Informace k prednasce "Linearni algebra I" (zimni semestr 2000/2001; Jiri
Matousek, KAM)
Priblizna osnova je na oficialni
strance v Karolince, konkretni probrana latka a doporucene priklady
jsou na teto strance.
Nektere prameny a odkazy
K linearni algebre je spis prilis mnoho pramenu a ucebnic, nez ze by se
nedostavaly. Vsechny musi pokryt vicemene tytez nejzakladnejsi pojmy a
vysledky, ale lisi se mirou prehlednosti a elegance, a take tim, jakym
posluchacum jsou urceny. Pri vyberu doporucuji jistou opatrnost, spatnych
ucebnic je mozna vice nez dobrych.
-
Budeme postupovat vzasade podle casti skript A. Pultr: Matematicka analyza
I, MATFYZPRESS 1995
-
Zcasti se tez budeme inspirovat ucebnici G. Fischer: Lineare Algebra
(11.Auflage, Vieweg Studium, Braunschweig/Wiesbaden, 1997), podle niz
se vetsinou prednasi linearni algebra na nemeckych universitach
-
Zasobarnou cvicnych prikladu jsou (starsi) skripta L. Bican: Ulohy z
linearni algebry; pozor na misty trochu jine znaceni. Nektere konkretni
doporucene ulohy a typy prikladu budou uvadeny na teto strance.
-
Velmi pekna knizka o teorii grup je J. F. Humphreys: A Course in Group
Theory, Oxford University Press 1996
-
Nektere aplikace linearni algebry v kombinatorice, jichz se v prednasce
tez dotkneme, jakoz i velmi strucne shrnuti latky linearni algebry v dodatku,
lze najit v knizce J. Matousek, J. Nesetril: Kapitoly z diskretni matematiky,
2. vydani, Nakladatelstvi Karolinum, Praha 2000
-
Velmi zajimava skripta, nicmene psana pro fyziky s ponekud jinym zpusobem
vykladu nez je obvykly v matematice a informatice, jsou L. Motl, M.
Zahradnik: Pestujeme linearni algebru, MATFYZPRESS 1995.
-
Ceske texty J. Tumy z paralelni prednasky na MFF pro informatiky
zde
(postscript,
dvi).
-
a tuhle
je
spousta odkazu na vse mozne souvisejici s linearni algebrou a jeji vyukou.
Typograficke konvence
HTML, zakladni jazyk popisu webovych stranek, nepodporuje prilis matematicke
formulky. Nektere veci budu zapisovat bez specialnich znaku trochu nezvyklym
zpusobem (prevzatym ze systemu TeX).
-
x_1 znaci x s dolnim indexem 1. a_{ij} znamena a s dolnimi indexy i a j.
x^2 je x na druhou (tedy s exponentem 2).
-
x \in X znamena "x nalezi do X", tedy "\in" nahrazuje znak pro nalezeni
do mnoziny (stylizovane epsilon).
-
V prednasce a v literature se mnozina vsech realnych cisel znaci pismenem
R specialniho typu (na prednasce s dvojitou svislou nozkou). Na teto strance
bude pouze obycejne R. Podobne nektera recka pismenka zde budou nahrazena
latinskymi.
Prednaska 2/X/2000
Linearni rovnice a hlavne soustavy linearnich rovnic
-
Priklad: prolozeni grafu kvadraticke funkce (tvaru y=ax^2+bx+c) danymi
tremi body vede na soustavu 3 linearnich rovnic o 3 neznamych.
-
Rovnice a_1 x_1 + a_2 x_2 = b (1 rovnice, 2 nezname): mnozina reseni ^R
(R s hackem):
^R = { (x_1,x_2) \in R^2 : a_1 x_1 + a_2 x_2 = b }.
Geometricky odpovida mnozina reseni primce v rovine (pokud a_1 a a_2
nejsou obe rovna 0). Jiny zpusob vyjadreni teze mnoziny (parametricky zapis):
^R = { u + t v : t\in R}
kde u a v jsou vhodne vektory z R^2.
Doporuceny priklad: Pro nejaka konkretni cisla a_1, a_2, b najit
vhodne u a v a dokazat, ze oba zapisy mnoziny ^R davaji tutez mnozinu.
Pripadne totez pro obecna a_1,a_2,b.
-
Podobne: mnozina reseni jedne linearni rovnice o s neznamych tvaru a_1
x_1 + a_2 x_2 + a_3 x_3 geometricky odpovida rovine v R^3 (pokud a_1,a_2,a_3
nejsou zaroven rovna 0). Lze ji zapsat v parametrickem tvaru
{ u + s v + t w : s,t\in R}
pro vhodne vektory u,v,w (ukazeme pozdeji z obecnejsich vysledku).
-
Co zde rozumime vektory? Zatim definujeme aritmeticky vektorovy prostor
dimenze n nad R, oznacovany R^n (v predchzim jsme uvazovali pripady
n=2 a n=3). Jeho prvky, zvane vektory, jsou usporadane n-tice realnych
cisel tvaru (a_1,a_2,...,a_n). Na nich jsou definovany operace scitani
a nasobeni realnym cislem (oboji po slozkach).
