Calcule determinante, inversa, transposta, autovalores, posto, traço e A·B de matrizes online. Explicações passo a passo de álgebra linear para estudantes e engenheiros.
Tem feedback? Reporte bugs, sugira recursos ou compartilhe suas ideias — lemos todos
O que é uma Calculadora de Matriz?
Uma calculadora de matriz executa as operações-padrão da álgebra linear sobre arranjos retangulares de números: determinante, inversa, transposta, autovalores e autovetores, soma, subtração, multiplicação por escalar e o produto linha-coluna de duas matrizes. Cada uma dessas operações significa algo concreto — áreas sendo escaladas, pontos sendo rotacionados, equações sendo resolvidas — assim que você olha além da manipulação de símbolos.
Matrizes são a linguagem que usamos sempre que precisamos falar de muitas quantidades de uma vez: a posição de cada vértice em um modelo 3D, os pesos de conexão entre camadas de uma rede neural, a probabilidade de transição entre estados em uma cadeia de Markov, as tensões dentro de uma viga de aço. Computadores manipulam matrizes com tanta frequência que fabricantes de GPU passaram duas décadas construindo hardware cuja única função é multiplicar matrizes pequenas muito rápido.
Operações com matrizes
Determinante
O determinante é um único escalar associado a toda matriz quadrada. Geometricamente, |det(A)| indica o fator pelo qual A escala áreas (em 2D), volumes (em 3D) ou medidas de dimensões superiores; o sinal indica se A inverte a orientação. Determinante zero significa que a matriz colapsa o espaço para uma dimensão menor — três vetores no mesmo plano têm determinante 3×3 igual a zero — e é exatamente quando a matriz não possui inversa.
Para uma matriz 2×2 [[a,b],[c,d]], o determinante é: ad − bc
Matriz inversa
A inversa A⁻¹ de uma matriz quadrada A é a matriz que desfaz A: A·A⁻¹ = A⁻¹·A = I, a matriz identidade. Apenas matrizes quadradas com determinante diferente de zero possuem inversa. Na prática, a inversa é a forma mais limpa de escrever a solução de um sistema linear Ax = b: x = A⁻¹b. Em trabalho numérico, porém, os softwares quase nunca calculam A⁻¹ explicitamente — resolvem o sistema diretamente com decomposição LU, que é mais rápida e estável.
Para uma matriz A, se A × A⁻¹ = I (matriz identidade), então A⁻¹ é a inversa de A.
Transposta
A transposta Aᵀ vira a matriz em torno da diagonal principal: o elemento (i, j) vai para (j, i). Linhas viram colunas. Para uma matriz m × n, Aᵀ é n × m. A transposta aparece em todo canto: no produto escalar (xᵀy), em matrizes simétricas (A = Aᵀ), no ajuste por mínimos quadrados (as equações normais AᵀA x = Aᵀb) e na relação entre espaço linha e espaço coluna.
Se A = [[1,2],[3,4]], então Aᵀ = [[1,3],[2,4]]
Autovalores e autovetores
Um autovetor de uma matriz A é um vetor não-nulo v cuja direção é preservada por A — apenas seu comprimento é escalado. O fator de escala é o autovalor λ, definido por Av = λv. Autovetores apontam ao longo dos eixos naturais da transformação que A representa; autovalores dizem quanto cada eixo é esticado ou comprimido.
Autovalores são centrais na análise de componentes principais (autovetores da matriz de covariância tornam-se os novos eixos que captam a variância máxima), no PageRank original do Google (o autovetor de certa matriz estocástica fornece a importância de cada página web), na análise de vibrações (frequências naturais são raízes quadradas dos autovalores de uma matriz massa-rigidez) e na mecânica quântica (níveis de energia são autovalores do operador hamiltoniano).
Soma e subtração de matrizes
Matrizes de mesmas dimensões são somadas ou subtraídas elemento a elemento: (A + B)ᵢⱼ = Aᵢⱼ + Bᵢⱼ. Duas matrizes de formatos diferentes não podem ser somadas — não há maneira sensata de alinhar seus elementos.
Multiplicação de matrizes
O produto A·B é calculado pelo produto escalar de cada linha de A com cada coluna de B. Para a multiplicação ser definida, o número de colunas de A precisa ser igual ao número de linhas de B. A multiplicação de matrizes não é comutativa — A·B é em geral diferente de B·A — mas é associativa, então (AB)C = A(BC).
Se A é m×n e B é n×p, então A × B é m×p.
Multiplicação por escalar
Multiplicar uma matriz por um escalar k significa multiplicar cada elemento por k: (kA)ᵢⱼ = k · Aᵢⱼ. O determinante de (kA) para uma matriz n × n é kⁿ vezes o determinante de A.
