Matemáticas II: temario, examen y resumen

Resumen Ejecutivo

El estudio del Álgebra Lineal constituye uno de los pilares fundamentales de las matemáticas modernas y es un bloque crítico en la preparación para la EBAU, representando habitualmente entre 2,5 y 3 puntos de la nota final. Esta disciplina se encarga de estructurar el pensamiento numérico a través de matrices, que no son más que tablas organizadas de datos, y determinantes, valores numéricos que revelan propiedades profundas de dichas tablas. A lo largo de esta clase magistral, exploraremos cómo estas herramientas nos permiten determinar el rango de un conjunto de vectores, calcular la matriz inversa para despejar incógnitas complejas y, finalmente, enfrentarnos a la resolución y discusión de sistemas de ecuaciones lineales mediante el potente Teorema de Rouché-Frobenius. El dominio de este bloque no solo requiere habilidad de cálculo, sino una comprensión conceptual rigurosa para clasificar correctamente los sistemas antes de aventurarse a dar una solución numérica.

📊 Diagrama

---

1. 🏗️ Matrices y Operaciones Fundamentales

📊 Diagrama

# 1.1 Evolución y Definición Matricial

Para comprender el Álgebra Lineal, debemos remontarnos a sus raíces históricas. Aunque hoy las vemos como herramientas abstractas, las matrices nacieron de la necesidad de resolver sistemas complejos de forma eficiente. Fue Arthur Cayley en el siglo XIX quien formalizó la teoría, aunque civilizaciones antiguas ya usaban esquemas similares. Una matriz de dimensión es esencialmente una tabla rectangular que organiza números reales en filas y columnas. La notación estándar que utilizaremos es , donde el subíndice identifica la fila y el subíndice indica la columna. Esta organización no es caprichosa; permite localizar cualquier dato con precisión quirúrgica en un mar de información.

Dentro del ecosistema matricial, existen especies particulares que debemos reconocer al instante. Una matriz cuadrada es aquella donde el número de filas coincide con el de columnas (). Esta es la "reina" de las matrices, pues solo ellas poseen determinantes e inversas. Si solo tiene una fila, la llamamos matriz fila (), y si solo tiene una columna, matriz columna (). Entre las matrices cuadradas, destaca la Matriz Identidad (), que actúa como el número "uno" en el mundo de las matrices: posee una diagonal de unos y el resto de sus elementos son ceros. Es el elemento neutro del producto matricial, una propiedad que usaremos constantemente para despejar ecuaciones.

Otras formas críticas incluyen la matriz traspuesta (), que se obtiene al intercambiar filas por columnas. Si una matriz es idéntica a su traspuesta (), decimos que es simétrica, mientras que si es igual a su opuesta (), es antisimétrica. Finalmente, las matrices triangulares (superior o inferior) son aquellas que tienen ceros por debajo o por encima de su diagonal principal, simplificando enormemente los cálculos posteriores al reducir la complejidad de los determinantes y facilitar el método de Gauss.

# 1.2 Operaciones y Aritmética Matricial

La interacción entre matrices sigue reglas estrictas que difieren de la aritmética escalar común. La suma de matrices es una operación intuitiva, pero con una restricción innegociable: ambas matrices deben tener exactamente la misma dimensión. Si se cumple, sumamos elemento a elemento: . Imagina esto como unir dos estanterías idénticas donde cada objeto se suma con el que ocupa su misma posición. Esta operación cumple las propiedades asociativa, conmutativa y posee un elemento neutro (la matriz nula).

Por otro lado, el producto por un escalar consiste en multiplicar cada elemento de la matriz por dicho número: . Es una operación "democrática" donde el escalar afecta a todos los integrantes de la tabla por igual. A diferencia del determinante (que veremos luego), donde el escalar solo afecta a una fila, aquí el número penetra en cada celda de la matriz, expandiendo o contrayendo toda la estructura uniformemente.

Sin embargo, el producto de matrices es donde la complejidad aumenta exponencialmente. Para que el producto exista, el número de columnas de A debe ser igual al número de filas de B. Si es de dimensión y es de , el resultado será una matriz de . El cálculo se realiza mediante el sumatorio:

Esto significa que cada elemento de la nueva matriz es el resultado de combinar una fila de la primera con una columna de la segunda. Es un baile coordinado de filas por columnas que genera una nueva entidad matemática con propiedades transformadoras.

