Tomáš Hauser

Důležité identity k memorování

det ( A  B ) = det ( A)  det ( B )

det ( AT ) = det ( A)

det ( A−1 ) =
1
det ( A)

det ( k  Ann ) = k n  det ( A)

det ( adj( A) ) = ( det ( A) )

n−1

( 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( A  B ) = adj( B )  adj( A)

adj( AT ) = ( adj( A) )
T

sign (   ) = sign ( )  sign ( )

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

b) Se standardním skalárním součinem

projW ( x ) = A  ( AT  A)  AT  x
−1

Vzdálenost bodu p od přímky  ve tvaru  = p + span ( s ) v 3

:

 s | p − p 
 ( p,  ) = ( p − p ) − s
 s|s 

Vzdálenost přímky   ve tvaru   = p + span ( s ) od roviny  ve tvaru  = p + span ( s1 , s2 ) v 3

:

det ( s1 , s2 , p − p )
 ( ,  ) =
Gram ( s1 , s2 )

Vzdálenost přímky  ve tvaru  = p + span ( s ) od přímky   ve tvaru   = p + span ( s ) v 3

:

det ( s, s, p − p )
 ( ,  ) =
Gram ( s, s )

Cauchy-Schwarz-Bunyakovski nerovnost:

 x| y    x| x   y| y 

Trojúhelníková nerovnost:

x+ y  x + y

Vlastní čísla a vlastní vektory:

Av =  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

Vynásobíme zleva maticí A−1 .

A−1  A  B  ( A  B ) = A−1
−1

B  ( A  B ) = A−1
−1

Vynásobíme zleva maticí B −1 .

B−1  B  ( A  B ) = B−1  A−1

−1

( A B)
−1
= B−1  A−1

det ( adj( A) ) = ( det ( A) )

n−1

Použijeme již známou rovnost, což je naprosto validní krok.

1
A−1 =  adj( A)
det ( A)

det ( A)  A−1 = adj( A)

det ( A) = adj( A)  A

det ( det ( A) ) = det ( 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  Ann ) = k n  det ( A) , takže máme det ( A)  det ( En ) = det ( A) . ( )
n n

( det ( A)) = det ( adj( A) )

n

( det ( A) )
n

= det ( adj ( A ) )
det ( A )

det ( adj( A) ) = ( det ( A) )

n−1

3
Tomáš Hauser

det ( k  Ann ) = k n  det ( A)

Z definice víme, že platí det ( A) =  sign ( )  a ( )

 Sn
1 ,1
 a ( 2),2  ...  a ( n ),n . Pro det ( k  A) tedy platí

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

det ( A−1 ) =  ( det ( A) )

1 n −1 1
= det ( A ) =
−1
.
det ( A)
−n
det ( A )

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  A) = det ( En )

det ( A−1 )  det ( A) = 1

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 

 b11 b21 bn1   a11 a21 an1 

   
b b22 bn 2   a12 a22 an 2 
=  12  = BT  AT
   
   
 b1n b2 n bnn   a1n a2 n ann 

( 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:

1. Následující podmnožina množiny R  x  je lineárním podprostorem prostoru R  x  :

a) Množina všech polynomů sudého stupně společně s nulovým polynomem.
b) Množina všech polynomů nemajících reálný kořen.
c) Množina všech polynomů nemajících reálný kořen.
d) Množina všech polynomů s nulovými koeficienty u sudých mocnin.
2. V lineárním prostoru V mějme lineárně nezávislou množinu vektorů u, v, w . Následující
množina vektorů je lineárně závislá:
a) v, w + u, w − v + u .
b) v + w, w + u, u + v .
c) v, v − w, v + w + u .
d) 2  v,2  w,2  u .
3. Mějme lineární prostor V , lineární zobrazení f : V →V , a dva lineárně nezávislé vektory
v V , w V , které jsou vlastními vektory lineárního zobrazení f příslušnými vlastním
číslům  . Potom platí:
a) f ( v ) =   w .
b) Vektor 2  v je vlastní vektor lineárního zobrazení f příslušný vlastnímu číslu 2   .
c) Vektor f ( v ) je vlastní vektor lineárního zobrazení f příslušný vlastnímu číslu 2   .
d) Pro nenulové skaláry  a  je vektor   v +   w vlastním vektorem lineárního
zobrazení f .
4. Ať A je čtvercová matice typu 3  3 a ať det ( A ) = 3 . Potom nutně platí ( E3 je jednotková
matice typu 3  3 ):
a) det ( − A) = −3
b) det ( A + E3 ) = 3 + 1 = 4
c) det ( A + A) = 3 + 3 = 6
( )
d) det A3 = 3  3 = 9

7
Tomáš Hauser

Část B:

Definujte pojem skalární součin na obecném lineárním prostoru L nad . Pozor, nedefinujte
standardní skalární součin.

