Ektorterek Szabadvektorok: Lineáris Algebra MEMOOC

Lineáris algebra MEMOOC
VEKTORTEREK, SZABADVEKTOROK
Középiskolai tanulmányainkban a vektor egy nyílnak elképzelt irányított szakaszt jelentett.

Olyan (általában fizikai) mennyiségek leírására használtuk, melynek nagysága mellett az
iránya is jellemző. Például ha Eger központjából mint kezdőpontból történik egy 10 km
nagyságú elmozdulás, hogy pontosan hová is jutunk, csak akkor tudjuk meg, ha azt is
megmondjuk, hogy azt milyen irányba tettük.
Szélsőséges eset, amikor a két végpont egybeesik! Az irányítás tényét nyíllal jelöljük!
1
2
A szabadvektorokat ezentúl (az esetek többségében) az ábécé aláhúzott kisbetűivel fogjuk

jelölni, és a rövidség kedvéért sokszor csak vektorokként hivatkozunk rájuk.
Az alábbiakban megvizsgáljuk a szabadvektorok összeadásának néhány tulajdonságát. Mivel

ezek a tulajdonságok általánosak (nem csak szabadvektorokra vonatkoztathatók), annak
érdekében, hogy később is hivatkozhassunk rájuk, a szabadvektorok betűjelének aláhúzásától
bizonyos esetekben eltekintünk.
Jelölje V a tér szavadvektorainak halmazát. Ekkor teljesülnek a következők:
O1: A V halmazon értelmezve van az összeadás, azaz V bármely két 𝑎, 𝑏 eleméhez

egyértelműen hozzá van rendelve egy 𝑎 + 𝑏 szintén V-beli elem.
O2: A V-beli összeadás asszociatív, azaz bármely 𝑎, 𝑏, 𝑐 ∈ 𝑉 esetén (𝑎 + 𝑏) + 𝑐 = 𝑎 + (𝑏 + 𝑐).
Az asszociatív tulajdonság az alábbi ábra segítségével könnyen ellenőrizhető. A bal oldalin

először az a− és b− vektorokat adtuk össze, majd az összegvektorhoz adtuk hozzá a c−-t. A
jobb oldali ábrán pedig a b− és c− vektorok összegét adtuk az a− vektorhoz. Az eredmény
mindkét esetben ugyanaz a vektor.
3
O3: A V-beli összeadás kommutatív, azaz bármely 𝑎, 𝑏 ∈ 𝑉 esetén 𝑎 + 𝑏 = 𝑏 + 𝑎.
A kommutativitás ellenőrzéséhez az alábbi ábrát ajánljuk.
O4: V-nek van nulleleme, azaz van olyan e elem V-ben, melyet bármely V-beli a elemhez
hozzáadva a nem változik: 𝑎 + 𝑒 = 𝑎.
Ezt az elemet 0-val (vagy 0−-val) fogjuk jelölni és nullvektornak nevezzük.
Esetünkben a nullvektor mindazon irányított szakaszokból álló szabadvektor, melyek kezdő-

és végpontja megegyezik.
O5: V minden elemének van ellentettje, azaz minden 𝑎 ∈ 𝑉 esetén van olyan b elem V-ben,
hogy 𝑎 + 𝑏 = 0.
Ekkor b-t az a ellentettjének fogjuk nevezni, és helyette −a-t fogunk írni.
A −a− szabadvektor reprezentánsai a− reprezentánsaival megegyező nagyságú, de ellentétes

irányú szakaszok.
4
Az ellentett vektor létezésének köszönhetően lehetővé válik a V-beli elemek különbségének

értelmezése úgy, mint a kivonandó ellentettjének hozzáadása a kisebbítendőhöz, azaz 𝑎 − 𝑏 =
𝑎 + (−𝑏). A különbség tehát azon eleme V-nek, melyet b-hez hozzáadva a-t kapunk.
Mint azt az alábbi ábra mutatja, ha az a− és b− szabadvektoroknak vesszük egy közös O

kezdőpontból induló (𝑂, 𝐴) és (𝑂, 𝐵) reprezentánsait, akkor a (𝐵, 𝐴) irányított szakasz az
a−−b− különbség egy reprezentánsa lesz.
A szabadvektorok összeadásának az előző leckében tárgyalt tulajdonságai vélhetően nem

voltak ismeretlenek: például az egész számok összeadása is eleget tesz mindegyiknek, azaz,
ha V helyett az egész számok Z halmazát tekintjük, O1-O5 egytől egyig igazak maradnak.
Középiskolából talán még emlékszünk arra, hogy a szabadvektorok azt is „elbírják”, ha valós
számokkal szorozzuk meg őket, vagyis szabadvektor valós számszorosa is szabadvektor. Most
azt nézzük meg, hogyan is történik a szabadvektorok skalárral való szorzása.
5
Legyen V most is a tér szabadvektorainak halmaza, és legyen T a skalárok (jelen esetben a

valós számok) halmaza. Ekkor:
S1: A V halmazon értelmezve van a T-beli elemekkel való szorzás (skalárral való szorzás),
azaz bármely T-beli λ és V-beli a elem 𝜆𝑎 szorzata szintén V eleme lesz.
Minden 𝑎, 𝑏 ∈ 𝑉 és 𝜆, 𝜇 ∈ 𝑇 esetén teljesülnek az alábbiak:
S2: 𝜆(𝑎 + 𝑏) = 𝜆𝑎 + 𝜆𝑏
S3: (𝜆 + 𝜇)𝑎 = 𝜆𝑎 + 𝜇𝑎
S4: (𝜆𝜇)𝑎 = 𝜆(𝜇𝑎)
S5: 1𝑎 = 𝑎
6
A VEKTORTÉR ÉS AZ ALTÉR FOGALMA
A felsőbb matematikában a vektor fogalma az összeadás és skalárral való szorzás

elvégezhetőségét és azok bizonyos tulajdonságait ragadja meg. Az, hogy ezeket a műveleteket
milyen objektumokkal végezzük, teljesen mindegy.
Legyen V tetszőleges, nemüres halmaz. Azt mondjuk, hogy V vektortér a T test felett, ha az
O1-O5 és az S1-S5 előírások mindegyike teljesül. Ekkor V elemeit vektoroknak, T elemeit
pedig skalároknak nevezzük.
A V nullelemét nullvektornak hívjuk. Az O1-O5 és S1-S5 kikötések azt is garantálják, hogy

egy skalár és egy vektor szorzata pontosan akkor a nullvektor, ha a vektor nullvektor, vagy a
skalár nulla.
1. A térbeli, illetve síkbeli szabadvektorok a valós számok felett. (Ami eddig vektor volt, az
ezután is az! :))
2. A T feletti 𝑚 × 𝑛 típusú mátrixok halmaza a T test felett, ahol a mátrixok skalárral való
szorzását úgy értelmezzük, hogy a mátrix minden elemét megszorozzuk az adott skalárral.
3. Az összes T-beli együtthatós polinomok a szokásos összeadással és konstanssal való
szorzással vektorteret alkotnak a T test fölött. (Egy polinomot úgy szorzunk skalárral, hogy
mindegyik tagjának együtthatóját megszorozzuk az adott skalárral.)
4. Az összes valós számsorozatok halmaza vektortér a valós számtest fölött. (Egy sorozatot
úgy szorzunk egy skalárral, hogy mindegyik tagját megszorozzuk az adott skalárral.)
5. A T test elemeiből alkotott rendezett elem n-esek halmaza vektortér a T test felett, ha az
összeadást és a skalárral való szorzást komponensenként végezzük el:
7
Ezt a vektorteret 𝑇 𝑛 -nel jelöljük. Megjegyezzük, hogy 𝑇 𝑛 elemeit gyakran azonosítjuk az

𝑛 × 1 vagy 1 × 𝑛 típusú mátrixokkal.
6. Kissé degenerált példa, de lehetséges: bármely T test is vektortér önmaga (illetve bármely
részteste) fölött. Ily módon R tekinthető akár R, akár Q feletti vektortérnek. Az első esetben
a valós számok skalárok és a vektorok is egyben.
Legyen 𝑅[𝑥] az összes valós együtthatós polinomok halmaza, és most definiáljuk egy
pillanatra a polinomok skalárral való szorzását úgy, hogy csak a főegyütthatót (a legmagasabb
fokú tag együtthatóját) szorozzuk meg az adott skalárral. Jelölje ezt a skalárral való szorzást
⋆. Ekkor például a 2 ⋆ (𝑥 2 − 3𝑥 + 1) = 2𝑥 2 − 3𝑥 + 1.
Legyen 𝑎 = 𝑥 3 − 𝑥 + 1 és 𝑏 = 𝑥 2 + 3. Ekkor
2 ⋆ (𝑎 + 𝑏) = 2 ⋆ (𝑥 3 − 𝑥 + 1 + 𝑥 2 + 3) = 2 ⋆ (𝑥 3 + 𝑥 2 − 𝑥 + 4) = 2𝑥 3 + 𝑥 2 − 𝑥 + 4,
míg
2 ⋆ 𝑎 + 2 ⋆ 𝑏 = 2𝑥 3 − 𝑥 + 1 + 2𝑥 2 + 3 = 2𝑥 3 + 2𝑥 2 − 𝑥 + 4,
vagyis S2 nem teljesül, így ezzel a skalárral való szorzással 𝑅[𝑥] nem lesz vektortér.
A V vektortér L részhalmazát altérnek nevezzük, ha L maga is vektortér a V-beli

műveletekkel, ugyanazon test fölött.
Minden vektortérnek altere a {0} és önmaga. Ha egy testet tekintünk, mint önmaga feletti
vektorteret, abban más altér nem is lesz.
Az alábbi állítás jól jön, ha egy részhalmazról le akarjuk ellenőrizni, hogy altér vagy sem.
Altérkritérium: A V vektortér L nemüres részhalmaza pontosan akkor altér, ha ha zárt az

összeadásra és a skalárral való szorzásra nézve, azaz bármely 𝑎, 𝑏 ∈ 𝐿 és 𝜆 ∈ 𝑇 esetén 𝑎 + 𝑏
és 𝜆𝑎 is elemei L-nek.
Tekintsük egy vektortér tetszőleges számú alterét és jelölje H mindezek metszetét. Ha 𝑎, 𝑏 ∈

𝐻, akkor a és b benne vannak mindegyik altérben, így az altérkritérium szerint 𝑎 + 𝑏 is, és ha
𝜆 ∈ 𝑇, akkor 𝜆𝑎 is benne van mindegyik altérben, tehát 𝑎 + 𝑏 ∈ 𝐻 és 𝜆𝑎 ∈ 𝐻. Ekkor viszont,
8
szintén az altérkritérium szerint H altér. Igazoltuk tehát, hogy alterek metszete is altér. Nem
mondható el ugyanez az alterek uniójáról: belátható, hogy két altér uniója csak úgy lehet altér,
ha egyikük tartalmazza a másikat.
Keressünk altereket az előbbi példánkban szereplő vektorterekben!
1. A térbeli szabadvektorok vektorterében egy rögzített egyenessel vagy síkkal párhuzamos

vektorok halmaza alteret alkot.
2. Az 𝑀𝑚×𝑛 (𝑇) vektortérben legyen L mindazon mátrixok halmaza, mely első sorának
minden eleme 0. Két ilyen mátrix összege is ilyen, és a skalárral való szorzás sem
változtatja meg ezt a tulajdonságot. Következésképpen L altere 𝑀𝑚×𝑛 (𝑇) -nek.
Nyilvánvaló, hogy ha a nullákat az ,,első sor" helyett bármely más fix helyen írtuk volna elő,
akkor is alteret kaptunk volna. Ezzel a módszerrel könnyen gyárthatunk altereket az alább
következő vektorterekben is.
3. A polinomok T[x] vektorterében alteret alkot például egy adott n-nél nem nagyobb fokú
polinomok halmaza. (Emlékezzünk: mi az azonosan 0 polinom fokszámát ,,kényelmi
okokból" −∞-nek tekintettük, így most az is benne van a fent leírt halmazban.)
4. Ahogy Kalkulusból tanultuk: konvergens sorozatok összege, illetve konvergens sorozat
valós számszorosa is konvergens, így a valós számsorozatok vektorterében az összes
konvergens sorozatok halmaza alteret alkot. Sőt ezen belül a nullához konvergáló sorozatok
(nullsorozatok) is alteret alkotnak. De az 1-hez konvergáló sorozatok már nem alkotnak
alteret, hiszen két 1-hez konvergáló sorozat összege 2-höz konvergál, így az összeadás
kivezet a halmazból.
5. A következő videóban belátjuk, hogy az
halmaz altere ℝ3 -nak.
9
GENERÁTORRENDSZER
Véges sok vektorból kiindulva a vektorok összeadása és skalárral való szorzása segítségével
újabb vektorokat képezhetünk.
Legyenek 𝑎1 , 𝑎2 , … , 𝑎𝑛 a V vektortér vektorai, és 𝜆1 , 𝜆2 , … , 𝜆𝑛 adott skalárok. Ekkor a
𝜆1 𝑎1 + 𝜆2 𝑎2 + ⋯ + 𝜆𝑛 𝑎𝑛
vektort az 𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok (𝜆1 , 𝜆2 , … , 𝜆𝑛 együtthatókkal képzett) lineáris

kombinációjának nevezzük.
Az alábbi ábrán az a− és b− szabadvektorok 2a−−12b− lineáris kombinációja látható. Itt az

együtthatók 2 és −12.
10
Vajon a sík bármely szabadvektora előállítható az a− és b− vektorok lineáris

kombinációjaként?
Tekintsük az 𝑎1 = (1,2,3), 𝑎2 = (−1,4,7) és 𝑎3 = (1, −2,1) vektorokat az ℝ3 térből.

