Úvod Tato sbírka úloh z lineární algebry je ur£ena student·m Fakulty elektrotechniky a informatiky VB - Technické univerzity Ostrava. T¥mto student·m je p°edev²ím ur£eno skriptum profesora Zde¬ka Dostála LINEÁRNÍ ALGEBRA, k n¥muº jako studijní p°íloha má tato sbírka slouºit. Vyuºít ji mohou také studenti kombinovaného studia jako dopln¥k studijní opory LINEÁRNÍ ALGEBRA pro kombinované a distan£ní studium. Kaºdá kapitola, respektive podkapitola (sekce) obsahuje stru£né teoretické informace (denice, v¥ty, vzorce). Potom následují podrobn¥ °e²ené p°íklady a úlohy k samostatnému °e²ení. Na konci kaºdé sekce jsou uvedeny výsledky úloh. Sbírka úloh nem·ºe v ºádném p°ípad¥ nahradit vý²e zmín¥né skriptum, kde je u£ivo v plném rozsahu vyloºeno a navíc velice p¥kn¥ a vhodn¥ motivováno. Student by se m¥l tedy nejprve jeho prost°ednictvím seznámit s teorií a teprve potom se pokusit o samostatné °e²ení ukázkových p°íklad·. Porovnání vlastního °e²ení s ukázkovým °e²ením mu tak pom·ºe odhalit p°ípadné nedostatky v teoretických znalostech, které je nutno doplnit. Ne°e²ené úlohy by uº pak nem¥ly p°edstavovat váºný problém. Nezbývá neº doufat, ºe tato sbírka pom·ºe student·m p°i studiu lineární algebry, jeº pat°í k základ·m matematického vzd¥lání dne²ního inºenýra. Na záv¥r bych cht¥l je²t¥ pod¥kovat ing. Martin¥ Litschmannové za cenné p°ipomínky, které p°isp¥ly k lep²í srozumitelnosti p°edloºeného textu.
1
Kapitola 1
Matice a °e²ení soustav lineárních rovnic 1.1
Aritmetické vektory
Aritmetickým vektorem
rozumíme uspo°ádanou n-tici £ísel. Pí²eme u = [u1 , u2 , . . . , un ] , £ísla u1 , u2 , . . . , un nazýváme sloºky vektoru a jejich po£et jeho rozm¥rem nebo dimenzí. Pro aritmetické vektory u = [u1 , u2 , . . . , un ] , v = [v1 , v2 , . . . , vn ] stejné dimenze a skalár (£íslo) α denujeme
• rovnost: u = v ⇔ u1 = v1 , u2 = v2 , . . . , un = vn ; • s£ítání: u + v = [u1 + v1 , u2 + v2 , . . . , un + vn ] ; • násobení skalárem: αu = [αu1 , αu2 , . . . , αun ] . Vektor o = [0, 0, . . . , 0] se nazývá nulový vektor a vektor −u = [−u1 , −u2 , . . . , −un ] = −1u k vektoru u. Snadno shledáme, ºe pro libovolné vektory stejné dimenze u, v, w a skaláry α, β platí:
opa£ný vektor V1 V2 V3 V4 V5 V6 V7 V8
(u + v) + w = u + (v + w) ; u + v = v + u; u + o = u; u + (−u) = o; α (u + v) = αu + αv; (α + β) u = αu + βu; α (βu) = (αβ) u; 1u = u.
Dokázat vlastnosti V1 - V8 je velmi snadné, a tak si d·kazy v¥t²iny z nich necháme na cvi£ení. P°íklad 1.
D·kaz:
Dokaºte platnost komutativního zákona (vlastnost V2).
Nech´ u = [u1 , u2 , . . . , un ] , v = [v1 , v2 , . . . , vn ] , máme
u+v
=
[u1 + v1 , u2 + v2 , . . . , un + vn ]
v+u =
[v1 + u1 , v2 + u2 , . . . , vn + un ] .
a
Tyto vektory se rovnají. Jsou stejné dimenze a jejich odpovídající sloºky se rovnají, nebo´ pro s£ítání £ísel komutativní zákon platí. 2
KAPITOLA 1.
P°íklad 2.
D·kaz:
3
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
Dokaºte vlastnost V6 (distributivní zákon).
Poloºíme-li u = [u1 , u2 , . . . , un ] , potom
(α + β) u =
(α + β) [u1 , u2 , . . . , un ]
=
[(α + β) u1 , (α + β) u2 , . . . , (α + β) un ]
=
[αu1 + βu1 , αu2 + βu2 , . . . , αun + βun ]
=
[αu1 , αu2 , . . . , αun ] + [βu1 , βu2 , . . . , βun ]
= αu + βu. Platnost vlastnosti V6 tak op¥t vyplývá z analogické vlastnosti (α + β) ui = αui + βui pro £ísla. Cvi£ení:
1. Jsou dány vektory u = [1, −2, −3] , v = [−2, 2, −1] , w = [−1, −2, −11] , x = [0, 0, 0, 0] . Vypo£t¥te: a) 2u + v; b) 3u + 2v − w; c) u + x. 2. Dokaºte platnost ostatních vlastností V1 - V8. Výsledky:
1. a) [0, −2, −7] ; b) [0, 0, 0] ; c) není denováno. 2. Návod: postupujte obdobn¥ jako v ukázkových p°íkladech. 1.2
Algebra matic
Maticí A
o rozm¥ru m × n (£ti: em na en) nazýváme schéma mn reálných, resp. £ísel aik (i = 1, . . . , m; k = 1, . . . , n), sestavených v m °ádcích a n sloupcích:
A
a11 , a21 , = . .. am1 ,
a12 , a22 ,
..., ...,
.. .
..
am2 ,
...,
.
komplexních
a1n a2n .. . . amn
Matici o rozm¥ru m × n nebo také typu (m, n) zapisujeme A = [aik ]m×n , Am×n , [aik ] nebo stru£n¥ A. Je-li m = n, mluvíme o £tvercové matici stupn¥ (°ádu) n. Prvky a11 , a22 , a33 , . . . tvo°í A hlavní diagonálu matice. Symboly rA i , sk ozna£ujeme i-tý °ádek a k-tý sloupec matice A, tzn.
A rA i = [ai1 , ai2 , . . . , ain ] , sk =
a1k .. .
.
amk Jsou to vlastn¥ na²e známé aritmetické vektory, neboli matice typu (1, n) a (m, 1) .
• ekneme, ºe dv¥ matice se rovnají, jsou-li stejného typu a mají-li na stejných místech stejné prvky, tzn. A = B, práv¥ kdyº aik = bik pro kaºdé i = 1, . . . , m; k = 1, . . . , n. • Maticí transponovanou k matici A = [aik ]m×n nazýváme matici AT = aTki n×m , pro niº platí aT ki = aik (i = 1, . . . , m; k = 1, . . . , n). Transponování matice p°evádí °ádky ve sloupce a naopak.
• Matice A = [aik ]n×n se nazývá symetrick á, platí-li A = AT , tj. aik = aki (i, k = 1, . . . , n). • Sou£inem £ísla (skaláru) α a matice A = [aik ]m×n nazýváme matici B = [αaik ]m×n . • Sou£tem matic A = [aik ]m×n , B = [bik ]m×n rozumíme matici C = [aik + bik ]m×n .
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
4
• Sou£inem matic A = [aik ]m×n a B = [bkj ]n×p se nazývá matice C = [cij ]m×p taková, ºe Pn B cij = ai1 b1j + ai2 b2j + · · · + ain bnj = k=1 aik bkj = rA i · sj (i = 1, . . . , m; j = 1, . . . , p). (Slovy: °ádky matice A násobíme sloupci matice B.) • Matice, jejíº v²echny prvky jsou nuly, se nazývá nulová matice. Ozna£ujeme ji obvykle O. • tvercová matice I, jeº má na hlavní diagonále v²echny prvky rovny 1 a v²echny ostatní prvky rovny 0, se nazývá jednotková matice. Vlastnosti maticových operací
Nech´ A, B, C jsou libovolné matice a α, β libovolné reálné, resp. komplexní skaláry. Pokud mají níºe uvedené operace smysl (tj. mají-li uvedené matice p°edepsaný typ), potom platí:
A + B = B + A; (A + B) + C = A + (B + C) ; A + O = A; α (A + B) = αA + αB; (α + β) A = αA + βA; (AB) C = A (BC) ; AI = A, IB = B α (AB) = (αA) B = A (αB) ; (αβ) A = α (βA) ; A (B + C) = AB + AC; (A + B) C = AC + BC; T = A; AT T (A + B) = AT + BT ; T (AB) = BT AT . Poznámka 1. Komutativní zákon pro násobení matic zde nenajdeme, obecn¥ totiº AB 6= BA. S vyjímkou asociativního zákona pro násobení matic a transponování sou£inu matic není obtíºné ov¥°it platnost t¥chto vlastností.
P°íklad 1.
Vypo£t¥te matici X = AB + λC, jestliºe
0, −1, 1 2 1 2, 1 , B = 0 , λ = −2, C = 2 . A = 1, 1, 0, −2 −1 3
e²ení:
Nejd°íve vypo£teme sou£in AB.
0 · 2 + (−1 · 0) + 1 · (−1) −1 0, −1, 1 2 2, 1 · 0 = 1 · 2 + 2 · 0 + 1 · (−1) = 1 . AB = 1, 4 1 · 2 + 0 · 0 + (−2) · (−1) 1, 0, −2 −1
−3 −1 1 Odtud pak X = 1 + (−2) 2 = −3 . −2 4 3
P°íklad 2.
Vyjád°ete matice AAT , AT A, kde
1, −2 1 . A = −1, 2, 0
KAPITOLA 1.
e²ení: AT =
5
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
Ur£íme transponovanou matici AT .
1, −1, 2 −2, 1, 0
1, −2 1, −1, 2 T 1 · , potom AA = −1, = −2, 1, 0 2, 0
1 · 1 + (−2) · (−2) , 1 · (−1) + (−2) · 1, 1 · 2 + (−2) · 0 5, −3, 2 −1 · 2 + 1 · 0 = −3, 2, −2 , = (−1) · 1 + 1 · (−2) , −1 · (−1) + 1 · 1, 2 · 1 + 0 · (−2) , 2 · (−1) + 0 · 1, 2·2+0·0 2, −2, 4 zatímco
AT A =
1, −1, 2 −2, 1, 0
1, −2 6, −3 1 = · −1, . −3, 5 2, 0
Stojí za pov²imnutí, ºe v obou p°ípadech jsme obdrºeli symetrické matice: AAT a AT A. Také se potvrdilo, ºe násobení matic není obecn¥ komutativní: AAT 6= AT A. T
Ukaºte, ºe pro transponování sou£inu matic platí (AB)
P°íklad 3.
D·kaz:
= BT A T .
Nech´ A = [aik ]m×n , B = [bkj ]n×p , poloºíme C = AB, D = BT AT . Máme dokázat,
ºe CT = D. Matice CT a D jsou z°ejm¥ stejného typu (p, m) , zbývá je²t¥ dokázat, ºe mají ve stejných pozicích stejné prvky. Pro libovolný prvek matice C v pozici (i, j) platí B = rA i · sj = ai1 b1j + ai2 b2j + · · · + ain bnj . (F)
cij
.. .
(F) AB = ai1 , ..
.. .
.. .
.. .
ai2 ,
...,
ain
.. .
.
.. .
Tento prvek je roven prvku
cTji
.. .
..., ..., ·
b1j , b2j ,
...,
bnj ,
... ... ...
.. .
T
matice (AB) .
Pro kaºdý prvek dji matice D dostaneme
dji
.. .
() BT AT = b1j , .. .
Platí tedy
cTji
P°íklad 4.
D·kaz:
T
T
= rB · sA = b1j ai1 + b2j ai2 + . . . + bnj ain . () j i .. .
.. .
.. .
b2j ,
...,
bnj
.. .
.. .
.. .
..., ..., ·
ai1 , ai2 ,
...,
ain ,
.. .
... ... ...
= dji pro kaºdé j = 1, . . . , p; i = 1, . . . , m, jinými slovy CT = D. Dokaºte platnost asociativního zákona pro násobení matic.
Máme dokázat, ºe (AB) C = A (BC) . Nech´ A = [aik ]m×n , B = [bkj ]n×p , C = [cjq ]p×s ,
B A B A B potom i-tý °ádek matice AB je rA i · s1 , ri · s2 , . . . , ri · sp = [ takºe prvek matice D = (AB) C na míst¥ (i, q) je
diq
=
rAB i
·
sC q
=
n X k=1
! aik bk1
c1q +
n X k=1
Pn
k=1
! aik bk2
c2q + · · · +
aik bk1 , . . . ,
n X k=1
Pn
k=1
aik bkp ] ,
! aik bkp
cpq .
(1.1)
KAPITOLA 1.
Dále
q-tý
6
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
C B C B C sloupec matice BC je rB = 1 · sq , r2 · sq , . . . , rn · sq
hP
Pp p j=1 b1j cjq , . . . , j=1 bnj cjq
i
,
odtud pro prvek matice E = A (BC) v pozici (i, q) dostáváme
BC eiq = rA i · sq
= ai1
p X
b1j cjq + ai2
j=1
p X
b2j cjq + · · · + ain
j=1
p X
bnj cjq .
(1.2)
j=1
Rozepsáním vzorc· (1.1) a (1.2) se p°esv¥d£íme, ºe diq = eiq (i = 1, . . . , m; q = 1, . . . , s) :
(ai1 b11 + · · · + ain bn1 ) c1q + (ai1 b12 + · · · + ain bn2 ) c2q + · · · + (ai1 b1p + · · · + ain bnp ) cpq ,
diq
=
eiq
= ai1 (b11 c1q + · · · + b1p cpq ) + ai2 (b21 c1q + · · · + b2p cpq ) + · · · + ain (bn1 c1q + · · · + bnp cpq ) .
Matice D, E jsou stejného typu, mají na stejných místech stejné prvky, tudíº (AB) C = A (BC) . Poznámka 2.
Vzorce (1.1), (1.2) m·ºeme také vyjád°it pomocí dal²ího suma£ního znaku
diq
p X
=
"
j=1
eiq
=
n X
aik
k=1
p X
n X
!
#
aik bkj
cjq =
j=1
k=1
bkj cjq =
j=1
p n X X
n X
p X
k=1
P
:
! aik bkj cjq
,
k=1
aik bkj cjq =
j=1
p n X X j=1
! aik bkj cjq
.
k=1
Cvi£ení:
1. Vypo£t¥te sou£iny (AB) C a A (BC) následujících matic:
1, 2, 1 1 a) A = 0, 1, 2 , B = −1 0, 0, 1 0 b) A =
1, −2, 3
T
,B=
2 −1 1 ,C= 1 −1
0, 1, 2
,C=
2 1
;
0, 1, −2
T
.
2. Nech´
2, 0, 0 0, 0, −1 0 . A = 0, −1, 0 , B = 0, 2, 0, 0, 3 2, 0, 0 Vypo£t¥te: a) A2 ; b) B2 ; c) B5 . 3. Najd¥te nenulové £tvercové matice A, B takové, ºe AB = O. 4. Ukaºte, ºe pro kaºdé £íslo α a libovolné matice, pro n¥º mají následující operace smysl, platí: a) α (AB) = (αA) B = A (αB) ; b) A (B + C) = AB + AC. 5. Dokaºte, ºe platí: Je-li A £tvercová matice, potom A2
T
= AT
2
.
6. Rozhodn¥te, které z následujících tvrzení je pravdivé (P) nebo nepravdivé (N) (o uvedených maticích p°edpokládáme, ºe jsou p°edepsaného typu): a) Je-li A = B, potom AC = BC; b) Je-li AC = BC, potom A = B; c) Je-li AB = O, potom A = O nebo B = O; d) Je-li A2 = I, potom A = ±I; e) Je-li A2 = I, potom An = I pro kaºdé n ∈ N \ {1} ; f) Je-li A2 = I, potom An = I pro kaºdé n = 2k, k ∈ N.
KAPITOLA 1.
7
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
Výsledky:
4, 1 T 1. a) (AB) C = A (BC) = 0, −3 ; b) (AB) C = A (BC) = −3, 6, −9 . −1, −1 4, 0, 0 −2, 0, 0 0, 0, −4 0 ; c) B5 = 0, 32, 0 . 2. a) A2 = 0, 1, 0 ; b) B2 = 0, 4, 0, 0, 9 0, 0, −2 8, 0, 0 1, −2 4, 6 3. Nap°íklad A = ,B= . −4, 8 2, 3 4. Postupujte podobn¥ jako v °e²ených
p°íkladech 3
a
4.
5. Nedokazujte, ºe matice mají stejné prvky, ale vyuºijte n¥kterou z vlastností maticových operací. 6. a) P; b) N; c) N; d) N, nap°. A =
1.3
0, 1 1, 0
; e) N; f) P.
e²ení soustav lineárních rovnic
Soustavou (systémem) m lineárních rovnic o n neznámých x1 , x2 , . . . , xn a11 x1 a21 x1
+ +
a12 x2 a22 x2
+ ··· + ···
am1 x1
+ am2 x2
+ ···
+ +
.. .
a1n xn a2n xn
+ amn xn
= =
nazýváme soustavu
b1 b2
(1.3)
= bm .
Systém (1.3) je ur£en maticí soustavy A = [aik ] a vektorem pravých stran b = [b1 , . . . , bm ] (a11 , . . . , amn ; b1 , . . . , bm jsou daná reálná, resp. komplexní £ísla). M·ºeme jej také napsat ve tvaru maticové rovnice T
Ax
= b,
(1.4)
T
kde x = [x1 , . . . , xn ] je vektor neznámých. P°idáme-li k matici soustavy A jako poslední sloupec vektor b, obdrºíme roz²í°enou matici soustavy [A |b] . e²ením soustavy (1.3) se nazývá kaºdá taková uspo°ádaná n-tice £ísel [ξ1 , . . . , ξn ] , ºe p°i dosazení £ísel ξ1 , . . . , ξn za neznámé x1 , . . . , xn jsou spln¥ny v²echny rovnice soustavy. Soustavu (1.3) °e²íme Gaussovou elimina£ní metodou, tj. roz²í°enou matici soustavy [A | b] p°evedeme elementárními °ádkovými operacemi
• R1 vzájemná vým¥na libovolných dvou °ádk·; • R2 vynásobení n¥kterého °ádku nenulovým £íslem; • R3 p°i£tení násobku n¥kterého °ádku k jinému; na roz²í°enou matici [H | c] ekvivalentní soustavy se schodovou maticí H, pomocí níº uº pak °e²ení soustavy snadno najdeme. Schodovou maticí rozumíme matici, jeº vyhovuje t¥mto podmínkám: 1. V²echny °ádky, jeº mají pouze nulové prvky, jsou umíst¥ny dole pod nenulovými °ádky. 2. První nenulový prvek kaºdého °ádku (vedoucí prvek) musí být vºdy ve sloupci, který je napravo od vedoucího prvku p°edcházejícího °ádku.
KAPITOLA 1.
P°íklad 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
8
Rozhodn¥te, které matice jsou ve schodovém tvaru:
1, −3, 0, 5, 0 1, −2, 0 −1, 3, 2 0, 0, 1, 2, 0 1 3, 0 , C = A = 0, 0, 0 , B = 2 , 0, 0, 0, 0, 1 0, 0, 1 0, 0, 0 0, 0, 0, 0, 0
−2, 1 , D = 0, −3 . 0, 0
e²ení: Matice A, B nejsou ve schodovém tvaru. V matici A není nulový °ádek uveden úpln¥ dole. Matice B má sice nulový °ádek správn¥ pod nenulovými °ádky, ale první nenulový prvek druhého °ádku 21 (vedoucí prvek) není ve sloupci napravo od vedoucího prvku p°edcházejícího °ádku (£íslo 1). Matice C a D jsou ve schodovém tvaru. Matice C je dokonce p°íkladem normované schodové matice. Její vedoucí prvky se rovnají 1 a v²echny prvky ve sloupcích nad i pod nimi jsou nulové. P°íklad 2.
Najd¥te v²echna °e²ení systému Hx = c, kde
[H | c]
e²ení:
−5, −1, 3 3, 5 = 0, 0, 0, −4
3 8 . 8
Systém lineárních rovnic odpovídající této roz²í°ené matici je
−5x1 − x2 + 3x3
=
3
3x2 + 5x3
=
8
−4x3
=
8 .
Z poslední rovnice vypo£teme x3 = −2. Po dosazení do druhé rovnice dostaneme
3x2 + 5 (−2) = 8, 3x2 = 18,
x2 = 6.
Nakonec dosadíme za x2 a x3 do první rovnice a máme
−5x1 − 6 + 3 (−2) = 3, −5x1 = 15,
x1 = −3.
Systém má jediné °e²ení x1 = −3, x2 = 6, x3 = −2. P°íklad 3.
Gaussovou elimina£ní metodou °e²te soustavu rovnic
2x1 4x1
x2 + 3x2 + 5x2
− 3x3 − x3 − 2x3
= −5 = 7 = 10.
e²ení: Sestavíme roz²í°enou matici soustavy a p°evedeme ji úpravami R1 aº R3 na schodový tvar. 0, 1, −3 −5 r2 2, 3, −1 r1 ∼ 0, 1, −3 2, 3, −1 7 4, 5, −2 10 4, 5, −2
7 7 2, 3, −1 −5 1, −3 −5 ∼ 0, ∼ 10 0, −1, 0 −4 +r2 −2r1
2, 3, −1 7 0, 1, −3 −5 . 0, 0, −3 −9
Neznámé dostaneme podobn¥ jako v p°ede²lé úloze: x3 = 3, x2 = 4, x1 = −1. íkáme také, ºe T soustava má jediné °e²ení, kterým je vektor x = [−1, 4, 3] .
KAPITOLA 1.
P°íklad 4.
9
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
e²te lineární systém
x1 2x1 3x1 −x1
− 2x2 − 3x2 − 5x2 + x2
+ x3 + 2x3 + 3x3 − x3
− x4 − 3x4 − 4x4 + 2x4
= 4 = −1 = 3 = 5
uºitím Gauss-Jordanovy metody a vyberte alespo¬ jedno °e²ení, pro které x1 = −8.
e²ení:
Matici soustavy musíme tentokrát upravit na normovaný schodový tvar.
1, −2, 1, −1 4 1, −2, −1 −2r1 0, 2, −3, 2, −3 1, ∼ 3, −5, 0, 3 −3r1 3, −4 1, −1, 1, −1, 2 5 +r1 0, −1,
1, 0, 0, 0,
0, 1, 0, 0,
1, −1 4 +2r2 0, −1 −9 ∼ 0, −1 −9 −r2 0, 1 9 +r2
1, −3 −14 0, −1 −9 . 0 0, 0 0, 0 0
Redukce matice na normovanou schodovou matici je ukon£ena. V²imn¥me si, ºe u Gauss-Jordanovy metody vytvá°íme nuly soub¥ºn¥ nad i pod vedoucími prvky. P°istoupíme k ur£ení °e²ení systému. Sloupce 3 a 4 neobsahují vedoucí prvky °ádk·, a tudíº neznámé x3 a x4 bereme jako nezávisle prom¥nné a m·ºeme za n¥ zvolit jakékoli £íslo. Poloºíme tedy x3 = r, x4 = s (r, s ∈ R nazýváme parametry) a dopo£teme neznámé x1 a x2 . Dostaneme takto °e²ení
x1 −r + 3s − 14 x2 s−9 x= x3 = r s x4
.