Ať − − je standardní skalární součin na n

. Ukažte, že pokud matice A : n
⎯⎯
→ n
splňuje
rovnost x x = A  x A  x pro všechny dvojice x, x vektorů z n
, pak je A regulární a splňuje
rovnost AT  A = En .

Část C:
4 4
Ať T je seznam vektorů z nad a ať p je přímka v :

 2   2 1 2 1

         
 1   3  4  1 2
T =( , , ), p = + span( ) .
 −1  1   0   −1  −2 
         
 0   0  3 4  3

Ortogonalisujte seznam T a nalezněte vzdálenost přímky p od podprostoru span (T ) .

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

det ( ( −1)  A) = ( −1)  3 = −3 .

3

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

a protože toto platí pro všechny dvojice x, x , musí platit AT  A = En . Odtud

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

( det ( A) −1)  ( det ( A) + 1) = 0 .

det ( A) může tedy nabývat pouze hodnot 1 a −1 , které jsou obě nenulové. Matice A je tedy
regulární.

10
Tomáš Hauser

Část C:

 2   2 1 2 1

         
 1   3  4  1 2
T =( , , ), p = + span( )
 −1  1   0   −1  −2 
         
 0   0  3 4  3

Nazvěme P = ( p1 , p2 , p3 ) ortogonální bází k bázi T . Provedeme Gram-Schmidtův ortogonalisační

proces:

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

1  2  1 0

       
 4  1  4 2
 | >   | >
1  0   −1  2   0  2  −1
             
p3 =   −       −     =   ,
4 3 0 1 3 0 1
0  2   2   −1 0 0  −1
             
 3   1  |  1  >  0    2 |  2 >  3 
 −1  −1  2  2
       
0 0 0 0

 2   0   −1
     
1 2 1
Ortogonální báze k T je tedy P = (  ,   ,  ) .
 −1  2   −1
     
 0  0  3 

11
Tomáš Hauser

Nazvěme  vzdáleností span (T ) od p . Potom

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

Vzdálenost span (T ) od p je rovna číslu 2 .

12
Tomáš Hauser

21.1.2020

Část A:

1. V této otázce je tělesem skalárů množina reálných čísel. Ať f : L1 ⎯⎯

→ L2 je lineární
zobrazení, ať b je vektor v L2 . Pak pro množinu M = x | f ( x ) = b platí:  
a) Množina M tvoří lineární podprostor prostoru L1 .
b) Množina M obsahuje nulový vektor.
c) Když x1  M a x2  M , pak ( 3  x1 − 2  x2 )  M .

d) Množina M obsahuje vektor b .

3
2. Ať je B uspořádaná báze lineárního prostoru a ať M je matice obsahující jako sloupce
3
vektory z B (zapsané jako souřadnice vzhledem ke kanonické bázi ). Potom nutně platí:
a) Matice M má kladný determinant.
b) Sloupce matice M  M tvoří bázi 3
.
c) Rozdíl M − E3 je nulová matice.
d) Matice M nemůže být positivně definitní.
3. Je dáno zobrazení f : 3
⎯⎯
→ 3
. Víme, že pro libovolný vektor x  3
platí, že
f ( x ) = 3  x . Potom také platí:
3
a) Existuje báze prostoru , vzhledem ke které má zobrazení f vlastní číslo 9 .
b) Matice zobrazení f vzhledem ke standardním bázím má determinant 3 .
c) Platí eigen ( 3, f ) =
3
.
d) def ( f ) = 3 .
4. Vektor v lineárního prostoru 3
nad má vzhledem k uspořádané bázi ( b1 , b2 ,..., b8 )

souřadnice (1,1,...,1) . Potom vektor 2  v má vzhledem k uspořádané bázi

T

(b1 + b2 , b2 + b3 ,..., b8 + b1 ) souřadnice:

a) ( 2, 2,..., 2 )
T

b) (1,1,...,1)
T

c) (1/ 2,1/ 2,...,1/ 2)

T

d) Souřadnice nelze určit, protože ( b1 + b2 , b2 + b3 ,..., b8 + b1 ) není uspořádaná báze.

