\DAD % UNLY. "Peary ex ESCUELA DE INGENIERIA ASIGNATURA: INVESTIGACION DE OPERACIONES | Lecturas Obligatorias _, Libro: Investigacién de Operaciones- 4°Edicién Autor: Wayne Winston. Ed. Thomson, México D.F, 2005. Capitulo 1 Introduccién a la construccién de modelos. Paginas 01-07. Capitulo 2- Algebra Lineal Basica. Paginas 11-46. Capitulo 3-Introduecién a la Programacién Lineal. Paginas 56-67. Capitulo 9 Programacién Entera. Paginas 475-501. PROFESOR RESPONSABLE: EZILDA CABRERA i j Esto material de apoyo académico se hace para uso exclusivo de los alumnos de la Universidad de Lima y on concordancia con fo dispuesto por la legislacién sobre i los derechos de autor: Decreto Legislative 822 ABRIL 2008Introduccién a la construccién de modelos 141 JEMPLO 1 Solucién Introduccién a los modelos La investigacién de operaciones (con frecuencia llamada ciencia de Ia administracién) es, simplemente, un enfoque cientifico en la toma de decisiones que busca el mejor dise- fio y operar un sistema, por lo regular en condiciones que requieren la asignacién de recursos escasos, Por sistema, se quiere dar a entender una organizacién de componentes interdepe dientes, que trabajan juntos para lograr un objetivo del sistema. Por ejemplo, Ford Mo- tor Company es un sistema cuya meta es maximizar las utilidades que se pueden ganar ‘mediante la produccién de vehiculos de calidad, EL término investigacién de operaciones se acutio durante la Segunda Guerra Mun- dial, cuando los comandantes militares briténicos solicitaron a los cientificos ¢ ingenie- 10s analizar varios problemas militares, como el despliegue de los radares y el control de convoyes, bombardeos, operaciones antisubmarinas y colocacién de minas. En el enfoque cientifico de toma de decisiones, se requiere el uso de uno o més mo- delos matemiticos. Estos son representaciones matemiticas de situaciones reales que se podrian usar para tomar mejores decisiones, o bien, simplemente para entender me- jor la situacién real. El ejemplo siguiente debe aclarar muchos de los términos impor- tantes que se usan para explicar los modelos matemiticos. or Eee Eli Daisy fabrica Wozac en enormes cargas, mediante el calentamiento de una mezcla quimica en un contenedor presurizado. Cada vez que se procesa una carga, se produce tuna cantidad distinta de Wozac. La cantidad producida es el rendimiento del proceso (medido en libras). A Daisy le interesa comprender los factores que influyen en el ren- dimiento del proceso de produccién de Wozac. Describa un proceso de construccién de ‘modelos para esta situacién. Lo primero que le interesa a Daisy es determinar los factores que inftuyen en el rendi- miento del proceso. A esto se le podria llamar modelo descriptivo, porque describe el comportamiento del rendimiento real como una funcién de varios factores. Daisy po- dria determinar (mediante métodos de regresién que se estudian en el capitulo 24) cual de los factores siguientes influyen en el rendimiento: ‘= Volumen del contenedor en litros (V). ‘= Presién del contenedor en mililitros (P) ‘= Temperatura del contenedor en grados Celsius (T). ‘= Composicién quimica de Ia mezcla procesada Si A, B y C son los porcentajes de la mezcla compuesta por los productos quimicos A, By C, entonces, Daisy podria descubrir, por ejemplo, que rendimiento (I) = 300 + O.8V + 0.01P + 0.06T + 0.001T*P — 0.017? ~ 0.001P? + 1LTA + 9.4B + 16.4C + I9A"B + 114A*C ~ 9.6BCPara determinar esta relacién, se tendria que medir el rendimiento del proceso para mu- chas combinaciones distintas de los factores mencionados. Si Daisy conociera esta ecua~ cidn, podria describir el rendimiento del proceso de produccién una vez que conociera el Volumen, presién, temperatura y composicién quimica. Modelos prescriptivos o de optimizacién [La mayor parte de los modelos que se analizan en este libro, son preseriptivos o de op- timizacién, Un modelo de este tipo “dicta” el comportamiento para una organizacién que le permitira a ésta alcanzar mejor su(s) meta(s). Entre los elementos de un modelo pres- ctiptivo estén: ut Funcién(es) objetivo. wm Variables de decisién, = Restricciones. En pocas palabras, un modelo de optimizacién trata de encontrar valores, entre el conjun- to de todos los valores para las variables de decisién, que optimicen (maximicen o mini- micen) una funcién objetivo que satisfagan las restricciones dadas. La funcién objetivo Como ¢s natural, a Daisy le gustaria maximizar el rendimiento del proceso. En la mayo- ria de los modelos hay una funcién que deseamos maximizar 0 minimizar. Esta funcién se llama funcién objetivo del modelo, Pero para maximizar el rendimiento del proceso, se requiere encontrar los valores de V, P,T, A, B y C, que hacen que (1) sea tan elevado co- ‘mo sea posible. En muchas situaciones, una empresa puede tener més de un objetivo. Por ejemplo, pa- ‘a asignar estudiantes a las dos escuelas de bachillerato de Bloomington, Indiana, la Jun- ta Escolar del Condado de Monroe establecié que la asignacién de estudiantes tenia los siguientes objetivos: = Igualar Ja cantidad de estudiantes en las dos escuelas. m= Reducir al mfnimo la distancia promedio de vigje a la escuela, = Tener un conjunto de estudiantes variadlo en ambas escuelas. Se analizan problemas de toma de decisiones con objetivos méiltiples en las secciones Alay 1113. Variables de decision Las variables cuyos valores estén bajo nuestro control ¢ inffuyen en el desemperio del sis- tema, se denominan variables de decisién. En el ejemplo, V, P.T, A, B y C son variables de decisién. La mayor parte de este libro se destina a un andlisis de cémo determinar el va- lor de las variables de decisién que maximiza (a veces, minimiza) una funcién objetivo. Restricciones En la mayor parte de las situaciones, s6lo son posibles ciertos valores de las variables de decisién. Por ejemplo, ciertas combinaciones de volumen, presién y temperatura, podrian ser peligrosas. Ademés, A, B y C deben ser mimeros positivos que se afladen a 1. Las res- tricciones de los valores de las variables de decisién se denominan restricciones. Supén- ase lo siguiente: 2 artreco 1 Ittuein aa cost de modelosm= El volumen debe estar entre 1 y 5 litro. m La presién debe ser de entre 200 y 400 mililitros. m Latemperatura debe estar entre 100 y 200 grados Celsius = Lamezcla debe estar compuesta sélo de A, B, y C. = Para que el farmaco se comporte de manera adecuada, s6lo la mitad de la mezcla cuando mucho puede ser del producto A. Estas restricciones se expresan en forma matematica como sigue: vss vel P= 400 P= 200 Ts 200 T= 100 Azo B=0 A+B+C=1 Ass Después de hacer que z represente el valor de la funcién objetivo, el modelo completo de ‘optimizacién se escribe como sigue: ‘Maximizar z = 300 + 0.8V + 0.01P + 0.06T + 0.001T*P — 0.01T? — 0.001P* + ILTA + 9.4B + 16.4C + 19A*B + 11.4A*C ~ 9.6B4C Sujeto a (sa) vss vel P= 400 P= 200 T3200 T=100 A=0 B=0 cz0 A+B+C=1 Ass Se dice que cualquier especificacién de las variables de decisién que cumple con todas las restricciones del modelo se encuentra en la regién factible. Por ejemplo, V = 2, P = 300, T = 150, A = 0.4, B = 03, y C = 0.1 estén en la region factible. Una solueién éptima ppara un modelo de optimizacién es cualquier punto en la regién factible que optimice (en este caso maximice) la funcién objetivo. Mediante el paquete LINGO que viene con este libro, se establece que la solucién éptima para este modelo es V = 5, P = 200,T = 100, A = 0.294, B = 0, C = 0.706 y z = 183.38, Por consiguiente, un rendimiento maximo de 183.38 libras se obtiene con un contenedor de 5 litros, presién de 200 mililitros, tem- peratura de 100 grados Celsius y 29% de A y 71% de C. Esto quiere decir que con nin- 1.1 niostin a las mottos 3guna otra combinacién factible de las variables de decisién es posible obtener un rendi- miento que sobrepase 183.38 libras. Modelos estaticos y dinamicos Un modelo estatico es uno en el cual las variables de decisién no requieren sucesiones de decisiones para periodos miltiples. Un modelo dindmico es uno en el cual las variables, de decisién si requieren sucesiones de