Ver esquema

Tema 18. Matrices. Álgebra de matrices. Aplicaciones al campo de las Ciencias Sociales y de la Naturaleza.

Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria) · Índice oficial del BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria.

Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.

El Tema 18 estudia las matrices como objeto algebraico central del bloque de Álgebra Lineal: su definición, tipos, operaciones (incluida la inversión) y, de forma explícita en el propio enunciado del temario, sus aplicaciones al campo de las Ciencias Sociales y de la Naturaleza, un puente entre el álgebra pura y la modelización de fenómenos reales que resulta especialmente relevante para la vía de Bachillerato de Ciencias Sociales. Se amplía el tema con tipos adicionales de matrices, propiedades de la traspuesta y la traza, potencias de matrices, ecuaciones matriciales, rango y matriz inversa con ejemplos, matrices y transformaciones lineales, y las aplicaciones a las Ciencias Sociales y de la Naturaleza (tablas de datos, cadenas de Markov, modelo de Leontief, grafos, modelos demográficos de Leslie, criptografía de Hill y PageRank), junto con la historia del concepto y los errores didácticos típicos.

← Ver el índice completo del temario

Concepto de matriz, tipos especiales y notación

Una matriz A de dimensión m×n es una tabla ordenada de m·n elementos (habitualmente números reales) dispuestos en m filas y n columnas, denotada A=(aᵢⱼ). Se distinguen tipos especiales por su relevancia teórica y práctica: matriz cuadrada (m=n), matriz identidad (elementos 1 en la diagonal principal y 0 fuera de ella, elemento neutro del producto), matriz diagonal, matrices triangulares (superior/inferior), matriz nula, matriz traspuesta (Aᵀ, que intercambia filas por columnas) y matrices simétricas (A=Aᵀ) y antisimétricas (A=−Aᵀ). El término "matriz" fue acuñado por James Joseph Sylvester en 1850, pero fue Arthur Cayley quien, en su "A Memoir on the Theory of Matrices" (1858), desarrolló sistemáticamente el álgebra matricial tal y como se enseña hoy, definiendo con precisión la suma, el producto y la matriz inversa.

Operaciones con matrices: suma, producto por escalar, producto matricial

La suma de matrices (de igual dimensión) y el producto de una matriz por un escalar se realizan componente a componente, y dotan al conjunto de matrices m×n de estructura de espacio vectorial, enlazando con el tema 12. El producto matricial, en cambio, es más sutil: solo puede multiplicarse A (m×n) por B (n×p) si el número de columnas de A coincide con el de filas de B, y el elemento (i,j) del producto resulta de la suma de los productos de la fila i de A por la columna j de B. El producto matricial es asociativo y distributivo respecto de la suma, pero, salvo casos particulares, no es conmutativo: en general AB≠BA, e incluso puede ocurrir que uno de los dos productos ni siquiera esté definido. El conjunto de las matrices cuadradas n×n, con la suma y el producto, forma un anillo no conmutativo con elemento unidad (la matriz identidad).

Matriz inversa: existencia, cálculo y propiedades

Una matriz cuadrada A es invertible (o regular, o no singular) si existe una matriz A⁻¹ tal que A·A⁻¹=A⁻¹·A=I. Existe si y solo si det(A)≠0 (enlazando con el tema 19). El cálculo puede realizarse mediante la matriz adjunta —A⁻¹ = (1/det(A))·Adj(A)ᵀ, donde Adj(A) es la matriz de adjuntos o cofactores— o, de forma más eficiente en la práctica, mediante el método de Gauss-Jordan aplicado a la matriz ampliada (A|I) hasta transformar A en I, momento en el que el bloque derecho se convierte en A⁻¹. Entre las propiedades más relevantes destaca (AB)⁻¹=B⁻¹A⁻¹ (obsérvese la inversión del orden, consecuencia directa de la no conmutatividad del producto) y la unicidad de la inversa cuando existe.

