝟏
𝟏 − − 𝟎
𝟐 𝟐 𝟏 𝟏
𝟐 𝟏 − − 𝟎
𝟐−𝟐 𝟑+𝟏 𝟎+ 𝟏−𝟎 →[ 𝟐 𝟐 ]
𝟐 𝟎 𝟒 𝟏 𝟏
𝟖 𝟖 𝟎 𝟒 𝟏 𝟒
[𝟖 − 𝟖 𝟎+
𝟐
−𝟑 +
𝟐
𝟒−𝟎 ]

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = (𝒇 )
𝟒 𝟐
𝒇𝟑 = 𝒇𝟑

𝟏 𝟏
𝟏 𝟏 𝟏 − − 𝟎
𝟏 − − 𝟎 𝟐 𝟐
[ 𝟐 𝟐 ]→ 𝟏 𝟏 𝟏 𝟏 →
𝟎 𝟒 𝟏 𝟏 ∗𝟎 ∗ 𝟒 ∗ 𝟏 ∗ 𝟏
𝟎 𝟒 𝟏 𝟒 𝟒 𝟒 𝟒 𝟒
[ 𝟎 𝟒 𝟏 𝟒 ]

𝟏 𝟏 𝟏 𝟏
𝟏 − − 𝟎 𝟏 − − 𝟎
𝟐 𝟐 𝟐 𝟐
𝟎 𝟒 𝟏 𝟏 → 𝟏 𝟏
𝟎 𝟏
𝟒 𝟒 𝟒 𝟒 𝟒 𝟒
[𝟎 𝟒 𝟏 𝟒] [𝟎 𝟒 𝟏 𝟒]

➢ Se convierten en cero las entradas que están por debajo del 1 obtenido:
 Modelos Lineales

116
• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 − 𝟒(𝒇𝟐 )

𝟏 𝟏
𝟏 𝟏 𝟏 − − 𝟎
𝟏 − − 𝟎 𝟐 𝟐
𝟐 𝟐 𝟏 𝟏
𝟏 𝟏 → 𝟎 𝟏 →
𝟎 𝟏 𝟒 𝟒
𝟒 𝟒 𝟏 𝟏
[𝟎 𝟒 𝟏 𝟒]
[𝟎 − 𝟒(𝟎) 𝟒 − 𝟒(𝟏) 𝟏 − 𝟒( )
𝟒
𝟒 − 𝟒( )]
𝟒

𝟏 𝟏
𝟏 − − 𝟎 𝟏 𝟏
𝟐 𝟐 𝟏 − − 𝟎
𝟏 𝟏 𝟐 𝟐
𝟎 𝟏 → 𝟏 𝟏 →
𝟒 𝟒 𝟎 𝟏
𝟒 𝟒 𝟒 𝟒
[𝟎 𝟎 𝟎 𝟑]
[𝟎 − 𝟎 𝟒−𝟒 𝟏−( )
𝟒
𝟒 − ( )]
𝟒

b. Se reescribe el sistema:

𝟏 𝟏 𝟏 𝟏
𝟏 − − 𝟎 𝒙 − 𝒚 − 𝒛 = 𝟎 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
𝟐 𝟐 𝟐 𝟐
𝟏 𝟏 → 𝟏 𝟏
𝟎 𝟏 𝒚 + 𝒛 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟒 𝟒 𝟒 𝟒
[𝟎 𝟎 𝟎 𝟑 ] { 𝟎 = 𝟑 𝑰𝒈𝒖𝒂𝒍𝒅𝒂𝒅 𝒇𝒂𝒍𝒔𝒂

c. Como se llega a una igualdad falsa (𝟎 = 𝟑) , el sistema es inconsistente, quiere decir

que no tiene solución.

3.3.3 SISTEMAS HOMOGÉNEOS

Dado el sistema:
 Modelos Lineales

117
𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 = 𝟎
{𝒆𝒙 + 𝒇𝒚 + 𝒈𝒛 = 𝟎
𝒊𝒙 + 𝒋𝒚 + 𝒌𝒛 = 𝟎
Es homogéneo porque término independiente en todas las ecuaciones es igual a cero.

Nota: Un sistema lineal homogéneo siempre tiene la solución trivial (𝟎, 𝟎, 𝟎), por lo tanto estos
siempre son sistemas consistentes; además de la solución trivial pueden tener también infinitas
soluciones no triviales.

ACTIVIDAD: Siguiendo el proceso anterior solucione el siguiente sistema, determine el número

de soluciones, si las tiene, confronte con el tutor su validez.

𝒙+𝒚+𝒛=𝟎
{𝟓𝒙 − 𝟐𝒚 + 𝟐𝒛 = 𝟎
𝟖𝒙 + 𝒚 + 𝟓𝒛 = 𝟎

3.3.4 MÉTODO 2: ELIMINACIÓN GAUSS – JORDAN

Este método consiste en llevar la matriz aumentada del sistema a una matriz de la forma

𝟏 𝟎 𝟎 𝟎 𝒂
[𝟎 𝟏 𝟎 𝟎 𝒃]
𝒄
𝟎 𝟎 𝟏 𝟎
𝟎 𝟎 𝟎 𝟏 𝒅

Todas las entradas de la diagonal principal son iguales a 1 y todas las entradas arriba y abajo de
la diagonal principal son iguales a cero.

Una matriz de este tipo se dice que está en su forma ESCALONADA REDUCIDA POR RENGLÓN.

Donde los números 𝒂, 𝒃, 𝒄, 𝒅, … 𝝐 𝑹𝒆 .

Se deduce de lo anterior que:

𝒙𝟏 = 𝒂

𝒙𝟐 = 𝒃
 Modelos Lineales

118
𝒙𝟑 = 𝒄

𝒙𝟒 = 𝒅

𝒙𝒏…

3.3.5 EJERCICIOS DE APRENDIZAJE

Utilizando ELIMINACIÓN GAUSS – JORDAN resuelva los siguientes sistemas:

Ejercicio tomado de GROSSMAN. Stanley I. Álgebra lineal. 5 ed. México: Mc Graw Hill, 1966. P 7

𝟐𝒙𝟏 + 𝟒𝒙𝟐 +𝟔𝒙𝟑 = 𝟏𝟖

1. {𝟒𝒙𝟏 + 𝟓𝒙𝟐 + 𝟔𝒙𝟑 = 𝟐𝟒
𝟑𝒙𝟏 + 𝒙𝟐 −𝟐𝒙𝟑 = 𝟒

PROCEDIMIENTO
a. Se obtiene la matriz de aumentada:

𝟐 𝟒 𝟔 𝟏𝟖
[𝟒 𝟓 𝟔 𝟐𝟒]
𝟑 𝟏 −𝟐 𝟒
➢ Se convierte en 1 la entrada 𝒂𝟏𝟏

• CONDICIÓN:

𝟏
𝒇𝟏 = (𝒇 )
𝟐 𝟏
𝒇𝟐 = 𝒇𝟐
𝒇𝟑 = 𝒇𝟑
 Modelos Lineales

119
𝟐 𝟒 𝟔 𝟏𝟖 𝟏/𝟐 ∗ (𝟐) 𝟏/𝟐 ∗ (𝟒) 𝟏/𝟐 ∗ (𝟔) 𝟏/𝟐 ∗ (𝟏𝟖)
[𝟒 𝟓 𝟔 𝟐𝟒] → [ 𝟒 𝟓 𝟔 𝟐𝟒 ]→
𝟑 𝟏 −𝟐 𝟒 𝟑 𝟏 −𝟐 𝟒
Efectuando las operaciones indicadas:

𝟐/𝟐 𝟒/𝟐 𝟔/𝟐 𝟏𝟖/𝟐 𝟏 𝟐 𝟑 𝟗

[ 𝟒 𝟓 𝟔 𝟐𝟒 ] → [𝟒 𝟓 𝟔 𝟐𝟒]
𝟑 𝟏 −𝟐 𝟒 𝟑 𝟏 −𝟐 𝟒

➢ Se convierten en cero las entradas que están por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟒(𝒇𝟏 )

𝒇𝟑 = 𝒇𝟑 − 𝟑(𝒇𝟏 )

𝟏 𝟐 𝟑 𝟗 𝟏 𝟐 𝟑 𝟗
[𝟒 𝟓 𝟔 𝟐𝟒] → [𝟒 − 𝟒(𝟏) 𝟓 − 𝟒(𝟐) 𝟔 − 𝟒(𝟑) 𝟐𝟒 − 𝟒(𝟗)]
𝟑 𝟏 −𝟐 𝟒 𝟑 − 𝟑(𝟏) 𝟏 − 𝟑(𝟐) −𝟐 − 𝟑(𝟑) 𝟒 − 𝟑(𝟗)
Efectuando las operaciones indicadas:

𝟏 𝟐 𝟑 𝟗 𝟏 𝟐 𝟑 𝟗
→
[𝟒 − 𝟒 𝟓 − 𝟖 𝟔 − 𝟏𝟐 𝟐𝟒 − 𝟑𝟔] [𝟎 −𝟑 −𝟔 −𝟏𝟐]
𝟑 − 𝟑 𝟏 − 𝟔 −𝟐 − 𝟗 𝟒 − 𝟐𝟕 𝟎 −𝟓 −𝟏𝟏 −𝟐𝟑

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN:
 Modelos Lineales

120
𝒇𝟏 = 𝒇𝟏
𝟏
𝒇𝟐 = − (𝒇𝟐 )
𝟑
𝒇𝟑 = 𝒇𝟑

𝟏 𝟐 𝟑 𝟗 𝟏 𝟐 𝟑 𝟗
[𝟎 −𝟑 −𝟔 −𝟏𝟐] → [−𝟏/𝟑 ∗ 𝟎 −𝟏/𝟑 ∗ −𝟑 −𝟏/𝟑 ∗ −𝟔 − 𝟏/𝟑 ∗ −𝟏𝟐]
𝟎 −𝟓 −𝟏𝟏 −𝟐𝟑 𝟎 −𝟓 −𝟏𝟏 −𝟐𝟑
Efectuando las operaciones indicadas:

𝟏 𝟐 𝟑 𝟗
𝟎 −𝟑 −𝟔 −𝟏𝟐 𝟏 𝟐 𝟑 𝟗
[− − − − ] → [𝟎 𝟏 𝟐 𝟒 ]
𝟑 𝟑 𝟑 𝟑 𝟎 −𝟓 −𝟏𝟏 −𝟐𝟑
𝟎 −𝟓 −𝟏𝟏 −𝟐𝟑

➢ Se convierten en cero las entradas que están por encima y por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 − 𝟐(𝒇𝟐 )

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 + 𝟓(𝒇𝟐 )

𝟏 𝟐 𝟑 𝟗 𝟏 − 𝟐 ∗ (𝟎) 𝟐 − 𝟐 ∗ (𝟏) 𝟑 − 𝟐 ∗ (𝟐) 𝟗 − 𝟐 ∗ (𝟒)

[𝟎 𝟏 𝟐 𝟒 ]→[ 𝟎 𝟏 𝟐 𝟒 ]
𝟎 −𝟓 −𝟏𝟏 −𝟐𝟑 𝟎 + 𝟓 ∗ (𝟎) −𝟓 + 𝟓 ∗ (𝟏) −𝟏𝟏 + 𝟓 ∗ (𝟐) −𝟐𝟑 + 𝟓 ∗ (𝟒)

Efectuando las operaciones indicadas:

 Modelos Lineales

121
𝟏−𝟎 𝟐−𝟐 𝟑−𝟒 𝟗−𝟖 𝟏 𝟎 −𝟏 𝟏
[ 𝟎 𝟏 𝟐 𝟒 ] → [𝟎 𝟏 𝟐 𝟒]
𝟎 + 𝟎 −𝟓 + 𝟓 −𝟏𝟏 + 𝟏𝟎 −𝟐𝟑 + 𝟐𝟎 𝟎 𝟎 −𝟏 −𝟑

➢ Se convierte en 1 la entrada 𝒂𝟑𝟑:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = −𝒇𝟑

𝟏 𝟎 −𝟏 𝟏 𝟏 𝟎 −𝟏 𝟏
[𝟎 𝟏 𝟐 𝟒 ]→[ 𝟎 𝟏 𝟐 𝟒 ]→
𝟎 𝟎 −𝟏 −𝟑 −𝟏 ∗ 𝟎 −𝟏 ∗ 𝟎 −𝟏 ∗ −𝟏 −𝟏 ∗ −𝟑
Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟏 𝟏
[𝟎 𝟏 𝟐 𝟒]
𝟎 𝟎 𝟏 𝟑

➢ Se convierten en cero las entradas que están por encima del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 + 𝒇𝟑

𝒇𝟐 = 𝒇𝟐 − 𝟐(𝒇𝟑 )

𝒇𝟑 = 𝒇𝟑
 Modelos Lineales

122
𝟏 𝟎 −𝟏 𝟏 𝟏+𝟎 𝟎+𝟎 −𝟏 + 𝟏 𝟏+𝟑
[𝟎 𝟏 𝟐 𝟒] → [𝟎 − 𝟐 ∗ (𝟎) 𝟏 − 𝟐 ∗ (𝟎) 𝟐 − 𝟐 ∗ (𝟏) 𝟒 − 𝟐 ∗ (𝟑)]
𝟎 𝟎 𝟏 𝟑 𝟎 𝟎 𝟏 𝟑
Efectuando las operaciones indicadas:

𝟏 + 𝟎 𝟎 + 𝟎 −𝟏 + 𝟏 𝟏 + 𝟑 𝟏 𝟎 𝟎 𝟒
[𝟎 − 𝟎 𝟏 − 𝟎) 𝟐 − 𝟐 𝟒 − 𝟔] → [𝟎 𝟏 𝟎 −𝟐]
𝟎 𝟎 𝟏 𝟑 𝟎 𝟎 𝟏 𝟑

b. La solución del sistema reemplazando las respectivas variables:

𝒙 𝟎 𝟎 𝟒 𝒙=𝟒
[𝟎 𝒚 𝟎 −𝟐] → {𝒚 = −𝟐
𝟎 𝟎 𝒛 𝟑 𝒛=𝟑
ACTIVIDAD: Con los valores obtenidos realizar la correspondiente prueba.

2. En el siguiente ejercicio se deben completar los procesos a partir de las condiciones dadas

(tomar el ejercicio anterior como referencia).

Resolver el siguiente sistema:

𝒙+𝒚+𝒛+𝒘=𝟎
𝟐𝒙 + 𝟒𝒚 + 𝟖𝒛 +
{ 𝟏𝟔𝒘 = 𝟐𝟔
{
𝟑𝒙 + 𝟗𝒚 + 𝟐𝟕𝒛 + 𝟖𝟏𝒘 = 𝟏𝟒𝟒
𝟒𝒙 + 𝟏𝟔𝒚 + 𝟔𝟒𝒛 + 𝟐𝟓𝟔𝒘 = 𝟒𝟔𝟖

PROCEDIMIENTO
a. La matriz aumentada es:
 Modelos Lineales

123
𝟏 𝟏 𝟏 𝟏 𝟎
[𝟐 𝟒 𝟖 𝟏𝟔 𝟐𝟔 ]
𝟑 𝟗 𝟐𝟕 𝟖𝟏 𝟏𝟒𝟒
𝟒 𝟏𝟔 𝟔𝟒 𝟐𝟓𝟔 𝟒𝟔𝟖

➢ Como la entrada 𝒂𝟏𝟏 𝒆𝒔 𝟏, se convierten en cero las entradas que están por debajo del 1:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟐(𝒇𝟏 )

𝒇𝟑 = 𝒇𝟑 − 𝟑(𝒇𝟏 )

𝒇𝟒 = 𝒇𝟒 − 𝟒(𝒇𝟏 )

𝟏 𝟏 𝟏 𝟏 𝟎 𝟏 𝟏 𝟏 𝟏 𝟎
[𝟐 𝟒 𝟖 𝟏𝟔 𝟐𝟔 ] → [ ]→
𝟑 𝟗 𝟐𝟕 𝟖𝟏 𝟏𝟒𝟒
𝟒 𝟏𝟔 𝟔𝟒 𝟐𝟓𝟔 𝟒𝟔𝟖

𝟏 𝟏 𝟏 𝟏 𝟎 𝟏 𝟏 𝟏 𝟏 𝟎
[ ]→[ ]

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = (𝒇 )
𝟐 𝟐
 Modelos Lineales

124
𝒇𝟑 = 𝒇𝟑

𝒇𝟒 = 𝒇𝟒

𝟏 𝟏 𝟏 𝟏 𝟎 𝟏 𝟏 𝟏 𝟏 𝟎
[𝟎 ] → [𝟎 𝟏 ]
𝟎 𝟎
𝟎 𝟎

➢ Se convierten en cero las entradas que están por encima y por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 − 𝒇𝟐

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑− 𝟔𝒇𝟐

𝒇𝟒 = 𝒇𝟒 − 𝟏𝟐𝒇𝟐

𝟏 𝟏 𝟏 𝟏 𝟎 𝟏 𝟏 𝟏 𝟏 𝟎
[𝟎 𝟏 ] → [𝟎 𝟏 ]
𝟎 𝟎
𝟎 𝟎

𝟏 𝟎 𝟏 𝟏 𝟎
→ [𝟎 𝟏 ]
𝟎 𝟎
𝟎 𝟎

➢ Se convierte en 1 la entrada 𝒂𝟑𝟑:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏
 Modelos Lineales

125
𝒇𝟐 = 𝒇𝟐

𝟏
𝒇𝟑 = (𝒇 )
𝟔 𝟑
𝒇𝟒 = 𝒇𝟒

𝟏 𝟎 𝟏 𝟏 𝟎 𝟏 𝟎 𝟏 𝟏 𝟎 𝟏 𝟎 𝟏 𝟏 𝟎
[𝟎 𝟏 ] = [𝟎 𝟏 ] → [𝟎 𝟏 ]
𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟏
𝟎 𝟎 𝟎 𝟎 𝟎 𝟎

➢ Se convierten en cero las entradas que están por encima y por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 + 𝟐𝒇𝟑

𝒇𝟐 = 𝒇𝟐 − 𝟑𝒇𝟑

𝒇𝟑 = 𝒇𝟑

𝒇𝟒 = 𝒇𝟒 − 𝟐𝟒𝒇𝟑

𝟏 𝟎 𝟏 𝟏 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎
𝟎
[𝟎 𝟏 ] → [𝟎 𝟏 ]→
𝟎 𝟎 𝟏 𝟎 𝟎 𝟏
𝟎 𝟎 𝟎 𝟎 𝟎

➢ Se convierte en 1 la entrada 𝒂𝟒𝟒:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐
 Modelos Lineales

126
𝒇𝟑 = 𝒇𝟑

𝟏
𝒇𝟒 = (𝒇
𝟐𝟒 𝟒)

𝟏 𝟎 𝟎 𝟏 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎
𝟎 𝟎 𝟎
[𝟎 𝟏 ] → [𝟎 𝟏 ] → [𝟎 𝟏 ]
𝟎 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎 𝟎 𝟏
𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟎 𝟏

➢ Se convierten en cero las entradas que están por encima del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 − 𝟔(𝒇𝟒 )

𝒇𝟐 = 𝒇𝟐 + 𝟏𝟏(𝒇𝟒 )

𝒇𝟑 = 𝒇𝟑 − 𝟔(𝒇𝟒 )

𝒇𝟒 = 𝒇𝟒

𝟏 𝟎 𝟎 𝟏 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎 𝟏 𝟎 𝟎 𝟎 −𝟑
[𝟎 𝟏 𝟎 ] → [𝟎 𝟏 𝟎 ] →[𝟎 𝟏 𝟎 𝟎 𝟐]
𝟎 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎 𝟎 𝟏 𝟎 −𝟏
𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟎 𝟏 𝟐

b. La solución del sistema reemplazando las respectivas variables:

𝟏 𝟎 𝟎 𝟎 −𝟑 𝒙 = −𝟑
[𝟎 𝟏 𝟎 𝟎 𝟐 ]→{ 𝒚=𝟐
𝟎 𝟎 𝟏 𝟎 −𝟏 𝒛 = −𝟏
𝟎 𝟎 𝟎 𝟏 𝟐 𝒘=𝟐
ACTIVIDAD: Con los valores obtenidos realizar la correspondiente prueba.
 Modelos Lineales

127
3. Resolver el siguiente sistema:

𝟐𝒚 + 𝟑𝒛 = 𝟒
{𝟐𝒙 − 𝟔𝒚 + 𝟕𝒛 = 𝟏𝟓
𝒙 − 𝟐𝒚 + 𝟓𝒛 = 𝟏𝟎

PROCEDIMIENTO
a. La matriz aumentada es:

𝟎 𝟐 𝟑 𝟒
[𝟐 −𝟔 𝟕 𝟏𝟓]
𝟏 −𝟐 𝟓 𝟏𝟎

➢ Como la entrada 𝒂𝟏𝟏 es cero, se intercambia la fila 1 con la fila 3:

𝟎 𝟐 𝟑 𝟒 𝟏 −𝟐 𝟓 𝟏𝟎
[𝟐 −𝟔 𝟕 𝟏𝟓] → [𝟐 −𝟔 𝟕 𝟏𝟓]
𝟏 −𝟐 𝟓 𝟏𝟎 𝟎 𝟐 𝟑 𝟒

➢ Se convierten en cero las entradas que están por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐− 𝟐(𝒇𝟏 )

𝒇𝟑 = 𝒇𝟑

𝟏 −𝟐 𝟓 𝟏𝟎 𝟏 −𝟐 𝟓 𝟏𝟎
[𝟐 −𝟔 𝟕 𝟏𝟓 ] → [ 𝟐 − 𝟐 ∗ (𝟏) −𝟔 − 𝟐 ∗ (−𝟐) 𝟕 − 𝟐 ∗ (𝟓) 𝟏𝟓 − 𝟐 ∗ (𝟏𝟎)]
𝟎 𝟐 𝟑 𝟒 𝟎 𝟐 𝟑 𝟒

➢ Realizando las operaciones indicadas:

 Modelos Lineales

128
𝟏 −𝟐 𝟓 𝟏𝟎 𝟏 −𝟐 𝟓 𝟏𝟎
[𝟐 − 𝟐 −𝟔 + 𝟒 𝟕 − 𝟏𝟎 𝟏𝟓 − 𝟐𝟎 ] → [ 𝟎 −𝟐 −𝟑 −𝟓]
𝟎 𝟐 𝟑 𝟒 𝟎 𝟐 𝟑 𝟒

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = − (𝒇𝟐 )
𝟐
𝒇𝟑 = 𝒇𝟑

𝟏 −𝟐 𝟓 𝟏𝟎 𝟏 −𝟐 𝟓 𝟏𝟎
[𝟎 −𝟐 −𝟑 −𝟓] → [−𝟏/𝟐 ∗ (𝟎) −𝟏/𝟐 ∗ (−𝟐) −𝟏/𝟐 ∗ (−𝟑) − 𝟏/𝟐 ∗ (−𝟓)]
𝟎 𝟐 𝟑 𝟒 𝟎 𝟐 𝟑 𝟒

➢ Realizando las operaciones indicadas:

𝟏 −𝟐 𝟓 𝟏𝟎 𝟏 −𝟐 𝟓 𝟏𝟎
𝟎 −𝟐 −𝟑 −𝟓 𝟑 𝟓
[− − − − ] → [𝟎 𝟏 ]
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐
𝟎 𝟐 𝟑 𝟒 𝟎 𝟐 𝟑 𝟒

➢ Se convierten en cero las entradas que están por encima y por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 + 𝟐𝒇𝟐

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 − 𝟐𝒇𝟐
 Modelos Lineales

129
𝟏+𝟐∗𝟎 −𝟐 + 𝟐 ∗ 𝟏 𝟓 + 𝟐 ∗ 𝟑/𝟐
𝟏 −𝟐 𝟓 𝟏𝟎 𝟏𝟎 + 𝟐 ∗ 𝟓/𝟐
𝟎 𝟏 𝟑/𝟐
[𝟎 𝟏 𝟑/𝟐 𝟓/𝟐] → [ 𝟓/𝟐 ]
𝟑
𝟎 𝟐 𝟑 𝟒 𝟎−𝟐∗𝟎 𝟐−𝟐∗𝟏 𝟑−𝟐∗ 𝟒 − 𝟐 ∗ 𝟓/𝟐
𝟐

➢ Realizando las operaciones indicadas:

𝟏+𝟎 −𝟐 + 𝟐 𝟓 + 𝟑 𝟏𝟎 + 𝟓 𝟏 𝟎 𝟖 𝟏𝟓
[ 𝟎 𝟏 𝟑/𝟐 𝟓/𝟐 ] → [𝟎 𝟏 𝟑/𝟐 𝟓/𝟐]
𝟎−𝟎 𝟐−𝟐 𝟑−𝟑 𝟒−𝟓 𝟎 𝟎 𝟎 −𝟏

➢ Se convierte en 1 la entrada 𝒂𝟑𝟑: No es posible convertir esta entrada (0) en 1, por lo

tanto la reducción de la matriz acaba en este punto.

b. Rescribiendo el sistema:
𝟏 𝟎 𝟖 𝟏𝟓 𝒙 + 𝟖𝒛 = 𝟏𝟓 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏
𝟑 𝟓 𝟑 𝟓
[𝟎 𝟏 ] → { 𝒚 + 𝒛 = 𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐
𝟐 𝟐 𝟐 𝟐
𝟎 𝟎 𝟎 −𝟏 𝟎 = −𝟏 𝑰𝒈𝒖𝒂𝒍𝒅𝒂𝒅 𝒇𝒂𝒍𝒔𝒂

Como se llega a una igualdad falsa (𝟎 = −𝟏), quiere decir que el sistema no tiene solución.

4. ACTIVIDAD: Solucione el siguiente sistema de ecuaciones lineales, utilizando el método de

Gauss-Jordan y demuestre (utilizando como guía los ejercicios anteriores) que el sistema
tiene infinitas soluciones:

𝟐𝒙 + 𝟒𝒚 + 𝟔𝒛 = 𝟏𝟖
{ 𝟒𝒙 + 𝟓𝒚 + 𝟔𝒛 = 𝟐𝟒
𝟐𝒙 + 𝟕𝒚 + 𝟏𝟐𝒛 = 𝟑𝟎

Respuesta: El sistema tiene infinitas soluciones que son:

𝒙 = 𝟏 + 𝒌, 𝒚 = 𝟒 − 𝟐𝒌, 𝒛 = 𝒌; 𝒄𝒐𝒏 𝒌 𝝐 𝑹𝒆
 Modelos Lineales

130
3.3.6 MÉTODO 3: MATRIZ INVERSA
3.3.6.1 MATRIZ INVERSA
DEFINICIÓN: Es una matriz cuadrada especial que tiene la característica que al ser multiplicada
por la matriz que la genera produce la matriz de identidad. La matriz inversa es única.

Si 𝑨 es una matriz cuadrada de orden 𝒏, su inversa se simboliza por 𝑨−𝟏 que también es una
matriz cuadrada de orden 𝒏.

Para hallar la matriz inversa es utilizando el método de matriz aumentada, en la cual la matriz de
coeficientes se debe aumentar con la matriz identidad, esto es:

3.3.6.2 MATRIZ AUMENTADA

𝒂𝟏𝟏 𝒂𝟏𝟐 … 𝒂𝟏𝒏 𝟏 𝟎 … 𝟎
𝒂𝟐𝟏 𝒂𝟐𝟐 … 𝒂𝟐𝒏 𝟎 𝟏 … 𝟎
𝒂𝟑𝟏 𝒂𝟑𝟐 … 𝒂𝟑𝒏 …
𝟎 𝟎 𝟎
: : … : …
: : :
[𝒂𝒏𝟏 𝒂𝒏𝟐 … 𝒂𝒏𝒏 …
𝟎 𝟎 𝟏]
Realizando operaciones, como las realizadas en los ejercicios anteriores, se debe convertir la
matriz original en la matriz identidad y la matriz identidad en la matriz inversa, esto es:

𝒂𝟏𝟏 𝒂𝟏𝟐 … 𝒂𝟏𝒏 | 𝟏 𝟎 … 𝟎 𝟏 𝟎 … 𝟎| 𝒂𝟏𝟏 𝒂𝟏𝟐 … 𝒂𝟏𝒏

𝒂𝟐𝟏 𝒂𝟐𝟐 … 𝒂𝟐𝒏 | 𝟎 𝟏 … 𝟎 𝟎 𝟏 … 𝟎| 𝒂𝟐𝟏 𝒂𝟐𝟐 … 𝒂𝟐𝒏
𝒂𝟑𝟏 𝒂𝟑𝟐 … … … … 𝒂𝟑𝒏
𝒂𝟑𝒏 | 𝟎 𝟎 𝟎 → 𝟎 𝟎 𝟎 𝒂𝟑𝟏 𝒂𝟑𝟐
: : … … … … :
: : : : : : : : :
𝒂 𝒂𝒏𝟐 … … … … 𝒂𝒏𝒏 ]
[ 𝒏𝟏 𝒂𝒏𝒏 | 𝟎 𝟎 𝟏] [𝟎 𝟎 𝟏| 𝒂𝒏𝟏 𝒂𝒏𝟐

En general:

MATRIZ ORIGINAL MATRIZ AUMENTADA MATRIZ INVERSA

𝑨 𝑨𝑰 𝑰𝑨−𝟏

AA −1 = A −1 A = I
 Modelos Lineales

131
PROPIEDADES DE LA MATRIZ INVERSA

𝑨𝑨−𝟏 = 𝑨−𝟏 𝑨 = 𝑰

(𝑨−𝟏 )−𝟏 = 𝑨

(𝑨𝑩)−𝟏 = 𝑩−𝟏 𝑨−𝟏

(𝑨𝑻 )−𝟏 = (𝑨−𝟏 )𝑻

3.3.7 EJERCICIOS DE APRENDIZAJE

1. Encontrar la inversa de la matriz:

𝟐 𝟒 𝟔
𝑨 = [𝟒 𝟓 𝟔]
𝟑 𝟏 −𝟐

PROCEDIMIENTO
a. Se determina la matriz aumentada con la matriz identidad de orden tres:
𝟐 𝟒 𝟔 𝟏 𝟎 𝟎
[𝟒 𝟓 𝟔 𝟎 𝟏 𝟎]
𝟑 𝟏 −𝟐 𝟎 𝟎 𝟏

➢ Se convierte en 1 la entrada 𝒂𝟏𝟏:

• CONDICIÓN:

𝟏
𝒇𝟏 = (𝒇 )
𝟐 𝟏
𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑
 Modelos Lineales

132
𝟐 𝟒 𝟔 𝟏 𝟎 𝟎 𝟏/𝟐 ∗ 𝟐 𝟏/𝟐 ∗ 𝟒 𝟏/𝟐 ∗ 𝟔 𝟏/𝟐 ∗ 𝟏 𝟏/𝟐 ∗ 𝟎 𝟏/𝟐 ∗ 𝟎
[𝟒 𝟓 𝟔 𝟎 𝟏 𝟎] → [ 𝟒 𝟓 𝟔 𝟎 𝟏 𝟎 ]→
𝟑 𝟏 −𝟐 𝟎 𝟎 𝟏 𝟑 𝟏 −𝟐 𝟎 𝟎 𝟏

➢ Efectuando las operaciones indicadas:

𝟐/𝟐 𝟒/𝟐 𝟔/𝟐 𝟏/𝟐 𝟎/𝟐 𝟎/𝟐 𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎

[ 𝟒 𝟓 𝟔 𝟎 𝟏 𝟎 ] → [𝟒 𝟓 𝟔 𝟎 𝟏 𝟎] →
𝟑 𝟏 −𝟐 𝟎 𝟎 𝟏 𝟑 𝟏 −𝟐 𝟎 𝟎 𝟏

➢ Se convierten en cero las entradas que están por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟒𝒇𝟏

𝒇𝟑 = 𝒇𝟑 − 𝟑𝒇𝟏

𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
[𝟒 𝟓 𝟔 𝟎 𝟏 𝟎]
𝟑 𝟏 −𝟐 𝟎 𝟎 𝟏
𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
→ [𝟒 − 𝟒(𝟏) 𝟓 − 𝟒(𝟐) 𝟔 − 𝟒(𝟑) 𝟎 − 𝟒(𝟏/𝟐) 𝟏 − 𝟒(𝟎) 𝟎 − 𝟒(𝟎)]
𝟑 − 𝟑(𝟏) 𝟏 − 𝟑(𝟐) −𝟐 − 𝟑(𝟑) 𝟎 − 𝟑(𝟏/𝟐) 𝟎 − 𝟑(𝟎) 𝟏 − 𝟑(𝟎)

➢ Efectuando las operaciones indicadas:

𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎 𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
[𝟒 − 𝟒 𝟓−𝟖 𝟔 − 𝟏𝟐 𝟎 − 𝟒/𝟐 𝟏 − 𝟎 𝟎 − 𝟎 ] → [𝟎 −𝟑 −𝟔 −𝟐 𝟏 𝟎]
𝟑−𝟑 𝟏−𝟔 −𝟐 − 𝟗 𝟎 − 𝟑/𝟐) 𝟎 − 𝟎 𝟏−𝟎 𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN:
 Modelos Lineales

133
𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = − (𝒇𝟐 )
𝟑
𝒇𝟑 = 𝒇𝟑

𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎 𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
[𝟎 −𝟑 −𝟔 −𝟐 𝟏 𝟎] → [−𝟏/𝟑 ∗ 𝟎 −𝟏/𝟑 ∗ −𝟑 −𝟏/𝟑 ∗ −𝟔 −𝟏/𝟑 ∗ −𝟐 −𝟏/𝟑 ∗ 𝟏 −𝟏/𝟑 ∗ 𝟎]
𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏 𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏

➢ Efectuando las operaciones indicadas:

𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
[−𝟏/𝟑 ∗ 𝟎 −𝟏/𝟑 ∗ −𝟑 −𝟏/𝟑 ∗ −𝟔 −𝟏/𝟑 ∗ −𝟐 −𝟏/𝟑 ∗ 𝟏 −𝟏/𝟑 ∗ 𝟎]
𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏

𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎 𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
→ [𝟎/𝟑 𝟑/𝟑 𝟔/𝟑 𝟐/𝟑 ∗ −𝟏/𝟑 𝟎/𝟑] → [𝟎 𝟏 𝟐 𝟐/𝟑 −𝟏/𝟑 𝟎]
𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏 𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏

➢ Se convierten en cero las entradas que están por encima y por debajo del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 − 𝟐𝒇𝟐

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 + 𝟓𝒇𝟐

𝟏 𝟐 𝟑 𝟏/𝟐 𝟎 𝟎
[𝟎 𝟏 𝟐 𝟐/𝟑 −𝟏/𝟑 𝟎]
𝟎 −𝟓 −𝟏𝟏 −𝟑/𝟐 𝟎 𝟏
𝟏/𝟐 − 𝟐(𝟐/𝟑) 𝟎 − 𝟐(−𝟏/𝟑) 𝟎 − 𝟐(𝟎)
𝟏 𝟐 − 𝟐(𝟏) 𝟑 − 𝟐(𝟐)
𝟐/𝟑 −𝟏/𝟑 𝟎
[ 𝟎 𝟏 𝟐 ]
𝟑
𝟎 − 𝟓(𝟎) −𝟓 + 𝟓(𝟏) −𝟏𝟏 + 𝟓(𝟐) − + 𝟓(𝟐/𝟑) 𝟎 + 𝟓(𝟏/𝟑) 𝟏 + 𝟓(𝟎)
𝟐
 Modelos Lineales

134
𝟏 𝟐−𝟐 −𝟏 𝟏/𝟐 − 𝟒/𝟑 𝟎 + 𝟐/𝟑| 𝟎 − 𝟎
[ 𝟎 𝟏 𝟐 𝟐/𝟑 −𝟏/𝟑 𝟎 ]
𝟎−𝟎 −𝟓 + 𝟓 −𝟏𝟏 + 𝟏𝟎 −𝟑/𝟐 + 𝟏𝟎/𝟑 𝟎 + 𝟓/𝟑 𝟏 − 𝟎

𝟏 𝟎 −𝟏 −𝟓/𝟔 𝟐/𝟑 𝟎
[𝟎 𝟏 𝟐 𝟐/𝟑 −𝟏/𝟑 𝟎]
𝟎 𝟎 −𝟏 𝟏𝟏/𝟔 −𝟓/𝟑) 𝟏

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = (−𝟏)𝒇𝟑

𝟓 𝟐
− 𝟎
𝟔 𝟑
𝟏 𝟎 −𝟏 𝟐 𝟏
𝟎 𝟏 𝟐 − 𝟎 →
𝟎 𝟎 −𝟏 𝟑 𝟑
𝟏𝟏
[ −𝟓/𝟑) 𝟏]
𝟔
𝟏 𝟎 −𝟏 −𝟓/𝟔 𝟐/𝟑 𝟎
[ 𝟎 𝟏 𝟐 𝟐/𝟑 −𝟏/𝟑 𝟎 ]
(−𝟏) ∗ 𝟎 (−𝟏) ∗ 𝟎 (−𝟏) ∗ −𝟏 (−𝟏) ∗ 𝟏𝟏/𝟔 (−𝟏) ∗ −𝟓/𝟑 (−𝟏) ∗ 𝟏

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟏 −𝟓/𝟔 𝟐/𝟑 𝟎
[𝟎 𝟏 𝟐 𝟐/𝟑 −𝟏/𝟑 𝟎]
𝟎 𝟎 𝟏 −𝟏𝟏/𝟔 𝟓/𝟑 −𝟏

➢ Se convierten en cero las entradas que están por encima del 1 obtenido:
 Modelos Lineales

135
• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 + 𝒇𝟑

𝒇𝟐 = 𝒇𝟐 − 𝟐𝒇𝟑

𝒇𝟑 = 𝒇𝟑

𝟓 𝟐
− 𝟎
𝟔 𝟑
𝟏 𝟎 −𝟏 𝟐 𝟏
𝟎 𝟏 𝟐 − 𝟎 →
𝟎 𝟎 𝟏 𝟑 𝟑
𝟏𝟏 𝟓
[ − −𝟏]
𝟔 𝟑
−𝟓/𝟔 − 𝟏𝟏/𝟔 𝟐/𝟑 + 𝟓/𝟑 𝟎−𝟏
𝟏+𝟎 𝟎+𝟎 −𝟏 + 𝟏 𝟏
[𝟎 − 𝟐(𝟎) 𝟏 − 𝟐(𝟎) 𝟐 − 𝟐(𝟏) 𝟐/𝟑 − 𝟐(−𝟏𝟏/𝟔) − − 𝟐(𝟓/𝟑) 𝟎 − 𝟐(−𝟏)]
𝟎 𝟎 𝟏 𝟑
−𝟏𝟏/𝟔 𝟓/𝟑 −𝟏

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 𝟎 −𝟖/𝟑 𝟕/𝟑 −𝟏
[𝟎 𝟏 𝟎 𝟏𝟑/𝟑 −𝟏/𝟑 𝟐]
𝟎 𝟎 𝟏 −𝟏𝟏/𝟔 𝟓/𝟑 −𝟏

b. Por lo tanto, la matriz inversa es:

𝟖 𝟕
− −𝟏
𝟑 𝟑
𝟏𝟑 𝟏𝟏
− 𝟐
𝟑 𝟑
𝟏𝟏 𝟓
−
[ 𝟔 −𝟏]
𝟑

c. Se debe probar que: 𝑨𝑨−𝟏 = 𝑰𝟑 , Esto es:

 Modelos Lineales

136
𝟖 𝟕
−
−𝟏
𝟑 𝟑
𝟐 𝟒 𝟔 𝟏𝟑 𝟏𝟏 𝟏 𝟎 𝟎
−𝟏
𝑨𝑨 = 𝑰𝟑 → [𝟒 𝟓 𝟔 ] − 𝟐 = [𝟎 𝟏 𝟎]
𝟑 𝟏 −𝟐 𝟑 𝟑 𝟎 𝟎 𝟏
𝟏𝟏 𝟓
[− 𝟔 𝟑
−𝟏]

ACTIVIDAD: Realiza la demostración que queda indicada y verifica que si se cumple la respectiva
propiedad.

2. Hallar la inversa de la matriz:

𝟏 𝟎 −𝟐
𝑨 = [𝟒 −𝟐 𝟏 ]
𝟏 𝟐 −𝟏𝟎

PROCEDIMIENTO
a. Se determina la matriz aumentada con la matriz identidad de orden tres:
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟒 −𝟐 𝟏 𝟎 𝟏 𝟎]
𝟏 𝟐 −𝟏𝟎 𝟎 𝟎 𝟏

➢ Como la entrada 𝒂𝟏𝟏 =1, Se convierten en cero las entradas que están por debajo
del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝟒𝒇𝟏

𝒇𝟑 = 𝒇𝟑 − 𝒇𝟏
 Modelos Lineales

137
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟒 −𝟐 𝟏 𝟎 𝟏 𝟎]
𝟏 𝟐 −𝟏𝟎 𝟎 𝟎 𝟏
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
→ [𝟒 − 𝟒(𝟏) −𝟐 − 𝟒(𝟎) 𝟏 − 𝟒(−𝟐) 𝟎 − 𝟒(𝟏) 𝟏 − 𝟒(𝟎) 𝟎 − 𝟒(𝟎)]
𝟏−𝟏 𝟐−𝟎 −𝟏𝟎 − (−𝟐) 𝟎−𝟏 𝟎−𝟎 𝟏−𝟎

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟒 − 𝟒 −𝟐 − 𝟎 𝟏+𝟖 𝟎−𝟒 𝟏−𝟎 𝟎 − 𝟎]
𝟏−𝟏 𝟐−𝟎 −𝟏𝟎 + 𝟐 𝟎−𝟏 𝟎−𝟎 𝟏−𝟎
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 −𝟐 𝟗 −𝟒 𝟏 𝟎]
𝟎 𝟐 −𝟖 −𝟏 𝟎 𝟏

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = − 𝒇𝟐
𝟐

𝒇𝟑 = 𝒇𝟑

𝟏
𝟎 −𝟐 𝟏 𝟎 𝟎
−𝟐 [𝟎𝟗 −𝟒 𝟏 𝟎]
𝟎
𝟐 −𝟖 −𝟏 𝟎 𝟏
𝟏 𝟎−𝟐 𝟏 𝟎 𝟎
𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
→ [− ∗ 𝟎 − ∗ −𝟐 − ∗ 𝟗 − ∗ −𝟒 − ∗ 𝟏 − ∗ 𝟎]
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐
𝟎 𝟐 −𝟖 −𝟏 𝟎 𝟏

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎 𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[−𝟎⁄𝟐 𝟐⁄𝟐 − 𝟗⁄𝟐 𝟒⁄𝟐 − 𝟏⁄𝟐 − 𝟎⁄𝟐] → [𝟎 𝟏 − 𝟗⁄𝟐 𝟐 − 𝟏⁄𝟐 𝟎]
𝟎 𝟐 −𝟖 −𝟏 𝟎 𝟏 𝟎 𝟐 −𝟖 −𝟏 𝟎 𝟏
 Modelos Lineales

138
➢ Se convierten en cero las entradas que están por debajo (por encima ya es cero) del 1
obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 − 𝟐𝒇𝟐

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟏 − 𝟗⁄𝟐 𝟐 − 𝟏⁄𝟐 𝟎] →
𝟎 𝟐 −𝟖 −𝟏 𝟎 𝟏
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[ 𝟎 𝟏 − 𝟗⁄𝟐 𝟐 − 𝟏⁄𝟐 𝟎 ]
𝟎 − 𝟐(𝟎) 𝟐 − 𝟐(𝟏) −𝟖 − 𝟐(− 𝟗⁄𝟐) −𝟏 − 𝟐(𝟐) 𝟎 − 𝟐(− 𝟏⁄𝟐) 𝟏 − 𝟐(𝟎)

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎 𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[ 𝟎 𝟏 − 𝟗⁄𝟐 𝟐 − 𝟏⁄𝟐 𝟎 ] → [𝟎 𝟏 − 𝟗⁄𝟐 𝟐 − 𝟏⁄𝟐 𝟎]
𝟎−𝟎 𝟐−𝟐 −𝟖 + 𝟗 −𝟏 − 𝟒 𝟎+𝟏 𝟏−𝟎 𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

➢ Como ya se obtuvo el 1 de la entrada 𝒂𝟑𝟑, Se convierten en cero las entradas que están
por debajo (por encima ya es cero) del 1 obtenido:

• CONDICIÓN:

𝒇𝟏 = 𝒇𝟏 + 𝟐𝒇𝟑

𝟗
𝒇𝟐 = 𝒇
𝟐 𝟑
𝒇𝟑 = 𝒇𝟑
 Modelos Lineales

139
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟏 − 𝟗⁄𝟐 𝟐 − 𝟏⁄𝟐 𝟎] →
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏
𝟏 + 𝟐(𝟎) 𝟎 + 𝟐(𝟎) −𝟐 + 𝟐(𝟏) 𝟏 + 𝟐(−𝟓) 𝟎 + 𝟐(𝟏) 𝟎 + 𝟐(𝟏)
[𝟎 + 𝟗⁄𝟐 ∗ 𝟎 𝟏 + 𝟗⁄𝟐 ∗ 𝟎 − 𝟗⁄𝟐 + 𝟗⁄𝟐 ∗ 𝟏 𝟐 + 𝟗⁄𝟐 ∗ −𝟓 − 𝟏⁄𝟐 + 𝟗⁄𝟐 ∗ 𝟏 𝟎 + 𝟗⁄𝟐 ∗ 𝟏]
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

Efectuando las operaciones indicadas:

𝟏+𝟎 𝟎+𝟎 −𝟐 + 𝟐 𝟏 − 𝟏𝟎 𝟎+𝟐 𝟎+𝟐

[𝟎 + 𝟎 𝟏 + 𝟎 − 𝟗⁄𝟐 + 𝟗⁄𝟐 𝟐 −𝟒𝟓⁄𝟐 − 𝟏⁄𝟐 + 𝟗⁄𝟐 𝟎 + 𝟗⁄𝟐] →
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏
𝟏 𝟎 𝟎 −𝟗 𝟐 𝟐
[𝟎 𝟏 𝟎 −𝟒𝟏⁄𝟐 𝟒 𝟗⁄𝟐]
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

b. La matriz inversa:

𝟏 𝟎 −𝟐 −𝟗 𝟐 𝟐
−𝟏
Si 𝑨 = [𝟒 −𝟐 𝟏 ] → 𝑨 = [−𝟒𝟏⁄𝟐 𝟒 𝟗⁄𝟐]
𝟏 𝟐 −𝟏𝟎 −𝟓 𝟏 𝟏
c. Realice la prueba efectuando la operación indicada, confronte el resultado con su tutor:

𝑨𝑨−𝟏 = 𝑰

𝟏 𝟎 −𝟐 −𝟗 𝟐 𝟐 𝟏 𝟎 𝟎
[𝟒 −𝟐 𝟏 ] [ ⁄ ⁄
−𝟒𝟏 𝟐 𝟒 𝟗 𝟐 ] = [𝟎 𝟏 𝟎]
𝟏 𝟐 −𝟏𝟎 −𝟓 𝟏 𝟏 𝟎 𝟎 𝟏

ACTIVIDAD
1. Demuestre que, dada la matriz:

𝒅 𝒃
𝒂 𝒃
𝑨=[ ], su inversa es 𝑨−𝟏 = [𝒂𝒅−𝒃𝒄
𝒄
𝒃𝒄−𝒂𝒅
𝒂 ]
𝒄 𝒅
𝒃𝒄−𝒂𝒅 𝒂𝒅−𝒃𝒄
 Modelos Lineales

140
Nota: Al desarrollar el procedimiento (tome como modelo los ejercicios desarrollados) debe
justificar cada uno de los pasos realizados, confronte con su tutor el trabajo realizado y demuestre
además que:

𝑨𝑨−𝟏 = 𝑰

2. Encuentre la inversa de la siguiente matriz siguiendo los procedimientos vistos y

comprobando que 𝑨𝑨−𝟏 = 𝑰

𝟐 𝟒 𝟐 𝟔
𝑨=[ 𝟏 𝟑 𝟐 𝟓]
−𝟏 𝟒 𝟑 𝟕
𝟎 𝟐 𝟏 −𝟕

La matriz inversa es:

𝟏 𝟏
− 𝟏 − 𝟎
𝟒 𝟐
𝟒𝟕 𝟏𝟗 𝟗 𝟏
−
𝑨−𝟏 = 𝟒𝟎 𝟏𝟎 𝟐𝟎 𝟏𝟎
𝟕𝟑 𝟑𝟏 𝟏𝟏 𝟏
− −
𝟒𝟎 𝟏𝟎 𝟐𝟎 𝟏𝟎
𝟑 𝟏 𝟏 𝟏
− − ]
[ 𝟒𝟎 𝟏𝟎 𝟐𝟎 𝟏𝟎
 Modelos Lineales

141
3.3.8 SISTEMAS DE ECUACIONES LINEALES SOLUCIONADOS CON LA
MATRIZ INVERSA

TIPS
Recuerde que: La forma matricial de un sistema de ecuaciones es:

𝑨𝑿 = 𝑩 Igualdad 1

Si la matriz 𝑨 tiene inversa, esta es 𝑨−𝟏 .

Al multiplicar la igualdad 1 por 𝑨−𝟏 , se tiene que:

𝑨−𝟏 𝑨𝑿 = 𝑨−𝟏 𝑩, pero 𝑨−𝟏 𝑨 = 𝑰, entonces:

𝑰𝑿 = 𝑨−𝟏 𝑩 → 𝑿 = 𝑨−𝟏 𝑩

Por lo tanto: Para solucionar un sistema de ecuaciones lineales

utilizando la inversa de la matriz de coeficientes, se debe efectuar la
siguiente multiplicación de matrices:

𝑿 = 𝑨−𝟏 𝑩

3.3.9 EJERCICIOS DE APRENDIZAJE

1. Utilizando la matriz inversa, solucione el siguiente sistema:

𝒙𝟏 − 𝟐𝒙𝟑 = 𝟏
{𝒙𝟏 + 𝟐𝒙𝟐 − 𝟏𝟎𝒙𝟑 = −𝟏
𝟒𝒙𝟏 − 𝟐𝒙𝟐 + 𝒙𝟑 = 𝟐
PROCEDIMIENTO
a. Se forma la matriz de coeficientes:
𝟏 𝟎 −𝟐
[𝟏 𝟐 −𝟏𝟎]
𝟒 −𝟐 𝟏
 Modelos Lineales

142
b. Se determina la matriz aumentada con la matriz identidad de orden tres:
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟏 𝟐 −𝟏𝟎 𝟎 𝟏 𝟎]
𝟒 −𝟐 𝟏 𝟎 𝟎 𝟏

➢ Se halla la inversa de la matriz de coeficientes:

➢ Como la entrada 𝒂𝟏𝟏 =1, Se convierten en cero las entradas que están por debajo
del 1 obtenido:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 − 𝒇𝟏

𝒇𝟑 = 𝒇𝟑 − 𝟒𝒇𝟏

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟏 𝟐 −𝟏𝟎 𝟎 𝟏 𝟎] →
𝟒 −𝟐 𝟏 𝟎 𝟎 𝟏
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[ 𝟏 − 𝟏 𝟐 − 𝟎 −𝟏𝟎 − (−𝟐) 𝟎−𝟏 𝟏−𝟎 𝟎−𝟎 ]
𝟒 − 𝟒(𝟏) −𝟐 − 𝟒(𝟎) 𝟏 − 𝟒(−𝟐) 𝟎 − 𝟒(𝟏) 𝟎 − 𝟒(𝟎) 𝟏 − 𝟒(𝟎)

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟏 − 𝟏 𝟐 − 𝟎 −𝟏𝟎 + 𝟐 𝟎−𝟏 𝟏−𝟎 𝟎 − 𝟎] →
𝟒 − 𝟒 −𝟐 − 𝟎 𝟏+𝟖 𝟎−𝟒 𝟎−𝟎 𝟏−𝟎
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟐 −𝟖 −𝟏 𝟏 𝟎]
𝟎 −𝟐 𝟗 −𝟒 𝟎 𝟏

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

 Modelos Lineales

143
• CONDICIÓN

𝒇𝟏 = 𝒇𝟏
𝟏
𝒇𝟐 = (𝒇 )
𝟐 𝟐
𝒇𝟑 = 𝒇𝟑

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟐 −𝟖 −𝟏 𝟏 𝟎] →
𝟎 −𝟐 𝟗 −𝟒 𝟎 𝟏
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
𝟏
[ ⁄𝟐 ∗ 𝟎 𝟏⁄ ∗ 𝟐 𝟏⁄ ∗ −𝟖 𝟏⁄ ∗ −𝟏 𝟏⁄ ∗ 𝟏 𝟏⁄ ∗ 𝟎]
𝟐 𝟐 𝟐 𝟐 𝟐
𝟎 −𝟐 𝟗 −𝟒 𝟎 𝟏

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
𝟎
[ ⁄𝟐 𝟐⁄ −𝟖⁄ −𝟏⁄ 𝟏⁄ 𝟎⁄ ]
𝟐 𝟐 𝟐 𝟐 𝟐
𝟎 −𝟐 𝟗 −𝟒 𝟎 𝟏

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 −𝟏⁄ 𝟏⁄
𝟏 −𝟒 𝟐 𝟐 𝟎]
𝟎 −𝟐 𝟗 −𝟒 𝟎 𝟏

➢ Se convierten en cero las entradas que están por debajo (por encima ya es cero) del 1
obtenido:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 + 𝟐𝒇𝟐
 Modelos Lineales

144
𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟏 −𝟒 −𝟏⁄ 𝟏⁄ 𝟎] →
𝟐 𝟐
𝟎 −𝟐 𝟗 −𝟒 𝟎 𝟏

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
−𝟏⁄ 𝟏⁄ 𝟎
[ 𝟎 𝟏 −𝟒 𝟐 𝟐 ]
𝟎 + 𝟐(𝟎) −𝟐 + 𝟐(𝟏) 𝟗 + 𝟐(−𝟒) 𝟏 𝟏
−𝟒 + 𝟐(− ⁄𝟐) 𝟎 + 𝟐( ⁄𝟐) 𝟏 + 𝟐(𝟎)

➢ Efectuando las operaciones indicadas:

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[ 𝟎 𝟏 −𝟒 −𝟏⁄ 𝟏⁄ 𝟎 ]→
𝟐 𝟐
𝟎+𝟎 −𝟐 + 𝟐 𝟗−𝟖 −𝟒 − 𝟏 𝟎+𝟏 𝟏+𝟎

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟏 −𝟒 −𝟏⁄ 𝟏⁄ 𝟎]
𝟐 𝟐
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

➢ Como ya se obtuvo el 1 de la entrada 𝒂𝟑𝟑, Se convierten en cero las entradas que

están por encima del 1 obtenido:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏 + 𝟐𝒇𝟑

𝒇𝟐 = 𝒇𝟐 + 𝟒𝒇𝟑

𝒇𝟑 = 𝒇𝟑

𝟏 𝟎 −𝟐 𝟏 𝟎 𝟎
[𝟎 𝟏 −𝟒 −𝟏⁄ 𝟏⁄ 𝟎] →
𝟐 𝟐
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

𝟏 + 𝟐(𝟎) 𝟎 + 𝟐(𝟎) −𝟐 + 𝟐(𝟏) 𝟏 + 𝟐(−𝟓) 𝟎 + 𝟐(𝟏) 𝟎 + 𝟐(𝟏)

[ 𝟎 + 𝟒(𝟎) 𝟏 + 𝟒(𝟎) −𝟒 + 𝟒(𝟏) −𝟏⁄ + 𝟒(−𝟓) 𝟏⁄ + 𝟒(𝟏) 𝟎 + 𝟒(𝟏) ]
𝟐 𝟐
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

➢ Efectuando las operaciones indicadas:

 Modelos Lineales

145
𝟏+𝟎 𝟎+𝟎 −𝟐 + 𝟐 𝟏 − 𝟏𝟎 𝟎+𝟐 𝟎+𝟐
[𝟎 + 𝟎 𝟏+𝟎 −𝟒 + 𝟒 −𝟏⁄ − 𝟐𝟎 𝟏⁄ + 𝟒 𝟎 + 𝟒]
𝟐 𝟐
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

𝟏 𝟎 𝟎 −𝟗 𝟐 𝟐
→ [𝟎 𝟏 𝟎 −𝟒𝟏⁄ 𝟗⁄ 𝟒]
𝟐 𝟐
𝟎 𝟎 𝟏 −𝟓 𝟏 𝟏

c. Por lo tanto la matriz inversa es:

−𝟗 𝟐 𝟐
𝑨 −𝟏
=[ −𝟒𝟏⁄𝟐 𝟗⁄𝟐 𝟒]
−𝟓 𝟏 𝟏
d. ACTIVIDAD: Demostrar que:

𝟏 𝟎 −𝟐 −𝟗 𝟐 𝟐 𝟏 𝟎 𝟎
𝑨𝑨 −𝟏
= 𝑰𝟑 → [𝟏 𝟐 −𝟏𝟎] [−𝟒𝟏⁄𝟐 𝟗⁄𝟐 𝟒 ] = [𝟎 𝟏 𝟎]
𝟒 −𝟐 𝟏 −𝟓 𝟏 𝟏 𝟎 𝟎 𝟏

Nota: La realiza el estudiante y confronta el resultado con el tutor.

TIPS
En el producto de matrices, se multiplican las filas de la primera matriz
por todas y cada una de las columnas de la segunda matriz.

−𝟏
e. Se soluciona el sistema de ecuaciones utilizando la matriz inversa 𝑨 :
𝑿 = 𝑨−𝟏 𝑩
f.
Recuerde que B es la matriz correspondiente al término independiente., reemplazando se tiene:
 Modelos Lineales

146
𝒙𝟏 𝟏
𝑿 = [𝒙𝟐 ] 𝒚 𝑩 = [−𝟏]
𝒙𝟑 𝟐
𝒙𝟏 −𝟗 𝟐 𝟐 𝟏
𝑿 = 𝑨 𝑩 → [𝒙𝟐 ] = [−𝟒𝟏⁄𝟐
−𝟏 𝟗⁄ 𝟒 ] [−𝟏]
𝟐
𝒙𝟑 −𝟓 𝟏 𝟏 𝟐

Realizando el producto de matrices indicado, se tiene:

−𝟗 ∗ (𝟏) + 𝟐 ∗ (−𝟏) + 𝟐 ∗ (𝟐) −𝟗 −𝟐 + 𝟒 −𝟕

[−𝟒𝟏⁄𝟐 ∗ (𝟏) 𝟗⁄𝟐 ∗ (−𝟏) 𝟒 ∗ (𝟐) ] = [ −𝟒𝟏⁄𝟐 − 𝟗 ⁄𝟐 +𝟖] = [−𝟏𝟕] →
−𝟓 ∗ (𝟏) 𝟏 ∗ (−𝟏) 𝟏 ∗ (𝟐) −𝟓 −𝟏 +𝟐 −𝟒

Por lo tanto:

𝒙𝟏 −𝟕
[𝒙𝟐 ] = [−𝟏𝟕]
𝒙𝟑 −𝟒

Igualando las respectivas entradas, se tiene la solución para el sistema:

𝒙𝟏 = −𝟕

𝒙𝟐 = −𝟏𝟕

𝒙𝟑 = −𝟒

g. Por último, se debe dar la prueba de la solución del sistema:

𝒙𝟏 − 𝟐𝒙𝟑 = 𝟏 → −𝟕 − 𝟐(−𝟒) = 𝟏 → −𝟕 + 𝟖 = 𝟏 → 𝟏 = 𝟏
𝒙𝟏 + 𝟐𝒙𝟐 − 𝟏𝟎𝒙𝟑 = −𝟏 → −𝟕 + 𝟐(−𝟏𝟕) − 𝟏𝟎(−𝟒) = 𝟏 →
−𝟕 − 𝟑𝟒 + 𝟒𝟎 = −𝟏 → −𝟏 = −𝟏
𝟒𝒙𝟏 − 𝟐𝒙𝟐 + 𝒙𝟑 = 𝟐 → 𝟒(−𝟕) − 𝟐(−𝟏𝟕) + (−𝟒) = 𝟐 →
{ −𝟐𝟖 + 𝟑𝟒 − 𝟒 = 𝟐 → 𝟐 = 𝟐
 Modelos Lineales

147
Se obtuvieron tres identidades, por lo tanto, los valores obtenidos son la solución para el sistema
de ecuaciones dado.

2. Utilizando la matriz inversa solucione el siguiente sistema:

𝟐𝒙 + 𝒚 + 𝒛 = −𝟏
{−𝒙 + 𝟑𝒚 − 𝒛 = 𝟒
𝒙−𝒚+𝒛=𝟎

PROCEDIMIENTO
a. Se forma la matriz de coeficientes:
𝟐 𝟏 𝟏
[−𝟏 𝟑 −𝟏 ]
𝟏 −𝟏 𝟏
b. Para ser más prácticos en el procedimiento, se intercambian la primera fila y la tercera (que
empieza por 1, pero se puede proceder con el 2 en esta salida y convertirlo en 1, realizando
operaciones simples), quedaría entonces:

𝟏 −𝟏 𝟏
[−𝟏 𝟑 −𝟏 ]
𝟐 𝟏 𝟏
c. Se determina la matriz aumentada con la matriz identidad de orden tres:
𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
[ −𝟏 𝟑 −𝟏 𝟎 𝟏 𝟎]
𝟐 𝟏 𝟏 𝟎 𝟎 𝟏
d. Se halla la matriz inversa:

➢ Como la entrada 𝒂𝟏𝟏 =1, Se convierten en cero las entradas que están por debajo
del 1 obtenido:
 Modelos Lineales

148
• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐 + 𝒇𝟏

𝒇𝟑 = 𝒇𝟑 − 𝟐𝒇𝟏

𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
[ −𝟏 𝟑 −𝟏 𝟎 𝟏 𝟎] →
𝟐 𝟏 𝟏 𝟎 𝟎 𝟏
𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
[ −𝟏 + 𝟏 𝟑 + (−𝟏) −𝟏 + 𝟏 𝟎+𝟏 𝟏+𝟎 𝟎+𝟎 ]
𝟐 − 𝟐(𝟏) 𝟏 − 𝟐(−𝟏) 𝟏 − 𝟐(𝟏) 𝟎 − 𝟐(𝟏) 𝟎 − 𝟐(𝟎) 𝟏 − 𝟐(𝟎)

𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
[ −𝟏 + 𝟏 𝟑 + (−𝟏) −𝟏 + 𝟏 𝟎+𝟏 𝟏+𝟎 𝟎+𝟎 ]
𝟐 − 𝟐(𝟏) 𝟏 − 𝟐(−𝟏) 𝟏 − 𝟐(𝟏) 𝟎 − 𝟐(𝟏) 𝟎 − 𝟐(𝟎) 𝟏 − 𝟐(𝟎)

➢ Efectuando las operaciones indicadas:

𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
[ 𝟎 𝟐 𝟎 𝟏 𝟏 𝟎]
𝟎 𝟑 −𝟏 −𝟐 𝟎 𝟏

➢ Se convierte en 1 la entrada 𝒂𝟐𝟐:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝟏
𝒇𝟐 = 𝒇
𝟐 𝟐
𝒇𝟑 = 𝒇𝟑

𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
[ 𝟎 𝟐 𝟎 𝟏 𝟏 𝟎] →
𝟎 𝟑 −𝟏 −𝟐 𝟎 𝟏
 Modelos Lineales

149
𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
𝟏
[ ⁄𝟐 ∗ 𝟎 𝟏⁄ ∗ 𝟐 𝟏⁄ ∗ 𝟎 𝟏⁄ ∗ 𝟏 𝟏⁄ ∗ 𝟏 𝟏⁄ ∗ 𝟎]
𝟐 𝟐 𝟐 𝟐 𝟐
𝟎 𝟑 −𝟏 −𝟐 𝟎 𝟏

➢ Efectuando las operaciones indicadas:

𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎 𝟏 −𝟏 𝟏 𝟏 𝟎 𝟎
𝟎
[ ⁄𝟐 𝟐⁄ 𝟎⁄ 𝟏⁄ 𝟏⁄ 𝟎⁄ ] → [ 𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎]
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐 𝟐
𝟎 𝟑 −𝟏 −𝟐 𝟎 𝟏 𝟎 𝟑 −𝟏 −𝟐 𝟎 𝟏

➢ Se convierten en cero las entradas que están por encima y por debajo del 1 obtenido:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = 𝒇𝟑 − 𝟑𝒇𝟐

𝟏 −𝟏 𝟏
𝟏 𝟎 𝟎
[ 𝟎 𝟏⁄ 𝟏⁄
𝟏 𝟎𝟐 𝟐 𝟎]
𝟎 𝟑 −𝟏
−𝟐 𝟎 𝟏
𝟏
𝟏 + ⁄𝟐 𝟎 + 𝟏⁄𝟐 𝟎+𝟎
𝟏 −𝟏 + 𝟏 𝟏+𝟎
→ 𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎
𝟐 𝟐
𝟎 − 𝟑(𝟎) 𝟑 − 𝟑(𝟏) −𝟏 − 𝟑(𝟎)
[ −𝟐 − 𝟑(𝟏⁄𝟐) 𝟎 − 𝟑(𝟏⁄𝟐) 𝟏 − 𝟑(𝟎)]

➢ Efectuando las operaciones indicadas:

𝟑⁄ 𝟏⁄ 𝟎
𝟏 𝟎 𝟏 𝟐 𝟐
𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎
𝟐 𝟐
𝟎 𝟎 −𝟏 𝟕 𝟑
[ − ⁄𝟐 − ⁄𝟐 𝟏]

➢ Se convierte en 1 la entrada 𝒂𝟑𝟑:

• CONDICIÓN
 Modelos Lineales

150
𝒇𝟏 = 𝒇𝟏

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = −𝒇𝟑

𝟑⁄ 𝟏⁄ 𝟎
𝟏 𝟎 𝟏 𝟐 𝟐
𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎 →
𝟐 𝟐
𝟎 𝟎 −𝟏 𝟕 𝟑
[ − ⁄𝟐 − ⁄𝟐 𝟏]

𝟑⁄ 𝟏⁄ 𝟎
𝟏 𝟎 𝟏 𝟐 𝟐
𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎
𝟐 𝟐
(−𝟏) ∗ 𝟎 (−𝟏) ∗ 𝟎 (−𝟏) ∗ −𝟏
[ (−𝟏) ∗ − 𝟕⁄𝟐 (−𝟏) ∗ − 𝟑⁄𝟐 (−𝟏) ∗ 𝟏]

➢ Efectuando las operaciones indicadas:

𝟑⁄ 𝟏⁄ 𝟎
𝟏 𝟎 𝟏 𝟐 𝟐
𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎
𝟐 𝟐
𝟎 𝟎 𝟏 𝟕⁄ 𝟑⁄
[ 𝟐 𝟐 −𝟏]

➢ Se convierten en cero las entradas que están por encima del 1 obtenido:

• CONDICIÓN

𝒇𝟏 = 𝒇𝟏 − 𝒇𝟑

𝒇𝟐 = 𝒇𝟐

𝒇𝟑 = −𝒇𝟑

𝟑⁄ 𝟏⁄ 𝟎
𝟏 𝟎 𝟏 𝟐 𝟐
𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎 →
𝟐 𝟐
𝟎 𝟎 𝟏 𝟕⁄ 𝟑⁄
[ 𝟐 𝟐 −𝟏]
 Modelos Lineales

151
𝟑⁄ − 𝟕⁄ 𝟏⁄ − 𝟑⁄ 𝟎 − (−𝟏)
𝟏−𝟎 𝟎−𝟎 𝟏−𝟏 𝟐 𝟐 𝟐 𝟐
𝟎 𝟏 𝟎 𝟏⁄ 𝟏⁄ 𝟎
𝟐 𝟐
𝟎 𝟎 𝟏 𝟕⁄ 𝟑⁄
[ 𝟐 𝟐 −𝟏 ]

➢ Efectuando las operaciones indicadas:

−𝟐 −𝟏 𝟏
𝟏 𝟎 𝟎 𝟏⁄ 𝟏⁄
[ 𝟎 𝟏 𝟎 𝟐 𝟐 𝟎]
𝟎 𝟎 𝟏 𝟕⁄ 𝟑⁄ −𝟏
𝟐 𝟐

e. Por lo tanto, la matriz inversa es:

−𝟐 −𝟏 𝟏
𝟏 𝟏⁄
𝑨−𝟏 = [ ⁄𝟐 𝟐 𝟎]
𝟕⁄ 𝟑⁄
𝟐 𝟐 −𝟏
f. ACTIVIDAD: Demostrar que:
−𝟐 −𝟏 𝟏
𝟏 −𝟏 𝟏 𝟏 𝟏⁄ 𝟏 𝟎 𝟎
𝑨𝑨 −𝟏
= 𝑰𝟑 → [−𝟏 𝟑 ⁄
−𝟏 ] [ 𝟐 𝟐 𝟎 ] = [𝟎 𝟏 𝟎]
𝟐 𝟏 𝟏 𝟕⁄ 𝟑⁄ 𝟎 𝟎 𝟏
𝟐 𝟐 −𝟏
Nota: La realiza el estudiante y confronta el resultado con el tutor.

TIPS

En el producto de matrices, se multiplican las filas de la primera matriz

por todas y cada una de las columnas de la segunda matriz.
 Modelos Lineales

152
g. Se soluciona el sistema de ecuaciones utilizando la matriz inversa 𝑨−𝟏
𝑿 = 𝑨−𝟏 𝑩

➢ h.
Recuerde que B es la matriz correspondiente al término independiente, reemplazando
se tiene:

𝒙 𝟎
𝒚
𝑿=[ ] 𝒚 𝑩=[ 𝟒 ]
𝒛 −𝟏

𝒙 −𝟐 −𝟏 𝟏
𝟏 𝟏⁄ 𝟎
𝑿 = 𝑨−𝟏 𝑩 → [𝒚] = [ ⁄𝟐 𝟐 𝟎 ][ 𝟒 ]
𝒛 𝟕⁄ 𝟑⁄ −𝟏
𝟐 𝟐 −𝟏

𝒙 −𝟐 −𝟏 𝟏 −𝟐 ∗ 𝟎 −𝟏 ∗ 𝟒 +𝟏 ∗ −𝟏
𝟏⁄ 𝟏⁄ 𝟎 𝟏
[ 𝒚] = [ 𝟐 𝟐 𝟎 ] [ 𝟒 ] = [ ⁄𝟐 ∗ 𝟎 + 𝟏⁄𝟐 ∗ 𝟒 +𝟎 ∗ −𝟏]
𝒛 𝟕⁄ 𝟑⁄ −𝟏 −𝟏 𝟕⁄ ∗ 𝟎 + 𝟑⁄𝟐 ∗ 𝟒 −𝟏 ∗ −𝟏
𝟐 𝟐 𝟐

➢ Efectuando las operaciones indicadas:

𝒙 𝟎 −𝟒 −𝟏 𝒙 −𝟓
[ 𝒚] = [ 𝟎 +𝟐 +𝟎] → [𝒚] = [ 𝟐 ]
𝒛 𝟎 +𝟔 +𝟏 𝒛 𝟕

i. Igualando las respectivas entradas, se tiene la solución para el sistema:

𝒙 = −𝟓

𝒚=𝟐

𝒛=𝟕

ACTIVIDAD: Realizar la prueba y confrontarla con el tutor (recuerde que debe tomar las
ecuaciones originales).
 Modelos Lineales

153
3.ACTIVIDAD: Utilizando la MATRIZ INVERSA solucione el siguiente sistema y confróntelo con
el tutor:

𝟐𝒙𝟏 + 𝟒𝒙𝟐 + 𝟑𝒙𝟑 = 𝟔

{ 𝒙𝟐 − 𝒙𝟑 = −𝟒
𝟑𝒙𝟏 + 𝟓𝒙𝟐 + 𝟕𝒙𝟑 = 𝟕
Respuesta: Se debe obtener como matriz inversa:

𝟒 − 𝟏𝟑⁄𝟑 − 𝟕⁄𝟑
𝑨−𝟏 = −𝟏 𝟓⁄ 𝟐⁄
𝟑 𝟑
𝟐 𝟐
[−𝟏 ⁄𝟑 ⁄𝟑 ]

La solución para el sistema es:

𝒙𝟏 = 𝟐𝟓

𝒙𝟐 = −𝟖

𝒙𝟑 = −𝟒

4. ACTIVIDAD: Utilizando la MATRIZ INVERSA solucione el siguiente sistema y confróntelo con el

tutor:

𝟑𝒙 − 𝟐𝒚 − 𝒛 = 𝟓
{𝒙 + 𝒚 − 𝟐𝒛 = −𝟓
𝟐𝒙 − 𝒚 + 𝒛 = 𝟔
La solución para el sistema es:

𝒙=𝟏

𝒚 = −𝟐

𝒛=𝟐
 Modelos Lineales

154
3.3.10 MÉTODO 4: DETERMINANTES
• Concepto de Determinante: Se entiende por determinante a una notación matemática
formada por una tabla cuadrada de números u otros elementos, ubicados entre dos líneas
verticales, su valor se calcula siguiendo el desarrollo de ciertas normas o reglas.