Systém má nekone£n¥ mnoho °e²ení závislých na dvou parametrech r a s. Zbývá je²t¥ najít to °e²ení, kde x1 = −8. Volíme nap°íklad r = −3 a s = 1, potom x1 = −8, x2 = −8, x3 = −3,
x4 = 1. V dal²ím p°íkladu si p°ipomeneme soustavu rovnic, která nemá °e²ení. P°íklad 5.
Najd¥te v²echna °e²ení soustavy Ax = b, jestliºe
1, −2, 1, −1 4 2, −3, 2, −3 , b = −1 . A= 3, −5, 4 3, −4 −1, 1, −1, 2 5
e²ení:
Matice soustavy je stejná jako v p°ede²lé úloze, a tak uº snad není nutné uvád¥t p°íslu²né °ádkové operace.
4 1, −2, 1, −1 4 1, 1, −2, 1, −1 −1 0, −9 0, 2, −3, 2, −3 1, 0, −1 ∼ ∼ 3, −5, 4 0, 1, 0, −1 −8 0, 3, −4 9 0, −1, 1, −1, 2 5 0, −1, 0, 1
Soustava
0, 1, 0, 0,
1, −3 −14 0, −1 −9 . 0, 0 1 0 0, 0
nemá °e²ení. P°edposlednímu °ádku v upravené matici odpovídá totiº rovnice 0x1 + 0x2 + 0x3 + 0x4
=
1,
jejíº levá strana se pro v²echna dosazení za neznámé rovná 0, zatímco pravá strana je 1.
KAPITOLA 1.
10
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
Pomocí jediné roz²í°ené matice lze °e²it i více lineárních soustav, pokud mají stejnou matici. V takovém p°ípad¥ ozna£íme spole£nou matici obou soustav A, vektory pravých stran postupn¥ b1 , b2 a ob¥ soustavy °e²íme pomocí roz²í°ené matice [A | b1 , b2 ] . P°íklad 6.
2x1 x1 x1 3x1
Ur£ete °e²ení lineárních systém·
− 4x2 − 3x2 − x3 + 3x3
− 4x2
e²ení:
= −10 = −4 = 4 = −11
+ x4 + 2x4 − x4
a
2y1 y1 y1 3y1
− 4y2 − 3y2 − 4y2
2, −4, 0, 0 1, −3, 0, 1 1, 0, −1, 2 3, −4, 3, −1
−10, −8 −4, −2 4, 9 −11, −15
−5, −4 1, 2 9, 13 4, −3
1, −2, 0, 0 0, −1, 0, 1 0, 2, −1, 2 0, 2, 3, −1
·
1 2
−2r2
+2r2 +2r2
1, −2, 0, 0 1, −3, 0, 1 ∼ 1, 0, −1, 2 3, −4, 3, −1
= −8 = −2 = 9 = −15.
0, 0, 1, 0,
0 0 0 1
−1, 0 2, 2 1, −1 3, 4
−r1 −r1 ∼ −3r1
1, 0, 0, −2 −7, −8 0, −1, 0, 1 1, 2 ∼ ∼ 0, 0, −1, 4 11, 17 0, 0, 3, 1 6, 1 +3r3
1, 0, 0, −2 −7, −8 1, 0, 0, −1, 0, 1 1, 2 · (−1) ∼ 0, 1, 0, 0, 0, 0, −1, 4 11, 17 · (−1) 1 0, 0, 0, 13 39, 52 0, 0, · 13 0, 1, 0, 0,
−5, −4 −4, −2 4, 9 −11, −15
1, 0, 0, 0,
y4 2y4 y4
Systémy budeme tedy °e²it uºitím jediné roz²í°ené matice.
− y3 + 3y3
+ + −
0, −2 −7, −8 0, −1 −1, −2 1, −4 −11, −17 0, 1 3, 4
+2r4 +r4 +4r4 ∼
.
Z upravené matice vidíme, ºe °e²ení jsou x1 = −1, x2 = 2, x3 = 1, x4 = 3 a y1 = 0, y2 = 2,
y3 = −1, y4 = 4. Poznámka. Systémy jsme vy°e²ili Gauss-Jordanovou metodou. Úprava matice na normovaný schodový tvar je pracn¥j²í neº úprava na schodový tvar (dop°edná redukce). Výpo£et neznámých je pak ale snadn¥j²í, nemusí se provád¥t od poslední rovnice (zp¥tná substituce). Nakonec p°idáme je²t¥ jedno pozorování. Má-li soustava se £tvercovou maticí práv¥ jedno °e-
²ení, je matice soustavy °ádkov¥ ekvivalentní s jednotkovou maticí. Cvi£ení:
1. Dané soustavy °e²te Gaussovou elimina£ní metodou:
2x + + 2x − x1 + b) 2x1 + 2x1 + x1 + c) 2x1 + 2x1 +
a) 6x
y − 3z = 3y − 8z = y + 5z = 4x2 − 2x3 7x2 − x3 9x2 − 7x3 4x2 − 2x3 7x2 − x3 9x2 − 7x3
0 0 −4; = 4 = −2 = 1; = 0 = 0 = 0.
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
2. Najd¥te v²echna °e²ení soustav lineárních rovnic uºitím Gauss-Jordanovy metody:
− 2x3 + x4 = 6 − x2 + x3 − 3x4 = 0 − 3x2 − x3 − 7x4 = 4; − 4x2 + x3 = 8 − 12x2 + 5x3 = 26 − 9x2 − x3 = 14.
x1 a) 2x1
9x1 x1 b) 3x1 2x1
3. e²te lineární systémy se stejnou maticí a r·znými pravými stranami:
− 3x2 − 5x2 + 4x2
x1 2x1 x1
− x3 + x3 − 2x3
= 3, 0, −10 = 8, 0, −11 = −5, 0, 9.
4. Ur£ete matici X tak, aby vyhovovala maticovým rovnicím: a) AX = B, A =
b) XA = I, X =
1, −3, 1 3, −8, 2 x1 , x3 ,
x2 x4
x1 2 , X = x2 , B = ; 5 x3
,A=
2, 9 1, 4
,I=
1, 0 0, 1
.
5. Najd¥te vektor b tak, aby soustava rovnic Ax = b m¥la °e²ení:
b1 1, 3, −1 x1 2 , x = x2 , b = b2 . A = 1, −1, b3 x3 0, 4, −3
6. Ur£ete v²echny hodnoty α, pro které platí AX = XA, je-li:
1, 0, 1 3, 0, 0 a) A = 0, 2, 0 , X = 0, 2, 0 ; 1, 0, 1 0, 0, α
1, 0, 1 2, 0, 0 b) A = 0, 2, 0 , X = 0, α, 0 . 1, 0, 1 0, 0, 2 Výsledky:
x −1 1. a) x = y = 2 ; z 0 b) nemá °e²ení;
x1 c) x = x2 = x3 −8 −23 − 5s 2. a) x = −7 + s 2s
−10r 3r , r ∈ R. r , s ∈ R;
11
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
12
3 b) x = −1 . 1 1 0 1 3. x = −1 , x = 0 , x = 3 . 1 0 2 −1 + 2t 4. a) X = −1 + t , t ∈ R; t b) X =
−4, 9 1, −2
.
r+s r ; r, s ∈ R. 5. Soustava bude mít °e²ení, jestliºe −b1 + b2 + b3 = 0, tj. b = s 6. a) AX = XA, je -li α = 3; b) AX = XA, je-li α libovolné reálné £íslo. 1.4
Inverzní matice
Inverzní maticí
k £tvercové matici A nazýváme £tvercovou matici A−1 stejného °ádu, pro niº platí AA = A A = I, kde I je jednotková matice. tvercová matice, k níº existuje (neexistuje) inverzní matice, se nazývá regulární (singulární). −1
−1
Soustava rovnic Ax = b s regulární maticí A má práv¥ jedno °e²ení x = A−1 b.
Maticí elementární transformace (elementární maticí) nazýváme matici, kterou dostaneme z jednotkové matice provedením jedné elementární °ádkové operace. Takovým zp·sobem získáme t°i typy elementárních matic: • elementární permuta£ní matici Pij : (vým¥nou °ádk· ri , rj : I ∼ Pij ); • elementární matici Mi (α): (vynásobením °ádku ri £íslem α 6= 0: I ∼ Mi (α)); • matici Gaussovy transformace Gij (α): (p°i£tením α-násobku °ádku ri k °ádku rj : I ∼ Gij (α)).
Kaºká °ádková úprava matice A odpovídá vynásobení matice A zleva vhodnou maticí elementární transformace: Jinými slovy, jestliºe elementární matice T vznikne z jednotkové matice realizací jisté °ádkové úpravy, pak matice TA se rovná matici, jeº vznikne z matice A stejnou °ádkovou úpravou. P°íklad 1.
V matici
A
a11 , = a21 , a31 ,
a12 a22 a32
prove¤te prost°ednictvím násobení vhodnou elementární maticí následující °ádkové úpravy:
• vým¥nu 2. a 3. °ádku;
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
13
• vynásobení 1. °ádku nenulovým £íslem α; • p°i£tení α-násobku 1. °ádku k 3. °ádku.
e²ení:
P°íslu²né elementární matice dostaneme provedením t¥chto °ádkových operací na jednotkovou matici °ádu 3.
1, 0, 0 • I = 0, 1, 0 0, 0, 1 1, 0, 0 • I = 0, 1, 0 0, 0, 1 1, 0, 0 • I = 0, 1, 0 0, 0, 1
1, 0, r3 ∼ 0, 0, r2 0, 1, · (α) α, ∼ 0, 0, 1, ∼ 0, +αr1 α,
0 1 = P23 ; 0 0, 0 1, 0 = M1 (α) ; 0, 1 0, 0 1, 0 = G13 (α) . 0, 1
Nyní vypo£teme matice P23 A, M1 (α) A a G13 (α) A :
1, 0, 0 a11 , a12 • P23 A = 0, 0, 1 a21 , a22 0, 1, 0 a31 , a32 α, 0, 0 a11 , • M1 (α) A = 0, 1, 0 a21 , 0, 0, 1 a31 , 1, 0, 0 a11 , • G13 (α) A = 0, 1, 0 a21 , α, 0, 1 a31 ,
a11 , a12 = a31 , a32 ; a21 , a22 a12 αa11 , αa12 a22 = a21 , a22 ; a32 a31 , a32 a12 a11 , a12 . a22 = a21 , a22 a32 αa11 + a31 , αa12 + a32
Napi²te inverzní matice k maticím elementárních transformací P23 , M1 (α) a G13 (α) z p°edchozího p°íkladu. P°íklad 2.
e²ení:
Matice elementárních transformací jsou regulární. Inverzní matici k dané elementární matici T obdrºíme z jednotkové matice pomocí té °ádkové operace, která matici T p°evede zp¥t na matici jednotkovou. Je tedy:
1, 0, 0 0, 0, 1 = P23 , P23 P23 = I; • P−1 23 = 0, 1, 0 1 α , 0, 0 0, 1, 0 = M1 α−1 , M1 α−1 M1 (α) = M1 (α) M1 α−1 = I; • M−1 1 (α) = 0, 0, 1 1, 0, 0 0, 1, 0 = G13 (−α) , G13 (−α) G13 (α) = G13 (α) G13 (−α) = I. • G−1 13 (α) = −α, 0, 1
Inverzní matice k elementárním maticím jsou op¥t elementární matice. Kontrolu správnosti výpo£tu nech´ si £tená° provede sám.
KAPITOLA 1.
P°íklad 3.
14
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
Najd¥te inverzní matici k matici
A
2, 1, 4 2, 5 , = 3, 0, −1, 1
a vyjád°ete pak matici A ve tvaru sou£inu elementárních matic.
e²ení:
Inverzní matici po£ítáme podle následujícího schématu:
1. Napí²eme si roz²í°enou matici [A | I] . 2. Uºitím Gauss-Jordanovy metody redukujeme [A | I] na [I | C] . Je-li redukce úsp¥²ná, je A−1 = C. V opa£ném p°ípad¥ matice A−1 neexistuje.
2, 1, 4 1, 0, 0 −2r2 2, 1, 4 1, 0, 0 1 − 3 , 1, 0 3, 2, 5 0, 1, 0 − 32 r1 ∼ 0, , −1 ∼ 2 2 0, −1, 1 0, 0, 1 +2r2 0, −1, 1 0, 0, 1
0, 6 4, −2, 0 2, −1, 0 −3r3 1, 0, 3 · 12 1 3 2, 0 +2r3 ∼ 1, 0 · (2) ∼ 0, 1, −2 −3, 2 , −1 − 2 , 0, 0, 1 3, −2, −1 0, −1 −3, 2, 1 · (−1)
2, 0, 0,
5, 3 1, 0, 0 −7, 0, 1, 0 3, −2, −2 . 0, 0, 1 3, −2, −1
Matice A je regulární, hledaná inverzní matice
A−1
−7, 5, 3 = 3, −2, −2 . 3, −2, −1
Nyní máme matici A napsat jako sou£in elementárních matic. ádkovým operacím, které transformují matici A na jednotkovou matici odpovídá osm elementárních matic:
1 1, 0, 0 1, −2, 0 1, 0, 0 2 , 0, 0 1, 0 , T3 = 0, 1, 0 , T4 = 0, 1, 0 , T1 = − 32 , 1, 0 , T2 = 0, 0, 0, 1 0, 2, 1 0, 0, 1 0, 0, 1
1, 0, 0 1, 0, 0 1, 0, −3 1, 0, 0 0 , T7 = 0, 1, 0 , T8 = 0, 1, 2 . T5 = 0, 2, 0 , T6 = 0, 1, 0, 0, 1 0, 0, −1 0, 0, 1 0, 0, 1 Transformaci matice A na jednotkovou matici, jak uº bylo °e£eno, m·ºeme realizovat pomocí násobení elementárními maticemi. Platí:
T8 · · · T2 T1 A
= I,
odtud
A
−1 −1 = T−1 1 T2 · · · T8 .
−1 Matice T−1 1 , . . . , T8 ur£íme postupem uvedeným v
p°íkladu 2
této podkapitoly.
1, 0, 0 1, 2, 0 1, 0, 0 2, 0, 0 0, 1, 0 , T−1 0, 1, 0 , T4−1 = 0, 1, 0 , = 23 , 1, 0 , T−1 2 = 3 = 0, 0, 1 0, −2, 1 0, 0, 1 0, 0, 1
T−1 1
(1.5)
KAPITOLA 1.
T−1 5
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
15
0, 0 1, 0, 0 1, 0, 3 1, 0, 0 1 , T−1 0, 1, 0, 1, 0 , T−1 0, 1, −2 . 0 , T−1 6 = 7 = 8 = 2, 0 0, 0, −1 0, 0, 1 0, 0, 1 0, 1
1, = 0, 0,
Te¤ uº jenom zbývá dosadit do vzorce (1.5). Pokud bychom cht¥li ov¥°it, ºe matice A se skute£n¥ rovná sou£inu T1−1 T2−1 · · · T−1 8 , nemusíme −1 v²echny tyto matice násobit. Uvedeme-li ve vzorci (1.5) jednotkovou matici, tj. A = T−1 1 · · · T8 I, pak je z°ejmé, ºe matici A m·ºeme také získat z jednotkové matice pomocí °ádkových úprav, které −1 odpovídají po °ad¥ maticím T−1 8 , . . . , T1 :
· (2) 2, 1, 0, 0 +3r3 1, 0, 3 1 0, 1, 0 −2r 0, 1, −2 0, · 2 ∼ I= 3 ∼ 0, 0, 1 0, 0, 1 0, · (−1)
0, 6 1 ∼ 2 , −1 −2r2 0, −1
2, 0, 6 2, 1, 4 +2r2 2, 1, 4 1 1 + 3 r1 ∼ 3, 0, 2, 5 = A. ∼ 0, 2 , −1 2 , −1 2 0, −1, 1 0, −1, 1 0, −1, 1
Vyjád°ení regulární matice ve tvaru sou£inu elementárních matic nemusí být jednozna£né. Redukci matice A na jednotkovou matici v p°ede²lé úloze jsme mohli také zahájit vynásobením prvního °ádku 21 a potom první °ádek vynásobený −3 p°i£íst k druhému °ádku. Poznámka.
P°íklad 4.
Pomocí inverzní matice °e²te soustavu rovnic
3x + y 4x + 2y −2x − y
e²ení:
− z − z + z
= = =
2 3 4.
Je-li matice soustavy A regulární, m·ºeme °e²ení soustavy vyjád°it ve tvaru x = A−1 b.
3, 1, −1 1, 0, 0 3, 1, −1 1, 0, 0 6, −3 0, 3, 0 −4r1 ∼ 2, −1 0, 1, 0 · (3) ∼ 12, [A | I] = 4, −2, −1, 1 0, 0, 1 · (3) −6, −3, 3 0, 0, 3 +2r1
3, 1, −1 1, 0, 0 1, 0, 0 +r2 3, 1, −1 0, 2, 1 −4, 3, 0 r3 ∼ 0, −1, 1 2, 0, 3 ∼ 0, −1, 1 2, 0, 3 r2 0, 2, 1 −4, 3, 0 +2r2
3, 0, 0 0, −1, 1 0, 0, 3
3, 0, 3 · 13 1, 0, 1 1, 0, 0 2, 0, 3 · (−1) ∼ 0, 1, −1 −2, 0, −3 +r3 ∼ 0, 3, 6 0, 0, 1 0, 1, 2 · 13
1, 0, 0 1, 0, 1 0, 1, 0 −2, 1, −1 = I | A−1 . 0, 0, 1 0, 1, 2
Inverzní matice existuje, takºe soustava
2 6 x 1, 0, 1 3, 1, −1 x 2 4, 2, −1 y = 3 má °e²ení y = −2, 1, −1 3 = −5 . 0, 1, 2 4 11 z −2, −1, 1 z 4
P°íklad 5.
Najd¥te £íslo λ tak, aby matice
B
2, 4, 2 = 1, λ, 3 1, 1, 2
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
16
byla regulární.
e²ení:
Pokusíme se o transformaci matice B na jednotkovou matici. P°íslu²né °ádkové operace uº nebudu uvád¥t.
2, 1, 1,
4, 2 1, 2, 1 1, 2, 1 1, 2, 1 −1, 1 ∼ 0, −1, 1 . λ, 3 ∼ 0, λ − 2, 2 ∼ 0, 1, 2 0, −1, 1 0, λ − 2, 2 0, 0, λ
Z poslední upravené matice je vid¥t, ºe transformace je moºná, je-li λ 6= 0. Matice B bude regulární pro kaºdé nenulové £íslo λ. P°íklad 6.
Ukaºte, ºe matice
A
=
a, b c, d
je regulární práv¥ tehdy, kdyº ad − bc 6= 0.
e²ení: • Nech´ matice A je regulární. Pak alespo¬ jedno z £ísel a nebo c je r·zné od nuly. Bez újmy na obecnosti p°edpokládejme, ºe a 6= 0. P°istupme k redukci A na I : b b a, b 1, 1, 1, 0 1, ab 1, ab a a ∼ ∼ ∼ ; ∼ ∼ c, d 0, 1 c, d 0, 1 0, d − bc 0, ad−bc a a redukce musí být úsp¥²ná, a tudíº ad − bc 6= 0.
• Nech´ naopak ad − bc 6= 0. Pak op¥t £ísla a, c nemohou být sou£asn¥ nulová. To ov²em znamená, ºe matici A m·ºeme úsp¥²n¥ redukovat na matici jednotkovou, a tedy A je regulární. P°íklad 7.
Dokaºte, ºe platí toto tvrzení: Nech´ A a C jsou £tvercové matice °ádu n. Potom
AC = I práv¥ tehdy, kdyº CA = I.
e²ení: • Je-li AC = I, pak soustava rovnic Ax = b má °e²ení pro libovolný vektor pravých stran b. Tímto °e²ením je vektor x = Cb : A (Cb) = (AC) b = Ib = b. Ozna£me T1 , . . . , Tk matice elementárních transformací, které redukují matici A na matici H, kde H je v normovaném schodovém tvaru, tj. Tk · · · T1 A = H. Ukáºeme, ºe H je jednotková matice. Kdyby tomu tak nebylo, musela by mít matice H poslední °ádek nulový, a tudíº soustava Hx = en , T kde en = [0, . . . , 0, 1] , by nem¥la °e²ení. Pak by ale nem¥la °e²ení také p·vodní soustava −1 −1 Ax = T1 · · · Tk en , coº je spor s tím, co jsme v úvodu ukázali. Existuje tedy matice D = Tk · · · T1 taková, ºe DA = I. Jenºe D = DI = D (AC) = (DA) C = IC = C, takºe CA = I. • Je-li naopak CA = I, pak postupujeme jako v první £ástí s tím, ºe zam¥níme úlohy matic A a C. Cvi£ení:
1. Vypo£t¥te inverzní matice k t¥mto maticím:
3, −2, 0, −1 1, −2, 3 1, 0, 1 0, 2, 2, 1 1 ; C = A = 2, −1, 1 ; B = 0, 1, 1, −2, −3, −2 . 4, −5, 7 0, 0, −1 0, 1, 2, 1
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
17
2. Soustavu lineárních rovnic °e²te uºitím inverzní matice:
x1 + 3x2 − 2x3 = 1 2x1 + 5x2 − 3x3 = 2 −3x1 + 2x2 − 4x3 = −1; x1 + 3x2 + 4x3 = 1 6 b) −2x1 − 5x2 − 3x3 = x1 + 4x2 + 9x3 = −8.
a)
3. Matici
1, 0, 0 L = 1, 2, 0 1, 2, 3 napi²te ve tvaru sou£inu elementárních matic. 4. Dokaºte, ºe pro kaºdou regulární matici A a libovolné £íslo α 6= 0 platí −1
(αA)
= α−1 A−1 .
5. Ur£ete v²echna £ísla θ, pro která je matice
3, C = 1, −1,
5, −1 2 θ, 3 1 1 3, 3
regulární. 6. Najd¥te n¥kolik p°íklad· regulárních matic 2. stupn¥ takových, ºe A = A−1 . 7. Rozhodn¥te, které z následujících tvrzení je pravdivé (P) nebo nepravdivé (N). O maticích p°edpokládáme, ºe mají vhodný rozm¥r. a) Je-li AC = BC a C je regulární, pak A = B; b) Je-li AB = O a B je regulární, pak A = O; c) Kaºdá regulární matice je sou£inem elementárních matic; −1 d) Jsou-li matice A, B regulární, pak (AB) = A−1 B−1 ; e) Je-li AB = C a dv¥ z t¥chto matic jsou regulární, pak i t°etí matice je regulární; f) Je-li AB = C a dv¥ z t¥chto matic jsou singulární, pak i t°etí matice je singulární;
−1
T
−1
= A; g) Je-li matice A regulární, pak AT = A−1 a A−1 −1 h) Pro kaºdou elementární permuta£ní matici Pij platí: Pij = PT ij . Výsledky:
1, 1, −2, −4 0, 1, 0, −1 . 1. A−1 neexistuje; B−1 = B; C−1 = −1, −1, 3, 6 2, 1, −6, −10 1 −1 x1 14, −8, −1 1 2 = 2 ; 2. a) x = x2 = −17, 10, −19, 11, 1 −1 2 x3 b) matice soustavy je singulární, soustavu nelze °e²it uºitím inverzní matice. 3. L = G12 (1) G13 (1) G23 (1) M2 (2) M3 (3) =
1, 0, 0 1, 0, 0 1, 0, 0 1, 0, 0 1, 0, 0 = 1, 1, 0 0, 1, 0 0, 1, 0 0, 2, 0 0, 1, 0 . 0, 0, 1 1, 0, 1 0, 1, 1 0, 0, 1 0, 0, 3
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
18
4. Návod: drºte se denice inverzní matice. 5. Matice je regulární pro libovolné £íslo θ. 6. Nap°íklad:
0, 1 1, 0
1, 1 −6, −7 1, 0 , , , ,... 0, −1 5, 6 50, −1
Nápov¥da: ur£ete inverzní matici k matici
A A
−1
=
1 d
a22 , −a12 −a21 , a11
=
a11 , a21 ,
a12 a22
;
6= 0 .
