Álgebra lineal

(Redirigido desde «Algebra lineal»)

Ir a la navegaciónIr a la búsqueda

El espacio euclídeo tridimensional R3 es un espacio vectorial y las líneas y los

planos que pasan por el origen son subespacios vectoriales de R3.
El álgebra lineal es una rama de las matemáticas que estudia conceptos tales como
vectores, matrices, espacio dual, sistemas de ecuaciones lineales y en su enfoque
de manera más formal, espacios vectoriales y sus transformaciones lineales.

Dicho de otra forma, el Álgebra lineal es la rama de las matemáticas que se ocupa
de las ecuaciones lineales como:

{\displaystyle a_{1}x_{1}+\cdots +a_{n}x_{n}=b,}{\displaystyle a_{1}x_{1}+\cdots

+a_{n}x_{n}=b,}
y aplicaciones lineales tales como:

{\displaystyle (x_{1},\ldots ,x_{n})\mapsto a_{1}x_{1}+\cdots +a_{n}x_{n},}

{\displaystyle (x_{1},\ldots ,x_{n})\mapsto a_{1}x_{1}+\cdots +a_{n}x_{n},}
y sus representaciones en espacios vectoriales y a través de matrices.123

El álgebra lineal es fundamental en casi todas las áreas de las matemáticas. Por
ejemplo, el álgebra lineal es fundamental en las presentaciones modernas de la
geometría, incluso para definir objetos básicos como líneas, planos y rotaciones.
Además, el análisis funcional, una rama del análisis matemático, puede considerarse
básicamente como la aplicación del álgebra lineal al espacios de funciones.

El álgebra lineal también se utiliza en la mayoría de las ciencias y campos de la

ingeniería, porque permite modelar muchos fenómenos naturales, y computar
eficientemente con dichos modelos. Para los sistemas no lineales, que no pueden ser
modelados con el álgebra lineal, se utiliza a menudo para tratar la aproximaciones
de primer orden, utilizando el hecho de que la diferencial de una 'función
multivariante' en un punto es el mapa lineal que mejor aproxima la función cerca de
ese punto así como el análisis funcional, las ecuaciones diferenciales, la
investigación de operaciones, las gráficas por computadora, la ingeniería entre
otras más.

La historia del álgebra lineal moderna se remonta a 1843, cuando William Rowan
Hamilton (de quien proviene el uso del término vector) creó los cuaterniones
inspirado en los números complejos;4 y a 1844, cuando Hermann Grassmann publicó su
libro Die lineare Ausdehnungslehre (La teoría lineal de extensión).

Índice
1 Historia
2 Contexto general
3 Espacios vectoriales
3.1 Antecedentes
3.2 Algunas operaciones básicas
3.3 Aplicaciones lineales
3.4 Subespacios, intervalo y base
4 Matrices
5 Sistemas lineales
6 Endomorfismos y matrices cuadradas
6.1 Determinantes
6.2 Valores propios y vectores propios
7 Dualidad
7.1 Mapa lineal de un espacio vectorial a su campo de escalares
7.2 Mapa dual
8 Espacios vectoriales de uso común
8.1 Vectores en Rn
8.2 Espacio vectorial de polinomios en una misma variable
9 Generalización y temas relacionados
10 Relación con la geometría
11 Utilización y aplicaciones
11.1 Geometría del espacio ambiental
11.2 Análisis funcional
11.3 Estudio de sistemas complejos
11.4 Cálculo científico
12 Véase también
13 Referencias
14 Fuentes principales
15 Bibliografía
15.1 Historia
15.2 Libros de texto introductorios
15.3 Libros de texto avanzados
16 Enlaces externos
Historia
El procedimiento para resolver ecuaciones lineales simultáneas que ahora se
denomina eliminación gaussiana aparece en el antiguo texto matemático chino Cálculo
de barras#Sistema de ecuaciones lineales; Capítulo octavo: Matrices rectangulares
de Los nueve capítulos sobre el arte matemático. Su uso se ilustra en dieciocho
problemas, con dos a cinco ecuaciones.5

Los Sistemas de ecuaciones lineales surgieron en Europa con la introducción en 1637

por René Descartes de las coordenadas en la geometría. De hecho, en esta nueva
geometría, ahora llamada geometría cartesiana, las líneas y los planos están
representados por ecuaciones lineales, y calcular sus intersecciones equivale a
resolver sistemas de ecuaciones lineales.

Los primeros métodos sistemáticos para resolver sistemas lineales utilizaban

determinantes, considerados por primera vez por Leibniz en 1693. En 1750, Gabriel
Cramer los utilizó para dar soluciones explícitas de sistemas lineales, lo que
ahora se llama regla de Cramer. Más tarde, Gauss describió aún más el método de
eliminación, que inicialmente fue catalogado como un avance en geodesia.6

En 1844 Hermann Grassmann publicó su "Teoría de la Extensión" que incluía nuevos

temas fundacionales de lo que hoy se llama álgebra lineal. En 1848, James Joseph
Sylvester introdujo el término matriz, que en latín significa vientre.

