0. ¿Por qué el Álgebra Lineal decide tu capacidad como ingeniero?

En palabras de Gilbert Strang (MIT 18.06): «El Álgebra Lineal es el idioma en el que está escrita la mayor parte de la ciencia aplicada del siglo XXI.» Todo sistema de ecuaciones diferenciales parciales discretizado se convierte en un sistema lineal $A\mathbf{x}=\mathbf{b}$. Todo proceso de compresión de imágenes (JPEG, MP3) usa la descomposición espectral. Todo algoritmo de recomendación factoriza una matriz. La asignatura que parece la más abstracta es, en la práctica, la más usada.

Esta guía pilar conecta seis áreas temáticas interconectadas: espacios vectoriales, transformaciones lineales, diagonalización, espacio euclídeo, cómputo con Python y el sistema de preguntas frecuentes de alta conversión. Cada sección enlaza de forma orgánica con los artículos satélite que la desarrollan en profundidad.

0.1 Índice interactivo del temario de Álgebra Lineal

0.2 Mapa conceptual de Álgebra Lineal

1. Espacios Vectoriales, Subespacios y Geometría Estructural

El Álgebra Lineal arranca con la pregunta más fundamental: ¿qué tienen en común los vectores geométricos de $\mathbb{R}^3$, los polinomios de grado $\leq 2$ y las matrices $2\times 2$? Todos son espacios vectoriales: estructuras algebraicas donde la suma y la multiplicación por escalares cumplen las mismas reglas. Esta abstracción permite desarrollar toda la teoría una sola vez y aplicarla después a docenas de objetos matemáticos distintos.

1.1 Los 10 axiomas de un espacio vectorial

1.2 Subespacios: verificación práctica y trampa de examen

Un subconjunto $W$ de un espacio vectorial $V$ es un subespacio vectorial si y sólo si satisface las tres condiciones de cierre. En la práctica, la verificación se reduce a tres preguntas concretas que, según David C. Lay (§4.1), concentran el 80% de los ejercicios de examen sobre subespacios.

1.3 Bases, Dimensión y Cambio de Base

Una base de $V$ es un conjunto de vectores linealmente independientes que genera todo $V$. La dimensión $\dim(V)$ es el número de vectores en cualquier base —resultado que el Teorema de la Base garantiza que es único. El Teorema de la Base Incompleta permite extender cualquier sistema libre a una base completa de $V$, herramienta indispensable para construir cambios de base entre representaciones distintas del mismo endomorfismo.

1.4 Dependencia e Independencia Lineal — Combinaciones Lineales

Un conjunto $\{\mathbf{v}_1,\ldots,\mathbf{v}_k\}$ es linealmente independiente si la única combinación lineal que da el vector nulo es la trivial: $\alpha_1\mathbf{v}_1+\cdots+\alpha_k\mathbf{v}_k=\mathbf{0}$ implica $\alpha_i=0\ \forall i$. La herramienta práctica para decidirlo es reducir la matriz formada por los vectores a forma escalonada reducida (RREF). El número de pivotes da el rango; las columnas sin pivote corresponden a vectores dependientes. Consulta el desarrollo completo en el artículo de dependencia e independencia lineal: sistemas libres y ligados.

import numpy as np

# ═══════════════════════════════════════════════════════════
# Álgebra Lineal — FísicaIngeniería
# Verificar independencia lineal y calcular base de un subespacio
# ═══════════════════════════════════════════════════════════

# Vectores como columnas de la matriz
v1 = [1, 2, 0, -1]
v2 = [3, 1, 2,  0]
v3 = [5, 5, 2, -2]   # v3 = v1 + v2 * 4/3 ... ¿depende?

