Kurs:Mathematik für Anwender (Osnabrück 2019-2020)/Teil I/Repetitorium/Vorlesung 24

„Durch starkes Denken kann man ein Kamel zu Fall bringen.“

Ibn Sina

Basiswechsel

Wir wissen bereits, dass in einem endlichdimensionalen Vektorraum je zwei Basen die gleiche Länge haben, also die gleiche Anzahl von Basisvektoren besitzen. Jeder Vektor besitzt bezüglich einer jeden Basis eindeutig bestimmte Koordinaten (oder Koeffizienten). Wie verhalten sich diese Koordinaten zu zwei Basen untereinander? Dies beantwortet die folgende Aussage.

Lemma

Es sei ${}K$ ein Körper und ${}V$ ein ${}K$- Vektorraum der Dimension ${}n$. Es seien ${}{\mathfrak {v}}=v_{1},\ldots ,v_{n}$ und ${}{\mathfrak {w}}=w_{1},\ldots ,w_{n}$ zwei Basen von ${}V$. Es sei

${}v_{j}=\sum _{i=1}^{n}c_{ij}w_{i}\,$

mit den Koeffizienten ${}c_{ij}\in K$, die wir zur ${}n\times n$- Matrix

${}M_{\mathfrak {w}}^{\mathfrak {v}}={\left(c_{ij}\right)}_{ij}\,$

zusammenfassen.

Dann hat ein Vektor ${}u$, der bezüglich der Basis ${}{\mathfrak {v}}$ die Koordinaten ${}{\begin{pmatrix}s_{1}\\\vdots \\s_{n}\end{pmatrix}}$ besitzt, bezüglich der Basis ${}{\mathfrak {w}}$ die Koordinaten

${}{\begin{pmatrix}t_{1}\\\vdots \\t_{n}\end{pmatrix}}=M_{\mathfrak {w}}^{\mathfrak {v}}{\begin{pmatrix}s_{1}\\\vdots \\s_{n}\end{pmatrix}}={\begin{pmatrix}c_{11}&c_{12}&\ldots &c_{1n}\\c_{21}&c_{22}&\ldots &c_{2n}\\\vdots &\vdots &\ddots &\vdots \\c_{n1}&c_{n2}&\ldots &c_{nn}\end{pmatrix}}{\begin{pmatrix}s_{1}\\\vdots \\s_{n}\end{pmatrix}}\,.$

Beweis

Dies folgt direkt aus

${}u=\sum _{j=1}^{n}s_{j}v_{j}=\sum _{j=1}^{n}s_{j}{\left(\sum _{i=1}^{n}c_{ij}w_{i}\right)}=\sum _{i=1}^{n}{\left(\sum _{j=1}^{n}s_{j}c_{ij}\right)}w_{i}\,$

und der Definition der Matrizenmultiplikation.

$\Box$

Die Matrix ${}M_{\mathfrak {w}}^{\mathfrak {v}}$, die den Basiswechsel von ${}{\mathfrak {v}}$ nach ${}{\mathfrak {w}}$ beschreibt, nennt man auch die Transformationsmatrix (oder Übergangsmatrix). In der ${}j$-ten Spalte der Transformationsmatrix stehen also die Koordinaten von ${}v_{j}$ bezüglich der Basis ${}{\mathfrak {w}}$. Wenn man zu einer Basis ${}{\mathfrak {v}}$ und einem Vektor ${}u\in V$ das zugehörige Koordinatentupel mit ${}\Psi _{\mathfrak {v}}(u)$ bezeichnet, so kann man den Übergang kurz als

${}\Psi _{\mathfrak {w}}(u)=M_{\mathfrak {w}}^{\mathfrak {v}}(\Psi _{\mathfrak {v}}(u))\,$

schreiben.

