Teorema del Rango-Nullità

Core idea

Overview

Nel contesto di un'applicazione lineare T: V → W, dove V è di dimensione finita, questo teorema fornisce un vincolo fondamentale sulla relazione tra le dimensioni del nucleo e dell'immagine.

When to use: Questo teorema è lo strumento più fondamentale nell'algebra lineare undergraduate per determinare le dimensioni dei sottospazi associati alle trasformazioni lineari.

Why it matters: Collega il concetto di iniettività (legato alla nullità) e suriettività (legato al rango) alla geometria dello spazio del dominio.

Symbols

Variables

$dim$ (V) = Dimension of Domain, $rank$ (T) = Rank, $nullity$ (T) = Nullity

dim (V)

Dimension of Domain

Variable

rank (T)

Rank

Variable

nullity (T)

Nullity

Variable

Walkthrough

Derivation

Derivazione/Comprensione del Teorema Rango-Nullità

Questa derivazione mostra che per una trasformazione lineare, la somma della dimensione del suo nucleo (nullità) e la dimensione della sua immagine (rango) è uguale alla dimensione del suo dominio.

V e W sono spazi vettoriali sullo stesso campo F.
T: V $\to$ W è una trasformazione lineare.
V è uno spazio vettoriale di dimensione finita.

1

Definire le Dimensioni del Nucleo e dell'Immagine:

Iniziamo definendo il nucleo e l'immagine di una trasformazione lineare, che sono sottospazi del dominio e del codominio, rispettivamente. Le loro dimensioni sono chiamate nullità e rango della trasformazione.

Let T : V \to W be a linear transformation. \n The kernel of T is Ker (T) = {v \in V ∣ T (v) = 0_{W}} . \n The image of T is Im (T) = {w \in W ∣ \exists v \in V s.t. T (v) = w} . \n We define nullity (T) = dim (Ker (T)) and rank (T) = dim (Im (T)) .

2

Costruire una Base per il Dominio:

Iniziamo con una base per il nucleo e la estendiamo per formare una base completa per l'intero spazio vettoriale del dominio V. Questo ci permette di esprimere qualsiasi vettore in V come combinazione lineare di questi vettori base.

Let {v_{1}, \dots, v_{k}} be a basis for Ker (T), so k = nullity (T) . \n By the Basis Extension Theorem, we can extend this to a basis for V : \n B_{V} = {v_{1}, \dots, v_{k}, v_{k + 1}, \dots, v_{n}}, where n = dim (V) .

3

Mostrare che le Immagini della Base Estesa Formano una Base per l'Immagine:

Esaminiamo le immagini dei vettori base che non erano nel nucleo. Dimostriamo che queste immagini generano l'intero spazio immagine e sono linearmente indipendenti, formando così una base per l'immagine.

Consider the set of vectors S = {T (v_{k + 1}), \dots, T (v_{n})} . \n We show S is a basis for Im (T) . \n 1. S spans Im (T) : Any w \in Im (T) is T (v) for some v \in V . \n v = c_{1} v_{1} + \dots + c_{k} v_{k} + c_{k + 1} v_{k + 1} + \dots + c_{n} v_{n} . \n T (v) = c_{1} T (v_{1}) + \dots + c_{k} T (v_{k}) + c_{k + 1} T (v_{k + 1}) + \dots + c_{n} T (v_{n}) . \n Since v_{1}, \dots, v_{k} \in Ker (T), T (v_{i}) = 0 for i \leq k . \n So T (v) = c_{k + 1} T (v_{k + 1}) + \dots + c_{n} T (v_{n}), meaning S spans Im (T) . \n 2. S is linearly independent: Assume d_{k + 1} T (v_{k + 1}) + \dots + d_{n} T (v_{n}) = 0. \n T (d_{k + 1} v_{k + 1} + \dots + d_{n} v_{n}) = 0. \n This implies d_{k + 1} v_{k + 1} + \dots + d_{n} v_{n} \in Ker (T) . \n So d_{k + 1} v_{k + 1} + \dots + d_{n} v_{n} = e_{1} v_{1} + \dots + e_{k} v_{k} for some scalars e_{i} . \n e_{1} v_{1} + \dots + e_{k} v_{k} - d_{k + 1} v_{k + 1} - \dots - d_{n} v_{n} = 0. \n Since B_{V} is a basis, all coefficients must be zero, so d_{k + 1} = \dots = d_{n} = 0. \n Thus, S is linearly independent and forms a basis for Im (T) .

4

Concludere il Teorema Rango-Nullità:

Contando il numero di vettori nella base per l'immagine, stabiliamo che il rango è uguale alla dimensione del dominio meno la nullità. Riorganizzando questa equazione si ottiene il Teorema Rango-Nullità.

The number of vectors in the basis S for Im (T) is n - k . \n Therefore, dim (Im (T)) = n - k . \n Substituting the definitions: rank (T) = dim (V) - nullity (T) . \n Rearranging, we get the Rank-Nullity Theorem: rank (T) + nullity (T) = dim (V) .

Result

The number of vectors in the basis S for Im (T) is n - k . \n Therefore, dim (Im (T)) = n - k . \n Substituting the definitions: rank (T) = dim (V) - nullity (T) . \n Rearranging, we get the Rank-Nullity Theorem: rank (T) + nullity (T) = dim (V) .

Source: Linear Algebra Done Right by Sheldon Axler

Free formulas

Rearrangements

Solve for $dim (V)$

Teorema di nullità del rango: scegli $dim$ (V) come soggetto

x + y

Inizia dal Teorema di Rango-Nullità ed esprimi $dim$ (V) in termini di variabili abbreviate x (rango) e y (nullità).