, d = a11 a22 − a21 a12
7. a) P; b) P; c) P; d) N; e) P; f) N; g) P; h) P. 1.5
Trojúhelníkový rozklad
tvercovou matici
u11 , 0, U = . .. 0,
u12 , . . . , u22 , . . . , .. .
..
0,
...,
jeº má pod hlavní diagonálou samé nuly, nazýváme matici
l11 , l21 , L = . .. ln1 ,
0, l22 ,
.
u1n u2n .. , . unn
horní trojúhelníkovou maticí.
..., ...,
.. .
..
ln2 ,
...,
.
tvercovou
0 0 .. , . lnn
jeº má nad hlavní diagonálou samé nuly, nazveme dolní trojúhelníkovou maticí. Matice P, kterou m·ºeme získat z jednotkové matice I postupnou vým¥nou °ádk·, se nazývá permuta£ní matice.
Libovolná permuta£ní matice P se dá napsat jako sou£in elementárních permuta£ních matic, p°i£emº platí P−1
= PT .
(1.6)
Kaºdá vým¥na sloupc· v matici A odpovídá vynásobení matice A zprava vhodnou elementární permuta£ní maticí: Je-li tedy B = APij , pak B je matice, jeº vznikne z matice A vým¥nou i-tého a j -tého sloupce.
Kaºdou £tvercovou regulární matici A m·ºeme vyjád°it ve tvaru A
e = LUP,
(1.7)
e je permuta£ní matice. kde L je dolní trojúhelníková matice, U je horní trojúhelníková matice a P e Vyjád°ení matice A ve tvaru (1.7) se nazývá LU rozklad matice A. P°íslu²né matice L, U a P najdeme následujícím zp·sobem:
1. Sestavíme roz²í°enou matici [A | I] a je²t¥ jednou matici I.
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
h
19
i
Po°adí °ádku nezam¥¬ujeme a vºdy p°i£ítáme násobek °ádku s niº²ím indexem k °ádku s vy²²ím indexem!
e , kde L e =L−1 . 2. Pomocí °ádkových operací redukujeme [A | I] na U | L
e = I. Je-li p°i redukci A na U nutná Není-li p°i redukci zapot°ebí vym¥¬ovat sloupce, je P i vým¥na sloupc·, pouºijeme stejných vým¥n sloupc· k transformaci matice I na permuta£ní e = PT . matici P. V tomto p°ípad¥ P e −1 . 3. Nakonec vypo£teme známým zp·sobem matici L = L e²ení soustavy rovnic Ax = b s regulární maticí A pomocí LU rozkladu pak spo£ívá v tom, ºe soustavu p°epí²eme do tvaru
e L U Px
= b
e = y, Uy = z. e²ení soustavy se tak rozpadne na °e²ení t°í soustav a poloºíme Px e = y. Lz = b, Uy = z, Px
LU rozklad není jednozna£ný. Záleºí na tom, jak volíme diagonální prvky matice L :
Poznámka 1.
%
2, 9 1, 4
1, 0 1 2, 1
2, 9 0, − 21
= &
P°íklad 1.
1, 1 2,
0 1 2
2, 9 0, −1
.
Uºitím LU rozkladu °e²te soustavu
2x1 6x1 2x1
e²ení:
(1.8)
+ + −
x2 3x2 x2
− 3x3 − 8x3 + 5x3
= −2 = −5 = 8.
e Ozna£íme A matici soustavy a p°istoupíme k výpo£tu matic L, U, P.
h i e : • Úprava [A | I] na U | L 1, 0, 0 2, 1, −3 1, 0, 0 2, 1, −3 0, 1 −3, 1, 0 ∼ 3, −8 0, 1, 0 −3r1 ∼ 0, [A | I] = 6, 2, −1, 5 0, 0, 1 −r1 0, −2, 8 −1, 0, 1 s3 s2 1, 0, 0 2, −3, 1 1, 0, 0 2, −3, 1 h i e . 0, 1, 0 = U | L 1, 0 −3, 1, 0 −3, 1, 0 ∼ 0, 0, 8, −2 −1, 0, 1 −8r2 0, 0, −2 23, −8, 1 e: • Výpo£et permuta£ní matice P 1, 0, 0 1, 0, 0 1, 0, 0 e I = 0, 1, 0 ∼ 0, 0, 1 = P, PT = 0, 0, 1 = P. 0, 1, 0 0, 0, 1 0, 1, 0 s3 s2 • Výpo£et matice L : 1, 0, 0 1, 0, 0 1, 0, 0 1, 0, 0 h i e | I = −3, 1, 0 3, 1, 0 1, 0 0, 1, 0 +3r1 ∼ 0, L ∼ 23, −8, 1 0, 0, 1 −23r1 0, −8, 1 −23, 0, 1 +8r2
KAPITOLA 1.
20
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
1, 0, 0 1, 0, 0 0, 1, 0 3, 1, 0 = [I | L] . 0, 0, 1 1, 8, 1
Nakonec p°istoupíme k °e²ení rovnic (1.8):
z1 = −2 1, 0, 0 −2 2, −3, 1 1, 0 Lz = b : 3, 1, 0 −5 z2 = 1 , Uy = z : 0, 1, 8, 1 8 z3 = 2 0, 0, −2
−2 y1 = 1 1 y2 = 1 , 2 y3 = −1
1, 0, 0 1 x1 = 1 e = y : 0, 0, 1 x3 = 1 , °e²ení soustavy je x1 = 1, x2 = −1 a x3 = 1. 1 Px 0, 1, 0 −1 x2 = −1
Poznámka 2.
h
i
e provádíme jen v matici P°ípadnou vým¥nu sloupc· p°i úprav¥ [A | I] na U | L
A nebo upravené matici A. K úprav¥ sta£ila pouze jediná vým¥na sloupc·, a tudíº p°íslu²ná e je elementární permuta£ní maticí. Pokud LU rozklad má poslouºit pouze permuta£ní matice P e =L−1 , m·ºeme k °e²ení soustavy, nemusíme vy£íslit matici L explicitn¥. Vzhledem k tomu, ºe L e vyjád°it °e²ení první soustavy (1.8) ve tvaru z = Lb : 1, 0, 0 −2 −2 −3, 1, 0 −5 = 1 . 23, −8, 1 8 2 P°íklad 2.
Najd¥te trojúhelníkový (LU) rozklad matice
A
0, −1, 1, 0 −1, 4, −4, 3 . = 1, −2, 0, 3 5, −8, 4, 0
e²ení: h i e : • Redukce [A | I] na U | L A 0, −1, 1, 0 1, −1, 4, −4, 3 0, 1, −2, 0, 3 0, 5, −8, 4, 0 0, s3 s1 1, −1, 0, 0 1, 0, 4, 0, −1, 3 0, −2, 1, 3 0, 0, −4, 5, 0 −4, s3 s2 1, 0, −1, 0 1, 0, −1, 0, 3 4, 0, 0, −2, 6 4, 0, 0, −4, 15 16,
I 0, 1, 0, 0,
0, 0, 1, 0,
0 1, −1, 0, 0 1, 0 4, −1, 3 0, ∼ −4, 0 0, −2, 1, 3 0, 1 4, −8, 5, 0 0,
0, 1, 0, 0,
0, 0, 1, 0,
0 0 +4r1 ∼ 0 1 −4r1
0, 1, 0, 0,
0, 0, 1, 0,
0 1, 0, −1, 0 0, −1, 0 0, 3 ∼ 0 0, 1, −2, 3 1 0, 5, −4, 0
1, 4, 0, −4,
0, 1, 0, 0,
0, 0, 1, 0,
0 0 ∼ 0 +r2 1 +5r2
0, 1, 1, 5,
0, 0, 1, 0,
U 0 1, 0, −1, 0 0, −1, 0 0, 3 ∼ 0, 0 0, −2, 6 1 −2r3 0, 0, 0, 3
1, 4, 4, 8,
e L 0, 0, 1, 0, 1, 1, 3, −2,
0 0 . 0 1
KAPITOLA 1.
21
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
• Odvození permuta£ní matice 1, 0, 0, 0 0, 0, 1, 0, 0 0, I= 0, 0, 1, 0 ∼ 1, 0, 0, 0, 1 0, s3 s1 0, 0, 1, 0 1, 0, 0, 0 e PT = 0, 1, 0, 0 = P. 0, 0, 0, 1
e: P 0, 1, 0, 0, s3
1, 0, 0, 0, s2
0 0, 1, 0, 0, 0 ∼ 0 1, 0, 1 0, 0,
0 0 = P, 0 1
0, 1, 0, 0,
• Vy£íslení matice L :
1, 4, 4, 8,
1, 0, 0, 0,
e L 0, 0, 1, 0, 1, 1, 3, −2,
0 0 0 1
I
0, 0, 1, 0, 0, 1, 0, −2,
0 0 0 1
1, 0, 0, −4, 1, 0, 0, −1, 1, 4, −3, 0,
1, 0, 0, 0,
0, 1, 0, 0,
0, 0, 1, 0,
1, 0, 0, 0 0, 1, 0, 0 −4r 1 ∼ 0, 1, 0 −4r1 1, 0, 3, −2, 1 −8r1 0 1, 0, 0 ∼ 0, 0 1 +2r3 0,
0 0 0 1
1, 0, 0, −4, 1, 0, −4, 0, 1, −8, 0, 0,
I 0, 1, 0, 0,
0, 0, 1, 0,
0 0 0 1
0 0 ∼ 0 −r2 −3r2 1
L 1, 0, 0, −4, 1, 0, 0, −1, 1, 4, −5, 2,
0 0 . 0 1
e m·ºeme je²t¥ pro kontrolu dosadit do vzorce (1.7). Platí: Vypo£tené matice L , U a P
0, −1, 1, 0 1, 0, 0, −1, −4, 4, −4, 3 1, 0, = 1, −2, 0, −1, 1, 0, 3 5, −8, 4, 0 4, −5, 2,
0 1, 0, −1, 0 0, −1, 0 0, 3 0 0, 0, −2, 6 1 0, 0, 0, 3
0, 0, 1, 0,
1, 0, 0, 0,
0, 1, 0, 0,
0 0 . 0 1
Prvky matice L se aº na znaménko shodují s multiplikátory °ádkových operací redukujících matici A na matici U. P°esn¥ji °e£eno, jestliºe jsme p°i redukci A na U p°i£etli k °ádku rj α-násobek °ádku ri , je odpovídající prvek lji matice L roven −α. M·ºeme tedy soub¥ºn¥ s úpravou matice A na matici U generovat matici L : Vyjdeme z jednotkové matice I stejného stupn¥. Je-li b¥hem úpravy A na U k j-tému °ádku p°i£ten α-násobek i-tého °ádku, nahradíme nulu na míst¥ (j,i) upravované jednotkové matice £íslem −α. Ukáºeme si to na p°íkladu matice ¯ abychom se uº A z p°ede²lé úlohy. Místo matice A budeme ale redukovat hned matici AP = A, nemuseli zabývat vým¥nami sloupc·. Pozorování.
0, −1, 1, 0 0, 1, 0, 0, −1, 4, −4, 3 AP = 1, −2, 0, 3 1, 0, 5, −8, 4, 0 0, 0,
¯ Redukce matice A
1, 0, −1, 0, −4, −1, 4, 3, r2 + 4r1 ∼ 0, 1, −2, 3, 4, 5, −8, 0 r4 − 4r1
0, 1, 0, 0,
0 1, 0, −1, 0 −4, −1, 0 4, 3 = 0 0, 1, −2, 3 1 4, 5, −8, 0
= A. ¯
Generování matice L
1, 0, 0, 0,
0, 1, 0, 0,
0, 0, 1, 0,
0 0 −4 → l21 0 1 4 → l41
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
1, 0, −1, 0 0, −1, 0, 3 ∼ 0, 1, −2, 3 r3 + 1r2 r4 + 5r2 0, 5, −4, 0
1, −4, 0, 4,
0, 1, 0, 0,
0, 0, 1, 0,
0 0 0 −1 → l32 −5 → l42 1
1, 0, −1, 0 0, −1, 0, 3 ∼ 0, 0, −2, 6 0, 0, −4, 15 r4 − 2r3
1, 0, 0, −4, 1, 0, 0, −1, 1, 4, −5, 0,
0 0 0 1 2 → l43
0 0 . 0 1
1, 0, −1, 0 0, −1, 0, 3 =U 0, 0, −2, 6 0, 0, 0, 3
1, 0, 0, −4, 1, 0, L= 0, −1, 1, 4, −5, 2,
22
Není obtíºné zd·vodnit, ºe tímto zp·sobem vºdy dostaneme dolní trojúhelníkovou matici L. Nech´ T1 , . . . , Tk jsou elementární matice, které odpovídají °ádkovým operacím ¯ = AP na matici U. Platí transformujícím matici A, resp. A Poznámka 3.
Tk Tk−1 · · · T1 AP
= U.
(1.9)
¯ má b¥hem úpravy (nenulové) vedoucí prvky pokaºdé tam, kde Vzhledem k tomu, ºe matice A i−1 je pot°ebujeme, jsou v²echny matice T1 , . . . , Tk dolní trojúhelníkové matice Gij −¯ aji /¯ ai−1 ii −1 −1 (i = 1, . . . , n −1; j = i+1, . . . , n), a tudíº i matice inverzní T1 , . . . , Tk jsou dolní trojúhelníkové i−1 i−1 ¯ji /¯ aii , jejichº sou£inem je dolní trojúhelníková matice L. Ze vztahu (1.9) totiº matice Gij a máme
AP
−1 = T1−1 · · · T−1 k−1 Tk U, | {z } L
takºe −1 L = T1−1 · · · T−1 k−1 Tk I.
(1.10)
Podle (1.10) získáme tedy matici L z jednotkové matice I uºitím °ádkových operací, které od−1 −1 povídají postupn¥ maticím T−1 k , Tk−1 , . . . , T1 . Nech´ Tk = Gn−1n (α) je matice poslední ele¯ na mentární transformace (α-násobek °ádku rn−1 p°i£teme k °ádku rn ) p°i redukci matice A −1 matici U. Odtud matice Tk I = Gn−1n (−α) vznikne z jednotkové matice I zám¥nou nuly −1 v pozici (n, n − 1) £íslem −α. Podobn¥, je-li Tk−1 = Gn−2n (β) , pak sou£inem T−1 k−1 Tk je matice Gn−2n (−β) Gn−1n (−α) , která se rovná matici, jeº vznikne z Gn−1n (−α) p°i£tením (−β)-násobku °ádku rn−2 k °ádku rn . Jeºto matice Gn−1n (−α) má na míst¥ (n − 2, n − 2) prvek 1, zatímco ostatní prvky °ádku jsou nulové, bude mít matice Gn−2n (−β) Gn−1n (−α) na míst¥ (n, n − 2) −1 −1 £íslo −β. Dále je pak obsazena pozice (n − 1, n − 2). Vypo£teme-li sou£in T−1 T T , kde k−2 k−1 k
T−1 k−2 = Gn−2n−1 (−γ) , objeví se ve výsledné matici na míst¥ (n−1, n−2) £íslo −γ, atd. Takovým zp·sobem jsou generovány prvky matice L, aniº by se pozm¥nily prvky jiº vygenerované. To znamená, ºe matici L m·ºeme skute£n¥ vytvá°et z jednotkové matice I spolu s úpravou matice A na matici U tím, ºe v ní obsazujeme p°íslu²ná místa pod hlavní diagonálou multiplikátory °ádkových operací s opa£ným znaménkem. Cvi£ení:
1. Ur£ete permuta£ní matici P tak, aby AP = B, jestliºe
1, 2, −1 2, −1, 2, 7, 2 , B = 7, A = 3, 4, −2, 1 −2, 1,
1 3 . 4
KAPITOLA 1.
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
23
2. Najd¥te permuta£ní matici P, matice L a U tak, aby AP = LU, je-li a) A =
2, −1 6, −5
;
4, 6, 1 b) A = 2, 3, 1 . 1, 1, 1 3. Lineární systémy Ax = b °e²te pomocí LU rozkladu:
1, 2, −1 −3 7, 2 , b = 1 ; a) A = 3, 4, −2, 1 −2
1, 2, b) A = −1, 1,
1, −1, −2 2, −1, 1 , b = 2, 1, −4 4, 2, 1
8 5 ; 10 5
1, −4, 1, −2 −9 0, 2, −1, 1 6 , b = . c) A = 2, −7, −2, 1 10 0, 3, 0, −4 −16
4. Matici L z
p°íkladu 2
této podkapitoly napi²te jako sou£in elementárních matic.
5. e²te soustavu A2 x = b, pro
2, −1, 0 −2 A = 4, −1, 2 , b = 14 . −6, 2, 0 12 6. e²te soustavu A3 x = b, je-li
−1, 0, 1 27 A = 3, 1, 0 , b = 29 . −2, 0, 4 122 7. Budiº L (U) dolní (horní) trojúhelníková matice. Ozna£te, které z následujících tvrzení je pravdivé (P) nebo nepravdivé (N): a) Kaºdou £tvercovou matici A lze rozloºit na sou£in LU; b) Kaºdou regulární matici A m·ºeme rozloºit na sou£in LU; e kde P e je permuta£ní matice; c) Kaºdou regulární matici A lze vyjád°it jako sou£in LUP, d) Lineární systém LUx = b °e²íme nejprve dop°ednou substitucí a pak zp¥tnou substitucí; e) K výpo£tu LU rozkladu je zapot°ebí asi 21 po£tu násobení neº k výpo£tu inverzní matice;
e f) Existuje pouze jediný rozklad dané regulární matice A na sou£in LUP. Výsledky:
0, 0, 1 1. P = 1, 0, 0 . 0, 1, 0
KAPITOLA 1.
2. a) P =
24
MATICE A EENÍ SOUSTAV LINEÁRNÍCH ROVNIC
1, 0 0, 1
,L=
1, 0 3, 1
,U=
2, −1 0, −2
1, 0, 0 1, 0, 0 b) P = 0, 0, 1 , L = 12 , 1, 0 , U = 1 3 0, 1, 0 4, 2, 1 1, 0, 0 1, 2, −1 e = I, L = 3, 5 1, 0 , U = 0, 1, 3. a) P 4, −10, 1 0, 0, 55
1, 0, e b) P = 0, 0,
0, 0, 1, 0,
0 1, 0, 0 , L = 2, 1, −1, 0, 0 1 1, 3,
0, 1, 0, 0,
0, 0, 1, 1,
; 1, 6 1 0 . 2, 1 0, − 2 −1 , x = 0 ; 2
4, 0, 0,
0 0 , U = 0 1
1, −1, 1, −2 0, 1, 0, 5 , 0, 0, 3, −6 0, 0, 0, −6
T
x = [1, 2, −1, −2] .
1, 0, e = I, L = c) P 2, 0,
0, 0, 1, 0, 1 , 1, 2 3 3 2, −7,
0 0 , U = 0 1
1, −4, 1, −2 1 0 0, 2, −1, 1 9 , x = 0, 0, − 72 , −2 2 4 0, 0, 0, − 25 7
.
4. L = G12 (−4) G14 (4) G23 (−1) G24 (−5) G34 (2) =
1, −4, = 0, 0,
1, 0, × 0, 0,
0, 1, 0, 0, 0, 1, 0, 0,
0, 0, 1, 0, 0, 0, 1, 2,
0 1, 0, 0, 1, 0 0 0, 0, 1 4, 0,
0, 0, 1, 0,
0 1, 0, 0, 0, 0 1, 0, 0 0, −1, 1, 1 0, 0, 0,
0 1, 0, 0, 0 1, 0 0, 0, 1 0, −5,
0, 0, 1, 0,
0 0 × 0 1
0 0 . 0 1
T
5. x = [−2, 0, 1] ; návod: poloºte y = Ax a soustavu Ay = b °e²te uºitím LU rozkladu. T
6. x = [−1, 2, 2] . 7. a) N; b) N; c) P; d) P; e) P; f) N.
Kapitola 2
Vektorové prostory Mnoºina V prvk· u, v, w, . . . se nazývá
vektorový prostor, má-li následující vlastnosti:
• Jsou-li u, v ∈ V libovolné prvky a je-li α libovolné £íslo (reálné nebo komplexní), pak také sou£et u + v a skalární násobek αu pat°í do V, • v mnoºin¥ V existuje prvek o a ke kaºdému prvku u ∈ V existuje prvek −u ∈ V, p°i£emº pro v²echna u, v, w ∈ V a £ísla α, β ∈ R (C) platí následující podmínky: V1 V2 V3 V4 V5 V6 V7 V8
(u + v) + w = u + (v + w) ; u + v = v + u; u + o = u; u + (−u) = o; α (u + v) = αu + αv; (α + β) u = αu + βu; α (βu) = (αβ) u; 1u = u.
Prvky mnoºiny V nazýváme vektory. Reálná, resp. komplexní £ísla nazýváme skaláry. Je-li mnoºinou skalár· mnoºina reálných (komplexních) £ísel, mluvíme o reálném (komplexním) vektorovém prostoru. Vektor o se nazývá nulový vektor a vektor −u opa£ný vektor k vektoru u. Neprázdnou podmnoºinu W vektorového prostoru nazveme podprostorem prostoru V, jestliºe je sama vektorovým prostorem vzhledem k operacím s£ítání vektor· a násobení vektoru skalárem denovanými na V. Reálné aritmetické vektory zavedené v podkapitole 1.1 s operacemi s£ítání vektor· a násobení vektoru skalárem po sloºkách tvo°í vektorový prostor, který se nazývá aritmetický vektorový prostor.
P°íklad 1.
Bu¤ V = R2 mnoºina v²ech uspo°ádaných dvojic reálných £ísel. Denujme s£ítání uspo°ádaných dvojic a násobení uspo°ádané dvojice skalárem následovn¥: P°íklad 2.
• [x, y] ⊕ [r, s] = [x + r, 2y + s] ; • α [x, y] = [αx, αy] . Je mnoºina V pro takto denované s£ítání a násobení skalárem vektorový prostor?
25
KAPITOLA 2.
26
VEKTOROVÉ PROSTORY
e²ení:
Ov¥°íme platnost axiom· V1 - V8 vektorového prostoru. Poloºme u = [x, y] , v = [r, s] a w = [a, b] . Za£neme axiomem V1. Má platit
(u ⊕ v) ⊕ w
= u ⊕ (v ⊕ w) .
