LINEÁRIS LEKÉPEZÉSEK ÉS TRANSZFORMÁCIÓK
A
leképezést lineáris leképezésnek nevezzük, ha bármely
v1 ; v 2 V1 vektorokra és R számra
teljesül, hogy
v1 v 2 v1 v 2 v v Minden
V1 V2 lineáris leképezés valahogy így néz ki:
V1 V2 Kerφ
0
Imφ
0
mateking.hu Ha
V1 V2 akkor a lineáris leképezést lineáris transzformációnak nevezzük.
A leképezés a
V1 vektoraihoz rendel V2 -beli vektorokat, de egyáltalán nem biztos, hogy így az egész V2 előáll képként. A V2 -nek azt a részét, amely a leképezés során előáll, a leképezés képterének nevezzük és Im -vel jelöljük. A
0 képe minden lineáris leképezésnél a 0 , de előfordulhat, hogy más V1 -beli vektorok képe is nullvektor lesz. Ezen vektorok halmazát nevezzük a leképezés magterének és Ker -vel jelöljük. Im altér V2 -ben és Ker altér V1 -ben. Ezen alterek dimenzióinak összege éppen a V1 vektortér dimenziója: Könnyen bizonyítható, hogy
DIMENZIÓTÉTEL: 2 4 7
dimV1 dimIm dimB Ker 1 5 3
Minden lineáris jellemezhetünk egy mátrixszal. Valójában mindegyiket végtelen sok 7 2 4 leképezést B jellemezhetjük, mátrixszal ezek a mátrixok pedig úgy keletkeznek, hogy veszünk egy tetszőleges 1 5 3 bázist V1 -ben és a bázisvektorok képeit egymás mellé írjuk. Nézzünk erre egy példát!
1
kombinációja és ezek a vektorok viszont függetlenek, itt egészen biztos, hogy minden együttható
Vegyük például a tengelyes tükrözést. Ez egy
R 2 R 2 lineáris leképezés.
A szokásos bázis alapján a tükrözés mátrixát úgy kapjuk, hogy a bázisvektorok képeit egymás mellé írjuk:
1 b1 0
b
0 b 2 1
1 0 0 1
Ha viszont egy másik bázis alapján írjuk föl ugyanennek a tükrözésnek a mátrixát, akkor egészen más mátrixot kapunk. Legyen például a másik bázis a következő:
1 1
1 1
1 a 2 1
1 a 1 1
A transzformáció mátrixa most is úgy keletkezik, hogy egymás mellé írjuk a bázisvektorok képeit. Van itt azonban egy izgalmas fordulat. Addig minden stimmel, hogy a bázisvektorok képe:
mateking.hu 1 1
1 1
1 1 a1 1 1
1 1 a 2 1 1
Csakhogy itt az új bázisvektorok képeit még mindig a régi bázisban adtuk meg. Nekünk azonban a bázisvektorok képeit is az új bázisvektorok segítségével kell megadnunk.
1 1 a1 1 1
1 1 a 2 1 1
Az tehát a kérdés, hogy mennyit vegyünk az
a 1 és a 2
vektorokból, hogy előálljanak
a 1 és a 2 képei. Ezúttal a szerencse megsegít bennünket, az a 1 vektor Feladatok
a
a1 a2
képe ugyanis:
1 1 a1 1 1 ami úgy tűnik éppen
a 2 mínuszegyszerese. Tehát a 1 -ből
0db és
a 2 -ből pedig -1db kell. Na ezt kell írnunk a mátrix első oszlopába, ahova az a 1 vektor képe kerül.
2
Mindkét mátrix ugyanazt a lineáris transzformációt, a tengelyes tükrözést írja le, csak más-más bázis szerint, ezért a két mátrixot hasonlónak nevezzük és a következőképpen jelöljük:
b
1 0 1 1 ~ a 0 1 1 1
Az
a 2 vektor képe szintén szerencsésen előállítható, ugyanis 1 1 a 2 1 1
ami pedig éppen az eredeti
a 1 mínuszegyszerese, tehát a 1 -ből -1db és a 2 -ből 0db kell.
Az új bázisvektorok képeinek ezek az új koordinátái kerülnek a transzformáció mátrixába.
