Aplicaciones Del Algebra Lineal en La Vida Cotidiana
Aplicaciones Del Algebra Lineal en La Vida Cotidiana
Aplicaciones Del Algebra Lineal en La Vida Cotidiana
https://www.researchgate.net/publication/216456908
CITATIONS
READS
2,594
2 authors, including:
Alberto Cano
Virginia Commonwealth University
51 PUBLICATIONS 159 CITATIONS
Resumen
Con frecuencia los alumnos nos preguntan y esto para qu sirve?. Los profesores de
Matemticas debemos preocuparnos no slo por los aspectos tericos de las
Matemticas sino tambin por sus aplicaciones prcticas. En este trabajo se muestra
cmo el lgebra Lineal se encuentra detrs de muchas actividades de nuestra vida
cotidiana: cuando hacemos una bsqueda en Google, cuando utilizamos el formato
JPEG, o cuando omos un CD de msica.
PALABRAS CLAVE: lgebra Lineal, aplicaciones.
1. Introduccin
Las Matemticas en las Escuelas de Ingeniera se suelen presentar excesivamente
tericas y alejadas de las aplicaciones reales (Martnez de la Rosa et al., 2005). Es
frecuente escuchar por los pasillos a los alumnos hacer la pregunta: y esto para qu me
sirve?.
Como matemticos, no slo debemos conocer la parte terica de nuestra ciencia sino
tambin los usos prcticos de las Matemticas. Como profesores debemos estar
preparados para contestar a la pregunta anterior con conocimientos y con entusiasmo.
En nuestro caso, el primer da de curso se aprovecha, no slo para comentar el programa
de la asignatura lgebra Lineal y los criterios de evaluacin, sino tambin para
presentar un resumen de las mltiples e interesantes aplicaciones de los contenidos
matemticos que van a aprender.
Por otro lado, debemos fomentar el aprendizaje autnomo del alumno en las actividades
acadmicas dirigidas dentro de la metodologa de los crditos ECTS. Pensamos que este
tipo de actividades se deben dedicar, no slo a la resolucin de la clsica relacin de
problemas de Matemticas, sino tambin a la realizacin de este tipo de trabajos en
grupos de alumnos, favoreciendo de camino el trabajo colaborativo.
Con esto perseguimos que los alumnos aprendan Matemticas sabiendo en qu reas
relacionadas con sus estudios se utilizan, para que as valoren ms los conocimientos
que estn adquiriendo.
XIV JAEM Girona 2009
Pues bien, el xito de Google se debe a un algoritmo llamado Page Rank que tiene
mucho que ver con el lgebra Lineal. Este algoritmo asigna una puntuacin de
importancia a cada una de las pginas web, de modo que cuando se hace una bsqueda
mediante palabras clave, el buscador nos proporciona una serie de pginas que
contienen esas palabras clave pero que adems estn ordenadas de modo que las ms
relevantes, las ms importantes, sern mostradas en las primeras posiciones.
El algoritmo
acuerdo a su
humana. La
hiperenlaces
Internet.
j a la pgina i
en caso contrario
1 1
1 1
0 0
0 1
0
0
Entonces tendramos:
x1 2; x2 1; x3 3; x4 2
si la importancia x se mide como el nmero de enlaces que recibe la pgina i.
i
De manera que la pgina 3 sera la ms importante, seguida de un empate entre las
pginas 1 y 4, y, por ltimo, la menos importante sera la pgina 2.
La estrategia seguida parece que no es todo lo democrtica que debera, porque
existirn pginas con muchos enlaces y pginas con pocos. Si una pgina Pj enlaza con
n j pginas, parece lgico pensar que el voto de Pj deber repartirse entre las n j
1
pginas, de modo que cada enlace que sale de ella tendr un peso igual a
.
nj
Esto nos lleva a considerar ms razonable el usar la matriz normalizada siguiente:
0
0
A 1/ 3 0
1/ 3 1/ 2
1/ 3 1/ 2
1 1/ 2
0 0
0 1/ 2
0 0
Tambin parece razonable pensar que el enlace desde una pgina importante debe tener
ms peso que el enlace desde una pgina poco importante. Entonces la importancia de
cada pgina viene determinada analizando los enlaces
que se hacen hacia ella y la
(que contiene n
enlaces)
xj
nj
1 2
x x
2
13
x4
31
2
1
x1
x2
Simplificadamente: X A X .
