UNIVERSIDAD PRIVADA

DOMINGO SAVIO
FACULTAD DE INGENIERÍAS

PROYECTO DE ALGEBRA
LINEAL

INTEGRANTES:
Luis Ariel Velasquez Cardozo
Humberto Fabián Padilla Vásquez
Edilzon Jorge Katty Quispe
MATERIA:
ALGEBRA LINEAL

DOCENTE:
Delina Martinez
lOM oAR

TARIJA, DICIEMBRE DEL 2024

 TRABAJO DE INVESTIGACION
HISTORIA

Las raíces de la computación se remontan a siglos atrás, con dispositivos como el

ábaco. Sin embargo, fue en el siglo XIX cuando surgieron las primeras ideas para
máquinas capaces de realizar cálculos complejos de manera automática.

Charles Babbage y la Máquina Analítica: A mediados del siglo XIX, Charles Babbage
concibió la Máquina Analítica, un diseño para una computadora mecánica
programable. Aunque nunca fue construida en su totalidad, esta máquina sentó las
bases para el desarrollo futuro de la computación.

Ada Lovelace: La Primera Programadora Contemporánea de Babbage, Ada Lovelace,

reconocida matemática y escritora, colaboró estrechamente con él. Lovelace no solo
comprendió el funcionamiento de la Máquina Analítica, sino que también desarrolló el
primer algoritmo diseñado para ser ejecutado por una máquina. Sus notas sobre la
Máquina Analítica son consideradas el primer programa de computadora de la historia.

La Máquina Tabuladora de Herman Hollerith: A finales del siglo XIX, Herman Hollerith
desarrolló una máquina tabuladora electromecánica 1 que utilizaba tarjetas perforadas
para procesar datos del censo de los Estados Unidos. Esta innovación revolucionó el
procesamiento de datos y sentó las bases para el desarrollo de sistemas de
procesamiento de información más sofisticados.

La Era de las Computadoras Electrónicas y el Nacimiento de una

Disciplina
A mediados del siglo XX, con el surgimiento de las computadoras electrónicas, como la
ENIAC, se hizo evidente la necesidad de una disciplina que se encargara del diseño,
desarrollo y gestión de estos sistemas complejos. Es en este contexto que surge el
término "ingeniería de sistemas". La compañía Bell, pionera en las telecomunicaciones,
acuñó este término en 1950 para referirse a un enfoque interdisciplinario para el diseño
y la gestión de sistemas complejos.

La Institucionalización y el Crecimiento
La década de 1960 marcó un hito en la consolidación de la ingeniería en sistemas
computacionales. Instituciones de prestigio como el Massachusetts Institute of
Technology (MIT) comenzaron a ofrecer programas académicos especializados en esta
área. El MIT, con su larga tradición de investigación y su estrecha relación con la
industria, jugó un papel fundamental en la formación de los primeros ingenieros en
sistemas computacionales.
La Guerra Fría y la competencia tecnológica entre las superpotencias aceleraron el
desarrollo de la computación y la necesidad de profesionales altamente capacitados
en este campo. Tanto los gobiernos como las empresas buscaban obtener una ventaja
competitiva a través de la innovación tecnológica.

La Ingeniería en Sistemas Computacionales en la Era Digital

A lo largo del siglo XX, la ingeniería en sistemas computacionales experimentó un
crecimiento exponencial, impulsado por avances tecnológicos como:

Transistores y circuitos integrados: Permitieron la miniaturización y el aumento de la

potencia de las computadoras.

Lenguajes de programación: Facilitaron la creación de software y aplicaciones.

Sistemas operativos: Gestionaron los recursos de las computadoras de manera

eficiente.

Redes de computadoras: Conectaron a las computadoras entre sí, dando origen a

Internet.

