UNIVERSIDAD NACIONAL DEL SANTA

FACULTAD DE EDUCACION Y HUMANIDADES

E.A.P. MATEMÁTICA, COMPUTACIÓN Y FÍSICA

APLICACIÓN DE MATRICES Y ECUACIONES LINEALES

EN LA VIDA COTIDIANA

INTEGRANTES:
• Aguirre Guevara, Abigail
• Granados Bedoya, Gianella
• Marreros Abanto, Luis
• Ramirez Rojas, Mónica
• Rodriguez Avalos, Daniel
• Vega Rengifo, Carlos

DOCENTE : Jorge Chauca Solano

CICLO : IV

ASIGNATURA : Álgebra I

Nuevo Chimbote – Perú

2023
 INDICE

I. INTRODUCCIÓN
II. DESARROLLO
2.1. Matrices
2.1.1. Definción de una matriz
2.1.2. Orden de una matriz
2.1.3. Igualdad de una matriz
2.1.4. Tipos especiales de matrices
2.1.5. Relaciones entre matrices
2.1.6. Operaciones con matrices
2.1.7. Traza de una matriz
2.2. Determinante
2.2.1. Definición del determinante de acuerdo al tipo de matriz
2.2.2. Regla práctica por su cálculo
2.2.3. Cofactor del elemento de una matriz
2.2.4. Desarrollo de un determinante por cofactores
2.2.5. Matriz inversa
2.2.6. Matriz de cofactores
2.2.7. Operación de la matriz inversa
2.2.8. Obtención de la inversa de una matriz por el método de la adjunta
2.2.9. Obtención de la matriz inversa por el método de Gauss-Jordán
2.3. Sistema de Ecuaciones Lineales
2.3.1. Sistemas equivalentes. Método de Gauss para resolver sistemas lineales
2.3.2. Método de Cramer
2.4. Problemas modelos aplicados a la vida cotidiana
III. CONCLUSIÓN
IV. REFERENCIA
I. INTRODUCCIÓN

Las matrices y sistemas de ecuaciones lineales, son herramientas del álgebra que facilitan el
ordanamiento y desarrollo de datos. Una matriz es un arreglo bidimensional de números, y en
su mayor generalidad de elementos de un anillo. Las matrices se usan generalmente para
describir sistemas de ecuaciones lineales, sistemas de ecuaciones diferenciales o representar
una aplicación lineal.
El objetivo del presente informe es la aplicación de matrices y ecuaciones lineales en la vida
cotidiana. Matrices y sistema lineales son objetos matemáticos que tienen gran utilidad en
muchas áreas de matemáticas y en otras áreas del saber. El informe está formado por tres
secciones. En la primera de ellas introducimos el concepto de matriz, exponemos los
diferentes tipos de matrices existentes (según su tamaño, aspecto, elementos...) y explicamos
las operaciones elementales que pueden realizarse con matrices. En la segunda sección
estudiamos los determinantes (su definición, propiedades, su relación con el cálculo del rango
de una matriz y de matrices inversas, etc.). En la tercera sección analizamos los tipos de
sistemas de ecuaciones lineales, usando los dos métodos principales: el de Gauss y el de
Crame. Finalmente, en la cuarta sección profundizamos en la aplicación de las matrices y
determinantes de ecuaciones lineales en la vida cotidiana.
I. DESARROLLO
1.1. MATRICES
1.1.1. DEFINICIÓN DE UNA MATRIZ
Es un arreglo rectangular de ciertos elementos (números, letras, objetos, funciones, etc),
distribuidos en filas y columnas.
Ejemplo:
 x x2 
 
1 4 2  ;  6x − 3 
 4 0 
 
En general:

 a11 a12  a1j  a1n 

 
 a21 a22  a2 j  a2n 
    
  Filas
 ai1 ai2  aij  ain 
    
 
 am1 am2  amj  amn 

Columnas
Notación
• Se les denota por cualquier letra mayúscula (A, B, C, …, etc)
• Los números a11.... amn se llaman elementos de la matriz. El conjunto de números ai1;....; ain se
denomina i – ésima fila. Los números a1j ; a2 j ; ..... ; amj constituyen la j – ésima columna.

• La matriz no tiene valor numérico; es decir, no puede identificarse con un número.

1.1.2. ORDEN DE UNA MATRIZ

En la matriz anterior observamos “m” filas y “n” columnas. Luego decimos que es una matriz de
orden m x n (léase “m” por “n”), se simboliza por:
A mxn ó A m .n

Los elementos de una matriz, en forma general, se simboliza por:

aix j

Denota la fila Denota la columna

 Una matriz en forma abreviada puede representarse:

 
A = aij , donde i = 1 ; 2; ....;m , j = 1; 2;.......;n

Significa que tiene la matriz A de elementos a ij donde se tendrá “m” filas y “n” columnas.