13
Tomáš Hauser

Část B:

Definujte pojmy skalární součin a kolmost dvou vektorů vzhledem ke skalárnímu součinu na obecném
lineárním prostoru L nad .

Definujte nebo vyvraťte následující tvrzení:

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.

Část C pro versi LAG:

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

Část C pro versi LAGA:

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

pravdivá. Druhá mocnina nenulového čísla je rovněž nenulové číslo.

3. c)
Zápis eigen ( 3, f ) je označení pro vlastní prostor ker ( f − 3  En ) .
Je poměrně těžké dokázat, že generuje celé 3 , takže lze k odpovědi dojít vyloučením všech
ostatních možností.
Možnost a) to není, protože jsou vlastní čísla imunní vůči změně báze.
Možnost b) to být nemůže, protože třeba matice s trojkami na hlavní diagonále má
determinant roven 27 .
Možnost d) je už od pohledu nesmyslná, neboť defekt roven třem má v tomto případě jen
nulová matice.
Zbývá tedy možnost c), nad kterou už není potřeba se zamýšlet.
4. d)
Je moudré vyzkoušet nejdříve menší případy.
a1  ( b1 + b2 ) + a2  ( b2 + b1 ) = o je netriviální pro a1 = 1, a2 = −1.
a1  ( b1 + b2 ) + a2  ( b2 + b3 ) + a3  ( b3 + b1 ) = o má jen triviální řešení.
a1  ( b1 + b2 ) + a2  ( b2 + b3 ) + a3  ( b3 + b4 ) + a4  (b4 + b1 ) = o je netriviální pro
a1 = a3 = 1, a2 = a4 = −1 . Je vidět, že pro sudou dimensi báze lze vymyslet netriviální řešení
lineární kombinace, protože následuje určitý vzorec chování. Když máme lichou dimensi,
máme i lichý počet součtů, a tak na jeden součet připadne, aby byl zároveň záporný i kladný a
tím pádem nelze vymyslet netriviální řešení takové lineární kombinace. To znamená, že nový
8 8
seznam v bude lineárně závislý a nebude tak tvořit uspořádanou bázi

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

Část C pro versi LAG:

 2 3  1 3 16 
 M B,C =   ,  N D ,C =   , coord B ( x ) =  
 3 1  −1 5  8
Hledáme matici transformace souřadnic TB→D vzhledem k funkci f , pro kterou platí
TB→D =  M B→C  N C→D .
Spočítáme  N C →D , kterou je inversí matice  N D→C .
−1
 1 3 1  1 12 
TB→C =  N C →D =  N 
−1
=  =  
 −1 5 
D→C
8 5 4 
Dosadíme a dostáváme
1  1 12   2 3  14 
TB→D =  M B→C  N C→D =  N C→D   M B→C =   = .
8  5 4   3 1  14 
 14 
Vektor coord D ( x ) je  .
 14 

Část C pro versi LAGA:

0 1 0  −8 4 −8  2 2 1
     
A =  1 1 1  , B =  8 −4 8  , C =  1 3 2 
0 1 0  −8 4 −8   0 1 2
     

X C = A X + B

Protože matice X komutuje s maticí A , platí

X C = X  A + B

X C − X  A = B

X  ( C − A) = B

 −8 4 −8  1/ 2 −1/ 4 −1/ 8   −4 4 −4 

     
X = B  ( C − A)
−1
=  8 −4 8    0 1/ 2 −1/ 4  =  4 −4 4  .
 −8 4 −8   0 1/ 2   −4 4 −4 
   0

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

4. Ať L je lineární prostor nad dimense n , ať f : L ⎯⎯

→ je lineární zobrazení. Potom
platí:
a) Zobrazení f je monomorfismus.
b) Matice M zobrazení f vzhledem k jakýmkoli bázím B a C je regulární.
c) Zobrazení f je nilpotentní.
d) Hodnost zobrazení f je maximálně rovna 1 .

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 00
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 00
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:

Definujte pojmy obraz (image) lineárního zobrazení z prostoru L1 do prostoru L2 a hodnost

lineárního zobrazení.

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

b  span ( a ,..., a ) právě a jen tehdy, když rank ( A) = rank ( A | b ) .

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) Chceme dokázat, že pokud x = p + xh , kde xh je nějaký vektor z ker ( A) , tak Ax = b .

(ii) Chceme dokázat, že pokud Ax = b , tak x = p + xh pro všechna xh z ker ( A) .