Buscamos un vector X que verifique el sistema anterior. Este sistema es compatible
indeterminado y su solucin es:
x1 k; x 1 k; x 3 k; x 1 k
2
donde k puede tomar cualquier valor. Averiguamos el valor de k de modo que todas las
componentes del vector solucin sumen 1 y obtenemos:
k
,
12
31
12 4
6
,
31 31 31 31
Como dice Cleve Moler (2002) The worlds largest matrix computation. Ms detalles
sobre el algoritmo pueden encontrarse en Fernndez Gallardo (2004).
3. lgebra Lineal y compresin JPEG
Una imagen digital es una matriz. Por ejemplo, en la figura 3 se muestra una imagen en
escala de grises de tamao 256 256 :
Figura 3: Una imagen digital en escala de grises en formato BMP a la izquierda de la figura y en formato
JPEG a la derecha
B T AT
(1)
Las columnas de la matriz T son una base ortonormal de , elegida de tal forma que
la matriz B resultante de (1) tiene la particularidad de concentrar los elementos de
mayor
1 0 0 1
0
0
0
0
1 , 1 , 1 , 0 , 0 , 1 , 0 , 0
1
1
0
1
0
0
1
0
1 0
1 1 0 1 0 0
1
1
1
1
Haciendo los vectores unitarios, dividiendo cada vector por su norma, obtendremos la
base ortonormal. Formamos la matriz T escribiendo los vectores de la base anterior:
1
8 1
1
8
1
1
1
8
8
8
8
2
1
8
8
8
1
1
1
1
8
8
8
8
8
12
0
0
0
0
2
2
1
12
0
1
0
0
8
8
0
0
1
2
0
0
0
0
1
0
2
2
1 2
1
El hecho de escoger la base ortonormal tiene una razn muy evidente: la matriz T as
construida tiene la particularidad de ser ortogonal, es decir: T
veremos a continuacin, simplifica el proceso.
T . Esto, como
La transformacin dada en (1), usando esta matriz T, concentra los elementos de mayor
magnitud (en valor absoluto) en la parte superior izquierda de la matriz transformada B.
Por ejemplo:
1 1
1 1
1 1
1 1
T t 5
5
5
1
1
1
1
1
1
1
1
2
2
2
2
2
22
2
2
2
2
2
2
2
2
32
0
0
T
5 5 5 8 8 8 8
5 5 5 8 8 8 8
5 5 5 8 8 8 8
5 5 5 8 8 8 8
8 0 0 0 0 0 0
40 00 00 00 0 0 0
0
0
0
0 0
0 0 0 0
0
0
0
0
0
0
0
0
0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
(2)
t
T para obtener (2).
A TB T
(3)
En la imagen BMP de la figura 3, hemos llevado a cabo las ideas anteriores. La imagen
original I A , se descompone en bloques 8 8 , a cada bloque se le aplica la transformada
descrita obteniendo la matriz I B . Todos aquellos elementos de I B que estn en valor
absoluto por debajo de 3.5, por ejemplo, se ponen a cero. De esta forma en la matriz
*
resultante final I B se obtiene un total de 56078 ceros. Eso son muchos ceros, ya que la
*
88
de la imagen
Por otro lado, se disponen de mtodos para almacenar una secuencia de nmeros con
muchos ceros seguidos. Supongamos, por ejemplo, que tenemos un vector de 18
componentes del tipo:
( 5, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0)
Pues bien, en lugar de almacenar las 18 componentes una tras otra, podemos guardar:
(5, 2, Z16), usando tres caracteres (1, 6 y Z) para almacenar los 16 ceros. Esta idea se
aplica en el formato JPEG para almacenar los elementos de la matriz I B* .
Resumiendo, el formato JPEG es un formato de compresin con prdidas ya que no
se recupera la imagen original tal y como era, sino una aproximacin suya.
Un idea similar se usa para guardar un fichero de audio WAV en un fichero MP3.
Ms detalles sobre la transformada wavelet de Haar pueden encontrarse en Adams
(2006), un trabajo de un alumno americano para su asignatura de lgebra Lineal.
4. lgebra Lineal y Cdigos Detectores-Correctores de Errores.
Existen ocasiones donde se transmite una gran cantidad de bits por canales donde se
pueden producir algn tipo de interferencia como se indica en la figura 5.