1.1.3. IGUALDAD DE MATRICES

Se dice que 2 matrices: A = aij mxn y B =  bij  mxn son iguales, si y sólo si son idénticos; es decir,

si y sólo si son del mismo orden y sus respectivos elementos son iguales:
A = B  aij = bij
para cada i para cada j
1.1.4. TIPOS ESPECIALES DE MATRICES
1. Matriz Cuadrada. - Número de filas igual al número de columnas.
A = aij( ) mxn es cuadrada  m = n

2. Matriz Nula. - Sus elementos son ceros. Se denota por  .

3. Matriz Diagonal. - Es una matriz cuadrada, donde los elementos fuera de la diagonal
principal son ceros.
Ejemplo:
 1 0 0 0
1 0 0  
  0 0 0 0
A = 0 −7 0 M=
 0 0 2 0
0 0 4  
 
 0 0 0 6 
4. Matriz Escalar. - Todos sus elementos (no nulos) de la diagonal principal son iguales.
Ejemplo
n 0 0
   4 0
A = 0 n 0 M= 
0 0 n  0 4
 

5. Matriz Identidad. - Es una matriz escalar, en la que n = 1

 1 0 0
1 0  
I2 =   I3 =  0 1 0 
0 1  0 0 1
 
6. Matriz Triangular Superior. - Una matriz cuadrada A = aij  se llama triangular superior, si
y sólo si: aij = 0 para todo i j

1 2 3
   3 6
A = 0 4 5 B= 
 0 0 6   0 1

7. Matriz Triangular Inferior. - Una matriz cuadrada A = aij  es triangular inferior, si y sólo si
aij = 0 ; i j

3 0 0
  −2 0
E = 7 0 0 D= 
 9 2 0   1 0

8. Matriz Fila. - Matriz de orden: 1 x n

A1x n = a11 ; a12 ;......;a1n 1x n

9. Matriz Columna. - Matriz de orden: n x 1

 a11 
 
a
A nx1 =  21 
  
 
 an1  nx1
1.1.5. RELACIONES ENTRE MATRICES
1. Matriz Transpuesta. - Dada una matriz A =  aij m x n , su transpuesta se define por:


A t = aijt
nxm tal que: aij = aij
t

Propiedades
• (A ) = A
t t

• (kA )t = kA t ;  k R
• (A + B)t = A t + Bt
• (AB )t = Bt At

• (A ) = (A )
n t t n

Si A es una matriz cuadrada.

A . A t = A t . A = I , tendremos que “A” es una matriz ortogonal.

2. Matriz Opuesta. - Dada una matriz A =  a ij  mxn

 1 −2 0   −1 2 0 
A=  −A= 
 − 1 4 − 3   1 −4 3

3. Matriz Simétrica. - Una matriz A =  aij  es simétrica si y sólo si A = A t , entonces A es

simétrica: aij = a ji ;  i , j .

Características:
• La matriz “A” debe ser cuadrada.
• Los elementos de la diagonal principal permanecen fijos al efectuar la transposición.

−1 0 3
 1 4  
  ;  0 2 7
 4 5   3 7 5
 

4. Matriz Antisimétrica. - Si A = − A t , entonces A es antisimétrica

Características:
• La matriz debe ser cuadrada.
• Los elementos de la diagonal principal resultan ser ceros.
• aij = −aij ;  i , j

Ejemplo:
 0 −4 −3   0 4 3   0 − 4 −3 
     
Sea: A = 4 0 7   A t
= − 4 0 − 7  − A t = 4 0 7
3 − 7 0  − 3 7 0  3 − 7 0 
     
A es antisimétrica
1.1.6. OPERACIONES CON MATRICES
1. Adición y Sustracción. - Sean las matrices A = aij  y   , ambas del mismo orden m
B = bij

x n.
La matriz suma de A y B es: 
A + B = aij + bij .
El cual también es de orden m x n
* Si A y B son matrices del mismo orden, entonces: A − B = A + (−B)

Propiedades
• A +B =B+ A
• (A + B) + C = A + (B + C)
• K (A + B) = KA + KB, K es escalar
• I. A = A ( I = es matriz identidad)
• − A = (−1) A
• A − B = A + (−B)

• (A  B)t = A t  Bt
• Toda matriz cuadrada A se puede expresar como la semisuma de una matriz simétrica y
una antisimétrica.

