Lektion 5.1

Matrizen als Darstellung linearer Abbildungen

40 min Lesezeit
Lesen anpassen

Nach dieser Lektion kannst du

  • zu einer linearen Abbildung Kn→KmK^n \to K^m ihre Matrix aufstellen, indem du die Bilder der Einheitsvektoren als Spalten schreibst,

  • das Produkt aus Matrix und Vektor in der Spalten- und in der Zeilensicht berechnen,

  • Drehungen, Spiegelungen und Scherungen der Ebene als Matrizen schreiben,

  • begründen, warum jede lineare Abbildung Kn→KmK^n \to K^m genau eine Matrix hat,

  • mit Matrizen rechnen wie mit Vektoren und die Dimension von Km×nK^{m \times n} angeben.

Vorausgesetzt: Lineare Abbildungen: Definition und Beispiele, Basis und Dimension

Eine lineare Abbildung der Ebene in sich hat unendlich viele Werte: Jeder Punkt hat ein Bild. Trotzdem kann man sie mit wenigen Zahlen vollständig aufschreiben. Ein Grafikprogramm, das ein Bild um einen Winkel dreht, muss nicht für jeden Bildpunkt einzeln festhalten, wohin er wandert; vier Zahlen genügen.

Der Grund steht schon in der Lektion über Basis und Dimension: Eine lineare Abbildung ist durch die Bilder einer Basis festgelegt. Im R2\mathbb{R}^2 genügen also die Bilder der beiden Einheitsvektoren e1=(1,0)e_1 = (1, 0) und e2=(0,1)e_2 = (0, 1), das sind zusammen vier Zahlen.

Diese Lektion beantwortet drei Fragen. Wie ordnet man diese Zahlen so an, dass man das Bild eines beliebigen Vektors bequem ausrechnen kann? Welche Zahlen gehören zu einer Drehung, einer Spiegelung oder einer Scherung? Und was passiert mit den Zahlen, wenn man zwei lineare Abbildungen addiert? Die Antwort auf die erste Frage heißt Matrix.

In der ganzen Lektion ist KK ein Körper, zum Beispiel Q\mathbb{Q}, R\mathbb{R} oder C\mathbb{C}. Vektoren in KnK^n schreiben wir als Spalten, im Fließtext aus Platzgründen auch als Zeile (x1,…,xn)(x_1, \dots, x_n). Mit eje_j ist der jj-te Einheitsvektor gemeint: an der Stelle jj eine 11, sonst überall 00.

Vermute zuerst

Von einer linearen Abbildung f ⁣:R2→R2f\colon \mathbb{R}^2 \to \mathbb{R}^2 kennst du nur f(e1)=(2,1)f(e_1) = (2, 1) und f(e2)=(−1,3)f(e_2) = (-1, 3). Was ist f(3,2)f(3, 2)?

Beispiel

Eine Abbildung R3→R2\mathbb{R}^3 \to \mathbb{R}^2 in Zahlen

Sei f ⁣:R3→R2f\colon \mathbb{R}^3 \to \mathbb{R}^2, f(x1,x2,x3)=(x1+2x2,  x2−x3)f(x_1, x_2, x_3) = (x_1 + 2x_2, \; x_2 - x_3). Diese Abbildung ist linear, denn jede Koordinate des Bildes ist eine Summe von Vielfachen der xjx_j. Die Bilder der drei Einheitsvektoren sind

f(e1)=(1,0)f(e_1) = (1, 0), f(e2)=(2,1)\quad f(e_2) = (2, 1), f(e3)=(0,−1)\quad f(e_3) = (0, -1).

Wegen der Linearität ist f(x)=x1f(e1)+x2f(e2)+x3f(e3)f(x) = x_1 f(e_1) + x_2 f(e_2) + x_3 f(e_3). Wir schreiben die drei Bilder als Spalten nebeneinander:

A=(12001−1)A = \begin{pmatrix} 1 & 2 & 0 \\ 0 & 1 & -1 \end{pmatrix}

Das Schema hat zwei Zeilen, weil die Bilder in R2\mathbb{R}^2 liegen, und drei Spalten, weil es drei Einheitsvektoren in R3\mathbb{R}^3 gibt. In der ersten Zeile stehen die Koeffizienten der ersten Bildkoordinate x1+2x2+0x3x_1 + 2x_2 + 0x_3, in der zweiten die von 0x1+x2−x30x_1 + x_2 - x_3. Die Spalten sagen, wohin die Einheitsvektoren gehen, die Zeilen, wie man eine Bildkoordinate ausrechnet.

