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:
y aplicaciones lineales tales como:
y sus representaciones en espacios vectoriales y a través de matrices. 1 2 3 [ ][ ][ ]
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 las
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). 5 [ ]
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. Más tarde, Gauss describió aún más el método de
eliminación, que inicialmente fue catalogado como un avance en geodesia. 7
[ ]
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 y
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
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". 7
[ ]
Benjamin Peirce publicó su Álgebra lineal asociativa (1872), y su hijo Charles
Sanders Peirce amplió el trabajo posteriormente. 8
[ ]
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; 7 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. 7
[ ]
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:
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 axiomas. 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. 9 [ ]
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 simplemente cero, tal que v + 0 = v se cumple
para todo v del conjunto V.
Elemento simétrico de 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 a(u + v) = au + av
multiplicación escalar con
respecto a la suma vectorial
Distributividad de la (a + b)v = av + bv
multiplicación escalar con
respecto a la suma de
campos
10
Compatibilidad de la a(bv) = (ab)v [ ]
multiplicación escalar con la
multiplicación de campos
Elemento de identidad de la 1v = v, donde 1 indica el elemento neutro de F.
multiplicación escalar
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
que es compatible con la suma y la multiplicación escalar, es decir
para los vectores u,v in V y escalares a en F.
Esto implica que para cualquier vector u, v en V y escalares a, b en F, se tiene
Donde V = W son el mismo espacio vectorial, un mapa lineal 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 núcleodel
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 , la imagen T(V) de V, y la imagen
−1
inversa T (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
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
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 Shasta 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 , entonces hay una
base B tal que
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. 11 [ ]
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
12
donde denota el lapso de [ ]
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 la dimensión de V). Por definición, de una base,
el mapa
es una biyección de el conjunto de las secuencias de m elementos de V ,
sobre la V. Este es un isomorfismo de espacios vectoriales, si 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 o mediante la matriz vertical
Si W es otro espacio vectorial de dimensión finita (posiblemente el mismo), con una
base , un mapa lineal f de W a Vestá 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
con j = 1, ..., n, entonces f viene representada por una matriz:
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
solo 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 or se llama sistema de ecuaciones lineales o
13 14 15 16 17
sistema lineal .
[ ][ ][ ][ ][ ]
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,
(
S
)
es un sistema lineal.
A dicho sistema se le puede asociar su matriz
y su vector de miembro derecho
Sea T la transformación lineal asociada a la matriz M. Una solución del sistema (S)
es un vector
tal que
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:
(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.
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
mostrando
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
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 como 18 [ ]
donde
● es el grupo de todas las permutaciones de n elementos,
● es una permutación y
● y la paridad de la permutación.
Una matriz es invertible si y solo 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
Utilizando la matriz identidad I, cuyas entradas son todas cero, excepto las de la
diagonal principal, que son iguales a uno, esto puede reescribirse
Como se supone que z es distinto de cero, esto significa que M - aI es una matriz
singular, y por tanto que su determinante es igual a cero. Los valores
propios son, pues, la raíces del polinomio
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 solo 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
(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 solo 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 sobre un campo
al campo de escalares , 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 , y usualmente
denotado (Katznelson, Katznelson y 2008, p. 37 §2.1.3) o .(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 es una base de (esto implica que V es de dimensión finita),
entonces se puede definir, para i = 1, . .., n, un mapa lineal tal que y
si j ≠ i. Estos mapas lineales forman una base de llamada la base
dual de (Si V no es de dimensión finita, los pueden definirse de
forma similar; son linealmente independientes, pero no forman una base).
Para en , el mapa
es una forma lineal en Esto define el mapa lineal canónico de en el
dual de llamado el bidual of . Este mapa canónico es un isomorfismo si
es finito-dimensional, y esto permite identificar 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
para denotar .
Mapa dual
Dejemos que
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
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 sobre las bases duales es la transposición
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
Para resaltar esta simetría, los dos miembros de esta igualdad se escriben a veces
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:
La suma de dos polinomios cuyo grado no excede a 2 es otro polinomio cuyo grado
no excede a 2:
El campo de escalares es naturalmente el de los números reales, y es posible
multiplicar un número por un polinomio:
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:
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:
y por otro lado:
Cualquier espacio vectorial tiene una representación en coordenadas similar a ,
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.
Generalización y temas relacionados
Puesto que el álgebra lineal es una teoría muy exitosa, sus métodos se han
proliferado por otras áreas de la matemática: en la teoría de módulos, que
reemplaza al cuerpo en los escalares por un anillo; en el álgebra multilineal, uno
lidia con 'múltiples variables' en un problema de mapeo lineal, en el que cada
número de las diferentes variables se dirige al concepto de tensor, e incluso en el
ámbito de la programación ya que hoy en día la indexación de páginas web se basa
en métodos del álgebra lineal; 19 en la teoría del espectro de los operadores de
[ ]
control de matrices de dimensión infinita, aplicando el análisis matemático en una
teoría que no es puramente algebraica. En todos estos casos las dificultades
técnicas son mucho más grandes.
