80 8 Lineare Abbildungen In diesem Kapitel untersuchen wir lineare Abbildungen von Rn nach Rm wie zum Beispiel Spiegelungen, Drehungen, Streckungen und Orthogonalprojektionen in R2 und R3 . Man nennt eine Abbildung linear, wenn man sie durch eine Matrix darstellen kann. Die Komposition (d.h. Verknüpfung) von zwei linearen Abbildungen kann dadurch einfach berechnet werden. Weiter können an der Matrix einer linearen Abbildung die wichtigsten Eigenschaften der Abbildung abgelesen werden. 8.1 Definition und Beispiele Im letzten Semester haben wir reelle Funktionen (d.h. Funktionen von R nach R) betrachtet. Nun kann man nicht nur Zahlen aus R, sondern auch Punkten in R2 , R3 oder allgemein Rn eine reelle Zahl zuordnen. Zum Beispiel Eine Funktion f : Rn −→ R nennt man reellwertige Funktion von n reellen Variablen. Seien nun f1 , . . . , fm reellwertige Funktionen von n reellen Variablen, das heisst w1 = f1 (x1 , . . . , xn ) w2 = f2 (x1 , . . . , xn ) .. . wm = fm (x1 , . . . , xn ) . Durch diese Gleichungen wird jedem Punkt (x1 , . . . , xn ) in Rn genau ein Punkt (w1 , . . . , wm ) in Rm zugeordnet. Wir erhalten damit eine Abbildung T : Rn −→ Rm durch T (x1 , . . . , xn ) = (w1 , . . . , wm ) . Der Buchstabe T steht für Transformation, denn Abbildungen von Rn nach Rm werden auch Transformationen genannt. Beispiel Die Gleichungen w1 = x1 + x2 w2 = 3x1 x2 w3 = x21 − x22 definieren eine Abbildung T : R2 −→ R3 durch T (x1 , x2 ) = (x1 + x2 , 3x1 x2 , x21 − x22 ) . 81 −→ Fasst man n-Tupel nicht als Punkte P in Rn sondern als Ortsvektoren ~x =OP in Rn auf, dann erhalten wir eine Abbildung, welche Vektoren in Rn auf Vektoren in Rm abbildet. Tatsächlich werden wir Elemente aus Rn und Rm stets als Vektoren betrachten, da wir ja mit der Struktur dieser Räume als Vektorräume vertraut sind und insbesondere lineare Abbildungen den Rn auf einen Vektorraum in Rm abbilden. Die Funktionsvorschrift T (x1 , . . . , xn ) = (w1 , . . . , wm ) bedeutet in diesem Fall also, dass der Vektor ~x in Rn mit den Komponenten x1 , . . . , xn auf den Vektor w ~ in Rm mit den Komponenten w1 , . . . , wm abgebildet wird. Oft beschreiben wir die Abbildung direkt mit Vektoren: T (~x) = w. ~ Definition Eine Abbildung T : Rn −→ Rm definiert durch T (x1 , . . . , xn ) = (w1 , . . . , wm ) heisst linear, wenn w1 = a11 x1 + a12 x2 + · · · + a1n xn w2 = a21 x1 + a22 x2 + · · · + a2n xn .. .. . . wm = am1 x1 + am2 x2 + · · · + amn xn für reelle Zahlen aij (1 ≤ i ≤ m, 1 ≤ j ≤ n). Das heisst, alle Variablen x1 , . . . , xn kommen in den Komponentenfunktionen w1 , . . . , wm linear (d.h. zur ersten Potenz oder gar nicht) vor. Dieses Gleichungssystem kann man als Matrixmultiplikation ausdrücken a11 a12 · · · a1n x1 w1 a21 a22 · · · a2n .. . . = .. .. .. .. . . . wm xn am1 am2 · · · amn das heisst T (~x) = w ~ = [T ]~x wobei [T ] = (aij ) die sogenannte Darstellungsmatrix der linearen Abbildung T ist. Die Einträge der Darstellungsmatrix hängen von der Wahl der Basen von Rn und Rm ab. Wir wählen vorerst stets die Standardbasen; die Darstellungsmatrix nennt man in diesem Fall auch Standardmatrix von T . Beispiele 1. T : R3 −→ R3 , T (x1 , x2 , x3 ) = (x1 + x2 − x3 , 2x1 − 3x3 , 5x2 ) 82 2. T : R2 −→ R3 , T (x1 , x2 ) = (x1 + 2x2 , x1 , 0) 3. T : R2 −→ R2 , T (x1 , x2 ) = (x21 + x2 , 3x1 ) 4. T : R3 −→ R2 , T (x1 , x2 , x3 ) = (x1 + x2 + 4x3 , 1) Eine Abbildung T : Rn −→ Rm ist also linear, wenn es eine m × n-Matrix A gibt (nämlich A = [T ]), so dass T (~x) = A~x. Insbesondere gilt T (~0) = A~0 = ~0 in Rm . Bei einer linearen Abbildung gilt stets, dass ~0 in Rn auf ~0 in Rm abgebildet wird. Lineare Abbildungen werden also durch Matrizen beschrieben. Umgekehrt beschreibt jede Matrix eine lineare Abbildung. Ist A eine m × n-Matrix, so definiert diese eine lineare Abbildung T : Rn −→ Rm durch T (~x) = A~x. Beispiel Die Matrix A= 1 2 3 0 definiert eine lineare Abbildung T : R2 −→ R2 durch 1 2 x1 + 2x2 x1 T (~x) = A~x = = . 3 0 3x1 x2 Was ist also zum Beispiel das Bild des Vektors ~x = ( 75 ) unter T ? 83 Beispiele von linearen Abbildungen von R2 nach R2 Die wichtigsten linearen Abbildungen von R2 nach R2 kennen Sie aus der Schule: Spiegelungen, Projektionen, Drehungen und Streckungen. 1. Spiegelung an der y-Achse T −→ 2. Spiegelung an der Geraden y = x T −→ 3. Orthogonalprojektion auf die x-Achse T −→ 4. Drehung um den Winkel ϕ um den Ursprung T −→ Es gilt (Herleitung später) T (x, y) = (x cos ϕ − y sin ϕ, x sin ϕ + y cos ϕ) . 84 5. Streckung um den Faktor k mit dem Ursprung als Streckzentrum T −→ Spezialfälle: 1 0 • k = 1: T = Id Identität, T (x, y) = (x, y), [T ] = 0 1 0 0 • k = 0: T = 0 Nullabbildung, T (x, y) = (0, 0), [T ] = 0 0 Komposition von linearen Abbildungen Seien T1 : Rn −→ Rk und T2 : Rk −→ Rm zwei lineare Abbildungen. Für ~x in Rn ist T1 (~x) ein Vektor in Rk , dessen Bild unter T2 ein Vektor T2 (T1 (~x)) in Rm ist. Die Verknüpfung von T1 und T2 ist also eine Abbildung von Rn nach Rm , die Komposition von T2 mit T1 genannt und mit T2 ◦ T1 bezeichnet wird (vgl. letztes Semester, Kapitel 1); das heisst (T2 ◦ T1 )(~x) = T2 (T1 (~x)) für alle ~x in Rn . Die Komposition T2 ◦ T1 ist wieder linear, denn sie kann als Matrixmultiplikation beschrieben werden. Es gilt folglich [T2 ◦ T1 ] = [T2 ][T1 ] . Die Reihenfolge der beiden Matrizen auf der rechten Seite ist dabei wichtig. Beispiel Sei T1 : R2 −→ R2 die Spiegelung an der Geraden y = x und T2 : R2 −→ R2 die Orthogonalprojektion auf die y-Achse. Man bestimme die Komposition T2 ◦ T1 . 85 8.2 Eigenschaften Eine lineare Abbildung von Rn nach Rm hat die Eigenschaft, dass sie mit den Vektorraumstrukturen von Rn und Rm verträglich ist; das heisst, es spielt keine Rolle, ob zwei Vektoren in Rn zuerst addiert und danach abgebildet werden oder ob sie zuerst abgebildet und danach ihre Bilder in Rm addiert werden (entsprechend für die skalare Multiplikation). Satz 8.1 Eine Abbildung T von Rn nach Rm ist genau dann linear, wenn für alle ~x, ~y in Rn und k in R die folgenden zwei Linearitätsbedingungen gelten: (1) T (~x + ~y ) = T (~x) + T (~y ) (2) T (k ~x) = k T (~x) Insbesondere ist das Bild des Vektorraums Rn unter einer linearen Abbildung stets wieder ein Vektorraum in Rm . Warum gilt der Satz 8.1 ? Nun, ist T eine lineare Abbildung, dann kann man mit Hilfe der