• Definición de Determinante: El determinante se define como una forma multilineal

alternada de un cuerpo, indicando una serie de propiedades matemáticas, generalizando
el concepto y haciéndolo aplicable en numerosos campos.

El concepto de Determinante, sin embargo, fue introducido para estudiar el número de soluciones
de los sistemas de ecuaciones lineales y se puede definir como:

Una función que asocia a toda matriz cuadrada A un número que se llama determinante de A,
el cual se denota por det A o A . Esta función tiene la propiedad que si 𝐝𝐞𝐭 𝑨 ≠ 𝟎 , si y solo si
𝑨 es no singular.

Nota: se habla de la no-singularidad o inversibilidad de una matriz cuadrada con el hecho de

que su determinante sea diferente de 0.

3.3.10.1 CÁLCULO DE DETERMINANTES

1. DETERMINANTE DE MATRCES 2X2

➢ Para una matriz 2X2 de la forma:

𝒂𝟏𝟏 𝒂𝟏𝟐
𝑨 = [𝒂 𝒂𝟐𝟐 ]
𝟐𝟏

Su determinante se obtiene como: El producto de las entradas de la diagonal principal (𝒊 = 𝒋),

menos el producto de las entradas de la diagonal secundaria (𝒊 ≠ 𝒋), esto es:

𝐝𝐞𝐭 𝑨 = 𝒂𝟏𝟏 𝒂𝟐𝟐 − 𝒂𝟏𝟐 𝒂𝟐𝟏

 Modelos Lineales

155
3.3.10.2 EJERCICIOS DE APRENDIZAJE

a. Calcular el determinante de la siguiente matriz de orden 2:

𝟒 −𝟐
𝒅𝒆𝒕 [ ] = (𝟒) ∗ (𝟏) − (−𝟐) ∗ (−𝟓) = 𝟒 − 𝟏𝟎 = −𝟔
−𝟓 𝟏

Esta matriz es invertible porque −𝟔 ≠ 𝟎

b. Calcular el determinante de la siguiente matriz de orden 2:

𝟑 𝟔
𝒅𝒆𝒕 [ ] = (𝟑) ∗ (−𝟒) − (𝟔) ∗ (−𝟐) = −𝟏𝟐 + 𝟏𝟐 = 𝟎
−𝟐 −𝟒

Esta matriz no es invertible porque 𝒆𝒍 𝒓𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐 𝒆𝒔 𝒄𝒆𝒓𝒐.

2. DETERMINANTE DE MATRICES 3X3:

Para una matriz 3x3 de la forma:

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑

𝑨 = [𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ]
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑

El valor del determinante de A está dado por:

det A = a11a22 a33 + a12 a23 a31 + a21a32 a13 − a13 a22 a31 − a23 a32 a11 − a12 a21a33

Pero existen otras maneras más fáciles de encontrar dicho determinante, tales como:

a. Repitiendo, a continuación de la matriz, las dos primeras columnas.

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟏 𝒂𝟏𝟐
𝑨 = [𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ] 𝒂𝟐𝟏 𝒂𝟐𝟐
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟏 𝒂𝟑𝟐
Figura 1
 Modelos Lineales

156
✓ Se efectúa cada multiplicación como se muestra en la figura 2, corresponden al producto
de las entradas de las diagonales principales (de izquierda a derecha y de arriba abajo),
cada uno de los productos lleva el signo + (más).

+ + +
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟏 𝒂𝟏𝟐
[𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ] 𝒂𝟐𝟏 𝒂𝟐𝟐
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟏 𝒂𝟑𝟐

+ Figura2

✓ Se efectúa cada multiplicación como se muestra en la figura 3, corresponden al producto

de las entradas de las diagonales secundarias (de derecha a izquierda y de arriba abajo,
como lo indica la flecha), cada uno de los productos lleva el signo − (𝒎𝒆𝒏𝒐𝒔).
− − −
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟏 𝒂𝟏𝟐
[𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ] 𝒂𝟐𝟏 𝒂𝟐𝟐
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟏 𝒂𝟑𝟐

Figura 3.

✓ Reuniendo en una misma gráfica la figura 2 y la figura 3, se tiene:

- - -
𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 𝒂𝟏𝟏 𝒂𝟏𝟐
[𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ] 𝒂𝟐𝟏 𝒂𝟐𝟐
𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 𝒂𝟑𝟏 𝒂𝟑𝟐

+ + +
Figura 4.
 Modelos Lineales

157
3.3.10.3 EJERCICIOS DE APRENDIZAJE

1. Obtener el determinante de la siguiente matriz:

𝟑 −𝟑 −𝟐
𝑨 = [𝟓 𝟎 −𝟓]
𝟏 −𝟏 −𝟑

PROCEDIMIENTO
a. Se repiten, a continuación de la matriz, las dos primeras columnas:

𝟑 −𝟑 −𝟐 𝟑 −𝟑
[𝟓 𝟎 −𝟓] 𝟓 𝟎
𝟏 −𝟏 −𝟑 𝟏 −𝟏

Nota: Para mayor comprensión en el desarrollo del ejercicio, se realizarán por separado los
productos de las diagonales:

✓ Diagonales principales (Amarillo):

[(3)*(0)*(-3)] + [(-3)*(-5)*(1)] + [(-2)*(5)*(-1)]= (-9) + (15) + (10)=16

✓ Diagonales secundarias (verde):

𝟑 −𝟑 −𝟐 𝟑 −𝟑
[𝟓 𝟎 −𝟓] 𝟓 𝟎
𝟏 −𝟏 −𝟑 𝟏 −𝟏
[(-2)*(0)*(1)] + [(3)*(-5)*(-1)] + [(-3)*(5)*(-3)]= (0) + (15) + (45)=60

b. Se calcula el determinante:
det 𝐴 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 − 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑠𝑒𝑐𝑢𝑛𝑑𝑎𝑟𝑖𝑎

Reemplazando por los valores obtenidos, se tiene:

𝐝𝐞𝐭 𝑨 = 𝟏𝟔 − 𝟔𝟎 → 𝐝𝐞𝐭 𝑨 = −𝟒𝟒

2. Obtener el determinante de la siguiente matriz:

 Modelos Lineales

158
−𝟏 𝟔 −𝟓
𝑨 = [ 𝟑 −𝟒 −𝟓]
𝟏 𝟒 −𝟐

PROCEDIMIENTO
c. Se repiten, a continuación de la matriz, las dos primeras columnas:
−𝟏 𝟔 −𝟓 −𝟏 𝟔
[ 𝟑 −𝟒 −𝟓] 𝟑 −𝟒
𝟏 𝟒 −𝟐 𝟏 𝟒

−𝟏 𝟔 −𝟓 −𝟏 𝟔
[𝟑 −𝟒 −𝟓] 𝟑 −𝟒
𝟏 𝟒 −𝟐 𝟏 𝟒

Nota: Para mayor comprensión en el desarrollo del ejercicio, se realizarán por separado los
productos de las diagonales:

➢ Diagonales principales (Amarillo):

[(-1)*(-4)*(-2)] + [(6)*(-5)*(1)] + [(-5)*(3)*(4)]=

(-8) + (-30) + (-60) =-8-30-60= -98

➢ Diagonales secundarias (verde):

−𝟏 𝟔 −𝟓 −𝟏 𝟔
[𝟑 −𝟒 −𝟓] 𝟑 −𝟒
𝟏 𝟒 −𝟐 𝟏 𝟒

[(-5)*(-4)*(1)] + [(-1)*(-5)*(4)] + [(6)*3)*(-2)]= (20) + (20) + (-36)=

20+20-36= -4

d. Se calcula el determinante:
𝐝𝐞𝐭 𝑨 = 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍 − 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒔𝒆𝒄𝒖𝒏𝒅𝒂𝒓𝒊𝒂
 Modelos Lineales

159
Reemplazando por los valores obtenidos, se tiene:

𝐝𝐞𝐭 𝑨 = −𝟗𝟖 − (−𝟒) → 𝒅𝒆𝒕 𝑨 = −𝟗𝟖 + 𝟒 → 𝐝𝐞𝐭 𝑨 = −𝟗𝟒

2. Obtener el determinante de la siguiente matriz:

−𝟏 𝟔 −𝟓
𝑨 = [ 𝟑 −𝟒 −𝟓]
𝟏 𝟒 −𝟐

Nota: Se realizará el ejercicio número 2, pero en vez de repetir las dos primeras columnas hacia
la derecha, se repetirán las dos primeras filas hacia abajo, de la siguiente manera:

−𝟏 𝟔 −𝟓
𝟑 −𝟒 −𝟓
𝟏 𝟒 −𝟐
−𝟏 𝟔 −𝟓
[ 𝟑 −𝟒 −𝟓]

➢ Se trazan las diagonales principales y se halla su respectivo valor:

−𝟏 𝟔 −𝟓
𝟑 −𝟒 −𝟓
𝟏 𝟒 −𝟐
−𝟏 𝟔 −𝟓
[ 𝟑 −𝟒 −𝟓]
➢ Diagonales principales (Amarillo):

[(-1)*(-4)*(-2)] + [(3)*(4)*(-5)] + [(1)*(6)*(-5)]=

(-8) + (-60) + (-30) =-8-60-30= -98

➢ Se trazan las diagonales secundarias y se halla su respectivo valor:

−𝟏 𝟔 −𝟓
𝟑 −𝟒 −𝟓
𝟏 𝟒 −𝟐
−𝟏 𝟔 −𝟓
[ 𝟑 −𝟒 −𝟓]
 Modelos Lineales

160
[(-5)*(-4)*(1)] + [(-5)*(4)*(-1)] + [(-2)*(6)*(3)]= (20) + (20) + (-36)=

20+20-36= -4

𝐝𝐞𝐭 𝑨 = 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍 − 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒔𝒆𝒄𝒖𝒏𝒅𝒂𝒓𝒊𝒂

Reemplazando por los valores obtenidos, se tiene:

𝐝𝐞𝐭 𝑨 = −𝟗𝟖 − (−𝟒) → 𝒅𝒆𝒕 𝑨 = −𝟗𝟖 + 𝟒 → 𝐝𝐞𝐭 𝑨 = −𝟗𝟒

Nota: El resultado obtenido es el mismo, por lo tanto cualquiera de los

métodos es válido.

______________________________________________________________________________

ACTIVIDAD: Dadas las siguientes matrices, calcule el respectivo determinante utilizando los
métodos vistos.

Nota: En el primer ejercicio y en el segundo utilice los dos métodos y demuestre

que se obtiene el mismo resultado, confronte los resultados con el tutor.
−𝟏𝟎 𝟔𝟎 −𝟏𝟓
.𝟏. 𝑨 = [ 𝟏𝟑 𝟎 −𝟖 ]
𝟏𝟐 −𝟒 𝟐
−𝟏𝟏 −𝟔 −𝟐
𝟐. 𝑨 = [ 𝟎 −𝟒 −𝟐]
𝟎 −𝟑 −𝟓

𝟖 −𝟔 −𝟏
𝟑. 𝑨 = [𝟑 −𝟑 𝟏]
𝟏 𝟐 𝟏

𝟑 𝟔 −𝟐
𝟒. 𝑨 = [ −𝟑 −𝟔 𝟏]
𝟑 𝟏 𝟐

______________________________________________________________________________

3. DETERMINANTE DE MATRICES 𝒏 × 𝒏
➢ DESARROLLO POR COFACTORES
 Modelos Lineales

161
Dada una matriz cuadrada A de orden 𝒏 × 𝒏

Se define LA MATRIZ MENOR de la forma 𝑨𝒊 𝒋 Como una matriz de orden

𝒏 − 𝟏 × 𝒏 − 𝟏 y resulta de eliminar en la matriz 𝑨 la fila 𝒊 y la columna 𝒋.

3.3.10.4 EJERCICIOS DE APRENDIZAJE

1. Para la matriz:

−𝟏𝟏 −𝟔 −𝟐
𝑨=[ 𝟎 −𝟒 −𝟐]
𝟎 −𝟑 −𝟓

Obtenga las matrices menores: 𝑨𝟐𝟐 𝒚 𝑨𝟑𝟏

PROCEDIMIENTO
𝒂. 𝑨𝟐𝟐 : Para obtener la Matriz Menor se elimina la segunda fila y la segunda
columna en la matriz A, esto es:
Si:
−𝟏𝟏 −𝟔 −𝟐
−𝟏𝟏 −𝟐
𝑨=[ 𝟎 −𝟒 −𝟐] → 𝑨𝟐𝟐 = [ ]
𝟎 −𝟓
𝟎 −𝟑 −𝟓

𝒃. 𝑨𝟑𝟏 : Para obtener la Matriz Menor se elimina la tercera fila y la primera columna
en la matriz A, esto es:
Si:

−𝟏𝟏 −𝟔 −𝟐
−𝟔 −𝟐
𝑨=[ 𝟎 −𝟒 −𝟐] → 𝑨𝟑𝟏 = [ ]
−𝟒 −𝟐
𝟎 −𝟑 −𝟓
 Modelos Lineales

162
______________________________________________________________________________

2. Dada la matriz:

𝟏 𝟒 −𝟏 𝟖
𝑨 = [ 𝟑 𝟓 −𝟐 −𝟗]
−𝟐 𝟏𝟓 −𝟔 𝟕
𝟎 𝟏𝟎 −𝟖 𝟑

Obtenga las matrices menores: 𝑨𝟐𝟏, 𝑨𝟒𝟑, 𝑨𝟒𝟐, 𝑨𝟏𝟑, 𝑨𝟑𝟒

PROCEDIMIENTO
𝒂. 𝑨𝟐𝟏 : Para obtener la Matriz Menor se elimina la segunda fila y la primera
columna en la matriz A, esto es:
Si:

𝟏 𝟒 −𝟏 𝟖 𝟒 −𝟏 𝟖
𝑨=[ 𝟑 𝟓 −𝟐 −𝟗] → 𝑨 = [𝟏𝟓
𝟐𝟏 −𝟔 𝟕]
−𝟐 𝟏𝟓 −𝟔 𝟕
𝟏𝟎 −𝟖 𝟑
𝟎 𝟏𝟎 −𝟖 𝟑

______________________________________________________________________________

𝒃. 𝑨𝟒𝟑 : Para obtener la Matriz Menor se elimina la cuarta fila y la tercera columna
en la matriz A, esto es:

𝟏 𝟒 −𝟏 𝟖 𝟏 𝟒 𝟖
𝑨=[ 𝟑 𝟓 −𝟐 −𝟗] → 𝑨 = [
𝟑𝟒 𝟑 𝟓 −𝟗 ]
−𝟐 𝟏𝟓 −𝟔 𝟕
−𝟐 𝟏𝟓 𝟕
𝟎 𝟏𝟎 −𝟖 𝟑
______________________________________________________________________________

𝒄. 𝑨𝟒𝟐 : Para obtener la Matriz Menor se elimina la cuarta fila y la segunda columna
en la matriz A, esto es:
 Modelos Lineales

163
𝟏 𝟒 −𝟏 𝟖 𝟏 −𝟏 𝟖
𝑨=[ 𝟑 𝟓 −𝟐 −𝟗] → 𝑨 = [
𝟑𝟒 𝟑 −𝟐 −𝟗 ]
−𝟐 𝟏𝟓 −𝟔 𝟕
−𝟐 −𝟔 𝟕
𝟎 𝟏𝟎 −𝟖 𝟑
______________________________________________________________________________

𝒅. 𝑨𝟏𝟑 : Para obtener la Matriz Menor se elimina la primera fila y la tercera columna
en la matriz A, esto es:

𝟏 𝟒 −𝟏 𝟖 𝟑 𝟓 −𝟗
𝑨=[ 𝟑 𝟓 −𝟐 −𝟗] → 𝑨 = [
𝟑𝟒 −𝟐 𝟏𝟓 𝟕]
−𝟐 𝟏𝟓 −𝟔 𝟕
𝟎 𝟏𝟎 𝟑
𝟎 𝟏𝟎 −𝟖 𝟑
_____________________________________________________________________________

𝒆. 𝑨𝟑𝟒 : Para obtener la Matriz Menor se elimina la tercera fila y la cuarta columna
en la matriz A, esto es:

𝟏 𝟒 −𝟏 𝟖 𝟏 𝟒 −𝟏
𝑨=[ 𝟑 𝟓 −𝟐 −𝟗] → 𝑨 = [
𝟑𝟒 𝟑 𝟓 −𝟐]
−𝟐 𝟏𝟓 −𝟔 𝟕
𝟎 𝟏𝟎 −𝟖
𝟎 𝟏𝟎 −𝟖 𝟑

NOTAS:

𝟏. 𝑬𝑳 𝑴𝑬𝑵𝑶𝑹: |𝑴𝒊 𝒋 |

El menor |𝑴𝒊 𝒋 | es el determinante de la matriz menor 𝑨𝒊 𝒋

2. COFACTOR: 𝑪𝒊 𝒋

El COFACTOR 𝑪𝒊 𝒋 es un número que se asocia a cada entrada de una matriz cuadrada A.

 Modelos Lineales

164
CÁLCULO DE COFACTORES:

Para calcular el cofactor se utiliza la siguiente forma:

𝑪𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝑴𝒊 𝒋

Nota: La única diferencia entre un menor y un cofactor es el factor∶ (−𝟏)𝒊+𝒋

3.3.10.5 EJERCICIOS DE APRENDIZAJE

1. Para la matriz:

𝟑 𝟓 𝟑
𝑨 = [𝟑 𝟎 𝟖]
𝟐 𝟐 𝟑
Encontrar los siguientes cofactores:

a. 𝑪𝟐𝟑

PROCEDIMIENTO
➢ Se toma la matriz A y se busca su menor de acuerdo a la indicación dada:

En este caso se elimina la segunda fila y la tercera columna:

𝟑 𝟓 𝟑
𝑨 = [𝟑 𝟎 𝟖]
𝟐 𝟐 𝟑
➢ Se utiliza la forma: 𝑪𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝑴𝒊 𝒋

𝟑 𝟓
𝑪𝟐𝟑 = (−𝟏)𝟐+𝟑 [ ] = (−𝟏)𝟓 ∗ [(𝟑) ∗ (𝟐) − (𝟓) ∗ (𝟐)] = −𝟏 ∗ (𝟔 − 𝟏𝟎) → (−𝟏) ∗ (−𝟒) = 𝟒
𝟐 𝟐

𝐛. 𝑪𝟏𝟏

PROCEDIMIENTO
 Modelos Lineales

165
➢ Se toma la matriz A y se busca su menor de acuerdo a la indicación dada:

En este caso se elimina la segunda fila y la tercera columna:

𝟑 𝟓 𝟑
𝑨 = [𝟑 𝟎 𝟖]
𝟐 𝟐 𝟑

➢ Se utiliza la forma: 𝑪𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝑴𝒊 𝒋

𝟎 𝟖
𝑪𝟏𝟏 = (−𝟏)𝟏+𝟏 [ ] = (−𝟏)𝟐 ∗ [(𝟎) ∗ (𝟑) − (𝟖) ∗ (𝟐)] = 𝟏 ∗ (𝟎 − 𝟏𝟔)
𝟐 𝟑
→ 𝟏 ∗ (−𝟏𝟔) = −𝟏𝟔

2. Para la matriz

−𝟏 𝟐 −𝟓
𝑨 = [−𝟒 𝟑 𝟖]
𝟎 𝟔 −𝟕

Determine los siguientes cofactores: 𝑪𝟏𝟐 , 𝑪𝟑𝟑

𝐚. 𝑪𝟏𝟐
PROCEDIMIENTO
➢ Se toma la matriz A y se busca su menor de acuerdo a la indicación dada:

En este caso se elimina la primera fila y la segunda columna:

−𝟏 𝟐 −𝟓
𝑨 = [−𝟒 𝟑 𝟖]
𝟎 𝟔 −𝟕
➢ Se utiliza la forma: 𝑪𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝑴𝒊 𝒋
 Modelos Lineales

166
−𝟒 𝟖
𝑪𝟏𝟐 = (−𝟏)𝟏+𝟐 [ ] = (−𝟏)𝟑 ∗ [(−𝟒) ∗ (−𝟕) − (𝟖) ∗ (𝟎)]
𝟎 −𝟕
= −𝟏 ∗ (𝟐𝟖 − 𝟎) → (−𝟏) ∗ (𝟐𝟖) = 𝟐𝟖

𝒃. 𝑪𝟑𝟑

PROCEDIMIENTO
➢ Se toma la matriz A y se busca su menor de acuerdo a la indicación dada:

En este caso se elimina la tercera fila y la tercera columna:

−𝟏 𝟐 −𝟓
𝑨 = [−𝟒 𝟑 𝟖]
𝟎 𝟔 −𝟕
➢ Se utiliza la forma: 𝑪𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝑴𝒊 𝒋

−𝟏 𝟐
𝑪𝟑𝟑 = (−𝟏)𝟑+𝟑 [ ] = (−𝟏)𝟔 ∗ [(−𝟏) ∗ (𝟑) − (𝟐) ∗ (−𝟒)] = 𝟏 ∗ (−𝟑 + 𝟖) → 𝟏 ∗ (𝟓) = 𝟓
−𝟒 𝟑

➢ CÁLCULO DE DETERMINANTES DE MATRICES 𝒏 × 𝒏

➢ Cálculo de determinantes por expansión por cofactores:

Para encontrar el determinante de cualquier matriz cuadrada 𝑨 de orden 𝒏, se selecciona

cualquier Fila (o columna) de 𝑨 y se multiplica cada entrada de la fila (o columna) por su
cofactor. La suma de estos productos será el determinante de 𝑨, llamado determinante de orden
𝒏.

3.3.10.6 EJERCICIOS DE APRENDIZAJE

1. Encuentre el determinante de:

𝟐 −𝟏 𝟑
𝑨 = [𝟑 𝟎 −𝟓]
𝟐 𝟏 𝟏
 Modelos Lineales

167
a) Ampliando las dos primeras columnas (Recuerde que también puede ampliar las dos
primeras filas).

b) Utilizando cofactores en la primera fila.

c) Utilizando cofactores en la segunda columna.

PROCEDIMIENTO

a. Ampliando las dos primeras columnas:

𝟐 −𝟏 𝟑 𝟐 −𝟏
[𝟑 𝟎 −𝟓] 𝟑 𝟎
𝟐 𝟏 𝟏 𝟐 𝟏

TIPS

𝐝𝐞𝐭 𝑨 = 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍

− 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒔𝒆𝒄𝒖𝒏𝒅𝒂𝒓𝒊𝒂

𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍

[(2)*(0)*(1)] + [(-1)*(-5)*(2)] + [(3)*(3)*(1)]=

[0+ 10+ 9]= 19

𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒔𝒆𝒄𝒖𝒏𝒅𝒂𝒓𝒊𝒂

[(3)*(0)*(2)] + [(2)*(-5)*(1)] + [(-1)*(3)*(1)]= (0) + (-10) + (-3)=

0-10-3=-13

𝐝𝐞𝐭 𝑨 = 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍 − 𝑺𝒖𝒎𝒂 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒔𝒆𝒄𝒖𝒏𝒅𝒂𝒓𝒊𝒂

 Modelos Lineales

168
Reemplazando por los valores obtenidos, se tiene:

𝐝𝐞𝐭 𝑨 = 𝟏𝟗 − (−𝟏𝟑) → 𝒅𝒆𝒕 𝑨 = 𝟏𝟗 + 𝟏𝟑 → 𝐝𝐞𝐭 𝑨 = 𝟑𝟐

Utilizando cofactores en la primera fila: [𝟐 −𝟏 𝟑]

𝒅𝒆𝒕 𝑨 = 𝒂𝟏𝟏 𝒄𝟏𝟏 + 𝒂𝟏𝟐 𝒄𝟏𝟐 + 𝒂𝟏𝟑 𝒄𝟏𝟑

Ecuación 1
Entonces:

➢ Se elimina la primera fila y la primera columna:

𝟎 −𝟓
𝒂𝟏𝟏 𝒄𝟏𝟏 = 𝒂𝟏𝟏 (−𝟏)𝟏+𝟏 𝑴𝟏𝟏 = 𝟐(−𝟏)𝟏+𝟏 [ ]→
𝟏 𝟏
𝒂𝟏𝟏 𝒄𝟏𝟏 = 𝟐 ∗ 𝟏 [(𝟎) ∗ (𝟏) − (−𝟓) ∗ (𝟏)] = 𝟐(𝟎 + 𝟓) = 𝟐 ∗ 𝟓 = 𝟏𝟎

➢ Se elimina la primera fila y la segunda columna:

𝟑 −𝟓
𝒂𝟏𝟐 𝒄𝟏𝟐 = 𝒂𝟏𝟐 (−𝟏)𝟏+𝟐 𝑴𝟏𝟐 = (−𝟏)(−𝟏)𝟏+𝟐 [ ]→
𝟐 𝟏
𝒂𝟏𝟐 𝒄𝟏𝟐 = (−𝟏) ∗ (−𝟏) [(𝟑) ∗ (𝟏) − (−𝟓) ∗ (𝟐)] = 𝟏(𝟑 + 𝟏𝟎) = 𝟏 ∗ 𝟏𝟑 = 𝟏𝟑

➢ Se elimina la primera fila y la tercera columna:

𝟑 𝟎
𝒂𝟏𝟑 𝒄𝟏𝟑 = 𝒂𝟏𝟑 (−𝟏)𝟏+𝟑 𝑴𝟏𝟑 = 𝟑(−𝟏)𝟏+𝟑 [ ]→
𝟐 𝟏
𝒂𝟏𝟑 𝒄𝟏𝟑 = (𝟑) ∗ (𝟏) [(𝟑) ∗ (𝟏) − (𝟎) ∗ (𝟐)] = 𝟑(𝟑 + 𝟎) = 𝟑 ∗ 𝟑 = 𝟗

Reemplazando en la ecuación 1:

𝒅𝒆𝒕 𝑨 = 𝒂𝟏𝟏 𝒄𝟏𝟏 + 𝒂𝟏𝟐 𝒄𝟏𝟐 + 𝒂𝟏𝟑 𝒄𝟏𝟑

𝒅𝒆𝒕 𝑨 = 𝟏𝟎 + 𝟏𝟑 + 𝟗 → 𝒅𝒆𝒕 𝑨 = 𝟑𝟐

______________________________________________________________________________
 Modelos Lineales

169
−𝟏
c. Utilizando cofactores en la segunda columna:[ 𝟎 ]
𝟏

𝒅𝒆𝒕 𝑨 = 𝒂𝟏𝟐 𝒄𝟏𝟐 + 𝒂𝟐𝟐 𝒄𝟐𝟐 + 𝒂𝟑𝟐 𝒄𝟑𝟐

ECUACIÓN 2
Entonces:

➢ Se elimina la primera fila y la segunda columna:

𝟑 −𝟓
𝒂𝟏𝟐 𝒄𝟏𝟐 = 𝒂𝟏𝟐 (−𝟏)𝟏+𝟐 𝑴𝟏𝟐 = (−𝟏) ∗ (−𝟏)𝟏+𝟐 [ ]→
𝟐 𝟏
𝒂𝟏𝟐 𝒄𝟏𝟐 = 𝟏 [(𝟑) ∗ (𝟏) − (−𝟓) ∗ (𝟐)] = 𝟏(𝟑 + 𝟏𝟎) = 𝟏 ∗ 𝟏𝟑 = 𝟏𝟑

➢ Se elimina la segunda fila y la segunda columna:

𝟐 𝟑
𝒂𝟐𝟐 𝒄𝟐𝟐 = 𝒂𝟐𝟐 (−𝟏)𝟐+𝟐 𝑴𝟐𝟐 = (𝟎)(−𝟏)𝟐+𝟐 [ ]→
𝟐 𝟏
𝒂𝟐𝟐 𝒄𝟐𝟐 = 𝟎

➢ Se elimina la tercera fila y la segunda columna:

𝟐 𝟑
𝒂𝟑𝟐 𝒄𝟑𝟐 = 𝒂𝟑𝟐 (−𝟏)𝟑+𝟐 𝑴𝟑𝟐 = 𝟏(−𝟏)𝟑+𝟐 [ ]→
𝟑 −𝟓
𝒂𝟑𝟐 𝒄𝟑𝟐 = (𝟏) ∗ (−𝟏)[(𝟐) ∗ (−𝟓) − (𝟑) ∗ (𝟑)] = −𝟏 ∗ (−𝟏𝟎 − 𝟗) = −𝟏 ∗ (−𝟏𝟗) = 𝟏𝟗

Reemplazando en la ecuación2:

𝒅𝒆𝒕 𝑨 = 𝒂𝟏𝟐 𝒄𝟏𝟐 + 𝒂𝟐𝟐 𝒄𝟐𝟐 + 𝒂𝟑𝟐 𝒄𝟑𝟐

𝒅𝒆𝒕 𝑨 = 𝟏𝟑 + 𝟎 + 𝟏𝟗 → 𝒅𝒆𝒕 𝑨 = 𝟑𝟐

______________________________________________________________________________

2. Obtener el determinante de la siguiente matriz, utilizando los cofactores de la segunda

fila:
 Modelos Lineales

170
𝟏𝟐 −𝟏 𝟑
𝑨 = [ −𝟑 𝟏 −𝟏 ]
−𝟏𝟎 𝟐 −𝟑

det = −3(−1) 2+1 − 1(−3) − 2 * 3 + 1(−1) 2+ 2 12(−3) − (−10)(3) + (− 1)(− 1) 12 * 2 − (−10)(−1) = −1
2+3

Ejemplo 3:

Utilizando cofactores, calcule el determinante de la matriz:

0 1 1 
A = 2 3 2
0 − 1 3

SOLUCIÓN

Como en la primera columna hay dos entradas iguales a cero, vamos a calcular el determinante
utilizando cofactores en la primera columna.

det A = 2(−1)1+2 1* 3 − (−1)1 = −8

Ejemplo4

Calcule el determinante de la matriz:

2 0 0 1
0 1 0 3
B=
0 0 1 2
 
1 2 3 0

SOLUCIÓN

Vamos a utilizar cofactores en el primer renglón

1 0 3  0 0 1 
det B = 2(−1) * det 0 1 2 + 1(−1) det 1 0 3
1+1   1+ 4

2 3 0 0 1 2

= 2 * − (3 *1 * 2 + 2 * 3 *1) = −24 + (−)(1) = −25

Ejemplo5:
 Modelos Lineales

171
Se deja como tarea que el estudiante calcule el determinante de la matriz:

3 4 −1 0 
 4 −1 0 3 
A= 
 − 6 4 8 − 2
 
−1 1 2 7 

Debe obtener la respuesta:

R :det A = −1162

Ejemplo5:

Determine el valor de x, de tal manera que el determinante de la matriz A sea igual a -105.

 5 4 − 3
A =  2 x 0 
− 8 6 3 

SOLUCIÓN

 5 4 − 3 5 4
A 2 x 0  2 x
− 8 6 3  − 8 6

A = det A = 5(x )(3) + 4(0)(− 8) + (− 3)(2)(6) − (− 8)(x )(− 3) − 6(0)(5) − 3(2)(4) = −105

15x − 36 − 24x − 24 = −105  −9 x − 50 = −105  −9 x = −105 + 50

− 45
 −9 x = −45  x =  x=5
−9

Ejercicios propuestos para ser solucionados por los estudiantes:

1. Determine el valor de x, de tal manera que el determinante de la matriz sea igual a -1

− 6 3 x 
A =  7 2 − 5 
 5 9 − x 
R: x = 4
 Modelos Lineales

172
2. Determine el valor de x, de tal manera que el determinante de la matriz sea igual a -141

x 6 5
A = 4 x 2 2 R : x = 3
6 x 5

3. Determine el valor de x, de tal manera que el determinante de la matriz sea igual a 22

x − 3 9 3 

A= 7 8 x − 2 R : x = 8
 5 0 4 

3.3.11 MATRIZ ADJUNTA:

Para una matriz 𝑨 de orden 𝒏 × 𝒏 (una matriz cuadrada), se define la matriz adjunta como la
transpuesta de la matriz de cofactores.

TEOREMA: Si A es una matriz 𝑨 de orden 𝒏 × 𝒏 y 𝐝𝐞𝐭 𝑨 ≠ 𝟎, entonces 𝑨−𝟏 existe y se obtiene

como:

𝟏
𝑨−𝟏 = 𝒂𝒅𝒋 (𝑨)
𝐝𝐞𝐭 𝑨

3.3.12 EJERCICIO DE APRENDIZAJE

1. Utilizando la matriz adjunta, encuentre la inversa de la siguiente matriz:

𝟐 𝟑 𝟏
𝑨 = [𝟒 𝟎 −𝟐]
𝟑 −𝟏 −𝟑

Actividad: Este ejercicio se deja propuesto para que sea solucionado por los estudiantes.

Se debe llegar a la siguiente respuesta:

 Modelos Lineales

173
RESPUESTA:

𝐝𝐞𝐭 𝑨 = −𝟐𝟔
La matriz de cofactores es:

−𝟐 𝟔 −𝟒
𝒄 = [ −𝟏𝟎 −𝟗 −𝟕 ]
𝟔 𝟖 𝟏𝟐

La matriz adjunta (transpuesta de la matriz de cofactores) es:

−𝟐 −𝟏𝟎 𝟔
𝒂𝒅𝒋 = [ 𝟔 −𝟗 𝟖]
−𝟒 −𝟕 𝟏𝟐

La matriz inversa es:

𝟏 −𝟐 −𝟏𝟎 𝟔
𝑨−𝟏 = − [ 𝟔 −𝟗 𝟖]
𝟐𝟔
−𝟒 −𝟕 𝟏𝟐

PROPIEDADES DE LOS DETERMINANTES:

CONDICIÓN ENTONCES PROPIEDAD

1 Si 𝑰 𝒆𝒔 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒊𝒅𝒆𝒏𝒕𝒊𝒅𝒂𝒅 − − −→ 𝐝𝐞𝐭 𝑰 = 𝟏

La matriz identidad de orden 𝟐 ×

2 1 0 − − −→ 𝐝𝐞𝐭 𝑰 = (𝟏)(𝟏) − (𝟎)(𝟎) = 𝟏
𝟐 𝑒𝑠 [ ]:
0 1

Si 𝑩 se obtiene a partir de
3 − − −→ 𝒅𝒆𝒕 𝑩 = −𝒅𝒆𝒕 𝑨
𝑨 intercambiando dos filas de 𝑨.

Si se obtiene 𝑩 a partir de 𝑨 sumando

4 − − −→ 𝒅𝒆𝒕 𝑩 = 𝒅𝒆𝒕 𝑨
un múltiplo de una fila de 𝑨 a otra fila:
 Modelos Lineales

174
Si se obtiene 𝑩 a partir de 𝑨
5 multiplicando una fila de 𝑨 por un − − −→ 𝒅𝒆𝒕 𝑩 = 𝒎 𝒅𝒆𝒕 𝑨
número m:

6 Si 𝑨 es una matriz diagonal: − − −→ 𝒅𝒆𝒕 𝑨 = 𝒂𝟏𝟏, 𝒂𝟐𝟐, … 𝒂𝒎𝒏

Si 𝑨 una matriz triangular, superior o

7 − − −→ 𝒅𝒆𝒕 𝑨 = 𝒂𝟏𝟏, 𝒂𝟐𝟐, … 𝒂𝒎𝒏
inferior:

8 Si dos filas de 𝑨 son iguales: − − −→ 𝒅𝒆𝒕 𝑨 = 𝟎

9 Si 𝑨 tiene una fila de ceros: − − −→ 𝒅𝒆𝒕 𝑨 = 𝟎

↔
10 Una matriz cuadrada 𝑨 es invertible: (se lee: si y 𝒅𝒆𝒕 𝑨 ≠ 𝟎
sólo sí)

Si 𝑨 y 𝑩 son matrices de orden

11 − − −→ 𝒅𝒆𝒕(𝑨 𝑩) = 𝒅𝒆𝒕 𝑨 ∗ 𝒅𝒆𝒕 𝑩
𝒏 × 𝒏:

En términos generales el determinante

12 − − −→ 𝒅𝒆𝒕(𝑨 + 𝑩) ≠ 𝒅𝒆𝒕 𝑨 + 𝒅𝒆𝒕 𝑩
de una suma:

Si se obtiene 𝑩 a partir de 𝑨 sumando

13 un múltiplo de una columna de 𝑨 a − − −→ 𝒅𝒆𝒕 𝑩 = 𝒅𝒆𝒕 𝑨
otra:

Si se obtiene 𝑩 a partir de 𝑨
14 multiplicando una columna de 𝑨 por − − −→ 𝒅𝒆𝒕 𝑩 = 𝒎 𝒅𝒆𝒕 𝑨
un número 𝒎:

Si se obtiene 𝑩 a partir de 𝑨
15 − − −→ 𝒅𝒆𝒕 𝑩 = −𝒅𝒆𝒕 𝑨
intercambiando dos columnas:

Si 𝑨 es una matriz de orden

16 − − −→ 𝒅𝒆𝒕 𝑨 = −𝒅𝒆𝒕 𝑨𝑻
𝒏 × 𝒏 y 𝑨𝑻 es su transpuesta:
 Modelos Lineales

175
3.3.13 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES
UTILIZANDO DETERMINANTES
3.3.13.1 REGLA DE CRAMER
Sea un sistema de n ecuaciones lineales con n incógnitas:

 a11 x1 + a12 x 2 + ... + a1n x n = c1

a x + a x + ... + a x = c
 21 1 22 2 2n n 2

     

a n1 x1 + a n 2 x 2 + ... + a nn x n c n

Si el det A, matriz de coeficientes, es diferente de cero, el sistema tiene única solución que se
obtiene como:

D1 D D
x1 = , x2 = 2 ,... xn = n
D D D

DETERMINANTE DEFINICIÓN

𝑫 Es el determinante de la matriz de coeficientes.

𝑫𝟏 Es el determinante de la matriz que resulta de intercambiar en la

matriz de coeficientes las entradas de la primera columna por las
entradas de la matriz 𝑩 o matriz del término independiente.

𝑫𝟐 Es el determinante de la matriz que resulta de intercambiar en la

matriz de coeficientes las entradas de la segunda columna por las
entradas de la matriz 𝑩 o matriz del término independiente.

𝑫𝟑 Es el determinante de la matriz que resulta de intercambiar en la

matriz de coeficientes las entradas de la tercera columna por las
entradas de la matriz 𝑩 o matriz del término independiente.

𝑫𝒏 Es el determinante de la matriz que resulta de intercambiar en la

matriz de coeficientes las entradas de la 𝒏 é𝒔𝒊𝒎𝒂 columna por las
entradas de la matriz 𝑩 o matriz del término independiente.
 Modelos Lineales

176
3.3.14 EJERCICIOS DE APRENDIZAJE
1. Utilizando determinantes, resuelva el sistema:

2 x − 5 y + 4 z = 13
3x + 2 y + 3z = 30
4 x + 6 y − 5 z = −4

SOLUCIÓN

Para obtener el determinante D utilizamos la matriz de coeficientes:

2 −5 4
D= 3 2 3
4 6 −5

D = 2(2)(− 5) + (− 5)(3)(4) + 4(3)(6) − 4(2)(4) − 6(3)(2) − (− 5)(3)(− 5)

D = −151

Para calcular el determinante D1 cambiamos las entradas de la primera columna en la matriz de

coeficientes por las entradas del término independiente de cada ecuación:

13 − 5 4
D1 = 30 2 3
−4 6 −5

D = 13(2)(− 5) + (− 5)(3)(− 4) + 4(30)(6) − (− 4)(2)(4) − 6(3)(13) − (− 5)(30)(− 5)

D1 = −302

Para calcular el determinante D2 cambiamos las entradas de la segunda columna en la matriz de

coeficientes por las entradas del término independiente de cada ecuación:

2 13 4
D2 = 3 30 3
4 −4 −5

D = 2(30)(− 5) + (13)(3)(4) + 4(3)(− 4) − 4(30)(4) − (− 4)(3)(2) − (13)(3)(− 5)

 Modelos Lineales

177
D2 = −453

Para calcular el determinante D3 cambiamos las entradas de la tercera columna en la matriz de

coeficientes por las entradas del término independiente de cada ecuación:

2 − 5 13
D3 = 3 2 30
4 6 −4

D3 = 2(2)(− 4) + (− 5)(30)(4) + 13(3)(6) − 4(2)(13) − 6(30)(2) − (− 4)(3)(− 5)

D3 = −906

La solución del sistema es:

D1 − 302 D − 453 D − 906

x= = = 2, y = 2 = = 3 z = 3 = =6
D − 151 D − 151 D − 151

Prueba:

2 x − 5 y + 4 z = 13 2(2) − 5(3) + 4(6) = 13  4 − 15 + 24 = 13  13 = 13

3x + 2 y + 3z = 30  3(2) + 2(3) + 3(6) = 30  6 + 6 + 18 = 30  30 = 30
4 x + 6 y − 5 z = −4 4(2) + 6(3) − 5(6) = −4  8 + 18 − 30 = −4  −4 = −4

La solución del sistema es:

x = 2, y = 3  z = 6

 2x + y + z = 0

2. Aplicando la regla de Cramer, resuelva el sistema: 4 x + 3 y + 2 z = 2
 2 x − y − 3z = 0


SOLUCIÓN

2 1 1

A = 4 3 2 
2 − 1 − 3
 Modelos Lineales

178
El estudiante debe comprobar que:

2 1 1
det A = 4 3 2 = D = −8
2 −1 − 3

0 1 1
D1 = 2 3 2 =4
0 −1 − 3

2 0 1
D2 = 4 2 2 = −16
2 0 −3

2 1 0
D3 = 4 3 2 = 8
2 −1 0

Entonces la solución del sistema es:

D1 D D
x= , y= 2,Z= 3
D D D

4 − 16 8
x= = −1 / 2, y = = 2, z = = −1
−8 −8 −8

El estudiante debe dar la prueba.

 Modelos Lineales

179

3.4 TEMA 3 APLICACIONES: PROBLEMAS QUE SE RESUELVEN

PLANTEANDO SISTEMAS DE ECUACIONES LINEALES
Debido a la ilimitada variedad de problemas es difícil establecer reglas específicas para encontrar
soluciones. Sin embargo, las siguientes sugerencias pueden ayudarte:

1) Lee el problema cuidadosamente varias veces y piensa en los datos que te

dan y en las cantidades desconocidas que debes encontrar.

2) Gráfica si es posible, así visualizarás mejor.

3) Asigna letras a las cantidades desconocidas.

4) Relaciona los datos y las cantidades desconocidas.

5) Teniendo en las condiciones del problema escribe ecuaciones.

6) Resuelve las ecuaciones por los métodos que consideres más apropiados.

7) Verifica si la solución obtenida concuerda con las condiciones dadas.

Observación:

No importa mucho la naturaleza del problema, pero sí que aprendas a razonar y

puedas resolverlo analíticamente.

En los problemas continuación, sólo vamos a plantear el sistema de ecuaciones,

dejo como ejercicio para, los estudiantes, el solucionar cada sistema planteado
utilizando el método que desee.
 Modelos Lineales

180
3.4.1 EJERCICIOS DE ENTRENAMIENTO
1. Cuando Beth se graduó en la universidad, había completado 40 cursos, en los cuales
recibió grados de A, B y C. Su PPG final (puntaje promedio de grado) fue de 3.125. Su PPG en solo
los cursos que recibió los grados de A y B fue de 3.8. Se supone que los cursos A, B y C valen 4
puntos, 3 puntos y 2 puntos, respectivamente. Determine el número de grados A, B y C que recibió

SOLUCIÓN.

• Tenemos que los cursos tipo A corresponden a las materias de formación profesional.

• Los cursos tipo B corresponden a la materia de formación matemática.

• Los cursos tipo C corresponden a las materias de formación humanística.

• Sea x cantidad de materias de formación Profesional recibidas

• Sea y cantidad de materias de Formación Matemática recibidas

• Sea z cantidad de materias de formación humanística recibidas

• Se debe plantear las siguientes ecuaciones:

• Para la cantidad de materias vistas:

x + y + z = 40 Cantidad de cursos, ec1

Para su PPG final (puntaje promedio de grado)

4x + 3y + 2z
= 3.125 Pr omedio de grado  4 x + 3 y + 2 z = 40 * 3.125 4 x + 3 y + 2 z = 125 ec2
40

Total de cursos donde recibió las materias de formación Profesional y de formación Matemática
es x + y, está dado por: x + y = 40 − z

El promedio de estos cursos está dado por:

4x + 3y
= 3.8  4 x + 3 y = 3.8(40 − z )  4 x + 3 y + 3.8 z = 3.8 * 40  4 x + 3 y + 3.8 z = 152 ec3
40 − z

Se debe solucionar el sistema:

 Modelos Lineales

181
x + y + z = 40 ec1

4 x + 3 y + 2 z = 125 ec2

4 x + 3 y + 3.8z = 152 ec3

R: 20, 5 y 15

1. Encuentre una parábola de la forma: y = ax 2 + bx + c que pase por los puntos

(1, 3), (7, 4)  (− 3, 5) .

SOLUCIÓN

Se debe remplazar cada punto en la ecuación de la parábola y = ax 2 + bx + c

(1, 3)  x = 1  y = 3
Remplazando tenemos:

3 = a(1) + b(1) + c  a + b + c = 3 Ecuación 1

2

Remplazando tenemos:

(7, 4)  x = 7  y = 4

4 = a(7 ) + b(7 ) + c  49a + 7b + c = 4 Ecuación 2

2

Remplazando tenemos:

(− 3, 5)  x = −3  y = 5

5 = a(− 3) + b(− 3) + c  9a − 3b + c = 5 Ecuación 3

2

Se debe plantear y resolver el sistema:

a+b+c =3
49a + 7b + c = 4
9a − 3b + c = 5

1 11 33
a= , b = − c =
R: 15 30 10
 Modelos Lineales

182

2. En una fábrica se producen 4 artículos A, B, C, y D.

Si los costos de producción de los cuatro artículos en enero fueron US$ 5675 y se produjeron 30
artículos del producto A, 15 de B, 70 de C y 25 del producto D.

Los costos en febrero fueron de US$ 1875 y se produjeron respectivamente 10, 10, 5 y 40 artículos
de cada producto.

Para marzo los costos de producción fueron de US$ 7775, con producciones de 95, 0, 45 y 50.

Para abril los costos son de US$ 5100, con producciones de: 1, 80, 50 y 0.

Si los costos de producción de cada artículo permanecieron constantes durante estos cuatro
meses, determine el costo de producir una unidad de cada artículo.

SOLUCIÓN

Se debe plantear y resolver el sistema:

30 A + 15B + 70C + 25D = 5675

10 A + 10B + 5C + 40D = 1875
95 A + 45C + 50D = 7775
A + 80B + 50C = 5100

R: US$ 50, US$ 35, US$ 45 y US$ 20

3. Entre A, B y C tienen 140 Bolívares. C tiene la mitad de lo que tiene A. A tiene 10 más que
B. ¿Cuánto tiene cada uno?

SOLUCIÓN

Si 𝑥1 es la cantidad de dinero que tiene A, 𝑥2 es la cantidad de dinero que tiene B y 𝑥3 es la

cantidad de dinero que tiene C.

Se debe plantear el siguiente sistema:

𝑥1 + 𝑥2 + 𝑥3 = 140 000

1
C tiene la mitad de lo que tiene A. 𝑥3 = 𝑥 → 2𝑥3 = 𝑥1 → 𝑥1 − 2𝑥3 = 0
2 1
 Modelos Lineales

183
A tiene $ 10000 más que B. 𝑥1 = 𝑥2 + 10 000 → 𝑥1 − 𝑥2 = 10 000

El sistema de ecuaciones que se debe plantear para resolver este problema es:

𝑥1 + 𝑥2 + 𝑥3 = 140000

𝑥1 − 𝑥2 = 10000

𝑥1 − 2𝑥3 = 0

SOLUCIÓN DEL SISTEMA

1 1 1
𝐷 = |1 −1 0 | = 5
1 0 −2
140 000 1 1
𝐷1 = | 10 000 −1 0 | = 300 000
0 0 −2
1 140 000 1
𝐷2 = |1 10 000 0 | = 250 000
1 0 −2
1 1 140 000
𝐷3 = |1 −1 10 000 | = 150 000
1 0 0
𝐷1 300 000
𝑥1 = = = 60 000
𝐷 5
𝐷2 250 000
𝑥2 = = = 50 000
𝐷 5
D3 150000
x3 = = = 30000
D 5

4. Hay una única parábola de la forma 𝑦 = 𝑎𝑥 2 + 𝑏𝑥 + 𝑐 que pasa por los puntos
(−2, −20), (3, −10) ∧ (5, −62). Encuentre dicha parábola.

SOLUCIÓN

𝑥 = −2, 𝑦 = −20

−20 = 𝑎(−2)2 + 𝑏(−2) + 𝑐 → 4𝑎 − 2𝑏 + 𝑐 = −20 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 1

 Modelos Lineales

184
x = 3, y = −10

−10 = 𝑎(3)2 + 𝑏(3) + 𝑐 → 9𝑎 + 3𝑏 + 𝑐 = −10 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 2

x = 5 y = −62

−62 = 𝑎(5)2 + 𝑏(5) + 𝑐 → 25𝑎 + 5𝑏 + 𝑐 = −62 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 3

Para determinar la parábola se debe plantear y solucionar el sistema de ecuaciones:

4𝑎 − 2𝑏 + 𝑐 = −20

9𝑎 + 3𝑏 + 𝑐 = −10

25𝑎 + 5𝑏 + 𝑐 = −62

Utilizando determinantes:

4 −2 1
𝐷=|9 3 1| = −70
25 5 1
−20 −2 1
𝐷1 = |−10 3 1| = 280
−62 5 1
4 −20 1
𝐷2 = | 9 −10 1| = −420
25 −62 1
4 −2 −20
𝐷3 = | 9 3 −10| = −560
25 5 −62
𝐷1 280 𝐷2 −420 𝐷3 −560
𝑎= = = −4 𝑏= = =6 𝑐= = =8
𝐷 −70 𝐷 −70 𝐷 −70

La parábola es: 𝑦 = −4𝑥 2 + 6𝑥 + 8

5. Una fábrica dispone de tres máquinas para producir tres artículos A, B y C. Para producir
una unidad del artículo A se requiere utilizar la máquina I dos horas, la máquina II una hora
30 minutos, la máquina III 30 minutos. Para producir una unidad del artículo B se necesita
Hora y media, 3 horas y 4 horas en cada máquina respectivamente. Para una unidad del
artículo C se requiere el utilizar las maquinas I, II y III; 2 horas, 30 minutos y 3 horas
respectivamente.
 Modelos Lineales

185
Se sabe que la máquina I se encuentra disponible al mes 122 horas y 30 minutos, la máquina II
100 horas y la máquina III está disponible 135 horas.

SOLUCIÓN

Sea: 𝑥1 es el número de unidades a producir del artículo A, 𝑥2 es el número de unidades a producir

del artículo B y 𝑥3 es el número de unidades a producir del artículo C.

Para determinar el número de unidades de cada artículo a fabricar cada mes de tal manera que
las máquinas sean utilizadas totalmente.

El sistema de ecuaciones que se debe plantear es:

2𝑥1 + 1.5𝑥2 + 2𝑥3 = 122.5

1.5𝑥1 + 3𝑥2 + 0.5𝑥3 = 100
0.5𝑥1 + 4𝑥2 + 3𝑥3 = 135
SOLUCIÓN DEL SISTEMA

2 1.5 2
𝐷 = |1.5 3 0.5| = 16.625
0.5 4 3
122.5 1.5 2
𝐷1 = | 100 3 0.5| = 498.75
135 4 3
2 122.5 2
𝐷2 = |1.5 100 0.5| = 249.375
0.5 135 3
2 1.5 122.5
𝐷3 = |1.5 3 100 | = 332.5
0.5 4 135
𝐷1 498.75 𝐷2 249.375 𝐷3 332.5
𝑥1 = = = 30 𝑥2 = = = 15 𝑥3 = = = 20
𝐷 16.625 𝐷 16.625 𝐷 16.625

3.4.2 EJERCICIOS DE ENTRENAMIENTO

Escriba la forma matricial del siguiente sistema de ecuaciones lineales:
 Modelos Lineales

186
4 x1 − 7 x 2 + x5 − 7 x6 + 9 x7 = 8
3 x1 + 5 x 2 + x3 − x 4 = 45
x3 − 6 x 4 + 4 x5 + x 6 − 34 x7 = 22
− 7 x1 + 5 x3 + 16 x 4 − x7 = 2
6 x 2 + x3 − x 4 + x5 − 23x6 + x7 = 50

Solucione el siguiente sistema de ecuaciones utilizando dos métodos diferentes:

3x + 6 y − 2 z + w = 34
6 x − 5 y + z + 5w = −12
9 x + 7 y + 8 z + 3w = 25
6 y − 11z + 4w = 100

Solucione el siguiente problema planteando sistemas de ecuaciones lineales y utilizando

cualquiera de los métodos matriciales vistos.

Una fábrica produce 4 artículos A, B, C y D.

La producción de la fábrica en el mes de diciembre de 30 unidades del artículo A, 10 del artículo

B, 60 del artículo C y 45 unidades del artículo D. En enero, la producción fue de 50, 15, 35 y 5
respectivamente. En febrero la producción fue de 100 artículos de A, 30 artículos de B, ninguno
del artículo C y 50 unidades del artículo D. En marzo la producción fue de 5 unidades de A, 20 de
B, la cantidad producida de C fue el doble de la de B y 50 unidades del artículo D.

Si los costos de producción en cada mes fueron de: Diciembre $ 230000, enero de $ 210000,
febrero de $ 355000 y en marzo de $ 190000. Determine el costo de producir una unidad de cada
artículo.

Actividad.

Para solucionar los siguientes problemas utilice las técnicas matriciales vistas en clase.

 6 x1 − 7 x 2 − x3 = 17

 8 x1 − 3x 2 + 5 x3 = 14
12 x − 2 x − 3x = 10
 1 2 3

 3x1 − 6 x 2 + 6 x3 = 15

− 2 x1 + 15x 2 + 4 x3 = 30
− 3x + 8 x − 6 x = −48
 1 2 3
 Modelos Lineales

187
 3x1 + 11x 2 − 5 x3 = 67

 2 x1 − 3 x 2 + 15x3 = 24
3x + 2 x + 13x = 118
 1 2 3

 x − 3 y + 4 z − 5w = 28
 x − y − 2 z + 3w = 13


 x − 5 y + 5 z − 2w = −11

2 x + 7 y + 4 z − 6w = −32

 x − 7 y + 6 z − 3w = 30
 x − 18 y − 4 z − 5w = 56


 − 3x − 2 y + 3w = −96
4 x − 7 y + 31z − 10w = 220

Una concesión del gobierno de US $ 1’360000 se dividió entre 100 científicos de tres grupos de
investigación A, B C. Cada científico del grupo de investigación A recibió US $ 20000, cada
científico de B recibió US $ 8000 y cada científico de C recibió US $ 10000. El grupo de
investigación A recibió cinco veces los fondos del grupo de investigación B. ¿Cuántos científicos
pertenecen a cada grupo?

Entre A, B y C tienen 22 mil pesos. La suma de lo que tiene A con lo que tiene B menos lo que
tiene C es 2 mil pesos. El doble de lo que tiene C supera en 8 mil pesos lo que tienen A y B juntos.
¿Cuánto dinero tiene cada uno? 5, 7 y 10 mil pesos.

5 kilos de azúcar, 3 de café y 4 de frijoles cuestan $ 1.18. 4 de azúcar, 5 de café y 3 de frijoles

cuestan $1.45. 2 de azúcar, 1 de café y 2 de frijoles cuestan 46 cts. Halle el precio de un kilo de
cada mercancía. R: 600, 2000 y 700.

Una gaseosa, 1 paquete de pan y una bolsa de mecato cuestan $ 7700. 3 gaseosas, 2 paquetes de
pan y una bolsa de mecato cuestan $ 11 000. 4 gaseosas, un paquete de pan y dos bolsas de
mecato cuestan $ 16 100. Determine el costo de una gaseosa, un paquete de pan y de una bolsa
de mecato. R: $ 1 000, 1 300 y 5 400.

La suma de los tres ángulos de un triángulo es 180º, el mayor excede al menor en 35º y el menor
excede en 20º a la diferencia entre el mayor y el mediano. Halle los tres ángulos. R: 80º, 55º y
45º.

La parábola y = ax 2 + bx + c pasa por los puntos (1, 10), (− 1, 12)  (2, 18) . Halle a, b y c.
 Modelos Lineales

188
Un fabricante produce tres artículos A, B y C. La utilidad por cada unidad vendida de A, B y C es
uno, dos y tres dólares, respectivamente. Los costos fijos son de $ 17000 por año y los costos de
producción por cada unidad son $ 4, $ 5 y $ 7, respectivamente. El año siguiente serán producidas
y vendidas un total de 11000 unidades entre los tres productos y se obtendrá una utilidad de $
25000. Si el costo total será de $ 80000, ¿Cuántas unidades de cada producto deben producirse
el año siguiente? R: 2000, 4000 y 5000.

Una empresa elabora tres productos A, B y C, los cuales pueden procesarse en tres máquinas I, II
y III. Una unidad de A requiere 4, 5 y 6 horas de procesamiento en las máquinas, mientras cada
unidad de B requiere 3, 5 y 5 horas de procesamiento y una unidad de C requiere 2, 4 y 6 horas
en la máquina. Se dispone de las máquinas I, II y III, por 500, 800 y 1.000 horas, respectivamente,
¿cuánta unidad de cada producto puede elaborarse usando todo el tiempo disponible de las
máquinas?

1 1
Un hombre tiene 110 animales entre vacas, caballos y terneros, del número de vacas más
8 9
1
del número de caballos más del número de terneros equivalen a 15, y la suma del número de
5
terneros con el de vacas es 65. ¿Cuántos animales de cada clase tiene?

En un triángulo la suma del ángulo mayor con el mediano es 1350 y la suma del mediano y el
menor es 1100 . Halle los ángulos.

Las edades de tres personas suman 45 años, la suma de las dos primeras equivale al doble de la
tercera. La diferencia entre la primera y la tercera equivale a un medio de la segunda. Determine
la edad de cada persona. R: 20, 10, 15.

Encuentre una parábola de la forma y = ax 2 + bx + c que pase por los puntos

(5, − 3), (− 3, 8)  (1, 1) .

Encuentre un polinomio de la forma y = Ax 3 + Ax 2 + Bx + C que pase por los puntos:

(2,5), (− 3,10) y (8,−2)

Encuentre un polinomio de la forma: y = Ax 4 + 8x 2 + Bx + C que pase por los puntos

(1,25), (− 5,12) y (6,0)

Encuentre el polinomio de la forma y = 4 x 4 + Ax 3 + Bx 2 + Cx + 20 que pase por los puntos

(10,−10), (5,25) y (− 3,48) No referenciar.
Si A le da a C $ 1, ambos quedan con lo mismo. Si B tuviera $ 1 menos, tendría lo mismo que C. Si
A tuviera $ 5 más, tendría tanto como el doble de lo que tiene C. ¿Cuánto tienen cada uno?
 Modelos Lineales

189
SOLUCIÓN

Sean:

𝑥1 : Cantidad de dinero que tiene A

𝑥2 : Cantidad de dinero que tiene B

𝑥3 : Cantidad de dinero que tiene C.

Si A le da a C $ 1 millón, ambos tienen lo mismo.

A queda con: 𝑥1 − 1

C queda con: 𝑥2 + 1

La ecuación a plantear es:

𝑥1 − 1 = 𝑥2 + 1

La ecuación N°1 queda:

𝑥1 − 𝑥2 = 2

Si B tuviera $ 1 millón menos, tendría lo mismo que C.

La ecuación a plantear es:

𝑥2 − 1 = 𝑥3

La ecuación N°2 queda:

𝑥2 − 𝑥3 = 1

Si A tuviera $ 5 millones más, tendría tanto como el doble de lo que tiene C

La ecuación a plantear es:

𝑥1 + 5 = 2𝑥3

La ecuación N°3 queda:

𝑥1 − 2𝑥3 = −5

El sistema a resolver es:

 Modelos Lineales

190
𝑥1 − 𝑥2 = 2

𝑥2 − 𝑥3 = 1

𝑥1 − 2𝑥3 = −5

SOLUCIÓN DEL SISTEMA:

1 −1 0
𝐷 = |0 1 −1| = −1
1 0 −2
2 −1 0
𝐷1 = | 1 1 −1| = −11
−5 0 −2
1 2 0
𝐷2 = |0 1 −1| = −9
1 −5 −2
1 −1 2
𝐷3 = |0 1 1 | = −8
1 0 −5
−11
𝑥1 = = 11
−1
−9
𝑥2 = =9
−1
−8
𝑥3 = =8
−1
 Modelos Lineales

191
4 UNIDAD 4 ESPACIOS Y SUBESPACIOS VECTORIALES
https://aga.frba.utn.edu.ar/espacios-y-subespacios-vectoriales

4.1.1 OBJETIVO GENERAL

➢ Reconocer un espacio vectorial (espacio lineal) como una estructura algebraica creada,
partiendo de un conjunto no vacío, una operación interna (llamada suma, definida para los
elementos del conjunto) y una operación externa (llamada producto por un escalar, definida
entre dicho conjunto y otro conjunto, con estructura de cuerpo), con 8 propiedades
fundamentales.

4.1.2 OBJETIVOS ESPECÍFICOS

➢ Reconocer un espacio vectorial (o espacio lineal) como una estructura algebraica creada
partiendo de un conjunto no vacío, una operación interna (llamada suma, definida para
los elementos del conjunto) y una operación externa (llamada producto por un escalar,
definida entre dicho conjunto y otro conjunto, con estructura de cuerpo).

➢ Definir un Subespacio Vectorial como una estructura dentro de un espacio vectorial.

➢ Definir la Base y la dimensión de un espacio (subespacio) vectorial.

4.2 TEMA 1 ESPACIO Y SUBESPACIOS VECTORIALES

Este tema está orientado a proporcionar un tratamiento riguroso y abstracto del concepto de
espacio vectorial. Para una introducción más accesible al concepto.

Los espacios vectoriales tienen aplicaciones en otras ramas de la matemática, la ciencia y la

ingeniería. Se utilizan en métodos como las series de Fourier, que se utiliza en las rutinas
modernas de compresión de imágenes y sonido, o proporcionan el marco para resolver
ecuaciones en derivadas parciales. Además, los espacios vectoriales proporcionan una forma
abstracta libre de coordenadas de tratar con objetos geométricos y físicos, tales como tensores,
que a su vez permiten estudiar las propiedades locales de variedades mediante técnicas de
linealización.
 Modelos Lineales

192

Representación artística de un espacio vectorial.

En álgebra abstracta, un espacio vectorial es una estructura algebraica creada a partir de:
▪ Un conjunto no vacío,
▪ Una operación interna (llamada suma, definida para los elementos del
conjunto), y
▪ Una operación externa (llamada producto por un escalar, definida entre dicho
conjunto y otro conjunto, con estructura de cuerpo),
▪ Con 10 propiedades fundamentales.

▪ A los elementos de un espacio vectorial se les llama vectores, y

▪ A los elementos del cuerpo, escalares.
Redefiniendo se tiene que:

Un espacio vectorial es 𝒖𝒏 𝒄𝒐𝒏𝒋𝒖𝒏𝒕𝒐 𝒏𝒐 𝒗𝒂𝒄í𝒐 𝑽 de objetos, llamados vectores, en el que se

han definido dos operaciones: 𝒍𝒂 𝒔𝒖𝒎𝒂 y 𝒆𝒍 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐 𝒑𝒐𝒓 𝒖𝒏 𝒆𝒔𝒄𝒂𝒍𝒂𝒓 (número real)
sujetas a diez axiomas.

o Axiomas.
Los axiomas deben ser válidos para todos los vectores 𝒖, 𝒗 𝒚 𝒘 𝒆𝒏 𝑽 y todos los
escalares 𝜶 𝒚 𝜷 𝒓𝒆𝒂𝒍𝒆𝒔.
 Modelos Lineales

193
Se llama 𝒖+ 𝒗 a la suma de vectores en 𝑽, y 𝜶𝒗 al producto de un número real 𝜶 por un
vector 𝒗 ∈ 𝑽.

𝟏. 𝒖 + 𝒗 ∈ 𝑽

2. 𝑢 + 𝑣 = 𝑣 + 𝑢 (propiedad conmutativa)
3. 𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤) (propiedad asociativa)
(
4. Existe un vector nulo 0𝑣 ∈ 𝑉∈ tal que 𝑣 + 0𝑣 = 𝑣 (elemento neutro)
5. Para cada 𝑣 en 𝑉 , existe un opuesto (– 𝑣) ∈ 𝑉 tal que 𝑣 + (– 𝑣) = 0𝑣

(elemento opuesto)

6. 𝜶𝒗 ∈ 𝑽

7. 𝛼(𝑢 + 𝑣) = 𝛼𝑢 + 𝛼𝑣 (propiedad distributiva respecto de la suma vectorial)

8. (𝛼 + 𝛽)𝑣 = 𝛼𝑣 + 𝛽𝑣 (propiedad distributiva respecto de la suma escalar)
9. 𝛼(𝛽𝑣) = (𝛼𝛽)𝑣 (propiedad asociativa)
10. 1𝑣 = 𝑣 (elemento neutro)

Nota: En la definición anterior, cuando se menciona la palabra «escalares» nos referimos a

números reales. En este caso, se dice que 𝑽 es un espacio vectorial real.

También es posible que los escalares pertenezcan a otro conjunto numérico, por ejemplo, a los
números complejos.

ESPACIOS VECTORIALES

1) Vectores
2) Vectores unitarios
3) R2, R3 yRn
4) Combinaciones lineales
5) Espacios vectoriales
6) Subespacio y espacio generado
7) Independencia lineal
8) Bases
 Modelos Lineales

194
9) Bases ortonominales
10) Aplicaciones

https://image.slidesharecdn.com/espaciosvectoriales-170729202627/95/espacios-vectorialesg2017-6-
638.jpg?cb=1501360045
 Modelos Lineales

195

https://www.monografias.com/docs115/espacios-vectoriales/img15.png

https://image.slidesharecdn.com/espacios-vectoriales-120815203013-phpapp01/95/espacios-vectoriales-
12-728.jpg?cb=1345063666
 Modelos Lineales

196

https://www.matematicasbachiller.com/img-videos/01-espacio-vectorial-real1302173701.png

https://slideplayer.es/slide/1023185/2/images/17/EJEMPLOS+DE+ESPACIOS+VECTORIALES.jpg
 Modelos Lineales

197

4.2.1 EJERCICIOS DE APRENDIZAJE

1. De acuerdo con las propiedades vistas en la primera parte de este tema, se puede afirmar
que 𝑹𝟑 es un espacio vectorial.

Los espacios 𝑹𝒏 , con 𝒏 ≥ 𝟏, son los ejemplos principales de espacios vectoriales. La

intuición geométrica desarrollada para 𝑹𝟑 nos ayudará a entender y visualizar muchos
conceptos de este tema.

Los vectores de 𝑹𝒏 , son 𝒏 − 𝒖𝒑𝒍𝒂𝒔 de números reales, o sea:

𝑹𝒏 = {(𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 ) 𝒄𝒐𝒏 𝒙𝒊 ∈ 𝑹}

• Suma de Vectores y Producto por un escalar en 𝑹𝒏

En 𝑹𝒏 , la suma de vectores y el producto por un escalar están dados de la siguiente manera:

Dados: 𝑈 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) 𝑦 𝑉 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) ∈ 𝑅 𝑛

▪ La suma de estos vectores estaría dada por:

𝑈 = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … , 𝑢𝑛 + 𝑣𝑛 ) ∈ 𝑅 𝑛

▪ El producto por un escalar, sería:

𝛼𝑉 = (𝛼𝑣1 , 𝛼𝑣2 , … , 𝛼𝑣𝑛 ) ∈ 𝑅 𝑛

 Modelos Lineales

198
Nota: Las operaciones así definidas cumplen con los axiomas de espacio vectorial.

------------------------------------------------------------------------
2. De acuerdo con las propiedades enunciadas en la segunda unidad, para cada

𝒎 𝒚 𝒏, 𝑹𝒎×𝒏 es un espacio vectorial.

Por ejemplo, 𝑹𝟐×𝟑 , espacio vectorial cuyos vectores son las matrices de orden 2 × 3

----------------------------------------------------------------------

3. Sea 𝑷𝟐 al conjunto de polinomios de grado menor o igual que 2, incluyendo el

polinomio nulo.

Revisando la suma de polinomios y la multiplicación por un escalar, se tiene que:

Dados:

𝑝(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 ∈ 𝑃2 y 𝑞(𝑥) = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2 ∈ 𝑃2

Las operaciones quedarían definidas así:

(𝑝 + 𝑞)𝑥 = 𝑝(𝑥) + 𝑞(𝑥) = (𝑎0 + 𝑏0 ) + (𝑎1 + 𝑏1 )𝑥 + (𝑎2 + 𝑏2 )𝑥 2 ∈ 𝑃2

(𝛼𝑝)(𝑥) = 𝛼𝑝(𝑥) = (𝛼𝑎0 ) + (𝛼𝑎1 )𝑥 + (𝛼𝑎2 )𝑥 2 ∈ 𝑃2

Nota: Estas operaciones verifican todos los axiomas de espacio vectorial.

➢ En particular, el vector nulo en este espacio es el 𝒑𝒐𝒍𝒊𝒏𝒐𝒎𝒊𝒐 𝒏𝒖𝒍𝒐, es decir el polinomio

cuyos coeficientes son todos iguales a cero.
 Modelos Lineales

199
➢ En general, para cualquier 𝒏 ≥ 𝟎, el conjunto 𝑷𝒏 de todos los polinomios de
grado 𝒎𝒆𝒏𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 𝒏 (incluyendo el polinomio nulo) es
𝒖𝒏 𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍.

Tenga siempre presente:

¿Por qué no se define 𝑷𝒏 como el conjunto de polinomios de grado exactamente igual a 𝒏?

Si se definiera así, no sería, entonces, un espacio vectorial.

Por ejemplo:

Dados 𝑝(𝑥) = 𝑥 2 𝑦 𝑞(𝑥) = −𝑥 2 + 1, polinomios de segundo grado, pero al sumarlos se obtiene

un polinomio de grado cero.

Por lo tanto, no se verificaría el primer axioma de Espacio Vectorial (Recuerde: La suma de

vectores de un espacio vectorial 𝑽 debe estar en 𝑽).

• PROPIEDADES DE LOS ESPACIOS VECTORIALES

A partir de los axiomas de espacios vectoriales, pueden demostrarse estas propiedades que
resultan «naturales»:

PROPIEDAD 1

0𝑢 = 0𝑉

PROPIEDAD 2

𝛼0𝑉 = 0𝑉

PROPIEDAD 3

(– 𝛼)𝑢 =– (𝛼𝑢)
 Modelos Lineales

200
En particular, para 𝛼 = 1: (– 1)𝑢 =– 𝑢

PROPIEDAD 4

𝛼𝑢 = 0𝑉 ⇒ 𝛼 = 0 ∨ 𝑢 = 0𝑉
Veamos cómo puede demostrarse esta última propiedad:

Si 𝛼 = 0, se cumple la proposición.

Si 𝛼 ≠ 0, podemos multiplicar por 1/𝛼:

𝛼𝑢 = 0𝑉 ⇒ 𝑢 = 1/𝛼 𝛼𝑢 = 1/𝛼0𝑉 ⇒ 𝑢 = 0𝑉
Lo que se quería demostrar.

4.3 TEMA 2 SUBESPACIOS VECTORIALES

Definición:

Sea 𝑽 un espacio vectorial y 𝑾 un subconjunto no vacío de 𝑉 .

