Es útil pensar en la matriz como una transformación lineal en lugar de solo como una cuadrícula de números. ¿Cómo deberías pensar en los vectores de columna? Use las reglas de multiplicación de matriz estándar para aplicar la matriz a los vectores de base estándar (por ejemplo, [matemáticas] \ begin {pmatrix} 1 \\ 0 \\ 0 \ end {pmatrix}, \ begin {pmatrix} 0 \\ 1 \\ 0 \ end {pmatrix}, \ begin {pmatrix} 0 \\ 0 \\ 1 \ end {pmatrix} [/ math]
en 3 dimensiones). Obtienes los vectores de columna de la matriz. A partir de esta observación, vemos que los vectores de columna de la matriz abarcan la imagen de esta transformación lineal, por lo que, en este lenguaje, el número de vectores de columna linealmente independientes es solo la dimensión de la imagen de la transformación lineal.
¿Qué pasa con los vectores de fila? Bueno, los vectores de fila de una matriz son solo los vectores de columna de su transposición, por lo que podemos reformular su pregunta de una manera más simple: ¿Por qué la dimensión de la imagen de una transformación lineal es la misma que la dimensión de la imagen de su transposición? ?
Necesitaremos dos hechos sobre la transposición de matrices. El primer hecho es que si v y w son vectores de columna, entonces [math] v ^ Tw [/ math] es solo el producto escalar de v y w. El segundo hecho es que si A y B son dos matrices que se pueden multiplicar, entonces [matemática] (AB) ^ T = B ^ TA ^ T [/ matemática]. Asegúrese de ver por qué estos hechos son ciertos.
Volviendo a la pregunta: ¿Cómo podemos relacionar la imagen de una matriz A con la imagen de su transposición? Consideremos un vector [matemático] Av [/ matemático] en la imagen de A, y veamos qué sucede cuando le aplicamos [matemático] A ^ T [/ matemático]. Afirmo que la salida de esta operación, [math] A ^ TAv [/ math], es cero si y solo si la entrada [math] Av [/ math] fue cero. De hecho, si [matemáticas] A ^ TAv = 0 [/ matemáticas], entonces [matemáticas] v ^ TA ^ TAv = 0 [/ matemáticas] también. Pero
[matemáticas] v ^ TA ^ TAv = (Av) ^ T (Av) = (Av) \ cdot (Av) = \ lVert Av \ rVert ^ 2. [/ math]
Si eso es cero, entonces [math] Av [/ math] es cero.
- Deje que [math] V [/ math] sea un espacio vectorial sobre algún campo [math] F [/ math], y que [math] W \ subseteq V [/ math] no esté vacío y tenga la propiedad de que [math] x, y \ en W [/ matemática] implica [matemática] x – y \ en W [/ matemática]. ¿Qué otras condiciones en [matemáticas] V [/ matemáticas] son necesarias para que [matemáticas] W [/ matemáticas] sea un subespacio de [matemáticas] V [/ matemáticas]?
- ¿Por qué no puedes multiplicar una matriz de 2 × 2 con una matriz de 3 × 2?
- ¿Cuál es el propósito de la factorización matricial?
- ¿Por qué la multiplicación de matrices no es tan simple como la suma de matrices?
- ¿Cuál es el teorema de la matriz invertible?
Entonces, sabemos que si tomamos un vector distinto de cero en la imagen de A y lo introducimos en [matemáticas] A ^ T [/ matemáticas], obtenemos un vector distinto de cero en la imagen de [matemáticas] A ^ T [/ matemáticas] . Dado que podemos incluir la imagen de A en la imagen de [matemáticas] A ^ T [/ matemáticas], significa que la dimensión de la imagen de [matemáticas] A ^ T [/ matemáticas] es al menos tan grande como la dimensión de la imagen de A. Intercambiando A y [matemáticas] A ^ T [/ matemáticas] en la prueba anterior, podríamos demostrar que la dimensión de la imagen de A es al menos tan grande como la dimensión de la imagen de [matemáticas] A ^ T [/ math], lo que significa que las dos dimensiones deben ser iguales, como se desee.