-
Obecne uvazujeme soustavu m linearnich rovnic o n neznamych tvaru
a_{11} x_1 + a_{12} x_2 + ... + a_{1n} x_n = b_1
a_{21} x_1 + a_{22} x_2 + ... + a_{2n} x_n = b_2
.................................................
a_{m1} x_1 + a_{m2} x_2 + ... + a_{mn} x_n = b_m
(prvni index je vzdy pro radek !!). Prehlednejsi zapis teze
soustavy:
A x = b,
kde
-
A je matice soustavy (matice s m radky a n sloupci, neboli matice
typu m x n, kde v i-tem radku a j-tem sloupci je a_{ij}),
-
b je sloupcovy vektor pravych stran, tj. matice typu m x 1,
-
x je sloupcovy vektor neznamych, tj. matice typu n x 1.
Zapis A x na leve strane je soucin matic. Odpovida obecne definici
soucinu matic, ktera bude pozdeji. ^R(A,b) znaci mnozinu vsech reseni soustavy
Ax=b (je to podmnozina R^n).
Prednaska 9/X/2000
Gaussova eliminacni metoda
-
Elementarni radkove upravy matice:
(a) zamena dvou radku,
(b) pricteni t-nasobku j-teho radku k i-temu radku, i ruzne od j,
(c) vynasobeni i-teho radku nenulovym cislem t.
-
Rozsirena matice soustavy Ax=b je matice (A|b), t.j. matice A k
niz je zprava pripsan sloupec b.
Tvrzeni: elementarni radkove upravy rozsirene matice nemeni
mnozinu reseni soustavy.
-
(Radkovy) schodovy tvar matice A: existuje cislo r, 0<=r<=m,
tak ze radky r+1..m jsou nulove a je-li j(i)= min{j: a_{ij} je nenulove},
pak j(1) < j(2) < ... < j(r).
-
Algoritmus pro upravu dane matice A na schodovy tvar elementarnimi radkovymi
upravami.
-
Jak vypadaji reseni soustavy, jejiz matice je ve schodovem tvaru (po prerovnani
sloupcu tak ze j(i)=i, i=1,2,...,r): jestlize b_{r+1},...,b_m nejsou vsechna
0 pak zadne reseni, jinak vsechna reseni se dostanou tak, ze x_{r+1},...,x_m
se zvoli libovolne a x_r,x_{r-1},...,x_1 se dopocitaji (jednoznacne).
-
Poznamky: Pocet nenulovych radku r schodoveho tvaru matice se nazyva hodnost
(cizim slovem rank) matice; pozdeji budeme mit lepsi definice hodnosti.
Doporucene priklady: vyresit nekolik konkretnich soustav Gaussovou
eliminaci; napsat program pro Gaussovu eliminaci.
Operace s maticemi, specialni typy matic
-
Soucet matic (stejneho typu!) po slozkach, nasobeni realnym cislem po slozkach.
-
Transponovana matice A^T.
-
Jednotkova matice E_n (jednicky v pozicich (i,i), i=1,2,..., nuly vsude
jinde).
-
Nasobeni matic: Nasobit se smi matice A typu (m x n) matici B typu (n x
p), dostaneme matici C typu (m x p) kde
c_{ij} = a_{i1}b_{1j}+a_{i2}b_{2j}+...+a_{in}b_{nj}.
Overit: A E_n = E_m A = A.
Prednaska 15/X/2000
-
Tvrzeni: Nasobeni matic je asociativni.
-
Fibonacciho cisla: F_0=0, F_1=1, F_{n+2}=F_{n+1}+F_n; rychly vypocet pomoci
maticoveho nasobeni.
Zakladni algebraicke struktury: grupa, okruh, teleso
-
Binarni operace na mnozine X (zobrazeni X x X -> X). Priklady (odcitani
neni binarni operace na priroz. cislech). Unarni operace (funkce X -> X),
nularni operace (konstanta). "Dobre" vlastnosti: asociativita (a*b)*c=a*(b*c),
komutativita a*b=b*a.
-
Grupa: Mnozina G s jednou asociativni binarni operaci *, existuje
jednotkovy
prvek e splnujici a*e=e*a=a pro vsechna a\in G, a pro kazde a\in G
existuje inverzni prvek a^{-1} splnujici a^{-1}*a=a*a^{-1}=e.
-
Priklady: (R,+), (Z,+) (Z=cela cisla), kladna racionalni cisla s nasobenim.
To jsou komutativni (=abelovske) grupy, v nich se zpravidla operace
znaci +, jednotkovy prvek se nazyve neutralni prvek a znaci se 0,
inverzni prvek se znaci -a. Priklad nekomutativni grupy (vice pozdeji):
otaceni kolem pocatku v R^3.
-
Okruh: (X,+,.) (2 binarni operace), (X,+) je abelovska grupa s neutralnim
prvkem 0, . je asociativni operace (ne nutne komutativni), plati distributivita
a.(b+c)=(a.b)+(a.c), (a+b).c=(a.c)+(b.c).