Distributivgesetze für Matrizen leicht nachprüfen, dass T die Linearitätsbedingungen (1) und (2) erfüllt. Umgekehrt, ist T eine Abbildung von Rn nach Rm , welche die Linearitätsbedingungen (1) und (2) aus Satz 8.1 erfüllt, dann gilt T (~x) = A~x für die Matrix A, deren Spalten die Bilder (unter T ) der Basisvektoren e~1 , . . . , e~n von Rn sind, das heisst für A = ( T (e~1 ) · · · T (e~n ) ) . Die Abbildung T lässt sich also als Matrixmultiplikation schreiben und ist deshalb linear. Damit gilt insbesondere die folgende wichtige Tatsache. Satz 8.2 Sei T eine lineare Abbildung von Rn nach Rm . Dann stehen in den Spalten der Darstellungsmatrix [T ] die Bilder der Basisvektoren e~1 , . . . , e~n von Rn . Beispiel Sei T : R2 −→ R2 die Spiegelung an der y-Achse. Der Satz 8.2 ist vor allem dann praktisch, wenn eine lineare Abbildung geometrisch beschrieben ist und die Abbildungsvorschrift T (~x) = w ~ nicht bekannt ist. Bestimmt man die Bilder der Basisvektoren, dann ist die Abbildung eindeutig beschrieben. 86 Beispiele 1. Sei T : R2 −→ R2 die Drehung um den Winkel ϕ um den Ursprung. 2. Sei T : R3 −→ R3 die Drehung um den Winkel ϕ um die x-Achse. 8.3 Basiswechsel Tatsächlich gilt Satz 8.2 nicht nur für die Standardbasis e~1 , . . . , e~n von Rn , sondern für jede beliebige Basis B = {u~1 , . . . , u~n } von Rn . Ist T : Rn −→ Rn eine lineare Abbildung, dann erhält man die Darstellungsmatrix [T ]B von T bezüglich der Basis B, indem man die Bilder der Basisvektoren u~1 , . . . , u~n in die Spalten der Matrix schreibt. Beispiel Sei T : R2 −→ R2 die Spiegelung an der Geraden g mit dem Richtungsvektor ~u1 = √ 3 1 . 87 Bezüglich der Standardbasis wäre die Darstellungsmatrix [T ] von T gegeben durch √ ! [T ] = 1 √2 3 2 3 2 − 21 . Im Gegensatz zur Matrix [T ] ist die Darstellungsmatrix [T ]B sofort erkennbar als Matrix einer Spiegelung. Zudem lässt es sich mit Diagonalmatrizen sehr leicht rechnen. Aus diesen Gründen ist ein Basiswechsel manchmal sinnvoll. Tatsächlich gibt es eine (algebraische) Beziehung zwischen den Matrizen [T ]B und [T ]. Wir schreiben die Basisvektoren der Basis B als Spalten in eine 2 × 2-Matrix. Eine übliche Bezeichnung dieser Matrix ist P −1 (tatsächlich ist diese Matrix invertierbar, da die Spalten linear unabhängig sind). Wir setzen also √ 3 √ −1 −1 . P = ( ~u1 ~u2 ) = 1 3 Damit ist P = (P −1 −1 ) 1 = 4 √ 3 √1 −1 3 und es gilt [T ]B = P [T ] P −1 Die Matrix P −1 beschreibt dabei den Basiswechsel von der Basis B zur Standardbasis und die Matrix P beschreibt den Basiswechsel von der Standardbasis zur Basis B. Satz 8.3 Sei T : Rn −→ Rn eine lineare Abbildung und B eine beliebige Basis von Rn . Dann gilt [T ]B = P [T ] P −1 wobei in den Spalten von P −1 die Basisvektoren von B stehen. Die Kunst ist nun, eine Basis B zu finden, so dass die Matrix [T ]B diagonal ist. Dies ist tatsächlich “nur” ein Handwerk, welches wir im nächsten Kapitel erlernen. Man muss die sogenannten Eigenwerte und Eigenvektoren der Matrix [T ] berechnen. Lineare Abbildungen zwischen allgemeinen Vektorräumen In der Literatur werden lineare Abbildungen oft direkt durch die Linearitätsbedingungen von Satz 8.1 