𝑾 es un subespacio de 𝑽 si 𝑾 es en sí mismo un espacio vectorial con las mismas operaciones

(suma de vectores y producto por un escalar) definidas en 𝑽.

4.3.1 EJERCICIO DE APRENDIZAJE

Sí 𝑊 = {(𝑥1 , 𝑥2 ) ∈ 𝑅 2 : 𝑥2 = 3𝑥1 }, demostrar que 𝑅 2 es un subespacio vectorial.

Primero, se analiza el conjunto W.

Son todos vectores de 𝑅 2 tales que, la segunda componente es el triple de la primera, esto es:

(𝑥1 , 3𝑥1 ) = 𝑥1 (1, 3)

𝑊 es la recta que pasa por el origen y tiene 𝒗𝒆𝒄𝒕𝒐𝒓 𝒅𝒊𝒓𝒆𝒄𝒕𝒐𝒓 (𝟏, 𝟑), o sea la recta con la
ecuación:
 Modelos Lineales

201
𝒚 = 𝟑𝒙.

Para decidir si 𝑾 es un subespacio de 𝑹𝟐 habría que verificar que se cumplen los axiomas del 1
al 10.

Actividad: Comprobar que todos los axiomas se cumplen en este caso.

Pero en general, no es necesario verificar los axiomas porque existe un criterio sencillo para
determinar si un subconjunto 𝑊 de un espacio vectorial 𝑉 es un subespacio, y está dado a
continuación:

https://image.slidesharecdn.com/subespaciosvectoriales-100519051340-phpapp02/95/subespacios-vectoriales-1-
728.jpg?cb=1274246412
 Modelos Lineales

202

https://image.slidesharecdn.com/subespaciovectorial2-150522140023-lva1-app6892/95/subespacio-vectorial-3-
638.jpg?cb=1432303245

https://i.ytimg.com/vi/eQDg7WfXr_U/maxresdefault.jpg
 Modelos Lineales

203

https://image.slidesharecdn.com/4-1-definicion-de-espacios-y-subespacios-vectoriales1-121025003033-
phpapp02/95/4-1definiciondeespaciosysubespaciosvectoriales-1-1-638.jpg?cb=1351125081
 Modelos Lineales

204

https://image.slideserve.com/598667/subespacios-vectoriales-l.jpg

• CONDICIONES NECESARIAS Y SUFICIENTES PARA CARACTERIZAR SUBESPACIOS

Sea 𝑾 un subconjunto de un espacio vectorial 𝑽 (𝑾 ⊆ 𝑽).

𝑊 es subespacio de 𝑉 sí y sólo si se cumplen las siguientes condiciones:

a. 0𝑉 está en 𝑊 .
b. Si 𝑢 𝑦 𝑣 están en 𝑊 , entonces 𝑢 + 𝑣 está en 𝑊 .
c. Si 𝑢 está en 𝑊 𝑦 𝑘 es un escalar, 𝑘𝑢 está en 𝑊 .

➢ Observaciones
 Modelos Lineales

205
1. La condición (a) asegura que 𝑾 𝒏𝒐 𝒆𝒔 𝒗𝒂𝒄í𝒐. La mejor manera de comprobar si 𝑊 es un
subespacio, es buscar primero si contiene al 𝑣𝑒𝑐𝑡𝑜𝑟 𝑛𝑢𝑙𝑜. Si 𝟎𝒗 está en 𝑊 , entonces
deben verificarse las propiedades (b) y (c). Si 𝟎𝒗 no está en 𝑾, 𝑾 no puede ser un
subespacio y no hace falta verificar las otras propiedades.

2. Las propiedades a, b y c corresponden a los axiomas 4, 1 y 6 de espacios vectoriales.

3. Los axiomas 2, 3, 7, 8, 9 y 10 de espacio vectorial se cumplen para 𝑾 porque éste es un

subconjunto de 𝑽. Puede decirse que W «hereda» esas propiedades de 𝑽.

4. Faltaría comprobar que cada vector de 𝑾 tiene su opuesto en 𝑾 (axioma 5 de espacios

vectoriales):

Teniendo en cuenta la condición (c) de subespacios,

Si 𝑢 está en 𝑾 y 𝒌 es un escalar, 𝒌𝒖 está en 𝑾.

Si se toma 𝒌 =– 𝟏, resulta:

Para cada: 𝒖 ∈ 𝑾, (– 𝟏)𝒖 =– 𝒖 ∈ 𝑾

Y por lo tanto cada vector de 𝑊 tiene su opuesto en 𝑊 .

De las observaciones anteriores se deduce que las condiciones (a), (b) y (c) son suficientes para
demostrar que 𝑊 es un espacio vectorial, y por lo tanto subespacio de 𝑽.

• SUBESPACIOS TRIVIALES

Si 𝑽 es un espacio vectorial, entonces 𝑽 es un subespacio de sí mismo.

0𝑉 + 0𝑉 = 0𝑉 𝑦 𝑘0𝑉 = 0𝑉 para cualquier k ∈ 𝑅

Los subespacios {𝟎𝑽} 𝒚 𝑽 se denominan subespacios triviales de 𝑉 .

 Modelos Lineales

206
4.4 TEMA 3 BASES Y DIMENSIÓN DE UN ESPACIO (SUBESPACIO)
DEFINICIÓN:

Base: Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho

espacio o subespacio, que sea a la vez linealmente independiente.

PROPIEDADES DE LAS BASES.

1. Una base de S es un sistema generador de S (lo más pequeño posible). minimal

2. Además es un conjunto independiente maximal dentro de S (lo más grande posible).

3. Una base de S permite expresar todos los vectores de S como combinación lineal de ella, de
manera única para cada vector.

4.4.1 EJEMPLOS DE BASES.

1) La base canónica (o base natural, o base estándar) de 𝑅 𝑛 :

𝒆𝟏 = (𝟏, 𝟎, . . . , 𝟎)

𝒆𝟐 = (𝟎, 𝟏, . . . , 𝟎)

𝒆𝒏 = (𝟎, 𝟎, . . . , 𝟏)

- Son linealmente independientes porque forman un determinante no nulo.

- Son sistema generador de𝑅 𝑛 porque todo vector (𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒏 )∈ 𝑹𝒏 se puede

expresar como combinación lineal de ellos:

(𝒂𝟏 , 𝒂𝟐 , … 𝒂𝒏 ) = 𝒂𝟏 (𝟏, 𝟎, . . . , 𝟎) + 𝒂𝟐 (𝟎, 𝟏, . . . , 𝟎)+ . . . + 𝒂𝒏 (𝟎, 𝟎, . . . , 𝟏)

2. Otra base de 𝑹𝟑 distinta de la canónica: (𝟏, 𝟎, 𝟎), (𝟏, 𝟏, 𝟎), (𝟎, 𝟐, −𝟑).

- Son linealmente independientes porque forman un determinante no nulo.

- Son sistema generador de 𝑹𝟑 porque cualquier vector (𝒂, 𝒃, 𝒄) se puede poner como
combinación lineal de ellos.
 Modelos Lineales

207
En efecto, dado (𝒂, 𝒃, 𝒄), buscamos α, β, γ que satisfagan:

(𝒂, 𝒃, 𝒄) = 𝜶(𝟏, 𝟎, 𝟎) + (𝟏, 𝟏, 𝟎) + 𝜸 (𝟎, 𝟐, −𝟑) Se obtiene un sistema:

𝜶+ 𝜷 = 𝒂

𝜷 + 𝟐𝜸 = 𝒃

−𝟑𝜸 = 𝒄
En las incógnitas 𝜶, 𝜷, 𝜸, que es compatible determinado para cualesquier 𝒂, 𝒃, 𝒄.
𝟑
3. (1,2,3), (4,5,6), (7,8,9) en 𝑹 no forman base porque no son linealmente independientes
(su determinante es nulo).

4. Base de un subespacio.

En 𝑹𝟑 , se considera el subespacio 𝑺 = 𝒑𝒍𝒂𝒏𝒐 𝑿𝒀. Veamos que los vectores (𝟑, 𝟐, 𝟎) , (𝟏, – 𝟏, 𝟎)
forman una base de S.

- Son linealmente independientes, porque uno no es múltiplo del otro.

- Son un sistema generador de S: Dado un vector genérico de S, de la forma (𝒂, 𝒃, 𝟎), lo podemos
poner como combinación lineal 𝑑𝑒 (𝟑, 𝟐, 𝟎), (𝟏, – 𝟏, 𝟎). Para ello, buscamos α y β que cumplan:

(𝒂, 𝒃, 𝟎) = 𝜶(𝟑, 𝟐, 𝟎) + 𝜷(𝟏, – 𝟏, 𝟎) →

𝟑𝜶 + 𝜷 = 𝒂

𝟐 𝜶– 𝜷 = 𝒃

para cualesquier 𝒂, 𝒃.

5. Extender un conjunto para que forme base.

➢ ¿Es (1,0,2), (1,0, – 1) base de 𝑹𝟑 ?

- Son linealmente independientes, porque uno no es múltiplo del otro.

- Pero no son un sistema generador de 𝑹𝟑 , porque no es cierto que todo vector de 𝑹𝟑 ,

pueda ponerse como combinación lineal de ellos.
 Modelos Lineales

208
Por ejemplo, el (0,1,0) no se puede poner (resulta un sistema incompatible). Por tanto, no son
base de 𝑹𝟑 .

➢ ¿Puede obtenerse una base de 𝑹𝟑 , de algún modo?

Sí, añadiendo algún otro vector de manera que siga siendo independiente de los anteriores, por
ejemplo (0,1,0). Así el conjunto (1,0,2), (1,0, – 1), (0,1,0) es linealmente independiente, y
genera 𝑹𝟑 , por tanto, es base de 𝑹𝟑 .

6. Reducir un conjunto para que forme base.

➢ ¿Es (2,0,0), (0,3,0), (4,1,0) base de 𝑺 = 𝒑𝒍𝒂𝒏𝒐 𝑿𝒀 𝒅𝒆 𝑹𝟑 ?

- Son un sistema generador de S, pero son independientes (su determinante es nulo).

Por lo tanto, no son base de S.

➢ ¿Puede obtenerse una base de S de algún modo?

Sí. Estos tres vectores tienen rango 2, por lo tanto, uno de ellos es combinación lineal de los demás
y puede suprimirse: por ejemplo, suprimimos (𝟒, 𝟏, 𝟎), ya que al quitarlo no baja el rango.
(También podría quitarse cualquiera de los otros dos). Los restantes vectores (𝟐, 𝟎, 𝟎), (𝟎, 𝟑, 𝟎)
siguen generando el mismo subespacio 𝑺 y son independientes. Son, por lo tanto, base de S.

Dimensión

Teorema y definición:

Todas las bases de un mismo espacio o subespacio tienen el mismo número de vectores. Se llama
dimensión de dicho espacio o subespacio.

Por tanto, la dimensión es el máximo número de vectores independientes que podemos tener en
el espacio o subespacio. En otras palabras, es el máximo rango que puede tener un conjunto de
vectores de dicho espacio

Es también el rango de cualquier sistema generador de dicho espacio.

 Modelos Lineales

209
4.4.2 EJEMPLOS DE DIMENSIÓN.

1. 𝑹𝒏 tiene 𝒅𝒊𝒎𝒆𝒏𝒔𝒊ó𝒏 𝒏, pues tiene una base de 𝒏 𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒐𝒔 (p.ej. la canónica).

2. 𝑴𝟐×𝟐 = {matrices 2x2 con términos reales} tiene dimensión 4}.

Una base de𝑴𝟐×𝟐 es:

𝟏 𝟎 𝟎 𝟏 𝟎 𝟎 𝟎 𝟎
[ ],[ ],[ ],[ ]
𝟎 𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟏
2. 𝑷𝟐 {𝒑𝒐𝒍𝒊𝒏𝒐𝒎𝒊𝒐𝒔 𝒅𝒆 𝒈𝒓𝒂𝒅𝒐 𝟐 𝒄𝒐𝒏 𝒄𝒐𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆𝒔 𝒓𝒆𝒂𝒍𝒆𝒔} tiene dimensión 3. Una
base de

𝑷 ≤ 𝟐 es, por ejemplo, la formada por los tres polinomios siguientes:

𝟏 + 𝟎𝒙 + 𝟎𝒙𝟐

𝟎 + 𝒙 + 𝟎𝒙𝟐

𝟎 + 𝟎𝒙 + 𝒙𝟐
Es decir, los polinomios:

𝟏, 𝒙, 𝒙𝟐
Otra base estaría dada por los siguientes polinomios:

𝟏 + 𝟐𝒙 + 𝟑𝒙𝟐

𝟒 + 𝒙𝟐

𝟑 − 𝒙 − 𝟓𝒙𝟐
• Propiedades de la dimensión.

1. Significado físico de la dimensión:

▪ El espacio tiene dimensión 3,

▪ Los planos dimensión 2

 Modelos Lineales

210
▪ Las rectas dimensión 1,

▪ El punto dimensión 0.

Nota: El subespacio {0} es el único de dimensión 0.

2. La dimensión de un subespacio en 𝑹𝒏 :

Coincide con el número de parámetros libres en su forma paramétrica.

𝟏 𝒑𝒂𝒓á𝒎𝒆𝒕𝒓𝒐 = 𝒓𝒆𝒄𝒕𝒂,

𝟐 𝒑𝒂𝒓á𝒎𝒆𝒕𝒓𝒐𝒔 = 𝒑𝒍𝒂𝒏𝒐. . . )

3. Si S y T son subespacios y S está contenido en T:

Entonces: 𝒅𝒊𝒎 𝑺 ≤ 𝒅𝒊𝒎 𝑻.

Además, si se da la igualdad, 𝒅𝒊𝒎 𝑺 = 𝒅𝒊𝒎 𝑻, entonces ambos espacios han de coincidir.

4. El rango de una familia de vectores, es igual a la dimensión del subespacio

que generan.

Es decir: si 𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 generan un cierto 𝒔𝒖𝒃𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝑺, y si el rango de dicho conjunto

es 𝒓, entonces 𝒅𝒊𝒎 𝑺 = 𝒓.

Nota: Si un cierto conjunto de vectores tiene rango 2, entonces generan un

plano; entre otros.
Ejemplo:

En 𝑹𝟑 , sea S el subespacio generado por: (𝟏, 𝟎, 𝟐), (𝟎, – 𝟏, – 𝟐), (𝟑, 𝟑, 𝟑), (𝟐, 𝟐, 𝟎). Observamos
que el rango de este conjunto (igual al rango de la matriz que forman, por filas o por columnas)
es 𝟑. Así por la propiedad 4, tenemos que 𝒅𝒊𝒎 𝑺 = 𝟑.

Pero como estamos en 𝑹𝟑 , por la propiedad 3 ha de ser 𝑺 = 𝑹𝟑 .

 Modelos Lineales

211
4.4.3 TEOREMAS
• TEOREMA 1:

Sea S un espacio o subespacio de dimensión m. Entonces,

▪ Si tenemos 𝒎 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 linealmente independientes en 𝑺, también serán sistema

generador de 𝑺.

▪ Si tenemos 𝒎 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 que generan 𝑺, también serán linealmente independientes.

Entonces, si tenemos un conjunto formado por tantos vectores como indica la dimensión, dichos
vectores serán a la vez:

✓ Linealmente independientes y sistema generador, o bien

✓ Ninguna de las dos cosas.

Así pues, para probar que son base, bastaría probar solamente una de las dos cosas: que son
linealmente independientes, o que son sistema generador. Esto solamente se puede aplicar
cuando conocemos la dimensión del espacio y cuando tenemos tantos vectores como indica la
dimensión.

• TEOREMA 2.

Nota: En un espacio o subespacio de 𝒅𝒊𝒎𝒆𝒏𝒔𝒊ó𝒏 𝒎:

▪ Un conjunto de 𝒎á𝒔 𝒅𝒆 𝒎 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 nunca puede ser linealmente independiente.

▪ Un conjunto de 𝒎𝒆𝒏𝒐𝒔 𝒅𝒆 𝒎 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 nunca puede ser sistema generador.

Por ejemplo:

✓ 3 vectores en 𝑹𝟐 podrán ser o no sistema generador de 𝑹𝟐 , pero nunca podrán ser

linealmente independientes.

✓ De la misma manera, 2 vectores en 𝑹𝟑 podrán ser linealmente independientes o no, pero

nunca serán sistema generador de 𝑹𝟑 (aunque sí podrán serlo de un subespacio más
pequeño).
 Modelos Lineales

212
4.4.4 EJERCICIOS DE APRENDIZAJE
1. Dado el conjunto 𝑊 = {(𝑥, 𝑦) ∈ 𝑅 2 |𝑥𝑦 = 0}

Determinar si es un subespacio 𝑅 2 .

Procedimiento:

▪ Se cumple (a) pues (0,0) ∈ 𝑊

▪ No se cumple (b) porque la suma de dos vectores de 𝑊 puede no estar en 𝑊 por
ejemplo:

(1,0) + (0,1) = (1,1) ∉ 𝑊

Por lo tanto, 𝑊 no es un subespacio de 𝑅 2 .

----------------------------------------------------------------------------
Dado el conjunto 𝑊 = {(𝑥, 𝑦) ∈ 𝑅 2 |𝑥 = 0}. Es decir, la recta de ecuación 𝑥 = 0.
 Modelos Lineales

213
Determinar si es un subespacio de 𝑅 2 .

Procedimiento:

▪ Se cumple (a) pues (0,0) ∈ 𝑊

▪ Se cumple (b) pues la suma de dos vectores de 𝑊 , está en 𝑊 :

(0, 𝑦1) + (0, 𝑦2) = (0, 𝑦1 + 𝑦2)

▪ Se cumple (c) pues el producto de un vector de 𝑊 por un número real está en 𝑊:

𝑘(0, 𝑦) = (0, 𝑘𝑦)

Por lo tanto, W es subespacio de 𝑅 2 .

----------------------------------------------------------------------------
Dado el conjunto 𝑊 = {(𝑥, 𝑦) ∈ 𝑅 2 |𝑥 2 − 𝑦 2 = 0}.

2
Determinar si es un subespacio de 𝑅 .

Procedimiento:

𝒙𝟐 − 𝒚𝟐 = 𝟎 ⟺ 𝒚 = 𝒙 ∨ 𝒙 = −𝒚

▪ Se cumple (a) pues (𝟎, 𝟎) ∈ 𝑾

▪ No se cumple (b) porque la suma de dos vectores de 𝑊 puede no estar en 𝑊, por
ejemplo:

(1,1) + (1, – 1) = (2,0) ∉ 𝑊

Por lo tanto, W no es un subespacio de 𝑅 2 .

 Modelos Lineales

214
------------------------------------------------------------------------4.
Dado el conjunto 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ 𝑅 3 |𝑥 + 𝑦 + 2𝑧 = 0}, es decir, un plano que pasa por el
origen.

Determinar si es un subespacio de 𝑅 3 .

Procedimiento:

▪ De la ecuación del plano se deduce que: 𝒙 =– 𝒚– 𝟐𝒛

▪ Por lo tanto, los vectores que pertenecen a 𝑊 responden a la forma:

(– 𝑦– 2𝑧, 𝑦, 𝑧)(– 𝑦– 2𝑧, 𝑦, 𝑧) 𝑐𝑜𝑛 𝑦, 𝑧 ∈ 𝑅.

➢ Se cumple (a) pues:

(𝟎, 𝟎, 𝟎) ∈ 𝑾

➢ Se cumple (b) pues la suma de dos vectores del plano, sigue estando en ese plano:

(– 𝒚– 𝟐𝒛, 𝒚, 𝒛) + (−𝒚′– 𝟐𝒛′, 𝒚′, 𝒛′) = (– (𝒚 + 𝒚′)– 𝟐(𝒛 + 𝒛′), 𝒚

➢ Se cumple (c) pues:

𝑘(– 𝑦– 2𝑧, 𝑦, 𝑧) = (– 𝑘𝑦– 2𝑘𝑧, 𝑘𝑦, 𝑘𝑧) ∈ 𝑊𝑘

Por lo tanto: 𝑊 es subespacio de 𝑅 3 .

----------------------------------------------------------------------------
Dado el conjunto 𝑊 = {𝑝 ∈ 𝑃2 |𝑝(0) = 0}
 Modelos Lineales

215
Es decir, los polinomios de grado menor o igual que 2 (incluyendo el polinomio nulo) tales que
evaluados en 0 dan por resultado 0. ¿Es un subespacio de 𝑃2 ?

Procedimiento:

▪ Se cumple (a) pues el polinomio nulo pertenece a 𝑊.

Recordando la definición de suma de funciones y de producto de un real por una función:

− (𝑓 + 𝑔)(𝑥) = 𝑓(𝑥) + 𝑔(𝑥)(para todo 𝑥 perteneciente al dominio de 𝑓 y de 𝑔.

− (𝑘𝑓)(𝑥) = 𝑘𝑓(𝑥) para todo 𝑥 perteneciente al dominio de 𝑓.

Los polinomios son funciones, por lo tanto, si consideramos 𝑝, 𝑞 ∈ 𝑊 , resulta:

(𝑝 + 𝑞)(0) = 𝑝(0) + 𝑞(0) = 0 + 0 = 0 ⇒

𝑝 + 𝑞 ∈ 𝑊 (𝑘𝑝)(0) = 𝑘. 𝑝(0) = 𝑘0 = 0 ⇒ 𝑘𝑝 ∈ 𝑊

Por lo tanto, 𝑊 es un subespacio de 𝑃2 .

----------------------------------------------------------------------------
6. Dado el conjunto 𝑊 = {𝐴 ∈ 𝑅 2×2 |𝐴 = 𝐴𝑡 }. Es decir, el conjunto de matrices simétricas
de 2 × 2.

Procedimiento:

▪ Se cumple (a) porque la matriz nula pertenece a 𝑊.

▪ Se cumple (b) pues si 𝐴, 𝐵 ∈ 𝑊, entonces:

(𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵𝑡 = 𝐴 + 𝐵, luego (𝐴 + 𝐵) ∈ 𝑊

𝑡
▪ Se cumple (c) pues si 𝐴 ∈ 𝑊 entonces (𝑘𝐴)𝑡 =𝑘𝐴 = 𝑘𝐴, luego (𝑘𝐴) ∈ 𝑊
 Modelos Lineales

216
Se demuestra así que el conjunto de matrices simétricas de 2 × 2 es un subespacio de 𝑅 2×2 .

Nota: En la comprobación de las condiciones (a), (b) y (c) no fue necesario hacer referencia al
tamaño de las matrices. Esto significa que es válido para matrices simétricas de 𝑛 × 𝑛.

----------------------------------------------------------------------------
7. Consideremos el conjunto 𝑊 = {𝐴 ∈ 𝑅 2×2 |𝑑𝑒𝑡(𝐴) = 0}.

Determinar si es un subespacio de 𝑅 2×2 .

Procedimiento:

▪ Se cumple (a) porque la matriz nula pertenece a 𝑊 .

En general, 𝒅𝒆𝒕(𝑨 + 𝑩) ≠ 𝒅𝒆𝒕(𝑨) + 𝒅𝒆𝒕(𝑩), podría ocurrir que 𝑨, 𝑩 ∈ 𝑾, pero que 𝑨 +

𝑩 ∉ 𝑾.
Por ejemplo:

𝟏 −𝟑 𝟎 𝟎
𝑨=| |,𝑩 = | |
−𝟏 𝟑 −𝟐 𝟓

𝟏 −𝟑
𝑨+𝑩=| |
−𝟑 𝟖

▪ Entonces, no se cumple (b), por lo tanto:

𝑊 no es un subespacio de 𝑅2×2 .

➢ En general, los subespacios de 𝑹𝟐 , 𝑹𝟑 :

 Modelos Lineales

217
Después de estos ejercicios se puede resumir cuales son los diferentes tipos de subespacios
de 𝑹𝟐 𝒚 𝑹𝟑 :

SUBESPACIOS DE 𝑹𝟐 SUBESPACIOS DE 𝑹𝟑

{(𝟎, 𝟎)} {(0, 0, 0)}

Rectas que pasan por el origen Rectas que pasan por el origen

𝑹𝟐 (como subespacio de sí mismo. 𝑅3 (como subespacio de sí mismo.

No hay ninguna otra clase de subespacios en 𝑹𝟐 y 𝑹𝟑 .

4.4.5 TALLER DE ENTRENAMIENTO

1. Determinar el valor de 𝑥 para que 𝑒𝑙 𝑣𝑒𝑐𝑡𝑜𝑟 (1, 𝑥, 5) ∈ 𝑅 3 pertenezca al subespacio
{ (1, 2, 3), (1, 1, 1) }.
2. Calcular bases de los subespacios de 𝑅 4 S, T, S + T y S ∩ T, siendo S = {(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 )|
𝑥1 − 𝑥2 = 0 𝑦 𝑇 = {(1, 1, 2, 1), (2, 3, −1, 1) }
3. Encontrar una base y la dimensión del subespacio vectorial:
S ={(1, 2, −1, 3), (2, 1, 0, −2), (0, 1, 2, 1), (3, 4, 1, 2)} > .
4. Sea V un Q-espacio vectorial de dimensión 4 con base B = {𝑢1 , 𝑢2 , 𝑢3 , 𝑢4 }. Se definen los
vectores
𝑉1 = 2𝑢1 + 𝑢2 − 𝑢3
𝑉2 = 2𝑢1 + 𝑢3 + 2𝑢4
𝑉3 = 𝑢1 + 𝑢2 − 2𝑢3
𝑉4 = −𝑢1 + 2𝑢3 + 3𝑢4
Probar que 𝐵 ′ = {𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 } es una base de 𝑉 y calcular las coordenadas en la base 𝐵 ′
de un 𝑣𝑒𝑐𝑡𝑜𝑟 𝑣 que tiene por coordenadas en 𝐵 𝑎 (1 2 0 1).
5. Sea v un vector de un K-espacio vectorial V de dimensión finita n ≥ 3 cuyas coordenadas
en una base de V son (𝑥1 , … , 𝑥2 ), siendo 𝑥2 ≠ 𝑥3 . ¿Existe alguna base de 𝑉 en la cual las
coordenadas de 𝑣 sean (1 0 . . . 0)? ¿Por qué?
6. Sea 𝑈 = {𝑓: 𝑅 → 𝑅|𝑓(𝑥) = 𝑓(−𝑥), ∀𝑥 ∈ 𝑅}𝑦 𝑊 =
{𝑓 ∶ 𝑅 → 𝑅|𝑓(𝑥) = −𝑓(−𝑥), ∀𝑥 ∈ 𝑅}.
Probar que 𝐹(𝑅, 𝑅) = {𝑓 ∶ 𝑅 → 𝑅|𝑓 es aplicación} es suma directa de 𝑈 𝑦 𝑊
 Modelos Lineales

218
5 UNIDAD 5 MATRICES SIMILARES Y DIAGONALIZACIÓN
5.1.1 OBJETIVO GENERAL
➢ Manejar correctamente valores y vectores propios, realizando, además, el proceso de
Diagonalización.

5.1.2 OBJETIVOS ESPECÍFICOS

➢ Definir matrices semejantes, también conocidas como matrices similares. Reconociendo
todas las propiedades de este tipo de matrices.

➢ Analizar la semejanza, congruencia y equivalencia de dos matrices según los valores de un

parámetro.

➢ Determinar los valores propios o raíces características de una matriz cuadrada A, a

los valores de λ tales que, desarrollando el determinante tenemos un polinomio de grado
n en λ.

➢ Determinar cuándo se puede diagonalizar una matriz, sólo considerando como

diagonalizables las matrices que sean semejantes a una matriz diagonal real.

➢ Solucionar problemas prácticos del entorno.

5.2 TEMA 1 DEFINICIÓN DE MATRICES SIMILARES

Se tiene que: 𝑨, 𝒃 𝝐𝑹𝒏×𝒏 , se dice entonces que:

𝑨 𝒚 𝑩 son matrices semejantes si y solo sí ∃ 𝑷 ∈ 𝑹𝒏×𝒏 inversible, tal que 𝑩 = 𝑷−𝟏 × 𝑨 × 𝑩

5.2.1 EJERCICIO DE APRENDIZAJE

Consideremos las siguientes matrices:
 Modelos Lineales

219
1
0
2 1 1 3 3 0
𝐵=[ ],𝐴 = [ ],𝑃 = [ ] , 𝑃! [ 3 ]
0 1 0 2 1 1 1
− 1
3
𝑩 = 𝑷−𝟏 × 𝑨 × 𝑩
Reemplazando se tiene que:

1 1
0 1
1 3 3 0 3 0 2 1
𝐵=[ 3 ][ ][ ]=[ 3 ][ ]=[ ]
1 0 2 1 1 1 1 1 0 1
− 1 − 1
3 3

• PROPIEDAD DE LAS MATRICES SIMILARES O SEMEJANTES

Si 𝑨 𝒚 𝑩 son semejantes, tienen el mismo polinomio característico y por lo tanto, los

mismos autovalores.

𝐴 𝑦 𝐵 𝑠𝑒𝑚𝑒𝑗𝑎𝑛𝑡𝑒𝑠 → 𝑃𝐴 (𝜆) = 𝑃𝐵 (𝜆) → 𝑇𝑖𝑒𝑛𝑒𝑛 𝑙𝑜𝑠 𝑚𝑖𝑠𝑚𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

Demostración:

𝑃𝐴 (𝜆) = det(𝐴 − 𝜆𝐼)

𝑃𝐵 (𝜆) = det(𝐵 − 𝜆𝐼)

Se sabe además que:

𝑨 = 𝑷−𝟏 𝑩𝑷

Entonces:

𝑃𝐴 (𝜆) = det(𝐴 − 𝜆𝐼) = det(𝑷−𝟏 𝑩𝑷 − 𝜆𝐼) =

det(𝑷−𝟏 𝑩𝑷 − 𝑷−𝟏 𝜆𝐼𝑃) =

det(𝑷−𝟏 . (𝑩 − 𝜆𝐼). 𝑃) =

det(𝑷−𝟏). 𝑑𝑒𝑡(𝑩 − 𝜆𝐼). det(𝑃) = det(𝑩 − 𝜆𝐼) = 𝑃𝐵 (𝜆)

Donde se ha reemplazado:
 Modelos Lineales

220
𝜆𝐼 por 𝑷−𝟏 𝜆𝐼𝑃,

ya que:

𝑷−𝟏 𝜆𝐼𝑃 =𝜆𝑷−𝟏 𝑃 = 𝜆𝐼

Se ha utilizado la propiedad distributiva del determinante respecto de la multiplicación de

matrices.

5.3 TEMA 2 MATRICES EQUIVALENTES, CONGRUENTES Y

SEMEJANTES.

❖ MATRICES EQUIVALENTES

Dos matrices del mismo orden (pueden ser rectangulares o cuadradas), 𝑨 𝒚 𝑩,

𝒔𝒐𝒏 𝒆𝒒𝒖𝒊𝒗𝒂𝒍𝒆𝒏𝒕𝒆𝒔 si existen dos matrices 𝑷 𝒚 𝑸, 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒂𝒔 con determinante diferente
de cero tales que:
𝑩 = 𝑷𝑨𝑸.

Dos matrices equivalentes tienen el mismo rango.

❖ MATRICES CONGRUENTES

Dos matrices cuadradas del mismo orden, 𝑨 𝒚 𝑩, son congruentes si existe

𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒂 𝑷 con determinante distinto de cero, de modo que se satisface
𝑩 = 𝑷𝑨𝑷𝒕 .

Si dos matrices son congruentes, ⇒ son equivalentes, por lo tanto, si dos matrices son
congruentes, tienen el mismo rango.
 Modelos Lineales

221
❖ MATRICES SEMEJANTES

Dos matrices cuadradas de 𝒐𝒓𝒅𝒆𝒏 𝒏, 𝑨 𝒚 𝑩, 𝒔𝒐𝒏 𝒔𝒆𝒎𝒆𝒋𝒂𝒏𝒕𝒆𝒔 sí existe

𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒂, 𝑷, con determinante distinto de cero, que satisfaga:
𝑩 = 𝑷−𝟏 𝑨𝑷.

A 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑩 se le llama 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒅𝒂 𝒅𝒆 𝑨 mediante 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒑𝒂𝒔𝒐 𝑷.

5.3.1 PROPIEDADES:

PROPIEDADES

1. Si 𝑨 𝒚 𝑩 son semejantes, entonces son equivalentes.

2. Si 𝑨 𝒚 𝑩 son semejantes, tienen el mismo rango.

3. Si (𝑨, 𝑩) y (𝑪, 𝑫) son semejantes con la misma matriz de paso, entonces 𝑨 + 𝑪 es

semejante a 𝑩 + 𝑫 con 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒑𝒂𝒔𝒐 𝑷.

4. Si 𝑨 𝒚 𝑩 son semejantes con 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒑𝒂𝒔𝒐 𝑷, y 𝒏 es un número natural, 𝑨𝒏 𝒚 𝑩𝒏 son

𝒔𝒆𝒎𝒆𝒋𝒂𝒏𝒕𝒆𝒔 con 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒑𝒂𝒔𝒐 𝑷.

5.4 TEMA 3 VALORES Y VECTORES PROPIOS.

• PROPIEDADES.

Sea 𝒇 un endomorfismo*, definido sobre un espacio vectorial de 𝒅𝒊𝒎𝒆𝒏𝒔𝒊ó𝒏 𝒏 mediante la

relación:

𝑓(𝑥) = 𝐴𝑥, sé dice que 𝒕 𝝐 𝑲 es 𝒖𝒏 𝒗𝒂𝒍𝒐𝒓 𝒑𝒓𝒐𝒑𝒊𝒐 de 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨 o del 𝒆𝒏𝒅𝒐𝒎𝒐𝒓𝒇𝒊𝒔𝒎𝒐 𝒇

si existe 𝒖𝒏 𝒗𝒆𝒄𝒕𝒐𝒓 𝒙 distinto de cero tal que: 𝒕𝒙 = 𝑨𝒙.

Al conjunto de 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠, 𝑥, que satisfacen la relación anterior se les llama:

𝑪𝒐𝒏𝒋𝒖𝒏𝒕𝒐 𝒅𝒆 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 o 𝒂𝒖𝒕𝒐𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒂𝒔𝒐𝒄𝒊𝒂𝒅𝒐𝒔 𝒂 𝒕.

 Modelos Lineales

222
* Endomorfismo: En matemáticas es una aplicación entre dos estructuras algebraicas del mismo
tipo que se da en un mismo conjunto, tal que al resultado de operar dos elementos de la primera
le corresponde, en la segunda, el resultado de operar con las imágenes de esos elementos.

• Obtención práctica de valores y vectores propios

Se parte de la ecuación matricial 𝑨𝒙 = 𝒕𝒙 que también se puede expresar 𝑨𝒙 − 𝒕𝒙 = 𝟎 o (𝑨 −

𝒕𝑰)𝒙 = 𝟎. La ecuación vectorial anterior representa un sistema de ecuaciones homogéneo con
matriz de los coeficientes:

𝑨 − 𝒕𝑰.

Este sistema de ecuaciones tendrá solución distinta de la trivial si el determinante de la matriz

de los coeficientes 𝒆𝒔 𝒄𝒆𝒓𝒐. El desarrollo de este determinante da lugar a un polinomio de
𝒈𝒓𝒂𝒅𝒐 𝒏, que se denomina 𝒑𝒐𝒍𝒊𝒏𝒐𝒎𝒊𝒐 𝒄𝒂𝒓𝒂𝒄𝒕𝒆𝒓í𝒔𝒕𝒊𝒄𝒐. Cuando se iguala este polinomio a
cero, la ecuación que se obtiene se denomina 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒄𝒂𝒓𝒂𝒄𝒕𝒆𝒓í𝒔𝒕𝒊𝒄𝒂. Las 𝒏 𝒔𝒐𝒍𝒖𝒄𝒊𝒐𝒏𝒆𝒔
de esta ecuación son los valores propios que se estaba buscando.

EN FORMA GENERAL

❖ Polinomio característico:
|𝑨 − 𝒕𝑰|

❖ Ecuación característica:
|𝑨 − 𝒕𝑰| = 𝟎

❖ Matriz característica:
𝑨 − 𝒕𝑰

Como la ecuación característica es de 𝑔𝑟𝑎𝑑𝑜 𝑛, posee 𝑛 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠, no necesariamente

distintas. Por lo tanto, es conveniente acompañar cada raíz del número de veces que se repita,
dicho número se denomina:

Orden de multiplicidad del valor propio.

Una vez calculados todos los valores propios, se calcula el conjunto de vectores propios asociado
a cada uno de ellos. Esto se hace resolviendo para cada 𝑡𝑖 (valor propio) el siguiente sistema
homogéneo:
 Modelos Lineales

223
(𝑨 − 𝒕𝒊)𝒙 = 𝟎

• PROPIEDADES DE VALORES Y VECTORES PROPIOS

1. T. De Hamilton-Cayley: Si 𝑷 es el polinomio característico de 𝑨, 𝑷(𝑨) = 𝟎.

2. La suma de 𝒍𝒐𝒔 𝒏 𝒗𝒂𝒍𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 de una matriz 𝒆𝒔 𝒊𝒈𝒖𝒂𝒍 𝒂 𝒔𝒖 𝒕𝒓𝒂𝒛𝒂.

3. Los valores propios de una matriz coinciden con los de 𝒔𝒖 𝒕𝒓𝒂𝒔𝒑𝒖𝒆𝒔𝒕𝒂.

4. El producto de 𝒍𝒐𝒔 𝒏 𝒗𝒂𝒍𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 de una matriz 𝒆𝒔 𝒊𝒈𝒖𝒂𝒍 𝒂 𝒔𝒖 𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒏𝒕𝒆.

5. Si 𝒕𝒊 son los valores propios de 𝑨, 𝒕𝒊 𝒏 ti n son los valores propios de 𝑨𝒏 . Además, A y

𝑨𝒏 tienen los mismos vectores propios.

6. 𝒏 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 𝒅𝒊𝒔𝒕𝒊𝒏𝒕𝒐𝒔 correspondientes a 𝒏 𝒗𝒂𝒍𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 𝒅𝒊𝒔𝒕𝒊𝒏𝒕𝒐𝒔 de

𝒐𝒓𝒅𝒆𝒏 𝒅𝒆 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒄𝒊𝒅𝒂𝒅 𝒖𝒏𝒐, constituyen una base del espacio vectorial donde está
definida 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨.

7. Dada una matriz simétrica de coeficientes reales se verifica que sus valores propios son
números reales y que los vectores propios asociados a valores propios distintos son
𝒐𝒓𝒕𝒐𝒈𝒐𝒏𝒂𝒍𝒆𝒔.

8. Los vectores propios de una matriz y de su traspuesta, si corresponden a valores propios

distintos, son 𝒐𝒓𝒕𝒐𝒈𝒐𝒏𝒂𝒍𝒆𝒔.

9. Si un valor propio para una matriz es un número complejo, se verifica que su complejo
conjugado es también un valor propio de la matriz.

10. Dos matrices semejantes tienen la misma ecuación característica y consecuentemente

los mismos valores propios con el mismo grado de multiplicidad.

11. Si 𝑨 𝒚 𝑩 son dos matrices semejantes mediante 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒑𝒂𝒔𝒐 𝑷 y

𝒙 𝒆𝒔 𝒖𝒏 𝒗𝒆𝒄𝒕𝒐𝒓 𝒑𝒓𝒐𝒑𝒊𝒐 de 𝑨 asociado a 𝒕, entonces 𝑷𝒙 es un vector propio de 𝑩 asociado
a 𝒕.

12. Una matriz triangular tiene como valores propios los elementos de la diagonal principal.
 Modelos Lineales

224
13. El conjunto de vectores propios asociados a un determinado valor propio constituye un
espacio vectorial cuya dimensión:
− Es mayor o igual que 1, y
− Menor o igual que el orden de multiplicidad del valor propio.

14. Sea 𝒑(𝒙) un polinomio de 𝒈𝒓𝒂𝒅𝒐 𝒏, sea 𝒕 un 𝒗𝒂𝒍𝒐𝒓 𝒑𝒓𝒐𝒑𝒊𝒐 𝒅𝒆 𝑨 y

𝒗 𝒖𝒏 𝒗𝒆𝒄𝒕𝒐𝒓 𝒑𝒓𝒐𝒑𝒊𝒐 asociado a 𝑨, entonces 𝒑(𝒕) es un valor propio asociado a 𝒑(𝑨) con
el mismo vector propio.

15. A valores propios distintos le corresponden vectores propios linealmente

independientes.

5.5 TEMA 4 DIAGONALIZACIÓN DE UNA MATRIZ

Sea 𝐴 una matriz asociada a 𝒖𝒏 𝒆𝒏𝒅𝒐𝒎𝒐𝒓𝒇𝒊𝒔𝒎𝒐 𝒇, definido en un espacio vectorial de
𝒅𝒊𝒎𝒆𝒏𝒔𝒊ó𝒏 𝒏.

Para diagonalizar una 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨, se encuentra 𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍, 𝑫, semejante a

𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨.

Se necesita encontrar 𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒂𝒄𝒊ó𝒏 o 𝒄𝒂𝒎𝒃𝒊𝒐 𝒅𝒆 𝒃𝒂𝒔𝒆 𝑷, que

mediante la relación de semejanza 𝑷−𝟏 𝑨𝑷 dé lugar a 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑫.

Por lo tanto, se tiene que encontrar una base en la que 𝒆𝒍 𝒆𝒏𝒅𝒐𝒎𝒐𝒓𝒇𝒊𝒔𝒎𝒐 quede asociado a
𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍. En algunos casos se puede encontrar, entonces:

▪ La matriz será diagonalizable, y en otros,

▪ La matriz no será diagonalizable.

5.5.1 MATRIZ DIAGONALIZABLE.

Una 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨 es diagonalizable si es semejante a 𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍, 𝑫, es decir, si existe
𝑷 𝒓𝒆𝒈𝒖𝒍𝒂𝒓 tal que:

𝑨 = 𝑷𝑫𝑷−𝟏
 Modelos Lineales

225
El proceso de cálculo de la matriz diagonal y de la matriz de paso se denomina
𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍𝒊𝒛𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝑨.

• TEOREMAS DE DIAGONALIZACIÓN

▪ TEOREMA 1:

La condición necesaria y suficiente para que 𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒂 𝒔𝒆𝒂 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍𝒊𝒛𝒂𝒃𝒍𝒆 es
que exista una base del espacio vectorial formada por vectores propios del endomorfismo
asociado a la matriz dada.

Se tiene asegurada la existencia de dicha base para:

✓ Matrices simétricas.

✓ Diagonales.

✓ Matrices en las que los valores propios sean de orden de multiplicidad uno.

Nota: En cualquier otro caso se debe verificar la condición de orden y rango (equivalente a la
anterior) para valores propios de orden de multiplicidad mayor que 1.

▪ TEOREMA 2: (Condición de orden y rango)

La condición necesaria y suficiente para que una 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨 sea diagonalizable es que para cada
valor propio 𝒕𝒊 de orden de multiplicidad 𝒓𝒊 se verifique que:

𝒓𝒂𝒏𝒈𝒐 (𝑨 − 𝒕𝒊 𝑰) = 𝒏 − 𝒓𝒊
Si la matriz dada es diagonalizable se tendrá que buscar una base de vectores propios, para ello
se calculan los valores propios de la matriz.

Para cada uno de ellos se calcula 𝒖𝒏𝒂 𝒃𝒂𝒔𝒆 𝒅𝒆 𝒗𝒆𝒄𝒕𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 𝒂𝒔𝒐𝒄𝒊𝒂𝒅𝒐𝒔, entre ellos se
eligen los representantes de modo que sean 𝒍𝒊𝒏𝒆𝒂𝒍𝒎𝒆𝒏𝒕𝒆 𝒊𝒏𝒅𝒆𝒑𝒆𝒏𝒅𝒊𝒆𝒏𝒕𝒆𝒔, estos vectores
así escogidos constituyen 𝒍𝒂 𝒃𝒂𝒔𝒆 𝒅𝒆𝒍 𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝒗𝒆𝒄𝒕𝒐𝒓𝒊𝒂𝒍 y si se disponen como
𝒄𝒐𝒍𝒖𝒎𝒏𝒂𝒔 𝒅𝒆 𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛, se obtiene 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒑𝒂𝒔𝒐 𝑷.

𝑳𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝑫, semejante a 𝑨 , es aquella 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝑫, que tiene como

elementos de la diagonal principal a 𝒍𝒐𝒔 𝒗𝒂𝒍𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 𝒅𝒆 𝑨.
 Modelos Lineales

226
• DIAGONALIZACIÓN DE UNA MATRIZ SIMÉTRICA

Dada 𝑨 una matriz simétrica asociada a 𝒇, endomorfismo de 𝑹𝒏 , se verifican las siguientes

propiedades:

PROPIEDADES

a) Si los coeficientes de la matriz son números reales, sus valores propios son siempre
números reales.

b) Los vectores propios asociados a valores propios distintos son siempre ortogonales.

c) Si normalizamos los vectores propios ortogonales, los vectores obtenidos son normales.

Una base con vectores propios ortonormales da lugar a una matriz de cambio de base ortogonal
de modo que se satisface 𝑷𝒕 𝑨𝑷 = 𝑫. Donde 𝐷 𝒖𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒔𝒆𝒎𝒆𝒋𝒂𝒏𝒕𝒆 𝒂 𝑨.

Nota: Las matrices simétricas son siempre diagonalizables como consecuencia del teorema de
Schur.

En la práctica, para diagonalizar una matriz simétrica mediante una transformación ortogonal
se realiza el siguiente proceso:

PROCESO

1. Se calculan sus valores propios. Si son todos distintos, se toma un vector propio por cada
valor, la base así formada tiene la particularidad de ser ortogonal.

2. Se normalizan los vectores de la base anteriormente calculada, para ello se dividen las
coordenadas de cada vector por su módulo.

3. Se disponen los vectores de la base obtenida en el paso anterior como las columnas de
una matriz que será la matriz de paso ortogonal. Como se ha dicho anteriormente:
L𝒐𝒔 𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒐𝒔 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍 𝒅𝒆 𝑫 son 𝒍𝒐𝒔 𝒗𝒂𝒍𝒐𝒓𝒆𝒔 𝒑𝒓𝒐𝒑𝒊𝒐𝒔 𝒅𝒆 𝑨.
 Modelos Lineales

227
Nota: Si los valores propios no son de orden de multiplicidad uno, los vectores elegidos para
cada valor propio pueden resultar no ser ortogonales, en tal caso hay que sustituir la base
elegida por una base ortogonal, lo que se conseguirá por
𝒆𝒍 𝒎é𝒕𝒐𝒅𝒐 𝒅𝒆 𝒐𝒓𝒕𝒐𝒈𝒐𝒏𝒂𝒍𝒊𝒛𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝑮𝒓𝒂𝒏𝒅 − 𝑺𝒎𝒊𝒕𝒉, después se normalizarán los
vectores y se procederá como antes.

5.6 TEMA 5 APLICACIONES DE LA DIAGONALIZACIÓN

Entre las aplicaciones de la diagonalización de matrices cuadradas se encuentra el análisis de la
solución de un sistema dinámico a lo largo del tiempo. Un sistema se caracteriza por el estado
de las 𝒏 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 que lo determinan y se puede representar por un 𝒗𝒆𝒄𝒕𝒐𝒓 𝒙 de 𝑹𝒏 cuyas
componentes expresan los valores de esas variables.

Si el estado evoluciona a lo largo del tiempo modificando su valor en cada periodo

(𝒎𝒏, 𝒉𝒐𝒓𝒂, 𝒅í𝒂, 𝒎𝒆𝒔, . . . ), es muy común que la relación entre los estados del sistema en dos
periodos sucesivos se exprese de la forma:

𝒙𝒑+𝟏 = 𝑨𝒙𝒑

Donde:

• 𝑨 𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑑𝑒 𝒐𝒓𝒅𝒆𝒏 𝒏.

• 𝒙𝒑 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒑.

Basta entonces conocer el estado del sistema en el periodo inicial 𝒙𝟎 (𝒆𝒔𝒕𝒂𝒅𝒐 𝒊𝒏𝒊𝒄𝒊𝒂𝒍) para
poder calcular el estado del sistema en cualquier periodo.

En efecto si x0 es conocido:

𝑥1 𝐴𝑥0 ; 𝑥2 = 𝐴𝑥1 , 𝑥2 = 𝐴(𝐴𝑥1 ), 𝑥2 = 𝐴2 𝑥0

Generalizando, se tiene que:

𝒙𝒎 = 𝒂𝒙𝒎−𝟏 = 𝑨(𝑨𝒎−𝟏 𝒙𝟎 ) = 𝑨𝒎 𝒙𝟎

Por lo tanto, para conocer el estado del sistema en 𝒆𝒍 𝒑𝒆𝒓𝒊𝒐𝒅𝒐 𝒎, es necesario el cálculo de 𝑨𝒎 .

Tal cálculo es, en general, complicado, pero se simplifica notablemente si 𝑨 𝒆𝒔 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍𝒊𝒛𝒂𝒃𝒍𝒆

ya que:
 Modelos Lineales

228
𝑨 = 𝑷𝑫𝑷−𝟏
Donde:

❖ 𝑫 es la Diagonal, y

❖ 𝑨𝒎 = 𝑷𝑫𝒎 𝑷−𝟏

5.6.1 EJERCICIO DE APRENDIZAJE

Ejercicio de aplicación económica:

Se estudian los mercados de aceite de oliva y de aceite de semillas de un determinado país. Estos
dos mercados estaban en equilibrio, pero una gran campaña publicitaria sobre los beneficios para
la salud del consumo del aceite de oliva ha generado considerables distorsiones en los mismos.
La distorsión en cualquiera de los mercados en 𝒆𝒍 𝒑𝒆𝒓𝒊𝒐𝒅𝒐 𝒕 + 𝟏 es una función de la distorsión
de los dos mercados en el periodo anterior, y más concretamente según las relaciones:

𝒙𝒕+𝟏 = 𝟎, 𝟒𝒙𝟏 + 𝟎, 𝟓𝒚𝟏

𝒚𝒕+𝟏 = 𝟎, 𝟐𝒙𝟏 + 𝟎, 𝟏𝒚𝟏

Siendo 𝒙 𝒆 𝒚 las distorsiones en los mercados de aceite de oliva y de aceite de

semillas respectivamente, se pregunta:

¿Desaparecerán estas distorsiones a largo plazo?

Procedimiento:

Se plantean las distorsiones como:

𝑥𝑡+1 0,4 0,5 𝑥𝑡

[𝑦 ] = [ ][ ]
𝑡+1 0,2 0,1 𝑦𝑡
Para que no existan distorsiones a largo plazo se debe verificar que:

0 0,4 0,5 𝑘 𝑥𝑡
[ ]=[ ] [ ]
0 0,2 0,1 𝑦𝑡
Donde 𝒌 es el número de períodos que tienen que pasar desde el momento inicial, por lo tanto,
se requiere que:
 Modelos Lineales

229
0,4 0,5 𝑘 0 0
lim [ ] =[ ]
𝑘→∞ 0,2 0,1 0 0
Lo anterior ocurrirá si los autovalores de esta matriz son 𝒎𝒆𝒏𝒐𝒓𝒆𝒔 𝒒𝒖𝒆 𝟏 en valor absoluto.

0,4 − 𝜆 0.5
|𝐴 − 𝜆𝐼| = [ ] = (0.4 − 𝜆)(0,1 − 𝜆) − 0,1
0,2 0,1 − 𝜆
=

𝝀𝟐 − 𝟎, 𝟓𝝀 − 𝟎, 𝟎𝟔 = 𝟎
Resolviendo la ecuación se tiene que:

𝝀 = 𝟎; 𝟔 𝒐 𝝀 = 𝟎, 𝟏
Por lo tanto, 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝑨 es Diagonalizable, con lo que:

𝟎, 𝟔𝒌 𝟎
𝑨𝒌 = 𝑷𝑫𝒌 𝑷−𝟏 = 𝑷 [ 𝒌] 𝑷
−𝟏
𝟎 (−𝟎, 𝟏)

Si 𝒌 tiende a infinito (𝟎, 𝟔)𝒌 y(−𝟎, 𝟏)𝒌 tienden a cero y por lo tanto:

𝑳𝒂𝒔 𝒅𝒊𝒔𝒕𝒐𝒓𝒔𝒊𝒐𝒏𝒆𝒔 𝒕𝒊𝒆𝒏𝒅𝒆𝒏 𝒂 𝒂𝒏𝒖𝒍𝒂𝒓𝒔𝒆.

5.6.2 TALLER DE ENTRENAMIENTO

1. Hallar los autovalores y los autovectores de las siguientes matrices y, si es posible, para
cada matriz A obtener P tal que 𝑃−1 𝐴𝑃 es una matriz diagonal:

3 −1 1
a) 𝐴1 = [0 2 0]
1 −1 3

0 −1 −1
b) 𝐴2 = [−2 1 −1]
−2 2 2

2. Calcular los valores propios reales λ y los subespacios fundamentales V (λ) para f ∈ End
(𝑅 3 )
 Modelos Lineales

230
definido por: 𝑓((𝑥, 𝑦, 𝑧)) = (−𝑥 − 𝑧, −7𝑥 + 4𝑦 + 13𝑧, 𝑥 − 3𝑧).

3. Sea A una matriz diagonalizable con forma diagonal D y matriz de paso P:

Demostrar que 𝐴𝑛 es diagonalizable con forma diagonal 𝐷𝑛 . Deducir cuánto vale 𝐴𝑛 .

4. Probar que, si A es diagonalizable y A semejante a B, entonces B es también diagonalizable.

5. Analizar si:

−1 −7 1 1 −3 3
𝐴=[ 0 4 0 ] y 𝐵 = [3 −5 3] es Diagonalizable sobre 𝑅.
−1 13 −3 6 −6 4
En caso de serlo, determinar su forma diagonal y una matriz de paso.

6. Se considera la familia de endomorfismos 𝑓𝑎, 𝑏 : 𝑅 3 → 𝑅 3 , tal que 𝑓𝑎, 𝑏(𝑥, 𝑦, 𝑧) =

(𝑧, 𝑏𝑦, 𝑎𝑥),

donde 𝑎, 𝑏 ∈ 𝑅.

(i) Determinar los valores de 𝑎 𝑦 𝑏 para los que 𝑓𝑎, 𝑏 es diagonalizable.

(ii) Cuando 𝑓𝑎, 𝑏 sea diagonalizable, localizar su forma diagonal.

 Modelos Lineales

231
6 UNIDAD 6 VECTORES, RECTAS Y PLANOS EN EL
ESPACIO
6.1.1 OBJETIVO GENERAL
➢ Desarrollar las técnicas que permitan la manipulación de vectores en R2 y R3.

6.1.2 OBJETIVOS ESPECÍFICOS

➢ Determinar vectores y las diferentes ecuaciones de una recta en el plano y en el espacio.

➢ Determinar la ecuación de los diferentes planos.

6.2 TEMA 1 VECTORES EN R2 Y R3

6.2.1 VECTOR
Es un segmento de recta dirigido. Un vector tiene magnitud (siempre positiva) y tiene dirección
(ángulo).

➢ NOTACIÓN DE VECTOR:

Se acostumbra usar el símbolo → para denotar el vector que va del punto A,

𝑨𝑩
considerado punto inicial, al punto B llamado punto final.

Otra forma para denotar o simbolizar vectores es utilizando letras minúsculas en negrita
como: a, b, u, v, w, m, entre otras.

➢ MAGNITUD DE UN VECTOR:

A la longitud del segmento dirigido se le llama magnitud del vector y se denota por:

|𝑨𝑩| 𝒐 |𝒖| 𝒐 |𝒗| 𝒐|𝒘|, entre otros.

➢ VECTORES EN 𝑰𝑹𝟐
 Modelos Lineales

232
Un vector en 𝐼𝑹𝟐 (en el plano) es una pareja ordenada o par ordenado de números reales
y se emplea la notación v = (a, b )  v = ai + bj . Donde a y b son números reales.

Ejemplo:

v = (− 10,7 ) = −10i + 7
➢ VECTORES EN 𝑰𝑹𝟑

Un vector en 𝐼𝑹𝟑 (en el espacio) es una tripleta ordenada de números reales, utilizamos
la notación v = (a, b, c )  v = ai + bj + ck , donde a, b y c son números reales.

Ejemplo:

v = (12,17,−9) = 12i + 17 j − 9k
➢ VECTOR ENTRE DOS PUNTOS:

Sean los puntos:

𝑨 = (𝒂𝟏, 𝒃𝟏, 𝒄𝟏 ) 𝒚 (𝒂𝟐, 𝒃𝟐 , 𝒄𝟐 ) 𝒆𝒏 𝑰𝑹𝟑 𝒐 𝑨 = (𝒂𝟏, 𝒃𝟏 ) 𝒚 𝑩 = (𝒂𝟐, 𝒃𝟐 ) 𝒆𝒏 𝑰𝑹𝟐

Se pueden obtener los siguientes vectores (recuerde la Geometría Analítica):

⃑⃑⃑⃑⃑⃑
𝑨𝑩 = (𝒂𝟐 − 𝒂𝟏 )𝒊 + (𝒃𝟐 − 𝒃𝟏 )𝒋 + (𝒄𝟐 − 𝒄𝟏 )𝒌 𝒆𝒏 𝑰𝑹𝟑

⃑⃑⃑⃑⃑⃑
𝑨𝑩 = (𝒂𝟐 − 𝒂𝟏 )𝒊 + (𝒃𝟐 − 𝒃𝟏 )𝒋 𝒆𝒏 𝑰𝑹𝟐

⃑⃑⃑⃑⃑⃑
𝑩𝑨 = (𝒂𝟏 − 𝒂𝟐 )𝒊 + (𝒃𝟏 − 𝒃𝟐 )𝒋 + (𝒄𝟏 − 𝒄𝟐 )𝒌 = ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑
−𝑨𝑩 𝒑𝒂𝒓𝒂 𝑰𝑹𝟑

⃑⃑⃑⃑⃑⃑
𝑩𝑨 = (𝒂𝟏 − 𝒂𝟐 )𝒊 + (𝒃𝟏 − 𝒃𝟐 )𝒋 = ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑
−𝑨𝑩 𝒑𝒂𝒓𝒂 𝑰𝑹𝟐

6.2.2 EJERCICIOS DE APRENDIZAJE

1. Dados los puntos 𝑨 = (𝟏𝟓, −𝟑, 𝟏𝟐) y 𝑩 = (𝟏𝟕, 𝟑, 𝟏𝟎), Hallar los siguientes vectores:
 Modelos Lineales

233
⃑⃑⃑⃑⃑⃑ = (𝟏𝟕 − 𝟏𝟓)𝒊 + (𝟑 − (−𝟑))𝒋 + (𝟏𝟎 − 𝟏𝟐)𝒌 = 𝟐𝒊 + 𝟔𝒋 − 𝟐𝒌
𝑨𝑩

⃑⃑⃑⃑⃑⃑
𝑩𝑨 = (𝟏𝟓 − 𝟏𝟕)𝒊 + (−𝟑 − 𝟑)𝒋 + (𝟏𝟐 − 𝟏𝟎)𝒌 = −𝟐𝒊 − 𝟔𝒋 + 𝟐𝒌

⃑⃑⃑⃑⃑⃑
𝑶𝑨 = (𝟏𝟓 − 𝟎)𝒊 + (−𝟑 − 𝟎)𝒋 + (𝟏𝟐 − 𝟎)𝒌 = 𝟏𝟓𝒊 − 𝟑𝒋 + 𝟏𝟐𝒌

⃑⃑⃑⃑⃑⃑
𝑶𝑩 = 𝟏𝟕𝒊 + 𝟑𝒋 + 𝟏𝟎𝒌 = 𝟏𝟕𝒊 + 𝟑𝒋 + 𝟏𝟎𝒌

➢ GRÁFICA DE VECTORES

Los vectores se grafican ubicando puntos en el plano cartesiano para vectores en R2 y ubicando
puntos en el espacio para vectores en R3.

6.2.3 EJERCICIOS DE APRENDIZAJE

1. Graficar el vector: 𝒖 = (𝟐, 𝟑) Solución: Solo se debe ubicar en el plano cartesiano el
punto de coordenadas (2,3).

2. Graficar el vector 𝒗 = −𝟑𝒊 + 𝟐𝒋 La gráfica se muestra en la siguiente figura.

 Modelos Lineales

234

3. Graficar el vector 𝒘 = 𝟐𝒊 + 𝟓𝒋 + 𝟖𝒌

Solución

Se debe ubicar en el espacio el punto de coordenadas (2, 5, 8).

4. Grafique el vector:

u = (12,8,−5) )
 Modelos Lineales

235

➢ CÁLCULO DE LA NORMA DE UN VECTOR:

Sea el vector en 𝑰𝑹𝟐 : 𝒗 = (𝒂, 𝒃) 𝒐 𝒗 = 𝒂𝒊 + 𝒃𝒋 , Su magnitud o norma se calcula como:

|𝒗| = √𝒂𝟐 + 𝒃𝟐
Sea el vector en 𝑰𝑹𝟑 : 𝒗 = (𝒂, 𝒃, 𝒄) 𝒐 𝒗 = 𝒂𝒊 + 𝒃𝒋 + 𝒄𝒌 , Su magnitud o norma se calcula como:

|𝒗| = √𝒂𝟐 + 𝒃𝟐 + 𝒄𝟐

6.2.4 EJERCICIOS DE APRENDIZAJE

1. Calcule la norma del vector u = 4i − 2 j + 3k

Solución

u = (4)2 + (− 2)2 + (3)2 = 16 + 4 + 9 = 29

2 Calcule la norma del vector v = (4,3)

Solución
 Modelos Lineales

236
v= (4)2 + (3)2 = 16 + 9 = 25 = 5

➢ ÁNGULOS DIRECTORES

El ángulo director de cualquier vector en 𝑰𝑹𝟐 , diferente de cero es el ángulo 𝜽 que se mide desde
el lado positivo del eje 𝒙 en sentido contrario al de las agujas del reloj hasta la representación
𝒃
de posición del vector. Si 𝜽 se mide en radianes, 𝟎 ≤ 𝜽 ≤ 𝟐𝝅 Si 𝑨 = (𝒂, 𝒃), entonces tan 𝜽 , 𝒂
𝒔𝒊 𝒂 ≠ 𝟎.

𝝅 𝟑𝝅
𝑺𝒊 𝒂 = 𝟎 → 𝜽 =
𝟐
𝝈𝜽=
𝟐
.
NOTA:

CUADRANTE VALOR DE 𝜽

𝒃
𝑰 𝜽 = 𝒕𝒂𝒏−𝟏 ( )
𝒂

𝒃
𝑰𝑰 𝜽 = 𝝅 + 𝒕𝒂𝒏−𝟏 ( )
𝒂

𝒃
𝑰𝑰𝑰 𝜽 = 𝝅 + 𝒕𝒂𝒏−𝟏 ( )
𝒂

𝒃
𝑰𝑽 𝜽 = 𝟐𝝅 + 𝒕𝒂𝒏−𝟏 ( )
𝒂
𝝅
𝟏. 𝜽= 𝒑𝒂𝒓𝒂 𝒃 > 𝟎
𝟐
Si 𝒂 = 𝟎 y
𝟑
𝟐. 𝜽 = 𝝅 𝒑𝒂𝒓𝒂 𝒃 < 𝟎
𝟐
 Modelos Lineales

237
6.2.5 EJERCICIOS DE APRENDIZAJE
Trace cada uno de los siguientes vectores, encontrar su magnitud y el ángulo positivo 𝜽 más
pequeño que está determinado por el eje positivo de x y el vector.

a = − 3,−3 . R: a = 3 2   = 5 / 4

Magnitud o norma:

a= (− 3)2 + (− 3)2 = 9 + 9 = 18 = 9 * 2 = 3 2

Ángulo:

Podemos ver que el vector se encuentra en el tercer cuadrante, por lo tanto:

b  −3
 =  + tan −1   = 180 + tan −1   = 225 = 5 / 4
0

a  −3

2 b = 3,-2 .

SOLUCIÓN

Gráfica:
 Modelos Lineales

238

Magnitud o norma:

b= (3)2 + (− 2)2 = 9 + 4 = 13

Ángulo:

Podemos ver que el vector se encuentra en el cuarto cuadrante, por lo tanto:

b −2
 = 2 + tan −1   = 360 + tan −1   = 326.309... = 5.695...radianes
0

a  3 

Los ángulos directores de un vector en lR 3 diferente de cero son los tres ángulos que tienen la
medida no negativa en radianes  ,    , tomadas desde los ejes positivos x, y e z
respectivamente, hasta la representación de posición del vector.

Donde la medida en radianes de cada ángulo director está en 0,   , tenemos que:

a b c
cos = , cos  =  cos  =
v v v

Estos números se llaman los cosenos directores del vector v

El vector cero no tiene ángulos directores y por lo tanto no tiene cosenos directores.
 Modelos Lineales

239
6.2.6 EJERCICIO DE APRENDIZAJE
Determine la magnitud y los cosenos directores del vector

A = 3,2,−6

Solución:

Magnitud:

A = 9 + 4 + 36 = 7

Cosenos directores:

3 2 −6
cos = , cos  =  cos  =
7 7 7

TEOREMA:

Si cos , cos   cos son los ángulos directores de un vector, entonces

cos 2 + cos  2 + cos 2 = 1

6.2.7 EJERCICIO DE APRENDIZAJE

Encuentre los cosenos directores del vector v = (1, − 2, 3) y demuestre la identidad
trigonométrica.

Solución

Norma o magnitud:

v= (1)2 + (− 2)2 + (3)2 = 1 + 4 + 9 = 14

Cosenos directores:

1 −2 3
cos = , cos  =  cos =
14 14 14

Identidad trigonométrica:
 Modelos Lineales

240
cos 2 + cos  2 + cos 2 = 1

2 2 2
 1   −2   3  1 4 9 1 + 4 + 9 14
  +  +  = + + = = =1
 14   14   14  14 14 14 14 14

➢ OPERACIONES CON VECTORES

• ADICIÓN O SUMA DE VECTORES.

La suma de vectores se realiza igual que la suma de matrices, es decir se suman las
correspondientes entradas.

(𝑎, 𝑏) + (𝑐, 𝑑) = (𝑎 + 𝑐, 𝑏 + 𝑑)

a1 , b1 , c1 + a2 , b2 , c2 = a1 + a2 , b1 + b2 , c1 + c2

Ejemplo:

Sean: w = (− 3,5)  v = 2i + 3 j

Halle w + v

w + v = (− 3 + 2)i + (5 + 3) j = −i + 8 j

Ejemplo:

Sean: u = 5i − 6 j + 7k  v = (4,8,3)

Halle: u + v

u + v = (5 + 4)i + (− 6 + 8) j + (7 + 3)k = 9i + 2 j + 10k

• PROPIEDADES PARA LA ADICIÓN DE VECTORES:

a +b = b+ a

a + (b + c) = (a + b)+ c
 Modelos Lineales

241
a +0 = a

a +(-a) = 0

____________________________________________________
VECTORES UNITARIOS i  j en lR 2 Y VECTORES UNITARIOS i, j  k en lR
3

Se llaman vectores unitarios porque su magnitud es igual a uno y se utilizan para representar
cualquier vector en lR 2 (i  j ) o cualquier vector en lR 3 (i, j  k ) , tenemos que:

En lR 2 :

i = (1,0)  j = (0,1)

v = (a, b ) = (a,0) + (0, b ) = a(1,0) + b(0,1) = ai + bj

En lR 3

i = (1,0,0), j = (0,1,0)  k = (0,0,1)

v = (a, b, c ) = (a,0,0) + (0, b,0) + (0,0, c ) = a(1,0,0) + b(0,1,0) + c(0,0,1) = ai + bj + ck

• MULTIPLICACIÓN POR ESCALAR

La multiplicación por escalar se realiza igual que en la multiplicación de matrices.

k a, b = ka, kb

6.2.8 EJERCICIOS DE APRENDIZAJE

1. Sea u = (4,7 )

Halle:

2u

Solución:

2u = 2(4,7 ) = (2 * 4,2 * 7 ) = (8,14) = 8i + 14 j

 Modelos Lineales

242
2. Sea v = 9i − 7 j + 12k

Halle 6v

Solución:

6v = 6(9i − 7 j + 12k ) = 6 * 9i − 6 * 7 j + 6 *12k = 54i − 42 j + 72k

VECTOR 0

0 = 0,0

PROPIEDADES DE LA MULTIPLICACIÓN POR ESCALAR DE VECTORES

c(a + b) = ca + cb

(c + d )a = ca + da
(cd) a = c(d a ) = d(c a )

1a = a

0a = 0

NOTA:

Si v = (a, b ) = ai + bj   es un escalar, entonces: v =  v

Y la dirección de v es:

La dirección de v, si   0

La dirección de v +  , si   0

6.2.9 EJERCICIOS DE AUTOAPRENDIZAJE

Sea v = 3i − 5 j Halle:

1. v

Solución:
 Modelos Lineales

243
v= (3)2 + (− 5)2 = 9 + 25 = 34

2.  v

Solución:

El vector se encuentra en el cuarto cuadrante, por lo tanto:

b  −5
 v = 2 + tan −1   = 360 + tan −1   = 300.96... = 5.25...rad.
0

a  3 

3. w = 2v

Solución:

w = 2v = 2(3i − 5 j ) = 6i − 10 j

4. w

Solución:

w= (6)2 + (− 10)2 = 36 + 100 = 136 = 4 * 34 = 2 34 = 2 v

5.  w

Solución:

El vector se encuentra en el cuarto cuadrante, por lo tanto:

b  − 10 
 w = 2 + tan −1   = 360 + tan −1   = 300.96... = 5.25...rad.
0

a  6 

6. p = −3v

Solución:

p = −3v = −3(3i − 5 j ) = −9i + 15 j

7. p
 Modelos Lineales

244
Solución:

p= (− 9)2 + (15)2 = 81 + 225 = 306 = 9 * 34 = 3 34 = 3 v

8.  p

Solución:

El vector se encuentra en el segundo cuadrante, por lo tanto:

b  15 
 p =  + tan −1   = 180 + tan −1   = 120,96... = 2.11...rad
0

a −9

___________________________________________________________
➢ VECTOR UNITARIO U

Es un vector cuya magnitud es 1

Si a = (a, b ) = ai + bj , entonces el vector unitario U que tiene la misma dirección que a está dado
a b
U = i+ j
a a
por:

Para lR 3 tenemos:

a b c
a = a, b, c = ai + bj + ck , U = i+ j+ k
a a a

6.2.10 EJERCICIO DE APRENDIZAJE

Dados los puntos R(2,−1,3)  S (3,4,6) , determine el vector unitario que tenga la misma dirección
que V (RS )

SOLUCIÓN

V (RS ) = (3 − 2)i + (4 − −(1))j + (6 − 3)k = i + 5j + 3k

 Modelos Lineales

245
V (RS ) = 1 + 25 + 9 = 35

1 5 3
U= i+ j+ k
35 35 35

➢ PRODUCTO ESCALAR

El producto escalar entre dos vectores u y v se simboliza por u.v.

Si u = a1 , b1  B = a2 , b2 son dos vectores en lR 2 , entonces al producto escalar de u  v ,

representado por u • v este dado por.

u  v = a1 , b1  a2 , b2 = a1a2 + b1b2

Si u y v son vectores en lR 3 se tiene que:

u.v = a1 , b1 , c1  a2 , b2 , c2 = a1a2 + b1b2 + c1c2

El producto escalar de dos vectores es un número real (o escalar) y no un vector. También recibe
el nombre de producto punto o producto interior.

6.2.11 EJERCICIO DE APRENDIZAJE

Determine el producto escalar de los siguientes vectores:

1. v = (4,3)  w = (6,2)

Solución:

v.w = (4,3)(
. 6,2) = 4 * 6 + 3 * 2 = 24 + 6 = 30

2. v = (5,−3)  w = (3,7 )

Solución:

v.w = (5,−3)(
. 3,7 ) = 5 * 3 + (− 3)(7 ) = 15 − 21 = −6

De la definición de producto escalar podemos notar que:

 Modelos Lineales

246
v•v = v
2

6.2.12 EJERCICIO DE APRENDIZAJE

Si A = 2,−3  B = − 1/ 2,4 determine A • B

A • B = 2(-1/2) +(-3)(4) = -1-12 = -13

NOTA:

i.i = 1, j.j = 1 i.j = 0

TEOREMA:

Si A y B son vectores en lR 2  lR 3 y c es un escalar, entonces

c(A  B ) = cA  B

0.A = 0

A A = A
2

➢ ANGULO ENTRE DOS VECTORES

Sean: v = (a1 , b1 )  w = (a 2 , b2 ) dos vectores diferentes de cero, entonces el ángulo  entre v y w

está definido como el ángulo no negativo más pequeño entre dichos vectores y que tienen el
origen como punto inicial.

