Professional Documents
Culture Documents
7 Linalg Lev Linlekep
7 Linalg Lev Linlekep
Dömötör Piroska
1 / 38
Tartalom
Deníció:
Bázisváltás
2 / 38
Lineáris leképezések
Megjegyzés:
Tehát a lineáris leképezés meg®rzi a vektortér m¶veleteket.
3 / 38
Lineáris leképezések
A · (u1 + u2 ) = A · u1 + A · u2
A · (λu1 ) = λ(A · u1 )
4 / 38
Lineáris leképezések
A : C ' R2 → R, z 7→ Re(z)
I Additivitás:
5 / 38
Lineáris leképezések
B : Pn [x] → Pn [x], f 7→ f 0
6 / 38
Lineáris leképez nevezetes alterei
Deníció: Magtér
Legyen A : U 7→ V egy lineáris leképezés. Ekkor a
Ker(A) := {u ∈ U | A(u) = 0V }
Deníció: Képtér
Legyen A : U 7→ V egy lineáris leképezés. Ekkor az
Im(A) := {v ∈ V | ∃ u ∈ U : A(u) = v}
7 / 38
Lineáris leképez nevezetes alterei
A : C ' R2 → R, z 7→ Re(z)
I Ker(A) = {b i | b ∈ R} = {tisztán képzetes számok}
I Im(B) = {R}
B : Pn [x] → Pn [x], f 7→ f 0
I Ker(B) = P0 [x] = {konstans függvények}
8 / 38
Lineáris leképez nevezetes alterei
I Deriválás polinomokon:
Dimenziótétel
Legyen A : U 7→ V egy lineáris leképezés. És tegyük fel, hogy dim(U ) véges.
Ekkor
dim(U ) = dim(KerA) + dim(ImA).
9 / 38
Lineáris leképez nevezetes alterei
I Deriválás polinomokon:
Dimenziótétel
Legyen A : U 7→ V egy lineáris leképezés. És tegyük fel, hogy dim(U ) véges.
Ekkor
dim(U ) = dim(KerA) + dim(ImA).
9 / 38
Lineáris leképezés mátrixa
Deníció
Legyen U és V (F test feletti) vektortér, e : {e1 , e2 , . . . , en } ∈ U és
f : {f1 , f2 , . . . , fm } ∈ V bázisok, továbbá legyen A : U 7→ V lineáris
leképezés.
Ekkor minden ei báziselem képe kifejthet® az f : {f1 , f2 , . . . , fm }
bázisvektorok lineáris kombinációjaként, azaz:
m
X
A(e1 ) = aj1 fj = a11 f1 + a21 f2 + · · · + am1 fm
j=1
m
X
A(e2 ) = aj2 fj = a12 f1 + a22 f2 + · · · + am2 fm
j=1
.
.
.
m
X
A(en ) = ajn fj = a1n f1 + a2n f2 + · · · + amn fm
j=1
10 / 38
Lineáris leképezés mátrixa
Deníció (folytatás)
Az aji együtthatókból képzett mátrixot
a11 a12 · · · a1n
a21 a22 · · · a2n
[A]fe = .
. .. .
.. . . .
. .
am1 am2 · · · amn
Meggyelés 1.:
Tehát minden végesdimenziós vektorterek közti lineáris leképezés (adott
bázisban) mátrix szoroz oszlopvektort módon hat.
Meggyelés 2.:
Lineáris leképezés mátrixa függ a bázisválasztástól.
11 / 38
Lineáris leképezés mátrixa
Meggyelés 1. indoklása:
n
P
Legyen u= ci ei , ekkor a linearitás miatt
i=1
! !