1 1 a 2 1 a1 0 a 2 1 1
1 1 a1 0 a1 1 a 2 1 1
Az új bázisban felírt mátrix:
a
0 1 a1 1 0 a2
A leképezés mátrixa sokkal többet is tud annál, minthogy egyszerűen leírja magát a leképezést. Minden v vektorról megmondja ugyanis, hogy pontosan mi lesz a vektor képe.
mateking.hu Bármilyen
leképezésnél a
v vektor képe:
v b v
Vagyis a
v vektor képe úgy lesz, hogy egyszerűen megszorozzuk a vektort a leképezés mátrixával.
Nézzük meg például mindezt a tengelyes tükrözésnél.
2 v 2
Lássuk mi lesz az x tengelyre tükrözés során ebből a remek vektorból:
2 v 2 A tükrözés mátrixa normál bázisban:
2 v 2
b
0 0 1 1
A
v vektor képe: 1 0 2 2 v b v 0 1 2 2
3
Itt van aztán, hogy még mi mindent tud a leképezés mátrixa:
Ha egy
leképezés mátrixa
b
Ha van két leképezés, mondjuk
akkor a
leképezés megfordításának mátrixa
a leképezések mátrixa pedig
b1
akkor a
Egy leképezésnek pontosan akkor létezik megfordítása, másként inverze, ha a b
b
és és
b ,
leképezés mátrixa:
b b b
mátrixnak létezik inverze, és az inverz leképezés mátrixa:
1 b1
Mindez lehetővé teszi, hogy készítsünk egy remek kis képletet arra, hogy miként változik meg egy leképezés mátrixa az új bázisra való átállásnál. A leképezés mátrixa új bázisban felírva:
a
Cb b Cb 1
mateking.hu ahol
C b az új bázisra áttérés mátrixa a régi bázisban. Mit is jelent mindez?
Van ugye a transzformáció régi mátrixa, ez
b
b
1 0 0 1
és van ez a bizonyos
C b , ami annak a transzformációnak a mátrixa, ami a régi bázisból új bázist csinál. Ez a bizonyos C b mátrix tehát 1 b1 0
0 b 2 1 1 a 2 1
1 a 1 1
RÉGI BÁZIS
ÚJ BÁZIS
1 1 Cb 1 1 A képlet azt mondja, hogy az új mátrixot így kapjuk:
a
1
Cb
1
1 1 1 0 1 1 0 1 b Cb 1 1 0 1 1 1 1 0 4
Mindezeket összefoglalva: LINEÁRIS LEKÉPEZÉSEK MÁTRIXA
A
lineáris leképezésnek a
b1 b 2 b 3 ... b n bázisban felírt mátrixát úgy kapjuk meg, hogy a
bázisvektorok képeit egymásmellé írjuk :
b b1 b 2 b 3 ... b n
Ha egy másik
a
a1 a 2 a 3 ... a n bázisban írjuk föl a mátrixot, akkor
a1 a 2 a 3 ... a n
A két mátrix közötti átjárást az alábbi tétel biztosítja:
a
Cb b Cb 1
Itt
C b az új bázisra való
áttérés mátrixa: RÉGI BÁZIS
b1 b 2 ... b n Ha A és B olyan mátrixok, hogy létezik egy C mátrix, úgy, hogy
AC
1
Cb a1 a 2 ... a n
ÚJ BÁZIS
BC
mateking.hu akkor az előző tétel alapján A és B mindketten ugyanannak a leképetésnek a mátrixa, csak másmás bázisban felírva. Ezt a tényt úgy nevezzük, hogy a két mátrix egymáshoz hasonló.
A és B mátrixok hasonlók, tehát A ~ B , ha létezik olyan C mátrix, amire A C
1
BC
Ha még emlékszünk rá, az A nxn mátrix akkor diagonalizálható, ha létezik n darab független sajátvektora, vagyis sajátvektorokból álló bázisa és a diagonalizáló mátrix éppen a sajátvektorok egymásmellé írásából kaptuk. Na ez nem más, mint az iménti új bázisra való átállás tétele:
diag A Cb A Cb ahol Cb v1 v 2 ... v n sajátvektorokból álló mátrix 1
Feladatok
Sőt, az iménti hasonlósággal kapcsolatos definíció alapján bármely Ha pedig van egy másik
diag A diag B
A mátrixra A ~ diag A .
B mátrix, amelynek szintén létezik diagonális alakja és
akkor ebből következik, hogy
A~ B.