Ezeknek a 𝜆1 = −2, 𝜆2 = 1 é𝑠 𝜆3 = −3 együtthatókkal képzett lineáris kombinációja
𝑏 = 𝜆1 𝑎1 + 𝜆2 𝑎2 + 𝜆3 𝑎3 = −2(1,2,3) + (−1,4,7) − 3(1, −2,1) =

= (−2, −4, −6) + (−1,4,7) + (−3,6, −3) = (−6,6, −2).
Megfordítva a gondolatmenetet, igazolva van, hogy a (−6,6, −2) vektor felírható az 𝑎1 , 𝑎2 , 𝑎3

vektorok lineáris kombinációjaként. Vajon 𝑅 minden vektoráról elmondható ugyanez? Nézzük
meg például a (−2,12,16) vektort!
11
A továbbiakban vektorrendszeren a vektortér véges vagy végtelen számú vektorát értjük, úgy,
hogy abban egy vektor akár többször is szerepelhet (valójában a vektorrendszer ennyiben
különbözik vektorok egy halmazától). Következésképpen a vektortér részhalmazai is
vektorrendszereknek tekinthetők.
Legyen V vektortér és H egy nemüres vektorrendszere V-nek. Bizonyítható, hogy a H

vektoraiból képzett összes lineáris kombinációk halmaza alteret alkot V-ben. Ezt az alteret
nevezzük a V vektortér H vektorrendszere által generált alterének, melynek jele L(H). Az is
megtörténhet, hogy 𝐿(𝐻) = 𝑉. Ekkor azt mondjuk, hogy H generátorrendszere V-nek.
Világos, hogy H pontosan akkor generátorrendszere V-nek, ha V minden eleme előállítható
H-beli vektorok lineáris kombinációjaként.
Egy vektortérre akkor mondjuk, hogy végesen generált, ha van véges sok elemből álló
generátorrendszere.
Az ℝ3 vektortérről éppen az előbb (az előző videóban) láttuk be, hogy végesen generált,
ugyanis megadtunk egy 3 elemű generátorrendszerét. Könnyen belátható az is, hogy a
polinomok vektorterének nincs véges sok elemből álló generátorrendszere, hiszen véges sok
12
polinom semmilyen lineáris kombinációjának foka sem haladja meg az ezen polinomok
közötti legmagasabb fokú polinom fokát.
Könnyű belátni, hogy egy vektorrendszer által generált altér nem változik, ha a
vektorrendszeren az alábbi átalakításokat végezzük:
• egy vektort szorzunk egy nemnulla skalárral,

• egy vektorhoz hozzáadjuk egy másik vektor skalárszorosát,
• elhagyunk a vektorrendszerből olyan vektort, mely előáll a megmaradók lineáris
kombinációjaként,
ugyanis ezekben az esetekben a régi és az új vektorrendszer vektorai összes lineáris

kombinációinak halmaza megegyezik.
Legyen adva egy vektorrendszer a 𝑇 𝑛 térben! Írjuk a vektorrendszer vektorait egy mátrix
soraiba, majd hozzuk a mátrixot lépcsős alakra! A fenti állítás értelmében a lépcsős alak sorai
𝑇 𝑛 ugyanazon alterét generálják, mint amit az eredeti vektorrendszer.
13
LINEÁRIS EGYENLETRENDSZEREK
egyenletrendszer megoldása vélhetően senki számára nem okoz gondot. Középiskolában

legalább két módszert tanultunk a fenti egyenletrendszer megoldásainak megkeresésére:
valamelyik ismeretlent az egyik egyenletből kifejezzük, majd a másikba helyettesítjük; vagy
az egyik egyenlet alkalmas konstansszorosát a másikhoz hozzáadva elérjük, hogy az összeg
már csak egy ismeretlent tartalmazzon. Célunk ennek továbbfejlesztése olyan esetekre, amikor
az ismeretlenek és az egyenletek száma is tetszőleges, továbbá az együtthatók nem feltétlenül
valós számok.
Mivel tetszőleges számú ismeretlen lehet, 𝑥, 𝑦, … helyett célszerű azokat mondjuk 𝑥1 , 𝑥2 , …

szimbólumokkal jelölni. Az együtthatókról mindössze annyit feltételezünk, hogy azok egy test
elemei. Idézzük fel, mit is neveztünk testnek! A test lényegében egy olyan halmaz, melynek
elemeivel a négy alapművelet a megszokott tulajdonságok teljesülése mellett elvégezhető.
Ilyen például a racionális, a valós, illetve a komplex számok halmaza. Ezeket a szokásos
módon, rendre ℚ, ℝ, illetve ℂ fogja jelölni. További testet kapunk, ha veszünk egy p
prímszámot, és az {0,1, … , 𝑝 − 1} halmazon az összeadást és a szorzást úgy végezzük el, hogy
a megszokott módon kapott összeg, illetve szorzat p-vel való osztási maradékát tekintjük
eredménynek. Ezt a testet ℤ𝑝-vel jelöljük. ℤ5 -ben például 2 + 3 = 0 é𝑠 2 ⋅ 3 = 1.
Mostmár készen állunk a lineáris egyenletrendszer fogalmának megalkotására.
Az
14
objektumot, ahol 𝐴 = [𝑎𝑖𝑗 ]𝑚×𝑛 é𝑠 𝐵 = [𝑏𝑖 ]𝑚×1 adott T test feletti mátrixok, (n változós, m
egyenletből álló) lineáris egyenletrendszernek nevezzük. Az A mátrixot az egyenletrendszer
alapmátrixának, elemeit az egyenletrendszer együtthatóinak, B-t a konstanstagok vektorának,
az
𝑚 × (𝑛 + 1) típusú mátrixot pedig az egyenletrendszer kibővített mátrixának nevezzük.
Azt mondjuk, hogy a lineáris egyenletrendszer megoldható, ha létezik olyan T elemeiből

készített (𝛼1 , 𝛼2 , … , 𝛼𝑛 ) rendezett elem n-es, hogy az 𝑥1 = 𝛼1 , 𝑥2 = 𝛼2 , … , 𝑥𝑛 = 𝛼𝑛 helyettesítéssel
az egyenletrendszerben minden egyenlőség fennáll. Egyébként az egyenetrendszert
ellentmondásosnak nevezzük.
Ily módon a fenti kétismeretlenes lineáris egyenletrendszer megoldható, és megoldása az

(𝑥, 𝑦) = (17/13, −6/13) elempár.
Két lineáris egyenletrendszert ekvivalensnek mondunk, ha megoldáshalmazaik megegyeznek.

Könnyen igazolható, hogy az alábbi átalakítások egy lineáris egyenletrendszert vele
ekvivalens lineáris egyenletrendszerbe visznek át:
• egyenlet szorzása nullától különböző konstanssal,

• egy egyenlethez egy másik egyenlet konstansszorosának hozzáadása,
• egyenletek sorrendjének felcserélése.
Ebből következően, ha egy lineáris egyenletrendszer kibővített mátrixán elemi

sorátalakításokat végzünk, akkor vele ekvivalens lineáris egyenletrendszer kibővített
mátrixához jutunk. Most példákon keresztül megnézzük, hogyan következtethetünk a
kibővített mátrix lépcsős alakjából az egyenletrendszer megoldhatóságára és megoldásaira.
1. példa: oldjuk meg az alábbi lineáris egyenletrendszert a valós számok teste felett!
15
Első lépésben felírjuk az egyenletrendszer kibővített mátrixát, majd lépcsős alakra hozzuk azt:
A lépcsős alak úgy állt elő, hogy először a 2. sorból kivontuk az 1. sor 2-szeresét, és a 3. sorból
az 1. sor 3-szorosát. Ekkor az első sor kitakarható. Végül az így kapott mátrix 2. sorához
hozzáadtuk az 1. sor 4-szeresét.
A kapott lépcsős alakú mátrix a
lineáris egyenletrendszerhez tartozik, amely a megoldandó egyenletrendszerünkkel

ekvivalens, vagyis megoldásai ugyanazok. Ezt megoldani viszont sokkal könnyebb: a 3.
egyenlet mindkét oldalát 10-zel osztva rögtön adódik, hogy 𝑥3 = 3. Behelyettesítve ezt a 2.
egyenletbe, egyszerű átrendezéssel kapjuk, hogy 𝑥2 = 2. Az első egyenletben mostmár csak
𝑥1 értéke ismeretlen, melyet megintcsak átrendezéssel könnyen megkaphatunk: 𝑥1 = 1. Az
egyenletrendszer tehát megoldható, és egyetlen megoldása: (1,2,3).
2. példa: Hagyjuk el a 3. egyenletet a fenti lineáris egyenletrendszerből, és oldjuk meg az így

kapott egyenletrendszert, szintén a valós számok teste felett!
A szóban forgó 3 ismeretlenes, 2 egyenletből álló egyenletrendszer kibővített mátrixa, illetve

annak lépcsős alakja:
16
a lépcsős alakhoz tartozó egyenletrendszer (mely természetesen ekvivalens az eredetivel)

pedig
A helyzet kicsit aggasztóbb, mint előbb, ugyanis most az utolsó egyenlet nem szolgáltat
egyértelmű megoldást. Ennek oka az, hogy két ismeretlent is tartalmaz. Azonban, ha az egyik
ismeretlennek adunk egy tetszőleges értéket, akkor másik értéke már egyértelműen
megkapható. Tegyük meg ezt általánosan: legyen 𝑥3 = 𝑢, ahol u tetszőleges valós szám. Ekkor
a 2. egyenletből
adódik. Az első egyenletből pedig 𝑥1 -et fejezhetjük ki:
A megoldáshalmaz tehát
mely végtelen sok elemből áll. Konkrét megoldást úgy kaphatunk, ha u-nak konkrét értéket
adunk. Például, ha 𝑢 = 0, akkor a (7,8,0) megoldást kapjuk, melynek helyességéről az olvasó
az eredeti egyenletrendszerbe való behelyettesítéssel könnyen meggyőződhet.
Összefoglalva: ha a lépcsős alakú mátrixhoz tartozó egyenletrendszerben az egyenleteken

lentről felfelé haladva valamely egyenletben az ismeretlenek száma 𝑘 > 1, akkor 𝑘 − 1 darab
ismeretlennek adjunk tetszőleges értéket, és ekkor a k-adik már azok segítségével kifejezhető.
3. példa: konstruáljunk ellentmondásos egyenletrendszert, majd nézzük meg, hogy a Gauss-

elimináció alkalmazásával hogyan derül fény az ellentmondásosságra!
Tekintsük például a
17
egyenletrendszert! Mindkét egyenlet bal oldala , és világos, hogy ez nem lehet

egyszerre 6-tal és 8-cal is egyenlő, így ez az egyenletrendszer valóban ellentmondásos. Az
egyenletrendszer kibővített mátrixa
melynek lépcsős alakja
Az ehhez tartozó, eredetivel ekvivalens egyenletrendszer a következő:
A második egyenletből az ellentmondás rögtön látszik.
Általában is igaz: ha a kibővített mátrix lépcsős alakjában van olyan sor, melyben az utolsó
elem 𝑎 ≠ 0, de az összes többi elem 0, akkor ahhoz a 0 = 𝑎 egyenlet tartozik, ami nyilván
ellentmondás. Így tehát a lépcsős alakhoz tartozó lineáris egyenletrendszer nem oldható meg,
és nyilván a vele ekvivalens eredeti sem.
Összefoglalva tehát: egy lineáris egyenletrendszer pontosan akkor oldható meg, ha kibővített
mátrixának lépcsős alakjában nincs olyan sor, melynek csak az utolsó eleme nem nulla.
18
VEKTOROK LINEÁRIS FÜGGŐSÉGE
Legyenek 𝑎1 , 𝑎2 , … , 𝑎𝑛 adott vektorai a 𝑉 vektortérnek. Most nézzük meg, hogy milyen