A = np.array([v1, v2, v3], dtype=float).T  # columnas = vectores

# Rango de la matriz → nº de vectores linealmente independientes
rango = np.linalg.matrix_rank(A)
print(f"Rango = {rango} de {A.shape[1]} vectores")
print(f"Son linealmente {'independientes' if rango == A.shape[1] else 'DEPENDIENTES'}")

# Forma escalonada reducida con scipy
from scipy.linalg import lu
_, _, U = lu(A)
print("\nForma escalonada (U de la descomposición LU):")
print(np.round(U, 4))

# Espacio nulo (vectores de dependencia)
null_space = np.linalg.svd(A)[2][-1]  # último vector singular derecho
print(f"\nVector de dependencia (nulo): {np.round(null_space, 4)}")

2. Transformaciones Lineales y Matrices Asociadas

Las transformaciones lineales son los morfismos de la categoría de espacios vectoriales: las funciones que respetan la estructura algebraica. Rotaciones, reflexiones, proyecciones y derivadas formales son todas transformaciones lineales. La teoría central de Álgebra Lineal —la que justifica el estudio de matrices— es que cada transformación lineal entre espacios finito-dimensionales tiene una representación matricial que depende de la elección de bases, y que cambiar de base transforma la matriz por semejanza.

2.1 Teorema del Rango-Nulidad

2.2 Núcleo e Imagen de una aplicación lineal

El núcleo (kernel) $\operatorname{Ker}(f) = \{\mathbf{v}\in V : f(\mathbf{v})=\mathbf{0}\}$ es el subespacio de $V$ que $f$ colapsa al vector nulo. La imagen $\operatorname{Im}(f) = \{f(\mathbf{v}) : \mathbf{v}\in V\}$ es el subespacio de $W$ que $f$ puede alcanzar. El desarrollo completo de núcleo e imagen, con su interpretación geométrica en $\mathbb{R}^2$ y $\mathbb{R}^3$, es la clave para entender cuándo un sistema lineal $A\mathbf{x}=\mathbf{b}$ tiene solución única, infinitas soluciones o ninguna solución.

2.3 Matriz Asociada y Cambio de Base

La matriz asociada a una aplicación lineal $f:V\to W$ en las bases $\mathcal{B}$ de $V$ y $\mathcal{B}’$ de $W$ se construye aplicando $f$ a cada vector de $\mathcal{B}$ y expresando el resultado en coordenadas de $\mathcal{B}’$: la $j$-ésima columna de $[f]_{\mathcal{B}}^{\mathcal{B}’}$ es $[f(\mathbf{b}_j)]_{\mathcal{B}’}$.

import numpy as np

# ═══════════════════════════════════════════════════════════
# Álgebra Lineal — FísicaIngeniería
# Matriz asociada, rango, nulidad y espacio nulo
# ═══════════════════════════════════════════════════════════

# Definir la transformación lineal f: R^4 → R^3
# por su matriz en las bases estándar
A = np.array([
    [1,  3,  5,  2],
    [0,  1,  2,  1],
    [2,  4,  8,  3]
], dtype=float)

rango   = np.linalg.matrix_rank(A)
nulidad = A.shape[1] - rango
print(f"Dimensiones: {A.shape[0]} filas × {A.shape[1]} columnas")
print(f"Rango    = {rango}")
print(f"Nulidad  = {nulidad}")
print(f"Verificación Rango-Nulidad: {rango} + {nulidad} = {rango+nulidad} (= n = {A.shape[1]})")

# Espacio nulo (Ker f) vía SVD
_, S, Vt = np.linalg.svd(A)
tol = 1e-10
null_mask = np.abs(S) < tol  # valores singulares nulos
print(f"\nBase del Ker(f) [nulidad={nulidad}]:")
ker_basis = Vt[rango:]       # filas de Vt correspondientes a S≈0
for i, v in enumerate(ker_basis):
    print(f"  v{i+1} = {np.round(v, 4)}")

# Espacio imagen (Im f) vía QR
Q, R = np.linalg.qr(A.T)
print(f"\nBase de Im(f) [rango={rango}]:")
for i in range(rango):
    print(f"  u{i+1} = {np.round(Q[:, i], 4)}")

3. Diagonalización de Endomorfismos y Teoremas Estructurales

La diagonalización es la herramienta más potente del Álgebra Lineal aplicada: permite calcular potencias de matrices en tiempo lineal, resolver sistemas de ecuaciones diferenciales ordinarias acoplados, analizar la estabilidad de sistemas dinámicos y desacoplar modos normales en mecánica de estructuras. Toda esta maquinaria depende de los autovalores y autovectores, que a su vez se obtienen del polinomio característico.

