Professional Documents
Culture Documents
det ( AT ) = det ( A)
det ( A−1 ) =
1
det ( A)
( A B)
−1
= B−1 A−1
( A B) = BT AT
T
(A ) =(A )
−1 T T −1
1
A−1 = adj( A)
det ( A)
( A + B) = AT + BT
T
adj( AT ) = ( adj( A) )
T
sign ( ) = sign ( −1 )
a | b = a b cos ( )
a | a = a
2
a | b = a | b
a + c | b = a | b + c | b
v|u
proju ( v ) = u
u|u
reju ( v ) = v − proju ( v )
v | s1 v | s2 v | sn
projspan( s1 ,s2 ,...,sn ) ( v ) = s1 + s2 + + sn
s1 | s1 s2 | s2 sn | sn
1
Tomáš Hauser
Projekce vektoru x na podprostor, u kterého neznáme ortogonální bázi a matice A je jakoukoliv bází
tohoto prostoru:
a) S metrickým tensorem:
projW ( x ) = A ( AT G A) AT G x
−1
projW ( x ) = A ( AT A) AT x
−1
s | p − p
( p, ) = ( p − p ) − s
s|s
det ( s1 , s2 , p − p )
( , ) =
Gram ( s1 , s2 )
det ( s, s, p − p )
( , ) =
Gram ( s, s )
Cauchy-Schwarz-Bunyakovski nerovnost:
x| y x| x y| y
Trojúhelníková nerovnost:
x+ y x + y
Av = v
2
Tomáš Hauser
Důkazy identit
( A B)
−1
= B−1 A−1
A B = A B
Vezmeme inversi z obou stran.
( A B) = ( A B)
−1 −1
( A B) ( A B)
−1
= En
A−1 A B ( A B ) = A−1
−1
B ( A B ) = A−1
−1
( A B)
−1
= B−1 A−1
1
A−1 = adj( A)
det ( A)
det ( A) = adj( A) A
( ) ( )
Můžeme si všimnout, že det det ( A) je vlastně det det ( A) En , kde det ( A) je číslo, takže
( )
můžeme použít det ( k Ann ) = k n det ( A) , takže máme det ( A) det ( En ) = det ( A) . ( )
n n
( det ( A) )
n
= det ( adj ( A ) )
det ( A )
3
Tomáš Hauser
det ( k A ) = sign ( ) k a ( )
Sn
1 ,1
k a ( 2),2 ... k a ( n ),n ,
det ( k A ) = sign ( ) k
Sn
n
a (1),1 a ( 2),2 ... a ( n ),n = k n sign ( ) a (1),1 a ( 2),2 ... a ( n ),n ,
Sn
což je k n det ( A) .
a | a = a
2
a1 a1 a1 a1
2
a | a = aT a = ( a1 ,..., an ) = =
a a a a2
n n n n
a | b = a | b
b1 b1
a | b = ( a ) b = ( a1 ,..., an ) = ( a1 ,..., an ) = a | b
T
b b
n n
a + c | b = a | b + c | b
b1 b1 b1
a + c | b = ( a + c ) b = ( a1 + c1 ,..., an + cn ) = ( a1 ,..., an ) + ( c1 ,..., cn ) = a | b + c | b
T
b b b
n n n
det ( A−1 ) =
1
det ( A)
1
A−1 = adj( A)
det ( A)
1
det ( A−1 ) = det
det ( A)
(
adj ( A) = det ( det ( A) ) det ( adj ( A) )
−1
)
( ) ( )
n −1
A protože det adj ( A) = det ( A) , tak musí platit
4
Tomáš Hauser
adj( AT ) = ( adj( A) )
T
1
A−1 = adj ( A)
det ( A)
1
det ( A−1 ) = det adj ( A)
det ( A)
1
det ( A−1 ) = det det ( adj ( A) )
det ( A )
1
det ( AT )
= det ( A )
−n
det ( adj ( A() )
T
)
1
det ( A)
n
(
det ( A) = det ( adj ( A) )
T
)
1
det ( A )
T
det ( AT ) = det ( adj ( A) )
n
(
T
)
( det ( A )) ( )
n −1
= det ( adj ( A) )
T T
(
= det ( adj ( A) ) det ( AT ) ) ( ) , musí platit
n −1
( )
n −1
a protože det ( A) = det adj ( A)
T
( ) (
det adj ( AT ) = det ( adj ( A) )
T
)
adj ( AT ) = ( adj ( A) ) .
T
det ( A−1 ) =
1
det ( A)
A−1 A = En
det ( A−1 ) =
1
det ( A)
5
Tomáš Hauser
( A B) = BT AT
T
T
n n n
a1i bi1 a1i bi 2 a1i bin
i =1
T i =1 i =1
a11 a12 a1n b11 b12 b1n
n n n
( A B)
a
= 21
a22 a2 n b21 b22
b2 n a b
= i =1 2i i1
a bi 2 a2i bin
=
T 2i
i =1 i =1
an1 an 2 ann bn1 bn 2 bnn n n n
a b
ni i1 a ni bi 2 ani bin
i =1 i =1 i =1
n n n
n n n
a1i bi1 a2i bi1 a ni bi1 bi1 a1i bi1 a2i b i1 ani
i =1 i =1 i =1
i =1 i =1 i =1
n n n
n n n
a b
= i =1 1i i 2
a2i bi 2 a bi2
= bi 2 a1i b a2 i bi 2 ani
=
ni i2
i =1 i =1 i =1 i =1 i =1
n n n n n n
a b b a
1i in a2i bin a ni bin in 1i b in a2i bin ani
i =1 i =1 i =1 i =1 i =1 i =1
( A + B) = AT + BT
T
T
a11 b1n a11 + b11 a12 + b12 a1n + b1n
T
a12 a1n b11 b12
a a22 a2 n b21 b22 b2 n a +b a22 + b22 a2 n + b2 n
( A + B) = 21 + = 21 21 =
T
an1 an 2 ann bn1 bn 2 bnn an1 + bn1 an 2 + bn 2 ann + bnn
a11 + b11 a21 + b21 an1 + bn1 a11 a21 an1 b11 b21 bn1
a +b a22 + b22 an 2 + bn 2 a12 a22 an 2 b12 b22 bn 2
= 12 12 = + = AT + BT
a1n + b1n a2 n + b2 n ann + bnn a1n a2 n ann b1n b2 n bnn
6
Tomáš Hauser
29. 1. 2019
Část A:
7
Tomáš Hauser
Část B:
Definujte pojem skalární součin na obecném lineárním prostoru L nad . Pozor, nedefinujte
standardní skalární součin.