𝜆1 , 𝜆2 , … , 𝜆𝑛 skalárok esetén lesz a 𝜆1 𝑎1 + 𝜆2 𝑎2 + ⋯ + 𝜆𝑛 𝑎𝑛 lineáris kombináció a zérusvektor.
A legnyilvánvalóbb válasz erre, hogy például akkor, ha 𝜆1 = 𝜆2 = ⋯ = 𝜆𝑛 = 0. Ha ettől
különböző esetben ez nem fordulhat elő, akkor azt mondjuk, hogy az 𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok
lineárisan függetlenek, vagy más szóval lineárisan független vektorrendszert alkotnak.
Egyébként pedig lineárisan függő vektorokról beszélünk.
Egy vektortér adott véges sok vektorát lineárisan függetleneknek, vagy röviden csak
függetleneknek mondjuk, ha azok lineáris kombinációjaként a zérusvektor csak úgy állítható
elő, hogy minden együttható nulla. Egyébként a vektorokat lineárisan függőknek, röviden
függőknek mondjuk.
Végtelen sok vektort tartalmazó vektorrendszerre akkor mondjuk, hogy lineárisan független,
ha annak bármely véges alrendszere lineárisan független, azaz közülük bárhogyan is
választunk ki véges sok vektort, azok lineárisan függetlenek lesznek.
Például a valós együtthatós polinomok vektorterében az 𝑥 é𝑠 𝑥 2 polinomok független

vektorrendszert alkotnak, hiszen az 𝛼𝑥 + 𝛽𝑥 2 lineáris kombináció nem lehet másképpen 0,
csak ha 𝛼 = 𝛽 = 0. Hasonlóan látható, hogy bármely, 𝑥 különböző kitevőjű hatványaiból álló
véges vektorrendszer szintén lineárisan független. És ekkor a definíció szerint az
𝑥, 𝑥 2 , 𝑥 3 , 𝑥 4 , … végleten vektorrendszer is az.
Az ℝ2 vektortérben viszont az (1,1), (2,3) é𝑠 (0, −1) vektorok lineárisan függők, mivel
2 ∙ (1,1) + (−1) ∙ (2,3) + (−1) ∙ (0, −1) = (0,0).
A lineáris függőség definíciójának egyszerű következménye, hogy
• ha egy vektorrendszer tartalmazza a zérusvektort, akkor lineárisan függő;

• ha egy vektorrendszer két azonos vektort tartalmaz, akkor lineárisan függő;
• ha egy vektorrendszer csak egyetlen, nemnulla vektorból áll, akkor az lineárisan
független.
19
Ha az a és b vektorok lineárisan függők, akkor vannak olyan 𝛼 é𝑠 𝛽 skalárok, hogy

𝛼𝑎 + 𝛽𝑏 = 0 teljesül, úgy, hogy 𝛼 é𝑠 𝛽 közül legalább az egyik, mondjuk 𝛼 nem 0. Ekkor az
−𝛽
egyenlet átrendezéséből 𝑎 = ∙ 𝑏 adódik, ami bizonyítja, hogy két vektor pontosan akkor
𝛼
lineárisan függő, ha egyik a másiknak skalárszorosa. (Vigyázat! Egy 2-nél több vektort
tartalmazó vektorrendszer már lehet úgy is függő, hogy egyik vektora sem skalárszorosa
semelyik másiknak!) Az eddigi példáink között szereplő vektorterekben tehát bármely 1,
illetve 2 vektorból álló vektorrendszerről ránézésre el tudjuk dönteni, hogy az függő-e vagy
sem.
Az alábbi tétel a fenti gondolatmenet általánosításával igazolható.
Egy vektortér egy legalább két vektort tartalmazó vektorrendszere pontosan akkor
lineárisan függő, ha van benne olyan vektor, amely felírható a többi lineáris
kombinációjaként.
20
BÁZIS
Egy vektortér egy lineárisan független generátorrendszerét a vektortér bázisának

nevezzük. Ismert, hogy minden legalább két vektort tartalmazó vektortérnek van bázisa
(ez Hamel tétele).
Tekintsük a 𝑇 𝑛 vektortérben az 𝑒1 = (1,0, … ,0), 𝑒2 = (0,1, … ,0), … , 𝑒𝑛 = (0,0, … ,1)

vektorokat. Világos, hogy ezek a vektorok generátorrendszerét alkotják 𝑇 𝑛 -nek, hiszen
bármely (𝛼1 , 𝛼2 , … , 𝛼𝑛 ) ∈ 𝑇 𝑛 esetén (𝛼1 , 𝛼2 , … , 𝛼𝑛 ) = 𝛼1 𝑒1 + 𝛼2 𝑒2 + ⋯ + 𝛼𝑛 𝑒𝑛 , tehát 𝑇 𝑛
minden vektora felírható az 𝑒1 , 𝑒2 , … , 𝑒𝑛 vektorok lineáris kombinációjaként.
Megmutatjuk, hogy az 𝑒1 , 𝑒2 , … , 𝑒𝑛 vektorrendszer lineárisan független, vagyis egyik vektora

sem áll elő a többi lineáris kombinációjaként. Tekintsük például az 𝑒1 vektort! Az összes többi
vektor első komponense 0, és nyilván ekkor azok bármelyik lineáris kombinációjának is ilyen.
Viszont 𝑒1 első komponense 1, 𝑒1 tehát nem lehet a többi vektor lineáris kombinációja.
Hasonlóan látható be ugyanez az összes többi vektorra.
Az 𝑒1 , 𝑒2 , … , 𝑒𝑛 vektorrendszer tehát bázisa a 𝑇 𝑛 vektortérnek, melyet 𝑇 𝑛 természetes

bázisának is szokás nevezni.
További példák bázisra:
• A polinomok vektorterének egy bázisa az 1, 𝑥, 𝑥 2 , 𝑥 3 … vektorrendszer.

• A tér szabadvektoraink terében bármely három nem komplanáris (nem egy síkra
illeszkedő) szabadvektor bázist alkot. A sík szabadvektorainak körében pedig bármely
két, nempárhuzamos vektorból álló vektorrendszer bázis.
Egy korábbi leckében beláttuk, hogy az 𝐿 = {(𝑎, 𝑏, 𝑎 + 𝑏): 𝑎, 𝑏 ∈ 𝑅} halmaz altere ℝ3 -nak.
Keressünk bázist ebben az altérben!
Első lépésben az általános alakban vett (𝑎, 𝑏, 𝑎 + 𝑏) vektort próbáljuk felírni olyan vektorok
összegeként, melyek már csak az egyik paramétert tartalmazzák:
(𝑎, 𝑏, 𝑎 + 𝑏) = (𝑎, 0, 𝑎) + (0, 𝑏, 𝑏).

21
Most az első vektorból kiemelhetünk a-t, míg a másodikból b-t:
(𝑎, 𝑏, 𝑎 + 𝑏) = 𝑎(1,0,1) + 𝑏(0,1,1).
Ebből látszik, hogy L minden vektora felírható az (1,0,1) és a (0,1,1) vektorok lineáris
kombinációjaként, tehát a két vektor generátorrendszerét alkotja L-nek. Bármely korábban
látott alkalmas technikával igazolható, hogy ez a vektorrendszer lineárisan független (például
egyik vektor sem skalárszorosa a másiknak), és ekkor bázis.
Tudjuk, hogy a bázis generátorrendszer is egyben, így a tér minden vektora felírható a bázis
vektorainak lineáris kombinációjaként. A lineáris függetlenség ehhez annyit tesz hozzá, hogy
ez a felírás csak egyféleképpen történhet.
Végesen generált vektortérben igazak a következő állítások:
• Bármely generátorrendszer tartalmaz bázist. (Ha a generátorrendszer lineárisan

független, akkor ő maga a bázis. Ha függő, akkor valamely vektora előáll a többi lineáris
kombinációjaként, így - mint már láttuk - elhagyva ezt a vektort a megmaradó vektorok
is generátorrendszert alkotnak. Az eljárást addig ismételgetjük, míg végül már független
generátorrendszert, tehát bázist kapunk.)
• A bázis minimális generátorrendszer, azaz olyan generátorrendszer, melyből bármelyik
vektort elhagyva, a megmaradók már nem alkotnak generátorrendszert a szóban forgó
vektortérben.
• Bármely lineárisan független vektorrendszer újabb vektorok hozzávételével
kiegészíthető bázissá. (Nyilvánvalóan amíg a rendszerünk nem bázis, mindig olyan
vektorokat kell hozzávenni, amely nem áll elő a már meglévő vektorok lineáris
kombinációjaként.)
• A bázis maximális lineárisan független vektorrendszer, azaz olyan lineárisan független
vektorrendszer, amely bármely vektor hozzávétele után már lineárisan függő lesz.
Ismert továbbá, hogy végesen generált vektortérben minden bázis egyenlő számosságú. Egy
végesen generált 𝑽 vektortér bázisainak közös számosságát a vektortér dimenziójának
nevezzük. Jele: 𝒅𝒊𝒎𝑽.
22
Mint azt az előbb láthattuk, 𝑑𝑖𝑚𝑇 𝑛 = 𝑛. A legfeljebb 𝑛 − 𝑒𝑑 fokú polinomok vektorterének

dimenziója 𝑛 + 1.
Ha egy vektortér nem végesen generált, akkor azt mondjuk, hogy a vektortér dimenziója
végtelen. Például 𝑑𝑖𝑚ℝ[𝑥] = ∞.
A korábbi állításainkból következik, hogy ha a 𝑉 vektortér dimenziója 𝑛, akkor minden 𝑛

elemű lineárisan független vektorrendszer bázist alkot 𝑉-ben, és minden 𝑛-nél kisebb
elemszámú lineárisan független vektorrendszer bázissá egészíthető ki további vektorok
hozzávételével.
Legyen 𝑎1 , 𝑎2 , … , 𝑎𝑛 a V vektortér egy bázisa. Most szükségünk lesz arra a feltevésre, hogy a
bázisvektorok sorrendje rögzített, ezért az n darab bázisvektort egy rendezett elem n-es
komponenseinek tekintjük, és a bázist ennek megfelelően (𝑎1 , 𝑎2 , … , 𝑎𝑛 )-nel jelöljük. Ha 𝑎 ∈
𝑉, akkor azon 𝜆1 , 𝜆2 , … , 𝜆𝑛 skalárokat, melyekre 𝑎 = 𝜆1 𝑎1 + 𝜆2 𝑎2 + ⋯ + 𝜆𝑛 𝑎𝑛 , az a vektor
(𝑎1 , 𝑎2 , … , 𝑎𝑛 ) bázisra vonatkozó koordinátáinak nevezzük.
Ha az a vektort az előre rögzített (𝑎1 , 𝑎2 , … , 𝑎𝑛 ) bázisban koordinátáival adjuk meg, akkor

azt írjuk, hogy 𝑎 = (𝜆1 , 𝜆2 , … , 𝜆𝑛 ). Ez a jelölés első ránézésre megtévesztő lehet, mert ez így
olyan, mintha 𝑎 egy 𝑇 𝑛 -beli vektor lenne. Könnyen látszik azonban, hogyha az 𝑥 é𝑠 𝑦
vektorok koordinátái az adott bázisra vonatkozóan rendre 𝛼1 , 𝛼2 , … , 𝛼𝑛 é𝑠 𝛽1 , 𝛽2 , … , 𝛽𝑛 , akkor
az 𝑥 + 𝑦 vektor koordinátái ugyanebben a bázisban 𝛼1 + 𝛽1 , 𝛼2 + 𝛽2 , … , 𝛼𝑛 + 𝛽𝑛 , továbbá
tetszőleges 𝜆 skalár esetén a 𝜆𝑥 vektor koordinátái pedig 𝜆𝛼1 , 𝜆𝛼2 , … , 𝜆𝛼𝑛 lesznek.
Következésképpen, koordinátákkal adott vektorokkal „ugyanúgy” kell a vektortér
alapműveleteit elvégezni, mint a 𝑇 𝑛 elemeivel, ezért nyugodtan kezelhetjük a koordinátákat
𝑇 𝑛 elemeiként. Ezt a koncepciót a következő fejezetben tovább pontosítjuk.
Definíció szerint 𝑇 𝑛 vektorainak a tér természetes bázisára vonatkozó koordinátái pontosan a

vektor komponensei lesznek.
Tekintsük az ℝ3 vektortér 𝐹 = (𝑓1 , 𝑓2 , 𝑓3 ) bázisát, ahol