A=
1
2
( 1
) (
A + At + A − At
2
)

2. Multiplicación de Matrices. - Dadas las matrices: A = aij mxn y una matriz B = b jk nxp , y una
matriz C = cik  de orden m x p, donde c ik es el producto escalar de la i – ésima fila de A por
la k – ésima columna de B.

 a11  a1n  b11  b1k  b1p 

   
         
 ai1  ain   ai1  bik  bip  = C = c ik 
   
         
a  amn  b  bnk  bnp 
 m1  n1

(
AB = (c ik )mxp / c ik =  aij . b jk
n
)
i =1

Propiedades
• En general AB  BA
• A (BC ) = (AB )C
• A (B + C) = AB + AC → (A + B)C = AC + BC
•  mxp A pxn = mxn

• Si: A es una matriz de orden m x n

A .In = A y Im .A = A
 3. Potencia de Matrices. - Sea A una matriz cuadrada de orden n, se define:
A = A . A . A . ......... A
p
  
" p" f actores

Por convención A0 = I

Propiedades
• A es la Idempotente si A2 = A
• A es Involutiva si A 2 = I

1.1.7. TRAZA DE UNA MATRIZ

Si A es una matriz cuadrada, entonces la suma de los elementos de la diagonal principal
se llama traza de la misma y se representa por Tr (A ) o Traz (A ) . Así
Si:  n  Traz (A ) = n aij
A = aij
i =1

Así en:
 a11 a12  a1n 
 
 a 22  a 2n 
An = 
   
 
 a n1 a n2  a nn  Diagonal
principal

Donde la traza será:

Traz (A ) = a11 + a22 + ... + arr

1.2. DETERMINANTE
El determinante viene a ser una función que aplicada a una matriz cuadrada la transforma
en un escalar.

Notación
Usualmente al determinante de una matriz cuadrada “A” la denotamos por:

A ó det (A )

1.2.1. DEFINICIÓN DEL DETERMINANTE DE ACERDO AL TIPO DE MATRIZ:

a) Matriz de Orden uno: Aquella que está formada por el elemento “a” y es igual al propio
elemento de “a”
Sea: A = 8  A = 8

b) Matriz de Orden dos: Sea A = aij 2 su determinante es:

a a 
A =  11 12 
a a
 21 22 
A = a11 . a22 − a12 . a21

c) Matriz de Orden tres: Sea la matriz B = bij 3

a b c 
 
B= d e f 
g h i 
 
B = aei + bfg + cdh − ceg − afh − bdi
1.2.2. REGLA PRÁCTICA PARA SU CÁLCULO
De Sarrus por filas o columnas

 a1 b1 c1 
 
A =  a2 b2 c2 
 a 3 b3 c 3 
a1 b1 c1
a2 b2 c2
a3 b3 c3
(−) a b1 c1 ( + )
1
(−) (+)
( − ) a2 b2 c2 ( + )
N M

Luego: A = M−N

Propiedades
Si A y B son matrices cuadradas de mismo orden:
5. A + B  det (A ) + det (B)
6. det (A .B) = det (A ). det(B)
7. Para toda matriz cuadrada A, se tiene que: A = A .
t

8. El determinante de una matriz es igual a cero si todos los elementos de una fila o de una
columna son iguales a cero.
9. El determinante de una matriz triangular, diagonal o escalar, es igual al producto de los
elementos de la diagonal.
10. El determinante de un producto de matrices cuadradas, es igual a producto de los
determinantes de ambas matrices, es decir:
Si A y B son de orden “n”:
A .B = A . B

1.2.3. COFACTOR DEL ELEMENTO DE UNA MATRIZ

El cofactor del elemento de a ij de una matriz cuadrada A, esta definida por.

ij = (− 1)i + j . Mij

En el ejemplo anterior:
 42 = (− 1)4 + 2 . Mij = (+ ) Mij

1.2.4. DESARROLLO DE UN DETERMINANTE POR COFACTORES

El determinante de una matriz cuadrada es igual a la suma algebraica de los productos de los
elementos de cualquier fila o columna por sus respectivos cofactores.
 a11 a12 a13 
 
A =  a 21 a 22 a 23 
 a 31 a 32 a 33 

Ejemplo:
A = a21 .  21 + a22 .  22 + a23 . 23 , A = a13 . 13 + a23 . 23 + a33 . 33
Este método general, es para calcular los determinantes de cualquier orden.
1.2.5. MATRIZ INVERSA
Sea una matriz “A” cuadrada y de orden nxn; si existe una matriz cuadrada B del mismo orden,
tal que: AB = BA = I, entonces se dice que B es la matriz inversa de A y se denota por B = A −1

1.2.6. MATRIZ DE COFACTORES

Sea A una matriz cuadrada de orden “n”, la matriz de cofactores de A esta definida por:

 11  1n 
 
   2n 
Cofact (A ) =  21
   
 
 n1  nn 

1.2.7. OPERACIÓN DE LA MATRIZ INVERSA

Para entender bien el procedimiento para encontrar es necesario definir:
• Matriz Adjunta: Se define así a la transpuesta de la matriz de cofactores

Adj (A ) = (Cofact A )t

1.2.8. OBTENCIÓN DE LA INVERSA DE UNA MATRIZ POR EL MÉTODO DE LA ADJUNTA

Si A es una matriz inversible ( A  0) ; entonces la matriz inversa está dada por:
Adj (A )
A −1 = =
1
 Adj (A ) 
A A

1.2.9. OBTENCIÓN DE LA MATRIZ INVERSA POR EL MÉTODO DE GAUSS – JORDÁN

Sea la matriz cuadrada A no singular y la matriz identidad “I” del mismo orden, se construye la
matriz ampliada (A / I) donde por operaciones elementales (por fila) debe obtenerse una nueva
matriz ampliada ( I / B ) concluyendo que B = A −1 .