Beispiel

Wir betrachten im ${}\mathbb {R} ^{2}$ die Standardbasis

${}{\mathfrak {u}}={\begin{pmatrix}1\\0\end{pmatrix}},\,{\begin{pmatrix}0\\1\end{pmatrix}}\,$

und die Basis

${}{\mathfrak {v}}={\begin{pmatrix}1\\2\end{pmatrix}},\,{\begin{pmatrix}-2\\3\end{pmatrix}}\,.$

Die Basisvektoren von ${}{\mathfrak {v}}$ lassen sich direkt mit der Standardbasis ausdrücken, nämlich

$v_{1}={\begin{pmatrix}1\\2\end{pmatrix}}=1{\begin{pmatrix}1\\0\end{pmatrix}}+2{\begin{pmatrix}0\\1\end{pmatrix}}\,\,{\text{ und }}\,\,v_{2}={\begin{pmatrix}-2\\3\end{pmatrix}}=-2{\begin{pmatrix}1\\0\end{pmatrix}}+3{\begin{pmatrix}0\\1\end{pmatrix}}.$

Daher erhält man sofort

${}M_{\mathfrak {u}}^{\mathfrak {v}}={\begin{pmatrix}1&-2\\2&3\end{pmatrix}}\,.$

Zum Beispiel hat der Vektor, der bezüglich ${}{\mathfrak {v}}$ die Koordinaten ${}(4,-3)$ besitzt, bezüglich der Standardbasis ${}{\mathfrak {u}}$ die Koordinaten

${}M_{\mathfrak {u}}^{\mathfrak {v}}{\begin{pmatrix}4\\-3\end{pmatrix}}={\begin{pmatrix}1&-2\\2&3\end{pmatrix}}{\begin{pmatrix}4\\-3\end{pmatrix}}={\begin{pmatrix}10\\-1\end{pmatrix}}\,.$

Die Übergangsmatrix ${}M_{\mathfrak {v}}^{\mathfrak {u}}$ ist schwieriger zu bestimmen: Dazu müssen wir die Standardvektoren als Linearkombinationen von ${}v_{1}$ und ${}v_{2}$ ausdrücken. Eine direkte Rechnung (dahinter steckt das simultane Lösen von zwei linearen Gleichungssystemen) ergibt

${}{\begin{pmatrix}1\\0\end{pmatrix}}={\frac {3}{7}}{\begin{pmatrix}1\\2\end{pmatrix}}-{\frac {2}{7}}{\begin{pmatrix}-2\\3\end{pmatrix}}\,$

und

${}{\begin{pmatrix}0\\1\end{pmatrix}}={\frac {2}{7}}{\begin{pmatrix}1\\2\end{pmatrix}}+{\frac {1}{7}}{\begin{pmatrix}-2\\3\end{pmatrix}}\,.$

Somit ist

${}M_{\mathfrak {v}}^{\mathfrak {u}}={\begin{pmatrix}{\frac {3}{7}}&{\frac {2}{7}}\\-{\frac {2}{7}}&{\frac {1}{7}}\end{pmatrix}}\,.$

Lineare Abbildungen

Definition

Es sei ${}K$ ein Körper und es seien ${}V$ und ${}W$ Vektorräume über ${}K$. Eine Abbildung

$\varphi \colon V\longrightarrow W$

heißt lineare Abbildung, wenn die beiden folgenden Eigenschaften erfüllt sind.

1. ${}\varphi (u+v)=\varphi (u)+\varphi (v)$ für alle ${}u,v\in V$.
2. ${}\varphi (sv)=s\varphi (v)$ für alle ${}s\in K$ und ${}v\in V$.

Die erste Eigenschaft nennt man dabei die Additivität und die zweite Eigenschaft die Verträglichkeit mit Skalierung. Wenn man den Grundkörper betonen möchte spricht man von ${}K$-Linearität. Die Identität ${}\operatorname {Id} _{V}\colon V\rightarrow V$, die Nullabbildung ${}V\rightarrow 0$ und die Inklusionen ${}U\subseteq V$ von Untervektorräumen sind die einfachsten Beispiele für lineare Abbildungen.

