DIPLOMADO EN MATEMÁTICA

APLICADA PARA LA SOLUCIÓN MÓDULO I: ÁLGEBRA LINEAL

DE PROBLEMAS Y APLICACIONES
PROFESORA EVA FLORENCIA SACCO
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Contenido
Antes de empezar… .......................................................................................... 3
Presentación ................................................................................................... 4
Sobre el curso .............................................................................................. 4
Sobre la docente .......................................................................................... 4
1. Sistemas de ecuaciones lineales ................................................................ 5
Objetivos:..................................................................................................... 5
1.1: Sistemas de dos ecuaciones con dos incógnitas ...................................... 5
1.2 Representación matricial ......................................................................... 5
1.3 Generalización a sistemas 𝒏 × 𝒏 .............................................................. 6
1.4 Interpretación geométrica de las soluciones ............................................. 9
1.5 Combinación lineal, dependencia e independencia lineal. ....................... 10
1.6 Rango y teorema de Roché ..................................................................... 11
1.6.1 Nota histórica: el teorema de Rouché en el pensamiento económico ..... 13
1.7 Aplicaciones de los sistemas de ecuaciones: .......................................... 15
1.7.1Aplicaciones de los sistemas de ecuaciones a la ciencia de datos y la
estadística. ............................................................................................. 15
1.8 Ejercicios sugeridos para el tema sistemas de ecuaciones ....................... 17
2. Matrices y Espacios Vectoriales ................................................................... 19
Objetivos ................................................................................................... 19
2.1 Concepto de Matriz ............................................................................... 19
2.2 Algunas matrices especiales .................................................................. 19
2.3 Operaciones con matrices ..................................................................... 21
2.4 Determinantes ...................................................................................... 21
2.4.1 Definición axiomática del determinante............................................ 23
2.5 Matriz inversa ........................................................................................ 24
2.5.1 Aplicación a la solución de ecuaciones lineales ................................ 24
2.6 Nota histórica: cómo la imposibilidad de invertir una matriz “hundió” a la
URSS ......................................................................................................... 25

1
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

2.7 Ejercicios propuestos ............................................................................ 26

2.8 Espacios vectoriales y estructuras algebraicas ........................................ 29
2.8.1 Grupo ............................................................................................. 29
2.8.2 Cuerpo ........................................................................................... 30
2.8.3 Espacio vectorial............................................................................. 30
2.9 Conceptos clave: subespacios, base y dimensión ................................... 32
2.9.1 Expresión de un vector cualquiera como combinación lineal de la base
.............................................................................................................. 33
2.10 Ejercicios propuestos .......................................................................... 33
3. Transformaciones lineales y diagonalización ................................................ 37
Objetivos:................................................................................................... 37
3.1 Definición de Transformación Lineal ....................................................... 37
3.2 Matriz asociada a una transformación lineal............................................ 37
3.2.1 Interpretación geométrica ............................................................... 37
3.2.2 Relación con los determinantes ....................................................... 40
3.3 Composición de transformaciones lineales: ........................................... 40
3.4 Diagonalización de matrices .................................................................. 41
3.4.1 Autovalores y autovectores .............................................................. 42
3.4.2 Condición de diagonalización .......................................................... 42
3.5 Aplicaciones de la diagonalización ...................................................... 44
3.5.1 Problemas reales de matemática aplicada: ...................................... 46
3.6 Ejercicios propuestos ....................................................................... 47
Lecturas sugeridas ......................................................................................... 50
Sistemas de ecuaciones lineales ................................................................. 50
Matrices ..................................................................................................... 50
Espacios vectoriales, subespacios, bases y dimensión ................................. 51
Transformaciones lineales, autovalores y diagonalización ............................. 51

2
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Antes de empezar…
No es posible exagerar la importancia del Álgebra Lineal para quienes están
interesados en la matemática como herramienta de resolución problemas. El
Álgebra Lineal es uno de los lenguajes fundamentales de la matemática moderna,
no es solo un conjunto de técnicas para manipular matrices o resolver sistemas de
ecuaciones: es una forma de pensar. Para un estudiante orientado a la resolución
de problemas, dominar este lenguaje significa adquirir una herramienta transversal
que aparece, explícita o implícitamente, en casi todas las áreas donde la
matemática se encuentra con el mundo real.

En esta especialización, el Álgebra Lineal cumple un rol doble. Por un lado, ofrece
estructuras conceptuales —espacios vectoriales, transformaciones lineales,
autovalores, diagonalización— que permiten comprender fenómenos complejos
desde una perspectiva unificada. Por otro lado, brinda métodos concretos para
modelar, simplificar y resolver problemas que surgen en física, economía,
computación, optimización, estadística y ciencia de datos.

Resolver un sistema de ecuaciones es mucho más que encontrar números: es

identificar restricciones, analizar compatibilidades, detectar redundancias y
comprender la geometría del problema. Estudiar matrices no es solo aprender
operaciones: es entender cómo se transforman los objetos, cómo se propaga la
información y cómo se descomponen estructuras para hacerlas más simples. Los
autovalores y autovectores, lejos de ser una curiosidad algebraica, son
herramientas esenciales para estudiar estabilidad, analizar redes, comprimir
datos, descomponer señales y entender la dinámica de sistemas complejos.

En síntesis, el Álgebra Lineal es una puerta de entrada a una manera poderosa de

pensar problemas: descomponerlos, representarlos, transformarlos y resolverlos
con claridad y eficiencia. Para quienes buscan aplicar la matemática a situaciones
reales, este curso no es solo un requisito técnico: es una inversión en una forma de
razonamiento que van a usar una y otra vez, en contextos muy distintos, a lo largo
de toda su formación y su práctica profesional.

Eva Sacco

3
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Presentación
Sobre el curso
Este módulo introduce los conceptos fundamentales del Álgebra Lineal desde una
perspectiva aplicada, rigurosa y moderna. A lo largo de cuatro clases, se desarrollan
las herramientas esenciales para comprender y resolver sistemas de ecuaciones
lineales, trabajar con matrices y determinantes, analizar espacios vectoriales y
estudiar transformaciones lineales y diagonalización.

El enfoque combina intuición geométrica, formalismo algebraico y aplicaciones

reales en física, computación, economía y ciencia de datos. Se destacan dos ejes
transversales:

• La interpretación geométrica como puente entre la abstracción y la

visualización.

• La aplicabilidad del álgebra lineal en problemas contemporáneos, desde

modelos económicos hasta algoritmos de inteligencia artificial.

El módulo culmina mostrando cómo ideas como el rango, los autovalores, la

diagonalización y las transformaciones lineales son herramientas centrales para
comprender fenómenos complejos: desde la estabilidad de sistemas dinámicos
hasta la estructura interna de datos de alta dimensión.

Sobre la docente
Eva Florencia Sacco es economista, econometrista, docente universitaria y
especialista en matemática aplicada. Es consultora con amplia experiencia en
proyectos de investigación, análisis de datos, desarrollo económico, género y
políticas públicas.

Es Magíster en Econometría (UTDT), Magíster en Desarrollo Económico (UBA),

Licenciada en Economía (UBA) y Profesora de Matemática (ISFD J. V. González), con
formación adicional en ciencia de datos, optimización y análisis cuantitativo.

Combina rigor técnico con una fuerte vocación pedagógica: desarrolla materiales
didácticos que integran matemática, visualización, intuición geométrica y
aplicaciones reales. Su trabajo articula economía, matemática y ciencia de datos,
con un enfoque orientado a la resolución de problemas y la formación de
pensamiento crítico.

4
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

1. Sistemas de ecuaciones lineales

Objetivos:
• Comprender qué es un sistema lineal y cómo se representa.
• Resolver sistemas por el método de eliminación (Gauss).
• Introducir la representación matricial y las operaciones elementales.
• Comprender el concepto de pivote, rango y el Teorema de Rouché–
Frobenius.
• Interpretar geométricamente sistemas 2×2 y 3×3.

1.1: Sistemas de dos ecuaciones con dos incógnitas

Un sistema lineal es un conjunto de ecuaciones donde las incógnitas aparecen solo
en primer grado. Por ejemplo:
𝑥+𝑦 =2
{
2𝑥 − 𝑦 = 1

Un método de solución de sistemas es Sumas y Restas. Este método consiste en

realizar operaciones entre las filaes, para eliminar en una de las ecuaciones una de
las incógnitas
𝑥+𝑦 =2
{
2𝑥 − 𝑦 = 1

Por ejemplo, si multiplicamos por 2 la primera ecuación la igualdad de mantiene

constante.
2𝑥 + 2𝑦 = 4
{
2𝑥 − 𝑦 = 1

Se puede restar Miembro a miembro y se obtiene también una igualdad:

2𝑥 + 2𝑦 = 4
{
2𝑥 − 𝑦 = 1 𝑟𝑒𝑠𝑡𝑜 𝑀. 𝑎. 𝑀
3𝑦 = 3 → 𝑦 = 1

Luego, para hallar el valor de x, se reemplaza: 𝑥 + 1 = 2 → 𝑥 = 2 − 1 → 𝑥 = 1

1.2 Representación matricial

Todo sistema lineal puede escribirse como una matriz ampliada, que es en este
caso, simplemente es una forma compacta de organizar la información.

El sistema anterior:
𝑥+𝑦 =2
{
2𝑥 − 𝑦 = 1

5
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Se puede expresar como:

1 1| 2
( )
2 −1| 1
La barra solo separa coeficientes de términos independientes

Para resolver un sistema de ecuaciones lineales a partir de una matriz, se utiliza el

mismo método de “sumas y restas”. Las operaciones permitidas, expresadas en
lenguaje matricial:

• Intercambiar filas 𝐹𝑖 ↔ 𝐹𝑗

• Multiplicar una fila por un número no nulo 𝐹𝑖 → 𝑘𝐹𝑖

• Sumar a una fila un múltiplo de otra 𝐹𝑖 → 𝐹𝑖 + 𝑘𝐹𝑗

Estas operaciones no cambian la solución, solo transforman el sistema.