3.1 Autovalores y Autovectores

Un escalar $\lambda\in\mathbb{F}$ es autovalor (eigenvalue) de $f$ si existe un vector no nulo $\mathbf{v}\in V$ tal que $f(\mathbf{v})=\lambda\mathbf{v}$. El vector $\mathbf{v}$ es el autovector (eigenvector) asociado a $\lambda$. Geométricamente, $f$ sólo escala a $\mathbf{v}$ sin rotar su dirección: es la dirección invariante de la transformación.

3.2 Polinomio Característico

3.3 Criterio Práctico de Diagonalización paso a paso

1. Calcula $p(\lambda) = \det(A – \lambda I)$ y factoriza para obtener los autovalores $\lambda_i$.
2. Para cada $\lambda_i$, determina $m_a(\lambda_i)$ (multiplicidad como raíz de $p$).
3. Resuelve $(A-\lambda_i I)\mathbf{v}=\mathbf{0}$ y calcula $m_g(\lambda_i) = \dim\operatorname{Ker}(A-\lambda_i I)$.
4. Si $m_g(\lambda_i)=m_a(\lambda_i)$ para todo $i$ → $A$ es diagonalizable. Construye $P$ con los autovectores como columnas y $D=\operatorname{diag}(\lambda_1,\ldots,\lambda_n)$.
5. Si existe algún $i$ con $m_g < m_a$ → $A$ no es diagonalizable (usa la Forma de Jordan si se requiere una descomposición).

3.4 Teorema de Cayley-Hamilton

El Teorema de Cayley-Hamilton establece que toda matriz cuadrada $A$ satisface su propio polinomio característico: si $p(\lambda)=\det(A-\lambda I)$, entonces $p(A)=\mathbf{0}$. Este resultado, cuya demostración completa requiere la Forma Canónica de Jordan, tiene una aplicación práctica directa en el módulo de Teorema de Cayley-Hamilton y potencias de matrices: permite calcular $A^k$ para $k\geq n$ como combinación lineal de $\{I, A, A^2,\ldots, A^{n-1}\}$, reduciendo el coste computacional de forma drástica.

3.5 Potencia de una Matriz mediante Diagonalización — Sistemas Dinámicos

Si $A = PDP^{-1}$ con $D=\operatorname{diag}(\lambda_1,\ldots,\lambda_n)$, entonces $A^k = PD^kP^{-1}$ y $D^k = \operatorname{diag}(\lambda_1^k,\ldots,\lambda_n^k)$. Esta factorización transforma el cálculo de potencias de matrices —que en general cuesta $O(n^3)$ multiplicaciones por paso— en una operación de $O(n)$ elevaciones a potencia. Su aplicación más inmediata en ingeniería es la resolución de sistemas dinámicos discretos: $\mathbf{x}_{k+1} = A\mathbf{x}_k \Rightarrow \mathbf{x}_k = A^k\mathbf{x}_0 = PD^kP^{-1}\mathbf{x}_0$.

import numpy as np

# ═══════════════════════════════════════════════════════════
# Álgebra Lineal — FísicaIngeniería
# Diagonalización: autovalores, autovectores y potencia de A
# ═══════════════════════════════════════════════════════════

A = np.array([
    [4, 1, 0],
    [2, 3, 0],
    [0, 0, 5]
], dtype=float)

# Autovalores y autovectores
eigenvalues, P = np.linalg.eig(A)
print("Autovalores λᵢ:")
for i, lam in enumerate(eigenvalues):
    print(f"  λ{i+1} = {lam:.4f}")

print("\nMatriz P (columnas = autovectores):")
print(np.round(P, 4))

# Verificar diagonalización: A = P D P^{-1}
D = np.diag(eigenvalues)
A_reconstruida = P @ D @ np.linalg.inv(P)
print(f"\n||A - P·D·P⁻¹|| = {np.linalg.norm(A - A_reconstruida):.2e}  (debe ser ≈ 0)")