decisiones para periodos multiples. En esencia, en el modelo estético se resuelve un problema luego de un solo intento, cuyas soluciones dictan valores éptimos de las variables de decisién en todos los puntos del tiempo. El ejemplo I es tuna muestra de un modelo estatico; la solucién éptima le indicaré a Daisy eémo maximi- zar el rendimiento en todos los puntos del tiempo. Como ejemplo de un modelo dinémico, considérese una compafia (llémela Sailco) que debe determinar cémo maximizar el costo de cumplir (justo a tiempo) la demanda de botes de vela durante el proximo ailo, Es evidente que Sailco debe determinar cusintos bo- tes debe producir durante cada uno de los siguientes cuatro trimestres, En las decisiones, de Sailco se consideran periodos miiltiples, de aqui que un modelo para el problema de Sailco (véase seccién 3.10) seria un modelo dindmico. Modelos lineales y no lineales ‘Supéngase que siempre que las variables de decisién aparecen en la funcién objetivo y en las restricciones de un modelo de optimizacién, estin multiplicadas por constantes y aco- ‘modadas en forma de suma. Un modelo de esta forma es un modelo lineal. Si un modelo de optimizacién no es lineal, entonces es un modelo no lineal, En las restricciones del ejemplo 1, las variables de decision siempre estén multiplicadas por constantes y acomoda- das en forma de suma, Por consiguiente, las restricciones del ejemplo 1 pasan la prueba del modelo lineal. No obstante, los términos 0.001T*P, ~0.01T*, 19A*B, I1-4A*C y —9.6B*C. hacen que el modelo sea no lineal en la funcién objetivo del ejemplo 1. Por lo regular, los ‘modelos no lineales son mucho més dificiles de resolver que los lineales. Estos tltimos se estudian del capitulo 2 al 10. Los modelos no lineales se tratan en el capftulo 11 Modelos enteros y no enteros Si una 0 mas variables de decisién deben ser enteros, entonces se dice que un modelo de optimizacién es un modelo entero. Si todas las variables de decision son libres para asu- mir valores fraccionarios, entonces el modelo de optimizacién es un modelo no entero, Es evidente que el volumen, temperatura, presién y composicién del porcentaje de nues- tros datos, pueden tomar valores fraccionarios. Entonces, el ejemplo 1 es un modelo no entero. Si en tun modelo las variables de decisién representan el nlimero de trabajadores ‘que empieza a laborer durante cada tumo en un restaurante que sirve bocadillos, enton- 2s es claro que se tiene un modelo entero. Los modelos enteros son mucho mas dificiles de resolver que los modelos no lineales. Se tratan con detalle en el capitulo 9, Modelos deterministicos y estocasticos Supéngase que para cualquier valor de las variables de decisién, se conoce con certeza el valor de la funcin objetivo y si les restricciones se cumplen 0 no. Entonces se tiene un modelo deterministico; de no ser asi, se tiene un modelo estocastico, Todos los mode- los de los primeros doce capitulos son deterministicos. Los modelos estocasticos se tra- tan en los capitulos 13, 16, 17 y 19 al 24. Si se considera al ejemplo 1 como un modelo deterministico, entonces se esté hacien- do la suposicién (irreal) que para los valores dados de V, P.T, A, B y C, el rendimiento del proceso siempre seré el mismo. Esto es muy improbable, Es posible ver a (1) como crirove 1 lnvoduii la construc de madels‘una representacién del rendimiento promedio del proceso para valores dados de las varia- bles de decisién. Por consiguiente, el objetivo es determinar valores de las variables de decisién que maximicen el rendimiento promedio del proceso, Se puede ganar con frecuencia conocimiento profundo y itil dentro de las decisiones 6ptimas aplicando un modelo deterministico en una situacién donde es mas apropiado un modelo estocéstico, Considérese el problema de Sailco de minimizar el costo de cumplir con la demanda Gusto a tiempo) de botes de vela. La incertidumbre respecto a la deman- da futura de botes de vela, quiere decir que para un programa de produccién dado, no se sabe si se cumpliré a tiempo con la demanda, Esto lleva a pensar que es necesario un mo- delo estocéstico para modelar la situacién de Sailco. Es posible desarrollar un modelo de- terministico para esta situacién que da lugar a buenas decisiones para Sailco, como se ve en la seceién 3.10. El proceso de construccién de modelos de los siete pasos ‘Cuando la investigacién de operaciones se utiliza para resolver un problema de una empre- sa se debe practicar el siguiente procedimiento de construccién de modelos de siete pasos: Paso 1: Plantear el problema El investigador de operaciones define primero el problema de la empresa. En dicha definicién se incluyen los objetivos especificos de la firma y las, partes de ésta que se deben estudiar antes de poder resolver el problema, En el ejemplo 1, el problema es determinar cémo maximizar el rendimiento de un lote de Wozac. Paso 2: Observar el sistema El investigador de operaciones reine luego informacién para estimar el valor de parimetros que afectan el problema de la empresa. Estas estimaciones, se utilizan para elaborar (en el paso 3) y evaluar (en el paso 4) un modelo matematico del problema. En el ejemplo 1, los datos se reunirian en un intento para determinar cémo in- fluyen los valores de T, PV, A, B y C, en el rendimiento del proceso Paso 3: Formular un modelo matematico del problema En este paso, el investigador de opera ciones elabora un modelo matematico del problema. En este libro se explican varias técnicas, ‘mateméticas que se pueden usar para modelar sistemas. En el ejemplo 1, el modelo de opti- rmizacién seria el resultado del paso 3. Paso 4: Verificar el modelo y usar el modelo para predecir El investigador de operaciones, trata de determinar si el modelo matemntico elaborado en el paso 3 es uma representacién exacta de la realidad. Por ejemplo, para validar el modelo, se tendria que verificar y obser- var si (1) representa exactamente el rendimiento para valores de las variables de decisién que no fueron usados para estimar (1). Incluso si un modelo es vAlido para la situacién ac- tual, debemos estar conscientes de no aplicarlo a ciegas, Por ejemplo, si el gobierno impone nuevas restriceiones a Wozac, entonces se tendria que afiadir nuevas restricciones al modelo, con lo cual podria cambiar el rendimiento del proceso [y la ecuacién (1)] Paso 5: Seleccionar una opeién adecuada El investigador de operaciones, dado un modelo y un conjunto de opciones, selecciona ahora la opcién que cumple mejor con los objeti- vos de la empresa, (;Puede haber més de una!). Por ejemplo, nuestro modelo permite de- terminar que el rendimiento se maximiza con V = 5, P = 200, T = 100, A = 0.294, B 0, C = 0.706 y 2 = 183.38 Paso 6: Presentar los resultados y la conclusin del estudio ala empresa Aqui, el investigador de operaciones presenta el modelo y las recomendaciones surgidas del paso 5 a la perso- na o al grupo que toma las decisiones. En algunas situaciones, uno podria presentar varias opciones, y dejar que la empresa seleccione la que mejor cumple con sus necesidades. Después de presentar los resultados del estudio de investigacién de operaciones, el ana- lista podria encontrar que la empresa no aprueba la recomendacion. Lo anterior podria ser el resultado de una definicién incorrecta de los problemas de la empresa 0 del fracaso 1.2 Bl pocen de cancion de mules do ls site pases 5para hacer intervenir a quien toma las decisiones desde-el inicio del proyecto. En este ca- 50, el investigador de operaciones debe regresar al paso 1, 20 3 Paso 7: Poner en marcha y evaluar las recomendaciones Si la empresa acepta el estudio, en- tonces el analista ayuda a poner en marcha las recomendaciones. Se debe monitorear (y actualizar de manera dinémica a medida que el entorno se modifique) en forma continua el sistema, para tener la certeza de que las recomendaciones permiten que la empresa cumpla con sus objetivos. A continuacién, se estudian tres aplicaciones exitosas de la ciencia de la administra- cién, Se proporciona una descripcién detallada (pero no cuantitativa) de cada una. El