El rango de una matriz: definición y cálculo

El rango de una matriz A se define como el número máximo de filas (equivalentemente, de columnas) linealmente independientes, y coincide con la dimensión del subespacio vectorial generado por sus filas (o columnas). Puede calcularse de dos formas: mediante reducción por filas (transformaciones elementales de Gauss), contando el número de filas no nulas de la forma escalonada resultante; o mediante el estudio de menores, buscando el mayor menor no nulo que puede extraerse de la matriz. El rango es la magnitud clave que permite aplicar el teorema de Rouché-Frobenius (tema 16) para discutir sistemas de ecuaciones lineales, y también determina la dimensión de la imagen de la aplicación lineal que la matriz representa.

Aplicaciones de las matrices a las Ciencias Sociales y de la Naturaleza

El propio enunciado del tema, específico del temario de Matemáticas de Secundaria, subraya la conexión de las matrices con la modelización de fenómenos de las Ciencias Sociales y de la Naturaleza —un vínculo especialmente relevante en la vía de Bachillerato de Ciencias Sociales, donde las matrices son contenido curricular explícito—. Entre las aplicaciones más destacadas: las matrices de transición en las cadenas de Markov, empleadas para modelizar la evolución de sistemas con estados discretos (movimientos de población, cuotas de mercado, previsión meteorológica simplificada); las matrices de adyacencia en teoría de grafos (tema 2), que codifican las conexiones de una red (transporte, redes sociales); y los modelos input-output de Wassily Leontief (premio Nobel de Economía 1973), que representan mediante matrices las interdependencias entre los distintos sectores productivos de una economía. Estas aplicaciones son un recurso didáctico de primer orden para mostrar al alumnado que el álgebra matricial, lejos de ser un formalismo abstracto, es una herramienta de modelización con impacto directo en la economía, la demografía y las ciencias sociales.

Tipos adicionales de matrices y propiedades de la traspuesta y la traza

Además de los tipos básicos, son frecuentes: matriz ortogonal (AAᵀ=AᵀA=I, equivalentemente Aᵀ=A⁻¹; sus filas y columnas son ortonormales y det(A)=±1; es el caso de giros y simetrías), matriz idempotente (A²=A, como las proyecciones), matriz involutiva (A²=I, como las simetrías), matriz nilpotente (Aᵏ=0 para algún k, por ejemplo [[0,1],[0,0]] cumple A²=0) y matriz escalar (λI). En una matriz antisimétrica la diagonal es nula (aᵢᵢ=−aᵢᵢ) y toda matriz cuadrada se descompone de forma única en suma de una simétrica y una antisimétrica: A=(A+Aᵀ)/2+(A−Aᵀ)/2. Propiedades de la traspuesta: (Aᵀ)ᵀ=A, (A+B)ᵀ=Aᵀ+Bᵀ, (λA)ᵀ=λAᵀ y (AB)ᵀ=BᵀAᵀ (con el orden invertido). La traza tr(A)=Σaᵢᵢ de una matriz cuadrada cumple tr(A+B)=tr(A)+tr(B), tr(λA)=λ·tr(A), tr(Aᵀ)=tr(A) y tr(AB)=tr(BA), aunque AB≠BA en general. Para que AB esté definido, A debe ser m×n y B n×p, y el resultado es m×p. Dos matrices son iguales si tienen la misma dimensión y los mismos elementos. Estos resultados se usan para simplificar expresiones matriciales y para justificar la ausencia de propiedades que sí se cumplen con números.

Peculiaridades del producto: no conmutatividad, divisores de cero y productos notables

Ejemplo de no conmutatividad: con A=[[1,2],[3,4]] y B=[[0,1],[1,0]], AB=[[2,1],[4,3]] (B intercambia las columnas de A) y BA=[[3,4],[1,2]] (B intercambia las filas de A), así que AB≠BA. Consecuencias: (A+B)²=A²+AB+BA+B², que solo coincide con A²+2AB+B² si AB=BA; (A+B)(A−B)=A²−AB+BA−B², que no es A²−B² en general; y (AB)ⁿ≠AⁿBⁿ salvo conmutatividad. El anillo de matrices tiene divisores de cero: [[0,1],[0,0]]·[[0,1],[0,0]]=0 sin que ningún factor sea nulo, y también [[1,0],[0,0]]·[[0,0],[0,1]]=0. Por tanto, de AB=0 no se deduce A=0 ni B=0, y de AB=AC no se deduce B=C (la ley de simplificación solo vale si A es invertible). Una ecuación como X²=I tiene infinitas soluciones, entre ellas toda simetría ([[1,0],[0,−1]], [[0,1],[1,0]]), y X²=0 admite soluciones no nulas. En la ecuación matricial, el orden importa: AX=B da X=A⁻¹B, mientras que XA=B da X=BA⁻¹, y AXB=C da X=A⁻¹CB⁻¹ (con A y B invertibles). Estas diferencias con el cálculo numérico son la fuente de los errores más frecuentes en el aula y deben anticiparse.