# Potencia k mediante diagonalización
k = 10
Dk = np.diag(eigenvalues**k)
Ak_diag  = P @ Dk @ np.linalg.inv(P)
Ak_bruta = np.linalg.matrix_power(A, k)
print(f"\nA^{k} — Error entre ambos métodos: {np.linalg.norm(Ak_diag - Ak_bruta):.2e}")
print(f"A^{k}[0,0] = {np.real(Ak_diag[0,0]):.2f}")

# Polinomio característico
coeffs = np.poly(A)  # coeficientes de det(λI - A)
print(f"\nPolinomio característico: {np.round(coeffs, 4)}")

# Cayley-Hamilton: p(A) ≈ 0
p_A = sum(coeffs[i] * np.linalg.matrix_power(A, len(coeffs)-1-i)
          for i in range(len(coeffs)))
print(f"||p(A)|| = {np.linalg.norm(p_A):.2e}  (Cayley-Hamilton verificado)")

4. Espacio Euclídeo, Ortogonalidad y Formas Cuadráticas

4.1 Producto Escalar y Norma

4.2 Proceso de Gram-Schmidt — Paso a Paso

Dado un conjunto de vectores linealmente independientes $\{\mathbf{v}_1,\ldots,\mathbf{v}_k\}$, el proceso de Gram-Schmidt construye de forma iterativa una base ortonormal $\{\mathbf{e}_1,\ldots,\mathbf{e}_k\}$ del mismo subespacio:

4.3 Proyección Ortogonal y Mínimos Cuadrados

La proyección ortogonal de un vector $\mathbf{b}$ sobre un subespacio $W$ es el vector $\hat{\mathbf{b}}\in W$ más cercano a $\mathbf{b}$ en la norma euclídea. Si $W=\operatorname{col}(A)$, la proyección satisface las ecuaciones normales: $A^TA\hat{\mathbf{x}} = A^T\mathbf{b}$.

4.4 Formas Cuadráticas y Criterio de Sylvester

Una forma cuadrática sobre $\mathbb{R}^n$ es $Q(\mathbf{x}) = \mathbf{x}^TA\mathbf{x}$ con $A$ simétrica. La clasificación del signo de $Q$ determina la geometría de las curvas de nivel (elipsoides, hiperboloides, paraboloides) y la naturaleza de los puntos críticos en optimización. El desarrollo completo de las formas cuadráticas y el criterio de Sylvester incluye la reducción a la forma canónica mediante la diagonalización ortogonal de $A$.

import numpy as np

# ═══════════════════════════════════════════════════════════
# Álgebra Lineal — FísicaIngeniería
# Gram-Schmidt, proyección ortogonal y mínimos cuadrados
# ═══════════════════════════════════════════════════════════

def gram_schmidt(V):
    """Ortogonalización de Gram-Schmidt.
       V: columnas = vectores a ortonormalizar.
       Devuelve Q ortonormal con las mismas columnas."""
    Q = np.zeros_like(V, dtype=float)
    for j in range(V.shape[1]):
        u = V[:, j].copy()
        for i in range(j):
            u -= np.dot(Q[:, i], V[:, j]) * Q[:, i]
        norm = np.linalg.norm(u)
        if norm > 1e-12:
            Q[:, j] = u / norm
    return Q

# Vectores a ortonormalizar
V = np.array([[1, 1, 0],
              [1, 0, 1],
              [0, 1, 1]], dtype=float)

Q = gram_schmidt(V)
print("Base ortonormal Q (columnas):")
print(np.round(Q, 4))
print(f"\nVerificación QᵀQ = I: ||QᵀQ - I|| = {np.linalg.norm(Q.T @ Q - np.eye(3)):.2e}")

# ─────────────────────────────────────────────
# Mínimos cuadrados: Ax ≈ b
A = np.array([[1, 1],
              [1, 2],
              [1, 3],
              [1, 4]], dtype=float)
b = np.array([1.1, 2.0, 2.9, 4.1])

# Solución vía ecuaciones normales
x_hat = np.linalg.solve(A.T @ A, A.T @ b)
print(f"\nMínimos cuadrados x̂ = {np.round(x_hat, 4)}")