and lisis de cada aplicacién se liga con el proceso de construccién de modelos en siete pasos que se describié en la seccién 1.2 CITGO Petroleum Klingman y col. (1987), aplicaron una variedad de téenicas de la ciencia de la adminis- tracién a CITGO Petroleum. Mediante su trabajo, la compaiiia ahorré unos 70 millones de délares por afio. CITGO es una compafiia que refina y comercializa petrleo; la com- pr Southland Corporation (los propietarios de las tiendas 7-Eleven). Se tratan los dos as- pectos de la investigacién de! equipo de CITGO: de CITGO, 1 Un modelo matemético para optimizar la operacién de las refin 2 Un modelo matemitico -sistema de abastecimiento, distribucién y comercializacién (ADC)- que se usé para elaborar un plan de 11 semanas para comercializar, distribuir y abastecer, que funcionara para toda la empresa Optimizacién de las operaciones de refinacion Klingman y col., querian minimizar el costo de operacién de las refinerias de Paso2: La refineria Lake Charles, de Louisiana, fue sometida a estrecha observacién en ‘un intento por estimar las relaciones clave, como: 1 Cudnto depende el costo de produccién de cada uno de los productos de CITGO (Iu- bricante para motores, aceite combustible nimero 2, turbosina, gasolina y varios lubri- ‘antes para motor mezclados) en los insumos usados para manufacturar cada producto, 2. Cantidad de energia necesaria para producir cada producto. Esto requiere la instala- cién de un sistema nuevo de medicién. 3. Elrendimiento asociado con cada combinacién de insumos-producto. Por ejemplo, si un galén de aceite crudo rinde 0.52 galones de lubricante, entonces el rendimiento seria igual a $2 por ciento. 4 Para disminuir los costos de mantenimiento, la informacién se reunié a partir de in- ventarios de piezas y fallas de equipo. Para obtener datos precisos, se requirié la instala- cidn de un sistema nuevo de administracion de bases de datos y de un sistema integrado de informacién de mantenimiento. También se instal6 un sistema de control de procesos, con el fin de monitorear con toda seguridad los insumos y recursos usados para elaborar cada producto. Paso 3: Se ideé un modelo para optimizar las operaciones de las refinerfas usando pro- gramacién lineal. E1 modelo establece el método para minimizar los costos de combinar todos los insumos para manufacturar los productos deseados. El modelo contiene restric- ciones que aseguran que los insumos se mezclan de tal manera, que cada producto es de carisuco 1 nveduié aa constuein de modelsJa calidad especificada. La combinacién de restricciones se estudia en la seccin 3.8. El modelo impide que se exceda la capacidad de la planta, y facilita a todas las refinerias lle- var un inventario de cada producto final. Las secciones 3.10 y 4.12 tratan sobre las res- triceiones del inventario, Paso 4: Se reunieron los insumos y productos de un mes en la refinerla de Lake Char- les, para validar el modelo, y dados los insumos reales en la refineria en dicho mes, el ren- dimiento real se compard con el pronosticado por el modelo. Luego de cambios notables, el rendimiento pronosticado por el modelo estaba cercano al rendimiento real Paso 5: La aplicacién de la programacién lineal proporcioné diariamente una estrategia para administrar la refineria, Por ejemplo, el modelo podria producir, digamos, 400 000 galones de turbosina utilizando 300 000 galones de aceite crudo I y 200 000 galones del erudo 2. Paso Sy 7: Una vez que el control de la base de datos y del proceso estuvieron en su lugar, el modelo se usé para guiar dia tras dia las operaciones de las refinerias. CITGO estimé que los beneficios globales del sistema de las refinerias fueron mayores a los 50 millones de d6- lares por afi. El sistema de abastecimiento, (ADC) Paso 1: CITGO deseaba un modelo matemiético que se pudiera usar para tomar decisio- nes respecto a abastecimiento, distribucién y comercializacién, como ucién y comercializa 1 ¢Dénde se debia comprar el petréleo crudo? 2 {Dénde se debian vender los productos? 3° Qué precios se debian pedir por los productos? 4 {Cuinto de cada producto se debia conservar en inventario? El objetivo era, naturalmente, maximizar la utilidad de estas decisiones. Paso 2: Se instalé una base de datos que seguia con atencién ventas, inventario, comercio ¢ intercambios de todos los productos refinados. Ademis, se usé un andlisis de regresién, (capitulo 24) para elaborar prondsticos para precios de mayoreo y demandas de mayoreo para todos los productos de CITGO. Pasos 35: Se us6 un modelo de flujo de redes de costo minimo (MFRCM) (véase seccién 7.4) para determinar una estrategia de 11 semanas de abastecimiento, comercializacién y distribucién. EI modelo toma todas las decisiones que se mencionan en el paso 1. Correr un modelo caracteristico de 3 000 ecuaciones y 15 000 variables de decisién, requiere s6- Jo 30 segundos en una computadora IBM 4381 Paso 4: Los médulos de prediccién se evalian en forma continua, para tener la seguri- dad de que dan predicciones exactas. Pasos 6 y 7: Poner en marcha el ADC requirié varios cambios en la empresa. Se buscé tun nuevo vicepresidente para que coordinara la operacién del ADC y del modelo de pro- gramacién lineal (PL) de las refinerias. Los departamentos de abastecimiento de produc tos y programacién de productos, se combinaron para mejorar la comunicacién y flujo de 1a informacién, 1.4 Horarios del Departamento de Policia de San Francisco ‘Taylor y Huxley (1989) elaboraron un sistema de horarios de las patrullas de la policia (SHPP). Todas las demarcaciones de la policia de San Francisco utilizan el SHPP para calendarizar a sus oficiales. Se estima que con este sistema, la policfa de San Francisco 1.4 Haas del department de pois de San Frcs 7Algebra lineal bésica En este capitulo se tratan temas de algebra lineal necesarios para al resto de libro, Primero ‘se analizan los elementos det algebra lineal: matrices y vectores, Luego se aplican los cono: cimientos de matrices y vectores para desarrolar un procedimiento sistematico (el método de Gaues-Jordan) para resolver ecuaciones lineales, las que més tarde se aplicardn para invertir ‘matrices, El capitulo termina con una introduccién a los determinantes. El material que 9e estudia en este capitulo se utiliza para el estudio de la programacion lineal y no lineal. Por ejemplo, i 3 [: 2 I [3h ag 34h las of L-2 son matrices, Si una matriz 4 tiene m renglones y n columnas, se le llama matriz de m X n. Se de- nomina am X m como orden de la matriz. Una matriz tipica m X n se podria escribir como a a2 a, 4 a an Por ejemplo, si entonees, ay; = 1, az3 = 6 y ayy = 7.12 DEFINICION A veces se usard la notacién A = [ay] para indicar que 4 es la matriz cuyo ij-ésimo ele- mento es ay. Por ejemplo, si aL o> ef] entonces, 4 = Bsiy s6lo six = 1,y=2,w=3yz=4 Vectores ‘Cualguier matriz con slo una columna (es decir, cualquier matriz m X 1) se considera como un vector columna, La cantidad de rengiones en un vector columna es la dimen- sign del vector columna. Entonces, t 2 podria considerarse como una matriz de 2 X 1 o un vector columna bidimensional. Me- diante R” se denotaré el conjunto de todos los vectores columna m-dimensionales. Todo lo anterior se puede aplicar a cualquier vector con solo un renglén (una matriz. de 1X n) como un vector renglén. La dimensin de un vector renglon es el nimero de co- Tumnas en el vector. Por consiguiente, [9 2 3] se podria considerar como una mattiz, 1X 3,0 bien, un vector renglén tridimensional. Los vectores aparecen en negritas: por ejemplo, vector v, en este libro. Un vector m-dimensional (ya sea rengln o columna) en el cual todos los elementos son iguales a cero, se lama vector cero (se escribe 0). Entonces, 7 foo oy Cl son vectores coro bidimensionales. Cualquier vector m-dimensional corresponde a un segmento de recta dirigido en el plano m-dimensional. Por ejemplo, en el plano bidimensional, el vector “f] corresponde al segmento de recta que une el punto td 0. ( Los segmentos de recta dirigidos que corresponden a “EP Lh EE) ccon el punto se trazan en la figura 1 earirute 2 ger na bésicaFIGURA 1 Las vectores son segmentos de recta dirigidos Producto escalar de dos vectores Un resultado importante de multiplicar dos vectores es el producto escalar. Para definir el producto escalar de dos vectores, supongase que se tiene un vector renglén w= [1 ta 4] un vector columna de la misma dimensién. El producto escalar de u y v (escribase u - v) es el nimero yyy tava to ae Para que el producto escalar de dos vectores esté definido, el primer vector debe ser un vector renglén y el segundo vector debe ser un vector columna, Por ejemplo, si 2 23) y v=ft 2 entonces, u* v = 1(2) + 2(1) + 3(2) = 10. De acuerdo con estas reglas para calcular un producto escalar, [] sea entonces u - v no esti definido. También, si bas f] w= 23) y v=[) centonces, u + v no esté definido porque los vectores son de dos dimensiones distintas. Obsérvese que los dos vectores son perpendiculares si y sélo si su producto escalar es igual a cero. Por tanto, los vectores [1 —I]y [1 1] son perpendiculares. Se nota que u - v = {ull vj cos 6, donde jules la longitud del vector w y 6 es el dngu- lo entre los vectores wy ¥. 