El ángulo se calcula como:

w•v
cos =
w*v
6.2.13 EJERCICIOS DE APRENDIZAJE
Para cada par de vectores: Calcule el ángulo entre ellos.
 Modelos Lineales

247
1. w = 2i + 3 j  v = −7i + j

Solución

v= (− 7)2 + (1)2 = 49 + 1 = 50

w= (2)2 + (3)2 = 4 + 9 = 13

w • v 2(− 7 ) + 3(1) − 14 + 3 − 11  − 11 
cos = = = =   = cos−1   = 2.0169...rad = 115.55... 0
w*v 13 * 50 13 * 50 650  650 

------------------------------------------------------------------------------------------------
2. w = (2,−3)  v = (− 4,6)

Solución:

v= (− 4)2 + (6)2 = 16 + 36 = 52

w= (2)2 + (− 3)2 = 4 + 9 = 13

w • v 2(− 4) + (− 3)(6) − 8 − 18 − 26  − 26 
cos = = = =   = cos−1   =  rad = 1800
w*v 13 * 52 13 * 52 676  676 

------------------------------------------------------------------------------------------------
3. u = 3i − j + 2k  v = 4i + 3 j − k

Solución:

u = (3)2 + (− 1)2 + (2)2 = 9 + 1 + 4 = 14

v= (4)2 + (3)2 + (− 1)2 = 16 + 9 + 1 = 26

 Modelos Lineales

248
u • v 3(4) + (− 1)(3) + 2(− 1) 12 − 3 − 2
cos = = = =
u*v 14 * 26 14 * 26
7  7 
  = cos−1   = 1.195... rad = 68,47... 0
364  364 

TEOREMA

Si  es la medida en radianes del ángulo entre dos vectores en lR 2  lR 3 A y B diferentes de

cero, entonces: A • B = A B cos

➢ VECTORES PARALELOS:

Dos vectores diferentes de cero u  v en lR 2  lR 3 son paralelos si el ángulo entre ellos es cero o
 , es decir, si  = 0   = 

SE DICE QUE DOS VECTORES A y B SON PARALELOS SI Y SOLO SI UNO ES MÚLTIPLO ESCLAR
DEL OTRO.

ES DECIR, DOS VECTORES A Y B SON PARALELOS SI SE CUMPLE QUE:

Si A.B =  A B es decir si cos = 1

➢ VECTORES ORTOGONALES

Dos vectores diferentes de cero u  v en lR 2  lR 3 son ortogonales (o perpendiculares) si el


ángulo entre ellos es , es decir, si  =  / 2
2

SE DICE QUE DOS VECTORES A y B SON ORTOGONALES (O PERPENDICULARES) SI Y SOLO SI:

A • B = 0 , es decir, si cos = 0
 Modelos Lineales

249
6.2.14 EJERCICIOS DE APRENDIZAJE
1. Compruebe que los vectores u = 3i − 4 j  v = 4i + 3 j son ortogonales

Solución:

u.v
u.v = 3(4) + (−4)3 = 0  cos = = 0   = cos−1 0   =  / 2
uv

------------------------------------------------------------------------------------------------
2. Demuestre, mediante vectores que los puntos A(4,9,1) , B(− 2,6,3)  C (6,3,−2) son los
vértices de un triángulo rectángulo

Construya el triángulo CAB, observe que el ángulo en A es el que parece ser recto.
Encontremos V ( AB )  V ( AC ), si el producto escalar entre estos dos vectores es cero, es
porque estos dos vectores son ortogonales, es decir el ángulo entre ellos es recto.

V ( AB ) = (− 2 − 4)i + (6 − 9) j + (3 − 1)k  V ( AC ) = (6 − 4)i + (3 − 9) j + (− 2 − 1)k

V ( AB ) = −6i − 3 j + 2k  V ( AC ) = 2i + −6 j + 3k

V ( AB ) • V ( AC ) = −6 * 2 + (−3)(−6) + 2 * 3 = −12 + 18 − 6 = 0

------------------------------------------------------------------------------------------------
➢ PROYECCIONES EN lR 2  lR 3

Sean u y v dos vectores diferentes de cero, entonces la proyección de u sobre v, denotada por
proyv u esta definida por:

u.v
proyv u = 2
v
v
 Modelos Lineales

250
6.2.15 EJERCICIOS DE APRENDIZAJE
1. Sean: u = 2i + 3 j + k  v = i + 2 j − 6k Encuentre proyv u

Solución:

2 *1 + 3 * 2 + 1 * (−6)
proyv u =
u.v
v= (i + 2 j − 6k ) = 2 (i + 2 j − 6k )
v 2
(1 + 2 + (−6)
2 2 2
) 41

2. Sean: u = 2i − 3 j  v = i + j Halle proyv u

Solución

2 * 1 + (−3) * 1 1 1
proyv u = (i + j ) = − i − j
( 1 +1
2 2
) 2 2

NOTA:

v  proyv u Tienen:

La misma dirección cuando u • v  0

Direcciones opuestas cundo u • v  0

NOTA:

proyv u Es paralelo a v

u − proyv u Es ortogonal a v

➢ DETERMINACIÓN DE UN VECTOR ORTOGONAL A OTRO VECTOR

Sea v un vector diferente de cero, entonces para cualquier otro vector u , se puede obtener otro
vector w ortogonal a v de la siguiente manera.

(u • v ) v
w = u − proyv u , es decir, w = u − 2
v

TAREA: Demuestre que v  w son ortogonales.

 Modelos Lineales

251
6.2.16 EJERCICIO DE APRENDIZAJE
Para el par de vectores v  u halle un vector w ortogonal al vector v

1. v = (3,5)  u = (7,2)

Solución:

w=u−
(u • v ) v = (7,2) − 3 * 7 + 5 * 2 * (3,5) = (7,2) − 31 (3,5) = (7,2) −  93 , 155  =  145 ,− 87 
   
v
2
32 + 5 2 34  34 34   34 34 

Demuestre que v  w son ortogonales:

 145 87   87 
v • w = (3,5) • 
145
,−  = 3 * + 5*−  = 0
 34 34  34  34 

Grafique los tres vectores en el mismo plano

2. v = (− 2,3)  u = (5,−1)

w=u−
(u • v ) v = (5,−1) − − 2 * 5 + 3(− 1) * (−2,3) = (5,−1) − − 13 (− 2,3) = (5,−1) + (− 2,3) = (3,2)
v
2
(− 2)2 + 32 13

v • w = (− 2,3) • (3,2) − 6 + 6 = 0

_______________________________________________
➢ PRODUCTO VECTORIAL O PRODUCTO CRUZ

El producto cruz sólo se define en lR 3

Sean: u = a1i + b1 j + c1 k  v = a 2 i + b2 j + c 2 k Entonces el producto cruz o producto vectorial de

u y v, denotado como u x v es un nuevo vector y se calcula como:

i j k
u x v = a1 b1 c1 = (b1c2 − b2 c1 )i − (a1c 2 − a 2 c1 ) j + (a1b2 − a 2 b1 )k
a2 b2 c2

NOTA:
 Modelos Lineales

252
El vector u x v es perpendicular a u y a v.

6.2.17 EJERCICIO DE APRENDIZAJE

1. Sean: u = 2i + 4 j − 5k  v = −3i − 2 j + k

Halle: u x v

Solución:

i j k
u xv = 2 4 − 5 = (4 *1 − (−2) * (−5) )i − (2 *1 − (−3)(−5) ) j + (2 * (−2) − (−3) * 4)k
−3 −2 1

u x v = −6i + 13 j + 8k

------------------------------------------------------------------------------------------------
2. Sean A = 2,1,−3  B = 3,−1,4

AXB = 1* 4 − (−3)(−1), (−3)(3) − (2)(4), (2)(−1) − (1)(3) = 1, − 17, − 5 = i − 17 j − 5k

TEOREMA

Si A, B y C son vectores en lR 3 , entonces

1. AXA = 0
2. 0 XA = 0
3. AX 0 = 0
4. AXB = −BXA
5. El producto vectorial no es asociativo, es decir AX (B XC )  (AXB )XC
6. AX (B + C ) = AXB + AXC
7. (cA )XB = AX (cB )
8. (cA )XB = c(AXB )
 Modelos Lineales

253
9. A • BXC = AXB • C Esta propiedad se llama triple producto escalar de los vectores
A, B  C
10. AX (B XC ) = (A • C )B + (A • B )C

11. AXB = A B cos

12. Los vectores A y B son paralelos si y solo si AXB = 0

13. El vector AXB es ortogonal al vector A y al vector B.
14. A.( AXB ) = B.( AXB ) = 0 , es decir, AXB es ortogonal a A y a B.

6.3 TEMA 2 RECTAS Y PLANOS R3

➢ RECTAS EN EL ESPACIO.

Gráfica:

Para graficar rectas en el espacio se debe conocer las coordenadas de dos puntos sobre la recta
y luego se traza una línea recta que pase por ambos puntos:

6.3.1 EJERCICIO DE APRENDIZAJE

Grafique cada una de las siguientes rectas.

1. Pasa por los puntos: P = (7,−3,5)  Q = (2,3,7 )

Solución

La gráfica la podemos ver en la siguiente figura:

 Modelos Lineales

254

2. Pasa por los puntos: P = (0,0,3)  Q = (5,0,0)

Solución:

La gráfica la podemos ver en la siguiente figura:

➢ ECUACIONES DE UNA RECTA

La siguiente teoría es una síntesis tomada del autor GROSSMAN

Para determinar una recta en el espacio se debe conocer las coordenadas de dos puntos, o
También se debe conocer un punto y la dirección de la recta.
 Modelos Lineales

255
Dados dos puntos de coordenadas P = (x1 , y1 , z1 ) y Q = (x2 , y 2 , z 2 ) sobre una recta L en el
espacio véase la figura:

El vector:

v = (x 2 − x1 )i + ( y 2 − y1 ) j + (z 2 − z1 )

Es un vector que está sobre la recta L, es decir, es un vector paralelo a L.

Sea R = (x, y, z ) otro punto sobre la recta L. Entonces el vector PR es paralelo al vector PQ , que
a su vez es paralelo a al vector v .

Como PR es paralelo al vector v , podemos asegurar que:

PR = tv

Para cualquier número real t.

Tenemos que OR = OP + PR , es decir:

OR = OP + tv
Esta ecuación se llama ecuación vectorial de la recta L

Con:

OR = xi + yj + zk

OP = x1i + y1 j + z1k
 Modelos Lineales

256
tv = t (x 2 − x1 )i + t ( y 2 − y1 ) j + t (z 2 − z1 )

Remplazando estas expresiones en la ecuación vectorial de L tenemos:

xi + yj + zk = x1i + y1 j + z1k + (x 2 − x1 )i + t ( y 2 − y1 ) j + t (z 2 − z1 )

Igualando término a término tenemos:

x = x1 + t ( x 2 − x1 )
y = y1 + t ( y 2 − y1 )
z = z1 + t ( z 2 − z1 )

Que se llaman ecuaciones paramétricas de la recta L

Despejando t en cada ecuación tenemos que:

x − x1 y − y1 z − z1
= =
x2 − x1 y 2 − y1 z 2 − z1

x − x1 y − y1 z − z1
= =
a b c

Con:

a = x 2 − x1

b = y 2 − y1

c = z 2 − z1

Que se llaman ecuaciones simétricas de la recta L.

6.3.2 EJERCICIO DE APRENDIZAJE

Determine las ecuaciones vectoriales, simétricas y paramétricas de la recta L que pasa por el
punto P = (2, − 1, 6)  Q = (3, 1, − 2) . Grafique la recta.

Solución
 Modelos Lineales

257
Primero hallemos el vector v

v = (3 − 2)i + (1 − (−1) ) j + (− 2 − 6)k  v = i + 2 j − 8k

Luego hallamos el vector OP = (2 − 0)i + (− 1 − 0) j + (6 − 0)k = 2i − j + 6k

Sea R = (x, y, z ) un punto sobre la recta L.

Debemos hallar el vector OR = xi + yj + zk

OR = OP + tv
Remplazando en la ecuación anterior tenemos:

xi + yj + zk = 2i − j + 6 k + t (i + 2 j − 8k )

Igualando término a término tenemos que:

x = 2+t

y = −1+ 2t

z = 6 − 8t

Despejando t de las ecuaciones anteriores tenemos:

x − 2 y +1 z − 6
= =
1 2 −8

La prueba se da remplazando los puntos P y Q en la ecuación anterior y se debe obtener tres

igualdades.

Para encontrar otros puntos sobre la recta se elige un valor de t y se remplaza en cada ecuación
simétrica.

Por ejemplo, para t = 3 se obtiene el punto (5, 5, − 18)

➢ PLANOS EN EL ESPACIO:
 Modelos Lineales

258
La siguiente teoría es una síntesis del autor GROSSMAN

Sea P = (x0 , y0 , z 0 ) P un punto en el espacio y sea n = ai + bj + ck un vector dado diferente de

cero. El conjunto de todos los puntos Q = (x, y, z ) para los que PQ • n = 0 constituye un plano en
lR 3

Notación de un plano: Para simbolizar un plano se utiliza: 

PQ = (x − x0 )i + ( y − y0 ) j + (z − z 0 )k  n = ai + bj + ck

PQ • n = 0  (x − x0 )i + ( y − y0 ) j + (z − z 0 )k  • (ai + bj + ck ) = 0

 a(x − x0 ) + b( y − y0 ) + c(z − z0 ) = 0

ax + by + cz = ax0 + by0 + cz 0

ax + by + cz = d Ecuación cartesiana de un plano

Con: d = ax0 + by0 + cz 0

6.3.3 EJERCICIOS DE APRENDIZAJE

1. Encuentre la ecuación del plano  que pasa por el punto (2,5,1) cuyo vector normal es
n = i − 2 j + 3k
 Modelos Lineales

259
Solución

Con:

a = 1, b = −2  c = 3

Tenemos que:

x − 2 y + 3k = 1(2) + (− 2)5 + 3(1)

x − 2 y + 3z = −5

Otra forma:

1(x − 2) − 2( y − 5) + 3(z − 1) = 0

------------------------------------------------------------------------------------------------
2. Encuentre la ecuación del plano que pasa por los puntos: P = (1,2,1), Q = (− 2,3,−1)
 R = (1,0,4 )

Solución

El vector normal se encuentra efectuando el producto cruz de dos de los vectores que unen a los
tres puntos.

Con el vector y uno de los puntos se halla la ecuación del plano.

PQ = −3i + j − 2k  QR = 3i − 3 j + 5k

i j k
n = PQ X QR = − 3 1 − 2 = −i + 9 j + 6k
3 −3 5

Usando el punto R Tenemos:

  −1(x − 1) + 9( y − 0) + 6(z − 4) = 0

− x + 9 y − 6 z = 23
 Modelos Lineales

260
➢ ECUACIONES DE LOS PLANOS COORDENADOS

1. PLANO xy

El plano xy pasa por el origen (0,0,0) y cualquier vector a lo largo del eje z es normal a él.

El vector más simple es k = (0,0,1)

Tenemos que:

0(x − 0) + 0( y − 0) + 1(z − 0) = 0

Lo que implica que: z = 0

Planos paralelos al plano xy tienen la ecuación: z = c

2. PLANO xz tiene la ecuación: y = 0

Planos paralelos al plano xz tienen la ecuación: y = b

3. PLANO yz tiene la ecuación: x = 0

Planos paralelos al plano yz tienen la ecuación x = a

➢ PLANOS PARALELOS

Dos planos son paralelos si sus vectores normales son paralelos, es decir si el producto cruz de
sus vectores normales es igual a cero.

Ejemplo:

Determine si los planos  1 : 2 x + 3 y − z = 3   2 : − 4 x − 6 y + 2 z = 8 son paralelos.

i j k
n1 Xn 2 = 2 3 − 1 = 0i + 0 j + 0k = 0
−4 −6 2

 1 ll  2

➢ PLANOS NO PARALELOS
 Modelos Lineales

261
Si dos planos no son paralelos, entonces se intersecan en una línea recta.

Ejemplo:

Encuentre todos los puntos de intersección de los planos:

2 x − y − z = 3  x + 2 y + 3z = 7

Se debe resolver un sistema de 2 X 3

 2 −1 −1 3  1 2 3 7  R2 = R2 + R1 (− 2) 1 2 3 7
  =   
1 2 3 7   2 − 1 − 1 3  0 − 5 − 7 − 11
 

11 7
− 5 y − 7 z = −11  y = − z
5 5

 11 7  13 1
x + 2 − z  + 3 z = 7  x = − z
5 5  5 5

Sea: z = t

La solución es:

13 1 11 7
x= − t, y = − t, z = t
5 5 5 5

6.3.4 EJERCICIOS DE ENTRENAMIENTO

Encuentre la magnitud o norma y los ángulos directores de cada vector. Dibuje cada vector.

✓ v = (− 15,−7,4)

✓ v = 6i − 2 j − 5k

✓ v = −4i + 8 j − 13k

✓ v = (5,3,−8)

Rectas y planos en el espacio.

En los siguientes problemas encuentre una ecuación vectorial, las ecuaciones paramétricas y las
ecuaciones simétricas de cada recta dada.
 Modelos Lineales

262
✓ Contiene a: (5, 11, 4)  (5, 12, − 7 )

✓ Contiene a: (1, 2, 3)  (4, − 2, 4)

En los siguientes problemas encuentre la ecuación del plano

➢ P = (6, − 4, 5); n = 3i − 3 j − 5k

➢ Contiene a: (4, − 2, − 7 ), (6, 1, 2)  (3, − 6, 8)

ACTIVIDAD

1. Encuentre la magnitud o norma y la dirección de cada uno de los siguientes vectores,

además dibuje cada vector:

✓ v = (4,−9)

✓ v = (− 14,−4)

✓ v = (− 5,12)

(
✓ w = − 5, 3 )
✓ w = (1,−14)

✓ w = 2i − 3 j

2. Encuentre la magnitud o norma y los ángulos directores de cada vector. Dibuje cada
vector:

• v = (3,−3,2)

• v = 2i − j + k

• v = −2i − 3 j − k

• v = 2i + 5 j − 7k

• v = −3i − 3 j + 5k
 Modelos Lineales

263
• v = i + 2k

3. Dados los siguientes vectores encuentre vectores unitarios para cada uno de ellos:

➢ v = 12i + 3 j

➢ v = 2i − 3 j + 2k

➢ v = −3 j − 5k

➢ v =i+ j+k

4. Calcule el producto escalar entre el par de vectores dados y el ángulo entre ellos.

✓ u =i+ jv =i− j

✓ u = −3i  v = 12 j

✓ u = i + 5 j  v = 3i + 2 j

✓ u = 3i − 12 j + 2k  v = −2i + 3 j − 7k

✓ u = −4k  v = 2i + 5 j − 4k

✓ u = i + j + k  v = −2 j + 5k

5. Determine si los dos vectores dados son paralelos, ortogonales o ninguno de los dos:

• u = 2i + 5 j  v = −6i − 10 j

• u = 6i − 4 j  v = 2i + 3 j

• u = 12i + 18 j  v = 6i + 4 j

• u = 2i + 3 j  v = −3i + 2 j

• u = 4i − 3 j + 5k  v = −8i + 6 j + 10k
 Modelos Lineales

264

6. Sean: u = i − 3 j + 2k , v = −3i − 5 j + 6k , w = 3i − 7 j + 2k  t = i − 5 j + 5k

Halle:

➢ u+v

➢ 2u − 3v

➢ t + 3w − v

➢ 2u − 7w + 5v

➢ 2v + 7t − w

➢ u.v

w
➢

➢ u.w − w.t

proyu v
➢

proyt w
➢

7. Calcule proyv u

• u = (− 15,27,63)  v = (− 84,−77,51)

• u = (4,−3)  v = (− 6,4)

• v = (5,2)  u = (− 3,−5)

• u = 3i + 5 j − 2k  v = 7i + 12k

• u = 5i − 2 j − 8k  v = i − 3 j − 3k

8. Encuentre el producto cruz u x v

 Modelos Lineales

265
✓ u = 2i − 4 j + 3k  v = 6i − 3 j + 5k

✓ u = 3i − 9 j + 15k  v = 3i − j − k

✓ u = i + 7 j − 3k  v = −i − 7 j + 3k

✓ u = 3i − 2 j  v = 3k

✓ u = −15i − 10 j + 5k  v = 6i + 4 j − 2k

9. En los siguientes problemas encuentre una ecuación vectorial, las ecuaciones

paramétricas y las ecuaciones simétricas de cada recta dada.

➢ Contiene a: (5, 1, 3)  (1, 2, − 1)

➢ Contiene a: (7, − 1, 1)  (− 1, 1, − 7 )

➢ Contiene a: (− 8, 1, 3)  (2, 0, 1)

➢ Contiene a: (12, 3, − 4)  (2, 5, − 4)

➢ Contiene a: (0, 2, 3)  (3, 2, 11)

➢ Contiene a: (2, 1, 3)  (− 1, − 2, 8)

10. En los siguientes problemas encuentre la ecuación del plano

• P = (4, 2, 3); n = i + 3 j

• P = (− 3, − 4, 5); n = −3i − 4 j + 5k .

• P = (0, − 2, 5); n = 2i − 7 j − 4k .

• Contiene a: (1, 2, − 4), (3, 3, 7 )  (− 3, − 1, 3)

• Contiene a: (− 2, 1, 0), (5, − 1, 3)  (4, 1, 5)
• Contiene a: (1, 0, 0); (0, 1, 0)  (0, 0, 1)
• Contiene a: (2, 1, − 2), (3, − 1, − 1)  (3, 1, 4)
 Modelos Lineales

266
7 UNIDAD 7 SISTEMAS DE DESIGUALDADES LINEALES

➢ Costo Marginal: El costo marginal se define como la variación en el costo total, ante el
aumento de una unidad en la cantidad producida. Dicho en otras palabras, es el costo de
producir una unidad adicional

➢ Desigualdad: Una desigualdad es una oración matemática que contiene un signo de

desigualdad. Los signos de desigualdad son: < - menor que> - mayor que - ≤ menor o
igual que - ≥ mayor o igual que… Una desigualdad que tiene variable se llama
inecuación. Por ejemplo: 𝑥 + 3 < 7 (La punta del signo < siempre señala el menor)

➢ Dualidad: El concepto de dualidad indica que para cada problema de programación

lineal (primal) hay una asociación y una relación muy importante con otro problema
de programación lineal, llamado dual. Tanto el problema primal como el problema dual
dan el mismo valor de la función objetivo.
 Modelos Lineales

267
➢ Excel Solver: Solver es un programa de complemento de Microsoft Excel que puede usar
para llevar a cabo análisis y sí. ... Solver ajusta los valores de las celdas de variables de
decisión para que cumplan con los límites de las celdas de restricción y den el resultado
deseado en la celda objetivo.

➢ Excel: Microsoft Office Excel es una hoja de cálculo que sirve para manejar datos
numéricos o alfanuméricos agrupados en filas y columnas también llamadas tablas de
datos.

➢ Método Simplex: Entendemos que un modelo es lineal cuando las variables, tanto de la
Función Objetivo como de las restricciones son lineales, es decir tiene exponente igual a
uno, es decir que no existen variables con exponente dos o mayor.

➢ Plano: En geometría, un plano es un objeto ideal que solo posee dos dimensiones, y
contiene infinitos puntos y rectas; es un concepto fundamental de la geometría junto con
el punto y la recta

➢ Precio sombra: Los precios sombra son una de las derivaciones más importantes del
método de programación lineal. ... Los precios sombra nos indican cómo el valor máximo
o mínimo de la función objetivo responde a un cambio unitario en la restricción o
condición.

➢ Programación Lineal: Se conoce como programación lineal a la técnica de la matemática

que permite la optimización de una función objetivo a través de la aplicación de diversas
restricciones a sus variables.

➢ Semiplano: El concepto de semiplano se utiliza en el ámbito de la geometría para

denominar a las porciones de un plano que están delimitadas por cualquiera de sus rectas.
Cabe destacar que cada recta divide al plano en dos porciones (es decir, en
dos semiplanos).

➢ Sensibilidad: El análisis de sensibilidad o postoptimal para los modelos de Programación

Lineal, tiene por objetivo identificar el impacto que resulta en los resultados del problema
original luego de determinadas variaciones en los parámetros, variables o restricciones
del modelo, sin que esto pase por resolver el problema
 Modelos Lineales

268
7.1.1 OBJETIVO GENERAL
➢ Reconocer planos, semiplanos y las diferentes desigualdades en varias variables. su
aplicación en el entorno de las matemáticas.

7.1.2 OBJETIVOS ESPECIFICOS

➢ Definir planos y semiplanos y sus aplicaciones.

➢ Determinar el conjunto solución de un sistema de desigualdades lineales (en varias

variables) y su representación gráfica.

7.1.3 PRUEBA INICIAL

Resolver los siguientes sistemas de ecuaciones utilizando el método matricial:

Problemas tomados de:

http://docs.uprb.edu/deptmate/material%20suplementario/CIME/10mo%20a%2012mo/Sistem
as%20de%20Ecuaciones%20Lineales%20y%20Determinantes.pdf

1) La solución del siguiente sistema, estaría dado por:

5𝑥1 + 3𝑥2 + 𝑥3 = 4

−2𝑥1 − 𝑥2 + 2𝑥3 = 6

𝑥1 − 2𝑥2 − 𝑥3 = −8

2) Encontrar la matriz aumentada del siguiente sistema:

𝑥1 − 3𝑥3 + 𝑥2 = 1

𝑥3 − 𝑥2 = 2 − 𝑥1

𝑥2 + 𝑥1 = 𝑥3 − 5
 Modelos Lineales

269
3) Cuál sería la representación matricial del siguiente sistema de ecuaciones lineales y la
solución del mismo:

𝑥1 + 2𝑥2 − 3𝑥3 = −4

−𝑥1 + 𝑥2 + 5𝑥3 = 1

2𝑥1 − 𝑥2 − 𝑥3 = −2

4) Hallar el valor de la variable 𝑥1 al resolver el siguiente sistema:

2𝑥1 + 5𝑥2 = 4

−𝑥1 − 2𝑥2 = −1

5) Hallar el valor de la variable 𝑥2 al resolver el siguiente sistema:

−2𝑥1 + 3𝑥2 − 𝑥3 = 7

4𝑥1 − 2𝑥2 + 5𝑥3 = −3

𝑥1 + 2𝑥2 − 3𝑥3 = 0

6) ¿Cuál de las siguientes matrices está en forma escalonada reducida?

0 0 2 0
𝑎) [1 0 0 0]
0 1 0 1

0 0 0 0
𝑏) [0 1 0 0]
0 0 1 0

0 0 1 0
𝑐) [1 0 0 1]
0 1 0 0

1 0 0 4
𝑑) [0 1 0 5]
0 0 1 2

7) Si la matriz escalonada reducida de un sistema de ecuaciones lineales tiene la forma:

 Modelos Lineales

270
1 0 0 2
[0 1 0] −3
0 0 0 −4

Cual de las siguientes opciones sería la correcta:

a) Tiene solución única.

b) Tiene infinitas soluciones.

c) No tiene solución.

d) No se puede determinar el tipo de solución.

8) Al evaluar el determinante:

2 −4
| |
5 −3

¿Cuál sería su valor?

9) Al evaluar el determinante

1 4 5
|2 −1 2 |
0 3 −3
¿Cuál sería su valor?

3 4 3 (4 + 6)
10) Sí (det 𝐴) = | | 𝑦 (det 𝐵) = | |
−1 5 −1 (5 + (−2))

Cuál de las siguientes opciones sería la correcta:

𝑎) (det 𝐵) = (𝑑𝑒𝑡𝐴) + 2

𝑏) (det 𝐵) = (𝑑𝑒𝑡𝐴)

𝑐) (det 𝐵) = 2(𝑑𝑒𝑡𝐴)

𝑑) (det 𝐵) = −(𝑑𝑒𝑡𝐴)

11) Utilizando la Regla de Cramer, resuelva el siguiente sistema:

 Modelos Lineales

271
−2𝑥1 −𝑥2 + 𝑥3 = 2

𝑥1 + 𝑥2 − 2𝑥3 = 1

−𝑥1 + 2𝑥2 − 𝑥3 = 2

7.2 TEMA 1 PLANOS Y SEMIPLANOS

➢ DEFINICIÓN DE PLANO:

• ¿Qué es un plano?

El término plano (del latín planus) hace referencia a:

Un objeto o superficie lisa o llana, que no tiene relieves.

De manera más específica:

Un plano es uno de los tres elementos fundamentales de la geometría, junto con

el punto y la recta, o bien un objeto de representación visual de objetos,
estructuras o superficies geográficas.
• EL PLANO EN GEOMETRÍA

En geometría se considera que:

Un plano es una superficie lisa, de dos dimensiones, que puede albergar

infinitos puntos y rectas.
Los planos geométricos son objetos ideales, que no poseen volumen, se suelen nombrar con
letras mayúsculas (plano A, plano B, plano C, entre otros).

Un plano geométrico puede definirse de diferentes maneras, en base a los otros dos elementos
fundamentales (el punto y la recta) de la geometría.

➢ EL PLANO EN ALGUNAS DISCIPLINAS

• EL PLANO EN LA ARQUITECTURA, LA INGENIERÍA Y EL DISEÑO INDUSTRIAL O ARTÍSTICO

 Modelos Lineales

272
Otro significado muy usual del término plano hace referencia de un diagrama de representación
gráfica de tipo bidimensional (es decir, dibujado sobre una superficie plana), que representa
objetos o estructuras tridimensionales.

Este tipo de planos son muy utilizados en:

✓ La arquitectura, donde sirven para lograr una representación sobre la estructura del
edificio o casa (que se utiliza tanto para construir la estructura como para realizar
modificaciones importantes en ella).

✓ En ingeniería se utilizan para representar la estructura y el funcionamiento de máquinas,

puentes, fábricas, entre otros, y en

✓ El diseño industrial o artístico son usados para que el diseñador pueda:

▪ Estipular las características del objeto, y

▪ Los pasos a seguir para construirlo.

• EL PLANO CARTOGRÁFICO

Otro significado del término plano se da en la cartografía, donde un plano (en este caso
llamado plano cartográfico):

Es una representación gráfica de una superficie extensa de territorio,

conservando las proporciones reales a través de la utilización de escalas.
Ejemplos comunes de planos son los llamados planos urbanos, donde se representa la compleja
estructura de una ciudad, indicando sus calles, avenidas, sistemas de cloacas, de electricidad, de
cañerías, entre otros.

A diferencia de los mapas, los planos no necesitan de una proyección para ser elaborados, ya que
no buscan representar una superficie curva en una superficie plana, sino tan sólo conservar las
proporciones de las distancias reales.

Por esta razón, los mapas suelen utilizarse en la representación gráfica de extensiones
geográficas más amplias que las representadas en los planos cartográficos (como, por ejemplo,
países, continentes o el globo terráqueo en su totalidad).

https://significado.net/plano/
 Modelos Lineales

273

➢ EL PLANO (GEOMETRÍA)

Gráfica de dos hipérbolas y sus asíntotas en el plano cartesiano.

Representación gráfica informal de un plano.

En geometría, un plano es un objeto ideal que solo posee dos dimensiones, y contiene
infinitos puntos y rectas.
El plano es un concepto fundamental de la geometría junto con el punto y la
recta.
Cuando se habla de un plano de polina, se está hablando del objeto geométrico que no posee
volumen, es decir, que es bidimensional, y que contiene un número infinito de rectas y puntos.
Sin embargo, cuando el término se utiliza en plural, se está hablando de aquel material que es
elaborado como una representación gráfica de superficies en diferentes posiciones. Como lo
vimos anteriormente, los planos son especialmente utilizados en ingeniería, arquitectura y
diseño, ya que sirven para diagramar en una superficie plana o en otras superficies que son
regularmente tridimensionales.
Un plano puede construirse a partir de cada una de las siguientes premisas:
 Modelos Lineales

274
✓ Tres puntos que no estén alineados (de lo contrario formarían una recta).

✓ Dos rectas (ya se trate de rectas que se cortan en algún punto o de rectas paralelas).

✓ De una recta y de un punto que sea exterior a la recta.

Los planos, por lo general:

• Se nombran con una letra del alfabeto griego.
• Se representan gráficamente, para su mejor visualización, como una figura
delimitada por bordes irregulares (para indicar que el dibujo es una parte de
una superficie infinita).
En un sistema de coordenadas cartesianas, un punto del plano queda determinado por un par
ordenado, llamados abscisa y ordenada del punto. Mediante ese procedimiento:
✓ A todo punto del plano corresponden siempre dos números reales ordenados
(abscisa y ordenada), y recíprocamente,
✓ A un par ordenado de números corresponde un único punto del plano.
Consecuentemente, el sistema cartesiano establece una correspondencia biunívoca entre:
✓ Un concepto geométrico como es el de los puntos del plano, y
✓ Un concepto algebraico como son los pares ordenados de números.
✓ En coordenadas polares, por un ángulo y una distancia.
Nota: Esta correspondencia constituye el fundamento de la geometría analítica.
El área es una medida de extensión de una superficie, o de una figura geométrica plana,
expresada en unidades de medida denominadas unidades de superficie. Para superficies planas
el concepto es más intuitivo. Cualquier superficie plana de lados rectos, por ejemplo un polígono,
puede triangularse y se puede calcular su área como suma de las áreas de dichos triángulos.
Ocasionalmente se usa el término "área" como sinónimo de superficie, cuando hay claridad
entre:
✓ El concepto geométrico en sí mismo (superficie), y
✓ La magnitud métrica asociada al concepto geométrico (área).
 Modelos Lineales

275
➢ PROPIEDADES DEL PLANO ℝ3

▪ Intersección de dos planos en un espacio tridimensional.

▪ Representación isométrica de dos planos perpendiculares.
En un espacio euclidiano tridimensional ℝ3, podemos hallar los siguientes hechos (los cuales no
son necesariamente válidos para dimensiones mayores):

▪ O bien dos planos son paralelos, o bien se intersecan en una línea.

▪ O bien una recta es paralela a un plano, o bien se interseca con el mismo
en un punto, o bien está contenida en él.
▪ Dos rectas perpendiculares a un mismo plano son paralelas entre sí.
▪ Dos planos perpendiculares a una misma recta son paralelos entre sí.
▪ Entre un plano Π cualquiera y una recta no perpendicular al mismo existe
sólo un plano tal que contiene a la recta y es perpendicular al plano Π.
▪ Entre un plano Π cualquiera y una recta perpendicular al mismo existen
infinitos planos tales que contienen a la recta y son perpendiculares al
plano Π.

➢ ECUACIÓN VECTORIAL DEL PLANO

Un plano queda definido por los siguientes elementos geométricos:
Un punto y dos vectores
Esto es:
 Modelos Lineales

276
𝑃𝑢𝑛𝑡𝑜 𝑷 = (𝑥1 , 𝑦1 , 𝑧1 )
𝑉𝑒𝑐𝑡𝑜𝑟 𝒖 = (𝑢𝑥 , 𝑢𝑦 , 𝑢𝑧 )
𝑉𝑒𝑐𝑡𝑜𝑟 𝒗 = (𝑎2 , 𝑏2 , 𝑐2 )
Obteniendo la ecuación:
(𝒙, 𝒚, 𝒛) = (𝒙𝟏 , 𝒚𝟏 , 𝒛𝟏 ) + 𝒎(𝒖𝒙 , 𝒖𝒚 , 𝒖𝒛 ) + 𝒏(𝒂𝟐 , 𝒃𝟐 , 𝒄𝟐 )
donde 𝒎 y 𝒏 son escalares.
Esta es la forma vectorial del plano; sin embargo, la forma más utilizada es la reducida, resultado
de igualar a cero el determinante formado por los dos vectores y el punto genérico 𝑿 = (𝒙, 𝒚, 𝒛)
con el punto dado. De esta manera la ecuación del plano está dada por:

(𝑿 − 𝑷) 𝒙 − 𝒑𝒙 𝒚 − 𝒑𝒚 𝒛 − 𝒑𝒛
| 𝒖 | = 𝟎 ⇒ | 𝒖𝒙 𝒖𝒚 𝒖𝒛 | = 𝟎 = 𝑨𝒙 + 𝒃𝒚 + 𝑪𝒛 + 𝒅 = 𝟎
𝒗 𝒗𝒙 𝒗𝒚 𝒗𝒛

Donde (𝑨, 𝑩, 𝑪) es un vector perpendicular al plano y coincide con el producto vectorial de los
vectores 𝒖 y 𝒗.
La fórmula para hallar la ecuación cuando no está en el origen está dada por:
𝒂(𝒙 − 𝒉) + 𝒃(𝒚 − 𝒌) + 𝒄(𝒛 − 𝒋) = 𝟎

Estrictamente la ecuación del plano determinado por un punto fijo y dos vectores 𝑨 y 𝑩
no colineales, está dada por:
𝑷 = 𝑷𝟎 + 𝒎𝑨 + 𝒏𝑩

➢ ECUACIÓN MEDIANTE VECTOR ORTOGONAL

𝒂. 𝒙 = 𝟎,
Donde:
✓ 𝒂 es un vector ortogonal, y
✓ 𝒙 un punto del plano.
✓ POSICIÓN RELATIVA ENTRE DOS PLANOS
 Modelos Lineales

277
Si tenemos un plano 1 con un punto A y un vector normal 1, y también tenemos un plano 2 con
un punto B y un vector normal 2.
Sus posiciones relativas pueden ser:

POSICIÓN RELATIVA CARACTERÍSTICAS

La misma dirección de los vectores normales y el punto A

Planos coincidentes pertenece al plano 2 (𝑨 ∈ 𝚷 𝟐)

Sí tienen la misma dirección los vectores normales y el

Planos paralelos
punto A no pertenece al plano 2 (𝑨 ∉ 𝚷 𝟐)

Planos secantes Sí los vectores normales no tienen la misma dirección.

𝚷: 𝑺í𝒎𝒃𝒐𝒍𝒐 𝒑𝒂𝒓𝒂 𝒓𝒆𝒑𝒓𝒆𝒔𝒆𝒏𝒕𝒂𝒓 𝒖𝒏 𝒑𝒍𝒂𝒏𝒐

➢ DISTANCIA DE UN PUNTO A UN PLANO

Para un plano cualquiera Π: 𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 + 𝒅 = 𝟎 y un punto cualquiera

𝑷𝟏 = (𝒙𝟏 , 𝒚𝟏 , 𝒛𝟏 ) no necesariamente contenido en dicho plano Π, la menor distancia
entre 𝑷𝟏 y el plano Π está dada por:
|𝒂𝒙𝟏 + 𝒃𝒚𝟏 + 𝒄𝒛𝟏 + 𝒅|
𝑫=
√𝒂𝟐 + 𝒃𝟐 + 𝒄𝟐

De lo anterior se concluye que:

El punto 𝑷𝟏 pertenecerá al plano Π sí y solo si 𝑫 = 𝟎.

Si los coeficientes a, b y c de la ecuación canónica de un plano cualquiera están normalizados,

esto es cuando √𝒂𝟐 + 𝒃𝟐 + 𝒄𝟐 = 𝟏, entonces la fórmula anterior de la distancia D se reduce a:

𝐷 = |𝒂𝒙𝟏 + 𝒃𝒚𝟏 + 𝒄𝒛𝟏 + 𝒅|

➢ SEMIPLANO
 Modelos Lineales

278

Plano cuadriculado.

Se llama semiplano, en geometría, cada una de las dos partes en que un plano queda dividido
por una recta.

El concepto de semiplano se utiliza en el ámbito de la geometría para denominar a las porciones

de un plano que están delimitadas por cualquiera de sus rectas. Cabe destacar que cada recta
divide al plano en dos porciones (es decir, en dos semiplanos).

Para entender qué es un semiplano, resulta imprescindible comprender la noción de plano.

Puede decirse que un plano es un objeto geométrico ideal que alberga una cantidad infinita de
rectas y de puntos y que tiene sólo dos dimensiones.

El plano, la recta y el punto son los conceptos esenciales de la especialidad de la matemática

que conocemos como geometría.

Los planos, por lo tanto, se dividen en semiplanos por las rectas que lo atraviesan. Cada una de
las rectas, de este modo, genera dos semiplanos en el plano. Estos semiplanos, por supuesto, no
necesariamente tienen las mismas dimensiones.

Las leyes de la geometría indican que en cada par de semiplanos creados por una recta 𝑥 existe
una cantidad infinita de puntos.

Todo punto perteneciente al plano en cuestión, por otro lado, pertenece a alguno
de los dos semiplanos determinados por la recta o a la recta misma.
Dos puntos contenidos en el mismo semiplano, además, forman un segmento que no se cruza
con la recta 𝑥, mientras que dos puntos contenidos en distintos semiplanos crean un segmento
que sí corta la recta 𝑥.

De la misma manera, no podemos olvidar que existen dos tipos fundamentales de semiplanos:
 Modelos Lineales

279
SEMIPLANO ABIERTO

Es aquel en el que la intersección es la recta borde común. Es decir, que no contiene la línea
que lo acota.

SEMIPLANO CERRADO.

Bajo esta denominación se encuentra el semiplano que, al contrario que el anterior, sí contiene
la citada línea encargada de acotarlo.

De lo anterior se concluye que:

✓ Si el semiplano 1 alberga el punto 𝑃 y el semiplano 2 contiene el punto 𝑆, el

segmento 𝑃𝑆 cortará la recta 𝑋. Por otro lado,
✓ Si el semiplano 1 cuenta con los puntos 𝑃 y 𝑊, el segmento 𝑃𝑊 𝑛𝑜 𝑐𝑜𝑟𝑡𝑎𝑟á 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎.

Asimismo, hay otros datos de interés que merece la pena conocer de este elemento que nos
ocupa, como son los siguientes:

✓ Todo punto de un plano pertenece a la recta de la división o bien a uno de los dos
mencionados semiplanos.

• Cualquier segmento que esté determinado por lo que son dos puntos del mismo semiplano
no corta a lo que es la llamada recta de división. Por el contrario,

• Cualquier segmento que esté determinado por lo que son dos puntos de los distintos
semiplanos sí procede a cortar la mencionada recta de división.

Evaluando Analíticamente, se tiene que:

➢ La inecuación 𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 ≥ 𝟎 determina un semiplano y su recta frontera está

dada por la ecuación: 𝒂𝒙 + 𝒃𝒚 + 𝒄 = 𝟎
 Modelos Lineales

280
➢ La inecuación 𝑎𝒙 + 𝒃𝒚 + 𝒄𝒛 > 0 determina un semiplano sin incluir la
frontera 𝒂𝒙 + 𝒃𝒚 + 𝒄 = 𝟎. Este semiplano es un conjunto:
✓ Convexo,
✓ Abierto, y
✓ No acotado.

➢ PARTICIÓN DEL PLANO

La recta de ecuación 𝐿 = 𝒂𝒙 + 𝒃𝒚 + 𝒄 = 𝟎 y los semiplanos

𝑺𝟏 = 𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 < 𝟎, 𝑺𝟐 = 𝑎𝒙 + 𝒃𝒚 + 𝒄𝒛 > 𝟎, determinan una partición del plano,

de modo que un punto cualquiera de este está exactamente en uno, y sólo uno de los tres
conjuntos: recta 𝑳, semiplanos 𝑺𝟏 o 𝑺𝟐 .

• POSTULADOS DE LA DIVISIÓN DE UN PLANO

En cada pareja de semiplanos que una 𝒓𝒆𝒄𝒕𝒂 𝒓 determina sobre un plano existen
infinitos puntos tales que:
Todo punto del plano pertenece a uno de los dos semiplanos o a la recta que los determina.
Dos puntos del mismo semiplano determinan un segmento que no corta a la recta 𝒓.
Dos puntos de semiplanos diferentes determinan un segmento que corta a la recta 𝒓.
↑ Hasser Análisis matemático tomo II
↑ A. S. Solodóvnikov Sistemas de desigualdades lineales Editorial Mir Moscú (1980)
Weisstein, Eric W. «Plano». En Weisstein, Eric W, ed. MathWorld (en inglés). Wolfram Research.
"Reduciendo la dificultad de la geometría aritmética y planar" es un manuscrito árabe del siglo
XV, que sirve como un tutorial sobre geometría plana y la aritmética

Además de todo lo expuesto, no podemos pasar por alto la existencia de distintos tipos de
semiplanos que se han convertido en elementos fundamentales de la Geometría. Este sería el
caso, por ejemplo, del llamado semiplano de Poincaré o semiplano superior de Poincaré, que
fue descubierto por el matemático que le da nombre.

Básicamente bajo esa denominación se encuentra un modelo de semiplano que es eje

fundamental de la geometría hiperbólica y que se conoce como semiplano superior. Tiene la
particularidad de que toma la parte de arriba de lo que es el plano cartesiano, pero sin “coger” lo
que es el eje 𝒙.
 Modelos Lineales

281
Autores: Julián Pérez Porto y María Merino. Publicado: 2014. Actualizado: 2016Definiciones:
Definición de semiplano (https://definicion.de/semiplano/)

https://www.ecured.cu/Topolog%C3%ADa_usual_del_plano

En la geometría no euclidiana , el modelo semiplano Poincaré es el semiplano superior,

denotado a continuación como H , junto con una métrica , la Poincaré métrica , que hace que sea
un modelo de dos dimensiones para la geometría hiperbólica .

{(𝒙, 𝒚) ∕ 𝒚 > 𝟎, 𝒙, 𝒚 ∈ ℝ}

De manera equivalente el modelo semiplano Poincaré se describe a veces como un plano

complejo , donde la parte imaginaria (la 𝒀 de coordenadas mencionado anteriormente) es
positiva.
El modelo semiplano de Poincaré es el nombre de Henri Poincaré , sino que se originó
con Eugenio Beltrami , que lo utilizó, junto con el modelo de Klein y el modelo del disco de
Poincaré (debido a Bernhard Riemann ), para demostrar que la geometría hiperbólica
se equiconsistente con la geometría euclidiana .
Este modelo es conformal que significa que:
Los ángulos medidos en un punto son los mismos en el modelo ya que están en el
plano hiperbólico real.
El Cayley transformar proporciona una isometría entre el modelo semiplano y el modelo de disco
de Poincaré.
Este modelo se puede generalizar para modelar un dimensional espacio
hiperbólico reemplazando el número real 𝒙 por un vector en un 𝒏 dimensional espacio vector,
𝒏+𝟏
• MÉTRICA

La métrica del modelo sobre el semiplano, está dada por:

 Modelos Lineales

282
{(𝒙, 𝒚) ∕ 𝒚 > 𝟎}

𝟐
(𝒅𝒙)𝟐 + (𝒅𝒚)𝟐
(𝒅𝒔) =
(𝒅𝒔)𝟐

Donde 𝒔 mide la longitud a lo largo de una línea (posiblemente curvada).

Las líneas rectas en el plano hiperbólico ( geodésicas de este tensor métrico, es decir, curvas que
minimizan la distancia) se representan en este modelo por arcos circulares perpendiculares a
las 𝒙 eje 𝒚 (semicírculos cuyo origen está en la 𝒙 eje 𝒚) y rayas verticales rectas perpendiculares
a la 𝒙 eje 𝒚.

• CÁLCULO DE LA DISTANCIA

En general, la distancia entre dos puntos de medida en esta métrica a lo largo de una geodésica
está dada por:
(𝒙𝟐 − 𝒙𝟏 )𝟐 + (𝒚𝟐 − 𝒚𝟏 )𝟐
𝒅𝒊𝒔𝒕𝒂𝒏𝒄𝒊𝒂 (𝒙𝟏 , 𝒚𝟏) ), (𝒙𝟐 , 𝒚𝟐 ) = 𝒂𝒓𝒄𝒐𝒔𝒉 (𝟏 + )
𝟐𝒚𝟏 𝒚𝟐

=
𝟏 (𝒙𝟐 − 𝒙𝟏 )𝟐 + (𝒚𝟐 − 𝒚𝟏 )𝟐
𝟐𝒂𝒓𝒔𝒆𝒏𝒉 √
𝟐 𝒚𝟏 𝒚𝟐

=
√(𝒙𝟐 − 𝒙𝟏 )𝟐 + (𝒚𝟐 − 𝒚𝟏 )𝟐 + √(𝒙𝟐 − 𝒙𝟏 )𝟐 + (𝒚𝟐 − 𝒚𝟏 )𝟐
𝟐𝒍𝒏
𝟐√𝒚 𝟏 𝒚𝟐

Nota: arcosh y arsinh son funciones hiperbólicas inversas

Esto es:

𝑎𝑟𝑠𝑒𝑛ℎ𝑥 = ln(𝑥 + √𝑥 2 + 1)
𝑎𝑟𝑐𝑜𝑠ℎ𝑥 = ln(𝑥 + √𝑥 2 − 1)
 Modelos Lineales

283
Algunos casos especiales pueden ser simplificados de la siguiente manera:
𝑦
❖ 𝐷𝑖𝑠𝑡 ((𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 )) = |𝑙𝑛 𝑦2| = |ln(𝑦2 ) − ln(𝑦1 )|
1
(𝑥2 −𝑥1 )2 |𝑥2 −𝑥1 |
❖ 𝐷𝑖𝑠𝑡 ((𝑥1 , 𝑦), (𝑥2, 𝑦)) = 𝑎𝑟𝑐𝑜𝑠ℎ(1 + 2𝑦 2
= 2𝑎𝑟𝑠𝑒𝑛ℎ( 2𝑦
1 1+𝑠𝑒𝑛𝜙
❖ 𝐷𝑖𝑠𝑡 (𝑥, 𝑟), (𝑟 ± 𝑟𝑠𝑒𝑛𝜙, 𝑟𝑐𝑜𝑠𝜙) = 𝑎𝑟𝑠𝑒𝑛ℎ(𝑡𝑎𝑛𝜙) = 𝑎𝑟𝑐𝑜𝑠ℎ ( ) = ln( )
𝑐𝑜𝑠𝜙 𝑐𝑜𝑠𝜙

https://es.qwe.wiki/wiki/Poincar%C3%A9_half-
plane_model#:~:text=El%20modelo%20semiplano%20de%20Poincar%C3%A9,equiconsistent%20con%20la%20geo
metr%C3%ADa%20euclidiana%20.

https://image.slidesharecdn.com/progamacin-130202214616-phpapp02/95/progamacin-7-
638.jpg?cb=1359841611
 Modelos Lineales

284

https://image.slidesharecdn.com/elementosbsicosegeometra-121111173300-phpapp01/95/elementos-bsicos-de-
geometra-6-638.jpg?cb=1352655222

https://i.ytimg.com/vi/ZVXkgJZE5ZI/hqdefault.jpg
 Modelos Lineales

285

https://slideplayer.es/slide/5580283/2/images/10/Semiplanos+infinitos+Semiplano+superior%3A+el+conjunto+de+
todos+los.jpg

https://image.slidesharecdn.com/programacionlineal-130204211035-phpapp01/95/programacion-lineal-5-
638.jpg?cb=1360012428
 Modelos Lineales

286

https://3.bp.blogspot.com/-
3tzikXs0rYQ/UaNtoMMg61I/AAAAAAAADHo/DlY4a4gvaHQ/s1600/RECTAS+,+PLANOS+,+DIEDROS+,+TRIEDROS+Y+
POLIEDROS+(1).gif
 Modelos Lineales

287
7.2.1 EJERCICIOS DE APRENDIZAJE
1. Hallar el punto de intersección de la recta:

𝑥 = 2𝑡
𝒓:{𝑦 = 3𝑡 + 1 𝑐𝑜𝑛 𝑒𝑙 𝑝𝑙𝑎𝑛𝑜 ⨅: 3𝑥 + 2𝑦 − 11𝑧 − 5 = 0}
𝑧=𝑡
Procedimiento:

Se reemplazan los valores de 𝒙, 𝒚, 𝒛 en la ecuación del plano y se tiene que:

3(2𝑡) + 2(3𝑡 + 1) − 11(𝑡) − 5 = 0

Realizando las operaciones indicadas:

6𝑡 + 6𝑡 + 2 − 11 − 5 = 0

Hallemos el valor de 𝑡:

12𝑡 − 11𝑡 = 5 − 2 → 𝑡 = 3
Reemplazando este valor en 𝒙, 𝒚, 𝒛, se tiene que:

𝒙 = 𝟐𝒕 → 𝒙 = 𝟐 × 𝟑 = 𝟔

𝒚 = 𝟑𝒕 + 𝟏 → 𝒚 = 𝟑(𝟑) + 𝟏 = 𝟏𝟎

𝒛=𝒕→𝒛=𝟑

Por lo tanto, las coordenadas del punto de intersección están dadas por el punto de coordenadas:

𝑷 (𝟔, 𝟏𝟎, 𝟑)

2. Consideremos la recta:
5𝑥 − 𝑦 + 𝑧 = 0
▪ 𝒓:{ 𝑥−𝑦−𝑧 =4 }
𝑦 𝑒𝑙 𝑝𝑙𝑎𝑛𝑜 ⨅: 𝑎𝑥 − 6𝑦 + 4𝑧 = 5

a) Calcular el valor de a para que la recta y el plano sean paralelos.

b) Calcular el valor de a para que la recta sea perpendicular al plano.

 Modelos Lineales

288
Procedimiento:

5 −1 1 5 −1 1 0
∗
Sea la matriz: 𝐴 = [1 −1 −1] y 𝑨 = [1 −1 −1 4 ]
𝑎 −6 4 𝑎 −6 4 5
a. Para que la recta y el plano sean paralelos se debe cumplir que:

𝑟𝑎𝑛𝑔𝑜(𝑎) = 2 ≠ 𝑟𝑎𝑛𝑔𝑜(𝑨∗ ) = 3, por lo tanto,

det(𝐴) = 0
5 −1 1
|𝐴| = |1 −1 −1| = (20 − 6 + 𝑎) − (−𝑎 + 30 − 4) = 2𝑎 − 52 = 0
𝑎 −6 4
Por lo tanto:

𝑎 = 26

Significa entonces que: la recta y el plano son paralelos cuando: 𝒂 = 𝟐𝟔

b. Para que la recta y el plano sean perpendiculares el vector director de la recta y el vector
normal al plano han de ser proporcionales, es decir:

(𝑎, −6, 4) = 𝛼(1, 3, −2) ⟹ −6 = 3𝛼 𝑦 𝑎 = 𝛼 ⟹ 𝑎 = −2

𝑥 = 3𝑡 − 1
3. Estudiar la posición relativa de la recta 𝑟: { 𝑦 = 𝑡 + 2 }, y el plano:
𝑧 = 2𝑡
Y el plano determinado por las coordenadas:

𝐴(1, 3, 2), 𝐵(2, 0, 1)𝑦 𝐶(1, 4, 3)

Procedimiento:

La ecuación del plano determinado por los puntos 𝑨, 𝑩 𝒚 𝑪 está dado por:

𝑥−1 𝑦−3 𝑧−2

det(𝐴𝑋, 𝐴𝐵, 𝐴𝐶) = | 1 −3 −1 | = 0
0 1 1
⇔
 Modelos Lineales

289
𝟐𝒙 + 𝒚 − 𝒛 − 𝟑 = 𝟎
Reemplazando los puntos de la recta en el plano, se tiene que:

2((3𝑡 − 1) + 𝑡 + 2 − 2𝑡 − 3 = 0

⇔
𝟑
5𝑡 = 3 ⇒ 𝒕 =
𝟓
Reemplazando este valor en las ecuaciones originales, se tiene que:

𝟑 𝟗 𝟒
𝒙 = 𝟑( )−𝟏 = −𝟏 =
𝟓 𝟓 𝟓
𝟑 𝟏𝟑
𝒚= +𝟐=
𝟓 𝟓
𝟑 𝟔
𝒛 = 𝟐( ) =
𝟓 𝟓
Entonces, la recta y el plano se cortan en el punto determinado por las coordenadas:

𝟒 𝟏𝟑 𝟔
𝑷( , , )
𝟓 𝟓 𝟓
4. Para qué valor de 𝒂 son paralelas las rectas:
4𝑥 + 5𝑦 + 2𝑧 − 3 = 0
𝑟: { },𝑦
𝑥 + 3𝑦 + 4𝑧 − 5 = 0

5𝑥 + 𝑦 + 𝑎𝑧 − 7 = 0
𝑠: { 1 }
10𝑥 + 9𝑦 + 𝑧 + 9 = 0
2
Procedimiento:

a. Método Matricial

El rango de 𝑨 tiene que ser 𝟐 y el de 𝑨∗ tiene que ser 𝟑, puesto que:

 Modelos Lineales

290
𝟒 𝟓 𝟐 𝟒 𝟓 𝟐 𝟑
𝟏 𝟑 𝟒 ∗
𝟏 𝟑 𝟒 𝟓
𝑨=[ ], 𝑨 =
𝟓 𝟏 𝟐𝒂
𝒂 𝟓 𝟏 𝟐𝒂 𝟕
𝒂
𝟏𝟎 𝟗 𝟐 [𝟏𝟎 𝟗 −𝟗]
𝟐

Se toma una matriz de orden 2𝑥2, resaltada en la matriz 𝐴:

4 5
𝑀=[ ]
1 3
4 5
𝑀=[ ] = (4 ↕× 3) − (5 × 1) = 12 − 5 = 7 ≠ 0
1 3
Por lo tanto, las dos primeras ecuaciones definen una recta, ya que:

4 5 2
|1 3 4 | = 14(𝑎 + 4) = 0 ⟺ 𝑎 = −4
5 1 2𝑎
Y:

4 5 2
7
|1 3 4
𝑎| = 2 (𝑎 + 4) = 0 ⟺ 𝑎 = −4
10 9
2

Se tiene entonces que: 𝑟𝑎𝑛𝑔𝑜 (𝐴) = 2 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠í 𝑎 = −4.

Por otro lado:

4 5 3
|1 3 5| ≠ 0 ⟹ 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 (𝐴∗ ) = 3
5 1 7

Entonces:

Son rectas paralelas no coincidentes para 𝒂 = −𝟒

b. Método Vectorial
 Modelos Lineales

291
𝒊⃗ 𝒋⃗ ⃑⃗
𝒌
|𝟒 𝟓 ⃑⃗ ⟹ (𝟐, 𝟐, 𝟏): 𝒓
𝟐| = 𝟏𝟒𝒊⃗ − 𝟏𝟒𝒋⃗ + 𝟕𝒌
𝟏 𝟑 𝟒

𝒊⃗ ⃑⃗
𝒋⃗ 𝒌
|𝟓 𝟏 𝟐𝒂| = − 𝟑𝟓𝒂 𝒊 + 𝟑𝟓𝒂 𝒋⃗ + 𝟑𝟓𝒌 𝒂 𝒂
⃑⃗ ⟹ (− , , 𝟏) : 𝒔
𝒂 𝟐 𝟐 𝟐 𝟐
𝟏𝟎 𝟗
𝟐
Para que 𝒓 y 𝒔 sean paralelas, sus vectores directores tienen que ser el mismo o ser
proporcionales, lo cual se da si 𝒂 = −𝟒

5. Analizar la posición relativa de los siguientes planos:

𝒙 − 𝟐𝒚 + 𝒛 = 𝟎
−𝒙 + 𝒚 + 𝒃𝒛 = 𝟏
{ }
𝟐𝒙 − 𝟐𝒚 + 𝒛 = 𝟏
𝒂𝒙 − 𝟐𝒚 + 𝒛 = −𝟑
Procedimiento:

Cuando se habla de analizar la posición relativa de los cuatro planos, lo que se dice realmente es
que se deben analizar las soluciones del sistema.

a. Las matrices de coeficientes del sistema (𝑨) y la matriz ampliada 𝑨∗ , están dadas por:

𝟏 −𝟐 𝟏
𝑨 = |−𝟏 𝟏 𝒃|
𝟐 −𝟐 𝟏
𝒂 −𝟐 𝟏
𝟏 −𝟐 𝟏 𝟎
𝑨∗ = |−𝟏 𝟏 𝒃 𝟏|
𝟐 −𝟐 𝟏 𝟏
𝒂 −𝟐 𝟏 −𝟑
Se calcula el determinante de la matriz ampliada 𝑨∗ :
 Modelos Lineales

292
𝟏 −𝟐 𝟏 𝟎
det(𝑨 ) = 𝒅𝒆𝒕 |−𝟏 𝟏 𝒃 𝟏 |,
∗
𝟐 −𝟐 𝟏 𝟏
𝒂 −𝟐 𝟏 −𝟑
Para hallar el determinante se realizan las siguientes operaciones entre las filas:

𝑭𝟑 − 𝑭𝟐
Y

𝑭𝟒 + 𝟑𝑭𝟐
Entonces:

𝟏 −𝟐 𝟏 𝟎 𝟏 −𝟐 𝟏
𝒅𝒆𝒕 | −𝟏 𝟏 𝒃 𝟏 | = 𝒅𝒆𝒕 | 𝟑 −𝟑 𝟏 − 𝒃 | =
𝟑 −𝟑 𝟏 − 𝒃 𝟎
𝒂−𝟑 𝟏 𝟏 + 𝟑𝒃
𝒂−𝟑 𝟏 𝟏 + 𝟑𝒃 𝟎
𝟐𝒂𝒃 + 𝒂 + 𝟒𝒃 + 𝟐 = (𝒂 + 𝟐)(𝟐𝒃 + 𝟏)

• CASO 1

𝒂 = −𝟐
−𝟏
𝒃≠
𝟐
𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨 = 𝟑 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨∗ = 𝟒 𝑺𝒊𝒔𝒕𝒆𝒎𝒂 𝒊𝒏𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆

𝐿𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒𝑛 𝑛𝑖𝑛𝑔ú𝑛 𝑝𝑢𝑛𝑡𝑜 𝑒𝑛 𝑐𝑜𝑚ú𝑛

• CASO 2

𝒂 = −𝟐
 Modelos Lineales

293
−𝟏
𝒃≠
𝟐
𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨 = 𝟑 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨∗ = 𝟑 𝑺𝒊𝒔𝒕𝒆𝒎𝒂 𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆

𝐿𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 𝑡𝑖𝑒𝑛𝑒𝑛 𝑢𝑛 𝑝𝑢𝑛𝑡𝑜 𝑒𝑛 𝑐𝑜𝑚ú𝑛

𝒂 = −𝟐
−𝟏
𝒃=
𝟐
𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨 = 𝟐 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨∗ = 𝟑 𝑺𝒊𝒔𝒕𝒆𝒎𝒂 𝒊𝒏𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆

𝐿𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒𝑛 𝑛𝑖𝑛𝑔ú𝑛 𝑝𝑢𝑛𝑡𝑜 𝑒𝑛 𝑐𝑜𝑚ú𝑛

𝐿𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 2 𝑦 3 𝑠𝑜𝑛 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑠 𝑦 𝑙𝑜𝑠 𝑜𝑡𝑟𝑜𝑠 𝑙𝑜𝑠 𝑐𝑜𝑟𝑡𝑎𝑛

• CASO 3

𝒂 ≠ −𝟐
−𝟏
𝒃=
𝟐
𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨 = 𝟐 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑨∗ = 𝟑 𝑺𝒊𝒔𝒕𝒆𝒎𝒂 𝒊𝒏𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆

𝑆𝑖 𝒂 = 𝟏, 𝑠𝑜𝑛 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑠 𝑙𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 1 𝑦 4 𝑦 𝑡𝑎𝑚𝑏𝑖é𝑛 𝑠𝑜𝑛 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑠 𝑙𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 2 𝑦 3

𝑆í 𝒂 = 𝟐 𝑙𝑜𝑠 𝑝𝑙𝑎𝑛𝑜𝑠 2, 3 𝑦 4 𝑠𝑜𝑛 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑠 𝑦 𝑒𝑙 𝑝𝑙𝑎𝑛𝑜 1 𝑙𝑜𝑠 𝑐𝑜𝑟𝑡𝑎 𝑎 𝑙𝑜𝑠 𝑡𝑟𝑒𝑠

http://caminos.udc.es/info/asignaturas/grado_tecic/101/AL1/pdfs/Precursos/problemas10.pdf
 Modelos Lineales

294
7.2.2 TALLER DE ENTRENAMIENTO
1. Dadas las rectas:

𝑥+2 𝑦−1 𝑧+1 𝑥−1 𝑦−3 𝑧

𝒓: = = y 𝒔: = =3
3 2 −1 −2 −2

Determinar la ecuación del plano que contiene a 𝒓 y es paralelo a 𝒔.

----------------------------------------------------------------------------------------
2. Hallar la ecuación del plano que contienen a las rectas:

𝑥+2 𝑦−1 𝑧+3 𝑥+2 𝑦−1 𝑧+3

𝒓: = = y 𝒔: = =
1 3 −1 −1 4 −2

----------------------------------------------------------------------------------------
3. Hallar la ecuación del plano que contiene al punto 𝑨(𝟐, 𝟓, 𝟏) y a la recta de ecuación:

𝑥−2 𝑦−1 𝑧+1

𝒓: = =
1 3 1

----------------------------------------------------------------------------------------
4. Hallar la ecuación del plano que contiene a la recta:

𝑥−2 𝑦−2 𝑧−4

𝒓: = =
1 −2 3

Y es paralelo a la recta:

𝑥 = 1 + 3𝜆
{𝑦 = 1 + 2𝜆}
𝑍=𝜆

----------------------------------------------------------------------------------------
5. Hallar la ecuación del plano que pasa por los puntos 𝑨 (𝟏, −𝟐, 𝟒), 𝑩 (𝟎, 𝟑, 𝟐) y es
paralelo a la recta:
 Modelos Lineales

295
𝑥−1 𝑦−2 𝑧+1
𝒓: = =
4 1 2

----------------------------------------------------------------------------------------
6. Sea π un plano que pasa por 𝑷 (𝟏, 𝟐, 𝟏) y corta a los semiejes coordenados positivos en
los puntos 𝑨, 𝑩 𝒚 𝑪. Sabiendo que 𝑒𝑙 𝑡𝑟𝑖á𝑛𝑔𝑢𝑙𝑜 𝐴𝐵𝐶 𝑒𝑠 𝑒𝑞𝑢𝑖𝑙á𝑡𝑒𝑟𝑜, hallar las ecuaciones
de π.

----------------------------------------------------------------------------------------
7. Hallar las ecuaciones de los ejes coordenados y de los planos coordenados.

----------------------------------------------------------------------------------------
8. Hallar las coordenadas del punto común al plano: 𝒙 + 𝟐𝒚 − 𝒛 − 𝟐 = 𝟎 y a la recta
⃑⃗ = (𝟐, 𝟒, 𝟏)
determinada por el punto 𝑷(𝟏, −𝟑, 𝟐) y el vector 𝒖

----------------------------------------------------------------------------------------
9. Hallar la ecuación implícita del plano que pasa por el punto 𝑷 (𝟏, 𝟏, 𝟏) y es paralelo a:

𝑥 = 1 + 2𝜆 − 3𝜇
{ 𝑦 = 3 + 2𝜇 }
𝑧 = −1 − 𝜇

----------------------------------------------------------------------------------------
10. Hallar la ecuación del plano paralelo a las rectas de ecuaciones:

𝑥−2 𝑦 𝑧+1 2𝑥 − 𝑦 + 𝑧 = −2
𝑟: = = y 𝑠={ }
−1 1 2 −𝑥 + 𝑦 + 3𝑧 = 1

y que pasa por el punto 𝑷(𝟏, 𝟏, 𝟐).

https://www.superprof.es/apuntes/escolar/matematicas/analitica/recta/problemas-del-plano.html
 Modelos Lineales

296
7.3 TEMA 2 DESIGUALDADES LINEALES
• Introducción

Antes de desarrollar el tema propuesto en la unidad, realicemos un repaso general sobre

desigualdades, recordando especialmente la conceptualización básica, que nos será de gran
utilidad en las temáticas a realizar.

¿Qué es una desigualdad lineal con una variable?

Una desigualdad lineal o inecuación lineal es una desigualdad compuesta por expresiones
lineales

con al menos una variable.

❖ Si la desigualdad utiliza los operadores < (𝒎𝒆𝒏𝒐𝒓 𝒒𝒖𝒆 … )𝒐 > (𝒎𝒂𝒚𝒐𝒓 𝒒𝒖𝒆 … ),
se le denomina:

Desigualdad lineal en sentido estricto.

❖ Si la desigualdad utiliza los operadores ≤ (𝒎𝒆𝒏𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 … 𝒐 ≥
(𝒎𝒂𝒚𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 … ), se le denomina:

Desigualdad lineal en sentido amplio.

¿Cómo se grafican las desigualdades lineales?

Para graficar una desigualdad como 𝑥 > 5 en una recta numérica, primero dibuja un círculo
sobre el número (por ejemplo, 5). Luego:

• Si el signo incluye la parte de igual que (≥ 𝒐 ≤), se rellena el círculo, lo que indica que en
el conjunto solución se incluye dicho extremo y se represita con corchete, esto es:

−∞ ≤ 5 ≥ +∞
(−∞, 5] [5, +∞)
 Modelos Lineales

297
• Si el signo no incluye el igual que (> 𝑜 <), deja el círculo vacío, se representa con
paréntesis esto es:

< >

−∞ 𝟓 +∞
(−∞, 5) (5, +∞)

¿Cómo se representa gráficamente una desigualdad?

a. Desigualdades de Una Variable

Graficar la desigualdad: 𝒙 ≥ −𝟒

En esta gráfica, primero se traza la recta 𝒙 = −𝟒, y luego se sombrea toda la región del lado
derecho de la recta. El área sombreada se llama región limitada, y cualquier punto dentro de esta
región satisface la desigualdad: 𝑥 ≥ −4

//////////////////////////////////////////////////////////////////////////////////

−∞ −𝟒 +∞

El intervalo solución quedaría: [−4, +∞)

¿Qué es una Inecuación y de ejemplo?

• Inecuación. Es la desigualdad existente entre dos expresiones algebraicas, conectadas a

través de los signos:
 Modelos Lineales

298

▪ 𝒎𝒂𝒚𝒐𝒓 𝒒𝒖𝒆 >,

▪ 𝒎𝒆𝒏𝒐𝒓 𝒒𝒖𝒆 <,
▪ 𝒎𝒆𝒏𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 ≤,
▪ 𝒎𝒂𝒚𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 ≥,

En ellas figuran uno o varios valores desconocidos llamadas incógnitas, además de ciertos datos
conocidos.

¿Qué clases de desigualdades existen’?

▪ Desigualdades lineales.

Las desigualdades ocupan los operadores:

< (𝒎𝒆𝒏𝒐𝒓 𝒒𝒖𝒆),

≤ (𝒎𝒆𝒏𝒐𝒓 𝒒𝒖𝒆 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒂),

> (𝒎𝒂𝒚𝒐𝒓 𝒒𝒖𝒆), 𝒚

≥ (𝒎𝒂𝒚𝒐𝒓 𝒒𝒖𝒆 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒂)

Indicando la relación de orden existente.

Una desigualdad lineal o inecuación lineal es una desigualdad compuesta por expresiones
lineales con al menos una variable.

▪ Desigualdades compuestas

Una desigualdad compuesta (o desigualdad combinada) es dos o más desigualdades unidas con
𝒐 e 𝒚. Para ser una solución de:

• Una desigualdad 𝒐, un valor tiene que hacer al menos una de las partes de
la desigualdad verdadera.
• Una desigualdad 𝒚 , debe hacer ambas partes verdaderas.
 Modelos Lineales

299

¿Cómo se resuelve la desigualdad?

Para resolver una desigualdad, se utilizan los siguientes principios:

1. Podemos sumar o restar el mismo número a ambos lados de la desigualdad.

2. Podemos multiplicar o dividir cada miembro de una desigualdad por el mismo número.

¿Cómo se traza una función lineal?

Como los puntos están sobre una recta, se traza la recta que pasa por los puntos. Estas gráficas
son representaciones de una función lineal. Recuerda que una función es una correspondencia
entre dos variables, como 𝒙 y 𝒚.

Por ejemplo:

Graficar 𝒇(𝒙) = 𝟐𝒙 + 𝟏.

¿Qué es un intervalo en desigualdades?

• Representación gráfica de los intervalos

✓ En la recta real los valores 𝒂 𝑦 𝒃 se denominan extremos del intervalo.