-
Priklady: (Z,+,.), (R,+,.), (R[x],+,.) (vsechny polynomy s realnymi koeficienty),
vsechny funkce [0,1]->R se scitanim a nasobenim hodnot v kazdem bode, Z_n
(zbytkove tridy modulo n se scitanim a nasobenim modulo n; "spravnejsi"
znaceni Z/nZ).
-
Teleso (K,+,.,0,1), (K,+,.) je komutativni okruh s neutralnim prvkem
0 a jednotkovym prvkem 1 (pro nasobeni), (K\{0},.) je abelovska grupa.
(Nekdy se uvazuji tez telesa s nekomutativnim nasobenim, my je ale uvazovat
nebudeme.)
Doporucene priklady: Jednotkovy prvek a inverzni prvky v grupe jsou
urceny jednoznacne. Grupa, v niz a*a=e pro vsechna a, je abelovska. Zadani
konecne grupy (telesa, okruhu) tabulkou, najit vsechny grupy s 3 a 4 prvky,
priklad nekomutativni konecne grupy (6 prvku), diskutovat priklady konkretnich
struktur, proc jsou/nejsou grupami, okruhy, telesy.
Prednaska 23/X/2000
-
Priklady teles: realna cisla, racionalni cisla, komplexni cisla, Z_2 (dvouprvkove);
exotictejsi: racionalni funkce p(x)/q(x).
-
Tvrzeni: Z_n (zbytkove tridy modulo n s operacemi scitani a nasobeni
modulo n) je teleso prave kdyz n je prvocislo. Princip dukazu: Je-li
n slozene, tvaru n=kl, pak zbytkove tridy k a l jsou delitele nuly,
tj. jejich soucin je 0 v Z_n. Je-li n prvocislo, staci ukazat, ze pro kazde
nenulove l\in Z_n je zobrazeni "nasobeni l" Z_n-{0} -> Z_n-{0} surjektivni
(na). Trik: overit injektivitu (prostost).
-
Oznaceni: GF(q) konecne teleso s q prvky (Galois Field) pokud existuje;
existuje prave kdyz q je mocnina prvocisla, a pak existuje prave 1 (bez
dukazu).
Doporucene priklady: Overovat podrobne ze uvedene priklady jsou
skutecne okruhy ci telesy; u slozitejsich presne napsat definice operaci.
Najit GF(4) (tj. tabulky operaci).
Vektorove prostory
-
Definice: Vektorovy prostor nad telesem K je tvaru (V,+,.,0) , kde
V je mnozina (prvky=vektory), (V,+) je abelovska grupa s neutralnim
prvkem 0, a .:KxV->V je vnejsi nasobeni (soucin zapisujeme nekdy
bez ".") splnujici nasledujici pozadavky: 1v=v, a(bv)=(ab)v ("asociativita"),
(a+b)v=av+bv, a(u+v)=au+av (distributivni zakony). (Definici s 8 axiomy
bez pouziti pojmu grupa viz skripta [Pultr].)
-
Priklady:
-
{0} (trivialni vekt. prostor)
-
K^n (aritmeticky vektorovy prostor dimenze n nad K)
-
R[x] (vsechny polynomy s realnymi koeficienty)
-
polynomy stupne <=2 s realnymi koeficienty
-
R (realna cisla) jako vektorovy prostor nad Q (rac. cisly)
-
mnozina vsech podmnozin mnoziny X jako vektorovy prostor nad GF(2) (scitani
= symetricka diference mnozin)
Prednaska 30/X/2000
-
Tvrzenicka o vektorovych prostorech: 0x=0, (-1)x=-x,ax=0 prave kdyz a=0
nebo x=0.
-
Podprostor vektoroveho prostoru V: W je podmnozina V obsahujici
0 a uzavrena na scitani vektoru a na nasobeni vektoru libovolnym a\in K.
Tj. W je uzavrena na vsechny operace vyskytujici se v definici vektoroveho
podprostoru, vcetne odvozene nularni operace 0 (nulovy vektor).
-
Podobne se definuji podstruktury ostatnich algebraickych struktur: napr.
podgrupa
je
uzavrena na grupovou operaci, na operaci inverze, a obsahuje jednotkovy
prvek , podokruh je uzavreny na +,-,0 a ., podteleso je uzavrene
na +,-,0,.,/,1. Jinak receno, napr. podrupa grupy G je podmnozina G, jez
je grupou vzhledem ke "zdedenym" operacim.
-
Priklad: vektorove podprostory R^2 jsou (geometricky) pocatek, cele R^2,
a kazda primka prochazejici pocatkem (overime pozdeji).
-
Pozorovani: prunik libovolneho souboru podprostoru vektoroveho prostoru
V je opet podprostor. Definice: je-li X podmnozina vektoroveho prostoru
V, podprostor generovany X je prunik vsech podprostoru W ktere X
obsahuji. Oznaceni: span(X) [angl., nem. literatura], <X>, L(X) [Pultr],
[X] [skripta Bican] atd., nazev tez linearni obal X.
-
Jsou-li v_1,...,v_n\in V vektory, kazdy vyraz a_1 v_1+a_2 v_2+...+a_n v_n,
kde a_i\in K, se nazyva linearni kombinace v_1,...,v_n. Linearni
kombinace je trivialni pokud vsechna a_i jsou 0, jinak netrivialni.
