Obsah

Úvod 2
Predhovor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Sylaby a literatúra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Označenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1 Euklidovské vektorové priestory 3
1.1 Skalárny súčin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Gram-Schmidtov ortogonalizačný proces . . . . . . . . . . . . . . . . . . . . . 8
2 Kvadratické formy 17
2.1 Definícia a základné vlastnosti . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Kanonický tvar kvadratickej formy . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Zákon zotrvačnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Podobnosť matíc 28
3.1 Matica prechodu, podobnosť matíc . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Podobnosť s diagonálnou maticou . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Krivky druhého rádu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4 Jordanov normálny tvar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5 Aplikácie podobnosti a Jordanovho normálneho tvaru . . . . . . . . . . . . . 58
3.5.1 Lineárne rekurencie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5.2 Sústavy lineárnych homogénnych diferenciálnych rovníc . . . . . . . . 62
3.6 PageRank algoritmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4 Symetrické polynómy 72
Register 75
Zoznam symbolov 76
1
Úvod
Verzia: 21. apríla 2011
Predhovor
V rámci tohoto textu sa budeme občas odkazovať aj na veci z predchádzajúcich semestrov.
Takéto odkazy budú označené napríklad ako veta I-3.2.6 alebo veta II-3.5.1. (Keďže ste
absolvovali predmety Algebra 1,2 dá sa predpokladať, že budete vedieť o akú vetu ide. Toto
je viac-menej pomôcka - ak si nebudete istí, môžete si tam znenie príslušenej vety, lemy,
či definície skontrolovať.) Verzia poznámok z predchádzajúcich semestrov, na ktorú sa toto
číslovanie vzťahuje, bude tiež na stránke predmetu.
Časti označené hviezdičkou sú nepovinné – doplnil som ich preto, že by Vás niektoré
z nich mohli zaujímať. V cvičeniach hviezdička označuje náročnejšie cvičenia a + označuje
nepovinné cvičenia (napríklad tie, ktoré sa týkajú nepovinných častí).
Sylaby a literatúra
Sylaby predmetu: Skalárny súčin, ortonormálna báza a ortogonálna projekcia na pod-
priestor. Kvadratické formy a ich kanonické tvary. Pozitívna (semi)definitnosť matice a kvad-
ratickej formy a kritériá na overenie pozitívnej definitnosti.
Zmena bázy, podobné matice. Podobnosť matice s diagonálnou maticou. Vlastné čísla
a vlastné vektory, charakteristický polynóm. Ortogonálne matice, ortogonálna podobnosť,
Schurova veta a veta o hlavných osiach.
Symetrické polynómy. Použitie rýchlej Fourierovej transformácie pri násobení veľkých
čísel.
Literatúra: Základnou literatúrou pre tento kurz je [KGGS]; objavia sa však aj témy, ktoré
v tejto knihe spracované nie sú, k nim sem časom doplním vhodnú literatúru.
Cvičenia v texte som vyberal z kníh [KGGS, BM, FS, K, Pro1].
Označenia
Ako obvykle, Z, Q, R, C označuje množinu celých, racionálnych, reálnych a komplexných
čísel, N = ¦1, 2, 3, . . . ¦ je množina prirodzených čísel a N
0
= N ∪ ¦0¦.
Označenie A
B
používame pre množinu zobrazení z B do A. Špeciálne v niektorých prí-
kladoch sa vyskytuje množina R
R
a R
N
, na oboch týchto množinách sa dajú prirodzeným
spôsobom zaviesť sčitovanie a násobenie tak, že tieto množiny tvoria vektorové priestory.
2
Kapitola 1
Euklidovské vektorové priestory
Táto kapitola je spracovaná prevažne na základe [KGGS, 1.16,1.17].
1.1 Skalárny súčin
Skalárny súčin vektorov patriacich do R
2
alebo R
3
poznáte zo strednej školy. Tam ste skalárny
súčin vektorov α = (a
1
, a
2
) a

β = (b
1
, b
2
) definovali ako
¸ α,

β¸ = a
1
b
1
+a
2
b
2
.
(Používali ste iné označenie pre skalárny súčin, ako budeme používať my.) Takisto ste sa na
strednej škole naučili, ako súvisí skalárny súčin s veľkosťou vektora a uhlom, ktorý zvierajú
2 vektory:
¸ α,

β¸ = [ α[[

β[ cos α,
[ α[ =
_
a
2
1
+a
2
2
=
_
¸ α, α¸.
My by sme teraz chceli zaviesť definíciu skalárneho súčinu o niečo všeobecnejšie – chceli
by sme popísať, aké vlastnosti by mal mať skalárny súčin, aby sme pomocou neho mohli
zmysluplne hovoriť o veľkosti alebo uhle vektorov z daného vektorového priestoru. Budeme
opäť postupovať axiomaticky – zavedieme si niekoľko základných vlastností skalárneho súčinu,
z ktorých sa budú dať odvodiť ostatné.
Definícia 1.1.1. Nech (V, +, ) je vektorový priestor nad poľom R. Potom zobrazenie g : V
V →R sa nazýva skalárny súčin na V , ak pre ľubovoľné α,

β ∈ V a c ∈ F platí
(i) g( α,

β) = g(

β, α),
(ii) g( α +

β, γ) = g( α, γ) +g(

β, γ),
(iii) g(c α,

β) = cg( α,

β),
(iv) ak α ,=

0, tak g( α, α) > 0.
Vektorový priestor V spolu so skalárnym súčinom g nazývame euklidovským vektorovým
priestorom.
3
4 Skalárny súčin
Predchádzajúcu definíciu môžeme stručne preformulovať tak, že zobrazenie g je symet-
rické (i), kladne definitné (iv), a bilineárne (ii) a (iii). S pojmom kladnej definitnosti sa ešte
stretneme, neskôr sa ním budeme zaoberať podrobnejšie. Pod bilinearitou rozumieme to, že
zobrazenie je lineárne v oboch premenných – ak zvolím pevne vektor α a mením

β, môžeme
ho chápať ako zobrazenie, ktoré vektoru

β priradí reálne číslo. Z (ii) a (iii) vidíme, že toto
zobrazenie je lineárne. Rovnako je to aj v prípade, že fixujeme

β.
Všimnite si, že skalárny súčin sme definovali iba pre vektorové priestory nad poľom R.
Namiesto g( α,

β) budeme používať označenie ¸ α,

β¸. Pri tomto označení uvedené vlast-
nosti môžeme prepísať nasledovne:
(i) ¸ α,

β¸ = ¸

β, α¸,
(ii) ¸ α +

β, γ¸ = ¸ α, γ¸ +¸

β, γ¸,
(iii) ¸c α,

β¸ = c¸ α,

β¸,
(iv) ak α ,=

0, tak ¸ α, α¸ > 0.
Podmienku (iv) možno ekvivalentne vyjadriť aj tak, že pre každý vektor α platí ¸ α, α¸) ≥ 0
a rovnosť nastáva jedine pre α =

0. (Skúste si rozmyslieť, ako z prvých troch podmienok
v definícii vyplýva, že ¸

0, α¸ = 0 pre ľubovoľné α.)
Ak V je euklidovský vektorový priestor, tak aj každý jeho podpriestor je euklidovský
priestor (s rovnako definovaným skalárnym súčinom).
Poznámka 1.1.2. Niekedy sa skalárny súčin definuje aj pre vektorové priestory nad poľom
C. V tomto prípade sa podmienka (i) zmení na
¸ α,

β¸ = ¸

β, α¸.
Všimnime si, že táto podmienka implikuje, že ¸ α, α¸ = ¸ α, α¸, a teda ¸ α, α¸ ∈ R. Vďaka tomu
má zmysel aj podmienka (iv).
My sa však budeme zaoberať iba reálnymi euklidovskými priestormi.
Príklad 1.1.3. Zoberme si vektorový priestor R
n
s obvyklým sčitovaním a skalárnym ná-
sobkom (po zložkách). Potom pre vektory α = (a
1
, . . . , a
n
) a

β = (b
1
, . . . , b
n
) definujeme
¸ α,

β¸ =
n

k=1
a
k
b
k
.
V prípade R
2
alebo R
3
dostávame skalárny súčin ako ho poznáte zo strednej školy.
Vlastnosti z definície skalárneho súčinu sa overia pomerne jednoducho. Vlastnosť (i) je
zrejmá. Vlastnosti (ii) a (iii) sa overia jednoduchou úpravou:
n

k=1
(a
k
+b
k
)c
k
=
n

k=1
(a
k
c
k
+b
k
c
k
) =
n

k=1
a
k
c
k
+
n

k=1
b
k
c
k
,
n

k=1
ca
k
= c
n

k=1
a
k
.
Aby sme overili vlastnosť (iii), stačí si všimnúť, že
¸ α, α¸ =
n

k=1
a
2
k
.
4
KAPITOLA 1. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 5
Pretože a
2
k
≥ 0, aj skalárny súčin ¸ α, α¸ ≥ 0 a rovný 0 bude iba v prípade, že všetky sčítance
sú nulové, t.j. a
k
= 0 pre každé k a α = 0.
Príklad 1.1.4. Definujme na R
2
skalárny súčin nasledovne:
¸ α,

β¸ = a
1
b
1
+a
1
b
2
+a
2
b
1
+ 2a
2
b
2
,
pre α = (a
1
, a
2
) a

β = (b
1
, b
2
). Vlastnosti (i)–(iii) sa overia ľahko. Vlastnosť (iv) vyplýva
z toho, že
¸ α, α¸ = a
2
1
+ 2a
1
a
2
+ 2a
2
2
= (a
1
+a
2
)
2
+a
2
2
,
čiže ¸ α, α¸ = 0 platí práve vtedy, keď a
1
= 0 a súčasne a
1
+ a
2
= 0, teda a
1
= a
2
= 0, čiže
α =

0.
Príklad 1.1.5. Postup z predchádzajúceho príkladu sa dá zovšobecniť. Všimnime si, že je
to špeciálny prípad nasledujúceho zápisu:
g( α,

β) = (a
1
. . . a
n
)C
_
_
b
1
b
2
.
.
.
b
n
_
_
= αC

β
T
,
kde C je matica typu n n. Takýto predpis priradí 2 vektorom α = (a
1
, . . . , a
n
),

β =
(b
1
, . . . , b
n
) ∈ R
n
nejaké reálne číslo. Nie vždy to však bude skalárny súčin.
Všimnime si, že tento predpis môžeme zapísať aj takto:
g( α,

β) =
n

i=1
n

j=1
a
i
c
ij
b
j
.
V prípade, že ide o symetrickú maticu, čiže c
ij
= c
ji
, ľahko zistíme, že je splnená podmienka
(i). Podmienky (ii) a (iii) sú splnené pre ľubovoľnú maticu.
S podmienkou (iv) je to o niečo komplikovanejšie. Budeme sa ňou zaoberať neskôr.
Príklad 1.1.6. Ako C(a, b) označíme množinu všetkých spojitých funkcií f : ¸a, b¸ → R.
Tieto funkcie tvoria vektorový podpriestor priestoru všetkých funkcií z ¸a, b¸ do R a predpis
¸f, g¸ =
_
b
a
f(x)g(x)dx
definuje skalárny súčin na tomto priestore. (Takto by sme vedeli definovať skalárny súčin aj
na podstatne väčšom priestore funkcií – stačilo by zvoliť nejaké podmienky, ktoré zaručia, že
súčin f(x)g(x) bude mať konečný integrál. Keď však použijeme aj nespojité funkcie, budeme
mať problémy pri overovaní podmienky (iv). Pravdepodobne v niektorom z vyšších ročníkov
sa na analýze stretnete s Fourierovými radmi, kde sa objaví tento istý skalárny súčin a
dozviete sa tam aj ako sa to dá definovať tak, aby to fungovalo aj pre iné funkcie, nielen
spojité.)
Ak máme euklidovský vektorový priestor, tak môžeme prirodzeným spôsobom zadefinovať
veľkosť vektora a uhol dvoch vektorov. Uvidíme, že takto zavedená veľkosť vektora spĺňa
viaceré vlastnosti, ktoré platia pre veľkosť vektora v R
2
a R
3
.
Definícia 1.1.7. Nech V je euklidovský vektorový priestor. Potom pre α ∈ V definujeme
veľkosť vektora α ako
[ α[ =
_
¸ α, α¸.
5
6 Skalárny súčin
Všimnite si, že podmienka (iv) z definície skalárneho súčinu zaručí, že veľkosť je definovaná
pre ľubovoľný vektor (nikdy v predpise pre [ α[ nedostaneme odmocninu zo záporného čísla.)
Niekedy sa používa aj označenie | α| (napríklad v [KGGS]).
Tvrdenie 1.1.8. Nech V je euklidovský vektorový priestor. Pre ľubovoľné α,

β ∈ V a c ∈ R
platí:
(i) [ α[ ≥ 0
(ii) [ α[ = 0 ⇔ α =

0
(iii) [c α[ = [c[[ α[
(iv) [¸ α,

β¸[ ≤ [ α[[

β[ (Schwarzova nerovnosť)
(v) [ α +

β[ ≤ [ α[ +[

β[ (trojuholníková nerovnosť)
V (iv) nastáva rovnosť práve vtedy, keď vektor α je násobkom vektora

β.
V (v) nastane rovnosť, ak α je nezáporným násobkom

β.
Dôkaz. Vlastnosti (i), (ii), (iii) sa overia ľahko priamo z definície.
(iv) Dokážeme použitím vlastnosti (i) pre vektor α + c

β, kde c je ľubovoľné reálne číslo.
Na základe vlastností skalárneho súčinu môžeme urobiť tieto úpravy:
[ α+c

β[
2
= ¸ α+c

β, α+c

β¸ = ¸ α, α¸ +2c¸ α,

β¸ +c
2
¸

β,

β¸ = [ α[
2
+2c¸ α,

β¸ +c
2
[

β[
2
≥ 0.
Pretože uvedená nerovnosť má platiť pre každé reálne číslo c a môžeme ju chápať ako kvadra-
tickú nerovnicu s neznámou c, diskriminant tejto nerovnice nesmie byť kladný (aby príslušná
kvadratická rovnica nemala nenulové reálne korene)
D = 4¸ α,

β¸
2
−4[ α[
2
[

β[
2
≤ 0.
Z tejto nerovnosti dostaneme
¸ α,

β¸
2
≤ [ α[
2
[

β[
2
[¸ α,

β¸[ ≤ [ α[[

β[
Tým je dokázaná platnosť nerovnosti (iv) pre ľubovoľné vektory α,

β. Ešte sa pozrime
na otázku, kedy nastáva rovnosť. Z rovnosti [¸ α,

β¸[ = [ α[[

β[ vyplýva D = 0. Potom existuje
také c ∈ R, že platí [ α +c

β[ = 0. To znamená, že α +c

β = 0, čiže α = −c

β. Zistili sme teda,
že ak nastane rovnosť, tak α musí nutne byť násobkom

β. Ľahko sa overí, že ak vektor α je
násobkom vektora

β, tak rovnosť skutočne nastane.
(v) Pokúsme sa upraviť výraz [ α +

β[
2
. Platí
[ α +

β[
2
= ¸ α +

β, α +

β¸ = ¸ α, α¸ + 2¸ α,

β¸ +¸

β,

β¸ =
[ α[
2
+ 2¸ α,

β¸ +[

β[
2
(1)
≤ [ α[
2
+ 2[ α[[

β[ +[

β[
2
= ([ α[ +[

β[)
2
(v nerovnosti (1) sme použili Schwarzovu nerovnosť (iv)). Z poslednej nerovnosti už vyplýva
(v).
Aby platila rovnosť, musí platiť rovnosť v Schwarzovej nerovnosti použitej v (1). Teda
α = k.

β pre nejaké

β ∈ R. Ľahko sa overí, že k rovnosti dôjde iba v prípade, že k ≥ 0. (Stačí
si uvedomiť, že [ α +k α[ = [1 +k[.[ α[ a [ α[ +[k α[ = (1 +[k[).[ α[.)
6
KAPITOLA 1. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 7
Schwarzova nerovnosť pre priestor R
n
s obvyklým skalárnym súčinom sa často používa
pri dôkaz rôznych nerovností.
¸
¸
¸
¸
¸
n

k=1
x
k
y
k
¸
¸
¸
¸
¸

¸
¸
¸
_
n

k=1
x
2
k
n

k=1
y
2
k
(1.1)
Definícia 1.1.9. Nech V je euklidovský vektorový priestor.
Uhol dvoch nenulových vektorov definujeme ako taký uhol, pre ktorý platí
cos ϕ =
¸ α,

β¸
[ α[[

β[
.
V prípade, že niektorý z vektorov je nulový, položíme ϕ = 0.
Všimnite si, že vďaka Schwarzovej nerovnosti je výraz vystupujúci v definícii uhla dvoch
vektorov z intervalu ¸−1, 1¸, teda takýto uhol skutočne existuje.
Definícia 1.1.10. Vektory α,

β ∈ V nazveme kolmé (ortogonálne), ak ¸ α,

β¸ = 0.
O k-tici vektorov α
1
, . . . , α
k
hovoríme, že tieto vektory sú ortogonálne, ak ľubovoľné 2
z nich sú ortogonálne, t.j. ¸ α
i
, α
j
¸ = 0 pre každé i ,= j.
Tvrdenie 1.1.11. Nech V je euklidovský vektorový priestor. Ak nenulové vektory α
1
, . . . , α
k
sú ortogonálne, tak sú lineárne nezávislé.
Dôkaz. Nech c
1
, . . . , c
k
∈ R sú také, že c
1
α
1
+ + c
k
α
k
=

0. Zoberme ľubovoľné i ∈
¦1, 2, . . . , k¦. Potom dostaneme
0 = ¸ α
i
,

0¸ = ¸ α
i
, c
1
α
1
+ +c
k
α
k
¸ = c
i
[ α
i
[
2
.
Táto rovnosť môže platiť jedine ak α
i
=

0 alebo c
i
= 0. Pretože α
i
,=

0, platí c
i
= 0.
Použitím rovnakej úvahy pre všetky i = 1, 2, . . . , k dostaneme c
1
= c
2
= . . . = c
k
= 0. Teda
dané vektory sú lineárne nezávislé.
Definícia 1.1.12. Nech V je euklidovský priestor a M ⊆ V . Potom
M

= ¦ α ∈ V ; ¸ α,

β¸ = 0 pre všetky

β ∈ M¦
sa nazýva ortogonálny doplnok množiny M.
Tvrdenie 1.1.13. Nech V je euklidovský priestor a M ⊆ V . Potom M

je vektorový pod-
priestor priestoru V .
Dôkaz. Zrejme

0 ∈ M

, preto M

je neprázdna množina.
Treba ešte overiť, že pre všetky α
1
, α
2
∈ M

a c, d ∈ R aj c α
1
+ d α
2
∈ M

. Ak pre
všetky

β ∈ M platí ¸ α
1
,

β¸ = 0 a ¸ α
2
,

β¸ = 0, tak aj
¸c α
1
+d α
2
,

β¸ = c¸ α
1
,

β¸ +d¸ α
2
,

β¸ = 0,
teda c α
1
+d α
2
∈ M

.
Tvrdenie 1.1.14. Ak V je euklidovský priestor a M ⊆ N ⊆ V , tak
N

⊆ M

.
7
8 Gram-Schmidtov ortogonalizačný proces
Dôkaz. Ak α ∈ N

, tak ¸ α,

β¸ = 0 pre všetky vektory

β ∈ N. To ale znamená, že ¸ α,

β¸ = 0
platí aj pre všetky vektory

β ∈ M (pretože M ⊆ N), a teda N

⊆ M

.
Lema 1.1.15. Nech V je euklidovský priestor a α
1
, . . . , α
k
∈ V . Nech S = [ α
1
, . . . , α
k
] je
podpriestor vygenerovaný týmito vektormi. Potom S

= ¦ α
1
, . . . , α
k
¦

.
Dôkaz. Z toho, že ¦ α
1
, . . . , α
k
¦ ⊆ S vyplýva inklúzia S

⊆ ¦ α
1
, . . . , α
k
¦

.
Naopak, nech

β ∈ ¦ α
1
, . . . , α
k
¦

. To znamená, že ¸

β, α
i
¸ = 0 pre i = 1, 2, . . . , k. Potom
¸

β, α¸ = 0 aj pre ľubovoľný vektor α ∈ [ α
1
, . . . , α
k
], pretože každý vektor z tohoto podpriesto-
ru má tvar α = c
1
α
1
+ +c
k
α
k
a
¸

β, c
1
α
1
+ +c
k
α
k
¸ = c
1
¸

β, α
1
¸ +. . . +c
k
¸

β, α
k
¸ = 0.
Tvrdenie 1.1.16. Ak V je euklidovský priestor a S, T sú podpriestory V , tak
(S +T)

= S

∩ T

.
Dôkaz. Pretože S ⊆ S + T aj T ⊆ S + T máme (S + T)

⊆ S

a súčasne (S + T)

⊆ T

,
z čoho vyplýva
(S +T)

⊆ S

∩ T

.
Naopak, ak α ∈ S

∩T

, tak vektor α je kolmý na ľubovoľný vektor z S aj na ľubovoľný
vektor z T. Každý vektor z S + T sa dá zapísať v tvare

β +γ, kde

β ∈ S a γ ∈ T, takže
potom platí
¸ α,

β +γ¸ = ¸ α,

β¸ +¸ α, γ¸ = 0,
teda α je kolmý na každý vektor z S + T, čiže patrí do (S + T)

. Ukázali sme, že platí aj
opačná inklúzia
S

∩ T

⊆ (S +T)

.
1.2 Gram-Schmidtov ortogonalizačný proces
Definícia 1.2.1. Vektory α
1
, . . . , α
n
sa nazývajú ortonormálne, ak pre všetky i platí [ α
i
[ = 1
a pre i ,= j platí
¸ α
i
, α
j
¸ = 0.
Stručne povedané, sú to ortogonálne normované vektory (pod slovom „normované roz-
umieme, že ich veľkosť je 1).
Z tvrdenia 1.1.11 vyplýva, že ortonormálne vektory sú lineárne nezávislé. Ak ich teda
bude dosť veľa (v prípade konečnorozmerného priestoru toľko, koľko je dimenzia priestoru),
môžu tvoriť bázu.
Definícia 1.2.2. Ak vektory α
1
, . . . , α
n
sú ortonormálne a tvoria bázu vektorového priestoru
V , tak túto bázu nazývame ortonormálna báza.
8
KAPITOLA 1. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 9
Príklad 1.2.3. Najjednoduchší príklad je štandardná báza e
1
, . . . , e
n
v priestore R
n
so štan-
dardným skalárnym súčinom
¸ α,

β¸ =
n

k=1
a
k
b
k
.
V takomto euklidovskom priestore majú všetky vektory e
1
, . . . , e
n
veľkosť 1 a každý z nich
je kolmý na všetky ostatné.
Výhoda ortonormálnej bázy spočíva v tom, že ak máme 2 vektory vyjadrené pomocou
ortonormálnej bázy veľmi ľahko vypočítame ich skalárny súčin – v podstate rovnako ako
v predchádzajúcom príklade.
Majme α = c
1
α
1
+ + c
n
α
n
a

β = d
1
α
1
+ + d
n
α
n
, kde vektory α
1
, . . . , α
n
tvoria
ortonormálnu bázu. Potom
¸ α,

β¸ = ¸c
1
α
1
+ +c
n
α
n
, d
1
α
1
+ +d
n
α
n
¸ =
n

i=1
n

j=1
c
i
d
j
¸ α
i
, α
j
¸.
Jediné nenulové členy v predchádzajúcej sume sú tie, kde i = j. Navyše vieme, že ¸ α
i
, α
i
¸ = 1.
Dostaneme teda
¸ α,

β¸ =
n

i=1
c
i
d
i
.
Naším najbližším cieľom je ukázať ako z ľubovoľnej bázy v euklidovskom vektorovom
priestore vieme dostať ortonormálnu bázu. Dôkaz nasledujúcej vety poskytuje jej konštrukciu,
ktorá sa zvykne nazývať Gram-Schmidtov ortogonalizačný proces.
Veta 1.2.4. Nech V je euklidovský vektorový priestor a α
1
, . . . , α
n
je báza priestoru V .
Potom existuje ortonormálna báza

β
1
, . . . ,

β
n
priestoru V .
Dôkaz. Nech α
1
, . . . , α
n
je báza priestoru V . Najprv sa pokúsime nájsť takú bázu γ
1
, . . . , γ
n
priestoru V , ktorej vektory sú ortogonálne.
γ
1
= α
1
γ
2
= α
2
+c
21
γ
1
γ
3
= α
3
+c
31
γ
1
+c
32
γ
2
.
.
.
γ
n
= α
n
+c
n1
γ
1
+c
n2
γ
2
+. . . +c
n,n−1
γ
n−1
Budeme postupovať indukciou. Prvý krok indukcie je jasný - stačí položiť γ
1
= α
1
.
Predpokladajme teraz, že už sme našli k ortogonálnych vektorov γ
1
, . . . , γ
k
, ktoré majú
uvedený tvar. Navyše platí
[ α
1
, . . . , α
k
] = [γ
1
, . . . , γ
k
].
Chceli by sme nájsť vektor γ
k+1
kolmý na všetky predchádzajúce, ktorý by mal navyše tvar
γ
k+1
= α
k+1
+c
k+1,1
γ
1
+c
k+1,2
γ
2
+. . . +c
k+1,k
γ
k
a súčasne taký, aby platilo
[ α
1
, . . . , α
k+1
] = [γ
1
, . . . , γ
k+1
].
9
10 Gram-Schmidtov ortogonalizačný proces
Ak má byť tento vektor kolmý na predchádzajúce, musia platiť rovnosti
0 = ¸γ
k+1
, γ
1
¸ =¸ α
k+1
, γ
1
¸ +c
k+1,1
¸γ
1
, γ
1
¸
0 = ¸γ
k+1
, γ
2
¸ =¸ α
k+1
, γ
2
¸ +c
k+1,2
¸γ
2
, γ
2
¸
0 = ¸γ
k+1
, γ
3
¸ =¸ α
k+1
, γ
3
¸ +c
k+1,3
¸γ
3
, γ
3
¸
.
.
.
0 = ¸γ
k+1
, γ
k
¸ =¸ α
k+1
, γ
k
¸ +c
k+1,k
¸γ
k
, γ
k
¸
(1.2)
(V každej rovnici sme vynechali všetky členy obsahujúce ¸γ
i
, γ
j
¸ pre i ,= j, i, j ∈ ¦1, 2, . . . , k¦,
pretože podľa indukčného predpokladu sú tieto hodnoty nulové.) Z predchádzajúcich rovníc
môžeme vyjadriť všetky koeficienty c
k+1,i
:
c
k+1,i
= −
¸ α
k+1
, γ
i
¸
¸γ
i
, γ
i
¸
pre každé i = 1, 2, . . . , k.
Z rovníc (1.2) vidno, že pre takéto hodnoty c
k+1,i
bude vektor γ
k+1
skutočne kolmý na
všetky predchádzajúce vektory.
Ďalej vieme, že α
k+1
/ ∈ [ α
1
, . . . , α
k
] = [γ
1
, . . . , γ
k
] (lebo vektory α
1
, . . . , α
n
sú lineárne
nezávislé). Teda aj α
k+1
, γ
1
, . . . , γ
k
sú lineárne nezávislé, čiže ich lineárnou kombináciou
nemôžeme dostať

0. Pretože γ
k+1
= α
k+1
+ c
k+1,1
γ
1
+ c
k+1,2
γ
2
+ . . . + c
k+1,k
γ
k
je lineárna
kombinácia týchto vektorov a koeficient pri α
k+1
je 1 ,= 0. Z toho vyplýva, že γ
k+1
,=

0.
Súčasne platí γ
k+1
∈ [ α
k+1
, γ
1
, . . . , γ
k
] = [ α
1
, . . . , α
k+1
]. Teda [γ
1
, . . . , γ
k+1
] ⊆ [ α
1
, . . . , α
k+1
].
Ďalej α
k+1
= γ
k+1
−(c
k+1,1
γ
1
+c
k+1,2
γ
2
+. . . +c
k+1,k
γ
k
) je lineárna kombinácia vektorov
γ
1
, . . . , γ
k+1
, čiže platí aj obrátená inklúzia [ α
1
, . . . , α
k+1
] ⊆ [γ
1
, . . . , γ
k+1
].
Takto sme dostali bázu priestoru V , ktorej vektory sú ortogonálne. Aby boli ortonormálne,
potrebujeme, každý z nich vydeliť jeho veľkosťou, čiže ortonormálnu bázu dostaneme tak, že
položíme

β
i
=
γ
i

i
[
.
Príklad 1.2.5. Zoberme si priestor V = [(1, 0, 1, 0), (0, 2, −1, 1), (0, 2, 1, 3)]. Ľahko sa overí,
že tieto vektory sú lineárne nezávislé, teda tvoria bázu priestoru V . Pomocou Gram-Schmidtovho
procesu nájdeme ortogonálnu bázu pre V . Položíme
γ
1
= α
1
= (1, 0, 1, 0).
Ďalej chcem nájsť vektor γ
2
= α
2
+cγ
1
= (0, 2, −1, 1) +c(1, 0, 1, 0) = (c, 2, c −1, 1) tak, aby
bol kolmý na γ
1
= (1, 0, 1, 0). Dostávame teda rovnosť
¸(c, 2, c −1, c + 1), (1, 0, 1, 0)¸ = c +c −1 = 2c −1 = 0,
z ktorej vyplýva c =
1
2
a γ
2
= (
1
2
, 2, −
1
2
, 1).
Tretí vektor γ
3
hľadáme v tvare γ
3
= α
3
+dγ
1
+eγ
2
tak, aby
¸γ
3
, γ
1
¸ = ¸ α
3
, γ
1
¸ +d¸γ
1
, γ
1
¸ = 0
¸γ
3
, γ
2
¸ = ¸ α
3
, γ
2
¸ +e¸γ
2
, γ
2
¸ = 0
10
KAPITOLA 1. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 11
z čoho
d = −
¸ α
3
, γ
1
¸
¸γ
1
, γ
1
¸
e = −
¸ α
3
, γ
2
¸
¸γ
2
, γ
2
¸
Keď vypočítame ¸ α
3
, γ
1
¸ = 1, ¸γ
1
, γ
1
¸ = 2, ¸ α
3
, γ
2
¸ =
13
2
a ¸γ
2
, γ
2
¸ =
11
2
, dostaneme
d = −
1
2
e = −
13
11
γ
3
= α
3

1
2
γ
1

13
11
γ
2
γ
3
=
_

12
11
, −
4
11
,
12
11
,
20
11
_
Zatiaľ sme teda dostali ortogonálne vektory, ktoré generujú V . Aby sme z nich dostali orto-
normálne, musíme ich predeliť veľkosťou. Platí

1
[ =

2

2
[ =

11

2

3
[ =

704
11
=
8

11
11
=
8

11
a teda ortonormálna báza priestoru V je

β
1
=
1

2
(1, 0, 1, 0)

β
2
=

2

11
(
1
2
, 2, −
1
2
, 1)

β
3
=

11
8
_

12
11
, −
4
11
,
12
11
,
20
11
_
=
1
8

11
(−12, −4, 12, 20) =
2

11
(−3, −1, 3, 5).
Vidíme, že vektory, ktoré sme dostali vyzerajú pomerne zložito. Nevedeli by sme si nejako
zjednodušiť tieto výpočty? Možnože keby sme mali bázové vektory pôvodnej bázy o niečo
jednoduchšie, aj ortonormálna báza by vyšla jednoduchšia. Ale dostať „peknú bázu vieme
– to sa dá urobiť pomocou elementárnych riadkových operácií. Takže skúsme ešte takýto
postup – vypočítajme najprv jednoduchšiu bázu pre priestor V .
_
1 0 1 0
0 2 −1 1
0 2 1 3
_

_
1 0 1 0
0 2 −1 1
0 0 2 2
_

_
1 0 1 0
0 2 −1 1
0 0 1 1
_

_
1 0 0 −1
0 2 0 2
0 0 1 1
_

_
1 0 0 −1
0 1 0 1
0 0 1 1
_
Vidíme teda, že V = [(1, 0, 0, −1), (0, 1, 0, 1), (0, 0, 1, 1)], čiže tentokrát ako štartovací bod
pre Gram-Schmidtovu ortogonalizáciu použijeme bázové vektory α
1
= (1, 0, 0, −1), α
2
=
(0, 1, 0, 1), α
3
= (0, 0, 1, 1). (Dúfam, že Vás nebude príliš pliesť, že tentokrát sme ako α
1
, α
2
a α
3
označili úplne iné vektory ako v prvej časti príkladu. Dôvod nie je ten, že by sme mali
príliš málo gréckych písmeniek, ale ten, že som chcel aby sa označenie zhodovalo s označením
použitým v predchádzajúcom dôkaze.)
Opäť dostaneme:
γ
1
= α
1
= (1, 0, 0, −1).
11
12 Gram-Schmidtov ortogonalizačný proces
Vektor γ
2
hľadáme v tvare α
2
+cγ
1
a z podmienky, že ¸γ
2
, γ
1
¸ = 0 nám vyjde, že
c = −
¸γ
1
, α
2
¸
¸γ
1
, γ
1
¸
= −
−1
2
=
1
2
γ
2
= (0, 1, 0, 1) +
1
2
(1, 0, 0, −1) =
_
1
2
, 1, 0,
1
2
_
Ďalej hľadáme γ
3
v tvare γ
3
= α
3
+ dγ
1
+ eγ
2
. Koeficienty e a f opäť určíme z podmienok
ortogonality.
d = −
¸ α
3
, γ
1
¸
¸γ
1
, γ
1
¸
=
1
2
e = −
¸ α
3
, γ
2
¸
¸γ
2
, γ
2
¸
= −
1
3
γ
3
= (0, 0, 1, 1) +
1
2
(1, 0, 0, −1) −
1
3
_
1
2
, 1, 0,
1
2
_
=
_
1
3
, −
1
3
, 1,
1
3
_
Teraz už zostáva len každý vektor predeliť jeho veľkosťou.

β
1
=
γ
1

1
[
=
1

2
(1, 0, 0, −1)

β
2
=
γ
2

2
[
=
_
2
3
_
1
2
, 1, 0,
1
2
_

β
3
=
γ
3

3
[
=

3
2
_
1
3
, −
1
3
, 1,
1
3
_
Existenciu ortogonálnej bázy môžeme použiť na dôkaz niektorých ďalších faktov o orto-
gonálnom doplnku.
Veta 1.2.6. Nech S je podpriestor konečnorozmerného euklidovského priestoru V . Potom
ľubovoľný vektor γ ∈ V sa dá jednoznačne vyjadriť ako
γ = α +

β,
kde α ∈ S a

β ∈ S

.
Dôkaz. Existencia: Vieme, že S má ortonormálnu bázu a tú môžeme rozšíriť na ortonor-
málnu bázu celého V . (Presnejšie povedané: Vieme ju podľa Steinitzovej vety rozšíriť na
bázu celého V , ak z tejto bázy postupom použitým v dôkaze vety 1.2.4 vytvoríme ortonor-
málnu bázu, tak bázové vektory patriace do S sa nezmenia, pretože boli ortonormálne už
pred ortonormalizáciou.)
Nech teda vektory γ
1
, . . . , γ
k
tvoria ortonormálnu bázu S a vektory γ
k+1
, . . . , γ
n
sú ostatné
vektory ortonormálnej bázy V . Ľubovoľný vektor γ sa dá jednoznačne zapísať ako
γ = c
1
α
1
+ +c
k
α
k
+c
k+1
α
k+1
+ +c
n
α
n
.
Ak zvolíme α = c
1
α
1
+ +c
k
α
k
a

β = c
k+1
α
k+1
+ +c
n
α
n
, tak α ∈ S a

β ∈ S

.
Jednoznačnosť: Majme dva rozklady uvedeným spôsobom, t.j.
γ = α
1
+

β
1
= α
2
+

β
2
,
pričom α
1
, α
2
∈ S a

β
1
,

β
2
∈ S

.
12
KAPITOLA 1. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 13
Z rovnosti
α
1
− α
2
=

β
2

β
1
vidíme, že vektor α
1
− α
2
patrí do S ∩ S

. Z toho ale potom vyplýva
¸ α
1
− α
2
, α
1
− α
2
¸ = 0
a α
1
− α
2
= 0, čiže α
1
= α
2
. Samozrejme, potom musí platiť aj

β
1
=

β
2
.
Definícia 1.2.7. V situácii z predošlej vety sa vektor α nazýva ortogonálna projekcia vektora
γ na podpriestor S.
Termín ortogonálna projekcia sa často používa aj pre zobrazenie P : V →V , ktoré danému
vektoru priradí jeho ortogonálnu projekciu. Ľahko sa overí, že toto zobrazenie je lineárne
(úloha 1.2.11).
Dôsledok 1.2.8. Nech S, T sú podpriestory konečnorozmerného priestoru V . Potom:
(i) V = S ⊕S

(ii) (S

)

= S
(iii) (S ∩ T)

= S

+T

.
Dôkaz. (i) Vyplýva z predchádzajúcej vety a z vety I-4.5.6.
(ii) Priamo z definície vidno, že S ⊆ (S

)

. (Každý vektor z S je kolmý na všetky vektory
z S

.) Súčasne máme
V = S ⊕S

= (S

)

⊕S

,
z čoho pre dimenzie dostaneme
d(S) +d(S

) = d((S

)

) +d(S

),
a teda d(S) = d((S

)

). Keďže S je podpriestor (S

)

a majú rovnakú dimenziu, platí
S = S

(tvrdenie I-4.4.18).
(iii) Použitím tvrdenia 1.1.16 a časti (ii) dostaneme
(S

+T

)

= (S

)

∩ (T

)

= S ∩ T.
Ak ešte raz aplikujeme operátor ortogonálneho doplnku a použijeme (ii), dostávame rovnosť
S

+T

= (S ∩ T)

.
Nasledujúci príklad ukazuje, že v nekonečnorozmerných priestoroch tvrdenia dokázané
v predchádzajúcom dôsledku neplatia vo všeobecnosti v prípade, že euklidovský vektorový
priestor a podpriestory vystupujúce v dôsledku sú nekonečnorozmerné. (Tento príklad je
o čosi komplikovanejší, ale aspoň pre tých z vás, ktorých zaujíma analýza, by mohol byť
zaujímavý.)
Príklad

1.2.9. Priestor, v ktorom budeme pracovať je priestor postupností
V =
2
= ¦(x
n
) ∈ R
N
;

n=1
x
2
n
< +∞¦.
13
14 Gram-Schmidtov ortogonalizačný proces
Skalárny súčin, s ktorým budeme pracovať, je
¸x, y¸ =

n=1
x
n
y
n
.
Tento priestor hrá dôležitú úlohu v matematickej analýze.
Fakt, že tento predpis naozaj určuje zobrazenie
2

2
→R (teda, že pre každé 2 postup-
nosti z
2
je súčet

n=1
x
n
y
n
konečný) vyplýva z nerovnosti (1.1). (Stačí v nej zobrať limitu pre
n →∞.) Podobný postup sa využije aj na dôkaz, že
2
skutočne tvorí podpriestor priestoru
R
N
.
Overenie jednotlivých vlastností skalárneho súčinu je len o niečo zložitejšie ako v príklade
1.1.3.
Stále sme však ešte neoverili, že ide o euklidovský vektorový priestor– chýba nám overe-
nie podmienky, s ktorou obvykle začíname, t.j. to, že V je vektorový priestor. Keďže ide o
podmnožinu vektorového priestoru R
N
(a operácie sú definované rovnako), stačí overiť uzav-
retosť na súčet a skalárny násobok. Netriviálna je iba uzavretosť na súčet. Ak (x
n
), (y
n
) ∈
2
,
znamená to, že rady

n=1
x
2
n
i

n=1
y
2
n
konvergujú. Potom máme

n=1
(x
n
+y
n
)
2
=

n=1
(x
2
n
+ 2x
n
y
n
+y
2
n
)
(∗)
=

n=1
x
2
n
+ 2

n=1
x
n
y
n
+

n=1
y
2
n
. (1.3)
Dôležité je uvedomiť si, či skutočne platí rovnosť (*), t.j. či môžeme takýmto spôsobom
zmeniť poradie sumácie. Z matematickej analýzy vieme, že sa to dá urobiť, ak rady, ktoré
sčitujeme sú absolútne konvergentné.
1
Keďže rady

n=1
x
2
n
a

n=1
y
2
n
sú rady s kladnými členmi,
pre ne je absolútna konvergencia zrejmá. V prípade radu

n=1
x
n
y
n
si stačí všimnúť, že platí
nerovnosť

n=1
[x
n
y
n
[ ≤
¸
¸
¸
_

n=1
x
2
n
.

n=1
y
2
n
.
Túto nerovnosť môžeme dostať napríklad limitným prechodom z (1.1) (z (1.1) vieme, že
uvedená nerovnosť platí pre všetky čiastočné súčty radov, ktoré v nej vystupujú).
Vidíme teda, že rady vystupujúce na pravej strane rovnosti (1.3) sú absolútne konver-
gentné, čím mám dokázanú platnosť tejto rovnosti.
Navyše, keď si ešte uvedomíme, že platí

n=1
x
n
y
n

n=1
[x
n
y
n
[,
tak vidíme, že všetky rady na pravej strane (1.3) majú konečný súčet, teda platí

n=1
(x
n
+
y
n
)
2
< +∞, čo znamená, že (x
n
+y
n
) ∈
2
.
Zvoľme si teraz podpriestor
S = ¦(x
n
) ∈
2
; x
n
= 0 pre všetky n okrem konečného počtu¦
1
Pripomeňme, že rad

n=1
a
n
je absolútne konvergentný, ak konverguje rad

n=1
|a
n
|.
14
KAPITOLA 1. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 15
pozostávajúci z tých postupností, ktoré majú iba konečne veľa nenulových členov. Platí
S

= ¦0¦.
Stačí si uvedomiť, že ak ako e
n
označíme postupnosť, ktorá má všetky členy okrem n-tého
miesta nuly a jej n-tý člen 1, t.j. e
n
= (0, . . . , 0, 1, 0 . . . ), tak všetky takéto postupnosti patria
do S. Teda pre každú postupnosť z S

dostaneme
¸x, e
n
¸ = x
n
= 0.
Z toho dostaneme
S ⊕S

= S ,= V,
(S

)

= ¦0¦

= V.
Cvičenia
Úloha 1.2.1. Nájdite bázu a dimenziu S

pre daný podpriestor S priestoru R
4
:
a) S = [(1, 1, 0, 1), (2, 1, 0, 1)]
b) S = [(1, 5, 4, 3), (2, −1, 2, −1)]
c) S = [(1, 2, 1, 1), (2, 1, −1, −1)]
d) S = [(1, 2, 3, 4), (1, 1, 1, 1), (4, 3, 2, 1)]
e) S = [(2, 1, 2, 3), (0, 1, −2, 1), (1, 0, 2, 1)]
f) S = [(1, 1, 1, 2), (1, 0, 1, 1), (0, 1, 2, 1)]
Úloha 1.2.2. Zistite, či daný predpis určuje skalárny súčin na R
3
. Nech α = (a
1
, a
2
, a
3
) a

β = (b
1
, b
2
, b
3
).
a) ¸ α,

β¸ = a
1
b
1
−a
1
b
2
+a
1
b
3
+a
2
b
1
+ 3a
2
b
2
−a
3
b
3
b) ¸ α,

β¸ = a
1
b
1
+ 2a
1
b
2
+ 2a
2
b
1
c) ¸ α,

β¸ = 3a
1
b
2
+ 2a
2
b
2
+a
3
b
3
d) ¸ α,

β¸ = a
1
b
1
+a
2
b
2
+a
3
b
3
e) ¸ α,

β¸ = a
1
b
1
+a
1
b
2
+a
2
b
1
+ 3a
2
b
2
+a
3
b
3
f) ¸ α,

β¸ = a
1
b
1
+a
1
b
2
+a
2
b
1
+a
2
b
2
+ 2a
3
b
3
g) ¸ α,

β¸ = a
1
b
1
+ 2a
1
b
2
+ 2a
2
b
1
+a
2
b
2
+ 2a
3
b
3
h)¸ α,

β¸ = a
1
b
2
+a
2
b
1
i)¸ α,

β¸ = 3a
1
b
1
+ 2a
1
b
2
+a
2
b
1
+ 3a
3
b
3
Úloha 1.2.3. Zistite, či sin πx a cos πx sú kolmé v priestore C(0, 1) so skalárnym súčinom
z príkladu 1.1.6. Akú majú tieto vektory veľkosť?
Úloha 1.2.4. Overte či predpis
a) ¸f, g¸ = f(0)g(0) +f(1)g(1)
b) ¸f, g¸ = f(−1)g(−1) +f(0)g(0) +f(1)g(1)
určuje skalárny súčin na priestore P
2
všetkých polynómov stupňa najviac 2 nad poľom R.
Úloha 1.2.5. Dokážte, že v ľubovoľnom euklidovskom priestore platí:
a) ¸ α,

β¸ = 0 ⇒ [ α +

β[
2
= [α[
2
+[β[
2
(Pytagorova veta)
b) [ α +

β[
2
= [α[
2
+[β[
2
+ 2¸ α,

β¸ (kosínová veta)
c) [ α +

β[
2
+[ α −

β[
2
= 2([ α[
2
+[

β[
2
) (rovnobežníkové pravidlo)
Úloha 1.2.6

. Ukážte, že ak [[ : V → R je funkcia definovaná na vektorovom priestore V
nad R, ktorá spĺňa podmienky (i), (ii), (iii) a (v) z tvrdenia 1.1.8 i rovnobežníkové pravidlo,
tak existuje skalárny súčin na V taký, že [α[ =
_
¸ α, α¸ pre všetky α ∈ V .
15
16 Gram-Schmidtov ortogonalizačný proces
Úloha 1.2.7. Ukážte, že funkcia [[ : R
n
→R, [(x
1
, . . . , x
n
)[ = max¦[x
i
[; i = 1, . . . , n¦ spĺňa
podmienky (i), (ii), (iii) a (v) z tvrdenia 1.1.8, ale neexistuje skalárny súčin na R
n
taký, že
[α[ =
_
¸ α, α¸ (pre všetky α ∈ R
n
).
Úloha 1.2.8. Pre štvorcovú maticu typu n n definujeme stopu matice ako súčet jej dia-
gonálnych prvkov, t.j. Tr(A) =

n
i=1
a
ii
. Overte, či na vektorovom priestore M
n,n
(R) určuje
predpis
¸A, B¸ = Tr(AB
T
)
skalárny súčin. (Hint 1: Pokúste sa vyjadriť hodnotu ¸A, B¸ pomocou prvkov matíc A, B.
Hint 2: Možno vám pri tom pomôžu rovnosti Tr(AB) = Tr(BA) a Tr(A) = Tr(A
T
). Prvá z
nich sa dá ľahko overiť pomocou definície súčinu, druhá je zrejmá.)
Úloha 1.2.9. Overte, že v priestore C(0, 2π) všetkých spojitých funkcií z uzavretého in-
tervalu ¸0, 2π¸ do R so skalárnym súčinom ¸f, g¸ =
_

0
f(x)g(x)dx sú ľubovoľné dve rôzne
funkcie z množiny ¦1, sin nx, cos nx¦ na seba kolmé. (Po vynormovaní by sme dostali množinu
funkcií, ktorá má v tomto priestore do istej miery podobné vlastnosti ako ortonormálna báza
v konečnorozmerných priestorov. Tento systém funkcií je dôležitý v matematickej analýze
v súvislosti s Fourierovými radmi.)
Úloha 1.2.10. Nájdite ortonormálnu bázu pre priestory z úlohy 1.2.1.
Úloha 1.2.11. Nech S je podpriestor konečnorozmerného euklidovského vektorového pries-
toru V . Nech P : V →V je ortogonálna projekcia na tento podpriestor. Overte, že:
a) P je lineárne zobrazenie;
b) ImP = S a Ker P = S

.
Úloha 1.2.12. Nájdite maticu ortogonálnej projekcie pri obvyklom skalárnom súčine pre:
a) priestory z úlohy 1.2.1;
b) pre ľubovoľný podpriestor S = [ α], pričom vektor α je normovaný (má jednotkovú dĺžku);
c) pre podpriestor S = [ α
1
, . . . , α
k
], pričom vektory α
1
, . . . , α
k
sú ortonormálne.
[Odpovede: b) α
T
α; c) A
T
A, kde A je matica, ktorej riadky tvoria vektory α
1
, . . . , α
k
.]
Úloha 1.2.13. Ukážte, že pre ľubovoľný podpriestor S euklidovského vektorového priestoru
V platí S
⊥⊥⊥
= S

. (Hint: Skúste si uvedomiť, ktorú z inklúzií medzi S a S

sme v dô-
kaze dôsledku 1.2.8 dokázali bez použitia predpokladu o konečnorozmernosti. Túto inklúziu
použite raz pre S a raz pre S

.)
16
Kapitola 2
Kvadratické formy
Táto kapitola je spracovaná prevažne na základe [KGGS, Kapitola 9].
2.1 Definícia a základné vlastnosti
Definícia 2.1.1. Výraz (polynóm)
n

i=1
n

j=1
a
ij
x
i
x
j
,
kde a
ij
∈ R a x
1
, . . . , x
n
sú (komutujúce) premenné budeme nazývať kvadratická forma
v premenných x
1
, . . . , x
n
.
V súvislosti s touto definíciou je užitočné ozrejmiť si zopár faktov.
Poznámka 2.1.2.
1. Podobne by sme mohli definovať kvadratickú formu nad ľubovoľným poľom. Budeme
sa však zaoberať iba reálnym prípadom.
2. Slovo polynóm je v definícii uvedené v zátvorke preto, že s polynómami viac premenných
sme doteraz nepracovali. Intuitívne by však mohlo byť zrejmé, ako sa takéto polynómy
sčitujú a násobia. Pri násobení polynómov viac premenných si treba uvedomiť, že platí
x
i
x
j
= x
j
x
i
– presne to je myslené tým, že v definícii sa hovorí, že premenné komutujú.
Znamená to teda, že dva polynómy uvedeného tvaru sa rovnajú ak pre všetky i platí
a
ii
= b
ii
a súčasne pre i ,= j platí a
ij
+a
ji
= b
ij
+b
ji
.
3. Vieme, že v prípade polynómov jednej premennej nad poľom R bola rovnosť polynómov
ekvivalentná s rovnosťou polynomických funkcií, ktoré tieto polynómy určujú. Podobne
je to aj v tomto prípade – čiže kvadratické formy môžeme chápať ako polynómy n
premenných špeciálneho tvaru. (Takéto polynómy viacerých premenných, ktoré majú
všetky členy rovnakého stupňa, sa nazývajú homogénne polynómy.)
Príklad 2.1.3. Príkladom kvadratickej formy je x
2
1
+ 2x
1
x
2
+ 2x
2
2
+ 4x
1
x
3
+ 2x
2
x
3
+x
2
3
.
Všimnime si, že ju môžeme zapísať aj pomocou maticového zápisu
(x
1
, x
2
, x
3
)
_
_
1 2 4
0 2 2
0 0 1
_
_
_
_
x
1
x
2
x
3
_
_
17
18 Kanonický tvar kvadratickej formy
Všeobecne, ak označíme α = (x
1
, . . . , x
n
), tak pre ľubovoľnú maticu A ∈ M
n,n
(R) je
αA α
T
kvadratická forma.
Tú istú kvadratickú formu by sme mohli zapísať aj pomocou iných matíc. Nám sa bude
hodiť hlavne reprezentácia pomocou symetrickej matice
(x
1
, x
2
, x
3
)
_
_
1 1 2
1 2 1
2 1 1
_
_
_
_
x
1
x
2
x
3
_
_
.
Výhoda reprezentácie pomocou symetrickej matice je v tom, že takáto reprezentácia je už
jednoznačná.
Veta 2.1.4. Každá kvadratická forma sa dá jednoznačne zapísať ako αB α
T
, kde B je sy-
metrická matica.
Dôkaz. Uvažujme kvadratickú formu

n
i=1

n
j=1
a
ij
x
i
x
j
. Podľa toho, čo sme si povedali
o rovnosti kvadratických foriem, matica B vyjadruje tú istú kvadratickú formu práve vtedy,
keď platí
a
ij
+a
ji
= b
ij
+b
ji
pre ľubovoľné i a j. Vďaka tomu, že matica b je symetrická je táto rovnosť ekvivalentná
s rovnosťami
2b
ij
= a
ij
+a
ji
b
ij
=
a
ij
+a
ji
2
Ľahko vidíme, že matica určená takýmto predpisom je skutočne symetrická (b
ij
= b
ji
).
Súčasne sme ukázali, že toto je jediná možnosť ako voliť koeficienty matice B.
2.2 Kanonický tvar kvadratickej formy
Pokúsme sa upraviť kvadratickú formu z príkladu 2.1.3 na iný tvar, ktorý môže byť na
niektoré účely vhodnejší. Upravíme ju pomocou doplnenia na štvorec.
Príklad 2.2.1.
x
2
1
+ 2x
1
x
2
+ 2x
2
2
+ 4x
1
x
3
+ 2x
2
x
3
+x
2
3
= (x
1
+x
2
+ 2x
3
)
2
+x
2
2
−2x
2
x
3
−3x
2
3
=
(x
1
+x
2
+ 2x
3
)
2
+ (x
2
−x
3
)
2
−4x
2
3
= (x
1
+x
2
+ 2x
3
)
2
+ (x
2
−x
3
)
2
−(2x
3
)
2
To znamená, že ak by sme zaviedli nové premenné
y
1
= x
1
+x
2
+ 2x
3
y
2
= x
2
−x
3
y
3
= 2x
3
tak pomocou týchto premenných môžeme kvadratickú formu zapísať v jednoduchšom tvare
y
2
1
+y
2
2
−y
2
3
.
Skúsme si ešte rozmyslieť, ako tento fakt môžeme zapísať pomocou maticového zápisu. Ak
označíme α = (x
1
, x
2
, x
3
) a

β = (y
1
, y
2
, y
3
), tak uvedenú transformáciu premenných môžeme
zapísať ako

β = αP,
18
KAPITOLA 2. KVADRATICKÉ FORMY 19
kde
P =
_
_
1 0 0
1 1 0
2 −1 2
_
_
.
Vieme, že túto kvadratickú môžeme zapísať pomocou symetrickej matice A =
_
1 1 2
1 2 1
2 1 1
_
ako αA α
T
.
Ak vyjadríme vektor α pomocou vektoru

β, t.j. α =

βP
−1
, tak dostaneme
αA α
T
=

βP
−1
A(P
−1
)
T

β.
Zistili sme, že matica kvadratickej formy y
2
1
+y
2
2
−y
2
3
sa dá vyjadriť ako B = P
−1
A(P
−1
)
T
.
Všimnime si, že táto matica je symetrická – platí totiž
B
T
= (P
−1
A(P
−1
)
T
)
T
= P
−1
A
T
(P
−1
)
T
.
Pretože podľa vety 2.1.4 je symetrická matica prislúchajúca danej kvadratickej formy jedno-
značne určená, zistili sme vlastne, že pre maticu D =
_
1 0 0
0 1 0
0 0 −1
_
platí
D = P
−1
AP
−1
T
A = PDP
T
Definícia 2.2.2. Hovoríme, že matice A a B sú kongruentné, ak existuje regulárna matica
P taká, že
A = PBP
T
.
Ľahko sa dá overiť, že kongruencia matíc je relácia ekvivalencie (úloha 2.2.1).
Poznámka 2.2.3. Z postupu použitého v predchádzajúcom príklade by mohlo byť vidno,
že dve matice sú kongruentné práve vtedy, keď predstavujú tú istú kvadratickú formu, len
vyjadrenú v iných premenných.
Teraz by sme chceli ukázať, že každú kvadratickú formu môžeme pomocou vhodnej trans-
formácie premenných previesť na podobný tvar – taký, ktorý zodpovedá diagonálnej matici
majúcej na diagonále iba prvky 0, ±1. Inak povedané, chceme ukázať, že každá symetrická
matica je kongruentná s diagonálnou maticou takéhoto tvaru. Dôkaz bude konštruktívny a
bude sa podobať na postup z predchádzajúceho príkladu. Ešte skôr než sa pustíme do dôkazu,
vyskúšame si na jednom príklade jediný krok tohoto dôkazu, kde používame iný postup než
doplnenie na štvorce.
Príklad 2.2.4. Uvažujme kvadratickú formu x
1
x
2
. Všimnime si, že
x
1
x
2
=
(x
1
+x
2
)
2
4

(x
1
−x
2
)
2
4
=
_
x
1
2
+
x
2
2
_
2

_
x
1
2

x
2
2
_
2
.
To znamená, že túto kvadratickú formu vieme previesť na tvar y
2
1
−y
2
2
pomocou transformácie
y
1
=
x
1
+x
2
2
y
2
=
x
1
−x
2
2
19
20 Kanonický tvar kvadratickej formy
Ekvivalentne to môžeme vyjadriť tak, že premenné x
1
a x
2
sme transformovali ako
x
1
= y
1
+y
2
x
2
= y
1
−y
2
Môžeme si všimnúť, že pre matice A =
_
0
1
2
1
2
0
_
, B =
_
1 0
0 −1
_
, P =
1
2
_
1 1
1 −1
_
opäť platí
A = PBP
T
. Alebo tiež obrátene, B = QAQ
T
, kde Q =
_
1 1
1 −1
_
. (Tieto matice sme do-
stali z vyjadrenia transformácií premenných podobným spôsobom ako v predchádzajúcom
príklade.)
Veta 2.2.5. Pre ľubovoľnú kvadratickú formu

n
i=1

n
j=1
a
ij
x
i
x
j
existuje regulárna trans-
formácia premenných (y
1
, . . . , y
n
) = (x
1
, . . . , x
n
)P taká, že táto kvadratická forma sa dá
v premenných y
1
, . . . , y
n
vyjadriť ako
n

i=1
n

j=1
a
ij
x
i
x
j
=
n

k=1
d
k
y
2
k
,
kde d
k
∈ ¦0, ±1¦.
Zápis v tvare
n

k=1
d
k
y
2
k
budeme nazývať kanonický tvar kvadratickej formy
n

i=1
n

j=1
a
ij
x
i
x
j
.
Pod pojmom regulárna transformácia premenných v predchádzajúcej vete rozumieme to,
že matica P určujúca túto transformáciu je regulárna.
Dôkaz. Dôkaz je v podstate konštruktívny a budeme v ňom používať postupy, ktoré sme si
ukázali v predchádzajúcich príkladoch.
Ukážeme len, že ľubovoľnú kvadratickú formu možno previesť na diagonálny tvar
c
1
y
2
1
+c
2
y
2
2
+ +c
n
y
2
n
.
Z tohoto tvaru už kanonický tvar dostaneme ľahko – stačí zaviesť nové premenné z
i
= y
i
pre tie i, pre ktoré c
i
= 0 a z
i
=
_
[c
i
[y
i
pre ostatné i. Takáto transformácia premenných je
očividne regulárna.
Budeme postupovať matematickou indukciou vzhľadom na počet premenných n.
1

Ak máme len 1 premennú, tak kvadratická forma a
11
x
2
1
je už v diagonálnom tvare.
2

