Algebra lineal

El Álgebra lineal constituye una de las más poderosas herramientas

matemáticas aplicadas a las ciencias empresariales, administrativas y sociales;
ya que la mayoría de los modelos son lineales y se resuelven con técnicas del
Álgebra lineal.

Objetivo general: Comprender la estructura algebraica de espacio vectorial y

sus bondades al momento de resolver problemas.

Objetivos específicos:

 Realizar manipulaciones algebraicas matriciales.

 Conocer y aplicar los teoremas más destacados del Álgebra lineal.

INTRODUCCIÓN

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:

a ❑❑ a1 x 1+ …+a n x n=b

Y aplicaciones lineales tales como:

❑❑ (x ¿ ¿1 , … , x n)→ a1 x 1 +…+ an x n ¿

Y sus representaciones en espacios vectoriales y a través de matrices

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.

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.6

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.

DEFINICIÓN

El álgebra lineal es la rama de las matemáticas cuyo objetivo es resolver

sistemas de ecuaciones que se expresan en forma matricial Ax=b, para lo cual
estudia conceptos tan abstractos como las matrices y sus operaciones, así
como los espacios vectoriales entre otros conceptos.
Lo más relevante de esta rama de las matemáticas es su aplicabilidad a
diversos campos del conocimiento, en tanto sea posible convertir del lenguaje
verbal una situación susceptible de ser modelada mediante el lenguaje del
álgebra lineal, es decir, convertirlo a un sistema de ecuaciones En estas notas
se ofrece los conceptos y herramientas operativas esenciales para capacitar al
alumno al planteamiento y solución de este tipo de problemas.

Se conoce como álgebra lineal a la especialización del álgebra que trabaja

con matrices, vectores, espacios vectoriales y ecuaciones de tipo lineal.
Se trata de un área del conocimiento que se desarrolló especialmente en la
década de 1840 con los aportes del alemán Hermann Grassmann (1809-
1877) y el irlandés William Rowan Hamilton (1805-1865), entre otros
matemáticos

TEOREMAS

Teorema de Cayley-Hamilton

En álgebra lineal, el teorema de Cayley-Hamilton (que lleva los nombres de los

matemáticos Arthur Cayley y William Hamilton) asegura que todo
endomorfismo de un espacio vectorial de dimensión finita sobre un cuerpo
cualquiera anula su propio polinomio característico.Retrato de Arthur Cayley.

En términos matriciales, eso significa que:

Si A es una matriz cuadrada de orden n y si es su polinomio característico

(polinomio de indeterminada λ), entonces al sustituir formalmente λ por la
matriz A en el polinomio, el resultado es la matriz nula:

El teorema de Cayley-Hamilton se aplica también a matrices cuadradas de

coeficientes en un anillo conmutativo cualquiera.

Un corolario importante del teorema de Cayley-Hamilton afirma que el

polinomio mínimo de una matriz dada es un divisor de su polinomio
característico, y no solo eso, el polinomio mínimo tiene los mismos factores
irreducibles que el polinomio característico.

Teorema de descomposición espectral

En matemáticas, y más especialmente en álgebra lineal y análisis funcional, el
teorema de descomposición espectral, o más brevemente teorema espectral,
expresa las condiciones bajo las cuales un operador o una matriz pueden ser
diagonalizados (es decir, representadas como una matriz diagonal en alguna
base). Se identifica así, un tipo de operadores lineales que pueden
representarse como una multiplicación de operadores.

Ejemplos de los operadores a los que se aplica este teorema son los
operadores auto adjuntos, o más en general, los operadores normales en
espacios de Hilbert.

El Teorema Espectral, proporciona, además, una descomposición canónica

(llamada descomposición espectral) del espacio vectorial sobre el cual actúa el
operador.

Teorema de Gerschgorin

El teorema de Gerschgorin es utilizado en álgebra lineal para encontrar una

cota de los valores propios de una matriz cuadrada. Fue publicado por el
matemático soviético Semyon Aranovich Gershgorin en 1931.[1]

Teorema de Laplace

El teorema de Laplace (también conocido como regla de Laplace o desarrollo

de Laplace), así llamado en honor del matemático francés homónimo es un
teorema matemático que permite simplificar el cálculo de determinantes en
matrices de elevadas dimensiones a base de descomponerlo en la suma de
determinantes menores.

El teorema afirma que el determinante de una matriz es igual a la suma de los

productos de cada elemento (de un renglón o columna) por la determinante de
su matriz adjunta, lo que reduce un determinante de dimensión n a n
determinantes de dimensión n-1. Aplicado de forma sucesiva, permite llegar a
matrices 3x3 (con lo que se puede aplicar la regla de Sarrus) o 2x2 (en el que
el determinante es el producto de la diagonal principal menos el de la
secundaria).