𝑓1 = (1, −1,1)
𝑓2 = (2,1, −3)
𝑓3 = (3,2, −5),
23
és határozzuk meg az 𝑎 = (6,2, −7) é𝑠 𝑏 = (0, −2,3) vektorok F bázisra vonatkozó

koordinátáit!
Annyit kell itt csinálnunk, hogy az 𝑎 é𝑠 𝑏 vektorokat felírjuk az 𝑓1 , 𝑓2 , 𝑓3 vektorok lineáris

kombinációjaként. Korábban már csináltunk ilyet: egy lineáris egyenletrendszert kellett
megoldani, mely kibővített mátrixának oszlopaiban rendre az 𝑓1 , 𝑓2 , 𝑓3 vektorok komponensei
álltak, az utolsó oszlop pedig a belőlük kikombinálandó vektor volt, ami esetünkben majd
egyszer az a, máskor a b vektor lesz. Tehát két olyan lineáris egyenletrendszert kell
megoldanunk, melyek alapmátrixa ugyanaz. Pont erre jó az első fejezetben tanult szimultán
elimináció.
Írjuk tehát az 𝑓1 , 𝑓2 , 𝑓3 , valamint az a és b vektorok komponenseit egy mátrix oszlopaiba az

alábbi módon:
Ha ezt a mátrixot Gauss-Jordan-eliminációval redukált lépcsős alakra hozzuk, az utolsó két

oszlop elemei rendre az 𝑎 é𝑠 𝑏 vektorok F bázisra vonatkozó koordinátái lesznek. Itt csak a
végeredményt közöljük, a hiányzó lépéseket az olvasóra bízzuk (ne féljen a törtektől! :)):
Az 𝑎 vektor koordinátái az F bázisra vonatkozóan tehát (1,1,1) a 𝑏 vektoré pedig (1,1, −1).
24
VEKTORRENDSZER RANGJA
Azt mondjuk, hogy egy vektorrendszer rangja 𝑟, ha a vektorrendszerből kiválasztható 𝑟 darab

lineárisan független vektor, de 𝑟 + 1 már nem.
Egy vektorrendszer rangja tulajdonképpen az általa generált altér dimenziójával egyenlő.
Nem nehéz bizonyítani, hogy ha egy vektorrendszer vektoraihoz hozzáveszünk egy olyan
vektort, amely előáll a vektorrendszer vektorainak lineáris kombinációjaként, akkor a
vektorrendszer rangja nem változik.
Korábban gyakran előfordult, hogy egy mátrix soraiba vagy oszlopaiba 𝑇 𝑛 -beli vektorokat
írtunk. Ez a gondolat meg is fordítható: világos, hogy egy T test feletti 𝑚 × 𝑛 típusú mátrix
sorait tekinthetjük úgy, mint 𝑇 𝑛 -beli vektorokat (ezeket a mátrix sorvektorainak nevezzük),
oszlopait pedig mint 𝑇 𝑚 vektorait (ezek a mátrix oszlopvektorai). Egy mátrix rangján a
sorvektor-rendszere rangját értjük.
Miért pont a sorokat tüntettük ki? A következő tétel szerint ennek nincs jelentősége.
Rangszámtétel: A következő állítások ekvivalensek.
• Az A mátrix rangja 𝑟.
• Az A mátrix oszlopvektor-rendszerének rangja 𝑟.
• Az A mátrixnak van 𝑟-ed rendű nemnulla aldeterminánsa, de nincs 𝑟 + 1 −ed rendű
nemnulla aldeterminánsa.
A definícióból és a Rangszámtételből következik, hogy egy mátrix rangja nem lehet nagyobb
sem a sorainak, sem az oszlopainak a számánál. Egy 3 × 5 típusú mátrix rangja tehát legfeljebb
3, vagy általában: egy 𝑚 × 𝑛 típusú mátrix rangja legfeljebb 𝑚𝑖𝑛{𝑚, 𝑛}.
A rangszámtétel szerint tehát egy mátrix oszlopvektor-rendszerének rangja, sorvektor-

rendszerének rangja, valamint a mátrix legnagyobb rendű nemnulla aldeterminánsának a
rendje mindig megegyezik. Ez ragyogó lehetőséget ad a mátrix rangjának eliminációval
történő kiszámítására: egy mátrix rangja a lépcsős alakjában maradó, nem csupa nulla
elemeket tartalmazó sorok számával egyenlő.
25
Miért is van ez így? Legyen a végül kapott lépcsős alakú mátrix 𝐿, és legyen ebben a nemnulla
sorok száma 𝑟. Tekintsük 𝐿 nemnulla sorait, és ezen sorok vezető elemeit tartalmazó oszlopait!
Ezen sorok és oszlopok metszéspontjain keletkező mátrix felső háromszög alakú, a főátlójában
lévő elemek egyike sem 0, így a determinánsa sem 0. Az 𝐿 mátrixnak tehát van r-ed rendű
nemnulla aldeterminánsa. Az összes nagyobb rendű aldeterminánshoz már valamely csupa
nulla elemeket tartalmazó sort is ki kellene jelölni, ami egyből garantálja, hogy ez az
aldetermináns 0. Az 𝐿 mátrix rangja tehát 𝑟. Már csak az a kérdés, hogy az 𝐿 mátrix rangja
megegyezik-e az eredeti mátrix rangjával. Természetesen igen, hiszen a lépcsős alakra
hozáshoz csupán elemi sorátalakításokat végzünk, és ezen átalakítások következtében minden
aldetermináns csak nemnulla konstansszorosára változhat, így amelyik 0 volt, az az is marad,
amelyik nem volt 0, az az átalakítások után sem lesz az.
PÉLDA: Az alábbi példában a rangszámtételt használva meghatározzuk az
𝑎1 = (−2,4,5,0), 𝑎2 = (1,7,1,2), 𝑎3 = (1,25,8,6)
vektorrendszer rangját. Írjuk a vektorokat egy mátrix soraiba:
A Ragszámtétel szerint a vektorrendszer rangja az A mátrix rangjával egyenlő. Hozzuk az A

mátrixot lépcsős alakra:
Hogyan történt ez? Először – csupán a számolás megkönnyítése érdekében – felcseréltük az

első két sort. A második lépésben hozzáadtuk a 2. sorhoz az 1. sor kétszeresét, majd a 3. sorból
kivontuk az 1. sort. Végül a 2. sort kivontuk a 3. sorból. A lépcső alakban a nemnulla sorok
száma 2, így az A mátrix rangja, úgymint az 𝑎1 , 𝑎2 , 𝑎3 vektorrendszer rangja is 2.
26
Összefoglalásképpen álljon itt még néhány, a fenti számolásból levonható következtetés:
• Az 𝑎1 , 𝑎2 , 𝑎3 vektorrendszer lineárisan függő.

• Az 𝑎1 , 𝑎2 , 𝑎3 vektorrendszer egy 2-dimenziós alteret generál az ℝ4 térben, melynek egy
bázisa az 𝑎1 , 𝑎2 vektorrendszer. (Ugyanis az azokhoz tartozó sorok nem nullázódtak ki.
Itt figyelni kell a sorcserékre is!)
27
LINEÁRIS EGYENLETRENDSZEREK
Tekintsük az
lineáris egyenletrendszert, jelölje ennek alapmátrixát továbbra is 𝐴, a konstanstagok vektorát

pedig 𝐵. Jelölje továbbá 𝑎𝑖 az alapmátrix 𝑖 −edik oszlopvektorát. Ekkor az egyenletrendszer
alakban is felírható, amit az egyenletrendszer vektoros alakjának is szokás nevezni. Ebből az

alakból látszik, hogy ha az egyenletrendszer megoldható, akkor a 𝐵 vektor felírható az
𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok lineáris kombinációjaként, tehát az 𝑎1 , 𝑎2 , … , 𝑎𝑛 és 𝑎1 , 𝑎2 , … , 𝑎𝑛 ,𝐵
vektorrendszerek rangja, vagy ha úgy tetszik, az alapmátrix és a kibővített mátrix rangja
megegyezik. Fordítva, ha a 𝐵 vektor hozzávételével az 𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorrendszer rangja
nem változik, az csak úgy lehet, ha 𝐵 előáll az 𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok lineáris
kombinációjaként, vagyis az egyenletrendszer megoldható. Ezzel bebizonyítottuk Kronecker
és Capelli tételét, miszerint egy lineáris egyenletrendszer pontosan akkor oldható meg, ha
alapmátrixának rangja megegyezik a kibővített mátrixának rangjával.
Ha a lineáris egyenletrendszer megoldható, akkor léteznek olyan 𝛼1 , 𝛼2 , … , 𝛼𝑛 skalárok, hogy
Ha ez az egyenlőség a 𝛽1 , 𝛽2 , … , 𝛽𝑛 skalárokkal is fennállna, azaz
is teljesülne, akkor a kettőt egymásból kivonva kapnánk, hogy
Világos, hogy az alapmátrix rangja nem lehet nagyobb, mint 𝑛, mely az ismeretlenek száma,
hiszen az alapmátrixnak ennyi oszlopa van. Ha az alapmátrix rangja éppen 𝑛, akkor az
28
𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok lineárisan függetlenek, így az előző egyenlőségben 𝛼1 = 𝛽1 , 𝛼2 =

𝛽2 , … , 𝛼𝑛 = 𝛽𝑛 kell, hogy teljesüljön. Tehát, ha egy megoldható lineáris egyenletrendszer
alapmátrixának rangja egyenlő az ismeretlenek számával, akkor az egyenletrendszernek
pontosan egy megoldása van.
Most tegyük fel, hogy az egyenletrendszer megoldható, de alapmátrixának rangja kisebb, mint
az ismeretlenek száma. Ekkor az 𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok lineárisan függők, azaz vannak olyan
𝛽1 , 𝛽2 , … , 𝛽𝑛 skalárok, melyek nem mindegyike nulla, hogy
Ha (𝛼1 , 𝛼2 , … , 𝛼𝑛 ) az egyenletrendszer egy megoldása, akkor
és így
azaz (𝛼1 + 𝛽1 , 𝛼2 + 𝛽2 , … 𝛼𝑛 + 𝛽𝑛 ) egy másik, (𝛼1 , 𝛼2 , … , 𝛼𝑛 )-től különböző megoldása az

egyenletrendszernek. Megismételve a konstrukciót az (𝛼1 + 𝛽1 , 𝛼2 + 𝛽2 , … 𝛼𝑛 + 𝛽𝑛
megoldással, egy újabb megoldás, az (𝛼1 + 2 ∙ 𝛽1 , 𝛼2 + 2 ∙ 𝛽2 , … 𝛼𝑛 + 2 ∙ 𝛽𝑛 adódik. Igen ám,
de ha az egyenletrendszert ℤ2 fölött tekintjük, akkor 2 ∙ 𝛽𝑖 = 0 miatt ez a megoldás egybeesik
az eredeti, (𝛼1 , 𝛼2 , … , 𝛼𝑛 ) megoldással. Ha azonban a T test, melyből az együtthatók kerülnek
ki olyan, hogy egy nemnulla elem önmagával véges sokszor összeadva sosem lehet 0 (mint pl.
ℚ, ℝ vagy ℂ) akkor a fenti módszerrel végtelen sok megoldás konstruálható. A fenti
tulajdonságú testeket 0-karakterisztikájú testeknek nevezzük. Tehát ha egy 0-karakterisztikájú
𝑇 test feletti, megoldható lineáris egyenletrendszer alapmátrixának rangja kisebb, mint az
ismeretlenek száma, akkor az egyenletrendszernek végtelen sok megoldása van.
Egy lineáris egyenletrendszert homogénnek nevezünk, ha konstanstagjainak mindegyike 0.