Predpokladajme, že uvedené tvrdenie platí pre ľubovoľnú kvadratickú formu n − 1
premenných. Uvažujme kvadratickú formu
n

i=1
n

j=1
a
ij
x
i
x
j
. Bez ujmy na všeobecnosti môžeme
predpokladať, že matica A = |a
ij
| je symetrická.
Predpokladajme najprv, že a
11
,= 0. Všimnime si všetky členy, ktoré obsahujú premennú
x
1
a vhodne ich upravme.
n

i=1
n

j=1
a
ij
x
i
x
j
= a
11
x
2
1
+ 2a
12
x
1
x
2
+ + 2a
1n
x
1
x
n
+
n

i=2
n

j=2
a
ij
x
i
x
j
=
a
11
_
x
2
1
+ 2
a
12
a
11
x
1
x
2
+ + 2
a
1n
a
11
x
1
x
n
_
+
n

i=2
n

j=2
a
ij
x
i
x
j
=
a
11
_
x
1
+
a
12
a
11
x
2
+ +
a
1n
a
11
x
n
_
2

n

i=2
a
2
1i
a
11
x
2
i

n

i=2
n

j=i+1
a
1i
a
1j
a
11
x
i
x
j
+
n

i=2
n

j=2
a
ij
x
i
x
j
20
KAPITOLA 2. KVADRATICKÉ FORMY 21
Ak označíme y
1
= x
1
+
a
12
a
11
x
2
+ +
a
1n
a
11
x
n
, podarilo sa nám upraviť pôvodnú kvadratickú
formu na tvar
a
11
y
2
1
+B(x
2
, . . . , x
n
),
kde B(x
2
, . . . , x
n
) je kvadratická forma v n −1 premenných x
2
, . . . , x
n
.
Podľa indukčného predpokladu sa dá táto kvadratická forma previesť regulárnou transfor-
máciou premenných na diagonálny tvar c
2
y
2
2
+ +c
n
x
2
n
. Kombináciou týchto 2 transformácií
prevedieme pôvodnú kvadratickú formu na
a
11
y
2
1
+c
2
y
2
2
+ +c
n
x
2
n
.
Ak ako P

označíme maticu transformácie pre kvadratickú formu B(x
2
, . . . , x
n
), tak matica
transformácie pôvodnej kvadratickej formy je
_
_
_
_
_
1 0 . . . 0
a
21
a
11
.
.
. P

a
n1
a
11
_
_
_
_
_
Ak urobíme Laplaceov rozvoj podľa prvého riadku, dostávame [P[ = [P

[, čiže matica P je
tiež regulárna.
Zostáva nám vyriešiť prípad, že a
11
,= 0. V prípade, že a
ii
,= 0 pre nejaké i stačí vymeniť
premenné x
1
a x
i
(čo je regulárna transformácia) a ďalej postupovať ako v predchádzajúcom
prípade.
Ak sú všetky diagonálne prvky matice |a
ij
| nulové, ale existujú nejaké i a j také, že
a
ij
,= 0, použijeme postup z príkladu 2.2.4. Ak totiž dosadíme x
i
= y
i
+y
j
a x
j
= y
i
−y
j
, tak
dostaneme novú kvadratickú formu, ktorá určite bude obsahovať y
2
i
s nenulový koeficientom.
Ďalej môžeme opäť postupovať ako v predchádzajúcom prípade. Použitá transformácia je
opäť regulárna.
Zostáva jediný prípad – že všetky čísla a
ij
sú nulové. Vtedy je už kvadratická forma
v kanonickom tvare 0x
2
1
+ + 0x
2
n
.
Z toho, čo sme si ukázali v príklade 2.2.1 vyplýva, že sme súčasne dokázali nasledujúce
tvrdenie o symetrických reálnych maticiach.
Dôsledok 2.2.6. Každá reálna symetrická matica typu n n je kongruentná s nejakou
diagonálnou maticou diag(d
1
, . . . , d
n
) takou, že d
i
∈ ¦0, ±1¦ pre i = 1 . . . n.
Vysvetlíme si ešte (aspoň na konkrétnom príklade) iný postup ako vieme z danej sy-
metrickej matice dostať jej zodpovedajúcu diagonálnu maticu i príslušnú maticu prechodu.
Predtým však pripomeňme niečo o tom, ako súvisia riadkové a stĺpcové operácie s násobením
matíc (pozri podkapitolu I-5.6).
Vykonaním elementárnej riadkovej operácie na matici A dostaneme maticu EA, kde E je
matica elementárnej riadkovej operácie – je to taká matica, ktorú dostaneme z jednotkovej
matice použitím tejto riadkovej operácie. Napríklad pripočítanie c-násobku prvého riadku
k druhému zodpovedá vynásobením maticou
_
1 0 0
c 1 0
0 0 1
_
zľava.
Podobne ako riadkové operácie zodpovedajú násobeniu vhodnou maticou zľava, pre stĺp-
cové operácie treba použiť násobenie sprava. Všimnime si tiež, že ak E je matica riadkovej
operácie, pre tú istú stĺpcovú operáciu dostaneme maticu E
T
. Vidno to z toho, že ak riadková
operácia vytvorila z matice A maticu EA, stĺpcovú operáciu si môžeme predstaviť ako vyko-
nanie riadkovej operácie na matici A
T
(a potom opätovné transponovanie), takže dostaneme
21
22 Kanonický tvar kvadratickej formy
(EA
T
)
T
= AE
T
. Napríklad pripočítanie c-násobku prvého stĺpca k druhému je to isté ako
vynásobenie maticou
_
1 c 0
0 1 0
0 0 1
_
sprava.
Z toho vidno, že ak by sme začali s maticou A a robili na nej riadkové aj stĺpcové operácie
(t.j. po použití riadkovej operácie by sme hneď urobili aj tú istú operáciu na stĺpcoch) dostali
by sme maticu
E
n
. . . E
1
AE
T
1
. . . E
T
n
= E
n
. . . E
1
A(E
n
. . . E
1
)
T
.
Ak by sa nám takto podarilo upraviť maticu A na diagonálnu maticu, dostali by sme rovnosť
PAP
T
= D,
kde P označuje E
n
. . . E
1
. Teda použitím riadkových a stĺpcových operácií by sme mohli
dostať diagonálnu maticu a aj maticu transformácie premenných.
Príklad 2.2.7. Postup, ktorý sme si práve vysvetlili, si ukážeme na matici kvadratickej
formy z príkladu 2.2.1.
Budeme teda robiť striedavo elementárne riadkové a stĺpcové operácie. Súčasne budeme
na matici I robiť tie isté riadkové operácie, aby sme dostali maticu, ktorá transformuje A na
diagonálnu maticu
A =
_
1 1 2
1 2 1
2 1 1
_
(1)

_
1 1 2
0 1 −1
2 1 1
_
(1

)

_
1 0 2
0 1 −1
2 −1 1
_
(2)

_
1 0 2
0 1 −1
0 −1 −3
_
(2

)

_
1 0 0
0 1 −1
0 −1 −3
_
(3)

_
1 0 0
0 1 −1
0 0 −4
_
(3

)

_
1 0 0
0 1 0
0 0 −4
_
(4)

_
1 0 0
0 1 0
0 0 −2
_
(4

)

_
1 0 0
0 1 0
0 0 −1
_
= D
(1) 2r-=1r (od druhého riadku odrátam prvý); (1’) je rovnaká operácia pre stĺpce (všimnite
si, že vždy po vykonaní riadkovej aj stĺpcovej operácie musím dostať symetrickú maticu)
(2) 3r-=2*1r
(3) 3r+=2r
(4) 4r*=1/2
I =
_
1 0 0
0 1 0
0 0 1
_
(1)

_
1 0 0
−1 1 0
0 0 1
_
(2)

_
1 0 0
−1 1 0
−2 0 1
_
(3)

_
1 0 0
−1 1 0
−3 1 1
_
(4)

_
1 0 0
−1 1 0

3
2
1
2
1
2
_
=: Q
Priamym výpočtom môžeme overiť, že skutočne platí D = QAQ
T
. Tiež si môžeme všim-
núť, že pre maticu P, ktorú sme dostali v príklade 2.2.1 platí P = Q
−1
.
Na tomto sme videli príklade, že pokiaľ sa v priebehu úprav v tom riadku, ktorý práve
upravujeme, na diagonále nevyskytne 0, je postup veľmi podobný na úpravu matice na redu-
kovaný trojuholníkový tvar. Jediný rozdiel bol v tom, že ak sme z prvku c na diagonále chceli
dostať ±1, nedelili sme riadok c-čkom ale iba
_
[c[. V prípade, že by sa vyskytla nula na
diagonále, mohli by sme si pomôcť pripočítaním riadku (a stĺpca), ktorý obsahuje nenulový
prvok mimo diagonály – ako v nasledujúcom príklade.
Príklad 2.2.8. Pokúsme sa upraviť na kanonický tvar nasledujúcu maticu. V jednotlivých
krokoch je urobená vždy riadková aj stĺpcová úprava
A =
_
1 1 0
1 1 1
0 1 1
_

_
1 0 0
0 0 1
0 1 1
_

_
1 0 0
0 −1 0
0 0 1
_
=: D
V poslednom kroku sme od druhého riadku/stĺpca odrátali tretí riadok/stĺpec. (Na to,
aby sme na diagonále dostali nenulový prvok a mohli pokračovať ďalej, stačilo by nám pripo-
čítať ľubovoľný nenulový násobok tretieho riadku/stĺpca. Zhodou okolností sa pri tejto voľbe
vynulovali aj zvyšné nediagonálne prvky.)
Použitím rovnakých riadkových úprav na jednotkovú maticu dostaneme
_
1 0 0
0 1 0
0 0 1
_

_
1 0 0
−1 1 0
0 0 1
_

_
1 0 0
−1 1 −1
0 0 1
_
:= P
Pre túto maticu platí PAP
T
= D.
22
KAPITOLA 2. KVADRATICKÉ FORMY 23
Cvičenia
Úloha 2.2.1. Overte, že relácia A ∼ B, t.j. kongruencia symetrických matíc, je relácia
ekvivalencie na množine reálnych symetrických matíc typu n n.
Úloha 2.2.2. Upravte na diagonálny (prípadne kanonický) tvar a nájdite príslušnú trans-
formáciu premenných. Zapíšte aj maticové rovnosti, ktoré z nich vyplývajú:
a) x
2
1
+ 2x
1
x
2
+ 2x
2
2
+ 4x
2
x
3
+ 5x
2
3
b) x
2
1
−4x
1
x
2
+ 2x
1
x
3
+ 4x
2
2
+x
2
3
c) x
1
x
2
+x
2
x
3
+x
3
x
1
d) x
2
1
−2x
1
x
2
+ 2x
1
x
3
−2x
1
x
4
+x
2
2
+ 2x
2
x
3
−4x
2
x
4
+x
2
3
−2x
2
4
e) x
2
1
+x
1
x
2
+x
3
x
4
Úloha 2.2.3

. Preveďte kvadratickú formu
n

i=1
x
2
i
+

1≤i<k≤n
x
i
x
k
na diagonálny tvar.
[Výsledok: y
2
1
+
3
4
y
2
2
+
4
6
y
2
3
+ +
n+1
2n
y
2
n
; P =
_
_
1 0 ... ... ... 0
1
2
1 0 ... ... 0
1
2
1
3
1 0 ... 0
... ... ... ... ... ...
1
2
1
3
1
4
...
1
n
1
_
_
]
Úloha 2.2.4

. Preveďte kvadratickú formu

1≤i<k≤n
x
i
x
k
na diagonálny tvar.
2.3 Zákon zotrvačnosti
Keďže sme tvar kvadratickej formy z vety 2.2.5 nazvali kanonický, dá sa očakávať, že bude
v nejakom zmysle jednoznačný. Cieľom tejto kapitoly je práve sformulovať a dokázať túto
jednoznačnosť.
Veta 2.3.1. Pre danú kvadratickú formu je počet výskytov +1 a počet výskytov −1 v jej
kanonickom tvare jednoznačne určený (nezávisí od transformácie, ktorou sme túto kvadratickú
formu previedli na kanonický tvar).
Dôkaz. Uvažujme kvadratickú formu αA α
T
. Predpokladajme, že sa dá regulárnou transfor-
máciou previesť na tvar
y
2
1
+ +y
2
k
−y
2
k+1
− −y
2
s
(2.1)
a súčasne (inou regulárnou transformáciou) na tvar
z
2
1
+ +z
2
r
−z
2
r+1
− −z
2
t
. (2.2)
Označme ako P
1
a P
2
regulárne matice, ktoré zodpovedajú tejto transformácii premenných,
t.j. (y
1
, . . . , y
n
) = (x
1
, . . . , x
n
)P
1
a (z
1
, . . . , z
n
) = (x
1
, . . . , x
n
)P
2
.
Chceme ukázať, že s = t a k = r.
Všimnime si, že s je presne hodnosť diagonálnej matice zodpovedajúcej kvadratickej forme
(2.1) a t je hodnosť matice pre kvadratickú formu (2.2). Tieto matice môžeme vyjadriť ako
D
1
= P
−1
1
A(P
−1
1
)
T
a D
2
= P
−1
2
A(P
−1
2
)
T
. Súčasne vieme, že násobenie regulárnou maticou
zodpovedá lineárnemu izomorfizmu, takže nemení hodnosť matice. Teda s aj t sa musí rovnať
hodnosti matice A.
Zostáva nám dokázať, že k = r. Máme rovnosť
z
2
1
+ +z
2
r
−z
2
r+1
− −z
2
t
= y
2
1
+ +y
2
k
−y
2
k+1
− −y
2
s
,
23
24 Zákon zotrvačnosti
ktorú môžeme upraviť na tvar
z
2
1
+ +z
2
r
+y
2
k+1
+ +y
2
s
= y
2
1
+ +y
2
k
+z
2
r+1
+ +z
2
t
. (2.3)
Predpokladajme najprv, že r < k. Ukážeme, že za tohoto predpokladu sa dá nájsť nenu-
lový vektor (x
1
, . . . , x
n
) tak, aby platilo
z
1
= = z
r
= y
k+1
= = y
n
= 0. (2.4)
Všimnime si, že (z
1
, . . . , z
r
, y
k+1
. . . y
n
) = (x
1
, . . . , x
n
)P, kde matica P pozostáva z prvých
r stĺpcov matice P
2
a z (k+1)-vého až n-tého stĺpca matice P
1
. Hľadanie vektora (x
1
, . . . , x
n
),
ktorý vyhovuje rovnice (2.4) teda zodpovedá riešeniu homogénnej sústavy
αP =

0,
P
T
α
T
=

0
T
.
Keďže táto sústava má menej rovníc než neznámych, existuje aspoň jedno nenulové riešenie.
Ak však nájdeme x
1
, . . . , x
n
také, že platí (2.4), na základe (2.3) musia byť nulové aj
všetky ostatné premenné z
r+1
, . . . , z
t
. Lenže potom máme
(x
1
, . . . , x
n
) = (z
1
, . . . , z
n
)P
−1
2
=

0,
čo je spor s tým, že vektor (x
1
, . . . , x
n
) je nenulový.
Podobne aj predpoklad r > k by viedol k sporu. Musí teda platiť k = r.
Predchádzajúca veta nám teda vlastne hovorí, že kanonický tvar kvadratickej formy je až
na výmenu premenných jednoznačne určený.
Niekedy nás zaujímajú kvadratické formy, ktorých kanonický tvar má na diagonále iba
jednotky.
Definícia 2.3.2. Nech A je symetrická reálna matica. Hovoríme, že A je
a) kladne semidefinitná, ak pre každý vektor α platí αA α
T
≥ 0;
b) kladne definitná, ak pre každý nenulový vektor α ,=

0 platí αA α
T
> 0;
c) záporne semidefinitná, ak pre každý vektor α platí αA α
T
≤ 0;
d) záporne definitná, ak pre každý nenulový vektor α ,=

0 platí αA α
T
< 0.
Je ľahké si všimnúť, že A je kladne (semi)definitná práve vtedy, keď −A je záporne
(semi)definitná.
Nasledujúca veta charakterizuje kladne definitné matice. Tým súčasne charakterizuje sy-
metrické matice, ktoré určujú skalárne súčiny na R
n
(pozri príklad 1.1.5).
Veta 2.3.3. Symetrická matica A je kladne definitná práve vtedy, keď existuje regulárna
matica P taká, že A = PP
T
.
Chceli by sme dokázať kritérium, pomocou ktorého sa dá pomerne jednoducho určiť, či je
daná matica kladne definitná. V dôkaze tohoto kritéria bude užitočné nasledujúce pomocné
tvrdenie:
24
KAPITOLA 2. KVADRATICKÉ FORMY 25
Tvrdenie 2.3.4. Nech A je symetrická reálna matica typu n n taká, že všetky rohové
determinanty
D
1
= [a
11
[
D
2
=
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
.
.
.
D
n
=
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn
¸
¸
¸
¸
¸
¸
¸
¸
sú nenulové.
Potom matica A je kongruentná s diagonálnou maticou diag(D
1
, D
2
/D
1
, D
3
/D
2
, . . . , D
n
/D
n−1
).
Determinanty podmatíc vystupujúce v predchádzajúcom tvrdení sa niekedy zvyknú na-
zývať aj hlavné minory matice A.
Dôkaz. Ukážeme, že danú maticu možno upraviť na diagonálnu maticu len použitím operácií
typu „pripočítanie násobku riadka/stĺpca k inému (t.j. nepoužívame výmeny riadkov a ani
násobenie riadkov konštantou) tak, že dostaneme práve diagonálnu maticu tvaru, ktorý je
uvedený v tvrdení.
Tvrdenie dokážeme matematickou indukciou vzhľadom na rozmer matice n. Platnosť
tvrdenia pre n = 1 je zrejmá.
Vieme, že D
1
= a
11
. Vďaka tomu môžeme vynulovať všetky prvky v prvom riadku a
prvom stĺpci. (Odčítaním vhodného násobku prvého stĺpca/riadku.) Dostaneme tak maticu
A do tvaru
_
_
_
_
a
11
0 . . . 0
0 b
22
. . . b
2n
. . . . . . . . . . . .
0 b
n2
. . . b
nn
_
_
_
_
Pritom vieme, že úpravy, ktoré sme použili, nemenia determinant matice A ani žiaden z jej
hlavných minorov (veta I-6.3.9).
Označme D

2
, . . . , D

n
minory podmatice, ktorá vznikne vynechaním prvého riadku a pr-
vého stĺpca. Z tvaru matice vidíme, že pre k = 2, . . . , n platí a
11
D

k
= D
k
a teda
D

k
=
D
k
D
1
.
Podľa indukčného predpokladu vieme túto podmaticu upraviť na diagonálny tvar, kde ako
prvý člen na diagonále bude D

2
=
D
2
D
1
a ďalšie členy budú tvaru
D

k+1
D

k
=
D
k+1
D
k
. Z toho
dostávame diagonálny tvar
diag(D
1
, D
2
/D
1
, D
3
/D
2
, . . . , D
n
/D
n−1
)
pre pôvodnú maticu.
Veta 2.3.5. Nech A je symetrická matica typu n n. Matica A je kladne definitná práve
vtedy, keď všetky jej hlavné minory D
1
, . . . , D
n
sú kladné.
25
26 Zákon zotrvačnosti
Dôkaz. ⇒ Ak je matica kladne definitná, tak je kongruentná s jednotkovou maticou. Z toho
máme A = PP
T
a
[A[ = [PP
T
[ = [P[[P
T
[ = [P[
2
> 0.
Podobné tvrdenie pre minory vyplynie z toho, že ak za premenné x
k+1
, . . . , x
n
dosadíme 0,
dostaneme tak kvadratickú formu v premenných x
1
, . . . , x
k
, ktorá je opäť kladne definitná a
ktorej matica je presne podmatica určená prvými k riadkami a stĺpcami.
⇐ Ak všetky hlavné minory matice A sú kladné, tak podľa tvrdenia 2.3.4 možno prí-
slušnú kvadratickú formu upraviť na diagonálny tvar, v ktorom sú všetky členy kladné. Preto
je táto matica kladne definitná.
Dôsledok 2.3.6. Nech A je symetrická matica typu n n. Matica A je záporne definitná
práve vtedy, keď hlavný minor D
k
má rovnaké znamienko ako (−1)
k
pre všetky k = 1, . . . , n.
(Teda znamienka hlavných minorov sú striedavo (−, +, −, +, . . . ).)
Poznámka 2.3.7. Aby sme dostali kritérium pre kladne semidefinitné matice, nestačí v pred-
chádzajúcej vete zmeniť slovo „kladné na „nezáporné. (Ako jednoduchý kontrapríklad mô-
žeme zobrať maticu
_
0 0
0 −1
_
.) V podobnom kritériu pre kladne semidefinitné matice vystupujú
všetky minory matice A (=všetky determinanty štvorcových podmatíc).
Možnosť overiť, či je nejaká matica kladne alebo záporne definitná, má význam v ma-
tematickej analýze pre hľadaní extrémov funkcií viacerých premenných. Nutná podmienka
na to, aby v nejakom bode x
0
mala nejaká funkcia lokálny extrém je, aby všetky parciálne
derivácie boli nulové. (Podobne ako v jednorozmere bola nutná podmienka f

(x
0
) = 0.)
∂f
∂x
1
(x
0
) = =
∂f
∂x
n
(x
0
) = 0.
V prípade, že je v jednorozmere splnená táto podmienka, skúmame ďalej to, či je kladná
alebo záporná v danom bode jej druhá derivácia. Vo viacrozmere funkciu druhej derivácie
hrá matice
H =
_
_
_
_
_
_

2
f
∂x
2
1
(x
0
)

2
f
∂x
1
∂x
2
(x
0
) . . .

2
f
∂x
1
∂x
n
(x
0
)

2
f
∂x
2
∂x
1
(x
0
)

2
f
∂x
2
2
(x
0
) . . .

2
f
∂x
2
∂x
n
(x
0
)
. . . . . . . . . . . .

2
f
∂x
n
∂x
1
(x
0
)

2
f
∂x
n
∂x
2
(x
0
) . . .

2
f
∂x
2
n
(x
0
)
_
_
_
_
_
_
Táto matica je symetrická pre každú funkciu, ktorá je dvakrát spojito diferencovateľná.
Z viacrozmernej verzie Taylorovej vety totiž vyplýva, že hodnotu funkcie v bode x
0
mô-
žeme aproximovať ako
f(x) −f(x
0
) =
1
2!
(x −x
0
)H(x −x
0
)
T
(kde x −x
0
sú body z R
n
, teda ich chápeme ako vektory.)
To znamená, že hodnota f(x) −f(x
0
) je aproximovaná (v nejakom okolí bodu x
0
) kvad-
ratickou formou s maticou H. Z toho vyplýva, že v bode f(x
0
) je lokálne minimum práve
vtedy, keď táto matica je kladne definitná (f(x) −f(x
0
) je v nejakom okolí kladné), lokálne
maximum ak je záporne definitná. (V prípade, že je kladne definitná, vieme dokonca povedať,
že vo vhodných súradniciach sa táto funkcia lokálne podobná na funkciu x
2
1
+ +x
2
n
, ktorú
si vieme aspoň v dvojrozmere celkom dobre geometricky predstaviť. Inou podobnou funkciou
vieme zasa aproximovať tie funkcie, ktoré majú maticu H záporne definitnú.)
Viac o tejto problematike sa môžete dozvedieť napríklad v [GĎ, Kapitola 9.4], [A], [Pro2]
(a v podstate v každej učebnici, ktorá sa zaoberá analýzou viac premenných).
26
KAPITOLA 2. KVADRATICKÉ FORMY 27
Príklad 2.3.8. V dôkaze tvrdenia 2.3.4 sme videli, ako sa (za predpokladu, že daná symet-
rická matica má nenulové hlavné minory) dajú nájsť koeficienty v diagonálnom tvare, do
ktorého túto maticu vieme previesť iba pomocou operácie pripočítavania niektorého násobku
riadku/stĺpca k inému. Kombinácia takýchto operácií znamená to, že matica transformácie
bude mať na diagonále jednotky.
Vyskúšajme si to na kvadratickej forme z úlohy 2.2.3*. Zodpovedajúca symetrická matica
je
_
_
_
_
_
_
1
1
2
1
2
. . .
1
2
1
2
1
1
2
. . .
1
2
. . . . . . . . . . . . . . .
1
2
1
2
. . . 1
1
2
1
2
1
2
. . .
1
2
1
_
_
_
_
_
_
Ak počítame jej hlavné minory dostávame D
1
= 1 a pre k > 1
D
k
=
¸
¸
¸
¸
¸
¸
¸
1
1
2
1
2
...
1
2
1
2
1
1
2
...
1
2
... ... ... ... ...
1
2
1
2
... 1
1
2
1
2
1
2
...
1
2
1
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
k+1
2
k+1
2
k+1
2
...
k+1
2
1
2
1
1
2
...
1
2
... ... ... ... ...
1
2
1
2
... 1
1
2
1
2
1
2
...
1
2
1
¸
¸
¸
¸
¸
¸
¸
= (k+1)
¸
¸
¸
¸
¸
¸
¸
1
2
1
2
1
2
...
1
2
1
2
1
1
2
...
1
2
... ... ... ... ...
1
2
1
2
... 1
1
2
1
2
1
2
...
1
2
1
¸
¸
¸
¸
¸
¸
¸
= (k+1)
¸
¸
¸
¸
¸
¸
¸
1
2
1
2
1
2
...
1
2
0
1
2
0 ... 0
... ... ... ... ...
0 0 ...
1
2
0
0 0 ... 0
1
2
¸
¸
¸
¸
¸
¸
¸
=
k + 1
2
k
(V prvom kroku sme k prvému riadku pripočítali všetky ostatné, v poslednom kroku sme
odrátali prvý riadok od všetkých ostatných. Takéto operácie nemenia hodnotu determinantu.)
Pre koeficienty na diagonále potom dostávame
c
k
=
D
k
D
k−1
=
k + 1
2
k
2
k−1
k
=
k + 1
2k
,
čiže rovnaký výsledok ako nám vyšiel v úlohe 2.2.3*.
Cvičenia
Úloha 2.3.1. Pre danú kvadratickú formu určte tie hodnoty parametra t, pre ktoré je kladne
definitná.
a) 5x
2
1
+ 3x
2
2
+tx
2
3
+ 4x
1
x
2
−3x
1
x
3
−2x
2
x
3
b) 2x
2
1
+x
2
2
+ 3x
2
3
+ 2tx
1
x
2
+ 2x
1
x
3
c)
1
2
x
2
1
+ 2x
2
2
−3tx
2
3
+ 2x
1
x
2
+ 2tx
2
x
3
+ 2x
1
x
3
d) (x
2
1
+x
2
2
+x
2
3
+ 2x
1
x
3
−2x
2
x
3
) +t(6x
1
x
2
−2x
1
x
3
) +t
2
(x
2
1
+x
2
2
)
Úloha 2.3.2. Nech A je symetrická reálna matica taká, že D
1
> 0, D
2
> 0, . . . , D
n
> 0.
(Determinanty D
k
majú rovnaký význam ako v tvrdení 2.3.4.) Dokážte, že potom a
nn
> 0.
Úloha 2.3.3. Nech V je euklidovský vektorový priestor a α
1
, . . . , α
n
∈ V . Definujme maticu
A = |a
ij
| tak, že a
ij
= ¸ α
i
, α
j
¸. Dokážte, že [A[ ≥ 0 a že tieto vektory sú lineárne nezávislé
práve vtedy, keď [A[ > 0.
Úloha 2.3.4

. Pre kvadratické formy f =

i,j
a
ij
x
i
x
j
a g =

i,j
b
ij
x
i
x
j
definujeme kvadratickú
formu (f, g) =

i,j
a
ij
b
ij
x
i
x
j
. Ukážte, že ak f a g sú kladne definitné, tak aj (f, g) je kladne
definitná.
27
Kapitola 3
Podobnosť matíc
Úvodná časť tejto kapitoly je spracovaná na základe [KGGS, 9.4,9.5] a . . .. Podkapitola 3.2
obsahuje poznámky spracované J. Guričanom k tejto téme.
1
V minulej kapitole sme sa zaoberali kvadratickými formami a ukázali sme, že pri vhod-
nej zmene premenných vieme kvadratickú formu upraviť na veľmi jednoduchý a pekný tvar
(diagonálny, prípadne kanonický). Súčasne nám vzťah medzi týmito kvadratickými formami
povedal niečo o vzťahoch medzi ich maticami.
V tejto kapitole sa budeme zaoberať do istej miery podobným problémom. Tentokrát sa
však budeme snažiť pomocou zmeny premenných nájsť čo najkrajší tvar matice lineárnej
transformácie.
3.1 Matica prechodu, podobnosť matíc
Pripomeňme, že ak α
1
, . . . , α
n
je nejaká báza konečnorozmerného vektorového priestoru V ,
tak ľubovoľný vektor z V sa dá jednoznačne vyjadriť v tvare γ = c
1
α
1
+ +c
n
α
n
. (Pozri vetu
I-4.4.16.) Tento fakt nám vlastne hovorí, že báza nám poskytuje akúsi súradnicovú sústavu
v priestore V – každý vektor má jednoznačne určené súradnice c
1
, . . . , c
n
.
Definícia 3.1.1. Ak α
1
, . . . , α
n
je báza vektorového priestoru V nad poľom F a γ ∈ V , tak
n-ticu (c
1
, . . . , c
n
) ∈ F
n
takú, že platí
γ = c
1
α
1
+ +c
n
α
n
nazývame súradnicami vektora γ v báze α
1
, . . . , α
n
.
Jednou z otázok, ktorými sa budeme zaoberať v tejto podkapitole zaoberať je to, ako
sa zmenia súradnice vektora pri zmene bázy daného vektorového priestoru. Pri tom bude
užitočná matica uvedená v nasledujúcej definícii, ktorá popisuje istým spôsobom vzťah medzi
týmito dvoma bázami.
Definícia 3.1.2. Nech α
1
, . . . , α
n
a α

1
, . . . , α

n
sú dve bázy vektorového priestoru V nad
1
http://modx.gurican.sk/assets/files/algebra_i_3/podobnost.pdf
28
KAPITOLA 3. PODOBNOSŤ MATÍC 29
poľom F. Nech p
ij
∈ F sú také, že platí
α

1
=p
11
α
1
+p
12
α
2
+ +p
1n
α
n
α

2
=p
21
α
1
+p
22
α
2
+ +p
2n
α
n
.
.
.
α

n
=p
n1
α
1
+p
n2
α
2
+ +p
nn
α
n
(3.1)
Potom maticu P = |p
ij
| nazývame matica prechodu od bázy α
1
, . . . , α
n
k báze α

1
, . . . , α

n
.
Inak povedané, matica prechodu je taká matica P, ktorej i-ty riadok je tvorený súradni-
cami vektoru α

i
v báze α
1
, . . . , α
n
.
Poznámka 3.1.3. V literatúre nájdete často i presne opačnú definíciu, než sme uviedli mi.
Teda niektorí autori by túto maticu nazvali maticou prechodu od α

1
, . . . , α

n
k α
1
, . . . , α
n
.
Skúsme si rozmyslieť, čo vieme povedať o matici prechodu opačným smerom, t.j. od
α

1
, . . . , α

n
k α
1
, . . . , α
n
. Označme túto maticu P

= |p
ij
|. Platí:
α
i
=p

i1
α

1
+p

i2
α

2
+ +p

in
α

n
=
=p

i1
(p
11
α
1
+p
12
α
2
+ +p
1n
α
n
)+
+p

i2
(p
21
α
1
+p
22
α
2
+ +p
2n
α
n
)+
.
.
.
+p

in
(p
n1
α
1
+p
n2
α
2
+ +p
nn
α
n
)
(Vektory α

1
, . . . , α

n
sme upravili pomocou (3.1).) Túto rovnosť teraz upravíme tak, že dáme
dokopy členy obsahujúci ten istý vektor α
i
– inak povedané tak, ako sme ju zapísali pred
chvíľou to znamená, že sčítance teraz usporiadame po stĺpcoch.
α
i
=(p

i1
p
11
+p

i2
p
21
+ +p

in
p
n1
) α
1
+
+(p

i1
p
12
+p

i2
p
22
+ +p

in
p
n2
) α
2
+
.
.
.
+(p

i1
p
1n
+p

i2
p
2n
+ +p

in
p
nn
) α
n
+
Obe predchádzajúce úpravy sme mohli stručnejšie zapísať takto:
2
α
i
=
n

j=1
p

ij
α

j
=
n

j=1
n

k=1
p

ij
p
jk
α
k
=
n

k=1
_
_
n

j=1
p

ij
p
jk
_
_
α
k
.
Z jednoznačnosti vyjadrenia vektora v báze α
1
, . . . , α
n
vyplýva, že koeficienty na pravej strane
rovnosti sa musia rovnať
n

j=1
p

ij
p
jk
= δ
ik
=
_
1, ak i = k
0, inak.
2
Aj v ďalšom budeme používať tento stručnejší zápis pomocou súm, chcel som však aspoň pri prvom
použití celú úpravu rozpísať trochu podrobnejšie tak, aby súčasne bolo vidno, že sa tam skutočne násobil
i-ty riadok matice P

s jednotlivými stĺpcami a aby sme si uvedomili, že na výmenu poradia sumácie sa dá
v takýchto prípadoch pozerať tak, že namiesto toho, aby sme rovnosť prečítali po riadkoch, si ju prečítame po
stĺpcoch. V prípade, že by výmena poradia sčitovania v niektorom z ďalších dôkazov robila problémy, môže
pomôcť prepísať si ju tak ako tu.
29
30 Matica prechodu, podobnosť matíc
Zistili sme teda, že platí P

P = I, čo znamená, že P

je inverzná matica k P (pozri poznámku
I-5.5.8).
Ukážme si, ako sme celé predchádzajúce odvodenie mohli stručnejšie odvodiť pomocou
maticového zápisu.
V prvom rade si uvedomme, že vzťah (3.1) sa dá ekvivalentne zapísať takto:
_
_
α

1
.
.
.
α

n
_
_
= P
_
α
1
.
.
.
α
n
_
. (3.2)
Keďže vektory α

1
, . . . , α

n
aj α
1
, . . . , α
n
tvoria bázu, matice
_
_
α

1
.
.
.
α

n
_
_
a
_
α
1
.
.
.
α
n
_
majú hodnosť
n, čiže sú regulárne. Ak pomocou nich vyjadríme maticu P, zistíme, že aj táto matica je
regulárna (súčin dvoch regulárnych), čiže k nej existuje inverzná.
Hneď vidíme, že ak platí rovnosť (3.2), tak platí i
P
−1
_
_
α

1
.
.
.
α

n
_
_
=
_
α
1
.
.
.
α
n
_
.
Posledná rovnosť znamená presne to, že P
−1
je matica prechodu od α

1
, . . . , α

n
k α
1
, . . . , α
n
.
Mohli by sme použiť aj postup, ktorý by úplne presne kopíroval predchádzajúce odvode-
nie, pričom by sme dostali
_
α
1
.
.
.
α
n
_
= P

P
_
α
1
.
.
.
α
n
_
z čoho (na základe regularity matice
_
α
1
.
.
.
α
n
_
) už vyplýva P

P = I.
Poznámka 3.1.4. Predchádzajúce odvodenie v skutočnosti nebolo úplne korektné. Z vekto-
rov α
1
, . . . , α
n
môžeme vytvoriť maticu typu nn len vtedy, ak ide o vektory vo vektorovom
priestore V = F
n
. Toto však môžeme pomerne ľahko opraviť – stačí si uvedomiť, že každý
n-rozmerný priestor je izomorfný s F
n
(veta I-5.5.14). Ak si pevne zvolíme nejaký izomor-
fizmus medzi V a F
n
, môžeme potom už všetky úvahy robiť v F
n
. Dôležité je uvedomiť
si, že izomorfizmus neovplyvní veci ako dimenzia, lineárna kombinácia, lineárna nezávislosť,
súradnice vektora v danej báze a pod. (Napríklad ak vektor γ ∈ V má v báze α
1
, . . . , α
n
súradnice (c
1
, . . . , c
n
) a f : V →F
n
je ľubovoľný izomorfizmus, tak aj súradnice vektora f(γ)
v báze f( α
1
), . . . , f( α
n
) sú (c
1
, . . . , c
n
). Z tejto skutočnosti ďalej vyplýva, že sa zachová aj
matica prechodu medzi dvoma bázami.)
V ďalších úvahách budeme niekedy používať podobné argumenty – bez toho, že by sme
zdôraznili prechod do F
n
. Čitateľ si môže na príslušných rozmyslieť, že to skutočne funguje.
Budeme však vždy uvádzať aj odvodenie, ktoré sa neopiera o maticový zápis, a teda pri ňom
takýto prechod nie je potrebný.
Dokázali sme nasledujúcu vetu:
Veta 3.1.5. Ak P je matica prechodu od bázy α
1
, . . . , α
n
k báze α

1
, . . . , α

n
, tak matica
P je regulárna a matica P
−1
je matica prechodu opačným smerom, teda od α

1
, . . . , α

n
k α
1
, . . . , α
n
.
30
KAPITOLA 3. PODOBNOSŤ MATÍC 31
Ukážeme, že to funguje aj naopak – pre každú bázu a regulárnu maticu P použitím
predpisu (3.1) dostaneme opäť bázu.
Tvrdenie 3.1.6. Nech P = |p
ij
| je regulárna matica typu n n a α
1
, . . . , α
n
je báza
vektorového priestoru V . Potom aj vektory α

1
, . . . , α

n
určené vzťahmi
α

1
= p
11
α
1
+p
12
α
2
+ +p
1n
α
n
α

2
= p
21
α
1
+p
22
α
2
+ +p
2n
α
n
.
.
.
α

n
= p
n1
α
1
+p
n2
α
2
+ +p
nn
α
n
tvoria bázu priestoru V .
Dôkaz. Podľa vety I-4.4.14 nám stačí ukázať, že tieto vektory sú lineárne nezávislé. Nech
teda c
1
α
1
+ + c
n
α
n
=

0. Ak do tejto rovnosti dosadíme vyjadrenia vektorov α

1
, . . . , α

n
v báze α
1
, . . . , α
n
dostaneme

0 =
n

i=1
c
i
_
_
n

j=1
p
ij
α
j
_
_
=
n

j=1
_
n

i=1
c
i
p
ij
_
α
j
.
Všimnime si, že koeficienty pri vektoroch α
1
, . . . , α
n
na pravej strane predchádzajúcej rovnosti
sú presne zložky vektora (c
1
, . . . , c
n
)P. Pretože vektory α
1
, . . . , α
n
sú lineárne nezávislé, aby
platila táto rovnosť, musia sa všetky tieto koeficienty rovnať nule. Dostali sme teda rovnosti
(c
1
, . . . , c
n
)P =

0
(c
1
, . . . , c
n
) =

0P
−1
=

0
c
1
= = c
n
= 0
Tým sme ukázali, že α

1
, . . . , α

n
sú lineárne nezávislé.
Opäť môžeme to isté tvrdenie dokázať aj s využitím (3.2).
Dôkaz. Keďže α
1
, . . . , α
n
tvoria bázu, tak hodnosť matice
_
α
1
.
.
.
α
n
_
je n. Pretože násobenie
regulárnou maticou nemení hodnosť, tak aj hodnosť matice
_
_
α

1
.
.
.
α

n
_
_
= P
_
α
1
.
.
.
α
n
_
je n, čo znamená, že riadky tejto matice tvoria bázu vektorového priestoru V (keďže jeho
dimenzia je n; aj tu využívame vetu I-4.4.14).
Zmena súradníc vektora pri zmene bázy
Ukážeme si ako pomocou matice prechodu môžeme dostať vzťah medzi vyjadrením súradníc
daného vektora v dvoch rôznych bázach.
31
32 Matica prechodu, podobnosť matíc
Veta 3.1.7. Nech α
1
, . . . , α
n
a α

1
, . . . , α

n
sú bázy vektorového priestoru V . Nech P je matica
prechodu od bázy α
1
, . . . , α
n
k báze α

1
, . . . , α

n
. Nech γ ∈ V a (x
1
, . . . , x
n
) sú súradnice vektora
γ v báze α
1
, . . . , α
n
, (x

1
, . . . , x

n
) sú jeho súradnice v báze α

1
, . . . , α

n
. Potom platí
(x
1
, . . . , x
n
) = (x

1
, . . . , x

n
)P.
Postup, ktorý použijeme v dôkaze je v podstate rovnaký, ako úpravy použité v dôkaze
predchádzajúceho tvrdenia.
Dôkaz. To, že vektor γ má v báze α

1
, . . . , α

n
súradnice (x

1
, . . . , x

n
) znamená, že platí rovnosť
γ = x

1
α

1
+ +x

n
α

n
.
Ak do tejto rovnosti dosadíme za α

1
, . . . , α

n
z (3.1), dostaneme
γ =
n

i=1
x

i
n

j=1
p
ij
α
j
.
Aby sme dostali koeficienty pri jednotlivých vektoroch z α
1
, . . . , α
n
, zmeníme poradie sčito-
vania.
γ =
n

j=1
α
j
n

i=1
x

i
p
ij
Výraz

n
i=1
x

i
p
ij
, ktorý sme dostali pri vektore α
j
, je presne j-ty prvok z n-tice (x

1
, . . . , x

n
)P.
Tým je tvrdenie vety dokázané.
Opäť môžeme predchádzajúci dôkaz zapísať stručnejšie maticovým zápisom.
Dôkaz. Uvedomme si najprv, že γ má súradnice (x

1
, . . . , x

n
) v báze α

1
, . . . , α

n
práve vtedy,
keď platí rovnosť
γ = (x

1
, . . . , x

n
)
_
_
α

1
.
.
.
α

n
_
_
.
Spolu s rovnosťou (3.2) potom dostaneme
(x

1
, . . . , x

n
)
_
_
α

1
.
.
.
α

n
_
_
= (x

1
, . . . , x

n
)P
_
α
1
.
.
.
α
n
_
,
teda súradnice v báze α
1
, . . . , α
n
sú (x

1
, . . . , x

n
)P.
Matica zobrazenia v danej báze
Definícia 3.1.8. Nech V je vektorový priestor a f : V → V je lineárne zobrazenie. Nech
α
1
, . . . , α
n
je báza V . Matica zobrazenia f vzhľadom na bázu α
1
, . . . , α
n
je matica A = |a
ij
|
taká, že platí
f( α
i
) = a
i1
α
1
+ +a
in
α
n
.
Predchádzajúca definícia teda hovorí, že matica zobrazenia f pri báze V je taká matica,
ktorej i-ty riadok tvoria súradnice obrazu i-teho bázového vektora v tejto báze.
Táto definícia do istej miery pripomína definíciu matice zobrazenia, ktorú poznáme z pr-
vého ročníka (definícia I-5.3.7). Tam sme používali štandardnú bázu. Na rozdiel od prípadu,
32
KAPITOLA 3. PODOBNOSŤ MATÍC 33
ktorý sme uviedli tu, nepožadovali sme, aby zobrazenie išlo z daného vektorového priestoru
do toho istého priestoru. Podobne aj tu by sme mohli definovať o čosi všeobecnejší pojem ma-
tice lineárneho zobrazenia f : V →W vzhľadom na nejakú dvojicu báz (jedna z nich je bázou
priestoru V a druhá je bázou priestoru W), zatiaľ sa však uspokojíme s týmto jednoduchším
prípadom.
Nasledujúce tvrdenie je do istej miery analogické s podobným výsledkom z prvého ročníka,
ktorý hovoril o rovnosti medzi obrazom vektora a súčinom vektora s maticou zobrazenia
(poznámka I-5.4.9).
Tvrdenie 3.1.9. Nech V je vektorový priestor, α
1
, . . . , α
n
je báza V a f : V →V je lineárne
zobrazenie. Ak A je matica zobrazenia f pri báze α
1
, . . . , α
n
a vektor γ má v tejto báze
súradnice (x
1
, . . . , x
n
), tak jeho obraz f(γ) má v tej istej báze súradnice
(x
1
, . . . , x
n
)A.
Dôkaz. Podľa predpokladov platí γ = x
1
α
1
+ +x
n
α
n
. Ak použijeme na obe strany rovnosti
zobrazenie f, tak (s využitím linearity f) dostaneme
f(γ) = f
_
n

i=1
x
i
α
i
_
=
n

i=1
x
i
f( α
i
) =
n

i=1
x
i
n

j=1
a
ij
α
j
=
n

j=1
α
j
n

i=1
x
i
a
ij
.
Vidíme, že j-ta súradnica vektora f(γ) v báze α
1
, . . . , α
n
je

n
i=1
x
i
a
ij
, čo je skutočne j-ta
súradnica vektora (x
1
, . . . , x
n
)A.
Opäť nás bude zaujímať to, ako sa zmení matica zobrazenia, ak zmeníme bázu vektorového
priestoru.
Veta 3.1.10. Nech V je vektorové priestory, f : V →V je lineárne zobrazenie a α
1
, . . . , α
n
,
α

1
, . . . , α

n
sú bázy priestoru V . Ak P je matica prechodu od α
1
, . . . , α
n
k α

1
, . . . , α

n
, A je
matica zobrazenia f pri báze α
1
, . . . , α
n
a B je matica tohoto zobrazenia pri báze α

1
, . . . , α

n
,
tak platí
B = PAP
−1
. (3.3)
Proof. Uvažujme vektor γ, ktorý má v báze α

1
, . . . , α

n
súradnice (x

1
, . . . , x

n
). Podľa vety
3.1.7 má tento vektor v báze α
1
, . . . , α
n
súradnice (x

1
, . . . , x

n
)P. Ďalej z tvrdenia 3.1.9 vieme,
že tento vektor sa v zobrazení f zobrazí na taký vektor, ktorý má súradnice (x

1
, . . . , x

n
)PA
(ide opäť o súradnice v báze α
1
, . . . , α
n
.)
Schematicky môžeme situáciu v súradniciach α
1
, . . . , α
n
znázorniť takto
(x

1
, . . . , x

n
)P →(x

1
, . . . , x

n
)PA.
Čo dostaneme, ak sa na situáciu pozrieme v súradniciach α

1
, . . . , α

n
? Súradnice vektora
f(γ) vieme použitím vety 3.1.7 previesť do tejto bázy použitím matice prechodu od α

1
, . . . , α

n
k α
1
, . . . , α
n
. Podľa vety 3.1.5 je to matica P
−1
.
Vektor f(γ) má teda v báze α

1
, . . . , α

n
súradnice (x

1
, . . . , x

n
)PAP
−1
. V súradniciach
α

1
, . . . , α

n
to teda vyzerá takto:
(x

1
, . . . , x

n
) →(x

1
, . . . , x

n
)PAP
−1
Podľa tvrdenia 3.1.9 však súčasne musí platiť, že f(γ) má v báze α

1
, . . . , α

n
súradnice
(x

1
, . . . , x

n
)B.
(x

1
, . . . , x

n
) →(x

1
, . . . , x

n
)B
33
34 Podobnosť s diagonálnou maticou
Z toho dostávame rovnosť
(x

1
, . . . , x

n
)B = (x

1
, . . . , x

n
)PAP
−1
.
Pretože táto rovnosť platí pre ľubovoľnú n-ticu (x

1
, . . . , x

n
) ∈ F
n
, musí platiť maticová
rovnosť
B = PAP
−1
.
Definícia 3.1.11. Nech A, B sú štvorcové matice nad poľom F. Ak existuje matica P taká,
že B = PAP
−1
, hovoríme, že matice A a B sú podobné.
Z vety 3.1.10 vyplýva, že 2 matice sú podobné práve vtedy, keď existujú lineárne zobra-
zenie a dvojica báz také, že toto zobrazenie má v jednej báze maticu A a v druhej maticu
B.
Je pomerne ľahké overiť, že podobnosť matíc je relácia ekvivalencie.
Cvičenia
Úloha 3.1.1. Pre α
1
= (2, 1), α
2
= (1, 2),

β
1
= (−1, 1),

β
2
= (2, 3), γ
1
= (1, 1), γ
2
= (3, 1).
Nájdite:
a) Maticu P
1
prechodu od bázy α
1
, α
2
k báze

β
1
,

β
2
.
b) Maticu P
2
prechodu od bázy

β
1
,

β
2
k báze γ
1
, γ
2
.
c) Maticu P
3
prechodu od bázy α
1
, α
2
k báze γ
1
, γ
2
.
d) Aký je vzťah medzi maticami P
1
, P
2
a P
3
?
Úloha 3.1.2. Ak aspoň jedna zo štvorcových matíc A, B stupňa n je regulárna, tak AB a
BA sú podobné. Platí to aj za predpokladu, že nie sú regulárne?
Úloha 3.1.3. Pre vektory γ
i
∈ R
3
, i = 1, 2, 3, označme ako x
i
súradnice vektora v báze
α
1
, α
2
, α
3
a x

i
súradnice toho istého v báze α

1
, α

2
, α

3
. Nájdite matice prechodu od α
1
, α
2
, α
3
k α

1
, α

2
, α

3
ak viete, že x
1
= (1, 2, 1), x

1
= (−1, 1, 1), x
2
= (−1, 0, 3), x

2
= (1, −1, 1),
x
3
= (3, 1, 2) a x

3
= (2, 1, −2). (Návod: Bude to matica istého lineárneho zobrazenia.)
Úloha 3.1.4. Ukážte, že ak matica A je podobná matici B, tak aj matice A
−1
a B
−1

podobné.
3.2 Podobnosť s diagonálnou maticou
Pre štvorcovú maticu A je zaujímavé zistiť, či je podobná s diagonálnou maticou, t.j. či
existuje regulárna matica P taká, že PAP
−1
je diagonálna (matica). Kvôli zjednodušeniu
budeme diagonálnu maticu
D =
_
_
_
_
_
d
1
0 . . . 0
0 d
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 d
n
_
_
_
_
_
skrátene zapisovať ako diag(d
1
, d
2
, . . . , d
n
).
Ak teda A je podobná diagonálnej, je PAP
−1
= diag(d
1
, d
2
, . . . , d
n
) = D pre vhodnú
maticu P a vhodné čísla d
1
, . . . , d
n
, potom vieme ľahko vypočítať napr. A
100
ako
P
−1
diag(d
100
1
, d
100
2
, . . . , d
100
n
)P,
34
KAPITOLA 3. PODOBNOSŤ MATÍC 35
alebo ak v danom poli existujú napr.

d
1
, . . . ,

d
n
, tak vieme vypočítať niečo ako

A (t.j.
maticu B takú, že B
2
= A) pomocou P
−1
diag(

d
1
,

d
2
, . . . ,

d
n
) P (matica B nie je
vo všeobecnosti určená jednoznačne, toto je jedno možné riešenie). Alebo keby sme chceli
vypočítať niečo typu e
A
, mohli by sme použiť Taylorov rozvoj e
x
= 1 +x +
x
2
2!
+
x
3
3!
+. . . a
potom počítať
e
A
= P
−1
(I +D +
D
2
2!
+
D
3
3!
+. . . )P = P
−1
diag(e
d
1
, . . . , e
d
n
) P
Tento výpočet je urobený formálne, bez toho, aby sme strážili konvergenciu potrebných
radov, ale pri troche starostlivosti by sa dalo ukázať, že je to pomerne zmysluplný postup.
Dá sa potom robiť pre napr. funkcie f(x), ktoré majú Taylorov rozvoj, ktorý pri dosadení
všetkých čísiel d
1
, . . . , d
n
konverguje - t.j. všetky sa nachádzajú vnútri polomeru konvergencie
príslušného Taylorovho radu. Jedna vec, ktorá v danom momente nie je zrejmá je, či čísla
d
1
, . . . , d
n
závisia od P - matice prechodu - alebo nie. Z nasledujúceho postupu bude jasné,
že nezávisia (okrem poradia).
Skúsme si uvedomiť, čo presne znamená, že matica A je podobná s diagonálnou maticou
D. To nám hovorí, že zobrazenie, ktoré má pri štandardnej báze maticu A, má pri vhodnej
báze α
1
, . . . , α
n
maticu D = diag(d
1
, d
2
, . . . , d
n
). Pre každý z vektorov bázy teda platí
α
i
A = d
i
α
i
.
Skúsme sa na to ešte pozrieť trochu inak. To, že A a D sú podobné nám dáva rovnosti
PAP
−1
= D
PA = DP
Označme teraz riadky matice P ako α
1
, . . . , α
n
. Potom z predchádzajúcej rovnosti dostaneme:
_
α
1
.
.
.
α
n
_
A = D
_
α
1
.
.
.
α
n
_
,
_
α
1
A
.
.
.
α
n
A
_
=
_
d
1
α
1
.
.
.
d
n
α
n
_
. (3.4)
Keď porovnáme jednotlivé riadky matíc v poslednej rovnosti, opäť dostávame presne rovnaký
vzťah
α
i
A = d
i
α
i
.
Zdá sa, že pri zisťovaní, či je daná matica podobná s diagonálnou, by mohli hrať zaujímavú
úlohu dvojice c ∈ F a α ∈ F
n
s vlastnosťou αA = c α. Budeme sa teda teraz chvíľu zaoberať
tým, ako takéto dvojice nájsť.
Definícia 3.2.1. Nech A je štvorcová matica nad poľom F. Prvok c ∈ F nazveme vlastným
číslom matice A, ak existuje nenulový vektor α ∈ F
n
taký, že αA = c α.
Nenulový vektor α ∈ F
n
nazývame vlastným vektorom matice A, ak existuje c ∈ F (c
môže byť aj 0) také, že αA = c α.
Ak α je nenulový vektor a pre c ∈ F platí αA = c α, hovoríme, aj, že (vlastný) vektor α
prislúcha ku vlastnému číslu c, alebo že (vlastné) číslo c prislúcha ku vlastnému vektoru α.
Ako nájdeme vlastné čísla a vlastné vektory matice A?
Najprv vlastné čísla: Pozrime sa nasledujúce ekvivalentné tvrdenia:
35
36 Podobnosť s diagonálnou maticou
1. c je vlastné číslo matice A
2. Existuje nenulový vektor α taký, že αA = c α
3. Existuje nenulový vektor α taký, že αA = α(cI) (I je identická matica)
4. Existuje nenulový vektor α taký, že α(A−cI) =

0
5. Jadro zobrazenia s maticou A−cI je netriviálne (t.j. toto zobrazenie nie je injektívne,
t.j. matica A−cI je singulárna).
6. Determinant matice A−cI je nulový.
Keďže v tomto momente hľadáme vhodné prvky c, môžeme sa na determinant matice A−cI
v poslednom tvrdení pozrieť ako na výraz v „neznámej c - skúsme radšej použiť premennú
x. Je dobre si uvedomiť, že [A−xI[ je polynóm v premennej x, napríklad ak
A =
_
1 2
0 4
_
, tak [A−xI[ =
¸
¸
¸
¸
1 −x 2
0 4 −x
¸
¸
¸
¸
= (1 −x)(4 −x) −0 2 = 4 −5x +x
2
Posledne menovaný determinant budeme nazývať charakteristický polynóm matice A a ozna-
čovať ako ch
A
(x), t.j. ch
A
(x) = [A − xI[. Zistiť vlastné čísla matice A teda znamená nájsť
korene jej charakteristického polynómu ch
A
(x).
Pre uvedený príklad teda dostávame, že vlastné čísla sú 1 a 4.
Nájsť vlastné vektory znamená teraz pre dané vlastné číslo c nájsť netriviálne riešenia
rovnice α(A−cI) =

0. Ak si napíšeme α = (x
1
, . . . , x
n
), rovnicu môžeme prepísať do tvaru
(A−cI)
T
α
T
= (A−cI)
T
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
čo je vlastne homogénny systém rovníc s neznámymi x
1
, . . . , x
n
a maticou systému (A−cI)
T
.
Pre uvedenú maticu
A =
_
1 2
0 4
_
teda vieme, že jej vlastné čísla sú 1 a 4. Nájdime vlastné vektory:
Pre vlastné číslo 1:
A−1 I =
_
1 −1 2
0 4 −1
_
=
_
0 2
0 3
_
, teda (A−1 I)
T
=
_
0 0
2 3
_
Hľadáme riešenia homogénneho systému rovníc s poslednou maticou, t.j.
(A−1 I)
T
=
_
0 0
2 3
_

_
2 3
0 0
_

_
1
3
2
0 0
_
odkiaľ je vidieť, že vlastné vektory prislúchajúce vlastnému číslu 1 sú nenulové vektory z
podpriestoru [(−
3
2
, 1)] = [(−3, 2)]. (overte si, že napr. (-3,2)A=(-3,2))
Pre vlastné číslo 4:
A−4 I =
_
1 −4 2
0 4 −4
_
=
_
−3 2
0 0
_
, teda (A−4 I)
T
=
_
−3 0
2 0
_
36
KAPITOLA 3. PODOBNOSŤ MATÍC 37
Hľadáme riešenia homogénneho systému rovníc s poslednou maticou, t.j.
(A−4 I)
T
=
_
−3 0
2 0
_

_
1 0
2 0
_

_
1 0
0 0
_
odkiaľ je vidieť, že vlastné vektory prislúchajúce vlastnému číslu 4 sú nenulové vektory z
podpriestoru [(0, 1)]. (overte si, že napr. (0,1)A=4(0,1))
Teraz sa môžeme zamyslieť nad tým, akú maticu má lineárna transformácia určená v báze
(1, 0), (0, 1) maticou A v báze (−3, 2), (0, 1), t.j. ak ε
1
= (1, 0), ε
2
= (0, 1) a α
1
= (−3, 2), α
2
=
(0, 1), A = A
ε
1

2
ϕ
(= A
ε
ϕ
), čo bude A
α
1
, α
2
ϕ
(= A
α
ϕ
). Podľa vzorca (3.3) je
A
α
ϕ
= PA
ε
ϕ
P
−1
, kde P =
_
−3 2
0 1
_
,
t.j. riadky matice P sú vektory α
1
, α
2
, t.j. generátory podpriestorov [(−3, 2)] (ktorého ne-
nulové vektory sú vlastné vektory prislúchajúce ku vlastnému číslu 1) a [(0, 1)] (ktorého
nenulové vektory sú vlastné vektory prislúchajúce ku vlastnému číslu 4). P je samozrejme
matica prechodu od epsilonovej ku alfovej báze. Ale A
α
ϕ
v i−tom riadku obsahuje súradnice
obrazu vektora α
i
vyjadrené v báze α
1
, α
2
, a keďže α
1
je vlastný vektor prislúchajúci ku
vlastnému číslu 1, je
α
1
A = 1. α
1
+ 0. α
2
a podobne, keďže α
2
je vlastný vektor prislúchajúci ku vlastnému číslu 4, je
α
2
A = 0. α
1
+ 4. α
2
a preto je A
α
ϕ
= diag(1, 4) =
_
1 0
0 4
_
= PAP
−1
Iný spôsob, ako môžeme zdôvodniť túto rovnosť je použiť rovnaký postup ako pri odvodení
(3.4).
V predchádzajúcom príklade tvorili vlastné vektory bázu priestoru R
2
, v ktorom sme
pracovali. Vďaka tomu sme z nich dostali regulárnu maticu P. Nasledujúci príklad ukazuje,
že to tak nemusí byť vždy.
Príklad 3.2.2. Vypočítajme vlastné čísla a vlastné vektory pre maticu
A =
_
_
1 −3 3
0 1 −2
0 0 1
_
_
Tu je ch
A
(x) =
¸
¸
¸
¸
¸
¸
1 −x −3 3
0 1 −x −2
0 0 1 −x
¸
¸
¸
¸
¸
¸
= (1 − x)
3
, t.j. máme jediné vlastné číslo, 1 - je
trojnásobný koreň charakteristického polynómu - (to samo ešte nemusí byť na závadu). Ale
keď hľadáme vlastné vektory, zistíme, že sú to riešenia homogénneho systému rovníc s mati-
cou (A−I)
T
, t.j.
_
_
0 −3 3
0 0 −2
0 0 0
_
_
T
=
_
_
0 0 0
−3 0 0
3 −2 0
_
_
. Táto matica má očividne hodnosť
2 a preto riešenia tohoto systému tvoria jednorozmerný podpriestor ([(0, 0, 1)]), ktorého ne-
nulové prvky sú jediné vlastné vektory tejto matice. Ako ukážeme, toto je problém (málo
lineárne nezávislých vlastných vektorov), ktorý spôsobuje, že uvedená matica nie je podobná
so žiadnou diagonálnou maticou.
37
38 Podobnosť s diagonálnou maticou
Veta 3.2.3. Nech A = [[a
ij
[[ je štvorcová matica typu n n nad poľom F. Potom A je
podobná s diagonálnou maticou práve vtedy, keď spomedzi vlastných vektorov vieme vybrať
bázu.
Dôkaz. ⇒: Nech A je podobná diagonálnej matici diag(d
1
, d
2
, . . . , d
n
), t.j. existuje regulárna
matica P taká, že PAP
−1
= diag(d
1
, d
2
, . . . , d
n
). Potom ak ϕ: F
n
→ F
n
je zobrazenie
s maticou A, t.j. A = A
ε
ϕ
= A
ε
1
,...,ε
n
ϕ
, tak maticu P môžeme považovať za maticu prechodu
od bázy ε
1
, . . . , ε
n
ku báze α
1
, . . . , α
n
, kde α
1
, . . . , α
n
sú postupne riadky matice P. Podľa
vzorca (3.3) platí
PA

