Product Design, Manufacturing & Innovation Resources
Hogar » Teorema de rango-nulidad

Teorema de rango-nulidad

1884
  • James Joseph Sylvester
Matemático escribiendo el Teorema de Rango-Nulidad en un entorno de oficina histórico.

(Imagen generada únicamente con fines ilustrativos)

En álgebra lineal, el teorema de rango-nulidad establece que, para cualquier aplicación lineal [latex]T: V \to W[/latex] entre espacios vectoriales de dimensión finita, la dimensión de su dominio [latex]V[/latex] es la suma de su rango (la dimensión de su imagen) y su nulidad (la dimensión de su núcleo). La fórmula es [latex]\dim(V) = \text{rango}(T) + \text{nulidad}(T)[/latex].

El teorema de rango-nulidad proporciona una relación fundamental entre las dimensiones de los subespacios clave asociados a una transformación lineal. Sea [latex]T: V to W[/latex] una aplicación lineal. El núcleo de T, denotado [latex]ker(T)[/latex], es el conjunto de vectores en [latex]V[/latex] que se mapean al vector cero en [latex]W[/latex]. La dimensión del núcleo se denomina nulidad de T. La imagen de T, denotada [latex]text{im}(T)[/latex], es el conjunto de todos los vectores en [latex]W[/latex] que son la salida de T para algún vector de entrada de [latex]V[/latex]. La dimensión de la imagen es el rango de T.

El teorema establece que [latex]dim(text{dominio}(T)) = dim(ker(T)) + dim(text{im}(T))[/latex]. Una estrategia de demostración común implica la construcción de una base. Primero, se encuentra una base para el núcleo, digamos [latex]{u_1, dots, u_k}[/latex], donde [latex]k = text{nulidad}(T)[/latex]. Dado que el núcleo es un subespacio de [latex]V[/latex], esta base se puede extender a una base para todo [latex]V[/latex]: [latex]{u_1, dots, u_k, v_1, dots, v_r}[/latex]. La dimensión de [latex]V[/latex] es, por lo tanto, [latex]k+r[/latex]. El paso final es demostrar que el conjunto [latex]{T(v_1), dots, T(v_r)}[/latex] forma una base para la imagen de T. Esto prueba que el rango es [latex]r[/latex], y por lo tanto [latex]dim(V) = k+r = text{nulidad}(T) + text{rango}(T)[/latex].

Para matrices, si [latex]A[/latex] es una matriz [latex]m times n[/latex], representa una aplicación lineal de [latex]mathbb{R}^n[/latex] a [latex]mathbb{R}^m[/latex]. La dimensión del dominio es [latex]n[/latex]. El rango de [latex]A[/latex] es la dimensión de su espacio columna, y su nulidad es la dimensión de su espacio nulo. El teorema se convierte en [latex]n = text{rango}(A) + text{nulidad}(A)[/latex].

El teorema es un componente fundamental de lo que a veces se denomina el teorema fundamental del álgebra lineal, que proporciona una descripción completa de la estructura de los cuatro subespacios fundamentales asociados a una matriz [latex]m times n[/latex] [latex]A[/latex]: el espacio columna, el espacio nulo, el espacio fila y el espacio nulo izquierdo. Ilustra de forma elegante la relación inversa: a medida que el conjunto de soluciones de [latex]Ax=0[/latex] (el espacio nulo) aumenta, el conjunto de posibles resultados [latex]Ax[/latex] (el espacio columna) debe disminuir, de modo que sus dimensiones sumen la dimensión total del espacio de entrada.

UNESCO Nomenclature: 1201
- Álgebra

Tipo

Sistema abstracto

Ruptura

Fundacional

Uso

Uso generalizado

Precursores

  • concept of a vector space, formalized by giuseppe peano.
  • theory of matrices, developed by arthur cayley.
  • concept of dimension of a vector space, developed by hermann grassmann.
  • understanding of linear independence and basis vectors.
  • formalization of linear transformations (maps) between vector spaces.
  • early work on solving systems of linear equations by carl friedrich gauss.

Aplicaciones

  • solving systems of linear equations
  • principal component analysis (pca) in data science
  • computer graphics transformations
  • control theory in engineering
  • error detection and correction codes
  • criptografía
  • mecánica cuántica

Patentes:

NA

Ideas para posibles innovaciones

  • optimizing red neuronal architectures by analyzing the rank and nullity of weight matrices to prune redundant neurons.
  • developing more efficient data compression algorithms by identifying and exploiting the null space of data transformation matrices.
  • creating novel error-correcting codes based on the properties of the kernel of a linear map representing the encoding process.
  • enhancing quantum computing algorithms by using the rank-nullity theorem to analyze the state space of quantum systems under linear transformations.
  • designing advanced control systems for robotics where the null space of a jacobian matrix represents redundant motions that can be used for obstacle avoidance.
  • improving recommendation systems by analyzing the rank of user-item matrices to understand the dimensionality of user preferences.
  • developing new cryptographic techniques where the security relies on the difficulty of finding the kernel of a large, sparse linear transformation.
  • creating generative art algorithms that use the kernel of a transformation to generate variations within a defined stylistic space.
  • analyzing financial models by applying the theorem to matrices of economic indicators to identify independent factors and dependencies.
  • en bioinformática, analyzing gene expression data matrices to determine the effective number of independent regulatory pathways (rank) and co-regulated gene sets (null space).
Relacionado con: teorema de rango-nulidad, álgebra lineal, espacio vectorial, dimensión, núcleo, nulidad, imagen, rango, transformación lineal, teoría de matrices.

Contexto histórico

Teorema de rango-nulidad

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

(Si la fecha es desconocida o no es relevante, por ejemplo "mecánica de fluidos", se proporciona una estimación redondeada de su aparición notable)

décimo año aniversario

Las imágenes en tamaño completo y las descargas solo están disponibles, de forma totalmente gratuita, para los miembros registrados.

> Acceso <