El objetivo es aplicar operaciones para llevar la matriz a una forma más simple.
Partimos de:
1 1 ∣ 2
( )
2 −1 ∣ 1
Queremos eliminar el 2 de la segunda fila:

𝐹2 → 𝐹2 − 2𝐹1
1 1 ∣ 2
( )
0 −3 ∣ −3

Luego, el sistema transformado queda: −3𝑦 = −3 → 𝑦 = 1

𝑥+𝑦 =2→𝑥+1=2→𝑥 =1

1.3 Generalización a sistemas 𝒏 × 𝒏

Una de las utilidades de las matrices y el método de Gauss es que es posible
resolver sistemas de ecuaciones de muchas más variables. Un pivote (o pivot) es
una idea muy simple pero fundamental cuando se resuelven sistemas por Gauss
con matrices. Consiste en el primer número no nulo que aparece en una fila de
una matriz cuando la estás escalonando. El pivote actúa como “ancla” para hacer
ceros en la columna de abajo. El objetivo final es obtener una matriz triangular
infererior como la que aparece abajo lo cual transforma el sistema en uno
equivalente que es muy simple de resolver por iteración hacia atrás.

1 ∗ ∗| 4
(0 −3 ∗| 2 )
0 0 5| 0
6
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Ejemplo:
𝑥+𝑦+𝑧 =6
{ 2𝑥 − 𝑦 + 3𝑧 = 14
−𝑥 + 4𝑦 − 𝑧 = −2

Matricialmente:

1 1 1| 6
( 2 −1 3| 14 )
−1 4 −1| −2

Primer paso: eliminar los términos debajo del primer pivote

El primer pivote es el 1de la posición (1,1).

Queremos hacer que en la columna 1, las posiciones (2,1)y (3,1)sean 0.

• Operación 1:

𝐹2 → 𝐹2 − 2𝐹1
1 1 1| 6
( 0 −3 1| 2 )
−1 4 −1| −2
• Operación 2:

𝐹3 → 𝐹3 + 𝐹1

1 1 1| 6
(0 −3 1| 2)
0 5 0| 4

Segundo paso: usar el pivote de la segunda fila

Ahora el pivote es −3 en la posición (2,2). Queremos hacer que el elemento

(3,2)sea 0.

• Operación 3:

Queremos eliminar el 5 de la tercera fila usando la segunda. Buscamos un 𝑘tal que:

5
5 + 𝑘(−3) = 0 ⇒ 5 − 3𝑘 = 0 ⇒ 𝑘 =
3
Entonces:

7
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

5
𝐹3 → 𝐹3 + 𝐹2
3
1 1 1| 6
0 −3 1| 2
( )
5 22
0 0 |
3 3

Paso 3: Resolución por sustitución hacia atrás

Ahora leemos las ecuaciones correspondientes:

• Tercera fila:
5 22
𝑧=
3 3
Multiplicamos ambos lados por 3:
22
5𝑧 = 22 ⇒ 𝑧 =
5
• Segunda fila:

−3𝑦 + 1 ⋅ 𝑧 = 2

Reemplazamos 𝑧:
22
−3𝑦 + =2
5
Y despejamos:
22 10 22 12
−3𝑦 = 2 − = − =−
5 5 5 5
Entonces:
12
−12 1 12 4
𝑦= 5 = ⋅ = =
−3 5 3 15 5
4
𝑦=
5
• Primera fila:

𝑥+𝑦+𝑧 =6

Reemplazamos 𝑦 y 𝑧:
4 22
𝑥+ + =6
5 5

8
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Sumamos:
4 22 26
+ =
5 5 5
Entonces:
26 26 30 26 4
𝑥+ =6⇒𝑥 =6− = − =
5 5 5 5 5
4
𝑥=
5

1.4 Interpretación geométrica de las soluciones

Un sistema general de dos ecuaciones con dos incógnitas se puede escribir como
𝑎𝑥 + 𝑏𝑦 = 𝑐
{
𝑑𝑥 + 𝑒𝑦 = 𝑓

Y cada una de las ecuaciones representa una recta en el plano.

A partir de la relación entre los coeficientes, puede pasar que:

• Se cortan en un punto → SCD (solución única)

Las rectas tienen distinta pendiente. El punto de intersección es la única
solución.
• Son paralelas → SI (sin solución)
Tienen la misma pendiente pero distinto término independiente. Nunca se
cruzan → no hay solución.
• Son la misma recta → SCI (infinitas soluciones)
En este casi, una ecuación es múltiplo de la otra. Todos los puntos de la recta
son solución.

Un sistema de tres ecuaciones con tres incógnitas:

𝑎1 𝑥 + 𝑏1 𝑦 + 𝑐1 𝑧 = 𝑑1
{𝑎2 𝑥 + 𝑏2 𝑦 + 𝑐2 𝑧 = 𝑑2
𝑎3 𝑥 + 𝑏3 𝑦 + 𝑐3 𝑧 = 𝑑3

Representa tres planos en el espacio. De la misma forma que analizamos el caso

de 2 rectas podemos concluir:

• Se cortan en un punto → SCD (solución única)

Los tres planos se cruzan en un único punto.
• No tienen punto común → SI (sin solución)
Puede ocurrir que:
o dos planos sean paralelos.
o los tres se corten en líneas distintas.

9
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

o formen un “prisma” sin intersección común.

• Tienen infinitos puntos en común → SCI (infinitas soluciones)
Puede ocurrir que:

o los tres planos se corten en una línea común.

o dos sean el mismo plano y el tercero los corte.

o los tres sean el mismo plano.

1.5 Combinación lineal, dependencia e independencia lineal.

La interpretación geométrica nos mostró que algunas ecuaciones aportan
información nueva y otras simplemente repiten lo que ya estaba. Para formalizar
esta idea introducimos el concepto de combinación lineal.

Decimos que una ecuación es combinación lineal de otras si puede obtenerse

sumando, restando o multiplicando esas ecuaciones por números reales.

Ejemplo: Si

2𝑥 − 2𝑦 = 4

puede escribirse como

2(𝑥 − 𝑦) = 4,

entonces esta ecuación es combinación lineal de

𝑥 − 𝑦 = 2.

En este caso, la segunda ecuación no aporta información nueva, porque es

simplemente un múltiplo de la primera.

Un conjunto de ecuaciones es linealmente dependiente si alguna de ellas puede

escribirse como combinación lineal de las otras.

• Si hay dependencia → hay “redundancia”.

• El sistema tiene menos información efectiva de la que parece.

10
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Geométricamente:

• En 2×2: rectas coincidentes.

• En 3×3: planos que coinciden o que se combinan para formar el mismo

plano o una misma línea.

Un conjunto de ecuaciones es linealmente independiente si ninguna puede

obtenerse a partir de las demás.

• Cada ecuación agrega una restricción nueva.

• No hay redundancia.

• Toda la información es “útil”.

Geométricamente:

• En 2×2: dos rectas con distinta pendiente.

• En 3×3: planos que no son paralelos ni coincidentes.

Algebraicamente la dependencia lineal la podemos caracterizar formalmente

como:

Un conjunto de ecuaciones (o de vectores) es linealmente independiente si la

única solución de la ecuación:

𝛼1 𝐸1 + 𝛼2 𝐸2 + ⋯ + 𝛼𝑘 𝐸𝑘 = 0

es

𝛼1 = 𝛼2 = ⋯ = 𝛼𝑘 = 0.

Si existe una combinación no trivial (algún coeficiente distinto de cero) que da como
resultado la ecuación nula, entonces el conjunto es dependiente.

Este criterio es fundamental porque conecta directamente con el concepto de

rango: el rango cuenta cuántas ecuaciones (o filas) son linealmente
independientes.

1.6 Rango y teorema de Roché

La interpretación geométrica nos deja como enseñanza que los sistemas de
ecuaciones lineales pueden tener o bien única solución, ninguna solución o
infinitas soluciones. Este mismo concepto se generaliza a sistema de dimensión
superior a partir del concepto de Rango.

Cuando trabajamos con sistemas de 2×2 o 3×3, la geometría nos ayuda muchísimo:

• En 2×2, cada ecuación es una recta en el plano.

11
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• En 3×3, cada ecuación es un plano en el espacio.

Y vemos que pueden:

• cortarse en un punto → solución única

• no cortarse → sin solución

• coincidir o compartir infinitos puntos → infinitas soluciones

Pero ¿qué pasa cuando el sistema tiene 4 incógnitas, o 10, o 100? Ya no podemos
dibujar rectas o planos. La geometría visual deja de ser posible.

Ahí aparece el concepto que generaliza todo:

El rango de una matriz es el número de ecuaciones independientes que tiene el

sistema. Es decir, cuánta información “nueva” aportan las ecuaciones.

• Si una ecuación es combinación lineal de otras → no aporta nada nuevo →

no aumenta el rango.

• Si una ecuación introduce una relación nueva → sí aporta → aumenta el

rango.

En términos geométricos:

• En 2×2, dos rectas coincidentes → una sola información → rango 1.

• En 3×3, tres planos que se cortan en una línea → dos informaciones

independientes → rango 2.

El rango captura exactamente eso: cuántas restricciones independientes tiene el

sistema, sin importar la dimensión.

Aquí entra el Teorema de Rouché–Frobenius, que es la versión algebraica de toda la

intuición geométrica.

Teorema de Rouché-Frobenius

1. Si el rango de la matriz de coeficientes es distinto del rango de la matriz

ampliada

𝑟(𝐴) ≠ 𝑟(𝐴 ∣ 𝐵)

→ Sistema Incompatible (SI) → No tiene solución.

Interpretación geométrica generalizada: Las ecuaciones se contradicen entre sí.

En 2D serían rectas paralelas; en 3D, planos sin punto común; en dimensiones
superiores, hiperplanos sin intersección.

2. Si los rangos son iguales

12
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

𝑟(𝐴) = 𝑟(𝐴 ∣ 𝐵) → El sistema tiene solución.

Ahora hay dos posibilidades:

i. Si el rango es igual al número de incógnitas

𝑟(𝐴) = 𝑛

→ Sistema Compatible Determinado (SCD) → Solución única.

Interpretación geométrica generalizada: Los hiperplanos se cortan en un

único punto, aunque no podamos dibujarlo.

ii. Si el rango es menor que el número de incógnitas

𝑟(𝐴) < 𝑛

→ Sistema Compatible Indeterminado (SCI) → Infinitas soluciones.

