Matrisrangkalkylator: Så hittar du rang med radreducerad form
En matrisrangkalkylator hittar antalet linjärt oberoende rader eller kolumner i en matris genom att reducera den till radreducerad form (trappstegsform) och räkna de nollskilda pivotraderna. Rangen berättar om ett system av linjära ekvationer har en unik lösning, oändligt många lösningar eller ingen lösning alls, och begreppet dyker upp genomgående i kurser i linjär algebra, datorgrafik och dimensionsreduktion inom dataanalys. Den här guiden går igenom radreduktionsmetoden steg för steg med fullständig räkning, tar upp determinantgenvägen för kvadratiska matriser och innehåller genomräknade exempel för både fullrangiga och rangbristande matriser. Du hittar också vanliga misstag att undvika och övningsuppgifter med fullständiga svar.
Innehåll
- 01Vad är rangen av en matris?
- 02Hur hittar en matrisrangkalkylator rangen med hjälp av radreducerad form?
- 03Genomräknat exempel: Att hitta rangen för en fullrangig 3×3-matris
- 04Genomräknat exempel: Att hitta rangen för en rangbristande matris
- 05Att använda determinantgenvägen för kvadratiska matriser
- 06Radrang kontra kolumnrang: Varför är de alltid lika?
- 07Vad berättar rangen om ett ekvationssystem?
- 08Vanliga misstag vid beräkning av matrisrang
- 09Övningsuppgifter: Testa din förståelse av matrisrang
- 10Varför använda en matrisrangkalkylator för steg-för-steg-övning?
Vad är rangen av en matris?
Rangen av en matris är det maximala antalet linjärt oberoende rader den innehåller — vilket motsvarar det maximala antalet linjärt oberoende kolumner. En matris kan ha stora dimensioner (säg 5×5) men ändå ha låg rang om många av dess rader eller kolumner är kombinationer av andra. Rangen är ett enda tal mellan 0 och det minsta av antalet rader och antalet kolumner: för en m×n-matris gäller 0 ≤ rank(A) ≤ min(m, n). En matris med rang lika med min(m, n) kallas fullrangig. En kvadratisk n×n-matris med rang exakt n är inverterbar; en kvadratisk matris med rang mindre än n kallas singulär och saknar invers. Rang är inte samma sak som en matris storlek — en 4×4-matris kan mycket väl ha rang 2 om två av dess rader är multiplar av de andra två.
Rang = antalet linjärt oberoende rader = antalet linjärt oberoende kolumner = antalet pivotpositioner när matrisen är reducerad till radreducerad form.
Hur hittar en matrisrangkalkylator rangen med hjälp av radreducerad form?
En matrisrangkalkylator fungerar genom att använda Gauss-elimination för att omvandla matrisen till radreducerad form (REF) — en triangulär layout där varje rads första nollskilda element (dess pivot) står strikt till höger om pivoten i raden ovanför, och eventuella nollrader hamnar längst ner. När en matris väl är i radreducerad form är rangen helt enkelt antalet nollskilda rader, vilket är samma sak som antalet pivotelement. Elimineringsprocessen använder tre tillåtna radoperationer som aldrig ändrar rangen: att byta plats på två rader, att multiplicera en rad med en nollskild konstant, och att addera en multipel av en rad till en annan. Eftersom dessa operationer bevarar de linjära beroenderelationerna är rangen hos den radreducerade matrisen alltid lika med rangen hos originalmatrisen.
1. Steg 1 — Hitta den första pivoten
Sök igenom kolumn 1 uppifrån och ner för att hitta det första nollskilda elementet. Om elementet i rad 1 är noll men en lägre rad har ett nollskilt element i kolumn 1, byt plats på raderna så att det nollskilda värdet blir pivoten.
2. Steg 2 — Eliminera under pivoten
För varje rad under pivotraden, subtrahera en multipel av pivotraden så att elementet i pivotens kolumn blir 0. Upprepa tills varje element under pivoten i den kolumnen är 0.
3. Steg 3 — Flytta till nästa kolumn och upprepa
Flytta en rad ner och en kolumn åt höger, och upprepa sökandet efter en nollskild pivot i den återstående delmatrisen. Fortsätt tills raderna eller kolumnerna tar slut.
4. Steg 4 — Räkna de nollskilda raderna
När inga fler pivotelement kan hittas, räkna raderna som inte är helt noll. Det antalet är matrisens rang.