Ilyen például az
29
egyenletrendszer. A nem homogén lineáris egyenletrendszereket pedig inhomogén lineáris

egyenletrendszereknek nevezzük. Az lineáris egyenletrendszerek megoldására eddig
megismert módszerek homogén és inhomogén egyenletrendszereken egyaránt működnek. A
homogén egyenletrendszerekről kicsit többet is mondhatunk:
• A homogén lineáris egyenletrendszerek mindig megoldhatók, ugyanis ha az összes

ismeretlen értékét nullának választjuk, nyilván megoldást kapunk. Ezt a megoldást
triviális megoldásnak nevezzük. A kérdés itt az, hogy van-e triviálistól különböző
megoldás is.
• Egy 𝑛 ismeretlenes 𝑇 𝑓eletti homogén lineáris egyenletrendszer összes megoldásainak
halmaza altere a 𝑇 𝑛 vektortérnek. Ezt az alteret nevezzük az egyenletrendszer
megoldásterének.
• Az eliminációnál homogén esetben annyival könnyebb a helyzet, hogy a kibővített
mátrix utolsó oszlopának mindegyik eleme 0, és ez a tény az elemi sorátalakítások
elvégzése után is fennáll, ezért ezt az oszlopot felesleges magunkkal cipelni, vagyis a
kibővített mátrix helyett elegendő az alapmátrixszal dolgozni.
Most oldjuk meg a fenti példában szereplő homogén lineáris egyenletrendszert a valós számok
teste felett, Gauss-eliminációval! Az alapmátrix és annak lépcsős alakja:
A lépcsős alakhoz tartozó, eredetivel ekvivalens homogén lineáris egyenletrendszer
Mivel a 2. egyenlet két ismeretlent tartalmaz, az egyik értéke szabadon megválasztható: legyen
𝑥3 = 𝑢, ahol 𝑢 tetszőleges valós szám. A 2. egyenletből ekkor 𝑥2 = −2𝑢 adódik, majd az 1.
egyenletből
30
A megoldástér tehát
A (−2𝑢, −2𝑢, 𝑢) általános megoldásból u-t kiemelve 𝑢 ⋅ (−2, −2,1) adódik, melyből látszik,
hogy a megoldások pontosan a (−2, −2,1) vektor skalárszorosai (lineáris kombinációi). A
megoldástér tehát 1-dimenziós altere ℝ3 -nak, melynek egy bázisa a (−2, −2,1) vektor.
Az első fejezetben ugyanezen egyenletrendszer egy inhomogén változatát, a
lineáris egyenletrendszert oldottuk meg. Azt kaptuk, hogy ennek végtelen sok megoldása van,
és mint konkrét megoldást, a (7,8,10) vektort találtuk meg. Könnyű utánajárni, hogy ha ehhez
a vektorhoz a homogén változat megoldásterének bármely vektorát hozzáadjuk, szintén
megoldást kapunk. Sőt, az összes megoldást megkaphatjuk így. Általában is igaz a következő:
Ha az 𝑥 vektor megoldása az 𝐸 inhomogén lineáris egyenletrendszernek, akkor 𝐸 összes

megoldásinak halmaza
ahol 𝐻 𝑎𝑧 𝐸 egyenletrendszer homogén változatának megoldástere. Egy inhomogén lineáris

egyenletrendszer megoldáshalmaza tehát a homogén változata megoldásterének eltoltja.
31
LINEÁRIS LEKÉPEZÉSEK FOGALMA
32
Legyenek 𝑉1 é𝑠 𝑉2 vektorterek ugyanazon 𝑇 test felett. Azt mondjuk, hogy a 𝜑: 𝑉1 → 𝑉2

függvény lineáris leképezés a 𝑉1 é𝑠 𝑉2 vektorterek között, ha
• additív, azaz bármely 𝑎, 𝑏 ∈ 𝑉1 esetén 𝜑(𝑎 + 𝑏) = 𝜑(𝑎) + 𝜑(𝑏), és

• homogén, azaz bármely 𝑎 ∈ 𝑉1 é𝑠 𝜆 ∈ 𝑇 𝑒𝑠𝑒𝑡é𝑛 𝜑(𝜆𝑎) = 𝜆𝜑(𝑎).
Megjegyezzük, hogy 𝜑 additív és homogén tulajdonsága egyetlen egyenlettel is kifejezhető:

bármely 𝑎, 𝑏 ∈ 𝑉1 é𝑠 𝜆, 𝜇 ∈ 𝑇 esetén teljesül, hogy 𝜑(𝜆𝑎 + 𝜇𝑏) = 𝜆𝜑(𝑎) + 𝜇𝜑(𝑏).
Példák lineáris leképezésre:
• Az azonosan nulla leképezés bármely két, ugyanazon test feletti vektortér között lineáris
leképezés, azaz a 𝜑: 𝑉1 → 𝑉2 , 𝜑(𝑥) = 0 leképezés lineáris.
• A 𝑇 feletti polinomok vektorterén az a leképezés, amely minden polinomhoz
hozzárendeli a deriváltját, lineáris. Itt az additív és homogén tulajdonságok teljesülését
33
a Kalkulusból tanult (𝑓 + 𝑔)′ = 𝑓′ + 𝑔′, illetve (𝑐 ⋅ 𝑓)′ = 𝑐 ⋅ 𝑓′ összefüggések

garantálják, melyek persze nem csak polinomokra igazak.
• Lineáris leképezés a szabadvektorok úgynevezett 𝜆-nyújtása (𝜑(𝑎) = 𝜆𝑎), valamint a
vektorok adott szöggel való elforgatása.
• Legyen 𝜑: ℝ2 → ℝ, 𝜑(𝑥1 , 𝑥2 ) = 𝑥1 , vagyis 𝜑 az a leképezés, amely a sík minden
pontjához hozzárendeli annak első koordinátáját. Ekkor 𝜑 lineáris leképezés.
• Legyen 𝐴 adott 𝑇 test feletti 𝑛 × 𝑚 típusú mátrix. Ekkor 𝜑: 𝑇 𝑚 → 𝑇 𝑛 , 𝜑(𝑥) = 𝐴𝑥 is
lineáris leképezés, ahol a szorzás alatt mátrixszorzást értünk úgy, hogy 𝑇 𝑚 elemeit
𝑚 × 1 típusú mátrixnak tekintjük.
• Végül megmutatjuk, hogy a ℝ2 → ℝ, 𝜑(𝑥1 , 𝑥2 ) = 𝑥1 + 𝑥2 leképezés is lineáris. Az
additivitás ellenőrzéséhez vegyünk két tetszőleges (𝑎, 𝑏) é𝑠 (𝑐, 𝑑) pontot ℝ2 -ből. Ekkor
𝜑((𝑎, 𝑏) + (𝑐, 𝑑)) = 𝜑(𝑎 + 𝑐, 𝑏 + 𝑑) = (𝑎 + 𝑐) + (𝑏 + 𝑑) = 𝑎 + 𝑏 + 𝑐 + 𝑑
és
𝜑(𝑎, 𝑏) + 𝜑(𝑐, 𝑑) = (𝑎 + 𝑏) + (𝑐 + 𝑑) = 𝑎 + 𝑏 + 𝑐 + 𝑑,
tehát 𝜑 valóban additív. Továbbá tetszőleges λ valós szám esetén
𝜑(𝜆(𝑎, 𝑏)) = 𝜑(𝜆𝑎, 𝜆𝑏) = 𝜆𝑎 + 𝜆𝑏,
úgymint 𝜆𝜑(𝑎, 𝑏) = 𝜆(𝑎 + 𝑏) = 𝜆𝑎 + 𝜆𝑏, tehát 𝜑 homogén is.
A 𝜑: 𝑉1 → 𝑉2 lineáris leképezésre igazak a következő állítások:
• 𝜑(0) = 0, vagyis lineáris leképezés a 𝑉1 nullvektorát a 𝑉2 nullvektorába viszi. Ebből látszik,

hogy a szabadvektorok körében a 𝑑 ≠ 0 vektorral való eltolás (𝜑: 𝑉(𝐸) → 𝑉(𝐸), 𝜑(𝑥) =
𝑥 + 𝑑) nem lineáris leképezés, ugyanis ott 𝜑(0) = 0 + 𝑑 = 𝑑 ≠ 0, vagyis „a nullvektor is
elmozdul a helyéről”.
• Lineáris leképezés alteret altérre képez, azaz, ha 𝐿 a 𝑉1 altere, akkor a 𝜑(𝐿) = {𝜑(𝑙): 𝑙 ∈ 𝐿}
halmaz altere 𝑉2 -nek.
• Ha 𝑎 ∈ 𝑉1 és 𝑎 = 𝜆1 𝑎1 + 𝜆2 𝑎2 + ⋯ + 𝜆𝑛 𝑎𝑛 , akkor
𝜑(𝑎) = 𝜆1 𝜑(𝑎1 ) + 𝜆2 𝜑(𝑎2 ) + ⋯ + 𝜆𝑛 𝜑(𝑎𝑛 ).
34
Az állításból következik, hogy 𝜑 értékeit elegendő csak a 𝑉1 valamely

generátorrendszerének vektorain ismerni. Az állítás szerint ugyanis 𝑉1 bármely 𝑥
vektorának képe ugyanazon együtthatókkal kombinálható ki a generátorrendszer
vektorainak képeiből, mint amelyekkel az 𝑥 kombinálható ki a generátorrendszer
vektoraiból.
Az is következik, hogy ha két lineáris leképezés a vektortér egy generátorrendszerén

megegyezik, akkor a két lineáris leképezés ugyanaz.
• 𝑉1 lineárisan függő vektorrendszerének 𝜑 általi képe is lineárisan függő. Lineárisan

független vektorrendszer képe azonban nem biztos, hogy független marad. Gondoljunk
például egy olyan leképezésre, amely magasabb dimenzióból képez alacsonyabba, mondjuk
ℝ3 -ból ℝ2 -be. Ekkor ℝ3 -ban van 3 vektorból álló lineárisan független vektorrendszer.
Annak képe ℝ2 -ben biztosan függő lesz, hiszen ott legfeljebb 2 vektor lehet lineárisan
független.
• Ha 𝑎1 , 𝑎2 , … , 𝑎𝑛 generátorrendszere a 𝑉1 vektortér L alterének, akkor
𝜑(𝑎1 ), 𝜑(𝑎2 ), … , 𝜑(𝑎𝑛 ) generátorrendszere 𝜑(𝐿)-nek, és 𝑑𝑖𝑚𝜑(𝐿) ≤ 𝑑𝑖𝑚𝐿, vagyis egy
altér képnek dimenziója sosem lehet több, mint magának az altérnek a dimenziója.
Lineáris leképezések alaptétele. Legyen 𝑎1 , 𝑎2 , … , 𝑎𝑛 egy bázisa a 𝑉1 , és 𝑏1 , 𝑏2 , … , 𝑏𝑛

tetszőleges vektorrendszere a 𝑉2 vektortérnek. Ekkor pontosan egy olyan 𝜑: 𝑉1 → 𝑉2 lineáris
leképezés létezik, melyre 𝜑(𝑎1 ) = 𝑏1 , 𝜑(𝑎2 ) = 𝑏2 , … , 𝜑(𝑎𝑛 ) = 𝑏𝑛 .
A tétel állítása gyakorlatilag az, hogy egy lineáris leképezés megadható úgy, hogy
kiválasztunk egy bázist a 𝑉1 térben, és minden bázisvektorhoz megmondjuk, hogy 𝑉2 mely
vektora legyen a képe. A tétel szerint hibázni nem tudunk, ugyanis 𝑉1 bázisának 𝑉2 bármelyik
vektorrendszere lehet képe, tehát bármit is mondunk, lesz olyan leképezés!
A kérdés már csak az, hogy ha megadjuk az 𝑎1 , 𝑎2 , … , 𝑎𝑛 bázisvektorok képeit, hogyan

kaphatjuk meg magát a lineáris leképezést. A választ az előző leckében már megadtuk: a
keresett leképezés az a 𝜑: 𝑉1 → 𝑉2 függvény lesz, mely tetszőleges 𝑥 ∈ 𝑉1 vektorhoz azt a
𝜑(𝑥) ∈ 𝑉2 vektort rendeli, amely ugyanazon együtthatókkal állítható elő a
35
𝜑(𝑎1 ), 𝜑(𝑎2 ), … , 𝜑(𝑎𝑛 ) vektorok lineáris kombinációjaként, mint amelyekkel az 𝑥 az

𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorokból.
Példaként megkeressük az a 𝜑: ℝ3 → ℝ2 lineáris leképezést, amely az ℝ3 tér 𝑎1 =