El álgebra lineal creció con las ideas anotadas en el plano complejo. Por ejemplo,
dos números w y z en ℂ tienen una diferencia w - z, y los segmentos de línea
{\displaystyle {\overline {wz}}}{\displaystyle {\overline {wz}}} y {\displaystyle
{\overline {0(w-z)}}}{\displaystyle {\overline {0(w-z)}}} tienen la misma longitud
y dirección. Los segmentos son equipolentes. El sistema cuatridimensional ℍ de
cuaterniones se inició en 1843. El término vector fue introducido como v = x i + y
j + z k representando un punto en el espacio. La diferencia de cuaterniones p - q
también produce un segmento equipolente a la {\displaystyle {\overline {pq}}.}
{\displaystyle {\overline {pq}}.} Otros sistemas de números hipercomplejos también
utilizaron la idea de un espacio lineal con una base.

Arthur Cayley introdujo la multiplicación matricial y la matriz inversa en 1856,

haciendo posible el grupo lineal general. El mecanismo de representación de grupo
se hizo disponible para describir los números complejos e hipercomplejos.
Fundamentalmente, Cayley utilizó una sola letra para denotar una matriz, tratando
así una matriz como un objeto agregado. También se dio cuenta de la conexión entre
las matrices y los determinantes, y escribió "Habría muchas cosas que decir sobre
esta teoría de las matrices que deberían, me parece, preceder a la teoría de los
determinantes".6

Benjamin Peirce publicó su Álgebra lineal asociativa (1872), y su hijo Charles

Sanders Peirce amplió el trabajo posteriormente.7

El telégrafo requería un sistema explicativo, y la publicación en 1873 de A

Treatise on Electricity and Magnetism instituyó una teoría de campos de fuerzas y
requirió la geometría diferencial para su expresión. El álgebra lineal es geometría
diferencial plana y sirve en los espacios tangentes a los colectores. Las simetrías
electromagnéticas del espaciotiempo se expresan mediante las transformaciones de
Lorentzs, y gran parte de la historia del álgebra lineal es la historia de las
transformaciones de Lorentz.

La primera definición moderna y más precisa de un espacio vectorial fue introducida

por Peano en 1888;6 en 1900 había surgido una teoría de las transformaciones
lineales de los espacios vectoriales de dimensión finita. El álgebra lineal tomó su
forma moderna en la primera mitad del siglo XX, cuando muchas ideas y métodos de
siglos anteriores se generalizaron como álgebra abstracta. El desarrollo de los
ordenadores hizo que aumentara la investigación de algoritmos eficientes para la
eliminación gaussiana y las descomposiciones matriciales, y el álgebra lineal se
convirtió en una herramienta esencial para la modelización y las simulaciones.6

Contexto general
De manera más formal, el álgebra lineal estudia conjuntos denominados espacios
vectoriales, los cuales constan de un conjunto de vectores y un conjunto de
escalares que tiene estructura de campo, con una operación de suma de vectores y
otra de producto entre escalares y vectores que satisfacen ciertas propiedades (por
ejemplo, que la suma es conmutativa).

Estudia también transformaciones lineales, que son funciones entre espacios

vectoriales que satisfacen las condiciones de linealidad:

{\displaystyle T(u+v)=T(u)+T(v),\qquad T(r\cdot u)=r\cdot T(u).}{\displaystyle

T(u+v)=T(u)+T(v),\qquad T(r\cdot u)=r\cdot T(u).}

A diferencia del ejemplo desarrollado en la sección anterior, los vectores no

necesariamente son n-adas de escalares, sino que pueden ser elementos de un
conjunto cualquiera (de hecho, a partir de todo conjunto puede construirse un
espacio vectorial sobre un campo fijo).

Finalmente, el álgebra lineal estudia también las propiedades que aparecen cuando
se impone estructura adicional sobre los espacios vectoriales, siendo una de las
más frecuentes la existencia de un producto interno (una especie de producto entre
dos vectores) que permite introducir nociones como longitud de vectores y ángulo
entre un par de los mismos.

Espacios vectoriales
Artículo principal: Espacio vectorial
Antecedentes
Hasta el siglo XIX, el álgebra lineal se presentaba a través de sistemas de
ecuaciones lineales y matrices. En la matemática moderna, se prefiere generalmente
la presentación a través de espacios vectoriales, ya que es más sintética, más
general (no se limita al caso de dimensión finita) y conceptualmente más sencilla,
aunque más abstracta.

Algunas operaciones básicas

Un espacio vectorial sobre un campo F, con frecuencia el campo de los números
reales, es un Conjunto V dotado de dos operaciones binarias que satisfacen los
siguientes axiomass. Los elementos de V se llaman vectores, y los elementos de F se
llaman escalares.

La primera operación, la suma de vectores, se expresa de la siguiente manera:

tómese dos vectores cualesquiera v y w; la suma tiene como resultado un tercer
vector v + w.