# Proyección y residuo
b_hat = A @ x_hat
e     = b - b_hat
print(f"Residuo ||e|| = {np.linalg.norm(e):.6f}")
print(f"Verificación e ⊥ col(A): ||Aᵀe|| = {np.linalg.norm(A.T @ e):.2e}")

# Clasificar forma cuadrática Q(x) = xᵀBx
B = np.array([[4, 2],
              [2, 3]], dtype=float)
eigenvalues_B = np.linalg.eigvalsh(B)
print(f"\nAutovalores de B: {np.round(eigenvalues_B, 4)}")
if np.all(eigenvalues_B > 0):
    print("Forma cuadrática: DEFINIDA POSITIVA")
elif np.all(eigenvalues_B < 0):
    print("Forma cuadrática: DEFINIDA NEGATIVA")
else:
    print("Forma cuadrática: INDEFINIDA")

5. Computación Científica: Álgebra Lineal con Python (NumPy)

La computación numérica de Álgebra Lineal con Python no sustituye la comprensión teórica, pero actúa como verificador instantáneo de cálculos a mano, visualizador de conceptos abstractos y herramienta de producción para problemas de gran escala. La API de numpy.linalg cubre el 95% de las necesidades de un ingeniero; para matrices dispersas o problemas de gran escala se usa scipy.sparse.linalg.

import numpy as np

# ═══════════════════════════════════════════════════════════
# Álgebra Lineal — FísicaIngeniería
# Las cuatro grandes factorizaciones con numpy.linalg
# ═══════════════════════════════════════════════════════════

# Matriz de ejemplo (cuadrada, bien condicionada)
A = np.array([
    [ 4,  3,  2,  1],
    [ 3,  4,  3,  2],
    [ 2,  3,  4,  3],
    [ 1,  2,  3,  4]
], dtype=float)

b = np.array([10, 15, 18, 15], dtype=float)

print("═" * 50)
print("1. SISTEMA LINEAL Ax = b")
x = np.linalg.solve(A, b)
print(f"   Solución x = {np.round(x, 4)}")
print(f"   Residuo ||Ax-b|| = {np.linalg.norm(A @ x - b):.2e}")

print("\n" + "═" * 50)
print("2. DESCOMPOSICIÓN ESPECTRAL (Eigendecomposition)")
eigenvalues, eigenvectors = np.linalg.eig(A)
idx = np.argsort(eigenvalues.real)[::-1]
eigenvalues  = eigenvalues[idx]
eigenvectors = eigenvectors[:, idx]
for i, (lam, v) in enumerate(zip(eigenvalues, eigenvectors.T)):
    print(f"   λ{i+1} = {lam.real:.4f} | v{i+1} = {np.round(v.real, 3)}")

print("\n" + "═" * 50)
print("3. FACTORIZACIÓN QR")
Q, R = np.linalg.qr(A)
print(f"   ||QᵀQ - I|| = {np.linalg.norm(Q.T @ Q - np.eye(4)):.2e}")
print(f"   ||A - QR||  = {np.linalg.norm(A - Q @ R):.2e}")

print("\n" + "═" * 50)
print("4. SVD — Descomposición en Valores Singulares")
U, S, Vt = np.linalg.svd(A)
print(f"   Valores singulares σᵢ = {np.round(S, 4)}")
print(f"   Número de condición κ(A) = {S[0]/S[-1]:.2f}")

# Rango numérico
tol   = 1e-10
rango = np.sum(S > tol)
print(f"   Rango = {rango}")

# Pseudoinversa via SVD
A_pinv = np.linalg.pinv(A)
print(f"\n   Pseudoinversa: ||A·A⁺·A - A|| = {np.linalg.norm(A @ A_pinv @ A - A):.2e}")

print("\n" + "═" * 50)
print("5. DETERMINANTE Y TRAZA")
print(f"   det(A) = {np.linalg.det(A):.4f}")
print(f"   tr(A)  = {np.trace(A):.4f}")
print(f"   Verificación: ∏λᵢ = {np.prod(eigenvalues.real):.4f}")
print(f"   Verificación: Σλᵢ = {np.sum(eigenvalues.real):.4f}")

6. Preguntas Frecuentes de Álgebra Lineal

Glosario Completo de Álgebra Lineal

Matriz Invertible

Matriz cuadrada $A$ con $\det(A)\neq 0$. Equivale a: $\operatorname{rang}(A)=n$, $\operatorname{Ker}(A)=\{\mathbf{0}\}$, $A\mathbf{x}=\mathbf{b}$ tiene solución única.