 Modelos Lineales

300
✓ Resolver una desigualdad significa encontrar todas sus soluciones, es decir obtener
el intervalo donde la relación es verdadera.

¿Qué es una gráfica de desigualdades?

La gráfica de una sola desigualdad lineal divide el eje de coordenadas en dos regiones.

▪ A un lado están todas las soluciones posibles de la desigualdad.

▪ La región sombreada, el área del plano que contiene todas las soluciones posibles a
la desigualdad, se llama región limitada.

¿Cómo graficar desigualdades en el plano cartesiano?

Para graficar una desigualdad:

▪ Grafica la recta límite relacionada.

▪ Reemplaza el signo <, >, ≤ 𝒐 ≥ en la desigualdad por el signo = para obtener la

ecuación de la recta límite.

▪ Identifica por lo menos un par ordenado en cada lado de la recta límite y sustituye esos
valores (𝒙, 𝒚) en la desigualdad.

¿Cómo graficar variables?

o Gráficos para variables cuantitativas

Para las variables cuantitativas, se consideran dos tipos de gráficos, en función de que para
realizarlos se usen las frecuencias (absolutas o relativas) o las frecuencias acumuladas:

✓ Diagramas diferenciales:

Son aquellos en los que se representan frecuencias absolutas o relativas. En ellos se representa
el número o porcentaje de elementos que presenta una modalidad dada.
 Modelos Lineales

301
✓ Diagramas integrales:

Son aquellos en los que se representan el número de elementos que presentan una modalidad
inferior o igual a una dada. Se realizan a partir de las frecuencias acumuladas, lo que da lugar a
gráficos crecientes. Obviamente, este tipo de gráficos no tiene sentido para variables
cualitativas.

¿Qué representa la solución de una desigualdad?

Resolver una desigualdad lineal consiste en despejar la incógnita para obtener todos los valores
que satisfacen la desigualdad. A este conjunto de valores se le conoce como conjunto solución.

Método general para resolver inecuaciones lineales en dos Variables

▪ Reemplazar el signo de desigualdad por el signo =, 𝑎 𝑥 + 𝑏 𝑦 = 𝑐 y dividir el plano

cartesiano tomando como frontera la recta que representa la ecuación obtenida.
▪ Tomar puntos de prueba en cada región y verificar si satisfacen la desigualdad.

https://www.ck12.org/book/ck-12-%C3%A1lgebra-i-en-
espa%C3%B1ol/section/6.7/#:~:text=Cuando%20graficamos%20una%20l%C3%ADnea%20en,el%20signo%20de%20
la%20desigualdad.

➢ GRÁFICAS DE LAS DESIGUALDADES

Una desigualdad lineal de dos variables toma la forma:

 Modelos Lineales

302
𝒚 > 𝒎𝒙 + 𝒃

𝒚 < 𝒎𝒙 + 𝒃
Las desigualdades lineales están cercanamente relacionadas a gráficos de líneas rectas. Una línea
recta tiene la ecuación 𝒚 = 𝒎𝒙 + 𝒃.

Cuando se grafica una línea en el plano de coordenadas, Se ve que ésta divide el plano en dos
mitades.

La solución a una desigualdad lineal incluye todos los puntos en una de las mitades del plano. E
dice entonces que mitad del plano es la solución observando el signo de la desigualdad., esto es:

SIGNO DESIGUALDAD SOLUCIÓN QUE REPRESENTA

> La solución es la mitad del plano por encima de la línea.

La solución es:
≥ ▪ La mitad del plano por encima de la línea, y también
▪ Todos los puntos en la línea.

< La solución es la mitad del plano por debajo de la línea.

La solución es:
≤ ▪ La mitad del plano por debajo de la línea, y también
▪ Todos los puntos en la línea.

Nota: Sobre la línea implica que para una coordenada 𝒙 dada, todos los puntos con
valores y mayores que el valor y están en la línea.

Para una desigualdad estricta, se dibuja una línea discontinua para mostrar que los puntos en
la línea no son parte de la solución.

Para una desigualdad que incluye el signo igual, se dibuja una línea sólida para mostrar que
los puntos en la línea son parte de la solución.
 Modelos Lineales

303
De acuerdo a la desigualdad lineal, la gráfica se daría de una de las siguientes Formas:

DESIGUALDAD SOLUCIÓN Y GRÁFICA

Es la mitad del plano sobre la línea. La línea

discontinua muestra que los puntos en la línea
no son parte de la solución.

𝒚 > 𝒎𝒙 + 𝒃

Es la mitad del plano por encima de la línea y

todos los puntos en la línea.

𝒚 ≥ 𝒎𝒙 + 𝒃

𝒚 < 𝒎𝒙 + 𝒃 Es la mitad del plano por encima de la línea.

 Modelos Lineales

304

La solución es la mitad del plano por encima

de la línea y todos los puntos en la línea.

𝒚 ≤ 𝒎𝒙 + 𝒃

7.3.1 EJERCICIOS DE APRENDIZAJE

• GRAFICAR DESIGUALDADES LINEALES DE UNA VARIABLE EN EL PLANO CARTESIANO

Nota: También se pueden graficar desigualdades de una variable en el plano coordenado. Sólo se
debe tener en cuenta que cuando se grafica una ecuación del tipo:

• 𝒙 = 𝒂 se obtiene una línea vertical, y

• 𝒚 = 𝒃 se obtiene una línea horizontal.

1. Graficar en el plano coordenado la desigualdad 𝒙 > 𝟒.

Procedimiento

Primero, se mira lo que parece ser la solución de 𝒙 > 𝟒 en la recta numérica:

 Modelos Lineales

305

La solución a esta desigualdad es el conjunto de todos los números reales 𝒙 que son mayores que
cuatro, pero no lo incluye.

La solución está representada por una línea recta paralela al eje 𝒚, así:

En dos dimensiones también estamos interesados en los valores de 𝒚, y la solución a

𝒙 > 𝟒 consiste de todos los puntos de coordenadas para los cuales el valor de 𝒙 es mayor que
cuatro. La solución está representada por la mitad del plano a la derecha de 𝒙 = 𝟒.

La línea 𝒙 = 𝟒 es discontinua (punteada en la gráfica), porque el signo igual no está incluido en

la desigualdad y por lo tanto los puntos en la línea no están incluidos en la solución.
2. Graficar la siguiente desigualdad: ∣ 𝒚 ∣< 𝟓

Procedimiento

El valor absoluto de la desigualdad ∣ 𝒚 ∣< 𝟓 se puede escribir como: −𝟓 < 𝒚 < 𝟓.

Esta representa una desigualdad compuesta la cual implica:

𝒚 > −𝟓 𝒚 𝒚 < 𝟓
Gráficamente en el plano cartesiano, sería:
 Modelos Lineales

306

En otras palabras, la solución son todos los puntos de coordenadas para los cuales el valor de y es
mayor que −𝟓 y menores que 𝟓. La solución está representada por el plano entre las líneas
horizontales:

𝒚 = −𝟓 𝑦 𝒚 = 𝟓.
Nota: Ambas líneas horizontales son discontinuas (punteadas en la gráfica) porque los puntos en
la línea no están incluidos en la solución.

3. Graficar la desigualdad ∣ 𝑥 ∣≥ 2.

Procedimiento:

El valor absoluto de la desigualdad ∣ 𝒙 ∣≥ 𝟐 se puede escribir como una desigualdad compuesta

de la siguiente forma:

𝒙 ≤ −𝟐 𝒐 𝒙 ≥ 𝟐
Gráficamente en el plano cartesiano, sería:
 Modelos Lineales

307

En otras palabras, la solución son todos los puntos de coordenadas para los cuales el valor
de 𝒙 𝒆𝒔 𝒎𝒆𝒏𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 − 𝟐 𝒚 𝒎𝒂𝒚𝒐𝒓 𝒐 𝒊𝒈𝒖𝒂𝒍 𝒒𝒖𝒆 𝟐.

La solución está representada por:

✓ El plano a la izquierda de la línea vertical 𝒙 = −𝟐,

✓ El plano a la derecha de la línea vertical 𝒙 = 𝟐.

Ambas líneas verticales son sólidas (trazado continuo) porque los puntos en la línea están
incluidos en la solución.

• GRAFICAR DESIGUALDADES LINEALES CON DOS VARIABLES EN EL PLANO CARTESIANO

El procedimiento general para graficar este tipo de desigualdades está dado de la siguiente forma:

PROCEDIMIENTO GENERAL

PASOS DESCRIPCIÓN

Reescribir la desigualdad en la forma pendiente intercepto 𝒚 =

Paso 1
𝒎𝒙 + 𝒃.
 Modelos Lineales

308

Escribiendo la desigualdad en esta forma se conoce la dirección

de la desigualdad.

Graficar la línea de la ecuación:

𝒚 = 𝒎𝒙 + 𝒃 utilizando cualquiera de los métodos, por ejemplo:

Paso 2 ✓ Dibujando dos puntos,

✓ Usando la pendiente y el intercepto y,
✓ Usando el intercepto 𝒚 y otro punto, entre otros.
• Dibujar una línea discontínua si el signo igual no está
incluido, y
• Dibujar una línea sólida si el signo igual está incluido.
➢ Sombrear la mitad del plano por encima de la línea si la
desigualdad es mayor que…
Paso 3
➢ Sombrear la mitad del plano por debajo de la línea si la
desigualdad es menor que…

4. Graficar la desigualdad 𝒚 ≥ 𝟐𝒙 − 𝟑.

Procedimiento:

o Paso 1

La desigualdad ya está escrita en la forma: pendiente intercepto 𝒚 ≥ 𝟐𝒙 − 𝟑.

𝒙 𝒚 = 𝟐𝒙 − 𝟑 𝒚

−𝟏 2(−1) − 3 −5

𝟎 2(0) − 3 −3

𝟏 2(1) − 3 −1
o Paso 2

Graficar la ecuación 𝒚 = 𝟐𝒙 − 𝟑 realizando una tabla de valores.

 Modelos Lineales

309
o Paso 3
➢ Graficar la desigualdad.
▪ Se sombrea el plano por encima de la línea porque 𝒚 es mayor que…
▪ El valor 𝟐𝒙 − 𝟑 define la línea.
▪ La línea es sólida porque el signo igual está incluido.

5. Graficar la desigualdad 𝟓𝒙 − 𝟐𝒚 > 𝟒.

Procedimiento:

o Paso 1

Se reescribe la desigualdad en la forma pendiente intercepto, esto es:

5𝑥 − 2𝑦 > 4 → −2𝑦 > −5𝑥 + 4, dividiendo por −𝟐 ambos lados de la inecuación, se tiene que:

𝟓
𝒚< 𝒙−𝟐
𝟐
Nota: El signo de la desigualdad cambió de dirección debido a la división del signo negativo.

o Paso 2
 Modelos Lineales

310
5
Graficar la ecuación 𝑦 = 𝑥 − 2 haciendo una tabla de valores.
2

𝟓
𝒙 𝒚= 𝒙−𝟐 𝒚
𝟐
5
−𝟐 (−2) − 2 −7
2

5
𝟎 (0) − 2 −2
2

5
𝟐 (2) − 2 3
2

o Paso 3
➢ Graficar la desigualdad.
▪ Sombreamos el plano por debajo de la línea porque la desigualdad en la forma
pendiente intercepto es menor que…
▪ La línea es discontínua porque el signo igual no está incluido.

𝒙
6. Graficar la desigualdad: 𝒚 + 𝟒 ≤ +𝟓
𝟑

Procedimiento:
 Modelos Lineales

311
o Paso 1

𝒙 𝒙
Reescribir la desigualdad en la forma pendiente intercepto 𝒚 + 𝟒 ≤ +𝟓→𝒚≤ +𝟏
𝟑 𝟑
o Paso 2

𝒙
Se grafica la ecuación 𝒚 = 𝟑 + 𝟏 realizando una tabla de valores.

𝒙
𝒙 𝒚= +𝟏 𝒚
𝟑
−𝟑 −(−3)/3 + 1 2

𝟎 −0/3 + 1 1

𝟑 −3/3 + 1 0

o Paso 3
➢ Graficar la desigualdad.
▪ Se sombre el plano por debajo de la línea.
▪ La línea es sólida porque el signo igual está incluido.
 Modelos Lineales

312
➢ RESOLVER PROBLEMAS DE APLICACIÓN UTILIZANDO DESIGUALDADES LINEALES

En la solución de este tipo de problemas se analizará como las desigualdades lineales pueden ser
usadas para resolver aplicaciones del entorno y del mundo real.

7. Una libra de una mezcla de café es hecha mezclando dos tipos de granos de café. Un tipo
cuesta $9 por libra y el otro tipo cuesta $7 por libra. Encontrar todas las posibles mezclas
de pesos de los dos diferentes granos de café para los cuales la mezcla vale $8.50 por libra
o menos.

Procedimiento:

o Paso 1

Se toma:

𝒙 = 𝒑𝒆𝒔𝒐 𝒅𝒆 $𝟗 𝒑𝒐𝒓 𝒍𝒊𝒃𝒓𝒂 𝒅𝒆 𝒈𝒓𝒂𝒏𝒐𝒔 𝒅𝒆 𝒄𝒂𝒇é 𝒆𝒏 𝒍𝒊𝒃𝒓𝒂𝒔

𝒚 = 𝒑𝒆𝒔𝒐 𝒅𝒆 $𝟕 𝒑𝒐𝒓 𝒍𝒊𝒃𝒓𝒂 𝒅𝒆 𝒈𝒓𝒂𝒏𝒐𝒔 𝒅𝒆 𝒄𝒂𝒇é 𝒆𝒏 𝒍𝒊𝒃𝒓𝒂𝒔

o Paso 2

El valor de una libra de mezcla de café está dado por:

𝟗𝒙 + 𝟕𝒚.

Se buscan las mezclas que valen $𝟖. 𝟓𝟎 𝒐 𝒎𝒆𝒏𝒐𝒔, representado esto por la siguiente
desigualdad:

𝟗𝒙 + 𝟕𝒚 ≤ 𝟖. 𝟓𝟎.
o Paso 3

Para encontrar el conjunto solución, se grafica la desigualdad 𝟗𝒙 + 𝟕𝒚 ≤ 𝟖. 𝟓𝟎.

Entonces, se despeja 𝒚, y se reescribe en la forma pendiente intercepto, esto es:

𝒚 ≤ −𝟏. 𝟐𝟗𝒙 + 𝟏. 𝟐𝟏.

Se grafica la ecuación 𝒚 = −𝟏. 𝟐𝟗𝒙 + 𝟏. 𝟐𝟏 realizando una tabla de valores, así:
 Modelos Lineales

313
𝒙 𝒚 = −𝟏. 𝟐𝟗𝒙 + 𝟏. 𝟐𝟏 𝒚

𝟎 𝒚 = −𝟏. 𝟐𝟗𝒙(𝟎) + 𝟏. 𝟐𝟏 𝟏, 𝟐𝟏

𝟏 𝒚 = −𝟏. 𝟐𝟗(𝟏) + 𝟏. 𝟐𝟏 −𝟎, 𝟎𝟖

𝟐 𝒚 = −𝟏. 𝟐𝟗(𝟐) + 𝟏. 𝟐𝟏 −𝟏, 𝟑𝟕

o Paso 4
➢ Graficar la desigualdad.
▪ La línea será sólida.
▪ Se sombrea por debajo de la línea.

Nota:

✓ Se muestra sólo el primer cuadrante del plano Cartesiano porque los valores del peso tienen
que ser positivos.

✓ La región sombreada en azul te dice todas las posibilidades de las dos mezclas de granos que
darán un total menor o igual que $8.50.

8. Juan tiene un trabajo como un vendedor de electrodomésticos y se gana una comisión de

$60.000 por cada lavadora que vende y $130.000 por cada congelador. ¿Cuántas
lavadoras y congeladores debe vender Juan con el fin de hacer $1.000.000 o más en
comisiones?
 Modelos Lineales

314
Procedimiento:

o Paso 1

𝒙 = 𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒍𝒂𝒗𝒂𝒅𝒐𝒓𝒂𝒔 𝒒𝒖𝒆 𝒗𝒆𝒏𝒅𝒆 𝑱𝒖𝒂𝒏

𝒚 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒄𝒐𝒏𝒈𝒆𝒍𝒂𝒅𝒐𝒓𝒆𝒔 𝒒𝒖𝒆 𝒗𝒆𝒏𝒅𝒆 𝑱𝒖𝒂𝒏

o Paso 2

La comisión total está dada por la expresión:

𝟔𝟎. 𝟎𝟎𝟎𝒙 + 𝟏𝟑𝟎. 𝟎𝟎𝟎𝒚.

Se busca una comisión total de $𝟏. 𝟎𝟎𝟎. 𝟎𝟎𝟎 𝒐 𝒎á𝒔. Se escribe la desigualdad

𝟔𝟎. 𝟎𝟎𝟎𝒙 + 𝟏𝟑𝟎. 𝟎𝟎𝟎𝒚 ≥ 𝟏𝟎𝟎𝟎.

o Paso 3

Para encontrar el conjunto solución, se grafica la desigualdad

𝟔𝟎. 𝟎𝟎𝟎𝒙 + 𝟏𝟑𝟎. 𝟎𝟎𝟎𝒚 ≥ 𝟏. 𝟎𝟎𝟎. 𝟎𝟎𝟎.

Se reescribe en la forma pendiente intercepto y se despeja 𝒚, esto es:

𝒚 ≥ −𝟎, 𝟒𝟔𝒙 + 𝟕, 𝟕
Se grafica 𝒚 = −𝟎, 𝟒𝟔𝒙 + 𝟕, 𝟕 realizando una tabla de valores, esto es:

𝒙 𝒚 = −𝟎, 𝟒𝟔𝒙 + 𝟕, 𝟕 𝒚

𝟎 𝒚 = −𝟎, 𝟒𝟔(𝟎) + 𝟕, 𝟕 𝟕, 𝟕

𝟐 𝒚 = −𝟎, 𝟒𝟔(𝟐) + 𝟕, 𝟕 𝟔, 𝟕𝟖

𝟒 𝒚 = −𝟎, 𝟒𝟔(𝟒) + 𝟕, 𝟕 𝟓, 𝟖𝟔
 Modelos Lineales

315
o Paso 4
➢ Graficar la desigualdad.
• La línea será sólida.
• Se sombrea por encima de la línea.

Nota: Sólo se muestra el primer cuadrante del plano de coordenadas porque las cantidades de
dólares deberían ser positivas. También, sólo los puntos con coordenadas enteras son las
soluciones posibles.

7.3.2 TALLER DE ENTRENAMIENTO

A. Grafique las siguientes desigualdades en el plano cartesiano, recuerde aplicar el paso a
paso mostrado en los ejercicios de aprendizaje:

1. 𝑥 < 20
2. 𝑦 ≥ −5
3. ∣ 𝑥 ∣> 10
4. ∣ 𝑦 ∣≤ 7
5. 𝑦 ≤ 4𝑥 + 3
6. 𝑦 > −𝑥2 − 6
7. 3𝑥 − 4𝑦 ≥ 12
8. 𝑥 + 7𝑦 < 5
9. 6𝑥 + 5𝑦 > 1
10. 𝑦 + 5 ≤ −4𝑥 + 10
 Modelos Lineales

316
11. 𝑥 − 12𝑦 ≥ 5
12. 30𝑥 + 5𝑦 < 100

B. Resuelva los siguientes problemas de aplicación de las desigualdades, recuerde aplicar el

paso a paso mostrado en los ejercicios de aprendizaje:

1. Un gramo de oro cuesta $208.000 y una libra de plata cuesta $2.324. Encontrar todos
los posibles pesos de plata y oro que hace que una aleación tenga un valor menor que
$60.000 por gramo.

2. Una compañía de teléfonos cobra $ 50 por minuto durante el día y $10 centavos por
minuto en la noche. ¿Cuantos minutos durante el día y durante la noche tendrías que
usar para pagar más de $2.000 sobre un período de 24 horas?

http://content.nroc.org/Algebra1/COURSE_TEXT_RESOURCE/U05_L2_T1_text_final_es.html

TIPS
▪ Las desigualdades pueden ser graficadas en una recta numérica
o en un eje de coordenadas.
▪ Cuando usamos el eje de coordenadas, el rango de posibles
soluciones está representado como un área sombreada en el
plano.
▪ La línea límite de la desigualdad es trazada como una línea
sólida si los puntos en ella satisfacen la desigualdad, como en
los casos ≤ 𝒚 ≥.
▪ Es dibujada como una línea punteada si los puntos sobre ella no
satisfacen la desigualdad, como en los casos de < 𝒚 >.
▪ Usar un eje de coordenadas es especialmente útil para entender
el rango de soluciones posibles para desigualdades con dos
variables.
▪ El procedimiento general para graficar desigualdades de dos
variables es el que sigue:
 Modelos Lineales

317
TIPS

o Paso 1

Reescribir la desigualdad en la forma pendiente intercepto 𝑦 =

𝑚𝑥 + 𝑏.

o Paso 2

Graficar la línea de ecuación 𝒚 = 𝒎𝒙 + 𝒃 construyendo una

tabla de valores.

Dibujar una línea discontinua si el signo igual no está incluido y

una línea sólida si está incluido.

o Paso 3

Sombrear la mitad del plano por encima de la línea si la igualdad

es mayor que…

Sombrear la mitad del plano bajo la línea si la desigualdad es

menor que…

https://miprofe.com/inecuaciones-lineales-en-dos-variables/
 Modelos Lineales

318
8 UNIDAD 8 PLANTEAMIENTO ESTÁNDAR DE UN
PROBLEMA DE PROGRAMACIÓN EN DOS VARIABLES Y
MÉTODOS DE SOLUCIÓN
8.1.1 OBJETIVO GENERAL
➢ Realizar el planteamiento estándar de un problema de programación en dos variables,
describiendo paso a paso sus métodos de solución.

8.1.2 OBJETIVOS ESPECIFICOS

➢ Determinar la función objetivo y su representación gráfica,

➢ Determinar el conjunto de restricciones,

➢ Hallar la región factible (acotada y no acotada), y

➢ Determinar la solución óptima.

➢ Maximizar un problema de programación lineal en varias variables, y

➢ Minimizar un problema de programación lineal en varias variables.

http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf

8.2 TEMA 1 DEFINICIONES BÁSICAS

La Programación Lineal corresponde a un algoritmo a través del cual se pueden resolver
situaciones reales en las que:

✓ Se pretende identificar y resolver dificultades, para

✓ Aumentar la productividad respecto a los recursos (principalmente los
limitados y costosos), aumentando así los beneficios.

El objetivo primordial de la Programación Lineal es optimizar, es decir,

 Modelos Lineales

319
Maximizar o minimizar funciones lineales en varias variables reales con
restricciones lineales (sistemas de inecuaciones lineales), optimizando una
función objetivo también lineal.
Los resultados y el proceso de optimización se convierten en un respaldo cuantitativo de las
decisiones frente a las situaciones planteadas. Decisiones en las que es demasiado importante
tener en cuenta diversos criterios administrativos, tales como:

▪ Los hechos
▪ La experiencia
▪ La intuición
▪ La autoridad

¿Cómo se resuelve un problema utilizando la Programación Lineal?

https://slideplayer.es/slide/2751397/10/images/2/La+programaci%C3%B3n+lineal.jpg
 Modelos Lineales

320
El primer paso para la resolución de un problema de programación lineal consiste en la
identificación de los elementos básicos de un modelo matemático, estos son:

▪ Función Objetivo y su representación gráfica

▪ Definición de variables
▪ Conjunto de Restricciones
▪ Región factible (Acotada y no acotada), y
▪ Solución óptima.

A continuación, se definirán cada uno de estos conceptos básicos, para tener absoluta claridad
respecto de cada uno de ellos y poder aplicarlos en la solución de problemas:

• La función objetivo

La función objetivo tiene una estrecha relación con la pregunta general que se
desea responder. Si en un modelo resultasen distintas preguntas, la función
objetivo se relacionaría con la pregunta del nivel superior, es decir, la pregunta
fundamental.
Por ejemplo, si en una situación se desean minimizar los costos, es muy probable que la pregunta
de mayor nivel sea la que se relacione con aumentar la utilidad en lugar de un interrogante que
busque hallar la manera de disminuir los costos.

El método gráfico es un procedimiento de solución de problemas de programación lineal, muy

limitado en cuanto al número de variables:

▪ 𝟐 𝒔𝒊 𝒆𝒔 𝒖𝒏 𝒈𝒓á𝒇𝒊𝒄𝒐 𝟐𝑫, 𝒚
▪ 𝟑 𝒔í 𝒆𝒔 𝒖𝒏 𝒈𝒓á𝒇𝒊𝒄𝒐 𝟑𝑫.
Pero, este método gráfico es demasiado interesante en la interpretación de resultados e incluso
en el análisis de sensibilidad

Este procedimiento consiste en representar cada una de las restricciones y encontrar en la

medida de lo posible el polígono (poliedro) factible, comúnmente llamado el conjunto
solución o región factible, en el cual por razones trigonométricas:

En uno de sus vértices se encuentra la mejor respuesta (solución óptima).

 Modelos Lineales

321
El método gráfico se emplea para resolver problemas que presentan sólo 2 variables de decisión.
El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas
𝑿𝟏 , 𝑿𝟐 , para tratar de identificar:

El área de soluciones factibles (soluciones que cumplen con todas las

restricciones).

https://encrypted-tbn0.gstatic.com/images?q=tbn%3AANd9GcT3f1ilM-3miksDuf_ys2N6wZSBSQ-
SIPZXKQ&usqp=CAU

https://slideplayer.es/slide/4323675/14/images/2/M%C3%A9todo+Grafico+La+soluci%C3%B3n+de+un+modelo+de
+programaci%C3%B3n.jpg
 Modelos Lineales

322

https://slideplayer.es/slide/7035877/22/images/11/M%C3%A9todo+Gr%C3%A1fico+M%C3%BAltiples+soluciones+
%C3%B3ptimas.jpg

• Las variables de decisión

Similar a la relación que existe entre objetivos específicos y objetivo general, se comportan las
variables de decisión respecto a la función objetivo, puesto que estas se identifican partiendo de
una serie de preguntas derivadas de la pregunta fundamental.

Las variables de decisión, son en teoría, factores controlables del sistema que se
está modelando, y como tal, estas pueden tomar diversos valores posibles, de los
cuales se precisa conocer su valor óptimo, que contribuya con la consecución del
objetivo de la función general del problema.
Las Variables de decisión Representan los elementos del sistema a modelar que son controlables
por el decisor. En los modelos lineales continuos estas variables toman como valores números
reales y se representan por letras con subíndices 𝒙𝟏 , 𝒙𝟐 , … como se acostumbra a hacer con las
variables matemáticas, o literales alusivos a su significado: peso, valor, entre otros. En el primer
caso también se utiliza la representación como vector de un conjunto indexado de variable:

𝒙 = (𝒙𝟏 , 𝒙𝟐 , … )

• Conjunto de restricciones

Cuando se habla de las restricciones en un problema de programación lineal, se están refiriendo

a todo aquello que limita la libertad de los valores que pueden tomar las variables de decisión.
 Modelos Lineales

323
La mejor manera de hallarlas consiste en pensar en un caso hipotético en el que se decide darles
un valor infinito a las variables de decisión, por ejemplo, ¿qué pasaría si en un problema que
precisa maximizar sus utilidades en un sistema de producción de calzado decidiéramos producir
una cantidad infinita de zapatos? Seguramente ahora nos surgirían múltiples interrogantes,
como, por ejemplo:

✓ ¿Con cuánta materia prima cuento para producirlos?

✓ ¿Con cuánta mano de obra cuento para fabricarlos?
✓ ¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
✓ ¿Podría mi fuerza de mercadeo vender todos los zapatos?
✓ ¿Puedo financiar tal empresa?

Con las preguntas anteriores, se descubre entonces el sistema presenta una serie de limitantes,
tanto físicas, como de contexto, de tal manera que los valores que en un momento dado podrían
tomar las variables de decisión se encuentran condicionados por una serie de restricciones.

Representan las limitaciones prácticas de determinados recursos o imposiciones físicas de la

realidad. Se expresan como ecuaciones e inecuaciones lineales de las variables de decisión.
Matemáticamente adoptan una de las siguientes formas:

𝒈𝒊 (x)≥ 𝒃; 𝒈𝒊 (𝒙) ≤ 𝒃; 𝒈𝒊 (𝒙) = 𝒃.

Con:

𝒊 = 𝟏, … , 𝒎

𝒈 𝒖𝒏𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍 𝒆𝒏 𝒙

• Región Factible (acotada y no Acotada)

La solución de un problema de programación lineal, en el supuesto de que esta solución exista,

debe estar en la región determinada por las distintas desigualdades recibe el nombre de:

Región factible, y puede estar o no acotada.

 Modelos Lineales

324

La región factible incluye o no los lados y los vértices, según que las desigualdades sean:

▪ En sentido amplio:

≤ 𝑜 ≥, o
▪ En sentido estricto:

<𝑜>
Si la región factible está acotada, su representación gráfica es un polígono
convexo con un número de lados menor o igual que el número de restricciones.
 Modelos Lineales

325
➢ PROCEDIMIENTO PARA DETERMINAR LA REGIÓN FACTIBLE:

PROCESO CARACTERÍSTICA

▪ Se dibuja la recta asociada a la inecuación. Esta

recta divide al plano en dos regiones o
semiplanos
▪ Para averiguar cuál es la región válida, el
1) Se resuelve cada inecuación por procedimiento práctico consiste en elegir un
separado, es decir, se encuentra el punto, por ejemplo, el (0,0) si la recta no pasa
semiplano de soluciones de cada una de por el origen, y comprobar si las coordenadas
las inecuaciones. satisfacen o no la inecuación.
✓ Si lo hacen, la región en la que está ese
punto es aquella cuyos puntos verifican la
inecuación;
✓ En caso contrario, la región válida es la otra.

• Como sucede con los sistemas de

ecuaciones lineales, los sistemas de
2) La región factible está formada por la inecuaciones lineales pueden presentar
intersección o región común de las varias opciones respecto a sus soluciones:
soluciones de todas las inecuaciones. puede no existir solución, en el caso de que
exista el conjunto solución puede ser
acotado o no.

8.2.1 EJERCICIO DE APRENDIZAJE

▪ Dibujar la región factible asociada a las siguientes restricciones:

𝑥+𝑦 ≥4

𝑦≤4

𝑦≥𝑥

𝑟: 𝑥 + 𝑦 = 4
 Modelos Lineales

326
𝑠: 𝑦 = 4

𝑡: 𝑦 = 𝑥

Las rectas asociadas están dadas por:

Semiplano asociado a la recta r

Se toma el punto 𝑶 (𝟎, 𝟎), que se encuentra en el semiplano situado por debajo de la recta.
Introduciendo las coordenadas (𝟎, 𝟎) en la inecuación 𝒙 + 𝒚 𝟒, vemos que no la satisface:
𝟎 + 𝟎 = 𝟎 < 𝟒. Por lo tanto, el conjunto de soluciones de la inecuación es el semiplano
situado por encima de la recta 𝒓: 𝒙 + 𝒚 = 𝟒.

Se procede como en el paso anterior. Las coordenadas (0,0) satisfacen la inecuación 𝒚 𝟒

(𝟎 𝟒).

Por lo tanto, el conjunto de soluciones de la inecuación es el semiplano que incluye al punto O.

 Modelos Lineales

327

La recta t asociada a la restricción pasa por el origen, lo cual significa que si se toma el punto
𝑶(𝟎, 𝟎) no se llegaría a ninguna conclusión. Se toma el punto (𝟏, 𝟎) el cual no satisface la
inecuación 𝒚 𝒙 ( 𝒚 = 𝟎 < 𝟏 = 𝒙 ). Por lo tanto, el conjunto solución de esta
inecuación es el semiplano determinado por la recta 𝒕 que no incluye al punto (𝟏, 𝟎).

La región factible está formada por los puntos que cumplen las tres restricciones, es
decir, se encuentran en los tres semiplanos anteriores.

Problema tomado de:

https://thales.cica.es/rd/Recursos/rd98/Matematicas/29/region.html#:~:text=Esta%20recibe%20el%20no
mbre%20de,puede%20estar%20o%20no%20acotada.&text=La%20regi%C3%B3n%20factible%20incluye%2
0o,estricto%20().

• Solución óptima

Se define como solución óptima a aquel punto o puntos de la región factible que optimizan la
función objeto; es decir: la maximizan o minimizan, dependiendo de aquello que se esté
buscando.
 Modelos Lineales

328
En general, un problema de programación lineal puede tener una, infinitas o ninguna solución.

▪ Si hay una única solución óptima, ésta se encuentra en un vértice de la región

factible, y
▪ Si hay infinitas soluciones óptimas, se encontraran en un lado de la región
factible.
En un problema lineal las soluciones óptimas estarán en los vértices.

Si dos vértices son máximos todos los puntos de la arista que los une serán,
máximos.
Del mismo modo,

Si dos vértices son mínimos, todos los puntos de la arista que los une serán
mínimos.
En los problemas de programación lineal con dos variables pueden darse varios tipos de
soluciones óptimas: Solución única. Solución múltiple (infinitas soluciones). Solución no acotada
(ausencia de solución), cuando la función objetivo no tiene valores extremos, pues la región
factible es no acotada.

Llamaremos solución óptima a aquella solución factible que nos optimice el objetivo de nuestro
problema. La solución óptima no tiene por qué ser única.

Definición: Una solución óptima es una solución factible que da el valor más favorable de la
función objetivo.

https://www.google.com/search?q=soluci%C3%B3n+%C3%B3ptima+de+un+problema+de+programaci%C3%B3n+li
neal&rlz=1C1GCEU_esCO836CO836&oq=Soolucion+optima+de+un+problema+de+programaci%C3%B3n+Lineal&aq
s=chrome.1.69i57j0.23308j1j7&sourceid=chrome&ie=UTF-8
 Modelos Lineales

329
8.2.2 EJERCICIOS DE APRENDIZAJE

https://www.monografias.com/trabajos104/introduccion-programacion-lineal-ii/img7.png

https://slideplayer.es/slide/3882190/12/images/50/Un+problema+de+programaci%C3%B3n+lineal+sin+soluci%C3
%B3n+%C3%B3ptima.jpg
 Modelos Lineales

330

https://slideplayer.es/slide/3882190/12/images/48/N%C3%BAmero+infinito+de+soluciones+%C3%B3ptimas.jpg

https://image.slidesharecdn.com/programacinlineal-150504093307-conversion-gate02/95/programacin-lineal-10-
638.jpg?cb=1430732148
 Modelos Lineales

331

https://slideplayer.es/slide/3882190/12/images/49/Sin+soluciones+factibles.jpg

8.3 TEMA 2 PLANTEAMIENTO ESTÁNDAR DE UN PROBLEMA

DE PROGRAMACIÓN LINEAL EN VARIAS VARIABLES
(MAXIMIZAR O MINIMIZAR)
http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf

➢ MODELOS LINEALES DE OPTIMIZACIÓN CON VARIABLES CONTINUAS.

Un poco de historia:

La programación lineal es un tipo de modelo matemático que se desarrolló a partir de la Segunda

Guerra Mundial para resolver cierto tipo de problemas de asignación de recursos entre distintas
actividades.
 Modelos Lineales

332
Después de la guerra las aplicaciones de la programación lineal se extendieron a una amplia
variedad de problemas, de manera que hoy se utiliza en campos como la ingeniería, la economía,
la gestión, y muchas otras áreas de la ciencia, la técnica y la industria.

La programación lineal fue formulada por George B. Dantsig alrededor de 1947, cuando trabajaba
como consejero matemático para la Fuerza Aérea de Estados Unidos en el desarrollo de un
sistema automático de planificación temporal de:

▪ Despliegue,
▪ Entrenamiento, y
▪ Abastecimiento logístico.

Debido a que la Fuerza Aérea denomina programas a sus diversos planes y proyectos a
implementar, en el primer artículo publicado por Dantzig se refiere a este problema como
programación en una estructura lineal.

El término programación lineal fue acuñado por el economista y matemático T.C. Koopmans en
el verano de 1948 cuando colaboraba con el propio Dantzig.

En 1949, Dantzig publicó el método del simplex para resolver programas lineales, método que
fue ampliamente aceptado por:

Su capacidad de producir soluciones en un tiempo razonable.

La programación lineal estudia la optimización (minimización o maximización) de

una función lineal que satisface un conjunto de restricciones lineales de igualdad
y/o desigualdad.
• INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL

El desarrollo de este tema nos permitirá a través de la Programación Lineal:

✓ Introducir los problemas.

✓ Aprender a formular el modelo de un problema.
✓ Estudiar las propiedades de los modelos.
✓ Reconocer la expresión de un modelo con lenguajes de modelado.
✓ Identificar los elementos básicos del lenguaje de modelado OPL
(Optimization Programming Language).
 Modelos Lineales

333
✓ Reconocer los tipos de soluciones que pueden tener los problemas de este
tipo.
✓ Modelar matemáticamente y resolver en OPL varios problemas de este
tipo.
✓ El objetivo de un modelo matemático es reproducir la realidad de la forma
más fiel posible a fin de entender cómo se comporta y poder obtener
respuestas a determinadas acciones.

• FORMULACIÓN DE UN MODELO DE PROGRAMACIÓN LINEAL

Para formular un modelo de programación lineal se debe realizar el siguiente proceso:

*ETAPAS *CARACTERÍSTICAS

Representan los elementos del sistema a modelar que

son controlables por el decisor. En los modelos lineales
continuos estas variables toman como valores números
reales y se representan por letras con subíndices
1. Determinación de las 𝒙𝟏 , 𝒙𝟐 , … como se acostumbra a hacer con las variables
variables de decisión matemáticas, o literales alusivos a su significado: peso,
valor, entre otros. En el primer caso también se utiliza la
representación como vector de un conjunto indexado
de variable:
𝒙 = (𝒙𝟏 , 𝒙𝟐 , … )

Similar a la relación que existe entre objetivos específicos y objetivo general, se comportan las variables
de decisión respecto a la función objetivo, puesto que estas se identifican partiendo de una serie de
preguntas derivadas de la pregunta fundamental. Las variables de decisión, son en teoría, factores
controlables, del sistema que se está modelando, y como tal, estas pueden tomar diversos valores
posibles los cuales se precisa conocer su valor óptimo, que contribuya con la consecución del objetivo
de la función general del problema.
 Modelos Lineales

334

Representan las limitaciones prácticas de determinados

recursos o imposiciones físicas de la realidad. Se
expresan como ecuaciones e inecuaciones lineales de
las variables de decisión. Matemáticamente adoptan
una de las siguientes formas:
2. Determinación de las 𝒈𝒊 (x)≥ 𝒃; 𝒈𝒊 (𝒙) ≤ 𝒃; 𝒈𝒊 (𝒙) = 𝒃.
restricciones.

Con:
𝒊 = 𝟏, … , 𝒎
𝒈 𝒖𝒏𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍 𝒆𝒏 𝒙

Cuando hablamos de las restricciones en un problema de programación lineal, nos referimos a todo
aquello que limita la libertad de los valores que pueden tomar las variables de decisión.
La mejor manera de hallarlas consiste en pensar en un caso hipotético en el que decidiéramos darles
un valor infinito a nuestras variables de decisión, por ejemplo, ¿qué pasaría si en un problema que
precisa maximizar sus utilidades en un sistema de producción de calzado decidiéramos producir una
cantidad infinita de zapatos? Seguramente ahora nos surgirían múltiples interrogantes, como, por
ejemplo:
• ¿Con cuánta materia prima cuento para producirlos?
• ¿Con cuánta mano de obra cuento para fabricarlos?
• ¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
• ¿Podría mi fuerza de mercadeo vender todos los zapatos?
• ¿Puedo financiar tal empresa?
 Modelos Lineales

335
Pues bueno, entonces se habría descubierto que nuestro sistema presenta una serie de limitantes,
tanto físicas, como de contexto, de tal manera que los valores que en un momento dado podrían
tomar nuestras variables de decisión se encuentran condicionados por una serie de restricciones.

Se trata de la función que mide la calidad de la solución

y que hay que optimizar (maximizar un beneficio o
3. Formulación de la función minimizar un coste). También es una función lineal de
objetivo. todas o parte de las variables de decisión.
𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒛 = 𝒇(𝒙); 𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝒛 = 𝒇(𝒙)

La función objetivo tiene una estrecha relación con la pregunta general que se desea responder. Si en
un modelo resultasen distintas preguntas, la función objetivo se relacionaría con la pregunta del nivel
superior, es decir, la pregunta fundamental. Así por ejemplo, si en una situación se desean minimizar
los costos, es muy probable que la pregunta de mayor nivel sea la que se relacione con aumentar la
utilidad en lugar de un interrogante que busque hallar la manera de disminuir los costos.

La Programación Lineal corresponde a un algoritmo a través del cual se pueden resolver

situaciones reales en las que se pretende:

https://rstudio-pubs-
static.s3.amazonaws.com/335146_7e10d70deef7431692c516fb874b8c18.html#:~:text=DESCRIPCION%20GENERAL,
)%2C%20aumentando%20as%C3%AD%20los%20beneficios.

Identificar y resolver dificultades para aumentar la productividad respecto a los

recursos (principalmente los limitados y costosos), aumentando así los beneficios.
 Modelos Lineales

336
El objetivo primordial de la Programación Lineal es optimizar, es decir, maximizar o minimizar
funciones lineales en varias variables reales con restricciones lineales (sistemas de inecuaciones
lineales), optimizando una función objetivo también lineal.

Los resultados y el proceso de optimización se convierten en un respaldo cuantitativo de las

decisiones frente a las situaciones planteadas. Decisiones en las que sería importante tener en
cuenta diversos criterios administrativos, tales como:

▪ Los hechos
▪ La experiencia
▪ La intuición
▪ La autoridad

➢ ¿CÓMO SE RESUELVE UN PROBLEMA MEDIANTE PROGRAMACIÓN LINEAL?

El primer paso para la resolución de un problema de programación lineal consiste en la

identificación de los elementos básicos de un modelo matemático, estos son:

▪ Función Objetivo
▪ Variables
▪ Restricciones

Definidas anteriormente, ver *

El siguiente paso consiste en la determinación de los mismos, para lo cual se propone la siguiente
metodología:

8.3.1 EJERCICIO DE APRENDIZAJE

SOLUCIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL
 Modelos Lineales

337
A continuación, se mostrará a través de algunos ejemplos, definidos paso a paso como se resuelve
un problema de programación lineal:

1. La fábrica de Hilados y Tejidos «SALAZAR» requiere fabricar dos tejidos de calidad diferente T
y T’; se dispone de 500 Kg de hilo a, 300 Kg de hilo b y 108 Kg de hilo c. Para obtener un metro de
T diariamente se necesitan 125 gr de a, 150 gr de b y 72 gr de c; para producir un metro de T’ por
día se necesitan 200 gr de a, 100 gr de b y 27 gr de c. El T se vende a $4000 el metro y el T’ se
vende a $5000 el metro. Si se debe obtener el máximo beneficio, ¿cuántos metros de T y T’ se
deben fabricar?

Sugerencias:

• El problema se recomienda leer en más de una ocasión para facilitar el reconocimiento de las
variables,
• Es muy recomendable la elaboración de tablas o matrices que faciliten una mayor
comprensión del mismo.

PASO 1: FORMULACIÓN DEL PROBLEMA

Se parte de la pregunta central del problema:

¿Cuántos metros de T y T’ se deben fabricar?

Se formularía de la siguiente manera:

“Determinar la cantidad de metros diarios de tejido tipo 𝑻 𝒚 𝑻’ a fabricar teniendo

en cuenta el óptimo beneficio respecto a la utilidad”.

PASO 2: DETERMINAR LAS VARIABLES DE DECISIÓN

Teniendo como base la formulación del problema, las variables de decisión, serían:

▪ 𝑿𝑻: 𝑪𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆 𝒎𝒆𝒕𝒓𝒐𝒔 𝒅𝒊𝒂𝒓𝒊𝒐𝒔 𝒅𝒆 𝒕𝒆𝒋𝒊𝒅𝒐 𝒕𝒊𝒑𝒐 𝑻 𝒂 𝒇𝒂𝒃𝒓𝒊𝒄𝒂𝒓

▪ 𝑿𝑻’: 𝑪𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆 𝒎𝒆𝒕𝒓𝒐𝒔 𝒅𝒊𝒂𝒓𝒊𝒐𝒔 𝒅𝒆 𝒕𝒆𝒋𝒊𝒅𝒐 𝒕𝒊𝒑𝒐 𝑻’ 𝒂 𝒇𝒂𝒃𝒓𝒊𝒄𝒂𝒓

 Modelos Lineales

338
PASO 3: DETERMINAR LAS RESTRICCIONES DEL PROBLEMA

Se determinan las funciones que limitan el problema, que están dadas por: capacidad,
disponibilidad, proporción, no negatividad, entre otras, esto es:

• DE DISPONIBILIDAD DE MATERIA PRIMA:

𝟎, 𝟏𝟐𝟓𝑿𝑻 + 𝟎, 𝟐𝟎𝟎𝑿𝑻’ <= 𝟓𝟎𝟎 𝑯𝒊𝒍𝒐 “𝒂”

𝟎, 𝟏𝟓𝟎𝑿𝑻 + 𝟎, 𝟏𝟎𝟎𝑿𝑻’ <= 𝟑𝟎𝟎 𝑯𝒊𝒍𝒐 “𝒃”

𝟎, 𝟎𝟕𝟐𝑿𝑻 + 𝟎, 𝟎𝟐𝟕𝑿𝑻’ <= 𝟏𝟎𝟖 𝑯𝒊𝒍𝒐 “𝒄”

• DE NO NEGATIVIDAD

𝑿𝑻, 𝑿𝑻’ >= 𝟎

PASO 4: DETERMINAR LA FUNCIÓN OBJETIVO

Aquí se establece el contexto operativo del problema, para determinar si es de Maximización o

Minimización.

Para el problema planteado se aborda el contexto de beneficio, por lo tanto, lo ideal es

Maximizar.

La Función Objetivo, está dada por:

𝒁𝑴𝑨𝑿 = 𝟒𝟎𝟎𝟎𝑿𝑻 + 𝟓𝟎𝟎𝟎𝑿𝑻’

PASO 5: RESOLVER EL MODELO UTILIZANDO SOFTWARE O MÉTODOS MANUALES

A menudo los problemas de programación lineal están constituidos por innumerables variables,
lo cual dificulta su resolución manual, es por esto que se recurre a software especializado, como
es el caso de WinQSB, TORA, Lingo o para modelos menos complejos se hace útil la
herramienta Solver de Excel.
 Modelos Lineales

339
El anterior ejercicio fue resuelto mediante Solver – Excel, obteniendo como resultado:

Una pequeña empresa vende dos productos, denominados producto 1 y producto 2. Cada
tonelada de producto1 consume 30 horas de trabajo, y una del Producto 2 consume 20 horas de
trabajo. La empresa tiene un máximo de 2.700 horas de trabajo para el período considerado. En
cuanto a las horas de máquina, cada tonelada de productos 1 y 2 consume 5 y 10 horas de
máquina, respectivamente. Hay 850 horas de máquina disponibles. Cada tonelada de producto 1
produce 20$ de beneficio, mientras que el producto 2 rinde 60 dólares por cada tonelada vendida.
Por razones técnicas, la empresa debe producir un mínimo de 95 toneladas en total entre ambos
productos. Necesitamos saber cuántas toneladas de producto 1 y 2 se deben producir para
maximizar el beneficio total.

8.3.1.1 PROCEDIMIENTO:

Los costos de estas variables son 𝟐𝟎 𝒚 𝟔𝟎, respectivamente. Por lo tanto:

La función objetivo se define multiplicando cada variable por su coeficiente de costo

correspondiente.

Las restricciones de este problema son las siguientes:

 Modelos Lineales

340
o Una restricción WH (work hours) que hace que la cantidad total de horas de trabajo
utilizadas en el Producto 1 y Producto 2, que es igual a 𝟑𝟎𝑷𝟏 + 𝟐𝟎𝑷𝟐, sea menor o igual a
𝟐. 𝟕𝟎𝟎 𝒉𝒐𝒓𝒂𝒔.
o Una restricción MH (machine hours) similar que hace que las horas totales de la máquina
▪ 𝟓𝑷𝟏 + 𝟏𝟎𝑷𝟐 sean menores o iguales a 𝟖𝟓𝟎
▪ Una restricción PM que hace que las unidades totales producidas y vendidas 𝑷𝟏 + 𝑷𝟐 sean
mayores o iguales a 𝟗𝟓.

Reuniendo todo esto, y considerando que las variables de decisión no son negativas, el LP que
𝒎𝒂𝒙𝒊𝒎𝒊𝒛𝒂 𝒆𝒍 𝒃𝒆𝒏𝒆𝒇𝒊𝒄𝒊𝒐 es:

MAX z = 20P1 + 60P2

s.t. WH) 30P1 + 20P2 ≤ 2700
MH 5P1 + 10P2 ≤ 850
PM) P1 + P2 ≥ 95
P1 ≥ 0, P2 ≥ 0
• LP EN R

Para realizar la solución en R Studio se instalan las siguientes librerías y paquetes:

library("lpSolve")
library ("lpSolveAPI", character. only=TRUE)
library("ggplot2")

Después se definen los parámetros, que en este caso son:

▪ La función objetivo,
▪ La matriz de las restricciones,
▪ Los signos de las ecuaciones definidas anteriormente, y
▪ Los valores del lado derecho de las ecuaciones.
#defining parameters
obj.fun <- c(20, 60)
constr <- matrix (c(30, 20, 5, 10, 1, 1), ncol = 2, byrow= TRUE)
constr.dir <- c ("<=", "<=", ">=")
 Modelos Lineales

341
rhs <- c (2700, 850, 95)

Además, se puede graficar el área de la región factible, para eso despejamos una variable en
función de la otra.

fun1 <- function(x) 2700/20 -30/20*x

fun2 <- function(x) 850/10 -5/10*x
fun3 <- function(x) 95 -1*x
fun4 <- function(x) 4900/60 -20/60*x
x1 = seq (0,200)
mydf = data. frame (x1, y1=fun1(x1), y2=fun2(x1), y3= fun3(x1), y4=fun4(x1))
mydf <- transform (mydf, z = pmax (y1, pmin (y2, y3, y4)))
ggplot (mydf, aes (x = x1)) +
geom_line (aes (y = y1), colour = 'blue') +
geom_line (aes (y = y2), colour = 'green') +
geom_line (aes (y = y3), colour = 'red') +
geom_line (aes (y = y4), colour = 'yellow') +
geom_ribbon (aes (ymin=y1, ymax = z), fill = 'gray60')

Finalmente se ingresa el código para saber la función objetivo. En este caso es:
 Modelos Lineales

342
▪ Maximizar la utilidad, y
▪ Saber cuánto debemos producir de cada producto.
prod.sol <- lp("max", obj.fun, constr, constr.dir, rhs, compute.sens = TRUE)
prod.sol
## Success: the objective function is 4900
prod.sol$solution
## [1] 20 75

Para maximizar la utilidad de la empresa ($ 4900) se deben producir 20 P1 y 75 P2.

PRODUCTO 1 PRODUCTO 2 UTILIDAD

20 75 4900

Hemos preparado una serie de ejercicios de programación lineal y programación lineal entera, en
los cuales podrá observar su modelamiento y resolución en Solver.

Investigación de OperacionesModelamientoProgramación linealSolver

Se replicará esta formulación del modelo de Programación Lineal a través del siguiente ejercicio
de asignación de recursos:

Enunciado:

En una fábrica de cerveza se producen tres tipos distintos: rubia, negra y de baja graduación, y
para ello se utilizan dos materias primas: malta y levadura. En la siguiente tabla se especifican
cada uno de ellos:

a) la cantidad de materias primas consumidas para producir una unidad de cada

tipo de cerveza;

b) las cantidades disponibles de cada materia prima; y

c) el precio unitario de venta de cada tipo de cerveza.

Determinado en el siguiente esquema:
 Modelos Lineales

343
Consumo de materias primas por cada tipo de
cerveza

MATERIA Rubia Negra Baja DISPONIBILIDAD

PRIMA

Malta 1 2 2 30

Levadura 2 1 2 45

Precio de venta 7 4 3

Pregunta:

¿Cuál es la cantidad que se debe fabricar de cada tipo de cerveza de manera que
el beneficio sea máximo?
Procedimiento:

Los tres elementos que definen un problema de programación lineal son:

▪ Variables de decisión,
▪ Restricciones, y
▪ Función objetivo.

En el desarrollo del problema se evaluarán los tres elementos:

• Variables de decisión

Del enunciado del problema se desprende que las variables de decisión son las producciones a
fabricar de cada tipo de cerveza:

𝑥1 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑒𝑟𝑣𝑒𝑧𝑎 𝑟𝑢𝑏𝑖𝑎

𝑥2 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑒𝑟𝑣𝑒𝑧𝑎 𝑛𝑒𝑔𝑟𝑎

𝑥3 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑒𝑟𝑣𝑒𝑧𝑎 𝑑𝑒 𝑏𝑎𝑗𝑎 𝑔𝑟𝑎𝑑𝑢𝑎𝑐𝑖ó𝑛

 Modelos Lineales

344
• Restricciones

Las restricciones en este caso imponen que las materias primas utilizadas en la fabricación de los
tres tipos de cerveza no deben sobrepasar las cantidades disponibles:

𝑥1 + 2𝑥2 + 2𝑥3 ≤ 30 (𝑚𝑎𝑙𝑡𝑎 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎 ≤ 𝑚𝑎𝑙𝑡𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒)

2𝑥1 + 𝑥2 + 2𝑥3 ≤ 45 (𝑙𝑒𝑣𝑎𝑑𝑢𝑟𝑎 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎 ≤ 𝑙𝑒𝑣𝑎𝑑𝑢𝑟𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒)

𝑥1 , 𝑥2 , 𝑥3 ≥ 𝑜 (𝑛𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑, 𝑒𝑠𝑡𝑜 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑜 𝑚𝑎𝑦𝑜𝑟 𝑞𝑢𝑒 0)

• Función objetivo

En este caso el objetivo es maximizar el beneficio, que viene dado por la suma de los precios de
venta de la producción:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒛 = 𝟕𝒙𝟏 + 𝟒𝒙𝟐 + 𝟑𝒙𝟑

Dado lo anterior, el modelo matemático de programación lineal para este problema de
asignación de recursos queda planteado así:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒛 = 𝟕𝒙𝟏 + 𝟒𝒙𝟐 + 𝟑𝒙𝟑

Sujeto a las siguientes condiciones:

𝑥1 + 2𝑥2 + 2𝑥3 ≤ 30

2𝑥1 + 𝑥2 + 2𝑥3 ≤ 45

𝑥1 , 𝑥2 , 𝑥3 ≥ 𝑜
Sin entrar de momento en los detalles de estos lenguajes, la expresión del problema anterior en
dos modernos lenguajes de modelado (OPL y OML) se tendría:
 Modelos Lineales

345

Nota: Es evidente que estos lenguajes disponen de una sintaxis muy próxima a la pura expresión
matemática.

▪ El texto en verde corresponde a comentarios, y

▪ El texto en azul a palabras reservadas de cada lenguaje.

Solución:

La solución que nos dan los respectivos sistemas son la siguientes:

//solution (optimal) with objective

160

𝑥1 = 20;

𝑥2 = 5;

𝑥3 = 0:

Solución OPL

Decisions:

𝑥1 = 20

𝑥2 = 5
 Modelos Lineales

346
𝑥3 = 0;

𝑧 = 160

Solución OML

Tomado de:
J.J. RUZ, INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA, MÁSTER UNIVERSITARIO EN INGENIERÍA DE SISTEMA
S Y DE CONTROL

• PROPIEDADES DEL MODELO LINEAL

La formulación algebraica general de un problema de programación lineal de varias variables

continuas se puede hacer de la siguiente manera:

Para:

𝒎𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒐 𝒎𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝒛 = 𝒄𝟏 𝒙𝟏 + 𝒄𝟐 𝒙𝟐 + ⋯ + 𝒄𝒏 𝒙𝒏
Se debe estar sujeto a:

𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + ⋯ + 𝒂𝟏𝒏 𝒙𝒏 ≤ ó ≥ ó = 𝒃𝟏

𝒂𝟐𝟏 𝒙𝟏 + 𝒂𝟐𝟐 𝒙𝟐 + ⋯ + 𝒂𝟐𝒏 𝒙𝒏 ≤ ó ≥ ó = 𝒃𝟐

𝒂𝒎𝟏 𝒙𝟏 + 𝒂𝒎𝟐 𝒙𝟐 + ⋯ + 𝒂𝒎𝒏 𝒙𝒏 ≤ ó ≥ ó = 𝒃𝒏

Con:

𝒙𝟏 ≥ 𝟎, 𝒙𝟐 ≥ 𝟎, … , 𝒙𝒏 ≥ 𝟎
Las propiedades generales que debe cumplir un problema para poderse plantear como un probl
ema de programación lineal, son las siguientes:

PROPIEDADES CARACTERÍSTICAS
 Modelos Lineales

347
La contribución al coste y a las restricciones es directamente
PROPORCIONALIDAD
proporcional al valor de las variables de decisión.

El coste y las restricciones son la suma directa de los valores

ADITIVIDAD
aportados por las variables de decisión.

Las variables de decisión pueden dividirse en cualquier tipo

DIVISIBILIDAD
de fracción, es decir, toman como valores números reales.

Los valores de 𝑎𝑖𝑗 , 𝑐𝑖 , 𝑏𝑗 para:

DETERMINISMO
𝑖 = 1,2, , 𝑛 y 𝑗 = 1, 2, … , 𝑚 mantienen su valor constante.

8.3.2 EJERCICIO DE APRENDIZAJE

Una compañía dispone de un máximo de 14 horas diarias de mano de obra para fabricar
diariamente dos productos 𝒑𝟏 𝒚 𝒑𝟐 . Una unidad de producto 𝒑𝟏 necesita 𝟒 𝒉𝒐𝒓𝒂𝒔 mientras
que una unidad de producto 𝒑𝟐 requiere de 𝟑 𝒉𝒐𝒓𝒂𝒔. Para la producción se necesita una materia
prima de la que se dispone de 𝟏𝟐 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒅𝒊𝒂𝒓𝒊𝒂𝒔, requiriéndose 𝟐 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 para
producir 𝒖𝒏𝒂 𝒖𝒏𝒊𝒅𝒂𝒅 de 𝒑𝟏 , y 𝟑 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 para producir una unidad de 𝒑𝟐 .

¿Qué cantidad de cada producto maximiza la producción?

Procedimiento:
Se determinan los siguientes elementos:

• Variables e decisión:

𝒙𝟏 𝒑𝒓𝒐𝒅𝒖𝒄𝒄𝒊ó𝒏 𝒅𝒊𝒂𝒓𝒊𝒂 𝒅𝒆 𝒑𝟏

𝒙𝟐 𝒑𝒓𝒐𝒅𝒖𝒄𝒄𝒊ó𝒏 𝒅𝒊𝒂𝒓𝒊𝒂 𝒅𝒆 𝒑𝟐

• Restricciones:

Las Horas requeridas para producir 𝒙𝟏 unidades de 𝒑𝟏 y 𝒙𝟐 unidades de 𝒑𝟐

<
 Modelos Lineales

348
𝐻𝑜𝑟𝑎𝑠 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑎𝑙 𝑑í𝑎 𝑑𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎.

Materia prima requerida para producir 𝒙𝟏 unidades de 𝒑𝟏 y 𝒙𝟐 unidades de 𝒑𝟐

<

𝑈𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎 𝑝𝑟𝑖𝑚𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 𝑎𝑙 𝑑í𝑎.

Esto está dado por las siguientes ecuaciones:

𝟒𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟏𝟒

𝟐𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟏𝟐

• Función Objetivo

Hay que maximizar la producción total diaria de la compañía, esto es:

El modelo de programación lineal para este problema estaría dado por las siguientes ecuaciones:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓:

𝒛 = 𝒙𝟏 + 𝒙𝟐

Sujeta a:

𝟒𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟏𝟒

𝟐𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟏𝟐

𝒙𝟏 ≥ 𝟎 𝒚 𝒙𝟐 ≥ 𝟎
• INTERPRETACIÓN ECONÓMICA DEL PROBLEMA DE PROGRAMACIÓN LINEAL

En el ejercicio de aprendizaje 1 se trataba de asignar dos recursos limitados (malta y levadura) a

tres actividades de la compañía (fabricación de cerveza rubia, negra o de baja graduación)
optimizando (maximizando) el beneficio global. Se conocía:

▪ La disponibilidad (cantidad) de cada recurso,

▪ El consumo de recursos por cada actividad, y
▪ El beneficio que se obtiene por unidad de producto fabricado de cada
actividad.
 Modelos Lineales

349
Este ejercicio permite interpretar un problema general de programación matemática como un
problema de asignación óptima de recursos a una serie de actividades.

En forma general, se daría de la siguiente forma para cada uno de los casos:

http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf

➢ Problema general de programación lineal

(Expresado en forma estándar de maximización)

• 𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓:

𝒛 = 𝒄𝟏 𝒙𝟏 + 𝒄𝟐 𝒙𝟐 + ⋯ + 𝒄𝒏 𝒙𝒏

• 𝑺𝒖𝒋𝒆𝒕𝒂 𝒂:

𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐+ … 𝒂𝟏𝒏 𝒙𝒏 ≤ 𝒃𝟏

𝒂𝟐𝟏 𝒙𝟏 + 𝒂𝟐𝟐 𝒙𝟐+ … 𝒂𝟐𝒏 𝒙𝒏 ≤ 𝒃𝟐

𝒂𝒎𝟏 𝒙𝟏 + 𝒂𝒎𝟐 𝒙𝟐+ … 𝒂𝒎𝒏 𝒙𝒏 ≤ 𝒃𝒏

𝒙𝟏 ≥ 𝟎; 𝒙𝟐 ≥ 𝟎; … ; 𝒙𝒏 ≥ 𝟎

➢ Interpretación económica

(Asignación óptima de recursos)

Consumo de recursos por unidad de activid

ad
Cantidad de recurso
s
RECURSOS Actividad
disponibles

1 2 ... 𝑛
 Modelos Lineales

350

𝟏 𝒂𝟏𝟏 + 𝒂𝟏𝟐 … 𝒂𝟏𝒏 𝒃𝟏

𝟐 𝒂𝟐𝟏 + 𝒂𝟐𝟐 … 𝒂𝟐𝒏 𝒃𝟐

⋮ ⋮ ⋮
𝒎 𝒂𝒎𝟏 + 𝒂𝒎𝟐 … 𝒂𝒎𝒏 𝒃𝒎

Contribución a 𝑧 por unidad de activid

ad
𝒄𝟏 𝒄𝟐 ,… 𝒄𝒏

𝒁 = 𝑽𝒂𝒍𝒐𝒓 𝒅𝒆𝒍 𝒓𝒆𝒏𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐

𝒙𝒋 = 𝑵𝒊𝒗𝒆𝒍 𝒅𝒆 𝒂𝒄𝒕𝒊𝒗𝒊𝒅𝒂𝒅 𝒑𝒂𝒓𝒂 𝒆𝒍 𝒏𝒊𝒗𝒆𝒍 𝒋 (𝒋 = 𝟏, 𝟐, … , 𝒏)

𝒄𝒋 = 𝒊𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒆𝒏 𝒛 𝒒𝒖𝒆 𝒔𝒆 𝒐𝒃𝒕𝒊𝒆𝒏𝒆 𝒂𝒍 𝒂𝒖𝒎𝒆𝒏𝒕𝒂𝒓 𝒖𝒏𝒂 𝒖𝒏𝒊𝒅𝒂𝒅 𝒆𝒍 𝒏𝒊𝒗𝒆𝒍 𝒅𝒆 𝒍𝒂 𝒂𝒄𝒕𝒊𝒗𝒊𝒅𝒂𝒅 𝒋

𝒃𝒊 = 𝒄𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆 𝒓𝒆𝒄𝒖𝒓𝒔𝒐 𝒊 𝒅𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒍𝒆 𝒑𝒂𝒓𝒂 𝒂𝒔𝒊𝒈𝒏𝒂𝒓𝒔𝒆 𝒂 𝒍𝒂𝒔 𝒂𝒄𝒕𝒊𝒗𝒊𝒅𝒂𝒅𝒆𝒔 (𝒊

= 𝟏, 𝟐, . . . , 𝒏)

𝒂𝒊𝒋 = 𝒄𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆𝒍 𝒓𝒆𝒄𝒖𝒓𝒔𝒐 𝒊 𝒄𝒐𝒏𝒔𝒖𝒎𝒊𝒅𝒐 𝒑𝒐𝒓 𝒄𝒂𝒅𝒂 𝒖𝒏𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂 𝒂𝒄𝒕𝒊𝒗𝒊𝒅𝒂𝒅 𝒋

• INTRODUCCIÓN AL LENGUAJE DE MODELADO OPL (OPTIMIZATION PROGRAMMING

LANGUAGE)

La razón está en que los recursos de OPL necesarios para expresar los pequeños modelos de esta
introducción son sencillos y bastante intuitivos. La estructura general de un programa OPL es la
siguiente:
 Modelos Lineales

351

El texto precedido de // es una línea de comentario sin valor sintáctico.

Las variables de decisión no negativas se declaran con las palabras reservadas dvar float+
y se representan con literales: x1, var, peso, …

La función objetivo se declara con las palabras reservadas maximize o minimize

Las restricciones se declaran entre llaves {..} precedidas de las palabras reservadas subject to

Las declaraciones de variables, función objetivo y restricciones terminan en;

Los símbolos de los operadores lineales son + para la suma y * para la multiplicación.

Los símbolos relacionales de las restricciones son: == para la igualdad; <= para menor o igua
l; y >= para mayor o igual

Aplicando la sintaxis OPL al modelo lineal del Problema 1 resulta lo siguiente:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒛 = 𝟕𝒙𝟏 + 𝟒𝒙𝟐 + 𝟑𝒙𝟑

Sujeto a las siguientes condiciones:

𝑥1 + 2𝑥2 + 2𝑥3 ≤ 30

2𝑥1 + 𝑥2 + 2𝑥3 ≤ 45

𝑥1 , 𝑥2 , 𝑥3 ≥ 𝑜
 Modelos Lineales

352

Recomendación: Los pasos necesarios para descargar OPL y crear proyectos que permitan
ejecutar modelos OPL aparece en el documento: IDE OPL.pdf

http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf

• Representación gráfica de los problemas de programación lineal

Un problema de programación lineal con 2 variables de decisión se puede re

presentar gráficamente en el plano cuyas coordenadas son las propias variables. Para ello:

▪ Se representan las rectas que resultan de convertir las restricciones de

desigualdad en ecuaciones, y
▪ Se determina con el signo de desigualdad el semiplano que define cada
restricción (marcado en el dibujo con una flecha verde perpendicular a la
recta).

La región factible queda determinada por la intersección de los semiplanos que definen las
restricciones. Por ejemplo, representemos gráficamente el siguiente problema de programación
lineal:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟:

𝒛 = 𝒙𝟏 + 𝟑𝒙𝟐
𝑆𝑢𝑗𝑒𝑡𝑎 𝑎:

𝑥1 + 𝑥2 ≤ 6
 Modelos Lineales

353
−𝑥1 + 2𝑥2 ≤ 2

𝑥1 , 𝑥2 ≥ 0
Las rectas paralelas de iso-beneficio aumentan el valor de z conforme se alejan del origen en el
cuadrante positivo. Es evidente que el valor de z de la recta que pasa por el punto extremo (2, 4)
de la región factible determina el valor óptimo del problema (z=14). Las rectas con valores de z
superiores a 14 ya no intersecan la región factible.

Más adelante se verá que el óptimo de un problema lineal es siempre un punto extremo de la
región factible. Para 2 variables del vértice del polígono factible.

Se puede comprobar la solución resolviendo el problema en OPL de la siguiente manera:

// variable de decisión

dvar float + x1;

dvar float + x2;

// funcion objetivo

Maximice x1 + 3x2

//Restricciones subject to

x1 + x2 <= 6;

-x1 + x2<=2;

//Solution (optimal) with objective 14

X1= 2;

X2= 4;

}
 Modelos Lineales

354

Para dibujar las rectas correspondientes a las restricciones y avalores constantes de la función
objetivo (iso-beneficio) se hallan los cortes con los ejes:

𝒙 = 𝟎 → 𝒙𝟐 = 𝟔
𝒙𝟏 + 𝒙𝟐 = 𝟔 { 𝟏 }
𝒙𝟐 = 𝟎 → 𝒙𝟏 = 𝟔
𝒙 = 𝟎 → 𝒙𝟐 = 𝟐
−𝒙𝟏 + 𝒙𝟐 = 𝟔 { 𝟏 }
𝒙𝟐 = 𝟎 → 𝒙𝟏 = −𝟐
𝒙 = 𝟎 → 𝒙𝟐 = 𝟏
𝒙𝟏 + 𝟑𝒙𝟐 = 𝟑 { 𝟏 }
𝒙𝟐 = 𝟎 → 𝒙𝟏 = 𝟑

8.4 TEMA 3 VARIABLES

Se definirán las siguientes variables:

➢ VARIABLES DE HOLGURA Y VARIABLES DE EXCEDENTE.

Es una variable agregada al lado izquierdo de una restricción de "menor o igual que" para
convertir la restricción en una igualdad, esto es, permiten convertir las desigualdades de las
restricciones en igualdades. El valor de esta variable puede interpretarse como:
 Modelos Lineales

355
La cantidad de recurso no usado o lo que es lo mismo el sobrante de las disponibilidades de
cada recurso.

Las variables de holgura permiten determinar los excedentes de las restricciones que podrían ser
empleados en otros fines sin que la solución óptima se altere.

Variables de Holgura (Método Simplex): En este método las variables de holgura permiten
determinar los excedentes de las restricciones que podrían ser empleados en otros fines sin que
la solución óptima se altere.

http://matematicas.uclm.es/ita-cr/web_matematicas/trabajos/248/Programacion_lineal.pdf

El valor de una variable de holgura, representa el sobrante de la restricción a la que está asociada.
Por ello:

Una variación en el valor de una variable de holgura implica una modificación en

los términos independientes de las restricciones.

• Forma general de las variables de Holgura y Excedente

▪ VARIABLE DE HOLGURA

Cuando se tiene una restricción de la forma:

𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + ⋯ + 𝒂𝟏𝒏 𝒙𝒏 ≤ 𝒃𝟏

Se convierte en igualdad sumando una variable llamada de holgura, dada por:

𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + ⋯ + 𝒂𝟏𝒏 𝒙𝒏 + 𝒔𝟏 = 𝒃𝟏

Representa la cantidad que falta para llegar a la igualdad y debe ser: ≥ 𝟎.

Por ejemplo:

𝟒𝒙𝟏 + 𝟔𝒙𝟐 ≤ 𝟏𝟎𝟎 Se vuelve una igualdad sumando 𝒔𝟏 , esto es:

𝟒𝒙𝟏 + 𝟔𝒙𝟐 + 𝒔𝟏 = 𝟏𝟎𝟎

▪ VARIABLE DE EXCESO (EXCEDENTE)

Cuando se tiene una restricción de la forma:

 Modelos Lineales

356
𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + ⋯ + 𝒂𝟏𝒏 𝒙𝒏 ≥ 𝒃𝟏
Se convierte en igualdad restando una variable llamada de holgura, dada por:

𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + ⋯ + 𝒂𝟏𝒏 𝒙𝒏 − 𝒔𝟏 = 𝒃𝟏

Representa la cantidad que falta para llegar a la igualdad y debe ser: ≥ 𝟎.

Por ejemplo:

𝟒𝒙𝟏 + 𝟔𝒙𝟐 ≥ 𝟏𝟎𝟎 Se vuelve una igualdad restando 𝒔𝟏 , esto es:

𝟒𝒙𝟏 + 𝟔𝒙𝟐 − 𝒔𝟏 = 𝟏𝟎𝟎

• VARIABLES BÁSICAS Y VARIABLES NO BÁSICAS:

El valor de una variable de holgura BÁSICA representa la disminución máxima que puede tener
la restricción a la que está asociada, sin que varíe nuestra base factible. Es decir, refleja el exceso
que tenemos en la restricción correspondiente.