Potencias de matrices: métodos de cálculo

Calcular Aⁿ no exige multiplicar n veces. (1) Detección de un patrón y demostración por inducción: para A=[[1,1],[0,1]], Aⁿ=[[1,n],[0,1]]. (2) Descomposición A=I+N con N nilpotente, usando el binomio de Newton (que vale porque I conmuta con N): (I+N)ⁿ=I+nN+C(n,2)N²+...; para N=[[0,1],[0,0]] solo sobreviven los dos primeros términos y se recupera el resultado anterior. (3) Matrices de giro: si R(θ)=[[cosθ,−senθ],[senθ,cosθ]], entonces R(θ)ⁿ=R(nθ) (consecuencia de las fórmulas de suma de ángulos). (4) Fibonacci: [[1,1],[1,0]]ⁿ=[[Fₙ₊₁,Fₙ],[Fₙ,Fₙ₋₁]], de modo que el cálculo de Fibonacci se reduce a potencias matriciales. (5) Diagonalización: si A=PDP⁻¹ con D diagonal, Aⁿ=PDⁿP⁻¹, y Dⁿ se obtiene elevando cada elemento diagonal. Ejemplo: A=[[2,1],[0,3]] tiene valores propios 2 y 3, con vectores propios (1,0) y (1,1); con P=[[1,1],[0,1]] se obtiene Aⁿ=[[2ⁿ, 3ⁿ−2ⁿ],[0,3ⁿ]], que para n=1 devuelve A. (6) Teorema de Cayley-Hamilton: toda matriz verifica su polinomio característico, p(A)=0, lo que permite reducir potencias altas. Estas técnicas conectan el tema con el binomio de Newton (tema 13) y las sucesiones recurrentes (tema 8).

Teorema de Cayley-Hamilton y fórmula de la inversa de una matriz 2×2

El teorema de Cayley-Hamilton afirma que toda matriz cuadrada anula su polinomio característico p(λ)=det(A−λI). Para una matriz 2×2, p(λ)=λ²−tr(A)λ+det(A), de modo que A²−tr(A)·A+det(A)·I=0. Si det(A)≠0, multiplicando por A⁻¹ se obtiene A⁻¹=(tr(A)·I−A)/det(A). Comprobación con A=[[1,2],[3,4]]: tr(A)=5, det(A)=−2 y (5I−A)/(−2)=[[4,−2],[−3,1]]/(−2)=[[−2,1],[3/2,−1/2]], que coincide con la inversa obtenida por otros métodos. La fórmula directa de la inversa 2×2 es [[a,b],[c,d]]⁻¹=(1/(ad−bc))·[[d,−b],[−c,a]]. Esta identidad resuelve en el aula ejercicios del tipo «calcular A⁻¹ a partir de una ecuación como A²−3A+2I=0», pues A(A−3I)=−2I y, por tanto, A⁻¹=(3I−A)/2. Para matrices nilpotentes, si Nᵏ=0, entonces I−N es invertible con inversa I+N+N²+...+Nᵏ⁻¹ (suma geométrica matricial), resultado análogo a la serie geométrica que reaparece en el modelo de Leontief como (I−A)⁻¹=I+A+A²+... cuando las potencias de A tienden a 0.