Aplicações das matrizes
Matrizes não são abstratas — elas movem a maior parte da tecnologia ao seu redor:
Computação gráfica: toda rotação, escala e translação 3D é codificada como matriz 4×4; GPUs são essencialmente multiplicadores rápidos de 4×4
Física: operadores quânticos, relatividade especial (transformações de Lorentz), mecânica do contínuo (tensores de tensão e deformação)
Engenharia: análise de elementos finitos (matrizes de rigidez), sistemas de controle (modelos em espaço de estados), análise de circuitos (matrizes de admitância)
Economia: modelos input-output (Leontief), matrizes de payoff na teoria dos jogos
Estatística: matrizes de covariância, regressão multivariada, matrizes de design em delineamento experimental
Aprendizado de máquina: redes neurais são pilhas de multiplicações de matrizes com não-linearidades entre elas; treinar ajusta as matrizes de pesos
Criptografia: cifras baseadas em matrizes (cifra de Hill), códigos corretores de erro (Reed-Solomon)
Calculadora de Matriz
Dicas para usar a calculadora de matrizes
Verifique se as dimensões da sua matriz estão corretas para a operação desejada
Para calcular a inversa, a matriz precisa ser quadrada e ter determinante diferente de zero
Autovalores só podem ser calculados para matrizes quadradas
Para multiplicação de matrizes, confirme que o número de colunas da primeira é igual ao número de linhas da segunda
Use a transposta para converter vetores linha em vetores coluna e vice-versa
Perguntas Frequentes
Esqueça a fórmula por um momento. Tome as duas colunas de uma matriz 2×2 e desenhe-as como setas a partir da origem. Elas geram um paralelogramo. A área com sinal desse paralelogramo é o determinante. Para uma matriz 3×3, as três colunas geram um paralelepípedo, e seu volume com sinal é o determinante. Em n dimensões, as colunas geram uma 'caixa' n-dimensional, e o determinante é o n-volume com sinal. Então |det(A)| responde à pergunta 'por qual fator essa matriz escala áreas (ou volumes, ou hipervolumes)?'. O sinal responde 'ela inverte a orientação?' — uma rotação 2D tem det = +1 (sem inversão), uma reflexão tem det = −1 (inversão). Um determinante de 0 significa que as colunas são linearmente dependentes — elas amassam a caixa numa região de dimensão menor — e é exatamente quando a matriz não tem inversa: você não consegue recuperar uma entrada n-dimensional a partir de uma saída (n−1)-dimensional.
Porque uma inversa precisa desfazer a ação da matriz nos dois sentidos. Uma matriz 3×2 pega um vetor 2D e produz um vetor 3D — mapeia o espaço 2D dentro do espaço 3D. Simplesmente não existe uma matriz 2×3 que, ao ser aplicada a um vetor 3D arbitrário, recupere o vetor 2D original — a maior parte dos vetores 3D não está na imagem do mapa original. Formalmente, AB = I exige A ser n × m e B ser m × n, e essa restrição mais a 'verdadeira inversa' (tanto AB = I QUANTO BA = I) força m = n. Para matrizes retangulares, porém, existe a pseudoinversa de Moore-Penrose A⁺: dá a solução por mínimos quadrados de Ax = b quando não existe solução exata (sobredeterminado) ou escolhe a solução de menor norma entre várias (subdeterminado). A pseudoinversa é o que faz a regressão linear funcionar — as equações normais são essencialmente x = (AᵀA)⁻¹Aᵀb = A⁺b.
Porque cada matriz representa uma transformação, e a ordem em que se aplicam transformações importa em geral. Experimente: pegue um livro, gire 90° em torno do eixo vertical e depois 90° em torno do eixo horizontal. Agora reinicie e faça as rotações em ordem inversa. O livro acaba apontando em direções diferentes. A multiplicação de matrizes codifica exatamente essa estrutura composicional 'faça A primeiro, depois faça B', e a ordem está embutida na definição. Há exceções — toda matriz comuta com a identidade, consigo mesma e com suas potências; matrizes diagonais comutam entre si; rotações em 2D comutam (porque formam um grupo abeliano). Mas em geral, AB ≠ BA, e errar a ordem é um dos bugs mais comuns em código de computação gráfica e física. A primeira vez que um iniciante multiplica matriz de modelo por matriz de visão na ordem errada em OpenGL, a cena some.
Imagine a matriz A como uma transformação que estica, gira e cisalha vetores. A maioria dos vetores sai apontando em direção diferente da inicial. Autovetores são os raros vetores que saem apontando na mesma direção (ou exatamente oposta) — A apenas os estica por um fator λ, o autovalor. Então autovalores e autovetores expõem os eixos naturais de qualquer transformação que A represente. Se A é uma rotação 2D, ela não tem autovetores reais (todo vetor gira), mas tem autovalores complexos cuja magnitude revela a rotação. Se A é simétrica, tem n autovetores reais ortogonais que formam os eixos principais de uma elipse (ou elipsoide). No PCA, esses eixos são as direções de maior variância nos dados. No PageRank original do Google, o autovetor dominante da matriz de transição da web lista a probabilidade de longo prazo de cada página ser visitada por um navegador aleatório. Em engenharia estrutural, o menor autovalor de uma matriz de rigidez prevê quando uma coluna vai flambar. Autovalores são como uma matriz revela sua própria diagonal.