Tvrzeni (explicitni popis podprostoru generovaneho X): span(X) je mnozina
vsech linearnich kombinaci konecnych mnozin vektoru z X.
-
Klicovy pojem: soubor (konecna posloupnost) vektoru (v_1,...,v_n) je linearne
nezavisly pokud neexistuje netrivialni linearni kombinace a_1 v_1+...+a_n
v_n rovna 0. (V souboru se mohou nejake vektory opakovat, ale jakmile v_i=v_j
pak je soubor linearne zavisly.) Libovolny (i nekonecny) soubor vektoru
je linearne nezavisly pokud kazdy konecny podsoubor je linearne nezavisly.
-
Priklady linearne nezavislych systemu: (e_1,e_2,...,e_n) radky jednotkove
matice E_n cili standardni baze R^n, prvnich r radku matice ve schodovem
tvaru, (x^i)_{i=0,1,...} v R[x], (1,odmocnina ze 2) v R jako vektorovem
prostoru nad Q.
Doporucene priklady: overit axiomy vektoroveho prostoru pro
ruzne priklady, rozmyslet si jak poznat linearni zavislost/nezavislost
pro dany soubor vektoru z R^n (pomoci soustav lin. rovnic). Najid priklad
ze sjednoceni dvou podprostoru prostoru V nemusi byt podprostorem. Trochu
tezsi: sjednoceni dvou podprostoru je podprostor jen kdyz je jeden
z nich obsazen v druhem.
Prednaska 6/XI/2000
Baze a systemy generatoru
-
Lemma: mnozina vektoru X je linearne nezavisla prave kdyz kazdy
vektor ze span(X) ma jednoznacne vyjadreni jako linearni kombinace nejakych
vektoru z X. Jine lemma (cviceni): (v_1,...,v_r), r>1, jsou linearne zavisle
prave kdyz nektery v_i je linearni kombinaci ostatnich.
-
Definice: Necht B=(v_i)_{i\in I} je soubor vektoru ve vektorovem prostoru
V; nazyva se system generatoru V pokud span(B)=V. Linearne
nezavisly system generatoru vektoroveho prostoru V se jmenuje baze
V.
-
Priklady: prazdny system je baze trivialniho prostoru {0}, (e_1,...,e_n)
je baze K^n, (1,x,x^2,...) je baze R[x], ({a})_{a\in A} je baze vektoroveho
prostoru vsech podmnozin konecne mnoziny A (nad Z_2).
-
Tvrzeni (jak se poznaji konecne baze): Necht B=(v_1,...,v_r) je soubor
vektoru v netrivialnim vektorovem prostoru V. Nasledujici podminky jsou
ekvivalentni:
(i) B je baze
(ii) B je minimalni system generatoru V
(iii) kazdy vektor V ma jednoznacne vyjadreni jako linearni kombinace
vektoru z B
(iv) B je maximalni linearne nezavisly system.
Specialne, nema-li V zadny konecny system generatoru, existuje v nem
nekonecna linearne nezavisla mnozina.
-
Veta: kazdy vektorovy prostor ma bazi. Dukaz vyzaduje axiom
vyberu; dokazeme pouze pro konecne generovane vektorove prostory!
-
Muze jeden vektorovy prostor mit ruzne velke baze? NE!! Steinitzova
veta o vymene: Je-li A=(w_1,w_2,...,w_n) linearne nezavisly soubor
vektoru ve V a B=(v_1,...,v_r) je baze V, pak n<=r a existuje r-n vektoru
z B, ktere doplni A na bazi V. Dukaz indukci podle n (zatim asi nejslozitejsi
z dosud probranych dukazu).
-
Dusledky: Kazdy linearne nezavisly system v konecne generovanem prostoru
lze doplnit na bazi.Kazdy system generatoru je aspon tak velky jako libovolny
linearne nezavisly soubor vektoru. Vsechny baze maji stejny pocet prvku
(vse v konecne generovanem prostoru!). Pojem: dimenze vektoroveho
prostoru V je mohutnost nejake (a tedy libovolne) baze V.
-
Je-li W podprostor konecnedimenzionalniho prostoru V, pak dim(W)<=dim(V)
a nastane-li rovnost, pak W=V.
-
Poznamka: modul - jako vektorovy prostor ale nad
okruhem (napr. nad Z), lze definovat linearni nezavislost atd. ale veta
o vymene neplati a minimalni mnoziny generatoru maji vselijake mohutnosti.
Doporucene priklady: rozhodovat o linearni zavislosti/nezavislosti
daneho systemu vektoru, vyjadrovat dany vektor jako linearni kombinaci
jinych, hledat baze. Pokrocilejsi: zkusit si rozmyslet, co z dosud probrane
teorie vektorovych prostoru funguje napr. v modulu Z nad Z a co nikoliv.
