El álgebra lineal es la rama de las matemáticas que estudia los vectores y las transformaciones lineales que actúan sobre ellos. A diferencia del cálculo, que se centra en el cambio continuo, esta disciplina analiza estructuras discretas y relaciones proporcionales, proporcionando el lenguaje necesario para describir sistemas de ecuaciones, geometrías multidimensionales y datos complejos.
Su importancia radica en su capacidad para simplificar problemas complejos mediante la abstracción. Desde la física cuántica hasta el aprendizaje automático, el álgebra lineal ofrece las herramientas para representar y manipular información en múltiples dimensiones simultáneamente.
Definición y concepto
El álgebra lineal es una rama de las matemáticas que estudia los vectores y las transformaciones lineales. Sus objetos fundamentales son los espacios vectoriales y las matrices. Esta disciplina proporciona el lenguaje matemático para describir relaciones lineales entre cantidades. La linealidad implica que el resultado de combinar entradas es la misma combinación de los resultados individuales. Esta propiedad simplifica el análisis de sistemas complejos en física, ingeniería y ciencias de la computación.
La definición formal se centra en dos conceptos básicos: el vector y el escalar. Un escalar es una cantidad que se define por un solo valor numérico. La temperatura o la masa son ejemplos de escalares. Un vector, en cambio, requiere múltiples componentes para su descripción completa. La posición en un plano necesita dos coordenadas. La velocidad en el espacio requiere tres componentes. Los vectores poseen magnitud y dirección.
Enfoques geométrico y algebraico
El álgebra lineal se entiende mejor a través de dos perspectivas complementarias. El enfoque geométrico visualiza los vectores como flechas en el espacio. Esta visión es intuitiva para estudiantes de física y geometría. Las flechas se suman colocándolas una tras otra. Se multiplican por escalares cambiando su longitud. El enfoque algebraico es más abstracto. Trabaja con espacios vectoriales definidos por axiomas. Los vectores son elementos de un conjunto cerrado bajo suma y multiplicación por escalares. Esta abstracción permite generalizar conceptos más allá de la geometría euclidiana clásica.
La conexión entre ambos enfoques es fundamental. Una matriz puede verse como una colección de vectores columna. También puede interpretarse como una transformación que mueve el espacio. Multiplicar una matriz por un vector aplica esa transformación. Esta dualidad es poderosa. Permite traducir problemas geométricos en cálculos numéricos y viceversa. Los sistemas de ecuaciones lineales son el puente natural entre ambas vistas.
Dato curioso: El término "vector" proviene del latín vector, que significa "el que lleva" o "portador". Esta etimología refleja su función de transportar magnitudes a través del espacio.
Los espacios vectoriales son la estructura central. Deben cumplir propiedades específicas. La suma de dos vectores debe ser conmutativa y asociativa. Debe existir un vector nulo que actúe como identidad. Cada vector debe tener un inverso aditivo. La multiplicación por escalares debe distribuirse sobre la suma de vectores. Estas reglas parecen simples pero tienen consecuencias profundas. Permiten definir conceptos como dimensión y base. La dimensión indica cuántos vectores independientes se necesitan para generar todo el espacio.
Las matrices son tablas numéricas que representan transformaciones lineales. Cada fila y columna tiene un significado específico. La multiplicación de matrices corresponde a la composición de transformaciones. Si una matriz rota un espacio y otra lo escala, su producto aplica ambas operaciones. El orden importa. En general, multiplicar A por B no da lo mismo que multiplicar B por A. Esta propiedad se llama no conmutatividad. Es crucial en mecánica cuántica y gráficos por computadora.
El estudio del álgebra lineal no se limita a cálculos. Busca entender la estructura subyacente de los datos. Los vectores pueden representar imágenes, sonidos o estados de un sistema físico. Las transformaciones lineales describen cómo cambian estos estados. Comprender esta relación permite predecir comportamientos y optimizar procesos. La disciplina es esencial para el análisis de datos modernos. Los algoritmos de aprendizaje automático dependen fuertemente de conceptos como productos punto y proyecciones. Estos conceptos miden similitudes entre vectores de datos.
