אלגברה לינארית לתלמידי מדעים

ברוכים הבאים ליחידת הלימוד "העתקות לינאריות" בקורס "אלגברה לינארית לתלמידי מדעים" (20430). יחידה זו היא אבן יסוד באלגברה לינארית, שכן היא עוסקת בפונקציות מיוחדות השומרות על המבנה הלינארי של המרחבים הווקטוריים. הבנה מעמיקה של העתקות לינאריות חיונית לא רק להמשך לימודי המתמטיקה, אלא גם ליישומים רבים במדעי המחשב, פיזיקה, הנדסה ועוד. בשיעור זה נצלול אל ההגדרות, המושגים המרכזיים, הייצוג המטריציוני וקשרים חשובים בין העתקות לינאריות למושגים אחרים באלגברה לינארית, תוך דגש על נקודות קריטיות לבחינה.

מבוא להעתקות לינאריות: פונקציות שומרות מבנה

העתקה לינארית היא סוג מיוחד של פונקציה בין שני מרחבים וקטוריים, המכבדת את פעולות המרחב הווקטורי – חיבור וקטורים וכפל בסקלר. הן מהוות את ה"מורפיזמים" של קטגוריית המרחבים הווקטוריים.

העתקה לינארית: תהינה V ו-W שני מרחבים וקטוריים מעל אותו שדה F. פונקציה T: V → W נקראת העתקה לינארית אם היא מקיימת את שני התנאים הבאים לכל וקטורים u, v ∈ V ולכל סקלר α ∈ F:

שימור חיבור: T(u + v) = T(u) + T(v)
שימור כפל בסקלר: T(αv) = αT(v)

שני התנאים ניתנים לאיחוד לתנאי אחד: T(αu + βv) = αT(u) + βT(v) לכל u, v ∈ V ולכל סקלרים α, β ∈ F.

דוגמאות בסיסיות להעתקות לינאריות

העתקת האפס: T(v) = 0_W לכל v ∈ V.
העתקת הזהות: I(v) = v לכל v ∈ V (כאשר W=V).
העתקת כפל בסקלר: T(v) = cv עבור סקלר קבוע c.
הטלה (Projection): לדוגמה, T(x, y, z) = (x, y, 0) מ-R³ ל-R³.
סיבוב (Rotation): לדוגמה, סיבוב ב-R² בזווית קבועה.

מושגי יסוד: גרעין, תמונה, חד-חד-ערכיות ועל

הבנת המושגים הבאים חיונית לניתוח התנהגותן של העתקות לינאריות ולפתרון בעיות בבחינה.

גרעין (Kernel) של העתקה לינארית: הגרעין של העתקה לינארית T: V → W, המסומן Ker(T), הוא קבוצת כל הווקטורים ב-V הממופים לווקטור האפס ב-W. כלומר, Ker(T) = {v ∈ V | T(v) = 0_W}. הגרעין הוא תמיד תת-מרחב של V.

תמונה (Image) של העתקה לינארית: התמונה של העתקה לינארית T: V → W, המסומנת Im(T), היא קבוצת כל הווקטורים ב-W שהם תמונות של וקטורים מ-V. כלומר, Im(T) = {w ∈ W | קיים v ∈ V כך ש-T(v) = w}. התמונה היא תמיד תת-מרחב של W.

קשרים חשובים בין מושגים

חד-חד-ערכיות (Injectivity)

העתקה T היא חד-חד-ערכית אם ורק אם Ker(T) = {0_V}. כלומר, רק וקטור האפס במרחב המקור ממופה לווקטור האפס במרחב היעד.

על (Surjectivity)

העתקה T היא על אם ורק אם Im(T) = W. כלומר, כל וקטור במרחב היעד הוא תמונה של לפחות וקטור אחד במרחב המקור.

איזומורפיזם (Isomorphism)

העתקה T היא איזומורפיזם אם היא חד-חד-ערכית ועל. במקרה זה, המרחבים V ו-W נחשבים "זהים מבחינה לינארית", וקיים T^-1 שהוא גם לינארי.