Teorema de Rouché–Frobenius
En álgebra lineal, el teorema de Rouché-Frobenius permite calcular el número
de soluciones de un sistema de ecuaciones lineales en función del rango de la
matriz de coeficientes, del rango de la matriz ampliada asociada al sistema y
del número de incógnitas que posea el sistema.

Lleva el nombre del matemático francés Eugène Rouché (quien lo enunció), y

del matemático alemán Ferdinand Georg Frobenius (quien fue uno de los
muchos matemáticos que lo demostraron). Así, en otros idiomas[1] recibe otros
nombres, como el teorema de Rouché-Capelli, el teorema de Rouché-Fontené,
el teorema de Kronecker-Capelli, etc.

El teorema establece que para que un sistema de ecuaciones lineales sea

compatible es condición necesaria y suficiente que la matriz formada por los
coeficientes y la matriz ampliada por los términos independientes posean el
mismo rango. Por lo demás, el sistema constituido será determinado si su
rango coincide con el número de incógnitas o será indeterminado si posee un
valor menor a tal número.
APLICACIONES

Dados los puntos A(8; -2) y B(-3;-4) en R2 determine la magnitud y orientación del vector ሬሬሬሬሬԦ
𝐴𝐵

A(8,-2) B(-3,-4)

ሬሬሬሬሬԦ
𝐴𝐵 = 𝐵ሺ−3,−4ሻ − 𝐴(8,−2)
ሬሬሬሬሬԦ
𝐴𝐵 = ‫ۦ‬−3 − 8;−4 − (−2)ۧ
ሬሬሬሬሬԦ
𝐴𝐵 = ‫ۦ‬−11;−2ۧ

ฮ ሬሬሬሬሬԦ
𝐴𝐵ฮ = ඥ (−11)2 + (−2)2

ฮ ሬሬሬሬሬԦ
𝐴𝐵ฮ = ξ121 + 4 = ξ125

ฮ ሬ𝑨
ሬሬሬሬ𝑩
ሬԦฮ = 𝟏𝟏,𝟏𝟖 𝒖. 𝑀𝑎𝑑𝑔𝑛𝑖𝑡𝑢𝑑
𝑦
tan𝛼 = ሬሬሬሬሬԦ
𝐴𝐵 = ‫ ۃ‬−11;−2‫ۄ‬
𝑥
−2 2
tan𝛼 = =
−11 11
2
𝛼 = tan−1 ൬ ൰
11
𝜶= 𝟏𝟎,𝟑𝟎° N
y

-11

10,30°
O
11,18 x

-2

90°-10,30°=79,70°

ሬሬሬሬሬሬԦ 𝑀𝑎𝑔𝑛𝑖𝑡𝑢𝑑 = 11,18

𝑨 𝑩= ൜
𝑂𝑟𝑖𝑒𝑛𝑡𝑎𝑐𝑖𝑜𝑛 = 𝑆79,70 𝑂
S
Dependencia e independencia

Nótese que el símbolo a la derecha del signo igual no es cero, sino que
simboliza al vector nulo .

La definición anterior también puede extenderse a un conjunto infinito de

vectores, concretamente un conjunto cualquiera de vectores es linealmente
dependiente si contiene un conjunto finito que sea linealmente dependiente.

Esta idea es importante porque los conjuntos de vectores que son linealmente
independientes, generan un subespacio vectorial y forman una base para dicho
subespacio.

Entre las propiedades de los vectores linealmente dependientes e

independientes encontramos:

1. Un conjunto de vectores es linealmente dependiente si y solamente si

alguno de los vectores es combinación lineal de los demás.
2. Si un conjunto de vectores es linealmente independiente, cualquier
subconjunto suyo también lo es.
3. Si un conjunto de vectores es linealmente dependiente, también lo es
todo conjunto que lo contenga.
Escalares, vectores, matrices y tensores
Escalares

Un escalar es únicamente un número, a diferencia de la mayoría de los otros

elementos del álgebra lineal que son conjuntos de valores como los vectores y
matrices. Generalmente, por convención a los escalares los escribimos en letra
cursiva minúscula o usando el alfabeto griego.