Az állítás megfordítása is igaz, vagyis megállapíthatjuk, hogy ha diagonalizálható mátrixok, akkor
A és B mindketten
diag A diag B A ~ B
5
Lássunk néhány példát! Vegyük azt a leképezést, amely
a
R 2 R 2 és
a 1
a; b R b b Ellenőrizzük, hogy valóban lineáris leképezés-e, ha igen adjuk meg a képteret, a magteret és a transzformáció mátrixát. Legyen
a a v1 1 v 2 2 b1 b2 Vizsgáljuk meg, hogy teljesül-e:
v1 v 2 v1 v 2 a1 a1 1 b b 1 1
v1
a 2 a 2 1 b b 2 2
v 2
a1 a 2 2 b b 2 1
v1 v 2
a1 a 2 a a 2 a1 a 2 1 1 b b b b b b 1 2 1 2 1 2
v1 v 2
ezek sajna nem egyeznek meg, ezért a transzformáció nem lineáris.
mateking.hu Lássunk egy másik példát!
Vegyük azt a leképezést, amely
a
R 2 R 2 és
a b
a; b R b 0
Ellenőrizzük, hogy valóban lineáris leképezés-e, ha igen adjuk meg a képteret a magteret és a transzformáció mátrixát. Legyen
a a v1 1 2v 2 4 7 2 1 Bb b2 1 5 3
Vizsgáljuk meg, hogy teljesül-e:
v1 v 22 4v1 7 v 2 B 1 5 3
a1 a1 b1 b1 0
v1
a 2 a 2 b2 b2 0
v 2
a1 a 2 a a 2 a1 a 2 b1 b2 1 0 b1 b2 b1 b2
v1 v 2
a1 a 2 b1 b2 0
v1 v 2
ezek most megegyeznek, eddig tehát jó
6
Nézzük, teljesül-e, hogy:
v v
a1 a1 b1 0 b1
v
a 2 b2 a1 b1 0 0
v
Ez is teljesül, tehát a leképezés lineáris.
Ezek után lássuk mi lesz a magtér és a képtér, illetve a transzformáció mátrixa.
V1 V2 Kerφ
0
Imφ
0
mateking.hu A magtérben olyan vektorok vannak, amelyek képe nullvektor, tehát
a
a b 0
b 0 0
Ebből a b következik, vagyis a magtérben olyan vektorok vannak, amelyek első és második koordinátája megegyezik:
a Ker a A képtérben olyan vektorok vannak, amelyek első koordinátája bármi, de második koordinátája nulla, vagyis:
x Im 0 2 4 7 B A transzformáció mátrixa standard bázisban: 1 5 3 1 0 b1 b 2 2 04 7 1 B a a b 1 5 3 b 0 1 0 0 1 1 1 tehát a transzformáció mátrixa: b b 0 0 0 0 7
Vegyük azt az
R 3 R 3 leképezést, hogy
a a b b b a c c
a; b; c R
Ellenőrizzük, hogy valóban lineáris leképezés-e, ha igen adjuk meg a képteret, a magteret és a transzformáció mátrixát, adjuk meg a sajátértékeit, sajátvektorait, ha van, akkor a sajátbázisát és a diagonális alakját.
Elsőként megnézzük, hogy
valóban lineáris leképezés-e.
Legyen
a2 a1 v 1 b1 v 2 b2 c c 2 1 Vizsgáljuk meg, hogy teljesül-e:
v1 v 2 v1 v 2
és
v v
mateking.hu Ennek ellenőrzése rettentő unalmas
a1 a1 b1 v1 b1 b1 a1 c c 1 1
a 2 a 2 b2 v 2 b2 b2 a 2 c c 2 2
a1 a 2 b1 b2 v1 v 2 b1 b2 a1 a 2 c1 c 2
a1 a 2 a1 a 2 a1 a 2 b1 b2 v1 v 2 b1 b2 b1 b2 b1 b2 a1 a 2 c c c c c1 c 2 2 1 1 2
ezek most megegyeznek, eddig tehát jó
Itt jön a másik: Feladatok
a1 a1 b1 v b1 b1 a1 c c 1 1
a1 b1 a1 b1 v b1 a1 b1 a1 c c 1 1
Ez is teljesül, tehát a leképezés lineáris. Végre rátérhetünk az izgalmasabb részekre.
