Uno de los mayores errores al aprender álgebra lineal es pensar que trata de números, fórmulas y cálculos. Esa es solo la superficie. En realidad, lo que estás aprendiendo es algo mucho más poderoso: cómo interpretar y combinar información.
El lenguaje de las ecuaciones
Para entenderlo, hay que hacer un pequeño cambio de perspectiva. Una ecuación no es una operación. Es una afirmación sobre la realidad. Es una sentencia, \( x+y=10 \), está diciendo: “hay dos cantidades cuya suma es 10”.
Con base en esta afirmación, piensa en una ecuación como una oración que describe al mundo:
- El perro es negro.
- El gato es naranja.
Ambas son sentencias que aportan información y al combinarlas tienes un conjunto de afirmaciones que combinadas te permiten deducir información al igual que un sistema de acuaciones.
Cuando aparece el sistema: combinar información
Imagina que estás resolviendo un problema como si fuera un pequeño caso de investigación. Tienes varias pistas y cada una aporta información parcial. Una pista puede decirte algo genérico, otra puede acotar un poco más, y juntas empiezan a dibujar una imagen más precisa. Eso es exactamente lo que hace un sistema de ecuaciones: combinar piezas de información para reducir la incertidumbre.
Pero no todas las combinaciones de información funcionan igual. Y aquí es donde el álgebra deja de ser mecánica y empieza a ser lógica. Cuando juntas varias sentencias, solo pueden pasar tres cosas:
- Que cada nueva ecuación aporte algo distinto y coherente con lo anterior. En ese caso, el sistema converge hacia una única solución, se denomina sistema no singular. En términos matemáticos, el sistema es completo, consistente y determinado. En términos prácticos, tienes suficiente información bien estructurada.
- Las sentencias no se contradicen, pero tampoco aportan nada nuevo. Es como si alguien repitiera la misma pista con otras palabras; se denomina sistema singular. En matemáticas esto se traduce en ecuaciones dependientes, y el resultado es que no hay una única solución, sino infinitas.
- Las sentencias se contradicen. Una dice una cosa y otra dice lo contrario, se denomina también sistema singular. En ese momento, el sistema deja de tener sentido. Has construido una realidad imposible.
Los tres comportamientos posibles
Sistema completo, no singular
Cada ecuación aporta información nueva. No se repiten, no se contradicen. Se refuerzan. En ese caso, el sistema converge hacia una única solución. Esto significa que has descrito la realidad con suficiente precisión como para identificar un único resultado. Geométricamente, si quieres visualizarlo, es el punto donde las líneas se cruzan.
En un sistema de ecuaciones, por ejemplo, que simula una compra de peras y bananas, donde tenemos que descubrir el precio de cada una. El primer día se compran 1 pera y 1 banana por 10€; el día 2 se compran 1 pera y 2 bananas por 12€.
$$ a + b = 10$$
$$ a + 2b = 12$$
Solución única: \( a = 8, b = 2 \)
Sistema redundante, singular
Aquí ocurre algo más sutil. Las ecuaciones no están mal. No hay contradicción. Pero una no aporta nada nuevo respecto a la otra. En ese caso, el sistema no falla, pero tampoco se define completamente. Tienes infinitas soluciones. No porque el sistema sea incorrecto, sino porque no tienes suficiente información independiente.
En este caso la compra se expresa así:
$$ a + b = 10$$
$$ 2a + 2b = 20$$
Infinitas soluciones, todos los conjuntos de dos números que sumen 10.
Sistema contradictorio, singular
Aquí el sistema se rompe. Una ecuación afirma algo, la otra afirma lo contrario. No existe ningún valor que pueda satisfacer ambas simultáneamente. Y esto no es un problema de cálculo. Es un problema lógico.
En este caso la compra se expresa así:
$$ a + b = 10$$
$$ 2a + 2b = 24$$
No hay soluciones posibles.