2.1 Mains y vetoes 134 FIGURA 2 Suma de vectores Operaciones con matrices A continuacién se explican las operaciones aritméticas con matrices que se usan en el res- to del libro Miiltiplo escalar de una matriz Dada cualquier matriz A y cualquier mimero c (a veces a un niimero se le llama escalar), la matriz e4 se obtiene a partir de la matriz A al multiplicar cada elemento de 4 por c. Por ao a-[! 3] wo uel? 9 -1 0. —3 0, Para c 1, la multiplicacién escalar de la matriz A se escribe a veces como —A. ‘Suma de dos matrices Sean A = [ay] y B = [by] dos matrices del mismo orden (digamos, m X n). Entonces, la matriz C = 4 + B se define como la matriz m X m cuyo ij-ésimo elemento es ay + By. Entonces, para obtener la suma de las dos matrices 4 y B se suman los elementos corres pondientes de 4 y B. Por ejemplo, si al! al y s-[1 -2 =| o-rd * 2 1-1 1-1 2-2 oP 0 | o+2 -141 1-1) Lo 0, Esta regla para la suma de matrices se puede usar para sumar vectores de la misma di- mensién. Por ejemplo, siu=[1 2]yv=[2 I} entoncesu+v=[1+2 2+ 1]= [3.3]. Los vectores se podrian sumar en forma geométrica por medio de la ley del pa- ralelogramo (véase figura 2) Se puede utilizar la multiplicacién de escalares y la suma de matrices para definir 1 concepto de un segmento de recta. Una mirada a la figura 1 debe convencer al lector de que cualquier punto w en el plano m-dimensional corresponde al vector u m-dimensio- nal que se forma al unir el origen con el punto w, Para dos puntos cualquiera u y v en el plano m-dimensional el segmento de recta que une w y v (Ilamado segmento de recta wv) es el conjunto de todos los puntos en el plano m-dimensional que corresponde a los vec- tores cu + (1 ~ cv, donde 0 = ¢ = 1 (figura 3). Por ejemplo, si u = (1,2)y v= 2, 1), entonces ava ve (247 ef 2 weve 3) cariruce 2 Alga HinelbsiaFIGURA 3 Segmento de recta que une w= (1,2) y en FIGURA 4 Representacién del segmento de recta uv ‘entonces el segmento de recta wv consiste en los puntos que corresponden a los vectores el Y+(-92 =e 1+ c,dondeOsc=1.Parac=Oye=1,se obtienen los puntos finales del segmento de recta wv; para c = 5, se obtiene ei punto me- dio (0.5u + 0.5v) del segmento de recta wv. Mediante la ley del paralelogramo, el segmento de recta uv podria ser considerado ‘también como los puntos correspondientes a los vectores u + c(v — u), donde 0 = c= | (figura 4). Obsérvese que para c = 0, se obtiene el vector u (que corresponde al punto 1), y para c = 1, se obtiene el vector v (que corresponde al punto») La traspuesta de una matriz Dada cualquier matriz. m n ya ae M32 Aan 4 a Ot yy yon Oo Be Mains y vctores 15Por consiguiente, 47 se obtiene a partir de 4 al hacer el renglén 1 de 4 la columna 1 de AT, el renglén 2 de 4 la columna 2 de AT, y asi sucesivamente. Por ejemplo, 4] 1 125 a si a-[} 5 a entonces 4 ak 5| 6 ‘Obsérvese que (4") = A. Sea B= [1 2); entonces Y v-[}] y @Y=fl A=8 ‘Como se observa mediante estos dos ejemplos, para cualquier matriz A, (A7)" Muttiplicacién de matrices Dadas dos matrices 4 y B, la matriz producto de A y B (escribase AB) esta definido si y s6lo si ‘Nimero de columnas en A ximero de renglones en B o Por el momento, supSngase que para algiin entero positivo r, A tiene r columnas y B tiene r renglones. Entonces, para m y n, A es una matriz m ry B es una matriz.r X n. Si se cumple la ecuacién 1, entonces cada renglén de 4 y cada columna de B tienen el mismo nimero de elementos. Ademés, si se cumple (1), entonces el producto escalar en Ja ecuacién (2) queda definido. La matriz producto C = AB tiene e! mismo nimero de renglones que A y el mismo mimero de columnas que B. jon de matrices Caloule C = AB para fd | Ti 2 a=[} ; 3 y op 3 1 2 Solucién Como 4 es una matriz 2 X 3 y B es una matriz 3 x 2, AB esti definida y Ces una ma- triz.2 X 2. De la ecuacién (2), fa a2 1" 10) + 12) + 20) ea=( 1 23 2, 7 10) + 18) + 2@) qT a aff es se) L 16 ur(rove Agee tinal scae2=—2 1 3) J ‘| al Se Pao Determine AB para = 21) + 1G) +3@)=11 af] y 2-0 a Solueién Como A tiene una columna y B es de un renglén, C = AB si existe. De la ecuacién (2) se sabe que Ces una matriz 2 X 2 con eu=3=3 en =AKl)=4 ei = 32)=6 exp = 42) = 8 Ci SE a) Calcule D = BA para A y B del ejemplo 2. Entonces, Solueién En este caso, D es una matriz 1 X 1 (0 um escalar). De la ecuacién (2), an =O al] = 13) +24) = 11 Por consiguiente, D = {11}. En este ejemplo, la multiplicacién de matrices es equivalen- te a una multiplicacién escalar de un vector de un renglén y un vector de una columna, Recuérdese que si se multiplican dos mimeros reales a y b, entonces ab = ba. Esta es Ja propiedad conmutativa de la multiplicacién. Por medio de los ejemplos 2 y 3, se ilus- tra que en lo que se refiere a la multiplicacién de matrices podria ser que AB # BA. La multiplicacién de matrices no es necesariamente conmutativa. (En algunos casos si pue- de ser AB = BA.) Se 1 af] oy afi a4 lh 2 Solueién No esté definido porque A tiene dos columnas y B es de tres renglones. Por tanto, la ecua- cid (1) no se cumple, 2.1 Mates y wets 7TABLA 1 lanes de crud cesar gar prtui u easing 1 : 3 ‘Muchos cflculos que se requieren por lo regular en investigacién de operaciones (y otras ramas de las matematicas) se expresan en forma concisa por medio de multiplicacién de ‘matrices. Con el fin de ilustrar fo anterior, supngase que una compaiifa petrolera fabrica 0 produce tres tipos de gasolina: premium sin plomo, regular sin plomo y regular con plomo. Estas gasolinas se producen al mezclar dos tipos de petrdleo crudo: petréleo crudo 1 y pe- ‘tréleo crudo 2. La cantidad de galones de petréleo crudo requerido para elaborar un galén de gasolina se da en la tabla 1. ‘A partir de esta informacién, es posible determinar la cantidad de cada tipo de petréleo crudo necesario para obtener una cantidad dada de gasolina. Por ejemplo, si la compaitia desea producir 10 galones de premium sin plomo, seis galones de regular sin plomo y cinco galones de regular con plomo, entonces, la cantidad necesaria de petréleo crudo de 4a empresa seria Petréleo crudo 1 necesario Petroleo crudo 2 necesario En general se define pu = galones producidos de premium sin plomo ru = galones producidos de regular sin plomo rz = galones producidos de regular con plomo 1 = galones requeridos de petréleo crudo 1 2 = galones requeridos de petréleo crudo 2 Entonces, la relacin entre estas variables se podria expresar mediante @ 00) + QO + OS @ID+QO+Os 2.75 galones 25 galones Dut Qrot Ore Dput G)rut @ re ‘Mediante la multiplicacién de matrices, estas relaciones se podrian expresar de la mane- (J-[ Propiedades de la multiplicacién de matrices Para terminar esta seccién, se tratan algunas propiedades importantes de la multiplicacién de matrices. En los temas siguientes se supone que todos los productos de las matrices estin definidos. 