在线性代数中,秩-零度定理指出:对于任意有限维向量空间之间的线性映射 [latex]T: V \to W[/latex],其定义域维数 [latex]V[/latex] 等于其秩(像的维数)与零度(核的维数)之和。 其公式为:\dim(V) = \text{rank}(T) + \text{nullity}(T)。.

(图片仅供参考)
在线性代数中,秩-零度定理指出:对于任意有限维向量空间之间的线性映射 [latex]T: V \to W[/latex],其定义域维数 [latex]V[/latex] 等于其秩(像的维数)与零度(核的维数)之和。 其公式为:\dim(V) = \text{rank}(T) + \text{nullity}(T)。.
秩-零度定理揭示了与线性变换相关的关键子空间的维数之间的基本关系。设 [latex]T: V to W[/latex] 为一个线性映射。T 的核,记为 [latex]ker(T)[/latex],是 [latex]V[/latex] 中所有映射到 [latex]W[/latex] 中零向量的向量的集合。核的维数称为 T 的零度。T 的像,记为 [latex]text{im}(T)[/latex],是 [latex]W[/latex] 中所有由 [latex]V[/latex] 中的某个输入向量作为 T 的输出的向量的集合。像的维数称为 T 的秩。
该定理指出 [latex]dim(text{domain}(T)) = dim(ker(T)) + dim(text{im}(T))[/latex]。一种常见的证明策略是构造一组基。首先,找到核的一组基,例如 [latex]{u_1, dots, u_k}[/latex],其中 [latex]k = text{nullity}(T)[/latex]。由于核是 [latex]V[/latex] 的一个子空间,因此可以将这组基扩展为整个 [latex]V[/latex] 的一组基:[latex]{u_1, dots, u_k, v_1, dots, v_r}[/latex]。因此,[latex]V[/latex] 的维数为 [latex]k+r[/latex]。最后一步是证明集合 [latex]{T(v_1), dots, T(v_r)}[/latex] 构成 T 的像的基。这证明了秩为 [latex]r[/latex],因此 [latex]dim(V) = k+r = text{nullity}(T) + text{rank}(T)[/latex]。
对于矩阵,如果 [latex]A[/latex] 是一个 [latex]m times n[/latex] 矩阵,则它表示从 [latex]mathbb{R}^n[/latex] 到 [latex]mathbb{R}^m[/latex] 的线性映射。定义域的维数为 [latex]n[/latex]。[latex]A[/latex] 的秩是其列空间的维数,其零度是其零空间的维数。定理变为 [latex]n = text{rank}(A) + text{nullity}(A)[/latex]。
该定理是线性代数基本定理的核心组成部分,它全面描述了与 m × n 矩阵 A 相关的四个基本子空间的结构:列空间、零空间、行空间和左零空间。它精妙地阐明了这样一个权衡关系:随着 Ax=0 的解集(零空间)增大,可能的输出集 Ax(列空间)必然减小,它们的维度之和等于输入空间的总维度。
秩零定理
(如果日期未知或不相关,例如“流体力学”,则提供其显著出现的近似估计)
只有注册会员才能免费获得 100% 的全尺寸图片和下载。.
> 登录 <