ϕ
P
−1
= A
α
1
,..., α
n
ϕ
,
a teda A
α
1
,..., α
n
ϕ
= diag(d
1
, d
2
, . . . , d
n
). Toto a význam matice A
α
1
,..., α
n
ϕ
hovorí, že α
1
, . . . , α
n
sú vektory s vlastnosťou α
i
A = 0 α
1
+ + d
i
α
i
+ + 0 α
n
= d
i
α
i
, t.j. α
i
, i = 1, . . . , n
sú vlastné vektory matice A prislúchajú po rade vlastným číslam d
i
, i = 1, . . . , n (a tiež, že
d
i
, i = 1, . . . , n sú vlastné čísla). Ale keďže vektory α
1
, . . . , α
n
sú riadky regulárnej matice P,
tvoria bázu F
n
, takže vieme, že existujú vlastné vektory tvoriace bázu.
Opäť i v tomto prípade by sme ako alternatívne zdôvodnenie mohli použiť rovnaký postup
ako pri odvodení (3.4).
⇐: Nech sa z vlastných vektorov matice A dá vybrať báza α
1
, . . . , α
n
. Potom ak tieto
vektory uložíme ako riadky do matice P, tak rovnako ako v prvej časti dôkazu vidíme,
že PAP
−1
= PA

ϕ
P
−1
= A
α
1
,..., α
n
ϕ
. Ale matica A
α
1
,..., α
n
ϕ
je diagonálna, lebo c
1
, . . . , c
n

vlastné čísla.
Táto veta umožňuje zistiť, či je matica podobná s diagonálnou alebo nie, ale jej použitie
je numericky pomerne náročné, a preto je vhodné (ak nás naozaj zaujíma len táto skutočnosť
a nie aj matica prechodu P) nájsť iné, aspoň postačujúce podmienky, ktoré zabezpečia to,
že matica A je podobná diagonálnej. Jedna z dvoch, ktoré si uvedieme, je založená na leme
Lema 3.2.4. Nech A = [[a
ij
[[ je štvorcová matica typu n n nad poľom F a vlastné čísla
c
1
, . . . , c
k
matice A sú navzájom rôzne prvky poľa F, α
1
, . . . , α
k
sú vlastné vektory po rade
prislúchajúce c
1
, . . . , c
k
. Potom sú vektory α
1
, . . . , α
k
lineárne nezávislé.
(Stručne: Rôznym vlastným číslam zodpovedajú lineárne nezávislé vlastné vektory.)
Dôkaz. Sporom. α
1
je vlastný vektor a preto je nenulový. Preto je závislosť vektorov α
1
, . . . , α
k
ekvivalentná s tým, že jeden z nich (pre i > 1) lineárnou kombináciu predchádzajúcich,
t.j. existujú a
1
, . . . , a
i−1
také, že
α
i
= a
1
α
1
+ +a
i−1
α
i−1
Predpokladajme, že sme vybrali najmenšie i s takouto vlastnosťou, t.j. že vektory α
1
, . . . , α
i−1
už sú lineárne nezávislé. Teraz využijeme, že α
1
, . . . , α
k
sú vlastné vektory, preto
α
i
A = c
i
α
i
= c
i
(a
1
α
1
+ +a
i−1
α
i−1
) = c
i
a
1
α
1
+ +c
i
a
i−i
α
i−1
,
kde aspoň jedno z čísiel a
1
, . . . , a
i−1
je nenulové (inak by bol vektor α
i
nulový, čo sa vlastnému
vektoru nemôže stať) ale aj
(a
1
α
1
+ +a
i−1
α
i−1
)A = a
1
α
1
A+ +a
i−i
α
i−1
A = c
1
a
1
α
1
+ +c
i−1
a
i−i
α
i−1
odkiaľ porovnaním a prehodením všetkých členov na ľavú stranu získame rovnosť
(c
i
−c
1
)a
1
α
1
+ + (c
i
−c
i−1
)a
i
α
i−1
=

0
Keďže všetky čísla c
i
−c
1
, . . . , c
i
−c
i−1
sú nenulové, tak aspoň jedno z čísiel (c
i
−c
1
)a
1
, . . . , (c
i

c
i−1
)a
i−1
je nenulové, čím dostávame spor s lineárnou nezávislosťou vektorov α
1
, . . . , α
i−1
.
38
KAPITOLA 3. PODOBNOSŤ MATÍC 39
Príslušná postačujúca podmienka (ešte stále numericky pomerne náročná) potom znie
Dôsledok 3.2.5. Nech A = [[a
ij
[[ je štvorcová matica typu n n nad poľom F a vlastné
čísla c
1
, . . . , c
n
matice A sú navzájom rôzne prvky poľa F (t.j. A má n navzájom rôznych
vlastných čísiel z poľa F). Potom A je podobná s diagonálnou maticou.
Dôkaz. Treba spojiť výsledok lemy 3.2.4 a vety 3.2.3 a uvedomiť si, že n lineárne nezávislých
vektorov v priestore F
n
tvorí bázu.
Ešte sformulujme niekoľko pomocných kritérií, ktoré pomôžu zistiť skutočnosť, že dve
konkrétne matice A, B nie sú podobné (obe tieto kritériá naozaj fungujú len jedným smerom,
t.j. žiadne z nich nevie potvrdiť, že matice A, B sú podobné, vedia len vylúčiť tento fakt -
sú to nutné podmienky na podobnosť).
Lema 3.2.6. Nech A, B sú štvorcové matice typu nn nad poľom F. Ak A a B sú podobné,
tak ch
A
(x) = ch
B
(x).
Dôkaz. Nech sú A, B podobné, t.j. existuje taká regulárna matica P, že PAP
−1
= B.
Počítajme
ch
B
(x) = [B −xI[ = [PAP
−1
−xI[ = [PAP
−1
−xPIP
−1
[ = [P(A−xI)P
−1
[ =
= [P[[A−xI[[P
−1
[ = [PP
−1
[[A−xI[ = [I[[A−xI[ = [A−xI[ = ch
A
(x)
a ešte jednoduchšie kritérium
Dôsledok 3.2.7. Pre maticu A = [[a
ij
[[ - štvorcová matica typu nn nad poľom F položme
Tr(A) = a
11
+ a
22
+ + a
nn
- t.j. Tr(A) je súčet prvkov na diagonále matice A. Ak sú
matice A, B podobné, tak Tr(A) = Tr(B).
Hodnota Tr(A) sa nazýva stopa matice A.
Dôkaz. Treba si uvedomiť, ako vyzerá charakteristický polynóm matice A, je to
A−xI =
¸
¸
¸
¸
¸
¸
¸
¸
¸
a
11
−x a
12
. . . a
1n
a
21
a
22
−x . . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
. . . a
n−1,n
a
nn
−x
¸
¸
¸
¸
¸
¸
¸
¸
¸
Podľa definície determinant [B[ = [[b
ij
[[ je súčet súčinov (−1)
i(ϕ)
b
1ϕ(1)
. . . b
nϕ(n)
, kde ϕ ∈ S
n
.
Špeciálne pre našu maticu A−xI si treba všimnúť, že pre ϕ identickú permutáciu, t.j. výber
diagonálnych prvkov tam máme člen +(a
11
−x)) (a
nn
−x). Ak zoberieme akýkoľvek iný
súčin, neobsahuje aspoň jeden diagonálny prvok, ale musí obsahovať z každého riadka a
každého stĺpca práve jeden prvok, tak musí existovať ešte jeden diagonálny prvok, ktorý
neobsahuje a preto ako polynóm v premennej x má stupeň najviac n −2. Keďže
+(a
11
−x)) (a
nn
−x) = (−1)
n
x
n
+(−1)
n−1
(a
11
+ +a
nn
)x
n−1
+ = (−1)
n
x+(−1)
n−1
Tr(A)x
n−1
+. . .
a ostatné súčiny neovplyvnia koeficienty pri x
n
a x
n−1
v ch
A
(x), a podľa predošlej lemy
ch
A
(x) = ch
B
(x). Preto ich koeficienty pri x
n−1
sú rovnaké, ale tieto koeficienty sú (až na
znamienko) Tr(A), respektíve Tr(B), dostávame rovnosť Tr(A) = Tr(B).
39
40 Podobnosť s diagonálnou maticou
Iný dôkaz. Ľahko sa dá overiť, že platí Tr(AB) = Tr(BA) (úloha I-5.4.4). Z toho máme
Tr(PAP
−1
) = Tr(APP
−1
) = Tr(A).
Podobným spôsobom sa dá dokázať, že podobné matice A, B majú rovnaké determinanty
(až na znamienko sú to absolútne koeficienty - koeficienty pri x
0
- v charakteristických poly-
nómoch). Opäť, ten istý fakt môžeme dokázať aj použitím rovnosti [AB[ = [A[[B[ = [BA[.
Teraz prejdeme ku druhému sľubovanému kritériu, ktoré zabezpečí, že matica je podobná
s diagonálnou. Je založené na úplne inom princípe ako kritérium z dôsledku 3.2.5. Nižšie je
sformulované pod názvom „veta o hlavných osiach (veta 3.2.10). Numericky je veľmi jedno-
duché, ale má pomerne úzky „rozsah aplikovateľnosti – hovorí, že každá reálna symetrická
matica je podobná s diagonálnou maticou a že dokonca v tomto prípade vieme podobnosť
zabezpečiť pomocou ortogonálnej matice P, t.j. táto podobnosť je zároveň kongruencia matíc
(lebo ortogonálna matica je definovaná ako matica P spĺňajúca podmienku P
T
= P
−1
, a
teda PAP
−1
= PAP
T
). Takúto podobnosť budeme nazývať ortogonálna podobnosť.
Zastavme sa chvíľu pri definícii ortogonálnej matice. Podľa definície je to matica, kto-
rá spĺňa PP
T
= P
T
P = I. Rovnosť PP
T
= I vlastne znamená, že riadky matice P sú
ortonormálne vektory. Rovnosť P
T
P = I hovorí to isté o stĺpcoch matice P.
Pred uvedením samotnej vety o hlavných osiach potrebujeme dve tvrdenia.
Veta 3.2.8 (Schurrova veta). Nech A = [[a
ij
[[ je štvorcová matica typu n n nad poľom R.
Nech všetky vlastné čísla matice A sú z poľa R. Potom existuje horná trojuholníková matica
T, ktorá je ortogonálne podobná s maticou A.
Dôkaz. Nech a
n
∈ R je vlastné číslo matice A, nech α
n
∈ R
n
je vlastný vektor matice A
prislúchajúci ku a
n
a ktorý má dĺžku 1. Nech α
1
, . . . , α
n−1
sú vektory v R
n
, ktoré dopĺňajú
α
n
do ortonormálnej bázy priestoru R
n
. Transformácia s maticou A (t.j. A je matica tejto
transformácie pri štandardnej báze) má v báze α
1
, . . . , α
n
maticu A

, ktorej posledný riadok
obsahuje len jeden zaujímavý prvok — posledný prvok je a
n
a ostatné prvky v poslednom
riadku sú nuly, t.j. ak sú riadky matice P po rade vektory α
1
, . . . , α
n
, tak
_
_
_
_
_
c
1
B
.
.
.
c
n−1
0 . . . 0 a
n
_
_
_
_
_
= A

= PAP
T
Keďže riadky matice P sú ortonormálne vektory, platí P
T
= P
−1
(matica P je ortogonálna).
Celý dôkaz teraz urobíme indukciou. Štart indukcie — matica A je 1 1, teda A je horná
trojuholníková a nemáme čo dokazovať.
Nech to teraz platí pre všetky matice B typu (n −1) (n −1). Urobme vyššie uvedenú
úvahu. Keďže pre charakteristické polynómy matíc A a B platí vzťah ch
A
(x) = (x−a
n
)ch
B
(x)
(lebo matice A, B sú podobné), každá vlastná hodnota matice B je vlastná hodnota matice A
a preto všetky vlastné hodnoty matice B ležia v poli R. Matica B je podľa indukčného pred-
pokladu ortogonálne podobná hornej trojuholníkovej matici, označme ju T

. Teda existuje
ortogonálna matica Q typu (n −1) (n −1) taká, že QBQ
T
= T

. Potom
_
_
_
_
_
0
Q
.
.
.
0
0 . . . 0 1
_
_
_
_
_

_
_
_
_
_
c
1
B
.
.
.
c
n−1
0 . . . 0 a
n
_
_
_
_
_

_
_
_
_
_
0
Q

.
.
.
0
0 . . . 0 1
_
_
_
_
_
=
=
_
QBQ


T
0 . . . 0 a
n
_
=
_
T


T
0 . . . 0 a
n
_
,
40
KAPITOLA 3. PODOBNOSŤ MATÍC 41
kde γ = (c
1
, . . . , c
n−1
). Posledná matica je ale vďaka indukčnému predpokladu horná troju-
holníková matica. Keďže je matica
Q

=
_
_
_
_
_
0
Q
.
.
.
0
0 . . . 0 1
_
_
_
_
_
ortogonálna (overte!), je tým je ukončený dôkaz indukčného kroku.
Ortogonálna podobnosť zachováva pojmy ako symetričnosť, kososymetričnosť a ortogo-
nálnosť, t.j. ak je A symetrická (kososymetrická, ortogonálna) a P je ortogonálna matica,
potom PAP
T
je tiež symetrická (kososymetrická, ortogonálna). Ak je A symetrická, a T je
horná trojuholníková ortogonálne podobná s A, tak T je tiež symetrická, t.j. diagonálna. Ak
by sme vedeli, že reálna symetrická matica A je ortogonálne podobná hornej trojuholníkovej
- t.j. vďaka Schurrovej vete sa stačí presvedčiť, že reálna symetrická matica má vždy všetky
vlastné čísla reálne - vedeli by sme, že je (dokonca ortogonálne) podobná diagonálnej matici.
Veta 3.2.9. Nech A = [[a
ij
[[ je štvorcová symetrická matica typu nn nad poľom R, potom
všetky vlastné čísla matice A sú z poľa R.
Dôkaz. Podľa predpokladu je polynóm ch
A
(x) polynóm s reálnymi koeficientami, t.j. jeho
korene sú buď reálne alebo komplexné čísla. Budeme predpokladať, že sú to komplexné čísla
a +bi (a, b ∈ R) a dokážeme, že pre symetrickú maticu A je vždy b = 0, t.j. je to reálne číslo.
Keďže A = [[a
ij
[[ je matica nad R, určite je to aj matica nad poľom komplexných čísiel C.
Ak uvažujeme o jej (možno komplexnom) vlastnom čísle z = a +bi, musí k nemu prislúchať
(možno komplexný) vlastný vektor (z
1
, . . . , z
n
) = (a
1
+ b
1
i, . . . , a
n
+ b
n
i) = (a
1
, . . . , a
n
) +
(b
1
, . . . , b
n
)i (a
i
, b
i
∈ R), t.j. platí zA = (a + bi)z. Ak položíme α = (a
1
, . . . , a
n
) a

β =
(b
1
, . . . , b
n
), tak vďaka tomu, že A je reálna matica môžeme túto rovnosť napísať ako
( α +

βi)A = (a +bi)( α +

βi) = (a α −b

β) + (a

β +b α)i
Ale platí aj ( α +

βi)A = ( αA) + (

βA)i, kde vektory αA,

βA sú reálne vektory, aspoň jeden
z nich nie je nulový. Porovnaním reálnych a imaginárnych častí dostaneme
αA = a α −b

β

βA = a

β +b α
Pozrime sa teraz na skalárny súčin ¸ αA,

β¸. Jedna z možností, ako počítať tento skalárny súčin
je použiť maticové násobenie, presnejšie pre štandardný skalárny súčin platí ¸x, y¸ = xy
T
.
Použitím tohoto vzorca dostaneme
¸ αA,

β¸ = αA

β
T
= αA
T

β
T
= α(

βA)
T
= ¸ α,

βA¸
Druhá rovnosť je dôsledok symetrie matice A. Ale použitím vzorcov pre αA a

βA, ktoré sme
získali vyššie dostaneme
¸ αA,

β¸ = ¸a α −b

β,

β¸ = a¸ α,

β¸ −b¸

β,

β¸
a
¸ α,

βA¸ = ¸α, a

β +b α¸ = a¸ α,

β¸ +b¸ α, α¸
41
42 Podobnosť s diagonálnou maticou
čiže a¸ α,

β¸ −b¸

β,

β¸ = a¸ α,

β¸ +b¸ α, α¸, a teda
−b¸

β,

β¸ = b¸ α, α¸,
b(¸

β,

β¸ +¸ α, α¸) = 0
Keďže aspoň jeden z vektorov α,

β je nenulový, platí ¸

β,

β¸ + ¸ α, α¸ > 0. Preto z poslednej
rovnosti vyplýva b = 0, a teda vlastné číslo z = a + 0i je reálne číslo.
Na základe Schurrovej vety teda dostávame tvrdenie, ktoré je známe ako „Veta o hlavných
osiach:
Veta 3.2.10 (o hlavných osiach). Nech A = [[a
ij
[[ je štvorcová symetrická matica typu nn
nad poľom R, potom A je ortogonálne podobná s diagonálnou maticou.
Pri hľadaní príslušnej ortogonálnej matice prechodu je užitočné vedieť nasledujúci fakt
Veta 3.2.11. Nech A = [[a
ij
[[ je štvorcová symetrická matica typu nn nad poľom R, nech
a ,= b sú dve vlastné čísla matice A a nech α je vlastný vektor prislúchajúci ku vlastnému
číslu a, podobne

β je vlastný vektor prislúchajúci ku vlastnému číslu b. Potom α ⊥

β (t.j. α
a

β sú na seba kolmé v zmysle štandardného skalárneho súčinu).
Dôkaz. Jedno z čísiel a, b je nenulové, nech je to a. Vypočítajme hodnotu a¸ α,

β¸:
a¸ α,

β¸ = ¸a α, β¸ = ¸ αA, β¸ = αA

β
T
= αA
T

β
T
= α(

βA)
T
= ¸ α,

βA¸ = ¸ α, b

β¸ = b¸ α,

β¸
čiže (a −b)¸ α,

β¸ = 0 a pretože a −b ,= 0, je skalárny súčin ¸ α,

β¸ = 0, t.j. α ⊥

β.
Ilustrujme si použitie tejto vety na konkrétnom príklade.
Príklad 3.2.12.
A =
_
1 4 −2
4 1 −2
−2 −2 −2
_
Ak existujú, nájdite ortogonálnu maticu P a diagonálnu maticu D tak, aby D = PAP
T
.
Charakteristický polynóm je −(x + 3)
2
(x −6), čiže vlastné hodnoty sú −3 a 6.
Riešením sústav s maticami (A+3I)
T
, resp. (A−6I)
T
dostaneme vlastné vektory. Dôležité
je vlastné vektory normalizovať, prípadne ak je niektorá vlastné hodnota viacnásobná, tak
aj z nich urobiť ortonormálnu bázu. (Aby sme dostali ortogonálnu maticu.) Vďaka predchá-
dzajúcej vete máme automaticky zabezpečené, že vlastné vektory pre rôzne vlastné hodnoty
budú na seba kolmé.
Vlastné vektory prislúchajúce k −3 sú (
1

2
, −
1

2
, 0), (
1
3

2
,
1
3

2
,
4
3

2
). Vlastný vektor pri-
slúchajúci k 6 je (
2
3
,
2
3
, −
1
3
). Keď tieto vektory dáme do stĺpcov dostaneme hľadanú maticu
P.
_
1 4 −2
4 1 −2
−2 −2 −2
_
=
_
1

2
1
3

2
2
3

1

2
1
3

2
2
3
0
4
3

2

1
3
_
_
−3 0 0
0 −3 0
0 0 6
_
_
1

2

1

2
0
1
3

2
1
3

2
4
3

2
2
3
2
3

1
3
_
Veta o hlavných osiach nám poskytuje rozklad symetrickej matice na matice projekcie.
Ortogonálna podobnosť matice A s diagonálnou maticou nám totiž hovorí, že existuje orto-
gonálna matica P taká, že
A = P
T
DP,
42
KAPITOLA 3. PODOBNOSŤ MATÍC 43
pričom vieme, že na diagonále matice D sú vlastné čísla d
1
, . . . , d
n
matice A a riadky matice
P sú vlastné vektory matice A. Predchádzajúcu rovnosť potom môžeme upraviť na tvar
A =
_
α
T
1
. . . α
T
n
_
_
_
_
_
_
_
d
1
0 . . . 0
0 d
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 . . . 0 d
n
_
_
_
_
_
_
_
_
_
α
1
.
.
.
α
n
_
_
_ =
_
α
T
1
. . . α
T
n
_
_
_
_
d
1
α
1
.
.
.
d
n
α
n
_
_
_
A = d
1
α
T
1
α
1
+d
2
α
T
2
α
2
+ +d
n
α
T
n
α
n
(3.5)
Predchádzajúci zápis sa niekedy zvykne nazývať spektrálny rozklad matice A.
Všimnime si, že maticu A sme rozložili na súčet násobkov ortogonálnych projekcií do sme-
rov vlastných vektorov. (Matica α
T
i
α
i
je presne matica ortogonálnej projekcie na podpriestor
[ α
i
] – pozri úlohu 1.2.12).
Môžeme si všimnúť, že matice tvaru A = α
T
α majú niektoré pekné vlastnosti. Očividne
platí A
T
= A, čiže takáto matica je symetrická. Vďaka tomu, že matica P je ortogonálna, sú
vlastné vektory α
1
, . . . , α
n
ortonormálne. Špeciálne vďaka tomu, že majú veľkosť 1, dostaneme
AA = α
T
( α α
T
) α = α
T
.1. α = α
T
α = A. Matice (a im zodpovedajúce lineárne zobrazenia),
pre ktoré platí A
2
= A sa zvyknú nazývať projekcie.
Ak by sme chceli teóriu načatú v tomto texte chceli študovať serióznejšie, potrebovali by
sme tzv. Caley-Hamiltonova vetu, my ju teraz uvedieme len ako malé doplnenie problematiky
a možno ako zaujímavosť.
Veta 3.2.13 (Cayley-Hamilton). Nech A je štvorcová matica nad poľom F. Potom A je ko-
reňom svojho charakteristického polynómu, presnejšie ak je ch
A
(x) = (−1)
n
x
n
+c
n−1
x
n−1
+
+c
0
tak (−1)
n
A
n
+c
n−1
A
n−1
+ +c
0
I = |0|
n×n
.
Dôkaz. Vzhľadom na to, že charakteristický polynóm je determinant, je vhodné pripomenúť
jednu zaujímavú vlastnosť - v prvom semestri sme ju používali pre výpočet inverznej matice
ku regulárnej matici. Teraz ju uvedieme v trochu všeobecnejšej formulácii, ktorú využijeme
v dôkaze: majme štvorcovú maticu A typu n n. Znakom A
ij
(1 ≤ i, j ≤ n) označme
determinant matice, ktorá z A vznikne vynechaním i-teho riadku a j-teho stĺpca vynásobený
číslom (−1)
i+j
(tzv. algebraický doplnok prvku a
ij
matice A). Známy vzorec na výpočet
inverznej matice ku regulárnej matici A (veta I-6.5.1) hovorí, že
A
−1
=
_
_
_
_
_
_
A
11
|A|
A
21
|A|
. . .
A
n1
|A|
A
12
|A|
A
22
|A|
. . .
A
n2
|A|
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
|A|
A
2n
|A|
. . .
A
nn
|A|
_
_
_
_
_
_
čo je špeciálny prípad nasledujúceho vzorca:
A
_
_
_
_
_
A
11
A
21
. . . A
n1
A
12
A
22
. . . A
n2
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
2n
. . . A
nn
_
_
_
_
_
= [A[
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
= [A[ I,
ktorý platí aj v prípade, že je [A[ = 0. (A dá sa dokázať podobne ako veta I-6.5.1.)
43
44 Podobnosť s diagonálnou maticou
Matica
_
_
_
_
_
A
11
A
21
. . . A
n1
A
12
A
22
. . . A
n2
.
.
.
.
.
.
.
.
.
.
.
.
A
1n
A
2n
. . . A
nn
_
_
_
_
_
sa označuje znakom adj(A), t.j. platí A adj(A) = [A[ I.
Naviac je dôležité to, že pojem determinantu môžeme rovnako ako pre matice nad (neja-
kým) poľom F zaviesť pre matice nad ľubovoľným komutatívnym okruhom a v prípade, že je
to okruh s 1, uvedený vzorec bude platiť (i keď možno napr. nemôžeme maticu upraviť na re-
dukovaný trojuholníkový tvar a na základe známych viet o tom (tieto vety ostanú v platnosti
aj pre matice nad komutatívnym okruhom), ako sa správa determinant pri elementárnych
riadkových operáciách potom počítať determinant - to je vo všeobecnosti výsada matíc nad
poliami).
Teraz môžeme pristúpiť ku samotnému dôkazu. Nech B = A−xI. Potom B
ij
ako (až na
znamienko) determinant „podmatice matice B, ktorá vznikla vynechaním jedného riadku a
jedného stĺpca je polynóm stupňa menej ako n, t.j. nanajvýš stupňa n − 1 v premennej x.
T.j. matica adj(B) je matica s prvkami z F[x], čo je komutatívny okruh s 1.
Vzhľadom na uvedené možné stupne polynómov existujú také matice C
n−1
, . . . C
1
, C
0
-
všetko matice n n nad poľom F (t.j. ich prvky už sú konštanty, nie polynómy), že
adj(A−xI) = adj(B) = C
n−1
x
n−1
+ +C
1
x +C
0
Označme si ch
A
(x) = [B[ = (−1)
n
x
n
+c
n−1
x
n−1
+ +c
1
x +c
0
[B[I = (−1)
n
Ix
n
+c
n−1
Ix
n−1
+ +c
1
Ix+c
0
I = Badj(B) = (A−xI)(C
n−1
x
n−1
+ +C
1
x+C
0
),
odkiaľ porovnaním „koeficientov pri rovnakých mocninách x dostaneme
c
0
I = AC
0
c
1
I = AC
1
−C
0
c
2
I = AC
2
−C
1
. . .
c
n−1
I = AC
n−1
−C
n−2
a nakoniec
(−1)
n
I = −C
n−1
Vynásobme zľava teraz postupne prvú rovnicu maticou I, druhú rovnicu maticou A, tretiu
rovnicu maticou A
2
, . . ., a poslednú, t.j. rovnicu s poradovým číslom n + 1 maticou A
n
,
dostaneme
c
0
I = AC
0
c
1
A = A
2
C
1
−AC
0
c
2
A
2
= A
3
C
2
−A
2
C
1
. . .
c
n−1
A
n−1
= A
n
C
n−1
−A
n−1
C
n−2
a nakoniec
(−1)
n
A
n
= −A
n
C
n−1
44
KAPITOLA 3. PODOBNOSŤ MATÍC 45
Po sčítaní ľavých a pravých strán týchto rovníc dostaneme
(−1)
n
A
n
+c
n−1
A
n−1
+ +c
1
A+c
o
I =
−A
n
C
n−1
+ (A
n
C
n−1
−A
n−1
C
n−2
) + + (A
3
C
2
−A
2
C
1
) + (A
2
C
1
−AC
0
) +AC
0
= |0|
n×n
t.j. ch
A
(A) = |0|.
Cvičenia
Úloha 3.2.1. Nájdite vlastné hodnoty a vlastné vektory daných matíc nad poľom C:
a) (
2 4
5 3
)
b) (
3 1
1 3
)
c)
_
1 2
2 −2
_
d)
_
−1 2i
−2i 2
_
e)
_
2 1
−1 0
_
Ak taká matica existuje, nájdite regulárnu maticu P s vlastnosťou, že PAP
−1
je diagonálna.
Úloha 3.2.2. Ukážte, že vlastné vektory matice A typu nn prislúchajúce k danej vlastnej
hodnote c spolu s nulovým vektorom tvoria podpriestor priestoru F
n
.
Úloha 3.2.3. Ako vyzerá matica A zodpovedajúca otočeniu v rovine okolo počiatku súrad-
nicovej sústavy o nenulový uhol ϕ? Nájdite jej vlastné hodnoty a vlastné vektory v C? Ako
možno geometricky interpretovať fakt, že táto matica nemá reálne vlastné vektory?
Úloha 3.2.4. Ukážte, že pre c ∈ R¦0¦ matica (
1 c
0 1
) nie je podobná s diagonálnou maticou.
Aká je geometrická interpretácia tohoto výsledku?
Úloha 3.2.5. Ukážte, že ak k je smernica vlastného vektora matice A typu 22, tak k spĺňa
kvadratickú rovnicu a
21
k
2
+ (a
11
−a
22
)k −a
12
= 0.
Úloha 3.2.6. Ak A, B sú regulárne matice, tak AB a BA majú rovnaké vlastné hodnoty.
Úloha 3.2.7. Dokážte: Štvorcová matica A je regulárna práve vtedy, keď 0 nie je vlastné
číslo matice A.
Ak A je regulárna, tak c je vlastné číslo matice A práve vtedy, keď c
−1
je vlastné číslo
matice A
−1
.
Úloha 3.2.8. Ak A je idempotentná matica, čiže A
2
= A, tak jej vlastné hodnoty môžu byť
jedine 0 alebo 1.
Úloha 3.2.9. Nájdite (ak taká matica existuje) maticu P takú, že PAP
−1
= D je diago-
nálna matica.
a)
_
−2 1 0
0 1 0
0 0 1
_
b)
_
1 2 1
6 −1 0
−1 −2 −1
_
c)
_
−1 −1 1
0 −2 1
0 0 −1
_
Úloha 3.2.10. Nájdite (ak taká matica existuje) ortogonálnu maticu P takú, že PAP
T
= D
je diagonálna matica.
a)
_
1 1 1
1 1 1
1 1 1
_
b)
_
−1 0 0
0 1 5
0 5 1
_
45
46 Krivky druhého rádu
c)
_
−1 2 0
2 −1 0
0 0 4
_
d)
_
−2 3 0
3 −2 0
0 0 7
_
e)
_
−1 2 0 0
2 −1 0 0
0 0 −1 4
0 0 4 −1
_
f)
_
1 2 0 0
2 −1 0 0
0 0 2 3
0 0 3 2
_
g)
_
3 2 2
2 4 1
2 1 4
_
h)
_
0 1 2
1 0 2
2 2 −1
_
i)
_
2 1 −2
1 2 −2
−2 −2 5
_
Úloha 3.2.11

. Nájdite symetrickú a ortogonálnu maticu P takú, že PAP
−1
je diagonálna
matica ak
A =
_
_
_
_
a
2
ab ab b
2
ab a
2
b
2
ab
ab b
2
a
2
ab
b
2
ab ab a
2
_
_
_
_
Úloha 3.2.12

. Nech V je vektorový priestor všetkých matíc typu nn nad R, nech A ∈ V
nech T : V → V je definované ako T(X) = AX. Nájdite charakteristický polynóm matice
zobrazenia T a ukážte, že ak matica A je podobná s diagonálnou maticou, tak aj T je podobná
s diagonálnou maticou. (Poznámka: Matica zobrazenia T síce závisí od voľby bázy priestoru
V , nie je však ťažké si uvedomiť, že charakteristický polynóm ani diagonalizovateľnosť matice
sa nemenia prechodom k inej báze, čiže od voľby bázy nezávisia.)
3.3 Krivky druhého rádu
Ako aplikáciu vety o hlavných osiach si popíšeme ako vyzerajú množiny bodov v rovine
popísané polynómom 2 premenných stupňa 2. Z toho, čo si o nich povieme, by snáď mohlo
byť zrejmé, prečo sa táto veta nazýva „veta o hlavných osiach.
Ortogonálne matice 2 2
Najprv sa na chvíľu zastavme pri ortogonálnych maticiach. Keďže chceme skúmať situáciu
v R
2
, budú nás hlavne zaujímať reálne symetrické matice rozmeru 2 2.
Pripomeňme, že ortogonálna matica je štvorcová matica O, ktorá spĺňa podmienku OO
T
=
I. Táto podmienka znamená, že riadky tejto matice tvoria ortonormálnu bázu v F
n
.
Ekvivalentne môžeme definovať ortogonálne matice podmienkou O
T
O = I, čo znamená,
že ortonormálnu bázu tvoria stĺpce. Iná ekvivalentná formulácia je, že transponovaná matica
k O je súčasne k tejto matici inverzná, t.j. O
T
= O
−1
. Takisto priamo z definície vidno, že
ortogonálna matica musí byť regulárna.
Ľahko sa dá ukázať, že ortogonálne matice daného rozmeru tvoria vzhľadom na násobenie
matíc grupu (úloha 3.3.1). Všimnime si ešte jednu vlastnosť ortogonálnych matíc. Uvažujme
štandardný skalárny súčin na R
n
. Pre ľubovoľné 2 vektory α,

β ∈ R
n
a ortogonálnu maticu
O dostaneme
¸ αO,

βO¸ = αO(

βO)
T
= αOO
T

β
T
= α

β
T
= ¸ α,

β¸.
46
KAPITOLA 3. PODOBNOSŤ MATÍC 47
Zistili sme, že lineárne zobrazenie zodpovedajúce matici O zachováva skalárny súčin. Z toho
špeciálne vyplýva, že zachováva veľkosť a uhly vektorov.
Teraz sa pozrime len na matice rozmeru 22. Ak reálna matica O =
_
a b
c d
_
je ortogonálna,
jej prvky musia spĺňať
a
2
+b
2
= 1
c
2
+d
2
= 1
ac +bd = 0
Ak a = 0, dostaneme z prvej rovnice b = ±1 a z tretej rovnice d = 0. Z toho potom
vyplýva c = ±1.
Ak b = 0, dostaneme a = ±1, c = 0 a d = ±1.
Ak ab ,= 0 môžeme poslednú rovnicu vydeliť číslom ab a dostaneme
c
b
+
d
a
= 0, čiže
c
b
= −
d
a
. Ak označíme
c
b
= −
d
a
=: k, máme c = bk a d = −ak. Po dosadení do druhej rovnice
máme
(a
2
+b
2
)k
2
= 1.
Spolu s prvou rovnicou to znamená, že k
2
= 1, a teda k = ±1.
Ľubovoľné riešenie prvej rovnice je tvaru a = cos ϕ, b = sin ϕ. V závislosti od voľby k
dostaneme buď c = sin ϕ a d = −cos ϕ alebo c = −sin ϕ a d = cos ϕ. Všimnime si, že tieto
riešenia zahŕňajú aj prípad a = 0 a b = 0, ktoré sme riešili zvlášť (pre ϕ = 0,
π
2
, π,
3
2
π).
Zistili sme teda, že všetky ortogonálne matice 2 2 sú tvaru
_
cos ϕ sin ϕ
−sin ϕ cos ϕ
_ _
cos ϕ sin ϕ
sin ϕ −cos ϕ
_
pre ϕ ∈ ¸0, 2π).
(Tieto riešenia možno ľahko nájsť aj na základe geometrického významu rovníc, ktoré
sme používali. Hľadali sme vlastne vektory (a, b) a (c, d), ktoré sú navzájom kolmé a majú
veľkosť 1. Skúste si nakresliť obrázok. )
Prvá z uvedených matíc je presne matica otočenia okolo počiatku súradnicovej sústavy
o uhol ϕ proti smeru pohybu hodinových ručičiek (stačí si všimnúť, že pri tomto lineárnom
zobrazení sa vektor (1, 0) zobrazí na (cos ϕ, sin ϕ) a vektor (0, 1) na (−sin ϕ, cos ϕ)).
Z rovnosti
_
cos ϕ sin ϕ
sin ϕ −cos ϕ
_
=
_
1 0
0 −1
__
cos ϕ sin ϕ
−sin ϕ cos ϕ
_
vidíme, že ostatné ortogonálne matice zodpovedajú zobrazeniam, ktoré sú zložením osovej
súmernosti podľa osi x a otočenia o uhol ϕ.
Záver: Lineárne zobrazenia zodpovedajúce ortogonálnym maticiam sú práve zobrazenia,
ktoré vzniknú zložením osových súmerností (podľa osi prechádzajúcej počiatkom) a otočení
(okolo počiatku).
Niečo podobné platí aj vo všeobecnosti – každá reálna ortogonálna matica sa dá napísať
ako súčin matice nejakej rotácie okolo počiatku a matice, ktorá zodpovedá lineárnemu zobra-
zeniu takému, že jednotkové vektory sa pri ňom nejakým spôsobom povymieňajú a niektoré
z nich sa zmenia na opačné.
Popis kriviek druhého rádu
Teraz sa už skúsme dostať k otázke, ktorou sme sa chceli zaoberať pôvodne – preskúmať
krivky v rovine popísané rovnicami druhého stupňa. Presnejšie, ak
f(x
1
, x
2
) = a
11
x
2
1
+ 2a
12
x
1
x
2
+a
22
x
2
2
+ 2a
1
x
1
+ 2a
2
x
2
+d, (3.6)
47
48 Krivky druhého rádu
kde aspoň jedno z čísel a
11
, a
12
, a
22
je nenulové (t.j. člen druhého stupňa v tejto funkcii je
nenulový), tak nás zaujíma ako vyzerá množina bodov
K = ¦(x
1
, x
2
) ∈ R
2
; f(x
1
, x
2
) = 0¦.
Ako sa dá uhádnuť z označenia použitého v (3.6), tento problém bude nejako súvisieť
s kvadratickými formami.
Ako sa dá uhádnuť z označenia použitého v (3.6), tento problém bude nejako súvisieť
s kvadratickými formami. Ak si všímame len kvadratickú časť predpisu f(x
1
, x
2
), vidíme, že
ide o kvadratickú formu
g(x
1
, x
2
) = a
11
x
2
1
+ 2a
12
x
1
x
2
+a
22
x
2
2
.
Matica tejto kvadratickej formy A = (
a
11
a
12
a
12
a
22
) je symetrická. Podľa vety o hlavných osiach
3.2.10 teda existuje ortogonálna matica P tak, že PAP
T
= diag(λ
1
, λ
2
), kde λ
1,2
sú vlastné
čísla matice A. Bez ujmy na všeobecnosti môžeme predpokladať, že P je maticou otočenia
okolo počiatku súradnicovej sústavy. (Ak by to nebola matica otočenia, stačí výraz PAP
T
zľava aj sprava vynásobiť maticou
_
1 0
0 −1
_
.)
Matica P zodpovedá zmene premenných, ktorá je lineárna, teda v nových súradniciach
bude rovnica našej krivky vyzerať
f(y
1
, y
2
) = λ
1
y
2
1

2
y
2
2
+ 2b
1
y
1
+ 2b
2
y
2
+d

= 0.
Uvažujme najprv prípad, že λ
1
λ
2
,= 0. Potom môžeme túto rovnicu ďalej upraviť doplne-
ním na štvorec. Zavedieme nové premenné z
1
= y
1
+
b
1
λ
1
, z
2
= y
2
+
b
2
λ
2
. Dostaneme
f(z
1
, z
2
) = λ
1
z
2
1

2
z
2
2
+d

= 0.
Geometricky zmena premmených, ktorú sme urobili, zodpovedá posunutiu o vektor (−
b
1
λ
1
, −
b
2
λ
2
).
V závislosti od znamienka koeficientov vystupujúcich v tejto rovnici už z nej vieme vyčítať
tvar krivky. V prípade, že λ
1
, λ
2
> 0 a d

< 0, ako aj v prípade λ
1
, λ
2
< 0 a d

> 0 ide
o elipsu.
Ak λ
1
, λ
2
> 0 a d

> 0 alebo λ
1
, λ
2
< 0 a d

< 0, tak uvedené rovnica nemá riešenie.
V prípade, že λ
1
a λ
2
majú rôzne znamienka a d

,= 0, je to hyperbola.
Ak d

= 0 tak ide buď o jednobodovú množinu (ak λ
1
a λ
2
majú rovnaké znamienko)
alebo o dvojicu pretínajúcich sa priamok (ak majú rôzne znamienka).
Zostáva nám vyriešiť prípad, keď niektoré vlastné číslo je nulové. Nech napríklad λ
1
= 0.
V tomto prípade môžeme doplnenie na štvorec použiť len v druhej premennej a dostaneme
λ
2
z
2
2
+ 2b
1
z
1
+d

= 0.
Ak b
1
,= 0, je to parabola. Ak b
1
= 0, tak v závislosti od znamienka d

to môže byť prázdna
množina (rovnaké znamienko ako λ
2
), priamka (ak d

= 0) alebo dvojica rovnobežných
priamok.
Zistili sme teda, že – s výnimkou degenerovaných prípadov – každá krivka vyjadrená
rovnicou druhého stupňa bude vhodne posunutá a otočená elipsa, hyperbola alebo parabola.
Vlastné hodnoty matice A nám udávajú hlavnú a vedľajšiu poloos týchto kužeľosečiek.
Invarianty kriviek druhého rádu
V tejto časti si ukážeme, ako možno zistiť typ krivky druhého rádu bez toho, aby sme ju
museli upravovať na kanonický tvar.
48
KAPITOLA 3. PODOBNOSŤ MATÍC 49
Definícia 3.3.1. Invariantom krivky druhého rádu
a
11
x
2
1
+ 2a
12
x
1
x
2
+a
22
x
2
2
+ 2a
1
x
1
+ 2a
2
x
2
+d = 0
rozumieme taký algebraický výraz závisiaci od a
11
, a
12
, a
22
, a
1
, a
2
a d, ktorý sa nezmení, ak
túto krivku vyjadríme v iných súradniciach, ktoré dostaneme posunutím a otočením.
Tvrdenie 3.3.2. Výrazy s = Tr(A) = a
11
+a
22
, δ = [A[ =
¸
¸
¸
¸
a
11
a
12
a
12
a
22
¸
¸
¸
¸
a ∆ =
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1
a
12
a
22
a
2
a
1
a
2
d
¸
¸
¸
¸
¸
¸
sú invariantmi krivky druhého rádu
a
11
x
2
1
+ 2a
12
x
1
x
2
+a
22
x
2
2
+ 2a
1
x
1
+ 2a
2
x
2
+d = 0
Dôkaz. Overme najprv, že tieto výrazy sa nezmenia pri posunutí. Položme x
1
= y
1
+ d
1
a
x
2
= y
2
+d
2
. Dostaneme
a
11
x
2
1
+ 2a
12
x
1
x
2
+a
22
x
2
2
+ 2a
1
x
1
+ 2a
2
x
2
+d =
a
11
y
2
1
+ 2a
12
y
1
y
2
+a
22
y
2
2
+ 2(a
1
+a
11
d
1
+a
12
d
2
)y
1
+ 2(a
2
+a
22
d
2
+a
12
d
1
)y
2
+a
11
d
2
1
+
2a
12
d
1
d
2
+a
22
d
2
2
+ 2a
1
d
1
+ 2a
2
d
2
+d.
Pre vyjadrenie krivky v nových súradniciach máme s = a
11
+a
22
, δ = [A[ =
¸
¸
¸
¸
a
11
a
12
a
12
a
22
¸
¸
¸
¸
a
∆ =
¸
¸
¸
¸
¸
¸
a
11
a
12
a
1
+a
11
d
1
+a
12
d
2
a
12
a
22
a
2
+a
22
d
2
+a
12
d
1
a
1
+a
11
d
1
+a
12
d
2
a
2
+a
22
d
2
+a
12
d
1
a
11
d
2
1
+ 2a
12
d
1
d
2
+a
22
d
2
2
+ 2a
1
d
1
+ 2a
2
d
2
+d
¸
¸
¸
¸
¸
¸
Stačí si všimnúť, že maticu v detereminante ∆ môžeme dostať ako
_
_
1 0 0
0 1 0
d
1
d
2
1
_
_
_
_
a
11
a
12
a
1
a
12
a
22
a
2
a
1
a
2
d
_
_
_
_
1 0 d
1
0 1 d
2
0 0 1
_
_
.
(Pri hľadaní matíc, ktorými musíme prenásobiť pôvodnú maticu, je môže pomôcť všimnúť
si, aké riadkové a stĺpcové operácie sa dajú použiť.) Keďže sme pôvodnú maticu násobili
maticami s determinantom 1, determinant sa tým nezmení.
Teraz skúsme to isté overiť pre otočenie o uhol ϕ, čiže x
1
= y
1
cos ϕ + y
2
sin ϕ a x
2
=
−y
1
sin ϕ +y
2
cos ϕ. Dostaneme
a
11
x
2
1
+ 2a
12
x
1
x
2
+a
22
x
2
2
+ 2a
1
x
1
+ 2a
2
x
2
+d =
(a
11
cos
2
ϕ−2a
12
cos ϕsin ϕ+a
22
sin
2
ϕ)y
2
1
+2(a
11
cos ϕsin ϕ+a
12
(cos
2
ϕ−sin
2
ϕ)−a
22
cos ϕsin ϕ)y
1
y
2
+
(a
11
sin
2
ϕ−2a
12
sin
2
ϕ+a
22
cos
2
ϕ)y
2
2
+2(a
1
cos ϕ−a
2
sin ϕ)y
1
+2(a
1
sin ϕ+a
2
cos ϕ) +d
Potom dostaneme
s = Tr(A) = (a
11
cos
2
ϕ−2a
12
cos ϕsin ϕ+a
22
sin
2
ϕ)+(a
11
sin
2
ϕ−2a
12
sin
2
ϕ+a
22
cos
2
ϕ) =
a
11
(cos
2
ϕ + sin
2
ϕ) +a
22
(cos
2
ϕ + sin
2
ϕ) = a
11
+a
22
.
δ =
¸
¸
¸
a
11
cos
2
ϕ−2a
12
cos ϕsin ϕ+a
22
sin
2
ϕ a
11
cos ϕsin ϕ+a
12
(cos
2
ϕ−sin
2
ϕ)−a
22
cos ϕsin ϕ
a
11
cos ϕsin ϕ+a
12
(cos
2
ϕ−sin
2
ϕ)−a
22
cos ϕsin ϕ a
11
sin
2
ϕ+2a
12
cos ϕsin ϕ+a
22
cos
2
ϕ
¸
¸
¸
a súčasne
_
a
11
cos
2
ϕ−2a
12
cos ϕsin ϕ+a
22
sin
2
ϕ a
11
cos ϕsin ϕ+a
12
(cos
2
ϕ−sin
2
ϕ)−a
22
cos ϕsin ϕ
a
11
cos ϕsin ϕ+a
12
(cos
2
ϕ−sin
2
ϕ)−a
22
cos ϕsin ϕ a
11
sin
2
ϕ+2a
12
cos ϕsin ϕ+a
22
cos
2
ϕ
_
=
_
cos ϕ −sin ϕ
sin ϕ cos ϕ
__
a
11
a
12
a
12
a
22
__
cos ϕ sin ϕ
−sin ϕ cos ϕ
_
49
50 Krivky druhého rádu
Keďže sme pôvodnú maticu vynásobili ortogonálnou maticou (a tá má determinant rovný 1),
determinant sa nezmení.
Podobne dostaneme
_
_
a

11
a

12
a
1
cos ϕ −a
2
sin ϕ
a

21
a

22
a
1
sin ϕ +a
2
cos ϕ
a
1
cos ϕ −a
2
sin ϕ a
1
sin ϕ +a
2
cos ϕ d
_
_
=
_
_
cos ϕ −sin ϕ 0
sin ϕ cos ϕ 0
0 0 1
_
_
_
_
a
11
a
12
a
1
a
12
a
22
a
2
a
1
a
2
d
_
_
_
_
cos ϕ sin ϕ 0
−sin ϕ cos ϕ 0
0 0 1
_
_
Ani v tomto prípade sa determinant nezmení.
V predchádzajúcej časti sme rozanalyzovali akú krivku dostaneme na základe znamienok
λ
1,2
a d

. Na určenie týchto znamienok nám však budú stačiť aj spomínané invarianty.
Ukázali sme, že rovnicu krivky druhého rádu môžeme upraviť na tvar λ
1
z
2
1

2
z
2
2
+d

= 0
(v prípade, že obe vlastné hodnoty sú nenulové). V tomto prípade platí s = λ
1

2
, δ = λ
1
λ
2
,
∆ = λ
1
λ
2
d

.
V prípade, že λ
1
= 0 sa rovnica danej krivky dala upraviť na tvar λ
2
z
2
2
+2b
1
z
1
+d

= 0.
Hodnoty invariantov sú s = λ +d

, δ = 0 a ∆ = −b
2
1
λ
2
.
Uvažujme najprv prípad δ ,= 0, ktorý zodpovedá tomu, že obe vlastné hodnoty sú nenu-
lové. Ak δ > 0 znamená to, že vlastné hodnoty majú rovnaké znamienka, ak δ < 0 tak majú
opačné znamienka.
Ak majú vlastné hodnoty rovnaké znamienka, tak dostávame buď prázdnu množinu – ak
aj d

má rovnaké znamienko ako vlastné hodnoty – alebo elipsu, ak má opačné znamienko.
Ak ∆ = 0, znamená to, že d

= 0, čiže ide o jednobodovú množinu.
Nech teraz δ < 0, čiže vlastné hodnoty majú rôzne znamienka. Pre d

,= 0 (čiže ∆ ,= 0)
dostaneme hyperbolu. Ak je d

nulové, je to dvojica pretínajúcich sa priamok.
Zostáva nám prípad, že niektorá z vlastných hodnôt je nulová, podobne ako doteraz
budeme predpokladať, že je to λ
1
. Potom ak b
1
je nenulové, ide o parabolu. To zodpovedá
tomu, že ∆ ,= 0. V opačnom prípade ide o dvojicu rovnobežných priamok (prípadne jedinú
priamku, ak d

= 0).
δ > 0 ∆ ,= 0 elipsa alebo prázdna množina
δ > 0 ∆ = 0 jediný bod
δ < 0 ∆ ,= 0 hyperbola
δ < 0 ∆ = 0 pretínajúce sa priamky
δ = 0 ∆ ,= 0 parabola
δ = 0 ∆ = 0 rovnobežné priamky
Kužeľosečky
Krivky, ktoré takýmto spôsobom dostaneme sa zvyknú nazývať kužeľosečky. Vieme ich totiž
dostať ako prienik kužeľa s vhodnou rovinou. (Dvojicu rovnobežných priamok vieme dostať
ako prienik valca s vhodnou rovinou.) Na prvý pohľad vidno, že ak vezmeme kužeľ z
2
= x
2
+y
2
a rovinu ax+by+cz = d, a ak napríklad koeficient c je nenulový, tak môžeme z druhej rovnice
vyjadriť z =
d−ax−by
c
a dosadiť do prvej, očividne tak dostaneme rovnicu druhého stupňa.
Pokúsme sa vyjadriť kužeľosečku v súradniciach určených danou rovinou. Naša rovina
nech je daná rovnicou
(x
1
, x
2
, x
3
) = (b
1
, b
2
, b
3
) +t(u
1
, u
2
, u
3
) +s(v
1
, v
2
, v
3
).
50
KAPITOLA 3. PODOBNOSŤ MATÍC 51
Vhodné bude predpokladať, že vektory u = (u
1
, u
2
, u
3
) a v = (v
1
, v
2
, v
3
) sú na seba kolmé.
(Takto vyjadríme hľadanú krivku v pravouhlej súradnicovej sústave.) Vyrátajme jej priesečník
s kužeľom x
2
3
= x
2
1
+x
2
2
. Po dosadení za x
1
, x
2
a x
3
do rovnice kužeľa dostaneme
(b
3
+tu
3
+su
3
)
2
−(b
1
+tu
1
+su
1
)
2
−(b
2
+tu
2
+su
2
)
2
= 0
a po úprave
(u
2
3
−u
2
1
−u
2
2
)t
2
+ 2(u
3
v
3
−u
1
v
1
−u
2
v
2
)st + (v
2
3
−v
2
1
−v
2
2
)s
2
+
2(b
3
u
3
−b
1
u
1
−b
2
u
2
)t + 2(b
3
v
3
−b
1
v
1
−b
2
v
2
)s + (b
2
3
−b
2
1
−b
2
1
) = 0
Ak s a t chápeme ako súradnice, vidíme, že ide skutočne o krivku druhého stupňa. Pokúsme
sa vyrátať aspoň δ – tento invariant určuje typ krivky.
¸
¸
¸
u
2
3
−u
2
1
−u
2
2
u
3
v
3
−u
1
v
1
−u
2
v
2
u
3
v
3
−u
1
v
1
−u
2
v
2
v
2
3
−v
2
1
−v
2
2
¸
¸
¸ = (u
2
3
−u
2
1
−u
2
2
)(v
2
3
−v
2
1
−v
2
2
) −(u
3
v
3
−u
1
v
1
−u
2
v
2
)
2
=
= u
2
1
v
2
1
+u
2
2
v
2
2
+u
2
3
v
2
3
+u
2
1
v
2
2
+u
2
2
v
2
1
−u
2
1
v
2
3
−u
2
3
v
2
1
−u
2
2
v
2
3
−u
2
3
v
2
2
−u
2
1
v
2
1
−u
2
2
v
2
2
−u
2
3
v
2
3
−2u
1
u
2
v
1
v
2
+ 2u
1
u
3
v
1
v
3
+ 2u
2
u
3
v
2
v
3
=
= u
2
1
v
2
2
+u
2
2
v
2
1
−2u
1
u
2
v
1
v
2
−u
2
1
v
2
3
−u
2
3
v
2
1
+ 2u
1
u
3
v
1
v
3
−u
2
2
v
2
3
−u
2
3
v
2
2
+ 2u
2
u
3
v
2
v
3
=
= (u
1
v
2
−u
2
v
1
)
2
−(u
1
v
3
−u
3
v
1
)
2
−(u
2
v
3
−u
3
v
2
)
2
Ak smerové vektory roviny sú (u
1
, u
2
, u
3
) a (v
1
, v
2
, v
3
), tak jej normálový vektor je
(n
1
, n
2
, n
3
) = (u
1
, u
2
, u
3
) (v
1
, v
2
, v
3
) = (u
2
v
3
−u
3
v
2
, u
3
v
1
−u
1
v
3
, u
1
v
2
−u
2
v
1
).
Dostali sme teda
δ = n
2
3
−n
2
1
−n
2
2
.
Elipsu dostaneme v prípade, že δ > 0, čo zodpovedá tomu, že normálový vektor smeruje
do vnútra uvažovaného kužeľa. Aby sme dostali parabolu, musí platiť δ = 0, t.j. normálový
vektor patrí uvažovanému kužeľu. Vzhľadom k tomu, že sme zobrali kužeľ s rovnicou x
2
3
=
x
2
1
+ x
2
2
, je to ekvivalentné s tým, že rovina je rovnobežná s niektorou priamkou ležiacou
na povrchu kužeľa. Zostávajúci prípad δ < 0 zodpovedá tomu, že normálový vektor smeruje
mimo daný kužeľ.
Pokúsme sa pozrieť na to, či by sme niečo podobné dostali aj keby sme rátali s ľubovoľným
kužeľom. Kužeľ, ktorý má os orientovanú v smere vektora (0, 0, 1) a vrchol v počiatku súrad-
nicovej sústavy bude mať rovnicu x
2
1
+ x
2
2
−ax
2
3
= 0, kde a > 0 je nejaká kladná konštanta.
Túto rovnicu môžeme prepísať v tvare xKx
T
= 0 pre
K =
_
1 0 0
0 1 0
0 0 −a
_
.
Táto matica je diagonálna, čo znamená, že je symetrická a tiež, že ľahko vieme vyrátať
inverznú maticu K
−1
=
_
1 0 0
0 1 0
0 0 −
1
a
_
.
Zapíšme rovnicu roviny ako x = x
0
+ us + vt, pričom predpokladáme, že u, v majú
jednotkovú veľkosť a sú na seba kolmé. Po dosadení do rovnice xKx
T
= 0 dostaneme
uOu
T
t
2
+(uKv
T
+vKu)
T
st +vKv
T
s
2
+ = 0. (Chceme vyrátať δ, čiže nás zaujímajú len
členy, ktoré sú stupňa 2.) Máme teda
δ =
¸
¸
¸
uKu
T
uKv
T
vKu
T
vKv
T
¸
¸
¸ .
51
52 Krivky druhého rádu
Na vyjadrenie tohoto determinantu nám pomôže, keď si všimneme
_
u
v
nK
−1
_
K ( u
T
v
T
K
−1
n
T
) =
_
uKu
T
uKv
T
0
vKu
T
vKv
T
0
0 0 nK
−1
n
T
_
.
Ak na obe strany rovnosti použijeme determinant, tak máme:
¸
¸
¸
u
v
nK
−1
¸
¸
¸
2
[K[ = δ.nK
−1
n
T
Súčasne si môžeme všimnúť, že nK
−1
n
T
= n
2
1
+n
2
2

1
a
n
2
3
, [K[ = −a a
¸
¸
¸
u
v
nK
−1
¸
¸
¸ =
¸
¸
¸
u
1
u
2
u
3
v
1
v
2
v
3
n
1
n
2
−n
3
¸
¸
¸ = n
2
1
+n
2
2

1
a
n
2
3
,
z čoho už dostaneme
δ = −a
_
n
2
1
+n
2
2

1
a
n
2
3
_
,
čiže znamienko δ je rovnaké ako znamienko výrazu n
2
1
+n
2
2

1
a
n
2
3
, ktorý určuje, akú polohu
má daná rovina vzhľadom ku kužeľu.
Maximálna a minimálna vlastná hodnota
Ešte sa pozrime na geometrický význam, ktorý má najväčšia a najmenšia vlastná hodnota
v prípade, že ide o elipsu. Uvažujme rovnicu už upravenú na diagonálny tvar
λ
1
x
2
1

2
x
2
2
= d.
Nech napríklad λ
1
≥ λ
2
. Pre jednoduchosť predpokladajme, že obe vlastné hodnoty sú kladné.
(V opačnom prípade by sme ich v predchádzajúcej rovnici nahradili ich absolútnymi hodno-
tami.)
Skúsme hľadať bod na elipse s najväčšou možnou vzdialenosťou od jej stredu. Máme
d = λ
1
x
2
1