1) Elrenglén / de 4B = (renglén i de 4)B. Para ilustrar esta propiedad, sea 112 Ae L 1 ’] 7 af 4 12 Entonces, el renglén 2 de la matrz. AB 2 X 2es igual a cariruie 2 gtr ial bisicaMimuitxls Ho 21 3)2 3/=0 12 Esta respuesta esté de acuerdo con el ejemplo 1 2 Lacolumna/ de 4B = A(columna j de B). Entonces, para A y B dadas, la primera co- 1 lumna de AB es E 1 7 (5 21 3. 7. Las propiedades 1 y 2 son itiles cuando se requiere calcular s6lo parte de la matriz AB. 3 La mmultiplicacién de matrices es asociativa. Es decir, 4(BC) = (AB)C. Para ilustrar- Jo, sean wna of} efi Entonces 4B = [10 13] y (AB)C = 10(2) + 13(1) = [33]. Por otro lado, 7 — [sl por lo que A(BC) = 1(7) + 2(13) = [33]. En este caso, A(BC) = (AB)C se cumple. 4 La multiplicacién de matrices es distributiva. Es decir, A(B + C) = AB + ACy (B+ ©)D = BD + CD. Multiplicaci6n de matrices con Excel ‘Mediante la funcién MMULT de Excel es fécil multiplicar matrices. Con el propésito de ilustrarlo, se usaré Excel para encontrar el producto AB de matrices que se determind en cel ejemplo 1 (véase figura 5 y el archivo Mmult.xls). Se procede como sigue: Paso 1 Ingresar 4 y B en D2:F3 y DS:E7, respectivamente. Paso 2 Seleccionar el intervalo (D9:E10) en el cual se calcularé el producto AB. Paso 3 En la esquina superior izquierda (D9) del intervalo seleccionado eseriba la formula = MMULT(D2:F3,D5:E7) Luego presione Control Shift Enter (no sélo Enter), y la matriz producto sera calculada. ‘Téngase en cuenta que MMULT es una fncién de arreglo, y no una funcion ordinaria de hoja de célculo. Esto explica por qué se debe preseleccionar el intervalo para 4B y usar Control Shift Enter. 2.1 Matias y vectors 19PROBLEMAS GrupoA sy ' renal 5 aly a-fs 78 9. 1 a -A b 34 © A+2B aa eB f 4B 9 BA 2 Sélo hay tres marcas de cerveza disponibles (cerveza |, cerveza 2 y cerveza 3) para la venta en Metropolis. De cuando en cuando, las personas prueban una u otra de es- tas marcas. Supéngase que al principio de cada mes, as per- sonas cambian la cerveza que estaban tomando segiin las regias siguientes: 30% de las personas que prefera la cerveza 1 cambia a la 2, 20% de las personas que preferia la cerveza 1 cambia a Ia 3 30% de las personas que prefera la cerveza 2 cambia a Ie 3. 30% de las personas que prefers la cerveza 3 cambia a la 2. 10% de las personas que preferia la cerveza 3 cambia ala 1 Para i = 1, 2, 3, eax, el nimero de quienes prefieren a ccerveza ial principio de este mes, yy el mimero de las per- sonas que prefieren cerveza i al principio del mes siguiente. Por medio de la multiplicacion de matrices, relacione lo si- guient: ay Pa el ia vl Ls. Grupo B 2 Demneste quel mubipliccin de matrices es asocie im. 4 Demuesre que para cuslgir par de matices A y B, Loree S Una matriz An X nes simétrica si A = A”. ‘a Demuestre que para cualquier matriz n Xn, AAT es na maiz oman 1 Dames que para cunlguier matiz A den Xn (a+?) es una maz simetes, & Suponga que tanto 4 como B son matrices n 1. De- rmuestre que al ealeular el producto 4B de las matrices se requiere 1? multiplcaciones y n° ~ suas. 7 La qrazn de una matriz es la suma de sus elementos iagonales. ‘Para cualquier par de matrices Ay B, demuestre que la waza (4 + B) = taza A+ taza B 'b_ Para cualquier par de matrices 4 y B cuyos productos ABYy BA estén definidos, emuestre quel raza. AB = tra- za BA 2.2 Matrices y sistemas de ecuaciones lineales Considérese un sistema de ecuaciones lineales dado por ay + ae + aay + dagke + Oe En la eouacién (3), x1, 25. o 281 Oat to + gt »%, Se denominan variables, o ineégnitas, y las ay y b, son, las constantes. Un conjunto de ecuaciones como (3) se llama sistema lineal de m ecua- ciones y n variables DEFINICION mj Para poder entender la programacién lineal se requiere saber mucho acerca de las pro- piedades de las soluciones para sistemas de ecuaciones lineales. Con esto en mente, se tiene que dedicar mucho esfuerzo para estudiar dichos sistemas. Una solucién posible para Ja ecuacién (3) se denota mediante un vector columna x ‘n-dimensional, en el cual el i-ésimo elemento de x es el valor de x;. El ejemplo siguiente ilustra el concepto de solucién para un sistema lineal expiroce 2 Agee inl bésicaST rm Demuestre que t x 2 es una solucién para el sistema lineal +2n=S x + 2n a 2x — 2 = 0 y que (] x 1 ‘no es una solucién para el sistema lineal (4, Solueién Para demostrar que Ll 2. es una solucién a las ecuaciones (4), se sustituye x; 1 y x2 = 2 en ambas ecuaciones y se comprueba que se cumplen: 1 + 2(2) = $y 2(1) -2 = 0 El vector 3 {i no es la solucin para (4) porque x; = 3 yx = I no satisfacen 2x1 ~ x2 Por medio del uso de matrices, se simplifica en gran medida el planteamiento y la so- lucién de un sistema de ecuaciones lineales. Para mostrar cémo las matrices se usan pa- 1a representar en forma compacta el sistema de ecuaciones (3), sean Ma ay by Luego (3) puede escribirse como: ax=b 8 Observe que ambos miembros de la ecuacién (5) son matrices de m X 1 (0 bien, vectores ccolumna m X 1). Para que la matriz Ax sea igual a la matriz b (o para que el vector 4x sea igual al vector b), sus elementos correspondientes deben ser iguales. El primer elemento de Ax es el producto escalar del renglén I de A por x. Esto se podria escribir como Fan aye vain | E ] = aunty + anaee +o + at Xn Esto debe ser igual al primer elemento de b (que es b,). Por tanto, (5) implica que ay,x + ata + + dipty = by. Esta es la primera ecuacién de (3). De igual manera, (5) impli- ‘2. Wats y sistas de ecuacines lel 21ca que el producto escalar del renglén i de A por x debe ser igual a b, y ésta es justo la ‘-ésima ecuacién de (3). Este andlisis demuestra que (3) y (5) son dos maneras distintas de escribir el mismo sistema lineal. A la ecuacién (5) se ie llama representacién matri- cial de (3). Por ejemplo, la representacién matricial de (4) es G -lEI-[d Algunas veces se abrevia (5) mediante Alb o Si A es una matriz m X n, se supone que las variables en (6) som x3, X35... %,- Enton- ces, (6) es otra representacién més de (3). Por ejemplo, la matriz 1 2 3] 2] o 1 2/3 yaalt. representa el sistema de ecuaciones xy + Dig + 3x5 = 2 xt 2s atm ty PROBLEMAS Grupo A 1 Utilice matrices para representar el sistema siguiente de mom cecuaciones de dos formas distintas: 2x + x + 3m 2.3 Solucién de sistemas de ecuaciones lineales mediante el método de Gauss-Jordan En esta seccién se trata un método eficiente (el método de Gauss-Jordan) para resolver un. sistema de ecuaciones lineales. Por medio de este método, se muestra que cualquier sis- tema de ecuaciones lineales debe estar en uno de los siguientes tres casos: Gaso 1 El sistema no tiene solucién. Caso 2 El sistema tiene una sola solucién. Casé 3 El sistema tiene una cantidad infinita de soluciones. El método de Gauss-Jordan es también importante porque muchas de las operaciones que se utilizan en el método, se usan cuando se resuelven problemas de programacién lineal mediante el algoritmo simplex (véase capitulo 4). Operaciones elementales con los renglones Antes de estudiar el método de Gauss-Jordan, es necesario definir el concepto de una operacién elemental con los renglones (OER). Una OER transforma una matriz.espe- cifica A en una matriz nueva " por medio de una de las siguientes operaciones. 