Gehört zu: Mathematik
Siehe auch: Lineare Algebra
Benutzt: WordPress-Plugin Latex

Matrizen als Lineare Abbildungen

Jede (nxm)-Matrix ist per Matrixmultipikation eine lineare Abbildung von \(\mathbb{R}^m\) nach \(\mathbb{R}^n\)

Quelle: https://www.mathematik.de/algebra/74-erste-hilfe/matrizen/2429-lineare-abbildungen

Lineare Abbildungen als Matrizen

Eine Lineare Abbildung kann eindeutig beschrieben werden durch die Werte auf die die Basis-Vektoren einer Basis abgebildet (transformiert) werden.

Beispielsweise heisst das im Vektorraum \(\mathbb{R}^2\) mit dem kanonischen Koordinatensystem und den Basisvektoren \( \hat{i} \) und \( \hat{j}  \) folgendes:

Wenn wir einen Vektor \( \vec{v} = \left[ \begin{array}{c} x \\\ y  \end{array} \right] = x \hat{i} + y\hat{j} \) betrachten, so wirkt eine Lineare Transformation L wie folgt:

\( L(\vec{v}) = x L(\hat{i}) + y L(\hat{j} )  \)

Wenn wir also die transformierten Basisvektoren \( L(\hat{i}) \) und \( L(\hat{j}) \)  kennen, ist damit die Lineare Transformation L vollständig festgelegt.

Diese transformierten Basis-Vektoren können im verwendeten Koordinatensystem als Matrix schreiben.

Wenn bei unserer Linearen Transformation beispielsweise \( L(\hat{i}) = \left[ \begin{array}{c} 3 \\\ -2  \end{array} \right] \)   und \( L(\hat{j}) = \left[ \begin{array}{c} 2 \\\ 1  \end{array} \right] \)  wäre, bekämen wir eine Matrix:

\( \left[ L(\hat{i}) | L(\hat{j}) \right] = \left[ \begin{array}{rr} 3 & 2 \\  -2 & 1 \\  \end{array} \right] \)

Wir “konkatenieren” also die transformierten Basis-Vektoren vertikal als Spalten.
Die Lineare Transformation kann im benutzten Koordinatensystem als Matrixmultiplikation aufgefasst werden:

\(\left[ \begin{array}{rr} 3 & 2 \\  -2 & 1 \\  \end{array} \right]  \left[ \begin{array}{c} x \\\ y  \end{array} \right] = x  \left[ \begin{array}{c} 3 \\\ -2  \end{array} \right] + y  \left[ \begin{array}{c} 2 \\\ 1  \end{array} \right] = \left[ \begin{array}{c} 3x+2y \\\ -2x+1y  \end{array} \right] \\\)

Völlig analog werden auch Lineare Transformationen in drei oder mehr (endlichen) Dimensionen behandelt.

Eigenschaften von Matrizen

Viele der Überlegungen, die wir mit Linearen Abblidungen vorgenommen haben, können wir also gleichermaßen auf Matrizen übertragen.

Sei also A die  (nxn)-Matrix zur Linearen Abblidung L von einem Vektorraum V in einen Vektorraum W (beide über dem gleichen Körper K)

\(  L: V  \to W \\\)

So haben wir beispielsweise zu L im Falle dim(V) = dim(W) = 3  eine (3×3)-Matrix A:

\(\Large A =  \left( \begin{array}{rrr} a_{11} & a_{12} & a_{13}\\  a_{21} & a_{22} & a_{23} \\  a_{31} & a_{32} & a_{33} \end{array} \right)  \\\)

Das Bild einer Matrix

Das Bild (engl. image) der Matrix A ist die Menge:

\(  im(A) =\{ y \in W \,| \,\exists x \in V \, : \, Ax = y \} \\\)

im(A) ist wiederum ein Untervektorraum von W.

Der Rang einer Matrix

Der Rang einer Matrix ist die Anzahl linear unabhängiger Zeilen- oder Spaltenvektoren der Matrix.
Bei einer quadratischen (n×n)-Matrix bedeutet dies, er ist höchstens n.

Rang(A) = dim(im(A))

Der Kern einer Matrix

Der Kern der Matrix A ist die Menge der Vektoren, die auf den Null-Vektor abgebildet werden:

\(  ker(A) =\{ x \in V \,|  \, Ax = 0 \} \\\)

ker(A) ist wiederum ein Untervektorraum von V.

Mit anderen Worten: Der Kern von A ist also die Lösungsmenge des Linearen Gleichungssystems Ax=0

Die Determinante einer Matrix

Bei einer quadratischen (n×n)-Matrix ist die Determinante genau dann 0 ist, wenn ihr Rang der Matrix kleiner n ist.