Autovalor (Eigenvalue)

Escalar $\lambda$ con $A\mathbf{v}=\lambda\mathbf{v}$, $\mathbf{v}\neq\mathbf{0}$. Raíz del polinomio característico $\det(A-\lambda I)=0$.

Subespacio Invariante

Subespacio $W\subseteq V$ con $f(W)\subseteq W$: la transformación no saca vectores de $W$. El autoespacio de $\lambda_i$ es el subespacio invariante mínimo.

Vector Ortogonal

$\mathbf{u}\perp\mathbf{v} \Leftrightarrow \langle\mathbf{u},\mathbf{v}\rangle=0$. En $\mathbb{R}^n$ equivale a $\mathbf{u}^T\mathbf{v}=0$.

Rango de una Matriz

$\operatorname{rang}(A) = \dim\operatorname{Im}(A)$. Número de columnas (o filas) linealmente independientes. Igual al número de pivotes en la RREF.

Nulidad

$\operatorname{nul}(A) = \dim\operatorname{Ker}(A)$. Por el Teorema del Rango-Nulidad: $\operatorname{rang}(A) + \operatorname{nul}(A) = n$ (número de columnas).

Forma de Jordan

Descomposición $A=PJP^{-1}$ cuando $A$ no es diagonalizable. $J$ es casi diagonal con bloques de Jordan en la diagonal principal.

Valores Singulares

$\sigma_i = \sqrt{\lambda_i(A^TA)} \geq 0$. La SVD $A=U\Sigma V^T$ siempre existe para cualquier matriz $m\times n$, real o compleja.

Pseudoinversa de Moore-Penrose

$A^+ = V\Sigma^+U^T$. Generaliza la inversa a matrices rectangulares o singulares. Solución de mínimos cuadrados: $\hat{\mathbf{x}} = A^+\mathbf{b}$.

Número de Condición

$\kappa(A) = \sigma_{\max}/\sigma_{\min}$. Mide la sensibilidad de la solución a perturbaciones en los datos. $\kappa\gg 1$ indica mal condicionamiento.

Proyección Ortogonal

$P_W = A(A^TA)^{-1}A^T$ proyecta sobre $\operatorname{col}(A)$. Cumple $P_W^2=P_W$ (idempotente) y $P_W^T=P_W$ (simétrica).

Forma Cuadrática Definida Positiva

$Q(\mathbf{x})=\mathbf{x}^TA\mathbf{x}>0\ \forall\,\mathbf{x}\neq\mathbf{0}$. Equivale a: todos los autovalores $> 0$ o todos los menores de Sylvester $> 0$.

Bibliografía, Recursos y Cierre

Has recorrido las seis áreas principales del temario de Álgebra Lineal para ingeniería: espacios vectoriales con sus 10 axiomas, subespacios y bases; transformaciones lineales con el Teorema del Rango-Nulidad; diagonalización con el polinomio característico y los teoremas de Cayley-Hamilton; el espacio euclídeo con Gram-Schmidt, proyección ortogonal y formas cuadráticas; la computación con NumPy y las cuatro grandes factorizaciones; y el sistema de preguntas frecuentes. El siguiente paso es resolver problemas de Strang o Lay en cada sección y verificar con los scripts de Python incluidos.

Artículos satélite relacionados con Álgebra Lineal

• Espacios Vectoriales
• Independencia Lineal
• Bases y Dimensión
• Aplicaciones Lineales
• Núcleo e Imagen
• Matriz Asociada
• Autovalores y Autovectores
• Diagonalización
• Potencia de Matrices
• Cayley-Hamilton
• Gram-Schmidt
• Mínimos Cuadrados
• Formas Cuadráticas
• Semejanza Ortogonal
• Álgebra Lineal NumPy