Dimensiones de una Matriz

Funciones y Álgebra Avanzada

Las dimensiones de una matriz describen su tamaño como el número de filas por el número de columnas, escrito como m x n.

Formula

m \times n \ (\text{rows} \times \text{columns})
Visualization

Definition

Las dimensiones de una matriz indican cuántas filas y columnas tiene, escritas "filas $\times$ columnas": una matriz con $m$ filas y $n$ columnas es una matriz $m \times n$, con $m \times n$ entradas totales. La suma de matrices requiere dimensiones iguales, y para la multiplicación de matrices $A \times B$, $A$ debe ser $m \times n$ y $B$ debe ser $n \times p$, dando un resultado de tamaño $m \times p$, las dimensiones internas deben coincidir mientras que las dimensiones externas dan el tamaño del resultado. El rango de una matriz (dimensión de su espacio columna, equivalentemente espacio fila) es a lo sumo $\min(m,n)$, y el teorema de rango-nulidad establece que para $T: F^n \to F^m$ representada por una matriz $m \times n$, $\text{rank}(T) + \text{nullity}(T) = n$, relacionando las dimensiones de la imagen y el núcleo.

Example

Una matriz con $3$ filas y $2$ columnas, $\begin{bmatrix}1 & 2\\3 & 4\\5 & 6\end{bmatrix}$, es $3\times 2$, mientras que $\begin{bmatrix}7 & 8 & 9 & 10\end{bmatrix}$ es $1\times 4$. Si $A$ es $3\times 4$ y $B$ es $4\times 2$, el producto $AB$ está definido (las dimensiones internas $4=4$ coinciden) y produce una matriz $3\times 2$, pero $BA$ no está definido ya que las dimensiones internas ($2$ y $3$) no coinciden. Una matriz $4\times 3$ con rango $2$ tiene nulidad $3 - 2 = 1$: hay un espacio de soluciones de dimensión $1$ para $Ax = 0$.

Key Insight

Un truco mnemotécnico: "las filas van antes que las columnas" alfabéticamente, y este es el orden correcto para expresar las dimensiones; la regla de multiplicación ($m \times n$ por $n \times p = m \times p$) es la restricción clave en el álgebra de matrices. El teorema de rango-nulidad es análogo al primer teorema de isomorfismo en teoría de grupos, $\dim(\text{domain}) = \dim(\text{image}) + \dim(\text{kernel})$, cuantificando cuánta información se pierde por una aplicación lineal.