(u ⊕ v) ⊕ w = ([x, y] ⊕ [r, s]) ⊕ [a, b] = [x + r, 2y + s] ⊕ [a, b] = [x + r + a, 4y + 2s + b] . u ⊕ (v ⊕ w) = [x, y] ⊕ ([r, s] ⊕ [a, b]) = [x, y] ⊕ [r + a, 2s + b] = [x + r + a, 2y + 2s + b] . Axiom V1 neplatí,
(u ⊕ v) ⊕ w 6= u ⊕ (v ⊕ w) , mnoºina V není vektorový prostor. Operaci s£ítání uspo°ádaných dvojic jsme ozna£ili ” ⊕ ”, abychom ji odli²ili od s£ítání po sloºkách. Ukaºte, ºe neprázdná podmnoºina W vektorového prostoru V je podprostorem prostoru V, práv¥ kdyº spl¬uje následující podmínky:
P°íklad 3.
(1) Jestliºe u, v ∈ W, pak u + v ∈ W. (2) Jestliºe α ∈ R a u ∈ W, pak αu ∈ W.
e²ení:
Je-li W vektorový podprostor, tak podmínky (1) a (2) jsou samoz°ejm¥ spln¥ny. Nech´ W vyhovuje podmínkám (1) a (2). Poloºíme-li α = −1, pak vzhledem k (2) −1u = −u ∈ W a podle (1) u + (−u) = o ∈ W, takºe opa£ný vektor i nulový vektor pat°í do W. Ostatní axiomy vektorového prostoru vzhledem k tomu, ºe W ⊂ V, musí v mnoºin¥ W platit pochopiteln¥ také. P°íklad 4.
Bu¤ F vektorový prostor v²ech reálných funkcí reálné prom¥nné x spolu s operacemi
• s£ítání: pro kaºdé f, g ∈ F a libovolné x ∈ R klademe (f + g) (x) = f (x) + g (x); • skalární násobení: pro kaºdé f ∈ F, α ∈ R a libovolné x ∈ R klademe (αf ) (x) = αf (x). Ukaºte, ºe mnoºina
F0 = {f ∈ F : f (0) = 0} je podprostorem prostoru F.
e²ení:
Jak jsme ukázali v p°ede²lé úloze, sta£í ov¥°it, ºe mnoºina F0 ⊂ F je uzav°ena vzhledem ke s£ítání vektor· a násobení vektoru skalárem, tj.
f, g ∈ F0
⇒
f + g ∈ F0 ,
α ∈ R ∧ f ∈ F0
⇒
αf ∈ F0 .
Nech´ tedy f, g ∈ F0 a α ∈ R. Potom
(f + g) (0)
=
f (0) + g (0) = 0,
(αf ) (0)
=
αf (0) = 0,
takºe f + g ∈ F0 a αf ∈ F0 . Mnoºina F0 je vektorový podprostor. Dokaºte, ºe lineární obal mnoºiny S = {v1 , v2 , . . . , vk } vektor· prostoru V tvo°í vektorový podprostor prostoru V.
P°íklad 5.
e²ení: Lineární obal mnoºiny S (ozna£ujeme hSi) je mnoºina v²ech vektor·, které se dají vyjád°it ve tvaru
u = α1 v1 + α2 v2 + · · · + αk vk ; α1 , . . . , αk ∈ R.
KAPITOLA 2.
27
VEKTOROVÉ PROSTORY
Nech´ tedy u, v ∈ hSi , α ∈ R. Z°ejm¥ v = β1 v1 + β2 v2 + · · · + βk vk , odtud
u+v
=
αu =
(α1 + β1 ) v1 + · · · + (αk + βk ) vk ∈ hSi , (αα1 ) v1 + · · · + (ααk ) vk ∈ hSi .
Lineární obal hSi je uzav°en vzhledem ke s£ítání vektor· a násobení vektoru skalárem, a tudíº tvo°í vektorový podprostor v prostoru V. Poznámka.
rový prostor
Lineární obal mnoºiny S = {v1 , . . . , vk } je v literatu°e £asto ozna£ován jako vektovektory v1 , . . . , vk a pí²e se hSi = hv1 , . . . , vk i .
generovaný
Pozorování.
Snadno ov¥°íme, ºe S ⊂ hSi : Pro kaºdý vektor vi ∈ S; i ∈ {1, . . . , k} , totiº platí
vi = α1 v1 + · · · + αi vi + · · · + αk vk , αj = 1 j=i kde klademe , je-li ; j = 1, . . . , k. To znamená, ºe vi ∈ hSi . αj = 0 j 6= i Cvi£ení:
1. Bu¤ V = R2 mnoºina v²ech uspo°ádaných dvojic reálných £ísel. Denujme s£ítání uspo°ádaných dvojic a násobení uspo°ádané dvojice skalárem:
[x, y] + [r, s] = [x + r, y + s] ; α [x, y] = [0, 0] . Tvo°í mnoºina R2 spolu s t¥mito operacemi vektorový prostor? 2. Ukaºte, ºe mnoºina M2 (R) v²ech reálných £tvercových matic °ádu 2 je vektorový prostor vzhledem ke s£ítání matic a násobení matice skalárem ve smyslu podkapitoly 1.2. 3. Nech´ je dán vektorový prostor R2 s operacemi s£ítání vektor· a násobení vektoru skalárem po sloºkách. Bu¤ W = [x, y] ∈ R2 : x = y . Je mnoºina W podprostorem vektorového prostoru R2 ? 4. Budiº dán vektorový prostor R2 jako v minulé úloze. Nech´ U = Tvo°í mnoºina U podprostor v R2 ?
[x, y] ∈ R2 : y = x + 1 .
5. Budiº dána soustava homogenních rovnic Ax = o, kde A = [aik ]m×n . Je mnoºina v²ech °e²ení homogenní soustavy podprostorem vektorového prostoru Rn ? 6. Dokaºte, ºe mnoºina F1 v²ech reálných funkcí f takových, ºe f (0) = 1, není podprostorem vektorového prostoru F v²ech reálných funkcí. Výsledky:
1. Ne. Neplatí axiom V8. 2. Mnoºina M2 (R) je uzav°ena vzhledem k operacím s£ítání a skalární násobení, které vyhovují axiom·m V1 - V8 (viz vlastnosti maticových operací v podkapitole 1.2 ). 3. Ano. 4. Ne. 5. Ano. 6. P°i °e²ení úloh 3 - 6 postupujte ve shod¥ s
p°íkladem 3
této podkapitoly.
KAPITOLA 2.
2.1
28
VEKTOROVÉ PROSTORY
Lineární kombinace, závislost a nezávislost vekror·. Báze vektorového prostoru, sou°adnice vektoru, dimenze.
íkáme, ºe vektor v je ºe
lineární kombinací v
Mnoºina vektor· S = {v1 , . . . , vk } je
vektor· v1 , . . . , vk , existují-li takové skaláry α1 , . . . , αk ,
= α1 v1 + · · · + αk vk .
lineárn¥ nezávislá, jestliºe rovnice
α1 v1 + · · · + αk vk
(2.1)
= o
má pouze triviální °e²ení, tj. α1 = · · · = αk = 0. Má-li rovnice (2.1) i jiné °e²ení neº triviální, tzn. alespo¬ jeden ze skalár· α1 , . . . , αk je nenulový, je moºina S lineárn¥ závislá. Nekone£ná mnoºina vektor· S = {v1 , v2 , . . .} je lineárn¥ nezávislá, je-li kaºdá její kone£ná podmnoºina lineárn¥ nezávislá.
Mnoºina nenulových vektor· S = {v1 , . . . , vn } je lineárn¥ závislá, práv¥ kdyº jeden z nich je lineární kombinací p°edcházejících. Mnoºina E vektor· vektorového prostoru V se nazývá báze vektorového prostoru V, jestliºe platí:
• E je lineárn¥ nezávislá. • Kaºdý vektor v ∈ V lze vyjád°it jako lineární kombinaci vektor· mnoºiny E.
Je-li E = (e1 , . . . , en ) uspo°ádaná báze vektorového prostoru V, pak kaºdý vektor v ∈ V se dá jednozna£n¥ napsat ve tvaru v
(2.2)
= v1 e1 + · · · + vn en .
ísla v1 , . . . , vn z rovnice (2.2) nazýváme sou°adnice vektoru v vzhledem k uspo°ádané bázi E T a zapisujeme je n¥kdy jako sloupcový aritmetický vektor [v]E = [v1 , . . . , vn ] . Po£et vektor· báze udává dimenzi vektorového prostoru. Je-li báze kone£ná (nekone£ná ), mluvíme o kone£n¥rozm¥rném (nekone£n¥rozm¥rném) vektorovém prostoru. Vyjád°ete vektor u = [1, 3, 1] jako lineární kombinaci vektor· u1 = [2, 1, 1] , u2 = [1, 1, 2] a u3 = [0, 1, 1] vektorového prostoru R3 .
P°íklad 1.
e²ení:
Hledáme takové skaláry α1 , α2 , α3 , aby platilo
α1 u1 + α2 u2 + α3 u3
= u.
Po dosazení za jednotlivé vektory obdrºíme porovnáním p°íslu²ných sloºek soustavu rovnic
2α1 α1 α1 jeº má °e²ení α1 =
3 2,
+ α2 + α2 + 2α2
= 1 = 3 = 1,
+ α3 + α3
α2 = −2, α3 = 27 , tedy u = 23 u1 + (−2) u2 + 27 u3 . 2
Ukaºte, ºe polynomy p1 (x) = 1, p2 (x) = x + 1, p3 (x) = (x + 1) jsou lineárn¥ nezávislé a napi²te polynom p (x) = 3x2 − 4x + 5 jako lineární kombinací polynom· p1 , p2 , p3 . P°íklad 2
e²ení:
Sestavíme rovnici (2.1) pro zadané polynomy. Funkci nulového vektoru plní polynom
o (x) = 0x2 + 0x + 0, jeº pro kaºdé x ∈ R nabývá hodnoty 0. Platí α1 p1 + α2 p2 + α3 p3
=
0,
KAPITOLA 2.
29
VEKTOROVÉ PROSTORY
α1 · 1 + α2 (x + 1) + α3 x2 + 2x + 1
=
(2.3)
0.
Porovnáním koecient· u jednotlivých mocnin dostaneme soustavu rovnic:
x0 : α1 + α2 + α3 1
=
0
x :
α2 + 2α3
=
0
x2 :
α3
=
0,
jeº má evidentn¥ pouze triviální °e²ení α1 = α2 = α3 = 0, tj. polynomy jsou lineárn¥ nezávislé. K do°e²ení úlohy sta£í v rovnici (2.3) uvést na pravé stran¥ polynom p (x) a vy°e²it soustavu
α1 + α2 + α3 α2 + 2α3 α3
=
5
= −4 =
3.
Odtud zp¥tnou substitucí máme α3 = 3, α2 = −10, α1 = 12, takºe p (x) = 12 − 10 (x + 1) + 2
3 (x + 1) . 2
Polynomy p1 (x) = 1, p2 (x) = x + 1, p3 (x) = (x + 1) tvo°í bázi vektorového prostoru P2 v²ech polynom· stupn¥ nejvý²e 2. Prostor P2 má standardní bázi P = 1, x, x2 , jeho dimenze je tedy 3, a tudíº libovolnou trojici nezávislých polynom· stupn¥ nejvý²e 2 lze pokládat za jeho bázi, nebo´ po£et vektor· kterékoliv báze daného vektorového prostoru je vºdy stejný. P°ejdeme-li k sou°adnicím vektoru, m·ºeme psát, ºe polynom p (x) má v uspo°ádaných bázích Poznámka 1.
e = 1, x + 1, (x + 1)2 sou°adnice 5, −4, 3, resp. 12, −10, 3. Pí²eme P = 1, x, x2 , resp. P T
T
[p (x)]P = [5, −4, 3] , resp. [p (x)]Pe = [12, −10, 3] . Podrobné °e²ení soustav rovnic v p°ede²lých úlohách nechávám na £tená°i, nicmén¥ podívejme se na p°íslu²né roz²í°ené matice: Poznámka 2.
2, 1, 0 1 [A1 | b1 ] = 1, 1, 1 3 . 1, 2, 1 1
P°íklad 1:
1, 1, 1 5 [A2 | b2 ] = 0, 1, 2 −4 . 0, 0, 1 3
P°íklad 2:
Sloupce matice [A1 | b1 ] tvo°í sou°adnice vektor· u1 , u2 , u3 , u vzhledem ke standardní bázi E = (e1 , e2 , e3 ) (e1 = [1, 0, 0] , e2 = [0, 1, 0] , e3 = [0, 0, 1]) vektorového prostoru R3 . Stejn¥ tak sloupce matice [A2 | b2 ] tvo°í sou°adnice zadaných polynom· vzhledem ke standardní bázi P = 1, x, x2 vektorového prostoru P2 . Je tedy:
|
1. [A1 | b1 ] = [u1 ]E
|
|
|
[u2 ]E |
[u3 ]E |
| | [u] , 2. [A2 | b2 ] = [p1 ] E P | |
| [p2 ]P |
| [p3 ]P |
| [p] . P |
Najd¥te bázi prostoru W = x ∈ R3 : 2x1 + x2 − x3 = 0 ∧ x1 − x2 + x3 = 0 . Zd·vodn¥te, ºe se jedná o bázi. P°íklad 3.
e²ení:
Vektorový prostor W je vlastn¥ mnoºinou v²ech °e²ení homogenní soustavy
2x1 + x2 − x3
=
0
x1 − x2 + x3
=
0.
Soustava má °e²ení: x1 = 0, x2 = t, x3 = t, t ∈ R. Odtud W = x ∈ R3 : x = t [0, 1, 1] , t ∈ R . Vektorový prostor W je tak lineárním obalem mnoºiny S = {[0, 1, 1]} , pí²eme W = h[0, 1, 1]i . Mnoºina S je navíc lineárn¥ nezávislá, nebo´ nenulový vektor u = [0, 1, 1] je nutn¥ lineárn¥ nezávislý, a tedy mnoºina S je báze prostoru W.
KAPITOLA 2.
P°íklad 4.
30
VEKTOROVÉ PROSTORY
Ur£ete dimenzi vektorového prostoru U = ha, b, c, di , je-li a = [1, 1, 1] , b = [1, 2, 0] ,
c = [1, 0, 1] , d = [−1, 5, 4] .
e²ení: Vektorový prostor U je lineárním obalem mnoºiny S = {a, b, c, d} . Víme, ºe nenulové vektory jsou lineárn¥ závislé práv¥ tehdy, kdyº jeden z nich je lineární kombinací p°edcházejících. Mnoºiny S1 = {a} a S2 = {a, b} jsou z°ejm¥ lineárn¥ nezávislé. Vektor a 6= o a neplatí b = k · a pro ºádný skalár k ∈ R. Také mnoºina S3 = {a, b, c} je lineárn¥ nezávislá, nebo´ ani vektor c není lineární kombinací vektor· a, b. Rovnice αa + βb = c nemá, jak se dá snadno zjistit °e²ení. To poznáme jednak tak, ºe odpovídající soustava
α α α
+ +
β 2β
= 1 = 0 = 1
nemá °e²ení, nebo také tak, ºe porovnáme hodnosti matice A a matice roz²í°ené [A | c] :
1, 1 1, 1 1, 1 1 A = 1, 2 −r1 ∼ 0, ∼ 0, 1 ⇒ h (A) = 2; 1, 0 −r1 0, −1 +r2 0, 0
1, 1, 1 1, 1, 1 1, 1, 1 0, 1, −1 ⇒ h ([A | c]) = 3. 1, −1 [A | c] = 1, 2, 0 −r1 ∼ 0, 1, 0, 1 −r1 0, −1, 0 +r2 0, 0, −1 Nakonec zbývá ov¥°it, je-li vektor d lineární kombinací vektor· a, b, c :
αa + βb + γc
= d.
(2.4)
Rovnice (2.4) je jednozna£n¥ °e²itelná, nebo´ tentokrát hodnost matice soustavy, která jí odpovídá, se rovná hodnosti matice roz²í°ené a sloupce matice soustavy jsou navíc lineárn¥ nezávislé:
1, 1, 1 1, 1, 1, −1 h i h i e = 1, 2, 0 , h A e = 3; A e | d = 1, 2, 0, e | d = 3. 5 , h A A 1, 0, 1 1, 0, 1, 4 Platí α = 15, β = −5, γ = −11, tj. d = 15a − 5b − 11c, takºe mnoºina S = {a, b, c, d} je lineárn¥ závislá. Vektor d m·ºeme vy²krtnout, jeºto kaºdý vektor u ∈ U se dá vyjád°it jednodu²e jen jako lineární kombinace vektor· a, b, c :
U 3 u = u1 a + u2 b + u3 c + u4 d =
(u1 + 15u4 ) a + (u2 − 5u4 ) b + (u3 − 11u4 ) c.
Odtud U = ha, b, c, di = ha, b, ci, a tedy dim (U) = 3. Vektorový prostor U je podprostorem prostoru R3 , jehoº dimenze je 3. Vektor d uº tedy nutn¥ musel být lineární kombinací vektor· a, b, c. Úlohu jsme mohli samoz°ejm¥ vy°e²it p°ímo ur£ením hodnosti matice sestavené po sloupcích z vektor· a, b, c, d, tj. nalezením maximálního po£tu lineárn¥ nezávislých sloupc· matice Poznámka 3.
| A= a |
| b |
| c |
| d : |
1, 1, 1, −1 1, 1, 1, −1 1, 2, 0, 5 ∼ · · · ∼ 0, 1, −1, 6 ⇒ h (A) = 3 ⇒ dim (U) = 3. 1, 0, 1, 4 0, 0, −1, 11
KAPITOLA 2.
31
VEKTOROVÉ PROSTORY
Cvi£ení:
1. Polynom p (x) = x3 +5x2 +10x+11 napi²te jako lineární kombinaci polynom· p1 , p2 , p3 , p4 : 2
3
p1 (x) = 1, p2 (x) = x + 2, p3 (x) = (x + 2) , p4 (x) = (x + 2) . 2. Ukaºte, ºe polynomy p1 (x) = x2 −1, p2 (x) = x2 +1 a p3 (x) = 2x−1 tvo°í uspo°ádanou bázi
2 prostoru U = x2 − 1, x2 + 1, 3, 2x − 1, x a ur£ete sou°adnice polynomu (x − 3) vzhledem k této bázi. 3. Je dána standardní báze E = (e1 , e2 , e3 ) prostoru R3 . Dokaºte, ºe vektory f1 = 2e1 −e2 , f2 = e1 +3e2 +2e3 , f3 = −2e1 +e2 +e3 tvo°í také bázi prostoru R3 a vypo£t¥te sou°adnice vektoru u = 7e1 + 14e2 + 21e3 vzhledem k uspo°ádané bázi F = (f1 , f2 , f3 ) . 4. Ur£ete dimenzi podprostoru W v²ech °e²ení homogenní soustavy
− 2x2 − 3x2 − 5x2 + x2
x1 2x1 3x1 −x1
+ x3 + 2x3 + 3x3 − x3
− x4 − 3x4 − 4x4 + 2x4
= = = =
0 0 0 0.
5. Bu¤ M2 (C) vektorový prostor v²ech komplexních matic stupn¥ 2. Jaká je dimenze prostoru M2 (C) , je-li M2 (C) reálný, respektive komplexní vektorový prostor?
e²ení: 2
3
1. p (x) = 3 + 2 (x + 2) − (x + 2) + (x + 2) . 2.
h
2
(x − 3)
i e P
T e = x2 − 1, x2 + 1, 2x − 1 . = − 25 , 27 , −3 , kde P T
3. [u]F = [12, 5, 11] .
4. W = x ∈ R4 : x = r [−1, 0, 1, 0] + s [ 3, 1, 0, 1] ; r, s ∈ R , dim (W) = 2. 5. dim (M2 (C)) = 8, respektive dim (M2 (C)) = 4. Návod: rozmyslete si, které £tvercové matice °ádu 2 tvo°í bázi M2 (C) v p°ípad¥, ºe tato mnoºina je reálným, respektive komplexním vektorovým prostorem.
Kapitola 3
Lineární a multilineární zobrazení 3.1
Lineární zobrazení
Zobrazení A vektorového prostoru U do vektorového prostoru V se nazývá libovolné vektory u, v ∈ U a skalár α platí:
lineární,
A (u + v) = A (u) + A (v) ; A (αu) = αA (u) .
jestliºe pro (3.1) (3.2)
Lineární zobrazení A : U → U se nazývá lineární transformace. Lineární formou (lineárním nazýváme lineární zobrazení A : U → R. Mnoºinu v²ech lineárních zobrazení vektorového prostoru U do vektorového prostoru V ozna£ujeme L (U, V) . Nulovým prostorem (jádrem) zobrazení A ∈ L (U, V) rozumíme mnoºinu
funkcionálem)
N (A)
Oborem hodnot
= {u ∈ U : A (u) = o ∈ V} .
(3.3)
zobrazení A ∈ L (U, V) rozumíme mnoºinu
H (A)
= {A (u) : u ∈ U } .
(3.4)
Jádro N (A) je podprostorem vektorového prostoru U, jeho dimenze se ozna£uje d (A) a nazývá defekt zobrazení A. Obor hodnot H (A) tvo°í zase podprostor prostoru V, jeho dimenzi ozna£ujeme h (A) a nazýváme hodnost zobrazení A. Platí
d (A) + h (A) P°íklad 1.
=
dim (U) .
(3.5)
Ukaºte, ºe zobrazení A : R3 → R3 je lineární, je-li
A ([x1 , x2 , x3 ])
= [x1 − x2 , x1 + x2 , x1 + x2 + x3 ] .
e²ení:
Nech´ x = [x1 , x2 , x3 ] , y = [y1 , y2 , y3 ] jsou libovolné vektory z R3 a α libovolný skalár. Potom x + y = [x1 + y1 , x2 + y2 , x3 + y3 ] , αx = [αx1 , αx2 , αx3 ] . Zbývá ov¥°it, má-li zobrazení A vlastnosti (3.1) a (3.2):
A (x + y)
A (αx)
=
[(x1 + y1 ) − (x2 + y2 ) , (x1 + y1 ) + (x2 + y2 ) , (x1 + y1 ) + (x2 + y2 ) + (x3 + y3 )]
=
[(x1 − x2 ) + (y1 − y2 ) , (x1 + x2 ) + (y1 + y2 ) , (x1 + x2 + x3 ) + (y1 + y2 + y3 )]
=
[x1 − x2 , x1 + x2 , x1 + x2 + x3 ] + [y1 − y2 , y1 + y2 , y1 + y2 + y3 ]
= A (x) + A (y) . = [αx1 − αx2 , αx1 + αx2 , αx1 + αx2 + αx3 ] =
[α (x1 − x2 ) , α (x1 + x2 ) , α (x1 + x2 + x3 )]
= α [x1 − x2 , x1 + x2 , x1 + x2 + x3 ] = αA (x) . Zobrazení A má poºadované vlastnosti, je tedy lineární. 32
KAPITOLA 3.
P°íklad 2.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
33
Zobrazení A : R2 → R2 je pro kaºdé u = [u1 , u2 ] ∈ R2 denované vztahem
A (u)
=
u1 + u2 , u22 .
