Calcula determinante, inversa, autovalores, rango, traza, resuelve Ax=b y el número de condición. Álgebra lineal paso a paso para estudiantes e ingenieros.
¿Tienes comentarios? Reporta errores, sugiere funciones o comparte tus ideas — leemos todos
¿Qué es una Calculadora de Matrices?
Una calculadora de matrices realiza las operaciones estándar del álgebra lineal sobre arreglos rectangulares de números: determinante, inversa, transpuesta, autovalores y autovectores, suma, resta, multiplicación por un escalar y el producto fila por columna de dos matrices. Cada una de estas operaciones significa algo concreto — áreas que se escalan, puntos que se rotan, ecuaciones que se resuelven — una vez que miras más allá del manejo de símbolos.
Las matrices son el lenguaje que usamos cuando necesitamos hablar de muchas cantidades a la vez: la posición de cada vértice de un modelo 3D, los pesos de conexión entre capas de una red neuronal, la probabilidad de transitar entre estados en una cadena de Markov, las tensiones dentro de una viga de acero. Los ordenadores manipulan matrices tan a menudo que los fabricantes de GPU han pasado dos décadas construyendo hardware cuyo único trabajo es multiplicar matrices pequeñas muy rápido.
Operaciones con matrices
Determinante
El determinante es un único escalar asociado a cada matriz cuadrada. Geométricamente, |det(A)| indica el factor por el cual A escala áreas (en 2D), volúmenes (en 3D) o medidas de dimensiones mayores; el signo indica si A invierte la orientación. Un determinante cero significa que la matriz colapsa el espacio a una dimensión menor — tres vectores que están en el mismo plano tienen determinante 3×3 cero — y eso es precisamente cuando la matriz no tiene inversa.
Para una matriz 2×2 [[a,b],[c,d]], el determinante es: ad − bc
Matriz inversa
La inversa A⁻¹ de una matriz cuadrada A es la matriz que deshace A: A·A⁻¹ = A⁻¹·A = I, la matriz identidad. Solo las matrices cuadradas con determinante distinto de cero tienen inversa. En la práctica, la inversa es la forma más limpia de escribir la solución de un sistema lineal Ax = b: x = A⁻¹b. En el trabajo numérico, sin embargo, el software casi nunca calcula explícitamente A⁻¹ — resuelve el sistema directamente con descomposición LU, que es más rápida y estable.
Para una matriz A, si A × A⁻¹ = I (matriz identidad), entonces A⁻¹ es la inversa de A.
Transpuesta
La transpuesta Aᵀ refleja la matriz sobre su diagonal principal: la entrada (i, j) pasa a (j, i). Las filas se convierten en columnas. Para una matriz m × n, Aᵀ es n × m. La transpuesta aparece por doquier: en el producto escalar (xᵀy), en las matrices simétricas (A = Aᵀ), en el ajuste por mínimos cuadrados (las ecuaciones normales AᵀA x = Aᵀb) y en la relación entre espacio fila y espacio columna.
Si A = [[1,2],[3,4]], entonces Aᵀ = [[1,3],[2,4]]
Autovalores y autovectores
Un autovector de una matriz A es un vector no nulo v cuya dirección queda inalterada por A — solo se escala su longitud. El factor de escala es el autovalor λ, definido por Av = λv. Los autovectores apuntan a lo largo de los ejes naturales de la transformación que A representa; los autovalores dicen cuánto se estira o se comprime cada eje.
Los autovalores son centrales en el análisis de componentes principales (los autovectores de la matriz de covarianza se vuelven los nuevos ejes que capturan la máxima varianza), en el PageRank original de Google (el autovector de cierta matriz estocástica da la importancia de cada página web), en el análisis de vibraciones (las frecuencias naturales son las raíces cuadradas de los autovalores de una matriz de masa-rigidez) y en la mecánica cuántica (los niveles de energía son autovalores del operador hamiltoniano).
Suma y resta de matrices
Matrices con las mismas dimensiones se suman o restan elemento a elemento: (A + B)ᵢⱼ = Aᵢⱼ + Bᵢⱼ. Dos matrices de formas diferentes no se pueden sumar — no hay manera sensata de alinear sus entradas.
Multiplicación de matrices
El producto A·B se calcula tomando el producto escalar de cada fila de A con cada columna de B. Para que la multiplicación esté definida, el número de columnas de A debe igualar al número de filas de B. La multiplicación de matrices no es conmutativa — A·B suele ser distinto de B·A — pero sí es asociativa, así que (AB)C = A(BC).