Část C:
4 4
Ať T je seznam vektorů z nad a ať p je přímka v :
8
Tomáš Hauser
Výsledky:
Část A:
1. d)
Množina je uzavřená na sčítání i násobení a obsahuje nulu – třeba 0x 2 .
2. a)
Lineární kombinace této množiny je a1 v + a2 ( w + u ) + a3 ( w − v + u ) = o a pro nenulové
koeficienty a1 = 1, a2 = −1, a3 = 1 vychází nulový vektor, takže je lineárně závislá.
3. d)
Víme, že je zobrazení lineární a že platí f ( v ) = v a f ( w) = w . Pro lineární kombinaci
v + w můžeme tedy napsat
f ( v + w) = f ( v ) + f ( w) = v + w = ( v + w) ,
tedy zkráceně f ( v + w) = ( v + w) .
4. a)
Využijeme identity det ( k A) = k A , kde n je rozměr matice. Dostáváme
n
9
Tomáš Hauser
Část B:
Nechť A : n
⎯⎯
→ n
je lineární zobrazení se čtvercovou maticí A . Předpokládejme, že platí
rovnost x x = A x A x . Potom z definice skalárního součinu vyplývá
x x = A x A x , x, x
xT x = ( A x ) A x
T
xT x = AT xT A x
xT En x = xT AT A x
AT A = En
det ( AT A) = det ( En )
det ( AT A) = 1
det ( AT ) det ( A) = 1
det ( A) det ( A) = 1
det 2 ( A) − 1 = 0
10
Tomáš Hauser
Část C:
2
1
p1 = ,
−1
0
2 2
3 1
| >
2 1 −1 2 0
− = ,
3 0 0 1 2
p2 =
1 2 2 −1 2
0 1 | 1 > 0 0
−1 −1
0 0
2 0 −1
1 2 1
Ortogonální báze k T je tedy P = ( , , ) .
−1 2 −1
0 0 3
11
Tomáš Hauser
2 2 1 2 2 2 1 2
1 3 4 1 1 3 4 1
| | | |
−1 1 0 −1 −1 1 0 −1
( span (T ) , p ) =
0 0 3 4 0 0 3 4 48
= = = 2.
2 2 1 6 6 6 24
2 1 −1 0
1 3 4 | 6 14 14 |
| 2 3 1 0 |
1 4 0 3 −1 1 0
6 14 26
0
0 3
12
Tomáš Hauser
21.1.2020
Část A:
b) (1,1,...,1)
T
13
Tomáš Hauser
Část B:
Definujte pojmy skalární součin a kolmost dvou vektorů vzhledem ke skalárnímu součinu na obecném
lineárním prostoru L nad .
Ať a a b jsou dva různé nenulové vektory v lineárním prostoru L nad se skalárním součinem
− | − . Jestliže a a b jsou na sebe kolmé, potom a , b jsou lineárně nezávislé.
Ať f : 2
⎯⎯
→ 2
je lineární zobrazení, ať B, C, D jsou báze prostoru 2
. Dále
2 3 1 3
M = je matice f vzhledem k bázím B a C , N = je matice f vzhledem k D a C .
3 1 −1 5
16
Pro vektor x platí coord B ( x ) = . Spočtěte coord D ( x ) .
2
8
0 1 0 −8 4 −8 2 2 1
Ať A = 1 1 1 , B = 8 −4 8 a C = 1 3 2 jsou reálné matice, X ať je neznámá
0 1 0 −8 4 −8 0 1 2
reálná matice komutující s maticí A . Vyřešte maticovou rovnost X C = A X + B .
14
Tomáš Hauser
Výsledky
Část A:
1. c)
Pokud x1 , x2 M , tak platí f ( y1 ) = x1 , f ( y2 ) = x2 pro nějaká y1 , y2 z L1 . Potom platí
3 x1 − 2 x2 = 3 f ( y1 ) − 2 f ( y2 ) = f ( 3 y1 ) − f ( 2 y2 ) = f ( 3 y1 − 2 y2 ) = f ( 3 x1 − 2 x2 )
a tím pádem je 3 x1 − 2 x2 v množině M .
2. b)
Pokud vektory z báze převedeme do sloupců čtvercové matice, bude vždy regulární. Je to
proto, že báze generuje celý prostor, a tak pro jakýkoliv vektor z toho prostoru musí mít
soustava řešení, a to právě souřadnice. Funguje to logicky i naopak. Každá regulární
čtvercová matice má sloupce tvořící uspořádanou bázi prostoru rozměru matice.
Potřebujeme se tedy ujistit, že det ( M M ) je také nenulový.
Protože det ( M M ) = det ( M ) det ( M ) = det ( M ) , je logické, že je tato možnost
2
15
Tomáš Hauser
Část B:
Ať a a b jsou dva různé nenulové vektory v lineárním prostoru L nad se skalárním součinem
− | − . Předpokládejme, že jsou na sebe a a b kolmé. Vezměme lineární kombinaci vektorů a a
b
1 a + 2 b = o .
Vezměme skalární součin s vektorem a z obou stran
1 a + 2 b | a = o | a
1 a | a + 2 b | a = o .
Protože z definice skalárního součinu platí a | a 0 a a | a = 0 pouze a jen tehdy, když a = o
. Víme však, že a o , a proto tedy platí a | a 0 . Platí proto 1 = o .
Vezměme skalární součin s vektorem b z obou stran
1 a + 2 b | b = o | b
1 a | b + 2 b | b = o .
Protože z definice skalárního součinu platí b | b 0 a b | b = 0 pouze a jen tehdy,
když b = o . Víme však, že b o , a proto tedy platí b | b 0 . Platí proto 2 = o .