Je zobrazení A lineární?
e²ení:
V tomto p°ípad¥ zobrazení A není lineární. Pro libovolné vektory u, v ∈ R2 totiº platí:
u = [u1 , u2 ] , v = [v1 , v2 ] , u + v = [u1 + v1 , u2 + v2 ] , A (v) = v1 + v2 , v22 . Odtud h i 2 A (u + v) = (u1 + v1 ) + (u2 + v2 ) , (u2 + v2 ) , A (u) + A (v) = (u1 + u2 ) + (v1 + v2 ) , u22 + v22 , A (u + v) 6= A (u) + A (v) . Nech´ A = [aik ]m×n je reálná matice a nech´ Rn,1 , Rm,1 jsou vektorové prostory v²ech sloupcových aritmetických vektor· dimenze n, m. Dokaºte, ºe zobrazení A : Rn,1 → Rm,1 denované p°edpisem
P°íklad 3.
A : Rn,1 3 x 7−→ Ax ∈ Rm,1
je lineární.
e²ení:
S vyuºitím vlastností maticových operací (sekce 1.2) snadno ukáºeme, ºe zobrazení A spl¬uje pro kaºdé vektory x, y ∈ Rn,1 , α ∈ R axiomy (3.1) a (3.2), takºe je lineární:
A (x + y) = A (x + y) A (αx) = A (αx) P°íklad 4.
= Ax + Ay = A (x) + A (y) , = α (Ax) = αA (x) .
Bu¤ A : R3 → R2 lineární zobrazení, pro které platí:
A (f1 ) = [1, 2] , A (f2 ) = [2, 3] , A (f3 ) = [1, 1] , kde f1 = [2, 3, −1] , f2 = [0, 1, 2] , f3 = [−1, 1, 1] . Nalezn¥te v²echny vektory x ∈ R3 , které se zobrazí na vektor v = [−3, 2] .
e²ení: Vektory f1 , f2 , f3 tvo°í bázi prostoru R3 , nebo´ jsou lineárn¥ nezávislé. Lineární zobrazení A
je tedy ur£eno obrazy báze. Je-li totiº x ∈ R3 libovolný vektor, pak z°ejm¥
x = α1 f1 + α2 f2 + α3 f3 .
(3.6)
Odtud pro jeho obraz v d·sledku (3.1) a (3.2) dostaneme
A (x)
= α1 A (f1 ) + α2 A (f2 ) + α3 A (f3 ) :
A (α1 f1 + α2 f2 + α3 f3 )
= A ((α1 f1 + α2 f2 ) + α3 f3 ) = A (α1 f1 + α2 f2 ) + A (α3 f3 ) = A (α1 f1 ) + A (α2 f2 ) + A (α3 f3 ) = α1 A (f1 ) + α2 A (f2 ) + α3 A (f3 ) .
Nejprve vy°e²íme rovnici (3.7):
[−3, 2]
= α1 [1, 2] + α2 [2, 3] + α3 [1, 1] ,
tj. soustavu
α1 + 2α2 + α3 2α1 + 3α2 + α3
= −3 =
2.
(3.7)
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
34
Soustava má nekone£n¥ mnoho °e²ení: α1 = 13 + s, α2 = −8 − s, α3 = s; s ∈ R. Odtud z rovnice (3.6) obdrºíme
x = (13 + s) [2, 3, −1] + (−8 − s) [0, 1, 2] + s [−1, 1, 1] = [26 + s, 31 + 3s, −29 − 2s] [s, 3s, −2s] + [26, 31, −29] . Hledaná mnoºina x ∈ R3 : A (x) = [−3, 2] je tvaru x ∈ R3 : x = s [1, 3, −2] + [26, 31, −29] , s ∈ R . =
P°íklad 5.
(3.8)
Najd¥te jádro a obor hodnot zobrazení A z p°ede²lé úlohy.
e²ení:
Úloha nalézt jádro lineárního zobrazení A je analogií p°ede²lé úlohy. Místo s vektorem v = [−3, 2] se pracuje s nulovým vektorem o = [0, 0] . Jádro zobrazení A v²ak m·ºeme najít jednodu²eji. Uváºíme-li, ºe A [26, 31, −29] = [−3, 2] (v (3.8) poloºíme s = 0), dostaneme
A (s [1, 3, −2] + [26, 31, −29])
= [−3, 2] ,
resp.
A (s [1, 3, −2]) + A ([26, 31, −29])
= [−3, 2] ,
odkud nutn¥ A (s [1, 3, −2]) = [0, 0] . Platí tedy
N (A) = x ∈ R3 : x = s [1, 3, −2] , s ∈ R = h[1, 3, −2]i . Obor hodnot H (A) = A (x) : x ∈ R3 = {α1 [1, 2] + α2 [2, 3] + α3 [1, 1] : α1 , α2 , α3 ∈ R} . Jinak °e£eno H (A) = h[1, 2] , [2, 3] , [1, 1]i . Poslední vektor je lineární kombinací p°edcházejících dvou vektor·: −1 · [1, 2] + 1 · [2, 3] = [1, 1] . Po jeho vy²krtnutí tak dostáváme, ºe obor hodnot H (A) = h[1, 2] , [2, 3]i . Nakonec m·ºeme je²t¥ potvrdit platnost vzorce (3.5). Má platit
d (A) + h (A)
=
dim R3 .
A skute£n¥
dim (N (A)) + dim (H (A))
=
1 + 2 = 3.
P°íklad 6. Nech´ U, V a W jsou vektorové prostory a nech´ B, C ∈ L (U, V) , A ∈ L (V, W) . Dokaºte ºe platí
A (B + C)
= AB + AC.
(3.9)
e²ení: Vzorec (3.9) je obdobou distributivního zákona algebry matic: A (B + C) = AB + AC. Máme ukázat, ºe sloºení zobrazení A a sou£tu zobrazení B +C se rovná sou£tu sloºených zobrazení. P°ipome¬me si, ºe sou£et zobrazení B, C je denován p°edpisem (B + C) (u) = B (u) + C (u) a ºe sloºené zobrazení (sou£in zobrazení) AD : U → W (D = B + C ) je denováno p°edpisem (AD) (u) = A (D (u)) . Bu¤ u ∈ U libovolný vektor. Platí: (A (B + C)) (u)
= A ((B + C) (u)) = A (B (u) + C (u)) = A (B (u)) + A (C (u)) =
Rovnost (3.9) je dokázána.
(AB) (u) + (AC) (u) .
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
35
Musíme dávat pozor v jakém po°adí vyhodnocujeme sloºené zobrazení. V kterém kroku jsme vyuºili, ºe zobrazení A je lineární?
Poznámka.
Cvi£ení:
1. Je zobrazení A : R3 → R3 z
p°íkladu 1 (podkapitoly 3.1)
prosté?
2. Dokaºte, ºe zobrazení f : R3 → R2 , pro které platí
f ([x, y, z])
= [x − 2y, y + 3z] ,
je lineární. Ur£ete jeho jádro (ozna£uje se také
Ker f ) a obor hodnot.
3. Je dáno lineární zobrazení A : R2 → R3 takové, ºe
A ([2, −3]) = [2, −1, 3] , A ([−1, 1]) = [−3, 2, 0] . Jak se zobrazí vektor x = [7, −9]? 4. Najd¥te jádro lineární formy A : R3 → R, je-li
A ([x1 , x2 , x3 ])
= 2x1 − x2 + 3x3 .
Ur£ete d (A) a h (A) . 5. Ukaºte, ºe zobrazení
A : C 3 a + bi 7−→ a − bi ∈ C je (není) lineární, jestliºe C je reálný (komplexní) vektorový prostor. 6. Pro lineární zobrazení A : R2 → R a B : R2 → R2 platí
A ([2, 1]) = −1, A ([ 1, −2]) = 3; B ([2, 3]) = [0, 1] , B ([1, −2]) = [2, 1] . Vypo£t¥te (AB) ([7, 0]) .
e²ení: 1. Ano: N (A) = {o} . 2.
D
E
[ Ker f = h[−6, −3, 1]i ; H (f ) = [1, 0] , [−2, 1] , [0, 3] = h[1, 0] , [−2, 1]i .
3. A (x) = [13, −8, 6] . 4. N (A) = h[1, 2, 0] , [−3, 0, 2]i ; d (A) = 2, h (A) = 1. 5. Zobrazení A nemá vlastnost (3.2), je-li C komplexní vektorový prostor. 6. (AB) ([7, 0]) = − 29 5 .
KAPITOLA 3.
3.2
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
36
Lineární zobrazení a matice
Maticí zobrazení A ∈ L (U, V) vzhledem k uspo°ádaným bázím E = (e1 , . . . , en ) , F = (f1 , . . . , fm ) vektorových prostor· U, V nazýváme matici
[A]E,F
| = [A (e1 )]F |
| [A (e2 )]F |
···
| [A (en )]F . |
(3.10)
Jinými slovy, obrazy vektor· báze E = (e1 , . . . , en ) vyjád°íme jako lineární kombinaci vektor· báze F = (f1 , . . . , fm ) :
A (e1 )
= a11 f1 + a21 f2 + · · · + am1 fm
A (e2 )
= a12 f1 + a22 f2 + · · · + am2 fm .. .
A (en )
= a1n f1 + a2n f2 + · · · + amn fm
a p°íslu²né sou°adnice napí²eme jako
sloupce
matice [A]E,F :
[A]E,F
a11 , a21 , = . .. am1 ,
a12 , a22 ,
..., ...,
.. .
..
am2 ,
...,
.
a1n a2n .. . . amn
V p°ípad¥, ºe U = V a E = F, budeme hovo°it o matici lineární transformace vzhledem k bázi E a psát stru£n¥ [A]E místo [A]E,E . Jsou-li U, V vektorové prostory s bázemi E = (e1 , . . . , en ) , F = (f1 , . . . , fm ) a [A]E,F matice lineárního zobrazení A : U → V vzhledem k t¥mto bázím, vypo£teme sou°adnice obrazu vektoru x ∈ U podle vzorce
[A (x)]F
=
[A]E,F [x]E .
(3.11)
Nech´ Rn,1 , Rm,1 jsou vektorové prostory v²ech sloupcových aritmetických vektor· dimenze n, m a nech´ A : Rn,1 → Rm,1 je libovolné lineární zobrazení. Ukaºte, ºe existuje taková matice A = [aik ]m×n , ºe pro kaºdé x ∈ Rn,1 platí P°íklad 1
A (x)
(3.12)
= Ax.
e²ení: Lineární zobrazení na vektorovém prostoru kone£né dimenze je jednozna£n¥ ur£eno obrazy jakékoliv báze. Zvolme tedy standardní bázi vektorového prostoru Rn,1 : S = sI1 , sI2 . . . , sIn , kde T
T
T
sI1 = [1, 0, . . . , 0] , sI2 = [0, 1, . . . , 0] , . . . , sIn = [0, 0, . . . , 1] , a ozna£me si její obrazy nap°íklad a11 a12 a1n a21 a22 a2n A sI1 = . , A sI2 = . , . . . , A sIn = . . .. .. .. am1 am2 amn T
Bu¤ nyní x = [x1 , x2 , . . . , xn ]
∈ Rn,1 libovolný vektor. Potom platí x = x1 sI1 + x2 sI2 + · · · + xn sIn ,
KAPITOLA 3.
37
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
a následn¥
= x1 A sI1 + x2 A sI2 + · · · + xn A sIn a1n a11 a12 a21 a22 a2n = x1 . + x2 . + · · · + xn . .. .. .. am2 amn am1 a11 x1 + a12 x2 + · · · + a1n xn a21 x1 + a22 x2 + · · · + a2n xn = . .. . am1 x1 + am2 x2 + · · · + amn xn
A (x)
(3.13)
T
Výsledný vektor v (3.13) je sou£inem matice A = [aik ]m×n a vektoru x = [x1 , x2 , . . . , xn ] , £ímº je rovnost (3.12) dokázána. P°íklad 2. Bu¤te E = (e1 , . . . , en ) , F = (f1 , . . . , fn ) uspo°ádané báze vektorového prostoru U. Nech´ [A]E je matice lineárního zobrazení A : U → U vzhledem k uspo°ádané bázi E a nech´ [A]F je matice tohoto zobrazení vzhledem k uspo°ádané bázi F. Dokaºte, ºe platí
[A]F kde P je
matice p°echodu
= P−1 [A]E P,
(3.14)
od uspo°ádané báze E k uspo°ádané bázi F :
P
| = [f1 ]E |
| [f2 ]E |
| ···
(3.15)
[fn ]E , |
tj. matice, jejíº sloupce tvo°í sou°adnice vektor· báze F vzhledem k bázi E.
e²ení:
Pro libovolný vektor x ∈ U platí
x = x1 e1 + x2 e2 + · · · + xn en , resp. (3.16)
x = x ˜ 1 f1 + x ˜ 2 f2 + · · · + x ˜ n fn . Rovnice (3.16) je po dosazení sou°adnic ekvivalentní s rovnicí
[x]E
= x ˜1 [f1 ]E + x ˜2 [f2 ]E + · · · + x ˜n [fn ]E ˜1 x | | | x ˜2 = [f1 ]E [f2 ]E · · · [fn ]E . .. | | | x ˜n
= P [x]F . Matice P je regulární, takºe pro sou°adnice vektoru x v bázích E a F dostáváme:
[x]E [x]F
= P [x]F , = P
−1
[x]E .
(3.17) (3.18)
KAPITOLA 3.
38
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
P°ejd¥me te¤ k na²emu d·kazu. Vzorec (3.11) umoº¬uje vypo£ítat sou°adnice obrazu vektoru pomocí matice lineárního zobrazení. Je-li U = V a E = F, m·ºeme jej uvést v jednom z t¥chto tvar·:
[A (x)]E [A (x)]F
= [A]E [x]E , = [A]F [x]F .
(3.19) (3.20)
S p°ihlédnutím k (3.17) poloºíme v rovnici (3.19) [A (x)]E = P [A (x)]F , [x]E = P [x]F , takºe dostane tvar
P [A (x)]F
=
[A]E P [x]F ,
neboli
[A (x)]F
=
P−1 [A]E P [x]F .
(3.21)
Ze vztah· (3.20) a (3.21) uº pak vyplývá platnost vzorce (3.14). P°íklad 3.
Ur£ete matici lineárního zobrazení A : R2 → R3 , pro které platí
A ([2, −3]) = [ 2, −1, 3] , A ([−1, 1]) = [−3, 2, 0] , vzhledem ke standardním bázím vektorových prostor· R2 , R3 a pouºijte ji k ur£ení obrazu vektoru
x = [7, −9] .
e²ení: Sestavíme matici (3.10) v bázích E = (e1 , e2 ) a F = (f1 , f2 , f3 ) , kde e1 = [1, 0] , e2 = [0, 1] ; f1 = [1, 0, 0] , f2 = [0, 1, 0] , f3 = [0, 0, 1] . Pot°ebné obrazy vektor· e1 = [1, 0] , e2 = [0, 1] najdeme zp·sobem, který jsme uº tady jednou pouºili, takºe mu £tená° jist¥ porozumí i bez podrobného komentá°e. Ozna£me u = [2, −3] , v = [−1, 1] . Platí
e1
= α1 u + α2 v,
e2
= β1 u + β2 v.
Ob¥ rovnice vedou k soustavám lineárních rovnic, jeº vy°e²íme pomocí jedné roz²í°ené matice:
2, −1 1, 0 1, 0 ∼ · · · ∼ −3, 1 0, 1 0, 1
−1, −1 −3, −2 ⇒ α1 = −1, α2 = −3; β1 = −1, β2 = −2.
Odtud
A (e1 ) = −1A (u) + (−3) A (v) , A (e2 ) = −1A (u) + (−2) A (v) , tj. A (e1 ) = [ 7, −5, −3] , A (e2 ) = [ 4, −3, −3] . Hledaná matice je tedy
[A]E,F
| | = [A (e1 )]F [A (e2 )]F | | 7, 4 = −5, −3 . −3, −3
Uºitím vzorce (3.11) získáme sou°adnice obrazu vektoru x v bázi F a tím prakticky i obraz vektoru x :
13 7, 4 7 [A (x)]F = −5, −3 = −8 , a tudíº A (x) = [13, −8, 6] . −9 −3, −3 6
KAPITOLA 3.
Poznámka.
39
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
V úlohách tohoto typu studenti £asto chybují v tom, ºe vytvo°í matici
A
2, −3 2 , = −1, 3, 0
kterou pak vydávají za matici zadaného lineárního zobrazení vzhledem ke standardním bázím. Ve skute£nosti v²ak vytvo°ili matici daného zobrazení vzhledem k bázím X = ([ 2, −3] , [−1, 1]) a F = ([1, 0, 0] , [0, 1, 0] , [0, 0, 1]) , z nichº pouze báze F je standardní. Nebude tedy na ²kodu, kdyº si znovu prostudujete, jak sestavíme správn¥ matici lineárního zobrazení vzhledem k daným bázím. Pro jistotu v¥nujme matici lineárního zobrazení je²t¥ dv¥ úlohy. Lineární transformace A : R3 → R3 je denována p°edpisem
P°íklad 4.
A ([x, y, z])
= [y, x, z] .
Najd¥te její matici vzhledem k bázi F = (f1 , f2 , f3 ) , kde f1 = [1, 1, 0] , f2 = [0, 1, 1] , f3 = [1, 0, 1] .
e²ení:
Zobrazení A zam¥¬uje první a druhou sloºku vektoru, takºe A (f1 ) = f1 , A (f2 ) = f3 , A (f3 ) = f2 . Hledanou matici ozna£íme stru£n¥ [A]F místo [A]F ,F . Druhé ozna£ení v²ak vhodn¥ p°ipomíná jak ji máme sestavit. Sloupce matice [A]F budou tvo°it sou°adnice obraz· vektor· báze F vzhledem k bázi F. Jeºto
A (f1 ) = 1f1 + 0f2 + 0f3 , A (f2 ) = 0f1 + 0f2 + 1f3 , A (f3 ) = 0f1 + 1f2 + 0f3 , dostaneme
| [A]F = [A (f1 )]F | P°íklad 5.
| [A (f2 )]F |
| | [A (f3 )]F = [f1 ]F | |
| [f3 ]F |
| 1, 0, 0 [f2 ]F = 0, 0, 1 . | 0, 1, 0
Napi²te matici lineární transformace z p°ede²lé úlohy vzhledem ke standardní bázi
prostoru R3 .
e²ení:
Úlohu vy°e²íme nejprve sloºit¥j²ím zp·sobem. Vzorec (3.14) udává vztah mezi maticemi lineární transformace v r·zných bázích. Ozna£íme-li E standardní bázi prostoru R3 , vypo£teme matici [A]E podle vztahu
[A]E
= P [A]F P−1 ,
(3.22)
kde P je p°íslu²ná matice p°echodu od uspo°ádané báze E k uspo°ádané bázi F :
P
1, 0, 1 = 1, 1, 0 . 0, 1, 1
Ur£íme P−1 a po dosazení do vzorce (3.22) obdrºíme
0, 1, 0 1, 0, 1 1, 0, 0 0.5, 0.5, −0.5 0.5, 0.5 = 1, 0, 0 . [A]E = 1, 1, 0 0, 0, 1 −0.5, 0, 0, 1 0, 1, 1 0, 1, 0 0.5, −0.5, 0.5
Matici [A]E lze v²ak záskat velmi jednodu²e. Jelikoº A (e1 ) = e2 , A (e2 ) = e1 , A (e3 ) = e3 , vyjde
| [A]E = [A (e1 )]E |
| [A (e2 )]E |
| | [A (e3 )]E = [e2 ]E | |
|
|
[e1 ]E |
[e3 ]E |
0, 1, 0 = 1, 0, 0 . 0, 0, 1
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
40
Cvi£ení:
1. Ur£ete matici lineárního zobrazení A : R3 → R3 denovaného p°edpisem
A ([x1 , x2 , x3 ]) = [x1 − x2 , x1 + x2 , x1 + x2 + x3 ] vzhledem ke standardní bázi prostoru R3 . 2. Sestavte matici lineárního zobrazení
A : R3 3 [x, y, z] 7−→
[2x − z, y + 4z] ∈ R2
v bázích G = ([1, 1, 0] , [0, 2, 0] , [0, −1, 1]) , H = ([0, 1] , [1, 1]) . 3. Jsou dána lineární zobrazení A : R2 → R a B : R2 → R2 taková, ºe
A ([2, 1]) = −1, A ([ 1, −2]) = 3; B ([2, 3]) = [0, 1] , B ([1, −2]) = [2, 1] . Najd¥te matice lineárních zobrazení A (v bázích E, F ), B (v bázi E ) i sloºeného zobrazení AB (v bázích E, F ), kde E = ([1, 0] , [0, 1]) a F = (1) . Ov¥°te, ºe platí
[AB]E,F
=
[A]E,F [B]E .
Výsledky:
1, −1, 0 1, 0 . 1. [A]E = 1, 1, 1, 1 −1, 2, 4 . 2. [A]G,H = 2, 0, −1 1 7 29 3 6/7, −4/7 3. [A]E,F = 5 , − 5 , [B]E = , [AB]E,F = − 35 , 35 ; 5/7, −1/7 29 3 1 7 6/7, −4/7 − , = ,− . 5/7, −1/7 35 35 5 5 3.3
Bilineární formy
íkáme, ºe na reálném vektorovém prostoru V je dána bilineární forma B , jestliºe kaºdé uspo°ádané dvojici vektor· (u, v) je p°i°azeno reálné £íslo B (u, v) tak, ºe pro libovolné u, v, w ∈ V a α ∈ R platí:
B (u + v, w) B (αu, v)
= B (u, w) + B (v, w) ;
(3.23)
= αB (u, v) ;
(3.24)
B (u, v + w) = B (u, v) + B (u, w) ; B (u, αv) = αB (u, v) .
(3.25) (3.26)
Matici
[B]E
B (e1 , e1 ) , B (e2 , e1 ) , = .. . B (en , e1 ) ,
B (e1 , e2 ) , B (e2 , e2 ) ,
... , ... ,
.. .
..
B (en , e2 ) ,
... ,
.
B (e1 , en ) B (e2 , en ) , .. . B (en , en )
(3.27)
KAPITOLA 3.
41
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
jejíº prvky jsou ur£eny hodnotami formy na vektorech báze E = (e1 , . . . , en ) vektorového prostoru V (bij = B (ei , ej ) , i, j ∈ {1, . . . , n}), nazýváme maticí bilineární formy v uspo°ádané bázi E.
V dané bázi E = (e1 , . . . , en ) lze kaºdou bilineární formu v n-rozm¥rném prostoru psát ve tvaru B (u, v)
=
T
(3.28)
[u]E [B]E [v]E ,
kde [u]E , [v]E jsou p°íslu²né sou°adnicové vektory vektor· u, v v této bázi.
Mezi maticemi bilineární formy B v r·zných bázích E, F vektorového prostoru V platí vztah
= PT [B]E P;
[B]F
(3.29)
P je matice p°echodu od uspo°ádané báze E k uspo°ádané bázi F (viz (3.15)). Bilineární forma B se nazývá symetrická, jestliºe pro kaºdé u, v ∈ V platí B (u, v)
= B (v, u) .