Cálculo de la inversa por adjuntos y por Gauss-Jordan: ejemplos

Ejemplo por adjuntos. Sea A=[[1,0,1],[0,1,0],[1,0,2]]. Su determinante es 1·(2−0)−0+1·(0−1)=1, distinto de cero. La matriz de adjuntos (cofactores) es [[2,0,−1],[0,1,0],[−1,0,1]], que es simétrica, de modo que su traspuesta coincide con ella, y A⁻¹=(1/1)·[[2,0,−1],[0,1,0],[−1,0,1]]. Se comprueba: la primera fila de A por la primera columna de A⁻¹ da 2−1=1, y la tercera fila por la tercera columna da −1+2=1. Propiedades útiles: (A⁻¹)⁻¹=A, (Aᵀ)⁻¹=(A⁻¹)ᵀ, (λA)⁻¹=λ⁻¹A⁻¹ para λ≠0, (Aⁿ)⁻¹=(A⁻¹)ⁿ y det(A⁻¹)=1/det(A). Para matrices ortogonales, A⁻¹=Aᵀ, lo que evita cálculos. Por Gauss-Jordan, el coste es del orden de n³ operaciones, mucho menor que el de los adjuntos, que requiere calcular n² determinantes de orden n−1. Como regla práctica, la fórmula de adjuntos se reserva para el caso 2×2 o 3×3 y Gauss-Jordan para tamaños mayores. En la resolución de ecuaciones matriciales conviene recordar que invertir es un paso final: se despeja X con el orden correcto y después se multiplica. Un error habitual es calcular A⁻¹ cuando det(A)=0 o confundir A⁻¹ con 1/A o con la traspuesta.

El rango: propiedades, menores y ejemplo con parámetro

Propiedades del rango r(A) de una matriz m×n: r(A)≤min{m,n}; r(A)=r(Aᵀ) (rango por filas igual a rango por columnas); las operaciones elementales no lo alteran; r(AB)≤min{r(A),r(B)}; y una matriz cuadrada de orden n es invertible si y solo si r(A)=n. Cálculo por menores: r(A)=r si existe un menor de orden r no nulo y todos los de orden r+1 que lo orlan (o todos los de orden r+1) son nulos. Ejemplo: A=[[1,2,3],[2,4,6],[1,0,1]]; la segunda fila es doble de la primera y el menor de orden 2 formado por las filas 1 y 3 y las columnas 1 y 2 es 1·0−2·1=−2≠0, luego r(A)=2. Ejemplo con parámetro: A=[[1,1,1],[1,m,1],[1,1,m]]; su determinante es (m−1)², y por tanto r(A)=3 si m≠1; para m=1 todas las filas son iguales y r(A)=1. Aplicación a los sistemas: el rango de A y de la ampliada determina la clasificación (Rouché-Frobenius, tema 16). Aplicación a vectores: el rango de la matriz formada por varios vectores es el número máximo de ellos linealmente independientes (tema 12), por lo que tres vectores de R³ forman una base si y solo si el determinante es no nulo.

Matrices y transformaciones lineales del plano

Toda matriz m×n define una aplicación lineal x↦Ax de Rⁿ en Rᵐ, y el producto de matrices corresponde a la composición de aplicaciones (primero se aplica la matriz de la derecha), lo que explica la no conmutatividad: girar y luego reflejar no es lo mismo que reflejar y luego girar. Ejemplos en R²: el giro de ángulo θ, R(θ)=[[cosθ,−senθ],[senθ,cosθ]] (ortogonal, det=1); la simetría respecto del eje X, [[1,0],[0,−1]] (det=−1); la homotecia de razón k, kI; el cizallamiento [[1,k],[0,1]] (det=1, conserva áreas); y la proyección ortogonal sobre el eje X, [[1,0],[0,0]] (idempotente, det=0, no invertible). El valor absoluto del determinante indica el factor por el que se multiplican las áreas y su signo, si se conserva o se invierte la orientación. La inversa de una transformación corresponde a la matriz inversa: R(θ)⁻¹=R(−θ)=R(θ)ᵀ. Estos hechos enlazan el tema con los movimientos del plano (tema 41), con la homotecia y la semejanza (tema 42) y con los gráficos por ordenador, donde las transformaciones geométricas se encadenan multiplicando matrices (en coordenadas homogéneas, 3×3). También justifican la relación entre determinante, invertibilidad y área.

