Lineáris leképezések

Lineáris algebra zikusoknak

Dömötör Piroska

SZTE TTIK Elméleti Fizikai Tanszék

1 / 38
Tartalom

Deníció:

Lineáris leképez nevezetes alterei

Lineáris leképezés mátrixa

M¶veletek lineáris leképezésekkel

Bázisváltás

Még egy példa: Vektoriális szorzás

2 / 38
Lineáris leképezések

Deníció: Lineáris leképezés

Legyenek U és V ugyanazon F számtest fölötti vektorterek.
Egy A: U →
7 V leképezést lineáris leképezésnek nevezünk, ha eleget tesz az
alábbi két feltételnek:

I A(u1 + u2 ) = A(u1 ) + A(u2 ) [ADDITIVITÁS]

I A(λu1 ) = λA(u1 ) [HOMOGENITÁS]

ahol u1 , u2 , u ∈ U és λ∈F tetsz®legesek.

Megjegyzés:
Tehát a lineáris leképezés meg®rzi a vektortér m¶veleteket.

Deníció: Lineáris transzformáció

Egy A : V 7→ V lineáris leképezést lineáris transzformációnak nevezünk.

3 / 38
Lineáris leképezések

0. Példa: Mátrix szoroz oszlopvektort

A : Rn → Rm , u 7→ A · u, (A ∈ Rm×n )
    
u1 a11 a12 . . . a1n u1
 u2   a21 a22 . . . a2n  u2 
 ..  7→
    
 .. .
. .. .  . 
. .
 .   . . . .  . 
un am1 am2 . . . amn un
| {z } | {z }| {z }
u A u

I Additivitás: A mátrix szorzás disztributív az összeadásra

A · (u1 + u2 ) = A · u1 + A · u2

I Homogenitás: A mátrix szorzásnál tetsz®leges λ∈R átvihet®

A · (λu1 ) = λ(A · u1 )

4 / 38
Lineáris leképezések

1. Példa: Valós rész képzés

A : C ' R2 → R, z 7→ Re(z)

I Additivitás:

A(z1 + z2 ) = Re(z1 + z2 ) = Re(z1 ) + Re(z2 ) = A(z1 ) + A(z2 )

I Homogenitás: λ∈R tetsz®leges

A(λz1 ) = Re(λz1 ) = λRe(z1 ) = λA(z1 )

5 / 38
Lineáris leképezések

2. Példa: Deriválás polinomokon

B : Pn [x] → Pn [x], f 7→ f 0

I Additivitás: analízisbeli tétel alapján (összeg deriváltja)

B(f + g) = (f + g)0 = (f 0 + g 0 ) = B(f ) + B(g)

I Homogenitás: λ∈R tetsz®leges

B(λf ) = (λf )0 = λf 0 = λB(f )

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 }

halmazt az A lineáris leképezés magterének (kernel) nevezzük.

Azon U -beli elemek, amelyeknek a képe a nulla vektor.

Ker(A) ALTÉR az indulási U vektortérben.

Deníció: Képtér
Legyen A : U 7→ V egy lineáris leképezés. Ekkor az

Im(A) := {v ∈ V | ∃ u ∈ U : A(u) = v}

halmazt az A lineáris leképezés képterének nevezzük.

Azon V -beli elemek, amelyek valamely U -beli vektor képei.

Im(A) ALTÉR az érkezési V vektortérben.

7 / 38
Lineáris leképez nevezetes alterei

1. Példa: Valós rész képzés

A : C ' R2 → R, z 7→ Re(z)
I Ker(A) = {b i | b ∈ R} = {tisztán képzetes számok}

I Im(B) = {R}

2. Példa: Deriválás polinomokon

B : Pn [x] → Pn [x], f 7→ f 0
I Ker(B) = P0 [x] = {konstans függvények}

I A deriváláskor csökken a fokszám, így Im(B) = Pn−1 [x]

8 / 38
Lineáris leképez nevezetes alterei

Figyeljük meg a dimenziókat a példákban

I Valós rész képzés:

dim(C) = 2, dim(KerA) = 1, dim(ImA) = 1

I Deriválás polinomokon:

dim(Pn [x]) = n + 1, dim(KerB) = 1, dim(ImB) = n

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

Figyeljük meg a dimenziókat a példákban

I Valós rész képzés:

dim(C) = 2, dim(KerA) = 1, dim(ImA) = 1

I Deriválás polinomokon:

dim(Pn [x]) = n + 1, dim(KerB) = 1, dim(ImB) = n

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

az A lineáris leképezés mátrixának nevezzük az e és f bázisban.