Protože platí 1 = 2 = o , jsou vektory a, b lineárně nezávislé.
16
Tomáš Hauser
X C = A X + B
X C = X A + B
X C − X A = B
X ( C − A) = B
17
Tomáš Hauser
16.1.2020
Část A:
1. Ať v1 , v2 jsou lineárně nezávislé vektory v lineárním prostoru L nad . Pak je nutně pravda:
a) Vektory v1 a r v2 jsou pro libovolné r z lineárně nezávislé.
b) Vektory v1 a v1 − v2 jsou lineárně nezávislé.
c) Každá lineární kombinace vektorů v1 a v2 je rovna nulovému vektoru.
d) Každý vektor z L lze napsat jako lineární kombinaci vektorů v1 a v2 .
2. Ať B je matice typu 3 3 a ať soustavy ( B | e1 ) , ( B | e2 ) a ( B | e3 ) mají každá právě jedno
řešení (popořadě a1 , a2 a a3 ). Pak musí být nutně pravda:
a) det ( 3 B ) = 0 .
( )
b) det B 3 0 .
c) K matici B existuje matice inversní.
d) Seznam vektorů ( a1 , a2 , a3 ) je lineárně závislý.
3. Ať pro reálné matice A a B rozměrů 2 2 platí rovnost ABT = BT A . Potom je nutně
pravda:
a) ( A− B ) = A −(B )
T 2 2 T 2
( A − B) = A − 2A B + B
T 2 2 T 2
b)
c) ( A − B ) = A − 2 AB + ( B )
T 2 2 T T 2
d) ( A − B ) = ( A ) − 2A B + ( B )
T T 2 T 2 T T T 2
Část B:
Definujte pojmy afinní podprostor lineárního prostoru L nad a dimense afinního podprostoru.
Dokažte nebo vyvraťte následující tvrzení:
Ať je dáno A : s
⎯⎯
→ r
a ať b je v im ( A ) . Potom množina v s
| Av = b tvoří afinní
podprostor prostoru s
dimense def ( A ) .
Část C pro LAGA: (LAG měla ortogonální rejekci, ale nemáme zadání.)
V prostoru 3
se skalárním součinem − | − s metrickým tensorem G ortogonalisujte seznam
1 0 0 4 3 0
vektorů ( e1 , e2 , e3 ) , kde e1 = 0 , e2 = 1 , e3 = 0 , G = 3 4 0 .
0 0 1 0 0 9
Výsledný ortogonální seznam zapište jako ( v1 , v2 , v3 ) .
18
Tomáš Hauser
Část A:
1. b)
U lineární kombinace a1 v1 + a2 ( v1 − v2 ) = o neexistuje netriviální řešení a seznam je tak
lineárně nezávislý.
2. c)
Pokud je A čtvercová a má pouze jedno řešení pro nějaký nenulový vektor, je invertibilní.
3. c)
Roznásobování závorek s maticemi je v podstatě stejné, jako s proměnnými, ale je potřeba
brát v potaz obecnou nekomutativitu násobení matic a dodržovat tak pořadí násobení.
( A − B ) = ( A − B )( A − B ) = A
T 2
− ABT − BT A + ( BT ) = A2 − ABT − ABT + ( BT ) = A2 − 2 ABT + ( BT )
T T 2 2 2 2
4. d)
Vyplývá z definice hodnosti zobrazení. Dimense obrazu nemůže být vyšší než dimense
výsledného prostoru.
Část B:
Toto přímo vyplývá z Frobeniovy věty, kterou stačí korektně citovat a už není potřeba ji dokazovat.
Část C:
Provedeme Gram-Schmidtův ortogonalisační proces, ale pro skalární součin použijeme vzorec
x | y> = xT G y , kde G je metrický tensor.
1
v1 = e1 = 0
0
4 3 0 1
( 0 1 0) 3 4 00
0 0 −3 / 4 −3 −3
9 0
Změna velikosti nemění
0
v2 = 1 − = 1 = 4 1 4
ortogonalitu, a tak se můžeme
0 4 3 0 1 0 0 jednoduše zbavit zlomků.
1 0 0 3 0
( ) 4 00
0 9 0
0
4 3 0 −3 4 3 0 1
( 0 0 1) 3 4
0 4 ( 0 0 1) 3 4
0 0
0 0 −3 1 0
0 9 0 0
0 9 0
v3 = 0 − 4 − 0 = 0 .
1 4 3 0 −3 4 3 0 1
−3 4 0 3 0
(1 0 0 ) 3 0
0 0
1
( ) 4 0 4 4
0 9 0 0 9 0
0 0
1 −3 0
Hledaný ortogonální seznam je ( 0 , 4 , 0 ) .
0 0 1
19
Tomáš Hauser
11.6.2019
Část A:
1. Ať f : 4
⎯⎯
→ 4
je lineární zobrazení. Vyberte nutně pravdivé tvrzení:
a) Pokud má f jádro celé 4 , pak matice zobrazení f není diagonalisovatelná.
b) Pokud je f monomorfsmus, pak je f i isomorfismus.
c) Zobrazení x → f ( x ) + e1 je také lineární.
d) Pokud má f hodnost 3 , pak f je monomorfismus.
2. Ať S = ( s1 ,..., sm ) , 2 m n , je lineárně nezávislý seznam vektorů z n
. Vyberte nutně
pravdivé tvrzení:
n
a) Seznam S nemůže generovat .
n
b) Seznam S nemůže být bází .
n
c) Ať ze seznamu S odebereme jakýkoli vektor, bude nově vzniklý seznam generovat .
d) Ať ze seznamu S odebereme jakýkoli vektor, bude nově vzniklý seznam lineárně
nezávislý.
3. Ať má soustava lineárních rovnic A x = b právě jedno řešení. Potom nutně platí:
a) Vektor b je nutně nulový.
b) Matice A má více sloupců než řádků.
c) Soustava lineárních rovnic A x = o má právě jedno řešení.
d) Matice A je čtvercová a determinant matice A je nenulový.