2
x
2
2
≥ λ
2
(x
2
1
+x
2
2
)
x
2
1
+x
2
2

d
λ
2
Vidíme teda, že najväčšia možná hodnota, akú môže výraz x
2
1
+ x
2
2
nadobúdať, je
d
λ
2
. Táto
hodnota sa skutočne aj nadobúda pre x
1
= 0. Keďže táto rovnica je už v nových súradniciach,
znamená to, že bod z najväčšou vzdialenosťou od stredu leží v smere vlastného vektora
prislúchajúceho k λ
2
.
Všeobecne – vlastná hodnota s najmenšou absolútnou hodnotou a jej vlastný vektor
nám určujú najvzdialenejší bod elipsy od stredu, podobne ak vezmeme v absolútnej hodnote
najväčšiu vlastnú hodnotu a jej vlastný vektor, nádjeme tak najbližší bod. Vlastné vektory
a vlastné čísla nám teda udávajú hlavné osi tejto elipsy.
Maximum z absolútnych hodnôt vlastných hodnôt matice A sa zvykne nazývať spektrálny
polomer matice A. Je dôležitý napríklad z toho dôvodu, že – ako sme už spomínali – na
zistenie či nejaký mocninový rad obsahujúci matice konverguje je potrebné zistiť, či všetky
vlastné hodnoty sú menšie ako polomer konvergencie. Samozrejme, na to nám stačí skúmať
najväčšiu vlastnú hodnotu.
52
KAPITOLA 3. PODOBNOSŤ MATÍC 53
Cvičenia
Úloha 3.3.1. Dokážte, že ortogonálne matice typu nn tvoria s operáciou násobenia matíc
grupu.
3.4 Jordanov normálny tvar
Keď sme sa zaoberali kvadratickými formami a kongruenciou matíc, podarilo sa nám ukázať,
že každú maticu (kvadratickú formu) možno upraviť na diagonálny tvar. Tento diagonálny
tvar bol teda spoločným reprezentantom celej triedy kongruentných matíc.
Podobne aj pri podobnosti matíc sa dá z každej triedy vybrať „pekný reprezentant.
Ako sme však videli v predchádzajúcej kapitole, nie každá matica je podobná s diagonálnou.
Preto v tomto prípade matice reprezentujúce jednotlivé triedy vyzerajú o čosi komplikova-
nejšie. Ukážeme si jednu z možností výberu takéhoto reprezentant, ktorá sa nazýva Jordanov
normálny tvar matice.
Vetu o Jordanovom normálnom tvare uvedieme bez dôkazu. Jeden možný dôkaz, ktorý
využíva teóriu modulov (=isté zovšeobecnenie pojmu vektorového priestoru), sa môžete do-
zvedieť na predmete Vybrané kapitoly z algebry [G]. Dôkaz toho tvrdenia môžete nájsť aj
v [Z, Kapitola 20]. Iný dôkaz založený na teórii matíc (využíva okrem iného aj komplexnú
verziu Schurrovej vety) možno nájsť v [HJ, Theorem 3.1.11].
Definícia 3.4.1. Jordanov blok veľkosti k prislúchajúci číslu λ je matica typu k k tvaru
J
k
(λ) =
_
_
_
_
_
_
_
_
_
λ 1 0 . . . . . . 0
0 λ 1 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 λ 1 0
0 . . . . . . 0 λ 1
0 . . . . . . . . . 0 λ
_
_
_
_
_
_
_
_
_
Veta 3.4.2 (Jordanov normálny tvar). Pre každú maticu A nad C existuje blokovo diagonálna
matica J, ktorej diagonálne bloky sú Jordanove bloky taká, že A je podobná s maticou J.
A ∼
_
_
_
_
_
_
_
J
k
1

1
) 0 . . . . . . 0
0 J
k
2

2
) 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 J
k
j

j−1
) 0
0 . . . . . . 0 J
k
j

j
)
_
_
_
_
_
_
_
Matica J sa nazýva Jordanov normálny tvar matice A.
Navyše platí, že matica J je jednoznačne určená až na poradie Jordanových blokov na
diagonále.
Ďalej platí, že dve matice A a B sú podobné práve vtedy, keď majú rovnaký Jordanov tvar
(až na poradie Jordanových blokov).
Hodnoty λ
1
, . . . , λ
k
vystupujúce v predchádzajúcej vete sú vlastné hodnoty matice A.
V prípade, že je matica A diagonalizovateľná, všetky Jordanove bloky v jej Jordanovom
normálnom tvare majú veľkosť 1.
Vieme, že podobné matice majú rovnakú stopu i determinant. Keďže stopu a determinant
matice v Jordanovom normálnom tvare možno vypočítať veľmi jednoducho, vidíme, že stopa
53
54 Jordanov normálny tvar
matice je presne súčet jej vlastných hodnôt (vrátane násobnosti
3
) a determinant matice do-
staneme ako súčin jej vlastných hodnôt (vrátane násobnosti). To isté sme už vlastne odvodili
v dôkaze dôsledku 3.2.7 a poznámke za ním.
Keď už poznáme kanonický tvar z vety 3.4.2, na spôsob, ako ho nájsť, môžeme prísť veľmi
podobne ako pri hľadaní diagonálnej matice podobnej s danou maticou.
Pre jednoduchosť sa pozrime najprv na to, čo znamená, že daná matica je podobná
s Jordanovým blokom, t.j. existuje taká regulárna matica P, že platí PAP
−1
= J
n
(λ).
Predchádzajúcu rovnosť môžeme prepísať ako
PA = J
n
(λ)P
Označme riadky matice A ako α
1
, . . . , α
n
a prečítajme si tú istú maticovú rovnosť po riad-
koch.
_
_
_
_
_
_
_
α
1
α
2
.
.
.
α
n−1
α
n
_
_
_
_
_
_
_
A =
_
_
_
_
_
_
_
_
λ 1 0 . . . 0
0 λ 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 . . . 0 λ 1
0 . . . . . . 0 λ
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
α
1
α
2
.
.
.
α
n−1
α
n
_
_
_
_
_
_
_
(3.7)
_
_
_
_
_
_
_
α
1
A
α
2
A
.
.
.
α
n−1
A
α
n
A
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
λ α
1

2
λ α
2

3
.
.
.
λ α
n−1

n
λ α
n
_
_
_
_
_
_
_
(3.8)
Porovnaním týchto matíc vidíme, že musí platiť
α
n
A = λ α
n
.
To znamená, že λ je vlastná hodnota matice A a α
n
je vlastný vektor, ktorý k nej prislúcha.
Vlastné hodnoty a vlastné vektory už vieme hľadať – nájdeme korene charakteristického
polynómu [A−xI[ a pre ne potom riešime homogénnu sústavu určenú maticou (A−λI)
T
.
Predchádzajúci vektor má spĺňať rovnosť
α
n−1
A = λ α
n−1

n
alebo, ekvivalentne,
α
n−1
(A−λI) = α
n
.
Vektor α
n−1
teda môžeme nájsť riešením nehomogénnej sústavy rovníc
(A−λI)
T
α
T
n−1
= α
T
n
.
Podobne postupujeme ďalej – v každom kroku nájdeme nový vektor riešením sústavy
(A−λI)
T
α
T
j−1
= α
T
j
.
Ak nájdeme vektory spĺňajúce uvedené rovnosti, tak matica P skutočne spĺňa rovnosti
(3.8) a PAP
−1
= J
n
(λ). Navyše, ukázali sme, že aby pre maticu P tieto rovnosti platili, jej
riadky musia spĺňať všetky uvedené podmienky.
3
Rozumieme tým násobnosť vlastnej hodnoty ako koreňa charakteristického polynómu.
54
KAPITOLA 3. PODOBNOSŤ MATÍC 55
Na ten istý problém sa môžeme pozrieť ešte aj iným spôsobom. Vieme, že podobnosť matíc
znamená, že obe matice predstavujú pri rôznych bázach to isté zobrazenie. Čiže hľadáme bázu
α
1
, . . . , α
n
, pri ktorej má zobrazenie určené (pri štandardnej báze) maticou A maticu J
λ
(n).
To znamená špeciálne, že má platiť
α
n
A = λ α
n
α
n−1
A = λ α
n−1
+ α
n
.
.
.
α
1
= λ α
1
+ α
2
Dostali sme teda presne tie isté rovnice pre α
1
, . . . , α
n
.
Vo všeobecnosti môžeme mať Jordanových blokov viac, nie iba jeden ako v predchádzajú-
cej úvahe. Ukážme si na konkrétnom príklade, ako môžeme potom nájsť Jordanov normálny
tvar danej matice.
Príklad 3.4.3. Nájdime Jordanov normálny tvar pre maticu
A =
_
_
_
_
_
_
6 1 −3 2 5
−1 2 1 −3 0
1 0 1 3 0
−1 0 1 3 −2
−2 0 2 2 −2
_
_
_
_
_
_
Najprv chceme nájsť vlastné hodnoty. Vypočítajme charakteristický polynóm.
ch
A
(x) =
¸
¸
¸
¸
¸
6−x 1 −3 2 5
−1 2−x 1 −3 0
1 0 1−x 3 0
−1 0 1 3−x −2
−2 0 2 2 −2−x
¸
¸
¸
¸
¸
(1)
= (−1)
¸
¸
¸
¸
−1 1 −3 0
1 1−x 3 0
−1 1 3−x −2
−2 2 2 −2−x
¸
¸
¸
¸
+ (2 −x)
¸
¸
¸
¸
6−x −3 2 5
1 1−x 3 0
−1 1 3−x −2
−2 2 2 −2−x
¸
¸
¸
¸
¸
¸
¸
¸
−1 1 −3 0
1 1−x 3 0
−1 1 3−x −2
−2 2 2 −2−x
¸
¸
¸
¸
(2)
=
¸
¸
¸
¸
−1 1 −3 0
0 2−x 0 0
−1 1 3−x −2
−2 2 2 −2−x
¸
¸
¸
¸
= (2−x)
¸
¸
¸
−1 −3 0
−1 3−x −2
−2 2 −2−x
¸
¸
¸
(3)
= (2−x)
¸
¸
¸
−1 −3 0
0 6−x −2
0 8 −2−x
¸
¸
¸ =
= (x −2)
¸
¸
6−x −2
8 −2−x
¸
¸
= (x −2)(x
2
−4x −12 + 16) = (x −2)(x
2
−4x + 4) = (x −2)
3
¸
¸
¸
¸
6−x −3 2 5
1 1−x 3 0
−1 1 3−x −2
−2 2 2 −2−x
¸
¸
¸
¸
(4)
=
¸
¸
¸
¸
6−x −3 2 5
1 1−x 3 0
−1 1 3−x −2
0 0 2x−4 2−x
¸
¸
¸
¸
= (x−2)
¸
¸
¸
¸
6−x −3 2 5
1 1−x 3 0
−1 1 3−x −2
0 0 2 −1
¸
¸
¸
¸
(5)
= (x−2)
¸
¸
¸
¸
6−x −3 12 5
1 1−x 3 0
−1 1 −1−x −2
0 0 0 −1
¸
¸
¸
¸
=
= −(x −2)
¸
¸
¸
6−x −3 12
1 1−x 3
−1 1 −1−x
¸
¸
¸
(6)
= −(x −2)
¸
¸
¸
6−x −3 12
0 2−x 2−x
−1 1 −1−x
¸
¸
¸ = (x −2)
2
¸
¸
¸
6−x −3 12
0 1 1
−1 1 −1−x
¸
¸
¸ =
(7)
= (x−2)
2
¸
¸
¸
6−x 0 15
0 1 1
−1 0 −2−x
¸
¸
¸
(8)
= (x−2)
2
¸
¸
6−x 15
−1 −2−x
¸
¸
= (x−2)
2
(x
2
−4x−12+15) = (x−2)
2
(x
2
−4x+3)
Použité úpravy:
(1) Rozvoj podľa druhého stĺpca
(2) Pripočítanie prvého riadku k druhému
(3) Od ostatných riadkov sme odčítali vhodný násobok prvého
(4) Odpočítanie dvojnásobku tretieho riadku od posledného
(5) Pripočítanie dvojnásobku posledného stĺpca k tretiemu
(6) Pripočítanie tretieho riadku k druhému
(7) Rozvoj podľa druhého stĺpca
55
56 Jordanov normálny tvar
Pomocou týchto čiastkových výpočtov už môžeme zrátať charakteristický polynóm.
ch
A
(x) = −(x −2)
3
−(x −2)(x −2)
2
(x
2
−4x + 3) = −(x −2)
3
(x
2
−4x + 3) = −(x −2)
5
Jediný koreň charakteristického polynómu (a jediná vlastná hodnota) je teda číslo 2.
Teraz nájdeme k tejto vlastnej hodnote vlastné vektory. Riešime sústavu danú maticou
(A−2I)
T
.
_
4 −1 1 −1 −2
1 0 0 0 0
−3 1 −1 1 2
2 −3 3 1 2
5 0 0 −2 −4
_

_
1 0 0 0 0
0 −1 1 −1 −2
0 1 −1 1 2
0 −3 3 1 2
0 0 0 −2 −4
_

_
1 0 0 0 0
0 −1 1 −1 −2
0 1 −1 1 2
0 −3 3 1 2
0 0 0 1 2
_

_
1 0 0 0 0
0 −1 1 0 0
0 1 −1 0 0
0 −3 3 0 0
0 0 0 1 2
_

_
1 0 0 0 0
0 1 −1 0 0
0 0 0 1 2
0 0 0 0 0
0 0 0 0 0
_
Podpriestor riešení tejto sústavy je [(0, 1, 1, 0, 0), (0, 0, 0, 2, −1)]. Ľahko overíme, že tieto
vektory sú skutočne vlastné vektory prislúchajúce k vlastnej hodnote 2. Podobne je vlastným
vektorom aj každá ich lineárna kombinácia a(0, 1, 1, 0, 0) +b(0, 0, 0, 2, −1).
Keďže množina vlastných vektorov je dvojrozmerná, pre maticu A sa dajú nájsť 2 lineárne
nezávislé vlastné vektory. Znamená to, že jej Jordanov normálny tvar bude mať 2 Jordanove
bloky.
Teraz budeme riešiť rovnicu zadanú maticou (A−2I)
T
, v ktorej pravú stranu tvoria práve
vypočítané vlastné vektory.
_
_
_
4 −1 1 −1 −2 | 0
1 0 0 0 0 | a
−3 1 −1 1 2 | a
2 −3 3 1 2 | 2b
5 0 0 −2 −4 | −b
_
_
_ ∼
_
_
_
1 0 0 0 0 | a
4 −1 1 −1 −2 | 0
−3 1 −1 1 2 | a
2 −3 3 1 2 | 2b
5 0 0 −2 −4 | −b
_
_
_ ∼
_
_
_
1 0 0 0 0 | a
0 −1 1 −1 −2 | −4a
0 1 −1 1 2 | 4a
0 −3 3 1 2 | −2a+2b
0 0 0 −2 −4 | −5a−b
_
_
_ ∼
_
_
_
1 0 0 0 0 | a
0 −1 1 −1 −2 | −4a
0 1 −1 1 2 | 4a
0 −3 3 1 2 | −2a+2b
0 0 0 1 2 |
5
2
a+
1
2
b
_
_
_ ∼
_
_
_
1 0 0 0 0 | a
0 −1 1 | −
3
2
a+
1
2
b
0 1 −1 0 0 |
3
2
a−
1
2
b
0 −3 3 0 0 | −
9
2
a+
3
2
b
0 0 0 1 2 |
5
2
a+
1
2
b
_
_
_ ∼
_
1 0 0 0 0 | a
0 1 −1 0 0 |
3
2
a−
1
2
b
0 0 0 1 2 |
5
2
a+
1
2
b
_
Našli sme riešenie a(1,
3
2
, 0,
5
2
, 0)+b(0, −
1
2
, 0,
1
2
, 0) pre vlastný a(0, 1, 1, 0, 0)+b(0, 0, 0, 2, −1).
Keďže sme našli riešenie pre každý vlastný vektor, oba Jordanove bloky musia mať veľkosť
aspoň 2. Vzhľadom k tomu, že súčet ich veľkostí je 5, musia to byť bloky veľkosti 2 a 3. To
znamená, že už vieme, ako vyzerá Jordanov normálny tvar našej matice, pokúsime sa však
ešte dopočítať aj maticu prechodu.
Opäť riešime sústavu danú tou istou maticou, pričom za pravú stranu vezmeme ľubovoľný
vektor tvaru a(1,
3
2
, 0,
5
2
, 0) +b(0, −
1
2
, 0,
1
2
, 0).
_
_
_
4 −1 1 −1 −2 | a
1 0 0 0 0 |
3
2
a−
1
2
b
−3 1 −1 1 2 | 0
2 −3 3 1 2 |
5
2
a+
1
2
b
5 0 0 −2 −4 | 0
_
_
_ ∼
_
_
_
1 0 0 0 0 |
3
2
a−
1
2
b
4 −1 1 −1 −2 | a
−3 1 −1 1 2 | 0
2 −3 3 1 2 |
5
2
a+
1
2
b
5 0 0 −2 −4 | 0
_
_
_ ∼
_
_
_
1 0 0 0 0 |
3
2
a−
1
2
b
0 −1 1 −1 −2 | −5a+2b
0 1 −1 1 2 |
9
2
a−
3
2
b
0 −3 3 1 2 | −
1
2
a+
3
2
b
0 0 0 −2 −4 | −
15
2
a+
5
2
b
_
_
_ ∼
_
_
_
1 0 0 0 0 |
3
2
a−
1
2
b
0 −1 1 −1 −2 | −5a+2b
0 1 −1 1 2 |
9
2
a−
3
2
b
0 −3 3 1 2 | −
1
2
a+
3
2
b
0 0 0 1 2 |
15
4
a−
5
4
b
_
_
_ ∼
_
_
_
_
1 0 0 0 0 |
3
2
a−
1
2
b
0 −1 1 0 0 | −
5
4
a+
3
4
b
0 1 −1 0 0 |
3
4
a−
1
4
b
0 −3 3 0 0 | −
17
4
a+
11
4
b
0 0 0 1 2 |
15
4
a−
5
4
b
_
_
_
_
Aby predchádzajúca sústava mala riešenie, musí platiť −
5
4
a+
3
4
b = −
3
4
a+
1
4
b (dostaneme
to porovnaním druhého a tretieho riadku). Z toho dostaneme a = b. Tým prejde sústava na
tvar
_
_
_
1 0 0 0 0 | a
0 −1 1 0 0 | −
a
2
0 1 −1 0 0 |
a
2
0 −3 3 0 0 | −
3
2
a
0 0 0 1 2 |
5
2
a
_
_
_ ∼
_
1 0 0 0 0 | a
0 1 −1 0 0 |
a
2
0 0 0 1 2 |
5
2
a
_
Ako jedno z možných riešení dostaneme a(1,
1
2
, 0,
5
2
, 0). Pri voľbe a = 1 máme
α
1
= (1,
1
2
, 0,
5
2
, 0)
α
2
= α
1
(A−2I) = (1, 1, 0, 3, 0)
56
KAPITOLA 3. PODOBNOSŤ MATÍC 57
α
3
= α
2
(A−2I) = (0, 1, 1, 2, −1)
Dostali sme presne vlastný vektor zodpovedajúci hodnotám a = b = 1. Tieto 3 vektory
určujú jeden Jordanov blok. Aby sme dostali druhý, potrebujeme použiť nejaký vlastný vektor
lineárne nezávislý od (0, 1, 1, 2, −1). Môžeme zvoliť napríklad a = 1, b = 0:
α
4
= (1,
3
2
, 0,
5
2
, 0)
α
5
= α
4
(A−2I) = (0, 1, 1, 0, 0)
Dostali sme teda
P =
_
_
_
_
_
_
1
1
2
0
5
2
0
1 1 0 3 0
0 1 1 2 −1
1
3
2
0
5
2
0
0 1 1 0 0
_
_
_
_
_
_
J =
_
_
_
_
_
_
2 1 0 0 0
0 2 1 0 0
0 0 2 0 0
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
Pre tieto matice skutočne platí
J = PAP
−1
.
Vlastné vektory sú určené rovnosťou α(A−2I) =

0 Všimnime si, že pre ostatné vektory,
ktoré sme dostali platí α
2
(A − 2I)
2
= α
4
(A − 2I)
2
=

0 a α
1
(A − 2I)
3
=

0. Vektory, ktoré
vyhovujú rovnici α(A − λI)
n
pre nejaké n ∈ N a λ ∈ C, sa nazývajú zovšeobecnené vlastné
vektory.
Cvičenia
Úloha 3.4.1. Nájdite Jordanov normálny tvar J matice A a regulárnu maticu P takú, že
platí PAP
−1
= J.
a) A =
_
0 0 1
1 3 −3
0 1 0
_
b) A =
_
0 1 0
0 3 1
1 −3 0
_
c) A =
_
1 −1 −1 1
0 0 −1 1
−2 −2 −1 4
−1 −2 −2 4
_
d) A =
_
0 2 2
−1 3 1
−1 1 3
_
e) A =
_
2 0 −1
−1 2 1
2 −1 −1
_
[a) ch
A
(x) = −(x − 1)
3
, J =
_
1 1 0
0 1 1
0 0 1
_
; b) ch
A
(x) = −(x − 1)
3
, jediný vlastný vektor
(1, 1, 1), J =
_
1 1 0
0 1 1
0 0 1
_
; c) ch
A
(x) = −(x − 1)
4
, vlastné vektory [(−1, 1, 0, 0), (−2, 0, −1, 2)],
J =
_
1 0 0 0
0 1 1 0
0 0 1 1
0 0 0 1
_
; d) ch
A
(x) = −(x − 2)
3
, vlastné vektory [(1, 0, −2), (0, 1, −1)], J =
_
2 1 0
0 2 0
0 0 2
_
;
e) ch
A
(x) = −(x −1)
3
, vlastné vektory [(1, −1, −1)], J =
_
1 1 0
0 1 1
0 0 1
_
]
Úloha 3.4.2. Nájdite Jordanov normálny tvar daných matíc.
_
0 1 0
−4 4 0
−2 1 2
_ _
2 6 −15
1 1 −5
1 2 −6
_ _
9 −6 −2
18 −12 −3
18 −9 −6
_ _
4 −5 2
5 −7 3
6 −9 4
_ _
1 −3 3
−2 −6 13
−1 −4 8
_ _
7 −12 6
10 −19 10
12 −24 13
_ _
t 0 0
0 t 0
t 0 t
_
pre t ,= 0
Riešenia:
_
2 0 0
0 2 1
0 0 2
_ _
−1 0 0
0 −1 1
0 0 −1
_ _
−3 0 0
0 −3 1
0 0 −3
_ _
1 0 0
0 0 1
0 0 0
_ _
1 1 0
0 1 1
0 0 1
_ _
1 0 0
0 1 0
0 0 −1
_ _
1 0 0
0 t 1
0 0 t
_
Úloha 3.4.3. Nájdite Jordanov normálny tvar daných matíc.
_
1 −3 0 3
−2 −6 0 13
0 −3 1 3
−1 −4 0 8
_ _
3 −1 0 0
1 1 0 0
3 0 5 −3
4 −1 3 −1
_ _
3 −4 0 2
4 −5 −2 4
0 0 3 −2
0 0 2 −1
_ _
3 −1 1 −7
9 −3 −7 −1
0 0 4 −8
0 0 2 −4
_
Riešenia
_
1 0 0 0
0 1 1 0
0 0 1 1
0 0 0 1
_ _
2 1 0 0
0 2 0 0
0 0 2 1
0 0 0 2
_ _
1 1 0 0
0 1 0 0
0 0 −1 1
0 0 0 −1
_ _
0 1 0 0
0 0 0 0
0 0 0 1
0 0 0 0
_
57
58 Aplikácie podobnosti a Jordanovho normálneho tvaru
Úloha 3.4.4. Nájdite charakteristický polynóm a Jordanov tvar matice Nájdite aj príslušnú
maticu prechodu a zapíšte príslušnú maticovú rovnosť.
_
−3 0 4
3 −1 −5
−2 0 3
_ _
1 4 −3
0 −3 1
0 −4 1
_ _
−2 −5 3
1 0 −1
0 −4 1
_
3.5 Aplikácie podobnosti a Jordanovho normálneho tvaru
3.5.1 Lineárne rekurencie
Pomocou Jordanovho normálneho tvaru sa dá odvodiť riešenie lineárnych rekurentných rov-
níc. My sa pre jednoduchosť obmedzíme na rekurencie druhého rádu.
Pod lineárnou rekurenciou druhého rádu rozumieme predpis
A
n+1
= aA
n
+bA
n−1
, (3.9)
kde a, b ∈ C. Je zrejmé, že ak nejaká postupnosť (A
n
)

n=1
vyhovuje rovnici (3.9) pre všetky
n ∈ N a ak poznáme jej počiatočné hodnoty A
0
a A
1
, tak tým je už postupnosť (A
n
)

n=1
jednoznačne určená.
Základom pre to, aby sme mohli aplikovať naše poznatky o podobnosti matíc na lineárne
rekurencie je uvedomiť si, že s rovnosťou (3.9) je ekvivalentný nasledovný maticový zápis
_
A
n+1
A
n
_
=
_
a b
1 0
__
A
n
A
n−1
_
(3.10)
Charakteristický polynóm tejto matice je
ch
A
(x) =
¸
¸
¸
¸
a −x b
1 −x
¸
¸
¸
¸
= x(x −a) −b = x
2
−ax −b.
Vlastné hodnoty sú riešenia rovnice ch
A
(x) = 0. Táto rovnica sa zvykne nazývať charakte-
ristická rovnica rekurencie (3.9).
Pre vlastné hodnoty λ
1,2
matice A =
_
a b
1 0
_
teda platí
λ
1

2
= a
λ
1
λ
2
= −b
(3.11)
Z rovnosti (3.10) dostaneme postupne
_
A
n+1
A
n
_
= A
_
A
n
A
n−1
_
= A
2
_
A
n−1
A
n−2
_
= = A
n
_
A
1
A
0
_
(3.12)
Ak poznáme Jordanov tvar matice A, t.j. ak platí A = P
−1
JP, tak túto rovnosť vieme
prepísať ako
_
A
n+1
A
n
_
= A
n
_
A
1
A
0
_
= P
−1
J
n
P
_
A
1
A
0
_
.
Na ďalšie výpočty potrebujeme vedieť ako vyzerajú mocniny matice v Jordanovom nor-
málnom tvare. V prípade, že J je diagonálna matica, jednoducho umocníme prvky na diago-
nále. Pre matice 2 2 máme.
J =
_
λ
1
0
0 λ
2
_
⇒ J
n
=
_
λ
n
1
0
0 λ
n
2
.
_
58
KAPITOLA 3. PODOBNOSŤ MATÍC 59
Vo všeobecnosti nám stačí umocňovať Jordanove bloky. V prípade matice 22 je situácia
pomerne jednoduchá:
J =
_
λ 1
0 λ
_
J
2
=
_
λ
2

0 λ
2
_
. . . J
n
=
_
λ
n

n−1
0 λ
n
_
Keďže pracujeme iba s rekurenciami druhého stupňa, vystačíme s maticami 2 2. Mô-
žete si ale skúsiť rozmyslieť, že podobne to bude fungovať aj pre Jordanove bloky väč-
ších rozmerov, t.j. k-ta mocnina Jordanovho bloku obsahuje (počnúc od diagonály) prvky
λ
k
, kλ
k
,
_
k
2
_
λ
k−1
, . . .
Pozrime sa teraz nato, čo z predchádzajúcich rovností dostaneme pre rekurentné postup-
nosti.
V prípade, že Jordanov tvar je diagonálny, máme
_
A
n+1
A
n
_
=
_
p

11
p

12
p

21
p

22
__
λ
n
1
0
0 λ
n
2
.
__
p
11
p
12
p
21
p
22
__
A
1
A
0
_
=
_
p

11
p

12
p

21
p

22
__
λ
n
1
0
0 λ
n
2
.
__
a

1
a

0
_
=
=
_
p

11
p

12
p

21
p

22
__
a

1
λ
n
1
a

0
λ
n
2
.
_
=
_
p

11
a

1
λ
n
1
+p

12
a

0
λ
n
2
p

21
a

1
λ
n
1
+p

22
a

0
λ
n
2
_
Ak porovnáme druhý riadok, vyšlo nám, že
A
n
= c
1
λ
n
1
+c
2
λ
n
2
.
Na vyrátanie konštánt c
1,2
môžeme použiť to, že poznáme iniciálne hodnoty A
0,1
.
Pozrime sa na prípad, že matica A nie je diagonalizovateľná. Jej Jordanov tvar potom
obsahuje jediný Jordanov blok veľkosti 2. Vlastné hodnoty sú rovnaké, ich spoločnú hodnotu
označme λ. Potom máme
_
A
n+1
A
n
_
=
_
p

11
p

12
p

21
p

22
__
λ
n

n−1
0 λ
n
.
__
p
11
p
12
p
21
p
22
__
A
1
A
0
_
=
_
p

11
p

12
p

21
p

22
__
λ
n

n−1
0 λ
n
.
__
a

1
a

0
_
=
=
_
p

11
p

12
p

21
p

22
__
a

1
λ
n
+a

0

n−1
a

0
λ
n
.
_
=
_
(p

11
a

1
+p

12
a

0

n
+p

11

n−1
(p

21
a

1
+p

22
a

0

n
+p

21

n−1
_
Zistili sme, že
A
n
= c
1
λ
n
+c
2

n−1
.
Opäť, konštanty c
1,2
môžeme vyrátať z počiatočných podmienok.
Podobným spôsobom sa dá odvodiť aj všeobecný vzťah pre lineárne rekurencie k-tého
stupňa
A
n+k−1
= c
n+k−2
A
n+k−2
+ +c
n−1
A
n−1
.
Opäť, riešenie môžeme nájsť ako lineárnu kombináciu geometrických postupností určených
koreňmi charakteristickej rovnice, v prípade, že je niektorý koreň viacnásobný, treba brať do
úvahy okrem geometrickej postupnosti λ
n
aj postupnosti nλ
n−1
, n
2
λ
n−2
, . . . (toľko z nich,
koľko je násobnosť príslušného koreňa).
Viac o riešeniach lineárnych rekurenciách ako aj dôkaz vety o tvare riešení založený práve
na použití Jordanovho normálneho tvaru môžete nájsť napríklad v [LPV]. Iný dôkaz môžete
nájsť v [W].
Príklad 3.5.1. Nájdime vyjadrenie n-tého člena Fibonacciho postupnosti určenej predpisom
F
n+1
= F
n
+F
n−1
(3.13)
59
60 Aplikácie podobnosti a Jordanovho normálneho tvaru
a počiatočnými hodnotami
F
0
= 0, F
1
= 0.
Maticový zápis rovnice (3.13) je
_
F
n+1
F
n
_
=
_
1 1
1 0
__
F
n
F
n−1
_
(3.14)
Charakteristická rovnica je x
2
−x −1 = 0 a jej korene sú
λ
1,2
=
1 ±

5
2
.
Na základe Viétových vzťahov pre ne platí
λ
1

2
= 1,
λ
1
λ
2
= −1.
Vlastné vektory pre vlastnú hodnotu λ
1
nájdeme riešením sústavy s maticou
_
1 −λ
1
1
1 −λ
1
_
=
_
λ
2
1
1 −λ
1
_
Vidíme, že obom rovniciam vyhovuje napríklad vektor (1, −λ
2
).
Podobne vlastným vektorom pre vlastnú hodnotu λ
2
je (1, −λ
1
). Teda pre maticu
P =
_
1 −λ
2
1 −λ
1
_
platí PAP
−1
= diag(λ
1
, λ
2
).
Inverzná matica k matici P je
P
−1
=
1
λ
2
−λ
1
_
−λ
1
λ
2
−1 1
_
Dosadením do (3.12) potom dostaneme
_
F
n+1
F
n
_
= P
−1
_
λ
n
1
0
0 λ
n
2
_
P
_
F
1
F
0
_
=
1
λ
2
−λ
2
_
−λ
n+1
1
λ
n+1
2
−λ
n
1
λ
n
2
__
1
1
_
=
1
λ
2
−λ
2
_
λ
n+1
2
−λ
n+1
1
λ
n
2
−λ
n
1
_
Na základe porovnania spodného riadku na ľavej a pravej strane predchádzajúcej rovnosti
vidno, že
F
n
=
λ
n
2
−λ
n
1
λ
2
−λ
1
,
Ak dosadíme λ
2
=
1+

5
2
a λ
1
=
1−

5
2
, tak máme
F
n
=
_
1+

5
2
_
n

_
1−

5
2
_
n

5
Maticové rovnosti (3.10) a (3.14) nám môžu pomôcť nielen odvodiť vzorec pre n-tý člen
postupnosti ale aj na odvodenie niektorých vzťahov platných pre rekurentné postupnosti.
Ako jednoduchý príklad si môžeme ukázať odvodenie vzorca pre súčet prvých n členov Fi-
bonacciho postupnosti.
Viac o využití matíc pri odvodzovaní rôznych identít platných pre členy Fibonacciho
postupnosti (prípadne aj všeobecnejšie pre lineárne rekurencie druhého stupňa) sa môžete
dočítať napríklad v [J, Š].
60
KAPITOLA 3. PODOBNOSŤ MATÍC 61
Príklad 3.5.2. Využijeme rovnosti
_
F
n+1
F
n
_
= A
n−1
_
F
2
F
1
_
,
_
F
n
F
n−1
_
= A
n−2
_
F
2
F
1
_
,
.
.
.
_
F
2
F
1
_
= I
_
F
2
F
1
_
.
Ich sčítaním dostaneme
_
F
2
+ +F
n+1
F
1
+ +F
n
_
= (I +A+ +A
n−1
)
_
F
2
F
1
_
.
Všimnime si, že platí
(A−I)(I +A+ +A
n−1
) = A
n
−I,
a teda
I +A+ +A
n−1
= (A−I)
−1
(A
n
−I).
Ľahko vypočítame, že
(A−I)
−1
=
_
0 1
1 −1
_
−1
=
_
1 1
1 0
_
= A.
(Tento fakt sme mohli spozorovať aj z charakteristickej rovnice. Podľa Cayley-Hamiltonovej
vety 3.2.13 totiž musí platiť ch
A
(A) = A
2
− A − I = 0, z čoho dostaneme A(A − I) = I a
(A−I)
−1
= A.)
Máme teda
_
F
2
+ +F
n+1
F
1
+ +F
n
_
= (A−I)
−1
(A
n
−I)
_
F
2
F
1
_
=
_
1 1
1 0
__
F
n+2
−1
F
n+1
−1
_
=
_
F
n+3
−1
F
n+2
−1
_
.
Vypočítali sme teda, že
n

k=1
F
k
= F
n+2
−1.
Poznamenajme, že identitu odvodenú v predchádzajúcom príklade by sme mohli ľahko
overiť indukciou. Za výhodu uvedeného prístupu možno považovať to, že takto sme boli
schopný tento vzorec objaviť – pri dôkaze indukciou musíme najprv uhádnuť ako vzorec
vyzerá. (Táto výhoda je možno zjavnejšia pri odvodzovaní niektorých komplikovanejších rov-
ností; my sme sa uspokojili s týmto veľmi jednoduchým príkladom.)
Cvičenia
Úloha 3.5.1. Nájdite predpis pre n-tý člen danej rekurentnej postupnosti:
a) a
n
= 5a
n−1
−6a
n−2
, pričom a
0
= 4 a a
1
= 7;
b) a
n
= a
n−1
+ 2a
n−2
, pričom a
0
= 4 a a
1
= 5;
c) a
n
= 6a
n−1
−9a
n−2
, pričom a
0
= 2 a a
1
= 3;
d) a
n
= 2a
n−1
−2a
n−2
, pričom a
0
= a
1
= 2.
[Výsledky: a) 5.2
n
−3
n
; b) 3.2
n
+ (−1)
n
; c) 2.3
n
−n.3
n
d) (1 +i)
n
+ (1 −i)
n
.]
61
62 Aplikácie podobnosti a Jordanovho normálneho tvaru
Viaceré cvičenia v tejto časti sú zamerané na dôkaz niektorých identít týkajúcich sa
Fibonacciho čísel pomocou matíc. Pre mnohé z nich sa dajú dokázať podobné výsledky aj
pre ľubovoľné rekurentné postupnosti druhého rádu. Na porovnanie obtiažnosti si môžete
niektoré z nich skúsiť dokázať aj matematickou indukciou, dosadením vzorca pre n-tý člen
alebo inými spôsobmi.
Úloha 3.5.2. Ukážte, že pre maticu A = (
1 1
1 0
) a pre n ∈ N platí A
n
=
_
F
n+1
F
n
F
n
F
n−1
_
.
Na základe toho ukážte, že:
a) F
n+1
F
n−1
−F
2
n
= (−1)
n
(Cassiniho identita)
b) F
m+n
= F
m
F
n+1
+F
m−1
F
n
(konvolučná vlastnosť)
c) F
2n
= F
n
(F
n+1
+F
n−1
) a F
2n+1
= F
2
n+1
+F
2
n+2
.
Vedeli by ste pomocou výsledkov z časti c) navrhnúť efektívny algoritmus na výpočet
n-tého Fibonacciho čísla.
Úloha 3.5.3. Dokážte, že

n
k=0
F
2k+1
= F
2(n+1)
a

n
k=0
F
2k
= F
2n+1
−1.
Úloha 3.5.4. Ukážte, že

n
k=0
F
2
k
= F
n
F
n+1
. (Hint k maticovému odvodeniu: Čomu sa
rovná (A
k
)
2
? Iná možnosť: Použiť nejako úlohu 3.5.2c).)
Úloha 3.5.5. Ukážte, že F
2n
=

n
k=0
_
n
k
_
F
k
. (Hint k maticovému odvodeniu: Skúste využiť
rovnosť A
2
= I +A.)
Úloha 3.5.6. Nájdite vzorec pre F
j+k+l
a pre F
3n
.
V zostávajúcich úlohách budeme používať aj iné postupy ako použitie matíc. Cieľom je
ukázať niektoré zaujímavé vlastnosti Fibonacciho postupnosti.
Úloha 3.5.7. a) Vyjadrite F
n+3
a F
n
pomocou F
n+1
a F
n+2
.
b) Ukážte, že F
2
n+2
−F
2
n+1
= F
n
F
n+3
platí pre ľubovoľné n ∈ N.
Úloha 3.5.8. Lucasova postupnosť je postupnosť určená predpisom L
n+1
= L
n
+ L
n−1
a
podmienkami L
0
= 2, L
1
= 1.
a) Nájdite vyjadrenie n-tého člena Lucasovej postupnosti.
b) Ukážte, že L
n
= F
n−1
+F
n+1
.
Úloha 3.5.9. Ukážte, že pre Fibonacciho postupnosť platí:
a) F
n
[ F
kn
,
b) (F
n
, F
n+1
) = 1,
c) (F
kn+r
, F
n
) = (F
r
, F
n
),
d) (F
m
, F
n
) = F
(m,n)
.
Koľko delení so zvyškom je potrebné vykonať, ak hľadáme (F
n
, F
n−1
) pomocou Eukli-
dovho algoritmu?
3.5.2 Sústavy lineárnych homogénnych diferenciálnych rovníc
V tejto časti sa budeme zaoberať sústavami lineárnych homogénnych diferenciálnych rovníc.
Pre jednoduchosť sa opäť obmedzíme na sústavy 2 rovníc. Sú to teda sústavy tvaru
x

(t) = ax(t) +by(t)
y

(t) = cx(t) +dy(t)
pričom a, b, c, d ∈ C sú konštanty, x(t), y(t) sú hľadané funkcie reálnej premennej a všetky
derivácie vystupujúce v sústave chápeme ako derivácie podľa t.
62
KAPITOLA 3. PODOBNOSŤ MATÍC 63
Stručnejšie budeme predchádzajúcu sústavu zapisovať ako
x

= ax +by
y

= cx +dy
(3.15)
Budeme využívať to, že vieme, že riešením diferenciálnej rovnice
u

= ku
pre dané k ∈ R je funkcia
u(t) = Ce
kt
,
pričom C = u(0). (Ľahko overíme, že táto funkcia danej rovnici skutočne vyhovuje. Akonáhle
je dané u(0), je tým už funkcia u jednoznačne určená.)
Pozrime sa najprv na nasledujúci jednoduchý príklad, kde sa dá uhádnuť ako môžeme
sústavu previesť na tvar, ktorý už vieme riešiť.
Príklad 3.5.3. Riešme sústavu
x

= x + 2y
y

= 2x +y
Upravme túto sústavu tak, že jednotlivé rovnice sčítame a odčítame. Dostaneme tak
rovnice
x

+y

= 3x + 3y
x

−y

= −x +y
čiže
(x +y)

= 3(x +y)
(x −y)

= −(x −y)
Z týchto 2 rovníc máme
x +y = c
1
e
3t
x −y = c
2
e
−t
a po vyjadrení x a y dostaneme riešenie
x = a
1
e
3t
+a
2
e
−t
y = a
1
e
3t
−a
2
e
−t
(Kvôli „krajšiemu zápisu sme zaviedli nové konštanty a
1,2
také, že c
1
= 2a
1
, c
2
= 2a
2
.)
Dosadením do pôvodnej rovnice sa ľahko presvedčíme, že je to skutočne riešenie pôvodnej
sústavy.
Opäť, podobne ako v prípade rekurencií, vieme sústavu (3.15) zapísať maticovo ako
(x

, y

) = (x, y)A (3.16)
pričom
A =
_
a c
b d
_
.
63
64 PageRank algoritmus
Všimnime si, čo sme vlastne v predchádzajúcom príklade urobili. Najprv sme zaviedli
nové funkcie u a v (zmena súradníc), pre ktoré sme sústavu vedeli riešiť, a potom sme
urobili opačnú zmenu súradníc, aby sme dostali riešenie pre pôvodné funkcie. To presne
zodpovedá podobnosti matíc – pri nej tiež robíme zmenu súradníc P a zmenu súradníc
opačným smerom P
−1
. Na tento problém sa teda možno pozerať tak, že hľadáme maticu
podobnú matici A, pričom chceme, aby táto matica (a tým pádom aj zodpovedajúca sústava)
boli čo najjednoduchšie. Vhodným kandidátom by mohol byť Jordanov normálny tvar.
Čo dostaneme ak maticu P prevedieme na Jordanov normálny tvar? Máme potom
(x

, y

) = (x, y)P
−1
JP
čiže
(x

, y

)P
−1
= (x, y)P
−1
J.
Uvažujme nové funkcie u(t) a v(t) určené ako
(u, v) = (x, y)P
−1
.
Z nich vieme vyrátať hľadané funkcie x a y a získali sme pre ne o čosi jednoduchšiu sústavu
(u

, v

) = (u, v)J.
Rozmyslime si aspoň najjednoduchší prípad, matica J je diagonálna a obe vlastné hodnoty
sú reálne čísla. Potom sústava, ktorej majú vyhovovať u a v je
u

= λ
1
u
v

= λ
2
v
a jej riešenie je
u = c
1
e
λ
1
t
v = c
2
e
λ
2
t
Riešenia pôvodnej sústavy dostaneme vynásobením sprava maticou P.
(x(t), y(t)) = (c
1
e
λ
1
t
, c
2
e
λ
2
t
)P
Keď riadky matice P (čo sú súčasne vlastné vektory matice A) označíme ako α
1
, α
2
, tak
predchádazjúca rovnosť znamená
(x(t), y(t)) = c
1
e
λ
1
t
α
1
+c
2
e
λ
2
t

λ
2
,
čiže riešenia pôvodnej sústavy sú lineárne kombinácie riešení e
λ
1
t
α
1
a e
λ
2
t
α
2
.
Viac o riešení sústav lineárnych diferenciálnych rovníc a tiež spôsob, akým sa riešia prí-
pady komplexných alebo viacnásobných vlastných hodnôt, možno nájsť napríklad v [GŠŠ].
3.6 PageRank algoritmus
V tejto časti chceme z hľadiska lineárnej algebry popísať PageRank algoritmus, ktorý sa dá
použiť na ohodnotenie dôležitosti webových stránok. Je dôležitý pri vyhľadávaní na zoradenie
výsledkov. Podrobnejšie o tejto téme sa môžete dozvedieť napríklad v článku [BL] alebo
v knihe [LM] (táto podkapitola spracovaná z týchto dvoch zdrojov a z [M]).
64
KAPITOLA 3. PODOBNOSŤ MATÍC 65
Autormi tohoto algoritmu sú zakladatelia firmy Google Sergey Brin a Larry Page, začali
na ňom pracovať v druhej polovici 90-tych rokov. Oproti dovtedy používaným spôsobom
hodnotenia dôležitosti nájdených výsledkov je významným rozdielom to, že dôležitosť sa tu
neurčuje na základe obsahu stránky, ale podľa hypertextových odkazov na danú stránku
z iných stránok. Približne v tom istom čase navrhol Jon Kleinberg algoritmus HITS, ktorý
bol do značnej miery podobný, nesnažil sa ho však komerčne využiť. V súčasnoti niektoré
vyhľadávače používajú tento algoritmus. Hlavný rozdiel medzi oboma algoritmami je v tom,
že HITS okrem liniek smerujúcich na danú stránku zohľadňuje aj linky, ktoré smerujú z nej.
V tejto súvislosti treba spomenúť, že PageRank nie je jediné kritérium, na základe ktorého
Google vytvára poradie nájdených výsledkov.
Základná idea PageRank algoritmu sa dá popísať veľmi jednoducho. Ak dôležitosť po-
sudzujeme podľa toho, koľko stránok sa na ňu odkazuje, môžeme sa na to pozrieť ako na
„hlasovanie. Každá stránka dostane 1 hlas a ak na nej je n liniek, tak s váhou 1/n hlasuje
za dôležitosť stránok, na ktoré sa odkazuje. Teda každá stránka má rovnocenné „hlasovacie
právo, a hlas stránky sa rozdelí medzi tie, na ktoré odkazuje.
Znamená to, že dôležitosť stránky bude úmerná tomu, koľko liniek na ňu odkazuje.
Práve popísaný výpočet môžeme popísať veľmi jednoducho ako
x = eA,
kde vektor x = (x
1
, . . . , x
n
) obsahuje ohodnotenia stránok, e = (1, 1, . . . , 1) a matica A je
určená ako
a
ij
=
_
1
n
i
ak i-ta stránka obsahuje odkaz na j-tu,
0 inak.
pričom n
i
označuje počet liniek na i-tej stránke.
Napríklad pre web naznačený v nasledujúcom diagrame
1
00 ÐÐ
××
6
99
2
5
qq
GG
3
yy
ÐÐ
4
dd
vyzerá matica A ako
A =
_
_
_
_
_
_
_
_
0
1
3
0 0
1
3
1
3
0 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
1
2
0
1
2
0 0 0
0 0 1 0 0 0
_
_
_
_
_
_
_
_
.
Poznamenajme, že aj v reálnych aplikáciach bude táto matica obsahovať veľa núl – ide
o takzvanú riedku maticu. To prináša dve výhody – maticu možno uložiť (pomocou vhodnej
dátovej štruktúry) tak, aby nezaberala zbytočne veľa priestoru. Takisto niektoré výpočty,
napríklad násobenie takouto maticou, možno implementovať tak, že budú oveľa rýchlejšie
ako pre matice, ktoré majú skoro všetky hodnoty nenulové.
65
66 PageRank algoritmus
Nedostatok hodnotenia, ktoré získame doteraz popísaným spôsobom, je v tom, že sme
rovnakú vážnosť prikladali linkám z menej dôležitých stránok ako linkám z významných
stránok. Ako však odlíšiť významné a menej významné stránky a zabezpečiť, aby hlas dôleži-
tých stránok zavážil viac? Môžeme jednoducho zobrať práve vypočítaný odhad pre dôležitosť
ako váhy stránok a znovu urobiť to isté. To znamená, že budeme postupne počítať
x
0
= e
x
1
= x
0
A
x
2
= x
1
A = x
0
A
2
. . .
x
n
= x
n−1
A = x
0
A
n
V prípade, že váhový vektor x konverguje k nejakej hodnote, je pomerne prirodzené tento
vektor považovať za ohodnotenie významnosti jednotlivých stránok.
Spomeňme ešte iný pohľad, ako možno interpretovať tieto výpočty. Dá sa na to hľadieť
tak, že popisujeme browsovanie náhodného surfera, ktorý sa správa tak, že z niektorej stránky
si náhodne vyberie ľubovoľnú linku a na tú stránku ide ďalej. Ak stránka neobsahuje žiadne
linky, tak si náhodne vyberie ľubovoľnú stránku a zase browsuje ďalej. Takto možno považo-
vať vektor, ku ktorému konverguje x
n
, chápať ako hodnotu pravdepodobnosti, že sa v danom
okamihu surfer nachádza na danej stránke za predpokladu, že ho necháme surfovať neobme-
dzene dlho. (Aby sme boli presní, ak chceme použiť túto pravdepodobnostnú interpretáciu,
použijeme x
0
=
1
n
e alebo iný vektor, ktorý má kladné súradnice a ich súčet je 1 – pretože táto
podmienka musí platiť pre pravdepodobnosť.) Práve tento pohľad dáva do súvisu PageRank
algoritmus s Markovovskými reťazcami. Tie sa študujú v teórii stochastických procesov, čo
je matematická oblasť patriaca do teórie pravdepodobnosti.
Teraz sa budeme zaoberať tým, pre aké matice A si môžeme byť istý, že vektor x
n
bude
skutočne konvergovať k nejakej hodnote. Ako uvidíme, aby to fungovalo v praxi, bude po-
trebné maticu, ktorú sme práve popísali, ešte trochu upraviť.
Najprv si všimnime, že ak x
0
A
n
konverguje k nejakému vektoru, musí to byť vlastný
vektor matice A prislúchajúci k vlastnej hodnote 1.
Ak totiž platí
x = lim
n→∞
x
0
A
n
,
tak máme aj
xA = lim
n→∞
x
0
A
n+1
= x.
(Tu sme využili fakt, že v priestore R
n
je každé lineárne zobrazenie spojité.
4
Lineárne zobra-
zenie je vlastne násobenie maticou A.)
Všimnime si, že súčet prvkov v každom nenulovom riadku matici A je rovný 1 (prvá
iterácia bola demokratická – každá stránka mala rovnaké „hlasovacie právo).
Definícia 3.6.1. Matica A sa nazýva riadkovo stochastická, ak súčet prvkov jej ľubovoľného
riadku je 1.
Tvrdenie 3.6.2. Ak matica A je riadkovo stochastická, tak číslo 1 je jej vlastnou hodnotou.
4
Stručné zdôvodnenie tohoto faktu: Ak označíme A
max
= max
i,j
|a
ij
|, tak očividne pre každý vektor
z taký, že max |z
i
| < δ platí, že všetky súradnice vektora zA nepresahujú v absolútnej hodnote δnA
max
.
Takže ak máme dané ε > 0 a dvojicu vektorov takú, že pre všetky ich súradnice platí |x
i
− y
i
| <
ε
nA
max
,
tak dostaneme xA − yA = (x − y)A < nA
max
ε
nA
max
= ε.
66
KAPITOLA 3. PODOBNOSŤ MATÍC 67
Dôkaz. Stačí si všimnúť, že súčet stĺpcov matice A − I je

0, čo znamená, že jej stĺpce sú
lineárne závislé a táto matica je teda singulárna.
Všimnime si ešte jednu vlastnosť riadkovo stochastických matíc – lineárne zobrazenie
prislúchajúce takejto matici nemení súčet jednotlivých zložiek vektora.
Tvrdenie 3.6.3. Nech A je riadkovo stochastická matica, x = (x
1
, . . . , x
n
) ∈ R
n
a y =
(y
1
, . . . , y
n
) = xA. Potom platí
n

i=1
y
i
=
n

i=1
x
i
.
Dôkaz. Máme
y
i
=
n

j=1
a
ji
x
j
.
Sčítaním týchto rovníc dostaneme
n

i=1
y
i
=
n

i=1
n

j=1
a
ji
x
j
=
n

j=1
x
j
n

i=1
a
ji
=
n

j=1
x
j
,
kde posledná rovnosť vyplýva z faktu, že súčet prvkov matice A v danom riadku je 1.
Iný dôkaz. Fakt, že riadky majú súčet jedna, sa dá stručne jedným vzťahom vyjadriť ako
Ae
T
= e
T
.
Všimnime si tiež, že súčet jednotlivých súradnic vektora je presne rovný skalárnemu súčinu
xe
T
. Potom dostaneme
xAe
T
= xe
T
,
čo je presne dokazované tvrdenie.
Z tvrdenia 3.6.2 teda vidíme, že keby sme v matici A nemali nulové riadky, mali by
sme zaručenú existenciu aspoň jedného kadidáta na výsledné ohodnotenie. Aby sme dostali
riadkovo stochastickú maticu, nahradíme každý nulový riadok vektorom
1
n
e. (Na stránke bez
liniek sa surfer rozhodne úplne náhodne pre ľubovoľnú stránku na internete.)
Zatiaľ však stále nemáme nijako zaručené, že vlastný vektor pre vlastné číslo 1 bude jediný
a ani to, že k nemu budú naše vektory skutočne konvergovať.
Ukážeme, že vlastný podpriestor prislúchajúci k vlastnej hodnote 1 bude jednorozmerný,
v prípade, že matica A mala všetky prvky kladné.
Lema 3.6.4. Nech matica A je riadkovo stochastická a a
ij
> 0 pre i, j = 1, . . . , n. Potom
každý jej vlastný vektor prislúchajúci k vlastnej hodnote 1 má všetky súradnice rovnakého
znamienka (všetky nezáporné alebo všetky nekladné).
Dôkaz. V dôkaze použijeme fakt, že nerovnosť [

n
i=1
y
i
[ ≤

n
i=1
[y
i
[ je ostrá pre každý vektor
obsahujúci prvky so zmiešanými znamienkami.
Budeme postupovať sporom. Nech by xA = x a vektor x má na niektorých súradniciach
rôzne znamienka. Potom máme ostré nerovnosti
[x
i
[ =
¸
¸
¸
¸
¸
¸
n

j=1
a
ji
x
j
¸
¸
¸
¸
¸
¸
<
n

j=1
a
ji
[x
j
[.
67
68 PageRank algoritmus
Sčítaním týchto nerovností dostaneme
n

i=1
[x
i
[ <
n

i=1
n

j=1
a
ji
[x
j
[ =
n

j=1
[x
j
[
n

i=1
a
ji
=
n

j=1
[x
j
[.
(V poslednej rovnosti sme využili, že súčet prvkov j-teho riadku matice a je 1.)
Dostali sme nerovnosť
n

i=1
[x
i
[ <
n

j=1
[x
j
[,
čo je samozrejme spor.
Veľmi podobným spôsobom ako v predchádzajúcej leme môžeme odvodiť nasledujúci fakt,
ktorý bude neskôr užitočný pri dôkaze konvergencie použitej metódy.
Lema 3.6.5. Nech matica A je riadkovo stochastická a a
ij
> 0 pre i, j = 1, . . . , n. Ak λ je
jej vlastná hodnota, tak [λ[ ≤ 1.
Dôkaz. Pre vlastnú hodnotu λ a príslušný vlastný vektor máme.
λx
i
=
n

j=1
a
ji
x
j
[λ[[x
i
[ =
¸
¸
¸
¸
¸
¸
n

j=1
a
ji
x
j
¸
¸
¸
¸
¸
¸

n

j=1
a
ji
[x
j
[
Sčítaním týchto nerovností dostaneme
[λ[
n

i=1
[x
i
[ ≤
n

i=1
n

j=1
a
ji
[x
j
[ =
n

j=1
[x
j
[
n

i=1
a
ji
=
n

j=1
[x
j
[
[λ[ ≤ 1
Lema 3.6.6. Ak α,

β sú lineárne nezávislé vektory, tak existujú koeficienty c, d ∈ R také, že
c α +d

β obsahuje prvky so zmiešanými znamienkami.
Dôkaz. Ak pre vektor α = (a
1
, . . . , a
n
) platí

n
i=1
a
i
= 0, tak tento vektor obsahuje zmiešané
znamienka (keďže je nenulový) a stačí zvoliť c = 1 a d = 0. Podobne v prípade, že to platí
pre vektor

β.
Ak žiadny z vektorov nedáva nulový súčet, stačí nám zvoliť c a d tak, aby c

n
i=1
a
i
+
d

n
i=1
b
i
= 0. Lineárna nezávislosť zabezpečí to, že vektor c α + d

β je nenulový, dostávame
teda, že znamienka jeho súradníc nemôžu byť všetky rovnaké.
Dôsledok 3.6.7. Ak A je riadkovo stochastická matica, ktorej prvky sú kladné, tak podpries-
tor tvorený vlastnými vektormi k vlastnému číslu 1 je jednorozmerný.
Aby matica A mala všetky členy kladné, zabezpečíme tak, že namiesto pôvodnej matice
použijeme maticu
G = αA+ (1 −α)
1
n
e
T
e,
68
KAPITOLA 3. PODOBNOSŤ MATÍC 69
kde α ∈ (0, 1).
V predchádzajúcej rovnosti sme skombinovali maticu A s maticou
1
n
e
T
e, ktorá na každom
svojom mieste obsahuje hodnotu
1
n
. Zodpovedá to tomu, že náhodne sa pohybujúci surfer sa
v nejakom percente prípadov (určenom koeficientom 1 − α) rozhodne nepokračovať linkou
zo stránky, na ktorej sa nachádza, ale vyberie si novú stránku úplne náhodne. (Z takejto
interpretácie vidno aj to, že „náhodnému surferovi týmto zabránime zacykliť sa. Cykly, po-
dobne ako stránky, z ktorých nevychádzajú linky, by spôsobili, že pravdepodobnosť výskytu
stránky pri náhodnom surfovaní – a teda jej váha – sa nám pri iteráciách postupne naaku-
muluje vo vrcholoch cyklu.) Súčasne sme touto zmenou nezvýhodnili niektorú stránku oproti
iným (všade sme pripočítali rovnakú hodnotu).
Neskôr ukážeme, že nastavenie parametra α ovplyvňuje rýchlosť konvergencie k hľada-
nému riešeniu a tým aj počet krokov potrebných na dosiahnutie dostatočnej presnosti. Okrem
toho na tomto parametre závisí aj citlivosť metódy na zmenu matice A.
Vďaka tomu, že súčet použitých koeficientov je 1 a obe matice sú riadkovo stochastické,
aj výsledná matica je riadkovo stochastická.
Na prvý pohľad by sa mohlo zdať, že sme touto zmenou matice stratili výhodu, ktorú
nám prinášala riedkosť matice A. Keďže sme ale pripočítali maticu, ktorá má všetky prvky
rovnaké, je jasné, že ju nemusíme mať v pamäti uloženú po jednotlivých prvkoch a aj to, že
násobiť takouto maticou sa tiež dá dosť jednoducho.
Už teda vieme, že ak bude x
0
A
n
konvergovať, môže konvergovať jedine k hľadanej vlastnej
hodnote. Pre jednoduchosť konvergenciu overíme len pre diagonalizovateľné matice. Na to
najprv dokážeme vetu o spektrálnom rozklade diagonalizovateľnej matice.
Veta 3.6.8. Ak matica A je podobná s diagonálnou maticou diag(λ
1
, . . . , λ
n
), tak existujú
matice G
1
, . . . , G
n
také, že platí
A = λ
1
G
1

2
G
2
+ +λ
n
G
n
a súčasne
G
1
+ +G
n
= I,
pre každé i platí G
2
i
= G
i
a pre i ,= j platí G
i
G
j
= 0.
Všimnime si, že z podmienok uvedených v predchádzajúcej vete vyplýva
A
k
= λ
k
1
G
1

k
2
G
2
+ +λ
k
n
G
n
.
Dôkaz. Podľa predpokladu existuje regulárna matica P taká, že PAP
−1
= D, čiže P
−1
DP =
A. Označme stĺpce matice P
−1
ako α
1
, . . . , α
n
a riadky matice P ako

β
1
, . . . ,

β
n
.
P
−1
= ( α
T
1
, . . . , α
T
n
) P =
_
_
_

β
1
.
.
.

