Documente Academic
Documente Profesional
Documente Cultură
Matrices
Definición: Es una arreglo rectangular de elementos (escalares) pertenecientes a un cuerpo, que se disponen
en m filas y n columnas.
El orden de una matriz nos indica la cantidad de filas y columnas; el elemento genérico representa cualquier
elemento de la matriz y su nomenclatura es “𝒂𝒊𝒋 ”; se designan con una letra mayúscula “𝑨𝒎𝒙𝒏 ”, y otra forma
más específica es con el elemento genérico encerrado entre paréntesis o corchetes “(𝒂𝒊𝒋 ) ”; además la
𝒎𝒙𝒏
cantidad de elementos de una matriz es mxn.
𝐴𝑚𝑥𝑛 = (𝑎𝑖𝑗 )𝑚𝑥𝑛 𝑐𝑜𝑛 1 ≤ 𝑖 ≤ 𝑚; 1 ≤ 𝑗 ≤ 𝑛⋀𝑖, 𝑗, 𝑚, 𝑛 ∈ 𝑁
Matrices reales
Definición: Aquellas cuyos elementos son números reales 𝐴 ∈ ℝ𝑚𝑥𝑛 .
Clasificación según su forma
a) Matriz rectangular: Aquella que tiene distinto número de filas que de columnas.
𝐴𝑚𝑥𝑛 𝑒𝑠 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑢𝑙𝑎𝑟 ⇔ 𝑚 ≠ 𝑛
Matriz fila: matriz rectangular cuyo tamaño es 1×n (de una fila).
Matriz columna: matriz rectangular cuyo tamaño es m×1 (de una columna).
b) Matriz cuadrada: Aquella que tiene el mismo número de filas que de columnas.
𝐴𝑚𝑥𝑛 𝑒𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 ⇔ 𝑚 = 𝑛
Matriz triangular superior: tiene todos los elementos situados debajo de la diagonal principal
iguales a cero.
𝐴𝑛𝑥𝑛 = (𝑎𝑖𝑗 )𝑛𝑥𝑛 𝑒𝑠 𝑇𝑆 ⇔ 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 > 𝑗
Matriz triangular inferior: tiene todos los elementos situados por encima de la diagonal
principal iguales a cero.
𝐴𝑛𝑥𝑛 = (𝑎𝑖𝑗 )𝑛𝑥𝑛 𝑒𝑠 𝑇𝐼 ⇔ 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 < 𝑗
Matriz diagonal: tiene todos los elementos situados fuera de la diagonal principal iguales a
cero.
𝐴𝑛𝑥𝑛 = (𝑎𝑖𝑗 ) 𝑒𝑠 𝑀𝐷 ⇔ 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 ≠ 𝑗
𝑛𝑥𝑛
Matriz escalar: tiene todos los elementos situados fuera de la diagonal principal iguales a cero y
los elementos de la diagonal principal son iguales entre sí (mismo escalar).
𝐴𝑛𝑥𝑛 = (𝑎𝑖𝑗 )𝑛𝑥𝑛 𝑒𝑠 𝑀𝐸 ⇔ 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 ≠ 𝑗 ∧ 𝑎𝑖𝑗 = 𝐾 𝑠𝑖 𝑖 = 𝑗, 𝑐𝑜𝑛 𝐾 ∈ ℝ
Matriz identidad: tiene todos los elementos situados fuera de la diagonal principal iguales a
cero y los elementos de la diagonal principal iguales a 1.
𝐼𝑛𝑥𝑛 = (𝑖𝑖𝑗 )𝑛𝑥𝑛 ⇔ 𝑖𝑖𝑗 = 0 𝑠𝑖 𝑖 ≠ 𝑗 ∧ 𝑖𝑖𝑗 = 1 𝑠𝑖 𝑖 = 𝑗
Matriz simétrica: los elementos situados simétricamente con respecto a la diagonal principal
son iguales.
𝐴𝑛𝑥𝑛 = (𝑎𝑖𝑗 )𝑛𝑥𝑛 𝑒𝑠 𝑀𝑆 ⇔ 𝑎𝑖𝑗 = 𝑎𝑗𝑖 ⩝ 𝑖,⩝ 𝑗
Matriz asimétrica: los elementos situados simétricamente con respecto a la diagonal principal
son opuestos.