Difficulty: 2/5

The static page shows the finished rearrangements. The app keeps the full worked algebra walkthrough.

Why it behaves this way

Intuition

Immagina la 'dimensione' totale (dimensione) dello spazio di input V che viene divisa in due parti complementari dalla trasformazione lineare T: una parte che viene 'schiacciata' al vettore zero (lo spazio nullo), e un'altra parte che

Term

Nel ruolo della prima voce (rank(T)), la dimensione dell'immagine (rango) della trasformazione lineare T. Quantifica la 'capacità di output' o il numero di direzioni indipendenti nello spazio di output.

La prima voce (rank(T)) in Derivazione/Comprensione del Teorema Rango-Nullità va letta come il dato che aggancia il testo al modello matematico: prima si decide se sia nota o cercata, poi si controlla come modifica scala, verso e interpretazione del risultato.

Term

Nel ruolo della seconda voce (nullity(T)), la dimensione del nucleo (spazio nullo) della trasformazione lineare T. Quantifica la 'perdita di informazione' o il numero di direzioni di input indipendenti che vengono mappate a

Nella seconda voce (nullity(T)) di Derivazione/Comprensione del Teorema Rango-Nullità, il punto pratico consiste nel seguire il passaggio dall'enunciato alla formula; questa quantita non e una lettera isolata, ma un contributo coerente con ipotesi e unita.

Term

Nel ruolo della terza voce (dim(V)), la dimensione dello spazio vettoriale del dominio V. Rappresenta il numero totale di componenti di input indipendenti o la 'dimensione' dello spazio di input.

Usa la terza voce (dim(V)) in Derivazione/Comprensione del Teorema Rango-Nullità per verificare quale parte del sistema sta cambiando. Se il suo valore aumenta o diminuisce, la relazione indica quale effetto attendersi sul calcolo finale.

Free study cues

Insight

Canonical usage

Uso canonico: This equation is used to relate the integer dimensions of vector spaces and linear map properties. The terms 'rank', 'nullity', and 'dimension' refer to the number of basis vectors in the respective spaces, and thus are dimensionless counts.

Dimension note

Nota adimensionale: All quantities in the Rank-Nullity Theorem (rank, nullity, and dimension of V) are mathematical dimensions, meaning they are non-negative integer counts of basis vectors. They do not possess physical units.

One free problem

Practice Problem

Dato una trasformazione lineare T: ℳ → Ⅎ dove il nucleo è una retta passante per l'origine (dimensione 1), calcola il rango di T.

Hint: La dimensione del dominio è 3. Se la nullità è 1, usa il teorema: Rango + Nullità = Dim(V).

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

Nella scienza dei dati, quando si proiettano dati ad alta dimensionalità in uno spazio a dimensionalità inferiore (riduzione della dimensionalità), il teorema del Rango-Nullità aiuta a determinare la quantità di informazione preservata (rango) rispetto all'informazione persa (nullità).

Study smarter

Tips

Verifica sempre che lo spazio vettoriale V sia di dimensione finita prima di applicare il teorema.
Ricorda che la dimensione sul lato destro dell'equazione è il dominio, non il codominio.

Avoid these traps

Common Mistakes

Confondere la dimensione del codominio (W) con la dimensione del dominio (V).
Supporre che il teorema si applichi a trasformazioni non lineari.

Keep going

Related Formulas

Common questions

Frequently Asked Questions

Questa derivazione mostra che per una trasformazione lineare, la somma della dimensione del suo nucleo (nullità) e la dimensione della sua immagine (rango) è uguale alla dimensione del suo dominio.

Questo teorema è lo strumento più fondamentale nell'algebra lineare undergraduate per determinare le dimensioni dei sottospazi associati alle trasformazioni lineari.

Collega il concetto di iniettività (legato alla nullità) e suriettività (legato al rango) alla geometria dello spazio del dominio.

Confondere la dimensione del codominio (W) con la dimensione del dominio (V). Supporre che il teorema si applichi a trasformazioni non lineari.

Nella scienza dei dati, quando si proiettano dati ad alta dimensionalità in uno spazio a dimensionalità inferiore (riduzione della dimensionalità), il teorema del Rango-Nullità aiuta a determinare la quantità di informazione preservata (rango) rispetto all'informazione persa (nullità).

Verifica sempre che lo spazio vettoriale V sia di dimensione finita prima di applicare il teorema. Ricorda che la dimensione sul lato destro dell'equazione è il dominio, non il codominio.

References

Sources

Axler, S. (2015). Linear Algebra Done Right.
Axler, Sheldon. Linear Algebra Done Right. Springer, 3rd ed., 2015.
Strang, Gilbert. Introduction to Linear Algebra. Wellesley-Cambridge Press, 5th ed., 2016.
Wikipedia: Rank-nullity theorem
Rank-nullity theorem (Wikipedia article)
Sheldon Axler Linear Algebra Done Right
Gilbert Strang Introduction to Linear Algebra
Wikipedia article 'Rank-nullity theorem'

Overview

Variables

Derivation

Definire le Dimensioni del Nucleo e dell'Immagine:

Costruire una Base per il Dominio:

Mostrare che le Immagini della Base Estesa Formano una Base per l'Immagine:

Concludere il Teorema Rango-Nullità:

Rearrangements

Intuition

Insight

Practice Problem

Real-World Context

Tips

Common Mistakes

Related Formulas

Lagrange's Theorem

Orthogonal Projection

Gram-Schmidt Orthogonalization

Frequently Asked Questions

Sources