Definition

Matrix

Seien m,n≥1m, n \geq 1 natürliche Zahlen. Eine m×nm \times n-Matrix über KK ist ein rechteckiges Schema aus m⋅nm \cdot n Elementen aij∈Ka_{ij} \in K in mm Zeilen und nn Spalten. Der Eintrag aija_{ij} steht in Zeile ii und Spalte jj; der erste Index zählt immer die Zeile. Man schreibt kurz A=(aij)A = (a_{ij}) und nennt m×nm \times n das Format von AA.

Die Menge aller m×nm \times n-Matrizen über KK heißt Km×nK^{m \times n}. Zwei Matrizen sind gleich, wenn sie dasselbe Format haben und an jeder Stelle übereinstimmen. Formal ist eine Matrix eine Abbildung {1,…,m}×{1,…,n}→K\{1, \dots, m\} \times \{1, \dots, n\} \to K, (i,j)↦aij(i, j) \mapsto a_{ij}.

Eine m×1m \times 1-Matrix ist eine Spalte, also ein Vektor in KmK^m. Wir identifizieren Km×1K^{m \times 1} mit KmK^m.

A=(a11a12⋯a1na21a22⋯a2n⋮⋮⋮am1am2⋯amn)∈Km×nA = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \end{pmatrix} \in K^{m \times n}
Definition

Produkt aus Matrix und Vektor

Für A=(aij)∈Km×nA = (a_{ij}) \in K^{m \times n} und x=(x1,…,xn)∈Knx = (x_1, \dots, x_n) \in K^n ist Ax∈KmAx \in K^m der Vektor mit den Koordinaten

(Ax)i=ai1x1+ai2x2+⋯+ainxn=∑j=1naijxj(Ax)_i = a_{i1}x_1 + a_{i2}x_2 + \dots + a_{in}x_n = \sum_{j=1}^{n} a_{ij} x_j für i=1,…,mi = 1, \dots, m.

Dasselbe in der Spaltensicht: AxAx ist die Linearkombination der Spalten von AA mit den Koordinaten von xx als Gewichten. In der Zeilensicht: Die ii-te Koordinate von AxAx entsteht, indem man die ii-te Zeile von AA eintragsweise mit xx multipliziert und addiert.

Das Produkt ist nur erklärt, wenn AA genau so viele Spalten hat, wie xx Koordinaten hat. Für A∈R2×3A \in \mathbb{R}^{2 \times 3} und y∈R2y \in \mathbb{R}^2 ist AyAy nicht definiert: Es fehlt ein Gewicht für die dritte Spalte.

Ax=x1(a11⋮am1)+⋯+xn(a1n⋮amn)Ax = x_1 \begin{pmatrix} a_{11} \\ \vdots \\ a_{m1} \end{pmatrix} + \dots + x_n \begin{pmatrix} a_{1n} \\ \vdots \\ a_{mn} \end{pmatrix}
Beispiel

Beide Sichten an einem Vektor

Mit der Matrix AA von oben und x=(3,1,2)x = (3, 1, 2):

Spaltensicht: 3(10)+1(21)+2(0−1)=(5−1)3 \begin{pmatrix} 1 \\ 0 \end{pmatrix} + 1 \begin{pmatrix} 2 \\ 1 \end{pmatrix} + 2 \begin{pmatrix} 0 \\ -1 \end{pmatrix} = \begin{pmatrix} 5 \\ -1 \end{pmatrix}.

Zeilensicht: erste Zeile 1⋅3+2⋅1+0⋅2=51 \cdot 3 + 2 \cdot 1 + 0 \cdot 2 = 5, zweite Zeile 0⋅3+1⋅1+(−1)⋅2=−10 \cdot 3 + 1 \cdot 1 + (-1) \cdot 2 = -1.