Veamos este sistema de sentencias en un pequeño test:
- Entre el perro, el gato y el ave, uno es rojo
- Entre el perro, el gato, uno es naranja
- El perro es negro
Preguntas:
- ¿De qué color es el ave?
- ¿Es un sistema singular o no singular?
Cada sentencia del sistema va descubriendo con la solución de cada sentencia. Ninguna de las sentencias por sí sola permite llegar a la solución. Es la combinación progresiva de información la que va acotando el problema hasta hacerlo determinable.
Desde el punto de vista del álgebra lineal, este sistema es no singular. ¿Por qué? Porque cada sentencia aporta información nueva y no redundante. No hay contradicciones ni repeticiones. El sistema está bien definido y conduce a una única solución posible.
En un dataset real, cada registro funciona como una sentencia. Cada variable añade contexto, y el modelo lo único que hace es combinar esas “afirmaciones” para encontrar patrones. Si las sentencias son coherentes y aportan información distinta, el modelo puede aprender. Si son redundantes, el modelo se vuelve ineficiente. Y si son contradictorias, el modelo simplemente no puede construir una representación fiable de la realidad.
Los sistemas de ecuaciones representados gráficamente
La singularidad solo depende de la matriz de coeficientes:
Las constantes no importan a la hora de determinar la singularidad. Si los lleváramos todos a 0, mantendrían la singularidad.
Ecuaciones dependientes e independientes
La dependencia lineal está relacionada con lo que vimos anteriormente sobre si las ecuaciones aportan información nueva o están repitiendo lo mismo.
Dependencia Lineal
Un conjunto de ecuaciones (o una matriz) es linealmente dependiente si:
- Una de ellas puede obtenerse a partir de las otras mediante multiplicaciones o sumas.
Ejemplo básico:
$$ x + y = 1$$
$$2x + 2y = 2$$
o lo que es lo mismo
$$A = \begin {bmatrix} 1 & 1 \\ 2 & 3 \end{bmatrix}$$
Revela que la segunda ecuación es simplemente: \( 2 \cdot (x + y)\)
- No aporta información nueva
- Es redundante
Conclusión: dependencia lineal
Caso más sutil (nivel siguiente)
No siempre es un múltiplo directo:
$$\text{Fila 2} = \frac{\text{Fila 1} + \text{Fila 3}}{2}$$
- Sigue siendo dependencia lineal
- Porque una fila se construye con otras
Independencia lineal
Un conjunto de ecuaciones (o una matriz) es linealmente independiente si:
- Ninguna ecuación puede construirse a partir de las demás
Ejemplo básico:
$$x + y = 1$$
$$x – y = 3$$
en forma matricial:
$$A = \begin {bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$$
No existe ningún número que permita convertir una ecuación en la otra.
- Cada una aporta información diferente
- Conclusión: independencia lineal
Relación con singularidad
- Dependencia lineal → matriz singular
- Independencia lineal → matriz no singular
En ciencia de datos:
- Dependencia → variables redundantes
- Independencia → variables útiles
El rango: cómo medir la información de un sistema
Hasta ahora has visto algo muy importante: no todas las frases (o ecuaciones) aportan lo mismo. Algunas añaden información nueva y otras simplemente repiten lo que ya sabemos. Pero en matemáticas —y especialmente en machine learning— necesitamos medir esa información de forma precisa. Esa información nos la brinda el rango de una matriz
Recuerda los sistemas de frases que vimos:
- “El perro es negro”
- “El gato es naranja”
Este sistema aporta dos piezas de información independientes.
Sin embargo:
- “El perro es negro”
- “El perro es negro”
Aquí solo hay una pieza de información real.
Y en el caso más extremo, otros sistemas no aportan ninguna información útil para el problema que queremos resolver.
¿Qué es el rango?
El rango traduce exactamente esa idea al lenguaje matemático: El rango de un sistema (o de su matriz) es la cantidad de información independiente que contiene.
- Cuenta cuántas ecuaciones realmente aportan algo nuevo.
- Ignora las que son redundantes o no aportan información útil.
