Teorema do Posto-Nulidade

Core idea

Overview

No contexto de um mapa linear T: V → W onde V é de dimensão finita, este teorema fornece uma restrição fundamental na relação entre as dimensões do núcleo e da imagem.

When to use: Este teorema é a ferramenta mais fundamental em álgebra linear de graduação para determinar as dimensões de subespaços associados a transformações lineares.

Why it matters: Ele liga o conceito de injetividade (conectado à nulidade) e sobrejetividade (conectado ao posto) à geometria do espaço de domínio.

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

Derivação/Compreensão do Teorema do Rank-Nullidade

Esta derivação mostra que para uma transformação linear, a soma da dimensão de seu núcleo (nullidade) e a dimensão de sua imagem (rank) é igual à dimensão de seu domínio.

V e W são espaços vetoriais sobre o mesmo corpo F.
T: V $\to$ W é uma transformação linear.
V é um espaço vetorial de dimensão finita.

1

Defina as Dimensões do Núcleo e da Imagem:

Começamos definindo o núcleo e a imagem de uma transformação linear, que são subespaços do domínio e do contradomínio, respectivamente. Suas dimensões são conhecidas como nullidade e rank da transformação.

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

Construa uma Base para o Domínio:

Começamos com uma base para o núcleo e a estendemos para formar uma base completa para todo o espaço vetorial de domínio V. Isso nos permite expressar qualquer vetor em V como uma combinação linear desses vetores de 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

Mostre que as Imagens da Base Estendida Formam uma Base para a Imagem:

Examinamos as imagens dos vetores de base que não estavam no núcleo. Provamos que essas imagens se estendem por todo o espaço de imagem e são linearmente independentes, formando assim uma base para a imagem.

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

Conclua o Teorema do Rank-Nullidade:

Contando o número de vetores na base para a imagem, estabelecemos que o rank é igual à dimensão do domínio menos a nullidade. Reorganizar esta equação produz o Teorema do Rank-Nullidade.

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 $dim (V)$

Isolar $dim$ (V)

x + y

Comece com o Teorema de Classificação-Nulidade e expresse $dim$ (V) em termos das variáveis abreviadas x (classificação) e y (nulidade).

Difficulty: 2/5

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

Why it behaves this way

Intuition

Imagine o 'tamanho' total (dimensão) do espaço de entrada V sendo dividido em duas partes complementares pela transformação linear T: uma parte que é 'esmagada' ao vetor zero (o espaço nulo), e outra parte que

Term

A dimensão da imagem (alcance) da transformação linear T. Quantifica a 'capacidade de saída' ou o número de direções independentes no espaço de saída.

Representa a parte 'útil' do espaço de entrada que contribui para saídas distintas. Um rank mais alto significa que a transformação preserva mais informações distintas.

Term

A dimensão do núcleo (espaço nulo) da transformação linear T. Quantifica a 'perda de informação' ou o número de direções de entrada independentes que são mapeadas para o

Representa a parte 'colapsada' do espaço de entrada. Uma nullidade mais alta significa que muitas entradas distintas são mapeadas para a mesma saída (especificamente, zero), indicando perda significativa de informação.

Term

A dimensão do espaço vetorial de domínio V. Representa o número total de componentes de entrada independentes ou o 'tamanho' do espaço de entrada.

A 'capacidade' total da informação de entrada disponível antes da transformação.

Free study cues

Insight

Canonical usage

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

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

Dada uma transformação linear T: ℝ³ → ℝ² onde o núcleo é uma linha que passa pela origem (dimensão 1), calcule o posto de T.

Hint: A dimensão do domínio é 3. Se a nulidade for 1, use o teorema: Posto + Nulidade = Dim(V).

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

No caso de data science, when projecting high-dimensional data into a lower-dimensional space (dimensionality reduction), the Rank-Nullity theorem helps determine the amount of information preserved (rank) versus the information lost (nullity).

Study smarter

Tips

Sempre verifique se o espaço vetorial V é de dimensão finita antes de aplicar o teorema.
Lembre-se de que a dimensão do lado direito da equação é o domínio, não o contradomínio.

Avoid these traps

Common Mistakes

Confundir a dimensão do contradomínio (W) com a dimensão do domínio (V).
Assumir que o teorema se aplica a transformações não lineares.

Keep going

Related Formulas

Common questions

Frequently Asked Questions

Esta derivação mostra que para uma transformação linear, a soma da dimensão de seu núcleo (nullidade) e a dimensão de sua imagem (rank) é igual à dimensão de seu domínio.

Este teorema é a ferramenta mais fundamental em álgebra linear de graduação para determinar as dimensões de subespaços associados a transformações lineares.

Ele liga o conceito de injetividade (conectado à nulidade) e sobrejetividade (conectado ao posto) à geometria do espaço de domínio.

Confundir a dimensão do contradomínio (W) com a dimensão do domínio (V). Assumir que o teorema se aplica a transformações não lineares.

No caso de data science, when projecting high-dimensional data into a lower-dimensional space (dimensionality reduction), the Rank-Nullity theorem helps determine the amount of information preserved (rank) versus the information lost (nullity).

Sempre verifique se o espaço vetorial V é de dimensão finita antes de aplicar o teorema. Lembre-se de que a dimensão do lado direito da equação é o domínio, não o contradomínio.

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

Defina as Dimensões do Núcleo e da Imagem:

Construa uma Base para o Domínio:

Mostre que as Imagens da Base Estendida Formam uma Base para a Imagem:

Conclua o Teorema do Rank-Nullidade:

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