Budeme používat, že platí Ap = b .

(i) Ax = A ( p + xh ) = Ap + Axh = Ap + 0 = b + o = b

(ii) Víme, že platí Ax = b a Ap = b . Pro x můžeme napsat x = p + ( x − p ) . Musíme dokázat, že

( x − p ) leží v ker ( A) . To vyplývá z rovnosti A ( x − p ) = Ax − Ap = b − b = o a z faktu, že nulový

vektor leží dle definice v jádře.

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.

4 9 e1 0 0 0  1   −75   −3 

12 e2 9  
e1          
c3 = b1  b2 = −3 12 e2 = 4  + 3 = 48  0  − 100  1  + 27  0  − 75  0  =  −100   −4 
25 e3 25 e3 1 0 1  0   75   3
0 25 e3            

22
Tomáš Hauser

Nezapomeneme ověřit, že je báze ( c1 , c2 , c3 ) opravdu ortogonální.

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:

1. Matice A je nilpotentní a platí A6 = O . Vyberte nutně pravdivé tvrzení:

a) Matice A má inversi.
b) A5 = O .
A7 = O .
c)
d) Matice A5 nemá inversi.
2. Je dáno lineární zobrazení f : 3
⎯⎯
→ 3
av 3
tři různé vektory v1 , v2 , v3 takové, že
f ( v1 ) = o, f ( v2 ) = o a f ( v3 ) = o . Hodnost zobrazení f nemůže být:
a) 3.
b) 2.
c) 1.
d) 0.
3. Ať A je reálná matice typu 2  2 , ať každá ze soustav A  x = e1 a A  x = e2 má řešení. Pak
nutně platí:
a) det ( A) = 0 .
b) Soustava A  x = e1 + e2 má právě jedno řešení.
c) Soustava A  x = e1 + e2 má nekonečně mnoho řešení.
d) Existuje vektor b  2 takový, že soustava A  x = b nemá řešení.
4. Mějme čtvercovou matici A typu n  n . Potom nutně platí:
(
a) det ( 26  A) = 26  det ( A) . )
n n

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:

Definujte pojmy jádro lineárního zobrazení a lineární podprostor lineárního prostoru.

→ L je lineární zobrazení. Potom ker ( f

Dokažte nebo vyvraťte následující tvrzení: Jestliže f : L ⎯⎯ )
je lineárním podprostorem prostoru ker ( f f ).

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  Ann ) = k  Ann .
n

Část B:

→ L2 je lineární zobrazení, ať v je vektor z množiny ker ( f ) . Potom z definice jádra

Nechť f : L1 ⎯⎯

(
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 

Matici TA B spočítáme buď inversí nebo stejným způsobem, tedy

 0 −1/ 3   0 3 
T

= (TB→ A )
−1
TA = −3    = .
 −1 1/ 3   1 −1
B

26
Tomáš Hauser

Dosadíme do výše zmiňovaného vzorce a získáváme.

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:

Definujte pojmy jádro lineárního zobrazení a obraz lineárního zobrazení.

Ať A je čtvercová matice. Dokažte, popřípadě vyvraťte protipříkladem následující dvě tvrzení:

1. Když je matice A diagonalisovatelná, pak je diagonalisovatelná i matice A2 .

2. Když je matice A2 diagonalisovatelná, pak je diagonalisovatelná i matice A .

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

A2 = P−1  D  P  P−1  D  P = P−1  D  D  P = P−1  D2  P .

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
           

Označme  f B matici zobrazení vzhledem k bázi B se zmíněnými přiřazeními. Hledáme takovou

 f B , pro kterou platí
1 2 1  2 2 0
 f B   2 5 3  =  4 6 0  .
 2 3 2  4 3 1
   
Dostáváme
−1
 2 2 0 1 2 1  2 2 0   1 −1 1   6 −2 0 
         
 f B =  4 6 0    2 5 3  =  4 6 0    2 0 −1 = 16 −4 −2  .
 4 3 1  2 3 2  4 3 1   −4 1 1   6 −3 2 
         

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

Najdeme vlastní vektor vzhledem k vlastnímu číslu 2 .

 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

( a1,..., an ) tvoří ortonormální bázi prostoru n

(
. Matice AT má řádkový zápis a1T ,..., anT .Platí )
 a1T  a1 a1T  a2 a1T  an    a1 | a1   a1 | a2   a1 | an  
 T   
 a2  a1 a2T  a2 a2T  an    a2 | a1   a2 | a2   a2 | an  
A A=
T
= .
   
