Vectores, transformaciones, determinantes y eigenvalores — todo con geometría interactiva. La esencia del álgebra lineal, sin ecuaciones abstractas.
4 modos interactivos · Funciona en el navegador · Sin instalación
La regla del paralelogramo: u+v es la diagonal del paralelogramo formado por u y v.
La matemática de las transformaciones del espacio, el fundamento de la IA y los gráficos 3D
El álgebra lineal es la rama de las matemáticas que estudia los vectores, los espacios vectoriales y las transformaciones lineales. A diferencia del cálculo —que estudia el cambio infinitesimal— el álgebra lineal estudia relaciones que escalan, rotan y proyectan el espacio de manera predecible y elegante.
Está en todas partes: los gráficos de videojuegos, la compresión de imágenes, el reconocimiento facial, los modelos de lenguaje y la mecánica cuántica son imposibles sin álgebra lineal.
Un vector en 2D es simplemente un par de números (x, y) que representa un desplazamiento en el plano. Su módulo |v| = √(x²+y²) es su longitud, y su direcciónes el ángulo que forma con el eje x. La suma de dos vectores sigue la regla del paralelogramo: el vector resultante es la diagonal del paralelogramo que forman los dos vectores.
El producto escalar u·v = |u||v|cos(θ) captura la «similitud de dirección» entre dos vectores. Si es 0, son perpendiculares. Si es positivo, apuntan en la misma dirección. Si es negativo, apuntan en sentidos opuestos.
Una matriz 2×2 no es solo una tabla de números: es una transformación del plano. Multiplicar un vector por una matriz equivale a aplicarle esa transformación. Los dos vectores columna de la matriz son exactamente a dónde van los vectores base (1,0) y (0,1) después de la transformación. Todo lo demás se transforma de forma proporcional.
Esta es la idea central de 3Blue1Brown: «piensa en las matrices como transformaciones del espacio, no como listas de números».
El determinante de una matriz 2×2 mide el factor de escala del áreabajo la transformación. Si |det| = 2, la transformación duplica todas las áreas. Si det = 0, la transformación colapsa el plano a una línea (o un punto) y no tiene inversa. Si det < 0, la transformación invierte la orientación: izquierda y derecha se intercambian, como un espejo.
Visualmente, el determinante es exactamente el área del paralelogramo formado por los vectores columna de la matriz. Esta geometría hace comprensible por qué det(AB) = det(A)·det(B).
Dado una transformación lineal A, un eigenvector es un vector que, al aplicarle A, solo cambia de escala pero no de dirección: Av = λv. El escalar λ es el eigenvalor correspondiente, que indica cuánto se estira o comprime ese vector.
Los eigenvectores son los «ejes invariantes» de la transformación: el espacio puede retorcerse en muchas direcciones, pero los eigenvectores permanecen en su misma línea. Para matrices simétricas (como las covarianzas estadísticas), los eigenvectores son siempre ortogonales entre sí.
| Concepto | Objeto matemático | Operación clave | Resultado | Aplicación |
|---|---|---|---|---|
| Vector | Flecha con dirección y módulo | Suma, producto escalar | Vector, escalar | Física, gráficos 3D |
| Matriz | Tabla de números | Multiplicación, transposición | Transformación lineal | Redes neuronales, rotaciones |
| Determinante | Escalar de una matriz cuadrada | det(A) = ad − bc | Factor de escala de área | Resolver sistemas lineales |
| Eigenvalor/vector | Par (λ, v) tal que Av = λv | Polinomio característico | Ejes invariantes | PCA, PageRank, cuántica |
Las matrices de pesos en redes neuronales son transformaciones lineales. El entrenamiento mediante backpropagation usa multiplicación matricial en cada capa.
Cada «capa densa» en PyTorch o TensorFlow es literalmente una multiplicación de matrices seguida de una función no lineal.
Rotaciones, escalas y proyecciones en 3D son matrices. La GPU aplica millones de transformaciones matriciales por segundo para renderizar cada fotograma.
La matriz de perspectiva que convierte el espacio 3D en la pantalla 2D es una de las transformaciones más importantes del motor gráfico.
PCA (Análisis de Componentes Principales) usa eigenvalores para encontrar las direcciones de mayor varianza y reducir dimensiones preservando la información relevante.
Con eigenvalores puedes comprimir un dataset de 1000 variables a 10 componentes que explican el 95% de la varianza.