n
X n
X n
X m
X m
X n
X
A(u) = A ci ei = ci A(ei ) = ci aji fj = aji ci fj
i=1 i=1 i=1 j=1 j=1 i=1
12 / 38
Lineáris leképezés mátrixa
13 / 38
Lineáris leképezés mátrixa
F( i) = cos α i + sin α j N ( i) = λ i = λ i + 0 j
F( j) = − sin α i + cos α j N ( j) = λ j = 0 i + λ j
cos α − sin α λ 0
[F( i)] = ; [F( j)] = [N ( i)] = ; [N ( j)] =
sin α cos α 0 λ
cos α − sin α λ 0
⇒ [F] = F(α) = ⇒ [N ] = = λI
sin α cos α 0 λ
14 / 38
Lineáris leképezés mátrixa
F( i) = cos α i + sin α j N ( i) = λ i = λ i + 0 j
F( j) = − sin α i + cos α j N ( j) = λ j = 0 i + λ j
cos α − sin α λ 0
[F( i)] = ; [F( j)] = [N ( i)] = ; [N ( j)] =
sin α cos α 0 λ
cos α − sin α λ 0
⇒ [F] = F(α) = ⇒ [N ] = = λI
sin α cos α 0 λ
14 / 38
Lineáris leképezés mátrixa
T ( i) = − i = −1 i + 0 j V( i) = 0 = 0 i + 0 j
T ( j) = j = 0 i + 1 j V( j) = j = 0 i + 1 j
−1 0 0 0
[T ( i)] = ; [T ( j)] = [V( i)] = ; [V( j)] =
0 1 0 1
−1 0 0 0
⇒ [T ] = ⇒ [V] =
0 1 0 1
15 / 38
Lineáris leképezés mátrixa
T ( i) = − i = −1 i + 0 j V( i) = 0 = 0 i + 0 j
T ( j) = j = 0 i + 1 j V( j) = j = 0 i + 1 j
−1 0 0 0
[T ( i)] = ; [T ( j)] = [V( i)] = ; [V( j)] =
0 1 0 1
−1 0 0 0
⇒ [T ] = ⇒ [V] =
0 1 0 1
15 / 38
Lineáris leképezés mátrixa
A : C ' R2 → R, z 7→ Re(z)
(C ' R2 )
Gauss-féle számsík:
a 1 0
a+b·i ↔ . Báziselemek: 1 ↔ ; i ↔ .
b 0 1
A báziselemek képe:
A(1) = 1
. ⇒ [A] = 1 0
A(i) = 0
16 / 38
Lineáris leképezés mátrixa
B : Pn [x] → Pn [x], f 7→ f 0
A báziselemek képe:
0 0
n 0
∼ n − 1 ;
n n−1 0 n−1 n−2
B(x ) = n x ∼ ; B(x ) = (n − 1) x
.. ..
. .
0 0
0 0 ··· 0 0
0 0
0 0
n
0 ··· 0 0
0 n − 1 · · · 0 0
B(x) = 1 ∼ 0 ; B(1) = 0 ∼ 0 . ⇒ [B] = .
. .. . .
.. .. .. .
. . .
.
.
.
. .
0 0 ··· 0 0
1 0
0 0 ··· 1 0
17 / 38
Lineáris leképezés mátrixa
T = R3 7→ R3 |
tükrözés x−y =0 síkra
18 / 38
Lineáris leképezés mátrixa
T i = j = 0i + 1j + 0k
T j = i = 1i + 0j + 0k
T k = k = 0i + 0j + 1k
0 1 0 0 1 0
[T i] = 1 ; [T j] = 0 ; [T k] = 0 ⇒ [T ] = 1 0 0
0 0 1 0 0 1
19 / 38
Lineáris leképezés mátrixa
20 / 38
Lineáris leképezés mátrixa
T e1 = e1 = 1e1 + 0e2 + 0e3 1 0 0
T e2 = −e2 = 0e1 − 1e2 + 0e3 ⇒ [T ]e = 0 −1 0
T e3 = e3 = 0e1 + 0e2 + 1e3 0 0 1
Lineáris leképezés mátrixa függ a bázisválasztástól.
21 / 38
M¶veletek lineáris leképezésekkel
Deníció: Összeadás
Legyenek A : U 7→ V és B : U 7→ V lineáris leképezések.
Ekkor az A és B lineáris leképezések összegét az
formula deniálja.
Állítás:
Legyenek e : {e1 , e2 , . . . , en } ∈ U és f : {f1 , f2 , . . . , fm } ∈ V bázisok,
ekkor
[A + B]fe = [A]fe + [B]fe
22 / 38
M¶veletek lineáris leképezésekkel
(λA)(u) := λA(u) ∀u ∈ U
formula deniálja.