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:

Legyen U és V (F test feletti) vektortér,

e : {e1 , e2 , . . . , en } ∈ U és f : {f1 , f2 , . . . , fm } ∈ V bázisok,
továbbá A : U → 7 V lineáris leképezés.

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

Tehát elszakadunk a A : U 7→ V deníciójától és tetsz®leges vektor képének

koordinátáit mátrixszorzással kapjuk:

[A(u)]f = [A]fe · [u]e .

12 / 38
Lineáris leképezés mátrixa

Példák lineáris transzformációkra

Legyen V 2
a síkvektorok tere (R ).

Ekkor lineáris transzformáció az:

I Origó körüli forgatás

I Origó középpontú nagyítás

I Tükrözés origón átmen® egyenesre

I Vetítés origón átmen® egyenesre

13 / 38
Lineáris leképezés mátrixa

Origó körüli forgatás α szöggel Origó középpontú λ× nagyítás

A báziselemek képe: A báziselemek képe:

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

Azaz a képeket oszlopvektorként kiírva Azaz a képeket oszlopvektorként kiírva

       
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

Meggy. más bázisban is ez a mátrix!!!

14 / 38
Lineáris leképezés mátrixa

Origó körüli forgatás α szöggel Origó középpontú λ× nagyítás

A báziselemek képe: A báziselemek képe:

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

Azaz a képeket oszlopvektorként kiírva Azaz a képeket oszlopvektorként kiírva

       
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

Meggy. más bázisban is ez a mátrix!!!

14 / 38
Lineáris leképezés mátrixa

Tükrözés az y tengelyre Mer®leges vetítés az y tengelyre

A báziselemek képe: A báziselemek képe:

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

Azaz a képeket oszlopvektorként kiírva Azaz a képeket oszlopvektorként kiírva

       
−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

Diagonális: i és j jellemz® irányok!

Diagonális: i és j jellemz® irányok!!!

Nem "visszacsinálható": det([V]) = 0!

15 / 38
Lineáris leképezés mátrixa

Tükrözés az y tengelyre Mer®leges vetítés az y tengelyre

A báziselemek képe: A báziselemek képe:

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

Azaz a képeket oszlopvektorként kiírva Azaz a képeket oszlopvektorként kiírva

       
−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

Diagonális: i és j jellemz® irányok!

Diagonális: i és j jellemz® irányok!!!

Nem "visszacsinálható": det([V]) = 0!

15 / 38
Lineáris leképezés mátrixa

Visszatérés az 1. Példához: Valós rész képzés

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

Visszatérés a 2. Példához: Deriválás polinomokon

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

Példa: Egy térbeli tükrözés mátrixa

Határozzuk meg a háromdimenziós vektorokat az x − y = 0 egyenlet¶ síkra
tükröz® T lineáris transzformáció mátrixát a (szokásos) {i, j, k} bázisban.

Tehát a vizsgált leképezésünk:

T = R3 7→ R3 |

tükrözés x−y =0 síkra

A leképezés mátrixának meghatározásához szükségünk van az egyes

báziselemek képére
T i =?, T j =?, T k =?

18 / 38
Lineáris leképezés mátrixa

Példa: Egy tükrözés mátrixa

A báziselemek képe:

T i = j = 0i + 1j + 0k
T j = i = 1i + 0j + 0k
T k = k = 0i + 0j + 1k

Azaz a képeket oszlopvektorként kiírva

       
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

Példa: Egy tükrözés mátrixa

A mátrix segítségével tetsz®leges vektor képét megkapjuk.
   