4. Pro lineární prostor L nad a jeho libovolné podmnožiny M a N vždy platí:
a) span ( M ) span ( L / M ) .
b) span ( M N ) span ( M ) span ( N ) .
c) span ( M ) = span ( N ) .
(
d) span ( M N ) span L ( M N ) . )
Část B:
Zformulujte a dokažte Frobeniovu větu o existenci a tvaru řešení soustav lineárních rovnic nad
tělesem .
Část C:
V 3
se standardním skalárním součinem je lineární podprostor W zadán rovnicí 3x + 4 y − z = 0 .
Nalezněte jakoukoliv bázi ( b1 , b2 , b3 ) prostoru 3
tak, aby platilo b1 W a b2 W . Ověřte jakýmkoli
způsobem, že ( b1 , b2 , b3 ) je báze prostoru 3
. Bázi ( b1 , b2 , b3 ) ortogonalisujte Gram-Schmidtovým
ortogonalisačním procesem. Výslednou ortogonální bázi označte ( c1 , c2 , c3 ) a ověřte, že je
ortogonální.
20
Tomáš Hauser
Výsledky
Část A:
1. b)
Pokud je f monomorfismus, tak platí def ( f ) = 0 . Protože
rank ( f ) = dim ( L1 ) − def ( f ) = 4 , platí rank ( f ) = dim ( L2 ) a zobrazení je tedy
epimorfismus a proto zároveň isomorfismus.
2. d)
Kdyby toto neplatilo, tak by byl původní seznam lineárně závislý, protože bychom místo
odebrání odebíraný vektor vynulovali, použili ty samé koeficienty a seznam by tak byl
lineárně závislý.
3. c)
Pokud má soustava A x = b jen jedno řešení, je buď b nulový – v tom případě c) stejně platí,
protože vlastně kopíruje otázku. Pokud je b nenulový, tak má soustava A x = o pouze
triviální řešení, protože sloupce takové matice, aby bylo jen jedno řešení pro nenulový vektor
musí být lineárně nezávislé a jejich lineární kombinace může být jen triviální. Pozor na
možnost d). I nečtvercové matice mohou mít jen jedno řešení (pokud majínulový poslední
řádek i poslední položku vektoru b , splňují podmínku rank ( A) = rank ( A | b ) z Frobeniovy
věty)
( )
4. Množina span L ( M N ) bude vždycky větší než span ( M N ) , protože vůbec
nezáleží na velikosti M N napravo. Jedná se totiž o spojení L , které je fundamentálně
větší než kterékoliv jeho podmnožiny a jelikož se jedná o operátor inklusivní podmnožiny,
neexistuje způsob, jak by levá strana mohla být větší než pravá.
Část B:
(1):
Mějme matici A : s
⎯⎯
→ r
ve sloupcovém zápisu ( a1 ,..., as ) a vektor b z r
(
. Tvrdíme, že A | b )
má řešení právě a jen tehdy, když rank ( A) = rank A | b . ( )
( )
Víme, že A | b má řešení právě a jen tehdy, když b im ( A ) . Protože im ( A) = span ( a1 ,..., as ) ,
platí, že ( A | b ) má řešení právě a jen tehdy, když b span ( a ,..., a ) . Stačí tedy dokázat, že
1 s
( )
Protože b span ( a1 ,..., as ) právě a jen tehdy, když span ( a1,..., as ) = span a1,..., as , b , stačí
( )
dokázat, že platí span a1,..., as , b = span ( a1,..., as ) právě a jen tehdy, když
rank ( A) = rank ( A | b ) .
Směr :
( ) ( ) (
To je jasné, protože rank ( A) = dim span ( a1,..., as ) a rank A | b = dim span a1,..., as , b ( )) .
21
Tomáš Hauser
Směr :
( ) ( ) ( (
Ať rank ( A) = rank A | b . To znamená, že platí dim span ( a1,..., as ) = dim span a1,..., as , b )) .
( ) ( (
Protože dim span ( a1,..., as ) je lineárním podprostorem prostoru dim span a1,..., as , b )) stejné
( ) ( (
dimense, platí dim span ( a1,..., as ) = dim span a1,..., as , b )) .
(2):
(i) Ax = A ( p + xh ) = Ap + Axh = Ap + 0 = b + o = b
Část C:
Vybereme dva lineárně nezávislé vektory, které sedí do rovnice 3x + 4 y − z = 0 . Zvolme třeba
4 3
b1 = −3 , b2 = 0 . Započněme Gram-Schmidtův ortogonalisační proces. Můžeme využít
0 3
nezávislosti velikosti vektoru na ortogonalitě a zbavit se tak výsledných zlomků.
4
c1 = b1 = −3
0
3 4
0 | −3
3 3 0 4 3 12 4 1 27 9
c2 = 0 − −3 = 0 − −3 = 36 12
3 4 4 25 25 25
−3 | −3 0 3 0 75
0 0
Třetí vektor je možná jednodušší získat vektorovým součinem.
22
Tomáš Hauser
4 9
−3 | 12 = 4 9 + ( −3) 12 = 0
0 25
4 −3
−3 | −4 = 4 ( −3) + ( −3) ( −4 ) = 0
0 3
9 −3
12 | −4 = 9 ( −3) + 12 ( −4 ) + 25 3 = 0 .
25 3
4 −3 9
Hledaný seznam je ( −3 , −4 , 12 ) .
0 3 25
23
Tomáš Hauser
5.2.2019
Část A:
b) det ( 26 A) = 26 det ( A) .
det ( 26 A) = 26 ( det ( A) ) .
n
c)
d) det ( 26 A) = 26 det ( A) .
n
24
Tomáš Hauser
Část B:
Část C:
1 2
Nechť f , g : 2
⎯⎯
→ 2
jsou lineární zobrazení. Mějme uspořádané báze A = ( , ) ,
2 1
1 1
B = ( , ) . Matice zobrazení f vzhledem k bázi A a matice zobrazení g vzhledem k bázi B
1 2
1 2 3 3
jsou popořadě , . Nalezněte matici zobrazení f g vzhledem k bázi A . Nalezněte
2 3 2 4
3
coord A .