En la actualidad, la ingeniería en sistemas computacionales es una disciplina

fundamental en la sociedad digital. Los ingenieros en sistemas computacionales están
involucrados en el desarrollo de una amplia gama de tecnologías, incluyendo:

Inteligencia artificial: Creación de sistemas inteligentes capaces de aprender y tomar

decisiones.

Big data: Análisis de grandes volúmenes de datos para obtener insights valiosos.

Internet de las cosas: Conexión de dispositivos cotidianos a Internet.

Ciberseguridad: Protección de sistemas y datos contra ciberataques.

Realidad virtual y aumentada: Creación de experiencias inmersivas.

El Futuro de la Ingeniería en Sistemas Computacionales

El futuro de la ingeniería en sistemas computacionales es prometedor y lleno de
desafíos. Se espera que los ingenieros en sistemas computacionales continúen
desempeñando un papel crucial en el desarrollo de nuevas tecnologías que
revolucionarán la forma en que vivimos y trabajamos.

Ramas de la Ingeniería en Sistemas y sus Especializaciones

1. Ingeniería de Software

Desarrollo de aplicaciones móviles: Creación de apps para dispositivos iOS y

Android.
Desarrollo web full-stack: Desarrollo tanto del frontend (interfaz de usuario) como del
backend (lógica del servidor) de una aplicación web.

Desarrollo de videojuegos: Creación de juegos para diferentes plataformas.

Inteligencia artificial en software: Incorporación de algoritmos de IA para mejorar las

aplicaciones.

2. Ingeniería de Bases de Datos

Big data: Gestión y análisis de grandes volúmenes de datos.

Business intelligence: Conversión de datos en información útil para la toma de

decisiones.

Data warehousing: Diseño y construcción de almacenes de datos.

3. Inteligencia Artificial y Machine Learning

Visión por computadora: Desarrollo de sistemas que pueden "ver" y entender

imágenes.

Procesamiento del lenguaje natural: Creación de sistemas que pueden interactuar

con humanos a través del lenguaje.

Aprendizaje profundo: Utilización de redes neuronales artificiales para resolver

problemas complejos.

4. Ciberseguridad

Pentesting: Pruebas de penetración para identificar vulnerabilidades en sistemas.

Análisis forense digital: Investigación de incidentes de seguridad informática.

Gestión de riesgos: Evaluación y mitigación de riesgos cibernéticos.

5. Ingeniería de Datos

Ingeniería de datos: Diseño, construcción y gestión de sistemas de datos.

Arquitectura de datos: Diseño de la estructura de un sistema de datos.

Gestión de datos: Administración y mantenimiento de datos.

6. Gestión de Proyectos de Software

Metodologías ágiles: Aplicación de métodos como Scrum y Kanban para la gestión de

proyectos.

Gestión de equipos: Liderazgo y coordinación de equipos de desarrollo.

¿Por qué es importante el álgebra lineal en ingeniería en sistemas?

El álgebra lineal nos proporciona un lenguaje matemático para representar y manipular
datos de manera eficiente. Esta capacidad es crucial en la ingeniería en sistemas, ya
que nos permite:

Modelar sistemas: Representar sistemas complejos (redes, circuitos, imágenes, etc.)

como conjuntos de ecuaciones lineales.

Resolver problemas: Encontrar soluciones a problemas de optimización,

clasificación, reconocimiento de patrones y muchos otros.

Procesar datos: Manipular y analizar grandes cantidades de datos de manera eficiente.

Visualizar datos: Representar datos numéricos en forma gráfica para una mejor
comprensión.

¿Dónde se aplica el álgebra lineal en la ingeniería en sistemas?

El álgebra lineal se utiliza en una amplia gama de áreas dentro de la ingeniería en
sistemas, incluyendo:

Aprendizaje automático:

Redes neuronales: Las matrices son la base para representar y operar con redes
neuronales, que son fundamentales en el aprendizaje profundo.

Regresión lineal: Se utiliza para modelar relaciones lineales entre variables y realizar
predicciones.