Matrices como tablas de datos: costes, ventas y producción

En Ciencias Sociales, una matriz es ante todo una tabla que organiza información (filas: individuos, tiendas o años; columnas: variables o productos), y las operaciones matriciales tienen interpretación directa. La suma combina datos de periodos o de fuentes; el producto por un escalar aplica un incremento porcentual uniforme (multiplicar por 1,03 equivale a un aumento del 3 %); el producto de una matriz de cantidades por un vector de precios da los ingresos totales. Ejemplo: si V=[[10,20],[30,15]] recoge las ventas de dos productos en dos tiendas y p=(3,5)ᵀ son sus precios, entonces Vp=(10·3+20·5, 30·3+15·5)ᵀ=(130,165)ᵀ son los ingresos de cada tienda. Un producto de tres matrices, como cantidades de ingredientes por producto, producto por pedido y coste por ingrediente, permite calcular costes totales encadenando el producto con las dimensiones adecuadas (m×n por n×p por p×q), y a veces conviene asociar los factores de la forma que reduzca el número de operaciones. Estas tablas se relacionan con las matrices de datos de la Estadística (tabla de contingencia, matriz de covarianzas), y su manipulación con hojas de cálculo (función MMULT) es un recurso didáctico habitual.

Cadenas de Markov y matrices estocásticas: ejemplo

Una matriz estocástica por filas tiene entradas no negativas y suma 1 en cada fila; pᵢⱼ es la probabilidad de pasar del estado i al estado j en un paso. Si π es el vector fila de la distribución inicial, la distribución tras n pasos es πPⁿ. Ejemplo (cuotas de mercado de dos marcas): P=[[0,9; 0,1],[0,2; 0,8]]. Con π₀=(0,5; 0,5), π₁=(0,5·0,9+0,5·0,2; 0,5·0,1+0,5·0,8)=(0,55; 0,45). La distribución estacionaria π satisface πP=π y π₁+π₂=1; resolviendo 0,9π₁+0,2π₂=π₁, se obtiene π=(2/3, 1/3), y se comprueba que (2/3)(0,9)+(1/3)(0,2)=2/3. Para matrices regulares (alguna potencia con todas las entradas positivas), la distribución converge al estado estacionario único, independientemente del estado inicial (teorema de Perron-Frobenius). Andréi Márkov introdujo estas cadenas en 1906. Aplicaciones: cuotas de mercado y fidelidad de clientes, movilidad social, previsión meteorológica simplificada, genética de poblaciones, modelos de ocupación del suelo y el algoritmo PageRank de Google (Brin y Page, 1998), donde la matriz de transición modela el navegante aleatorio por la web. Si la matriz se define por columnas, hay que multiplicar por la izquierda del vector columna.

Modelo input-output de Leontief: planteamiento y ejemplo

Wassily Leontief planteó (1936) que la producción total x de cada sector sirve para consumo interno y para satisfacer la demanda final d. Si A es la matriz tecnológica, donde aᵢⱼ es la cantidad del sector i que hace falta para producir una unidad del sector j, se cumple x=Ax+d, es decir, (I−A)x=d, y si I−A es invertible, x=(I−A)⁻¹d. La matriz (I−A)⁻¹ se llama matriz de Leontief. Ejemplo: A=[[0,2; 0,3],[0,4; 0,1]] y d=(100,200)ᵀ. Entonces I−A=[[0,8; −0,3],[−0,4; 0,9]], con det=0,72−0,12=0,6, e (I−A)⁻¹=(1/0,6)·[[0,9; 0,3],[0,4; 0,8]]. Por tanto, x=(1/0,6)·(0,9·100+0,3·200; 0,4·100+0,8·200)=(150/0,6; 200/0,6)=(250; 333,33). Comprobación: 0,2·250+0,3·333,33+100=250 y 0,4·250+0,1·333,33+200=333,33. Un modelo es productivo si (I−A)⁻¹ tiene entradas no negativas, lo que ocurre, por ejemplo, si las sumas de las columnas de A son menores que 1 (cada sector consume menos de lo que produce), y entonces (I−A)⁻¹=I+A+A²+..., con A² representando los efectos indirectos de segundo nivel. Leontief recibió el Premio Nobel de Economía en 1973. Se usa en planificación económica, análisis de impacto de la demanda y contabilidad ambiental.

