Calculadora de Matrices - Free Online Tool

Suma, multiplica, invierte, descompón y analiza matrices al instante — con soluciones paso a paso.

Una matriz es una de las estructuras más fundamentales en matemáticas, ingeniería, informática y ciencia de datos. En su forma más simple, una matriz es un arreglo rectangular de números dispuestos en filas y columnas. Pero detrás de esta simple definición se encuentra un poder extraordinario: las matrices codifican transformaciones, modelan sistemas de ecuaciones, potencian gráficos 3D, forman la columna vertebral de los algoritmos de aprendizaje automático y describen el comportamiento de sistemas físicos. Nuestra Calculadora de Matrices pone a tu disposición toda la gama de operaciones de matrices directamente en tu navegador — sin software para descargar, sin necesidad de cuenta y sin límites en la frecuencia de uso.

Entendiendo las Operaciones de Matrices

¿Qué es una Matriz?

Una matriz es un arreglo bidimensional de números (o, más generalmente, elementos de un campo matemático) dispuestos en filas y columnas. Una matriz m×n tiene m filas y n columnas, para un total de m×n elementos. Las matrices se denotan con letras mayúsculas (A, B, C) y sus elementos con subíndices en minúscula: A[i][j] se refiere al elemento en la fila i y columna j. Las matrices cuadradas tienen el mismo número de filas y columnas (n×n) y tienen propiedades especiales que incluyen determinantes, inversas, valores propios y trazas. Las matrices rectangulares aparecen en sistemas de ecuaciones, tablas de datos y representaciones de imágenes. Las matrices especiales incluyen la matriz identidad I (1s en la diagonal, 0s en otros lugares), la matriz cero O (todos ceros), matrices simétricas (A = A^T) y matrices diagonales (no cero solo en la diagonal). Las matrices forman la estructura algebraica subyacente de la mayoría de las matemáticas aplicadas modernas.

¿Cómo se Calculan las Operaciones de Matrices?

Diferentes operaciones de matrices utilizan diferentes algoritmos. La suma y la resta funcionan elemento por elemento y requieren dimensiones idénticas. La multiplicación utiliza el producto punto de cada fila de A con cada columna de B, requiriendo que el conteo de columnas de A sea igual al conteo de filas de B. El determinante de una matriz cuadrada se calcula mediante expansión de cofactores (para matrices pequeñas) o descomposición LU (para matrices más grandes) — es un solo número que codifica el factor de escala de volumen firmado de la transformación lineal. La inversa A⁻¹ se encuentra utilizando eliminación de Gauss-Jordan en la matriz aumentada [A | I], transformándola en [I | A⁻¹]. RREF utiliza eliminación gaussiana con sustitución hacia atrás para reducir cada pivote a 1 y cada entrada no pivote en columnas pivote a 0. Los valores propios λ satisfacen det(A − λI) = 0; para matrices 2×2 esto produce una fórmula cuadrática simple; para matrices más grandes se utiliza iteración QR numérica.

¿Por qué Importan las Operaciones de Matrices?

Las matrices no son solo álgebra abstracta — son herramientas computacionales prácticas utilizadas en toda la ciencia y la tecnología. El determinante te dice si un sistema de ecuaciones tiene una solución única (det ≠ 0) o es singular (det = 0). La inversa te permite resolver sistemas lineales Ax = b como x = A⁻¹b, encontrar directamente las inversas de transformaciones en gráficos y calcular ganancias de control en ingeniería. Los valores propios y vectores propios revelan las direcciones fundamentales de una transformación y son el corazón matemático del PCA, métodos espectrales, análisis de estabilidad y mecánica cuántica. RREF es la herramienta estándar para resolver sistemas de cualquier tamaño, determinar el rango, encontrar espacios nulos y verificar la independencia lineal. La descomposición LU acelera las soluciones repetidas de Ax = b con diferentes lados derechos, ya que factorizar una vez permite muchas sustituciones rápidas hacia adelante/hacia atrás.

