MathematicsLineare AlgebraUniversity

OCRAPOntarioNSWCBSEGCE O-LevelMoECAPS

Rang-Nullitätssatz

Verknüpft die Dimensionen von Kern und Bild einer linearen Abbildung mit ihrem Definitionsraum.

Understand the formulaSee the free derivationOpen the full walkthrough

rank (T) + nullity (T) = dim (V)

Open Full Walkthrough Try Calculator

This public page keeps the free explanation visible and leaves premium worked solving, advanced walkthroughs, and saved study tools inside the app.

Core idea

Overview

Im Kontext einer linearen Abbildung T: V → W, wobei V endlichdimensional ist, liefert dieser Satz eine grundlegende Einschränkung für die Beziehung zwischen den Dimensionen von Kern und Bild.

When to use: Dieser Satz ist das grundlegendste Werkzeug in der universitären linearen Algebra zur Bestimmung der Dimensionen von Unterräumen, die mit linearen Transformationen verbunden sind.

Why it matters: Er verknüpft das Konzept der Injektivität (verbunden mit der Nullität) und der Surjektivität (verbunden mit dem Rang) mit der Geometrie des Definitionsraums.

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

Herleitung/Verständnis des Rangsatzes (Dimensionssatz)

Diese Herleitung zeigt, dass für eine lineare Abbildung die Summe aus der Dimension ihres Kerns (Defekt) und der Dimension ihres Bildes (Rang) gleich der Dimension ihres Definitionsbereichs ist.

V und W sind Vektorräume über demselben Körper F.
T: V $\to$ W ist eine lineare Abbildung.
V ist ein endlichdimensionaler Vektorraum.

Dimensionen von Kern und Bild definieren:

Wir beginnen mit der Definition von Kern und Bild einer linearen Abbildung, welche Unterräume des Definitionsbereichs bzw. des Zielbereichs sind. Ihre Dimensionen werden als Defekt (Nullity) und Rang der Abbildung bezeichnet.

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)) .

Konstruktion einer Basis für den Definitionsbereich:

Wir starten mit einer Basis für den Kern und erweitern diese zu einer vollständigen Basis für den gesamten Definitionsvektorraum V. Dies erlaubt uns, jeden Vektor in V als Linearkombination dieser Basisvektoren darzustellen.

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) .

Zeigen, dass die Bilder der erweiterten Basis eine Basis für das Bild bilden:

Wir untersuchen die Bilder der Basisvektoren, die nicht im Kern lagen. Wir beweisen, dass diese Bilder den gesamten Bildraum aufspannen und linear unabhängig sind, womit sie eine Basis für das Bild bilden.

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) .

Schlussfolgerung des Rangsatzes:

Durch Abzählen der Vektoren in der Basis des Bildes stellen wir fest, dass der Rang gleich der Dimension des Definitionsbereichs minus dem Defekt ist. Umstellen dieser Gleichung ergibt den Rangsatz.

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 $dim (V)$

Nach $dim$ (V) umstellen

x + y

Beginnen Sie mit dem Rang-Nullheits-Theorem und drücken Sie $dim$ (V) durch die Kurzvariablen x (Rang) und y (Nullheit) aus.

Difficulty: 2/5

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

Why it behaves this way

Intuition

Stellen Sie sich vor, die gesamte 'Größe' (Dimension) des Eingangsraums V wird durch die lineare Abbildung T in zwei komplementäre Teile aufgeteilt: ein Teil, der auf den Nullvektor 'zusammengestaucht' wird (der Kern), und ein anderer Teil, der entsprechenden Größe im Modell ab.

Term

Die Dimension des Bildes (Wertebereich) der linearen Abbildung T. Sie quantifiziert die 'Ausgabekapazität' oder die Anzahl der unabhängigen Richtungen im Ausgaberaum.

Repräsentiert den 'nützlichen' Teil des Eingangsraums, der zu unterscheidbaren Ausgaben beiträgt. Ein höherer Rang bedeutet, dass die Abbildung mehr unterscheidbare Informationen bewahrt.

