HCR - Kernel • Nullspace

Ricorda:

Nullspace e kernel sono nomi diversi ma significano la stessa cosa.

Il nullspace/kernel è l’insieme di vettori $\{{\mathbf{x}}_0,{\mathbf{x}}_1,...\}$ che rispettino la seguente equazione:$A{\mathbf{x}}_{\mathbf{i}}=0$Dove:

• $A$ è una matrice di dimensioni $m\times n$.
• $0$ è il vettore nullo.

Se il nullspace/kernel di una matrice è vuoto, ovvero l’unica soluzione dell’equazione $A{\mathbf{x}}_{\mathbf{i}}=0$, è $\mathbf{x}=0$, allora: ==la matrice $\mathbf{A}$ ha rango massimo==. N.B.: ==Una matrice a rango massimo non è detto che abbia nullspace/kernel nullo==.

---

• Kernel di una Matrice, definizione, spiegazione ed esempi:
  (ChatGPT 4o)
  • Il kernel di una matrice (detto anche nucleo o spazio nullo) è un concetto fondamentale in algebra lineare.
    Il kernel di una matrice rappresenta l’insieme di tutti i vettori che, moltiplicati per la matrice, producono il vettore nullo.
    In altre parole, il kernel contiene tutti i vettori che vengono “mandati a zero” dalla trasformazione lineare rappresentata dalla matrice.
  • Definizione Formale:
    • Il kernel di una matrice $A$ è l’insieme di tutti i vettori $x$ tali che:$A\cdot x=0$Dove:
    • $A$ è una matrice di dimensioni $m\times n$,
    • $x$ è un vettore $n\times 1$,
    • $0$ è il vettore nullo di dimensioni $m\times 1$.
    • Formalmente, il kernel di $A$, denotato come $\text{ker}(A)$, è dato da:$\text{ker}(A)=\{x\in {\mathbb{R}}^n\mid A\cdot x=0\}$Il kernel è uno spazio vettoriale e contiene tutti i vettori che, quando moltiplicati per la matrice $A$, danno il vettore nullo.
  • Interpretazione Geometrica:
    Dal punto di vista geometrico, il kernel di una matrice rappresenta l’insieme di direzioni in cui una trasformazione lineare non ha alcun effetto, cioè, i vettori che vengono “compressi” nel vettore nullo.
    Se il kernel contiene solo il vettore nullo, significa che la trasformazione lineare è iniettiva (cioè ogni vettore diverso viene trasformato in un vettore diverso).
    Se il kernel contiene più vettori, significa che ci sono vettori che vengono mappati nello stesso risultato, quindi la trasformazione non è iniettiva.
  • Esempio 1: Matrice $2\times 2$:
    • Consideriamo una matrice $A$ di dimensioni $2\times 2$:$A=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]$Per trovare il kernel di $A$, risolviamo il sistema lineare $A\cdot x=0$:$\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]\cdot \left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right]$Il sistema di equazioni è:$\begin{array}{l}1\cdot x_1+2\cdot x_2=0\\ 2\cdot x_1+4\cdot x_2=0\end{array}$Entrambe le equazioni sono ridondanti (la seconda è semplicemente il doppio della prima), quindi possiamo semplificare il sistema a:$x_1+2x_2=0$Da qui, possiamo risolvere $x_1=-2x_2$.
      Quindi, il kernel è lo spazio vettoriale generato dal vettore $\left[\begin{array}{c}-2\\ 1\end{array}\right]$, ossia:$\text{ker}(A)=\left\{t\left[\begin{array}{c}-2\\ 1\end{array}\right]\mid t\in \mathbb{R}\right\}$Il kernel di questa matrice è una retta nello spazio ${\mathbb{R}}^2$, che contiene tutti i multipli del vettore $\left[\begin{array}{c}-2\\ 1\end{array}\right]$.