3
25
Tomáš Hauser
Výsledky
Část A:
1. c)
A7 = A6 A = O A = O .
2. a)
Pokud f posílá tři různé vektory na nulu, tak je nejpříznivější podmínka pro obraz, kdyby byly
všechny lineárně závislé. Tím pádem by byl defekt roven jen jedné a obraz by byl roven 2.
Nikdy však nedosáhne na trojku, protože by se muselo jednat o monomorfismus, a to
v tomto případě nejde.
3. b)
Protože jsou vektory e1 a e2 lineárně nezávislé, musí platit rank ( A) = 2 = dim ( L2 ) a
zároveň def ( A) = dim ( L1 ) − rank ( A) = 2 − 2 = 0 . Matice A je tedy isomorfní a pro
všechna b ze span ( e1, e2 ) má soustava A x = b právě jedno řešení.
4. d)
Vyplývá z identity det ( k Ann ) = k Ann .
n
Část B:
(
platí f ( v ) = o . Odtud f ( o ) = f f ( v ) = f ) f ( v ) = o . Celkově tak platí, že pokud v ker ( f ) ,
tak v ker ( f f ) , z čehož vyplývá ker ( f ) ker ( f f ).
Část C:
1 2 1 1 1 2 3 3
A = ( , ) , B = ( , ) , f A = , g B =
2 1 1 2 2 3 2 4
Abychom mohli spočítat f g , musíme mít obě zobrazení vzhledem ke stejné bázi. Převedeme třeba
g B na g A . K tomu je potřeba spočítat g A = TA B g B TB A, takže hledáme matice TA B a
TB A. Najdeme jako první třeba TB A. K tomu potřebujeme vyjádřit vektory v bázi B pomocí
vektorů v bázi A , takže dostáváme
1 2 1 1 2 1 1 1 3
TB A = (b1 A , b2 A ) = ( , ) = .
2 1 1 2 1 2 3 1 0
0 −1/ 3 0 3
T
= (TB→ A )
−1
TA = −3 = .
−1 1/ 3 1 −1
B
26
Tomáš Hauser
1 1 3 3 3 0 3 5 4
g A = TA g B TB = TB g B TA = = .
3 1 0 2 4 1 −1 1 2
B A A B
Hledaná matice f A g A je
5 4 1 2 13 22
f A g A = g A f A = = .
1 2 2 3 5 8
3 1 1 2 3
Hledané souřadnice jsou coord A ( ) = , protože 1 + 1 = .
3 1 2 1 3
27
Tomáš Hauser
28. 1. 2019
Část A:
1. Nechť f : ⎯⎯3
→ 3 je lineární zobrazení. Vyberte nutně pravdivé tvrzení:
a) Pokud je f monomorfismus, pak je f i isomorfismus.
3
b) Pokud má f jádro celé , pak matice zobrazení f není diagonalisovatelná.
c) Zobrazení x f ( x ) + e1 je také lineární.
d) Pokud je f nilpotentní, pak má hodnost 3 .
2. Nechť je S = ( s1 ,..., sm ) , 2 m n , lineárně nezávislý seznam vektorů z n
. Vyberte nutně
pravdivé tvrzení:
n
a) Seznam S může být bází .
b) Seznam S nemůže generovat n .
c) Ať ze seznamu S odebereme jakýkoli vektor, bude nově vzniklý seznam lineárně
nezávislý.
n
d) Ať ze seznamu S odebereme jakýkoli vektor, bude nově vzniklý seznam generovat .
3. Mějme soustavu lineárních rovnic A x = b s čtvercovou maticí A . Rozhodněte, které
z následujících tvrzení platí:
a) Pokud má soustava více řešení, podle Cramerovy věty nalezneme řešení nulové.
b) Pokud má soustava právě jedno řešení, pak má i soustava ( A A) x = b právě jedno
řešení.
c) Pokud soustava nemá řešení, může mít řešení soustava ( A A) x = b .
d) Determinant matice A je nutně nenulový.
3
4. Mějme dán lineární prostor se standardním skalárním součinem a v něm uspořádanou
ortogonální bázi B = ( b1 , b2 , b3 ) . Potom platí:
a) Vektory b1 , b2 , b3 , jsou nutně jednotkové.
b) Nikdy nemůže platit rovnost b2 | b2 = 0 .
c) Existuje vektor z 3 , který lze zapsat dvěma různými způsoby jako lineární kombinace
vektorů z báze B .
d) Projekce vektoru b3 na rovinu zadanou vektory b1 a b2 je nutně nenulová.
28
Tomáš Hauser
Část B:
Část C:
1 2 1
→ 3 a seznam vektorů B = ( b1 , b2 , b3 ) = ( 2 , 5 , 3 ) . Víte,
Je dáno lineární zobrazení f : 3 ⎯⎯
2 3 2
2 2 0
že platí rovnosti f ( b1 ) = 4 , f ( b2 ) = 6 , f ( b3 ) = 0 . Nalezněte matici zobrazení f vzhledem
4 3 1
k bází . Dále nalezněte souřadnice nějakého vlastního vektoru zobrazení f příslušeného vlastnímu
B
číslu 2 vzhledem k bázi K 3 .
29
Tomáš Hauser
Část A:
1. a)
Pokud je f monomorfismus, tak platí def ( f ) = 0 . Protože
rank ( f ) = dim ( L1 ) − def ( f ) = 3 , platí rank ( f ) = dim ( L2 ) = 3 a zobrazení je tedy
epimorfismus a proto zároveň isomorfismus.
2. c)
Kdyby toto neplatilo, tak by byl původní seznam lineárně závislý, protože bychom místo
odebrání odebíraný vektor vynulovali, použili ty samé koeficienty a seznam by tak byl
lineárně závislý.
3. b)
Vzhledem k tomu, že je matice čtvercová, musí být v případě jednoho řešení i regulární.
Regularita je imunní vůči mocnění, protože pokud platí det ( A) 0 , tak musí nutně platit
det ( A A) = det ( A) det ( A) = det 2 ( A) 0 . Jinými slovy – nelze determinant mocněním
matice vynulovat, protože se jedná o mocnění nenulového čísla. Nově vzniklá rovnice má tak
řešení
4. b)
Definice skalárního součinu říká x | x 0 a x | x = 0 právě a jen tehdy, když x = 0 .