➢ Variables básicas: Se tendrán m variables básicas y son las que se utilizan para resolver el
sistema de ecuaciones. Generalmente son 𝒎𝒂𝒚𝒐𝒓𝒆𝒔 𝒊𝒈𝒖𝒂𝒍𝒆𝒔 𝒂 𝟎.
➢ Variables no básicas: Se tendrán 𝒏 − 𝒎 variables no básicas, son variables que valen 𝟎 en
una solución del problema.

Si un modelo tiene 𝒏 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 y 𝒎 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊𝒐𝒏𝒆𝒔 donde 𝒏 ≥ 𝒎, para encontrar una

solución se deben darle valores de cero a 𝒏 − 𝒎 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 y resolver el sistema que será
cuadrado 𝒎𝒙𝒎 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒃á𝒔𝒊𝒄𝒂𝒔.

Se tendrán 𝒎 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒃á𝒔𝒊𝒄𝒂𝒔 que son las que se utilizan para resolver el sistema de
ecuaciones.

▪ Generalmente son mayores iguales a 0 Variables no básicas.

▪ Se tendrán n-m variables no básicas.
▪ Son variables que valen 0 en una solución del problema.
 Modelos Lineales

357
8.4.1 EJERCICIOS DE APRENDIZAJE
1. Variables básicas y no básicas:

𝑀𝑎𝑥𝑍 = 2𝑥1 + 3𝑥2 𝑥1 + 𝑥2 ≤ 12 − 2𝑥1 + 𝑥2 ≤ 0𝑥1 + 3𝑥2 ≤ 30𝑥1 , 𝑥 𝑴𝒐𝒅𝒆𝒍𝒐 𝒐𝒓𝒊𝒈𝒊𝒏𝒂𝒍

𝑀𝑎𝑥𝑍 = 2𝑥1 + 3𝑥2 𝑥1 + 𝑥2 + 𝑠1 = 12 − 2𝑥1 + 𝑥2 + 𝑠2 = 0𝑥1 + 3𝑥2 + 𝑠3 =

30𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0 𝑭𝒐𝒓𝒎𝒂 𝒆𝒔𝒕á𝒏𝒅𝒂𝒓

2. Variables básicas y no básicas:

𝑀𝑎𝑥 𝑍 = 2𝑥1 + 3𝑥2 𝑥1 + 𝑥2 + 𝑠1 = 12 − 2𝑥1 + 𝑥2 + 𝑠2 = 0𝑥1 + 3𝑥2 + 𝑠3 =

30𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0 𝐹𝑜𝑟𝑚𝑎 𝐸𝑠𝑡á𝑛𝑑𝑎𝑟

Este problema tiene 5(𝑛)𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 y 3(𝑚)𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠, por lo tanto, tendrá:

▪ 𝒏 − 𝒎 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒏𝒐 𝒃á𝒔𝒊𝒄𝒂𝒔 (𝒄𝒐𝒏 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒄𝒆𝒓𝒐)𝒚 𝒎 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒃á𝒔𝒊𝒄𝒂𝒔

▪ 𝟐 𝒏𝒐 𝒃á𝒔𝒊𝒄𝒂𝒔 𝒚 𝟑 𝒃á𝒔𝒊𝒄𝒂𝒔

Referencias • Hadley, G., Linear programming, Addison Wesley, E.U.A., 1988 • Hillier y Lieberman,
Investigación de operaciones, McGraw Hill, México, 2002 • Moskowitz y Wright, Investigación de
operaciones, Prentice Hall, México, 1985 • Prawda, W., Métodos y modelos de ínvestigación de
operaciones, Vol. 1 Modelos determinísticos, Limusa, México, 1991 • Simonnard, M.,
Programación lineal, Paraninfo, México, 1978 • Taha, H., Investigación de operaciones, una
introducción, Pearson, México, 1998 • Bazaraa y Jarvis, Programación lineal y flujo en redes,
Limusa, México, 1998 • Mckeown, D., Modelos cuantitativos para administración, Iberoamérica,
México, 1995 • Winston, W., Investigación de Operaciones, Thomson, México, 2005

https://es.slideshare.net/lupiuxlupiux/soluciones-factibles-y-soluciones-bsicas-
factibles#:~:text=Variables%20b%C3%A1sicas%20Se%20tendr%C3%A1n%20m,en%20una%20soluci%C3%B3n%20de
l%20problema.
 Modelos Lineales

358
8.5 TEMA 4 TIPO DE SOLUCIÓN DE PROBLEMAS DE
PROGRAMACIÓN LINEAL
De acuerdo al tipo de solución podemos clasificar los problemas de programación se pueden
clasificar de la siguiente manera o en las siguientes categorías:

𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎
− 𝑭𝒂𝒄𝒕𝒊𝒃𝒍𝒆 ( )
𝑀ú𝑙𝑡𝑖𝑝𝑙𝑒𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
𝑃𝑟𝑜𝑏𝑙𝑒𝑚𝑎 𝑑𝑒 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑐𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙 − 𝑵𝒐 𝒇𝒂𝒄𝒕𝒊𝒃𝒍𝒆
𝐶𝑜𝑛 𝑧 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑜
− 𝑵𝒐 𝒂𝒄𝒐𝒕𝒂𝒅𝒐 ( )
{ 𝐶𝑜𝑛 𝑧 𝑓𝑖𝑛𝑖𝑡𝑜 (𝑟𝑎𝑦𝑜 ó𝑝𝑡𝑖𝑚𝑜) }

En los problemas de programación lineal con dos variables pueden darse varios tipos de
soluciones óptimas:

TIPO DE SOLUCION CARACTERÍSTICAS

SOLUCIÓN ÚNICA. Una solución.

SOLUCIÓN MÚLTIPLE Infinitas soluciones.

Ausencia de solución, cuando la función objetivo

SOLUCIÓN NO ACOTADA no tiene valores extremos, pues la región factible
es no acotada.

Cuando no existe región factible por falta de

SOLUCIÓN NO FACTIBLE
puntos comunes en el sistema de inecuaciones.

Sí en un solo punto (que se dice degenerado)

SOLUCIÓN DEGENERADA coinciden tres o más de las rectas que limitan la
región factible.

8.5.1 EJERCICIOS DE APRENDIZAJE

 Modelos Lineales

359

Ejemplos de cada uno de los problemas de Programación Lineal:

Tomados de:

http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf
 Modelos Lineales

360

Tomados de: http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf

TIPS
Recuerde que:

Se llama solución óptima a la que maximiza o minimiza la función

objetivo. Esta solución si es única siempre se encuentra en
un vértice o punto extremo de la región factible.

https://www.hiru.eus/es/matematicas/programacion-lineal

Nota: Para resolver gráficamente un problema de programación

lineal, se pueden utilizar los siguientes métodos de resolución:
 Modelos Lineales

361
8.6 TEMA 5 MÉTODOS DE SOLUCIÓN
• RESOLUCIÓN POR MÉTODO GRÁFICO

Para resolver un problema de programación lineal por métodos gráficos, se aplica el siguiente
procedimiento operativo:

Se representan gráficamente las inecuaciones del sistema, obteniéndose el conjunto restricción.

Si la función objetivo es 𝒇 (𝒙, 𝒚) = 𝒂𝒙 + 𝒃𝒚, se trazan rectas paralelas a esta función (que
serán de la forma 𝒂𝒙 + 𝒃𝒚 = 𝒌) y que pasen por cada uno de los vértices del conjunto
restricción.

Se observa en qué vértice la función objetivo se hace máxima (o mínima) sin más que tener
en cuenta cuál de las rectas tiene mayor (o menor) ordenada en el origen.

Este método se conoce como:

El método de las rectas de nivel.

• MÉTODO ALGEBRAICO DE RESOLUCIÓN

Para resolver un problema de programación lineal por métodos algebraicos, se aplica el siguiente
procedimiento operativo:

1) Se definen las variables.

2) Para cada restricción existente se escribe una inecuación lineal representativa.

3) Se define la expresión matemática de la función objetivo.

4) Se construyen sistemas cuadrados de ecuaciones a partir del conjunto inicial de

inecuaciones lineales. Por ejemplo, si se tuvieran cuatro inecuaciones con dos incógnitas,
se podrían construir seis sistemas distintos de ecuaciones lineales (sustituyendo la
desigualdad por igualdad).

5) Se resuelven todos estos sistemas y se anota el valor de los puntos obtenidos como
solución.

6) Se comprueban estos puntos en cada una de las inecuaciones. Los que cumplan todas las
restricciones serán los vértices de la región factible.
 Modelos Lineales

362
7) Se calcula el valor de la función objetivo para cada vértice.

8) La solución óptima será aquella para la cual la función objetivo es máxima (o mínima,
según el planteamiento del problema).

Este método se conoce como:

EL MÉTODO DE LOS VÉRTICES

• Tipo de solución de problemas de Programación Lineal

De acuerdo al tipo de solución podemos clasificar los problemas de programación se pueden

clasificar de la siguiente manera o en las siguientes categorías:

𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ú𝑛𝑖𝑐𝑎
− 𝑭𝒂𝒄𝒕𝒊𝒃𝒍𝒆 ( )
𝑀ú𝑙𝑡𝑖𝑝𝑙𝑒𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠
𝑃𝑟𝑜𝑏𝑙𝑒𝑚𝑎 𝑑𝑒 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑐𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙 − 𝑵𝒐 𝒇𝒂𝒄𝒕𝒊𝒃𝒍𝒆
𝐶𝑜𝑛 𝑧 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑜
− 𝑵𝒐 𝒂𝒄𝒐𝒕𝒂𝒅𝒐 ( )
{ 𝐶𝑜𝑛 𝑧 𝑓𝑖𝑛𝑖𝑡𝑜 (𝑟𝑎𝑦𝑜 ó𝑝𝑡𝑖𝑚𝑜) }

En los problemas de programación lineal con dos variables pueden darse varios tipos de
soluciones óptimas:

TIPO DE SOLUCION CARACTERÍSTICAS

Solución única. Una solución.

Solución múltiple Infinitas soluciones.

Ausencia de solución, cuando la función

Solución no acotada objetivo no tiene valores extremos, pues la
región factible es no acotada.

Cuando no existe región factible por falta de

Solución no factible puntos comunes en el sistema de
inecuaciones.

Sí en un solo punto (que se dice degenerado)

Solución degenerada coinciden tres o más de las rectas que
limitan la región factible.
 Modelos Lineales

363

Ejemplos de cada uno de los problemas de Programación Lineal:

Tomados de:

http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf
 Modelos Lineales

364

Tomados de: http://www.fdi.ucm.es/profesor/jjruz/MasterUned/Documentos%20en%20aLF/Tema%201.pdf

TIPS
Recuerde que:
Se llama solución óptima a la que maximiza o minimiza la función
objetivo. Esta solución si es única siempre se encuentra en
un vértice o punto extremo de la región factible.
HTTPS://WWW.HIRU.EUS/ES/MATEMATICAS/PROGRAMACION-
LINEAL
Nota: Para resolver gráficamente un problema de programación
lineal, se pueden utilizar los siguientes métodos de resolución:
 Modelos Lineales

365
9 UNIDAD 9 MÉTODO SIMPLEX
9.1.1 OBJETIVO GENERAL
➢ Utilizar el método Simplex en la solución de problemas de Programación Lineal.

9.1.2 OBJETIVOS ESPECÍFICOS

➢ Definir el Teorema fundamental del método Simplex

➢ Determinar la Tabla Simplex inicial,

➢ Utilizar el Método Simplex (problemas de maximización), y

➢ Determinar la Tabla Simplex final.

➢ Definir el Método Simplex revisado (o forma matricial).

9.2 TEMA 1 TEOREMA FUNDAMENTAL DEL MÉTODO SIMPLEX

https://www.gestiondeoperaciones.net/programacion_lineal/teorema-fundamental-de-la-
programacion-lineal-y-sus-propiedades/

En el desarrollo del tema se abordará el manejo conceptual y ejemplos prácticos y sencillos de las
propiedades que establece el Teorema Fundamental de la Programación Lineal. Estas
propiedades son indispensables tener en consideración al momento de la resolución algorítmica
de este tipo de modelos de optimización matemática, destacando entre ellos el Método
Simplex como así también la resolución de modelos lineales a través del Método Gráfico.

TEOREMA FUNDAMENTAL DE LA PROGRAMACIÓN LINEAL

Cada uno de los problemas de Programación Lineal, en su forma estándar, cumple con tres
propiedades, estas son:

PRIMERA PROPIEDAD:

“Si el problema no tiene solución óptima entonces es no-acotado o infactible”

 Modelos Lineales

366
Notar que un problema lineal con dominio de soluciones factible no acotado puede (o no) admitir
solución óptima, es decir,

El hecho de enfrentar un modelo de estas características no determina a priori la

presencia (o ausencia) de solución óptima.

En la aplicación del Método Simplex se detecta un problema no acotado sin solución

óptima cuando al realizar el cálculo de la variable que deja la base, todos los elementos 𝒚𝒌𝒋 de
𝒍𝒂 𝒄𝒐𝒍𝒖𝒎𝒏𝒂 𝒋 en la tabla, son negativos para 𝒋 el índice de una variable no básica con costo
reducido negativo.

9.2.1 EJERCICIO DE APRENDIZAJE

Se considerará el siguiente problema de Programación Lineal:

𝑴𝒂𝒛: 𝟒𝒙𝟏 + 𝟔𝒙𝟐

Sujeta a:

𝟐𝒙𝟏 − 𝟐𝒙𝟐 ≤ 𝟔
𝟒𝒙𝟏 ≤ 𝟏𝟔
𝒙𝟏 , 𝒙𝟐 ≥ 𝟎

Luego de llevar a la forma estándar el modelo anterior, agregando 𝒙𝟑 𝒚 𝒙𝟒 como variables de

holgura para la restricción 1 y 2, respectivamente, se obtiene la siguiente tabla inicial:

TABLA INICIAL
𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
2 −2 1 0 𝟔
4 0 0 1 𝟏𝟔
−𝟒 −𝟔 𝟎 𝟎 𝟎

𝒙𝟐 : Es una variable no básica con costo reducido negativo por lo tanto se incorpora a la base.
 Modelos Lineales

367
Por lo tanto, no es factible calcular el criterio de factibilidad o mínimo cociente debido a que las
entradas en la columna de 𝒙𝟐 :

▪ Son negativas, o
▪ Cero.

Dado lo anterior se deja en evidencia que el problema:

Es no acotado sin solución óptima.

Por otra parte un modelo lineal es infactible* si el valor de la función objetivo al finalizar la Fase
I del Método Simplex de 2 Fases es distinto a cero.

* Modelo lineal es infactible Es aquel donde el dominio de soluciones factibles es vacío y por
tanto no admite solución).

SEGUNDA PROPIEDAD:

“Si tiene una solución factible, tiene una solución básica factible”
Una propiedad básica de los modelos de Programación Lineal es que, en caso de admitir solución
óptima, ésta se encontrará necesariamente en:

Un vértice o tramo en la frontera del dominio de soluciones factibles.

En este contexto en la aplicación del Método Simplex como estrategia algorítmica de resolución,
se busca proveer soluciones que cumplan con:

𝐴𝑥 = 𝑏 (restricciones de la forma estándar), y

𝑥 ≥ 0, definiendo una solución básica factible (no necesariamente óptima).

9.2.2 EJERCICIO DE APRENDIZAJE

En el siguiente gráfico que representa un modelo lineal en 2 variables se puede apreciar que los
vértices 𝐴, 𝐵, 𝐶, 𝐷 𝑦 𝐸 son soluciones básicas factibles.
 Modelos Lineales

368
𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝟑𝒙 + 𝟖𝒚
Sujeto a:
𝟐𝒙 + 𝟒𝒚 ≤ 𝟏𝟔𝟎𝟎 (𝑹𝟏 )

𝟔𝒙 + 𝟐𝒚 ≤ 𝟏𝟕𝟎𝟎 (𝑹𝟐 )

𝒚 ≤ 𝟑𝟓𝟎 (𝑹𝟑 )
𝒙≥𝟎
𝒀≥𝟎

MÉTODO SIMPLEX REVISADO

El método del simplex revisado trabaja con la idea fundamental de que cualquier tabla
del simplex correspondiente a una solución factible básica puede generarse directamente de las
ecuaciones originales por medio de operaciones matriciales.
 Modelos Lineales

369

https://imgv2-2-f.scribdassets.com/img/document/55059852/original/28a481bf11/1592642118?v=1

https://www.metodosimplex.com/wp-content/uploads/2015/09/forma-estandar-programacion.gif
 Modelos Lineales

370

https://slideplayer.es/slide/3219694/11/images/4/0+cTNB-cTBA-1BANB+z+%EF%81%ACT%3D+cTB%2AA-
1B+costo+reducido%3D+c-+%EF%81%ACTA.jpg

https://image.slidesharecdn.com/06mtodo-simplex-130122090230-phpapp02/95/06-mtodo-simplex-15-
638.jpg?cb=1358845385
 Modelos Lineales

371

https://www.metodosimplex.com/wp-content/uploads/2015/09/analisis-sensibilidad1.gif

https://slideplayer.es/slide/3420941/12/images/2/M%C3%A9todo+Simplex+A+tener+en+cuenta.jpg
 Modelos Lineales

372

https://www.metodosimplex.com/wp-content/uploads/2015/10/ejemplo-metodo-simplex.gif

https://slideplayer.es/slide/3408621/12/images/10/M%C3%A9todo+Simplex+VB%3A+Indica+las+variables+que+for
man+la+base..jpg

El método simplex revisado conserva las mismas características que el método simplex:
 Modelos Lineales

373

1) Las variables de decisión tienen que ser mayor a cero.

2) Las restricciones tienen que tener la forma ≤

La diferencia entre el método simplex normal y el revisado es que la mayoría de los números que
aparecen en la tabla del método normal no se usan realmente en las iteraciones, por lo cual:

En el método revisado solo se calculan los valores necesarios para encontrar la

solución óptima a través de matrices.
Sin embargo, este método requiere muchas operaciones de matrices y deja de estar
tan estructurado como el método simplex, por lo cual es muy posible confundirse durante las
iteraciones

Antes de aplicar el método es necesario pasar el modelo planteado a su forma estándar matricial:

𝑀𝑎𝑥 𝑍 = 𝐶𝑥

𝑨𝒙 = 𝒃

𝒙≥𝟎
Donde:

𝑪 es una vector de n filas cuyos elementos son todos los valores de la función objetivo.
 Modelos Lineales

374
𝒙, que es un vector de 𝒏 𝒄𝒐𝒍𝒖𝒎𝒏𝒂𝒔 cuyos valores son todas las variables de 𝒙 que aparecen
en la función objetivo.

𝑨 es una matriz que representa a todos los coeficientes que se encuentran del lado izquierdo de
las igualdades, incluyendo a las variables de holgura.

𝒃 es un vector que tiene todas las equivalencias de las igualdades en el lado izquierdo, por lo cual
el número de columnas de 𝑨 𝒚 𝒃 son iguales.

Los pasos para hallar la solución óptima son los mismos que en el método simplex. pero ahora se
usan diferentes fórmulas:

1) Comenzamos por ubicar la solución inicial y los vectores de las matrices:

𝒙𝒃
𝜽= 𝒚 ≥𝟎
𝒀𝒊 𝒊
Donde 𝑩 es una matriz que tiene los coeficientes correspondientes a las variables de decisión en
las restricciones.

2) Se calcula la variable de entrada con lo que sería la fila 𝒁𝒋 − 𝑪𝒋, pero se aplica esta fórmula:

𝒁𝒋 − 𝑪𝒉 = (𝑪𝒃)(𝑩−𝟏 )(𝒂𝒋 ) − 𝑪𝒋

Donde:

𝐶𝑏 son los valores de las variables no básicas en la función objetivo.

𝑗 es una matriz que corresponde a los valores en las restricciones que corresponden a las varia-
bles no básicas

𝐶𝑗 son los valores de las variables no básicas en la función objetivo.

Se utiliza el mismo criterio que en el método simplex:

▪ Se elige al valor más pequeño si se tiene que maximizar la función, o bien

▪ El más grande si hay que minimizar.

3) Primero hay que calcular el nuevo valor de las variables básicas:

Para calcular la variable de salida se utiliza la siguiente formula:

𝒀𝒊 = (𝑩−𝟏 )(𝒂𝒊 )
 Modelos Lineales

375
Donde.

𝒂𝒊 es un vector que corresponde a los valores de las restricciones de la variable de entrada

Entonces hay que utilizar el mismo criterio para elegir a la variable de salida que ene
le método simplex:

𝒙𝒃
𝜽= 𝒚 ≥𝟎
𝒀𝒊 𝒊

Donde 𝑿𝒃 e el vector con las soluciones actuales de las igualdades.

4) Por último, hay que calcular el nuevo valor de las variables básicas, para eso hay que cambiar
la matriz B, pues el vector de las variables básicas cambio, por lo tanto, hay que cambiar los
elementos de la 𝒎𝒂𝒕𝒓𝒊𝒛 𝑩 para que correspondan a los valores de las restricciones en su
correspondiente variable básica.

Como cambio la 𝒎𝒂𝒕𝒓𝒊𝒛 𝑩, hay que cambiar la matriz 𝑩−𝟏

Se tiene que calcular el nuevo valor de 𝑿𝒃 con la siguiente formula:

𝑿𝒃 = (𝑩−𝟏 )(𝒃)
Donde 𝒃 tiene que ser el valor que tenía el vector 𝑿𝒃 anterior

Se regresa al paso 2 hasta que ya no exista un variable de entrada.

TERCERA PROPIEDAD:

“Si el problema tiene solución óptima, tiene una solución básica factible
óptima”
Siguiendo con el ejemplo anterior 𝑒𝑙 𝑣é𝑟𝑡𝑖𝑐𝑒 𝐶 no sólo es una solución básica factible sino
también una 𝑠𝑜𝑙𝑢𝑐𝑖ó𝑛 𝑏á𝑠𝑖𝑐𝑎 𝑓𝑎𝑐𝑡𝑖𝑏𝑙𝑒 ó𝑝𝑡𝑖𝑚𝑎. Si todos los costos reducidos (de las
variables no básicas: 𝑺𝟏 𝒚 𝑺𝟑 son mayores o iguales que cero y estamos en presencia de una
solución básica factible:

(𝑋 = 100, 𝑆2 = 400, 𝑌 = 350 𝑡𝑜𝑑𝑎𝑠 ≥ 0),

 Modelos Lineales

376
Se cumple con el criterio de parada del Método Simplex y en consecuencia la actual solución
básica factible es óptima.

𝒙 𝒚 𝑺𝟏 𝑺𝟐 𝑺𝟑
1 0 1/2 0 −2 𝟏𝟎𝟎
0 0 −3 1 10 𝟒𝟎𝟎
0 1 0 0 1 𝟑𝟓𝟎
𝟎 𝟎 𝟑/𝟐 𝟎 𝟐 𝟑. 𝟏𝟎𝟎

https://sites.google.com/site/metodosdeprogramacionlinealdan/metodo-simplex-revisado

9.2.3 EJERCICIOS DE APRENDIZAJE

▪ Método Simplex Reducido
https://www.fing.edu.uy/inco/cursos/modopt/imprimibles/solSimplex.pdf

1. Se escribe el problema en forma estándar y se agregan las variables de holgura, esto es,
𝐦𝐢𝐧𝐢𝐦𝐢𝐳𝐚𝐫 − 𝟖𝐱 𝟏 − 𝟏𝟗𝐱 𝟐 − 𝟕𝐱 𝟑
Sujeto a:

𝟑𝒙𝟏 + 𝟒𝒙𝟐 + 𝒙𝟑 + +𝒙𝟒 = 𝟐𝟓

𝒙𝟏 + 𝟑𝒙𝟐 + 𝟑𝒙𝟑 + 𝒙𝟓 = 𝟓𝟎

𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , 𝒙𝟒 , 𝒙𝟓 ≥ 𝟎
Las variables de holgura brindan una solución básica factible inicial:

𝒙𝒃 = (𝒙𝟒 , 𝒙𝟓 )
▪ La matriz básica correspondiente y su inversa están dadas por:

𝑩 = 𝑩−𝟏 = 𝑰
▪ Los multiplicadores simplex están dados por:

𝝅𝑻 = 𝑪𝑻𝑩 𝑩−𝟏 = (𝟎, 𝟎)

 Modelos Lineales

377
▪ El lado derecho transformado, está dado por:

̅ = 𝑩−𝟏 𝒃 = (𝟐𝟓, 𝟓𝟎)𝑻

𝒃
▪ El Valor Objetivo está dado por:
𝒛̅ = 𝑪𝑻𝑩 𝑩−𝟏 = 𝟎

➢ ITERACIÓN 1

Nota: Iteración significa repetir varias veces un proceso con la intención de

alcanzar una meta deseada, objetivo o resultado. Cada repetición del proceso
también se le denomina una "iteración", y los resultados de una iteración se
utilizan como punto de partida para la siguiente iteración
PROCEDIMIENTO:

Se busca una variable no básica con costo reducido negativo, por ejemplo 𝒙𝟐 , ya que su costo
reducido está dado por:

𝒄̅𝟐 = −𝟏𝟗 − (𝟎, 𝟎)(𝟒, 𝟑)𝑻 = −𝟏𝟗

▪ La columna correspondiente a 𝒙𝟐 expresada en la base actual está dada por:

̅ 𝟐 = 𝑩−𝟏 𝒂𝟐 = (𝟒, 𝟑)𝑻 y el tableau:

𝒂

4 25 1 0
3 50 0 1

-19 0 0 0

▪ La variable saliente es 𝒙𝟒 y el tableau luego del pivoteo es:

𝟏 𝟐𝟓/𝟒 𝟏/𝟒 𝟎
𝟎 𝟏𝟐𝟓/𝟒 −𝟑/𝟒 𝟏

𝟎 𝟒𝟕𝟓/𝟒 𝟏𝟗/𝟒 𝟎
 Modelos Lineales

378
La base actual está dada por:

(𝒙𝟐 , 𝒙𝟓 )
Y el valor objetivo es:

𝟒𝟕𝟓⁄
𝟒

➢ ITERACIÓN 2

La variable: 𝑥3, tiene un costo reducido de la forma:

𝟏𝟗
▪ 𝒄̅𝟐 = −𝟕 − (− , 𝟎)(𝟏, 𝟑)𝑻 = −𝟗/𝟒 y entra a la base.
𝟒
▪ La columna actualizada, está dada por:

̅ 𝟑 = 𝑩−𝟏 𝒂𝟑 = (𝟏/𝟒, 𝟗/𝟒)𝑻 y el tableau:

𝒂

𝟏 𝟐𝟓/𝟒 𝟏/𝟒 𝟎
𝟗/𝟒 𝟏𝟐𝟓/𝟒 −𝟑/𝟒 𝟏

−𝟗/𝟒 𝟒𝟕𝟓/𝟒 𝟏𝟗/𝟒 𝟎

▪ La variable saliente es 𝒙𝟓 y el tableau luego del pivoteo se tiene:

𝟎 𝟐𝟓/𝟗 𝟏/𝟑 − 𝟏/𝟗

𝟏 𝟏𝟐𝟓/𝟗 −𝟏/𝟑 𝟒/𝟗

𝟎 𝟏𝟓𝟎 𝟒 𝟏

➢ ITERACIÓN 3
 Modelos Lineales

379
En este paso todos los costos reducidos de las variables no básicas son positivos:

La solución es óptima.
Por lo tanto:

▪ La solución óptima está dada por:

𝟐𝟓
𝒙𝟏 = 𝒙𝟒 = 𝒙𝟓 = 𝟎, 𝒙𝟐 = 𝒚 𝒙𝟑 = 𝟏𝟐𝟓/𝟗
𝟗
El valor óptimo es:

−𝟏𝟓𝟎

------------------------------------------------------------------------------------------------
2. Resolver mediante el método simplex el siguiente problema:

Tomado de: http://www.phpsimplex.com/ejemplo_metodo_simplex.htm

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓: 𝒁 = 𝒇(𝒙, 𝒚) = 𝟑𝒙 + 𝟐𝒚

Sujeto a:

𝟐𝒙 + 𝒚 ≤ 𝟏𝟖
𝟐𝒙 + 𝟑𝒚 ≤ 𝟒𝟐
𝟑𝒙 + 𝒚 ≤ 𝟐𝟒
𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎
PROCEDIMIENTO:

Para resolver este problema se considerarán las siguientes fases o etapas:

1. Se realiza un cambio de variables y se normaliza el signo de los términos

independientes.
Se realiza un cambio en la nomenclatura de las variables. Estableciéndose la siguiente correspondencia:

▪ 𝒙 𝒑𝒂𝒔𝒂 𝒂 𝒔𝒆𝒓 𝒙𝟏
 Modelos Lineales

380
▪ 𝒚 𝒑𝒂𝒔𝒂 𝒂 𝒔𝒆𝒓 𝒙𝟐
Como los términos independientes de todas las restricciones son positivos no es necesario hacer nada. En
caso contrario habría que multiplicar por "−𝟏" en ambos lados de la inecuación (teniendo en cuenta que
esta operación también afecta al tipo de restricción).

2. Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de:

✓ holgura,

✓ exceso, y

✓ artificiales
Según la tabla siguiente:

𝑻𝒊𝒑𝒐 𝒅𝒆 𝒅𝒆𝒔𝒊𝒈𝒖𝒂𝒍𝒅𝒂𝒅 𝑻𝒊𝒑𝒐 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒒𝒖𝒆 𝒂𝒑𝒂𝒓𝒆𝒄𝒆

≥ − 𝒆𝒙𝒄𝒆𝒔𝒐 + 𝒂𝒓𝒕𝒊𝒇𝒊𝒄𝒊𝒂𝒍

= + 𝒂𝒓𝒕𝒊𝒇𝒊𝒄𝒊𝒂𝒍

≤ + 𝒉𝒐𝒍𝒈𝒖𝒓𝒂

En este caso se introduce una variable de holgura (𝒙𝟑 , 𝒙𝟒 , 𝒙𝟓 ) en cada una de las restricciones
del tipo ≤, para convertirlas en igualdades, resultando el siguiente sistema de ecuaciones
lineales:

𝟐𝒙𝟏 + 𝒙𝟐 + 𝒙𝟑 = 𝟏𝟖
𝟐𝒙𝟏 + 𝟑𝒙𝟐 + 𝒙𝟒 = 𝟒𝟐
𝟑𝒙𝟏 + 𝒙𝟐 + 𝒙𝟓 = 𝟐𝟒

3. Igualar la función objetivo a cero.

𝑍 − 3𝑥1 − 2𝑥2 − 0𝑥3 − 0𝑥4 − 0𝑥5 = 0

 Modelos Lineales

381
4. Escribir la tabla inicial del método Simplex.
La tabla inicial del método Simplex está compuesta por todos los coeficientes de las variables de
decisión del problema original y las de holgura, exceso y artificiales agregadas en el paso 2 (en las
columnas, siendo: 𝑷𝒐 el término independiente, y el resto de variables 𝑷𝒊 coinciden con 𝒙𝒊 ),
y las restricciones (en las filas). La columna 𝑪𝒃 contiene los coeficientes de las variables que se
encuentran en la base.

▪ La primera fila está formada por los coeficientes de la función objetivo, mientras que,

▪ La última fila contiene el valor la función objetivo y los costes reducidos 𝒁𝒋 − 𝑪𝒋

La última fila se calcula como sigue:

𝒁𝒋 = ∑(𝑪𝒃𝒊 𝑷𝒋 , para 𝒊 = 𝟏, donde sí 𝒋 = 𝟎, 𝑷𝟎 = 𝒃𝒊 𝒚 𝑪𝒐 = 𝟎

En caso contrario:

𝑷𝒋 = 𝒂𝒊𝒋

Aunque al tratarse de la primera tabla del método Simplex y ser todos los 𝑪𝒃 nulos se puede
simplificar el cálculo, y por esta vez disponer que:

𝒁𝒋 = −𝑪𝒋

𝑻𝒂𝒃𝒍𝒂 𝑰. 𝑰𝒕𝒆𝒓𝒂𝒄𝒊ó𝒏 𝒏º 𝟏

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 18 2 1 1 0 0

P4 0 42 2 3 0 1 0

P5 0 24 3 1 0 0 1

Z 0 -3 -2 0 0 0
 Modelos Lineales

382
5. Condición de parada.
Si el objetivo es la maximización, cuando en la última fila (fila indicadora) no existe ningún valor
negativo entre los costes reducidos (columnas P1 en adelante) se alcanza la condición de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de mejora. El valor de
𝒁 (columna 𝑷𝒐 ) es la solución óptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base todos los valores son
negativos o nulos. Esto indica que el problema:

▪ No se encuentra acotado, y

▪ Su solución siempre resultará mejorable.

Ante esta situación no es necesario continuar iterando indefinidamente y también se puede dar
por finalizado el algoritmo.

De no ser así, se ejecutan los siguientes pasos de forma iterativa.

6. Elección de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se escoge la columna cuyo
valor en 𝒍𝒂 𝒇𝒊𝒍𝒂 𝒁 sea el menor de entre todos los negativos. En este caso sería la variable
𝒙𝟏 (𝑷𝟏 ) de coeficiente −𝟑.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior (caso de empate),
entonces se optará por aquella variable que sea básica.

La columna de la variable que entra en la base se llama columna pivote (en color verde).

Una vez obtenida la variable que entra en la base, se procede a determina cual será la variable
que sale de la misma. La decisión se toma en base a un sencillo cálculo: dividir cada término
independiente (columna 𝑷𝟎 ) entre el elemento correspondiente de la columna pivote, siempre
que ambos elementos sean estrictamente positivos (mayores que cero).

Se escoge la fila cuyo resultado haya resultado mínimo.

Si hubiera algún elemento menor o igual a cero no se realiza dicho cociente. En caso de que
todos los elementos de la columna pivote fueran de ésta condición se habría cumplido la
condición de parada y el problema tendría una solución no acotada (ver teoría del método Simplex).

En este ejemplo:
 Modelos Lineales

383
18/2[= 9], 42/2[= 21] 𝑦 24/3[= 8]

El término de la columna pivote que en la división anterior dio lugar al menor cociente positivo
indica la fila de la variable de holgura que sale de la base. En este caso resulta ser 𝒙𝟓 (𝑷𝟓 ) de
𝒄𝒐𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆 𝟑. Esta fila se llama fila pivote (en color verde).

Si al calcular los cocientes, dos o más resultados cumplen la condición para elegir el elemento
saliente de la base (caso de empate), se escoge aquella que no sea variable básica (siempre que
sea es posible).

La intersección de la fila pivote y columna pivote marca el elemento pivote, en

este caso el 3.

7. Actualizar la tabla.
Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

▪ En la fila del elemento pivote cada nuevo elemento se calcula como:

𝑵𝒖𝒆𝒗𝒐 𝑬𝒍𝒆𝒎𝒆𝒏𝒕𝒐 𝑭𝒊𝒍𝒂 𝑷𝒊𝒗𝒐𝒕𝒆 = 𝑨𝒏𝒕𝒆𝒓𝒊𝒐𝒓 𝑬𝒍𝒆𝒎𝒆𝒏𝒕𝒐 𝑭𝒊𝒍𝒂 𝑷𝒊𝒗𝒐𝒕𝒆 / 𝑷𝒊𝒗𝒐𝒕𝒆

▪ En el resto de las filas cada elemento se calcula:

Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila en

Columna Pivote * Nuevo Elemento Fila Pivote)
Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras que el resto de
elementos de la columna pivote se anulan (análogo al método de Gauss-Jordan).

Se muestran a continuación los cálculos para la fila 𝑷𝟒 :

𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝑓𝑖𝑙𝑎 𝑃4 42 2 3 0 1 0

- - - - - -

𝐴𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝐹𝑖𝑙𝑎 𝑒𝑛 𝐶𝑜𝑙𝑢𝑚𝑛𝑎 𝑃𝑖𝑣𝑜𝑡𝑒 2 2 2 2 2 2

x x x x x x
 Modelos Lineales

384
𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 𝑝𝑖𝑣𝑜𝑡𝑒 8 1 1/3 0 0 1/3

= = = = = =

𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 𝑃4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteración es:

Tabla II. Iteración nº 2

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P3 0 2 0 1/3 1 0 -2/3

P4 0 26 0 7/3 0 1 -2/3

P1 3 8 1 1/3 0 0 1/3

Z 24 0 -1 0 0 1

8. Al comprobar la condición de parada

Se observa que no se cumple ya que entre los elementos de la última fila hay uno negativo, −𝟏.
Se continúa iterando nuevamente los pasos 6 y 7.

• 6.1. La variable que entra en la base es 𝒙𝟐 (𝑷𝟐 ), por ser la variable que corresponde a la
columna donde se encuentra el coeficiente −𝟏.

• 6.2. Para calcular la variable que sale, se dividen los términos de la columna P0 entre los
términos correspondientes de la nueva columna pivote:

𝟐 / 𝟏/𝟑 [= 𝟔], 𝟐𝟔 / 𝟕/𝟑 [= 𝟕𝟖/𝟕] 𝒚 𝟖 / 𝟏/𝟑 [= 𝟐𝟒].

Como el menor cociente positivo es 6, la variable que sale de la base es:
 Modelos Lineales

385
𝒙𝟑 (𝑷𝟑 ),
• 6.3. El elemento pivote es:

𝟏/𝟑.
9. Actualizando nuevamente los valores de la tabla se obtiene:

Tabla III. Iteración nº 3

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 6 0 1 3 0 -2

P4 0 12 0 0 -7 1 4

P1 3 6 1 0 -1 0 1

Z 30 0 0 3 0 -1

10. Una nueva comprobación de la condición de parada:

Revela que entre los elementos de la fila indicadora vuelve a haber uno negativo, −𝟏. Significa
que aún no se ha llegado a la solución óptima y hay que seguir iterando (pasos 6 y 7):

• 6.1. La variable que entra en la base es 𝒙𝟓 (𝑷𝟓 ), por ser la variable que corresponde al
coeficiente −𝟏.

• 6.2. Se escoge la variable que sale calculando el cociente entre los términos de la columna
de términos independientes y los términos correspondientes de la nueva columna pivote:

𝟔/(−𝟐) [= −𝟑] , 𝟏𝟐/𝟒 [= 𝟑], 𝒚 𝟔/𝟏 [= 𝟔].

En esta ocasión es:

𝒙𝟒 (𝑷𝟒 ),
 Modelos Lineales

386
• 6.3 𝐸𝑙 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑝𝑖𝑣𝑜𝑡𝑒 𝑒𝑠 𝟒.
• 7. Después de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV. Iteración nº 4

3 2 0 0 0

Base Cb P0 P1 P2 P3 P4 P5

P2 2 12 0 1 -1/2 1/2 0

P5 0 3 0 0 -7/4 1/4 1

P1 3 3 1 0 3/4 -1/4 0

Z 33 0 0 5/4 1/4 0

11. Fin del algoritmo.

Se observa que en la última fila todos los coeficientes son positivos cumpliéndose, por tanto, la
condición de parada.

La solución óptima viene dada por 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒁 en la columna de los términos independientes
(𝑷𝟎 ), en este ejemplo: 33. En la misma columna se puede ver el punto donde se alcanza,
observando las filas correspondientes a las variables de decisión que han entrado en la base:

𝒙𝟏 = 𝟑 𝒚 𝒙𝟐 = 𝟏𝟐
Deshaciendo el cambio de variables se obtiene:

𝒙 = 𝟑, 𝒚 = 𝟏𝟐.

9.2.4 TALLER DE ENTRENAMIENTO

Plantea y resuelve cada uno de los siguientes problemas de Programación Lineal.

Tomados de: https://www.academia.edu/13632744/EJERCICIOS_METODO_SIMPLEX

 Modelos Lineales

387
1) Un empresario pretende fabricar dos tipos de congeladores denominados A y B. Cada uno de
ellos debe pasar por tres operaciones antes de su comercialización: Ensamblaje, pintado y
control de calidad. Los congeladores requieren, respectivamente, 2,5 y 3 horas de ensamblaje,
3 y 6 Kg. De esmalte para su pintado y 14 y 10 horas de control de calidad. Los costos totales
de fabricación por unidad son, respectivamente, 30 y 28, y los precios de venta 52 y 48, todos
ellos en miles de pesos. El empresario dispone semanalmente de 4.500 horas para
ensamblaje, de 8.400 Kg. De esmalte y 20.000 horas para control de calidad. Los estudios de
mercado muestran que la demanda semanal de congeladores no supera las 1.700 unidades y
que, en particular, la de tipo A es de, al menos, 600 unidades. Se desea:

a) Formular un modelo de programación lineal que indique cuántos congeladores deben

fabricarse de cada tipo para que el beneficio sea máximo, teniendo en cuenta el estudio
de demanda.

b) Resolverlo mediante el método simplex. Interpretar la solución óptima incluyendo las

variables de holgura.

c) Determinar los precios sombra de las horas de ensamblaje y control de calidad. Al

fabricante le ofrecen disponer de 200 horas más para ensamblaje con un costo adicional
total de $750.000 pesos.

d) ¿Debería aceptar la oferta?

2) Una empresa fabrica dos tipos de silla: ergonómica y normal. Para su construcción una silla
pasa por 4 departamentos: ensamble, tapizado, color y terminado. Cada departamento tiene
disponible 1.000 horas, 450 horas, 2.000 horas, y 150 horas respectivamente. Los
requerimientos de producción y utilidades se determinan en la siguiente tabla:

Tipo de silla Ensamble Tapizado Color Terminado Unidad silla

Normal 2 1 4 ¼ 15
Ergonómica 3 1 6 1/2 20

a) Plantea el modelo de programación lineal, definiendo cada una de las variables.

b) Resuelva el problema por el método simplex, determinando cuantas sillas normales y

ergonómicas se deben producir para obtener mayor utilidad.
 Modelos Lineales

388
c) Interprete todas las variables de holgura del problema.

3) La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado su producción

en dos líneas más. Por lo tanto, actualmente fabrica mesas, sillas, camas y bibliotecas. Cada
mesa requiere de 2 piezas rectangulares de 8 pines, y 2 piezas cuadradas de 4 pines. Cada silla
requiere de 1 pieza rectangular de 8 pines y 2 piezas cuadradas de 4 pines, cada cama requiere
de 1 pieza rectangular de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y
finalmente cada biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases
trapezoidales de 2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta producirla
$10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se vende en $ 28000, cada
cama cuesta producirla $ 20000 y se vende en $ 40000, cada biblioteca cuesta producirla $
40000 y se vende en $ 60000. El objetivo de la fábrica es maximizar las utilidades.

4) Alfredo tiene $2200 para invertir durante los siguientes 5 años. Al principio de cada año puede
invertir su dinero en depósitos a plazos fijo del 1 ó 2 años. El banco paga el 8% de interés en
depósitos a plazo fijo de un año y el 17% (total) en depósitos a plazo fijo de 2 años. Además,
al principio del segundo año, la compañía West World Limited ofrecerá certificados a tres
años. Estos certificados tendrán una ganancia del 27% (total). Si Alfredo reinvierte su dinero
disponible cada año, formular un programa lineal que le muestre como maximizar su ganancia
total al final del quinto año.

Los siguientes enunciados son tomados de:

http://www.klasesdematematicasymas.com/pdfs/investigacion/Programacion-Lineal-
Metodo-Grafico.pdf

5) Producción para utilidad máxima. Un fabricante de juguetes prepara un programa de

producción para dos nuevos juguetes A y B. Cada juguete A requiere de dos horas en la
maquina 1 y dos horas en la maquina 2 y 1 hora en la sección de terminado. El juguete B
requiere de 1 hora en la maquina 1, 1hora en la maquina 2 y 3 horas en la sección de
terminado. Las horas disponibles empleadas por semana son: para la maquina 1, 70 horas;
para la maquina 2, 40 horas; y para operación de terminado, 90 horas. ¿Si la utilidad de cada
juguete A es $4 dólares y la del juguete B es de $6, cuantas unidades de cada juguete se deben
fabricar por semana con el fin de maximizar las utilidades? ¿Cuál es la utilidad máxima?

6) Formulación de dieta. Una dieta debe contener al menos 16 unidades de carbohidratos y 20

de proteínas. El alimento A contiene 2 unidades de carbohidratos y 4 de proteínas; el alimento
B contiene 2 unidades carbohidratos y 1 de proteína. Si el alimento A cuesta $1.20 dólares la
 Modelos Lineales

389
unidad y el B cuesta $0.80 por unidad, ¿Cuántas unidades de cada alimento deben comprarse
para minimizar el costo de la dieta? ¿Cuál es el costo mínimo?

7) Programa de Producción. Una petrolera tiene dos refinerías y necesita producir al menos
800,1400 y 500 barriles de petróleo de los grados bajo, medio y alto, respectivamente. Cada
día, la refinería A produce 200 barriles de grado bajo, 300 de medio y 100 de alto; la refinería
B produce 100 barriles de grado alto, 100 de bajo y 200 de grado medio. Si los costos diarios
son de 2500 dólares para operar la refinería A y de 2000 dólares para operar la refinería B,
¿Cuántos días debe ser operada cada refinería para satisfacer los requerimientos de
producción a un costo mínimo? ¿Cuál es el costo mínimo?

8) Producción para utilidad máxima. Un fabricante produce dos tipos de parrillas para asar: Old
smokey y Blaze away. Durante la producción de las parrillas se requiere del uso de dos
máquinas A y B. El modelo Old Smokey requiere de 2 horas en la maquina A y 4 horas en la
maquina B; El modelo Blaze requiere de 4 horas en la maquina A y 2 horas en la maquina B.
Si cada máquina opera 24 horas al día y las utilidades del modelo Old es de $4 dólares y la del
modelo Blaze es de $6, ¿Cuántas parrillas de cada tipo debe producirse por día para obtener
la utilidad máxima? ¿Cuál es la utilidad máxima?

9) Nutrientes en fertilización. Un agricultor compra fertilizantes que contienen tres nutrientes:

A, B y C. Los requerimientos mínimos semanales son de 80 unidades de A, 120 de B y 240 de
C. Existen dos mezclas comerciales, la 1 cuesta $4 dólares por bolsa y contiene 2 unidades de
A, 6 de B y 4 de C. La mezcla 2 cuesta $5 dólares por bolsa y contiene 2 unidades de A, 2 de B
y 12 de C. ¿Cuántas bolsas de cada mezcla debe comprar el agricultor para minimizar el costo
y satisfacer los requerimientos nutricionales? ¿Cuál es el costo mínimo?

Material con fines de apoyo académico Ing. Oscar Restrepo

www.klasesdematematicasymas.com

https://www.youtube.com/user/klasesdematematicas

www.klasesdematematicasymas.com

10) Extracción de minerales. Una compañía minera extrae de un yacimiento los minerales A y B.
Por cada tonelada del filón 1 se extraen 110 libras del mineral A y 200 libras del mineral B; por
cada tonelada del filón 2 se extraen 200 libras del mineral A y 50 libras del mineral B. Si la
compañía debe extraer al menos 3000 libras del mineral A y 2500 del mineral B. El costo de
 Modelos Lineales

390
extracción es $50 dólares por tonelada del filón 1 y $75 del filón 2. ¿Cuántas toneladas de
cada filón debe procesar para minimizar el costo? ¿Cuál es el costo mínimo?

11) Costo de construcción. Una compañía Química está diseñando una planta para producir dos
tipos de polímeros: P1 y P2. La planta debe ser capaz de producir al menos 100 unidades de
P1 y 420 de P2 cada día. Existen dos posibles diseños para las cámaras de reacciones que serán
incluidas en la planta. Cada cámara tipo A cuesta $600.000 dólares y es capaz de producir 10
unidades de P1 y 20 de P2 cada día; el tipo B es un diseño más económico y cuesta $300.000
y es capaz de producir 4 unidades de P1 y 30 unidades de P2 por día. A causa de los costos de
operación, es necesario tener al menos 4 cámaras de cada tipo en la planta. ¿Cuántas cámaras
de cada tipo deben ser incluidas para minimizar el costo de construcción y satisfacer el
programa de producción requerido? ¿Cuál es el costo mínimo?

12) Fabricación. Una compañía fabrica y vende dos tipos de bombas, normales y extragrande. El
proceso de fabricación implica tres actividades: Ensamblado, pintura y prueba de las bombas.
Los requerimientos de una bomba normal son de 2.6 horas de ensamble, 1 hora de pintura y
0.5 horas de prueba. La bomba extragrande requiere de 2.8 horas de ensamble, 1.5 horas de
pintura y 0.5 horas de prueba. La contribución a las utilidades de por la venta de una bomba
normal es de $120 dólares y una bomba extragrande de $ 155 dólares. Existen disponibles por
semana de 800 horas de ensamblado, 980 horas de pintura y 900 horas de tiempo de prueba.
Las proyecciones de las ventas dicen que se esperan vender cuando menos 100 bombas
normales y 130 extragrandes por semana. ¿cuál es la cantidad de bombas de cada tipo a
fabricar semanalmente para maximizar las utilidades? ¿Cuál es la utilidad máxima?

13) Fabricación de Pizzas. Bryant`s pizza es un productor de pizzas congeladas. La empresa tiene
una utilidad de un dólar por cada pizza normal que produzca y de $1.50 por cada pizza de lujo.
Cada pizza incluye una combinación de pasta de harina y de mezcla de relleno. Actualmente,
la empresa tiene 150 libras de mezcla de pasta y 50 libras de mezcla de relleno. Cada pizza
normal utiliza una libra de pasta de harina y cuatro onzas de mezcla de relleno. Cada pizza de
lujo utiliza una libra de mezcla de pasta de harina y ocho onzas de mezcla de relleno. Con base
en la demanda en el pasado, Bryant puede vender por lo menos 50 pizzas normales y por lo
menos 25 pizzas de lujo. ¿Cuántas pizzas normales y de lujo deberá fabricar la empresa para
maximizar la utilidad?

14) Asignación de Presupuesto. El propietario del sea wharf Restaurant desearía determinar cuál
es la mejor forma de asignar un presupuesto mensual de publicidad de 1000 dólares entre
periódicos y la radio. La administración ha decidido que por lo menos 25 % del presupuesto
debe utilizarse en cada uno de estos tipos de medios y que el monto de dineros gastados en
 Modelos Lineales

391
publicidad en periódicos locales debe ser por lo menos el doble de lo que gaste en radio. Un
asesor de mercadotecnia ha desarrollado un índice que mide la exposición del auditorio por
dólar de publicidad de escala de 0 al 100, donde valores más elevados del índice mayores
exposiciones al auditorio. Si el valor del índice para la publicidad en los periódicos locales es
de 50, y por un anuncio de radio es de 80, ¿Como debería asignar la administración el
presupuesto de publicidad, a fin de maximizar el valor de exposición total en el auditorio?

15) Publicaciones. El editor de producción de Rayburn Publishing Company tiene 1.800 páginas
de manuscritos que debe ser revisadas. Debido al poco tiempo involucrado, solo hay dos
revisores disponibles: Erhan Margen y Sue Smith. Erhan tiene 10 días disponibles y Sue 12
días. Erhan puede procesar 100 páginas de manuscrito por día, y Sue 150 páginas diarias.
Rayburn Publishing ha desarrollado un índice utilizado para medir la calidad general de un
revisor en una escala de 1(peor) a 10 (mejor). La calidad de Erhan es 9 y la de Sue es de 6.
Además, Erhan cobra 3 dólares por página de manuscrito revisado; Sue carga 2 dólares por
página. Si se ha asignado un presupuesto de 4.800 dólares para la revisión, ¿Cuántas paginas
deberán ser asignadas a cada revisor para completar el proyecto con la calidad más elevada
posible?

16) Fabricación. La New England Cheese Company produce dos quesos cremas mezclados queso
chédar tanto suave como extrafuerte. Los quesos crema se empacan en recipientes de 12
onzas, que después se venden a distribuidores en todo el noreste. La mezcla regular contiene
80% de chédar suave y 20% de extrafuerte y la mezcla de zerty contiene 60% chadar suave y
40% de extrafuerte. Este año una cooperativa lechera local ha ofrecido entregar hasta 8.100
libras de queso chadar suave a $ 1.20 por libra y hasta 3.000 libras de chadar extrafuerte a $
1.40 por libra. El costo de mezcla y empacar estos quesos de crema, excluyendo el costo de
queso mismo, es de $ 0.20 por recipiente. Si cada recipiente de regular se vende a $ 1.95 y
cada recipiente de zesty se vende a $ 2.20, ¿cuántos recipientes deberá producir NEW England
Cheese de regular y de Zesty?

17) Fabricación. Tom`s produce varios productos alimenticios mexicanos y los vende a western
Foods, cadena de tiendas de abarrotes localizada en Texas y en nuevo México, Tom`s fabrica
dos salsas: Western Foods salsa y México City Salsa. La Westerm es una mezcla de 50% de
tomate entero, 30% de salsa de tomate y 20% de pasta de tomate). La México City salsa, que
tiene consistencia más espesa y troceada, está elaborada con 70% de tomate entero, 10% de
salsa de tomate, 20% de pasta de tomate. Cada tarro de salsa producida pesa 10 onzas.

Para el Material con fines de apoyo académico Ing. Oscar Restrepo

www.klasesdematematicasymas.com
 Modelos Lineales

392
https://www.youtube.com/user/klasesdematematicas

www.klasesdematematicasymas.com

periodo de producción actual, Tom`s puede adquirir hasta 280 libras de tomates enteros, 130
libras de salsa de tomate y 100 libras de tomate; el precio por libra de estos ingredientes es $
0.96, $0.64 y $0.56, respectivamente. El costo de las especias y de los demás ingredientes es
de aproximadamente $ 0.10 por recipiente. Tom`s compra tarros de vidrio vacíos a $ 0.02
cada uno, y los costos de etiquetado y llenado se estiman en $ 0.03 por cada tarro de salsa
producido. El contrato de Tom´s con Wester Foods resulta en ingresos por ventas de $ 1.64
por tarro de Western Foods salsa y de $ 1.93 por cada tarro de México city salsa. Desarrolle
un modelo de programación lineal que permita determinar el número de tarros de cada salsa
que maximice la contribución total a la utilidad.

18) Fabricación. Una compañía tiene una planta procesadora de alimentos que produce Hot Dogs
y Medias Noches. Ciernen su propia harina para las Medias Noches a una tasa máxima de 200
libras semanales. Cada Media Noche requiere de 0.1 libras de harina En la actualidad se tiene
un contrato con otra compañía para el suministro de 800 libras semanales de carne de cerdo
todos los lunes. Cada Hot Dog requiere de ¼ de libra de carne de cerdo. Hay disponibilidad de
todos los demás ingredientes para los dos productos. La fuerza d trabajo en la planta
procesadora es de 5 empleados de tiempo completo (40 horas semanales). Cada Hot Dog
requiere de 3 minutos de trabajo y cada Media Noche de 2 minutos para su elaboración. La
utilidad del Hot Dog es de $0.20 dólares cada uno y la de cada Media Noche es de $0.10.
¿Cuántas unidades de cada producto se deben fabricar para lograr la ganancia máxima
posible?

19) Fabricación de Muebles. Una empresa familiar fabrica mesas y sillas de comedor artesanales.
Obtienen la madera de roble de una granja forestal local, que le envía 2500 libras mensuales.
Cada mesa emplea 50 libras de madera, en tanto que cada silla usa 25 libras. La familia
construye ella misma todos los muebles y cuenta con 48 horas de mano de obra mensuales.
Cada mesa o silla requiere de 6 horas de mano de obra. Cada mesa da una ganancia de $400
dólares y cada silla de $100 dólares. Como con frecuencia las sillas se venden más que las
mesas, quieren producir al menos el doble de sillas que de mesas. ¿Cuántas sillas y cuantas
mesas se deben producir para maximizar las utilidades?
 Modelos Lineales

393
10 UNIDAD 10 APLICACIONES
10.1.1 OBJETIVO GENERAL
➢ Aplicar en el entorno y en la realidad prácticas sobre problemas de Programación Lineal.

10.1.2 OBJETIVOS ESPECÍFICOS

Realizar problemas de programación Lineal, tales como:

➢ Problemas de la dieta.

➢ Problema de mezclas.

➢ Problema de Mezcla de Productos en Programación Lineal

➢ El problema de la ruta más corta

➢ El problema de transporte y sus variantes.

➢ Problemas de Asignación

➢ Problemas de Asignación (Método Húngaro)

➢ Diferencias entre el modelo de transporte y el modelo de Asignación

En esta unidad se realizarán aplicaciones prácticas sobre el tema desarrollado, tales como:

PROBLEMAS DE LA DIETA.

Una de las aplicaciones clásicas de la Programación Lineal es el Problema de la Dieta.

El objetivo de este tipo de problemas es seleccionar un conjunto de alimentos dados que

permitan satisfacer ciertos requerimientos nutricionales y preferencias y que adicionalmente
tenga un costo mínimo. En este contexto se puede encontrar un conjunto de antecedentes que
permiten comprender el contexto histórico del Problema de la Dieta y cómo se puede abordar de
forma eficiente a través de modelos de optimización. Al igual que varias de las aplicaciones de
la Investigación de Operaciones este problema tiene un origen militar.
 Modelos Lineales

394
10.2 TEMA 1 PROBLEMA DE LA DIETA EN PROGRAMACIÓN
LINEAL RESUELTO CON SOLVER DE EXCEL
por GEO Tutoriales el 02/08/2011 en Programación Lineal 9
Tomado de: https://www.gestiondeoperaciones.net/programacion_lineal/problema-de-la-
dieta-en-programacion-lineal-resuelto-con-solver-de-excel/
Para efectos de ilustrar esta aplicación se considera el siguiente listado de alimentos con su perfil
nutricional y costo monetario:

Se desea proponer una dieta que contenga al menos:

▪ 2.00(Kcal)

▪ 55gramos de proteína, y

▪ 800 (mg) de calcio.

Adicionalmente para garantizar cierta variedad en la dieta se establece límites de porciones por
día en los alimentos. Con esta información se requiere encontrar la dieta que:

▪ Tenga el menor costo asociado, y

▪ Permita satisfacer los requerimientos anteriores.

PROCEDIMIENTO:

Se define el siguiente modelo de Programación Lineal:

1. VARIABLES DE DECISIÓN:
 Modelos Lineales

395
𝒙𝒊 : Porciones de alimentos a consumir durante el día del alimento.

𝒊 (Con 𝒊 = 𝟏 ==> Avena, …. 𝒊 = 𝟔 ==> Porotos).

2. Función Objetivo:
𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝟑𝟎𝒙𝟏 + 𝟐𝟒𝟎𝒙𝟐 + 𝟏𝟑𝟎𝒙𝟑 + 𝟗𝟎𝒙𝟒 + 𝟐𝟎𝟎𝒙𝟓 + 𝟔𝟎𝒙𝟔
3. Restricciones:

MÍNIMO DE CALORÍAS 𝟏𝟏𝟎𝒙𝟏 + 𝟐𝟎𝟓𝒙𝟐 + 𝟏𝟔𝟎𝒙𝟑 + 𝟏𝟔𝟎𝒙𝟒 + 𝟒𝟐𝟎𝒙𝟓 + 𝟐𝟔𝟎𝒙𝟔 ≥ 𝟐. 𝟎𝟎𝟎

(KCAL):

MÍNIMO DE PROTEÍNAS: 41𝑥1 + 32𝑥2 + 13𝑥3 + 8𝑥4 + 4𝑥5 + 14𝑥6 ≥ 55

MÍNIMO DE CALCIO: 2𝑥1 + 12𝑥2 + 54𝑥3 + 285𝑥4 + 22𝑥5 + 80𝑥6 ≥ 800

• VARIEDAD DE LA DIETA: 𝑥1 ≤ 4; 𝑥2 ≤ 3; 𝑥3 ≤ 2, 𝑥4 ≤ 8; 𝑥5 ≤ 2; 𝑥6 ≤ 2

NO NEGATIVIDAD: 𝑥𝑖 ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖

Actividad: Para resolver este sistema se debe implementar el Solver de Excel, actividad que se
realizará con las indicaciones dadas por el docente.

Respuesta que se debe obtener después del procedimiento en Solver de Excel:

• La Solución Óptima está dada por:

𝑥1 = 4; 𝑥2 = 0; 𝑥3 = 0, 𝑥4 = 2,08; 𝑥5 = 1,68; 𝑥6 = 2
• El Valor Óptimo (costo de la dieta) está dado por:

$764,07.
 Modelos Lineales

396
10.3 TEMA 2 PROBLEMA DE MEZCLAS
Una de las aplicaciones clásicas de los modelos de Programación Lineal son los problemas
de mezcla de productos. Si la calidad de un producto que se procesa mediante la mezcla de
determinados insumos se puede aproximar de forma razonable a través de una proporción,
entonces un modelo de optimización lineal puede resultar de utilidad.

Problema de Mezcla de Productos en Programación Lineal

Por GEO Tutoriales el 06/11/2013 en Programación Lineal 7

Tomado de:

https://www.gestiondeoperaciones.net/programacion_lineal/ejemplo-de-un-problema-de-mezcla-de-productos-en-
programacion-lineal/

Una refinería de petróleos produce dos tipos de gasolina sin plomo: regular y extra, las cuales
vende a los distribuidores en US$12 y US$14 por barril, respectivamente. Ambos tipos se
preparan a partir del inventario de petróleo nacional refinado y de petróleo importado refinado
que tiene la empresa (es decir mediante mezcla), las que deben cumplir las especificaciones que
se presentan en la siguiente tabla:

Las características del inventario de petróleos refinados son las siguientes:

Se requiere formular y resolver un modelo de Programación Lineal que permita maximizar el

ingreso semanal de la refinería, satisfaciendo los requerimientos previamente detallados.
 Modelos Lineales

397
✓ Variables de Decisión:
𝒙𝒏𝒓• 𝐵𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑛𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑔𝑎𝑠𝑜𝑙𝑖𝑛𝑎 𝑟𝑒𝑔𝑢𝑙𝑎𝑟.
𝒙𝒏𝒆• B𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑛𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑔𝑎𝑠𝑜𝑙𝑖𝑛𝑎 𝑒𝑥𝑡𝑟𝑎.
𝒙𝒊𝒓 𝐵𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑖𝑚𝑝𝑜𝑟𝑡𝑎𝑑𝑜 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑔𝑎𝑠𝑜𝑙𝑖𝑛𝑎 𝑟𝑒𝑔𝑢𝑙𝑎𝑟.
𝒙𝒊𝒆 𝐵𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑑𝑒 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑖𝑚𝑝𝑜𝑟𝑡𝑎𝑑𝑜 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑔𝑎𝑠𝑜𝑙𝑖𝑛𝑎 𝑒𝑥𝑡𝑟𝑎.

✓ Función Objetivo:
Se busca maximizar los ingresos semanales que percibe la refinería en la producción de gasolina
regular y extra.

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟: 12 × (𝑥𝑛𝑟 + 𝑥𝑖𝑟 ) + 14 × (𝑥𝑛𝑒 + 𝑥𝑖𝑒 )

✓ Restricciones:

• Presión de Vapor:
El promedio ponderado de la presión de vapor de los distintos tipos de petróleos que participan
de la mezcla no debe superar las 23 unidades (para cada tipo de gasolina), esto es:

(𝟐𝟓𝒙𝒏𝒓 +𝟏𝟓𝒙𝒊𝒓 )
▪ ≤ 𝟐𝟑
(𝒙𝒏𝒓 +𝒙𝒊𝒓 )

(𝟐𝟓𝒙𝒏𝒆 +𝟏𝟓𝒙𝒊𝒆 )
▪ ≤ 𝟐𝟑
(𝒙𝒏𝒆 +𝒙𝒊𝒆 )

• Octanaje Mínimo:
El promedio ponderado del octanaje de los distintos tipos de petróleos que participan de la
mezcla debe ser al menos 88 y 93 unidades para la gasolina regular y extra, respectivamente, esto
es:

(𝟖𝟕𝒙𝒏𝒓 +𝟗𝟖𝒙𝒊𝒓 )
▪ ≥ 𝟖𝟖
(𝒙𝒏𝒓 +𝒙𝒊𝒓 )
(𝟖𝟕𝒙𝒏𝒆 +𝟗𝟖𝒙𝒊𝒆 )
▪ ≥ 𝟗𝟑
(𝒙𝒏𝒆 +𝒙𝒊𝒆 )

• Demanda Mínima y Máxima:

 Modelos Lineales

398
Para cada gasolina se debe producir semanalmente una cantidad de barriles entre el mínimo y el
máximo permitido.

▪ 𝟓𝟎. 𝟎𝟎𝟎 ≤ 𝒙𝒏𝒓 + 𝒙𝒊𝒓 ≤ 𝟏𝟎𝟎. 𝟎𝟎𝟎

▪ 𝟓. 𝟎𝟎𝟎 ≤ 𝒙𝒏𝒆 + 𝒙𝒊𝒆 ≤ 𝟐𝟎. 𝟎𝟎𝟎

• Inventario:
Para la producción de gasolina regular y extra se debe respetar la disponibilidad de barriles de
petróleo nacional e importado.

▪ 𝒙𝒏𝒓 + 𝒙𝒏𝒆 ≤ 𝟒𝟎. 𝟎𝟎𝟎

▪ 𝒙𝒊𝒓 + 𝒙𝒊𝒆 ≤ 𝟔𝟎. 𝟎𝟎𝟎

• No Negatividad:
Las variables de decisión naturalmente deben adoptar valores mayores o iguales a cero.

𝒙𝒏𝒓 , 𝒙𝒏𝒆 , 𝒙𝒊𝒓 , 𝒙𝒊𝒆 ≥ 𝟎

Al implementar el modelo de optimización anterior en Solver se alcanza la siguiente solución
óptima y valor óptimo:
 Modelos Lineales

399
Se deben destinar:

▪ barriles de petróleo nacional para la producción de gasolina regular,

▪ barriles de petróleo nacional para la producción de gasolina extra,

▪ barriles de petróleo importado para la producción de gasolina regular y

▪ barriles de petróleo importado para la producción de gasolina extra.

La política de producción anterior permite generar un ingreso semanal de US$1.240.000.

Una recomendación en la carga computacional es rescribir las restricciones que incluyan

proporciones de forma equivalente, de modo de evitar divisiones entre celdas cambiantes
(variables de decisión) y adicionalmente denominadores que adopten inicialmente un valor igual
a cero. Por ejemplo, la restricción:

𝟐𝟓𝒙𝒏𝒓 + 𝟏𝟓𝒙𝒊𝒓⁄
𝒙𝒏𝒓 + 𝒙𝒊𝒓 ≤ 𝟐𝟑
Se puede representar de forma análoga de la siguiente forma:

(𝟐𝟓𝒙𝒏𝒓 + 𝟏𝟓𝒙𝒊𝒓 ) − 𝟐𝟑(𝒙𝒏𝒓 + 𝒙𝒊𝒓 ) ≤ 𝟎

Así se podrá verifica, por ejemplo, que en la solución óptima la presión de vapor que alcanza la
producción de barriles de gasolina regular es de:

𝟐𝟓 × 𝟑𝟎. 𝟗𝟎𝟗, 𝟎𝟗 + 𝟏𝟓 × 𝟒𝟗. 𝟎𝟗𝟎, 𝟗𝟏

= 𝟏𝟖, 𝟖𝟔𝟑𝟔 (𝒂𝒑𝒓𝒐𝒙)
𝟑𝟎. 𝟗𝟎𝟗, 𝟎𝟗 + 𝟒𝟗. 𝟎𝟗𝟎, 𝟗𝟏
Cantidad que es menor o igual al límite de 23 unidades.

➢ EL PROBLEMA DE LA RUTA MÁS CORTA

Este tipo de problemas busca encontrar la ruta más corta entre dos nodos de una red, en la cual:

▪ La longitud o arco tiene un costo positivo, y así

▪ Minimizar el costo total.
Este tipo de problemas es fundamental en áreas como:

▪ Investigación de operaciones,
 Modelos Lineales

400
▪ Ciencia de la computación, e
▪ Ingeniería.
Es demasiado importante en temas tales como:

• Aplicaciones prácticas como el envío de algún material entre dos puntos específicos de
forma eficiente, económica o rápida.
• Al ser aplicados a una red con características específicas como acíclica y costos positivos,
los resultados que arroja son exactos a un tiempo y costo razonables.
• Se puede usar como inicio en un estudio de modelos complejos de redes, que es cuando
no se conoce la estructura de la red.
• Se utiliza como subproblemas en la solución de problemas combinatorios y redes, resultan
auxiliares para encontrar una buena solución.

Tiene bastantes aplicaciones prácticas tales como:

▪ Encontrar la ruta corta y rápida de un punto a otro,

▪ Redes eléctricas,
▪ Telecomunicaciones,
▪ Transporte,
▪ Planeación de inventarios,
▪ Administración de proyectos,
▪ Diseño de movimiento en robótica, entre otros.

• RUTA MÁS CORTA EN PROGRAMACIÓN LINEAL:

Se puede determinar como:

El envío de una unidad de flujo del nodo origen al nodo destino al mínimo costo.
Se pueden presentar de formas diferentes:

▪ Para que exista solución, debe existir una trayectoria. Además de que no existen circuitos
negativos.
▪ Debe existir rutas del nodo origen a los nodos de la red.
▪ Entre cada par de nodos debe existir al menos una trayectoria.
 Modelos Lineales

401
El algoritmo de la ruta más corta consta de los siguientes elementos:

• Nodo origen, comienza de la ruta.

• Arco, línea que une los nodos.
• Nodo adyacente, nodos conectados por un arco.
• Nodo destino, finaliza la ruta.
• Etiquetas, estas nos van indicando la longitud de un arco otro y de qué nodo
viene, se representa entre corchetes [distancia del nodo, nodo del que parte]

http://operaciongadget.blogspot.com/2017/10/problemas-de-la-ruta-mas-corta.html

➢ EL PROBLEMA DE TRANSPORTE Y SUS VARIANTES.

https://alejandra090290.wordpress.com/problema-de-transporte/
 Modelos Lineales

402

El modelo de transporte busca determinar un plan de transporte de una mercancía de varias

fuentes a varios destinos.

Los datos del modelo están dados por:

1. El nivel de oferta en cada fuente y la cantidad de demanda en cada destino.

2. El costo de transporte unitario de la mercancía a cada destino.

Como solo hay una mercancía, un destino puede recibir su demanda de una o más fuentes.

El objetivo del modelo es:

Determinar la cantidad que se enviará de cada fuente a cada destino, tal que se
minimice el costo del transporte total.

La suposición básica del modelo es que el costo del transporte en una ruta es directamente
proporcional al número de unidades transportadas. La definición de “unidad de transporte”
variará dependiendo de la “mercancía” que se transporte.

En el esquema general, que se indica a continuación, se representa el modelo de transporte como

una red con:

𝒎 𝒇𝒖𝒆𝒏𝒕𝒆𝒔, y
o

o 𝒏 𝒅𝒆𝒔𝒕𝒊𝒏𝒐𝒔.
▪ Una fuente o un destino está representado por un nodo,
 Modelos Lineales

403
▪ El arco que une la fuente y un destino representa la ruta por la cual se
transporta la mercancía.

𝒂𝒊 La cantidad de la oferta en la fuente 𝒊

𝒃𝒋 La demanda en el destino 𝒋

𝑪𝒊𝒋 El costo de transporte unitario entre la fuente 𝒊 y el destino j

Si se da que:

𝒙𝒊𝒋 : Determina la cantidad transportada desde la fuente 𝒊 al destino 𝒋, entonces:

El modelo general de programación Lineal que representa el modelo de transporte está dado por:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂 𝒁 = 𝑺𝒊=𝟏…𝒎 𝑺𝒋=𝟏…𝒏 𝑪𝒊𝒋 𝒙𝒊𝒋

Sujeta a:

▪ 𝑺𝒋=𝟏…𝒏 𝒙𝒊𝒋 ≤ 𝒂𝒊 con 𝒊 = 𝟏, 𝟐, … , 𝒎

▪ 𝑺𝒊=𝟏…𝒎 𝒙𝒊𝒋 ≤ 𝒃𝒋 con 𝒋 = 𝟏, 𝟐, … , 𝒏

Con:

𝒙𝒊𝒋 ≥ 𝟎 , 𝒑𝒂𝒓𝒂 𝒕𝒐𝒅𝒂𝒔 𝒍𝒂𝒔 𝒊 𝒚 𝒋

▪ El primer conjunto de restricciones estipula que la suma de los envíos desde

una fuente no puede ser mayor que su oferta;
▪ El segundo conjunto de restricciones requiere que la suma de los envíos a un
destino satisfaga su demanda.

