Övning 1: Hitta kärna och bild för A = [[1,2],[2,4]]

Kärna: Lös Ax = 0 [[1,2,0],[2,4,0]] → [[1,2,0],[0,0,0]] x₁ + 2x₂ = 0 → x₁ = -2x₂ ker(A) = {(-2t, t) : t ∈ ℝ} = span{(-2,1)} Bild: Kolumnerna (1,2) och (2,4) Kolumn 2 = 2×kolumn 1 → linjärt beroende im(A) = span{(1,2)} Svar: ker(A) = span{(-2,1)}, im(A) = span{(1,2)}

Övning 2: Verifiera dimensionssatsen för föregående matris

A: ℝ² → ℝ², så dim(definitionsmängd) = 2 dim(ker(A)) = 1 (endimensionell) dim(im(A)) = 1 (endimensionell) Dimensionssats: 2 = 1 + 1 ✓ Svar: 2 = 1 + 1 ✓

Avancerad

Kärna och bild

Kärna och bild för linjära avbildningar, dimensionssatsen.

kärna bild nullspace range dimensionssats rank

Kärna och bild är som en linjär avbildnings 'DNA'! Kärnan visar vad som 'försvinner' (blir nollvektorn), medan bilden visar vad som 'skapas' (alla möjliga output). Tillsammans berättar de hela historien om hur avbildningen fungerar och ger oss dimensionssatsen - en av linjär algebras mest eleganta resultat!

Fördjupning

För en linjär avbildning T: V → W definieras kärnan ker(T) = {v ∈ V : T(v) = 0} och bilden im(T) = {T(v) : v ∈ V}. Kärnan är ett underrum till V, bilden ett underrum till W. Dimensionssatsen säger att dim(V) = dim(ker(T)) + dim(im(T)), vilket kopplar samman injektivitet, surjektivitet och invertibilitet.

Kärnan - vad som försvinner

Kärnan ker(T) = {v ∈ V : T(v) = 0} består av alla vektorer som avbildas till nollvektorn. För matriser: ker(A) = lösningar till Ax = 0. Kärnan berättar om avbildningen är injektiv!

ker(T) = {v \in V : T(v) = 0} - definition av kärna

Kärna för matris

A = [[1,2,1],[2,4,2]]

Lös Ax = 0:

[[1,2,1,0],[2,4,2,0]] → [[1,2,1,0],[0,0,0,0]]

Kärnan: ker(A) = span{(-2,1,0), (-1,0,1)}

Bilden - vad som skapas

Bilden im(T) = {T(v) : v ∈ V} = span(alla output). För matriser: im(A) = span(kolumnerna i A). Bilden berättar om avbildningen är surjektiv!

im(T) = {T(v) : v \in V} = span av kolumnerna

Bild för matris

A = [[1,2,1],[2,4,2]]

Kolumner: (1,2), (2,4), (1,2)

Notice: kolumn 2 = 2×kolumn 1, kolumn 3 = kolumn 1

im(A) = span{(1,2)} (endimensionell!)

Dimensionssatsen - den gyllene regeln

dim(V) = dim(ker(T)) + dim(im(T)). Detta är linjär algebras mest fundamentala sats! Den kopplar samman alla egenskaper hos linjära avbildningar.

dim(V) = dim(ker(T)) + dim(im(T)) - dimensionssatsen

Dimensionssats i praktiken

A = 3×4 matris med rank(A) = 2

ker(A) ⊆ ℝ⁴, im(A) ⊆ ℝ³

dim(ker(A)) = 4 - 2 = 2

dim(im(A)) = 2

Kontroll: 4 = 2 + 2 ✓

Rang och nullitet

rank(A) = dim(im(A)) = antal linjärt oberoende kolonner. nullity(A) = dim(ker(A)) = antal fria variabler. Rank-nullity theorem: rank(A) + nullity(A) = antal kolonner.

rank(A) + nullity(A) = n för n\timesm matris

Injektivitet och surjektivitet

T injektiv ⟺ ker(T) = {0} ⟺ endast trivial lösning till T(x) = 0. T surjektiv ⟺ im(T) = W ⟺ rank(A) = dim(W). T bijektiv ⟺ både injektiv och surjektiv.