8
A magtérben olyan vektorok vannak, amelyek képe nullvektor, tehát
a a b 0 b b a 0 c c 0 Ebből a b és c 0 következik, vagyis a magtérben olyan vektorok vannak, amelyek első és második koordinátája megegyezik, a harmadik koordinátája pedig nulla:
a Ker a 0
V1 V2 Kerφ
Imφ
0
0
mateking.hu
A képtérben olyan vektorok vannak, amelyek első koordinátája valami, a második koordináta ennek a mínuszegyszerese, a harmadik koordináta valami.
a a b x b b a x c c z
A transzformáció képtere tehát kétdimenziós:
x Im x z
2 4 7 B 1 5 3 2 4 7 B 1 5 3 magtér
képtér
9
Nézzük mi lesz a transzformáció mátrixa. A mátrixot a standard bázisban írjuk fel:
1 0 0 b1 0 b 2 1 b 3 0 0 0 1 a a b b b a c c
b
1 0 0 1 0 0 1 1 0 0 1 1 0 0 0 vagyis a transzformáció mátrixa: b 1 1 0 0 0 0 1 0 1
Lássuk a sajátértékeket és sajátvektorokat! A karakterisztikus egyenlet:
0 1 1 det 1 1 0 0 0 0 1
mateking.hu Az utolsó sor szerint fejtünk ki:
1 1 2 12 0
1 1 2 1 0
1 0 A sajátértékek:
1 2 1
1 1
1 0 2 1 3 2
A hozzájuk tartozó sajátvektorokat a
b I v 0
A I v 0
egyenletrendszerekből kapjuk:
Vagyis a transzformáció mátrixában a főátlóban kivonogatunk
–kat, a v
pedig 3 koordinátás
vektor lesz, mivel a mátrix 3X3-as: Feladatok
0 x1 0 1 1 0 x 2 0 1 1 0 0 1 x3 0 Ez három különböző egyenletrendszer lesz, amit megoldhatnánk elemi bázistranszformációval is, de most nincs kedvünk azzal megoldani.
10
1 0
2 1
3 2
0 x1 0 1 0 1 0 x 2 0 1 1 0 0 0 1 0 x3 0
0 x1 0 1 1 1 0 x 2 0 1 1 1 0 0 1 1 x3 0
0 x1 0 1 2 1 0 x 2 0 1 1 2 0 0 1 2 x3 0
Kivonjuk a 0-t:
itt meg az 1-et:
no itt meg a 2-t:
1 1 0 x1 0 1 1 0 x 2 0 0 0 1 x3 0
0 1 0 x1 0 1 0 0 x 2 0 0 0 0 x3 0
1 1 0 x1 0 1 1 0 x 2 0 0 0 1 x 0 3
x2 0 x2 0
x1 x 2 0 x1 x 2
x1 x 2 0
x1 x 2
x1 x 2 0 x1 x 2 x3 0
x3 0
t 1 v1 t t 1 0 0
x1 0 00
x1 0 x3 t
0 0 v1 0 t 0 t 1
x1 x 2 0 x1 x 2 x3 0
x3 0
t 1 v1 t t 1 0 0
mateking.hu Van 3 független sajátvektor, így a transzformáció mátrixa diagonalizálható. A diagonalizáló mátrixot úgy kapjuk, hogy a sajátvektorokat egymásmellé írjuk, ami tulajdonképpen nem más, mit az új bázisra való áttérés mátrixa:
1 0 1 S v1 v 2 v 3 1 0 1 0 1 0
A diagonális alak:
0 0 0 diag b S b S 0 1 0 0 0 2 1
Feladatok
11
Vegyük azt az
R 3 R 3 leképezést, hogy
a a b b b c c c a
a; b; c R
Ellenőrizzük, hogy valóban lineáris leképezés-e, ha igen adjuk meg a képteret, a magteret és a transzformáció mátrixát, adjuk meg a sajátértékeit, sajátvektorait, ha van akkor a sajátbázisát és a diagonális alakját. Elsőként megnézzük, hogy
valóban lineáris leképezés-e.
