🎓 Ui, schon Prüfungszeit? Hier geht's zur Mathe-Prüfungsvorbereitung.
Springe zum Inhalt oder Footer
SerloDie freie Lernplattform

Kurs

Einführung in Lineare Abbildungen

1 Motivation

Wir haben die Struktur der Vektorräume kennengelernt und verschiedene Eigenschaften von ihnen untersucht. Nun wollen wir Vektorräume nicht nur isoliert voneinander betrachten, sondern auch Abbildungen zwischen ihnen. Manche dieser Abbildungen vetragen sich gut mit der zugrundeliegenden Vektorraumstruktur und werden deswegen lineare Abbildungen oder Vektorraumhomomorphismen genannt.

Dass wir solche strukturerhaltenden Abbildungen untersuchen, ist eine typische Vorgehensweise der Algebra. Für viele algebraische Strukturen wie Gruppen, Ringe oder Körper untersucht die Algebra die dazugehörigen strukturerhaltenden Abbildungen zwischen den jeweiligen algebraischen Strukturen – Gruppenhomomorphismen, Ringhomomorphismen und Körperhomomorphismus. Bei Vektorräumen sind die strukturerhaltenden Abbildungen die linearen Abbildungen bzw. die Vektorraumhomomorphismen.

Seien also VV und WWzwei Vektorräume. Wann ist eine Abbildung f:VWf : V \to W strukturerhaltend bzw. verträgt sich gut mit den zugrundeliegenden Vektorraumstrukturen in VV und WW ? Wiederholen wir hierzu, was die Vektorraumstruktur ausmacht: Vektorräume sind Strukturen, in denen zwei Operationen möglich sind:



  • Addition von Vektoren: Zwei Vektoren können miteinander addiert werden, wobei die Addition der Addition von Zahlen in ihren Eigenschaften ähnelt.

  • Skalare Multiplikation: Vektoren können mit einem Skalierungsfaktor aus einem Körper skaliert (gestaucht, gestreckt oder gespiegelt) werden.

2 Verträglichkeit der Addition

Beginnen wir mit der Addition von Vektoren: Wann verträgt sich eine Funktion f:VWf:V\to W mit den Additionen +V+_{_{V}} und +W+_{_{W}} auf den jeweiligen Vektorräumen VV und WW? Hier kann man folgende Hypothese aufstellen:

Eine Abbildung ist verträglich mit der Addition, wenn eine Summe durch die Abbildung erhalten bleibt. Wenn also v3=v1+Vv2 v_{3}=v_{1}+_{_{V}}v_{2} im Vektorraum VV eine Summe ist, so bilden auch die Bilder von v1v_{1} , v2 v_{2} und v3v_{3} im Vektorraum WW eine entsprechende Summe: f(v3)=f(v1)+Wf(v2)f(v_{3})=f(v_{1})+_{_{W}}f(v_{2})

Eine mit der Addition verträgliche Abbildung erfüllt somit für alle v1,v2,v3Vv_{1},v_{2},v_{3}\in V die Implikation:

v3=v1+Vv2    f(v3)=f(v1)+Wf(v2)v_{3}=v_{1}+_{_{V}}v_{2}\implies f(v_{3})=f(v_{1})+_{_{W}}f(v_{2})

Diese Implikation kann in einer Gleichung zusammengefasst werden, indem die Prämisse v3=v1+Vv2v_{3}=v_{1}+_{_{V}}v_{2} in die zweite Gleichung eingsetzt wird. Es soll also für alle v1,v2Vv_{1},v_{2}\in V gelten:

f(v1+Vv2)=f(v1)+Wf(v2)f(v_{1}+_{_{V}}v_{2})=f(v_{1})+_{_{W}}f(v_{2})