Relación con la geometría
Existe una fuerte relación entre el álgebra lineal y la geometría, que comenzó con la
introducción por René Descartes, en 1637, de las coordenadas cartesianas. En esta
nueva (en ese momento) geometría, ahora llamada geometría cartesiana, los puntos
se representan mediante coordenadas cartesianas, que son secuencias de tres
números reales (en el caso del espacio tridimensionalhabitual). Los objetos básicos
de la geometría, que son las líneas y los planos se representan mediante
ecuaciones lineales. Por tanto, calcular las intersecciones de líneas y planos
equivale a resolver sistemas de ecuaciones lineales. Esta fue una de las principales
motivaciones para desarrollar el álgebra lineal.
La mayoría de las transformaciones geométricas, como las traslaciones, rotaciones,
reflexiones, movimientos rígidos, isometrías y proyecciones transforman líneas en
líneas. De ello se deduce que se pueden definir, especificar y estudiar en términos
de mapas lineales. Este es también el caso de las homografías y las
transformaciones de Möbius, cuando se consideran como transformaciones de un
espacio proyectivo.
Hasta finales del siglo XIX, los espacios geométricos se definían mediante axiomas
que relacionaban puntos, líneas y planos (geometría sintética). Alrededor de esta
fecha, apareció que también se pueden definir los espacios geométricos mediante
construcciones que implican espacios vectoriales (véase, por ejemplo, Espacio
proyectivo y Espacio afín). Se ha demostrado que los dos enfoques son
esencialmente equivalentes. 20 En la geometría clásica, los espacios vectoriales
[ ]
implicados son espacios vectoriales sobre los reales, pero las construcciones
pueden extenderse a espacios vectoriales sobre cualquier campo, permitiendo
considerar la geometría sobre campos arbitrarios, incluyendo campos finitos.
Actualmente, la mayoría de los libros de texto introducen los espacios geométricos
desde el álgebra lineal, y la geometría se presenta a menudo, a nivel elemental,
como un subcampo del álgebra lineal.
Utilización y aplicaciones
El álgebra lineal se utiliza en casi todas las áreas de las matemáticas, por lo que es
relevante en casi todos los ámbitos científicos que utilizan las matemáticas. Estas
aplicaciones pueden dividirse en varias categorías amplias.
Geometría del espacio ambiental
El modelo del espacio ambiental se basa en la geometría. Las ciencias que se
ocupan de este espacio utilizan ampliamente la geometría. Es el caso de la
mecánica y la robótica, para describir la dinámica de cuerpos rígidos; la geodesia
para describir la forma de la Tierra; la perspectiva, la Visión artificial y los gráficos
por ordenador, para describir la relación entre una escena y su representación en el
plano; y muchos otros dominios científicos.
En todas estas aplicaciones, la geometría sintética suele utilizarse para
descripciones generales y un enfoque cualitativo, pero para el estudio de
situaciones explícitas, hay que calcular con coordenadas. Esto requiere el uso
intensivo del álgebra lineal.
Análisis funcional
El Análisis funcional estudia los espacios de funciones. Estos son espacios
vectoriales con estructura adicional, como los espacios de Hilbert. El álgebra lineal
es, por tanto, una parte fundamental del análisis funcional y sus aplicaciones, que
incluyen, en particular, la mecánica cuántica (función de onda).
Estudio de sistemas complejos
La mayoría de los fenómenos físicos se modelan mediante ecuaciones diferenciales
parciales. Para resolverlas, se suele descomponer el espacio en el que se buscan
las soluciones en pequeñas células que interactúan entre sí. Para los sistemas
linealesesta interacción implica función lineal. Para sistemas no lineales, esta
interacción suele aproximarse mediante funciones lineales. 21 En ambos casos,
[ ]
suelen intervenir matrices muy grandes. Un ejemplo típico es la predicción
meteorológica, en la que toda la atmósfera de la Tierra se divide en celdas de, por
ejemplo, 100 km de ancho y 100 m de alto.
Cálculo científico
Casi todos los cálculos científicos implican álgebra lineal. En consecuencia, los
algoritmos de álgebra lineal han sido altamente optimizados. Los BLAS y LAPACK
son las implementaciones más conocidas. Para mejorar la eficiencia, algunas de
ellas configuran los algoritmos automáticamente, en tiempo de ejecución, para
adaptarlos a las especificidades del ordenador (caché tamaño, número de núcleos
disponible, ...).
Algunos procesador, normalmente Unidad de procesamiento gráfico (GPU), están
diseñados con una estructura matricial, para optimizar las operaciones de álgebra
lineal.