Ocurren
Interferencia
s
Satlite enva 1101
0 1
0 0
G 0 0
1
1 1
0
0 1
0 0
0 0
1 0
0 1
0 1
1 1
1 1
b2
G b
3
b4
b1
b2
b
3
b4
5
b
b6
b7
se obtenga una secuencia binaria b b b b b b b donde los 4 primeros bits son
1 2 3 4 5 6 7
originales, es decir, la informacin que deseamos transmitir. Los tres ltimos bits son
los
bits de control. Las operaciones de suma y producto que vamos a emplear son las de
2, que se indican en la tabla 1.
Tabla 1: Tablas de sumar y multiplicar en 2
. 0 1
0100
000
0 1 0 0 1
0 0 1 0
0
1000
0 1
1 0 1
1
1
0
1
1
1
0 0 0 1 1
0 1
1101
1001
0
0
G
b
b
4
b3
b5
b4 b
6
b7
b5 b1 b2 b4
b1 b2 b4 b5 0
b
b b b 0
6
1
3
4
1
3
4
6
b7 b2 b3 b4
b2 b3 b4 b7 0
b1
b1
b2 0
b2
b
1 1 0 1 1 0 0 b 0
3
3
1 0 1 1 0 1 0
0 H b4
b5
1 1 0 0 1 b5
0
1
0
b6
b
6
b7
b7
0
Hemos tenido en cuenta en las operaciones anteriores el hecho de que sumar y restar es
lo mismo en 2 ya que 0 0 y 1 1.
Como vemos aparece una matriz H construida de la forma:
1 1 0 1 1 0 0
1 0 1 1 0 1 0
0 0 1
0 1 1 1
donde en la parte izquierda de esta matriz nos encontramos la misma submatriz que
apareca en la parte inferior de G y a su derecha aparece la matriz identidad de orden 3.
Como hemos visto, si z es una secuencia de 7 bits del cdigo C, entonces H z .
El valor de H z se llama sndrome.
Supongamos que, como en la figura 5, deseamos enviar la secuencia 1101, entonces la
secuencia de 7 bits que se transmite es:
z 1101100. Si calculamos el sndrome, nos
dar el vector nulo y suponemos que no se ha cometido ningn error y los cuatro bits de
informacin extrados son los cuatro primeros, es decir: 1101.
Supongamos que se comete un error en el primer bit, es decir, que la secuencia de 7 bits
que nos llega es 0101100. Esa secuencia puede comprobarse como no coincide con
ninguna de las secuencias que componen el cdigo C y por lo tanto, ha ocurrido un
error. Pero no hace falta compararla con todas las secuencias de cdigo para ver que no
est en C, sino que basta con calcular su sndrome y comprobar que no nos sale nulo.
Veamos qu ocurre:
z* z e1 1101100 1000000 0101100
Al calcular el sndrome de la secuencia recibida se obtiene:
1
*
H z H (z e1) Hz He1 H z H 0
0
0 1 1
0 1 1 1 columna de H
0 0 0
Es decir, el error ocurre en el primer bit y el sndrome coincide con la primera columna
de H. Anlogamente es igual de fcil comprobar, que si el error se comete en el segundo
bit entonces el sndrome coincide con la segunda columna de H , si el error se comete
en el tercer bit entonces el sndrome coincide con la tercera columna de H, etc.
Por lo tanto, es muy fcil detectar y corregir el error en el caso de que ste ocurra.
El cdigo considerado en esta seccin es un cdigo Hamming C(7,4) que fue usado por
France Telecom para la transmisin de Minitel (un precursor de Internet). Hoy en da se
usan cdigos ms sofisticados, como los cdigos de Reed-Solomon, que permiten
detectar y corregir varios errores (usados en los CDs de msica).
5. Bibliografa
Adams, D., et al. (2006). Haar Wavelet Transformation: Compression and
Reconstruction. Disponible on-line.
http://online.redwoods.cc.ca.us/instruct/darnold/laproj/fall2006/adamspatterson/haar1.p
df
Fernndez Gallardo, P. (2004): El secreto de Google y el lgebra Lineal. Boletn de la
Sociedad Espaola de Matemtica Aplicada, Vol. 30, pp. 115-141. Disponible online.
http://www.uam.es/personal_pdi/ ciencias/gallardo/
Martnez
de la Rosa, F., Vinuesa Snchez, Enseando Matemticas en la
Universidad, Epsilon, N 61, Vol. 21, pp. 57-62 (2005).
Moler, C. (2002). The worlds largest matrix computation. Disponible on-line
http://www.mathworks.com/company/newsletters/news_notes/clevescorner/oct02_cleve
.html
Page, L. et al. (1998). The PageRank Citation Ranking: bringing order to te Web.
Technical Report. Stanford InfoLab. Disponible on-line.