Ejemplo:

1 2 3
 
Si: A = 2 4 5 ; Hallar A −1
3 5 6
 

Solución
1 2 3 1 0 0 ⎯⎯→ 1 2 3 1 0 0
f 2 − 2f1
2 4 5 0 1 0 ⎯⎯⎯
⎯→ 0 0 −1 − 2 1 0
f −3f
3 5 6 0 0 1 ⎯⎯
3
⎯
⎯1
→ 0 −1 − 3 − 3 0 1

⎯⎯
f
2 x⎯ ⎯
⎯→
3 (− f )
f +3f
1 2 3 1 0 0 ⎯⎯
1
⎯
⎯2
→ 1 2 0 −5 3 0
f 2 − 3 f3
0 1 3 3 0 − 1 ⎯⎯⎯
⎯→ 0 1 0 − 3 3 −1
f x (−1)
0 0 −1 2 1 0 ⎯⎯
3
⎯
⎯→ 0 0 1 2 −1 0
f −2f
⎯⎯
1 ⎯⎯
2→
 1 0 0 1 −3 2 1 −3 2
0 1 0 −3 3 −1  A −1 = − 3 3 −1
0 0 1 2 −1 0 2 −1 0

1.3. SISTEMA DE EDUCACIONES LINEALES

Un sistema de ecuaciones de la forma
 a11x1 + a12 x2 + ... + a1n xn = b1
 a x + a x + ... + a x = b
 21 1 22 2 2n n 2

 ...........
am1x1 + am 2 x2 + ... + amn xn = bm

donde los aij y los bi son escalares del cuerpo K y los x j representan las incógnitas del sistema

(también escalares del cuerpo K, en este caso, indeterminados), se llamará sistema de

ecuaciones lineales o sistema lineal sobre el cuerpo K. Se dirá que el sistema tiene m ecuaciones
y n incógnitas. A los aij se les llama coeficientes del sistema, a los b, términos independientes.

Agrupando los elementos anteriores tenemos

( )
A = aij → matriz de coeficientes, de orden m x n
 b1 
 
b
B =  2  → vector de términos independientes, de orden m × 1
 ... 
 
 bm 
 x1 
 
x
X =  2  → vector de las incógnitas, de orden n × 1
 ... 
 
 xn 
Definimos la matriz ampliada (A│B), de orden m × (n + 1), como la que se forma añadiendo la
columna B a la matriz A. Si ponemos el vector de términos independientes y el de las incógnitas
en forma de columna obtenemos la forma matricial del sistema AX = B.

Una solución del sistema de ecuaciones lineales (*) es un vector S = ( s1, s2 ,..., sn ) ∈ K n tal

que al sustituir cada incógnita x j por el correspondiente sj se verifican todas las ecuaciones,

o equivalentemente, si se cumple la relación matricial AS = B ( S denota el traspuesto del

t t

vector-fila S, es decir, lo hemos puesto en forma de vector-columna).

Según el número de soluciones los sistemas pueden ser compatibles (SC), si tienen alguna
solución, o incompatibles (SI), si no tienen ninguna solución. Un sistema compatible puede
tener solución única, en cuyo caso se dice que es compatible determinado (SCD), o tener más
de una solución, en cuyo caso se dice que es compatible indeterminado (SCI). De hecho,
cuando el cuerpo es infinito (como ocurre con el caso K = ℝ) los SCI no sólo tienen más de una
solución, sino que tienen infinitas.
En los SCI al conjunto de todas las soluciones se le llama solución general y ésta quedará en
 función de una serie de parámetros. Al menor número de parámetros que se necesitan para
expresar la solución general lo llamaremos grado de indeterminación o grados de libertad del
sistema.
Diremos que un sistema AX = B es homogéneo si B es el vector nulo, es decir, si todos los
términos independientes son nulos. Éstos siempre serán SC pues el vector nulo es siempre una
solución (la solución que se obtiene al coger todas las incógnitas con valor 0). Entonces un
sistema homogéneo
es SCI si y sólo si tiene alguna solución no nula.
Al conjunto de las soluciones de un sistema homogéneo AX = 0 lo denotaremos por ker A y lo
llamaremos núcleo de la matriz A