Diese Gleichung beschreibt die charakteristische Eigenschaft der linearen Abbildung, verträglich zur Vektoraddition zu sein. Wir können sie auch gut für Abbildungen R2R2 \mathbb {R} ^{2}\to \mathbb {R} ^{2} visualisieren. Eine Abbildung verträgt sich genau dann mit der Addition, wenn das durch die Vektoren v1v_{1}, v2v_{2} und v3=v1+Vv2 v_{3}=v_{1}+_{_{V}}v_{2} gegebene Dreieck im Definitionsbereich durch die Abbildung erhalten bleibt. Sprich: Auch die drei Vektoren f(v1)f(v_{1}), f(v2) f(v_{2}) und f(v3)=f(v1+Vv2)f(v_{3})=f(v_{1}+_{_{V}}v_{2}) bilden ein (Additions-)Dreieck:

Bild

Wenn ff sich nicht mit der Addition verträgt, gibt es Vektoren v1v_{1} und v2v_{2} mit f(v1+Vv2)f(v1)+Wf(v2)f(v_{1}+_{_{V}}v_{2})\neq f(v_{1})+_{_{W}}f(v_{2}). Das durch v1v_{1}, v2v_{2} und v3=v1+Vv2 v_{3}=v_{1}+_{_{V}}v_{2} erzeugte Dreieck bleibt dann nicht erhalten, weil die Dreiecksseite v1+Vv2v_{1}+_{_{V}}v_{2} des Ausgangsdreiecks nicht auf die Dreiecksseite f(v1)+Wf(v2)f(v_{1})+_{_{W}}f(v_{2}) des Zieldreiecks abgebildet wird:

Bild

3 Verträglichkeit mit der skalaren Multiplikation

Analog können wir uns überlegen, dass eine Abbildung f:VWf:V\to W genau dann verträglich mit der skalaren Multiplikation, wenn diese durch die Abbildung erhalten bleibt. Es sollte also für alle w,vVw,v\in V und für alle Skalare λK \lambda \in K gelten:

w=λVv    f(w)=λWf(v) w=\lambda \cdot _{_{V}}v\implies f(w)=\lambda \cdot _{_{W}}f(v)

Beachte, dass λ\lambda ein Skalar und kein Vektor ist und damit nicht durch die betrachtete Funktion veändert wird. Damit wir in der obigen Implikation denselben Skalar verwenden können, müssen beide Vektorräume denselben zugrundeliegenden Körper haben. Sowohl der Definitionsbereich VV als auch der Wertebereich WW muss ein KK-Vektorraum sein.

Lineare Abbildungen erhalten also Skalierungen. Aus w=λvw=\lambda v folgt f(w)=λf(v)f(w)=\lambda f(v). Für den Fall, dass f(v)0f(v)\neq 0 ist, werden Geraden der Form {λv:λR} \{\lambda v:\lambda \in \mathbb {R} \} auf die Gerade {λf(v):λR}\displaystyle \{\lambda f(v):\lambda \in \mathbb {R} \} abgebildet. Obige Implikation kann in eine Gleichung zusammengefasst werden. Es soll also für alle vV v\in V und λK\lambda \in K gelten:

f(λVv)=λWf(v)f(\lambda \cdot _{_{V}}v)=\lambda \cdot _{_{W}}f(v)

Für Abbildungen R2R2\mathbb {R} ^{2}\to \mathbb {R} ^{2} bedeutet dies, dass ein skalierter Vektoren λVv\lambda \cdot _{_{V}}v auf die entsprechende Skalierung λWf(w) \lambda \cdot _{_{W}}f(w) des Bildvektors abgebildet wird:

Bild

Wenn eine Abbildung nicht verträglich zur skalaren Multiplikation ist, so gibt es einen Vektor vv und einen Skalierungsfaktor λ\lambda , so dass f(λVv)λWf(w)f(\lambda \cdot _{_{V}}v)\neq \lambda \cdot _{_{W}}f(w) ist:

Bild

4 Zusammenfassung

Eine lineare Abbildung ist eine spezielle Abbildung zwischen Vektorräumen, die sich mit der Struktur der zugrundeliegenden Vektorräumen verträgt. Dies bedeutet insbesondere, dass eine lineare Abbildung f:VWf:V\to W die beiden folgenden charakteristischen Eigenschaften besitzt:

  • Verträglichkeit mit der Addition: v1,v2V:f(v1+Vv2)=f(v1)+Wf(v2)\forall v_1,v_2\in V:\, f(v_1 +_{_V} v_2) = f(v_1) +_{_W} f(v_2)

  • Verträglichkeit mit der skalaren Multiplikation: vV,λK:f(λVv)=λWf(v)\forall v\in V,\lambda \in K:\,f(\lambda \cdot _{_{V}}v)=\lambda \cdot _{_{W}}f(v)

Die Verträglichkeit mit der Addition nennt man Additivität und die Verträglichkeit mit der skalaren Multiplikation wird Homogenität genannt

5 Definition

DefinitionLineare Abbildung

Seien V\color {Orange}V und W\color {Purple}W Vektorräume über demselben Körper KK. Dabei seien +V ⁣:V×VV{\color{Orange} +_{{}_V}} \colon {\color{Orange}V} \times {\color{Orange}V} \to {\color{Orange}V} und +W ⁣:W×WW{\color {Purple}+_{{}_{W}}}\colon {\color {Purple}W}\times {\color {Purple}W}\to {\color {Purple}W} die jeweiligen inneren Verknüpfungen. Weiter seien V ⁣:K×VV{\color {Orange}\cdot _{{}_{V}}}\colon K\times {\color {Orange}V}\to {\color {Orange}V} und W ⁣:K×WW{\color {Purple}\cdot _{{}_{W}}}\colon K\times {\color {Purple}W}\to {\color {Purple}W} die skalaren Multiplikationen.

Nun sei f ⁣:VWf\colon {\color {Orange}V}\to {\color {Purple}W} eine Abbildung zwischen diesen Vektorräumen. Wir nennen ff eine lineare Abbildung von V\color{Orange}V nach W{\color {Purple}W} , wenn die folgenden beiden Eigenschaften erfüllt sind:

  1. Additivität: Für alle v1,v2Vv_{1},v_{2}\in V gilt, dass f(v1+Vv2)=f(v1)+Wf(v2) f\left(v_{1}{\color {Orange}+_{{}_{V}}}v_{2}\right)=f(v_{1}){\color {Purple}+_{{}_{W}}}f(v_{2})

  2. Homogenität: Für alle vVv\in V und λK\lambda \in K gilt, dass f(λVv)=λWf(v)f(\lambda {\color {Orange}\cdot _{{}_{V}}}v)=\lambda {\color {Purple}\cdot _{{}_{W}}}f(v)

Beachte

Wenn es aus dem Kontext klar ist, schreiben wir zukünftig auch einfach „++“ anstatt +V{\color {Orange}+_{{}_{V}}} und +W{\color {Purple}+_{{}_{W}}}. Ebenso wird häufig „ \cdot “ anstelle von V{\color {Orange}\cdot _{{}_{V}}} und W{\color {Purple}\cdot _{{}_{W}}} verwendet. Manchmal wird der Punkt für die skalare Multiplikation auch ganz weggelassen.

Hinweis

In der Literatur wird für den Begriff lineare Abbildung auch der Begriff Vektorraumhomomorphismus oder kurz Homomorphismus genutzt. Das altgriechische Wort homós steht für „gleich“, morphé steht für „Form“. Wörtlich übersetzt ist ein Vektorraumhomomorphismus also eine Abbildung zwischen Vektorräumen, welche die „Form“ der Vektorräume gleich lässt.