(3.30)
= −B (v, u) ,
(3.31)
Platí-li pro kaºdé u, v ∈ V
B (u, v)
antisymetrická. Kaºdou bilineární formu B m·ºeme jednozna£n¥ rozloºit na symetrickou £ást: °ekneme, ºe bilineární forma B je
B S (u, v)
=
B A (u, v)
=
a
antisymetrickou
1 (B (u, v) + B (v, u)) ; 2 1 (B (u, v) − B (v, u)) . 2
(3.32) (3.33)
Bu¤ F vektorový prostor v²ech reálných funkcí jedné reálné prom¥nné. Ukaºte, ºe zobrazení B : F × F → R, denované pro kaºdé f, g ∈ F vztahem P°íklad 1.
B (f, g)
=
4f (0) g (1) + f (2) g (3) ,
je bilineární forma na F.
e²ení:
Zobrazení musí mít pro libovolné funkce f, g, h ∈ F a α ∈ R vlastnosti (3.23) - (3.26):
B (f + g, h)
=
4 (f + g) (0) h (1) + (f + g) (2) h (3)
=
4 (f (0) + g (0)) h (1) + (f (2) + g (2)) h (3)
= 4f (0) h (1) + f (2) h (3) + 4g (0) h (1) + g (2) h (3) = B (f, h) + B (g, h) ; B (αf, g)
= 4 (αf ) (0) g (1) + (αf ) (2) g (3) = 4αf (0) g (1) + αf (2) g (3) = α (4f (0) g (1) + f (2) g (3))
= αB (f, g) ; B (f, g + h) = 4f (0) (g + h) (1) + f (2) (g + h) (3) = =
4f (0) (g (1) + h (1)) + f (2) (g (3) + h (3)) 4f (0) g (1) + f (2) g (3) + 4f (0) h (1) + f (2) h (3)
= B (f, g) + B (f, h) ; B (f, αg)
= 4f (0) (αg) (1) + f (2) (αg) (3) = 4f (0) αg (1) + f (2) αg (3) = α (4f (0) g (1) + f (2) g (3)) = αB (f, g) .
Zobrazení B je bilineární forma.
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
42
P°íklad 2. Budiº F op¥t vektorový prostor v²ech reálných funkcí. Zobrazení B : F × F → R nech´ je pro libovolné f, g ∈ F denováno p°edpisem
B (f, g)
= f (1) g 2 (1) .
Je zobrazení B bilineární forma na F?
e²ení:
P°i ov¥°ování axiom· bilineární formy zjistíme, ºe nap°íklad axiom (3.25) neplatí:
B (f, g + h)
2
= f (1) (g + h) (1) 2
= f (1) (g (1) + h (1)) = f (1) g 2 (1) + 2g (1) h (1) + h2 (1) ; B (f, g) + B (f, h)
= f (1) g 2 (1) + f (1) h2 (1) .
Je z°ejmé, ºe B (f, g + h) 6= B (f, g) + B (f, h) , a tudíº se nejedná o bilineární formu. Nespln¥ní jednoho z axiom· bilineární formy pochopiteln¥ sta£í, abychom dané zobrazení za bilineární formu nepovaºovali. tená° nech´ si v²ak sám zkusí propo£ítat, které z axiom· bilineární formy zde platí a které ne. Poznámka 1.
P°íklad 3.
Dokaºte, ºe zobrazení
B : R3 × R3 3 (x, y) 7−→
x1 y1 + 2x2 y2 + 3x3 y3 ∈ R
je bilineární forma na prostoru R3 .
e²ení:
Op¥t se podíváme, má-li zobrazení B v²echny vlastnosti bilineární formy. Nech´ x = [x1 , x2 , x3 ] , y = [y1 , y2 , y3 ] , z = [z1 , z2 , z3 ] a α ∈ R.
B (x + y, z)
=
(x1 + y1 ) z1 + 2 (x2 + y2 ) z2 + 3 (x3 + y3 ) z3
=
(x1 z1 + 2x2 z2 + 3x3 z3 ) + (y1 z1 + 2y2 z2 + 3y3 z3 )
= B (x, z) + B (y, z) ; B (αx, y) = (αx1 ) y1 + 2 (αx2 ) y2 + 3 (αx3 ) y3 = α (x1 y1 + 2x2 y2 + 3x3 y3 ) = αB (x, y) ; B (x, y + z) = x1 (y1 + z1 ) + 2x2 (y2 + z2 ) + 3x3 (y3 + z3 ) = B (x, αy)
(x1 y1 + 2x2 y2 + 3x3 y3 ) + (x1 z1 + 2x2 z2 + 3x3 z3 )
= B (x, y) + B (x, z) ; = x1 (αy1 ) + 2x2 (αy2 ) + 3x3 (αy3 ) = α (x1 y1 + 2x2 y2 + 3x3 y3 ) = αB (x, y) .
Zobrazení B má v²echny vlastnosti bilineární formy. P°íklad 4.
Najd¥te matici bilineární formy z p°edchozího p°íkladu v bázi F = (f1 , f2 , f3 ) , je-li
f1 = [ 1, 1, 1] , f2 = [ 1, 1, −1] , f3 = [ 1, −1, −1] .
e²ení:
Matice bilineární formy je ur£ena hodnotami formy na vektorech dané báze. Forma je symetrická (B (x, y) = B (y, x) pro libovolné x, y ∈ R3 ), matice formy bude tedy také symetrická
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
43
(bij = bji , i, j ∈ {1, 2, 3}). Její prvky dostaneme v souladu s (3.27) :
b11
= B (f1 , f1 ) = 1 · 1 + 2 · 1 · 1 + 3 · 1 · 1 = 6;
b12
= B (f1 , f2 ) = 1 · 1 + 2 · 1 · 1 + 3 · 1 · (−1) = 0;
b13
= B (f1 , f3 ) = 1 · 1 + 2 · 1 · (−1) + 3 · 1 · (−1) = −4;
b22
= B (f2 , f2 ) = 1 · 1 + 2 · 1 · 1 + 3 · (−1) · (−1) = 6;
b23
= B (f2 , f3 ) = 1 · 1 + 2 · 1 · (−1) + 3 · (−1) · (−1) = 2;
b33
= B (f3 , f3 ) = 1 · 1 + 2 · (−1) · (−1) + 3 · (−1) · (−1) = 6;
tj.
6, 0, −4 2 . = 0, 6, −4, 2, 6
[B]F
Mohli jsme také nejprve sestavit matici dané formy vzhledem ke standardní bázi prostoru R3 a vyuºít vzorce (3.29). Vzhledem k bázi E = ([1, 0, 0] , [0, 1, 0] , [0, 0, 1]) má matice formy tvar Poznámka 2.
1, 0, 0 = 0, 2, 0 , 0, 0, 3
[B]E a matice p°echodu od báze E k bázi F je
P
1, 1, 1 1, −1 . = 1, 1, −1, −1
Odtud
[B]F
1, 1, 1 1, 0, 0 1, 1, 1 1, −1 0, 2, 0 1, 1, −1 = 1, 1, −1, −1 0, 0, 3 1, −1, −1 6, 0, −4 2 . = 0, 6, −4, 2, 6
Ozna£íme-li ξ1 , ξ2 , ξ3 , resp. η1 , η2 , η3 sou°adnice vektoru x, resp. y v bázi F, m·ºeme danou bilineární formu napsat vzhledem k bázi F ve tvaru (3.28):
Poznámka 3.
B (x, y)
=
T
[x]F [B]F [y]F
6, 0, −4 η1 2 η2 = [ξ1 , ξ2 , ξ3 ] 0, 6, −4, 2, 6 η3 = 6ξ1 η1 − 4ξ1 η3 + 6ξ2 η2 + 2ξ2 η3 − 4ξ3 η1 + 2ξ3 η2 + 6ξ3 η3 . Ve standardní bázi E má tato forma tvar
B (x, y)
=
T
[x]E [B]E [y]E
1, 0, 0 y1 = [x1 , x2 , x3 ] 0, 2, 0 y2 0, 0, 3 y3 = x1 y1 + 2x2 y2 + 3x3 y3 .
KAPITOLA 3.
P°íklad 5.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
44
Na vektorovém prostoru R3 je dána bilineární forma
B (x, y)
3x1 y1 + 2x1 y2 − 5x1 y3 + x2 y2 + 2x2 y3 + x3 y1 − x3 y2 .
=
Ur£ete symetrickou a antisymetrickou £ást bilineární formy B.
e²ení: Symetrickou £ást B S , resp. antisymetrickou £ást B A formy B ur£íme pomocí vzorce (3.32),
resp. (3.33). M·ºeme také najít nejprve matici zadané bilineární formy vzhledem ke standardní bázi E vektorového prostoru R3 a pouºít analogické vzorce k vzorc·m (3.32), resp. (3.33) k ur£ení její symetrické, resp. antisymetrické £ásti. Ve standardní bázi E má forma matici (sestavte sami!)
[B]E
3, 2, −5 1, 2 . = 0, 1, −1, 0
Ozna£me ji pro jednoduchost B (tedy B = [B]E ). Pro symetrickou, resp. antisymetrickou £ást matice B platí:
BS
1 B + BT 2 3, 2, −5 3, 0, 1 1 0, 1, 2 + 2, 1, −1 = 2 1, −1, 0 −5, 2, 0 3, 1, −2 1 1, 1, = , 2 −2, 12 , 0
BA
1 B − BT 2 3, 2, −5 3, 0, 1 1 0, 1, 2 − 2, 1, −1 = 2 1, −1, 0 −5, 2, 0 0, 1, −3 3 0, = −1, . 2 3 3, − 2 , 0
=
resp.
=
Odtud obdrºíme hledanou symetrickou, resp. antisymetrickou £ást formy B :
B S (x, y)
=
T
[x]E BS [y]E
1, −2 y1 1 1, y2 2 1 y3 , 0 2
=
3, [x1 , x2 , x3 ] 1, −2,
=
1 1 3x1 y1 + x1 y2 − 2x1 y3 + x2 y1 + x2 y2 + x2 y3 − 2x3 y1 + x3 y2 ; 2 2
resp.
B A (x, y)
=
T
[x]E BA [y]E
0, 1, −3 y1 3 0, y2 = [x1 , x2 , x3 ] −1, 2 3 y3 3, − 2 , 0 3 3 = x1 y2 − 3x1 y3 − x2 y1 + x2 y3 + 3x3 y1 − x3 y2 . 2 2
KAPITOLA 3.
45
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
Cvi£ení:
1. Na vektorovém prostoru P2 v²ech polynom· stupn¥ nejvý²e 2 je dána bilineární forma B tak, ºe pro libovolné polynomy p, q ∈ P2 platí:
4p (0) q (1) + p (2) q (3) . (3.34) Napi²te její matici v bázi P = 1, x, x2 a pomocí vztahu (3.28) vypo£t¥te hodnotu formy na polynomech p (x) = x2 + 1, q (x) = x2 − 1. B (p, q)
=
2. Nech´ P2 je op¥t vektorový prostor v²ech polynom· stupn¥ nejvý²e 2. Bilineární forma B je pro kaºdé p, q ∈ P2 denována p°edpisem
B (p, q)
= p (1) q (0) .
e = 1, x + 1, (x + 1)2 . Ur£ete matice bilineární formy B i její symetrické £ásti B S v bázi P 3. Bu¤ B taková bilineární forma na R2 , ºe pro libovolné x, y ∈ R2 platí
B (x, y)
=
2x1 y1 − 3x1 y2 + 5x2 y1 − x2 y2 .
Jaký tvar bude mít forma B vzhledem k bázi F = ([ 2, −1] , [ 1, 3])? 4. Nech´ F je vektorový prostor v²ech reálných funkcí, které jsou spojité v intervalu h0, 1i . Ukaºte, ºe zobrazení
Z B : F × F 3 (f, g) 7−→
1
f (x) g (x) dx ∈ R 0
je bilineární forma na F.
Výsledky:
5, 7, 13 6, 18 , (nap°.: b13 = B 1, x2 = 4 · 1 · 12 + 1 · 32 ); B (p, q) = 40. 1. [B]P = 2, 4, 12, 36 Hodnotu formy na polynomech p, q m·ºeme pro kontrolu také ur£it p°ímo ze vztahu (3.34).
1, 1, 1 1, 3/2, 5/2 S 2, 3 . 2. [B]Pe = 2, 2, 2 , [B]Pe = 3/2, 4, 4, 4 5/2, 3, 4 3. B (x, y) = 3ξ1 η1 − 16ξ1 η2 + 40ξ2 η1 − ξ2 η2 . 4. Vyuºijte vlastnosti ur£itého integrálu. 3.4
Kvadratické formy
Kvadratickou formou
na reálném vektorovém prostoru V p°íslu²nou dané bilineární form¥ B nazýváme zobrazení QB : V → R denované pro kaºdé u ∈ V p°edpisem
QB (u)
= B (u, u) .
(3.35)
Stejnou kvadratickou formu také vytvá°í i symetrická £ást dané bilineární formy B, takºe lze psát
QB (u)
= B S (u, u) .
KAPITOLA 3.
46
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
Z tohoto d·vodu denujeme matici kvadratické formy QB v dané bázi E jako symetrickou matici
[QB ]E
S B E,
=
(3.36)
kde B S E je matice symetrické £ásti bilineární formy B. Podobn¥ jako v (3.28) m·ºeme kaºdou kvadratickou formu QB (u) v dané bázi E vyjád°it pomocí sou°adnic vektoru u a matice formy vzhledem k této bázi vzorcem
QB (u)
=
T
(3.37)
[u]E [QB ]E [u]E .
V dal²ím textu budeme u ozna£ení kvadratické formy vynechávat index udávající p°íslu²nou bilineární formu. ekneme, ºe kvadratická forma Q je pozitivn¥ (negativn¥) denitní, jestliºe pro kaºdé u ∈ V, u 6= o platí Q (u) > 0 ( Q (u) < 0). Platí-li pro kaºdé u ∈ V, u 6= o Q (u) ≥ 0 ( Q (u) ≤ 0), nazýváme formu Q pozitivn¥ (negativn¥) semidenitní. Existují-li takové vektory x, y ∈ V, ºe nap°íklad Q (x) > 0 a zárove¬ Q (y) < 0, pak se kvadratická forma nazývá indenitní. Podobn¥ o symetrické matici A stupn¥ n °íkáme, ºe je pozitivn¥ denitní, jestliºe pro kaºdý sloupcový nenulový vektor x ∈ Rn,1 platí xT Ax > 0, tj. p°íslu²ná kvadratická forma Q (x) = xT Ax je pozitivn¥ denitní. P°ejdeme-li od uspo°ádané báze E k uspo°ádané bázi F (matici p°echodu od báze E k bázi F ozna£íme jako obvykle P), zm¥ní se matice kvadratické formy podle vztahu
[Q]F
= PT [Q]E P.
(3.38)
Tento vztah mezi maticemi se nazývá kongruence. P°i studiu kvadratických forem je zvlá²´ d·leºité najít takovou bázi F , vzhledem k níº je matice kvadratické formy diagonální, tj.
d11 , 0, = . .. 0,
[Q]F
0, d22 ,
..., ...,
0 0
.. .
..
.. .
0,
...,
nebo´ pak má forma Q v bázi F pro kaºdé x ∈ V tvar
Q (x)
=
T [x]F
.
,
dnn
lineární kombinace £tverc·:
[Q]F [x]F
=
d11 , 0, [ξ1 , ξ2 , . . . , ξn ] . .. 0,
=
d11 ξ12
+
d22 ξ22
+ ··· +
0, d22 ,
..., ...,
0 0
.. .
..
.. .
0,
...,
dnn ξn2 ,
.
dnn
ξ1 ξ2 .. . ξn
(3.39)
z n¥hoº typ formy snadno ur£íme. Existenci takové vhodné báze zaji²´uje v¥ta pojednávající o kongruenci symetrické a diagonální matice:
Ke kaºdé symetrické matici A existuje regulární matice T a diagonální matice D tak, ºe D = TATT .
(3.40)
Matice D a T najdeme následovn¥: 1. Matici A upravíme pomocí elementárních kongruencí (po kaºdé elementární °ádkové operaci provedeme i její sloupcovou variantu) na diagonální matici D. 2. Stejné elementární °ádkové operace pak provedeme na jednotkové matici téhoº stupn¥, £ímº získáme matici T. Vztah (3.40) m·ºeme interpretovat jako zm¥nu matice kvadratické formy p°i zm¥n¥ báze s maticí p°echodu TT . Redukce symetrické matice A na diagonální matici D nemusí být jednozna£ná. To ale nevadí. Podle zákona setrva£nosti kvadratických forem má diagonální matice vºdy stejný po£et kladných, záporných i nulových prvk·.
KAPITOLA 3.
P°íklad 1.
47
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
Na vektorovém prostoru R2 je dána bilineární forma B p°edpisem
B (x, y)
=
2x1 y1 − 3x1 y2 + 5x2 y1 − x2 y2 .
Napi²te p°íslu²nou kvadratickou formu Q a její matici vzhledem ke standardní bázi E prostoru R2 .
e²ení:
Ve shod¥ s denicí kvadratické formy platí
Q (x)
= B (x, x) = 2x21 − 3x1 x2 + 5x2 x1 − x22 = 2x21 + 2x1 x2 − x22 .
(3.41)
Maticí kvadratické formy je podle denice matice symetrické £ásti dané bilineární formy B. Ur£íme tedy symetrickou £ást formy B :
B S (x, y)
= = =
1 (B (x, y) + B (y, x)) 2 1 ((2x1 y1 − 3x1 y2 + 5x2 y1 − x2 y2 ) + (2y1 x1 − 3y1 x2 + 5y2 x1 − y2 x2 )) 2 2x1 y1 + x1 y2 + x2 y1 − x2 y2 ,
a pak následn¥ její matici
S
[B]E
=
2, 1 1, −1
,
coº je také i na²e matice kvadratické formy. Poznámka.
Matici symetrické £ásti B S jsme také mohli odvodit p°ímo z matice formy B :
S B E
1 T [B]E + [B]E 2 1 2, 5 2, −3 = + −3, −1 5, −1 2 2, 1 = . 1, −1 =
Jiný zp·sob jak najít matici kvadratické formy spo£ívá v tom, ºe ji vyjád°íme v maticovém tvaru s horní trojúhelníkovou maticí, z níº pak odvodíme symetrickou matici. Snadno nahlédneme, ºe pro formu (3.41) platí
Q (x)
=
[x1 , x2 ]
2, 2 0, −1
x1 x2
,
odkud dostaneme
[Q]E
P°íklad 2.
1 2, 2 2, 0 = + 0, −1 2, −1 2 2, 1 = . 1, −1
Ur£ete typ kvadratické formy
Q (x)
=
2x21 + 4x22 + 29x23 + 4x1 x2 − 12x1 x3 − 4x2 x3
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
48
a napi²te bázi, v níº má forma Q tvar lineární kombinace £tverc·.
e²ení:
Sestavíme symetrickou matici kvadratické formy Q ve standardní bázi E prostoru R3 a uºitím elementárních kongruencí ji upravíme na diagonální matici. Forma má maticové vyjád°ení
Q (x)
2, 4, −12 x1 [x1 , x2 , x3 ] 0, 4, −4 x2 . 0, 0, 29 x3
=
Horní trojúhelníkovou matici ozna£me U. P°íslu²nou symetrickou matici A získáme známým zp·sobem:
1 U + UT 2 2, 2, −6 4, −2 . = 2, −6, −2, 29
A
=
Nyní uº m·ºeme p°ejít k elementárním kogruencím:
2, 2, 2, 4, −6, −2, 2, 0, 0 0, 2, 0 0, 0, 3
−6 2, 2, −6 2, 0, 0 2, 0, 0 4 ∼ 0, 2, 4 −2 −r1 ∼ 0, 2, ∼ 0, 2, 4 ∼ 29 +3r1 0, 4, 11 0, 4, 11 −2r2 0, 0, 3 −s + 3s − 2s2 1 1 = D.
1, 0, 0 1, 0, 0 1, 0, 0 0, 1, 0 −r1 ∼ −1, 1, 0 1, 0 = T. ∼ −1, 0, 0, 1 +3r1 3, 0, 1 −2r2 5, −2, 1 V²echny diagonální prvky matice D jsou kladné, kvadratická forma je tedy pozitivn¥ denitní. Matice TT je, jak víme, maticí p°echodu od báze E k bázi F, v níº je matice formy Q diagonální. Její sloupce (respektive °ádky matice T) tvo°í pak hledanou bázi, tj.
F
([ 1, 0, 0] , [−1, 1, 0] , [ 5, −2, 1]) .
=
V nové bázi má forma tvar:
Q (x)
P°íklad 3.
=
T
[x]F D [x]F
=
2, 0, 0 ξ1 [ξ1 , ξ2 , ξ3 ] 0, 2, 0 ξ2 0, 0, 3 ξ3
=
2ξ12 + 2ξ22 + 3ξ32 .
Rozhodn¥te o typu kvadratické formy
Q (u)
=
2u1 u2 + 2u1 u3 − 6u2 u3 .
e²ení:
Op¥t vyuºijeme elementárních kongruencí. Forma Q má vzhledem ke standardní bázi prostoru R3 symetrickou matici
A
0, 1, 1 0, −3 . = 1, 1, −3, 0
KAPITOLA 3.
LINEÁRNÍ A MULTILINEÁRNÍ ZOBRAZENÍ
49
P°evedeme ji na diagonální matici:
0, 1, 1, 0, 1, −3, 2, 1, 0, − 1 , 2 0, −2, − 21 s1
1 +r2 −3 0 −2 −2 ∼ −2 + s1
1, 1, −2 2, 1, −2 0, −3 ∼ 1, 0, −3 − 12 r1 ∼ ∼ 1, 1, −3, 0 −2, −3, 0 +r1 +s2 2, 0, 0 2, 0, 0 2, 0, 0 0, − 12 , −2 ∼ 0, − 12 , −2 ∼ 0, − 12 , 0 = D. −4r2 0, −2, −2 0, 0, 6 0, 0, 6 − 4s2
Kvadratická forma je indenitní. Pro úplnost uvedeme je²t¥ její vyjád°ení ve form¥ lineární kombinace £tverc·:
Q (u)
=
1 2ξ12 − ξ22 + 6ξ32 . 2
Cvi£ení:
1. Vypo£t¥te sou£in matic TATT z
p°íkladu 2
této podkapitoly.
2. Najd¥te matici p°echodu od standardní báze E k bázi F, ve které má kvadratická forma z príkladu 3 (podkapitoly 3.4) tvar lineární kombinace £tverc·. Napi²te bázi F. 3. Ur£ete typ kvadratické formy Q : R2 → R, je-li
Q (x)
= −3x21 − 5x22 + 4x1 x2 .
4. Sestavte bázi F, v níº je kvadratická forma
Q (u)
=
2u21 + 6u22 + 12u23 − 4u1 u2 − 8u1 u3
vyjád°ena jako lineární kombinace £tverc· a ur£ete její typ. 5. Rozhodn¥te o denitnosti matice
A
3, 1, −1 1 . = 1, 2, −1, 1, 2
Výsledky:
2, 0, 0 1. TATT = 0, 2, 0 . 0, 0, 3 1, −1/2, 3 1/2, −1 , F = [ 1, 1, 0] , − 21 , 21 , 0 , [ 3, −1, 1] . 2. P = 1, 0, 0, 1
3. Forma je negativn¥ denitní. 4. F = ([ 1, 0, 0] , [ 1, 1, 0] , [ 3, 1, 1]) . Forma je pozitivn¥ semidenitní. 5. Matice A je pozitivn¥ denitní.