𝐴𝑛𝑥𝑛 = (𝑎𝑖𝑗 ) 𝑒𝑠 𝑀𝐴 ⇔ 𝑎𝑖𝑗 = −𝑎𝑗𝑖 ⩝ 𝑖,⩝ 𝑗
𝑛𝑥𝑛
También en esta clasificación se incluye la idempotente, involutiva, inversa, singular y regular.
Igualdad de matrices
Dos matrices A y B son iguales cuando son del mismo orden y sus homónimos son iguales.
Propiedades:
Suma de matrices
Dadas dos matrices del mismo orden, la suma de éstas es otra matriz del mismo orden, de modo que sus
elementos se obtienen sumando los homónimos de las matrices dadas.
Propiedades:
Resta de matrices:
Dadas dos matrices del mismo orden, la resta de éstas es otra matriz del mismo orden, de modo que sus
elementos se obtienen restando los homónimos de las matrices dadas.
Propiedades:
Propiedades:
Aclaraciones:
Inversión de matrices:
Matriz inversa de una matriz cuadrada: Sea 𝐴𝑛𝑥𝑛 , decimos si existe que 𝐴−1
𝑛𝑥𝑛 es la matriz
−1 −1
inversa de 𝐴 ⇔ 𝐴. 𝐴 = 𝐴 . 𝐴 = 𝐼
En el caso de existir 𝐴−1 es única.
A y 𝐴−1 son inversas entre sí, por lo tanto (𝐴−1 )−1 = 𝐴
Si A y B son inversibles de igual orden ⇒ (𝐴. 𝐵)−1 = 𝐴−1 . 𝐵 −1
Matriz regular: 𝑆𝑒𝑎 𝐴𝑛𝑥𝑛 , 𝑑𝑒𝑐𝑖𝑚𝑜𝑠 𝑞𝑢𝑒 𝐴 𝑒𝑠 𝑟𝑒𝑔𝑢𝑙𝑎𝑟 ⇔ ∃𝐴−1
Matriz singular: 𝑆𝑒𝑎 𝐴𝑛𝑥𝑛 , 𝑑𝑒𝑐𝑖𝑚𝑜𝑠 𝑞𝑢𝑒 𝐴 𝑒𝑠 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟 ⇔ ∄𝐴−1
Operaciones elementales fila: Son aquellas que se realizan entre las filas de una matriz.
Permutar dos filas entre sí.
Multiplicar una fila por un número distinto de cero.
Sumar una fila a otra.
Combinar operaciones.
Matrices equivalentes: Dos matrices son equivalentes al aplicarle un número finito de
operaciones elementales a una de ellas, obteniendo la otra.
Transposición de matrices:
Dada una matriz 𝐴𝑚𝑥𝑛 de cualquier orden, decimos que 𝐴𝑡 es la matriz transpuesta de A sí y solo sí la
obtenemos intercambiando las filas por las columnas de A.
𝑡
𝐴𝑡 𝑒𝑠 𝑙𝑎 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑑𝑒 𝐴 ⇔ (𝑎𝑖𝑗 ) = 𝑎𝑗𝑖 ⩝ 𝑖,⩝ 𝑗
A es simétrica ⇔ 𝐴 = 𝐴𝑡
B es anti simétrica ⇔ 𝐵 = −𝐵 𝑡
Propiedades:
Involutiva: ⩝ 𝐴𝑚𝑥𝑛 : (𝐴𝑡 )𝑡 = 𝐴
Transpuesta de la suma de matrices: ⩝ 𝐴𝑚𝑥𝑛 ,⩝ 𝐵𝑚𝑥𝑛 : (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵 𝑡
Transpuesta del producto de un escalar por una matriz: ⩝ 𝐴𝑚𝑥𝑛 ,⩝ 𝑘 ∈ ℝ: (𝑘. 𝐴)𝑡 = 𝑘. 𝐴𝑡
Transpuesta del producto de matrices: ⩝ 𝐴𝑚𝑥𝑛 ,⩝ 𝐵𝑛𝑥𝑝 : (𝐴. 𝐵)𝑡 = 𝐵 𝑡 . 𝐴𝑡
Transpuesta de la inversa de una matriz: 𝑆𝑖 𝐴 𝑒𝑠 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑏𝑙𝑒 ⇒ (𝐴−1 )𝑡 = (𝐴𝑡 )−1
Ecuaciones matriciales:
Es una igualdad que relaciona operaciones con matrices, donde la incógnita es otra matriz. Resolver una
ecuación matricial significa hallar la matriz incógnita (X) que verifica la igualdad.
