Rango de matriz

Cuánta información independiente contiene una matriz

El rango de una matriz es el número máximo de filas o columnas linealmente independientes que contiene. Representa la cantidad de información útil o no redundante en la matriz.

👉 Es un concepto clave para entender dimensionalidad, redundancia y capacidad de representación en machine learning.

Definición corta

El rango de una matriz es el número de filas o columnas independientes.

Definición detallada

Para una matriz $A$A:$$\text{rank}(A) = \text{número de columnas linealmente independientes}$$rank(A)=nuˊmero de columnas linealmente independientes

👉 Equivalentemente:$$\text{rank}(A) = \text{número de filas linealmente independientes}$$rank(A)=nuˊmero de filas linealmente independientes

Intuición

El rango responde:

👉 “¿Cuánta información única hay en esta matriz?”

Ejemplo

$$A = \begin{bmatrix} 1 & 2 \\ 2 & 4 \end{bmatrix}$$

👉 La segunda fila es múltiplo de la primera.$$\text{rank}(A) = 1$$

Interpretación

👉 Para matriz $m \times n$m×n:$$\text{rank}(A) \leq \min(m, n)$$rank(A)≤min(m,n)

Relación con otros conceptos

• Dependencia lineal
• Espacio vectorial
• SVD
• PCA

Tipos de rango

🔹 Rango completo (full rank)

$$\text{rank}(A) = \min(m, n)$$rank(A)=min(m,n)

👉 No hay redundancia.

🔹 Rango reducido

$$\text{rank}(A) < \min(m, n)$$rank(A)<min(m,n)

👉 Existe dependencia.

Rango en redes neuronales

🔹 1. Representación de datos

Matrices de datos:

👉 rango bajo → información redundante

🔹 2. PCA

Reduce dimensiones:

👉 eliminando componentes de bajo rango

🔹 3. Embeddings

Vectores:

👉 rango alto → mayor diversidad

🔹 4. Modelos lineales

Si el rango es bajo:

👉 el sistema no tiene solución única

Ejemplo paso a paso

$$A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$$

Determinante ≠ 0 → rango completo:$$\text{rank}(A) = 2$$

Interpretación geométrica

• Rango 1 → línea
• Rango 2 → plano
• Rango 3 → volumen

👉 El rango define la dimensión del espacio generado.

Ejemplo en Python

import numpy as np
A = np.array([
    [1, 2],
    [2, 4]
])
rank = np.linalg.matrix_rank(A)
print("Rango:", rank)

Ejemplo en NumPy (rango completo)

import numpy as np
A = np.array([
    [1, 2],
    [3, 4]
])
rank = np.linalg.matrix_rank(A)
print("Rango:", rank)

Ejemplo en PyTorch

import torch
A = torch.tensor([
    [1.0, 2.0],
    [2.0, 4.0]
])
rank = torch.linalg.matrix_rank(A)
print("Rango:", rank.item())

Ejemplo con SVD

import numpy as np
A = np.array([
    [1, 2],
    [2, 4]
])
U, S, V = np.linalg.svd(A)
print("Valores singulares:", S)

👉 Valores cercanos a 0 → menor rango efectivo.

Qué muestra este ejemplo

• Cómo detectar redundancia
• Uso en reducción de dimensión
• Relación con SVD

Errores comunes

Confundir tamaño con rango

Una matriz grande puede tener rango bajo.

Ignorar precisión numérica

Valores pequeños pueden afectar el rango.

Asumir independencia automática

Debe verificarse.

Ejemplo conceptual en ML

Dataset:
Edad, Años de vida  👉 Variables redundantes → rango bajo

Interpretación profunda

El rango permite:

• detectar redundancia
• entender capacidad del modelo
• optimizar representaciones
• mejorar estabilidad numérica

👉 Es clave para analizar datos y modelos.

Conclusión

El rango de una matriz mide la cantidad de información independiente que contiene. Es esencial para entender dimensionalidad, redundancia y capacidad de representación en machine learning.

👉 Es una herramienta fundamental para analizar datos y modelos.

Related Concepts

• Dependencia lineal
• PCA
• SVD
• Espacio vectorial
• Valores propios