(12001−1)(312)=(5−1)\begin{pmatrix} 1 & 2 & 0 \\ 0 & 1 & -1 \end{pmatrix} \begin{pmatrix} 3 \\ 1 \\ 2 \end{pmatrix} = \begin{pmatrix} 5 \\ -1 \end{pmatrix}

Zur Probe mit der Formel: f(3,1,2)=(3+2,  1−2)=(5,−1)f(3, 1, 2) = (3 + 2, \; 1 - 2) = (5, -1). Die Spaltensicht erklärt, warum das stimmt (Linearität); die Zeilensicht ist meist schneller zu rechnen.

Satz

Jede lineare Abbildung Kn→KmK^n \to K^m hat genau eine Matrix

Für jede Matrix A∈Km×nA \in K^{m \times n} ist fA ⁣:Kn→Kmf_A\colon K^n \to K^m, x↦Axx \mapsto Ax, linear.

Umgekehrt gibt es zu jeder linearen Abbildung f ⁣:Kn→Kmf\colon K^n \to K^m genau eine Matrix A∈Km×nA \in K^{m \times n} mit f(x)=Axf(x) = Ax für alle x∈Knx \in K^n. Ihre jj-te Spalte ist f(ej)f(e_j). Man nennt AA die Matrix von ff (oder darstellende Matrix).

A=(f(e1)  ∣  f(e2)  ∣  ⋯  ∣  f(en))A = \Bigl( f(e_1) \;\Big|\; f(e_2) \;\Big|\; \cdots \;\Big|\; f(e_n) \Bigr)
Kurz geprüft

Welche Matrix hat die lineare Abbildung f ⁣:R2→R3f\colon \mathbb{R}^2 \to \mathbb{R}^3, f(x1,x2)=(x1+2x2,  3x1,  x2)f(x_1, x_2) = (x_1 + 2x_2, \; 3x_1, \; x_2)?

Schritt für Schritt

Die Drehmatrix

Sei Dφ ⁣:R2→R2D_\varphi\colon \mathbb{R}^2 \to \mathbb{R}^2 die Drehung um den Ursprung um den Winkel φ\varphi gegen den Uhrzeigersinn. Sie ist linear: Dreht man ein Parallelogramm aus xx und yy, erhält man das Parallelogramm aus den gedrehten Vektoren, also Dφ(x+y)=Dφ(x)+Dφ(y)D_\varphi(x + y) = D_\varphi(x) + D_\varphi(y); und ein doppelt so langer Vektor bleibt nach dem Drehen doppelt so lang.

  1. Bild von e1e_1: Der Vektor e1e_1 hat die Länge 11 und den Winkel 00. Nach der Drehung hat er die Länge 11 und den Winkel φ\varphi, liegt also bei (cos⁡φ,sin⁡φ)(\cos\varphi, \sin\varphi).

Schritt 1 von 4
Beispiel

Spiegelungen und eine Scherung

Dieselbe Frage "Wohin gehen e1e_1 und e2e_2?" liefert weitere Matrizen. Eine Scherung lässt die x1x_1-Achse fest und verschiebt jeden Punkt parallel zu ihr, umso weiter, je höher er liegt.

Abbildunge1↦e_1 \mapstoe2↦e_2 \mapstoMatrix
Spiegelung an der x1x_1-Achse(1,0)(1, 0)(0,−1)(0, -1)(100−1)\begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix}
Spiegelung an der Geraden x2=x1x_2 = x_1(0,1)(0, 1)(1,0)(1, 0)(0110)\begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}
Scherung mit Faktor kk(1,0)(1, 0)(k,1)(k, 1)(1k01)\begin{pmatrix} 1 & k \\ 0 & 1 \end{pmatrix}

Die Scherung schickt (x1,x2)(x_1, x_2) auf (x1+kx2,  x2)(x_1 + kx_2, \; x_2). Mit k=1k = 1 wird das Einheitsquadrat mit den Ecken (0,0)(0, 0), (1,0)(1, 0), (1,1)(1, 1), (0,1)(0, 1) zum Parallelogramm mit den Ecken (0,0)(0, 0), (1,0)(1, 0), (2,1)(2, 1), (1,1)(1, 1): Die untere Kante bleibt liegen, die obere rutscht um 11 nach rechts. Die Spiegelung an x2=x1x_2 = x_1 vertauscht die beiden Koordinaten.