Matrices de adyacencia, modelos demográficos de Leslie y criptografía de Hill

Matriz de adyacencia de un grafo: aᵢⱼ=1 si hay arista entre los vértices i y j (o el número de aristas). El elemento (i,j) de Aᵏ cuenta los caminos de longitud k entre i y j. Ejemplo: para el triángulo, A=[[0,1,1],[1,0,1],[1,1,0]] y A²=[[2,1,1],[1,2,1],[1,1,2]]: la diagonal indica que desde cada vértice hay 2 caminos de longitud 2 que vuelven a él (el grado), y cada elemento fuera de la diagonal es 1; la traza de A³ es 6, que es 6 veces el número de triángulos (cada triángulo da 6 recorridos cerrados de longitud 3, según el vértice de partida y el sentido), es decir, 1 triángulo. Aplicaciones en redes sociales, transporte y comunicaciones (tema 2). Modelo de Leslie (1945): los individuos se agrupan por edades, la primera fila contiene las tasas de fecundidad y la subdiagonal las tasas de supervivencia; la población evoluciona como nₜ₊₁=L·nₜ, y su comportamiento a largo plazo lo determina el valor propio dominante de L (crecimiento o extinción). Criptografía de Hill (Lester Hill, 1929): se cifra un bloque de letras codificadas como números mod 26 mediante c=Kp (mod 26), con K una matriz cuyo determinante sea invertible módulo 26 (primo con 26), y se descifra con K⁻¹ calculada módulo 26. Estas aplicaciones son recursos para motivar el cálculo matricial.

Historia del concepto de matriz

Las disposiciones rectangulares de números aparecen en la matemática china (los Nueve capítulos, tablero de varillas para la eliminación) y se manejan implícitamente en el estudio de los sistemas lineales y de las formas cuadráticas de Lagrange y Gauss. El término matriz (del latín matrix, matriz, útero, madre) fue acuñado por James Joseph Sylvester en 1850, como un objeto del que se pueden extraer determinantes. Arthur Cayley, amigo y colaborador de Sylvester, publicó en 1858 su Memoir on the Theory of Matrices, donde definió las operaciones, la matriz inversa y enunció el teorema que lleva su nombre y el de Hamilton (verificado para matrices 2×2 y 3×3); William Rowan Hamilton lo había obtenido para cuaterniones y Frobenius dio la demostración general en 1878. Camille Jordan y Karl Weierstrass contribuyeron a la teoría de formas canónicas. En 1925, Werner Heisenberg (con Born y Jordan) formuló la mecánica cuántica con matrices. En el siglo XX, las matrices se convirtieron en herramienta básica del cálculo numérico, la estadística multivariante, la economía (Leontief) y la informática. Este itinerario es útil para contextualizar el tema.

Matrices en el currículo y errores típicos del alumnado

Las matrices se estudian en Bachillerato (Real Decreto 243/2022) como herramienta para organizar información y resolver sistemas, con apoyo de herramientas digitales (calculadoras simbólicas, hojas de cálculo y programas como GeoGebra o Wolfram); la concreción por materias y comunidades debe contrastarse con el currículo vigente. Errores frecuentes: sumar matrices de distinta dimensión; multiplicar elemento a elemento en lugar de fila por columna; asumir la conmutatividad, en particular al desarrollar (A+B)²; simplificar AB=AC a B=C sin saber si A es invertible; olvidar el orden en (AB)⁻¹=B⁻¹A⁻¹ y (AB)ᵀ=BᵀAᵀ; calcular la inversa sin comprobar det(A)≠0; creer que det(A+B)=det(A)+det(B) (lo correcto es det(AB)=det(A)det(B)); confundir una matriz nula con la identidad; y interpretar el producto en un contexto sin cuidar que las dimensiones y las unidades sean coherentes. Una buena práctica es comprobar siempre el resultado con una verificación rápida (A·A⁻¹=I; dimensiones m×n por n×p) y relacionar cada operación con su significado en el problema real.