Állítás:
Legyenek e : {e1 , e2 , . . . , en } ∈ U és f : {f1 , f2 , . . . , fm } ∈ V bázisok,
ekkor
[λA]fe = λ[A]fe
23 / 38
M¶veletek lineáris leképezésekkel
Állítás
Egyszer¶en belátható, hogy a fenti összeadással és skalárral való szorzással egy
adott V vektortér lineáris transzformációinak halmaza maga is vektorteret alkot.
Jelölés: Hom(V, V )
24 / 38
M¶veletek lineáris leképezésekkel
Állítás:
Legyenek e : {e1 , e2 , . . . , en } ∈ U , f : {f1 , f2 , . . . , fm } ∈ V és
f : {g1 , g2 , . . . , gk } ∈ W bázisok, ekkor
25 / 38
M¶veletek lineáris leképezésekkel
Állítás:
Legyen e : {e1 , e2 , . . . , en } ∈ U bázis, ekkor
26 / 38
Bázisváltás
e : {e1 , e2 , . . . , en } és f : {f1 , f2 , . . . , fn }
Mi a kapcsolat?
I [u]e ← ? → [u]f
I [A]e ← ? → [A]f
27 / 38
Bázisváltás
S
e : {e1 , e2 , . . . , en } −→ f : {f1 , f2 , . . . , fn }
n
X
Se1 = f1 = sj1 ej = s11 e1 + s21 e2 + · · · + sm1 em
j=1
n
X
Se2 = f2 = sj2 ej = s12 e1 + s22 e2 + · · · + sm2 em
j=1
.
.
.
n
X
Sen = fn = sjn ej = s1n e1 + s2n e2 + · · · + snn en
j=1
28 / 38
Bázisváltás
S
e : {e1 , e2 , . . . , en } −→ f : {f1 , f2 , . . . , fn }
n
P
ahol fk = sjk ej
j=1
n n n n n
!
X X X X X
u= bk fk = bk sjk ej = sjk bk ej
k=1 k=1 j=1 j=1 k=1
29 / 38
Bázisváltás
S
e : {e1 , e2 , . . . , en } −→ f : {f1 , f2 , . . . , fn }
n
P
ahol fk = sjk ej
j=1
30 / 38
Bázisváltás
T = R3 7→ R3 |
tükrözés x−y =0 síkra
0 1 0 1 0 0
[T ]1 = 1 0 0 ; [T ]2 = 0 −1 0
0 0 1 0 0 1
Ellen®rizzük az el®z®leg általánosan levezetett szabályt.
31 / 38
Bázisváltás
S
1 : {i, j, k} −→ 2 : {e1 , e2 , e3 }
1
Si = e1 = √ (i + j);
2
1
Sj = e2 = √ (−i + j);
2
Sk = e3 = k
32 / 38
Bázisváltás
S
1 : {i, j, k} −→ 2 : {e1 , e2 , e3 }
Az el®z®ek alapján:
1 −1 0
1 1
[Si] = √ 1 , [Sj] = √ 1 , [Sk] = 0
2 0 2 0 1
√1 − √12 0
√12 √1
⇒ [S] = 0
2 2
0 0 1
Figyeljük meg, hogy [S] egy ortogonális mátrix, hisz egy z tengely körüli 45◦ -os
forgatás mátrixa. ⇒ [S]−1 = [S]T
33 / 38
Bázisváltás
√1 −1
− √12
√1
0 − √12 0
2 0 1 0 2
√1 √1 0 · 1 0 0 · √12 √1 0 =
2 2 2
0 0 1 0 0 1 0 0 1
√1 √1
√1 1
0 − 2 0
√
2 2 0 1 0 2 1 0 0
= − √1 √1 0 · 1 0 0 · √12 √1 0 = 0 −1 0
2 2 2
0 0 1 0 0 1 0 0 1 0 0 1
34 / 38
Még egy példa: Vektoriális szorzás
A : R3 → R3 r 7→ a × r
35 / 38
Még egy példa: Vektoriális szorzás
M : R3 → R3 r 7→ a × r
Additivitás
Homogenitás
36 / 38
Még egy példa: Vektoriális szorzás
37 / 38
Még egy példa: Vektoriális szorzás
38 / 38
Még egy példa: Vektoriális szorzás
38 / 38