Limitaciones y Precisión Numérica

Esta calculadora utiliza aritmética de punto flotante estándar de 64 bits (el tipo de número incorporado de JavaScript), lo que puede introducir pequeños errores de redondeo en los últimos lugares decimales. Los resultados se muestran redondeados a la precisión decimal que elijas. Las matrices muy mal condicionadas — aquellas donde algunas filas o columnas son casi linealmente dependientes — pueden producir resultados que parecen numéricamente inestables. Por ejemplo, una matriz con un determinante muy pequeño pero no cero puede parecer singular debido al ruido de punto flotante. La calculadora utiliza un umbral de 1e-12 para detectar pivotes cercanos a cero durante la eliminación. Las dimensiones de la matriz están limitadas a 5×5 para el rendimiento del lado del cliente, manteniendo todos los cálculos rápidos en el navegador. Para matrices más grandes, software de escritorio como MATLAB, Octave, Python (NumPy) o Julia sería más apropiado. El algoritmo de valores propios (iteración QR) converge bien para la mayoría de las matrices simétricas reales, pero puede dar resultados menos precisos para matrices con valores propios agrupados.

Matrix Formulas

Matrix Multiplication

(AB)ᵢⱼ = Σₖ aᵢₖ · bₖⱼ

Each entry of the product matrix is the dot product of the corresponding row of A and column of B. Requires columns of A to equal rows of B.

2×2 Determinant

det([[a, b], [c, d]]) = ad − bc

The determinant of a 2×2 matrix equals the product of the main diagonal minus the product of the anti-diagonal. A zero determinant means the matrix is singular.

Transponer

(A^T)ᵢⱼ = Aⱼᵢ

The transpose swaps rows and columns. An m×n matrix becomes n×m. Symmetric matrices satisfy A = A^T.

Matrix Inverse

A⁻¹ = adj(A) / det(A)

The inverse exists only when det(A) ≠ 0. For 2×2: A⁻¹ = (1/(ad−bc)) · [[d, −b], [−c, a]]. For larger matrices, use Gauss-Jordan elimination.

Matrix Operations Reference

Matrix Operations Summary

Quick reference for common matrix operations, their requirements, and result dimensions.

Operación	Formula/Method	Requirement	Resultado
Addition A + B	Cᵢⱼ = Aᵢⱼ + Bᵢⱼ	Same dimensions (m×n)	m×n matrix
Multiplication A×B	(AB)ᵢⱼ = Σ aᵢₖ·bₖⱼ	A cols = B rows (m×p · p×n)	m×n matrix
Scalar c·A	(cA)ᵢⱼ = c · Aᵢⱼ	Any matrix	Same dimensions
Transpose A^T	(A^T)ᵢⱼ = Aⱼᵢ	Any matrix (m×n)	n×m matrix
Determinante	Cofactor expansion or LU	Square matrix (n×n)	Scalar
Inverse A⁻¹	Gauss-Jordan on [A\|I]	Square, det ≠ 0	n×n matrix
Trace tr(A)	Σ Aᵢᵢ (sum of diagonal)	Square matrix (n×n)	Scalar

Special Matrices

Named matrix types that have important properties in linear algebra and applications.

Matrix Type	Definition	Key Property
Identity (I)	1s on diagonal, 0s elsewhere	AI = IA = A for any compatible A
Zero (O)	All entries are 0	A + O = A; A·O = O
Diagonal	Non-zero only on main diagonal	Easy to invert: just reciprocate diagonal entries
Symmetric	A = A^T (equal to its transpose)	Always has real eigenvalues
Orthogonal	A^T · A = I	Preserves lengths and angles (rotations/reflections)
Upper Triangular	All entries below diagonal are 0	Determinant = product of diagonal entries

Worked Examples

Multiply two 2×2 matrices

Compute A × B where A = [[1, 2], [3, 4]] and B = [[5, 6], [7, 8]].