La segunda operación, multiplicación escalar, se expresa de la siguiente manera:

tómese cualquier escalar a y cualquier vector v y produce un nuevo vector av. Los
axiomas que deben satisfacer la suma y la multiplicación escalar son los
siguientes, siendo en la lista siguiente, u, v y w elementos arbitrarios de V; y a
y b son escalares arbitrarios en el campo F.8

Axioma Significación
Asociativa de adición u + (v + w) = (u + v) + w
Conmutativa de adición u + v = v + u
Elemento neutro de adición Existe un elemento 0 en V, llamado el vector cero, o
simplrmente cero, tal que v + 0 = v se cumple para todo v del conjunto V.
Elemento simétrico se adición Para todo v en V, existe un elemento −v in V, llamado
el aditivo inverso de v, tal que v + (−v) = 0
Distributividad de la multiplicación escalar con respecto a la suma vectorial  
a(u + v) = au + av
Distributividad de la multiplicación escalar con respecto a la suma de campos
(a + b)v = av + bv
Compatibilidad de la multiplicación escalar con la multiplicación de campos a(bv)
= (ab)v 9
Elemento de identidad de la multiplicación escalar 1v = v, donde 1 indica el
elemento neutro de F.
Aplicaciones lineales
Artículo principal: Aplicación lineal
Las aplicaciones lineales son mapeos entre espacios vectoriales que preservan la
estructura del espacio vectorial. Dados dos espacios vectoriales V y W sobre un
campo F, un mapa lineal, también llamado en algunos contextos, transformación
lineal o mapeo lineal, es un mapa o aplicación

{\displaystyle T:V\to W}{\displaystyle T:V\to W}

que es compatible con la suma y la multiplicación escalar, es decir

{\displaystyle T(\mathbf {u} +\mathbf {v} )=T(\mathbf {u} )+T(\mathbf {v} ),\quad
T(a\mathbf {v} )=aT(\mathbf {v} )}{\displaystyle T(\mathbf {u} +\mathbf {v} )
=T(\mathbf {u} )+T(\mathbf {v} ),\quad T(a\mathbf {v} )=aT(\mathbf {v} )}
para los vectores u,v in V y escaleres a en F.

Esto implica que para cualquier vector u, v en V y escalares a, b en F, se tiene

{\displaystyle T(a\mathbf {u} +b\mathbf {v} )=T(a\mathbf {u} )+T(b\mathbf {v} )

=aT(\mathbf {u} )+bT(\mathbf {v} )}{\displaystyle T(a\mathbf {u} +b\mathbf {v} )
=T(a\mathbf {u} )+T(b\mathbf {v} )=aT(\mathbf {u} )+bT(\mathbf {v} )}
Donde V = W son el mismo espacio vectorial, un mapa lineal {\displaystyle T:V\to V}
{\displaystyle T:V\to V} también se conoce como un operador lineal en V.

Un mapa lineal biyectivo entre dos espacios vectoriales, es decir, cada vector del
segundo espacio se asocia exactamente con uno en el primero, es un isomorfismo.
Dado que un isomorfismo preserva la estructura lineal, dos espacios vectoriales
isomorfos son "esencialmente iguales" desde el punto de vista del álgebra lineal,
en el sentido de que no pueden distinguirse utilizando las propiedades del espacio
vectorial. Una cuestión esencial en el álgebra lineal es probar si un mapa lineal
es un isomorfismo o no, y, si no es un isomorfismo, encontrar su rango (o imagen) y
el conjunto de elementos que son mapeados al vector cero, llamado el núcleo del
mapa. Todas estas cuestiones pueden resolverse mediante el uso de la eliminación
gaussiana o alguna variante de este algoritmo.

Subespacios, intervalo y base

Artículos principales: Subespacio vectorial, Sistema generador y Base (álgebra).
El estudio de aquellos subconjuntos de espacios vectoriales que son en sí mismos
espacios vectoriales bajo las operaciones inducidas es fundamental, al igual que
para muchas estructuras matemáticas. Estos subconjuntos se denominan subespacios
lineales. Más precisamente, un subespacio lineal de un espacio vectorial V sobre un
campo F es un subconjunto de W of V tal que u + v y au están en W, para todo u, v
en W, y todo a in F. Estas condiciones son suficientes para implicar que W es un
espacio vectorial.

Por ejemplo, dado un campo lineal {\displaystyle T:V\to W}{\displaystyle T:V\to W},
la imagen T(V) de V, y la imagen inversa T−1(0) de 0, llamada núcleo o kernel, son
subespacios lineales de W y V, respectivamente.

Otra forma importante de formar un subespacio es considerar las combinaciones

lineales de un conjunto S de vectores: el conjunto de todas las sumas

{\displaystyle a_{1}\mathbf {v} _{1}+a_{2}\mathbf {v} _{2}+\cdots +a_{k}\mathbf {v}

_{k},}{\displaystyle a_{1}\mathbf {v} _{1}+a_{2}\mathbf {v} _{2}+\cdots
+a_{k}\mathbf {v} _{k},}
donde v1, v2, …, vk están en S, y a1, a2, ..., ak están en F forman un subespacio
lineal llamado Sistema generador de S. El sistema generador de S es también la
intersección de todos los subespacios lineales que contienen a S. En otras
palabras, es el subespacio lineal, más pequeño para la relación de inclusión, que
contiene a S.