Prednaska 13/XI/2000
-
Pojem: souradnice vektoru vzhledem k dane bazi
-
Priklad (dulezity!): je-li A matice typu m x n nad telesem K, pak radky
(ozn. a_1,...,a_m) muzeme chapat jako vektory z K^n, a span(a_1,...,a_m)
se jmenuje radkovy vektorovy prostor matice A (tez radkovy modul).
Podobne pro sloupcovy vektorovy prostor. Pozorovani: elementarni radkove
upravy nemeni radkovy vektorovy prostor matice, a je-li A ve schodovem
tvaru, tvori nenulove radky bazi a jejich pocet r, tedy hodnost
A, je dimenze radkoveho vektoroveho prostoru (to je spravna definice hodnosti).
Gaussova eliminace je efektivni zpusob hledani baze.
-
Priklad: reseni soustavy rovnic Ax=0 tvori vektorovy prostor, podprostor
K^n (pozor: reseni Ax=b pro b nenulove neni vektorovy prostor!). Ze schodoveho
tvaru A muzeme snadno najit jeho bazi.
Linearni zobrazeni
-
Zobrazeni f: V->W, kde V a W jsou vektorove prostory (nad tymz telesem!),
je linearni pokud f(u+v)=f(u)+f(v) a f(au)=af(u), pro kazde u,v\in
V a a\in K.
Priklad (jednoduchy): linearni zobrazeni R^1->R^1 je nutne tvaru x
|-> ax, a\in R.
Prednaska 20/XI/2000
-
Linearni zobrazeni R^2->R^2 jsou uz dost zajimava; priklady: projekce na
osu x, projekce na danou primku prochazejici 0, zrcadleni (x,y)|->(-x,y),
zkoseni napr. (x,y)|->(x+y,y), rotace kolem 0 o uhel t. Obecny tvar: f(x,y)=(ax+by,cx+dy),
jina nejsou. Maticovy tvar: f(v)= Av, kde v\in R^2 je sloupcovy vektor
(x,y) a A je matice s radky (a,b) , (c,d).
-
Tvrzeni: Je-li B baze (konecnedimenzionalniho) V a pokud se linearni zobrazeni
f,g shoduji na vsech vektorech z B, pak f=g. Tez libovolne zobrazeni z
B do nejakeho W se da jednoznacne rozsirit na linearni f:V->W, tj. linearni
zobrazeni staci zadat na nejake bazi. Z toho: vime-li uz (geometricky)
ze napr. otoceni kolem 0 o uhel t je linearni zobrazeni, muzeme jej snadno
vyjadrit; vyjde ze to je (x,y)|->(x cos t - y sin t,x sin t + y cos t).
-
Obecneji, libovolne linearni zobrazeni f: R^n->R^m ma tvar f(x)=Ax, kde
x je sloupcovy vektor z R^n a A je matice m x n; jeji sloupce jsou
obrazy bazovych vektoru e_1,...,e_n. Matice obvyklych geometrickych transformaci,
napr. otoceni kolem pocatku, se objevuji napr. v pocitacove grafice a pod.
-
Varovani: v casti literatury se matice zobrazeni definuje trochu
jinak, jako matice transponovana k "nasi" matici (a vektory se zapisuji
radkove); tak je to napr. ve skriptech [Pultr]. Oboji ma svoje vyhody i
nevyhody, hlavne je treba zvolit jeden zpusob a toho se drzet.
-
Co to znamena ze vektorove prostory V a W jsou "stejne"? Existuje mezi
nimi isomorfismus f:V->W, coz je linearni zobrazeni, k nemuz existuje
inverzni zobrazeni a to je tez linearni (coz je prave kdyz f je linearni,
proste a na).
-
Poznamka: "morfismy" algebraickych struktur. Linearni zobrazeni "komutuji"
se vsemi operacemi, ktere se vyskytuji v definici vektoroveho prostoru,
a isomorfismus ma inverzni zobrazeni tehoz typu. Podobne se definuji "morfismy"
mnoha dalsich struktur, napr. jsou-li G,H grupy, pak f:G->H je homomorfismus
(grup) pokud f(a*b)=f(a).f(b) pro vsechna a,b\in G (a z toho uz plyne f(e_G)=e_H
a f(a^{-1})=f(a)^{-1}; f je isomorfismus grup pokud f^{-1} existuje
a je tez homomorfismem. Podobne napr. pro homomorfisums teles (f(a+b)=f(a)+f(b),
f(ab)=f(a)f(b), f(0)=0, f(1)=1 atd.). Ale i pro grafy: jsou-li G=(V,E)
a H=(W,F) jednoduche neorientovane grafy, f:V->W je homomorfismus
(grafu) pokud {u,v}\in E implikuje {f(u),f(v)}\in E, a isomorfismus
(grafu) je homomorfismus majici inverzni zobrazeni, jez je tez homomorfismem.
Obecneji o takovych vecech pojednava teorie kategorii.
-
Aplikace linearni algebry: obdelnik o stranach 1 a x, kde x je iracionalni,
nelze "vydlazdit" konecne mnoha ctvreci. Princip dukazu: necht existuje
dlazdeni, uvazime vektorovy podprostor V prostoru R nad Q generovany
stranami pouzitych ctvercu, definujeme f:V->R linearni tak aby f(1)=1 a
f(x)=-1, pro obdelnik A o stranach a a b definujeme v(A)=f(a)f(b), pritom
v(naseho obdelnika 1 krat x) = -1 ale to musi byt rovno souctu v(pouzitych
ctvrercu), coz jsou nezaporna cisla - spor.