La precisión en las definiciones evita errores comunes. No todos los conjuntos son espacios vectoriales. Deben cumplir todas las axiomas. Un conjunto puede parecer vectorial pero fallar en la cerradura bajo multiplicación escalar. Identificar estas sutilezas requiere práctica. Los ejercicios de demostración ayudan a internalizar las propiedades. La intuición geométrica guía el razonamiento algebraico. Juntas, forman una base sólida para avanzar en análisis funcional y geometría diferencial.
¿Qué son los espacios vectoriales?
Un espacio vectorial es la estructura algebraica fundamental que permite generalizar el concepto de "dirección" y "magnitud" más allá de la geometría clásica. En esencia, es un conjunto de elementos llamados vectores que pueden sumarse entre sí y multiplicarse por números llamados escalares, siguiendo un conjunto estricto de reglas llamadas axiomas. Esta abstracción es lo que permite tratar una función, una matriz o un polinomio con la misma lógica que un flecha en el plano.
Operaciones y axiomas fundamentales
Para que un conjunto sea considerado un espacio vectorial, debe estar equipado con dos operaciones bien definidas. La primera es la suma de vectores: si tienes dos vectores u y v, su suma u + v debe ser otro vector dentro del mismo espacio. La segunda es la multiplicación por un escalar: si tomas un número real c (el escalar) y lo multiplicas por un vector v, el resultado cv también debe pertenecer al espacio.
Estas operaciones no son arbitrarias; deben satisfacer propiedades específicas. La suma debe ser conmutativa (u + v = v + u) y asociativa. Debe existir un vector nulo que, al sumarse a cualquier otro, lo deja inalterado. Asimismo, la multiplicación por escalar debe distribuirse sobre la suma de vectores y sobre la suma de escalares. Estas reglas garantizan que el comportamiento geométrico intuitivo se mantenga coherente al trabajar con estructuras más complejas.
Dato curioso: Aunque pensamos en los vectores como flechas en el espacio, matemáticamente pueden ser casi cualquier cosa. Una secuencia infinita de números o incluso una función continua pueden comportarse como vectores si cumplen estas reglas. La flexibilidad del concepto es su mayor fortaleza.
Ejemplos concretos de espacios vectoriales
El ejemplo más intuitivo es el plano cartesiano, denotado como R2. Aquí, cada vector es una pareja de números reales (x,y). Puedes sumar dos parejas componente a componente y multiplicar cada componente por un número. El resultado sigue siendo una pareja de números reales, por lo que cumple con la definición.
De manera similar, el espacio tridimensional R3 consiste en ternas (x,y,z). La lógica es idéntica: la suma y el producto por escalar operan sobre cada coordenada individualmente. Estos espacios son la base de la geometría analítica y la física clásica.
Los espacios de funciones ofrecen una perspectiva más abstracta pero igualmente válida. Considera el conjunto de todas las funciones continuas de una variable real, denotado a menudo como C(R). Si sumas dos funciones continuas, el resultado es otra función continua. Si multiplicas una función continua por un número real, el resultado sigue siendo continuo. Por lo tanto, las funciones se comportan como vectores. Esto permite aplicar herramientas del álgebra lineal, como la independencia lineal, para analizar señales en ingeniería o soluciones de ecuaciones diferenciales en física.
Comprender estos ejemplos ayuda a ver que el álgebra lineal no estudia solo "flechas", sino cualquier entidad que pueda combinarse linealmente. Esta visión unificada es lo que hace poderosa a la rama matemática.
Historia del álgebra lineal
El álgebra lineal no nació como una entidad unificada, sino que emergió de la necesidad práctica de resolver sistemas de ecuaciones. Los orígenes se remontan a la antigüedad, pero fue durante el siglo XVII cuando el enfoque comenzó a cristalizar. Gottfried Wilhelm Leibniz fue uno de los primeros en abordar el problema de manera sistemática, utilizando notación para representar las incógnitas y coeficientes de manera más abstracta que sus predecesores.
De las ecuaciones a las matrices
En el siglo XVIII, Gabriel Cramer desarrolló un método para resolver sistemas de ecuaciones lineales utilizando determinantes. Este enfoque, conocido hoy como regla de Cramer, permitió expresar la solución de cada incógnita como una fracción de determinantes. Sin embargo, los determinantes eran vistos inicialmente como herramientas auxiliares más que como objetos de estudio en sí mismos.