22 ariruve 2. Agar Hil biaOER tipo 1 La matriz 4’ se obtiene al multiplicar cualquier renglén de A por un escalar diferente de cero. Por ejemplo, si 1234 A=|1 3.5 6 0123 centonces una OER tipo 1 que multiplica el renglén 2 de A por 3 daria 123 4 4 =|3 9 15 18 or 2 3 OER tipo 2 Para empezar se multiplica cualquier renglén de 4 (p. ., el rengl6n #) por un escalar dis- tinto de cero c. Para alguna j + i, sea el renglén j de A’ = erenglén i de A) + renglén j de 4, y sean los otros renglones de A’ los mismos que los de A. Por ejemplo, se podria multiplicar el renglén 2 de A por 4 y reemplazar el renglén 3 de A por 4(renglén 2 de A) + renglén 3 de A. Entonces, el renglén 3 de 4’ se vuelve 40 3.5 4+ 1 2 3]=[4 13 2 27) y 123 4 ial 3 54 413 22 27 OER tipo 3 Intercambia dos renglones cualquiera de A. Por ejemplo, si se desea intercambiar los ren- glones 1 y 3 de A, se obtiene Las OER tipo 1 y tipo 2 formalizan las operaciones usadas para resolver un sistema de ‘ecuaciones lineales. Para solucionar el sistema de ecuaciones mytm=2 2x +4 =7 se podria proceder como sigue. Primero se reemplaza la segunda ecuacién en (7) por ~2(primera ecuacién en (7)) + segunda ecuacién en (7). Asi se obtiene el siguiente siste- ma de ecuaciones: o atm 2x ‘Luego se multiplica la segunda ecuacién en (7.1) por }, con lo cual se obtiene el sistema a natn =F Por tiltimo, se reemplaza la primera ecuaci6n en (7.2) por —1{segunda ecuacién en (7.2)] + primera ecuacién en (7.2). Ast se obtiene el sistema 2.3 Soutié de sistomas de eceacioesneales meant ol métudo de Gaussian 23a El sistema (7.3) tiene una solucién tinica x; = 5 y x2 = 3. Los sistemas (7), (7-1), (7.2) ¥ (73) son equivalentes porque tienen el mismo conjunto de solusiones, Esto quire de- ‘cir que x = $y x» = $s también la tinica solucién para el sistema original (7). Si se ve a (7) en la forma de matriz aumentada ( Alb), se observa que los pasos utili- zados para solucionar (7) se podrian considerar como OER tipo | y tipo 2 aplicadas a 4b. Empecemos con la versién de matriz aumentada de (7): «l3] ; 2417, 0 Ahora se ejecuta una OER tipo 2 reemplazando el renglén 2 de (7’) por ~2(renglén 1 de (7')) + renglén 2 de (7'). El resultado es 6 213] an lo cual corresponde a (7.1). Enseguida se multiplica el rengl6n 2 de (7.1") por} (OER ti- po 1), con lo que se obtiene a 2) 01] 2 que corresponde a (7.2). Por iltimo se efectia una OER tipo 2 al reemplazar el renglén I de (7.2") por —1(renglén 2 de (7.2’)) + renglén 1 de (7.2'). El resultado es ie 2 a) ol c Jo cual corresponde a (7.3). Al transformar (7.3") de nuevo en un sistema lineal, se obtie- ne el sistema x; = yx, = 3, lo cual es idéntico a (7.3), Resolucién mediante el método de Gauss-Jordan El andlisis en la seccién anterior indica que, si la matriz 4'|b’ se obtiene a partir de Alb por medio de una OER, los sistemas Ax = by 4’x = b' son equivalentes. Por consiguien- te, cualquier sucesién de OER ejecutada en la matriz. aumentada 4Jb correspondiente al sistema Ax = b generaré un sistema lineal equivalente. El método de Gauss-Jordan resuelve un sistema de ecuaciones lineales utilizando OER de ‘modo sistemitico. El método se ilustra mediante la resolucién del siguiente sistema lineal dy +2n+ 4 =9 dy - tI =6 o m- mt ay s5 La representacién de Ja matriz. aumentada es 2 92149) Ab=|2 -1 2/6 @) 1 2) Supéngase que mediante la ejecucién de una sucesién de OER en (8!) es posible trans- formar (8’) en carirute” 2 ger inal bisiceset 0 a 0 Ir 2 @) 3 Se observa que el resultado conseguido cuando se ejecuta una OER en un sistema de ecuaciones también se logra mediante la multiplicacién de ambos miembros de la repre- sentacién matricial del sistema de ecuaciones por una matriz especifica. Asi se explica por qué las OER no modifican el conjunto de soluciones para un sistema de ecuaciones. La matriz (9) corresponde al sistema lineal siguiente: m1 % @ xy=3 El sistema (9) tiene la solucién tinica x, = 1, x2 = 2, x3 = 3. Como (9") se obtuvo a par- tir de (8') mediante una sucesién de OER, entonces se sabe que (8) y (9) son sistemas equivalentes lineales. Por consiguiente, x, = 1, x2 = 2, x3 = 3 también debe ser solucién ‘inica de (8). Enseguida se ilustra cémo usar las OER para transformar un sistema relati- ‘vamente complicado como (8) en un sistema relativamente simple como (9). Esta es la esencia del método de Gauss-Jordan. ‘Se empieza por usar las OER para transformar la primera columna de (8) en 1 0 o| Lego se usan las OER para transformar la segunda columna de la matriz resultante en 0 1 0 Por tltimo se aplican las OBR para transformar la tercera columna de la matriz resultante en 0 0 1 ‘Como un resultado final se obtiene (9). Ahora se aplica el método de Gauss-Jordan para resolver (8). Para empezar se usa una OER tipo 1 para cambiar el elemento de (8') en el pri- mer rengién y primera columna en un 1. Luego se suman miltiplos del renglén 1 al renglén 2y luego al renglén 3 (éstas son OER tipo 2). El objeto de estas OER tipo 2 es poner ceros en el resto de la primera columna, La sucesién siguiente de OER logra los objetivos. Paso! Multiplique el renglén 1 de (8°) por 5. Esta OER tipo 1 genera roa g Ail) =}20 -1 z 6 1-1 5 Roe Paso2 Reemplace el renglén 2 de 4,|b; por-2(rengl6n | de A,|b,) + renglon 2 de A,|by. E] resultado de esta OER tipo 2 es i Aub = |0 —3 1-1 2.3, Sotcié do sistemas de eovcones nels median el métude do Gass-Joran 25Paso3 _Reemplace el renglén 3 de Az|b2 por ~I(renglin I de Az[bo + renglén 3 de A2|b:. El resultado de esta OER tipo 2 es Hoa Alb; =|0 -3 1} -3 0-23] 4 La primera columna de (8") se transformé en 1 0 0 Mediante este procedimiento, se tiene la seguridad de que la variable x; se encuentra en s6lo una ecuacién, y que en esa ecuacién tiene un coeficiente de I. Ahora se convier- te la segunda columna de 4,|b; en (0 1 0 Se empieza por usar una OER tipo 1 para crear un | en el renglén 2 y columna 2 de As[b Luego se utiliza el renglén 2 resultante para ejecutar las OER tipo 2 que se requicren pa- ra poner ceros en el resto de la columna 2. Los pasos 4 a 6 consiguen estos fines. Paso 4 Multiplique el renglén 2 de Aslbs por ~}. El resultado de esta OER tipo 1 es 9 Aalbs 1 2 Paso Reemplace el renglén 1 de Ag[b, por —I(renglén 2 de qlb,) + renglén I de Alb. Er resultado de esta OER tipo 2 es : Aslbs = |0 ° Paso 6 Reemplace el renglén 3 de Aslbs por 2(renglén 2 de As|bs) + renglén 3 de Aslbs El resultado de esta OER tipo 2 es a0 Adbs=|0 1 -} oo La columna 2 se convirtié en 0 Obsérvese que la transformacién de la columna 2 no cambié la columna 1. Para terminar el procedimiento de Gauss-Jordan, se tiene que transformar la tercera columna de Aclbg en canituce 2 Algebra ical bésleaPrimero se utiliza una OER tipo 1 para crear un 1 en el tercer renglén y tercera columna de Aglbs. Luego se aplican OER tipo 2 para obtener ceros para el resto de la columna 3, ‘Meediante los pasos 7 2 9 se alcanzan los objetivos, Paso 7 Multiplique el renglon 3 de Aelbs por $. Bl resultado de esta OER tipo 1 es £17 10 §{F Arby =|0 1-5] 1 0 0 pa Paso 8 Reemplace ahora el renglén 1 de Az[b; por —#(renglén 3 de A7|b7) + renglon 1 de Ap|br. El resultado de esta OER tipo 2 es 10 oft Aglbg =|0 1 -y | 1 OO Ol Paso9 Reemplace el renglén 2 de glbs por $(renglén 3 de As|bs) + renglén 2 de Aglbs. El resultado de esta OER tipo 2 es 10 0]t Aslby=|0 1 0) 2 oo 1] 3 Ag|bs representa el sistema de ecuaciones 2 1 2 ® ua3 Por consiguiente, (9) tiene la solucién tinica x; = 1, x2 = 2, xs = 3. Como (9) se obtuvo a partir de (8) por medio de OER, la solucién tinica para (8) también debe ser x, = 1, x2 = 2, a3 El lector podria preguntarse por qué se definieron las OER tipo 3 (intercambio de ren- ¢glones). Con el fin de ver por qué podria ser itil una OER tipo 3, supéngase que se de- sea resolver 2n +x n+ mn yt ntm=4 wo Para resolver (10) por medio del método de Gauss-Jordan se forma primero la matriz au- mentada fo 2 1/6 Alb=|L 1-1 | 23 21 14 El cero del renglén 1 y la columna 1 significa que no se pudde aplicar una OER tipo | pa- ra obtener un 1 en el renglén 1 columna 1. Pero si se intefcayhbian los renglones 1 y 2 (una OER tipo 3), se obtiene 11-142 o2 1/6 (0) 21 1) 4 Y entonces ya se puede proseguir de la manera usual con el método de Gauss-Jordan. 