Doporucene priklady: Ujasnit si, jak vypadaji matice zakladnich
typu linearnich zobrazeni v R^2 (projekce na danou primku prochazejici
0, otoceni kolem 0, osova symetrie podle dane primky prochazejici 0), jak
vypadaji matice rotace o dany uhel kolem jedne ze souradnicovych os vR^3.
Prednaska 27/XI/2000
-
Pozorovani: k-dimenzionalni vektorovy prostor nad telesem GF(q) ma q^k
vektoru.
-
Aplikace linearni algebry: vektorovy prostor kruznic grafu. Bud
G=(V,E) graf, pro jednoduchost souvisly. Podmnozina F mnoziny hran je eulerovska
pokud v grafu (V,F) maji vsechny vrcholy sude stupne (vcetne stupnu 0).
Mnozina 2^E vsech podmnozin hran je vektorovy prostor nad GF(2); system
vsech eulerovskych podmnozin mnoziny E je podprostorem. Jeho dimenze je
|E|-|V|+1 a baze se dostane z libovolne kostry T: jeji prvky jsou elementarni
kruznice vznikle pridanim jedne hrany k T. Dusledek: pocet eulerovskych
mnozin hran v souvislem grafu je 2^{|E|-|V|+1}.
-
Tvrzeni (n-dimensionalni vektorovy prostor nad K je "jen jeden"): kazdy
n-dimensionalni vektorovy prostor je isomorfni K^n. (Pozn. - mnoho isomorfismu
= mnoho "moznych pohledu" na dany vektorovy prostor!)
-
Pojem: matice (linearniho) zobrazeni f:V->W vzhledem k danym
bazim prostoru V a W; j-ty sloupec te matice jsou souradnice obrazu
j-teho vektoru z baze V vzhledem k bazi W. Jiny pohled: volba baze
B ve V urcuje isomorfismus s K^n, volba baze C v W urcuje isomorfismus
s K^m, slozenim s temito isomorfismy se dostane zobrazeni K^n->K^m, a matice
tohoto zobrazeni (vzhledem ke standardnim bazim) je totez jako matice f
vzhledem k bazim B,C.
Doporucene priklady: nakreslit si priklady eulerovskych mnozin v
konkretnim grafu, jejich soucet, nejakou kostru, nekolik elementarnich
kruznic vzhledem k teto kostre, napsat bazi prislusneho vektoroveho prostoru
kruznic, vyjadrit danou eulerovskou mnozinu v teto bazi. Pro linearni zobrazeni
dane matici vzhledem k nejakym bazim vypocitat matici vzhledem k jinym
bazim.
Prednaska 4/XII/2000
Geometrie linearnich zobrazeni a matice
-
Skladani linearnich zobrazeni a nasobeni matic: Jsou-li f:K^n->K^m
a g: K^p->K^m linearni, a A, B jsou jejich matice vzhledem ke standardnim
bazim, pak f slozeno s g je tez linearni a ma matici AB (zase vzhledem
ke standardnim bazim); tim je "vysvetleno" pravidlo nasobeni matic.
-
Priklad: slozeni matic rotaci kolem pocatku v R^2 dava souctove vzorce
pro sinus a kosinus.
-
Obecneji: Jsou-li V_1,V_2,V_3 vektorove prostory a B_i je nejaka baze V_i,
f:V_2->V_1 je linearni zobrazeni s matici A vzhledem k bazim B_2 a B_1,
a g:V_3->V_2 je linearni zobrazeni s matici B vzhledem k bazim B_3 a B_2,
pak f slozeno s g:V_3->V_1 ma matici AB vzhledem k bazim B_3 a B_1.
-
Specialne: jsou-li B a C dve baze prostoru V, potom matice identickeho
zobrazeni id:V->V vzhledem k bazim B a C se nazyva matice prechodu
od B k C. Je-li x vektor souradnic nejakeho v\in V vzhledem k bazi B, potom
souradnice v v bazi C jsou dany vektorem Ax.
Varovani: definice
matice prechodu se v literature ruzni, nekdy se bere matice "obracenym
smerem", tedy inverzni k "nasi" definici (napr. ve skriptech [Pultr]).
-
Pojmy pro linearni zobrazeni f: U->V: vzor 0 je jadro f , oznacovane
Ker f (to je podprostor U), obraz f(U)=Im f je podprostor V.
-
Plati (pro konecnedimenzionalni V) dim(Ker f)+dim(Im f)=dim(U). Specialne
f je proste prave kdyz Ker f={0}; potom f je isomorfismus prostoru V s
prostorem Im f a zobrazuje bazi na bazi. Vzdycky dim(Im f)<=dim(V),
tedy linearni zobrazeni nemuze zvysit dimenzi.