Si A es m×n y B es n×p, entonces A × B es m×p.
Multiplicación por un escalar
Multiplicar una matriz por un escalar k significa multiplicar cada entrada por k: (kA)ᵢⱼ = k · Aᵢⱼ. El determinante de (kA) para una matriz n × n es kⁿ veces el determinante de A.
Resolución de sistemas y condicionamiento
La operación «Resolver Ax = b» encuentra el vector x que satisface un sistema lineal cuadrado. Introduce la matriz de coeficientes como A y el término independiente como una b de una sola columna, luego pulsa Calcular. Internamente la herramienta usa descomposición LU (math.lusolve) en lugar de formar A⁻¹b — el mismo enfoque que usan las librerías numéricas profesionales, porque es más rápido y mucho más estable numéricamente que una inversa explícita.
Para cada operación cuadrada la calculadora también informa un número de condición κ(A) ≈ ‖A‖₁·‖A⁻¹‖₁. El número de condición mide cuánto puede amplificar la solución x pequeños errores en A o en b. Un valor cercano a 1 es ideal; por debajo de 1000 está bien condicionada; entre 1000 y 1 000 000 es límite — el redondeo puede costar ya varios dígitos; por encima de 1 000 000 la matriz está mal condicionada y casi singular, lo que significa que la respuesta calculada puede estar dominada por el ruido de punto flotante aunque se devuelva una «solución». Lee siempre el veredicto antes de confiar en una inversa o en la solución de un sistema en trabajos de ingeniería.
Aplicaciones de las matrices
Las matrices no son abstractas — alimentan la mayor parte de la tecnología que te rodea:
Gráficos por computadora: cada rotación, escalado y traslación 3D se codifica como una matriz 4×4; las GPUs son esencialmente multiplicadores rápidos de 4×4
Física: operadores cuánticos, relatividad especial (transformaciones de Lorentz), mecánica continua (tensores de esfuerzo y deformación)
Ingeniería: análisis por elementos finitos (matrices de rigidez), sistemas de control (modelos en espacio de estados), análisis de circuitos (matrices de admitancia)
Economía: modelos input-output (Leontief), matrices de pagos en teoría de juegos
Estadística: matrices de covarianza, regresión multivariante, matrices de diseño en diseño experimental
Aprendizaje automático: las redes neuronales son pilas de multiplicaciones matriciales con no linealidades entre medio; entrenar ajusta las matrices de pesos
Criptografía: cifrados basados en matrices (cifrado de Hill), códigos correctores de errores (Reed-Solomon)
Calculadora de Matrices
Consejos para usar la calculadora de matrices
Asegúrate de que las dimensiones de tu matriz sean correctas para la operación que quieres realizar
Para calcular la inversa, la matriz debe ser cuadrada y tener determinante distinto de cero
Los autovalores solo se pueden calcular para matrices cuadradas
Para multiplicar matrices, verifica que el número de columnas de la primera coincida con el número de filas de la segunda
Usa la transpuesta para convertir vectores fila en vectores columna y viceversa
Preguntas Frecuentes
Elige «Resolver Ax = b» en el menú de operaciones. Introduce tu matriz de coeficientes cuadrada como Matriz A — una fila por ecuación, una columna por incógnita. Aparecerá un bloque «Vector b»: hazlo de una sola columna con el mismo número de filas que A (usa Añadir/Quitar fila para igualarlo) y escribe las constantes del lado derecho. Pulsa Calcular y la herramienta devuelve el vector solución x como columna. Por dentro usa descomposición LU (lusolve), no una inversa explícita, así que es rápida y numéricamente estable. Por ejemplo, para 2x + y = 3 y x + 3y = 5, introduce A = [[2,1],[1,3]] y b = [[3],[5]]; la solución es x ≈ [0,8, 1,4]. Si A es singular obtendrás un error «matriz singular» — el sistema entonces no tiene solución o tiene infinitas.
Cada vez que ejecutas determinante, inversa o Resolver Ax = b en una matriz cuadrada, el cuadro de Cálculo muestra una línea como «Número de condición ≈ 4,2 (bien condicionada)». El número de condición κ(A) estima cuánto puede amplificar la respuesta los errores diminutos de tus datos o del redondeo de punto flotante. Los veredictos son: bien condicionada (κ < 1000) — confía en el resultado; límite (1000–1 000 000) — quizá ya perdiste varios dígitos significativos, revisa los resultados sensibles; mal condicionada / casi singular (κ > 1 000 000 o ∞) — la matriz es casi no invertible, y la x o la A⁻¹ calculadas pueden ser en su mayoría ruido numérico aunque se devuelva un número. Un determinante casi cero es la señal de advertencia clásica de un número de condición alto: la matriz es técnicamente invertible pero prácticamente poco fiable. En ese caso reformula el problema, reescala tus unidades o usa un enfoque de mínimos cuadrados / regularizado en vez de una inversa directa.