β
n
_
_
_
Z rovnosti P
−1
DP = A potom dostaneme (podobným spôsobom ako v dôkaze (3.5))
A = ( α
T
1
, . . . , α
T
n
)
_
_
_
λ
1
.
.
.
λ
n
_
_
_
_
_
_

β
1
.
.
.

β
n
_
_
_ = λ
1
α
T
1

β
1
+ +λ
n
α
T
n

β
n
.
Označme G
i
= α
T
i

β
i
. Takto definované G
i
sú matice n n a platí pre ne A = λ
1
G
1
+
λ
2
G
2
+ +λ
n
G
n
.
69
70 PageRank algoritmus
Overme, že platia aj ostatné rovnosti uvedené vo vete. Rovnosť I = P
−1
P môžeme
prepísať ako
I = ( α
T
1
, . . . , α
T
n
)
_
_
_

β
1
.
.
.

β
n
_
_
_ = α
T
1

β
1
+ + α
T
n

β
n
= G
1
+ +G
n
.
Ak násobíme PP
−1
, tak dostaneme
I =
_
_
_

β
1
.
.
.

β
n
_
_
_( α
T
1
, . . . , α
T
n
) =
_
_

β
1
α
T
1
. . .

β
1
α
T
n
. . . . . . . . .

β
n
α
T
1
. . .

β
n
α
T
n
_
_
Porovnaním oboch matíc dostaneme

β
i
α
T
i
= 1 a

β
i
α
T
i
= 0 pre i ,= j. To znamená, že
G
2
i
= α
T
i
(

β
i
α
T
i
)

β
i
= α
T
i

β
i
= G
i
a
G
i
G
j
= α
T
i
(

β
i
α
T
j
)

β
j
= α
T
i
.0.

β
j
= 0.
Z vety o spektrálnom rozklade dostaneme, v prípade, že naša matica je diagonalizovateľná,
A
k
= G
1

k
2
G
2
+ +λ
k
n
G
n
a
x
0
A
k
= x
0
G
1

k
2
x
0
G
2
+ +λ
k
n
x
0
G
n
Z nasledujúceho tvrdenia vyplynie, že vlastné hodnoty λ
2
, . . . , λ
n
sú v absolútnej hodnote
ostro menšie ako 1, čiže pre ne platí λ
k
i
−→ 0. To znamená, že uvedený výraz skutočne
konverguje.
Z predchádzajúcej rovnice vidíme tiež, že rýchlosť konvergencie závisí od vlastnej hodnoty,
ktorá je druhá najväčšia v absolútnej hodnote. Nasledujúce tvrdenie súčasne ukazuje, že
veľkosť tejto vlastnej hodnoty (a teda aj rýchlosť konvergencie) závisí od parametra α.
Tvrdenie 3.6.9. Nech A je riadkovo stochastická matica a jej vlastné čísla sú 1, λ
2
, . . . , λ
n
.
Potom matica
G = αA+ (1 −α)
1
n
e
T
e
má vlastné hodnoty 1, αλ
2
, . . . , αλ
n
.
Dôkaz. Skutočnosť, že súčty v riadkoch matice A sú rovné 1, je ekvivalentná s rovnosťou
Ae
T
= e
T
.
Nech Q je ľubovoľná regulárna matica, ktorej prvý stĺpec je e
T
.
Q = (e
T
, X)
Ak prvý riadok inverznej matice Q
−1
označíme y, tak máme
Q
−1
Q =
_
y
Y
_
(e
T
, X) =
_
ye
T
yX
Y e
T
Y X
_
=
_
1

0

0
T
I
_
. (3.17)
70
KAPITOLA 3. PODOBNOSŤ MATÍC 71
(Všimnime si, že X a Y nie sú štvorcové matice, takže rovnosť Y X = I vyplývajúca z pred-
chádzajúcej rovnosti neznamená, že tieto matice sú navzájom inverzné.)
Ak vynásobíme týmito maticami maticu A, tak dostaneme
Q
−1
AQ =
_
y
Y
_
A(e
T
, X) =
_
yA
Y A
_
(e
T
, X) =
_
yAe
T
yAX
Y Ae
T
Y AX
_
Súčasne použitím (3.17) dostaneme
yAe
T
= ye
T
= 1
a
Y Ae
T
= Y e
T
=

0
T
.
Dostali sme teda
Q
−1
AQ =
_
1 yAX

0
T
Y AX
_
.
Z poslednej rovnosti a z toho, čo vieme o vlastných hodnotách matice A, vyplýva, že ma-
tica Y AX je podobná s hornou trojuholníkovou maticou, ktorá má na diagonále hodnoty
λ
2
, . . . , λ
n
. (Stačí si všimnúť, že pre hornú trojuholníkovú maticu je charakteristický poly-
nóm jednoznačne určený hodnotami na diagonále. Jordanov normálny tvar ľubovoľnej matice
je horná trojuholníková matica.)
Vypočítajme teraz to isté pre maticu e
T
e. Dostaneme
Q
−1
e
T
eQ =
_
y
Y
_
e
T
e(e
T
, X) =
_
ye
T
Y e
T
_
(ee
T
, eX) =
_
1

0
T
_
(n, eX) =
_
n eX
0 0
_
Pre maticu G potom dostaneme
Q
−1
GQ = αQ
−1
AQ+ (1 −α)
1
n
Q
−1
e
T
eQ =
α
_
1 yAX

0
T
Y AX
_
+ (1 −α)
_
1
1
n
eX
0 0
_
=
_
1 αyAX + (1 −α)
1
n
eX

0
T
αY AX
_
Matica αY AX je podobná s hornou trojuholníkovou maticou, ktorá má na diagonále prvky
αλ
1
, . . . , αλ
n
, z čoho už vyplýva dokazované tvrdenie.
Hodnota α, ktorú Google reálne používa, je 0, 85. Vďaka tomu veľkosť druhej najväčšej
vlastnej hodnoty je nanajvýš 0, 85. Všímnime si, že čím menšiu hodnotu α zvolíme, tým
rýchlejšie bude táto metóda konvergovať, spôsobíme tým však súčasne to, že nad maticou A
popisujúcou vzhľad webu prevládne matica
1
n
ee
T
, ktorú sme pridali umelo na zabezpečenie
konvergencie.
71
Kapitola 4
Symetrické polynómy
Symetrické polynómy som robil presne podľa [KGGS]. Nebudem tu preto k ním písať po-
známky. Jediné miesto, ktoré som robil inak, bol dôkaz jednoznačnosti v základnej vete
o symetrických polynómoch (veta 5.8.3). Argument, ktorý som použil, je zhruba rovnaký ako
v [T, Theorem 8.7] – snažil som sa ho tu rozpísať o čosi podrobnejšie.
Dôkaz jednoznačnosti. Máme ukázať, že ak pre nejaké polynómy p, q v n-premenných platí
p(A
1
(x
1
, . . . , x
n
), . . . , A
n
(x
1
, . . . , x
n
)) = q(A
1
(x
1
, . . . , x
n
), . . . , A
n
(x
1
, . . . , x
n
))
tak sa polynómy p a q rovnajú.
Namiesto predchádzajúceho zdĺhavého zápisu budeme písať stručnejšie p(A
1
, . . . , A
n
),
vždy sa tým myslí, že ide o polynómy v premenných x
1
, . . . , x
n
.
Najprv ukážeme, že tvrdenie platí v prípade, že jeden z polynómov je nulový, t.j. platí
t(A
1
, . . . , A
n
) = 0 ⇒t(x
1
, . . . , x
n
) = 0. (4.1)
(Obidve rovnosti v predchádzajúcom riadku chápeme ako rovnosti polynómov – čiže musia
sa zhodovať príslušné koeficienty.)
Postupujme sporom. Predpokladajme, že v polynóme t(x
1
, . . . , x
n
) zapísanom v normál-
nom tvare máme nejaké nenulové členy. Pripomeňme, že z nenulového členu ax
k
1
1
. . . x
k
n
n
takto
dostaneme polynómaA
k
1
1
. . . A
k
n
n
, ktorý má podľa lemy 5.8.3 vedúci člen ax
k
1
+k
2
···+k
n
1
x
k
2
···+k
n
2
. . . x
k
n
n
.
Nie je ťažké overiť, že priradenie (k
1
, . . . , k
n
) → (k
1
+ k
2
+ k
n
, k
2
+ k
n
, k
n
) je
injektívne. To znamená, že člen s rovnakým systémom exponentov nemôžeme dostať ako
vedúci člen z niektorého z členov polynómu t(x
1
, . . . , x
n
).
Máme však dostať t(A
1
, . . . , A
n
) = 0, to znamená, že člen ax
k
1
+k
2
···+k
n
1
x
k
2
···+k
n
2
. . . x
k
n
n
sa musí niekde vykrátiť. Z predchádzajúceho vyplýva, že sa môže vykrátiť len s členom
polynómu bA
l
1
1
. . . B
l
n
n
, ktorého vedúci člen má (v lexikografickom usporiadaní) ostro vyšší
systém exponentov. Vedúci člen tohto polynómu sa opäť musí nejako vykrátiť a opäť to
môže byť jedine s nejakým polynómom, ktorý má vyšší vedúci člen. Takto by sme museli
postupovať do nekonečna, čo sa však nedá, lebo polynóm má iba konečne veľa členov.
Akonáhle máme dokázanú implikáciu (4.1), stačí ju použiť pre rozdiel polynómov p −q a
dostaneme dokazované tvrdenie.
72
Literatúra
[A] Tom M. Apostol. Calculus II. John Wiley and Sons, New York, 1969.
[BL] Kurt Bryan and Tanya Leise. The $25,000,000,000 eigenvector – the linear algebra
behind Google. SIAM Review, 48(3):569–581, 2006. http://www.rose-hulman.
edu/~bryan/googleFinalVersionFixed.pdf.
[BM] Garrett Birkhoff and Saunders MacLane. Prehl’ad modernej algebry. Alfa, Brati-
slava, 1979.
[FS] D. K. Faddeev and I. C. Sominskii. Zadači po vysšej algebre. Laň, St. Peterburg,
1999.
[G] Jaroslav Guričan. Vybrané kapitoly z algebry. Poznámky k prednáške, http://
thales.doa.fmph.uniba.sk/katc/pages/member.php?clen=gurican.
[GĎ] Milan Gera and Vladimír Ďurikovič. Matematická analýza. Alfa, Bratislava, 1990.
[GŠŠ] M. Greguš, M. Švec, and V. Šeda. Obyčajné diferenciálne rovnice.
[HJ] Roger A. Horn and Charles R. Johnson. Matrix Analysis. Cambridge University
Press, Cambridge, 1985.
[J] B. Johnson. Fibonacci numbers and matrices. http://www.dur.ac.uk/bob.
johnson/fibonacci/.
[K] Thomas Koshy. Discrete mathematics with applications. Elsevier Academic Press,
Burlington–San Diego–London, 2004.
[KGGS] Tibor Katriňák, Martin Gavalec, Eva Gedeonová, and Jaroslav Smítal. Algebra a
teoretická aritmetika 1. UK, Bratislava, 2002.
[LM] Amy N. Langville and Carl D. Meyer. Google’s PageRank and Beyond: The Science
of Search Engine Rankings. Princeton University Press, Princeton, 2006.
[LPV] László Lovász, József Pelikán, and Katalin L. Vesztergombi. Discrete Mathematics:
Elementary and Beyond. Springer-Verlag, New York, 2003.
[M] Carl D. Meyer. Matrix Analysis and Applied Linear Algebra. SIAM, 2000.
[Pro1] I. V. Proskurjakov. Sbornik zadač po lineinoi algebre. Moskva, 1966.
[Pro2] Murray H. Protter. Basic Elements of Real Analysis. Springer-Verlag, NY, 1998.
Undergraduate Texts in Mathematics.
73
74 LITERATÚRA
[Š] Beáta Štupáková. Fibonacciho a Lucasove čísla, 2008. bakalárska práca, FMFI UK,
Bratislava.
[T] Jean-Pierre Tignol. Galois’ Theory of Algebraic Equations. World Scientific,
Singapore–New Jersey–London–Hong Kong, 2001.
[W] Michal Winczer. Diskrétna matematika. Poznámky k prednáške, http://edi.
fmph.uniba.sk/~winczer/diskretna.html.
[Z] Pavol Zlatoš. Lineárna algebra a geometria. http://thales.doa.fmph.uniba.sk/
zlatos/.
74
Register
báza
ortonormálna, 8
charakteristický polynóm, 36
euklidovský vektorový priestor, 3
Gram-Schmidtov ortogonalizačný proces, 9
Jordanov normálny tvar, 53
kvadratická forma, 17
diagonálny tvar, 20
kanonický tvar, 20
matica
kladne definitná, 24
kladne semidefinitná, 24
ortogonálna, 40
prechodu, 29
záporne definitná, 24
záporne semidefinitná, 24
matica zobrazenia
vzhľadom na danú bázu, 32
matice
kongruentné, 19
ortogonálne podobné, 40
podobné, 34
nerovnosť
Schwarzova, 6
trojuholníková, 6
ortogonálna projekcia, 13
ortogonálny doplnok, 7
polynóm
homogénny, 17
rekurencia
lineárna druhého rádu, 58
súradnice vektora
v báze, 28
skalárny súčin, 3
spektrálny rozklad
diagonalizovateľnej matice, 69
symetrickej matice, 43
stopa matice, 39
uhol vektorov, 7
veľkosť vektora, 5
vektory
kolmé, 7
ortogonálne, 7
ortonormálne, 8
veta
Cayley-Hamiltonova, 43
o hlavných osiach, 42
Schurrova, 40
vlastné číslo, 35
vlastný vektor, 35
zovšeobecnený, 57
75
Zoznam symbolov
¸ α,

β¸ 4
[ α[ 5
M

7
ch
A
(x) 36
Tr(A) 39

Úvod
Verzia: 21. apríla 2011

Predhovor
V rámci tohoto textu sa budeme občas odkazovať aj na veci z predchádzajúcich semestrov. Takéto odkazy budú označené napríklad ako veta I-3.2.6 alebo veta II-3.5.1. (Keďže ste absolvovali predmety Algebra 1,2 dá sa predpokladať, že budete vedieť o akú vetu ide. Toto je viac-menej pomôcka - ak si nebudete istí, môžete si tam znenie príslušenej vety, lemy, či definície skontrolovať.) Verzia poznámok z predchádzajúcich semestrov, na ktorú sa toto číslovanie vzťahuje, bude tiež na stránke predmetu. Časti označené hviezdičkou sú nepovinné – doplnil som ich preto, že by Vás niektoré z nich mohli zaujímať. V cvičeniach hviezdička označuje náročnejšie cvičenia a + označuje nepovinné cvičenia (napríklad tie, ktoré sa týkajú nepovinných častí).

Sylaby a literatúra
Sylaby predmetu: Skalárny súčin, ortonormálna báza a ortogonálna projekcia na podpriestor. Kvadratické formy a ich kanonické tvary. Pozitívna (semi)definitnosť matice a kvadratickej formy a kritériá na overenie pozitívnej definitnosti. Zmena bázy, podobné matice. Podobnosť matice s diagonálnou maticou. Vlastné čísla a vlastné vektory, charakteristický polynóm. Ortogonálne matice, ortogonálna podobnosť, Schurova veta a veta o hlavných osiach. Symetrické polynómy. Použitie rýchlej Fourierovej transformácie pri násobení veľkých čísel. Literatúra: Základnou literatúrou pre tento kurz je [KGGS]; objavia sa však aj témy, ktoré v tejto knihe spracované nie sú, k nim sem časom doplním vhodnú literatúru. Cvičenia v texte som vyberal z kníh [KGGS, BM, FS, K, Pro1].

Označenia
Ako obvykle, Z, Q, R, C označuje množinu celých, racionálnych, reálnych a komplexných čísel, N = {1, 2, 3, . . . } je množina prirodzených čísel a N0 = N ∪ {0}. Označenie AB používame pre množinu zobrazení z B do A. Špeciálne v niektorých príkladoch sa vyskytuje množina RR a RN , na oboch týchto množinách sa dajú prirodzeným spôsobom zaviesť sčitovanie a násobenie tak, že tieto množiny tvoria vektorové priestory.

2

Kapitola 1

Euklidovské vektorové priestory
Táto kapitola je spracovaná prevažne na základe [KGGS, 1.16,1.17].

1.1

Skalárny súčin

Skalárny súčin vektorov patriacich do R2 alebo R3 poznáte zo strednej školy. Tam ste skalárny súčin vektorov α = (a1 , a2 ) a β = (b1 , b2 ) definovali ako α, β = a1 b1 + a2 b2 . (Používali ste iné označenie pre skalárny súčin, ako budeme používať my.) Takisto ste sa na strednej škole naučili, ako súvisí skalárny súčin s veľkosťou vektora a uhlom, ktorý zvierajú 2 vektory: α, β = |α||β| cos α, |α| = a2 + a2 = 1 2 α, α .

My by sme teraz chceli zaviesť definíciu skalárneho súčinu o niečo všeobecnejšie – chceli by sme popísať, aké vlastnosti by mal mať skalárny súčin, aby sme pomocou neho mohli zmysluplne hovoriť o veľkosti alebo uhle vektorov z daného vektorového priestoru. Budeme opäť postupovať axiomaticky – zavedieme si niekoľko základných vlastností skalárneho súčinu, z ktorých sa budú dať odvodiť ostatné. Definícia 1.1.1. Nech (V, +, ·) je vektorový priestor nad poľom R. Potom zobrazenie g : V × V → R sa nazýva skalárny súčin na V , ak pre ľubovoľné α, β ∈ V a c ∈ F platí (i) g(α, β) = g(β, α), (ii) g(α + β, γ) = g(α, γ) + g(β, γ), (iii) g(cα, β) = cg(α, β), (iv) ak α = 0, tak g(α, α) > 0. Vektorový priestor V spolu so skalárnym súčinom g nazývame euklidovským vektorovým priestorom. 3

že 0. α ∈ R. V tomto prípade sa podmienka (i) zmení na α. Aby sme overili vlastnosť (iii). cak = c k=1 k=1 ak . že táto podmienka implikuje. γ + β. (Skúste si rozmyslieť.3. α > 0. stačí si všimnúť. ktoré vektoru β priradí reálne číslo. . Príklad 1. tak aj každý jeho podpriestor je euklidovský priestor (s rovnako definovaným skalárnym súčinom). . a bilineárne (ii) a (iii). ako z prvých troch podmienok v definícii vyplýva. že pre každý vektor α platí α. an ) a β = (b1 . Vlastnosť (i) je zrejmá. že toto zobrazenie je lineárne. Zoberme si vektorový priestor Rn s obvyklým sčitovaním a skalárnym násobkom (po zložkách). γ . že zobrazenie g je symetrické (i).4 Skalárny súčin Predchádzajúcu definíciu môžeme stručne preformulovať tak. Niekedy sa skalárny súčin definuje aj pre vektorové priestory nad poľom C. tak α. β = k=1 ak bk . že skalárny súčin sme definovali iba pre vektorové priestory nad poľom R. bn ) definujeme n α. Potom pre vektory α = (a1 . β . α ) ≥ 0 a rovnosť nastáva jedine pre α = 0. že α.1. γ = α. k 4 . β) budeme používať označenie α. Namiesto g(α. α = α. Všimnite si. kladne definitné (iv). β = β. . (iv) ak α = 0. (iii) cα. že zobrazenie je lineárne v oboch premenných – ak zvolím pevne vektor α a mením β. Pri tomto označení uvedené vlastnosti môžeme prepísať nasledovne: (i) α. neskôr sa ním budeme zaoberať podrobnejšie. (ii) α + β. β . .1. α = 0 pre ľubovoľné α. . Vlastnosti (ii) a (iii) sa overia jednoduchou úpravou: n n n n (ak + bk )ck = k=1 (ak ck + bk ck ) = k=1 n k=1 n ak ck + k=1 bk c k . α . . α . V prípade R2 alebo R3 dostávame skalárny súčin ako ho poznáte zo strednej školy. Pod bilinearitou rozumieme to. že fixujeme β. Vlastnosti z definície skalárneho súčinu sa overia pomerne jednoducho. .) Ak V je euklidovský vektorový priestor. My sa však budeme zaoberať iba reálnymi euklidovskými priestormi.2. Vďaka tomu má zmysel aj podmienka (iv). . že n α. α = k=1 a2 . β = c α. Poznámka 1. Z (ii) a (iii) vidíme. Podmienku (iv) možno ekvivalentne vyjadriť aj tak. a teda α. Všimnime si. α . β = β. Rovnako je to aj v prípade. môžeme ho chápať ako zobrazenie. S pojmom kladnej definitnosti sa ešte stretneme.

Uvidíme. b) označíme množinu všetkých spojitých funkcií f : a. . že je splnená podmienka (i). an )C  . že takto zavedená veľkosť vektora spĺňa viaceré vlastnosti. Nech V je euklidovský vektorový priestor. Potom pre α ∈ V definujeme veľkosť vektora α ako α.1. ktoré zaručia. Vlastnosť (iv) vyplýva z toho. . Tieto funkcie tvoria vektorový podpriestor priestoru všetkých funkcií z a. tak môžeme prirodzeným spôsobom zadefinovať veľkosť vektora a uhol dvoch vektorov. ktoré platia pre veľkosť vektora v R2 a R3 . . Definujme na R2 skalárny súčin nasledovne: α. bn b2 kde C je matica typu n × n. Nie vždy to však bude skalárny súčin. Príklad 1. β) = i=1 j=1 ai cij bj . . Definícia 1. Takýto predpis priradí 2 vektorom α = (a1 . . α ≥ 0 a rovný 0 bude iba v prípade. . Podmienky (ii) a (iii) sú splnené pre ľubovoľnú maticu. keď a1 = 0 a súčasne a1 + a2 = 0. Budeme sa ňou zaoberať neskôr. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 5 Pretože a2 ≥ 0. b → R. nielen spojité. Keď však použijeme aj nespojité funkcie. . Príklad 1. že všetky sčítance k sú nulové.7. Vlastnosti (i)–(iii) sa overia ľahko. |α| = 5 .j. V prípade.1. že tento predpis môžeme zapísať aj takto: n n g(α. pre α = (a1 . S podmienkou (iv) je to o niečo komplikovanejšie. an ). že súčin f (x)g(x) bude mať konečný integrál. α = 0 platí práve vtedy. . kde sa objaví tento istý skalárny súčin a dozviete sa tam aj ako sa to dá definovať tak. b do R a predpis b f. Postup z predchádzajúceho príkladu sa dá zovšobecniť. Všimnime si. . . teda a1 = a2 = 0.1. β = (b1 . Ako C(a.KAPITOLA 1.  = αC β T . g = a f (x)g(x)dx definuje skalárny súčin na tomto priestore. α . t. b2 ). že je to špeciálny prípad nasledujúceho zápisu:  b1  g(α.) Ak máme euklidovský vektorový priestor. . Príklad 1.4. Pravdepodobne v niektorom z vyšších ročníkov sa na analýze stretnete s Fourierovými radmi. a2 ) a β = (b1 . . (Takto by sme vedeli definovať skalárny súčin aj na podstatne väčšom priestore funkcií – stačilo by zvoliť nejaké podmienky. 1 2 2 čiže α. že α.6. že ide o symetrickú maticu. β) = (a1 . čiže cij = cji .1. aj skalárny súčin α. aby to fungovalo aj pre iné funkcie. Všimnime si. α = a2 + 2a1 a2 + 2a2 = (a1 + a2 )2 + a2 . ľahko zistíme.5. β = a1 b1 + a1 b2 + a2 b1 + 2a2 b2 . čiže α = 0. budeme mať problémy pri overovaní podmienky (iv). ak = 0 pre každé k a α = 0. bn ) ∈ Rn nejaké reálne číslo.

že α + cβ = 0. β Z tejto nerovnosti dostaneme α. β. že k ≥ 0. Na základe vlastností skalárneho súčinu môžeme urobiť tieto úpravy: |α + cβ|2 = α + cβ. že veľkosť je definovaná pre ľubovoľný vektor (nikdy v predpise pre |α| nedostaneme odmocninu zo záporného čísla. β + c2 β.) Niekedy sa používa aj označenie α (napríklad v [KGGS]). že k rovnosti dôjde iba v prípade. že platí |α + cβ| = 0. Ešte sa pozrime na otázku. β ∈ V a c ∈ R platí: (i) |α| ≥ 0 (ii) |α| = 0 ⇔ α = 0 (iii) |cα| = |c||α| (iv) | α. tak rovnosť skutočne nastane. (ii). Teda α = k. musí platiť rovnosť v Schwarzovej nerovnosti použitej v (1). kde c je ľubovoľné reálne číslo. β + c2 |β|2 ≥ 0. keď vektor α je násobkom vektora β. že |α + kα| = |1 + k|. Dôkaz. Potom existuje také c ∈ R. β + β. β + |β|2 ≤ |α|2 + 2|α||β| + |β|2 = (|α| + |β|)2 (v nerovnosti (1) sme použili Schwarzovu nerovnosť (iv)). β | ≤ |α||β| (Schwarzova nerovnosť) (v) |α + β| ≤ |α| + |β| (trojuholníková nerovnosť) V (iv) nastáva rovnosť práve vtedy.β pre nejaké β ∈ R. že podmienka (iv) z definície skalárneho súčinu zaručí. (iv) Dokážeme použitím vlastnosti (i) pre vektor α + cβ. α + β = α. Ľahko sa overí. α + cβ = α. (Stačí si uvedomiť. β | = |α||β| vyplýva D = 0. diskriminant tejto nerovnice nesmie byť kladný (aby príslušná kvadratická rovnica nemala nenulové reálne korene) D = 4 α. (v) Pokúsme sa upraviť výraz |α + β|2 . β | ≤ |α||β| Tým je dokázaná platnosť nerovnosti (iv) pre ľubovoľné vektory α.1. Ľahko sa overí.|α| a |α| + |kα| = (1 + |k|). čiže α = −cβ.8.) 6 (1) . ≤ |α|2 |β|2 | α. Nech V je euklidovský vektorový priestor. Zistili sme teda. α + 2 α. Tvrdenie 1. β = |α|2 + 2c α. V (v) nastane rovnosť. α + 2c α. Pretože uvedená nerovnosť má platiť pre každé reálne číslo c a môžeme ju chápať ako kvadratickú nerovnicu s neznámou c. Z rovnosti | α. β 2 2 − 4|α|2 |β|2 ≤ 0. To znamená. (iii) sa overia ľahko priamo z definície.|α|. tak α musí nutne byť násobkom β. β = |α|2 + 2 α.6 Skalárny súčin Všimnite si. že ak nastane rovnosť. Pre ľubovoľné α. Vlastnosti (i). Z poslednej nerovnosti už vyplýva (v). Platí |α + β|2 = α + β. Aby platila rovnosť. ak α je nezáporným násobkom β. že ak vektor α je násobkom vektora β. kedy nastáva rovnosť.

tak aj cα1 + dα2 . 2. Teda dané vektory sú lineárne nezávislé. β = 0. αi . αj = 0 pre každé i = j. Nech c1 . . t.9. β |α||β| .14. Tvrdenie 1. Treba ešte overiť. Použitím rovnakej úvahy pre všetky i = 1.1. β = 0. . Dôkaz. . tak sú lineárne nezávislé. Ak nenulové vektory α1 . α2 ∈ M ⊥ a c.11.1.13.1.1. položíme ϕ = 0. β = 0. Potom M ⊥ = {α ∈ V .1.1) Definícia 1. . ak ľubovoľné 2 z nich sú ortogonálne. . V prípade. αk hovoríme. β = 0 pre všetky β ∈ M } sa nazýva ortogonálny doplnok množiny M . . Uhol dvoch nenulových vektorov definujeme ako taký uhol. Pretože αi = 0. Tvrdenie 1. αk sú ortogonálne. = ck = 0. že c1 α1 + · · · + ck αk = 0. ak α. Ak pre všetky β ∈ M platí α1 . EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 7 Schwarzova nerovnosť pre priestor Rn s obvyklým skalárnym súčinom sa často používa pri dôkaz rôznych nerovností. že vďaka Schwarzovej nerovnosti je výraz vystupujúci v definícii uhla dvoch vektorov z intervalu −1. Nech V je euklidovský vektorový priestor. Zrejme 0 ∈ M ⊥ . 2. β ∈ V nazveme kolmé (ortogonálne). Definícia 1. Vektory α. O k-tici vektorov α1 . . Všimnite si. pre ktorý platí cos ϕ = α. ck ∈ R sú také.12. k}. . Nech V je euklidovský priestor a M ⊆ V . 0 = αi . . n n n xk yk ≤ k=1 k=1 x2 k k=1 2 yk (1. . 1 . β + d α2 . . Definícia 1. β = 0 a α2 . . Nech V je euklidovský vektorový priestor. tak N ⊥ ⊆ M ⊥. . 7 . teda takýto uhol skutočne existuje.1. Dôkaz. Nech V je euklidovský priestor a M ⊆ V . d ∈ R aj cα1 + dα2 ∈ M ⊥ . . Potom M ⊥ je vektorový podpriestor priestoru V . Tvrdenie 1. . α. . preto M ⊥ je neprázdna množina. Zoberme ľubovoľné i ∈ {1. . .10. β = c α1 . Potom dostaneme 0 = αi . Ak V je euklidovský priestor a M ⊆ N ⊆ V .j. . c1 α1 + · · · + ck αk = ci |αi |2 . teda cα1 + dα2 ∈ M ⊥ . platí ci = 0. k dostaneme c1 = c2 = . .KAPITOLA 1. že tieto vektory sú ortogonálne. . že niektorý z vektorov je nulový. že pre všetky α1 . . Táto rovnosť môže platiť jedine ak αi = 0 alebo ci = 0.

.2 Gram-Schmidtov ortogonalizačný proces Definícia 1. Potom S ⊥ = {α1 . ak α ∈ S ⊥ ∩ T ⊥ . . αn sa nazývajú ortonormálne. sú to ortogonálne normované vektory (pod slovom „normované rozumieme. . . Tvrdenie 1. že ortonormálne vektory sú lineárne nezávislé. . . nech β ∈ {α1 . Naopak.1. β = 0 platí aj pre všetky vektory β ∈ M (pretože M ⊆ N ). že β. . . Vektory α1 .1. 1. . . že α. a teda N ⊥ ⊆ M ⊥ . αn sú ortonormálne a tvoria bázu vektorového priestoru V . αk ] je podpriestor vygenerovaný týmito vektormi. .8 Gram-Schmidtov ortogonalizačný proces Dôkaz. . 8 . že {α1 . pretože každý vektor z tohoto podpriestoru má tvar α = c1 α1 + · · · + ck αk a β.15. že ich veľkosť je 1). β + γ = α. β + α. .1. . αk }⊥ . ak pre všetky i platí |αi | = 1 a pre i = j platí αi . .16. αi = 0 pre i = 1. αj = 0. . Ak vektory α1 . . čiže patrí do (S + T )⊥ . . . Ak ich teda bude dosť veľa (v prípade konečnorozmerného priestoru toľko. γ = 0. . . . k. α1 + . c1 α1 + · · · + ck αk = c1 β. 2. . Potom β. takže potom platí α. αk ∈ V .2. Dôkaz. Naopak. Nech S = [α1 . Pretože S ⊆ S + T aj T ⊆ S + T máme (S + T )⊥ ⊆ S ⊥ a súčasne (S + T )⊥ ⊆ T ⊥ . Každý vektor z S + T sa dá zapísať v tvare β + γ. . Lema 1. . . Dôkaz. Stručne povedané. . kde β ∈ S a γ ∈ T . . . . .1. . že platí aj opačná inklúzia S ⊥ ∩ T ⊥ ⊆ (S + T )⊥ . . Ak V je euklidovský priestor a S. môžu tvoriť bázu. αk }⊥ . Ak α ∈ N ⊥ . To ale znamená. z čoho vyplýva (S + T )⊥ ⊆ S ⊥ ∩ T ⊥ . Z toho. α = 0 aj pre ľubovoľný vektor α ∈ [α1 . Z tvrdenia 1. tak túto bázu nazývame ortonormálna báza. β = 0 pre všetky vektory β ∈ N . tak α. To znamená. αk = 0.11 vyplýva. + ck β. . αk } ⊆ S vyplýva inklúzia S ⊥ ⊆ {α1 . . . tak (S + T )⊥ = S ⊥ ∩ T ⊥ .2. T sú podpriestory V . koľko je dimenzia priestoru).2. . . teda α je kolmý na každý vektor z S + T . . Definícia 1. tak vektor α je kolmý na ľubovoľný vektor z S aj na ľubovoľný vektor z T . αk ]. Nech V je euklidovský priestor a α1 . αk }⊥ . . . Ukázali sme. .

. d1 α1 + · · · + dn αn = i=1 j=1 ci dj αi . β = k=1 ak bk . . αk+1 ] = [γ1 . + ck+1. Navyše platí [α1 . . . aby platilo [α1 .4. βn priestoru V . že ak máme 2 vektory vyjadrené pomocou ortonormálnej bázy veľmi ľahko vypočítame ich skalárny súčin – v podstate rovnako ako v predchádzajúcom príklade. αi = 1. . . Jediné nenulové členy v predchádzajúcej sume sú tie. ktorej vektory sú ortogonálne. Veta 1. Najprv sa pokúsime nájsť takú bázu γ1 . ktoré majú uvedený tvar. .stačí položiť γ1 = α1 . . . . Dostaneme teda n α. . . . . . . γn =αn + cn1 γ1 + cn2 γ2 + . . γk+1 ]. ktorá sa zvykne nazývať Gram-Schmidtov ortogonalizačný proces. .2 γ2 + . 9 . . β = i=1 ci di . αn tvoria ortonormálnu bázu.1 γ1 + ck+1.2. . .2. Predpokladajme teraz. Navyše vieme. . . Majme α = c1 α1 + · · · + cn αn a β = d1 α1 + · · · + dn αn . . . . . . αk ] = [γ1 . ktorý by mal navyše tvar γk+1 = αk+1 + ck+1. αn je báza priestoru V . . . kde i = j. . γk ]. . . . že αi . . že už sme našli k ortogonálnych vektorov γ1 . . . . . . . + cn. Najjednoduchší príklad je štandardná báza e1 .KAPITOLA 1. Nech α1 . . αn je báza priestoru V . . Dôkaz nasledujúcej vety poskytuje jej konštrukciu. Naším najbližším cieľom je ukázať ako z ľubovoľnej bázy v euklidovskom vektorovom priestore vieme dostať ortonormálnu bázu. kde vektory α1 . Potom existuje ortonormálna báza β1 . .3. en veľkosť 1 a každý z nich je kolmý na všetky ostatné. β = c1 α1 + · · · + cn αn . Prvý krok indukcie je jasný . .n−1 γn−1 Budeme postupovať indukciou. . . EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 9 Príklad 1. Chceli by sme nájsť vektor γk+1 kolmý na všetky predchádzajúce. Dôkaz. γk . . . αj . . γ1 =α1 γ2 =α2 + c21 γ1 γ3 =α3 + c31 γ1 + c32 γ2 . V takomto euklidovskom priestore majú všetky vektory e1 . . Nech V je euklidovský vektorový priestor a α1 . Potom n n α. . . γn priestoru V . en v priestore Rn so štandardným skalárnym súčinom n α. Výhoda ortonormálnej bázy spočíva v tom.k γk a súčasne taký. .

Pomocou Gram-Schmidtovho procesu nájdeme ortogonálnu bázu pre V . . 1. γ1 0 = γk+1 .10 Gram-Schmidtov ortogonalizačný proces Ak má byť tento vektor kolmý na predchádzajúce. Teda [γ1 . αk ] = [γ1 . Súčasne platí γk+1 ∈ [αk+1 . Z toho vyplýva. γk sú lineárne nezávislé. .2) vidno. že položíme γi βi = . 3)]. že pre takéto hodnoty ck+1.1 γ1 . . 1. γ3 . αk+1 ]. . . Aby boli ortonormálne. Zoberme si priestor V = [(1. . . . 1. . γk = αk+1 . . i. . . . . γk+1 ] ⊆ [α1 . γ2 = α3 . 1) + c(1. potrebujeme. γ2 + ck+1. . . . Takto sme dostali bázu priestoru V . γ2 + e γ2 . j ∈ {1.i bude vektor γk+1 skutočne kolmý na všetky predchádzajúce vektory. αk+1 ]. každý z nich vydeliť jeho veľkosťou.1 γ1 + ck+1. 0) = (c. že γk+1 = 0. γk ] (lebo vektory α1 . aby bol kolmý na γ1 = (1. 1). Ďalej αk+1 = γk+1 − (ck+1. (0. 0 = γk+1 . . . γ1 + ck+1. 1) tak. γ1 + d γ1 . . . . 1 1 z ktorej vyplýva c = 2 a γ2 = ( 1 . 0. . 0) = c + c − 1 = 2c − 1 = 0. . . γ3 = αk+1 . Z rovníc (1.2 γ2 + . γ1 = 0 γ3 .3 γ3 . 2. 2. 1). . Teda aj αk+1 . 0. .1 γ1 + ck+1. + ck+1. −1. γ2 = 0 10 . 2.k γk . . 0. . . . čiže platí aj obrátená inklúzia [α1 . Dostávame teda rovnosť (c. γ1 = αk+1 . γk+1 ]. + ck+1. . 2.i = − αk+1 . . γ1 = α3 . Ďalej vieme. γ1 . αn sú lineárne / nezávislé). . .) Z predchádzajúcich rovníc môžeme vyjadriť všetky koeficienty ck+1. . . γk+1 . . teda tvoria bázu priestoru V . 0. c − 1. 0). 1. . . 2 Tretí vektor γ3 hľadáme v tvare γ3 = α3 + dγ1 + eγ2 tak. c − 1. 2. 1. . γ1 . .2 γ2 . ktorej vektory sú ortogonálne.k γk ) je lineárna kombinácia vektorov γ1 . Ľahko sa overí. že tieto vektory sú lineárne nezávislé. . Ďalej chcem nájsť vektor γ2 = α2 + cγ1 = (0. γ2 0 = γk+1 . . γ3 + ck+1. . αk+1 ] ⊆ [γ1 . (1. . γi γi . − 2 . c + 1). . γk + ck+1. γk ] = [α1 . pretože podľa indukčného predpokladu sú tieto hodnoty nulové. 1.i : ck+1. γj pre i = j. čiže ortonormálnu bázu dostaneme tak. aby γ3 .k γk je lineárna kombinácia týchto vektorov a koeficient pri αk+1 je 1 = 0. .2 γ2 + . že αk+1 ∈ [α1 . Položíme γ1 = α1 = (1. k. (0. k}. . |γi | Príklad 1. .2) pre každé i = 1. musia platiť rovnosti 0 = γk+1 . γk (V každej rovnici sme vynechali všetky členy obsahujúce γi . 0).2. 2. 0. γ2 = αk+1 . . . Pretože γk+1 = αk+1 + ck+1. . −1. 2. 2. . . .5. γi (1. čiže ich lineárnou kombináciou nemôžeme dostať 0. . 0). .

11 11 11 11 1 2 = √ (−12. −1. aj ortonormálna báza by vyšla jednoduchšia. 0. (Dúfam. γ2 13 2 Keď vypočítame α3 . . γ2 = d=− a γ2 . 0. že vektory. ale ten. − . 20) = √ (−3. 1. 0. 0. 2. γ1 α3 . α3 = (0. α2 a α3 označili úplne iné vektory ako v prvej časti príkladu. že tentokrát sme ako α1 . 8 11 11 √ β3 = 11 8 Vidíme. že by sme mali príliš málo gréckych písmeniek. γ1 γ1 . 12. že som chcel aby sa označenie zhodovalo s označením použitým v predchádzajúcom dôkaze. α3 . musíme ich predeliť veľkosťou. γ1 . 1). dostaneme 1 2 13 e=− 11 1 13 γ3 = α 3 − γ 1 − γ2 2 11 4 12 20 12 γ3 = − . Platí √ |γ1 | = 2 √ 11 |γ2 | = √ 2 √ √ 704 8 11 8 = =√ |γ3 | = 11 11 11 a teda ortonormálna báza priestoru V je 1 β1 = √ (1. 0. −1). γ1 = 1. . 0. 1. 0) 2 √ 1 2 1 β2 = √ ( . že V = [(1. 0.) Opäť dostaneme: γ1 = α1 = (1. ktoré generujú V . Takže skúsme ešte takýto postup – vypočítajme najprv jednoduchšiu bázu pre priestor V . 1). −1). 0. 3.KAPITOLA 1. 1). Ale dostať „peknú bázu vieme – to sa dá urobiť pomocou elementárnych riadkových operácií. 0. Aby sme z nich dostali ortonormálne. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 11 z čoho d=− α3 . Nevedeli by sme si nejako zjednodušiť tieto výpočty? Možnože keby sme mali bázové vektory pôvodnej bázy o niečo jednoduchšie. γ2 = 11 2 . 1. ktoré sme dostali vyzerajú pomerne zložito. γ2 e=− γ2 . 1. 5). že Vás nebude príliš pliesť. čiže tentokrát ako štartovací bod pre Gram-Schmidtovu ortogonalizáciu použijeme bázové vektory α1 = (1. 11 11 11 11 Zatiaľ sme teda dostali ortogonálne vektory. 1) 2 11 2 − 12 4 12 20 . 10 1 0 10 1 0 10 1 0 1 0 0 −1 1 0 0 −1 0 2 −1 1 ∼ 0 2 −1 1 ∼ 0 2 −1 1 ∼ 0 2 0 2 ∼ 010 1 Vidíme teda. α2 = (0. 1. 0.− . −4. 1)]. 0. −1). 11 02 1 3 00 2 2 00 1 1 001 1 001 1 . (0. − . γ1 = 2. Dôvod nie je ten. (0.

0. . 0. 1. . −1) = 2 c=− 1 2 1 1 .j. kde α ∈ S a β ∈ S ⊥ . . 0. pričom α1 . γ1 α3 . tak α ∈ S a β ∈ S ⊥ . že S má ortonormálnu bázu a tú môžeme rozšíriť na ortonormálnu bázu celého V . . . β1 = β2 = 1 γ1 = √ (1. 0. 0. 1) + (1. 0. 2 2 Ďalej hľadáme γ3 v tvare γ3 = α3 + dγ1 + eγ2 . že γ2 . 1. γ2 1 1 γ3 = (0. t.4 vytvoríme ortonormálnu bázu.2. Koeficienty e a f opäť určíme z podmienok ortogonality. 0.12 Gram-Schmidtov ortogonalizačný proces Vektor γ2 hľadáme v tvare α2 + cγ1 a z podmienky. 0. − . . α2 ∈ S a β1 . − . Ľubovoľný vektor γ sa dá jednoznačne zapísať ako γ = c1 α1 + · · · + ck αk + ck+1 αk+1 + · · · + cn αn . 1. α3 . γ1 γ1 .6. γ2 e=− γ2 . 1) + (1. Jednoznačnosť: Majme dva rozklady uvedeným spôsobom. β3 = |γ3 | 2 3 3 3 Existenciu ortogonálnej bázy môžeme použiť na dôkaz niektorých ďalších faktov o ortogonálnom doplnku. α2 −1 =− = γ1 . γ = α 1 + β1 = α 2 + β2 . že γ1 . 2 2 = = 1 1 1 . pretože boli ortonormálne už pred ortonormalizáciou. β2 ∈ S ⊥ . Potom ľubovoľný vektor γ ∈ V sa dá jednoznačne vyjadriť ako γ = α + β. tak bázové vektory patriace do S sa nezmenia. 0. γn sú ostatné vektory ortonormálnej bázy V . γ1 2 1 γ2 = (0. . 1. 0. Existencia: Vieme. 0. (Presnejšie povedané: Vieme ju podľa Steinitzovej vety rozšíriť na bázu celého V . 1. 3 3 3 Teraz už zostáva len každý vektor predeliť jeho veľkosťou. γk tvoria ortonormálnu bázu S a vektory γk+1 . Veta 1.) Nech teda vektory γ1 . Nech S je podpriestor konečnorozmerného euklidovského priestoru V . ak z tejto bázy postupom použitým v dôkaze vety 1. 1. Ak zvolíme α = c1 α1 + · · · + ck αk a β = ck+1 αk+1 + · · · + cn αn . .2. γ1 = 0 nám vyjde. −1) − 2 3 d=− 1 2 1 =− 3 1 1 . 1. 12 . −1) |γ1 | 2 γ2 1 2 1 = . Dôkaz. |γ2 | 3 2 2 √ 1 3 1 1 γ3 = .

2. (Každý vektor z S je kolmý na všetky vektory ⊥ z S .16 a časti (ii) dostaneme (S ⊥ + T ⊥ )⊥ = (S ⊥ )⊥ ∩ (T ⊥ )⊥ = S ∩ T. že vektor α1 − α2 patrí do S ∩ S ⊥ . Nech S. Priestor.11). v ktorom budeme pracovať je priestor postupností ∞ V = 2 = {(xn ) ∈ RN . že v nekonečnorozmerných priestoroch tvrdenia dokázané v predchádzajúcom dôsledku neplatia vo všeobecnosti v prípade. že toto zobrazenie je lineárne (úloha 1. Samozrejme. Z toho ale potom vyplýva α1 − α2 . α1 − α2 = 0 a α1 − α2 = 0.4.2.6. čiže α1 = α2 .) Súčasne máme V = S ⊕ S ⊥ = (S ⊥ )⊥ ⊕ S ⊥ .18). (Tento príklad je o čosi komplikovanejší.9. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 13 Z rovnosti α 1 − α 2 = β2 − β1 vidíme.2. platí S = S ⊥ (tvrdenie I-4.) Príklad∗ 1. (iii) Použitím tvrdenia 1. ktoré danému vektoru priradí jeho ortogonálnu projekciu. (i) Vyplýva z predchádzajúcej vety a z vety I-4. a teda d(S) = d((S ⊥ )⊥ ). T sú podpriestory konečnorozmerného priestoru V .5. ktorých zaujíma analýza. n 13 .2.7. z čoho pre dimenzie dostaneme d(S) + d(S ⊥ ) = d((S ⊥ )⊥ ) + d(S ⊥ ). Potom: (i) V = S ⊕ S ⊥ (ii) (S ⊥ )⊥ = S (iii) (S ∩ T )⊥ = S ⊥ + T ⊥ . Definícia 1. dostávame rovnosť S ⊥ + T ⊥ = (S ∩ T )⊥ . (ii) Priamo z definície vidno. potom musí platiť aj β1 = β2 . V situácii z predošlej vety sa vektor α nazýva ortogonálna projekcia vektora γ na podpriestor S. by mohol byť zaujímavý.8. ale aspoň pre tých z vás.1. Ľahko sa overí. Keďže S je podpriestor (S ⊥ )⊥ a majú rovnakú dimenziu. Dôsledok 1.KAPITOLA 1. n=1 x2 < +∞}. Ak ešte raz aplikujeme operátor ortogonálneho doplnku a použijeme (ii). Termín ortogonálna projekcia sa často používa aj pre zobrazenie P : V → V . Nasledujúci príklad ukazuje. Dôkaz. že euklidovský vektorový priestor a podpriestory vystupujúce v dôsledku sú nekonečnorozmerné. že S ⊆ (S ⊥ )⊥ .

ktoré sčitujeme sú absolútne konvergentné. ak konverguje rad |an |. Vidíme teda. Tento priestor hrá dôležitú úlohu v matematickej analýze. (yn ) ∈ 2 . že tento predpis naozaj určuje zobrazenie 2 × 2 → R (teda. že sa to dá urobiť. Keďže ide o podmnožinu vektorového priestoru RN (a operácie sú definované rovnako). že (xn + yn ) ∈ Zvoľme si teraz podpriestor S = {(xn ) ∈ 1 Pripomeňme. keď si ešte uvedomíme. že rady vystupujúce na pravej strane rovnosti (1.) Podobný postup sa využije aj na dôkaz. ∞ (xn + n=1 2. s ktorým budeme pracovať. že ide o euklidovský vektorový priestor– chýba nám overenie podmienky. t. (Stačí v nej zobrať limitu pre n → ∞. 2 . čo znamená.3.3) majú konečný súčet. ktoré v nej vystupujú). či môžeme takýmto spôsobom zmeniť poradie sumácie. V prípade radu n=1 xn yn si stačí všimnúť. Overenie jednotlivých vlastností skalárneho súčinu je len o niečo zložitejšie ako v príklade 1. s ktorou obvykle začíname. Stále sme však ešte neoverili. to. teda platí yn )2 < +∞. že všetky rady na pravej strane (1. stačí overiť uzavretosť na súčet a skalárny násobok. ∞ znamená to. že V je vektorový priestor. Netriviálna je iba uzavretosť na súčet.j. pre ne je absolútna konvergencia zrejmá.14 Gram-Schmidtov ortogonalizačný proces Skalárny súčin. Túto nerovnosť môžeme dostať napríklad limitným prechodom z (1. n n=1 2 yn . xn = 0 pre všetky n okrem konečného počtu} ∞ že rad n=1 an je absolútne konvergentný.j. Fakt. že 2 skutočne tvorí podpriestor priestoru RN . že rady n=1 ∞ x2 i n ∞ n=1 2 yn konvergujú. n=1 ∞ tak vidíme. t. Ak (xn ). či skutočne platí rovnosť (*).1). že pre každé 2 postup∞ nosti z 2 je súčet n=1 xn yn konečný) vyplýva z nerovnosti (1. že uvedená nerovnosť platí pre všetky čiastočné súčty radov. že platí ∞ ∞ xn yn ≤ n=1 |xn yn |. že platí nerovnosť ∞ ∞ ∞ |xn yn | ≤ n=1 n=1 x2 .1) (z (1.1) vieme. čím mám dokázanú platnosť tejto rovnosti. je ∞ x. Potom máme ∞ ∞ ∞ ∞ (xn + yn )2 = n=1 2 (x2 + 2xn yn + yn ) = n n=1 (∗) x2 + 2 n n=1 n=1 xn yn + n=1 2 yn . Z matematickej analýzy vieme.1 Keďže rady ∞ n=1 x2 a n ∞ n=1 ∞ 2 yn sú rady s kladnými členmi. (1.3) Dôležité je uvedomiť si. y = n=1 xn yn . ak rady.1. Navyše.3) sú absolútne konvergentné. n=1 14 .

2).1. tak existuje skalárny súčin na V taký. 1. t. 3). 1. 1). b2 . 2.1. tak všetky takéto postupnosti patria do S. že v ľubovoľnom euklidovskom priestore platí: a) α. a3 ) a β = (b1 . a2 . b3 ). 0.j. 1)] e) S = [(2. . 1. −1. 0. (S ⊥ )⊥ = {0}⊥ = V. 3. že |α| = 15 . 1.2. 1).2.5. 1.6.3. (ii). či sin πx a cos πx sú kolmé v priestore C(0. 4). 2. 5.4. 0 . . Akú majú tieto vektory veľkosť? Úloha 1. g = f (−1)g(−1) + f (0)g(0) + f (1)g(1) určuje skalárny súčin na priestore P2 všetkých polynómov stupňa najviac 2 nad poľom R. ktorá spĺňa podmienky (i). (0. (iii) a (v) z tvrdenia 1. (0. 1)] f) S = [(1. . Zistite. ktorá má všetky členy okrem n-tého miesta nuly a jej n-tý člen 1. −1)] c) S = [(1. 1). en = (0. (2.6∗ . Cvičenia Úloha 1. −1)] d) S = [(1.KAPITOLA 1. (1. (1. ktoré majú iba konečne veľa nenulových členov.8 i rovnobežníkové pravidlo. 0. β = a1 b1 + a1 b2 + a2 b1 + 3a2 b2 + a3 b3 f) α. 1. . (2. g = f (0)g(0) + f (1)g(1) b) f. Nájdite bázu a dimenziu S ⊥ pre daný podpriestor S priestoru R4 : a) S = [(1. β = a1 b2 + a2 b1 i) α. Ukážte. 1. ). 2. 1). 2. β = 3a1 b2 + 2a2 b2 + a3 b3 d) α. β (kosínová veta) c) |α + β|2 + |α − β|2 = 2(|α|2 + |β|2 ) (rovnobežníkové pravidlo) Úloha 1. β = 0 ⇒ |α + β|2 = |α|2 + |β|2 (Pytagorova veta) b) |α + β|2 = |α|2 + |β|2 + 2 α. β = a1 b1 + 2a1 b2 + 2a2 b1 c) α. Overte či predpis a) f. . en = xn = 0. či daný predpis určuje skalárny súčin na R3 .2. (1. 0. . Platí S ⊥ = {0}. EUKLIDOVSKÉ VEKTOROVÉ PRIESTORY 15 pozostávajúci z tých postupností. −1. 1.2. 1. 1. 1. že ak |·| : V → R je funkcia definovaná na vektorovom priestore V nad R. α. 2. Úloha 1. Stačí si uvedomiť. 1)] Úloha 1. 2. Z toho dostaneme S ⊕ S ⊥ = S = V.1. β = a1 b1 − a1 b2 + a1 b3 + a2 b1 + 3a2 b2 − a3 b3 b) α. Teda pre každú postupnosť z S ⊥ dostaneme x. (2. 0. Dokážte. β = a1 b1 + a2 b2 + a3 b3 e) α. 1)] b) S = [(1. Zistite. 1. 3. β = a1 b1 + a1 b2 + a2 b1 + a2 b2 + 2a3 b3 g) α. 2. 4. a) α. 1. že ak ako en označíme postupnosť.2.2. α pre všetky α ∈ V . −2. 1). β = 3a1 b1 + 2a1 b2 + a2 b1 + 3a3 b3 Úloha 1. 1) so skalárnym súčinom z príkladu 1. (4. Nech α = (a1 . β = a1 b1 + 2a1 b2 + 2a2 b1 + a2 b2 + 2a3 b3 h) α. 3).2.

8. (Hint: Skúste si uvedomiť. Úloha 1. (Po vynormovaní by sme dostali množinu funkcií. Overte. .2. . že funkcia |·| : Rn → R. . αk . druhá je zrejmá.n (R) určuje predpis A. .2. . ktorú z inklúzií medzi S a S ⊥ sme v dôkaze dôsledku 1. B.1.2. . |α| = Úloha 1. [Odpovede: b) αT α. Nech P : V → V je ortogonálna projekcia na tento podpriestor. . Pre štvorcovú maticu typu n × n definujeme stopu matice ako súčet jej dian gonálnych prvkov. B pomocou prvkov matíc A. . Overte.] Úloha 1. Hint 2: Možno vám pri tom pomôžu rovnosti Tr(AB) = Tr(BA) a Tr(A) = Tr(AT ). . . c) AT A.2.1.2. .10. pričom vektory α1 . b) Im P = S a Ker P = S ⊥ . Ukážte.2. že: a) P je lineárne zobrazenie.2. .11. . sin nx. b) pre ľubovoľný podpriestor S = [α]. t. Úloha 1.12.16 Gram-Schmidtov ortogonalizačný proces Úloha 1. kde A je matica. αk sú ortonormálne. Túto inklúziu použite raz pre S a raz pre S ⊥ . Tr(A) = i=1 aii . |(x1 .2. že pre ľubovoľný podpriestor S euklidovského vektorového priestoru V platí S ⊥⊥⊥ = S ⊥ . 2π) všetkých spojitých funkcií z uzavretého in2π tervalu 0.) Úloha 1.9. 2π do R so skalárnym súčinom f. Nech S je podpriestor konečnorozmerného euklidovského vektorového priestoru V . c) pre podpriestor S = [α1 . .8. . (Hint 1: Pokúste sa vyjadriť hodnotu A. .7. Prvá z nich sa dá ľahko overiť pomocou definície súčinu.) Úloha 1.8 dokázali bez použitia predpokladu o konečnorozmernosti. pričom vektor α je normovaný (má jednotkovú dĺžku). αk ]. . že α. .j. (iii) a (v) z tvrdenia 1. Nájdite ortonormálnu bázu pre priestory z úlohy 1. Tento systém funkcií je dôležitý v matematickej analýze v súvislosti s Fourierovými radmi.13. (ii). Nájdite maticu ortogonálnej projekcie pri obvyklom skalárnom súčine pre: a) priestory z úlohy 1.) 16 . cos nx} na seba kolmé. α (pre všetky α ∈ Rn ). Ukážte. či na vektorovom priestore Mn. i = 1. ale neexistuje skalárny súčin na Rn taký.1.2. ktorej riadky tvoria vektory α1 . .2. . g = 0 f (x)g(x)dx sú ľubovoľné dve rôzne funkcie z množiny {1. xn )| = max{|xi |. B = Tr(AB T ) skalárny súčin. Overte. že v priestore C(0. n} spĺňa podmienky (i). ktorá má v tomto priestore do istej miery podobné vlastnosti ako ortonormálna báza v konečnorozmerných priestorov.

