Product Design, Manufacturing & Innovation Resources
Heim » Rang-Nullitätssatz

Rang-Nullitätssatz

1884
  • James Joseph Sylvester
Ein Mathematiker formuliert den Rang-Nullitätssatz in einem historischen Büroumfeld.

(Abbildung dient nur zur Veranschaulichung)

In der linearen Algebra besagt der Rang-Nullitäts-Satz, dass für jede lineare Abbildung [latex]T: V \to W[/latex] zwischen endlichdimensionalen Vektorräumen die Dimension ihres Definitionsbereichs [latex]V[/latex] die Summe ihres Rangs (der Dimension ihres Bildes) und ihrer Nullität (der Dimension ihres Kerns) ist. Die Formel lautet [latex]\dim(V) = \text{Rang}(T) + \text{Nullität}(T)[/latex].

Der Rang-Nullitätssatz stellt eine grundlegende Beziehung zwischen den Dimensionen der Schlüsselunterräume einer linearen Abbildung her. Sei [latex]T: V to W[/latex] eine lineare Abbildung. Der Kern von T, bezeichnet mit [latex]ker(T)[/latex], ist die Menge aller Vektoren in [latex]V[/latex], die auf den Nullvektor in [latex]W[/latex] abgebildet werden. Die Dimension des Kerns wird als Nullität von T bezeichnet. Das Bild von T, bezeichnet mit [latex]text{im}(T)[/latex], ist die Menge aller Vektoren in [latex]W[/latex], die die Ausgabe von T für einen Eingabevektor aus [latex]V[/latex] sind. Die Dimension des Bildes ist der Rang von T.

Der Satz besagt: [latex]dim(text{domain}(T)) = dim(ker(T)) + dim(text{im}(T))[/latex]. Ein gängiger Beweisansatz besteht darin, eine Basis zu konstruieren. Zunächst findet man eine Basis für den Kern, etwa [latex]{u_1, dots, u_k}[/latex], wobei [latex]k = text{nullity}(T)[/latex]. Da der Kern ein Unterraum von [latex]V[/latex] ist, kann diese Basis zu einer Basis für ganz [latex]V[/latex] erweitert werden: [latex]{u_1, dots, u_k, v_1, dots, v_r}[/latex]. Die Dimension von [latex]V[/latex] ist somit [latex]k+r[/latex]. Im letzten Schritt wird gezeigt, dass die Menge [latex]{T(v_1), dots, T(v_r)}[/latex] eine Basis für das Bild von T bildet. Dies beweist, dass der Rang [latex]r[/latex] ist, und daher [latex]dim(V) = k+r = text{nullity}(T) + text{rank}(T)[/latex].

Für Matrizen gilt: Ist [latex]A[/latex] eine [latex]m times n[/latex]-Matrix, so stellt sie eine lineare Abbildung von [latex]mathbb{R}^n[/latex] nach [latex]mathbb{R}^m[/latex] dar. Die Dimension des Definitionsbereichs ist [latex]n[/latex]. Der Rang von [latex]A[/latex] entspricht der Dimension ihres Spaltenraums, und ihre Nullität entspricht der Dimension ihres Nullraums. Der Satz lautet somit: [latex]n = text{Rang}(A) + text{Nullität}(A)[/latex].

Dieser Satz ist ein Kernbestandteil des sogenannten Fundamentalsatzes der linearen Algebra. Er beschreibt umfassend die Struktur der vier fundamentalen Unterräume einer m × n-Matrix A: Spaltenraum, Nullraum, Zeilenraum und linker Nullraum. Er veranschaulicht eindrucksvoll den Zusammenhang: Je größer die Lösungsmenge von Ax = 0 (dem Nullraum) wird, desto kleiner wird die Menge der möglichen Ausgaben Ax (dem Spaltenraum), deren Dimensionen sich zur Gesamtdimension des Eingaberaums addieren.

UNESCO Nomenclature: 1201
– Algebra

Typ

Abstraktes System

Störung

Grundlegendes

Verwendung

Weitverbreitete Verwendung

Vorläufer

  • Konzept eines Vektorraums, formalisiert von Giuseppe Peano.
  • Theorie der Matrizen, entwickelt von Arthur Cayley.
  • Das Konzept der Dimension eines Vektorraums wurde von Hermann Grassmann entwickelt.
  • Verständnis von linearer Unabhängigkeit und Basisvektoren.
  • Formalisierung linearer Transformationen (Abbildungen) zwischen Vektorräumen.
  • Frühe Arbeiten von Carl Friedrich Gauß zur Lösung linearer Gleichungssysteme.

Anwendungen

  • Lösen von Systemen linearer Gleichungen
  • Hauptkomponentenanalyse (PCA) in der Datenwissenschaft
  • Computergrafik-Transformationen
  • Regelungstechnik im Ingenieurwesen
  • Fehlererkennungs- und Korrekturcodes
  • Kryptographie
  • Quantenmechanik

Patente:

NA

Potenzielle Innovationsideen

  • optimizing neuronales Netzwerk architectures by analyzing the rank and nullity of weight matrices to prune redundant neurons.
  • Entwicklung effizienterer Datenkomprimierungsalgorithmen durch Identifizierung und Nutzung des Nullraums von Datentransformationsmatrizen.
  • Entwicklung neuartiger Fehlerkorrekturcodes basierend auf den Eigenschaften des Kernels einer linearen Abbildung, die den Codierungsprozess repräsentiert.
  • Verbesserung von Quantencomputeralgorithmen durch die Verwendung des Rang-Nullitäts-Theorems zur Analyse des Zustandsraums von Quantensystemen unter linearen Transformationen.
  • Entwicklung fortschrittlicher Steuerungssysteme für die Robotik, bei denen der Nullraum einer Jacobi-Matrix redundante Bewegungen darstellt, die zur Hindernisvermeidung genutzt werden können.
  • Verbesserung von Empfehlungssystemen durch Analyse der Rangfolge von Benutzer-Artikel-Matrizen, um die Dimensionalität der Benutzerpräferenzen zu verstehen.
  • Entwicklung neuer kryptographischer Verfahren, bei denen die Sicherheit auf der Schwierigkeit beruht, den Kern einer großen, dünnbesetzten linearen Transformation zu finden.
  • Entwicklung von Algorithmen für generative Kunst, die den Kern einer Transformation nutzen, um Variationen innerhalb eines definierten stilistischen Raums zu erzeugen.
  • Analyse von Finanzmodellen durch Anwendung des Theorems auf Matrizen ökonomischer Indikatoren zur Identifizierung unabhängiger Faktoren und Abhängigkeiten.
  • In Bioinformatik, analyzing gene expression data matrices to determine the effective number of independent regulatory pathways (rank) and co-regulated gene sets (null space).
Verwandt mit: Rang-Nullitätssatz, lineare Algebra, Vektorraum, Dimension, Kern, Nullität, Bild, Rang, lineare Transformation, Matrixtheorie.

Historischer Kontext

Rang-Nullitätssatz

1848
1850
1854
1884
1896
1900
1903
1829
1850
1854
1854
1895
1899
1900
1911

(wenn das Datum unbekannt oder nicht relevant ist, z. B. „Strömungsmechanik“, wird eine gerundete Schätzung seines bemerkenswerten Auftretens bereitgestellt)

10. Jahr Jubiläum

Bilder in voller Größe und Downloads sind nur für registrierte Mitglieder 100% kostenlos verfügbar.

> Login <