definiert. Dies hat den Vorteil, dass man sich nicht auf Abbildungen von Rn nach Rm beschränken muss. Man geht von zwei (reellen) Vektorräumen V und W aus und nennt eine Abbildung T : V −→ W linear, wenn gilt (1) T (u + v) = T (u) + T (v) (2) T (k v) = k T (v) für alle u, v ∈ V und k ∈ R. 88 Beispiele 1. Sei V = {ax2 + bx + c | a, b, c ∈ R} die Menge aller Polynome vom Grad ≤ 2. Wir haben im letzten Semester (Kapitel 10, Seite 145) gesehen, dass V ein Vektorraum ist. Sei nun T : V −→ V definiert durch T (p) = p′ , das heisst, T (ax2 +bx+c) = 2ax+b (man leitet das Polynom p = p(x) nach x ab). Dies ist eine lineare Abbildung, denn für Polynome p1 , p2 ∈ V und k ∈ R gilt mit den Ableitungsregeln T (p1 + p2 ) = (p1 + p2 )′ = p′1 + p′2 = T (p1 ) + T (p2 ) T (kp1 ) = (kp1 )′ = kp′1 = kT (p1 ) 2. Sei V die Menge aller 2 × 2-Matrizen und W = R. Wir betrachten T : V −→ W definiert durch T (A) = det(A) für A ∈ V . Dies ist keine lineare Abbildung, da im Allgemeinen gilt T (A + B) = det(A + B) 6= det(A) + det(B) = T (A) + T (B) . Wählt man je eine Basis für V und W , dann kann man die lineare Abbildung T : V −→ W durch eine (reelle) m × n-Matrix beschreiben, wobei m = dim(W ) und n = dim(V ). Betrachten wir den Spezialfall W = V . Wir wählen also eine Basis B von V . Nach Satz 8.2 (leicht angepasst), stehen dann in den Spalten der Darstellungsmatrix [T ]B die Koordinaten der Bilder der Basisvektoren. Beispiel Betrachten wir das 1. Beispiel oben mit V = {ax2 + bx + c | a, b, c ∈ R}. Eine Basis für V ist B = {x2 , x, 1}. Nun bestimmen wir die (Koordinaten der) Bilder der Basisvektoren: Die Matrix [T ]B beschreibt nun die Abbildung T im folgenden Sinn. Sei beispielsweise p(x) = 3x2 − 2x + 5. Der Koordinatenvektor von p bzgl. der Basis B ist 3 dann ~v = −2 . Dann ist der Koordinatenvektor von T (p) gegeben durch 5 Wir erhalten also 89 8.4 Bedeutung der Determinante einer Darstellungsmatrix An der Determinante der Darstellungsmatrix einer linearen Abbildung T : Rn −→ Rn (bzw. T : V −→ V ) können gewisse Eigenschaften von T abgelesen werden. Umkehrbare lineare Abbildungen Eine lineare Abbildung T : Rn −→ Rn ist umkehrbar (d.h. bijektiv), wenn es eine lineare Abbildung T −1 : Rn −→ Rn gibt, so dass T ◦ T −1 = T −1 ◦ T = Id die Identität ist (vgl. letztes Semester, Kapitel 1). Für die Darstellungsmatrizen (bzgl. der Standardbasis oder einer anderen Basis) folgt [T ][T −1 ] = [T −1 ][T ] = E (wobei E die Einheitsmatrix bezeichnet). Das heisst, [T ] ist invertierbar und [T −1 ] = [T ]−1 . In Worten: Die Darstellungsmatrix der Umkehrabbildung T −1 ist die Inverse [T ]−1 der Darstellungsmatrix [T ] von T . Ist umgekehrt T : Rn −→ Rn eine lineare Transformation und [T ] invertierbar, dann ist T umkehrbar und T −1 ist definiert durch T −1 (~x) = [T ]−1 ~x für alle ~x in Rn . Es gilt also T umkehrbar ⇐⇒ [T ] invertierbar . Mit Satz 9.5 (b), Seite 142, vom letzten Semester erhalten wir den folgenden Satz. Satz 8.4 Sei T : Rn −→ Rn linear. Dann gilt T umkehrbar ⇐⇒ det([T ]) 6= 0 . Wegen Satz 8.3 ist die Standardmatrix [T ] invertierbar, genau dann wenn die Darstellungsmatrix [T ]B zu jeder anderen Basis B invertierbar ist. Der Satz 8.4 gilt also auch für [T ]B anstelle von [T ]. Beispiele 1. Sei T : R2 −→ R2 die Orthogonalprojektion auf die x-Achse. 