1. V súvislosti s touto definíciou je užitočné ozrejmiť si zopár faktov. Slovo polynóm je v definícii uvedené v zátvorke preto. Výraz (polynóm) aij xi xj . i=1 j=1 kde aij ∈ R a x1 . x2 . ktoré tieto polynómy určujú. (Takéto polynómy viacerých premenných. . Poznámka 2. 2. že dva polynómy uvedeného tvaru sa rovnajú ak pre všetky i platí aii = bii a súčasne pre i = j platí aij + aji = bij + bji . 2. 1. sa nazývajú homogénne polynómy. že premenné komutujú. . x3 ) 0 2 2 x2  0 0 1 x3 17 . ktoré majú všetky členy rovnakého stupňa. Podobne je to aj v tomto prípade – čiže kvadratické formy môžeme chápať ako polynómy n premenných špeciálneho tvaru. xn sú (komutujúce) premenné budeme nazývať kvadratická forma v premenných x1 . že platí xi xj = xj xi – presne to je myslené tým.1. Podobne by sme mohli definovať kvadratickú formu nad ľubovoľným poľom. . Pri násobení polynómov viac premenných si treba uvedomiť.1 Definícia a základné vlastnosti n n Definícia 2. . . Kapitola 9]. 1 2 3 Všimnime si. . že ju môžeme zapísať aj pomocou maticového zápisu    1 2 4 x1 (x1 .1. . ako sa takéto polynómy sčitujú a násobia. že v definícii sa hovorí.Kapitola 2 Kvadratické formy Táto kapitola je spracovaná prevažne na základe [KGGS. Znamená to teda.1. že s polynómami viac premenných sme doteraz nepracovali. Príkladom kvadratickej formy je x2 + 2x1 x2 + 2x2 + 4x1 x3 + 2x2 x3 + x2 . že v prípade polynómov jednej premennej nad poľom R bola rovnosť polynómov ekvivalentná s rovnosťou polynomických funkcií. xn . 3. Intuitívne by však mohlo byť zrejmé. Budeme sa však zaoberať iba reálnym prípadom.) Príklad 2. . Vieme.3.2.

xn ). matica B vyjadruje tú istú kvadratickú formu práve vtedy.1. kde B je symetrická matica. čo sme si povedali o rovnosti kvadratických foriem. x2 + 2x1 x2 + 2x2 + 4x1 x3 + 2x2 x3 + x2 = (x1 + x2 + 2x3 )2 + x2 − 2x2 x3 − 3x2 = 1 2 3 2 3 (x1 + x2 + 2x3 )2 + (x2 − x3 )2 − 4x2 = (x1 + x2 + 2x3 )2 + (x2 − x3 )2 − (2x3 )2 3 To znamená. x3 ) 1 2 1 x2  . n n 2.2. . že matica b je symetrická je táto rovnosť ekvivalentná s rovnosťami 2bij = aij + aji aij + aji bij = 2 Ľahko vidíme. y3 ). x3 ) a β = (y1 . Ak označíme α = (x1 . ako tento fakt môžeme zapísať pomocou maticového zápisu. y2 . keď platí aij + aji = bij + bji pre ľubovoľné i a j. že matica určená takýmto predpisom je skutočne symetrická (bij = bji ). ak označíme α = (x1 . že takáto reprezentácia je už jednoznačná. Upravíme ju pomocou doplnenia na štvorec. Každá kvadratická forma sa dá jednoznačne zapísať ako αBαT .2 Kanonický tvar kvadratickej formy Pokúsme sa upraviť kvadratickú formu z príkladu 2.1. Príklad 2. 2 1 1 x3 Výhoda reprezentácie pomocou symetrickej matice je v tom. Vďaka tomu.n (R) je αAαT kvadratická forma. Nám sa bude hodiť hlavne reprezentácia pomocou symetrickej matice    1 1 2 x1 (x1 .4.18 Kanonický tvar kvadratickej formy Všeobecne. Veta 2. . . Skúsme si ešte rozmyslieť. Uvažujme kvadratickú formu i=1 j=1 aij xi xj . tak pre ľubovoľnú maticu A ∈ Mn. x2 . Súčasne sme ukázali. . tak uvedenú transformáciu premenných môžeme zapísať ako β = αP. že ak by sme zaviedli nové premenné y1 = x1 + x2 + 2x3 y2 = x2 − x3 y3 = 2x3 tak pomocou týchto premenných môžeme kvadratickú formu zapísať v jednoduchšom tvare 2 2 2 y1 + y2 − y3 . x2 . ktorý môže byť na niektoré účely vhodnejší. Podľa toho.3 na iný tvar. Tú istú kvadratickú formu by sme mohli zapísať aj pomocou iných matíc. 18 .1. že toto je jediná možnosť ako voliť koeficienty matice B. Dôkaz.

ktorý zodpovedá diagonálnej matici majúcej na diagonále iba prvky 0. kde používame iný postup než doplnenie na štvorce. Hovoríme.3. Z postupu použitého v predchádzajúcom príklade by mohlo byť vidno.1. že matica kvadratickej formy y1 +y2 −y3 sa dá vyjadriť ako B = P −1 A(P −1 )T . 2 2 2 Zistili sme. že každá symetrická matica je kongruentná s diagonálnou maticou takéhoto tvaru. t. keď predstavujú tú istú kvadratickú formu. tak dostaneme αAαT = βP −1 A(P −1 )T β. Ešte skôr než sa pustíme do dôkazu. α = βP −1 . Všimnime si. že pre maticu D = 0 1 0 platí 0 0 −1 D = P −1 AP −1 A = P DP T T Definícia 2. Inak povedané. ak existuje regulárna matica P taká. že A = P BP T . že túto kvadratickú môžeme zapísať pomocou symetrickej matice A = ako αAαT . ±1. Teraz by sme chceli ukázať. Dôkaz bude konštruktívny a bude sa podobať na postup z predchádzajúceho príkladu. že dve matice sú kongruentné práve vtedy.2.1). Ľahko sa dá overiť.2. Príklad 2.j. len vyjadrenú v iných premenných. vyskúšame si na jednom príklade jediný krok tohoto dôkazu.KAPITOLA 2. KVADRATICKÉ FORMY 19 kde 1 P = 1 2  0 1 −1  0 0 . že túto kvadratickú formu vieme previesť na tvar y1 −y2 pomocou transformácie y1 = x1 + x2 2 x1 − x2 y2 = 2 19 . že každú kvadratickú formu môžeme pomocou vhodnej transformácie premenných previesť na podobný tvar – taký.2. chceme ukázať. 2 2 To znamená. Všimnime si.2. Pretože podľa vety 2. že x1 x2 = (x1 + x2 )2 (x1 − x2 )2 x1 x2 − = + 4 4 2 2 2 − x1 x2 − 2 2 2 . že matice A a B sú kongruentné. že táto matica je symetrická – platí totiž B T = (P −1 A(P −1 )T )T = P −1 AT (P −1 )T .2.4 je symetrická matica prislúchajúca danej kvadratickej formy jedno10 0 značne určená. že kongruencia matíc je relácia ekvivalencie (úloha 2.4. 2 112 121 211 Vieme. Ak vyjadríme vektor α pomocou vektoru β. Poznámka 2. zistili sme vlastne. Uvažujme kvadratickú formu x1 x2 .

Všimnime si všetky členy. že pre matice A = T 0 1 2 1 2 0 . že ľubovoľnú kvadratickú formu možno previesť na diagonálny tvar 2 2 2 c1 y1 + c2 y2 + · · · + cn yn . ktoré obsahujú premennú x1 a vhodne ich upravme. Z tohoto tvaru už kanonický tvar dostaneme ľahko – stačí zaviesť nové premenné zi = yi pre tie i. . . kde dk ∈ {0.) Veta 2. 1 2◦ Predpokladajme. Alebo tiež obrátene. ±1}. . ktoré sme si ukázali v predchádzajúcich príkladoch. . že matica P určujúca túto transformáciu je regulárna. (Tieto matice sme dostali z vyjadrenia transformácií premenných podobným spôsobom ako v predchádzajúcom príklade. Pre ľubovoľnú kvadratickú formu i=1 j=1 aij xi xj existuje regulárna transformácia premenných (y1 . . n n n n aij xi xj = a11 x2 + 2a12 x1 x2 + · · · + 2a1n x1 xn + 1 i=1 j=1 aij xi xj = i=2 j=2 n n a11 x2 + 2 1 a11 x1 + a12 a1n x1 x2 + · · · + 2 x1 xn a11 a11 2 n a12 a1n x2 + · · · + xn a11 a11 − i=2 a2 2 1i x − a11 i aij xi xj = i=2 j=2 n n n n a1i a1j xi xj + aij xi xj a11 i=2 j=i+1 i=2 j=2 + 20 . Uvažujme kvadratickú formu i=1 j=1 aij xi xj . že matica A = aij je symetrická. . že a11 = 0. Ukážeme len. že premenné x1 a x2 sme transformovali ako x1 = y1 + y2 x2 = y1 − y2 Môžeme si všimnúť. yn vyjadriť ako n n n n n T 1 0 0 −1 . Predpokladajme najprv. . B = QAQ . Dôkaz je v podstate konštruktívny a budeme v ňom používať postupy. 1◦ Ak máme len 1 premennú. tak kvadratická forma a11 x2 je už v diagonálnom tvare. . .20 Kanonický tvar kvadratickej formy Ekvivalentne to môžeme vyjadriť tak. že táto kvadratická forma sa dá v premenných y1 . . že uvedené tvrdenie platí pre ľubovoľnú kvadratickú formu n − 1 n n premenných. . Takáto transformácia premenných je očividne regulárna. Budeme postupovať matematickou indukciou vzhľadom na počet premenných n. . kde Q = . Bez ujmy na všeobecnosti môžeme predpokladať. Dôkaz. B = A = P BP .2. xn )P taká. i=1 j=1 Pod pojmom regulárna transformácia premenných v predchádzajúcej vete rozumieme to. Zápis v tvare n k=1 2 dk yk budeme nazývať kanonický tvar kvadratickej formy n n aij xi xj . 1 1 1 −1 P = 1 2 1 1 1 −1 opäť platí aij xi xj = i=1 j=1 k=1 2 dk yk . pre ktoré ci = 0 a zi = |ci |yi pre ostatné i. yn ) = (x1 .5.

6). Vtedy je už kvadratická forma v kanonickom tvare 0x2 + · · · + 0x2 . Každá reálna symetrická matica typu n × n je kongruentná s nejakou diagonálnou maticou diag(d1 . . . n. . ktorá určite bude obsahovať yi s nenulový koeficientom. KVADRATICKÉ FORMY 21 Ak označíme y1 = x1 + formu na tvar a12 a11 x2 + ··· + a1n a11 xn . n 1 Z toho. že aii = 0 pre nejaké i stačí vymeniť premenné x1 a xi (čo je regulárna transformácia) a ďalej postupovať ako v predchádzajúcom prípade. . ale existujú nejaké i a j také.. Ďalej môžeme opäť postupovať ako v predchádzajúcom prípade. Predtým však pripomeňme niečo o tom. kde E je matica elementárnej riadkovej operácie – je to taká matica. .6.KAPITOLA 2. Podľa indukčného predpokladu sa dá táto kvadratická forma previesť regulárnou transfor2 máciou premenných na diagonálny tvar c2 y2 +· · ·+cn x2 . . . že di ∈ {0. dostávame |P | = |P |. že sme súčasne dokázali nasledujúce tvrdenie o symetrických reálnych maticiach. že aij = 0. že ak riadková operácia vytvorila z matice A maticu EA. . tak 2 dostaneme novú kvadratickú formu. V prípade. . Dôsledok 2. . . Ak sú všetky diagonálne prvky matice aij nulové. xn ). Zostáva nám vyriešiť prípad. .2. Vysvetlíme si ešte (aspoň na konkrétnom príklade) iný postup ako vieme z danej symetrickej matice dostať jej zodpovedajúcu diagonálnu maticu i príslušnú maticu prechodu..4. že a11 = 0. xn ). . . použijeme postup z príkladu 2. stĺpcovú operáciu si môžeme predstaviť ako vykonanie riadkovej operácie na matici AT (a potom opätovné transponovanie). čo sme si ukázali v príklade 2. . P an1 a11 Ak urobíme Laplaceov rozvoj podľa prvého riadku.1 vyplýva. . Kombináciou týchto 2 transformácií n prevedieme pôvodnú kvadratickú formu na 2 2 a11 y1 + c2 y2 + · · · + cn x2 . .2. Vykonaním elementárnej riadkovej operácie na matici A dostaneme maticu EA. . Použitá transformácia je opäť regulárna. tak matica transformácie pôvodnej kvadratickej formy je   1 0 . Zostáva jediný prípad – že všetky čísla aij sú nulové. že ak E je matica riadkovej operácie. ±1} pre i = 1 . xn ) je kvadratická forma v n − 1 premenných x2 .2. . ktorú dostaneme z jednotkovej matice použitím tejto riadkovej operácie. . . ako súvisia riadkové a stĺpcové operácie s násobením matíc (pozri podkapitolu I-5. xn . n Ak ako P označíme maticu transformácie pre kvadratickú formu B(x2 . dn ) takou.   . kde B(x2 . 001 Podobne ako riadkové operácie zodpovedajú násobeniu vhodnou maticou zľava. Napríklad pripočítanie c-násobku prvého riadku 100 k druhému zodpovedá vynásobením maticou c 1 0 zľava. . Všimnime si tiež. pre tú istú stĺpcovú operáciu dostaneme maticu E T . takže dostaneme 21 . . 0 a   a21   11   . Ak totiž dosadíme xi = yi + yj a xj = yi − yj . Vidno to z toho. čiže matica P je tiež regulárna. podarilo sa nám upraviť pôvodnú kvadratickú 2 a11 y1 + B(x2 . pre stĺpcové operácie treba použiť násobenie sprava.

ktorý práve upravujeme. Jediný rozdiel bol v tom. .2. (1’) je rovnaká operácia pre stĺpce (všimnite si. aby sme dostali maticu. . . nedelili sme riadok c-čkom ale iba |c|.2. mohli by sme si pomôcť pripočítaním riadku (a stĺpca). Teda použitím riadkových a stĺpcových operácií by sme mohli dostať diagonálnu maticu a aj maticu transformácie premenných. E1 AE1 . Zhodou okolností sa pri tejto voľbe vynulovali aj zvyšné nediagonálne prvky. Príklad 2. Postup. (Na to. 22 .7. ktorý sme si práve vysvetlili. že vždy po vykonaní riadkovej aj stĺpcovej operácie musím dostať symetrickú maticu) (2) 3r-=2*1r (3) 3r+=2r (4) 4r*=1/2 I= 100 010 001 (1) ∼ 1 00 −1 1 0 0 01 (2) ∼ 1 00 −1 1 0 −2 0 1 (3) ∼ 1 00 −1 1 0 −3 1 1 (4) ∼ 1 0 0 −1 1 0 1 −3 1 2 2 2 =: Q Priamym výpočtom môžeme overiť. V prípade. že ak sme z prvku c na diagonále chceli dostať ±1.1 platí P = Q−1 . V jednotlivých krokoch je urobená vždy riadková aj stĺpcová úprava 1 0 0 110 100 A = 1 1 1 ∼ 0 0 1 ∼ 0 −1 0 =: D 011 011 0 0 1 V poslednom kroku sme od druhého riadku/stĺpca odrátali tretí riadok/stĺpec. . Príklad 2.2. ktorý obsahuje nenulový prvok mimo diagonály – ako v nasledujúcom príklade. že by sa vyskytla nula na diagonále. Ak by sa nám takto podarilo upraviť maticu A na diagonálnu maticu. E1 )T .) Použitím rovnakých riadkových úprav na jednotkovú maticu dostaneme 1 00 1 0 0 100 0 1 0 ∼ −1 1 0 ∼ −1 1 −1 := P 001 0 01 0 0 1 Pre túto maticu platí P AP T = D. Tiež si môžeme všimnúť. Na tomto sme videli príklade. En = En . že skutočne platí D = QAQT . si ukážeme na matici kvadratickej formy z príkladu 2. ktorú sme dostali v príklade 2. E1 . . E1 A(En . Pokúsme sa upraviť na kanonický tvar nasledujúcu maticu. Budeme teda robiť striedavo elementárne riadkové a stĺpcové operácie. Napríklad pripočítanie c-násobku prvého stĺpca k druhému je to isté ako vynásobenie maticou 1 c 0 010 001 sprava. je postup veľmi podobný na úpravu matice na redukovaný trojuholníkový tvar.1. kde P označuje En .22 Kanonický tvar kvadratickej formy (EAT )T = AE T .j.2. .8. že pre maticu P . že ak by sme začali s maticou A a robili na nej riadkové aj stĺpcové operácie (t. aby sme na diagonále dostali nenulový prvok a mohli pokračovať ďalej. . ktorá transformuje A na diagonálnu maticu A = 112 121 211 10 0 (4) 01 0 ∼ 0 0 −4 11 2 0 1 −1 21 1 10 0 (4 ) 01 0 ∼ 0 0 −2 (1) ∼ (1 ) ∼ 1 0 2 0 1 −1 2 −1 1 (2) ∼ 1 0 2 0 1 −1 0 −1 −3 (2 ) ∼ 1 0 0 0 1 −1 0 −1 −3 (3) ∼ 10 0 0 1 −1 0 0 −4 (3 ) ∼ 10 0 01 0 0 0 −1 =D (1) 2r-=1r (od druhého riadku odrátam prvý). . . že pokiaľ sa v priebehu úprav v tom riadku. dostali by sme rovnosť P AP T = D. . Súčasne budeme na matici I robiť tie isté riadkové operácie. na diagonále nevyskytne 0. stačilo by nám pripočítať ľubovoľný nenulový násobok tretieho riadku/stĺpca. po použití riadkovej operácie by sme hneď urobili aj tú istú operáciu na stĺpcoch) dostali by sme maticu T T En . Z toho vidno.

že bude v nejakom zmysle jednoznačný.. kongruencia symetrických matíc. Máme rovnosť 2 2 2 2 2 2 2 2 z1 + · · · + zr − zr+1 − · · · − zt = y1 + · · · + yk − yk+1 − · · · − ys . . 23 . n i=1 x2 + xi xk na diagonálny tvar. . Zostáva nám dokázať.. ..3. Preveďte kvadratickú formu 3 2 2 2 [Výsledok: y1 + 4 y2 + 4 y3 + · · · + 6 n+1 2 2n yn . ktorou sme túto kvadratickú formu previedli na kanonický tvar). .4∗ . že s = t a k = r. t.. ktoré z nich vyplývajú: a) x2 + 2x1 x2 + 2x2 + 4x2 x3 + 5x2 1 2 3 b) x2 − 4x1 x2 + 2x1 x3 + 4x2 + x2 1 2 3 c) x1 x2 + x2 x3 + x3 x1 d) x2 − 2x1 x2 + 2x1 x3 − 2x1 x4 + x2 + 2x2 x3 − 4x2 x4 + x2 − 2x2 1 2 3 4 e) x2 + x1 x2 + x3 x4 1 Úloha 2. 1 0 . . 0 1  3 1 0 . Overte. Chceme ukázať.2.j. Dôkaz.. (2... takže nemení hodnosť matice.j.. Úloha 2. . Uvažujme kvadratickú formu αAαT ... (y1 ... . 1 1 1 1 2 3 4 . ..1) a t je hodnosť matice pre kvadratickú formu (2.2. Predpokladajme. Teda s aj t sa musí rovnať hodnosti matice A. že sa dá regulárnou transformáciou previesť na tvar 2 2 2 2 y1 + · · · + yk − yk+1 − · · · − ys (2. že relácia A ∼ B..3∗ . Preveďte kvadratickú formu 1≤i<k≤n xi xk na diagonálny tvar. KVADRATICKÉ FORMY 23 Cvičenia Úloha 2.KAPITOLA 2. . je relácia ekvivalencie na množine reálnych symetrických matíc typu n × n. Súčasne vieme. zn ) = (x1 . .2) Označme ako P1 a P2 regulárne matice. t. ...2. ..2..2. . yn ) = (x1 . xn )P1 a (z1 . . dá sa očakávať. Cieľom tejto kapitoly je práve sformulovať a dokázať túto jednoznačnosť. i  1 0 1≤i<k≤n0  . Tieto matice môžeme vyjadriť ako −1 −1 −1 −1 D1 = P1 A(P1 )T a D2 = P2 A(P2 )T .1) a súčasne (inou regulárnou transformáciou) na tvar 2 2 2 2 z1 + · · · + zr − zr+1 − · · · − zt . .2. Pre danú kvadratickú formu je počet výskytov +1 a počet výskytov −1 v jej kanonickom tvare jednoznačne určený (nezávisí od transformácie. 0 . Veta 2.1. Upravte na diagonálny (prípadne kanonický) tvar a nájdite príslušnú transformáciu premenných. Zapíšte aj maticové rovnosti. .2)... . n 1 1 2 1 2 P = ] Úloha 2. . Všimnime si... že k = r. že s je presne hodnosť diagonálnej matice zodpovedajúcej kvadratickej forme (2. že násobenie regulárnou maticou zodpovedá lineárnemu izomorfizmu.5 nazvali kanonický.. . . ktoré zodpovedajú tejto transformácii premenných. xn )P2 . .3 Zákon zotrvačnosti Keďže sme tvar kvadratickej formy z vety 2. ....1. . 2. .

keď −A je záporne (semi)definitná. Tým súčasne charakterizuje symetrické matice. Ukážeme. existuje aspoň jedno nenulové riešenie. . . Hovoríme. Je ľahké si všimnúť. . Nech A je symetrická reálna matica. na základe (2. xn ) = (z1 . keď existuje regulárna matica P taká. že kanonický tvar kvadratickej formy je až na výmenu premenných jednoznačne určený. (2. T čo je spor s tým. Veta 2. Definícia 2. P αT = 0T . . Nasledujúca veta charakterizuje kladne definitné matice. že A je a) kladne semidefinitná.4) Všimnime si. Predchádzajúca veta nám teda vlastne hovorí. d) záporne definitná. . ktorý vyhovuje rovnice (2.1.2. . ak pre každý nenulový vektor α = 0 platí αAαT > 0. . . . ak pre každý vektor α platí αAαT ≤ 0.3) Predpokladajme najprv. (2. . že za tohoto predpokladu sa dá nájsť nenulový vektor (x1 . . . . . b) kladne definitná. . . zt . Niekedy nás zaujímajú kvadratické formy. . Ak však nájdeme x1 .5). . Lenže potom máme −1 (x1 . že vektor (x1 . . . . zr . ak pre každý vektor α platí αAαT ≥ 0. yk+1 . ktoré určujú skalárne súčiny na Rn (pozri príklad 1. . . ak pre každý nenulový vektor α = 0 platí αAαT < 0. . aby platilo z1 = · · · = zr = yk+1 = · · · = yn = 0.24 Zákon zotrvačnosti ktorú môžeme upraviť na tvar 2 2 2 2 2 2 2 2 z1 + · · · + zr + yk+1 + · · · + ys = y1 + · · · + yk + zr+1 + · · · + zt . Hľadanie vektora (x1 . zn )P2 = 0. . . že (z1 . xn ) tak. kde matica P pozostáva z prvých r stĺpcov matice P2 a z (k+1)-vého až n-tého stĺpca matice P1 . . Musí teda platiť k = r. . xn ). c) záporne semidefinitná. . . xn ) je nenulový. Podobne aj predpoklad r > k by viedol k sporu. xn )P . Symetrická matica A je kladne definitná práve vtedy. že r < k. Chceli by sme dokázať kritérium. že A = P P T . . ktorých kanonický tvar má na diagonále iba jednotky. . . V dôkaze tohoto kritéria bude užitočné nasledujúce pomocné tvrdenie: 24 . . že platí (2. či je daná matica kladne definitná. že A je kladne (semi)definitná práve vtedy. Keďže táto sústava má menej rovníc než neznámych.4). . . yn ) = (x1 .3.3. pomocou ktorého sa dá pomerne jednoducho určiť.4) teda zodpovedá riešeniu homogénnej sústavy αP = 0. xn také. .3.3) musia byť nulové aj všetky ostatné premenné zr+1 . .

D2 /D1 . bnn Pritom vieme. . . ann sú nenulové. (Odčítaním vhodného násobku prvého stĺpca/riadku. . že D1 = a11 . D3 /D2 . ktorá vznikne vynechaním prvého riadku a prvého stĺpca. .3. .5.3. an1 . Veta 2. .. Nech A je symetrická reálna matica typu n × n taká. . Platnosť tvrdenia pre n = 1 je zrejmá. b2n    . . Z toho D1 Dk k dostávame diagonálny tvar diag(D1 . Determinanty podmatíc vystupujúce v predchádzajúcom tvrdení sa niekedy zvyknú nazývať aj hlavné minory matice A. . kde ako Dk+1 prvý člen na diagonále bude D2 = D2 a ďalšie členy budú tvaru D = Dk+1 . . . Ukážeme. . . . D1 Podľa indukčného predpokladu vieme túto podmaticu upraviť na diagonálny tvar. . . keď všetky jej hlavné minory D1 . Nech A je symetrická matica typu n × n. . 25 . . . . . . . Vieme. a12 a22 .. . D2 /D1 . KVADRATICKÉ FORMY 25 Tvrdenie 2. ..3. . . Potom matica A je kongruentná s diagonálnou maticou diag(D1 . . Označme D2 . že danú maticu možno upraviť na diagonálnu maticu len použitím operácií typu „pripočítanie násobku riadka/stĺpca k inému (t. .. . .. Vďaka tomu môžeme vynulovať všetky prvky v prvom riadku a prvom stĺpci.4. . že všetky rohové determinanty D1 = |a11 | D2 = a11 a21 . . n platí a11 Dk = Dk a teda Dk = Dk .9). Dn minory podmatice. . ktorý je uvedený v tvrdení. že úpravy. . nemenia determinant matice A ani žiaden z jej hlavných minorov (veta I-6. ..KAPITOLA 2. nepoužívame výmeny riadkov a ani násobenie riadkov konštantou) tak. . . a1n .  0 bn2 . an2 a12 a22 a11 a Dn = 21 . Dn /Dn−1 ). . Dn sú kladné. Dôkaz. . ktoré sme použili. . a2n . Z tvaru matice vidíme.) Dostaneme tak maticu A do tvaru   a11 0 . D3 /D2 .j. .. . Matica A je kladne definitná práve vtedy. 0  0 b22 . . Tvrdenie dokážeme matematickou indukciou vzhľadom na rozmer matice n. že dostaneme práve diagonálnu maticu tvaru. Dn /Dn−1 ) pre pôvodnú maticu. že pre k = 2. . . ..

ktorá je dvakrát spojito diferencovateľná. . (Podobne ako v jednorozmere bola nutná podmienka f (x0 ) = 0. . . ktorá je opäť kladne definitná a ktorej matica je presne podmatica určená prvými k riadkami a stĺpcami. skúmame ďalej to. Kapitola 9. .) V podobnom kritériu pre kladne semidefinitné matice vystupujú 0 všetky minory matice A (=všetky determinanty štvorcových podmatíc). dostaneme tak kvadratickú formu v premenných x1 .26 Zákon zotrvačnosti Dôkaz.. ).) To znamená. Podobné tvrdenie pre minory vyplynie z toho. Preto je táto matica kladne definitná. keď táto matica je kladne definitná (f (x) − f (x0 ) je v nejakom okolí kladné). . Z toho máme A = P P T a |A| = |P P T | = |P ||P T | = |P |2 > 0. teda ich chápeme ako vektory. −. nestačí v predchádzajúcej vete zmeniť slovo „kladné na „nezáporné ..) Poznámka 2. tak podľa tvrdenia 2. . že je kladne definitná.) ∂f ∂f (x0 ) = · · · = (x0 ) = 0. ktorá sa zaoberá analýzou viac premenných). . . . ⇒ Ak je matica kladne definitná. či je kladná alebo záporná v danom bode jej druhá derivácia. +. ∂x1 ∂xn (x0 ) 2 (x0 ) ∂x1 ∂x2 ∂x1  ∂2f  ∂2f ∂2f  (x0 ) (x0 ) . . Matica A je záporne definitná práve vtedy. ∂x1 ∂xn V prípade. [Pro2] (a v podstate v každej učebnici. aby v nejakom bode x0 mala nejaká funkcia lokálny extrém je.4]. 26 ..3. Vo viacrozmere funkciu druhej derivácie hrá matice  2  ∂ f ∂2f ∂2f (x0 ) . v ktorom sú všetky členy kladné. Nech A je symetrická matica typu n × n. že vo vhodných súradniciach sa táto funkcia lokálne podobná na funkciu x2 + · · · + x2 . či je nejaká matica kladne alebo záporne definitná. že v bode f (x0 ) je lokálne minimum práve vtedy. ktorú n 1 si vieme aspoň v dvojrozmere celkom dobre geometricky predstaviť. Dôsledok 2. ∂x2 ∂xn (x0 )  ∂x2 H =  ∂x2 ∂x1 2   . že je v jednorozmere splnená táto podmienka.. Z toho vyplýva. Aby sme dostali kritérium pre kladne semidefinitné matice.6. že ak za premenné xk+1 .3. aby všetky parciálne derivácie boli nulové. Nutná podmienka na to. . xn dosadíme 0.   2 2 2 ∂ f ∂ f ∂ f (x0 ) ∂xn ∂x2 (x0 ) .4 možno príslušnú kvadratickú formu upraviť na diagonálny tvar. tak je kongruentná s jednotkovou maticou. .. ktoré majú maticu H záporne definitnú. xk . . +. . .. . (Ako jednoduchý kontrapríklad mô0 žeme zobrať maticu 0 −1 . 2 (x0 ) ∂xn ∂x1 ∂x n Táto matica je symetrická pre každú funkciu. Inou podobnou funkciou vieme zasa aproximovať tie funkcie. že hodnotu funkcie v bode x0 môžeme aproximovať ako 1 f (x) − f (x0 ) = (x − x0 )H(x − x0 )T 2! (kde x − x0 sú body z Rn . lokálne maximum ak je záporne definitná. n. keď hlavný minor Dk má rovnaké znamienko ako (−1)k pre všetky k = 1. [A]. vieme dokonca povedať. .3. Z viacrozmernej verzie Taylorovej vety totiž vyplýva.7. . (Teda znamienka hlavných minorov sú striedavo (−.. (V prípade. . .) Viac o tejto problematike sa môžete dozvedieť napríklad v [GĎ. má význam v matematickej analýze pre hľadaní extrémov funkcií viacerých premenných. ⇐ Ak všetky hlavné minory matice A sú kladné.. . Možnosť overiť. že hodnota f (x) − f (x0 ) je aproximovaná (v nejakom okolí bodu x0 ) kvadratickou formou s maticou H. . . .

Definujme maticu A = aij tak. že D1 > 0. 1 2 1 2 1 .. v poslednom kroku sme odrátali prvý riadok od všetkých ostatných. . 1  2 2  2 . Pre danú kvadratickú formu určte tie hodnoty parametra t. . D2 > 0... že daná symetrická matica má nenulové hlavné minory) dajú nájsť koeficienty v diagonálnom tvare.j aij bij xi xj . . ..j bij xi xj definujeme kvadratickú formu (f. . . Nech A je symetrická reálna matica taká. do ktorého túto maticu vieme previesť iba pomocou operácie pripočítavania niektorého násobku riadku/stĺpca k inému...4∗ . 1 2 1 2 k+1 2 1 2 .. .3*. že ak f a g sú kladne definitné.. že aij = αi .. . 1 1 2 = (k+1) 1 1 1 2 2 . .3*.4... keď |A| > 0... .......... 1 1 . .3.3.. 1 1 2 2 2 Ak počítame jej hlavné minory dostávame D1 = 1 a pre k > 1 1 1 1 2 2 .. . 0 . Pre kvadratické formy f = i.2. tak aj (f.3...3. ..) Pre koeficienty na diagonále potom dostávame ck = Dk k+1 k + 1 2k−1 = .j aij xi xj a g = i. = k Dk−1 2 k 2k čiže rovnaký výsledok ako nám vyšiel v úlohe 2... .3.... . . V dôkaze tvrdenia 2.2. . 27 . 0 2 = k+1 2k (V prvom kroku sme k prvému riadku pripočítali všetky ostatné..... 2 1 0 2 0 .. Úloha 2..2.. αj . Dn > 0. .. a) 5x2 + 3x2 + tx2 + 4x1 x2 − 3x1 x3 − 2x2 x3 1 2 3 b) 2x2 + x2 + 3x2 + 2tx1 x2 + 2x1 x3 1 2 3 c) 1 x2 + 2x2 − 3tx2 + 2x1 x2 + 2tx2 x3 + 2x1 x3 2 3 2 1 d) (x2 + x2 + x2 + 2x1 x3 − 2x2 x3 ) + t(6x1 x2 − 2x1 x3 ) + t2 (x2 + x2 ) 1 2 3 1 2 Úloha 2. . ... (Determinanty Dk majú rovnaký význam ako v tvrdení 2... pre ktoré je kladne definitná. Zodpovedajúca symetrická matica je   1 1 1 ..3... .  1 1 1   . g) je kladne definitná.. . k+1 2 1 . .... .. . .. 2 1 1 2 . Takéto operácie nemenia hodnotu determinantu.. .. ..... Úloha 2. Nech V je euklidovský vektorový priestor a α1 .. 1 1 .. 1 2 . KVADRATICKÉ FORMY 27 Príklad 2. Ukážte. Vyskúšajme si to na kvadratickej forme z úlohy 2. 1 2 2 2 1 1 1 . . 2 1 1 1 2 Dk = = k+1 2 1 2 k+1 2 ..3.8. 2 1 1 .) Dokážte.. 2 1 1 2 1 2 = (k+1) 1 1 1 1 2 2 2 .. 1 1 2 .1. 1 1 2 2 2 1 1 1 2 2 .. ... Kombinácia takýchto operácií znamená to. 2 .3. .. Cvičenia Úloha 2. 1 2 2 . . že matica transformácie bude mať na diagonále jednotky. ako sa (za predpokladu..... Dokážte. 1 0 2 1 0 0 . že potom ann > 0. ....KAPITOLA 2.4 sme videli... 0 0 . αn ∈ V . g) = i. že |A| ≥ 0 a že tieto vektory sú lineárne nezávislé práve vtedy.. .. . 1 2 2 2 1 1 . . .. 1 1 2 2 2 1 1 1 2 2 .

pdf 28 .5] a .gurican. . . . 3. ako sa zmenia súradnice vektora pri zmene bázy daného vektorového priestoru. V tejto kapitole sa budeme zaoberať do istej miery podobným problémom.4. Definícia 3.2. .sk/assets/files/algebra_i_3/podobnost. Nech α1 . . . . . tak n-ticu (c1 . že platí γ = c1 α1 + · · · + cn αn nazývame súradnicami vektora γ v báze α1 . . ktorá popisuje istým spôsobom vzťah medzi týmito dvoma bázami. αn je báza vektorového priestoru V nad poľom F a γ ∈ V .1 V minulej kapitole sme sa zaoberali kvadratickými formami a ukázali sme. Pri tom bude užitočná matica uvedená v nasledujúcej definícii.2 obsahuje poznámky spracované J. . . Podkapitola 3. .9. .1 Matica prechodu. . . že ak α1 . Jednou z otázok. . . prípadne kanonický). . . podobnosť matíc Pripomeňme. . Definícia 3. Guričanom k tejto téme.1.1. . Tentokrát sa však budeme snažiť pomocou zmeny premenných nájsť čo najkrajší tvar matice lineárnej transformácie. αn je nejaká báza konečnorozmerného vektorového priestoru V . cn . . . . Ak α1 . αn a α1 .1.4. . tak ľubovoľný vektor z V sa dá jednoznačne vyjadriť v tvare γ = c1 α1 +· · ·+cn αn . že pri vhodnej zmene premenných vieme kvadratickú formu upraviť na veľmi jednoduchý a pekný tvar (diagonálny.16. . cn ) ∈ F n takú. . Súčasne nám vzťah medzi týmito kvadratickými formami povedal niečo o vzťahoch medzi ich maticami. (Pozri vetu I-4. . ktorými sa budeme zaoberať v tejto podkapitole zaoberať je to.Kapitola 3 Podobnosť matíc Úvodná časť tejto kapitoly je spracovaná na základe [KGGS. že báza nám poskytuje akúsi súradnicovú sústavu v priestore V – každý vektor má jednoznačne určené súradnice c1 .) Tento fakt nám vlastne hovorí. . αn .. αn sú dve bázy vektorového priestoru V nad 1 http://modx. 9. .

. Teda niektorí autori by túto maticu nazvali maticou prechodu od α1 . že sa tam skutočne násobil i-ty riadok matice P s jednotlivými stĺpcami a aby sme si uvedomili. . . Skúsme si rozmyslieť. Označme túto maticu P = pij . . . V prípade. αn . než sme uviedli mi. 0. .1). . ktorej i-ty riadok je tvorený súradnicami vektoru αi v báze α1 . αn =pn1 α1 + pn2 α2 + · · · + pnn αn Potom maticu P = pij nazývame matica prechodu od bázy α1 . . . . αn . αn . PODOBNOSŤ MATÍC 29 poľom F . αn vyplýva. αi =(pi1 p11 + pi2 p21 + · · · + pin pn1 )α1 + +(pi1 p12 + pi2 p22 + · · · + pin pn2 )α2 + . . od α1 .KAPITOLA 3. že by výmena poradia sčitovania v niektorom z ďalších dôkazov robila problémy. že sčítance teraz usporiadame po stĺpcoch. Inak povedané. v ďalšom budeme používať tento stručnejší zápis pomocou súm. .1) αi = j=1 pij αj = j=1 k=1 pij pjk αk = k=1  j=1 pij pjk  αk . . V literatúre nájdete často i presne opačnú definíciu. ak i = k inak. . . t. . . αn . Poznámka 3. +(pi1 p1n + pi2 p2n + · · · + pin pnn )αn + Obe predchádzajúce úpravy sme mohli stručnejšie zapísať takto:2   n n n n n (3. . . . . chcel som však aspoň pri prvom použití celú úpravu rozpísať trochu podrobnejšie tak. že namiesto toho. . . Nech pij ∈ F sú také. si ju prečítame po stĺpcoch. . matica prechodu je taká matica P . . 29 . . . . ako sme ju zapísali pred chvíľou to znamená. αn sme upravili pomocou (3. . Z jednoznačnosti vyjadrenia vektora v báze α1 . čo vieme povedať o matici prechodu opačným smerom. aby súčasne bolo vidno. aby sme rovnosť prečítali po riadkoch.3. . . . αn k α1 . že platí α1 =p11 α1 + p12 α2 + · · · + p1n αn α2 =p21 α1 + p22 α2 + · · · + p2n αn . .) Túto rovnosť teraz upravíme tak. môže pomôcť prepísať si ju tak ako tu. . že na výmenu poradia sumácie sa dá v takýchto prípadoch pozerať tak. že dáme dokopy členy obsahujúci ten istý vektor αi – inak povedané tak.j. . . že koeficienty na pravej strane rovnosti sa musia rovnať n pij pjk = δik = j=1 2 Aj 1. αn k báze α1 . +pin (pn1 α1 + pn2 α2 + · · · + pnn αn ) (Vektory α1 . . αn k α1 .1. . Platí: αi =pi1 α1 + pi2 α2 + · · · + pin αn = =pi1 (p11 α1 + p12 α2 + · · · + p1n αn )+ +pi2 (p21 α1 + p22 α2 + · · · + p2n αn )+ . . . . .

. .2). =P .5. . αn αn . . αn k α 1 . (3. αn . . . že izomorfizmus neovplyvní veci ako dimenzia. súradnice vektora v danej báze a pod. . Čitateľ si môže na príslušných rozmyslieť. . . podobnosť matíc Zistili sme teda. . Poznámka 3. . Ak pomocou nich vyjadríme maticu P . ktorý by úplne presne kopíroval predchádzajúce odvodenie. cn ) a f : V → F n je ľubovoľný izomorfizmus. . .  a . . (Napríklad ak vektor γ ∈ V má v báze α1 . ) už vyplýva P P = I. Budeme však vždy uvádzať aj odvodenie. . . αn . Toto však môžeme pomerne ľahko opraviť – stačí si uvedomiť. . . . . .5. . . že vzťah (3. . αn k α1 . že P −1 je matica prechodu od α1 . môžeme potom už všetky úvahy robiť v F n . Predchádzajúce odvodenie v skutočnosti nebolo úplne korektné. že P je inverzná matica k P (pozri poznámku I-5. lineárna kombinácia.30 Matica prechodu. čiže sú regulárne. αn . f (αn ) sú (c1 . . ako sme celé predchádzajúce odvodenie mohli stručnejšie odvodiť pomocou maticového zápisu. ktoré sa neopiera o maticový zápis. . . čo znamená. . tak aj súradnice vektora f (γ) v báze f (α1 ). αn aj α1 . že každý n-rozmerný priestor je izomorfný s F n (veta I-5. cn ). . . =P P αn . .2)  α1  α1 αn Keďže vektory α1 . ak ide o vektory vo vektorovom priestore V = F n .1. Dokázali sme nasledujúcu vetu: Veta 3. αn αn . αn k báze α1 . že platí P P = I. . . . . . .4.1. . pričom by sme dostali α1 αn α1 α1 . tak matica P je regulárna a matica P −1 je matica prechodu opačným smerom. . . Ukážme si. . . že ak platí rovnosť (3. αn tvoria bázu. lineárna nezávislosť.1) sa dá ekvivalentne zapísať takto:   α1 α1  .8). čiže k nej existuje inverzná. . . a teda pri ňom takýto prechod nie je potrebný. majú hodnosť n. . . že sa zachová aj matica prechodu medzi dvoma bázami. teda od α1 . . . . .) V ďalších úvahách budeme niekedy používať podobné argumenty – bez toho. 30 . . zistíme. že aj táto matica je regulárna (súčin dvoch regulárnych). αn súradnice (c1 . . Z tejto skutočnosti ďalej vyplýva.  = . Z vektorov α1 .5.14). Dôležité je uvedomiť si. . Ak P je matica prechodu od bázy α1 . V prvom rade si uvedomme. . . . . . . Mohli by sme použiť aj postup. . . . . Ak si pevne zvolíme nejaký izomorfizmus medzi V a F n . Posledná rovnosť znamená presne to. . . . Hneď vidíme. . matice  . . z čoho (na základe regularity matice αn . že by sme zdôraznili prechod do F n . . tak platí i   α1 α1 P −1  . že to skutočne funguje. αn . αn môžeme vytvoriť maticu typu n × n len vtedy.

tak aj hodnosť matice   α1 α1 αn . . cn ) = 0P −1 = 0 c1 = · · · = cn = 0 Tým sme ukázali. že tieto vektory sú lineárne nezávislé. Pretože vektory α1 . .4. αn určené vzťahmi α1 = p11 α1 + p12 α2 + · · · + p1n αn α2 = p21 α1 + p22 α2 + · · · + p2n αn . . čo znamená. .4.14). tak hodnosť matice regulárnou maticou nemení hodnosť. aby platila táto rovnosť. . Nech teda c1 α1 + · · · + cn αn = 0. . . Tvrdenie 3. . . Dostali sme teda rovnosti (c1 . . musia sa všetky tieto koeficienty rovnať nule. . . že koeficienty pri vektoroch α1 . . αn αn . αn tvoria bázu. αn na pravej strane predchádzajúcej rovnosti sú presne zložky vektora (c1 . . . 31 . . . .2). . . Všimnime si. . Podľa vety I-4. . Zmena súradníc vektora pri zmene bázy Ukážeme si ako pomocou matice prechodu môžeme dostať vzťah medzi vyjadrením súradníc daného vektora v dvoch rôznych bázach. že riadky tejto matice tvoria bázu vektorového priestoru V (keďže jeho dimenzia je n. Nech P = pij je regulárna matica typu n × n a α1 . . . . . Ak do tejto rovnosti dosadíme vyjadrenia vektorov α1 . αn dostaneme   n n n n 0= i=1 ci  j=1 pij αj  = j=1 i=1 ci pij αj . . αn sú lineárne nezávislé.1. . . . . aj tu využívame vetu I-4. . . Opäť môžeme to isté tvrdenie dokázať aj s využitím (3. Dôkaz. αn = pn1 α1 + pn2 α2 + · · · + pnn αn tvoria bázu priestoru V . Pretože násobenie  . . α1 Dôkaz. . αn je báza vektorového priestoru V . . . . že α1 .1) dostaneme opäť bázu. . αn v báze α1 . . cn )P = 0 (c1 .6. . . . je n. je n. že to funguje aj naopak – pre každú bázu a regulárnu maticu P použitím predpisu (3.14 nám stačí ukázať. . . cn )P . Potom aj vektory α1 . . . . αn sú lineárne nezávislé. Keďže α1 .KAPITOLA 3. =P . . . PODOBNOSŤ MATÍC 31 Ukážeme. .

. αn práve vtedy. . . αn sú (x1 . . Nech γ ∈ V a (x1 . . αn . podobnosť matíc Veta 3. .1. αn . . . . Nech P je matica prechodu od bázy α1 . . Matica zobrazenia f vzhľadom na bázu α1 .  = (x1 . . αn Spolu s rovnosťou (3. . xn )  . Nech V je vektorový priestor a f : V → V je lineárne zobrazenie. . To. . Dôkaz. . . ktorý sme dostali pri vektore αj . xn )P . αn . . . . xn )P . xn )P . αn je matica A = aij taká. . . . . . xn ) znamená. . . . že platí rovnosť γ = x1 α 1 + · · · + xn α n . zmeníme poradie sčitovania. . . ako úpravy použité v dôkaze predchádzajúceho tvrdenia. (x1 . αn . . že γ má súradnice (x1 . . . αn je báza V . . že vektor γ má v báze α1 . . . . ktorý použijeme v dôkaze je v podstate rovnaký. . . . αn z (3. . . .7. . . . . . . . Nech α1 .8. xn ) sú súradnice vektora γ v báze α1 . . . . . Táto definícia do istej miery pripomína definíciu matice zobrazenia. . . keď platí rovnosť   α1 γ = (x1 . αn . xn ) sú jeho súradnice v báze α1 . . . Uvedomme si najprv. . . Dôkaz. Predchádzajúca definícia teda hovorí. Aby sme dostali koeficienty pri jednotlivých vektoroch z α1 . . . . . dostaneme n n γ= i=1 xi j=1 pij αj . αn súradnice (x1 . . teda súradnice v báze α1 . Na rozdiel od prípadu. . Ak do tejto rovnosti dosadíme za α1 . . . . . n n γ= j=1 n αj i=1 xi pij Výraz i=1 xi pij . Nech α1 . ktorú poznáme z prvého ročníka (definícia I-5. Tým je tvrdenie vety dokázané. Potom platí (x1 . xn ) = (x1 . . xn )  . Tam sme používali štandardnú bázu. . .32 Matica prechodu. . . je presne j-ty prvok z n-tice (x1 . . . . . . . . . . . . αn a α1 .  . xn ) v báze α1 . Matica zobrazenia v danej báze Definícia 3. xn )P. . .2) potom dostaneme   α1 α1 αn (x1 . . .3. . . . ktorej i-ty riadok tvoria súradnice obrazu i-teho bázového vektora v tejto báze. . . Postup. 32 . Opäť môžeme predchádzajúci dôkaz zapísať stručnejšie maticovým zápisom. že platí f (αi ) = ai1 α1 + · · · + ain αn . αn k báze α1 .1.7). že matica zobrazenia f pri báze V je taká matica. . . αn sú bázy vektorového priestoru V . . . .1). . . .

. αn a vektor γ má v tejto báze súradnice (x1 . . . ak zmeníme bázu vektorového priestoru. . . Ak A je matica zobrazenia f pri báze α1 . . Podľa vety 3. . .7 previesť do tejto bázy použitím matice prechodu od α1 . xn )A. . . . . . ako sa zmení matica zobrazenia. xn )A. Nasledujúce tvrdenie je do istej miery analogické s podobným výsledkom z prvého ročníka. .1. Ak použijeme na obe strany rovnosti zobrazenie f . . . αn súradnice (x1 . čo je skutočne j-ta Opäť nás bude zaujímať to. . . . αn to teda vyzerá takto: (x1 . . . .KAPITOLA 3. . . α1 . αn znázorniť takto (x1 . . . . . xi aij . tak (s využitím linearity f ) dostaneme n n n n n n f (γ) = f i=1 xi α i = i=1 xi f (αi ) = i=1 xi j=1 aij αj = j=1 n i=1 αj i=1 xi aij . αn . ak sa na situáciu pozrieme v súradniciach α1 . αn ? Súradnice vektora f (γ) vieme použitím vety 3. ktorý má v báze α1 . xn )P A (ide opäť o súradnice v báze α1 . . zatiaľ sa však uspokojíme s týmto jednoduchším prípadom. . Nech V je vektorové priestory. . αn . . .1. . . . PODOBNOSŤ MATÍC 33 ktorý sme uviedli tu. xn )B 33 . xn )P A. že f (γ) má v báze α1 . αn súradnice (x1 . tak jeho obraz f (γ) má v tej istej báze súradnice (x1 . xn )P . . αn sú bázy priestoru V . . . . Uvažujme vektor γ. . . .1. Čo dostaneme. . . .7 má tento vektor v báze α1 . . tak platí B = P AP −1 . . . že j-ta súradnica vektora f (γ) v báze α1 . αn . . xn )P → (x1 . α1 . Dôkaz. . . xn ). . .) Schematicky môžeme situáciu v súradniciach α1 . . . Ak P je matica prechodu od α1 . f : V → V je lineárne zobrazenie a α1 . . . . .10. Podobne aj tu by sme mohli definovať o čosi všeobecnejší pojem matice lineárneho zobrazenia f : V → W vzhľadom na nejakú dvojicu báz (jedna z nich je bázou priestoru V a druhá je bázou priestoru W ). xn )P AP −1 . . . . Vidíme. . . ktorý má súradnice (x1 .1. . .1. .4. . . αn . . . že tento vektor sa v zobrazení f zobrazí na taký vektor. . . . αn je báza V a f : V → V je lineárne zobrazenie. aby zobrazenie išlo z daného vektorového priestoru do toho istého priestoru.1. . . . . αn a B je matica tohoto zobrazenia pri báze α1 . (3. nepožadovali sme. xn )B.3) Proof. . . xn )P AP −1 Podľa tvrdenia 3. αn je súradnica vektora (x1 . . . . . . . αn . V súradniciach α1 . . Ďalej z tvrdenia 3. .9 však súčasne musí platiť. . xn ). . . . . Podľa vety 3. xn ) → (x1 . . . . . . . . . Veta 3.9 vieme. . αn súradnice (x1 . . Tvrdenie 3. . . αn k α1 . .9. . . . Vektor f (γ) má teda v báze α1 . .5 je to matica P −1 . A je matica zobrazenia f pri báze α1 . . xn ) → (x1 . . . . ktorý hovoril o rovnosti medzi obrazom vektora a súčinom vektora s maticou zobrazenia (poznámka I-5. . .9). αn súradnice (x1 . . .1. . Podľa predpokladov platí γ = x1 α1 +· · ·+xn αn . . . Nech V je vektorový priestor. . . . . . αn k α1 . . . . . (x1 . .

10 vyplýva. Pre vektory γi ∈ R3 . Pre α1 = (2.1. Ukážte. x3 = (3. Nájdite: a) Maticu P1 prechodu od bázy α1 . (Návod: Bude to matica istého lineárneho zobrazenia. Nájdite matice prechodu od α1 . . . . . γ1 = (1. 0. Platí to aj za predpokladu. Kvôli zjednodušeniu budeme diagonálnu maticu   d1 0 . . . d2 . dn ) = D pre vhodnú maticu P a vhodné čísla d1 . . A100 ako P −1 diag(d100 . . −1. . . . 1). 2. hovoríme. α3 k α1 . 1). . dn ). 1).) Úloha 3. α3 a xi súradnice toho istého v báze α1 . . 2. 2). . Pretože táto rovnosť platí pre ľubovoľnú n-ticu (x1 . 1). . d100 . že ak matica A je podobná matici B. Ak teda A je podobná diagonálnej. 1.. α2 . d) Aký je vzťah medzi maticami P1 . . Ak existuje matica P taká. 2) a x3 = (2. . 0    D= . . −2). 1).   . tak aj matice A−1 a B −1 sú podobné. . 3). Z vety 3. 1. b) Maticu P2 prechodu od bázy β1 . že podobnosť matíc je relácia ekvivalencie. potom vieme ľahko vypočítať napr. γ2 = (3.4. t. dn . označme ako xi súradnice vektora v báze α1 . 0  0 d2 .  . β1 = (−1. 3.1. x2 = (1. c) Maticu P3 prechodu od bázy α1 . či je podobná s diagonálnou maticou. α2 k báze γ1 . že nie sú regulárne? Úloha 3. Definícia 3. tak AB a BA sú podobné.11. . 0 . . je P AP −1 = diag(d1 . β2 k báze γ1 . α3 ak viete. že x1 = (1. . . α2 = (1. xn ) ∈ F n . 0 dn skrátene zapisovať ako diag(d1 . .2. . musí platiť maticová rovnosť B = P AP −1 . d2 . xn )P AP −1 . . . . i = 1. . 1). β2 = (2. β2 . α2 . . γ2 . Ak aspoň jedna zo štvorcových matíc A. . α2 k báze β1 . Je pomerne ľahké overiť. že toto zobrazenie má v jednej báze maticu A a v druhej maticu B.1. že B = P AP −1 . α2 . Nech A. x1 = (−1. . .34 Podobnosť s diagonálnou maticou Z toho dostávame rovnosť (x1 . 1 2 n 34 . 3). 3. že matice A a B sú podobné. xn )B = (x1 . keď existujú lineárne zobrazenie a dvojica báz také. . x2 = (−1. .2 Podobnosť s diagonálnou maticou Pre štvorcovú maticu A je zaujímavé zistiť.1. B stupňa n je regulárna.1. α3 ..1. P2 a P3 ? Úloha 3. .1. B sú štvorcové matice nad poľom F . α2 . d100 )P . že P AP −1 je diagonálna (matica). či existuje regulárna matica P taká. 1). . .3.j. že 2 matice sú podobné práve vtedy.. . . γ2 . 1. Cvičenia Úloha 3.

by mohli hrať zaujímavú úlohu dvojice c ∈ F a α ∈ F n s vlastnosťou αA = cα.matice prechodu . mohli by sme použiť Taylorov rozvoj ex = 1 + x + x + x + .2. . . . . ktorý pri dosadení všetkých čísiel d1 . že αA = cα. Skúsme sa na to ešte pozrieť trochu inak. . ak existuje nenulový vektor α ∈ F n taký. . . Pre každý z vektorov bázy teda platí αi A = di αi . Zdá sa. toto je jedno možné riešenie). čo presne znamená. . d1 . že (vlastný) vektor α prislúcha ku vlastnému číslu c. ale pri troche starostlivosti by sa dalo ukázať. . dn ) · P (matica B nie je vo všeobecnosti určená jednoznačne. d2 . .alebo nie. . Definícia 3. . ak existuje c ∈ F (c môže byť aj 0) také. ako takéto dvojice nájsť. dn√ tak√ . . A=D . všetky sa nachádzajú vnútri polomeru konvergencie príslušného Taylorovho radu.4) dn α n Keď porovnáme jednotlivé riadky matíc v poslednej rovnosti. aby sme strážili konvergenciu potrebných radov. PODOBNOSŤ MATÍC 35 √ √ √ alebo ak v danom poli existujú napr. Skúsme si uvedomiť. . . Prvok c ∈ F nazveme vlastným číslom matice A. . Potom z predchádzajúcej rovnosti dostaneme: α1 αn α1 A αn A α1 . . . alebo že (vlastné) číslo c prislúcha ku vlastnému vektoru α. opäť dostávame presne rovnaký vzťah αi A = di αi . . dn konverguje . . . . (3. či čísla d1 . že B 2 = A) pomocou P −1 · diag( d1 . . že A a D sú podobné nám dáva rovnosti P AP −1 = D P A = DP Označme teraz riadky matice P ako α1 . To. αn maticu D = diag(d1 . dn ). . To nám hovorí.j. aj. . . dn závisia od P . že nezávisia (okrem poradia). edn ) · P 2! 3! Tento výpočet je urobený formálne. Dá sa potom robiť pre napr. Ak α je nenulový vektor a pre c ∈ F platí αA = cα. . . . má pri vhodnej báze α1 . )P = P −1 · diag(ed1 . Budeme sa teda teraz chvíľu zaoberať tým. . . . . . či je daná matica podobná s diagonálnou. ktoré majú Taylorov rozvoj. Alebo keby sme chceli 2 3 vypočítať niečo typu eA . funkcie f (x). Nech A je štvorcová matica nad poľom F . a 2! 3! potom počítať eA = P −1 (I + D + D2 D3 + + .j. .KAPITOLA 3. bez toho. ktorá v danom momente nie je zrejmá je. . . . Jedna vec. Nenulový vektor α ∈ F n nazývame vlastným vektorom matice A.1. že je to pomerne zmysluplný postup. . = . vieme vypočítať niečo ako A (t. hovoríme. αn . že matica A je podobná s diagonálnou maticou D. Z nasledujúceho postupu bude jasné. . . . . že pri zisťovaní. že zobrazenie.t. Ako nájdeme vlastné čísla a vlastné vektory matice A? Najprv vlastné čísla: Pozrime sa nasledujúce ekvivalentné tvrdenia: 35 . ktoré má pri štandardnej báze maticu A. . d2 . √ maticu B takú. αn d1 α1 . . . že αA = cα.

xn 0 čo je vlastne homogénny systém rovníc s neznámymi x1 . Pre uvedenú maticu 1 2 A= 0 4 teda vieme. teda Hľadáme riešenia homogénneho systému rovníc s poslednou maticou.j.  .  =  . tak |A − xI| = 1−x 0 2 4−x = (1 − x)(4 − x) − 0 · 2 = 4 − 5x + x2 Posledne menovaný determinant budeme nazývať charakteristický polynóm matice A a označovať ako chA (x). xn a maticou systému (A−cI)T . rovnicu môžeme prepísať do tvaru     x1 0  x2   0      (A − cI)T αT = (A − cI)T  . Determinant matice A − cI je nulový. Nájsť vlastné vektory znamená teraz pre dané vlastné číslo c nájsť netriviálne riešenia rovnice α(A − cI) = 0. Existuje nenulový vektor α taký. . Existuje nenulový vektor α taký. 1)] = [(−3.   . . Jadro zobrazenia s maticou A − cI je netriviálne (t. chA (x) = |A − xI|. Existuje nenulový vektor α taký. matica A − cI je singulárna).j. t. Je dobre si uvedomiť. Zistiť vlastné čísla matice A teda znamená nájsť korene jej charakteristického polynómu chA (x). t.j. . toto zobrazenie nie je injektívne. 6. c je vlastné číslo matice A 2. napríklad ak A= 1 0 2 4 . Ak si napíšeme α = (x1 .   . že vlastné vektory prislúchajúce vlastnému číslu 1 sú nenulové vektory z podpriestoru [(− 3 . . že αA = α(cI) (I je identická matica) 4. . že |A − xI| je polynóm v premennej x. môžeme sa na determinant matice A − cI v poslednom tvrdení pozrieť ako na výraz v „neznámej c . teda . (-3.36 Podobnosť s diagonálnou maticou 1.2)) 2 Pre vlastné číslo 4: 1−4 2 0 4−4 −3 0 2 0 36 (A − 4 · I)T = −3 2 0 0 A−4·I = = .skúsme radšej použiť premennú x. Keďže v tomto momente hľadáme vhodné prvky c.2)A=(-3. . t. . že jej vlastné čísla sú 1 a 4. Pre uvedený príklad teda dostávame. Nájdime vlastné vektory: Pre vlastné číslo 1: 1−1 2 0 4−1 0 0 2 3 (A − 1 · I)T = 0 2 0 3 A−1·I = = . . 2)]. že α(A − cI) = 0 5. že napr. (A − 1 · I)T = 0 2 0 3 ∼ 2 0 3 0 ∼ 1 0 3 2 0 odkiaľ je vidieť. xn ). že αA = cα 3. .j. že vlastné čísla sú 1 a 4. (overte si.