Dato curioso: Aunque Cramer publicó su regla en 1750, el matemático alemán Carl Friedrich Gauss ya utilizaba un método similar de eliminación en 1750, aunque no lo publicó hasta mucho después. La disputa por el "descubrimiento" es un ejemplo clásico de cómo la matemática evoluciona con solapamientos temporales.
Carl Friedrich Gauss refinó estos métodos con lo que ahora llamamos eliminación gaussiana. Su contribución fue crucial porque demostró que los sistemas de ecuaciones podían simplificarse mediante operaciones elementales sobre las filas de coeficientes. Esto sentó las bases para tratar los coeficientes como una estructura organizada: la matriz.
La abstracción de Grassmann y Cayley
El salto cualitativo ocurrió en el siglo XIX cuando los matemáticos comenzaron a ver los vectores y las matrices como entidades independientes de las ecuaciones que resolvían. Hermann Grassmann introdujo el concepto de espacio vectorial en su obra "Die lineale Ausdehnungslehre" (Teoría de la extensión lineal). Grassmann definió operaciones como la suma de vectores y el producto escalar, creando un marco geométrico y algebraico unificado.
Simultáneamente, Arthur Cayley formalizó el cálculo matricial. Cayley definió la multiplicación de matrices de manera que reflejara la composición de transformaciones lineales. Su definición estableció que el producto de dos matrices A y B resulta en una tercera matriz C, donde cada elemento es el producto punto de una fila de A y una columna de B.
Esta abstracción permitió que el álgebra lineal se desprendiera de la geometría clásica y la física aplicada, convirtiéndose en una rama autónoma de las matemáticas. Los espacios vectoriales y las transformaciones lineales se convirtieron en los pilares fundamentales, permitiendo el análisis de estructuras de datos complejas en campos tan diversos como la mecánica cuántica y la inteligencia artificial.
¿Cuáles son los pilares fundamentales del álgebra lineal?
El álgebra lineal se sustenta en una estructura lógica que permite pasar de la intuición geométrica al cálculo preciso. No se trata solo de matrices apiladas, sino de cómo los objetos matemáticos se organizan y se transforman entre sí. Comprender sus pilares fundamentales es esencial para dominar cualquier aplicación avanzada, desde la mecánica cuántica hasta el aprendizaje automático en 2026.
Espacios y bases: el andamio estructural
Todo comienza con el concepto de espacio vectorial, que actúa como el escenario donde ocurren las acciones. Una base es un conjunto mínimo de vectores necesarios para generar todo ese espacio mediante combinaciones lineales. Piensa en una base como un sistema de coordenadas fundamental. En el plano bidimensional, los vectores unitarios del eje X y del eje Y forman una base clásica. Cualquier punto en ese plano puede alcanzarse sumando múltiplos de estos dos vectores.
Sabías que: La elección de la base es a menudo arbitraria. Cambiar la base no altera la esencia del espacio, pero sí cambia las coordenadas numéricas de los vectores, lo que es crucial en la diagonalización de matrices.
La dimensión de un espacio vectorial es simplemente el número de vectores que contiene cualquier base de ese espacio. Este número representa los grados de libertad del sistema. En un espacio tridimensional, necesitas tres valores independientes para ubicar un punto. La dimensión es un invariante: no importa qué base elijas, la cantidad de vectores base siempre será la misma para un espacio dado.
Transformaciones lineales: rango, núcleo e imagen
Las transformaciones lineales son funciones que mapean un espacio vectorial a otro, preservando la estructura de suma y multiplicación por escalares. Al analizar estas transformaciones, dos conceptos son críticos: el rango y el núcleo. El rango mide la "fuerza" de la transformación, es decir, la dimensión del espacio de salida que realmente se alcanza. Si una transformación proyecta un cubo tridimensional sobre un plano, el rango será dos.
El núcleo, también llamado espacio nulo, contiene todos los vectores del espacio de entrada que la transformación convierte en el vector cero. Intuitivamente, son los elementos que la transformación "aplasta" o ignora por completo. Si el núcleo contiene solo el vector cero, la transformación es inyectiva, lo que significa que no hay pérdida de información en el mapeo.
La imagen es el conjunto de todos los vectores resultado de aplicar la transformación. Mientras que el rango es un número (la dimensión de la imagen), la imagen es el conjunto geométrico en sí. La relación entre estos conceptos se resume en el teorema de la dimensión, que conecta el tamaño del espacio de entrada con el rango y el tamaño del núcleo.