Radoperationer (byte, skalning, addering av en multipel) ändrar aldrig rangen. Radreducerad form gör rangen synlig: den är lika med antalet nollskilda rader.
Genomräknat exempel: Att hitta rangen för en fullrangig 3×3-matris
Betrakta A = [[1, 2, 3], [2, 5, 3], [1, 0, 8]]. Det här är en klassisk 3×3-matris som används för att demonstrera fullrangig radreduktion. Eftersom den är kvadratisk innebär fullrang här rang 3.
1. Steg 1 — Eliminera kolumn 1 under pivoten
Pivoten är a₁₁ = 1. R2 = R2 - 2R1: [2-2(1), 5-2(2), 3-2(3)] = [0, 1, -3] R3 = R3 - 1R1: [1-1(1), 0-1(2), 8-1(3)] = [0, -2, 5] Matrisen är nu: [[1, 2, 3], [0, 1, -3], [0, -2, 5]]
2. Steg 2 — Eliminera kolumn 2 under pivoten
Pivoten är nu elementet 1 i rad 2, kolumn 2. R3 = R3 + 2R2: [0+2(0), -2+2(1), 5+2(-3)] = [0, 0, -1] Matrisen är nu: [[1, 2, 3], [0, 1, -3], [0, 0, -1]]
3. Steg 3 — Räkna pivotelementen
Varje rad har ett nollskilt ledande element: 1, 1 och -1. Alla tre rader är nollskilda, så rank(A) = 3. Eftersom A är en 3×3-matris med rang 3 är den fullrangig och inverterbar. Detta stämmer med det(A) = 1(5·8-3·0) - 2(2·8-3·1) + 3(2·0-5·1) = 40 - 26 - 15 = -1, som är nollskild — vilket bekräftar full rang.
Resultat: rank(A) = 3 för A = [[1,2,3],[2,5,3],[1,0,8]]. Tre nollskilda pivotrader, vilket stämmer med en nollskild determinant på -1.
Genomräknat exempel: Att hitta rangen för en rangbristande matris
Betrakta nu B = [[1, 2, -1], [2, 4, 1], [3, 6, 3]]. Notera att kolumn 2 är exakt två gånger kolumn 1 (2 = 2·1, 4 = 2·2, 6 = 2·3) — en tydlig indikation på att den här matrisen inte kommer vara fullrangig.
1. Steg 1 — Eliminera kolumn 1 under pivoten
Pivoten är b₁₁ = 1. R2 = R2 - 2R1: [2-2(1), 4-2(2), 1-2(-1)] = [0, 0, 3] R3 = R3 - 3R1: [3-3(1), 6-3(2), 3-3(-1)] = [0, 0, 6] Matrisen är nu: [[1, 2, -1], [0, 0, 3], [0, 0, 6]]
2. Steg 2 — Eliminera kolumn 3 under pivoten
Kolumn 2 saknar tillgänglig pivot (båda elementen under rad 1 är 0), så flytta till kolumn 3, där rad 2 har pivoten 3. R3 = R3 - 2R2: [0-2(0), 0-2(0), 6-2(3)] = [0, 0, 0] Matrisen är nu: [[1, 2, -1], [0, 0, 3], [0, 0, 0]]
3. Steg 3 — Räkna pivotelementen
Bara två rader är nollskilda: rad 1 (pivot i kolumn 1) och rad 2 (pivot i kolumn 3). Rad 3 är helt noll. Så rank(B) = 2, trots att B är en 3×3-matris. Detta stämmer med kolumnberoendet vi upptäckte i början: kolumn 2 = 2 × kolumn 1, så de tre kolumnerna spänner bara upp ett 2-dimensionellt rum.
Resultat: rank(B) = 2 för en 3×3-matris — en dimension kort från full rang eftersom kolumn 2 = 2 × kolumn 1.
Att använda determinantgenvägen för kvadratiska matriser
För en kvadratisk n×n-matris finns en genväg: beräkna determinanten. Om det(A) ≠ 0 är matrisen automatiskt fullrangig, vilket betyder att rank(A) = n — ingen radreduktion behövs. Om det(A) = 0 vet du att rank(A) < n, men determinanten ensam berättar inte exakt vilken rang det handlar om; du behöver fortfarande radreduktion (eller att kontrollera determinanter för mindre delmatriser) för att avgöra hur mycket lägre än n rangen faktiskt är.