2.3, Sour sistemas to acvacones fasts meine of med de Gus-oran 27Casos especiales: no hay soluci6n © hay un numero infinito de soluciones ‘Algunos sistemas lineales no tienen soluci6n, y otros tienen un nimero infinito de solu- ciones. Mediante los dos ejemplos siguientes se ilustra c6mo el método de Gauss-Jordan ayuda a reconocer estos casos. SS Determine todas las soluciones del sistema lineal siguiente: n+ 2n dey + 4x =4 a Solucién Se aplica el método de Gauss-Jordan a la matriz 1243 lb = 244. Se empieza por reemplazar el renglén 2 de Alb por -2(renglén 1 de |b) + renglén 2 de 4\b. Bl resultado de esta OER tipo 2 es [: 2| | _ 0 01-2 Ahora lo mejor serfa transformar la segunda columna de (12) en H 1 pero no es posible. El sistema (12) es equivalente al sistema de ecuaciones siguiente: wt 2a =3 Ox, + Ory Cualquiera que sea el valor que se dé a x; y 22, no-se satisface la segunda ecuacién en (12’). Por consiguiente, (12') no tiene solucién. Como (12') se obtuvo de (11) por medio de OER, tampoco (11) tiene solucién, (2) Mediante el ejemplo 6 se ilustra la siguiente idea: si aplica el método de Gauss-Jordan a un sistema lineal y obtiene un renglén de la forma [0 0 Oc] (c # 0), entonces no tiene solucién el sistema lineal original. Pe Aplique el método de Gauss-Jordan al siguiente sistema lineal: (3) Solucién La forma de la matriz. aumentada de (13) es 28 expiruco 2 Agee til bésicaSe empieza por reemplazar el renglén 3 (Porque en el renglon 2, columna 1 ya bay un cero) de Alb por —I(renglén 1 de jb) + renglén 3 de Alp. El resultado de esta OER tipo 2 es |e Arby =| 1143 lo 113 Luego se reemplaza el renglén 1 de Ay|b; por ~I(renglén 2 de y[b,) + renglén 1 de Alby, El resultado de esta OER tipo 2 es 10-1] -2] Aad, =|0 1 1) 3 o1 i] 3 Ahora de reemplaza el renglin 3 de Az|b2 por ~I(renglin 2 de As|b,) + renglon 3 de Az|b3. El resultado de esta OER tipo 2 es 10-1] -2 Asbs=|0 1 1] 3 00 0] 0 Lo mejor seria transformar ahora la tercera columna de 4;|bs en 0 0] 1 pero esto es imposible. El sistema lineal correspondiente a Alby es not 4) at ys3 a) Oxy + Oxy + 0x5 = 0 (4g) Supéngase que Se asigna un valor arbitrario ka xs. Entonces (14.1) se satisface x, — k ~2, six: = k— 2. De igual manera, (14.2) se cumple six + k= 3, es decir x) = 3 ~ k ‘Naturalmente, (14.3) se satisface para cualquier valor de x), x2 y x3. Entonees, para cual- quier mimero k, x; = k — 2, x2 = 3 — kx = kes una solucién de (14). Por tanto, (14) tiene un niimero infinito de soluciones (una por cada mimero ). Como (14) se obtuvo de (13) por medio de OER, (13) también tiene un nimero infinito de soluciones. Una carac- terizacién mis formal de los sistemas lineales que tienen un ntimero de soluciones, se presenta después del resumen siguiente del método de Gauss-Jordan. STI" Resumen del método de Gauss-Jordan Paso 1 Para resolver Ax = b obtenga la matriz aumentada 4b. Paso 2 En cualquier paso defina un renglén actual, columna actual y un valor actual (el valor en el renglén y columnas actuales). Empiece con el renglén 1 como renglén actual, columna 1 como la columna actual y a11 como el valor actual. (a) Si ay, (el valor actual) es diferente de cero, entonces utilice las OER para transformar la columna 1 (la columna actual) en 1 0 0 2.3 Sada de sntemas de evacees nae wants ol mtd de ansortan 29 LTDEFINICION Luego obtenga el renglén, columna y valor actuales nuevos desplazdndose hacia abajo un renglén y una columna a la derecha, y continte con el paso 3. (b) Si ai; (el valor actual) cs igual a cero, entonces ejecute una OER tipo 3 que abarque el renglén actual y cual- uier renglén que contenga un nimero distinto de cero en la columna actual. Utilice OBR para transformar la comuna 1 en 1 0 oa Luego obtenga el renglén, columna y valor actuales nuevos al desplazarse hacia abajo un renglén y una columna a la derecha. Continie con el paso 3. (c) Si no hay nimeros dis- tintos de cero en la primera columna, entonces obtenga una columna actual nueva y otro valor actual nuevo al moverse una columna a la derecha, Luego continde con el paso 3, Paso 3 (a) Si el nuevo valor actual es distinto de cero, entonces efectie OER para trans- formarlo en 1 y el resto de los valores de la columna actual en ceros. Cuando termine, ob- tenga el renglén, columna y valor actuales nuevos. Si lo anterior es imposible, entonces deténgase. Si no es ast, repita el paso 3. (b) Si el valor actual es cero, entonces ejecute una OER tipo 3 con el renglén actual y cualquier renglén que contenga un nimero distinto de ‘cero en la cohumna actual. Luego use OER para transformar ese valor actual en 1 y el res- to de los valores de la columna actual en ceros. Cuando termine, obtenga el renglén, co- ‘umna y valor actuales nuevos. Si lo anterior es imposible, entonces deténgase, pero si no oes, repita el paso 3. (¢) Si la columna actual no tiene ceros abajo del renglén actual, en- tonces obtenga la columna y el valor actuales nuevos y repita el paso 3. Si es imposible, deténgase. Este procedimiento podria requerir omitir una 0 més columnas sin transformarias (véa~ se problema 8). Paso 4 Escriba el sistema de ecuaciones 4'x = b’ que corresponde a la matriz A’ b' ob- tenida cuando se completa el paso 3. Entonces 4'x = b’ tiene el mismo conjunto de so- luciones que 4x = b. Variables basicas y soluciones a sistemas de ecuaciones lineales Es necesario definir los conceptos de variables basicas y no bésicas para poder describir el conjunto de soluciones de 4’x = b' y (Ax = b). ‘Sea VB el conjunto de variables basicas para 4’x = b' y VNB el conjunto de variables, no basicas para ’x = b', El cardcter de las soluciones para 4’x = b’ depende de lo que sucede en los casos siguientes. Caso 1 4’x = b’ tiene por lo menos un renglén de la forma [0 0 =~: Ole] (c # 0). Entonces, A b no tiene solucién (recuérdese el ejemplo 6). Como ejemplo del caso 1, ‘supéngase que cuando el método de Gauss-Jordan se aplica al sistema Ax = b se obtie~ ne la siguiente matriz: cariruce 2 gee inelbéicatoorjdt o 102) 1 Aip'=|o 0 1 3] -1 0000] 0 9 000] 2, En este caso, A’x = b' (y Ax = b) no tiene solucién, aso 2 Suponga que el caso 1 no se aplica y que VNB, el conjunto de variables no bi- sicas, es vacio. Entonces 4’x = b’ (y Ax = b) tiene solucién tinica. Con el fin de ilustrar lo anterior, recuérdese que al resolver Qe + Dept y= 9 2m mt ln=6 x7 mt 2y=5 ‘con el método de Gauss-Fordan se obtuvo 10 0/1 Alp’ =|0 1 0/2 oo 143, En este caso, VB = {x1, %2,5} y VNB es vacio, Entonces, la solucién tinica para 4’x = bi (yak = b)esx = Ly = 25 = 3. Gaso3 Suponga que el caso 1 no se aplica y que VNB no es vacio. Entonces, A’x = b’ (y 4x = b) tiene un mimero infinito de soluciones. Para obtenerlas, se asigna primero a cada variable no basica un valor arbitrario. Luego se determina el valor de cada variable basica en términos de las variables no bésicas. Por ejemplo, suponga 1001 1/3 0102042 oo1r0dr|i oo000 010 Como el caso I no se aplica y VB = (21, ¥2,x3} ¥ VNB = (4, 5}, se tiene un ejemplo del caso 3: A’x = b’ (y Ax = b) tiene un nimera infnito de soluciones. Para tener una idea de cémo lucen las soluciones se anota A’x = b': A'b= 05) 5 $y t ay=3 ss x 2x4 =2 (15.2) x + xs=1 (15.3) Ox; + Oxy + Oxy + Oxy + Ors = 0 054 LLuego se asignan valores arbitrarios c y k a las variables no basicas (x y x3); entonces, Xa = cy x5 = k De (15.1) se tiene que x; = 3 ~ ¢ ~ kA partir de (15.2), x2 = 2 ~ 2c. De (15.3) se tiene que x3 = 1 — &. Como (15.4) se cumple para todos los valores de las, variables, x; = 3 — ¢ ~ kx = 2 ~ 2c,x3 = 1 ~ b,X4 = CY x5 = k son una solucion para A'x = b' (y Ax = b) para cualquier valor de cy de k. El estudio del método de Gauss-Jordan se resume en la figura 6, Se trat6 este método con detalle porque al estudiar la programacién lineal se presentan en forma repetida ejem- pos det caso 3 (sistemas lineales con niimero infinito de soluciones). Debido a que el re- sultado final del método de Gauss-lordan siempre debe ser uno de los casos 1 a 3, se demostré que cualquier sistema lineal puede no tener solucién, tener solucién tmica o una cantidad infinita de soluciones. ‘2. Sluin de sistas de encinesUnenles meio ol éttn te Gaus-aran atFigura 6 Descripcién del método de Gauss-Jondan para resolver sistemas fineales PROBLEMAS Grupo A Uiilce el método de Gauss-Jordan para determinarsilossi- 8 = 2xy + 285 = 4 ‘guients sistemas lineales no tienen soluein, tienen solu- tnt ay cin tnice o un mimero infnito de soluciones. En caso de m— H=0 ‘exist, determine la solueién, ao . atm tun3 ants nts nt ya3 ee Butts 1 2ntmtyn4 Htmeytu=2 ntl =6 ua3 3 onturl yt 2 =3 Grupo B oe 8 Suponge que un sistema lineal 4x = b tiene ms varia- 4 Wnty te bles que ecuaciones. Demuestre que x = b no puede te- nite te ner una solucién inca By + m=5 M+ dy a5 yt 0Sy= 1 3 2+ x 2.4 Independencia y dependencia lineales” Los conceptos de conjunto de vectores linealmente independientes, conjunto de vectores linealmente dependientes y el rango de una matriz se tratan en esta seccién, Estos con- ceptos son iitiles en el estudio de matrices inversas. ‘Antes de definir un conjunto de vectores linealmente independiente, es necesario esta- blecer qué es una combinacién lineal de un conjunto de vectores. Sea V = {V1, Voy... Ve} un conjunto de vectores renglén con la misma dimensién. “En ext socidn se tratan temas que podrian omits sin pérdda de continuidad 32 carivece 2 Algebra tinal bicPor ejemplo, si = {{1 2}, {2 1]}, entonces 2 - v=. 