Olvida la fórmula por un momento. Toma las dos columnas de una matriz 2×2 y dibújalas como flechas desde el origen. Definen un paralelogramo. El área con signo de ese paralelogramo es el determinante. Para una matriz 3×3, las tres columnas definen un paralelepípedo cuyo volumen con signo es el determinante. En n dimensiones, las columnas definen una «caja» n-dimensional, y el determinante es su n-volumen con signo. Así que |det(A)| responde a la pregunta «¿por qué factor escala esta matriz las áreas (o volúmenes, o hipervolúmenes)?». El signo responde «¿invierte la orientación?» — una rotación 2D tiene det = +1 (sin inversión), una reflexión tiene det = −1 (inversión). Un determinante de 0 significa que las columnas son linealmente dependientes — aplastan la caja, llevándola a una región de dimensión menor — y precisamente entonces la matriz no tiene inversa: no puedes recuperar una entrada n-dimensional de una salida (n−1)-dimensional.
Porque una inversa debe deshacer la acción de la matriz en ambas direcciones. Una matriz 3×2 toma un vector 2D y produce un vector 3D — mapea el espacio 2D dentro del espacio 3D. Sencillamente no existe una matriz 2×3 que, al aplicarse a un vector 3D arbitrario, recupere el vector 2D original — la mayoría de los vectores 3D no están en la imagen del mapa original. Formalmente, AB = I requiere que A sea n × m y B sea m × n, y esa restricción más la verdadera inversa (AB = I Y BA = I) fuerza m = n. Para matrices rectangulares, sin embargo, existe la pseudoinversa de Moore-Penrose A⁺: da la solución por mínimos cuadrados de Ax = b cuando no existe solución exacta (sistema sobredeterminado) o elige la solución de norma mínima entre muchas (subdeterminado). La pseudoinversa hace funcionar la regresión lineal — las ecuaciones normales son esencialmente x = (AᵀA)⁻¹Aᵀb = A⁺b.
Porque cada matriz representa una transformación, y el orden en que aplicas transformaciones importa en general. Prueba esto: toma un libro, rótalo 90° alrededor del eje vertical y luego 90° alrededor del eje horizontal. Ahora reinicia y haz las rotaciones en orden inverso. El libro acaba apuntando en direcciones distintas. La multiplicación de matrices codifica exactamente esta estructura composicional «primero A, luego B», y el orden está incorporado en la definición. Hay excepciones — cualquier matriz conmuta con la identidad, consigo misma y con sus potencias; las matrices diagonales conmutan entre sí; las rotaciones en 2D conmutan (porque las rotaciones 2D forman un grupo abeliano). Pero en general, AB ≠ BA, y equivocar el orden es uno de los bugs más comunes en código de gráficos y de física. La primera vez que un principiante multiplica una matriz modelo por una matriz vista en el orden incorrecto en OpenGL, la escena desaparece.
Imagina la matriz A como una transformación que estira, rota y sesga vectores. La mayoría de los vectores salen apuntando en una dirección diferente a la inicial. Los autovectores son los raros vectores que salen apuntando en la misma dirección (o exactamente opuesta) — A solo los estira por un factor λ, el autovalor. Así que autovalores y autovectores exponen los ejes naturales de cualquier transformación que A represente. Si A es una rotación 2D, no tiene autovectores reales (cada vector rota), pero tiene autovalores complejos cuya magnitud revela la rotación. Si A es simétrica, tiene n autovectores reales ortogonales que forman los ejes principales de una elipse (o elipsoide). En PCA esos ejes son las direcciones de mayor varianza en los datos. En el PageRank original de Google, el autovector dominante de la matriz de transición de la web lista la probabilidad de largo plazo de visitar cada página por un surfero aleatorio. En ingeniería estructural, el autovalor más pequeño de una matriz de rigidez predice cuándo una columna pandeará. Los autovalores son la forma en que la matriz revela su propia diagonal.