Legyen
a2 a1 v 1 b1 v 2 b2 c c 2 1 Vizsgáljuk meg, hogy teljesül-e:
v1 v 2 v1 v 2
és
v v
mateking.hu Ennek ellenőrzése ismét rettentő unalmas
a1 a1 b1 v1 b1 b1 c1 c c a 1 1 1
a 2 a 2 b2 v 2 b2 b2 c 2 c c a 2 2 2
a1 a 2 b1 b2 v1 v 2 b1 b2 c1 c2 c c a a 2 1 2 1
a1 a 2 a1 a 2 a1 a 2 b1 b2 v1 v 2 b1 b2 b1 b2 b1 b2 c1 c2 c c c c c c a a 2 2 1 2 1 1 1 2
ezek most megegyeznek, eddig tehát jó
Feladatok
Itt jön a másik:
a1 a1 b1 v b1 b1 c1 c c a 1 1 1
a1 b1 a1 b1 v b1 c1 b1 c1 c a c a 1 1 1 1
Ez is teljesül, tehát a leképezés lineáris. Végre rátérhetünk az izgalmasabb részekre.
12
A magtérben olyan vektorok vannak, amelyek képe nullvektor, tehát
a a b 0 b b c 0 c c a 0 Ebből a b , b c és c a , vagyis a b c következik, a magtérben tehát olyan vektorok vannak, amelyek mindhárom koordinátája megegyezik:
a Ker a a Lássuk, milyen vektorok vannak a képtérben. Az első koordináta valami x, a második valami y, a harmadik z, akkor
a a b x b b c y c c a z mivel pedig
a b b c c a 0 így
x yz 0
A transzformáció képtere tehát kétdimenziós:
x Im y x y
mateking.hu Nézzük mi lesz a transzformáció mátrixa. A mátrixot a standard bázisban írjuk fel:
1 0 0 b1 0 b 2 1 b 3 0 0 0 1 2 4 7 B 1 5 3 2 4 B 11 05 b 0 0 0 1
a a b b b c c c a
7 03 1 0 0 1 1 0 1 0 0 1 vagyis a transzformáció mátrixa: b 0 1 1 1 0 1 0 0 1 0
Lássuk a hozzá tartozó sajátértékeket és sajátvektorokat:
13
A sajátértékekhez felírjuk a szokásos karakterisztikus egyenletet:
0 1 1 det 0 1 1 0 1 0 1 Az utolsó sor szerint fejtünk ki:
0 1 1 1 0 1 det 0 1 det 1 1 1 0
vagyis
1 1 1 1 0 2
tehát
1 3 1
és így egyetlen sajátérték
0
Lássuk, milyen sajátvektorok tartoznak hozzá.
0 x1 0 1 1 1 1 x 2 0 0 1 0 1 x3 0
mateking.hu Berakjuk
0 -t:
1 1 0 x1 0 0 1 1 x 2 0 1 0 1 x 0 3
A megoldás ekkor
x1 x 2 0
x1 x 2
x 2 x3 0
x 2 x3
x1 x3 0 x1 x3
x1 x2 x3 t és így egyetlen sajátvektor:
t 1 v t t 1 t 1 Feladatok Nincsen tehát három független sajátvektor, vagyis nincs sajátvektorokból álló bázis, a transzformáció mátrixa nem diagonalizálható.
14
A LINEÁRIS LEKÉPEZÉSEK VEKTORTERE HOM(V1,V2)
V1 V2 lineáris leképezést másnéven homomorfizmusnak is nevezzük. Ezek a homomorfizmusok és azok mátrixai maguk is egy vektorteret alkotnak, ezt a vektorteret HomV1 ,V2 -nek nevezzük. A
V1
V2
Kerφ
Imφ
0
0
V1 V2 homomorfizmusok, ahol tudunk mutatni olyan v1 v 2 vektorokat amire v1 v 2 nem injektívek. Mivel v1 v 2 ezért w v1 v 2 0 de v1 v 2 miatt w v1 v 2 v1 v 2 0 Vagyis az, hogy egy leképezés nem injektív, éppen azt jelenti, hogy Ker -ben vannak a nullvektoron kívül más vektorok is, tehát dimKer 1 Azok a
mateking.hu V1
V2
Kerφ w v1 v 2
0
Imφ
v1 v 2
v1
v2
Az állítás megfordítása is igaz, tehát a
dimKer 0 2 4 B 1 5
7 3
Ekkor a dimenziótétel alapján
V1 V2 homomorfizmus pontosan akkor injektív, ha
dimIm dimV1 vagyis a leképezés dimenziótartó. A sík
szokásos transzformációi közül az x vagy y tengelyre tükrözés és az origó körüli forgatás 7 2 4transzformáció, dimenziótartó az x tengelyre vetítés nem. B
1 5 3
15
Egy leképezést szürjektívnek nevezünk, ha a teljes
V2 előáll képként.