Beispiel

Es sei ${}K$ ein Körper und sei ${}K^{n}$ der ${}n$- dimensionale Standardraum. Dann ist die ${}i$-te Projektion, also die Abbildung

$K^{n}\longrightarrow K,\,\left(x_{1},\,\ldots ,\,x_{i-1},\,x_{i},\,x_{i+1},\,\ldots ,\,x_{n}\right)\longmapsto x_{i},$

eine ${}K$- lineare Abbildung. Dies folgt unmittelbar aus der komponentenweisen Addition und Skalarmultiplikation auf dem Standardraum. Die ${}i$-te Projektion heißt auch die ${}i$-te Koordinatenfunktion.

Lemma

Es sei ${}K$ ein Körper und seien ${}U,V,W$ Vektorräume über ${}K$. Es seien

$\varphi :U\longrightarrow V\,\,{\text{ und }}\,\,\psi :V\longrightarrow W$

lineare Abbildungen.

Dann ist auch die Verknüpfung

$\psi \circ \varphi \colon U\longrightarrow W$

eine lineare Abbildung.

Beweis

Siehe Aufgabe 24.16.

$\Box$

Lemma

Es sei ${}K$ ein Körper und es seien ${}V$ und ${}W$ zwei ${}K$- Vektorräume. Es sei

$\varphi \colon V\longrightarrow W$

eine bijektive lineare Abbildung.

Dann ist auch die Umkehrabbildung

$\varphi ^{-1}\colon W\longrightarrow V$

linear.

Beweis

Siehe Aufgabe 24.17.

$\Box$

Festlegung auf einer Basis

Hinter der folgenden Aussage (dem Festlegungssatz) steckt das wichtige Prinzip, dass in der linearen Algebra (von endlichdimensionalen Vektorräumen) die Objekte durch endlich viele Daten bestimmt sind.

Satz

Es sei ${}K$ ein Körper und es seien ${}V$ und ${}W$ Vektorräume über ${}K$. Es sei ${}v_{i}$, ${}i\in I$, eine endliche Basis von ${}V$ und es seien ${}w_{i}$, ${}i\in I$, Elemente in ${}W$.

Dann gibt es genau eine lineare Abbildung

$f\colon V\longrightarrow W$

mit

$f(v_{i})=w_{i}{\text{ für alle }}i\in I.$

Beweis

Dieser Beweis wurde in der Vorlesung nicht vorgeführt.

Da ${}f(v_{i})=w_{i}$ sein soll und eine lineare Abbildung für jede Linearkombination die Eigenschaft

${}f{\left(\sum _{i\in I}s_{i}v_{i}\right)}=\sum _{i\in I}s_{i}f{\left(v_{i}\right)}\,$

erfüllt, und jeder Vektor ${}v\in V$ sich als eine solche Linearkombination schreiben lässt, kann es maximal nur eine solche lineare Abbildung geben.
Wir definieren nun umgekehrt eine Abbildung

$f\colon V\longrightarrow W,$

indem wir jeden Vektor ${}v\in V$ mit der gegebenen Basis als

${}v=\sum _{i\in I}s_{i}v_{i}\,$

schreiben und

${}f(v):=\sum _{i\in I}s_{i}w_{i}\,$

ansetzen. Da die Darstellung von ${}v$ als eine solche Linearkombination eindeutig ist, ist diese Abbildung wohldefiniert. Die Eigenschaft ${}f(v_{i})=w_{i}$ ist dabei klar.
Zur Linearität. Für zwei Vektoren ${}u=\sum _{i\in I}s_{i}v_{i}$ und ${}v=\sum _{i\in I}t_{i}v_{i}$ gilt

${}{\begin{aligned}f{\left(u+v\right)}&=f{\left({\left(\sum _{i\in I}s_{i}v_{i}\right)}+{\left(\sum _{i\in I}t_{i}v_{i}\right)}\right)}\\&=f{\left(\sum _{i\in I}{\left(s_{i}+t_{i}\right)}v_{i}\right)}\\&=\sum _{i\in I}(s_{i}+t_{i})f{\left(v_{i}\right)}\\&=\sum _{i\in I}s_{i}f{\left(v_{i}\right)}+\sum _{i\in I}t_{i}f(v_{i})\\&=f{\left(\sum _{i\in I}s_{i}v_{i}\right)}+f{\left(\sum _{i\in I}t_{i}v_{i}\right)}\\&=f(u)+f(v).\end{aligned}}$

Die Verträglichkeit mit der skalaren Multiplikation ergibt sich ähnlich, siehe Aufgabe *****.