Ideas clave para el examen — memoriza esto

  • El término "matriz" lo acuñó Sylvester (1850); Cayley sistematizó el álgebra matricial en "A Memoir on the Theory of Matrices" (1858).
  • El producto matricial exige compatibilidad de dimensiones y, en general, no es conmutativo: AB≠BA.
  • A es invertible ⟺ det(A)≠0; (AB)⁻¹=B⁻¹A⁻¹ (orden invertido).
  • El rango se calcula por reducción de Gauss (nº de filas no nulas) o por menores; es clave para el teorema de Rouché-Frobenius.
  • Aplicaciones: cadenas de Markov, matrices de adyacencia en grafos, modelo input-output de Leontief (Nobel de Economía 1973).
  • Matriz ortogonal: AAᵀ=I, det=±1; idempotente: A²=A; involutiva: A²=I; nilpotente: Aᵏ=0. Toda matriz cuadrada = simétrica + antisimétrica.
  • (AB)ᵀ=BᵀAᵀ y (AB)⁻¹=B⁻¹A⁻¹ (orden invertido); tr(AB)=tr(BA); det(AB)=det(A)det(B), pero det(A+B)≠det(A)+det(B) en general.
  • El producto no es conmutativo: (A+B)²=A²+AB+BA+B²; hay divisores de cero (AB=0 no implica A=0 o B=0) y no vale la simplificación AB=AC ⟹ B=C.
  • Ecuaciones matriciales: AX=B ⟹ X=A⁻¹B; XA=B ⟹ X=BA⁻¹ (el orden importa); AXB=C ⟹ X=A⁻¹CB⁻¹.
  • Cayley-Hamilton para 2×2: A²−tr(A)A+det(A)I=0, de donde A⁻¹=(tr(A)I−A)/det(A); [[a,b],[c,d]]⁻¹=(1/(ad−bc))[[d,−b],[−c,a]].
  • Potencias: patrón + inducción, A=I+N con N nilpotente (binomio de Newton), R(θ)ⁿ=R(nθ), diagonalización Aⁿ=PDⁿP⁻¹; [[1,1],[1,0]]ⁿ da los números de Fibonacci.
  • r(A)=r(Aᵀ)≤min{m,n}; r(AB)≤min{r(A),r(B)}; A cuadrada es invertible ⟺ r(A)=n ⟺ det(A)≠0. Ejemplo: [[1,1,1],[1,m,1],[1,1,m]] tiene det=(m−1)².
  • El producto de matrices equivale a la composición de transformaciones lineales; |det| es el factor de cambio de áreas y su signo, el cambio de orientación.
  • Cadenas de Markov: matriz estocástica (filas con suma 1); π_n=π₀Pⁿ; estado estacionario πP=π (en el ejemplo, (2/3,1/3)). Márkov, 1906; PageRank usa una cadena de Markov.
  • Leontief: x=Ax+d ⟹ x=(I−A)⁻¹d, con (I−A)⁻¹=I+A+A²+... en modelos productivos; Nobel de Economía 1973.
  • Matriz de adyacencia: (Aᵏ)ᵢⱼ = nº de caminos de longitud k de i a j. Modelo de Leslie: nₜ₊₁=L nₜ. Cifrado de Hill: c=Kp (mod 26) con det K primo con 26.
  • Sylvester acuñó el término matriz (1850); Cayley, la teoría en 1858; Frobenius demostró el teorema de Cayley-Hamilton en general (1878); Heisenberg, mecánica matricial (1925).
Ver el esquema con tus propios subrayados →

Ponte a prueba

12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.

Pregunta 1 de 120 aciertos

¿Qué modelo económico, formulado mediante matrices, representa las interdependencias entre los sectores productivos de una economía?

Preguntas frecuentes

¿De qué trata el Tema 18 de Secundaria?

El Tema 18 estudia las matrices como objeto algebraico central del bloque de Álgebra Lineal: su definición, tipos, operaciones (incluida la inversión) y, de forma explícita en el propio enunciado del temario, sus aplicaciones al campo de las Ciencias Sociales y de la Naturaleza, un puente entre el álgebra pura y la modelización de fenómenos reales que resulta especialmente relevante para la vía de Bachillerato de Ciencias Sociales. Se amplía el tema con tipos adicionales de matrices, propiedades de la traspuesta y la traza, potencias de matrices, ecuaciones matriciales, rango y matriz inversa con ejemplos, matrices y transformaciones lineales, y las aplicaciones a las Ciencias Sociales y de la Naturaleza (tablas de datos, cadenas de Markov, modelo de Leontief, grafos, modelos demográficos de Leslie, criptografía de Hill y PageRank), junto con la historia del concepto y los errores didácticos típicos.

¿Qué hay que memorizar del Tema 18 para el examen?