 T   
 an  a1 an  a2
T
anT  an    an | a1   an | a2   an | an  

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:

Provedeme výpočet charakteristického polynomu.

 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 
 

Ověříme, zda se aritmetická násobnost charakteristického polynomu rovná geometrické.

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 Bmn  Amm 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

Vynásobíme původní rovnost vlastní hodnotou a1 .

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 .

Protože v2  o, a2  a1 , musí platit 1 = 2 = 0 a vektory v1 , v2 jsou tedy lineárně nezávislé.

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:

1. Ať má čtvercová soustava lineárních rovnic A  x = b nad alespoň jedno řešení. Potom

nutně platí:
a) Matice A má inversi.
b) Soustava ( A + En )  x = b má právě jedno řešení.
c) Vektor b je lineární kombinací sloupců matice A .
d) Matice A má nulový determinant.
2. Ať F : 4
⎯⎯
→ 3
je matice lineárního zobrazení f : 4
⎯⎯
→ 3
a rank ( f ) = 3 . Potom
V nemůže být:
a) matice transformace souřadnic.
b) diagonalisovatelná matice.
c) matice rotace.
 2 0
   
d) matice projekce na rovinu určenou vektory  3  a  1  .
0 0
   
3. Vektor v lineárního prostoru L nad má vzhledem k uspořádané bázi ( b1, b2 ..., bn )

souřadnice ( a1, a2 ,..., an ) . Potom vektor 6  v má vzhledem k uspořádané bázi

T

( 3  b1,3  b2...,3  bn ) souřadnice:

a) (18  a1,18  a2 ,...,18  an )
T

b) ( 2  a1,2  a2 ,...,2  an )
T

c) ( a1 / 2, a2 / 2,..., an / 2 )
T

d) Souřadnice nelze určit, protože ( 3  b1,3  b2 ...,3  bn ) není uspořádaná báze.

4. Ať lineární prostory L1 a L2 mají konečnou dimensi. Ať f : L1 ⎯⎯
→ L2 je epimorfismus a ať
má lineární zobrazení f vzhledem k nějakým bázím prostorů L1 a L2 matici zobrazení F .
Potom nutně platí:
a) def ( f )  0 .
b) Soustava F  x = b má řešení pro libovolný vektor b z L1 .
c) Pro každý vektor w  W existují alespoň dva vektory v1 , v2  L1 takové, že
f ( v1 ) = f ( v2 ) = w .
d) dim ( L1 )  dim ( L2 ) .

Část B:

Definujte pojmy součin matic (nad tělesem ) a transponovaná matice k matici.

Dokažte nebo vyvraťte následující tvrzení:

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
       

1. Rozhodněte o vzájemné poloze přímek  a   .

2. Spočítejte vzájemnou vzdálenost  ( ,   ) přímek  a   .

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

k , který je potřeba doplnit před jeho souřadnice.

n
6  v =  3  k  ai  bi
i =1
n
6  v = 3  k   ai  bi
i =1
n
A protože v =  a  b , dostáváme
i =1
i i

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:

Nechť A a B jsou matice stejných rozměrů nad tělesem . Předpokládejme, že A a B jsou

symetrické. Potom platí A = A a B = B . Pro součin B  A můžeme napsat BT  AT .
T T

Předpokládejme, že platí BT  AT = ( B  A) .
T

Kvůli identitě BT  AT = ( A  B ) však stačí dokázat, že ( B  A)  ( A  B ) .

T T T

Předpokládejme, že platí ( B  A) = ( A  B ) . Po transponování obou stran dostáváme

T 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 ( ss ) ( p − p ) =|| s  s ||=||      12  ||= 13.
 ss | ss  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

Vynásobíme původní rovnost vlastní hodnotou a1 .

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 .

Protože v2  o a a2  a1 , musí platit 1 = 2 = 0 a proto jsou vektory v1 , v2 lineárně nezávislé.

Část C:

0
Zobrazení vektoru   lze udělat na příklad jeho vyjádřením jako lineární kombinace již známých
1
vzorů, protože je f lineární.