Villkor för injektivitet och surjektivitet

Klassificering av avbildningar

A = 3×3 matris

Om rank(A) = 3: bijektiv (invertibel)
Om rank(A) = 2: varken injektiv eller surjektiv
Om rank(A) = 1: stor kärna, liten bild

Vanliga misstag

❌ Förväxla kärna med nollrum

Kärnan är lösningarna till Ax = 0, inte bara nollvektorn. Endast för injektiva avbildningar är ker(T) = {0}.

Exempel: Om A har rank 2 av 3 kolonner har ker(A) dimension 1, inte bara {0}.

❌ Tro att bild = alla möjliga värden

Bilden är endast de värden som faktiskt kan nås via avbildningen T.

Exempel: En 2×3 matris kan max ha 2-dimensionell bild i ℝ², inte hela ℝ³.

❌ Glömma dimensionssatsens riktning

dim(definitionsmängd) = dim(kärna) + dim(bild), inte dim(målmängd).

Exempel: För 3×4 matris: 4 = dim(ker) + dim(im), inte 3.

Tillämpningar

Differentialekvationer - lösningsrum

Homogena linjära DE:s lösningar bildar kärnan till en differentialoperator

Exempel: y'' + y = 0 har kärna span{cos(x), sin(x)}

Komprimering - informationsförlust

Kärnan representerar information som går förlorad vid komprimering

Exempel: JPEG-komprimering: vissa frekvenser hamnar i 'kärnan' och försvinner

Reglerteknik - styrbarhet

Kontrollerbara tillstånd motsvarar bilden av styrinmatning

Exempel: Om bild(styrmatris) ≠ ℝⁿ finns ostyrbar underrymder

Övningar

1 Lätt

Hitta kärna och bild för A = [[1,2],[2,4]]

Tips

Lös Ax = 0 för kärnan, undersök kolonnerna för bilden

Visa facit

Kärna: Lös Ax = 0
[[1,2,0],[2,4,0]] → [[1,2,0],[0,0,0]]
x₁ + 2x₂ = 0 → x₁ = -2x₂
ker(A) = {(-2t, t) : t ∈ ℝ} = span{(-2,1)}
Bild: Kolumnerna (1,2) och (2,4)
Kolumn 2 = 2×kolumn 1 → linjärt beroende
im(A) = span{(1,2)}

Svar: ker(A) = span{(-2,1)}, im(A) = span{(1,2)}

2 Lätt

Verifiera dimensionssatsen för föregående matris

Tips

Räkna dimensioner av definitionsmängd, kärna och bild

Visa facit

A: ℝ² → ℝ², så dim(definitionsmängd) = 2
dim(ker(A)) = 1 (endimensionell)
dim(im(A)) = 1 (endimensionell)
Dimensionssats: 2 = 1 + 1 ✓

Svar: 2 = 1 + 1 ✓

3 Medel

Bestäm för vilka värden av k avbildningen A = [[1,k],[2,4]] är injektiv

Tips

Injektiv ⟺ ker(A) = {0} ⟺ det(A) ≠ 0

Visa facit

Injektiv ⟺ ker(A) = {0}
⟺ det(A) ≠ 0
det(A) = 1·4 - k·2 = 4 - 2k
4 - 2k ≠ 0 → k ≠ 2
Så A är injektiv för alla k ≠ 2

Svar: k ≠ 2

Sammanfattning

Kärnan ker(T) = {v : T(v) = 0} och bilden im(T) = {T(v) : v ∈ V} karakteriserar linjära avbildningar. Dimensionssatsen dim(V) = dim(ker(T)) + dim(im(T)) kopplar injektivitet till kärnan och surjektivitet till bilden. Fundamentalt för förståelse av linjära system och transformationer.