El término "matriz" lo acuñó Sylvester (1850); Cayley sistematizó el álgebra matricial en "A Memoir on the Theory of Matrices" (1858). El producto matricial exige compatibilidad de dimensiones y, en general, no es conmutativo: AB≠BA. A es invertible ⟺ det(A)≠0; (AB)⁻¹=B⁻¹A⁻¹ (orden invertido). El rango se calcula por reducción de Gauss (nº de filas no nulas) o por menores; es clave para el teorema de Rouché-Frobenius. Aplicaciones: cadenas de Markov, matrices de adyacencia en grafos, modelo input-output de Leontief (Nobel de Economía 1973). Matriz ortogonal: AAᵀ=I, det=±1; idempotente: A²=A; involutiva: A²=I; nilpotente: Aᵏ=0. Toda matriz cuadrada = simétrica + antisimétrica. (AB)ᵀ=BᵀAᵀ y (AB)⁻¹=B⁻¹A⁻¹ (orden invertido); tr(AB)=tr(BA); det(AB)=det(A)det(B), pero det(A+B)≠det(A)+det(B) en general. El producto no es conmutativo: (A+B)²=A²+AB+BA+B²; hay divisores de cero (AB=0 no implica A=0 o B=0) y no vale la simplificación AB=AC ⟹ B=C. Ecuaciones matriciales: AX=B ⟹ X=A⁻¹B; XA=B ⟹ X=BA⁻¹ (el orden importa); AXB=C ⟹ X=A⁻¹CB⁻¹. Cayley-Hamilton para 2×2: A²−tr(A)A+det(A)I=0, de donde A⁻¹=(tr(A)I−A)/det(A); [[a,b],[c,d]]⁻¹=(1/(ad−bc))[[d,−b],[−c,a]]. Potencias: patrón + inducción, A=I+N con N nilpotente (binomio de Newton), R(θ)ⁿ=R(nθ), diagonalización Aⁿ=PDⁿP⁻¹; [[1,1],[1,0]]ⁿ da los números de Fibonacci. r(A)=r(Aᵀ)≤min{m,n}; r(AB)≤min{r(A),r(B)}; A cuadrada es invertible ⟺ r(A)=n ⟺ det(A)≠0. Ejemplo: [[1,1,1],[1,m,1],[1,1,m]] tiene det=(m−1)². El producto de matrices equivale a la composición de transformaciones lineales; |det| es el factor de cambio de áreas y su signo, el cambio de orientación. Cadenas de Markov: matriz estocástica (filas con suma 1); π_n=π₀Pⁿ; estado estacionario πP=π (en el ejemplo, (2/3,1/3)). Márkov, 1906; PageRank usa una cadena de Markov. Leontief: x=Ax+d ⟹ x=(I−A)⁻¹d, con (I−A)⁻¹=I+A+A²+... en modelos productivos; Nobel de Economía 1973. Matriz de adyacencia: (Aᵏ)ᵢⱼ = nº de caminos de longitud k de i a j. Modelo de Leslie: nₜ₊₁=L nₜ. Cifrado de Hill: c=Kp (mod 26) con det K primo con 26. Sylvester acuñó el término matriz (1850); Cayley, la teoría en 1858; Frobenius demostró el teorema de Cayley-Hamilton en general (1878); Heisenberg, mecánica matricial (1925).

¿Hay preguntas de test de este tema exacto?

Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.

¿De dónde sale el temario de este tema?

Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).

Fuentes de este desarrollo

  • A. Cayley, A Memoir on the Theory of Matrices, Philosophical Transactions of the Royal Society (1858); J. J. Sylvester (1850), acuñación del término matriz
  • W. Leontief (1936), Quantitative Input and Output Relations in the Economic System of the United States; Premio Nobel de Economía 1973
  • K. Hoffman y R. Kunze, Álgebra Lineal; S. I. Grossman, Álgebra Lineal; G. Strang, Álgebra lineal y sus aplicaciones
  • A. A. Márkov (1906), cadenas de Markov; P. H. Leslie (1945), modelos de población estructurada por edades; L. S. Hill (1929), criptografía matricial
  • Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato — materias de Matemáticas (contrastar la concreción curricular con el currículo autonómico vigente)

Mientras tanto, practica con tests gratis de Secundaria.

Empieza gratis ahora