Vektory v bázi však nemohou být nulové, a proto nemůže platit b2 | b2 = 0 .
Část B:
1. Ať A je čtvercová matice. Předpokládejme, že je diagonalisovatelná. Potom existují matice D a
P takové, že platí A = P−1 D P . Pro matici A2 platí
0 1 0 1 0 1 0 0
2. Ať A je čtvercová matice. Zvolme A = . Potom A =
2
= . Matice
0 0 0 0 0 0 0 0
A2 je diagonální. Matice A však ne. Druhé tvrzení proto neplatí.
30
Tomáš Hauser
Část C:
1 2 1 2 2 0
B = ( b1 , b2 , b3 ) = ( 2 , 5 , 3 ) , f ( b1 ) = 4 , f ( b2 ) = 6 , f ( b3 ) = 0
2 3 2 4 3 1
Teď je otázka, zda budeme věřit zadání, že má matice f B vlastní číslo opravdu 2 . Na ověření není
nic složitého. Musí totiž platit
det ( f B − 2 En ) = 0
4 −2 0
4 −2
16 −6 −2 = − ( −2 ) =0.
6 −3
6 −3 0
4 −2 0 0 16 −6 −2 0 8 −3 −1 0 8 −3 −1 0
16 −6 −2 0 0 2 −2 0 0 1 −1 0 0 1 −1 0
6 −3 0 0 6 −3 0 0 0 1 −1 0 0 0 0 0
1
Hledaný vlastní vektor je na příklad 2 . Nyní jej stačí jen převést do kanonické báze.
2
1 2 1 1 7
Hledaný vlastní vektor k vlastnímu číslu 2 je 2 5 3 2 = 18 a matice zadaného zobrazení
2 3 2 2 12
6 −2 0
vzhledem k bázi B je 16 −4 −2 .
6 −3 2
31
Tomáš Hauser
32
Tomáš Hauser
Výsledky
Část A:
1. d)
Každý lineární obal obsahuje nulový vektor, takže se jedná o lineárně závislou množinu. Pro
případ span ( M ) = o slouží definice, která říká, že se jedná o lineárně závislou množinu.
2. d)
Zvolíme-li b = o , vždycky bude existovat triviální lineární kombinace.
3. b)
( 3) ( 3) ⎯⎯
→
6 2 2
Pro takovou dvoudimensionální množinu v musí existovat bijekce 3 .
( n)
m
Protože obecné těleso obsahuje n m vektorů, je jasné, že to musí být 32 .
4. c)
Dimense L1 je přirozeně vždycky větší nebo rovno než dimense jádra, neboť
dim ( L1 ) = dim ( ker ( f ) ) + dim ( im ( f ) ) , kde dim ( im ( f ) ) je vždy kladné číslo.
Část B:
Nechť A : n
⎯⎯
→ n
je čtvercová matice se sloupcovým zápisem ( a1,..., an ) , kde seznam
Z ortonormality ( a1,..., an ) vyplývá, že pro jakýkoliv skalární součin ai | a j , kde i, j 1, 2,..., n
1 0 0 0
𝑖 =𝑗|1 0 1 0 0
platí ai | a j = { , a proto A A =
T
= En a tedy AT = A−1 .
𝑖 ≠𝑗|0 0
0 0 0 1
33
Tomáš Hauser
Část C:
0 1 0
char 0 1 0
( ) = det( −4 4 0 − En ) = 0
−4 4
−2 1 2
0
−2 1 2
− 1 0
− 1
−4 4− 0 = (2 − ) = ( 2 − ) ( − ( 4 − ) + 4 ) = − 3 + 6 2 − 12 + 8
−2 −4 4−
1 2 −
Hornerovo schéma
-1 6 -12 8
-1 -1 7 -19 27
1 -1 5 -7 1
-2 -1 8 -28 56
2 -1 4 -4 0
2 -1 2 0
2 -1 0
( ) = − ( − 2 ) .
3
Charakteristický polynom je tedy char 0 1 0
−4 4 0
−2 1 2
0 − 2 1 0 −2 1 0 −4 2 0 −4 2 0
def( −4 4 − 2 0 ) = def( −4 2 0 −2 1 0 0 0 0 ) = 2 deg(( x − 2 ) )
3
−2 2 − 2 −2 1 0 0 0 0 0 0 0
1
0 1 0
Matice −4 4 0 není diagonalisovatelná, protože se aritmetická násobnost jejího
−2 1 2
charakteristického polynomu nerovná geometrické.
34
Tomáš Hauser
35
Tomáš Hauser
Výsledky
Část A:
1. c)
Matice A je maticí zobrazení A : 4
⎯⎯
→ 5
(
. Pro dim im ( A) platí)
dim ( im ( A) ) = dim ( L1 ) − def ( A) = 4 − 2 = 2 . Abychom však mohli použít možnost c),
musíme dokázat, že ostatní možnosti jsou nepravdivé. Možnost b) zjevně neplatí. Pro
0 1 2 3 0 1 2 3 1
0 0 4 5 0 0 0 1 2
možnost a) je protipříklad 0 0 0 0 a pro možnost d) 0 0 0 0 3 .
0 0 0 0 0 0 0 0 4
0 0 0 5
0 0 0 0 0
2. d)
Pokud je matice čtvercová a má pro nějaký vektor pouze jedno řešení, musí být regulární, a
tedy i invertibilní.
3. a)
Maticový součin má smysl právě a jen tehdy, když je počet sloupců první matice roven počtu
řádků druhé. U součinu Bmn Amm musí platit m = n , což dle zadání neplatí.
4. a)
Seznam (1,i ) je lineárně závislý, protože existuje netriviální řešení lineární kombinace
a1 1 + a2 i = o , a to 1 1 + i i = o .
Část B:
Nechť A je reálná matice typu 2 2 , vektory v1 , v2 její vlastní vektory příslušné různým nenulovým
vlastním hodnotám a1 , a2 . Mějme lineární kombinaci vektorů v1 , v2 se skaláry 1, 2 z
1 v1 + 2 v2 = o .