1.3.1. Sistemas Equivalentes. Método de Gauss para resolver sistemas lineales.

Llamaremos discutir un sistema a determinar si es SI, SCD o SCI. Por discutir y resolver
se entenderá que hay además que dar la solución o soluciones, si es SC. Para ello lo que
podemos hacer es utilizar el método de Gauss que consiste en aplicar transformaciones
elementales hasta escalonar el sistema. Recordemos las transformaciones elementales
que utilizábamos sobre matrices, sistemas o vectores:
1. Cambiar de orden las ecuaciones.
2. Multiplicar una ecuación por un escalar no nulo.
3. Sumar a una ecuación un múltiplo de otra.
4. Además, aquí es posible también:
5. Cambiar de orden las incógnitas.
Estas transformaciones convierten el sistema lineal inicial en otro equivalente, es decir,
con las mismas soluciones. Una vez escalonado el sistema se resuelve de forma sencilla,
pues:
▪ Si al final (o en algún momento previo) nos sale un absurdo, es decir, una
ecuación que no es posible que se cumpla (como 0 = 1, o algo similar) entonces
estamos con un SI.
▪ Si no estamos en la situación anterior (podremos escalonar hasta el final),
estaremos con un SC y puede ocurrir que:
o Todas las incógnitas correspondan con pivotes (se llaman pivote de cada
fila al primer coeficiente no nulo que aparece. Esto es para la matriz de
coeficientes. Si lo miramos en el sistema se corresponden con la primera
incógnita que aparece en cada ecuación). En definitiva, lo que ocurrirá es
que, después de escalonar y eliminar las ecuaciones (o filas) nulas,
tendremos igual número de ecuaciones que de incógnitas. En tal caso
tenemos un SCD en el que la solución del sistema se puede hallar
despejando el valor de las incógnitas, de abajo hacia arriba.
 o Haya alguna incógnita del espacio que no corresponda a ningún pivote. En
este caso tenemos un SCI, y las incógnitas que no correspondan a pivotes
van a ser los parámetros del sistema. El número de parámetros (que por el
método de Gauss son ya el número mínimo necesario para expresar la
solución general del sistema) será los grados de libertad del sistema.
Durante este proceso también pueden ir eliminándose ecuaciones” triviales” de la forma 0 = 0
(porque estas ecuaciones siempre se cumplen y no aportan nada nuevo) o bien ecuaciones que sean
CL de otras.

Veamos los siguientes ejemplos:

Ejemplo:

1. Discutir y resolver el siguiente sistema lineal

 x − z = −1

−2 x + y + z = −5
 4 x − y − 3z = 3

Obtenemos que la matriz ampliada del sistema es
 1 0 −1 −1 
 
 −2 1 1 −5 
 4 −1 −3 3 
 
Le añadimos a la segunda fila la primera multiplicada por 2, y a la tercera multiplicada por
−4 y obtenemos
1 0 −1 −1 
E2 + 2 E1  
0 1 −1 −7 
E3 − 4 E1  
 0 −1 1 7 
Eliminando entonces la tercera ecuación (es proporcional a la segunda) llegamos a la matriz
 1 0 −1 −1 
 
 0 1 −1 −7 
Que representa al sistema

 x − z = −1

 y − z = −7
que es equivalente al sistema inicial. Como ya está escalonado y no nos ha aparecido ninguna
ecuación contradictoria estamos con un SC. Además sólo hay 2 pivotes (los correspondientes
a las incógnitas x e y), con lo que sobra un incógnita, z, que será el único parámetro en este
caso, de manera que tenemos un SCI (ya que hay algún parámetro). Así, poniendo z = α y
despejando en las ecuaciones obtenemos que y = −7 + z = −7 + α. Y en la primera ecuación
tenemos que x = z −1 = α − 1. Así la solución general de este SCI es
 x =  −1

 y = −7 +  con α ∈ ℝ
 z =

1.3.2. Método de Cramer
Teorema: Supongamos que tenemos un sistema de ecuaciones lineales X =  con matriz
de coeficientes  cuadrada de orden n, y del que se sabe que es SCD. Entonces la solución
M
del sistema ( x1  x2  x3  …; xn ) cumple que xi = │ i │ para todo i , donde M i es la
A

matriz obtenida a partir de  sustituyendo la columna i-ésima por la columna de términos

independientes .
El método de Cramer también puede utilizarse para resolver un SCI del siguiente modo:
Supongamos que r() = r(|) = n y elegimos un menor no nulo de  de orden . Se
dejan a la izquierda las incógnitas que forman parte del menor; el resto de incógnitas se
pasarán a la derecha y serán los parámetros. Las ecuaciones que no forman parte del menor
pueden eliminarse pues son CL de las restantes. La solución general del sistema puede
obtenerse por Cramer, imaginando que tenemos el SCD en el que se consideran como
incógnitas únicamente las que están a la izquierda, es decir, las que corresponden a los
pivotes (la matriz de coeficientes de este sistema será de orden  × pues no formarán parte
de ella los coeficientes de las incógnitas que van a ser ahora parámetros, ni tampoco los de
las ecuaciones que hemos eliminado).
El método de Cramer es en general poco útil en la práctica, pues cuando el orden del
sistema es relativamente grande hay que hacer demasiadas operaciones para resolverlo (ya
cuando estamos con 3 ecuaciones y 3 incógnitas es más recomendable el de Gauss).
Ejemplo: Discutir los siguientes sistemas lineales utilizando el Teorema de Rouché y
resolverlos (en su caso) por el método de Cramer:
1.
 x1 + x2 − x3 = 2