Term

Die Dimension des Kerns (Nullraum) der linearen Abbildung T. Sie quantifiziert den 'Informationsverlust' oder die Anzahl der unabhängigen Eingangsrichtungen, die abgebildet werden auf den relevanten Mechanismus vollständig beschreibt.

Repräsentiert den 'kollabierten' Teil des Eingangsraums. Ein höherer Defekt bedeutet, dass viele verschiedene Eingaben auf dieselbe Ausgabe (speziell Null) abgebildet werden, was auf einen signifikanten Informationsverlust hindeutet.

Term

Die Dimension des Definitionsvektorraums V. Sie repräsentiert die Gesamtzahl der unabhängigen Eingangskomponenten oder die 'Größe' des Eingangsraums.

Die gesamte 'Kapazität' der vor der Abbildung verfügbaren Eingangsinformationen.

Free study cues

Insight

Canonical usage

Diese Gleichung wird verwendet, um die ganzzahligen Dimensionen von Vektorraeumen und Eigenschaften linearer Abbildungen zu verknuepfen. Die Begriffe 'Rang', 'Nullitaet' und 'Dimension' beziehen sich auf die Anzahl der Basisvektoren in den jeweiligen Raeumen und sind daher dimensionslos.

Dimension note

Alle Groessen im Rang-Nullitaets-Theorem (Rang, Nullitaet und Dimension von V) sind mathematische Dimensionen, also nicht negative ganzzahlige Zaehlungen von Basisvektoren. Sie besitzen keine physikalischen Einheiten.

One free problem

Practice Problem

Gegeben sei eine lineare Transformation T: ℝ³ → ℝ², deren Kern eine Gerade durch den Ursprung ist (Dimension 1). Berechne den Rang von T.

Hint: Die Dimension des Definitionsraums ist 3. Wenn die Nullität 1 ist, verwende den Satz: Rang + Nullität = Dim(V).

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

In der Datenwissenschaft hilft der Rang-Nullitäts-Satz bei der Projektion hochdimensionaler Daten in einen niederdimensionalen Raum (Dimensionsreduktion), die Menge der erhaltenen Information (Rang) versus der verlorenen Information (Nullität) zu bestimmen.

Study smarter

Tips

Prüfe immer, dass der Vektorraum V endlichdimensional ist, bevor du den Satz anwendest.
Denke daran, dass die Dimension auf der rechten Seite der Gleichung die des Definitionsraums und nicht die des Zielraums ist.

Avoid these traps

Common Mistakes

Die Dimension des Zielraums (W) mit der Dimension des Definitionsraums (V) verwechseln.
Annehmen, dass der Satz auch für nichtlineare Transformationen gilt.

Common questions

Frequently Asked Questions

Diese Herleitung zeigt, dass für eine lineare Abbildung die Summe aus der Dimension ihres Kerns (Defekt) und der Dimension ihres Bildes (Rang) gleich der Dimension ihres Definitionsbereichs ist.

Dieser Satz ist das grundlegendste Werkzeug in der universitären linearen Algebra zur Bestimmung der Dimensionen von Unterräumen, die mit linearen Transformationen verbunden sind.

Er verknüpft das Konzept der Injektivität (verbunden mit der Nullität) und der Surjektivität (verbunden mit dem Rang) mit der Geometrie des Definitionsraums.

Die Dimension des Zielraums (W) mit der Dimension des Definitionsraums (V) verwechseln. Annehmen, dass der Satz auch für nichtlineare Transformationen gilt.

Prüfe immer, dass der Vektorraum V endlichdimensional ist, bevor du den Satz anwendest. Denke daran, dass die Dimension auf der rechten Seite der Gleichung die des Definitionsraums und nicht die des Zielraums ist.

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'

Rang-Nullitätssatz

Overview

Variables

Derivation

Dimensionen von Kern und Bild definieren:

Konstruktion einer Basis für den Definitionsbereich:

Zeigen, dass die Bilder der erweiterten Basis eine Basis für das Bild bilden:

Schlussfolgerung des Rangsatzes:

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