Vynásobíme rovnost maticí A .
1 A v1 + 2 A v2 = o
Dosadíme dle rovnosti A v = a v .
1 a1 v1 + 2 a2 v2 = o
1 a1 v1 + 2 a1 v2 = o
Vezmeme rozdíl získaných dvou rovností.
1 a1 v1 + 2 a2 v2 − 1 a1 v1 + 2 a1 v2 = o
0 1 a1 v1 + 2 v2 ( a2 − a1 ) = o .
36
Tomáš Hauser
Část C:
2 1 −2 3
B = ( , ), coord B ( v ) = ( ), coord B ( w ) = ( )
1 2 4 1
Protože je determinant imunní vůči změně báze, nemusíme nic převádět. Abychom mohli počítat
projekci, musíme převést přímku na tvar afinního podprostoru.
p: y = x
p:x− y =0
p : (1 − 1| 0 )
1
p : span( )
1
Spočítáme determinant matice A .
−2 1 3 1
| |
1 1 1 1 1 1 2
det( A) = det(( a1 , a2 )) = det( , ) =
4
=0
1 1 1 1 1 1 1 2
| |
1 1 1 1
Determinant matice A je roven nule.
Obrázek:
37
Tomáš Hauser
23.1.2020
Část A:
b) ( 2 a1,2 a2 ,...,2 an )
T
c) ( a1 / 2, a2 / 2,..., an / 2 )
T
Část B:
Ať A a B jsou symetrické matice stejných rozměrů nad tělesem . Potom je matice B A opět
symetrická matice.
38
Tomáš Hauser
Část C:
3
V prostoru se standardním skalárním součinem jsou dány přímky
6 −3 −1 −3
= 3 + span( 2 ) , = −7 + span( 3 ) .
−3 4 4 8
39
Tomáš Hauser
Výsledky
Část A:
1. c)
Ať x je řešením soustavy A x = b o souřadnicích ( x1,..., xn ) a matice A má sloupcový zápis
n
( a1,..., an ) . Potom lze vektor b zapsat jako a x
i =1
i i , tedy lineární kombinaci sloupců
matice A .
2. d)
( )
−1
Ze vzorce pro výpočet matice projekce F = A AT A AT vyplývá, že taková matice musí
být nutně čtvercová, protože pokud je matice A typu m n , tak je výsledná matice
produktem ( m n ) ( n n ) ( n m ) , tedy m m .
Poznámka: na zadání této otázky bylo opravdu špatně vidět, takže je možné, že je v tomto
dokumentu chybně zapsaná.
3. b)
n
Víme, že v = a b . Pro vektor 6 v vzhledem k bázi ( 3 b ,3 b ...,3 b ) spočítejme faktor
i =1
i i 1 2 n
6 v = 3 k v
k = 2.
Výsledné souřadnice tedy musí být ( 2 a1,2 a2 ,...,2 an ) .
T
4. b)
Protože se jedná o epimofrismus, je jasné, že rovnice F x = b musí mít řešení pro jakýkoliv
vektor b z L1 .
40
Tomáš Hauser
Část B:
Předpokládejme, že platí BT AT = ( B A) .
T
( ( A B ) ) = ( ( B A) )
T T T T
A B = B A .
Protože je násobení matic z definice obecně nekomutativní, nemůže tato rovnost vždy platit a součin
B A tedy nemůže být vždy symetrický.
Poznámka: Není potřeba to takhle dokázat – stačí vymyslet protipříklad. Tohle je hlubší pohled na
věc.
Část C:
6 −3 −1 −3
= 3 + span( 2 ) , = −7 + span( 3 )
−3 4 4 8
−3 −3
1. Přímky a jsou mimoběžné, protože vektory 2 a 3 určující jejich směr jsou lineárně
4 8
nezávislé.
2. Hledaná vzdálenost je
7 4
10 | 12
p − p | s s −7 −3 4
( , ) = rejspan ( s , s) ( p − p ) = projspan ( ss ) ( p − p ) =|| s s ||=|| 12 ||= 13.
ss | ss 4 4
−3
12 | 12
−3 −3
41
Tomáš Hauser
42
Tomáš Hauser
Výsledky
Část A:
1. b)
Stačí se podívat, jak je definováno násobení matic. Ať A a B jsou matice typu o m a m n
o sloupcových zápisech ( a1, a2 ,..., am ) , ( b1, b2 ,..., bn ) . Součin A B je matice o sloupcovém
zápisu ( A b1 , A b2 ,..., A bn ) = (( a1 , a2 ,..., am ) b1 , ( a1 , a2 ,..., am ) b2 ,..., ( a1, a2 ,..., am ) bn ) ,
m
kde je j-tý sloupec roven lineární kombinaci a b
i =1
i j , tedy celý seznam vypadá takto
m m m
( ai b1 , ai b2 ,..., ai bn ).
i =1 i =1 i =1
2. c)
Hledáme k takové, že platí k ( v1 + v2 ) = v2 − v1 , tedy
k v1 + k v2 + v1 − v2 = o
( k + 1) v1 + ( k − 1) v2 = o
a protože v1 o a v2 o , muselo by platit k = 1 a zároveň k = −1 .
3. d)
Sloupce matice A mohou být logicky buď lineárně závislé, nebo lineárně nezávislé – žádná
třetí možnost není. Pokud by byly lineárně nezávislé, generovaly by celé 2 , a tak by nutně
musela existovat lineární kombinace – tedy řešení x1 a x2 taková, že A x1 = e1 a A x2 = e2 ,
2
protože e1 i e2 jsou z .
=0
4. b)
det ( ( A − A) B ) = det ( A − A) det ( B ) = 0 det ( B ) = ( det ( A) − det ( A) ) det ( B )
Část B:
Nechť A je reálná matice typu 2 2 , vektory v1 , v2 její vlastní vektory příslušné různým nenulovým
vlastním hodnotám a1 , a2 . Mějme lineární kombinaci vektorů v1 , v2 se skaláry 1, 2 z
1 v1 + 2 v2 = o .