 3x1 − x2 + 2 x3 = 2
− x − x − 3x = −2
 1 2 3
Como
1 1 −1
3 −1 2 = 16  0
−1−1−3
se tiene que el rango tanto de la matriz de coeficientes como el de la matriz ampliada
valen 3.
 Por ello estamos con un SCD. Entonces la solución es
2 1 −1
1 16
x1 = 2 −1 2 = =1
16 16
−2 −1 −3

1 2 −1
1 16
x2 = 3 2 2 = =1
16 16
−1 −2 −3

1 1 2
1 0
x3 = 3 −1 2 = =0
16 16
−1 −1 −2

1.4. Problemas Modelos aplicados a la vida cotidiana

1. En un edificio hay tres tipos de vivienda: L3, L4 y L5, las viviendas L3 tienen 4 ventanas
pequeñas y 3 grandes; la L4 tiene 5 ventanas pequeñas y 4 grandes, y las L 5, 6 pequeñas y 5
grandes. Cada ventana pequeña tiene 2 cristales y 4 bisagras, y las grandes, 4 cristales y 6
bisagras.
a) Escribe un matriz que describa el numero y tamaño de ventanas de cada vivienda y otra que
exprese el numero de cristales y bisagras de cada tipo de ventana.
b) Calcula la matriz que expresa el número de cristales y bisagras de casa tipo de vivienda.

Solución

• Numero y tamaño de ventanas de cada vivienda

p g
p: pequeño
L3  4 3  g: grande
 
L4  5 4  L3, L4, L5: vivienda
L5  6 5 

• Numero de cristales y bisagras de cada tipo de ventana

c b
p: pequeño
p 2 4 g: grande
 
g 4 6 c: cristal
b: bisagras
 Calcula la matriz que expresa el número de cristales y bisagras de casa tipo de vivienda.

se multiplicará las matrices de vivienda con la cristales y bisagras.

p g  c b
c b
L3  4 3  L3  a11 a12 
  x p 2 4 =  
L4  5 4    L 4  a21 a22 
g 4 6
L5  6 5  L5  a31 a32 
Multiplicación de los arreglos:

a11= 4 x 2+3 x 4= 20 a12 = 4 x 4+3 x 6=34

a 21=5 x 2+ 4 x 4= 26 a 22 =5 x 4+ 4 x 6= 44
a 31=6 x 2+5 x 4=32 a 32 =6 x 4+5 x 6=54
Reemplazando los arreglos
 c b
L3  20 34 
 
L 4  26 44 
L5  32 54 

En la vivienda L3 hay 20 cristales y 34 bisagras.

En la vivienda L4 hay 26 cristales y 44 bisagras.
En la vivienda L4 hay 32 cristales y 54 bisagras.

2. Una industria fabrica dos tipos de bombilla: transparente(T) y opacas(O), de cada tipo se
hacen cuatro modelos: M1, M2, M3 y M4

T O
M 1  300 200  Esta tabla muestra la producción
M 2  400 
250 
semanal de bombillas de cada
M 3  250 180 
  tipo y modelo.
M 4  500 300 
El porcentaje de bombillas defectuoso es el 2% en el modelo M1, el 5% en el M2, el 8% en el
M3 y el 10% en el M4. Calcula la matriz que expresa el numero de bombillas transparente y
opacas, buenas(B) y defectuosas(D) que producen.
 Solución
la producción semanal de bombillas de cada tipo y modelo, se multiplica con el tipo de
bombillas, buenas y defectuosas.
T O
M M 1 M 3 M 4 M 1  300 200  T O
M 2  400  =
2

D  0, 0 2 0, 05 0, 08 0,1 X 250  D  a11 a12 

   
B  0,98 0,95 0,92 0,9  M 3  250 180  B  a21 a22 
 
M 4  500 300 
Multiplicación de los arreglos:

a11=0,02 x 300+ 0,05 x 400+ 0,08 x 250+ 0,1x 500=96

a12 =0,02 x 200+ 0,05 x 250+ 0,08 x180+ 0,1x 300=61
a 21=0,98 x 300+0,95 x 400 +0,92 x 250 +0,9 x500 =1354
a 22 =0,98 x 200+0,95 x 250+0,92 x180 +0,9 x300 =869

Reemplazando los arreglos

T O
D96 61
 
B 1354 869 

En la producción defectuosas, hay 96 transparentes y 61 opocas.