$\Box$

 

Der Funktionsgraph einer linearen Abbildung von ${}\mathbb {R}$ nach ${}\mathbb {R}$, die Abbildung ist allein durch den Proportionalitätsfaktor ${}k$ festgelegt.

Beispiel

Die einfachsten linearen Abbildungen sind (neben der Nullabbildung) diejenigen von ${}K$ nach ${}K$. Eine solche lineare Abbildung

$\varphi \colon K\longrightarrow K,\,x\longmapsto \varphi (x),$

ist aufgrund von Satz 24.7 bzw. direkt aufgrund der Definition durch ${}\varphi (1)$ bzw. durch den Wert ${}\varphi (t)$ für ein einziges ${}t\in K$, ${}t\neq 0$, festgelegt. Es ist also ${}\varphi (x)=ax$ mit einem eindeutig bestimmten ${}a\in K$. Insbesondere im physikalischen Kontext, wenn ${}K=\mathbb {R}$ ist und wenn zwischen zwei messbaren Größen ein linearer Zusammenhang besteht, spricht man von Proportionalität, und ${}a$ heißt der Proportionalitätsfaktor. In der Schule tritt die lineare Beziehung zwischen zwei skalaren Größen als „Dreisatz“ auf.

Lineare Abbildungen und Matrizen

Die Wirkungsweise von verschiedenen linearen Abbildungen des ${}\mathbb {R} ^{2}$ in sich, dargestellt an einer Gehirnzelle.

Eine lineare Abbildung

$\varphi \colon K^{n}\longrightarrow K^{m}$

ist nach Satz 24.7 durch die Bilder ${}\varphi (e_{j})$, ${}j=1,\ldots ,n$, der Standardvektoren eindeutig festgelegt, und jedes ${}\varphi (e_{j})$ ist eine Linearkombination

${}\varphi (e_{j})=\sum _{i=1}^{m}a_{ij}e_{i}\,$

und damit durch die Elemente ${}a_{ij}$ eindeutig festgelegt. Insgesamt ist also eine solche lineare Abbildung durch ${}mn$ Elemente ${}a_{ij}$, ${}1\leq i\leq m$, ${}1\leq j\leq n$, aus dem Körper festgelegt. Einen solchen Datensatz kann man wieder als eine Matrix schreiben. Nach dem Festlegungssatz gilt dies, sobald sowohl im Definitionsraum als auch im Zielraum der linearen Abbildung eine Basis fixiert ist.

Definition

Es sei ${}K$ ein Körper und sei ${}V$ ein ${}n$- dimensionaler Vektorraum mit einer Basis ${}{\mathfrak {v}}=v_{1},\ldots ,v_{n}$ und sei ${}W$ ein ${}m$-dimensionaler Vektorraum mit einer Basis ${}{\mathfrak {w}}=w_{1},\ldots ,w_{m}$.

Zu einer linearen Abbildung

$\varphi \colon V\longrightarrow W$

heißt die ${}m\times n$- Matrix

${}M=M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi )=(a_{ij})_{ij}\,,$

wobei ${}a_{ij}$ die ${}i$-te Koordinate von ${}\varphi (v_{j})$ bezüglich der Basis ${}{\mathfrak {w}}$ ist, die beschreibende Matrix zu ${}\varphi$ bezüglich der Basen.

Zu einer Matrix ${}M=(a_{ij})_{ij}\in \operatorname {Mat} _{m\times n}(K)$ heißt die durch

$v_{j}\longmapsto \sum _{i=1}^{m}a_{ij}w_{i}$

gemäß Satz 24.7 definierte lineare Abbildung ${}\varphi _{\mathfrak {w}}^{\mathfrak {v}}(M)$ die durch ${}M$ festgelegte lineare Abbildung.