0 1 0 x
Tudjuk [T ] = 1 0 0 és legyen [v] = y 
0 0 1 z
Ekkor mátrixszorzással adódnak a keresett vektor koordinátái
     
0 1 0 x y
[T v] = [T ] · [v] = 1 0 0 · y = x
    
0 0 1 z z

20 / 38
Lineáris leképezés mátrixa

Példa: Egy tükrözés mátrixa  Másik bázisban?

Határozzuk meg a háromdimenziós vektorokat az x−y =0 egyenlet¶ síkra
tükröz® T lineáris transzformáció mátrixát az alábbi bázisban:
 
1 1
e1 = √ (i + j), e2 = √ (−i + j), e3 = k
2 2

 
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

(A + B)(u) := A(u) + B(u) ∀u ∈ U

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

Deníció: Skalárral való szorzás

Legyen A : U 7→ V és lineáris leképezés (U ésV F test feletti vektortér) és
λ∈F tetsz®leges skalár.
Ekkor az A lineáris leképezések skalárszorosát a

(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 )

Ezen egyáltalán nem lep®dünk meg, hisz láttuk, hogy a lineáris

transzformációkat (négyzetes) mátrixokkal írhatjuk le. A mátrix fogalmat pedig
éppen úgy konstruáltuk az oszlopvektorokból, hogy a szokásos összeadás és
számmal szorzás m¶veletek megmaradjanak. Tehát vektorteret kapjunk.

24 / 38
M¶veletek lineáris leképezésekkel

Deníció: Lineáris leképezések szorzata

Legyenek U , V és W mind F test feletti vektorterek, A : V 7→ W és
B : U 7→ V lineáris leképezések.
Ekkor az A és B lineáris leképezések szorzata az az AB : U 7→ W leképezés,
amelyet az
(AB)(u) := A(Bu) ∀u ∈ U
formula deniálja.

Állítás:
Legyenek e : {e1 , e2 , . . . , en } ∈ U , f : {f1 , f2 , . . . , fm } ∈ V és
f : {g1 , g2 , . . . , gk } ∈ W bázisok, ekkor

[AB]ge = [A]gf · [B]fe

25 / 38
M¶veletek lineáris leképezésekkel

Lineáris transzformáció inverze

Legyen U F test feletti vektortér, és A : U 7→ U lineáris transzformáció.
Ekkor az A lineáris transzformáció inverze az az A−1 : U 7→ U leképezés,
amelyet az
(A−1 A)(u) := u ∀u ∈ U
formula deniál.

Csak akkor létezik ilyen, ha KerA = 0U [NINCS VESZTESÉG]

Állítás:
Legyen e : {e1 , e2 , . . . , en } ∈ U bázis, ekkor

[A−1 ]e = ([A]e )−1

26 / 38
Bázisváltás

Két különböz® bázis

Legyen V F test feletti vektortér,
A: V → 7 V lineáris transzformáció. Legyen továbbá

e : {e1 , e2 , . . . , en } és f : {f1 , f2 , . . . , fn }

két különböz® bázis V -ben.

Mi a kapcsolat?

I [u]e ← ? → [u]f
I [A]e ← ? → [A]f

27 / 38
Bázisváltás

Lineáris transzformáció teremt kapcsolatot a bázisok közt

Meg kell keresni azt az egyértelm¶ S transzformációt (bázistranszformáció),
amely a régi bázis elemit az új bázisba képezi.

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

Mi történik egy vektor koordinátáival?

S
e : {e1 , e2 , . . . , en } −→ f : {f1 , f2 , . . . , fn }
n
P
ahol fk = sjk ej
j=1

[u]f = [S]−1 · [u]e

Ugyanis

 
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

Azaz [u]e = [S] · [u]f amib®l következik az állítás.

29 / 38
Bázisváltás

Mi történik egy lineáris transzformáció mátrixával?