Un conjunto de vectores es linealmente independiente si ninguno está en el

intervalo de los demás. De manera equivalente, un conjunto S de vectores es
linealmente independiente si la única forma de expresar el vector cero como una
combinación lineal de elementos de S es tomar cero para cada coeficiente
{\displaystyle a_{i}.}{\displaystyle a_{i}.}

Un conjunto de vectores que abarca un espacio vectorial se denomina conjunto de

expansión o sistema generador. Si un conjunto generador S es linealmente
dependiente (que no es linealmente independiente), entonces algún elemento w de S
es en el lapso de los otros elementos de S , y el lapso seguiría siendo el mismo si
uno remove w de S. Se puede continuar eliminando elementos de S hasta obtener un
conjunto de expansión linealmente independiente. Un conjunto linealmente
independiente que abarca un espacio vectorial V se llama base de V. La importancia
de las bases radica en el hecho de que hay juntos grupos electrógenos mínimos y
grupos independientes máximos. Más precisamente, si S es un conjunto linealmente
independiente y T es un conjunto de expansión tal que {\displaystyle S\subseteq T,}
{\displaystyle S\subseteq T,}, entonces hay una base B tal que {\displaystyle
S\subseteq B\subseteq T.}{\displaystyle S\subseteq B\subseteq T.}

Si dos bases cualesquiera de un espacio vectorial V tienen la misma cardinalidad

que se llama dimensión; este es el Teorema de la dimensión de espacios vectoriales.
Además, dos espacios vectoriales sobre el mismo campo F son isomorfos si y solo si
tienen la misma dimensión. 10

Si alguna base de V (y por lo tanto cada base) tiene un número finito de elementos,
V es un espacio vectorial de dimensión finita. Si U es un subespacio de V, entonces
dim U ≤ dim V. En el caso en el que V es de dimensión finita, la igualdad de las
dimensiones implica que U = V.

Si U1 y U2 son subespacios de V , entonces

{\displaystyle \dim(U_{1}+U_{2})=\dim U_{1}+\dim U_{2}-\dim(U_{1}\cap U_{2}),}
{\displaystyle \dim(U_{1}+U_{2})=\dim U_{1}+\dim U_{2}-\dim(U_{1}\cap U_{2}),}
donde {\displaystyle U_{1}+U_{2}}{\displaystyle U_{1}+U_{2}} denota el lapso de
{\displaystyle U_{1}\cup U_{2}.}{\displaystyle U_{1}\cup U_{2}.}11

Matrices
Artículo principal: Matriz (matemáticas)
La matriz es una disposición rectangular de números, símbolos o expresiones, cuyas
dimensiones son descritas en las cantidades de filas (usualmente m) por las de
columnas (n) que poseen. Las disposiciones matriciales son particularmente
estudiados por el álgebra lineal y son bastante usados en ciencias e ingeniería.

Las matrices permiten la manipulación explícita de espacios vectoriales de

dimensión finita y mapas lineales . Por tanto, su teoría es una parte esencial del
álgebra lineal.

Sea V un espacio vectorial de dimensión finita sobre un campo F, y (v1, v2, …, vm)
es una base de V, por lo tanto m es ladimensión de V). Por definición, de una base,
el mapa

{\displaystyle {\begin{aligned}(a_{1},\ldots ,a_{m})&\mapsto a_{1}\mathbf {v}

_{1}+\cdots a_{m}\mathbf {v} _{m}\\F^{m}&\to V\end{aligned}}}{\displaystyle
{\begin{aligned}(a_{1},\ldots ,a_{m})&\mapsto a_{1}\mathbf {v} _{1}+\cdots
a_{m}\mathbf {v} _{m}\\F^{m}&\to V\end{aligned}}}
es una biyección de {\displaystyle F^{m},}{\displaystyle F^{m},} el conjunto de las
secuencias de m elementos de V , sobre la V. Este es un isomorfismo de espacios
vectoriales, si {\displaystyle F^{m}}{\displaystyle F^{m}} está equipado con su
estructura estándar de espacio vectorial, donde la suma de vectores y la
multiplicación escalar se realizan componente por componente.

Este isomorfismo permite representar un vector por su imagen inversa bajo este
isomorfismo, es decir por las componentes de un vector de coordenadas {\
Displaystyle (a_ {1}, \ ldots, a_ {m})}{\ Displaystyle (a_ {1}, \ ldots, a_ {m})}o
por la matriz de columnas {\displaystyle (a_{1},\ldots ,a_{m})}{\displaystyle
(a_{1},\ldots ,a_{m})} o mediante la matriz vertical

{\displaystyle {\begin{bmatrix}a_{1}\\\vdots \\a_{m}\end{bmatrix}}.}{\displaystyle

{\begin{bmatrix}a_{1}\\\vdots \\a_{m}\end{bmatrix}}.}
Si W es otro espacio vectorial de dimensión finita (posiblemente el mismo), con una
base {\displaystyle (\mathbf {w} _{1},\ldots ,\mathbf {w} _{n}),}{\displaystyle
(\mathbf {w} _{1},\ldots ,\mathbf {w} _{n}),}, un mapa lineal f de W a V está bien
definido por sus valores en los elementos base, es decir {\ Displaystyle (f (\
mathbf {w} _ {1}), \ ldots, f (\ mathbf {w} _ {n})).}{\ Displaystyle (f (\ mathbf
{w} _ {1}), \ ldots, f (\ mathbf {w} _ {n})).}Por tanto, f está bien representada
por la lista de las matrices de columna correspondientes. Es decir, si

{\displaystyle f(w_{j})=a_{1,j}v_{1}+\cdots +a_{m,j}v_{m},}{\displaystyle

f(w_{j})=a_{1,j}v_{1}+\cdots +a_{m,j}v_{m},}
con j = 1, ..., n, entonces f viene representada por una matriz:

{\displaystyle {\begin{bmatrix}a_{1,1}&\cdots &a_{1,n}\\\vdots &\ddots &\vdots

\\a_{m,1}&\cdots &a_{m,n}\end{bmatrix}},}{\displaystyle
{\begin{bmatrix}a_{1,1}&\cdots &a_{1,n}\\\vdots &\ddots &\vdots \\a_{m,1}&\cdots
&a_{m,n}\end{bmatrix}},}
con m filas y n columnas.