-
Definice: hodnost linearniho zobrazeni f je cislo dim(Im f). Pozorovani:
je-li A matice zobrazeni f (vzhledem k nejakym bazim, nejjednodussi pripad
je f:R^n->R^m a standardni baze), potom Im f je isomorfni sloupcovemu prostoru
matice A, a tedy hodnost f je rovna (sloupcove) hodnosti matice A.
Doporucene priklady: Najit matici prechodu pro dve dane baze
R^n. Pro linearni zobrazeni R^m->R^n s danou matici najit jadro (jeho dimenzi
a nejakou bazi) a obraz (zase dimenzi a bazi). Pro zmenu zkusit tez
pocitani nad jinym telesem nez R, treba nad Z_3.
Prednaska 11/XII/2000
-
Veta (dulezita a davno slibena): pro kazdou matici je radkova a sloupcova
hodnost totez cislo (tedy dimenze radkoveho a sloupcoveho prostoru
jsou stejne). Princip dukazu: plati pro radkovy schodovy tvar; elementarni
radkove upravy nemeni radkovy vektorovy prostor a zachovavaji dimenzi
sloupcoveho vektoroveho prostoru (produkuji vzdy sloupcovy vektorovy prostor
isomorfni puvodnimu).
-
Pozorovani: interpretujeme-li matici A jako matici linearniho zobrazeni
f:U->V vzhledem k nejakym bazim, potom elementarni radkove upravy A (jako
pri Gaussove eliminaci) odpovidaji zmene baze ve V, a elementarni sloupcove
upravy zmene baze v U (bez dukazu, doporucuji k rozmysleni).
-
Jiny pohled na elementarni radkove (a sloupcove) upravy: elementarni radkova
uprava matice A znamena nasobeni A jistou (regularni) ctvercovou matici
ZLEVA (a sloupcova zprava). Gaussova eliminace tedy vyrobi regularni ctvercovou
matici R takovou, ze RA je v radkovem schodovem tvaru.
-
Inverzni matice: linearni zobrazeni f:K^n->K^n ma hodnost n prave
kdyz je isomorfismus, pak ma i inverzni zobrazeni f^{-1} pro nejz f^{-1}
slozeno s f = f slozeno s f^{-1} = id. Prelozeno do matic: ma-li ctvercova
n x n matice A hodnost n (takove matice se jmenuji regularni) pak
existuje prave jedna matice B, pro niz AB=BA=E_n; tato B se jmenuje inverzni
matice k matici A a znaci se A^{-1}. Presneji, je-li A matice
n x n, potom matice B splnujici AB=E_n existuje prave kdyz je A regularni.
Tato B je urcena jednoznacne a plati pro ni i BA=E_n. To vse je snadno
videt pomoci linearnich zobrazeni; trochu pracneji se to da dokazat i primym
pocitanim s maticemi.
-
Maticova grupa GL(n,K): ctvercove matice n x n nad telesem K tvori
grupu: operace je nasobeni matic, jednotkovy prvek je E_n, inverzni prvek
je A^{-1}. Tyto grupy a vselijake jejich podgrupy jsou obecne velmi slozite
a velmi dulezite, napr. ve fyzice. [Priklady: overte ze GL(2,R) neni komutativni;
vysvetlete vas priklad v reci linearnich zobrazeni. Jak vypada grupa GL(2,Z_2)?]
-
Jak pocitat inverzni matici? Resenim systemu linearnich rovnic Ax=e_i,
i=1,2,...,n. Pohodlneji: zacit s matici (A|E_n) a radkovymi upravami ji
prevest na tvar (E_n|B); potom B=A^{-1}.
-
Afinni podprostory: Podmnozina vektoroveho prostoru V tvaru x+U={x+u:
u\in U}, kde U je (vektorovy) podprostor V, se nazyva afinni podprostor
(tez linearni mnozina nebo lineal) ve V. Jeho dimenze je
dim(U). Napr. obecne primky a roviny v R^3 jsou afinni podprostory. Terminologie:
1-dimenzionalni afinni podprostor je nazyva (afinni) primka, 2-dimenzionalni
(afinni) rovina, (n-1)-dimenzionalni afinni podprostor n-dimenzionalniho
prostoru se jmenuje nadrovina.
Prednaska 18/XII/2000
-
Je-li f: U->V linearni zobrazeni a y\in V dany vektor, potom f^{-1}(y)
je bud prazdna mnozina, anebo afinni podprostor U; ma tvar x+Ker(f), kde
x je nejaky (libovolny) vektor splnujici f(x)=y.
-
Totez v reci matic: Mnozina vsech reseni soustavy Ax=b, kde A je m x n
matice a b je m-slozkovy vektor, je bud prazdna anebo ma tvar x_0+L, kde
x_0 je nejake libovolne reseni soustavy Ax=b a L je mnozina vsech reseni
homogenni
soustavy Ax=0. Hledani vsech reseni soustavy Ax=b: najdeme jedno reseni
x_0 (pokud existuje) a nejakou bazi pro prostor reseni homogeni soustavy
Ax=0.