# 1.3 Potencias y Razonamiento Inductivo

En el contexto de la EBAU, es muy frecuente que se nos pida calcular para valores elevados de (como ). Obviamente, no multiplicaremos la matriz cien veces, pues el tiempo de examen es limitado y el error humano sería inevitable. El secreto reside en calcular las primeras potencias () para conjeturar un patrón matemático. Este proceso se asemeja a encontrar la ley de formación de una sucesión, donde observamos cómo evolucionan los elementos de la matriz en función del exponente.

Una vez identificado el patrón, debemos utilizar el método de inducción para demostrarlo formalmente. Este proceso lógico consta de tres pasos fundamentales:

1. Base: Comprobar que la fórmula se cumple para .
2. Hipótesis: Suponer que la fórmula es cierta para un valor arbitrario .
3. Paso Inductivo: Demostrar que, si es cierto para , también lo es para mediante el producto .

Imagina que tenemos la matriz . Al calcular , obtenemos . Al calcular , resulta . El patrón parece ser . El razonamiento inductivo nos permite asegurar que este comportamiento se mantiene hasta el infinito, permitiéndonos responder con seguridad que sin haber realizado noventa y nueve multiplicaciones adicionales.

# 1.4 Caso de Estudio: Inventarios

Imagina una empresa que gestiona tres almacenes y dos tipos de productos. Podemos representar el inventario actual mediante una matriz . Si la empresa recibe un pedido que duplica sus existencias, aplicamos el producto por un escalar (). Si posteriormente abre un nuevo almacén, necesitaríamos una nueva fila. Este ejemplo trivial ilustra cómo las matrices actúan como contenedores de datos dinámicos. En la vida real, las matrices de Google para clasificar páginas web tienen dimensiones de billones por billones, pero las reglas de suma y producto que estudiamos aquí siguen siendo las mismas.

El uso de matrices en la optimización de procesos permite a los ingenieros modelar cadenas de suministro complejas. Por ejemplo, si una matriz representa los materiales necesarios para fabricar piezas, y una matriz representa las piezas necesarias para fabricar coches, el producto nos da directamente los materiales necesarios para cada coche. Este encadenamiento lógico es la esencia del álgebra lineal aplicada: transformar datos brutos en decisiones estratégicas mediante operaciones estructurales.

💡 Tip Pro: En el producto de matrices, el orden importa. La propiedad no conmutativa es la regla general: . Nunca asumas que puedes cambiar el orden de los factores sin alterar el producto, a menos que se te indique explícitamente que las matrices conmutan.
⚠️ Error común: Intentar aplicar la identidad notable a las matrices. Esto es falso en general, ya que solo funciona si las matrices conmutan (), algo que rara vez sucede en el universo matricial.

---

2. 🔍 Determinantes: El Valor de la Matriz

📊 Diagrama

# 2.1 Concepto y Significado Geométrico

El cálculo varía según el orden de la matriz, aumentando en complejidad:

• Orden 3: Se utiliza la famosa Regla de Sarrus, que suma los productos de la diagonal principal y sus paralelas, y resta los productos de la diagonal secundaria y sus respectivas paralelas. Es un método visual y rápido, pero limitado estrictamente al orden 3.

# 2.2 Las 9 Propiedades de Oro

El dominio de los determinantes no consiste en hacer cálculos brutos (que llevan al error), sino en aplicar sus propiedades para simplificar el trabajo. Estas reglas son las herramientas de un artesano:

1. Intercambio: Si intercambias dos filas o columnas, el determinante cambia de signo. Es una operación de antisimetría.
2. 3. <u>Fila de ceros:</u> Si una fila o columna es completa de ceros, $|A| = 0$. La matriz ha "muerto" dimensionalmente.
3. 4. <u>Dependencia:</u> Si dos filas o columnas son iguales o proporcionales, $|A| = 0$. No hay información nueva, hay redundancia.
4. Multiplicación por escalar: Si multiplicas una sola fila por , el determinante se multiplica por .
5. Escalar global: Si multiplicas toda la matriz de orden por , el determinante queda multiplicado por . Este es el error más repetido en la EBAU.
6. 7. <u>Producto:</u> El determinante del producto es el producto de los determinantes: $|A \cdot B| = |A| \cdot |B|$.
7. 8. <u>Inversa:</u> El determinante de la inversa es el inverso del determinante: $|A^{-1}| = 1/|A|$.
8. Combinación lineal: Si a una fila le sumas otra multiplicada por un número, el determinante no varía. Esta es la base del método de Gauss para hacer ceros.