C₁₁ = (1)(5) + (2)(7) = 5 + 14 = 19

C₁₂ = (1)(6) + (2)(8) = 6 + 16 = 22

C₂₁ = (3)(5) + (4)(7) = 15 + 28 = 43

C₂₂ = (3)(6) + (4)(8) = 18 + 32 = 50

A × B = [[19, 22], [43, 50]]

Find determinant and inverse of a 3×3 matrix

Given A = [[2, 1, 0], [1, 3, 1], [0, 1, 2]], find det(A) and A⁻¹.

Expand along row 1: det = 2(3·2 − 1·1) − 1(1·2 − 1·0) + 0 = 2(5) − 1(2) = 8

Since det(A) = 8 ≠ 0, the inverse exists

Set up augmented matrix [A | I] and apply Gauss-Jordan elimination

After row operations: A⁻¹ = (1/8)·[[5, −2, 1], [−2, 4, −2], [1, −2, 5]]

det(A) = 8, A⁻¹ = (1/8)·[[5, −2, 1], [−2, 4, −2], [1, −2, 5]]

Find eigenvalues of a 2×2 matrix

Find the eigenvalues of A = [[4, 1], [2, 3]] by solving det(A − λI) = 0.

A − λI = [[4−λ, 1], [2, 3−λ]]

det(A − λI) = (4−λ)(3−λ) − (1)(2) = λ² − 7λ + 10

Factor: (λ − 5)(λ − 2) = 0

Eigenvalues: λ₁ = 5 and λ₂ = 2

Eigenvalues: λ₁ = 5, λ₂ = 2

Cómo usar la calculadora de matrices

Selecciona una categoría de operación

Haz clic en una de las cuatro pestañas en la parte superior — Dos Matrices (para A+B, A-B, A×B, c×A), Matriz Única (para transposición, determinante, inversa, potencia, traza), Análisis (para rango, RREF, valores propios, LU), o Resolver Ax=b. El panel de entrada mostrará solo los controles que necesitas.

Establece las dimensiones de la matriz e ingresa valores

Usa los menús desplegables de Filas y Columnas junto a cada etiqueta de matriz para establecer dimensiones (1×1 a 5×5). Haz clic en cada celda y escribe un valor — se aceptan decimales y fracciones como 1/3 o -2.5. Usa el botón Aleatorio para llenar automáticamente con enteros de prueba, o carga un Preset Rápido como Rotación 2×2 o Cuadrado Mágico 3×3.

Elige la operación específica y haz clic en Calcular

Haz clic en el botón de operación que aparece debajo de las cuadrículas de matrices — por ejemplo, A + B, Determinante, o RREF. El resultado aparece instantáneamente a la derecha. El panel '¿Qué significa esto?' debajo del resultado da una explicación en inglés sencillo del significado matemático de la salida.

Revisa los pasos, exporta o encadena operaciones

Si hay operaciones de fila paso a paso disponibles (RREF, sistema lineal), haz clic en el acordeón de Pasos para ver cada pivote y movimiento de eliminación. Usa 'Exportar CSV' para descargar la matriz de resultados, 'Copiar LaTeX' para documentos académicos, o 'Copiar resultado → Matriz A' para alimentar el resultado en un nuevo cálculo.

Preguntas Frecuentes

¿Por qué no puedo multiplicar dos matrices con dimensiones desiguales?

La multiplicación de matrices A×B está definida solo cuando el número de columnas en A es igual al número de filas en B. Esto se debe a que la operación calcula cada entrada de resultado como un producto punto de una fila de A con una columna de B — lo que requiere que la fila y la columna tengan la misma longitud. Si A es una matriz m×p y B es una matriz p×n, el resultado C es m×n. Si aCols ≠ bRows, el producto punto no está definido y la operación no puede proceder. Esto contrasta con la adición, donde ambas matrices deben tener dimensiones idénticas (ambas m×n) para que las entradas puedan emparejarse elemento por elemento.

¿Qué significa cuando el determinante es 0?