La multiplicación de matrices se define de forma que el producto de dos matrices es

la matriz de la composición de los mapas lineales correspondientes, y el producto
de una matriz y una matriz columna es la matriz columna que representa el resultado
de aplicar el mapa lineal representado al vector representado. Se deduce que la
teoría de los espacios vectoriales de dimensión finita y la teoría de las matrices
son dos lenguajes diferentes para expresar exactamente los mismos conceptos.

Dos matrices que codifican la misma transformación lineal en bases diferentes se

llaman matrices similares. Se puede demostrar que dos matrices son similares si y
sólo si se puede transformar una en la otra mediante operaciones elementales de
filas y columnas. Para una matriz que representa un mapa lineal de W a V, las
operaciones de fila corresponden a cambio de bases en V y las operaciones de
columna corresponden a cambio de bases en W. Toda matriz es similar a una matriz
identidad bordeada por filas y columnas nulas. En términos de espacios vectoriales,
esto significa que, para cualquier mapa lineal de W a V, hay bases tales que una
parte de la base de W se mapea biyectivamente en una parte de la base de V, y que
los elementos restantes de la base de W, si los hay, se mapean a cero. La
eliminación gaussiana es el algoritmo básico para encontrar estas operaciones
elementales y demostrar estos resultados.

Sistemas lineales
Artículo principal: Sistema de ecuaciones lineales
Un conjunto finito de ecuaciones lineales en un conjunto finito de variables, por
ejemplo {\displaystyle x_{1},x_{2},\ldots ,x_{n}}{\displaystyle
x_{1},x_{2},\ldots ,x_{n}} or {\displaystyle x,y,\ldots ,z}{\displaystyle
x,y,\ldots ,z} se llama sistema de ecuaciones lineales o sistema lineal .1213141516

Los sistemas de ecuaciones lineales constituyen una parte fundamental del álgebra
lineal. Históricamente, el álgebra lineal y la teoría de matrices se han
desarrollado para resolver dichos sistemas. En la presentación moderna del álgebra
lineal mediante espacios vectoriales y matrices, muchos problemas pueden
interpretarse en términos de sistemas lineales.

Por ejemplo,

{\displaystyle {\begin{alignedat}{7}2x&&\;+\;&&y&&\;-\;&&z&&\;=\;&&8\\-
3x&&\;-\;&&y&&\;+\;&&2z&&\;=\;&&-11\\-2x&&\;+\;&&y&&\;+\;&&2z&&\;=\;&&-
3\end{alignedat}}}{\displaystyle {\begin{alignedat}{7}2x&&\;
+\;&&y&&\;-\;&&z&&\;=\;&&8\\-3x&&\;-\;&&y&&\;+\;&&2z&&\;=\;&&-11\\-2x&&\;+\;&&y&&\;
+\;&&2z&&\;=\;&&-3\end{alignedat}}}

(S)

es un sistema lineal.

A dicho sistema se le puede asociar su matriz

{\displaystyle M=\left[{\begin{array}{rrr}2&1&-1\\-3&-1&2\\-
2&1&2\end{array}}\right]}{\displaystyle M=\left[{\begin{array}{rrr}2&1&-1\\-3&-
1&2\\-2&1&2\end{array}}\right]}
y su vector de miembro derecho

{\displaystyle \mathbf {v} ={\begin{bmatrix}8\\-11\\-3\end{bmatrix}}.}

{\displaystyle \mathbf {v} ={\begin{bmatrix}8\\-11\\-3\end{bmatrix}}.}
Sea T la transformación lineal asociada a la matriz M. Una solución del sistema (S)
es un vector

{\displaystyle \mathbf {X} ={\begin{bmatrix}x\\y\\z\end{bmatrix}}}{\displaystyle

\mathbf {X} ={\begin{bmatrix}x\\y\\z\end{bmatrix}}}
tal que

{\displaystyle T(\mathbf {X} )=\mathbf {v} ,}{\displaystyle T(\mathbf {X} )=\mathbf

{v} ,}
que es un elemento de la imagen inversa de v por T.