Entre los principales conjuntos de escalares tenemos a:

 Números Naturales (ℕ): los números que se utilizan para contar los
elementos de cualquier conjunto. (1, 2, 3, 4, …)

 Números Enteros (ℤ): el conjunto de los números enteros está dado por el
conjunto de los naturales, sus negativos y el cero. (…, -2, -1, 0, 1, 2, …)

 Números Reales (ℝ): el conjunto de los reales incluye tanto a los racionales
como a los irracionales.
#Ejemplo 1: Experimentando con escalaresa = 2
b = 4.8
c = 7.435print(a)
print(b)
print(c)#salida:
2
4.8
7.435print(a + b)
print(b - c)
print(b * a)
print(c / b)
print(c // b)#salida:
6.8
-2.635
9.6
1.5489583333333332
1.0
Vectores

Un vector es un arreglo de números. Un vector de n componentes se define

como un conjunto ordenado de n números escrito de la siguiente forma:

Vector fila

si es un vector fila.
Y de la siguiente manera si es un vector columna:

Vector columna

A los vectores, generalmente los denotamos por una letra minúscula en negrita.
#Ejemplo 2: Crear un vector de 5 elementos#No olvidar importar la librería
import numpy as np
v =([8, 0, 3, 1, 5])
(v)
Salida: [8, 0, 3, 1, 5]

Existen muchos casos donde queremos saber la dimensión del arreglo con el
que estamos trabajando. En NumPy es muy fácil consultarlo. Veamos el
siguiente ejemplo:
#Ejemplo 3: Crear un vector de valores aleatorios de tamaño 100 y calcular
su tamaño con NumPy.
v = (100)
v=v
Salida: (100,)
Si hacemos (v1) obtendremos directamente 100
El producto de un vector por un escalar (no confundir con producto escalar
de vectores) es la simple operación de multiplicar cada componente del vector
por un escalar determinado. Veamos el siguiente ejemplo:
#Ejemplo 4: Multiplicar un vector por un escalar. Consultar más abajo la
propiedad de broadcasting que posee NumPy.
b = 2.0
v = ([8, 0, 3, 1, 5])
(escalar_b * v2)
Salida: [16. 0. 6. 2. 10.]

La suma de vectores está dada por la operación de sumar componente a

componente de cada vector involucrado en la suma. Se debe observar que los
vectores deben tener la misma longitud.
# Ejemplo 5: Crear y sumar tres vectores
v1 = [6, 0, -3, 7])
v2 = ([2, 3, 7, -5])
v3 = ([0.1, 5, 0.89, 5])
(v1 + v2 + v3)
Salida: [8.1 8. 4.89 7.]

 Producto escalar

Sean a y b, dos vectores de n componentes. Entonces el producto escalar

de a y b denotado por a . b está dado por:

Este tipo de operación, a menudo también se denomina producto punto o

producto interno.

Se debe observar que el producto escalar entre dos vectores de n componentes

da como resultado un escalar, es decir un número. En publicaciones posteriores
veremos el verdadero significado del producto escalar.
# Ejemplo 6: Producto escalar
v1 = ([1, 5, -2, 7, 3])
v2 = ([3, 1, 1, -5, -1])
(np.dot(v1, v2))
Salida: -32

Matrices

Una matriz es un arreglo bi-dimensional de números. Cada elemento de la

misma está identificado por dos índices, en lugar de uno como en los vectores.
Usualmente, a una matriz la denotamos por una letra mayúscula en negrita.

Matriz de tamaño m x n

# Ejemplo 7: Crear una matriz de 2x3 y consultar su tamaño.

A = ([[5, 4, 7],[3, 8, 1]])
Salida: (2, 3)

 Suma de matrices

Sean A y B dos matrices de tamaño m x n. Entonces la suma de A y B es una

matriz de m x n dada por:
Hay que tener en cuenta que dos matrices solo se pueden sumar cuando
poseen la misma dimensión.
# Ejemplo 8: Crear 2 matrices de valores enteros y sumarlas.
A = ([[5, 4, 7],[3, 6, 1]])
B = ([[1, 0, 2],[4, 3, 3]])
(A + B)
Salida: [[6 4 9][7 9 4]]

 Multiplicación de una matriz por un escalar

Si A es una matriz de tamaño m x n y si α es un escalar, entonces el resultado

de multiplicar α por A da como resultado una matriz de tamaño m x n, donde
cada componente es el resultado de multiplicar cada componente de A por α, tal
como se muestra a continuación:

# Ejemplo 9: Crear una matriz de 2x2 y multiplicarla por un escalar

A = ([[5, 4], [3, 6]])
Escalar = 3
(escalar * A)
Salida: [[15 12][ 9 18]]

 Producto de matrices

Sea A una matriz de m x n, y sea B una matriz de n x p. Entonces el producto

de A y B es una matriz C de tamaño m x p donde:
Se debe observar que dos matrices solo se pueden multiplicar si el número de
columnas de la primera matriz es igual al número de filas de la segunda.
# Ejemplo 10: Crear 2 matrices y multiplicarlas
A = ([[5, 4, 7], [3, 6, 1]])
B = ([[1, 0], [4, 3],[9, 2]])
(np.matmul(A, B))
Salida:[[84 26][36 20]]

 Transpuesta de una matriz

Sea A, una matriz de m x n. Entonces la matriz transpuesta de A, denotada por

Aᵀ, es la matriz de n x m la cual se obtiene las filas por las columnas de A.