Uma matriz quadrada é singular quando seu determinante é zero, o que ocorre exatamente quando as colunas são linearmente dependentes — pelo menos uma coluna é combinação das outras. Geometricamente, a matriz amassa o espaço: uma matriz 3×3 com duas colunas no mesmo plano leva cada ponto 3D para um plano 2D, perdendo uma dimensão para sempre. Para Ax = b isso é dramático. Se b por acaso cair na imagem amassada, o sistema tem infinitas soluções (qualquer vetor no núcleo de A pode ser somado a uma solução particular e continuar solução). Se b cair fora da imagem, o sistema não tem solução. Softwares detectam isso com erro de 'posto deficiente' ou 'matriz singular'. A solução prática é mínimos quadrados: usar a pseudoinversa A⁺ para encontrar o x que minimiza ‖Ax − b‖² — o que dá uma resposta única mesmo quando A é singular ou retangular. Singular não significa quebrada; significa que você precisa ser cuidadoso com o que 'resolver' quer dizer.
O posto de uma matriz é a dimensão do seu espaço coluna — equivalentemente, o número de colunas linearmente independentes (ou linhas; coincidem). Uma matriz 5×5 pode ter posto entre 0 (matriz zero) e 5 (posto completo, invertível). Geometricamente, posto é a dimensão da imagem: uma matriz 3×3 de posto 2 leva o espaço 3D a um plano 2D. O posto importa porque diz quanta informação a matriz preserva. Uma matriz de posto completo é invertível, tem determinante não-nulo, tem n autovalores não-nulos e permite que Ax = b tenha solução única para qualquer b. Uma matriz com posto deficiente colapsa algo — uma dimensão, um grau de liberdade, uma medição independente. Em ciência de dados, o posto de uma matriz de medições diz quantas variáveis verdadeiramente independentes você tem; se a matriz de 100 colunas de um dataset tem posto 12, existem apenas 12 direções de variação e o resto é redundante. A decomposição em valores singulares expõe isso diretamente: o número de valores singulares não-nulos é igual ao posto.
Porque matrizes codificam transformações lineares, e a regra linha-vezes-coluna torna a composição de duas transformações equivalente à multiplicação de suas matrizes. Pense numa matriz como uma função: a coluna j diz para onde vai o vetor da base eⱼ. Se a matriz B envia eⱼ para a coluna Bⱼ, e a matriz A envia cada vetor v para Av, então para descobrir onde (AB)eⱼ aterrissa você calcula A(Bⱼ) — que é exatamente a coluna j de A·B usando a regra-padrão. Então a definição estranha não é arbitrária; é forçada pela exigência 'multiplicar matrizes = compor as transformações que elas representam'. Também por isso a multiplicação de matrizes é associativa: compor funções é associativo. E por isso não é comutativa: composição de funções em geral não é. Uma vez que você enxerga matrizes como funções e multiplicação como composição, todo o resto decorre. A forma curta 'produto escalar de linha e coluna' é só o jeito mais eficiente de avaliar um elemento específico.
Quase em todo lugar onde um computador faz algo interessante. Cada pixel que você vê em um jogo 3D foi transformado por uma cadeia de matrizes 4×4: matriz de modelo (posição do objeto), matriz de visão (câmera), matriz de projeção (lente), e mais algumas para sombras e pós-processamento. Cada pixel passa por dezenas de multiplicações de matrizes por quadro, sessenta vezes por segundo — é por isso que GPUs existem. O sistema de recomendação que mostra o próximo conteúdo a assistir é construído sobre uma aproximação de baixo posto de uma matriz gigante usuário-item. O PageRank do Google ranqueou a web inicial com o autovetor dominante de uma matriz estocástica esparsa. O GPS do seu telefone funde sinais usando filtros de Kalman, que são atualizações de matrizes. Redes neurais são essencialmente pilhas profundas de multiplicações de matrizes intercaladas com não-linearidades; treinar um grande modelo de linguagem significa ajustar matrizes com bilhões de elementos. Tomografias por ressonância magnética reconstroem imagens invertendo matrizes esparsas no espaço de Fourier. Até a sua máquina de café da manhã, se usar controle PID, depende de uma matriz de sistema 2×2 ajustada para resposta estável. A álgebra linear não ficou na sala de aula — virou infraestrutura.
Calculadora
Matemática
Tem feedback? Reporte bugs, sugira recursos ou compartilhe suas ideias — lemos todos
CALCULADORAS MATEMáTICAS32
WUTOOLS