  • Esempio 2: Matrice $3\times 3$:
    • Consideriamo la matrice $B$:$B=\left[\begin{array}{ccc}1& 0& -1\\ 2& 1& 0\\ -1& 1& 1\end{array}\right]$Per trovare il kernel di $B$, dobbiamo risolvere $B\cdot x=0$, cioè:$\left[\begin{array}{ccc}1& 0& -1\\ 2& 1& 0\\ -1& 1& 1\end{array}\right]\cdot \left[\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right]=\left[\begin{array}{c}0\\ 0\\ 0\end{array}\right]$Il sistema di equazioni risultante è:
    1. $x_1-x_3=0\to x_1=x_3$
    2. $2x_1+x_2=0\to 2x_3+x_2=0\to x_2=-2x_3$
    3. $-x_1+x_2+x_3=0\to -x_3+(-2x_3)+x_3=0$ (quest’ultima equazione è ridondante).
    • La soluzione generale è quindi:$x_1=x_3,x_2=-2x_3$Quindi il vettore $x$ può essere espresso come:$x=x_3\left[\begin{array}{c}1\\ -2\\ 1\end{array}\right]$Il kernel di $B$ è quindi generato dal vettore $\left[\begin{array}{c}1\\ -2\\ 1\end{array}\right]$, ossia:$\text{ker}(B)=\left\{t\left[\begin{array}{c}1\\ -2\\ 1\end{array}\right]\mid t\in \mathbb{R}\right\}$Anche in questo caso, il kernel è una retta nello spazio ${\mathbb{R}}^3$.
  • Proprietà del Kernel:
    1. Spazio Vettoriale: Il kernel di una matrice è sempre uno spazio vettoriale.
       Contiene almeno il vettore nullo.
    2. Dimensione del Kernel (Nullità): La dimensione del kernel di una matrice è detta nullità della matrice.
       Se il kernel contiene solo il vettore nullo, la matrice è detta iniettiva (ossia la trasformazione associata è iniettiva).
    3. Teorema del Rango: Il Teorema del Rango-Nullità afferma che per una matrice $A$ di dimensioni $m\times n$, la somma del rango di $A$ e della nullità di $A$ è uguale a $n$ (il numero di colonne):$\text{rango}(A)+\text{nullitaˋ}(A)=n$Il rango di $A$ rappresenta il numero di colonne linearmente indipendenti, mentre la nullità rappresenta la dimensione del kernel di $A$.
  • Applicazioni del Kernel:
    1. Sistemi di Equazioni Lineari: Il kernel di una matrice è cruciale per capire le soluzioni di un sistema di equazioni lineari.
       Se il kernel contiene più del solo vettore nullo, allora il sistema ha infinitamente molte soluzioni.
    2. Cinematica Robotica: In robotica, il kernel della matrice Jacobiana di un manipolatore descrive i movimenti nulli, cioè i movimenti dei giunti che non cambiano la posizione dell’end-effector.
    3. Teoria dei Controlli: Nella teoria dei controlli, il kernel di una matrice può essere utilizzato per descrivere i modi non osservabili o i modi non controllabili di un sistema dinamico.
  • Sintesi:
    • Il kernel di una matrice rappresenta l’insieme di vettori che vengono mappati nel vettore nullo dalla matrice.
      Esso è uno spazio vettoriale che può essere utilizzato per analizzare le proprietà delle trasformazioni lineari, la solvibilità dei sistemi di equazioni lineari e i movimenti nulli nei sistemi meccanici.
      Il kernel è un concetto chiave in algebra lineare e trova molte applicazioni in fisica, robotica e teoria dei controlli.
      Il rango di $A$ rappresenta il numero di colonne linearmente indipendenti, mentre la nullità rappresenta la dimensione del kernel di $A$.