Sea (S') el sistema homogéneo asociado, donde los lados derechos de las ecuaciones
se ponen a cero:

{\displaystyle {\begin{alignedat}{7}2x&&\;+\;&&y&&\;-\;&&z&&\;=\;&&0\\-
3x&&\;-\;&&y&&\;+\;&&2z&&\;=\;&&0\\-2x&&\;+\;&&y&&\;
+\;&&2z&&\;=\;&&0\end{alignedat}}}{\displaystyle {\begin{alignedat}{7}2x&&\;
+\;&&y&&\;-\;&&z&&\;=\;&&0\\-3x&&\;-\;&&y&&\;+\;&&2z&&\;=\;&&0\\-2x&&\;+\;&&y&&\;
+\;&&2z&&\;=\;&&0\end{alignedat}}}

(S')

Las soluciones de (S') son exactamente los elementos del núcleo de T o,

equivalentemente, M.

La eliminación gaussiana consiste en realizar operaciones elementales de filas en

la matriz aumentada.

{\displaystyle \left[\!{\begin{array}{c|c}M&\mathbf {v}

\end{array}}\!\right]=\left[{\begin{array}{rrr|r}2&1&-1&8\\-3&-1&2&-11\\-2&1&2&-
3\end{array}}\right]}{\displaystyle \left[\!{\begin{array}{c|c}M&\mathbf {v}
\end{array}}\!\right]=\left[{\begin{array}{rrr|r}2&1&-1&8\\-3&-1&2&-11\\-2&1&2&-
3\end{array}}\right]}
para ponerlo en forma escalonada reducida. Estas operaciones de fila no cambian el
conjunto de soluciones del sistema de ecuaciones. En el ejemplo, la forma
escalonada reducida es

{\displaystyle \left[\!{\begin{array}{c|c}M&\mathbf {v}

\end{array}}\!\right]=\left[{\begin{array}{rrr|r}1&0&0&2\\0&1&0&3\\0&0&1&-
1\end{array}}\right],}{\displaystyle \left[\!{\begin{array}{c|c}M&\mathbf {v}
\end{array}}\!\right]=\left[{\begin{array}{rrr|r}1&0&0&2\\0&1&0&3\\0&0&1&-
1\end{array}}\right],}
mostrando

{\displaystyle {\begin{aligned}x&=2\\y&=3\\z&=-1.\end{aligned}}}{\displaystyle
{\begin{aligned}x&=2\\y&=3\\z&=-1.\end{aligned}}}
De esta interpretación matricial de los sistemas lineales se deduce que los mismos
métodos pueden aplicarse para resolver sistemas lineales y para muchas operaciones
sobre matrices y transformaciones lineales, que incluyen el cálculo del rangos,
núcleos, y matriz inversa que el sistema (S) tiene la solución única
{\displaystyle {\begin{aligned}x&=2\\y&=3\\z&=-1.\end{aligned}}}{\displaystyle
{\begin{aligned}x&=2\\y&=3\\z&=-1.\end{aligned}}}
De esta interpretación matricial de los sistemas lineales se deduce que los mismos
métodos pueden aplicarse para resolver sistemas lineales y para muchas operaciones
sobre matrices y transformaciones lineales, que incluyen el cálculo del rangos,
núcleos y matriz inversa.

Endomorfismos y matrices cuadradas

Artículo principal: Matriz cuadrada
Un endomorfismo lineal es un mapa lineal que mapea un espacio vectorial V a sí
mismo. Si V tiene una base de n elementos, tal endomorfismo se representa mediante
una matriz cuadrada de tamaño n.

Con respecto a los mapas lineales generales, los endomorfismos lineales y las
matrices cuadradas tienen algunas propiedades específicas que hacen que su estudio
sea una parte importante del álgebra lineal, que se usa en muchas partes de las
matemáticas, incluidas las transformaciones geométricas , los cambios de
coordenadas, las formas cuadráticas y muchas otras. de las matemáticas.

Determinantes
Artículo principal: Determinante (matemática)
El determinante de una matriz cuadrada A se define como17

{\displaystyle \sum _{\sigma \in S_{n}}(-1)^{\sigma }a_{1\sigma (1)}\cdots

a_{n\sigma (n)},}{\displaystyle \sum _{\sigma \in S_{n}}(-1)^{\sigma }a_{1\sigma
(1)}\cdots a_{n\sigma (n)},}
donde

{\displaystyle S_{n}}S_n es el grupo de todas las permutaciones de n elementos,

{\displaystyle \sigma }\sigma es una permutación y
y {\displaystyle (-1)^{\sigma }}{\displaystyle (-1)^{\sigma }} la paridad de la
permutación.
Una matriz es invertible si y sólo si el determinante es invertible (es decir,
distinto de cero si los escalares pertenecen a un campo).

La regla de Cramer es una expresión de forma cerrada, en términos de determinantes,

de la solución de un sistema de n ecuaciones lineales en n incógnitas. La regla de
Cramer es útil para razonar sobre la solución, pero, excepto para n = 2 o 3, rara
vez se utiliza para calcular una solución, ya que la eliminación gaussiana es un
algoritmo más rápido.

El determinante de un endomorfismo es el determinante de la matriz que representa

el endomorfismo en términos de alguna base ordenada. Esta definición tiene sentido,
ya que este determinante es independiente de la elección de la base.

Valores propios y vectores propios

Artículo principal: Vector propio y valor propio
Si f es un endomorfismo lineal de un espacio vectorial V sobre un campo F, un
vector propio de f es un vector v de V no nulo tal que f(v) = av para algún escalar
a en F. Este escalar a es un valor propio de f.