(1,1,1), 𝑎2 = (1,2,3), 𝑎3 = (−1,1, −1) bázisvektoraihoz ℝ2 alábbi vektorait rendeli:
𝜑(𝑎1 ) = (2,3), 𝜑(𝑎2 ) = (1,0), 𝜑(𝑎3 ) = (0, −1).
Megoldás gyanánt azt mutatjuk meg, hogyan adható meg ℝ3 egy tetszőleges vektorának a φ
általi képe. Tekintsük például a 𝑏 = (−2,6,2) vektort, és határozzuk meg 𝜑(𝑏)-t!
Első lépésben kifejezzük 𝑏-t az 𝑎1 , 𝑎2 , 𝑎3 vektorok lineáris kombinációjaként. Mint azt már
tudjuk, az együtthatók azon lineáris egyenletrendszer megoldásaként állíthatók elő, melynek
kibővített mátrixa
(Emlékeztetőül: az 𝑎1 , 𝑎2 , 𝑎3 vektorok komponensei kerültek az első 3 oszlopba, míg a 𝑏

komponensei a negyedikbe.)
Hozzuk ezt a mátrixot lépcsős alakra:
Elvégezve a visszahelyettesítést:
majd
végül
36
Az együtthatók ismeretében most már a
kifejezés kiszámítható:
Világos, hogy ezzel a módszerrel bármely ℝ3 -beli vektor képe megadható. Sőt, aki érez
magában elég bátorságot, a −2,6,2 koordináták helyébe 𝑥, 𝑦, 𝑧-t írva, és ezekkel, mint
paraméterekkel számolva megkaphatja a hozzárendelési szabályt leíró képletet is!
37
LINEÁRIS LEKÉPEZÉSEK KÉPTERE ÉS MAGTERE
Legyen 𝜑: 𝑉1 → 𝑉2 egy lineáris leképezés. Mint azt már említettük, 𝑉1 bármely alterének
𝜑 általi képe 𝑉2 valamely altere lesz. Természetesen ez magára 𝑉1 -re is igaz: a 𝜑(𝑉1 ) halmaz
altere a 𝑉2 vektortérnek, melyet 𝜑 képterének nevezünk. Természetesen a képtér akár lehet
maga a 𝑉2 is, ekkor a leképezést szürjektívnek mondjuk. Ez a fogalom remélhetőleg ismerősen
cseng a Kalkulus tanulmányainkból.
Azt is tudjuk, hogy 𝑉1 bármely generátorrendszerének képe generátorrendszere lesz 𝜑(𝑉1 )-

nek, így a képtér egy bázisának meghatározásához mindössze annyit kell tenni, hogy venni
kell 𝜑(𝑉1 ) egy tetszőleges generátorrendszerét, meg kell nézni a generátorrendszer
vektorainak képét, majd keresni kell egy bázist 𝑉2 ezen képvektorok által generált alterében.
PÉLDA: Határozzunk meg példaként a
lineáris leképezés képterének egy bázisát!
Vegyünk egy generátorrendszert ℝ3 -ban (a természetes bázis tökéletes választás), majd

nézzük meg a báziselemek képét:
38
Keressünk bázist a (2,1,1), (−1, −2,1), (−1,1, −2) vektorok által generált altérben! Ehhez
írjuk a vektorokat egy mátrix soraiba, majd hozzuk a mátrixot lépcsős alakra:
Látható, hogy csak az első két sorban maradt nullától különböző elem, így a képtér egy bázisa
a (2,1,1), (−1, −2,1) vektorrendszer, hiszen (még annak ellenére is, hogy az első lépésbe sort
cseréltünk) ez a két vektor volt a mátrix első két sorában.
Mint már láttuk korábban, lineáris leképezés az értelmezési tartományának nullvektorát

mindig a képtere nullvektorába viszi. Kérdés, hogy vannak-e más olyan vektorok is,
melyeknek a nullvektor a képe.
A 𝜑: 𝑉1 → 𝑉2 lineáris leképezés magján a 𝑘𝑒𝑟𝜑 = {𝑎 ∈ 𝑉1 : 𝜑(𝑎) = 0} halmazt értjük, vagyis

𝑉1 mindazon vektorainak a halmazát, melyek 𝜑 általi képe a 𝑉2 nullvektorra.
A fenti megjegyzés szerint egy lineáris leképezés magja sosem üres halmaz. Most
megmutatjuk, hogy 𝜑 magja nemcsak részhalmaza, hanem altere 𝑉1 -nek.
A bizonyítás az altérkritériumon múlik. Legyen 𝑎, 𝑏 ∈ 𝑘𝑒𝑟𝜑. Ekkor nyilván 𝜑(𝑎) = 𝜑(𝑏) =

0 é𝑠 𝜑 lineáris volta miatt 𝜑(𝑎 + 𝑏) = 𝜑(𝑎) + 𝜑(𝑏) = 0 + 0 = 0, továbbá tetszőleges 𝜆
39
skalárra 𝜑(𝜆𝑎) = 𝜆𝜑(𝑎) = 𝜆0 = 0. 𝑘𝑒𝑟𝜑 tehát zárt a vektorok összeadására és skalárral való
szorzására nézve, így az altérkritérium szerint valóban altér 𝑉1 -ben.
Tekintsük először a valós együtthatós polinomok vektorterét, és legyen 𝜑 a polinomok

deriválása. A 𝑘𝑒𝑟𝜑 meghatározásához a „Mely polinomok deriváltja az azonosan 0 polinom?”
kérdést kell megválaszolni. Ezek éppen a konstanspolinomok, tehát 𝑘𝑒𝑟𝜑 az 𝑓(𝑥) = 𝑐 alakú
polinomok halmaza, ahol 𝑐 tetszőleges valós szám.
Tekintsük most a 𝜑: ℝ2 → ℝ, 𝜑(𝑥1 , 𝑥2 ) = 𝑥1 lineáris leképezést. A mag meghatározásához

keressük mindazon (𝑥1 , 𝑥2 ) ∈ ℝ2 vektorokat, melyekre 𝜑(𝑥1 , 𝑥2 ) = 0, vagyis 𝑥1 = 0. A
megoldás tehát meg is van: 𝑥1 = 0, 𝑥2 értéke pedig tetszőleges, vagyis 𝑘𝑒𝑟𝜑 = {(0, 𝑡): 𝑡 ∈ 𝑅}.
Most 𝑘𝑒𝑟𝜑 egy egydimenziós altere ℝ2 -nek, melynek egy bázisa például (0,1).
A következő példánkban a 𝜑: ℝ2 → 𝑅, 𝜑(𝑥1 , 𝑥2 ) = 𝑥1 + 𝑥2 lineáris leképezések magját

keressük meg. Az eljárás hasonló: keressük mindazon (𝑥1 , 𝑥2 ) ∈ ℝ2 vektorokat, melyekre
𝜑(𝑥1 , 𝑥2 ) = 0, vagyis esetünkben 𝑥1 + 𝑥2 = 0. Ez gyakorlatilag egy kétismeretlenes lineáris
egyenletrendszer, mely csak egyetlen egyenletből áll, így végtelen sok megoldása van: legyen
mondjuk 𝑥2 = 𝑡, ahol t tetszőleges valós szám, és ekkor az egyenletünkből 𝑥1 = −𝑡 adódik.
A magtér tehát: 𝑘𝑒𝑟𝜑 = {(−𝑡, 𝑡): 𝑡 ∈ 𝑅}. Ez szintén egydimenziós altér, bázisa például a
(−1,1) vektor.
Mint látható, a magtér meghatározásához általában egy homogén lineáris egyenletrendszer

megoldása szükséges, és a magtér éppen az egyenletrendszer megoldástere lesz.
Nézzünk még egy példát, magasabb dimenzióban! Az alábbi videóban a
lineáris leképezés magjának meghatározása történik.
40
Kalkulus tanulmányainkból még remélhetőleg emlékszünk arra, hogy egy leképezést akkor
nevezünk injektívnek, ha különböző elemekhez különböző elemeket rendel. Ilyen például
valós számok halmazán értelmezett 2-vel való szorzás, hiszen különböző számok kétszerese
is különböző. A négyzetre emelés viszont nem ilyen: például a −2 és 2 különböző valós
számoknak a négyzete ugyanaz.
Világos, hogy ha egy lineáris leképezés injektív, akkor magja csak a nullvektort tartalmazza,
hiszen, ha valamely nullától különböző vektornak is a nullvektor lenne a képe, az
ellentmondana az injektivitásnak. Az állítás fordítva is igaz: ha a mag csak a nullvektort
tartalmazza, akkor a leképezés injektív.
Az injektív lineáris leképezések jelentősége abban rejlik, hogy azok lineárisan független
vektorrendszerhez lineárisan független vektorrendszert rendelnek. Mint az
alaptulajdonsságoknál láttuk, lineáris leképezés az értelmezési tartomány
generátorrendszerhez a képtér egy generátorrendszerét rendeli, az injektív lineáris leképezések
tehát lineárisan független generátorrendszerhez lineárisan független generátorrendszert, vagy
ha úgy tetszik, az értelmezési tartomány bázisához a képtér egy bázisát rendeli.
41
Az alábbi állítás azt mutatja, hogy a képtér és a magtér egymásnak egyfajta kiegészítése. Ez
elsőre kicsit furcsán hangozhat, hiszen a képtér a 𝑉2 , míg a magtér a 𝑉1 térnek altere. Az állítás
azonban az, hogy a képtér és a magtér dimenzióinak összege mindig az értelmezési tartomány
dimenziójával egyenlő.
Dimenziótétel: Legyenek 𝑉1 és 𝑉2 végesen generált vektorterek, és 𝜑: 𝑉1 → 𝑉2 egy lineáris

leképezés. Ekkor 𝑑𝑖𝑚𝑉1 = 𝑑𝑖𝑚𝑘𝑒𝑟𝜑 + 𝑑𝑖𝑚𝜑(𝑉1 ).
42
IZOMORF VEKTORTEREK
Tekintsünk a legfeljebb 3-ad fokú, valós együtthatós polinomok 𝑉 vektorterét. Ekkor minden
𝑓 ∈ 𝑉 polinom felírható alakban. Legyen 𝜑 az a

leképezés, amely minden polinomhoz hozzárendeli az együtthatóiból alkotott rendezett elem
négyest, vagyis legyen
Ez a 𝜑: 𝑉 → ℝ4 leképezés
• injektív (különböző polinomok képe különböző rendezett elemnégyes),

• szürjektív (minden rendezett elem négyes képe valamely polinomnak),
egy szóval kifejezve: bijektív. Azt is könnyű belátni, hogy 𝜑 lineáris leképezés.
A 𝜑 tehát 𝑉 és ℝ4 vektorainak olyan kölcsönösen egyértelmű megfeleltetése, amely „megőrzi”

mind a vektorok összeadását, mind a skalárral való szorzást. Ha visszagondolunk arra, mit is
tanultunk eddig a vektorokról, láthatjuk, hogy minden ebből a két műveletből és
tulajdonságaikból ered, így elmondható, hogy a két vektortér között algebrai szempontból
(vagyis a mi szempontunkból) nincs lényegi különbség. Például, ha ℝ4 -ben veszünk egy
bázist, akkor a hozzá tartozó polinomok ugyanúgy bázist alkotnak 𝑉-ben, mint ahogy 𝑉
lineárisan független polinomrendszerének mefeleltetett rendezett elemnégyesek is lineárisan
függetlenek lesznek ℝ4 -ben.
A bijektív lineáris leképezéseket izomorfizmusoknak nevezzük. Azt mondjuk, hogy a 𝑉1 és 𝑉2

vektorterek izomorfak, ha létezik 𝜑: 𝑉1 → 𝑉2 izomorfizmus.
A bevezető példánkban azt mutattuk meg, hogy a legfeljebb 3-ad fokú valós együtthatójú
polinomok vetortere és ℝ4 izomorfak. Általában is igaz, hogy a legfeljebb 𝑛 − 𝑒𝑑 fokú 𝑇 test
feletti polinomok vetortere izomorf a 𝑇 𝑛+1 vektortérrel.
43
Képzeljük el, hogy a 𝑇 test feletti
mátrix elemeit kerek zárójelek közé, egyetlen sorba írjuk le:
Könnyen látható, hogy ez az elképzelés tulajdonképpen egy izomorfizmus a 𝑀𝑚×𝑛 (𝑇) és a