V1
V2
Kerφ
0
Azok a
Imφ
0
V1 V2 homomorfizmusok, amelyek injektívek és szürjektívek is egyszerre, a bijektív
homomorfizmusok. Rájuk külön elnevezés van forgalomban, őket nevezzük izomorfizmusoknak.
mateking.hu V1
Imφ
Kerφ:
0
V2
0
V1 V2 izomorfizmus, akkor dimKer 0 és a dimenziótétel miatt dimIm dimV1 de mivel a képtér éppen megegyezik V2 -vel, ezért dimV1 dimV2 .
Ha
2 4 7
B Az izomorfizmus tehát egy kölcsönösen egyértelmű megfeleltetés két vektortér vektorai között, az 3 1 5 minden egyik vektortér vektorához tartozik a másik vektortérben pontosan egy bizonyos vektor, vagyis a két vektortér lényegében ugyanaz. Ez a
2 4 7 Bdim V dimV miatt is így kell, hogy legyen, hiszen egy vektorteret a dimenziója már 11 5 3 2
jellemez.
16
NÉHÁNY ISMRETEBB LINEÁRIS TRANSZFORMÁCIÓ ÉS MÁTRIXA
R 2 R 2 leképezések közül egyik legfontosabb lineáris transzformáció az origó középpontú -szögű forgatás. Ez 180 esetén éppen az origó középpontú tükrözés.
Az
A szokásos bázis alapján az -szögű forgatás mátrixát úgy kapjuk, hogy a bázisvektorok képeit egymás mellé írjuk:
cos 90 sin 90
sin
cos
b
1 b1 0
0 b 2 1
cos sin
cos 90 sin 90
Vannak itt ezek a trigonometriai összefüggések, amiket érdemes megjegyeznünk:
mateking.hu cos90 sin sin90 cos cos 90 sin sin 90 cos
-szögű forgatás mátrixa:
Ezek alapján az origó középpontú
b
cos sin
sin cos
A középpontos tükrözést
b
esetén kapjuk, ennek mátrixa:
cos 180 sin 180 1 0 sin 180 cos 180 0 1 2 4 7 B 1 5 3
A 90o-os forgatást pedig
b
180
90
esetén kapjuk, ennek mátrixa:
2 4 7 B cos 1 905 3sin 90 0 1 sin 90 cos 90 1 0
17
A tengelyes tükrözés mátrixát már jól ismerjük: A szokásos bázis alapján a tükrözés mátrixát úgy kapjuk, hogy a bázisvektorok képeit egymás mellé írjuk:
1 b1 0
b
0 b 2 1
1 0 0 1
A lineáris transzformációk egy külön csoportját alkotják a vetítések, vagy más néven projekciók. Az x tengelyre való merőleges vetítés mátrixa: A szokásos bázis alapján a vetítés mátrixát úgy kapjuk, hogy a bázisvektorok képeit egymás mellé írjuk:
1 b1 0
0 b 2 1
mateking.hu b
1 0 0 0
Végül nézzünk meg egy R R lineáris transzformációt, az x y síkra való merőleges vetítést. Írjuk föl a mátrixát a szokásos bázisban és abban a bázisban is, ahol a bázisvektorok: i j ; j k és k i . 3
A mátrix a szokásos bázisban
Feladatok
3
1 b1 0 0
b
0 b2 1 0
0 b3 0 1
1 0 0 0 1 0 0 0 0
18
Most nézzük meg, hogy mi lesz a mátrix abban a bázisban, ahol a bázisvektorok: i j ; j k és k i .
Az új bázisban felírt mátrixot úgy kapjuk, hogy az új bázisvektorok képeit írjuk egymás mellé, de az új bázisvektorok koordinátáival felírva. A régi bázisvektorok képei:
i i
k 0
j j
Az új bázisvektorok képei:
a1 i j i j
a1 a1
a2 j k j
j
a3 k i i
i
i j j k k i 2
i j j k k i 2
1 / 2 a1 1 / 2 a 2 1 / 2 a 3
1 / 2 a1 1 / 2 a 2 1 / 2 a 3
Az új bázisban felírt mátrix:
mateking.hu a
1 / 2 a1 1 1/ 2 0 1/ 2 1/ 2 a 2 0 1/ 2 1/ 2 a 3
Az új bázis mátrixát gondolkodásmentesen is megkaphatjuk a
a
Cb b Cb 1
képlet segítségével. Ehhez mindössze az új bázisra való átállás Az új bázisvektorok
C b mátrixára van szükség:
i j ; j k és k i .