Capítulo 1
Capítulo 2
Determinantes de una matriz cuadrada:
Nociones previas:
Permutación: Se llama permutación a cada uno de los arreglos de los n elementos del conjunto
A siendo 𝐴 = {1; 2; 3; … … 𝑛}
Inversión de una permutación: Se presenta una inversión cuando no se encuentra en orden
natural. Entonces existen permutaciones pares (el número total de inversiones de una
permutación es par) y permutaciones impar (el número de inversiones de una permutación es
impar).
Polinomio homogéneo: Aquel polinomio cuyos monomios tienen igual grado.
Definición: Llamamos determinante de una matriz cuadrada de grado n al polinomio homogéneo de grado n
cuyos monomios se forman multiplicando los elementos que resultan de tomar uno de cada línea (fila y
columna) de la matriz, anteponiéndole signo positivo (+) si la permutación de los subíndices fila es igual que la
de los subíndices columna, y signo negativo (-) si son de distinta clase.
Regla de Sarrus:
Es un método que se utiliza únicamente para determinantes de orden 3.
1) Si los elementos de una línea (fila o columna) son ceros el valor del determinante es cero.
2) Si tiene dos líneas paralelas iguales el valor del determinante es cero.
3) Si permutamos filas por columnas el valor del determinante no cambia, por lo tanto |𝐴| = |𝐴𝑡 |
4) Si permutamos dos líneas paralelas el valor del determinante cambia de signo.
5) Si dos líneas paralelas son proporcionales el valor del determinante es cero.
6) Si multiplicamos los elementos de una línea por un número, distinto de cero, el valor del determinante
se multiplica por ese número.
7) Si a una línea le sumamos una línea paralela, el valor del determinante no varía.
8) Si a los elementos de una línea le sumamos otra línea paralela multiplicada por un número, el valor del
determinante no varía.
9) Si tenemos una matriz escalar, diagonal o triangular el valor del determinante se obtiene multiplicando
los elementos de la diagonal principal.
10) Si sumamos dos determinantes que tienen toda las líneas paralelas iguales menos una, obtenemos
otro determinante que tiene las mismas líneas paralelas iguales y la restante es la suma de las líneas
diferentes.
Nociones previas:
Regla de Laplace:
Permite reducir un determinante de orden n a otro de orden n-1. Se elige una línea, el valor del determinante
es igual a la suma de los productos que resultan de multiplicar cada elemento de la línea elegida por su
respecto cofactor.
Capítulo 2
Capítulo 3
Sistemas de ecuaciones lineales:
Nociones previas:
Ecuación lineal: es una ecuación polinómica en la cual los monomios son a lo sumo de grado
uno. Si tiene n incógnitas 𝑎𝑛 . 𝑥𝑛 = 𝑏
Solución de una ecuación lineal: Es una n-upla de números reales dados en un cierto orden tal
que reemplazando a cada incógnita por el correspondiente valor satisface a la ecuación. Se lo
expresa como una matriz de una sola línea.
Conjunto solución: Conjunto de todas las n-uplas que son solución de la ecuación.
Definición: Es un conjunto de ecuaciones lineales. Si tiene m ecuaciones con n incógnitas se dice que el
sistema es del tamaño mxn.
Solución de un sist. de ecuaciones lineales: Es toda n-upla de reales que satisfacen a todas las
ecuaciones.
Conjunto solución del sistema: Es el conjunto de todas las soluciones del sistema. Puede ser
vacío, unitario o infinito.
Matriz de coeficientes tecnológicos: Es la matriz formada por los coeficientes tecnológicos y se designa
con la letra A.
Matriz de Leontief: Matriz que se calcula como la diferencia entre la matriz identidad y la matriz
tecnológica. 𝐿 = 𝐼 − 𝐴
Cálculo de la nueva producción: Se calcula: 𝑋 = 𝐿−1 . 𝐷
Conociendo las nuevas producciones de cada sector se puede formar la matriz de transacciones.