Notar que simplemente se coloca el renglón i de A como la columna i de Aᵀ

transpuesta y la columna j de A como la fila j de Aᵀ.
# Ejemplo 11: Crear una matriz de 2x3, hallar su transpuesta y verificar el
nuevo tamaño.
A = ([[5, 4, 7], [3, 6, 1]])
A_t = (A)('A_t: ', A_t)('Tamaño de A_t: ', A_t.shape)
Salida: A_t:[[5 3][4 6][7 1]]
Tamaño de A_t: (3, 2)

Tensores

Existen diversos casos en los cuales se precisan mas de dos ejes para
almacenar valores. En el caso general, una matriz con un número regular de
ejes se lo conoce como tensor. Por ejemplo, cuando almacenamos los valores
de los píxeles de una imagen a color necesitamos una matriz con tres ejes (uno
para cada canal de color: R, G y B).

Las operaciones que vimos para matrices pueden ser extendidas los tensores,
por lo que solo veremos un ejemplo de tensor y la importancia que tienen.
# Ejemplo 12: En este ejemplo crearemos un tensor de 10x10x3 de valores
aleatorios enteros en un rango de 0 a 255 (niveles de intensidad de un pixel)
y lo mostraremos como si fuera una imagen.
Libería para visualizar la imagen
Fijamos la semilla del generador de valores aleatorios
256 indica que se crean valores entre 0 y 255
A = (256,=(10,10,3))
Visualizamos el tensor A
Imagen de salida producto de crear el tensor de 10x10x3

Broadcasting

El concepto de broadcasting se usa para entender como NumPy realiza las

operaciones entre arreglos (vectores, matrices, tensores) de diferente tamaño.
Sujeto a ciertas restricciones, el arreglo más pequeño es “difundido” (¡?) a
través del arreglo más grande, para que de esta forma sean compatibles en
tamaño.

El broadcasting muchas veces conduce a una implementación más eficiente de

los algoritmos ya que proporciona un medio para la vectorización de
operaciones de modo que los bucles se realicen en C y no en Python. Sin
embargo pueden existir situaciones en que utilizar broadcasting sea ineficiente,
debido a un uso ineficiente de la memoria.
# Ejemplo 13: Experimentar el concepto de broadcasting. Crearemos una
matriz de 3x3, un vector de 3x1 y los sumaremos.
M = ([[1, 6, 2],[4, 2, 3],[1, 4, 2]])
v = ([5, 2, 1])
(M + v)
Salida:[[ 6 6 2][11 4 5][ 7 5 3]]
APLICACIÓN EN LAS CARRERAS

El álgebra lineal nos proporciona instrumentos numéricos para aplicarlos,

decidiendo, conociendo y utilizando métodos significativos y valiosos en
cuestiones de mercado, mejorando activos y ahorrando tiempo en ciclos y
procesos inútiles, descubriendo cómo proyectar la empresa con mayor
seguridad y eficacia.

¿Cuáles son las aplicaciones del álgebra lineal en la vida diaria? Las
aplicaciones del álgebra lineal van desde los viajes espaciales, hasta el cálculo
de la distancia de un punto A hacia un punto B cuando vas en un vehículo.
Para empezar, se trata de una de las múltiples ramas de las matemáticas que
se encarga de estudiar conceptos fundamentales, como vectores, matrices,
espacio dual, sistemas de ecuaciones lineales.
Desde un enfoque más formal, se encarga del estudio de espacios vectoriales
y sus transformaciones. Es una rama importante en casi todos los campos que
involucran a las matemáticas en general. El álgebra lineal es vital en las
presentaciones de la geometría moderna. Además, se usa para definir objetos
abstractos básicos como líneas, planos y rotaciones.

Las aplicaciones del álgebra lineal van desde la agricultura, la ganadería, hasta
la física cuántica. Además, puedes aplicarla incluso sin darte cuenta. Una de
los conceptos más estudiados y utilizados es el de la teoría de matrices y
determinantes, los cuales aportan múltiples herramientas para la ingeniería de
software, la computación gráfica y la robótica.

En un aspecto un poco avanzado, el álgebra lineal puede emplearse en la

macroeconomía, es decir, en la elaboración de presupuestos, gastos e
inversiones de un país. Igualmente, pueden establecerse modelos matemáticos
específicos para segmentar los sectores económicos y así poder estudiarlos en
profundidad.

Esto significa que, gracias a esta rama de las matemáticas, los recursos se
pueden invertir eficientemente en cada sector productivo, solucionando los
problemas que los sistemas de ecuaciones lineales han identificado con
rapidez