Los estados cuánticos son vectores en espacio de Hilbert. Los observables físicos (posición, momento, energía) son matrices simétricas llamadas operadores hermitianos.
El principio de incertidumbre de Heisenberg se expresa directamente en términos de conmutadores matriciales: AB − BA ≠ 0.
El álgebra de bachillerato trabaja con escalares (números) y ecuaciones de una variable. El álgebra lineal trabaja con vectores y matrices: objetos que viven en espacios de múltiples dimensiones. Las «ecuaciones» son transformaciones que mueven el espacio completo, no solo un punto en una recta.
Ejemplo: resolver ax = b en bachillerato. En álgebra lineal: Ax = b, donde A es una matriz y x un vector — la solución existe si det(A) ≠ 0.
Una transformación T es lineal si: T(u + v) = T(u) + T(v) y T(αv) = αT(v). En términos geométricos: el origen no se mueve, las líneas rectas siguen siendo rectas, y las líneas paralelas siguen paralelas. La escala y la proporción se preservan.
Lo que NO puede hacer una transformación lineal: curvar líneas, desplazar el origen, o crear nuevas intersecciones.
El determinante de una matriz 2×2 da el área del paralelogramo formado por sus vectores columna. Cuando aplicas la transformación, todas las áreas del plano se multiplican por |det(A)|. Si det = 2, todo se duplica. Si det = 0, todo se colapsa a una línea (área cero).
En 3D, el determinante mide el volumen del paralelepípedo formado por las tres columnas.
Cuando el discriminante del polinomio característico es negativo: (traza/2)² - det < 0. Las matrices de rotación pura (sin reflexión ni escala) siempre tienen eigenvalores complejos, porque no hay ninguna dirección real que «solo se estire». En el visualizador solo mostramos matrices simétricas, que garantizan eigenvalores reales.
Los eigenvalores complejos aparecen en sistemas de oscilación y control — representan rotaciones en el espacio de estados del sistema.
El rango es el número de columnas (o filas) linealmente independientes — la «dimensión real» de la imagen de la transformación. Si la matriz 3×3 tiene rango 2, colapsa el espacio 3D a un plano 2D. Rango máximo = la matriz es invertible. Rango menor = información perdida.
En aprendizaje automático, el rango de la matriz de datos determina cuántas dimensiones independientes tiene realmente tu dataset.
Cada capa de una red neuronal aplica una transformación lineal (multiplicación de matrices W·x + b) seguida de una función de activación no lineal. El entrenamiento calcula gradientes mediante multiplicaciones matriciales encadenadas (backpropagation). Sin álgebra lineal eficiente no existiría la IA moderna.
GPT-4 aplica matrices de millones de parámetros para generar cada token. La atención (attention) en transformers es esencialmente un producto de matrices sobre vectores de «query», «key» y «value».
Identifica (1,0) y (0,1) — los vectores canónicos. Toda transformación queda completamente definida por dónde van estos dos vectores. El resto del espacio se mueve de forma proporcional.
La primera columna [a, c] es el destino de (1,0). La segunda columna [b, d] es el destino de (0,1). No necesitas más para entender completamente la transformación.
det = ad − bc. Indica el factor de escala de área. Si es negativo, la orientación se invierte. Si es cero, la transformación colapsa el espacio y no es invertible.
Resuelve det(A − λI) = 0 para obtener los eigenvalores λ. Luego sustituye cada λ en (A − λI)v = 0 para hallar los eigenvectores. Son las direcciones que la transformación solo estira, sin rotar.
Multiplica cualquier vector por la matriz para ver dónde «aterriza». En el visualizador, mueve los sliders y observa en tiempo real cómo la cuadrícula se transforma — eso es álgebra lineal en acción.
Las matrices son funciones del espacio, no listas de números. Cada columna es a dónde va un vector base.
La composición A∘B se calcula como AB, pero AB ≠ BA en general. Rotar y luego escalar ≠ escalar y luego rotar.
Una matriz es invertible si y solo si su determinante es distinto de cero. Si det = 0, la transformación destruye información.
Para encontrar eigenvalores, resuelve det(A − λI) = 0. Para matrices 2×2 es una ecuación cuadrática sencilla.
Si A = Aᵀ, todos sus eigenvalores son reales y los eigenvectores son ortogonales entre sí. Muy conveniente para PCA.
El determinante de un producto es el producto de los determinantes. Si A escala ×2 y B escala ×3, AB escala ×6.