6 Erklärung zur Definition

Die charakteristischen Gleichungen der linearen Abbildung sind f(v1+v2)=f(v1)+f(v2)f(v_{1}+v_{2})=f(v_{1})+f(v_{2}) und f(λv)=λf(v)f(\lambda \cdot v)=\lambda \cdot f(v). Was bedeuten diese beiden Eigenschaften intuitiv? Nach der Additivitätseigenschaft ist es egal, ob man v1v_{1} und v2v_{2} zuerst addiert und dann abbildet oder ob man beide Vektoren erst abbildet und dann addiert. Beide Wege führen zum selben Ergebnis:

f(v1+v2Addition)Funktionsabbildung =f(v1)Funktionsabbildung+f(v2)FunktionsabbildungAddition\displaystyle {\color{Green} \underbrace{f( {\color{Blue}\underbrace{v_1+v_2}_{\text{Addition}}} )}_{\text{Funktionsabbildung }}} = {\color{Blue}\underbrace{ {\color{Green}\underbrace{f(v_1)}_{\text{Funktionsabbildung}}} + {\color{Green}\underbrace{f(v_2)}_{\text{Funktionsabbildung}}} }_{\text{Addition}}}

Was besagt die Homogenitätseigenschaft? Unabhängig davon ob man zuerst vv mit λ\lambda multipliziert und dann abbildet oder den Vektor erst abbildet und dann mit λ\lambda multipliziert, ist das Ergebnis das Gleiche:

f(λvskalare Multiplikation)Funktionsabbildung =λf(v)Funktionsabbildungskalare Multiplikation\displaystyle \def\arraystretch{1.25} {\color{Green} \underbrace{f( {\color{Blue}\underbrace{\lambda\cdot v}_{\begin{array}{c} \text{skalare Multiplikation} \end{array}}} )}_{\begin{array}{c} \text{Funktionsabbildung } \end{array}}} = {\color{Blue}\underbrace{\lambda\cdot {\color{Green}\underbrace{f(v)}_{\text{Funktionsabbildung}}} }_{\text{skalare Multiplikation}}}

Die charakteristischen Eigenschaften der linearen Abbildungen verdeutlichen also, dass die Reihenfolge der Funktionsabbildung und der Vektorraumoperationen egal ist.

7 Beispiel: Streckung in x-Richtung

Unser erstes Beispiel ist die Streckung um den Faktor β\beta in xx-Richtung in der Ebene R2 \R^2. Dabei wird jeder Vektor a=(ax,ay)TR2a=(a_x, a_y)^T \in\R^2 abgebildet auf f(a)=(βax,ay)Tf(a)=(\beta a_x, a_y)^T. Die folgende Grafik zeigt diese Abbildung für β=2\beta = 2. Die yy-Koordinate bleibt dabei gleich und die xx-Koordinate wird verdoppelt:

Steckung eines Vektors

Schauen wir uns nun an, ob diese Abbildung verträglich mit der Addition ist. Nehmen wir also zwei Vektoren aa und bb, bilden die Summe a+ba+b und strecken diese dann in xx-Richtung. Das Ergebnis ist dasselbe, als wenn wir beide Vektoren zuerst in xx-Richtung strecken und dann addieren:

Streckung der Summe zweier Vektoren

Das lässt sich auch mathematisch zeigen. Unsere Abbildung ist die Funktion f:R2R2, f((x,y)T)=(βx,y)Tf: \R^2 \to \R^2, \ f(\left(x, y)^T\right)=(\beta x, y)^T. Wir können nun die Eigenschaft f(a+b)=f(a)+f(b)f(a+b)=f(a)+f(b) nachprüfen:

f(a+b)=f((axay)+(bxby))=f((ax+bxay+by))=(β(ax+bx)ay+by)=(βax+βbxay+by)=(βaxay)+(βbxby)=f((axay))+f((bxby))=f(a)+f(b)\def\arraystretch{1.25} \begin{array}{c l} f(a+b) &= f\left(\begin{pmatrix}a_x\\a_y\end{pmatrix}+\begin{pmatrix}b_x\\b_y\end{pmatrix}\right) \\ &= f\left(\begin{pmatrix}a_x + b_x\\a_y + b_y\end{pmatrix}\right) \\ &= \begin{pmatrix}\beta(a_x+b_x)\\a_y+b_y\end{pmatrix} \\ &= \begin{pmatrix}\beta a_x+\beta b_x\\a_y+b_y\end{pmatrix} \\ &= \begin{pmatrix}\beta a_x\\a_y\end{pmatrix}+\begin{pmatrix}\beta b_x\\b_y\end{pmatrix} \\ &= f\left(\begin{pmatrix}a_x\\a_y\end{pmatrix}\right)+f\left(\begin{pmatrix}b_x\\b_y\end{pmatrix}\right) \\ &= f(a)+f(b) \end{array}