Si la dimensión de V es finita, y se ha elegido una base, f y v pueden

representarse, respectivamente, por una matriz cuadrada M y una matriz de columnas
z; la ecuación que define los vectores y valores propios se convierte en

{\displaystyle Mz=az.}{\displaystyle Mz=az.}

Utilizando la matriz identidad I, cuyas entradas son todas cero, excepto las de la
diagonal principal, que son iguales a uno, esto puede reescribirse
{\displaystyle (M-aI)z=0.}{\displaystyle (M-aI)z=0.}
Como se supone que z es distinto de cero, esto significa que M - aI es una matriz
singular, y por tanto que su determinante {\displaystyle \det(M-aI)}
{\displaystyle \det(M-aI)} es igual a cero. Los valores propios son, pues, la
raíces del polinomio

{\displaystyle \det(xI-M).}{\displaystyle \det(xI-M).}

Si V es de dimensión n, se trata de un polinomio mónico de grado n, llamado
polinomio característico de la matriz (o del endomorfismo), y hay, como máximo, n
valores propios.

Si existe una base que consiste sólo en vectores propios, la matriz de f en esta
base tiene una estructura muy simple: es una matriz diagonal tal que las entradas
en la diagonal principal son valores propios, y las otras entradas son cero. En
este caso, se dice que el endomorfismo y la matriz son diagonalizable. De forma más
general, un endomorfismo y una matriz también se dicen diagonalizables, si se
convierten en diagonalizables después de extender el campo de escalares. En este
sentido extendido, si el polinomio característico es square-free, entonces la
matriz es diagonalizable.

Una matriz simétrica es siempre diagonalizable. Existen matrices no

diagonalizables, siendo la más sencilla

{\displaystyle {\begin{bmatrix}0&1\\0&0\end{bmatrix}}}{\displaystyle
{\begin{bmatrix}0&1\\0&0\end{bmatrix}}}
(no puede ser diagonalizable ya que su cuadrado es la matriz cero, y el cuadrado de
una matriz diagonal no nula nunca es cero).

Cuando un endomorfismo no es diagonalizable, hay bases en las que tiene una forma
simple, aunque no tan simple como la forma diagonal. La forma normal de Frobenius
no necesita extender el campo de escalares y hace que el polinomio característico
sea inmediatamente legible sobre la matriz. La forma normal de Jordan requiere
extender el campo de escalares para contener todos los valores propios, y difiere
de la forma diagonal sólo por algunas entradas que están justo encima de la
diagonal principal y son iguales a 1.

Dualidad
Artículo principal: Espacio dual
Una forma lineal es un mapa lineal desde un espacio vectorial {\displaystyle V}V
sobre un campo {\displaystyle F}F al campo de escalares {\displaystyle F}F, visto
como un espacio vectorial sobre sí mismo. Equipadas por la adición puntual y la
multiplicación por un escalar, las formas lineales forman un espacio vectorial,
llamado espacio dual de {\displaystyle V}V, y usualmente denotado {\displaystyle
V^{*}}{\displaystyle V^{*}}(Katznelson, Katznelson y 2008, p. 37 §2.1.3) o
{\displaystyle V'}{\displaystyle V'}.(Halmos y 1974, p. 20, §13)(Axler y 2015, p.
101, §3.94)

Mapa lineal de un espacio vectorial a su campo de escalares

Si {\displaystyle \mathbf {v} _{1},\ldots ,\mathbf {v} _{n}}{\displaystyle \mathbf
{v} _{1},\ldots ,\mathbf {v} _{n}} es una base de {\displaystyle V}V (esto implica
que V es de dimensión finita), entonces se puede definir, para i = 1, . .., n, un
mapa lineal {\displaystyle v_{i}^{*}}{\displaystyle v_{i}^{*}} tal que
{\displaystyle v_{i}^{*}(\mathbf {e} _{i})=1}{\displaystyle v_{i}^{*}(\mathbf {e}
_{i})=1} y {\displaystyle v_{i}^{*}(\mathbf {e} _{j})=0}{\displaystyle v_{i}^{*}
(\mathbf {e} _{j})=0} si j ≠ i. Estos mapas lineales forman una base de
{\displaystyle V^{*},}{\displaystyle V^{*},} llamada la base dual de {\displaystyle
\mathbf {v} _{1},\ldots ,\mathbf {v} _{n}.}{\displaystyle \mathbf {v}
_{1},\ldots ,\mathbf {v} _{n}.} (Si V no es de dimensión finita, los {\displaystyle
v_{i}^{*}}{\displaystyle v_{i}^{*}} pueden definirse de forma similar; son
linealmente independientes, pero no forman una base).

Para {\displaystyle \mathbf {v} }{\mathbf v} en {\displaystyle V}V, el mapa

{\displaystyle f\to f(\mathbf {v} )}{\displaystyle f\to f(\mathbf {v} )}

es una forma lineal en {\displaystyle V^{*}.}{\displaystyle V^{*}.} Esto define el
mapa lineal canónico de {\displaystyle V}V en {\displaystyle V^{**},}{\displaystyle
V^{**},} el dual de {\displaystyle V^{*},}{\displaystyle V^{*},} llamado el bidual
of {\displaystyle V}V. Este mapa canónico es un isomorfismo si {\displaystyle V}V
es finito-dimensional, y esto permite identificar {\displaystyle V}V con su bidual.