2-R Y=[0 3) wt3u=U +32 = 3 on +3v2=[0 +32 ID=(6 3} son combinaciones lineales de los vectores en V. La definicion que sigue podria aplicar- se también a un conjunto de vectores columna. ‘Suponga que se tiene un conjunto V = {v;, Va... Ve} de vectores renglén m-dimen- sionales. Sea 0 = [0 0 --- 0] el vector 0 m-dimensional. Para determinar si V es un conjunto de vectores linealmente independiente, se trata de encontrar una combinacién li- neal de vectores en V que se pueda sumar a 0, Evidentemente, Ov, + Ov2 +“ + Ov, es ‘una combinacién lineal de vectores en V que se puede sumar a 0, La combinacién lineal de vectores en V para la cual ¢ = cz, =... = ¢q= 0 se denomina combinacién lineal rri- vial de vectores en V. Ahora ya se pueden definir los conjuntos de vectores linealmente independientes y linealmente dependientes. Mediante los siguientes ejemplos se aclaran estas definiciones. EJEMPLO 8 Un vector 0 forma un conjunto LD Solucién Demuestre que cualquier conjunto de vectores que contiene el vector 0 es un conjunto ti- nealmente dependiente Para ilustrarlo, se demostraré que si ¥ = {{0 0], {1 0}, (0 1}}, entonces Ves lineal- mente dependiente porque si, por ejemplo, cy # 0, entonces c,((0 O}) + {1 O}) + 00 1}) = (0 0}. Por consiguiente, hay una combinacién lineal no trivial de vectores cen V que se suma a0. SSI Solucién Demuestre que el conjunto de vectores V = {{1 0}, [0 1]} es un conjunto de vectores Jinealmente independientes. Se trataré de determinar una combinacién lineal no trivial de los veetores en V que dan 0. Para esto se requiere encontrar escalates cy y cp (por lo menos uno de los cuales es distinto de cero) que satisfaga cy({1 OD) + ex({0 11) = [0 0}. Por consiguiente, cy y c, deben satisfacer [cr ¢z] = [0 0]. Esto quiere decir que c: 0, Esta combinacién lineal ‘inica de vectores en V que da 0 es la combinacién lineal trivial. Por consiguiente, Ves un conjunto de vectores linealmente independientes. EJEMPLO 10 Un conjunto de vectores LD Solucién Demuestre que = {{1 2], [2 4]} es un conjunto de vectores linealmente dependientes. Puesto que 2({1 21) ~ 12 4]) = [0 0}, hay una combinacién lineal no trivial con c1 = 2y cy = —1 que da 0. Por consiguiente, Ves un conjunto de vectores linealmente dependientes, 2.4 Inepenenia ependeciaUincales 33welt a8 we [2 2] = ac FiGuRs 7 (@) Dos vectores lineaimente dependientes (b) Dos vectores Tinealmente Independientes 2 » Pero, qué significa intuitivamente el que un conjunto de vectores sea linealmente de- pendiente? Para entender el concepto de dependencia lineal, observe que un conjunto de vectores Ves linealmente dependiente (con la condicién de que 0 no esté en V) si y s6lo si es posible representar un vector en V como una combinacién lineal no trivial de otros vec- tores en ¥ (véase problema 9 al final de esta seecién). Enel ejemplo 10,{2 4]=2({1 2) Por tanto, si un conjunto de vectores V es linealmente dependiente, los vectores en V no son, de alguna manera, “diferentes” vectores, Por “diferente” se quiere dar a entender que la di- reccién especificada para cualquier vector en V no se puede expresar sumando miltiplos de otros vectores en V. Por ejemplo, en dos dimensiones se puede demostrar que dos vectores, son linealmente dependientes si y slo si estén en la misma recta (véase figura 7). Rango de una matriz Mediante el método de Gauss-Jordan, es posible determinar si un conjunto de vectores es linealmente independiente o dependiente. Antes de explicar cuél es el procedimiento, se define el concepto de rango de una matiz Sea A cualquier matriz_m X my los renglones de A para r1,r2, define R = (81, 825... Fm ‘También se oerinicion wef ages emt ni Wl i lle ie pean dependents en sabeonjmo de R.” 7. a Mediante los siguientes tres ejemplos se ilustra el concepto de rango. See) Demuestre que el rango de O para la siguiente mattz: [al A= 0 0. Solucién Para el conjunto de vectores R = {{0 0], [0, 0]}, es imposible escoger un subconjunto de R que sea linealmente independiente (recuerde el ejemplo 8), ST ree Tee) Demuestre que el rango de 4 = 1 para la siguiente matriz: aL] 34 curtrute 2 Alp tinal AsinSolucién Aqui R= {{1 1], (2 2]}. Elconjunto {{1 1]} es un subconjunto linealmente indepen- diente de R, asi el rango de A debe ser por lo menos de 1. Si se intenta encontrar dos vecto- res linealmente independientes en R no se logra porque 2({1 1]) ~ (2. 2}=[0 0]. Esto quiere decir que el rango de 4 no puede ser 2. Por tanto, el rango de 4 debe ser igual a1 SSE teed Demuestre que el rango de A = 2 para la siguiente matriz: [| Solucién Aqui R = {{1 0}, [0 1]}. Del ejemplo 9 se sabe que R es un conjunto de vectores nealmente independiente. Por lo que el rango 4 = 2. ara determinar el rango de una matriz. dada A, se aplica simplemente el método de Gauss-Jordan a la matriz 4 Sea el resultado final la matriz 4. Se puede demostrar que una aplicacién sucesiva de OER en la matriz no cambia el rango de la misma. Esto implica que el rango de 4 = rango de 4. También es evidente que el rango de 4 es el mimero de ren- glones no nulos en 4. Al combinar todos estos hechos, se encuentra que el rango de 4 = rango de 4 = niimero de renglones no nulos en A SEE Ed Encontrar el rango de la matriz A si: ‘Solucién Con el método de Gauss-Jordan se genera la secuencia siguiente de matrices: G] fi 0 0) fi oo} fio 0) fi oo 1}>]o 1 z/+]o 1 Z/sjo 1 f{Jo 1 oF al loa a ea oo 1 Por tanto, el rango de A = rango de A = 3 Cémo determinar si un conjunto de vectores es linealmente independiente Enseguida se explica un procedimiento para determinar si un conjunto de vectores V = {¥i, Va, . «5 Vo} €8 linealmente independiente. Formese la matriz A cuyo i-ésimo renglén es v;. La matriz 4 tendré m renglones. Si el ran- go de A = m, entonces Ves un conjunto de vectores linealmente independientes, en tanto que si el rango de io 1 ofsfo 1 ol=4 lo 1 of [o 1 of [0 0 of Por tanto, rango de 4 = rango de A = 2 <3, Lo cul demuestra que V es un conjunto de vectores linealmente dependiente. De hecho, las OER usadas para transformar A en A se pueden utilizar para demostrar que [1 1 0]=[1 0 0] + [0 1 0}. Esta ecuacién también demuestra que Ves un conjunto de vectores linelmente dependiente PROBLEMAS ‘Grupo A Grupo B Determine silos siguientes conjuntos de vectores sonlinal- 7 Demueste que el sistema lineal 4x = b tine solucién mente independientes o linealmente dependientes. Siy solo si bse puede representar como una combinacién 1 San ooo lineal de las columnas de Suponga que hay una colescién de tes 9 més vectores : Lan 28 3 0 Didimonsonae. Ofezc un azoamiento ue deme 3 A 2D aque la colecion debe ser linealmente dependiete 4 7=(2 0B op 8 Demuestre que un conjunto de vectores V (que no con- 1] (4) [5 tiene el vector 0) es linealmente dependiente si y sdlo si existe algin vector en V que se pueda repesentar como ta B v= 324 )5) 17 combinacién lineal no trivial de otros vectores en V. 3) Le! Lo 5 lee 2.5 Inversa de una matriz Para resolver una ecuacién lineal como 4x = 3, simplemente se multiplican ambos miem- bros de la ecuacién por el inverso multiplicative de 4, el cual es 4~', es decir, j. De fo an- terior se obtiene 4~!(4x) = (473, donde x = 3, (Naturalmente, este método no funciona para la ecuacién Ox = 3, porque 0 no tiene inverso multiplicativo.) En esta seocién se de- sarrolla una generalizacién de esta técnica que se puede aplicar para resolver sistemas li- neales en donde el niimero de ecuaciones es igual al niimero de incégnitas. Para empezar, DEFINICION La matriz identidad m m se representa con Jj, Por tanto, 10 0] h Rate =|0 1 Of joo 1 36 cariroce 2 era el bsica