Schauen wir uns nun die Verträglichkeit mit der skalaren Multiplikation an. Die folgende Grafik zeigt, dass es egal ist, ob der Vektor aa zuerst mit einem Faktor λ\lambda skaliert und dann in xx-Richtung gestreckt wird oder zuerst in xx-Richtung gestreckt und dann mit λ\lambda skaliert wird:

Streckung und Skalierung eines Vektors

Auch das lässt sich formal zeigen: Für aR2a\in\R^2 und \lambda R\in\R gilt

f(λa)=f(λ(axay))=f((λaxλay))=(β(λax)λay)=(λβaxλay)=λ(βaxay)=λf((axay))=λf(a).\def\arraystretch{1.25} \begin{array}{c l} f(\lambda a) &= f\left(\lambda \begin{pmatrix}a_x\\a_y\end{pmatrix} \right) = f\left(\begin{pmatrix}\lambda a_x\\\lambda a_y\end{pmatrix}\right) \\[0.5em] &= \begin{pmatrix} \beta (\lambda a_x)\\\lambda a_y\end{pmatrix} = \begin{pmatrix} \lambda\beta a_x\\\lambda a_y\end{pmatrix}\\[0.5em] &=\lambda \begin{pmatrix}\beta a_x\\a_y\end{pmatrix} = \lambda f\left(\begin{pmatrix}a_x\\a_y\end{pmatrix}\right)\\[0.5em] &= \lambda f(a). \end{array}

Damit ist unser f eine lineare Abbildung.

8 Drehungen

Im Folgenden betrachten wir eine Drehung DαD_\alpha der Ebene um den Winkel α\alpha (gegen den Uhrzeigersinn gemessen) mit dem Ursprung als Drehzentrum. Es handelt sich dabei also um eine Abbildung Dα:R2R2D_\alpha:\R^2\to\R^2, die jedem Vektor vR2 v\in\R^2 den um den Winkel α\alpha gedrehten Vektor Dα(v)R2D_\alpha(v)\in\R^2 zuordnet:

Wir wollen uns jetzt davon überzeugen, dass DαD_\alpha eine lineare Abbildun ist. Dazu müssen wir zeigen:

  1. Dα D_\alpha ist additiv: Für alle v,wR2v,w\in\R^2 ist Dα(v+w)=Dα(v)+Dα(w)D_\alpha(v+w)=D_\alpha(v)+D_\alpha(w).

  2. DαD_\alpha ist homogen: Für alle vR2v\in\R^2 und λR\lambda\in\R ist Dα(λv)=λDα(v)D_\alpha(\lambda\cdot v)=\lambda\cdot D_\alpha(v).

Überprüfen wir zunächst die Additivität, also die Gleichung Dα(v+w)=Dα(v)+Dα(w)D_\alpha(v+w)=D_\alpha(v)+D_\alpha(w). Addieren wir zwei Vektoren v,wR2v,w\in\R^2 zuerst und drehen ihre Summe v+w anschließend um den Winkel α\alpha, so soll derselbe Vektor herauskommen, wie wenn wir erst die Vektoren um den Winkel α\alpha drehen und im Anschluss die gedrehten Vektoren Dα(v)D_\alpha(v) und Dα(w)D_\alpha(w) addieren. Dies machen wir uns an folgenden beiden Videos klar:

Kommen wir nun zur Homogenität: Dα(λv)=λDα(v)D_\alpha(\lambda\cdot v)=\lambda\cdot D_\alpha(v). Strecken wir zunächst einen Vektor vR2 v\in\R^2 um einen Faktor λR \lambda\in\R und drehen das Resultat λv\lambda\cdot v danach um den Winkel α\alpha, so soll derselbe Vektor herauskommen, wie wenn wir als Erstes die Drehung um den Winkel α\alpha durchführen und daraufhin das Ergebnis Dα(v)D_\alpha(v) um den Faktor λ\lambda skalieren. Auch dies wird durch zwei Videos ersichtlich:

Somit handelt es sich bei Drehungen im R2 \R^2 um lineare Abbildungen.