En la producción buenas, hay 1354 transparentes y 869 opocas.

3. Diego va una panadería, compra 3 panes y 5 bolsas con leche y le cuestan $12. Laura va a la
misma panadería y compra 5 panes y 6 bolsas con leche cuestan $15.8 ¿Cuánto cuesta cada
pan y cada bolsa con leche?
Solución
Paso 1: Se determinan las variables:
x = costo de cada pan.
y = costo de una bolsa con leche.

Paso 2: Se plantea un sistema de ecuaciones con los datos del ejercicio:

 Paso 3. Se calcula el determinante general:
3 5
A= = 3x6 − 5 x5 = −7
5 6

A = −7

Paso 4. Se calcula el determinante en x:

12 5
A x
= = 12 x6 − 15.8 x5 = −7
15.8 6

A x
= −7

Paso 5. Se calcula el determinante en y:

A y
= −12.6

Paso 6. Se calcula el valor de x:

A −7
x= x
= =1
A −7

x =1
Paso 7. Se calcula el valor de y

y=
A y
=
−12.6
= 1.8
A −7

y = 1.8
Por lo tanto, se tiene que cada pan cuesta $1.000 y cada bolsa con leche cuesta $1.8

4. Un laboratorio produce 42 mil unidades de insulina. El laboratorio abastece a 3 ciudades que

demandan toda la producción. En cierta semana, la primera ciudad solicitó tantas unidades
como la segunda y tercera juntas. Mientras que la segunda pidió un 20% más que de la suma
de la mitad de lo pedido por la primera más la tercera parte de lo pedido por la tercera. ¿Qué
cantidad solicitó cada una?

Solución
La segunda ciudad pidió un 20% más, quiere decir:

100% + 20% = 120% =1.2

Si asumimos que, en todas las semanas, las ciudades siempre demandan las mismas
cantidades: x, y, z (en miles), respectivamente, se tendrá la siguiente tabla
 Demandas Ciudad

A B C Total

Demanda 1, en una semana x y z 42

Demanda 2, en una semana y+z z 42

1.2

Entonces establecemos las siguientes ecuaciones:

𝑥 + 𝑦 + 𝑧 = 42 ...1
𝑥 =𝑦+𝑧 . . .2
𝑥 𝑧
𝑦 = 1.2( + ) . . .3
2 3

La ecuación 1, es la demana1 en la tabla.

La ecuación 2, es la demanda 2 en la tabla.
La ecuación 3, es la demanda 3 en la tabla.
Desarrollando la fracción de la ecuación 3 y ordenando las variables quedaría de la siguiente forma:
𝑥 + 𝑦 + 𝑧 = 42 ...4
𝑥 − 𝑦 − 𝑧=0 . . .5
3𝑥 − 5𝑦 + 2𝑧 = 0 . . .6

La resolución será mediante el método de Gauss Jordán

Matriz aumentada
++x y +z
f1  1 +1 +1 42 
 
f 2  1 − 1 −1 0 
f 3  3 −5 +2 0 
f1, f2 y f3 son las referencias a las filas
aplicando las peraciones en las filas:
−1 ∗ 𝑓1 + 𝑓2 = 𝑓2

1 +1 +1 +42 
 
 0 −2 −2 −42 
 3 −5 +2 0 
 
 −3 ∗ 𝑓1 + 𝑓3 = 𝑓3
•
1 +1 +1 +42 
 
 0 −2 −2 −42 
 0 −8 −1 −126 
 
1
− ∗ 𝑓2 = 𝑓2
2
•
1 +1 +1 +42 
 
 0 +1 +1 +21 
 0 −8 −1 −126 
 

•
1 +1 +1 +42 
 
 0 +1 +1 +21
 0 0 +7 +42 
 

•
1 +1 +1 +42 
 
 0 +1 +1 +21
 0 0 +1 +6 
 

•
 1 0 0 21
 
 0 1 1 21 
0 0 1 6 
 

•
x y z
 1 0 0 21
 
 0 1 0 15 
0 0 1 6 
 
igualando las variables nos queda:

La ciudad A, solicitó 21 mil unidades

La ciudad B, solicitó 15 mil unidades
La ciudad C, solicitó 6 mil unidades
5. Una firma produce tres clases de artículos A, B , y C que requieren ser procesados por tres
máquinas I , II y III. El tiempo requerido en horas para procesar una unidad de cada producto
en las tres máquinas está dado por la siguiente tabla:
A B C
I 3 1 2
II 1 2 1
II 2 4 1

La máquina I está disponible por 490 horas, la máquina II por 310 horas y la máquina III por
560 horas. ¿Cuántas unidades de cada artículo se deben producir, si se quiere usar todo el
tiempo que las máquinas tienen disponible?