𝑇 𝑚∙𝑛 vektorterek között. Következésképpen 𝑀𝑚×𝑛 (𝑇) egy 𝑚 ⋅ 𝑛-dimenziós vektortér,
melynek (természetes) bázisát alkotják azok a mátrixok, melyeknek egyetlen elemük 1, az
összes többi 0 (vö. 𝑇 𝑚∙𝑛 természetes bázisával).
Az általánosítás útján tovább merészkedve azt sem nehéz belátni, hogy minden 𝑛-dimenziós
𝑇 feletti 𝑉 vektortér izomorf 𝑇 𝑛 -nel. A köztük lévő izomorfizmust is könnyű megadni:
rögzítsünk egy bázist V-ben, és rendeljük minden vektorhoz hozzá ezen bázisra vonatkozó
koordinátáit. Ez a hozzárendelés nyilván injektív és lineáris. Mivel 𝑇 𝑛 minden eleme
koordinátasora lesz valamely 𝑉-beli vektornak, ezért a hozzárendelés szürjektivitása is fennáll.
Nem véletlen tehát, hogy a 𝑇 𝑛 vektorteret a korábbi példáinkban és feladatainkban előnyben

részesítettük.
Könnyen ellenőrizhető az is, hogy ugyanazon vektortérrel izomorf vektorterek egymással is

izomorfak. Következésképpen bármely két 𝑛-dimenziós (ugyanazon test fölötti) vektortér
izomorf.
44
LINEÁRIS LEKÉPEZÉSEK MÁTRIXA
Legyen 𝐴 = (𝑎1 , 𝑎2 , … , 𝑎𝑚 ) és 𝐵 = (𝑏1 , 𝑏2 , … , 𝑏𝑛 ) egy-egy bázisa a 𝑇 test feletti 𝑉1 és

𝑉2 vektortereknek, és legyen 𝜑: 𝑉1 → 𝑉2 egy lineáris leképezés. Ekkor az A bázis elemeinek
képei a 𝑉2 vektortér elemei, így egyértelműen (egyféleképpen) előállíthatók B elemeinek
lineáris kombinációjaként. A 𝜑 lineáris leképezés (𝐴, 𝐵) bázispárra vonatkozó mátrixa alatt
azt az 𝑛 × 𝑚 típusú mátrixot értjük, melynek i-edik oszlopában a 𝜑(𝑎𝑖 ) vektor B bázisra
vonatkozó koordinátaoszlopa áll.
A 𝜑: 𝑇 𝑚 → 𝑇 𝑛 lineáris leképezés mátrixának felírása rendkívül egyszerű, ha mindkét térben a

természetes bázist választjuk.
Példaként tekintsük a 𝜑: ℝ2 → ℝ3 , 𝜑(𝑥1 , 𝑥2 ) = (𝑥1 − 𝑥2 , 𝑥1 + 𝑥2 , 2 ∙ 𝑥1 ) lineáris leképezést,

és határozzuk meg a természetes bázispárra vonatkozó mátrixát! Ehhez először nézzük meg
ℝ2 természetes bázisvektorainak képét:
Mivel a természetes bázisra vonatkozó koordináták tulajdonképpen a komponensek, így a

képvektorok komponenseit egy mátrix oszlopaiba írva készen is vagyunk: 𝜑 természetes
bázispárra vonatkozó mátrixa tehát
A következő tétel rávilágít a lineáris leképezések mátrixának hasznára: egy bázispár rögzítése
után egy koordinátákkal adott vektor lineáris leképezés általi képének koordinátái
megkaphatók a lineáris leképezés mátrixának a vektor koordinátáit tartalmazó
oszlopmátrixszal való szorzásával. Ugyanez formálisan:
Legyenek 𝐴 = (𝑎1 , 𝑎2 , … , 𝑎𝑚 ) és 𝐵 = (𝑏1 , 𝑏2 , … , 𝑏𝑛 ) bázisai a 𝑇 test feletti 𝑉1 és 𝑉2

vektortereknek, és legyen 𝜑: 𝑉1 → 𝑉2 egy lineáris leképezés, melynek az (𝐴, 𝐵) bázispárra
vonatkozó mátrixa M. Ha
45
Visszatérve az előző példához, az M mátrix segítségével tehát egy tetszőleges (𝑥1 , 𝑥2 ) vektor
képe megkapható úgy, hogy az M mátrixot megszorozzuk (jobbról) az
mátrixszal. A szorzás eredménye az
ami azt jelenti, hogy 𝜑 az (𝑥1 , 𝑥2 ) vektort az (𝑥1 − 𝑥2 , 𝑥1 + 𝑥2 , 2 ∙ 𝑥1 ) vektorba viszi. Nézzük
csak meg, mi volt 𝜑 definíciója...
Legyen M a 𝜑: 𝑉1 → 𝑉2 lineáris leképezés valamely bázispárra vonatkozó mátrixa. Könnyen

belátható, hogy
• M oszlopainak száma éppen annyi, mint 𝑉1 dimenziója,

• M rangja éppen annyi, mint 𝜑 képterének dimenziója,
végül a Dimenziótétel szerint, a 𝜑 magterének dimenziója éppen az előző kettő különbsége.
Jelölje ℎ𝑜𝑚(𝑉1 , 𝑉2 ) az összes 𝑉1 -ről 𝑉2 -be ható lineáris leképezések halmazát, ahol 𝑉1 és 𝑉2
ugyanazon 𝑇 test feletti vektorterek. Definiáljuk ezen a halmazon az összeadást és skalárral
való szorzást a következőképpen: ha 𝜑, 𝜓 ∈ ℎ𝑜𝑚(𝑉1 , 𝑉2 ) é𝑠 𝜆 ∈ 𝑇, akkor legyen
(𝜑 + 𝜓)(𝑥) = 𝜑(𝑥) + 𝜓(𝑥) és (𝜆𝜑)(𝑥) = 𝜆𝜑(𝑥).
Könnyen bizonyítható, hogy ℎ𝑜𝑚(𝑉1 , 𝑉2 ) vektortér a 𝑇 test felett, továbbá, ha a 𝜑, 𝜓 ∈

ℎ𝑜𝑚(𝑉1 , 𝑉2 ) lineáris leképezések (𝐴, 𝐵) bázispárra vonatkozó mátrixai 𝑀 é𝑠 𝑁, akkor a
𝜑 + 𝜓 és 𝜆𝜑 lineáris transzformációk mátrixai 𝑀 + 𝑁 és 𝜆𝑀. Ebből következik, hogy ha 𝑉1

egy 𝑚, és 𝑉2 egy 𝑛 dimenziós vektortér, akkor az a Φ: ℎ𝑜𝑚(𝑉1 , 𝑉2 ) → 𝑀𝑚×𝑛 (𝑇) leképezés,
amely minden 𝜑: 𝑉1 → 𝑉2 lineáris leképezéshez hozzárendeli egy rögzített (𝐴, 𝐵) bázispárra
46
vonatkozó mátrixát, egy lineáris leképezés. Világos, hogy különböző lineáris leképezések
mátrixa is különböző. Továbbá bármely 𝑛 × 𝑚 típusú M mátrixnak van pontosan egy ősképe,
hiszen a mátrix oszlopai, mint B-re vonatkozó koordináta-oszlopok, definiálnak m darab
vektort a 𝑉2 térben, és a Lineáris leképezések alaptétele szerint pontosan egy olyan 𝜑 lineáris
leképezés létezik, amely az A bázis elemeihez rendre ezeket a vektorokat rendeli. Nyilván az
M mátrix pontosan ennek a φ leképezésnek lesz a mátrixa. Igazoltuk, hogy a Φ lineáris
leképezés egyszerre injektív és szürjektív, vagyis izomorfizmus, tehát a ℎ𝑜𝑚(𝑉1 , 𝑉2 ) és az
𝑀𝑚×𝑛 (𝑇) vektorterek izomorfak. Következésképpen, egy lineáris leképezés helyett
dolgozhatunk annak mátrixával, ami mind elméletben, mind gyakorlatban hasznosnak
bizonyul.
A fent elmondottakból
𝑑𝑖𝑚ℎ𝑜𝑚(𝑉1 , 𝑉2 ) = 𝑑𝑖𝑚𝑀𝑚×𝑛 (𝑇) = 𝑛 ⋅ 𝑚 = 𝑑𝑖𝑚𝑉1 ⋅ 𝑑𝑖𝑚𝑉2
is következik.
47
LINEÁRIS TRANSZFORMÁCIÓK
Ebben a szakaszban külön figyelmet fordítunk arra az esetre, amikor 𝑉1 és 𝑉2 ugyanazon

vektorterek.
Legyen 𝑉 egy vektortér. A 𝜑: 𝑉 → 𝑉 lineáris leképezést (𝑉-n ható) lineáris transzformációnak

nevezzük.
Például az identikus leképezés (minden vektor képe önmaga), az azonosan nulla leképezés,
illetve a 𝜑: 𝑉 → 𝑉, 𝜑(𝑎) = 𝜆𝑎, ahol 𝜆 adott skalár, lineáris transzformációk. Ez utóbbit
neveztük 𝜆-nyújtásnak.
A dimenziótétel egyszerű következménye, hogy egy végesen generált vektortéren ható lineáris
transzformáció pontosan akkor injektív, ha szürjektív. Az állítás végtelen dimenzióban már
nem igaz. Például a valós együtthatós polinomok vektorterén ható 𝜑(𝑓(𝑥)) = 𝑥 ∙ 𝑓(𝑥)
leképezés egy olyan lineáris transzformáció, amely injektív, de nem szürjektív.
Legyen 𝐵 egy bázisa a 𝑉 vektortérnek. A 𝜑 𝑉-n ható lineáris transzformáció 𝐵 bázisra

vonatkozó mátrixa alatt 𝜑-nek, mint lineáris leképezésnek a (𝐵, 𝐵) bázispárra vonatkozó
mátrixát értjük.
Lineáris transzformáció mátrixának felírásához tehát a bázispár mindkét bázisát ugyanannak

választjuk.
Tekintsük példaként a legfeljebb 3-adfokú valós együtthatós polinomok 𝑉 vektorterét, és

legyen 𝜑: 𝑉 → 𝑉 az a leképezés, amely minden polinomhoz hozzárendeli a deriváltját. Ekkor
φ a szokásos 𝐵 = (𝑥 3 , 𝑥 2 , 𝑥, 1) bázisra vonatkozó mátrixa
Az oszlopokban rendre a bázisvektorok deriváltjainak koordinátái állnak.
48
Kalkulus tanulmányainkból ismerjük, hogy (𝑥 3 − 2𝑥 2 + 7)′ = 3𝑥 2 − 4𝑥. Most végezzük el

ezt a deriválást algebrista módra! :) A deriválandó polinom 𝐵 bázisra vonatkozó koordinátái
(1, −2,0,7). A deriváltat az
mátrixszorzat adja. Az eredmény
és ez éppen az 3𝑥 2 − 4𝑥 polinom koordinátaoszlopa!
Most tekintsük a sík szabadvektorainak vektorterét, amely az ℝ2 vektortérrel izomorf, és

legyen 𝜑 az origó körüli 𝛼 szöggel való elforgatás, pozitív irányba. Ez – mint tudjuk – lineáris
transzformáció.
49
Most felírjuk 𝜑 mátrixát ℝ2 természetes bázisára vonatkozóan. Ehhez meg kell határoznunk a
bázisvektorok képeinek koordinátáit. Az 𝑒1 = (1,0) vektor forgatás utáni képét jelölje 𝑒1′ . Az
ábrát követve, 𝑒1′ koordinátái 𝑎 é𝑠 𝑏, melyek éppen egy egységnyi átfogójú derékszögű
háromszög befogóinak hosszai, ezért 𝑎 = 𝑐𝑜𝑠𝛼 é𝑠 𝑏 = 𝑠𝑖𝑛𝛼. Hasonlóan kapjuk, hogy az 𝑒2 =
(1,0) vektor képének koordinátái rendre −sinα és cosα. A 𝜑 természetes bázisra vonatkozó
mátrixa ekkor úgy állítható elő, hogy első oszlopába beírjuk az 𝑒1′ , második oszlopába pedig
az 𝑒2′ koordinátáit:
Jóllehet a levezetésünk csak 0° é𝑠 90° közötti 𝛼 esetén korrekt, az olvasó könnyen