KAPITOLA 3. PODOBNOSŤ MATÍC

37

Hľadáme riešenia homogénneho systému rovníc s poslednou maticou, t.j. (A − 4 · I)T = −3 2 0 0 ∼ 1 2 0 0 ∼ 1 0 0 0

odkiaľ je vidieť, že vlastné vektory prislúchajúce vlastnému číslu 4 sú nenulové vektory z podpriestoru [(0, 1)]. (overte si, že napr. (0,1)A=4(0,1)) Teraz sa môžeme zamyslieť nad tým, akú maticu má lineárna transformácia určená v báze (1, 0), (0, 1) maticou A v báze (−3, 2), (0, 1), t.j. ak ε1 = (1, 0), ε2 = (0, 1) a α1 = (−3, 2), α2 = (0, 1), A = Aε1 ,ε2 (= Aε ), čo bude Aα1 ,α2 (= Aα ). Podľa vzorca (3.3) je ϕ ϕ ϕ ϕ Aα = P Aε P −1 , kde P = ϕ ϕ −3 0 2 1 ,

t.j. riadky matice P sú vektory α1 , α2 , t.j. generátory podpriestorov [(−3, 2)] (ktorého nenulové vektory sú vlastné vektory prislúchajúce ku vlastnému číslu 1) a [(0, 1)] (ktorého nenulové vektory sú vlastné vektory prislúchajúce ku vlastnému číslu 4). P je samozrejme matica prechodu od epsilonovej ku alfovej báze. Ale Aα v i−tom riadku obsahuje súradnice ϕ obrazu vektora αi vyjadrené v báze α1 , α2 , a keďže α1 je vlastný vektor prislúchajúci ku vlastnému číslu 1, je α1 A = 1.α1 + 0.α2 a podobne, keďže α2 je vlastný vektor prislúchajúci ku vlastnému číslu 4, je α2 A = 0.α1 + 4.α2 1 0 = P AP −1 0 4 Iný spôsob, ako môžeme zdôvodniť túto rovnosť je použiť rovnaký postup ako pri odvodení (3.4). V predchádzajúcom príklade tvorili vlastné vektory bázu priestoru R2 , v ktorom sme pracovali. Vďaka tomu sme z nich dostali regulárnu maticu P . Nasledujúci príklad ukazuje, že to tak nemusí byť vždy. a preto je Aα = diag(1, 4) = ϕ Príklad 3.2.2. Vypočítajme vlastné čísla a vlastné vektory pre maticu   1 −3 3 A =  0 1 −2  0 0 1 1−x −3 3 0 1−x −2 = (1 − x)3 , t.j. máme jediné vlastné číslo, 1 - je 0 0 1−x trojnásobný koreň charakteristického polynómu - (to samo ešte nemusí byť na závadu). Ale keď hľadáme vlastné vektory, zistíme, že sú to riešenia homogénneho systému rovníc s mati T   0 −3 3 0 0 0 cou (A − I)T , t.j.  0 0 −2  =  −3 0 0 . Táto matica má očividne hodnosť 0 0 0 3 −2 0 2 a preto riešenia tohoto systému tvoria jednorozmerný podpriestor ([(0, 0, 1)]), ktorého nenulové prvky sú jediné vlastné vektory tejto matice. Ako ukážeme, toto je problém (málo lineárne nezávislých vlastných vektorov), ktorý spôsobuje, že uvedená matica nie je podobná so žiadnou diagonálnou maticou. Tu je chA (x) = 37

38

Podobnosť s diagonálnou maticou

Veta 3.2.3. Nech A = ||aij || je štvorcová matica typu n × n nad poľom F . Potom A je podobná s diagonálnou maticou práve vtedy, keď spomedzi vlastných vektorov vieme vybrať bázu. Dôkaz. ⇒: Nech A je podobná diagonálnej matici diag(d1 , d2 , . . . , dn ), t.j. existuje regulárna matica P taká, že P AP −1 = diag(d1 , d2 , . . . , dn ). Potom ak ϕ : F n → F n je zobrazenie s maticou A, t.j. A = Aε = Aε1 ,...,εn , tak maticu P môžeme považovať za maticu prechodu ϕ ϕ od bázy ε1 , . . . , εn ku báze α1 , . . . , αn , kde α1 , . . . , αn sú postupne riadky matice P . Podľa vzorca (3.3) platí P Aϕ P −1 = Aα1 ,...,αn , ϕ a teda Aα1 ,...,αn = diag(d1 , d2 , . . . , dn ). Toto a význam matice Aα1 ,...,αn hovorí, že α1 , . . . , αn ϕ ϕ sú vektory s vlastnosťou αi A = 0 · α1 + · · · + di αi + · · · + 0 · αn = di αi , t.j. αi , i = 1, . . . , n sú vlastné vektory matice A prislúchajú po rade vlastným číslam di , i = 1, . . . , n (a tiež, že di , i = 1, . . . , n sú vlastné čísla). Ale keďže vektory α1 , . . . , αn sú riadky regulárnej matice P , tvoria bázu F n , takže vieme, že existujú vlastné vektory tvoriace bázu. Opäť i v tomto prípade by sme ako alternatívne zdôvodnenie mohli použiť rovnaký postup ako pri odvodení (3.4). ⇐: Nech sa z vlastných vektorov matice A dá vybrať báza α1 , . . . , αn . Potom ak tieto vektory uložíme ako riadky do matice P , tak rovnako ako v prvej časti dôkazu vidíme, že P AP −1 = P Aϕ P −1 = Aα1 ,...,αn . Ale matica Aα1 ,...,αn je diagonálna, lebo c1 , . . . , cn sú ϕ ϕ vlastné čísla. Táto veta umožňuje zistiť, či je matica podobná s diagonálnou alebo nie, ale jej použitie je numericky pomerne náročné, a preto je vhodné (ak nás naozaj zaujíma len táto skutočnosť a nie aj matica prechodu P ) nájsť iné, aspoň postačujúce podmienky, ktoré zabezpečia to, že matica A je podobná diagonálnej. Jedna z dvoch, ktoré si uvedieme, je založená na leme Lema 3.2.4. Nech A = ||aij || je štvorcová matica typu n × n nad poľom F a vlastné čísla c1 , . . . , ck matice A sú navzájom rôzne prvky poľa F , α1 , . . . , αk sú vlastné vektory po rade prislúchajúce c1 , . . . , ck . Potom sú vektory α1 , . . . , αk lineárne nezávislé. (Stručne: Rôznym vlastným číslam zodpovedajú lineárne nezávislé vlastné vektory.) Dôkaz. Sporom. α1 je vlastný vektor a preto je nenulový. Preto je závislosť vektorov α1 , . . . , αk ekvivalentná s tým, že jeden z nich (pre i > 1) lineárnou kombináciu predchádzajúcich, t.j. existujú a1 , . . . , ai−1 také, že αi = a1 α1 + · · · + ai−1 αi−1 Predpokladajme, že sme vybrali najmenšie i s takouto vlastnosťou, t.j. že vektory α1 , . . . , αi−1 už sú lineárne nezávislé. Teraz využijeme, že α1 , . . . , αk sú vlastné vektory, preto αi A = ci αi = ci (a1 α1 + · · · + ai−1 αi−1 ) = ci a1 α1 + · · · + ci ai−i αi−1 , kde aspoň jedno z čísiel a1 , . . . , ai−1 je nenulové (inak by bol vektor αi nulový, čo sa vlastnému vektoru nemôže stať) ale aj (a1 α1 + · · · + ai−1 αi−1 )A = a1 α1 A + · · · + ai−i αi−1 A = c1 a1 α1 + · · · + ci−1 ai−i αi−1 odkiaľ porovnaním a prehodením všetkých členov na ľavú stranu získame rovnosť (ci − c1 )a1 α1 + · · · + (ci − ci−1 )ai αi−1 = 0 Keďže všetky čísla ci −c1 , . . . , ci −ci−1 sú nenulové, tak aspoň jedno z čísiel (ci −c1 )a1 , . . . , (ci − ci−1 )ai−1 je nenulové, čím dostávame spor s lineárnou nezávislosťou vektorov α1 , . . . , αi−1 .

38

KAPITOLA 3. PODOBNOSŤ MATÍC

39

Príslušná postačujúca podmienka (ešte stále numericky pomerne náročná) potom znie Dôsledok 3.2.5. Nech A = ||aij || je štvorcová matica typu n × n nad poľom F a vlastné čísla c1 , . . . , cn matice A sú navzájom rôzne prvky poľa F (t.j. A má n navzájom rôznych vlastných čísiel z poľa F ). Potom A je podobná s diagonálnou maticou. Dôkaz. Treba spojiť výsledok lemy 3.2.4 a vety 3.2.3 a uvedomiť si, že n lineárne nezávislých vektorov v priestore F n tvorí bázu. Ešte sformulujme niekoľko pomocných kritérií, ktoré pomôžu zistiť skutočnosť, že dve konkrétne matice A, B nie sú podobné (obe tieto kritériá naozaj fungujú len jedným smerom, t.j. žiadne z nich nevie potvrdiť, že matice A, B sú podobné, vedia len vylúčiť tento fakt sú to nutné podmienky na podobnosť). Lema 3.2.6. Nech A, B sú štvorcové matice typu n × n nad poľom F . Ak A a B sú podobné, tak chA (x) = chB (x). Dôkaz. Nech sú A, B podobné, t.j. existuje taká regulárna matica P , že P AP −1 = B. Počítajme = |B − xI| = |P AP −1 − xI| = |P AP −1 − xP IP −1 | = |P (A − xI)P −1 | = = |P ||A − xI||P −1 | = |P P −1 ||A − xI| = |I||A − xI| = |A − xI| = chA (x)

chB (x)

a ešte jednoduchšie kritérium Dôsledok 3.2.7. Pre maticu A = ||aij || - štvorcová matica typu n × n nad poľom F položme Tr(A) = a11 + a22 + · · · + ann - t.j. Tr(A) je súčet prvkov na diagonále matice A. Ak sú matice A, B podobné, tak Tr(A) = Tr(B). Hodnota Tr(A) sa nazýva stopa matice A. Dôkaz. Treba si uvedomiť, ako vyzerá charakteristický polynóm matice A, je to a11 − x a21 . . . an1 a12 a22 − x . . . ... ... ... .. . an−1,n a1n a2n . . . ann − x

A − xI =

Podľa definície determinant |B| = ||bij || je súčet súčinov (−1)i(ϕ) b1ϕ(1) . . . bnϕ(n) , kde ϕ ∈ Sn . Špeciálne pre našu maticu A − xI si treba všimnúť, že pre ϕ identickú permutáciu, t.j. výber diagonálnych prvkov tam máme člen +(a11 − x)) · · · (ann − x). Ak zoberieme akýkoľvek iný súčin, neobsahuje aspoň jeden diagonálny prvok, ale musí obsahovať z každého riadka a každého stĺpca práve jeden prvok, tak musí existovať ešte jeden diagonálny prvok, ktorý neobsahuje a preto ako polynóm v premennej x má stupeň najviac n − 2. Keďže +(a11 −x)) · · · (ann −x) = (−1)n xn +(−1)n−1 (a11 +· · ·+ann )xn−1 +· · · = (−1)n x+(−1)n−1 Tr(A)xn−1 +. . . a ostatné súčiny neovplyvnia koeficienty pri xn a xn−1 v chA (x), a podľa predošlej lemy chA (x) = chB (x). Preto ich koeficienty pri xn−1 sú rovnaké, ale tieto koeficienty sú (až na znamienko) Tr(A), respektíve Tr(B), dostávame rovnosť Tr(A) = Tr(B). 39

Teda existuje ortogonálna matica Q typu (n − 1) × (n − 1) taká. že QBQT = T . Ľahko sa dá overiť. =   0   cn−1   0  0 .. Rovnosť P P T = I vlastne znamená. teda A je horná trojuholníková a nemáme čo dokazovať. ale má pomerne úzky „rozsah aplikovateľnosti – hovorí. Nech všetky vlastné čísla matice A sú z poľa R. .j. Pred uvedením samotnej vety o hlavných osiach potrebujeme dve tvrdenia.2.j. ten istý fakt môžeme dokázať aj použitím rovnosti |AB| = |A||B| = |BA|.. a teda P AP −1 = P AP T ). Podobným spôsobom sa dá dokázať. označme ju T . . Štart indukcie — matica A je 1 × 1. ak sú riadky matice P po rade vektory α1 .4.. t. Potom       0 c1 0  . Z toho máme Tr(P AP −1 ) = Tr(AP P −1 ) = Tr(A).  .2.v charakteristických polynómoch). Transformácia s maticou A (t.5. 0 Qγ T an = T 0 . 0 Qγ T an . že riadky matice P sú ortonormálne vektory... Potom existuje horná trojuholníková matica T . Matica B je podľa indukčného predpokladu ortogonálne podobná hornej trojuholníkovej matici.koeficienty pri x0 . Nech an ∈ R je vlastné číslo matice A. ktorá spĺňa P P T = P T P = I. ktorej posledný riadok obsahuje len jeden zaujímavý prvok — posledný prvok je an a ostatné prvky v poslednom riadku sú nuly.   . . · . αn−1 sú vektory v Rn . Teraz prejdeme ku druhému sľubovanému kritériu. Takúto podobnosť budeme nazývať ortogonálna podobnosť.. že matica je podobná s diagonálnou. 0 1 0 . že podobné matice A. . Je založené na úplne inom princípe ako kritérium z dôsledku 3.8 (Schurrova veta). Nižšie je sformulované pod názvom „veta o hlavných osiach (veta 3. t.. Numericky je veľmi jednoduché. Nech A = ||aij || je štvorcová matica typu n × n nad poľom R.2.. Urobme vyššie uvedenú úvahu. Veta 3.j... .   . ktoré zabezpečí. B sú podobné).. Zastavme sa chvíľu pri definícii ortogonálnej matice. Opäť. Celý dôkaz teraz urobíme indukciou.   . . αn . že platí Tr(AB) = Tr(BA) (úloha I-5. nech αn ∈ Rn je vlastný vektor matice A prislúchajúci ku an a ktorý má dĺžku 1.  . Nech α1 .  = A = P AP T   cn−1  0 . ktorá je ortogonálne podobná s maticou A. Nech to teraz platí pre všetky matice B typu (n − 1) × (n − 1). . 0 an 0 . 0 1 = QBQ∗ 0 . Podľa definície je to matica. αn maticu A .   Q∗ .10). že každá reálna symetrická matica je podobná s diagonálnou maticou a že dokonca v tomto prípade vieme podobnosť zabezpečiť pomocou ortogonálnej matice P . táto podobnosť je zároveň kongruencia matíc (lebo ortogonálna matica je definovaná ako matica P spĺňajúca podmienku P T = P −1 . Keďže pre charakteristické polynómy matíc A a B platí vzťah chA (x) = (x−an )chB (x) (lebo matice A. každá vlastná hodnota matice B je vlastná hodnota matice A a preto všetky vlastné hodnoty matice B ležia v poli R. . platí P T = P −1 (matica P je ortogonálna).. . A je matica tejto transformácie pri štandardnej báze) má v báze α1 . Dôkaz. 0 an Keďže riadky matice P sú ortonormálne vektory. .4). . Rovnosť P T P = I hovorí to isté o stĺpcoch matice P .40 Podobnosť s diagonálnou maticou Iný dôkaz. tak   c1  .   B . . 40 . ktoré dopĺňajú αn do ortonormálnej bázy priestoru Rn . · B .   Q . B majú rovnaké determinanty (až na znamienko sú to absolútne koeficienty .

bi ∈ R). .j. an + bn i) = (a1 . . kososymetričnosť a ortogonálnosť. .vedeli by sme. Ak je A symetrická. že je (dokonca ortogonálne) podobná diagonálnej matici. bn ). 0 1 ortogonálna (overte!). diagonálna. Ale použitím vzorcov pre αA a βA. cn−1 ). β = αAβ T = αAT β T = α(βA)T = α. Ak uvažujeme o jej (možno komplexnom) vlastnom čísle z = a + bi. a T je horná trojuholníková ortogonálne podobná s A. t. zn ) = (a1 + b1 i.2.j. Nech A = ||aij || je štvorcová symetrická matica typu n × n nad poľom R. βA = α.   Q . . že A je reálna matica môžeme túto rovnosť napísať ako (α + βi)A = (a + bi)(α + βi) = (aα − bβ) + (aβ + bα)i Ale platí aj (α + βi)A = (αA) + (βA)i. β = aα − bβ. jeho korene sú buď reálne alebo komplexné čísla. . . Veta 3. Porovnaním reálnych a imaginárnych častí dostaneme αA = aα − bβ βA = aβ + bα Pozrime sa teraz na skalárny súčin αA. že reálna symetrická matica A je ortogonálne podobná hornej trojuholníkovej .  Q =  0  0 . aβ + bα = a α. β a α. . an ) a β = (b1 .9. . . . . . vďaka Schurrovej vete sa stačí presvedčiť.  . y = xy T . kde vektory αA. Ak by sme vedeli. je to reálne číslo. Použitím tohoto vzorca dostaneme αA. tak T je tiež symetrická. Keďže je matica   0  . Keďže A = ||aij || je matica nad R. presnejšie pre štandardný skalárny súčin platí x. . t. Jedna z možností. potom všetky vlastné čísla matice A sú z poľa R. určite je to aj matica nad poľom komplexných čísiel C. t. ktoré sme získali vyššie dostaneme αA. t. β + b α. β . .. tak vďaka tomu. .KAPITOLA 3.t. β − b β. ortogonálna). Dôkaz. . . potom P AP T je tiež symetrická (kososymetrická. βA sú reálne vektory. je tým je ukončený dôkaz indukčného kroku. .j. . . Ortogonálna podobnosť zachováva pojmy ako symetričnosť. aspoň jeden z nich nie je nulový. Budeme predpokladať. .j. že pre symetrickú maticu A je vždy b = 0. ako počítať tento skalárny súčin je použiť maticové násobenie.. Ak položíme α = (a1 . α 41 . ortogonálna) a P je ortogonálna matica. Posledná matica je ale vďaka indukčnému predpokladu horná trojuholníková matica. musí k nemu prislúchať (možno komplexný) vlastný vektor (z1 . bn )i (ai . b ∈ R) a dokážeme. βA Druhá rovnosť je dôsledok symetrie matice A. . . . . ak je A symetrická (kososymetrická. . Podľa predpokladu je polynóm chA (x) polynóm s reálnymi koeficientami. že reálna symetrická matica má vždy všetky vlastné čísla reálne . PODOBNOSŤ MATÍC 41 kde γ = (c1 . t. β = a α. . an ) + (b1 . platí zA = (a + bi)z.j.j. . že sú to komplexné čísla a + bi (a.

β = αAβ T = αAT β T = α(βA)T = α. β = a α. Vlastný vektor pri2 slúchajúci k 6 je ( 3 . β = 0. Nech A = ||aij || je štvorcová symetrická matica typu n × n nad poľom R.) Vďaka predchádzajúcej vete máme automaticky zabezpečené. prípadne ak je niektorá vlastné hodnota viacnásobná. Ortogonálna podobnosť matice A s diagonálnou maticou nám totiž hovorí. β + α. čiže vlastné hodnoty sú −3 a 6. bβ = b α. (A−6I)T dostaneme vlastné vektory. ( 3√2 .j. Jedno z čísiel a. α ) = 0 Keďže aspoň jeden z vektorov α. že vlastné vektory pre rôzne vlastné hodnoty budú na seba kolmé. Riešením sústav s maticami (A+3I)T . α a β sú na seba kolmé v zmysle štandardného skalárneho súčinu). Príklad 3. βA = α. Pri hľadaní príslušnej ortogonálnej matice prechodu je užitočné vedieť nasledujúci fakt Veta 3. α ⊥ β. podobne β je vlastný vektor prislúchajúci ku vlastnému číslu b. b( β. − √2 . potom A je ortogonálne podobná s diagonálnou maticou. 1 1 2 1 4 −2 4 1 −2 −2 −2 −2 √ 2 = 1 − √2 0 √ 3 2 1 √ 3 2 4 √ 3 2 3 2 3 −1 3 −3 0 0 0 −3 0 0 0 6 1 √ 2 1 √ 3 2 2 3 1 − √2 1 √ 3 2 2 3 0 4 √ 3 2 −1 3 Veta o hlavných osiach nám poskytuje rozklad symetrickej matice na matice projekcie. nech je to a. β = aα. že existuje ortogonálna matica P taká.2.11. (Aby sme dostali ortogonálnu maticu. a teda −b β. β + α.12. 3√2 . Dôkaz.42 Podobnosť s diagonálnou maticou čiže a α. 2 . t. 42 . Ilustrujme si použitie tejto vety na konkrétnom príklade.10 (o hlavných osiach). β = b α. A= 1 4 −2 4 1 −2 −2 −2 −2 Ak existujú.j. β = αA. β : a α.2. Keď tieto vektory dáme do stĺpcov dostaneme hľadanú maticu 3 3 P. Nech A = ||aij || je štvorcová symetrická matica typu n × n nad poľom R. a teda vlastné číslo z = a + 0i je reálne číslo. aby D = P AP T . β + b α. Vypočítajme hodnotu a α. 3√2 ). α > 0. Charakteristický polynóm je −(x + 3)2 (x − 6). platí β. že A = P T DP. 1 1 1 1 4 Vlastné vektory prislúchajúce k −3 sú ( √2 . tak aj z nich urobiť ortonormálnu bázu. α . nech a = b sú dve vlastné čísla matice A a nech α je vlastný vektor prislúchajúci ku vlastnému číslu a. − 1 ). β čiže (a − b) α. Potom α ⊥ β (t. Preto z poslednej rovnosti vyplýva b = 0. 0). Dôležité je vlastné vektory normalizovať. resp. ktoré je známe ako „Veta o hlavných osiach : Veta 3. je skalárny súčin α. β = 0 a pretože a − b = 0. β je nenulový.2. nájdite ortogonálnu maticu P a diagonálnu maticu D tak. b je nenulové. β − b β. Na základe Schurrovej vety teda dostávame tvrdenie. α .

.. .) 43 . že  A −1 A11 |A| A12 |A| A21 |A| A22 |A|   =   .5. . .. j ≤ n) označme determinant matice.13 (Cayley-Hamilton). .. ktorú využijeme v dôkaze: majme štvorcovú maticu A typu n × n. sú vlastné vektory α1 . . že charakteristický polynóm je determinant.. .1) hovorí. že matice tvaru A = αT α majú niektoré pekné vlastnosti. . A2n |A| ..5. dn matice A a riadky matice P sú vlastné vektory matice A. . . .... 0 0 d2 . αn ortonormálne. . .. T . 0 0 . .       = |A| ·    ktorý platí aj v prípade. . . Caley-Hamiltonova vetu.   . . Vďaka tomu. Ak by sme chceli teóriu načatú v tomto texte chceli študovať serióznejšie. .   . . .. dn αn (3.1. .12). . Ann |A| čo je špeciálny prípad nasledujúceho vzorca:    A·  A11 A12 .. je vhodné pripomenúť jednu zaujímavú vlastnosť . αn T A = α1 . . ... .2. Veta 3.. algebraický doplnok prvku aij matice A). . . Špeciálne vďaka tomu. . Matice (a im zodpovedajúce lineárne zobrazenia). presnejšie ak je chA (x) = (−1)n xn + cn−1 xn−1 + · · · + c0 tak (−1)n An + cn−1 An−1 + · · · + c0 I = 0 n×n . .. (A dá sa dokázať podobne ako veta I-6. ktorá z A vznikne vynechaním i-teho riadku a j-teho stĺpca vynásobený číslom (−1)i+j (tzv. . A2n . . . ..  . . . 0 0 . pre ktoré platí A2 = A sa zvyknú nazývať projekcie. . Znakom Aij (1 ≤ i.KAPITOLA 3. my ju teraz uvedieme len ako malé doplnenie problematiky a možno ako zaujímavosť. potrebovali by sme tzv. . . Ann   1 0 0 1 . . T αn  d1 α 1  . že je |A| = 0. 1     = |A| · I. .. Môžeme si všimnúť. Očividne platí AT = A. že maticu A sme rozložili na súčet násobkov ortogonálnych projekcií do smeT rov vlastných vektorov.5) T T T A = d1 α1 α1 + d2 α2 α2 + · · · + dn αn αn Predchádzajúci zápis sa niekedy zvykne nazývať spektrálny rozklad matice A.v prvom semestri sme ju používali pre výpočet inverznej matice ku regulárnej matici.. že na diagonále matice D sú vlastné čísla d1 . . . Nech A je štvorcová matica nad poľom F . 0  0   . An1 |A| An2 |A|       .. .1. . Všimnime si... Teraz ju uvedieme v trochu všeobecnejšej formulácii.α = αT α = A. . že majú veľkosť 1. PODOBNOSŤ MATÍC 43 pričom vieme. .  = α1 0  αn dn  T .2. Dôkaz. . Vzhľadom na to. Predchádzajúcu rovnosť potom môžeme upraviť na tvar  d1  0  .. A1n A21 A22 . čiže takáto matica je symetrická. .. dostaneme AA = αT (ααT )α = αT . Potom A je koreňom svojho charakteristického polynómu... . .  α1 . . ..   . (Matica αi αi je presne matica ortogonálnej projekcie na podpriestor [αi ] – pozri úlohu 1... že matica P je ortogonálna. An1 An2 . A1n |A| . Známy vzorec na výpočet inverznej matice ku regulárnej matici A (veta I-6..

.. druhú rovnicu maticou A. . Naviac je dôležité to. ich prvky už sú konštanty... . Ann      sa označuje znakom adj(A). C1 . . t..j. že je to okruh s 1..j. . . platí A · adj(A) = |A| · I. Vzhľadom na uvedené možné stupne polynómov existujú také matice Cn−1 .. t.to je vo všeobecnosti výsada matíc nad poliami). nie polynómy).j. ktorá vznikla vynechaním jedného riadku a jedného stĺpca je polynóm stupňa menej ako n. a poslednú. rovnicu s poradovým číslom n + 1 maticou An . . A2n . čo je komutatívny okruh s 1. odkiaľ porovnaním „koeficientov pri rovnakých mocninách x dostaneme c0 I c1 I c2 I cn−1 I a nakoniec (−1)n I = −Cn−1 = = = . Potom Bij ako (až na znamienko) determinant „podmatice matice B. C0 všetko matice n × n nad poľom F (t. T. matica adj(B) je matica s prvkami z F [x]. An1 An2 . nanajvýš stupňa n − 1 v premennej x. .j. . . nemôžeme maticu upraviť na redukovaný trojuholníkový tvar a na základe známych viet o tom (tieto vety ostanú v platnosti aj pre matice nad komutatívnym okruhom). .. t. Teraz môžeme pristúpiť ku samotnému dôkazu.. = ACn−1 − Cn−2 AC0 AC1 − C0 AC2 − C1 Vynásobme zľava teraz postupne prvú rovnicu maticou I...j. Nech B = A − xI. A1n A21 A22 . . . že adj(A − xI) = adj(B) = Cn−1 xn−1 + · · · + C1 x + C0 Označme si chA (x) = |B| = (−1)n xn + cn−1 xn−1 + · · · + c1 x + c0 |B|·I = (−1)n Ixn +cn−1 ·Ixn−1 +· · ·+c1 ·Ix+c0 I = B·adj(B) = (A−xI)·(Cn−1 xn−1 +· · ·+C1 x+C0 ). . ako sa správa determinant pri elementárnych riadkových operáciách potom počítať determinant . . dostaneme c0 I c1 A c2 A2 cn−1 An−1 a nakoniec (−1)n An = −An Cn−1 44 = = = . že pojem determinantu môžeme rovnako ako pre matice nad (nejakým) poľom F zaviesť pre matice nad ľubovoľným komutatívnym okruhom a v prípade. . tretiu rovnicu maticou A2 ..44 Podobnosť s diagonálnou maticou Matica      A11 A12 . = An Cn−1 − An−1 Cn−2 AC0 A2 C1 − AC0 A3 C 2 − A2 C 1 .. uvedený vzorec bude platiť (i keď možno napr.

j.2. Dokážte: Štvorcová matica A je regulárna práve vtedy. tak k spĺňa kvadratickú rovnicu a21 k 2 + (a11 − a22 )k − a12 = 0. chA (A) = 0 . tak AB a BA majú rovnaké vlastné hodnoty. Nájdite vlastné hodnoty a vlastné vektory daných matíc nad poľom C: a) ( 2 4 ) 53 b) ( 3 1 ) 13 2 c) 1 −2 2 −1 2i d) −2i 2 2 e) −1 1 0 Ak taká matica existuje.8. Úloha 3. čiže A2 = A. Ak A je idempotentná matica. Cvičenia Úloha 3. že P AP −1 je diagonálna.2.2. keď 0 nie je vlastné číslo matice A. Ukážte.KAPITOLA 3. Úloha 3. Úloha 3.2.7. Úloha 3. Ako vyzerá matica A zodpovedajúca otočeniu v rovine okolo počiatku súradnicovej sústavy o nenulový uhol ϕ? Nájdite jej vlastné hodnoty a vlastné vektory v C? Ako možno geometricky interpretovať fakt.5. že vlastné vektory matice A typu n × n prislúchajúce k danej vlastnej hodnote c spolu s nulovým vektorom tvoria podpriestor priestoru F n . že ak k je smernica vlastného vektora matice A typu 2 × 2. PODOBNOSŤ MATÍC 45 Po sčítaní ľavých a pravých strán týchto rovníc dostaneme (−1)n An + cn−1 An−1 + · · · + c1 A + co I −A Cn−1 + (A Cn−1 − A t. B sú regulárne matice.2.2. Úloha 3. Ukážte. tak jej vlastné hodnoty môžu byť jedine 0 alebo 1. Nájdite (ak taká matica existuje) ortogonálnu maticu P takú.2. Úloha 3.10.6. 0 Aká je geometrická interpretácia tohoto výsledku? n n n−1 = = 0 n×n Cn−2 ) + · · · + (A C2 − A C1 ) + (A C1 − AC0 ) + AC0 3 2 2 Úloha 3. že táto matica nemá reálne vlastné vektory? c Úloha 3.2.2. Nájdite (ak taká matica existuje) maticu P takú.2.1. −2 1 0 a) 0 1 0 b) c) 0 01 1 2 1 6 −1 0 −1 −2 −1 −1 −1 1 0 −2 1 0 0 −1 Úloha 3. Ak A je regulárna.2. tak c je vlastné číslo matice A práve vtedy. že pre c ∈ R {0} matica ( 1 1 ) nie je podobná s diagonálnou maticou. Ak A. Ukážte. že P AP −1 = D je diagonálna matica. 111 a) 1 1 1 b) 11 −1 0 0 1 00 15 51 45 .9. keď c−1 je vlastné číslo matice A−1 .4.3. nájdite regulárnu maticu P s vlastnosťou. že P AP T = D je diagonálna matica.

že ortogonálne matice daného rozmeru tvoria vzhľadom na násobenie matíc grupu (úloha 3. tak aj T je podobná s diagonálnou maticou. Z toho. (Poznámka: Matica zobrazenia T síce závisí od voľby bázy priestoru V . β .11∗ . Ortogonálne matice 2 × 2 Najprv sa na chvíľu zastavme pri ortogonálnych maticiach. čo znamená. by snáď mohlo byť zrejmé. Takisto priamo z definície vidno. že riadky tejto matice tvoria ortonormálnu bázu v F n . že ak matica A je podobná s diagonálnou maticou. Ekvivalentne môžeme definovať ortogonálne matice podmienkou OT O = I. Keďže chceme skúmať situáciu v R2 . že P AP −1 je diagonálna matica ak  2  a ab ab b2 ab a2 b2 ab  A= ab b2 a2 ab b2 ab ab a2 Úloha 3. Všimnime si ešte jednu vlastnosť ortogonálnych matíc. nech A ∈ V nech T : V → V je definované ako T (X) = AX. že ortogonálna matica musí byť regulárna. čiže od voľby bázy nezávisia.2. Iná ekvivalentná formulácia je. Táto podmienka znamená. ktorá spĺňa podmienku OOT = I. OT = O−1 .12∗ . Ľahko sa dá ukázať. Nájdite charakteristický polynóm matice zobrazenia T a ukážte. prečo sa táto veta nazýva „veta o hlavných osiach . budú nás hlavne zaujímať reálne symetrické matice rozmeru 2 × 2.46 Krivky druhého rádu c) d) e) f) g) h) i) −1 2 0 2 −1 0 0 0 4 −2 3 0 3 −2 0 0 0 7 −1 2 0 2 −1 0 0 0 −1 0 0 4 1 2 00 2 −1 0 0 0 0 23 0 0 32 322 241 214 01 2 10 2 2 2 −1 2 1 −2 1 2 −2 −2 −2 5 0 0 4 −1 Úloha 3.3 Krivky druhého rádu Ako aplikáciu vety o hlavných osiach si popíšeme ako vyzerajú množiny bodov v rovine popísané polynómom 2 premenných stupňa 2.j.3.2. že ortogonálna matica je štvorcová matica O. že transponovaná matica k O je súčasne k tejto matici inverzná. Pripomeňme. že ortonormálnu bázu tvoria stĺpce. βO = αO(βO)T = αOOT β T = αβ T = α. β ∈ Rn a ortogonálnu maticu O dostaneme αO. Nech V je vektorový priestor všetkých matíc typu n × n nad R. že charakteristický polynóm ani diagonalizovateľnosť matice sa nemenia prechodom k inej báze. Nájdite symetrickú a ortogonálnu maticu P takú. čo si o nich povieme. Pre ľubovoľné 2 vektory α. 46 . t.) 3.1). nie je však ťažké si uvedomiť. Uvažujme štandardný skalárny súčin na Rn .

π. Ak označíme b = − a =: k. Z toho potom vyplýva c = ±1. Popis kriviek druhého rádu Teraz sa už skúsme dostať k otázke. Presnejšie. ak f (x1 . ktorá zodpovedá lineárnemu zobrazeniu takému. cos ϕ)). Všimnime si.KAPITOLA 3. ktoré sú zložením osovej súmernosti podľa osi x a otočenia o uhol ϕ. 1) na (− sin ϕ. čiže b c d c d b = − a . že všetky ortogonálne matice 2 × 2 sú tvaru cos ϕ sin ϕ − sin ϕ cos ϕ cos ϕ sin ϕ sin ϕ − cos ϕ pre ϕ ∈ 0. 0) zobrazí na (cos ϕ. Záver: Lineárne zobrazenia zodpovedajúce ortogonálnym maticiam sú práve zobrazenia. 1 2 47 (3. Skúste si nakresliť obrázok. že jednotkové vektory sa pri ňom nejakým spôsobom povymieňajú a niektoré z nich sa zmenia na opačné. Hľadali sme vlastne vektory (a. ktoré sme riešili zvlášť (pre ϕ = 0. dostaneme a = ±1. d Ak ab = 0 môžeme poslednú rovnicu vydeliť číslom ab a dostaneme c + a = 0. b) a (c. ktorou sme sa chceli zaoberať pôvodne – preskúmať krivky v rovine popísané rovnicami druhého stupňa. Ak b = 0. 2π). PODOBNOSŤ MATÍC 47 Zistili sme. Niečo podobné platí aj vo všeobecnosti – každá reálna ortogonálna matica sa dá napísať ako súčin matice nejakej rotácie okolo počiatku a matice. že k 2 = 1. Spolu s prvou rovnicou to znamená. b Teraz sa pozrime len na matice rozmeru 2×2. dostaneme z prvej rovnice b = ±1 a z tretej rovnice d = 0. π . ktoré sú navzájom kolmé a majú veľkosť 1. c jej prvky musia spĺňať a2 + b2 = 1 c2 + d2 = 1 ac + bd = 0 Ak a = 0. c = 0 a d = ±1. Ľubovoľné riešenie prvej rovnice je tvaru a = cos ϕ. ktoré vzniknú zložením osových súmerností (podľa osi prechádzajúcej počiatkom) a otočení (okolo počiatku). Z toho špeciálne vyplýva. že pri tomto lineárnom zobrazení sa vektor (1. že tieto 3 riešenia zahŕňajú aj prípad a = 0 a b = 0. Po dosadení do druhej rovnice máme (a2 + b2 )k 2 = 1. V závislosti od voľby k dostaneme buď c = sin ϕ a d = − cos ϕ alebo c = − sin ϕ a d = cos ϕ. ) Prvá z uvedených matíc je presne matica otočenia okolo počiatku súradnicovej sústavy o uhol ϕ proti smeru pohybu hodinových ručičiek (stačí si všimnúť. (Tieto riešenia možno ľahko nájsť aj na základe geometrického významu rovníc. Z rovnosti cos ϕ sin ϕ 1 0 cos ϕ sin ϕ = sin ϕ − cos ϕ 0 −1 − sin ϕ cos ϕ vidíme. ktoré sme používali. 2 π). že zachováva veľkosť a uhly vektorov. x2 ) = a11 x2 + 2a12 x1 x2 + a22 x2 + 2a1 x1 + 2a2 x2 + d.6) . a teda k = ±1. b = sin ϕ. že lineárne zobrazenie zodpovedajúce matici O zachováva skalárny súčin. 2 Zistili sme teda. Ak reálna matica O = a d je ortogonálna. sin ϕ) a vektor (0. že ostatné ortogonálne matice zodpovedajú zobrazeniam. d). máme c = bk a d = −ak.

x2 ) = a11 x2 + 2a12 x1 x2 + a22 x2 . že λ1 λ2 = 0. Ak λ1 . Invarianty kriviek druhého rádu V tejto časti si ukážeme. tento problém bude nejako súvisieť s kvadratickými formami. V prípade.j. stačí výraz P AP T 0 zľava aj sprava vynásobiť maticou 1 −1 . λ2 > 0 a d < 0. Bez ujmy na všeobecnosti môžeme predpokladať. Nech napríklad λ1 = 0. priamka (ak d = 0) alebo dvojica rovnobežných priamok. Zistili sme teda. tak nás zaujíma ako vyzerá množina bodov K = {(x1 . f (x1 . člen druhého stupňa v tejto funkcii je nenulový). Zostáva nám vyriešiť prípad. tak v závislosti od znamienka d to môže byť prázdna množina (rovnaké znamienko ako λ2 ). λ2 > 0 a d > 0 alebo λ1 . keď niektoré vlastné číslo je nulové.6). Ak b1 = 0. Ako sa dá uhádnuť z označenia použitého v (3. kde λ1. 1 2 Matica tejto kvadratickej formy A = ( a11 a12 ) je symetrická. λ2 < 0 a d > 0 ide o elipsu. ktorú sme urobili. (Ak by to nebola matica otočenia. že ide o kvadratickú formu g(x1 . je to parabola. a22 je nenulové (t. λ2 < 0 a d < 0. z2 ) = λ1 z1 + λ2 z2 + d = 0. Zavedieme nové premenné z1 = y1 + λ1 . tento problém bude nejako súvisieť s kvadratickými formami. aby sme ju museli upravovať na kanonický tvar.48 Krivky druhého rádu kde aspoň jedno z čísel a11 . Ak b1 = 0. 48 .2. y2 ) = λ1 y1 + λ2 y2 + 2b1 y1 + 2b2 y2 + d = 0. zodpovedá posunutiu o vektor (− λ1 . že – s výnimkou degenerovaných prípadov – každá krivka vyjadrená rovnicou druhého stupňa bude vhodne posunutá a otočená elipsa. ktorá je lineárna. − λ2 ). x2 ) ∈ R2 . Ak si všímame len kvadratickú časť predpisu f (x1 . ako aj v prípade λ1 . Ak d = 0 tak ide buď o jednobodovú množinu (ak λ1 a λ2 majú rovnaké znamienko) alebo o dvojicu pretínajúcich sa priamok (ak majú rôzne znamienka). že λ1 a λ2 majú rôzne znamienka a d = 0. Uvažujme najprv prípad.10 teda existuje ortogonálna matica P tak. x2 ). x2 ) = 0}. že P AP T = diag(λ1 . Ako sa dá uhádnuť z označenia použitého v (3. b b Geometricky zmena premmených.6). V tomto prípade môžeme doplnenie na štvorec použiť len v druhej premennej a dostaneme 2 λ2 z2 + 2b1 z1 + d = 0. tak uvedené rovnica nemá riešenie. že λ1 .) 0 Matica P zodpovedá zmene premenných. Potom môžeme túto rovnicu ďalej upraviť doplneb b ním na štvorec. V prípade.2 sú vlastné čísla matice A. je to hyperbola. teda v nových súradniciach bude rovnica našej krivky vyzerať 2 2 f (y1 . Vlastné hodnoty matice A nám udávajú hlavnú a vedľajšiu poloos týchto kužeľosečiek. a12 . hyperbola alebo parabola. vidíme. 1 2 V závislosti od znamienka koeficientov vystupujúcich v tejto rovnici už z nej vieme vyčítať tvar krivky. že P je maticou otočenia okolo počiatku súradnicovej sústavy. ako možno zistiť typ krivky druhého rádu bez toho. z2 = y2 + λ2 . Dostaneme 1 2 2 2 f (z1 . Podľa vety o hlavných osiach a12 a22 3. λ2 ).

ktorými musíme prenásobiť pôvodnú maticu. ktoré dostaneme posunutím a otočením.2. δ = |A| = a11 a12 a1 + a11 d1 + a12 d2 a12 a22 a2 + a22 d2 + a12 d1 a11 a12 a12 a a22 ∆= a1 + a11 d1 + a12 d2 a2 + a22 d2 + a12 d1 a11 d2 + 2a12 d1 d2 + a22 d2 + 2a1 d1 + 2a2 d2 + d 1 2 ako  d1 d2  . Dostaneme a11 x2 + 2a12 x1 x2 + a22 x2 + 2a1 x1 + 2a2 x2 + d = 1 2 2 (a11 cos2 ϕ−2a12 cos ϕ sin ϕ+a22 sin2 ϕ)y1 +2(a11 cos ϕ sin ϕ+a12 (cos2 ϕ−sin2 ϕ)−a22 cos ϕ sin ϕ)y1 y2 + 2 (a11 sin2 ϕ − 2a12 sin2 ϕ + a22 cos2 ϕ)y2 + 2(a1 cos ϕ − a2 sin ϕ)y1 + 2(a1 sin ϕ + a2 cos ϕ) + d Potom dostaneme s = Tr(A) = (a11 cos2 ϕ−2a12 cos ϕ sin ϕ+a22 sin2 ϕ)+(a11 sin2 ϕ−2a12 sin2 ϕ+a22 cos2 ϕ) = a11 (cos2 ϕ + sin2 ϕ) + a22 (cos2 ϕ + sin2 ϕ) = a11 + a22 . a11 cos ϕ−2a12 ϕ)−a δ = a cos ϕ sin ϕ+a (coscos ϕ sin2ϕ+a22 sin ϕϕ sin ϕ a11 cos ϕ sin ϕ+a12 (cos ϕ−sin ϕ+a 22 cos ϕ sin ϕ 2 2 ϕ−sin ϕ)−a22 cos a11 sin2 ϕ+2a12 cos ϕ sin 11 12 22 cos ϕ a súčasne a11 cos2 ϕ−2a12 cos ϕ sin ϕ+a22 sin2 ϕ a11 cos ϕ sin ϕ+a12 (cos2 ϕ−sin2 ϕ)−a22 cos ϕ sin ϕ a11 cos ϕ sin ϕ+a12 (cos2 ϕ−sin2 ϕ)−a22 cos ϕ sin ϕ a11 sin2 ϕ+2a12 cos ϕ sin ϕ+a22 cos2 ϕ 2 2 2 2 = cos ϕ − sin ϕ sin ϕ cos ϕ 49 a11 a12 a12 a22 cos ϕ sin ϕ − sin ϕ cos ϕ . ak túto krivku vyjadríme v iných súradniciach. δ = |A| = sú invariantmi krivky druhého rádu a11 x2 + 2a12 x1 x2 + a22 x2 + 2a1 x1 + 2a2 x2 + d = 0 1 2 Dôkaz. a2 a d. aké riadkové a stĺpcové operácie sa dajú použiť.3. ktorý sa nezmení. že tieto výrazy sa nezmenia pri posunutí. Teraz skúsme to isté overiť pre otočenie o uhol ϕ.3. a12 .1. Položme x1 = y1 + d1 a x2 = y2 + d2 . Tvrdenie 3.) Keďže sme pôvodnú maticu násobili maticami s determinantom 1. determinant sa tým nezmení. Dostaneme a11 x2 + 2a12 x1 x2 + a22 x2 + 2a1 x1 + 2a2 x2 + d = 1 2 2 2 a11 y1 + 2a12 y1 y2 + a22 y2 + 2(a1 + a11 d1 + a12 d2 )y1 + 2(a2 + a22 d2 + a12 d1 )y2 + a11 d2 + 1 a11 a12 a11 a12 a ∆ = a12 a22 a1 a12 a22 a2 a1 a2 d 2a12 d1 d2 + a22 d2 + 2a1 d1 + 2a2 d2 + d. Výrazy s = Tr(A) = a11 + a22 .KAPITOLA 3. a1 . 2 Pre vyjadrenie krivky v nových súradniciach máme s = a11 + a22 . je môže pomôcť všimnúť si. Overme najprv. 1 Stačí si všimnúť. čiže x1 = y1 cos ϕ + y2 sin ϕ a x2 = −y1 sin ϕ + y2 cos ϕ. Invariantom krivky druhého rádu a11 x2 + 2a12 x1 x2 + a22 x2 + 2a1 x1 + 2a2 x2 + d = 0 1 2 rozumieme taký algebraický výraz závisiaci od a11 . PODOBNOSŤ MATÍC 49 Definícia 3. že maticu v detereminante   a11 1 0 0  0 1 0 a12 d1 d2 1 a1 ∆ môžeme dostať  a12 a1 1 0 a22 a2  0 1 a2 d 0 0 (Pri hľadaní matíc. a22 .

ktorý zodpovedá tomu.) Na prvý pohľad vidno. čiže vlastné hodnoty majú rôzne znamienka. že obe vlastné hodnoty sú nenulové). δ = 0 a ∆ = −b1 λ2 . ak má opačné znamienko.2 a d . znamená to. že λ1 = 0 sa rovnica danej krivky dala upraviť na tvar λ2 z2 + 2b1 z1 + d = 0. x2 . v2 . v3 ). ide o parabolu. Ak je d nulové. b3 ) + t(u1 . u3 ) + s(v1 . V predchádzajúcej časti sme rozanalyzovali akú krivku dostaneme na základe znamienok λ1. a ak napríklad koeficient c je nenulový. ak δ < 0 tak majú opačné znamienka. u2 . Pre d = 0 (čiže ∆ = 0) dostaneme hyperbolu. že ∆ = 0. je to dvojica pretínajúcich sa priamok. Vieme ich totiž dostať ako prienik kužeľa s vhodnou rovinou. ak d = 0). x3 ) = (b1 .50 Krivky druhého rádu Keďže sme pôvodnú maticu vynásobili ortogonálnou maticou (a tá má determinant rovný 1). (Dvojicu rovnobežných priamok vieme dostať ako prienik valca s vhodnou rovinou. determinant sa nezmení. δ > 0 ∆ = 0 elipsa alebo prázdna množina δ>0 ∆=0 jediný bod δ<0 ∆=0 hyperbola δ<0 ∆=0 pretínajúce sa priamky δ=0 ∆=0 parabola δ=0 ∆=0 rovnobežné priamky Kužeľosečky Krivky. Na určenie týchto znamienok nám však budú stačiť aj spomínané invarianty. V tomto prípade platí s = λ1 +λ2 . Ak ∆ = 0. 2 V prípade. Nech teraz δ < 0. 2 2 Ukázali sme. tak môžeme z druhej rovnice vyjadriť z = d−ax−by a dosadiť do prvej. že obe vlastné hodnoty sú nenulové. Ak majú vlastné hodnoty rovnaké znamienka. To zodpovedá tomu. podobne ako doteraz budeme predpokladať. Ak δ > 0 znamená to. Zostáva nám prípad. že ak vezmeme kužeľ z 2 = x2 +y 2 a rovinu ax+by +cz = d. očividne tak dostaneme rovnicu druhého stupňa. b2 . ∆ = λ1 λ2 d . Podobne dostaneme   a11 a12 a1 cos ϕ − a2 sin ϕ  a21 a22 a1 sin ϕ + a2 cos ϕ = a1 cos ϕ − a2 sin ϕ a1 sin ϕ + a2 cos ϕ d     cos ϕ − sin ϕ 0 a11 a12 a1 cos ϕ sin ϕ 0  sin ϕ cos ϕ 0 a12 a22 a2  − sin ϕ cos ϕ 0 0 0 1 a1 a2 d 0 0 1 Ani v tomto prípade sa determinant nezmení. že je to λ1 . ktoré takýmto spôsobom dostaneme sa zvyknú nazývať kužeľosečky. δ = λ1 λ2 . tak dostávame buď prázdnu množinu – ak aj d má rovnaké znamienko ako vlastné hodnoty – alebo elipsu. že vlastné hodnoty majú rovnaké znamienka. Naša rovina nech je daná rovnicou (x1 . že niektorá z vlastných hodnôt je nulová. V opačnom prípade ide o dvojicu rovnobežných priamok (prípadne jedinú priamku. c Pokúsme sa vyjadriť kužeľosečku v súradniciach určených danou rovinou. čiže ide o jednobodovú množinu. Potom ak b1 je nenulové. Uvažujme najprv prípad δ = 0. že rovnicu krivky druhého rádu môžeme upraviť na tvar λ1 z1 +λ2 z2 +d = 0 (v prípade. 2 Hodnoty invariantov sú s = λ + d . 50 . že d = 0.

) Máme teda δ= uKuT uKv T vKuT vKv T . že je symetrická a tiež. u3 ) × (v1 . x2 a x3 do rovnice kužeľa dostaneme 3 1 2 (b3 + tu3 + su3 )2 − (b1 + tu1 + su1 )2 − (b2 + tu2 + su2 )2 = 0 a po úprave 2 2 2 (u2 − u2 − u2 )t2 + 2(u3 v3 − u1 v1 − u2 v2 )st + (v3 − v1 − v2 )s2 + 3 1 2 2(b3 u3 − b1 u1 − b2 u2 )t + 2(b3 v3 − b1 v1 − b2 v2 )s + (b2 − b2 − b2 ) = 0 3 1 1 Ak s a t chápeme ako súradnice. v3 ) = (u2 v3 − u3 v2 . kde a > 0 je nejaká kladná konštanta. Táto matica je diagonálna. u2 . PODOBNOSŤ MATÍC 51 Vhodné bude predpokladať. že sme zobrali kužeľ s rovnicou x2 = 3 x2 + x2 . Kužeľ. Dostali sme teda δ = n2 − n2 − n2 . u3 ) a (v1 . pričom predpokladáme. že normálový vektor smeruje mimo daný kužeľ. že rovina je rovnobežná s niektorou priamkou ležiacou 1 2 na povrchu kužeľa. je to ekvivalentné s tým. 3 1 2 Elipsu dostaneme v prípade. ktorý má os orientovanú v smere vektora (0. Zostávajúci prípad δ < 0 zodpovedá tomu. že δ > 0. (Takto vyjadríme hľadanú krivku v pravouhlej súradnicovej sústave. či by sme niečo podobné dostali aj keby sme rátali s ľubovoľným kužeľom. že vektory u = (u1 . že u. u3 v1 − u1 v3 . n2 .j. 1) a vrchol v počiatku súradnicovej sústavy bude mať rovnicu x2 + x2 − ax2 = 0. 1 2 3 Túto rovnicu môžeme prepísať v tvare xKxT = 0 pre K= 10 0 01 0 0 0 −a . n3 ) = (u1 . v3 ) sú na seba kolmé. čo zodpovedá tomu. Zapíšme rovnicu roviny ako x = x0 + us + vt. tak jej normálový vektor je (n1 . Po dosadení za x1 .) Vyrátajme jej priesečník s kužeľom x2 = x2 + x2 . musí platiť δ = 0. vidíme. v2 . Vzhľadom k tomu. (Chceme vyrátať δ. že ľahko vieme vyrátať inverznú maticu K −1 = 10 0 01 0 1 0 0 −a . v3 ). u2 . Pokúsme sa pozrieť na to. v2 . Pokúsme sa vyrátať aspoň δ – tento invariant určuje typ krivky. normálový vektor patrí uvažovanému kužeľu. Aby sme dostali parabolu. v majú jednotkovú veľkosť a sú na seba kolmé. t. u3 ) a v = (v1 . v2 . Po dosadení do rovnice xKxT = 0 dostaneme uOuT t2 + (uKv T + vKu)T st + vKv T s2 + · · · = 0. 0. u1 v2 − u2 v1 ). že ide skutočne o krivku druhého stupňa. u2 . ktoré sú stupňa 2. u2 −u2 −u2 u3 v3 −u1 v1 −u2 v2 3 1 2 2 2 2 u3 v3 −u1 v1 −u2 v2 v3 −v1 −v2 2 2 2 = (u2 − u2 − u2 )(v3 − v1 − v2 ) − (u3 v3 − u1 v1 − u2 v2 )2 = 3 1 2 2 2 2 2 2 2 2 2 2 = u2 v1 + u2 v2 + u2 v3 + u2 v2 + u2 v1 − u2 v3 − u2 v1 − u2 v3 − u2 v2 1 2 3 1 2 1 3 2 3 2 2 2 − u2 v1 − u2 v2 − u2 v3 − 2u1 u2 v1 v2 + 2u1 u3 v1 v3 + 2u2 u3 v2 v3 = 1 2 3 2 2 2 2 2 2 = u2 v2 + u2 v1 − 2u1 u2 v1 v2 − u2 v3 − u2 v1 + 2u1 u3 v1 v3 − u2 v3 − u2 v2 + 2u2 u3 v2 v3 = 1 2 1 3 2 3 = (u1 v2 − u2 v1 )2 − (u1 v3 − u3 v1 )2 − (u2 v3 − u3 v2 )2 Ak smerové vektory roviny sú (u1 . že normálový vektor smeruje do vnútra uvažovaného kužeľa. čo znamená.KAPITOLA 3. 51 . čiže nás zaujímajú len členy.

1 2 Nech napríklad λ1 ≥ λ2 . ktorý má najväčšia a najmenšia vlastná hodnota v prípade. 52 . Samozrejme. znamená to. akú môže výraz x2 + x2 nadobúdať. tak máme: 2 u v nK −1 |K| = δ. Ak na obe strany rovnosti použijeme determinant. že – ako sme už spomínali – na zistenie či nejaký mocninový rad obsahujúci matice konverguje je potrebné zistiť. či všetky vlastné hodnoty sú menšie ako polomer konvergencie. že obe vlastné hodnoty sú kladné. nádjeme tak najbližší bod. že nK −1 nT = n2 + n2 − a n2 . Vlastné vektory a vlastné čísla nám teda udávajú hlavné osi tejto elipsy.nK −1 nT 1 Súčasne si môžeme všimnúť. ktorý určuje. že ide o elipsu. Pre jednoduchosť predpokladajme. |K| = −a a 1 2 3 u v nK −1 = u1 u2 u3 v 1 v2 v3 n1 n2 −n3 1 = n2 + n2 − n2 . Maximum z absolútnych hodnôt vlastných hodnôt matice A sa zvykne nazývať spektrálny polomer matice A. Všeobecne – vlastná hodnota s najmenšou absolútnou hodnotou a jej vlastný vektor nám určujú najvzdialenejší bod elipsy od stredu. podobne ak vezmeme v absolútnej hodnote najväčšiu vlastnú hodnotu a jej vlastný vektor. keď si všimneme u v nK −1 K ( uT v T K −1 nT )= uKuT uKv T 0 vKuT vKv T 0 −1 T 0 0 nK n . 1 2 a 3 1 čiže znamienko δ je rovnaké ako znamienko výrazu n2 + n2 − a n2 . Máme d = λ1 x2 + λ2 x2 ≥ λ2 (x2 + x2 ) 1 2 1 2 d 2 2 x1 + x2 ≤ λ2 d Vidíme teda. 1 2 a 3 z čoho už dostaneme 1 δ = −a n2 + n2 − n2 . akú polohu 3 1 2 má daná rovina vzhľadom ku kužeľu. (V opačnom prípade by sme ich v predchádzajúcej rovnici nahradili ich absolútnymi hodnotami. Maximálna a minimálna vlastná hodnota Ešte sa pozrime na geometrický význam. na to nám stačí skúmať najväčšiu vlastnú hodnotu. Je dôležitý napríklad z toho dôvodu.52 Krivky druhého rádu Na vyjadrenie tohoto determinantu nám pomôže. že bod z najväčšou vzdialenosťou od stredu leží v smere vlastného vektora prislúchajúceho k λ2 . Uvažujme rovnicu už upravenú na diagonálny tvar λ1 x2 + λ2 x2 = d.) Skúsme hľadať bod na elipse s najväčšou možnou vzdialenosťou od jej stredu. že najväčšia možná hodnota. Keďže táto rovnica je už v nových súradniciach. Táto 1 2 hodnota sa skutočne aj nadobúda pre x1 = 0. je λ2 .

... ktorý využíva teóriu modulov (=isté zovšeobecnenie pojmu vektorového priestoru). 0 λ 1 . λk vystupujúce v predchádzajúcej vete sú vlastné hodnoty matice A. sa môžete dozvedieť na predmete Vybrané kapitoly z algebry [G]. že je matica A diagonalizovateľná. Ďalej platí.  A∼ .. že dve matice A a B sú podobné práve vtedy.KAPITOLA 3. nie každá matica je podobná s diagonálnou. Definícia 3.. ktorej diagonálne bloky sú Jordanove bloky taká. . . . Preto v tomto prípade matice reprezentujúce jednotlivé triedy vyzerajú o čosi komplikovanejšie.. Pre každú maticu A nad C existuje blokovo diagonálna matica J. . 0  . 0 λ 1 0  ..   Jk1 (λ1 ) 0 . ...4. Jordanov blok veľkosti  λ 0  .. .. Jk (λ) =  . ....  . Iný dôkaz založený na teórii matíc (využíva okrem iného aj komplexnú verziu Schurrovej vety) možno nájsť v [HJ. všetky Jordanove bloky v jej Jordanovom normálnom tvare majú veľkosť 1.1.3. keď majú rovnaký Jordanov tvar (až na poradie Jordanových blokov). .. . 0     . že matica J je jednoznačne určená až na poradie Jordanových blokov na diagonále. Podobne aj pri podobnosti matíc sa dá z každej triedy vybrať „pekný reprezentant.. .. .    0 . Hodnoty λ1 . .. . Dokážte. že stopa 53 .. 0  0 Jk2 (λ2 ) 0 .. Tento diagonálny tvar bol teda spoločným reprezentantom celej triedy kongruentných matíc. V prípade. 0 λ Veta 3. 0  0 0 k prislúchajúci číslu λ je matica typu k × k tvaru  1 0 .. Jeden možný dôkaz. 3. . Kapitola 20]. Navyše platí. že ortogonálne matice typu n × n tvoria s operáciou násobenia matíc grupu. .. . .. 0 λ 1 0 . Keďže stopu a determinant matice v Jordanovom normálnom tvare možno vypočítať veľmi jednoducho. že každú maticu (kvadratickú formu) možno upraviť na diagonálny tvar.4. . . . ..11]. . Theorem 3. 0 Jkj (λj−1 ) 0  0 . Dôkaz toho tvrdenia môžete nájsť aj v [Z.4 Jordanov normálny tvar Keď sme sa zaoberali kvadratickými formami a kongruenciou matíc. . . ... že podobné matice majú rovnakú stopu i determinant. vidíme. .. že A je podobná s maticou J. podarilo sa nám ukázať. . ktorá sa nazýva Jordanov normálny tvar matice. ... . .. Ako sme však videli v predchádzajúcej kapitole..2 (Jordanov normálny tvar). Ukážeme si jednu z možností výberu takéhoto reprezentant. PODOBNOSŤ MATÍC 53 Cvičenia Úloha 3..1. ..1. Vieme. . 0 Jkj (λj ) Matica J sa nazýva Jordanov normálny tvar matice A... Vetu o Jordanovom normálnom tvare uvedieme bez dôkazu. .

že platí P AP −1 = Jn (λ).. . =  .7 a poznámke za ním. To znamená..   αn−1  0 . . . . ktorý k nej prislúcha. .8) a P AP −1 = Jn (λ).54 Jordanov normálny tvar matice je presne súčet jej vlastných hodnôt (vrátane násobnosti3 ) a determinant matice dostaneme ako súčin jej vlastných hodnôt (vrátane násobnosti). Vlastné hodnoty a vlastné vektory už vieme hľadať – nájdeme korene charakteristického polynómu |A − xI| a pre ne potom riešime homogénnu sústavu určenú maticou (A − λI)T . 3 Rozumieme tým násobnosť vlastnej hodnoty ako koreňa charakteristického polynómu.8)  .   α2  1 ... Podobne postupujeme ďalej – v každom kroku nájdeme nový vektor riešením sústavy T T (A − λI)T αj−1 = αj . 54 . 0  α1  α1  . môžeme prísť veľmi podobne ako pri hľadaní diagonálnej matice podobnej s danou maticou.   αn−1 A λαn−1 + αn  αn A λαn Porovnaním týchto matíc vidíme.2.     λ 1 0 . .2.. αn−1 (A − λI) = αn . 0 λ 1  αn−1 αn αn 0 . že λ je vlastná hodnota matice A a αn je vlastný vektor. Vektor αn−1 teda môžeme nájsť riešením nehomogénnej sústavy rovníc T T (A − λI)T αn−1 = αn .j. Ak nájdeme vektory spĺňajúce uvedené rovnosti.   .. 0  .      .  . 0 λ     λα1 + α2 α1 A  α2 A   λα2 + α3       . . αn a prečítajme si tú istú maticovú rovnosť po riadkoch.   .. . Keď už poznáme kanonický tvar z vety 3. . t. . čo znamená. ukázali sme. na spôsob. . že musí platiť αn A = λαn . (3. .   .4. .  . .   . Predchádzajúcu rovnosť môžeme prepísať ako P A = Jn (λ)P Označme riadky matice A ako α1 ..    .  α2  0 λ .  A =  . že daná matica je podobná s Jordanovým blokom. To isté sme už vlastne odvodili v dôkaze dôsledku 3. Navyše. . jej riadky musia spĺňať všetky uvedené podmienky. Predchádzajúci vektor má spĺňať rovnosť αn−1 A = λαn−1 + αn alebo. že aby pre maticu P tieto rovnosti platili. existuje taká regulárna matica P . ako ho nájsť. ekvivalentne. . (3. Pre jednoduchosť sa pozrime najprv na to. tak matica P skutočne spĺňa rovnosti (3. . .7)  .