1. Steg 1 — Beräkna determinanten
För C = [[4, 2], [2, 1]]: det(C) = (4)(1) - (2)(2) = 4 - 4 = 0.
2. Steg 2 — Eftersom det = 0, bekräfta att rangen är lägre än n genom radreduktion
R2 = R2 - 0.5R1: [2-0.5(4), 1-0.5(2)] = [0, 0] Matrisen är nu: [[4, 2], [0, 0]]. Bara en nollskild rad, så rank(C) = 1, inte 2.
Genväg för kvadratiska matriser: det ≠ 0 betyder att rang = n (full rang) direkt. det = 0 säger bara att rang < n — radreduktion ger det exakta värdet.
Radrang kontra kolumnrang: Varför är de alltid lika?
Det kan verka förvånande, men för vilken matris som helst — kvadratisk eller inte — är det maximala antalet linjärt oberoende rader alltid lika med det maximala antalet linjärt oberoende kolumner. Detta resultat kallas ibland rangsatsen, och det är därför kurser i linjär algebra helt enkelt kan säga "rangen" utan att specificera radrang eller kolumnrang. Ett sätt att se detta intuitivt: radreduktion kombinerar och ordnar bara om rader, och antalet pivotkolumner den ger är exakt antalet oberoende kolumner i originalmatrisen, medan antalet nollskilda rader är antalet oberoende rader. Eftersom båda storheterna kommer från samma uppsättning pivotelement måste de stämma överens. För B = [[1, 2, -1], [2, 4, 1], [3, 6, 3]] från tidigare exempel har den radreducerade formen pivotelement i kolumn 1 och 3 — vilket bekräftar att exakt 2 kolumner är oberoende, vilket stämmer med de 2 oberoende raderna.
Radrang är alltid lika med kolumnrang. Detta gemensamma värde kallas helt enkelt matrisens rang — det finns ingen separat 'radrangkalkylator' och 'kolumnrangkalkylator'.
Vad berättar rangen om ett ekvationssystem?
För ett system av linjära ekvationer Ax = b avgör rangen exakt vilken typ av lösningsmängd du får. Jämför rank(A), koefficientmatrisen, med rank([A|b]), den utökade matrisen med konstanterna tillagda som en extra kolumn: om rank(A) < rank([A|b]) är systemet inkonsistent och saknar lösning. Om rank(A) = rank([A|b]) = n (antalet obekanta) har systemet exakt en lösning. Om rank(A) = rank([A|b]) < n har systemet oändligt många lösningar, med n - rank fria variabler.
1. Steg 1 — Ställ upp den utökade matrisen
Med koefficientmatrisen B = [[1, 2, -1], [2, 4, 1], [3, 6, 3]] och konstanterna b = (4, 7, 10): [1, 2, -1 | 4] [2, 4, 1 | 7] [3, 6, 3 | 10]
2. Steg 2 — Radreducera den utökade matrisen
R2 = R2 - 2R1: [0, 0, 3 | -1] R3 = R3 - 3R1: [0, 0, 6 | -2] R3 = R3 - 2R2: [0, 0, 0 | 0] Sista raden blir 0 = 0, vilket alltid är sant — så rank([A|b]) = 2, vilket stämmer med rank(A) = 2.
3. Steg 3 — Tolka resultatet
Eftersom rank(A) = rank([A|b]) = 2 < 3 obekanta har systemet oändligt många lösningar med 1 fri variabel (y). Jämför detta med b = (4, 7, 9): samma steg ger en sista rad 0 = -1, en omöjlig ekvation. Där är rank(A) = 2 men rank([A|b]) = 3, så systemet saknar lösning helt.
Rangkriterium för system: ingen lösning om rank(A) < rank([A|b]); en lösning om båda är lika med n; oändligt många om båda är lika men mindre än n.
Vanliga misstag vid beräkning av matrisrang
Ett antal fel dyker upp gång på gång när studenter beräknar rang för hand.
1. Misstag 1 — Att förväxla rang med matrisens storlek
En 4×4-matris har inte automatiskt rang 4. Rangen beror på linjärt oberoende, inte på antalet rader eller kolumner som finns.
