Rango y nulidad de una matriz explicados

El rango de una matriz es una de las propiedades más reveladoras del álgebra lineal: nos dice cuántas dimensiones de información realmente sobreviven después de una transformación. Si estás estudiando sistemas de ecuaciones, machine learning o transformaciones geométricas, entender el rango y su compañero, la nulidad, te permite leer una matriz como un mapa de dimensiones que se conservan o se anulan.

¿Qué es el rango de una matriz?

El rango tiene dos definiciones que significan lo mismo, vistas desde ángulos distintos.

La primera es computacional: es el número de pivotes que quedan después de aplicar eliminación gaussiana. Es la forma práctica de calcularlo y se conecta directamente con lo que viste en la clase anterior [00:18].

La segunda es geométrica y, quizá, la más poderosa: el rango es el número de dimensiones del espacio columna, es decir, el universo de resultados posibles de la transformación AX [00:35].

¿Qué nos dice el rango de una matriz? Indica cuántas dimensiones sobreviven después de aplicar la transformación. Si una matriz 3x3 aplasta el espacio tridimensional a un plano, su rango es 2; si lo aplasta a una línea, su rango es 1.

¿Cómo se interpreta geométricamente el rango?

Piensa en una matriz 3x3 que transforma el espacio tridimensional:

• Si el resultado sigue ocupando todo el espacio, el rango es 3.
• Si lo aplasta a un plano, el rango es 2.
• Si lo reduce a una línea, el rango es 1.

El rango es, literalmente, cuántas direcciones independientes quedan vivas después de la transformación.

¿Qué es la nulidad y cómo se relaciona con el rango?

Las dimensiones que no sobreviven se aplastan al origen y forman el espacio nulo. La cantidad de esas dimensiones perdidas se llama nulidad [01:30].

Aquí entra uno de los teoremas más elegantes del álgebra lineal: el teorema rango-nulidad, que se expresa así:

rango(A) + nulidad(A) = número de columnas de A

Es una ley de conservación de la dimensionalidad. Ninguna dimensión se pierde en el camino: o se transforma o se anula [02:00].

¿Por qué importa esta ley de conservación?

Porque te dice que el total de dimensiones de tu espacio de entrada se reparte en dos grupos después de la transformación:

1. Las que sobreviven y forman el espacio columna (el rango).
2. Las que colapsan al origen y forman el espacio nulo (la nulidad).

Saber esto te ayuda a entender qué tan rica o redundante es la información que vive dentro de una matriz.

¿Cómo calcular el rango y la nulidad con un ejemplo?

Vamos a aplicarlo con la matriz A formada por las filas (1, 2, 3), (1, 1, 2) y (2, 3, 5) [02:30].

No necesitas un vector B ni una matriz aumentada: la eliminación gaussiana funciona igual sobre la matriz sola. Si haces el procedimiento, terminas con una tercera fila completamente en ceros.

¿Por qué aparece una fila de ceros?

Porque la tercera fila era una combinación lineal de las dos primeras: 1+1=2, 2+1=3, 3+2=5. Esa fila no aportaba información nueva; era redundante [03:25].

Contando los pivotes (los primeros elementos no nulos de cada fila), encontramos un 1 en la primera fila y un -1 en la segunda. La tercera no tiene pivote. Por tanto, el rango de A es 2.

¿Cómo aplicar el teorema rango-nulidad?

Despejamos la nulidad de la fórmula:

nulidad(A) = número de columnas - rango(A)

Reemplazando: nulidad(A) = 3 - 2 = 1 [04:20].

Esto significa que la matriz aplasta el espacio tridimensional en un plano bidimensional y que una línea completa de vectores fue enviada al origen.

¿Qué significa que el rango sea menor al número de columnas? Significa que hay dependencia lineal: al menos una columna puede construirse combinando otras, así que no aporta una dirección nueva al espacio.

¿Para qué sirve el rango en aplicaciones reales?

El rango y el teorema rango-nulidad son base de muchas aplicaciones prácticas, y dos destacan con fuerza.

¿Cómo se usa el rango en machine learning?

En machine learning, una matriz con rango menor al número de columnas indica redundancia en los datos. Imagina un conjunto con 100 características, pero rango 50: la mitad de esas características son combinaciones de las otras y puedes descartarlas [05:30].

Eso es, en esencia, reducción de dimensionalidad: te quedas con la información que realmente aporta, sin perder la estructura del dato.

¿Qué dice el rango sobre los sistemas de ecuaciones?

Cuando resuelves AX = B, el rango te informa sobre la existencia y unicidad de soluciones. Si el rango es menor que el número de incógnitas, el sistema puede tener:

• Infinitas soluciones.
• Ninguna solución.

Es decir, el rango te avisa cuándo un sistema está mal planteado o cuándo tienes libertad de elegir entre muchas soluciones posibles [05:55].

¿Cómo se ve gráficamente la diferencia entre dependencia e independencia?

Si visualizas la matriz del ejemplo en un gráfico tridimensional, verás tres vectores donde uno (el amarillo) es exactamente la suma de los otros dos. La transformación genera un plano dentro del espacio 3D, no un volumen [06:35].

En contraste, la base estándar de un espacio tridimensional muestra tres vectores que apuntan en direcciones completamente nuevas, totalmente independientes entre sí. Ese es el escenario de rango completo.

Reto para practicar: si tienes una matriz de dimensiones 4x5 con rango 3, ¿cuál sería su nulidad? Usa el teorema rango-nulidad y comparte tu resultado en los comentarios.