meggyőződhet róla, hogy ugyanez a mátrix adódik tetszőleges 𝛼-ra.
Minthogy a sík pontjainak origó körüli 60°-kal való elforgatásának mátrixa
bármely pont elforgatás utáni képének koordinátái megkaphatók úgy, hogy az 𝑀 mátrixot
szorozzuk a pont koordinátáit tartalmazó 2 × 1 típusú mátrixszal. Például az (1,3) pont képe a
Legyen újra 𝑉 egy 𝑇 test feletti vektortér. Mint korábban láttuk, ℎ𝑜𝑚(𝑉, 𝑉), melyet ezentúl
egyszerűen csak ℎ𝑜𝑚(𝑉)-vel jelölünk, vektortér a 𝑇 test felett. Sőt, ennél még kicsivel több is
igaz. Könnyű belátni, hogy bármely 𝜑 é𝑠 𝜓 𝑉-n ható lineáris transzformációk esetén a 𝜑 ∘ 𝜓
kompozíció is 𝑉-n ható lineáris transzformáció. Továbbá, ha 𝜑 é𝑠 𝜓 mátrixai a 𝐵 =
(𝑏1 , 𝑏2 , … , 𝑏𝑛 ) bázisra vonatkozóan 𝑀 é𝑠 𝑁, akkor 𝜑 ∘ 𝜓 mátrixa 𝑀 ⋅N. Mindezek alapján
elmondható, hogy ha a ℎ𝑜𝑚(𝑉) vektortérben a vektorok szorzatán a leképezések
kompozícióját értjük, akkor a fent tárgyalt 𝛷 leképezés a szorzást is megőrzi.
50
Ennek néhány következménye:
• ha a 𝜑 𝑉-n ható lineáris transzformáció invertálható (injektív), akkor annak bármely

bázisra vonatkozó mátrixának létezik inverze, és az inverzmátrix éppen az
inverzleképezés mátrixa lesz, természetesen ugyanarra a bázisra vonatkozóan;
• mint tudjuk, a mátrixok szorzása nem kommutatív, így lineáris transzformációk
kompozíciója sem az.
Legyenek 𝐴 = (𝑎1 , 𝑎2 , … , 𝑎𝑛 ) és 𝐵 = (𝑏1 , 𝑏2 , … , 𝑏𝑛 ) bázisok a 𝑇 test feletti 𝑉 vektortérben. A

probléma a következő: ismerjük bizonyos vektorok koordinátáit az A bázisra vonatkozóan,
mik lesznek ugyanazon vektorok 𝐵 bázisra vonatkozó koordinátái?
A Lineáris leképezések alaptétele szerint pontosan egy olyan 𝜑: 𝑉 → 𝑉 lineáris transzformáció

létezik, amely az egyik bázis vektorait a másik bázis vektoraiba viszi, azaz
𝜑(𝑎1 ) = 𝑏1 , 𝜑(𝑎2 ) = 𝑏2 , … , 𝜑(𝑎𝑛 ) = 𝑏𝑛 .
Jelölje 𝜑 mátrixát az A bázisra vonatkozóan 𝑆. Ekkor 𝑆 olyan 𝑛 × 𝑛 típusú 𝑇 test feletti mátrix,
melynek 𝑗 −edik oszlopában a 𝜑(𝑎𝑗 ) = 𝑏𝑗 vektor A bázisra vonatkozó koordináta-oszlopa
szerepel. Ezt az 𝑆 mátrixot nevezzük az 𝐴-ról 𝐵 −re történő bázisátmenet mátrixának. Mivel
𝜑 bijektív leképezés, így 𝑆 invertálható, és az inverze nyilván a fordított, 𝐵-ről 𝐴-ra történő
bázisátmenet mátrixa.
Például ha
akkor az 𝐴 = (𝑎1 , 𝑎2 , 𝑎3 )-ról 𝐵 = (𝑏1 , 𝑏2 , 𝑏3 )-ra való bázisátmenet mátrixának felírásához

meg kell határoznunk a 𝑏1 , 𝑏2 , 𝑏3 vektorok A bázisra vonatkozó koordinátáit. Ezeket egyszerre
is megkereshetjük szimultán eliminációval, melynek kiinduló mátrixa:
51
Gauss-Jordan-elimináció végrehajtása esetén a kapott mátrix utolsó 3 oszlopa éppen a keresett

báziscsere mátrix oszlopai lesznek. Itt csak az elimináció végeredményét közöljük:
a keresett báziscsere-mátrix tehát
A helyzet jóval egyszerűbb, ha az átmenet a természetes bázisról történik: ekkor ugyanis az

𝑆 mátrix oszlopai pontosan az „új” bázis koordinátaoszlopai lesznek.
Mire jó nekünk az 𝑆 mátrix? Ha adottak egy vektor A bázisra vonatkozó koordinátái mondjuk,
mint az 𝑋 oszlopmátrix elemei, akkor ugyanezen vektor 𝐵 bázisra vonatkozó koordinátái
megkaphatók az 𝑆 −1 𝑋 oszlopmátrix elemeiként. Ehhez persze ki kell számolnunk az 𝑆 mátrix
inverzét, melyet az 𝐴 − 𝑟ó𝑙 𝐵-re történő bázisátmenethez tartozó koordináta-transzformáció
mátrixának is szokás nevezni. Nyilván ez csak akkor éri meg, ha több vektornak is tudni
akarjuk az új bázisra vonatkozó koordinátáit.
Végül megadjuk, hogy báziscsere után hogyan változik egy lineáris transzformáció mátrixa:
ha a 𝜑 lineáris transzformáció A bázisra vonatkozó mátrixa 𝑀, akkor a 𝐵 bázisra vonatkozó
mátrixa 𝑆 −1 𝑀𝑆.
Azt mondjuk, hogy az 𝐴 é𝑠 𝐵 𝑛 × 𝑛 típusú 𝑇 test feletti mátrixok hasonlók, ha van olyan
𝑆 szintén 𝑛 × 𝑛 típusú T feletti mátrix, hogy 𝐵 = 𝑆 −1 𝐴𝑆. A hasonló mátrixok tehát
tekinthetők, mint ugyanazon lineáris transzformációk különböző bázisokra vonatkozó
mátrixai. Igazolható, hogy hasonló mátrixok determinánsai és rangjai is egyenlők.
52

Ektorterek Szabadvektorok: Lineáris Algebra MEMOOC

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ektorterek Szabadvektorok: Lineáris Algebra MEMOOC

Uploaded by

Copyright:

Available Formats

Lineáris algebra MEMOOC

Középiskolai tanulmányainkban a vektor egy nyílnak elképzelt irányított szakaszt jelentett.

A szabadvektorokat ezentúl (az esetek többségében) az ábécé aláhúzott kisbetűivel fogjuk

Az alábbiakban megvizsgáljuk a szabadvektorok összeadásának néhány tulajdonságát. Mivel

Jelölje V a tér szavadvektorainak halmazát. Ekkor teljesülnek a következők:

O1: A V halmazon értelmezve van az összeadás, azaz V bármely két 𝑎, 𝑏 eleméhez

O2: A V-beli összeadás asszociatív, azaz bármely 𝑎, 𝑏, 𝑐 ∈ 𝑉 esetén (𝑎 + 𝑏) + 𝑐 = 𝑎 + (𝑏 + 𝑐).

Az asszociatív tulajdonság az alábbi ábra segítségével könnyen ellenőrizhető. A bal oldalin

O3: A V-beli összeadás kommutatív, azaz bármely 𝑎, 𝑏 ∈ 𝑉 esetén 𝑎 + 𝑏 = 𝑏 + 𝑎.

A kommutativitás ellenőrzéséhez az alábbi ábrát ajánljuk.

Ezt az elemet 0-val (vagy 0−-val) fogjuk jelölni és nullvektornak nevezzük.

Esetünkben a nullvektor mindazon irányított szakaszokból álló szabadvektor, melyek kezdő-

Ekkor b-t az a ellentettjének fogjuk nevezni, és helyette −a-t fogunk írni.

A −a− szabadvektor reprezentánsai a− reprezentánsaival megegyező nagyságú, de ellentétes

Az ellentett vektor létezésének köszönhetően lehetővé válik a V-beli elemek különbségének

Mint azt az alábbi ábra mutatja, ha az a− és b− szabadvektoroknak vesszük egy közös O

A szabadvektorok összeadásának az előző leckében tárgyalt tulajdonságai vélhetően nem

Legyen V most is a tér szabadvektorainak halmaza, és legyen T a skalárok (jelen esetben a

Minden 𝑎, 𝑏 ∈ 𝑉 és 𝜆, 𝜇 ∈ 𝑇 esetén teljesülnek az alábbiak:

S4: (𝜆𝜇)𝑎 = 𝜆(𝜇𝑎)

A VEKTORTÉR ÉS AZ ALTÉR FOGALMA

A felsőbb matematikában a vektor fogalma az összeadás és skalárral való szorzás

A V nullelemét nullvektornak hívjuk. Az O1-O5 és S1-S5 kikötések azt is garantálják, hogy

Ezt a vektorteret 𝑇 𝑛 -nel jelöljük. Megjegyezzük, hogy 𝑇 𝑛 elemeit gyakran azonosítjuk az

A V vektortér L részhalmazát altérnek nevezzük, ha L maga is vektortér a V-beli

Altérkritérium: A V vektortér L nemüres részhalmaza pontosan akkor altér, ha ha zárt az

Tekintsük egy vektortér tetszőleges számú alterét és jelölje H mindezek metszetét. Ha 𝑎, 𝑏 ∈

Keressünk altereket az előbbi példánkban szereplő vektorterekben!

1. A térbeli szabadvektorok vektorterében egy rögzített egyenessel vagy síkkal párhuzamos

halmaz altere ℝ3 -nak.

Legyenek 𝑎1 , 𝑎2 , … , 𝑎𝑛 a V vektortér vektorai, és 𝜆1 , 𝜆2 , … , 𝜆𝑛 adott skalárok. Ekkor a

vektort az 𝑎1 , 𝑎2 , … , 𝑎𝑛 vektorok (𝜆1 , 𝜆2 , … , 𝜆𝑛 együtthatókkal képzett) lineáris

Az alábbi ábrán az a− és b− szabadvektorok 2a−−12b− lineáris kombinációja látható. Itt az

Vajon a sík bármely szabadvektora előállítható az a− és b− vektorok lineáris

Tekintsük az 𝑎1 = (1,2,3), 𝑎2 = (−1,4,7) és 𝑎3 = (1, −2,1) vektorokat az ℝ3 térből.

𝑏 = 𝜆1 𝑎1 + 𝜆2 𝑎2 + 𝜆3 𝑎3 = −2(1,2,3) + (−1,4,7) − 3(1, −2,1) =

Megfordítva a gondolatmenetet, igazolva van, hogy a (−6,6, −2) vektor felírható az 𝑎1 , 𝑎2 , 𝑎3

Legyen V vektortér és H egy nemüres vektorrendszere V-nek. Bizonyítható, hogy a H

• egy vektort szorzunk egy nemnulla skalárral,

ugyanis ezekben az esetekben a régi és az új vektorrendszer vektorai összes lineáris

egyenletrendszer megoldása vélhetően senki számára nem okoz gondot. Középiskolában

Mivel tetszőleges számú ismeretlen lehet, 𝑥, 𝑦, … helyett célszerű azokat mondjuk 𝑥1 , 𝑥2 , …

Mostmár készen állunk a lineáris egyenletrendszer fogalmának megalkotására.

𝑚 × (𝑛 + 1) típusú mátrixot pedig az egyenletrendszer kibővített mátrixának nevezzük.

Azt mondjuk, hogy a lineáris egyenletrendszer megoldható, ha létezik olyan T elemeiből

Ily módon a fenti kétismeretlenes lineáris egyenletrendszer megoldható, és megoldása az

Két lineáris egyenletrendszert ekvivalensnek mondunk, ha megoldáshalmazaik megegyeznek.

• egyenlet szorzása nullától különböző konstanssal,

Ebből következően, ha egy lineáris egyenletrendszer kibővített mátrixán elemi

A kapott lépcsős alakú mátrix a

lineáris egyenletrendszerhez tartozik, amely a megoldandó egyenletrendszerünkkel

2. példa: Hagyjuk el a 3. egyenletet a fenti lineáris egyenletrendszerből, és oldjuk meg az így

A szóban forgó 3 ismeretlenes, 2 egyenletből álló egyenletrendszer kibővített mátrixa, illetve

a lépcsős alakhoz tartozó egyenletrendszer (mely természetesen ekvivalens az eredetivel)

adódik. Az első egyenletből pedig 𝑥1 -et fejezhetjük ki:

Összefoglalva: ha a lépcsős alakú mátrixhoz tartozó egyenletrendszerben az egyenleteken

3. példa: konstruáljunk ellentmondásos egyenletrendszert, majd nézzük meg, hogy a Gauss-

egyenletrendszert! Mindkét egyenlet bal oldala , és világos, hogy ez nem lehet

melynek lépcsős alakja

Az ehhez tartozó, eredetivel ekvivalens egyenletrendszer a következő:

A második egyenletből az ellentmondás rögtön látszik.

VEKTOROK LINEÁRIS FÜGGŐSÉGE

Legyenek 𝑎1 , 𝑎2 , … , 𝑎𝑛 adott vektorai a 𝑉 vektortérnek. Most nézzük meg, hogy milyen