2. Misstag 2 — Att glömma att byta rader när en pivotposition är noll
Om elementet som behövs som pivot är 0 men en rad under den har ett nollskilt värde i den kolumnen måste du byta rader innan du fortsätter — hoppar du över det här steget får du en felaktig trappstegsform och en felaktig rang.
3. Misstag 3 — Att anta att det = 0 betyder rang = 0
det(A) = 0 betyder bara att rank(A) < n för en kvadratisk matris. Den faktiska rangen kan vara n-1, n-2 eller något ännu mindre värde — det krävs fortfarande radreduktion för att fastställa den.
4. Misstag 4 — Att avsluta radreduktionen för tidigt
Rangen måste läsas av från en fullständigt reducerad trappstegsform. Att avsluta elimineringen halvvägs kan lämna rader som ser nollskilda ut men som skulle bli noll med ytterligare en operation, vilket leder till en för hög rangräkning.
Det vanligaste rangfelet: att läsa av rangen innan elimineringen är klar. Avsluta alltid radreduktionen innan du räknar pivotelementen.
Övningsuppgifter: Testa din förståelse av matrisrang
Arbeta dig igenom de här tre uppgifterna och kontrollera sedan din radreduktion mot svaren nedan.
1. Uppgift 1 — Hitta rank(D) för D = [[2, 4], [1, 2]]
Svar: det(D) = (2)(2) - (4)(1) = 0, så rang < 2. R2 = R2 - 0.5R1 ger [0, 0]. Endast 1 nollskild rad kvarstår, så rank(D) = 1.
2. Uppgift 2 — Hitta rank(E) för E = [[1, 0, 2], [0, 1, 1], [1, 1, 3]]
Svar: R3 = R3 - R1 - R2 ger [1-1-0, 1-0-1, 3-2-1] = [0, 0, 0]. Rad 1 och 2 förblir nollskilda och oberoende (pivotelement i kolumn 1 och 2), så rank(E) = 2.
3. Uppgift 3 — Är x - y = 3 och 2x - 2y = 6 konsistenta, och vad är rangen för dess koefficientmatris?
Svar: Koefficientmatrisen [[1, -1], [2, -2]] har rad 2 = 2 × rad 1, så rang = 1. Den utökade matrisen [[1, -1 | 3], [2, -2 | 6]] har också rad 2 = 2 × rad 1 (inklusive konstantkolumnen), så dess rang är också 1. Eftersom båda rangerna är lika med 1, vilket är mindre än 2 obekanta, är systemet konsistent med oändligt många lösningar — de två ekvationerna beskriver samma linje.
Kontrollera ditt arbete: när en beräknad rang verkar för hög, kontrollera på nytt genom att fullständigt reducera till trappstegsform och bekräfta att varje 'nollskild' rad verkligen har ett nollskilt pivotelement.
Varför använda en matrisrangkalkylator för steg-för-steg-övning?
Radreduktion för hand är lätt att göra fel på mitt i en lång matris — ett räknefel i rad 2 fortplantar sig till varje rad under den. En matrisrangkalkylator som visar varje elimineringssteg låter dig kontrollera ditt eget arbete rad för rad och upptäcka exakt var ett fel smög sig in, i stället för att bara se om slutrangen stämmer. Solvifys steg-för-steg-lösare och AI-mattelärare går igenom radreduktion, determinantgenvägar och rangproblem på samma sätt som den här guiden gör, så att du kan kontrollera läxor, öva inför prov eller ta dig förbi en specifik matris utan att tappa resonemanget bakom varje steg.
Relaterade artiklar
Matriskalkylator steg för steg: Operationer, determinanter och inverser
Utvidga rang till hela uppsättningen matrisoperationer — addition, multiplikation, determinanter och inverser — med samma genomräknade exempel-metod.
Ekvationssystemskalkylator med steg
Se hur rangen avgör om ett linjärt system har en, ingen eller oändligt många lösningar, genomgången i fullständig detalj.
Kalkylator för att lösa linjära ekvationer
Att lösa ekvationer med en variabel är grunden som radreduktion och rang generaliserar till matrisform.
Relaterade matematiklösare
Steg-för-steg-lösningar
Få detaljerade förklaringar för varje steg, inte bara slutsvaret.
Smart Scan-lösare
Fota vilket matteproblem som helst och få en direkt steg-för-steg-lösning.
AI-mattelärare
Ställ följdfrågor och få personliga förklaringar dygnet runt.