Determinante y Traza

El determinante $\det(A)$ de una matriz cuadrada es un único escalar que captura el factor de escala de volumen con signo del mapa lineal $\mathbf{x} \mapsto A\mathbf{x}$. Si $\det(A) = 3$, el mapa triplica áreas (en 2D) o volúmenes (en 3D). Si $\det(A) < 0$, invierte la orientación (como una reflexión). Si $\det(A) = 0$, el mapa colapsa el espacio — los volúmenes se vuelven cero porque la imagen es de menor dimensión.

Para una matriz $2\times 2$, $\det\begin{pmatrix} a & b \\ c & d \end{pmatrix} = ad - bc$. En dimensiones superiores, el determinante se expande recursivamente vía expansión por cofactores o se calcula numéricamente desde la descomposición LU como el producto de los pivotes. Identidades clave: $\det(AB) = \det(A)\det(B)$, $\det(A^\top) = \det(A)$ y $\det(A^{-1}) = 1/\det(A)$.

El determinante es el guardián de la invertibilidad: $A$ es invertible sii $\det(A) \neq 0$. Las matrices singulares viven en una superficie delgada del espacio de todas las matrices, el conjunto cero del polinomio determinante. Numéricamente, un determinante cercano a cero avisa de mal condicionamiento — aunque el determinante por sí solo puede ser una estimación de tamaño engañosa (el número de condición es un mejor diagnóstico).

La traza $\text{tr}(A)$ es la suma de las entradas de la diagonal. A pesar de su definición sencilla, tiene propiedades ricas: $\text{tr}(AB) = \text{tr}(BA)$ (¡incluso cuando $AB \neq BA$!), es lineal ($\text{tr}(A + B) = \text{tr}(A) + \text{tr}(B)$) y equivale a la suma de los autovalores. Dualmente, el determinante equivale al producto de los autovalores.

Ambos aparecen por todas partes en ML. El logaritmo del determinante $\log \det(A)$ aparece en las log-verosimilitudes gaussianas multivariadas y es un término clave en el entrenamiento de flujos normalizadores (donde la fórmula del cambio de variables requiere $\log|\det(\partial f/\partial \mathbf{x})|$). La traza impulsa la norma de Frobenius $\|A\|_F^2 = \text{tr}(A^\top A)$, usada como regularizador a nivel de matriz. Entender determinante y traza es la llave para leer muchos artículos de ML probabilístico.