Interpretación geométrica generalizada: Los hiperplanos se cortan en un

conjunto infinito: una recta, un plano, un subespacio de dimensión mayor,
etc. En 2D sería una recta coincidente; en 3D, una línea común; en
dimensiones superiores, un subespacio de dimensión 𝑛 − 𝑟(𝐴)

La geometría nos enseña que las soluciones dependen de cómo se intersectan

rectas o planos. El rango generaliza esa idea a cualquier dimensión: mide cuántas
restricciones independientes tiene el sistema y determina la forma del
conjunto solución.

1.6.1 Nota histórica: el teorema de Rouché en el pensamiento

económico
Léon Walras, considerado el padre de la economía matemática, buscó demostrar
que en una economía con 𝑛bienes y 𝑛mercados existe un vector de precios

𝑝 = (𝑝1 , … , 𝑝𝑛 )

tal que la oferta iguala a la demanda en cada mercado. Es decir, un equilibrio

general competitivo.

Para formalizarlo, escribió el sistema: 𝑍𝑖 (𝑝) = 𝐷𝑖 (𝑝) − 𝑂𝑖 (𝑝) = 0para cada bien 𝑖,

donde 𝑍𝑖 es el exceso de demanda. Walras razonó así: “Tengo 𝑛ecuaciones y

𝑛incógnitas (los precios). Si el sistema tiene tantas ecuaciones independientes
como incógnitas, entonces debe existir solución.” Y aquí es donde intentó aplicar
el Teorema de Rouché–Frobenius, que clasifica soluciones de sistemas lineales
según el rango:

• rango igual al número de incógnitas → solución única

13
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• rango menor → infinitas soluciones

• rango de la ampliada mayor → sistema incompatible

Walras creyó que podía usar este criterio directamente sobre su sistema de
equilibrio. Pero esto no era correcto. Hay tres errores fundamentales.

Error 1: El sistema NO es lineal

El Teorema de Rouché–Frobenius solo aplica a sistemas lineales:

𝐴𝑥 = 𝑏

Pero las funciones de demanda y oferta dependen de los precios de manera no

lineal. Aplicar un teorema de sistemas lineales a un sistema no lineal es un error
conceptual.

Error 2: Los precios no están determinados “absolutamente”

El equilibrio competitivo determina precios relativos, no absolutos. Si 𝑝 es un

equilibrio, entonces cualquier múltiplo 𝜆𝑝 también lo es.

Esto implica:

• el sistema tiene una ecuación redundante (La denominada justamente

ley de Walras, que indica que si n-1 mercado están en equilibrio el n-
esimo también lo está)

• el rango nunca puede ser 𝑛

• el sistema siempre es indeterminado en el sentido lineal

Walras no reconoció que el sistema tiene una dimensión menos.

Error 3: La existencia de solución no se puede deducir del rango

Incluso si el sistema fuera lineal, el hecho de que el rango coincida no garantiza:

continuidad, convexidad, no saturación, existencia de precios positivos y existencia
de equilibrio interior

Aunque su demostración era incorrecta, Walras estableció la estructura

conceptual del Equilibrio General Walrasiano, uno de los pilares de la
microeconomía moderna. La demostración rigurosa llegó recién en 1954, cuando
Kenneth Arrow y Gérard Debreu desarrollaron un modelo matemático completo del
equilibrio general y demostraron su existencia usando funciones de exceso de
demanda continuas, convexidad de preferencias, compacidad del conjunto de
precios normalizados y el Teorema del Punto Fijo de Kakutani. Herramientas mucho
más sofisticadas que las disponibles para Walras. Por estos avances Arrow recibió
el Premio Nobel en 1972 y Debreu lo recibió en 1983.

14
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

1.7 Aplicaciones de los sistemas de ecuaciones:

Los sistemas lineales aparecen en prácticamente todas las ciencias.

• En física, se usan para determinar fuerzas en equilibrio, circuitos eléctricos

(leyes de Kirchhoff), estática y dinámica lineal.
• En ingeniería se utilizan en todas las áreas, como redes de flujo, modelos de
transporte (logística), y sistemas de control lineales.
• En Computación aparecen cuando se diseñan gráficos por computadora,
machine learning lineal y resolución numérica de ecuaciones diferenciales.
• En economía, cuando se usan modelos input–output de Leontief, precios de
equilibrio, sistemas de demanda y oferta.

1.7.1Aplicaciones de los sistemas de ecuaciones a la ciencia de datos

y la estadística.
En ciencia de datos es usual trabajar con conjuntos de datos que pueden tener
miles o millones de variables. Imágenes, señales, texto, sensores, perfiles de
usuarios, mediciones biológicas: todo genera datos de alta dimensionalidad.

Un modelo lineal típico intenta predecir una variable objetivo 𝑦a partir de un

conjunto de características:

𝑦 = 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝

Es importante notar que:

• Las incógnitas del modelo no son los datos 𝑥𝑖 , sino los parámetros 𝛽𝑖 .

• La matriz de datos 𝑋tiene tantas filas como observaciones y tantas

columnas como variables.

• En la práctica, suele ocurrir que el número de observaciones 𝑛es mucho

mayor que el número de variables 𝑝.

Esto significa que el sistema lineal asociado tiene muchas más ecuaciones que
incógnitas. En principio, esto sugiere que podría no tener solución, ya que es
muy poco probable que todos los puntos caigan dentro del mismo hiperplano.
Analicemos que es lo que dice el Teorema de Rouché para este caso:

En un sistema con más ecuaciones que incógnitas, lo más común es:

𝑟(𝐴) = 𝑛 pero 𝑟(𝐴 ∣ 𝑏) > 𝑛

Es decir:

• La matriz de coeficientes tiene rango máximo posible (todas las columnas

son independientes).

15
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• Pero al agregar la columna del vector 𝑏, aparece una contradicción.

• Entonces:

𝑟(𝐴) ≠ 𝑟(𝐴 ∣ 𝑏) ⇒ Sistema Incompatible (SI)

Esta es la parte del Teorema de Rouché que aplica a los sistemas

sobredeterminados.

Es por eso, que en ciencia de datos y en estadística, no buscamos una solución

exacta, porque casi nunca existe. En cambio, buscamos la mejor
aproximación posible, introduciendo un término de error.

𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑝 𝑥𝑝 + 𝜀

Esto lleva al método de los mínimos cuadrados, donde

2
𝛽̂ = arg min (∑(𝑦𝑖 − 𝛽0 − 𝛽1 𝑥1 − 𝛽2 𝑥2 − ⋯ − 𝛽𝑝 𝑥𝑝 ) )
𝛽

Y Aunque el sistema original no tenga solución exacta, es posible demostrar que

el problema de mínimos cuadrados siempre tiene solución. Y si 𝑋 (matriz que
contiene a los datos) tiene rango completo, la solución es única.

Ejemplo:

Supongamos que observamos 3 pares de observaciones (𝑥𝑖 , 𝑦𝑖 ):

(1,2), (2,3), (3,5)

Se quiere obtener el modelo lineal con intercepto y pendiente, al cual se le agregó

un término de error:

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖

Para cada dato:

• Para 𝑥1 = 1, 𝑦1 = 2:

2 = 𝛽0 + 𝛽1 ⋅ 1 + 𝜀1

• Para 𝑥2 = 2, 𝑦2 = 3:

3 = 𝛽0 + 𝛽1 ⋅ 2 + 𝜀2

• Para 𝑥3 = 3, 𝑦3 = 5:

5 = 𝛽0 + 𝛽1 ⋅ 3 + 𝜀2

16
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Y la suma de los errores al cuadrado:

𝑆𝑆𝐸 = (2 − 𝛽0 − 𝛽1 ⋅ 1)2 + (3 − 𝛽0 − 2𝛽1 )2 + (5 − 𝛽0 − 3𝛽1 )2

𝜕𝑆𝑆𝐸
= 2(2 − 𝛽0 − 𝛽1 )(−1) + 2(3 − 𝛽0 − 2𝛽1 )(−1) + 2(5 − 𝛽0 − 3𝛽1 )(−1) = 0
𝜕𝛽0
𝜕𝑆𝑆𝐸
= 2(2 − 𝛽0 − 𝛽1 )(−𝛽1 ) + 2(3 − 𝛽0 − 2𝛽1 )(−𝛽1 ) + 2(5 − 𝛽0 − 3𝛽1 )(−𝛽1 ) = 0
𝜕𝛽1
Luego, el sistema se puede expresar como:

3𝛽0 + 6𝛽1 = 10

6𝛽0 + 14𝛽1 = 23

Que es un sistema de 2 ecuaciones con dos incógnitas. Resolviéndolo queda:

1 3
𝛽̂0 = 3 𝛽̂1 = 2

Observar que se agrega el símbolo “^” sobre el parámetro porque se trata de una
estimación.

En general, el sistema de ecuaciones Gauss- Markov para un modelo con una

única variable explicativa y una pendiente, se puede expresar como:

𝑛𝛽0 + 𝛽1 ∑ 𝑥𝑖 = ∑ 𝑦𝑖

2
𝛽0 ∑ 𝑥𝑖 + 𝛽1 ∑ 𝑥𝑖 = ∑ 𝑥𝑖 𝑦𝑖

1.8 Ejercicios sugeridos para el tema sistemas de ecuaciones

Ejercicio 1:

Resolver por Gauss:

3𝑥 − 𝑦 + 𝑧 = 5
{ 2𝑥 + 𝑦 − 𝑧 = 1
𝑥 + 2𝑦 + 3𝑧 = 10

Ejercicio 2:

Determinar si el sistema es SCD, SI o SCI:

𝑥 + 2𝑦 = 3
{
2𝑥 + 4𝑦 = 6

Ejercicio 3:

Representar gráficamente (a mano) un sistema 2×2 con:

• solución única

17
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• sin solución

• infinitas soluciones

Ejercicio 4:

Calcular el rango de:

1 2 3
(2 4 6 )
1 1 1
Ejercicio 5:
𝑥+𝑦+𝑧 =1
{2𝑥 + 𝑘𝑦 + 3𝑧 = 2
3𝑥 + 4𝑦 + 𝑘𝑧 = 3

Determinar los valores de 𝑘para los cuales el sistema es

• Sistema compatible determinado (SCD)

• Sistema compatible indeterminado (SCI)
• Sistema incompatible (SI)

Ejercicio 5:

Deducir el sistema de ecuaciones Gauss- Markov general para un modelo con una
única variable explicativa y una pendiente

𝑛𝛽0 + 𝛽1 ∑ 𝑥𝑖 = ∑ 𝑦𝑖

2
𝛽0 ∑ 𝑥𝑖 + 𝛽1 ∑ 𝑥𝑖 = ∑ 𝑥𝑖 𝑦𝑖

Luego generalizarlo para el caso con 2 variables explicativas y pendiente.