-
Shrnuti toho, co zatim vime o reseni soustavy linearnich rovnic Ax=b, a
ruzne pohledy na to (napr. "vektoroveprostorovy": je b v podprostoru generovanem
sloupci A?; "geometricky" prunik nadrovin v K^n; "linearnezobrazenovy"
vzor vektoru b pri linearnim zobrazeni x|->Ax, reseni je afinni podprostor
K^n). Frobeniova veta: soustava Ax=b ma reseni prave kdyz matice
A a rozsirena matice (A|b) maji stejnou hodnost (ted uz je to jasne: vektor
b musi byt linearni kombinaci sloupcu A).
-
Aplikace: hledani vzorce pro Fibonacciho cisla. Prostor V vsech
posloupnosti (a_0,a_1,...) realnych cisel se scitanim po slozkach, podprostor
Y posloupnosti splnujicich y_{n+2}=y_{n+1}+y_n, jeho dimenze je 2 (volba
prvnich 2 clenu!); "vnuknuti": hledejme posloupnost y\in U tvaru y_n=t^n
- vyjde kvadraticka rovnice pro z se 2 ruznymi koreny t_{1,2}=(1+-odmocnina
5)/2, ty dve posloupnosti jsou linearne nezavisle a tedy baze Y; Fibonacciho
cisla vyjadrime v teto bazi (pouzitim prvnich dvou clenu). Podobne to funguje
i pro jine rekurence tvaru y_{n+k}=a_{k-1}y_{n+k-1}+...+a_0y_n, ale mohou
se vyskytnout potize, treba pro y_{n+2}=2y_{n+1}-y_n; pak se musi hledat
jina baze, to ted nebudeme delat.
Prednaska 8/I/2001
-
Dalsi konstrukce pro vektorove prostory: suma U+V (pro podprostory
tehoz vekt. prostoru W!) je rovna span(U sjednoceno s V); tvrzeni:
dim(U+V)=dim(U)+dim(V)-dim(U prunik V)
(vsimnete si analogie s principem inkluze a exkluze pro 2 mnoziny).
-
Direktni suma U a V (oznaceni: plus v krouzku) pro vektorove prostory,
ktere nejsou nutne podprostory tehoz W - je to mnozina UxV (kartezsky soucin)
s operacemi po slozkach.
-
Faktorprostor (nebo "kvocientovy prostor") U/V ("U podle V"), kde
V je podprostor U: "body" U/V jsou tridy ekvivalence na U kde u je ekvivalentni
v prave kdyz u-v\in V (treba overit ze da vektorovy prostor). Tvrzeni:
dim(U/V)=dim(U)-dim(V); dukaz pomoci "kvocientoveho zobrazeni" q:U->U/V,
x|->x+V (Ker q = V, Im q=U/V).
-
Dulezity (tezsi) doporuceny priklad: Je-li f:U->W linearni zobrazeni,
pak U/Ker(f) je isomorfni Im(f) [podobna veta plati i pro dalsi algebraicke
struktury].
-
Tvrzeni: kazdy afinni podprostor L=x+V (konecnedimenzionalniho)
vektoroveho prostoru U je tvaru Ker(f) pro vhodne linearni zobrazeni f:U->W.
Dukaz: f=kvocientove zobrazeni U->U/V. Dusledek: kazdy k-dimensionalni
afinni podprostor L prostoru K^n je resenim soustavy n-k linearnich
rovnic. Doporuceny priklad: odvodit, jak se takova soustava da konkretne
zkonstruovat je-li L=x+V a V je zadan nejakou bazi. (Jiny dukaz dusledku
pomoci skalarniho soucinu viz skripta [Pultr].) Tedy kazdy afinni podprostor
ma jak parametricke vyjadreni tak vyjadreni jako prunik nadrovin (pro primky
v rovine jsme tim prednasku zacinali).
-
Dusledek: Prunik (konecneho) souboru afinnich podprostoru nejakeho
(konecnedimensionalniho) vektoroveho prostoru je opet afinnim podprostorem
(zkombinujeme prislusne soustavy linearnich rovnic do jedne). Namet
k rozmysleni: jak by se to dokazalo pro nekonecny soubor afinnich podprostoru
v konecnedimensionalnim prostoru?
-
Aplikace linearni algebry v kombinatorice: "Kluby mesta Lisakova".
Ve meste zije n obcanu, kteri jsou sdruzeni v m klubech. Podle vyhlasky
mestske rady ma kazdy klub LICHY pocet clenu, zatimco pro kazde dva kluby
musi byt pocet spolecnych clenu SUDY. Veta (ne snadna!): v teto situaci
je nutne m mensi nebo rovno n, t.j. klubu neni vic nez obcanu. Dukaz: obcane
1,2,...,n, kluby K_1,K_2,...,K_m, definujeme matici A typu m x n kde a_{ij}=1
pokud j\in K_i a a_{ij}=0 jinak (kluby=radky); uvazujeme A nad dvoupvkovym
telesem GF(2). Hodnost A je nejvys n (jasne). Podle vyhlasky mestske rady
plati AA^T=E_m (jednotkova matice), a proto hodnost(A) je aspon m.
Pripadne e-maily posilejte na uzivatelske jmeno "matousek" v domene "kam.mff.cuni.cz"
.