# 2.3 Estrategias con Parámetros y Ceros

Un ejercicio clásico de examen consiste en calcular un determinante donde algunos elementos dependen de un parámetro o . El objetivo suele ser hallar para qué valores del parámetro el determinante se anula. Para evitar polinomios de grado 4 o 5 imposibles de resolver, debemos usar la propiedad 9 para hacer ceros estratégicos. Si logramos que una columna tenga todos ceros menos uno, el desarrollo por adjuntos será inmediato y factorizado.

# 2.4 Caso de Estudio: Filtros de Imagen

En la computación visual, cada imagen es una matriz de píxeles. Los filtros de Instagram o Photoshop funcionan aplicando una pequeña matriz llamada kernel sobre la matriz de la imagen. El determinante de estos kernels indica si el filtro conservará el brillo original de la imagen. Si el determinante es 1, la luminosidad se mantiene; si es menor que 1, la imagen se oscurece.

Imagina un filtro que detecta bordes. Estos filtros suelen tener una matriz cuyo determinante es cercano a cero, porque su objetivo es eliminar la mayor parte de la información (los colores planos) y quedarse solo con los cambios bruscos de intensidad (los bordes). El Álgebra Lineal está detrás de cada fotografía que tomas con tu smartphone, procesando matrices en milisegundos para aplicar correcciones de color y enfoque.

💡 Tip Pro: Al trabajar con parámetros, siempre intenta sacar factores comunes de las filas o columnas antes de desarrollar. Si ves que todos los elementos de una fila son múltiplos de , sácalo fuera del determinante. Esto evita que termines con polinomios difíciles de manejar.
⚠️ Error común: Olvidar el factor al desarrollar por adjuntos. Crea un "tablero de ajedrez" mental de signos: el primer elemento es , el siguiente , y así sucesivamente. Un signo erróneo aquí invalida todo el ejercicio de sistemas posterior.

---

3. 📉 Rango e Inversa de una Matriz

📊 Diagrama

# 3.1 El Rango y la Independencia Lineal

El rango de una matriz, , representa el número máximo de filas o columnas que son linealmente independientes. En términos pedagógicos, el rango mide la "calidad" de la información: cuántas filas nos están diciendo algo realmente nuevo y cuántas son simples repeticiones o combinaciones de las anteriores. Matemáticamente, equivale al orden del mayor menor no nulo que podemos encontrar. Para una matriz de dimensión , el rango siempre será menor o igual al valor más pequeño entre y .

Para calcularlo con eficiencia, utilizamos el Método del Orlado, un proceso sistemático que evita cálculos innecesarios:

1. Localizamos un elemento distinto de cero (garantiza ).
2. Buscamos un menor de orden 2 que contenga a ese elemento y que no sea nulo (garantiza ).
3. "Orlamos" ese menor: le añadimos una fila y una columna de la matriz original para formar un menor de orden 3. Si este determinante es distinto de cero, el rango es al menos 3.
4. Repetimos el proceso. Si todos los posibles orlados de un menor de orden dan cero, entonces el rango de la matriz es exactamente .

# 3.2 Métodos para Hallar la Inversa

Existen dos caminos principales para hallarla, cada uno con sus ventajas:

• Método de Gauss-Jordan: Escribimos la matriz ampliada y aplicamos operaciones elementales por filas hasta transformar la parte izquierda en la identidad. Es un método más visual y preferido por muchos por evitar la tediosa matriz de adjuntos, pero requiere una precisión aritmética extrema para no arrastrar errores de fracciones.