Vynásobíme rovnost maticí A .
1 A v1 + 2 A v2 = o
Dosadíme dle rovnosti A v = a v .
1 a1 v1 + 2 a2 v2 = o
1 a1 v1 + 2 a1 v2 = o
Vezmeme rozdíl získaných dvou rovností.
43
Tomáš Hauser
1 a1 v1 + 2 a2 v2 − 1 a1 v1 + 2 a1 v2 = o
0 1 a1 v1 + 2 v2 ( a2 − a1 ) = o .
Část C:
0
Zobrazení vektoru lze udělat na příklad jeho vyjádřením jako lineární kombinace již známých
1
vzorů, protože je f lineární.
1 1 −4 −10
A = ,
0 1 3 8
−1
−4 −10 1 1 −4 −10 1 −1 −4 −6
A= = = .
3 8 0 1 3 8 0 1 3 5
0 −4 −6 0 −6
Ověříme zobrazení vektoru a vidíme, že to máme správně = .
1 3 5 1 5
Diagonalisujeme matici A .
−4 − −6
charA ( ) = = ( −4 − ) ( 5 − ) + 18 = 2 − − 2 = ( + 1) ( − 2 )
3 5−
Ověříme diagonalisovatelnost.
−4 − ( −1) −6 −3 −6 −3 −6
def( ) = def(
5 − ( −1) ) = def( ) = 1 = deg(( + 1))
3 3 6 0 0
−4 − 2 −6 −6 −6 −6 −6
def( ) = def( ) = def( ) = 1 = deg(( − 2 ))
3 5 − 2 3 3 0 0
−1 0 0 −6
Diagonální matice k matici A je a hodnota f ( ) je .
0 2 1 5
44
Tomáš Hauser
14.1.2020
Část A:
b) det ( −5 A) = −5 det ( A) .
det ( −5 A) = −5 ( det ( A) ) .
n
c)
Část B:
45
Tomáš Hauser
Část C:
p p − 3
jsou zadány vektory b1 = a b2 = , kde p
2
V prostoru je parametr.
3+ p p
46
Tomáš Hauser
Výsledky
Část A:
1. d)
Víme, že je zobrazení lineární a že platí f ( v ) = v a f ( w) = w . Pro lineární kombinaci
v + w můžeme tedy napsat
f ( v + w) = f ( v ) + f ( w) = v + w = ( v + w) ,
tedy zkráceně f ( v + w) = ( v + w) .
2. b)
To je jasné. Po přidání stačí vzít původní lineární kombinaci a přidat k nové položce nulu.
3. c)
Matice Q je maticí lineárního zobrazení 19
⎯⎯
Q
→ 23
a platí
im ( Q ) = dim ( L1 ) − ker ( Q ) = 19 − 5 = 14 .
4. d)
Odpověď vyplývá ze vzorce det ( k Ann ) = k n det ( Ann ) .
Část B:
( )
Toto neplatí kvůli vlastnosti hodnosti rank ( A B ) min rank ( A) ,rank ( B ) . Stačí tedy najít
protipříklad.
0 1 0 1 0 1 0 0
rank( ) = 1 , ale rank( ) = rank( ) = 0 .
0 0 0 0 0 0 0 0
Část C:
p p − 3
b1 = , b2 =
3+ p p
1. Báze musí být regulární, a tak stačí spočítat, kdy bude determinant matice B o sloupcovém zápisu
( b1, b2 ) s parametrem p nenulový.
p −3
= p2 − ( p2 − 9) = 9
p
3+ p p
p p − 3 9 9
2. Hledáme matici A takovou, že A = .
3+ p p −18 −18
−1
9 9 p p − 3 9 9 1 p 3 − p −3 3
A= = =
−18 −18 3 + p p −18 −18 9 −3 − p p 6 −6
−3 3
Hledaná matice A zobrazení f je A = pro všechna p .
6 −6
47
Tomáš Hauser
48
Tomáš Hauser
Výsledky
Část A:
1. b)
Při determinantu matice 6 6 počítáme s 6! členy. Při vynechání jednoho jich tedy zbyde 5! ,
což je 120 .
2. Pravděpodobně chyba v otázce.
3. a)
Pokud má soustava A x = b řešení pro jakýkoliv vektor b , je jasné, že pro matici
→ L2 musí platit rank ( A) = dim ( L2 ) , tedy, že je matice A epimorfismus.
A : L1 ⎯⎯
4. b)
Platí
A v3 = 3 v3
A v3 = 0 v3
A v3 = o
a11 a12 a13 0 a13 0
a21 a22 a23 0 = a23 = 0 .
a a33 1 a33 0
31 a32
Část B:
( )
Abychom dokázali, že platí span v1 , b , v3 span ( v1 , v2 , v3 ) , musíme dokázat, že pro jakýkoliv vektor
( )
x z L , kde x span v1, b , v3 , platí x span ( v1, v2 , v3 ) .
( )
span v1, b , v3 množina a v + a b + a v | a , a , a ,
1 1 2 3 3 1 2 3 platí x = a1 v1 + a2 b + a3 v3 , kde
x = a1 v1 + a2 ( v1 + 2 v2 + 3 v3 ) + a3 v3
x = a1 v1 + a2 v1 + 2 a2 v2 + 3 a2 v3 + a3 v3
x = ( a1 + a2 ) v1 + ( 2 a2 ) v2 + ( 3a2 + a3 ) v3 .
( )
a proto je tvrzení span v1 , b , v3 span ( v1 , v2 , v3 ) pravdivé.
49
Tomáš Hauser
Část C:
−1 5
Získáváme span( 3 , 0 ) . Pro ortogonální projekci je potřeba mít ortogonální seznam vektorů,
1 1
takže vytvoříme ortogonální seznam O = ( o1 , o2 ) pomocí Gramm-Schmidtova ortogonalisačního
procesu.
−1
o1 = 3
1
5 −1
< 0 | 3 >
5 1 1 −1 5 4 −1 1 51 51
o2 = 0 − 3 = 0 + 3 = 12 12
1 −1 −1 11 11 15
< 3 | 3 > 1 1 1 15
11
Provedeme projekci.
50