Una matriz cuadrada es singular cuando su determinante es cero, lo que ocurre exactamente cuando sus columnas son linealmente dependientes — al menos una columna es combinación de las otras. Geométricamente, la matriz aplasta el espacio: una matriz 3×3 con dos columnas en el mismo plano envía cada punto 3D a un plano 2D, perdiendo una dimensión para siempre. Para Ax = b esto es dramático. Si b por casualidad cae en la imagen aplastada, el sistema tiene infinitas soluciones (cualquier vector del núcleo de A puede sumarse a una solución particular y seguir siendo solución). Si b cae fuera de la imagen, el sistema no tiene solución alguna. El software detecta esto con un error de «rango deficiente» o «matriz singular». El arreglo en la práctica son los mínimos cuadrados: usar la pseudoinversa A⁺ para hallar la x que minimiza ‖Ax − b‖² — lo que da una respuesta única incluso cuando A es singular o rectangular. Singular no significa estropeada; significa que hay que ser cuidadoso con qué quiere decir «resolver».
El rango de una matriz es la dimensión de su espacio columna — equivalentemente, el número de columnas linealmente independientes (o filas; ambos coinciden). Una matriz 5×5 puede tener rango entre 0 (la matriz cero) y 5 (rango completo, invertible). Geométricamente, el rango es la dimensión de la imagen: una matriz 3×3 de rango 2 manda el espacio 3D a un plano 2D. El rango importa porque indica cuánta información preserva la matriz. Una matriz de rango completo es invertible, tiene determinante distinto de cero, tiene n autovalores distintos de cero y permite que Ax = b tenga solución única para cada b. Una matriz de rango deficiente colapsa algo — una dimensión, un grado de libertad, una medición independiente. En ciencia de datos, el rango de una matriz de mediciones dice cuántas variables verdaderamente independientes tienes; si la matriz de 100 columnas de un conjunto de datos tiene rango 12, solo existen 12 direcciones de variación y el resto es redundante. La descomposición en valores singulares lo expone directamente: el número de valores singulares no nulos es igual al rango.
Porque las matrices codifican transformaciones lineales, y la regla fila por columna hace que componer dos transformaciones sea equivalente a multiplicar sus matrices. Piensa en una matriz como una función: la columna j te dice a dónde va el vector base eⱼ. Si la matriz B envía eⱼ a la columna Bⱼ, y la matriz A envía cada vector v a Av, entonces para hallar a dónde aterriza (AB)eⱼ calculas A(Bⱼ) — que es exactamente la columna j de A·B usando la regla estándar. Así que la definición extraña no es arbitraria; nos viene impuesta por la exigencia «multiplicar matrices = componer las transformaciones que representan». También por eso la multiplicación matricial es asociativa: componer funciones es asociativo. Y por eso no es conmutativa: la composición de funciones no suele serlo. Una vez que ves matrices como funciones y la multiplicación como composición, todo lo demás se sigue. La abreviatura «producto escalar de fila y columna» es solo la manera más eficiente de evaluar una entrada concreta.
Casi en cualquier lugar donde un ordenador hace algo interesante. Cada píxel que ves en un juego 3D ha sido transformado por una cadena de matrices 4×4: matriz modelo (posición del objeto), matriz vista (cámara), matriz de proyección (lente), y unas cuantas más para sombras y post-procesamiento. Cada píxel pasa por decenas de multiplicaciones matriciales por fotograma, sesenta veces por segundo — por eso existen las GPUs. El sistema de recomendaciones que te muestra qué ver a continuación se construye sobre una aproximación de bajo rango de una matriz gigantesca usuario-ítem. El PageRank de Google clasificó la web temprana con el autovector dominante de una matriz estocástica dispersa. El GPS de tu teléfono fusiona señales mediante filtros de Kalman, que son actualizaciones de matrices. Las redes neuronales son esencialmente pilas profundas de multiplicaciones matriciales intercaladas con no linealidades; entrenar un modelo de lenguaje grande significa ajustar matrices con miles de millones de entradas. Las resonancias magnéticas reconstruyen imágenes invirtiendo matrices dispersas en el espacio de Fourier. Incluso tu cafetera de la mañana, si usa control PID, depende de una matriz de sistema 2×2 ajustada para una respuesta estable. El álgebra lineal no se quedó en el aula — se convirtió en infraestructura.
Calculadora
Matemáticas
¿Tienes comentarios? Reporta errores, sugiere funciones o comparte tus ideas — leemos todos
CALCULADORAS MATEMáTICAS32
WUTOOLS