# 3.3 El Arte de Despejar Ecuaciones

En el álgebra lineal, la división no existe. Para "pasar al otro lado" una matriz en una ecuación como , debemos multiplicar por la matriz inversa . Debido a la no conmutatividad del producto matricial, el lado por el que multiplicamos es absolutamente sagrado:

• Si , multiplicamos por la izquierda: .
• Si , multiplicamos por la derecha: .

Este concepto es vital en problemas de la EBAU donde aparecen expresiones como . Primero aislamos el término con la incógnita () y luego aplicamos la inversa con cuidado extremo en el orden. Ignorar esta regla es el camino más rápido hacia un error fatal en el examen.

# 3.4 Caso de Estudio: Criptografía Clásica

El Cifrado de Hill es un método criptográfico que utiliza matrices para proteger información. Para cifrar un mensaje, este se divide en bloques y se convierte en vectores numéricos. Luego, se multiplica cada vector por una matriz clave . El resultado es el mensaje cifrado. Para descifrarlo, el receptor necesita conocer la matriz inversa .

Si el determinante de la matriz clave fuera cero, el mensaje no podría descifrarse, ya que se habría perdido información durante el proceso de cifrado (la matriz habría colapsado las dimensiones del mensaje). Este es un ejemplo real de por qué la invertibilidad y el determinante no nulo son conceptos fundamentales no solo en matemáticas, sino en la seguridad de nuestras comunicaciones digitales diarias.

💡 Tip Pro: Antes de lanzarte a calcular una matriz inversa, ¡calcula siempre el determinante primero! Si el determinante es cero, no pierdas el tiempo: la inversa no existe. En los exámenes, a veces se pide la inversa de una matriz que depende de un parámetro; asegúrate de especificar para qué valores de dicho parámetro el cálculo es válido.
⚠️ Error común: Escribir . Esta expresión es una aberración matemática en el contexto de matrices. Los correctores de selectividad son muy estrictos con esto; usa siempre la notación de exponente y respeta el orden de multiplicación.

---

4. ⚖️ Sistemas de Ecuaciones Lineales

📊 Diagrama

# 4.1 La Sentencia de Rouché-Frobenius

El Teorema de Rouché-Frobenius es el "juez supremo" de los sistemas de ecuaciones. Nos permite saber, antes de mover un solo número, si un sistema tiene solución y si esta es única. Para aplicarlo, consideramos la matriz de coeficientes y la matriz ampliada , que incluye la columna de términos independientes. Al comparar sus rangos con el número de incógnitas (), el veredicto es claro:

• SCD (Sistema Compatible Determinado): . Existe una solución única. Geométricamente, son planos que se cortan en un solo punto.
• SCI (Sistema Compatible Indeterminado): . Existen infinitas soluciones. Los planos pueden coincidir en una recta o ser el mismo plano. Se usan parámetros () para describir la familia de soluciones.
• SI (Sistema Incompatible): . No existe solución. Los planos no tienen ningún punto en común (por ejemplo, son paralelos o forman un "prisma" sin intersección común).

Es obligatorio clasificar el sistema antes de intentar resolverlo. En los criterios de corrección oficiales, dar un resultado numérico sin haber justificado la compatibilidad mediante rangos suele conllevar una pérdida de hasta el 50% de la puntuación del ejercicio.

# 4.2 Métodos de Resolución: Gauss y Cramer

Una vez que el "juez" Rouché-Frobenius ha dictaminado que el sistema tiene solución, elegimos nuestra arma para hallarla:

1. Método de Gauss: Es el más versátil. Mediante operaciones elementales (sumar filas, multiplicar por números), transformamos el sistema en uno escalonado. Es especialmente potente para sistemas SCI, ya que nos permite ver claramente qué variables actúan como parámetros libres.
2. Método Matricial: Resolvemos . Es ideal cuando ya hemos calculado la inversa en un apartado anterior del examen.