Un determinante cero significa que la matriz es singular — no tiene inversa. Geométricamente, la transformación lineal aplana el espacio: una transformación 2D con det=0 colapsa el plano en una línea o un punto, destruyendo información. Algebraicamente, si det(A)=0, las filas de A son linealmente dependientes (alguna fila es una combinación lineal de las otras), y el sistema Ax=b o no tiene solución o tiene infinitas soluciones — nunca una única. El rango será menor que n. Por eso la calculadora muestra un error ('matriz singular') cuando intentas invertir una matriz con un determinante cero.

¿Cuál es la diferencia entre rango, RREF y determinante?

Estas tres salidas describen diferentes aspectos de la misma matriz. El rango es un solo entero — el número de filas (o columnas) linealmente independientes, encontrado al contar las filas no cero en RREF. RREF (Forma Escalonada Reducida) es la matriz reducida completa en sí misma, mostrando exactamente qué variables son básicas (determinadas por pivotes) y cuáles son libres (pueden ser establecidas arbitrariamente). El determinante es un escalar único definido solo para matrices cuadradas; es igual a cero precisamente cuando el rango < n. El rango se aplica a cualquier forma de matriz; RREF se aplica a cualquier matriz; el determinante requiere una matriz cuadrada. Juntos caracterizan completamente el espacio de soluciones de Ax=0 y Ax=b.

¿Cómo se calculan los valores propios para matrices mayores de 2×2?

Para matrices de 2×2, los valores propios se calculan en forma cerrada utilizando la fórmula cuadrática sobre el polinomio característico λ² − tr(A)λ + det(A) = 0. Para matrices de 3×3 a 5×5, esta calculadora utiliza el algoritmo de iteración QR, que es el método numérico estándar utilizado en software profesional de álgebra lineal. La iteración QR factoriza repetidamente la matriz como Q×R (ortogonal por triangular superior) y la reemplaza con R×Q, convergiendo hacia una forma triangular superior cuyas entradas diagonales son los valores propios. El proceso se ejecuta hasta 500 iteraciones con una tolerancia de convergencia de 1e-8. Los valores propios complejos (de matrices con entradas reales que tienen pares de valores propios conjugados complejos) aparecen para matrices de 2×2 en la forma a + bi y a − bi.

¿Para qué se utiliza la descomposición LU?

La descomposición LU factoriza la matriz A en el producto de una matriz triangular inferior L (con 1s en la diagonal) y una matriz triangular superior U. El uso práctico principal es la resolución eficiente repetida de Ax=b: una vez que A = LU, resolver para cualquier lado derecho b requiere dos pasos de sustitución triangular — sustitución hacia adelante a través de Ly=b y luego sustitución hacia atrás a través de Ux=y — cada uno de los cuales toma solo O(n²) operaciones. Esto es mucho más rápido que recomputar la descomposición completa cada vez. El determinante de A es igual al producto de las entradas diagonales de U (multiplicado por el signo de cualquier intercambio de filas durante el pivoteo parcial). La descomposición LU es el algoritmo subyacente a la mayoría de las bibliotecas de computación científica para resolver sistemas lineales.

¿Cuáles son las matrices de ejemplo preestablecidas y por qué son útiles?

La calculadora incluye cuatro preestablecidos para una rápida experimentación. La matriz de Rotación 2×2 [[0,-1],[1,0]] rota vectores 90 grados en sentido antihorario — útil para aprender cómo la multiplicación de matrices implementa rotaciones. El Cuadrado Mágico 3×3 tiene filas, columnas y diagonales que suman 15, y tiene un determinante de -360 y rango 3. La Identidad 3×3 es el elemento neutro de la multiplicación de matrices: A×I = I×A = A para cualquier A compatible. La matriz de Fibonacci 2×2 [[1,1],[1,0]] elevada a la potencia n da el enésimo número de Fibonacci en la posición [0][0] — una hermosa demostración de las potencias de matrices. Carga cualquier preestablecido, luego modifica los valores para explorar cómo cambian los resultados.