משפט המימדים (Rank-Nullity Theorem): זהו אחד המשפטים המרכזיים והחשובים ביותר ביחידה זו, והוא מופיע כמעט בכל בחינה. הוא מקשר בין מימד הגרעין למימד התמונה:

לכל העתקה לינארית T: V → W, מתקיים: dim(V) = dim(Ker(T)) + dim(Im(T)).

למה זה חשוב? המשפט מאפשר לחשב מימד אחד אם שני האחרים ידועים, והוא כלי חזק להוכחת תכונות של העתקות לינאריות, במיוחד בהקשר של חד-חד-ערכיות ועל, כאשר מימדי המרחבים נתונים. הבנה עמוקה של משפט זה וכיצד ליישם אותו היא קריטית להצלחה בבחינה.

ייצוג מטריציוני של העתקה לינארית

אחד הרעיונות המרכזיים באלגברה לינארית הוא שכל העתקה לינארית בין מרחבים וקטוריים סוף-מימדיים ניתנת לייצוג באמצעות מטריצה, ביחס לבסיסים נבחרים.

מטריצת ייצוג: תהי T: V → W העתקה לינארית, ויהיו B = {v₁, ..., v_n} בסיס ל-V ו-C = {w₁, ..., w_m} בסיס ל-W. המטריצה המייצגת את T ביחס לבסיסים B ו-C, המסומנת [T]_C^B, היא מטריצה בגודל m x n שהעמודה ה-j שלה היא וקטור הקואורדינטות של T(v_j) ביחס לבסיס C. כלומר, [T(v_j)]_C.

המשמעות היא שאם v הוא וקטור ב-V, אז [T(v)]_C = [T]_C^B[v]_B. זה מאפשר להפוך בעיות על העתקות לינאריות לבעיות על כפל מטריצות, שהן לרוב קלות יותר לפתרון חישובי.

שינוי בסיס

מטריצת הייצוג של העתקה לינארית תלויה בבחירת הבסיסים. הבנה כיצד מטריצת הייצוג משתנה כאשר מחליפים בסיסים היא חיונית. אם B' ו-C' הם בסיסים חדשים, אז [T]_C'^B' = P_C'←C [T]_C^B P_B←B', כאשר P הן מטריצות מעבר בסיס.

שאלות לדיון

כיצד משפיעה בחירת הבסיסים על מטריצת הייצוג של העתקה לינארית? האם העתקה לינארית עצמה משתנה?
הסבירו את הקשר בין חד-חד-ערכיות של העתקה לינארית לבין מימד הגרעין שלה.
תנו דוגמה להעתקה לינארית מ-R³ ל-R² שאינה על, והסבירו מדוע.
כיצד ניתן להשתמש במשפט המימדים כדי לקבוע אם העתקה לינארית היא איזומורפיזם?

נקודות לתשובת מודל

הגדרת העתקה לינארית ושני תנאיה (שימור חיבור וכפל בסקלר).
הגדרת הגרעין (Ker(T)) והתמונה (Im(T)) והוכחה שהם תת-מרחבים.
הבנה ויישום של משפט המימדים: dim(V) = dim(Ker(T)) + dim(Im(T)).
הקשרים בין תכונות העתקה (חד-חד-ערכיות, על, איזומורפיזם) לבין מימדי הגרעין והתמונה.
- T חד-חד-ערכית ⇔ Ker(T) = {0} ⇔ dim(Ker(T)) = 0.
- T על ⇔ Im(T) = W ⇔ dim(Im(T)) = dim(W).
- T איזומורפיזם ⇔ T חד-חד-ערכית ועל. אם V ו-W סוף-מימדיים, אז זה קורה אם ורק אם dim(V) = dim(W) ו-T חד-חד-ערכית (או T על).
יכולת למצוא את המטריצה המייצגת של העתקה לינארית ביחס לבסיסים נתונים, ולבצע חישובים באמצעותה.
הבנה של איך מטריצות מעבר בסיס משפיעות על ייצוג מטריציוני של העתקה.

מצאתם טעות או שחסר משהו?