Solución
Sean
X = número de unidades del artículo A que se deben producir.
y= número de unidades del artículo B que se deben producir.
z = número de unidades del artículo C que se deben producir.
El tiempo que se usará la máquina I está dado por la ecuación 3x+y+2z=490
El tiempo que se usará la máquina II está dado por la ecuación x+2y+z=310
El tiempo que se usará la máquina III está dado por la ecuación 2x+4y+z=560.

En un sistema de ecuación lineal

3𝑥 + 𝑦 + 2𝑧 = 490
𝑥 + 2𝑦 + 𝑧 = 310
2𝑥 + 4𝑦 + 𝑧 = 560

La resolución será mediante el método de Gauss Jordán

La matriz aumentada
++x y +z
f1  3 1 2 490 
 
f 2 1 2 1 310 
f 3  2 4 1 560 

•
1 2 1 310 
 
 3 1 2 490 
 2 4 1 560 
 

•
•
 1 + 2 +1 310 
 
 0 −5 −1 −440 
 0 0 −1 −60 
 

•
1 + 2 +1 310 
 
 0 +1 1/ 5 88 
 0 0 −1 −60 
 

•
 1 0 3 / 5 134 
 
 0 1 1/ 5 88 
 0 0 −1 −60 
 

•
 1 0 3 / 5 134 
 
 0 1 1/ 5 88 
 0 0 1 +60 
 

•
 1 0 0 98 
 
 0 1 0 76 
 0 0 1 60 
 
igualando las variables nos queda:
𝑥 = 98
𝑦 = 76
𝑧 = 60

Se debe producir 98 unidades del artículo A, 76 unidades del artículo B y 60 unidades del
artículo C, para usar en su totalidad el tiempo que las máquinas tienen disponible.
6. Se muestra el volumen de tráfico promedio por hora, de vehículos que entran y salen en cada
una de 4 intersecciones de las calles más concurridas de una ciudad, entre las 7 am. y las 8
am. Determinar el número de vehículos que entran y salen en cada intersección en el período
de tiempo establecido.

Solución
En cada intersección, el número de vehículos que entran es igual al número de vehículos que
salen. Por lo tanto:
la intersección A conduce a la ecuación 380 + p =430+q
la intersección B conduce a la ecuación 540 + q = 420 + r
la intersección C conduce a la ecuación 470 + r = 420+ 400
la intersección D conduce a la ecuación 420 + 450 = p + s

En un sistema de ecuación lineal

La resolución será mediante el método de Gauss Jordán

La matriz aumentada
++ p q r s
f1 1 −1 0 0 50 
f 2  0 1 −1 
0 −120 
f3  0 0 +1 0 350 
 
f4  +1 0 0 1 870 
 •
1 −1 0 0 50 
 
0 1 −1 0 −120 
0 0 +1 0 350 
 
0 +1 0 1 820 

•
•
1 0 −1 0 −70 
 
0 1 −1 0 −120 
0 0 +1 0 350 
 
0 0 +1 1 940 

•
•
•
1 0 0 0 280 
 
0 1 0 0 230 
0 0 1 0 350 
 
0 0 0 1 590 

Se obtiene la solución p = 280, q = 230, r= 350, s = 590.

Por lo tanto, entre las 7 am. y las 8 am., se tiene que:
En la intersección A, entran 380+ 280 = 660 vehículos y salen 430+230 = 660 vehículos.
En la intersección B, entran 540 + 230 =770 y salen 420+350 =770 vehículos.
En la intersección C, entran 470+350= 820 y salen 820 vehículos.
En la intersección D, entran 870 vehículos y salen 870 vehículos.
II. CONCLUSIÓN

El estudio de las matrices es muy importante en la actualidad porque es una herramienta que
permite organizar, sistematizar y procesar información donde intervienen muchas variables y
que presentan diversas restricciones. Los ámbitos de aplicación de las matrices son amplios;
por ejemplo, son muy usados en las diversas áreas de las ingenierías, las ciencias de la salud y
las ciencias sociales; así como en la industria y los procesos de producción.
REFERENCIAS

Ayres, F. (1969). Teoría y problemas de matrices. Bogotá: McGraw-Hill

Chávez, J. (1998). Matrices, determinantes y sistemas de ecuaciones lineales. Lima: Universidad de
Lima.
Espinoza, E. (2002). Vectores y Matrices. 2ª edición. Lima.
Figueroa, R. (2009). Vectores y Matrices con números complejos. Lima: América.
Grossman, S. & Flores, J. (2012). Álgebra lineal. 7ª edición. México: McGraw-Hill Interamericana
Editores, S.A.
Howard, A. & Rorres, C. (2011). Introducción al Álgebra Lineal. 5ª edición México: Limusa.
Kleiman, A. (1980). Matrices, aplicaciones matemáticas en economía y administración. 3ª edición.
México: Limusa.