18
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

2. Matrices y Espacios Vectoriales

Objetivos
• Definir qué es una matriz y cómo se representa
• Identificar diferentes tipos de matrices
• Aprender a realizar operaciones básicas
• Entender el determinante de una matriz y su interpretación geométrica
• Conocer aplicaciones a la solución de sistemas lineales.
• Repasar las estructuras algebraicas de grupo y cuerpo.
• Introducir formalmente la noción de espacio vectorial
• Mostrar ejemplos concretos: vectores geométricos, matrices, polinomios,
funciones y soluciones de sistemas lineales.
• Introducir los conceptos de subespacio, base y dimensión

2.1 Concepto de Matriz

Una matriz es una tabla rectangular de números organizada en filas y columnas.

Se denota como:

𝐴 = (𝑎𝑖𝑗 )

donde:

• 𝑖 número de fila

• 𝑗 número de columna

• 𝑎𝑖𝑗 es la entrada en la posición (𝑖, 𝑗)

Ejemplo:
2 −1 3
( )
0 4 5
Esta es una matriz de 2 filas y 3 columnas → matriz 2 × 3.

2.2 Algunas matrices especiales

Matriz fila

Una sola fila:

(1,4,3)

Matriz columna

19
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

−4
(5)
1
Matriz cuadrada

Mismo número de filas y columnas.

𝑎11 𝑎12 … 𝑎1𝑛
𝑎 𝑎22 … 𝑎2𝑛
( 21 )
⋮ ⋮ ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛
La Diagonal principal refiere a los elementos 𝑎11 , 𝑎22 , …

Si todos los elementos por debajo de la diagonal principal es 0, es una matriz

triangular inferior y si todos los elementos por encima de la diagonal principal es 0,
es una matriz triangular superior.

𝑎11 𝑎12 … 𝑎1𝑛

𝑎 𝑎22 … 𝑎2𝑛
( 21 )
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 0
𝑎11 0 … 0
𝑎 𝑎22 … 0
( 21 )
⋮ ⋮ ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛
Si solo la diagonal es no nula, se dice que es una matriz diagonal
𝑎11 0 … 0
0 𝑎22 … 0
( )
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝑎𝑛𝑛
Si en una matriz diagonal, todos los elementos de la misma son iguales es una
matriz escalar
𝑘 0 … 0
(0 𝑘 … 0)
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝑘
Además, si son todos 1, es una matriz identidad:
1 0 … 0
𝐼3 = (0 1 … 0 )
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 1

20
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

2.3 Operaciones con matrices

Suma

Solo si tienen la misma dimensión.

𝐴 + 𝐵 = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 )

Producto por un escalar

𝜆𝐴 = (𝜆𝑎𝑖𝑗 )

Producto de matrices

Solo si el número de filas de la primera coincide con el número de columna de la

segunda: 𝐴𝑚𝑥𝑛 𝐵𝑛𝑥𝑝

El resultado es una matriz 𝑚 × 𝑝.

(𝐴𝐵)𝑖𝑗 = 𝑎𝑖𝑘 𝑏𝑘𝑗

Es decir, que cada uno de los elementos de la matriz es el producto interno entre
la fila y la columna correspondiente.

Transposición

(𝐴𝑇 )𝑖𝑗 = 𝑎𝑗𝑖

Si una matriz es igual a su traspuesta se dice que es una matriz simétrica.

2.4 Determinantes

El determinante es una operación especial definida sobre el espacio de las

matrices cuadradas: 𝐷𝑒𝑡(𝑀): ℝ𝑛 → ℝ
𝑎 𝑏
Para una matriz de 2 × 2: 𝐴 = ( )
𝑐 𝑑
det (𝐴) = 𝑎𝑑 − 𝑏𝑐

Para 3 × 3: Regla de Sarrus o cofactores.

𝑎 𝑏 𝑐
(𝑑 𝑒 𝑓)
𝑔 ℎ 𝑖

Se construye la matriz ampliada:

𝑎 𝑏 𝑐| 𝑎 𝑏
(𝑑 𝑒 𝑓| 𝑑 𝑒)
𝑔 ℎ 𝑖| 𝑔 ℎ

21
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Y se calcula el producto de los elementos de las tres diagonales que “bajan” y que
suben:

Las que bajan:

𝑎∙𝑒∙𝑖

𝑏∙𝑓∙𝑔

𝑐∙𝑑∙ℎ

Las que suben:

𝑔∙𝑒∙𝑐

ℎ∙𝑓∙𝑎

𝑖∙𝑑∙𝑏

Las que bajan, suben y las que suben restan:

𝑎 ∙ 𝑒 ∙ 𝑖 + 𝑏 ∙ 𝑓 ∙ 𝑔 + 𝑐 ∙ 𝑑 ∙ ℎ − (𝑔 ∙ 𝑒 ∙ 𝑐 + ℎ ∙ 𝑓 ∙ 𝑎 + 𝑖 ∙ 𝑑 ∙ 𝑏) =

La regla de Sarrus funciona solo para matrices 3×3; para dimensiones mayores se
usa expansión por cofactores. Para matrices de orden superior:

Se elige una fila o columna y se expande

𝑛

det (𝐴) = ∑ 𝑎𝑖𝑗 𝐶𝑖𝑗

𝑗=1

donde:

• 𝑎𝑖𝑗 es el elemento de la fila 𝑖

• 𝐶𝑖𝑗 es el cofactor:

𝐶𝑖𝑗 = (−1)𝑖+𝑗 𝑀𝑖𝑗

y 𝑀𝑖𝑗 es el menor, es decir, el determinante de la matriz que queda al eliminar la

fila 𝑖y la columna 𝑗.

22
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Interpretación geométrica de los determinantes:

• Área (2D) o volumen (3D) del paralelogramo/paralelepípedo generado por

los vectores columna.

• Si det (𝐴) = 0, los vectores son linealmente dependientes.

2.4.1 Definición axiomática del determinante

Una forma de definir un determinante es a partir de la construcción de una función
Δ : ℝ𝑛×𝑛 → ℝ definida a partir de sus propiedades con relación a las filas.

Sea

Δ: ℝ𝑛×𝑛 ⟶ ℝ

una función que asigna un número real a cada matriz cuadrada de orden 𝑛. El
determinante puede definirse únicamente a partir de tres propiedades
fundamentales sobre las filas de la matriz.

i. Multilinealidad en las filas: Δ es lineal en cada fila por separado, manteniendo fijas
las otras.

Es decir, si la matriz 𝐴 tiene filas

𝑣1
𝑣2
𝐴 = ( ⋮ ),
𝑣𝑛

Entonces para cualquier 𝑢, 𝑤 ∈ ℝ𝑛 y escalares 𝛼, 𝛽:

Δ(𝑣1 , … , 𝛼𝑢 + 𝛽𝑤, … , 𝑣𝑛 ) = 𝛼 Δ(𝑣1 , … , 𝑢, … , 𝑣𝑛 ) + 𝛽 Δ(𝑣1 , … , 𝑤, … , 𝑣𝑛 ).

ii. Alternancia: si dos filas de la matriz son iguales, entonces: Δ(𝐴) = 0.

Equivalentemente:

• Si se permutan dos filas, el valor de Δcambia de signo.

• Si una fila es combinación lineal de otras, el determinante es cero.
Esta propiedad captura la idea de volumen orientado: si dos direcciones
coinciden, el volumen colapsa.

iii. Normalización: Δ (𝐼𝑛 ) = 1.

Esto fija la escala del volumen: el paralelepípedo generado por la base canónica
tiene volumen 1.

23
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Existe una única función Δ que cumple (1), (2) y (3), y esa función es precisamente
el determinante. De manera equivalente, se llega al mismo resultado si se define
por columnas.

Este resultado es profundo: no solo define al determinante, sino que garantiza que
cualquier función con esas tres propiedades debe coincidir con él.

2.5 Matriz inversa

Una matriz inversa (𝐴−1) de una matriz cuadrada A se define como aquella tal que:

𝐴−1 𝐴 = 𝐴𝐴−1 = 𝐼

Para una matriz de 2x2 se calcula como:

1 𝑑 −𝑏
𝐴−1 = ( )
𝑎𝑑 − 𝑏𝑐 −𝑐 𝑎
Y claramente, sólo existe si det (𝐴) ≠ 0. Es decir, una matriz es invertible si y solo
si su determinante es distinto de cero.

Para una matriz de orden superior:

1
𝐴−1 = adj (𝐴)
det (𝐴)

donde: adj (𝐴)es la matriz adjunta (o adjugate), que se obtiene como la

traspuesta de la matriz de cofactores.

Es decir:

adj (𝐴) = 𝐶 𝑇

donde 𝐶es la matriz de cofactores:

𝐶𝑖𝑗 = (−1)𝑖+𝑗 𝑀𝑖𝑗

y 𝑀𝑖𝑗 es el menor: el determinante de la matriz que queda al eliminar la fila 𝑖y la

columna 𝑗.

2.5.1 Aplicación a la solución de ecuaciones lineales

Las matrices se pueden utilizar para resolver sistemas de ecuaciones, a condición
de que la matriz de los coeficientes sea invertible. Por ejemplo:
2𝑥 + 𝑦 = 5
{
𝑥−𝑦 =1

Se puede expresar en forma matricial como

𝐴X = B

24
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

2 1 𝑥 5
( ) (𝑦) = ( )
1 −1 1
Si 𝐴 es invertible: 𝑋 = 𝐴−1

2.6 Nota histórica: cómo la imposibilidad de invertir una matriz

“hundió” a la URSS
En la economía planificada soviética, la producción se organizaba usando un
sistema centralizado basado en matrices input–output (modelo de Leontief). La
idea era simple en teoría:

𝑋 = 𝐴𝑋 + 𝐷

donde:

• 𝐴= matriz de coeficientes técnicos (cuánto insumo usa cada sector)

• 𝐷= demanda final

• 𝑋= Vector de producción total

Es decir que la cantidad producida debía ser equivalente a las cantidades

requeridas por la propia producción (𝐴𝑋) más la demanda final.