9 Zusammenhang mit linearen Funktionen und affinen Abbildungen

Lineare Funktionen wurden in der Schule als Funktionen der Form f(x)=mx+tf(x)= mx + t mit m,tRm,t \in \R eingeführt. Es handelt sich dabei nicht um lineare Abbildungen. Sie sind es nur für t=0 t = 0. So ist zum Beispiel für m=1m = 1 und t=2t = 2:

f(x+y)=x+y+2x+y+2+2=f(x)+f(y)f(x+y)= x + y + 2 \neq x + y + 2 + 2 = f(x) + f(y)

Dass die in der Schule geläufigen linearen Funktionen dennoch etwas mit den linearen Abbildungen zu tun haben, wird einem klar, wenn man die linearen Abbildungen von f:RRf: \R \to \R betrachtet. Diese sind Abbildungen der Form f(x)=mxf(x)= mx mit mRm \in \R. Die Funktionen der Form f(x)=mx+tf(x)= m x + t aus der Schule sind sogenannte affin-lineare Abbildungen: Sie sind die Summe einer linearen Abbildung und eines konstanten Terms tt

Affine Abbildung bilden Geraden auf Geraden ab und erhalten dabei Parallelität und Teilverhältnisse von Strecken.

Wir können jede affine Abbildunge xA(x)x \mapsto A(x) immer in eine lineare Abbildung xL(x)x \mapsto L(x) und eine Translation xx+tx \mapsto x + t zerlegen. Es gilt also A(x)=L(x)+tA(x) = L(x) + t. Weil die Translationen xx+t x \mapsto x + t einfach zu beschreiben sind, ist der lineare Teil meistens interessanter. In der Theorie schauen wir uns deswegen nur den linearen Teil an, um nicht das x+tx + t mitzuschleppen.

10 Zusammenhang mit linearen Funktionen und affinen Abbildungen

Lineare Funktionen wurden in der Schule als Funktionen der Form f(x)=mx+tf(x)= mx + t mit m,tRm,t \in \R. Es handelt sich dabei nicht um lineare Abbildungen. Sie sind es nur für t=0t = 0. So ist zum Beispiel für m=1m = 1 und t=2t = 2:

f(x+y)=x+y+2x+y+2+2=f(x)+f(y)\displaystyle f(x+y)= x + y + 2 \neq x + y + 2 + 2 = f(x) + f(y)

Dass die in der Schule geläufigen linearen Funktionen dennoch etwas mit den linearen Abbildungen zu tun haben, wird einem klar, wenn man die linearen Abbildungen von f:RRf: \R \to \R betrachtet. Diese sind Abbildungen der Form f(x)=mxf(x)= mx mit mRm \in \R. Die Funktionen der Form f(x)=mx+tf(x)= m x + t aus der Schule sind sogenannte affin-lineare Abbildungen: Sie sind die Summe einer linearen Abbildung und eines konstanten Terms t.t.

Affine Abbildung bilden Geraden auf Geraden ab und erhalten dabei Parallelität und Teilverhältnisse von Strecken.

Wir können jede affine Abbildunge xA(x)x \mapsto A(x) immer in eine lineare Abbildung xL(x)x \mapsto L(x) und eine Translation xx+tx \mapsto x + t zerlegen. Es gilt also A(x)=L(x)+tA(x) = L(x) + t. Weil die Translationen xx+tx \mapsto x + t einfach zu beschreiben sind, ist der lineare Teil meistens interessanter. In der Theorie schauen wir uns deswegen nur den linearen Teil an, um nicht das x+tx + t mitzuschleppen.