1 0 1 Feladatok Cb 1 1 0 0 1 1 1
a
1/ 2 1 0 1 1 0 0 1 0 1 1 1/ 2 1 Cb b Cb 1 1 0 0 1 0 1 1 0 0 1 / 2 1 / 2 0 1 1 0 0 0 0 1 1 0 1/ 2 1/ 2 19
Nézzük most ezt az új mátrixot és próbáljuk meg diagonalizálni. Mivel az x y síkra merőleges vetítésnek éppen az eredeti i ; j ; k vektorok a sajátvektorai, a diagonális mátrix meg fog egyezni a régi mátrixszal. Azt kell tehát visszakapnunk.
a
1/ 2 1 1/ 2 0 1/ 2 1/ 2 0 1/ 2 1/ 2
Kiszámoljuk a sajátértékeket. Mivel a sajátvektorok az eredeti hogy minek kell kijönnie. Az x y síkra vetítésnél 1, míg a
i ; j ; k bázisvektorok, előre tudjuk,
i -ből és j -ből önmaga lesz, mindkettő sajátértéke
k vektor képe nullvektor így a hozzá tartozó sajátérték nulla. Lássuk kijönnek-e:
1/ 2 1/ 2 1 det 0 1/ 2 1/ 2 0 0 1 / 2 1 / 2 Az utolsó sor szerint fejtünk ki.
mateking.hu 1 0 1 / 2 det 0
1/ 2 1/ 2 1 1 / 2 det 0 1/ 2 1 / 2 0
A 2X2-es determinánsokat is kifejtjük:
1 / 2 1 1 / 2 1 / 2 1 1 / 2 0 1 / 4 1 1 / 2 1 0 2
Kiemelünk:
1 1 / 2 2 1/ 4 0 Feladatok
1
1 / 2 2 1 / 4 1 / 2 1 / 2
0 Vagyis a két sajátvektor a
1 1
és
0.
A hozzájuk tartozó sajátvektorok elvileg az Valójában azonban nem, ugyanis
i ; j és k vektorok lesznek.
i és j helyett i j és j i lesz, de k marad k . Nézzük meg!
20
1 1
2 0
1 / 2 x1 0 1 1 1/ 2 1/2 1 1 / 2 x 2 0 0 0 1 / 2 1/2 1 x3 0
1 / 2 x1 0 1 0 1/ 2 1/2 0 1 / 2 x 2 0 0 0 1 / 2 1/2 0 x3 0
itt meg az 1-et:
Kivonjuk a 0-t:
1 / 2 x1 0 0 1/ 2 0 1 / 2 1 / 2 x 2 0 0 1 / 2 1 / 2 x 0 3
1 / 2 x1 1 1/ 2 0 1 / 2 1 / 2 x 2 0 1 / 2 1 / 2 x 3
1 / 2 x 2 1 / 2 x3 0
x 2 x3
x1 1 / 2 x 2 1 / 2 x3 0
1 / 2 x 2 1 / 2 x 31 0 x 2 x 3 1 / 2 x 2 1 / 2 x3 0 Itt
x 2 x3
x2 x3 t és x1 s tetszőleges:
1 / 2 x 2 1 / 2 x3 0
x 2 x3
1 / 2 x 2 1 / 2 x3 0
x 2 x3
Az
x2 x3 -at az első egyenletbe
helyettesítve:
x1 x2 0 x1 x2
mateking.hu v1; 2
t 1 v3 t t 1 t 1
s 0 1 t t 1 s 0 t 1 0
Van tehát három független sajátvektor:
1 0 1 v1 0 v 2 1 v 3 1 0 1 1 A diagonalizáló mátrix:
1 0 1 S 0 1 1 0 1 1 Feladatok A diagonális alak: 1
1 / 2 1 0 1 1 0 0 1 0 1 1 1 / 2 1 diag a S a S 0 1 1 0 1 / 2 1 / 2 0 1 1 0 1 0 0 1 1 0 1/ 2 1/ 2 0 1 1 0 0 0
21