Para resolver el sistema, el planificador debía calcular:

𝑋 = (𝐼 − 𝐴)−1 𝐷

Matemáticamente, 𝐼 − 𝐴, si bien la matriz sí era invertible, el problema era

computacional. La matriz tenía miles de filas y columnas (correspondientes a cada
uno de los sectores de la economía), debía actualizarse constantemente, contenía
errores, ruido y estimaciones, y requería cálculos que superaban la capacidad
humana y mecánica de la época.

Invertir una matriz de ese tamaño a mano o con máquinas primitivas era inviable.
La solución de los matemáticos soviéticos era una aproximación iterativa,
usaron una identidad algebraica: (𝐼 − 𝐴)−1 = 𝐼 + 𝐴 + 𝐴2 + 𝐴3 + ⋯

Es decir, expresaron la inversa como una serie geométrica matricial.

Esto funciona si ∥ 𝐴 ∥< 1, lo cual era razonable para matrices input–output.

Pero había dos problemas enormes:

1. Calcular potencias de matrices gigantes era extremadamente

costoso

A pesar de que era más fácil que invertir una matriz, cada multiplicación
matricial era un infierno computacional.

25
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

2. La convergencia podía ser lenta o inestable

Pequeños errores se acumulaban. Los redondeos se amplificaban. La serie

podía tardar muchísimo en aproximarse.

Con las herramientas de la época —reglas de cálculo, tabuladoras, máquinas

electromecánicas y los primeros computadores con muy poca memoria RAM— la
Unión Soviética no podía aproximar la inversa de su gigantesca matriz input–output
con la precisión necesaria para planificar toda la economía. Los planes de
producción dependían de cálculos que tardaban meses, eran imprecisos, no
podían actualizarse en tiempo real y acumulaban errores estructurales.

En términos matemáticos, la economía soviética era un sistema colosal cuya

solución dependía de una matriz que no podían calcular en la práctica. Esto
generaba cuellos de botella, sobreproducción en algunos sectores, escasez
crónica en otros e imposibilidad de ajustar el plan a tiempo.

Sin embargo, este obstáculo técnico se convirtió en un impulso enorme para la

ciencia. Los matemáticos soviéticos, enfrentados a matrices inmanejables,
desarrollaron:

• métodos iterativos (precursores de Jacobi, Gauss–Seidel y métodos

espectrales),

• técnicas de reducción de dimensión,

• análisis espectral para estudiar la convergencia de series matriciales.

Estos avances se transformaron en la base de herramientas que hoy son centrales

en ciencia de datos, como:

• PCA (Análisis de Componentes Principales)

• SVD (Descomposición en Valores Singulares)

• métodos numéricos modernos

• algoritmos de machine learning, que hoy sostienen gran parte de la

inteligencia artificial.

Paradójicamente, la dificultad soviética para invertir matrices gigantes fue uno de

los motores que impulsó el desarrollo de la matemática computacional moderna.
Ese desarrollo, a su vez, es una de las bases del enorme aumento de productividad
posterior a la caída de la Cortina de Hierro y del surgimiento de la revolución de la
IA que vivimos hoy.

2.7 Ejercicios propuestos

Ejercicio 1:

26
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Determinar el tipo de cada matriz (fila, columna, cuadrada, diagonal, escalar,

identidad, triangular sup/inf, simétrica)

Ayuda: una matriz puede cumplir más de un criterio.

3 0 0
(0 3 0 )
0 0 3
(2, − 1, 5)
1
(4)
−2
2 1
( )
1 2
1 2 3
(0 4 5 )
0 0 6
Ejercicio 2:

Calcular 𝐴 + 𝐵y 2𝐴 − 3𝐵para:
1 −2 4 1
𝐴=( ),𝐵 = ( )
0 3 −1 2
Ejercicio 3:

Calcular el producto 𝐴𝐵 y verificar si 𝐵𝐴 está definido sin realizar cálculos

2 1
1 0 2
𝐴=( ) , 𝐵 = (0 −1)
−1 3 1
3 4
Ejercicio 4:

Verificar si las siguientes igualdades son verdaderas: Si es verdadero, demostrarlo.

Si es falso mostrar un contraejemplo.

𝐴±𝐵 =𝐵±𝐴
(𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶)

−𝐴 = (−1)𝐴

𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶

(𝐴𝑇 )𝑇 = 𝐴

(𝐴𝐵)𝑇 = 𝐵 𝑇 𝐴𝑇

(𝐴𝐵)𝑇 = 𝐵 𝑇 𝐴𝑇

27
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Si 𝐴es simétrica, entonces 𝐴𝑇 = 𝐴

Ejercicio 5:

Calcular el determinante:
2 1
a) ( )
−3 4
1 2 3
b) (0 −1 4)
2 1 0
Ejercicio 6:

Calcular la inversa (si existe) de

1 0 2
1 2 2 1
𝐴=( )𝐵 = ( ) 𝐶 = (0 1 3)
3 4 4 2
1 −1 0
Ejercicio 7:

Resolver 𝐴𝑋 = 𝐵 usando inversa:

2 1 3
𝐴=( ),𝐵 = ( )
1 −1 0
Ejercicio 8:

Determinar para qué valores de 𝑘la matriz es invertible:

1 𝑘 2
𝐴 = (0 1 𝑘)
𝑘 0 1
Ejercicio 9:

Probar las siguientes propiedades:

i. det(𝐴𝐵) = det(𝐴) det (𝐵)

ii. det(𝐴𝐵) = det (𝐵𝐴)
iii. det(𝐴) = det (𝐴𝑡 )
1
iv. det(𝐴−1 ) = det(𝐴)

v. Si det (𝐴) = 0, entonces las filas de 𝐴son linealmente dependientes.

vi. Si 𝐴 es invertible, entonces su inversa es única.

vii. Si 𝐴 es invertible, entonces 𝐴𝑇 también lo es, y:

28
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

(𝐴𝑇 )−1 = (𝐴−1 )𝑇

[Link] que si 𝐴 y 𝐵 son invertibles, entonces 𝐴𝐵 es invertible y:

(𝐴𝐵)−1 = 𝐵 −1 𝐴−1

viii. Demostrar que si 𝐴 es diagonal, entonces

det (𝐴) = producto de los elementos de la diagonal

ix. Demostrar que si dos filas de una matriz cuadrada son iguales, entonces su
determinante es cero.

x. Demostrar que si una fila es múltiplo de otra, entonces el determinante es

cero

Ejercicio 10:

i. Explicar por qué una matriz triangular tiene determinante igual al producto
de los elementos de la diagonal.

ii. Dar un ejemplo de una matriz no nula cuyo determinante sea cero y explicar
por qué no es invertible.

iii. Dar un ejemplo de dos matrices 𝐴y 𝐵tales que 𝐴𝐵 = 0pero 𝐴 ≠ 0y 𝐵 ≠ 0.

iv. Mostrar que si 𝐴es invertible, entonces 𝐴𝑇 también lo es.

Ejercicio 11:

16. Calcular la inversa de una matriz 4×4 usando adjunta (elegir una con ceros
estratégicos).

2.8 Espacios vectoriales y estructuras algebraicas

Antes de definir un Espacio Vectorial (EV), recordamos dos estructuras
fundamentales (Grupo y Cuerpo) y que son las bases para llegar a la definición de
EV

2.8.1 Grupo
Un grupo de indica como (G,*). Es un conjunto 𝐺con una operación binaria ∗ que
cumple:

1. Ley de Composición interna

2. Asociatividad: (𝑎 ∗ 𝑏) ∗ 𝑐 = 𝑎 ∗ (𝑏 ∗ 𝑐)

3. Elemento neutro: existe 𝑒tal que 𝑎 ∗ 𝑒 = 𝑎

4. Inverso: para cada 𝑎existe 𝑎−1 tal que 𝑎 ∗ 𝑎−1 = 𝑒

29
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Si además es conmutativo, se llama grupo abeliano

Ejemplo: (ℝ, +) es un grupo abeliano

2.8.2 Cuerpo
Un cuerpo es un conjunto en el que se definen dos operaciones binarias ⊕ y ⊗,
donde Si indica como (K, ⊕) es un grupo abeliano con o como su neutro y (K-o, ⊗ )
también es un grupo abeliancon neutro 1.

Este conjunto dotado de las dos operaciones cumple que ⊗ distribuye sobre ⊕ es
un cuerpo. Es decir: 𝑎 ⊗ (b ⊕ 𝑐) = 𝑎 ⊗ 𝑏 + 𝑎 ⊗ 𝑐

Ejemplos:

(ℝ, +,⋅) con la suma y producto usuales es un grupo abeliano. también lo es (ℚ, +,⋅
) y (ℂ, +,⋅)

El concepto de cuerpo es clave porque los espacios vectoriales se definen sobre un

cuerpo.

2.8.3 Espacio vectorial

Un espacio vectorial 𝑉sobre un cuerpo 𝐾es un conjunto cuyos elementos se llaman
vectores, junto con dos operaciones suma y producto por un escalar. Estas
operaciones deben cumplir los axiomas de cierre, asociatividad, conmutatividad,
existencia de neutro, inversos y distributividad.

• Suma de vectores: + : 𝑉 × 𝑉 → 𝑉, es decir que es una Ley de Composición

interna.

• Producto por escalar: ∙ ∶ 𝐾 × 𝑉 → 𝑉, es decir que es una Ley de

Composición externa.

Satisfacen los siguientes axiomas:

1. 𝑢 + 𝑣 = 𝑣 + 𝑢 La suma es conmutativa

2. (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤) La suma es asociativa

3. Existe un vector nulo 0tal que 𝑢 + 0 = 𝑢 existe neutro para la suma

4. Cada vector tiene un inverso aditivo −𝑢 existe opuesto para la suma

5. 𝑎 ∙ (𝑢 + 𝑣) = 𝑎𝑢 + 𝑎𝑣 distributividad del producto por un escalar respecto

de la suma

6. (𝑎 + 𝑏) ∙ 𝑢 = 𝑎 ∙ 𝑢 + 𝑏 ∙ 𝑢 distributividad de la suma de escalares respecto

del producto por un escalar.