Estos conceptos no son aislados. La dimensión del espacio de entrada es igual a la suma del rango y la dimensión del núcleo. Esta ecuación simple revela cuánto de la información original se conserva y cuánto se pierde durante la transformación. La consecuencia es directa: entender estos pilares permite predecir el comportamiento de sistemas complejos con precisión matemática.
Transformaciones lineales y matrices
Las transformaciones lineales constituyen el motor dinámico del álgebra lineal. Mientras que los espacios vectoriales proporcionan el escenario estático donde viven los vectores, las transformaciones lineales describen cómo estos vectores se mueven, giran o escalan dentro de ese espacio. Una transformación lineal es una función que mapea un espacio vectorial en otro (o en sí mismo) preservando la estructura algebraica fundamental. Esto significa que la suma de dos vectores transformados es igual a la transformación de la suma de los vectores originales, y que multiplicar un vector por un escalar antes o después de la transformación produce el mismo resultado.
Esta propiedad de preservación permite una representación increíblemente eficiente. Cualquier transformación lineal entre espacios vectoriales de dimensión finita puede describirse completamente mediante una matriz. La matriz actúa como un código de traducción: al multiplicar la matriz por un vector columna, obtenemos el vector transformado. Esta relación no es arbitraria; cada columna de la matriz representa exactamente dónde termina la imagen de cada vector base del espacio original. Si conoces dónde van los vectores base, conoces la transformación entera.
Representación matricial
La conexión entre transformaciones y matrices se hace visible al observar cómo se comportan los vectores base. Supongamos una transformación T que mapea un espacio de dimensión n a otro de dimensión m. Para construir la matriz asociada, aplicamos T a cada vector base del espacio de partida. Los resultados son nuevos vectores en el espacio de llegada. Si escribimos estos resultados como columnas, formamos una matriz de tamaño m por n.
Esta matriz contiene toda la información necesaria para calcular la imagen de cualquier vector en el espacio. No importa qué vector elijas; al multiplicar la matriz por ese vector (visto como una columna), obtendrás su imagen bajo la transformación. Este proceso convierte operaciones geométricas complejas en aritmética de tablas de números.
Dato curioso: La palabra "matriz" proviene del latín matrix, que significa "vientre" o "fuente". Es apropiado, ya que la matriz es la fuente que genera las imágenes de los vectores bajo la transformación.
Composición y producto de matrices
Cuando aplicamos dos transformaciones lineales consecutivas, obtenemos una nueva transformación compuesta. Si primero aplicamos la transformación A y luego la transformación B, el resultado es la composición B después de A. En el lenguaje matricial, esta composición se traduce directamente al producto de matrices.
El producto de dos matrices no es simplemente la multiplicación elemento por elemento. Es una operación estructurada que refleja cómo las transformaciones se encadenan. Si tenemos una matriz M_A que representa la primera transformación y una matriz M_B que representa la segunda, la matriz que representa la transformación compuesta es el producto M_B por M_A. El orden importa: generalmente, aplicar A y luego B no da el mismo resultado que aplicar B y luego A.
Esta propiedad no conmutativa del producto matricial refleja una realidad geométrica fundamental. Girar un objeto 90 grados y luego escalarlo produce un resultado diferente a escalarlo primero y luego girarlo. El álgebra lineal captura esta distinción mediante la estructura del producto de matrices, donde cada entrada del resultado es un producto punto entre una fila de la primera matriz y una columna de la segunda.
La consecuencia es directa: el producto de matrices es la herramienta algebraica que permite descomponer transformaciones complejas en secuencias de operaciones más simples. Esta capacidad de descomposición es lo que hace posible resolver sistemas de ecuaciones, analizar datos en múltiples dimensiones y modelar fenómenos físicos con precisión.
¿Cómo se aplica el álgebra lineal en la ciencia?
El álgebra lineal trasciende la abstracción matemática para convertirse en el lenguaje estructural de la ciencia moderna. Su capacidad para describir relaciones proporcionales entre magnitudes permite modelar sistemas complejos con precisión. Esta herramienta no solo organiza datos, sino que revela patrones ocultos en fenómenos físicos, económicos y computacionales.