Eine 2×2-Matrix wirkt auf die Ebene
−4−3−2−11234−4−3−2−11234x₁x₂A e₁A e₂
A e1A\,e_1
(1 | 0)
A e2A\,e_2
(1 | 1)
det⁡A\det A
1
Rang⁡A\operatorname{Rang} A
2

A=(1101)A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}: Scherung. Die erste Spalte ist das Bild von e1e_1, die zweite das Bild von e2e_2; jedes Gitterquadrat wird zum selben Parallelogramm.

Gestrichelt die Fahne vor der Abbildung, gefüllt ihr Bild. Das dünne Gitter ist das Bild des Koordinatengitters: Geraden bleiben Geraden, Parallelen bleiben parallel, der Ursprung bleibt fest.

Probier es aus

Kurz geprüft

Berechne die erste Koordinate von (1−234)(2−1)\begin{pmatrix} 1 & -2 \\ 3 & 4 \end{pmatrix} \begin{pmatrix} 2 \\ -1 \end{pmatrix}.

Häufige Fehler

Bilder als Zeilen eingetragen, Format vertauscht

Man rechnet f(e1)f(e_1) und f(e2)f(e_2) richtig aus, schreibt sie aber als Zeilen in die Matrix. Oder man glaubt, eine Abbildung R3→R2\mathbb{R}^3 \to \mathbb{R}^2 gehöre zu einer 3×23 \times 2-Matrix, weil der Startraum zuerst genannt wird.

Richtig ist

Die Bilder der Einheitsvektoren sind die Spalten. Eine Abbildung Kn→KmK^n \to K^m hat eine Matrix in Km×nK^{m \times n}: so viele Zeilen wie der Zielraum Koordinaten hat, so viele Spalten wie der Startraum. Merkhilfe: In AxAx muss xx zu den Spalten passen, also hat AA genau nn Spalten. Die Probe Ae1=f(e1)Ae_1 = f(e_1) deckt beide Fehler auf.

Definition

Summe und Vielfaches von Matrizen

Für A=(aij)A = (a_{ij}) und B=(bij)B = (b_{ij}) aus Km×nK^{m \times n} und λ∈K\lambda \in K setzt man eintragsweise

A+B=(aij+bij)A + B = (a_{ij} + b_{ij}) und λA=(λaij)\lambda A = (\lambda a_{ij}).

Mit der Nullmatrix 00 (alle Einträge 00) und −A=(−aij)-A = (-a_{ij}) gelten alle Vektorraumaxiome, denn sie gelten in jedem einzelnen Eintrag, und dort rechnet man in KK.

Gegenbeispiel: Eine 2×22 \times 2-Matrix und eine 2×32 \times 3-Matrix kann man nicht addieren. Summen gibt es nur innerhalb eines Formats.

Satz

Der Matrizenraum

Km×nK^{m \times n} ist ein KK-Vektorraum der Dimension m⋅nm \cdot n. Eine Basis bilden die Standardmatrizen EijE_{ij} (1≤i≤m1 \leq i \leq m, 1≤j≤n1 \leq j \leq n), die an der Stelle (i,j)(i, j) eine 11 und sonst nur Nullen haben.

Sind f,g ⁣:Kn→Kmf, g\colon K^n \to K^m linear mit den Matrizen AA und BB, dann hat f+gf + g die Matrix A+BA + B und λf\lambda f die Matrix λA\lambda A. Mit Matrizen rechnet man also genauso, wie man mit den zugehörigen linearen Abbildungen rechnet.

Beispiel

Rechnen im Matrizenraum

Für A=(102−1)A = \begin{pmatrix} 1 & 0 \\ 2 & -1 \end{pmatrix} und B=(3102)B = \begin{pmatrix} 3 & 1 \\ 0 & 2 \end{pmatrix} ist

A+B=(4121)A + B = \begin{pmatrix} 4 & 1 \\ 2 & 1 \end{pmatrix}, 2A=(204−2)\quad 2A = \begin{pmatrix} 2 & 0 \\ 4 & -2 \end{pmatrix}.