El modelo anterior implica que la oferta total 𝑺𝒊=𝟏…𝒎 𝒂𝒊 debe ser cuando menos igual a la
demanda total 𝑺𝒊=𝟏…𝒏 𝒃𝒋 .
 Modelos Lineales

404
Cuando se da que la oferta total es igual a la demanda total, la formulación resultante recibe el
nombre de:

Modelo de transporte equilibrado.

Este difiere del modelo solo en el hecho de que todas las restricciones son ecuaciones, esto es:

𝑆𝑋𝑖𝑗 = 𝑎𝑖 𝑐𝑜𝑛 𝑖 = 1, 2, … , 𝑚

𝑆𝑋𝑖𝑗 = 𝑏𝑗 𝑐𝑜𝑛 𝑗 = 1, 2, … , 𝑛

Nota 1: En el mundo real, no necesariamente la oferta debe ser igual a la demanda o mayor
que ella. Sin embargo, un modelo de transporte siempre puede equilibrarse.

Nota 2: El equilibrio, además de su utilidad en la representación a través de modelos de

ciertas situaciones prácticas, es importante para el desarrollo del método de solución que
explote completamente la estructura especial del modelo de transporte.

Dado todo lo anterior se puede decir que el problema de Transporte corresponde a un tipo
particular de un problema de programación lineal. Si bien este tipo de problema puede ser
resuelto por el método Simplex, existe un algoritmo simplificado especial para resolverlo.

Un problema particular que se resuelve con los procedimientos de la programación lineal es la

situación conocida como problema del transporte o problema de la distribución de mercancías.

Se trata de encontrar los diferentes caminos para trasladar mercancía caminos para trasladar
mercancía (que garanticen menores costos y resultados económicos óptimos), desde varias
plantas (orígenes) a diferentes centros de almacenamiento (destinos), de manera que se
minimice el costo del transporte.

Para resolver un problema por el método del transporte debe cumplir que:

1. La función objetivo y las restricciones deben ser lineales.

2. El total de unidades que salen del origen deben ser iguales al total de
unidades que entran en el destino.
 Modelos Lineales

405

➢ FORMULACIÓN GENERAL DE UN PROBLEMA DE TRANSPORTE

Un problema de transporte queda definido por la siguiente información :

1. Un conjunto de 𝒎 𝒑𝒖𝒏𝒕𝒐𝒔 𝒅𝒆 𝒐𝒇𝒆𝒓𝒕𝒂. Cada punto de oferta 𝒊 tiene asociado una

oferta 𝑺𝒊 .

2. Un conjunto de Cada punto de demanda 𝒋 tiene asociada

𝒏 𝒑𝒖𝒏𝒕𝒐𝒔 𝒅𝒆 𝒅𝒆𝒎𝒂𝒏𝒅𝒂. una demanda 𝒅𝒋 .

3. Cada unidad enviada desde un punto de Tiene un costo unitario de transporte 𝑪𝒊𝒋 .
𝒐𝒇𝒆𝒓𝒕𝒂 𝒊 a un punto de 𝒅𝒆𝒎𝒂𝒏𝒅𝒂 𝒋:

Se considera para el procedimiento: 𝒙𝒊𝒋 = número de unidades enviadas desde

𝒆𝒍 𝒑𝒖𝒏𝒕𝒐 𝒅𝒆 𝒐𝒇𝒆𝒓𝒕𝒂 𝒊 al 𝒑𝒖𝒏𝒕𝒐 𝒅𝒆 𝒅𝒆𝒎𝒂𝒏𝒅𝒂 𝒋

10.3.1 EJERCICIO DE APRENDIZAJE

A continuación, se realizará un problema de transporte, paso a paso, para su mayor comprensión
y la importancia de los mismos en la vida del día a día de las empresas.

1) Construir el modelo de programación lineal para el siguiente problema.

Una empresa energética dispone de tres plantas de generación para satisfacer la demanda
eléctrica de cuatro ciudades. Las plantas 1, 2 y 3 pueden satisfacer 35, 50 y 40 millones de [kWh]
 Modelos Lineales

406
respectivamente. El valor máximo de consumo ocurre a las 2 PM y es de 45, 20, 30 y 30 millones
de [kWh] en las ciudades 1, 2, 3 y 4 respectivamente. El costo de enviar 1 [kWh] depende de la
distancia que deba recorrer la energía. La siguiente tabla muestra los costos de envió unitario
desde cada planta a cada ciudad. Formule un modelo de programación lineal que permita
minimizar los costos de satisfacción de la demanda máxima en todas las ciudades.

PROCEDIMIENTO:

Primero se definen las variables de decisión necesarias para representar las decisiones que puede
tomar la empresa, para este caso, corresponde a la cantidad de energía que se debe enviar desde
cada una de las plantas para cada ciudad, para 𝑖 = 1, … ,3 𝑦 𝑗 = 1, … , 4:

𝒙𝒊𝒋 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝑑𝑒 [𝑘𝑊ℎ] 𝑝𝑟𝑜𝑑𝑢𝑐𝑖𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑝𝑙𝑎𝑛𝑡𝑎 𝑖 𝑒𝑛𝑣𝑖𝑎𝑑𝑎𝑠 𝑎 𝑐𝑖𝑢𝑑𝑎𝑑 𝒋.

Ahora, en términos de estas variables, el costo total de entregar energía a todas las ciudades es:

(Costo de enviar energía desde la Planta 1): 𝟖 × 𝟏𝟏 + 𝟔 × 𝟏𝟐 + 𝟏𝟎 × 𝟏𝟑 + 𝟗 × 𝟏𝟒

(Costo de enviar energía desde la Planta 2) 𝟗 × 𝟐𝟏 + 𝟏𝟐 × 𝟐𝟐 + 𝟏𝟑 × 𝟐𝟑 +7× 𝟐𝟒

(Costo de enviar energía desde la Planta 3) 𝟏𝟒 × 𝟑𝟏 + 𝟗 × 𝟑𝟐 + 𝟏𝟔 × 𝟑𝟑 + 𝟓 × 𝟑𝟒

Este problema tiene dos tipos de restricciones:

✓ EN PRIMER LUGAR

La energía total suministrada por cada planta no puede exceder su capacidad. En este caso se
habla de restricciones de oferta o suministro.

Como existen tres puntos de oferta o suministro, existen tres restricciones, esto es:

• Restricción de oferta de la Planta 1: 𝒙𝟏𝟏 + 𝒙𝟏𝟐 + 𝒙𝟏𝟑 + 𝒙𝟏𝟒 . 𝟑𝟓

• Restricción de oferta de la Planta 2: 𝒙𝟏𝟏 + 𝒙𝟏𝟐 + 𝒙𝟏𝟑 + 𝒙𝟏𝟒 . 𝟓𝟎
 Modelos Lineales

407
• Restricción de oferta de la Planta 3: 𝒙𝟏𝟏 + 𝒙𝟏𝟐 + 𝒙𝟏𝟑 + 𝒙𝟏𝟒 . 𝟒𝟎

✓ EN SEGUNDO LUGAR

Se deben plantear las restricciones que permitan asegurar que se satisfaga la demanda en las
cuatro ciudades. Así, las restricciones de demanda para cada punto de demanda quedan así:

• Restricción de demanda de la Ciudad 1:

𝒙𝟏𝟏 + 𝒙𝟐𝟏 + 𝒙𝟑𝟏 , 𝟒

• Restricción de demanda de la Ciudad 2:

𝒙𝟏𝟐 + 𝒙𝟐𝟐 + 𝒙𝟑𝟐 , 𝟐𝟎

• Restricción de demanda de la Ciudad 3:

𝒙𝟏𝟑 + 𝒙𝟐𝟑 + 𝒙𝟑𝟑 , 𝟑𝟎

• Restricción de demanda de la Ciudad 4:

𝒙𝟏𝟒 + 𝒙𝟐𝟒 + 𝒙𝟑𝟒 , 𝟑𝟎

Lo cierto es que cada 𝒙𝒊𝒋 debe ser no negativo, se deben agregar entonces, las restricciones:

𝒙𝒊𝒋 ≥ 𝟎

Donde:

▪ 𝒊 = 𝟏…𝟑y
▪ 𝒋 = 𝟏…𝟒

Actividad:

a) Demuestre por medio de Solver que la solución de este problema está dada por:

𝒁 = 𝟏𝟎𝟐𝟎
 Modelos Lineales

408
▪ 𝒙𝟏𝟐 = 𝟏𝟎,
▪ 𝒙𝟏𝟑 = 𝟐𝟓,
▪ 𝒙𝟐𝟏 = 𝟒𝟓,
▪ 𝒙𝟐𝟑 = 𝟓,
▪ 𝒙𝟑𝟐 = 𝟏𝟎,
▪ 𝒙𝟑𝟒 = 𝟑𝟎

𝑵𝒐𝒕𝒂: 𝑬𝒍 𝒓𝒆𝒔𝒕𝒐 𝒅𝒆 𝒍𝒂𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒗𝒂𝒍𝒆 𝒄𝒆𝒓𝒐 (𝟎).

b) Realice la representación gráfica del problema.

-------------------------------------------------------------------------------------------------------------

2) Una empresa dedicada a la fabricación de componentes de ordenador tiene dos fábricas que
producen, respectivamente, 800 y 1500 piezas mensuales. Estas piezas han de ser
transportadas a tres tiendas que necesitan 1000, 700 y 600 piezas, respectivamente. Los
costes de transporte, en pesetas por pieza son los que aparecen en la tabla adjunta. ¿Cómo
debe organizarse el transporte para que el coste sea mínimo?

TIENDA A TIENDA B TIENDA C

FÁBRICA I 3 7 1

FÁBRICA II 2 2 6

En este tipo de problemas se exige que toda la producción sea distribuida a los centros de ventas
en las cantidades que precisa cada uno; por tanto, no pueden generarse inventario del producto
ni en las fábricas ni en los centros de ventas.

Por lo tanto, los 800 artículos producidos en la fábrica I deben distribuirse en las cantidades

𝒙, 𝒚, 𝒛 a 𝑨, 𝑩 𝒚 𝑪, de manera que:

𝒙 + 𝒚 + 𝒛 = 𝟖𝟎𝟎.
 Modelos Lineales

409
Pero, además, si desde 𝑰
se envían 𝒙 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒂 𝑨, el resto, hasta
𝒍𝒂𝒔 𝟏𝟎𝟎𝟎 𝒏𝒆𝒄𝒆𝒔𝒂𝒓𝒊𝒂𝒔 𝒆𝒏 𝑨, deben ser enviadas desde la fábrica II; esto es,

𝟏𝟎𝟎𝟎 – 𝒙 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒔𝒆𝒓á𝒏 𝒆𝒏𝒗𝒊𝒂𝒅𝒂𝒔 𝒅𝒆𝒔𝒅𝒆 𝑰𝑰 𝒂 𝑨.

Del mismo modo, si desde 𝑰 𝒂 𝑩 𝒔𝒆 𝒆𝒏𝒗í𝒂𝒏 𝒚, el resto necesario, 𝟕𝟎𝟎 – 𝒚, deben enviarse
desde II. Y lo mismo para C, que recibirá 𝒛 𝒅𝒆𝒔𝒅𝒆 𝑰 y 𝟔𝟎𝟎 – 𝒛 desde 𝑰𝑰.

A continuación, se presentará la anterior información en el siguiente esquema:

a la tienda 𝑨 a la tienda 𝑩 a la tienda 𝑪

ENVÍOS
(𝟏𝟎𝟎𝟎) (𝟕𝟎𝟎) (𝟔𝟎𝟎)

Desde la fábrica I
𝒙 𝒚 𝟖𝟎𝟎 − 𝒙 − 𝒚
(𝟖𝟎𝟎)

Desde la fábrica II
𝟏𝟎𝟎𝟎 − 𝒙 𝟕𝟎𝟎 − 𝒚 𝒙 + 𝒚 − 𝟐𝟎𝟎
(𝟏𝟓𝟎𝟎)

La última columna se obtuvo de la siguiente manera:

Como:

𝒙 + 𝒚 + 𝒛 = 𝟖𝟎𝟎

Se tiene que:

𝒛 = 𝟖𝟎𝟎 – 𝒙 – 𝒚

De donde se obtiene:

𝟔𝟎𝟎 – 𝒛 = 𝟔𝟎𝟎 – (𝟖𝟎𝟎 – 𝒙 – 𝒚)

=
 Modelos Lineales

410
𝒙 + 𝒚 – 𝟐𝟎𝟎.

Todas las cantidades anteriores deben ser mayores o iguales que cero. Quedarían entonces las
siguientes desigualdades:

𝒙≥ 𝟎

𝟏𝟎𝟎𝟎 – 𝒙 ≥ 𝟎

𝒚≥ 𝟎

𝟕𝟎𝟎 – 𝒚 ≥ 𝟎

800 – 𝑥 – 𝑦 ≥ 0

𝑥 + 𝑦 – 200 ≥ 0

Simplificando las desigualdades anteriores, se obtienen las siguientes inecuaciones:

𝟏𝟎𝟎𝟎 − 𝒙 ≥ 𝟎 ; 𝟕𝟎𝟎 − 𝒚 ≥ 𝟎 ; 𝟖𝟎𝟎 − 𝒙 − 𝒚 ≥ 𝟎

El objetivo del problema objetivo es abaratar al máximo los costos de transporte. Estos costos
se hallan multiplicando las cantidades enviadas a desde cada fábrica a cada tienda por los
respectivos costos de transporte unitario.

Queda entonces:

𝒁 = 𝒇(𝒙, 𝒚) = 𝟑𝒙 + 𝟐(𝟏𝟎𝟎𝟎 – 𝒙) + 𝟕𝒚 + 𝟐(𝟕𝟎𝟎 – 𝒚) + (𝟖𝟎𝟎 – 𝒙 – 𝒚) + 𝟔(𝒙 + 𝒚 – 𝟐𝟎𝟎)

=
𝟔𝒙 + 𝟏𝟎𝒚 + 𝟑𝟎𝟎𝟎

Por lo tanto, el problema lineal a resolver, está dado por:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝟔𝒙 + 𝟏𝟎𝒚 + 𝟑𝟎𝟎𝟎

Sujeto a:
 Modelos Lineales

411
𝟏𝟎𝟎𝟎 − 𝒙 ≥ 𝟎 ;

𝟕𝟎𝟎 − 𝒚 ≥ 𝟎 ;

𝟖𝟎𝟎 − 𝒙 − 𝒚 ≥ 𝟎

La región factible se da en la imagen del margen.

Sus vértices son:

▪ 𝐴 (200,0);
▪ 𝐵 (800,0);
▪ 𝐶 (100,700);
▪ 𝐷 (0,700), 𝑦
▪ 𝐸 (0,200).

El costo: el valor de Z en cada uno de esos puntos, está dado por:

• 𝒆𝒏 𝑨, 𝟒𝟐𝟎𝟎

• 𝒆𝒏 𝑩, 𝟕𝟖𝟎𝟎

• 𝒆𝒏 𝑪, 𝟏𝟎𝟔𝟎𝟎

• 𝒆𝒏 𝑫, 𝟏𝟎𝟎𝟎𝟎

• 𝒆𝒏 𝑬, 𝟓𝟎𝟎𝟎

El mínimo se da en 𝐴, cuando:

𝒙 = 𝟐𝟎𝟎 𝒆 𝒚 = 𝟎.

Luego, las cantidades que se deben distribuir son las siguientes:

a la tienda 𝑨 a la tienda 𝑩 a la tienda 𝑪

ENVÍOS
(𝟏𝟎𝟎𝟎) (𝟕𝟎𝟎) (𝟔𝟎𝟎)

Desde la fábrica I 200 0 600

 Modelos Lineales

412
(𝟖𝟎𝟎)

Desde la fábrica II
800 𝟕𝟎𝟎 0
(𝟏𝟓𝟎𝟎)

10.3.2 TALLER DE ENTRENAMIENTO

1) Una fábrica de jamones tiene dos secaderos A y B que producen 50 y 80 jamones por mes.
Se distribuyen a tres tiendas de las ciudades M, N y O cuya demanda es 35, 50 y 45
respectivamente. El costo del transporte por jamón en euros se ve en la tabla siguiente:
M N O
A 5 6 8
B 7 4 2

Cuántos jamones deben enviarse desde cada secadero a cada tienda para hacer mínimo el
gasto en transporte.

2) La compañía Sunray Transport Company envía camiones cargados de grano desde tres silos a
cuatro molinos. La oferta y la demanda, junto con los costos del transporte por carga de
camión en las diferentes rutas, se resumen en la siguiente tabla, en donde la oferta y la
demanda vienen dadas en términos de camiones cargados y los costos en cientos de euros.
Determina qué cantidad de camiones, 𝒙𝒊𝒋 , hay que enviar desde cada silo 𝒊 a cada molino 𝒋
para conseguir que el costo total del transporte sea lo menor posible.

MOLINO 1 MOLINO 2 MOLINO 3 MOLINO 4 OFERTA

SILO 1 10 2 20 11 15

SILO 2 12 7 9 20 25

SILO 3 4 14 16 18 10

DEMANDA 5 15 15 15
 Modelos Lineales

413
3) (Modelo de inventario de producción)

Nota: Con este ejemplo ilustrarás el uso del modelo del transporte en otros campos.

Una compañía construye una planta maestra para la producción de un artículo en un periodo
de cuatro meses. Las demandas en los cuatro meses son: 100, 200, 180 y 300 unidades. Una
demanda para el mes en curso puede satisfacerse a través de:

1. Producción excesiva en un mes anterior almacenada para su consumo posterior.

2. Producción en el mes actual.

3. Producción excesiva en un mes posterior para cubrir pedidos de meses anteriores.

El costo de producción variable por unidad en un mes cualquiera es de $4.00. una unidad
producida para consumo posterior incurrirá en un costo de almacenamiento razón de $0.50
por unidad por mes. Por otra parte, los artículos ordenados en meses anteriores incurren en
un costo de penalización de $2.00 por unidad por mes. La capacidad de producción para
elaborar el producto varía cada mes. Los cálculos de los cuatro meses siguientes son 50, 180,
280 y 270 unidades, respectivamente.

Nota: El objetivo es el de formular el plan de inventario de producción a costo mínimo. Este

problema se puede formular como un modelo de “transporte”.

PROBLEMAS DE ASIGNACIÓN

Un problema de asignación es un problema de transporte balanceado, en el cual todas las ofertas

y todas las demandas son iguales a uno.

PROBLEMAS DE ASIGNACIÓN (MÉTODO HÚNGARO)

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/problemas-de-asignacion/

El problema de asignación es una variación del problema original de transporte, variación en la

cual las variables de decisión 𝒙𝒊𝒋 (solo pueden tomar valores binarios, es decir ser 𝒄𝒆𝒓𝒐 (𝟎) o
𝒖𝒏𝒐 (𝟏), en la solución óptima, lo que supone que la oferta y la demanda están perfectamente
alineadas, de hecho ambas son iguales a uno (1).

• Múltiples son los casos en los que podemos hacer uso del problema de asignación para
resolver diversas situaciones, entre ellos se pueden mencionar las siguientes:
 Modelos Lineales

414
▪ La asignación de personal a máquinas,

▪ Herramientas a puestos de trabajos,

▪ Horarios a maestros,

▪ Candidatos a vacantes,

▪ Huéspedes a habitaciones,

▪ Comensales a mesas,

▪ Vendedores a zonas territoriales, entre otras.

En un modelo de asignación, la idea fundamental de resolución es:

¿Qué fuente satisface mejor el destino?

Dado que se ha asociado el modelo a una gran diversidad de circunstancias esta pregunta puede
plantearse en muchos contextos, tales como:

▪ ¿Qué candidato es el idóneo para la vacante?, o

▪ ¿Qué personal es el indicado para la línea productiva?, o
▪ ¿Qué personal es el mejor para ejecutar determinada tarea?
Una característica particular del modelo de asignación es que:

Para su resolución no se hace necesario que el número de fuentes sea igual al

número de destinos.
Lo anterior es muy común en la vida real, teniendo en cuenta su aplicación, pues generalmente
la cantidad de aspirantes es superior al número de vacantes (lógicamente haciendo referencia a
la aplicación del modelo al contexto de oferta y demanda laboral).

A continuación, revisaremos un método que nos permitirá resolver problemas de transporte.

 Modelos Lineales

415

10.4 TEMA 3 MÉTODO HÚNGARO

Es importante para fines académicos o en la cultura de la ingeniería realizar la resolución del
problema de asignación mediante el algoritmo que se creó para tal fin, como lo es el Método
Húngaro.

Recuerde que, para la investigación operativa, en especial aquellos referidos al transporte, se

realizan mediante el uso de herramientas tecnológicas como lo son WinQSB, LINGO, TORA,
STORM, Excel entre otros.

Entrando a definir el método, se tiene que:

El método Húngaro:
Es un método de optimización de problemas de asignación, conocido como tal gracias a que los
primeros aportes al método clásico definitivo fueron de Dénes König y Jenő Egerváry dos
matemáticos húngaros. El algoritmo, que se detallará a continuación está diseñado para la
resolución de problemas de minimización únicamente, será entonces cuestión de agregar un
paso adicional para abordar ejercicios de maximización.

10.4.1.1 PASO 1

Se debe recordar que el método húngaro trabaja en:

𝑼𝒏𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝒄𝒐𝒔𝒕𝒐𝒔 𝒏 ∗ 𝒎 (en este caso conocida como 𝒎𝒂𝒕𝒓𝒊𝒛 𝒎 ∗ 𝒎, dado que
el número de filas es igual al número de columnas 𝒏 = 𝒎), una vez construida esta se debe
encontrar el elemento más pequeño en cada fila de la matriz.

10.4.1.2 PASO 2

Una vez se cumple el procedimiento anterior se debe construir,

𝑼𝒏𝒂 𝒏𝒖𝒆𝒗𝒂 𝒎𝒂𝒕𝒓𝒊𝒛 𝒏 ∗ 𝒎

En esta nueva matriz:
 Modelos Lineales

416
Se consignarán los valores resultantes de la diferencia entre cada costo y el valor
mínimo de la fila a la cual cada costo corresponde (valor mínimo hallado en el
primer paso).

10.4.1.3 PASO 3

Este paso consiste en realizar el mismo procedimiento de los dos pasos anteriores referidos ahora
a las columnas, es decir, se halla el valor mínimo de cada columna, con la diferencia que este se
halla de la matriz resultante en el segundo paso, luego se construirá una nueva matriz:

En la cual se consignarán los valores resultantes de la diferencia entre cada costo

y el valor mínimo de la columna a la cual cada costo corresponde, matriz llamada
«𝑴𝒂𝒕𝒓𝒊𝒛 𝒅𝒆 𝑪𝒐𝒔𝒕𝒐𝒔 𝑹𝒆𝒅𝒖𝒄𝒊𝒅𝒐𝒔».

10.4.1.4 PASO 4

A continuación, se deben de trazar líneas horizontales o verticales o ambas (únicamente de esos

tipos) con el objetivo de cubrir todos los ceros de la matriz de costos reducidos con el menor
número de líneas posibles,

Si el número de líneas es igual al número de filas o columnas se ha logrado

obtener la solución óptima (la mejor asignación según el contexto de
optimización).
Nota: Si el número de líneas es inferior al número de filas o columnas se debe de proceder con
el paso 5.

10.4.1.5 PASO 5

Este paso consiste en encontrar el menor elemento de aquellos valores que no se encuentran
cubiertos por las líneas del paso 4, ahora se restará del restante de elementos que no se
encuentran cubiertos por las líneas; a continuación, este mismo valor se sumará a los valores que
se encuentren en las intersecciones de las líneas horizontales y verticales, una vez finalizado este
paso se debe volver al paso 4.
 Modelos Lineales

417
10.4.2 EJERCICIOS DE APRENDIZAJE
1) Resolver el siguiente problema de asignación mediante el Método Húngaro:

La compañía de manufactura «Jiménez y Asociados» desea realizar una jornada de

mantenimiento preventivo a sus tres máquinas principales 𝐴, 𝐵 𝑦 𝐶. El tiempo que demanda
realizar el mantenimiento de cada máquina es de 1 día, sin embargo, la jornada de mantenimiento
no puede durar más de un día, teniendo en cuenta que la compañía cuenta con tres proveedores
de servicios de mantenimiento debe de asignarse un equipo de mantenimiento a cada máquina
para poder cumplir con la realización del mantenimiento preventivo. Teniendo en cuenta que
según el grado de especialización de cada equipo prestador de servicios de mantenimiento el
costo de la tarea varía para cada máquina en particular, debe de asignarse el equipo correcto a la
máquina indicada con el objetivo de minimizar el costo total de la jornada.

PROCEDIMIENTO:

Los costos asociados se pueden observar en la siguiente tabla:

Con esta información, se procede a aplicar los pasos indicados anteriormente, esto es:

10.4.2.1 PASO 1

Se encuentra el menor elemento de cada fila:

 Modelos Lineales

418

10.4.2.2 PASO 2

Se construye una nueva matriz con las diferencias entre los valores de la matriz original y el
elemento menor de la fila a la cual corresponde:

10.4.2.3 PASO 3

En la matriz construida en el paso anterior se procede a efectuar el paso 1 esta vez en relación a
las columnas, por ende, escogemos el elemento menor de cada columna. Igualmente se
construye una nueva matriz con la diferencia entre los valores de la matriz 2 y el elemento menor
de la columna a la cual corresponde cada valor.
 Modelos Lineales

419

10.4.2.4 PASO 4

En este paso se traza la menor cantidad de combinaciones de líneas horizontales y verticales con
el objetivo de cubrir todos los ceros de la matriz de costos reducidos.

Como se observa el menor número de líneas horizontales y/o verticales necesarios para cubrir los
ceros de la matriz de costos reducidos es igual a 2, por ende, al ser menor que el número de filas
o columnas es necesario recurrir al paso 5.

10.4.2.5 PASO 5

En este paso se selecciona el menor elemento de los elementos no subrayados.

 Modelos Lineales

420

Luego se procede a restarse de los elementos no subrayados y a adicionarse a los elementos

ubicados en las intersecciones de las líneas, en este caso existe una única intersección (3).

Ahora ya efectuado este paso se va al paso 4.

 Modelos Lineales

421
Ahora sé observa cómo se hace necesario trazar tres líneas (la misma cantidad de filas o columnas
de la matriz) por ende se ha llegado al tabulado final, en el que por simple observación se
determinan las asignaciones óptimas.

Por ende, la asignación que representa el menor costo para la jornada de mantenimiento
preventivo determina que:

▪ El Equipo 1 realice el mantenimiento de la Máquina 1,

▪ El Equipo 2 realice el mantenimiento de la Máquina 3, y
▪ El Equipo 3 realice el mantenimiento de la Máquina 2,
Jornada que tendrá un costo total de 17 unidades monetarias.

2) SOLUCIÓN DE UN PROBLEMA DE MAXIMIZACIÓN MEDIANTE EL MÉTODO HÚNGARO

Una organización de recolección de café cuenta con tres equipos de siembra y cosecha del mismo
(𝑒𝑞𝑢𝑖𝑝𝑜𝑠 1, 2, 3). Estos equipos de trabajo se encuentran entrenados para trabajar en
condiciones particulares del proceso, condiciones como lo son el tipo de suelo, las condiciones
del clima y el tipo de grano. La organización cuenta con cuatro terrenos disponibles para efectuar
el proceso de siembra y cosecha (𝑡𝑒𝑟𝑟𝑒𝑛𝑜𝑠 𝐴, 𝐵, 𝐶, 𝐷), estos terrenos tienen condiciones
particulares de suelo, clima y tipo de grano. Cada equipo cuenta con la capacidad de efectuar el
proceso en solo uno de los terrenos disponibles, salvo el equipo 2, que cuenta con una serie de
herramientas tecnológicas que le permiten realizar la siembra y cosecha del grano en dos de los
terrenos disponibles.

Se ha contratado a un Ingeniero Industrial con el objetivo de realizar las asignaciones precisas que
maximicen la cantidad de sacos de café cosechados en total.
 Modelos Lineales

422
La siguiente tabla muestra la capacidad (en cientos de sacos) de cosecha de café de cada uno de
los equipos dependiendo de cada uno de los terrenos.

PROCEDIMIENTO:
En este problema se debe recordar un concepto fundamental para la aplicación del método
húngaro, este concepto dice que:

El número de filas debe ser exactamente igual al número de columnas.

Por ende, la acción a realizar debería ser crear un equipo ficticio, el cual nos deje el tabulado balanceado
y a este asignarle un número de sacos cosechados equivalente a cero en cada uno de los terrenos. Sin
embargo, el problema nos indica que uno de los equipos se encuentra en capacidad de que se le asignen
dos terrenos, en este caso se creará un equipo 2 alternativo (Equipo 2B) el cual balanceará el tabulado y
hará prescindir del equipo ficticio pensado inicialmente. A este equipo 2B que se creará le corresponderá
la misma capacidad de cosecha del equipo 2 (en adelante equipo 2A) según el terreno, lógicamente.
 Modelos Lineales

423
Una vez balanceado el tabulado debemos de cuestionarnos acerca del criterio de optimización, pues
recordemos que el método húngaro se encuentra diseñado para ejercicios de minimización. En este caso
nuestro objetivo es maximizar, por lo que se tendrá que aplicar un paso adicional.

Lo primero que se debe hacer es ubicar el mayor valor del tabulado inicial.

En este caso este valor es 𝟏𝟓, por lo cual se procede a realizar la siguiente operación con cada uno de
los valores:

Se restará de 15, el valor de cada una de las celdas y este valor quedará en cada
una de las celdas correspondientes.

Ahora, el tabulado inicial quedará de la siguiente manera:

 Modelos Lineales

424

A partir de este tabulado ya se puede aplicar el algoritmo del método húngaro como se aplicaría
en un caso de minimización (normalmente).

Ahora ese encuentra el menor elemento de cada fila.

Y se resta a todas las celdas de la fila.

Ahora, se efectúa este mismo paso, pero esta vez con las columnas. Se elige el menor de los
valores de cada columna y se resta a cada una de las celdas de la columna correspondiente.
 Modelos Lineales

425

Ahora se procede a cubrir la mayor cantidad de ceros, con la menor cantidad de líneas, si el
número de líneas que se utilizan es igual al grado de la matriz (en este caso matriz grado 4,
𝟒 × 𝟒) se habrá llegado al final del ejercicio.

Dado que el número de líneas es igual al grado de la matriz, se ha concluido el algoritmo. Lo único
que quedará será asignar a cada equipo el terreno en el que el intercepto es igual a 0 (cero).
 Modelos Lineales

426

Las asignaciones, como es lógico deberán iniciarse por el equipo al cual solo corresponda un
terreno, en este caso:

▪ Al equipo 3 le corresponde el Terreno A.

De esta manera:
▪ Al Equipo 1 le corresponde el Terreno D.
▪ Mientras tanto el Equipo 2 se encargará de la cosecha en los terrenos B y C.

Según el tabulado del problema (recordemos que es de maximización), la cantidad de sacos

(expresada en cientos de sacos) será así:

3) SOLUCIÓN DE UN PROBLEMA DE ASIGNACIÓN MEDIANTE PROGRAMACIÓN LINEAL

La compañía de manufactura «Jiménez y Asociados» desea realizar una jornada de

mantenimiento preventivo a sus tres máquinas principales 𝐴, 𝐵 𝑦 𝐶. El tiempo que demanda
realizar el mantenimiento de cada máquina es de 1 día, sin embargo, la jornada de mantenimiento
 Modelos Lineales

427
no puede durar más de un día, teniendo en cuenta que la compañía cuenta con tres proveedores
de servicios de mantenimiento debe de asignarse un equipo de mantenimiento a cada máquina
para poder cumplir con la realización del mantenimiento preventivo. Teniendo en cuenta que
según el grado de especialización de cada equipo prestador de servicios de mantenimiento el
costo de la tarea varía para cada máquina en particular, debe de asignarse el equipo correcto a la
máquina indicada con el objetivo de minimizar el costo total de la jornada. Los costos asociados
se pueden observar en la siguiente tabla:

➢ VARIABLES DE DECISIÓN
Las variables de decisión de este tipo de problemas son igual a las variables de cualquier modelo
de transporte tradicional, esto es variables 𝒙𝒊𝒋 ,donde:

▪ 𝑖 (𝐸𝑞𝑢𝑖𝑝𝑜 𝑑𝑒 𝑚𝑎𝑛𝑡𝑒𝑛𝑖𝑚𝑖𝑒𝑛𝑡𝑜 1,2,3),

▪ 𝒋 (𝑴á𝒒𝒖𝒊𝒏𝒂 𝟏, 𝟐, 𝟑)
Correspondientes a variables binarias en las cuales el valor 1 significa:

La asignación de un equipo de mantenimiento a una máquina en particular.

➢ RESTRICCIONES

Están determinadas bajo las siguientes premisas:

Dado que un equipo de mantenimiento no puede ser asignado a más de una maquinaria, esta
característica debe de restringirse mediante las siguientes inecuaciones:

▪ 𝒙𝟏,𝟏 + 𝒙𝟏,𝟐 + 𝒙𝟏,𝟑 = 𝟏

 Modelos Lineales

428
▪ 𝒙𝟐,𝟏 + 𝒙𝟐,𝟐 + 𝒙𝟐,𝟑 = 𝟏

▪ 𝒙𝟑,𝟏 + 𝒙𝟑,𝟐 + 𝒙𝟑,𝟑 = 𝟏

Debe restringirse, además, el hecho de que cada máquina solo requiere de un equipo de
mantenimiento, por lo tanto:

▪ 𝒙𝟏,𝟏 + 𝒙𝟏,𝟐 + 𝒙𝟏,𝟑 = 𝟏

▪ 𝒙𝟐,𝟏 + 𝒙𝟐,𝟐 + 𝒙𝟐,𝟑 = 𝟏

▪ 𝒙𝟑,𝟏 + 𝒙𝟑,𝟐 + 𝒙𝟑,𝟑 = 𝟏

También se hace necesario que para efectos de solución en cualquier paquete de herramientas
se especifique que estas variables corresponden al conjunto de los enteros (por obvias razones)
y que deben ser mayores que cero (dado que es un problema de minimización esta restricción
se hace demasiado necesaria), esto es:

𝑥𝑖𝑗 ≥ 0

Con:
𝑥𝑖𝑗 ∈ ℤ

➢ FUNCIÓN OBJETIVO

Se determina ahora la función objetiva del problema, que está dada por:

𝑍𝑚𝑖𝑛 = 10𝑥1,1 + 9𝑥1,2 + 5𝑥1,3 + 9𝑥2,1 + 8𝑥2,2 + 3𝑥2,3+ + 6𝑥3,1 + 4𝑥3,2 + 7𝑥3,3

➢ INGRESANDO LOS DATOS A WINQSB

Se tiene que:
 Modelos Lineales

429

➢ RESULTADOS OBTENIDOS MEDIANTE WINQSB

Dado el cuadro anterior, se obtienen los siguientes resultados:

Por lo tanto, la asignación que representa el menor costo para la jornada de mantenimiento
preventivo determina que:

El Equipo 1 realice el mantenimiento de la Máquina 1.

El Equipo 2 realice el mantenimiento de la Máquina 3.

 Modelos Lineales

430
El Equipo 3 realice el mantenimiento de la Máquina 2.

Jornada que tendrá un costo total de 17 unidades monetarias.

4) PROBLEMA DE ASIGNACIÓN MEDIANTE WINQSB – NETWORK MODELING

La facilidad de resolver un problema de asignación mediante WinQSB es aún mayor a la que se

incurre mediante programación lineal, y esta metodología justifica el pensar en que el método
húngaro es sumamente anacrónico únicamente contemplado para fines históricos y académicos.
En el módulo NETWORK MODELING del paquete de herramientas WinQSB se puede resolver el
modelo tan solo traspasando los costos de una matriz 𝒏 ∗ 𝒎 a otra que brinda el módulo 𝐧 ∗
𝐦.

➢ INGRESANDO LOS DATOS A WINQSB – NETWORK MODELING, SE TIENE QUE:

➢ RESULTADOS OBTENIDOS MEDIANTE WINQSB – NETWORK MODELING

Por lo tanto, la asignación que representa el menor costo para la jornada de mantenimiento
preventivo determina que:
 Modelos Lineales

431
▪ El Equipo 1 realice el mantenimiento de la Máquina 1.

▪ El Equipo 2 realice el mantenimiento de la Máquina 3.

▪ El Equipo 3 realice el mantenimiento de la Máquina.

▪ Jornada que tendrá un costo total de 17 unidades monetarias.

DE ESTA MANERA SE HACE EVIDENTE CUAL ES LA ALTERNATIVA PREDILECTA PARA RESOLVER

PROBLEMAS DE ASIGNACIÓN.

• DIFERENCIAS ENTRE EL MODELO DE TRANSPORTE Y EL MODELO DE ASIGNACIÓN

✓ Los problemas de asignación son casos particulares de los problemas de transporte y
constituyen la clase más sencilla de los problemas lineales, en el cual:

▪ Los trabajadores representan las fuentes, y

▪ Los puestos representan los destinos.

• En el problema de transporte existen 𝒎 𝒐𝒓í𝒈𝒆𝒏𝒆𝒔 y 𝒏 𝒅𝒆𝒔𝒕𝒊𝒏𝒐𝒔, y el flujo se realiza

desde un origen hacia cada uno de los diferentes destinos. Si en este caso se permite
el flujo en ambos sentidos (de origen a destino y destino a origen) se puede hablar de
un problema de 𝒎 + 𝒏 𝒐𝒓í𝒈𝒆𝒏𝒆𝒔 y 𝒎 + 𝒏 𝒅𝒆𝒔𝒕𝒊𝒏𝒐𝒔. A este tipo de problemas se
les conoce con el nombre de problemas de transbordo (transhipment problems) o
transporte con nodos intermedios.
• En el caso más general:

Cada punto de origen o destino pude ser un punto de transbordo.

Esto es:

▪ Cada origen puede evitar o transportar a otros orígenes o a distintos orígenes,

y
 Modelos Lineales

432
▪ Los destinos pueden transportar a su vez a otros destinos o volver a los
orígenes.

Nota: Un punto conserva su identidad, origen o destino, solamente cuando sea respectivamente,

▪ Un punto que originalmente disponga de un suministro, o

▪ Un punto que tenga una demanda a satisfacer.

• En los problemas de asignación las ofertas en cada origen es de valor uno, como lo es
la demanda en cada destino; una gran diferencia con respecto a los problemas de
transporte.

Nota:

En el desarrollo de este tema se han mostrado varios métodos para obtener soluciones a los
problemas de transporte o a otros semejantes. Es de mucha importancia tener en cuenta que
con cualquier método que se utilice, es que:

El problema de transporte no siempre puede aislarse y resolverse dentro de sus

propios límites.

El transporte es tan sólo una parte de todo el sistema de distribución de la compañía. Es muy
difícil resolver el mejor programa de transporte en términos de servicio y bajo costo. Esa área
de la empresa requiere de una constante atención para incorporar los cambios que constituyan
y una difícil tarea para cualquier grupo de investigaciones de negocios.

https://alejandra090290.wordpress.com/problema-de-transporte/

10.4.3 TALLER DE ENTRENAMIENTO

1) Dados los elementos fundamentales del METODO DE APROXIMACION DE VOGEL (VAM),
construya un problema donde se evidencie claramente este método.

Este método es heurístico y suele producir una mejor solución inicial que los dos métodos
antes descritos. De hecho, VAM suele producir una solución inicial óptima, o próxima al nivel
óptimo.

Los pasos del procedimiento son los siguientes:

 Modelos Lineales

433
Paso1: Evalúese una penalización para cada renglón restando el menor elemento del costo
del renglón del elemento de costo menor siguiente en el mismo renglón.

Paso2: Identifíquese el renglón o columna con la mayor penalización, rompiendo empates en

forma arbitraria. Asígnese el valor mayor posible a la variable con el costo más bajo del
renglón o columna seleccionado. Ajústese la oferta y la demanda y táchese el renglón o
columna satisfecho. Si un renglón o columna se satisfacen al mismo tiempo, solo uno de ellos
se tacha y al renglón restante se le asigna una oferta cero. Cualquier renglón o columna con
oferta o demanda cero no debe utilizarse para calcular penalizaciones futuras.

Paso 3:

a) si solo hay un renglón o columna sin tachar, deténgase.

b) si solo hay un renglón con oferta positiva sin tachar, determínense las variables básicas
del renglón a través del método del costo mínimo.

c) si todos los renglones y columnas sin tachar tienen oferta o demanda cero asignadas,
determínese las variables básicas cero a través del método del costo mínimo.
Deténgase.

d) de lo contrario, calcúlense las penalizaciones de las renglones y columnas no tachados

y después diríjase al paso 2.

2) Por su gran actuación de su jugador estrella Marcel Salas, ha tenido un excelente rendimiento
en el último torneo lo que lo ha llevado a disputar la final del torneo en la Ciudad de Panamá.
Las posibilidades de éxito del equipo en dicho encuentro, dependen en gran medida del apoyo
que pueda brindarle el público al equipo, por lo cual los dirigentes necesitan saber a cuantos
hinchas pueden transportar como máximo desde Cartagena (C) hasta Panamá (P). Para
contestar esta pregunta se sabe que el servicio de transporte entre los 2 pueblos puede
modelarse como la siguiente red. En el grafo se indican las capacidades máximas de
transporte por cada arco y no existen cotas inferiores para el transporte en cada uno de ellos.
 Modelos Lineales

434

400

(𝟏 ) (𝟒)

800 500 800

600

(𝑪) 700 (𝟑) (𝑷)

1000 300 900

(𝟐) (𝟓)

500
3) Se fabrica un producto en tres plantas y se envía a tres almacenes cuyos costos se muestran
en la siguiente tabla:

ALMACENES
CAPACIDAD
𝐴1 𝐴2 𝐴3
DISPONIBLE
PLANTAS

𝑃1 20 16 24 300

𝑃2 10 10 8 500

𝑃3 12 18 10 100

DEMANDA 200 400 300 900

 Modelos Lineales

435
Problema propuesto extraído de David R. Anderson, Dennos J. Sweeney, Tomhas A. Williams.
Introducción a los Modelos Cuantitativos para Administración; Grupo Editorial Iberoamérica
S. A. de C. V., México, 1996. Problema Propuesto 2. Capítulo 8. Pág. 323. | 4

Determinar:

a) Una representación de la red para el problema.

b) Utilizando el “Método de Transporte” para minimizar los costos de transporte,

determinar la solución óptima de costo mínimo; para esta “Red” en cuestión.

c) Suponiendo que los elementos de la tabla anterior representan utilidades, por unidad
al fabricar en la planta i y vender en el almacén j ¿De qué manera se modifica el
planteamiento del problema con respecto al inciso b?

4) Considérese la siguiente información con respecto al problema de transporte:

DESTINO
CAPACIDAD
𝐵𝑂𝐺𝑂𝑇Á 𝑀𝐸𝐷𝐸𝐿𝐿Í𝑁 𝐵𝑅𝑅𝐴𝑁𝑄𝑈𝐼𝐿𝐿𝐴
DISPONIBLE
ORIGEN

𝑀𝑂𝑁𝑇𝐸𝑅Í𝐴 5 2 3 100

𝐿𝐸𝑇𝐼𝐶𝐼𝐴 8 4 3 300

𝐶𝐴𝐿𝐼 9 7 5 300

DEMANDA 300 200 200 700

Problema propuesto extraído de David R. Anderson, Dennos J. Sweeney, Tomhas A. Williams.

Introducción a los Modelos Cuantitativos para Administración; Grupo Editorial Iberoamérica S. A.
de C. V., México, 1996. Problema Propuesto 3. Capítulo 8. Pág. 323.

a) Elabore una representación de red para este problema.

 Modelos Lineales

436
b) Utilizando el “Método de Transporte”, determine: ¿Cuál es la solución de costo mínimo?,
¿cuántas unidades se envían en cada ruta de transporte?

c) Supóngase que existe un requerimiento de enviar 100 unidades en la ruta Detroit –

Boston. ¿De qué manera se tendría que modificar el modelo de programación lineal para
reflejar este cambio?

d) Supóngase que una controversia laboral elimina temporalmente las rutas Denver – Boston
y San Luis – Atlanta. ¿De qué modo se tienen que reflejar estos cambios al modificar el
modelo?

e) Obtenga el costo mínimo para ambos casos y establezca conclusiones.

 Modelos Lineales

437
11 UNIDAD 11 DUALIDAD
11.1.1 OBJETIVO GENERAL
➢ Realizar el Planteamiento dual (minimización) y formulación del problema de
maximización.

11.1.2 OBJETIVOS ESPECÍFICOS

➢ Realizar el planteamiento y la formulación dual (minimización) del problema de
maximización.

➢ Reconocer los teoremas de la dualidad.

11.2 TEMA 1 PLANTEAMIENTO DUAL (MINIMIZACIÓN) DEL

PROBLEMA DE MAXIMIZACIÓN.
El concepto de dualidad indica que para cada problema de programación lineal (primal) hay una
asociación y una relación muy importante con otro problema de programación lineal, llamado
dual.

Tanto el problema primal como el problema dual dan el mismo valor de la

función objetivo.
➢ DUALIDAD EN PROGRAMACION LINEAL

Relaciones primal-dual Asociado a cada problema lineal existe otro problema de programación
lineal denominado problema dual (PD), que posee importantes propiedades y relaciones
notables con respecto al problema lineal original, problema que para diferencia del dual se
denomina entonces como problema primal (PP).
 Modelos Lineales

438

https://i.ytimg.com/vi/VHfO3NuIuro/maxresdefault.jpg

https://invdoperaciones.files.wordpress.com/2012/06/p.png
 Modelos Lineales

439

https://image.slidesharecdn.com/teoradeladualidadyanlisisdelasensibilidad-151003053532-lva1-
app6892/95/teoria-de-la-dualidad-y-analisis-de-la-sensibilidad-7-638.jpg?cb=1443850642

https://slideplayer.es/slide/4302746/14/images/2/Dualidad+en+Programaci%C3%B3n+Lineal.jpg
 Modelos Lineales

440

Las relaciones se pueden enumerar de la siguiente manera:

a) El problema dual tiene tantas variables como restricciones tiene el programa

primal.

b) El problema dual tiene tantas restricciones como variables tiene el programa

primal.

c) Los coeficientes de la función objetivo del problema dual son los términos
independientes de las restricciones o RHS del programa primal.

d) Los términos independientes de las restricciones o RHS del dual son los
coeficientes de la función objetivo del problema primal.

e) La matriz de coeficientes técnicos del problema dual es la traspuesta de la

matriz técnica del problema primal.

f) El sentido de las desigualdades de las restricciones del problema dual y el

signo de las variables del mismo problema, dependen de la forma de que tenga
el signo de las variables del problema primal y del sentido de las restricciones
del mismo problema. (Ver tabla de TUCKER).

g) Si el programa primal es un problema de maximización, el programa dual es

un problema de minimización.

h) El problema dual de un problema dual es el programa primal original.

En el desarrollo de la programación lineal la teoría de la dualidad es importante, tanto desde el

punto de vista teórico como desde el punto de vista práctico. Para cada modelo lineal se puede
escribir el modelo dual asociado.

Resolviendo uno de los modelos se obtiene la solución de ambos; en la tabla óptima del modelo
resuelto aparece también la solución óptima del dual asociado.

Algunas razones por las que es conveniente la dualidad son las siguientes:
 Modelos Lineales

441
1. Teniendo en cuenta que el número de iteraciones del algoritmo simplex
depende más del número de restricciones del modelo que del número de
variables, y dado que resolviendo un modelo lineal se obtiene también la
solución del dual asociado, se puede elegir el modelo que conviene resolver para
obtener la solución de ambos.

2. La dualidad permite hacer la interpretación económica del problema lineal. La

solución del problema dual da información acerca de la solución del primal.

3. Teniendo en cuenta las propiedades de la dualidad se construye un nuevo

algoritmo, el simplex dual, que es más eficaz que el simplex para calcular la
solución óptima de algunos modelos lineales. Además, este nuevo algoritmo se
aplica en el análisis de sensibilidad y la programación entera que se presentan en
temas posteriores

11.3 TEMA 2 FORMULACIÓN DEL PROBLEMA DUAL

• Si el primal es un problema de maximización, su dual será un problema de
minimización y viceversa.
• Los coeficientes de la función objetivo del problema primal se convierten en
los coeficientes del vector de la disponibilidad en el problema dual.
• Los coeficientes del vector de disponibilidad del problema original se
convierten en los coeficientes de la función objetivo (vector de costo o precio)
en el problema dual.
• Los coeficientes de las restricciones en el problema primal, será la matriz de
los coeficientes tecnológicos en el dual.
• Los signos de desigualdad del problema dual son contrarios a los del primal.
• Cada restricción en un problema corresponde a una variable en el otro
problema, esto es:

✓ Si el primal tiene 𝒎 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊𝒐𝒏𝒆𝒔 y 𝒏 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔,

✓ El dual tendrá 𝒏 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊𝒐𝒏𝒆𝒔 y 𝒎 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔. Así, las variables 𝒙𝒏 del
primal se convierte en nuevas variables 𝒚𝒎 en el dual.
 Modelos Lineales

442
• Las variables de ambos problemas están restringidas a ser mayores o iguales
que cero.
https://www.ecured.cu/Dualidad_(programaci%C3%B3n_lineal)#:~:text=Acciones%20de%20p%C3%A1gina&text=El
%20concepto%20de%20dualidad%20indica,valor%20de%20la%20funci%C3%B3n%20objetivo.

https://ocw.ehu.eus/file.php/19/3._dualidad.pdf

https://www.google.com/search?q=imagenes+comunicacion+eficaz&rlz=1C1GCEU_esCO836CO836&tbm=isch&sou
rce=iu&ictx=1&fir=3SjharZjegrxKM%253A%252CLXT5MhB8waIEmM%252C_&vet=1&usg=AI4_-
kTdwZqQIfjITCPJ8det1xpkGRdpJw&sa=X&ved=2ahUKEwiOqqjq15jiAhVhg-
AKHe4fBwoQ9QEwBXoECAYQDg#imgrc=BZW1J11bArPuWM:&vet=1

➢ RELACIONES DE DUALIDAD EN PROGRAMACIÓN LINEAL (PASAR DE PRIMAL A DUAL)

por GEO Tutoriales el 08/05/2013 en Programación Lineal 0

El modelo dual de un problema de Programación Lineal consiste en una alternativa de modelamiento

matemático que permite rescatar la información del problema original conocido como modelo primal.

Es suficiente con resolver uno de ellos (el primal o el dual) para obtener la solución óptima y valor óptimo
del problema equivalente (primal o dual según sea el caso).

Para realizar esto se pueden utilizar, por ejemplo, las condiciones establecidas en el:

TEOREMA DE HOLGURAS COMPLEMENTARIAS.

Las relaciones de dualidad se pueden resumir en el siguiente cuadro:
 Modelos Lineales

443
La tabla anterior se puede interpretar tanto de izquierda a derecha como de derecha a izquierda.

➢ ANÁLISIS DE LA TABLA EN REFERENCIA

• PRIMAL MINIMIZACIÓN – DUAL MAXIMIZACIÓN

Leyendo la tabla de izquierda a derecha, es decir:

Pasar de un problema primal de minimización a un problema

dual de maximización, se tiene lo siguiente:

PROBLEMA PRIMAL PROBLEMA DUAL

Si el problema primal es Entonces su correspondiente dual será uno
de minimización de maximización.
Si el problema primal tiene • La variable dual asociada a dicha restricción debe
ser >=0.
una restricción del tipo >=
Si el problema primal tiene • La variable dual asociada a dicha restricción debe
ser <=0.
una restricción del tipo <=
Si el problema primal tiene • La variable dual asociada a dicha restricción debe
ser irrestricta (libre de signo).
una restricción del tipo =
Si el problema primal tiene La correspondiente restricción asociada en el
una variable >=0 dual debe ser <=.
Si el problema primal tiene • La correspondiente restricción asociada en el
dual debe ser >=.
una variable <=0
Si el problema primal tiene La correspondiente restricción asociada en el
una variable irrestricta (libre de dual debe ser =.
signo)

• PRIMAL MAXIMIZACIÓN – DUAL MINIMIZACIÓN

Interpretando la tabla desde derecha a izquierda, es decir, pasar de un problema

primal de maximización a un problema dual de minimización, se tiene que:
 Modelos Lineales

444
PROBLEMA PRIMAL PROBLEMA DUAL
Si el problema primal es de maximización Entonces su correspondiente dual será uno
de minimización.
Si el problema primal tiene • La variable dual asociada a dicha restricción debe
ser >=0.
una restricción del tipo <=,
Si el problema primal tiene • La variable dual asociada a dicha restricción debe
ser <=0.
una restricción del tipo >=,
Si el problema primal tiene • La variable dual asociada a dicha restricción debe
ser irrestricta (libre de signo).
una restricción del tipo =
Si el problema primal tiene La correspondiente restricción asociada en el dual debe
una variable >=0 ser >=.
Si el problema primal tiene una variable • La correspondiente restricción asociada en el
dual debe ser <=.
<=0
Si el problema primal tiene una variable • La correspondiente restricción asociada en el
dual debe ser =.
irrestricta (libre de signo)

11.3.1 EJERCICIO DE APRENDIZAJE

• RELACIONES DE DUALIDAD EN PROGRAMACIÓN LINEAL

1) Se presenta un modelo de optimización que se considerará como el problema primal:

𝑴𝒊𝒏𝒊𝒎𝒊𝒛𝒂𝒓 𝟏𝟔𝟎𝒙𝟏 + 𝟏𝟐𝟎𝒙𝟐 + 𝟐𝟖𝟎𝒙𝟑

Sujeto a

𝟐𝒙𝟏 + 𝒙𝟐 + 𝟒𝒙𝟑 ≥ 𝟏
𝟑
𝟐𝒙𝟏 + 𝟐𝒙𝟐 + 𝟐𝒙𝟑 ≥
𝟐
𝒙𝟏 ≥ 𝟎, 𝒙𝟐 ≥ 𝟎, 𝒙𝟑 ≥ 𝟎
 Modelos Lineales

445
Como en este caso el problema primal es de minimización, para definir su respectivo problema
dual se leerá la tabla que resume las relaciones de dualidad desde izquierda a derecha. En
consecuencia, por lo tanto, el problema dual será un problema de maximización.

Adicionalmente la primera y segunda restricción del problema primal definirán las variables de
decisiones (variables duales) en el problema dual (𝒀𝟏 𝒚 𝒀𝟐 ), respectivamente), siendo los
coeficientes en la función objetivo los actuales valores de los lados derechos de las restricciones
del problema primal.

De esta forma la función objetivo del problema dual queda definida de la siguiente manera:

𝟑
𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒀𝟏 +( )𝒀
𝟐 𝟐

Ahora:

Por cada variable en el problema primal se tiene la misma cantidad de

restricciones en el problema dual.

En este caso las variables 𝒙𝟏 , 𝒙𝟐 , 𝒚 𝒙𝟑 definirán la estructura de las restricciones 𝟏, 𝟐 𝒚 𝟑 en

el problema dual.

Por ejemplo, la primera restricción del problema dual (asociada a la variable primal 𝒙𝟏 ) estaría
dada por:

𝟐𝒀𝟏 + 𝟐𝒀𝟐 ≤ 𝟏𝟔𝟎

Nota: Los coeficientes que ponderan a las variables duales son los parámetros asociados a la
variable 𝒙𝟏 en el primal en la primera y segunda restricción, respectivamente.

La restricción en el dual es del tipo “<=” debido a que la variable 𝒙𝟏 en el problema primal de
minimización tiene la condición de no negatividad (“>= 0”). Por último, el lado derecho de la
restricción es el coeficiente que tiene la variable 𝒙𝟏 en la función objetivo del problema primal.
Siguiendo el procedimiento las restricciones del problema dual serían:

2𝑌1 + 2𝑌2 ≤ 160

𝑌1 + 2𝑌2 ≤ 120
4𝑌1 + 2𝑌2 ≤ 280
 Modelos Lineales

446
Finalmente, como las 2 primeras restricciones del problema primal son del tipo “>=” en el
problema primal de minimización, las respectivas variables duales asociadas en el problema de
maximización serán no negativas.

Por lo tanto, el problema dual estaría dado por:

𝟑
𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒀𝟏 +( )𝒀
𝟐 𝟐

Sujeto a:

2𝑌1 + 2𝑌2 ≤ 160

𝑌1 + 2𝑌2 ≤ 120
4𝑌1 + 2𝑌2 ≤ 280
𝑌1 ≥ 0, 𝑌2 ≥ 0

2) Utilizando las relaciones de dualidad en Programación Lineal, dado un problema

primal P, demuestre que su correspondiente dual D queda definido de acuerdo a:

𝑷) 𝑴𝒂𝒙 𝟒𝟎𝒙𝟏 + 𝟔𝟎𝒙𝟐

Sujeto a:

𝟐𝒙𝟏 + 𝒙𝟐 ≤ 𝟕𝟎
𝒙𝟏 + 𝒙𝟐 ≤ 𝟒𝟎
𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟗𝟎
𝒙𝟏 , 𝒙𝟐 ≥ 𝟎

𝑫) 𝑴𝒊𝒏 𝟕𝟎𝝅𝟏 + 𝟒𝟎𝝅𝟐 + 𝟗𝟎𝝅𝟑

Sujeto a:

𝟐𝝅𝟏 + 𝝅𝟐 + 𝝅𝟑 ≥ 𝟒𝟎
𝝅𝟏 + 𝝅𝟐 + 𝟑𝝅𝟑 ≥ 𝟔𝟎
𝝅𝟏 , 𝝅𝟐 , 𝝅𝟑 ≥ 𝟎
 Modelos Lineales

447

A continuación, se combinarán las distintas restricciones del problema primal, ponderando por
los valores no negativos 𝝅𝟏 , 𝝅𝟐 , 𝝅𝟑 cada una, respectivamente, con el fin de obtener la mejor
cota superior del valor óptimo del problema P.

Por lo tanto, es válido decir que:

𝝅𝟏 (𝟐𝒙𝟏 + 𝒙𝟐 ) + 𝝅𝟐 (𝒙𝟏 + 𝒙𝟐 ) + 𝝅𝟑 (𝒙𝟏 + 𝟑𝒙𝟐 ) ≤ 𝟕𝟎𝝅𝟏 + 𝟒𝟎𝝅𝟐 + 𝟗𝟎𝝅𝟑

De modo de garantizar que el lado derecho de esta última desigualdad sea una cota superior de
la función objetivo del problema primal se tiene que cumplir:

𝟐𝝅𝟏 + 𝝅𝟐 + 𝝅𝟑 ≥ 𝟒𝟎
𝝅𝟏 + 𝝅𝟐 + 𝟑𝝅𝟑 ≥ 𝟔𝟎
Por lo tanto, la mejor elección de esta cota se obtendría al resolver el siguiente problema de
optimización:

𝑫) 𝑴𝒊𝒏 𝟕𝟎𝝅𝟏 + 𝟒𝟎𝝅𝟐 + 𝟗𝟎𝝅𝟑

Sujeto a:

𝟐𝝅𝟏 + 𝝅𝟐 + 𝝅𝟑 ≥ 𝟒𝟎
𝝅𝟏 + 𝝅𝟐 + 𝟑𝝅𝟑 ≥ 𝟔𝟎
𝝅𝟏 , 𝝅𝟐 , 𝝅𝟑 ≥ 𝟎
Este problema se conoce como el problema “Dual” (D) asociado al problema “Primal” (P).

También resulta que, al formular el problema dual de D, se obtiene el problema primal P (o uno
equivalente). Cualquiera de los dos, entrega la misma información y, el valor óptimo alcanzado
es el mismo.

11.4 TEMA 3 TEOREMAS DE DUALIDAD

• Si el modelo primal o dual tiene solución óptima finita entonces su respectivo dual o primal
tendrán solución óptima finita.
• Si el modelo primal o dual tiene solución óptima no acotada, entonces su respectivo dual o
primal no tendrán solución, será un modelo infactible.
 Modelos Lineales

448
• Si el modelo primal o dual no tiene solución entonces su respectivo dual o primal no tendrán
solución.
• Sea «A» un modelo primal cuyo modelo dual es «B», el modelo dual de «B» es igual a «A», es
decir «El modelo dual de un dual es un modelo primal».

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/dualidad-en-
programacionlineal/#:~:text=Teoremas%20de%20la%20dualidad%20en,soluci%C3%B3n% 2C%20ser%C3%A1

https://www.uv.es/~sala/Clase11.pdf

➢ INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD

http://files.uladech.edu.pe/docente/32793925/INVE_OPER/Contenidos%20Unidad%202/Teoria_Dualidad.pdf

Un problema de programación lineal está destinado a la optimización de determinados recursos

económicos.

Los problemas “primales” consisten en maximizar una función objetivo sometida a un conjunto
de restricciones representadas por inecuaciones.

La interpretación económica de estos valores está dada por los siguientes elementos:

• Las variables 𝒙𝒊 pueden interpretarse como los términos desconocidos de los productos
que se fabricarán.
• Los 𝒃𝒊 son las cantidades disponibles de recursos para elaborar los productos.
• Los términos 𝒂𝒊𝒋 son las cantidades necesarias del 𝒓𝒆𝒄𝒖𝒓𝒔𝒐 𝒊 para producir una unidad
del 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐 𝒋.
• Las restricciones representarán la limitación de los recursos disponibles para fabricar los
productos.
• El objetivo del fabricante será obtener un beneficio máximo, o sea, maximizar los
beneficios, con lo cual 𝑪𝒋 serán los beneficios por cada unidad producida del
𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐 𝒋.

A partir de las relaciones primal-dual, se interpretarán económicamente los términos del

anterior, esto es:

✓ 𝒚𝒊 : Contribución a la ganancia por cada unidad del 𝒓𝒆𝒄𝒖𝒓𝒔𝒐 𝒊. Estas variables del
problema dual reciben el nombre de precios de sombra.
 Modelos Lineales

449
✓ 𝒚𝒊 ≥ 𝟎: La ganancia por cada unidad del 𝒓𝒆𝒄𝒖𝒓𝒔𝒐 𝒊, debe ser no negativa, de lo
contrario sería mejor no utilizar este recurso en absoluto.
✓ 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝑶𝒃𝒋𝒆𝒕𝒊𝒗𝒐: Es la minimización total del valor implícito de los recursos
consumidos por las actividades. En general el precio sombra de una restricción
proporciona el cambio en el valor de la función objetivo como resultado de un cambio
unitario en el término independiente de la restricción, suponiendo que el resto de
parámetros del problema permanecen inalterados.

En muchos problemas de programación lineal los precios sombra son tan importantes como la
solución del problema, ya que proporcionan información sobre el efecto en la función objetivo
de cambios en los recursos disponibles.

➢ CONCEPTO DE PRECIO SOMBRA (PRECIO Y COSTO MARGINAL)

✓ PRECIOS SOMBRA

http://naslymarcela.blogspot.com/2011/04/precios-sombra.html

También llamados precios teóricos o precios de referencia.

Los precios sombra vienen dados por los valores de las variables en el óptimo del programa dual
de un problema de programación lineal, aunque bajo determinados supuestos se puede hablar
también de precios sombra en problemas de programación no lineal, cuando el problema primal
es el consistente en asignar unos recursos económicos limitados a usos productivos alternativos.

Son unos precios de equilibrio que responden al aprovechamiento más eficiente de los recursos
productivos; una especie de precios naturales o precios justos;

Los precios que deberían regir en el mercado si el modelo de competencia

funcionara correctamente.

✓ PRECIO SOCIAL O SOMBRA

Este concepto es utilizado en el contexto de la Economía y las finanzas públicas.

El Precio Social o Precio Sombra, llamado también precio de cuenta:
 Modelos Lineales

450
Es una medida monetaria del cambio en el bienestar de la comunidad debido a un
cambio muy pequeño en la disponibilidad de Bienes finales o Factores de
Producción.
Dicho de otra forma:

El Precio Sombra es el Valor de la contribución a los objetivos socio-económicos

de un cambio marginal del Bien o factor.

https://image.slidesharecdn.com/preciossombra-170103150711/95/precios-sombra-3-
638.jpg?cb=1483456037

https://static.docsity.com/documents_pages/2019/09/05/21258119cd3dfcda345c2557ff907a08.png
 Modelos Lineales

451

https://image2.slideserve.com/3637059/slide42-l.jpg

https://slideplayer.es/slide/3422806/12/images/35/Precios+Sombra+Se+asocia+un+precio+sombra+a+cada+restric
ci%C3%B3n.jpg
 Modelos Lineales

452

https://image.slidesharecdn.com/programacionlineal-1227233233244278-8/95/programacion-lineal-34-
728.jpg?cb=1227204815

https://www.udc.es/grupos/fysig/carlos/descontinuados/Jun14/cambiolimR1.JPG
 Modelos Lineales

453

CÁLCULO GRÁFICO DEL PRECIO SOMBRA DE UNA RESTRICCIÓN

https://www.gestiondeoperaciones.net/wp-content/uploads/2011/07/Resolucion-Grafica-PL.gif
 Modelos Lineales

454
https://i.ytimg.com/vi/FnLhNogsi_I/maxresdefault.jpg

https://i.ytimg.com/vi/F2_SdahAEFM/maxresdefault.jpg

El concepto es fundamental en evaluación social de proyectos, por cuanto ella se realiza sobre la
base de precios sociales.

La valoración de los bienes realizada por los agentes individuales puede diferir del valor social de
dichos bienes debido a la presencia de distorsiones, las que en definitiva generan diferencias
entre los Precios de Mercado y los precios sociales.

Estas distorsiones aún pueden existir en situaciones de competencia casi perfecta, como es el
caso de las Externalidades.

Este precio sombra lo podríamos definir como:

El precio de referencia que tendría un bien en condiciones de competencia

perfecta, incluyendo los costos sociales además de los costos privados.

El precio sombra representa el costo oportunidad de producir o consumir un bien o servicio.

 Modelos Lineales

455
Un bien o servicio puede no tener un precio de mercado; sin embargo, siempre es posible
asignarle un precio sombra, que permite hacer un análisis de costo-beneficio y cálculos de
programación lineal.

Es el significado del multiplicador de Lagrange, el cual representa la variación de un objetivo dado

cuando se cuenta con una unidad adicional de un cierto recurso limitado.
Además cabe aclarar que el precio sombra también es uno de los estudios más importantes de la
programación lineal cuando del método simplex se trata.

El precio sombra se aplica a nuestra economía:

Aun cuando la evaluación económica puede efectuarse como precios de mercado, muchos
autores argumentan que estos precios no son representativos del valor real de los bienes y
servicios por que el mercado no funciona libremente según las leyes de oferta y demanda si no
que están deformados por la existencia de:

• Reglamentaciones,
• Preferencias, y
• Prohibiciones gubernamentales

Situaciones mediante las cuales se establecen subsidios, impuestos precios preferenciales,

exenciones tributarias, que se aplican en nuestra vida social con optimización de beneficios
compatibles con recursos que sugieren entonces a la necesidad.

Un ejemplo práctico. Imagine una empresa que emplea a 50 personas para hacer calzado. El
precio sombra es la cantidad de calzados adicionales que podrían ser producidos mediante el
empleo de una persona adicional. En la figura también se indica la cantidad de la empresa que
puede permitirse el lujo de pagar a esa persona antes de agregar que en realidad les va a costar
dinero en general.

Tomado de: https://www.ecured.cu/Precio_sombra

 Modelos Lineales

456

TIPS
Recuerde que:

Los precio sombra representa el costo de oportunidad de producir o

consumir un bien o servicio en un problema de programación lineal.

Un bien o servicio puede no tener un precio de mercado; sin

embargo, siempre es posible asignarle un precio sombra, que
permite hacer un análisis de costo-beneficio.

Es el significado del multiplicador de Lagrange, el cual representa la

variación de un objetivo dado cuando se cuenta con una unidad
adicional de un cierto recurso limitado.

El precio sombra, es el valor por una unidad extra del recurso, ya que
el costo del recurso no es incluido en el cálculo de los coeficientes
de la función objetivo.

Cuando se tienen las dos soluciones, la solución dual se denomina de

precios sombra.

Los valores de las variables duales en la optimización corresponden

al valor de las tasas marginales de variación del valor de la función
objetivo ante las variaciones unitarias del lado derecho de una
restricción. Por este motivo se le llama precio sombra al vector de
variables duales en el valor óptimo.

Se podría incrementar la función objetivo en la magnitud del precio

sombra si se tuviera una unidad adicional de ese recurso, esto es, el
fabricante puede aumentar su ganancia total en el precio sombra de
un recurso, si dispone de una unidad adicional de ese recurso.

El precio sombra de un recurso es la cantidad máxima que debe

pagar un fabricante por una unidad adicional de ese recurso.
 Modelos Lineales

457
➢ CÁLCULO GRÁFICO DEL PRECIO SOMBRA DE UNA RESTRICCIÓN

https://www.gestiondeoperaciones.net/programacion_lineal/como-calcular-graficamente-el-precio-
sombra-de-una-restriccion/

El Precio Sombra de una restricción en Programación Lineal indica cuánto cambia el valor de la función
objetivo (óptimo) ante una variación marginal del lado derecho de una restricción.

Se asume que el resto de los parámetros del modelo permanecen constantes. De antemano es
conveniente señalar que el Precio Sombra puede ser positivo, cero o negativo, en el desarrollo del tema
se irán evaluando cada uno de estos escenarios.

11.4.1 EJERCICIO DE APRENDIZAJE

A continuación, se calculará el precio sombra de una restricción en el siguiente modelo de
Programación Lineal:

𝑴𝒂𝒙 𝟑𝒙 + 𝟖𝒚

Sujeto a:

𝟐𝒙 + 𝟒𝒚 ≤ 𝟏. 𝟔𝟎𝟎 (𝑹𝟏 )
𝟔𝒙 + 𝟐𝒚 ≤ 𝟏𝟕𝟎𝟎 (𝑹𝟐 )
𝒚 ≤ 𝟑𝟓𝟎 (𝑹𝟑 )
𝒙≥𝟎
𝒚≥𝟎

La solución óptima de este modelo está dada por:

𝑥 = 100 , 𝑥 = 350, con valor óptimo 𝑉(𝑃) = 3.100

Solución dada por resolución con Solver de Excel (también se pude utilizar la solución gráfica del
programa de GeoGebra).
 Modelos Lineales

458
El siguiente diagrama muestra la solución óptima obtenida gráficamente en el vértice C, que
corresponde a la intersección de la restricción 1 (R1: color rojo) y la restricción 3 (R3: color gris),
siendo ésta una solución básica factible óptima.

Si se desea conocer cuánto cambiará el valor óptimo (respecto a su valor actual) si se aumenta
en una unidad el lado derecho de la restricción 1 pero sin resolver nuevamente el problema. El
precio sombra permite dar respuesta a dicha interrogante y permite anticipar el nuevo valor
óptimo ante una variación marginal del lado derecho de una restricción.

Un variación marginal de un lado derecho implica que la nueva solución óptima

se seguirá encontrando con las actuales restricciones activas, es decir, aquellas
que se cumplen en igualdad en el óptimo (esto es se conserva la base óptima).

En el caso de la restricción 1 si se aumenta su lado derecho, ésta se desplazará en forma paralela

hacia arriba. Si se busca garantizar que la nueva solución óptima aún se encontrará con 𝑹𝟏 𝒚 𝑹𝟑
activas se llegará al vértice donde actualmente se interceptan la 𝑹𝟐 𝒚 𝑹𝟑 que corresponden a la
coordenada 𝑥 = 166,67 , 𝑦 = 350 (ésta será la máxima variación).

En forma similar, si se disminuye el lado derecho de la restricción 1 y se busca mantener

𝑹𝟏 𝒚 𝑹𝟑 activas en el nuevo óptimo, el último punto donde se garantiza esto es el 𝒗é𝒓𝒕𝒊𝒄𝒆 𝑩
cuyas coordenadas están dadas por 𝑥 = 0 , 𝑦 = 350 (ésta será la menor variación).

Ahora se calcula el precio sombra de la restricción 1, esto es:

 Modelos Lineales

459
𝒇(𝟏𝟔𝟔, 𝟔𝟕, 𝟑𝟓𝟎)) − 𝒇(𝟎, 𝟑𝟓𝟎)
∏𝟏 = = 𝟏, 𝟓
𝒃∗𝟏 (𝟏𝟔𝟔, 𝟔𝟕, 𝟑𝟓𝟎)) − 𝒃𝟏 (𝟎, 𝟑𝟓𝟎)

Este precio sombra es válido sí y solo si:

El lado derecho de la restricción 1 (actualmente 𝒃𝟏 = 1.600) varía entre [1.400,1.733,33].

