Álgebra Lineal
Introducción
El álgebra lineal es una rama de las matemáticas que estudia los espacios
vectoriales, las transformaciones lineales y los sistemas de ecuaciones
lineales. Es fundamental en ciencias exactas, ingeniería, economía, informática,
física y otras disciplinas, ya que permite modelar problemas de manera abstracta
y resolverlos con herramientas algebraicas y matriciales.
Su importancia radica en que muchos fenómenos del mundo real pueden
representarse mediante vectores y matrices: desde el movimiento de partículas en
física, hasta la organización de datos en inteligencia artificial.
1. Vectores y operaciones vectoriales
1.1 Definición
Un vector es un objeto matemático que tiene magnitud y dirección, representado
en forma de arreglo de números (componentes).
Por ejemplo:
v⃗=[v1v2v3]∈R3\vec{v} = \begin{bmatrix} v_1 \\ v_2 \\ v_3 \end{bmatrix} \in
\mathbb{R}^3v=v1v2v3∈R3
1.2 Operaciones con vectores
1. Suma de vectores:
u⃗+v⃗=[u1+v1u2+v2u3+v3]\vec{u} + \vec{v} = \begin{bmatrix} u_1 + v_1 \\ u_2 + v_2
\\ u_3 + v_3 \end{bmatrix}u+v=u1+v1u2+v2u3+v3
2. Producto por un escalar:
k⋅v⃗=[kv1kv2kv3]k \cdot \vec{v} = \begin{bmatrix} k v_1 \\ k v_2 \\ k v_3
\end{bmatrix}k⋅v=kv1kv2kv3
3. Producto punto (dot product):
u⃗⋅v⃗=u1v1+u2v2+u3v3\vec{u} \cdot \vec{v} = u_1 v_1 + u_2 v_2 + u_3 v_3u⋅v=u1v1
+u2v2+u3v3
4. Producto cruz (cross product) (en R3\mathbb{R}^3R3):
u⃗×v⃗=[u2v3−u3v2u3v1−u1v3u1v2−u2v1]\vec{u} \times \vec{v} = \begin{bmatrix}
u_2 v_3 - u_3 v_2 \\ u_3 v_1 - u_1 v_3 \\ u_1 v_2 - u_2 v_1 \end{bmatrix}u×v=u2v3
−u3v2u3v1−u1v3u1v2−u2v1
1.3 Propiedades
• Conmutativa: u⃗+v⃗=v⃗+u⃗\vec{u} + \vec{v} = \vec{v} + \vec{u}u+v=v+u
• Asociativa: (u⃗+v⃗)+w⃗=u⃗+(v⃗+w⃗)(\vec{u} + \vec{v}) + \vec{w} = \vec{u} +
(\vec{v} + \vec{w})(u+v)+w=u+(v+w)
• Distributiva: k(u⃗+v⃗)=ku⃗+kv⃗k(\vec{u} + \vec{v}) = k\vec{u} +
k\vec{v}k(u+v)=ku+kv
2. Matrices y determinantes
2.1 Definición de matriz
Una matriz es un arreglo rectangular de números organizado en filas y columnas,
utilizado para representar sistemas lineales y transformaciones lineales.
Ejemplo de matriz 2x3:
A=[123456]A = \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{bmatrix}A=[142536]
2.2 Operaciones con matrices
1. Suma de matrices: Se suman elemento a elemento.
2. Producto por un escalar: Cada elemento se multiplica por el número.
3. Producto de matrices: Se multiplica fila por columna según la regla:
Cij=∑kAikBkjC_{ij} = \sum_{k} A_{ik} B_{kj}Cij=k∑AikBkj
2.3 Determinantes
• El determinante de una matriz cuadrada indica si la matriz es invertible o
no.