# 4.3 Protocolo para Sistemas con Parámetros

El "ejercicio estrella" de la EBAU es la discusión de un sistema con un parámetro . El protocolo para obtener la máxima nota es inamovible:
1. **Estudio del determinante:** Calculamos $|A|$ en función de $m$ e igualamos a cero para hallar los **valores críticos**.
2. **Caso General:** Afirmamos que para todo $m$ distinto de esos valores, $|A| \neq 0$, por lo que $\text{rg}(A) = \text{rg}(A^*) = 3$ (en un sistema $3 \times 3$), y el sistema es **SCD**.

1. Casos Particulares: Para cada valor crítico, sustituimos el valor en el sistema original. Ahora tenemos un sistema numérico sencillo que analizamos por Gauss o por menores para decidir si es SCI o SI.
2. Conclusión: Resumimos todos los casos encontrados de forma clara.

Este enfoque estructurado demuestra madurez matemática y facilita el trabajo del corrector, asegurando que no nos olvidamos de ningún escenario posible.

# 4.4 Caso de Estudio: Planificación de Tráfico

En el urbanismo moderno, el flujo de tráfico en una red de calles se modela mediante sistemas de ecuaciones lineales. Cada intersección es una ecuación donde "lo que entra debe ser igual a lo que sale". Si tenemos una red con 50 intersecciones, tendremos un sistema de 50 ecuaciones.

A menudo, estos sistemas son SCI (Compatibles Indeterminados), lo que significa que hay varias formas de distribuir el tráfico para que la red no colapse. Los ingenieros utilizan estos "grados de libertad" (los parámetros libres) para optimizar el consumo de combustible o minimizar los tiempos de espera en los semáforos. Sin el Álgebra Lineal, sería imposible gestionar el tráfico de ciudades como Madrid o Barcelona de forma eficiente.

💡 **Tip Pro: En los sistemas SCI**, el número de parámetros que necesitas es igual a . Si tienes 3 incógnitas y el rango es 2, necesitas 1 parámetro (). Llama a una de tus incógnitas (normalmente la ) y despeja las demás en función de ella.

---

5. 🚀 Aplicaciones en el Mundo Real

📊 Diagrama

# 5.1 Transformaciones en Videojuegos

Cada vez que mueves la cámara en un videojuego como Fortnite o Minecraft, la tarjeta gráfica está realizando millones de productos de matrices por segundo. Los objetos en 3 D se definen mediante vértices (vectores columna). Para rotar un objeto, se multiplica su posición por una matriz de rotación. Para alejarlo, se usa una matriz de escalado. El álgebra lineal es el motor invisible que renderiza los mundos virtuales, transformando coordenadas matemáticas en imágenes vibrantes en tu pantalla.

# 5.2 El Secreto de Google: PageRank

¿Cómo sabe Google qué páginas son las más importantes? En sus inicios, el algoritmo PageRank revolucionó internet tratando a la red como una gigantesca matriz. Cada página es un nodo y cada enlace es una conexión. La importancia de una página se calcula hallando el autovector de una matriz de probabilidad. Aunque el cálculo es masivo, la teoría subyacente es la misma que estudias en bachillerato: una estructura de datos organizada que se resuelve mediante operaciones lineales para encontrar un estado de equilibrio o importancia.

# 5.3 Economía: El Modelo de Leontief

Wassily Leontief ganó el Premio Nobel de Economía por desarrollar un modelo que utiliza matrices para analizar la interdependencia de los sectores de una economía. En su modelo, la matriz de coeficientes tecnológicos representa cuánto necesita un sector (como la agricultura) de otro (como la energía) para producir una unidad de valor. Resolver este sistema permite a los gobiernos predecir cómo un cambio en el precio del petróleo afectará a toda la cadena de producción nacional.

---

📚 Glosario de Términos Clave

# 🔹 Terminología Esencial

• MATRIZ CUADRADA: Estructura algebraica con el mismo número de filas que de columnas (). Es el único tipo de matriz que puede tener determinante, inversa y ser usada en la Regla de Cramer.
• DETERMINANTE: Función que asigna a cada matriz cuadrada un número real. Es la "huella dactilar" de la matriz: si es cero, la matriz es singular (no invertible) y colapsa dimensiones.
• RANGO: El número de filas o columnas linealmente independientes. Define la dimensión del espacio imagen de la matriz y es la clave del Teorema de Rouché-Frobenius.
• MATRIZ IDENTIDAD: Matriz con unos en la diagonal principal y ceros en el resto. Es el elemento neutro del producto: . Equivale al número 1 en la aritmética clásica.
• MATRIZ ADJUNTA: Matriz formada por los adjuntos de cada elemento. Es un paso intermedio esencial para el cálculo de la inversa mediante el método de los adjuntos.