Conexión con sistemas de ecuaciones
| Rango | Qué significa | Soluciones |
|---|---|---|
| Alto | Mucha información | Muy restringidas |
| Medio | Algo de redundancia | Infinitas soluciones |
| Bajo | Poca o ninguna información | Máxima libertad |
Interpretación geométrica (clave en machine learning)
Este concepto no es solo algebraico, también es geométrico:
- Rango máximo → las soluciones se reducen a un punto
- Rango intermedio → las soluciones forman una línea
- Rango bajo → las soluciones ocupan un plano o más dimensiones
Esto es exactamente lo que ocurre cuando entrenas modelos:
- Más información → modelo más definido
- Menos información → más incertidumbre
Cómo se calcula el rango en la práctica
Para calcular el rango no necesitas analizar ecuación por ecuación.
En su lugar, haces lo siguiente:
- Transformas la matriz usando operaciones de fila
- La llevas a una forma más simple (forma escalonada)
- Cuentas cuántas filas siguen siendo útiles
En machine learning, este concepto aparece constantemente:
- Compresión de imágenes
- Reducción de dimensionalidad
- Eliminación de ruido
- Modelos más eficientes
De hecho, muchas técnicas avanzadas se basan en reducir el rango sin perder la información esencial.
El determinante
Otra forma para saber si un sistema es singular es a través del determinante. Un número que se calcula a partir la matriz y que te dice inmediatamente:
- Si es 0 → matriz singular
- Una fila es combinación de otra
- Hay dependencia lineal
- El sistema no tiene solución única
- Si es ≠ 0 → matriz no singular
- Filas independientes
- Solucion unica
Calcular el determinante
Dada una matriz 2×2:
$$\begin{bmatrix} a & b \\ c & d \end{bmatrix}$$
El determinante es: \( ad – bc \).
Matrices mas grandes
El proceso es similar, pero con más diagonales,
$$\begin{bmatrix} a & b & c \\ d & e & f \\ g & h & i \end{bmatrix}$$
Primer diagonal: \( a * e * i \).
Segundo diagonal: \( b * f * g \).
Tercer diagonal: \( c * d * h \).
Luego se realiza la operación de sustracción a la inversa:
$$\begin{bmatrix} a & b & c \\ d & e & f \\ g & h & i \end{bmatrix}$$
$$Det = (a * e * i) + (b * f * g) + (c * d * h)$$
$$- (c * e * g) – (f * h * a) – (b * d * i)$$
Atajo para el de las matrices con ceros debajo de la diagonal.
Cuando una matriz tiene solo ceros debajo de la diagonal central, hace que todos los cálculos de las diagonales restantes sean 0 excepto el de la diagonal principal y el determinante será el resultado de este.
Ejemplo: el resultado del determinante en esta matriz es 6 (1 *2*3).
¿Cómo se ve esto en el mundo de los datos?
| Lenguaje Natural | Álgebra Lineal | Ciencia de Datos |
|---|---|---|
| Sentencia | Ecuación (Fila) | Registro / Observación |
| Sujetos | Variables | Características (Features) |
| Consistencia | Determinante | Datos limpios y útiles |
| Redundancia | Dependencia Lineal | Multicolinealidad (Ruido) |
Y cuando operas con matrices, lo que estás haciendo en realidad es manipular información estructurada. Si programas un modelo de Machine Learning sin entender esto, tendrás problemas:
- Datos Redundantes: Si le das a tu modelo el “Salario Mensual” y el “Salario Anual”, no está aprendiendo más. Estás desperdiciando potencia de cómputo en información repetida (Multicolinealidad).
- Datos Contradictorios: Si en tu base de datos el mismo cliente aparece con 20 años y con 70 años en la misma compra, el modelo se confunde y falla.
- El Rango de la Matriz: En álgebra, el “Rango” es simplemente el número de pistas reales y únicas que tienes. Si tienes 100 ecuaciones pero el rango es 2, en realidad solo tienes 2 pistas útiles y 98 ecos.