Kapitola 4
Skalární sou£in a ortogonalita 4.1
Skalární sou£in vektor·
Skalárním sou£inem
na reálném vektorovém prostoru V nazýváme zobrazení
(, ) : V × V
→ R,
které má pro kaºdé vektory u, v, w ∈ V a α ∈ R následující vlastnosti:
(u + v, w) (αu, v) (u, v)
=
(u, w) + (v, w) ;
(4.1) (4.2)
= α (u, v) ; = (v, u) ;
(4.3) (4.4)
(u, u) ≥ 0;
p°i£emº rovnost v (4.4) nastane práv¥ tehdy, kdyº u = o. Jinak °e£eno, skalárním sou£inem na V rozumíme symetrickou, pozitivn¥ denitní bilineární formu na V. Zobrazení, které libovolnému vektoru u ∈ V p°i°azuje reálné £íslo kuk se nazývá norma, jestliºe pro libovolné u, v ∈ V a α ∈ R platí:
ku + vk kαuk kuk
≤
kuk + kvk ;
(4.5) (4.6)
= |α| kuk ; ≥ 0;
(4.7)
rovnost v (4.7) nastane op¥t práv¥ tehdy, kdyº u = o. Norma vektoru, jeº je pro kaºdé u ∈ V denována jako odmocnina ze skalárního sou£inu (u, u) :
kuk se nazývá
=
p (u, u),
(4.8)
norma indukovaná skalárním sou£inem.
Nech´ V = R2,1 je vektorový prostor v²ech sloupcových aritmetických vektor· dimenze 2. Rozhodn¥te, zda zobrazení ( , ) : V × V → R denované vztahem P°íklad 1.
= uT Av,
(u, v) kde
A
=
2, −1 −1, 2 50
,
KAPITOLA 4.
51
SKALÁRNÍ SOUIN A ORTOGONALITA
je skalární sou£in.
e²ení: Podívejme se, zda-li dané zobrazení p°edstavuje symetrickou, pozitivn¥ denitní bilineární formu:
T
(4.1): (u + v, w) = (u + v) Aw = uT + vT Aw = uT Aw + vT Aw = (u, w) + (v, w) ; T
(4.2): (αu, v) = (αu) Av = α uT Aw = α (u, v) ;
T T T T = vT Au = (v, u) ; =v A u 2 2, −1 u1 = 2u21 − 2u1 u2 + 2u22 = 2 u1 − 21 u2 + 32 u22 ≥ 0. −1, 2 u2
(4.3): (u, v) = uT Av = uT Av (4.4): (u, u) = [u1 , u2 ]
T
Zobrazení spl¬uje axiomy (4.1) - (4.4), a denuje tedy skalární sou£in.
T
Musíme si uv¥domit, ºe uT Av ∈ R, a tudíº skute£n¥ uT Av = uT Av . Nakonec zbývalo ukázat, ºe kvadratická forma (u, u) = 2u21 − 2u1 u2 + 2u22 je pozitivn¥ denitní. Zde jsme tentokrát pouºili metodu dopln¥ní na £tverec. Poznámka 1.
P°íklad 2.
Ukaºte, ºe p°edpis
kuk∞
=
max {|u1 | , |u2 |}
denuje normu na R2 .
e²ení: Je evidentní, ºe kuk∞ je nezáporné £íslo a ºe kuk∞ = 0 pouze v p°ípad¥, je-li u = [0, 0] . Zbývá tak ov¥°it platnost axiom· (4.5) a (4.6): ku + vk∞
=
max {|u1 + v1 | , |u2 + v2 |}
≤ max {|u1 | + |v1 | , |u2 | + |v2 |} ≤ max {|u1 | , |u2 |} + max {|v1 | , |v2 |} kαuk∞
= kuk∞ + kvk∞ ; = max {|αu1 | , |αu2 |} =
max {|α| |u1 | , |α| |u2 |}
= |α| max {|u1 | , |u2 |} = |α| kuk∞ . Oba axiomy platí, tj. daný p°edpis denuje normu na R2 . P°i d·kazu jsme vyuºili vlastností absolutní hodnoty reálného £ísla. Pro kaºdé
Poznámka 2.
x, y ∈ R totiº platí: |x + y|
≤
|x| + |y| ;
|xy| = |x| |y| . Cvi£ení:
1. Na vektorovém prostoru R2,1 v²ech sloupcových aritmetických vektor· dimenze 2 je denován skalární sou£in jako v p°íkladu 1 (podkapitoly 4.1). Vypo£t¥te sou£iny (u, v) , (u, w) , (v, w) , jestliºe:
u=
1 0
,v=
1/2 1
,w=
0 1
.
KAPITOLA 4.
52
SKALÁRNÍ SOUIN A ORTOGONALITA
2. Nech´ R2,1 ozna£uje vektorový prostor z p°ede²lé úlohy. Je vzorcem
(u, v)
= uT Bv
denován skalární sou£in na R2,1 , je-li
B
=
0, 1 1, 0
?
3. Bu¤ Rn aritmetický vektorový prostor dimenze n. Ukaºte, ºe
euklidovský skalární sou£in
= u1 v1 + u2 v2 + · · · + un vn
(u, v)2 má vlastnosti (4.1) - (4.4).
4. Bu¤ Rn op¥t aritmetický vektorový prostor dimenze n. Dokaºte, ºe
kuk2
=
q
euklidovská norma
u21 + u22 + · · · + u2n
vyhovuje axiom·m (4.5) - (4.7). Výsledky:
1. (u, v) = 0, (u, w) = −1, (v, w) =
3 2.
2. Není, neplatí axiom (4.4). 4.2
Ortogonalita
Mnoºina vektor· X = {a1 , . . . , an } vektorového prostoru V je ortogonální, práv¥ kdyº skalární sou£in (ai , aj ) = 0, je-li i 6= j (i, j = 1, . . . , n). Mnoºina vektor· X = {a1 , . . . , an } se nazývá ortonormální, práv¥ kdyº (ai , aj ) = 0, je-li i 6= j a navíc (ai , aj ) = 1, je-li i = j (i, j = 1, . . . , n). Ortogonální maticí rozumíme matici U, pro niº platí UT = U−1 . Jinak °e£eno
UUT
= I.
To vlastn¥ znamená, ºe °ádky i sloupce ortogonální matice jsou tvo°eny ortonormálními vektory.
Z kaºdé báze F = (f1 , . . . , fn ) prostoru V m·ºeme sestavit ortogonální bázi E = (e1 , . . . , en ) pomocí Schmidtova ortogonaliza£ního procesu: e1
= f1 ,
e2
= f2 − α21 e1 ,
e3
= f3 − α31 e1 − α32 e2 ,
(4.9)
.. .
en kde
αji =
= fn − αn1 e1 − · · · − αnn−1 en−1 ; (fj , ei ) , j = 2, . . . , n; i = 1, . . . , j − 1. (ei , ei )
Algoritmus Schmidtova procesu spo£ívá v tom, ºe vektor f1 bereme jako první vektor hledané ortogonální báze a potom kaºdý následující vektor fj roz²t¥píme na dv¥ ortogonální sloºky: vektor ej a ortogonální pr·m¥t fj do podprostoru he1 , . . . , ej−1 i . Poznámka.
KAPITOLA 4.
53
SKALÁRNÍ SOUIN A ORTOGONALITA
T
T
Ortogonalizujte vektory sI1 = [1, 0] , sI2 = [0, 1] vektorového prostoru R2,1 vzhledem ke skalárnímu sou£inu P°íklad 1.
= uT Av,
(u, v) kde
A
e²ení:
sou£inu:
=
2, −1 −1, 2
.
Vektory sI1 , sI2 netvo°í ortogonální bázi prostoru R2,1 vzhledem k danému skalárnímu
sI1 , sI2
2, −1 −1, 2 −1 = [1, 0] 2 = −1.
=
[1, 0]
0 1
˜1 , e ˜2 najdeme Schmidtovým algoritmem: Ortogonální vektory e ˜1 e α21
˜2 e
= sI1 , ˜1 sI2 , e = ˜1 ) (˜ e1 , e 1 2, −1 [0, 1] 0 −1, 2 = 1 2, −1 [1, 0] 0 −1, 2 1 = − , 2 1 ˜1 = sI2 − − e 2 1/2 = . 1 T
˜1 = [1, 0] Hledané ortogonální vektory jsou e
˜2 = ae
1
T
2, 1
.
Z vektor· a = [1, 0, 1] , b = [0, 1, 2] , c = [2, 1, 0] sestavte ortonormální bázi prostoru R3 vzhledem k euklidovskému skalárnímu sou£inu. P°íklad 2.
e²ení:
Nejd°íve najdeme ortogonální bázi:
e1 = a, e1 = [1, 0, 1] ; α21 = α31 =
(c,e1 )2 (e1 ,e1 )2
= 22 , α32 =
(b,e1 )2 (e1 ,e1 )2
(c,e2 )2 (e2 ,e2 )2
=
0·1+1·0+2·1 1·1+0·0+1·1
= 1, e2 = b − α21 e1 = [−1, 1, 1] ;
= − 13 , e3 = c − α31 e1 − α32 e2 =
2
4 2 3, 3, −3
.
Vypo£teme normy vektor· e1 , e2 , e3 :
ke1 k2 =
√
12
+
02
+
12 ,
q q 2 2 2 ke2 k2 = (−1) + 1 + 1 , ke3 k2 =
2 2 3
+
4 2 3
+ − 32
2
.
Hledanou ortonormální bázi tvo°í vektory:
e1 / ke1 k2 =
h
√1 , 0, √1 2 2
i
h , e2 / ke2 k2 = − √13 ,
√1 , √1 3 3
i
, e3 / ke3 k2 =
h
√1 , √2 , − √1 6 6 6
i
.
KAPITOLA 4.
P°íklad 3.
54
SKALÁRNÍ SOUIN A ORTOGONALITA
Jsou polynomy p1 (x) = 1, p2 (x) = x, p3 (x) = x2 ortogonální vzhledem ke skalár-
nímu sou£inu
Z (p, q)
1
p (x) q (x) dx?
= −1
Pokud ne, ortogonalizujte je.
e²ení:
Nejd°íve se podíváme, zda-li dané polynomy nejsou náhodou ortogonální:
(1, x) =
R1
(1 · x) dx = −1
h
x2 2
R1 1, x2 = −1 1 · x2 dx =
i1 −1
h
1 2
=
i 3 1
x 3
−
=
−1
1 3
1 2
= 0; p1 , p2 jsou ortogonální;
− − 13 =
2 3
6= 0; p1 , p3 nejsou ortogonální.
P°istoupíme k ortogonalizaci p1 , p2 , p3 . Sta£í poloºit e1 (x) = 1, e2 (x) = x a dopo£ítat e3 (x) :
= p3 (x) − α31 e1 (x) − α32 e2 (x) ,
e3 (x) kde
α31 =
(p3 ,e1 ) (e1 ,e1 )
R1
=
R−1 1
x2 dx
−1
1dx
=
2 3
2
= 13 , α32 =
(p3 ,e2 ) (e2 ,e2 )
R1
=
R−1 1 −1
x3 dx x2 dx
=
0 2 3
= 0,
takºe
1 = x2 − . 3
e3 (x)
Získali jsme tak dokonce ortogonální bázi prostoru P2 v²ech polynom· stupn¥ nejvý²e 2 vzhledem k danému skalárnímu sou£inu:
P0
=
1, x, x2 −
1 3
.
Cvi£ení:
1. Vyuºijte ortogonality vektor· x = [1, 0, 1] , y = [−1, 1, 1] , z = 23 , 34 , − 23 vzhledem ke skalárnímu sou£inu (x, y)2 = x1 y1 + x2 y2 + x3 y3 k nalezení sou°adnic vektoru u = [ 5, 3, −1] v bázi X = (x, y, z) .
2. Ortogonalizujte vektory f1 = [2, 0, 0, 0] , f2 = [−1, 2, 4, 0] a f3 = [0, 4, 6, 2] ve skalárním sou£inu (u, v) = u1 v1 + 2u2 v2 + u3 v3 + 2u4 v4 . 3. Najd¥te ortogonální bázi vektorového prostoru P2 v²ech polynom· stupn¥ nejvý²e 2 vzhledem R1 ke skalárnímu sou£inu (p, q) = 0 p (x) q (x) dx. 4. Ukaºte, ºe platí: Je-li matice A ortogonální, pak také matice A2 je ortogonální. Výsledky:
T
1. [u]X = [2, −1, 3] ; nápov¥da: u = α1 x + α2 y + α3 z ⇒ α1 = 2. e1 = [2, 0, 0, 0] , e2 = [0, 2, 4, 0] , e3 = 0, 23 , − 23 , 2 .
3. e1 (x) = 1, e2 (x) = x − 12 , e3 (x) = x2 − x + 16 . 4. Musí platit A2
T
= A2
−1
.
(u,x)2 (x,x)2 ,
atd.
Kapitola 5
Determinanty Matice Aij , která vznikne z £tvercové matice A = [aij ]n×n vynecháním i-tého °ádku a j-tého sloupce, se nazývá submatice °ádu n − 1. Determinantem matice A = [a11 ] nazýváme £íslo |A| = a11 . Je-li n > 1 a jsou-li denovány determinanty matic stupn¥ men²ího neº n, rozumíme determinantem matice A = [aij ]n×n £íslo 1+n
|A| = a11 |A11 | − a12 |A12 | + · · · + (−1)
a1n |A1n | ,
(5.1)
kde |A1j | jsou determinanty submatic A1j (j = 1, . . . , n). Determinant |Aij | se nazývá také minor (subdeterminant) °ádu n − 1. Opat°íme-li subdeterminant |Aij | znaménkem (−1)i+j , dostaneme algebraický dopln¥k A?ij prvku aij ; tedy A?ij = (−1)i+j |Aij | . Vzorec (5.1) zapsaný pomocí dopl¬k·
má potom podobu
|A| = a11 A?11 + a12 A?12 + · · · + a1n A?1n .
(5.2)
Determinant regulární matice je vºd y nenulový. Inverzní matici k dané regulární matici A m·ºeme pak ur£it pomocí algebraických dopl¬k·: T A?1n A?2n .. . .. . . . . . , A?nn
A?11 , A?12 , ? ? 1 A21 , A22 , . .. |A| .. . A?n1 , A?n2 ,
A−1
=
... , ... ,
(5.3)
adjungovaná matice. e²ení [x1 , . . . , xn ] soustavy lineárních rovnic Ax = b se £tvercovou regulární maticí °ádu n lze vypo£ítat pomocí determinant· (Cramerových vzorc·): Matice na pravé stran¥ vzorce je tzv.
xi
=
b A i
|A|
je determinant matice, jeº vznikne z matice A tak, ºe v ní kde Ab i
sloupcem pravých stran. P°íklad 1.
Ukaºte, ºe matice
A
4, 0, 1 = 2, 2, 0 3, 1, 1
je regulární a najd¥te inverzní matici A−1 .
55
(5.4)
,
i-tý
sloupec nahradíme
KAPITOLA 5.
56
DETERMINANTY
e²ení:
Podíváme se, je-li determinant matice A r·zný od nuly. K jeho výpo£tu zvolíme rozvoj podle 1. °ádku (vzorec (5.1)):
|A| = = =
2, 0 − 0 · 2, 0 4 · 3, 1 1, 1
+ 1 · 2, 2 3, 1
4 (2 · 1 − 1 · 0) − 0 + (2 · 1 − 3 · 2) 4.
Matice A má nenulový determinant, je tedy regulární a m·ºeme p°istoupit k výpo£tu inverzní matice pomocí vzorce (5.3):
A−1
=
=
=
=
P°íklad 2.
2, 1 1, 4 −2, 2, 1 −2, 4 −4,
, (−1)4 2, 2 3, 1
0, 1 4 4, 1 , (−1) 1, 1 3, 1
, (−1)5 4, 0 3, 1
0, 1 5 4, 1 , (−1) 2, 0 2, 0 T −2, −4 1, −4 2, 8 1, −2 1, 2 . −4, 8
, (−1)6 4, 0 2, 2
T
Ur£ete neznámou x2 ze soustavy rovnic
x1 2x1 3x1
e²ení:
T A?12 , A?13 A?22 , A?23 A?32 , A?33 2, 0 3 2, 0 , (−1) 1, 1 3, 1
? A , 1 11 A?21 , |A| A?31 , 2 (−1) 1 (−1)3 4 4 (−1)
+ x2 + x2 x2 + x2
− 3x3 − 6x3
+ x4 + 2x4 − x4 + x4
= 1 = 0 = 5 = 1.
Neznámou x2 vypo£teme uºitím Cramerova vzorce, tj. v (5.4) poloºíme i = 2 :
x2
=
=
b A 2 |A| 1, 2, 0, 3, 1, 2, 0, 3,
1, 0, 5, 1, 1, 1, 1, 1,
−3, 1 0, 2 −6, −1 0, 1 . −3, 1 0, 2 −6, −1 0, 1
KAPITOLA 5.
57
DETERMINANTY
P°i výpo£tu determinant· p°ejdeme k efektivn¥j²ím postup·m neº nabízí vzorce (5.1), resp. (5.2):
1, −3, 1 1, 0, 2 1, −6, −1 −2r1 1, 0, 1
1, 2, 0, 3,
1, 1, −3, 1 2, 1, 0, 2 = 0, −3 −2, −1, 3, 1, 0, 1 2, 1, 1+3 −2, −1, = −3 (−1) 3, 1, 2, 1, 2 = −3 0, 0, −1 3, 1, 1 2+3 2, 1 = −3 (−1) (−1) 3, 1 = 3.
2 −3 1
+r1
Vyuºili jsme, ºe p°i£tení násobku jednoho °ádku k jinému nezm¥ní hodnotu determinantu a ºe determinant m·ºeme vypo£ítat rozvojem podle libovolného °ádku, resp. sloupce. V na²em p°ípad¥ to byl 3. sloupec a 2. °ádek.
Poznámka 1.
1, 2, 0, 3,
1, −3, 1 0, 0, 2 −2r1 5, −6, −1 1, 0, 1 −3r1
= = = =
Poznámka 2.
1, 1, −3, 1 0, −2, 6, 0 0, 5, −6, −1 0, −2, 9, −2 1, 1, −3, 1 0, −2, 6, 0 0, 0, 9, −1 0, 0, 3, −2
1, 1, −3, 1 0, −2, 6, 0 0, 0, 9, −1 0, 0, 0, − 53 30.
+ 5 r2 2 −r2 − 1 r3 3
Zde jsme p°i£tení násobku °ádku k jinému provád¥li tolikrát, aº jsme obdrºeli jejíº determinant je roven jednodu²e sou£inu diagonálních prvk·.
horní trojúhelníkovou matici, Neznámá x2 = 10.
Poznámka 3. P°i výpo£tu determinantu úpravou matice na horní trojúhelníkovou matici musíme dávat pozor, zda-li skute£n¥ p°i£ítáme násobek °ádku k jinému °ádku, nebo násobek °ádku k násobku °ádku. Pokud by nap°íklad n¥kdo p°i výpo£tu p°edchozího determinantu p°i poslední úprav¥ ode£etl 3. °ádek od trojnásobku 4. °ádku, zm¥nil by zrovna tak trojnásobn¥ i hodnotu determinantu!
1, 1, −3, 1 0, −2, 6, 0 0, 0, 9, −1 0, 0, 3, −2 3r4 − r3
1, 1, −3, 1 0, −2, 6, 0 0, 0, 9, −1 0, 0, 0, −5 90.
= =
KAPITOLA 5.
58
DETERMINANTY
V takovém p°ípad¥ nesmíme zapomenout vynásobit hodnotu determinantu odpovídající reciprokou (p°evrácenou) hodnotou násobku:
1, 1, −3, 1 0, −2, 6, 0 0, 0, 9, −1 0, 0, 3, −2 3r4 − r3
=
1 3
=
30.
1, 1, −3, 1 0, −2, 6, 0 0, 0, 9, −1 0, 0, 0, −5
Cvi£ení:
1. Vypo£t¥te determinanty daných matic:
2, 0, −1, 7 5, 2, 1 0, 1, 4 6, 1, 0, 4 ; C = 2, 3, 1 . a) A = 1, −1, 4 ; b) B = 8, −2, 1, 0 1, 4, 1 3, 0, 2 4, 1, 0, 2
2. Pro které hodnoty λ je matice
1 − λ, 0, 0,
0, 4 − λ, 4,
2 3 −λ
singulární. 3. Pomocí adjungované matice najd¥te inverzní matice A−1 , B−1 , je-li
2, 1, 1 3, 0, 3 A = 0, 1, 1 ; B = 4, 1, −2 . −2, 1, 1 −5, 1, 4 Výsledky:
1. a) |A| = 13; b) |B| = −14; c) |C| = 19. 2. 1, 6, −2.
3. A je singulární; B−1
2, 1, −1 1 −2, 9, 6 . = 15 3, −1, 1
Kapitola 6
Úvod do spektrální teorie 6.1
Vlastní £ísla a vektory
Nenulový vektor x ∈ V a £íslo λ ∈ C se nazývají vlastní vektor a vlastní £íslo lineární transformace A : V → V, jestliºe platí
A (x)
(6.1)
= λx.
Je-li E = (e1 , . . . , en ) uspo°ádaná báze vektorového prostoru V a [A]E matice lineární transformace A ∈ L (V) vzhledem k bázi E, m·ºeme rovnici (6.1) p°epsat na rovnici (viz (3.19))
[A]E [x]E
(6.2)
= λ [x]E ,
T
kde [x]E = [x1 , . . . , xn ] je sou°adnicový vektor vektoru x v bázi E. Úloha najít vlastní £ísla a vektory lineární transformace se potom shoduje s úlohou najít vlastní £ísla a vektory matice A = [aik ]n×n , tj. najít takový sloupcový vektor x 6= o a takové £íslo λ, aby platilo
Ax
(6.3)
= λx.
Rovnice (6.3) je ekvivalentní s rovnicí (6.4)
(A − λI) x = o, coº je soustava homogenních lineárních rovnic. Výraz det (A − λI) nazýváme polynomem matice A a rovnice
|A − λI| =
charakteristickým
0
(6.5)
charakteristická rovnice. V komplexním prostoru V má kaºdé lineární zobrazení A alespo¬ jeden vlastní vektor.
se nazývá
P°íklad 1.
Najd¥te v²echna vlastní £ísla a vlastní vektory matice
A
1, −3, 3 = 0, −5, 6 . 0, −3, 4
e²ení:
Hledáme netriviální °e²ení soustavy (6.4). Z kapitoly v¥nované determinant·m je z°ejmé, ºe soustava (6.4) bude mít netriviální °e²ení práv¥ tehdy, kdyº matice soustavy bude singulární. V p°ípad¥ regulární matice by totiº soustava m¥la pouze jediné °e²ení a to práv¥ triviální °e²ení.
59
KAPITOLA 6.
60
ÚVOD DO SPEKTRÁLNÍ TEORIE
Determinant singulární matice je roven vºdy nule, vlastní £ísla matice A jsou tedy nulové body charakteristického polynomu, tj. ko°eny rovnice (6.5):
1 − λ, 0, 0,
−3, −5 − λ, −3,
3 6 4−λ
6 4−λ
=
−5 − λ, (1 − λ) −3,
=
(1 − λ) λ2 + λ − 2
=
(1 − λ) (λ − 1) (λ + 2) .