In der Standardbasis ist A=1⋅E11+0⋅E12+2⋅E21+(−1)⋅E22A = 1 \cdot E_{11} + 0 \cdot E_{12} + 2 \cdot E_{21} + (-1) \cdot E_{22}; die Koordinaten von AA sind einfach ihre vier Einträge.

Der Satz sagt zusammen mit dem vorigen: Die Zuordnung "lineare Abbildung ↦\mapsto Matrix" ist bijektiv und verträgt sich mit Addition und Vielfachen. Der Vektorraum der linearen Abbildungen Kn→KmK^n \to K^m hat deshalb ebenfalls die Dimension m⋅nm \cdot n; für R2→R2\mathbb{R}^2 \to \mathbb{R}^2 sind das die vier Zahlen aus der Einleitung.

Zusammenfassung

  • Eine m×nm \times n-Matrix hat mm Zeilen und nn Spalten; aija_{ij} steht in Zeile ii, Spalte jj.

  • Die Matrix einer linearen Abbildung f ⁣:Kn→Kmf\colon K^n \to K^m hat als jj-te Spalte das Bild f(ej)f(e_j) und liegt in Km×nK^{m \times n}.

  • AxAx ist die Linearkombination der Spalten von AA mit den Koordinaten von xx; koordinatenweise (Ax)i=∑jaijxj(Ax)_i = \sum_j a_{ij}x_j.

  • x↦Axx \mapsto Ax ist linear, und jede lineare Abbildung Kn→KmK^n \to K^m hat genau eine Matrix. Abbildungen mit f(0)≠0f(0) \neq 0 haben keine.

  • Drehung um φ\varphi: Spalten (cos⁡φ,sin⁡φ)(\cos\varphi, \sin\varphi) und (−sin⁡φ,cos⁡φ)(-\sin\varphi, \cos\varphi). Spiegelungen und Scherungen findet man genauso über die Bilder von e1e_1 und e2e_2.

  • Km×nK^{m \times n} ist mit eintragsweiser Addition und Skalarmultiplikation ein Vektorraum der Dimension mnmn mit der Basis EijE_{ij}.

  • Der Summe und dem Vielfachen linearer Abbildungen entsprechen Summe und Vielfaches ihrer Matrizen.

Übungen

Aufgabe 1Multiple Choice

Welche Matrix gehört zu f ⁣:R3→R2f\colon \mathbb{R}^3 \to \mathbb{R}^2, f(x1,x2,x3)=(x1−x3,  2x2+x3)f(x_1, x_2, x_3) = (x_1 - x_3, \; 2x_2 + x_3)?

Aufgabe 2Numerisch

Berechne die zweite Koordinate von (2−10134)(12−1)\begin{pmatrix} 2 & -1 & 0 \\ 1 & 3 & 4 \end{pmatrix} \begin{pmatrix} 1 \\ 2 \\ -1 \end{pmatrix}.

Aufgabe 3Multiple Choice

Welche Matrix beschreibt die Spiegelung der Ebene an der x2x_2-Achse?

Aufgabe 4Numerisch

Welche Dimension hat der Vektorraum aller linearen Abbildungen R4→R3\mathbb{R}^4 \to \mathbb{R}^3?

Aufgabe 5Numerisch

Eine lineare Abbildung f ⁣:R2→R2f\colon \mathbb{R}^2 \to \mathbb{R}^2 erfüllt f(1,1)=(3,1)f(1, 1) = (3, 1) und f(1,−1)=(1,−1)f(1, -1) = (1, -1). Welcher Eintrag steht in ihrer Matrix in Zeile 11, Spalte 22?

Aufgabe 6Freitext

Seien A,B∈Km×nA, B \in K^{m \times n} mit Ax=BxAx = Bx für alle x∈Knx \in K^n. Beweise A=BA = B.

Aufgabe 7Freitext

Sei Sα ⁣:R2→R2S_\alpha\colon \mathbb{R}^2 \to \mathbb{R}^2 die Spiegelung an der Geraden durch den Ursprung, die mit der x1x_1-Achse den Winkel α\alpha einschließt (sie ist linear). Bestimme ihre Matrix und prüfe das Ergebnis für α=0\alpha = 0 und α=45∘\alpha = 45^\circ.