Existe, pues, una simetría completa entre un espacio vectorial de dimensión finita
y su dual. Esto motiva el uso frecuente, en este contexto, de la notación bra-ket

{\displaystyle \langle f,\mathbf {x} \rangle }{\displaystyle \langle f,\mathbf

{x} \rangle } para denotar {\displaystyle f(\mathbf {x} )}{\displaystyle f(\mathbf
{x} )}.
Mapa dual
Dejemos que

{\displaystyle f:V\to W}{\displaystyle f:V\to W}

sea un mapa lineal. Para toda forma lineal h sobre W, la función compuesta h ∘ f es
una forma lineal sobre V. Esto define un mapa lineal

{\displaystyle f^{*}:W^{*}\to V^{*}}{\displaystyle f^{*}:W^{*}\to V^{*}}

entre los espacios duales, que se llama el dual o la transposición' de f.

Si V y W son de dimensión finita, y M es la matriz de f en términos de algunas

bases ordenadas, entonces la matriz de {\displaystyle f^{*}}{\displaystyle f^{*}}
sobre las bases duales es la transposición {\displaystyle M^{\mathsf {T}}}
{\displaystyle M^{\mathsf {T}}} de M, obtenida intercambiando filas y columnas.

Si los elementos de los espacios vectoriales y sus duales se representan mediante

vectores columna, esta dualidad puede expresarse en notación bra-ket mediante

{\displaystyle \langle h^{\mathsf {T}},M\mathbf {v} \rangle =\langle h^{\mathsf

{T}}M,\mathbf {v} \rangle .}{\displaystyle \langle h^{\mathsf {T}},M\mathbf {v}
\rangle =\langle h^{\mathsf {T}}M,\mathbf {v} \rangle .}
Para resaltar esta simetría, los dos miembros de esta igualdad se escriben a veces

{\displaystyle \langle h^{\mathsf {T}}\mid M\mid \mathbf {v} \rangle .}

{\displaystyle \langle h^{\mathsf {T}}\mid M\mid \mathbf {v} \rangle .}
Espacios vectoriales de uso común
Dentro de los espacios vectoriales de dimensión finita, son de amplio uso los dos
tipos siguientes de espacios vectoriales:

Vectores en Rn
Este espacio vectorial está formado por el conjunto de vectores de n dimensiones
(es decir con n número de componentes). Podemos encontrar un ejemplo de ellos en
los vectores R2, que son famosos por representar las coordenadas cartesianas:
(2,3), (3,4),...

Espacio vectorial de polinomios en una misma variable

Un ejemplo de espacio vectorial está dado por todos los polinomios cuyo grado es
menor o igual a 2 con coeficientes reales sobre una variable x.

Ejemplos de tales polinomios son:

{\displaystyle 4x^{2}-5x+1,\quad {\frac {2x^{2}}{7}}-3,\quad 8x+4,\quad 5}
{\displaystyle 4x^{2}-5x+1,\quad {\frac {2x^{2}}{7}}-3,\quad 8x+4,\quad 5}

La suma de dos polinomios cuyo grado no excede a 2 es otro polinomio cuyo grado no
excede a 2:

{\displaystyle (3x^{2}-5x+1)+(4x-8)=3x^{2}-x-7}{\displaystyle (3x^{2}-5x+1)+(4x-

8)=3x^{2}-x-7}

El campo de escalares es naturalmente el de los números reales, y es posible

multiplicar un número por un polinomio:

{\displaystyle 5\cdot (2x+3)=10x+15}{\displaystyle 5\cdot (2x+3)=10x+15}

donde el resultado nuevamente es un polinomio (es decir, un vector).

Un ejemplo de transformación lineal es el operador derivada D, que asigna a cada

polinomio el resultado de derivarlo:

{\displaystyle D(3x^{2}-5x+7)=6x-5.}{\displaystyle D(3x^{2}-5x+7)=6x-5.}

El operador derivada satisface las condiciones de linealidad, y aunque es posible

demostrarlo con rigor, simplemente lo ilustramos con un ejemplo la primera
condición de linealidad:

{\displaystyle D((4x^{2}+5x-3)+(x^{2}-x-1))=D(5x^{2}+4x-4)=10x+4}{\displaystyle
D((4x^{2}+5x-3)+(x^{2}-x-1))=D(5x^{2}+4x-4)=10x+4}

y por otro lado:

{\displaystyle D(4x^{2}+5x-3)+D(x^{2}-x-1)=(8x+5)+(2x-1)=10x+4.}{\displaystyle
D(4x^{2}+5x-3)+D(x^{2}-x-1)=(8x+5)+(2x-1)=10x+4.}

Cualquier espacio vectorial tiene una representación en coordenadas similar a

{\displaystyle \mathbb {R} ^{n}}\mathbb {R} ^{n}, lo cual se obtiene mediante la
elección de una base (álgebra) (es decir, un conjunto especial de vectores), y uno
de los temas recurrentes en el álgebra lineal es la elección de bases apropiadas
para que los vectores de coordenadas y las matrices que representan las
transformaciones lineales tengan formas sencillas o propiedades específicas.