Bei einer linearen Abbildung ${}\varphi \colon K^{n}\rightarrow K^{m}$ wird, wenn nichts anderes gesagt wird, auf die Standardbasen Bezug genommen. Bei einer linearen Abbildung ${}\varphi \colon V\rightarrow V$ eines Vektorraumes in sich selbst, was man einen Endomorphismus nennt, nimmt man häufig vorne und hintem die gleiche Basis. Die Identität auf einem Vektorraum der Dimension ${}n$ wird bezüglich einer beliebigen Basis durch die Einheitsmatrix beschrieben.

Satz

Es sei ${}K$ ein Körper und sei ${}V$ ein ${}n$- dimensionaler Vektorraum mit einer Basis ${}{\mathfrak {v}}=v_{1},\ldots ,v_{n}$ und sei ${}W$ ein ${}m$-dimensionaler Vektorraum mit einer Basis ${}{\mathfrak {w}}=w_{1},\ldots ,w_{m}$.

Dann sind die in Definition 24.9 festgelegten Abbildungen

$\varphi \longmapsto M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi ){\text{ und }}M\longmapsto \varphi _{\mathfrak {w}}^{\mathfrak {v}}(M)$

invers zueinander.

Beweis

Dieser Beweis wurde in der Vorlesung nicht vorgeführt.

Wir zeigen, dass beide Hintereinanderschaltungen die Identität sind. Wir starten mit einer Matrix ${}M={\left(a_{ij}\right)}_{ij}$ und betrachten die Matrix

$M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi _{\mathfrak {w}}^{\mathfrak {v}}(M)).$

Zwei Matrizen sind gleich, wenn für jedes Indexpaar ${}(i,j)$ die Einträge übereinstimmen. Es ist

${}{\begin{aligned}(M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi _{\mathfrak {w}}^{\mathfrak {v}}(M)))_{ij}&=i-{\text{te Koordinate von }}(\varphi _{\mathfrak {w}}^{\mathfrak {v}}(M))(v_{j})\\&=i-{\text{te Koordinate von }}\sum _{i=1}^{m}a_{ij}w_{i}\\&=a_{ij}.\end{aligned}}$

Es sei nun ${}\varphi$ eine lineare Abbildung, und betrachten wir

$\varphi _{\mathfrak {w}}^{\mathfrak {v}}(M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi )).$

Zwei lineare Abbildungen stimmen nach Satz 24.7 überein, wenn man zeigen kann, dass sie auf der Basis ${}v_{1},\ldots ,v_{n}$ übereinstimmen. Es ist

${}(\varphi _{\mathfrak {w}}^{\mathfrak {v}}(M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi )))(v_{j})=\sum _{i=1}^{m}(M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi ))_{ij}\,w_{i}\,.$

Dabei ist nach Definition der Koeffizient ${}(M_{\mathfrak {w}}^{\mathfrak {v}}(\varphi ))_{ij}$ die ${}i$-te Koordinate von ${}\varphi (v_{j})$ bezüglich der Basis ${}w_{1},\ldots ,w_{m}$. Damit ist diese Summe gleich ${}\varphi (v_{j})$.

$\Box$

 

Beispiel

Eine lineare Abbildung

$\varphi \colon K^{n}\longrightarrow K^{m}$

wird zumeist durch die Matrix ${}M$ bezüglich der Standardbasen links und rechts beschrieben. Das Ergebnis der Matrixmultiplikation

${}{\begin{pmatrix}y_{1}\\\vdots \\y_{m}\end{pmatrix}}=M{\begin{pmatrix}x_{1}\\\vdots \\x_{n}\end{pmatrix}}\,$

ist dann direkt als Punkt in ${}K^{m}$ interpretierbar. Die ${}j$-te Spalte von ${}M$ ist das Bild des ${}j$-ten Standardvektors ${}e_{j}$.