7. 𝑎(𝑏𝑢) = (𝑎𝑏)𝑢 asociatividad mixta

30
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

8. 1 ∙ 𝑢 = 𝑢

En términos simples:

Un espacio vectorial es un conjunto donde tiene sentido sumar vectores y

multiplicarlos por números, y esas operaciones se comportan “bien”.

[Link] Vectores geométricos

Los modelos más intuitivos y que dan su nombre a los espacios vectoriales son
(ℝ2 , +, ℝ,∙) que representan los vectores geométicos (segmentos orientados) del
plano, y (ℝ3 , +, ℝ,∙) vectores geométricos del espacio.

• La suma de vectores geométricos se representa con el método del

paralelogramo y es un vector geométrico también que cumple la
conmutatividad, asociatividad y existencia del neutro (el vector nulo o ⃗0)

• El producto por escalar estira o contrae el vector, cumpliendo la ley de

composición externa

Estos ejemplos ayudan a visualizar la estructura, pero los espacios vectoriales

pueden ser mucho más abstractos. De hecho, la definición matemática de vector
es “cualquier elemento de un espacio vectorial”.

[Link] Matrices como espacio vectorial

El conjunto de matrices 𝑚 × 𝑛con entradas reales:

𝑀𝑚×𝑛 (ℝ)

es un espacio vectorial porque:

• Podés sumar matrices

• Podés multiplicarlas por escalares

• Se cumplen todos los axiomas

Ejemplo: Las matrices 2 × 2

𝑎 𝑏
( )
𝑐 𝑑
forman un espacio vectorial con el producto por un escalar.

[Link] Otros ejemplos de espacios vectoriales

Polinomios de grado ≤ n

𝑃𝑛 = {𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛 𝑥 𝑛 }

Funciones reales continuas en un intervalo

𝐶[𝑎, 𝑏]

31
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

La suma de funciones y el producto por escalar siguen siendo funciones

continuas.

Secuencias numéricas

(𝑎1 , 𝑎2 , 𝑎3 , … )

Soluciones de un sistema lineal homogéneo

𝐴𝑋 = 0

Siempre forman un espacio vectorial.

2.9 Conceptos clave: subespacios, base y dimensión

Subespacio

Un subconjunto 𝑊 ⊆ 𝑉es un subespacio si:

• Contiene al vector nulo

• Es cerrado bajo suma

• Es cerrado bajo producto por escalar

Básicamente, un subespacio cumple con ser un espacio vectorial que está incluido
en otro espacio vectorial.

Ejemplo: En ℝ3 , la recta generada por un vector 𝑣es un subespacio.

Base

Una base es un conjunto de vectores:

• Linealmente independientes

• Que generan todo el espacio (o subespacio, recordar que un subespacio es

también un espacio)

Ejemplo en ℝ3 , la base canónica es el conjunto:

𝐵 = {(1,0,0), (0,1,0), (0,0,1)}

Las coordenadas dependen de la base elegida. El vector es el mismo, pero su

representación cambia.

Dimensión

Es la máxima cantidad de vectores Linealmente independientes de una base.

Ejemplos:

• dim (ℝ2 ) = 2

32
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• dim (𝑃2 ) = 3

• dim (𝑀2×2 ) = 4

Ejemplo: subespacio generado por dos vectores en ℝ3

𝑣1 = (1,2,0), 𝑣2 = (0,1,1)

El conjunto de todas las combinaciones lineales:

𝛼𝑣1 + 𝛽𝑣2

forma un plano que pasa por el origen → un subespacio de dimensión 2.

2.9.1 Expresión de un vector cualquiera como combinación lineal de la

base
Todo vector en un espacio vectorial de dimensión finita se puede escribir en
notación cartesiana

Sea 𝑉un espacio vectorial de dimensión 𝑛, con base:

ℬ = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }

Entonces, todo vector 𝑣 ∈ 𝑉se puede escribir como combinación lineal de los
vectores de la base:

𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ + 𝑎𝑛 𝑣𝑛

Los escalares 𝑎1 , 𝑎2 , … , 𝑎𝑛 ∈ ℝson únicos y se llaman coordenadas del vector

respecto de la base ℬ.

Por eso, podemos representar al vector 𝑣en notación cartesiana como:

𝑣 = (𝑎1 , 𝑎2 , … , 𝑎𝑛 )

Esta notación es posible solo si el espacio tiene dimensión finita y se ha elegido

una base.

2.10 Ejercicios propuestos

Ejercicio 1:

Determinar si cada conjunto es un espacio vectorial sobre ℝ. Justificar usando

axiomas.

𝑉1 = {(𝑥, 𝑦) ∈ ℝ2 : 𝑥 ≥ 0}

𝑉2 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑥 + 𝑦 + 𝑧 = 0}

𝑉3 = {𝑝(𝑥) ∈ 𝑃3 : 𝑝(0) = 1}

𝑉4 = {𝑓: [0,1] → ℝ: 𝑓(0) = 0}

33
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

𝑉5 = {𝐴 ∈ 𝑀2×2 : tr (𝐴) = 0}

Ejercicio 2:

Verificar si los siguientes subconjuntos son subespacios de ℝ3 :

𝑊1 = {(𝑥, 𝑦, 𝑧): 𝑥 = 𝑦}

𝑊2 = {(𝑥, 𝑦, 𝑧): 𝑥𝑦 = 0}

𝑊3 = {(𝑥, 𝑦, 𝑧): 𝑥 − 2𝑦 + 3𝑧 = 0}

Ejercicio 3:

En 𝑀2×2 , determinar si son subespacios:

i. Matrices simétricas
ii. Matrices triangulares superiores
iii. Matrices con determinante 1
iv. Matrices con todas las entradas iguales

Ejercicio 4:

Determinar si los vectores son linealmente independientes:

i. (1,2,3), (2,4,6)
ii. (1,0,1), (0,1,1), (1,1,2)
iii. (1,2,0), (0,1,1), (1,3,1)

Ejercicio 5:

Escribir (3,5)como combinación lineal de (1,1)y (2,1).

Ejercicio 6:

En 𝑃2 , decidir si {1 + 𝑥, 𝑥 + 𝑥 2 , 1 + 𝑥 2 } es un conjunto LI.

Ejercicio 7:

Hallar una base y la dimensión de:

𝑊1 {(𝑥, 𝑦, 𝑧): 𝑥 + 𝑦 + 𝑧 = 0}

𝑊2 = {𝑝(𝑥) ∈ 𝑃3 : 𝑝(1) = 0}

Span{(1,2,0), (0,1,1), (1,3,1)}

Span: subespacio generado

Ejercicio 7:

En 𝑀2×2 , encontrar una base para:

34
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

i. Matrices simétricas
ii. Matrices antisimétricas
iii. Matrices con traza cero
iv. Espacios de soluciones de sistemas lineales

Ejercicio 8:

Hallar una base del espacio solución del sistema homogéneo:

𝑥+𝑦+𝑧 = 0
{
2𝑥 − 𝑦 + 3𝑧 = 0

Ejercicio 9

Para el sistema 𝐴𝑋 = 0 con

1 2 −1
𝐴=( )
2 4 −2
i. hallar el espacio solución
ii. dar una base
iii. determinar su dimensión.

Ejercicio 10:

Mostrar que el conjunto de soluciones de un sistema homogéneo siempre es un

subespacio.

Ejercicio 12:

i. Explicar por qué un subespacio siempre contiene al vector nulo.

ii. Dar un ejemplo de un conjunto que cumple cierre por suma pero no por
producto por escalar.

iii. Dar un ejemplo de un conjunto que cumple cierre por producto por escalar
pero no por suma.

iv. Explicar por qué un conjunto que no contiene al vector nulo no puede ser
subespacio.

Ejercicio 13:

i. Probar que si 𝑣1 , … , 𝑣𝑘 son LI y 𝑤 ∉ span{𝑣1 , … , 𝑣𝑘 }, entonces

{𝑣1 , … , 𝑣𝑘 , 𝑤}es LI. (span: subespacio generado).
ii. Probar que cualquier conjunto de más de 𝑛vectores en ℝ𝑛 es LD.
iii. Probar que cualquier conjunto de menos de 𝑛vectores en ℝ𝑛 no puede
generar ℝ𝑛 .
iv. Sea 𝑊 ⊆ ℝ4 definido por dos ecuaciones lineales independientes.
Determinar su dimensión y justificar.
35
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

v. Probar que si 𝐵 = {𝑣1 , … , 𝑣𝑛 }es base de 𝑉, entonces cada vector tiene

coordenadas únicas respecto de 𝐵.

36
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

3. Transformaciones lineales y diagonalización

Objetivos:
• Introducir formalmente las transformaciones lineales.
• Construir la matriz asociada a una transformación.
• Interpretar geométricamente transformaciones en ℝ2 y ℝ3 .
• Comprender la composición de transformaciones y su relación con el
producto de matrices.
• Introducir autovalores, autovectores y diagonalización.

3.1 Definición de Transformación Lineal

Una transformación lineal es una función entre espacios vectoriales que preserva
la estructura lineal.

Formalmente, 𝑇: ℝ𝑛 → ℝ𝑚 es lineal si cumple con las propiedades:

1. Aditividad

𝑇(𝑢
⃗ + 𝑣 ) = 𝑇(𝑢
⃗ ) + 𝑇(𝑣)

2. Homogeneidad

𝑇(𝜆𝑣) = 𝜆𝑇(𝑣)

Estas dos propiedades implican que:

𝑇(𝑎𝑢
⃗ + 𝑏𝑣) = 𝑎𝑇(𝑢
⃗ ) + 𝑏𝑇(𝑣)

Una transformación lineal respeta combinaciones lineales. Por eso, transforma

rectas en rectas, planos en planos, y siempre envía el origen al origen.

3.2 Matriz asociada a una transformación lineal

Si 𝑇: ℝ𝑛 → ℝ𝑛 es lineal, existe una matriz 𝐴, tal que:

𝑇(𝑥) = 𝐴𝑥

Para construir A, se toma la base canónica {𝑒1 , 𝑒2 , … , 𝑒𝑛 }:

𝐴 = (𝑇(𝑒1 ) 𝑇(𝑒2 ) ⋯ 𝑇(𝑒𝑛 ))

Cada columna es la imagen de un vector base.

3.2.1 Interpretación geométrica

En ℝ2 y ℝ3 , las transformaciones lineales incluyen:

• Rotaciones

• Reflexiones

37
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• Proyecciones

• Estiramientos y compresiones

• Cizallamientos (shears)

Cada transformación lineal puede representarse mediante una matriz.