---

• Nullspace, definizione, spiegazione ed esempi:
  (ChatGPT 4o)
  • Definizione:
    Il nullspace (o nucleo di una matrice) è l’insieme di tutti i vettori $\mathbf{x}$ che, moltiplicati per una matrice $A$, danno come risultato il vettore nullo (il vettore con tutti gli elementi pari a zero).
    In altre parole, il nullspace è l’insieme delle soluzioni dell’equazione:$A\mathbf{x}=0$Dove:
    • $A$ è una matrice di dimensioni $m\times n$.
    • $0$ è il vettore nullo.
  • Spiegazione:
    • In termini semplici, il nullspace di una matrice $A$ rappresenta tutti i vettori $\mathbf{x}$ che, quando moltiplicati per $A$, producono il vettore nullo.
      Il nullspace può contenere uno o più vettori, o solo il vettore nullo stesso.
      L’insieme dei vettori nel nullspace di una matrice forma uno spazio vettoriale.
    • Il nullspace è importante in molte applicazioni, inclusa la risoluzione di sistemi di equazioni lineari, l’analisi della cinematica dei robot, e nelle trasformazioni lineari.
    • Calcolo del Nullspace:
    • Per trovare il nullspace di una matrice $A$, dobbiamo risolvere il sistema omogeneo $A\mathbf{x}=0$.
      Questo significa:
      1. Impostare l’equazione $A\mathbf{x}=0$.
      2. Ridurre la matrice $A$ a forma ridotta a scala (tramite eliminazione di Gauss o altro metodo).
      3. Trovare le soluzioni del sistema di equazioni risultante.
      • Il grado di libertà delle soluzioni dipende dal rango della matrice:
      • Se il rango di $A$ è massimo (cioè uguale al numero di colonne della matrice), il nullspace contiene solo il vettore nullo.
      • Se il rango è minore del numero di colonne, ci sono soluzioni non banali nel nullspace.
    • Esempi:
    1. Matrice quadrata e nullspace banale:
       • Considera la matrice identità $A=I$:$I=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)$Per trovare il nullspace di $I$, dobbiamo risolvere:$I\mathbf{x}=0⟹\mathbf{x}=0$Il nullspace di $I$ contiene solo il vettore nullo $0$, quindi si dice che ha un nullspace banale.
    2. Matrice con nullspace non banale:
       • Consideriamo una matrice $A$:$A=\left(\begin{array}{cc}1& 2\\ 2& 4\end{array}\right)$Per trovare il nullspace di $A$, dobbiamo risolvere l’equazione:$A\mathbf{x}=0⟹\left(\begin{array}{cc}1& 2\\ 2& 4\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$Questo sistema porta a:$x_1+2x_2=0⟹x_1=-2x_2$Quindi, il nullspace di $A$ è l’insieme di tutti i vettori della forma $\mathbf{x}=t\left(\begin{array}{c}-2\\ 1\end{array}\right)$, dove $t$ è un qualsiasi numero reale.
         In questo caso, il nullspace non è banale, e tutti i vettori nel nullspace sono multipli del vettore $\left(\begin{array}{c}-2\\ 1\end{array}\right)$.
    3. Nullspace in robotica:
       • Nella robotica, il nullspace è importante per analizzare la cinematica dei robot.
         Ad esempio, quando si usa una matrice Jacobiana per calcolare le velocità o le forze dei giunti del robot, il nullspace della Jacobiana rappresenta quei movimenti o quelle forze che non influenzano direttamente il movimento dell’end-effector.
         In altre parole, se il vettore di velocità o di forza si trova nel nullspace della Jacobiana, significa che questi movimenti non alterano la posizione dell’elemento terminale (end-effector) del robot.
       • Esempio: Consideriamo un robot con due bracci che lavorano insieme per afferrare un oggetto.
         Il nullspace della Jacobiana di questo sistema rappresenta i movimenti che i due bracci possono fare senza influenzare la presa dell’oggetto, cioè movimenti ridondanti o inutili rispetto al compito principale.
  • Applicazioni del Nullspace:
    1. Risoluzione di sistemi di equazioni:
       • Il nullspace è utile per determinare l’esistenza di soluzioni non banali a sistemi di equazioni lineari.
         Se il nullspace contiene solo il vettore nullo, allora l’unica soluzione è quella banale (il vettore nullo).
         Se il nullspace contiene altri vettori, esistono soluzioni multiple (o infinite).
    2. Robotica:
       • Nella robotica, il nullspace della matrice Jacobiana è utilizzato per calcolare movimenti ridondanti che non influenzano l’end-effector.
         Questi movimenti sono spesso utilizzati per ottimizzare la postura del robot o per evitare collisioni.
    3. Grafica computerizzata e fisica:
       • In grafica 3D e simulazioni fisiche, il nullspace è utilizzato per modellare oggetti rigidi e per risolvere problemi di vincoli, come le forze che non causano movimento in un sistema vincolato.
  • Conclusione:
    Il nullspace è un concetto fondamentale in algebra lineare e ha numerose applicazioni in campi come la robotica, la fisica e l’ingegneria.
    Esso rappresenta l’insieme di soluzioni di un sistema omogeneo e descrive i vettori che non hanno alcun effetto in determinate trasformazioni lineari o sistemi.

---

• Ho trovato un nullspace o kernel, vuoto, ovvero $x=\vec{0}$, cosa comporta ciò?
  • Quando il kernel o nullspace di una matrice è vuoto, cioè contiene solo il vettore nullo ($\vec{0}$), significa che la mappa lineare associata alla matrice è iniettiva.
    In altre parole, l’unica soluzione dell’equazione omogenea $A\vec{x}=\vec{0}$ è il vettore nullo $\vec{x}=\vec{0}$.
  • Ecco le implicazioni principali:
    1. Iniettività: Se il kernel è vuoto, ogni vettore nello spazio di partenza viene mappato su un vettore distinto nello spazio di arrivo.
       La trasformazione è quindi iniettiva.
    2. Indipendenza lineare delle colonne: Se il kernel è vuoto, le colonne della matrice sono linearmente indipendenti.
       Non esiste nessuna combinazione lineare non banale delle colonne che dia il vettore nullo.
    3. Non ci sono soluzioni multiple: Quando si risolve $A\vec{x}=\vec{b}$, se il kernel è vuoto, ci sarà al massimo una soluzione per ogni vettore $\vec{b}$, oppure nessuna soluzione se $\vec{b}$ non è nello spazio immagine della matrice $A$.
    4. Rango massimo: Se il kernel è vuoto, il rango della matrice è uguale al numero delle sue colonne (se la matrice è quadrata, il rango sarà uguale alla dimensione della matrice).
       Questo significa che la matrice è non singolare e ha un determinante diverso da zero (nel caso di matrici quadrate).
  • In sintesi, trovare un kernel vuoto è un segnale positivo per quanto riguarda la risolubilità e la proprietà della matrice associata a una trasformazione lineare.

---