𝑏𝑖𝑗
𝑎𝑖𝑗 = 𝑋𝑗
⇒ 𝑏𝑖𝑗 = 𝑋𝑗 . 𝑎𝑖𝑗
Capítulo 3
Capítulo 4
Programación lineal:
Es una técnica matemática de optimización, se propone maximizar o minimizar un objetivo.
La resolución de un problema con este método, permite tomar decisiones óptimas mediante el uso o
asignación eficiente de recursos limitados para alcanzar objetivos deseados.
Un problema de programación lineal consta de una función lineal para maximizar o minimizar, sujeta a
ciertas restricciones (igualdades o desigualdades lineales). Entonces interviene:
La función lineal que hay que optimizar, llamada función objetivo que se expresa 𝑧 = 𝑎𝑥 + 𝑏𝑦 ;
en donde x e y se denominan variables de decisión, a y b son constantes.
Las restricciones del problema son las inecuaciones lineales del mismo (limitaciones,
disponibilidades o requerimientos de la situación problemática)
Las variables de decisión admiten únicamente valores no negativos, por lo que cumplen las
condiciones de no negatividad.
Región factible: Se denomina conjunto o región factible al conjunto de puntos del plano que pueden
hacer posible todas las restricciones. Ésta región siempre es un polígono convexo (un polígono convexo
es cuando todos los puntos de cualquier segmento son puntos del conjunto).
Determinación: La región factible puede o no estar acotada. Si las desigualdades son en sentido
amplio (≤ 𝑜 ≥) la región factible incluye los lados y vértices; no sucediendo lo mismo en
sentido estricto (< 𝑜 >). Si la RF está acotada su representación gráfica es un polígono
convexo.
Se representa gráficamente cada una de las inecuaciones del problema.
La intersección de las soluciones de todas las inecuaciones, si existe, está
formada por una región común y conforman la RF.
Se debe tener en cuenta las condiciones de no negatividad.
Solución factible: Cada punto de la RF recibe el nombre de solución factible, por lo que hay infinitas.
Solución óptima: La o las soluciones factibles que optimizan la función objetivo se denomina solución
óptima.
Teorema fundamental de programación lineal: Permite identificar, si existe, la ubicación de las
soluciones en un problema de programación lineal con dos variables.
Si existe una solución única que optimice la función objetivo, ésta se encuentra en un vértice de
la RF.
Si la función objetivo toma ese mismo valor óptimo en dos vértices (consecutivos), es idéntico
en los puntos del segmento que determinan. Es una solución múltiple.
Capítulo 4
Capítulo 5
Espacios vectoriales:
Dado un conjunto V (distinto del vacío) donde los elementos “u, v, w” pertenecientes a él son llamados
genéricamente “vectores”; dado un conjunto K (distinto del vacío) donde los elementos “α, β” pertenecientes
a él son llamados genéricamente “escalares”.
Definimos en V una operación interna denominada “suma” (𝑢 + 𝑣) y definimos una ley externa 𝐾. 𝑉 (𝛼. 𝑢)
denominada “producto de escalar por vector”, entonces la cuaterna (𝑉; +; 𝐾;∗) es un espacio vectorial si
cumple las diez propiedades.
Subespacio vectorial:
Si existe dentro de un espacio vectorial V un conjunto 𝑊 ≠ ∅ y W es un espacio vectorial y cumple con las
propiedades de ley de cierre interna (1.) y la ley de cierre externa (6.), entonces decimos que W es un
subespacio de V.
Transformaciones lineales:
Son un tipo especial de funciones que ocurren entre espacios vectoriales: 𝑓: 𝐴 → 𝐵 𝑒𝑠 𝑓: 𝑉 → 𝑊 siendo V y W
espacios vectoriales. Como toda función debe satisfacer algunas condiciones, en este caso son dos:
1) ⩝ 𝒖 ; ⩝ 𝒗 ∈ 𝑽 𝑻(𝒖 + 𝒗) = 𝑻(𝒖) + 𝑻(𝒗)
2) ⩝ 𝒖 ∈ 𝑽 ; ⩝ 𝒌 ∈ 𝑲 𝑻(𝒌. 𝒖) = 𝒌. 𝑻(𝒖)
Capítulo 5