Visión por computadora:

Procesamiento de imágenes: Las matrices se utilizan para representar imágenes y

realizar operaciones como filtrado, segmentación y reconocimiento de objetos.

Transformaciones geométricas: Las matrices se utilizan para realizar rotaciones,

escalamientos y traslaciones de imágenes.

Gráficos por computadora:

Transformaciones 3D: Las matrices se utilizan para representar y manipular objetos en

un espacio 3D.

Proyecciones: Las matrices se utilizan para proyectar objetos 3D en una pantalla 2D.

Procesamiento de señales:

Filtrado: Las matrices se utilizan para diseñar filtros digitales para eliminar ruido de
señales.

Compresión: Las matrices se utilizan en técnicas de compresión de señales, como la

transformada de Fourier.
Optimización:

Programación lineal: Se utiliza para resolver problemas de optimización con

restricciones lineales.

Teoría de control:

Modelado de sistemas: Los sistemas dinámicos se pueden representar mediante

ecuaciones diferenciales, que a su vez se pueden discretizar y expresar en forma
matricial.

Ejemplos concretos de aplicaciones

Reconocimiento facial: Al convertir una imagen facial en un vector numérico y utilizar
técnicas de álgebra lineal para comparar este vector con otros almacenados en una
base de datos.

Recomendaciones de productos: Al utilizar matrices para representar las

preferencias de los usuarios y los productos, y encontrar productos similares basados
en la similitud entre los vectores.

Análisis de redes sociales: Al representar una red social como una matriz de
adyacencia y utilizar álgebra lineal para analizar la estructura de la red y encontrar
comunidades.

Diseño de juegos: Al utilizar matrices para representar transformaciones en el espacio

3D y crear animaciones realistas.

¿Para qué se utilizan los determinantes y las matrices en ingeniería en

sistemas?
Representación de datos:

Matrices: Permiten organizar grandes cantidades de datos de manera estructurada,

como tablas de datos, imágenes (representadas como matrices de píxeles) o redes
sociales (representadas como matrices de adyacencia).

Determinantes: Aunque menos utilizados directamente, el determinante de una matriz

puede proporcionar información sobre la linealidad y la independencia de las filas o
columnas de una matriz, lo cual es útil en diversos cálculos.

Resolución de sistemas de ecuaciones lineales:

Matrices: Los sistemas de ecuaciones lineales se pueden representar de forma

compacta utilizando matrices.
Determinantes: El determinante de la matriz de coeficientes de un sistema de
ecuaciones lineales nos indica si el sistema tiene solución única, infinitas soluciones o
ninguna solución.

Transformaciones lineales:

Matrices: Las matrices representan transformaciones lineales como rotaciones,

escalamientos y reflexiones en el espacio.

Determinantes: El determinante de una matriz de transformación indica cómo el área

o el volumen se ven afectados por la transformación.

Análisis de redes:

Matrices de adyacencia: Representan las conexiones entre los nodos de una red
(redes sociales, redes eléctricas, etc.).

Centrality measures: Se utilizan para identificar los nodos más importantes de una
red, lo cual es útil en análisis de redes sociales, análisis de tráfico en internet, etc.

Aprendizaje automático:

Redes neuronales: Las matrices son fundamentales para representar las conexiones
entre las neuronas en una red neuronal.

Regresión lineal: Se utiliza para modelar relaciones lineales entre variables y realizar
predicciones.

Ejemplos de problemas donde se utilizan determinantes y matrices:

Procesamiento de imágenes: Filtrado, detección de bordes, compresión de imágenes.

Análisis de datos: Análisis de componentes principales (PCA), clustering,

clasificación.

Simulación de sistemas: Modelado de sistemas dinámicos, como circuitos eléctricos

o sistemas mecánicos.

Criptografía: Codificación y decodificación de mensajes.

Robótica: Control de robots, planificación de trayectorias.

Economía: Modelos econométricos, análisis de series de tiempo.