2. Sei T : R2 −→ R2 die Drehung um den Ursprung um den Winkel ϕ. 90 Volumenänderung Sei A eine n × n-Matrix. Wir hatten letztes Semester (Kapitel 9, Seite 143) bemerkt, dass | det(A)| gleich dem Volumen des von den Spaltenvektoren von A aufgespannten Parallelepipeds ist. Sei nun n = 2 und A = [T ] die Darstellungsmatrix einer linearen Abbildung T : R2 −→ R2 . Die Standardbasis ~e1 , ~e2 von R2 wird unter T auf die Spaltenvektoren ~v1 , ~v2 von A abgebildet (gemäss Satz 8.2). Der Flächeninhalt des von ~e1 und ~e2 aufgespannten Quadrats ist gleich 1, das von ~v1 und ~v2 aufgespannte Parallelogramm hat den Flächeninhalt | det(A)|. Der Betrag der Determinante ist also ein Mass für die durch die Abbildung bewirkte Veränderung des Flächeninhalts (bzw. Volumen in höheren Dimensionen). Orientierung von geometrischen Figuren Was passiert eigentlich mit einem Dreieck in R2 unter einer linearen Abbildung von R2 nach R2 ? Nehmen wir beispielsweise das Dreieck mit den Eckpunkten P = (1, 1), Q = (3, 1), R = (4, 3) und die drei linearen Abbildungen definiert durch die Matrizen 2 −1 −1 3 1 0 A= , B= , C= . −1 2 1 −2 0 0 Unter der Abbildung A werden die Eckpunkte P, Q, R auf die Punkte P ′ = (1, 1), Q′ = (5, −1), R′ = (5, 2) abgebildet, unter der Abbildung B auf P ′′ = (2, −1), Q′′ = (0, 1), R′′ = (5, −2) und unter der Abbildung C auf P ′′′ = (1, 0), Q′′′ = (3, 0), R′′′ = (4, 0). y R R’ Q’’ 1 P Q P’ 1 P’’’ Q’’’ x R’’’ Q’ P’’ R’’ Es gilt allgemein, dass unter einer linearen Abbildung T : R2 −→ R2 ein Dreieck auf ein Dreieck abgebildet wird, falls det([T ]) 6= 0. Weiter gilt: det([T ]) > 0 =⇒ die Orientierung des Dreiecks bleibt erhalten det([T ]) < 0 =⇒ die Orientierung des Dreiecks wird umgekehrt Diese Bemerkungen gelten auch für andere geometrische Figuren als Dreiecke. 91 Drehungen und Spiegelungen im R2 und R3 Drehungen und Spiegelungen im R2 und R3 sind umkehrbar, also ist die Determinante der Darstellungsmatrix einer Drehung oder Spiegelung ungleich Null. Es gilt weiter, dass Drehungen und Spiegelungen längen- und winkeltreu sind, das heisst Strecken werden auf Strecken gleicher Länge abgebildet und die Winkel (eines Dreiecks beispielsweise) bleiben erhalten. Ist A die Darstellungsmatrix einer Drehung oder Spiegelung in R2 , dann wird das Einheitsquadrat aufgespannt von den Standardbasisvektoren ~e1 , ~e2 also auf ein Quadrat Q der Seitenlänge 1 abgebildet. Es gilt deshalb | det(A)| = Flächeninhalt(Q) = 1 . Analog gilt | det(A)| = 1 auch im R3 . Da eine Drehung orientierungserhaltend und eine Spiegelung orientierungsumkehrend ist, folgt T Drehung T Spiegelung =⇒ det([T ]) = 1 =⇒ det([T ]) = −1 . Durch eine Drehung oder Spiegelung (mit Darstellungsmatrix A) bleibt also die Länge eines beliebigen Vektors ~v in R2 oder R3 unverändert, kA~v k = k~v k . Die Länge eines Vektors kann man mit dem Skalarprodukt ausdrücken: Es gilt also AT A = E . Satz 8.5 Die Darstellungsmatrix einer Drehung oder Spiegelung im R2 oder R3 bzgl. einer Orthonormalbasis ist orthogonal.