0 1 1 1 1  −4   −10   −6 

f ( ) = f (−1   + 1  ) = −1 f ( ) + 1 f ( ) = −1   + 1  = 
1 0  1  0  1  3  8   5
Stejně však musíme spočítat matici A zobrazení f , tak si alespoň můžeme ověřit, že když
0  −6 
proženeme vektor   maticí tohoto zobrazení, opravdu vyjde  .
1  5
Hledáme matici A , pro kterou platí

 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:

1. Mějme lineární prostor V , lineární zobrazení f : V →V , a dva lineárně nezávislé vektory

v V , w V , které jsou vlastními vektory lineárního zobrazení f příslušnými vlastním
číslům  . Potom platí:
a) f (v) =   w .
b) Vektor 2  v je vlastní vektor lineárního zobrazení f příslušný vlastnímu číslu 2   .
c) Vektor f ( v ) je vlastní vektor lineárního zobrazení f příslušný vlastnímu číslu 2   .
d) Pro nenulové skaláry  a  je vektor   v +   w vlastním vektorem lineárního
zobrazení f .
2. Ať S = ( s1 ,..., sk ) , 2  k  n je lineárně závislý seznam vektorů z n
. Vyberte nutně
pravdivé tvrzení:
a) Ať ze seznamu S odebereme jakýkoli vektor, bude nově vzniklý seznam lineárně závislý.
b) Ať do seznamu S přidáme jakýkoli vektor, bude nově vzniklý seznam lineárně závislý.
n
c) Seznam S může být bází .
d) Seznam S může generovat n .
3. Matice Q má 19 sloupců a 23 řádků. Její defekt je 5 . Potom nutně platí:
a) Matice Q je epimorfismus.
b) Hodnost matice Q je rovna 18 .
c) Hodnost matice Q je rovna 14 .
d) O hodnosti matice Q v tomto případě nelze rozhodnout.
4. Mějme čtvercovou matici A typu n  n . Potom nutně platí:
(
a) det ( −5  A) = ( −5)  det ( A) . )
n n

b) det ( −5  A) = −5  det ( A) .

det ( −5  A) = −5  ( det ( A) ) .
n
c)

d) det ( −5  A) = ( −5)  det ( A) .

n

Část B:

Definujte pojmy obraz lineárního zobrazení a lineární podprostor lineárního zobrazení.

→ L je lineární zobrazení, potom im ( f ) je lineárním podprostorem prostoru

Jestliže f : L ⎯⎯
im ( f f ).

45
Tomáš Hauser

Část C:

 p   p − 3
jsou zadány vektory b1 =   a b2 =   , kde p 
2
V prostoru je parametr.
3+ p  p 

1. Nalezněte (jakýmkoli způsobem) množinu P všech p takových, že B = ( b1 , b2 ) tvoří uspořádanou

2
bázi prostoru .

Přidejte drobný komentář k tomu, jak jste množinu P našli.

2. Pro každé p  P nalezněte matici M lineárního zobrazení f : 2

⎯⎯
→ 2
, kde
 9 
f ( b1 ) = f ( b2 ) =   vzhledem ke kanonické bázi K 2 prostoru
2
(tj. matici M zobrazení f
 −18 
vzhledem k bázím K 2 a K 2 ).

Přidejte drobný komentář k tomu, jak jste matici M našli.

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  Ann ) = k n  det ( Ann ) .

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

Nehledě na hodnotě parametru p bude determinant nenulový, a tak množina je množina 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 ) .

Nechť x je vektor z lineárního prostoru L nad ( )

. Předpokládejme, že x  span v1 , b , v3 . Protože je

( )
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

a1, a2 , a3 jsou nějaké skaláry z tělesa a v1 , v2 , v3 vektory z L .

Dosadíme za b rovnost b = v1 + 2  v2 + 3  v3 a dostáváme

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 .

Z uzávěrových vlastností obecného tělesa vyplývá a1 + a2 ,2  a2 ,3a2 + a3  , a protože

span ( v1, v2 , v3 ) je množina a1  v1 + a2  v2 + a3  v3 | a1, a2 , a3   , platí také x  span ( v1, v2 , v3 ) ,

( )
a proto je tvrzení span v1 , b , v3  span ( v1 , v2 , v3 ) pravdivé.

49
Tomáš Hauser

Část C:

Získáme vektory z roviny x + 2 y − 5z = 0 řešením rovnice (1 2 −5 0 ) .

 −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   
  
11
  

Provedeme projekci.

1  −1 1  51

     
<  1 |  3  > < 1 | 12  >
1  1  1   −1 1  15   51 16/15 
               
projspan( o1 ,o2 ) (1) =  3  +  12  = 17 /15 
1 −
    
1 −1      
51 51 
  <  3  |  3  >  1  < 12  | 12  >  15   2/3 
     
11  15   15 
     

50