Vlastní £ísla jsou λ1 = λ2 = 1, λ3 = −2. Nyní je dosadíme do soustavy (6.4) a vyhledáme k nim p°íslu²né vlastní vektory.
x1 = r 0, −3, 3 0 0, −3, 3 0 1 0 0, 0 0 x2 = s , x = r 0 + s 1 . = 1 : 0, −6, 6 0 ∼ 0, 0, −3, 3 0 0, 0, 0 0 x3 = s 0 1
λ1,2
Parametry r, s jsou libovolná reálná £ísla, která se nesmí sou£asn¥ rovnat nule. Vlastnímu £íslu 1 odpovídá tedy nekone£n¥ mnoho vlastních vektor·, které jsou lineární kombinací dvou lineárn¥ T T nezávislých vektor· x1 = [1, 0, 0] a x2 = [0, 1, 1] , p°i£emº kaºdý z nich je vlastním vektorem matice A, o £emº se p°esv¥d£íme dosazením do (6.3):
1, −3, 3 1 1 1 1, −3, 3 0 0 0 0, −5, 6 0 = 0 = 1 · 0 ; 0, −5, 6 1 = 1 = 1 · 1 . 0, −3, 4 0 0 0 0, −3, 4 1 1 1 3, −3, 3 0 3, −3, 3 λ3 = −2 : 0, −3, 6 0 ∼ 0, −3, 6 0, 0, 0 0, −3, 6 0
0 0 0
y1 = t 1 y2 = 2t , y = t 2 . y3 = t 1
Parametr t je op¥t libovolné nenulové reálné £íslo. Vlastnímu £íslu −2 odpovídá op¥t nekone£n¥ T mnoho vlastních vektor·, které jsou nenulovými násobky vektoru x3 = [1, 2, 1] :
1, −3, 3 1 −2 1 0, −5, 6 2 = −4 = −2 · 2 . 0, −3, 4 1 −2 1
1 0 1 Matice A má t°i lineárn¥ nezávislé vlastní vektory x1 = 0 , x2 = 1 a x3 = 2 . 0 1 1 Ur£ete v²echna vlastní £ísla a vlastní vektory lineární transformace A : R3 → R3 denované p°edpisem P°íklad 2.
A ([x1 , x2 , x3 ])
= [2x1 + x2 , −x1 + x3 , x1 + 3x2 + x3 ] .
e²ení:
Nejprve sestavíme matici lineární transformace A ve standardní bázi E prostoru R3 . To uº jist¥ není pro nás ºádný problém. Matici ozna£íme A místo [A]E . Platí
A
2, 1, 0 = −1, 0, 1 . 1, 3, 1
KAPITOLA 6.
61
ÚVOD DO SPEKTRÁLNÍ TEORIE
Vlastní £ísla a vektory matice A najdeme jako v p°ede²lém p°íklad¥:
2 − λ, −1, 1,
1, 0 −λ, 1 3, 1 − λ
−λ, −1, 1 1 = (2 − λ) − 1 3, 1 − λ 1, 1 − λ = (2 − λ) λ2 − λ − 3 − (λ − 2) = (2 − λ) λ2 − λ − 2 =
(2 − λ) (λ + 1) (λ − 2) .
Charakteristický polynom má ko°eny λ1 = −1, λ2,3 = 2. Známe tak vlastní £ísla lineární transformace a m·ºeme p°istoupit k ur£ení vlastních vektor·.
3, 1, 0 0 −1, 1, 1 λ1 = −1 : −1, 1, 1 0 ∼ 0, 4, 3 1, 3, 2 0 0, 4, 3
λ2,3
0, 1, 0 1 = 2 : −1, −2, 1, 3, −1
0 r 1 0 , x = −3r = r −3 , r 6= 0. 0 4r 4
0 1, 3, −1 0 s 1 0 ∼ 0, 1, 0 , y = 0 = s 0 , s 6= 0. 0 0 0, 1, 0 0 s 1
1 1 Matice A má tentokrát dva lineárn¥ nezávislé vlastní vektory x1 = −3 a x2 = 0 . 4 1 Napí²eme-li vektory x1 , x2 jako °ádky, dostaneme vlastní vektory na²í lineární transformace:
A ([ 1, −3, 4]) = [2 · 1 + (−3) , −1 + 4, 1 + 3 (−3) + 4] = [−1, 3, −4] = −1 · [ 1, −3, 4] ; A ([ 1, 0, 1]) = [2 · 1 + 0, −1 + 1, 1 + 3 · 0 + 1] = [ 2, 0, 2] = 2 · [ 1, 0, 1] . Nech´ V je n-rozm¥rný vektorový prostor. Má-li lineární transformace A : V → V n lineárn¥ nezávislých vlastních vektor·, pak jejich volbou za bázi prostoru V p°evedeme matici zobrazení A na diagonální tvar. Dokaºte. P°íklad 3.
e²ení:
Budiº X = (x1 , x2 , . . . , xn ) uspo°ádaná báze prostoru V, kde x1 , . . . , xn jsou vlastní vektory zobrazení A. Sestavíme matici zobrazení A v bázi X (podkapitola 3.2):
[A]X
| = [A (x1 )]X | | = [λ1 x1 ]X | λ1 , 0, 0, λ2 , = . .. .. . 0, 0,
| · · · [A (xn )]X | | · · · [λn xn ]X |
| [A (x2 )]X | | [λ2 x2 ]X | ..., ...,
..
.
...,
0 0 .. . . λn
Ozna£me A matici na²eho zobrazení vzhledem k n¥jaké jiné bázi prostoru V, p°íslu²nou matici p°echodu P a poloºme D = [A]X . Vzorec (3.14), který vyjad°uje vztah mezi maticemi lineárního zobrazení v r·zných bázích, te¤ m·ºeme napsat ve tvaru
D = P−1 AP, jeº tak p°edstavuje transformaci matice lineárního zobrazení A na diagonální matici.
(6.6)
KAPITOLA 6.
62
ÚVOD DO SPEKTRÁLNÍ TEORIE
Poznámka. Vztah (3.14), resp. (6.6) se nazývá podobnost matic. Má-li tedy matice A = [aij ]n×n n lineárn¥ nezávislých vlastních vektor·, je podobná diagonální matici, která má na diagonále její vlastní £ísla. Tak nap°íklad matice A z p°íkladu 1 této podkapitoly je podobná diagonální matici 1, 0, 0 0 . D = 0, 1, 0, 0, −2
Matici p°echodu P tvo°í po sloupcích vlastní vektory matice A odpovídající vlastním £ísl·m v tom po°adí, jak jsou napsána na diagonále. K ov¥°ení vztahu (6.6) nemusíme hledat matici P−1 , sta£í jednodu²e ov¥°it PD = AP :
1, 0, 1 1, 0, 0 1, −3, 3 0, 1, 2 0, 1, 0 = 0, −5, 6 0, 1, 1 0, 0, −2 0, −3, 4 1, 0, −2 1, 0, −2 0, 1, −4 = 0, 1, −4 0, 1, −2 0, 1, −2
1, 0, 1 0, 1, 2 ; 0, 1, 1 .
Na druhé stran¥ lineární zobrazení A : R3 → R3 (p°íklad 2 podkapitola 6.1) má jen dva lineárn¥ nezávislé vektory, a tudíº matici zobrazení nelze p°evést na diagonální matici. P°íklad 4. Ukaºte, ºe platí toto tvrzení: Odpovídají-li vlastní vektory x1 , . . . , xk matice A navzájem r·zným vlastním £ísl·m λ1 , . . . , λk , jsou lineárn¥ nezávislé.
e²ení:
Nech´ platí p°edpoklady na²eho tvrzení. Nezávislost vlastních vektor· dokáºeme matematickou indukcí: 1. Je-li k = 1, tvrzení platí. Vlastní vektor x1 je nenulový, a tedy lineárn¥ nezávislý. 2. Nech´ k > 1 a nech´ vlastní vektory x1 , . . . , xk−1 jsou lineárn¥ nezávislé. Ukáºeme, ºe také vektory x1 , . . . , xk jsou lineárn¥ nezávislé. Kdyby tomu tak nebylo, vektor xk by byl lineární kombinací vektor· x1 , . . . , xk−1 , tj.
xk
= α1 x1 + · · · + αk−1 xk−1 .
(6.7)
Rovnici (6.7) vynásobíme nejprve maticí A a potom vlastním £íslem λk . Dostaneme tak dv¥ nové rovnice:
λk xk
= α1 λ1 x1 + · · · + αk−1 λk−1 xk−1 ,
λk xk
= α1 λk x1 + · · · + αk−1 λk xk−1 .
Jejich ode£tením pak nakonec získáme rovnici
= α1 (λ1 − λk ) x1 + · · · + αk−1 (λk−1 − λk ) xk−1 .
o
(6.8)
Z rovnice (6.8) tak vyplývá, ºe vektory x1 , . . . , xk−1 jsou lineárn¥ závislé, nebo´ v²echny skaláry na pravé stran¥ nemohou být nulové. Tím se ale dostáváme do sporu s induk£ním p°edpokladem. Vektory x1 , . . . , xk jsou tudíº lineárn¥ nezávislé. Cvi£ení:
1. Najd¥te charakteristiký polynom, vlastní £ísla a vektory daných matic: a) A =
−1, −2 4, 5
8, 0, 0 −2, 0, 0 ; b) B = 7, −1, −2 ; c) C = −5, −2, −5 . −7, 0, 1 5, 0, 3
KAPITOLA 6.
63
ÚVOD DO SPEKTRÁLNÍ TEORIE
2. M¥jme matici
1, −1, −1 1, −1 = −1, −1, −1, 1
A
1 0 −1 a vektory v1 = 1 , v2 = 0 , v3 = 1 . Rozhodn¥te, který z vektor· je vlast1 1 0 ním vektorem matice A. 3. Ur£ete sou£et a sou£in vlastních £ísel matice
B
2, 0, 0 = 1, −1, −2 . −1, 0, 1
4. Najd¥te bázi prostoru R2 , v níº je matice lineární transformace A : R2 → R2 diagonální, jestliºe
A ([x1 , x2 ])
= [x1 , x1 + 2x2 ] .
5. Vypo£t¥te vlastní £ísla a vektory matice A, potom sestavte regulární matici P a diagonální matici D tak, aby platilo P−1 AP = D, je-li
−2, 0, −1 −1, 0, 1 0 ; b) A = −7, 2, 5 . a) A = 0, 2, 3, 0, 2 3, 0, 1 6. Nech´ A je libovolná regulární matice. Dokaºte, ºe platí: Je-li λ vlastním £íslem matice A, pak λ−1 je vlastním £íslem matice A−1 . Výsledky:
1. a) Charakteristický polynom: λ2 − 4λ + 3, vlastní £ísla: λ1 = 1, λ2 = 3, vlastní vektory: pro λ1 = 1 : v1 =
−r r
, r 6= 0, pro λ2 = 3 : v2 =
−s 2s
, s 6= 0;
b) charakteristický polynom: −λ3 + 8λ2 + λ − 8, vlastní £ísla: λ1 = −1, λ2 = 1, λ3 = 8,
0 0 −t vlastní vektory: v1 = r , r 6= 0, v2 = −s , s 6= 0, v3 = −t , t 6= 0; 0 s t c) charakteristický polynom: −λ3 − λ2 + 8λ + 12, vlastní £ísla: λ1 = λ2 = −2, λ3 = 3,
−r = −2 : x = s , r a s se nesmí sou£asn¥ rovnat 0, r
vlastní vektory: pro λ1,2
0
pro λ3 = 3 : y = −t , t 6= 0. Vhodnou volbou parametr· r, s, t získáme 3 lineárn¥
t
−1 0 0 nezávislé vlastní vektory: x1 = 0 , x2 = 1 , x3 = −1 . 1 0 1
KAPITOLA 6.
64
ÚVOD DO SPEKTRÁLNÍ TEORIE
2. Vlastní vektory matice A jsou v1 a v3 . Jim odpovídají vlastní £ísla −1 a 2. Vektor v2 není vlastním vektorem matice A. (Vlastní £ísla a vektory nemusíme po£ítat!) 3. λ1 + λ2 + λ3 = 2, λ1 λ2 λ3 = −2. (Vlastní £ísla op¥t nemusíme po£ítat!) 4. Hledaná báze je nap°íklad X = ([−1, 1] , [ 0, 1]) . 5. a) Vlastní £ísla: λ1 = −1, λ2 = 1, λ3 = 2,
−r −s 0 vlastní vektory: v1 = 0 , r 6= 0, v2 = 0 , s 6= 0, v3 = t , t 6= 0, r 3s 0
−1, −1, 0 −1, 0, 0 0, 1 , D = 0, 1, 0 ; P = 0, 1, 3, 0 0, 0, 2 b) vlastní £ísla: λ1 = −2, λ2 = λ3 = 2,
−r 0 vlastní vektory: pro λ1 = −2 : v1 = −3r , r = 6 0, pro λ2,3 = 2 : v2 = s , s 6= 0. r 0 Matice má pouze 2 lineárn¥ nezávislé vlastní vektory, regulární matici P nelze sestavit. 6.2
Spektrální rozklad symetrické matice.
Ke kaºdé reálné symetrické matici A existují ortogonální matice U a diagonální matice D tak, ºe = UDUT .
A
(6.9)
Sloupce sU i matice U jsou ortonormální vlastní vektory matice A p°íslu²né vlasním £ísl·m λi uvedeným na diagonále matice D. Vzorci (6.9) lze také dát podobu
D = UT AU. Mluvíme potom o P°íklad 1.
ortogonální diagonalizaci
reálné symetrické matice.
Ur£ete spektrální rozklad matice
A
e²ení:
=
2, −1 −1, 2
.
Matice A má vlastní £ísla λ1 = 1, λ2 = 3, kterým odpovídají vlastní vektory
x1 =
1 1
, x2 =
−1 1
.
Vektory x1 , x2 jsou ortogonální, ale nejsou ortonormální. Ortonormální vlastní vektory získáme normalizováním t¥chto vektor·:
˜1 x
= x1 / ||x1 ||2 " # =
˜2 x
√1 2 √1 2
,
= x2 / ||x2 ||2 " # − √12 . = √1 2
KAPITOLA 6.
65
ÚVOD DO SPEKTRÁLNÍ TEORIE
Nyní m·ºeme sestavit ortogonální matici
" U =
1 √ 2
=
− √12
#
1, −1 1, 1
√1 , 2 √1 , 2
√1 2
.
Snadno si ov¥°íme, ºe A = UDUT :
P°íklad 2.
2, −1 −1, 2
=
1 2
1, −1 1, 1
1, 0 0, 3
1, 1 −1, 1
.
Najd¥te co nejmen²í £ást S komlexní roviny C, v níº se nachází v²echna vlastní £ísla
matice
A
1, −1, −1 1, −1 = −1, −1, −1, 1
a potom sestavte ortogonální matici U a diagonální matici D tak, aby platilo A = UDUT .
e²ení:
Lokalizaci spektra provedeme pomocí matice, platí S ⊂ R.
Ger²gorinovy v¥ty.
Jeºto A je reálná symetrická
r1 = |−1| + |−1| = 2 ⇒
S1 = {x ∈ R : |x − 1| ≤ 2} = h−1, 3i ;
r2 = |−1| + |−1| = 2 ⇒
S2 = {x ∈ R : |x − 1| ≤ 2} = h−1, 3i ;
r3 = |−1| + |−1| = 2 ⇒
S3 = {x ∈ R : |x − 1| ≤ 2} = h−1, 3i .
Odtud máme S ⊂ S1 ∪ S2 ∪ S3 = h−1, 3i . Nyní p°istoupíme k výpo£tu vlastních £ísel a vektor· na²í matice:
1 − λ, −1, −1,
−1, 1 − λ, −1,
−1 −1 1−λ
−1 −1 −1, + 1 − λ −1, 1 − λ
=
1 − λ, (1 − λ) −1,
=
(1 − λ) λ2 − 2λ + (λ − 2) − (2 − λ)
−1, 1 − λ − −1, −1
= (1 − λ) (λ − 2) λ + 2 (λ − 2) = (λ − 2) −λ2 + λ + 2 2
= − (λ + 1) (λ − 2) . Matice má vlastní £ísla λ1 = −1, λ2 = λ3 = 2. V²imn¥me si, ºe −1, 2 ∈ h−1, 3i . Dostáváme tak diagonální matici
−1, 0, 0 D = 0, 2, 0 0, 0, 2 −1, 2, −1 2, −1, −1 0 3, −3 2, −1 0 ∼ 0, λ1 = −1 : −1, −1, −1, 2 0 0, −3, 3
. 0 r 0 , x = r , r 6= 0. 0 r
−1, −1, −1 0 −1, −1, −1 0 −s − t , s2 + t2 > 0. 0, 0 0 , y = s = 2 : −1, −1, −1 0 ∼ 0, −1, −1, −1 0 0, 0, 0 0 t
λ2,3
KAPITOLA 6.
66
ÚVOD DO SPEKTRÁLNÍ TEORIE
T
Vlastnímu £íslu −1 p°íslu²í jeden lineárn¥ nezávislý vlastní vektor x1 = [1, 1, 1] . Vlastnímu £íslu 2, které je dvojnásobným ko°enem charakteristické rovnice, odpovídají dva lineárn¥ nezávislé T T vlastní vektory x2 = [−1, 1, 0] (klademe s = 1, t = 0) a x3 = [−1, 0, 1] (volíme s = 0, t = 1). Pro sestavení ortogonální matice U musíme z vektor· x1 , x2 , x3 vytvo°it Schmidtovým procesem ortonormální vektory u1 , u2 , u3 , tj. ortonormální bázi prostoru R3,1 . Vektory x1 , x2 jsou ortogonální, nebo´ pat°í r·zným vlastním £ísl·m, takºe sta£í poloºit:
u1
u2
= x1 / ||x1 ||2 T 1 1 1 √ ,√ ,√ = ; 3 3 3 = x2 / ||x2 ||2 T 1 1 = −√ , √ , 0 . 2 2
˜ 3 , pro který platí Zbývá tak jenom ur£it vektor u3 . To ud¥láme tak, ºe nejprve najdeme vektor x (˜ x3 , x1 )2 = 0, (˜ x3 , x2 )2 = 0 : ˜ 3 = x3 − α31 x1 − α32 x2 , α31 = x
(x3 ,x1 )2 (x1 ,x1 )2
= 0, α32 =
(x3 ,x2 )2 (x2 ,x2 )2
T ˜ 3 = − 12 , − 21 , 1 . = 21 , x
Poloºíme
u3
˜ 3 / ||˜ = x x3 ||2 T 1 1 2 = −√ , −√ , √ . 6 6 6
Te¤ uº m·ºeme sestavit i ortogonální matici a ov¥°it vztah (6.9):
√ √ √ 1/√3, −1/√ 2, −1/√6 U = 1/√3, 1/ 2, −1/√6 ; 0, 2/ 6 1/ 3, 1 √1 1 1 √ , −√ , −√ √1 , , −1, 0, 0 1, −1, −1 3 2 6 3 3 1 √1 , − √1 √1 , −1, 0, 2, 0 1, −1 = √13 , − √2 , 2 6 2 √1 , √2 √1 , − √1 , −1, −1, 1 0, 0, 2 0, − 3 6 6 6
√1 3
0 .
√2 6
P°íklad 3. Bu¤ A ortogonální matice °ádu n a Rn,1 aritmetický vektorový prostor v²ech sloupcových vektor· dimenze n. Ukaºte, ºe lineární transformace A : Rn,1 → Rn,1 denovaná pro kaºdé u ∈ Rn,1 p°edpisem
A : Rn,1 3 u 7−→
Au ∈ Rn,1 ,
zachovává euklidovský skalární sou£in a normu, tj. (u, v)2 = (Au, Av)2 a kuk2 = kAuk2 .
e²ení:
Euklidovský skalární sou£in na vektorovém prostoru Rn,1 m·ºeme vyjád°it vzorcem:
(u, v)2
= uT v = u1 v1 + u2 v2 + · · · + un vn .
Pro skalární sou£in vektor· Au a Av potom platí:
T (Au, Av)2 = (Au) (Av) = uT AT A v = uT Iv = uT v = (u, v)2 . Zachování normy uº je jenom d·sledkem, nebo´ euklidovskou normu lze denovat pomocí skalárního sou£inu: q
kuk2 =
(u, u)2 .
KAPITOLA 6.
67
ÚVOD DO SPEKTRÁLNÍ TEORIE
Cvi£ení:
1. Ur£ete spektrální rozklad matice
A
=
3, 2 2, 0
a vyuºijte jej pak k výpo£tu matic A−1 a A3 . 2. Lokalizujte vlastní £ísla matice A a pak ji transformujte na diagonální matici:
A
0, 1, 1 = 1, 2, 1 . 1, 1, 0
3. Najd¥te ortogonální transformaci x = Pz (P je ortogonální matice), jeº p°evádí kvadratickou formu
Q (x)
2x21 + 2x22 + 2x23 + 2x1 x2 + 2x1 x3
=
na lineární kombinaci £tverc·. 4. Dokaºte, ºe platí: Je-li matice A ortogonální, pak det (A) = ±1. 5. Existuje taková matice A = [aik ]2×2 , ºe det (A) = 1 a není ortogonální? 6. Budiº dán nenulový vektor w ∈ Rn,1 . Dokaºte, ºe
P
= I−
2 2 kwk2
wwT
je ortogonální matice.
Výsledky:
1. D =
−1, 0 0, 4
,U=
√1 5
A−1
A3
−1, 2 2, 1
; platí:
−1 T = UD U 1 −1, 2 −1, = 2, 1 0, 5 0, 1/2 = ; 1/2, −3/4
0
1 4
−1, 2 2, 1
3 T = UD U 1 −1, 2 −1, 0 −1, 2 = 2, 1 0, 64 2, 1 5 51, 26 = . 26, 12
2. V²echna vlastní £ísla matice pat°í do mnoºiny S ⊂ h−2, 4i . T D = U AU 0, − √1 , √12 , − √1 , = 3 3 √1 , √2 , 6 6 −1, 0, 0 = 0, 0, 0 . 0, 0, 3
√1 2 √1 3 √1 6
√1 √1 , − 2, 0, 1, 1 3 0, − √13 , 1, 2, 1 √1 , √1 , 1, 1, 0 2 3
√1 6 √2 6 √1 6
KAPITOLA 6.
68
ÚVOD DO SPEKTRÁLNÍ TEORIE
√ √ − 2, 0, 2 √ 3. P = 21 1 , tj. x = 1, −√2, 1, 2, 1
x1
=
x2
=
x3
=
√ √ − 2, 0, 2 √ 1 2, 1 z, respektive 1, − 2 √ 1, 2, 1
√ 1 √ − 2z1 + 2z3 , 2 √ 1 z1 − 2z2 + z3 , 2 √ 1 z1 + 2z2 + z3 . 2
Návod: ur£ete spektrální rozklad A = PDPT matice kvadratické formy:
√ √ T Q (x) = xT Ax = (Pz) A (Pz) = zT PT AP z = zT Dz = 2 − 2 z12 +2z22 + 2 + 2 z32 . 4. Vyuºijte: det AT
= det (A) , det (AB) = det (A) det (B) .
5. Nap°íklad
A 2
6. Vyuºijte, ºe ||w||2 = wT w.
=
2, 1 1, 1
.