Modelado de fuerzas y movimiento
En física mecánica, las fuerzas actúan como vectores que poseen magnitud y dirección. La superposición de múltiples fuerzas sobre un cuerpo rígido se resuelve mediante la suma vectorial. Esto permite determinar la fuerza neta resultante sin necesidad de mediciones experimentales directas en cada instante. El cálculo de momentos de inercia también depende de matrices que describen cómo se distribuye la masa alrededor de un eje de rotación. La consecuencia es directa: sin estas herramientas, predecir la trayectoria de un proyectil o la estabilidad de un puente sería significativamente más complejo.
Representación visual digital
Los gráficos por computadora dependen enteramente de transformaciones lineales para proyectar mundos tridimensionales en pantallas bidimensionales. Cada vértice de un modelo 3D se representa como un vector columna. Al multiplicar estos vectores por matrices de transformación, se logran efectos como rotación, escalado y traslación. Por ejemplo, al girar un personaje en un videojuego, el procesador aplica una matriz de rotación específica a cada uno de sus puntos constitutivos. Esta eficiencia computacional permite la actualización de imágenes a altas tasas de refresco.
Análisis de datos y aprendizaje automático
En el campo del machine learning, los datos se organizan en espacios de alta dimensión. Las operaciones fundamentales, como el producto punto y las proyecciones, permiten medir la similitud entre conjuntos de datos o reducir su complejidad. Los algoritmos utilizan descomposiciones matriciales para extraer características esenciales de grandes volúmenes de información. Esto facilita tareas como el reconocimiento de patrones en imágenes o la predicción de tendencias en series temporales.
Sabías que: La eficiencia de los algoritmos de aprendizaje profundo depende críticamente de la multiplicación de matrices, operación que los procesadores gráficos (GPU) ejecutan paralelamente para acelerar los cálculos.
Interdependencia económica
El modelo de input-output de Leontief aplica el álgebra lineal para analizar la interdependencia entre diferentes sectores de una economía. Cada sector produce bienes que otros sectores consumen como insumos. Este sistema se representa mediante una matriz de coeficientes técnicos que relaciona la producción total con la demanda final. Los economistas resuelven sistemas de ecuaciones lineales para predecir cómo un cambio en la demanda de un producto afecta a toda la cadena de suministro.
| Campo de aplicación | Objeto de estudio | Herramienta algebraica principal |
|---|---|---|
| Física Mecánica | Fuerzas y movimientos | Suma de vectores y matrices de inercia |
| Gráficos por Computadora | Vértices y cámaras | Matrices de transformación (rotación, traslación) |
| Machine Learning | Conjuntos de datos | Producto punto y descomposición matricial |
| Economía | Sectores productivos | Sistemas de ecuaciones lineales (Modelo de Leontief) |
Estas aplicaciones demuestran que el álgebra lineal es más que una colección de definiciones. Es un marco unificador que conecta disciplinas aparentemente dispares a través de la estructura subyacente de los espacios vectoriales. La capacidad de traducir problemas del mundo real a este lenguaje permite soluciones más eficientes y generalizables.
Ejercicios resueltos
La teoría del álgebra lineal cobra sentido práctico cuando se aplica a problemas concretos. Los ejercicios siguientes ilustran cómo se verifican las propiedades fundamentales de los espacios vectoriales, cómo se calculan imágenes mediante matrices y cómo se determina la independencia lineal. Cada caso sigue un procedimiento estándar que permite comprobar los resultados paso a paso.
Verificación de un espacio vectorial
Se analiza si el conjunto de pares ordenados de números reales, equipado con una suma y un producto por escalar definidos de manera específica, cumple con los axiomas requeridos. Sea V el conjunto de todos los pares (x, y) donde x e y pertenecen a los números reales. La suma se define como la suma componente a componente, y el producto por un escalar c se define como multiplicar cada componente por c.
Para que V sea un espacio vectorial sobre los reales, debe cerrarse bajo la suma y el producto por escalar. Si se toman dos elementos cualesquiera del conjunto, su suma sigue siendo un par de números reales, por lo que la cerradura bajo la suma se cumple. De manera similar, al multiplicar un par de números reales por un escalar real, el resultado es otro par de números reales. Esto confirma la cerradura bajo el producto por escalar.
La consecuencia es directa: si se verifican los ocho axiomas restantes, como la asociatividad, la existencia del vector nulo y la existencia del vector opuesto, se concluye que el conjunto es efectivamente un espacio vectorial. En este caso estándar, todos los axiomas se satisfacen porque las operaciones heredan las propiedades de los números reales.
