階数・退化次数の定理

Core idea

Overview

階数・退化次数の定理について、主要な入力値と式の関係を整理し、計算結果の意味を解釈するための説明です。条件、単位、前提を確認しながら使うことで、結果を比較、判断、見積もり、リスク確認に結びつけやすくなります。必要に応じて値を変え、結果の変化も確認してください。

When to use: 階数・退化次数の定理は、与えられた値から必要な結果を求めたいときに使います。入力の単位、範囲、前提条件を確認してから代入し、計算結果を現実の条件や問題文の目的と照らし合わせてください。

Why it matters: 階数・退化次数の定理の結果は、数値を比較し、傾向、制約、リスク、設計上の判断を説明するために役立ちます。答えを単独の数値として扱わず、条件が変わったときの意味や妥当性も確認できます。

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

階数・退化次数の定理の導出/理解

この導出は、線形変換において、その核の次元(退化次数)と像の次元(階数)の和が定義域の次元に等しいことを示しています。

VとWは同じ体F上のベクトル空間です。

1

核と像の次元を定義する:

まず、線形変換の核と像を定義します。これらはそれぞれ定義域と終域の部分空間です。これらの次元は、変換の退化次数と階数として知られています。

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

定義域の基底を構築する:

核の基底から始めて、それを拡張して定義域ベクトル空間V全体の完全な基底を形成します。これにより、V内の任意のベクトルをこれらの基底ベクトルの線形結合として表現できます。

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

拡張された基底の像が像の基底を形成することを示す:

核に含まれていなかった基底ベクトルの像を調べます。これらの像が像空間全体を張り、かつ線形独立であることを証明し、それによって像の基底を形成します。

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

階数・退化次数の定理を結論付ける:

像の基底のベクトルの数を数えることで、階数が定義域の次元から退化次数を引いたものに等しいことを確立します。この式を整理すると、階数・退化次数の定理が得られます。

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 $dim (V)$

階数・退化次数の定理： $dim$ (V)を主変数にする

x + y

階数・退化次数の定理から始め、 $dim$ (V)を省略変数x（階数）とy（退化次数）で表す。

Difficulty: 2/5

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

Why it behaves this way

Intuition

線形変換Tによって入力空間Vの全体的な「大きさ」(次元)が2つの相補的な部分に分割されることを想像してください。一方の部分はゼロベクトルに「つぶされ」(零空間)、もう一方の部分が挙動を決定します。

rank(T)

線形変換Tの像（値域）の次元。出力空間における「出力容量」または独立な方向の数を定量化します。

異なる出力に寄与する入力空間の「有用な」部分を表します。ランクが高いほど、変換がより多くの異なる情報を保持することを意味します。

nullity(T)

線形変換Tの核（零空間）の次元。対応する物理的または数学的量に写像される独立な入力方向の数である「情報損失」を定量化します。

入力空間の「潰れた」部分を表します。退化次数が高いほど、多くの異なる入力が同じ出力(特にゼロ)に写像され、大きな情報損失を示します。

dim(V)

定義域ベクトル空間Vの次元。独立な入力成分の総数、つまり入力空間の「大きさ」を表します。

変換前に入力情報が持つ全体的な「容量」。

Free study cues

Insight

Canonical usage

この式は、ベクトル空間の整数次元と線形写像の性質を関連付けるために用いられます。'rank'、'nullity'、'dimension' という項は、それぞれの空間における基底ベクトルの数を指し、したがって無次元のカウントです。

Dimension note

階数・退化次数の定理に含まれるすべての量（階数、退化次数、および V の次元）は数学的次元であり、基底ベクトルの非負整数カウントを意味します。これらは物理単位を持ちません。

One free problem

Practice Problem

Given a linear transformation T: ℝ³ → ℝ² where the kernel is a line through the origin (dimension 1), calculate the rank of T.

Hint: 階数・退化次数の定理の式に既知の値を代入し、単位、符号、分母と分子の対応を確認しながら計算してください。問題文で与えられた条件を先に整理すると解きやすくなります。

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

階数・退化次数の定理は、実務、学習、分析の場面で具体的な値を代入して結果を確認するときに使えます。計算結果を単なる数値として扱うのではなく、条件の比較、判断、見積もり、リスク確認に結びつけて解釈するのに役立ちます。

Study smarter

Tips

定理を適用する前に、ベクトル空間 V が有限次元であることを必ず確認してください。
式の右辺の次元は終域ではなく定義域の次元であることを覚えておいてください。

Avoid these traps

Common Mistakes

終域 (W) の次元を定義域 (V) の次元と混同すること。
定理が非線形変換に適用されると仮定すること。

Keep going

Related Formulas

Common questions

Frequently Asked Questions

この導出は、線形変換において、その核の次元(退化次数)と像の次元(階数)の和が定義域の次元に等しいことを示しています。

階数・退化次数の定理は、与えられた値から必要な結果を求めたいときに使います。入力の単位、範囲、前提条件を確認してから代入し、計算結果を現実の条件や問題文の目的と照らし合わせてください。

階数・退化次数の定理の結果は、数値を比較し、傾向、制約、リスク、設計上の判断を説明するために役立ちます。答えを単独の数値として扱わず、条件が変わったときの意味や妥当性も確認できます。

終域 (W) の次元を定義域 (V) の次元と混同すること。定理が非線形変換に適用されると仮定すること。

階数・退化次数の定理は、実務、学習、分析の場面で具体的な値を代入して結果を確認するときに使えます。計算結果を単なる数値として扱うのではなく、条件の比較、判断、見積もり、リスク確認に結びつけて解釈するのに役立ちます。

定理を適用する前に、ベクトル空間 V が有限次元であることを必ず確認してください。式の右辺の次元は終域ではなく定義域の次元であることを覚えておいてください。

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

核と像の次元を定義する:

定義域の基底を構築する:

拡張された基底の像が像の基底を形成することを示す:

階数・退化次数の定理を結論付ける:

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