Por ejemplo, si el lado derecho de 𝑹𝟏 aumenta de 𝟏. 𝟔𝟎𝟎 𝒂 𝟏. 𝟕𝟎𝟎 el nuevo valor óptimo está
dado por:

𝑉(𝑃) = 3.100 + 100 ∗ 1,5 = 3.250.

En forma similar: si el lado derecho de 𝑹𝟏 disminuye de 𝟏. 𝟔𝟎𝟎 𝒂 𝟏. 𝟓𝟓𝟎, el nuevo valor

óptimo está dado por:

𝑉(𝑃) = 3.100 − 50 ∗ 1,5 = 3.025.

Se debe tener presente que si la variación del lado derecho de la restricción 1 está por fuera del
intervalo [1.400,1.733,33]:

No se puede utilizar el precio sombra para predecir cuál será el nuevo valor
óptimo.
 Modelos Lineales

460
12 UNIDAD 12 ANÁLISIS DE SENSIBILIDAD
12.1.1 OBJETIVO GENERAL
➢ Identificar el impacto que resulta en los resultados del problema original luego de
determinadas variaciones en los parámetros, variables o restricciones del modelo, sin que
esto pase por resolver el problema.

12.1.2 OBJETIVOS ESPECÍFICOS

➢ Determinar cada uno de los siguientes elementos en el proceso de sensibilidad:

➢ Cambios en las restricciones.

➢ Cambios en los coeficientes (precios) de la función objetivo.

➢ Cambio en los coeficientes de la matriz.

➢ Adición de nuevas variables al problema.

➢ Adición de nuevas ecuaciones de restricción.

12.2 TEMA 1 SENSIBILIDAD

✓ Cambios en las restricciones.

✓ Cambios en los coeficientes (precios) de la función objetivo.

✓ Cambio en los coeficientes de la matriz.

✓ Adición de nuevas variables al problema.

✓ Adición de nuevas ecuaciones de restricción.

https://www.guiasjuridicas.es/Content/Documento.aspx?params=H4sIAAAAAAAEAMtMSbF1jTAAASNDSzNztbLUou
LM_DxbIwMDS0MDIwuQQGZapUt-
ckhlQaptWmJOcSoAvN7tEzUAAAA=WKE#:~:text=Siguiendo%20la%20programaci%C3%B3n%20lineal%2C%20el,dat
os%20iniciales%20del%20programa%20productivo.
 Modelos Lineales

461
Para obtener los Informes de Sensibilidad de un modelo de Programación Lineal se puede hacer uso de
herramientas computacionales como Solver de Excel, sin embargo, en esta oportunidad nos enfocaremos
en el cálculo del precio sombra de una restricción en forma gráfica, lo que nos ayudará más adelante a
entender los conceptos que fundamentan los resultados de Solver.

➢ CONCEPTO DE SENSIBILIDAD

La dirección de operaciones de una empresa, no sólo se preocupa por la solución óptima de un

problema de producción. Además de conocer el valor exacto de cada variable del programa
productivo, es necesario conocer hasta qué punto esta solución obtenida es factible frente a
algún cambio o alteración en cualquiera de los parámetros del problema. Esto se debe al hecho
de que la solución obtenida se basa en que los datos de partida son constantes. Esto es posible
únicamente para periodos de tiempo muy cortos, dado el contexto económico actual, en el cual
se producen numerosos cambios con gran rapidez.

Por tal motivo, el análisis de sensibilidad adquiere una mayor trascendencia, permitiendo
conocer qué ocurre con la solución óptima actual ante cambios en alguna de las variables del
problema, es decir:

Entre qué valores pueden variar los parámetros sin que se produzcan cambios
importantes en la solución óptima.

Existen dos tipos de planteamientos para determinar la sensibilidad de los parámetros del
programa productivo:

PLANTEAMIENTO CARACTERÍSTICAS

En primer lugar, estaría: El cual requiere mucho tiempo y supone la resolución

de todo el problema cada vez que se realiza algún
El Método de prueba y error. cambio.

De manera que, una vez resuelto el problema de

En segundo lugar, estaría:
programación lineal, se definen los intervalos de
El método analítico de valores entre los que se puede mover cada una de
postoptimalidad. las variables, de forma que la solución óptima no
se vea afectada.
 Modelos Lineales

462
El segundo método es el que se va a implementar para realizar el análisis de sensibilidad de una
empresa que se va tomar como ejemplo.

Ante de iniciar con el análisis de sensibilidad se retomará el método Simplex, para realizar con
gran detalle este análisis:

Recordemos de temas anteriores lo que es la programación Lineal:

La programación lineal es una técnica matemática muy utilizada en la dirección de operaciones,

ya que permite tomar decisiones rápidas en la asignación eficiente de los recursos limitados.

Un proceso productivo se define como:

La combinación de factores que, utilizando una tecnología dada, nos permiten

obtener un producto.

Es importante definir el periodo de tiempo para el cual la información es válida. Por ello, la
definición del número de variables y de ecuaciones (restricciones y limitaciones) es algo que lo
determina el propio empresario, según las características de la empresa en un momento dado.

Los requisitos de un problema de programación lineal son los siguientes:

a) Tiene como objetivo maximizar o minimizar alguna cantidad. En la empresa, se maximizan

beneficios y se minimizan costos. El fin prioritario de cualquier empresa tipo es la
maximización de su beneficio, así como el incremento del valor de las acciones que la
constituyen. Toda esta información se recoge en la función objetivo.

b) La existencia de restricciones que limitan el nivel de producción y venta que se pretende

alcanzar. Dichas restricciones suelen estar relacionadas con la cantidad de factores
disponibles, tales como las unidades de material, las horas de trabajo, entre otros.

c) Tienen que existir diferentes alternativas de elección, de productos y de procesos, de manera

que el empresario pueda elegir a la hora de asignar los recursos.

d) Tanto la función objetivo como las restricciones deben estar expresadas en ecuaciones
lineales o desigualdades.

➢ ELEMENTOS DE LA FUNCIÓN:
 Modelos Lineales

463
a) La función objetivo, se da de dos formas:

FUNCIÓN OBJETIVO CARACTERÍSTICAS

1) Función a maximizar 𝑴𝒂𝒙: 𝒄𝟏 𝒙𝟏 + 𝒄𝟐 𝒙𝟐 + ⋯ 𝑪𝒏 𝒙𝒏

Si se trata de rendimientos o beneficios.

2) Función a minimizar 𝑴𝒊𝒏: 𝒚𝟏 𝒙𝟏 + 𝒚𝟐 𝒙𝟐 + ⋯ 𝒚𝒏 𝒙𝒏

Si se trata de costos.

Dónde:

• 𝒇(Õ): Es la función objetivo lineal a maximizar o minimizar.

• 𝑪𝒋: Son los rendimientos directos unitarios de los procesos 𝒋 (𝟏, 𝟐, . . . . . , 𝒏) cuando la
función objetivo es de máximo.

Los rendimientos o márgenes unitarios son la diferencia entre el

precio y el costo.

• 𝒚𝒊: Son los costos unitarios de los factores 𝒊 (𝟏, 𝟐, . . . . . , 𝒎) si la función objetivo es de
mínimo.

𝒙𝒋: Es el nivel de producción, o la utilización de un proceso productivo 𝒋, o el número de

veces que se utiliza el proceso, si la función objetivo es de máximo. En el caso de que la
función objetivo sea de mínimos, son las cantidades de los recursos o factores 𝒊
empleados.

a) Las ecuaciones de restricción: Cuando la función objetivo sea para maximizar, están dadas
por:
𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + ⋯ + 𝒂𝟏𝒏 𝒙𝒏 ≤ 𝒃𝟏

𝒂𝟐𝟏 𝒙𝟏 + 𝒂𝟐𝟐 𝒙𝟐 + ⋯ + 𝒂𝟐𝒏 𝒙𝒏 ≤ 𝒃𝟐

⋮
 Modelos Lineales

464
𝒂𝒎𝟏 𝒙𝟏 + 𝒂𝒎𝟐 𝒙𝟐 + ⋯ + 𝒂𝒎𝒏 𝒙𝒏 ≤ 𝒃𝒎

Dónde:

• 𝒂𝒊𝒋: son los coeficientes técnicos y representan la cantidad de factor 𝒊 (𝟏, 𝟐, . . . , 𝒎)

necesaria para fabricar una unidad de producto 𝒋 (𝟏, 𝟐, . . . . . , 𝒏). Estos coeficientes técnicos
forman la denominada matriz tecnológica o de coeficientes técnicos de la empresa (𝑨𝒎𝒙𝒏).
Todos estos coeficientes unitarios los tiene que conocer el empresario, a través de los técnicos
o ingenieros que lo diseñan. Cada columna de esta matriz representa un proceso productivo
𝑷𝒋.
• 𝒙𝒋: son los niveles de producción. Forman 𝒖𝒏 𝒗𝒆𝒄𝒕𝒐𝒓 𝒇𝒊𝒍𝒂 (𝑿).
• 𝒃𝒎: son los recursos disponibles para la empresa. Su valor absoluto dependerá de la
dimensión empresarial. Forman 𝒖𝒏 𝒗𝒆𝒄𝒕𝒐𝒓 𝒄𝒐𝒍𝒖𝒎𝒏𝒂 (𝒃). Ejemplo: número de horas
hombre.

En forma matricial, un programa que tiene como objetivo la maximización de los beneficios se
puede expresar de la siguiente manera:

𝑀𝑎𝑥 𝑓(𝑂̅) = 𝐶𝑥

𝐴𝑥 ≤ 𝑏

𝑥≥0

Donde:

• 𝑨 está dada por la Matriz:

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 ⋯ 𝒂𝟏𝒏

𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ⋯ 𝒂𝟐𝒏
𝑨 = 𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 ⋯ 𝒂𝟑𝒏
⋮ ⋮ ⋮ ⋮ ⋮
[𝒂𝒎𝟏 𝒂𝒎𝟐 𝒂𝒎𝟑 ⋯ 𝒂𝒎𝒏 ]

• 𝒃 está dado por:

 Modelos Lineales

465
𝒃𝟏
𝒃𝟐
𝒃 = 𝒃𝟑
⋮
[𝒃𝒎 ]

Para un determinado nivel de producción, siempre se tiene que cumplir esta restricción A 𝝌 ≤
𝒃, es decir, en el primer caso, significa que no se pueden consumir más factores de los que se
disponen (son recursos limitados). Siendo la cantidad producida nula o positiva: 𝝌 ≥ 𝟎

𝒂𝟏𝟏 𝒂𝟏𝟐 𝒂𝟏𝟑 ⋯ 𝒂𝟏𝒏 𝒃𝟏

𝒂𝟐𝟏 𝒂𝟐𝟐 𝒂𝟐𝟑 ⋯ 𝒂𝟐𝒏 𝒃𝟐
𝑨 = 𝒂𝟑𝟏 𝒂𝟑𝟐 𝒂𝟑𝟑 ⋯ 𝒂𝟑𝒏 𝒙 ≤ 𝒃𝟑
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
[𝒂𝒎𝟏 𝒂𝒎𝟐 𝒂𝒎𝟑 ⋯ 𝒂𝒎𝒏 ] [𝒃𝒎 ]

12.2.1 EJERCICIO DE APRENDIZAJE

Una pequeña empresa se dedica a la fabricación y venta de mobiliario de jardín. Para ello, cuenta
con tres procesos productivos: sillas plegables (P1), mesas de centro (P2) y sillones (P3). El precio
de venta unitario de cada producto y sus costos de fabricación variables (unitarios) están
determinados en el planteamiento del problema.

Procedimiento:

Para la solución del problema, la dirección de operaciones facilitó la siguiente información sobre
el proceso de fabricación mensual:

• La plantilla del departamento de montaje puede trabajar un total de 120 horas, siendo el
ritmo de trabajo el siguiente: 25 sillas plegables/hora, 5 mesas de centro/hora y 2
sillones/hora.

• Cada silla plegable requiere un 0,2% de capacidad, cada mesa de centro un 0,2% y cada
sillón un 0,4%. Debido a fallos de la maquinaria, dicha capacidad se ha visto reducida al
80%.

• La empresa puede disponer de 90 m3 de madera de teca. Se conoce que cada silla plegable
necesita un 0,2 metro, cada mesa de centro necesita 0,4 metros y cada sillón 0,5 metros.
 Modelos Lineales

466
El planteamiento del problema sería el siguiente:

𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒇(𝒙) = 𝟓𝟎𝒙𝟏 + 𝟔𝟎𝒙𝟐 + 𝟏𝟎𝟎𝒙𝟑

Sujeto a:

𝟎, 𝟒𝒙𝟏 + 𝟎, 𝟐𝒙𝟐 + 𝟎, 𝟓𝒙𝟑 ≤ 𝟏𝟐𝟎 (𝑯𝒐𝒓𝒂𝒔 𝒅𝒆 𝒕𝒓𝒂𝒃𝒂𝒋𝒐)

𝟎, 𝟐𝒙𝟏 + 𝟎, 𝟐𝒙𝟐 + 𝟎, 𝟒𝒙𝟑 ≤ 𝟖𝟎 (𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒅𝒆𝒍 𝒅𝒆𝒑𝒂𝒓𝒕𝒂𝒎𝒆𝒏𝒕𝒐)

𝟎, 𝟐𝒙𝟏 + 𝟎, 𝟒𝒙𝟐 + 𝟎, 𝟓𝒙𝟑 ≤ 𝟗𝟎 (𝒎𝟑 𝒅𝒆 𝒎𝒂𝒅𝒆𝒓𝒂 𝒅𝒆 𝒕𝒆𝒄𝒂)

Representando las restricciones en Forma matricial, quedaría:

𝟎, 𝟒 𝟎, 𝟐 𝟎, 𝟓 𝟏𝟐𝟎
𝑨 = [𝟎, 𝟐 𝟎, 𝟐 𝟎, 𝟒] ; 𝒃 = [ 𝟖𝟎 ]
𝟎, 𝟐 𝟎, 𝟒 𝟎, 𝟓 𝟗𝟎
Nota 1: Para resolver un problema de Programación Lineal existen diversas formas, tales como:

• El método gráfico,

• El método de las rectas isobeneficios, o

• El método de los vértices,

Siendo aplicable cualquiera de ellos cuando la empresa no elabora más de dos productos
diferentes. Sin embargo, este hecho no suele darse en el mundo empresarial real, ya que el
abanico de productos suele ser mayor. Por lo tanto, nos encontramos ante un espacio con
numerosas soluciones factibles, pero existirá una que sea la mejor en función del objetivo
perseguido.

Para resolver este problema se utilizará el procedimiento del Algoritmo del Simplex (definido con
anterioridad en el desarrollo del proceso).

Recuerde que para el desarrollo del Algoritmo del Simplex se parte de un programa base sobre el
que se realizan iteraciones, esto es:

De una solución básica se va pasando a soluciones o puntos extremos mejores,

hasta alcanzar la solución óptima.
 Modelos Lineales

467
Nota 2: Si la organización se encuentra en un punto dentro del espacio de soluciones factibles y
se quiere conseguir un acercamiento a una situación mejorada, se deberán analizar los
rendimientos marginales:

𝑾𝒋 : que están dados por la diferencia entre los rendimientos directos (𝑪𝒋 ) y los rendimientos
indirectos (𝒁𝒋 ) y su disminución hasta llegar a la solución óptima, donde todos los rendimientos
marginales son menores o iguales a cero (𝑾𝒋 ≤ 𝟎).

Nota 3: El problema que se presenta al trabajar con el Algoritmo Simplex es que no permite
trabajar con desigualdades, por lo que las inecuaciones correspondientes a las restricciones
deben convertirse en ecuaciones. Para ello, se introducen los procesos de holgura con un
coeficiente técnico unitario, tantos como desigualdades tenga el programa productivo.

En el desarrollo del problema planteado la matriz tecnológica ampliada (se agrega la Matriz
Identidad), está dada por:

𝟎, 𝟒 𝟎, 𝟐 𝟎, 𝟓 𝟏 𝟎 𝟎
𝑨 = [𝟎, 𝟐 𝟎, 𝟐 𝟎, 𝟒 𝟎 𝟏 𝟎]
𝟎, 𝟐 𝟎, 𝟒 𝟎, 𝟓 𝟎 𝟎 𝟏
En el caso de que alguna variable de holgura forme parte de la solución óptima, tomando un
valor positivo, indicará la existencia de cierta cantidad de ese factor disponible y no utilizado en
la producción de bienes reales, resultando ocioso. Por lo tanto, el significado económico de una
variable de holgura es la capacidad inactiva o desocupada del factor correspondiente.

El rendimiento directo de estas variables en la función objetivo es igual a cero. Además, estas
variables constituyen la solución básica inicial (matriz identidad).

Aplicando el Algoritmo del Simplex a la empresa se tendrían las iteraciones que se muestran a
continuación en el siguiente cuadro:

𝐶𝑢𝑎𝑑𝑟𝑜 1: 𝐼𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎 𝐴𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝐴𝑙𝑔𝑜𝑟𝑖𝑡𝑚𝑜 𝑑𝑒𝑙 𝑆𝑖𝑚𝑝𝑙𝑒𝑥

𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝐻𝑜𝑙𝑔𝑢𝑟𝑎𝐻𝑜𝑙𝑔𝑢𝑟𝑎𝐻𝑜𝑙𝑔𝑢𝑟𝑎
𝑆𝑖𝑙𝑙𝑎𝑠𝑀𝑒𝑠𝑎𝑠 𝐶𝑒𝑛𝑡𝑟𝑜
𝑆𝑖𝑙𝑙𝑜𝑛𝑒𝑠 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑
1 2 3
𝐷𝑖𝑟𝑒𝑐𝑡𝑜𝑠 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝐵á𝑠𝑖𝑐𝑎𝑠
𝐶𝑗 50 60 100 1 0 0

𝑰𝒕𝒆𝒓𝒂𝒄𝒊ó𝒏 𝟏
 Modelos Lineales

468
𝑪𝒋 − 𝒁𝒋 50 60 100 0 0 0

0 𝒉𝒐𝒍𝒈 𝟏 0,4 0,2 0,5 1 0 0 120

0 𝒉𝒐𝒍𝒈 𝟐 0,2 0,2 0,4 0 1 0 80

0 𝒉𝒐𝒍𝒈 𝟑 0,2 0,4 0,5 0 0 1 90

𝑰𝒕𝒆𝒓𝒂𝒄𝒊ó𝒏 𝟐

10 -20 0 0 0 -200
𝑪𝒋 − 𝒁𝒋

0 𝒉𝒐𝒍𝒈 𝟏 0,2 -0,2 0 1 0 -1 30

0 𝒉𝒐𝒍𝒈 𝟐 0,04 -0,12 0 0 1 -0,8 8

100 𝑺𝒊𝒍𝒍𝒐𝒏𝒆𝒔 0,4 0,8 1 0 0 2 180

𝑰𝒕𝒆𝒓𝒂𝒄𝒊ó𝒏 𝟑

0 -10 0 -50 0 -150

𝑪𝒋 − 𝒁𝒋

50 𝑺𝒊𝒍𝒍𝒂𝒔 1 -1 0 5 0 -5 150

0 𝒉𝒐𝒍𝒈 𝟐 0 -0,08 0 -0,2 1 -0,6 2

100 𝑺𝒊𝒍𝒍𝒐𝒏𝒆𝒔 0 1,2 1 -2 0 4 120

Fuente: Basado en resultados del Programa POM de Windows.

Por lo tanto, la solución óptima para el programa de producción estaría formada por los procesos:

𝑷𝟏, 𝑷𝟑 𝒚 𝑷𝟓.
 Modelos Lineales

469
𝐶𝑢𝑎𝑑𝑟𝑜 2: 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 ó𝑝𝑡𝑖𝑚𝑎 𝑒𝑛 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑓í𝑠𝑖𝑐𝑎𝑠 𝑦 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑚𝑜𝑛𝑒𝑡𝑎𝑟𝑖𝑎𝑠

𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝑽𝒂𝒍𝒐𝒓

𝑺𝒊𝒍𝒍𝒂𝒔 (𝒖. 𝒇. ) 150

𝑺𝒊𝒍𝒍𝒐𝒏𝒆𝒔 (𝒖. 𝒇. ) 120

𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑯𝒐𝒍𝒈𝒖𝒓𝒂 𝟐 (𝒖. 𝒇. ) 2

𝑽𝒂𝒍𝒐𝒓 𝑭𝒖𝒏𝒄𝒊ó𝒏 𝑶𝒃𝒋𝒆𝒕𝒊𝒗𝒐 (€) 19500

Fuente: Basado en resultados del programa POM de Windows.

De acuerdo con los resultados obtenidos, si la empresa quiere obtener un beneficio máximo
mensual de 19.500 debe fabricar y vender 150 sillas y 120 sillones.

Por otro lado, el hecho de que la variable de holgura 2 tome un valor positivo de dos unidades,
implica la existencia de un 2% de capacidad ociosa del departamento de producción (segunda
restricción).

12.3 TEMA 2 TIPOS DE ANÁLISIS DE SENSIBILIDAD

El análisis de sensibilidad, en la programación Lineal, se centra en estudiar los efectos que
provocan en la solución óptima los posibles cambios de los datos iniciales del programa
productivo.

Los cambios pueden tener su origen en una de las siguientes causas:

a) Variaciones en los términos independientes de las ecuaciones de restricción, es decir,

en la cantidad disponible de factores.

b) Variaciones en los coeficientes de la función objetivo. En el caso de que el problema

sea de maximización de beneficios, los coeficientes de la función objetivo hacen
referencia a los rendimientos directos de los productos.
 Modelos Lineales

470
c) La introducción de nuevos procesos.

d) La variación de algún coeficiente técnico.

e) La introducción de una nueva restricción.

Para el problema que se viene desarrollando, nos vamos a centrar en los dos primeros análisis.

Para esto, el conocimiento de la matriz inversa del programa base permitirá analizar la
repercusión que tendrán sobre la solución óptima las distintas variaciones en el planteamiento
inicial del problema.

➢ VARIACIONES EN LOS TÉRMINOS INDEPENDIENTES DE LAS ECUACIONES DE RESTRICCIÓN

Los términos independientes de las restricciones suelen representar la cantidad máxima

disponible de cada uno de los factores productivos (𝒃𝒎 ). En el ejercicio que se está desarrollando
se estaría hablando de tres factores:

• Horas de trabajo (𝒃𝟏 ),

• Capacidad del departamento de producción (𝒃𝟐 ), y
• Unidades de material (𝒃𝟑 ).

El análisis de sensibilidad indica qué ocurre con la región de soluciones factibles y con la solución
óptima si se produce alguna alteración en la cantidad disponible de los recursos que se han
mencionado anteriormente.

Al introducir los procesos de holgura, todas las restricciones del programa se han convertido en
igualdades, esto es:

𝑨𝒙 = 𝒃

Donde:

▪ 𝑨 la matriz tecnológica,
▪ 𝒙 el nivel de producción o actividad, y
▪ 𝒃 el vector recursos.
 Modelos Lineales

471
Como la matriz tecnológica es rectangular y sólo se puede trabajar con matrices cuadradas, se
parten de programas bases (𝑩). En el caso que se está desarrollando, serán combinaciones de
tres de los procesos que forman dicha matriz, de tal manera que:

𝑩𝒙 = 𝒃

La solución óptima en unidades físicas, se obtiene de la siguiente forma:

𝒙 = 𝑩−𝟏 𝒃

De tal forma que el resultado tiene que ser mayor o igual a cero. Por ello, si se altera uno de los
componentes del vector 𝑏 se tiene que verificar:

𝑩−𝟏 𝒃 ≥ 𝟎

Para el problema en cuestión, la matriz inversa del programa base está dada por:

𝟓 𝟎 −𝟓
−𝟏
𝑩 = [ −𝟐 𝟎 𝟒 ]
−𝟎, 𝟐 𝟏 −𝟎, 𝟔
Actividad: demostrar que si es la matriz inversa de 𝑩.

Esta expresión determinará la solución del problema teniendo en cuenta la alteración

introducida.

Nota: Los términos independientes no condicionan los valores de los rendimientos marginales.

Utilizando el software POM for Windows, se obtienen los siguientes valores:

𝐶𝑢𝑎𝑑𝑟𝑜 3: 𝐴𝑛á𝑙𝑖𝑠𝑖𝑠 𝑑𝑒 𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑜𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒

𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛

𝑬𝒙𝒄𝒆𝒔𝒐 𝑽𝒂𝒍𝒐𝒓 𝑳í𝒎𝒊𝒕𝒆 𝑳í𝒎𝒊𝒕𝒆

𝑹𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊ó𝒏 𝑽𝒂𝒍𝒐𝒓 𝑫𝒖𝒂𝒍
𝑯𝒐𝒍𝒈𝒖𝒓𝒂 𝑶𝒓𝒊𝒈𝒊𝒏𝒂𝒍 𝒊𝒏𝒇𝒆𝒓𝒊𝒐𝒓 𝑺𝒖𝒑𝒆𝒓𝒊𝒐𝒓

𝑯𝒐𝒓𝒂𝒔 𝒅𝒆 𝒕𝒓𝒂𝒃𝒂𝒋𝒐 50 0 120 90 130

𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝑫𝒑𝒕𝒐. 0 2 80 78 Infinito

 Modelos Lineales

472
𝐶𝑢𝑎𝑑𝑟𝑜 3: 𝐴𝑛á𝑙𝑖𝑠𝑖𝑠 𝑑𝑒 𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑜𝑠 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒
𝑙𝑎𝑠 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛

𝑬𝒙𝒄𝒆𝒔𝒐 𝑽𝒂𝒍𝒐𝒓 𝑳í𝒎𝒊𝒕𝒆 𝑳í𝒎𝒊𝒕𝒆

𝑹𝒆𝒔𝒕𝒓𝒊𝒄𝒄𝒊ó𝒏 𝑽𝒂𝒍𝒐𝒓 𝑫𝒖𝒂𝒍
𝑯𝒐𝒍𝒈𝒖𝒓𝒂 𝑶𝒓𝒊𝒈𝒊𝒏𝒂𝒍 𝒊𝒏𝒇𝒆𝒓𝒊𝒐𝒓 𝑺𝒖𝒑𝒆𝒓𝒊𝒐𝒓

𝑴𝒂𝒅𝒆𝒓𝒂 𝒅𝒆 𝒕𝒆𝒄𝒂 150 0 90 60 93,33

Fuente: Basado en resultados del programa POM de Windows.

En función de los datos obtenidos del programa, se puede observar que:

✓ Si las horas de trabajo (𝒃𝟏 ) están comprendidas entre 𝟗𝟎 𝒚 𝟏𝟑𝟎 la solución óptima seguirá
siendo (𝑷𝟏, 𝑷𝟑 𝒚 𝑷𝟓).
✓ Si la capacidad del Departamento de Producción (𝒃𝟐 ) es superior al 78%, la solución
óptima se mantiene.
✓ Si los metros cúbicos de madera de teca (𝒃𝟑 ) están comprendidos entre 𝟔𝟎 𝒚 𝟗𝟑, 𝟑𝟑, la
solución óptima seguirá siendo la misma.

➢ VARIACIONES EN LOS RENDIMIENTOS DIRECTOS DE LOS PRODUCTOS DE LA FUNCIÓN

OBJETIVO

Para analizar estas variaciones también se utilizará la matriz inversa 𝑩−𝟏 , pero teniendo en cuenta
que los coeficientes de la función objetivo sí condicionan los valores de los rendimientos
marginales.

Se pueden distinguir dos casos:

a) La variable cuyo rendimiento directo se modificó no forma parte de la solución óptima:

En este caso no es necesario calcular de nuevo los rendimientos indirectos (𝒁𝒋 ) , ya que
permanecen inalterados. Sólo hay que determinar los rendimientos marginales (𝑾𝒋 ), teniendo
en cuenta la modificación de los rendimientos directos. Para que la solución siga siendo óptima
todos los rendimientos marginales deben ser negativos o nulos, por lo que se debe verificar que:

𝑾𝒋 = 𝑪𝒋 − 𝒁𝒋 ≤ 𝟎
 Modelos Lineales

473

B) La variable cuyo rendimiento directo modificado sí forma parte de la solución óptima:

En este caso se modifican todos los rendimientos marginales, por lo que habrá que volver a
calcular las diferencias 𝑪𝒋 − 𝒁𝒋. Como los rendimientos directos 𝑪𝒋 son conocidos, bastará con
volver a calcular los rendimientos indirectos 𝒁𝒋 , dejándolos en función del rendimiento directo
que se ha visto alterado.

Estos rendimientos se calculan mediante la siguiente ecuación:

𝒁𝒋 = 𝑪𝒊 × 𝑿𝒊𝒋

Donde cada uno de estos elementos está definido de la siguiente manera:

▪ 𝑾𝒋 : Los rendimientos marginales de todos los procesos de la empresa. Se deducen como

diferencia entre los rendimientos directos e indirectos.
▪ 𝑪𝒋 : Los rendimientos directos de todos los procesos de la empresa, (incluidos los de
holgura).
▪ 𝑪𝒊 : Los rendimientos directos de los procesos que forman parte del programa base, posible
solución óptima. En nuestro caso: 𝑪𝟏 , 𝑪𝟑 , 𝑪𝟓 .
▪ 𝒁𝒋 : Los rendimientos indirectos de todos los procesos de la empresa.
▪ 𝑿𝒊𝒋 : Las aportaciones que hacen todos los procesos de la empresa (𝒋) a los que forman
parte del programa base (𝒊). Se calcula como el producto de 𝑩−𝟏 por la matriz tecnológica
𝑨 ampliada, incluidos los procesos de holgura.

En el problema que se ha venido realizando, se tiene que:

▪ 𝑪𝒊 = (𝟓𝟎 𝟏𝟎𝟎 𝟎)

𝟏 −𝟏 𝟎 𝟓 𝟎 −𝟓
▪ 𝑿𝒊𝒋 = [𝟎 𝟏, 𝟐 𝟏 −𝟐 𝟎 𝟒 ]
𝟎 −𝟎, 𝟎𝟖 𝟎 −𝟎, 𝟐 𝟏 𝟎, 𝟔
▪ 𝒁𝒋 = [𝟓𝟎 𝟕𝟎 𝟏𝟎𝟎 𝟓𝟎 𝟎 𝟏𝟓𝟎]
▪ 𝑾𝒋 = [𝟎 − 𝟏𝟎 𝟎 − 𝟓𝟎 𝟎 − 𝟏𝟓𝟎]

Una vez que se obtiene la salida del programa POM, los intervalos de variación de los
rendimientos serían los siguientes:
 Modelos Lineales

474
𝐶𝑢𝑎𝑑𝑟𝑜 4: 𝐴𝑛á𝑙𝑖𝑠𝑖𝑠 𝑑𝑒 𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑑𝑒
𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜

𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑁𝑖𝑣𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛𝐶𝑜𝑠𝑡𝑒 𝑟𝑒𝑑𝑢𝑐𝑖𝑑𝑜 𝑉𝑎𝑙𝑜𝑟 𝑜𝑟𝑖𝑔𝑖𝑛𝑎𝑙 𝐿í𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝐿í𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟

𝑆𝑖𝑙𝑙𝑎𝑠 150 0 50 40 60

𝑀𝑒𝑠𝑎𝑠
0 10 60 -Infinito 70
𝐶𝑒𝑛𝑡𝑟𝑜

𝑆𝑖𝑙𝑙𝑜𝑛𝑒𝑠 120 0 100 91,67 125

Fuente: Basado en resultados del Programa POM de Windows.

En función de los datos extraídos del programa, se puede observar que:

• Si el rendimiento directo de las sillas (𝑪𝟏 ) está comprendido entre 𝟒𝟎 € 𝒚 𝟔𝟎 €:

𝐿𝑎 𝒔𝒐𝒍𝒖𝒄𝒊ó𝒏 ó𝒑𝒕𝒊𝒎𝒂 seguirá siendo (𝑷𝟏 , 𝑷𝟑 , 𝑷𝟓 ).

• Si el rendimiento directo de las mesas de centro (𝑪𝟐 ) es 𝒊𝒏𝒇𝒆𝒓𝒊𝒐𝒓 𝒂 𝟕𝟎 €:

𝑳𝒂 𝒔𝒐𝒍𝒖𝒄𝒊ó𝒏 ó𝒑𝒕𝒊𝒎𝒂 𝒔𝒆 𝒎𝒂𝒏𝒕𝒊𝒆𝒏𝒆.

• Si el rendimiento directo de los sillones (𝑪𝟑 ) está comprendidas entre 𝟗𝟏´𝟔𝟕 € 𝒚 𝟏𝟐𝟓 €:

𝑳𝒂 𝒔𝒐𝒍𝒖𝒄𝒊ó𝒏 ó𝒑𝒕𝒊𝒎𝒂 seguirá siendo (𝑷𝟏 , 𝑷𝟑 , 𝑷𝟓 ).

12.3.1 TALLER DE ENTRENAMIENTO

Nota: Para cada uno de los problemas propuestos realiza completo el proceso, como se muestra
en el ejercicio de aprendizaje.
 Modelos Lineales

475
1) Tomado de: “Investigación de Operaciones”, H.A. Taha, página 150, 6ª edición)

HD produce dos modelos de artículos electrónicos, donde se usan resistores, capacitores y chips.
La tabla siguiente es un resumen de los datos en este caso:

REQUERIMIENTOS DE
RECURSOS POR UNIDADES
DISPONIBILIDAD MÁXIMA
RECURSO MODELO 1 MODELO 2
POR UNIDADES
(UNIDADES) (UNIDADES)
RESISTOR 2 3 1200
CAPACITOR 2 1 1000
CHIPS 0 4 800
UTILIDAD EN $ 3 4

La empresa pretende decidir qué cantidad de cada modelo debe producir para maximizar el
beneficio.

Nota: Realiza completo el proceso, como se muestra en el ejercicio de aprendizaje.

2) Grafique el intervalo de optimalidad (de coeficientes) y de factibilidad (restricciones) con la

siguiente información:

𝑴𝒂𝒙: 𝒁 = 𝟓𝒙𝟏 + 𝟒𝒙𝟐

Sujeto a:

𝟔𝒙𝟏 + 𝟒𝒙𝟐 ≤ 𝟐𝟒 (𝑹𝟏 )

𝒙𝟏 + 𝟐𝒙𝟐 ≤ 𝟔 (𝑹𝟐 )

−𝒙𝟏 + 𝒙𝟐 ≤ 𝟏 (𝑹𝟑 )

𝒙𝟐 ≤ 𝟐 (𝑹𝟒 )

𝒙𝟏 , 𝒙𝟐 ≥ 𝟎
 Modelos Lineales

476
3) Supongamos que una empresa produce dos líneas de productos distintos y resuelve el
siguiente problema de Programación Lineal, realizando todo el proceso hasta el análisis de
sensibilidad:

𝑴𝒂𝒙: 𝟓𝟎𝒙 + 𝟏𝟐𝟎𝒚

Sujeto a:

𝟐𝒙 + 𝟒𝒚 ≤ 𝟖𝟎
𝟑𝒙 + 𝒚 ≤ 𝟔𝟎
Queremos resolver el siguiente problema de Programación Lineal referido a una compañía que
produce dos tipos de lanchas acuáticas:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠: 30𝑥1 + 80𝑥2

Sujeto a:

2𝑥1 + 4𝑥2 ≤ 1000 (𝐻𝑜𝑟𝑎𝑠 𝑑𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒)

6𝑥1 + 2𝑥2 ≤ 1200 (𝐾𝑔. 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎 𝑝𝑟𝑖𝑚𝑎 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒)
𝑥2 ≤ 200 (𝑀𝑜𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎𝑛𝑐ℎ𝑎 𝑡𝑖𝑝𝑜 2 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠
𝑥1 , 𝑥2 ≥ 0
a) ¿Cuál es la mejor combinación productiva? ¿Cuál es el beneficio máximo?

b) ¿Cuánto valen los precios sombra? Una vez alcanzada la solución óptima, ¿qué recurso
tiene un valor marginal más elevado?

c) Para cada recurso, ¿cuál es el rango de tolerancia en el que son válidos los precios sombra?

d) ¿Cuáles son los rangos de tolerancia en que pueden variar los coeficientes objetivo?

e) Plantear y resolver el problema dual.

f) Realizar el análisis de Sensibilidad

TIPS
Recuerde que:

Para realizar este tipo de problemas, siempre debe tener en cuenta

los siguientes elementos para llevar a cabo el proceso:

• Planteamientos parámetro sensibilidad:

 Modelos Lineales

477
 Modelos Lineales

478
13 ANEXOS COMPLEMENTARIOS
SOFTWARE EXCEL

UN POCO DE HISTORIA DE EXCEL

En el año 1982, Microsoft incursionó en el ámbito de las hojas de cálculo electrónicas con el
lanzamiento de su producto Multiplan. En ese tiempo ya existían dos competidores que estaban
fuertemente posicionados en el mercado: SuperCalc de la empresa Sorcim y VisiCalc de la empresa
VisiCorp, así que no era una tarea sencilla para Microsoft ganar un poco de mercado.

Por si fuera poco, en el año 1983, fue lanzada la hoja de cálculo Lotus 1-2-3 que tomó a todos por
sorpresa y se posicionó rápidamente como la hoja de cálculo más utilizada. Microsoft solamente
observó cómo la hoja de cálculo de Lotus se posicionaba en el primer lugar, así que hizo a un lado
su producto Multiplan y comenzó a trabajar en la primera versión de Excel la cual fue lanzada en
el año 1985.

Esa primera versión de Excel fue hecha exclusivamente para la plataforma Macintosh, pero dos
años después, en 1987, Microsoft lanzó Excel 2.0 que ya consideraba una versión para la
plataforma Windows. A partir de ese momento, la hoja de cálculo de Microsoft comenzó su
crecimiento hasta convertirse en la hoja de cálculo más utilizada de todos los tiempos.

➢ ¿QUÉ ES EXCEL PARA QUÉ SIRVE Y CÓMO FUNCIONA?

Microsoft Excel es una hoja de cálculo desarrollada por Microsoft para:

➢ Windows,
➢ macOS,
➢ Android, e
➢ iOS.
Cuenta con:

✓ Cálculo,
✓ Herramientas gráficas,
✓ Tablas calculares, y
✓ Un lenguaje de programación macro llamado Visual Basic para aplicaciones.
 Modelos Lineales

479
Este programa nos permite realizar operaciones con números y texto, ordenados en celdas
situados en un sistema de filas y columnas, identificadas cada una de ellas con una letra y un
número, de forma que:

Cada celda tiene un nombre único.

• Las columnas se identifican con letras, y

• Las filas se identifican con números.

Ha sido una hoja de cálculo muy aplicada para estas plataformas, especialmente desde la
versión 5 en 1993, y ha reemplazado a Lotus 1-2-3 como el estándar de la industria para las
hojas de cálculo. Excel forma parte de la suite de software Microsoft Office.

➢ ¿QUÉ ES EL PROGRAMA DE EXCEL?

Excel es un programa informático desarrollado y distribuido por Microsoft Corp. Se trata de

un software que permite realizar tareas contables y financieras gracias a sus funciones,
desarrolladas específicamente para ayudar a crear y trabajar con hojas de cálculo.

Excel es un programa informático desarrollado por la empresa Microsoft y que forma parte
de Office que es una suite ofimática que incluye otros programas como Word y PowerPoint.

➢ PORQUÉ APRENDER A UTILIZAR EXCEL

La gran cantidad de herramientas y comandos disponibles dentro de Excel podría intimidar a

cualquier usuario que sea nuevo en el uso de la aplicación, pero la realidad es que hoy en día
Excel es una de las aplicaciones más utilizadas en el ámbito laboral. Y no, Excel no es
solamente una aplicación para contadores y financieros. Excel se ha convertido en una
herramienta de tratamiento de datos que trasciende mucho más a la contabilidad ya que
facilita la manipulación y tratamiento de datos.

Por esta razón es que es casi inevitable que, sin importar la profesión a la que te dediques,
será muy probable que en algún momento tendrás la necesidad de utilizar Excel. Puedes
comprobarlo por ti mismo y buscar en las bolsas de trabajo online y verás que el dominio de
Excel es una de las habilidades más solicitadas.
 Modelos Lineales

480
Así que, ahora que ya sabes qué es Excel, no esperes más y decide aprender a utilizar esta
fabulosa herramienta. Si eres un usuario nuevo de Excel, te invito a consultar el tutorial de
Excel que te ayudará a iniciarte en el uso de la hoja de cálculo más utilizada en el mundo.

https://exceltotal.com/que-es-excel/

➢ ¿PARA QUÉ SIRVE EXCEL?

Excel se distingue de todos los programas ofimáticos porque nos permite trabajar con datos
numéricos. Con los números que almacenamos en Excel:

• Podremos realizar cálculos aritméticos básicos, también

• Podremos aplicar funciones matemáticas de mayor complejidad, o

• Utilizar funciones estadísticas.

Excel nos facilita en gran medida el trabajo con números y nos permite analizarlos fácilmente y
generar reportes con herramientas como:

✓ Los gráficos, y

✓ Las tablas dinámicas.

➢ ¿QUÉ SE PUEDE HACER EN EXCEL?

• Tareas que se pueden hacer en Excel:

• Crear tablas dinámicas y estadísticas.

• Cálculo de promedios.
• Introducir datos (crear una base de datos).
• Ordenar datos (por orden alfabético o numérico)
• Crear gráficos.
 Modelos Lineales

481
• Realiza cálculos con fórmulas, incluyendo suma, resta, multiplicación y
división.
• Generar calendarios.
• Llevar contabilidad.

➢ ¿CÓMO REALIZAR FORMULAS EN EXCEL EJEMPLOS?

• Crear una fórmula simple en Excel

1. En la hoja de cálculo, haga clic en la celda en que desea introducir la fórmula.

2. Escriba = (signo igual) seguido de las constantes y los operadores (hasta 8192
caracteres) que quiera usar en el cálculo. Para este ejemplo, escriba =1+1.
Notas: ...
3. Presione Entrar (Windows) o Retorno (Mac).
➢ EXCEL ES UNA HOJA DE CÁLCULO

Excel pertenece a la categoría de programas informáticos conocida como hojas de cálculo. Las
hojas de cálculo fueron desarrolladas desde la década de 1960 para simular las hojas de trabajo
contables de papel y de esa manera ayudar en la automatización del trabajo contable.

Las hojas de cálculo electrónicas han ido reemplazando a los sistemas de cálculo en papel, y
aunque inicialmente fueron creadas para tareas contables, hoy en día son utilizadas para un sinfín
de aplicaciones donde se necesita trabajar con datos tabulares.

➢ LA PANTALLA PRINCIPAL DE EXCEL

La característica principal de Excel, tal como lo conocemos hoy en día, es que la pantalla principal
muestra una matriz de dos dimensiones, es decir, está formada por columnas y filas. De esta
manera se forman pequeños recuadros que conocemos como celdas donde cada una de ellas
 Modelos Lineales

482
tendrá una dirección única que estará conformada por la columna y la fila a la que pertenece, es
decir, la dirección será:

• Una letra (columna), y

• Un número (fila).

Por ejemplo, la celda superior izquierda de la matriz tiene la dirección A1.

En cada una de las celdas podemos ingresar datos numéricos y alfanuméricos. Una manera de
saber si Excel ha reconocido un dato como un número, o como un texto, es que:

• Si introducimos un dato de tipo texto se alineará a la izquierda de la celda,

mientras que,

• Los datos numéricos se alinearán a la derecha.

De esta manera sabemos que Excel reconoce entre un dato numérico y un dato alfanumérico en
cada celda.
 Modelos Lineales

483
➢ OPERACIONES ARITMÉTICAS EN EXCEL

Excel nos permite realizar cálculos aritméticos con nuestros datos numéricos como:

• La suma (+),
• La resta (-),
• La multiplicación (*), y
• La división (/).

La única condición es que se debe colocar un signo igual (=) precediendo a la fórmula de
manera que Excel efectúe el cálculo correspondiente.

Se pueden escribir fórmulas tan grandes como lo necesitemos y solamente debemos respetar el
máximo de caracteres que es de 32,767 en las versiones más recientes de Excel.

Algo que es extremadamente útil al momento de escribir fórmulas en Excel es que se puede hacer
referencia a otras celdas para incluir sus valores dentro de los cálculos. A ese vínculo creado entre
celdas se le conoce como una referencia.

Por ejemplo, la siguiente fórmula hará la suma de los valores en las celdas A1 y A2:

=A1+A2

Para conocer más sobre este tema te recomiendo leer el artículo: Referencias en Excel.

➢ FUNCIONES DE EXCEL

Aunque se pueden utilizar los operadores aritméticos para realizar muchos de nuestros cálculos,
se pueden utilizar las funciones de Excel que son procedimientos que ayudan a efectuar cálculos
sobre nuestros datos. Podemos pensar en las funciones como si fueran un asistente de Excel al
 Modelos Lineales

484
cual se le darán algunos datos numéricos y se encargarán de realizar los cálculos y entregar el
resultado correcto.

Un ejemplo es la función PROMEDIO a quien se le puede indicar una serie de valores numéricos y
devolverá el promedio de todos ellos.

Las funciones de Excel están catalogadas por su funcionalidad y algunas de esas categorías son:

• Las funciones de búsqueda y referencia,

• Las funciones lógicas,
• Las funciones de texto,
• Las funciones de fecha y hora, entre otras.

Para conocer todas las categorías de funciones disponibles en Excel se puede hacer clic sobre la
pestaña Fórmulas y se verán una serie de botones con los nombres de las categorías. Al hacer clic
sobre cualquiera de ellos se mostrarán las funciones que pertenecen a dicha categoría, por
ejemplo, la siguiente imagen muestra algunas de las funciones de la categoría Matemáticas y
trigonométricas.
 Modelos Lineales

485

Otra alternativa para conocer las categorías y sus funciones es hacer clic en el menú Funciones de
este sitio Web donde se encontrará el listado completo de funciones de Excel.

➢ DATOS TABULARES EN EXCEL

Como lo he mencionado al principio, hoy en día Excel es utilizado en diversas disciplinas donde se
necesiten datos tabulares. La gran cantidad de celdas, que forman cada una de las hojas de un
libro de Excel, nos facilitan el organizar los datos de manera tabular.

Por esta razón Excel nos ofrece una buena cantidad de herramientas para dar formato a nuestros
datos. Ya sea que necesitamos darles un formato de tabla de Excel, o que apliquemos un formato
condicional o simplemente apliquemos algún estilo de celda.

Excel es una herramienta ampliamente utilizada para trabajar con datos tabulares ya que se
pueden:

• Ordenar,

• Filtrar,

• Hacer una búsqueda sobre ellos, o

• Utilizar herramientas avanzadas para analizar dicha información.

➢ GRÁFICOS EN EXCEL
 Modelos Lineales

486
Una de las razones por las que Excel es una de las aplicaciones más populares alrededor del
mundo es por su capacidad de crear gráficos basados en datos. El hecho de tener una
herramienta visual facilita mucho la compresión e interpretación de la información por lo que
millones de usuarios de la aplicación generan sus propios reportes en Excel.

Aprender a crear gráficos de Excel es un tema aparte, pero puedes tener una idea de los diferentes
gráficos disponibles al hacer clic en la pestaña Insertar y de inmediato verás un grupo de
comandos identificado con el nombre Gráficos donde podrás encontrar todos los tipos de gráficos
disponibles en Excel.

➢ NOMBRES Y VERSIONES DE EXCEL

Frecuentemente encontrarás literatura que se refiere a la hoja de cálculo de Microsoft con el

nombre de “Excel”. Algunos otros lo llaman por el nombre “Microsoft Excel” y también como
“Office Excel” por ser parte de la suite Office.
 Modelos Lineales

487
También encontrarás que es común hacer referencia a la hoja de cálculo por su versión, por
ejemplo: “Excel 2003”, “Excel 2007”, “Excel 2010”, etc. Si quieres saber más sobre las diferentes
versiones de Excel, puedes consultar el artículo: Versiones de Excel.

➢ SOLVER DE EXCEL

• ¿Qué es el Solver de Excel?

Solver es un programa de complemento de Microsoft Excel que puede usar para llevar a cabo
análisis y sí. ... Solver ajusta los valores de las celdas de variables de decisión para que cumplan
con los límites de las celdas de restricción y den el resultado deseado en la celda objetivo.

Nota: El complemento Solver es un programa de Microsoft Office Excel complemento que está disponible
cuando instala Microsoft Office o Excel.

Sin embargo, para usar el complemento Solver, primero debe cargarlo en Excel.

WindowsmacOSAndroidiOSWindows Mobile

¿Cómo poner el Solver en Excel?

Carga del complemento Solver en Excel 2016

1. En Excel 2010 y versiones posteriores, vaya a Archivo > Opciones. ...

2. Haga clic en Complementos y, en el cuadro Administrar, seleccione
Complementos de Excel.
3. Haga clic en Ir.
4. En el cuadro Complementos disponibles, active la casilla Solver y, a
continuación, haga clic en Aceptar.
Notas:

▪ Si el complemento Solver no se enumera en el cuadro Complementos

disponibles, haga clic en Examinar para encontrarlo.
▪ Si se le indica que el complemento Solver no está instalado actualmente en su
equipo, haga clic en Sí para instalarlo.

Una vez cargado el complemento Solver, el comando Solver estará disponible en el

grupo Análisis de la pestaña Datos.
 Modelos Lineales

488
Solver está incluido dentro de Excel, pero se encuentra desactivado de manera predeterminada.
Para poder habilitarlo debes ir a la ficha Archivo y elegir Opciones y se mostrará el cuadro de
diálogo Opciones de Excel donde deberás seleccionar Complementos. En el panel derecho
encontrarás el complemento llamado Solver.

➢ ¿CÓMO MINIMIZAR UNA FUNCIÓN CON SOLVER?

También puede utilizar Solver para resolver varios valores a la vez para maximizar
o minimizar otro valor.

Nota: Asegúrese de que este rango de celdas se encuentre vacío en la hoja de cálculo.

1. En el menú Herramientas, haga clic en Solver y después en Opciones.

2. Haga clic en Guardar modelo. ...
3. Haga clic en Aceptar.
➢ ¿CÓMO RESOLVER UN SISTEMA DE ECUACIONES EN SOLVER?

• Cómo usar Solver para resolver ecuaciones, operaciones matemáticas y financieras en

Excel:

1. En primer lugar, dirígete a la zona superior, donde están ubicados las

pestañas inicio, insertar, etcétera. ...
2. Dirígete a Complementos, luego presionan en “Ir…” Y activa Solver.
https://miracomosehace.com/usar-solver-resolver-ecuaciones-operaciones-matematicas-financieras-excel/
 Modelos Lineales

489
La herramienta Solver es muy útil para operaciones bastante complejas.

Solver es una potente herramienta que nos presenta Microsoft Excel, a través de ella es posible
facilitar la resolución de operaciones complejas. Es una herramienta especialmente útil para
establecer los límites presupuestarios de una empresa.

De cualquier manera, el programa no se queda solo allí, si le pones un poco de creatividad puedes
extender su capacidad. En nuestra página encontrarás los mejores tutoriales para Excel y muchas
otras guías para tu día a día.

➢ CÓMO USAR SOLVER PARA RESOLVER ECUACIONES, OPERACIONES MATEMÁTICAS Y

FINANCIERAS EN EXCEL

Solver es una excepcional herramienta que nos presenta Excel gracias a ella podemos resolver
ecuaciones y operaciones matemáticas de diferentes grados de dificultad. De cualquier modo, hoy
te señalaremos de manera muy sencilla como usar resolver.

13.1.1 EJERCICIO DE APRENDIZAJE

De cualquier modo, el primer punto es activar Solver

PARA ACTIVAR SOLVER:

• En primer lugar, dirígete a la zona superior, donde están ubicados las pestañas inicio,
insertar, entre otras. Presiona clic derecho después de dichas pestañas (en un espacio sin
iconos) y luego sobre la opción Personalizar cinta de opciones o Personalizar barra de
herramientas de acceso rápido.

• Dirígete a Complementos, luego presionan en “Ir…” Y activa Solver. Se te pedirá que se

instale la herramienta, presionan aceptar y esperar que termine el proceso. Tras esto
Solver aparecerán dentro de la pestaña Datos.

➢ APRENDE A USAR SOLVER DE MODO PRÁCTICO

En este caso utilizaremos la herramienta Solver para calcular lo que podemos comprar con
un presupuesto establecido. En nuestro caso será de 8000 €, mientras que serán tres los productos
que debemos adquirir: Audífonos a 12 €, Cargadores a 16 € y Protectores a 12 €.
 Modelos Lineales

490
La herramienta Solver se encargará de mostrarnos la cantidad de productos que debemos comprar
para alcanzar ese presupuesto. En este caso necesitamos comprar por lo menos 150 audífonos,
200 protectores y 100 cargadores.

➢ USANDO SOLVER

• El primer paso es abrir la herramienta Solver.

• Tras esto establecer la celda objetivo. En nuestro caso el objetivo es el presupuesto, que
en nuestro ejemplo está ubicado en la celda E8.

• Selecciona la opción “Valor de” en nuestro caso estableceremos el límite de 8000 ya que
ese es nuestro presupuesto.

• Ahora deberás Cambiar las celdas de variables, selecciona el icono a la derecha. En este
punto debe seleccionar las unidades donde estarán las restricciones, en nuestro caso
seleccionaremos las tres celdas de Audífonos, Cargadores y Protectores que se ubican en
la tabla, en D4, D5 y D6.
 Modelos Lineales

491
• Ahora deberás agregar las restricciones, presione Agregar.

• Saltara la pantalla agregar restricción, en referencias deberás seleccionar la celda

correspondiente a la restricción.

• En nuestro caso la primera celda es D4, su valor debe ser >= y la restricción es 150,
presione en agregar. Usamos 150, ya que ese es el mínimo de Audífonos que debemos
comprar. Establezca esto con cada producto según lo requerido y cierre la ventana.

• Tras lo anterior, presione en Resolver. Al presionar en la opción resolver y luego en

aceptar, la herramienta Solver mostrará efectivamente cuántos audífonos, protectores y
cargadores debemos comprar para alcanzar el presupuesto de 8000 €.

Como habrás podido notar tras el proceso anterior, los resultados aparecerán en números con
decimales, pero también hay una manera de solucionar esto, miremos el procedimiento siguiente:

➢ RESULTADOS EN SOLVER CON NÚMEROS ENTEROS

• Para poner los resultados en números enteros deberás abrir Solver

nuevamente.
• Una vez allí dirígete a Agregar.
• En referencia de la celda selecciona la tabla de la unidad, en nuestro caso
sería D4, que es donde se encuentra el número de audífonos. Ahora
selecciona Int, tras esto aparecerá el resultado en números enteros.
• Repite el procedimiento con cada una de las celdas y presione en Resolver.
 Modelos Lineales

492

Esta es la manera de comenzar a usar la herramienta Solver, como verán es muy útil para facilitar la
resolución de problemas matemáticos complejos. Comienza emplearla ahora mismo e indaguen más en
todas sus posibilidades.
 Modelos Lineales

493
14 PISTAS DE APRENDIZAJE

Las desigualdades pueden ser graficadas en una recta numérica o en un eje de coordenadas.

Cuando usamos el eje de coordenadas, el rango de posibles soluciones está representado como
un área sombreada en el plano.

La línea límite de la desigualdad es trazada como una línea sólida si los puntos en ella satisfacen
la desigualdad, como en los casos ≤ 𝒚 ≥.

Es dibujada como una línea punteada si los puntos sobre ella no satisfacen la desigualdad, como
en los casos de < 𝒚 >.

Usar un eje de coordenadas es especialmente útil para entender el rango de soluciones posibles
para desigualdades con dos variables.

El procedimiento general para graficar desigualdades de dos variables es el que sigue:

o Paso 1

Reescribir la desigualdad en la forma pendiente intercepto 𝑦 = 𝑚𝑥 + 𝑏.

o Paso 2

Graficar la línea de ecuación 𝑦 = 𝑚𝑥 + 𝑏 construyendo una tabla de valores.

Dibujar una línea discontinua si el signo igual no está incluido y una línea sólida si está incluido.

o Paso 3

Sombrear la mitad del plano por encima de la línea si la igualdad es mayor que…

Sombrear la mitad del plano bajo la línea si la desigualdad es menor que…

 Modelos Lineales

494
▪ Los precio sombra representa el costo de oportunidad de producir o consumir un bien o servicio en
un problema de programación lineal.

▪ Un bien o servicio puede no tener un precio de mercado; sin embargo, siempre es posible asignarle
un precio sombra, que permite hacer un análisis de costo-beneficio.

▪ Es el significado del multiplicador de Lagrange, el cual representa la variación de un objetivo dado

cuando se cuenta con una unidad adicional de un cierto recurso limitado.

▪ El precio sombra, es el valor por una unidad extra del recurso, ya que el costo del recurso no es
incluido en el cálculo de los coeficientes de la función objetivo.

▪ Cuando se tienen las dos soluciones, la solución dual se denomina de precios sombra.

▪ Los valores de las variables duales en la optimización corresponden al valor de las tasas marginales
de variación del valor de la función objetivo ante las variaciones unitarias del lado derecho de una
restricción. Por este motivo se le llama precio sombra al vector de variables duales en el valor
óptimo.

▪ Se podría incrementar la función objetivo en la magnitud del precio sombra si se tuviera una unidad
adicional de ese recurso, esto es, el fabricante puede aumentar su ganancia total en el precio
sombra de un recurso, si dispone de una unidad adicional de ese recurso.

▪ El precio sombra de un recurso es la cantidad máxima que debe pagar un fabricante por una
unidad adicional de ese recurso.

Para realizar este tipo de problemas, siempre debe tener en cuenta los siguientes elementos para
llevar a cabo el proceso:

❖ Planteamientos parámetro sensibilidad:

o Prueba y error, y
o El método analítico de postoptimalidad.

❖ La programación lineal permite:

o Tomar decisiones rápidas en la asignación eficiente de los recursos limitados.

❖ Algoritmo del Simplex:

o Procedimiento iterativo de búsqueda de la solución óptima en problemas de
programación lineal de cualquier tamaño.
 Modelos Lineales

495
❖ Tipos de análisis:
o Variaciones en los términos independientes de las ecuaciones de restricción y
variaciones en los coeficientes de la función objetivo.

❖ Otros tipos de análisis:

Introducción de nuevos procesos, variación de algún coeficiente técnico e introducción de una

nueva restricción
 Modelos Lineales

496
15 GLOSARIO
• Costo Marginal: El costo marginal se define como la variación en el costo total, ante el
aumento de una unidad en la cantidad producida. Dicho en otras palabras, es el costo de
producir una unidad adicional

• Desigualdad: Una desigualdad es una oración matemática que contiene un signo de

desigualdad. Los signos de desigualdad son: < - menor que> - mayor que - ≤ menor o
igual que - ≥ mayor o igual que… Una desigualdad que tiene variable se llama
inecuación. Por ejemplo: 𝑥 + 3 < 7 (La punta del signo < siempre señala el menor)

• Dualidad: El concepto de dualidad indica que para cada problema de programación

lineal (primal) hay una asociación y una relación muy importante con otro problema
de programación lineal, llamado dual. Tanto el problema primal como el problema dual
dan el mismo valor de la función objetivo.

• Excel Solver: Solver es un programa de complemento de Microsoft Excel que puede usar
para llevar a cabo análisis y sí. ... Solver ajusta los valores de las celdas de variables de
decisión para que cumplan con los límites de las celdas de restricción y den el resultado
deseado en la celda objetivo.

• Excel: Microsoft Office Excel es una hoja de cálculo que sirve para manejar datos
numéricos o alfanuméricos agrupados en filas y columnas también llamadas tablas de
datos.

• Método Simplex: Entendemos que un modelo es lineal cuando las variables, tanto de la
Función Objetivo como de las restricciones son lineales, es decir tiene exponente igual a
uno, es decir que no existen variables con exponente dos o mayor.

• Plano: En geometría, un plano es un objeto ideal que solo posee dos dimensiones, y
contiene infinitos puntos y rectas; es un concepto fundamental de la geometría junto con
el punto y la recta

• Precio sombra: Los precios sombra son una de las derivaciones más importantes del
método de programación lineal. ... Los precios sombra nos indican cómo el valor máximo
o mínimo de la función objetivo responde a un cambio unitario en la restricción o
condición.
 Modelos Lineales

497
• Programación Lineal: Se conoce como programación lineal a la técnica de la matemática
que permite la optimización de una función objetivo a través de la aplicación de diversas
restricciones a sus variables.

• Semiplano: El concepto de semiplano se utiliza en el ámbito de la geometría para

denominar a las porciones de un plano que están delimitadas por cualquiera de sus rectas.
Cabe destacar que cada recta divide al plano en dos porciones (es decir, en
dos semiplanos).

• Sensibilidad: El análisis de sensibilidad o postoptimal para los modelos de Programación

Lineal, tiene por objetivo identificar el impacto que resulta en los resultados del problema
original luego de determinadas variaciones en los parámetros, variables o restricciones
del modelo, sin que esto pase por resolver el problema
 Modelos Lineales

498
16 BIBLIOGRAFÍA
• GROSSMAN. Stanley I. Álgebra lineal. 5 ed.
Este capítulo recomienda al estudiante las México: Mc Graw Hill, 1966.
fuentes de consulta bibliográficas y digitales
para ampliar su conocimiento, por lo tanto, • HAEUSSLER. Ernest. F. Jr; RICHARD S. Paul.
deben estar en la biblioteca digital de la Matemáticas para Administración,
Remington. Utilice la biblioteca digital Economía, Ciencias sociales y de la vida. 8 ed.
http://biblioteca.remington.edu.co/ México: Prentice Hall, 1997.
es/ para la consulta de bibliografía a la cual
puede acceder el estudiante. • HILL, Richard. Algebra Lineal Elemental con
Aplicaciones. 3ª edición. Prentice Hall.
Fuentes bibliográficas
1997.
• Hamdy A. Taha, Investigación de
Operaciones, Pearson, México, 9na edición, • HOWARD. Anton. Introducción al Álgebra
2012. Lineal. Editorial Limusa Wiley. 2003.

• Frederick S. Hillier y Gerald J, Lieberman, • MERINO L, SANTOS E. Algebra Lineal con

Introducción a la investigación de métodos elementales. Ed. Thompson-
operaciones, 9na edición. Paraninfo. 2006.

• BALDOR. Aurelio. Algebra. Madrid: Editorial • NICHOLSONW. Keith, Algebra lineal con
Mediterráneo. aplicaciones, 4ta edición, McGraw-Hill
Interamericana, 2003.
• BELTRÁN. Luis P; RODRÍGUEZ. Benjamín P;
DIAMATÉ S. Mónica C. Matemáticas con • S. T. Tan. Matemáticas para Administración
tecnología aplicada 10. 1 ed. Bogotá: y Economía. 1 ed. México: International
Prentice Hall, 1977. Thompson editores, 1998.

• DE BURGOS. Juan. Algebra Lineal y • SOLER FAJARDO, Francisco; MOLINA

geometría cartesiana. 3a edición. Ed. FOCAZZIO, Fabio; ROJAS CORTÉS, Lucio.
McGraw Hill/Interamericana de España. Álgebra Lineal y Programación Lineal
2006. aplicaciones a ciencias Administrativas,
Contables y Financieras. 2 ed. Bogotá: Ecoe
• DÍEZ M. Luis H. Matemáticas Operativas. 15 ediciones, 2005.
ed. Medellín: Zona Dinámica, 2002.
• STEWAR. James; REDLIN. Lothar; WATSON.
• DIAZ SANTA, Georlin. Álgebra Lineal. 3ª Saleem. Precálculo. 3ed. México:
edición. Medellín: editorial UPB. 2001. International Thomson Editores, 2001.
 Modelos Lineales

499
• SWOKOWSKI. Earl W. Álgebra y • TAHA, Hamdy A. Investigación de
Trigonometría con Geometría Analítica. 2 ed. Operaciones. 7 ed. Pearson Educación, 2004.
México: Grupo Editorial Iberoamérica, 1986. 830 páginas

• ZILL. Dennis G; DEWAR. Jacqueline M. • BALDOR. Aurelio. Algebra. Madrid: Editorial

Algebra y Trigonometría. 2 ed. México: Mc Mediterráneo.
Graw Hill. 1995.
• BELTRÁN. Luis P; RODRÍGUEZ. Benjamín P;
• ANDERSON David R. Métodos Cuantitativos DIAMATÉ S. Mónica C. Matemáticas con
para los negocios. 9 edición. Cengage tecnología aplicada 10. 1 ed. Bogotá:
Learning Editores, 2004. 822 páginas Prentice Hall, 1977.

• ARREOLA RISA Jesús R., ARREOLA RISA • DE BURGOS. Juan. Algebra Lineal y
Antonio. Programación lineal: Una geometría cartesiana. 3a edición. Ed.
introducción a la toma de decisiones McGraw Hill/Interamericana de España.
cuantitativa. Cengage Learning Editores, 2006.
2003. 502 páginas
• DÍEZ M. Luis H. Matemáticas Operativas. 15
• FRÍAS BUSTAMANTE, María Pilar; MARTÍNEZ ed. Medellín: Zona Dinámica, 2002.
RODRÍGUEZ, Ana María. Programación
lineal: una introducción. España; Grupo • DIAZ SANTA, Georlin. Álgebra Lineal. 3ª
Editorial Universitario, 2006. 254 páginas edición. Medellín: editorial UPB. 2001.

• HILLIER, Frederick S. LIBERMAN, Gerald J. • GROSSMAN. Stanley I. Álgebra lineal. 5 ed.

Investigación de operaciones. Séptima México: Mc Graw Hill, 1966.
edición. Mc Graw Hill,2002. 1223 páginas.
• HAEUSSLER. Ernest. F. Jr; RICHARD S. Paul.
• MATHUR Kamlesh, DOMÍNGUEZ REYES Matemáticas para Administración,
Ariadne Catalina, SOLOW Daniel. Economía, Ciencias sociales y de la vida. 8 ed.
Investigación de operaciones: el arte de la México: Prentice Hall, 1997.
toma de decisiones. 2 ed. Prentice Hall, 1996.
• HILL, Richard. Algebra Lineal Elemental con
977 páginas.
Aplicaciones. 3ª edición. Prentice Hall.
• PRAWDA Juan, PRAWDA WITENBERG Juan. 1997.
Métodos y modelos de investigación de
• HOWARD. Anton. Introducción al Álgebra
operaciones: Modelos Estocásticos. Editorial
Lineal. Editorial Limusa Wiley. 2003.
Limusa, 2002. 200 páginas.

• MERINO L, SANTOS E. Algebra Lineal con

• Sala Garrido R. Programación lineal:
métodos elementales. Ed. Thompson-
metodología y problemas. Editorial Tebar,
Paraninfo. 2006.
1993. 272 páginas.
 Modelos Lineales

500
• NICHOLSONW. Keith, Algebra lineal con • HILLIER, Frederick S. LIBERMAN, Gerald J.
aplicaciones, 4ta edición, McGraw-Hill Investigación de operaciones. Séptima
Interamericana, 2003. edición. Mc Graw Hill,2002. 1223 páginas.

• S. T. Tan. Matemáticas para Administración • MATHUR Kamlesh, DOMÍNGUEZ REYES

y Economía. 1 ed. México: International Ariadne Catalina, SOLOW Daniel.
Thompson editores, 1998. Investigación de operaciones: el arte de la
toma de decisiones. 2 ed. Prentice Hall, 1996.
• SOLER FAJARDO, Francisco; MOLINA 977 páginas.
FOCAZZIO, Fabio; ROJAS CORTÉS, Lucio.
Álgebra Lineal y Programación Lineal • PRAWDA Juan, PRAWDA WITENBERG Juan.
aplicaciones a ciencias Administrativas, Métodos y modelos de investigación de
Contables y Financieras. 2 ed. Bogotá: Ecoe operaciones: Modelos Estocásticos. Editorial
ediciones, 2005. Limusa, 2002. 200 páginas.

• STEWAR. James; REDLIN. Lothar; WATSON. • Sala Garrido R. Programación lineal:

Saleem. Precálculo. 3ed. México: metodología y problemas. Editorial Tebar,
International Thomson Editores, 2001. 1993. 272 páginas.

• SWOKOWSKI. Earl W. Álgebra y • TAHA, Hamdy A. Investigación de

Trigonometría con Geometría Analítica. 2 ed. Operaciones. 7 ed. Pearson Educación,
México: Grupo Editorial Iberoamérica, 1986. 2004. 830 páginas

• ZILL. Dennis G; DEWAR. Jacqueline M. Fuentes digitales o electrónicas

Algebra y Trigonometría. 2 ed. México: Mc
Graw Hill. 1995. • http://www1.universia.net/CatalogaXXI
/pub/ir.asp?IdURL=127020&IDC=10010&IDP=ES
• ANDERSON David R. Métodos Cuantitativos &IDI=1
para los negocios. 9 edición. Cengage
Fecha de consulta enero de 2010.
Learning Editores, 2004. 822 páginas
• http://www.ma1.upc.edu/~rafael/al/ma
• ARREOLA RISA Jesús R., ARREOLA RISA trices.pdf
Antonio. Programación lineal: Una
introducción a la toma de decisiones Fecha de consulta de 2010.
cuantitativa. Cengage Learning Editores,
• http://www.ma1.upc.edu/~rafael/al/det
2003. 502 páginas
erminantes.pdf

• FRÍAS BUSTAMANTE, María Pilar; MARTÍNEZ Fecha de consulta enero de 2010.

RODRÍGUEZ, Ana María. Programación
lineal: una introducción. España; Grupo • http://thales.cica.es/rd/Recursos/rd99/e
Editorial Universitario, 2006. 254 páginas d99-0289-02/ed99-0289-02.html
 Modelos Lineales

501
Fecha de consulta enero de 2010. os-linea/Algebra-Lineal/algebra-vectorial-
geova-
• http://cnx.org/content/m12862/latest/ walter/Vectores.pdf+rectas+y+planos+en+r3&hl
=es&gl=co&pid=bl&srcid=ADGEESiqLfGz8vx1b0D
Fecha de consulta enero de 2010 1PMWywlUdXw-VWfTKGsLRgwLX6-
Xpuj8rRrPytEBTlLK0pvH5rhBPWVGFJZt1wBlx75S
• http://elcentro.uniandes.edu.co/cr/mat c2iAf6qWoOcCf9B_sLvfEbkKAmsRgdx7hUd4fRKJ
e/algebralineal/index.htm ONzazkLVAUkUV&sig=AHIEtbTMWQ-
hEjaq8nhP6UBbsgt-fb8T_g
Fecha de consulta enero de 2010
Consultado en marzo de 2010.
• http://www.vitutor.com/algebralineal.h
tml • http://www.monografias.com/trabajos1
2/exal/exal.shtml
Fecha de consulta enero de 2010
Fecha de consulta enero de 2010
• http://es.wikibooks.org/wiki/%C3%81lg
ebra_Lineal • http://www.programacionlineal.net/
• http://sauce.pntic.mec.es/~jpeo0002/Ar
Fecha de consulta enero de 2010 chivos/PDF/T08.pdf
• http://thales.cica.es/rd/Recursos/rd98/
• http://www.youtube.com/watch?v=FEor
Matematicas/29/matematicas-29.html
JI6qJNk
• http://www.monografias.com/trabajos2
Fecha de consulta enero de 2010 3/programacion-lineal/programacion-
lineal.shtml
• http://video.google.com.co/videosearch • http://www.investigacion-
?sourceid=navclient&hl=es&rlz=1T4WZPC_esCO operaciones.com/Resumen%20PL.htm
342CO345&q=algebra+lineal&um=1&ie=UTF- • http://www.investigacion-
8&ei=zX1XS83iIsaVtge_vbStBA&sa=X&oi=video_ operaciones.com/Metodo_Minimizacion.htm
result_group&ct=title&resnum=11&ved=0CEAQ • http://antiguo.itson.mx/dii/elagarda/ap
qwQwCg# agina2001/PM/metodos.html

Fecha de consulta enero de 2010

• http://www.abaco.com.ve/

Fecha de consulta enero de 2010

• http://centros5.pntic.mec.es/ies.salvado
r.dali1/selectividad/rectas%20en%20el%20plan
o%20y%20en%20espacio.pdf

Consultado en marzo de 2010.

• http://docs.google.com/viewer?a=v&q=
cache:NkGUnYN9gbQJ:www.cidse.itcr.ac.cr/curs