Ejemplos:

Toda transformación lineal 𝑇(𝑥) = 𝐴𝑥 puede interpretarse como una deformación

del espacio que preserva rectas, paralelismo y el origen. Algunos ejemplos:

Rotaciones

Giran el espacio alrededor del origen manteniendo distancias y ángulos. Son

isometrías: no deforman, solo rotan. En ℝ2

Rotación por un ángulo 𝜃:

cos 𝜃 −sin 𝜃
𝑅(𝜃) = ( )
sin 𝜃 cos 𝜃
• Preserva longitudes

• Preserva áreas

• Determinante = 1

En ℝ3 , la rotación alrededor del eje z:

cos 𝜃 −sin 𝜃 0
𝑅𝑧 (𝜃) = ( sin 𝜃 cos 𝜃 0)
0 0 1
Reflexiones

Reflejan el espacio respecto de una recta (ℝ2 ) o un plano (ℝ3 ). Cambian la

orientación → determinante = −1.

En ℝ2 , la Reflexión respecto del eje x:

1 0
( )
0 −1
Reflexión respecto del eje y:
−1 0
( )
0 1
En ℝ3 , la Reflexión respecto del plano 𝑥𝑦:
1 0 0
(0 1 0)
0 0 −1

38
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Proyecciones

Aplastar el espacio sobre una recta o plano. Una propiedad es que pierden
dimensión, por lo cual el determinante = 0 , y las matrices asociadas no son
invertibles.

En ℝ2

Proyección sobre el eje x:

1 0
( )
0 0
En ℝ3

Proyección sobre el plano 𝑥𝑦:

1 0 0
(0 1 0 )
0 0 0
Estiramientos y compresiones (escalamientos)

Cambian el tamaño del espacio en una o varias direcciones. Son transformaciones

diagonales.

En ℝ2
𝑘 0
( 1 )
0 𝑘2

• Si 𝑘1 > 1: estira en x

• Si 0 < 𝑘1 < 1: comprime

• Si 𝑘1 < 0: estira + refleja

Lo mismo con 𝑘2 respecto del eje y

En ℝ3
𝑘1 0 0
(0 𝑘2 0)
0 0 𝑘3

Cizallamientos (shears)

Desplazan una dirección proporcionalmente a otra. Deforman ángulos pero

preservan áreas (en 2D) o volúmenes (en 3D) si el determinante es 1.

En ℝ2

39
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Un shear horizontal:
1 𝑘
( )
0 1
Un shear vertical:
1 0
( )
𝑘 1
En ℝ3

Hay shears en múltiples direcciones, por ejemplo:

1 𝑘 0
(0 1 0)
0 0 1
Las transformaciones lineales geométricas se utilizan cada vez que una imagen se
rota, se escala o se proyecta en una pantalla. Rotaciones en video juegos, zoom y
paneo en mapas digitales, proyecciones 3D, animaciones y efectos visuales utilizan
transformaciones lineales para operar.

3.2.2 Relación con los determinantes

El determinante mide cuánto se estira o comprime el espacio bajo la
transformación lineal 𝑇(𝑥) = 𝐴𝑥.

Si el volumen se vuelve cero, la transformación aplasta el espacio → no se puede

deshacer → no hay inversa.

Si el volumen es no nulo, la transformación es reversible → existe inversa.

3.3 Composición de transformaciones lineales:

40
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Dadas dos transformaciones lineales:

𝑇: ℝ𝑛 → ℝ𝑚 , 𝑆: ℝ𝑚 → ℝ𝑝

su composición: 𝑆 ∘ 𝑇 también es una transformación lineal.

Observar que para poder componer 𝑆 ∘ 𝑇, hay que poder aplicar primero 𝑇 después
𝑆. Eso exige que:

codominio de 𝑇 = dominio de 𝑆

Interpretación geométrica:

• 𝑇 deforma el espacio de una manera.

• 𝑆 toma esa deformación y la vuelve a deformar.

La composición es la deformación acumulada.

Matricialmente:

𝑇(𝑥) = 𝐴𝑥, 𝑆(𝑥) = 𝐵𝑥

entonces:

(𝑆 ∘ 𝑇)(𝑥) = 𝐵(𝐴𝑥) = (𝐵𝐴)𝑥

La composición de transformaciones lineales se representa multiplicando

matrices en orden invertido

Y el orden importa:

𝑆 ∘ 𝑇 ↔ 𝐵𝐴

Observar, también que en general:

𝐵𝐴 ≠ 𝐴𝐵

Lo cual no solo se explica por las propiedades del producto de matrices, sino que
también geométricamente aplicar primero una transformación y luego otra no es lo
mismo que hacerlo al revés.

3.4 Diagonalización de matrices

Diagonalizar una matriz es encontrar una base en la cual la transformación lineal se
vuelve lo más simple posible. Es un proceso que se aplica a matrices cuadradas y
consiste en encontrar una base en la que la matriz de la transformación se convierte
en diagonal.

Formalmente, una matriz 𝐴es diagonalizable si existe una matriz invertible 𝑃 tal que:

41
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

𝑃−1 𝐴𝑃 = 𝐷

donde 𝐷 es diagonal.

La diagonalización es importante, porque en la base adecuada:

• La transformación se descompone en escalamientos independientes.

• Elevar matrices a potencias se vuelve trivial.

• Resolver sistemas dinámicos, ecuaciones diferenciales, Markov, etc., se

simplifica enormemente.

3.4.1 Autovalores y autovectores

Los autovalores y autovectores son el corazón de la diagonalización. Para
obtenerlos, considerar una transformación lineal y su matriz asociada A. Un
autovector es un vector no nulo para la cual la transformación funciona como el
producto por un escalar, es decir:

𝐴𝑣 = 𝜆𝑣

El escalar 𝜆 es el autovalor asociado al autovector 𝑣

Geométricamente, el vector 𝑣 no cambia de dirección bajo la transformación. Solo

se estira o se contrae por 𝜆.

Encontrar los autovalores y auto vectores es equivalente a encontrar los valores

para los cuales: (𝐴 − 𝜆𝐼)𝑣 = 0 tiene soluciones no triviales, lo cual implica
encontrar los valores de 𝜆 para los cuales:

det (𝐴 − 𝜆𝐼) = 0

Donde la expresión: 𝑃(𝜆) = det (𝐴 − 𝜆𝐼) es denominado polinomio característico.,

y sus raíces son los autovalores.

Luego, para cada autovalor 𝜆:

(𝐴 − 𝜆𝐼)𝑣 = 0

Se resuelve un sistema homogéneo, lo cual da como resultado un subespacio,

denominado subespacio propio, y se elige una base del mismo.

3.4.2 Condición de diagonalización

Una matriz 𝐴 ∈ ℝ𝑛𝑥𝑛 es diagonalizable si y solo sin la suma de las dimensiones de

los subespacios propios es n.

42
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Equivalentemente:

• Tiene n autovectores linealmente independientes.

Un criterio práctico:

• Si todos los autovalores son distintos, la matriz es diagonalizable.

• Si hay autovalores repetidos, hay que verificar la dimensión del subespacio

propio.

Para diagonalizar, escribimos las soluciones del problema en función de los n

autovalores base de los autoespacioes:
𝐴𝑣1 = 𝜆1 𝑣1
𝐴𝑣2 = 𝜆2 𝑣2
⋮
𝐴𝑣𝑛 = 𝜆𝑛 𝑣𝑛

O lo que es lo mismo:
𝜆1 0 ⋯ 0
0 𝜆2 ⋯ 0
𝐴(𝑣1 𝑣2 ⋯ 𝑣𝑛 ) = (𝑣1 𝑣2 ⋯ 𝑣𝑛 ) ( )
⋮ ⋮ ⋱ 0
0 0 ⋯ 𝜆𝑛

La matriz P=(𝑣1 𝑣2 ⋯ 𝑣𝑛 ) que contiene en cada una de las columnas a los

autovalores es la denominada matriz de pasaje, mientras que la matriz: 𝐷 =
𝜆1 0 ⋯ 0
0 𝜆2 ⋯ 0
( ) que tiene en su diagonal a los autovalores la matriz diagonal.
⋮ ⋮ ⋱ 0
0 0 ⋯ 𝜆𝑛
Es decir, 𝐴𝑃 = 𝑃𝐷, o lo que es igual: 𝐴 = 𝑃𝐷𝑃 −1 .

Geométriamente, diagonalizar es encontrar la base donde la transformación lineal

se ve como un conjunto de estiramientos independientes.

En esa base:

• Cada autovector es una dirección “privilegiada”.

• Cada autovalor es el factor de escala en esa dirección.

Es como descomponer una transformación compleja en movimientos simples.

Ejemplo completo de diagonalización

Sea:
4 1
𝐴=( )
0 2
Autovalores

43
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

4−𝜆 1
det (𝐴 − 𝜆𝐼) = | | = (4 − 𝜆)(2 − 𝜆)
0 2−𝜆
Autovalores:

𝜆1 = 4, 𝜆2 = 2

2. Autovectores

Para 𝜆1 = 4:
0 1 𝑥
(𝐴 − 4𝐼)𝑣 = ( ) (𝑦 ) = 0
0 −2
Da 𝑦 = 0. Autovector: 𝑣1 = (1,0).

Para 𝜆2 = 2:
2 1 𝑥
(𝐴 − 2𝐼)𝑣 = ( )( ) = 0
0 0 𝑦
Da 2𝑥 + 𝑦 = 0. Autovector: 𝑣2 = (1, −2).

3. Matriz de cambio de base

1 1
𝑃=( )
0 −2
4. Matriz diagonal
4 0
𝐷=( )
0 2
5. Verificación

𝑃−1 𝐴𝑃 = 𝐷

Diagonalizada.

3.5 Aplicaciones de la diagonalización

La diagonalización no es solo una técnica algebraica: es una forma de entender y
simplificar transformaciones lineales complejas. Cuando una matriz se
diagonaliza, la transformación asociada se descompone en estiramientos
independientes a lo largo de direcciones privilegiadas (los autovectores). Esto tiene
consecuencias profundas en cálculo, dinámica, física, economía y computación.

44
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

i. Simplificación de cálculos

Si 𝐴 = 𝑃𝐷𝑃−1 , entonces 𝐴𝑘 = 𝑃𝐷𝑘 𝑃 −1 .