S
e : {e1 , e2 , . . . , en } −→ f : {f1 , f2 , . . . , fn }
n
P
ahol fk = sjk ej
j=1

[A]f = [S]−1 · [A]e · [S]

Ugyanis, felhasználva a vektor koordináták transzformálódását:

[Au]f = [A]f · [u]f = [A]f · [S]−1 · [u]e

[Au]f = [S]−1 · [Au]e = [S]−1 · [A]e · [u]e

Azaz [A]f · [S]−1 = [S]−1 · [A]e amib®l következik az állítás.

30 / 38
Bázisváltás

Példa: Egy tükrözés mátrixa

T = R3 7→ R3 |

tükrözés x−y =0 síkra

Korábban láttuk, hogy az

n 1 : {i, j, k} és a o
2 : e1 = √1 (i + j), e2 = √12 (−i + j), e3 = k bázisokban a transzformáció
2
mátrixa:

   
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

Példa: Egy tükrözés mátrixa

S
1 : {i, j, k} −→ 2 : {e1 , e2 , e3 }

Írjuk fel a bázisátmenet mátrixát

1
Si = e1 = √ (i + j);
2
1
Sj = e2 = √ (−i + j);
2
Sk = e3 = k

32 / 38
Bázisváltás

Példa: Egy tükrözés mátrixa

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

Így a bázisátmenet mátrixa

 
√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

Példa: Egy tükrözés mátrixa

A bázisváltás során a T lineáris transzformáció mátrixa az alábbi módon
transzformálódik:
[T ]2 = [S]−1 · [T ]1 · [S]
Valóban

 √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

Példa: Vektoriális szorzás rögzített vektorral

Legyen a ∈ R3 egy x vektor.
Igazoljuk, hogy az alábbi M : R3 → R3 leképezés lineáris transzformáció:

A : R3 → R3 r 7→ a × r

Majd írjuk fel a lineáris transzformáció mátrixát a szokásos {i, j, k} bázisban.

35 / 38
Még egy példa: Vektoriális szorzás

Példa: Vektoriális szorzás rögzített vektorral

Igazoljuk, hogy az alábbi M : R3 → R3 leképezés lineáris transzformáció:

M : R3 → R3 r 7→ a × r

Additivitás

M(r1 + r2 ) = a × (r1 + r2 ) = a × r1 + a × r2 = M(r1 ) + M(r2 )

×tulajd.

Homogenitás

M(λr) = a × (λr) = λa × r = λM(r)

×tulajd.

36 / 38
Még egy példa: Vektoriális szorzás

Példa: Vektoriális szorzás rögzített vektorral

Írjuk fel az alábbi M : R3 → R3 lineáris transzformáció mátrixát a szokásos
{i, j, k} bázisban:
M : R3 → R3 r 7→ a × r

Bázis elemek képe

 
i j k 0
M(i) = a × i = a1 a2 a3 = a3 j − a2 k =  a3 
def
1 0 0 −a2
 
i j k −a3
M(j) = a × j = a1 a2 a3 = −a3 i + a1 k =  0 
def
0 1 0 a1

37 / 38
Még egy példa: Vektoriális szorzás

Bázis elemek képe

 
i j k a2
M(k) = a × k = a1 a2 a3 = a2 i − a1 j = −a1 
def
0 0 1 0
     
0 −a3 a2
M(i) =  a3  ; M(j) =  0  ; M(k) = −a1 
−a2 a1 0

Tehát a lineáris transzformáció mátrixa

 
0 −a3 a2
[M] =  a3 0 −a1  [ANTISZIMMETRIKUS]
−a2 a1 0

38 / 38
Még egy példa: Vektoriális szorzás

Bázis elemek képe

 
i j k a2
M(k) = a × k = a1 a2 a3 = a2 i − a1 j = −a1 
def
0 0 1 0
     
0 −a3 a2
M(i) =  a3  ; M(j) =  0  ; M(k) = −a1 
−a2 a1 0

Tehát a lineáris transzformáció mátrixa

 
0 −a3 a2
[M] =  a3 0 −a1  [ANTISZIMMETRIKUS]
−a2 a1 0

38 / 38