• Para 2×22 \times 22×2:
det[abcd]=ad−bc\det \begin{bmatrix} a & b \\ c & d \end{bmatrix} = ad - bcdet[ac
bd]=ad−bc
• Para 3×33 \times 33×3:
det[abcdefghi]=a(ei−fh)−b(di−fg)+c(dh−eg)\det \begin{bmatrix} a & b & c \\ d & e &
f \\ g & h & i \end{bmatrix} = a(ei - fh) - b(di - fg) + c(dh - eg)detadgbehcfi
=a(ei−fh)−b(di−fg)+c(dh−eg)
3. Sistemas de ecuaciones lineales
3.1 Representación
Un sistema lineal tiene la forma:
{a1x+b1y+c1z=d1a2x+b2y+c2z=d2a3x+b3y+c3z=d3\begin{cases} a_1 x + b_1 y +
c_1 z = d_1 \\ a_2 x + b_2 y + c_2 z = d_2 \\ a_3 x + b_3 y + c_3 z = d_3
\end{cases}⎩⎨⎧a1x+b1y+c1z=d1a2x+b2y+c2z=d2a3x+b3y+c3z=d3
3.2 Métodos de resolución
1. Sustitución y eliminación (manual)
2. Regla de Cramer (usando determinantes)
3. Matrices y operaciones elementales (forma escalonada, reducción de
Gauss)
3.3 Ejemplo
{x+y+z=62x−y+3z=14−x+4y−z=−2\begin{cases} x + y + z = 6 \\ 2x - y + 3z = 14 \\ -x +
4y - z = -2 \end{cases}⎩⎨⎧x+y+z=62x−y+3z=14−x+4y−z=−2
Este sistema se puede resolver con matrices:
A=[1112−13−14−1],b⃗=[614−2]A = \begin{bmatrix} 1 & 1 & 1 \\ 2 & -1 & 3 \\ -1 & 4 & -
1 \end{bmatrix},\quad \vec{b} = \begin{bmatrix} 6 \\ 14 \\ -2 \end{bmatrix}A=12−1
1−1413−1,b=614−2
4. Espacios vectoriales
4.1 Definición
Un espacio vectorial es un conjunto de vectores con operaciones de suma y
multiplicación por escalar que cumplen ciertas propiedades (asociatividad,
distributividad, existencia de vector cero y opuesto).
4.2 Subespacios
• Conjuntos de vectores dentro de un espacio vectorial que también
cumplen las propiedades de espacio vectorial.
4.3 Base y dimensión
• Base: Conjunto de vectores linealmente independientes que generan todo
el espacio.
• Dimensión: Número de vectores en la base.
5. Transformaciones lineales
5.1 Definición
Una transformación lineal T:V→WT: V \to WT:V→W cumple:
T(u⃗+v⃗)=T(u⃗)+T(v⃗),T(cv⃗)=cT(v⃗)T(\vec{u} + \vec{v}) = T(\vec{u}) + T(\vec{v}), \quad
T(c \vec{v}) = c T(\vec{v})T(u+v)=T(u)+T(v),T(cv)=cT(v)
5.2 Matriz de una transformación
• Cada transformación lineal se puede representar mediante una matriz que
transforma vectores de un espacio a otro.
5.3 Ejemplo
T(x,y)=(2x+y,x−y) ⟹ A=[211−1]T(x, y) = (2x + y, x - y) \implies A = \begin{bmatrix} 2 &
1 \\ 1 & -1 \end{bmatrix}T(x,y)=(2x+y,x−y)⟹A=[211−1]
6. Autovalores y autovectores
6.1 Definición
• Autovalores (λ\lambdaλ): Escalares que satisfacen Av⃗=λv⃗A\vec{v} =
\lambda \vec{v}Av=λv
• Autovectores (v⃗\vec{v}v): Vectores que no cambian de dirección bajo la
transformación.
6.2 Aplicaciones
• Mecánica: vibraciones y modos propios.
• Informática: algoritmos de reducción de dimensión (PCA).
• Economía: análisis de estabilidad de sistemas.
7. Aplicaciones del álgebra lineal
• Ingeniería: diseño estructural, circuitos eléctricos, dinámica de sistemas.
• Ciencias de la computación: gráficos, machine learning, redes
neuronales.
• Economía: modelos de equilibrio y optimización.
• Física: mecánica cuántica, óptica y electromagnetismo.
Conclusión
El álgebra lineal es una herramienta esencial para modelar, analizar y resolver
problemas en diversas áreas. Desde vectores y matrices hasta sistemas de
ecuaciones y transformaciones lineales, sus conceptos permiten comprender
fenómenos complejos y desarrollar soluciones eficientes. Además, sus
aplicaciones modernas, desde inteligencia artificial hasta ingeniería estructural,
demuestran su relevancia en el mundo actual.