Imagen de un vector bajo una transformación lineal
Se calcula la imagen de un vector específico cuando se aplica una transformación lineal representada por una matriz. Sea la matriz A definida como una matriz de dos por dos con entradas uno en la diagonal principal y cero en las posiciones no diagonales. Esta matriz representa la transformación identidad en el plano bidimensional.
Se considera el vector v con componentes tres y cuatro. Para encontrar la imagen de v bajo la transformación definida por A, se multiplica la matriz por el vector columna. La multiplicación de matrices implica tomar el producto punto de cada fila de la matriz con el vector columna.
El primer componente del resultado es la suma del producto del primer elemento de la primera fila por el primer componente del vector, más el producto del segundo elemento de la primera fila por el segundo componente del vector. Esto da como resultado tres. El segundo componente se calcula de manera análoga con la segunda fila, resultando en cuatro. La imagen del vector es, por lo tanto, el vector con componentes tres y cuatro.
Independencia lineal de un conjunto de vectores
Se determina si un conjunto de dos vectores en el plano es linealmente independiente. Un conjunto de vectores es linealmente independiente si la única combinación lineal que produce el vector nulo es aquella en la que todos los escalares son iguales a cero. Se consideran dos vectores en el espacio bidimensional: el primero con componentes uno y cero, y el segundo con componentes cero y dos.
Para verificar la independencia, se establece la ecuación donde la combinación lineal de estos dos vectores es igual al vector nulo. Esto genera un sistema de dos ecuaciones lineales. La primera ecuación proviene de igualar los primeros componentes, lo que implica que el primer escalar multiplicado por uno más el segundo escalar multiplicado por cero es igual a cero. Esto obliga al primer escalar a ser cero.
La segunda ecuación proviene de igualar los segundos componentes. El primer escalar multiplicado por cero más el segundo escalar multiplicado por dos es igual a cero. Dado que el segundo escalar debe ser cero para satisfacer esta ecuación, se concluye que la única solución es la solución trivial. Por lo tanto, los dos vectores son linealmente independientes.
Dato curioso: La independencia lineal es el concepto que permite definir la dimensión de un espacio vectorial. Si se añaden más vectores independientes de los que indica la dimensión, necesariamente se volverán dependientes.
Preguntas frecuentes
¿Qué es un vector en álgebra lineal?
Un vector es una entidad matemática que posee magnitud y dirección. En el contexto del álgebra lineal, se representa como una lista ordenada de números (componentes) que definen su posición en un espacio multidimensional.
¿Por qué se utilizan matrices?
Las matrices son tablas bidimensionales de números que permiten representar transformaciones lineales y sistemas de ecuaciones de manera compacta. Facilitan el cálculo al convertir operaciones complejas en multiplicaciones y sumas sistemáticas.
¿Qué diferencia hay entre álgebra lineal y cálculo?
El cálculo se enfoca en la tasa de cambio y la acumulación (derivadas e integrales), mientras que el álgebra lineal estudia las relaciones lineales entre variables y la estructura de los espacios vectoriales. Ambos son complementarios en el análisis matemático.
¿Es necesario saber álgebra lineal para la ciencia de datos?
Sí, es fundamental. Conceptos como la descomposición en valores singulares (SVD) y los autovalores son esenciales para reducir la dimensionalidad de los datos, procesar imágenes y entrenar modelos de aprendizaje automático.
¿Qué significa que una transformación sea "lineal"?
Una transformación es lineal si conserva la estructura de suma y multiplicación por un escalar. Esto significa que la imagen de una suma de vectores es igual a la suma de sus imágenes, y la imagen de un vector multiplicado por un número es igual a la imagen del vector multiplicada por ese mismo número.
Resumen
El álgebra lineal proporciona el marco teórico y práctico para entender los espacios vectoriales, las transformaciones lineales y las matrices. Estos conceptos son la base para resolver sistemas de ecuaciones y modelar fenómenos en física, ingeniería y ciencias de la computación.
Comprender esta disciplina permite pasar de la intuición geométrica en dos o tres dimensiones a un análisis riguroso en espacios de cualquier dimensión, siendo una herramienta indispensable en el mundo científico y tecnológico actual.