Elevar una matriz diagonal es trivial:

𝜆1𝑘 0 ⋯ 0
𝐷𝑘 = 0 𝜆𝑘2 ⋯ 0
⋮ ⋮ ⋱ ⋮
(0 0 ⋯ 𝜆𝑘𝑛 )

Esto convierte un cálculo que sería costoso en algo inmediato. Es especialmente

útil cuando se necesitan potencias elevadas, como 𝐴100 , 𝐴1000 o incluso 𝐴𝑡 con
𝑡 real un problema que aparece cuando se trabaja con procesos iterativos o
dinámicos.

ii. Estudios de sistemas dinámicos

Muchos sistemas evolucionan según una regla del tipo:

𝑥𝑡+1 = 𝐴𝑥𝑡

o en tiempo continuo:
𝑑𝑥
= 𝐴𝑥
𝑑𝑡
Al diagonalizar 𝐴, es posible describir la evolución del sistema componente por
componente, porque cada autovalor determina cómo evoluciona su autovector
asociado:

• si ∣ 𝜆 ∣< 1: la componente se atenúa,

• si ∣ 𝜆 ∣> 1: la componente crece,

• si 𝜆 < 0: hay inversión de dirección,

• si 𝜆es complejo: aparece rotación + escala.

La diagonalización permite “ver” el comportamiento del sistema a largo plazo.

Entender la estructura de una transformación lineal:

La diagonalización revela la geometría interna de la transformación:

• Los autovectores son direcciones invariantes: si empezás en esa dirección,

la transformación no te desvía.

• Los autovalores indican cuánto se estira o contrae cada dirección: 𝜆 >

1estira, 0 < 𝜆 < 1comprime, 𝜆 < 0estira + refleja.

45
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Esto convierte una transformación complicada en una combinación de efectos

simples.

• Los vectores propios son direcciones invariantes.

• Los autovalores indican cuánto se estira o contrae cada dirección.

3.5.1 Problemas reales de matemática aplicada:

Física

En sistemas mecánicos (cuerdas, resortes, moléculas), las ecuaciones de

movimiento se desacoplan diagonalizando la matriz que describe las
interacciones. Cada autovalor corresponde a una frecuencia natural, y cada
autovector a un modo normal de vibración.

Es literalmente cómo se analiza:

• vibración de puentes,
• resonancia de edificios,
• modos de una cuerda de guitarra.

Economía, Biología

Las cadenas de Markov son sistemas lineales de la forma:

𝑥𝑡+1 = 𝐴𝑥𝑡

La diagonalización permite:

• encontrar distribuciones estacionarias,

• estudiar convergencia,
• analizar estabilidad del sistema.

El autovalor 𝜆 = 1determina el estado estable; los demás autovalores determinan

la velocidad de convergencia.

Computación, Estadística y Ciencias de Datos

El Análisis de Componentes Principales (PCA) se basa en diagonalizar la matriz de

covarianzas:

Σ = 𝑃𝐷𝑃−1

• Los autovectores son direcciones principales de variación.

• Los autovalores indican cuánta variabilidad hay en cada dirección.

Esto permite:

46
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• reducir dimensión,
• eliminar ruido,
• comprimir imágenes,
• visualizar datos de alta dimensión.

3.6 Ejercicios propuestos

Ejercicio 1:

Determinar si las siguientes aplicaciones son transformaciones lineales:

𝑇1 (𝑥, 𝑦) = (2𝑥 − 𝑦, 3𝑦)

𝑇2 (𝑥, 𝑦, 𝑧) = (𝑥 + 1, 𝑦, 𝑧)

𝑇3 (𝑥, 𝑦) = (𝑥 + 𝑦, 𝑥𝑦)

𝑇4 (𝑝(𝑥)) = 𝑝′ (𝑥)en 𝑃3

𝑇5 (𝐴) = 𝐴𝑇 en 𝑀2×2

Ejercicio 2:

Probar que toda transformación lineal cumple 𝑇(0) = 0.

Ejercicio 3:

Sea 𝑇: ℝ3 → ℝ3 definida por

𝑇(𝑥, 𝑦, 𝑧) = (𝑥 − 𝑦, 𝑦 − 𝑧, 𝑥 + 𝑧)

Verificar que es lineal y hallar su matriz asociada.

Ejercicio 4:

Hallar la matriz asociada a 𝑇: ℝ2 → ℝ2 definida por:

i. Rotación de 45∘
ii. Reflexión respecto del eje 𝑦
iii. Proyección sobre la recta 𝑦 = 𝑥
iv. Cizallamiento horizontal con factor 𝑘 = 3

Ejercicio 5:

Sea 𝑇: ℝ3 → ℝ3 dada por

𝑇(𝑥, 𝑦, 𝑧) = (𝑥 + 𝑧, 𝑦, 𝑥 − 𝑦)

Ejercicio 6:

Hallar la matriz de 𝑇en la base canónica y en la base

𝐵 = {(1,0,1), (0,1,0), (1,1,0)}.

47
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Ejercicio 7:

Describir geométricamente cada transformación:

2 0
𝐴1 = ( )
0 1
0 −1
𝐴2 = ( )
1 0
1 3
𝐴3 = ( )
0 1
1 0 0
𝐴4 = (0 1 0)
0 0 0
Ejercicio 8:

Determinar si las siguientes transformaciones preservan área/volumen:

i. Rotación
ii. Reflexión
iii. Proyección
iv. Cizallamiento
v. Escalamiento con 𝑘1 = 2, 𝑘2 = 3

Ejercicio 9:

Hallar autovalores y autovectores de:

3 1
𝐴1 = ( )
0 2
1 2
𝐴2 = ( )
2 1
4 0 0
𝐴3 = (0 1 2)
0 2 1
Ejercicio 10:

Para cada matriz del ejercicio anterior, describir geométricamente qué hace la
transformación en las direcciones propias.

Ejercicio 11:

Determinar si las siguientes matrices son diagonalizables. Si lo son, diagonalizarlas:

48
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

4 1
𝐴1 = ( )
0 4
2 0
𝐴2 = ( )
0 −3
1 1 0
𝐴3 = (0 1 0)
0 0 2
0 1
𝐴4 = ( )
−2 3
Ejercicio 12

Dar un ejemplo de una matriz no diagonalizable y justificar por qué no lo es.

Ejercicio 13:

12. Calcular 𝐴10 usando diagonalización para:

3 0
𝐴=( )
0 2

1 1
𝐴2 = ( )
0 1
Ejercicio 13:

i. Explicar por qué una matriz con un único auto vector no puede ser
diagonalizable.

ii. Probar que si 𝐴es diagonalizable, entonces 𝐴𝑘 también lo es para todo 𝑘 ∈ ℕ.

iii. Probar que si A es diagonalizable, entonces: det(𝐴) = ∏ 𝜆𝑖 y 𝑡𝑟(𝐴) = ∑ 𝜆𝑖

iv. Probar que si 𝐴 ∈ ℝ𝑛𝑥𝑛 tiene 𝑛 autovalores distintos, entonces es

diagonalizable.

v. Explicar por qué las rotaciones en ℝ2 (con ángulo distinto de 0y 𝜋) no son

diagonalizables sobre ℝ.

vi. Dar un ejemplo de una transformación lineal que preserve área pero no
preserve ángulos (ayuda: usar composición de trasnformaciones)

49
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Lecturas sugeridas
Sistemas de ecuaciones lineales
Lecturas introductorias

• Lay, D. Álgebra Lineal y sus Aplicaciones, cap. 1–2.

• Anton & Rorres. Álgebra Lineal con Aplicaciones, cap. 1–3.

Interpretación geométrica y rango

• Strang, G. Introduction to Linear Algebra, cap. 1.

• Strang, G. “The Geometry of Linear Equations” (MIT OpenCourseWare).

Aplicaciones económicas

• Varian, H. Microeconomía Intermedia, apéndice matemático.

• Leontief, W. “Input–Output Economics” (selección de capítulos).

Historia y pensamiento económico

• Ingrao & Israel. The Invisible Hand: Economic Equilibrium in the History of
Science (capítulos sobre Walras).

• Arrow & Debreu (1954). “Existence of an Equilibrium for a Competitive

Economy”.

Matrices
Conceptos básicos

• Anton & Rorres, cap. 4–5.

• Lay, cap. 3.

Determinantes y propiedades

• Strang, cap. 5.

• Axler, S. Linear Algebra Done Right, sección sobre determinantes (enfoque

conceptual).

Aplicaciones históricas y computacionales

• Higham, N. Accuracy and Stability of Numerical Algorithms (capítulos

introductorios).

• Artículos sobre el modelo input–output soviético y métodos iterativos

(Kornai, Nove).

50
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

Conexión con ciencia de datos

• Jolliffe, I. Principal Component Analysis, introducción.

• Bishop, C. Pattern Recognition and Machine Learning, cap. 12 (SVD).

Espacios vectoriales, subespacios, bases y dimensión

Fundamentos

• Axler, S. Linear Algebra Done Right, cap. 1–2.

• Lay, cap. 4–5.

Interpretación geométrica

• Strang, cap. 2.

• Videos de 3Blue1Brown: Essence of Linear Algebra (capítulos sobre

espacios vectoriales).

Aplicaciones

• Shapiro, A. Vector Spaces in Data Science (artículos introductorios).

• Goodfellow, Bengio & Courville. Deep Learning, cap. 2 (representación

vectorial).

Transformaciones lineales, autovalores y diagonalización

Conceptos fundamentales

• Lay, cap. 5–7.

• Strang, cap. 6–7.

Interpretación geométrica y espectral

• Blue & Brown: Eigenvectors and Eigenvalues (serie completa).

• Axler, cap. 3–5.

Aplicaciones

• Jolliffe, PCA, cap. 2–3.

• Trefethen & Bau. Numerical Linear Algebra, cap. 1–3.

• Artículos sobre cadenas de Markov, dinámica lineal y estabilidad.

Economía y sistemas dinámicos

• Stokey & Lucas. Recursive Methods in Economic Dynamics, cap. 2.

51
 Especialización en matemática orientada a la resolución de problemas
Notas de Algebra Lineal y Aplicaciones

• Acemoglu. Introduction to Modern Economic Growth, apéndice

matemático.

52