Drehungen

Eine Drehung der reellen Ebene ${}\mathbb {R} ^{2}$ um den Nullpunkt um den Winkel ${}\alpha$ gegen den Uhrzeigersinn bildet ${}{\begin{pmatrix}1\\0\end{pmatrix}}$ auf ${}{\begin{pmatrix}\cos \alpha \\\sin \alpha \end{pmatrix}}$ und ${}{\begin{pmatrix}0\\1\end{pmatrix}}$ auf ${}{\begin{pmatrix}-\sin \alpha \\\cos \alpha \end{pmatrix}}$ ab. Daher werden ebene Drehungen folgendermaßen beschrieben.

Definition

Eine lineare Abbildung

$D(\alpha )\colon \mathbb {R} ^{2}\longrightarrow \mathbb {R} ^{2},$

die durch eine Drehmatrix ${}{\begin{pmatrix}\operatorname {cos} \,\alpha &-\operatorname {sin} \,\alpha \\\operatorname {sin} \,\alpha &\operatorname {cos} \,\alpha \end{pmatrix}}$ (mit einem ${}\alpha \in \mathbb {R}$) bezüglich der Standardbasis gegeben ist, heißt Drehung.

Eine Raumdrehung ist eine lineare Abbildung des ${}\mathbb {R} ^{3}$ in sich, bei der um eine Drehachse (durch den Nullpunkt) um einen bestimmten Winkel gedreht wird. Wenn der Vektor ${}v_{1}\neq 0$ die Drehachse definiert und ${}u_{2}$ und ${}u_{3}$ auf ${}v_{1}$ und aufeinander senkrecht stehen und alle die Länge ${}1$ haben, so wird die Drehung bezüglich der Basis ${}v_{1},u_{2},u_{3}$ durch die Matrix

${\begin{pmatrix}1&0&0\\0&\operatorname {cos} \,\alpha &-\operatorname {sin} \,\alpha \\0&\operatorname {sin} \,\alpha &\operatorname {cos} \,\alpha \end{pmatrix}}$

beschrieben.

Der Kern einer linearen Abbildungen

Definition

Es sei ${}K$ ein Körper, ${}V$ und ${}W$ seien ${}K$- Vektorräume und

$\varphi \colon V\longrightarrow W$

sei eine ${}K$- lineare Abbildung. Dann nennt man

${}\operatorname {kern} \varphi :=\varphi ^{-1}(0)={\left\{v\in V\mid \varphi (v)=0\right\}}\,$

den Kern von ${}\varphi$.

Der Kern ist ein Untervektorraum von ${}V$.

Wichtig ist das folgende Injektivitätskriterium.

Lemma

Es sei ${}K$ ein Körper, ${}V$ und ${}W$ seien ${}K$- Vektorräume und

$\varphi \colon V\longrightarrow W$

sei eine ${}K$- lineare Abbildung.

Dann ist ${}\varphi$ genau dann injektiv, wenn ${}\operatorname {kern} \varphi =0$ ist.

Beweis

Wenn die Abbildung injektiv ist, so kann es neben ${}0\in V$ keinen weiteren Vektor ${}v\in V$ mit ${}\varphi (v)=0$ geben. Also ist ${}\varphi ^{-1}(0)=\{0\}$.
Es sei umgekehrt ${}\operatorname {kern} \varphi =0$ und seien ${}v_{1},v_{2}\in V$ gegeben mit ${}\varphi (v_{1})=\varphi (v_{2})$. Dann ist wegen der Linearität

${}\varphi (v_{1}-v_{2})=\varphi (v_{1})-\varphi (v_{2})=0\,.$

Daher ist ${}v_{1}-v_{2}\in \operatorname {kern} \varphi$ und damit ${}v_{1}=v_{2}$.

$\Box$

<< | Kurs:Mathematik für Anwender (Osnabrück 2019-2020)/Teil I/Repetitorium | >> PDF-Version dieser Vorlesung Arbeitsblatt zur Vorlesung (PDF)