. αn .3. Vieme. že podobnosť matíc znamená. že obe matice predstavujú pri rôznych bázach to isté zobrazenie. Nájdime Jordanov normálny  6 1 −1 2  A= 1 0  −1 0 −2 0 tvar pre maticu  −3 2 5 1 −3 0   1 3 0  1 3 −2 2 2 −2 Najprv chceme nájsť vlastné hodnoty. Čiže hľadáme bázu α1 . pri ktorej má zobrazenie určené (pri štandardnej báze) maticou A maticu Jλ (n). ako môžeme potom nájsť Jordanov normálny tvar danej matice. αn . To znamená špeciálne. PODOBNOSŤ MATÍC 55 Na ten istý problém sa môžeme pozrieť ešte aj iným spôsobom. chA (x) = 6−x 1 −3 2 5 −1 2−x 1 −3 0 1 0 1−x 3 0 −1 0 1 3−x −2 −2 0 2 2 −2−x (1) = (−1) −1 1 −3 0 1 1−x 3 0 −1 1 3−x −2 −2 2 2 −2−x + (2 − x) 6−x −3 2 5 1 1−x 3 0 −1 1 3−x −2 −2 2 2 −2−x −1 1 −3 0 −1 1 −3 0 −1 −3 0 −1 −3 0 (3) (2) 0 0 0 1 1−x 3 0 = −1 2−x 3−x −2 = (2−x) −1 3−x −2 = (2−x) 0 6−x −2 1 −1 1 3−x −2 −2 2 −2−x 0 8 −2−x −2 2 2 −2−x −2 2 2 −2−x 6−x −2 = (x − 2) 8 −2−x = (x − 2)(x2 − 4x − 12 + 16) = (x − 2)(x2 − 4x + 4) = (x − 2)3 = 6−x −3 12 5 6−x −3 2 5 6−x −3 2 5 6−x −3 2 5 (5) (4) 1 3 0 1 3 0 1 3 0 1 1−x 3 0 = −1 1−x 3−x −2 = (x−2) −1 1−x 3−x −2 = (x−2) −1 1−x −1−x −2 1 1 1 −1 1 3−x −2 0 0 2 −1 0 0 0 −1 0 0 2x−4 2−x −2 2 2 −2−x 6−x −3 12 6−x −3 12 (6) 2 6−x −3 12 0 1 1 = = −(x − 2) 0 2−x 2−x = (x − 2) = −(x − 2) 1 1−x 3 −1 1 −1−x −1 1 −1−x −1 1 −1−x (7) = = (x−2)2 6−x 0 15 0 1 1 −1 0 −2−x (8) = (x−2)2 6−x 15 −1 −2−x = (x−2)2 (x2 −4x−12+15) = (x−2)2 (x2 −4x+3) (1) (2) (3) (4) (5) (6) (7) Použité úpravy: Rozvoj podľa druhého stĺpca Pripočítanie prvého riadku k druhému Od ostatných riadkov sme odčítali vhodný násobok prvého Odpočítanie dvojnásobku tretieho riadku od posledného Pripočítanie dvojnásobku posledného stĺpca k tretiemu Pripočítanie tretieho riadku k druhému Rozvoj podľa druhého stĺpca 55 . Ukážme si na konkrétnom príklade. . . α1 = λα1 + α2 Dostali sme teda presne tie isté rovnice pre α1 . .4. Príklad 3. . . . Vo všeobecnosti môžeme mať Jordanových blokov viac.KAPITOLA 3. . že má platiť αn A = λαn αn−1 A = λαn−1 + αn . Vypočítajme charakteristický polynóm. . nie iba jeden ako v predchádzajúcej úvahe. .

že už vieme. Tým prejde sústava na tvar   0  1 0 0 −1 1 0 −3 0 0 0 1 −1 3 0 0 0 0 0 1 0 0 0 0 2 | a | −a 2 | a  2  3 | −2a 5 | 2a ∼ 10 0 00| a 0 1 −1 0 0 | a 2 0 0 0 1 2 | 5a 2 1 Ako jedno z možných riešení dostaneme a(1. 5 . 0. musí platiť − 5 a + 3 b = − 3 a + 1 b (dostaneme 4 4 4 4 to porovnaním druhého a tretieho riadku). 2 . 0). pričom za pravú stranu vezmeme ľubovoľný 3 1 vektor tvaru a(1. Opäť riešime sústavu danú tou istou maticou. 1. 2 . 2 . 2 . 0. musia to byť bloky veľkosti 2 a 3. 0. 0. 0). Ľahko overíme. 2.  4 −1 1 −1 −2 | a 2   1 2 0 0 0 | 3 a− 1 b   1 0 0 0 0 | 3 a− 1 b  0 1  −3  0 1 2 −3 5 0 0 −1 1 −3 0 0 −1 3 0 0 1 1 −2 0 2 2 −4 | | | | 3 1 2 a− 2 b 2 2 2 2 0 5 1 2 a+ 2 b 4 1 |   −3 −1 −1 −1 −2 | 1 1 2 ∼ 2 −3 3  5 0 0 1 0 0 0  0 −1 1 0  0 1 −1 0  0 −3 3 0 0 0 0 1 0 1 0 0  0 0 0 1 −1 3 0 0 −1 1 1 1 0 −2 2 2 2 | 3 a− 1 b  2 2 | −5a+2b  9 | 2 a− 3 b  2 3 | − 1 a+ 2 b 2 | 15 a− 5 b 4 4 ∼ a  0  1 1 2 | 5 a+ 2 b 2 −2 −4 | 0  1 0 | 3 a− 2 b 2 5 3 0 | − 4 a+ 4 b  1 0 | 3 a− 4 b  4  0 | − 17 a+ 11 b 4 4 15 5 2 | 4 a− 4 b  ∼ 0 0 −1 1 0 −3 0 0 1 −1 3 0 −1 1 1 −2 −2 2 2 −4 | −5a+2b  3 | 9 a− 2 b  2 1 | − 2 a+ 3 b 2 | − 15 a+ 5 b 2 2 ∼ Aby predchádzajúca sústava mala riešenie. 2. Keďže množina vlastných vektorov je dvojrozmerná. 0. pokúsime sa však ešte dopočítať aj maticu prechodu. 0)+b(0.56 Jordanov normálny tvar Pomocou týchto čiastkových výpočtov už môžeme zrátať charakteristický polynóm. Teraz budeme riešiť rovnicu zadanú maticou (A−2I)T . 0) pre vlastný a(0. 0. 1. 0. 0. 0. v ktorej pravú stranu tvoria práve vypočítané vlastné vektory. 0) + b(0. 0. že jej Jordanov normálny tvar bude mať 2 Jordanove bloky. 0) 56 . 1. 0. Riešime sústavu danú maticou (A − 2I)T . 2 . −1). (0.       4 −1 0 1 2 −3 5 0 −1 0 1 1 −2 −2 0 2 2 −4 | | | | |  4 −1 1 −1 −2 | ∼  −3 1 −1 1 2 | Keďže sme našli riešenie pre každý vlastný vektor. 4 1 −3 2 5 −1 0 1 −3 0 1 0 −1 3 0 −1 0 1 1 −2 −2 0 2 2 −4 ∼ 1 0 0 0 0 0 −1 1 −3 0 0 1 −1 3 0 0 −1 1 1 −2 0 −2 2 2 −4 ∼ 1 0 0 0 0 0 −1 1 −3 0 0 1 −1 3 0 0 −1 1 1 1 0 −2 2 2 2 ∼ 1 0 0 0 0 0 −1 1 −3 0 0 1 −1 3 0 0 0 0 0 1 0 0 0 0 2 ∼ 1 0 0 0 0 0 1 0 0 0 0 −1 0 0 0 0 0 1 0 0 0 0 2 0 0 0 | a 1 0 0 0 0 | a 0 1   0 −1 −1 −1 −2 | −4a  a  ∼ 0 1 1 2 | 4a ∼ 2 −3 3 1 2 | 2b 0 −3 3 1 2 | −2a+2b 5 0 0 −2 −4 | −b 0 0 0 −2 −4 | −5a−b 1 0 0 0 0 | a  1 0 0 0 0 |  a 0 −1 1 | − 3 a+ 1 b 10 0 00| a 1  0 −1 −1 −1 −2 | −4a   0 1 −1 0 0 | 32a− 12b  3 1 1 2 | 4a 0 1 ∼  ∼ 0 1 −1 0 0 | 2 a− 1 b 2 2 2 5 0 −3 3 1 2 | −2a+2b 0 −3 3 0 0 | − 9 a+ 3 b 0 0 0 1 2 | 2 a+ 2 b 2 2 5 1 1 0 0 0 1 2 | 2 a+ 2 b 0 0 0 1 2 | 5 a+ 2 b 2 5 1 1 3 Našli sme riešenie a(1. chA (x) = −(x − 2)3 − (x − 2)(x − 2)2 (x2 − 4x + 3) = −(x − 2)3 (x2 − 4x + 3) = −(x − 2)5 Jediný koreň charakteristického polynómu (a jediná vlastná hodnota) je teda číslo 2. 0) α2 = α1 (A − 2I) = (1. 1  −3  1 0 −1 3 0 0 a  a  2b −b 1 0 0 0 Podpriestor riešení tejto sústavy je [(0. ako vyzerá Jordanov normálny tvar našej matice. Vzhľadom k tomu. Podobne je vlastným vektorom aj každá ich lineárna kombinácia a(0. 2 . 1. 2 . Teraz nájdeme k tejto vlastnej hodnote vlastné vektory. 5 . 0. 0. Pri voľbe a = 1 máme 2 1 5 α1 = (1. 0. 0)+b(0. To znamená. − 2 . 1. 0) + b(0. 1. 2. 0. 2 . 3. Znamená to. oba Jordanove bloky musia mať veľkosť aspoň 2. 1. že tieto vektory sú skutočne vlastné vektory prislúchajúce k vlastnej hodnote 2. −1). − 1 . −1)]. že súčet ich veľkostí je 5. 0. Z toho dostaneme a = b. 0). pre maticu A sa dajú nájsť 2 lineárne nezávislé vlastné vektory.

5 . −1).KAPITOLA 3. d) chA (x) = −(x − 2)3 . J = 110 011 001 . vlastné vektory [(1. 1. 1. (−2. 210 020 002 . J = J = 1 0 0 0 0 1 0 0 0 1 1 0 0 0 1 1 110 011 001 110 011 001 . J = 0 10 −4 4 0 −2 1 2 2 1 1 2 0 0 6 1 2 0 2 0 −15 −5 −6 0 1 2 9 −6 −2 4 −5 2 5 −7 3 18 −12 −3 18 −9 −6 6 −9 4 −1 0 0 −3 0 0 0 −1 1 0 −3 1 0 0 −1 0 0 −3 −4 0 2 −5 −2 4 0 3 −2 0 2 −1 11 0 0 01 0 0 0 0 −1 1 0 0 0 −1 ] t 00 0 t 0 t 0 t 100 0 t 1 00 t Úloha 3. e) chA (x) = −(x − 1)3 . Cvičenia Úloha 3. potrebujeme použiť nejaký vlastný vektor lineárne nezávislý od (0. −2). Aby sme dostali druhý. b) chA (x) = −(x − 1)3 . 1. b = 0: α4 = (1. 2)].4. 1. 1. ktoré sme dostali platí α2 (A − 2I)2 = α4 (A − 2I)2 = 0 a α1 (A − 2I)3 = 0. 1. Nájdite Jordanov normálny tvar daných matíc. Vektory.2. Nájdite Jordanov normálny tvar J matice A a regulárnu maticu P takú.4. Tieto 3 vektory určujú jeden Jordanov blok. jediný vlastný vektor . sa nazývajú zovšeobecnené vlastné vektory. −1)]. 0. c) chA (x) = −(x − 1)4 . Môžeme zvoliť napríklad a = 1. −1)]. 0.3. 0). 0. 2. 0) 2 2 α5 = α4 (A − 2I) = (0. 3 . 1. J = (1. vlastné vektory [(1. 0.4. vlastné vektory [(−1. −1. 0) Dostali sme teda     2 1 0 0 0 1 1 0 5 0 2 2 0 2 1 0 0 1 1 0 3 0      0 1 1 2 −1 J = 0 0 2 0 0 P =    0 0 0 2 1 1 3 0 5 0 2 2 0 0 0 0 2 0 1 1 0 0 Pre tieto matice skutočne platí J = P AP −1 .1. −1. že pre ostatné vektory. 7 −12 6 1 −3 3 −2 −6 13 10 −19 10 −1 −4 8 12 −24 13 10 0 100 110 01 0 001 011 0 0 −1 000 001 pre t = 0 Riešenia: 1 −2 0 −1 −3 −6 −3 −4 0 0 1 0 Úloha 3. že platí P AP −1 = J. Vlastné vektory sú určené rovnosťou α(A − 2I) = 0 Všimnime si. (0. Nájdite Jordanov normálny tvar daných matíc. 1). −1) Dostali sme presne vlastný vektor zodpovedajúci hodnotám a = b = 1. 00 1 a) A = 1 3 −3 b) A = c) A = d) A = e) A = 01 0 0 1 0 0 3 1 1 −3 0 1 −1 −1 0 0 −1 −2 −2 −1 −1 −2 −2 0 22 −1 3 1 −1 1 3 2 0 −1 −1 2 1 2 −1 −1 1 1 4 4 [a) chA (x) = −(x − 1)3 . 2. ktoré vyhovujú rovnici α(A − λI)n pre nejaké n ∈ N a λ ∈ C. PODOBNOSŤ MATÍC 57 α3 = α2 (A − 2I) = (0. 3 13 3 8 1 0 0 0 3 1 3 4 0 0 1 1 −1 1 0 −1 0 0 0 0 5 −3 3 −1 210 020 002 000 3 4 0 0 0 0 1 2 3 9 0 0 −1 1 −3 −7 0 4 0 2 0100 0000 0001 0000 −7 −1 −8 −4 Riešenia 0 1 0 0 0 1 1 0 57 . 1. 1. 0.

1 Aplikácie podobnosti a Jordanovho normálneho tvaru Lineárne rekurencie Pomocou Jordanovho normálneho tvaru sa dá odvodiť riešenie lineárnych rekurentných rovníc. a b Pre vlastné hodnoty λ1.9) je ekvivalentný nasledovný maticový zápis An+1 An = a b 1 0 An An−1 (3.9). tak túto rovnosť vieme prepísať ako An+1 A1 A1 = An = P −1 J n P .4. 2 58 .5.10) Charakteristický polynóm tejto matice je chA (x) = a−x b = x(x − a) − b = x2 − ax − b.12) (3.5 3. −3 0 4 3 −1 −5 −2 0 3 1 4 −3 0 −3 1 0 −4 1 −2 −5 3 1 0 −1 0 −4 1 3. že s rovnosťou (3. My sa pre jednoduchosť obmedzíme na rekurencie druhého rádu. ak platí A = P −1 JP .9) kde a. Je zrejmé. Pod lineárnou rekurenciou druhého rádu rozumieme predpis An+1 = aAn + bAn−1 .4. Nájdite charakteristický polynóm a Jordanov tvar matice Nájdite aj príslušnú maticu prechodu a zapíšte príslušnú maticovú rovnosť.10) dostaneme postupne An+1 An =A An An−1 = A2 An−1 An−2 = · · · = An A1 A0 (3. b ∈ C.j. že J je diagonálna matica. 1 −x Vlastné hodnoty sú riešenia rovnice chA (x) = 0. Pre matice 2 × 2 máme. J= λ1 0 0 λ2 ⇒ Jn = λn 1 0 0 λn .11) Ak poznáme Jordanov tvar matice A.2 matice A = teda platí 1 0 λ1 + λ2 = a λ1 · λ2 = −b Z rovnosti (3.58 Aplikácie podobnosti a Jordanovho normálneho tvaru Úloha 3. t. tak tým je už postupnosť (An )∞ n=1 jednoznačne určená. aby sme mohli aplikovať naše poznatky o podobnosti matíc na lineárne rekurencie je uvedomiť si.9) pre všetky n=1 n ∈ N a ak poznáme jej počiatočné hodnoty A0 a A1 . (3. V prípade. že ak nejaká postupnosť (An )∞ vyhovuje rovnici (3. Táto rovnica sa zvykne nazývať charakteristická rovnica rekurencie (3. An A0 A0 Na ďalšie výpočty potrebujeme vedieť ako vyzerajú mocniny matice v Jordanovom normálnom tvare. Základom pre to. jednoducho umocníme prvky na diagonále.

2 p11 a1 λn + p12 a0 λn 1 2 p21 a1 λn + p22 a0 λn 1 2 Ak porovnáme druhý riadok. že Jordanov tvar je diagonálny.KAPITOLA 3. Jn = λn 0 nλn−1 λn Keďže pracujeme iba s rekurenciami druhého stupňa.. . Môžete si ale skúsiť rozmyslieť. 2 p11 p21 = p12 p22 p11 p21 A1 A0 p12 p22 = p11 p21 p12 p22 = λn 1 0 0 λn . treba brať do úvahy okrem geometrickej postupnosti λn aj postupnosti nλn−1 . Iný dôkaz môžete nájsť v [W]. riešenie môžeme nájsť ako lineárnu kombináciu geometrických postupností určených koreňmi charakteristickej rovnice. Opäť. že matica A nie je diagonalizovateľná. vyšlo nám. . koľko je násobnosť príslušného koreňa). kλk . máme An+1 An = p11 p21 p12 p22 λn 1 0 0 λn . t. že An = c1 λn + c2 nλn−1 .5. v prípade. že je niektorý koreň viacnásobný. V prípade matice 2 × 2 je situácia pomerne jednoduchá: J= λ 0 1 λ J2 = λ2 0 2λ λ2 .13) p12 p22 p11 p21 λn 0 p12 p22 nλn−1 λn .2 môžeme použiť to. Pozrime sa na prípad. Opäť. (p11 a1 + p12 a0 )λn + p11 nλn−1 (p21 a1 + p22 a0 )λn + p21 nλn−1 . Príklad 3. že poznáme iniciálne hodnoty A0. Jej Jordanov tvar potom obsahuje jediný Jordanov blok veľkosti 2. Nájdime vyjadrenie n-tého člena Fibonacciho postupnosti určenej predpisom Fn+1 = Fn + Fn−1 59 (3.1. ich spoločnú hodnotu označme λ. .. .2 môžeme vyrátať z počiatočných podmienok.1 . že podobne to bude fungovať aj pre Jordanove bloky väčších rozmerov. čo z predchádzajúcich rovností dostaneme pre rekurentné postupnosti. V prípade. konštanty c1. že An = c1 λn + c2 λn . n2 λn−2 . PODOBNOSŤ MATÍC 59 Vo všeobecnosti nám stačí umocňovať Jordanove bloky. 2 a1 a0 = a1 λn 1 a0 λn . vystačíme s maticami 2 × 2. . 1 2 Na vyrátanie konštánt c1. 2 Pozrime sa teraz nato. k-ta mocnina Jordanovho bloku obsahuje (počnúc od diagonály) prvky λk . Potom máme An+1 An = p11 p21 = Zistili sme.j. a1 a0 = a1 λn + a0 nλn−1 a0 λn . Vlastné hodnoty sú rovnaké. (toľko z nich. Viac o riešeniach lineárnych rekurenciách ako aj dôkaz vety o tvare riešení založený práve na použití Jordanovho normálneho tvaru môžete nájsť napríklad v [LPV]. k λk−1 . . Podobným spôsobom sa dá odvodiť aj všeobecný vzťah pre lineárne rekurencie k-tého stupňa An+k−1 = cn+k−2 An+k−2 + · · · + cn−1 An−1 . p11 p21 p12 p22 A1 A0 = = p11 p21 p12 p22 λn 0 nλn−1 λn .

Teda pre maticu P = platí P AP −1 = diag(λ1 . λ2 − λ1 Ak dosadíme λ2 = √ 1+ 5 2 a λ1 = √ 1− 5 2 . λ1 λ2 = −1. Maticový zápis rovnice (3. Š]. 60 .60 Aplikácie podobnosti a Jordanovho normálneho tvaru a počiatočnými hodnotami F0 = 0. λ1. Podobne vlastným vektorom pre vlastnú hodnotu λ2 je (1.14) Charakteristická rovnica je x2 − x − 1 = 0 a jej korene sú √ 1± 5 .12) potom dostaneme Fn+1 Fn = P −1 λn 1 0 0 P λn 2 F1 F0 = 1 λ2 − λ2 −λn+1 1 −λn 1 λn+1 2 λn 2 1 1 = 1 λ2 − λ2 λn+1 − λn+1 2 1 λn − λn 2 1 1 λ2 − λ1 −λ1 −1 λ2 1 1 1 −λ2 −λ1 Na základe porovnania spodného riadku na ľavej a pravej strane predchádzajúcej rovnosti vidno. tak máme √ 1+ 5 2 n Fn = − √ 5 √ 1− 5 2 n Maticové rovnosti (3. Viac o využití matíc pri odvodzovaní rôznych identít platných pre členy Fibonacciho postupnosti (prípadne aj všeobecnejšie pre lineárne rekurencie druhého stupňa) sa môžete dočítať napríklad v [J.14) nám môžu pomôcť nielen odvodiť vzorec pre n-tý člen postupnosti ale aj na odvodenie niektorých vzťahov platných pre rekurentné postupnosti. −λ2 ). Vlastné vektory pre vlastnú hodnotu λ1 nájdeme riešením sústavy s maticou 1 − λ1 1 1 −λ1 = λ2 1 1 −λ1 Vidíme. F1 = 0. Ako jednoduchý príklad si môžeme ukázať odvodenie vzorca pre súčet prvých n členov Fibonacciho postupnosti. že obom rovniciam vyhovuje napríklad vektor (1. −λ1 ). Inverzná matica k matici P je P −1 = Dosadením do (3. λ2 ).2 = 2 Na základe Viétových vzťahov pre ne platí λ1 + λ2 = 1.10) a (3.13) je Fn+1 Fn = 1 1 1 0 Fn Fn−1 (3. že λn − λn 1 Fn = 2 .

a teda I + A + · · · + An−1 = (A − I)−1 (An − I). d) an = 2an−1 − 2an−2 . že platí (A − I)(I + A + · · · + An−1 ) = An − I.2n − 3n . F2 F1 =I F2 . pričom a0 = a1 = 2.13 totiž musí platiť chA (A) = A2 − A − I = 0. F1 F2 .5.1.3n − n. Za výhodu uvedeného prístupu možno považovať to. pričom a0 = 2 a a1 = 3. Fn+2 − 1 Vypočítali sme teda. b) 3. c) an = 6an−1 − 9an−2 . F1 F2 . Podľa Cayley-Hamiltonovej vety 3.3n d) (1 + i)n + (1 − i)n . my sme sa uspokojili s týmto veľmi jednoduchým príkladom.KAPITOLA 3.] 61 .5. pričom a0 = 4 a a1 = 7. (Tento fakt sme mohli spozorovať aj z charakteristickej rovnice. [Výsledky: a) 5. že (A − I)−1 = 0 1 1 −1 −1 = (I + A + · · · + An−1 ) F2 . Ľahko vypočítame. F1 = 1 1 1 0 = A.) Cvičenia Úloha 3.2n + (−1)n .2. že takto sme boli schopný tento vzorec objaviť – pri dôkaze indukciou musíme najprv uhádnuť ako vzorec vyzerá. že identitu odvodenú v predchádzajúcom príklade by sme mohli ľahko overiť indukciou. Využijeme rovnosti Fn+1 Fn Fn Fn−1 = An−1 = An−2 .) Máme teda F2 + · · · + Fn+1 F1 + · · · + Fn = (A − I)−1 (An − I) F2 F1 = 1 1 1 0 Fn+2 − 1 Fn+1 − 1 = Fn+3 − 1 . že n Fk = Fn+2 − 1. z čoho dostaneme A(A − I) = I a (A − I)−1 = A. Nájdite predpis pre n-tý člen danej rekurentnej postupnosti: a) an = 5an−1 − 6an−2 . . PODOBNOSŤ MATÍC 61 Príklad 3. F1 Ich sčítaním dostaneme F2 + · · · + Fn+1 F1 + · · · + Fn Všimnime si. .2. k=1 Poznamenajme. b) an = an−1 + 2an−2 . (Táto výhoda je možno zjavnejšia pri odvodzovaní niektorých komplikovanejších rovností. pričom a0 = 4 a a1 = 5. c) 2.

Ukážte. Úloha 3. d) (Fm . b.6. V zostávajúcich úlohách budeme používať aj iné postupy ako použitie matíc. Sú to teda sústavy tvaru x (t) = ax(t) + by(t) y (t) = cx(t) + dy(t) pričom a. dosadením vzorca pre n-tý člen alebo inými spôsobmi. c. Fn ). c) (Fkn+r . Lucasova postupnosť je postupnosť určená predpisom Ln+1 = Ln + Ln−1 a podmienkami L0 = 2. x(t). n+1 n Úloha 3. že F2n = rovnosť A2 = I + A. že n k=0 n F2k+1 = F2(n+1) a n k=0 F2k = F2n+1 − 1.5. Pre jednoduchosť sa opäť obmedzíme na sústavy 2 rovníc.n) .2c). Fn ) = (Fr .) n n k=0 k Fk . Úloha 3.3.7. 10 Na základe toho ukážte. Koľko delení so zvyškom je potrebné vykonať.5. Dokážte. Vedeli by ste pomocou výsledkov z časti c) navrhnúť efektívny algoritmus na výpočet n-tého Fibonacciho čísla. (Hint k maticovému odvodeniu: Čomu sa k 2 rovná (A ) ? Iná možnosť: Použiť nejako úlohu 3. Pre mnohé z nich sa dajú dokázať podobné výsledky aj pre ľubovoľné rekurentné postupnosti druhého rádu. Cieľom je ukázať niektoré zaujímavé vlastnosti Fibonacciho postupnosti.5.5. F F Úloha 3. Úloha 3. Fn+1 ) = 1. že k=0 Fk = Fn Fn+1 . a) Vyjadrite Fn+3 a Fn pomocou Fn+1 a Fn+2 .62 Aplikácie podobnosti a Jordanovho normálneho tvaru Viaceré cvičenia v tejto časti sú zamerané na dôkaz niektorých identít týkajúcich sa Fibonacciho čísel pomocou matíc. Fn−1 ) pomocou Euklidovho algoritmu? 3. Nájdite vzorec pre Fj+k+l a pre F3n . (Hint k maticovému odvodeniu: Skúste využiť Úloha 3. Ukážte.4. že pre maticu A = ( 1 1 ) a pre n ∈ N platí An = Fn Fn−1 .5.2. ak hľadáme (Fn . y(t) sú hľadané funkcie reálnej premennej a všetky derivácie vystupujúce v sústave chápeme ako derivácie podľa t. Fn ) = F(m. a) Nájdite vyjadrenie n-tého člena Lucasovej postupnosti.) Úloha 3. že pre Fibonacciho postupnosť platí: a) Fn | Fkn .5.8. že: 2 a) Fn+1 Fn−1 − Fn = (−1)n (Cassiniho identita) b) Fm+n = Fm Fn+1 + Fm−1 Fn (konvolučná vlastnosť) 2 2 c) F2n = Fn (Fn+1 + Fn−1 ) a F2n+1 = Fn+1 + Fn+2 .5.5.5. 2 Úloha 3. 62 . b) Ukážte.5. Na porovnanie obtiažnosti si môžete niektoré z nich skúsiť dokázať aj matematickou indukciou. že Fn+2 − Fn+1 = Fn Fn+3 platí pre ľubovoľné n ∈ N.2 Sústavy lineárnych homogénnych diferenciálnych rovníc V tejto časti sa budeme zaoberať sústavami lineárnych homogénnych diferenciálnych rovníc. d ∈ C sú konštanty. Ukážte. 2 2 b) Ukážte. b) (Fn .5. Ukážte.9. že Ln = Fn−1 + Fn+1 . L1 = 1.

že je to skutočne riešenie pôvodnej sústavy.) Dosadením do pôvodnej rovnice sa ľahko presvedčíme. Riešme sústavu x = x + 2y y = 2x + y Upravme túto sústavu tak.15) zapísať maticovo ako (x . podobne ako v prípade rekurencií. kde sa dá uhádnuť ako môžeme sústavu previesť na tvar.16) . že jednotlivé rovnice sčítame a odčítame. je tým už funkcia u jednoznačne určená.KAPITOLA 3. (Ľahko overíme. c2 = 2a2 . že c1 = 2a1 .) Pozrime sa najprv na nasledujúci jednoduchý príklad. že riešením diferenciálnej rovnice u = ku pre dané k ∈ R je funkcia u(t) = Cekt . y ) = (x. Príklad 3. Dostaneme tak rovnice x + y = 3x + 3y x − y = −x + y čiže (x + y) = 3(x + y) (x − y) = −(x − y) Z týchto 2 rovníc máme x + y = c1 e3t x − y = c2 e−t a po vyjadrení x a y dostaneme riešenie x = a1 e3t + a2 e−t y = a1 e3t − a2 e−t (Kvôli „krajšiemu zápisu sme zaviedli nové konštanty a1.2 také. že vieme.3. d (3. vieme sústavu (3. že táto funkcia danej rovnici skutočne vyhovuje. Akonáhle je dané u(0).5. Opäť.15) pričom C = u(0). ktorý už vieme riešiť. y)A pričom A= a b 63 c . PODOBNOSŤ MATÍC 63 Stručnejšie budeme predchádzajúcu sústavu zapisovať ako x = ax + by y = cx + dy Budeme využívať to. (3.

c2 eλ2 t )P Keď riadky matice P (čo sú súčasne vlastné vektory matice A) označíme ako α1 . aby táto matica (a tým pádom aj zodpovedajúca sústava) boli čo najjednoduchšie. Je dôležitý pri vyhľadávaní na zoradenie výsledkov. Čo dostaneme ak maticu P prevedieme na Jordanov normálny tvar? Máme potom (x . matica J je diagonálna a obe vlastné hodnoty sú reálne čísla. v ) = (u. y )P −1 = (x. α2 . To presne zodpovedá podobnosti matíc – pri nej tiež robíme zmenu súradníc P a zmenu súradníc opačným smerom P −1 .6 PageRank algoritmus V tejto časti chceme z hľadiska lineárnej algebry popísať PageRank algoritmus. tak predchádazjúca rovnosť znamená (x(t). Viac o riešení sústav lineárnych diferenciálnych rovníc a tiež spôsob. Na tento problém sa teda možno pozerať tak. Rozmyslime si aspoň najjednoduchší prípad. aby sme dostali riešenie pre pôvodné funkcie. y(t)) = (c1 eλ1 t . Z nich vieme vyrátať hľadané funkcie x a y a získali sme pre ne o čosi jednoduchšiu sústavu (u . že hľadáme maticu podobnú matici A. y)P −1 JP čiže (x . Vhodným kandidátom by mohol byť Jordanov normálny tvar. ktorý sa dá použiť na ohodnotenie dôležitosti webových stránok. v)J. (x(t).64 PageRank algoritmus Všimnime si. Najprv sme zaviedli nové funkcie u a v (zmena súradníc). Potom sústava. akým sa riešia prípady komplexných alebo viacnásobných vlastných hodnôt. pričom chceme. ktorej majú vyhovovať u a v je u = λ1 u v = λ2 v a jej riešenie je u = c1 eλ1 t v = c2 eλ2 t Riešenia pôvodnej sústavy dostaneme vynásobením sprava maticou P . y(t)) = c1 eλ1 t α1 + c2 eλ2 t λ2 . čiže riešenia pôvodnej sústavy sú lineárne kombinácie riešení eλ1 t α1 a eλ2 t α2 . pre ktoré sme sústavu vedeli riešiť. y)P −1 J. v) = (x. a potom sme urobili opačnú zmenu súradníc. 64 . čo sme vlastne v predchádzajúcom príklade urobili. možno nájsť napríklad v [GŠŠ]. Uvažujme nové funkcie u(t) a v(t) určené ako (u. y ) = (x. y)P −1 . 3. Podrobnejšie o tejto téme sa môžete dozvedieť napríklad v článku [BL] alebo v knihe [LM] (táto podkapitola spracovaná z týchto dvoch zdrojov a z [M]).

Ak dôležitosť posudzujeme podľa toho. na ktoré sa odkazuje. na základe ktorého Google vytvára poradie nájdených výsledkov. . a hlas stránky sa rozdelí medzi tie. To prináša dve výhody – maticu možno uložiť (pomocou vhodnej dátovej štruktúry) tak. . začali na ňom pracovať v druhej polovici 90-tych rokov. Napríklad pre web naznačený v nasledujúcom diagrame q1 6 × 9G Ð Ð 0 2 y d3 5 4 vyzerá matica A ako 0 0  0 A= 0 1  2 0  1 3 0 1 0 0 0 0 0 0 1 1 2 1 0 0 0 0 0 0 1 3 1 3  0 0 0 0 0 0  0 . Približne v tom istom čase navrhol Jon Kleinberg algoritmus HITS. PODOBNOSŤ MATÍC 65 Autormi tohoto algoritmu sú zakladatelia firmy Google Sergey Brin a Larry Page. . Každá stránka dostane 1 hlas a ak na nej je n liniek. Oproti dovtedy používaným spôsobom hodnotenia dôležitosti nájdených výsledkov je významným rozdielom to. pričom ni označuje počet liniek na i-tej stránke. . e = (1. . 65 . Znamená to. V tejto súvislosti treba spomenúť. 1. 0  0 0 Poznamenajme. kde vektor x = (x1 . ale podľa hypertextových odkazov na danú stránku z iných stránok. ktoré majú skoro všetky hodnoty nenulové. V súčasnoti niektoré vyhľadávače používajú tento algoritmus. Práve popísaný výpočet môžeme popísať veľmi jednoducho ako x = eA.KAPITOLA 3. . na ktoré odkazuje. Takisto niektoré výpočty. Hlavný rozdiel medzi oboma algoritmami je v tom. koľko liniek na ňu odkazuje. Základná idea PageRank algoritmu sa dá popísať veľmi jednoducho. možno implementovať tak. že dôležitosť sa tu neurčuje na základe obsahu stránky. ktorý bol do značnej miery podobný. tak s váhou 1/n hlasuje za dôležitosť stránok. xn ) obsahuje ohodnotenia stránok. . nesnažil sa ho však komerčne využiť. že PageRank nie je jediné kritérium. že dôležitosť stránky bude úmerná tomu. napríklad násobenie takouto maticou. . aby nezaberala zbytočne veľa priestoru. môžeme sa na to pozrieť ako na „hlasovanie . aij = ni 0 inak. 1) a matica A je určená ako 1 ak i-ta stránka obsahuje odkaz na j-tu. že HITS okrem liniek smerujúcich na danú stránku zohľadňuje aj linky. koľko stránok sa na ňu odkazuje. že budú oveľa rýchlejšie ako pre matice. že aj v reálnych aplikáciach bude táto matica obsahovať veľa núl – ide o takzvanú riedku maticu. Teda každá stránka má rovnocenné „hlasovacie právo . ktoré smerujú z nej.

ktoré získame doteraz popísaným spôsobom. ešte trochu upraviť. (Aby sme boli presní. n→∞ tak máme aj xA = lim x0 An+1 = x. 4 Stručné zdôvodnenie tohoto faktu: Ak označíme A max = maxi.. že súčet prvkov v každom nenulovom riadku matici A je rovný 1 (prvá iterácia bola demokratická – každá stránka mala rovnaké „hlasovacie právo ).. xn = xn−1 A = x0 An V prípade. chápať ako hodnotu pravdepodobnosti. že vektor xn bude skutočne konvergovať k nejakej hodnote. že sa v danom okamihu surfer nachádza na danej stránke za predpokladu. že z niektorej stránky si náhodne vyberie ľubovoľnú linku a na tú stránku ide ďalej. Tvrdenie 3. To znamená. n→∞ (Tu sme využili fakt. Ako uvidíme. ak súčet prvkov jej ľubovoľného riadku je 1. že sme rovnakú vážnosť prikladali linkám z menej dôležitých stránok ako linkám z významných stránok. aby to fungovalo v praxi.66 PageRank algoritmus Nedostatok hodnotenia. že ak x0 An konverguje k nejakému vektoru.1. že ho necháme surfovať neobmedzene dlho. čo je matematická oblasť patriaca do teórie pravdepodobnosti. tak číslo 1 je jej vlastnou hodnotou. že váhový vektor x konverguje k nejakej hodnote. Najprv si všimnime. Takže ak máme dané ε > 0 a dvojicu vektorov takú. ak chceme použiť túto pravdepodobnostnú interpretáciu. že všetky súradnice vektora zA nepresahujú v absolútnej hodnote δn A max . je v tom. Tie sa študujú v teórii stochastických procesov. bude potrebné maticu. že pre všetky ich súradnice platí |xi − yi | < n A ε max tak dostaneme xA − yA = (x − y)A < n A max n A ε = ε. musí to byť vlastný vektor matice A prislúchajúci k vlastnej hodnote 1.j |aij |. ku ktorému konverguje xn .) Všimnime si.6. Dá sa na to hľadieť tak. že budeme postupne počítať x0 = e x1 = x0 A x 2 = x 1 A = x 0 A2 . Ak stránka neobsahuje žiadne linky. je pomerne prirodzené tento vektor považovať za ohodnotenie významnosti jednotlivých stránok. že max |zi | < δ platí.) Práve tento pohľad dáva do súvisu PageRank algoritmus s Markovovskými reťazcami. tak si náhodne vyberie ľubovoľnú stránku a zase browsuje ďalej.6. aby hlas dôležitých stránok zavážil viac? Môžeme jednoducho zobrať práve vypočítaný odhad pre dôležitosť ako váhy stránok a znovu urobiť to isté. ktorý má kladné súradnice a ich súčet je 1 – pretože táto podmienka musí platiť pre pravdepodobnosť. tak očividne pre každý vektor z taký. Matica A sa nazýva riadkovo stochastická. pre aké matice A si môžeme byť istý. že popisujeme browsovanie náhodného surfera. 1 použijeme x0 = n e alebo iný vektor. Ak matica A je riadkovo stochastická.2. ktorý sa správa tak. ako možno interpretovať tieto výpočty. ktorú sme práve popísali. . Spomeňme ešte iný pohľad. max 66 . Definícia 3. Ak totiž platí x = lim x0 An .4 Lineárne zobrazenie je vlastne násobenie maticou A. Takto možno považovať vektor. Teraz sa budeme zaoberať tým. Ako však odlíšiť významné a menej významné stránky a zabezpečiť. že v priestore Rn je každé lineárne zobrazenie spojité.

nahradíme každý nulový riadok vektorom n e. Budeme postupovať sporom. že matica A mala všetky prvky kladné. (Na stránke bez liniek sa surfer rozhodne úplne náhodne pre ľubovoľnú stránku na internete. . yn ) = xA. Potom každý jej vlastný vektor prislúchajúci k vlastnej hodnote 1 má všetky súradnice rovnakého znamienka (všetky nezáporné alebo všetky nekladné). x = (x1 . n. . Nech A je riadkovo stochastická matica. .3.6. . že riadky majú súčet jedna. že vlastný podpriestor prislúchajúci k vlastnej hodnote 1 bude jednorozmerný. že súčet jednotlivých súradnic vektora je presne rovný skalárnemu súčinu xeT .KAPITOLA 3. . Dôkaz. . v prípade.2 teda vidíme. Tvrdenie 3. že jej stĺpce sú lineárne závislé a táto matica je teda singulárna. Ukážeme. že vlastný vektor pre vlastné číslo 1 bude jediný a ani to. . kde posledná rovnosť vyplýva z faktu. mali by sme zaručenú existenciu aspoň jedného kadidáta na výsledné ohodnotenie. Stačí si všimnúť. . Aby sme dostali 1 riadkovo stochastickú maticu. Všimnime si tiež. 67 . Nech matica A je riadkovo stochastická a aij > 0 pre i. Z tvrdenia 3. . Nech by xA = x a vektor x má na niektorých súradniciach rôzne znamienka. Fakt. Lema 3.6. že súčet prvkov matice A v danom riadku je 1.) Zatiaľ však stále nemáme nijako zaručené. Všimnime si ešte jednu vlastnosť riadkovo stochastických matíc – lineárne zobrazenie prislúchajúce takejto matici nemení súčet jednotlivých zložiek vektora. j=1 Sčítaním týchto rovníc dostaneme n n n n n n yi = i=1 i=1 j=1 aji xj = j=1 xj i=1 aji = j=1 xj . . Iný dôkaz.4. . že nerovnosť | i=1 yi | ≤ i=1 |yi | je ostrá pre každý vektor obsahujúci prvky so zmiešanými znamienkami. xn ) ∈ Rn a y = n n (y1 . že súčet stĺpcov matice A − I je 0. j = 1. Dôkaz. že k nemu budú naše vektory skutočne konvergovať. PODOBNOSŤ MATÍC 67 Dôkaz. Máme yi = n aji xj . V dôkaze použijeme fakt. čo znamená. . čo je presne dokazované tvrdenie. že keby sme v matici A nemali nulové riadky. Potom platí i=1 yi = i=1 xi . Potom dostaneme xAeT = xeT .6. sa dá stručne jedným vzťahom vyjadriť ako AeT = eT . Potom máme ostré nerovnosti n n n n |xi | = j=1 aji xj < j=1 aji |xj |.

Dôkaz. tak podpriestor tvorený vlastnými vektormi k vlastnému číslu 1 je jednorozmerný. Veľmi podobným spôsobom ako v predchádzajúcej leme môžeme odvodiť nasledujúci fakt. Ak λ je jej vlastná hodnota.) Dostali sme nerovnosť n n |xi | < i=1 j=1 |xj |. Lineárna nezávislosť zabezpečí to. že vektor cα + dβ je nenulový. n Ak žiadny z vektorov nedáva nulový súčet. n. (V poslednej rovnosti sme využili. Ak A je riadkovo stochastická matica. Dôkaz. že cα + dβ obsahuje prvky so zmiešanými znamienkami. . že znamienka jeho súradníc nemôžu byť všetky rovnaké. aby c i=1 ai + n d i=1 bi = 0. an ) platí i=1 ai = 0. . tak tento vektor obsahuje zmiešané znamienka (keďže je nenulový) a stačí zvoliť c = 1 a d = 0. dostávame teda. čo je samozrejme spor. . j = 1.6. Podobne v prípade. tak existujú koeficienty c. .6. zabezpečíme tak. Ak pre vektor α = (a1 . . d ∈ R také.6. ktorý bude neskôr užitočný pri dôkaze konvergencie použitej metódy. Lema 3. n λxi = j=1 n aji xj n |λ||xi | = j=1 aji xj ≤ j=1 aji |xj | Sčítaním týchto nerovností dostaneme n n n n n n |λ| i=1 |xi | ≤ i=1 j=1 aji |xj | = j=1 |xj | i=1 aji = j=1 |xj | |λ| ≤ 1 Lema 3. že namiesto pôvodnej matice použijeme maticu 1 G = αA + (1 − α) eT e.7. . β sú lineárne nezávislé vektory. Aby matica A mala všetky členy kladné. Ak α. že to platí pre vektor β. tak |λ| ≤ 1. Dôsledok 3. že súčet prvkov j-teho riadku matice a je 1. ktorej prvky sú kladné. .5. n 68 n . Nech matica A je riadkovo stochastická a aij > 0 pre i. stačí nám zvoliť c a d tak. . Pre vlastnú hodnotu λ a príslušný vlastný vektor máme.6.68 PageRank algoritmus Sčítaním týchto nerovností dostaneme n n n n n n |xi | < i=1 i=1 j=1 aji |xj | = j=1 |xj | i=1 aji = j=1 |xj |.

že z podmienok uvedených v predchádzajúcej vete vyplýva Ak = λk G1 + λk G2 + · · · + λk Gn . Na prvý pohľad by sa mohlo zdať. Takto definované Gi sú matice n × n a platí pre ne A = λ1 G1 + λ2 G2 + · · · + λn Gn . . . ktorú nám prinášala riedkosť matice A. (Z takejto interpretácie vidno aj to.  . čiže P −1 DP = A.  = λ1 α1 β1 + · · · + λn αn βn . Ak matica A je podobná s diagonálnou maticou diag(λ1 . . . podobne ako stránky. 1 V predchádzajúcej rovnosti sme skombinovali maticu A s maticou n eT e. βn Z rovnosti P −1 DP = A potom dostaneme (podobným spôsobom ako v dôkaze (3.) Súčasne sme touto zmenou nezvýhodnili niektorú stránku oproti iným (všade sme pripočítali rovnakú hodnotu). .  . tak existujú matice G1 . 1 2 n Dôkaz. Všimnime si. z ktorých nevychádzajú linky. že ju nemusíme mať v pamäti uloženú po jednotlivých prvkoch a aj to. . .  T T P −1 = (α1 . . že ak bude x0 An konvergovať. ale vyberie si novú stránku úplne náhodne. .5))    λ1 β1  . . αn a riadky matice P ako β1 . že sme touto zmenou matice stratili výhodu. . PODOBNOSŤ MATÍC 69 kde α ∈ (0. . môže konvergovať jedine k hľadanej vlastnej hodnote. . aj výsledná matica je riadkovo stochastická. Podľa predpokladu existuje regulárna matica P taká. . . Na to najprv dokážeme vetu o spektrálnom rozklade diagonalizovateľnej matice. . je jasné. Označme stĺpce matice P −1 ako α1 . A = (α1 . αn ) P = . βn . Už teda vieme. ktorá na každom 1 svojom mieste obsahuje hodnotu n . Cykly.6. T T  T T . Veta 3. Vďaka tomu.8. αn )    . 69 . . Pre jednoduchosť konvergenciu overíme len pre diagonalizovateľné matice. že náhodne sa pohybujúci surfer sa v nejakom percente prípadov (určenom koeficientom 1 − α) rozhodne nepokračovať linkou zo stránky. λn βn T Označme Gi = αi βi . Gn také. λn ). Keďže sme ale pripočítali maticu. Neskôr ukážeme. . že „náhodnému surferovi týmto zabránime zacykliť sa. pre každé i platí G2 i = Gi a pre i = j platí Gi Gj = 0. by spôsobili. že nastavenie parametra α ovplyvňuje rýchlosť konvergencie k hľadanému riešeniu a tým aj počet krokov potrebných na dosiahnutie dostatočnej presnosti. .   β1  . . že platí A = λ1 G1 + λ2 G2 + · · · + λn Gn a súčasne G1 + · · · + Gn = I. . Okrem toho na tomto parametre závisí aj citlivosť metódy na zmenu matice A. ktorá má všetky prvky rovnaké. že pravdepodobnosť výskytu stránky pri náhodnom surfovaní – a teda jej váha – sa nám pri iteráciách postupne naakumuluje vo vrcholoch cyklu. . že súčet použitých koeficientov je 1 a obe matice sú riadkovo stochastické. 1).KAPITOLA 3. že P AP −1 = D. . . Zodpovedá to tomu. . že násobiť takouto maticou sa tiež dá dosť jednoducho. . na ktorej sa nachádza.

. že uvedený výraz skutočne i konverguje. Nech A je riadkovo stochastická matica a jej vlastné čísla sú 1. že platia aj ostatné rovnosti uvedené vo vete. že T T T G2 = αi (βi αi )βi = αi βi = Gi i a T T T Gi Gj = αi (βi αj )βj = αi . . . že rýchlosť konvergencie závisí od vlastnej hodnoty. αλ2 . . Dôkaz. Skutočnosť. . . Potom matica 1 G = αA + (1 − α) eT e n má vlastné hodnoty 1. T βn α 1 βn  T .. Ak = G1 + λk G2 + · · · + λk Gn 2 n a x0 Ak = x0 G1 + λk x0 G2 + · · · + λk x0 Gn 2 n Z nasledujúceho tvrdenia vyplynie. že naša matica je diagonalizovateľná.6. že veľkosť tejto vlastnej hodnoty (a teda aj rýchlosť konvergencie) závisí od parametra α. . . tak dostaneme    T β1 β1 α 1  . . . I (3. . αn )  . β1 α n . čiže pre ne platí λk −→ 0. βn α n T T Porovnaním oboch matíc dostaneme βi αi = 1 a βi αi = 0 pre i = j. Nasledujúce tvrdenie súčasne ukazuje. . Z predchádzajúcej rovnice vidíme tiež. . v prípade. ktorej prvý stĺpec je eT . tak máme Q−1 Q = y Y (eT . . .  T T I =  .βj = 0. X) Ak prvý riadok inverznej matice Q−1 označíme y.. . To znamená.0. že vlastné hodnoty λ2 ... . je ekvivalentná s rovnosťou AeT = eT . .  T T I = (α1 . že súčty v riadkoch matice A sú rovné 1.  T .17) . . βn Ak násobíme P P −1 . To znamená. .  (α1 . λn sú v absolútnej hodnote ostro menšie ako 1. X) = yeT Y eT 70 yX YX = 1 0T 0 . Q = (eT .9. . . αn ) =  . λ2 . . Rovnosť I = P −1 P môžeme prepísať ako   β1 T T  . . .  = α1 β1 + · · · + αn βn = G1 + · · · + Gn . . Nech Q je ľubovoľná regulárna matica. . ktorá je druhá najväčšia v absolútnej hodnote. Tvrdenie 3. . . αλn . λn .70 PageRank algoritmus Overme. Z vety o spektrálnom rozklade dostaneme.

takže rovnosť Y X = I vyplývajúca z predchádzajúcej rovnosti neznamená. tak dostaneme Q−1 AQ = y Y A(eT . αλn . λn . Dostaneme Q−1 eT eQ = y Y eT e(eT . . X) = yA (eT . Y AX Z poslednej rovnosti a z toho. X) = YA yAeT Y AeT yAX Y AX Súčasne použitím (3. že nad maticou A 1 popisujúcou vzhľad webu prevládne matica n eeT . . . že X a Y nie sú štvorcové matice. Dostali sme teda Q−1 AQ = 1 0T yAX . . PODOBNOSŤ MATÍC 71 (Všimnime si. 85. ktorá má na diagonále hodnoty λ2 . ktorú sme pridali umelo na zabezpečenie konvergencie. vyplýva. X) = yeT Y eT (eeT . . Jordanov normálny tvar ľubovoľnej matice je horná trojuholníková matica. že tieto matice sú navzájom inverzné. 85.) Ak vynásobíme týmito maticami maticu A. .17) dostaneme yAeT = yeT = 1 a Y AeT = Y eT = 0T . čo vieme o vlastných hodnotách matice A. že pre hornú trojuholníkovú maticu je charakteristický polynóm jednoznačne určený hodnotami na diagonále. 71 .KAPITOLA 3. Vďaka tomu veľkosť druhej najväčšej vlastnej hodnoty je nanajvýš 0. eX) = n eX 0 0 Pre maticu G potom dostaneme 1 Q−1 GQ = αQ−1 AQ + (1 − α) Q−1 eT eQ = n 1 yAX 1 + (1 − α) α T 0 0 Y AX 1 n eX 0 = 1 0T 1 αyAX + (1 − α) n eX αY AX Matica αY AX je podobná s hornou trojuholníkovou maticou. eX) = 1 0T (n. . ktorá má na diagonále prvky αλ1 . z čoho už vyplýva dokazované tvrdenie. spôsobíme tým však súčasne to. že matica Y AX je podobná s hornou trojuholníkovou maticou. . že čím menšiu hodnotu α zvolíme.) Vypočítajme teraz to isté pre maticu eT e. Hodnota α. je 0. tým rýchlejšie bude táto metóda konvergovať. Všímnime si. ktorú Google reálne používa. (Stačí si všimnúť.

. ktorý má podľa lemy 5. že člen s rovnakým systémom exponentov nemôžeme dostať ako vedúci člen z niektorého z členov polynómu t(x1 . (4. Dôkaz jednoznačnosti. platí t(A1 . že ak pre nejaké polynómy p. xkn takto n 1 k dostaneme polynóm aAk1 . . je zhruba rovnaký ako v [T. že z nenulového členu axk1 . An ) = 0. To znamená. čo sa však nedá. . to znamená. . t. xn ). . . ktorého vedúci člen má (v lexikografickom usporiadaní) ostro vyšší 1 systém exponentov. . . . xkn . že v polynóme t(x1 . . xn ) zapísanom v normálnom tvare máme nejaké nenulové členy.8. . ktorý má vyšší vedúci člen. . . že tvrdenie platí v prípade. . An (x1 . . . . že jeden z polynómov je nulový. xn . ktorý som použil. . . An ) = 0 ⇒ t(x1 . Argument. . xn )) tak sa polynómy p a q rovnajú.) Postupujme sporom.j. . . kn ) je injektívne. Predpokladajme. . . . .7] – snažil som sa ho tu rozpísať o čosi podrobnejšie. . Vedúci člen tohto polynómu sa opäť musí nejako vykrátiť a opäť to môže byť jedine s nejakým polynómom. .1). . k2 · · · + kn . 72 . . . Akonáhle máme dokázanú implikáciu (4. . . . . . .Kapitola 4 Symetrické polynómy Symetrické polynómy som robil presne podľa [KGGS]. . lebo polynóm má iba konečne veľa členov. . . . . kn ) → (k1 + k2 · · · + kn .3). An (x1 . . . . Theorem 8.8. xn )) = q(A1 (x1 . že ide o polynómy v premenných x1 . Namiesto predchádzajúceho zdĺhavého zápisu budeme písať stručnejšie p(A1 . xn ). . . . . xkn n 2 sa musí niekde vykrátiť. Bnn . Jediné miesto. . . . . bol dôkaz jednoznačnosti v základnej vete o symetrických polynómoch (veta 5. že priradenie (k1 .3 vedúci člen ax11 +k2 ···+kn xk2 ···+kn . že člen ax11 +k2 ···+kn xk2 ···+kn . Máme ukázať. . Takto by sme museli postupovať do nekonečna. Nebudem tu preto k ním písať poznámky. . . xn ). . Z predchádzajúceho vyplýva. . . An ). . ktoré som robil inak. že sa môže vykrátiť len s členom l polynómu bAl1 . q v n-premenných platí p(A1 (x1 . n n 1 2 Nie je ťažké overiť. Pripomeňme. Akn . k Máme však dostať t(A1 . vždy sa tým myslí. xn ) = 0. . . . .1) (Obidve rovnosti v predchádzajúcom riadku chápeme ako rovnosti polynómov – čiže musia sa zhodovať príslušné koeficienty. . Najprv ukážeme. . stačí ju použiť pre rozdiel polynómov p − q a dostaneme dokazované tvrdenie.

NY. Calculus II. Algebra a teoretická aritmetika 1.ac. http://www. Garrett Birkhoff and Saunders MacLane. Alfa. Greguš.uniba.doa.Literatúra [A] [BL] Tom M.fmph. Matrix Analysis and Applied Linear Algebra. SIAM Review. Carl D. edu/~bryan/googleFinalVersionFixed. C. Meyer. St. John Wiley and Sons. 1966. Roger A. Princeton University Press. Cambridge. and Katalin L. 73 . Elsevier Academic Press. Basic Elements of Real Analysis. Discrete mathematics with applications. Obyčajné diferenciálne rovnice. Eva Gedeonová. 2002. 1999. Horn and Charles R. Google’s PageRank and Beyond: The Science of Search Engine Rankings.pdf. Bratislava. Šeda. Alfa. johnson/fibonacci/. 1990. Fibonacci numbers and matrices. Princeton. Undergraduate Texts in Mathematics. V. 1985. Vesztergombi. New York. New York. Murray H. Poznámky k prednáške.dur. Kurt Bryan and Tanya Leise. Apostol. Johnson. I. 2006. 2000. 2004. The $25. Laň. Vybrané kapitoly z algebry. Sbornik zadač po lineinoi algebre. D. [BM] [FS] [G] [GĎ] [GŠŠ] [HJ] [J] [K] Thomas Koshy. József Pelikán. Zadači po vysšej algebre. http:// thales. Švec. 1969.000. [LM] [LPV] [M] [Pro1] [Pro2] Amy N. UK. Faddeev and I. 1998. Proskurjakov. Bratislava. 2003. Johnson. Matematická analýza. 2006.000 eigenvector – the linear algebra behind Google. Peterburg.000. László Lovász. and V. Langville and Carl D. Protter. B. 48(3):569–581. M.rose-hulman.php?clen=gurican. Matrix Analysis. Burlington–San Diego–London. M. Discrete Mathematics: Elementary and Beyond.uk/bob. Meyer. Milan Gera and Vladimír Ďurikovič. Sominskii. Moskva. Springer-Verlag. Jaroslav Guričan. Springer-Verlag. Martin Gavalec. and Jaroslav Smítal. Bratislava. 1979.sk/katc/pages/member. K. http://www. Cambridge University Press. Prehl’ad modernej algebry. SIAM. [KGGS] Tibor Katriňák.

uniba.uniba.doa.sk/ zlatos/. http://edi. bakalárska práca. World Scientific. 74 . Diskrétna matematika. Singapore–New Jersey–London–Hong Kong. 2008. Fibonacciho a Lucasove čísla. Lineárna algebra a geometria. Bratislava. Michal Winczer.74 LITERATÚRA [Š] [T] [W] [Z] Beáta Štupáková. fmph. Jean-Pierre Tignol. Galois’ Theory of Algebraic Equations. Pavol Zlatoš. FMFI UK.fmph.html. 2001. http://thales. Poznámky k prednáške.sk/~winczer/diskretna.

40 vlastné číslo. 20 kanonický tvar. 34 nerovnosť Schwarzova. 53 kvadratická forma. 19 ortogonálne podobné. 58 súradnice vektora 75 v báze. 32 matice kongruentné. 5 vektory kolmé. 69 symetrickej matice. 40 podobné. 3 spektrálny rozklad diagonalizovateľnej matice. 39 uhol vektorov. 3 Gram-Schmidtov ortogonalizačný proces. 24 záporne semidefinitná. 9 Jordanov normálny tvar. 40 prechodu. 17 diagonálny tvar.Register báza ortonormálna. 57 . 6 trojuholníková. 35 zovšeobecnený. 43 o hlavných osiach. 35 vlastný vektor. 7 veľkosť vektora. 24 kladne semidefinitná. 7 ortonormálne. 7 ortogonálne. 24 matica zobrazenia vzhľadom na danú bázu. 20 matica kladne definitná. 8 veta Cayley-Hamiltonova. 24 ortogonálna. 29 záporne definitná. 7 polynóm homogénny. 13 ortogonálny doplnok. 17 rekurencia lineárna druhého rádu. 8 charakteristický polynóm. 43 stopa matice. 42 Schurrova. 6 ortogonálna projekcia. 36 euklidovský vektorový priestor. 28 skalárny súčin.

β |α| M⊥ chA (x) Tr(A) 4 5 7 36 39 .Zoznam symbolov α.

Sign up to vote on this title
UsefulNot useful