11 Übungsaufgaben

Laden

Laden

Laden

12 Beispiel für eine nichtlineare Abbildung

Als nächstes untersuchen wir, ob es auch nicht lineare Abbildungen gibt. Hierzu betrachten wir die Normabbildung auf der Ebene, die jedem Vektor seine Länge zuordnet:

2 ⁣:R2R;(xy)x2+y2\displaystyle \|\cdot\|_2 \,\colon\, \R^2 \to \R ;\quad \begin{pmatrix}x\\y \end{pmatrix} \mapsto \sqrt{x^2 + y^2}

Diese Abbildung ist keine lineare Abbildung, denn sie erhält weder die Vektoraddition noch die Skalarmultiplikation.

Dies zeigen wir mit Hilfe eines Gegenbeispiels:

Wir betrachten die Vektoren (1,0)T(1{,}0)^T und (0,1)TR2(0{,}1)T\in\mathbb{R}^2. Wenn wir die beiden Vektoren zuerst addieren und danach abbilden, so erhalten wir

(10)+(01)2=(11)2=12+12=2.\displaystyle \left\|\begin{pmatrix}1\\0 \end{pmatrix} + \begin{pmatrix}0\\1 \end{pmatrix}\right\|_2 = \left\| \begin{pmatrix}1\\1\end{pmatrix}\right\|_2 = \sqrt{1^2 + 1^2} = \sqrt{2}.

Nun bilden wir die Vektoren zuerst ab und addieren dann die Ergebnisse:

(10)2+(01)2=12+02+02+12=1+1=2</math>\displaystyle \left\|\begin{pmatrix}1\\0 \end{pmatrix}\right\|_2 + \left\|\begin{pmatrix}0\\1 \end{pmatrix}\right\|_2 = \sqrt{1^2 + 0^2} + \sqrt{0^2 + 1^2} = \sqrt{1} + \sqrt{1} = 2</math>

Also gilt

(10)+(01)2(10)2+(01)2\displaystyle \left\|\begin{pmatrix}1\\0 \end{pmatrix} + \begin{pmatrix}0\\1 \end{pmatrix}\right\|_2 \neq \left\|\begin{pmatrix}1\\0 \end{pmatrix}\right\|_2 + \left\|\begin{pmatrix}0\\1 \end{pmatrix}\right\|_2

Damit ist gezeigt, dass die Normabbildung ist nicht additiv ist. Dies reicht schon aus um zu zeigen, dass die Normalabbildung nicht linear ist.

Alternativ hätten wir auch zeigen können, dass die Normalabbildung nicht homogen ist. Es gilt nämlich

(1)(10)2=(10)2=(1)2+02=11=(1)(10)2.\displaystyle \left\|(-1) \cdot \begin{pmatrix}1\\0 \end{pmatrix}\right\|_2 = \left\|\begin{pmatrix}-1\\0 \end{pmatrix}\right\|_2 = \sqrt{(-1)^2 + 0^2} = 1 \neq -1 = (-1) \cdot \left\|\begin{pmatrix}1\\0 \end{pmatrix}\right\|_2 .

13 Angewandte Beispiele

Lineare Abbildungen werden in vielen Bereichen verwendet, ohne dass wir uns dessen bewusst sind:

  1. Lineare Abbildungen sind eine der einfachsten Formen einer Abbildung. So werden komplexere Abbildungen häufig durch lineare Abbildungen approximiert.

  2. Der bekannteste Fall, in dem uns lineare Abbildungen das Leben erleichtern, sind Computergrafiken. Jedes Skalieren eines Fotos oder einer Grafik ist eine lineare Abbildung. Auch verschiedene Bildschirmauflösungen wurden letztlich nur linear abgebildet.

  3. Suchmaschinen nutzen Pageranks einer Website, um ihre Suchergebnisse zu sortieren. „Mathe für Nicht-Freaks“, eine zufällige Seite aus dem Internet, erhält so zum Beispiel ein Ranking. Um den Pagerank einer Seite zu bestimmen, wird eine sogenannte Markov-Kette verwendet, die wiederum eine lineare Abbildung ist.


Dieses Werk steht unter der freien Lizenz
CC BY-SA 4.0Was bedeutet das?