# 🔸 Conceptos Avanzados

• TEOREMA DE ROUCHÉ-FROBENIUS: Ley fundamental que clasifica los sistemas de ecuaciones comparando los rangos de la matriz de coeficientes y la ampliada. Determina la existencia y unicidad de soluciones.
• REGLA DE SARRUS: Método mnemotécnico para calcular determinantes de orden 3. Consiste en sumar los productos de las diagonales principales y restar los de las secundarias.
• MENOR COMPLEMENTARIO: Determinante de la submatriz que resulta de eliminar la fila y la columna de un elemento dado. Es la base para calcular el adjunto.
• SISTEMA COMPATIBLE INDETERMINADO (SCI): Sistema que tiene infinitas soluciones. Ocurre cuando hay menos información independiente que incógnitas, dejando "grados de libertad" representados por parámetros.

# 🔺 Operaciones y Tipos Estructurales

• PRODUCTO DE MATRICES: Operación que solo es posible si el número de columnas de la primera matriz coincide con el de filas de la segunda. Si es y es , el resultado es una matriz de . Es una operación no conmutativa (), lo que significa que el orden de los factores altera el producto final.
• MATRIZ TRASPUESTA (****): Matriz resultante de intercambiar ordenadamente las filas por las columnas de una matriz original. Posee propiedades específicas como , donde el orden de los factores se invierte al aplicar la trasposición al producto.
• MATRIZ SIMÉTRICA Y ANTISIMÉTRICA: Una matriz es simétrica si coincide exactamente con su traspuesta (). Por el contrario, es antisimétrica si su traspuesta es igual a su opuesta (), lo que implica que los elementos de su diagonal principal deben ser obligatoriamente cero.
• MATRIZ TRIANGULAR: Se clasifica en superior (cuando todos los elementos por debajo de la diagonal principal son ceros) e inferior (cuando los ceros están por encima). Estas matrices facilitan el cálculo de determinantes y la resolución de sistemas mediante métodos de escalonamiento.
• SUMA DE MATRICES: Operación lineal que solo puede realizarse entre matrices de la misma dimensión. Se ejecuta elemento a elemento, cumpliendo que , y mantiene las propiedades asociativa y distributiva respecto al producto por un escalar.
• PRODUCTO POR ESCALAR: Operación que consiste en multiplicar cada elemento individual de la matriz por un número real . Se denota como y permite escalar la magnitud de la matriz sin alterar su estructura de filas y columnas.

📊 Comparativa Final

🔹 MÉTODO DE GAUSS

• Aplicabilidad: Universal. Sirve para cualquier sistema (SCD, SCI, SI) y cualquier dimensión (, etc.).
• Procedimiento: Triangulación de la matriz mediante operaciones de fila para despejar de abajo hacia arriba.
• Ventaja: Es el más potente para detectar sistemas incompatibles o con infinitas soluciones de forma visual (filas de ceros).

🔸 REGLA DE CRAMER

• Procedimiento: Uso de cocientes de determinantes para hallar cada variable de forma independiente.
• Ventaja: Muy rápido si solo necesitas hallar una de las incógnitas y el determinante principal es un número sencillo.

🔹 MÉTODO DEL ORLADO

• Aplicabilidad: Cálculo de rangos en matrices de cualquier tamaño, especialmente útil en matrices no cuadradas.
• Procedimiento: Partir de un elemento no nulo e ir construyendo menores de orden superior que lo contengan.
• Ventaja: Ahorra mucho tiempo al no tener que calcular todos los determinantes posibles de una matriz grande.

🔸 FÓRMULA DE ADJUNTOS

• Aplicabilidad: Matrices cuadradas con determinante no nulo.
• Ventaja: Es un proceso algorítmico y ciego; si no te equivocas en las cuentas, el resultado es garantizado sin necesidad de "estrategia" de pivotes.